CN117473168A - 智能特征推荐方法、装置、设备以及存储介质 - Google Patents
智能特征推荐方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN117473168A CN117473168A CN202311811101.2A CN202311811101A CN117473168A CN 117473168 A CN117473168 A CN 117473168A CN 202311811101 A CN202311811101 A CN 202311811101A CN 117473168 A CN117473168 A CN 117473168A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- target user
- policy
- recommendation
- 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 75
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 50
- 238000012549 training Methods 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 11
- 230000006399 behavior Effects 0.000 description 10
- 239000000047 product Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000000586 desensitisation Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011451 sequencing strategy Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012795 verification Methods 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
- G06F16/90—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
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能特征推荐方法、装置、设备以及存储介质,通过响应于接收到目标用户的操作指令,根据所述操作指令获取目标用户关联数据;基于预设的双塔模型,对所述目标用户关联数据进行相似度搜索,生成政务推荐结果,并将所述政务推荐结果反馈至所述目标用户,可以根据目标用户的操作指令,通过双塔模型生成政务推荐结果并反馈至目标用户,为用户提供数据支持和/或政策引导,为用户提供个性化政务服务,在用户对政策内容缺乏了解的情况下辅助引导用户完成需要办理事务,简化用户的办事流程,提高政务办理效率。
Description
技术领域
本发明涉及政务管理技术领域,尤其涉及一种智能特征推荐方法、装置、设备以及存储介质。
背景技术
政务系统中储存大量政策、法规,具有多样性、实时性,容易因对政策内容缺乏了解而导致办事效率低下,或导致流程无法顺利进行。针对个人用户,现有政务系统不能更好地提供个性化服务,用户决策往往基于个人知识,系统难以提供数据支持和政策引导。
因此,有必要提出一种通过在政务系统中为用户提供数据支持和/或政策引导,以提供个性化政务服务的解决方案。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种智能特征推荐方法、装置、设备以及存储介质,旨在通过在政务系统中为用户提供数据支持和/或政策引导,以提供个性化政务服务。
为实现上述目的,本发明提供一种智能特征推荐方法,所述智能特征推荐方法包括:
响应于接收到目标用户的操作指令,根据所述操作指令获取目标用户关联数据;
基于预设的双塔模型,对所述目标用户关联数据进行相似度搜索,生成政务推荐结果,并将所述政务推荐结果反馈至所述目标用户。
可选地,所述基于预设的双塔模型,对所述目标用户关联数据进行相似度搜索,生成政务推荐结果的步骤之前还包括:
获取样本数据集;
采用卷积神经网络构建双塔模型架构,并基于所述样本数据集对所述双塔模型架构进行训练及优化,得到所述双塔模型。
可选地,所述样本数据集包括用户样本数据与政策样本数据,所述获取样本数据集的步骤包括:
采集原始用户数据与原始政策数据;
对所述原始用户数据与原始政策数据进行预处理,得到处理后的原始用户数据与原始政策数据;
对所述处理后的原始用户数据与原始政策数据进行特征处理,得到所述用户样本数据与政策样本数据。
可选地,所述样本数据集包括训练集与测试集,所述基于所述样本数据集对所述双塔模型架构进行训练及优化,得到所述双塔模型的步骤包括:
根据所述训练集对所述双塔模型架构进行训练,得到训练后的双塔模型;
根据所述测试集对所述训练后的双塔模型进行评估,得到评估结果;
根据所述评估结果调整所述训练后的双塔模型的模型参数,得到优化后的双塔模型。
可选地,所述根据所述操作指令获取目标用户关联数据的步骤包括:
识别所述操作指令包含的关键字信息,和/或,读取所述操作指令对应的目标用户的基本信息和/或历史办事数据;
对所述关键字信息、基本信息及历史办事数据中的至少一项进行特征提取,得到关联数据特征;
对所述关联数据特征进行加权处理,得到所述目标用户关联数据。
可选地,所述基于预设的双塔模型,对所述目标用户关联数据进行相似度搜索,生成政务推荐结果的步骤包括:
将所述目标用户关联数据输入所述双塔模型,计算所述目标用户关联数据与预先存储的历史用户数据和/或政策数据的相似度;
根据所述相似度生成所述政务推荐结果。
可选地,所述双塔模型包括用户塔与政策塔,所述将所述目标用户关联数据输入所述双塔模型,计算所述目标用户关联数据与预先存储的历史用户数据和/或政策数据的相似度的步骤包括:
