CN117974234A - 信息推荐方法、装置、电子设备及存储介质 - Google Patents
信息推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117974234A CN117974234A CN202311766212.6A CN202311766212A CN117974234A CN 117974234 A CN117974234 A CN 117974234A CN 202311766212 A CN202311766212 A CN 202311766212A CN 117974234 A CN117974234 A CN 117974234A
- Authority
- CN
- China
- Prior art keywords
- user
- sample
- information
- target
- 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 82
- 230000006399 behavior Effects 0.000 claims description 110
- 238000012549 training Methods 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 3
- 101150054987 ChAT gene Proteins 0.000 description 36
- 101100203187 Mus musculus Sh2d3c gene Proteins 0.000 description 36
- 238000005516 engineering process Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 235000019633 pungent taste Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000003776 cleavage reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 230000007017 scission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种信息推荐方法、装置、电子设备及存储介质,其中信息推荐方法,包括:获取用户的属性特征和行为特征;将用户的属性特征和行为特征分别与预先构建的用户画像模型进行匹配,确定用户的目标兴趣和目标需求;用户画像模型是基于样本用户的样本属性特征和样本行为特征构建的;确定与用户的目标兴趣和目标需求均匹配的目标待推荐信息,并向用户推荐所述目标待推荐信息。本发明可以实现利用用户的需求和兴趣偏好针对性推荐信息的目的,从而也能实现随着用户兴趣和/或需求的不同,针对性地向用户推荐不同信息的目的,不仅提高了信息推荐的灵活性,也能确保每次信息推荐更加个性化和灵活化,同时也能大幅提高用户对于信息推荐结果的满意度。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种信息推荐方法、装置、电子设备及存储介质。
背景技术
目前,各种类型的广告不仅层出不穷,而且随处可见,例如电梯、商场或者交通工具等其它广告播放平台;商家可以通过不同广告播放平台向用户推荐广告中的信息,每个广告播放平台可以通过对不同类型的广告进行轮播的方式向用户推荐信息,也可以通过当前热度排名顺序播放广告的方式向用户推荐信息;但上述两种信息推荐方式并不能激发用户的观看欲望,导致信息推荐的灵活性很低且无法满足用户需求。
发明内容
本发明提供一种信息推荐方法、装置、电子设备及存储介质,用以解决现有信息推荐方法的灵活性很低且无法满足用户需求的缺陷,实现利用用户的需求和兴趣偏好针对性推荐信息的目的,从而也能实现随着用户兴趣和/或需求的不同,针对性地向用户推荐不同信息的目的,不仅提高了信息推荐的灵活性,也能确保每次信息推荐更加个性化和灵活化,同时也能大幅提高用户对于信息推荐结果的满意度。
本发明提供一种信息推荐方法,包括:
获取用户的属性特征和行为特征;
将所述属性特征和所述行为特征分别与预先构建的用户画像模型进行匹配,确定所述用户的目标兴趣和目标需求;所述用户画像模型是基于样本用户的样本属性特征和样本行为特征构建的;
确定与所述目标兴趣和目标需求均匹配的目标待推荐信息,并向所述用户推荐所述目标待推荐信息。
根据本发明提供的一种信息推荐方法,所述用户画像模型的构建过程包括:
获取训练样本集,所述训练样本集中每个训练样本分别为对应所述样本用户的样本属性特征、样本行为特征和样本聊天记录;
