CN115965439A

CN115965439A - 数据召回方法、数据召回装置、电子设备及存储介质

Info

Publication number: CN115965439A
Application number: CN202211634482.7A
Authority: CN
Inventors: 易明
Original assignee: Ping An Life Insurance Company of China Ltd
Current assignee: Ping An Life Insurance Company of China Ltd
Priority date: 2022-12-19
Filing date: 2022-12-19
Publication date: 2023-04-14

Abstract

本申请提供了一种数据召回方法、数据召回装置、电子设备及存储介质，属于人工智能技术领域，通过获取基准召回列表和待召回数据，对待召回数据进行第一召回处理，得到第一召回列表，对待召回数据进行第二召回处理，得到第二召回列表，根据基准召回列表对第一召回列表进行排名预测，得到第一平均预测排名，并根据基准召回列表对第二召回列表进行排名预测，得到第二平均预测排名，比较第一平均预测排名和第二平均预测排名，若第一平均预测排名大于第二平均预测排名，则对第二召回列表进行筛选，得到第三召回列表，根据第一召回列表和第三召回列表生成目标推荐列表，目标推荐列表用于进行物品推荐，能够提高物品推荐的准确率。

Description

数据召回方法、数据召回装置、电子设备及存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种数据召回方法、数据召回装置、电子设备及存储介质。

背景技术

相关技术中，通过对多路召回结果进行加权平均计算得到目标推荐列表，但是多路召回结果中每一路的召回结果会存在较大差异，若直接对多路召回结果进行加权平均计算，会导致目标推荐列表不准确，影响了物品推荐的准确率。因此，如何提高物品推荐的准确率，成为了亟待解决的技术问题。

发明内容

本申请实施例的主要目的在于提出一种数据召回方法、数据召回装置、电子设备及存储介质，旨在提高物品推荐的准确率。

为实现上述目的，本申请实施例的第一方面提出了一种数据召回方法，所述方法包括：

获取基准召回列表和待召回数据；

对所述待召回数据进行第一召回处理，得到第一召回列表；

对所述待召回数据进行第二召回处理，得到第二召回列表；

根据所述基准召回列表对所述第一召回列表进行排名预测，得到所述第一召回列表的第一平均预测排名，并根据所述基准召回列表对所述第二召回列表进行排名预测，得到所述第二召回列表的第二平均预测排名；

比较所述第一平均预测排名和所述第二平均预测排名；

若所述第一平均预测排名大于所述第二平均预测排名，则对所述第二召回列表进行筛选，得到第三召回列表；

根据所述第一召回列表和所述第三召回列表生成目标推荐列表；其中，所述目标推荐列表用于进行物品推荐。

在一些实施例，所述获取基准召回列表和待召回数据，包括：

从预设的数据埋点事件表中获取预设时间段内的初始对象行为数据；

对所述初始对象行为数据进行数据去重处理，得到中间对象行为数据；

对所述中间对象行为数据进行分类处理，得到所述基准召回列表和所述待召回数据。

在一些实施例，所述预设时间段包括第一时间点和第二时间点，所述对所述中间对象行为数据进行分类处理，得到所述基准召回列表和所述待召回数据，包括：

计算所述第一时间点的中间对象行为数据的数据数量；

若所述数据数量小于或者等于预设的数量阈值，则将所述第一时间点的所有中间对象行为数据作为所述基准召回列表；

若所述数据数量大于所述数量阈值，则对所述第一时间点的中间对象行为数据进行筛选，得到所述基准召回列表；

将所述第二时间点的中间对象行为数据作为所述待召回数据。

在一些实施例，所述待召回数据包括多个目标对象的对象信息、多个物品的物品信息和所述目标对象对所述物品的行为信息，所述对所述待召回数据进行第一召回处理，得到第一召回列表，包括：

