CN114297509A - 用户兴趣向量生成方法、产品推荐方法、装置、设备、介质 - Google Patents
用户兴趣向量生成方法、产品推荐方法、装置、设备、介质 Download PDFInfo
- Publication number
- CN114297509A CN114297509A CN202210093151.0A CN202210093151A CN114297509A CN 114297509 A CN114297509 A CN 114297509A CN 202210093151 A CN202210093151 A CN 202210093151A CN 114297509 A CN114297509 A CN 114297509A
- Authority
- CN
- China
- Prior art keywords
- user
- vector
- product
- processed
- behavior information
- 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
Abstract
本申请涉及一种用户兴趣向量生成方法、产品推荐方法、装置、设备、介质。所述方法包括:获取用户特征以及历史行为信息,所述历史行为信息包括与目标行为相关的产品;对所述历史行为信息中所涉及的产品进行聚类,得到待处理分类;获取每一所述待处理分类对应的目标产品向量;根据所述目标产品向量和所述用户特征得到用户兴趣向量。所述产品推荐方法包括:获取待推荐产品的待处理向量;根据用户兴趣向量生成方法,计算得到用户兴趣向量;根据每一用户兴趣向量与所述待处理向量,计算得到待推荐产品;将所述待推荐产品发送至用户终端。采用本方法能够利用先验知识辅助用户表达多兴趣,增强多兴趣的准确性,提高匹配的多样性。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种用户兴趣向量生成方法、产品推荐方法、装置、设备、介质。
背景技术
随着技术的发展,推荐匹配经过从非个性化已转变至个性化。在非个性化阶段,最主要的代表是协同过滤,协同过滤是考虑用户和产品的交互信息来找相似的用户和商品,再利用相似来进行推荐。但随着技术的发展,用户更加专注自己行为,产生了个性化,个性化的代表是embedding技术出现,将用户和产品抽象成一个向量,利用向量内积的方式,计算用户和产品的相似度,该方法能在很大的程度上实现了个性化的需求。
但随着技术的发展,单个用户抽象出一个向量很难表示用户的多个兴趣,在多兴趣中,存在基于胶囊网络的短视频点击序列预测方法,该方法利用卷积神经网络从用户点击序列中抽取上下文特征,再利用序列胶囊网络将上下文特征转换到不同兴趣空间下,并在不同兴趣空间下捕捉用户行为的序列性,得到用户的多兴趣向量表征。该方法也是将一个用户抽象成多个向量表示,但是这样的方法存在二个问题:第一是序列是自动投射没有加入先验知识,按照贝叶斯原理,会导致投射的波动较大,且不具有解释性,第二个问题是对于短序列的用户,其用户的行为比较少,会导致投射的不准确。
发明内容
基于此,有必要针对上述技术问题,提供一种能够生成多个用户兴趣向量的用户兴趣向量生成方法、产品推荐方法、装置、设备、介质。
第一方面,本申请提供了一种用户兴趣向量生成方法,所述用户兴趣向量生成方法包括:
获取用户特征以及历史行为信息,所述历史行为信息包括与目标行为相关的产品;
对所述历史行为信息中所涉及的产品进行聚类,得到待处理分类;
获取每一所述待处理分类对应的目标产品向量;
根据所述目标产品向量和所述用户特征得到用户兴趣向量。
在其中一个实施例中,所述获取用户特征以及历史行为信息之后,还包括:
当所述历史行为信息不满足要求时,获取所述用户特征对应的用户集合;
查询所述用户集合对应的产品集合;
从所述产品集合中进行采样得到历史行为信息。
在其中一个实施例中,所述获取所述用户特征对应的用户集合之前,还包括:
获取待处理用户的待处理用户特征;
根据所述待处理用户特征对所述待处理用户进行分类,得到用户集合;
对每一用户集合中的用户行为所关联的产品进行筛选,得到产品集合。
在其中一个实施例中,所述方法还包括:
计算产品之间的相似度;
所述对所述历史行为信息中所涉及的产品进行聚类,得到待处理分类,包括:
根据所述产品的相似度,对所述历史行为信息中所涉及的产品进行聚类,得到待处理分类。
在其中一个实施例中,所述获取每一所述待处理分类对应的目标产品向量,包括:
获取每一所述待处理分类中的产品对应的产品向量;
对每一所述待处理分类中的产品对应的所述产品向量进行向量变化,得到每一所述待处理分类对应的目标产品向量。
在其中一个实施例中,所述根据所述目标产品向量和所述用户特征得到用户兴趣向量,包括:
