CN113868542A - 基于注意力模型的推送数据获取方法、装置、设备及介质 - Google Patents

基于注意力模型的推送数据获取方法、装置、设备及介质 Download PDF

Info

Publication number
CN113868542A
CN113868542A CN202111414005.5A CN202111414005A CN113868542A CN 113868542 A CN113868542 A CN 113868542A CN 202111414005 A CN202111414005 A CN 202111414005A CN 113868542 A CN113868542 A CN 113868542A
Authority
CN
China
Prior art keywords
user
initial
commodity
vector
sequence
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
CN202111414005.5A
Other languages
English (en)
Other versions
CN113868542B (zh
Inventor
于佳玉
张茜
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 CN202111414005.5A priority Critical patent/CN113868542B/zh
Publication of CN113868542A publication Critical patent/CN113868542A/zh
Application granted granted Critical
Publication of CN113868542B publication Critical patent/CN113868542B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Finance (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能，提供了基于注意力模型的推送数据获取方法、装置、设备及介质，先基于初始用户集中每个用户对应的用户商品交互序列及用户统计学特征序列获取各用户对应的第一融合行为向量，然后基于初始对象集中各对象的对象特征序列和各第一输出特征获取各用户对应的第二融合行为向量，将各用户对应的第一融合行为向量和第二融合向量根据融合策略进行融合得到各用户的最终用户行为向量，根据所选定用户的当前最终用户行为向量在各商品相应的商品嵌入向量选出满足数据筛选条件的商品嵌入向量，并获取对应的商品名称组成待推荐数据。实现了基于用户实时的且特征多维度的输入数据进行待推荐数据的获取，提高数据时效性和计算结果的准确性。

Description

基于注意力模型的推送数据获取方法、装置、设备及介质
技术领域
本发明涉及人工智能的智能决策领域，尤其涉及一种基于注意力模型的推送数据获取方法、装置、计算机设备及存储介质。
背景技术
目前，用户在进行在线购物（如选购日用品、电器、保险产品、理财产品等商品）时，一般是系统基于用户的用户画像相应的用户标签进行商品推荐，而用户的用户画像又是相对固定的用户标签，这就导致系统推荐的商品数据局限于几大用户感兴趣的领域，并不会随着用户的实时发生改变的兴趣相应及时变化，这就导致所获取的推荐数据的实时更新性较低，而且推荐数据获取过程中因参考的数据因素少而导致结果准确度不高。
发明内容
本发明实施例提供了一种基于注意力模型的推送数据获取方法、装置、计算机设备及存储介质，旨在解决现有技术中用户在进行在线购物时，系统基于用户的相对固定的用户画像相应的用户标签进行商品推荐，导致所获取的推荐数据的实时更新性较低，而且推荐数据获取过程中因参考的数据因素少而导致结果准确度不高的问题。
第一方面，本发明实施例提供了一种基于注意力模型的推送数据获取方法，其包括：
响应于数据推荐指令，获取与所述数据推荐指令相应的初始记录数据集，根据所述初始记录数据集获取初始用户集；
根据所述初始记录数据集获取所述初始用户集中每个用户对应的用户商品交互序列，将每个用户商品交互序列经过预设的交互行为转化策略转换为相应的交互行为序列；
将所述初始用户集中每个用户对应的交互行为序列依次输入至预先存储的长短期记忆人工神经网络和多头自注意力机制模型进行运算，得到所述初始用户集中每个用户对应的第一输出特征；
获取所述初始用户集中每个用户对应的用户统计学特征序列，将所述初始用户集中每个用户对应的用户统计学特征序列和第一输出特征输入至预先存储的注意力模型进行运算，得到所述初始用户集中每个用户对应的第一融合行为向量；
获取所述初始对象集中所包括的对象，并获取所述初始对象集中每个对象对应的对象特征序列，将所述初始对象集中每个对象的对象特征序列和所述初始用户集中每个用户对应的第一输出特征输入至预先存储的第二注意力模型进行运算，得到所述初始用户集中每个用户对应的第二融合行为向量；
将所述初始用户集中每个用户分别对应的第一融合行为向量和第二融合向量根据预设的融合策略进行融合，得到所述初始用户集中每个用户对应的最终用户行为向量；
若检测到在所述初始用户集或其他用户集中所选定的当前目标用户，获取所述当前目标用户对应的当前最终用户行为向量，并获取已存储的商品清单及所述商品清单中各个商品相应的商品嵌入向量，在各个商品相应的商品嵌入向量中筛选与当前最终用户行为向量之间的相似度满足预设的数据筛选条件的商品嵌入向量组成目标商品嵌入向量集；以及
获取所述目标商品嵌入向量集对应的商品名称组成待推荐数据，将所述待推荐数据发送至目标接收端。
第二方面，本发明实施例提供了一种基于注意力模型的推送数据获取装置，其包括：
初始用户集获取单元，用于响应于数据推荐指令，获取与所述数据推荐指令相应的初始记录数据集，根据所述初始记录数据集获取初始用户集；
交互行为序列获取单元，用于根据所述初始记录数据集获取所述初始用户集中每个用户对应的用户商品交互序列，将每个用户商品交互序列经过预设的交互行为转化策略转换为相应的交互行为序列；
第一输出特征获取单元，用于将所述初始用户集中每个用户对应的交互行为序列依次输入至预先存储的长短期记忆人工神经网络和多头自注意力机制模型进行运算，得到所述初始用户集中每个用户对应的第一输出特征；
第一融合行为向量获取单元，用于获取所述初始用户集中每个用户对应的用户统计学特征序列，将所述初始用户集中每个用户对应的用户统计学特征序列和第一输出特征输入至预先存储的注意力模型进行运算，得到所述初始用户集中每个用户对应的第一融合行为向量；
第二融合行为向量获取单元，用于获取所述初始对象集中所包括的对象，并获取所述初始对象集中每个对象对应的对象特征序列，将所述初始对象集中每个对象的对象特征序列和所述初始用户集中每个用户对应的第一输出特征输入至预先存储的第二注意力模型进行运算，得到所述初始用户集中每个用户对应的第二融合行为向量；
向量融合单元，用于将所述初始用户集中每个用户分别对应的第一融合行为向量和第二融合向量根据预设的融合策略进行融合，得到所述初始用户集中每个用户对应的最终用户行为向量；
目标向量集获取单元，用于若检测到在所述初始用户集或其他用户集中所选定的当前目标用户，获取所述当前目标用户对应的当前最终用户行为向量，并获取已存储的商品清单及所述商品清单中各个商品相应的商品嵌入向量，在各个商品相应的商品嵌入向量中筛选与当前最终用户行为向量之间的相似度满足预设的数据筛选条件的商品嵌入向量组成目标商品嵌入向量集；以及
待推荐数据获取单元，用于获取所述目标商品嵌入向量集对应的商品名称组成待推荐数据，将所述待推荐数据发送至目标接收端。
第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的基于注意力模型的推送数据获取方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于注意力模型的推送数据获取方法。
本发明实施例提供了一种基于注意力模型的推送数据获取方法、装置、计算机设备及存储介质，先基于初始用户集中每个用户对应的用户商品交互序列及用户统计学特征序列获取每个用户对应的第一融合行为向量，然后基于初始对象集中每个对象的对象特征序列和初始用户集中每个用户对应的第一输出特征获取每个用户对应的第二融合行为向量，将初始用户集中每个用户分别对应的第一融合行为向量和第二融合向量根据预设的融合策略进行融合得到每个用户对应的最终用户行为向量，根据所选定当前目标用户的最终用户行为向量在各个商品相应的商品嵌入向量筛选出满足数据筛选条件的商品嵌入向量组成目标商品嵌入向量集，并获取对应的商品名称组成待推荐数据。实现了基于用户实时的且特征多维度的输入数据进行待推荐数据的获取，提高数据时效性和计算结果的准确性。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明实施例提供的基于注意力模型的推送数据获取方法的应用场景示意图；
图2为本发明实施例提供的基于注意力模型的推送数据获取方法的流程示意图；
图3为本发明实施例提供的基于注意力模型的推送数据获取装置的示意性框图；
图4为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和 “包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1和图2，图1为本发明实施例提供的基于注意力模型的推送数据获取方法的应用场景示意图；图2为本发明实施例提供的基于注意力模型的推送数据获取方法的流程示意图，该基于注意力模型的推送数据获取方法应用于服务器中，该方法通过安装于服务器中的应用软件进行执行。
如图2所示，该方法包括步骤S101~S108。
S101、响应于数据推荐指令，获取与所述数据推荐指令相应的初始记录数据集，根据所述初始记录数据集获取初始用户集。
在本实施例中，是以服务器为执行主体来描述技术方案。例如以在线购物场景为例，用户操作用户端浏览电商网站上的各商品时，会在电商网站的服务器中保存用户商品浏览记录数据（如用户A在t1时刻浏览了商品i1，其中用户A对应一个用户唯一标识信息），这样统计了满足预设的筛选条件（例如将筛选条件设置为与当前系统时间的时间间隔在一周内）的用户商品浏览记录数据后，即可得到哪些用户在这一时间段内有用户商品浏览记录数据，从而得到了一个初始用户数据集。其中，其中，所述初始用户集中包括多个用户唯一标识信息，每一用户唯一标识信息对应一个用户。
在一实施例中，步骤S101包括：
获取与所述数据推荐指令相应的当前系统时间；
获取预设的筛选条件生成策略，根据所述当前系统时间及所述筛选条件生成策略生成筛选条件；
获取满足所述筛选条件的用户商品浏览记录数据，得到初始记录数据集；
将所述初始记录数据集中具有相同用户唯一标识信息的数据合并，得到初始用户集。
在本实施例中，若同一个用户在满足所述筛选条件的用户商品浏览记录数据中有多条记录，这多条记录是视为对应同一个用户唯一标识信息，在初始用户集中该用户是只会被记为1个用户。通过上述统计方式，即可获取与所述数据推荐指令相应的初始用户集。
S102、根据所述初始记录数据集获取所述初始用户集中每个用户对应的用户商品交互序列，将每个用户商品交互序列经过预设的交互行为转化策略转换为相应的交互行为序列。
在本实施例中，当获取了满足预设的筛选条件的用户商品浏览记录数据，并统计得到了初始用户集后，可以在满足预设的筛选条件的用户商品浏览记录数据中统计得到各用户对应的用户商品交互序列。例如，若满足筛选条件的用户商品浏览记录数据有如下多条：用户u1在t1时刻浏览了商品i1，用户u1在t2时刻浏览了商品i2，用户u1在t3时刻浏览了商品i3，……，用户u1在tm时刻浏览了商品im,则用户u1对应的用户商品交互序列可以表示为[i1t1 u1, i2t2 u1,……，imtm u1]，其中i1、i2直至im均表示商品种类，下角标t1、t2直至tm各自表示一个时刻（这些时刻均在所述筛选条件对应的时间段内，而且用户商品交互序列中按时刻的升序顺序排序，即t1<t2<……<tm），上角标u1表示用户u1，其他用户的用户商品交互序列也可以参考用户u1的用户商品交互序列的获取方式。
在基于所述初始记录数据集获取了各用户相应的用户商品交互序列后，可以获取每一用户对哪些商品有点击查看和浏览的记录，而每一件商品是具有商品id、商品一级类别、商品二级类别等信息的属性，这样将各用户对应的用户商品交互序列中所包括的商品均可以转化为具体的商品属性数据，例如用户u1对应的用户商品交互序列 [i1t1 u1,i2t2 u1,……，imtm u1]中商品i1的商品id、商品一级类别、商品二级类别分别经过one-hot编码（即独热编码）、低维向量转换及向量拼接（如利用concat（）函数进行拼接）后，得到与用户u1的用户商品交互序列相应的交互行为序列。
例如，商品i1的商品id是A001、商品一级类别是B02、商品二级类别分别是C03，将这3个具体取值分别进行独热编码得到与A001相应的第一独热编码向量、与B02相应的第二独热编码向量、及与C03相应的第三独热编码向量。由于独热编码向量一般是稀疏的，一般需要对其进行降维处理得到稠密向量，例如第一独热编码向量是一个1*n的行向量，若将该1*n的第一独热编码向量乘以一个n*1的稠密向量，则该1*n的第一独热编码向量降维成了1个1*1的稠密输出向量，同样的第二独热编码向量、第三独热编码向量也是分别乘以相应的稠密向量后降维成一个1*1的稠密输出向量。最后将上述3个稠密输出向量按分别对应商品id、商品一级类别及商品二级类别的顺序进行拼接，得到了用户u1所相应商品i1的交互行为子序列。以此类推，还能得到用户u1对应商品i2的交互行为子序列，直至得到用户u1对应商品im的交互行为子序列，按照商品i1、i2至im的顺序将各自对应的交互行为子序列进行拼接，即可得到用户u1对应的交互行为序列。同样的，参照获取用户u1的交互行为序列的方式，也能获取所述初始用户集中其他用户的交互行为序列。
在一实施例中，所述交互行为转化策略用于将用户商品交互序列中各商品信息转换商品详细信息向量；所述步骤S102包括：
获取所述初始用户集中第i个用户的用户商品交互序列；其中，i的初始值为1，且i的取值范围是[1,N],N表示所述初始用户集中用户的总个数；
将第i个用户的用户商品交互序列中所包括的各商品信息根据所述交互行为转化策略转化为商品详细信息向量，由各商品详细信息向量拼接组成与第i个用户相应的交互行为序列；
将i自增1更新i的取值；
若确定i未超出N，返回执行所述获取所述初始用户集中第i个用户的用户商品交互序列的步骤；
若确定i超出N，获取并存储第1个用户的交互行为序列至第N个用户的交互行为序列。
在本实施例中，可以按照上述轮流的方式依序获取第1个用户的用户商品交互序列至第N个用户的交互行为序列。在获取了所述初始用户集中各个用户分别对应的交互行为序列后，可以基于所述初始用户集中各个用户的交互行为序列进行下一步的数据处理，例如用户分类等。
S103、将所述初始用户集中每个用户对应的交互行为序列依次输入至预先存储的长短期记忆人工神经网络和多头自注意力机制模型进行运算，得到所述初始用户集中每个用户对应的第一输出特征。
在本实施例中，例如以基于所述初始用户集中其中一个用户u1对应的交互行为序列[ei1 u1, ei2 u1,……，eim u1]为例来描述获取第一输出特征的具体过程。具体是先是将用户u1对应的交互行为序列[ei1 u1, ei2 u1,……，eim u1]先输入至预先存储的长短期记忆人工神经网络（即LSTM模型）进行运算，得到用户u1对应的初始输出特征Xu1=[ h1 u1, h2 u1,……，hm u1]；然后用户u1对应的初始输出特征Xu1输入至多头自注意力模型进运算，得到用户u1对应的第一输出特征
Figure 304165DEST_PATH_IMAGE001
。在获取所述初始用户集中其他用户对应的第一输出特征时，也可参考获取用户u1的第一输出特征的过程。
其中，在多头自注意力机制模型（即Multi-head Attention）中，Query、Key、Value首先经过一个线性变换（即Linear变换），然后输入到放缩点积注意力层（即Scaled Dot-Product Attention），注意这里要做h次，也就是所谓的多头，每一次算一个头，头之间参数不共享，每次Q，K，V进行线性变换的参数W是不一样的。然后将h次的放缩点积注意力结果进行拼接，再进行一次线性变换得到的值作为多头自注意力机制模型输出的结果。
通过对所述初始用户集中其中一个用户u1对应的交互行为序列基于长短期记忆人工神经网络和多头自注意力机制模型，可以减少有效减小用户随意点击不相关产品的影响，另一方面捕获用户的多元兴趣，如商品的功能，价格等。
在一实施例中，在步骤S103之前还包括：
通过第一训练集对待训练长短期记忆人工神经网络和待训练多头自注意力机制模型进行模型训练，得到长短期记忆人工神经网络和多头自注意力机制模型；
通过第二训练集对待训练注意力模型进行模型训练，得到注意力模型；
通过第三训练集对待训练第二注意力模型进行模型训练，得到第二注意力模型。
在本实施例中，需基于长短期记忆人工神经网络和多头自注意力机制模型来计算与交互行为序列相应的第一输出特征，需基于注意力模型来计算融合了用户统计学特征序列和第一输出特征的第一融合行为向量，需基于第二注意力模型来计算融合了对象特征序列和第一输出特征的第二融合行为向量，故在使用上述这些模型之前需要基于相应的训练集对模型进行训练，从而得到后续可以直接使用的长短期记忆人工神经网络、多头自注意力机制模型、注意力模型及第二注意力模型。
S104、获取所述初始用户集中每个用户对应的用户统计学特征序列，将所述初始用户集中每个用户对应的用户统计学特征序列和第一输出特征输入至预先存储的注意力模型进行运算，得到所述初始用户集中每个用户对应的第一融合行为向量。
在本实施例中，当完成了对所述初始用户集中每个用户的第一输出特征的获取之后，还可以构建用户人口统计学特征比如年龄、性别、婚姻状况、生命周期、财富水平等，从而组成所述初始用户集中每个用户对应的用户统计学特征序列。例如，所述初始用户数据集中用户u1对应的年龄为30岁、性别为男、婚姻状况为已婚、生命周期为成熟阶段、财富水平为中产阶层（例如对应年收入30~50万），将上述用户人口统计学特征分别进行独热编码、向量降维和拼接后，即可得到与所述初始用户集中每个用户对应的用户统计学特征序列。
在一实施例中，步骤S104中获取所述初始用户集中每个用户对应的用户统计学特征序列包括：
获取所述初始用户集中每个用户对应的用户统计学特征初始信息集；
将每一个用户的用户统计学特征初始信息集中各初始信息依次经过独热编码、向量降维及拼接，得到与每个用户对应的用户统计学特征序列。
在本实施例中，所述初始用户集中每个用户对应的用户统计学特征初始信息集有的初始信息是数值类型的取值，有的是类别，但是为了将其转化为用户对应的用户统计学特征序列，也可以参考获取交互行为序列的方法，也是将每一个用户的用户统计学特征初始信息集中各初始信息依次经过独热编码、向量降维及拼接，得到与每个用户对应的用户统计学特征序列。例如，用户u1对应的用户统计学特征序列记为eu1 =[eu1 p1, eu1 p2,……，eu1 pl]，其中eu1 p1对应用户u1的第一初始信息（如年龄）的向量值、eu1 p2对应用户u1的第二初始信息（如性别）的向量值、……、eu1 pl对应用户u1的第l初始信息的向量值。
当获取到了所述初始用户集中每个用户对应的用户统计学特征序列后，由于不同的用户对同样的商品具有不同的偏好，因此以eu作为query构建注意力模型（本申请中的注意力模型可采用注意力机制模型，更具体如注意力机制），以融合所述初始用户集中每个用户对应的用户统计学特征序列和第一输出特征。
在一实施例中，步骤S104中将所述初始用户集中每个用户对应的用户统计学特征序列和第一输出特征输入至预先存储的注意力模型进行运算，得到所述初始用户集中每个用户对应的第一融合行为向量，包括：
将所述初始用户集中每个用户对应的用户统计学特征序列和第一输出特征输入至所述注意力模型中的第一子模型进行运算，得到所述初始用户集中每个用户对应的第一运算结果；
所述初始用户集中每个用户对应的第一运算结果输入至所述注意力模型中的第二子模型进行运算，得到所述初始用户集中每个用户对应的第一融合行为向量。
其中，仍以用户u1对应的用户统计学特征序列和第一输出特征为例来具体描述获取第一融合行为向量的具体过程。首先获取用户u1对应的第一输出特征以及用户统计学特征序列eu1，然后将根据注意力模型对应的公式（1）计算用户u1对应的第一运算结果，最后将用户u1对应的第一运算结果根据注意力模型对应的公式（2）进行计算得到用户u1对应的第一融合行为向量Uu1。其中，注意力模型对应的公式（1）为
Figure 178230DEST_PATH_IMAGE002
，注意力模型对应的公式（2）为
Figure 36596DEST_PATH_IMAGE003
，其中
Figure 710766DEST_PATH_IMAGE004
为用户u的第一输出特征中的第i个特征向量的转置向量，eu为用户u的用户统计学特征序列，
Figure 479133DEST_PATH_IMAGE005
为用户u的第一运算结果，Uu为用户u的第一融合行为向量。其中公式（1）和公式（2）的上角标u可以用任意用户的标识进行替换，例如采用用户u1为上角标则表示上述两个公式用于计算用户u1相关的第一运算结果和第一融合行为向量。
S105、获取所述初始对象集中所包括的对象，并获取所述初始对象集中每个对象对应的对象特征序列，将所述初始对象集中每个对象的对象特征序列和所述初始用户集中每个用户对应的第一输出特征输入至预先存储的第二注意力模型进行运算，得到所述初始用户集中每个用户对应的第二融合行为向量。
在本实施例中，当完成了对所述初始用户集中每个用户的第一融合行为向量的获取之后，还可以对考虑其他对象（如代理人）对用户购买商品产生的影响。此时先获取所述初始对象集中所包括的对象，并获取所述初始对象集中每个对象对应的对象特征序列。获取对象的对象特征序列的过程类似于获取用户的用户统计学特征序列的过程。例如，所构建的对象特征比如代理人年龄、性别、销售风格、代理人近期销售各综拓产品数量、代理人线下扫码次数等，从而组成所述初始对象集中每个对象对应的对象特征序列。例如，所述初始对象集中对象a1对应的年龄为25岁、性别为女、销售风格为社交型、代理人近期销售各综拓产品数量为10个、代理人线下扫码次数为200次，将上述对象特征分别进行独热编码、向量降维和拼接后，即可得到与所述初始对象集中每个对象对应的对象特征序列。
例如，对象a1对应的用户统计学特征序列记为ea1 =[ea1 f1, ea1 f2,……，ea1 fm]，其中ea1 f1对应对象a1的第一初始特征（如年龄）的向量值、ea1 f2对应对象a1的第二初始特征（如性别）的向量值、……、ea1 fm对应对象a1的第m个初始特征的向量值。
当获取到了所述初始对象集中每个对象对应的对象特征序列后，由于不同的对象对于用户选择商品具有不同的影响，因此以ea作为query构建第二注意力模型（本申请中的第二注意力模型可采用注意力机制模型，更具体如注意力机制），以融合所述初始对象集中每个对象对应的对象特征序列和所述初始用户集中每个用户对应的第一输出特征。
其中，仍以对象a1对应的对象特征序列和用户u1对应的第一输出特征为例来具体描述获取第二融合行为向量的具体过程。首先获取用户u1对应的第一输出特征
Figure 332556DEST_PATH_IMAGE006
以及对象a1对应的对象特征序列ea1，然后将根据第二注意力模型对应的公式（3）计算用户u1对应的第二运算结果，最后将用户u1对应的第二运算结果根据第二注意力模型对应的公式（4）进行计算得到用户u1对应的第二融合行为向量Au1。其中，第二注意力模型对应的公式（3）为
Figure 615901DEST_PATH_IMAGE007
，注意力模型对应的公式（4）为
Figure 375653DEST_PATH_IMAGE008
，其中
Figure 451056DEST_PATH_IMAGE004
为用户u的第一输出特征中的第i个特征向量的转置向量，ea为对象a的对象特征序列，
Figure 355339DEST_PATH_IMAGE009
为用户u的第二运算结果，Au为用户u的第二融合行为向量。其中公式（3）和公式（4）的上角标u可以用任意用户的标识进行替换，例如采用用户u1为上角标则表示上述两个公式用于计算用户u1相关的第二运算结果和第二融合行为向量。通过上述方式，实现了将对象的商品讲解过程对用户购买商品的影响的数据维度融合至行为向量中，使得获取的数据参考性更高。
在一实施例中，步骤S105中将所述初始对象集中每个对象的对象特征序列和所述初始用户集中每个用户对应的第一输出特征输入至预先存储的第二注意力模型进行运算，得到所述初始用户集中每个用户对应的第二融合行为向量，包括：
获取所述初始用户集中每个用户对应的第一输出特征，及获取每个用户在所述初始对象集中对应的目标对象和目标对象对应的对象特征序列；
将所述初始用户集中每个用户对应的第一输出特征及相应的对象特征序列输入至所述第二注意力模型进行运算，得到所述初始用户集中每个用户对应的第二融合行为向量。
在本实施例中，由于与所述初始用户集中每一个用户相关联的对象可能不同，例如所述初始用户数据集中用户u1在所述初始对象集中对应的目标对象为a1且目标对象a1对应的对象特征序列为ea1，此时获取用户u1对应的第一输出特征
Figure 640827DEST_PATH_IMAGE006
以及目标对象a1对应的对象特征序列ea1，然后根据第二注意力模型对应的公式（3）计算用户u1对应的第二运算结果，最后将用户u1对应的第二运算结果根据第二注意力模型对应的公式（4）进行计算得到用户u1对应的第二融合行为向量Au1。
S106、将所述初始用户集中每个用户分别对应的第一融合行为向量和第二融合向量根据预设的融合策略进行融合，得到所述初始用户集中每个用户对应的最终用户行为向量。
在本实施例中，当获取了所述初始用户集中每个用户分别对应的第一融合行为向量和第二融合向量后，可以根据预设的融合策略将所述初始用户集中每个用户分别对应的第一融合行为向量和第二融合向量进行融合，从而综合考虑了用户自身的影响及对象在用户购买商品过程中影响等多重因素，得到了所述初始用户集中每个用户对应的最终用户行为向量。
在一实施例中，所述融合策略对应的公式为：
Figure 821580DEST_PATH_IMAGE010
和
Figure 938440DEST_PATH_IMAGE011
;其中，W1、W2和b为自适应网络的模型参数，⊙表示内积运算。
在本实施例中，可通过上述融合策略对应的公式计算所述初始用户集中每个用户对应的最终用户行为向量，从而实现了综合考虑了用户自身的影响及对象在用户购买商品过程中影响等多重因素，得到数据更加准确和多维度的最终用户行为向量。
S107、若检测到在所述初始用户集或其他用户集中所选定的当前目标用户，获取所述当前目标用户对应的当前最终用户行为向量，并获取已存储的商品清单及所述商品清单中各个商品相应的商品嵌入向量，在各个商品相应的商品嵌入向量中筛选与当前最终用户行为向量之间的相似度满足预设的数据筛选条件的商品嵌入向量组成目标商品嵌入向量集。
在本实施例中，当为了针对所述初始用户集或其他用户集（其他用户集是不同于初始用户集的另外一个用户集，在其他用户集中也是包括多个用户的用户商品浏览记录数据）中某一目标用户获取推荐商品数据时，此时是先检测选定了哪一用户作为当前目标用户，然后获取该当前目标用户对应的当前最终用户行为向量（在获取任意用户的当前最终用户行为向量时，都是先基于用户的用户商品交互序列获取交互行为序列，然后基于用户的交互行为序列获取相应的第一输出特征，之后基于用户统计学特征序列和第一输出特征获取第一融合行为向量，并基于对象特征序列和第一输出特征获取第二融合行为向量，最后将第一融合行为向量与第二融合行为向量根据融合策略进行融合即可得到用户的当前最终用户行为向量），最后基于当前最终用户行为向量在各商品相应的商品嵌入向量选出满足数据筛选条件的商品嵌入向量。
在一实施例中，步骤S107包括：
计算获取所述商品清单中各商品嵌入向量与所述当前最终用户行为向量之间的向量相似度，将各商品嵌入向量按照与所述当前最终用户行为向量之间的向量相似度进行降序排序得到商品嵌入向量排序结果，获取所述商品嵌入向量排序结果中排名值未超出预设的排名阈值的商品嵌入向量组成目标商品嵌入向量集。
在本实施例中，由于服务器中存储了商品清单，在该商品清单中包括多个商品名称，而且每个商品名称对应的商品嵌入向量也是已知的，这样即可计算获得所述商品清单中各商品嵌入向量与所述当前最终用户行为向量之间的向量相似度，之后将各商品嵌入向量按照与所述当前最终用户行为向量之间的向量相似度进行降序排序得到商品嵌入向量排序结果。通过这一方式，快速的计算了商品清单中各个商品相应的商品嵌入向量与所述当前最终用户行为向量之间的向量相似度。
为了获取与所述当前最终用户行为向量具有较高向量相似度的商品嵌入向量，具体可以获取所述商品嵌入向量排序结果中排名值未超出预设的排名阈值的商品嵌入向量组成目标商品嵌入向量集。
S108、获取所述目标商品嵌入向量集对应的商品名称组成待推荐数据，将所述待推荐数据发送至目标接收端。
在本实施例中，当获取所述目标商品嵌入向量集对应的商品名称组成待推荐数据后，可以由服务器及时的将所述待推荐数据发送至目标接收端。通过这一方式，能快速且准确的获取对各个用户较为相关的推荐数据。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
该方法实现了基于用户实时的且特征多维度的输入数据进行待推荐数据的获取，提高数据时效性和计算结果的准确性。
本发明实施例还提供一种基于注意力模型的推送数据获取装置，该基于注意力模型的推送数据获取装置用于执行前述基于注意力模型的推送数据获取方法的任一实施例。具体地，请参阅图3，图3是本发明实施例提供的基于注意力模型的推送数据获取装置100的示意性框图。
其中，如图3所示，基于注意力模型的推送数据获取装置100包括初始用户集获取单元101、交互行为序列获取单元102、第一输出特征获取单元103、第一融合行为向量获取单元104、第二融合行为向量获取单元105、向量融合单元106、目标向量集获取单元107、待推荐数据获取单元108。
初始用户集获取单元101，用于响应于数据推荐指令，获取与所述数据推荐指令相应的初始记录数据集，根据所述初始记录数据集获取初始用户集。
在本实施例中，是以服务器为执行主体来描述技术方案。例如以在线购物场景为例，用户操作用户端浏览电商网站上的各商品时，会在电商网站的服务器中保存用户商品浏览记录数据（如用户A在t1时刻浏览了商品i1，其中用户A对应一个用户唯一标识信息），这样统计了满足预设的筛选条件（例如将筛选条件设置为与当前系统时间的时间间隔在一周内）的用户商品浏览记录数据后，即可得到哪些用户在这一时间段内有用户商品浏览记录数据，从而得到了一个初始用户数据集。其中，其中，所述初始用户集中包括多个用户唯一标识信息，每一用户唯一标识信息对应一个用户。
在一实施例中，初始用户集获取单元101包括：
当前系统时间获取单元，用于获取与所述数据推荐指令相应的当前系统时间；
筛选条件生成单元，用于获取预设的筛选条件生成策略，根据所述当前系统时间及所述筛选条件生成策略生成筛选条件；
初始记录数据集获取单元，用于获取满足所述筛选条件的用户商品浏览记录数据，得到初始记录数据集；
数据合并单元，用于将所述初始记录数据集中具有相同用户唯一标识信息的数据合并，得到初始用户集。
在本实施例中，若同一个用户在满足所述筛选条件的用户商品浏览记录数据中有多条记录，这多条记录是视为对应同一个用户唯一标识信息，在初始用户集中该用户是只会被记为1个用户。通过上述统计方式，即可获取与所述数据推荐指令相应的初始用户集。
交互行为序列获取单元102，用于根据所述初始记录数据集获取所述初始用户集中每个用户对应的用户商品交互序列，将每个用户商品交互序列经过预设的交互行为转化策略转换为相应的交互行为序列。
在本实施例中，当获取了满足预设的筛选条件的用户商品浏览记录数据，并统计得到了初始用户集后，可以在满足预设的筛选条件的用户商品浏览记录数据中统计得到各用户对应的用户商品交互序列。例如，若满足筛选条件的用户商品浏览记录数据有如下多条：用户u1在t1时刻浏览了商品i1，用户u1在t2时刻浏览了商品i2，用户u1在t3时刻浏览了商品i3，……，用户u1在tm时刻浏览了商品im,则用户u1对应的用户商品交互序列可以表示为[i1t1 u1, i2t2 u1,……，imtm u1]，其中i1、i2直至im均表示商品种类，下角标t1、t2直至tm各自表示一个时刻（这些时刻均在所述筛选条件对应的时间段内，而且用户商品交互序列中按时刻的升序顺序排序，即t1<t2<……<tm），上角标u1表示用户u1，其他用户的用户商品交互序列也可以参考用户u1的用户商品交互序列的获取方式。
在基于所述初始记录数据集获取了各用户相应的用户商品交互序列后，可以获取每一用户对哪些商品有点击查看和浏览的记录，而每一件商品是具有商品id、商品一级类别、商品二级类别等信息的属性，这样将各用户对应的用户商品交互序列中所包括的商品均可以转化为具体的商品属性数据，例如用户u1对应的用户商品交互序列 [i1t1 u1,i2t2 u1,……，imtm u1]中商品i1的商品id、商品一级类别、商品二级类别分别经过one-hot编码（即独热编码）、低维向量转换及向量拼接（如利用concat（）函数进行拼接）后，得到与用户u1的用户商品交互序列相应的交互行为序列。
例如，商品i1的商品id是A001、商品一级类别是B02、商品二级类别分别是C03，将这3个具体取值分别进行独热编码得到与A001相应的第一独热编码向量、与B02相应的第二独热编码向量、及与C03相应的第三独热编码向量。由于独热编码向量一般是稀疏的，一般需要对其进行降维处理得到稠密向量，例如第一独热编码向量是一个1*n的行向量，若将该1*n的第一独热编码向量乘以一个n*1的稠密向量，则该1*n的第一独热编码向量降维成了1个1*1的稠密输出向量，同样的第二独热编码向量、第三独热编码向量也是分别乘以相应的稠密向量后降维成一个1*1的稠密输出向量。最后将上述3个稠密输出向量按分别对应商品id、商品一级类别及商品二级类别的顺序进行拼接，得到了用户u1所相应商品i1的交互行为子序列。以此类推，还能得到用户u1对应商品i2的交互行为子序列，直至得到用户u1对应商品im的交互行为子序列，按照商品i1、i2至im的顺序将各自对应的交互行为子序列进行拼接，即可得到用户u1对应的交互行为序列。同样的，参照获取用户u1的交互行为序列的方式，也能获取所述初始用户集中其他用户的交互行为序列。
在一实施例中，所述交互行为转化策略用于将用户商品交互序列中各商品信息转换商品详细信息向量；所述交互行为序列获取单元102包括：
商品交互序列获取单元，用于获取所述初始用户集中第i个用户的用户商品交互序列；其中，i的初始值为1，且i的取值范围是[1,N],N表示所述初始用户集中用户的总个数；
商品详细信息向量拼接单元，用于将第i个用户的用户商品交互序列中所包括的各商品信息根据所述交互行为转化策略转化为商品详细信息向量，由各商品详细信息向量拼接组成与第i个用户相应的交互行为序列；
自增单元，用于将i自增1更新i的取值；
第一执行单元，用于若确定i未超出N，返回执行所述获取所述初始用户集中第i个用户的用户商品交互序列的步骤；
第二执行单元，用于若确定i超出N，获取并存储第1个用户的交互行为序列至第N个用户的交互行为序列。
在本实施例中，可以按照上述轮流的方式依序获取第1个用户的用户商品交互序列至第N个用户的交互行为序列。在获取了所述初始用户集中各个用户分别对应的交互行为序列后，可以基于所述初始用户集中各个用户的交互行为序列进行下一步的数据处理，例如用户分类等。
第一输出特征获取单元103，用于将所述初始用户集中每个用户对应的交互行为序列依次输入至预先存储的长短期记忆人工神经网络和多头自注意力机制模型进行运算，得到所述初始用户集中每个用户对应的第一输出特征。
在本实施例中，例如以基于所述初始用户集中其中一个用户u1对应的交互行为序列[ei1 u1, ei2 u1,……，eim u1]为例来描述获取第一输出特征的具体过程。具体是先是将用户u1对应的交互行为序列[ei1 u1, ei2 u1,……，eim u1]先输入至预先存储的长短期记忆人工神经网络（即LSTM模型）进行运算，得到用户u1对应的初始输出特征Xu1=[ h1 u1, h2 u1,……，hm u1]；然后用户u1对应的初始输出特征Xu1输入至多头自注意力模型进运算，得到用户u1对应的第一输出特征
Figure 384596DEST_PATH_IMAGE001
。在获取所述初始用户集中其他用户对应的第一输出特征时，也可参考获取用户u1的第一输出特征的过程。
其中，在多头自注意力机制模型（即Multi-head Attention）中，Query、Key、Value首先经过一个线性变换（即Linear变换），然后输入到放缩点积注意力层（即Scaled Dot-Product Attention），注意这里要做h次，也就是所谓的多头，每一次算一个头，头之间参数不共享，每次Q，K，V进行线性变换的参数W是不一样的。然后将h次的放缩点积注意力结果进行拼接，再进行一次线性变换得到的值作为多头自注意力机制模型输出的结果。
通过对所述初始用户集中其中一个用户u1对应的交互行为序列基于长短期记忆人工神经网络和多头自注意力机制模型，可以减少有效减小用户随意点击不相关产品的影响，另一方面捕获用户的多元兴趣，如商品的功能，价格等。
在一实施例中，基于注意力模型的推送数据获取装置100还包括：
第一训练单元，用于通过第一训练集对待训练长短期记忆人工神经网络和待训练多头自注意力机制模型进行模型训练，得到长短期记忆人工神经网络和多头自注意力机制模型；
第二训练单元，用于通过第二训练集对待训练注意力模型进行模型训练，得到注意力模型；
第三训练单元，用于通过第三训练集对待训练第二注意力模型进行模型训练，得到第二注意力模型。
在本实施例中，需基于长短期记忆人工神经网络和多头自注意力机制模型来计算与交互行为序列相应的第一输出特征，需基于注意力模型来计算融合了用户统计学特征序列和第一输出特征的第一融合行为向量，需基于第二注意力模型来计算融合了对象特征序列和第一输出特征的第二融合行为向量，故在使用上述这些模型之前需要基于相应的训练集对模型进行训练，从而得到后续可以直接使用的长短期记忆人工神经网络、多头自注意力机制模型、注意力模型及第二注意力模型。
第一融合行为向量获取单元104，用于获取所述初始用户集中每个用户对应的用户统计学特征序列，将所述初始用户集中每个用户对应的用户统计学特征序列和第一输出特征输入至预先存储的注意力模型进行运算，得到所述初始用户集中每个用户对应的第一融合行为向量。
在本实施例中，当完成了对所述初始用户集中每个用户的第一输出特征的获取之后，还可以构建用户人口统计学特征比如年龄、性别、婚姻状况、生命周期、财富水平等，从而组成所述初始用户集中每个用户对应的用户统计学特征序列。例如，所述初始用户数据集中用户u1对应的年龄为30岁、性别为男、婚姻状况为已婚、生命周期为成熟阶段、财富水平为中产阶层（例如对应年收入30~50万），将上述用户人口统计学特征分别进行独热编码、向量降维和拼接后，即可得到与所述初始用户集中每个用户对应的用户统计学特征序列。
在一实施例中，第一融合行为向量获取单元104用于：
统计学特征初始信息集获取单元，用于获取所述初始用户集中每个用户对应的用户统计学特征初始信息集；
统计学特征序列获取单元，用于将每一个用户的用户统计学特征初始信息集中各初始信息依次经过独热编码、向量降维及拼接，得到与每个用户对应的用户统计学特征序列。
在本实施例中，所述初始用户集中每个用户对应的用户统计学特征初始信息集有的初始信息是数值类型的取值，有的是类别，但是为了将其转化为用户对应的用户统计学特征序列，也可以参考获取交互行为序列的方法，也是将每一个用户的用户统计学特征初始信息集中各初始信息依次经过独热编码、向量降维及拼接，得到与每个用户对应的用户统计学特征序列。例如，用户u1对应的用户统计学特征序列记为eu1 =[eu1 p1, eu1 p2,……，eu1 pl]，其中eu1 p1对应用户u1的第一初始信息（如年龄）的向量值、eu1 p2对应用户u1的第二初始信息（如性别）的向量值、……、eu1 pl对应用户u1的第l初始信息的向量值。
当获取到了所述初始用户集中每个用户对应的用户统计学特征序列后，由于不同的用户对同样的商品具有不同的偏好，因此以eu作为query构建注意力模型（本申请中的注意力模型可采用注意力机制模型，更具体如注意力机制），以融合所述初始用户集中每个用户对应的用户统计学特征序列和第一输出特征。
在一实施例中，第一融合行为向量获取单元104，包括：
第一运算单元，用于将所述初始用户集中每个用户对应的用户统计学特征序列和第一输出特征输入至所述注意力模型中的第一子模型进行运算，得到所述初始用户集中每个用户对应的第一运算结果；
第二运算单元，用于所述初始用户集中每个用户对应的第一运算结果输入至所述注意力模型中的第二子模型进行运算，得到所述初始用户集中每个用户对应的第一融合行为向量。
其中，仍以用户u1对应的用户统计学特征序列和第一输出特征为例来具体描述获取第一融合行为向量的具体过程。首先获取用户u1对应的第一输出特征
Figure 718232DEST_PATH_IMAGE006
以及用户统计学特征序列eu1，然后将根据注意力模型对应的公式（1）计算用户u1对应的第一运算结果，最后将用户u1对应的第一运算结果根据注意力模型对应的公式（2）进行计算得到用户u1对应的第一融合行为向量Uu1。其中，注意力模型对应的公式（1）为
Figure 806405DEST_PATH_IMAGE002
，注意力模型对应的公式（2）为
Figure 512193DEST_PATH_IMAGE003
，其中
Figure 866601DEST_PATH_IMAGE004
为用户u的第一输出特征中的第i个特征向量的转置向量，eu为用户u的用户统计学特征序列，
Figure 408572DEST_PATH_IMAGE005
为用户u的第一运算结果，Uu为用户u的第一融合行为向量。其中公式（1）和公式（2）的上角标u可以用任意用户的标识进行替换，例如采用用户u1为上角标则表示上述两个公式用于计算用户u1相关的第一运算结果和第一融合行为向量。
第二融合行为向量获取单元105，用于获取所述初始对象集中所包括的对象，并获取所述初始对象集中每个对象对应的对象特征序列，将所述初始对象集中每个对象的对象特征序列和所述初始用户集中每个用户对应的第一输出特征输入至预先存储的第二注意力模型进行运算，得到所述初始用户集中每个用户对应的第二融合行为向量。
在本实施例中，当完成了对所述初始用户集中每个用户的第一融合行为向量的获取之后，还可以对考虑其他对象（如代理人）对用户购买商品产生的影响。此时先获取所述初始对象集中所包括的对象，并获取所述初始对象集中每个对象对应的对象特征序列。获取对象的对象特征序列的过程类似于获取用户的用户统计学特征序列的过程。例如，所构建的对象特征比如代理人年龄、性别、销售风格、代理人近期销售各综拓产品数量、代理人线下扫码次数等，从而组成所述初始对象集中每个对象对应的对象特征序列。例如，所述初始对象集中对象a1对应的年龄为25岁、性别为女、销售风格为社交型、代理人近期销售各综拓产品数量为10个、代理人线下扫码次数为200次，将上述对象特征分别进行独热编码、向量降维和拼接后，即可得到与所述初始对象集中每个对象对应的对象特征序列。
例如，对象a1对应的用户统计学特征序列记为ea1 =[ea1 f1, ea1 f2,……，ea1 fm]，其中ea1 f1对应对象a1的第一初始特征（如年龄）的向量值、ea1 f2对应对象a1的第二初始特征（如性别）的向量值、……、ea1 fm对应对象a1的第m个初始特征的向量值。
当获取到了所述初始对象集中每个对象对应的对象特征序列后，由于不同的对象对于用户选择商品具有不同的影响，因此以ea作为query构建第二注意力模型（本申请中的第二注意力模型可采用注意力机制模型，更具体如注意力机制），以融合所述初始对象集中每个对象对应的对象特征序列和所述初始用户集中每个用户对应的第一输出特征。
其中，仍以对象a1对应的对象特征序列和用户u1对应的第一输出特征为例来具体描述获取第二融合行为向量的具体过程。首先获取用户u1对应的第一输出特征
Figure 48238DEST_PATH_IMAGE006
以及对象a1对应的对象特征序列ea1，然后将根据第二注意力模型对应的公式（3）计算用户u1对应的第二运算结果，最后将用户u1对应的第二运算结果根据第二注意力模型对应的公式（4）进行计算得到用户u1对应的第二融合行为向量Au1。其中，第二注意力模型对应的公式（3）为，注意力模型对应的公式（4）为
Figure 359265DEST_PATH_IMAGE008
，其中
Figure 193229DEST_PATH_IMAGE004
为用户u的第一输出特征中的第i个特征向量的转置向量，ea为对象a的对象特征序列，
Figure 971565DEST_PATH_IMAGE009
为用户u的第二运算结果，Au为用户u的第二融合行为向量。其中公式（3）和公式（4）的上角标u可以用任意用户的标识进行替换，例如采用用户u1为上角标则表示上述两个公式用于计算用户u1相关的第二运算结果和第二融合行为向量。通过上述方式，实现了将对象的商品讲解过程对用户购买商品的影响的数据维度融合至行为向量中，使得获取的数据参考性更高。
在一实施例中，第二融合行为向量获取单元105，包括：
对象特征序列获取单元，用于获取所述初始用户集中每个用户对应的第一输出特征，及获取每个用户在所述初始对象集中对应的目标对象和目标对象对应的对象特征序列；
第三运算单元，用于将所述初始用户集中每个用户对应的第一输出特征及相应的对象特征序列输入至所述第二注意力模型进行运算，得到所述初始用户集中每个用户对应的第二融合行为向量。
在本实施例中，由于与所述初始用户集中每一个用户相关联的对象可能不同，例如所述初始用户数据集中用户u1在所述初始对象集中对应的目标对象为a1且目标对象a1对应的对象特征序列为ea1，此时获取用户u1对应的第一输出特征
Figure 808065DEST_PATH_IMAGE006
以及目标对象a1对应的对象特征序列ea1，然后根据第二注意力模型对应的公式（3）计算用户u1对应的第二运算结果，最后将用户u1对应的第二运算结果根据第二注意力模型对应的公式（4）进行计算得到用户u1对应的第二融合行为向量Au1。
向量融合单元106，用于将所述初始用户集中每个用户分别对应的第一融合行为向量和第二融合向量根据预设的融合策略进行融合，得到所述初始用户集中每个用户对应的最终用户行为向量。
在本实施例中，当获取了所述初始用户集中每个用户分别对应的第一融合行为向量和第二融合向量后，可以根据预设的融合策略将所述初始用户集中每个用户分别对应的第一融合行为向量和第二融合向量进行融合，从而综合考虑了用户自身的影响及对象在用户购买商品过程中影响等多重因素，得到了所述初始用户集中每个用户对应的最终用户行为向量。
在一实施例中，所述融合策略对应的公式为：
Figure 986980DEST_PATH_IMAGE010
和;其中，W1、W2和b为自适应网络的模型参数，⊙表示内积运算。
在本实施例中，可通过上述融合策略对应的公式计算所述初始用户集中每个用户对应的最终用户行为向量，从而实现了综合考虑了用户自身的影响及对象在用户购买商品过程中影响等多重因素，得到数据更加准确和多维度的最终用户行为向量。
目标向量集获取单元107，用于若检测到在所述初始用户集或其他用户集中所选定的当前目标用户，获取所述当前目标用户对应的当前最终用户行为向量，并获取已存储的商品清单及所述商品清单中各个商品相应的商品嵌入向量，在各个商品相应的商品嵌入向量中筛选与当前最终用户行为向量之间的相似度满足预设的数据筛选条件的商品嵌入向量组成目标商品嵌入向量集。
在本实施例中，当为了针对所述初始用户集或其他用户集（其他用户集是不同于初始用户集的另外一个用户集，在其他用户集中也是包括多个用户的用户商品浏览记录数据）中某一目标用户获取推荐商品数据时，此时是先检测选定了哪一用户作为当前目标用户，然后获取该当前目标用户对应的当前最终用户行为向量（在获取任意用户的当前最终用户行为向量时，都是先基于用户的用户商品交互序列获取交互行为序列，然后基于用户的交互行为序列获取相应的第一输出特征，之后基于用户统计学特征序列和第一输出特征获取第一融合行为向量，并基于对象特征序列和第一输出特征获取第二融合行为向量，最后将第一融合行为向量与第二融合行为向量根据融合策略进行融合即可得到用户的当前最终用户行为向量），最后基于当前最终用户行为向量在各商品相应的商品嵌入向量选出满足数据筛选条件的商品嵌入向量。
在一实施例中，目标向量集获取单元107还用于：
计算获取所述商品清单中各商品嵌入向量与所述当前最终用户行为向量之间的向量相似度，将各商品嵌入向量按照与所述当前最终用户行为向量之间的向量相似度进行降序排序得到商品嵌入向量排序结果，获取所述商品嵌入向量排序结果中排名值未超出预设的排名阈值的商品嵌入向量组成目标商品嵌入向量集。
在本实施例中，由于服务器中存储了商品清单，在该商品清单中包括多个商品名称，而且每个商品名称对应的商品嵌入向量也是已知的，这样即可计算获得所述商品清单中各商品嵌入向量与所述当前最终用户行为向量之间的向量相似度，之后将各商品嵌入向量按照与所述当前最终用户行为向量之间的向量相似度进行降序排序得到商品嵌入向量排序结果。通过这一方式，快速的计算了商品清单中各个商品相应的商品嵌入向量与所述当前最终用户行为向量之间的向量相似度。
为了获取与所述当前最终用户行为向量具有较高向量相似度的商品嵌入向量，具体可以获取所述商品嵌入向量排序结果中排名值未超出预设的排名阈值的商品嵌入向量组成目标商品嵌入向量集。
待推荐数据获取单元108，用于获取所述目标商品嵌入向量集对应的商品名称组成待推荐数据，将所述待推荐数据发送至目标接收端。
在本实施例中，当获取所述目标商品嵌入向量集对应的商品名称组成待推荐数据后，可以由服务器及时的将所述待推荐数据发送至目标接收端。通过这一方式，能快速且准确的获取对各个用户较为相关的推荐数据。
该装置实现了基于用户实时的且特征多维度的输入数据进行待推荐数据的获取，提高数据时效性和计算结果的准确性。
上述基于注意力模型的推送数据获取装置可以实现为计算机程序的形式，该计算机程序可以在如图4所示的计算机设备上运行。
请参阅图4，图4是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器，也可以是服务器集群。服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参阅图4，该计算机设备500包括通过装置总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括存储介质503和内存储器504。
该存储介质503可存储操作装置5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行基于注意力模型的推送数据获取方法。
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
该内存储器504为存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行基于注意力模型的推送数据获取方法。
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图4中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现本发明实施例公开的基于注意力模型的推送数据获取方法。
本领域技术人员可以理解，图4中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图4所示实施例一致，在此不再赘述。
应当理解，在本发明实施例中，处理器502可以是中央处理单元 (CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路 (Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，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。其中，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。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质，也可以为易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现本发明实施例公开的基于注意力模型的推送数据获取方法。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元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，也可以是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，也可以采用软件功能单元的形式实现。
所述集成的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，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或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中，包括若干指令用以使得一台计算机设备 ( 可以是个人计算机，后台服务器，或者网络设备等 ) 执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U 盘、移动硬盘、只读存储器 (ROM，Read-OnlyMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于注意力模型的推送数据获取方法，其特征在于，包括：
响应于数据推荐指令，获取与所述数据推荐指令相应的初始记录数据集，根据所述初始记录数据集获取初始用户集；
根据所述初始记录数据集获取所述初始用户集中每个用户对应的用户商品交互序列，将每个用户商品交互序列经过预设的交互行为转化策略转换为相应的交互行为序列；
将所述初始用户集中每个用户对应的交互行为序列依次输入至预先存储的长短期记忆人工神经网络和多头自注意力机制模型进行运算，得到所述初始用户集中每个用户对应的第一输出特征；
获取所述初始用户集中每个用户对应的用户统计学特征序列，将所述初始用户集中每个用户对应的用户统计学特征序列和第一输出特征输入至预先存储的注意力模型进行运算，得到所述初始用户集中每个用户对应的第一融合行为向量；
获取初始对象集中所包括的对象，并获取所述初始对象集中每个对象对应的对象特征序列，将所述初始对象集中每个对象的对象特征序列和所述初始用户集中每个用户对应的第一输出特征输入至预先存储的第二注意力模型进行运算，得到所述初始用户集中每个用户对应的第二融合行为向量；
将所述初始用户集中每个用户分别对应的第一融合行为向量和第二融合向量根据预设的融合策略进行融合，得到所述初始用户集中每个用户对应的最终用户行为向量；
若检测到在所述初始用户集或其他用户集中所选定的当前目标用户，获取所述当前目标用户对应的当前最终用户行为向量，并获取已存储的商品清单及所述商品清单中各个商品相应的商品嵌入向量，在各个商品相应的商品嵌入向量中筛选与当前最终用户行为向量之间的相似度满足预设的数据筛选条件的商品嵌入向量组成目标商品嵌入向量集；以及
获取所述目标商品嵌入向量集对应的商品名称组成待推荐数据，将所述待推荐数据发送至目标接收端。
2.根据权利要求1所述的基于注意力模型的推送数据获取方法，其特征在于，所述获取与所述数据推荐指令相应的初始记录数据集，根据所述初始记录数据集获取初始用户集，包括：
获取与所述数据推荐指令相应的当前系统时间；
获取预设的筛选条件生成策略，根据所述当前系统时间及所述筛选条件生成策略生成筛选条件；
获取满足所述筛选条件的用户商品浏览记录数据，得到初始记录数据集；
将所述初始记录数据集中具有相同用户唯一标识信息的数据合并，得到初始用户集。
3.根据权利要求1所述的基于注意力模型的推送数据获取方法，其特征在于，所述交互行为转化策略用于将用户商品交互序列中各商品信息转换商品详细信息向量；
所述根据所述初始记录数据集获取所述初始用户集中每个用户对应的用户商品交互序列，将每个用户商品交互序列经过预设的交互行为转化策略转换为相应的交互行为序列，包括：
获取所述初始用户集中第i个用户的用户商品交互序列；其中，i的初始值为1，且i的取值范围是[1,N],N表示所述初始用户集中用户的总个数；
将第i个用户的用户商品交互序列中所包括的各商品信息根据所述交互行为转化策略转化为商品详细信息向量，由各商品详细信息向量拼接组成与第i个用户相应的交互行为序列；
将i自增1更新i的取值；
若确定i未超出N，返回执行所述获取所述初始用户集中第i个用户的用户商品交互序列的步骤；
若确定i超出N，获取并存储第1个用户的交互行为序列至第N个用户的交互行为序列。
4.根据权利要求1所述的基于注意力模型的推送数据获取方法，其特征在于，所述获取所述初始用户集中每个用户对应的用户统计学特征序列，包括：
获取所述初始用户集中每个用户对应的用户统计学特征初始信息集；
将每一个用户的用户统计学特征初始信息集中各初始信息依次经过独热编码、向量降维及拼接，得到与每个用户对应的用户统计学特征序列。
5.根据权利要求1所述的基于注意力模型的推送数据获取方法，其特征在于，所述将所述初始用户集中每个用户对应的用户统计学特征序列和第一输出特征输入至预先存储的注意力模型进行运算，得到所述初始用户集中每个用户对应的第一融合行为向量，包括：
将所述初始用户集中每个用户对应的用户统计学特征序列和第一输出特征输入至所述注意力模型中的第一子模型进行运算，得到所述初始用户集中每个用户对应的第一运算结果；
所述初始用户集中每个用户对应的第一运算结果输入至所述注意力模型中的第二子模型进行运算，得到所述初始用户集中每个用户对应的第一融合行为向量。
6.根据权利要求1所述的基于注意力模型的推送数据获取方法，其特征在于，所述将所述初始对象集中每个对象的对象特征序列和所述初始用户集中每个用户对应的第一输出特征输入至预先存储的第二注意力模型进行运算，得到所述初始用户集中每个用户对应的第二融合行为向量，包括：
获取所述初始用户集中每个用户对应的第一输出特征，及获取每个用户在所述初始对象集中对应的目标对象和目标对象对应的对象特征序列；
将所述初始用户集中每个用户对应的第一输出特征及相应的对象特征序列输入至所述第二注意力模型进行运算，得到所述初始用户集中每个用户对应的第二融合行为向量。
7.根据权利要求1所述的基于注意力模型的推送数据获取方法，其特征在于，所述在各个商品相应的商品嵌入向量中筛选与当前最终用户行为向量之间的相似度满足预设的数据筛选条件的商品嵌入向量组成目标商品嵌入向量集，包括：
计算获取所述商品清单中各商品嵌入向量与所述当前最终用户行为向量之间的向量相似度，将各商品嵌入向量按照与所述当前最终用户行为向量之间的向量相似度进行降序排序得到商品嵌入向量排序结果，获取所述商品嵌入向量排序结果中排名值未超出预设的排名阈值的商品嵌入向量组成目标商品嵌入向量集。
8.一种基于注意力模型的推送数据获取装置，其特征在于，包括：
初始用户集获取单元，用于响应于数据推荐指令，获取与所述数据推荐指令相应的初始记录数据集，根据所述初始记录数据集获取初始用户集；
交互行为序列获取单元，用于根据所述初始记录数据集获取所述初始用户集中每个用户对应的用户商品交互序列，将每个用户商品交互序列经过预设的交互行为转化策略转换为相应的交互行为序列；
第一输出特征获取单元，用于将所述初始用户集中每个用户对应的交互行为序列依次输入至预先存储的长短期记忆人工神经网络和多头自注意力机制模型进行运算，得到所述初始用户集中每个用户对应的第一输出特征；
第一融合行为向量获取单元，用于获取所述初始用户集中每个用户对应的用户统计学特征序列，将所述初始用户集中每个用户对应的用户统计学特征序列和第一输出特征输入至预先存储的注意力模型进行运算，得到所述初始用户集中每个用户对应的第一融合行为向量；
第二融合行为向量获取单元，用于获取初始对象集中所包括的对象，并获取所述初始对象集中每个对象对应的对象特征序列，将所述初始对象集中每个对象的对象特征序列和所述初始用户集中每个用户对应的第一输出特征输入至预先存储的第二注意力模型进行运算，得到所述初始用户集中每个用户对应的第二融合行为向量；
向量融合单元，用于将所述初始用户集中每个用户分别对应的第一融合行为向量和第二融合向量根据预设的融合策略进行融合，得到所述初始用户集中每个用户对应的最终用户行为向量；
目标向量集获取单元，用于若检测到在所述初始用户集或其他用户集中所选定的当前目标用户，获取所述当前目标用户对应的当前最终用户行为向量，并获取已存储的商品清单及所述商品清单中各个商品相应的商品嵌入向量，在各个商品相应的商品嵌入向量中筛选与当前最终用户行为向量之间的相似度满足预设的数据筛选条件的商品嵌入向量组成目标商品嵌入向量集；以及
待推荐数据获取单元，用于获取所述目标商品嵌入向量集对应的商品名称组成待推荐数据，将所述待推荐数据发送至目标接收端。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于注意力模型的推送数据获取方法。
10.一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程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的基于注意力模型的推送数据获取方法。
CN202111414005.5A 2021-11-25 2021-11-25 基于注意力模型的推送数据获取方法、装置、设备及介质 Active CN113868542B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111414005.5A CN113868542B (zh) 2021-11-25 2021-11-25 基于注意力模型的推送数据获取方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111414005.5A CN113868542B (zh) 2021-11-25 2021-11-25 基于注意力模型的推送数据获取方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113868542A true CN113868542A (zh) 2021-12-31
CN113868542B CN113868542B (zh) 2022-03-11

Family

ID=78985344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111414005.5A Active CN113868542B (zh) 2021-11-25 2021-11-25 基于注意力模型的推送数据获取方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113868542B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116738034A (zh) * 2022-10-10 2023-09-12 荣耀终端有限公司 一种信息推送方法及系统
CN116738034B (zh) * 2022-10-10 2024-06-28 荣耀终端有限公司 一种信息推送方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106296242A (zh) * 2015-05-22 2017-01-04 苏宁云商集团股份有限公司 一种用于电子商务中商品推荐列表的生成方法及生成系统
CN107562925A (zh) * 2017-09-14 2018-01-09 广东神马搜索科技有限公司 用于推荐文章的方法、设备和电子设备
CN110060097A (zh) * 2019-04-01 2019-07-26 苏州市职业大学 基于注意力机制和卷积神经网络的用户行为序列推荐方法
CN111144986A (zh) * 2019-12-25 2020-05-12 清华大学 一种基于分享行为的社交电商网站商品推荐方法及装置
US20200167645A1 (en) * 2017-06-30 2020-05-28 Beijing Kingsoft Internet Security Software Co., Ltd. Information processing and model training methods, apparatuses, electronic devices, and storage mediums
CN111368203A (zh) * 2020-03-09 2020-07-03 电子科技大学 一种基于图神经网络的新闻推荐方法及其系统
CN111553759A (zh) * 2020-03-25 2020-08-18 平安科技（深圳）有限公司 一种产品信息推送方法、装置、设备及存储介质
CN111753209A (zh) * 2020-07-02 2020-10-09 南京工业大学 一种基于改进时序卷积网络的序列推荐列表生成方法
CN111932336A (zh) * 2020-07-17 2020-11-13 重庆邮电大学 一种基于长短期兴趣偏好的商品列表推荐方法
CN112396115A (zh) * 2020-11-23 2021-02-23 平安科技（深圳）有限公司 基于注意力机制的目标检测方法、装置及计算机设备
CN112598462A (zh) * 2020-12-19 2021-04-02 武汉大学 基于协同过滤和深度学习的个性化推荐方法及系统
US20210173884A1 (en) * 2018-11-29 2021-06-10 Tencent Technology (Shenzhen) Company Limited Recommendation method and apparatus, and storage medium
US20210326674A1 (en) * 2019-05-13 2021-10-21 Tencent Technology (Shenzhen) Company Limited Content recommendation method and apparatus, device, and storage medium

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106296242A (zh) * 2015-05-22 2017-01-04 苏宁云商集团股份有限公司 一种用于电子商务中商品推荐列表的生成方法及生成系统
US20200167645A1 (en) * 2017-06-30 2020-05-28 Beijing Kingsoft Internet Security Software Co., Ltd. Information processing and model training methods, apparatuses, electronic devices, and storage mediums
CN107562925A (zh) * 2017-09-14 2018-01-09 广东神马搜索科技有限公司 用于推荐文章的方法、设备和电子设备
US20210173884A1 (en) * 2018-11-29 2021-06-10 Tencent Technology (Shenzhen) Company Limited Recommendation method and apparatus, and storage medium
CN110060097A (zh) * 2019-04-01 2019-07-26 苏州市职业大学 基于注意力机制和卷积神经网络的用户行为序列推荐方法
US20210326674A1 (en) * 2019-05-13 2021-10-21 Tencent Technology (Shenzhen) Company Limited Content recommendation method and apparatus, device, and storage medium
CN111144986A (zh) * 2019-12-25 2020-05-12 清华大学 一种基于分享行为的社交电商网站商品推荐方法及装置
CN111368203A (zh) * 2020-03-09 2020-07-03 电子科技大学 一种基于图神经网络的新闻推荐方法及其系统
CN111553759A (zh) * 2020-03-25 2020-08-18 平安科技（深圳）有限公司 一种产品信息推送方法、装置、设备及存储介质
CN111753209A (zh) * 2020-07-02 2020-10-09 南京工业大学 一种基于改进时序卷积网络的序列推荐列表生成方法
CN111932336A (zh) * 2020-07-17 2020-11-13 重庆邮电大学 一种基于长短期兴趣偏好的商品列表推荐方法
CN112396115A (zh) * 2020-11-23 2021-02-23 平安科技（深圳）有限公司 基于注意力机制的目标检测方法、装置及计算机设备
CN112598462A (zh) * 2020-12-19 2021-04-02 武汉大学 基于协同过滤和深度学习的个性化推荐方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XINRUI YUAN，等: "Attention-Based User Temporal Model for Recommendation", 《2019 IEEE 5TH INTERNATIONAL CONFERENCE ON COMPUTER AND COMMUNICATIONS (ICCC)》 *
王素格，等: "一种基于产品方面的神经网络推荐模型", 《郑州大学学报(理学版)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116738034A (zh) * 2022-10-10 2023-09-12 荣耀终端有限公司 一种信息推送方法及系统
CN116738034B (zh) * 2022-10-10 2024-06-28 荣耀终端有限公司 一种信息推送方法及系统

Also Published As

Publication number Publication date
CN113868542B (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
CN112598462B (zh) 基于协同过滤和深度学习的个性化推荐方法及系统
CN109903117B (zh) 一种用于商品推荐的知识图谱处理方法及装置
CN106844787B (zh) 一种为汽车行业寻找目标用户并匹配目标产品的推荐方法
CN102737333B (zh) 用于计算用户和要约到微小细分的匹配的顺序引擎
CN102193936B (zh) 一种数据分类的方法及装置
CN101084523A (zh) 会员网站表现的基于计算机的分析
JP2022164893A (ja) 広告関連サービス提供システム、及びユーザ側広告設備
Malik et al. EPR-ML: E-Commerce Product Recommendation Using NLP and Machine Learning Algorithm
CN113032668A (zh) 基于用户画像的产品推荐方法、装置、设备及存储介质
CN113706251A (zh) 基于模型的商品推荐方法、装置、计算机设备和存储介质
CN111582932A (zh) 场景间信息推送方法、装置、计算机设备及存储介质
CN114861050A (zh) 一种基于神经网络的特征融合推荐方法及系统
CN115982463A (zh) 资源推荐方法、装置、设备及存储介质
Alves Gomes et al. Will this online shopping session succeed? predicting customer's purchase intention using embeddings
Noviantoro et al. Applying data mining techniques to investigate online shopper purchase intention based on clickstream data
CN116308683B (zh) 基于知识图谱的服装品牌定位推荐方法、设备及存储介质
CN113868542B (zh) 基于注意力模型的推送数据获取方法、装置、设备及介质
Sarker et al. A hybrid collaborative recommendation system based on matrix factorization and deep neural network
CN116501979A (zh) 信息推荐方法、装置、计算机设备及计算机可读存储介质
CN116340643A (zh) 对象推荐的调整方法及装置、存储介质、电子设备
Drif et al. Context-awareness in ensemble recommender system framework
JP7249375B2 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
CN115600677A (zh) 针对序列推荐系统成员推断攻击推理系统及方法
WO2005064511A1 (ja) キャンペーン動的適正化システム及びその方法又はその方法を記録した記録媒体及びその方法を伝送する伝送媒体
Qiu A predictive model for customer purchase behavior in e-commerce context

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