CN111310035A - 基于心理和行为特征的推荐方法及装置 - Google Patents
基于心理和行为特征的推荐方法及装置 Download PDFInfo
- Publication number
- CN111310035A CN111310035A CN202010079377.6A CN202010079377A CN111310035A CN 111310035 A CN111310035 A CN 111310035A CN 202010079377 A CN202010079377 A CN 202010079377A CN 111310035 A CN111310035 A CN 111310035A
- Authority
- CN
- China
- Prior art keywords
- user
- label
- psychological
- characteristic
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种基于心理和行为特征的推荐方法及装置。该申请的方法包括获取用户的基本特征以及行为数据，并基于预设的用户特征模型将用户的基本特征以及行为数据进行结构化得到用户特征标签，行为数据为用户在网络平台上的操作行为；通过人机交互的方式获取用户心理数据，并基于预设的用户心理化特征模型将用户心理数据进行结构化得到用户心理化特征标签；根据用户特征标签以及用户心理化特征标签生成用户画像；基于用户画像进行物品推荐。本申请解决现有的只依据行为数据进行推荐的方式准确性较低的问题。
Description
技术领域
本申请涉及智能机器人技术领域，具体而言，涉及一种基于心理和行为特征的推荐方法及装置。
背景技术
随着大数据时代的来临，网络中的信息量呈现指数式增长，推荐系统应用而生，推荐系统是主动地从大量信息中找到用户可能感兴趣的信息进行推送。目前推荐系统大都应用于电商类的购物网站及网络信息平台，在推荐商品或者信息的推荐机制主要是收集用户偏好、找到与用户喜好相关联的商品或者信息、计算并进行个性化推荐。
用户画像是一种勾画目标用户、联系用户诉求与设计方向的有效工具，在大数据时代背景下，用户信息充斥在网络中，将用户的每个具体信息抽象成标签，利用这些标签将用户形象具体化，从而为用户提供有针对性的服务。
由于推荐系统的个性化需求，用户画像广泛地应用在电商类的购物网站及网络信息平台。目前基于用户画像的个性化推荐方式主要是基于用户的浏览数据、点击数据、搜索数据、购买数据等行为数据确定用户画像，然后根据用户画像向用户推荐商品或信息。本申请人在应用上述推荐方式的过程中发现：用户画像的生成都是基于用户的上网行为生成的，所以推荐的商品或者信息都是基于用户的行为数据得到的，这种推荐方式依据的数据比较单一，如果行为数据不准确(用户误点击不感兴趣的物品、帮助别的用户搜索物品等等)，则影响物品推荐的准确性。
发明内容
本申请的主要目的在于提供一种基于心理和行为特征的推荐方法及装置，以解决只依据行为数据进行推荐的方式准确性较低的问题。
为了实现上述目的，根据本申请的第一方面，提供了一种基于心理和行为特征的推荐方法。
根据本申请的基于心理和行为特征的推荐方法包括：
获取用户的基本特征以及行为数据，并基于预设的用户特征模型将用户的基本特征以及行为数据进行结构化得到用户特征标签，所述行为数据为用户在网络平台上的操作行为；
通过人机交互的方式获取用户心理数据，并基于预设的用户心理化特征模型将用户心理数据进行结构化得到用户心理化特征标签；
根据用户特征标签以及用户心理化特征标签生成用户画像；
基于所述用户画像进行物品推荐。
进一步的，所述方法还包括：
根据用户的消费记录基于预设的消费倾向模型生成消费倾向标签；
根据消费倾向标签调整用户画像。
进一步的，所述通过人机交互的方式获取用户心理数据，并基于预设的用户心理化特征模型将用户心理数据进行结构化得到用户心理化特征标签包括：
获取用户输入的语料信息，所述语料信息为输出的人格特征询问的相关问题的答复信息；
基于预设人格评估模型对所述语料信息进行分析确定用户心理化特征标签。
进一步的，所述方法还包括：
获取物品特征，并基于预设物品特征模型将物品特征进行结构化确定物品标签。
进一步的，所述基于所述用户画像进行物品推荐包括：
根据用户画像中的用户特征标签与物品标签之间的关联关系筛选出初始推荐物品；
根据用户画像中的心理化特征标签和/或消费倾向标签对初始推荐物品进行筛选，得到最终的推荐物品进行推送。
