本發(fā)明涉及計(jì)算機(jī)
技術(shù)領(lǐng)域：
，特別是涉及一種對(duì)象推薦方法和裝置、推薦信息處理方法和裝置。
背景技術(shù)：
：推薦對(duì)象是向用戶傳遞信息的一種重要方式，推薦的對(duì)象比如應(yīng)用程序、用戶或者商品等，可將推薦這些對(duì)象的推薦信息發(fā)送至用戶終端，由用戶終端對(duì)推薦信息進(jìn)行響應(yīng)。目前的對(duì)象推薦方法，一般是采用特定的評(píng)分算法計(jì)算出候選對(duì)象集合中的各個(gè)對(duì)象的分值，再根據(jù)分值從候選對(duì)象集合中選出一部分對(duì)象作為推薦結(jié)果。然而，目前的對(duì)象推薦方法，在計(jì)算分值時(shí)采用的評(píng)分算法不同，計(jì)算出的各個(gè)對(duì)象的分值也不同，計(jì)算出的各種分值的分布情況也不同，這樣不同評(píng)分算法下對(duì)象推薦的概率有一定差異，導(dǎo)致推薦結(jié)果不精準(zhǔn)，需要改進(jìn)。技術(shù)實(shí)現(xiàn)要素：基于此，有必要針對(duì)目前的對(duì)象推薦方法因計(jì)算分值時(shí)采用的評(píng)分算法不同而導(dǎo)致推薦結(jié)果不精準(zhǔn)的問(wèn)題，提供一種對(duì)象推薦方法和裝置、推薦信息處理方法和裝置。一種對(duì)象推薦方法，所述方法包括：獲取候選對(duì)象集合中各對(duì)象的原始分值；獲取當(dāng)前對(duì)象推薦場(chǎng)景下預(yù)設(shè)的目標(biāo)分值概率累積分布；根據(jù)所述目標(biāo)分值概率累積分布，將所述原始分值保序回歸映射為目標(biāo)分值；根據(jù)所述目標(biāo)分值從所述候選對(duì)象集合中挑選相應(yīng)的對(duì)象；推薦挑選出的所述對(duì)象。一種對(duì)象推薦裝置，所述裝置包括：原始分值獲取模塊，用于獲取候選對(duì)象集合中各對(duì)象的原始分值；目標(biāo)分值概率累積分布獲取模塊，用于獲取當(dāng)前對(duì)象推薦場(chǎng)景下預(yù)設(shè)的目標(biāo)分值概率累積分布；映射模塊，用于根據(jù)所述目標(biāo)分值概率累積分布，將所述原始分值保序回歸映射為目標(biāo)分值；挑選模塊，用于根據(jù)所述目標(biāo)分值從所述候選對(duì)象集合中挑選相應(yīng)的對(duì)象；推薦模塊，用于推薦挑選出的所述對(duì)象。一種推薦信息處理方法，所述方法包括：接收推薦對(duì)象的推薦信息；所述推薦信息是根據(jù)所述對(duì)象的目標(biāo)分值挑選出的，所述目標(biāo)分值是在對(duì)所述對(duì)象進(jìn)行評(píng)分而獲得原始分值后，根據(jù)當(dāng)前對(duì)象推薦場(chǎng)景下預(yù)設(shè)的目標(biāo)分值概率累積分布將所述原始分值保序回歸映射而成的；根據(jù)所述對(duì)象的目標(biāo)分值對(duì)所述推薦信息進(jìn)行排序；按照排序順序展示所述推薦信息。一種推薦信息處理裝置，所述裝置包括：推薦信息接收模塊，用于接收推薦對(duì)象的推薦信息；所述推薦信息是根據(jù)所述對(duì)象的目標(biāo)分值挑選出的，所述目標(biāo)分值是在對(duì)所述對(duì)象進(jìn)行評(píng)分而獲得原始分值后，根據(jù)當(dāng)前對(duì)象推薦場(chǎng)景下預(yù)設(shè)的目標(biāo)分值概率累積分布將所述原始分值保序回歸映射而成的；排序模塊，用于根據(jù)所述對(duì)象的目標(biāo)分值對(duì)所述推薦信息進(jìn)行排序；推薦信息展示模塊，用于按照排序順序展示所述推薦信息。上述對(duì)象推薦方法和裝置、推薦信息處理方法和裝置，將對(duì)象進(jìn)行評(píng)分獲得相應(yīng)的原始評(píng)分值，再按照當(dāng)前對(duì)象推薦場(chǎng)景下預(yù)設(shè)的目標(biāo)分值概率累積分布將原始評(píng)分值保序回歸映射到目標(biāo)分值，從而根據(jù)目標(biāo)分值來(lái)推薦相應(yīng)的對(duì)象。即使采用不同的評(píng)分算法來(lái)獲得原始分值，都可以保序映射到滿足目標(biāo)分值概率累積分布的目標(biāo)分值，這樣推薦對(duì)象所用的目標(biāo)分值的概率分布是準(zhǔn)確的，再根據(jù)目標(biāo)分值推薦對(duì)象的推薦結(jié)果也是精準(zhǔn)的。附圖說(shuō)明圖1為一個(gè)實(shí)施例中推薦系統(tǒng)的應(yīng)用環(huán)境圖；圖2為一個(gè)實(shí)施例中終端的內(nèi)部結(jié)構(gòu)示意圖；圖3為一個(gè)實(shí)施例中服務(wù)器的內(nèi)部結(jié)構(gòu)示意圖；圖4為一個(gè)實(shí)施例中對(duì)象推薦方法的流程示意圖；圖5為一個(gè)實(shí)施例中根據(jù)目標(biāo)分值概率累積分布，將原始分值保序回歸映射為目標(biāo)分值的步驟的流程示意圖；圖6為一個(gè)實(shí)施例中根據(jù)目標(biāo)分值概率累積分布，將原始分值概率累積值映射為與原始分值概率累積值匹配的目標(biāo)分值概率累積值的步驟的流程示意圖；圖7為一個(gè)實(shí)施例中通過(guò)gbdt算法獲得的原始分值概率累積分布曲線示意圖；圖8為一個(gè)實(shí)施例中映射獲得的原始分值的概率累積分布曲線示意圖；圖9為一個(gè)實(shí)施例中生成目標(biāo)分值概率累積分布的步驟的流程示意圖；圖10為另一個(gè)實(shí)施例中生成目標(biāo)分值概率累積分布的步驟的流程示意圖；圖11為一個(gè)實(shí)施例中校準(zhǔn)前的目標(biāo)分值概率密度曲線和校準(zhǔn)后的目標(biāo)分值概率密度曲線對(duì)比示意圖；圖12為一個(gè)實(shí)施例中推薦信息處理方法的流程示意圖；圖13為一個(gè)實(shí)施例中對(duì)象推薦裝置的結(jié)構(gòu)框圖；圖14為一個(gè)實(shí)施例中映射模塊的結(jié)構(gòu)框圖；圖15為另一個(gè)實(shí)施例中對(duì)象推薦裝置的結(jié)構(gòu)框圖；圖16為再一個(gè)實(shí)施例中對(duì)象推薦裝置的結(jié)構(gòu)框圖；圖17為一個(gè)實(shí)施例中推薦信息處理裝置的結(jié)構(gòu)框圖。