基于所述训练样本集对每个样本用户的兴趣进行推断学习,构建用户兴趣识别模型;
基于所述训练样本对每个样本用户的需求进行推断学习,构建用户需求识别模型;
确定包括所述用户兴趣识别模型、所述用户需求识别模型、所述用户兴趣识别模型所推断学习的各个兴趣标签以及所述用户需求识别模型所推断学习的各个需求标签的用户画像模型。
根据本发明提供的一种信息推荐方法,所述方法还包括:
基于各所述样本用户各自的样本属性特征和样本行为特征,对各所述样本用户分别进行分群,确定各所述样本用户各自对应的用户群体;
确定包括所述用户兴趣识别模型、所述用户需求识别模型、所述用户兴趣识别模型所推断学习的各个兴趣标签、所述用户需求识别模型所推断学习的各个需求标签以及所述用户群体的用户画像模型。
根据本发明提供的一种信息推荐方法,所述训练样本集的获取过程包括:
获取每个所述样本用户的初始样本属性特征和初始样本行为特征;
对每个所述初始样本属性特征和每个所述初始样本行为特征分别进行预处理和编码,确定每个所述样本用户的样本属性特征和样本行为特征;
确定包括每个所述样本用户的样本属性特征和样本行为特征的所述训练样本集。
根据本发明提供的一种信息推荐方法,所述确定与所述目标兴趣和目标需求均匹配的目标待推荐信息,包括:
基于预先构建的兴趣-需求-待推荐信息之间的映射关系,确定与所述目标兴趣和目标需求均匹配的多个待推荐信息;
基于所述多个待推荐信息,确定所述目标待推荐信息。
根据本发明提供的一种信息推荐方法,所述基于所述多个待推荐信息,确定所述目标待推荐信息,包括:
基于所述目标兴趣、所述目标需求、每个所述待推荐信息的推荐效果和每个所述待推荐信息的推荐热度中至少一个,对各所述待推荐信息进行优先级排序;
基于优先级排序结果,从所述多个待推荐信息中确定所述目标待推荐信息。
根据本发明提供的一种信息推荐方法,所述获取用户的属性特征和行为特征,包括:
获取所述用户与ChatGPT机器人之间的当前聊天记录;
在所述用户与所述ChatGPT机器人之间存在历史聊天记录的情况下,基于所述当前聊天记录和所述历史聊天记录进行上下文理解及特征识别,确定所述用户的属性特征和行为特征。
本发明还提供一种信息推荐装置,包括:
用户特征获取模块,用于获取用户的属性特征和行为特征;
兴趣需求确定模块,用于将所述属性特征和所述行为特征分别与预先构建的用户画像模型进行匹配,确定所述用户的目标兴趣和目标需求;所述用户画像模型是基于样本用户的样本属性特征和样本行为特征构建的;
信息推荐模块,用于确定与所述目标兴趣和目标需求均匹配的目标待推荐信息,并向所述用户推荐所述目标待推荐信息。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述信息推荐方法。
本发明还提供一种非暂态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如上述任一种所述信息推荐方法。
本发明提供的信息推荐方法、装置、电子设备及存储介质,其中信息推荐方法,电子设备通过将获取的用户的属性特征和行为特征分别与预先构建的用户画像模型进行匹配、再确定与匹配所得到的用户的目标兴趣和目标需求均匹配的目标待推荐信息并向用户推荐,实现了利用用户的需求和兴趣偏好针对性推荐信息的目的,从而也能实现随着用户兴趣和/或需求的不同,针对性地向用户推荐不同信息的目的,不仅提高了信息推荐的灵活性,也能确保每次信息推荐更加个性化和灵活化,同时也能大幅提高用户对于信息推荐结果的满意度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的信息推荐方法的流程示意图;
图2是本发明提供的信息推荐装置的结构示意图;
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前,各种类型的广告不仅层出不穷,而且随处可见,例如电梯、商场或者交通工具等其它广告播放平台;商家可以通过不同广告播放平台向用户推荐广告中的信息,每个广告播放平台可以通过对不同类型的广告进行轮播的方式向用户推荐信息,也可以通过当前热度排名顺序播放广告的方式向用户推荐信息;但上述两种信息推荐方式不仅缺乏个性化和即时性,不能激发用户的观看欲望,无法满足用户需求和用户个性化需求,自然也不能为用户提供有效的个性化信息推荐,从而导致信息推荐的灵活性很低,信息推荐方式单一且没有针对性。
为解决上述技术问题,本发明提供一种信息推荐方法、装置、电子设备及存储介质,下面结合图1-图3描述本发明的信息推荐方法、装置、电子设备及存储介质,其中信息推荐方法的执行主体可以为电子设备或者服务器,电子设备可以为个人计算机(PersonalComputer,PC)、便携式设备、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等其它电子设备,服务器可以是指一台服务器,也可以是由多台服务器构成的服务器集群、云计算中心等。本发明对电子设备或者服务器的具体形式不作具体限定。进一步的,信息推荐方法还可以应用于设置在电子设备中的信息推荐装置中,该信息推荐装置可以通过软件、硬件或两者的结合来实现。下面以该信息推荐方法的执行主体为电子设备为例,对该信息推荐方法进行描述。