进一步的，所述方法还包括：
分别建立物品标签与用户特征标签、用户心理化特征标签、消费标签之间的关联关系。
为了实现上述目的，根据本申请的第二方面，提供了一种基于心理和行为特征的推荐装置。
根据本申请的基于心理和行为特征的推荐装置包括：
用户特征标签单元，用于获取用户的基本特征以及行为数据，并基于预设的用户特征模型将用户的基本特征以及行为数据进行结构化得到用户特征标签，所述行为数据为用户在网络平台上的操作行为；
心理化特征标签单元，用于通过人机交互的方式获取用户心理数据，并基于预设的用户心理化特征模型将用户心理数据进行结构化得到用户心理化特征标签；
画像生成单元，用于根据用户特征标签以及用户心理化特征标签生成用户画像；
推荐单元，用于基于所述用户画像进行物品推荐。
进一步的，所述装置还包括：
消费倾向标签单元，用于根据用户的消费记录基于预设的消费倾向模型生成消费倾向标签；
调整单元，用于根据消费倾向标签调整用户画像。
进一步的，所述心理化特征标签单元包括：
获取模块，用于获取用户输入的语料信息，所述语料信息为输出的人格特征询问的相关问题的答复信息；
确定模块，用于基于预设人格评估模型对所述语料信息进行分析确定用户心理化特征标签。
进一步的，所述装置还包括：
物品标签单元，用于获取物品特征，并基于预设物品特征模型将物品特征进行结构化确定物品标签。
进一步的，所述推荐单元包括：
筛选模块，用于根据用户画像中的用户特征标签与物品标签之间的关联关系筛选出初始推荐物品；
推送模块，用于根据用户画像中的心理化特征标签和/或消费倾向标签对初始推荐物品进行筛选，得到最终的推荐物品进行推送。
进一步的，所述装置还包括：
关联关系创建单元，用于分别建立物品标签与用户特征标签、用户心理化特征标签、消费标签之间的关联关系。
为了实现上述目的，根据本申请的第三方面，提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述第一方面中任一项所述的基于心理和行为特征的推荐方法。
为了实现上述目的，根据本申请的第四方面，提供了一种基于心理和行为特征的推荐的设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行上述第一方面中任一项所述的基于心理和行为特征的推荐方法。
在本申请实施例中，基于心理和行为特征的推荐方法及装置中，首先，获取用户的基本特征以及行为数据，并基于预设的用户特征模型将用户的基本特征以及行为数据进行结构化得到用户特征标签，行为数据为用户在网络平台上的操作行为；其次，通过人机交互的方式获取用户心理数据，并基于预设的用户心理化特征模型将用户心理数据进行结构化得到用户心理化特征标签；然后根据用户特征标签以及用户心理化特征标签生成用户画像；最后，基于用户画像进行物品推荐。可以看到，本申请中，用于进行物品推荐依据的用户画像中不仅包括了用户的行为数据还包括通过人机交互方式获取到的心理数据，相比于现有的推荐方式中只依据行为数据进行物品推荐的方式增加了更多的用户的个性化数据，因此得到的推荐结果更加的精准。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的一种基于心理和行为特征的推荐方法流程图；
图2是根据本申请实施例提供的另一种基于心理和行为特征的推荐方法流程图；
图3是根据本申请实施例提供的一种基于心理和行为特征的推荐装置的组成框图；
图4是根据本申请实施例提供的另一种基于心理和行为特征的推荐装置的组成框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本申请实施例，提供了一种基于心理和行为特征的推荐方法，如图1所示，该方法包括如下的步骤：
S101.获取用户的基本特征以及行为数据，并基于预设的用户特征模型将用户的基本特征以及行为数据进行结构化得到用户特征标签。
其中，用户的基本特征包括用户的性别、年龄、地区、职业、婚否、兴趣爱好等等。用户的基本特征可以通过用户注册的信息获取，也可以通过其他的第三方系统推送或者关联得到。用户的行为数据为用户在网络平台上的操作行为，其中网络平台为用户当前所登录的网络平台，即本实施例的基于心理和行为特征的推荐方法所应用的平台。用户行为数据包括：用户使用的设备特征(可移动终端的特征或PC终端的特征)、用户访问时间的分布、用户访问频次的分布、点击过的物品的特征、搜索数据特征、浏览数据特征、点赞数据特征、分享数据特征、评论数据特征(评论的正负反馈)等等。用户的行为数据可以通过监控程序记录用户上网行为并对上网行为进行分析得到。具体的监控程序可以为JS脚本等。
