信息推荐方法、装置和存储介质制造方法及图纸

本发明专利技术实施例公开了一种信息推荐方法、装置和存储介质；本发明专利技术实施例可以获取待预测用户的用户特征信息、以及目标游戏的游戏特征信息，将用户特征信息和游戏特征信息进行融合，再通过多标签深度森林模型中的多个集成树模型层依次对待预测用户针对目标游戏的注册行为进行预测，得到每一集成树模型层对应的注册概率集合，在当前集成树模型层为最后一层时，从当前集成树模型层的注册概率集合中选取待预测用户注册目标游戏的注册概率最大值，得到待预测用户对目标游戏的注册概率，再根据该注册概率对该待预测用户进行游戏推荐。该方案可以有效地提高预测用户注册游戏行为的覆盖率，进而提高信息推荐效率。

【技术实现步骤摘要】
信息推荐方法、装置和存储介质
本专利技术涉及通信
，具体涉及一种信息推荐方法、装置和存储介质。
技术介绍
随着互联网技术的蓬勃发展，各种手机游戏、客户端游戏开始不断的丰富着人们的日常生活。很多游戏厂商想要从自己海量的游戏中，针对不同的用户推荐他感兴趣并可能注册预测体验的多款游戏。多标签深度森林模型(Multi-LabelLearningwithDeepForest，MLDF)，是近年来提出的一种可以替代传统的神经网络多标签模型的方法。该模型是一个多层模型，每一层由若干的传统的集成树模型构成，最后通过层级的不断加深，实现更加准确的标签输出。但是在真实的游戏注册业务中，这种方法存在着输出少标签甚至无标签的结果。这主要是因为用户游戏注册的场景，存在极高的稀疏性，也就是用于针对海量的游戏可能只有几个游戏注册，从而达不到有效的标签预测结果。
技术实现思路
本专利技术实施例提供一种信息推荐方法、装置和存储介质，可以有效地提高预测用户注册游戏行为的覆盖率。本专利技术实施例提供一种信息推荐方法，包括：获取待预测本文档来自技高网...

【技术保护点】
1.一种信息推荐方法，其特征在于，包括：/n获取待预测用户的用户特征信息、以及目标游戏的游戏特征信息；/n将所述用户特征信息和所述游戏特征信息进行融合，得到原始特征信息；/n基于所述原始特征信息，通过多标签深度森林模型中的多个集成树模型层依次对所述待预测用户针对所述目标游戏的注册行为进行预测，得到每一集成树模型层对应的注册概率集合；/n在当前集成树模型层为所述多标签深度森林模型中最后一层时，从所述当前集成树模型层的注册概率集合中选取所述待预测用户注册所述目标游戏的注册概率最大值，得到所述待预测用户对所述目标游戏的注册概率；/n根据所述待预测用户对所述目标游戏的注册概率对所述待预测用户进行游戏推...

【技术特征摘要】
1.一种信息推荐方法，其特征在于，包括：
获取待预测用户的用户特征信息、以及目标游戏的游戏特征信息；
将所述用户特征信息和所述游戏特征信息进行融合，得到原始特征信息；
基于所述原始特征信息，通过多标签深度森林模型中的多个集成树模型层依次对所述待预测用户针对所述目标游戏的注册行为进行预测，得到每一集成树模型层对应的注册概率集合；
在当前集成树模型层为所述多标签深度森林模型中最后一层时，从所述当前集成树模型层的注册概率集合中选取所述待预测用户注册所述目标游戏的注册概率最大值，得到所述待预测用户对所述目标游戏的注册概率；
根据所述待预测用户对所述目标游戏的注册概率对所述待预测用户进行游戏推荐。


2.根据权利要求1所述的方法，其特征在于，所述基于所述原始特征信息，通过多标签深度森林模型中的多个集成树模型层依次对所述待预测用户针对所述目标游戏的注册行为进行预测，得到每一集成树模型层对应的注册概率集合，包括：
从多标签深度森林模型中的多个集成树模型层确定当前集成树模型层；
基于所述原始特征信息，采用当前集成树模型层对所述待预测用户针对所述目标游戏的注册行为进行预测，得到所述当前集成树模型层对应的注册概率集合。


3.根据权利要求2所述的方法，其特征在于，所述基于所述原始特征信息，采用当前集成树模型层对所述待预测用户针对所述目标游戏的注册行为进行预测，包括：
当所述当前集成树模型层为第一集成树模型层时，将原始特征信息输入至当前集成树模型层，对所述待预测用户针对所述目标游戏的注册行为进行预测；
当所述当前集成树模型层不为第一集成树模型层时，将上一集成树模型层的注册概率集合和原始特征信息输入至当前集成树模型层，对所述待预测用户针对所述目标游戏的注册行为进行预测。


4.根据权利要求3所述的方法，其特征在于，所述当所述当前集成树模型层不为第一集成树模型层时，将上一集成树模型层的注册概率集合和原始特征信息输入至当前集成树模型层，包括：
当所述当前集成树模型层为第二集成树模型层时，将第一集成树模型层的注册概率集合和原始特征信息进行融合，得到融合后特征信息，将所述融合后特征信息输入至当前集成树模型层；
当所述当前集成树模型层不为第二集成树模型层时，基于历史集成树模型层的注册概率集合对上一集成树模型层的注册概率集合进行更新，得到更新后注册概率集合，将更新后注册概率集合和原始特征信息进行融合，得到融合后特征信息，将所述融合后特征信息输入至当前集成树模型层。


5.根据权利要求4所述的方法，其特征在于，所述基于历史集成树模型层的注册概率集合对上一集成树模型层的注册概率集合进行更新，得到更新后注册概率集合，包括：
确定所述上一集成树模型层的特征复用函数，其中，每个集成树模型层的特征复用函数基于所述多标签深度森林模型的训练确定；
基于所述特征复用函数将所述历史集成树模型层的注册概率集合与上一集成树模型层的注册概率集合进行特征映射，...

【专利技术属性】
技术研发人员：陈峭霖，庞炳之，季康，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44