根据所述对象信息、所述物品信息和所述行为信息进行物品相似度计算，得到不同物品之间的物品相似度；

根据所述物品相似度和所述行为信息，得到所述目标对象对所述物品的第一兴趣度；

根据所述第一兴趣度对所述物品信息进行排序，得到所述第一召回列表。

在一些实施例，所述对所述待召回数据进行第二召回处理，得到第二召回列表，包括：

根据所述对象信息、所述物品信息和所述行为信息进行对象兴趣相似度计算，得到不同目标对象之间的对象兴趣相似度；

根据所述对象兴趣相似度和所述行为信息，得到所述目标对象对所述物品的第二兴趣度；

根据所述第二兴趣度对所述物品信息进行排序，得到所述第二召回列表。

在一些实施例，所述根据所述基准召回列表对所述第一召回列表进行排名预测，得到所述第一召回列表的第一平均预测排名，包括：

对所述基准召回列表和所述第一召回列表进行数据匹配，并将在所述基准召回列表和所述第一召回列表中均出现的召回数据作为匹配召回数据；

获取所述匹配召回数据在所述第一召回列表中的位置信息；

根据所述位置信息对所述第一召回列表进行预测排名计算，得到所述第一平均预测排名。

在一些实施例，所述根据所述第一召回列表和所述第三召回列表生成目标推荐列表，包括：

对所述第一召回列表和所述第三召回列表进行数据匹配，并将在所述第一召回列表和所述第三召回列表中均出现的召回数据作为第一目标召回数据；

根据所述第一目标召回数据对所述第一召回列表进行数据清洗，得到第二目标召回数据；

对所述第一目标召回数据和所述第二目标召回数据进行数据重排，生成所述目标推荐列表。

为实现上述目的，本申请实施例的第二方面提出了一种数据召回装置，所述装置包括：

获取模块，用于获取基准召回列表和待召回数据；

第一召回模块，用于对所述待召回数据进行第一召回处理，得到第一召回列表；

第二召回模块，用于对所述待召回数据进行第二召回处理，得到第二召回列表；

排名预测模块，用于根据所述基准召回列表对所述第一召回列表进行排名预测，得到所述第一召回列表的第一平均预测排名，并根据所述基准召回列表对所述第二召回列表进行排名预测，得到所述第二召回列表的第二平均预测排名；

比较模块，用于比较所述第一平均预测排名和所述第二平均预测排名；

筛选模块，用于若所述第一平均预测排名大于所述第二平均预测排名，则对所述第二召回列表进行筛选，得到第三召回列表；

目标推荐列表生成模块，用于根据所述第一召回列表和所述第三召回列表生成目标推荐列表；其中，所述目标推荐列表用于进行物品推荐。

为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。

为实现上述目的，本申请实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。

本申请提出的数据召回方法、数据召回装置、电子设备及计算机可读存储介质,其通过获取基准召回列表和待召回数据，对待召回数据进行第一召回处理，得到第一召回列表，对待召回数据进行第二召回处理，得到第二召回列表，根据基准召回列表对第一召回列表进行排名预测，得到第一召回列表的第一平均预测排名，并根据基准召回列表对第二召回列表进行排名预测，得到第二召回列表的第二平均预测排名，通过排名预测可以得到第一召回列表和基准召回列表的相似程度、第二召回列表和基准召回列表的相似程度。进一步地，比较第一平均预测排名和第二平均预测排名，若第一平均预测排名大于第二平均预测排名，说明第一召回列表和基准召回列表的相似程度大于第二召回列表和基准召回列表的相似程度，第一召回列表和基准召回列表更相似，则对第二召回列表进行筛选，得到第三召回列表，通过比较第一平均预测排名和第二平均预测排名，可以根据第一召回列表、第二召回列表分别与基准召回列表的相似程度，动态调整第一召回列表和第二召回列表在目标推荐列表中的比重，与加权平均计算的方式相比，能够考虑到不同召回列表之间的差异。最后，根据第一召回列表和第三召回列表生成目标推荐列表，其中，目标推荐列表用于进行物品推荐，通过考虑不同召回列表之间的差异，能够提高目标推荐列表的准确性，从而提高了物品推荐的准确率。

附图说明

图1是本申请实施例提供的数据召回方法的流程图；

图2是图1中的步骤S110的流程图；

图3是图2中的步骤S230的流程图；

图4是图1中的步骤S120的流程图；

图5是图1中的步骤S130的流程图；

图6是图1中的步骤S140的流程图；

图7是图1中的步骤S170的流程图；

图8是本申请实施例提供的数据召回装置的结构示意图；

图9是本申请实施例提供的电子设备的硬件结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

首先，对本申请中涉及的若干名词进行解析：

人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

在推荐系统中，召回层是必不可少的一个环节，由于单路召回往往不能满足推荐业务需求，所以一个完备的推荐系统多是采用多路召回，其中多路召回是指采用不同的策略、特征或者简单模型，分别召回一部分候选集,将这些候选集混合在一起后供后续排序模型使用的策略。

传统的推荐系统通过多路召回融合的方法进行物品推荐，但是多路召回融合方法是对各路召回结果中的分数做加权平均，由于每路召回结果可能有较大差异，如果直接对多路召回结果进行加权平均计算，可能出现一个物品在一路召回结果中的召回效果较好，在另一路召回结果中的召回效果较差，加权平均后该物品的排名靠后的情况，而实际上该物品的排名靠前，会导致目标推荐列表不准确，影响了物品推荐的准确率。因此，如何提高物品推荐的准确率，成为了亟待解决的技术问题。

