CN118154270A - 资源对象推荐方法、装置、计算机设备和存储介质 - Google Patents
资源对象推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN118154270A CN118154270A CN202410277751.1A CN202410277751A CN118154270A CN 118154270 A CN118154270 A CN 118154270A CN 202410277751 A CN202410277751 A CN 202410277751A CN 118154270 A CN118154270 A CN 118154270A
- Authority
- CN
- China
- Prior art keywords
- information
- resource object
- data
- recommendation
- interaction
- 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 52
- 230000003993 interaction Effects 0.000 claims abstract description 179
- 230000002452 interceptive effect Effects 0.000 claims abstract description 62
- 238000010606 normalization Methods 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000012360 testing method Methods 0.000 claims description 62
- 238000012549 training Methods 0.000 claims description 44
- 238000004590 computer program Methods 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 abstract description 10
- 238000011105 stabilization Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical class 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000000873 masking effect Effects 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
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种资源对象推荐方法、装置、计算机设备和存储介质，涉及人工智能技术领域。所述方法包括：获取目标用户账户的账户互动信息；将账户互动信息输入至资源对象推荐模型，得到模型输出结果；对模型输出结果进行反归一化处理，获得目标用户账户针对资源对象的匹配程度信息；根据匹配程度信息，确定资源对象对应的推荐信息。采用本方法能够利用资源对象推荐模型，对用户账户和资源对象各自对应的时序数据进行时序平稳化处理，通过分析时序数据之间的匹配程度，结合反归一化处理，还原时序数据的非平稳性，从而分析用户账户与资源互动平台之间的互动操作，准确确定用户账户与理财产品等资源对象之间的匹配程度和推荐信息。
Description
技术领域
本申请涉及人工智能技术领域，特别是涉及一种资源对象推荐方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着居民生活水平、教育程度逐渐提高，大众理财意识也越来越强，人们愿意把越来越多的资金存入理财产品。但是当前市场上理财产品数量众多，在现下人们还缺乏理财相关专业知识的情况下，客户往往在耗费大量时间和精力寻找后依然无法精准选择到适合自己的理财产品，通过向客户推荐理财产品，能够提升用户体验。
传统技术主要通过分析客户与理财产品之间的适配程度，从而为客户推荐适合的理财产品，然而，传统技术分析客户与理财产品之间的适配程度时所采用的数据来源较为单一，无法充分覆盖客户和理财产品各自的相关特征，导致为客户推荐的理财产品与客户的适配程度不高，不利于提高理财产品等资源对象的推荐信息的准确率。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高推荐理财产品等资源对象的准确率的资源对象推荐方法、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，本申请提供了一种资源对象推荐方法，包括：
获取目标用户账户对应的账户互动信息；所述账户互动信息表征所述目标用户账户在资源互动平台中的互动操作信息；
将所述账户互动信息输入至预训练的资源对象推荐模型，得到模型输出结果；所述资源对象推荐模型用于对所述账户互动信息进行归一化处理，得到归一化互动数据，并根据所述归一化互动数据和资源对象的归一化特征信息，输出模型输出结果；所述模型输出结果用于表征所述归一化互动数据与所述归一化特征信息之间的匹配程度；
对所述模型输出结果进行反归一化处理，获得所述目标用户账户针对资源对象集合中各资源对象的匹配程度信息；
根据所述匹配程度信息，确定所述各资源对象对应的推荐信息；所述推荐信息用于向所述目标用户账户展示所述各资源对象对应的推荐度。
在其中一个实施例中，所述将所述账户互动信息输入至预训练的资源对象推荐模型，得到模型输出结果，包括：
通过所述预训练的资源对象推荐模型，对所述账户互动信息和所述各资源对象的特征信息进行预处理，得到互动数据和特征数据；
通过所述预训练的资源对象推荐模型采用注意力机制处理所述互动数据和所述特征数据，确定所述模型输出结果。
在其中一个实施例中，对所述账户互动信息和所述各资源对象的特征信息进行归一化处理，得到归一化互动信息和归一化特征信息；
按照预设的时间序列窗口，将所述归一化互动信息转换为互动信息时间序列，按照所述预设的时间序列，将所述归一化特征信息转换为特征信息时间序列；
将所述互动信息时间序列和所述特征信息时间序列映射至预设向量空间，得到互动信息词嵌入信息和特征信息词嵌入信息；
根据所述互动信息词嵌入信息和所述互动信息词嵌入信息对应的位置编码信息，生成所述互动数据，根据所述特征信息词嵌入信息和所述特征信息词嵌入信息对应的位置编码信息，生成所述特征数据。