为了便于理解本发明实施例提供的信息推荐方法,下面,将通过下述几个示例地实施例对本发明提供的信息推荐方法进行详细地说明。可以理解的是,下面这几个示例地实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
参照图1,为本发明提供的信息推荐方法的流程示意图,如图1所示,该信息推荐方法包括如下步骤110~步骤130。
步骤110、获取用户的属性特征和行为特征。
其中,用户的属性特征包括但不限定年龄、性别和地理位置等其它表征用户个人属性的属性特征,用户的行为特征包括但不限定用户的购买行为、浏览行为、社交媒体偏好行为和点击行为等其它表征用户行为属性的行为特征。
具体的,电子设备获取用户的属性特征和行为特征,可以是由用户向电子设备输入用户的属性特征和行为特征的方式获取,其输入方式包括但不限定电子设备上输入、终端设备应用上输入、语音输入和拍照上传等方式。例如,可以通过用户人为在电子设备上输入用户的属性特征和行为特征的方式获取;或者,也可以通过人为在与电子设备连接的终端设备应用中输入用户的属性特征和行为特征的方式获取,还可以通过将拍摄的含有用户的属性特征和行为特征的图像上传输入、再由电子设备图像识别的方式获取;或者,还可以通过用户或终端设备语音输出用户的属性特征和行为特征的方式获取;或者,还可以通过引导用户注册和填写调查问卷的方式获取;或者,还可以通过从与电子设备合作的第三方数据提供商获取。此处对电子设备获取用户的属性特征和行为特征的方式不作具体限定。
步骤120、将用户的属性特征和行为特征分别与预先构建的用户画像模型进行匹配,确定用户的目标兴趣和目标需求;用户画像模型是基于样本用户的样本属性特征和样本行为特征构建的。
其中,基于样本用户的样本属性特征和样本行为特征构建的用户画像模型中可以包括行为标签、属性标签、兴趣标签和需求标签,以及属性标签-行为标签-兴趣标签-需求标签之间的映射关系,行为标签可以包括但不限定购买行为标签、浏览行为标签、社交媒体偏好行为标签和点击行为标签等,属性标签可以包括但不限定年龄标签、性别标签和地理位置标签等,兴趣标签可以包括但不限定内容偏好标签、类型偏好标签、明星偏好标签、商品偏好标签、价格偏好标签和品牌偏好标签等,需求标签可以包括但不限定情感需求标签、话题需求标签、知识需求标签、娱乐需求标签和社交需求标签等。
具体的,在电子设备预先构建用户画像模型的情况下,可以将用户的属性特征和行为特征分别与该用户画像模型进行匹配,也即确定用户的属性特征对应于用户画像模型中的目标属性标签,以及确定用户的行为特征对应于用户画像模型中的目标行为标签,再基于目标属性标签和目标行为标签,以及属性标签-行为标签-兴趣标签-需求标签之间的映射关系,确定用户的目标兴趣标签和目标需求标签,也即确定目标兴趣标签对应的目标兴趣和目标需求标签对应的目标需求,目标兴趣可以为用户的当前兴趣,目标需求可以为用户的当前需求。
步骤130、确定与用户的目标兴趣和目标需求均匹配的目标待推荐信息,并向用户推荐目标待推荐信息。
具体的,电子设备在确定出用户的目标兴趣和目标需求的情况下,可以基于目标需求和目标兴趣中的关键词,与预先存储的待推荐信息集中每个待推荐信息中的关键词进行匹配,也即计算目标需求和目标兴趣中的关键词分别与每个待推荐信息中的关键词之间的相似度,并确定最大相似度对应的待推荐信息,为与用户的目标兴趣和目标需求均匹配的目标待推荐信息,此时可以可以对该目标待推荐信息进行显示,显示方式可以以视频方式显示,也可以通过文字加图像的形式进行显示,也可以文字加音频的方式进行显示。此处不作具体限定。
本发明实施例提供的信息推荐方法,电子设备通过将获取的用户的属性特征和行为特征分别与预先构建的用户画像模型进行匹配、再确定与匹配所得到的用户的目标兴趣和目标需求均匹配的目标待推荐信息并向用户推荐,实现了利用用户的需求和兴趣偏好针对性推荐信息的目的,从而也能实现随着用户兴趣和/或需求的不同,针对性地向用户推荐不同信息的目的,不仅提高了信息推荐的灵活性,也能确保每次信息推荐更加个性化和灵活化,同时也能大幅提高用户对于信息推荐结果的满意度。
基于上述图1所示的信息推荐方法,在一种示例实施例中,考虑到ChatGPT技术具备上下文感知能力,因此可以通过对ChatGPT机器人与用户的聊天记录进行上下文理解的方式获取用户的属性特征和行为特征。基于此,步骤110的具体实现过程可以包括:
