一种搭建推荐服务的方法和系统与流程

本申请涉及推荐技术领域，具体而言，涉及一种搭建推荐服务的方法和系统。

背景技术：

随着互联网的迅速发展，网络信息量逐渐增加，用户在面对大量信息时很难从中获取到自己真正关注的信息，因此，随着网络信息的增加信息的获取效率反而变低，推荐系统能够帮助大家快速定位到自己关注的信息，因此，近年来，对推荐系统的研发越发受到相关人员的关注。

现有的推荐任务，针对不同的场景，预先准备大量样本数据，样本的收集需要耗费大量的时间，然后选择训练算法，最后再基于这些样本数据对算法进行训练，准备数据、选择算法以及训练算法需要花费很多的时间，特别是准备数据，使得推荐系统的搭建效率低下。

技术实现要素：

本申请实施例的目的在于提供一种搭建推荐服务的方法和系统，用以解决现有技术中存在的推荐系统搭建效率低下的技术问题。

第一方面，提供了一种搭建推荐服务的方法，包括：

根据目标场景，从物料库中获取所述目标场景对应的目标物料数据和从行为库中获取所述目标场景对应的目标行为数据；

从算法库中获取目标算法；

基于所述目标物料数据、所述目标行为数据和所述目标算法，得到目标推荐槽，以基于所述目标推荐槽中存储的物料数据、行为数据以及算法搭建所述目标场景对应的推荐服务。

上述搭建推荐服务的方法，由于预先构建了物料库、行为库以及算法库，因此，在需要针对某个应用场景搭建推荐服务的时候，可以直接从物料库、行为库以及算法库中获取到物料数据、行为数据以及算法，从而基于物料数据、行为数据以及算法得到目标推荐槽，实现推荐服务的搭建，由于不需要再花时间搜集该应用场景的物料数据、行为数据以及选择算法，因此，大大的降低了推荐服务的搭建时间，提高了推荐服务的搭建效率。

在一个实施例中，所述物料库中包括至少一个物料表，所述行为库中包括至少一个行为表；所述根据目标场景，从物料库中获取所述目标场景对应的目标物料数据和从行为库中获取所述目标场景对应的目标行为数据，包括：根据所述目标场景，从所述至少一个物料表中获取到所述目标场景对应的目标物料表；从所述目标物料表中获取到所述目标物料数据；根据所述目标物料表，从所述至少一个行为表中获取到所述目标物料表对应的目标行为表；从所述目标行为表中获取到所述目标行为数据。

上述实施例，考虑到虽然物料库中存储了各种应用场景的物料数据和行为数据，但是，如果这些数据随意存放，那么在需要获取某个场景的物料数据和行为数据时，也会花费一定的时间去找到这个场景的物料数据和行为数据，因此，提供一种查询目标场景对应的物料数据和行为数据的方法，该方法建立了场景与物料表的对应关系，根据该对应关系实现了物料表的快速查询，在从物料表中获取目标物料数据，提高了物料数据的获取效率。

在一个实施例中，所述算法库中包括多个算法；所述从算法库中获取目标算法，包括：根据所述目标场景，从所述多个算法中获取到所述目标场景对应的目标算法。

上述实施例，不同的算法可能适用于不同的应用场景，因此，针对不同的应用场景，选用更适用于该场景的算法，提高推荐服务的性能。

在一个实施例中，所述目标算法中包括多个算法；所述基于所述目标物料数据、所述目标行为数据和所述目标算法得到目标推荐槽，包括：基于所述目标物料数据、所述目标行为数据以及所述目标算法中的每个所述算法，搭建初步推荐槽；计算每个所述初步推荐槽的推荐性能得分；将推荐性能得分最高的初步推荐槽作为目标推荐槽。

上述实施例，针对某个应用场景构建多个推荐槽，然后再从中选择一个推荐槽作为目标推荐槽，从而得到某个场景下性能更好的推荐服务。

在一个实施例中，所述目标物料数据中包括多个物料训练数据和多个物料测试数据，所述目标行为数据中包括多个行为训练数据和多个行为测试数据；所述计算每个所述初步推荐槽的推荐性能得分，包括：基于所述初步推荐槽中的多个物料训练数据和多个行为训练数据，对所述初步推荐槽中的算法进行训练，得到初步算法；将所述初步推荐槽中的多个物料测试数据和多个行为测试数据输入所述初步推荐槽中的初步算法，得到测试行为物料表；获取真实行为物料表，所述真实行为物料表中记录了每个所述行为测试数据与所述每个物料测试数据之间真实的对应关系；根据所述真实行为物料表和所述测试行为物料表记载的对应关系，确定所述初步推荐槽的推荐性能得分。