具體實(shí)施方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。如圖1所示，在一個(gè)實(shí)施例中，提供了一種推薦系統(tǒng)，包括終端110和服務(wù)器120，其中終端110包括移動(dòng)終端、車載設(shè)備和個(gè)人計(jì)算機(jī)等，移動(dòng)終端包括手機(jī)、平板電腦、智能手表或者個(gè)人數(shù)字助理(pda)等中的至少一種。服務(wù)器120可以是獨(dú)立的物理服務(wù)器也可以是物理服務(wù)器集群。如圖2所示，在一個(gè)實(shí)施例中，提供了一種終端110，包括通過(guò)系統(tǒng)總線連接的處理器、非易失性存儲(chǔ)介質(zhì)、內(nèi)存儲(chǔ)器、網(wǎng)絡(luò)接口、顯示屏和輸入設(shè)備。其中處理器具有計(jì)算功能和控制終端110工作的功能，該處理器被配置為執(zhí)行一種推薦信息處理方法。非易失性存儲(chǔ)介質(zhì)包括磁存儲(chǔ)介質(zhì)、光存儲(chǔ)介質(zhì)和閃存式存儲(chǔ)介質(zhì)中的至少一種。非易失性存儲(chǔ)介質(zhì)存儲(chǔ)有操作系統(tǒng)，還存儲(chǔ)有推薦信息處理裝置。該推薦信息處理裝置用于實(shí)現(xiàn)一種推薦信息處理方法。網(wǎng)絡(luò)接口用于通過(guò)網(wǎng)絡(luò)連接到服務(wù)器120。輸入設(shè)備可以是物理按鍵或者與顯示屏重疊的觸控層，觸控層和顯示屏構(gòu)成觸控屏。如圖3所示，在一個(gè)實(shí)施例中，提供了一種服務(wù)器120，包括通過(guò)系統(tǒng)總線連接的處理器、非易失性存儲(chǔ)介質(zhì)、內(nèi)存儲(chǔ)器和網(wǎng)絡(luò)接口。其中處理器具有計(jì)算功能和控制服務(wù)器120工作的功能，該處理器被配置為執(zhí)行一種對(duì)象推薦方法。非易失性存儲(chǔ)介質(zhì)包括磁存儲(chǔ)介質(zhì)、光存儲(chǔ)介質(zhì)和閃存式存儲(chǔ)介質(zhì)中的至少一種。非易失性存儲(chǔ)介質(zhì)存儲(chǔ)有操作系統(tǒng)，還存儲(chǔ)有對(duì)象推薦裝置。該對(duì)象推薦裝置用于實(shí)現(xiàn)一種對(duì)象推薦方法。網(wǎng)絡(luò)接口用于通過(guò)網(wǎng)絡(luò)連接到終端110。如圖4所示，在一個(gè)實(shí)施例中，提供了一種對(duì)象推薦方法，本實(shí)施例以該方法應(yīng)用于上述圖3中的服務(wù)器120來(lái)舉例說(shuō)明。該方法具體包括如下步驟：步驟402，獲取候選對(duì)象集合中各對(duì)象的原始分值。其中，候選對(duì)象集合是若干可推薦的對(duì)象構(gòu)成的集合，候選對(duì)象集合中的對(duì)象可以用相應(yīng)的對(duì)象標(biāo)識(shí)來(lái)表示，對(duì)象標(biāo)識(shí)則是具有唯一性的字符串。候選對(duì)象集合中的對(duì)象具體可以是用戶、商品或者應(yīng)用程序等，商品比如虛擬商品或者實(shí)體商品等。服務(wù)器具體可獲取候選對(duì)象集合中各對(duì)象的多個(gè)維度的對(duì)象屬性，從而根據(jù)多個(gè)維度的對(duì)象屬性并通過(guò)第一評(píng)分算法進(jìn)行評(píng)分，獲得原始分值。比如服務(wù)器可獲取商品的售價(jià)、成交價(jià)、點(diǎn)擊次數(shù)、點(diǎn)擊率、成交次數(shù)以及轉(zhuǎn)化率等多個(gè)維度的商品屬性，并對(duì)每個(gè)維度的商品屬性進(jìn)行評(píng)分后加權(quán)求和獲得原始分值。原始分值是相對(duì)于下述的目標(biāo)分值而言，是映射獲得目標(biāo)分值前的分值。在一個(gè)實(shí)施例中，服務(wù)器具體可提取訓(xùn)練集中的樣本的特征，采用機(jī)器學(xué)習(xí)算法訓(xùn)練獲得預(yù)測(cè)模型，從而提取候選對(duì)象集合中各對(duì)象的特征并輸入到預(yù)測(cè)模型，從而預(yù)測(cè)出候選對(duì)象集合中各對(duì)象的原始分值。其中預(yù)測(cè)模型是將需預(yù)測(cè)分值的對(duì)象的特征映射為預(yù)測(cè)的分值的函數(shù)。采用的機(jī)器學(xué)習(xí)算法比如gbdt(gradientboostingdecisiontree，梯度提升決策樹(shù))算法、cart(classificationandregressiontrees，分類與回歸樹(shù))算法或者支持向量機(jī)算法等。步驟404，獲取當(dāng)前對(duì)象推薦場(chǎng)景下預(yù)設(shè)的目標(biāo)分值概率累積分布。具體地，服務(wù)器預(yù)先存儲(chǔ)有各種對(duì)象推薦場(chǎng)景對(duì)應(yīng)的目標(biāo)分值概率累積分布，從而在獲得原始分值后，獲取當(dāng)前對(duì)象推薦場(chǎng)景下的目標(biāo)分值概率累積分布。其中對(duì)象推薦場(chǎng)景是指推薦特定類型的對(duì)象的場(chǎng)景，比如推薦用戶的場(chǎng)景、推薦商品的場(chǎng)景或者推薦應(yīng)用程序的場(chǎng)景等。目標(biāo)分值是采用與當(dāng)前計(jì)算原始分值的機(jī)器學(xué)習(xí)算法不同的機(jī)器學(xué)習(xí)算法學(xué)習(xí)獲得的精確的分值，目標(biāo)分值概率累積分布是表示目標(biāo)分值概率累積值分布情況的數(shù)據(jù)。