本發(fā)明涉及計算機
技術(shù)領(lǐng)域：
，尤其涉及一種推薦結(jié)果生成方法以及裝置。
背景技術(shù)：
：隨著互聯(lián)網(wǎng)的飛速發(fā)展，互聯(lián)網(wǎng)上的信息每年都在以幾何級數(shù)增長。如何在這個海量信息庫中精確獲取所需信息已成為人們越來越關(guān)注的問題。個性化推薦系統(tǒng)就是在這個背景下應(yīng)運而生，并且迅速發(fā)展起來。目前推薦系統(tǒng)推薦方法大都是基于設(shè)備上的應(yīng)用所確定，如視頻應(yīng)用中，推薦系統(tǒng)會根據(jù)用戶的觀看記錄，即會根據(jù)之前的觀看記錄來確定用戶可能會喜歡看的視頻，進而向客戶推薦視頻。但是當碰到用戶冷啟動的問題時，也即當用戶在該視頻應(yīng)用上的行為數(shù)據(jù)很少或沒有時，就很難找到符合用戶“口味”的電影，或推薦結(jié)果不準確。技術(shù)實現(xiàn)要素：本發(fā)明實施例提供了一種推薦結(jié)果生成方法以及裝置，用于使得推薦結(jié)果更加準確。有鑒于此，本發(fā)明實施例第一方面提出了一種推薦結(jié)果生成方法，該推薦結(jié)果生成方法主要包括以下流程：獲取用戶在至少2種應(yīng)用平臺上的行為記錄；根據(jù)所述行為記錄生成用戶特征；獲取目標應(yīng)用平臺的目標業(yè)務(wù)的屬性特征，所述目標業(yè)務(wù)為所述用戶使用過的業(yè)務(wù)；根據(jù)所述用戶特征以及所述屬性特征生成聯(lián)合特征；根據(jù)所述聯(lián)合特征生成樣本集；根據(jù)所述樣本集得到邏輯回歸模型；根據(jù)所述邏輯回歸模型計算待推薦業(yè)務(wù)的概率，所述待推薦業(yè)務(wù)為所述目標應(yīng)用平臺上的待推薦業(yè)務(wù)；根據(jù)所述待推薦業(yè)務(wù)的概率大小生成推薦結(jié)果。在一些可能的實現(xiàn)中，所述獲取用戶在至少2種應(yīng)用平臺上的行為記錄包括：獲取預(yù)置時段內(nèi)所述用戶在所述至少2種應(yīng)用平臺上的行為記錄。在一些可能的實現(xiàn)中，所述根據(jù)所述樣本集得到邏輯回歸模型，包括：從所述樣本集中按照預(yù)置比例抽取出正、負樣本構(gòu)成訓(xùn)練樣本集；對所述訓(xùn)練樣本集進行訓(xùn)練得到所述邏輯回歸模型。在一些可能的實現(xiàn)中，所述對所述訓(xùn)練樣本集進行訓(xùn)練得到所述邏輯回歸模型，包括：構(gòu)造如下對數(shù)損失函數(shù)：其中，x(i)為所述訓(xùn)練樣本集中的第i個樣本，所述m為訓(xùn)練樣本數(shù)目，根據(jù)梯度下降法計算出θ，令θ＝β，獲得所述邏輯回歸模型：其中，βTx＝β1·x1+β2·x2+...+βk·xk，β＝(β1，β2...βk)為所述邏輯回歸模型參數(shù)，P'為所述待推薦業(yè)務(wù)的概率。在一些可能的實現(xiàn)中，其特征在于，所述至少2種應(yīng)用平臺包含所述目標應(yīng)用平臺?；谏鲜龅谝环矫娴姆椒ǎ景l(fā)明實施例第二方面提供了一種推薦結(jié)果生成裝置，該裝置包括：第一獲取模塊，用于獲取用戶在至少2種應(yīng)用平臺上的行為記錄；第一生成模塊，用于根據(jù)所述第一獲取模塊獲取的所述行為記錄生成用戶特征；第二獲取模塊，用于獲取目標應(yīng)用平臺的目標業(yè)務(wù)的屬性特征，所述目標業(yè)務(wù)為所述用戶使用過的業(yè)務(wù)；第二生成模塊，用于根據(jù)所述第一生成模塊生成的所述用戶特征以及所述第一生成模塊生成的所述屬性特征生成聯(lián)合特征；第三生成模塊，用于根據(jù)所述第二生成模塊生成的所述聯(lián)合特征生成樣本集；獲得模塊，用于根據(jù)所述第三生成模塊生成的所述樣本集得到邏輯回歸模型；計算模塊，用于根據(jù)所述獲得模塊獲得的所述邏輯回歸模型計算待推薦業(yè)務(wù)的概率，所述待推薦業(yè)務(wù)為所述目標應(yīng)用平臺上的待推薦業(yè)務(wù)；第四生成模塊，用于根據(jù)所述計算模塊計算到的所述待推薦業(yè)務(wù)的概率大小生成推薦結(jié)果。