CN113158068A - 基于大数据的终端信息推荐方法 - Google Patents

Abstract

本申请公开了一种基于大数据的终端信息推荐方法。其针对基于用户在信息浏览的过程中的大数据来更新用户画像的问题，采用基于贝叶斯的证据‑事件更新方式，来对用户画像进行更新。具体地，在本申请中，通过用户反应数据和推送信息数据在高维空间中对用户画像数据的高维特征图进行更新，并通过反卷积操作还原出更新后的用户标签和权重，从而实现了用户画像的更新。这样，提高终端信息推荐精度。

Description

基于大数据的终端信息推荐方法

技术领域

本发明涉及大数据领域，且更为具体地，涉及一种基于大数据的终端信息推荐方法、基于大数据的终端信息推荐系统和电子设备。

背景技术

随着智能终端相关技术的发展和产业的壮大，智能终端成为用户与网络世界连接的第一现场，是用户使用信息和网络感知用户的末梢。由于智能终端相比传统PC机，其图形界面方案和输入方式受限，“信息过载”带来的负面影响会更加明显。因此，近年来针对移动终端设备的个性化信息推荐技术成为一个新兴的研究领域。

由于终端信息推荐涉及到个性化信息获取，传统的信息推荐方式精度偏低，引入用户画像(User Profile)作为推荐基础。用户画像作为大数据的根基，它完美地抽象出一个用户的信息全貌，为进一步精准、快速地分析用户行为习惯、消费习惯等重要信息，提供了足够的数据基础。

目前，基于用户画像的信息推荐方法依赖于用户画像数据，而由于画像数据的信息推荐方式是通过分析用户浏览记录和消费记录给用户打上“兴趣-权重”标签然后进行推荐,在一定程度上忽略了用户兴趣的变化趋势,随着时间的推移,推荐精度往往会降低，影响用户体验。

因此，在信息推荐的过程中，如何对用户兴趣变化进行预测以提高信息推荐的体验度显得尤为重要。具体地，用户在信息浏览的过程中，不同信息的用户响应时间、信息的历史推送频率、信息重要性和信息的历史体验度等都可以作为影响用户兴趣变化的因素。因此，如何通过多维数据进行分析来对用户兴趣进行预测，以提高信息推荐的精度成为亟需解决的技术问题。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于大数据的终端信息推荐方法、基于大数据的终端信息推荐系统和电子设备，其针对基于用户在信息浏览的过程中的大数据来更新用户画像的问题，采用基于贝叶斯的证据-事件更新方式，来对用户画像进行更新。具体地，在本申请中，通过用户反应数据和推送信息数据在高维空间中对用户画像数据的高维特征图进行更新，并通过反卷积操作还原出更新后的用户标签和权重，从而实现了用户画像的更新。这样，提高终端信息推荐精度。

根据本申请的一个方面，提供了一种基于大数据的终端信息推荐方法，其包括：

获取用户画像数据，其中，所述用户画像数据包括多个标签及其相对应的多个权重；

对所述用户画像数据中的所述多个标签进行独热编码后再结合所述多个权重的维度以构成三维的输入张量；

获取用户在信息浏览过程中产生的推送信息数据和用户反应数据；

将所述推送信息数据和所述用户反应数据分别转化为第一输入向量和第二输入向量；

将所述输入张量通过卷积神经网络以通过所述卷积神经网络提取出各个维度之间的关联信息，以获得初始特征图，其中，所述卷积神经网络的最后一层以Sigmoid函数进行激活以使得所述初始特征图中各个位置的特征值在0到1的区间内；

将所述第一输入向量和所述第二输入向量分别输入由多个全连接层组成的编码器以通过所述编码器对所述第一输入向量和所述第二输入向量进行编码，以获得第一特征向量和第二特征向量，其中，所述编码器的最后一层以Sigmoid函数进行激活以使得所述第一特征向量和所述第二特征向量中各个位置的特征值在0到1的区间内；

以贝叶斯公式基于所述第一特征向量和所述第二特征向量更新所述初始特征图中各个位置的特征值，以获得更新特征图，其中，所述贝叶斯公式为先分别所述初始特征图中各个位置的特征值与所述第一特征向量中各个位置的特征值的乘积以及所述初始特征图中各个位置的特征值与所述第二特征向量中各个位置的特征值的商再求和；

将所述更新特征图输入生成器以通过所述生成器对所述更新特征图进行解卷积操作，以获得更新的用户画像数据；以及

基于更新的用户画像数据，向所述用户的终端设备推送信息。

在上述基于大数据的终端信息推荐方法中，对所述用户画像数据中的所述多个标签进行独热编码后再结合所述多个权重的维度以构成三维的输入张量，包括：对所述所述用户画像数据中的所述多个标签进行独热编码以获得编码标签矩阵；以及，将所述编码标签矩阵结合所述多个权重构成的向量，以获得所述三维的输入张量。

在上述基于大数据的终端信息推荐方法中，以贝叶斯公式基于所述第一特征向量和所述第二特征向量更新所述初始特征图中各个位置的特征值，以获得更新特征图，包括：基于所述第一特征向量计算所述初始特征图中各个位置的第一后验概率；基于所述第二特征向量计算所述初始特征图中各个位置的第二后验概率；以及，计算所述初始特征图中各个位置的第一后验概率和第二后验概率之和，以获得所述初始特征图中各个位置的最终后验概率，以获得所述更新特征图。