在其中一个实施例中，所述特征信息包括至少一个特征信息时序数据，所述对所述账户互动信息和所述各资源对象的特征信息进行归一化处理，得到归一化互动信息和归一化特征信息，包括：
从所述特征信息中筛选出最大值数据和最小值数据；
根据所述最大值数据与所述最小值数据之间的差值与预设的归一化参数之间的和，确定第一参数；
根据各所述特征信息时序数据与所述最小值数据之间的差值与所述第一参数之间的比值，将所述特征信息转换为所述归一化特征信息。
在其中一个实施例中，所述根据各所述特征信息时序数据与所述最小值数据之间的差值与所述第一参数之间的比值，将所述特征信息转换为所述归一化特征信息，包括：
根据各所述特征信息时序数据与所述最小值数据之间的差值与所述第一参数之间的比值，将所述特征信息转换为待处理特征信息序列；
根据所述待处理特征信息序列中的各数据，确定所述待处理特征信息序列对应的平均值数据和方差数据；
根据所述待处理特征信息序列中的各数据、所述平均值数据和所述方差数据，将所述待处理特征信息序列转换为所述归一化特征信息。
在其中一个实施例中，所述根据所述匹配程度信息，确定所述各资源对象对应的推荐信息，包括：
根据所述匹配程度信息，按照预设顺序，排列所述匹配程度信息，得到所述各资源对象对应的推荐信息；所述推荐信息包括评分信息、资源对象推荐表和资源对象推荐图；
获取所述推荐信息对应的展示方式信息，按照所述展示方式信息所表征的展示方式，向所述目标账户展示所述推荐信息。
在其中一个实施例中，所述方法还包括：
获取账户互动信息训练样本和资源对象特征信息训练样本；
根据所述账户互动信息训练样本和所述资源对象特征信息训练样本，训练待训练的资源对象推荐模型，得到训练后的资源对象推荐模型；
获取账户互动信息测试样本和资源对象特征信息测试样本；
根据所述账户互动信息测试样本和所述资源对象特征信息测试样本，测试所述训练后的资源对象推荐模型，得到测试结果；
在所述测试结果满足预设的测试结果要求的情况下，将所述训练后的资源对象推荐模型作为所述预训练的资源对象推荐模型。
第二方面，本申请还提供了一种资源对象推荐装置，包括：
获取模块，用于获取目标用户账户对应的账户互动信息；所述账户互动信息表征所述目标用户账户在资源互动平台中的互动操作信息；
分析模块，用于将所述账户互动信息输入至预训练的资源对象推荐模型，得到模型输出结果；所述资源对象推荐模型用于对所述账户互动信息进行归一化处理，得到归一化互动数据，并根据所述归一化互动数据和资源对象的归一化特征信息，输出模型输出结果；所述模型输出结果用于表征所述归一化互动数据与所述归一化特征信息之间的匹配程度；
处理模块，用于对所述模型输出结果进行反归一化处理，获得所述目标用户账户针对资源对象集合中各资源对象的匹配程度信息；
推荐模块，用于根据所述匹配程度信息，确定所述各资源对象对应的推荐信息；所述推荐信息用于向所述目标用户账户展示所述各资源对象对应的推荐度。
第三方面，本申请还提供了一种计算机设备。所述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，所述计算机程序被处理器执行时实现上述的方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述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上述的方法的步骤。
第五方面，本申请还提供了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，所述计算机程序被处理器执行时实现上述的方法的步骤。
上述资源对象推荐方法、装置、计算机设备、存储介质和计算机程序产品，通过获取目标用户账户对应的账户互动信息；账户互动信息表征目标用户账户在资源互动平台中的互动操作信息，从而准确获取用户账户与资源互动平台之间的互动操作；将账户互动信息输入至预训练的资源对象推荐模型，得到模型输出结果；资源对象推荐模型用于对账户互动信息进行归一化处理，得到归一化互动数据，并根据归一化互动数据和资源对象的归一化特征信息，输出模型输出结果；模型输出结果用于表征归一化互动数据与归一化特征信息之间的匹配程度，从而基于资源对象推荐模型，对用户账户和资源对象各自对应的时序数据进行时序平稳化处理，并分析时序数据之间的匹配程度，得到准确的输出结果；对模型输出结果进行反归一化处理，获得目标用户账户针对资源对象集合中各资源对象的匹配程度信息，从而对模型输出结果进行反归一化，还原时序数据的非平稳性，得到准确的匹配程度信息；根据匹配程度信息，确定各资源对象对应的推荐信息；推荐信息用于向目标用户账户展示各资源对象对应的推荐度，从而将资源对象的推荐信息直观地展示给用户账户，能够利用资源对象推荐模型，对用户账户和资源对象各自对应的时序数据进行时序平稳化处理，并分析时序数据之间的匹配程度，并结合反归一化处理，还原时序数据的非平稳性，准确生成资源对象针对用户账户的匹配程度信息和推荐信息，从而通过分析用户账户与资源互动平台之间的互动操作，确定用户账户与理财产品等资源对象之间的匹配程度，并将对应的推荐信息直观地展示给用户账户，提高理财产品等资源对象的推荐信息的准确率。
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为一个实施例中一种资源对象推荐方法的应用环境图；
图2为一个实施例中一种资源对象推荐方法的流程示意图；
图3为一个实施例中一种推荐资源对象的流程示意图；
图4为一个实施例中一种资源对象推荐装置的结构框图；
图5为一个实施例中一种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资源对象推荐方法，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。终端102获取目标用户账户对应的账户互动信息；账户互动信息表征目标用户账户在资源互动平台中的互动操作信息；终端102将账户互动信息输入至预训练的资源对象推荐模型，得到模型输出结果；资源对象推荐模型用于对账户互动信息进行归一化处理，得到归一化互动数据，并根据归一化互动数据和资源对象的归一化特征信息，输出模型输出结果；模型输出结果用于表征归一化互动数据与归一化特征信息之间的匹配程度；终端102对模型输出结果进行反归一化处理，获得目标用户账户针对资源对象集合中各资源对象的匹配程度信息；终端102根据匹配程度信息，确定各资源对象对应的推荐信息；推荐信息用于向目标用户账户展示各资源对象对应的推荐度。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，提供了一种资源对象推荐方法，以该方法应用于终端为例进行说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤S202，获取目标用户账户对应的账户互动信息。