一個(gè)目標(biāo)分值對(duì)應(yīng)一個(gè)目標(biāo)分值概率累積值，該目標(biāo)分值概率累積值表示小于等于相應(yīng)的目標(biāo)分值的所有目標(biāo)分值占目標(biāo)分值集合中所有目標(biāo)分值的比例。目標(biāo)分值是離散的，概率累積分布可以用離散函數(shù)關(guān)系來(lái)表示，也可以用枚舉方式來(lái)表示。舉例說(shuō)明，假設(shè)目標(biāo)分值集合中的目標(biāo)分值按照升序依次為3，5，9和10，相應(yīng)的目標(biāo)分值相對(duì)于目標(biāo)分值集合的概率依次為0.2，0.4，0.2和0.2，則相應(yīng)的目標(biāo)分值概率累積值依次為0.2，0.6，0.8和1。步驟406，根據(jù)目標(biāo)分值概率累積分布，將原始分值保序回歸映射為目標(biāo)分值。具體地，保序是指原始分值被映射為目標(biāo)分值后，相應(yīng)的目標(biāo)分值保留原始分值的大小關(guān)系。比如原始分值a和b分別映射為目標(biāo)分值a和b，且a＜b，則a＜b?；貧w是指將原始分值通過(guò)某種映射后獲得的目標(biāo)分值的概率分布，與目標(biāo)分值概率累積分布對(duì)應(yīng)的目標(biāo)分值概率分布是基本一致的。在一個(gè)實(shí)施例中，服務(wù)器具體可將原始分值按照升序或者降序排序，進(jìn)而按照排序順序依次調(diào)整每個(gè)原始分值為相應(yīng)的目標(biāo)分值，使得目標(biāo)分值滿足目標(biāo)分值概率累積分布。步驟408，根據(jù)目標(biāo)分值從候選對(duì)象集合中挑選相應(yīng)的對(duì)象。具體地，服務(wù)器可根據(jù)需要設(shè)定合適的篩選條件，根據(jù)該篩選條件從候選對(duì)象集合中挑選對(duì)象，該篩選條件根據(jù)目標(biāo)分值進(jìn)行約束。篩選條件比如選擇具有大于預(yù)設(shè)值的目標(biāo)分值的對(duì)象，或者選擇目標(biāo)分值最大的預(yù)設(shè)數(shù)量的目標(biāo)分值對(duì)應(yīng)的對(duì)象，或者選擇與隨機(jī)生成的分值匹配的目標(biāo)分值對(duì)應(yīng)的對(duì)象等。步驟410，推薦挑選出的對(duì)象。具體地，服務(wù)器可生成推薦挑選出的對(duì)象的推薦信息，并將推薦信息推送到終端。推薦信息包括對(duì)象標(biāo)識(shí)，還可以包括對(duì)象描述文本和/或描述圖片，還可以包括每個(gè)挑選出的對(duì)象對(duì)應(yīng)的目標(biāo)分值。上述對(duì)象推薦方法，將對(duì)象進(jìn)行評(píng)分獲得相應(yīng)的原始評(píng)分值，再按照當(dāng)前對(duì)象推薦場(chǎng)景下預(yù)設(shè)的目標(biāo)分值概率累積分布將原始評(píng)分值保序回歸映射到目標(biāo)分值，從而根據(jù)目標(biāo)分值來(lái)推薦相應(yīng)的對(duì)象。即使采用不同的評(píng)分算法來(lái)獲得原始分值，都可以保序映射到滿足目標(biāo)分值概率累積分布的目標(biāo)分值，這樣推薦對(duì)象所用的目標(biāo)分值的概率分布是準(zhǔn)確的，再根據(jù)目標(biāo)分值推薦對(duì)象的推薦結(jié)果也是精準(zhǔn)的。如圖5所示，在一個(gè)實(shí)施例中，步驟406具體包括如下步驟：步驟502，將原始分值按照升序排序，根據(jù)排序結(jié)果獲得各原始分值對(duì)應(yīng)的原始分值概率累積值。其中，將原始分值按照升序排序是指將原始分值按照原始分值從小到大的順序排序。具體地，服務(wù)器在將原始分值按照升序排序后，遍歷排序結(jié)果中的原始分值，獲取當(dāng)前遍歷的原始分值對(duì)應(yīng)的概率值，從而將該排序結(jié)果中從首位開(kāi)始到當(dāng)前遍歷的原始分值的所有概率值相加，獲得當(dāng)前遍歷的原始分值對(duì)應(yīng)的原始分值概率累積值。舉例說(shuō)明，見(jiàn)表一：升序排序的原始分值原始分值概率累積值0.0010.00130.0020.00180.0040.00190.0060.0020......0.321上述表一中第一列是按照升序排序的原始分值，第二列則是第一列中原始分值對(duì)應(yīng)的原始分值概率累積值，每一行中的原始分值與原始分值概率累積值是一一對(duì)應(yīng)的，第二列的原始分值概率累積值表示小于等于第一列中相應(yīng)原始分值的原始分值占所有原始分值的占比。步驟504，根據(jù)目標(biāo)分值概率累積分布，將原始分值概率累積值映射為與原始分值概率累積值匹配的目標(biāo)分值概率累積值。具體地，服務(wù)器可根據(jù)目標(biāo)分值概率累積分布，遍歷原始分值概率累積值，為遍歷的原始分值概率累積值尋找相等或相近的目標(biāo)分值概率累積值，進(jìn)而將遍歷的原始分值映射為尋找到的目標(biāo)分值概率累積值。其中目標(biāo)分值概率累積值與原始分值概率累積值匹配是指目標(biāo)分值概率累積值與原始分值概率累積值滿足接近條件。服務(wù)器還可以通過(guò)插值為遍歷的原始分值概率累積值分配匹配的目標(biāo)分值概率累積值。步驟506，將原始分值映射為與目標(biāo)分值概率累積值對(duì)應(yīng)的目標(biāo)分值。具體地，目標(biāo)分值概率累積值是將目標(biāo)分值按照升序排序后生成的，目標(biāo)分值概率累積值與目標(biāo)分值具有一一對(duì)應(yīng)關(guān)系，服務(wù)器在映射獲得目標(biāo)分值概率累積值后，便可以將原始分值映射為該目標(biāo)分值概率累積值所對(duì)應(yīng)的目標(biāo)分值。本實(shí)施例中，原始分值經(jīng)過(guò)升序排序后，獲得的原始分值概率累積值均可以反映出小于等于當(dāng)前的原始分值的原始分值占所有原始分值的比例，目標(biāo)分值概率累積值也反映出小于等于相應(yīng)的目標(biāo)分值的目標(biāo)分值占所有目標(biāo)分值的比例。