在一種可能的實現(xiàn)中，所述第一獲取模塊具體用于：獲取預(yù)置時段內(nèi)所述用戶在所述至少2種應(yīng)用平臺上的行為記錄。在一種可能的實現(xiàn)中，所述獲得模塊包括：抽取單元，用于從所述樣本集中按照預(yù)置比例抽取出正、負樣本構(gòu)成訓(xùn)練樣本集；訓(xùn)練單元，用于對所述訓(xùn)練樣本集進行訓(xùn)練得到所述邏輯回歸模型。在一種可能的實現(xiàn)中，所述訓(xùn)練單元具體用于：構(gòu)造如下對數(shù)損失函數(shù)：其中，x(i)為所述訓(xùn)練樣本集中的第i個樣本，所述m為訓(xùn)練樣本數(shù)目，根據(jù)梯度下降法計算出θ，令θ＝β，獲得所述邏輯回歸模型：其中，βTx＝β1·x1+β2·x2+...+βk·xk，β＝(β1，β2...βk)為所述邏輯回歸模型參數(shù)，P'為所述待推薦業(yè)務(wù)的概率。在一種可能的實現(xiàn)中，所述至少2種應(yīng)用平臺包含所述目標應(yīng)用平臺。從以上技術(shù)方案可以看出，本發(fā)明實施例提供了一種推薦結(jié)果生成方法以及裝置，通過獲取用戶在至少2種應(yīng)用平臺上的行為記錄，根據(jù)行為記錄生成用戶特征，獲取目標應(yīng)用平臺的業(yè)務(wù)的屬性特征，根據(jù)用戶特征以及屬性特征生成聯(lián)合特征，根據(jù)聯(lián)合特征生成樣本集，根據(jù)樣本集得到邏輯回歸模型，根據(jù)邏輯回歸模型計算待推薦業(yè)務(wù)的概率，待推薦業(yè)務(wù)為目標應(yīng)用平臺上的業(yè)務(wù)；根據(jù)待推薦業(yè)務(wù)的概率大小生成推薦結(jié)果。即在本發(fā)明實施例中，在為用戶推薦業(yè)務(wù)時，通過獲取用戶在多個應(yīng)用平臺上的行為記錄，結(jié)合交叉用戶在多個應(yīng)用平臺下的行為記錄所對應(yīng)的用戶特征為用戶推薦業(yè)務(wù)，而不是單靠用戶在單個應(yīng)用平臺上的行為記錄，提供更多應(yīng)用平臺上用戶的行為記錄，使得推薦結(jié)果更加準確。附圖說明為了更清楚地說明本發(fā)明實施例技術(shù)方案，下面將對實施例和現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，還可以根據(jù)這些附圖獲得其它的附圖。圖1為本發(fā)明實施例一種推薦結(jié)果生成方法一個實施例流程示意圖；圖2為本發(fā)明實施例一種推薦結(jié)果生成裝置一個實施例結(jié)構(gòu)示意圖；圖3為本發(fā)明實施例一種推薦結(jié)果生成裝置一個實施例結(jié)構(gòu)示意圖。具體實施方式為了使本
技術(shù)領(lǐng)域：
的人員更好地理解本發(fā)明方案，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分的實施例，而不是全部的實施例。本領(lǐng)域普通技術(shù)人員在基于本發(fā)明中的實施例的前提下所獲得的所有其他實施例，都應(yīng)當屬于本發(fā)明保護的范圍。本發(fā)明的說明書和權(quán)利要求書及上述附圖中的術(shù)語“第一”、“第二”、“第三”、“第四”等(如果存在)是用于區(qū)別類似的對象，而不必用于描述特定的順序或先后次序。應(yīng)該理解這樣使用的數(shù)據(jù)在適當情況下可以互換，以便這里描述的實施例能夠以除了在這里圖示或描述的內(nèi)容以外的順序?qū)嵤?。