CN117807303A - 服务信息的推荐方法、装置、计算机设备和存储介质 - Google Patents
服务信息的推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117807303A CN117807303A CN202311400662.3A CN202311400662A CN117807303A CN 117807303 A CN117807303 A CN 117807303A CN 202311400662 A CN202311400662 A CN 202311400662A CN 117807303 A CN117807303 A CN 117807303A
- Authority
- CN
- China
- Prior art keywords
- service
- sequence
- matrix
- preference
- category
- 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 92
- 239000011159 matrix material Substances 0.000 claims description 277
- 238000004458 analytical method Methods 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 13
- 230000003993 interaction Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 5
- 235000013311 vegetables Nutrition 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 235000021022 fresh fruits Nutrition 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 235000011888 snacks Nutrition 0.000 description 3
- 241000167854 Bourreria succulenta Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 235000019693 cherries Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 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
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种服务信息的推荐方法、装置、计算机设备和存储介质。所述方法包括:先获取用户的当前服务信息和历史服务序列,再根据历史服务序列对用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征,最后将当前服务信息、服务种类偏好特征和服务个体偏好特征输入至服务推荐模型中进行服务预测,得到推荐信息。本方案不仅考虑服务特征和服务的种类特征,还基于服务特征和服务的种类特征共同对用户的偏好特征进行分析,进而基于分析出的用户的偏好特征,从而预测得到更加准确的推荐信息。
Description
技术领域
本申请涉及大数据分析技术领域,特别是涉及一种服务信息的推荐方法、装置、计算机设备和存储介质。
背景技术
服务推荐算法作为连接服务提供商和用户的桥梁,可通过分析用户的服务交互历史预测其可能感兴趣的服务,从而为用户提供个性化的服务体验。
例如,现有的服务推荐算法通过分析用户与服务提供商之间产生服务的时间、产生服务的位置(例如,某购物交易平台)、产生同一服务的频次等,来共同确定用户和服务提供商之间产生某项服务的可能性,从而基于产生某项服务的可能性为用户提供服务推荐。
然而,上述服务推荐方法存在准确度低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高服务推荐准确度的服务信息的推荐方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种服务信息的推荐方法,包括:
获取用户的当前服务信息和历史服务序列;
根据历史服务序列对用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征;
将当前服务信息、服务种类偏好特征和服务个体偏好特征输入至服务推荐模型中进行服务预测,得到推荐信息。
在其中一个实施例中,上述历史服务序列包括多个历史服务,根据历史服务序列对用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征,包括:
对历史服务序列中的各历史服务进行分类,得到历史服务种类序列;历史服务种类序列包括各历史服务的种类;
根据历史服务序列和历史服务种类序列,对用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征。
在其中一个实施例中,上述根据历史服务序列和历史服务种类序列,对用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征,包括:
遍历历史服务序列中的任意两个服务进行共现处理,得到各任意两个服务之间的第一共现信息;
遍历历史服务种类序列中的任意两个服务的种类进行共现处理,得到各任意两个服务的种类之间的第二共现信息;
对各第一共现信息和各第二共现信息进行分析,分别得到服务序列嵌入矩阵和种类序列嵌入矩阵;
将服务序列嵌入矩阵和种类序列嵌入矩阵输入至自注意力模型进行特征提取,得到服务个体偏好特征,以及将服务序列嵌入矩阵和种类序列嵌入矩阵输入至门控循环单元进行特征提取,得到服务种类偏好特征。
在其中一个实施例中,上述对各第一共现信息和各第二共现信息进行分析,分别得到服务序列嵌入矩阵和种类序列嵌入矩阵,包括:
根据第一共现信息构建服务邻接矩阵,以及根据第二共现信息构建种类邻接矩阵;
对服务邻接矩阵和种类邻接矩阵进行联合编码,分别得到服务嵌入矩阵和种类嵌入矩阵;
将历史服务序列根据服务嵌入矩阵进行映射,得到服务序列嵌入矩阵,以及将历史服务种类序列根据种类嵌入矩阵进行映射,得到种类序列嵌入矩阵。
在其中一个实施例中,上述方法还包括:
对服务邻接矩阵进行稀疏处理,得到处理后的服务邻接矩阵;
对种类邻接矩阵进行稀疏处理,得到处理后的种类邻接矩阵;
对服务邻接矩阵和种类邻接矩阵进行联合编码,分别得到服务嵌入矩阵和种类嵌入矩阵,包括:
对处理后的服务邻接矩阵和处理后的种类邻接矩阵进行联合编码,分别得到服务嵌入矩阵和种类嵌入矩阵。
在其中一个实施例中,上述方法还包括:
将服务种类偏好特征和服务个体偏好特征输入至全连接层,得到目标偏好特征;
