CN112085565B - 基于深度学习的信息推荐方法、装置、设备及存储介质 - Google Patents

基于深度学习的信息推荐方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112085565B
CN112085565B CN202010930243.0A CN202010930243A CN112085565B CN 112085565 B CN112085565 B CN 112085565B CN 202010930243 A CN202010930243 A CN 202010930243A CN 112085565 B CN112085565 B CN 112085565B
Authority
CN
China
Prior art keywords
data
product
sample
features
probability
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.)
Active
Application number
CN202010930243.0A
Other languages
English (en)
Other versions
CN112085565A (zh
Inventor
曾思敏
张旭
郑越
陈阳
龙铠豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202010930243.0A priority Critical patent/CN112085565B/zh
Publication of CN112085565A publication Critical patent/CN112085565A/zh
Application granted granted Critical
Publication of CN112085565B publication Critical patent/CN112085565B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及人工智能技术领域，揭露一种基于深度学习的信息推荐方法、装置、设备及存储介质，其中方法对获取初始数据进行预处理，得到基础数据，然后通过基于密度聚类算法，对基础数据进行聚类，得到不同用户群体，再选择任一用户群体，作为目标群体，并根据关联分析算法Apriori，得到目标群体的候选产品数据；通过候选产品数据，生成样本数据；将样本数据输入到DEEPFM模型中，进行概率计算，得到产品选择概率，并根据产品选择概率对目标群体进行产品信息推送。本申请还涉及区块链技术，初始数据存储于区块链中。本申请通过对产品关联和用户偏好信息的数据分析，以提高信息推荐效率。

Description

基于深度学习的信息推荐方法、装置、设备及存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及基于深度学习的信息推荐方法、装置、设备及存储介质。
背景技术
目前业内常常采用产品组合营销的方式对客户进行全方位的产品推送，在满足了客户多方面的需求的同时，进一步提高产品服务体系的市场占有率和营销额。产品组合包中常包含洗车加油、维修保养等多方面的产品服务。根据业务经验，产品组合营销对用户习惯的培养、客户粘性的维持均起到积极作用。因此，充分挖掘到客户的需求，给客户提供的合适的产品组合，是业内亟待解决的问题。
目前，现有的产品推荐方法为通过人工构建不同客群，再为指定的客群配置产品候选集，在此基础上再利用随机组合的方式为生成个人推荐的产品组合。但是，这个产品推荐方式缺乏对产品关联和用户偏好信息的数据分析，导致所推荐的产品组合并非用户感兴趣的，导致产品信息推荐效率低。故现亟需一种能够提高信息推荐效率的方法。
发明内容
本申请实施例的目的在于提出一种基于深度学习的信息推荐方法，通过对产品关联和用户偏好信息的数据分析，以提高信息推荐效率。
为了解决上述技术问题，本申请实施例提供一种基于深度学习的信息推荐方法，包括：
获取初始数据，并对所述初始数据进行预处理，得到基础数据；
基于密度聚类算法，对所述基础数据进行聚类，得到M个聚类，并获取每个所述聚类对应的用户群体，得到M个用户群体，其中，M为正整数；
选择任一用户群体，作为目标群体，并根据关联分析算法Apriori，对所述目标群体对应的初始数据进行关联分析，得到所述目标群体的候选产品数据；
识别所述候选产品数据中的离散型特征、稀疏连续型特征及普通型连续型特征，对所述离散型特征和稀疏连续型特征进行独热编码，得到特征编码，并将所述特征编码和所述普通型连续型特征进行组合，形成样本数据；
将所述样本数据输入到DEEPFM模型中，进行概率计算，得到产品选择概率，并对所述选择概率进行从大到小的排列，得到概率序列；
从所述概率序列中，依次按照前往后的顺序选取预设数量的选择概率，作为目标选择概率，将所述目标选择概率对应产品的产品信息数据，作为待推荐信息，并将所述待推荐信息推送给所述目标群体。
进一步的，所述基于密度聚类算法，对所述基础数据进行聚类，得到M个聚类，并获取每个所述聚类对应的用户群体，得到M个用户群体包括：
将每一个产品作为数据样本，通过预设的方式，计算所述数据样本间距离，得到样本距离；
以每个所述数据样本作为圆心，与预设距离作为半径，形成邻域，其中，当两个数据样本的样本距离小于所述预设距离时，则所述两个数据样本形成邻域的圆心都落在对方邻域中；
若所述邻域中的圆心个数超过预设阈值，则将所述邻域对应的圆心作为产品核心点；
将所述产品核心点进行聚类，得到M个聚类，并获取每个所述聚类对应的用户群体，得到M个用户群体。
进一步的，在选择任一用户群体，作为目标群体，并根据关联分析算法Apriori，对所述目标群体对应的初始数据进行关联分析，得到所述目标群体的候选产品数据之后，所述方法还包括：
