CN113032662A - 基于人工智能的区块链大数据推荐方法、系统及云平台 - Google Patents

Abstract

本发明涉及区块链大数据技术领域，涉及一种基于人工智能的区块链大数据推荐方法、系统及云平台。本发明基于大数据推荐引擎获取包括多个推荐内容的待推荐内容数据集合，确定显式推荐内容分别与每个隐式推荐内容之间的内容特征关联度、以及每个推荐内容针对大数据推荐引擎的引擎特征关联度；其次，获取显式推荐内容的内容特征描述信息所对应的历史推荐内容的历史推荐内容数据集；然后，根据显式推荐内容分别与每个隐式推荐内容之间的内容特征关联度、每个推荐内容针对大数据推荐引擎的引擎特征关联度、以及历史推荐内容数据集，得到各显式推荐内容的目标推荐策略向目标用户进行内容推荐，可以提升内容推荐的精准性及内容推荐的效果。

Description

基于人工智能的区块链大数据推荐方法、系统及云平台

技术领域

本发明涉及区块链大数据技术领域，具体而言，涉及一种基于人工智能的区块链大数据推荐方法、系统及云平台。

背景技术

随着移动互联信息及大数据技术的快速发展，信息互联已进入了人们的日常生活中，在信息时代下，大数据为用户获取各种信息提供了数据支撑和依据，可以智能的帮助用户从海量内容中快速找到想要的信息，例如，从海量商品中快速找到想要购买的商品。基于这种背景下，基于大数据的信息推荐是各大互联网平台竞相角逐的的方向。因此，如何基于大数据分析实现精准的数据及信息推荐是本领技术人员一直致力于研究的重要性课题。

发明内容

基于上述内容，第一方面，本发明实施例提供一种基于人工智能的区块链大数据推荐方法，应用于基于人工智能的区块链大数据推荐系统的信息推荐平台，所述基于人工智能的区块链大数据推荐系统还包括与所述信息推荐平台进行信息交互的多个大数据推荐引擎，所述方法包括：

从所述大数据推荐引擎获取包括多个推荐内容的待推荐内容数据集合，所述多个推荐内容由各大数据推荐引擎针对目标用户对各待推荐内容的显式用户反馈得到的显式推荐内容和各大数据推荐引擎针对目标用户对各待推荐内容的隐式用户反馈得到的隐式推荐内容组成，所述待推荐内容数据集合中包括每个推荐内容的内容特征描述信息；

根据每个所述推荐内容的内容特征描述信息，确定所述显式推荐内容分别与每个隐式推荐内容之间的内容特征关联度、以及每个推荐内容与所述大数据推荐引擎的引擎特征关联度；

从所述大数据推荐引擎获取所述推荐内容的历史内容推荐数据，并从所述历史内容推荐数据中获取各所述显式推荐内容的内容特征描述信息所对应的历史推荐内容的历史推荐内容数据集；

根据所述显式推荐内容分别与所述每个隐式推荐内容之间的内容特征关联度、所述每个推荐内容针对所述大数据推荐引擎的引擎特征关联度、以及所述历史推荐内容数据集，得到针对所述显式推荐内容的目标推荐策略；

根据所述目标推荐策略，对各所述推荐内容进行内容推荐。

基于上述第一方面，所述根据每个所述推荐内容的内容特征描述信息，确定所述显式推荐内容分别与每个隐式推荐内容之间的内容特征关联度、以及每个推荐内容与所述大数据推荐引擎的引擎特征关联度，包括：

获取所述显式推荐内容的内容特征描述信息分别与每个所述隐式推荐内容的内容特征描述信息对应的关键项目特征内容，根据所述每个隐式推荐内容对应的关键项目特征内容，确定所述显式推荐内容分别与所述每个隐式推荐内容之间的内容特征关联度；

根据每个所述推荐内容的内容特征描述信息，将各所述大数据推荐引擎的引擎特征描述信息与各内容特征描述信息进行信息比对分析，得到每个所述推荐内容与各所述大数据推荐引擎的引擎特征关联度；所述引擎特征描述信息包括针对各大数据推荐引擎的各推荐内容的预设关键项目的项目描述信息。

基于上述第一方面，所述从所述大数据推荐引擎获取所述推荐内容的历史内容推荐数据，并从所述历史内容推荐数据中获取各所述显式推荐内容的内容特征描述信息所对应的历史推荐内容的历史推荐内容数据集，包括：

根据所述历史内容推荐数据中多个历史推荐内容的内容特征描述信息分别与所述显式推荐内容的内容特征描述信息之间的内容特征关联度，对所述多个历史推荐内容进行排列，得到排列后的所述多个历史推荐内容；

从排列后的所述多个历史推荐内容中，筛选第一预设数量个历史推荐内容作为目标历史推荐内容；

将所述历史内容推荐数据中包括所述目标历史推荐内容的内容推荐数据进行组合得到所述历史推荐内容数据集。

基于上述第一方面，所述根据所述显式推荐内容分别与所述每个隐式推荐内容之间的内容特征关联度、所述每个推荐内容针对所述大数据推荐引擎的引擎特征关联度、以及所述历史推荐内容数据集，得到针对所述显式推荐内容的目标推荐策略，包括：

针对每个显式推荐内容：

根据所述显式推荐内容分别与每个所述隐式推荐内容之间的内容特征关联度，对多个所述隐式推荐内容进行排列，得到排列后的多个隐式推荐内容；

从排列后的所述多个隐式推荐内容中，筛选第二预设数量个隐式推荐内容作为与所述显式推荐内容对应的第一候选推荐内容；

根据所述第一候选推荐内容与所述显式推荐内容之间的内容特征关联度，得到针对所述显式推荐内容的第一推荐内容数据集；

根据所述显式推荐内容分别与各所述大数据推荐引擎对应的引擎特征关联度确定一个目标大数据推荐引擎，根据每个所述隐式推荐内容分别与所述目标大数据推荐引擎对应的引擎特征关联度，对多个所述隐式推荐内容进行排列，得到排列后的所述多个隐式推荐内容，并从排列后的所述多个隐式推荐内容中，筛选第三预设数量个隐式推荐内容作为第二候选推荐内容；

