CN112380439A - 目标物推荐方法、装置、电子设备及计算机可读存储介质 - Google Patents

目标物推荐方法、装置、电子设备及计算机可读存储介质 Download PDF

Info

Publication number
CN112380439A
CN112380439A CN202011298325.4A CN202011298325A CN112380439A CN 112380439 A CN112380439 A CN 112380439A CN 202011298325 A CN202011298325 A CN 202011298325A CN 112380439 A CN112380439 A CN 112380439A
Authority
CN
China
Prior art keywords
user
data
matrix
target
matrix set
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.)
Granted
Application number
CN202011298325.4A
Other languages
English (en)
Other versions
CN112380439B (zh
Inventor
王健宗
李泽远
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 Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co 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 Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011298325.4A priority Critical patent/CN112380439B/zh
Publication of CN112380439A publication Critical patent/CN112380439A/zh
Priority to PCT/CN2021/082891 priority patent/WO2021208695A1/zh
Application granted granted Critical
Publication of CN112380439B publication Critical patent/CN112380439B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • Data Mining & Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及数据分析技术，揭露了一种目标物推荐方法，包括：构建用户矩阵集、评分矩阵集和目标物矩阵集；将用户矩阵集划分为多个用户矩阵子集并从中选取目标用户矩阵集；对目标用户矩阵集和目标物矩阵集进行梯度分析得到更新梯度；将更新梯度传输至服务端并获取生成的更新参数；利用更新参数对评分矩阵集进行更新，得到更新评分矩阵集；获取待推荐目标物集，利用更新评分矩阵集生成待推荐目标物集的评分值，根据评分值选择待推荐目标并推送给用户。本发明还提出了目标物推荐装置、设备及计算机可读存储介质。此外，本发明还涉及区块链技术，待推荐目标物集可存储于区块链节点中。本发明可以提高户隐私的安全性，提高对用户进行目标物推荐的效率。

