本發(fā)明涉及基于邏輯回歸推薦方法，混合推薦方法為：S1、獲取用戶行為相關(guān)數(shù)據(jù)；S2、根據(jù)步驟S1獲取的用戶行為相關(guān)數(shù)據(jù)，提取物品特征元數(shù)據(jù)、用戶特征元數(shù)據(jù)、用戶行為特征元數(shù)據(jù)，并對(duì)元數(shù)據(jù)進(jìn)行處理，通過(guò)CF算法和CB算法進(jìn)行檢索引擎的搜索，對(duì)物品召回，得到粗排序索引庫(kù)數(shù)據(jù)；S3、物品召回完成后，利用訓(xùn)練后的邏輯回歸模型對(duì)粗排序索引庫(kù)數(shù)據(jù)進(jìn)一步精排序，得到精排序索引庫(kù)數(shù)據(jù)；S4、按規(guī)定的度量標(biāo)準(zhǔn)對(duì)精排序索引庫(kù)數(shù)據(jù)進(jìn)行去重過(guò)濾，取出前N項(xiàng)推薦結(jié)果返回給頁(yè)面，呈現(xiàn)給用戶。本發(fā)明在基于內(nèi)容和協(xié)同過(guò)濾方法的基礎(chǔ)上，融入邏輯回歸模型的推薦方法，能夠有效提升推薦效果。

技術(shù)領(lǐng)域

本發(fā)明屬于個(gè)性化推薦技術(shù)領(lǐng)域，尤其涉及一種基于邏輯回歸精排序模型的混合推薦方法。

背景技術(shù)

隨著大數(shù)據(jù)時(shí)代的到來(lái)，推薦系統(tǒng)已成為大眾在面對(duì)海量互聯(lián)網(wǎng)信息篩選問(wèn)題時(shí)的最佳解決方案。一個(gè)完整的推薦系統(tǒng)其核心是推薦引擎，推薦引擎是一種算法，旨在通過(guò)從大量數(shù)據(jù)中過(guò)濾有用的信息，為用戶提供所需的相關(guān)項(xiàng)目。推薦引擎可以通過(guò)存儲(chǔ)和分析用戶行為日志、物品評(píng)分等歷史信息挖掘數(shù)據(jù)集中的樣本模式，進(jìn)一步分析用戶特征，產(chǎn)生與用戶需求和興趣共同相關(guān)的項(xiàng)目結(jié)果，提供推薦服務(wù)。這些推薦系統(tǒng)給用戶帶來(lái)便捷的信息篩選服務(wù)的同時(shí)，也豐富了用戶的互聯(lián)網(wǎng)生活。

傳統(tǒng)的推薦算法包括協(xié)同過(guò)濾推薦算法(Collaborative?FilteringRecommendation，CF算法)和基于內(nèi)容的推薦算法(Content-based?Recommendation，CB算法)，這兩種算法也是大多數(shù)電商網(wǎng)站和門(mén)戶網(wǎng)站所采取的推薦方案，應(yīng)用十分廣泛。CF算法是通過(guò)用戶歷史行為信息和物品信息，生成UI(User-Item)矩陣，通過(guò)矩陣計(jì)算出推薦內(nèi)容間的相關(guān)程度，給出推薦結(jié)果。CB算法具體分為兩種，引入item屬性的基于內(nèi)容推薦即以物品特征為相似度的計(jì)算依據(jù)，和引入user屬性的基于內(nèi)容推薦即以用戶特征作為相似度的計(jì)算依據(jù)。上述兩種算法在實(shí)際的推薦應(yīng)用中都存在一些問(wèn)題，傳統(tǒng)的CF算法和CB算法由于僅僅依賴于物品特征或用戶特征分析，推薦精度較低、缺乏個(gè)性化，推薦結(jié)果無(wú)法對(duì)用戶進(jìn)行有效解釋并且易產(chǎn)生馬太效應(yīng)，同時(shí)可能會(huì)由于用戶行為稀疏而導(dǎo)致推薦結(jié)果覆蓋率低的問(wèn)題。

因此，基于這些問(wèn)題，提供一種使用CF算法和CB算法進(jìn)行項(xiàng)目召回完成粗排序后，再利用邏輯回歸算法(Logistic?Regression，LR算法)建立精排序的算法模型完成篩選工作，對(duì)索引庫(kù)中由CB算法、CF算法召回的數(shù)據(jù)進(jìn)行去重、精排，篩選出最終的Top-N推薦結(jié)果反饋給用戶的基于邏輯回歸精排序模型的混合推薦方法，具有重要的現(xiàn)實(shí)意義。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種使用CF算法和CB算法進(jìn)行項(xiàng)目召回完成粗排序后，再利用邏輯回歸算法(Logistic?Regression，LR算法)建立精排序的算法模型完成篩選工作，對(duì)索引庫(kù)中由CB算法、CF算法召回的數(shù)據(jù)進(jìn)行去重、精排，篩選出最終的Top-N推薦結(jié)果反饋給用戶的基于邏輯回歸精排序模型的混合推薦方法。

本發(fā)明解決其技術(shù)問(wèn)題是采取以下技術(shù)方案實(shí)現(xiàn)的：

基于邏輯回歸推薦方法，所述混合推薦方法為：

S1、獲取用戶行為相關(guān)數(shù)據(jù)；

S2、根據(jù)步驟S1獲取的用戶行為相關(guān)數(shù)據(jù)，提取物品特征元數(shù)據(jù)、用戶特征元數(shù)據(jù)、用戶行為特征元數(shù)據(jù)，并對(duì)元數(shù)據(jù)進(jìn)行處理，通過(guò)CF算法和CB算法進(jìn)行檢索引擎的搜索，對(duì)物品召回，得到粗排序索引庫(kù)數(shù)據(jù)；

S3、物品召回完成后，利用訓(xùn)練后的邏輯回歸模型對(duì)粗排序索引庫(kù)數(shù)據(jù)進(jìn)一步精排序，得到精排序索引庫(kù)數(shù)據(jù)，其中，所述邏輯回歸模型的表示方法為：

P(y＝1|x；θ)表示給定x條件下事件y發(fā)生的條件概率，即用戶選中物品y的概率，θ是該條件概率的權(quán)重列向量，x為條件行向量；θ^T為權(quán)重列向量的轉(zhuǎn)置；