在上述基于大数据的终端信息推荐方法中，基于所述第一特征向量计算所述初始特征图中各个位置的第一后验概率，包括：以如下公式基于所述第一特征向量计算所述初始特征图中各个位置的第一后验概率，所述公式为：yi1＝∑_{xi∈F，ai∈L}xi*ai，其中，ai表示所述第一特征向量中各个位置的特征值，xi表示所述初始特征图中各个位置的特征值。

在上述基于大数据的终端信息推荐方法中，基于所述第二特征向量计算所述初始特征图中各个位置的第二后验概率，包括：以如下公式基于所述第二特征向量计算所述初始特征图中各个位置的第二后验概率，所述公式为：yi2＝∑_{xi∈F，bj∈K}xi/bi，其中，bi表示所述第二特征向量中各个位置的特征值，xi表示所述初始特征图中各个位置的特征值。

在上述基于大数据的终端信息推荐方法中，以贝叶斯公式基于所述第一特征向量和所述第二特征向量更新所述初始特征图中各个位置的特征值，以获得更新特征图，包括：以如下贝叶斯公式计算基于所述第一特征向量和所述第二特征向量更新所述初始特征图中各个位置的特征值，以获得更新特征图，所述贝叶斯公式为yi＝∑_{xi∈F，ai∈L，bj∈K}xi*ai/bi，其中，所述贝叶斯公式表示针对所述初始特征图中的每个特征值xi，分别与所述第一特征向量中的每个特征值ai和所述第二特征向量中的每个特征值bi计算后验概率，再将计算出的后验概率求和以获得所述特征值xi的更新后的值yi。

在上述基于大数据的终端信息推荐方法中，将所述更新特征图输入生成器以通过所述生成器对所述更新特征图进行解卷积操作，以获得更新的用户画像数据，包括：所述生成器以所述卷积神经网络的卷积核参数对所述更新特征图进行解卷积操作，以获得所述更新的用户画像数据。

在上述基于大数据的终端信息推荐方法中，所述用户反应数据包括用户对不同信息的响应时间、用户对不同信息的点击频率；所述推送信息数据包括信息的历史推送频率、信息重要性评分和信息的历史体验度评分。

根据本申请的另一方面，提供了一种基于大数据的终端信息推荐系统，其包括：

用户画像数据获取单元，用于获取用户画像数据，其中，所述用户画像数据包括多个标签及其相对应的多个权重；

输入张量生成单元，用于对所述用户画像数据获取单元获得的所述用户画像数据中的所述多个标签进行独热编码后再结合所述多个权重的维度以构成三维的输入张量；

相关数据获取单元，用于获取用户在信息浏览过程中产生的推送信息数据和用户反应数据；

转化单元，用于将所述相关数据获取单元获得的所述推送信息数据和所述用户反应数据分别转化为第一输入向量和第二输入向量；

初始特征图生成单元，用于将所述输入张量生成单元获得的所述输入张量通过卷积神经网络以通过所述卷积神经网络提取出各个维度之间的关联信息，以获得初始特征图，其中，所述卷积神经网络的最后一层以Sigmoid函数进行激活以使得所述初始特征图中各个位置的特征值在0到1的区间内；

特征向量生成单元，用于将所述转化单元获得的所述第一输入向量和所述第二输入向量分别输入由多个全连接层组成的编码器以通过所述编码器对所述第一输入向量和所述第二输入向量进行编码，以获得第一特征向量和第二特征向量，其中，所述编码器的最后一层以Sigmoid函数进行激活以使得所述第一特征向量和所述第二特征向量中各个位置的特征值在0到1的区间内；

更新特征图生成单元，用于以贝叶斯公式基于所述特征向量生成单元获得的所述第一特征向量和所述第二特征向量更新所述初始特征图生成单元获得的所述初始特征图中各个位置的特征值，以获得更新特征图，其中，所述贝叶斯公式为先分别所述初始特征图中各个位置的特征值与所述第一特征向量中各个位置的特征值的乘积以及所述初始特征图中各个位置的特征值与所述第二特征向量中各个位置的特征值的商再求和；

解卷积处理单元，用于将所述更新特征图生成单元获得的所述更新特征图输入生成器以通过所述生成器对所述更新特征图进行解卷积操作，以获得更新的用户画像数据；以及

信息推送单元，用于基于所述解卷积处理单元获得的所述更新的用户画像数据，向所述用户的终端设备推送信息。

根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于大数据的终端信息推荐方法。

根据本申请的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于大数据的终端信息推荐方法。

与现有技术相比，本申请提供的基于大数据的终端信息推荐方法、基于大数据的终端信息推荐系统和电子设备，其针对基于用户在信息浏览的过程中的大数据来更新用户画像的问题，采用基于贝叶斯的证据-事件更新方式，来对用户画像进行更新。具体地，在本申请中，通过用户反应数据和推送信息数据在高维空间中对用户画像数据的高维特征图进行更新，并通过反卷积操作还原出更新后的用户标签和权重，从而实现了用户画像的更新。这样，提高终端信息推荐精度。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1图示了根据本申请实施例的基于大数据的终端信息推荐方法的应用场景图；

图2图示了根据本申请实施例的基于大数据的终端信息推荐方法的流程图；

图3图示了根据本申请实施例的基于大数据的终端信息推荐方法的系统架构示意图；

图4图示了根据本申请实施例的基于大数据的终端信息推荐方法中，以对所述用户画像数据中的所述多个标签进行独热编码后再结合所述多个权重的维度以构成三维的输入张量的流程图；

