一种推荐结果生成方法以及装置制造方法及图纸

本发明专利技术实施例公开了一种推荐结果生成方法以及装置，可以使推荐结果更加准确。本发明专利技术实施例方法包括：获取用户在至少2种应用平台上的行为记录；根据行为记录生成用户特征，获取目标应用平台的业务的属性特征；根据所述用户特征以及所述属性特征生成联合特征；根据所述联合特征生成样本集；根据所述样本集得到逻辑回归模型；根据所述逻辑回归模型计算待推荐业务的概率，所述待推荐业务为所述目标应用平台上的待推荐业务；根据所述待推荐业务的概率大小生成推荐结果。

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.

【技术实现步骤摘要】
一种推荐结果生成方法以及装置
本专利技术涉及计算机
，尤其涉及一种推荐结果生成方法以及装置。
技术介绍
随着互联网的飞速发展，互联网上的信息每年都在以几何级数增长。如何在这个海量信息库中精确获取所需信息已成为人们越来越关注的问题。个性化推荐系统就是在这个背景下应运而生，并且迅速发展起来。目前推荐系统推荐方法大都是基于设备上的应用所确定，如视频应用中，推荐系统会根据用户的观看记录，即会根据之前的观看记录来确定用户可能会喜欢看的视频，进而向客户推荐视频。但是当碰到用户冷启动的问题时，也即当用户在该视频应用上的行为数据很少或没有时，就很难找到符合用户“口味”的电影，或推荐结果不准确。
技术实现思路
本专利技术实施例提供了一种推荐结果生成方法以及装置，用于使得推荐结果更加准确。有鉴于此，本专利技术实施例第一方面提出了一种推荐结果生成方法，该推荐结果生成方法主要包括以下流程：获取用户在至少2种应用平台上的行为记录；根据所述行为记录生成用户特征；获取目标应用平台的目标业务的属性特征，所述目标业务为所述用户使用过的业务；根据所述用户特征以及所述属性特征生成联合特征；根据所述联合特征生成样本集；根据所述样本集得到逻辑回归模型；根据所述逻辑回归模型计算待推荐业务的概率，所述待推荐业务为所述目标应用平台上的待推荐业务；根据所述待推荐业务的概率大小生成推荐结果。在一些可能的实现中，所述获取用户在至少2种应用平台上的行为记录包括：获取预置时段内所述用户在所述至少2种应用平台上的行为记录。在一些可能的实现中，所述根据所述样本集得到逻辑回归模型，包括：从所述样本集中按照预置比例抽取出正、负样本构成训练样本集；对所述训练样本集进行训练得到所述逻辑回归模型。在一些可能的实现中，所述对所述训练样本集进行训练得到所述逻辑回归模型，包括：构造如下对数损失函数：其中，x(i)为所述训练样本集中的第i个样本，所述m为训练样本数目，根据梯度下降法计算出θ，令θ＝β，获得所述逻辑回归模型：其中，βTx＝β1·x1+β2·x2+...+βk·xk，β＝(β1，β2...βk)为所述逻辑回归模型参数，P'为所述待推荐业务的概率。在一些可能的实现中，其特征在于，所述至少2种应用平台包含所述目标应用平台。基于上述第一方面的方法，本专利技术实施例第二方面提供了一种推荐结果生成装置，该装置包括：第一获取模块，用于获取用户在至少2种应用平台上的行为记录；第一生成模块，用于根据所述第一获取模块获取的所述行为记录生成用户特征；第二获取模块，用于获取目标应用平台的目标业务的属性特征，所述目标业务为所述用户使用过的业务；第二生成模块，用于根据所述第一生成模块生成的所述用户特征以及所述第一生成模块生成的所述属性特征生成联合特征；第三生成模块，用于根据所述第二生成模块生成的所述联合特征生成样本集；获得模块，用于根据所述第三生成模块生成的所述样本集得到逻辑回归模型；计算模块，用于根据所述获得模块获得的所述逻辑回归模型计算待推荐业务的概率，所述待推荐业务为所述目标应用平台上的待推荐业务；第四生成模块，用于根据所述计算模块计算到的所述待推荐业务的概率大小生成推荐结果。在一种可能的实现中，所述第一获取模块具体用于：获取预置时段内所述用户在所述至少2种应用平台上的行为记录。在一种可能的实现中，所述获得模块包括：抽取单元，用于从所述样本集中按照预置比例抽取出正、负样本构成训练样本集；训练单元，用于对所述训练样本集进行训练得到所述逻辑回归模型。在一种可能的实现中，所述训练单元具体用于：构造如下对数损失函数：其中，x(i)为所述训练样本集中的第i个样本，所述m为训练样本数目，根据梯度下降法计算出θ，令θ＝β，获得所述逻辑回归模型：其中，βTx＝β1·x1+β2·x2+...+βk·xk，β＝(β1，β2...βk)为所述逻辑回归模型参数，P'为所述待推荐业务的概率。在一种可能的实现中，所述至少2种应用平台包含所述目标应用平台。从以上技术方案可以看出，本专利技术实施例提供了一种推荐结果生成方法以及装置，通过获取用户在至少2种应用平台上的行为记录，根据行为记录生成用户特征，获取目标应用平台的业务的属性特征，根据用户特征以及属性特征生成联合特征，根据联合特征生成样本集，根据样本集得到逻辑回归模型，根据逻辑回归模型计算待推荐业务的概率，待推荐业务为目标应用平台上的业务；根据待推荐业务的概率大小生成推荐结果。即在本专利技术实施例中，在为用户推荐业务时，通过获取用户在多个应用平台上的行为记录，结合交叉用户在多个应用平台下的行为记录所对应的用户特征为用户推荐业务，而不是单靠用户在单个应用平台上的行为记录，提供更多应用平台上用户的行为记录，使得推荐结果更加准确。附图说明为了更清楚地说明本专利技术实施例技术方案，下面将对实施例和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专利技术的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其它的附图。图1为本专利技术实施例一种推荐结果生成方法一个实施例流程示意图；图2为本专利技术实施例一种推荐结果生成装置一个实施例结构示意图；图3为本专利技术实施例一种推荐结果生成装置一个实施例结构示意图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分的实施例，而不是全部的实施例。本领域普通技术人员在基于本专利技术中的实施例的前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。本专利技术实施例提供了一种推荐结果生成方法以及装置，通过结合用户在多个应用平台下的行为记为用户推荐业务，可以使得推荐结果更加准确。本专利技术实施例提出的一种推荐结果生成方法以及装置适用于各种各样的推荐系统中，尤其适用于当前的电子商务平台上的推荐系统，例如一些购物网站、在线阅读网站、电影网站等需要向客户推荐业务的平台上，具体此处不做限定。下面通过实施例对本专利技术实施例一种推荐结果生成方法进行详细的描述：请参阅图1，图1为本专利技术实施例一种推荐结果生成方法一个实施例流程示意图，包括：101、获取用户在至少2种应用平台上的行为记录。以手机为例，一般用户会在手机上安装有各种各样的APP(应用程序)，例如视频APP、音乐APP、阅读APP等应用平台。在本专利技术实施例中，当用户当前使用某个应用平台时，某个应用平台上的推荐系统需要向用户推荐当前应用平台的业务时，例如当用户使用视频APP时，推荐系统需要向用户推荐视频时，推荐系统可以获取用户在至少2个应用平台上的行为记录。例如获取用户在视频APP本文档来自技高网...