将所述目标用户关联数据输入所述用户塔,匹配所述用户塔中的历史用户数据,和/或,匹配所述政策塔中的政策数据;
根据余弦相似度算法,计算所述目标用户关联数据与历史用户数据和/或政策数据对应的向量内积与向量模积的比值,确定向量方向差异;
根据所述向量方向差异确定所述相似度。
可选地,所述根据所述相似度生成所述政务推荐结果的步骤包括:
根据所述相似度生成初始推荐结果;
识别所述初始推荐结果中是否存在已办理事务;
若所述初始推荐结果中存在已办理事务,则删除所述初始推荐结果中的已办理事务,得到所述政务推荐结果。
可选地,所述基于预设的双塔模型,对所述目标用户关联数据进行相似度搜索,生成政务推荐结果,并将所述政务推荐结果反馈至所述目标用户的步骤之后还包括以下至少一项:
基于所述政务推荐结果引导所述目标用户完成政务办理流程,并记录所述政务办理流程,以供后续的政务推荐过程调用;
通过反馈回路收集所述目标用户对所述政务推荐结果的触发操作和/或反馈信息,以及,获取政策数据更新信息;
根据所述触发操作、反馈信息及政策数据更新信息中的至少一项,对所述双塔模型的模型参数进行更新。
此外,为实现上述目的,本发明还提供一种智能特征推荐装置,所述智能特征推荐装置包括:
响应模块,用于响应于接收到目标用户的操作指令,根据所述操作指令获取目标用户关联数据;
推荐模块,用于基于预设的双塔模型,对所述目标用户关联数据进行相似度搜索,生成政务推荐结果,并将所述政务推荐结果反馈至所述目标用户。
此外,为实现上述目的,本发明还提供一种终端设备,所述终端设备包括存储器、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智能特征推荐程序,所述智能特征推荐程序被所述处理器执行时实现如上所述的智能特征推荐方法的步骤。
此外,为实现上述目的,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上存储有智能特征推荐程序,所述智能特征推荐程序被处理器执行时实现如上所述的智能特征推荐方法的步骤。
本发明实施例提出的一种智能特征推荐方法、装置、设备以及存储介质,通过响应于接收到目标用户的操作指令,根据所述操作指令获取目标用户关联数据;基于预设的双塔模型,对所述目标用户关联数据进行相似度搜索,生成政务推荐结果,并将所述政务推荐结果反馈至所述目标用户,可以根据目标用户的操作指令,通过双塔模型生成政务推荐结果并反馈至目标用户,为用户提供数据支持和/或政策引导,为用户提供个性化政务服务,在用户对政策内容缺乏了解的情况下辅助引导用户完成需要办理事务,简化用户的办事流程,提高政务办理效率。
附图说明
图1为本发明智能特征推荐装置所属终端设备的功能模块示意图;
图2为本发明智能特征推荐方法一示例性实施例的流程示意图;
图3为本发明智能特征推荐方法另一示例性实施例的流程示意图;
图4为图2实施例中步骤S20的具体流程示意图;
图5为本发明实施例中的线上服务模块架构示意图;
图6为本发明实施例中的整体流程示意图。
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。
本发明实施例的主要解决方案是:通过响应于接收到目标用户的操作指令,根据所述操作指令获取目标用户关联数据;基于预设的双塔模型,对所述目标用户关联数据进行相似度搜索,生成政务推荐结果,并将所述政务推荐结果反馈至所述目标用户,可以根据目标用户的操作指令,通过双塔模型生成政务推荐结果并反馈至目标用户,为用户提供数据支持和/或政策引导,为用户提供个性化政务服务,在用户对政策内容缺乏了解的情况下辅助引导用户完成需要办理事务,简化用户的办事流程,提高政务办理效率。
本发明实施例涉及的技术术语:
用户塔(User Tower);
政策塔(Item Tower);
嵌入层(Embedding Layer);
卷积神经网络(Convolutional Neural Networks,CNN);
余弦相似度(Cosine Similarity)。
由于政务系统中储存了大量政策及法规,具有多样性与实时性,容易因对政策内容缺乏了解而导致办事效率低下,或导致流程无法顺利进行。针对个人用户,现有政务系统不能更好地提供个性化服务,用户决策往往基于个人知识,系统难以提供数据支持和政策引导。
本发明提供一种解决方案,通过基于双塔模型,构建用户塔和政策塔。用户塔反映用户的基本信息和实时兴趣,政策塔根据上下文信息和历史办事数据查找推荐的政策依据和相似性政策,综合两塔的相似度计算结果实现推荐。个性化用户办事流程和数据驱动决策支持,简化用户办事流程,提高政策普及度。
具体地,参照图1,图1为本发明智能特征推荐装置所属终端设备的功能模块示意图。该智能特征推荐装置可以为独立于终端设备的、能够进行政务推荐的装置,其可以通过硬件或软件的形式承载于终端设备上。该终端设备可以为手机、平板电脑等具有数据处理功能的智能移动终端,还可以为具有数据处理功能的固定终端设备或服务器等。
在本实施例中,该智能特征推荐装置所属终端设备至少包括输出模块110、处理器120、存储器130以及通信模块140。
存储器130中存储有操作系统以及智能特征推荐程序,智能特征推荐装置可以将目标用户的操作指令、目标用户关联数据以及生成的政务推荐结果等信息存储于该存储器130中;输出模块110可为显示屏等。通信模块140可以包括WIFI模块、移动通信模块以及蓝牙模块等,通过通信模块140与外部设备或服务器进行通信。
其中,存储器130中的智能特征推荐程序被处理器执行时实现以下步骤:
响应于接收到目标用户的操作指令,根据所述操作指令获取目标用户关联数据;
基于预设的双塔模型,对所述目标用户关联数据进行相似度搜索,生成政务推荐结果,并将所述政务推荐结果反馈至所述目标用户。
进一步地,存储器130中的智能特征推荐程序被处理器执行时还实现以下步骤:
获取样本数据集;
采用卷积神经网络构建双塔模型架构,并基于所述样本数据集对所述双塔模型架构进行训练及优化,得到所述双塔模型。
进一步地,存储器130中的智能特征推荐程序被处理器执行时还实现以下步骤:
采集原始用户数据与原始政策数据;
对所述原始用户数据与原始政策数据进行预处理,得到处理后的原始用户数据与原始政策数据;