此外，術(shù)語“包括”和以及他們的任何變形，意圖在于覆蓋不排他的包含，例如，包含了一系列步驟或單元的過程、方法、系統(tǒng)、產(chǎn)品或設(shè)備不必限于清楚地列出的那些步驟或單元，而是可包括沒有清楚地列出的或?qū)τ谶@些過程、方法、產(chǎn)品或設(shè)備固有的其它步驟或單元。本發(fā)明實施例提供了一種推薦結(jié)果生成方法以及裝置，通過結(jié)合用戶在多個應(yīng)用平臺下的行為記為用戶推薦業(yè)務(wù)，可以使得推薦結(jié)果更加準確。本發(fā)明實施例提出的一種推薦結(jié)果生成方法以及裝置適用于各種各樣的推薦系統(tǒng)中，尤其適用于當前的電子商務(wù)平臺上的推薦系統(tǒng)，例如一些購物網(wǎng)站、在線閱讀網(wǎng)站、電影網(wǎng)站等需要向客戶推薦業(yè)務(wù)的平臺上，具體此處不做限定。下面通過實施例對本發(fā)明實施例一種推薦結(jié)果生成方法進行詳細的描述：請參閱圖1，圖1為本發(fā)明實施例一種推薦結(jié)果生成方法一個實施例流程示意圖，包括：101、獲取用戶在至少2種應(yīng)用平臺上的行為記錄。以手機為例，一般用戶會在手機上安裝有各種各樣的APP(應(yīng)用程序)，例如視頻APP、音樂APP、閱讀APP等應(yīng)用平臺。在本發(fā)明實施例中，當用戶當前使用某個應(yīng)用平臺時，某個應(yīng)用平臺上的推薦系統(tǒng)需要向用戶推薦當前應(yīng)用平臺的業(yè)務(wù)時，例如當用戶使用視頻APP時，推薦系統(tǒng)需要向用戶推薦視頻時，推薦系統(tǒng)可以獲取用戶在至少2個應(yīng)用平臺上的行為記錄。例如獲取用戶在視頻APP的觀看記錄、音樂APP的聽歌記錄、閱讀APP上的閱讀記錄等行為信息。需要說明的是，在本發(fā)明的一些實施例中，優(yōu)選獲取用戶在預(yù)置時段內(nèi)在至少2種應(yīng)用平臺上的行為記錄，例如在最近2個月，或3個月內(nèi)，在至少2種應(yīng)用平臺上的行為記錄，具體在那個時段此處不做限定。另外，在本發(fā)明的一些實施例中，在獲取用戶至少2種應(yīng)用平臺上的行為記錄時，優(yōu)選獲取用戶行為次數(shù)過多的記錄，例如獲取用戶的聽歌記錄中，用戶聽過的次數(shù)排在靠前的聽歌記錄，比如聽過的次數(shù)排在前15位的聽歌記錄。又例如，獲取用戶的視頻觀看記錄中，觀看次數(shù)排在靠前的觀看記錄，比如排在靠前15位的視頻觀看記錄，具體此處不做限定。需要說明的是，上述所列舉的在這里只是舉例說明，并不對本發(fā)明實施例構(gòu)成限定。102、根據(jù)所述行為記錄生成用戶特征。當獲取了用戶在至少2個應(yīng)用平臺上的行為記錄后，根據(jù)行為記錄生成用戶特征，該用戶特征包含有用戶在至少2個應(yīng)用品臺下的行為記錄。103、獲取目標應(yīng)用平臺的目標業(yè)務(wù)的屬性特征。目標應(yīng)用平臺即是指當前用戶使用的應(yīng)用平臺，目標應(yīng)用平臺的目標業(yè)務(wù)的屬性特征即是指目標業(yè)務(wù)平臺上用戶使用過的業(yè)務(wù)的屬性特征。以視頻APP推薦視頻為例，例如獲取用戶觀看過的視頻的名稱，描述信息，其中描述信息是與該視頻相關(guān)的描述信息，例如是指用戶觀看的視頻涉及到哪個演員、導(dǎo)演等信息。需要說明的是，上述例子在這里只是舉例說明，但并不對本發(fā)明實施例構(gòu)成限定，具體此處不做限定。這里需要說明的是，步驟103與步驟101、102之間并無執(zhí)行先后時間順序，具體此處不做限定。104、根據(jù)所述用戶特征以及所述屬性特征生成聯(lián)合特征。當獲取用戶特征，以及在目標應(yīng)用平臺上目標業(yè)務(wù)的屬性特征后，根據(jù)該用戶特征以及屬性特征生成聯(lián)合特征，即聯(lián)合特征中包含有用戶特征以及屬性特征。