Description

目标物推荐方法、装置、电子设备及计算机可读存储介质
技术领域
本发明涉及数据分析技术领域，尤其涉及一种目标物推荐方法、装置、 电子设备及计算机可读存储介质。
背景技术
用户对产品需求的个性化差异越来越大。在向用户进行目标物推荐时， 若将海量的产品都集中推送至用户，将消耗较大的网络带宽，占用较大的存 储资源，却不能满足用户的个性化需求。如何筛选出符合用户需求的产品并 推送给用户，成为了越来越重要的需求。
目前市场上主流的产品推送方法是利用协同过滤网络预测用户对产品的 偏好以进行目标物推荐，例如，当用户对相似产品做出评价后，基于评价利 用协同过滤网络预测出用户对类似产品的偏好，从而进行目标物推荐。但该 方法为了提高预测精度，网络需要利用大量用户评价数据进行计算，从而导 致目标物推荐效率不高；且直接利用用户的评价数据作为网络的计算数据， 可能会造成用户隐私泄露。因此，如何保证用户隐私的同时提高对用户进行 目标物推荐的效率，成为了亟待解决的问题。
发明内容
本发明提供一种目标物推荐方法、装置、电子设备及计算机可读存储介 质，其主要目的在于解决用对用户进行目标物推荐时户隐私的安全问题，以 及对用户进行目标物推荐的效率不高的问题。
为实现上述目的，本发明提供的一种目标物推荐方法，包括：
获取用户数据、用户对目标物的评分数据和目标物数据；
利用所述用户数据构建用户矩阵集，利用所述评分数据构建评分矩阵集， 利用目标物数据构建目标物矩阵集；
将所述用户矩阵集划分为多个用户矩阵子集，并选取预设数量的用户矩 阵子集汇集为目标用户矩阵集；
对所述目标用户矩阵集和所述目标物矩阵集进行梯度分析，得到更新梯 度；
将所述更新梯度加密后传输至服务端并获取所述服务端根据所述更新梯 度生成的更新参数；
利用所述更新参数对所述评分矩阵集中各评分矩阵进行更新，得到更新 评分矩阵集；
获取待推荐目标物集，利用所述更新评分矩阵集生成所述待推荐目标物 集中各待推荐目标物的评分值，根据所述评分值从所述待推荐目标物集中选 择一个或者多个待推荐目标，并向用户推荐选择的所述待推荐目标。
可选地，所述利用所述用户数据构建用户矩阵集，包括：
将所述用户数据进行数值化处理，得到用户数据对应的数值；
构建多个空值矩阵，其中，所述空值矩阵的数量与用户的数量一致；
将所述用户数据对应的数值填充至所述空值矩阵中，得到用户矩阵集。
可选地，所述将所述用户矩阵集划分为多个用户矩阵子集，包括：
随机从所述用户矩阵集中选取预设数量的用户矩阵做为簇心矩阵；
分别计算所述用户矩阵集中每个用户矩阵与所述簇心矩阵的距离向量；
计算所述距离向量的模长；
根据所述模长从所述用户矩阵集中选取目标用户矩阵，并将选取的所述 目标用户矩阵与簇心矩阵进行汇集，得到多个用户矩阵子集。
可选地，所述将所述更新梯度加密后输入至服务端，包括：
将所述更新梯度进行数据分割，得到分割数据；
对所述分割数据进行IO数据流转化，得到待加密数据；
利用加密算法对所述待加密数据进行加密，得到加密数据；
将所述加密数据传输至服务端。
可选地，所述利用加密算法对所述待加密数据进行加密，得到加密数据， 包括：
对所述待加密数据进行等间距离散化处理，得到离散数据；
利用加密算法生成多个占位数据；
将所述多个占位数据插入所述离散数据中，得到加密数据。
可选地，所述利用所述更新参数对客户端的用户矩阵集中各用户矩阵进 行更新，得到更新用户矩阵集，包括：
提取所述用户矩阵集中各用户矩阵的待更新元素；
根据所述更新参数分别计算各用户矩阵的待更新元素对应的更新数值；
利用所述更新数值对所述待更新元素进行赋值，得到更新用户矩阵集。
可选地，所述根据所述更新参数分别计算各用户矩阵的待更新元素对应 的更新数值，包括：
利用如下更新算法计算所述更新数值：
Figure BDA0002786037180000031
其中，Vt+1为与第i个待更新元素hi对应的更新数值，C为所述更新参数， Δ为所述更新梯度，hi为第i个待更新元素，St为所述用户矩阵集中第t个用户 矩阵。
为了解决上述问题，本发明还提供一种目标物推荐装置，所述装置包括：
数据获取模块，用于获取用户数据、用户对目标物的评分数据和目标物 数据；
矩阵构建模块，用于利用所述用户数据构建用户矩阵集，利用所述评分 数据构建评分矩阵集，利用目标物数据构建目标物矩阵集；
矩阵划分模块，用于将所述用户矩阵集划分为多个用户矩阵子集，并选 取预设数量的用户矩阵子集汇集为目标用户矩阵集；
梯度分析模块，用于对所述目标用户矩阵集和所述目标物矩阵集进行梯 度分析，得到更新梯度；
参数生成模块，用于将所述更新梯度加密后传输至服务端并获取所述服 务端根据所述更新梯度生成的更新参数；
更新模块，用于利用所述更新参数对所述评分矩阵集中各评分矩阵进行 更新，得到更新评分矩阵集；
推荐模块，用于获取待推荐目标物集，利用所述更新评分矩阵集生成所 述待推荐目标物集中各待推荐目标物的评分值，根据所述评分值从所述待推 荐目标物集中选择一个或者多个待推荐目标，并向用户推荐选择的所述待推 荐目标。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现如上所述的目标物 推荐方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储 数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算 机程序；其中，所述计算机程序被处理器执行时实现如上所述的目标物推荐 方法。
本发明实施例通过获取用户数据、用户对目标物的评分数据和目标物数 据来构建用户矩阵集、评分矩阵集和目标物矩阵集，将用户数据、评分数据 集目标物数据进行矩阵数值化，可避免直接对用户所产生的的数据进行分析， 提高了用户所产生的数据的安全性，有利于用户隐私的保护；将用户矩阵集 划分为多个用户矩阵子集并从中选取预设数量的目标用户矩阵集，对目标用 户矩阵集和目标物矩阵集进行梯度分析得到更新梯度，将更新梯度加密后传 输至服务端并获取生成的更新参数，利用更新参数对评分矩阵集进行更新， 得到更新评分矩阵集，将用户矩阵进行划分并选取预设数量的矩阵进行分析， 减少了分析计算的矩阵数量，有利于提高分析计算的效率，将计算得到的更 新梯度加密后上传至服务端，保证了数据传输过程中的安全性，有利于用户 隐私的保护；获取待推荐目标物集，利用更新评分矩阵集生成待推荐目标物 集中各待推荐目标物的评分值，根据评分值选择待推荐目标并推送给用户， 生成待推荐目标物集中各待推荐目标物的评分值，根据评分值选取待推荐目 标对用户进行推荐，避免了对待推荐目标物集进行额外的分析，有利于提高对用户进行目标物推荐的效率。因此本发明提出的目标物推荐方法、装置及 计算机可读存储介质，可以提高户隐私的安全性，提高对用户进行目标物推 荐的效率。
附图说明
图1为本发明一实施例提供的目标物推荐方法的流程示意图；
图2为本发明一实施例提供的目标物推荐装置的模块示意图；
图3为本发明一实施例提供的实现目标物推荐方法的电子设备的内部结 构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步 说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限 定本发明。
本申请实施例提供的目标物推荐方法的执行主体为客户端等能够被配置 为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述 目标物推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行， 所述软件可以是区块链平台。
本发明提供一种目标物推荐方法。参照图1所示，为本发明一实施例提 供的目标物推荐方法的流程示意图。该方法可以由一个装置执行，该装置可 以由软件和/或硬件实现。
在本实施例中，目标物推荐方法包括：
S1、获取用户数据、用户对目标物的评分数据和目标物数据。