基于此，本申请实施例提供了一种数据召回方法、数据召回装置、电子设备及计算机可读存储介质，旨在提高物品推荐的准确率。

本申请实施例提供的数据召回方法、数据召回装置、电子设备及计算机可读存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的数据召回方法。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请实施例提供的数据召回方法，涉及人工智能技术领域。本申请实施例提供的数据召回方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现数据召回方法的应用等，但并不局限于以上形式。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

需要说明的是，在本申请的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关国家和地区的相关法律法规和标准。此外，当本申请实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本申请实施例能够正常运行的必要的用户相关数据。

图1是本申请实施例提供的数据召回方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S110至步骤S170。

步骤S110，获取基准召回列表和待召回数据；

步骤S120，对待召回数据进行第一召回处理，得到第一召回列表；

步骤S130，对待召回数据进行第二召回处理，得到第二召回列表；

步骤S140，根据基准召回列表对第一召回列表进行排名预测，得到第一召回列表的第一平均预测排名，并根据基准召回列表对第二召回列表进行排名预测，得到第二召回列表的第二平均预测排名；

步骤S150，比较第一平均预测排名和第二平均预测排名；

步骤S160，若第一平均预测排名大于第二平均预测排名，则对第二召回列表进行筛选，得到第三召回列表；

步骤S170，根据第一召回列表和第三召回列表生成目标推荐列表；其中，目标推荐列表用于进行物品推荐。

本申请实施例所示意的步骤S110至步骤S170，通过获取基准召回列表和待召回数据，对待召回数据进行第一召回处理，得到第一召回列表，对待召回数据进行第二召回处理，得到第二召回列表，根据基准召回列表对第一召回列表进行排名预测，得到第一召回列表的第一平均预测排名，并根据基准召回列表对第二召回列表进行排名预测，得到第二召回列表的第二平均预测排名，通过排名预测可以得到第一召回列表和基准召回列表的相似程度、第二召回列表和基准召回列表的相似程度。进一步地，比较第一平均预测排名和第二平均预测排名，若第一平均预测排名大于第二平均预测排名，说明第一召回列表和基准召回列表的相似程度大于第二召回列表和基准召回列表的相似程度，第一召回列表和基准召回列表更相似，则对第二召回列表进行筛选，得到第三召回列表，通过比较第一平均预测排名和第二平均预测排名，可以根据第一召回列表、第二召回列表分别与基准召回列表的相似程度，动态调整第一召回列表和第二召回列表在目标推荐列表中的比重，与加权平均计算的方式相比，能够考虑到不同召回列表之间的差异。最后，根据第一召回列表和第三召回列表生成目标推荐列表，目标推荐列表用于进行物品推荐，通过考虑不同召回列表之间的差异，能够提高目标推荐列表的准确性，从而提高了物品推荐的准确率。

请参阅图2，在一些实施例中，步骤S110可以包括但不限于包括步骤S210至步骤S230：

步骤S210，从预设的数据埋点事件表中获取预设时间段内的初始对象行为数据；

步骤S220，对初始对象行为数据进行数据去重处理，得到中间对象行为数据；

步骤S230，对中间对象行为数据进行分类处理，得到基准召回列表和待召回数据。

在一些实施例的步骤S210中，从数据埋点事件表中获取预设时间段内的初始对象行为数据，其中数据埋点事件表用于记录网站或者应用程序等前端页面的交互事件，初始对象行为数据为用户在前端页面的历史行为数据，历史行为数据可以为用户的点击、收藏、曝光或者购买等数据，预设时间段可以为一周、一个月或者一年等，例如从数据埋点事件表中获取用户在过去一个月的历史行为数据作为初始对象行为数据。当用户在前端页面上触发预设的行为规则时，将用户行为数据记录入后台数据库，得到数据埋点事件表。例如，某个用户点击了应用程序内的一篇文章，基于用户的点击行为产生了点击事件，响应于点击事件的触发，将用户ID、文章ID、文章标题、点击时间等用户行为数据记录入后台数据库，得到数据埋点事件表。

在一些实施例的步骤S220中，对初始对象行为数据进行数据清洗过滤和数据去重处理，得到中间对象行为数据。具体地，对初始对象行为数据进行数据清洗过滤，从初始对象行为数据中去除无效数据，得到有效数据，其中无效数据为用户ID为空的用户行为数据、物品ID为空的用户行为数据或者存在时间穿越的用户行为数据等。若有效数据中一条用户行为数据上传了多次，则只需保留一次，通过对有效数据进行数据去重处理，得到中间对象行为数据，以便根据中间对象行为数据进行数据分析。

