本发明涉及直播数据处理领域，具体涉及一种主播推荐方法、装置、计算机存储介质及服务器。
背景技术：
随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代走入了信息过载的时代，在这个时代，无论是信息消费者还是信息生产者都遇到了很大的挑战，对于信息消费者，面对海量的信息很难找到自己真正感兴趣的内容；对于信息生产者也很难把优质的内容准确地推送给感兴趣的用户。推荐系统被认为是解决这些问题的有效方法，推荐系统的任务就是联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现在对它感兴趣的用户面前，从而实现信息消费者和信息生产者的双赢。对于直播平台而言同样面临着如何向用户推荐合适的主播等困难，目前直播平台所使用的推荐系统是在少量的数据特征、且大多是根据经验人为定义模型系数进行模型训练和验证，因为数据量的巨大，少量特征和人为经验是难以覆盖海量数据所呈现的规律，无法更加全面、准确地为用户推荐适合的主播。技术实现要素：为克服以上技术问题，特别是现有技术无法全面、准确地为用户推荐适合的主播的问题，特提出以下技术方案：第一方面，本发明提供了一种主播推荐方法，包括：根据用户的标识信息获取用户数据；获取待推荐主播中的每个主播的主播数据；将所述用户数据进行特征转换得到用户特征，将所述每个主播的主播数据进行特征转换得到主播特征；将所述用户特征与所述主播特征进行交叉特征运算，得到组合了用户与每个主播的多维特征；根据逻辑回归模型计算所述多维特征，得到表征用户与每个主播的关联分数，根据所述关联分数向所述用户推荐相应的主播。进一步的，所述用户数据与所述主播数据的数据类型均包括类别型与连续型；所述将所述用户数据进行特征转换得到用户特征，将所述每个主播的主播数据转换得到主播特征，包括：当所述用户数据与所述主播数据的数据类型为类别型时，根据预设编码规则将所述用户数据编码成预定数量维度的用户特征；根据预设编码规则将所述每个主播的主播数据编码成预定数量维度的主播特征；当所述用户数据与所述主播数据的数据类型为连续型时，根据连续型的值的分布将用户数据分成预设数量的分区，生成具有预设数量维度的用户特征；根据连续型的值的分布将主播数据分成预设数量的分区，生成具有预设数量维度的主播特征。进一步的，所述将所述用户特征与所述主播特征进行交叉特征运算，得到组合了用户与每个主播的多维特征，包括：从所述用户特征中筛选具有用户主播关联性质的用户交互特征；从所述主播特征中筛选具有用户主播关联性质的主播交互特征；将所述用户交互特征与所述主播交互特征进行交叉特征运算，得到组合了用户与每个主播的多维特征。进一步的，所述根据逻辑回归模型计算所述多维特征，得到表征用户与每个主播的关联分数的计算公式为：其中，所述f(x)为关联分数，所述ak为逻辑回归模型的模型系数，所述xk为所述多维特征，且所述x0＝1。进一步的，所述多维特征为458维特征，所述k的取值范围为[0，458]的整数。进一步的，所述根据所述关联分数向所述用户推荐相应的主播，包括：将所述关联分数从大到小排序，对所述关联分数对应的主播进行排序；获取所述每个主播的实时数据，根据所述实时数据调整所述排序，按调整后的排序向所述用户推荐主播。进一步的，所述待推荐主播由以下方法获取：根据用户的标识信息匹配预定数量的所述用户感兴趣的主播，把所述主播作为待推荐主播。第二方面，本发明还提供了一种主播推荐装置，包括：获取模块：用于根据用户的标识信息获取用户数据；获取待推荐主播中的每个主播的主播数据；特征转化模块：用于将所述用户数据进行特征转换得到用户特征，将所述每个主播的主播数据进行特征转换得到主播特征；将所述用户特征与所述主播特征进行交叉特征运算，得到组合了用户与每个主播的多维特征；推荐模块：用于根据逻辑回归模型计算所述多维特征，得到表征用户与每个主播的关联分数，根据所述关联分数向所述用户推荐相应的主播。第三方面，本发明还提供了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，该计算机程序被处理器执行时实现上述的主播推荐方法。