CN117786231A - 虚拟资源推荐方法、装置、计算机设备和存储介质 - Google Patents
虚拟资源推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117786231A CN117786231A CN202410042678.XA CN202410042678A CN117786231A CN 117786231 A CN117786231 A CN 117786231A CN 202410042678 A CN202410042678 A CN 202410042678A CN 117786231 A CN117786231 A CN 117786231A
- Authority
- CN
- China
- Prior art keywords
- virtual resource
- user
- information
- interaction
- interest index
- 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 49
- 230000003993 interaction Effects 0.000 claims abstract description 190
- 230000006399 behavior Effects 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims description 97
- 230000002452 interceptive effect Effects 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 abstract description 5
- 239000011159 matrix material Substances 0.000 description 10
- 239000013598 vector Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010606 normalization Methods 0.000 description 7
- 238000012935 Averaging Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种虚拟资源推荐方法,涉及金融科技领域或其他相关领域。包括:获取目标用户的用户信息、历史虚拟资源交互信息以及虚拟资源信息;将上述信息输入第一虚拟资源推荐模型,获取用户特征以及资源特征,并根据之间的文本相似度,得到目标用户针对各候选虚拟资源的第一兴趣指数;将历史虚拟资源交互信息输入第二虚拟资源推荐模型,获取与目标用户具有相似虚拟资源交互行为的相似用户,并根据之间的用户相似度,以及各相似用户针对各候选虚拟资源的兴趣指数,得到目标用户针对各候选虚拟资源的第二兴趣指数;根据第一兴趣指数以及第二兴趣指数,从候选虚拟资源中获取目标虚拟资源,并推荐至目标用户。本方法能提高虚拟资源推荐的准确度。
Description
技术领域
本申请涉及虚拟资源推荐技术领域,涉及金融科技领域或其他相关领域,特别是涉及一种虚拟资源方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着金融科技技术的发展,利用互联网渠道提供线上虚拟资源业务办理相较于线下办理,具有显著优势。
传统技术中,虚拟资源推荐模式标准固定化,无法挖掘出用户的需求从而准确地推荐虚拟资源。
发明内容
基于此,有必要针对上述技术问题,提供一种能够准确地推荐虚拟资源的虚拟资源推荐方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种虚拟资源推荐方法,包括:
获取待推荐虚拟资源的目标用户的用户信息以及历史虚拟资源交互信息,并获取待推荐的候选虚拟资源的虚拟资源信息;
将用户信息、历史虚拟资源交互信息以及虚拟资源信息输入第一虚拟资源推荐模型,通过第一虚拟资源推荐模型获取目标用户的用户特征以及各候选虚拟资源的资源特征,并根据用户特征与各资源特征之间的文本相似度,得到目标用户针对各候选虚拟资源的第一兴趣指数;
将历史虚拟资源交互信息输入第二虚拟资源推荐模型,通过第二虚拟资源推荐模型获取与目标用户具有相似虚拟资源交互行为的相似用户,并根据目标用户与各相似用户之间的用户相似度,以及各相似用户针对各候选虚拟资源的兴趣指数,得到目标用户针对各候选虚拟资源的第二兴趣指数;
根据第一兴趣指数以及第二兴趣指数,从候选虚拟资源中获取目标虚拟资源,并将目标虚拟资源推荐至目标用户。
在其中一个实施例中,根据第一兴趣指数以及第二兴趣指数,从候选虚拟资源中获取目标虚拟资源,包括:
获取第一兴趣指数对应的第一权重系数,以及第二兴趣指数对应的第二权重系数;
利用第一权重系数以及第二权重系数,对第一兴趣指数以及第二兴趣指数进行加权处理,得到目标用户针对各候选虚拟资源的混合兴趣指数;
根据混合兴趣指数,从候选虚拟资源中获取目标虚拟资源。
在其中一个实施例中,获取第一兴趣指数对应的第一权重系数,以及第二兴趣指数对应的第二权重系数,包括:
根据各第一兴趣指数的平均值以及标准差,对各第一兴趣指数分别进行标准化处理,并根据各第二兴趣指数的平均值以及标准差,对各第二兴趣指数分别进行标准化处理;
根据标准化处理后的各第一兴趣指数,得到第一熵值,并根据标准化处理后的各第二兴趣指数,得到第二熵值;
根据第一熵值,得到第一权重系数,以及根据第二熵值,得到第二权重系数。
在其中一个实施例中,通过第一虚拟资源推荐模型获取目标用户的用户特征以及各候选虚拟资源的资源特征,并根据用户特征与各资源特征之间的文本相似度,得到目标用户针对各候选虚拟资源的第一兴趣指数,包括:
通过第一虚拟资源推荐模型,获取用户信息以及历史虚拟资源交互信息对应的文本特征,作为目标用户的用户特征,以及获取各虚拟资源信息对应的文本特征,作为各候选虚拟资源的资源特征;
获取用户特征与各资源特征之间的文本相似度,将文本相似度作为目标用户针对各候选虚拟资源的第一兴趣指数。
在其中一个实施例中,通过第二虚拟资源推荐模型获取与目标用户具有相似虚拟资源交互行为的相似用户,包括:
通过第二虚拟资源推荐模型,根据历史虚拟资源交互信息,获取目标用户针对各候选虚拟资源的第一交互评价信息,并获取其他用户针对候选虚拟资源的第二交互评价信息;其他用户为除目标用户以外对候选虚拟资源存在历史交互行为的用户;