上述实施例，将目标物料数据和目标行为数据划分为训练数据和测试数据，然后根据训练数据对初步推荐槽中的算法进行训练，根据测试数据来确定算法的性能，实现了算法的训练和测试。

在一个实施例中，所述对应关系包括正对应关系和负对应关系，所述正对应关系指示所述行为测试数据对应的预测结果为所述物料测试数据，所述负对应关系指示所述行为测试数据对应的预测结果不为所述物料测试数据；所述根据所述真实行为物料表和所述测试行为物料表记载的对应关系，确定所述初步推荐槽的推荐性能得分，包括：若所述真实行为物料表中记载的当前行为测试数据与当前物料测试数据的对应关系为正对应关系，并且，所述测试行为物料表中记载的所述当前行为测试数据与所述当前物料测试数据的对应关系为正对应关系，则将所述测试行为物料表中记载的所述当前行为测试数据与所述当前物料测试数据的对应关系标记为正确关系；若所述真实行为物料表中记载的当前行为测试数据与当前物料测试数据的对应关系为正对应关系，并且，所述测试行为物料表中记载的所述当前行为测试数据与所述当前物料测试数据的对应关系为负对应关系，则将所述测试行为物料表中记载的所述当前行为测试数据与所述当前物料测试数据的对应关系标记为正确错误关系；若所述真实行为物料表中记载的当前行为测试数据与当前物料测试数据的对应关系为负对应关系，并且，所述测试行为物料表中记载的所述当前行为测试数据与所述当前物料测试数据的对应关系为正对应关系，则将所述测试行为物料表中记载的所述当前行为测试数据与所述当前物料测试数据的对应关系标记为错误正确关系；基于所述测试行为物料表中标记的正确关系、正确错误关系以及错误正确关系的数量，得到所述初步推荐槽的推荐性能得分。

上述实施例，提供了一种高精度的推荐性能得分的方法，该方法综合考虑了测试行为物料表中的正确关系、正确错误关系以及错误正确关系的数量，比单纯考虑正确关系的方式，这样的方式得到的推荐性能得分将具有更好的准确率。

第二方面，提供了一种搭建推荐服务的系统，包括：

数据管理单元和推荐槽配置单元；

所述数据管理单元中设置有物料库、行为库以及算法库；

所述推荐槽配置单元用于配置推荐槽，所述推荐槽中包括物料槽、行为槽和算法槽，所述物料槽用于存放从所述物料库中获取到的物料数据，所述行为槽用于存放从所述行为库中的获取到的行为数据，所述算法槽用于存放从所述算法库中获取到的算法数据；

所述推荐槽配置单元用于根据目标场景，从所述物料库中获取所述目标场景对应的目标物料数据和从所述行为库中获取所述目标场景对应的目标行为数据；

所述推荐槽配置单元还用于从所述算法库中获取目标算法，基于所述目标物料数据、所述目标行为数据和所述目标算法，得到目标推荐槽，以基于所述目标推荐槽中存储的物料数据、行为数据以及算法搭建所述目标场景对应的推荐服务。

在一个实施例中，所述目标算法中包括多个算法；所述推荐槽配置单元还用于将所述目标物料数据、所述目标行为数据以及所述目标算法中的每个所述算法存入推荐槽的物料槽、行为槽以及算法槽中，得到初步推荐槽；所述推荐槽配置单元还用于计算每个所述初步推荐槽的推荐性能得分；所述推荐槽配置单元还用于将推荐性能得分最高的初步推荐槽作为目标推荐槽。

在一个实施例中，所述系统还包括可视化单元，所述可视化单元中设置有物料操作单元、行为操作单元以及算法操作单元；所述物料操作单元用于在检测到物料操作时，确定所述物料操作的操作类型，根据所述物料操作的类型执行相应的物料操作；所述行为操作单元用于在检测到行为操作时，确定所述行为操作的操作类型，根据所述行为操作的类型执行相应的行为操作；所述算法单元用于在检测到算法操作时候，确定所述算法操作的操作类型，根据所述算法操作的类型执行相应的算法操作。