105、根據(jù)所述聯(lián)合特征生成樣本集。當獲取了根據(jù)行為記錄以及屬性特征生成聯(lián)合特征后，可以通過該聯(lián)合特征生成樣本集，即生成的樣本集中包含有該聯(lián)合特征。106、根據(jù)所述樣本集得到邏輯回歸模型。邏輯回歸模型(英文全稱：LogicRegression,縮寫：LR)，簡稱為LR模型，為機器學習算法中的一種預(yù)測模型，當獲得了樣本集后，根據(jù)該樣本集訓(xùn)練得到邏輯回歸模型。107、根據(jù)所述邏輯回歸模型計算待推薦業(yè)務(wù)的概率，所述待推薦業(yè)務(wù)為所述目標應(yīng)用平臺上的業(yè)務(wù)。當?shù)玫竭壿嫽貧w模型后，根據(jù)該邏輯回歸模型計算目標應(yīng)用平臺上，待推薦業(yè)務(wù)的概率。108、根據(jù)所述待推薦業(yè)務(wù)的概率大小生成推薦結(jié)果。當通過邏輯回歸模型計算出目標應(yīng)用平臺上待推薦業(yè)務(wù)的概率后，可以根據(jù)待推薦業(yè)務(wù)的概率大小生成推薦結(jié)果。例如，可以按照待推薦業(yè)務(wù)的概率從大到小生成推薦結(jié)果。最后展示給用戶，以便用戶可以按照推薦結(jié)果進行選擇。由此可見，在本發(fā)明實施例中，在為用戶推薦業(yè)務(wù)時，通過獲取用戶在多個應(yīng)用平臺上的行為記錄，結(jié)合交叉用戶在多個應(yīng)用平臺下的行為記錄為用戶推薦業(yè)務(wù)，而不是單靠用戶在單個應(yīng)用平臺上的行為記錄，提供更多應(yīng)用平臺上用戶的行為記錄，使得推薦結(jié)果更加準確。優(yōu)選地，在本發(fā)明的一些實施例中，推薦系統(tǒng)獲取的至少2個應(yīng)用平臺中包含該目標應(yīng)用平臺。可以理解，獲取的至少2個應(yīng)用平臺中包含目標應(yīng)用品臺的行為記錄，可以使得推薦系統(tǒng)結(jié)合目標應(yīng)用品臺上的行為記錄，使可以使得最終目標應(yīng)用平臺推薦系統(tǒng)的推薦結(jié)果更加準確，以視頻APP推薦視頻為例，推薦系統(tǒng)獲取的用戶至少2個應(yīng)用平臺上的行為記錄，其中包含用戶在視頻APP上的觀看記錄，可以為推薦系統(tǒng)提供更多有效的特征，使得最終目標應(yīng)用平臺推薦系統(tǒng)的推薦結(jié)果更加準確。其中，在本發(fā)明的一些實施例中，所述根據(jù)所述樣本集得到邏輯回歸模型具體是指：從所述樣本集中按照預(yù)置比例抽取出正、負樣本構(gòu)成訓(xùn)練樣本集，對所述訓(xùn)練樣本集進行訓(xùn)練得到所述邏輯回歸模型。需要說明的是，預(yù)置比例可以根據(jù)實際應(yīng)用情況進行配置，例如從樣本集中各取30％的正、負樣本集作為訓(xùn)練集，或從樣本集中取30％的正樣本，40％的負樣本作為訓(xùn)練樣本集，具體此處不做限定。其中，所述對所述訓(xùn)練樣本集進行訓(xùn)練得到所述邏輯回歸模型是指：構(gòu)造如下對數(shù)損失函數(shù)：其中，x(i)為所述訓(xùn)練樣本集中的第i個樣本，所述m為訓(xùn)練樣本數(shù)目，θi表示訓(xùn)練樣本i特征所對應(yīng)的權(quán)重，使用梯度下降法算出θ1，θ2...θn，即算出每個特征所對應(yīng)的權(quán)重，令θ＝β，獲得所述邏輯回歸模型：其中，βTx＝β1·x1+β2·x2+...+βk·xk，β＝(β1，β2...βk)為所述邏輯回歸模型參數(shù)，P'為所述待推薦業(yè)務(wù)的概率。這里需要說明的是，除了采用對數(shù)損失函數(shù)外，采用其他的損失函數(shù)，例如對數(shù)似然損失函數(shù)、平方損失函數(shù)等，具體此處不做限定。