推荐系统生成方法、装置、服务器及存储介质与流程

1.本发明涉及网络技术领域，尤其涉及一种推荐系统生成方法、装置、服务器及存储介质。


背景技术：

2.随着互联网的飞速发展，用户可以从网络中获取大量的包括图片、视频和文本等的内容以进行阅读浏览，网页中的推荐系统会根据用户的点击偏好为用户进行内容推荐。
3.在用户浏览网页的过程中，用户对于网页中不同位置的注意不同，处于网页优势位置的内容往往会获得用户更多的关注，即用户点击处于网页优势位置的内容的概率较高，网页优势位置的用户点击率会影响推荐系统收集的用户内容偏好结果，导致网页推荐系统推荐的内容与用户内容偏好匹配度较低。为了消除位置优势对内容推荐的影响，现有技术中会将网页位置信息作为特征输入网页推荐系统进行训练，使得训练后的网页推荐系统推荐的内容更符合用户的内容偏好，降低了位置优势对于内容推荐的影响。
4.然而，现有技术中在将网页位置信息作为特征输入网页推荐系统进行训练的过程中，会存在输入的网页位置信息与用户实际点击的位置信息不匹配的情况，即训练后的网页推荐系统可能无法降低用户点击的位置信息对于内容推荐的影响，导致网页推荐系统推荐的内容与用户内容偏好匹配度较低的问题。


技术实现要素：

5.本发明提供一种推荐系统生成方法、装置、服务器及存储介质，通过根据样本数据构建期望极大算法(expectation maximization algorithm，em)模型获得的所有位置参数对应的位置影响力参数极大值，并根据获得的新的样本数据生成推荐系统，提高了推荐系统推荐的内容与用户内容偏好的匹配度。
6.第一方面，本发明提供一种推荐系统生成方法，包括：
7.获取样本数据，并根据所述样本数据构建期望极大算法em模型，所述em模型的可观测变量数据为点击操作参数，所述em模型的第一隐变量为位置影响函数，所述em模型的第二隐变量为内容影响函数，所述em模型的期望值为点击操作参数和内容影响力参数的联合概率分布，其中所述样本数据中包含至少一条样本参数，每条样本参数包含位置参数、内容参数以及点击操作参数，所述位置影响函数的自变量为位置参数，所述位置影响函数的因变量为位置影响力参数，所述内容影响函数的自变量为内容参数，所述内容影响函数的因变量为内容影响力参数；
8.对所述em模型进行期望极大算法迭代训练，获得位置影响力参数的极大值；
9.根据所述样本数据以及所有位置参数对应的位置影响力参数的极大值获得更新后的样本数据，根据所述更新后的样本数据对预置的预估模型进行训练，获得新的预估模型，并根据所述新的预估模型生成推荐系统。
10.在一种可能的设计中，所述对所述em模型进行期望极大算法迭代训练过程，包括：
11.将所述em模型中所有位置参数对应的位置影响力参数进行初始化设置；
12.根据所述位置影响函数、内容影响函数以及每条样本数据中包含的点击操作参数获得点击操作参数和内容影响力参数的联合概率分布的期望值；
13.根据极大似然估计算法获得位置影响力参数期望值的最大值；
14.重复执行根据所述位置影响函数、内容影响函数以及每条样本数据中包含的点击操作参数获得点击操作参数和内容影响力参数的联合概率分布的期望值，并对所述获得的点击操作参数和内容影响力参数的联合概率分布的期望值取对数获得位置影响力参数期望值，以及根据极大似然估计算法获得位置影响力参数期望值的最大值的步骤，直至所有内容参数对应的内容影响力参数以及所有位置参数对应的位置影响力参数收敛，将获得的所有位置参数对应的位置影响力参数作为所有位置参数对应的位置影响力参数的极大值。
15.在一种可能的设计中，在所述获取样本数据之后，还包括：
16.获得历史样本数据，并根据所述历史样本数据获得与所有位置参数对应转换参数，其中每个位置参数对应转换参数是根据预存的历史样本数据中每个位置参数对应的位置影响力参数以及每个位置参数对应的点击率确定的，其中所述历史样本数据包含至少一条历史样本参数，每条历史样本参数包含位置参数、内容参数以及点击操作参数；
17.根据所述所有位置参数对应转换参数以及所述样本数据构建第二em模型，所述第二em模型的可观测变量数据为点击操作参数，所述第二em模型的隐变量为位置影响力参数，所述第二em模型的期望值为点击操作参数和内容影响力参数的联合概率分布；
18.对所述第二em模型进行期望极大算法迭代训练，获得所有位置参数对应的位置影响力参数极大值；
