CN114637917A - 基于人工智能的资讯头条推荐方法及装置 - Google Patents

基于人工智能的资讯头条推荐方法及装置 Download PDF

Info

Publication number
CN114637917A
CN114637917A CN202210310381.8A CN202210310381A CN114637917A CN 114637917 A CN114637917 A CN 114637917A CN 202210310381 A CN202210310381 A CN 202210310381A CN 114637917 A CN114637917 A CN 114637917A
Authority
CN
China
Prior art keywords
user
information
category
characteristic
headline
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
Application number
CN202210310381.8A
Other languages
English (en)
Inventor
滕建德
王欣
王增峰
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.)
Bank of China Ltd
Original Assignee
Bank of China 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 Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202210310381.8A priority Critical patent/CN114637917A/zh
Publication of CN114637917A publication Critical patent/CN114637917A/zh
Pending legal-status Critical Current

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
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Abstract

本发明公开了一种基于人工智能的资讯头条推荐方法及装置，涉及人工智能技术领域，其中该方法包括：获取用户特征属性；根据特征属性映射关系表，将用户特征属性映射成特征属性对应的数值；利用信息增益函数对映射成对应数值的特征属性进行提取，得出按照信息增益值进行筛选后的用户特征属性；将按照信息增益值进行筛选后的用户特征属性输入预先建立的用户类别识别模型，预测得到所述用户的类别；根据预测得到的所述用户的类别及用户点击资讯头条的历史行为数据，确定所述用户感兴趣的资讯头条类别；将所述用户感兴趣的资讯头条类别下最新的资讯头条推荐给所述用户。本发明可以精准地为不同用户推荐合适的资讯头条，提高了用户体验。

Description

基于人工智能的资讯头条推荐方法及装置
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的资讯头条推荐方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
目前手机银行APP首页中的资讯头条，只是将最新的资讯置为头条进行轮播，缺乏针对性。资讯的最终目的是为了吸引更多的客户，目前无法针对每一个客户推荐适合客户的资讯作为头条，导致资讯的作用没实现最大化。
发明内容
本发明实施例提供一种基于人工智能的资讯头条推荐方法，用以精准地为不同用户推荐合适的资讯头条，该方法包括：
获取用户特征属性；
根据特征属性映射关系表，将用户特征属性映射成特征属性对应的数值；
利用信息增益函数对映射成对应数值的特征属性进行提取，得出按照信息增益值进行筛选后的用户特征属性；
将按照信息增益值进行筛选后的用户特征属性输入预先建立的用户类别识别模型，预测得到所述用户的类别；所述用户类别识别模型根据多个用户类别的特征属性样本预先建立；
根据预测得到的所述用户的类别及用户点击资讯头条的历史行为数据，确定所述用户感兴趣的资讯头条类别；
将所述用户感兴趣的资讯头条类别下最新的资讯头条推荐给所述用户。
本发明实施例还提供一种基于人工智能的资讯头条推荐装置，用以精准地为不同用户推荐合适的资讯头条，该装置包括：
获取单元，用于获取用户特征属性；
数据映射单元，用于根据特征属性映射关系表，将用户特征属性映射成特征属性对应的数值；
特征属性提取单元，用于利用信息增益函数对映射成对应数值的特征属性进行提取，得出按照信息增益值进行筛选后的用户特征属性；
用户类别预测单元，用于将按照信息增益值进行筛选后的用户特征属性输入预先建立的用户类别识别模型，预测得到所述用户的类别；所述用户类别识别模型根据多个用户类别的特征属性样本预先建立；
资讯头条类别确定单元，用于根据预测得到的所述用户的类别及用户点击资讯头条的历史行为数据，确定所述用户感兴趣的资讯头条类别；
推荐单元，用于将所述用户感兴趣的资讯头条类别下最新的资讯头条推荐给所述用户。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在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基于人工智能的资讯头条推荐方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于人工智能的资讯头条推荐方法。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述基于人工智能的资讯头条推荐方法。
本发明实施例中，基于人工智能的资讯头条推荐方案，与现有技术中将最新的资讯置为头条进行轮播，缺乏针对性的技术方案相比，通过：获取用户特征属性；根据特征属性映射关系表，将用户特征属性映射成特征属性对应的数值；利用信息增益函数对映射成对应数值的特征属性进行提取，得出按照信息增益值进行筛选后的用户特征属性；将按照信息增益值进行筛选后的用户特征属性输入预先建立的用户类别识别模型，预测得到所述用户的类别；根据预测得到的所述用户的类别及用户点击资讯头条的历史行为数据，确定所述用户感兴趣的资讯头条类别；将所述用户感兴趣的资讯头条类别下最新的资讯头条推荐给所述用户。本发明可以精准地为不同用户推荐合适的资讯头条，提高了用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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。在附图中：
图1为本发明实施例中基于人工智能的资讯头条推荐方法的流程示意图；
图2为本发明实施例中建立用户类别识别模型的流程示意图；
图3为本发明实施例中确定用户感兴趣的资讯头条类别的流程示意图；
图4为本发明实施例中基于人工智能的资讯头条推荐装置的结构示意图；
图5为本发明另一实施例中基于人工智能的资讯头条推荐装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
本发明实施例提供一种基于人工智能的资讯头条推荐的方案。该方案首先根据用户的属性信息将用户分类，然后利用分类后的数据训练模型，模型预测输出用户的所属类别。根据分类后的数据，计算每一类用户所点击的资讯头条类别及该类用户对每种资讯类别的喜爱程度。最后根据用户的所属类别，每一类用户所点击的资讯头条类别及该类用户对每种资讯类别的喜爱程度，向用户推荐该类用户喜爱程度最大的资讯。针对每一个用户推荐用户喜欢的头条资讯，吸引用户，实现资讯价值最大化。下面对该基于人工智能的资讯头条推荐方案进行详细介绍。
图1为本发明实施例中基于人工智能的资讯头条推荐方法的流程示意图，如图1所示，该方法包括如下步骤：
步骤101：获取用户特征属性；
步骤102：根据特征属性映射关系表，将用户特征属性映射成特征属性对应的数值；
步骤103：利用信息增益函数对映射成对应数值的特征属性进行提取，得出按照信息增益值进行筛选后的用户特征属性；
步骤104：将按照信息增益值进行筛选后的用户特征属性输入预先建立的用户类别识别模型，预测得到所述用户的类别；所述用户类别识别模型根据多个用户类别的特征属性样本预先建立；
步骤105：根据预测得到的所述用户的类别及用户点击资讯头条的历史行为数据，确定所述用户感兴趣的资讯头条类别；
步骤106：将所述用户感兴趣的资讯头条类别下最新的资讯头条推荐给所述用户。
本发明实施例提供的基于人工智能的资讯头条推荐方法，工作时：获取用户特征属性；根据特征属性映射关系表，将用户特征属性映射成特征属性对应的数值；利用信息增益函数对映射成对应数值的特征属性进行提取，得出按照信息增益值进行筛选后的用户特征属性；将按照信息增益值进行筛选后的用户特征属性输入预先建立的用户类别识别模型，预测得到所述用户的类别；根据预测得到的所述用户的类别及用户点击资讯头条的历史行为数据，确定所述用户感兴趣的资讯头条类别；将所述用户感兴趣的资讯头条类别下最新的资讯头条推荐给所述用户。
与现有技术中将最新的资讯置为头条进行轮播，缺乏针对性的技术方案相比，本发明提供的基于人工智能的资讯头条推荐方法可以精准地为不同用户推荐合适的资讯头条，提高了用户体验。下面结合图2至图3对该基于人工智能的资讯头条推荐方法进行详细介绍。
一、首先，介绍预先建立用户类别识别模型的步骤。
在一个实施例中，如图2所示，上述基于人工智能的资讯头条推荐方法还可以包括按照如下方法预先建立用户类别识别模型：
步骤201：获取多个用户类别的特征属性样本；
步骤202：根据特征属性映射关系表，将每一用户对应的特征属性映射成对应的数值；
步骤203：利用信息增益函数对映射成对应数值的特征属性进行提取，得出按照信息增益值进行筛选后的用户特征属性，形成筛选后的用户特征属性样本；
步骤204：将筛选后的用户特征属性样本分为训练集和测试集；
步骤205：基于所述训练集，利用决策树分类算法训练模型，得到训练好的用户类别识别模型；
步骤206：利用所述测试集测试优化所述训练好的用户类别识别模型，得到最优的用户类别识别模型。
1、用户分类，即上述步骤201。
根据用户的属性信息，将手机银行APP的所有用户分类，如用户年龄在20-25岁、资产余额在5万以内、基金购买额在5K以内等等的用户为A类；用户年龄在25-30岁、资产余额在5万-10万、基金购买额在5K-1万等等的用户为B类。其中用户属性(特征属性)包括：用户性别、用户年龄、资产余额、基金购买额、工作单位、理财时长等等。
2、数据映射，即上述步骤202。
将分类后的用户数据根据特征属性映射关系表，映射成对应的数值。比如资产余额5万以内映射为0.2，5万-10万映射成0.3，10万以上映射成0.6。映射后的样式如下表1所示：
Figure BDA0003567914030000051
表1
具体实施时，可以把数据一分为二，80％的数据(训练集)用于训练模型，20％的数据(测试集)用于测试模型，该分数据的步骤可以在特征提取的步骤之后。
3、特征提取，即上述步骤203。
对映射后的数据进行特征属性提取，保留客户含金量更高(数据重要程度大于预设值的数据)的特征属性。利用信息增益函数对特征属性进行提取，得出的信息增益值按大到小排序，选择前20个客户的特征属性，当然也可以选择大于预设信息增益阈值的多个客户的特征属性，详见下面实施例的介绍。特征提取后的样式如下表2所示：
Figure BDA0003567914030000052
Figure BDA0003567914030000061
表2
信息增益：是特征选择的一个重要指标，它定义为一个特征能够为分类系统带来多少信息，带来的信息越多，说明该特征越重要，相应的信息增益也就越大。本发明实施例利用信息增益进行特征提取，提高了模型的精度，进而可以提高后续用户类别预测的精度，最终提高资讯头条推荐的精度。
4、训练及优化模型，即上述步骤204-步骤206。
具体实施时，可以利用决策树分类算法，训练模型。利用20％的数据(测试集)测试模型的正确性，持续优化，最终得出一个正确性较高的模型(用户类别识别模型)。
决策树算法：是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本发明实施例利用决策树分类算法训练模型，可以提高模型训练的效率和精度，进而可以高效精确的预测用户分类，提高资讯头条推荐的精度和效率。
二、其次，介绍上述步骤101至步骤104。
具体实施时，上述步骤101的实施请参照上述“一”中“用户分类”内容的描述。上述步骤102的实施请参照上述“一”中“数据映射”内容的描述。
具体实施时，上述步骤103的实施请参照上述“一”中“特征提取”内容的描述。
在一个实施例中，利用信息增益函数对映射成对应数值的特征属性进行提取，得出按照信息增益值进行筛选后的用户特征属性，可以包括：
利用信息增益函数对映射成对应数值的特征属性进行提取，得出按照信息增益值从大到小排序的前N个用户特征属性作为筛选后的用户特征属性；N为大于1的正整数。
在一个实施例中，利用信息增益函数对映射成对应数值的特征属性进行提取，得出按照信息增益值进行筛选后的用户特征属性，可以包括：
利用信息增益函数对映射成对应数值的特征属性进行提取，得出信息增益值大于预设阈值的多个用户特征属性作为筛选后的用户特征属性。
具体实施时，可以根据实际用户需求，在进行特征提取时，可以按照信息增益值从大到小排序的前N个用户特征属性作为筛选后的用户特征属性，当然也可以得出信息增益值大于预设阈值的多个用户特征属性作为筛选后的用户特征属性，特征提取灵活度高。
具体实施时，上述步骤104即为利用上述“一”中“训练及优化模型”步骤得到的用户类别识别模型预测得到当前用户的类别。
三、再次，介绍上述步骤105至步骤106。
在一个实施例中，如图3所示，根据预测得到的所述用户的类别及用户点击资讯头条的历史行为数据，确定所述用户感兴趣的资讯头条类别，可以包括：
步骤1051：根据用户点击资讯头条的历史行为数据，确定所述用户对每一种感兴趣的资讯头条类别的喜爱程度；
步骤1052：按照用户对每一种感兴趣的资讯头条类别的喜爱程度，对用户感兴趣的资讯头条类别进行排序筛选，得到筛选后的用户感兴趣的资讯头条类别；
将所述用户感兴趣的资讯头条类别下最新的资讯头条推荐给所述用户，可以包括：将筛选后的用户感兴趣的资讯头条类别下最新的资讯头条推荐给所述用户。
在上述步骤105中，感兴趣资讯计算：
根据分类后的历史用户数据，计算每一类用户所点击的资讯头条类别及该类用户对每种资讯类别的喜爱程度，并将喜爱程度按大到小排序，得到该类用户最喜爱的资讯。其中用户对每种资讯类别的喜爱程度可以通过用户对该资讯的点击次数及浏览时长计算所得。
首先计算该类用户下所有用户对每种资讯类别点击次数总和、浏览时长总和。用户点击次数越多，浏览时长越长，说明用户越感兴趣。
然后根据提前设置好的点击次数和浏览时长的权重，如点击次数和浏览时长的权重分别为0.4和0.6，再利用归一化函数计算每种资讯类别的值，并按大到小排序，值越大，说明用户越感兴趣。
在上述步骤106中，资讯头条推荐：
利用模型预测用户的所属类别，根据已计算出的每类用户最感兴趣的资讯类别，即可得出该用户所感兴趣的资讯类别。最终将该用户感兴趣的类别下的最新资讯作为资讯头条推荐给该用户。
综上，本发明实施例提供的基于人工智能的资讯头条推荐方法中，根据用户的属性信息将用户分类；利用分类后的数据训练模型；根据分类后的数据，计算每一类用户所点击的资讯头类别及该类用户对每种资讯类别的喜爱程度；模型预测输出用户的所属类别，根据用户的所属类别，向用户推荐该类用户喜爱程度最大的资讯。即基于人工智能将用户分类，根据用户历史行为数据计算每类用户所感兴趣的资讯，最终给用户推荐适合的资讯。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
本发明实施例中还提供了一种基于人工智能的资讯头条推荐装置，如下面的实施例所述。由于该装置解决问题的原理与基于人工智能的资讯头条推荐方法相似，因此该装置的实施可以参见基于人工智能的资讯头条推荐方法的实施，重复之处不再赘述。
图4为本发明实施例中基于人工智能的资讯头条推荐装置的结构示意图，如图4所示，该装置包括：
获取单元01，用于获取用户特征属性；
数据映射单元02，用于根据特征属性映射关系表，将用户特征属性映射成特征属性对应的数值；
特征属性提取单元03，用于利用信息增益函数对映射成对应数值的特征属性进行提取，得出按照信息增益值进行筛选后的用户特征属性；
用户类别预测单元04，用于将按照信息增益值进行筛选后的用户特征属性输入预先建立的用户类别识别模型，预测得到所述用户的类别；所述用户类别识别模型根据多个用户类别的特征属性样本预先建立；
资讯头条类别确定单元05，用于根据预测得到的所述用户的类别及用户点击资讯头条的历史行为数据，确定所述用户感兴趣的资讯头条类别；
推荐单元06，用于将所述用户感兴趣的资讯头条类别下最新的资讯头条推荐给所述用户。
在一个实施例中，如图5所示，上述基于人工智能的资讯头条推荐装置还可以包括建立单元01’，用于按照如下方法预先建立用户类别识别模型：
获取多个用户类别的特征属性样本；
根据特征属性映射关系表，将每一用户对应的特征属性映射成对应的数值；
利用信息增益函数对映射成对应数值的特征属性进行提取，得出按照信息增益值进行筛选后的用户特征属性，形成筛选后的用户特征属性样本；
将筛选后的用户特征属性样本分为训练集和测试集；
基于所述训练集，利用决策树分类算法训练模型，得到训练好的用户类别识别模型；
利用所述测试集测试优化所述训练好的用户类别识别模型，得到最优的用户类别识别模型。
在一个实施例中，所述特征属性提取单元具体用于：
利用信息增益函数对映射成对应数值的特征属性进行提取，得出按照信息增益值从大到小排序的前N个用户特征属性作为筛选后的用户特征属性；N为大于1的正整数。
在一个实施例中，所述特征属性提取单元具体用于：
利用信息增益函数对映射成对应数值的特征属性进行提取，得出信息增益值大于预设阈值的多个用户特征属性作为筛选后的用户特征属性。
在一个实施例中，所述资讯头条类别确定单元具体用于：
根据用户点击资讯头条的历史行为数据，确定所述用户对每一种感兴趣的资讯头条类别的喜爱程度；
按照用户对每一种感兴趣的资讯头条类别的喜爱程度，对用户感兴趣的资讯头条类别进行排序筛选，得到筛选后的用户感兴趣的资讯头条类别；
所述推荐单元具体用于：将筛选后的用户感兴趣的资讯头条类别下最新的资讯头条推荐给所述用户。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在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基于人工智能的资讯头条推荐方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于人工智能的资讯头条推荐方法。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述基于人工智能的资讯头条推荐方法。
本发明实施例中，基于人工智能的资讯头条推荐方案，与现有技术中将最新的资讯置为头条进行轮播，缺乏针对性的技术方案相比，通过：获取用户特征属性；根据特征属性映射关系表，将用户特征属性映射成特征属性对应的数值；利用信息增益函数对映射成对应数值的特征属性进行提取，得出按照信息增益值进行筛选后的用户特征属性；将按照信息增益值进行筛选后的用户特征属性输入预先建立的用户类别识别模型，预测得到所述用户的类别；根据预测得到的所述用户的类别及用户点击资讯头条的历史行为数据，确定所述用户感兴趣的资讯头条类别；将所述用户感兴趣的资讯头条类别下最新的资讯头条推荐给所述用户。本发明可以精准地为不同用户推荐合适的资讯头条，提高了用户体验。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (13)

1.一种基于人工智能的资讯头条推荐方法，其特征在于，包括：
获取用户特征属性；
根据特征属性映射关系表，将用户特征属性映射成特征属性对应的数值；
利用信息增益函数对映射成对应数值的特征属性进行提取，得出按照信息增益值进行筛选后的用户特征属性；
将按照信息增益值进行筛选后的用户特征属性输入预先建立的用户类别识别模型，预测得到所述用户的类别；所述用户类别识别模型根据多个用户类别的特征属性样本预先建立；
根据预测得到的所述用户的类别及用户点击资讯头条的历史行为数据，确定所述用户感兴趣的资讯头条类别；
将所述用户感兴趣的资讯头条类别下最新的资讯头条推荐给所述用户。
2.如权利要求1所述的基于人工智能的资讯头条推荐方法，其特征在于，还包括按照如下方法预先建立用户类别识别模型：
获取多个用户类别的特征属性样本；
根据特征属性映射关系表，将每一用户对应的特征属性映射成对应的数值；
利用信息增益函数对映射成对应数值的特征属性进行提取，得出按照信息增益值进行筛选后的用户特征属性，形成筛选后的用户特征属性样本；
将筛选后的用户特征属性样本分为训练集和测试集；
基于所述训练集，利用决策树分类算法训练模型，得到训练好的用户类别识别模型；
利用所述测试集测试优化所述训练好的用户类别识别模型，得到最优的用户类别识别模型。
3.如权利要求1所述的基于人工智能的资讯头条推荐方法，其特征在于，利用信息增益函数对映射成对应数值的特征属性进行提取，得出按照信息增益值进行筛选后的用户特征属性，包括：
利用信息增益函数对映射成对应数值的特征属性进行提取，得出按照信息增益值从大到小排序的前N个用户特征属性作为筛选后的用户特征属性；N为大于1的正整数。
4.如权利要求1所述的基于人工智能的资讯头条推荐方法，其特征在于，利用信息增益函数对映射成对应数值的特征属性进行提取，得出按照信息增益值进行筛选后的用户特征属性，包括：
利用信息增益函数对映射成对应数值的特征属性进行提取，得出信息增益值大于预设阈值的多个用户特征属性作为筛选后的用户特征属性。
5.如权利要求1所述的基于人工智能的资讯头条推荐方法，其特征在于，根据预测得到的所述用户的类别及用户点击资讯头条的历史行为数据，确定所述用户感兴趣的资讯头条类别，包括：
根据用户点击资讯头条的历史行为数据，确定所述用户对每一种感兴趣的资讯头条类别的喜爱程度；
按照用户对每一种感兴趣的资讯头条类别的喜爱程度，对用户感兴趣的资讯头条类别进行排序筛选，得到筛选后的用户感兴趣的资讯头条类别；
将所述用户感兴趣的资讯头条类别下最新的资讯头条推荐给所述用户，包括：将筛选后的用户感兴趣的资讯头条类别下最新的资讯头条推荐给所述用户。
6.一种基于人工智能的资讯头条推荐装置，其特征在于，包括：
获取单元，用于获取用户特征属性；
数据映射单元，用于根据特征属性映射关系表，将用户特征属性映射成特征属性对应的数值；
特征属性提取单元，用于利用信息增益函数对映射成对应数值的特征属性进行提取，得出按照信息增益值进行筛选后的用户特征属性；
用户类别预测单元，用于将按照信息增益值进行筛选后的用户特征属性输入预先建立的用户类别识别模型，预测得到所述用户的类别；所述用户类别识别模型根据多个用户类别的特征属性样本预先建立；
资讯头条类别确定单元，用于根据预测得到的所述用户的类别及用户点击资讯头条的历史行为数据，确定所述用户感兴趣的资讯头条类别；
推荐单元，用于将所述用户感兴趣的资讯头条类别下最新的资讯头条推荐给所述用户。
7.如权利要求6所述的基于人工智能的资讯头条推荐装置，其特征在于，还包括建立单元，用于按照如下方法预先建立用户类别识别模型：
获取多个用户类别的特征属性样本；
根据特征属性映射关系表，将每一用户对应的特征属性映射成对应的数值；
利用信息增益函数对映射成对应数值的特征属性进行提取，得出按照信息增益值进行筛选后的用户特征属性，形成筛选后的用户特征属性样本；
将筛选后的用户特征属性样本分为训练集和测试集；
基于所述训练集，利用决策树分类算法训练模型，得到训练好的用户类别识别模型；
利用所述测试集测试优化所述训练好的用户类别识别模型，得到最优的用户类别识别模型。
8.如权利要求6所述的基于人工智能的资讯头条推荐装置，其特征在于，所述特征属性提取单元具体用于：
利用信息增益函数对映射成对应数值的特征属性进行提取，得出按照信息增益值从大到小排序的前N个用户特征属性作为筛选后的用户特征属性；N为大于1的正整数。
9.如权利要求6所述的基于人工智能的资讯头条推荐装置，其特征在于，所述特征属性提取单元具体用于：
利用信息增益函数对映射成对应数值的特征属性进行提取，得出信息增益值大于预设阈值的多个用户特征属性作为筛选后的用户特征属性。
10.如权利要求6所述的基于人工智能的资讯头条推荐装置，其特征在于，所述资讯头条类别确定单元具体用于：
根据用户点击资讯头条的历史行为数据，确定所述用户对每一种感兴趣的资讯头条类别的喜爱程度；
按照用户对每一种感兴趣的资讯头条类别的喜爱程度，对用户感兴趣的资讯头条类别进行排序筛选，得到筛选后的用户感兴趣的资讯头条类别；
所述推荐单元具体用于：将筛选后的用户感兴趣的资讯头条类别下最新的资讯头条推荐给所述用户。
11.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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权利要求1至5任一所述方法。
12.一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，所述计算机程序被处理器执行时实现权利要求1至5任一所述方法。
13.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至5任一所述方法。
CN202210310381.8A 2022-03-28 2022-03-28 基于人工智能的资讯头条推荐方法及装置 Pending CN114637917A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210310381.8A CN114637917A (zh) 2022-03-28 2022-03-28 基于人工智能的资讯头条推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210310381.8A CN114637917A (zh) 2022-03-28 2022-03-28 基于人工智能的资讯头条推荐方法及装置

Publications (1)

Publication Number Publication Date
CN114637917A true CN114637917A (zh) 2022-06-17

Family

ID=81950726

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210310381.8A Pending CN114637917A (zh) 2022-03-28 2022-03-28 基于人工智能的资讯头条推荐方法及装置

Country Status (1)

Country Link
CN (1) CN114637917A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116167829A (zh) * 2023-04-26 2023-05-26 湖南惟客科技集团有限公司 一种多维多粒度用户行为分析方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116167829A (zh) * 2023-04-26 2023-05-26 湖南惟客科技集团有限公司 一种多维多粒度用户行为分析方法
CN116167829B (zh) * 2023-04-26 2023-08-29 湖南惟客科技集团有限公司 一种多维多粒度用户行为分析方法

Similar Documents

Publication Publication Date Title
CN106651542B (zh) 一种物品推荐的方法及装置
CN105893609B (zh) 一种基于加权混合的移动app推荐方法
CN111444334B (zh) 数据处理方法、文本识别方法、装置及计算机设备
CN108960719B (zh) 选品方法和装置以及计算机可读存储介质
US20200311113A1 (en) Method and device for extracting core word of commodity short text
CN108363821A (zh) 一种信息推送方法、装置、终端设备及存储介质
CN108182175B (zh) 一种文本质量指标获取方法及装置
CN107507016A (zh) 一种消息推送方法和系统
CN103106262B (zh) 文档分类、支持向量机模型生成的方法和装置
CN108304853B (zh) 游戏相关度的获取方法、装置、存储介质和电子装置
CN110737805B (zh) 图模型数据的处理方法、装置和终端设备
CN110647995A (zh) 规则训练方法、装置、设备及存储介质
CN107368526A (zh) 一种数据处理方法及装置
CN111737473B (zh) 文本分类方法、装置及设备
CN111506504A (zh) 基于软件开发过程度量的软件安全性缺陷预测方法及装置
CN106897282B (zh) 一种用户群的分类方法和设备
CN114637917A (zh) 基于人工智能的资讯头条推荐方法及装置
CN112148919A (zh) 一种基于梯度提升树算法的音乐点击率预测方法及装置
CN111105041B (zh) 一种用于智慧数据碰撞的机器学习方法及装置
CN109460474B (zh) 用户偏好趋势挖掘方法
CN111368131A (zh) 用户关系识别方法、装置、电子设备及存储介质
CN107291722B (zh) 一种描述词的分类方法及设备
CN115167965A (zh) 交易进度条的处理方法及装置
CN113962216A (zh) 文本处理方法、装置、电子设备及可读存储介质
CN114780599A (zh) 基于小麦品比试验数据的综合分析系统

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