另外需要說明的是，在計算θ1，θ2...θn時，除了采用梯度下降法外，還可以采用其他計算方法，例如最小二乘法等，具體此處不做限定，只要能計算出θ1，θ2...θn即可。為了便于理解，下面將以目標業(yè)務(wù)平臺為視頻APP平臺的視頻推薦為例，對本發(fā)明實施例一種推薦結(jié)果生成方法的過程做一個描述：1、收集用戶最近三個月在音樂APP上的聽歌記錄，視頻APP上的播放記錄，閱讀APP上的閱讀記錄，在應(yīng)用商店里安裝的APP記錄等，例如對于音樂APP，記錄形式可以為{use_a，music_b，music_c}，代表用戶user_a最近三個月聽過歌曲music_b，music_c。對于視頻APP，記錄形式為{use_a，video_a，video_b}，代表用戶use_a最近三個月觀看過視頻video_a，video_b。2、為了讓推薦系統(tǒng)推薦出相對優(yōu)質(zhì)的視頻，我們對前面收集到的記錄進行過濾，我們只取播放次數(shù)排在前幾位，例如只取視頻APP中用戶播放次數(shù)排在前5位的視頻，只取音樂APP中用戶播放次數(shù)排在前5位的歌曲。3、融合用戶在各個應(yīng)用平臺上的記錄生成用戶特征。例如生成以下用戶特征：{user_a，music_b，music_c，app_a，video_a}，代表user_a聽過歌曲music_b以及music_c，安裝過app_a，看過視頻video_a。4、抽取視頻APP中，目標業(yè)務(wù)的本身屬性特征，即抽取用戶觀看過的視頻的屬性特征，比如用戶觀看過的視頻中，對應(yīng)的名稱、導(dǎo)演名、演員名、類別信息等信息，生成目標業(yè)務(wù)的屬性特征，如：{video_a，director_a，actor_a，actor_b，catetory_a}，代表用戶看過的視頻video_a，中的導(dǎo)演director_a、演員actor_a、演員actor_b、視頻video_a屬于catetory_a類。5、根據(jù)視頻APP上用戶的行為記錄做如下矩陣式表1：表1Video1Video2Video3Video4Video5User110011User200110User310100User400011其中，上表分別表示4個用戶在5個視頻上的觀看行為，1代表觀看該視頻，0則反之。例如，User1在Video1的行為為1，表示User1看過Video1。6、接著根據(jù)前述步驟獲得的屬性特征以及用戶特征，查找出上表中用戶的用戶特征以及視頻的屬性特征。分別查找user1的用戶特征和video2的屬性特征。這里假設(shè)user_1的用戶特征為：{user_1,acticle_a，video_a，music_b，music_c}，表示user_1閱讀過acticle_a，看過視頻video_a，聽過music_b以及music_c；video_2的屬性特征為：{video_2，actor_a，actor_b，catetory_a}，表示video_2中包含有演員actor_a、演員actor_b，以及該video2的類別信息屬于catetory_a。根據(jù)上述用戶特征以及屬性特征生成聯(lián)合特征，比如生成如下所示聯(lián)合特征：{(user_a，video_x)，(user_a，actor_y)，(user_a，category_z)，(video_b，video_x)，(video_b，actor_y)，(video_b，category_z)，(article_c，video_x)，(article_c，actor_y)，(article_c，category_z)}。為了便于理解，下面將從單個用戶的角度進行描述，假設(shè)當前用戶為user_1，則根據(jù)聯(lián)合特征生成user_1的樣本集，假設(shè)生成N個樣本{(x(1)，y(1))，(x(2)，y(2))，(x(3)，y(3))…(x(N)，y(N))}，其中y＝{0，1}，y＝1表示正樣本，y＝0表示負樣本，x為M維特征向量。