CN113886691A - 基于历史数据的智能推荐方法、装置、电子设备及介质 - Google Patents
基于历史数据的智能推荐方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN113886691A CN113886691A CN202111149217.5A CN202111149217A CN113886691A CN 113886691 A CN113886691 A CN 113886691A CN 202111149217 A CN202111149217 A CN 202111149217A CN 113886691 A CN113886691 A CN 113886691A
- Authority
- CN
- China
- Prior art keywords
- data
- classification
- cleaning
- label
- training
- 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.)
- Pending
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能技术领域,揭露一种基于历史数据的智能推荐方法方法,包括:获取目标用户的历史数据并进行数据清洗,得到清洗数据;对所述清洗数据进行分类,得到清洗数据标签集,并基于所述清洗数据标签集从预设的标签字典获取分类标签集;对预设的分类模型进行训练,得到训练分类模型;利用所述训练分类模型从所述历史数据中获取所述分类标签集中各个分类标签的属性,根据获取到的分类标签的属性构建用户画像;根据所述用户画像为所述目标用户推荐信息。本发明还涉及区块链技术,所述用户画像可存储于区块链节点中。本发明还提出一种基于历史数据的智能推荐装置、电子设备以及存储介质。本发明可以提高信息推荐的效率和准确性。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于历史数据的智能推荐方法、装置、电子设备及计算机可读存储介质。
背景技术
根据用户进行个性化的咨询推荐是这个信息爆炸时代获取用户关注度的一种有效方案,现在互联网中每天产生的信息是过去几十年甚至上百年的信息之和,如何从这么多信息中获取需要的信息是每一位现代人的需求,而相应的解决这一问题也成了各大互联网公司的追求。
现有的针对用户进行信息推荐时,在信息采集阶段往往都需要进行问卷调查,占用用户时间并容易引起用户反感,并且还可能因为客户问卷填写不准确导致信息推荐错误,而采用人工客服的方式又会导致效率低成本高且准确率低,因此,所述如何准确高效地为用户推荐信息成为了亟须解决的问题。
发明内容
本发明提供一种基于历史数据的智能推荐方法、装置、电子设备及计算机可读存储介质,其主要目的在于提高信息推荐的效率和准确性。
为实现上述目的,本发明提供的一种基于历史数据的智能推荐方法,包括:
获取目标用户的历史数据并进行数据清洗,得到清洗数据;
对所述清洗数据进行分类,得到清洗数据标签集,并基于所述清洗数据标签集从预设的标签字典获取分类标签集;
对预设的分类模型进行训练,得到训练分类模型;
利用所述训练分类模型从所述历史数据中获取所述分类标签集中各个分类标签的属性,根据获取到的分类标签的属性构建用户画像;
根据所述用户画像为所述目标用户推荐信息。
可选地,所述获取目标用户的历史数据并进行数据清洗,得到清洗数据,包括:
删除所述历史数据中的重复数据,得到去重数据;
基于预设的数据补全法对所述去重数据中的缺失值进行补全,得到补全数据;
对所述补全数据和预设的标准数据进行关联性验证;
当验证通过后,调整所述补全数据的格式,得到清洗数据。
可选地,所述对预设的分类模型进行训练,得到训练分类模型,包括:
获取训练数据集,并将所述训练数据集划分为训练集和测试集;
将所述训练集中的数据输入所述分类模型的神经网络进行正向传播,得到输出得分;
将所述输出得分输入误差函数得到函数值,并将所述函数值与预设的期待值进行比较,得到误差值;
获取所述分类模型的梯度向量,并根据所述梯度向量不断调整所述分类模型的参数,使所述误差值趋于零,并在所述误差值不再降低时得到初步分类模型;
利用所述测试集对所述初步分类模型进行测试,当测试通过时得到所述训练分类模型。
可选地,所述对所述清洗数据进行分类,得到清洗数据标签集,并基于所述清洗数据标签集从预设的标签字典获取分类标签集,包括:
获取所述清洗数据的数据类型;
基于所述数据类型确定分类方法,利用所述分类方法对所述清洗数据分类,得到清洗数据标签集;
将所述清洗数据标签集与所述标签字典匹配,获取所述标签字典中对应的标签构成分类标签集。