本发明实施例中，可利用具有数据抓取功能的python语句从用于存储用 户数据、用户对目标物的评分数据和目标物数据的数据库中抓取用户数据、 用户对目标物的评分数据和目标物数据。
详细地，所述用户数据为用户自身的数据，例如，用户名、用户年龄和 用户性别等，所述目标物数据包括多个产品的产品名称、产品描述和产品价 格等，所述用户对目标物的评分数据包括用户对各目标物的评分，例如，用 户对目标物A的评分为30，用户对目标物B的评分为70。
S2、利用所述用户数据构建用户矩阵集，利用所述评分数据构建评分矩 阵集，利用目标物数据构建目标物矩阵集。
本发明实施例中，所述利用所述用户数据构建用户矩阵集，包括：
将所述用户数据进行数值化处理，得到用户数据对应的数值；
构建多个空值矩阵，其中，所述空值矩阵的数量与用户的数量一致；
将所述用户数据对应的数值填充至所述空值矩阵中，得到用户矩阵集。
详细地，所述将所述用户数据进行数值化处理，得到用户数据对应的数 值，即将用户数据中原本是文字形式的数据数值化为数值形式的数据，例如， 用户数据中用户性别存在性别男和性别女，将用户性别为性别男数值化为“1”， 将用户性别为性别女数值化为“2”。
进一步地，构建如下所述的空值矩阵：
Figure BDA0002786037180000061
其中，x表示所述空值矩阵中x所在的位置上的数值为空值。
本发明实施例将数值化后的任一用户的用户数据按照从左到右从上到下 的顺序填充至空值矩阵中，即可得到该用户的用户矩阵，其中，空值矩阵中 未填满的位置上的数字均用0进行填充；当将用户数据中所有用户的用户数 据填充至空值矩阵后，即可得到所述用户矩阵集。
本发明实施例中，利用所述评分数据构建评分矩阵集，利用目标物数据 构建目标物矩阵集的步骤均与上述利用所述用户数据构建用户矩阵集的一致， 不再赘述。
本发明实施例通过利用用户数据、评分数据和目标物数据来构建用户矩 阵集、评分矩阵集和目标物矩阵集，实现了将用户数据、评分数据集目标物 数据进行矩阵数值化，可避免直接对用户所产生的的数据进行分析，提高了 用户所产生的数据的安全性，有利于用户隐私的保护。
S3、将所述用户矩阵集划分为多个用户矩阵子集，并选取预设数量的用 户矩阵子集汇集为目标用户矩阵集。
本发明实施例中，所述将所述用户矩阵集划分为多个用户矩阵子集，包 括：
随机从所述用户矩阵集中选取预设数量的用户矩阵做为簇心矩阵；
分别计算所述用户矩阵集中每个用户矩阵与所述簇心矩阵的距离向量；
计算所述距离向量的模长；
根据所述模长从所述用户矩阵集中选取目标用户矩阵，并将选取的所述 目标用户矩阵与簇心矩阵进行汇集，得到多个用户矩阵子集。
例如，当所述用户矩阵集中包含a，b，c，d，e，f六个用户矩阵，随机 选择a和b作为两个簇心矩阵，分别计算未被选取的用户矩阵集中c，d，e， f与a和b的距离向量，并计算所述距离向量的模长，当模长计算完成后，随 机从用户矩阵集中选取目标用户矩阵c，若目标用户矩阵c与簇心矩阵a的距 离比目标用户矩阵c与簇心矩阵b的距离更近，则将目标用户矩阵c与簇心矩 阵a进行汇集，再随机从用户矩阵集中选取目标用户矩阵d，若目标用户矩阵 d与目标簇心矩阵a的距离比目标用户矩阵d与簇心矩阵b的距离更近，则将 目标用户矩阵d与簇心矩阵a进行汇集。
同时，继续随机地从用户矩阵集选取目标用户矩阵e，若目标用户矩阵e 与簇心矩阵b的距离比目标用户矩阵e与簇心矩阵a的距离更近，则将目标用 户矩阵e与簇心矩阵b进行汇集，再随机从用户矩阵集中选取目标用户矩阵f， 若目标用户矩阵f与簇心矩阵b的距离比目标用户矩阵f与簇心矩阵a的距离 更近，则将目标用户矩阵f与簇心矩阵b进行汇集。
详细地，所述分别计算所述用户矩阵集中每个用户矩阵与所述簇心矩阵 的距离向量，包括：
利用如下距离向量算法分别计算所述用户矩阵集中每个用户矩阵与所述 簇心矩阵的距离向量d(A,B)2：
d(A,B)2＝‖A-B‖2
其中，A为用户矩阵集子集中任一用户矩阵，B为任一簇心矩阵。
进一步地，本发明实施例从多个用户矩阵子集中选取预设数量的用户矩 阵子集汇集为目标用户矩阵集，所述预设数量可通过选取算法计算获得，详 细地，所述选取算法如下：
S＝I/P
其中，S为需要选取的用户矩阵的数量，I为所述用户矩阵集中用户矩阵的 数量，P为所述用户矩阵子集中用户矩阵的数量。
S4、对所述目标用户矩阵集和所述目标物矩阵集进行梯度分析，得到更 新梯度。
本发明实施例中，将所述目标用户矩阵集和所述目标物矩阵集输入至预 设的梯度下降算法，以实现梯度分析，得到更新梯度。
详细地，所述梯度下降算法包括但不限于批量梯度下降算法、随机梯度 下降算法和小批量梯度下降算法等。
本发明实施例中，所述梯度下降算法为：
Figure BDA0002786037180000081
其中，Fi为所述更新梯度，m为所述目标用户矩阵集中目标用户矩阵的数 量，vj为所述目标用户矩阵集中第j个目标用户矩阵，ui为所述目标物矩阵集 中第i个目标物矩阵，μ为预设梯度系数。
S5、将所述更新梯度加密后传输至服务端并获取所述服务端根据所述更 新梯度生成的更新参数。
本发明实施例中，所述将所述更新梯度加密后输入至服务端，包括：
将所述更新梯度进行数据分割，得到分割数据；
对所述分割数据进行IO数据流转化，得到待加密数据；
利用加密算法对所述待加密数据进行加密，得到加密数据；
将所述加密数据传输至服务端。
具体地，本可将所述更新梯度数据按照等间距进行数据分割，即按照预 设的固定长度将所述更新梯度数据进行分割得到分割数据，例如，存在更新 梯度为“abcdef”，将更新梯度按照等间距为2进行数据分割，得到待加密数据： “ab”、“cd”和“ef”。
详细地，所述IO(Input/Output，输入/输出)数据流是计算机之间进行通 信常用的数据形式，本发明实施例可利用IO转化器将分割数据进行IO数据 流转化，得到加密数据，所述IO转化器是可以将非IO数据流的数据转化为 IO数据流的工具，所述IO转化器包括java字符转化器、python字符转化器 等。
进一步地，所述利用加密算法对所述待加密数据进行加密，得到加密数 据，包括：
对所述待加密数据进行等间距离散化处理，得到离散数据；
利用加密算法生成多个占位数据；
将所述多个占位数据插入所述离散数据中，得到加密数据。
本发明实施例将所述加密数据传输至服务端，并接受服务端根据所述更 新梯度生成的关系参数。
本发明实施例将计算得到的更新梯度加密后上传至服务端，保证了数据 传输过程中的安全性，有利于用户隐私的保护。
S6、利用所述更新参数对所述评分矩阵集中各评分矩阵进行更新，得到 更新评分矩阵集。
本发明实施例中，所述利用所述更新参数对客户端的用户矩阵集中各用 户矩阵进行更新，得到更新用户矩阵集，包括：
提取所述用户矩阵集中各用户矩阵的待更新元素；
根据所述更新参数分别计算各用户矩阵的待更新元素对应的更新数值；
利用所述更新数值对所述待更新元素进行赋值，得到更新用户矩阵集。
详细地，本发明实施例可利用具有数据抓取功能的python语句从所述用 户矩阵集中提取各用户矩阵的待更新元素。
进一步地，所述根据所述更新参数分别计算各用户矩阵的待更新元素对 应的更新数值，包括：
利用如下更新算法计算所述更新数值：
Figure BDA0002786037180000091
其中，Vt+1为与第i个待更新元素hi对应的更新数值，C为所述更新参数， Δ为所述更新梯度，hi为第i个待更新元素，St为所述用户矩阵集中第t个用户 矩阵。
详细地，Vt+1用于表示对用户矩阵St中第i个待更新元素hi的更新，t表示 为更新的状态，t+1表示更新后的状态，当用户矩阵St中所有的待更新元素 完成上述更新操作后，得到更新用户矩阵。
本发明实施例中，利用计算获得的更新数值对待更新元素进行赋值，得 到更新用户矩阵集。
S7、获取待推荐目标物集，利用所述更新评分矩阵集生成所述待推荐目 标物集中各待推荐目标物的评分值，根据所述评分值从所述待推荐目标物集 中选择一个或者多个待推荐目标，并向用户推荐选择的所述待推荐目标。