19.根据所述样本数据以及所有位置参数对应的位置影响力参数极大值获得更新后的样本数据，根据所述更新后的样本数据对预置的预估模型进行训练，获得新的预估模型，并根据所述新的预估模型生成推荐系统。
20.在一种可能的设计中，所述根据所述样本数据以及所有位置参数对应的位置影响力参数极大值获得更新后的样本数据，包括：
21.根据所述所有位置参数对应的位置影响力参数极大值获得所有位置参数对应的权重系数；
22.根据每个位置参数对应的点击率以及每个位置对应的权重系数获得每个位置参数对应的新的点击率，并根据所有位置参数、所有位置参数对应的内容参数以及所有位置参数对应的新的点击率获得更新后的样本数据。
23.在一种可能的设计中，所述每个位置对应的权重系数为每个位置对应的位置影响力参数极大值的倒数。
24.在一种可能的设计中，在所述根据所述新的预估模型生成推荐系统之后，还包括：
25.将所述推荐系统发送至终端进行显示；
26.接收所述终端发送的新的样本数据，所述新的样本数据为所述终端显示所述推荐系统后，根据推荐系统中用户的点击率生成的；
27.根据所述新的样本数据重复执行所述根据所述样本数据构建期望极大算法em模型、对所述em模型进行期望极大算法迭代训练，获得所有位置参数对应的位置影响力参数极大值，以及根据所述样本数据以及所有位置参数对应的位置影响力参数极大值获得更新
后的样本数据，根据所述更新后的样本数据对预置的预估模型进行训练，获得新的预估模型，并根据所述新的预估模型生成推荐系统的步骤。
28.第二方面，本发明提供一种推荐系统生成装置，包括：
29.构建模块，用于获取样本数据，并根据所述样本数据构建期望极大算法em模型，所述em模型的可观测变量数据为点击操作参数，所述em模型的第一隐变量为位置影响函数，所述em模型的第二隐变量为内容影响函数，所述em模型的期望值为点击操作参数和内容影响力参数的联合概率分布，其中所述样本数据中包含至少一条样本参数，每条样本参数包含位置参数、内容参数以及点击操作参数，所述位置影响函数的自变量为位置参数，所述位置影响函数的因变量为位置影响力参数，所述内容影响函数的自变量为内容参数，所述内容影响函数的因变量为内容影响力参数；
30.训练模块，用于对所述em模型进行期望极大算法迭代训练，获得位置影响力参数的极大值；
31.生成模块，用于根据所述样本数据以及所有位置参数对应的位置影响力参数的极大值获得更新后的样本数据，根据所述更新后的样本数据对预置的预估模型进行训练，获得新的预估模型，并根据所述新的预估模型生成推荐系统。
32.第三方面，本发明提供一种服务器，包括：至少一个处理器和存储器；
33.所述存储器存储计算机执行指令；
34.所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的推荐系统生成方法。
35.第四方面，本发明提供一种计算机存储介质，所述计算机存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面以及第一方面各种可能的设计所述的推荐系统生成方法。
36.第五方面，本发明提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上第一方面以及第一方面各种可能的设计所述的推荐系统生成方法。
37.本发明提供的推荐系统生成方法、装置、服务器及存储介质，通过根据样本数据构建em模型，并对em模型进行期望极大算法迭代训练，获得所有位置参数对应的位置影响力参数极大值；根据样本数据以及所有位置参数对应的位置影响力参数极大值生成新的样本数据，根据新的样本数据对预置的预估模型进行训练，获得新的预估模型，并根据新的预估模型生成推荐系统，降低了位置优势对于内容推荐的影响，提高了推荐系统推荐的内容与用户内容偏好的匹配度。
附图说明
38.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
39.图1是本发明实施例提供的推荐系统生成方法的应用场景示意图；
40.图2为本发明实施例提供的推荐系统生成方法流程示意图一；
41.图3为本发明实施例提供的推荐系统生成方法流程示意图二；
42.图4为本发明实施例提供的推荐系统生成装置的结构示意图；
43.图5为本发明实施例提供的服务器的硬件结构示意图。
具体实施方式
44.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