将每一所述目标产品向量与所述用户特征对应的用户向量进行融合,得到若干模型输入向量;
对每一所述模型输入向量进行特征提取得到用户兴趣向量。
第二方面,本申请还提供了一种产品推荐方法,所述方法包括:
获取待推荐产品的待处理向量;
根据上述的用户兴趣向量生成方法,计算得到用户兴趣向量;
根据每一用户兴趣向量与所述待处理向量,计算得到待推荐产品;
将所述待推荐产品发送至用户终端。
第三方面,本申请还提供了一种用户兴趣向量生成装置,所述用户兴趣向量生成装置包括:
信息获取模块,用于获取用户特征以及历史行为信息,所述历史行为信息包括与目标行为相关的产品;
聚类模块,用于对所述历史行为信息中所涉及的产品进行聚类,得到待处理分类;
向量获取模块,用于获取每一所述待处理分类对应的目标产品向量;
用户兴趣向量生成模块,用于根据所述目标产品向量和所述用户特征得到用户兴趣向量。
第四方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任意一个实施例中所述的方法的步骤。
第五方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一个实施例中所述的方法的步骤。
第六方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述任意一个实施例中所述的方法的步骤。
上述用户兴趣向量生成方法、产品推荐方法、装置、设备、介质,在生成用户兴趣向量时,对历史行为信息中所涉及的产品进行聚类,得到待处理分类,这样每个待处理分类代表用户的用户兴趣,再分别根据每一待处理分类对应的目标产品向量和用户特征得到用户兴趣向量,从而使得用户兴趣向量存在多个,利用先验知识辅助用户表达多兴趣,增强多兴趣的准确性,提高匹配的多样性。
附图说明
图1为一个实施例中用户兴趣向量生成方法的应用环境图;
图2为一个实施例中用户兴趣向量生成方法的流程示意图;
图3为一个实施例中产品推荐方法的流程示意图;
图4为另一个实施例中用户兴趣向量生成方法的流程示意图;
图5为一个实施例中用户兴趣向量生成装置的结构框图;
图6为一个实施例中产品推荐装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的用户兴趣向量生成方法以及产品推荐方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。
其中,服务器104可以接收到终端102发送的用户兴趣向量生成请求,或者是产品推荐请求等等,以触发服务器104开启计算用户兴趣向量,其中服务器104获取用户特征以及历史行为信息,历史行为信息包括与目标行为相关的产品;对历史行为信息中所涉及的产品进行聚类,得到待处理分类;获取每一待处理分类对应的目标产品向量;根据目标产品向量和用户特征得到用户兴趣向量。
这样在生成用户兴趣向量时,对历史行为信息中所涉及的产品进行聚类,得到待处理分类,这样每个待处理分类代表用户的用户兴趣,再分别根据每一待处理分类对应的目标产品向量和用户特征得到用户兴趣向量,从而使得用户兴趣向量存在多个,利用先验知识辅助用户表达多兴趣,增强多兴趣的准确性,提高匹配的多样性。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种用户兴趣向量生成方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S202:获取用户特征以及历史行为信息,历史行为信息包括与目标行为相关的产品。
具体地,用户特征是指用户的自然属性和统计属性,其中自然属性包括用户的性别、年龄、地域,统计属性包括用户行为的次数,例如点击量和/或购买次数等等。
历史行为信息是指用户在历史某一时间段内的行为对应的对象,优选地,历史行为信息中还包括历史行为。在其中一个优选的实施例中,历史行为信息包括按照时间顺序依次排序的行为的对象,例如用户在10点至11点这个时间段中依次点击的产品所对应的产品编码,在其他的实施例中,用户在10点至11点这个时间段中所购买的产品所对应的产品编码。
其中,当需要对用户进行产品推荐,或者是用户的用户特征和历史行为信息发生改变时,则获取用户特征以及历史行为信息,以生成用户兴趣向量。其中优选地,在对用户进行产品推荐之前,先根据用户特征以及历史行为信息生成用户兴趣向量,以提高产品推荐的效率。
S204:对历史行为信息中所涉及的产品进行聚类,得到待处理分类。
具体地,聚类可以采用目前已知的聚类方法,在此不做具体限制。聚类的目的是为了使得类间距离最大,类内距离最小,以对历史行为信息中所涉及的产品进行分类,从而根据用户的历史行为来得到用户的多个兴趣。优选地,该聚类方法可以采用K-mean算法。