图5图示了根据本申请实施例的基于大数据的终端信息推荐方法中，以贝叶斯公式基于所述第一特征向量和所述第二特征向量更新所述初始特征图中各个位置的特征值，以获得更新特征图的流程图；

图6图示了根据本申请实施例的基于大数据的终端信息推荐系统的框图；

图7图示了根据本申请实施例的基于大数据的终端信息推荐系统中输入张量生成单元的框图；

图8图示了根据本申请实施例的基于大数据的终端信息推荐系统中更新特征图生成单元的框图；

图9图示了根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述

如前所述，针对基于用户在信息浏览的过程中的大数据来更新用户画像的问题，本申请的申请人经过分析上述大数据，发现其可以大致分为两类，一类归属于用户数据，比如用户对不同信息的响应时间，用户对不同信息的点击频率等，而另一方面归属于推送信息数据，比如信息的历史推送频率、信息重要性评分和信息的历史体验度评分等。因此，在基于上述大数据更新用户画像时，需要对这两类数据区别进行考虑。

并且，进一步考虑到用户数据与推送信息数据之间的关系，也就是用户数据基本上可以归类为基于推送信息数据的响应信息，因此在本申请的申请人考虑基于贝叶斯的证据-事件更新方式，来对用户画像进行更新。

因此，在本申请的技术方案中，首先获得用户画像数据，即各标签及其相对应的权重，并且对标签进行独热编码后加上权重数值的维度构成为三维的输入张量，即独热编码的两个维度加上权重数值的一个维度。此外，以上所述的用户数据和推送信息数据也分别构成为第一输入向量和第二输入向量分别输入由深度神经网络组成的编码器，而三维的输入张量则输入卷积神经网络以提取出各个维度之间的关联信息，尤其是跨标签的权重关联信息。

其中，为了应用概率形式的贝叶斯公式，编码器和卷积神经网络的最后一层均以sigmoid函数激活以将特征值转换为概率形式。这里，第一输入向量和第二输入向量通过编码器得到第一特征向量，例如记为L，和第二特征向量，例如记为K，且卷积神经网络输出初始特征图，例如记为F，则基于贝叶斯公式更新初始特征图中的特征值可以写为yi＝∑_{xi∈F，ai∈L，bj∈K}xi*ai/bi。也就是，针对初始特征图中的每个特征值xi，分别与第一特征向量中的每个特征值ai和第二特征向量中的每个特征值bi计算后验概率，再将计算出的后验概率求和以获得该特征值xi的更新后的值yi。

这样，进一步将所述更新后的特征图通过生成器进行与上述卷积神经网络反向的操作，即基于卷积神经网络的卷积核参数进行解卷积操作，就可以还原出更新后的用户标签和权重，从而实现了用户画像的更新。

基于此，本申请提出了一种基于大数据的终端信息推荐方法，其包括：获取用户画像数据，其中，所述用户画像数据包括多个标签及其相对应的多个权重；对所述用户画像数据中的所述多个标签进行独热编码后再结合所述多个权重的维度以构成三维的输入张量；获取用户在信息浏览过程中产生的推送信息数据和用户反应数据；将所述推送信息数据和所述用户反应数据分别转化为第一输入向量和第二输入向量；将所述输入张量通过卷积神经网络以通过所述卷积神经网络提取出各个维度之间的关联信息，以获得初始特征图，其中，所述卷积神经网络的最后一层以Sigmoid函数进行激活以使得所述初始特征图中各个位置的特征值在0到1的区间内；将所述第一输入向量和所述第二输入向量分别输入由多个全连接层组成的编码器以通过所述编码器对所述第一输入向量和所述第二输入向量进行编码，以获得第一特征向量和第二特征向量，其中，所述编码器的最后一层以Sigmoid函数进行激活以使得所述第一特征向量和所述第二特征向量中各个位置的特征值在0到1的区间内；以贝叶斯公式基于所述第一特征向量和所述第二特征向量更新所述初始特征图中各个位置的特征值，以获得更新特征图，其中，所述贝叶斯公式为先分别所述初始特征图中各个位置的特征值与所述第一特征向量中各个位置的特征值的乘积以及所述初始特征图中各个位置的特征值与所述第二特征向量中各个位置的特征值的商再求和；将所述更新特征图输入生成器以通过所述生成器对所述更新特征图进行解卷积操作，以获得更新的用户画像数据；以及，基于更新的用户画像数据，向所述用户的终端设备推送信息。

图1图示了根据本申请实施例的基于大数据的终端信息推荐方法的应用场景图。

如图1所示，在该应用场景中，通过终端设备(例如，如图1中所示意的D)获取用户画像数据和用户在信息浏览过程中产生的推送信息数据和用户反应数据；然后，将所述用户画像数据、推送信息数据和用户反应数据输入至部署有基于大数据的终端信息推荐算法的服务器中(例如，如图1中所示意的S)，其中，所述服务器能够基于大数据的终端信息推荐算法对所述推送信息数据和用户反应数据进行处理，以生成更新的用户画像数据；最后，基于更新的用户画像数据，向所述用户的终端设备(例如，如图1中所示意的D)推送信息。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性方法