根据所述第二候选推荐内容以及所述显式推荐内容分别与各所述大数据推荐引擎的引擎特征关联度，得到针对所述显式推荐内容的第二推荐内容数据集；

根据所述历史推荐内容数据集、所述第一推荐内容数据集、以及所述第二推荐内容数据集，得到所述目标推荐策略。

基于上述第一方面，所述第一推荐内容数据集包括：将所述第一候选推荐内容按照与所述显式推荐内容的内容特征关联度进行排列，得到的第一候选推荐内容序列；所述第二推荐内容数据集包括：针对所述显式推荐内容，将引擎特征关联度较大的两个大数据推荐引擎作为候选推荐引擎，将所述第二候选推荐内容分别与两个所述候选推荐引擎的引擎特征关联度对所述第二候选推荐内容进行两次排序，所得到的两个分别与所述候选推荐引擎对应的第二候选推荐内容序列；

所述历史推荐内容数据集包括至少一个历史推荐内容对应的历史推荐数据；

所述根据所述历史推荐内容数据集、所述第一推荐内容数据集、以及所述第二推荐内容数据集，得到所述目标推荐策略，包括：

根据所述历史推荐内容中每个历史推荐内容对应的历史推荐数据与所述第一候选推荐内容序列进行匹配分析，计算所述第一候选推荐内容序列中的每个第一候选推荐内容的内容推荐指数；

根据所述历史推荐内容中每个历史推荐内容对应的历史推荐数据与所述第二候选推荐内容序列进行匹配分析，计算所述第二候选推荐内容序列中的每个第二候选推荐内容的内容推荐指数；

根据各所述第一候选推荐内容的内容推荐指数以及各所述第二候选推荐内容的内容推荐指数对所述第一候选推荐内容序列以及所述第二候选推荐内容序列进行序列融合，得到目标推荐内容序列；

根据两个所述候选推荐引擎确定目标内容推荐渠道；

根据所述目标内容推荐渠道以及所述目标推荐内容序列得到所述目标推荐策略。

基于上述第一方面，所述根据所述历史推荐内容中每个历史推荐内容对应的历史推荐数据与所述第一候选推荐内容序列进行匹配分析，计算所述第一候选推荐内容序列中的每个第一候选推荐内容的内容推荐指数，包括：

将所述历史推荐数据中的各推荐内容分别与所述第一候选推荐内容序列中的各第一候选推荐内容进行匹配，根据匹配结果为所述第一候选推荐内容序列中的各第一候选推荐内容设置推荐权重参数；其中，所述匹配结果包括与所述历史推荐数据中的各历史推荐内容匹配的目标第一候选推荐内容以及各目标第一候选推荐内容的历史推荐频次，所述目标第一候选推荐内容的推荐权重参数与对应的历史推荐频次正相关，与所述历史推荐数据中的各历史推荐内容不匹配的第一候选推荐内容的推荐权重参数为设定的常数，所述设定的常数小于所述目标第一候选推荐内容对应的推荐权重参数；

根据所述第一候选推荐内容序列中各第一候选推荐内容的排列顺序依次按照设定的第一指数分配规则为每个第一候选推荐内容分配初始内容推荐指数；

根据各所述第一候选推荐内容对应的推荐权重参数以及各所述第一候选推荐内容的初始内容推荐指数计算得到各所述第一候选推荐内容对应的最终内容推荐指数；

所述根据所述历史推荐内容中每个历史推荐内容对应的历史推荐数据与所述第二候选推荐内容序列进行匹配分析，计算所述第二候选推荐内容序列中的每个第二候选推荐内容的内容推荐指数，包括：

将所述历史推荐数据中的各推荐内容分别与各所述第二候选推荐内容序列中的各第二候选推荐内容进行匹配，根据匹配结果为所述第二候选推荐内容序列中的各第二候选推荐内容设置推荐权重参数；其中，所述匹配结果包括与所述历史推荐数据中的各历史推荐内容匹配的目标第二候选推荐内容以及各目标第二候选推荐内容的历史推荐频次，所述目标第二候选推荐内容的推荐权重参数与对应的历史推荐频次正相关，与所述历史推荐数据中的各历史推荐内容不匹配的第二候选推荐内容的推荐权重参数为设定的常数，所述设定的常数小于所述目标第二候选推荐内容对应的推荐权重参数；

根据每个所述第二候选推荐内容序列中各第二候选推荐内容的排列顺序依次按照设定的第二指数分配规则为每个第二候选推荐内容分配初始内容推荐指数；

根据各所述第二候选推荐内容对应的推荐权重参数以及各所述第二候选推荐内容的初始内容推荐指数计算得到各所述第二候选推荐内容对应的最终内容推荐指数；

所述根据所述第一候选推荐内容的内容推荐指数以及所述第二候选推荐内容的内容推荐指数对所述第一候选推荐内容序列以及所述第二候选推荐内容序列进行序列融合，得到目标推荐内容序列，包括：

将所述第一候选推荐内容序列以及各所述第二候选推荐内容序列进行序列合并，得到合并后的推荐内容序列；

根据合并后的推荐内容序列中各推荐推荐按照对应的内容推荐指数从大到小的顺序进行排序，得到排序后的推荐内容序列；

对排序后的推荐内容序列进行推荐内容去重处理，得到所述目标推荐内容序列，其中，在所述推荐内容去重处理过程中，若存在两个相同的推荐内容，则保留内容推荐指数较大的其中一个推荐内容，删除内容推荐指数较小的其他推荐内容。