可选地,所述基于所述数据类型确定分类方法,利用所述分类方法对所述清洗数据分类,得到清洗数据标签集,包括:
判断所述清洗数据是否满足预设的数据质量规则;
若所述清洗数据不满足所述数据质量规则,则重新获取所述目标用户的历史数据;
若所述清洗数据满足所述数据质量规则,则对所述清洗数据进行合并,得到合并数据;
根据所述数据类型确定分类方法,利用所述分类方法对所述合并数据分类,得到清洗数据标签集。
可选地,所述利用所述训练分类模型从所述历史数据中获取所述分类标签集中各个分类标签的属性,根据获取到的分类标签的属性构建用户画像,包括:
利用所述训练分类模型从所述用户历史数据中获取所述分类标签集中各个分类标签的属性值,得到多个标签属性;
确定多个所述标签属性构建所述目标用户的用户画像。
可选地,所述根据所述用户画像为所述目标用户推荐信息,包括:
基于所述用户画像获取所述目标用户的偏好标签;
将所述偏好标签和预设的信息库中的多个推荐信息通过预设的词袋模型转化为偏好标签向量和多个推荐信息向量;
利用相似度算法分别计算所述偏好标签向量和多个推荐信息向量的相似度值,并将所述相似度值为最高的推荐信息向量对应的推荐信息发送给所述目标用户。
为了解决上述问题,本发明还提供一种基于历史数据的智能推荐装置,所述装置包括:
数据清洗模块,用于获取目标用户的历史数据并进行数据清洗,得到清洗数据;
标签获取模块,用于对所述清洗数据进行分类,得到清洗数据标签集,并基于所述清洗数据标签集从预设的标签字典获取分类标签集;
模型训练模块,用于对预设的分类模型进行训练,得到训练分类模型;
画像构建模块,用于利用所述训练分类模型从所述历史数据中获取所述分类标签集中各个分类标签的属性,根据获取到的分类标签的属性构建用户画像;
信息推荐模块,用于根据所述用户画像为所述目标用户推荐信息。
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:
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上所述的基于历史数据的智能推荐方法。
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基于历史数据的智能推荐方法。
本发明实施例中,获取目标用户的历史数据并对历史数据进行清洗,得到清洗数据,筛除历史数据中的无意义数据,对清洗数据进行分类得到清洗数据标签集,基于清洗数据标签集从预设的标签字典获取分类标签集,利用预训练的分类模型从历史数据中获取分类标签集中各个分类标签的属性,构建用户画像,最后根据用户画像为目标用户推荐信息,使得推荐更准确高效,因此,本发明实施例可以实现提高信息推荐的效率和准确性的目的。
附图说明
图1为本发明一实施例提供的一种基于历史数据的智能推荐方法的流程示意图;
图2为本发明一实施例提供一种基于历史数据的智能推荐方法中一个步骤的详细流程示意图;
图3为本发明一实施例提供一种基于历史数据的智能推荐方法中一个步骤的详细流程示意图;
图4为本发明一实施例提供的基于历史数据的智能推荐装置的模块示意图;
图5为本发明一实施例提供的实现基于历史数据的智能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。
本申请实施例提供一种基于历史数据的智能推荐方法。所述基于历史数据的智能推荐方法的执行主体包括但不限于服务端、终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。其中,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。换言之,所述基于历史数据的智能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。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的一种基于历史数据的智能推荐方法的流程示意图。在本实施例中,所述基于历史数据的智能推荐方法包括:
S1、获取目标用户的历史数据并进行数据清洗,得到清洗数据。
本发明实施例中,所述历史数据是所述目标用户当前时间节点之前存储于预设存储数据库中的数据。例如,历史数据为存储于存储设备中的当前时间节点前的通话数据。
本发明实施例中,所述数据清洗用于删除重复的历史数据,纠正历史数据中的错误。
本发明实施例中,所述获取目标用户的历史数据并进行数据清洗,得到清洗数据,包括:
删除所述历史数据中的重复数据,得到去重数据;
基于预设的数据补全法对所述去重数据中的缺失值进行补全,得到补全数据;
对所述补全数据和预设的标准数据进行关联性验证;