获取预设时间内所述目标群体的基础数据，其中，所述基础数据中包括用户对产品的正向评价、中性评价和负向评价；
根据NLP的情感分析技术，对所述基础数据进行观点抽取，得到观点抽取结果；
选择观点抽取结果中正向评价的产品，加入所述候选产品数据。
进一步的，所述将所述样本数据输入到DEEPFM模型中，进行概率计算，得到产品选择概率，并对所述选择概率进行从大到小的排列，得到概率序列包括：
将所述样本数据输入到DEEPFM模型中，进行向量计算，得到输出向量；
对所述输出向量进行加权求和，得到结果向量，并对所述结果向量进行Sigmoid函数计算，得到产品选择概率；
对所述选择概率进行从大到小的排列，得到概率序列。
进一步的，在所述识别所述候选产品数据中的离散型特征、稀疏连续型特征及普通型连续型特征，对所述离散型特征和稀疏连续型特征进行独热编码，得到特征编码，并将所述特征编码和所述普通型连续型特征进行组合，形成样本数据之前，所述方法还包括：
获取所述候选产品数据的特征类型，其中，所述特征类型包括离散特征、稀疏连续型特征和普通型连续特征；
若所述特征类型为离散特征，则将按照预设方式，对所述候选产品数据进行归类；
若所述特征类型为稀疏连续型特征，则将所述候选产品数据进行分箱处理，得到分箱处理结果，并识别候选产品数据的极值，对所述极值进行截断处理。
进一步的，所述识别所述候选产品数据中的离散型特征、稀疏连续型特征及普通型连续型特征，对所述离散型特征和稀疏连续型特征进行独热编码，得到特征编码，并将所述特征编码和所述普通型连续型特征进行组合，形成样本数据还包括：
通过对所述稀疏连续型特征进行词向量embedding处理，得到等长的k维特征向量，并将所述k维特征向量作为样本数据，其中，k为正整数。
进一步的，将所述初始数据存储于区块链中。
为了解决上述技术问题，本申请实施例提供一种基于深度学习的信息推荐装置，包括：
初始数据获取模块，用于获取初始数据，并对所述初始数据进行预处理，得到基础数据；
用户群体分群模块，用于基于密度聚类算法，对所述基础数据进行聚类，得到M个聚类，并获取每个所述聚类对应的用户群体，得到M个用户群体，其中，M为正整数；
候选产品数据模块，用于选择任一用户群体，作为目标群体，并根据关联分析算法Apriori，对所述目标群体对应的初始数据进行关联分析，得到所述目标群体的候选产品数据；
样本数据形成模块，用于识别所述候选产品数据中的离散型特征、稀疏连续型特征及普通型连续型特征，对所述离散型特征和稀疏连续型特征进行独热编码，得到特征编码，并将所述特征编码和所述普通型连续型特征进行组合，形成样本数据；
概率序列获取模块，用于将所述样本数据输入到DEEPFM模型中，进行概率计算，得到产品选择概率，并对所述选择概率进行从大到小的排列，得到概率序列；
待推荐信息推送模块，用于从所述概率序列中，依次按照前往后的顺序选取预设数量的选择概率，作为目标选择概率，将所述目标选择概率对应产品的产品信息数据，作为待推荐信息，并将所述待推荐信息推送给所述目标群体。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种计算机设备，包括，一个或多个处理器；存储器，用于存储一个或多个程序，使得一个或多个处理器实现上述任意一项所述的基于深度学习的信息推荐方案。
为解决上述技术问题，本发明采用的一个技术方案是：一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的基于深度学习的信息推荐方案。
以上方案中的一种基于深度学习的信息推荐方法，通过对获取的初始数据进行预处理，有利于删除重复信息、纠正存在的错误，并提供数据一致性，然后通过密度聚类算法，将用户分为不同的用户群体，便于后续对不同用户群体的偏好产品的计算；在根据关联分析算法Apriori对任一用户群体进行关联分析，得到候选产品数据，实现用户对不同产品关联喜好程度的获取，去除用户没有感兴趣的产品，缩小产品数据量，进而减少后续步骤的计算量；最后通过DEEPFM模型，计算用户对产品的选择概率，并以此进行产品信息推送，实现了对用户的偏好产品的精准计算，对用户进行精准推送，进而提高产品信息推荐的效率。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的基于深度学习的信息推荐方法的应用环境示意图；
图2根据本申请实施例提供的基于深度学习的信息推荐方法的一实现流程图；
图3是本申请实施例提供的基于深度学习的信息推荐方法中步骤S2的一实现流程图；
图4是本申请实施例提供的基于深度学习的信息推荐装置示意图；
图5是本申请实施例提供的计算机设备的示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
下面结合附图和实施方式对本发明进行详细说明。
请参阅图1，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、搜索类应用、即时通信工具等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的一种基于深度学习的信息推荐方法一般由服务器执行，相应地，一种基于深度学习的信息推荐装置一般设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
请参阅图2，图2示出了基于深度学习的信息推荐方法的一种具体实施方式。
需注意的是，若有实质上相同的结果，本发明的方法并不以图2所示的流程顺序为限，该方法包括如下步骤：
S1：获取初始数据，并对初始数据进行预处理，得到基础数据。
具体的，通过收集初始数据，对初始数据进行预处理包括但不限于：对初始数据进行数据清洗，达到删除重复信息、纠正存在的错误，并提供数据一致性，最终得到基础数据。
