CN116775852A - 基于标签的数据推荐方法、装置、设备及存储介质 - Google Patents
基于标签的数据推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116775852A CN116775852A CN202310779698.0A CN202310779698A CN116775852A CN 116775852 A CN116775852 A CN 116775852A CN 202310779698 A CN202310779698 A CN 202310779698A CN 116775852 A CN116775852 A CN 116775852A
- Authority
- CN
- China
- Prior art keywords
- data
- vector
- label
- tag
- recommended
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 247
- 238000012216 screening Methods 0.000 claims abstract description 12
- 230000006399 behavior Effects 0.000 claims description 38
- 238000013507 mapping Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/313—Selection or weighting of terms for indexing
-
- 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
- G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Library & Information Science (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能技术，揭露一种基于标签的数据推荐方法，包括：标记用户对应的用户兴趣标签及每个所述用户兴趣标签的用户兴趣权重；标记待推荐数据集中的每个待推荐数据对应的主题标签及每个所述主题标签的标签权重；基于所述用户兴趣权重构建用户兴趣向量，并基于所述标签权重构建每个所述待推荐数据对应的主题标签向量；计算所述用户兴趣向量与每个所述主题标签向量的向量相似度，得到每个所述主题标签向量对应的推荐系数；基于所述推荐系数对所有所述待推荐数据进行筛选，并将筛选的待推荐数据推荐至所述用户。本发明还提出一种语音转换装置、设备以及介质，可用于金融领域，提高了保险培训文本等数据推荐的准确率。
Description
技术领域
本发明涉及人工智能技术及金融科技领域，尤其涉及一种基于标签的数据推荐方法、装置、电子设备及存储介质。
背景技术
在金融业务领域，为了增强员工用户对业务培训知识学习的兴趣，需要向员工用户推荐他们感兴趣的培训资料数据，因此，需要对员工用户进行数据推荐。
现有的数据推荐方法，如：需要用保险培训文本推荐给员工用户，需要将与用户有相同标签的保险培训文本推荐给具有相同标签的员工用户，而忽略了不同标签的权重，从而导致保险培训文本等数据推荐的准确率较低。
发明内容
本发明提供一种基于标签的数据推荐方法、装置、电子设备及存储介质，其主要目的在于提高了保险培训文本等数据推荐的准确率。
获取用户的用户行为数据，基于预设的标签集对所述用户行为数据进行用户兴趣的标签标记，得到所述用户对应的用户兴趣标签及每个所述用户兴趣标签的用户兴趣权重；
当接收预设类型的待推荐数据集时，基于所述标签集对所述待推荐数据集中的每个待推荐数据进行数据主题的标签标记，得到每个所述待推荐数据对应的主题标签及每个所述主题标签的标签权重；
基于所有所述用户兴趣标签的用户兴趣权重构建用户兴趣向量，并基于每个所述待推荐数据对应的所有主题标签的标签权重构建向量，得到每个所述待推荐数据的主题标签向量；
计算所述用户兴趣向量与每个所述主题标签向量的向量相似度，得到每个所述主题标签向量对应的推荐系数；
基于所述推荐系数对所有所述待推荐数据进行筛选，并将筛选的待推荐数据推荐至所述用户。
可选地，所述基于预设的标签集对所述用户行为数据进行用户兴趣的标签标记，得到所述用户对应的用户兴趣标签及每个所述用户兴趣标签的用户兴趣权重，包括：
对所述用户行为数据进行数据预处理，得到标准用户行为数据；
将所述标准用户行为数据转化为向量，得到用户行为向量；
对所述用户行为向量进行特征提取，得到用户特征向量；
基于所述标签集构建的第一全连接层对所述用户特征向量进行特征映射，以确定所述标签集中每个标签的第一特征映射值；