第三方面，本发明还提供了一种服务器，所述服务器包括一个或多个处理器、存储器、一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个计算机程序配置用于执行上述的主播推荐方法。本发明与现有技术相比，具有以下有益效果：本发明将获取的用户数据和主播数据通过特征转换成相应的用户特征和主播特征，然后对用户特征与主播特征进行交叉特征运算，得到组合了用户与主播的多维特征，即得到表征用户画像、主播画像及用户主播关联性的多个维度的特征，全面地表达用户与主播的关联程度，同时应用机器学习方法中的逻辑回归模型计算所述多维特征得到用户与每一个主播的关联分数，通过逻辑回归模型让不同的组合特征的敏感度对于关联分数的影响比重不同，从而得到更加准确的表征用户与主播关联程度的关联分数，然后根据所述关联分数向用户推荐相应的主播，从而向用户推荐其更合适的主播。再者，本发明为了在根据关联分数对主播进行排序后，还获取主播实时的直播数据，根据所述实时的直播数据对主播进行又一次的排序，能够推荐给用户当前直播数据更佳且适合用户的主播，提高用户的满意度。本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。附图说明本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为本发明主播推荐方法的一实施例流程示意图；图2为本发明主播推荐方法的另一实施例流程示意图；图3为本发明主播推荐装置的一实施例示意图；图4为本发明服务器的一实施例结构示意图。具体实施方式下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。本
技术领域：
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作。本
技术领域：
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。本领域技术人员应当理解，本发明所称的“应用”、“应用程序”、“计算机程序”以及类似表述的概念，是业内技术人员所公知的相同概念，是指由一系列计算机指令及相关数据资源有机构造的适于电子运行的计算机软件。除非特别指定，这种命名本身不受编程语言种类、级别，也不受其赖以运行的操作系统或平台所限制。在一种实施例中，本发明提供一种主播推荐方法，如图1所示，该方法包括以下步骤：s10：根据用户的标识信息获取用户数据；获取待推荐主播中的每个主播的主播数据。直播平台记录了每一位成员的各项数据，包括了用户数据和主播数据，该些数据为后续分析用户的喜好、预测主播的发展前景、为用户推荐合适的主播作基础，直播平台存储每一位用户的用户数据均以该用户的标识信息作为识别标识，通过用户的标识信息便可以获取到所指定的用户的用户数据，本实施例中，用户标识信息优选为用户的用户id，在存储时以字段u_id表征，每一项用户数据均与用户标识信息相关联，通过用户的标识信息便能够获取到该用户的用户数据。然后，从直播平台上成千上万的主播中筛选出部分目标主播作为待推荐主播，然后获取每个待推荐主播的主播数据。具体的，本实施例的所述用户数据的一种实施例如表1所示：表1另外，本实施例的所述主播数据的一种实施例如表2所示：字段类型描述a_idstring主播ida_gidint当前在播的品类a_gnamestring当前在播的品类名称a_attendeecountint直播间(主播)在线人数a_watchdau_lstlist<int>'过去7次开播的dau,下标从0开始a_watchpcu_lstlist<int>过去7次开播的pcua_watchpcu_hisint历史最大的pcua_watchsum_lstlist<int>过去7天的用户观看时长,下标从0开始a_sendsum_lstlist<int>过去7次开播的送礼总额,下标从0开始表2s20：将所述用户数据进行特征转换得到用户特征，将所述每个主播的主播数据转换得到主播特征；将所述用户特征与所述主播特征进行交叉特征运算，得到组合了用户与每个主播的多维特征。数据要经过特征工程的处理转化为特征，即从原始数据中提取出对结果预测有用的信息，将数据转化为特征能够更好表示预测模型处理的实际问题，提升对于未知数据的准确性。