图2图示了基于大数据的终端信息推荐方法的流程图。如图2所示，根据本申请实施例的基于大数据的终端信息推荐方法，包括：S110，获取用户画像数据，其中，所述用户画像数据包括多个标签及其相对应的多个权重；S120，对所述用户画像数据中的所述多个标签进行独热编码后再结合所述多个权重的维度以构成三维的输入张量；S130，获取用户在信息浏览过程中产生的推送信息数据和用户反应数据；S140，将所述推送信息数据和所述用户反应数据分别转化为第一输入向量和第二输入向量；S150，将所述输入张量通过卷积神经网络以通过所述卷积神经网络提取出各个维度之间的关联信息，以获得初始特征图，其中，所述卷积神经网络的最后一层以Sigmoid函数进行激活以使得所述初始特征图中各个位置的特征值在0到1的区间内；S160，将所述第一输入向量和所述第二输入向量分别输入由多个全连接层组成的编码器以通过所述编码器对所述第一输入向量和所述第二输入向量进行编码，以获得第一特征向量和第二特征向量，其中，所述编码器的最后一层以Sigmoid函数进行激活以使得所述第一特征向量和所述第二特征向量中各个位置的特征值在0到1的区间内；S170，以贝叶斯公式基于所述第一特征向量和所述第二特征向量更新所述初始特征图中各个位置的特征值，以获得更新特征图，其中，所述贝叶斯公式为先分别所述初始特征图中各个位置的特征值与所述第一特征向量中各个位置的特征值的乘积以及所述初始特征图中各个位置的特征值与所述第二特征向量中各个位置的特征值的商再求和；S180，将所述更新特征图输入生成器以通过所述生成器对所述更新特征图进行解卷积操作，以获得更新的用户画像数据；以及，S190，基于更新的用户画像数据，向所述用户的终端设备推送信息。

图3图示了根据本申请实施例的基于大数据的终端信息推荐方法的架构示意图。如图3所示，在所述基于大数据的终端信息推荐方法的网络架构中，首先，获取用户画像数据(例如，如图3中所示意的IN1)，其中，所述用户画像数据包括多个标签及其相对应的多个权重；接着，对所述用户画像数据中的所述多个标签进行独热编码后再结合所述多个权重的维度以构成三维的输入张量(例如，如图3中所示意的Z1)；接着，获取用户在信息浏览过程中产生的推送信息数据(例如，如图3中所示意的IN2)和用户反应数据(例如，如图3中所示意的IN3)；接着，将所述推送信息数据和所述用户反应数据分别转化为第一输入向量(例如，如图3中所示意的V1)和第二输入向量(例如，如图3中所示意的V2)；接着，将所述输入张量通过卷积神经网络(例如，如图3中所示意的CNN)以通过所述卷积神经网络提取出各个维度之间的关联信息，以获得初始特征图(例如，如图3中所示意的Fa)；接着，将所述第一输入向量和所述第二输入向量分别输入由多个全连接层组成的编码器(例如，如图3中所示意的编码器)以通过所述编码器对所述第一输入向量和所述第二输入向量进行编码，以获得第一特征向量(例如，如图3中所示意的Vt1)和第二特征向量(例如，如图3中所示意的Vt2)；接着，以贝叶斯公式基于所述第一特征向量和所述第二特征向量更新所述初始特征图中各个位置的特征值，以获得更新特征图(例如，如图3中所示意的Fb)；接着，将所述更新特征图输入生成器(例如，如图3中所示意的生成器)以通过所述生成器对所述更新特征图进行解卷积操作，以获得更新的用户画像数据(例如，如图3中所示意的T1)；然后，基于更新的用户画像数据，向所述用户的终端设备推送信息。

在步骤S110中，获取用户画像数据，其中，所述用户画像数据包括多个标签及其相对应的多个权重。如前所述，由于基于用户画像数据的信息推荐方式是通过分析用户浏览记录和消费记录给用户打上“兴趣-权重”标签然后进行推荐,本申请考虑到在信息浏览的过程中，不同信息的用户响应时间、信息的历史推送频率、信息重要性和信息的历史体验度等因素都会导致用户兴趣的变化，因此，在本申请中，基于用户在信息浏览的过程中的大数据来更新用户画像，以提高信息推荐的准确性。具体地，在本申请实施例中，首先通过数据采集获取用户画像数据。

在步骤S120中，对所述用户画像数据中的所述多个标签进行独热编码后再结合所述多个权重的维度以构成三维的输入张量。

具体地，在本申请实施例中，对所述用户画像数据中的所述多个标签进行独热编码后再结合所述多个权重的维度以构成三维的输入张量的过程，包括：首先，对所述所述用户画像数据中的所述多个标签进行独热编码以获得编码标签矩阵。本领域普通技术人员应知晓，独热编码，又称为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都有独立的寄存器位，并且在任意时候只有一位有效。其能够处理非连续型数值特征，在一定程度上也扩充了特征。然后，将所述编码标签矩阵结合所述多个权重构成的向量，以获得所述三维的输入张量。也就是，在权重的维度上将所述编码标签矩阵排列成输入张量。

图4图示了根据本申请实施例的基于大数据的终端信息推荐方法中，对所述用户画像数据中的所述多个标签进行独热编码后再结合所述多个权重的维度以构成三维的输入张量的流程图。如图4所示，在本申请实施例中，对所述用户画像数据中的所述多个标签进行独热编码后再结合所述多个权重的维度以构成三维的输入张量，包括：S210，对所述所述用户画像数据中的所述多个标签进行独热编码以获得编码标签矩阵；以及，S220，将所述编码标签矩阵结合所述多个权重构成的向量，以获得所述三维的输入张量。