其中，目标用户账户可以是指接收理财产品等资源对象的推荐信息的账户，实际应用中，目标用户账户可以包括使用金融平台等资源互动平台的任意用户在资源互动平台中注册的账户。
其中，账户互动信息可以是指表征目标用户账户在资源互动平台中的互动操作信息，实际应用中，账户互动信息可以包括与用户账户关联的用户历史交易数据、点击数据和浏览数据等，由于账户互动信息可以表示一段时间内用户账户与资源互动平台之间的互动操作，因此，账户互动信息可以具有一定的时序特征，其中，账户互动信息是经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理，均遵守相关法律法规和标准，采取了必要保密措施，不违背公序良俗，并提供有相应的操作入口，供用户选择授权或者拒绝，具体地，采集账户互动信息时可以为用户提供相应的操作入口，供用户选择同意或者拒绝自动化决策结果；若用户选择拒绝，则进入专家决策流程。
作为一种示例，当目标用户需要被推荐理财产品等资源对象时，终端在用户授权的情况下，获取目标用户账户的用户历史交易数据、点击数据和浏览数据等数据作为账户互动信息。
步骤S204，将账户互动信息输入至预训练的资源对象推荐模型，得到模型输出结果。
其中，资源对象推荐模型可以是指用于对账户互动信息进行归一化处理，得到归一化互动数据，并根据归一化互动数据和资源对象的归一化特征信息，输出模型输出结果的模型，实际应用中，资源对象可以包括各种理财产品，资源对象的归一化特征信息可以是指对资源对象的特征信息进行归一化处理后得到的信息，具体地，资源对象的特征信息可以包括但不限于理财产品的周期、理财产品类型、风险等级、年化收益率、起售金额、购买费率、赎回费率、到账时间、购买次数、持有时长等数据，其中，理财产品类型和风险等级为非结构化数据，根据常见类型记为字典形式，转换为结构化数据，如理财产品类型：1-债券型、2-信托型、3-股票型、……；风险等级：1-低风险、2-中风险、3-高风险。
其中，模型输出结果可以是指用于表征归一化互动数据与归一化特征信息之间的匹配程度的信息。
作为一种示例，终端将账户互动信息输入至预训练的资源对象推荐模型，资源对象推荐模型对账户互动信息进行归一化处理等数据预处理，得到互动数据，资源对象推荐模型还可以对理财产品的特征信息进行归一化处理等数据预处理，得到特征数据，资源对象推荐模型通过分析互动数据和特征数据之间的匹配程度，计算并输出模型输出结果。
步骤S206，对模型输出结果进行反归一化处理，获得目标用户账户针对资源对象集合中各资源对象的匹配程度信息。
其中，资源对象集合可以是指至少两个理财产品等资源对象组成的集合，实际应用中，资源对象集合可以包括理财产品集合，理财产品集合中包括若干用于推荐给用户账户的理财产品。
其中，资源对象可以是指理财产品。
其中，匹配程度信息可以是指用于表征目标用户账户与资源对象集合中各资源对象之间的匹配程度的信息。
作为一种示例，终端按照预设的反归一化方式，对模型输出结果进行反归一化处理，获得目标用户账户针对资源对象集合中各资源对象的匹配程度信息。
步骤S208，根据匹配程度信息，确定各资源对象对应的推荐信息。
其中，推荐信息可以是指用于向目标用户账户展示各资源对象对应的推荐度的信息，实际应用中，推荐信息所表征的推荐度越高，说明资源对象与用户账户越匹配（匹配程度越高）。
作为一种示例，终端根据匹配程度信息，确定各资源对象对应的推荐信息，终端通过向用户账户展示推荐信息，可以使用户直观了解各资源对象与用户之间的匹配程度。
上述资源对象推荐方法中，通过获取目标用户账户对应的账户互动信息；账户互动信息表征目标用户账户在资源互动平台中的互动操作信息，从而准确获取用户账户与资源互动平台之间的互动操作；将账户互动信息输入至预训练的资源对象推荐模型，得到模型输出结果；资源对象推荐模型用于对账户互动信息进行归一化处理，得到归一化互动数据，并根据归一化互动数据和资源对象的归一化特征信息，输出模型输出结果；模型输出结果用于表征归一化互动数据与归一化特征信息之间的匹配程度，从而基于资源对象推荐模型，对用户账户和资源对象各自对应的时序数据进行时序平稳化处理，并分析时序数据之间的匹配程度，得到准确的输出结果；对模型输出结果进行反归一化处理，获得目标用户账户针对资源对象集合中各资源对象的匹配程度信息，从而对模型输出结果进行反归一化，还原时序数据的非平稳性，得到准确的匹配程度信息；根据匹配程度信息，确定各资源对象对应的推荐信息；推荐信息用于向目标用户账户展示各资源对象对应的推荐度，从而将资源对象的推荐信息直观地展示给用户账户，能够利用资源对象推荐模型，对用户账户和资源对象各自对应的时序数据进行时序平稳化处理，并分析时序数据之间的匹配程度，并结合反归一化处理，还原时序数据的非平稳性，准确生成资源对象针对用户账户的匹配程度信息和推荐信息，从而通过分析用户账户与资源互动平台之间的互动操作，确定用户账户与理财产品等资源对象之间的匹配程度，并将对应的推荐信息直观地展示给用户账户，提高理财产品等资源对象的推荐信息的准确率。
在一个示例性的实施例中，将账户互动信息输入至预训练的资源对象推荐模型，得到模型输出结果，包括：通过预训练的资源对象推荐模型，对账户互动信息和各资源对象的特征信息进行预处理，得到互动数据和特征数据；通过预训练的资源对象推荐模型采用注意力机制处理互动数据和特征数据，确定模型输出结果。
其中，互动数据可以是指通过预训练的资源对象推荐模型，对账户互动信息进行预处理后得到的数据。
其中，特征信息可以是指表征资源对象的金融属性的信息，实际应用中，特征信息可以包括但不限于理财产品的周期、理财产品类型、风险等级、年化收益率、起售金额、购买费率、赎回费率、到账时间、购买次数、持有时长等信息，由于特征信息可以表征资源对象在一段时间内的金融属性，因此，特征信息可以具有一定的时序特征。
其中，特征数据可以是指通过预训练的资源对象推荐模型，对各资源对象的特征信息进行预处理后得到的数据。
