[发明专利]推荐系统的排序方法、装置、设备及可读存储介质

权利要求书

1.一种推荐系统的排序方法，其特征在于，所述方法包括：

确定特征数据，所述特征数据包括用户的特征数据，以及与所述用户对应的多个待推荐对象的特征数据；

基于所述特征数据，构建特征数据对，每个特征数据对中包括所述用户的特征数据和一个所述待推荐对象的特征数据，所述特征数据对的数量与所述待推荐对象的数量相同；

针对每个特征数据对，对所述特征数据对进行多尺度局部邻域非线性聚合得到聚合后的特征数据，并对所述聚合后的特征数据进行处理得到所述特征数据对的置信度得分；

基于各特征数据对的置信度得分对所述多个待推荐对象进行排序。

2.根据权利要求1所述的方法，其特征在于，所述确定特征数据，包括：

获取画像数据，所述画像数据包括所述用户的画像数据，以及，与所述用户对应的多个待推荐对象的画像数据；所述画像数据包括连续型数据、单值离散型数据和多值离散型数据；

对所述画像数据中的连续型数据进行去长尾处理，得到去长尾处理后的连续型数据，并对所述去长尾处理后的连续型数据进行归一化处理，得到归一化处理后的连续型数据；

对所述归一化处理后的连续型数据、所述单值离散型数据和所述多值离散型数据分别进行标准化处理，得到所述特征数据。

3.根据权利要求2所述的方法，其特征在于，所述对所述画像数据中的连续型数据进行去长尾处理，得到去长尾处理后的连续型数据，包括：

对所述画像数据中的连续型数据进行开n次幂或取对数处理，得到去长尾处理后的连续型数据，所述n为大于等于2的整数。

4.根据权利要求1所述的方法，其特征在于，所述对所述特征数据对进行多尺度局部邻域非线性聚合得到聚合后的特征数据，并对所述聚合后的特征数据进行处理得到所述特征数据对的置信度得分，包括：

将所述特征数据对输入预先训练的排序模型，所述排序模型对所述特征数据对进行多尺度局部邻域非线性聚合得到聚合后的特征数据，并对所述聚合后的特征数据进行处理得到所述特征数据对的置信度得分；所述排序模型是以训练用特征数据对为训练样本，以训练用特征数据对的标签为样本标签，训练得到的。

5.根据权利要求4所述的方法，其特征在于，所述排序模型包括特征拼接模块、多尺度局部邻域非线性聚合模块和置信度打分模块；

所述特征拼接模块将所述特征数据对中的用户的特征数据和一个所述待推荐对象的特征数据进行拼接，得到拼接后的特征数据；

所述多尺度局部邻域非线性聚合模块对所述拼接后的特征数据进行多尺度局部邻域非线性聚合，得到聚合后的特征数据；

所述置信度打分模块对所述聚合后的特征数据进行置信度打分，得到所述特征数据对的置信度得分。

6.根据权利要求5所述的方法，其特征在于，所述多尺度局部邻域非线性聚合模块包括：依次级联的多个多尺度随机组合式卷积层；

每个多尺度随机组合式卷积层中包括多个卷积核，所述多个卷积核中，最小尺度为2，其余卷积核的尺度是从预设尺度列表中等间距选择确定的，所述预设尺度列表中每个尺度均为奇数，最小尺度为3，最大尺度为2int(N/4)-1，N为所述拼接后的特征数据的长度；

每个多尺度随机组合式卷积层的深度是基于N确定的。

7.根据权利要求6所述的方法，其特征在于，每个卷积核在特征数据上遍历时，以预设概率保持正常卷积，其他情况进行随机卷积，所述正常卷积即为从特征数据的开始位置到结束位置顺序滑动卷积窗口，所述随机卷积即为每次中心特征不变，从中心特征以外的特征中随机选择其他特征。

8.根据权利要求6所述的方法，其特征在于，所述置信度打分模块包括池化层和激活层，所述池化层与最后一个所述多尺度随机组合式卷积层连接，所述激活层与所述池化层连接。