本申请涉及计算机技术领域，特别涉及一种基于推荐系统的推荐模型生成方法、生成装置、计算机可读存储介质及计算机终端。
背景技术：
随着互联网的快速发展，为人们的生活带来了许多便利，同时也带了海量的数据信息，不夸张的说人类已经进入了一个数据大爆炸的时代。消费者在数据的海洋中，面临众多的选择、种类繁多的新领域以及过载的信息，在这些新选择中，消费者往往无所适从。另一方面，内容的生产者面对平台中的众多用户，往往也是找不到合适的用户，也就无法寻找到最便捷的渠道来展示自己的优势信息。
因此，出现了推荐系统来解决上述的问题。推荐系统的核心是推荐算法，推荐算法的好坏就决定了推荐系统的好坏，而评判一个推荐算法主要通过准确率和召回率来判断。准确率是指预测为正的样本中有多少是真正的正样本，也就是通过模型进行预测的结果中有多少是对的；召回率是指样本中的正例有多少被预测正确了，也就是模型的预测结果覆盖了样本中的多少正确的例子。
目前，常用的推荐算法主要包括协同过滤算法和基于内容的推荐算法。在协同过滤算法中用户对于物品的喜好被量化为用户对物品的评分，并以一个用户关联一个物品的评分矩阵进行表示。协同过滤算法具有较好的自动化程度，以及个性化程度较高，但是具有一定的数据稀疏性问题。对于基于内容的推荐算法其推荐结果直观，容易解释，但也存在数据稀疏性的问题。
进一步的，研究者推出了glslim模型，该模型在一定程度上优化了数据稀疏性的问题，而且具有较高的准确率，但是该算法的召回率较低，不利于推荐系统使用。
因此，如何使推荐算法在准确率和召回率中取得一个平衡，是本领域技术人员所关注的重点问题。
技术实现要素：
本申请的目的是提供一种基于推荐系统的推荐模型生成方法、生成装置、计算机可读存储介质及计算机终端，通过将glslim模型和plsa模型进行调整参数达到最优的模型状态，再将这两个模型通过目标函数进行融合得到目标函数，最后把目标函数通过调整参数得到最优的推荐模型，解决了glslim模型的召回率较低的问题，使推荐结果能满足不同用户的个性化需求。
为解决上述技术问题，本申请提供一种基于推荐系统的推荐模型生成方法，包括：
将glslim模型根据数据集进行准确率调参处理得到第一推荐模型，进行推荐结果计算得到第一结果目标函数；
将plsa模型根据所述数据集进行召回率调参处理得到第二推荐模型，进行推荐结果计算得到第二结果目标函数；
将所述第一结果目标函数与所述第二结果目标函数进行融合处理得到融合目标函数，根据所述数据集进行平衡调参处理得到推荐模型。
可选的，所述将glslim模型根据数据集进行准确率调参处理得到第一推荐模型，进行推荐结果计算得到第一结果目标函数包括：
在第一预设范围内取多个用户个性化权重参数；
将每个所述用户个性化权重参数带入到所述glslim模型中，根据所述数据集进行计算得到多个第一推荐结果；
将每个所述第一推荐结果进行计算得到多个准确率，选取所述准确率最大的所述用户个性化权重参数设置为所述glslim模型的最终用户个性化权重参数，得到所述第一推荐模型；
将所述第一推荐模型进行推荐结果计算得到所述第一结果目标函数。
可选的，所述将plsa模型根据所述数据集进行召回率调参处理得到第二推荐模型，进行推荐结果计算得到第二结果目标函数包括：
在第二预设范围内取多个类别参数；
将每个所述类别参数带入到所述plsa模型中，根据所述数据集进行计算得到多个第二推荐结果；
将每个所述第二推荐结果进行计算得到多个召回率，选取所述召回率最大的所述类别参数设置为所述plsa模型的最终类别参数，得到所述第二推荐模型；
将所述第二推荐模型进行推荐结果计算得到所述第二结果目标函数。
可选的，所述将所述第一结果目标函数与所述第二结果目标函数进行融合处理得到融合目标函数，根据所述数据集进行平衡调参处理得到推荐模型包括：
将所述第一结果目标函数与所述第二结果目标函数通过r＝α*r1+(1-α)*r2进行融合得到融合目标函数r；其中，所述第一结果目标函数为r1，所述第二结果目标函数为r2；
在第三预设范围内取多个推荐结果占比参数α；
将每个所述推荐结果占比参数α带入到所述融合目标函数r中进行计算得到多个目标函数值；
将每个所述目标函数值进行推荐综合指标计算，得到多个推荐综合指标；
选取所述推荐综合指标最大的所述参数α值设置为所述融合目标函数r的最终参数α值，得到最优目标函数r；
将所述最优目标函数r进行推导计算得到所述推荐模型。
本申请还提供一种基于推荐系统的推荐模型生成装置，包括：