作为一种示例，终端通过预训练的资源对象推荐模型，分别对账户互动信息和各资源对象的特征信息进行归一化等预处理，得到互动数据和特征数据，实际应用中，通过数据预处理可以对数据进行规范化，以使数据处于 [0，1) 范围内，终端通过预训练的资源对象推荐模型，基于注意力机制，分析互动数据和特征数据之间的关联程度或匹配程度，确定模型输出结果。
本实施例中，通过预训练的资源对象推荐模型，对账户互动信息和各资源对象的特征信息进行预处理，得到互动数据和特征数据；通过预训练的资源对象推荐模型采用注意力机制处理互动数据和特征数据，确定模型输出结果，能够对账户互动信息和各资源对象的特征信息进行预处理，将账户互动信息和各资源对象的特征信息进行预处理转换为适合资源对象推荐模型处理的数据，能够提高资源对象推荐模型的数据处理效率，进而提高资源对象的推荐信息的生成效率。
在一些实施例中，对账户互动信息和各资源对象的特征信息进行预处理，得到互动数据和特征数据，包括：对账户互动信息和各资源对象的特征信息进行归一化处理，得到归一化互动信息和归一化特征信息；按照预设的时间序列窗口，将归一化互动信息转换为互动信息时间序列，按照预设的时间序列，将归一化特征信息转换为特征信息时间序列；将互动信息时间序列和特征信息时间序列映射至预设向量空间，得到互动信息词嵌入信息和特征信息词嵌入信息；根据互动信息词嵌入信息和互动信息词嵌入信息对应的位置编码信息，生成互动数据，根据特征信息词嵌入信息和特征信息词嵌入信息对应的位置编码信息，生成特征数据。
其中，时间序列窗口可以是指用于切分数据的、以特定长度的滑动的窗口，实际应用中，时间序列窗口可以包括预设的时长周期。
其中，互动信息时间序列可以是指按照预设的时间序列窗口将归一化互动信息切分为若干时序数据后得到的数据。
其中，特征信息时间序列可以是指按照预设的时间序列窗口将归一化特征信息切分为若干时序数据后得到的数据。
其中，归一化互动信息可以是指对账户互动信息进行归一化处理后得到的数据。
其中，归一化特征信息可以是指对各资源对象的特征信息进行归一化处理后得到的数据。
其中，预设向量空间可以是指对互动信息时间序列和特征信息时间序列进行词嵌入处理时所依据的连续的向量空间。
其中，互动信息词嵌入信息可以是指将互动信息时间序列映射至预设向量空间后得到的信息。
其中，特征信息词嵌入信息可以是指将特征信息时间序列映射至预设向量空间后得到的信息。
其中，互动信息词嵌入信息对应的位置编码信息可以是指用于表征互动信息词嵌入信息中各数据的相对位置的信息。
其中，特征信息词嵌入信息对应的位置编码信息可以是指用于表征特征信息词嵌入信息中各数据的相对位置的信息。
作为一种示例，终端通过预训练的资源对象推荐模型，对账户互动信息和各资源对象的特征信息进行归一化处理，得到归一化互动信息和归一化特征信息，终端按照预设的时间序列窗口，将归一化互动信息转换为互动信息时间序列，并按照预设的时间序列，将归一化特征信息转换为特征信息时间序列，终端将互动信息时间序列和特征信息时间序列映射至预设向量空间，得到互动信息词嵌入信息和特征信息词嵌入信息，终端根据互动信息词嵌入信息和互动信息词嵌入信息对应的位置编码信息，生成互动数据，终端根据特征信息词嵌入信息和特征信息词嵌入信息对应的位置编码信息，生成特征数据。
本实施例中，通过对账户互动信息和各资源对象的特征信息进行归一化处理，得到归一化互动信息和归一化特征信息；按照预设的时间序列窗口，将归一化互动信息转换为互动信息时间序列，按照预设的时间序列，将归一化特征信息转换为特征信息时间序列；将互动信息时间序列和特征信息时间序列映射至预设向量空间，得到互动信息词嵌入信息和特征信息词嵌入信息；根据互动信息词嵌入信息和互动信息词嵌入信息对应的位置编码信息，生成互动数据，根据特征信息词嵌入信息和特征信息词嵌入信息对应的位置编码信息，生成特征数据，能够通过归一化、词嵌入等数据预处理，对账户互动信息和各资源对象的特征信息进行平稳化处理，使得资源对象推荐模型能够充分基于注意力机制，捕捉数据之间的时序依赖关系，提高模型输出结果的准确性，为后续生成推荐信息提供数据基础，进而提高推荐信息的准确性。
在一些实施例中，特征信息包括至少一个特征信息时序数据，对账户互动信息和各资源对象的特征信息进行归一化处理，得到归一化互动信息和归一化特征信息，包括：从特征信息中筛选出最大值数据和最小值数据；根据最大值数据与最小值数据之间的差值与预设的归一化参数之间的和，确定第一参数；根据各特征信息时序数据与最小值数据之间的差值与第一参数之间的比值，将特征信息转换为归一化特征信息。
其中，特征信息时序数据可以是指特征信息所对应的时间段内任意时间点下资源对象（如金融产品）的金融属性的数据。
其中，最大值数据可以是指特征信息所包含的特征信息时序数据中数据值最大的数据。
其中，最小值数据可以是指特征信息所包含的特征信息时序数据中数据值最小的数据。
其中，预设的归一化参数可以是指在归一化处理过程中用于防止零除的参数，实际应用中，预设的归一化参数可以表示为ε’。
作为一种示例，终端从特征信息中筛选出最大值数据xmax和最小值数据xmin，终端根据最大值数据与最小值数据之间的差值与预设的归一化参数之间的和，确定第一参数，终端根据各特征信息时序数据与最小值数据之间的差值与第一参数之间的比值，将特征信息转换为归一化特征信息，具体地，基于归一化参数的归一化处理可以由对应的归一化计算表达式表示，归一化计算表达式可以表示为：
。
其中，等号右边的x可以是指特征信息中的任一特征信息时序数据，等号左边的x可以是指待处理特征信息序列，对待处理特征信息序列进行进一步数据处理可以得到归一化特征信息。
在一些实施例中，根据各特征信息时序数据与最小值数据之间的差值与第一参数之间的比值，将特征信息转换为归一化特征信息，包括：根据各特征信息时序数据与最小值数据之间的差值与第一参数之间的比值，将特征信息转换为待处理特征信息序列；根据待处理特征信息序列中的各数据，确定待处理特征信息序列对应的平均值数据和方差数据；根据待处理特征信息序列中的各数据、平均值数据和方差数据，将待处理特征信息序列转换为归一化特征信息。
其中，待处理特征信息序列可以是指各特征信息时序数据与最小值数据之间的差值与第一参数之间的比值组成的一组数据。
其中，待处理特征信息序列中的各数据可以是指待处理特征信息序列中各特征信息时序数据与最小值数据之间的差值与第一参数之间的比值。
其中，平均值数据可以是指对待处理特征信息序列中的各数据计算平均值得到的数据。
其中，方差数据可以是指对待处理特征信息序列中的各数据计算方差得到的数据。