在一个实施例中，所述系统还包括通信单元；所述通信单元用于获取所述目标场景对应的在线行为数据，将所述在线行为数据输入所述目标推荐槽；所述目标推荐槽还用于将所述在线行为数据和所述目标推荐槽中的物料数据作为所述目标推荐槽中的算法的输入，得到所述目标推荐槽中的算法输出的推荐物料数据，将所述推荐物料数据发送至所述通信单元；所述通信单元还用于反馈所述推荐物料数据。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的搭建推荐服务的方法的实现流程示意图；

图2为本申请实施例提供的目标行为数据和目标物料数据的对应关系的示意图；

图3为本申请实施例提供的测试行为物料表以及真实行为物料表的示意图；

图4为本申请实施例提供的搭建推荐服务的系统400的组成结构示意图；

图5为本申请实施例提供的可视化界面的示意图。

具体实施方式

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，所描述的实施例仅仅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。

本发明实施例所述的搭建推荐服务的方法的执行主体为能够实现本发明实施例所述的搭建推荐服务的方法的设备，该设备可以包括但不限于终端和服务器。其中，终端包括台式终端和移动终端，台式终端包括但不限于台式电脑和车载电脑；移动终端包括但不限于手机、平板、笔记本电脑和智能手表。服务器包括高性能计算机和高性能计算机集群。

图1为本申请实施例提供的搭建推荐服务的方法，包括：

步骤100，根据目标场景，从物料库中获取所述目标场景对应的目标物料数据和从行为库中获取所述目标场景对应的目标行为数据。

目标场景，为推荐服务需要应用的场景。例如，目标场景为：搞笑视频app对应的场景；再如，目标场景为：购物app场景。

物料库，存储了多种场景下的大量物料数据；行为库，存储了多种场景下的大量行为数据。其中，行为数据，指示用户行为；物料数据，为推荐服务基于用户行为的输出，即物料数据为推荐服务基于用户行为向用户推荐的信息，该信息可以是商品信息、视频信息以及文章信息等。

目标物料数据具体包括多个物料数据，目标行为数据具体包括多个行为数据。一个物料数据或行为数据中可能包括多个数据项，以视频场景为例，如表1(视频场景下的物料数据)和表2(视频场景下的行为数据)，提供一种物料数据和行为数据的示例，一个物料数据或行为数据中包括了5个数据项。

表1

表2

针对不同的应用场景，收集物料数据以及行为数据，例如，提供多个网络接口，通过这些网络接口进行物料数据以及行为数据的收集。

由于物料库和行为库中预先存储了多种场景下的物料数据和行为数据，因此，在需要搭建推荐服务的时候，可以直接根据应用场景，从物料库和行为库中获取到该应用场景对应的相关数据，大大省略了收集数据的时间，提高了搭建服务的效率。

步骤200，从算法库中获取目标算法。

目标算法，搭建目标场景对应的推荐服务需要用到的推荐算法。算法库中存储有多种推荐算法，在搭建推荐服务的时候，直接从算法库中获取到目标算法进行训练，减少了算法选择耗费的时间。目标算法可以一个算法，也可以是多个算法。

步骤300，基于所述目标物料数据、所述目标行为数据和所述目标算法，得到目标推荐槽，以基于所述目标推荐槽中存储的物料数据、行为数据以及算法搭建所述目标场景对应的推荐服务。

目标推荐槽，搭建目标场景对应的推荐服务需要用到的推荐槽。其中，推荐槽，用于存储物料数据、行为数据以及算法。推荐服务的搭建需要用到三个基本的单元：物料、行为和算法，因此，将物料、行为和算法集成于一推荐槽中，以便通过该推荐槽搭建好推荐服务。

可以理解的是，由于目标推荐槽中存储有物料数据、行为数据以及算法，因此，在得到了推荐服务的三个基本单元后，即在得到了推荐槽之后，可以基于这些物料数据以及行为数据对目标推荐槽中的算法进行训练，得到训练好的算法，由于目标推荐槽中的算法已经训练好，所以，推荐服务也就相应的搭建好了，此后，在需要执行推荐任务时，获取到在线行为数据，将该在线行为数据输入到目标推荐槽中，便可得到目标推荐槽中的算法输出的物料数据，将该物料数据反馈给用户即可完成推荐任务。