首先,获取用户与ChatGPT机器人之间的当前聊天记录;再进一步的,在用户与ChatGPT机器人之间存在历史聊天记录的情况下,基于当前聊天记录和历史聊天记录进行上下文理解及特征识别,确定用户的属性特征和行为特征。
具体的,当只获取到用户与ChatGPT机器人之间的当前聊天记录时,可以使用ChatGPT技术中的理解能力和自然语言理解能力,对当前聊天记录进行解析理解后进行特征识别;或者,当获取到用户与ChatGPT机器人之间的历史聊天记录时,可以结合历史聊天记录和当前聊天记录进行上下文理解及特征识别;然后,从识别到的所有特征中确定用户的属性特征和行为特征,例如从识别到的所有特征中将表征用户属性的特征归类为用户的属性特征、将表征用户行为的特征归类为用户的行为特征。
本发明实施例提供的信息推荐方法,通过对用户与ChatGPT机器人之间的历史聊天记录和当前聊天记录进行上下文理解及特征提取的方式,确定用户的属性特征和行为特征,以此结合ChatGPT技术的上下文感知能力和语言理解能力,将个性化信息推荐引入聊天机器人,提高了属性特征和行为特征的准确性以及与用户之间的匹配度,并且结合历史聊天记录和当前聊天记录,将上下文理解结果纳入信息推荐过程中,可以提供更有针对性和用户体验度的信息推荐内容,实现用户兴趣和需求的个性化信息推荐目的,提高信息推荐的相关性和准确性,从而也能提高信息推荐的用户满意度和个性化推荐效果。
基于上述图1所示的信息推荐方法,在一种示例实施例中,用户画像模型的构建过程包括:
首先,获取训练样本集,训练样本集中每个训练样本分别为对应样本用户的样本属性特征、样本行为特征和样本聊天记录;再进一步,基于训练样本集对每个样本用户的兴趣进行推断学习,构建用户兴趣识别模型;以及,基于训练样本对每个样本用户的需求进行推断学习,构建用户需求识别模型;然后,确定包括用户兴趣识别模型、用户需求识别模型、用户兴趣识别模型所推断学习的各个兴趣标签以及用户需求识别模型所推断学习的各个需求标签的用户画像模型。
其中,每个样本用户的样本属性特征包括但不限定对应样本用户的年龄、性别和地理位置等,每个样本用户的样本行为特征包括但不限定对应样本用户的购买行为、浏览行为、社交媒体偏好行为和点击行为等,每个样本用户的样本聊天记录可以包括对应样本用户的历史聊天记录。
具体的,电子设备获取训练样本集,可以通过获取ChatGPT机器人与不同样本用户之间的不同样本聊天记录、再对不同样本聊天记录分别进行自然语言理解和特征识别等方法提取对应样本用户的属性特征和行为特征的方式,获取训练样本集中的每个训练样本。
此时,电子设备可以利用机器学习和数据挖掘技术,使用训练样本集中每个样本用户的样本行为特征进行兴趣偏好的推断学习,也即通过分析每个样本用户的购买行为、浏览行为和点击行为等推断对应样本用户的兴趣偏好,直至推断学习的兴趣与对应样本用户的真实兴趣之间的相似度达到兴趣相似度阈值时,得到构建好的用户兴趣识别模型;与此同时,电子设备可以利用自然语言处理和机器学习技术,使用训练样本集中每个样本用户的样本聊天记录进行意图需求的推断学习,也即通过分析每个样本用户的样本聊天记录并提取的语境关键词等推断对应样本用户的需求和意图,直至推断学习的需求与对应样本用户的真实需求之间的相似度达到需求相似度阈值时,得到构建好的用户需求识别模型。再进一步将构建好的用户兴趣识别模型、用户需求识别模型、用户兴趣识别模型所推断学习的各个兴趣标签以及用户需求识别模型所推断学习的各个需求标签确定为用户画像模型。
本发明实施例提供的信息推荐方法,通过基于含有不同样本用户各自的样本属性特征、样本行为特征和样本聊天记录的训练样本集进行兴趣推断学习和需求推断学习的方式,构建含有用户兴趣识别模型、用户需求识别模型、各个兴趣标签和各个需求标签的用户画像模型,以此提高用户画像的内容完整性和内容可靠性,确保构建的用户画像模型能够满足用户的个性化需求和定制化需求,为后续准确识别用户需求和兴趣提供可靠保障。
基于上述图1所示的信息推荐方法,在一种示例实施例中,为了提高用户画像更加完善,还可以结合用户分群构建用户画像。基于此,本发明实施例提供的信息推荐方法还可以包括:
首先,基于各样本用户各自的样本属性特征和样本行为特征,对各样本用户分别进行分群,确定各样本用户各自对应的用户群体;再进一步的,确定包括用户兴趣识别模型、用户需求识别模型、用户兴趣识别模型所推断学习的各个兴趣标签、用户需求识别模型所推断学习的各个需求标签以及用户群体的用户画像模型。
具体的,基于每个样本用户的样本属性特征和样本行为特征,计算每两个样本用户之间的相似性和相关性,对所有样本用户划分为不同的群体或群集,得到每个样本用户对应的用户群体;或者,使用聚类分析和分类算法等对所有样本用户进行分群;例如,按照性别、年龄、地理位置、点击行为、浏览行为等进行划分;用户分群后,能便于更好更精准地识别不同类型的样本用户,并满足不同用户群体需求。