這樣將原始分值概率累積值和目標(biāo)分值概率累積值匹配后，將相應(yīng)的原始分值映射為相應(yīng)的目標(biāo)分值，便使得映射后的目標(biāo)分值既可以保留原始分值的大小關(guān)系，又可以滿足預(yù)設(shè)的目標(biāo)分值概率分布，而且計(jì)算量小。如圖6所示，在一個(gè)實(shí)施例中，步驟504具體包括如下步驟：步驟602，根據(jù)目標(biāo)分值概率累積分布，查找與原始分值概率累積值相等的目標(biāo)分值概率累積值；若查找到，則執(zhí)行步驟604；若未查找到，則執(zhí)行步驟606。目標(biāo)分值概率累積分布表示各種目標(biāo)分值出現(xiàn)的概率，服務(wù)器具體可將目標(biāo)分值概率累積分布所表示的各種目標(biāo)分值概率累積值按升序排序，在該排序結(jié)果中查找等于原始分值概率累積值的目標(biāo)分值概率累積值。步驟604，將原始分值概率累積值映射為查找到的目標(biāo)分值概率累積值。具體地，若能查找到與原始分值概率累積值相等的目標(biāo)分值概率累積值，說(shuō)明該查找到的目標(biāo)分值概率累積值對(duì)應(yīng)的目標(biāo)分值在整個(gè)目標(biāo)分值集合中的位置，與相應(yīng)的原始分值概率累積值對(duì)應(yīng)的原始分值在整個(gè)原始分值集合中的位置是相同的，將該原始分值概率累積值直接映射為查找到的目標(biāo)分值概率累積值，可實(shí)現(xiàn)保序回歸。舉例說(shuō)明，見(jiàn)表二：原始分值原始分值概率累積值目標(biāo)分值概率累積值目標(biāo)分值0.0010.00130.00120.000010.0020.00180.00150.000020.0040.00190.00150.000020.0060.00200.00200.00004............0.32110.05432上述表二中第三列的目標(biāo)分值概率累積值通過(guò)查表方式獲得，具體是根據(jù)目標(biāo)分值概率累積分布查找小于等于相應(yīng)的原始分值概率累積值的最大目標(biāo)分值概率累積值。第四列中的目標(biāo)分值與第三列中的目標(biāo)分值概率累積值是一一對(duì)應(yīng)關(guān)系。舉例說(shuō)明，上述表二中，原始分值概率累積值為0.0020時(shí)，可以查找到等于0.0020的目標(biāo)分值概率累積值，則將相應(yīng)的原始分值0.006映射為相應(yīng)的目標(biāo)分值0.00004。步驟606，將原始分值概率累積值映射為與原始分值概率累積值滿足接近條件的目標(biāo)分值概率累積值。具體地，服務(wù)器在無(wú)法查找到與原始分值概率累積值相等的目標(biāo)分值概率累積值時(shí)，可根據(jù)目標(biāo)分值概率累積分布，再查找與原始分值概率累積值接近的目標(biāo)分值概率累積值作為映射的目標(biāo)。在一個(gè)實(shí)施例中，步驟606包括：將原始分值概率累積值映射為與原始分值概率累積值最接近的目標(biāo)分值概率累積值。具體地，服務(wù)器可查找與原始分值概率累積值的差距最小的目標(biāo)分值概率累積值，并將原始分值概率累積值映射為該目標(biāo)分值概率累積值。在一個(gè)實(shí)施例中，步驟606包括：將原始分值概率累積值映射為小于原始分值概率累積值的最大目標(biāo)分值概率累積值。舉例說(shuō)明，上述表二中，原始分值概率累積值為0.0018時(shí)，不存在等于0.0018的目標(biāo)分值概率累積值，但可以查找到小于0.0018的最大目標(biāo)分值概率累積值為0.0015，則將相應(yīng)的原始分值0.002映射為相應(yīng)的目標(biāo)分值0.00002。還比如原始分值概率累積值為0.0019時(shí)，不存在等于0.0019的目標(biāo)分值概率累積值，但可以差值到小于0.0019的最大目標(biāo)分值概率累積值為0.0015，則將相應(yīng)的原始分值0.004映射為相應(yīng)的目標(biāo)分值0.00002?？梢钥闯?，原始分值0.0018和0.0019均映射為0.00002，但這種局部相等的情況并不影響整體上保留的原始分值的順序，仍然是保序回歸的。本實(shí)施例中若原始分值通過(guò)gbdt算法獲得，相應(yīng)的原始分值概率累積分布曲線如圖7所示，映射后的目標(biāo)分值的概率累積分布曲線則如圖8所示。圖7和圖8的縱坐標(biāo)均表示概率累積值，橫坐標(biāo)表示按升序排序的分值。在一個(gè)實(shí)施例中，步驟606包括：將原始分值概率累積值映射為大于原始分值概率累積值的最小目標(biāo)分值概率累積值。在一個(gè)實(shí)施例中，步驟606包括：獲取小于原始分值概率累積值的最大目標(biāo)分值概率累積值和大于原始分值概率累積值的最小目標(biāo)分值概率累積值間的平均值，將原始分值概率累積值映射為平均值。這里的平均值可以是算術(shù)平均值或者加權(quán)平均值，加權(quán)平均值的權(quán)重可根據(jù)需要設(shè)置。本實(shí)施例中，根據(jù)目標(biāo)分值概率累積分布，優(yōu)先查找與原始分值概率累積值相等的目標(biāo)分值概率累積值進(jìn)行映射，若未查找到則再查找與原始分值概率累積值接近的目標(biāo)分值概率累積值進(jìn)行映射?？梢砸暂^小的計(jì)算量達(dá)到較為精確的保序回歸的映射，簡(jiǎn)單、高效且準(zhǔn)確。在一個(gè)實(shí)施例中，目標(biāo)分值是根據(jù)預(yù)測(cè)模型對(duì)預(yù)測(cè)樣本集進(jìn)行概率預(yù)測(cè)獲得的概率值，且預(yù)測(cè)模型是根據(jù)訓(xùn)練樣本集并通過(guò)邏輯回歸(logisticregression，lr)算法進(jìn)行訓(xùn)練獲得的。本實(shí)施例中，將原始分值直接映射為概率值，在推薦對(duì)象時(shí)可直接根據(jù)概率值進(jìn)行推薦，避免了再將目標(biāo)分值映射為概率值的繁瑣過(guò)程。而采用邏輯回歸算法訓(xùn)練獲得的預(yù)測(cè)模型對(duì)預(yù)測(cè)樣本集進(jìn)行預(yù)測(cè)獲得的概率分布更接近真實(shí)的概率分布。如圖9所示，在一個(gè)實(shí)施例中，該對(duì)象推薦方法還包括生成目標(biāo)分值概率累積分布的步驟，具體包括如下步驟：步驟902，獲取當(dāng)前對(duì)象推薦場(chǎng)景下的全量訓(xùn)練樣本集和全量預(yù)測(cè)樣本集。具體地，服務(wù)器可將當(dāng)前對(duì)象推薦場(chǎng)景下的所有樣本分成兩部分，一部分作為全量訓(xùn)練樣本集，另一部分作為全量預(yù)測(cè)樣本集。全量訓(xùn)練樣本集包括正訓(xùn)練樣本和負(fù)訓(xùn)練樣本。步驟904，根據(jù)全量訓(xùn)練樣本集并通過(guò)邏輯回歸算法訓(xùn)練獲得預(yù)測(cè)模型。具體地，服務(wù)器可采用全量訓(xùn)練樣本集，將全量訓(xùn)練樣本集中的訓(xùn)練樣本提取特征后，根據(jù)提取的特征并通過(guò)邏輯回歸算法進(jìn)行訓(xùn)練，獲得預(yù)測(cè)模型。一般全量訓(xùn)練樣本集中訓(xùn)練樣本數(shù)量非常多，訓(xùn)練耗時(shí)長(zhǎng)，但訓(xùn)練獲得的預(yù)測(cè)模型預(yù)測(cè)的分值的概率分布很準(zhǔn)確。步驟906，根據(jù)預(yù)測(cè)模型對(duì)全量預(yù)測(cè)樣本集進(jìn)行分值預(yù)測(cè)，獲得目標(biāo)分值概率分布。具體地，服務(wù)器采用與提取訓(xùn)練樣本的特征相同的特征提取方式，從全量預(yù)測(cè)樣本中的所有預(yù)測(cè)樣本提取特征，并輸入到訓(xùn)練出的預(yù)測(cè)模型，獲得每個(gè)預(yù)測(cè)樣本的目標(biāo)分值，對(duì)預(yù)測(cè)出的目標(biāo)分值統(tǒng)計(jì)概率獲得目標(biāo)分值概率分布。步驟908，根據(jù)目標(biāo)分值概率分布獲得相應(yīng)的目標(biāo)分值概率累積分布。具體地，服務(wù)器在將目標(biāo)分值按照升序排序后，可遍歷排序結(jié)果中的目標(biāo)分值，獲取當(dāng)前遍歷的目標(biāo)分值對(duì)應(yīng)的概率值，從而將該排序結(jié)果中從首位開(kāi)始到當(dāng)前遍歷的目標(biāo)分值的所有概率值相加，獲得當(dāng)前遍歷的目標(biāo)分值對(duì)應(yīng)的目標(biāo)分值概率累積值，根據(jù)所有目標(biāo)分值對(duì)應(yīng)的目標(biāo)分值概率累積值構(gòu)成目標(biāo)分值概率分布。本實(shí)施例中，根據(jù)全量訓(xùn)練樣本集并通過(guò)邏輯回歸算法訓(xùn)練獲得預(yù)測(cè)模型，這樣訓(xùn)練出的預(yù)測(cè)模型預(yù)測(cè)出的分值接近真實(shí)概率分布，在推薦對(duì)象時(shí)推薦結(jié)果將更為準(zhǔn)確。如圖10所示，在一個(gè)實(shí)施例中，該對(duì)象推薦方法還包括生成目標(biāo)分值概率累積分布的步驟，具體包括如下步驟：步驟1002，獲取當(dāng)前對(duì)象推薦場(chǎng)景下的全量訓(xùn)練樣本集和全量預(yù)測(cè)樣本集。步驟1004，對(duì)全量訓(xùn)練樣本集進(jìn)行均勻采樣，根據(jù)采樣獲得的訓(xùn)練樣本并通過(guò)邏輯回歸算法訓(xùn)練獲得預(yù)測(cè)模型。在一個(gè)實(shí)施例中，步驟1004包括：對(duì)全量訓(xùn)練樣本集中的全量負(fù)訓(xùn)練樣本進(jìn)行均勻采樣，根據(jù)全量訓(xùn)練樣本集中的全量正訓(xùn)練樣本和采樣獲得的負(fù)訓(xùn)練樣本并通過(guò)邏輯回歸算法訓(xùn)練獲得預(yù)測(cè)模型。全量訓(xùn)練樣本集中負(fù)訓(xùn)練樣本的數(shù)量遠(yuǎn)大于正訓(xùn)練樣本的數(shù)量，僅保留全量正訓(xùn)練樣本可保證訓(xùn)練出的預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確性，而且對(duì)全量負(fù)訓(xùn)練樣本進(jìn)行均勻采樣可提高訓(xùn)練效率。比如全量訓(xùn)練樣本集中訓(xùn)練樣本總數(shù)為1億，其中正訓(xùn)練樣本100萬(wàn)，負(fù)訓(xùn)練樣本9900萬(wàn)。如果把所有訓(xùn)練樣本都用來(lái)訓(xùn)練預(yù)測(cè)模型，對(duì)計(jì)算能力的要求會(huì)比較高。因此對(duì)正訓(xùn)練樣本全保留，對(duì)負(fù)訓(xùn)練樣本按10％的比例來(lái)均勻采樣，也就是從9900萬(wàn)負(fù)訓(xùn)練樣本里面按照一定規(guī)則來(lái)抽取990萬(wàn)條訓(xùn)練樣本。在一個(gè)實(shí)施例中，步驟1004包括：對(duì)全量訓(xùn)練樣本集中的全量正訓(xùn)練樣本和全量負(fù)訓(xùn)練樣本分別按照不同的采樣率進(jìn)行均勻采樣，根據(jù)采樣獲得的正訓(xùn)練樣本和負(fù)訓(xùn)練樣本并通過(guò)邏輯回歸算法訓(xùn)練獲得預(yù)測(cè)模型。在訓(xùn)練樣本集非常龐大時(shí)可分別將全量正訓(xùn)練樣本和全量負(fù)訓(xùn)練樣本進(jìn)行均勻采樣，來(lái)提高訓(xùn)練效率。步驟1006，對(duì)預(yù)測(cè)模型進(jìn)行校準(zhǔn)。在一個(gè)實(shí)施例中，若全量正訓(xùn)練樣本被保留，全量負(fù)訓(xùn)練樣本按照預(yù)設(shè)采樣率r進(jìn)行均勻采樣。則在對(duì)預(yù)測(cè)模型進(jìn)行校準(zhǔn)時(shí)，可將預(yù)測(cè)模型修改為其中xi為輸入的特征，wi為特征的權(quán)重，k和c為常數(shù)參數(shù)，r為負(fù)訓(xùn)練樣本的采樣率，y為預(yù)測(cè)的中間分值。在一個(gè)實(shí)施例中，可對(duì)預(yù)測(cè)模型的邏輯函數(shù)進(jìn)行修改來(lái)實(shí)現(xiàn)預(yù)測(cè)模型的校準(zhǔn)。具體原本的邏輯函數(shù)為p＝1/(1+e-y)，修改后的邏輯函數(shù)為p’＝p/(p+(1-p)/r)，其中y為預(yù)測(cè)的中間分值，通過(guò)修改后的邏輯函數(shù)p’輸出目標(biāo)分值。步驟1008，根據(jù)校準(zhǔn)的預(yù)測(cè)模型對(duì)全量預(yù)測(cè)樣本集進(jìn)行分值預(yù)測(cè)，獲得目標(biāo)分值概率分布。步驟1010，根據(jù)目標(biāo)分值概率分布獲得相應(yīng)的目標(biāo)分值概率累積分布。本實(shí)施例中，通過(guò)對(duì)全量訓(xùn)練樣本集進(jìn)行均勻采樣提高了訓(xùn)練效率，并通過(guò)對(duì)預(yù)測(cè)模型的校準(zhǔn)使得最終預(yù)測(cè)獲得的目標(biāo)分值概率分布符合真實(shí)的概率分布。參照?qǐng)D11，曲線1是校準(zhǔn)前的目標(biāo)分值概率密度曲線，曲線2是校準(zhǔn)后的目標(biāo)分值概率密度曲線，曲線2更符合真實(shí)的目標(biāo)分值概率分布。圖11中橫坐標(biāo)為目標(biāo)分值的取值，縱坐標(biāo)為相應(yīng)的概率值。如圖12所示，在一個(gè)實(shí)施例中，提供了一種推薦信息處理方法，本實(shí)施例以該方法應(yīng)用于上述圖1和圖2中的終端110來(lái)舉例說(shuō)明。該方法具體包括如下步驟：步驟1202，接收推薦對(duì)象的推薦信息；推薦信息是根據(jù)對(duì)象的目標(biāo)分值挑選出的，目標(biāo)分值是在對(duì)對(duì)象進(jìn)行評(píng)分而獲得原始分值后，根據(jù)當(dāng)前對(duì)象推薦場(chǎng)景下預(yù)設(shè)的目標(biāo)分值概率累積分布將原始分值保序回歸映射而成的。具體地，服務(wù)器可獲取候選對(duì)象集合中各對(duì)象的原始分值；獲取當(dāng)前對(duì)象推薦場(chǎng)景下預(yù)設(shè)的目標(biāo)分值概率累積分布；根據(jù)目標(biāo)分值概率累積分布，將原始分值保序回歸映射為目標(biāo)分值；根據(jù)目標(biāo)分值從候選對(duì)象集合中挑選相應(yīng)的對(duì)象；向終端發(fā)送推薦挑選出的對(duì)象的推薦信息。推薦信息包括對(duì)象標(biāo)識(shí)，還可以包括對(duì)象描述文本和/或描述圖片，還可以包括每個(gè)挑選出的對(duì)象對(duì)應(yīng)的目標(biāo)分值。在一個(gè)實(shí)施例中，服務(wù)器可將原始分值按照升序排序，根據(jù)排序結(jié)果獲得各原始分值對(duì)應(yīng)的原始分值概率累積值；根據(jù)目標(biāo)分值概率累積分布，將原始分值概率累積值映射為與原始分值概率累積值匹配的目標(biāo)分值概率累積值；將原始分值映射為與目標(biāo)分值概率累積值對(duì)應(yīng)的目標(biāo)分值。在一個(gè)實(shí)施例中，服務(wù)器可根據(jù)目標(biāo)分值概率累積分布，查找與原始分值概率累積值相等的目標(biāo)分值概率累積值；若查找到，則將原始分值概率累積值映射為查找到的目標(biāo)分值概率累積值；若未查找到，則將原始分值概率累積值映射為查找到的目標(biāo)分值概率累積值。在一個(gè)實(shí)施例中，服務(wù)器若未查找到，則可將原始分值概率累積值映射為與原始分值概率累積值最接近的目標(biāo)分值概率累積值；或者，將原始分值概率累積值映射為小于原始分值概率累積值的最大目標(biāo)分值概率累積值；或者，將原始分值概率累積值映射為大于原始分值概率累積值的最小目標(biāo)分值概率累積值；或者，獲取小于原始分值概率累積值的最大目標(biāo)分值概率累積值和大于原始分值概率累積值的最小目標(biāo)分值概率累積值間的平均值，將原始分值概率累積值映射為平均值。在一個(gè)實(shí)施例中，目標(biāo)分值是根據(jù)預(yù)測(cè)模型對(duì)預(yù)測(cè)樣本集進(jìn)行概率預(yù)測(cè)獲得的概率值，且預(yù)測(cè)模型是根據(jù)訓(xùn)練樣本集并通過(guò)邏輯回歸算法進(jìn)行訓(xùn)練獲得的。在一個(gè)實(shí)施例中，服務(wù)器可獲取當(dāng)前對(duì)象推薦場(chǎng)景下的全量訓(xùn)練樣本集和全量預(yù)測(cè)樣本集；根據(jù)全量訓(xùn)練樣本集并通過(guò)邏輯回歸算法訓(xùn)練獲得預(yù)測(cè)模型；根據(jù)預(yù)測(cè)模型對(duì)全量預(yù)測(cè)樣本集進(jìn)行分值預(yù)測(cè)，獲得目標(biāo)分值概率分布；根據(jù)目標(biāo)分值概率分布獲得相應(yīng)的目標(biāo)分值概率累積分布。在一個(gè)實(shí)施例中，服務(wù)器可獲取當(dāng)前對(duì)象推薦場(chǎng)景下的全量訓(xùn)練樣本集和全量預(yù)測(cè)樣本集；對(duì)全量訓(xùn)練樣本集進(jìn)行均勻采樣，根據(jù)采樣獲得的訓(xùn)練樣本并通過(guò)邏輯回歸算法訓(xùn)練獲得預(yù)測(cè)模型；對(duì)預(yù)測(cè)模型進(jìn)行校準(zhǔn)；根據(jù)校準(zhǔn)的預(yù)測(cè)模型對(duì)全量預(yù)測(cè)樣本集進(jìn)行分值預(yù)測(cè)，獲得目標(biāo)分值概率分布；根據(jù)目標(biāo)分值概率分布獲得相應(yīng)的目標(biāo)分值概率累積分布。步驟1204，根據(jù)對(duì)象的目標(biāo)分值對(duì)推薦信息進(jìn)行排序。步驟1206，按照排序順序展示推薦信息。具體地，終端可按照目標(biāo)分值從大到小的順序?qū)ο鄳?yīng)的推薦信息進(jìn)行排序，并根據(jù)排序順序，將推薦信息按照相應(yīng)的目標(biāo)分值從大到小的順序進(jìn)行展示。終端還可以獲取對(duì)展示的推薦信息的操作指令，根據(jù)操作指令對(duì)推薦信息進(jìn)行響應(yīng)。