上述搭建推荐服务的方法，由于预先构建了物料库、行为库以及算法库，因此，在需要针对某个应用场景搭建推荐服务的时候，可以直接从物料库、行为库以及算法库中获取到物料数据、行为数据以及算法，从而基于物料数据、行为数据以及算法得到目标推荐槽，实现推荐服务的搭建，由于不需要再花时间搜集该应用场景的物料数据、行为数据以及选择算法，因此，大大的降低了推荐服务的搭建时间，提高了推荐服务的搭建效率。

在一个实施例中，考虑到虽然物料库中存储了各种应用场景的物料数据和行为数据，但是，如果这些数据随意存放，那么在需要获取某个场景的物料数据和行为数据时，也会花费一定的时间去找到这个场景的物料数据和行为数据，因此，提供一种查询目标场景对应的物料数据和行为数据的方法，该方法建立了场景与物料表的对应关系，根据该对应关系实现了物料表的快速查询，在从物料表中获取目标物料数据，提高了物料数据的获取效率。具体的，所述物料库中包括至少一个物料表，所述行为库中包括至少一个行为表；步骤100所述根据目标场景，从物料库中获取所述目标场景对应的目标物料数据和从行为库中获取所述目标场景对应的目标行为数据，包括：

步骤101，根据所述目标场景，从所述至少一个物料表中获取到所述目标场景对应的目标物料表。

物料表，用于存储某个应用场景下的多个物料数据，其中，多个是指两个或者两个以上。目标物料表，是存储目标场景下的物料数据的物料表。

示例性的，预先建立场景与物料表的对应关系，具体的，设置场景物料对照表，如表3所示，场景物料对照表中记录了场景和物料表的对应关系，可见，通过该对应关系，可以快速找到与目标场景对应的目标物料表，而物料表中存储了多个物料数据，因此，可以快速获取到目标物料数据。

表3

示例性的，物料表根据目标场景进行命名，例如，物料表命名方式为：场景-物料表，于是，针对视频场景，物料表命名为：视频-物料表；针对购物场景，物料表命名为：购物-物料表。可见，根据命名，可以从物料库中的多个物料表中快速找到目标场景对应的目标物料表。

步骤102，从所述目标物料表中获取到所述目标物料数据。

根据实际需求，可以将目标物料表中的全部物料数据作为目标物料数据，也可以将该目标物料表中的部分物料数据作为目标物料数据。

步骤103，根据所述目标物料表，从所述至少一个行为表中获取到所述目标物料表对应的目标行为表。

由于不同场景下的物料表可能有不同的行为，例如，视频场景下物料表对应的行为可能是暂停视频，购物场景下物料表对应的行为可能点击购买，因此，建立物料表与行为表的对应关系，从而根据物料表可以快速获取到行为表。例如，设置物料行为对照表，该物料行为对照表用于记录物料表和行为表的对应关系；再如，行为表根据物料表进行命名，具体的，物料表为：场景-物料表，行为表命名为：场景-物料行为表，例如，视频场景，物料表命名为：视频-物料表，行为表命名为：视频-物料行为表。

步骤104，从所述目标行为表中获取到所述目标行为数据。

根据实际需求，可以将目标行为表中的全部行为数据作为目标行为数据，也可以将该目标行为表中的部分行为数据作为目标行为数据。

在一个实施例中，不同的算法可能适用于不同的应用场景，因此，针对不同的应用场景，选用更适用于该场景的算法，提高推荐服务的性能。具体的，所述算法库中包括多个算法；步骤200所述从算法库中获取目标算法，包括：

根据所述目标场景，从所述多个算法中获取到所述目标场景对应的目标算法。

预先建立场景与算法的对应关系，从而根据该对应关系，能够从多个算法中快速获取到与目标场景对应的目标算法。例如，建立场景算法对照表，该场景算法对照表记录应用场景和算法的对应关系。

在一个实施例中，针对某个应用场景构建多个推荐槽，然后再从中选择一个推荐槽作为目标推荐槽，从而得到某个场景下性能更好的推荐服务。具体的，所述目标算法中包括多个算法；步骤300所述基于所述目标物料数据、所述目标行为数据和所述目标算法得到目标推荐槽，包括：

步骤301，基于所述目标物料数据、所述目标行为数据以及所述目标算法中的每个所述算法，搭建初步推荐槽。

针对目标场景，获取到多个算法，然后将目标物料数据、目标行为数据以及多个算法中的一个，存入初步推荐槽中的物料槽、行为槽以及算法槽，从而得到搭建好的初步推荐槽。因此，初步推荐槽的数量等于目标算法中所包含的算法的数量。