在一些实施例的步骤S230中，对中间对象行为数据进行分类处理，将中间对象行为数据分为两部分，将一部分数据作为真实召回数据即基准召回列表，将另一部分数据作为训练数据即待召回数据。

上述步骤S210至步骤S230，通过数据清洗过滤和数据去重处理，保证了用户行为数据的正确性，通过对用户行为数据进行分类，能够以基准召回列表为参照评估待召回数据的召回结果，从而提高物品推荐的准确率。

请参阅图3，在一些实施例中，预设时间段包括第一时间点和第二时间点，步骤S230可以包括但不限于包括步骤S310至步骤S330：

步骤S310，计算第一时间点的中间对象行为数据的数据数量；

步骤S320，若数据数量小于或者等于预设的数量阈值，则将第一时间点的所有中间对象行为数据作为基准召回列表；若数据数量大于数量阈值，则对第一时间点的中间对象行为数据进行筛选，得到基准召回列表；

步骤S330，将第二时间点的中间对象行为数据作为待召回数据。

在一些实施例的步骤S310中，根据第一时间点和第二时间点对中间对象行为数据进行分类，第一时间点可以为预设时间段内的多个时间点，第二时间点可以为预设时间段内除第一时间点以外的其他全部或者部分时间点。例如，预设时间段为过去一个月，则第一时间点可以为最后一天，第二时间点为过去一个月除最后一天的其他全部时间点。计算第一时间点的某一用户的中间对象行为数据的数据数量，例如在第一时间点包括某一用户的10个中间对象行为数据，则数据数量为10。

在一些实施例的步骤S320中，若数据数量小于或者等于数量阈值，则将第一时间点用户的所有中间对象行为数据作为该用户的基准召回列表，若数据数量大于数量阈值，则根据时间戳对第一时间点该用户的中间对象行为数据进行升序排序，即根据时间戳从小到大对第一时间点该用户的中间对象行为数据进行排序，得到排序列表，从排序列表中取前K个中间对象行为数据作为基准召回列表，K为大于或者等于1的整数。通常一个用户一天执行操作的物品个数不会超过100个，K可以为100，若超过100个，则根据时间戳从小到大排序，取前100个中间对象行为数据作为该用户的基准召回列表。

在一些实施例的步骤S330中，将每一用户在第二时间点的中间对象行为数据作为待召回数据。

通过上述步骤S310至步骤S330，能够根据第一时间点和第二时间点对每一用户的中间对象行为数据进行分类，得到待召回数据和每一用户的基准召回列表。

请参阅图4，在一些实施例中，待召回数据包括多个目标对象的对象信息、多个物品的物品信息和目标对象对物品的行为信息，步骤S120可以包括但不限于包括步骤S410至步骤S430：

步骤S410，根据对象信息、物品信息和行为信息进行物品相似度计算，得到不同物品之间的物品相似度；

步骤S420，根据物品相似度和行为信息，得到目标对象对物品的第一兴趣度；

步骤S430，根据第一兴趣度对物品信息进行排序，得到第一召回列表。

在一些实施例的步骤S410中，利用基于物品的协同过滤算法对待召回数据进行第一召回处理，即给用户推荐该用户喜欢物品的相似物品，得到用户的第一召回列表。根据对象信息、物品信息和行为信息进行物品相似度计算，得到每两个物品之间的物品相似度，其中对象信息可以为用户ID，表示为userID，物品信息可以为物品ID，表示为itemID，行为信息包括用户对物品的偏好信息以及用户对物品的感兴趣评分，偏好信息用于表征用户是否喜欢物品，若偏好信息为1表示用户喜欢物品，若偏好信息为0表示用户不喜欢物品，感兴趣评分用于表征用户对物品的喜欢程度，感兴趣评分越高，说明用户对物品的喜欢程度越高，感兴趣评分越低，说明用户对物品的喜欢程度越低。若需要计算物品M和物品N之间的物品相似度，则根据对象信息、物品信息和用户对物品的偏好信息确定第一对象数量和第二对象数量，第一对象数量为既喜欢物品M又喜欢物品N的用户个数，第二对象数量为喜欢物品M和喜欢物品N的用户集合的并集中所包含的用户个数，将第一对象数量和第二对象数量进行相除，得到物品M和物品N的物品相似度。