需要说明的是,是将具备某种相同特性的样本用户分别归类为一个用户群体,再按照特定条件从每个用户群体中筛选并洞察分析目标用户的兴趣和需求。并且,用户分群有助于更细致地理解并满足不同群体需求。
本发明实施例提供的信息推荐方法,通过用户分群构建包括用户兴趣识别模型、用户需求识别模型、各个兴趣标签、各个需求标签和各个用户群体的用户画像模型,以此确保用户画像模型更加完善、丰富和全面,从而大幅提高了用户画像模型的内容丰富性和内容全面性。
基于上述图1所示的信息推荐方法,在一种示例实施例中,为了确保用户画像过程更加快捷和高效,可以通过对每个初始训练样本分别进行预处理和编码的方式确定训练样本集。基于此,训练样本集的获取过程具体可以包括:
首先,获取每个样本用户的初始样本属性特征和初始样本行为特征;再进一步的,对每个初始样本属性特征和每个初始样本行为特征分别进行预处理和编码,确定每个样本用户的样本属性特征和样本行为特征;然后,确定包括每个样本用户的样本属性特征和样本行为特征的训练样本集。
具体的,电子设备可以获取ChatGPT机器人与每个样本用户之间的样本聊天记录,再对每个样本聊天记录分别进行自然语言理解和特征识别等方法提取对应样本用户的属性特征和行为特征,得到每个样本用户的初始样本属性特征和初始样本行为特征,也即得到每个样本用户的初始训练样本,再对每个样本用户的初始训练样本分别进行预处理和编码,得到每个样本用户的样本属性特征和样本行为特征。其中预处理方式可以包括但不限定数据清洗、去噪和格式化等其它方式中的至少一个;编码方式可以包括但不限定数值化、独热编码、词向量表示等编码方法,以适应所采用的算法和模型。
本发明实施例提供的信息推荐方法,通过先获取初始训练样本、再对初始训练样本分别进行预处理和编码的方式,确定包括各训练样本的训练样本集,以此结合预处理和编码技术能够提高训练样本的精度,为后续快捷且高效构建用户画像提供可靠保障。
基于上述图1所示的信息推荐方法,在一种示例实施例中,在预先对所有待推荐信息按照用户需求和兴趣进行分类的情况下,可以根据分类结果快速确定与用户的目标兴趣和目标需求均匹配的目标待推荐信息。基于此,步骤130的具体实现过程可以包括:
首先,基于预先构建的兴趣-需求-待推荐信息之间的映射关系,确定与用户的目标兴趣和目标需求均匹配的多个待推荐信息;再进一步的,基于多个待推荐信息,确定目标待推荐信息。
具体的,电子设备中预先存储待推荐信息集,待推荐信息集中包括不同信息创意、不同信息文本、不同图像和不同视频等其它形式的待推荐信息,并对待推荐信息集进行分类和标签化,也即根据用户画像模型中已推断学习的各个兴趣标签和各个需求标签,对待推荐信息集中的所有待推荐信息进行分类,以此得到兴趣-需求-待推荐信息之间的映射关系,并存储该兴趣-需求-待推荐信息之间的映射关系。基于此,当确定出用户的目标兴趣和目标需求时,可以通过该兴趣-需求-待推荐信息之间的映射关系,快速确定出与目标兴趣和目标需求均匹配的多个待推荐信息,再从多个待推荐信息中确定目标待推荐信息,也即可以结合用户当前所处场景从多个待推荐信息中确定目标待推荐信息,例如用户在电梯中或者乘坐交通工具时,可以从多个待推荐信息中选取播放时长最短的待推荐信息作为目标待推荐信息;或者,还可以接收用户对多个待推荐信息的反馈信息,并利用反馈信息从多个待推荐信息中选取目标待推荐信息。此处不作具体限定。
本发明实施例提供的信息推荐方法,通过结合不同兴趣和不同需求对待推荐信息集的分类结果,对与目标兴趣和目标需求匹配的多个待推荐信息中确定目标待推荐信息的方式,提高了确定目标待推荐信息的可靠性和准确性。
基于上述图1所示的信息推荐方法,在一种示例实施例中,对应确定出的多个待推荐信息,可以先进行优先级排序、再基于优先级排序结果确定目标待推荐信息。基于此,基于多个待推荐信息,确定目标待推荐信息,其具体实现过程可以包括:
首先,基于目标兴趣、目标需求、每个待推荐信息的推荐效果和每个待推荐信息的推荐热度中至少一个,对各待推荐信息进行优先级排序;再进一步的,基于优先级排序结果,从多个待推荐信息中确定目标待推荐信息。
具体的,对于通过该兴趣-需求-待推荐信息之间的映射关系所匹配出的多个待推荐信息,可以对多个待推荐信息进行优先级排序,并将优先级最高的待推荐信息确定为目标待推荐信息,此处可以利用排序算法和个性化推荐算法,结合用户的目标需求、目标兴趣、每个待推荐信息的推荐效果、每个待推荐信息的推荐热度和每个待推荐信息的竞价排名等中的至少一个,对多个待推荐信息进行优先级排序,以此提供与用户的目标需求和目标兴趣最相关和最贴近的目标待推荐信息,也即从多个待推荐信息中确定出目标待推荐信息。