将当前服务信息、服务种类偏好特征和服务个体偏好特征输入至服务推荐模型中进行服务预测,得到推荐信息,包括:
将当前服务信息、目标偏好特征输入至服务推荐模型中进行服务预测,得到推荐信息。
在其中一个实施例中,上述根据历史服务序列对用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征,包括:
根据服务序列样本和服务种类序列样本,对初始偏好特征分析模型进行训练,得到训练后的偏好特征分析模型;
将历史服务序列输入至偏好特征分析模型进行兴趣偏好分析,得到服务种类偏好特征和服务个体偏好特征。
在其中一个实施例中,上述初始偏好特征分析模型包括初始自注意力机制模型和初始门控循环单元;根据服务序列样本和服务种类序列样本,对初始偏好特征分析模型进行训练,得到训练后的偏好特征分析模型,包括:
根据所述服务序列样本构建样本服务邻接矩阵,以及根据所述服务种类序列样本构建样本种类邻接矩阵;
对样本服务邻接矩阵和样本种类邻接矩阵进行联合编码,分别得到样本服务嵌入矩阵和样本种类嵌入矩阵;
将服务序列样本根据样本服务嵌入矩阵进行映射,得到服务序列样本嵌入矩阵,以及将服务种类序列样本根据样本种类嵌入矩阵进行映射,得到种类序列样本嵌入矩阵;
将服务序列样本嵌入矩阵和种类序列样本嵌入矩阵输入至初始自注意力模型中进行训练,以及将服务序列样本嵌入矩阵和种类序列样本嵌入矩阵输入至初始门控循环单元中进行训练,得到训练后的偏好特征分析模型。
第二方面,本申请还提供了一种服务信息的推荐装置,包括:
获取模块,用于获取用户的当前服务信息和历史服务序列;
分析模块,用于根据历史服务序列对用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征;
预测模块,用于将当前服务信息、服务种类偏好特征和服务个体偏好特征输入至服务推荐模型中进行服务预测,得到推荐信息。
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,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取用户的当前服务信息和历史服务序列;
根据历史服务序列对用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征;
将当前服务信息、服务种类偏好特征和服务个体偏好特征输入至服务推荐模型中进行服务预测,得到推荐信息。
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,所述计算机程序被处理器执行时实现以下步骤:
获取用户的当前服务信息和历史服务序列;
根据历史服务序列对用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征;
将当前服务信息、服务种类偏好特征和服务个体偏好特征输入至服务推荐模型中进行服务预测,得到推荐信息。
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:
获取用户的当前服务信息和历史服务序列;
根据历史服务序列对用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征;
将当前服务信息、服务种类偏好特征和服务个体偏好特征输入至服务推荐模型中进行服务预测,得到推荐信息。
上述服务信息的推荐方法、装置、计算机设备和存储介质,先获取用户的当前服务信息和历史服务序列,再根据历史服务序列对用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征,最后将当前服务信息、服务种类偏好特征和服务个体偏好特征输入至服务推荐模型中进行服务预测,得到推荐信息。上述方法通过对历史服务序列的偏好特征进行分析,得到服务种类偏好特征和服务个体偏好特征,并根据当前服务信息、服务种类偏好特征和服务个体偏好特征来共同对推荐信息进行预测,相比于现有的仅根据服务的基本信息(例如,服务发生的时间、位置和服务的交易频次)来预测用户产生某种服务的可能性而言,本方案不仅考虑服务特征和服务的种类特征,还基于服务特征和服务的种类特征共同对用户的偏好特征进行分析,进而基于分析出的用户的偏好特征,从而预测得到更加准确的推荐信息。
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为一个实施例中服务信息的推荐方法的应用环境图;
图2为一个实施例中服务信息的推荐方法的流程示意图;
图3为另一个实施例中服务信息的推荐方法的流程示意图;
图4为另一个实施例中服务信息的推荐方法的流程示意图;
图5为另一个实施例中服务信息的推荐方法的流程示意图;
图6为另一个实施例中服务信息的推荐方法的流程示意图;
图7为另一个实施例中服务信息的推荐方法的流程示意图;
图8为另一个实施例中服务信息的推荐方法的流程示意图;
图9为另一个实施例中服务信息的推荐方法的流程示意图;
图10为一个实施例中服务信息的推荐装置的结构框图;
图11为一个实施例中服务信息的推荐装置的结构框图;
图12为一个实施例中服务信息的推荐装置的结构框图。
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。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。
在本申请实施例的描述中,技术术语“第一”“第二”等仅用于区别不同对象,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中,“多个”的含义是两个以上,除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
在服务计算领域,服务推荐是一项热门且关键的研究方向,服务推荐作为连接服务提供商和用户的桥梁,服务推荐算法可以通过分析用户的服务交互历史,预测其可能感兴趣的服务,从而提供个性化服务体验。现有服务推荐算法的核心在于捕捉用户服务交互序列的演化规律,因此绝大多数研究采用以循环神经网络(Recurrent Neural Network,RNN)为代表的时序模型或以Transformer为代表的注意力模型来解决这一问题。
在时序模型和注意力模型的训练过程中,为了得到更加全面的用户偏好,例如,现有的服务推荐算法通过分析用户与服务提供商之间产生服务的时间、产生服务的位置(例如,某购物交易平台)、产生同一服务的频次等,来共同确定用户的兴趣偏好,从而基于用户的兴趣偏好为用户提供服务推荐。然而,上述服务推荐方法存在准确度低的问题。本申请旨在解决该问题。