在一些实施例的步骤S420中，根据物品相似度和用户对物品的感兴趣评分，得到目标对象对物品的第一兴趣度。具体地，根据当前物品j与其他物品之间的物品相似度，从大到小对其他物品的物品信息进行排序，得到排序结果，从排序结果中选取前P个物品信息，得到当前物品j最相似的P个物品，P为大于或者等于1的整数，这P个物品的物品信息构成的集合为S(j,P)。用户u对当前物品j的第一兴趣度的计算方法如公式(1)所示。

P_uj＝∑_{i∈N(u)∩S(j,P)}w_jir_ui 公式(1)

其中，N(u)为用户u喜欢的物品集合，S(j,P)是物品j最相似的P个物品的集合，r_ui为用户u对物品i的感兴趣评分。

需要说明的是，可以根据优先队列或堆高效获取每个物品最相似的前P个物品。由于获取最相似的前P个物品，需要对整个物品集合进行排序，时间复杂度为O(NlogN)，而采用优先队列或者堆获取前P个物品的时间复杂度为O(NlogP),P远小于N，时间效率更高。

在一些实施例的步骤S430中，计算用户u对每一物品的第一兴趣度，去除用户已经喜欢过的物品，根据第一兴趣度对物品信息进行从大到小排序，得到P个得分最高的物品信息作为第一召回列表。

通过上述步骤S410至步骤S430，能够给用户推荐该用户喜欢物品的相似物品，使数据召回结果符合当前用户的用户偏好。

请参阅图5，在一些实施例中，步骤S130可以包括但不限于包括步骤S510至步骤S530：

步骤S510，根据对象信息、物品信息和行为信息进行对象兴趣相似度计算，得到不同目标对象之间的对象兴趣相似度；

步骤S520，根据对象兴趣相似度和行为信息，得到目标对象对物品的第二兴趣度；

步骤S530，根据第二兴趣度对物品信息进行排序，得到第二召回列表。

在一些实施例的步骤S510中，利用基于用户的协同过滤算法对待召回数据进行第二召回，即给用户推荐相似用户喜欢的物品，得到用户的第二召回列表。根据对象信息、物品信息和用户对物品的偏好信息进行对象兴趣相似度计算，得到不同目标对象之间的对象兴趣相似度。若需要计算目标对象u和目标对象v之间的对象兴趣相似度，则根据对象信息、物品信息和用户对物品的偏好信息确定第一物品数量和第二物品数量，第一物品数量为用户u和用户v共同喜欢物品的物品数量，第二物品数量为用户u和用户v喜欢的物品集合的并集中所包含的物品个数，将第一物品数量和第二物品数量进行相除，得到用户u和用户v之间的对象兴趣相似度。或者，根据对数极大似然估计(Loglikelihood Ratio)计算用户u和用户v之间的对象兴趣相似度。具体地，根据对象信息、物品信息和用户对物品的偏好信息确定第一物品数量、第二物品数量、第三物品数量和第四物品数量，第一物品数量为用户u和用户v共同偏好的物品数量，第二物品数量为用户u的特有偏好数量，第三物品数量为用户v的特有偏好数量，第四物品数量为用户u和用户v共同非偏好的物品数量。例如，所有的物品信息为：{a、b、c、d、e、f}，用户u喜欢的物品信息为：{a、b、c}，用户v喜欢的物品信息为：{b、d}，用户u和用户v共同偏好的物品为b，得到第一物品数量为1；与用户v相比，用户u的特有偏好为{a、c}，得到第二物品数量为2；与用户u相比，用户v的特别偏好为d，得到第三物品数量为1；用户u和用户v都不喜欢的物品为{e、f}，得到第四物品数量为2。根据第一物品数量、第二物品数量、第三物品数量和第四物品数量计算行熵，行熵的计算方法如公式(2)所示。根据第一物品数量、第二物品数量、第三物品数量和第四物品数量计算列熵，列熵的计算方法如公式(3)所示。根据第一物品数量、第二物品数量、第三物品数量和第四物品数量计算矩阵熵，矩阵熵的计算方法如公式(4)所示。根据行熵、列熵和矩阵熵进行对象兴趣相似度计算，得到不同目标对象之间的对象兴趣相似度，对象兴趣相似度的计算方法如公式(5)所示。

UserSimilarity＝2×(matrixEntropy-rowEntropy-columnEntropy) 公式(5)

其中，k₁₁为第一物品数量，k₁₂为第二物品数量，k₂₁为第三物品数量，k₂₂为第四物品数量，N为物品总数量，rowEntropy为行熵，columnEntropy为列熵，matrixEntropy为矩阵熵，UserSimilarity为用户u和用户v的对象兴趣相似度。