本发明实施例中，所述待推荐目标物集中包括多个待推荐目标物(例如， 多个产品，资源等)，本发明实施例可利用具有数据抓取功能的python语句 从用于存储待推荐目标物的区块链节点中获取待推荐目标物集，利用区块链 节点对数据的该吞吐性，可提高获取待推荐目标物集的效率。
本发明实施例中，获取待推荐目标物集后，将所述待推荐目标物集中的 各待推荐目标物输入至所述更新评分矩阵集，即可生成待推荐目标物的评分 值，本发明实施例从所述待推荐目标物集中选取所述评分值大于预设评分阈 值的一个或者多个待推荐目标物为推荐目标，并向用户推送选择的推荐目标。
本发明实施例通过获取用户数据、用户对目标物的评分数据和目标物数 据来构建用户矩阵集、评分矩阵集和目标物矩阵集，将用户数据、评分数据 集目标物数据进行矩阵数值化，可避免直接对用户所产生的的数据进行分析， 提高了用户所产生的数据的安全性，有利于用户隐私的保护；将用户矩阵集 划分为多个用户矩阵子集并从中选取预设数量的目标用户矩阵集，对目标用 户矩阵集和目标物矩阵集进行梯度分析得到更新梯度，将更新梯度加密后传 输至服务端并获取生成的更新参数，利用更新参数对评分矩阵集进行更新， 得到更新评分矩阵集，将用户矩阵进行划分并选取预设数量的矩阵进行分析， 减少了分析计算的矩阵数量，有利于提高分析计算的效率，将计算得到的更 新梯度加密后上传至服务端，保证了数据传输过程中的安全性，有利于用户 隐私的保护；获取待推荐目标物集，利用更新评分矩阵集生成待推荐目标物 集中各待推荐目标物的评分值，根据评分值选择待推荐目标并推送给用户， 生成待推荐目标物集中各待推荐目标物的评分值，根据评分值选取待推荐目 标对用户进行推荐，避免了对待推荐目标物集进行额外的分析，有利于提高对用户进行目标物推荐的效率。因此本发明提出的目标物推荐方法，可以提 高户隐私的安全性，提高对用户进行目标物推荐的效率。
如图2所示，是本发明目标物推荐装置的模块示意图。
本发明所述目标物推荐装置100可以安装于电子设备中。根据实现的功 能，所述目标物推荐装置可以包括数据获取模块101、矩阵构建模块102、矩 阵划分模块103、梯度分析模块104、参数生成模块105、更新模块106和推 荐模块107。本发明所述模块也可以称之为单元，是指一种能够被电子设备处 理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子 设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述数据获取模块101，用于获取用户数据、用户对目标物的评分数据和 目标物数据；
所述矩阵构建模块102，用于利用所述用户数据构建用户矩阵集，利用所 述评分数据构建评分矩阵集，利用目标物数据构建目标物矩阵集；
所述矩阵划分模块103，用于将所述用户矩阵集划分为多个用户矩阵子集， 并选取预设数量的用户矩阵子集汇集为目标用户矩阵集；
所述梯度分析模块104，用于对所述目标用户矩阵集和所述目标物矩阵集 进行梯度分析，得到更新梯度；
所述参数生成模块105，用于将所述更新梯度加密后传输至服务端并获取 所述服务端根据所述更新梯度生成的更新参数；
所述更新模块106，用于利用所述更新参数对所述评分矩阵集中各评分矩 阵进行更新，得到更新评分矩阵集；
所述推荐模块107，用于获取待推荐目标物集，利用所述更新评分矩阵集 生成所述待推荐目标物集中各待推荐目标物的评分值，根据所述评分值从所 述待推荐目标物集中选择一个或者多个待推荐目标，并向用户推荐选择的所 述待推荐目标。
详细地，所述目标物推荐装置各模块的具体实施方式如下：
所述数据获取模块101，用于获取用户数据、用户对目标物的评分数据和 目标物数据。
本发明实施例中，可利用具有数据抓取功能的python语句从用于存储用 户数据、用户对目标物的评分数据和目标物数据的数据库中抓取用户数据、 用户对目标物的评分数据和目标物数据。
详细地，所述用户数据为用户自身的数据，例如，用户名、用户年龄和 用户性别等，所述目标物数据包括多个产品的产品名称、产品描述和产品价 格等，所述用户对目标物的评分数据包括用户对各目标物的评分，例如，用 户对目标物A的评分为30，用户对目标物B的评分为70。
所述矩阵构建模块102，用于利用所述用户数据构建用户矩阵集，利用所 述评分数据构建评分矩阵集，利用目标物数据构建目标物矩阵集。
本发明实施例中，所述矩阵构建模块102具体用于：
将所述用户数据进行数值化处理，得到用户数据对应的数值；
构建多个空值矩阵，其中，所述空值矩阵的数量与用户的数量一致；
将所述用户数据对应的数值填充至所述空值矩阵中，得到用户矩阵集。
详细地，所述将所述用户数据进行数值化处理，得到用户数据对应的数 值，即将用户数据中原本是文字形式的数据数值化为数值形式的数据，例如， 用户数据中用户性别存在性别男和性别女，将用户性别为性别男数值化为“1”， 将用户性别为性别女数值化为“2”。
进一步地，构建如下所述的空值矩阵：
Figure BDA0002786037180000121
其中，x表示所述空值矩阵中x所在的位置上的数值为空值。
本发明实施例将数值化后的任一用户的用户数据按照从左到右从上到下 的顺序填充至空值矩阵中，即可得到该用户的用户矩阵，其中，空值矩阵中 未填满的位置上的数字均用0进行填充；当将用户数据中所有用户的用户数 据填充至空值矩阵后，即可得到所述用户矩阵集。
本发明实施例中，利用所述评分数据构建评分矩阵集，利用目标物数据 构建目标物矩阵集的步骤均与上述利用所述用户数据构建用户矩阵集的一致， 不再赘述。
本发明实施例通过利用用户数据、评分数据和目标物数据来构建用户矩 阵集、评分矩阵集和目标物矩阵集，实现了将用户数据、评分数据集目标物 数据进行矩阵数值化，可避免直接对用户所产生的的数据进行分析，提高了 用户所产生的数据的安全性，有利于用户隐私的保护。
所述矩阵划分模块103，用于将所述用户矩阵集划分为多个用户矩阵子集， 并选取预设数量的用户矩阵子集汇集为目标用户矩阵集。
本发明实施例中，所述矩阵划分模块103具体用于：
随机从所述用户矩阵集中选取预设数量的用户矩阵做为簇心矩阵；
分别计算所述用户矩阵集中每个用户矩阵与所述簇心矩阵的距离向量；
计算所述距离向量的模长；
根据所述模长从所述用户矩阵集中选取目标用户矩阵，并将选取的所述 目标用户矩阵与簇心矩阵进行汇集，得到多个用户矩阵子集。
例如，当所述用户矩阵集中包含a，b，c，d，e，f六个用户矩阵，随机 选择a和b作为两个簇心矩阵，分别计算未被选取的用户矩阵集中c，d，e， f与a和b的距离向量，并计算所述距离向量的模长，当模长计算完成后，随 机从用户矩阵集中选取目标用户矩阵c，若目标用户矩阵c与簇心矩阵a的距 离比目标用户矩阵c与簇心矩阵b的距离更近，则将目标用户矩阵c与簇心矩 阵a进行汇集，再随机从用户矩阵集中选取目标用户矩阵d，若目标用户矩阵 d与目标簇心矩阵a的距离比目标用户矩阵d与簇心矩阵b的距离更近，则将 目标用户矩阵d与簇心矩阵a进行汇集。
同时，继续随机地从用户矩阵集选取目标用户矩阵e，若目标用户矩阵e 与簇心矩阵b的距离比目标用户矩阵e与簇心矩阵a的距离更近，则将目标用 户矩阵e与簇心矩阵b进行汇集，再随机从用户矩阵集中选取目标用户矩阵f， 若目标用户矩阵f与簇心矩阵b的距离比目标用户矩阵f与簇心矩阵a的距离 更近，则将目标用户矩阵f与簇心矩阵b进行汇集。
详细地，所述分别计算所述用户矩阵集中每个用户矩阵与所述簇心矩阵 的距离向量，包括：
利用如下距离向量算法分别计算所述用户矩阵集中每个用户矩阵与所述 簇心矩阵的距离向量d(A,B)2：
d(A,B)2＝‖A-B‖2
其中，A为用户矩阵集子集中任一用户矩阵，B为任一簇心矩阵。
进一步地，本发明实施例从多个用户矩阵子集中选取预设数量的用户矩 阵子集汇集为目标用户矩阵集，所述预设数量可通过选取算法计算获得，详 细地，所述选取算法如下：