基于上述第一方面，所述根据所述第一候选推荐内容序列中各第一候选推荐内容的排列顺序依次按照设定的第一指数分配规则为每个第一候选推荐内容分配初始内容推荐指数，包括：

按照各第一候选推荐内容的排列顺序将排列在第一个的第一候选推荐内容分配预设的第一推荐指数作为该第一个的第一候选推荐内容的初始内容推荐指数；

根据所述第一推荐指数，按照预设的指数递减步长分别为所述第一候选推荐内容序列中的其他第一候选推荐内容依次分配初始内容推荐指数。

基于上述第一方面，所述根据每个所述第二候选推荐内容序列中各第二候选推荐内容的排列顺序依次按照设定的第二指数分配规则为每个第二候选推荐内容分配初始内容推荐指数，包括：

按照各第二候选推荐内容的排列顺序将排列在最后一个的第二候选推荐内容分配预设的第二推荐指数作为该最后一个的第二候选推荐内容的初始内容推荐指数；

根据所述第二推荐指数，按照预设的指数递增步长分别为所述第二候选推荐内容序列中的其他第二候选推荐内容依次分配初始内容推荐指数。

基于上述第一方面，所述根据所述目标推荐策略对各所述推荐内容进行内容推荐包括：

针对每个所述显式推荐内容对应的目标推荐策略：

将所述显式推荐内容分别与所述目标推荐内容序列中的各隐式推荐内容依次进行组合，得到多个内容推荐组合；

按照预设的内容推荐周期，通过所述目标内容推荐渠道向所述目标用户依次推荐各所述内容推荐组合。

进一步地，第二方面，本发明实施例还提供一种基于人工智能的区块链大数据推荐系统，包括信息推荐平台以及分别与所述信息推荐平台进行信息交互的多个大数据推荐引擎，所述信息推荐平台包括处理器和机器可读存储介质，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以实现上述的方法。

进一步地，第三方面，本发明实施例还提供一种云平台，所述云平台包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个大数据推荐引擎通信连接，所述机器可读存储介质用于存储机器可执行指令，所述处理器用于执行所述机器可读存储介质中的机器可执行指令，以执行上述的方法。

综上所述，本发明实施例可以基于大数据推荐引擎获取包括多个推荐内容的待推荐内容数据集合，确定显式推荐内容分别与每个隐式推荐内容之间的内容特征关联度、以及每个推荐内容针对大数据推荐引擎的引擎特征关联度。其次，获取基于大数据推荐引擎所得到的历史内容推荐数据，得到显式推荐内容的内容特征描述信息所对应的历史推荐内容的历史推荐内容数据集；根据显式推荐内容分别与每个隐式推荐内容之间的内容特征关联度、每个推荐内容针对大数据推荐引擎的引擎特征关联度、以及历史推荐内容数据集，得到各显式推荐内容的目标推荐策略向目标用户进行内容推荐，可以提升内容推荐的精准性及内容推荐的效果。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，针对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相关的附图。

图1是本发明实施例提供的基于人工智能的区块链大数据推荐方法的流程示意图。

图2是图1中步骤4的子步骤流程示意图。

图3是本发明实施例提供的信息推荐平台的方框示意图。

具体实施方式

在下面的详细描述中，通过实施例阐述了本发明的示例性细节，以便对相关技术特征的详细理解。然而，对于本领域的普通技术人员来讲，本发明显而易见的可以在没有这些细节的情况下实施。在其他情况下，本发明中的公知的方法、过程、系统或组件已经在别处以相对高的级别进行了描述，本发明中对此没有详细地描述，以避免不必要地重复。对于本发明的实施例的各种修改对于本领域技术人员将是显而易见的，并且在不脱离本发明的精神和范围的情况下，本发明定义的一般原理可以应用于其他实施例和应用场景。因此，本发明不限于本发明中提及的实施例，而是与符合权利要求的最广范围相一致。

应当理解的是，本发明中使用“系统”、“装置”、“单元”和/或“模块”术语，是用于区分在顺序排列中不同级别的不同部件、元件、部分或组件的一种方法。然而，如果其他表达式可以实现相同的目的，这些术语可以被其他表达式替换。

本发明所用术语仅为了描述特定实施例，而非限制本发明范围。如本发明说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括多数。一般说来，术语“包括”与“包含”仅指定包括已明确标识的整体、器件、行为、指定特征、步骤、元素、操作和/或组件，而该类表述并不构成一个排它性的罗列，其他整体、器件、行为、指定特征、步骤、元素、操作、组件和/或它们的组合也可以包含在内。

下面将结合附图对本发明的实施例进行详细的介绍。

请参阅图1，是本发明实施例提供的一种基于人工智能的区块链大数据推荐方法的流程示意图。本实施例中，所述基于人工智能的区块链大数据推荐方法可以基于基于人工智能的区块链大数据推荐系统。其中，所述基于人工智能的区块链大数据推荐系统可以包括信息推荐平台以及与所述信息推荐平台进行信息交互的多个大数据推荐引擎。所述信息推荐平台作为这些大数据推荐引擎的控制中心，可用于对基于人工智能的区块链大数据推荐系统中产生的各种数据（如各推荐内容的特征数据）进行大数据分析。所述信息推荐平台可以是服务器、服务器集群、云端服务器等用于进行大数据分析及信息推荐的大数据分析服务设备。所述大数据推荐引擎可以是本实施例提供的基于人工智能的区块链大数据推荐系统关联的各种信息搜集渠道（例如电商平台、网站、APP、小程序等）对应的具有信息搜集、分析及处理能力的模块，其可以是一种设备、服务器或虚拟化的信息网络等。其可以提供信息接口根据相应的信息交互规则或权限与信息推荐平台进行信息交互。所述大数据推荐引擎可以综合利用用户的行为、属性，对象的属性、内容、分类，以及用户之间的社交关系等等，挖掘用户的喜好和需求，得到感兴趣的信息，以利于后期的应用。本实施例可以针对多个不同的大数据推荐引擎提供的信息进行内容推荐策略的决策并用于进行精准的内容推送，可应用于各种需要进行内容推送的系统及平台。