本实施例中，对于获取到的用户数据及主播数据，通过判断数据是否异常实施对数据的选择、通过判断数据噪声实施对数据的清洗、通过判断样本大小实施对数据的采样，通过对用户数据进行选择、清洗、采样等操作将用户数据转化为用户特征，同样的，对主播数据进行选择、清洗、采样等操作将主播数据转化为主播特征，从而得到表征用户画像、主播画像的特征。然后将用户特征与主播特征进行交叉特征运算，得到组合了用户与每个主播的多维特征，从而得到用户主播关联性的特征，进行交叉特征运算是为了得到用户与主播的特征之间的交互情况，也即为了引入非线性，例如用户的年龄特征与主播的年龄特征进行交叉特征运算，可以得到用户年龄--主播年龄的多维特征，然后从该些特征便可得出不同年龄段的用户喜欢看不同年龄段的主播的比重；例如将用户观看过的直播品类特征与主播的直播品类特征进行交叉特征运算，可以得到用户观看过的直播品类--主播的直播品类的多维特征，然后从该多维特征便可得出用户是否喜欢该主播的直播品类。s30：根据逻辑回归模型计算所述多维特征，得到表征用户与每个主播的关联分数，根据所述关联分数向所述用户推荐相应的主播。将数据处理成可以供模型使用的多维特征后，本实施例根据逻辑回归模型计算所述多维特征，从而得到表征用户与每个主播的关联分数，逻辑回归模型为logisticregression模型，简称为lr模型，是在线性回归的基础上，套用了一个逻辑函数，使得模型在运用时对特定区域内的特征更为敏感，而对在边缘区域的特征不敏感，对于得到的组合了用户与主播的多维特征，不同维度的特征对关联分数的敏感度不同，即不同维度的特征所得出的关联分数的比重不同，例如，用户年龄--主播年龄的多维特征占关联分数比重的0.1％，而用户观看过的直播品类--主播的直播品类的多维特征占关联分数比重的1％，从根据逻辑回归模型计算所述多维特征，得到表征用户与每个主播的关联分数，最后根据所述关联分数向用户推送相应的主播，优选的，将计算得出的分数越高的主播推送给所述用户，分数越高表明该主播与用户的关联性越强，用户越大概率地喜欢观看该主播的直播节目。本实施例本发明将获取的用户数据和主播数据通过特征转换成相应的用户特征和主播特征，然后对用户特征与主播特征进行交叉特征运算，得到组合了用户与主播的多维特征，即得到表征用户画像、主播画像及用户主播关联性的多个维度的特征，全面地表达用户与主播的关联程度，同时应用机器学习方法中的逻辑回归模型计算所述多维特征得到用户与每一个主播的关联分数，通过逻辑回归模型让不同的组合特征的敏感度对于关联分数的影响比重不同，从而得到更加准确的表征用户与主播关联程度的关联分数，然后根据所述关联分数向用户推荐相应的主播，从而向用户推荐其更合适的主播。进一步的，本发明的实施例中，所述用户数据与所述主播数据的数据类型均包括类别型与连续型；所述将所述用户数据进行特征转换得到用户特征，将所述每个主播的主播数据转换得到主播特征，包括：当所述用户数据与所述主播数据的数据类型为类别型时，根据预设编码规则将所述用户数据编码成预定数量维度的用户特征；根据预设编码规则将所述每个主播的主播数据编码成预定数量维度的主播特征；当所述用户数据与所述主播数据的数据类型为连续型时，根据连续型的值的分布将用户数据分成预设数量的分区，生成具有预设数量维度的用户特征；根据连续型的值的分布将主播数据分成预设数量的分区，生成具有预设数量维度的主播特征。如上述表1、表2所示，获取到的用户数据与主播数据为原始数据，其数据类型均包括类别型与连续型，例如，表1中“用户等级”、“用户最近7次登陆的聊天行为”的数据类型均为连续型，而“用户手机类型”、“用户历史对主播的订阅列表”的数据类型为类别型；表2中的“播间在线人数”直的数据类型为连续型，“当前在播的品类”的数据类型为类别型。本实施例中，根据数据类型的不同，使用不同的特征转化方式将原始数据转化为特征，其中，当所述用户数据与所述主播数据的数据类型为类别型时，根据onehot-encode编码规则将所述用户数据编码成预定数量维度的用户特征与主播特征；当所述用户数据与所述主播数据的数据类型为连续型时，本实施例中，根据连续型的值的分布利用bucket方法将用户数据分成预设数量的分区，生成具有预设数量维度的用户特征；根据连续型的值的分布利用bucket方法将主播数据分成预设数量的分区，生成具有预设数量维度的主播特征。