作为一种示例，终端根据各特征信息时序数据与最小值数据之间的差值与第一参数之间的比值，将特征信息转换为待处理特征信息序列，终端根据待处理特征信息序列中的各数据，确定待处理特征信息序列对应的平均值数据和方差数据，终端根据待处理特征信息序列中的各数据、平均值数据和方差数据，将待处理特征信息序列转换为归一化特征信息，具体地，终端将各特征信息时序数据与最小值数据之间的差值与第一参数之间的比值组成的序列作为待处理特征信息序列x=[x1,x2,……xs]T，终端获取待处理特征信息序列对应的平均值数据μx和方差数据σX 2，终端利用平均值数据μx和方差数据σX 2将待处理特征信息序列x=[x1,x2,……xs]T转换为归一化特征信息x’=[x1’，x2’，……，xs’]T，具体地，平均值数据μx、方差数据σX 2和归一化特征信息中数据x’ i的计算表达式可以分别表示为：
。
其中，S可以是指待处理特征信息序列中数据的数量，xi可以是指待处理特征信息序列中的数据。
在一些实施例中，根据匹配程度信息，确定各资源对象对应的推荐信息，包括：根据匹配程度信息，按照预设顺序，排列匹配程度信息，得到各资源对象对应的推荐信息；获取推荐信息对应的展示方式信息，按照展示方式信息所表征的展示方式，向目标账户展示推荐信息。
其中，推荐信息可以是指用于以特定形式向用户账户展示各资源对象对应的推荐度的信息，实际应用中，推荐信息可以包括评分信息、资源对象推荐表和资源对象推荐图。
其中，展示方式信息可以是指表征展示推荐信息的方式的信息，实际应用中，展示方式信息所表征的展示方式可以包括评分形式、表格形式和图片形式。
作为一种示例，终端根据匹配程度信息，按照预设顺序（如从大到小或从小到大），排列匹配程度信息和匹配程度信息对应的资源对象，得到各资源对象对应的推荐信息，终端获取推荐信息对应的展示方式信息，按照展示方式信息所表征的展示方式，向目标账户展示推荐信息，具体地，终端可以根据匹配程度信息计算各资源对象对应的评分信息，并将评分信息按照从高到低的顺序和对应的资源对象展示给用户账户；终端可以根据匹配程度信息生成资源对象推荐表，在资源对象推荐表中按照从大到小的顺序排列有各资源对象的推荐信息和对应的资源对象，终端将资源对象推荐表展示给用户账户；终端可以根据匹配程度信息生成资源对象推荐图（如柱状图等），终端将资源对象推荐图展示给用户账户，进一步地，终端还可以将各资源对象和对应的推荐信息通过语音形式播放给用户，以供用户获取资源对象的推荐信息。
本实施例中，通过根据匹配程度信息，按照预设顺序，排列匹配程度信息，得到各资源对象对应的推荐信息；获取推荐信息对应的展示方式信息，按照展示方式信息所表征的展示方式，向目标账户展示推荐信息，能够向用户直观展示各资源对象的推荐信息，实现推荐信息的可视化展示。
在一些实施例中，上述方法还包括：获取账户互动信息训练样本和资源对象特征信息训练样本；根据账户互动信息训练样本和资源对象特征信息训练样本，训练待训练的资源对象推荐模型，得到训练后的资源对象推荐模型；获取账户互动信息测试样本和资源对象特征信息测试样本；根据账户互动信息测试样本和资源对象特征信息测试样本，测试训练后的资源对象推荐模型，得到测试结果；在测试结果满足预设的测试结果要求的情况下，将训练后的资源对象推荐模型作为预训练的资源对象推荐模型。
其中，账户互动信息训练样本可以是指用于训练待训练的资源对象推荐模型的账户互动信息。
其中，资源对象特征信息训练样本可以是指用于训练待训练的资源对象推荐模型的资源对象的特征信息。
其中，账户互动信息测试样本可以是指用于测试待训练的资源对象推荐模型的账户互动信息。
其中，资源对象特征信息测试样本可以是指用于测试待训练的资源对象推荐模型的资源对象的特征信息。
其中，测试结果可以是指表征训练后的资源对象推荐模型的输出结果的准确度的信息，实际应用中，测试结果可以包括准确率、召回率、F1分数等。
其中，预设的测试结果要求可以是指用于判断训练后的资源对象推荐模型是否通过测试的信息。
作为一种示例，终端从资源互动平台中的数据库中获取真实的账户互动数据和真实的资源对象的特征数据作为初始数据集，终端将初始数据集中的数据按时间划分为训练样本集和测试样本集（训练样本集中数据的数量和测试样本集中数据的数量可以为3：1），终端从训练样本集中获取账户互动信息训练样本和资源对象特征信息训练样本，终端根据账户互动信息训练样本和资源对象特征信息训练样本，训练待训练的资源对象推荐模型，训练过程中终端可以通过反向传播和梯度下降来更新模型参数，并使用验证集监控模型性能，防止过拟合，得到训练后的资源对象推荐模型，终端从测试样本集中获取账户互动信息测试样本和资源对象特征信息测试样本，终端根据账户互动信息测试样本和资源对象特征信息测试样本，测试训练后的资源对象推荐模型，得到测试结果，在测试结果满足预设的测试结果要求的情况下，终端将训练后的资源对象推荐模型作为预训练的资源对象推荐模型。
本实施例中，通过获取账户互动信息训练样本和资源对象特征信息训练样本；根据账户互动信息训练样本和资源对象特征信息训练样本，训练待训练的资源对象推荐模型，得到训练后的资源对象推荐模型；获取账户互动信息测试样本和资源对象特征信息测试样本；根据账户互动信息测试样本和资源对象特征信息测试样本，测试训练后的资源对象推荐模型，得到测试结果；在测试结果满足预设的测试结果要求的情况下，将训练后的资源对象推荐模型作为预训练的资源对象推荐模型，能够基于数据库中的真实数据，对资源对象推荐模型进行训练和测试，提高资源对象推荐模型的输出结果的准确性，为后续生成推荐信息提供数据基础，进而提高推荐信息的准确性。
在一些实施例中，如图3所示，提供了一种推荐资源对象的流程示意图，终端从金融平台的数据库中获取账户互动数据和资源对象的特征数据（如理财产品的周期等），终端通过数据预处理模块对账户互动数据和资源对象的特征数据进行归一化等数据预处理，得到用于训练资源对象推荐模型的模型数据，终端根据模型数据对待训练的资源对象推荐模型进行训练，调整资源对象推荐模型的模型参数，以实现参数调优，终端可以利用测试样本对训练后的资源对象推荐模型进行测试和评价，并迭代训练资源对象推荐模型，资源对象推荐模型通过测试后，终端可以通过算法集成对资源对象推荐模型进行模型升级和模型选择，并通过资源对象推荐模型准确输出资源对象和用户账户之间匹配程度信息，终端结合匹配程度信息，生成资源对象对应的推荐信息（如推荐结果），并将推荐信息通过推荐结果可视化系统，以可视化的形式展示给用户账户，对于每个客户，通过资源对象推荐模型可以生成对所有理财产品的模型预测结果（模型输出结果），并将模型预测结果通过评分和图表形式对客户进行推荐展示，用户可以在推荐的理财产品中进行自主选择；实际应用中，资源对象推荐模型可以包括时间序列数据平稳化、输入嵌入（Input