S＝I/P
其中，S为需要选取的用户矩阵的数量，I为所述用户矩阵集中用户矩阵的 数量，P为所述用户矩阵子集中用户矩阵的数量。
所述梯度分析模块104，用于对所述目标用户矩阵集和所述目标物矩阵集 进行梯度分析，得到更新梯度。
本发明实施例中，所述梯度分析模块104将所述目标用户矩阵集和所述 目标物矩阵集输入至预设的梯度下降算法，以实现梯度分析，得到更新梯度。
详细地，所述梯度下降算法包括但不限于批量梯度下降算法、随机梯度 下降算法和小批量梯度下降算法等。
本发明实施例中，所述梯度下降算法为：
Figure BDA0002786037180000141
其中，Fi为所述更新梯度，m为所述目标用户矩阵集中目标用户矩阵的数 量，vj为所述目标用户矩阵集中第j个目标用户矩阵，ui为所述目标物矩阵集 中第i个目标物矩阵，μ为预设梯度系数。
所述参数生成模块105，用于将所述更新梯度加密后传输至服务端并获取 所述服务端根据所述更新梯度生成的更新参数。
本发明实施例中，所述参数生成模块105具体用于：
将所述更新梯度进行数据分割，得到分割数据；
对所述分割数据进行IO数据流转化，得到待加密数据；
利用加密算法对所述待加密数据进行加密，得到加密数据；
将所述加密数据传输至服务端；
获取所述服务端根据所述更新梯度生成的更新参数。
具体地，本可将所述更新梯度数据按照等间距进行数据分割，即按照预 设的固定长度将所述更新梯度数据进行分割得到分割数据，例如，存在更新 梯度为“abcdef”，将更新梯度按照等间距为2进行数据分割，得到待加密数据： “ab”、“cd”和“ef”。
详细地，所述IO(Input/Output，输入/输出)数据流是计算机之间进行通 信常用的数据形式，本发明实施例可利用IO转化器将分割数据进行IO数据 流转化，得到加密数据，所述IO转化器是可以将非IO数据流的数据转化为 IO数据流的工具，所述IO转化器包括java字符转化器、python字符转化器 等。
进一步地，所述利用加密算法对所述待加密数据进行加密，得到加密数 据，包括：
对所述待加密数据进行等间距离散化处理，得到离散数据；
利用加密算法生成多个占位数据；
将所述多个占位数据插入所述离散数据中，得到加密数据。
本发明实施例将所述加密数据传输至服务端，并接受服务端根据所述更 新梯度生成的关系参数。
本发明实施例将计算得到的更新梯度加密后上传至服务端，保证了数据 传输过程中的安全性，有利于用户隐私的保护。
所述更新模块106，用于利用所述更新参数对所述评分矩阵集中各评分矩 阵进行更新，得到更新评分矩阵集。
本发明实施例中，所述更新模块106具体用于：
提取所述用户矩阵集中各用户矩阵的待更新元素；
根据所述更新参数分别计算各用户矩阵的待更新元素对应的更新数值；
利用所述更新数值对所述待更新元素进行赋值，得到更新用户矩阵集。
详细地，本发明实施例可利用具有数据抓取功能的python语句从所述用 户矩阵集中提取各用户矩阵的待更新元素。
进一步地，所述根据所述更新参数分别计算各用户矩阵的待更新元素对 应的更新数值，包括：
利用如下更新算法计算所述更新数值：
Figure BDA0002786037180000151
其中，Vt+1为与第i个待更新元素hi对应的更新数值，C为所述更新参数， Δ为所述更新梯度，hi为第i个待更新元素，St为所述用户矩阵集中第t个用户 矩阵。
详细地，Vt+1用于表示对用户矩阵St中第i个待更新元素hi的更新，t表示 为更新的状态，t+1表示更新后的状态，当用户矩阵St中所有的待更新元素 完成上述更新操作后，得到更新用户矩阵。
本发明实施例中，利用计算获得的更新数值对待更新元素进行赋值，得 到更新用户矩阵集。
所述推荐模块107，用于获取待推荐目标物集，利用所述更新评分矩阵集 生成所述待推荐目标物集中各待推荐目标物的评分值，根据所述评分值从所 述待推荐目标物集中选择一个或者多个待推荐目标，并向用户推荐选择的所 述待推荐目标。
本发明实施例中，所述待推荐目标物集中包括多个待推荐目标物(例如， 多个产品，资源等)，本发明实施例可利用具有数据抓取功能的python语句 从用于存储待推荐目标物的区块链节点中获取待推荐目标物集，利用区块链 节点对数据的该吞吐性，可提高获取待推荐目标物集的效率。
本发明实施例中，获取待推荐目标物集后，将所述待推荐目标物集中的 各待推荐目标物输入至所述更新评分矩阵集，即可生成待推荐目标物的评分 值，本发明实施例从所述待推荐目标物集中选取所述评分值大于预设评分阈 值的一个或者多个待推荐目标物为推荐目标，并向用户推送选择的推荐目标。
本发明实施例通过获取用户数据、用户对目标物的评分数据和目标物数 据来构建用户矩阵集、评分矩阵集和目标物矩阵集，将用户数据、评分数据 集目标物数据进行矩阵数值化，可避免直接对用户所产生的的数据进行分析， 提高了用户所产生的数据的安全性，有利于用户隐私的保护；将用户矩阵集 划分为多个用户矩阵子集并从中选取预设数量的目标用户矩阵集，对目标用 户矩阵集和目标物矩阵集进行梯度分析得到更新梯度，将更新梯度加密后传 输至服务端并获取生成的更新参数，利用更新参数对评分矩阵集进行更新， 得到更新评分矩阵集，将用户矩阵进行划分并选取预设数量的矩阵进行分析， 减少了分析计算的矩阵数量，有利于提高分析计算的效率，将计算得到的更 新梯度加密后上传至服务端，保证了数据传输过程中的安全性，有利于用户 隐私的保护；获取待推荐目标物集，利用更新评分矩阵集生成待推荐目标物 集中各待推荐目标物的评分值，根据评分值选择待推荐目标并推送给用户， 生成待推荐目标物集中各待推荐目标物的评分值，根据评分值选取待推荐目 标对用户进行推荐，避免了对待推荐目标物集进行额外的分析，有利于提高对用户进行目标物推荐的效率。因此本发明提出的目标物推荐装置，可以提 高户隐私的安全性，提高对用户进行目标物推荐的效率。
如图3所示，是本发明一实施例提供的实现目标物推荐方法的电子设备 的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储 在所述存储器11中并可在所述处理器10上运行的计算机程序，如目标物推 荐程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储 介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器 等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电 子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在 另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配 备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器 11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储 器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如目标 物推荐程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数 据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封 装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路 所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微 处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器 10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整 