在步骤S130中，获取用户在信息浏览过程中产生的推送信息数据和用户反应数据。具体地，在本申请实施例中，所述用户反应数据包括用户对不同信息的响应时间、用户对不同信息的点击频率；所述推送信息数据包括信息的历史推送频率、信息重要性评分和信息的历史体验度评分。应可以理解，本申请的发明人经过分析发现影响用户兴趣变化的因素可以大致分为两类，一类归属于用户反应数据，比如用户对不同信息的响应时间，用户对不同信息的点击频率等，而另一方面归属于推送信息数据，比如信息的历史推送频率、信息重要性评分和信息的历史体验度评分等。因此，在基于上述大数据更新用户画像时，需要对这两类数据区别进行考虑。

在步骤S140中，将所述推送信息数据和所述用户反应数据分别转化为第一输入向量和第二输入向量。也就是，将所述推送信息数据和所述用户反应数据构造成便于计算机计算的格式，即向量的形式。

在步骤S150中，将所述输入张量通过卷积神经网络以通过所述卷积神经网络提取出各个维度之间的关联信息，以获得初始特征图，其中，所述卷积神经网络的最后一层以Sigmoid函数进行激活以使得所述初始特征图中各个位置的特征值在0到1的区间内。也就是，以卷积神经网络提取出初始特征图中各个维度之间的关联信息，尤其是跨标签的权重关联信息。应可以理解，所述卷积神经网络的最后一层以Sigmoid函数进行激活，可以使得初始特征图中各个位置的特征值转换为概率形式，以便于后续计算。

特别地，在本申请实施例中，所述卷积神经网络采用深度残差网络。本领域普通技术人员应知晓，相较于传统的卷积神经网络，深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构，其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构，通过残差网络结构可以把网络层弄得更深，并且，不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想，其打破了传统的神经网络从N-1层的输入层只能给N层作为输入的惯例，使某一层的输出可以直接跨过几层作为后面某一层的输入，其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。

在步骤S160中，将所述第一输入向量和所述第二输入向量分别输入由多个全连接层组成的编码器以通过所述编码器对所述第一输入向量和所述第二输入向量进行编码，以获得第一特征向量和第二特征向量，其中，所述编码器的最后一层以Sigmoid函数进行激活以使得所述第一特征向量和所述第二特征向量中各个位置的特征值在0到1的区间内。应可以理解，通过多个全连接层组成的编码器对所述第一输入向量和所述第二输入向量进行编码，可以充分利用所述第一输入向量和所述第二输入向量中各个位置的信息和各个位置之间的关联信息，以获得第一特征向量和第二特征向量。所述编码器的最后一层以Sigmoid函数进行激活，可以将所述第一输入向量和所述第二输入向量各个位置的特征值转换为概率形式，以便于后续计算。

在步骤S170中，以贝叶斯公式基于所述第一特征向量和所述第二特征向量更新所述初始特征图中各个位置的特征值，以获得更新特征图，其中，所述贝叶斯公式为先分别所述初始特征图中各个位置的特征值与所述第一特征向量中各个位置的特征值的乘积以及所述初始特征图中各个位置的特征值与所述第二特征向量中各个位置的特征值的商再求和。

具体地，在本申请实施例中，以贝叶斯公式基于所述第一特征向量和所述第二特征向量更新所述初始特征图中各个位置的特征值，以获得更新特征图的过程，包括：首先，基于所述第一特征向量计算所述初始特征图中各个位置的第一后验概率。更具体地，在本申请实施例中，基于所述第一特征向量计算所述初始特征图中各个位置的第一后验概率的过程，包括：以如下公式基于所述第一特征向量计算所述初始特征图中各个位置的第一后验概率，所述公式为：yi1＝∑_{xi∈F，ai∈L}xi*ai，其中，ai表示所述第一特征向量中各个位置的特征值，xi表示所述初始特征图中各个位置的特征值。这里，L为第一特征向量，F为初始特征图。

接着，基于所述第二特征向量计算所述初始特征图中各个位置的第二后验概率。具体地，在本申请实施例中，基于所述第二特征向量计算所述初始特征图中各个位置的第二后验概率的过程，包括：以如下公式基于所述第二特征向量计算所述初始特征图中各个位置的第二后验概率，所述公式为：yi2＝∑_{xi∈F，bj∈K}xi/bi，其中，bi表示所述第二特征向量中各个位置的特征值，xi表示所述初始特征图中各个位置的特征值。这里，K为第二特征向量，F为初始特征图。然后，计算所述初始特征图中各个位置的第一后验概率和第二后验概率之和，以获得所述初始特征图中各个位置的最终后验概率，以获得所述更新特征图。

图5图示了根据本申请实施例的基于大数据的终端信息推荐方法中，以贝叶斯公式基于所述第一特征向量和所述第二特征向量更新所述初始特征图中各个位置的特征值，以获得更新特征图的流程图。如图5所示，在本申请实施例中，以贝叶斯公式基于所述第一特征向量和所述第二特征向量更新所述初始特征图中各个位置的特征值，以获得更新特征图，包括：S310，基于所述第一特征向量计算所述初始特征图中各个位置的第一后验概率；S320，基于所述第二特征向量计算所述初始特征图中各个位置的第二后验概率；以及，S330，计算所述初始特征图中各个位置的第一后验概率和第二后验概率之和，以获得所述初始特征图中各个位置的最终后验概率，以获得所述更新特征图。