例如，表1中的u_talkanch_lst字段对应的原始数据，该原始数据可以得到表征用户发送弹幕次数的平均值，该原始数据的数据类型为连续型，则利用bucket方法将用户数据分成预设数量的分区，具体的分区原则是[0,1),[1,5),[5,10),[10,20),[20,+∞)，相应得到的是一个5维的向量表示特征，如果聊天次数为0则对应的向量为(1,0,0,0,0)，如果聊天次数是7则落在这个分区[5,10)中，生成的向量为(0,0,1,0,0)。优选的，本发明的实施例中，所述将所述用户特征与所述主播特征进行交叉特征运算，得到组合了用户与每个主播的多维特征，包括：从所述用户特征中筛选具有用户主播关联性质的用户交互特征；从所述主播特征中筛选具有用户主播关联性质的主播交互特征；将所述用户交互特征与所述主播交互特征进行交叉特征运算，得到组合了用户与每个主播的多维特征。将特征进行交叉运算是为了得到用户与主播的交互情况，能够更好地表现用户与主播的关联程度，本实施例中，从用户特征中筛选具有用户主播关联性质的用户交互特征，如“用户最近7次登录产生的观看品类的时长”的用户特征即为具有用户主播关联兴致的用户交互特征，然后从所述主播特征中筛选具有用户主播关联性质的主播交互特征，如“当前在播的品类”的主播特征；将所述用户交互特征与所述主播交互特征进行交叉特征运算，得到组合了用户与每个主播的多维特征，例如将上述选取的“用户最近7次登录产生的观看品类的时长”的用户特征与“当前在播的品类”的主播特征进行交叉特征运算，即可得到能够判断用户是否观看过该主播对应的直播品类的多维特征。具体的，本发明的一种实施例，所述根据逻辑回归模型计算所述多维特征，获取表征用户与每个主播的关联分数的计算公式为：其中，所述f(x)为关联分数，所述ak为逻辑回归模型的模型系数，所述xk为所述多维特征，且所述x0＝1，进一步的，所述多维特征为458维特征，所述k的取值范围为[0，458]的整数。进一步的，如图2所示，本发明的一种实施例，所述根据所述关联分数向所述用户推荐相应的主播，包括：s31：将所述关联分数从大到小排序，对所述关联分数对应的主播进行排序；获取所述每个主播的实时数据，根据所述实时数据调整所述排序，按调整后的排序向所述用户推荐主播。本实施例中，在得到用户与每个主播的关联分数后，用户与主播的关联分数越大说明用户愿意观看、喜欢观看该主播的概率越高，因此本实施例将所述关联分数从大到小排序，然后对关联分数对应的主播进行排序，得到第一次排序后的待推荐的主播列表；进一步的，在向用户推荐主播之前，还实时获取该些主播的实时数据，例如获取主播当前直播间的在线用户数、主播当前直播间在所属直播品类的排名、主播当前直播间的弹幕数等实时数据，然后根据该些实时数据对所述待推荐的主播列表进行第二次排序，例如关联分数相同的待推荐主播，根据主播当前直播间的弹幕数的数量从大到小进一步排序，然后按照调整后的主播排序列表向用户推荐对应的主播。本发明的一种实施例，所述待推荐主播由以下方法获取：根据用户的特征标识匹配预定数量的所述用户感兴趣的主播，把所述主播作为待推荐主播。本实施例主要是为了从平台上成千上万的主播中挑选出部分主播作为待推荐给用户的主播，以减少后续的运算量，提高运算效率，其中，先获取用户的标识信息，例如所述标识信息为用户id，然后根据用户的标识信息匹配预定数量的所述用户感兴趣的主播，用户感兴趣的主播可以利用原有的推荐算法筛选得到，例如原有的推荐算法由用户浏览过的主播的直播品类得到用户感兴趣的主播，再根据用户标识信息如用户id的末尾数字，选取与用户id末尾数字相同的感兴趣的主播，作为所述待推荐主播。在另一种实施例中，如图3所示，本发明提供一种主播推荐装置，包括：获取模块10：用于根据用户的标识信息获取用户数据；获取待推荐主播中的每个主播的主播数据；特征转化模块20：用于将所述用户数据进行特征转换得到用户特征，将所述每个主播的主播数据进行特征转换得到主播特征；将所述用户特征与所述主播特征进行交叉特征运算，得到组合了用户与每个主播的多维特征；推荐模块30：用于根据逻辑回归模型计算所述多维特征，得到表征用户与每个主播的关联分数，根据所述关联分数向所述用户推荐相应的主播。