其中，用初始数据包括用户属性数据、用户行为数据及产品属性数据。
S2：基于密度聚类算法，对基础数据进行聚类，得到M个聚类，并获取每个聚类对应的用户群体，得到M个用户群体。
具体的，由于初始数据中，不同的产品间存在的不同的距离，通过将每个产品作为一个数据样本，以每个数据样本作为圆心，与预设距离作为半径，形成邻域，在该邻域的圆心个数超过预设阈值，那么将该圆圈的圆心记为核心点，即该产品为核心点，通过该核心点进行聚类，得到M个聚类，并通过获取每个聚类的对应用户群体，得到M个用户群体。具体的聚类过程详见步骤S21-S23，为避免重复，此处不再累赘。
其中，密度聚类算法包括但不限于SS-DBSCAN算法、OPTICS算法、DENCLUE算法等，在本发明中，优选SS-DBSCAN算法,因为SS-DBSCAN算法可以同时兼顾离散特征和连续特征。
通过对用户进行分群，减少后续步骤的数据输入，提高数据的处理效率；同时通过对用户分群，使得产品范围缩小，便于后续构建样本数据。
其中，DBSCAN算法(Density-based spatial clustering of applications withnoise)是Martin Ester,Hans-PeterKriegel等人于1996年提出的一种基于密度的空间的数据聚类方法，该算法是最常用的一种聚类方法。该算法将具有足够密度区域作为距离中心，不断生长该区域,算法基于一个事实：一个聚类可以由其中的任何核心对象唯一确定。该算法利用基于密度的聚类的概念，即要求聚类空间中的一定区域内所包含对象(点或其他空间对象)的数目不小于某一给定阈值。该方法能在具有噪声的空间数据库中发现任意形状的簇，可将密度足够大的相邻区域连接，能有效处理异常数据，主要用于对空间数据的聚类。
S3：选择任一用户群体，作为目标群体，并根据关联分析算法Apriori，对目标群体对应的初始数据进行关联分析，得到目标群体的候选产品数据。
具体的，通过以上步骤，得到了不同的用户群体，这些用户群体中，包含了对不同产品选择行为。当对于任一用户群体，每个用户在选择产品时，往往会同时选择几种不同的产品，这些选择不同产品之间，存在着用户对不同产品组合的不同选择偏好。所以，本步骤通过关联分析算法Apriori，对目标群体对应的聚类数据进行关联分析，得到关联分析结果，从而获知该用户群体对不同产品组合选择的情况，以便减少产品数据，对后续步骤的输入减少，以达到更有利于获取用户对每个产品的选择的偏好程度，最终提高产品推荐的效率。
其中，关联分析算法Apriori算法是第一个关联规则挖掘算法。它利用逐层搜索的迭代方法找出数据库中项集的关系，以形成规则，其过程由连接(类矩阵运算)与剪枝(去掉那些没必要的中间结果)组成。该算法中项集的概念即为项的集合。包含K个项的集合为k项集。项集出现的频率是包含项集的事务数，称为项集的频率。如果某项集满足最小支持度，则称它为频繁项集。
其中，关联分析是指获取初始数据的支持度和置信度，并通过强关联规则，计算初始数据中的频繁项集。其中，支持度是指不同产品同时出现的概率，置信度是指示产品A和产品B同时出现的概率产品A出现概率的比值，频繁项集也指经常出现在一起的产品。
其中，将关联分析结果中的频繁项集作为候选产品数据。
S4：识别候选产品数据中的离散型特征、稀疏连续型特征及普通型连续型特征，对离散型特征和稀疏连续型特征进行独热编码，得到特征编码，并将特征编码和普通型连续型特征进行组合，形成样本数据。
具体的，由于后续步骤需要对候选产品数据输入到DEEPFM模型，所以需要对候选产品数据进行数据处理，使得候选产品数据符合DEEPFM模型数据输入形式。
具体的，样本数据包括用户属性特征、用户行为特征及产品属性特征共同构成形成。
进一步的，普通型连续型特征涉及文本型特征，如通话记录或产品描述等，需要构建词向量特征作为DEEPFM模型的输入。
其中，独热编码即One-Hot编码，又称一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。
其中，稀疏连续型特征是在数据库中，在二维表中含有大量空值的连续数据特征；即稀疏数据是指，在数据集中绝大多数数值缺失或者为零的数据。
S5：将样本数据输入到DEEPFM模型中，进行概率计算，得到产品选择概率，并对选择概率进行从大到小的排列，得到概率序列。
具体的，通过将选样本数据输入到DEEPFM模型中，进行概率计算，得到产品选择概率。
其中，产品选择概率为预测用户选择该产品的概率。
具体的，在DEEPFM模型中FFM部分的计算过程如下：
Figure BDA0002669957410000091
其中，n为样本数据个数，xi为第i个特征，<Vi，fj，vj，fi>为二阶特征组合参数矩阵分接为内积的形式，fi为xi的特征域，fj为xj的特征域，Vi和Vj是xi和xj的对应的隐向量，wo、wi为DEEPFM模型的参数。其中，二阶组合部分：
Figure BDA0002669957410000101
其中，DEEPFM模型是一个集成了FFM模型和DNN的神经网络框架，思路和google的Wide&Deep有相似的地方，Wide&Deep包括wide和deep两部分，其中wide部分是高维线性模型，DeepFM的wide部分则是FFM模型；二者的deep部分都是dnn层。DNN隐藏层的激活函数用ReLu和Tanh，Sigmoid函数做CTR预估的输出函数。
在本发明中，在Deep部分处理选择Transformer结构，输入特征主要为用户行为数据，该结构主要抽取行为序列特征。在Sigmoid函数处理部分：组合FFM和Deep各部分的结果，进行sigmoid的拟合处理，输出模型结果，可以返回概率特性，也可以返回二分类值。最终得到产品选择概率。
其中，采用DeepFM模型的好处是不需要人工作特征组合工程，能同时学习低阶和高阶的组合特征；并且FFM和Deep部分共享Feature Embedding特征，训练速度快，学习效果好。