根据第一交互评价信息与各第二交互评价信息,获取目标用户与各其他用户的用户相似度,并将用户相似度满足预设相似度阈值的其他用户作为相似用户。
在其中一个实施例中,根据第一交互评价信息与各第二交互评价信息,获取目标用户与各其他用户的用户相似度,包括:
根据目标用户针对各候选虚拟资源的第一交互评价信息,获取目标用户针对各候选虚拟资源的第一交互评价信息均值,以及根据其他用户针对各候选虚拟资源的第二交互评价信息,获取其他用户针对各候选虚拟资源的第二交互评价信息均值;
根据各第一交互评价信息、第一交互评价信息均值、各第二交互评价信息,以及第二交互评价信息均值,得到目标用户与各其他用户的用户相似度。
在其中一个实施例中,根据各第一交互评价信息、第一交互评价信息均值、各第二交互评价信息,以及第二交互评价信息均值,得到目标用户与各其他用户的用户相似度,包括:
从候选虚拟资源中,获取历史交互虚拟资源,以及历史交互虚拟资源的交互次数;历史交互虚拟资源为交互次数大于预设交互次数阈值的候选虚拟资源;
根据历史交互虚拟资源的交互次数,得到修正系数;
根据各第一交互评价信息、第一交互评价信息均值、各第二交互评价信息、第二交互评价信息均值,以及修正系数,得到目标用户与各其他用户的用户相似度。
第二方面,本申请还提供了一种虚拟资源推荐装置,包括:
信息获取模块,用于获取待推荐虚拟资源的目标用户的用户信息以及历史虚拟资源交互信息,并获取待推荐的候选虚拟资源的虚拟资源信息;
第一计算模块,用于将用户信息、历史虚拟资源交互信息以及虚拟资源信息输入第一虚拟资源推荐模型,通过第一虚拟资源推荐模型获取目标用户的用户特征以及各候选虚拟资源的资源特征,并根据用户特征与各资源特征之间的文本相似度,得到目标用户针对各候选虚拟资源的第一兴趣指数;
第二计算模块,用于将历史虚拟资源交互信息输入第二虚拟资源推荐模型,通过第二虚拟资源推荐模型获取与目标用户具有相似虚拟资源交互行为的相似用户,并根据目标用户与各相似用户之间的用户相似度,以及各相似用户针对各候选虚拟资源的兴趣指数,得到目标用户针对各候选虚拟资源的第二兴趣指数;
推荐生成模块,用于根据第一兴趣指数以及第二兴趣指数,从候选虚拟资源中获取目标虚拟资源,并将目标虚拟资源推荐至目标用户。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取待推荐虚拟资源的目标用户的用户信息以及历史虚拟资源交互信息,并获取待推荐的候选虚拟资源的虚拟资源信息;
将用户信息、历史虚拟资源交互信息以及虚拟资源信息输入第一虚拟资源推荐模型,通过第一虚拟资源推荐模型获取目标用户的用户特征以及各候选虚拟资源的资源特征,并根据用户特征与各资源特征之间的文本相似度,得到目标用户针对各候选虚拟资源的第一兴趣指数;
将历史虚拟资源交互信息输入第二虚拟资源推荐模型,通过第二虚拟资源推荐模型获取与目标用户具有相似虚拟资源交互行为的相似用户,并根据目标用户与各相似用户之间的用户相似度,以及各相似用户针对各候选虚拟资源的兴趣指数,得到目标用户针对各候选虚拟资源的第二兴趣指数;
根据第一兴趣指数以及第二兴趣指数,从候选虚拟资源中获取目标虚拟资源,并将目标虚拟资源推荐至目标用户。
第四方面,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,计算机程序被处理器执行时实现以下步骤:
获取待推荐虚拟资源的目标用户的用户信息以及历史虚拟资源交互信息,并获取待推荐的候选虚拟资源的虚拟资源信息;
将用户信息、历史虚拟资源交互信息以及虚拟资源信息输入第一虚拟资源推荐模型,通过第一虚拟资源推荐模型获取目标用户的用户特征以及各候选虚拟资源的资源特征,并根据用户特征与各资源特征之间的文本相似度,得到目标用户针对各候选虚拟资源的第一兴趣指数;
将历史虚拟资源交互信息输入第二虚拟资源推荐模型,通过第二虚拟资源推荐模型获取与目标用户具有相似虚拟资源交互行为的相似用户,并根据目标用户与各相似用户之间的用户相似度,以及各相似用户针对各候选虚拟资源的兴趣指数,得到目标用户针对各候选虚拟资源的第二兴趣指数;
根据第一兴趣指数以及第二兴趣指数,从候选虚拟资源中获取目标虚拟资源,并将目标虚拟资源推荐至目标用户。
第五方面,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以下步骤:
获取待推荐虚拟资源的目标用户的用户信息以及历史虚拟资源交互信息,并获取待推荐的候选虚拟资源的虚拟资源信息;
将用户信息、历史虚拟资源交互信息以及虚拟资源信息输入第一虚拟资源推荐模型,通过第一虚拟资源推荐模型获取目标用户的用户特征以及各候选虚拟资源的资源特征,并根据用户特征与各资源特征之间的文本相似度,得到目标用户针对各候选虚拟资源的第一兴趣指数;
将历史虚拟资源交互信息输入第二虚拟资源推荐模型,通过第二虚拟资源推荐模型获取与目标用户具有相似虚拟资源交互行为的相似用户,并根据目标用户与各相似用户之间的用户相似度,以及各相似用户针对各候选虚拟资源的兴趣指数,得到目标用户针对各候选虚拟资源的第二兴趣指数;
根据第一兴趣指数以及第二兴趣指数,从候选虚拟资源中获取目标虚拟资源,并将目标虚拟资源推荐至目标用户。
上述虚拟资源推荐方法、装置、计算机设备、存储介质和计算机程序产品,将待推荐虚拟资源的目标用户的用户信息、历史虚拟资源交互信息以及虚拟资源信息输入第一虚拟资源推荐模型,来获取目标用户的用户特征以及各候选虚拟资源的资源特征,并根据用户特征与各资源特征之间的文本相似度,得到目标用户针对各候选虚拟资源的第一兴趣指数;通过第二虚拟资源推荐模型获取与目标用户具有相似虚拟资源交互行为的相似用户,并根据目标用户与各相似用户之间的用户相似度,以及各相似用户针对各候选虚拟资源的兴趣指数,得到目标用户针对各候选虚拟资源的第二兴趣指数;根据第一兴趣指数以及第二兴趣指数,从候选虚拟资源中获取目标资源并推荐至目标用户。本申请通过第一虚拟资源推荐模型获取目标用户的用户特征以及各候选虚拟资源的资源特征,进而根据用户特征与虚拟资源特征之间的文本相似度,得到目标用户针对各候选虚拟资源的第一兴趣指数,从而可以根据第一兴趣指数向目标用户推荐喜欢的虚拟资源;通过第二虚拟资源推荐模型处理历史虚拟资源交互信息,以获取与目标用户具有相似虚拟资源交互行为的相似用户,并根据目标用户与各相似用户之间的用户相似度,以及各相似用户针对各候选虚拟资源的兴趣指数,得到目标用户针对各候选虚拟资源的第二兴趣指数,通过第二兴趣指数可以发掘目标用户对虚拟资源的潜在兴趣;根据第一兴趣指数以及第二兴趣指数来获取目标虚拟资源并向目标用户推荐,可以提高虚拟资源推荐的准确度。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关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申请的一些实施例,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。
图1为一个实施例中虚拟资源推荐方法的应用环境图;
图2为一个实施例中虚拟资源推荐方法的流程示意图;
图3为一个实施例中确定混合兴趣指数的流程示意图;
图4为一个实施例中确定权重系数的流程示意图;
图5为一个实施例中确定文本相似度的流程示意图;
图6为一个实施例中确定相似用户的流程示意图;
图7为一个实施例中获取用户相似度的流程示意图;
图8为一个实施例中修正用户相似度的流程示意图;
图9为一个实施例中虚拟资源推荐方法的具体流程示意图;
图10为一个实施例中虚拟资源推荐装置的结构框图;
图11为一个实施例中虚拟资源推荐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虚拟资源推荐方法,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。服务器104获取待推荐虚拟资源的目标用户的用户信息以及历史虚拟资源交互信息,并获取待推荐的候选虚拟资源的虚拟资源信息;其中,服务器104可以从终端102获取信息,也可以从数据存储系统已经存储的来自于终端102的信息。服务器104将用户信息、历史虚拟资源交互信息以及虚拟资源信息输入第一虚拟资源推荐模型,通过第一虚拟资源推荐模型获取目标用户的用户特征以及各候选虚拟资源的资源特征,并根据用户特征与各资源特征之间的文本相似度,得到目标用户针对各候选虚拟资源的第一兴趣指数;服务器104将历史虚拟资源交互信息输入第二虚拟资源推荐模型,通过第二虚拟资源推荐模型获取与目标用户具有相似虚拟资源交互行为的相似用户,并根据目标用户与各相似用户之间的用户相似度,以及各相似用户针对各候选虚拟资源的兴趣指数,得到目标用户针对各候选虚拟资源的第二兴趣指数;服务器104根据第一兴趣指数以及第二兴趣指数,从候选虚拟资源中获取目标虚拟资源,并将目标虚拟资源推荐至目标用户。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。
在一个示例性的实施例中,如图2所示,提供了一种虚拟资源推荐方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤S202至步骤S208。其中:
步骤S202,获取待推荐虚拟资源的目标用户的用户信息以及历史虚拟资源交互信息,并获取待推荐的候选虚拟资源的虚拟资源信息。
其中,虚拟资源可以是一种资源产品,虚拟资源可以有多种类别。待推荐虚拟资源的目标用户可以是触发虚拟资源推荐指令的用户。待推荐虚拟资源的目标用户可以通过推荐的虚拟资源进行资源交换;资源交换可以是待推荐资源账户利用其所具有的账户资源,交换推荐的虚拟资源。用户信息可以是目标用户预留的基本信息,也可以是用户填写过的喜好调查问卷中的信息。历史虚拟资源交互信息指的是待推荐资源用户针对虚拟资源进行交换的交互记录。虚拟资源信息可以是指虚拟资源的类别,比如资源种类、资源领域、资源流向等。
示例性地,服务器可以响应于待推荐资源的目标用户在终端触发的虚拟资源推荐指令,服务器获取虚拟资源推荐指令,并且获取与虚拟资源推荐指令对应的待推荐资源的目标用户的用户信息。服务器获取待推荐资源的目标用户的历史虚拟资源交换信息,并获取待推荐的候选虚拟资源的虚拟资源信息。
步骤S204,将用户信息、历史虚拟资源交互信息以及虚拟资源信息输入第一虚拟资源推荐模型,通过第一虚拟资源推荐模型获取目标用户的用户特征以及各候选虚拟资源的资源特征,并根据用户特征与各资源特征之间的文本相似度,得到目标用户针对各候选虚拟资源的第一兴趣指数。
其中,第一虚拟资源推荐模型指的是获取用户信息、历史虚拟资源交互信息以及虚拟资源信息的特征的模型,可以是生成式预训练模型。用户特征可以是指用户的年龄、性别、资源投资偏好、资源风险承受能力等。资源特征可以是指资源收益率、资源风险等级、资源投资期限等。文本相似度可以是用户特征对应的文本信息与资源特征对应的文本信息之间的重合度。兴趣指数可以是指目标用户对各候选虚拟资源的感兴趣程度,兴趣指数越高说明用户对该虚拟资源越感兴趣。
示例性地,对于目标用户,服务器可以将用户信息、历史虚拟资源交互信息以及虚拟资源信息输入第一虚拟资源推荐模型,通过第一虚拟资源推荐模型获取目标用户的用户特征以及各候选虚拟资源的资源特征,并根据用户特征与各资源特征之间的文本相似度,得到目标用户针对各候选虚拟资源的第一兴趣指数。
步骤S206,将历史虚拟资源交互信息输入第二虚拟资源推荐模型,通过第二虚拟资源推荐模型获取与目标用户具有相似虚拟资源交互行为的相似用户,并根据目标用户与各相似用户之间的用户相似度,以及各相似用户针对各候选虚拟资源的兴趣指数,得到目标用户针对各候选虚拟资源的第二兴趣指数。
其中,第二虚拟资源推荐模型指的是获取与目标用户具有相似虚拟资源交互行为的相似用户的模型,可以是生成式预训练模型。用户相似度可以是指用户之间对虚拟资源的交互行为的相似程度。
示例性地,对于目标用户,服务器将历史虚拟资源交互信息输入第二虚拟资源推荐模型,通过第二虚拟资源推荐模型获取与目标用户具有相似虚拟资源交互行为的相似用户,并根据目标用户与各相似用户之间的用户相似度,以及各相似用户针对各候选虚拟资源的兴趣指数,得到目标用户针对各候选虚拟资源的第二兴趣指数。
步骤S208,根据第一兴趣指数以及第二兴趣指数,从候选虚拟资源中获取目标虚拟资源,并将目标虚拟资源推荐至目标用户。
其中,目标虚拟资源可以是指确定为向目标用户推荐的虚拟资源。
示例性地,对于候选虚拟资源,服务器根据第一兴趣指数以及第二兴趣指数,从候选虚拟资源中获取目标虚拟资源,并将目标虚拟资源推荐至目标用户所在终端。
上述虚拟资源推荐方法中,通过第一虚拟资源推荐模型获取目标用户的用户特征以及各候选虚拟资源的资源特征,进而根据用户特征与虚拟资源特征之间的文本相似度,得到目标用户针对各候选虚拟资源的第一兴趣指数,从而可以根据第一兴趣指数向目标用户推荐喜欢的虚拟资源;通过第二虚拟资源推荐模型处理历史虚拟资源交互信息,以获取与目标用户具有相似虚拟资源交互行为的相似用户,并根据目标用户与各相似用户之间的用户相似度,以及各相似用户针对各候选虚拟资源的兴趣指数,得到目标用户针对各候选虚拟资源的第二兴趣指数,通过第二兴趣指数可以发掘目标用户对虚拟资源的潜在兴趣;根据第一兴趣指数以及第二兴趣指数来获取目标虚拟资源并向目标用户推荐,可以提高虚拟资源推荐的准确度。
在一个示例性的实施例中,如图3所示,根据第一兴趣指数以及第二兴趣指数,从候选虚拟资源中获取目标虚拟资源,包括:
步骤S302,获取第一兴趣指数对应的第一权重系数,以及第二兴趣指数对应的第二权重系数。
其中,对于每一个候选虚拟资源来说,第一权重系数指的是第一兴趣指数对于用户感兴趣程度的效用权重参数;第二权重系数指的是第二兴趣指数对于用户感兴趣程度的效用权重参数。
步骤S304,利用第一权重系数以及第二权重系数,对第一兴趣指数以及第二兴趣指数进行加权处理,得到目标用户针对各候选虚拟资源的混合兴趣指数。
其中,混合兴趣指数可以是指综合第一兴趣指数以及第二兴趣指数后得出的目标用户对候选虚拟资源的感兴趣程度。
步骤S306,根据混合兴趣指数,从候选虚拟资源中获取目标虚拟资源。
示例性地,服务器可以根据混合兴趣指数是否达到推荐指数阈值来确定是否将该候选虚拟资源进行推荐;也可以根据混合兴趣指数将候选虚拟资源进行排序,选取目标个数的候选虚拟资源进行推荐。
本实施例中,通过第一兴趣指数对应的第一权重系数,以及第二兴趣指数对应的第二权重系数,得到目标用户针对各候选虚拟资源的混合兴趣指数,再通过混合兴趣指数进行推荐。通过综合考虑多个因素,混合兴趣指数可以更好地表征用户的兴趣,从而更精准地推荐相关的虚拟资源。
在一个示例性的实施例中,如图4所示,获取第一兴趣指数对应的第一权重系数,以及第二兴趣指数对应的第二权重系数,包括:
步骤S402,根据各第一兴趣指数的平均值以及标准差,对各第一兴趣指数分别进行标准化处理,并根据各第二兴趣指数的平均值以及标准差,对各第二兴趣指数分别进行标准化处理。
其中,标准化处理可以是指为了让数据具有指定的量纲和范围而进行的处理过程,可以通过如下的公式进行标准化处理:
其中,为兴趣指数中第j项的平均值,可通过如下公式确定:
其中,为兴趣指数中第j项的标准差,可通过如下公式确定:
步骤S404,根据标准化处理后的各第一兴趣指数,得到第一熵值,并根据标准化处理后的各第二兴趣指数,得到第二熵值。
其中,可以根据标准化处理后的第一兴趣指数以及第二兴趣指数构建决策矩阵,其中每一行代表一个候选虚拟资源的兴趣指数,第一列代表第一兴趣指数,第二列代表第二兴趣指数;然后,根据标准化处理后的兴趣指数得到熵值,可以根据如下公式确定:
其中,m为常数,,n为候选虚拟资源的个数,表示决策矩阵中第i行第j列
元素的比例,即
步骤S406,根据第一熵值,得到第一权重系数,以及根据第二熵值,得到第二权重系数。
其中,根据熵值计算每一兴趣指数的权重系数可以根据如下公式确定:
其中,表示第j列的权重系数,表示第j列的熵值,k表示决策矩阵的列数。
本实施例中,通过对第一兴趣指数以及第二兴趣指数分别进行标准化处理,然后再对标准化处理后的兴趣指数进行熵值计算,接着利用熵值计算得到的熵值进一步确定第一兴趣指数的第一权重系数以及第二兴趣指数的权重系数。通过对第一、第二兴趣指数进行熵值计算,可以得到第一、第二权重系数,进而根据第一、第二权重系数客观准确地优化第一兴趣指数以及第二兴趣指数在混合兴趣指数中的影响,进一步地提高虚拟资源推荐的准确性。
在一个示例性的实施例中,如图5所示,通过第一虚拟资源推荐模型获取目标用户的用户特征以及各候选虚拟资源的资源特征,并根据用户特征与各资源特征之间的文本相似度,得到目标用户针对各候选虚拟资源的第一兴趣指数,包括:
步骤S502,通过第一虚拟资源推荐模型,获取用户信息以及历史虚拟资源交互信息对应的文本特征,作为目标用户的用户特征,以及获取各虚拟资源信息对应的文本特征,作为各候选虚拟资源的资源特征。
其中,用户信息对应的文本特征可以是指用户的年龄、性别等文本信息特征;历史虚拟资源交互信息对应的文本特征可以是指资源投资偏好、资源风险承受能力等文本信息特征。虚拟资源信息对应的文本特征可以是指资源收益率、资源风险等级、资源投资期限等文本信息特征。示例性地,可以通过对用户信息以及历史虚拟资源交互信息对应的文本特征进行合并,例如通过求平均值、加权平均值等方式获得用户特征的综合表示。可以通过各虚拟资源信息对应的文本特征进行合并,例如通过求平均值、加权平均值等方式获得资源特征的综合表示。
步骤S504,获取用户特征与各资源特征之间的文本相似度,将文本相似度作为目标用户针对各候选虚拟资源的第一兴趣指数。
示例性地,服务器可以通过余弦相似度计算公式获取用户特征与各资源特征之间的文本相似度,将文本相似度作为目标用户针对各候选虚拟资源的第一兴趣指数。
本实施例中,通过将用户信息和虚拟资源信息转化为文本特征,并计算文本相似度作为兴趣指数,可以更好地利用文本信息,实现个性化、多样化的虚拟资源推荐。
在一个示例性的实施例中,如图6所示,通过第二虚拟资源推荐模型获取与目标用户具有相似虚拟资源交互行为的相似用户,包括:
步骤S602,通过第二虚拟资源推荐模型,根据历史虚拟资源交互信息,获取目标用户针对各候选虚拟资源的第一交互评价信息,并获取其他用户针对候选虚拟资源的第二交互评价信息。
其中,其他用户为除目标用户以外对候选虚拟资源存在历史交互行为的用户。第一交互评价信息可以是指目标用户在历史虚拟资源交互中产生的对虚拟资源的评价信息;第二交互评价信息可以是指其他用户在与候选虚拟资源交互过程中产生的评价信息。
示例性地,服务器可以将历史虚拟资源交互信息输入第二虚拟资源推荐模型,第二虚拟资源推荐模型根据历史虚拟资源交互信息,获取目标用户针对各候选虚拟资源的第一交互评价信息,并获取其他用户针对候选虚拟资源的第二交互评价信息。
步骤S604,根据第一交互评价信息与各第二交互评价信息,获取目标用户与各其他用户的用户相似度,并将用户相似度满足预设相似度阈值的其他用户作为相似用户。
其中,预设相似度阈值可以根据实际情况的需要设定,比如可以利用阈值大小来控制相似用户的数量来减小运算量以加快推荐过程。
示例性地,服务器可以根据第一交互评价信息与各第二交互评价信息,并利用相似度公式(比如皮尔逊相似度公式)获取目标用户与各其他用户的用户相似度,并将用户相似度满足预设相似度阈值的其他用户作为相似用户。
本实施例中,通过结合目标用户和其他用户的交互评价信息,计算用户相似度并利用相似用户的行为和偏好进行推荐,可以实现更加个性化、精准化的虚拟资源推荐,同时也能够跨领域地利用数据,解决稀疏性问题,提高推荐效果。
在一个示例性的实施例中,如图7所示,根据第一交互评价信息与各第二交互评价信息,获取目标用户与各其他用户的用户相似度,包括:
步骤S702,根据目标用户针对各候选虚拟资源的第一交互评价信息,获取目标用户针对各候选虚拟资源的第一交互评价信息均值,以及根据其他用户针对各候选虚拟资源的第二交互评价信息,获取其他用户针对各候选虚拟资源的第二交互评价信息均值。
步骤S704,根据各第一交互评价信息、第一交互评价信息均值、各第二交互评价信息,以及第二交互评价信息均值,得到目标用户与各其他用户的用户相似度。
示例性地,服务器根据各第一交互评价信息、第一交互评价信息均值、各第二交互评价信息,以及第二交互评价信息均值,得到目标用户与各其他用户的用户相似度,可以采用如下公式:
其中,表示目标用户u在第k个虚拟资源中的第一交互评价信息,表示其他
用户v在第k个虚拟资源中的第二交互评价信息,第一交互评价信息均值,第二
交互评价信息均值。
本实施例中,根据各第一交互评价信息、第一交互评价信息均值、各第二交互评价信息,以及第二交互评价信息均值,得到目标用户与各其他用户的用户相似度,为后续推荐虚拟资源提供可靠的用户相似度。
在一个示例性的实施例中,如图8所示,根据各第一交互评价信息、第一交互评价信息均值、各第二交互评价信息,以及第二交互评价信息均值,得到目标用户与各其他用户的用户相似度,包括:
步骤S802,从候选虚拟资源中,获取历史交互虚拟资源,以及历史交互虚拟资源的交互次数。
其中,历史交互虚拟资源为交互次数大于预设交互次数阈值的候选虚拟资源。
步骤S804,根据历史交互虚拟资源的交互次数,得到修正系数。
其中,修正系数指的是利用历史交互虚拟资源的交互次数得到的用于修正用户相似度的修正参数。
步骤S806,根据各第一交互评价信息、第一交互评价信息均值、各第二交互评价信息、第二交互评价信息均值,以及修正系数,得到目标用户与各其他用户的用户相似度。
示例性地,可以根据步骤S704示例所采用的相似度计算公式进一步计算,如下所示:
其中,表示虚拟资源i出现的次数,i表示用户u与用户v共同产生行为的虚拟资
源。的值越大,表示两个用户越相似,则用户u与用户v喜好越接近。
本实施例中,根据历史交互虚拟资源的交互次数,得到修正系数,通过修正系数来相似度,可以减少出现次数过多的热门虚拟资源,以减少推荐热门虚拟资源,更好的发掘目标用户的真实需求。
在一个示例性的实施例中,一种虚拟资源推荐方法如图9所示,具体可包括:
步骤901:获取候选虚拟资源的资源特征。将候选虚拟资源的特征转化为向量表示,以便进行计算和比较。本实施例使用GPT模型(生成式预训练模型)将虚拟资源特征转为向量。首先对输入文本进行预处理。根据GPT模型的要求,对输入文本进行适当的预处理。这包括分词、标记化、添加特殊标记等步骤。确保文本的格式与训练GPT模型时一致。输入的文本数据包括虚拟资源的收益率、风险等级、投资期限等。其次,使用预训练的GPT模型对虚拟资源的文本集合中的文本进行向量化处理,得到/>,可表示为
其中,M为句长,d为词向量维度。最后使用模型的隐藏层将文本的向量表示进行输出。
步骤902:获取用户特征。同样采用GPT模型将目标用户的用户信息和历史虚拟资源交互信息等进行特征提取,例如年龄、性别、投资偏好、风险承受能力等。使用预训练的GPT模型对用户信息和历史虚拟资源交互信息的文本集合中的文本进行向量化处理,得到/>,可表示为
其中,M为句长,d为词向量维度。
步骤903:获取用户特征与资源特征的相似度。采用余弦相似度来计算用户特征与候选虚拟资源的资源特征的相似性,其相似度计算公式如下:
其中,和分别表示用户特征和资源特征向量在维度k上的值,n表示数据集中
的总个数。根据以上公式,用户特征与资源特征的相似度的值分布在内,且其值越接近
1,越能说明用户i与候选虚拟资源j的特征向量相似。可以根据用户特征与资源特征相似度
的计算,按照相似度的大小进行降序排序,选取与用户特征相似度最高的N个候选资源的资
源特征,将资源特征还原为候选资源,形成虚拟资源推荐结果。
步骤904:获取目标用户对各候选虚拟资源的第一兴趣指数。在步骤三中,表示用户i针对候选虚拟资源j的感兴趣程度,值越高说明用户对该候选虚拟资源感兴趣程度越高,所以该算法中,第一兴趣指数等同于用户特征与资源特征的相似度。即:
步骤905:获取目标用户对各候选虚拟资源的第一交互评价信息以及其他用户针对候选虚拟资源的第二交互评价信息。通过记录目标用户对虚拟资源的历史交易记录,包括用户交互或参与的虚拟资源以及对这些资源产品的评分或反馈。假设用户对每个虚拟资源的评分范围为1-5分,若用户交互过该虚拟资源,则用户在1-5分的范围内给出评分,其中大于等于3分的标记为满意,小于3分的标记为不满意。其中将满意的虚拟资源评分规范为1,不满意的虚拟资源规范为0。若用户没有交互过该虚拟资源,则用户对这个虚拟资源的评分规范为0。这样累计可以得到每个用户对每个虚拟资源的评分。
根据统计和分析用户对虚拟资源的评分结果,构建用户评分矩阵。对于M个用户(包括目标用户),N个虚拟资源的数据集,其用户对虚拟资源集中的每个虚拟资源的评价可以表示为一个矩阵:
其中代表的是用户i对虚拟资源j的评分。对于用户i,用户评分模型可以用他对
各个虚拟资源的评分向量来表示,。
步骤906:根据第一交互评价信息与各第二交互评价信息,获取目标用户与各其他
用户的用户相似度。使用皮尔逊相关系数公式计算相似度,给定用户u和用户v,和为
两个n维用户评分向量,和表示用户u和用户v在第k个虚拟资源中的评分。则两个用
户间的皮尔逊相似度公式如下:
其中,,/>。
传统的皮尔逊相似度公式没有考虑热门虚拟资源的影响。如果某些虚拟资源出现次数过多,那么实际相似度计算结果就会受到影响,导致推荐的虚拟资源都是热门的产品,不能完全符合用户的真实需求。为了避免这种情况,可以加入一个惩罚因素作为加权系数,以抑制热门虚拟资源产生的影响。这里采用虚拟资源出现次数的倒数作为惩罚因子,这样一来出现次数越多,虚拟资源对用户兴趣指数的贡献就越小。修正后的公式可减少热门虚拟资源造成的影响,带有惩罚因子的修正公式为:
其中,表示虚拟资源i出现的次数,i表示用户u与用户v共同产生行为的虚拟资
源。的值越大,表示两个用户越相似,则用户u与用户v喜好越接近。
可以选取与目标用户最为相似的前K个用户作为目标用户的邻居用户。通过上一步的运算可以找出与目标用户相似度最高的前K个用户。
步骤907:计算目标用户针对各候选虚拟资源的第二兴趣指数。计算用户u对虚拟资源i的兴趣指数公式为:
其中表示用户u的近邻集合,包含与u最接近的K个用户,表示对虚拟资
源产生行为的用户集合,表示用户u和用户v的相似度,表示用户v对虚拟资源i的
兴趣指数。
其中,可以选取用户对虚拟资源的感兴趣程度最高的前N个虚拟资源作为推荐结果,生成推荐表。
步骤908:获取目标用户针对各候选虚拟资源的混合兴趣指数,根据混合兴趣指数,从候选虚拟资源中获取目标虚拟资源。采取一种混合算法,将两种兴趣指数进行结合,将混合后的混合兴趣指数做为最终结果,并依据混合兴趣指数产生虚拟资源推荐。其混合方式如下:
是最后目标用户对候选虚拟资源的混合兴趣指数。为了混合这两种兴趣指
数,引入权重参数,其中。当时,只根据用户对虚拟资源的评分进行推荐,而时,不考虑用户评分,只根据用户交换的虚拟资源本身标签进行推荐。
利用熵值法来确定权重参数的值,步骤如下:
步骤a:将数据标准化。利用公式将和的
数据分别进行标准化处理,使其具有相同的量纲和范围,其中为第i行第j列的数据,为
第j项的平均值,公式为,为第j项的标准差,公式为。
步骤b:构建决策矩阵。根据标准化后的数据构建决策矩阵,其中每一行代表针对一个虚拟资源的第一兴趣指数以及第二兴趣指数,每一列代表一个兴趣指数。对于本问题,决策矩阵为:
其中为对应的标准化后的数据,为对应的标准
化后的数据。
步骤c:计算熵值e。针对每一列数据计算出其熵值,其公式为:
其中m为常数,,表示决策矩阵中第i行第j列元素的比例,即。
步骤d:计算每列的权重。根据熵值计算每一列数据的权重,公式为:
其中,表示第j列的权重系数,表示第j列的熵值,k表示决策矩阵的列数。
最后,结合算出的混合兴趣指数,在待推荐的候选虚拟资源集中按照混合兴趣指数降序排序,选择前N个虚拟资源,形成最终的top-N推荐顺序。
应该理解的是,虽然如上所述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,如上所述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虚拟资源推荐方法的虚拟资源推荐装置。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虚拟资源推荐装置实施例中的具体限定可以参见上文中对于虚拟资源推荐方法的限定,在此不再赘述。
在一个示例性的实施例中,如图10所示,提供了一种虚拟资源推荐装置1000,包括:信息获取模块1001、第一计算模块1002、第二计算模块1003和推荐生成模块1004,其中:
信息获取模块1001,用于获取待推荐虚拟资源的目标用户的用户信息以及历史虚拟资源交互信息,并获取待推荐的候选虚拟资源的虚拟资源信息;
第一计算模块1002,用于将用户信息、历史虚拟资源交互信息以及虚拟资源信息输入第一虚拟资源推荐模型,通过第一虚拟资源推荐模型获取目标用户的用户特征以及各候选虚拟资源的资源特征,并根据用户特征与各资源特征之间的文本相似度,得到目标用户针对各候选虚拟资源的第一兴趣指数;
第二计算模块1003,用于将历史虚拟资源交互信息输入第二虚拟资源推荐模型,通过第二虚拟资源推荐模型获取与目标用户具有相似虚拟资源交互行为的相似用户,并根据目标用户与各相似用户之间的用户相似度,以及各相似用户针对各候选虚拟资源的兴趣指数,得到目标用户针对各候选虚拟资源的第二兴趣指数;
推荐生成模块1004,用于根据第一兴趣指数以及第二兴趣指数,从候选虚拟资源中获取目标虚拟资源,并将目标虚拟资源推荐至目标用户。
在一个实施例中,上述推荐生成模块1004,还用于获取第一兴趣指数对应的第一权重系数,以及第二兴趣指数对应的第二权重系数;利用第一权重系数以及第二权重系数,对第一兴趣指数以及第二兴趣指数进行加权处理,得到目标用户针对各候选虚拟资源的混合兴趣指数;根据混合兴趣指数,从候选虚拟资源中获取目标虚拟资源。
在一个实施例中,上述推荐生成模块1004,还用于根据各第一兴趣指数的平均值以及标准差,对各第一兴趣指数分别进行标准化处理,并根据各第二兴趣指数的平均值以及标准差,对各第二兴趣指数分别进行标准化处理;根据标准化处理后的各第一兴趣指数,得到第一熵值,并根据标准化处理后的各第二兴趣指数,得到第二熵值;根据第一熵值,得到第一权重系数,以及根据第二熵值,得到第二权重系数。
在一个实施例中,上述第一计算模块1002,还用于通过第一虚拟资源推荐模型,获取用户信息以及历史虚拟资源交互信息对应的文本特征,作为目标用户的用户特征,以及获取各虚拟资源信息对应的文本特征,作为各候选虚拟资源的资源特征;获取用户特征与各资源特征之间的文本相似度,将文本相似度作为目标用户针对各候选虚拟资源的第一兴趣指数。
在一个实施例中,上述第二计算模块1003,还用于通过第二虚拟资源推荐模型,根据历史虚拟资源交互信息,获取目标用户针对各候选虚拟资源的第一交互评价信息,并获取其他用户针对候选虚拟资源的第二交互评价信息;其他用户为除目标用户以外对候选虚拟资源存在历史交互行为的用户;根据第一交互评价信息与各第二交互评价信息,获取目标用户与各其他用户的用户相似度,并将用户相似度满足预设相似度阈值的其他用户作为相似用户。
在一个实施例中,上述第二计算模块1003,还用于根据目标用户针对各候选虚拟资源的第一交互评价信息,获取目标用户针对各候选虚拟资源的第一交互评价信息均值,以及根据其他用户针对各候选虚拟资源的第二交互评价信息,获取其他用户针对各候选虚拟资源的第二交互评价信息均值;根据各第一交互评价信息、第一交互评价信息均值、各第二交互评价信息,以及第二交互评价信息均值,得到目标用户与各其他用户的用户相似度。
在一个实施例中,上述第二计算模块1003,还用于从候选虚拟资源中,获取历史交互虚拟资源,以及历史交互虚拟资源的交互次数;历史交互虚拟资源为交互次数大于预设交互次数阈值的候选虚拟资源;根据历史交互虚拟资源的交互次数,得到修正系数;根据各第一交互评价信息、第一交互评价信息均值、各第二交互评价信息、第二交互评价信息均值,以及修正系数,得到目标用户与各其他用户的用户相似度。
上述虚拟资源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。
在一个示例性的实施例中,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11所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。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。该计算机设备的数据库用于存储虚拟资源推荐过程中相关计算数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信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虚拟资源推荐方法。
本领域技术人员可以理解,图11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,还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上述各方法实施例中的步骤。
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,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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上述各方法实施例中的步骤。
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,且相关数据的收集、使用和处理需要符合相关规定。
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)
1.一种虚拟资源推荐方法,其特征在于,所述方法包括:
获取待推荐虚拟资源的目标用户的用户信息以及历史虚拟资源交互信息,并获取待推荐的候选虚拟资源的虚拟资源信息;
将所述用户信息、所述历史虚拟资源交互信息以及所述虚拟资源信息输入第一虚拟资源推荐模型,通过所述第一虚拟资源推荐模型获取所述目标用户的用户特征以及各所述候选虚拟资源的资源特征,并根据所述用户特征与各所述资源特征之间的文本相似度,得到所述目标用户针对各所述候选虚拟资源的第一兴趣指数;
将所述历史虚拟资源交互信息输入第二虚拟资源推荐模型,通过所述第二虚拟资源推荐模型获取与所述目标用户具有相似虚拟资源交互行为的相似用户,并根据所述目标用户与各相似用户之间的用户相似度,以及各所述相似用户针对各所述候选虚拟资源的兴趣指数,得到所述目标用户针对各所述候选虚拟资源的第二兴趣指数;
根据所述第一兴趣指数以及所述第二兴趣指数,从所述候选虚拟资源中获取目标虚拟资源,并将所述目标虚拟资源推荐至所述目标用户。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一兴趣指数以及所述第二兴趣指数,从所述候选虚拟资源中获取目标虚拟资源,包括:
获取所述第一兴趣指数对应的第一权重系数,以及所述第二兴趣指数对应的第二权重系数;
利用所述第一权重系数以及所述第二权重系数,对所述第一兴趣指数以及所述第二兴趣指数进行加权处理,得到所述目标用户针对各所述候选虚拟资源的混合兴趣指数;
根据所述混合兴趣指数,从所述候选虚拟资源中获取所述目标虚拟资源。
3.根据权利要求2所述的方法,其特征在于,所述获取所述第一兴趣指数对应的第一权重系数,以及所述第二兴趣指数对应的第二权重系数,包括:
根据各所述第一兴趣指数的平均值以及标准差,对各所述第一兴趣指数分别进行标准化处理,并根据各所述第二兴趣指数的平均值以及标准差,对各所述第二兴趣指数分别进行标准化处理;
根据标准化处理后的各所述第一兴趣指数,得到第一熵值,并根据标准化处理后的各所述第二兴趣指数,得到第二熵值;
根据所述第一熵值,得到所述第一权重系数,以及根据所述第二熵值,得到所述第二权重系数。
4.根据权利要求1所述的方法,其特征在于,所述通过所述第一虚拟资源推荐模型获取所述目标用户的用户特征以及各所述候选虚拟资源的资源特征,并根据所述用户特征与各所述资源特征之间的文本相似度,得到所述目标用户针对各所述候选虚拟资源的第一兴趣指数,包括:
通过所述第一虚拟资源推荐模型,获取所述用户信息以及所述历史虚拟资源交互信息对应的文本特征,作为所述目标用户的用户特征,以及获取各所述虚拟资源信息对应的文本特征,作为各所述候选虚拟资源的资源特征;
获取所述用户特征与各所述资源特征之间的文本相似度,将所述文本相似度作为所述目标用户针对各所述候选虚拟资源的第一兴趣指数。
5.根据权利要求1所述的方法,其特征在于,所述通过所述第二虚拟资源推荐模型获取与所述目标用户具有相似虚拟资源交互行为的相似用户,包括:
通过所述第二虚拟资源推荐模型,根据所述历史虚拟资源交互信息,获取所述目标用户针对各候选虚拟资源的第一交互评价信息,并获取其他用户针对所述候选虚拟资源的第二交互评价信息;所述其他用户为除目标用户以外对候选虚拟资源存在历史交互行为的用户;
根据所述第一交互评价信息与各所述第二交互评价信息,获取所述目标用户与各所述其他用户的用户相似度,并将用户相似度满足预设相似度阈值的其他用户作为所述相似用户。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第一交互评价信息与各所述第二交互评价信息,获取所述目标用户与各所述其他用户的用户相似度,包括:
根据所述目标用户针对各候选虚拟资源的第一交互评价信息,获取所述目标用户针对各所述候选虚拟资源的第一交互评价信息均值,以及根据所述其他用户针对各所述候选虚拟资源的第二交互评价信息,获取所述其他用户针对各所述候选虚拟资源的第二交互评价信息均值;
根据各所述第一交互评价信息、所述第一交互评价信息均值、各所述第二交互评价信息,以及所述第二交互评价信息均值,得到所述目标用户与各所述其他用户的用户相似度。
7.根据权利要求6所述的方法,其特征在于,所述根据各所述第一交互评价信息、所述第一交互评价信息均值、各所述第二交互评价信息,以及所述第二交互评价信息均值,得到所述目标用户与各所述其他用户的用户相似度,包括:
从所述候选虚拟资源中,获取历史交互虚拟资源,以及所述历史交互虚拟资源的交互次数;所述历史交互虚拟资源为交互次数大于预设交互次数阈值的候选虚拟资源;
根据所述历史交互虚拟资源的交互次数,得到修正系数;
根据所述各所述第一交互评价信息、所述第一交互评价信息均值、各所述第二交互评价信息、所述第二交互评价信息均值,以及所述修正系数,得到所述目标用户与各所述其他用户的用户相似度。
8.一种虚拟资源推荐装置,其特征在于,所述装置包括:
信息获取模块,用于获取待推荐虚拟资源的目标用户的用户信息以及历史虚拟资源交互信息,并获取待推荐的候选虚拟资源的虚拟资源信息;
第一计算模块,用于将所述用户信息、所述历史虚拟资源交互信息以及所述虚拟资源信息输入第一虚拟资源推荐模型,通过所述第一虚拟资源推荐模型获取所述目标用户的用户特征以及各所述候选虚拟资源的资源特征,并根据所述用户特征与各所述资源特征之间的文本相似度,得到所述目标用户针对各所述候选虚拟资源的第一兴趣指数;
第二计算模块,用于将所述历史虚拟资源交互信息输入第二虚拟资源推荐模型,通过所述第二虚拟资源推荐模型获取与所述目标用户具有相似虚拟资源交互行为的相似用户,并根据所述目标用户与各相似用户之间的用户相似度,以及各所述相似用户针对各所述候选虚拟资源的兴趣指数,得到所述目标用户针对各所述候选虚拟资源的第二兴趣指数;
推荐生成模块,用于根据所述第一兴趣指数以及所述第二兴趣指数,从所述候选虚拟资源中获取目标虚拟资源,并将所述目标虚拟资源推荐至所述目标用户。
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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410042678.XA CN117786231A (zh) | 2024-01-11 | 2024-01-11 | 虚拟资源推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410042678.XA CN117786231A (zh) | 2024-01-11 | 2024-01-11 | 虚拟资源推荐方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117786231A true CN117786231A (zh) | 2024-03-29 |
Family
ID=90396363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410042678.XA Pending CN117786231A (zh) | 2024-01-11 | 2024-01-11 | 虚拟资源推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117786231A (zh) |
-
2024
- 2024-01-11 CN CN202410042678.XA patent/CN117786231A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9348898B2 (en) | Recommendation system with dual collaborative filter usage matrix | |
Ge et al. | Cost-aware travel tour recommendation | |
US11243992B2 (en) | System and method for information recommendation | |
Ge et al. | Cost-aware collaborative filtering for travel tour recommendations | |
CN111080123A (zh) | 用户风险评估方法及装置、电子设备、存储介质 | |
CN112287244A (zh) | 基于联邦学习的产品推荐方法、装置、计算机设备及介质 | |
EP4258132A1 (en) | Recommendation method, recommendation network, and related device | |
Bijak et al. | Modelling LGD for unsecured retail loans using Bayesian methods | |
CN111783039B (zh) | 风险确定方法、装置、计算机系统和存储介质 | |
Andersson et al. | Large sample confidence intervals for item response theory reliability coefficients | |
Su et al. | Effective social content-based collaborative filtering for music recommendation | |
Fu et al. | A working likelihood approach for robust regression | |
CN115204301A (zh) | 视频文本匹配模型训练、视频文本匹配方法和装置 | |
Gao et al. | Generative adversarial network–assisted image classification for imbalanced tire X-ray defect detection | |
Wang et al. | Online regularization toward always-valid high-dimensional dynamic pricing | |
Chen et al. | Precision marketing for financial industry using a PU-learning recommendation method | |
CN114529399A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
CN117786231A (zh) | 虚拟资源推荐方法、装置、计算机设备和存储介质 | |
Liu et al. | A new feature selection method for text categorization of customer reviews | |
Francis et al. | SmarTxT: A Natural Language Processing Approach for Efficient Vehicle Defect Investigation | |
Pan et al. | Short-term wind speed interval prediction by improved regularized extreme learning machine based on attribute reduction | |
US11989243B2 (en) | Ranking similar users based on values and personal journeys | |
Cheng | Comparison of partial least square algorithms in hierarchical latent variable model with missing data | |
Wang et al. | Joint Neural Collaborative Filtering with Basic Side Information | |
CN117541350A (zh) | 产品推送方法、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 |