步骤302，计算每个所述初步推荐槽的推荐性能得分。

其中，推荐性能得分，指示通过该初步推荐槽得到的推荐服务的性能，推荐性能得分越高，说明推荐服务的推荐性能越好，推荐性能得分越低，说明推荐服务的推荐性能越差。

对每个初步推荐槽，将目标物料数据以及目标行为数据作为该初步推荐槽中的推荐算法的输入，得到该推荐算法的输出。其中，该推荐算法的输出为目标行为数据与目标物料数据的对应关系，该对应关系包括正对应关系和负对应关系，正对应关系指示某个行为数据对应的预测结果为某个物料数据，负对应关系指示某个行为数据对应的预测结果不为某个物料数据。如图2所示，一行指示某个目标行为数据与9个目标物料数据的对应关系，正对应关系用1表示，负对应关系用0表示。

示例性的，将预测正确的对应关系(包括预测正确的正对应关系和预测正确的负对应关系)的数量除以对应关系和(对应关系和为正对应关系和负对应关系的和)，得到初步推荐槽的推荐性能得分。如图2所示，假设打钩的为预测错误的对应关系，数量为7，正对应关系和负对应关系的和为9×9＝81，因此，预测正确的对应关系有74个，于是，推荐性能得分为：74/81。

步骤303，将推荐性能得分最高的初步推荐槽作为目标推荐槽。

推荐性能得分最高，说明该初步推荐槽搭建的推荐服务最好，因此，将该初步推荐槽作为目标推荐槽。

在一个实施例中，将目标物料数据和目标行为数据中的多个数据划分为训练数据和测试数据，然后根据训练数据对初步推荐槽中的算法进行训练，根据测试数据来确定算法的性能，实现了算法的训练和测试。具体的，所述目标物料数据中包括多个物料训练数据和多个物料测试数据，所述目标行为数据中包括多个行为训练数据和多个行为测试数据；步骤302所述计算每个所述初步推荐槽的推荐性能得分，包括：

步骤302a，基于所述初步推荐槽中的多个物料训练数据和多个行为训练数据，对所述初步推荐槽中的算法进行训练，得到初步算法。

将初步推荐槽中的多个物料训练数据和多个行为训练数据作为该初步推荐槽中的推荐算法的输入，对该推荐算法进行训练，将训练好的推荐算法作为初步算法。

步骤302b，将所述初步推荐槽中的多个物料测试数据和多个行为测试数据输入所述初步推荐槽中的初步算法，得到测试行为物料表。

测试行为物料表，是初步算法根据物料测试数据和行为测试数据输出的，反映了初步推荐槽中每个行为测试数据和每个物料测试数据的对应关系，由于该对应关系是初步算法输出的，所以，该对应关系并不是真实的对应关系，只是对对应关系的预测。

步骤302c，获取真实行为物料表，所述真实行为物料表中记录了每个所述行为测试数据与所述每个物料测试数据之间真实的对应关系。

示例性的，人工标注每个行为测试数据和每个物料测试数据之间的对应关系，得到真实行为物料表。

步骤302d，根据所述真实行为物料表和所述测试行为物料表记载的对应关系，确定所述初步推荐槽的推荐性能得分。

由于真实行为物料表记录了每个行为测试数据与每个物料测试数据之间真实的对应关系，因此，基于真实行为物料表，可以实现对初步推荐槽的推荐性能得分的计算。

在一个实施例中，提供了一种高精度的推荐性能得分的方法，该方法综合考虑了测试行为物料表中的正确关系、正确错误关系以及错误正确关系的数量，比单纯考虑正确关系的方式，这样的方式得到的推荐性能得分将具有更好的准确率。

具体的，所述对应关系包括正对应关系和负对应关系，所述正对应关系指示所述行为测试数据对应的预测结果为所述物料测试数据，所述负对应关系指示所述行为测试数据对应的预测结果不为所述物料测试数据。即当行为数据与物料数据的对应关系为正对应关系时，该行为数据对应的输出为该物料数据，为有这样行为的用户推荐该物料数据，当行为数据与物料数据的对应关系为负对应关系时，该行为数据对应的输出不为该物料数据，即不会为有这样行为的用户推荐该物料数据。