进一步的，本实施例中，所述用户数据与所述主播数据的数据类型均包括类别型与连续型；所述特征转化模块20执行将所述用户数据进行特征转换得到用户特征，将所述每个主播的主播数据转换得到主播特征时，包括：当所述用户数据与所述主播数据的数据类型为类别型时，根据预设编码规则将所述用户数据编码成预定数量维度的用户特征；根据预设编码规则将所述每个主播的主播数据编码成预定数量维度的主播特征；当所述用户数据与所述主播数据的数据类型为连续型时，根据连续型的值的分布将用户数据分成预设数量的分区，生成具有预设数量维度的用户特征；根据连续型的值的分布将主播数据分成预设数量的分区，生成具有预设数量维度的主播特征。进一步的，本发明的一种实施例，所示特征转化模块执行将所述用户特征与所述主播特征进行交叉特征运算，得到组合了用户与每个主播的多维特征时，包括：从所述用户特征中筛选具有用户主播关联性质的用户交互特征；从所述主播特征中筛选具有用户主播关联性质的主播交互特征；将所述用户交互特征与所述主播交互特征进行交叉特征运算，得到组合了用户与每个主播的多维特征。进一步的，所述根据逻辑回归模型计算所述多维特征，得到表征用户与每个主播的关联分数的计算公式为：其中，所述f(x)为关联分数，所述ak为逻辑回归模型的模型系数，所述xk为所述多维特征，且所述x0＝1。所述多维特征为458维特征，所述k的取值范围为[0，458]的整数。进一步的，本发明的一种实施例，所示推荐模块30执行根据所述关联分数向所述用户推荐相应的主播时，包括：将所述关联分数从大到小排序，对所述关联分数对应的主播进行排序；获取所述每个主播的实时数据，根据所述实时数据调整所述排序，按调整后的排序向所述用户推荐主播。进一步的，本实施例中，所述待推荐主播根据用户的标识信息匹配预定数量的所述用户感兴趣的主播，把所述主播作为待推荐主播的方式获取。在另一种实施例中，本发明提供了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，该程序被处理器执行时实现上述实施例所述的主播推荐方法。其中，所述计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、cd-rom、和磁光盘)、rom(read-onlymemory，只读存储器)、ram(randomaccessmemory，随即存储器)、eprom(erasableprogrammableread-onlymemory，可擦写可编程只读存储器)、eeprom(electricallyerasableprogrammableread-onlymemory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是，存储设备包括由设备(例如，计算机、手机)以能够读的形式存储或传输信息的任何介质，可以是只读存储器，磁盘或光盘等。本发明实施例提供的一种计算机可读存储介质，可实现根据用户的标识信息获取用户数据；获取待推荐主播中的每个主播的主播数据；将所述用户数据进行特征转换得到用户特征，将所述每个主播的主播数据进行特征转换得到主播特征；将所述用户特征与所述主播特征进行交叉特征运算，得到组合了用户与每个主播的多维特征；根据逻辑回归模型计算所述多维特征，得到表征用户与每个主播的关联分数，根据所述关联分数向所述用户推荐相应的主播。通过将获取的用户数据和主播数据通过特征转换成相应的用户特征和主播特征，然后对用户特征与主播特征进行交叉特征运算，得到组合了用户与主播的多维特征，即得到表征用户画像、主播画像及用户主播关联性的多个维度的特征，全面地表达用户与主播的关联程度，同时应用机器学习方法中的逻辑回归模型计算所述多维特征得到用户与每一个主播的关联分数，通过逻辑回归模型让不同的组合特征的敏感度对于关联分数的影响比重不同，从而得到更加准确的表征用户与主播关联程度的关联分数，然后根据所述关联分数向用户推荐相应的主播，从而向用户推荐其更合适的主播。另外，本发明提供的计算机可读存储介质还可实现在根据关联分数对主播进行排序后，还获取主播实时的直播数据，根据所述实时的直播数据对主播进行又一次的排序，能够推荐给用户当前直播数据更佳且适合用户的主播，提高用户的满意度。本发明实施例提供的计算机可读存储介质可以实现上述主播推荐方法的实施例，具体功能实现请参见方法实施例中的说明，在此不再赘述。此外，在又一种实施例中，本发明还提供一种服务器，如图4所示，所述服务器处理器403、存储器405、输入单元407以及显示单元409等器件。本领域技术人员可以理解，图4示出的结构器件并不构成对所有服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件。存储器405可用于存储计算机程序401以及各功能模块，处理器403运行存储在存储器405的计算机程序401，从而执行设备的各种功能应用以及数据处理。存储器405可以是内存储器或外存储器，或者包括内存储器和外存储器两者。内存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦写可编程rom(eeprom)、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、zip盘、u盘、磁带等。本发明所公开的存储器包括但不限于这些类型的存储器。本发明所公开的存储器405只作为例子而非作为限定。输入单元407用于接收信号的输入，以及接收用户输入的关键字。输入单元407可包括触控面板以及其它输入设备。触控面板可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作)，并根据预先设定的程序驱动相应的连接装置；其它输入设备可以包括但不限于物理键盘、功能键(比如播放控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。显示单元409可用于显示用户输入的信息或提供给用户的信息以及计算机设备的各种菜单。显示单元409可采用液晶显示器、有机发光二极管等形式。处理器403是计算机设备的控制中心，利用各种接口和线路连接整个电脑的各个部分，通过运行或执行存储在存储器403内的软件程序和/或模块，以及调用存储在存储器内的数据，执行各种功能和处理数据。图4中所示的一个或多个处理器403能够执行、实现图3中所示的获取模块10、特征转化模块20、推荐模块30的功能。在一种实施方式中，所述服务器包括一个或多个处理器403，以及一个或多个存储器405，一个或多个计算机程序401，其中所述一个或多个计算机程序401被存储在存储器405中并被配置为由所述一个或多个处理器403执行，所述一个或多个计算机程序401配置用于执行以上实施例所述的主播推荐方法。本发明实施例提供的一种服务器，可实现根据用户的标识信息获取用户数据；获取待推荐主播中的每个主播的主播数据；将所述用户数据进行特征转换得到用户特征，将所述每个主播的主播数据进行特征转换得到主播特征；将所述用户特征与所述主播特征进行交叉特征运算，得到组合了用户与每个主播的多维特征；根据逻辑回归模型计算所述多维特征，得到表征用户与每个主播的关联分数，根据所述关联分数向所述用户推荐相应的主播。通过将获取的用户数据和主播数据通过特征转换成相应的用户特征和主播特征，然后对用户特征与主播特征进行交叉特征运算，得到组合了用户与主播的多维特征，即得到表征用户画像、主播画像及用户主播关联性的多个维度的特征，全面地表达用户与主播的关联程度，同时应用机器学习方法中的逻辑回归模型计算所述多维特征得到用户与每一个主播的关联分数，通过逻辑回归模型让不同的组合特征的敏感度对于关联分数的影响比重不同，从而得到更加准确的表征用户与主播关联程度的关联分数，然后根据所述关联分数向用户推荐相应的主播，从而向用户推荐其更合适的主播。另外，本发明提供的服务器还可实现在根据关联分数对主播进行排序后，还获取主播实时的直播数据，根据所述实时的直播数据对主播进行又一次的排序，能够推荐给用户当前直播数据更佳且适合用户的主播，提高用户的满意度。本发明实施例提供的服务器可以实现上述提供的主播推荐方法的实施例，具体功能实现请参见方法实施例中的说明，在此不再赘述。以上所述仅是本发明的部分实施方式，应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。当前第1页12