对每个所述标签的第一特征映射值进行归一化，得到每个所述标签的用户兴趣权重；
将大于预设权重阈值的用户兴趣权重对应的标签确定为所述用户兴趣标签。
可选地，所述基于所述标签集对所述待推荐数据集中的每个待推荐数据进行数据主题的标签标记，得到每个所述待推荐数据对应的主题标签及每个所述主题标签的标签权重，包括：
将所述待推荐数据转化为向量，得到待推荐数据向量；
对所述待推荐数据向量进行特征提取，得到数据主题特征向量；
基于所述标签集构建的第二全连接层对所述数据主题特征向量进行特征映射，以确定所述标签集中每个标签的第二特征映射值；
对每个所述标签的第二特征映射值进行归一化，得到每个所述标签的标签权重；
将大于预设权重阈值的标签权重对应的标签确定为该待推荐数据的主题标签。
可选地，所述基于所有所述用户兴趣标签的用户兴趣权重构建用户兴趣向量，包括：
汇总所有所述用户兴趣标签与所有所述主题标签，并对汇总的所有标签进行去重，得到标准标签集；
将所述标准标签集中所有标签按照预设的标签顺序组合为序列，得到标签序列；
将所述标签序列中标签数量作为向量维度构建空白向量；
获取每个所述用户兴趣标签在所述标签序列中的顺序，将所有所述用户兴趣标签的用户兴趣权重填充至所述空白向量中相应顺序的元素位置，得到初始用户兴趣向量；
将所述初始用户兴趣向量中所有缺失的元素利用预设数值进行填充，得到所述用户兴趣向量。
可选地，所述基于每个所述待推荐数据对应的所有主题标签的标签权重构建向量，得到每个所述待推荐数据的主题标签向量，包括：
获取所述待推荐数据对应的每个主题标签在所述标签序列中的顺序，将该待推荐数据对应所有主题标签的标签权重填充至所述空白向量中相应顺序的元素位置，得到该待推荐数据的初始数据主题向量；
将所述初始数据主题向量中所有缺失的元素利用所述预设数值进行填充，得到所述主题标签向量。
可选地，所述计算所述用户兴趣向量与每个所述主题标签向量的向量相似度，得到每个所述主题标签向量对应的推荐系数，包括：
将所述主题标签向量确定为目标主题标签向量；
获取所述目标主题标签向量与所述用户兴趣向量中元素均为零的元素位置，得到目标元素位置；
将所述目标主题标签向量中所有目标元素位置的元素删除，得到对齐主题标签向量；
将所述用户兴趣向量中所有目标元素位置的元素删除，得到对齐兴趣标签向量；
计算所述对齐主题标签向量与所述对齐兴趣标签向量的向量相似度，得到所述目标主题标签向量对应的推荐系数。
可选地，所述基于所述推荐系数对所有所述待推荐数据进行筛选，并将筛选的待推荐数据推荐至所述用户，包括：
将大于预设推荐系数阈值的推荐系数确定为目标推荐系数；
将所述目标推荐系数对应的主题标签向量确定为推荐主题标签向量；
将所有所述推荐主题标签向量对应的待推荐数据推荐至所述用户的预设终端设备。
为了解决上述问题，本发明还提供一种基于标签的数据推荐装置，所述装置包括：
标签标记模块，用于获取用户的用户行为数据，基于预设的标签集对所述用户行为数据进行用户兴趣的标签标记，得到所述用户对应的用户兴趣标签及每个所述用户兴趣标签的用户兴趣权重；当接收预设类型的待推荐数据集时，基于所述标签集对所述待推荐数据集中的每个待推荐数据进行数据主题的标签标记，得到每个所述待推荐数据对应的主题标签及每个所述主题标签的标签权重；
标签匹配模块，用于基于所有所述用户兴趣标签的用户兴趣权重构建用户兴趣向量，并基于每个所述待推荐数据对应的所有主题标签的标签权重构建向量，得到每个所述待推荐数据的主题标签向量；计算所述用户兴趣向量与每个所述主题标签向量的向量相似度，得到每个所述主题标签向量对应的推荐系数；
数据推荐模块，用于基于所述推荐系数对所有所述待推荐数据进行筛选，并将筛选的待推荐数据推荐至所述用户。
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：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的基于标签的数据推荐方法。
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，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于标签的数据推荐方法。
本发明实施例基于所有所述用户兴趣标签的用户兴趣权重构建用户兴趣向量，并基于每个所述待推荐数据对应的所有主题标签的标签权重构建向量，得到每个所述待推荐数据的主题标签向量；计算所述用户兴趣向量与每个所述主题标签向量的向量相似度，得到每个所述主题标签向量对应的推荐系数；基于所述推荐系数对所有所述待推荐数据进行筛选，并将筛选的待推荐数据推荐至所述用户，与背景技术只利用标签进行数据推荐相比，在基于标签的基础上，利用标签的权重构建向量计算向量相似度，更加全面的衡量了用户和数据的匹配程度，提高了保险培训文本等数据推荐的准确率，因此本发明实施例提出的基于标签的数据推荐方法、装置、电子设备及可读存储介质提高了保险培训文本等数据推荐的准确率。