基于上述内容，本发明提供的基于人工智能的区块链大数据推荐方法可以由所述信息推荐平台执行并实现，下面将结合图1对所述基于人工智能的区块链大数据推荐方法的各实现步骤进行示例性的描述。

步骤1，从所述大数据推荐引擎获取包括多个推荐内容的待推荐内容数据集合。

本实施例中，所述多个推荐内容由各大数据推荐引擎针对目标用户对各待推荐内容的显式用户反馈得到的显式推荐内容和各大数据推荐引擎针对目标用户对各待推荐内容的隐式用户反馈得到的隐式推荐内容组成，所述待推荐内容数据集合中包括每个推荐内容的内容特征描述信息。

其中，本实施例中，显式用户反馈包括目标用户对相应的内容的显性用户行为而得到的反馈信息，例如针对电商网站，显式用户反馈则包括针对相应内容或物品的购买行为、评价行为等有关的反馈信息。显式用户反馈能够反映用户对相应内容的真实喜好。隐式用户反馈包括目标用户对相应的内容的隐性用户行为而到得到的反馈信息，例如针对电商网站，显式用户反馈则包括针对相应内容或物品的查看行为、搜索行为等有关的反馈信息，通过一些分析和处理，能够反映用户对相应内容的潜在喜好，相对显式用户反馈而言精准性较低或存在更大的数据噪声，因此需要结合显式用户反馈进行进一步的分析以进行相应的精准内容推送。在具体实施时，显式用户反馈和隐式用户反馈可以根据系统或平台的需要按照设定的规则进行分类，具体的方法不进行限定。

步骤2，根据每个所述推荐内容的内容特征描述信息，确定所述显式推荐内容分别与每个隐式推荐内容之间的内容特征关联度、以及每个推荐内容与所述大数据推荐引擎的引擎特征关联度。

步骤3，从所述大数据推荐引擎获取各所述推荐内容的历史内容推荐数据，并从所述历史内容推荐数据中获取各所述显式推荐内容的内容特征描述信息所对应的历史推荐内容的历史推荐内容数据集。

步骤4，根据所述显式推荐内容分别与每个所述隐式推荐内容之间的内容特征关联度、每个所述推荐内容针对所述大数据推荐引擎的引擎特征关联度、以及所述历史推荐内容数据集，得到针对所述显式推荐内容的目标推荐策略。

步骤5，根据所述目标推荐策略，对各所述推荐内容进行内容推荐。

综上所述，本发明实施例中，可以基于大数据推荐引擎获取包括多个推荐内容的待推荐内容数据集合，确定显式推荐内容分别与每个隐式推荐内容之间的内容特征关联度、以及每个推荐内容针对大数据推荐引擎的引擎特征关联度。其次，获取基于大数据推荐引擎所得到的历史内容推荐数据，得到显式推荐内容的内容特征描述信息所对应的历史推荐内容的历史推荐内容数据集；根据显式推荐内容分别与每个隐式推荐内容之间的内容特征关联度、每个推荐内容针对大数据推荐引擎的引擎特征关联度、以及历史推荐内容数据集，得到各显式推荐内容的目标推荐策略向目标用户进行内容推荐，可以提升内容推荐的精准性及内容推荐的效果。

下面将对上述步骤1-步骤5中相应步骤的具体实施方式进行示例性阐述。

本实施例中，在上述步骤2中，根据每个所述推荐内容的内容特征描述信息，确定所述显式推荐内容分别与每个隐式推荐内容之间的内容特征关联度、以及每个推荐内容与所述大数据推荐引擎的引擎特征关联度，一种可能的实现方式如下。

首先，获取所述显式推荐内容的内容特征描述信息分别与每个所述隐式推荐内容的内容特征描述信息对应的关键项目特征内容，根据所述每个隐式推荐内容对应的关键项目特征内容，确定所述显式推荐内容分别与所述每个隐式推荐内容之间的内容特征关联度。本实施例中，所述关键项目特征内容可以是根据实际需要预先设定的关键项目对应的特征内容，例如，对应的用户群体特征、历史推荐目标群体、推荐内容的类型等等，具体可以根据实际情况进行设定，本实施例不具体限定。

然后，根据每个所述推荐内容的内容特征描述信息，将各所述大数据推荐引擎的引擎特征描述信息与各内容特征描述信息进行信息比对分析，得到每个所述推荐内容与各所述大数据推荐引擎的引擎特征关联度。本实施例中，所述引擎特征描述信息包括针对各大数据推荐引擎的各推荐内容的预设关键项目的项目描述信息，例如各大数据推荐引擎重点分析的的推荐内容的内容类型信息等。

本实施例中，所述步骤3中，从所述大数据推荐引擎获取所述推荐内容的历史内容推荐数据，并从所述历史内容推荐数据中获取各所述显式推荐内容的内容特征描述信息所对应的历史推荐内容的历史推荐内容数据集，一种可能的实现方式如下：

首先，根据所述历史内容推荐数据中多个历史推荐内容的内容特征描述信息分别与所述显式推荐内容的内容特征描述信息之间的内容特征关联度，对所述多个历史推荐内容进行排列，得到排列后的所述多个历史推荐内容；然后，从排列后的所述多个历史推荐内容中，筛选第一预设数量个历史推荐内容作为目标历史推荐内容；最后，将所述历史内容推荐数据中包括所述目标历史推荐内容的内容推荐数据进行组合得到所述历史推荐内容数据集。所述历史推荐内容数据集包括至少一个历史推荐内容对应的历史推荐数据，例如推荐频次、推荐时间、推荐目标对象等。