在一些实施例的步骤S520中，根据对象兴趣相似度和用户对物品的感兴趣评分，得到目标对象对物品的第二兴趣度。具体地，根据当前用户u与其他用户之间的对象兴趣相似度，从大到小对其他用户的用户信息进行排序，得到排序结果，从排序结果中选取前Q个用户信息，得到当前用户u最相似的Q个用户，Q为大于或者等于1的整数，这Q个用户的用户信息构成的集合为S(u,Q)。将S中用户喜欢的物品提取出来，从中去除用户u喜欢的物品，得到物品j。用户u对当前物品j的第二兴趣度的计算方法如公式(6)所示。

P_uj＝∑_{v∈S(u,Q)∩N(j)}w_uvr_vj 公式(6)

其中，N(j)为喜欢物品j的用户集合，S(u,Q)是用户u最相似的Q个用户的集合，r_vj为用户v对物品j的感兴趣评分。

在一些实施例的步骤S530中，采用优先队列或者堆根据第二兴趣度对物品信息进行排序，获取前Q个第二兴趣度最高的物品推荐给用户u，得到第二召回列表。或者，根据第二兴趣都对物品信息进行排序，得到排序结果，将排序结果中的前Q个物品作为第二召回列表推荐给用户。

上述步骤S510至步骤S530，通过给用户推荐其相似用户喜欢的物品，能够避免推荐给用户的物品完全被该用户的兴趣主导，提高了物品推荐的广度。

请参阅图6，在一些实施例中，步骤S140可以包括但不限于包括步骤S610至步骤S630：

步骤S610，对基准召回列表和第一召回列表进行数据匹配，并将在基准召回列表和第一召回列表中均出现的召回数据作为匹配召回数据；

步骤S620，获取匹配召回数据在第一召回列表中的位置信息；

步骤S630，根据位置信息对第一召回列表进行预测排名计算，得到第一平均预测排名。

在一些实施例的步骤S610中，若基准召回列表为[1,2,3,4,5]，第一召回列表为[3,5,6,7,8]，对基准召回列表和第一召回列表进行数据匹配，将在基准召回列表和第一召回列表中均出现的召回数据即3和5作为匹配召回数据。

在一些实施例的步骤S620中，匹配召回数据3在第一召回列表中的位置信息为1，匹配召回数据在第一召回列表中的位置信息为2。

在一些实施例的步骤S630中，将平均倒数排名(Mean Reciprocal Rank,MRR)作为评估函数，将位置信息和基准召回列表中召回数据的召回数量输入评估函数，根据评估函数对第一召回列表进行预测排名计算，得到第一平均预测排名。例如，根据位置信息1、2和召回数量5得到第一召回列表的第一平均预测排名为：MRR＝(1+1/2)/5＝3/10。

具体地，将基准召回列表中的每一召回项分别与第一召回列表进行数据匹配，若第i个召回项与基准召回列表中的某一召回项相同，则记录第i个召回项在第一召回列表中的位置信息P_i，得到第i个召回项的匹配分数为

若第i个召回项与基准召回列表中的召回项均不同，得到第i个召回项的匹配分数为0，将每个召回项的匹配分数相加，并进行分数平均计算，得到第一平均预测排名。

第一平均预测排名的计算方法如公式(7)所示。

其中，S为召回数量，Pi为匹配召回数据的位置信息。

需要说明的是，第二平均预测排名与第一平均预测排名的计算方法相同，此处不再赘述。

通过第一平均预测排名，可以得到基准召回列表中的召回数据即用户的需求项在第一召回列表中的位置，第一平均预测排名越大，说明基准召回列表中的召回数据在第一召回列表中的位置越靠前，第一平均预测排名越大，说明基准召回列表中的召回数据在第一召回列表中的位置越靠后。

通过上述步骤S610至步骤S630，能够根据第一平均预测排名能够定量评估第一召回列表与基准召回列表的相似程度，以评估第一召回列表的召回结果。

在一些实施例的步骤S150中，为了评估第一召回列表和第二召回列表的召回效果，比较第一平均预测排名和第二平均预测排名。

在一些实施例的步骤S160中，若第一平均预测排名大于第二平均预测排名，说明第一召回列表和基准召回列表的相似程度大于第二召回列表和基准召回列表的相似程度，第一召回列表和基准召回列表更相似，基准召回列表中的召回数据在第一召回列表中的数据越靠前，第一召回列表的召回结果好于第二召回列表的召回结果，则对第二召回列表进行筛选，得到第三召回列表。例如，取第二召回列表的前K％召回数据作为第三召回列表，K可以为20。若第一平均预测排名小于第二平均预测排名，说明第一召回列表和基准召回列表的相似程度小于第二召回列表和基准召回列表的相似程度，第二召回列表和基准召回列表更相似，基准召回列表中的召回数据在第二召回列表中的数据越靠前，第二召回列表的召回结果好于第一召回列表的召回结果，则对第一召回列表进行筛选，例如取第一召回列表的前K％作为第三召回列表，K可以为20。若第一平均预测排名等于第二平均预测排名，则根据第一召回列表和第二召回列表生成目标推荐列表进行物品推荐。通过第一平均预测排名和第二平均预测排名可以动态调整多路召回结果在目标推荐列表生成过程中的权重，与加权平均的方式相比，能够提高物品推荐的准确率。