预设的用户特征模型的输入为用户的基本特征以及用户的行为数据，输出为用户特征标签。预设的用户特征模型是将基本特征以及行为数据进行数据结构化，得到能够反映用户基本特征以及行为数据的结构化标签。用户特征标签包括用户基本特征标签、用户行为特征标签两种类型。对用户基本特征标签、用户行为特征标签进行示例行的说明，比如基本特征标签可以为：女性、30-40中年、大城市、运动型等，用户行为特征标签可以为：点击过的物品的特征-童装；浏览数据特征-童装、玩具、女装；访问时间分布-节假日；访问频次-5等。
S102.通过人机交互的方式获取用户心理数据，并基于预设的用户心理化特征模型将用户心理数据进行结构化得到用户心理化特征标签。
通过问答的方式与用户进行人机交互会谈，在会谈的过程中，会输出一些预设问题，预设问题为人格特征询问的相关问题。比如，对于某个事件的看法态度；对于某件事情的处理方式等等。用户心理数据为用户在回答问题时涉及到的用于判断人格特征的心理数据。心理数据需要从用户在回答问题时输入的语料信息中提取。
预设的用户心理化特征模型的输入为用户心理数据，输出为用户心理化特征化标签，预设的用户心理化特征模型是将用户心理数据进行数据结构化，得到能够反映人格特征的结构化标签。具体的，对心理化特征标签进行示例性说明：事业型、顾家型、完美型、艺术型、自我型、理智型等等。心理化特征标签的数量和种类不做限制，可以根据不同的人格特征的分类方式进行调整。
本实施例中通过人机交互的方式获取的心理数据的方式更直接，得到的心理也更加的真实准确，心理数据越真实准确，基于该心理数据进行推荐物品也更加准确。
S103.根据用户特征标签以及用户心理化特征标签生成用户画像。
用户画像是一种勾画目标用户、联系用户诉求与设计方向的有效工具，它是将用户的每个具体信息抽象成标签，利用这些标签将用户形象具体化。本步骤是将用户特征标签以及用户心理化特征标签按照特定的规则组合得到包含用户基本特征、行为数据、心理数据的用户画像。
本实施例中的用户画像相比于现有的只根据用户行为数据得到的用户画像更全面，基于更全面的用户画像进行后续的物品推荐可以增加推荐的准确性。
S104.基于用户画像进行物品推荐。
用户画像中包含用户基本特征标签、用户行为特征标签、用户心理化特征标签三种类型的标签，根据用户画像进行物品推荐即根据反映用户需求的各种标签筛选用户可能感兴趣的物品进行推荐。用户画像中每一种类型的标签都与物品之间存在关联关系，因此根据用户画像可以筛选出与用户画像对应的物品。用户画像具有个性化特征，不同的用户对应的用户画像是不同的，因此可以实现个性化的物品推荐。另外，物品的推荐可以以单个物品的形式推荐，也可以以一类物品的形式推荐，具体的可以根据物品的数量等实际需求进行调整。另外，在物品推荐的过程中，还可以根据物品与物品之间的关联关系，推荐与通过用户画像推荐的物品相关联的其他物品。本实施例中利用知识图谱构建物品信息网络，从而强化物品之间的联系，为物品推荐提供丰富的参考价值。
结合具体的示例分析本实施例中推荐的方式的有益效果：如果只根据用户行为得到的用户画像进行推荐，则通常推荐的是用户在最近买过的同类型的物品。然而如果用户在购买物品后，近期购买同类物品的概率是比较小的，因此给用户推荐同类型的产品不太符合用户的消费心理，推荐不够准确；如果加入心理数据，比如用户为顾家型的人，则会结合用户之前所有的行为数据为用户推荐其家人适合的物品或者家具用品；再比如用户为对价格敏感的人，则会结合用户的行为数据为用户推荐性价比较高的物品等等。从上述示例可以看出，结合心理数据和行为数据可以实现更精准的推荐。
从以上的描述中，可以看出，本申请实施例的基于心理和行为特征的推荐方法中，首先，获取用户的基本特征以及行为数据，并基于预设的用户特征模型将用户的基本特征以及行为数据进行结构化得到用户特征标签，行为数据为用户在网络平台上的操作行为；其次，通过人机交互的方式获取用户心理数据，并基于预设的用户心理化特征模型将用户心理数据进行结构化得到用户心理化特征标签；然后根据用户特征标签以及用户心理化特征标签生成用户画像；最后，基于用户画像进行物品推荐。可以看到，本方法中，用于进行物品推荐依据的用户画像中不仅包括了用户的行为数据还包括通过人机交互方式获取到的心理数据，相比于现有的推荐方式中只依据行为数据进行物品推荐的方式增加了更多的用户的个性化数据，因此得到的推荐结果更加的精准。