第一推荐模型处理模块，将glslim模型根据数据集进行准确率调参处理得到第一推荐模型，进行推荐结果计算得到第一结果目标函数；
第二推荐模型处理模块，将plsa模型根据所述数据集进行召回率调参处理得到第二推荐模型，进行推荐结果计算得到第二结果目标函数；
最优推荐模型获取模块，将所述第一结果目标函数与所述第二结果目标函数进行融合处理得到融合目标函数，根据所述数据集进行平衡调参处理得到推荐模型。
可选的，所述第一推荐模型处理模块包括：
第一参数获取单元，用于在第一预设范围内取多个用户个性化权重参数；
第一推荐结果计算单元，用于将每个所述用户个性化权重参数带入到所述glslim模型中，根据所述数据集进行计算得到多个第一推荐结果；
第一选取参数单元，用于将每个所述第一推荐结果进行计算得到多个准确率，选取所述准确率最大的所述用户个性化权重参数设置为所述glslim模型的最终用户个性化权重参数，得到所述第一推荐模型；
第一目标函数获取单元，用于将所述第一推荐模型进行推荐结果计算得到所述第一结果目标函数。
可选的，所述第二推荐模型处理模块包括：
第二参数获取单元，用于在第二预设范围内取多个类别参数；
第二推荐结果计算单元，用于将每个所述类别参数带入到所述plsa模型中，根据所述数据集进行计算得到多个第二推荐结果；
第二选取参数单元，用于将每个所述第二推荐结果进行计算得到多个召回率，选取所述召回率最大的所述类别参数设置为所述plsa模型的最终类别参数，得到所述第二推荐模型；
第二目标函数获取单元，用于将所述第二推荐模型进行推荐结果计算得到所述第二结果目标函数。
可选的，所述最优推荐模型获取模块包括：
目标函数融合单元，用于将所述第一结果目标函数与所述第二结果目标函数通过r＝α*r1+(1-α)*r2进行融合得到融合目标函数r；其中，所述第一结果目标函数为r1，所述第二结果目标函数为r2；
第三参数获取单元，用于在第三预设范围内取多个推荐结果占比参数α；
目标函数值计算单元，用于将每个所述推荐结果占比参数α带入到所述融合目标函数r中进行计算得到多个目标函数值；
推荐综合指数获取单元，用于将每个所述目标函数值进行推荐综合指标计算，得到多个推荐综合指标；
最优目标函数获取单元，用于选取所述推荐综合指标最大的所述参数α值设置为所述融合目标函数r的最终参数α值，得到最优目标函数r；
推荐模型获取单元，用于将所述最优目标函数r进行推导计算得到所述推荐模型。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现如下的步骤：
将glslim模型根据数据集进行准确率调参处理得到第一推荐模型，进行推荐结果计算得到第一结果目标函数；
将plsa模型根据所述数据集进行召回率调参处理得到第二推荐模型，进行推荐结果计算得到第二结果目标函数；
将所述第一结果目标函数与所述第二结果目标函数进行融合处理得到融合目标函数，根据所述数据集进行平衡调参处理得到推荐模型。
本申请还提供一种计算机终端，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时，实现如下的步骤：
将glslim模型根据数据集进行准确率调参处理得到第一推荐模型，进行推荐结果计算得到第一结果目标函数；
将plsa模型根据所述数据集进行召回率调参处理得到第二推荐模型，进行推荐结果计算得到第二结果目标函数；
将所述第一结果目标函数与所述第二结果目标函数进行融合处理得到融合目标函数，根据所述数据集进行平衡调参处理得到推荐模型。
本申请所提供的一种基于推荐系统的推荐模型生成方法，包括：将glslim模型根据数据集进行准确率调参处理得到第一推荐模型，进行推荐结果计算得到第一结果目标函数；将plsa模型根据所述数据集进行召回率调参处理得到第二推荐模型，进行推荐结果计算得到第二结果目标函数；将所述第一结果目标函数与所述第二结果目标函数进行融合处理得到融合目标函数，根据所述数据集进行平衡调参处理得到推荐模型。
通过将glslim模型和plsa模型进行调整参数达到最优的模型状态，再将这两个模型通过目标函数进行融合得到目标函数，最后把目标函数通过调整参数得到最优的推荐模型，解决了glslim模型的召回率较低的问题，使推荐结果能满足不同用户的个性化需求。
附图说明
为了更清楚地说明本申请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简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种基于推荐系统的推荐模型生成方法的流程图；