请参阅图7，在一些实施例中，步骤S170可以包括但不限于包括步骤S710至步骤S730：

步骤S710，对第一召回列表和第三召回列表进行数据匹配，并将在第一召回列表和第三召回列表中均出现的召回数据作为第一目标召回数据；

步骤S720，根据第一目标召回数据对第一召回列表进行数据清洗，得到第二目标召回数据；

步骤S730，对第一目标召回数据和第二目标召回数据进行数据重排，生成目标推荐列表。

在一些实施例的步骤S710中，若第一平均预测排名大于第二平均预测排名，对第一召回列表和第三召回列表进行数据匹配，并将在第一召回列表和第三召回列表中均出现的召回数据作为第一目标召回数据。若第一平均预测排名小于第二平均预测排名，对第二召回列表和第三召回列表进行数据匹配，并将在第二召回列表和第三召回列表中均出现的召回数据作为第一目标召回数据。具体地，若第一平均预测排名大于第二平均预测排名，遍历第一召回列表，对第一召回列表和第三召回列表进行数据匹配，若第一召回列表的召回项出现在第三召回列表中，则将该召回项加入上一同时出现在第一召回列表和第三召回列表的召回项所属的集合中，得到第一目标召回数据，避免了物品在一个召回列表中的召回结果好，在另一个召回列表中的召回结果差，加权平均后该物品的召回结果差的问题。需要说明的是，第一平均预测排名小于第二平均预测排名得到第一目标召回数据的方法，与第一平均预测排名大于第二平均预测排名得到第一目标召回数据的方法相同，此处不再赘述。

在一些实施例的步骤S720中，若第一平均预测排名大于第二平均预测排名，从第一召回列表去除第一目标召回数据，将第一召回列表中的剩余召回数据作为第二目标召回数据。若第一平均预测排名小于第二平均预测排名，从第二召回列表去除第一目标召回数据，将第二召回列表中的剩余召回数据作为第二目标召回数据。

在一些实施例的步骤S730中，对第一目标召回数据和第二目标召回数据进行数据拼接，生成目标推荐列表。

以第一平均预测排名大于第二平均预测排名的情况为例，对生成目标推荐列表的过程进行描述。将第一召回列表记为数组a，将第三召回列表记为数组b，遍历数组a，如果发现某一元素同时出现在数组b中，则认为该元素的重要度较高，将该元素的位置向前移动至上一个同时出现在a数组和b数组中的元素的后面。申请两个数组one和two，数组one记录仅在数组a中出现的item，数组two记录同时在数组a和数组b中出现的item，最后拼接数组two和数组one，two数组在前，one数组在后，得到目标推荐列表。

需要说明的是，由于遍历数组a，元素不断添加到数组one和数组two的尾部，所以频数相同的物品在各个数组中原来的相对位置是不变的。例如数组a为[1,2,3,4,5,6],数组b为[2,5]，从左到右遍历数组a的过程中出现两次的元素为2和5，其余元素仅出现一次，将只出现一次的元素依次加入one数组，得到two＝[2,5]，one＝[1,3,4,6],one和two元素的相对顺序和原有数组a和b的顺序一致，one数组元素相对于数组a不变，只是将频数为2的元素向前移动。

本申请实施例的数据召回方法无需重新排序，只涉及共线元素的左移操作，时间复杂度为O(N)，而加权平均的召回方式在计算完成后还需要重新排序，时间复杂度为O(NlogN)，因此本申请实施例的数据召回方法的时间复杂度降低，能够更高效地进行物品推荐。需要说明的是，共线元素是指同时出现在两个召回列表中的召回数据。