Embeddings），位置编码（Positional Encoding）、自注意力（Self-Attention）、多头注意力（Multi-HeadAttention）、点式前馈网络（Pointwise Feed-Forward Networks）、残差连接和层归一化（Residual Connections and Layer Normalization）、编码器和解码器堆栈（Encoder andDecoder Stacks）、输出线性层和激活函数Softmax等过程，其中，在传统的Transformer结构基础上结合理财产品特点，结合时间嵌入思想，并增加了平稳化时间序列数据模块以实现时间序列数据平稳化，时间序列数据平稳化可以包含两个阶段：归一化和反归一化，反归一化作用于最后，用于将模型输出结果进行反归一化，实际应用中，反归一化过程可以由反归一化公式实现，具体地，反归一化公式可以表示为：
。
其中，x’可以是指由归一化特征信息和归一化互动信息得到的模型输出结果，μx可以是指生成模型输出结果的归一化特征信息对应的平均值数据、σX可以是指生成模型输出结果的归一化特征信息对应的标准差数据，y’可以是指对模型输出结果进行反归一化处理得到数据（如匹配程度信息），H（x）可以是指反归一化函数，具体地，yl可以是指基于平均值数据和标准差数据，对模型输出结果xi进行反归一化处理后得到的数据（如匹配程度信息）。
反归一化可以还原时序数据部分的非平稳性，在资源对象推荐模型内部，尤其是用以捕捉时序依赖的注意力模块，所处理的数据为经过归一化后的数据，可以使得是资源对象推荐模型在训练阶段学习到不易区分的注意力图，使用经过归一化后的输入和归一化时存储的统计量，可以近似获得未归一化时原始输入本应得到的注意力图；输入嵌入：将输入的离散词符（如单词或子词）映射到连续的向量空间，这个向量表示称为词嵌入，通常，词嵌入可以在模型训练过程中学习；位置编码：由于资源对象推荐模型没有循环神经网络或卷积神经网络的内置顺序感知结构，因此需要向输入嵌入添加位置信息，位置编码是一种用于表示序列中每个词符的相对位置的向量，可以与词嵌入相加，将位置信息引入到模型中；自注意力：自注意力机制使资源对象推荐模型能够根据输入序列中其他词符的相关性，为每个词符分配不同的权重。这允许模型在处理一个词符时关注与其相关的其他词符，捕捉序列中的长距离依赖关系；多头注意力：多头注意力是自注意力的扩展，可以将自注意力分布在多个“头”上，每个头学习序列中不同层次的表示，从而提高模型的表达能力和注意力分辨率，多头注意力可以由多个自注意力组合形成的，是注意力机制的完善，从形式上看，多头注意力可以是把矩阵Q（查询）， K（键值）， V（值）通过参数矩阵映射一下，然后再做注意力，把这个过程重复做若干次后的结果拼接起来；点式前馈网络：在资源对象推荐模型中的每个Transformer层中，除了自注意力层之外，还有一个点式前馈网络，点式前馈网络可以为一个简单的全连接神经网络，用于提取特征和增加非线性；残差连接和层归一化：资源对象推荐模型使用残差连接和层归一化来提高模型的训练稳定性和收敛速度，可以缓解深层网络中的梯度消失和梯度爆炸问题，其中，Add and Normalize层由 Add 和 Norm 两部分组成，其计算公式可以表示为：
。
编码器和解码器堆栈：资源对象推荐模型由多层编码器和解码器组成，编码器负责处理输入序列，而解码器负责生成输出序列，在自注意力和前馈网络之间，编码器和解码器都使用残差连接和层归一化，解码器还具有一个额外的遮蔽（Masked）多头注意力层，该层关注编码器的输出，使解码器能够生成更好的输出序列，Windows Encoder的第一个Multi-Head Attention 采用了 Masked 操作，Masked操作可以防止第 i 次操作知道 i+1次操作之后的信息；输出线性层和激活函数Softmax：在解码器的最后一层，输出序列通过一个线性层，将向量映射回词汇表中的词符，然后使用 Softmax 函数对每个可能的输出词符进行概率归一化，模型的最终输出是具有最高概率的词符。
本实施例中，通过分析用户购买理财产品行为或消费/理财习惯等账户互动信息，为不同购买理财产品历史记录的客户精准推荐理财产品，可以提高用户体验和理财产品销量，还可以通过参数选取区分不同用户，参数选取更全面，结构化数据和非结构化数据有不同的处理，模型更完善，推荐更精准，提高推荐信息的准确性。
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资源对象推荐方法的资源对象推荐装置。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资源对象推荐装置实施例中的具体限定可以参见上文中对于资源对象推荐方法的限定，在此不再赘述。
在一个示例性的实施例中，如图4所示，提供了一种资源对象推荐装置，包括：获取模块402、分析模块404、处理模块406和推荐模块408，其中：
获取模块402，用于获取目标用户账户对应的账户互动信息；所述账户互动信息表征所述目标用户账户在资源互动平台中的互动操作信息。
分析模块404，用于将所述账户互动信息输入至预训练的资源对象推荐模型，得到模型输出结果；所述资源对象推荐模型用于对所述账户互动信息进行归一化处理，得到归一化互动数据，并根据所述归一化互动数据和资源对象的归一化特征信息，输出模型输出结果；所述模型输出结果用于表征所述归一化互动数据与所述归一化特征信息之间的匹配程度。
处理模块406，用于对所述模型输出结果进行反归一化处理，获得所述目标用户账户针对资源对象集合中各资源对象的匹配程度信息。
推荐模块408，用于根据所述匹配程度信息，确定所述各资源对象对应的推荐信息；所述推荐信息用于向所述目标用户账户展示所述各资源对象对应的推荐度。
在一个示例性实施例中，上述分析模块404具体还用于通过所述预训练的资源对象推荐模型，对所述账户互动信息和所述各资源对象的特征信息进行预处理，得到互动数据和特征数据；通过所述预训练的资源对象推荐模型采用注意力机制处理所述互动数据和所述特征数据，确定所述模型输出结果。
在一个示例性实施例中，上述分析模块404具体还用于对所述账户互动信息和所述各资源对象的特征信息进行归一化处理，得到归一化互动信息和归一化特征信息；按照预设的时间序列窗口，将所述归一化互动信息转换为互动信息时间序列，按照所述预设的时间序列，将所述归一化特征信息转换为特征信息时间序列；将所述互动信息时间序列和所述特征信息时间序列映射至预设向量空间，得到互动信息词嵌入信息和特征信息词嵌入信息；根据所述互动信息词嵌入信息和所述互动信息词嵌入信息对应的位置编码信息，生成所述互动数据，根据所述特征信息词嵌入信息和所述特征信息词嵌入信息对应的位置编码信息，生成所述特征数据。