对所述处理后的原始用户数据与原始政策数据进行特征处理,得到所述用户样本数据与政策样本数据。
进一步地,存储器130中的智能特征推荐程序被处理器执行时还实现以下步骤:
根据所述训练集对所述双塔模型架构进行训练,得到训练后的双塔模型;
根据所述测试集对所述训练后的双塔模型进行评估,得到评估结果;
根据所述评估结果调整所述训练后的双塔模型的模型参数,得到优化后的双塔模型。
进一步地,存储器130中的智能特征推荐程序被处理器执行时还实现以下步骤:
识别所述操作指令包含的关键字信息,和/或,读取所述操作指令对应的目标用户的基本信息和/或历史办事数据;
对所述关键字信息、基本信息及历史办事数据中的至少一项进行特征提取,得到关联数据特征;
对所述关联数据特征进行加权处理,得到所述目标用户关联数据。
进一步地,存储器130中的智能特征推荐程序被处理器执行时还实现以下步骤:
将所述目标用户关联数据输入所述双塔模型,计算所述目标用户关联数据与预先存储的历史用户数据和/或政策数据的相似度;
根据所述相似度生成所述政务推荐结果。
进一步地,存储器130中的智能特征推荐程序被处理器执行时还实现以下步骤:
将所述目标用户关联数据输入所述用户塔,匹配所述用户塔中的历史用户数据,和/或,匹配所述政策塔中的政策数据;
根据余弦相似度算法,计算所述目标用户关联数据与历史用户数据和/或政策数据对应的向量内积与向量模积的比值,确定向量方向差异;
根据所述向量方向差异确定所述相似度。
进一步地,存储器130中的智能特征推荐程序被处理器执行时还实现以下步骤:
根据所述相似度生成初始推荐结果;
识别所述初始推荐结果中是否存在已办理事务;
若所述初始推荐结果中存在已办理事务,则删除所述初始推荐结果中的已办理事务,得到所述政务推荐结果。
进一步地,存储器130中的智能特征推荐程序被处理器执行时还实现以下步骤:
基于所述政务推荐结果引导所述目标用户完成政务办理流程,并记录所述政务办理流程,以供后续的政务推荐过程调用;
通过反馈回路收集所述目标用户对所述政务推荐结果的触发操作和/或反馈信息,以及,获取政策数据更新信息;
根据所述触发操作、反馈信息及政策数据更新信息中的至少一项,对所述双塔模型的模型参数进行更新。
本实施例通过上述方案,具体通过响应于接收到目标用户的操作指令,根据所述操作指令获取目标用户关联数据;基于预设的双塔模型,对所述目标用户关联数据进行相似度搜索,生成政务推荐结果,并将所述政务推荐结果反馈至所述目标用户,可以根据目标用户的操作指令,通过双塔模型生成政务推荐结果并反馈至目标用户,为用户提供数据支持和/或政策引导,为用户提供个性化政务服务,在用户对政策内容缺乏了解的情况下辅助引导用户完成需要办理事务,简化用户的办事流程,提高政务办理效率。
基于上述终端设备架构但不限于上述架构,提出本发明方法实施例。
本实施例方法的执行主体可以为一种智能特征推荐装置或终端设备等,本实施例以智能特征推荐装置进行举例。
参照图2,图2为本发明智能特征推荐方法一示例性实施例的流程示意图。所述智能特征推荐方法包括:
步骤S10,响应于接收到目标用户的操作指令,根据所述操作指令获取目标用户关联数据;
具体地,当某一目标用户需要办理政务时,可以在政务系统中通过输入关键字和/或触发控件以生成相应的操作指令,进而根据操作指令可以获取目标用户关联数据。
可选地,根据所述操作指令获取目标用户关联数据的步骤包括:
识别所述操作指令包含的关键字信息,和/或,读取所述操作指令对应的目标用户的基本信息和/或历史办事数据;
对所述关键字信息、基本信息及历史办事数据中的至少一项进行特征提取,得到关联数据特征;
对所述关联数据特征进行加权处理,得到所述目标用户关联数据。
可选地,用户的基本信息包括用户的个人信息、社群信息以及位置信息等,其中,个人信息包含姓名、年龄、性别、所在区域、职业等,社群信息包括用户的家庭或社交关系信息,包括家人、朋友及工作人际关系等信息,位置信息包括用户办事的地点等相关位置,通过此类信息,可以作为用户特征与政策信息进行关联。
可选地,历史办事数据包括用户在系统中的行为记录,包括用户的办事记录、浏览记录、搜索记录、系统聊天记录、点击行为等,可以了解用户的偏好,作为政策推荐的根据。
可选地,对于收集到的关键字信息、基本信息及历史办事数据,可以进行数据预处理及特征提取,可选地,数据预处理包括通过编写脚本进行数据清洗、转换、脱敏,处理异常和缺失值;可选地,由于简单特征表示可能无法充分捕捉用户和政策间的复杂关系,可以引入注意力机制(Attention),如使用图注意力网络(GAN),BERT等模型,使用多头注意力机制计算注意力权重,可以使用加权平均或加权求和等方法将权重应用于输入特征,并将加权后的特征作为双塔模型输入。
步骤S20,基于预设的双塔模型,对所述目标用户关联数据进行相似度搜索,生成政务推荐结果,并将所述政务推荐结果反馈至所述目标用户。
进一步地,根据操作指令获取到目标用户关联数据后,即可通过双塔模型对目标用户关联数据进行相似度搜索,生成政务推荐结果,进而反馈至目标用户。
可选地,本发明实施例中提供的双塔模型是一种用于推荐系统的模型架构,由两个独立的塔组成,通过神经网络学习用户和政策的特征抽象表示。其中一个塔用于处理用户特征,另一个塔用于处理政策特征。通过将用户和政策的特征经过嵌入和神经网络层的处理,生成用户和政策的潜在向量表示。然后通过计算这两个向量的夹角余弦值来评估它们的相似度,从而得到预测的排序分数。
可选地,本发明实施例中通过收集用户特征和政策特征,使用Word2Vec模型进行向量化,进而构建用户塔(User Tower)和政策塔(Item Tower)实现特征嵌入,接收用户和政策的输入索引,返回对应的向量表示,使用余弦相似度计算用户与相似用户,历史关注政策和所有政策间的相似度,加权计算相关性分数,得到K个最相关政策和办事内容,实现个性化推荐。
可选地,构建用于将文本内容向量化的用户塔和政策塔,本发明实施例中采用两个卷积神经网络模型。首先将用户和政策特征用向量表示,然后利用神经网络预测用户与政策向量间的关系,通过训练优化模型参数,使得用户和政策的表示向量能够在向量空间中更好地表达它们之间的关系。使用Pytorch构建模型,卷积层中,定义通道数、卷积核大小、步长等参数,添加池化层、dropout层和线性全连接层,定义最终输出向量的维度。使用交叉熵损失函数和Adam优化器。
在本实施例中,通过响应于接收到目标用户的操作指令,根据所述操作指令获取目标用户关联数据;基于预设的双塔模型,对所述目标用户关联数据进行相似度搜索,生成政务推荐结果,并将所述政务推荐结果反馈至所述目标用户,可以根据目标用户的操作指令,通过双塔模型生成政务推荐结果并反馈至目标用户,为用户提供数据支持和/或政策引导,为用户提供个性化政务服务,在用户对政策内容缺乏了解的情况下辅助引导用户完成需要办理事务,简化用户的办事流程,提高政务办理效率。
参照图3,图3为本发明智能特征推荐方法另一示例性实施例的流程示意图。基于上述图2所示的实施例,在本实施例中,在基于预设的双塔模型,对所述目标用户关联数据进行相似度搜索,生成政务推荐结果的步骤之前,所述智能特征推荐方法还包括:
步骤S00,建立双塔模型。本实施例以步骤S00在步骤S10之前实施,在其他实施例中,步骤S00也可以在步骤S10与步骤S20之间实施。
相比上述图2所示的实施例,本实施例还包括建立双塔模型的方案。
具体地,建立双塔模型的步骤可以包括:
步骤S001,获取样本数据集;
具体地,本发明实施例中,首先进行样本数据集的获取,收集政务系统中的用户数据,包含用户基本信息数据和历史行为数据。收集系统中的政策数据和办事流程数据,包含政策全文,政策摘要,标题、标签、分类等,储存在用于构建推荐系统的数据库中,作为数据来源。将数据进行预处理,删除无效数据,提取用户和政策特征。
可选地,所述样本数据集包括用户样本数据与政策样本数据。
可选地,所述获取样本数据集的步骤包括:
采集原始用户数据与原始政策数据;
对所述原始用户数据与原始政策数据进行预处理,得到处理后的原始用户数据与原始政策数据;
对所述处理后的原始用户数据与原始政策数据进行特征处理,得到所述用户样本数据与政策样本数据。
可选地,原始用户数据包括用户的基本信息(如年龄、性别、地域)、用户行为数据(点击、浏览行为)。
可选地,原始政策数据包括政策的原始文档,特征信息(标题、时间、标签)。
可选地,政务系统中用户特征的表示方法和其他推荐系统类似,除用户特征外,需要包含社交关系、办事记录等上下文特征实现个性化推荐。
可选地,原始用户数据的内容包括以下至少一项:
用户基本信息:用户的个人信息,包含姓名、年龄、性别、所在区域、职业等。作为基本特征用于识别用户身份进行用户聚类。
用户行为特征:用户在系统中的行为记录,包括用户的办事记录、浏览记录、搜索记录、系统聊天记录、点击行为等,可以了解用户的偏好,作为推荐的根据。
用户的家庭社交关系:用户的家庭或社交关系信息,包括家人、朋友、工作人际关系,可以帮助了解用户的社交圈子和影响力。
用户偏好标签:用户对办事流程或政务系统中的内容进行标签或评价,可以作为用户偏好特征。通过分析标签和评价可以了解用户对不同方面内容的兴趣和态度。
用户地理位置:基于办事的地点,用户的地理位置可以作为用户特征。
可选地,原始政策数据的内容包括以下至少一项:
政策和标题摘要:政策文件的标题,用于概括政策内容的主要信息,作为关键特征方便用户和系统快速了解政策内容。
政策分类标签:根据政策内容进行分级分类,根据政策间的涵盖关系和政策体系中的地位可以分为元政策、基本政策、具体政策。从涉及社会生活的领域可以划分为政治政策、经济政策、社会政策、文教政策、科技政策。从政策性质分类可以划分为经济发展政策、社会保障政策、环境保护政策、外交政策。从目标受众分类可以划分为公民政策、企业政策、社会组织政策等。每条政策根据划分依据的不同可能拥有多个分类标签。
政策发布机构和日期:记录政策来源和时效性。
政策内容关键词:提取政策文本中的关键词和关键短语,概括政策主题和重点内容。
政策引用和参考文献:政策可能会引用或参考其他相关文件或法规,可以辅助系统挖掘政策依据和背景。
可选地,采集到原始用户数据与原始政策数据后,可以编写脚本进行数据清洗、转换、脱敏,处理异常和缺失值,进而进行特征工程,提取用户和政策的特征,获取用户、政策属性,得到用户样本数据与政策样本数据。此外,还可以将数据集划分为训练集和测试集,分别用于双塔模型的训练和测试。
步骤S002,采用卷积神经网络构建双塔模型架构,并基于所述样本数据集对所述双塔模型架构进行训练及优化,得到所述双塔模型。
可选地,所述样本数据集包括训练集与测试集。
可选地,所述基于所述样本数据集对所述双塔模型架构进行训练及优化,得到所述双塔模型的步骤包括:
根据所述训练集对所述双塔模型架构进行训练,得到训练后的双塔模型;
根据所述测试集对所述训练后的双塔模型进行评估,得到评估结果;
根据所述评估结果调整所述训练后的双塔模型的模型参数,得到优化后的双塔模型。
可选地,本发明实施例中构建的双塔模型包含用户塔(User Tower)和政策塔(Item Tower),定义用户和政策的嵌入层(Embedding Layer),用于输出用户、政策特征的Embedding编码,以进行相似度计算。由于用户、政策具有文本特征,可以使用卷积神经网络(CNN)来学习其特征表示,从原始特征中提取其局部模式。确定模型结构后,需要定义模型训练参数,以卷积神经网络为例,在训练中需要定义卷积层参数(卷积核大小、步长等),池化层参数(池化核大小、步长),优化器(学习率、优化算法等),以及损失函数(交叉熵)。
可选地,本发明实施例中可以使用图神经网络(GNN),首先将用户和政策之间的关系表示为一个图结构,用户和政策作为图的节点,构建用户-物品之间的关系作为图的边。边的构建可以基于显式反馈信息。(办事记录、评价),隐式反馈信息(点击、查询、浏览),协同过滤信息(基于共现关系)。然后使用GNN对图结构进行编码,并将编码后的嵌入分别输入双塔模型的用户和政策塔,更好地捕捉用户和政策之间的关系。同时由于简单特征表示可能无法充分捕捉用户和政策间的复杂关系,可以引入注意力机制(Attention),如使用图注意力网络(GAN),BERT等模型,使用多头注意力机制计算注意力权重,可以使用加权平均或加权求和等方法将权重应用于输入特征,并将加权后的特征作为双塔模型输入。
可选地,使用预处理后的训练数据集进行模型训练,持续优化模型参数;使用测试数据集,计算准确率、召回率等推荐结果指标,根据评估结果不断优化模型参数和模型架构,增强推荐能力。
可选地,本发明实施例中使用Word2Vec模型对用户特征和政策特征进行向量化。Word2Vec作为一种神经网络模型,可以使用大量的文本数据进行训练。模型训练后,每个词汇将被映射为一个固定长度的向量,这些向量保留了单词之间的语义关系。具有相似含义的词在向量空间中会有较近的距离,因此可以用于词汇的相似度计算、文本分类、情感分析等自然语言处理任务。
可选地,使用训练集中的数据进行模型训练,并计算准确率(Accuracy)、召回率(Recall)等评估指标,该过程需要多次实验,使模型训练参数和结构达到可使用状态。
可选地,本发明实施例中还对双塔模型进行评估,具体步骤包括:构建验证集,通过用户的历史行为和推荐结果计算准确率和召回率,通过模型的AUC和ROC曲线评估模型预测能力,也可通过用户满意度调查等在线评估方法。
本实施例通过上述方案,具体通过获取样本数据集;采用卷积神经网络构建双塔模型架构,并基于所述样本数据集对所述双塔模型架构进行训练及优化,得到所述双塔模型,通过对采集的样本数据进行处理,并进一步对构建的双塔模型进行训练和优化,可以提高双塔模型推荐的准确性,实现为用户提供个性化政务服务。
参照图4,图4为图2实施例中步骤S20的具体流程示意图。本实施例基于上述图2所示的实施例,在本实施例中,上述步骤S20包括:
步骤S201,将所述目标用户关联数据输入所述双塔模型,计算所述目标用户关联数据与预先存储的历史用户数据和/或政策数据的相似度;
可选地,所述双塔模型包括用户塔与政策塔,所述将所述目标用户关联数据输入所述双塔模型,计算所述目标用户关联数据与预先存储的历史用户数据和/或政策数据的相似度的步骤包括:
将所述目标用户关联数据输入所述用户塔,匹配所述用户塔中的历史用户数据,和/或,匹配所述政策塔中的政策数据;
根据余弦相似度算法,计算所述目标用户关联数据与历史用户数据和/或政策数据对应的向量内积与向量模积的比值,确定向量方向差异;
根据所述向量方向差异确定所述相似度。
可选地,获取到目标用户关联数据后,可以使用神经网络模型生成用户特征嵌入向量,进而根据用户特征向量计算目标用户关联数据与历史用户数据和/或政策数据的相似度,使用余弦相似度(Cosine Similarity)算法,计算用户的基本信息、历史办事数据向量u和所有其他用户、政策向量i进行余弦相似度计算,即两向量的内积与两向量模积的比值。余弦相似度体现两向量方向的差异,当夹角为0时,两向量相同,相似度最高,结果为1,当夹角为180时,两向量相似度最低,结果为-1,具体计算公式如下:
步骤S202,根据所述相似度生成所述政务推荐结果。
可选地,所述根据所述相似度生成所述政务推荐结果的步骤包括:
根据所述相似度生成初始推荐结果;
识别所述初始推荐结果中是否存在已办理事务;
若所述初始推荐结果中存在已办理事务,则删除所述初始推荐结果中的已办理事务,得到所述政务推荐结果。
可选地,计算当前的目标用户与其他全部用户以及政策的相似度后,对推荐结果进行后处理,根据办事记录删除结果列表中的已办理流程,对剩余结果进行排序后输出,即为所述政务推荐结果。
可选地,所述基于预设的双塔模型,对所述目标用户关联数据进行相似度搜索,生成政务推荐结果,并将所述政务推荐结果反馈至所述目标用户的步骤之后还包括以下至少一项:
基于所述政务推荐结果引导所述目标用户完成政务办理流程,并记录所述政务办理流程,以供后续的政务推荐过程调用;
通过反馈回路收集所述目标用户对所述政务推荐结果的触发操作和/或反馈信息,以及,获取政策数据更新信息;
根据所述触发操作、反馈信息及政策数据更新信息中的至少一项,对所述双塔模型的模型参数进行更新。
可选地,本发明实施例中还包括线上服务模块,参照图5,图5为本发明实施例中的线上服务模块架构示意图,如图5所示,线上服务模块中,召回层通过模型算法构建用户和政策的关系,筛选召回用户可能感兴趣的内容。排序层利用排序算法对初筛的候选集进行精排序。再排序层通过补充策略,兼顾结果的多样性、流行度等策略和算法,对推荐列表进行一定调整,生成最终推荐列表。
可选地,本发明实施例中,将模型部署到线上环境后,根据政策和用户信息的更新对模型进行实时调整和优化,同时还可以收集用户的反馈信息,和/或识别用户对政务推荐结果执行的触发操作,用于了解用户对推荐内容的满意度和/或使用情况,从而对系统进行优化和改进。建立反馈回路,收集正负样本,使用在线学习或增量学习的方式持续优化模型参数。
本实施例通过上述方案,具体通过将所述目标用户关联数据输入所述双塔模型,计算所述目标用户关联数据与预先存储的历史用户数据和/或政策数据的相似度;根据所述相似度生成所述政务推荐结果,通过双塔模型生成政务推荐结果并反馈至目标用户,为用户提供数据支持和/或政策引导,为用户提供个性化政务服务,在用户对政策内容缺乏了解的情况下辅助引导用户完成需要办理事务,简化用户的办事流程,提高政务办理效率。
此外,本发明实施例还提出一种智能特征推荐装置,所述智能特征推荐装置包括:
响应模块,用于响应于接收到目标用户的操作指令,根据所述操作指令获取目标用户关联数据;
推荐模块,用于基于预设的双塔模型,对所述目标用户关联数据进行相似度搜索,生成政务推荐结果,并将所述政务推荐结果反馈至所述目标用户。
参照图6,图6为本发明实施例中的整体流程示意图,如图6所示,本发明实施例中提供的智能特征推荐方法主要包括:
1、收集用户基本信息、上下文信息、政策数据;
2、进行数据预处理、特征提取;
3、将用户、政策信息转换成Embedding,构建双塔模型;
4、模型训练,优化模型参数;
5、模型评估,调整训练参数;
6、对某一用户,进行用户信息,历史政策的相似度搜索,返回近似政策的评分排序;
7、对于排序结果,基于补充策略和算法,考虑推荐结果的多样性、实时性、流行度、新鲜度等因素,对推荐结果进行再排序,输出最终推荐结果列表;
8、线上环境通过A/B测试等方法持续优化推荐和排序策略。
可选地,本发明实施例中涉及的关键模块及技术包括以下至少一项:
1、数据准备:收集政务系统中的用户数据,包含用户基本信息数据和用户行为数据。收集系统中的政策数据和办事流程数据,包含政策全文,政策摘要,标题、标签、分类等,储存在用于构建推荐系统的数据库中,作为数据来源。将数据进行预处理,删除无效数据,提取用户和政策特征;
2、双塔模型构建:构建用于将文本内容向量化的用户塔和政策塔,方案可采用两个卷积神经网络模型。首先将用户和政策特征用向量表示,然后利用神经网络预测用户与政策向量间的关系,通过训练优化模型参数,使得用户和政策的表示向量能够在向量空间中更好地表达它们之间的关系。使用Pytorch构建模型,卷积层中,定义通道数、卷积核大小、步长等参数,添加池化层、dropout层和线性全连接层,定义最终输出向量的维度。使用交叉熵损失函数和Adam优化器;
3、Word2Vec:一种神经网络模型,使用大量的文本数据进行训练。模型训练后,每个词汇将被映射为一个固定长度的向量,这些向量保留了单词之间的语义关系。具有相似含义的词在向量空间中会有较近的距离,因此可以用于词汇的相似度计算、文本分类、情感分析等自然语言处理任务;
4、模型训练和评估:使用训练数据进行模型训练,并计算准确率(Accuracy)、召回率(Recall)等评估指标,该过程需要多次实验,使模型训练参数和结构达到可使用状态;
5、相似度计算:双塔模型输出用户特征向量和政策特征向量,储存在向量数据库中。对于给定用户,将该用户特征向量对所有政策特征向量进行余弦相似度计算,可使用Pytorch库中的cosine_similarity函数进行两向量间的相似度计算。得到给定用户对于每个政策的计算结果后,根据用户办事记录情况,删除重复的政策或办事内容,将剩余结果按相似度大小进行排序后输出前几个匹配政策,作为推荐结果;
6、反馈和调整:在模型部署到线上环境后,持续收集用户反馈,根据用户反馈结果添加训练数据,优化推荐结果;
7、根据排序,输出相似度得分最高的几项政策作为推荐办事内容。
在本实施例中,通过基于双塔模型,构建用户塔和政策塔。用户塔反映用户的基本信息和实时兴趣,政策塔根据上下文信息和历史办事数据查找推荐的政策依据和相似性政策,综合两塔的相似度计算结果实现推荐。个性化用户办事流程和数据驱动决策支持,简化用户办事流程,提高政策普及度。
相比现有技术,本发明提供的智能特征推荐方法具有以下优势:
1、准确性:通过双塔模型学习用户和政策的表示,更准确地捕捉用户兴趣和政策特征,从而提升推荐的准确度和相关性;
2、时效性,政策和服务在不同时间段可能有不同的热点和需求,此方法可以根据实时的用户行为和政策动态,补充系统政策库和训练数据,实现时效性的政策推荐;
3、多样性:捕捉用户和政策的多样性特征,满足用户的核心需求,引导用户发现新的政策信息;
4、个性化:推荐系统能够根据用户的个人特征和兴趣偏好,为每个用户提供个性化的政策推荐,增加用户满意度和参与度;
5、上下文信息利用率高:政策特征表示方法可以将政策上下文信息编码到向量中,例如政策的类别、标签、发布日期等信息。推荐系统可以根据这些信息进行精准的政策推荐,提高推荐准确率。
本实施例实现政务推荐的原理及实施过程,请参照上述各实施例,在此不再赘述。
此外,本发明实施例还提出一种终端设备,所述终端设备包括存储器、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智能特征推荐程序,所述智能特征推荐程序被所述处理器执行时实现如上所述的智能特征推荐方法的步骤。
由于本智能特征推荐程序被处理器执行时,采用了前述所有实施例的全部技术方案,因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果,在此不再一一赘述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有智能特征推荐程序,所述智能特征推荐程序被处理器执行时实现如上所述的智能特征推荐方法的步骤。
由于本智能特征推荐程序被处理器执行时,采用了前述所有实施例的全部技术方案,因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果,在此不再一一赘述。
相比现有技术,本发明实施例提出的智能特征推荐方法、装置、设备以及存储介质,通过响应于接收到目标用户的操作指令,根据所述操作指令获取目标用户关联数据;基于预设的双塔模型,对所述目标用户关联数据进行相似度搜索,生成政务推荐结果,并将所述政务推荐结果反馈至所述目标用户,可以根据目标用户的操作指令,通过双塔模型生成政务推荐结果并反馈至目标用户,为用户提供数据支持和/或政策引导,为用户提供个性化政务服务,在用户对政策内容缺乏了解的情况下辅助引导用户完成需要办理事务,简化用户的办事流程,提高政务办理效率。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的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如上的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,被控终端,或者网络设备等)执行本申请每个实施例的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (12)
1.一种智能特征推荐方法,其特征在于,所述智能特征推荐方法包括以下步骤:
响应于接收到目标用户的操作指令,根据所述操作指令获取目标用户关联数据;
基于预设的双塔模型,对所述目标用户关联数据进行相似度搜索,生成政务推荐结果,并将所述政务推荐结果反馈至所述目标用户。
2.如权利要求1所述的智能特征推荐方法,其特征在于,所述基于预设的双塔模型,对所述目标用户关联数据进行相似度搜索,生成政务推荐结果的步骤之前还包括:
获取样本数据集;
采用卷积神经网络构建双塔模型架构,并基于所述样本数据集对所述双塔模型架构进行训练及优化,得到所述双塔模型。
3.如权利要求2所述的智能特征推荐方法,其特征在于,所述样本数据集包括用户样本数据与政策样本数据,所述获取样本数据集的步骤包括:
采集原始用户数据与原始政策数据;
对所述原始用户数据与原始政策数据进行预处理,得到处理后的原始用户数据与原始政策数据;
对所述处理后的原始用户数据与原始政策数据进行特征处理,得到所述用户样本数据与政策样本数据。
4.如权利要求2所述的智能特征推荐方法,其特征在于,所述样本数据集包括训练集与测试集,所述基于所述样本数据集对所述双塔模型架构进行训练及优化,得到所述双塔模型的步骤包括:
根据所述训练集对所述双塔模型架构进行训练,得到训练后的双塔模型;
根据所述测试集对所述训练后的双塔模型进行评估,得到评估结果;
根据所述评估结果调整所述训练后的双塔模型的模型参数,得到优化后的双塔模型。
5.如权利要求1所述的智能特征推荐方法,其特征在于,所述根据所述操作指令获取目标用户关联数据的步骤包括:
识别所述操作指令包含的关键字信息,和/或,读取所述操作指令对应的目标用户的基本信息和/或历史办事数据;
对所述关键字信息、基本信息及历史办事数据中的至少一项进行特征提取,得到关联数据特征;
对所述关联数据特征进行加权处理,得到所述目标用户关联数据。
6.如权利要求5所述的智能特征推荐方法,其特征在于,所述基于预设的双塔模型,对所述目标用户关联数据进行相似度搜索,生成政务推荐结果的步骤包括:
将所述目标用户关联数据输入所述双塔模型,计算所述目标用户关联数据与预先存储的历史用户数据和/或政策数据的相似度;
根据所述相似度生成所述政务推荐结果。
7.如权利要求6所述的智能特征推荐方法,其特征在于,所述双塔模型包括用户塔与政策塔,所述将所述目标用户关联数据输入所述双塔模型,计算所述目标用户关联数据与预先存储的历史用户数据和/或政策数据的相似度的步骤包括:
将所述目标用户关联数据输入所述用户塔,匹配所述用户塔中的历史用户数据,和/或,匹配所述政策塔中的政策数据;
根据余弦相似度算法,计算所述目标用户关联数据与历史用户数据和/或政策数据对应的向量内积与向量模积的比值,确定向量方向差异;
根据所述向量方向差异确定所述相似度。
8.如权利要求6所述的智能特征推荐方法,其特征在于,所述根据所述相似度生成所述政务推荐结果的步骤包括:
根据所述相似度生成初始推荐结果;
识别所述初始推荐结果中是否存在已办理事务;
若所述初始推荐结果中存在已办理事务,则删除所述初始推荐结果中的已办理事务,得到所述政务推荐结果。
9.如权利要求1所述的智能特征推荐方法,其特征在于,所述基于预设的双塔模型,对所述目标用户关联数据进行相似度搜索,生成政务推荐结果,并将所述政务推荐结果反馈至所述目标用户的步骤之后还包括以下至少一项:
基于所述政务推荐结果引导所述目标用户完成政务办理流程,并记录所述政务办理流程,以供后续的政务推荐过程调用;
通过反馈回路收集所述目标用户对所述政务推荐结果的触发操作和/或反馈信息,以及,获取政策数据更新信息;
根据所述触发操作、反馈信息及政策数据更新信息中的至少一项,对所述双塔模型的模型参数进行更新。
10.一种智能特征推荐装置,其特征在于,所述智能特征推荐装置包括:
响应模块,用于响应于接收到目标用户的操作指令,根据所述操作指令获取目标用户关联数据;
推荐模块,用于基于预设的双塔模型,对所述目标用户关联数据进行相似度搜索,生成政务推荐结果,并将所述政务推荐结果反馈至所述目标用户。
11.一种终端设备,其特征在于,所述终端设备包括存储器、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智能特征推荐程序,所述智能特征推荐程序被所述处理器执行时实现如权利要求1-9中任一项所述的智能特征推荐方法的步骤。
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上存储有智能特征推荐程序,所述智能特征推荐程序被处理器执行时实现如权利要求1-9中任一项所述的智能特征推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311811101.2A CN117473168A (zh) | 2023-12-27 | 2023-12-27 | 智能特征推荐方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311811101.2A CN117473168A (zh) | 2023-12-27 | 2023-12-27 | 智能特征推荐方法、装置、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117473168A true CN117473168A (zh) | 2024-01-30 |
Family
ID=89635117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311811101.2A Pending CN117473168A (zh) | 2023-12-27 | 2023-12-27 | 智能特征推荐方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117473168A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110221A (zh) * | 2019-03-22 | 2019-08-09 | 浙江非线数联科技有限公司 | 政务数据智能推荐方法和系统 |
CN113407851A (zh) * | 2021-07-15 | 2021-09-17 | 北京百度网讯科技有限公司 | 基于双塔模型的确定推荐信息的方法、装置、设备和介质 |
CN114119322A (zh) * | 2021-12-03 | 2022-03-01 | 中国建设银行股份有限公司山东省分行 | 政策全流程服务的方法、装置、服务器及计算机存储介质 |
CN114692012A (zh) * | 2022-04-08 | 2022-07-01 | 湖南大学 | 一种基于Bert的神经协同过滤的电子政务推荐方法 |
CN114969566A (zh) * | 2022-06-27 | 2022-08-30 | 中国测绘科学研究院 | 一种距离度量的政务服务事项协同过滤推荐方法 |
CN116541592A (zh) * | 2023-04-14 | 2023-08-04 | 微梦创科网络科技(中国)有限公司 | 向量生成方法、信息推荐方法、装置、设备及介质 |
-
2023
- 2023-12-27 CN CN202311811101.2A patent/CN117473168A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110221A (zh) * | 2019-03-22 | 2019-08-09 | 浙江非线数联科技有限公司 | 政务数据智能推荐方法和系统 |
CN113407851A (zh) * | 2021-07-15 | 2021-09-17 | 北京百度网讯科技有限公司 | 基于双塔模型的确定推荐信息的方法、装置、设备和介质 |
CN114119322A (zh) * | 2021-12-03 | 2022-03-01 | 中国建设银行股份有限公司山东省分行 | 政策全流程服务的方法、装置、服务器及计算机存储介质 |
CN114692012A (zh) * | 2022-04-08 | 2022-07-01 | 湖南大学 | 一种基于Bert的神经协同过滤的电子政务推荐方法 |
CN114969566A (zh) * | 2022-06-27 | 2022-08-30 | 中国测绘科学研究院 | 一种距离度量的政务服务事项协同过滤推荐方法 |
CN116541592A (zh) * | 2023-04-14 | 2023-08-04 | 微梦创科网络科技(中国)有限公司 | 向量生成方法、信息推荐方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444428B (zh) | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 | |
US11334635B2 (en) | Domain specific natural language understanding of customer intent in self-help | |
Yuan et al. | Expert finding in community question answering: a review | |
CN110598206B (zh) | 文本语义识别方法、装置、计算机设备和存储介质 | |
CN111753060B (zh) | 信息检索方法、装置、设备及计算机可读存储介质 | |
US9792534B2 (en) | Semantic natural language vector space | |
US9811765B2 (en) | Image captioning with weak supervision | |
JP6838376B2 (ja) | 製品関連情報を送信する方法、プログラム、及びサーバ装置。 | |
EP3717984A1 (en) | Method and apparatus for providing personalized self-help experience | |
CN111625715B (zh) | 信息提取方法、装置、电子设备及存储介质 | |
CN113010702A (zh) | 多媒体信息的互动处理方法、装置、电子设备及存储介质 | |
CN112819024B (zh) | 模型处理方法、用户数据处理方法及装置、计算机设备 | |
CN111429161B (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
CN114119136A (zh) | 一种产品推荐方法、装置、电子设备和介质 | |
Deng et al. | Neural variational collaborative filtering with side information for top-K recommendation | |
Yin et al. | Multimodal deep collaborative filtering recommendation based on dual attention | |
Bobadilla et al. | Creating synthetic datasets for collaborative filtering recommender systems using generative adversarial networks | |
Mejia-Escobar et al. | Towards a better performance in facial expression recognition: a data-centric approach | |
CN114119191A (zh) | 风控方法、逾期预测方法、模型训练方法及相关设备 | |
CN111382254A (zh) | 电子名片推荐方法、装置、设备及计算机可读存储介质 | |
Kanchinadam et al. | Graph neural networks to predict customer satisfaction following interactions with a corporate call center | |
Latha et al. | Product recommendation using enhanced convolutional neural network for e-commerce platform | |
CN115577080A (zh) | 一种问题回复匹配方法、系统、服务器及存储介质 | |
CN114548242A (zh) | 用户标签识别方法、装置、电子设备和计算机可读存储介质 | |
CN117473168A (zh) | 智能特征推荐方法、装置、设备以及存储介质 |
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 |