附图说明
图1为本发明一实施例提供的基于标签的数据推荐方法的流程示意图；
图2为本发明一实施例提供的基于标签的数据推荐装置的模块示意图；
图3为本发明一实施例提供的实现基于标签的数据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。
本发明实施例提供一种基于标签的数据推荐方法。所述基于标签的数据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。换言之，所述基于标签的数据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，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。
参照图1所示的本发明一实施例提供的基于标签的数据推荐方法的流程示意图，在本发明实施例中，所述基于标签的数据推荐方法包括以下步骤：
S1、获取用户的用户行为数据，基于预设的标签集对所述用户行为数据进行用户兴趣的标签标记，得到所述用户对应的用户兴趣标签及每个所述用户兴趣标签的用户兴趣权重；
本发明实施例中所述用户可以为需要进行保险培训文本推荐的员工用户，所述用户行为数据为所述用户在预设时间区间内预设操作行为的数据。
可选地，本发明实施例中所述预设时间区间为距离当前时间预设时间间隔的时间范围。所述预设操作行可以为对不同保险培训文本的阅读、搜索、点赞、收藏等，本发明实施例对此不作限制。
进一步地，本发明实施例中为了确定用户的兴趣，便于对用户进行数据推荐，基于预设的标签集对所述用户行为数据进行用户兴趣的标签标记，得到所述用户对应的用户兴趣标签及每个所述用户兴趣标签的用户兴趣权重。
详细地，本发明实施例中所述基于预设的标签集对所述用户行为数据进行用户兴趣的标签标记，得到所述用户对应的用户兴趣标签及每个所述用户兴趣标签的用户兴趣权重，包括：
对所述用户行为数据进行数据预处理，得到标准用户行为数据；
将所述标准用户行为数据转化为向量，得到用户行为向量；
对所述用户行为向量进行特征提取，得到用户特征向量；
基于所述标签集构建的第一全连接层对所述用户特征向量进行特征映射，以确定所述标签集中每个标签的第一特征映射值；
对每个所述标签的第一特征映射值进行归一化，得到每个所述标签的用户兴趣权重；
将大于预设权重阈值的用户兴趣权重对应的标签确定为所述用户兴趣标签。
本发明实施例中数据预处理包括但不限于：缺失值填充、异常值替换、特征筛选等数据预处理操作，进一步地，本发明实施例可利用独热算法、词袋模型等方法将所述待推荐数据转化为向量，本发明实施例中对转化为向量的方法不作限制。
本发明实施例中可利用bert模型、卷积神经网络模型等深度学习模型对所述用户行为向量进行特征提取，得到用户特征向量，所述第一全连接层的输出节点的数量与所述标签集中标签的数量相同，且每个输出节点与所述标签集中的一个标签一一对应，将所述用户特征向量输入所述第一全连接层后，第一全连接层每个输出节点的输出值即为对应标签的标签权重，本发明实施例中利用SIGMOD函数对第一特征映射值进行归一化。
本发明实施例中所述预设权重阈值为(0,1)范围内的一实数，较佳地，所述预设权重阈值为0.5。
例如：标签集中的共有四个标签，分别为财险、寿险、投保、出险；财险标签对应的用户兴趣权重为0.8，寿险标签对应的用户兴趣权重为0.3，投保标签对应的用户兴趣权重为0.6，出险标签对应的用户兴趣权重为0.4，预设权重阈值为0.5，那么将财险标签及投保标签确定为用户兴趣标签。
S2、当接收预设类型的待推荐数据集时，基于所述标签集对所述待推荐数据集中的每个待推荐数据进行数据主题的标签标记，得到每个所述待推荐数据对应的主题标签及每个所述主题标签的标签权重；
本发明实施例中所述待推荐数据为可以向所述用户进行推荐的数据，本发明实施例中所述待推荐数据为预设类型的数据，所述预设类型可以为文本、数据类型，所述待推荐数据可以为保险培训文本。进一步的，本发明实施例中为了确认每个所述待推荐数据内容主题的标签类型，进而判断是否适合推荐给用户，基于所述标签集对所述待推荐数据集中的每个待推荐数据进行数据主题的标签标记，得到每个所述待推荐数据对应的主题标签及每个所述主题标签的标签权重。
详细地，本发明实施例中所述基于所述标签集对所述待推荐数据集中的每个待推荐数据进行数据主题的标签标记，得到每个所述待推荐数据对应的主题标签及每个所述主题标签的标签权重，包括：
将所述待推荐数据转化为向量，得到待推荐数据向量；
对所述待推荐数据向量进行特征提取，得到数据主题特征向量；
基于所述标签集构建的第二全连接层对所述数据主题特征向量进行特征映射，以确定所述标签集中每个标签的第二特征映射值；