45.用户在浏览网页的时候，注意力在网页不同位置是不一样的，这使得处于“好位置”的内容获得更多的曝光和点击。用户的对于“好位置”的内容点击行为不能真实的反映出内容质量和用户喜好。为了消除位置优势对内容推荐的影响，现有技术中会将网页位置信息作为特征输入网页推荐系统进行训练，使得训练后的网页推荐系统推荐的内容更符合用户的内容偏好，降低了位置优势对于内容推荐的影响。然而，现有技术中在将网页位置信息作为特征输入网页推荐系统进行训练的过程中，会存在输入的网页位置信息与用户实际点击的位置信息不匹配的情况，即训练后的网页推荐系统可能无法降低用户点击的位置信息对于内容推荐的影响，导致网页推荐系统推荐的内容与用户内容偏好匹配度较低的问题。
46.为了解决上述技术问题，本发明实施例提出以下技术方案：通过根据样本数据构建em模型获得的所有位置参数对应的位置影响力参数极大值，并根据获得的新的样本数据生成推荐系统，提高了推荐系统推荐的内容与用户内容偏好的匹配度，降低了位置优势对于内容推荐的影响。下面采用详细的实施例进行详细说明。
47.图1是本发明实施例提供的推荐系统生成方法的应用场景示意图。如图1所示，终端101采集用户浏览网页过程中生成的点击率、内容参数以及位置参数，并将获得的样本数据通过无线网络传输至服务器102，使得服务器102根据获得的样本数据构建em模型，并对em模型进行期望极大算法迭代训练，获得所有位置参数对应的位置影响力参数极大值；根据样本数据以及所有位置参数对应的位置影响力参数极大值生成新的样本数据，根据新的样本数据对预置的预估模型进行训练，获得新的预估模型，并根据新的预估模型生成推荐系统。服务器102将生成的推荐系统发送至终端101，终端101在网页浏览器中上线推荐系统，网页中的推荐系统会根据用户的点击偏好为用户进行内容推荐。
48.图2为本发明实施例提供的推荐系统生成方法流程示意图一，本实施例的执行主体可以为图1所示实施例中的服务器，本实施例此处不做特别限制。如图2所示，该方法包括：
49.s201：获取样本数据，并根据样本数据构建期望极大算法em模型，em模型的可观测变量数据为点击操作参数，em模型的第一隐变量为位置影响函数，em模型的第二隐变量为内容影响函数，em模型的期望值为点击操作参数和内容影响力参数的联合概率分布，其中样本数据中包含至少一条样本参数，每条样本参数包含位置参数、内容参数以及点击操作参数，位置影响函数的自变量为位置参数，位置影响函数的因变量为位置影响力参数，内容影响函数的自变量为内容参数，内容影响函数的因变量为内容影响力参数。
50.在本发明实施例中，终端提供的网页浏览器中会根据用户的浏览网页的记录中包
含的内容数据、位置数据和点击操作获得该网页对应的样本数据，其中每条样本数据中包含用户的浏览记录中对应的位置参数、内容参数以及点击操作参数。其中位置参数为位于整个页面的位置数据，内容参数为内容类型。点击操作参数分为点击和没有点击两种操作参数。在后台的服务器中，预置了隐含内容参数、位置参数以及点击操作参数之间关联关系的em模型。其中em模型是根据一种迭代算法em算法获得的，em模型具体用于求解含有隐变量的函数模型参数的极大似然估计值。
51.示例性的，在本发明实施例中，内容参数、位置参数以及点击操作参数的函数关系式如公式(1)所示：
52.yi＝f(xi，ji)
ꢀꢀꢀ
(1)
53.其中，yi代表第i条样本包含的点击操作参数，xi代表第i条样本的内容参数，ji代表第i条样本的位置参数，其中i为小于m正整数，m为样本条数。
54.在本发明实施例中，将公式(1)中提供的内容参数、位置参数以及点击操作参数的函数关系式转化为em模型，并引入位置影响力参数以及内容影响力参数作为隐变量。在本发明实施例中，em模型的可观测变量数据为点击操作参数，em模型的第一隐变量为位置影响函数，em模型的第二隐变量为内容影响函数，em模型的期望值为点击操作参数和内容影响力参数的联合概率分布。具体的，在公式(1)的基础上，本发明实施例构建的em模型如公式(2)所示：
55.yi＝p(xi)*g(ji)
ꢀꢀꢀ
(2)
56.其中，yi代表第i条样本包含的点击操作参数，xi代表第i条样本的内容参数，ji代表第i条样本的位置参数，p(x)为内容参数与内容影响力参数之间的关系函数，g(x)为位置参数与位置影响力参数之间的关系函数，p(xi)表示代表第i条样本的内容参数对应的内容影响力参数，g(ji)代表第i条样本的位置参数对应的位置影响力参数。在本发明实施例中，xi还可以为第i个样本除位置参数外的其他参数，例如设备类型、用户类型、登录账户类型等参数。