作为上述实施例的进一步的补充和细化，根据本申请实施例，提供了另一种基于心理和行为特征的推荐方法，如图2所示，该方法包括如下的步骤：
S201.获取用户的基本特征以及行为数据，并基于预设的用户特征模型将用户的基本特征以及行为数据进行结构化得到用户特征标签。
本步骤的实现方式与图1步骤S101的实现方式相同，此处不再赘述。
S202.通过人机会谈的方式获取用户输入的语料信息。
语料信息为用户针对输出的人格特征询问的相关问题的答复信息，通过问答的方式与用户进行交互会谈，在会谈的过程中，会输出一些预设问题，使用户根据问题进行语料信息的输入。输出的问题和输入的语料信息会进行对应的存储。输出预设问题形式可以为语音输出、文本展示、语音输出+文本展示等等。用户输入语料信息的形式可以为录音输入、按键输入、视频输入等等。另外，需要说明的是，预设问题为人格特征询问的相关问题。比如，对于某个事件的看法态度；对于某件事情的处理方式等等。
S203.基于预设人格评估模型对语料信息进行分析确定用户心理化特征标签。
将上述步骤中获取到的语料信息输入到预设人格评估模型，得到与语料信息对应的心理化特征标签。心理化特征标签也是反映用户人格特征的标签，比如事业型、顾家型、完美型、艺术型、自我型、理智型等等。心理化特征标签的数量和种类不做限制。另外，需要说明的是预设人格评估模型对语料信息进行分析得到对应的心理化特征标签的原理为：对语料信息进行分词处理；基于词库对分词结果进行筛选或者提取得到与人格相关的特征词；将提取的特征词根据人工智能算法进行计算和匹配最终得到与特征词对应的心理化特征标签。人工智能算法比如神经网络、深度学习等等。根据人工智能算法进行计算和匹配之前需要根据大量的训练样本得到算法模型，然后根据算法模型进行计算和匹配。本实施例中训练样本包括人格相关的特征词、心理化特征标签、特征词与心理化特征标签之间的对应关系，对训练样本进行训练得到的算法模型即判断特征词与心理化特征标签之间的对应关系的模型。在模型训练的过程中需要结合评价或者判断人格特征的测评表、相关的心理理论等等。
S204.根据用户特征标签以及用户心理化特征标签生成用户画像。
本步骤的实现方式与图1步骤S103的实现方式相同，此处不再赘述。
S205.根据用户的消费记录基于预设的消费倾向模型生成消费倾向标签，并根据消费倾向标签调整用户画像。
用户的消费记录包括消费的金额、消费的周期、消费的物品、消费的频次、等等。预设的消费倾向模型的输入为用户的消费记录，输出为消费倾向标签。消费倾向标签包括对不同种类型的物品的消费倾向程度和/或近期是否有对某种类型物品的消费需求等。消费倾向程度能够根据用户对某种类型的物品的购买数量和/或金额占消费的所有类型的物品的数量和/或金额的比例进行计算，占的比例越高倾向程度越高。“近期是否有对某种类型物品的消费需求”可以根据购买该类型物品的周期确定。比如，若用户在一个月前购买了某类食品，且用户对这类食品的购买周期为两个月，则可以判断用户当前对这类食品没有购买需求，若在一个月后判断，则该用户对这类食品有购买需求。
根据消费倾向标签调整用户画像即将消费倾向标签加入到用户画像中。
在实际的应用中，步骤S204和步骤S205的执行可以进行调整。比如，可以首先生成消费倾向模型，然后直接根据用户特征标签、用户心理化特征标签、消费倾向标签生成用户画像。
S206.根据用户画像中的用户特征标签与物品标签之间的关联关系筛选出初始推荐物品。
用户特征标签与物品标签之间的关联关系是需要提前建立的，不仅如此，还需要建立物品标签与用户心理化特征标签、消费标签之间的关联关系。在建立关联关系之间还需要获取物品特征，并基于预设物品特征模型将物品特征进行数据结构化确定物品标签。物品特征包括物品的内容特征(视频、文本、图片等)、物品所属的类目、物品的流行度、时效性、物品适合的年龄分布、价值评价等。
物品标签与用户特征标签、用户心理化特征标签、消费标签之间的关联关系的建立：本实施例给出一种建立人物心理画像中包含的标签与物品标签之间的关联关系的原理：基于大数据分析原理，根据大量的训练样本(心理画像中包含的标签与物品标签关联关系是已知的样本数据)训练得到人物心理画像中包含的标签与物品标签之间的关联关系。另外，对于用户在网络平台实时产生的数据，也会进行记录，将其作为后续模型训练的样本。
本步骤是先根据用户基本特征和行为数据确定的用户特征标签对物品进行初步筛选，得到初始推荐物品，该初始推荐物品作为后续进行进一步筛选的基础。