个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者 模块(例如目标物推荐程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect， 简称PCI)总线或扩展工业标准结构(extended industry standard architecture， 简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所 述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通 信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3 示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更 多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源 (比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器 10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管 理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、 电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。 所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再 赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接 口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用 于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器 (Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可 以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是 LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当 的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显 示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构 的限制。
所述电子设备1中的所述存储器11存储的目标物推荐程序12是多个指 令的组合，在所述处理器10中运行时，可以实现：
获取用户数据、用户对目标物的评分数据和目标物数据；
利用所述用户数据构建用户矩阵集，利用所述评分数据构建评分矩阵集， 利用目标物数据构建目标物矩阵集；
将所述用户矩阵集划分为多个用户矩阵子集，并选取预设数量的用户矩 阵子集汇集为目标用户矩阵集；
对所述目标用户矩阵集和所述目标物矩阵集进行梯度分析，得到更新梯 度；
将所述更新梯度加密后传输至服务端并获取所述服务端根据所述更新梯 度生成的更新参数；
利用所述更新参数对所述评分矩阵集中各评分矩阵进行更新，得到更新 评分矩阵集；
获取待推荐目标物集，利用所述更新评分矩阵集生成所述待推荐目标物 集中各待推荐目标物的评分值，根据所述评分值从所述待推荐目标物集中选 择一个或者多个待推荐目标，并向用户推荐选择的所述待推荐目标。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图3对 应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式 实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质 中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如， 所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或 装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储 器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算 机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取用户数据、用户对目标物的评分数据和目标物数据；
利用所述用户数据构建用户矩阵集，利用所述评分数据构建评分矩阵集， 利用目标物数据构建目标物矩阵集；
将所述用户矩阵集划分为多个用户矩阵子集，并选取预设数量的用户矩 阵子集汇集为目标用户矩阵集；
对所述目标用户矩阵集和所述目标物矩阵集进行梯度分析，得到更新梯 度；
将所述更新梯度加密后传输至服务端并获取所述服务端根据所述更新梯 度生成的更新参数；
利用所述更新参数对所述评分矩阵集中各评分矩阵进行更新，得到更新 评分矩阵集；
获取待推荐目标物集，利用所述更新评分矩阵集生成所述待推荐目标物 集中各待推荐目标物的评分值，根据所述评分值从所述待推荐目标物集中选 择一个或者多个待推荐目标，并向用户推荐选择的所述待推荐目标。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作 为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方， 或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或 者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中， 也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单 元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件 功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节， 而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实 现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限 制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落 在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将 权利要求中的任何附关联图标记视为限制所涉及的权利要求。
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。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权 利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件 来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制， 尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当 理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术 方案的精神和范围。