57.在本发明实施例中，p(x)的函数关系式如公式(3)所示：
[0058][0059]
在本发明实施例中，g(x)为阶梯函数。示例性的，本发明实施例提供的g(ji)为g(1)＝1.5，g(2)＝1.3......，g(j)＝0.7。具体的，当第5条样本的位置参数j5的数值为2，则第5条样本的位置参数j5对应的位置影响力参数为1.3。
[0060]
s202：对em模型进行期望极大算法迭代训练，获得位置影响力参数的极大值。
[0061]
在本发明实施例中，示例性的，对em模型进行期望极大算法迭代训练过程包括以下步骤：
[0062]
s1：将em模型中所有位置参数对应的位置影响力参数进行初始化设置；
[0063]
在本发明实施例中，针对构建的期望极大算法em模型，通过选择参数的初始值，开始进行迭代。示例性的，将所有位置参数对应的位置影响力参数进行初始化设置，具体的，可设置所有位置参数对应的位置影响力参数为1.0,即设置g(ji)均为1，其中i为正整数。
[0064]
s2：根据位置影响函数、内容影响函数以及每条样本数据中包含的点击操作参数获得点击操作参数和内容影响力参数的联合概率分布期望值。
[0065]
在本发明实施例中，示例性的，设置点击操作参数和内容影响力参数的联合概率分布为p(y，p|g)，联合概率分布对应的对数期望值为e(log p(y，p|g))。示例性的，设置gk为第k次迭代时位置影响参数的估计值，g
k 1
为第k 1次迭代时位置影响参数的估计值，在第k 1次迭代计算时，e(log p(y，p|g
k 1
))要受到点击操作参数和上轮迭代中位置影响参数的影响，具体的迭代公式如公式(4)所示：
[0066]
q(g
k 1
，gk)＝e[log p(y，p|g
k 1
)|y，gk]
[0067]
＝∑log p(y，p|g
k 1
)p(p|y，gk)
ꢀꢀꢀ
(4)
[0068]
其中，p(p|y，gk)是在样本数据中给定的点击操作参数y和当前的位置影响参数gk情况下内容影响力参数p的条件概率分布，k为正整数。
[0069]
s3：根据极大似然估计算法获得位置影响力参数期望值的最大值。
[0070]
在本发明实施例中，根据样本数据中包含的所有点击操作参数以及第k轮的位置影响力参数gk，求使得q(g
k 1
，gk)极大化的，确定第k 1次迭代的位置影响力参数的估计值。
[0071]
s4：重复执行s2至s3的过程，直至所有内容参数对应的内容影响力参数以及所有位置参数对应的位置影响力参数收敛，将获得的所有位置参数对应的位置影响力参数作为所有位置参数对应的位置影响力参数的极大值。
[0072]
在本发明实施例中，重复执行s2至s3的过程进行多次迭代计算，求每个位置参数对应的位置影响力参数以及每个位置参数对应的内容影响力参数的变化量小于设定的变化量时，认为二者参数满足收敛条件，将最终获得的所有位置参数对应的位置影响力参数作为所有位置参数对应的位置影响力参数的极大值。
[0073]
s203：根据样本数据以及所有位置参数对应的位置影响力参数的极大值获得更新后的样本数据，根据更新后的样本数据对预置的预估模型进行训练，获得新的预估模型，并根据新的预估模型生成推荐系统。
[0074]
在本发明实施例中，在获得了所有位置参数对应的位置影响力参数极大值之后，示例性的，根据现有的样本数据中包含的点击操作参数、内容参数、位置参数以及获得的所有位置参数对应的位置影响力参数极大值获得更新后的样本数据，更新后的样本数据通过增加所有位置参数对应的位置影响力参数消除位置优势对于内容推荐的影响。具体的，在本发明实施例中，首先根据所有位置参数对应的位置影响力参数极大值获得所有位置参数对应的权重系数。具体的，每个位置对应的权重系数为每个位置对应的位置影响力参数极大值的倒数。再根据每个位置参数对应的点击操作参数以及每个位置对应的权重系数获得每个位置参数对应的新的点击操作参数，并根据所有位置参数、所有位置参数对应的内容参数以及所有位置参数对应的新的点击率获得更新后的样本数据。
[0075]
在本发明实施例中，网页浏览器中应用的推荐系统为点击通过率(click-through-rate，ctr)预估模型。在获得的了消除位置优势影响的新的样本数据之后，可根据新的样本数据对现有的ctr预估模型进行训练，并根据训练后获得的预估模型生成推荐系统。
[0076]