S6：从概率序列中，依次按照前往后的顺序选取预设数量的选择概率，作为目标选择概率，将目标选择概率对应产品的产品信息数据，作为待推荐信息，并将待推荐信息推送给目标群体。
具体的，由于选择概率越大，客户选择该产品的可能性就越大，所以根从概率序列中，依次按照前往后的顺序选取预设数量的选择概率，作为目标选择概率，将目标选择概率对应产品的产品信息数据，作为待推荐信息，并将待推荐信息推送给目标客户。
需要说明的是，预设数量根据实际情况而设定，此处不做限定。在一具体实施例中，预设数量为5个。
本实施例中，通过对获取的初始数据进行预处理，有利于删除重复信息、纠正存在的错误，并提供数据一致性，然后通过密度聚类算法，将用户分为不同的用户群体，便于后续对不同用户群体的偏好产品的计算；在根据关联分析算法Apriori对任一用户群体进行关联分析，得到候选产品数据，实现用户对不同产品关联喜好程度的获取，去除用户没有感兴趣的产品，缩小产品数据量，进而减少后续步骤的计算量；最后通过DEEPFM模型，计算用户对产品的选择概率，并以此进行产品信息推送，实现了对用户的偏好产品的精准计算，对用户进行精准推送，进而提高产品推荐的效率。
请参阅图3，图3示出了步骤S2的一种具体实施方式，步骤S2中基于密度聚类算法，对基础数据进行聚类，得到M个聚类，并获取每个聚类对应的用户群体，得到M个用户群体的具体实现过程，详叙如下：
S21：将每一个产品作为一个数据样本，通过预设的方式，计算数据样本间距离，得到样本距离。
具体的，通过将每一个产品作为数据样本，计算数据样本间的距离，距离越近，说明产品间的紧密度更高，为后续获取产品核心点提供基础。
需要说明的是，预设的方式包括当不限于：闵可夫斯基距离(MinkowskiDistance)、曼哈顿距离(Manhattan Distance)和欧氏距离(Euclidean Distance)等。本实施例中，优选欧氏距离，进行计算数据样本间的距离。
S22：以每个所述数据样本作为圆心，与预设距离作为半径，形成邻域。
其中，在密度聚类算法以每一个数据样本xi为圆心，以预设距离eps为半径画一个圆圈。这个圆圈被称为xi的eps邻域。在本实施例中，以每个产品为圆心，以预设距离作为半径，进行画圆，形成的这个圆圈，即为邻域。
其中，当两个数据样本的样本距离小于预设距离时，则两个数据样本形成邻域的圆心都落在对方邻域中
需要说明的是，预设距离根据实际情况进行设定，此处不做限定。在一具体实施例中，预设距离被选择次数为0.5。
S23：若邻域中的圆心个数超过预设阈值，则将邻域对应的圆心作为产品核心点。
具体的，由于是以每个产品为圆心进行进行画圆，形成众多圆圈，且在步骤S21中，已经计算得到了数据样本间的距离，当两个数据样本间的距离小于预设距离的半径，则这两个圆圈的圆心都在对方的圆中。当一个圆圈xi内，与不同其他圆圈进行相交，且与圆圈xi相交的圆圈的圆心落在圆圈xi内，则对该圆心进行计数，如果一个圆圈里面的圆心的数目超过了预设阈值，那么将该圆圈的圆心记为产品核心点，又称核心对象。例如，某一产品yi形成的邻域yi，另一个产品ki形成的邻域ki，这两个产品间的距离为0.2，而邻域yi和邻域ki的半径为0.5，则邻域ki的圆心落在了邻域yi内，并且当其他产品的圆心落在邻域yi的个数超过了阈值阈值，则将产品yi作为核心产品点。
需要说明的是，预设阈值据实际情况进行设定，此处不做限定。在一具体实施例中，预设阈值为5。
S24：将产品核心点进行聚类，得到M个聚类，并获取每个聚类对应的用户群体，得到M个用户群体。
具体，产品核心点xi的eps邻域内的所有的点，都是xi的直接密度直达。如果xj由xi密度直达，xk由xj密度直达。xn由xk密度直达，那么，xn由xi密度可达。将密度相连的点连接在一起，就形成了的聚类簇，也即本实时例中的M个聚类。由于每个聚类中都包含着众多产品，每一个产品都有不同的用户对其进行选择。所以，只要用户选择了聚类中的产品，就将这些用户作为每个聚类对应的用户群体，得到M个用户群体。
本实施例中，通过将每一个产品作为一个数据样本，通过预设的方式，计算数据样本间距离，以每个所述数据样本作为圆心，与预设距离作为半径，形成邻域，并在邻域中，当圆心个数超过预设阈值，得到产品核心点，将不同产品核心点进行聚类，得到M个聚类，并获取每个聚类对应的用户群体，得到M个用户群体，通过对用户进行分群，减少后续步骤的数据输入，提高数据的处理效率；同时通过对用户分群，使得产品范围缩小，便于后续构建样本数据，以提高产品信息推荐的效率。
进一步的，在步骤S3之后，该基于深度学习的信息推荐方法还包括：
获取预设时间内目标群体的基础数据，其中，基础数据中包括用户对产品的正向评价、中性评价和负向评价。
具体的，基于用户分群构建的候选产品数据，可能存在部分个人兴趣产品被排除在可选数据集的情况。尤其当用户近期萌生了对新产品兴趣，但数据记录里这部分数据量级尚积累不足，或者仍未发生购买记录的情况。这样会影响后续的个性化推荐效果。因此在预设时间内，根据目标群体近期行为数据，如应用浏览数据，可将高频浏览的产品加入可选产品，如与客服的语音通话记录，可利用NLP的情感分析技术，将目标群体近期正向评价的产品加入到用候选产品数据中。
需要说明的是，预设时间据实际情况进行设定，此处不做限定。在一具体实施例中，预设时间为15天。
根据NLP的情感分析技术，对基础数据进行观点抽取，得到观点抽取结果。
具体的，由于用户对产品存在正向评价、中性评价和负向评价，故而需要对预设时间内目标群体的基础数据进行观点抽取。
其中，NLP的情感分析技术也称为意见挖掘(Opinion Mining)，是自然语言处理(NLP)的一个领域，它构建的系统，用于在文本中识别和提取观点。通常，除了识别观点之外，这些系统还提取描述的特征。
选择观点抽取结果中正向评价的产品，加入候选产品数据。