在上述介绍完本申请实施例提供的服务信息的推荐方法的背景技术之后,下面,将对本申请实施例提供的服务信息的推荐方法所涉及到的实施环境进行简要说明。本申请实施例提供的服务信息的推荐方法,可以应用于如图1所示的计算机设备中。该计算机设备包括通过系统总线连接的处理器、存储器,该存储器中存储有计算机程序,处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的,该计算机设备还可以包括输入/输出接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、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。该计算机设备的输入/输出接口用于与外部的终端通过网络连接通信。可选的,该计算机设备可以是服务器,可以是个人计算机,还可以是个人数字助理,还可以是其他的终端设备,例如平板电脑、手机等等,还可以是云端或者远程服务器,本申请实施例对计算机设备的具体形式并不做限定。
本领域技术人员可以理解,图1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。
上述介绍了本申请实施例提供的服务信息的推荐方法的应用场景后,下面重点介绍本申请所述的服务信息的推荐方法。
在一个实施例中,如图2所示,提供了一种服务信息的推荐方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
S201、获取用户的当前服务信息和历史服务序列。
其中,用户的当前服务信息是指用户与服务提供商交互的当前服务的信息,用户的当前服务信息包括当前服务的发生时间、当前服务的种类和当前服务的具体服务内容,例如,用户的当前服务信息可以是:xx年xx月xx日xx时xx分xx秒,用户A在某服务交易平台上购买一部xx型号的手机。
其中,历史服务序列是指按照时间顺序对用户的多个历史服务进行排序得到的序列,例如,用户A的历史服务序列可以是:xx型号的手机、yy型号的耳机、zz品牌的衣服、aa品牌的袜子和bb品牌的鞋子等。
本申请实施例中,在用户与计算机设备交互并进行了当前服务之后,计算机设备可以获取用户与其交互的当前服务信息,以及从服务序列数据库中获取该用户的历史服务序列。需要说明的是,计算机设备中可以预先安装有存储多个用户历史服务序列的服务序列数据库,该服务序列数据库可以在用户与计算机设备完成服务交互之后,获取完成的服务信息,并在接收到计算机设备向其发送的获取某用户的历史服务序列的指令时,向计算机设备反馈该用户的历史服务序列。
S202、根据历史服务序列对用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征。
其中,用户的兴趣偏好是指用户在与服务提供商进行多次服务交互的过程中,根据大部分服务的交互种类总结出的用户的偏好;服务种类偏好特征是指用户在与服务提供商进行多次服务交互的过程中,根据大部分服务的交互种类总结出的用户对某种服务种类的偏好特征,例如,用户B大部分偏好于电子产品种类的服务;服务个体偏好特征是指用户在与服务提供商进行多次服务交互的过程中,根据大部分服务的交互种类总结出的用户对某种服务的偏好,例如,用户C大部分偏好于购买xx品牌的手机。
本申请实施例中,在上述获取到用户的历史服务序列之后,计算机设备可以根据获取到的历史服务序列对用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征;可选的,可以将获取到的历史服务序列直接输入至训练好的自注意力机制中对用户的兴趣偏好特征进行获取,得到用户的服务个体偏好特征;可选的,还可以将获取到的历史服务序列直接输入至训练好的门控循环单元中对用户的兴趣偏好特征进行获取,得到用户的服务种类偏好特征。
S203、将当前服务信息、服务种类偏好特征和服务个体偏好特征输入至服务推荐模型中进行服务预测,得到推荐信息。
其中,服务推荐模型是指根据服务种类偏好特征和服务个体偏好特征,训练好的能够根据用户的当前服务信息,确定用户下一时刻可能会与服务提供商进行交互的推荐信息的模型。可选的,服务推荐模型可以是评分模型,在对服务推荐模型进行训练的过程中,输入用户的服务种类偏好特征、服务个体偏好特征和用户的当前服务信息,以及多个候选服务,初始服务推荐模型可以根据用户的服务种类偏好特征、服务个体偏好特征和用户的当前服务信息,对多个候选服务分别进行打分,并将打分最高的候选服务确定为用户可能与服务提供商进行交互的推荐信息。例如,根据服务推荐模型的评分功能对各个候选服务i进行评分的过程可以用如下公式(1)表示:
其中,yi表示服务推荐模型对候选服务i的评分结果,表示用户的服务个体偏好特征,/>表示用户的服务种类偏好特征,Mi表示服务i的个体嵌入,Nc(i)表示候选服务i的种类嵌入,c(i)表示服务i的种类,β(β>0)表示种类重要性系数,控制着服务的种类在推荐中的作用。
可选的,可以使用如下公式(2)所示的交叉熵损失函数对上述服务推荐模型进行训练:
其中,I表示所有用户的历史服务序列集合,Iu表示用户u的历史服务序列,表示用户下一时刻交互的真实服务,/>表示经负采样得到的负样本,/>表示用户下一时刻交互的真实服务对应的评分,yj表示负样本对应的评分,σ(·)表示Sigmoid激活函数。
本申请实施例中,在上述获取到用户的当前服务信息、服务种类偏好特征和服务个体偏好特征之后,计算机设备可以将用户的当前服务信息、服务种类偏好特征和服务个体偏好特征输入至训练好的服务推荐模型中进行服务预测,进而得到最终的推荐信息。
本申请实施例提供的服务信息的推荐方法,先获取用户的当前服务信息和历史服务序列,再根据历史服务序列对用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征,最后将当前服务信息、服务种类偏好特征和服务个体偏好特征输入至服务推荐模型中进行服务预测,得到推荐信息。上述方法通过对历史服务序列的偏好特征进行分析,得到服务种类偏好特征和服务个体偏好特征,并根据当前服务信息、服务种类偏好特征和服务个体偏好特征来共同对推荐信息进行预测,相比于现有的仅根据服务的基本信息(例如,服务发生的时间、位置和服务的交易频次)来预测用户产生某种服务的可能性而言,本方案不仅考虑服务特征和服务的种类特征,还基于服务特征和服务的种类特征共同对用户的偏好特征进行分析,进而基于分析出的用户的偏好特征,从而预测得到更加准确的推荐信息。
在一个实施例中,在上述图2所示的实施例的基础上,本实施例还可以对获取服务种类偏好特征和服务个体偏好特征的过程进行描述,即S202“根据历史服务序列对用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征”,如图3所示,包括:
S301、对历史服务序列中的各历史服务进行分类,得到历史服务种类序列。
其中,历史服务序列包括多个历史服务,例如,用户A的历史服务序列为:xx型号的手机、xx型号的耳机、xx品牌的毛衣和xx品牌的手表等;历史服务种类序列包括各历史服务的种类,接上例,用户A的历史服务种类序列为:电子产品、电子产品、服装和奢侈品/搭配。