本实施例提供的推荐系统生成方法，利用样本数据构建em模型，并对em模型进行期望极大算法迭代训练，获得所有位置参数对应的位置影响力参数极大值，根据样本数据以及所有位置参数对应的位置影响力参数极大值生成新的样本数据，根据新的样本数据对预置的预估模型进行训练，获得新的预估模型，并根据新的预估模型生成推荐系统，降低了
位置优势对于内容推荐的影响，提高了推荐系统推荐的内容与用户内容偏好的匹配度。
[0077]
图3为本发明实施例提供的推荐系统生成方法流程示意图二。在图2提供的实施例的基础上，如图3所示，本发明实施例提供了另一种利用历史样本数据生成推荐系统的方法，该方法包括以下步骤：
[0078]
s301：获取样本数据，其中样本数据中包含至少一条样本参数，每条样本参数包含位置参数、内容参数以及点击操作参数。
[0079]
s302：获得历史样本数据，并根据历史样本数据获得与所有位置参数对应转换参数，其中每个位置参数对应转换参数是根据预存的历史样本数据中每个位置参数对应的位置影响力参数以及每个位置参数对应的点击率确定的，其中历史样本数据包含至少一条历史样本参数，每条历史样本参数包含位置参数、内容参数以及点击操作参数。
[0080]
在本发明实施例中，样本数据和历史样本数据均为终端采集的用户点击网页的数据，其中采集历史样本数据的时间段在采集样本数据的时间段之后，且采集历史样本数据的时长大于采集样本数据的时长，保证采集的历史样本数据中包含的采集的数据量。在预设时间段内采集历史样本数据之后，终端将采集的历史样本数据发送至服务器，使得服务器能够根据历史样本数据获得与所有位置参数对应转换参数。具体的，历史样本数据包含至少一条历史样本参数，每条历史样本参数包含位置参数、内容参数以及点击操作参数。
[0081]
在本发明实施例中，示例性的，每个位置参数对应转换参数是根据预存的历史样本数据中每个位置参数对应的位置影响力参数以及每个位置参数对应的点击率确定的。具体的，若设定历史样本数据中相同位置参数对应的位置影响力参数相同，则可通过历史样本数据中包含的所有历史样本参数计算第j个位置对应内容的内容影响概率如公式(5)所示：
[0082][0083]
其中，i表示历史样本数据中的第i条历史样本参数，y
ipre
表示历史样本数据中的第i条历史样本参数包含的点击率，g(j
pre
)表示历史样本数据中的第i条历史样本参数包含的点击率。
[0084]
s303：根据所有位置参数对应转换参数以及样本数据构建第二em模型，第二em模型的可观测变量数据为点击操作参数，第二em模型的隐变量为位置影响力参数，第二em模型的期望值为点击操作参数和内容影响力参数的联合概率分布。
[0085]
在em模型的基础上，根据公式(5)提供的第j个位置对应内容的内容影响概率的表达式构建第二em模型。具体的，根据公式(5)以及公式(2)确定第二em模型如公式(6)所示：
[0086][0087]
s304：对第二em模型进行期望极大算法迭代训练，获得所有位置参数对应的位置影响力参数极大值。
[0088]
在本发明实施例中，对第二em模型进行迭代训练。在第二em模型中，每个位置的位置影响力参数为隐变量，即根据样本数据对第二em模型进行多次迭代训练，使得每个位置的位置影响力参数参数收敛，获得所有位置参数对应的位置影响力参数极大值。
[0089]
s305：根据样本数据以及所有位置参数对应的位置影响力参数极大值生成新的样本数据，根据新的样本数据对预置的预估模型进行训练，获得新的预估模型，并根据新的预
估模型生成推荐系统。
[0090]
在本发明实施例中，s305的方法与图2实施例中s203的方法一致，在此不再赘述。
[0091]
本实施例提供的推荐系统生成方法，通过利用预设评分模型获得信用评估概率值对应的信用评分，使得管理人员可通过信用评分来预测企业的信用，提高了本发明实施例提供的推荐系统生成方法的可信度。
[0092]
在一种可能的实现方式中，在根据新的预估模型生成推荐系统之后，通过将推荐系统发送至终端进行显示，终端采集用户浏览网页数据生成新的样本数据，其中新的样本数据为终端显示推荐系统后，根据推荐系统中用户的点击率生成的。服务器接收终端发送的新的样本数据，并根据新的样本数据重复执行根据样本数据构建期望极大算法em模型、对em模型进行期望极大算法迭代训练，获得所有位置参数对应的位置影响力参数极大值，以及根据样本数据以及所有位置参数对应的位置影响力参数极大值生成新的样本数据，根据新的样本数据对预置的预估模型进行训练，获得新的预估模型，并根据新的预估模型生成推荐系统的步骤。