比如若對(duì)象為用戶，則終端可向服務(wù)器發(fā)起加好友請(qǐng)求；若對(duì)象為商品，則終端可向服務(wù)器發(fā)起商品購(gòu)買請(qǐng)求；若對(duì)象為應(yīng)用程序，則終端可向服務(wù)器發(fā)起應(yīng)用程序下載請(qǐng)求等。上述推薦信息處理方法，將對(duì)象進(jìn)行評(píng)分獲得相應(yīng)的原始評(píng)分值，再按照當(dāng)前對(duì)象推薦場(chǎng)景下預(yù)設(shè)的目標(biāo)分值概率累積分布將原始評(píng)分值保序回歸映射到目標(biāo)分值，從而根據(jù)目標(biāo)分值來(lái)推薦相應(yīng)的對(duì)象。即使采用不同的評(píng)分算法來(lái)獲得原始分值，都可以保序映射到滿足目標(biāo)分值概率累積分布的目標(biāo)分值，這樣推薦對(duì)象所用的目標(biāo)分值的概率分布是準(zhǔn)確的，再根據(jù)目標(biāo)分值推薦對(duì)象的推薦結(jié)果也是精準(zhǔn)的。如圖13所示，在一個(gè)實(shí)施例中，提供了一種對(duì)象推薦裝置1300，包括原始分值獲取模塊1301、目標(biāo)分值概率累積分布獲取模塊1302、映射模塊1303、挑選模塊1304和推薦模塊1305。原始分值獲取模塊1301，用于獲取候選對(duì)象集合中各對(duì)象的原始分值。目標(biāo)分值概率累積分布獲取模塊1302，用于獲取當(dāng)前對(duì)象推薦場(chǎng)景下預(yù)設(shè)的目標(biāo)分值概率累積分布。映射模塊1303，用于根據(jù)目標(biāo)分值概率累積分布，將原始分值保序回歸映射為目標(biāo)分值。挑選模塊1304，用于根據(jù)目標(biāo)分值從候選對(duì)象集合中挑選相應(yīng)的對(duì)象。推薦模塊1305，用于推薦挑選出的對(duì)象。上述對(duì)象推薦裝置1300，將對(duì)象進(jìn)行評(píng)分獲得相應(yīng)的原始評(píng)分值，再按照當(dāng)前對(duì)象推薦場(chǎng)景下預(yù)設(shè)的目標(biāo)分值概率累積分布將原始評(píng)分值保序回歸映射到目標(biāo)分值，從而根據(jù)目標(biāo)分值來(lái)推薦相應(yīng)的對(duì)象。即使采用不同的評(píng)分算法來(lái)獲得原始分值，都可以保序映射到滿足目標(biāo)分值概率累積分布的目標(biāo)分值，這樣推薦對(duì)象所用的目標(biāo)分值的概率分布是準(zhǔn)確的，再根據(jù)目標(biāo)分值推薦對(duì)象的推薦結(jié)果也是精準(zhǔn)的。如圖14所示，在一個(gè)實(shí)施例中，映射模塊1303包括：原始分值概率累積值獲取模塊1303a、概率累積值映射模塊1303b和分值映射模塊1303c。原始分值概率累積值獲取模塊1303a，用于將原始分值按照升序排序，根據(jù)排序結(jié)果獲得各原始分值對(duì)應(yīng)的原始分值概率累積值。概率累積值映射模塊1303b，用于根據(jù)目標(biāo)分值概率累積分布，將原始分值概率累積值映射為與原始分值概率累積值匹配的目標(biāo)分值概率累積值。分值映射模塊1303c，用于將原始分值映射為與目標(biāo)分值概率累積值對(duì)應(yīng)的目標(biāo)分值。本實(shí)施例中，原始分值經(jīng)過(guò)升序排序后，獲得的原始分值概率累積值均可以反映出小于等于當(dāng)前的原始分值的原始分值占所有原始分值的比例，目標(biāo)分值概率累積值也反映出小于等于相應(yīng)的目標(biāo)分值的目標(biāo)分值占所有目標(biāo)分值的比例。這樣將原始分值概率累積值和目標(biāo)分值概率累積值匹配后，將相應(yīng)的原始分值映射為相應(yīng)的目標(biāo)分值，便使得映射后的目標(biāo)分值既可以保留原始分值的大小關(guān)系，又可以滿足預(yù)設(shè)的目標(biāo)分值概率分布，而且計(jì)算量小。在一個(gè)實(shí)施例中，概率累積值映射模塊1303b具體用于根據(jù)目標(biāo)分值概率累積分布，查找與原始分值概率累積值相等的目標(biāo)分值概率累積值；若查找到，則將原始分值概率累積值映射為查找到的目標(biāo)分值概率累積值；若未查找到，則將原始分值概率累積值映射為與原始分值概率累積值最接近的目標(biāo)分值概率累積值；或者，將原始分值概率累積值映射為小于原始分值概率累積值的最大目標(biāo)分值概率累積值；或者，將原始分值概率累積值映射為大于原始分值概率累積值的最小目標(biāo)分值概率累積值；或者，獲取小于原始分值概率累積值的最大目標(biāo)分值概率累積值和大于原始分值概率累積值的最小目標(biāo)分值概率累積值間的平均值，將原始分值概率累積值映射為平均值。本實(shí)施例中，根據(jù)目標(biāo)分值概率累積分布，優(yōu)先查找與原始分值概率累積值相等的目標(biāo)分值概率累積值進(jìn)行映射，若未查找到則再查找與原始分值概率累積值接近的目標(biāo)分值概率累積值進(jìn)行映射?？梢砸暂^小的計(jì)算量達(dá)到較為精確的保序回歸的映射，簡(jiǎn)單、高效且準(zhǔn)確。在一個(gè)實(shí)施例中，目標(biāo)分值是根據(jù)預(yù)測(cè)模型對(duì)預(yù)測(cè)樣本集進(jìn)行概率預(yù)測(cè)獲得的概率值，且預(yù)測(cè)模型是根據(jù)訓(xùn)練樣本集并通過(guò)邏輯回歸算法進(jìn)行訓(xùn)練獲得的。如圖15所示，在一個(gè)實(shí)施例中，對(duì)象推薦裝置1300還包括：全量訓(xùn)練樣本集獲取模塊1306、訓(xùn)練模塊1307、預(yù)測(cè)模塊1308和概率累積分布生成模塊1309。全量訓(xùn)練樣本集獲取模塊1306，用于獲取當(dāng)前對(duì)象推薦場(chǎng)景下的全量訓(xùn)練樣本集和全量預(yù)測(cè)樣本集。訓(xùn)練模塊1307，用于根據(jù)全量訓(xùn)練樣本集并通過(guò)邏輯回歸算法訓(xùn)練獲得預(yù)測(cè)模型。預(yù)測(cè)模塊1308，用于根據(jù)預(yù)測(cè)模型對(duì)全量預(yù)測(cè)樣本集進(jìn)行分值預(yù)測(cè)，獲得目標(biāo)分值概率分布。概率累積分布生成模塊1309，用于根據(jù)目標(biāo)分值概率分布獲得相應(yīng)的目標(biāo)分值概率累積分布。本實(shí)施例中，根據(jù)全量訓(xùn)練樣本集并通過(guò)邏輯回歸算法訓(xùn)練獲得預(yù)測(cè)模型，這樣訓(xùn)練出的預(yù)測(cè)模型預(yù)測(cè)出的分值接近真實(shí)概率分布，在推薦對(duì)象時(shí)推薦結(jié)果將更為準(zhǔn)確。如圖16所示，在一個(gè)實(shí)施例中，對(duì)象推薦裝置1300還包括：全量訓(xùn)練樣本集獲取模塊1306、訓(xùn)練模塊1307、預(yù)測(cè)模塊1308、概率累積分布生成模塊1309和校準(zhǔn)模塊1310。全量訓(xùn)練樣本集獲取模塊1306，用于獲取當(dāng)前對(duì)象推薦場(chǎng)景下的全量訓(xùn)練樣本集和全量預(yù)測(cè)樣本集。訓(xùn)練模塊1307，用于對(duì)全量訓(xùn)練樣本集進(jìn)行均勻采樣，根據(jù)采樣獲得的訓(xùn)練樣本并通過(guò)邏輯回歸算法訓(xùn)練獲得預(yù)測(cè)模型。校準(zhǔn)模塊1310，對(duì)預(yù)測(cè)模型進(jìn)行校準(zhǔn)。預(yù)測(cè)模塊1308，用于根據(jù)校準(zhǔn)的預(yù)測(cè)模型對(duì)全量預(yù)測(cè)樣本集進(jìn)行分值預(yù)測(cè)，獲得目標(biāo)分值概率分布。概率累積分布生成模塊1309，用于根據(jù)目標(biāo)分值概率分布獲得相應(yīng)的目標(biāo)分值概率累積分布。本實(shí)施例中，通過(guò)對(duì)全量訓(xùn)練樣本集進(jìn)行均勻采樣提高了訓(xùn)練效率，并通過(guò)對(duì)預(yù)測(cè)模型的校準(zhǔn)使得最終預(yù)測(cè)獲得的目標(biāo)分值概率分布符合真實(shí)的概率分布。在一個(gè)實(shí)施例中，訓(xùn)練模塊1307具體用于對(duì)全量訓(xùn)練樣本集中的全量負(fù)訓(xùn)練樣本進(jìn)行均勻采樣，根據(jù)全量訓(xùn)練樣本集中的全量正訓(xùn)練樣本和采樣獲得的負(fù)訓(xùn)練樣本并通過(guò)邏輯回歸算法訓(xùn)練獲得預(yù)測(cè)模型。如圖17所示，在一個(gè)實(shí)施例中，提供了一種推薦信息處理裝置1700，包括：推薦信息接收模塊1701、排序模塊1702和推薦信息展示模塊1703。推薦信息接收模塊1701，用于接收推薦對(duì)象的推薦信息；推薦信息是根據(jù)對(duì)象的目標(biāo)分值挑選出的，目標(biāo)分值是在對(duì)對(duì)象進(jìn)行評(píng)分而獲得原始分值后，根據(jù)當(dāng)前對(duì)象推薦場(chǎng)景下預(yù)設(shè)的目標(biāo)分值概率累積分布將原始分值保序回歸映射而成的。排序模塊1702，用于根據(jù)對(duì)象的目標(biāo)分值對(duì)推薦信息進(jìn)行排序。推薦信息展示模塊1703，用于按照排序順序展示推薦信息。上述推薦信息處理裝置1700，將對(duì)象進(jìn)行評(píng)分獲得相應(yīng)的原始評(píng)分值，再按照當(dāng)前對(duì)象推薦場(chǎng)景下預(yù)設(shè)的目標(biāo)分值概率累積分布將原始評(píng)分值保序回歸映射到目標(biāo)分值，從而根據(jù)目標(biāo)分值來(lái)推薦相應(yīng)的對(duì)象。即使采用不同的評(píng)分算法來(lái)獲得原始分值，都可以保序映射到滿足目標(biāo)分值概率累積分布的目標(biāo)分值，這樣推薦對(duì)象所用的目標(biāo)分值的概率分布是準(zhǔn)確的，再根據(jù)目標(biāo)分值推薦對(duì)象的推薦結(jié)果也是精準(zhǔn)的。在一個(gè)實(shí)施例中，目標(biāo)分值是根據(jù)預(yù)測(cè)模型對(duì)預(yù)測(cè)樣本集進(jìn)行概率預(yù)測(cè)獲得的概率值，且預(yù)測(cè)模型是根據(jù)訓(xùn)練樣本集并通過(guò)邏輯回歸算法進(jìn)行訓(xùn)練獲得的。本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例方法中的全部或部分流程，是可以通過(guò)計(jì)算機(jī)程序來(lái)指令相關(guān)的硬件來(lái)完成，該計(jì)算機(jī)程序可存儲(chǔ)于一計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中，該程序在執(zhí)行時(shí)，可包括如上述各方法的實(shí)施例的流程。其中，前述的存儲(chǔ)介質(zhì)可為磁碟、光盤、只讀存儲(chǔ)記憶體(read-onlymemory，rom)等非易失性存儲(chǔ)介質(zhì)，或隨機(jī)存儲(chǔ)記憶體(randomaccessmemory，ram)等。以上實(shí)施例的各技術(shù)特征可以進(jìn)行任意的組合，為使描述簡(jiǎn)潔，未對(duì)上述實(shí)施例中的各個(gè)技術(shù)特征所有可能的組合都進(jìn)行描述，然而，只要這些技術(shù)特征的組合不存在矛盾，都應(yīng)當(dāng)認(rèn)為是本說(shuō)明書(shū)記載的范圍。以上實(shí)施例僅表達(dá)了本發(fā)明的幾種實(shí)施方式，其描述較為具體和詳細(xì)，但并不能因此而理解為對(duì)發(fā)明專利范圍的限制。應(yīng)當(dāng)指出的是，對(duì)于本領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)，這些都屬于本發(fā)明的保護(hù)范圍。因此，本發(fā)明專利的保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。當(dāng)前第1頁(yè)12