一種推薦結果生成方法以及裝置制造方法及圖紙

本發明專利技術實施例公開了一種推薦結果生成方法以及裝置，可以使推薦結果更加準確。本發明專利技術實施例方法包括：獲取用戶在至少2種應用平臺上的行為記錄；根據行為記錄生成用戶特征，獲取目標應用平臺的業務的屬性特征；根據所述用戶特征以及所述屬性特征生成聯合特征；根據所述聯合特征生成樣本集；根據所述樣本集得到邏輯回歸模型；根據所述邏輯回歸模型計算待推薦業務的概率，所述待推薦業務為所述目標應用平臺上的待推薦業務；根據所述待推薦業務的概率大小生成推薦結果。

Method and device for generating recommendation result

The embodiment of the invention discloses a method and a device for generating a recommendation result, which can make the recommendation result more accurate. The method comprises the following steps of: acquiring user in at least 2 applications on the platform behavior records; records generated according to the behavior of user characteristics, characteristics of target application platform business; according to the characteristics of users and the feature generation feature; according to the joint characteristics of the generated sample set; according to the the sample set of logistic regression model; according to the probability to calculate the recommended business logic regression model, the recommendation service for the target application platform to recommend business; according to the probability of generating the recommended size business recommendation.

【技術實現步驟摘要】
一種推薦結果生成方法以及裝置
本專利技術涉及計算機
，尤其涉及一種推薦結果生成方法以及裝置。
技術介紹
隨著互聯網的飛速發展，互聯網上的信息每年都在以幾何級數增長。如何在這個海量信息庫中精確獲取所需信息已成為人們越來越關注的問題。個性化推薦系統就是在這個背景下應運而生，并且迅速發展起來。目前推薦系統推薦方法大都是基于設備上的應用所確定，如視頻應用中，推薦系統會根據用戶的觀看記錄，即會根據之前的觀看記錄來確定用戶可能會喜歡看的視頻，進而向客戶推薦視頻。但是當碰到用戶冷啟動的問題時，也即當用戶在該視頻應用上的行為數據很少或沒有時，就很難找到符合用戶“口味”的電影，或推薦結果不準確。
技術實現思路
本專利技術實施例提供了一種推薦結果生成方法以及裝置，用于使得推薦結果更加準確。有鑒于此，本專利技術實施例第一方面提出了一種推薦結果生成方法，該推薦結果生成方法主要包括以下流程：獲取用戶在至少2種應用平臺上的行為記錄；根據所述行為記錄生成用戶特征；獲取目標應用平臺的目標業務的屬性特征，所述目標業務為所述用戶使用過的業務；根據所述用戶特征以及所述屬性特征生成聯合特征；根據所述聯合特征生成樣本集；根據所述樣本集得到邏輯回歸模型；根據所述邏輯回歸模型計算待推薦業務的概率，所述待推薦業務為所述目標應用平臺上的待推薦業務；根據所述待推薦業務的概率大小生成推薦結果。在一些可能的實現中，所述獲取用戶在至少2種應用平臺上的行為記錄包括：獲取預置時段內所述用戶在所述至少2種應用平臺上的行為記錄。在一些可能的實現中，所述根據所述樣本集得到邏輯回歸模型，包括：從所述樣本集中按照預置比例抽取出正、負樣本構成訓練樣本集；對所述訓練樣本集進行訓練得到所述邏輯回歸模型。在一些可能的實現中，所述對所述訓練樣本集進行訓練得到所述邏輯回歸模型，包括：構造如下對數損失函數：其中，x(i)為所述訓練樣本集中的第i個樣本，所述m為訓練樣本數目，根據梯度下降法計算出θ，令θ＝β，獲得所述邏輯回歸模型：其中，βTx＝β1·x1+β2·x2+...+βk·xk，β＝(β1，β2...βk)為所述邏輯回歸模型參數，P'為所述待推薦業務的概率。在一些可能的實現中，其特征在于，所述至少2種應用平臺包含所述目標應用平臺。