在一个示例性实施例中，所述特征信息包括至少一个特征信息时序数据，上述分析模块404具体还用于从所述特征信息中筛选出最大值数据和最小值数据；根据所述最大值数据与所述最小值数据之间的差值与预设的归一化参数之间的和，确定第一参数；根据各所述特征信息时序数据与所述最小值数据之间的差值与所述第一参数之间的比值，将所述特征信息转换为所述归一化特征信息。
在一个示例性实施例中，上述分析模块404具体还用于根据各所述特征信息时序数据与所述最小值数据之间的差值与所述第一参数之间的比值，将所述特征信息转换为待处理特征信息序列；根据所述待处理特征信息序列中的各数据，确定所述待处理特征信息序列对应的平均值数据和方差数据；根据所述待处理特征信息序列中的各数据、所述平均值数据和所述方差数据，将所述待处理特征信息序列转换为所述归一化特征信息。
在一个示例性实施例中，上述推荐模块408具体还用于根据所述匹配程度信息，按照预设顺序，排列所述匹配程度信息，得到所述各资源对象对应的推荐信息；所述推荐信息包括评分信息、资源对象推荐表和资源对象推荐图；获取所述推荐信息对应的展示方式信息，按照所述展示方式信息所表征的展示方式，向所述目标账户展示所述推荐信息。
在一个示例性实施例中，上述装置还包括训练模块，该训练模块具体用于获取账户互动信息训练样本和资源对象特征信息训练样本；根据所述账户互动信息训练样本和所述资源对象特征信息训练样本，训练待训练的资源对象推荐模型，得到训练后的资源对象推荐模型；获取账户互动信息测试样本和资源对象特征信息测试样本；根据所述账户互动信息测试样本和所述资源对象特征信息测试样本，测试所述训练后的资源对象推荐模型，得到测试结果；在所述测试结果满足预设的测试结果要求的情况下，将所述训练后的资源对象推荐模型作为所述预训练的资源对象推荐模型。
上述资源对象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终端，其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。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、显示单元和输入装置通过输入/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和计算机程序。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进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种资源对象推荐方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5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)
1.一种资源对象推荐方法，其特征在于，所述方法包括：
获取目标用户账户对应的账户互动信息；所述账户互动信息表征所述目标用户账户在资源互动平台中的互动操作信息；
将所述账户互动信息输入至预训练的资源对象推荐模型，得到模型输出结果；所述资源对象推荐模型用于对所述账户互动信息进行归一化处理，得到归一化互动数据，并根据所述归一化互动数据和资源对象的归一化特征信息，输出模型输出结果；所述模型输出结果用于表征所述归一化互动数据与所述归一化特征信息之间的匹配程度；
对所述模型输出结果进行反归一化处理，获得所述目标用户账户针对资源对象集合中各资源对象的匹配程度信息；
根据所述匹配程度信息，确定所述各资源对象对应的推荐信息；所述推荐信息用于向所述目标用户账户展示所述各资源对象对应的推荐度。
2.根据权利要求1所述的方法，其特征在于，所述将所述账户互动信息输入至预训练的资源对象推荐模型，得到模型输出结果，包括：
通过所述预训练的资源对象推荐模型，对所述账户互动信息和所述各资源对象的特征信息进行预处理，得到互动数据和特征数据；
通过所述预训练的资源对象推荐模型采用注意力机制处理所述互动数据和所述特征数据，确定所述模型输出结果。
3.根据权利要求2所述的方法，其特征在于，所述对所述账户互动信息和所述各资源对象的特征信息进行预处理，得到互动数据和特征数据，包括：
对所述账户互动信息和所述各资源对象的特征信息进行归一化处理，得到归一化互动信息和归一化特征信息；
按照预设的时间序列窗口，将所述归一化互动信息转换为互动信息时间序列，按照所述预设的时间序列，将所述归一化特征信息转换为特征信息时间序列；
将所述互动信息时间序列和所述特征信息时间序列映射至预设向量空间，得到互动信息词嵌入信息和特征信息词嵌入信息；
根据所述互动信息词嵌入信息和所述互动信息词嵌入信息对应的位置编码信息，生成所述互动数据，根据所述特征信息词嵌入信息和所述特征信息词嵌入信息对应的位置编码信息，生成所述特征数据。
4.根据权利要求3所述的方法，其特征在于，所述特征信息包括至少一个特征信息时序数据，所述对所述账户互动信息和所述各资源对象的特征信息进行归一化处理，得到归一化互动信息和归一化特征信息，包括：
从所述特征信息中筛选出最大值数据和最小值数据；
根据所述最大值数据与所述最小值数据之间的差值与预设的归一化参数之间的和，确定第一参数；
根据各所述特征信息时序数据与所述最小值数据之间的差值与所述第一参数之间的比值，将所述特征信息转换为所述归一化特征信息。
5.根据权利要求4所述的方法，其特征在于，所述根据各所述特征信息时序数据与所述最小值数据之间的差值与所述第一参数之间的比值，将所述特征信息转换为所述归一化特征信息，包括：
根据各所述特征信息时序数据与所述最小值数据之间的差值与所述第一参数之间的比值，将所述特征信息转换为待处理特征信息序列；
根据所述待处理特征信息序列中的各数据，确定所述待处理特征信息序列对应的平均值数据和方差数据；
根据所述待处理特征信息序列中的各数据、所述平均值数据和所述方差数据，将所述待处理特征信息序列转换为所述归一化特征信息。
6.根据权利要求1所述的方法，其特征在于，所述根据所述匹配程度信息，确定所述各资源对象对应的推荐信息，包括：
按照预设顺序，排列所述匹配程度信息，得到所述各资源对象对应的推荐信息；所述推荐信息包括评分信息、资源对象推荐表和资源对象推荐图；