【技术保护点】
一种推荐结果生成方法，其特征在于，包括：获取用户在至少2种应用平台上的行为记录；根据所述行为记录生成用户特征；获取目标应用平台的目标业务的属性特征，所述目标业务为所述用户使用过的业务；根据所述用户特征以及所述属性特征生成联合特征；根据所述联合特征生成样本集；根据所述样本集得到逻辑回归模型；根据所述逻辑回归模型计算待推荐业务的概率，所述待推荐业务为所述目标应用平台上的待推荐业务；根据所述待推荐业务的概率大小生成推荐结果。

【技术特征摘要】
1.一种推荐结果生成方法，其特征在于，包括：获取用户在至少2种应用平台上的行为记录；根据所述行为记录生成用户特征；获取目标应用平台的目标业务的属性特征，所述目标业务为所述用户使用过的业务；根据所述用户特征以及所述属性特征生成联合特征；根据所述联合特征生成样本集；根据所述样本集得到逻辑回归模型；根据所述逻辑回归模型计算待推荐业务的概率，所述待推荐业务为所述目标应用平台上的待推荐业务；根据所述待推荐业务的概率大小生成推荐结果。2.根据权利要求1所述的方法，其特征在于，所述获取用户在至少2种应用平台上的行为记录包括：获取预置时段内所述用户在所述至少2种应用平台上的行为记录。3.根据权利要求2所述的方法，其特征在于，所述根据所述样本集得到逻辑回归模型，包括：从所述样本集中按照预置比例抽取出正、负样本构成训练样本集；对所述训练样本集进行训练得到所述逻辑回归模型。4.根据权利要求3所述的方法，其特征在于，所述对所述训练样本集进行训练得到所述逻辑回归模型，包括：构造如下对数损失函数：其中，x(i)为所述训练样本集中的第i个样本，所述m为训练样本数目，根据梯度下降法计算出θ，令θ＝β，获得所述逻辑回归模型：其中，βTx＝β1·x1+β2·x2+...+βk·xk，β＝(β1，β2...βk)为所述逻辑回归模型参数，P'为所述待推荐业务的概率。5.根据权利要求1至4中任一项所述的方法，其特征在于，所述至少2种应用平台包含所述目标应用平台。6.一种推荐结果生成装置，其特征在于，包括：第一获取模块，用于获取用户在至少2种应用平台上的行为记录；第一生成模块，用于根据所...

【专利技术属性】
技术研发人员：谭领城，
申请(专利权)人：珠海市魅族科技有限公司，
类型：发明
国别省市：广东,44