Claims (10)

1.一种目标物推荐方法，其特征在于，所述方法包括：
获取用户数据、用户对目标物的评分数据和目标物数据；
利用所述用户数据构建用户矩阵集，利用所述评分数据构建评分矩阵集，利用目标物数据构建目标物矩阵集；
将所述用户矩阵集划分为多个用户矩阵子集，并选取预设数量的用户矩阵子集汇集为目标用户矩阵集；
对所述目标用户矩阵集和所述目标物矩阵集进行梯度分析，得到更新梯度；
将所述更新梯度加密后传输至服务端并获取所述服务端根据所述更新梯度生成的更新参数；
利用所述更新参数对所述评分矩阵集中各评分矩阵进行更新，得到更新评分矩阵集；
获取待推荐目标物集，利用所述更新评分矩阵集生成所述待推荐目标物集中各待推荐目标物的评分值，根据所述评分值从所述待推荐目标物集中选择一个或者多个待推荐目标，并向用户推荐选择的所述待推荐目标。
2.如权利要求1所述的目标物推荐方法，其特征在于，所述利用所述用户数据构建用户矩阵集，包括：
将所述用户数据进行数值化处理，得到用户数据对应的数值；
构建多个空值矩阵，其中，所述空值矩阵的数量与用户的数量一致；
将所述用户数据对应的数值填充至所述空值矩阵中，得到用户矩阵集。
3.如权利要求1所述的目标物推荐方法，其特征在于，所述将所述用户矩阵集划分为多个用户矩阵子集，包括：
随机从所述用户矩阵集中选取预设数量的用户矩阵做为簇心矩阵；
分别计算所述用户矩阵集中每个用户矩阵与所述簇心矩阵的距离向量；
计算所述距离向量的模长；
根据所述模长从所述用户矩阵集中选取目标用户矩阵，并将选取的所述目标用户矩阵与簇心矩阵进行汇集，得到多个用户矩阵子集。
4.如权利要求1所述的目标物推荐方法，其特征在于，所述将所述更新梯度加密后输入至服务端，包括：
将所述更新梯度进行数据分割，得到分割数据；
对所述分割数据进行IO数据流转化，得到待加密数据；
利用加密算法对所述待加密数据进行加密，得到加密数据；
将所述加密数据传输至服务端。
5.如权利要求4所述的目标物推荐方法，其特征在于，所述利用加密算法对所述待加密数据进行加密，得到加密数据，包括：
对所述待加密数据进行等间距离散化处理，得到离散数据；
利用加密算法生成多个占位数据；
将所述多个占位数据插入所述离散数据中，得到加密数据。
6.如权利要求1至5中任一项所述的目标物推荐方法，其特征在于，所述利用所述更新参数对客户端的用户矩阵集中各用户矩阵进行更新，得到更新用户矩阵集，包括：
提取所述用户矩阵集中各用户矩阵的待更新元素；
根据所述更新参数分别计算各用户矩阵的待更新元素对应的更新数值；
利用所述更新数值对所述待更新元素进行赋值，得到更新用户矩阵集。
7.如权利要求6所述的目标物推荐方法，其特征在于，所述根据所述更新参数分别计算各用户矩阵的待更新元素对应的更新数值，包括：
利用如下更新算法计算所述更新数值：
Figure FDA0002786037170000021
其中，Vt+1为与第i个待更新元素hi对应的更新数值，C为所述更新参数，Δ为所述更新梯度，hi为第i个待更新元素，St为所述用户矩阵集中第t个用户矩阵。
8.一种目标物推荐装置，其特征在于，所述装置包括：
数据获取模块，用于获取用户数据、用户对目标物的评分数据和目标物数据；
矩阵构建模块，用于利用所述用户数据构建用户矩阵集，利用所述评分数据构建评分矩阵集，利用目标物数据构建目标物矩阵集；
矩阵划分模块，用于将所述用户矩阵集划分为多个用户矩阵子集，并选取预设数量的用户矩阵子集汇集为目标用户矩阵集；
梯度分析模块，用于对所述目标用户矩阵集和所述目标物矩阵集进行梯度分析，得到更新梯度；
参数生成模块，用于将所述更新梯度加密后传输至服务端并获取所述服务端根据所述更新梯度生成的更新参数；
更新模块，用于利用所述更新参数对所述评分矩阵集中各评分矩阵进行更新，得到更新评分矩阵集；
推荐模块，用于获取待推荐目标物集，利用所述更新评分矩阵集生成所述待推荐目标物集中各待推荐目标物的评分值，根据所述评分值从所述待推荐目标物集中选择一个或者多个待推荐目标，并向用户推荐选择的所述待推荐目标。
9.一种电子设备，其特征在于，所述电子设备包括：
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能够执行如权利要求1至7中任一项所述的目标物推荐方法。
10.一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的目标物推荐方法。
CN202011298325.4A 2020-11-19 2020-11-19 目标物推荐方法、装置、电子设备及计算机可读存储介质 Active CN112380439B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011298325.4A CN112380439B (zh) 2020-11-19 2020-11-19 目标物推荐方法、装置、电子设备及计算机可读存储介质
PCT/CN2021/082891 WO2021208695A1 (zh) 2020-11-19 2021-03-25 目标物推荐方法、装置、电子设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011298325.4A CN112380439B (zh) 2020-11-19 2020-11-19 目标物推荐方法、装置、电子设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112380439A true CN112380439A (zh) 2021-02-19
CN112380439B CN112380439B (zh) 2024-06-04