x＝{x1，x2，x3…xM}，x中的特征由包含上述步驟生成的聯(lián)合特征，M的具體值可以根據(jù)實際應(yīng)用情況進行配置，即可以根據(jù)實際應(yīng)用情況確定應(yīng)用選取多少個特征組成x，具體此處不做限定。例如生成的樣本的特征可以為：{user_2，acticle_a，video_a，video_2，actor_a，actor_b，zone_a，catetory_a，(user_a,video_x)，(user_a，actor_y)，(user_a，category_z)，(video_b,video_x)，(video_b，actor_y)，(video_b，category_z)，(article_c，video_x)，)(article_c，actor_y)，(article_c，category_z)。最后從生成的樣本集中，即N個樣本中按照預(yù)置比例抽取出正、負樣本，例如從樣本集中抽取30％的正、負樣本各作為訓(xùn)練樣本集。7、使用前述步驟獲得的訓(xùn)練樣本集訓(xùn)練得到對應(yīng)的邏輯回歸模型：構(gòu)造如下對數(shù)損失函數(shù)：其中，x(i)為所述訓(xùn)練樣本集中的第i個樣本，所述m為訓(xùn)練樣本數(shù)目，θi表示訓(xùn)練樣本i特征所對應(yīng)的權(quán)重，使用梯度下降法算出θ1，θ2...θn，即算出每個特征所對應(yīng)的權(quán)重，令θ＝β，得到對應(yīng)的邏輯回歸模型：其中，βTx＝β1·x1+β2·x2+...+βM·xM，β1，β2...βM為邏輯回歸參數(shù)。8、最后使用步驟7訓(xùn)練出的邏輯回歸模型預(yù)測用戶對他未觀看過的視頻預(yù)測他可能觀看的概率，然后按照概率大小排序進行向用戶user_1推薦視頻。上面對本發(fā)明實施例一種推薦結(jié)果生成方法進行了描述，基于該推薦結(jié)果生成方法，本發(fā)明實施例提出了一種推薦結(jié)果生成裝置，下面對本發(fā)明實施例提出的推薦結(jié)果生成裝置進行描述。請參閱圖2，圖2為本發(fā)明實施例一種推薦結(jié)果生成裝置一個實施例結(jié)構(gòu)示意圖，該推薦結(jié)果生成裝置包括第一獲取模塊101、第一生成模塊102、第二獲取模塊103、第二生成模塊104、第三生成模塊105、獲得模塊106、計算模塊107以及第四生成模塊108，下面對各個模塊之間的功能進行描述：第一獲取模塊101，用于獲取用戶在至少2種應(yīng)用平臺上的行為記錄；第一生成模塊102，用于根據(jù)所述第一獲取模塊101獲取的所述行為記錄生成用戶特征；第二獲取模塊103，用于獲取目標應(yīng)用平臺的目標業(yè)務(wù)的屬性特征，所述目標業(yè)務(wù)為所述用戶使用過的業(yè)務(wù)；第二生成模塊104，用于根據(jù)所述第一生成模塊102獲取的所述用戶特征以及所述第一生成模塊102生成的所述屬性特征生成聯(lián)合特征；第三生成模塊105，用于根據(jù)所述第二生成模塊104生成的所述聯(lián)合特征生成樣本集；獲得模塊106，用于根據(jù)所述第三生成模塊105生成的所述樣本集得到邏輯回歸模型；計算模塊107，用于根據(jù)所述獲得模塊106獲得的所述邏輯回歸模型計算待推薦業(yè)務(wù)的概率，所述待推薦業(yè)務(wù)為所述目標應(yīng)用平臺上的待推薦業(yè)務(wù)；第四生成模塊108，用于根據(jù)所述計算模塊107計算到的所述待推薦業(yè)務(wù)的概率大小生成推薦結(jié)果。在一種可能的實現(xiàn)中，所述第一獲取模塊101具體用于：獲取預(yù)置時段內(nèi)所述用戶在所述至少2種應(yīng)用平臺上的行為記錄。