S207.根据用户画像中的心理化特征标签和/或消费倾向标签对初始推荐物品进行筛选，得到最终的推荐物品进行推送。
用户的心理化特征标签和/或消费倾向标签在本实施例的推荐的方式中是作为基于用户特征标签进行推荐的辅助，因此需要在得到初始推荐物品后再进行进一步的精准筛选。具体的筛选过程也是基于心理化特征标签、消费倾向标签与物品之间的关联关系进行的，对初始推荐物品筛选后得到最终的推荐物品，并将其通过推荐引擎进行展示。
另外，对于匹配出的千千万万的推荐物品里，为了让返回的内容更加符合用户的期望，需要对匹配出的物品进行排序，根据排序结果确定哪些物品优先推荐给用户。具体的，本实施例中对应的实现方式为：计算用户画像与物品之间的关联程度；按照关联程度的大小顺序推荐与用户对应的物品，即优先推荐关联程度大的物品。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
根据本申请实施例，还提供了一种用于实施上述图1至图2所述方法的基于心理和行为特征的推荐装置，如图3所示，该装置包括：
用户特征标签单元31，用于获取用户的基本特征以及行为数据，并基于预设的用户特征模型将用户的基本特征以及行为数据进行结构化得到用户特征标签，所述行为数据为用户在网络平台上的操作行为；
心理化特征标签单元32，用于通过人机交互的方式获取用户心理数据，并基于预设的用户心理化特征模型将用户心理数据进行结构化得到用户心理化特征标签；
画像生成单元33，用于根据用户特征标签以及用户心理化特征标签生成用户画像；
推荐单元34，用于基于所述用户画像进行物品推荐。
从以上的描述中，可以看出，本申请实施例的基于心理和行为特征的推荐装置中，首先，获取用户的基本特征以及行为数据，并基于预设的用户特征模型将用户的基本特征以及行为数据进行结构化得到用户特征标签，行为数据为用户在网络平台上的操作行为；其次，通过人机交互的方式获取用户心理数据，并基于预设的用户心理化特征模型将用户心理数据进行结构化得到用户心理化特征标签；然后根据用户特征标签以及用户心理化特征标签生成用户画像；最后，基于用户画像进行物品推荐。可以看到，本装置中，用于进行物品推荐依据的用户画像中不仅包括了用户的行为数据还包括通过人机交互方式获取到的心理数据，相比于现有的推荐方式中只依据行为数据进行物品推荐的方式增加了更多的用户的个性化数据，因此得到的推荐结果更加的精准。
进一步，如图4所示，所述装置还包括：
消费倾向标签单元35，用于根据用户的消费记录基于预设的消费倾向模型生成消费倾向标签；
调整单元36，用于根据消费倾向标签调整用户画像。
进一步的，如图4所示，所述心理化特征标签单元32包括：
获取模块321，用于获取用户输入的语料信息，所述语料信息为输出的人格特征询问的相关问题的答复信息；
确定模块322，用于基于预设人格评估模型对所述语料信息进行分析确定用户心理化特征标签。
进一步的，如图4所示，所述装置还包括：
物品标签单元37，用于获取物品特征，并基于预设物品特征模型将物品特征进行结构化确定物品标签。
进一步的，如图4所示，所述推荐单元34包括：
筛选模块341，用于根据用户画像中的用户特征标签与物品标签之间的关联关系筛选出初始推荐物品；
推送模块342，用于根据用户画像中的心理化特征标签和/或消费倾向标签对初始推荐物品进行筛选，得到最终的推荐物品进行推送。
进一步的，如图4所示，所述装置还包括：
关联关系创建单元38，用于分别建立物品标签与用户特征标签、用户心理化特征标签、消费标签之间的关联关系。
具体的，本申请实施例的装置中各单元、模块实现其功能的具体过程可参见方法实施例中的相关描述，此处不再赘述。
根据本申请实施例，还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行图1至图2中任一所述的基于心理和行为特征的推荐方法。
本发明实施例提供了一种基于心理和行为特征的推荐设备，该设备具体可以为心理咨询机器人，该设备包括一个或多个处理器以及存储器，以一个处理器为例。
该控制器还可以包括：输入装置和输出装置。
处理器、存储器、输入装置和输出装置可以通过总线或者其他方式连接。