需要说明的是,在向用户推荐目标待推荐信息的情况下,电子设备可以指示或引导用户与目标待推荐信息之间进行互动,例如对目标待推荐信息进行点击、购买目标待推荐信息所推荐购买的产品和浏览目标待推荐信息所推荐购买的产品等其它操作,然后获取用户与目标待推荐信息互动过程中的反馈行为数据,该反馈行为数据包括用户对于目标待推荐信息的点击率、对于目标待推荐信息的转发率和用户对于目标待推荐信息的浏览时长或者观看时长;此时电子设备可以基于该反馈行为数据评估本次信息推荐效果,并对用户画像模型中的用户兴趣识别模型和用户需求识别模型各自的模型参数进行调整,以此实现对用户画像模型进行优化的目的,也即用户画像模型是可以动态调整的,随着用户的目标需求和目标兴趣的变化而不断进行更新和迭代,通过定期检测用户的行为特征并更新用户画像模型,以保持用户画像的准确性和时效性。以此结合用户画像模型、聊天互动和个性化信息推荐,实现更精准、个性化的信息推荐目的,提升了用户体验和信息推荐效果。
下面对本发明提供的信息推荐装置进行描述,下文描述的信息推荐装置与上文描述的信息推荐方法可相互对应参照。
参照图2,为本发明实施例提供的信息推荐装置的结构示意图,如图2所示,该信息推荐装置200包括用户特征获取模块210、兴趣需求确定模块220和信息推荐模块230。
用户特征获取模块210,用于获取用户的属性特征和行为特征。
兴趣需求确定模块220,用于将用户的属性特征和行为特征分别与预先构建的用户画像模型进行匹配,确定用户的目标兴趣和目标需求;用户画像模型是基于样本用户的样本属性特征和样本行为特征构建的。
信息推荐模块230,用于确定与用户的目标兴趣和目标需求均匹配的目标待推荐信息,并向用户推荐所述目标待推荐信息。
可选的,兴趣需求确定模块220,具体用于获取训练样本集,训练样本集中每个训练样本分别为对应样本用户的样本属性特征、样本行为特征和样本聊天记录;基于训练样本集对每个样本用户的兴趣进行推断学习,构建用户兴趣识别模型;基于训练样本对每个样本用户的需求进行推断学习,构建用户需求识别模型;确定包括用户兴趣识别模型、用户需求识别模型、用户兴趣识别模型所推断学习的各个兴趣标签以及用户需求识别模型所推断学习的各个需求标签的用户画像模型。
可选的,兴趣需求确定模块220,具体用于基于各样本用户各自的样本属性特征和样本行为特征,对各样本用户分别进行分群,确定各样本用户各自对应的用户群体;确定包括用户兴趣识别模型、用户需求识别模型、用户兴趣识别模型所推断学习的各个兴趣标签、用户需求识别模型所推断学习的各个需求标签以及用户群体的用户画像模型。
可选的,兴趣需求确定模块220,具体用于获取每个样本用户的初始样本属性特征和初始样本行为特征;对每个初始样本属性特征和每个初始样本行为特征分别进行预处理和编码,确定每个样本用户的样本属性特征和样本行为特征;确定包括每个样本用户的样本属性特征和样本行为特征的训练样本集。
可选的,信息推荐模块230,具体用于基于预先构建的兴趣-需求-待推荐信息之间的映射关系,确定与目标兴趣和目标需求均匹配的多个待推荐信息;基于多个待推荐信息,确定目标待推荐信息。
可选的,信息推荐模块230,具体用于基于目标兴趣、目标需求、每个待推荐信息的推荐效果和每个待推荐信息的推荐热度中至少一个,对各待推荐信息进行优先级排序;基于优先级排序结果,从多个待推荐信息中确定目标待推荐信息。
可选的,用户特征获取模块210,具体用于获取用户与ChatGPT机器人之间的当前聊天记录;在用户与所述ChatGPT机器人之间存在历史聊天记录的情况下,基于当前聊天记录和历史聊天记录进行上下文理解及特征识别,确定用户的属性特征和行为特征。
本发明实施例提供的信息推荐装置200,可以执行上述信息推荐方法的任一实施例中的技术方案,其实现原理以及有益效果与信息推荐方法的实现原理及有益效果类似,可参见信息推荐方法的实现原理及有益效果,此处不再进行赘述。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(CommunicationsInterface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行信息推荐方法,该方法包括:
获取用户的属性特征和行为特征;将用户的属性特征和行为特征分别与预先构建的用户画像模型进行匹配,确定用户的目标兴趣和目标需求;用户画像模型是基于样本用户的样本属性特征和样本行为特征构建的;确定与用户的目标兴趣和目标需求均匹配的目标待推荐信息,并向用户推荐所述目标待推荐信息。
此外,上述的存储器330中的逻辑指令可以通过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。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的信息推荐方法,该方法包括:
获取用户的属性特征和行为特征;将用户的属性特征和行为特征分别与预先构建的用户画像模型进行匹配,确定用户的目标兴趣和目标需求;用户画像模型是基于样本用户的样本属性特征和样本行为特征构建的;确定与用户的目标兴趣和目标需求均匹配的目标待推荐信息,并向用户推荐所述目标待推荐信息。