具体的，由于用户对产品的正向评价，说明用户认可该产品，日后该用户再次选择该产品的可能性比较大，所以将观点抽取结果中正向评价的产品，加入候选产品数据。
本实施例中，通过获取预设时间内目标群体的基础数据，并根据NLP的情感分析技术，对基础数据进行观点抽取，得到观点抽取结果，选择观点抽取结果中正向评价的产品，加入候选产品数据，实现进一步筛选目标群体可能偏向的产品加入候选产品数据，有利于后续构建样本数据，提高产品信息推荐的效率。
进一步的，步骤S5包括：
将样本数据输入到DEEPFM模型中，进行向量计算，得到输出向量。
具体的，通过将样本数据输入到DEEPFM模型中，通过DEEPFM模型的深度神经网络DEEP模块和FFM模块的向量计算，得到输出向量。
对输出向量进行加权求和，得到结果向量，并对结果向量进行Sigmoid函数计算，得到产品选择概率。
其中，Sigmoid函数是一个在生物学中常见的S型函数，也称为S型生长曲线。在信息科学中，由于其单增以及反函数单增等性质，Sigmoid函数常被用作神经网络的激活函数，将变量映射到0,1之间。在本实施例中，通过Sigmoid函数对结果向量的计算，得到产品选择概率。
对选择概率进行从大到小的排列，得到概率序列。
具体的，由于后续步骤需要选择部分产品对应的产品信息进行推送，所以，将对选择概率进行从大到小的排列，得到概率序列，便于推送目标群体偏好程度更高的产品信息。
本实施例中，通过将样本数据输入到DEEPFM模型中，进行向量计算，得到输出向量，对输出向量进行加权求和，得到结果向量，并对结果向量进行Sigmoid函数计算，得到产品选择概率，并对选择概率进行从大到小的排列，得到概率序列，实现获取用户群体的用户对不同产品的偏好程度的量化，实现提高产品信息的推荐效率。
进一步的，在步骤S4之前，该基于深度学习的信息推荐方法还包括：
获取候选产品数据的特征类型，其中，特征类型包括离散特征、稀疏连续型特征和普通型连续特征。
具体的，通过获取候选产品数据的特征类型，对部分特征类型进行处理，以便形成样本数据，并作为DEEPFM模型的输入。
若特征类型为离散特征，则将按照预设方式，对候选产品数据进行归类。
其中，预设预设方式为将候选产品数据中较少的分类以及极值归为一类。其中，极值为候选产品数据被用户选中最多和最少的产品。
若特征类型为稀疏连续型特征，则将候选产品数据进行分箱处理，得到分箱处理结果，并识别候选产品数据的极值，对极值进行截断处理。
其中，数据分箱处理，即把一段连续的值切分成若干段，每一段的值看成一个分类。通常把连续值转换成离散值的过程，称之为分箱处理。
进一步的，连续型特征涉及文本型特征，如通话记录或产品描述等，需要构建词向量特征作为模型的输入。
本实施例中，通过获取候选产品数据的特征类型，若特征类型为离散特征，则将按照预设方式，对候选产品数据进行归类，若特征类型为稀疏连续型特征，则将候选产品数据进行分箱处理，得到分，箱处理结果，并识别候选产品数据的极值，对极值进行截断处理，实现样本数据的初步处理，便于后续对产品的概率计算，进而提高产品信息的推荐效率。
进一步的，步骤S4还包括：
通过对稀疏连续型特征进行词向量embedding处理，得到等长的k维特征向量，并将k维特征向量作为样本数据，其中，k为正整数。
具体的，由于商品品类众多，部分非数值型数据经过独热编码后会存在稀疏性。且在实际中，使用记录亦存在稀疏性。因此通过对稀疏连续型特征进行词向量embedding处理，得到等长的k维特征向量，解决数据稀疏性问题。
其中，词向量embedding(Word embedding)，又叫Word嵌入式自然语言处理(NLP)中的一组语言建模和特征学习技术的统称，其中来自词汇表的单词或短语被映射到实数的向量。从概念上讲，它涉及从每个单词一维的空间到具有更低维度的连续向量空间的数学嵌入。生成这种映射的方法包括神经网络，单词共生矩阵的降维，概率模型，可解释的知识库方法，和术语的显式表示单词出现的背景。
本实施例中，通过对稀疏连续型特征进行词向量embedding处理，得到等长的k维特征向量，并将k维特征向量作为样本数据，实现解决数据稀疏性问题，便于DEEPFM模型对样本数据的概率计算，从而提高产品推荐效率。
进一步的，该基于深度学习的信息推荐方法还包括：
将初始数据存储于区块链中。
需要强调的是，为进一步保证上述初始数据的私密和安全性，上述初始数据还可以存储于一区块链的节点中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
请参考图4，作为对上述图2所示方法的实现，本申请提供了一种基于深度学习的信息推荐装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例的基于深度学习的信息推荐装置包括：初始数据获取模块71、用户群体分群模块72、候选产品数据模块73、样本数据形成模块74、概率序列获取模块75及待推荐信息推送模块76，其中：
初始数据获取模块71，用于获取初始数据，并对初始数据进行预处理，得到基础数据；
用户群体分群模块72，用于基于密度聚类算法，对基础数据进行聚类，得到M个聚类，并获取每个聚类对应的用户群体，得到M个用户群体，其中，M为正整数；
候选产品数据模块73，用于选择任一用户群体，作为目标群体，并根据关联分析算法Apriori，对目标群体对应的初始数据进行关联分析，得到目标群体的候选产品数据；
样本数据形成模块74，用于识别候选产品数据中的离散型特征、稀疏连续型特征及普通型连续型特征，对离散型特征和稀疏连续型特征进行独热编码，得到特征编码，并将特征编码和普通型连续型特征进行组合，形成样本数据；
概率序列获取模块75，用于将样本数据输入到DEEPFM模型中，进行概率计算，得到产品选择概率，并对选择概率进行从大到小的排列，得到概率序列；