当验证通过后,调整所述补全数据的格式,得到清洗数据。
本发明实施例中,通过已知的编辑距离(Levenshtein Distance,LD)算法查询所述历史数据中的重复数据,即查询历史数据中的重复字段。
本发明实施例中,所述数据补全法包括统计法、模型法以及人工补全法,具体选择何种数据补全法将根据所述去重数据中缺失值的数据类别进行选择,例如,对于数值型的缺失值,使用均值、权均值、中位数等统计法进行数据补全,对于少量且具有特殊意义的缺失值,使用人工补全法,确保补全的数据的有效性。
详细地,通过关联性验证可以比较数据之间的特征属性。具体的,对所述补全数据进行关联性验证是指将补全数据与预设标准数据库表中的标准数据进行比对,若补全数据和标准数据库中的数据相同,则确定关联性验证通过,若补全数据和标准数据库中的数据都不相同,则确定关联性验证不通过。
例如,洗车的线下购买信息为补全数据,线上问卷调查信息为标准数据,在这两个信息之间通过姓名和手机号判断购买的车辆信息和线上问卷调查信息是否一致,具体为根据姓名和手机号在线下购买信息中查找对应的购买车辆信息,根据姓名和手机号在线上问卷调查信息中查找对应的购买车辆信息,若两者的车辆购买信息相同,则确定关联性验证通过,反之则不通过。
本发明另一实施例中,将所述历史作为所述标准数据,对所述补全数据和所述历史数据进行关联性验证。
进一步地,当历史数据为通话数据时,对所述历史数据进行数据清洗还包括:过滤通话数据中时长低于第一预设阈值的历史通话,对所述历史数据中属于同一用户ID的数据进行合并,利用FastText分类模型识别无效通话数据。
本发明实施例中,所述FastText分类模型是用于对词向量和文本进行分类的工具,在文本分类任务中,FastText分类模型可以取得和深度网络相当的精度,所需计算资源的消耗却更少。
本发明实施例通过对历史数据进行清洗处理,可以剔除历史数据中的无意义数据,提高智能推荐的准确性。
S2、对所述清洗数据进行分类,得到清洗数据标签集,并基于所述清洗数据标签集从预设的标签字典获取分类标签集。
本发明实施例中,所述标签字典为预先构建的,其中,所述标签字典的类型可以有多种,不同类型的标签字典所包含的内容可以为不同的,具体的,可以根据历史数据的类别确定标签字典的类型。
例如,在用于金融行业时,标签字典为客户了解(know-your-customer,KYC)规则字典,通过客户了解规则字典可以进一步帮助金融机构清晰的识别客户的身份,准确进行内容推荐。
进一步地,所述客户了解规则词典中包含客户的姓名、电子邮箱、居住地址、电话号码、身份证等信息。
本发明实施例中,基于所述清洗数据标签集从预设的标签字典获取分类标签集可以确定用户画像包含哪些标签。
请参见图2,图2为本发明一实施例提供一种基于历史数据的智能推荐方法中一个步骤的详细流程示意图。
本发明实施例中,所述对所述清洗数据进行分类,得到清洗数据标签集,并基于所述清洗数据标签集从预设的标签字典获取分类标签集,包括:
S201、获取所述清洗数据的数据类型。
S202、基于所述数据类型确定分类方法,利用所述分类方法对所述清洗数据分类,得到清洗数据标签集。
S203、将所述清洗数据标签集与所述标签字典匹配,获取所述标签字典中对应的标签构成分类标签集。
本发明实施例将根据所述清洗数据的数据类型确定分类方法,对于不同的清洗数据可以选择不同的数据分类方法。
例如,单选标签类型的数据采用单分类得到两种分类结果,多选标签类型的数据采用多选分类得到多种分类结果,对于需要提取具体数值信息的标签,采用序列标注。
例如,性别(男、女)这种只能二选其一单标签类型的数据或者是否婚配(未婚、已婚、离异)这种只能多选其一的单标签类型的数据采用单分类法,开户银行(A银行、B银行……)这种可以多选的多标签类型的数据采用多分类法,子女数目、理财可用资金、相对空闲时间这种需要提取具体数值的数据采用序列标注法获取标签。
请参见图3,图3为本发明一实施例提供一种基于历史数据的智能推荐方法中一个步骤的详细流程示意图。
进一步地,所述基于所述数据类型确定分类方法,利用所述分类方法对所述清洗数据分类,得到清洗数据标签集,包括:
S2021、判断所述清洗数据是否满足预设的数据质量规则。
本发明实施例中,所述数据质量规则为数据对象进行校验时的规则,只有满足所述数据质量规则的数据才能基于从所述标签字典中得到分类标签集,具体的数据质量规则可以根据数据对象的类型而异。
例如,需要清洗的数据是报表中的主键重复的数据,此时数据质量规则为报表数据中主键不重复,根据这一数据质量规则清洗报表中主键重复的数据。
S2022、若所述清洗数据不满足所述数据质量规则,则重新获取所述目标用户的历史数据。