值得一提的是，在本申请的其他示例中，还可以通过其他方式获得所述更新特征图。具体地，在本申请的另一示例中，以贝叶斯公式基于所述第一特征向量和所述第二特征向量更新所述初始特征图中各个位置的特征值，以获得更新特征图的过程，包括：以如下贝叶斯公式计算基于所述第一特征向量和所述第二特征向量更新所述初始特征图中各个位置的特征值，以获得更新特征图，所述贝叶斯公式为yi＝∑_{xi∈F，ai∈L，bj∈K}xi*ai/bi，其中，所述贝叶斯公式表示针对所述初始特征图中的每个特征值xi，分别与所述第一特征向量中的每个特征值ai和所述第二特征向量中的每个特征值bi计算后验概率，再将计算出的后验概率求和以获得所述特征值xi的更新后的值yi。

在步骤S180中，将所述更新特征图输入生成器以通过所述生成器对所述更新特征图进行解卷积操作，以获得更新的用户画像数据。

具体地，在本申请实施例中，将所述更新特征图输入生成器以通过所述生成器对所述更新特征图进行解卷积操作，以获得更新的用户画像数据的过程，包括：所述生成器以所述卷积神经网络的卷积核参数对所述更新特征图进行解卷积操作，以获得所述更新的用户画像数据。也就是，进一步将所述更新后的特征图通过生成器进行与上述卷积神经网络反向的操作，即基于卷积神经网络的卷积核参数进行解卷积操作，就可以还原出更新后的用户标签和权重，从而实现了用户画像的更新。

在步骤S190中，基于更新的用户画像数据，向所述用户的终端设备推送信息。应可以理解，由于更新的用户画像数据考虑了用户兴趣的变化及时更新了用户画像数据，向所述用户的终端设备推送信息的推荐精度会提高，以提升用户体验。

综上，本申请实施例的基于大数据的终端信息推荐方法被阐明，其针对基于用户在信息浏览的过程中的大数据来更新用户画像的问题，采用基于贝叶斯的证据-事件更新方式，来对用户画像进行更新。具体地，在本申请中，通过用户反应数据和推送信息数据在高维空间中对用户画像数据的高维特征图进行更新，并通过反卷积操作还原出更新后的用户标签和权重，从而实现了用户画像的更新。这样，提高终端信息推荐精度。

示例性系统

图6图示了根据本申请实施例的基于大数据的终端信息推荐系统的框图。如图6所示，根据本申请实施例的基于大数据的终端信息推荐系统600，包括：用户画像数据获取单元610，用于获取用户画像数据，其中，所述用户画像数据包括多个标签及其相对应的多个权重；输入张量生成单元620，用于对所述用户画像数据获取单元610获得的所述用户画像数据中的所述多个标签进行独热编码后再结合所述多个权重的维度以构成三维的输入张量；相关数据获取单元630，用于获取用户在信息浏览过程中产生的推送信息数据和用户反应数据；转化单元640，用于将所述相关数据获取单元630获得的所述推送信息数据和所述用户反应数据分别转化为第一输入向量和第二输入向量；初始特征图生成单元650，用于将所述输入张量生成单元620获得的所述输入张量通过卷积神经网络以通过所述卷积神经网络提取出各个维度之间的关联信息，以获得初始特征图，其中，所述卷积神经网络的最后一层以Sigmoid函数进行激活以使得所述初始特征图中各个位置的特征值在0到1的区间内；特征向量生成单元660，用于将所述转化单元640获得的所述第一输入向量和所述第二输入向量分别输入由多个全连接层组成的编码器以通过所述编码器对所述第一输入向量和所述第二输入向量进行编码，以获得第一特征向量和第二特征向量，其中，所述编码器的最后一层以Sigmoid函数进行激活以使得所述第一特征向量和所述第二特征向量中各个位置的特征值在0到1的区间内；更新特征图生成单元670，用于以贝叶斯公式基于所述特征向量生成单元660获得的所述第一特征向量和所述第二特征向量更新所述初始特征图生成单元650获得的所述初始特征图中各个位置的特征值，以获得更新特征图，其中，所述贝叶斯公式为先分别所述初始特征图中各个位置的特征值与所述第一特征向量中各个位置的特征值的乘积以及所述初始特征图中各个位置的特征值与所述第二特征向量中各个位置的特征值的商再求和；解卷积处理单元680，用于将所述更新特征图生成单元670获得的所述更新特征图输入生成器以通过所述生成器对所述更新特征图进行解卷积操作，以获得更新的用户画像数据；以及，信息推送单元690，用于基于所述解卷积处理单元680获得的所述更新的用户画像数据，向所述用户的终端设备推送信息。

在一个示例中，在上述终端信息推荐系统600中，如图7所示，所述输入张量生成单元620，包括：独热编码子单元621，用于对所述所述用户画像数据中的所述多个标签进行独热编码以获得编码标签矩阵；以及，结合子单元622，用于将所述独热编码子单元621获得的所述编码标签矩阵结合所述多个权重构成的向量，以获得所述三维的输入张量。