本实施例中，上述步骤4中，根据所述显式推荐内容分别与所述每个隐式推荐内容之间的内容特征关联度、所述每个推荐内容针对所述大数据推荐引擎的引擎特征关联度、以及所述历史推荐内容数据集，得到针对所述显式推荐内容的目标推荐策略，具体的实现方法可以包括图2所示的方法，具体描述如下。

针对每个显式推荐内容，执行以下步骤。

步骤41，根据所述显式推荐内容分别与每个所述隐式推荐内容之间的内容特征关联度，对多个所述隐式推荐内容进行排列，得到排列后的多个隐式推荐内容。

步骤42，从排列后的所述多个隐式推荐内容中，筛选第二预设数量个隐式推荐内容作为与所述显式推荐内容对应的第一候选推荐内容。例如，可以根据排列顺序，筛选排列在前面的第二预设数量个隐式推荐内容作为所述第一候选推荐内容。

步骤43，根据所述第一候选推荐内容与所述显式推荐内容之间的内容特征关联度，得到针对所述显式推荐内容的第一推荐内容数据集。本实施例中，所述第一推荐内容数据集包括：将所述第一候选推荐内容按照与所述显式推荐内容的内容特征关联度进行排列，得到的第一候选推荐内容序列。

步骤44，根据所述显式推荐内容分别与各所述大数据推荐引擎对应的引擎特征关联度确定一个目标大数据推荐引擎，根据每个所述隐式推荐内容分别与所述目标大数据推荐引擎对应的引擎特征关联度，对多个所述隐式推荐内容进行排列，得到排列后的所述多个隐式推荐内容，并从排列后的所述多个隐式推荐内容中，筛选第三预设数量个隐式推荐内容作为第二候选推荐内容。本实施例中，所述目标大数据推荐引擎可以是与所述显式推荐内容的引擎特征关联度最大的其中一个大数据推荐引擎。此外，可以根据关联度差值从小打到的顺序进行排列，选取排列靠前的第三预设数量个隐式推荐内容作为第二候选推荐内容。

步骤45，根据所述第二候选推荐内容以及所述显式推荐内容分别与各所述大数据推荐引擎的引擎特征关联度，得到针对所述显式推荐内容的第二推荐内容数据集。例如，针对所述显式推荐内容，将引擎特征关联度较大的两个大数据推荐引擎作为候选推荐引擎，将所述第二候选推荐内容分别与两个所述候选推荐引擎的引擎特征关联度对所述第二候选推荐内容进行两次排序，得到包括两个分别与所述候选推荐引擎对应的第二候选推荐内容序列的第二推荐内容数据集。也就是说，所述第二推荐内容数据集包括：针对所述显式推荐内容，将引擎特征关联度较大的两个大数据推荐引擎作为候选推荐引擎，将所述第二候选推荐内容分别与两个所述候选推荐引擎的引擎特征关联度对所述第二候选推荐内容进行两次排序，所得到的两个分别与所述候选推荐引擎对应的第二候选推荐内容序列。

步骤46，根据所述历史推荐内容数据集、所述第一推荐内容数据集、以及所述第二推荐内容数据集，得到所述目标推荐策略。

详细地，基于上述内容，步骤46中，根据所述历史推荐内容数据集、所述第一推荐内容数据集、以及所述第二推荐内容数据集，得到所述目标推荐策略，一种可能的实现方法可以包括步骤461-步骤465，具体描述如下。

步骤461，根据所述历史推荐内容中每个历史推荐内容对应的历史推荐数据与所述第一候选推荐内容序列进行匹配分析，计算所述第一候选推荐内容序列中的每个第一候选推荐内容的内容推荐指数。

例如，本实施例中，可首先，将所述历史推荐数据中的各推荐内容分别与所述第一候选推荐内容序列中的各第一候选推荐内容进行匹配，根据匹配结果为所述第一候选推荐内容序列中的各第一候选推荐内容设置推荐权重参数。其中，所述匹配结果包括与所述历史推荐数据中的各历史推荐内容匹配的目标第一候选推荐内容以及各目标第一候选推荐内容的历史推荐频次，所述目标第一候选推荐内容的推荐权重参数与对应的历史推荐频次正相关，与所述历史推荐数据中的各历史推荐内容不匹配的第一候选推荐内容的推荐权重参数为设定的常数，所述设定的常数小于所述目标第一候选推荐内容对应的推荐权重参数。

然后，根据所述第一候选推荐内容序列中各第一候选推荐内容的排列顺序依次按照设定的第一指数分配规则为每个第一候选推荐内容分配初始内容推荐指数。例如，可以按照各第一候选推荐内容的排列顺序将排列在第一个的第一候选推荐内容分配预设的第一推荐指数作为该第一个的第一候选推荐内容的初始内容推荐指数；然后，根据所述第一推荐指数，按照预设的指数递减步长分别为所述第一候选推荐内容序列中的其他第一候选推荐内容依次分配初始内容推荐指数。

最后，根据各所述第一候选推荐内容对应的推荐权重参数以及各所述第一候选推荐内容的初始内容推荐指数计算得到各所述第一候选推荐内容对应的最终内容推荐指数。例如，可以将所述推荐权重参数与初始内容推荐指数相乘得到最终内容推荐指数。

步骤462，根据所述历史推荐内容中每个历史推荐内容对应的历史推荐数据与所述第二候选推荐内容序列进行匹配分析，计算所述第二候选推荐内容序列中的每个第二候选推荐内容的内容推荐指数。