通过上述步骤S710至步骤S730中，能够根据多路召回结果的差异生成推荐列表，与加权平均的方式相比，提高了物品推荐的准确率。

请参阅图8，本申请实施例还提供一种数据召回装置，可以实现上述数据召回方法，该装置包括：

获取模块810，用于获取基准召回列表和待召回数据；

第一召回模块820，用于对待召回数据进行第一召回处理，得到第一召回列表；

第二召回模块830，用于对待召回数据进行第二召回处理，得到第二召回列表；

排名预测模块840，用于根据基准召回列表对第一召回列表进行排名预测，得到第一召回列表的第一平均预测排名，并根据基准召回列表对第二召回列表进行排名预测，得到第二召回列表的第二平均预测排名；

比较模块850，用于比较第一平均预测排名和第二平均预测排名；

筛选模块860，用于若第一平均预测排名大于第二平均预测排名，则对第二召回列表进行筛选，得到第三召回列表；

目标推荐列表生成模块870，用于根据第一召回列表和第三召回列表生成目标推荐列表；其中，目标推荐列表用于进行物品推荐。

该数据召回装置的具体实施方式与上述数据召回方法的具体实施例基本相同，在此不再赘述。

本申请实施例还提供了一种电子设备，电子设备包括括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述数据召回方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：

处理器910，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；

存储器920，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器920可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器920中，并由处理器910来调用执行本申请实施例的数据召回方法；

输入/输出接口930，用于实现信息输入及输出；

通信接口940，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；

总线950，在设备的各个组件(例如处理器910、存储器920、输入/输出接口930和通信接口940)之间传输信息；

其中处理器910、存储器920、输入/输出接口930和通信接口940通过总线950实现彼此之间在设备内部的通信连接。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述数据召回方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本申请实施例提供的数据召回方法、数据召回装置、电子设备及计算机可读存储介质，其通过获取基准召回列表和待召回数据，对待召回数据进行第一召回处理，得到第一召回列表，对待召回数据进行第二召回处理，得到第二召回列表，根据基准召回列表对第一召回列表进行排名预测，得到第一召回列表的第一平均预测排名，并根据基准召回列表对第二召回列表进行排名预测，得到第二召回列表的第二平均预测排名，通过排名预测可以得到第一召回列表和基准召回列表的相似程度、第二召回列表和基准召回列表的相似程度。进一步地，比较第一平均预测排名和第二平均预测排名，若第一平均预测排名大于第二平均预测排名，说明第一召回列表和基准召回列表的相似程度大于第二召回列表和基准召回列表的相似程度，第一召回列表和基准召回列表更相似，则对第二召回列表进行筛选，得到第三召回列表，通过比较第一平均预测排名和第二平均预测排名，可以根据第一召回列表、第二召回列表分别与基准召回列表的相似程度，动态调整第一召回列表和第二召回列表在目标推荐列表中的比重，与加权平均计算的方式相比，能够考虑到不同召回列表之间的差异。最后，根据第一召回列表和第三召回列表生成目标推荐列表，目标推荐列表用于进行物品推荐，通过考虑不同召回列表之间的差异，能够提高目标推荐列表的准确性，从而提高了物品推荐的准确率。

本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本领域技术人员可以理解的是，图中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims

1.数据召回方法，其特征在于，所述方法包括：

获取基准召回列表和待召回数据；

对所述待召回数据进行第一召回处理，得到第一召回列表；

对所述待召回数据进行第二召回处理，得到第二召回列表；

比较所述第一平均预测排名和所述第二平均预测排名；

2.根据权利要求1所述的数据召回方法，其特征在于，所述获取基准召回列表和待召回数据，包括：

3.根据权利要求2所述的数据召回方法，其特征在于，所述预设时间段包括第一时间点和第二时间点，所述对所述中间对象行为数据进行分类处理，得到所述基准召回列表和所述待召回数据，包括：

计算所述第一时间点的中间对象行为数据的数据数量；

4.根据权利要求1所述的数据召回方法，其特征在于，所述待召回数据包括多个目标对象的对象信息、多个物品的物品信息和所述目标对象对所述物品的行为信息，所述对所述待召回数据进行第一召回处理，得到第一召回列表，包括：

5.根据权利要求4所述的数据召回方法，其特征在于，所述对所述待召回数据进行第二召回处理，得到第二召回列表，包括：

6.根据权利要求1至5任一项所述的数据召回方法，其特征在于，所述根据所述基准召回列表对所述第一召回列表进行排名预测，得到所述第一召回列表的第一平均预测排名，包括：

获取所述匹配召回数据在所述第一召回列表中的位置信息；

7.根据权利要求1至5任一项所述的数据召回方法，其特征在于，所述根据所述第一召回列表和所述第三召回列表生成目标推荐列表，包括：

8.数据召回装置，其特征在于，所述装置包括：

获取模块，用于获取基准召回列表和待召回数据；

9.电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的数据召回方法。

10.计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的数据召回方法。