处理器可以为中央处理器(CentralProcessingUnit，CPU)。处理器还可以为其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请实施例中的控制方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的基于心理和行为特征的推荐方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据服务器操作的处理装置的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至网络连接装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置可接收输入的数字或字符信息，以及产生与服务器的处理装置的用户设置以及功能控制有关的键信号输入。输出装置可包括显示屏等显示设备。
一个或者多个模块存储在存储器中，当被一个或者多个处理器执行时，执行如图1或2所示的方法。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于心理和行为特征的推荐方法，其特征在于，所述方法包括：
获取用户的基本特征以及行为数据，并基于预设的用户特征模型将用户的基本特征以及行为数据进行结构化得到用户特征标签，所述行为数据为用户在网络平台上的操作行为；
通过人机交互的方式获取用户心理数据，并基于预设的用户心理化特征模型将用户心理数据进行结构化得到用户心理化特征标签；
根据用户特征标签以及用户心理化特征标签生成用户画像；
基于所述用户画像进行物品推荐。
2.根据权利要求1所述的基于心理和行为特征的推荐方法，其特征在于，所述方法还包括：
根据用户的消费记录基于预设的消费倾向模型生成消费倾向标签；
根据消费倾向标签调整用户画像。
3.根据权利要求1所述的基于心理和行为特征的推荐方法，其特征在于，所述通过人机交互的方式获取用户心理数据，并基于预设的用户心理化特征模型将用户心理数据进行结构化得到用户心理化特征标签包括：
获取用户输入的语料信息，所述语料信息为输出的人格特征询问的相关问题的答复信息；
基于预设人格评估模型对所述语料信息进行分析确定用户心理化特征标签。
4.根据权利要求3所述的基于心理和行为特征的推荐方法，其特征在于，所述方法还包括：
获取物品特征，并基于预设物品特征模型将物品特征进行结构化确定物品标签。
5.根据权利要求4所述的基于心理和行为特征的推荐方法，其特征在于，所述基于所述用户画像进行物品推荐包括：
根据用户画像中的用户特征标签与物品标签之间的关联关系筛选出初始推荐物品；
根据用户画像中的心理化特征标签和/或消费倾向标签对初始推荐物品进行筛选，得到最终的推荐物品进行推送。
6.根据权利要求5所述的基于心理和行为特征的推荐方法，其特征在于，所述方法还包括：
分别建立物品标签与用户特征标签、用户心理化特征标签、消费标签之间的关联关系。
7.一种基于心理和行为特征的推荐装置，其特征在于，所述装置包括：
用户特征标签单元，用于获取用户的基本特征以及行为数据，并基于预设的用户特征模型将用户的基本特征以及行为数据进行结构化得到用户特征标签，所述行为数据为用户在网络平台上的操作行为；
心理化特征标签单元，用于通过人机交互的方式获取用户心理数据，并基于预设的用户心理化特征模型将用户心理数据进行结构化得到用户心理化特征标签；
画像生成单元，用于根据用户特征标签以及用户心理化特征标签生成用户画像；
推荐单元，用于基于所述用户画像进行物品推荐。
8.根据权利要求7所述的基于心理和行为特征的推荐装置，其特征在于，所述装置还包括：
消费倾向标签单元，用于根据用户的消费记录基于预设的消费倾向模型生成消费倾向标签；
调整单元，用于根据消费倾向标签调整用户画像。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-6任意一项所述的基于心理和行为特征的推荐方法。
10.一种基于心理和行为特征的推荐的设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-6任意一项所述的基于心理和行为特征的推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010079377.6A CN111310035A (zh) | 2020-02-03 | 2020-02-03 | 基于心理和行为特征的推荐方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010079377.6A CN111310035A (zh) | 2020-02-03 | 2020-02-03 | 基于心理和行为特征的推荐方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111310035A true CN111310035A (zh) | 2020-06-19 |