例如，本实施例中，可首先将所述历史推荐数据中的各推荐内容分别与各所述第二候选推荐内容序列中的各第二候选推荐内容进行匹配，根据匹配结果为所述第二候选推荐内容序列中的各第二候选推荐内容设置推荐权重参数。其中，所述匹配结果包括与所述历史推荐数据中的各历史推荐内容匹配的目标第二候选推荐内容以及各目标第二候选推荐内容的历史推荐频次，所述目标第二候选推荐内容的推荐权重参数与对应的历史推荐频次正相关，与所述历史推荐数据中的各历史推荐内容不匹配的第二候选推荐内容的推荐权重参数为设定的常数，所述设定的常数小于所述目标第二候选推荐内容对应的推荐权重参数。

然后，根据每个所述第二候选推荐内容序列中各第二候选推荐内容的排列顺序依次按照设定的第二指数分配规则为每个第二候选推荐内容分配初始内容推荐指数。例如，可以按照各第二候选推荐内容的排列顺序将排列在最后一个的第二候选推荐内容分配预设的第二推荐指数作为该最后一个的第二候选推荐内容的初始内容推荐指数；然后，再根据所述第二推荐指数，按照预设的指数递增步长分别为所述第二候选推荐内容序列中的其他第二候选推荐内容依次分配初始内容推荐指数。

最后，根据各所述第二候选推荐内容对应的推荐权重参数以及各所述第二候选推荐内容的初始内容推荐指数计算得到各所述第二候选推荐内容对应的最终内容推荐指数。

步骤463，根据各所述第一候选推荐内容的内容推荐指数以及各所述第二候选推荐内容的内容推荐指数对所述第一候选推荐内容序列以及所述第二候选推荐内容序列进行序列融合，得到目标推荐内容序列。

例如，本实施例中，可首先将所述第一候选推荐内容序列以及各所述第二候选推荐内容序列进行序列合并，得到合并后的推荐内容序列；然后，根据合并后的推荐内容序列中各推荐推荐按照对应的内容推荐指数从大到小的顺序进行排序，得到排序后的推荐内容序列；最后，对排序后的推荐内容序列进行推荐内容去重处理，得到所述目标推荐内容序列，其中，在所述推荐内容去重处理过程中，若存在两个相同的推荐内容，则保留内容推荐指数较大的其中一个推荐内容，删除内容推荐指数较小的其他推荐内容。

步骤464，根据两个所述候选推荐引擎确定目标内容推荐渠道。例如，目标内容推荐渠道可以包括与所述两个候选推荐引擎对应的内容推荐平台，例如电商网站、内容展示APP、电信运营商信息推送方式等。

步骤465，根据所述目标内容推荐渠道以及所述目标推荐内容序列得到所述目标推荐策略。

在上述内容的基础上，步骤5中，根据所述目标推荐策略对各所述推荐内容进行内容推荐，一种可实现的方式可以是：

针对每个所述显式推荐内容对应的目标推荐策略：将所述显式推荐内容分别与所述目标推荐内容序列中的各隐式推荐内容依次进行组合，得到多个内容推荐组合；然后，按照预设的内容推荐周期，通过所述目标内容推荐渠道向所述目标用户依次推荐各所述内容推荐组合。

进一步地，如图3所示，图3本发明实施例提供的用于实现上述的基于人工智能的区块链大数据推荐方法的信息推荐平台10的方框示意图，所述信息推荐平台10可包括处理器11、机器可读存储介质12、以及基于人工智能的区块链大数据推荐装置13。

在具体实施时，处理器11执行机器可读存储介质12存储的机器可执行指令，使得处理器11可以执行如上方法实施例所述的基于人工智能的区块链大数据推荐方法，处理器11、机器可读存储介质12可以通过总线连接。基于人工智能的区块链大数据推荐装置13可以包括用于实现上述各方法步骤分别对应的软件功能模块，这些软件功能模块可以由处理器11控制执行，以实现上述的方法。处理器11的具体实现过程可参见上述信息推荐平台10执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

此外，本公开实施例还提供一种可读存储介质，所述可读存储介质中预设有确定机执行指令，当处理器执行所述确定机执行指令时，实现如上基于人工智能的区块链大数据推荐方法。

本发明实施例还提供一种云平台，所述云平台包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个大数据推荐引擎通信连接，所述机器可读存储介质用于存储机器可执行指令，所述处理器用于执行所述机器可读存储介质中的机器可执行指令，以执行上述的方法。

综上所述，本发明实施例提供的基于人工智能的区块链大数据推荐方法、系统及云平台，可以基于大数据推荐引擎获取包括多个推荐内容的待推荐内容数据集合，确定显式推荐内容分别与每个隐式推荐内容之间的内容特征关联度、以及每个推荐内容针对大数据推荐引擎的引擎特征关联度。其次，获取基于大数据推荐引擎所得到的历史内容推荐数据，得到显式推荐内容的内容特征描述信息所对应的历史推荐内容的历史推荐内容数据集；根据显式推荐内容分别与每个隐式推荐内容之间的内容特征关联度、每个推荐内容针对大数据推荐引擎的引擎特征关联度、以及历史推荐内容数据集，得到针对显式推荐内容的目标推荐策略，向目标用户进行内容推荐，可以提升内容推荐的精准性及内容推荐的效果。

以上所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。通常在附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，在附图中提供的本发明的实施例的详细描述并非旨在限制本发明的保护范围，而仅仅是表示本发明的选定实施例。因此，本发明的保护范围应以权利要求的保护范围为准。此外，基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下可获得的所有其它实施例，都应属于本发明保护的范围。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

Claims (10)

1.一种基于人工智能的区块链大数据推荐方法，应用于基于人工智能的区块链大数据推荐系统的信息推荐平台，其特征在于，所述基于人工智能的区块链大数据推荐系统还包括与所述信息推荐平台进行信息交互的多个大数据推荐引擎，所述方法包括：

从所述大数据推荐引擎获取包括多个推荐内容的待推荐内容数据集合，所述多个推荐内容由各大数据推荐引擎针对目标用户对各待推荐内容的显式用户反馈得到的显式推荐内容和各大数据推荐引擎针对目标用户对各待推荐内容的隐式用户反馈得到的隐式推荐内容组成，所述待推荐内容数据集合中包括每个推荐内容的内容特征描述信息；

根据每个所述推荐内容的内容特征描述信息，确定所述显式推荐内容分别与每个隐式推荐内容之间的内容特征关联度、以及每个推荐内容与所述大数据推荐引擎的引擎特征关联度；

从所述大数据推荐引擎获取所述推荐内容的历史内容推荐数据，并从所述历史内容推荐数据中获取各所述显式推荐内容的内容特征描述信息所对应的历史推荐内容的历史推荐内容数据集；

根据所述显式推荐内容分别与所述每个隐式推荐内容之间的内容特征关联度、所述每个推荐内容针对所述大数据推荐引擎的引擎特征关联度、以及所述历史推荐内容数据集，得到针对所述显式推荐内容的目标推荐策略；

根据所述目标推荐策略，对各所述推荐内容进行内容推荐。

2.根据权利要求1所述的方法，其特征在于，所述根据每个所述推荐内容的内容特征描述信息，确定所述显式推荐内容分别与每个隐式推荐内容之间的内容特征关联度、以及每个推荐内容与所述大数据推荐引擎的引擎特征关联度，包括：

获取所述显式推荐内容的内容特征描述信息分别与每个所述隐式推荐内容的内容特征描述信息对应的关键项目特征内容，根据所述每个隐式推荐内容对应的关键项目特征内容，确定所述显式推荐内容分别与所述每个隐式推荐内容之间的内容特征关联度；

根据每个所述推荐内容的内容特征描述信息，将各所述大数据推荐引擎的引擎特征描述信息与各内容特征描述信息进行信息比对分析，得到每个所述推荐内容与各所述大数据推荐引擎的引擎特征关联度；所述引擎特征描述信息包括针对各大数据推荐引擎的各推荐内容的预设关键项目的项目描述信息。

3.根据权利要求1所述的方法，其特征在于，所述从所述大数据推荐引擎获取所述推荐内容的历史内容推荐数据，并从所述历史内容推荐数据中获取各所述显式推荐内容的内容特征描述信息所对应的历史推荐内容的历史推荐内容数据集，包括：

根据所述历史内容推荐数据中多个历史推荐内容的内容特征描述信息分别与所述显式推荐内容的内容特征描述信息之间的内容特征关联度，对所述多个历史推荐内容进行排列，得到排列后的所述多个历史推荐内容；

从排列后的所述多个历史推荐内容中，筛选第一预设数量个历史推荐内容作为目标历史推荐内容；

将所述历史内容推荐数据中包括所述目标历史推荐内容的内容推荐数据进行组合得到所述历史推荐内容数据集。

4.根据权利要求1所述的方法，其特征在于，所述根据所述显式推荐内容分别与所述每个隐式推荐内容之间的内容特征关联度、所述每个推荐内容针对所述大数据推荐引擎的引擎特征关联度、以及所述历史推荐内容数据集，得到针对所述显式推荐内容的目标推荐策略，包括：

针对每个显式推荐内容：

根据所述显式推荐内容分别与每个所述隐式推荐内容之间的内容特征关联度，对多个所述隐式推荐内容进行排列，得到排列后的多个隐式推荐内容；

从排列后的所述多个隐式推荐内容中，筛选第二预设数量个隐式推荐内容作为与所述显式推荐内容对应的第一候选推荐内容；

根据所述第一候选推荐内容与所述显式推荐内容之间的内容特征关联度，得到针对所述显式推荐内容的第一推荐内容数据集；

根据所述显式推荐内容分别与各所述大数据推荐引擎对应的引擎特征关联度确定一个目标大数据推荐引擎，根据每个所述隐式推荐内容分别与所述目标大数据推荐引擎对应的引擎特征关联度，对多个所述隐式推荐内容进行排列，得到排列后的所述多个隐式推荐内容，并从排列后的所述多个隐式推荐内容中，筛选第三预设数量个隐式推荐内容作为第二候选推荐内容；

根据所述第二候选推荐内容以及所述显式推荐内容分别与各所述大数据推荐引擎的引擎特征关联度，得到针对所述显式推荐内容的第二推荐内容数据集；

根据所述历史推荐内容数据集、所述第一推荐内容数据集、以及所述第二推荐内容数据集，得到所述目标推荐策略。

5.根据权利要求4所述的方法，其特征在于，所述第一推荐内容数据集包括：将所述第一候选推荐内容按照与所述显式推荐内容的内容特征关联度进行排列，得到的第一候选推荐内容序列；所述第二推荐内容数据集包括：针对所述显式推荐内容，将引擎特征关联度较大的两个大数据推荐引擎作为候选推荐引擎，将所述第二候选推荐内容分别与两个所述候选推荐引擎的引擎特征关联度对所述第二候选推荐内容进行两次排序，所得到的两个分别与所述候选推荐引擎对应的第二候选推荐内容序列；

所述历史推荐内容数据集包括至少一个历史推荐内容对应的历史推荐数据；

所述根据所述历史推荐内容数据集、所述第一推荐内容数据集、以及所述第二推荐内容数据集，得到所述目标推荐策略，包括：

根据所述历史推荐内容中每个历史推荐内容对应的历史推荐数据与所述第一候选推荐内容序列进行匹配分析，计算所述第一候选推荐内容序列中的每个第一候选推荐内容的内容推荐指数；

根据所述历史推荐内容中每个历史推荐内容对应的历史推荐数据与所述第二候选推荐内容序列进行匹配分析，计算所述第二候选推荐内容序列中的每个第二候选推荐内容的内容推荐指数；