待推荐信息推送模块76，用于从概率序列中，依次按照前往后的顺序选取预设数量的选择概率，作为目标选择概率，将目标选择概率对应产品的产品信息数据，作为待推荐信息，并将待推荐信息推送给目标群体。
进一步的，用户群体分群模块72包括：
数据样本单元，用于将每一个产品作为一个数据样本，通过预设的方式，计算数据样本间距离，得到样本距离；
邻域形成单元，用于以每个数据样本作为圆心，与预设距离作为半径，形成邻域，其中，当两个数据样本的样本距离小于预设距离时，则两个数据样本形成邻域的圆心都落在对方邻域中；
产品核心点单元，用于若邻域中的圆心个数超过预设阈值，则将邻域对应的圆心作为产品核心点；
用户群体单元，用于将产品核心点进行聚类，得到M个聚类，并获取每个聚类对应的用户群体，得到M个用户群体。
进一步的，在候选产品数据模块73之后，该基于深度学习的信息推荐装置还包括：
基础数据获取模块，用于获取预设时间内目标群体的基础数据，其中，基础数据中包括用户对产品的正向评价、中性评价和负向评价；
观点抽取模块，用于根据NLP的情感分析技术，对基础数据进行观点抽取，得到观点抽取结果；
产品加入模块，用于选择观点抽取结果中正向评价的产品，加入候选产品数据。
进一步的，概率序列获取模块75包括：
输出向量获取单元，用于将样本数据输入到DEEPFM模型中，进行向量计算，得到输出向量；
选择概率计算单元，用于对输出向量进行加权求和，得到结果向量，并对结果向量进行Sigmoid函数计算，得到产品选择概率；
选择概率排列单元，用于对选择概率进行从大到小的排列，得到概率序列。
进一步的，在样本数据形成模块74之前，该基于深度学习的信息推荐装置还包括：
特征类型获取模块，用于获取候选产品数据的特征类型，其中，特征类型包括离散特征、稀疏连续型特征和普通型连续特征；
离散特征归类模块，用于若特征类型为离散特征，则将按照预设方式，对候选产品数据进行归类；
稀疏连续型特征处理模块，用于若特征类型为稀疏连续型特征，则将候选产品数据进行分箱处理，得到分箱处理结果，并识别候选产品数据的极值，对极值进行截断处理。
进一步的，样本数据形成模块74还包括
特征向量获取单元，用于通过对稀疏连续型特征进行词向量embedding处理，得到等长的k维特征向量，并将k维特征向量作为样本数据，其中，k为正整数。
进一步的，该基于深度学习的信息推荐装置还包括：
初始数据存储模块，用于将初始数据存储于区块链中。
需要强调的是，为进一步保证上述初始数据的私密和安全性，上述初始数据还可以存储于一区块链的节点中。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图5，图5为本实施例计算机设备基本结构框图。
计算机设备8包括通过系统总线相互通信连接存储器81、处理器82、网络接口83。需要指出的是，图中仅示出了具有三种组件存储器81、处理器82、网络接口83的计算机设备8，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
存储器81至少包括一种类型的可读存储介质，可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器81可以是计算机设备8的内部存储单元，例如该计算机设备8的硬盘或内存。在另一些实施例中，存储器81也可以是计算机设备8的外部存储设备，例如该计算机设备8上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器81还可以既包括计算机设备8的内部存储单元也包括其外部存储设备。本实施例中，存储器81通常用于存储安装于计算机设备8的操作系统和各类应用软件，例如基于深度学习的信息推荐方法的程序代码等。此外，存储器81还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器82在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器82通常用于控制计算机设备8的总体操作。本实施例中，处理器82用于运行存储器81中存储的程序代码或者处理数据，例如运行一种基于深度学习的信息推荐方法的程序代码。
网络接口83可包括无线网络接口或有线网络接口，该网络接口83通常用于在计算机设备8与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，计算机可读存储介质存储有服务器维护程序，服务器维护程序可被至少一个处理器执行，以使至少一个处理器执行如上述的一种基于深度学习的信息推荐方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例的方法。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (9)

1.一种基于深度学习的信息推荐方法，其特征在于，包括：
获取初始数据，并对所述初始数据进行预处理，得到基础数据；
基于密度聚类算法，对所述基础数据进行聚类，得到M个聚类，并获取每个所述聚类对应的用户群体，得到M个用户群体，具体实现方式为：将每一个产品作为一个数据样本，通过预设的方式，计算所述数据样本间距离，得到样本距离；以每个所述数据样本作为圆心，预设距离作为半径，形成邻域，其中，当两个数据样本的样本距离小于所述预设距离时，则所述两个数据样本形成邻域的圆心都落在对方邻域中；若所述邻域中的圆心个数超过预设阈值，则将所述邻域对应的圆心作为产品核心点；将所述产品核心点进行聚类，得到M个聚类，并获取每个所述聚类对应的用户群体，得到M个用户群体，其中，M为正整数；
选择任一用户群体，作为目标群体，并根据关联分析算法Apriori，对所述目标群体对应的初始数据进行关联分析，得到所述目标群体的候选产品数据；
识别所述候选产品数据中的离散型特征、稀疏连续型特征及普通型连续型特征，对所述离散型特征和稀疏连续型特征进行独热编码，得到特征编码，并将所述特征编码和所述普通型连续型特征进行组合，形成样本数据；
将所述样本数据输入到DEEPFM模型中，进行概率计算，得到产品选择概率，并对所述选择概率进行从大到小的排列，得到概率序列；
从所述概率序列中，依次按照从 前往后的顺序选取预设数量的选择概率，作为目标选择概率，将所述目标选择概率对应产品的产品信息数据，作为待推荐信息，并将所述待推荐信息推送给所述目标群体。
2.根据权利要求1所述的基于深度学习的信息推荐方法，其特征在于，在选择任一用户群体，作为目标群体，并根据关联分析算法Apriori，对所述目标群体对应的初始数据进行关联分析，得到所述目标群体的候选产品数据之后，所述方法还包括：
获取预设时间内所述目标群体的基础数据，其中，所述基础数据中包括用户对产品的正向评价、中性评价和负向评价；
根据NLP的情感分析技术，对所述基础数据进行观点抽取，得到观点抽取结果；
选择观点抽取结果中正向评价的产品，加入所述候选产品数据。
3.根据权利要求1所述的基于深度学习的信息推荐方法，其特征在于，所述将所述样本数据输入到DEEPFM模型中，进行概率计算，得到产品选择概率，并对所述选择概率进行从大到小的排列，得到概率序列包括：
将所述样本数据输入到DEEPFM模型中，进行向量计算，得到输出向量；
对所述输出向量进行加权求和，得到结果向量，并对所述结果向量进行Sigmoid函数计算，得到产品选择概率；
对所述选择概率进行从大到小的排列，得到概率序列。
4.根据权利要求1所述的基于深度学习的信息推荐方法，其特征在于，在所述识别所述候选产品数据中的离散型特征、稀疏连续型特征及普通型连续型特征，对所述离散型特征和稀疏连续型特征进行独热编码，得到特征编码，并将所述特征编码和所述普通型连续型特征进行组合，形成样本数据之前，所述方法还包括：
获取所述候选产品数据的特征类型，其中，所述特征类型包括离散特征、稀疏连续型特征和普通型连续特征；
若所述特征类型为离散特征，则将按照预设方式，对所述候选产品数据进行归类；
若所述特征类型为稀疏连续型特征，则将所述候选产品数据进行分箱处理，得到分箱处理结果，并识别候选产品数据的极值，对所述极值进行截断处理。
5.根据权利要求1所述的基于深度学习的信息推荐方法，其特征在于，所述识别所述候选产品数据中的离散型特征、稀疏连续型特征及普通型连续型特征，对所述离散型特征和稀疏连续型特征进行独热编码，得到特征编码，并将所述特征编码和所述普通型连续型特征进行组合，形成样本数据还包括：
通过对所述稀疏连续型特征进行词向量embedding处理，得到等长的k维特征向量，并将所述k维特征向量作为样本数据，其中，k为正整数。
6.根据权利要求1至5任一项所述的基于深度学习的信息推荐方法，其特征在于，将所述初始数据存储于区块链中。
7.一种基于深度学习的信息推荐装置，其特征在于，包括：
初始数据获取模块，用于获取初始数据，并对所述初始数据进行预处理，得到基础数据；
用户群体分群模块，用于基于密度聚类算法，对所述基础数据进行聚类，得到M个聚类，并获取每个所述聚类对应的用户群体，得到M个用户群体，具体实现方式为：将每一个产品作为一个数据样本，通过预设的方式，计算所述数据样本间距离，得到样本距离；以每个所述数据样本作为圆心，预设距离作为半径，形成邻域，其中，当两个数据样本的样本距离小于所述预设距离时，则所述两个数据样本形成邻域的圆心都落在对方邻域中；若所述邻域中的圆心个数超过预设阈值，则将所述邻域对应的圆心作为产品核心点；将所述产品核心点进行聚类，得到M个聚类，并获取每个所述聚类对应的用户群体，得到M个用户群体，其中，M为正整数；
候选产品数据模块，用于选择任一用户群体，作为目标群体，并根据关联分析算法Apriori，对所述目标群体对应的初始数据进行关联分析，得到所述目标群体的候选产品数据；
样本数据形成模块，用于识别所述候选产品数据中的离散型特征、稀疏连续型特征及普通型连续型特征，对所述离散型特征和稀疏连续型特征进行独热编码，得到特征编码，并将所述特征编码和所述普通型连续型特征进行组合，形成样本数据；
概率序列获取模块，用于将所述样本数据输入到DEEPFM模型中，进行概率计算，得到产品选择概率，并对所述选择概率进行从大到小的排列，得到概率序列；
待推荐信息推送模块，用于从所述概率序列中，依次按照从 前往后的顺序选取预设数量的选择概率，作为目标选择概率，将所述目标选择概率对应产品的产品信息数据，作为待推荐信息，并将所述待推荐信息推送给所述目标群体。
8.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的基于深度学习的信息推荐方法。
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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的基于深度学习的信息推荐方法。
CN202010930243.0A 2020-09-07 2020-09-07 基于深度学习的信息推荐方法、装置、设备及存储介质 Active CN112085565B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010930243.0A CN112085565B (zh) 2020-09-07 2020-09-07 基于深度学习的信息推荐方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010930243.0A CN112085565B (zh) 2020-09-07 2020-09-07 基于深度学习的信息推荐方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112085565A CN112085565A (zh) 2020-12-15
CN112085565B true CN112085565B (zh) 2022-10-25

Family

ID=73732447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010930243.0A Active CN112085565B (zh) 2020-09-07 2020-09-07 基于深度学习的信息推荐方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112085565B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113239289B (zh) * 2021-05-28 2022-08-30 山东大学 一种群组活动推荐方法、系统、电子设备及可读存储介质
CN113344626A (zh) * 2021-06-03 2021-09-03 上海冰鉴信息科技有限公司 一种基于广告推送的数据特征优化方法及装置
CN113610580B (zh) * 2021-08-10 2023-09-19 平安科技（深圳）有限公司 产品推荐方法、装置、电子设备及可读存储介质
CN113656699B (zh) * 2021-08-25 2024-02-13 平安科技（深圳）有限公司 用户特征向量确定方法、相关设备及介质
CN113570391B (zh) * 2021-09-24 2022-02-01 平安科技（深圳）有限公司 基于人工智能的社群划分方法、装置、设备及存储介质
CN113961187B (zh) * 2021-12-22 2022-04-22 杭州实在智能科技有限公司 Rpa组件智能推荐方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105979376A (zh) * 2015-12-02 2016-09-28 乐视致新电子科技（天津）有限公司 一种推荐方法和装置
CN109213863B (zh) * 2018-08-21 2022-05-24 北京航空航天大学 一种基于学习风格的自适应推荐方法及系统
CN109902708B (zh) * 2018-12-29 2022-05-10 华为技术有限公司 一种推荐模型训练方法及相关装置
CN110162706B (zh) * 2019-05-22 2021-10-26 南京邮电大学 一种基于交互数据聚类的个性化推荐方法及系统
CN111125530B (zh) * 2019-12-24 2023-04-28 中山大学 一种基于多类型特征深度学习的信息流推荐方法

Also Published As

Publication number Publication date
CN112085565A (zh) 2020-12-15

Similar Documents

Publication Publication Date Title
CN112085565B (zh) 基于深度学习的信息推荐方法、装置、设备及存储介质
CN112084383B (zh) 基于知识图谱的信息推荐方法、装置、设备及存储介质
EP4145308A1 (en) Search recommendation model training method, and search result sorting method and device
US20230102337A1 (en) Method and apparatus for training recommendation model, computer device, and storage medium
WO2023065859A1 (zh) 物品推荐方法、装置及存储介质
CN114372573B (zh) 用户画像信息识别方法、装置、计算机设备和存储介质
CN112418292A (zh) 一种图像质量评价的方法、装置、计算机设备及存储介质
CN111966886A (zh) 对象推荐方法、对象推荐装置、电子设备及存储介质
WO2024041483A1 (zh) 一种推荐方法及相关装置
CN114077661A (zh) 信息处理装置、信息处理方法和计算机可读介质
CN112328657A (zh) 特征衍生方法、装置、计算机设备及介质
CN112328909A (zh) 信息推荐方法、装置、计算机设备及介质
CN113434664A (zh) 文本摘要生成方法、装置、介质及电子设备
CN115935185A (zh) 一种推荐模型的训练方法及装置
CN112995414B (zh) 基于语音通话的行为质检方法、装置、设备及存储介质
CN114511387A (zh) 产品推荐方法、装置、电子设备及存储介质
CN108876422A (zh) 用于信息推广的方法、装置、电子设备及计算机可读介质
CN114429384B (zh) 基于电商平台的产品智能推荐方法及系统
CN113822390B (zh) 用户画像构建方法、装置、电子设备和存储介质
CN115879508A (zh) 一种数据处理方法及相关装置
CN115186188A (zh) 基于行为分析的产品推荐方法、装置、设备及存储介质
CN115392361A (zh) 一种智能排序方法、装置、计算机设备及存储介质
CN114741608A (zh) 基于用户画像的新闻推荐方法、装置、设备及存储介质
CN114925275A (zh) 产品推荐方法、装置、计算机设备及存储介质
CN115204971A (zh) 产品推荐方法、装置、电子设备及计算机可读存储介质

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
GR01 Patent grant
GR01 Patent grant