[发明专利]一种推荐结果生成方法以及装置

说明书

技术领域

本发明涉及计算机技术领域，尤其涉及一种推荐结果生成方法以及装置。

背景技术

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。

发明内容

本发明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，本发明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，β^Tx＝β₁·x₁+β₂·x₂+...+β_k·x_k，β＝(β₁，β₂...β_k)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，本发明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：