在一个示例中，在上述终端信息推荐系统600中，如图8所示，所述更新特征图生成单元670，包括：第一后验概率生成子单元671，用于基于所述第一特征向量计算所述初始特征图中各个位置的第一后验概率；第二后验概率生成子单元672，基于所述第二特征向量计算所述初始特征图中各个位置的第二后验概率；以及，更新子单元673，用于计算所述第一后验概率生成子单元671和所述第二后验概率生成子单元672获得的所述初始特征图中各个位置的第一后验概率和第二后验概率之和，以获得所述初始特征图中各个位置的最终后验概率，以获得所述更新特征图。

在一个示例中，在上述终端信息推荐系统600中，所述第一后验概率生成子单元671，进一步用于：以如下公式基于所述第一特征向量计算所述初始特征图中各个位置的第一后验概率，所述公式为：yi1＝∑_{xi∈F，ai∈L}xi*ai，其中，ai表示所述第一特征向量中各个位置的特征值，xi表示所述初始特征图中各个位置的特征值。

在一个示例中，在上述终端信息推荐系统600中，所述第二后验概率生成子单元672，进一步用于：以如下公式基于所述第二特征向量计算所述初始特征图中各个位置的第二后验概率，所述公式为：yi2＝∑_{xi∈F，bj∈K}xi/bi，其中，bi表示所述第二特征向量中各个位置的特征值，xi表示所述初始特征图中各个位置的特征值。

在一个示例中，在上述终端信息推荐系统600中，所述更新特征图生成单元670，进一步用于：以如下贝叶斯公式计算基于所述第一特征向量和所述第二特征向量更新所述初始特征图中各个位置的特征值，以获得更新特征图，所述贝叶斯公式为yi＝∑_{xi∈F，ai∈L，bj∈ K}xi*ai/bi，其中，所述贝叶斯公式表示针对所述初始特征图中的每个特征值xi，分别与所述第一特征向量中的每个特征值ai和所述第二特征向量中的每个特征值bi计算后验概率，再将计算出的后验概率求和以获得所述特征值xi的更新后的值yi。

在一个示例中，在上述终端信息推荐系统600中，所述解卷积处理单元680，进一步用于：所述生成器以所述卷积神经网络的卷积核参数对所述更新特征图进行解卷积操作，以获得所述更新的用户画像数据。

在一个示例中，在上述终端信息推荐系统600中，所述用户反应数据包括用户对不同信息的响应时间、用户对不同信息的点击频率；所述推送信息数据包括信息的历史推送频率、信息重要性评分和信息的历史体验度评分。

这里，本领域技术人员可以理解，上述终端信息推荐系统600中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的基于大数据的终端信息推荐方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的终端信息推荐系统600可以实现在各种终端设备中，例如用于终端信息推荐的服务器等。在一个示例中，根据本申请实施例的终端信息推荐系统600可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该终端信息推荐系统600可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该终端信息推荐系统600同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该终端信息推荐系统600与该终端设备也可以是分立的设备，并且该终端信息推荐系统600可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性电子设备

下面，参考图9来描述根据本申请实施例的电子设备。

图9图示了根据本申请实施例的电子设备的框图。如图9所示，电子设备包括10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于大数据的终端信息推荐方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如初始特征图、更新特征图等各种内容。

在一个示例中，电子设备10还可以包括：输入系统13和输出系统14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

该输入系统13可以包括例如键盘、鼠标等等。

该输出系统14可以向外部输出各种信息，包括第二编码结果等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图9中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

Claims (10)

1.一种基于大数据的终端信息推荐方法，其特征在于，包括：

获取用户画像数据，其中，所述用户画像数据包括多个标签及其相对应的多个权重；

对所述用户画像数据中的所述多个标签进行独热编码后再结合所述多个权重的维度以构成三维的输入张量；

获取用户在信息浏览过程中产生的推送信息数据和用户反应数据；

将所述推送信息数据和所述用户反应数据分别转化为第一输入向量和第二输入向量；

将所述输入张量通过卷积神经网络以通过所述卷积神经网络提取出各个维度之间的关联信息，以获得初始特征图，其中，所述卷积神经网络的最后一层以Sigmoid函数进行激活以使得所述初始特征图中各个位置的特征值在0到1的区间内；

将所述第一输入向量和所述第二输入向量分别输入由多个全连接层组成的编码器以通过所述编码器对所述第一输入向量和所述第二输入向量进行编码，以获得第一特征向量和第二特征向量，其中，所述编码器的最后一层以Sigmoid函数进行激活以使得所述第一特征向量和所述第二特征向量中各个位置的特征值在0到1的区间内；

以贝叶斯公式基于所述第一特征向量和所述第二特征向量更新所述初始特征图中各个位置的特征值，以获得更新特征图，其中，所述贝叶斯公式为先分别所述初始特征图中各个位置的特征值与所述第一特征向量中各个位置的特征值的乘积以及所述初始特征图中各个位置的特征值与所述第二特征向量中各个位置的特征值的商再求和；

将所述更新特征图输入生成器以通过所述生成器对所述更新特征图进行解卷积操作，以获得更新的用户画像数据；以及

基于更新的用户画像数据，向所述用户的终端设备推送信息。

2.根据权利要求1所述的基于大数据的终端信息推荐方法，其中，对所述用户画像数据中的所述多个标签进行独热编码后再结合所述多个权重的维度以构成三维的输入张量，包括：

对所述所述用户画像数据中的所述多个标签进行独热编码以获得编码标签矩阵；以及

将所述编码标签矩阵结合所述多个权重构成的向量，以获得所述三维的输入张量。

3.根据权利要求1所述的基于大数据的终端信息推荐方法，其中，以贝叶斯公式基于所述第一特征向量和所述第二特征向量更新所述初始特征图中各个位置的特征值，以获得更新特征图，包括：

基于所述第一特征向量计算所述初始特征图中各个位置的第一后验概率；

基于所述第二特征向量计算所述初始特征图中各个位置的第二后验概率；以及

计算所述初始特征图中各个位置的第一后验概率和第二后验概率之和，以获得所述初始特征图中各个位置的最终后验概率，以获得所述更新特征图。

4.根据权利要求3所述的基于大数据的终端信息推荐方法，其中，基于所述第一特征向量计算所述初始特征图中各个位置的第一后验概率，包括：

以如下公式基于所述第一特征向量计算所述初始特征图中各个位置的第一后验概率，所述公式为：yi1＝∑_{xi∈F，ai∈L}xi*ai，其中，ai表示所述第一特征向量中各个位置的特征值，xi表示所述初始特征图中各个位置的特征值。

5.根据权利要求4所述的基于大数据的终端信息推荐方法，其中，基于所述第二特征向量计算所述初始特征图中各个位置的第二后验概率，包括：

以如下公式基于所述第二特征向量计算所述初始特征图中各个位置的第二后验概率，所述公式为：yi2＝∑_{xi∈F，bj∈K}xi/bi，其中，bi表示所述第二特征向量中各个位置的特征值，xi表示所述初始特征图中各个位置的特征值。

6.根据权利要求1所述的基于大数据的终端信息推荐方法，其中，以贝叶斯公式基于所述第一特征向量和所述第二特征向量更新所述初始特征图中各个位置的特征值，以获得更新特征图，包括：

以如下贝叶斯公式计算基于所述第一特征向量和所述第二特征向量更新所述初始特征图中各个位置的特征值，以获得更新特征图，所述贝叶斯公式为yi＝∑_{xi∈F，ai∈L，bj∈K}xi*ai/bi，其中，所述贝叶斯公式表示针对所述初始特征图中的每个特征值xi，分别与所述第一特征向量中的每个特征值ai和所述第二特征向量中的每个特征值bi计算后验概率，再将计算出的后验概率求和以获得所述特征值xi的更新后的值yi。

7.根据权利要求1所述的基于大数据的终端信息推荐方法，其中，将所述更新特征图输入生成器以通过所述生成器对所述更新特征图进行解卷积操作，以获得更新的用户画像数据，包括：

所述生成器以所述卷积神经网络的卷积核参数对所述更新特征图进行解卷积操作，以获得所述更新的用户画像数据。

8.根据权利要求1至7任一所述的基于大数据的终端信息推荐方法，其中，所述用户反应数据包括用户对不同信息的响应时间、用户对不同信息的点击频率；所述推送信息数据包括信息的历史推送频率、信息重要性评分和信息的历史体验度评分。

9.一种基于大数据的终端信息推荐系统，其特征在于，包括：

用户画像数据获取单元，用于获取用户画像数据，其中，所述用户画像数据包括多个标签及其相对应的多个权重；

输入张量生成单元，用于对所述用户画像数据获取单元获得的所述用户画像数据中的所述多个标签进行独热编码后再结合所述多个权重的维度以构成三维的输入张量；

相关数据获取单元，用于获取用户在信息浏览过程中产生的推送信息数据和用户反应数据；

转化单元，用于将所述相关数据获取单元获得的所述推送信息数据和所述用户反应数据分别转化为第一输入向量和第二输入向量；

初始特征图生成单元，用于将所述输入张量生成单元获得的所述输入张量通过卷积神经网络以通过所述卷积神经网络提取出各个维度之间的关联信息，以获得初始特征图，其中，所述卷积神经网络的最后一层以Sigmoid函数进行激活以使得所述初始特征图中各个位置的特征值在0到1的区间内；

特征向量生成单元，用于将所述转化单元获得的所述第一输入向量和所述第二输入向量分别输入由多个全连接层组成的编码器以通过所述编码器对所述第一输入向量和所述第二输入向量进行编码，以获得第一特征向量和第二特征向量，其中，所述编码器的最后一层以Sigmoid函数进行激活以使得所述第一特征向量和所述第二特征向量中各个位置的特征值在0到1的区间内；

更新特征图生成单元，用于以贝叶斯公式基于所述特征向量生成单元获得的所述第一特征向量和所述第二特征向量更新所述初始特征图生成单元获得的所述初始特征图中各个位置的特征值，以获得更新特征图，其中，所述贝叶斯公式为先分别所述初始特征图中各个位置的特征值与所述第一特征向量中各个位置的特征值的乘积以及所述初始特征图中各个位置的特征值与所述第二特征向量中各个位置的特征值的商再求和；

解卷积处理单元，用于将所述更新特征图生成单元获得的所述更新特征图输入生成器以通过所述生成器对所述更新特征图进行解卷积操作，以获得更新的用户画像数据；以及

信息推送单元，用于基于所述解卷积处理单元获得的所述更新的用户画像数据，向所述用户的终端设备推送信息。

10.一种电子设备，包括：

处理器；以及

存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-8中任一项所述的基于大数据的终端信息推荐方法。

Images