步骤302d所述根据所述真实行为物料表和所述测试行为物料表记载的对应关系，确定所述初步推荐槽的推荐性能得分，包括：

步骤302d1，若所述真实行为物料表中记载的当前行为测试数据与当前物料测试数据的对应关系为正对应关系，并且，所述测试行为物料表中记载的所述当前行为测试数据与所述当前物料测试数据的对应关系为正对应关系，则将所述测试行为物料表中记载的所述当前行为测试数据与所述当前物料测试数据的对应关系标记为正确关系。

当某个行为测试数据与某个物料测试数据之间的对应关系，在真实行为物料表和测试行为物料表中均为正对应关系时，认为推荐算法输出的推荐结果完全正确，于是，在测试行为物料表中，将该行为测试数据与该物料测试数据之间的对应关系标记为正确关系，如图3所示的tp。

步骤302d2，若所述真实行为物料表中记载的当前行为测试数据与当前物料测试数据的对应关系为正对应关系，并且，所述测试行为物料表中记载的所述当前行为测试数据与所述当前物料测试数据的对应关系为负对应关系，则将所述测试行为物料表中记载的所述当前行为测试数据与所述当前物料测试数据的对应关系标记为正确错误关系。

当某个行为测试数据与某个物料测试数据之间的对应关系，在真实行为物料表中为正对应关系，在测试行为物料表中为负对应关系时，认为推荐算法输出的推荐结果错误，于是，在测试行为物料表中，将该行为测试数据与该物料测试数据之间的对应关系标记为正确错误关系，如图3所示的fn。

步骤302d3，若所述真实行为物料表中记载的当前行为测试数据与当前物料测试数据的对应关系为负对应关系，并且，所述测试行为物料表中记载的所述当前行为测试数据与所述当前物料测试数据的对应关系为正对应关系，则将所述测试行为物料表中记载的所述当前行为测试数据与所述当前物料测试数据的对应关系标记为错误正确关系。

当某个行为测试数据与某个物料测试数据之间的对应关系，在真实行为物料表中为负对应关系，在测试行为物料表中为正对应关系时，认为推荐算法输出的推荐结果错误，于是，在测试行为物料表中，将该行为测试数据与该物料测试数据之间的对应关系标记为错误正确关系，如图3所示的fp。

步骤302d4，基于所述测试行为物料表中标记的正确关系、正确错误关系以及错误正确关系的数量，得到所述初步推荐槽的推荐性能得分。

根据所述测试行为物料表中标记的正确关系的数量和错误正确关系的数量，计算第一推荐性能得分。

第一推荐性能得分，反映了所有预测为正对应关系的对应关系中实际为正对应关系的概率，其中，预测为正对应关系的对应关系包括：正确关系和错误正确关系，实际为正对应关系的对应关系包括正确关系。例如，第一推荐得分p＝tp/(tp+fp)，其中，tp为正确关系，fp为错误正确关系。如图3所示，第一推荐性能得分为：6/(6+6)＝0.5。

根据所述测试行为物料表中标记的正确关系的数量和正确错误关系的数量，计算第二推荐性能得分。

第二推荐性能得分，反映了实际为正对应关系的对应关系中被预测为正对应关系的概率，其中，实际为正对应关系且被预测为正对应关系的对应关系包括正确关系，实际为正对应关系但被预测为负对应关系的对应关系包括正确错误关系。例如，第二推荐性能得分r＝tp/(tp+fn)，其中，tp为正确关系，fn为正确错误关系。如图3所示，第一推荐性能得分为：6/(6+4)＝0.6。

根据所述第一推荐性能得分和所述第二推荐性能得分，计算得到所述初步推荐槽的推荐性能得分。

初步推荐槽的推荐性能得分f综合衡量了第一推荐性能得分和第二推荐性能得分，使得推荐性能得分的计算更加的准确。示例性的,初步推荐槽的推荐性能得分f＝(2×p×r)/(p+r)。如图3所示，该初步推荐槽的推荐性能得分为：(2×0.5×0.6)/(0.5+0.6)＝0.545。

在一个实施例中，如图4所示，提供了一种搭建推荐服务的系统400，所述系统400包括：数据管理单元410和推荐槽配置单元420；

所述数据管理单元410中设置有物料库411、行为库412以及算法库413；

所述推荐槽配置单元420用于配置推荐槽421，所述推荐槽421中包括物料槽4211、行为槽4212和算法槽4213，所述物料槽41211用于存放从所述物料库411中获取到的物料数据，所述行为槽4212用于存放从所述行为库412中的获取到的行为数据，所述算法槽4213用于存放从所述算法库413中获取到的算法数据；

所述推荐槽配置单元420用于根据目标场景，从所述物料库411中获取所述目标场景对应的目标物料数据和从所述行为库412中获取所述目标场景对应的目标行为数据；

所述推荐槽配置单元420还用于从所述算法库413中获取目标算法，基于所述目标物料数据、所述目标行为数据和所述目标算法，得到目标推荐槽，以基于所述目标推荐槽中存储的物料数据、行为数据以及算法搭建所述目标场景对应的推荐服务。

上述搭建推荐服务的系统，由于预先构建了物料库、行为库以及算法库，因此，在需要针对某个应用场景搭建推荐服务的时候，可以直接从物料库、行为库以及算法库中获取到物料数据、行为数据以及算法，从而基于物料数据、行为数据以及算法得到目标推荐槽，实现推荐服务的搭建，由于不需要再花时间搜集该应用场景的物料数据、行为数据以及选择算法，因此，大大的降低了推荐服务的搭建时间，提高了推荐服务的搭建效率。

在一个实施例中，所述物料库中包括至少一个物料表，所述行为库中包括至少一个行为表；所述推荐槽配置单元420还用于根据所述目标场景，从所述至少一个物料表中获取到所述目标场景对应的目标物料表；从所述目标物料表中获取到所述目标物料数据；根据所述目标物料表，从所述至少一个行为表中获取到所述目标物料表对应的目标行为表；从所述目标行为表中获取到所述目标行为数据。

在一个实施例中，所述算法库中包括多个算法；所述推荐槽配置单元420还用于根据所述目标场景，从所述多个算法中获取到所述目标场景对应的目标算法。

在一个实施例，所述目标算法中包括多个算法；所述推荐槽配置单元420还用于将所述目标物料数据、所述目标行为数据以及所述目标算法中的每个所述算法存入推荐槽421的物料槽4211、行为槽4212以及算法槽4213中，得到初步推荐槽；所述推荐槽配置单元420还用于计算每个所述初步推荐槽的推荐性能得分；所述推荐槽配置单元420还用于将推荐性能得分最高的初步推荐槽作为目标推荐槽。

在一个实施例中，目标物料数据中包括多个物料训练数据和多个物料测试数据，所述目标行为数据中包括多个行为训练数据和多个行为测试数据；所述推荐槽配置单元420还用于基于所述初步推荐槽中的多个物料训练数据和多个行为训练数据，对所述初步推荐槽中的算法进行训练，得到初步算法；将所述初步推荐槽中的多个物料测试数据和多个行为测试数据输入所述初步推荐槽中的初步算法，得到测试行为物料表；获取真实行为物料表，所述真实行为物料表中记录了每个所述行为测试数据与所述每个物料测试数据之间真实的对应关系；根据所述真实行为物料表和所述测试行为物料表记载的对应关系，确定所述初步推荐槽的推荐性能得分。

在一个实施例中，所述对应关系包括正对应关系和负对应关系，所述正对应关系指示所述行为测试数据对应的预测结果为所述物料测试数据，所述负对应关系指示所述行为测试数据对应的预测结果不为所述物料测试数据；所述推荐槽配置单元420还用于若所述真实行为物料表中记载的当前行为测试数据与当前物料测试数据的对应关系为正对应关系，并且，所述测试行为物料表中记载的所述当前行为测试数据与所述当前物料测试数据的对应关系为正对应关系，则将所述测试行为物料表中记载的所述当前行为测试数据与所述当前物料测试数据的对应关系标记为正确关系；若所述真实行为物料表中记载的当前行为测试数据与当前物料测试数据的对应关系为正对应关系，并且，所述测试行为物料表中记载的所述当前行为测试数据与所述当前物料测试数据的对应关系为负对应关系，则将所述测试行为物料表中记载的所述当前行为测试数据与所述当前物料测试数据的对应关系标记为正确错误关系；若所述真实行为物料表中记载的当前行为测试数据与当前物料测试数据的对应关系为负对应关系，并且，所述测试行为物料表中记载的所述当前行为测试数据与所述当前物料测试数据的对应关系为正对应关系，则将所述测试行为物料表中记载的所述当前行为测试数据与所述当前物料测试数据的对应关系标记为错误正确关系；基于所述测试行为物料表中标记的正确关系、正确错误关系以及错误正确关系的数量，得到所述初步推荐槽的推荐性能得分。