图2为本申请实施例所提供的一种基于推荐系统的推荐模型生成方法的第一推荐模型处理的流程图；
图3为本申请实施例所提供的一种基于推荐系统的推荐模型生成方法的第二推荐模型处理的流程图；
图4为本申请实施例所提供的一种基于推荐系统的推荐模型生成方法的融合模型的流程图；
图5为本申请实施例所提供的一种基于推荐系统的推荐模型生成装置的结构示意图。
具体实施方式
本申请的核心是提供一种基于推荐系统的推荐模型生成方法、生成装置、计算机可读存储介质及计算机终端，通过将glslim模型和plsa模型进行调整参数达到最优的模型状态，再将这两个模型通过目标函数进行融合得到目标函数，最后把目标函数通过调整参数得到最优的推荐模型，解决了glslim模型的召回率较低的问题，使推荐结果能满足不同用户的个性化需求。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参考图1，图1为本申请实施例所提供的一种基于推荐系统的推荐模型生成方法的流程图。
本实施例提供一种基于推荐系统的推荐模型生成方法，该方法可以包括：
s101，将glslim模型根据数据集进行准确率调参处理得到第一推荐模型，进行推荐结果计算得到第一结果目标函数；
本步骤旨在将glslim模型调整参数到准确率最高的状态，并导出推荐结果的目标函数。
其中，glslim模型是在slim模型的基础上提出来的，glslim模型联合了全局和局部的slim模型。具体的，slim模型是sparselinearmodel简称，即稀疏线性模型，slim模型是基于物品相似度的推广形式，而且具有良好的推荐效果，即准确率较高。
因此，在本步骤中使用的glslim模型具有准确率高的特点，但是在召回率方面较低，需要对该模型进行融合以弥补召回率低的问题，因此，在对该模型的缺点进行弥补时需要先将准确率调整到最高，以更好的解决召回率低的问题。
其中，对于模型的调整参数的操作需要将其放置在具体的数据中，选取不同的参数，再进行计算得到不同的结果数据，再判断该结果数据的准确率，找到准确率最高的参数，并将其作为准确率最高的模型参数。
需要说明的是，对于同一种类型的数据得到的准确率最高的参数是基本一致，也就是根据现有数据得到的最优的模型可以对同种类型的数据进行预测，得到期望的结果。但是，当数据的类型发生变化时，其准确率最高的参数也会发生变化。因此，将该模型应用于不同类型的数据时，都需要将其重新设定参数，使其准确率达到最优的状态。
其中，得到的目标函数就是表示推荐结果的函数表达式，可以在融合模型时方便计算。
s102，将plsa模型根据数据集进行召回率调参处理得到第二推荐模型，进行推荐结果计算得到第二结果目标函数；
本步骤旨在将plsa模型调整参数到召回率最高的状态，并导出该推荐模型的推荐结果的目标函数。
其中，plsa模型是指潜在语义模型，具体是指概率潜在语义分析。其具体的思想时：将所有物品划分为多个类，使物品达到分类的目的，计算用户属于类别的概率，再计算该类下物品出现的概率。该模型引入了隐藏变量，将物品到用户的关系，映射为物品到类别到用户的三个层次。通过plsa模型作为推荐系统的推荐模型，得到的推荐结果具有良好的召回率。
因此，在本步骤中选取plsa模型作为与上述步骤中的glslim模型进行融合的模型。在对两个模型融合之前同样的需要对plsa模型调整参数。将模型放置在具体的数据中，选取不同的参数，计算得到推荐结果，再将每个不同的推荐结果结算其召回率，选择召回率最高的模型的参数，作为该模型最后的参数，得到最终的模型。
进一步的，根据得到的最终的模型推导出相应的推荐结果的函数表达式，可以在融合使与上一步骤中的目标函数进行计算。
s103，将第一结果目标函数与第二结果目标函数进行融合处理得到融合目标函数，根据数据集进行平衡调参处理得到推荐模型。
在步骤s101与步骤s102的基础上，本步骤旨在将上述步骤中得到的目标函数进行融合，得到融合目标函数，并推导出最终的推荐模型。
上述两个步骤获取的目标函数是关于推荐结果的目标函数，所以进行的融合处理是将两个目标函数按照预设的比例进行相加融合，就得到了融合的目标函数。再通过调整其中的目标函数的比例，得到不同的推荐结果，计算该推荐结果的相关准确率和召回率，选取期望的平衡结果对应的比例参数，确定最终的推荐模型。