对每个所述标签的第二特征映射值进行归一化，得到每个所述标签的标签权重；
将大于预设权重阈值的标签权重对应的标签确定为该待推荐数据的主题标签。
本发明实施例中可利用独热算法、词袋模型等方法将所述待推荐数据转化为向量，本发明实施例中对转化为向量的方法不作限制。
本发明实施例中可利用bert模型、卷积神经网络模型等深度学习模型对对所述待推荐数据向量进行特征提取，得到数据主题特征向量，所述第二全连接层的输出节点的数量与所述标签集中标签的数量相同，且每个输出节点与所述标签集中的一个标签一一对应，将所述数据主题特征向量输入所述第二全连接层后，第二全连接层每个输出节点的输出值即为对应标签的标签权重，本发明实施例中利用SIGMOD函数对第一特征映射值进行归一化。
S3、基于所有所述用户兴趣标签的用户兴趣权重构建用户兴趣向量，并基于每个所述待推荐数据对应的所有主题标签的标签权重构建向量，得到每个所述待推荐数据的主题标签向量；
本发明实施例中为了更好的表征用户的兴趣，基于所有所述用户兴趣标签的用户兴趣权重构建用户兴趣向量。
详细地，本发明实施例中所述基于所有所述用户兴趣标签的用户兴趣权重构建用户兴趣向量，包括：
汇总所有所述用户兴趣标签与所有所述主题标签，并对汇总的所有标签进行去重，得到标准标签集；
将所述标准标签集中所有标签按照预设的标签顺序组合为序列，得到标签序列；
将所述标签序列中标签数量作为向量维度构建空白向量；
获取每个所述用户兴趣标签在所述标签序列中的顺序，将所有所述用户兴趣标签的用户兴趣权重填充至所述空白向量中相应顺序的元素位置，得到初始用户兴趣向量；
将所述初始用户兴趣向量中所有缺失的元素利用预设数值进行填充，得到所述用户兴趣向量。
本发明实施例中对所述标签顺序不作限制，对所述预设数值不作限制为任一实数，较佳地，所述预设数值为0。
例如：标签序列为[标签A，标签B，标签C，标签D]，对应的空白向量为共有两个用户兴趣标签分别为标签A、标签D，标签A的用户兴趣权重为0.8，标签B的用户兴趣权重为0.7，那么将0.8及0.7分别填充至空白向量中的第一个元素位置及第四个元素位置，得到初始用户兴趣向量/>将所述初始用户兴趣向量中空缺的元素用0填充，得到用户兴趣向量为/>
进一步地，本发明实施例中所述基于每个所述待推荐数据对应的所有主题标签的标签权重构建向量，得到每个所述待推荐数据的主题标签向量，包括：
获取所述待推荐数据对应的每个主题标签在所述标签序列中的顺序，将该待推荐数据对应所有主题标签的标签权重填充至所述空白向量中相应顺序的元素位置，得到该待推荐数据的初始数据主题向量；
将所述初始数据主题向量中所有缺失的元素利用所述预设数值进行填充，得到所述主题标签向量。
例如：例如：标签序列为[标签A，标签B，标签C，标签D]，对应的空白向量为待推荐数据A共有两个主题标签分别为标签A、标签C，标签A的标签权重为0.75，标签C的标签权重为0.85，那么将0.75及0.85分别填充至空白向量中的第一个元素位置及第三个元素位置，得到待推荐数据A的初始数据主题向量/>将待推荐数据A的初始数据主题向量中空缺的元素用0填充，得到待推荐数据A的主题标签向量为/>
S4、计算所述用户兴趣向量与每个所述主题标签向量的向量相似度，得到每个所述主题标签向量对应的推荐系数；
本发明实施例中为了衡量用户与待推荐数据的契合程度，计算所述用户兴趣向量与每个所述主题标签向量的向量相似度，得到每个所述主题标签向量对应的推荐系数。
本发明一实施例中为了降低向量相似度计算的维度，需要把用户兴趣向量与主题标签向量进行维度压缩，已去除无关元素的影响，所述计算所述用户兴趣向量与每个所述主题标签向量的向量相似度，得到每个所述主题标签向量对应的推荐系数，包括：
将所述主题标签向量确定为目标主题标签向量；
获取所述目标主题标签向量与所述用户兴趣向量中元素均为零的元素位置，得到目标元素位置；
将所述目标主题标签向量中所有目标元素位置的元素删除，得到对齐主题标签向量；
将所述用户兴趣向量中所有目标元素位置的元素删除，得到对齐兴趣标签向量；
计算所述对齐主题标签向量与所述对齐兴趣标签向量的向量相似度，得到所述目标主题标签向量对应的推荐系数。
例如：所述目标主题标签向量为所述用户兴趣向量为/>那么所述目标主题标签向量与所述用户兴趣向量中元素均为零的元素位置为第一列第二行的位置，将所述目标主题标签向量中第一列第二行的位置的元素删除，得到对齐主题标签向量/>将所述用户兴趣向量中第一列第二行的元素删除，得到对齐兴趣标签向量/>计算所述对齐主题标签向量/>与所述对齐兴趣标签向量/>的向量相似度，得到目标主题标签向量的推荐系数。
可选地，本发明实施例中对向量相似度的计算方法不作限制，可利用余弦相似度算法、修正余弦相似度等算法计算向量相似度，本发明实施例对此不作限制。
S5、基于所述推荐系数对所有所述待推荐数据进行筛选，并将筛选的待推荐数据推荐至所述用户。
本发明实施例中为了筛选合适的待推荐数据推荐给用户，基于所述推荐系数对所有所述待推荐数据进行筛选，并将筛选的待推荐数据推荐至所述用户。
详细地，本发明实施例中所述基于所述推荐系数对所有所述待推荐数据进行筛选，并将筛选的待推荐数据推荐至所述用户，包括：
将大于预设推荐系数阈值的推荐系数确定为目标推荐系数；
将所述目标推荐系数对应的主题标签向量确定为推荐主题标签向量；
将所有所述推荐主题标签向量对应的待推荐数据推荐至所述用户的预设终端设备。
例如：待推荐数据为保险推荐文本，将推荐主题标签向量对应的保险推荐文本推荐值所述用户的预设终端设备。
本发明一实施例中所述基于所述推荐系数对所有所述待推荐数据进行筛选，并将筛选的待推荐数据推荐至所述用户，包括：
将所有所述主题标签向量按照对应的推荐系数从大到小进行排列，得到主题标签向量序列；
筛选所述主题标签向量中预设第一排名范围内的主题标签向量，并将筛选的主题标签向量对应的待推荐数据推荐至所述用户的预设终端设备。
本发明一实施例中所述基于所述推荐系数对所有所述待推荐数据进行筛选，并将筛选的待推荐数据推荐至所述用户，包括：
将大于预设推荐系数阈值的推荐系数对应的主题标签向量确定为初始推荐向量；
将所有所述初始推荐向量按照对应的推荐系数从大到小进行排列，得到初始推荐向量序列；
筛选所述初始推荐向量序列中预设第二排名范围内的初始推荐向量，并将筛选的初始推荐向量对应的待推荐数据推荐至所述用户的预设终端设备。
可选地，本发明实施例中所述预设终端设备为可以接收并显示所述待推荐数据的终端设备，包括但不限于：手机、电脑、平板。
如图2所示，是本发明基于标签的数据推荐装置的功能模块图。
本发明所述基于标签的数据推荐装置100可以安装于电子设备中。根据实现的功能，所述基于标签的数据推荐装置可以包括标签标记模块101、标签匹配模块102、数据推荐模块103，本发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：
所述标签标记模块101用于获取用户的用户行为数据，基于预设的标签集对所述用户行为数据进行用户兴趣的标签标记，得到所述用户对应的用户兴趣标签及每个所述用户兴趣标签的用户兴趣权重；当接收预设类型的待推荐数据集时，基于所述标签集对所述待推荐数据集中的每个待推荐数据进行数据主题的标签标记，得到每个所述待推荐数据对应的主题标签及每个所述主题标签的标签权重；
所述标签匹配模块102用于基于所有所述用户兴趣标签的用户兴趣权重构建用户兴趣向量，并基于每个所述待推荐数据对应的所有主题标签的标签权重构建向量，得到每个所述待推荐数据的主题标签向量；计算所述用户兴趣向量与每个所述主题标签向量的向量相似度，得到每个所述主题标签向量对应的推荐系数；
所述数据推荐模块103用于基于所述推荐系数对所有所述待推荐数据进行筛选，并将筛选的待推荐数据推荐至所述用户。
详细地，本发明实施例中所述基于标签的数据推荐装置100中所述的各模块在使用时采用与上述图1中所述的基于标签的数据推荐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3所示，是本发明实现基于标签的数据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和通信接口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，如基于标签的数据推荐程序。
其中，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(SecureDigital，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，例如基于标签的数据推荐程序的代码等，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(Control Unit)，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(例如基于标签的数据推荐程序等)，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。
所述通信总线12可以是外设部件互连标准(PerIPheralComponentInterconnect，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。所述通信总线12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。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
图3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3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、电源故障分类电路、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。
可选地，所述通信接口13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。
可选地，所述通信接口13还可以包括用户接口，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。
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。
所述电子设备中的所述存储器11存储的基于标签的数据推荐程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
获取用户的用户行为数据，基于预设的标签集对所述用户行为数据进行用户兴趣的标签标记，得到所述用户对应的用户兴趣标签及每个所述用户兴趣标签的用户兴趣权重；
当接收预设类型的待推荐数据集时，基于所述标签集对所述待推荐数据集中的每个待推荐数据进行数据主题的标签标记，得到每个所述待推荐数据对应的主题标签及每个所述主题标签的标签权重；
基于所有所述用户兴趣标签的用户兴趣权重构建用户兴趣向量，并基于每个所述待推荐数据对应的所有主题标签的标签权重构建向量，得到每个所述待推荐数据的主题标签向量；
计算所述用户兴趣向量与每个所述主题标签向量的向量相似度，得到每个所述主题标签向量对应的推荐系数；
基于所述推荐系数对所有所述待推荐数据进行筛选，并将筛选的待推荐数据推荐至所述用户。
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，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的，也可以是易失性的。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)。
本发明实施例还可以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：
获取用户的用户行为数据，基于预设的标签集对所述用户行为数据进行用户兴趣的标签标记，得到所述用户对应的用户兴趣标签及每个所述用户兴趣标签的用户兴趣权重；
当接收预设类型的待推荐数据集时，基于所述标签集对所述待推荐数据集中的每个待推荐数据进行数据主题的标签标记，得到每个所述待推荐数据对应的主题标签及每个所述主题标签的标签权重；
基于所有所述用户兴趣标签的用户兴趣权重构建用户兴趣向量，并基于每个所述待推荐数据对应的所有主题标签的标签权重构建向量，得到每个所述待推荐数据的主题标签向量；
计算所述用户兴趣向量与每个所述主题标签向量的向量相似度，得到每个所述主题标签向量对应的推荐系数；
基于所述推荐系数对所有所述待推荐数据进行筛选，并将筛选的待推荐数据推荐至所述用户。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
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。
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。
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。
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)
1.一种基于标签的数据推荐方法，其特征在于，所述方法包括：
获取用户的用户行为数据，基于预设的标签集对所述用户行为数据进行用户兴趣的标签标记，得到所述用户对应的用户兴趣标签及每个所述用户兴趣标签的用户兴趣权重；
当接收预设类型的待推荐数据集时，基于所述标签集对所述待推荐数据集中的每个待推荐数据进行数据主题的标签标记，得到每个所述待推荐数据对应的主题标签及每个所述主题标签的标签权重；
基于所有所述用户兴趣标签的用户兴趣权重构建用户兴趣向量，并基于每个所述待推荐数据对应的所有主题标签的标签权重构建向量，得到每个所述待推荐数据的主题标签向量；
计算所述用户兴趣向量与每个所述主题标签向量的向量相似度，得到每个所述主题标签向量对应的推荐系数；
基于所述推荐系数对所有所述待推荐数据进行筛选，并将筛选的待推荐数据推荐至所述用户。
2.如权利要求1所述的基于标签的数据推荐方法，其特征在于，所述基于预设的标签集对所述用户行为数据进行用户兴趣的标签标记，得到所述用户对应的用户兴趣标签及每个所述用户兴趣标签的用户兴趣权重，包括：
对所述用户行为数据进行数据预处理，得到标准用户行为数据；
将所述标准用户行为数据转化为向量，得到用户行为向量；
对所述用户行为向量进行特征提取，得到用户特征向量；
基于所述标签集构建的第一全连接层对所述用户特征向量进行特征映射，以确定所述标签集中每个标签的第一特征映射值；
对每个所述标签的第一特征映射值进行归一化，得到每个所述标签的用户兴趣权重；
将大于预设权重阈值的用户兴趣权重对应的标签确定为所述用户兴趣标签。
3.如权利要求1中所述的基于标签的数据推荐方法，其特征在于，所述基于所述标签集对所述待推荐数据集中的每个待推荐数据进行数据主题的标签标记，得到每个所述待推荐数据对应的主题标签及每个所述主题标签的标签权重，包括：
将所述待推荐数据转化为向量，得到待推荐数据向量；
对所述待推荐数据向量进行特征提取，得到数据主题特征向量；
基于所述标签集构建的第二全连接层对所述数据主题特征向量进行特征映射，以确定所述标签集中每个标签的第二特征映射值；
对每个所述标签的第二特征映射值进行归一化，得到每个所述标签的标签权重；
将大于预设权重阈值的标签权重对应的标签确定为该待推荐数据的主题标签。
4.如权利要求1所述的基于标签的数据推荐方法，其特征在于，所述基于所有所述用户兴趣标签的用户兴趣权重构建用户兴趣向量，包括：
汇总所有所述用户兴趣标签与所有所述主题标签，并对汇总的所有标签进行去重，得到标准标签集；
将所述标准标签集中所有标签按照预设的标签顺序组合为序列，得到标签序列；
将所述标签序列中标签数量作为向量维度构建空白向量；
获取每个所述用户兴趣标签在所述标签序列中的顺序，将所有所述用户兴趣标签的用户兴趣权重填充至所述空白向量中相应顺序的元素位置，得到初始用户兴趣向量；
将所述初始用户兴趣向量中所有缺失的元素利用预设数值进行填充，得到所述用户兴趣向量。
5.如权利要求4所述的基于标签的数据推荐方法，其特征在于，所述基于每个所述待推荐数据对应的所有主题标签的标签权重构建向量，得到每个所述待推荐数据的主题标签向量，包括：
获取所述待推荐数据对应的每个主题标签在所述标签序列中的顺序，将该待推荐数据对应所有主题标签的标签权重填充至所述空白向量中相应顺序的元素位置，得到该待推荐数据的初始数据主题向量；
将所述初始数据主题向量中所有缺失的元素利用所述预设数值进行填充，得到所述主题标签向量。
6.如权利要求1所述的基于标签的数据推荐方法，其特征在于，所述计算所述用户兴趣向量与每个所述主题标签向量的向量相似度，得到每个所述主题标签向量对应的推荐系数，包括：
将所述主题标签向量确定为目标主题标签向量；
获取所述目标主题标签向量与所述用户兴趣向量中元素均为零的元素位置，得到目标元素位置；
将所述目标主题标签向量中所有目标元素位置的元素删除，得到对齐主题标签向量；
将所述用户兴趣向量中所有目标元素位置的元素删除，得到对齐兴趣标签向量；
计算所述对齐主题标签向量与所述对齐兴趣标签向量的向量相似度，得到所述目标主题标签向量对应的推荐系数。
7.如权利要求1至6中任意一项所述的基于标签的数据推荐方法，其特征在于，所述基于所述推荐系数对所有所述待推荐数据进行筛选，并将筛选的待推荐数据推荐至所述用户，包括：
将大于预设推荐系数阈值的推荐系数确定为目标推荐系数；
将所述目标推荐系数对应的主题标签向量确定为推荐主题标签向量；
将所有所述推荐主题标签向量对应的待推荐数据推荐至所述用户的预设终端设备。
8.一种基于标签的数据推荐装置，其特征在于，包括：
标签标记模块，用于获取用户的用户行为数据，基于预设的标签集对所述用户行为数据进行用户兴趣的标签标记，得到所述用户对应的用户兴趣标签及每个所述用户兴趣标签的用户兴趣权重；当接收预设类型的待推荐数据集时，基于所述标签集对所述待推荐数据集中的每个待推荐数据进行数据主题的标签标记，得到每个所述待推荐数据对应的主题标签及每个所述主题标签的标签权重；
标签匹配模块，用于基于所有所述用户兴趣标签的用户兴趣权重构建用户兴趣向量，并基于每个所述待推荐数据对应的所有主题标签的标签权重构建向量，得到每个所述待推荐数据的主题标签向量；计算所述用户兴趣向量与每个所述主题标签向量的向量相似度，得到每个所述主题标签向量对应的推荐系数；
数据推荐模块，用于基于所述推荐系数对所有所述待推荐数据进行筛选，并将筛选的待推荐数据推荐至所述用户。
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标签的数据推荐方法。
10.一种计算机可读存储介质，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如权利要求1至7中任一项所述的基于标签的数据推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310779698.0A CN116775852A (zh) | 2023-06-28 | 2023-06-28 | 基于标签的数据推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310779698.0A CN116775852A (zh) | 2023-06-28 | 2023-06-28 | 基于标签的数据推荐方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116775852A true CN116775852A (zh) | 2023-09-19 |
Family
ID=88009656
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310779698.0A Pending CN116775852A (zh) | 2023-06-28 | 2023-06-28 | 基于标签的数据推荐方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116775852A (zh) |
-
2023
- 2023-06-28 CN CN202310779698.0A patent/CN116775852A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115002200B (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
| CN113378970B (zh) | 语句相似性检测方法、装置、电子设备及存储介质 | |
| CN115081025A (zh) | 基于数字中台的敏感数据管理方法、装置及电子设备 | |
| CN113886708A (zh) | 基于用户信息的产品推荐方法、装置、设备及存储介质 | |
| CN114781832A (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
| CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CN116362684A (zh) | 一种基于图书馆集群的图书管理方法、装置、设备及存储介质 | |
| CN115018588A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
| CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
| CN113656690B (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
| CN113505273B (zh) | 基于重复数据筛选的数据排序方法、装置、设备及介质 | |
| CN112633988A (zh) | 用户产品推荐方法、装置、电子设备及可读存储介质 | |
| CN116578696A (zh) | 文本摘要生成方法、装置、设备及存储介质 | |
| CN113657546B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
| CN114219367A (zh) | 用户评分方法、装置、设备及存储介质 | |
| CN114780688A (zh) | 基于规则匹配的文本质检方法、装置、设备及存储介质 | |
| CN114722280A (zh) | 基于用户画像的课程推荐方法、装置、设备及存储介质 | |
| CN114708073A (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
| CN114595321A (zh) | 问题标注方法、装置、电子设备及存储介质 | |
| CN113434660A (zh) | 基于多领域分类的产品推荐方法、装置、设备及存储介质 | |
| CN113706207A (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
| CN116775852A (zh) | 基于标签的数据推荐方法、装置、设备及存储介质 | |
| CN114723488B (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
| CN114781833B (zh) | 基于业务人员的能力测评方法、装置、设备及存储介质 | |
| CN113486266B (zh) | 页面标签添加方法、装置、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 |