待处理分类是对用户历史行为所涉及的产品进行分类得到的,该些分类的依据由于是根据用户历史行为所涉及的产品,所以其可以表征用户兴趣,这样可以得到用于表征多个用户兴趣的初始数据。
S206:获取每一待处理分类对应的目标产品向量。
具体地,目标产品向量是与待处理分类的数量对应的,服务器根据每一待处理分类中的产品生成目标产品向量。其中服务器可以先获取到每一待处理分类中的产品,并计算得到产品的产品向量,根据所得到的各个产品向量生成目标产品向量,例如对所得到的产品向量进行向量变换,其中向量变换包括但不限于求平均、求和、Gcn以及din等方式。
S208:根据目标产品向量和用户特征得到用户兴趣向量。
具体地,用户兴趣向量的数量与目标产品向量的数量相等,服务器将各个目标产品向量分别与用户特征进行融合,以得到多个用户兴趣向量。
优选地,服务器将各个目标产品向量分别与用户特征进行拼接融合,并将拼接融合后的向量输入至神经网络中进行特征提取得到用户兴趣向量。其中服务器可以依次将拼接融合后的向量输入至神经网络中进行特征。在其他的实施例中,服务器可以并行将拼接融合后的向量输入至神经网络中,以一次性得到多个用户兴趣向量。
上述用户兴趣向量生成方法,在生成用户兴趣向量时,对历史行为信息中所涉及的产品进行聚类,得到待处理分类,这样每个待处理分类代表用户的用户兴趣,再分别根据每一待处理分类对应的目标产品向量和用户特征得到用户兴趣向量,从而使得用户兴趣向量存在多个,利用先验知识辅助用户表达多兴趣,增强多兴趣的准确性,提高匹配的多样性。
在其中一个实施例中,获取用户特征以及历史行为信息之后,还包括:当历史行为信息不满足要求时,获取用户特征对应的用户集合;查询用户集合对应的产品集合;从产品集合中进行采样得到历史行为信息。
其中服务器可以根据历史行为信息中的信息量来判断历史行为信息是否满足要求,例如当用户行为信息中的数据量较少或者没有用户行为信息时,则根据集体智慧来生成用户对应的历史行为信息或对用户的历史行为信息进行补偿。其中数据量的多少可以根据用户的历史行为信息中所涉及的产品的数量的多少来判断,例如判断用户的历史行为信息中所涉及的产品的数量是否大于阈值,若否,则历史行为信息不满足要求。
用户集合是预先对所有用户进行分类所得到的,其中用户集合是指其中一个用户分类中所涉及的用户的集合。其中,该用户集合是基于用户特征进行分类的,例如根据用户的属性特征进行分类,这样每个用户集合对应特定的用户特征。
产品集合是与用户集合相对应的,用于表征该用户集合中的用户所感兴趣的产品。
其中,当历史行为信息不满足要求时,获取用户特征对应的用户集合。并基于用户集合获取对应的产品集合,最后对所得到的产品集合进行采样得到历史行为信息。
其中,采样的方式可以是按照各个产品的点击量进行采样,例如获取到点击量大于预设值的产品。在其他的实施例中,采样的方式可以是根据业务需求来进行的,在此不做具体的限制。其中优选地,为了提高处理效率,在采样时,服务器可以根据服务器的当前性能来确定采样的数量。
上述实施例中,对于新用户,没有历史行为信息,则对用户按照自然属性进行分桶,每个桶内的所有用户最喜欢的产品组成一个集合,新用户在该集合中采样形成一个序列,作为新用户的序列,也即历史行为信息,能够缓解新用户冷启动的问题。
在其中一个实施例中,获取用户特征对应的用户集合之前,还包括:获取待处理用户的待处理用户特征;根据待处理用户特征对待处理用户进行分类,得到用户集合;对每一用户集合中的用户行为所关联的产品进行筛选,得到产品集合。
具体地,待处理用户可以是指所有的用户,或者是经过采样后的用户。待处理用户特征与上述用户特征类似,均包括自然属性和统计属性,其中此处根据自然属性对待处理用户进行分类得到用户集合。例如服务器对所有的用户按照自然属性分桶(性别、年龄以及地域等)。每个自然属性做切分,例如性别切3段,年龄切10段,地域切20段,总共是600个桶,所有的用户只会分到一个特定的桶,每个桶都有很多用户,其中桶即表示上述的用户集合。
其中,服务器对每一用户集合中的用户行为所关联的产品进行筛选,可以是统计桶内所有用户行为产生的topk(最喜欢)的产品集合。
上述实施例中,预先根据所有用户以及用户对应的行为信息进行分类,得到用户集合和产品集合,以便于后续出现没有历史行为信息的新用户时,可以根据用户集合和产品集合得到新用户所对应的历史行为信息,能够缓解新用户冷启动的问题。
在其中一个实施例中,其特征在于,方法还包括:计算产品之间的相似度。从而对历史行为信息中所涉及的产品进行聚类,得到待处理分类,包括:根据产品的相似度,对历史行为信息中所涉及的产品进行聚类,得到待处理分类。
其中,计算产品之间的相似度可以是利用集体智慧(item协同过滤)等算法,算出每个产品的相似度矩阵,该矩阵会辅助产品做聚类。其中相似度矩阵用于表征两个产品被同一个用户点击的概率。
其中聚类处理可以是根据产品的相似度进行聚类,例如将相似度大于等于一定值的产品聚类到一起得到待处理分类,相似度小于该值的产品则放在不同的待处理分类中。