[0093]
本实施例提供的推荐系统生成方法，通过在新的预估模型生成推荐系统之后，根据采集的新的样本数据对em模型进行迭代训练，根据新的的样本数据获得新的预估模型，并根据新的预估模型生成推荐系统的步骤，提高了推荐系统推荐的内容与用户内容偏好的匹配度。
[0094]
图4为本发明实施例提供的推荐系统生成装置的结构示意图。如图4所示，该推荐系统生成装置包括：构建模块401、训练模块402以及生成模块403。
[0095]
构建模块401，用于获取样本数据，并根据所述样本数据构建期望极大算法em模型，所述em模型的可观测变量数据为点击操作参数，所述em模型的第一隐变量为位置影响函数，所述em模型的第二隐变量为内容影响函数，所述em模型的期望值为点击操作参数和内容影响力参数的联合概率分布，其中所述样本数据中包含至少一条样本参数，每条样本参数包含位置参数、内容参数以及点击操作参数，所述位置影响函数的自变量为位置参数，所述位置影响函数的因变量为位置影响力参数，所述内容影响函数的自变量为内容参数，所述内容影响函数的因变量为内容影响力参数；
[0096]
训练模块402，用于对所述em模型进行期望极大算法迭代训练，获得位置影响力参数的极大值；
[0097]
生成模块403，用于根据所述样本数据以及所有位置参数对应的位置影响力参数的极大值获得更新后的样本数据，根据所述更新后的样本数据对预置的预估模型进行训练，获得新的预估模型，并根据所述新的预估模型生成推荐系统。
[0098]
在一种可能的实现方式中，训练模块402具体用于将所述em模型中所有位置参数对应的位置影响力参数进行初始化设置；根据所述位置影响函数、内容影响函数以及每条样本数据中包含的点击操作参数获得点击操作参数和内容影响力参数的联合概率分布期望值；根据极大似然估计算法获得内容影响力参数期望值的最大值；重复执行根据所述位置影响函数、内容影响函数以及每条样本数据中包含的点击操作参数获得点击操作参数和内容影响力参数的联合概率分布期望值，以及根据极大似然估计算法获得位置影响力参数期望值的最大值的步骤，直至所有内容参数对应的内容影响力参数以及所有位置参数对应的位置影响力参数收敛，将获得的所有位置参数对应的位置影响力参数作为所有位置参数
对应的位置影响力参数的极大值。
[0099]
在一种可能的实现方式中，所述装置还包括转换模块，用于获得历史样本数据，并根据所述历史样本数据获得与所有位置参数对应转换参数，其中每个位置参数对应转换参数是根据预存的历史样本数据中每个位置参数对应的位置影响力参数以及每个位置参数对应的点击率确定的，其中所述历史样本数据包含至少一条历史样本参数，每条历史样本参数包含位置参数、内容参数以及点击操作参数；根据所述所有位置参数对应转换参数以及所述样本数据构建第二em模型，所述第二em模型的可观测变量数据为点击操作参数，所述第二em模型的隐变量为位置影响力参数，所述第二em模型的期望值为点击操作参数和内容影响力参数的联合概率分布；对所述第二em模型进行期望极大算法迭代训练，获得所有位置参数对应的位置影响力参数极大值；根据所述样本数据以及所有位置参数对应的位置影响力参数极大值获得更新后的样本数据，根据所述更新后的样本数据对预置的预估模型进行训练，获得新的预估模型，并根据所述新的预估模型生成推荐系统。
[0100]
在一种可能的实现方式中，生成模块403具体用于根据所述所有位置参数对应的位置影响力参数极大值获得所有位置参数对应的权重系数；根据每个位置参数对应的点击率以及每个位置对应的权重系数获得每个位置参数对应的新的点击率，并根据所有位置参数、所有位置参数对应的内容参数以及所有位置参数对应的新的点击率获得更新后的样本数据。
[0101]
在一种可能的实现方式中，所述装置还包括发送模块，用于将所述推荐系统发送至终端进行显示；接收所述终端发送的新的样本数据，所述新的样本数据为所述终端显示所述推荐系统后，根据推荐系统中用户的点击率生成的；根据所述新的样本数据重复执行所述根据所述样本数据构建期望极大算法em模型、对所述em模型进行期望极大算法迭代训练，获得所有位置参数对应的位置影响力参数极大值，以及根据所述样本数据以及所有位置参数对应的位置影响力参数极大值获得更新后的样本数据，根据所述更新后的样本数据对预置的预估模型进行训练，获得新的预估模型，并根据所述新的预估模型生成推荐系统的步骤。