获取所述推荐信息对应的展示方式信息，按照所述展示方式信息所表征的展示方式，向所述目标账户展示所述推荐信息。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取账户互动信息训练样本和资源对象特征信息训练样本；
根据所述账户互动信息训练样本和所述资源对象特征信息训练样本，训练待训练的资源对象推荐模型，得到训练后的资源对象推荐模型；
获取账户互动信息测试样本和资源对象特征信息测试样本；
根据所述账户互动信息测试样本和所述资源对象特征信息测试样本，测试所述训练后的资源对象推荐模型，得到测试结果；
在所述测试结果满足预设的测试结果要求的情况下，将所述训练后的资源对象推荐模型作为所述预训练的资源对象推荐模型。
8.一种资源对象推荐装置，其特征在于，所述装置包括：
获取模块，用于获取目标用户账户对应的账户互动信息；所述账户互动信息表征所述目标用户账户在资源互动平台中的互动操作信息；
分析模块，用于将所述账户互动信息输入至预训练的资源对象推荐模型，得到模型输出结果；所述资源对象推荐模型用于对所述账户互动信息进行归一化处理，得到归一化互动数据，并根据所述归一化互动数据和资源对象的归一化特征信息，输出模型输出结果；所述模型输出结果用于表征所述归一化互动数据与所述归一化特征信息之间的匹配程度；
处理模块，用于对所述模型输出结果进行反归一化处理，获得所述目标用户账户针对资源对象集合中各资源对象的匹配程度信息；
推荐模块，用于根据所述匹配程度信息，确定所述各资源对象对应的推荐信息；所述推荐信息用于向所述目标用户账户展示所述各资源对象对应的推荐度。
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 |
|---|---|---|---|
| CN202410277751.1A CN118154270A (zh) | 2024-03-12 | 2024-03-12 | 资源对象推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410277751.1A CN118154270A (zh) | 2024-03-12 | 2024-03-12 | 资源对象推荐方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118154270A true CN118154270A (zh) | 2024-06-07 |
Family
ID=91293262
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410277751.1A Pending CN118154270A (zh) | 2024-03-12 | 2024-03-12 | 资源对象推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118154270A (zh) |
-
2024
- 2024-03-12 CN CN202410277751.1A patent/CN118154270A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9348898B2 (en) | Recommendation system with dual collaborative filter usage matrix | |
| CN112883227B (zh) | 一种基于多尺度时序特征的视频摘要生成方法和装置 | |
| CN115238855A (zh) | 基于图神经网络的时序知识图谱的补全方法及相关设备 | |
| CN114218488A (zh) | 基于多模态特征融合的信息推荐方法、装置及处理器 | |
| CN115618024A (zh) | 多媒体推荐方法、装置及电子设备 | |
| CN113656699B (zh) | 用户特征向量确定方法、相关设备及介质 | |
| CN113868541A (zh) | 推荐对象确定方法、介质、装置和计算设备 | |
| CN112330442A (zh) | 基于超长行为序列的建模方法及装置、终端、存储介质 | |
| KR20210009266A (ko) | 음성 인식 기반의 세일즈 대화 분석 방법 및 장치 | |
| CN118154270A (zh) | 资源对象推荐方法、装置、计算机设备和存储介质 | |
| CN114170000A (zh) | 信用卡用户风险类别识别方法、装置、计算机设备和介质 | |
| CN111784377B (zh) | 用于生成信息的方法和装置 | |
| CN113742593A (zh) | 用于推送信息的方法和装置 | |
| CN114969543B (zh) | 推广方法、系统、电子设备和存储介质 | |
| US20230113607A1 (en) | Automated search and presentation computing system | |
| US20240184812A1 (en) | Distributed active learning in natural language processing for determining resource metrics | |
| CN111626805B (zh) | 信息展示方法和装置 | |
| US20230352003A1 (en) | Systems and methods to improve trust in conversations | |
| CN117745337A (zh) | 产品生成方法、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 | |
| CN116975664A (zh) | 学习风格分析方法、装置、计算机设备和存储介质 | |
| CN116861071A (zh) | 资讯推送方法、装置、计算机设备、存储介质和程序产品 | |
| CN115660810A (zh) | 资源属性评估方法、装置、计算机设备、存储介质和产品 | |
| CN116468488A (zh) | 交互评价结果获取方法、装置、计算机设备和存储介质 | |
| CN116127183A (zh) | 业务推荐方法、装置、计算机设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |