[发明专利]一种推荐结果排序修正方法及装置，电子设备

说明书

本申请涉及一种推荐结果排序修正方法，属于计算机技术领域，解决现有技术中推荐排序方法中存在的推荐结果准确率低的问题。本申请实施例公开的推荐结果排序修正方法包括：获取当前用户对历史推荐结果的实时行为数据，根据所述实时行为数据，构造所述当前用户针对当前推荐结果执行预设行为的概率分布模型，并进一步根据所述概率分布模型的采样值，对所述当前推荐结果进行修正。本申请的排序修正方法，通过基于用户的实时行为统计量对推荐结果列表的排序进行修正，推荐结果基于用户的行为习惯获得，有效提升了推荐结果的准确率，同时，提升了用户体验。

技术领域

本申请涉及计算机技术领域，特别是涉及一种推荐结果排序修正方法及装置，电子设备。

背景技术

针对用户的个性化排序是推荐系统里面很重要的一个研究课题。随着网络平台业务的快速发展，每次用户在访问平台页面上的展位时，都有上百商家及产品被召回，进入到候选集展示给用户。现有技术中，推荐结果列表主要通过推荐模型，如Learn to rank(排序学习)模型获取。Learn to rank模型将机器学习技术应用到排序中，通过对每个用户的推荐结果排序问题抽象为最优化问题；数据源是过去一段时间内的用户行为日志，通过特征工程构造排序特征求解最优化问题。这种排序方法受限于系统采集的用户行为日志，因为用户的误点或者线上日志记录的问题，会导致得到的日志中会有很多噪声；基于行为日志训练机器学习模型，将会导致学习到的模型不准确，为了提升推荐效果，通常做法是对推荐结果列表的排序进行修正。

现有技术中常用的修正方法包括：对于推荐结果列表进行人为干预，对曝光多次，但是一直没点击的推荐结果做降权处理；或者，在训练数据中增加用户-推荐结果维度的交叉特征。然而，基于点击率调权时，在推荐结果曝光次数足够多的情况下，点击率是一个常量，即推荐结果每次的调权值都是固定的，起不到优化推荐结果的作用。而用户-推荐结果维度的交叉特征较难衡量，同样无法有效修正推荐结果的排序。

可见，现有技术中的推荐结果排序修正方法，依然无法解决推荐结果准确率低的问题。

发明内容

本申请提供一种推荐结果排序修正方法，至少解决现有技术中的推荐排序方法存在的推荐结果准确率低的问题。

为了解决上述问题，第一方面，本申请实施例提供了一种推荐结果排序修正方法包括：

获取当前用户对历史推荐结果的实时行为数据；

根据所述实时行为数据，构造所述当前用户针对当前推荐结果执行预设行为的概率分布模型；

根据所述概率分布模型的采样值，对所述当前推荐结果进行修正。

第二方面，本申请实施例提供了一种推荐结果排序修正装置，包括：

实时行为数据获取模块，用于获取当前用户对历史推荐结果的实时行为数据；

用户行为概率分布模型构造模块，用于根据所述实时行为数据，构造所述当前用户针对当前推荐结果执行预设行为的概率分布模型；

排序修正模块，用于根据所述概率分布模型的采样值，对所述当前推荐结果进行修正。

第三方面，本申请实施例还公开了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例所述的推荐结果排序修正方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时本申请实施例公开的推荐结果排序修正方法的步骤。