[发明专利]手机应用软件推荐方法及系统

权利要求书

1.一种手机应用软件推荐方法，其特征在于，包括：

采集用户的手机应用数据以及用户的基本信息数据，构建稀疏特征向量；

对稀疏特征向量换算得到低阶嵌入向量和高阶非嵌入向量；

采用低阶嵌入模型处理低阶嵌入向量捕获特征低阶线性表达，以及采用高阶非嵌入模型处理高阶非嵌入向量捕获特征高阶非线性表达；

对特征低阶线性表达和特征高阶线性表达进行拼接融合，并使用全连接网络处理拼接融合后的结果得到手机应用推荐结果；

对稀疏特征向量换算得到低阶嵌入向量和高阶非嵌入向量的方法包括：

提取稀疏特征向量中的各元素特征feature₁至feature_i，所述i表示稀疏特征向量中的元素数量；

采用低阶嵌入公式依次对各元素特征换算得到低阶嵌入元素，以及采用高阶非嵌入公式对各元素特征换算得到高阶嵌入元素，其中，所述低阶嵌入公式为x_i＝W_ifeature_i，所述高阶非嵌入公式为z_i＝H_ifeature_i，W_i为稀疏特征feature_i的低阶嵌入矩阵，x_i为低阶嵌入元素，所述H_i为稀疏特征feature_i的高阶非嵌入矩阵，z_i为高阶非嵌入元素；

拼接低阶嵌入元素得到低阶嵌入向量，以及拼接高阶非嵌入元素得到高阶非嵌入向量；

所述低阶嵌入模型的训练方法包括：

步骤S11，从数据库中获取多个低阶嵌入向量数据集以及多个低阶嵌入向量验证集；

步骤S12，采用两两逐点相乘算法依次获取多个低阶嵌入向量数据集对应的特征低阶线性表达；

步骤S13，基于多个特征低阶线性表达初始化低阶嵌入模型；

步骤S14，依次调取多个低阶嵌入向量验证集输入初始化低阶嵌入模型对应得到多个低阶嵌入向量验证结果；

步骤S15，判断当前低阶嵌入向量验证结果是否比上一低阶嵌入向量验证结果更准确，若是则返回步骤S11，若否，则将上一轮中的初始化低阶嵌入模型保存为所述低阶嵌入模型；

所述两两逐点相乘算法的计算公式为其中，为逐点相乘符号，w_ij为向量交互权重，表示特征低阶线性表达；

所述高阶非嵌入模型的训练方法包括：

步骤S21，从数据库中获取多个高阶非嵌入向量数据集以及多个高阶非嵌入向量验证集；

步骤S22，采用多层感知机算法依次获取多个高阶非嵌入向量数据集对应的特征高阶非线性表达；

步骤S23，基于多个特征高阶非线性表达初始化高阶非嵌入模型；

步骤S24，依次调取多个高阶非嵌入向量验证集输入初始化高阶非嵌入模型对应得到多个高阶非嵌入向量验证结果；

步骤S25，判断当前高阶非嵌入向量验证结果是否比上一高阶非嵌入向量验证结果更准确，若是则返回步骤S1，若否，则将上一轮中的初始化高阶非嵌入模型保存为所述高阶非嵌入模型；

所述多层感知机算法的公式为所述

其中，所述z表示拼接形成的高阶非嵌入向量，layer_i表示多层感知机第i层的表达，f为激活函数，表示第i层的权重矩阵，b_i表示感知机第i层对应的偏置向量；

所述对特征低阶线性表达和特征高阶线性表达进行拼接融合，使用全连接网络处理拼接融合的向量结果得到手机应用推荐结果的方法为：

采用公式特征低阶线性表达和特征高阶非线性表达进行拼接融合；

通过全连接网络公式对拼接融合结果进行计算，得到用户倾向下载对应手机应用的概率值，所述全连接网络公式为其中为输出层的权重矩阵，所述b_out为输出层的偏置向量；

从概率值中选取一最大值得到手机应用推荐结果向用户推送。