需要知道的是，在推荐模型中准确率和召回率是两个矛盾的属性，在应用相关的模型时，需要根据期望的推荐结果，调整准确率与召回率两个属性，以满足应用环境的需求和使用者的偏好。
因此，通过将glslim模型和plsa模型进行调整参数达到最优的模型状态，再将这两个模型通过目标函数进行融合得到目标函数，最后把目标函数通过调整参数得到最优的推荐模型，解决了glslim模型的召回率较低的问题，使推荐结果能满足不同用户的个性化需求。
请参考图2，图2为本申请实施例所提供的一种基于推荐系统的推荐模型生成方法的第一推荐模型处理的流程图。
结合上一实施例，本实施例主要是针对上一实施例中如何进行第一推荐模型的调整处理做的一个具体说明，其他部分与上一实施例大体相同，相同部分可以参考上一实施例，在此不做赘述。
本实施例可以包括：
s201，在第一预设范围内取多个用户个性化权重参数；
s202，将每个用户个性化权重参数带入到glslim模型中，根据数据集进行计算得到多个第一推荐结果；
s203，将每个第一推荐结果进行计算得到多个准确率，选取准确率最大的用户个性化权重参数设置为glslim模型的最终用户个性化权重参数，得到第一推荐模型；
s204，将第一推荐模型进行推荐结果计算得到第一结果目标函数。
本实施例主要是对glslim模型进行调整参数操作。其中，glslim模型的输出是
该公式中，各个参数的意义为：
其中，调整参数主要是针对gu进行取值，第一预设范围指的也就是在0到1之间，包括0和1。
对该参数取值后，对该公式取输出的前n项中较大的值就可以作为推荐结果。
对该推荐结果计算准确率，一般的准确率通过平方根误差(rmse)进行表示：
其中pu,i是用户u对项目i的预测评分，ru,i用户u对项目i的实际评分。n为项目的总个数。平方根误差越小，则预测越精确。
需要说明的是，在本实施例中只是选用平方根误差作为准确率的一种度量，但是可以使用的度量方法包括但不仅限于此，可以根据计算的方便程度，以及考察度量的角度选择不同的度量方法，在此不再做赘述。
在参数取值范围内不断的调节参数，取平方根误差最小时的参数，确定该模型。再根据确定参数后的模型的进行推导得出改模型的推荐结果的目标函数。
请参考图3，图3为本申请实施例所提供的一种基于推荐系统的推荐模型生成方法的第二推荐模型处理的流程图。
结合上一实施例，本实施例主要是针对上一实施例中如何进行第二推荐模型的调整处理做的一个具体说明，其他部分与上一实施例大体相同，相同部分可以参考上一实施例，在此不做赘述。
本实施例可以包括：
s301，在第二预设范围内取多个类别参数；
s302，将每个类别参数带入到plsa模型中，根据数据集进行计算得到多个第二推荐结果；
s303，将每个第二推荐结果进行计算得到多个召回率，选取召回率最大的类别参数设置为plsa模型的最终类别参数，得到第二推荐模型；
s304，将第二推荐模型进行推荐结果计算得到第二结果目标函数。
本实施例主要是对plsa模型进行调整参数操作。plsa作为一种概率模型，其输出为：
p(i|u)＝∑zp(i|z)p(z|u)
其中，公式各部分的代表含义是：u代表用户，i代表项目，z代表用户u所在的类别(增加隐藏变量z)。p(z|u)表示用户u在类别z出现的概率。p(i|z)表示在给定类别z下项目i出现的概率，代表项目和类别的相关程度。
将上述公式经过贝叶斯公式转换就可以得到：
p(u,i)＝p(u)∑p(z|u)p(i|z)
最后求得用户与u与项目i出现的概率，就可以取前n项概率较大的物品作为推荐结果。
其中，本实施例调节的类别参数是上述公式中的z，z代表本模型中的类别。参数z取值的第二预设范围，是与模型具体数据相关的取值范围，具体不同的应用情况会有不同的取值范围，具体在此不再做赘述。
其中，将推荐结果进行计算的召回率(recall)是指推荐的物品集合与用户评价过物品集合交集的模与用户实际评价过的物品集合的模的比值。
因此，本实施例的大体过程是，选取参数，根据上述模型进行计算得到相应的推荐结果。再根据推荐结果计算召回率，召回率的计算公式是：
调节参数，选取召回率最大的时候的参数值，确定plsa模型。并根据该模型推导出推荐结果的目标函数。
请参考图4，图4为本申请实施例所提供的一种基于推荐系统的推荐模型生成方法的融合模型的流程图。
结合上一实施例，本实施例主要是针对上一实施例中如何进行融合处理做的一个具体说明，其他部分与上一实施例大体相同，相同部分可以参考上一实施例，在此不做赘述。