Family
ID=71148755
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010079377.6A Pending CN111310035A (zh) | 2020-02-03 | 2020-02-03 | 基于心理和行为特征的推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111310035A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111737587A (zh) * | 2020-08-21 | 2020-10-02 | 北京每日优鲜电子商务有限公司 | 设备操作方法、装置、电子设备和计算机可读介质 |
| CN112309546A (zh) * | 2020-11-09 | 2021-02-02 | 浙江连信科技有限公司 | 一种基于人机交互的心理健康知识学习方法及学习系统 |
| CN116821287A (zh) * | 2023-08-28 | 2023-09-29 | 湖南创星科技股份有限公司 | 基于知识图谱和大语言模型的用户心理画像系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108268547A (zh) * | 2016-12-29 | 2018-07-10 | 北京国双科技有限公司 | 用户画像生成方法和装置 |
| CN110020162A (zh) * | 2017-12-14 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 用户识别方法和装置 |
| CN110489513A (zh) * | 2019-06-24 | 2019-11-22 | 覃立万 | 一种智能机器人社交信息处理方法及与人的社交系统 |
| US20200013079A1 (en) * | 2013-05-16 | 2020-01-09 | International Business Machines Corporation | Data clustering and user modeling for next-best-action decisions |
| CN110689078A (zh) * | 2019-09-29 | 2020-01-14 | 浙江连信科技有限公司 | 基于人格分类模型的人机交互方法、装置及计算机设备 |
-
2020
- 2020-02-03 CN CN202010079377.6A patent/CN111310035A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200013079A1 (en) * | 2013-05-16 | 2020-01-09 | International Business Machines Corporation | Data clustering and user modeling for next-best-action decisions |
| CN108268547A (zh) * | 2016-12-29 | 2018-07-10 | 北京国双科技有限公司 | 用户画像生成方法和装置 |
| CN110020162A (zh) * | 2017-12-14 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 用户识别方法和装置 |
| CN110489513A (zh) * | 2019-06-24 | 2019-11-22 | 覃立万 | 一种智能机器人社交信息处理方法及与人的社交系统 |
| CN110689078A (zh) * | 2019-09-29 | 2020-01-14 | 浙江连信科技有限公司 | 基于人格分类模型的人机交互方法、装置及计算机设备 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111737587A (zh) * | 2020-08-21 | 2020-10-02 | 北京每日优鲜电子商务有限公司 | 设备操作方法、装置、电子设备和计算机可读介质 |
