[發(fā)明專(zhuān)利]推薦信息生成方法與裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 201810041224.5
• 申請(qǐng)日: 2018-01-16
• 公開(kāi)（公告）號(hào): CN110110205A
• 公開(kāi)（公告）日: 2019-08-09
• 發(fā)明（設(shè)計(jì)）人: 李偉;孫俊;葉璐;黃正元;徐文文;龔杰
• 申請(qǐng)（專(zhuān)利權(quán)）人: 北京京東金融科技控股有限公司
• 主分類(lèi)號(hào): G06F16/9535
• 分類(lèi)號(hào): G06F16/9535
• 代理公司: 北京律智知識(shí)產(chǎn)權(quán)代理有限公司 11438
• 代理人: 闞梓瑄;王衛(wèi)忠

1.一種推薦信息生成方法，其特征在于，包括：

設(shè)置多個(gè)推薦算法的多個(gè)權(quán)重值；

根據(jù)用戶(hù)行為數(shù)據(jù)獲取所述多個(gè)推薦算法輸出的多組待推薦對(duì)象，所述用戶(hù)行為數(shù)據(jù)包括用戶(hù)對(duì)多個(gè)對(duì)象的行為種類(lèi)以及行為次數(shù)；

根據(jù)所述多個(gè)權(quán)重值以及所述多組待推薦對(duì)象生成對(duì)所述用戶(hù)的推薦信息。

2.如權(quán)利要求1所述的推薦信息生成方法，其特征在于，所述根據(jù)用戶(hù)行為數(shù)據(jù)獲取所述多個(gè)推薦算法輸出的多組待推薦對(duì)象包括：

使用第一組描述文檔訓(xùn)練LDA模型，所述描述文檔用于描述對(duì)象；

使用所述LDA模型獲取第二組描述文檔中每個(gè)描述文檔的主題向量，所述主題向量包括每個(gè)所述描述文檔中多個(gè)主題的評(píng)分；

根據(jù)所述用戶(hù)行為數(shù)據(jù)獲取用戶(hù)偏好主題向量；

將主題向量與所述用戶(hù)偏好主題向量的相似度大于預(yù)設(shè)值的描述文檔所對(duì)應(yīng)的描述對(duì)象作為待推薦對(duì)象。

3.如權(quán)利要求2所述的推薦信息生成方法，其特征在于，所述根據(jù)所述用戶(hù)行為數(shù)據(jù)獲取用戶(hù)偏好主題向量包括：

為每個(gè)所述行為種類(lèi)設(shè)置權(quán)重值；

獲取每個(gè)所述行為種類(lèi)涉及的多個(gè)對(duì)象對(duì)應(yīng)的多個(gè)描述文檔；

使用所述LDA模型獲取所述多個(gè)描述文檔對(duì)應(yīng)的多個(gè)主題向量；

根據(jù)所述權(quán)重值對(duì)所述多個(gè)主題向量進(jìn)行按位加權(quán)求和，將計(jì)算結(jié)果作為所述用戶(hù)偏好主題向量。

4.如權(quán)利要求1所述的推薦信息生成方法，其特征在于，所述根據(jù)用戶(hù)行為數(shù)據(jù)獲取所述多個(gè)推薦算法輸出的多組待推薦對(duì)象包括：

為每個(gè)所述行為種類(lèi)設(shè)置分值；

根據(jù)所述用戶(hù)對(duì)一個(gè)對(duì)象的每個(gè)行為種類(lèi)的分值及對(duì)應(yīng)的行為次數(shù)獲取所述對(duì)象的第一評(píng)分；

將所述第一評(píng)分滿(mǎn)足預(yù)設(shè)條件的對(duì)象作為待推薦對(duì)象。

5.如權(quán)利要求4所述的推薦信息生成方法，其特征在于，還包括：

獲取所述用戶(hù)對(duì)所述對(duì)象的第二評(píng)分；

根據(jù)所述第一評(píng)分以及所述第二評(píng)分獲取所述對(duì)象的第三評(píng)分；

將所述第三評(píng)分滿(mǎn)足預(yù)設(shè)條件的對(duì)象作為待推薦對(duì)象。

6.如權(quán)利要求1所述的推薦信息生成方法，其特征在于，所述根據(jù)所述多個(gè)權(quán)重值以及所述多組待推薦對(duì)象生成對(duì)所述用戶(hù)的推薦信息包括：

根據(jù)預(yù)設(shè)推薦信息數(shù)量以及所述多個(gè)權(quán)重值對(duì)所述多組待推薦對(duì)象進(jìn)行選取；

對(duì)選取結(jié)果進(jìn)行去重處理后確定多個(gè)待推薦對(duì)象；

根據(jù)按預(yù)設(shè)條件排序后的所述多個(gè)待推薦對(duì)象生成所述推薦信息。

7.如權(quán)利要求1所述的推薦信息生成方法，其特征在于，還包括：

循環(huán)讀取用戶(hù)列表，對(duì)每個(gè)用戶(hù)生成推薦信息。

8.一種推薦信息生成裝置，其特征在于，包括：

權(quán)重設(shè)置模塊，設(shè)置為設(shè)置多個(gè)推薦算法的多個(gè)權(quán)重值；

信息獲取模塊，設(shè)置為根據(jù)用戶(hù)行為數(shù)據(jù)獲取所述多個(gè)推薦算法輸出的多組待推薦對(duì)象，所述用戶(hù)行為數(shù)據(jù)包括用戶(hù)對(duì)多個(gè)對(duì)象的行為種類(lèi)以及行為次數(shù)；

信息整合模塊，設(shè)置為根據(jù)所述多個(gè)權(quán)重值以及所述多組待推薦對(duì)象生成對(duì)所述用戶(hù)的推薦信息。

9.如權(quán)利要求8所述的推薦信息生成裝置，其特征在于，所述信息獲取模塊包括：

LDA算法單元，設(shè)置為使用第一組描述文檔訓(xùn)練LDA模型，所述描述文檔用于描述對(duì)象，使用所述LDA模型獲取第二組描述文檔中每個(gè)描述文檔的主題向量，所述主題向量包括每個(gè)所述描述文檔中多個(gè)主題的評(píng)分，根據(jù)所述用戶(hù)行為數(shù)據(jù)獲取用戶(hù)偏好主題向量，將主題向量與所述用戶(hù)偏好主題向量的相似度大于預(yù)設(shè)值的描述文檔所對(duì)應(yīng)的描述對(duì)象作為待推薦對(duì)象。