本实施例可以包括：
s401，将第一结果目标函数与第二结果目标函数通过r＝α*r1+(1-α)*r2进行融合得到融合目标函数r；其中，第一结果目标函数为r1，第二结果目标函数为r2；
本步骤旨在，将上述实施例中得到的目标函数通过该公式融合为目标函数r。
一般的，目标函数r还可以表示为如下形式：
(1-α)*glslim+α*plsa
s402，在第三预设范围内取多个推荐结果占比参数α；
s403，将每个推荐结果占比参数α带入到融合目标函数r中进行计算得到多个目标函数值；
s404，将每个目标函数值进行推荐综合指标计算，得到多个推荐综合指标；
在步骤s401的基础上，本步骤旨在选取不同的占比参数得到多个推荐综合指标。
其中，计算推荐综合指标(f-measure)，f-measure是precision(准确率)与recall(召回率)的加权调和平均数。由于准确率和召回率指标有时候会出现的矛盾的情况，这样就需要综合考虑他们，最常见的方法就是就是通过推荐综合指标进行考察。
计算推荐综合指标需要先计算准确率与召回率，再通过如下公式计算：
当参数a＝1时，就是最常见的综合推荐指数计算公式，也即：
上述公式又叫做f1，其综合了p和r的结果，当f1较高时则能说明实验方法比较有效。
s405，选取推荐综合指标最大的参数α值设置为融合目标函数r的最终参数α值，得到最优目标函数r；
s406，将最优目标函数r进行推导计算得到推荐模型。
在步骤s402至s404的基础上，在第三预设范围内调节占比参数，计算出对应的f1的值，并绘制相应的曲线。
取f1值最大时的占比参数，就可以确定最终的目标函数。进而可以进行推导得出相应的推荐模型。
本申请实施例提供了一种基于推荐系统的推荐模型生成方法，可以通过将glslim模型和plsa模型进行调整参数达到最优的模型状态，再将这两个模型通过目标函数进行融合得到目标函数，最后把目标函数通过调整参数得到最优的推荐模型，解决了glslim模型的召回率较低的问题，使推荐结果能满足不同用户的个性化需求。
下面对本申请实施例提供的一种基于推荐系统的推荐模型生成装置进行介绍，下文描述的一种基于推荐系统的推荐模型生成装置与上文描述的一种基于推荐系统的推荐模型生成方法可相互对应参照。
请参考图5，图5为本申请实施例所提供的一种基于推荐系统的推荐模型生成装置的结构示意图。
本实施例提供一种基于推荐系统的推荐模型生成装置，该装置可以包括：
第一推荐模型处理模块100，将glslim模型根据数据集进行准确率调参处理得到第一推荐模型，进行推荐结果计算得到第一结果目标函数；
第二推荐模型处理模块200，将plsa模型根据数据集进行召回率调参处理得到第二推荐模型，进行推荐结果计算得到第二结果目标函数；
最优推荐模型获取模块300，将第一结果目标函数与第二结果目标函数进行融合处理得到融合目标函数，根据数据集进行平衡调参处理得到推荐模型。
基于本实施例可以生成一种基于glslim模型的混合推荐算法，由四个层次构成。第一层选取glslim模型与plsa模型为基本模型；第二层，通过分别对两个模型进行调参，选取使glslim模型获得最优准确率的参数值，选取使plsa模型获得最高召回率的参数值，由此确立第二层调参后的模型；第三层为第二层中两个模型的加权组合，以此形成组合模型；第四层通过调节第三层中组合模型的权重参数，分别计算模型的准确率与召回率，并绘出基于准确率与召回率的综合指标曲线，选取综合指标最大时的权重参数，并以此确立出最终融合模型。
具体的实施方式如下：
第一层，两个基本推荐模型glslim与plsa，使用glslim模型，能在一定程度上优化数据稀疏性问题，而且该算法有比较高的准确率；使用plsa模型，能使模型获得良好的召回率。
第二层，通过movielens数据集(可选100k数据集做研究，其中包含943名用户对1682部电影的10000个评分)分别训练两个模型。
其中glslim模型输出为
其中
plsa是一种概率模型，其输出为
p(i|u)＝∑zp(i|z)p(z|u)
计算的是用户u选择物品i的概率，在做推荐时，可以取前n项概率较大的物品作为推荐结果r2，根据推荐结果计算召回率(recall)，召回率是指推荐的物品集合与用户评价过物品集合交集的模与用户实际评价过的物品集合的模的比值
实验时，通过调节参数z(z为模型中的类别)来获得不同的召回率，获取使得召回率最大时的z，此时调参后的plsa模型确立。