Family

ID=74585869

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011298325.4A Active CN112380439B (zh) 2020-11-19 2020-11-19 目标物推荐方法、装置、电子设备及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN112380439B (zh)
WO (1) WO2021208695A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113032670A (zh) * 2021-03-15 2021-06-25 清华大学 停车场推荐方法、装置、计算机设备和存储介质
WO2021208695A1 (zh) * 2020-11-19 2021-10-21 平安科技（深圳）有限公司 目标物推荐方法、装置、电子设备及计算机可读存储介质
CN113706204A (zh) * 2021-08-31 2021-11-26 中国平安财产保险股份有限公司 基于深度学习的权益发放方法、装置、设备及存储介质
CN114417138A (zh) * 2021-12-27 2022-04-29 海信集团控股股份有限公司 一种健康信息推荐方法和设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110209994A (zh) * 2019-04-25 2019-09-06 广西师范大学 基于同态加密的矩阵分解推荐方法
CN111324812A (zh) * 2020-02-20 2020-06-23 深圳前海微众银行股份有限公司 基于迁移学习的联邦推荐方法、装置、设备及介质
CN111859155A (zh) * 2020-08-04 2020-10-30 深圳前海微众银行股份有限公司 物品推荐方法、设备及计算机可读存储介质
CN111931035A (zh) * 2019-05-13 2020-11-13 中国移动通信集团湖北有限公司 业务推荐方法、装置及设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2960849A1 (en) * 2014-06-26 2015-12-30 Deutsche Telekom AG Method and system for recommending an item to a user
CN105095477A (zh) * 2015-08-12 2015-11-25 华南理工大学 一种基于多指标评分的推荐算法
CN109740064B (zh) * 2019-01-18 2021-08-17 北京化工大学 一种融合矩阵分解和挖掘用户项目信息的cf推荐方法
CN110503506B (zh) * 2019-07-05 2022-07-08 平安科技（深圳）有限公司 基于评分数据的物品推荐方法、装置及介质
CN111667340A (zh) * 2020-05-29 2020-09-15 中国平安财产保险股份有限公司 基于大数据的目标物推荐方法、装置及计算机可读存储介质
CN112380439B (zh) * 2020-11-19 2024-06-04 平安科技（深圳）有限公司 目标物推荐方法、装置、电子设备及计算机可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110209994A (zh) * 2019-04-25 2019-09-06 广西师范大学 基于同态加密的矩阵分解推荐方法
CN111931035A (zh) * 2019-05-13 2020-11-13 中国移动通信集团湖北有限公司 业务推荐方法、装置及设备
CN111324812A (zh) * 2020-02-20 2020-06-23 深圳前海微众银行股份有限公司 基于迁移学习的联邦推荐方法、装置、设备及介质
CN111859155A (zh) * 2020-08-04 2020-10-30 深圳前海微众银行股份有限公司 物品推荐方法、设备及计算机可读存储介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021208695A1 (zh) * 2020-11-19 2021-10-21 平安科技（深圳）有限公司 目标物推荐方法、装置、电子设备及计算机可读存储介质
CN113032670A (zh) * 2021-03-15 2021-06-25 清华大学 停车场推荐方法、装置、计算机设备和存储介质
CN113032670B (zh) * 2021-03-15 2022-10-25 清华大学 停车场推荐方法、装置、计算机设备和存储介质
CN113706204A (zh) * 2021-08-31 2021-11-26 中国平安财产保险股份有限公司 基于深度学习的权益发放方法、装置、设备及存储介质
CN113706204B (zh) * 2021-08-31 2024-04-05 中国平安财产保险股份有限公司 基于深度学习的权益发放方法、装置、设备及存储介质
CN114417138A (zh) * 2021-12-27 2022-04-29 海信集团控股股份有限公司 一种健康信息推荐方法和设备
CN114417138B (zh) * 2021-12-27 2024-04-02 海信集团控股股份有限公司 一种健康信息推荐方法和设备

Also Published As

Publication number Publication date
CN112380439B (zh) 2024-06-04
WO2021208695A1 (zh) 2021-10-21

Similar Documents

Publication Publication Date Title
CN112380439B (zh) 目标物推荐方法、装置、电子设备及计算机可读存储介质
CN112035453A (zh) 基于gbdt高阶特征组合的推荐方法、装置及存储介质
CN111814962A (zh) 识别模型的参数获取方法、装置、电子设备及存储介质
CN112347214A (zh) 目标区域划分方法、装置、电子设备及存储介质
CN113327136B (zh) 归因分析方法、装置、电子设备及存储介质
CN113806434B (zh) 大数据处理方法、装置、设备及介质
CN114491047A (zh) 多标签文本分类方法、装置、电子设备及存储介质
CN114781832A (zh) 课程推荐方法、装置、电子设备及存储介质
CN111930897A (zh) 专利检索方法、装置、电子设备及计算机可读存储介质
CN113868529A (zh) 知识推荐方法、装置、电子设备及可读存储介质
CN113868528A (zh) 资讯推荐方法、装置、电子设备及可读存储介质
CN112990374A (zh) 图像分类方法、装置、电子设备及介质
CN111932147A (zh) 指标统筹的可视化方法、装置、电子设备及存储介质
CN112507230A (zh) 基于浏览器的网页推荐方法、装置、电子设备及存储介质
CN114612194A (zh) 产品推荐方法、装置、电子设备及存储介质
CN112256472B (zh) 分布式数据调取方法、装置、电子设备及存储介质
CN113343102A (zh) 基于特征筛选的数据推荐方法、装置、电子设备及介质
CN112232408A (zh) 目标推荐方法、装置、电子设备及计算机可读存储介质
CN113590856B (zh) 标签查询方法、装置、电子设备及可读存储介质
CN115982454A (zh) 基于用户画像的问卷推送方法、装置、设备及存储介质
CN113822379B (zh) 工艺制程异常分析方法、装置、电子设备及存储介质
CN115238179A (zh) 项目推送方法、装置、电子设备及计算机可读存储介质
CN112561500B (zh) 基于用户数据的薪酬数据生成方法、装置、设备及介质
CN113704616A (zh) 信息推送方法、装置、电子设备及可读存储介质
CN114707067A (zh) 旅游产品推荐方法、装置、电子设备及存储介质

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