[0102]
本实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
[0103]
图5为本发明实施例提供的服务器的硬件结构示意图。如图5所示，本实施例的服务器包括：处理器501以及存储器502；其中
[0104]
存储器502，用于存储计算机执行指令；
[0105]
处理器501，用于执行存储器存储的计算机执行指令，以实现上述实施例中服务器所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
[0106]
可选地，存储器502既可以是独立的，也可以跟处理器501集成在一起。
[0107]
当存储器502独立设置时，该服务器还包括总线503，用于连接所述存储器502和处理器501。
[0108]
本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上所述的推荐系统生成方法。
[0109]
本发明实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现如上所述的推荐系统生成方法。本发明实施例还提供一种计算机程序
产品，包括计算机程序，所述计算机程序被处理器执行时，实现如上所述的推荐系统生成方法。
[0110]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，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，例如多个模块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，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0111]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案。
[0112]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0113]
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干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)或处理器执行本技术各个实施例所述方法的部分步骤。
[0114]
应理解，上述处理器可以是中央处理单元(central processing unit，简称cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
[0115]
存储器可能包含高速ram存储器，也可能还包括非易失性存储nvm，例如至少一个磁盘存储器，还可以为u盘、移动硬盘、只读存储器、磁盘或光盘等。
[0116]
总线可以是工业标准体系结构(industry standard architecture，简称isa)总线、外部设备互连(peripheral component interconnect，简称pci)总线或扩展工业标准体系结构(extended industry standard architecture，简称eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本技术附图中的总线并不限定仅有一根总线或一种类型的总线。
[0117]
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
[0118]
一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(application specific integrated circuits，简称asic)中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
[0119]
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通
过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0120]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。