上述实施例中,通过集体智慧来对用户的历史行为信息进行语义聚类,每个聚类代表初始的用户兴趣,每个聚类结果再与用户的特征(side information)融合作为模型的特征,再经过深度模型,得到多个向量,这些向量代表用户的多个兴趣。
在其中一个实施例中,获取每一待处理分类对应的目标产品向量,包括:获取每一待处理分类中的产品对应的产品向量;对每一待处理分类中的产品对应的产品向量进行向量变化,得到每一待处理分类对应的目标产品向量。
具体地,产品向量是指待处理分类中每一个产品对应的产品向量,其可以是预先生成的,即通过目前的编码方式对产品进行编码得到的,可以表征产品的唯一性。
服务器对每一待处理分类中的产品对应的产品向量进行向量变化,得到每一待处理分类对应的目标产品向量,其中向量变化包括但不限于求平均、求和、Gcn以及din等方式。
在其中一个实施例中,根据目标产品向量和用户特征得到用户兴趣向量,包括:将每一目标产品向量与用户特征对应的用户向量进行融合,得到若干模型输入向量;对每一模型输入向量进行特征提取得到用户兴趣向量。
具体地,输入向量包括多个,每个模型输入向量均是由各自对应的目标产品向量与用户特征融合得到的,这样将向量在和用户特征(side information)一起融合,经过dnn的顶层就是用户的兴趣向量,聚类的个数就是用户兴趣的个数。
上述实施例中,利用协同算法,对用户的序列进行语义聚类,每个聚类代表初始的用户兴趣,每个聚类结果再与用户的特征(side information)融合作为模型的特征,再经过深度模型(DNN,gcn等)产生多个向量,多个向量代表用户的多个兴趣。且对于新用户,没有序列特征,则对用户按照自然用户进行分桶,每个桶内的所有用户最喜欢的item组成一个集合,新用户在该集合中采样形成一个序列,作为新用户的序列,能够缓解新用户冷启动的问题。
在一个实施例中,如图3所示,提供了一种产品推荐方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S302:获取待推荐产品的待处理向量。
S304:根据上述任意一个实施例中的用户兴趣向量生成方法,计算得到用户兴趣向量。
具体地,用户兴趣向量的生成方式可以参见上文,在此不再赘述。
S306:根据每一用户兴趣向量与待处理向量,计算得到待推荐产品。
S308:将待推荐产品发送至用户终端。
具体地,对于待推荐产品的计算,可以是将用户对应的每个用户兴趣向量与每个产品的待处理向量做内积,获取最大内积对应的产品作为待推荐产品,或者是获取内积满足要求的产品作为待推荐产品,从而将计算得到的待推荐产品发送给用户终端。
上述实施例中,通过多个用户兴趣向量来计算得到待推荐产品,保证了待推荐产品的准确性。
为了使得本领域技术人员充分理解本申请,结合图4所示,对本申请做详细的说明:
本申请主要包括两部分,第一部分是集体智慧部分,主要是对所有的用户数据的处理,第二部分是生成用户兴趣向量的流程。
其中体智慧部分包括两个处理流程:
第一个处理流程是对所有的用户按照自然属性分桶(性别,年龄,地域等)。每个自然属性做切分,例如性别切3段,年龄切10段,地域切20段,总共是600个桶,所有的用户只会分到一个特定的桶,每个桶都有很多用户,统计桶内所有用户行为产生的topk(最喜欢)的成品集合。
第二个处理流程是利用集体智慧(item协同过滤)等算法,算出每个item的相似度矩阵,该矩阵会辅助产品做聚类。
第二部分生成用户兴趣向量的流程主要包括:
对于给定的用户,拿到该用户的特征和历史行为序列。
对缺失用户行为序列的补充,用户行为序列特征较少或者没有序列时,则对该用户进行采样。采样的步骤如下:首先对该用户进行分桶,拿出该用户分桶内的产品集合,在该集合中进行采样(可以按照点击量来采样,也可以根据业务的需求),采出长度为m的序列作为用户的历史行为序列,对新用户来说,能很好解决冷激动问题。
对用户历史行为序列进行聚类,聚类的标准是类间距离最大,类内距离最小。例如k-mean等算法都可以实现该聚类的功能。
得到聚类后,每个聚类上对产品的向量变换(求平均,求和,gcn,din等方式),变换后得每个聚类上会得到一个向量,该向量在和用户特征(side information)一起融合,经过dnn的顶层就是用户的兴趣向量,聚类的个数就是用户兴趣的个数。
最后用户有多个兴趣,每个表征用户兴趣的向量和产品向量做一次内积,取最大的一个,即用户点击该产品的概率。
上述实施例中,用户多兴趣的生成:用协同算法,对用户的序列进行语义聚类,每个聚类代表初始的用户兴趣,每个聚类结果再与用户的特征(side information)融合作为模型的特征,再经过深度模型(DNN,gcn等)产生多个向量,多个向量代表用户的多个兴趣。
解决新用户冷启动问题,具体做法如下:对于新用户,没有序列特征,则对用户按照自然用户进行分桶,每个桶内的所有用户最喜欢的产品组成一个集合,新用户在该集合中采样形成一个序列,作为新用户的序列,能够缓解新用户冷启动的问题。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的用户兴趣向量生成方法的用户兴趣向量生成装置以及产品推荐方法的产品推荐装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个用户兴趣向量生成装置和产品推荐装置实施例中的具体限定可以参见上文中对于用户兴趣向量生成方法和产品推荐方法的限定,在此不再赘述。
在一个实施例中,如图5所示,提供了一种用户兴趣向量生成装置,包括:信息获取模块501、聚类模块502、向量获取模块503和用户兴趣向量生成模块504,其中:
信息获取模块501,用于获取用户特征以及历史行为信息,历史行为信息包括与目标行为相关的产品;
聚类模块502,用于对历史行为信息中所涉及的产品进行聚类,得到待处理分类;
向量获取模块503,用于获取每一待处理分类对应的目标产品向量;
用户兴趣向量生成模块504,用于根据目标产品向量和用户特征得到用户兴趣向量。
在其中一个实施例中,上述用户兴趣向量生成装置还包括:
用户集合获取模块,用于当历史行为信息不满足要求时,获取用户特征对应的用户集合;
查询模块,用于查询用户集合对应的产品集合;
采样模块,用于从产品集合中进行采样得到历史行为信息。
在其中一个实施例中,上述用户兴趣向量生成装置还包括:
用户特征获取模块,用于获取待处理用户的待处理用户特征;
分类模块,用于根据待处理用户特征对待处理用户进行分类,得到用户集合;
筛选模块,用于对每一用户集合中的用户行为所关联的产品进行筛选,得到产品集合。
在其中一个实施例中,上述用户兴趣向量生成装置还包括:
相似度计算模块,用于计算产品之间的相似度;
上述聚类模块502还用于根据产品的相似度,对历史行为信息中所涉及的产品进行聚类,得到待处理分类。
在其中一个实施例中,上述向量获取模块503包括:
产品向量获取单元,用于获取每一待处理分类中的产品对应的产品向量;
向量计算单元,用于对每一待处理分类中的产品对应的产品向量进行向量变化,得到每一待处理分类对应的目标产品向量。
在其中一个实施例中,上述用户兴趣向量生成模块504包括:
融合单元,用于将每一目标产品向量与用户特征对应的用户向量进行融合,得到若干模型输入向量;
提取单元,用于对每一模型输入向量进行特征提取得到用户兴趣向量。
在一个实施例中,如图6所示,提供了一种产品推荐装置,包括:待处理向量获取模块601和向量计算模块602,其中:
待处理向量获取模块601,用于获取待推荐产品的待处理向量;
向量计算模块602,用于根据上述任意一个实施例中的用户兴趣向量生成装置,计算得到用户兴趣向量;
待推荐产品计算模块,用于根据每一用户兴趣向量与待处理向量,计算得到待推荐产品;
发送模块,用于将待推荐产品发送至用户终端。
上述用户兴趣向量生成装置和产品推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种用户兴趣向量生成方法和产品推荐方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备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。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取用户特征以及历史行为信息,历史行为信息包括与目标行为相关的产品;对历史行为信息中所涉及的产品进行聚类,得到待处理分类;获取每一待处理分类对应的目标产品向量;根据目标产品向量和用户特征得到用户兴趣向量。
在一个实施例中,处理器执行计算机程序时所实现的获取用户特征以及历史行为信息之后,还包括:当历史行为信息不满足要求时,获取用户特征对应的用户集合;查询用户集合对应的产品集合;从产品集合中进行采样得到历史行为信息。
在一个实施例中,处理器执行计算机程序时所实现的获取用户特征对应的用户集合之前,还包括:获取待处理用户的待处理用户特征;根据待处理用户特征对待处理用户进行分类,得到用户集合;对每一用户集合中的用户行为所关联的产品进行筛选,得到产品集合。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:计算产品之间的相似度;处理器执行计算机程序时所实现的对历史行为信息中所涉及的产品进行聚类,得到待处理分类,包括:根据产品的相似度,对历史行为信息中所涉及的产品进行聚类,得到待处理分类。
在一个实施例中,处理器执行计算机程序时所实现的获取每一待处理分类对应的目标产品向量,包括:获取每一待处理分类中的产品对应的产品向量;对每一待处理分类中的产品对应的产品向量进行向量变化,得到每一待处理分类对应的目标产品向量。
在一个实施例中,处理器执行计算机程序时所实现的根据目标产品向量和用户特征得到用户兴趣向量,包括:将每一目标产品向量与用户特征对应的用户向量进行融合,得到若干模型输入向量;对每一模型输入向量进行特征提取得到用户兴趣向量。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取待推荐产品的待处理向量;根据上述任意一个实施例中的用户兴趣向量生成方法,计算得到用户兴趣向量;根据每一用户兴趣向量与待处理向量,计算得到待推荐产品;将待推荐产品发送至用户终端。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取用户特征以及历史行为信息,历史行为信息包括与目标行为相关的产品;对历史行为信息中所涉及的产品进行聚类,得到待处理分类;获取每一待处理分类对应的目标产品向量;根据目标产品向量和用户特征得到用户兴趣向量。
在一个实施例中,计算机程序被处理器执行时所实现的获取用户特征以及历史行为信息之后,还包括:当历史行为信息不满足要求时,获取用户特征对应的用户集合;查询用户集合对应的产品集合;从产品集合中进行采样得到历史行为信息。
在一个实施例中,计算机程序被处理器执行时所实现的获取用户特征对应的用户集合之前,还包括:获取待处理用户的待处理用户特征;根据待处理用户特征对待处理用户进行分类,得到用户集合;对每一用户集合中的用户行为所关联的产品进行筛选,得到产品集合。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:计算产品之间的相似度;计算机程序被处理器执行时所实现的对历史行为信息中所涉及的产品进行聚类,得到待处理分类,包括:根据产品的相似度,对历史行为信息中所涉及的产品进行聚类,得到待处理分类。
在一个实施例中,计算机程序被处理器执行时所实现的获取每一待处理分类对应的目标产品向量,包括:获取每一待处理分类中的产品对应的产品向量;对每一待处理分类中的产品对应的产品向量进行向量变化,得到每一待处理分类对应的目标产品向量。
在一个实施例中,计算机程序被处理器执行时所实现的根据目标产品向量和用户特征得到用户兴趣向量,包括:将每一目标产品向量与用户特征对应的用户向量进行融合,得到若干模型输入向量;对每一模型输入向量进行特征提取得到用户兴趣向量。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取待推荐产品的待处理向量;根据上述任意一个实施例中的用户兴趣向量生成方法,计算得到用户兴趣向量;根据每一用户兴趣向量与待处理向量,计算得到待推荐产品;将待推荐产品发送至用户终端。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:获取用户特征以及历史行为信息,历史行为信息包括与目标行为相关的产品;对历史行为信息中所涉及的产品进行聚类,得到待处理分类;获取每一待处理分类对应的目标产品向量;根据目标产品向量和用户特征得到用户兴趣向量。
在一个实施例中,计算机程序被处理器执行时所实现的获取用户特征以及历史行为信息之后,还包括:当历史行为信息不满足要求时,获取用户特征对应的用户集合;查询用户集合对应的产品集合;从产品集合中进行采样得到历史行为信息。
在一个实施例中,计算机程序被处理器执行时所实现的获取用户特征对应的用户集合之前,还包括:获取待处理用户的待处理用户特征;根据待处理用户特征对待处理用户进行分类,得到用户集合;对每一用户集合中的用户行为所关联的产品进行筛选,得到产品集合。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:计算产品之间的相似度;计算机程序被处理器执行时所实现的对历史行为信息中所涉及的产品进行聚类,得到待处理分类,包括:根据产品的相似度,对历史行为信息中所涉及的产品进行聚类,得到待处理分类。
在一个实施例中,计算机程序被处理器执行时所实现的获取每一待处理分类对应的目标产品向量,包括:获取每一待处理分类中的产品对应的产品向量;对每一待处理分类中的产品对应的产品向量进行向量变化,得到每一待处理分类对应的目标产品向量。
在一个实施例中,计算机程序被处理器执行时所实现的根据目标产品向量和用户特征得到用户兴趣向量,包括:将每一目标产品向量与用户特征对应的用户向量进行融合,得到若干模型输入向量;对每一模型输入向量进行特征提取得到用户兴趣向量。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:获取待推荐产品的待处理向量;根据上述任意一个实施例中的用户兴趣向量生成方法,计算得到用户兴趣向量;根据每一用户兴趣向量与待处理向量,计算得到待推荐产品;将待推荐产品发送至用户终端。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种用户兴趣向量生成方法,其特征在于,所述用户兴趣向量生成方法包括:
获取用户特征以及历史行为信息,所述历史行为信息包括与目标行为相关的产品;
对所述历史行为信息中所涉及的产品进行聚类,得到待处理分类;
获取每一所述待处理分类对应的目标产品向量;
根据所述目标产品向量和所述用户特征得到用户兴趣向量。
2.根据权利要求1所述的用户兴趣向量生成方法,其特征在于,所述获取用户特征以及历史行为信息之后,还包括:
当所述历史行为信息不满足要求时,获取所述用户特征对应的用户集合;
查询所述用户集合对应的产品集合;
从所述产品集合中进行采样得到历史行为信息。
3.根据权利要求2所述的用户兴趣向量生成方法,其特征在于,所述获取所述用户特征对应的用户集合之前,还包括:
获取待处理用户的待处理用户特征;
根据所述待处理用户特征对所述待处理用户进行分类,得到用户集合;
对每一用户集合中的用户行为所关联的产品进行筛选,得到产品集合。
4.根据权利要求1至3任意一项所述的用户兴趣向量生成方法,其特征在于,所述方法还包括:
计算产品之间的相似度;
所述对所述历史行为信息中所涉及的产品进行聚类,得到待处理分类,包括:
根据所述产品的相似度,对所述历史行为信息中所涉及的产品进行聚类,得到待处理分类。
5.根据权利要求1至4任意一项所述的用户兴趣向量生成方法,其特征在于,所述获取每一所述待处理分类对应的目标产品向量,包括:
获取每一所述待处理分类中的产品对应的产品向量;
对每一所述待处理分类中的产品对应的所述产品向量进行向量变化,得到每一所述待处理分类对应的目标产品向量。
6.根据权利要求1至4任意一项所述的用户兴趣向量生成方法,其特征在于,所述根据所述目标产品向量和所述用户特征得到用户兴趣向量,包括:
将每一所述目标产品向量与所述用户特征对应的用户向量进行融合,得到若干模型输入向量;
对每一所述模型输入向量进行特征提取得到用户兴趣向量。
7.一种产品推荐方法,其特征在于,所述方法包括:
获取待推荐产品的待处理向量;
根据权利要求1至6任意一项所述的用户兴趣向量生成方法,计算得到用户兴趣向量;
根据每一用户兴趣向量与所述待处理向量,计算得到待推荐产品;
将所述待推荐产品发送至用户终端。
8.一种用户兴趣向量生成装置,其特征在于,所述用户兴趣向量生成装置包括:
信息获取模块,用于获取用户特征以及历史行为信息,所述历史行为信息包括与目标行为相关的产品;
聚类模块,用于对所述历史行为信息中所涉及的产品进行聚类,得到待处理分类;
向量获取模块,用于获取每一所述待处理分类对应的目标产品向量;
用户兴趣向量生成模块,用于根据所述目标产品向量和所述用户特征得到用户兴趣向量。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6或7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6或7中任一项所述的方法的步骤。
11.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6或7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210093151.0A CN114297509A (zh) | 2022-01-26 | 2022-01-26 | 用户兴趣向量生成方法、产品推荐方法、装置、设备、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210093151.0A CN114297509A (zh) | 2022-01-26 | 2022-01-26 | 用户兴趣向量生成方法、产品推荐方法、装置、设备、介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114297509A true CN114297509A (zh) | 2022-04-08 |
Family
ID=80978400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210093151.0A Pending CN114297509A (zh) | 2022-01-26 | 2022-01-26 | 用户兴趣向量生成方法、产品推荐方法、装置、设备、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114297509A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114861059A (zh) * | 2022-05-18 | 2022-08-05 | 北京百度网讯科技有限公司 | 资源推荐方法、装置、电子设备及存储介质 |
CN114926234A (zh) * | 2022-05-10 | 2022-08-19 | 南京数睿数据科技有限公司 | 物品信息推送方法、装置、电子设备和计算机可读介质 |
CN116562992A (zh) * | 2023-07-11 | 2023-08-08 | 数据空间研究院 | 一种建模用户新兴趣不确定性的物品推荐方法、装置及介质 |
-
2022
- 2022-01-26 CN CN202210093151.0A patent/CN114297509A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114926234A (zh) * | 2022-05-10 | 2022-08-19 | 南京数睿数据科技有限公司 | 物品信息推送方法、装置、电子设备和计算机可读介质 |
CN114861059A (zh) * | 2022-05-18 | 2022-08-05 | 北京百度网讯科技有限公司 | 资源推荐方法、装置、电子设备及存储介质 |
CN116562992A (zh) * | 2023-07-11 | 2023-08-08 | 数据空间研究院 | 一种建模用户新兴趣不确定性的物品推荐方法、装置及介质 |
CN116562992B (zh) * | 2023-07-11 | 2023-09-29 | 数据空间研究院 | 一种建模用户新兴趣不确定性的物品推荐方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263265B (zh) | 用户标签生成方法、装置、存储介质和计算机设备 | |
CN112785397B (zh) | 一种产品推荐方法、装置及存储介质 | |
US10635952B2 (en) | Cognitive analysis and classification of apparel images | |
CN110162701B (zh) | 内容推送方法、装置、计算机设备和存储介质 | |
CN114297509A (zh) | 用户兴趣向量生成方法、产品推荐方法、装置、设备、介质 | |
CN110909182B (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
CN107357793B (zh) | 信息推荐方法和装置 | |
CN112800342B (zh) | 基于异质信息的推荐方法、系统、计算机设备和存储介质 | |
CN113873330B (zh) | 视频推荐方法、装置、计算机设备和存储介质 | |
WO2023231542A1 (zh) | 表示信息的确定方法、装置、设备及存储介质 | |
CN112749330A (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
CN113656699B (zh) | 用户特征向量确定方法、相关设备及介质 | |
CN113704620A (zh) | 基于人工智能的用户标签更新方法、装置、设备及介质 | |
CN112650942A (zh) | 产品推荐方法、装置、计算机系统和计算机可读存储介质 | |
CN112734519B (zh) | 一种基于卷积自编码器网络的商品推荐方法 | |
CN114693409A (zh) | 产品匹配方法、装置、计算机设备、存储介质和程序产品 | |
CN113327154A (zh) | 基于大数据的电商用户讯息推送方法及系统 | |
CN113822691A (zh) | 用户账号的识别方法、装置、系统和介质 | |
CN111860870A (zh) | 交互行为确定模型的训练方法、装置、设备及介质 | |
CN113516524A (zh) | 用于推送信息的方法和装置 | |
CN116976994A (zh) | 对象推送的方法、装置、计算机设备和存储介质 | |
CN110197056B (zh) | 关系网络和关联身份识别方法、装置、设备和存储介质 | |
CN116664190A (zh) | 电子券推荐方法、装置、计算机设备和存储介质 | |
CN117786204A (zh) | 金融资源对象推荐方法、装置、设备、存储介质和产品 | |
CN117036041A (zh) | 业务信息推送方法、装置、计算机设备和存储介质 |
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 |