S2023、若所述清洗数据满足所述数据质量规则,则对所述清洗数据进行合并,得到合并数据。
本发明实施例中,通过清洗数据的数据来源对所述清洗数据进行合并,若存在几组清洗数据的为同源数据,则将这几组数进行合并,得到一组数据。其中,同源数据为数据提供端相同或者数据类型相同的数据。
例如,若清洗数据为通话数据时,进行合并包括对同一角色的对话进行合并以及对同一话题下的对话数据进行合并。
进一步地,当清洗数据为角色A和角色B之间关于存款、楼市以及债券的通话录音数据时,可以将角色A的对话数据进行合并,得到角色A的对话数据单元,还可以将角色A和角色B关于存款的对话进行合并,得到存款对话数据单元。
S2024、根据所述数据类型确定分类方法,利用所述分类方法对所述合并数据分类,得到清洗数据标签集。
例如,利用所述分类方法先对所述合并数据进行分类,将合并数据中的数据分类后得到类别结果为单选类标签、多选类标签、序列标准类标签等类别标签,再得到单选类标签包括哪些标签,多选类标签包括哪些标签,序列标准类标签包括哪些标签,如单选标类标签下的性别标签,多选类标签下的开户银行标签,进而得到清洗数据标签集包括性别标签、开户银行标签、可用资金标签等。
本发明实施例中,所述将所述清洗数据标签集与所述标签字典匹配,获取所述标签字典中对应的标签构成分类标签集,包括:
判断所述标签字典中是否包含所述清洗数据标签集中的标签;
若所述标签字典中不包含所述清洗数据标签集中的标签,则重新获取历史数据;
若所述标签字典中包含所述清洗数据标签集中的标签,则获取所述标签字典中包含的所有所述清洗数据标签集中标签,得到分类标签集。
本发明实施例中,若所述标签字典中不包含所述清洗数据标签集中的标签,则说明所述清洗数据标签集中的标签都是对于构建用户画像而言毫无意义的标签,需要重新获取历史数据。
本发明实施例中,所述分类标签集中的标签均为构建用户画像的标签,涉及用户的方方面面。例如,分类标签集中的标签包括最高学历、是否工作,单位类型、职业、婚姻状况等。
S3、对预设的分类模型进行训练,得到训练分类模型。
本发明实施例中,所述分类模型为XGBoost模型,为一种提升树模型,该模型中将多个树模型集成在一起,形成一个效果更强地分类器。XGBoost是在GBDT地基础上进行改进,使效果更强,适用范围更大地模型。
本发明实施例中,所述对预设的分类模型进行训练,得到训练分类模型,包括:
获取训练数据集,并将所述训练数据集划分为训练集和测试集;
将所述训练集中的数据输入所述分类模型的神经网络进行正向传播,得到输出得分;
将所述输出得分输入误差函数得到函数值,并将所述函数值与预设的期待值进行比较,得到误差值;
获取所述分类模型的梯度向量,并根据所述梯度向量不断调整所述分类模型的参数,使所述误差值趋于零,并在所述误差值不再降低时得到初步分类模型;
利用所述测试集对所述初步分类模型进行测试,当测试通过时得到所述训练分类模型。
进一步地,若利用所述测试集对所述初步分类模型进行测试,测试不通过时重新获取训练数据集对所述分类模型进行训练。
本发明实施例中,所述训练数据集为中包括用户历史数据以及人工标注的标签。
本发明实施例中,所述误差函数(loss function)为防止模型的过度拟合的函数,所述梯度向量为表示模型变化快慢的向量。
本发明实施例正向传播(forward propagation)是指对神经网络沿着从输入层到输出层的顺序,依次计算并存储模型的中间变量。
本发明实施例中,对所述XGBoost模型进行训练,得到用于构建用户画像的训练XGBoost模型。
S4、利用所述训练分类模型从所述历史数据中获取所述分类标签集中各个分类标签的属性,根据获取到的分类标签的属性构建用户画像。
本发明实施例中,所述用户画像可以将用户形象标签化,体现用户的特征。
本发明实施例中,所述利用所述训练分类模型从所述历史数据中获取所述分类标签集中各个分类标签的属性,根据获取到的分类标签的属性构建用户画像,包括:
利用所述训练分类模型从所述用户历史数据中获取所述分类标签集中各个分类标签的属性值,得到多个标签属性;
确定多个所述标签属性构建所述目标用户的用户画像。
本发明实施例中,所述标签属性为分类标签集中具体的各个标签的属性,例如存在性别标签,则具体的标签属性为男或者女。
本发明实施例中,所述训练分类模型为XGBoost模型,是一种强分类模型,可以根据所述历史数据判断所述分类标签集中各个分类标签的属性,例如根据历史数据判断用户性别标签的标签属性是男或女,根据历史数据获取用户开户银行标签的标签属性具体为XX银行。
本发明实施例中,所述特征标签为所述分类标签集中多个属于同一类别的标签组成的体现用户特征的标签。
S5、根据所述用户画像为所述目标用户推荐信息。
本发明实施例中,可以根据所述用户画像为所述目标用户进行多方面的智能推荐。
本发明实施例中,所述根据所述用户画像为所述目标用户推荐信息,包括:
基于所述用户画像获取所述目标用户的偏好标签;
将所述偏好标签和预设的信息库中的多个推荐信息通过预设的词袋模型转化为偏好标签向量和多个推荐信息向量;
利用相似度算法分别计算所述偏好标签向量和多个推荐信息向量的相似度值,并将所述相似度值为最高的推荐信息向量对应的推荐信息发送给所述目标用户。
详细的,所述词袋模型(Bag-of-Words model,BOW)用于将文本信息转化为向量格式。
本发明实施例中,所述信息库中的推荐信息可以为金融产品信息也可为新闻资讯信息,具体类别将根据所述目标用户的用户需求而改变。
本发明实施例所述相似度算法为曼哈顿(Manhattan)算法,曼哈顿算法通过曼哈顿距离公式计算偏好标签向量和推荐信息向量之间的相似度。
进一步地,曼哈顿距离公式为:
c=|x1-x2|+|y1-y2|
其中,c为相似度值x1为偏好标签向量的x坐标,y1为偏好标签向量的y坐标,x2为推荐信息向量的x坐标,y2为推荐信息向量的y坐标。
例如,当用于金融投资时根据用户画像中的风险态度、过往投资经验和产品偏好等信息为用户确定产品偏好标签,其中产品偏好标签如股票标签、楼市标签、存款标签等。进一步的,再根据股票标签、楼市标签、存款标签从预设的信息库中获取相似度最高的推荐信息,如股票行情信息、楼市涨跌信息等发送给目标用户。
本发明实施例中,获取目标用户的历史数据并对历史数据进行清洗,得到清洗数据,筛除历史数据中的无意义数据,对清洗数据进行分类得到清洗数据标签集,基于清洗数据标签集从预设的标签字典获取分类标签集,利用预训练的分类模型从历史数据中获取分类标签集中各个分类标签的属性,构建用户画像,最后根据用户画像为目标用户推荐信息,使得推荐更准确高效,因此,本发明实施例可以实现提高信息推荐的效率和准确性的目的。
如图4所示,是本发明基于历史数据的智能推荐装置的模块示意图。
本发明所述基于历史数据的智能推荐装置100可以安装于电子设备中。根据实现的功能,所述基于历史数据的智能推荐装置可以包括数据清洗模块101、标签获取模块102、模型训练模块103、画像构建模块104、和信息推荐模块105。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:
所述数据清洗模块101,用于获取目标用户的历史数据并进行数据清洗,得到清洗数据;
所述标签获取模块102,用于所述清洗数据进行分类,得到清洗数据标签集,并基于所述清洗数据标签集从预设的标签字典获取分类标签集;
所述模型训练模块103,用于对预设的分类模型进行训练,得到训练分类模型;
所述画像构建模块104,用于利用所述训练分类模型从所述历史数据中获取所述分类标签集中各个分类标签的属性,根据获取到的分类标签的属性构建用户画像;
所述信息推荐模块105,用于根据所述用户画像为所述目标用户推荐信息。
详细地,本发明实施例中所述基于历史数据的智能推荐装置100中所述的各模块在使用时采用与上述图1至图3中所述的人脸合成图像的检测方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明实现基于历史数据的智能推荐方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12以及通信接口13,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,如基于历史数据的智能推荐程序。
其中,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(ControlUnit),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(例如执行基于历史数据的智能推荐程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
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的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备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的应用软件及各类数据,例如基于历史数据的智能推荐程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,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。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。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与其他电子设备之间建立通信连接。所述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中处理的信息以及用于显示可视化的用户界面。
图5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5示出的结构并不构成对所述电子设备的限定,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。
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。
获取目标用户的历史数据并进行数据清洗,得到清洗数据;
对所述清洗数据进行分类,得到清洗数据标签集,并基于所述清洗数据标签集从预设的标签字典获取分类标签集;
对预设的分类模型进行训练,得到训练分类模型;
利用所述训练分类模型从所述历史数据中获取所述分类标签集中各个分类标签的属性,根据获取到的分类标签的属性构建用户画像;
根据所述用户画像为所述目标用户推荐信息。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考图1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,可以存储在一个非易失性计算机可读取存储介质中。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:
获取目标用户的历史数据并进行数据清洗,得到清洗数据;
对所述清洗数据进行分类,得到清洗数据标签集,并基于所述清洗数据标签集从预设的标签字典获取分类标签集;
对预设的分类模型进行训练,得到训练分类模型;
利用所述训练分类模型从所述历史数据中获取所述分类标签集中各个分类标签的属性,根据获取到的分类标签的属性构建用户画像;
根据所述用户画像为所述目标用户推荐信息。
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,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
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。
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。
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)
1.一种基于历史数据的智能推荐方法,其特征在于,所述方法包括:
获取目标用户的历史数据并进行数据清洗,得到清洗数据;
对所述清洗数据进行分类,得到清洗数据标签集,并基于所述清洗数据标签集从预设的标签字典获取分类标签集;
对预设的分类模型进行训练,得到训练分类模型;
利用所述训练分类模型从所述历史数据中获取所述分类标签集中各个分类标签的属性,根据获取到的分类标签的属性构建用户画像;
根据所述用户画像为所述目标用户推荐信息。
2.如权利要求1所述的基于历史数据的智能推荐方法,其特征在于,所述获取目标用户的历史数据并进行数据清洗,得到清洗数据,包括:
删除所述历史数据中的重复数据,得到去重数据;
基于预设的数据补全法对所述去重数据中的缺失值进行补全,得到补全数据;
对所述补全数据和预设的标准数据进行关联性验证;
当验证通过后,调整所述补全数据的格式,得到清洗数据。
3.如权利要求1所述的基于历史数据的智能推荐方法,其特征在于,所述对预设的分类模型进行训练,得到训练分类模型,包括:
获取训练数据集,并将所述训练数据集划分为训练集和测试集;
将所述训练集中的数据输入所述分类模型的神经网络进行正向传播,得到输出得分;
将所述输出得分输入误差函数得到函数值,并将所述函数值与预设的期待值进行比较,得到误差值;
获取所述分类模型的梯度向量,并根据所述梯度向量不断调整所述分类模型的参数,使所述误差值趋于零,并在所述误差值不再降低时得到初步分类模型;
利用所述测试集对所述初步分类模型进行测试,当测试通过时得到所述训练分类模型。
4.如权利要求1所述的基于历史数据的智能推荐方法,其特征在于,所述对所述清洗数据进行分类,得到清洗数据标签集,并基于所述清洗数据标签集从预设的标签字典获取分类标签集,包括:
获取所述清洗数据的数据类型;
基于所述数据类型确定分类方法,利用所述分类方法对所述清洗数据分类,得到清洗数据标签集;