本申请实施例中,在上述从计算机设备中获取到历史服务序列之后,可以按照预设的分类规则对历史服务序列中的各历史服务进行分类,并得到各个历史服务对应的种类,并根据各个历史服务对应的种类和历史服务序列的顺序,得到历史服务种类序列。需要说明的是,预设的分类规则可以是根据用户大量的服务确定的多个服务种类,例如,预设的分类规则可以包括:将服务按照电器数码、美容护肤、日用百货、零食素食、果蔬生鲜和医疗健康等服务种类进行分类的规则。
可选的,用户B的历史服务序列为:樱桃、手机、电视、耳机、感冒灵和麦片,那么根据上述预设的分类规则得到的各个历史服务对应的种类分别为:樱桃(果蔬生鲜)、手机(电器数码)、电视(电器数码)、耳机(电器数码)、感冒灵(医疗健康)和麦片(零食素食),进而根据各个历史服务对应的种类和历史服务序列的顺序,得到历史服务种类序列为:果蔬生鲜、电器数码、电器数码、电器数码、医疗健康和零食素食。
S302、根据历史服务序列和历史服务种类序列,对用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征。
本申请实施例中,在上述获取到历史服务序列和历史服务种类序列之后,计算机设备可以根据获取到的历史服务序列和历史服务种类序列同时对用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征;可选的,可以将获取到的历史服务序列直接输入至训练好的自注意力机制中对用户的兴趣偏好特征进行获取,得到用户的服务个体偏好特征;可选的,还可以将获取到的历史服务种类序列直接输入至训练好的门控循环单元中对用户的兴趣偏好特征进行获取,得到用户的服务种类偏好特征。
本申请提供的对用户的兴趣偏好进行分析的方法,基于预设的规则确定各历史服务对应的服务种类,并基于各历史服务和其对应的服务种类共同确定用户的兴趣偏好特征,与现有的仅基于各历史服务确定用户偏好的方法相比,本方法在根据各历史服务对用户的兴趣偏好进行分析的基础上,融合了各历史服务对应的服务种类,从而使得对用户的兴趣偏好分析的更加准确,进而基于准确的兴趣偏好确定的推荐信息也就更加准确。
在一个实施例中,在上述图3所示的实施例的基础上,提供了一种获取服务种类偏好特征和服务个体偏好特征的方法,即S302“根据历史服务序列和历史服务种类序列,对用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征”,如图4所示,包括:
S401、遍历历史服务序列中的任意两个服务进行共现处理,得到各任意两个服务之间的第一共现信息。
其中,共现处理是指基于滑动窗口方法,根据任意两个服务之间的位置间隔和时间间隔,确定任意两个服务之间的相互关系的处理方法,即若两个服务之间的位置间隔和时间间隔之间满足预设条件,那么说明这两个服务是共现的,若两个服务之间的位置间隔和时间间隔之间不满足预设条件,那么说明这两个服务不是共现的。例如,设置滑动窗口大小为L,对于出现在某一用户的历史服务序列中的服务i和服务j,若服务i和服务j在历史服务序列中的位置分别为posi,posj,且服务i和服务j的真实交互时间分别为ti,tj,则若满足下述公式(3):
则认为服务i和服务j在该用户的历史服务序列中是共现的。其中,δ表示时间度量因子,其可以根据数据集特征进行灵活调整。
其中,第一共现信息是指历史服务序列中任意两服务的共现频率;可选的,可以通过遍历所有用户的历史服务序列,并通过下述公式(4)确定任意两服务的共现频率:
其中,cnti是指服务i出现的次数,cntj是指服务j出现的次数,numi,j是指服务i和服务j共现的次数。
本申请实施例中,在上述获取到历史服务序列之后,可以依次遍历历史服务序列中任意两个服务,根据任意两个服务的位置间隔和时间间隔确定任意两个服务是否共现,并在两项服务共现的基础上,根据各服务的出现次数和共现次数确定各任意两个服务之间的第一共现信息。
S402、遍历历史服务种类序列中的任意两个服务的种类进行共现处理,得到各任意两个服务的种类之间的第二共现信息。
本申请实施例中,基于上述S401相同的共现处理方法,在上述获取到历史服务种类序列之后,可以依次遍历历史服务种类序列中任意两个服务的种类,根据任意两个服务的种类的位置间隔和时间间隔确定任意两个服务的种类是否共现,并在两个服务的种类共现的基础上,根据各服务的种类的出现次数和共现次数确定各任意两个服务的种类之间的第一共现信息。
S403、对各第一共现信息和各第二共现信息进行分析,分别得到服务序列嵌入矩阵和种类序列嵌入矩阵。
其中,服务序列嵌入矩阵是指将各第一共现信息和各第二共现信息进行联合嵌入后得到的与服务个体偏好特征相关的嵌入矩阵;服务序列嵌入矩阵是指将各第一共现信息和各第二共现信息进行联合嵌入后得到的与服务种类偏好特征相关的嵌入矩阵。
本申请实施例中,在上述获取到各任意两个服务之间的第一共现信息和各任意两个服务的种类之间的第二共现信息之后,可以对获取到的各第一共现信息和各第二共现信息输入自编码机模型进行联合嵌入分析,分别得到服务序列嵌入矩阵和种类序列嵌入矩阵。
可选的,下面提供一种根据各第一共现信息和各第二共现信息确定服务序列嵌入矩阵和种类序列矩阵的实现方法,即上述S403“对各第一共现信息和各第二共现信息进行分析,分别得到服务序列嵌入矩阵和种类序列嵌入矩阵”,如图5所示,包括:
S4031、根据第一共现信息构建服务邻接矩阵,以及根据第二共现信息构建种类邻接矩阵。
其中,服务邻接矩阵是指根据各任意两服务之间的第一共现信息构建的矩阵;种类邻接矩阵是指根据各任意两服务的种类之间的第二共现信息构建的矩阵;例如,各任意两服务之间的第一共现信息分别为:
{f(1,1)=0.5;f(1,2)=0.3;f(1,3)=0.1;f(2,1)=0.3;f(2,2)=0.4;f(2,3)=0.6;f(3,1)=0.1;f(3,2)=0.6;f(3,3)=0.2}
那么根据第一共现信息构建的服务邻接矩阵A可以用如下公式(5)表示为:
本申请实施例中,在上述获取到各第一共现信息和各第二共现信息之后,计算机设备可以根据各第一共现信息构建服务邻接矩阵,以及根据各第二共现信息构建种类邻接矩阵。
S4032、对服务邻接矩阵和种类邻接矩阵进行联合编码,分别得到服务嵌入矩阵和种类嵌入矩阵。
其中,服务嵌入矩阵是指对服务邻接矩阵和种类邻接矩阵进行联合编码嵌入之后得到的与服务个体偏好特征相关的矩阵;种类嵌入矩阵是指对服务邻接矩阵和种类邻接矩阵进行联合编码嵌入之后得到的与服务种类偏好特征相关的矩阵。
本申请实施例中,在上述获取到服务邻接矩阵和种类邻接矩阵之后,可以对获取到的服务邻接矩阵和种类邻接矩阵进行联合编码嵌入,得到与服务个体偏好特征相关的矩阵,以及得到与服务种类偏好特征相关的矩阵。可选的,对服务邻接矩阵和种类邻接矩阵进行联合编码的过程可以包括:先分别对服务邻接矩阵和种类邻接矩阵进行编码和解码重构,再将解码重构之后的服务邻接矩阵和种类邻接矩阵进行联合嵌入,分别得到与服务个体偏好特征相关的矩阵,以及得到与服务种类偏好特征相关的矩阵。