結(jié)合圖2，請參閱圖3，在一種可能的實現(xiàn)中，所述獲得模塊106包括：抽取單元1061，用于從所述樣本集中按照預(yù)置比例抽取出正、負樣本構(gòu)成訓(xùn)練樣本集；訓(xùn)練單元1062，用于對所述抽取單元1061抽取的訓(xùn)練樣本集進行訓(xùn)練得到所述邏輯回歸模型。在一種可能的實現(xiàn)中，所述訓(xùn)練單元1062具體用于：構(gòu)造如下對數(shù)損失函數(shù)：其中，x(i)為所述訓(xùn)練樣本集中的第i個樣本，所述m為訓(xùn)練樣本數(shù)目，根據(jù)梯度下降法計算出θ，令θ＝β，獲得所述邏輯回歸模型：其中，βTx＝β1·x1+β2·x2+...+βk·xk，β＝(β1，β2...βk)為所述邏輯回歸模型參數(shù)，P'為所述待推薦業(yè)務(wù)的概率。在一種可能的實現(xiàn)中，所述至少2種應(yīng)用平臺包含所述目標應(yīng)用平臺。所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡潔，上述描述裝置、模塊和單元的具體工作過程以及更多的細節(jié)，可以參考前述方法實施例中的對應(yīng)過程，在此不再贅述。在本申請所提供的幾個實施例中，應(yīng)該理解到，所揭露的系統(tǒng)，裝置和方法，可以通過其它的方式實現(xiàn)。例如，以上所描述的裝置實施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實際實現(xiàn)時可以有另外的劃分方式，例如多個單元或組件可以結(jié)合或者可以集成到另一個系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，裝置或單元的間接耦合或通信連接，可以是電性，機械或其它的形式。所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡(luò)單元上。可以根據(jù)實際的需要選擇其中的部分或者全部單元來實現(xiàn)本實施例方案的目的。另外，在本發(fā)明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以采用硬件的形式實現(xiàn)，也可以采用軟件功能單元的形式實現(xiàn)。所述集成的單元如果以軟件功能單元的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，可以存儲在一個計算機可讀取存儲介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻的部分或者該技術(shù)方案的全部或部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機設(shè)備(可以是個人計算機，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：U盤、移動硬盤、只讀存儲器(英文全稱：Read-OnlyMemory，英文簡稱：ROM)、隨機存取存儲器(英文全稱：RandomAccessMemory，英文簡稱：RAM)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。以上所述，以上實施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述實施例對本發(fā)明進行了詳細的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當理解：其依然可以對前述各實施例所記載的技術(shù)方案進行修改，或者對其中部分技術(shù)特征進行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的精神和范圍。當前第1頁1 2 3