| CN112309546A (zh) * | 2020-11-09 | 2021-02-02 | 浙江连信科技有限公司 | 一种基于人机交互的心理健康知识学习方法及学习系统 |
| CN116821287A (zh) * | 2023-08-28 | 2023-09-29 | 湖南创星科技股份有限公司 | 基于知识图谱和大语言模型的用户心理画像系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111444428B (zh) | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 | |
| Pantano et al. | Making sense of consumers’ tweets: Sentiment outcomes for fast fashion retailers through Big Data analytics | |
| CN111784455A (zh) | 一种物品推荐方法及推荐设备 | |
| KR101419504B1 (ko) | 사용자 성향 분석을 통한 맞춤형 쇼핑 정보 제공 시스템 및 방법 | |
| US10409915B2 (en) | Determining personality profiles based on online social speech | |
| JP2017010517A (ja) | 人工知能によるヒューマン・マシン間の知能チャットの方法および装置 | |
| CN111310035A (zh) | 基于心理和行为特征的推荐方法及装置 | |
| JP2021089742A (ja) | 広告を選択する方法、ユーザを分類する方法、およびプログラム | |
| CN108959323B (zh) | 视频分类方法和装置 | |
| WO2013119280A1 (en) | Tools and methods for determining relationship values | |
| CN111400613A (zh) | 物品推荐方法、装置、介质及计算机设备 | |
| Liu et al. | The power of talk: Exploring the effects of streamers’ linguistic styles on sales performance in B2B livestreaming commerce | |
| Shen et al. | A voice of the customer real-time strategy: An integrated quality function deployment approach | |
| CN115147130A (zh) | 问题预测方法、设备、存储介质及程序产品 | |
| CN115659008A (zh) | 大数据信息反馈的信息推送系统、方法、电子设备及介质 | |
| CN116089745A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
| CN116541517A (zh) | 文本信息处理方法、装置、设备、软件程序以及存储介质 | |
| CN110851694A (zh) | 基于用户记忆网络和树形结构的深度模型的个性化推荐系统 | |
| CN116703515A (zh) | 基于人工智能的推荐方法、装置、计算机设备及存储介质 | |
| CN116823410A (zh) | 数据处理方法、对象处理方法、推荐方法及计算设备 | |
| CN113704630B (zh) | 一种信息推送方法、装置、可读存储介质和电子设备 | |
| CN116204709A (zh) | 一种数据处理方法及相关装置 | |
| CN111445263A (zh) | 信息处理方法、装置和计算机系统及介质 | |
| CN111310028A (zh) | 基于心理化特征的推荐方法及装置 | |
| CN114372202A (zh) | 一种内容推荐方法、装置、存储介质及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |