[發(fā)明專利]信息推薦方法、裝置和存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202010794109.2
• 申請(qǐng)日: 2020-08-10
• 公開(kāi)（公告）號(hào): CN112052386B
• 公開(kāi)（公告）日: 2023-09-29
• 發(fā)明（設(shè)計(jì)）人: 陳峭霖;龐炳之;季康
• 申請(qǐng)（專利權(quán)）人: 騰訊科技（深圳）有限公司
• 主分類號(hào): G06F16/9535
• 分類號(hào): G06F16/9535;G06F16/955
• 代理公司: 深圳翼盛智成知識(shí)產(chǎn)權(quán)事務(wù)所(普通合伙) 44300
• 代理人: 李漢亮

1.一種信息推薦方法，其特征在于，包括：

獲取待預(yù)測(cè)用戶的用戶特征信息、以及目標(biāo)游戲的游戲特征信息；

將所述用戶特征信息和所述游戲特征信息進(jìn)行融合，得到原始特征信息；

從多標(biāo)簽深度森林模型中的多個(gè)集成樹(shù)模型層確定當(dāng)前集成樹(shù)模型層；

基于所述原始特征信息，采用當(dāng)前集成樹(shù)模型層對(duì)所述待預(yù)測(cè)用戶針對(duì)所述目標(biāo)游戲的注冊(cè)行為進(jìn)行預(yù)測(cè)，得到所述當(dāng)前集成樹(shù)模型層對(duì)應(yīng)的注冊(cè)概率集合；

在當(dāng)前集成樹(shù)模型層為所述多標(biāo)簽深度森林模型中最后一層時(shí)，從所述當(dāng)前集成樹(shù)模型層的注冊(cè)概率集合中選取所述待預(yù)測(cè)用戶注冊(cè)所述目標(biāo)游戲的注冊(cè)概率最大值，得到所述待預(yù)測(cè)用戶對(duì)所述目標(biāo)游戲的注冊(cè)概率；

根據(jù)所述待預(yù)測(cè)用戶對(duì)所述目標(biāo)游戲的注冊(cè)概率對(duì)所述待預(yù)測(cè)用戶進(jìn)行游戲推薦。

2.根據(jù)權(quán)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，采用當(dāng)前集成樹(shù)模型層對(duì)所述待預(yù)測(cè)用戶針對(duì)所述目標(biāo)游戲的注冊(cè)行為進(jìn)行預(yù)測(cè)，包括：

當(dāng)所述當(dāng)前集成樹(shù)模型層為第一集成樹(shù)模型層時(shí)，將原始特征信息輸入至當(dāng)前集成樹(shù)模型層，對(duì)所述待預(yù)測(cè)用戶針對(duì)所述目標(biāo)游戲的注冊(cè)行為進(jìn)行預(yù)測(cè)；

當(dāng)所述當(dāng)前集成樹(shù)模型層不為第一集成樹(shù)模型層時(shí)，將上一集成樹(shù)模型層的注冊(cè)概率集合和原始特征信息輸入至當(dāng)前集成樹(shù)模型層，對(duì)所述待預(yù)測(cè)用戶針對(duì)所述目標(biāo)游戲的注冊(cè)行為進(jìn)行預(yù)測(cè)。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述當(dāng)所述當(dāng)前集成樹(shù)模型層不為第一集成樹(shù)模型層時(shí)，將上一集成樹(shù)模型層的注冊(cè)概率集合和原始特征信息輸入至當(dāng)前集成樹(shù)模型層，包括：

當(dāng)所述當(dāng)前集成樹(shù)模型層為第二集成樹(shù)模型層時(shí)，將第一集成樹(shù)模型層的注冊(cè)概率集合和原始特征信息進(jìn)行融合，得到融合后特征信息，將所述融合后特征信息輸入至當(dāng)前集成樹(shù)模型層；

當(dāng)所述當(dāng)前集成樹(shù)模型層不為第二集成樹(shù)模型層時(shí)，基于歷史集成樹(shù)模型層的注冊(cè)概率集合對(duì)上一集成樹(shù)模型層的注冊(cè)概率集合進(jìn)行更新，得到更新后注冊(cè)概率集合，將更新后注冊(cè)概率集合和原始特征信息進(jìn)行融合，得到融合后特征信息，將所述融合后特征信息輸入至當(dāng)前集成樹(shù)模型層。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述基于歷史集成樹(shù)模型層的注冊(cè)概率集合對(duì)上一集成樹(shù)模型層的注冊(cè)概率集合進(jìn)行更新，得到更新后注冊(cè)概率集合，包括：

確定所述上一集成樹(shù)模型層的特征復(fù)用函數(shù)，其中，每個(gè)集成樹(shù)模型層的特征復(fù)用函數(shù)基于所述多標(biāo)簽深度森林模型的訓(xùn)練確定；

基于所述特征復(fù)用函數(shù)將所述歷史集成樹(shù)模型層的注冊(cè)概率集合與上一集成樹(shù)模型層的注冊(cè)概率集合進(jìn)行特征映射，生成更新后注冊(cè)概率集合。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述集成樹(shù)模型層包括多個(gè)集成樹(shù)模型，所述在當(dāng)前集成樹(shù)模型層為所述多標(biāo)簽深度森林模型中最后一層時(shí)，從所述當(dāng)前集成樹(shù)模型層的注冊(cè)概率集合中選取所述待預(yù)測(cè)用戶注冊(cè)所述目標(biāo)游戲的注冊(cè)概率最大值，得到所述待預(yù)測(cè)用戶對(duì)所述目標(biāo)游戲的注冊(cè)概率，包括：

在當(dāng)前集成樹(shù)模型層為所述多標(biāo)簽深度森林模型中最后一層時(shí)，所述當(dāng)前集成樹(shù)模型層中每個(gè)集成樹(shù)模型輸出所述待預(yù)測(cè)用戶注冊(cè)所述目標(biāo)游戲的注冊(cè)概率；

從多個(gè)集成樹(shù)模型輸出的所述待預(yù)測(cè)用戶注冊(cè)所述目標(biāo)游戲的注冊(cè)概率中獲取注冊(cè)概率最大值；

將所述注冊(cè)概率最大值確定為所述待預(yù)測(cè)用戶對(duì)所述目標(biāo)游戲的注冊(cè)概率。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將所述用戶特征信息和所述游戲特征信息進(jìn)行融合，得到原始特征信息之前，還包括：

獲取多組樣本用戶和樣本游戲；

分別將所述樣本用戶和樣本游戲進(jìn)行特征提取，得到用戶特征樣本和游戲特征樣本；

利用所述用戶特征樣本和游戲特征樣本對(duì)預(yù)設(shè)多標(biāo)簽森林模型進(jìn)行訓(xùn)練，得到多標(biāo)簽深度森林模型。