又一方面,本发明还提供一种非暂态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以执行上述各方法提供的信息推荐方法,该方法包括:
获取用户的属性特征和行为特征;将用户的属性特征和行为特征分别与预先构建的用户画像模型进行匹配,确定用户的目标兴趣和目标需求;用户画像模型是基于样本用户的样本属性特征和样本行为特征构建的;确定与用户的目标兴趣和目标需求均匹配的目标待推荐信息,并向用户推荐所述目标待推荐信息。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种信息推荐方法,其特征在于,包括:
获取用户的属性特征和行为特征;
将所述属性特征和所述行为特征分别与预先构建的用户画像模型进行匹配,确定所述用户的目标兴趣和目标需求;所述用户画像模型是基于样本用户的样本属性特征和样本行为特征构建的;
确定与所述目标兴趣和目标需求均匹配的目标待推荐信息,并向所述用户推荐所述目标待推荐信息。
2.根据权利要求1所述的信息推荐方法,其特征在于,所述用户画像模型的构建过程包括:
获取训练样本集,所述训练样本集中每个训练样本分别为对应所述样本用户的样本属性特征、样本行为特征和样本聊天记录;
基于所述训练样本集对每个样本用户的兴趣进行推断学习,构建用户兴趣识别模型;
基于所述训练样本对每个样本用户的需求进行推断学习,构建用户需求识别模型;
确定包括所述用户兴趣识别模型、所述用户需求识别模型、所述用户兴趣识别模型所推断学习的各个兴趣标签以及所述用户需求识别模型所推断学习的各个需求标签的用户画像模型。
3.根据权利要求2所述的信息推荐方法,其特征在于,所述方法还包括:
基于各所述样本用户各自的样本属性特征和样本行为特征,对各所述样本用户分别进行分群,确定各所述样本用户各自对应的用户群体;
确定包括所述用户兴趣识别模型、所述用户需求识别模型、所述用户兴趣识别模型所推断学习的各个兴趣标签、所述用户需求识别模型所推断学习的各个需求标签以及所述用户群体的用户画像模型。
4.根据权利要求2所述的信息推荐方法,其特征在于,所述训练样本集的获取过程包括:
获取每个所述样本用户的初始样本属性特征和初始样本行为特征;
对每个所述初始样本属性特征和每个所述初始样本行为特征分别进行预处理和编码,确定每个所述样本用户的样本属性特征和样本行为特征;
确定包括每个所述样本用户的样本属性特征和样本行为特征的所述训练样本集。
5.根据权利要求1至4任一项所述的信息推荐方法,其特征在于,所述确定与所述目标兴趣和目标需求均匹配的目标待推荐信息,包括:
基于预先构建的兴趣-需求-待推荐信息之间的映射关系,确定与所述目标兴趣和目标需求均匹配的多个待推荐信息;
基于所述多个待推荐信息,确定所述目标待推荐信息。
6.根据权利要求5所述的信息推荐方法,其特征在于,所述基于所述多个待推荐信息,确定所述目标待推荐信息,包括:
基于所述目标兴趣、所述目标需求、每个所述待推荐信息的推荐效果和每个所述待推荐信息的推荐热度中至少一个,对各所述待推荐信息进行优先级排序;
基于优先级排序结果,从所述多个待推荐信息中确定所述目标待推荐信息。
7.根据权利要求1至4任一项所述的信息推荐方法,其特征在于,所述获取用户的属性特征和行为特征,包括:
获取所述用户与ChatGPT机器人之间的当前聊天记录;
在所述用户与所述ChatGPT机器人之间存在历史聊天记录的情况下,基于所述当前聊天记录和所述历史聊天记录进行上下文理解及特征识别,确定所述用户的属性特征和行为特征。
8.一种信息推荐装置,其特征在于,包括:
用户特征获取模块,用于获取用户的属性特征和行为特征;
兴趣需求确定模块,用于将所述属性特征和所述行为特征分别与预先构建的用户画像模型进行匹配,确定所述用户的目标兴趣和目标需求;所述用户画像模型是基于样本用户的样本属性特征和样本行为特征构建的;
信息推荐模块,用于确定与所述目标兴趣和目标需求均匹配的目标待推荐信息,并向所述用户推荐所述目标待推荐信息。
9.一种电子设备,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计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述信息推荐方法。