下面以服务邻接矩阵为例,对编码和解码的过程进行说明。基于服务图邻接矩阵(其中,Ns表示历史服务序列中服务的总数量)对服务i的关联向量先进行编码得到其嵌入表示(如下公式(6)所示),而后进行解码重构原始的关联向量(如下公式(7)所示):
vi=σ(Weai+be) (6);
其中,σ(·)表示激活函数,We,be,Wd,bd均表示自编码机模型中的可训练参数,vi表示ai的嵌入表征,表示vi的重构向量。
进一步的,在自编码机的训练过程中,为兼顾历史服务序列中各服务嵌入的关联性与重构精度,需采用如下公式(8)所示的损失函数对自编码机的训练程度进行表示:
其中,br表示惩罚向量,λ表示损失参数。
与上述对服务邻接矩阵进行编码和解码的过程类似,还可以对种类邻接矩阵进行编码和解码,例如,基于种类邻接矩阵先对历史服务种类序列中的服务种类i的关联向量bi进行编码得到嵌入表示qi,而后进行解码得到重构向量/>且采用如下公式(9)所示的损失函数对自编码机的训练程度进行表示:
另外,在分别对服务邻接矩阵和种类邻接矩阵进行编码和解码之后,可以进一步对解码之后的服务邻接矩阵和种类邻接矩阵进行联合嵌入,在联合嵌入过程中,需要采用如下公式(10)所示的损失函数来为引入服务和服务种类之间的关联性:
其中,c(i)表示服务i的种类。
综合上述三个损失函数,自编码机模型的最终损失函数可以用如下公式(11)表示为:
根据自编码机模型的最终损失函数对自编码机模型进行充分训练后,可得到服务嵌入矩阵M和种类嵌入矩阵N。
S4033、将历史服务序列根据服务嵌入矩阵进行映射,得到服务序列嵌入矩阵,以及将历史服务种类序列根据种类嵌入矩阵进行映射,得到种类序列嵌入矩阵。
本申请实施例中,在上述获取到服务嵌入矩阵和种类嵌入矩阵之后,可以将上述确定的历史服务序列根据服务嵌入矩阵进行映射,得到服务序列嵌入矩阵,以及将上述确定的历史服务种类序列根据种类嵌入矩阵进行映射,得到种类序列嵌入矩阵。示例性的,使用服务嵌入矩阵将历史服务序列进行映射,得到服务序列嵌入矩阵以及使用种类嵌入矩阵将历史服务种类序列/>进行映射,得到种类序列嵌入矩阵/>
可选的,在上述S4031获取到服务邻接矩阵和种类邻接矩阵之后,还需对服务邻接矩阵和种类邻接矩阵进行稀疏化处理,如图6所示,上述方法还包括:
S4034、对服务邻接矩阵进行稀疏处理,得到处理后的服务邻接矩阵。
本申请实施例中,在上述获取到服务邻接矩阵之后,可以采用自适应双阈值方法对服务邻接矩阵进行稀疏化处理,进而得到处理后的服务邻接矩阵。可选的,首先,可以根据服务邻接矩阵画出对应的服务图,再基于上阈值γ1保证服务图的稀疏性,对于服务图中邻接数量多于γ1*Ns(其中,Ns表示服务总数量)的节点,按照连接权重排序后仅保留其前γ1*Ns个邻居节点;然后使用下阈值γ2保证服务图结构的连通性,对于因上一步稀疏化操作导致邻居数量低于γ2*Ns的节点,按照连接权重排序后重置其前γ2*Ns个邻居节点,最后得到稀疏化处理之后的服务邻接矩阵。
S4035、对种类邻接矩阵进行稀疏处理,得到处理后的种类邻接矩阵。
本申请实施例中,在上述获取到种类邻接矩阵之后,可以采用自适应双阈值方法对种类邻接矩阵进行稀疏化处理,进而得到处理后的种类邻接矩阵。可选的,首先,可以根据种类邻接矩阵画出对应的种类图,再基于上阈值γ1保证种类图的稀疏性,对于种类图中邻接数量多于γ1*Nc(其中,Nc表示服务种类总数量)的节点,按照连接权重排序后仅保留其前γ1*Nc个邻居节点;然后使用下阈值γ2保证种类图结构的连通性,对于因上一步稀疏化操作导致邻居数量低于γ2*Nc的节点,按照连接权重排序后重置其前γ2*Nc个邻居节点,最后得到稀疏化处理之后的种类邻接矩阵。
进一步的,上述S4032“对服务邻接矩阵和种类邻接矩阵进行联合编码,分别得到服务嵌入矩阵和种类嵌入矩阵”,包括:
S4032、对处理后的服务邻接矩阵和处理后的种类邻接矩阵进行联合编码,分别得到服务嵌入矩阵和种类嵌入矩阵。
S404、将服务序列嵌入矩阵和种类序列嵌入矩阵输入至自注意力模型进行特征提取,得到服务个体偏好特征,以及将服务序列嵌入矩阵和种类序列嵌入矩阵输入至门控循环单元进行特征提取,得到服务种类偏好特征。
其中,自注意力机制通过计算各个服务间的相似性来为各服务分配不同的注意力值,考虑到服务种类的加入有利于筛选出影响用户决策的关键服务,因此将种类序列嵌入矩阵用于注意力值的分配过程之中,使得基于服务序列嵌入矩阵和种类序列嵌入矩阵共同得到的服务个体偏好特征更加准确。可选的,下面提供一种自注意力机制模型的架构如下公式(12)所示:
其中,OS表示自注意力机制的输出,即服务个体偏好特征,表示对服务序列嵌入矩阵中引入位置嵌入后得到的矩阵,且位置嵌入P={p1,p2,…,pm}。α∈[0,1]控制着种类信息的比重,headi表示自注意力机制中多头i的特征提取结果,表示可训练模型的参数,d表示嵌入维度,h表示自注意力机制中多头的数量,Q,K,V分别表示自注意力机制中的query,key和value。
其中,门控循环单元(Gated Recurrent Unit,GRU)通过内含更新门和重置门来控制信息流通,考虑到服务的加入有利于筛选出影响用户决策的关键服务,因此将服务序列嵌入矩阵用于更新门和重置门的确定过程之中,使得基于服务序列嵌入矩阵和种类序列嵌入矩阵共同得到的服务种类偏好特征更加准确。可选的,下面提供一种GRU的架构如下公式(13)所示:
其中,zt表示重置门,rt表示更新门,σ(·)表示激活函数,Wz,Wr,W表示可训练模型参数,ht-1表示t-1时刻用户的服务种类偏好特征,表示种类序列嵌入,/>表示服务序列嵌入。
进一步的,为增强服务种类偏好特征的提取,可以对原GRU模型进行改进(即为Co-GRU),将具体的服务序列矩阵引入到门控循环单元的计算过程中,并为加速GRU模型收敛,采用如下公式(14)所示的残差结构得到用户的服务种类偏好特征:
OC=EC+Co-GRU(EC,α*ES) (14);
本申请实施例中,在上述获取到服务序列嵌入矩阵和种类序列嵌入矩阵之后,可以将服务序列嵌入矩阵和种类序列嵌入矩阵输入至自注意力模型进行特征提取,得到服务个体偏好特征,以及将服务序列嵌入矩阵和种类序列嵌入矩阵输入至门控循环单元进行特征提取,得到服务种类偏好特征。
本申请实施例提供的服务种类偏好特征和服务个体偏好特征的获取方法,基于历史服务序列和历史服务种类序列的共现特征共同进行分析,获取与服务相关的服务序列嵌入矩阵以及与服务种类相关的种类序列嵌入矩阵,以及根据服务序列嵌入矩阵和种类序列嵌入矩阵进行联合特征提取,得到服务个体偏好特征和服务种类偏好特征,即将服务序列特征和种类序列特征进行两次联合,使得获取到的服务个体偏好特征和服务种类偏好特征,相较于仅基于服务序列特征获取到的用户的偏好特征而言,准确度更高。
在一个实施例中,在图2所示实施例的基础上,如图7所示,上述方法还包括:
S204、将服务种类偏好特征和服务个体偏好特征输入至全连接层,得到目标偏好特征。
其中,目标偏好特征包括最终的服务种类偏好特征和最终的服务个体偏好特征。
本申请实施例中,在上述获取到服务种类偏好特征和服务个体偏好特征之后,可以将服务种类偏好特征和服务个体偏好特征输入至全连接层中进行处理,得到最终的服务种类偏好特征和最终的服务个体偏好特征。可选的,采用全连接层获取最终的服务种类偏好特征和最终的服务个体偏好特征的过程可以用如下公式(15)表示:
其中,W1,b1,W2,b2,W3,b3,W4,b4均为模型可训练参数。
进一步的,上述S203“将当前服务信息、服务种类偏好特征和服务个体偏好特征输入至服务推荐模型中进行服务预测,得到推荐信息”,包括:
S203、将当前服务信息、目标偏好特征输入至服务推荐模型中进行服务预测,得到推荐信息。
本实施例已在上述实施例S203中进行了详细的阐述,此处不做赘述。
本申请实施例提供的目标偏好特征的获取方法,基于全连接层将服务种类偏好特征和所述服务个体偏好特征进行处理,得到最终的目标偏好特征,为后续根据目标偏好特征预测推荐信息奠定基础。
在一个实施例中,在图2所示实施例的基础上,可以对根据历史服务序列对用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征的过程进行描述,如图8所示,上述S202“根据历史服务序列对用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征集”,包括:
S501、根据服务序列样本和服务种类序列样本,对初始偏好特征分析模型进行训练,得到训练后的偏好特征分析模型。
可选的,下面提供一种根据服务序列样本和服务种类序列样本,对初始偏好特征分析模型进行训练,得到训练后的偏好特征分析模型的方法,即S501“根据服务序列样本和服务种类序列样本,对初始偏好特征分析模型进行训练,得到训练后的偏好特征分析模型”,包括:
根据服务序列样本构建样本服务邻接矩阵,以及根据服务种类序列样本构建样本种类邻接矩阵,对样本服务邻接矩阵和样本种类邻接矩阵进行联合编码,分别得到样本服务嵌入矩阵和样本种类嵌入矩阵,将服务序列样本根据样本服务嵌入矩阵进行映射,得到服务序列样本嵌入矩阵,以及将服务种类序列样本根据样本种类嵌入矩阵进行映射,得到种类序列样本嵌入矩阵,将服务序列样本嵌入矩阵和种类序列样本嵌入矩阵输入至初始自注意力模型中进行训练,以及将服务序列样本嵌入矩阵和种类序列样本嵌入矩阵输入至初始门控循环单元中进行训练,得到训练后的偏好特征分析模型。
S502、将历史服务序列输入至偏好特征分析模型进行兴趣偏好分析,得到服务种类偏好特征和服务个体偏好特征。
其中,偏好特征分析模型包括自注意力模型和门控循环单元。
本申请实施例,将历史服务序列至自注意力模型进行特征提取,得到服务个体偏好特征,以及将历史服务序列输入至门控循环单元进行特征提取,得到服务种类偏好特征。
本申请实施例提供的训练偏好特征分析模型的方法,基于历史服务序列使用两个自编码机分别对服务图和种类图进行表示学习,保证服务和种类的嵌入表征具有空间相关性,优化模型的损失函数以引入服务和种类之间的关联性,并同时训练两个自编码机模型来得到服务和种类的嵌入表征,使其蕴含着丰富的内在关联。
在一个实施例中,如图9所示,提供了一个完整的服务信息的推荐方法,包括:
S10、获取用户的当前服务信息和历史服务序列;
S11、对历史服务序列中的各历史服务进行分类,得到历史服务种类序列;
S12、遍历历史服务序列中的任意两个服务进行共现处理,得到各任意两个服务之间的第一共现信息;
S13、遍历历史服务种类序列中的任意两个服务的种类进行共现处理,得到各任意两个服务的种类之间的第二共现信息;
S14、根据第一共现信息构建服务邻接矩阵,以及根据第二共现信息构建种类邻接矩阵;
S15、对服务邻接矩阵进行稀疏处理,得到处理后的服务邻接矩阵;
S16、对种类邻接矩阵进行稀疏处理,得到处理后的种类邻接矩阵;
S17、对处理后的服务邻接矩阵和处理后的种类邻接矩阵进行联合编码,分别得到服务嵌入矩阵和种类嵌入矩阵;
S18、将历史服务序列根据服务嵌入矩阵进行映射,得到服务序列嵌入矩阵,以及将历史服务种类序列根据种类嵌入矩阵进行映射,得到种类序列嵌入矩阵;
S19、将服务序列嵌入矩阵和种类序列嵌入矩阵输入至自注意力模型进行特征提取,得到服务个体偏好特征,以及将服务序列嵌入矩阵和种类序列嵌入矩阵输入至门控循环单元进行特征提取,得到服务种类偏好特征;
S20、将服务种类偏好特征和服务个体偏好特征输入至全连接层,得到目标偏好特征;
S21、将当前服务信息、目标偏好特征输入至服务推荐模型中进行服务预测,得到推荐信息。
上述方法通过对历史服务序列的偏好特征进行分析,得到服务种类偏好特征和服务个体偏好特征,并根据当前服务信息、服务种类偏好特征和服务个体偏好特征来共同对推荐信息进行预测,相比于现有的仅根据服务的基本信息(例如,服务发生的时间、位置和服务的交易频次)来预测用户产生某种服务的可能性而言,本方案不仅考虑服务特征和服务的种类特征,还基于服务特征和服务的种类特征共同对用户的偏好特征进行分析,进而基于分析出的用户的偏好特征,从而预测得到更加准确的推荐信息。
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服务信息的推荐方法的服务信息的推荐装置。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服务信息的推荐装置实施例中的具体限定可以参见上文中对于服务信息的推荐方法的限定,在此不再赘述。
在一个示例性的实施例中,如图10所示,提供了一种服务信息的推荐装置,包括:获取模块10、分析模块11和预测模块12,其中:
获取模块10,用于获取用户的当前服务信息和历史服务序列。
分析模块11,用于根据历史服务序列对用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征。
预测模块12,用于将当前服务信息、服务种类偏好特征和服务个体偏好特征输入至服务推荐模型中进行服务预测,得到推荐信息。
在一个示例性的实施例中,上述历史服务序列包括多个历史服务,如图11所示,上述分析模块11包括:分类单元110和分析单元111,其中:
分类单元110,具体用于对历史服务序列中的各历史服务进行分类,得到历史服务种类序列;历史服务种类序列包括各历史服务的种类;
分析单元111,具体用于根据历史服务序列和所述历史服务种类序列,对所述用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征。
在一个示例性的实施例中,上述分析单元111,具体用于遍历历史服务序列中的任意两个服务进行共现处理,得到各任意两个服务之间的第一共现信息;遍历历史服务种类序列中的任意两个服务的种类进行共现处理,得到各任意两个服务的种类之间的第二共现信息;对各第一共现信息和各第二共现信息进行分析,分别得到服务序列嵌入矩阵和种类序列嵌入矩阵;将服务序列嵌入矩阵和种类序列嵌入矩阵输入至自注意力模型进行特征提取,得到服务个体偏好特征,以及将服务序列嵌入矩阵和种类序列嵌入矩阵输入至门控循环单元进行特征提取,得到服务种类偏好特征。
在一个示例性的实施例中,上述分析单元111,具体用于根据第一共现信息构建服务邻接矩阵,以及根据第二共现信息构建种类邻接矩阵;对服务邻接矩阵和种类邻接矩阵进行联合编码,分别得到服务嵌入矩阵和种类嵌入矩阵;将历史服务序列根据服务嵌入矩阵进行映射,得到服务序列嵌入矩阵,以及将历史服务种类序列根据种类嵌入矩阵进行映射,得到种类序列嵌入矩阵。
在一个示例性的实施例中,上述分析模块11,还包括:第一处理单元和第二处理单元,其中:
第一处理单元,具体用于对服务邻接矩阵进行稀疏处理,得到处理后的服务邻接矩阵;
第二处理单元,具体用于对种类邻接矩阵进行稀疏处理,得到处理后的种类邻接矩阵;
上述分析单元111,具体用于对处理后的服务邻接矩阵和处理后的种类邻接矩阵进行联合编码,分别得到服务嵌入矩阵和种类嵌入矩阵。
在一个示例性的实施例中,如图12所示,上述装置还包括:输入模块13,用于将服务种类偏好特征和服务个体偏好特征输入至全连接层,得到目标偏好特征;
上述预测模块12,用于将当前服务信息、目标偏好特征输入至服务推荐模型中进行服务预测,得到推荐信息。
在一个示例性的实施例中,上述分析模块12包括训练单元和分析单元,其中:
训练单元,具体用于根据服务序列样本和服务种类序列样本,对初始偏好特征分析模型进行训练,得到训练后的偏好特征分析模型;
分析单元,具体用于将历史服务序列输入至偏好特征分析模型进行兴趣偏好分析,得到服务种类偏好特征和服务个体偏好特征。
在一个示例性的实施例中,上述初始偏好特征分析模型包括初始自注意力机制模型和初始门控循环单元,上述训练单元,具体用于根据服务序列样本构建样本服务邻接矩阵,以及根据服务种类序列样本构建样本种类邻接矩阵,对样本服务邻接矩阵和样本种类邻接矩阵进行联合编码,分别得到样本服务嵌入矩阵和样本种类嵌入矩阵;将服务序列样本根据样本服务嵌入矩阵进行映射,得到服务序列样本嵌入矩阵,以及将服务种类序列样本根据样本种类嵌入矩阵进行映射,得到种类序列样本嵌入矩阵;将服务序列样本嵌入矩阵和种类序列样本嵌入矩阵输入至初始自注意力模型中进行训练,以及将服务序列样本嵌入矩阵和种类序列样本嵌入矩阵输入至初始门控循环单元中进行训练,得到训练后的偏好特征分析模型。
上述服务信息的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1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历史服务序列数据。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服务信息的推荐方法。
本领域技术人员可以理解,图1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)
1.一种服务信息的推荐方法,其特征在于,所述方法包括:
获取用户的当前服务信息和历史服务序列;
根据所述历史服务序列对所述用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征;
将所述当前服务信息、所述服务种类偏好特征和所述服务个体偏好特征输入至服务推荐模型中进行服务预测,得到推荐信息。
2.根据权利要求1所述的方法,其特征在于,所述历史服务序列包括多个历史服务,所述根据所述历史服务序列对所述用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征,包括:
对所述历史服务序列中的各所述历史服务进行分类,得到历史服务种类序列;所述历史服务种类序列包括各所述历史服务的种类;
根据所述历史服务序列和所述历史服务种类序列,对所述用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征。
3.根据权利要求2所述的方法,其特征在于,所述根据所述历史服务序列和所述历史服务种类序列,对所述用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征,包括:
遍历所述历史服务序列中的任意两个服务进行共现处理,得到各所述任意两个服务之间的第一共现信息;
遍历所述历史服务种类序列中的任意两个服务的种类进行共现处理,得到各所述任意两个服务的种类之间的第二共现信息;
对各所述第一共现信息和各所述第二共现信息进行分析,分别得到服务序列嵌入矩阵和种类序列嵌入矩阵;
将所述服务序列嵌入矩阵和所述种类序列嵌入矩阵输入至自注意力模型进行特征提取,得到所述服务个体偏好特征,以及将所述服务序列嵌入矩阵和所述种类序列嵌入矩阵输入至门控循环单元进行特征提取,得到所述服务种类偏好特征。
4.根据权利要求3所述的方法,其特征在于,所述对各所述第一共现信息和各所述第二共现信息进行分析,分别得到服务序列嵌入矩阵和种类序列嵌入矩阵,包括:
根据所述第一共现信息构建服务邻接矩阵,以及根据所述第二共现信息构建种类邻接矩阵;
对所述服务邻接矩阵和所述种类邻接矩阵进行联合编码,分别得到服务嵌入矩阵和种类嵌入矩阵;
将所述历史服务序列根据所述服务嵌入矩阵进行映射,得到所述服务序列嵌入矩阵,以及将所述历史服务种类序列根据所述种类嵌入矩阵进行映射,得到所述种类序列嵌入矩阵。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
对所述服务邻接矩阵进行稀疏处理,得到处理后的服务邻接矩阵;
对所述种类邻接矩阵进行稀疏处理,得到处理后的种类邻接矩阵;
所述对所述服务邻接矩阵和所述种类邻接矩阵进行联合编码,分别得到服务嵌入矩阵和种类嵌入矩阵,包括:
对所述处理后的服务邻接矩阵和所述处理后的种类邻接矩阵进行联合编码,分别得到服务嵌入矩阵和种类嵌入矩阵。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述服务种类偏好特征和所述服务个体偏好特征输入至全连接层,得到目标偏好特征;
所述将所述当前服务信息、所述服务种类偏好特征和服务个体偏好特征输入至服务推荐模型中进行服务预测,得到推荐信息,包括:
将所述当前服务信息、所述目标偏好特征输入至服务推荐模型中进行服务预测,得到推荐信息。
7.根据权利要求1所述的方法,其特征在于,所述根据所述历史服务序列对所述用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征,包括:
根据服务序列样本和服务种类序列样本,对初始偏好特征分析模型进行训练,得到训练后的偏好特征分析模型;
将所述历史服务序列输入至所述偏好特征分析模型进行兴趣偏好分析,得到服务种类偏好特征和服务个体偏好特征。
8.根据权利要求7所述的方法,其特征在于,所述初始偏好特征分析模型包括初始自注意力机制模型和初始门控循环单元;所述根据服务序列样本和服务种类序列样本,对初始偏好特征分析模型进行训练,得到训练后的偏好特征分析模型,包括:
根据所述服务序列样本构建样本服务邻接矩阵,以及根据所述服务种类序列样本构建样本种类邻接矩阵;
对所述样本服务邻接矩阵和所述样本种类邻接矩阵进行联合编码,分别得到样本服务嵌入矩阵和样本种类嵌入矩阵;
将所述服务序列样本根据所述样本服务嵌入矩阵进行映射,得到所述服务序列样本嵌入矩阵,以及将所述服务种类序列样本根据所述样本种类嵌入矩阵进行映射,得到所述种类序列样本嵌入矩阵;
将所述服务序列样本嵌入矩阵和所述种类序列样本嵌入矩阵输入至所述初始自注意力模型中进行训练,以及将所述服务序列样本嵌入矩阵和所述种类序列样本嵌入矩阵输入至所述初始门控循环单元中进行训练,得到训练后的偏好特征分析模型。
9.一种服务信息的推荐装置,其特征在于,所述装置包括:
获取模块,用于获取用户的当前服务信息和历史服务序列;
分析模块,用于根据所述历史服务序列对所述用户的兴趣偏好进行分析,得到服务种类偏好特征和服务个体偏好特征;
预测模块,用于将所述当前服务信息、所述服务种类偏好特征和所述服务个体偏好特征输入至服务推荐模型中进行服务预测,得到推荐信息。
10.一种计算机设备,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8中任一项所述的方法的步骤。
11.一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8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311400662.3A CN117807303A (zh) | 2023-10-26 | 2023-10-26 | 服务信息的推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311400662.3A CN117807303A (zh) | 2023-10-26 | 2023-10-26 | 服务信息的推荐方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117807303A true CN117807303A (zh) | 2024-04-02 |
Family
ID=90430905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311400662.3A Pending CN117807303A (zh) | 2023-10-26 | 2023-10-26 | 服务信息的推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117807303A (zh) |
-
2023
- 2023-10-26 CN CN202311400662.3A patent/CN117807303A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Al-Sahaf et al. | A survey on evolutionary machine learning | |
CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及系统 | |
Wan et al. | Deep matrix factorization for trust-aware recommendation in social networks | |
CN112487199B (zh) | 一种基于用户购买行为的用户特征预测方法 | |
CN109034960B (zh) | 一种基于用户节点嵌入的多属性推断的方法 | |
CN110532471A (zh) | 基于门控循环单元神经网络的主动学习协同过滤方法 | |
CN110737730B (zh) | 基于无监督学习的用户分类方法、装置、设备及存储介质 | |
CN113761359B (zh) | 数据包推荐方法、装置、电子设备和存储介质 | |
CN111429161A (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
Du et al. | Image recommendation algorithm combined with deep neural network designed for social networks | |
CN113345564B (zh) | 一种基于图神经网络的患者住院时长早期预测方法及装置 | |
Pughazendi et al. | Graph sample and aggregate attention network optimized with barnacles mating algorithm based sentiment analysis for online product recommendation | |
CN116340643B (zh) | 对象推荐的调整方法及装置、存储介质、电子设备 | |
CN116910357A (zh) | 一种数据处理方法及相关装置 | |
CN116361643A (zh) | 实现对象推荐的模型训练方法及对象推荐方法及相关装置 | |
CN115564532A (zh) | 序列推荐模型的训练方法及装置 | |
CN117807303A (zh) | 服务信息的推荐方法、装置、计算机设备和存储介质 | |
CN112488355A (zh) | 基于图神经网络预测用户评级的方法和装置 | |
CN114912009A (zh) | 用户画像的生成方法、装置、电子设备和计算机程序介质 | |
Chantamunee et al. | Relation-aware collaborative autoencoder for personalized multiple facet selection | |
Deng et al. | Visual computing resources distribution and balancing by multimodal cat swarm optimization | |
Zhong et al. | Prediction of drug-disease relationship on heterogeneous networks based on graph convolution | |
CN116662814B (zh) | 对象意向预测方法、装置、计算机设备及存储介质 | |
CN117633371B (zh) | 基于多注意力机制的推荐方法、设备和可读存储介质 | |
CN118227677A (zh) | 信息推荐及信息推荐模型处理方法、装置、设备和介质 |
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 |