基于上述第一方面的方法，本專利技術實施例第二方面提供了一種推薦結果生成裝置，該裝置包括：第一獲取模塊，用于獲取用戶在至少2種應用平臺上的行為記錄；第一生成模塊，用于根據所述第一獲取模塊獲取的所述行為記錄生成用戶特征；第二獲取模塊，用于獲取目標應用平臺的目標業務的屬性特征，所述目標業務為所述用戶使用過的業務；第二生成模塊，用于根據所述第一生成模塊生成的所述用戶特征以及所述第一生成模塊生成的所述屬性特征生成聯合特征；第三生成模塊，用于根據所述第二生成模塊生成的所述聯合特征生成樣本集；獲得模塊，用于根據所述第三生成模塊生成的所述樣本集得到邏輯回歸模型；計算模塊，用于根據所述獲得模塊獲得的所述邏輯回歸模型計算待推薦業務的概率，所述待推薦業務為所述目標應用平臺上的待推薦業務；第四生成模塊，用于根據所述計算模塊計算到的所述待推薦業務的概率大小生成推薦結果。在一種可能的實現中，所述第一獲取模塊具體用于：獲取預置時段內所述用戶在所述至少2種應用平臺上的行為記錄。在一種可能的實現中，所述獲得模塊包括：抽取單元，用于從所述樣本集中按照預置比例抽取出正、負樣本構成訓練樣本集；訓練單元，用于對所述訓練樣本集進行訓練得到所述邏輯回歸模型。在一種可能的實現中，所述訓練單元具體用于：構造如下對數損失函數：其中，x(i)為所述訓練樣本集中的第i個樣本，所述m為訓練樣本數目，根據梯度下降法計算出θ，令θ＝β，獲得所述邏輯回歸模型：其中，βTx＝β1·x1+β2·x2+...+βk·xk，β＝(β1，β2...βk)為所述邏輯回歸模型參數，P'為所述待推薦業務的概率。在一種可能的實現中，所述至少2種應用平臺包含所述目標應用平臺。從以上技術方案可以看出，本專利技術實施例提供了一種推薦結果生成方法以及裝置，通過獲取用戶在至少2種應用平臺上的行為記錄，根據行為記錄生成用戶特征，獲取目標應用平臺的業務的屬性特征，根據用戶特征以及屬性特征生成聯合特征，根據聯合特征生成樣本集，根據樣本集得到邏輯回歸模型，根據邏輯回歸模型計算待推薦業務的概率，待推薦業務為目標應用平臺上的業務；根據待推薦業務的概率大小生成推薦結果。即在本專利技術實施例中，在為用戶推薦業務時，通過獲取用戶在多個應用平臺上的行為記錄，結合交叉用戶在多個應用平臺下的行為記錄所對應的用戶特征為用戶推薦業務，而不是單靠用戶在單個應用平臺上的行為記錄，提供更多應用平臺上用戶的行為記錄，使得推薦結果更加準確。附圖說明為了更清楚地說明本專利技術實施例技術方案，下面將對實施例和現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本專利技術的一些實施例，對于本領域普通技術人員來講，還可以根據這些附圖獲得其它的附圖。圖1為本專利技術實施例一種推薦結果生成方法一個實施例流程示意圖；圖2為本專利技術實施例一種推薦結果生成裝置一個實施例結構示意圖；圖3為本專利技術實施例一種推薦結果生成裝置一個實施例結構示意圖。具體實施方式為了使本
的人員更好地理解本專利技術方案，下面將結合本專利技術實施例中的附圖，對本專利技術實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本專利技術一部分的實施例，而不是全部的實施例。本領域普通技術人員在基于本專利技術中的實施例的前提下所獲得的所有其他實施例，都應當屬于本專利技術保護的范圍。本專利技術的說明書和權利要求書及上述附圖中的術語“第一”、“第二”、“第三”、“第四”等(如果存在)是用于區別類似的對象，而不必用于描述特定的順序或先后次序。應該理解這樣使用的數據在適當情況下可以互換，以便這里描述的實施例能夠以除了在這里圖示或描述的內容以外的順序實施。此外，術語“包括”和以及他們的任何變形，意圖在于覆蓋不排他的包含，例如，包含了一系列步驟或單元的過程、方法、系統、產品或設備不必限于清楚地列出的那些步驟或單元，而是可包括沒有清楚地列出的或對于這些過程、方法、產品或設備固有的其它步驟或單元。本專利技術實施例提供了一種推薦結果生成方法以及裝置，通過結合用戶在多個應用平臺下的行為記為用戶推薦業務，可以使得推薦結果更加準確。本專利技術實施例提出的一種推薦結果生成方法以及裝置適用于各種各樣的推薦系統中，尤其適用于當前的電子商務平臺上的推薦系統，例如一些購物網站、在線閱讀網站、電影網站等需要向客戶推薦業務的平臺上，具體此處不做限定。下面通過實施例對本專利技術實施例一種推薦結果生成方法進行詳細的描述：請參閱圖1，圖1為本專利技術實施例一種推薦結果生成方法一個實施例流程示意圖，包括：101、獲取用戶在至少2種應用平臺上的行為記錄。以手機為例，一般用戶會在手機上安裝有各種各樣的APP(應用程序)，例如視頻APP、音樂APP、閱讀APP等應用平臺。在本專利技術實施例中，當用戶當前使用某個應用平臺時，某個應用平臺上的推薦系統需要向用戶推薦當前應用平臺的業務時，例如當用戶使用視頻APP時，推薦系統需要向用戶推薦視頻時，推薦系統可以獲取用戶在至少2個應用平臺上的行為記錄。例如獲取用戶在視頻APP本文檔來自技高網...

【技術保護點】
一種推薦結果生成方法，其特征在于，包括：獲取用戶在至少2種應用平臺上的行為記錄；根據所述行為記錄生成用戶特征；獲取目標應用平臺的目標業務的屬性特征，所述目標業務為所述用戶使用過的業務；根據所述用戶特征以及所述屬性特征生成聯合特征；根據所述聯合特征生成樣本集；根據所述樣本集得到邏輯回歸模型；根據所述邏輯回歸模型計算待推薦業務的概率，所述待推薦業務為所述目標應用平臺上的待推薦業務；根據所述待推薦業務的概率大小生成推薦結果。

【技術特征摘要】
1.一種推薦結果生成方法，其特征在于，包括：獲取用戶在至少2種應用平臺上的行為記錄；根據所述行為記錄生成用戶特征；獲取目標應用平臺的目標業務的屬性特征，所述目標業務為所述用戶使用過的業務；根據所述用戶特征以及所述屬性特征生成聯合特征；根據所述聯合特征生成樣本集；根據所述樣本集得到邏輯回歸模型；根據所述邏輯回歸模型計算待推薦業務的概率，所述待推薦業務為所述目標應用平臺上的待推薦業務；根據所述待推薦業務的概率大小生成推薦結果。2.根據權利要求1所述的方法，其特征在于，所述獲取用戶在至少2種應用平臺上的行為記錄包括：獲取預置時段內所述用戶在所述至少2種應用平臺上的行為記錄。3.根據權利要求2所述的方法，其特征在于，所述根據所述樣本集得到邏輯回歸模型，包括：從所述樣本集中按照預置比例抽取出正、負樣本構成訓練樣本集；對所述訓練樣本集進行訓練得到所述邏輯回歸模型。4.根據權利要求3所述的方法，其特征在于，所述對所述訓練樣本集進行訓練得到所述邏輯回歸模型，包括：構造如下對數損失函數：其中，x(i)為所述訓練樣本集中的第i個樣本，所述m為訓練樣本數目，根據梯度下降法計算出θ，令θ＝β，獲得所述邏輯回歸模型：其中，βTx＝β1·x1+β2·x2+...+βk·xk，β＝(β1，β2...βk)為所述邏輯回歸模型參數，P'為所述待推薦業務的概率。5.根據權利要求1至4中任一項所述的方法，其特征在于，所述至少2種應用平臺包含所述目標應用平臺。6.一種推薦結果生成裝置，其特征在于，包括：第一獲取模塊，用于獲取用戶在至少2種應用平臺上的行為記錄；第一生成模塊，用于根據所...

【專利技術屬性】
技術研發人員：譚領城，
申請(專利權)人：珠海市魅族科技有限公司，
類型：發明
國別省市：廣東,44