第三层，设定融合后的推荐模型，输出结果取为
r＝α*r1+(1-α)*r2
其中α为上一层中两种推荐结果的权重值，取值为[0,1]。
第四层，确立最终算法模型，通过调节上层中参数α的值，分别对推荐结果r求取准确率p与召回率r，并计算综合指标
f1为p与r的调和平均数，其综合了p与r的结果，当f1较高时则能说明实验方法比较有效；绘制出α-f1曲线，选取当f1最高时的α值，此时最终的推荐算法模型便确立了。
可选的，第一推荐模型处理模块100包括：
第一参数获取单元，用于在第一预设范围内取多个用户个性化权重参数；
第一推荐结果计算单元，用于将每个用户个性化权重参数带入到glslim模型中，根据数据集进行计算得到多个第一推荐结果；
第一选取参数单元，用于将每个第一推荐结果进行计算得到多个准确率，选取准确率最大的参数设置为glslim模型的最终参数，得到第一推荐模型；
第一目标函数获取单元，用于将第一推荐模型进行推荐结果计算得到第一结果目标函数。
可选的，第二推荐模型处理模块200包括：
第二参数获取单元，用于在第二预设范围内取多个类别参数；
第二推荐结果计算单元，用于将每个类别参数带入到plsa模型中，根据数据集进行计算得到多个第二推荐结果；
第二选取参数单元，用于将每个第二推荐结果进行计算得到多个召回率，选取召回率最大的参数z设置为plsa模型的最终参数z，得到第二推荐模型；
第二目标函数获取单元，用于将第二推荐模型进行推荐结果计算得到第二结果目标函数。
可选的，最优推荐模型获取模块300包括：
目标函数融合单元，用于将第一结果目标函数与第二结果目标函数通过r＝α*r1+(1-α)*r2进行融合得到融合目标函数r；其中，第一结果目标函数为r1，第二结果目标函数为r2；
第三参数获取单元，用于在第三预设范围内取多个推荐结果占比参数α；
目标函数值计算单元，用于将每个推荐结果占比参数α带入到融合目标函数r中进行计算得到多个目标函数值；
推荐综合指数获取单元，用于将每个目标函数值进行推荐综合指标计算，得到多个推荐综合指标；
最优目标函数获取单元，用于选取推荐综合指标最大的参数α值设置为融合目标函数r的最终参数α值，得到最优目标函数r；
推荐模型获取单元，用于将最优目标函数r进行推导计算得到推荐模型。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现如下的步骤：
将glslim模型根据数据集进行准确率调参处理得到第一推荐模型，进行推荐结果计算得到第一结果目标函数；
将plsa模型根据数据集进行召回率调参处理得到第二推荐模型，进行推荐结果计算得到第二结果目标函数；
将第一结果目标函数与第二结果目标函数进行融合处理得到融合目标函数，根据数据集进行平衡调参处理得到推荐模型。
本申请实施例还提供一种计算机终端，包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序时，实现如下的步骤：
将glslim模型根据数据集进行准确率调参处理得到第一推荐模型，进行推荐结果计算得到第一结果目标函数；
将plsa模型根据数据集进行召回率调参处理得到第二推荐模型，进行推荐结果计算得到第二结果目标函数；
将第一结果目标函数与第二结果目标函数进行融合处理得到融合目标函数，根据数据集进行平衡调参处理得到推荐模型。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，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，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。
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，包括若干指令用以使得一台计算机设备(可以是个人计算机，功能调用装置，或者网络设备等)执行本申请各个实施例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-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本申请所提供的一种基于推荐系统的推荐模型生成方法、生成装置、计算机可读存储介质及计算机终端进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。