将所述清洗数据标签集与所述标签字典匹配,获取所述标签字典中对应的标签构成分类标签集。
5.如权利要求4所述的基于历史数据的智能推荐方法,其特征在于,所述基于所述数据类型确定分类方法,利用所述分类方法对所述清洗数据分类,得到清洗数据标签集,包括:
判断所述清洗数据是否满足预设的数据质量规则;
若所述清洗数据不满足所述数据质量规则,则重新获取所述目标用户的历史数据;
若所述清洗数据满足所述数据质量规则,则对所述清洗数据进行合并,得到合并数据;
根据所述数据类型确定分类方法,利用所述分类方法对所述合并数据分类,得到清洗数据标签集。
6.如权利要求1所述的基于历史数据的智能推荐方法,其特征在于,所述利用所述训练分类模型从所述历史数据中获取所述分类标签集中各个分类标签的属性,根据获取到的分类标签的属性构建用户画像,包括:
利用所述训练分类模型从所述用户历史数据中获取所述分类标签集中各个分类标签的属性值,得到多个标签属性;
确定多个所述标签属性构建所述目标用户的用户画像。
7.如权利要求1所述的基于历史数据的智能推荐方法,其特征在于,所述根据所述用户画像为所述目标用户推荐信息,包括:
基于所述用户画像获取所述目标用户的偏好标签;
将所述偏好标签和预设的信息库中的多个推荐信息通过预设的词袋模型转化为偏好标签向量和多个推荐信息向量;
利用相似度算法分别计算所述偏好标签向量和多个推荐信息向量的相似度值,并将所述相似度值为最高的推荐信息向量对应的推荐信息发送给所述目标用户。
8.一种基于历史数据的智能推荐装置,其特征在于,所述装置包括:
数据清洗模块,用于获取目标用户的历史数据并进行数据清洗,得到清洗数据;
标签获取模块,用于对所述清洗数据进行分类,得到清洗数据标签集,并基于所述清洗数据标签集从预设的标签字典获取分类标签集;
模型训练模块,用于对预设的分类模型进行训练,得到训练分类模型;
画像构建模块,用于利用所述训练分类模型从所述历史数据中获取所述分类标签集中各个分类标签的属性,根据获取到的分类标签的属性构建用户画像;
信息推荐模块,用于根据所述用户画像为所述目标用户推荐信息。
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中任一项所述的基于历史数据的智能推荐方法。
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中任一项所述的基于历史数据的智能推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111149217.5A CN113886691A (zh) | 2021-09-29 | 2021-09-29 | 基于历史数据的智能推荐方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111149217.5A CN113886691A (zh) | 2021-09-29 | 2021-09-29 | 基于历史数据的智能推荐方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113886691A true CN113886691A (zh) | 2022-01-04 |
Family
ID=79007903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111149217.5A Pending CN113886691A (zh) | 2021-09-29 | 2021-09-29 | 基于历史数据的智能推荐方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113886691A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114662412A (zh) * | 2022-05-23 | 2022-06-24 | 深圳市远湖科技有限公司 | 基于深度学习的服装设计方法、装置、设备及存储介质 |
CN115391669A (zh) * | 2022-10-31 | 2022-11-25 | 江西渊薮信息科技有限公司 | 一种智能推荐方法、装置、电子设备 |
CN115796710A (zh) * | 2023-02-06 | 2023-03-14 | 佰聆数据股份有限公司 | 电力物资智能抽检方法、装置、电子设备及可读存储介质 |
CN116205694A (zh) * | 2023-05-04 | 2023-06-02 | 品茗科技股份有限公司 | 造价定额自动推荐配合比的方法、装置、设备及介质 |
-
2021
- 2021-09-29 CN CN202111149217.5A patent/CN113886691A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114662412A (zh) * | 2022-05-23 | 2022-06-24 | 深圳市远湖科技有限公司 | 基于深度学习的服装设计方法、装置、设备及存储介质 |
CN114662412B (zh) * | 2022-05-23 | 2022-10-11 | 深圳市远湖科技有限公司 | 基于深度学习的服装设计方法、装置、设备及存储介质 |
CN115391669A (zh) * | 2022-10-31 | 2022-11-25 | 江西渊薮信息科技有限公司 | 一种智能推荐方法、装置、电子设备 |
CN115796710A (zh) * | 2023-02-06 | 2023-03-14 | 佰聆数据股份有限公司 | 电力物资智能抽检方法、装置、电子设备及可读存储介质 |
CN115796710B (zh) * | 2023-02-06 | 2023-04-18 | 佰聆数据股份有限公司 | 电力物资智能抽检方法、装置、电子设备及可读存储介质 |
CN116205694A (zh) * | 2023-05-04 | 2023-06-02 | 品茗科技股份有限公司 | 造价定额自动推荐配合比的方法、装置、设备及介质 |
CN116205694B (zh) * | 2023-05-04 | 2023-10-24 | 品茗科技股份有限公司 | 造价定额自动推荐配合比的方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113886691A (zh) | 基于历史数据的智能推荐方法、装置、电子设备及介质 | |
CN115002200B (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
CN112988963B (zh) | 基于多流程节点的用户意图预测方法、装置、设备及介质 | |
CN112906384B (zh) | 基于bert模型的数据处理方法、装置、设备及可读存储介质 | |
CN114648392B (zh) | 基于用户画像的产品推荐方法、装置、电子设备及介质 | |
CN115391669B (zh) | 一种智能推荐方法、装置、电子设备 | |
CN113435202A (zh) | 基于用户画像的产品推荐方法、装置、电子设备及介质 | |
CN112288337B (zh) | 行为推荐方法、装置、设备及介质 | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN114387061A (zh) | 产品推送方法、装置、电子设备及可读存储介质 | |
CN114880449B (zh) | 智能问答的答复生成方法、装置、电子设备及存储介质 | |
CN113592605A (zh) | 基于相似产品的产品推荐方法、装置、设备及存储介质 | |
CN115392237A (zh) | 情感分析模型训练方法、装置、设备及存储介质 | |
CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
CN114708073B (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
CN114219367A (zh) | 用户评分方法、装置、设备及存储介质 | |
CN115204971A (zh) | 产品推荐方法、装置、电子设备及计算机可读存储介质 | |
CN114676307A (zh) | 基于用户检索的排序模型训练方法、装置、设备及介质 | |
CN113888265A (zh) | 产品推荐方法、装置、设备及计算机可读存储介质 | |
CN114006986A (zh) | 外呼合规预警方法、装置、设备及存储介质 | |
CN114186860A (zh) | 基于组件化平台的业务下放方法、装置、设备及介质 | |
CN114612225A (zh) | 产品推荐方法、装置、电子设备及计算机可读存储介质 | |
CN114187912A (zh) | 基于语音对话的知识推荐方法、装置、设备及存储介质 | |
CN117273503A (zh) | 贷前经营质量检测方法、装置、设备及存储介质 | |
CN113609274A (zh) | 智能问答方法、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 |