根据各所述第一候选推荐内容的内容推荐指数以及各所述第二候选推荐内容的内容推荐指数对所述第一候选推荐内容序列以及所述第二候选推荐内容序列进行序列融合，得到目标推荐内容序列；

根据两个所述候选推荐引擎确定目标内容推荐渠道；

根据所述目标内容推荐渠道以及所述目标推荐内容序列得到所述目标推荐策略。

6.根据权利要求5所述的方法，其特征在于，所述根据所述历史推荐内容中每个历史推荐内容对应的历史推荐数据与所述第一候选推荐内容序列进行匹配分析，计算所述第一候选推荐内容序列中的每个第一候选推荐内容的内容推荐指数，包括：

将所述历史推荐数据中的各推荐内容分别与所述第一候选推荐内容序列中的各第一候选推荐内容进行匹配，根据匹配结果为所述第一候选推荐内容序列中的各第一候选推荐内容设置推荐权重参数；其中，所述匹配结果包括与所述历史推荐数据中的各历史推荐内容匹配的目标第一候选推荐内容以及各目标第一候选推荐内容的历史推荐频次，所述目标第一候选推荐内容的推荐权重参数与对应的历史推荐频次正相关，与所述历史推荐数据中的各历史推荐内容不匹配的第一候选推荐内容的推荐权重参数为设定的常数，所述设定的常数小于所述目标第一候选推荐内容对应的推荐权重参数；

根据所述第一候选推荐内容序列中各第一候选推荐内容的排列顺序依次按照设定的第一指数分配规则为每个第一候选推荐内容分配初始内容推荐指数；

根据各所述第一候选推荐内容对应的推荐权重参数以及各所述第一候选推荐内容的初始内容推荐指数计算得到各所述第一候选推荐内容对应的最终内容推荐指数；

所述根据所述历史推荐内容中每个历史推荐内容对应的历史推荐数据与所述第二候选推荐内容序列进行匹配分析，计算所述第二候选推荐内容序列中的每个第二候选推荐内容的内容推荐指数，包括：

将所述历史推荐数据中的各推荐内容分别与各所述第二候选推荐内容序列中的各第二候选推荐内容进行匹配，根据匹配结果为所述第二候选推荐内容序列中的各第二候选推荐内容设置推荐权重参数；其中，所述匹配结果包括与所述历史推荐数据中的各历史推荐内容匹配的目标第二候选推荐内容以及各目标第二候选推荐内容的历史推荐频次，所述目标第二候选推荐内容的推荐权重参数与对应的历史推荐频次正相关，与所述历史推荐数据中的各历史推荐内容不匹配的第二候选推荐内容的推荐权重参数为设定的常数，所述设定的常数小于所述目标第二候选推荐内容对应的推荐权重参数；

根据每个所述第二候选推荐内容序列中各第二候选推荐内容的排列顺序依次按照设定的第二指数分配规则为每个第二候选推荐内容分配初始内容推荐指数；

根据各所述第二候选推荐内容对应的推荐权重参数以及各所述第二候选推荐内容的初始内容推荐指数计算得到各所述第二候选推荐内容对应的最终内容推荐指数；

所述根据所述第一候选推荐内容的内容推荐指数以及所述第二候选推荐内容的内容推荐指数对所述第一候选推荐内容序列以及所述第二候选推荐内容序列进行序列融合，得到目标推荐内容序列，包括：

将所述第一候选推荐内容序列以及各所述第二候选推荐内容序列进行序列合并，得到合并后的推荐内容序列；

根据合并后的推荐内容序列中各推荐推荐按照对应的内容推荐指数从大到小的顺序进行排序，得到排序后的推荐内容序列；

对排序后的推荐内容序列进行推荐内容去重处理，得到所述目标推荐内容序列，其中，在所述推荐内容去重处理过程中，若存在两个相同的推荐内容，则保留内容推荐指数较大的其中一个推荐内容，删除内容推荐指数较小的其他推荐内容。

7.根据权利要求6所述的方法，其特征在于，所述根据所述第一候选推荐内容序列中各第一候选推荐内容的排列顺序依次按照设定的第一指数分配规则为每个第一候选推荐内容分配初始内容推荐指数，包括：

按照各第一候选推荐内容的排列顺序将排列在第一个的第一候选推荐内容分配预设的第一推荐指数作为该第一个的第一候选推荐内容的初始内容推荐指数；

根据所述第一推荐指数，按照预设的指数递减步长分别为所述第一候选推荐内容序列中的其他第一候选推荐内容依次分配初始内容推荐指数。

8.根据权利要求6所述的方法，其特征在于，所述根据每个所述第二候选推荐内容序列中各第二候选推荐内容的排列顺序依次按照设定的第二指数分配规则为每个第二候选推荐内容分配初始内容推荐指数，包括：

按照各第二候选推荐内容的排列顺序将排列在最后一个的第二候选推荐内容分配预设的第二推荐指数作为该最后一个的第二候选推荐内容的初始内容推荐指数；

根据所述第二推荐指数，按照预设的指数递增步长分别为所述第二候选推荐内容序列中的其他第二候选推荐内容依次分配初始内容推荐指数。

9.一种基于人工智能的区块链大数据推荐系统，其特征在于，包括信息推荐平台以及分别与所述信息推荐平台进行信息交互的多个大数据推荐引擎，所述信息推荐平台包括处理器和机器可读存储介质，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以实现权利要求1-8任意一项所述的方法。

10.一种云平台，其特征在于，所述云平台包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个大数据推荐引擎通信连接，所述机器可读存储介质用于存储机器可执行指令，所述处理器用于执行所述机器可读存储介质中的机器可执行指令，以执行权利要求1-8任意一项所述的方法。

Images