在一个实施例中，所述系统400还包括可视化单元，所述可视化单元中设置有物料操作单元、行为操作单元以及算法操作单元；

所述物料操作单元用于在检测到物料操作时，确定所述物料操作的操作类型，根据所述物料操作的类型执行相应的物料操作；

所述行为操作单元用于在检测到行为操作时，确定所述行为操作的操作类型，根据所述行为操作的类型执行相应的行为操作；

所述算法单元用于在检测到算法操作时候，确定所述算法操作的操作类型，根据所述算法操作的类型执行相应的算法操作。

可视化单元中包括可视化界面，如图5所示的可视化界面，可视化界面中显示有三角形按钮、方形按钮、圆形按钮以及菱形按钮。物料操作单元、行为操作单元以及算法操作单元中均包括三角形按钮、方形按钮、圆形按钮以及菱形按钮。物料操作为针对物料操作单元中的三角形按钮、方形按钮、圆形按钮以及菱形按钮进行的操作；行为操作为针对行为操作单元中的三角形按钮、方形按钮、圆形按钮以及菱形按钮进行的操作；算法操作为针对算法操作单元中的三角形按钮、方形按钮、圆形按钮以及菱形按钮进行的操作。不同的按钮对应不同的操作类型，三角形按钮对应的操作类型为查看类型；方形按钮对应的操作类型为增加数据类型；圆形按钮对应的操作类型为删减数据类型；三角形按钮对应的操作类型为修改数据类型。当管理员点击某个库对应的三角形按钮时，可以进入该库查看数据；当管理员点击某个库对应的方形按钮时，可以进入该库增加数据；当管理员点击某个库对应的圆形按钮时，可以进入该库删减数据；当管理员点击某个库对应的三角形按钮时，可以进入该库修改数据。

在一个实施例中，不同的管理员有不同的权限，权限高的管理员可以针对三个库进行所有的操作，权限低的管理员只能进行部分操作，提高系统安全性。所述物料操作单元用于在检测到物料操作时，确定所述物料操作的操作类型和管理员的权限，根据所述物料操作的类型和所述管理员的权限判断是否执行相应的物料操作；所述行为操作单元用于在检测到行为操作时，确定所述行为操作的操作类型和所述管理员的权限，根据所述行为操作的类型和所述管理员的权限判断是否执行相应的行为操作；所述算法单元用于在检测到算法操作时候，确定所述算法操作的操作类型和所述管理员的权限，根据所述算法操作的类型和所述管理员的权限判断是否执行相应的算法操作。

在一个实施例中，在搭建好了推荐服务之后便可以获取到在线行为数据并基于在线行为数据进行反馈，让用户体验到该推荐服务。所述系统400还包括通信单元；

所述通信单元用于获取所述目标场景对应的在线行为数据，将所述在线行为数据输入所述目标推荐槽；

所述目标推荐槽还用于将所述在线行为数据和所述目标推荐槽中的物料数据作为所述目标推荐槽中的算法的输入，得到所述目标推荐槽中的算法输出的推荐物料数据，将所述推荐物料数据发送至所述通信单元；

所述通信单元还用于反馈所述推荐物料数据。

在线行为数据，为在发布推荐服务之后获取到的用户的行为数据；推荐物料数据，为基于在线行为数据得到的需要向用户推荐的物料数据，推荐物料数据，为目标推荐槽中的物料数据。

在一个实施例中，如果需要推荐的推荐物料数据太多，那么在反馈的时候，可以只反馈部分推荐物料数据。具体的，所述通信单元还用于当所述推荐物料数据的数量大于第一预设数量时，将第二预设数量的推荐物料数据进行反馈，所述第一预设数量大于所述第二预设数量。

在一个实施例中，推荐服务发布以后，用户可能对推荐的物品并不满意，此时，用户可以对其不满意的地方进行反馈，系统400在获取到推荐意见之后，基于一段时间的意见对推荐算法进行更新，以便更新后的推荐算法更加符合用户喜好。具体的，所述通信单元还用于获取推荐意见，所述推荐意见为用户对系统400推荐的推荐物料数据的意见；将所述推荐意见发送至所述目标推荐槽，以基于预设时间段获取到的推荐意见对所述目标推荐槽中的算法进行更新。

需要说明的是，上述搭建推荐服务的方法和搭建推荐服务的系统属于一个总的发明构思，搭建推荐服务的方法和搭建推荐服务的系统实施例中的内容可相互适用。在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。