10.一种非暂态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如权利要求1至7任一项所述信息推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311766212.6A CN117974234A (zh) | 2023-12-20 | 2023-12-20 | 信息推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311766212.6A CN117974234A (zh) | 2023-12-20 | 2023-12-20 | 信息推荐方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117974234A true CN117974234A (zh) | 2024-05-03 |
Family
ID=90850400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311766212.6A Pending CN117974234A (zh) | 2023-12-20 | 2023-12-20 | 信息推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117974234A (zh) |
-
2023
- 2023-12-20 CN CN202311766212.6A patent/CN117974234A/zh active Pending
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 | |
US20240086971A1 (en) | Systems, methods, and storage media for training a machine learning model | |
CN107424043B (zh) | 一种产品推荐方法及装置,电子设备 | |
US10846617B2 (en) | Context-aware recommendation system for analysts | |
US20170249389A1 (en) | Sentiment rating system and method | |
CN111859160B (zh) | 一种基于图神经网络会话序列推荐方法及系统 | |
US20160110794A1 (en) | E-commerce recommendation system and method | |
CN110019943B (zh) | 视频推荐方法、装置、电子设备和存储介质 | |
CN105160545B (zh) | 投放信息样式确定方法及装置 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN115917535A (zh) | 推荐模型的训练方法、推荐方法、装置及计算机可读介质 | |
CN111597446B (zh) | 基于人工智能的内容推送方法、装置、服务器和存储介质 | |
CN112364204A (zh) | 视频搜索方法、装置、计算机设备及存储介质 | |
CN111818370A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
KR102322668B1 (ko) | 콘텐츠 크리에이터의 창작활동 활성화를 위한 다중 플랫폼 서비스 제공 시스템 | |
CN113111264B (zh) | 界面内容显示方法、装置、电子设备及存储介质 | |
Zhong et al. | Predicting pinterest: Automating a distributed human computation | |
CN113946754A (zh) | 基于用户画像的权益推荐方法、装置、设备及存储介质 | |
CN113704509B (zh) | 多媒体推荐方法、装置、电子设备及存储介质 | |
US20210350202A1 (en) | Methods and systems of automatic creation of user personas | |
KR102449602B1 (ko) | 멀티미디어 콘텐츠 내 상품 정보 처리 장치 및 그 방법 | |
KR20210060375A (ko) | 유망 콘텐츠 선정 방법, 장치 및 컴퓨터프로그램 | |
US20230316106A1 (en) | Method and apparatus for training content recommendation model, device, and storage medium | |
CN113327132A (zh) | 多媒体推荐方法、装置、设备及存储介质 | |
CN115222433A (zh) | 一种信息推荐方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |