WO2017157146A1 - 基于用户画像的个性化推荐方法、装置、服务器及存储介质 - Google Patents

基于用户画像的个性化推荐方法、装置、服务器及存储介质 Download PDF

Info

Publication number
WO2017157146A1
WO2017157146A1 PCT/CN2017/074400 CN2017074400W WO2017157146A1 WO 2017157146 A1 WO2017157146 A1 WO 2017157146A1 CN 2017074400 W CN2017074400 W CN 2017074400W WO 2017157146 A1 WO2017157146 A1 WO 2017157146A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
transfer matrix
step transfer
initial state
portrait
Prior art date
Application number
PCT/CN2017/074400
Other languages
English (en)
French (fr)
Inventor
罗傲雪
Original Assignee
平安科技（深圳）有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 平安科技（深圳）有限公司 filed Critical 平安科技（深圳）有限公司
Publication of WO2017157146A1 publication Critical patent/WO2017157146A1/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement

Definitions

  • the present invention relates to the field of computer processing, and in particular, to a personalized recommendation method, apparatus, server, and storage medium based on a user portrait.
  • a personalized recommendation method, apparatus, server, and storage medium based on a user portrait are provided.
  • a personalized recommendation method based on user portraits including:
  • Recommendations are made based on the list of interests.
  • a personalized recommendation device based on a user portrait comprising:
  • An information acquiring module configured to acquire tag information of a user
  • a state obtaining module configured to acquire an initial state of the user
  • a first determining module configured to determine a one-step transfer matrix of the user according to the user portrait and the initial state
  • a first calculating module configured to calculate a user's interest list according to the one-step transfer matrix
  • a recommendation module for making recommendations based on the list of interests.
  • a server includes a memory and a processor, the memory storing instructions that, when executed by the processor, cause the processor to perform the following steps:
  • Recommendations are made based on the list of interests.
  • One or more non-volatile readable storage media storing computer-executable instructions, when executed by one or more processors, cause the one or more processors to perform the following steps:
  • Recommendations are made based on the list of interests.
  • FIG. 1 is an application environment diagram of a personalized recommendation method based on a user portrait in an embodiment
  • FIG. 2 is a block diagram showing the internal structure of a server in an embodiment
  • FIG. 3 is a flow chart of a personalized recommendation method based on a user portrait in an embodiment
  • FIG. 4 is a flow chart of a method for establishing a user portrait in an embodiment
  • FIG. 5 is a flow chart of a method for determining a one-step transfer matrix in one embodiment
  • FIG. 6 is a flow chart of a method for determining a one-step transfer matrix in another embodiment
  • FIG. 7 is a flow chart of a method for calculating a list of interests in one embodiment
  • FIG. 8 is a structural block diagram of a personalized recommendation device based on a user portrait in an embodiment
  • FIG. 9 is a structural block diagram of a first determining module in an embodiment
  • Figure 10 is a block diagram showing the structure of a computing module in one embodiment.
  • server 10 communicates with terminal 20 over a network.
  • the server 10 acquires the login request of the terminal 20, acquires the user's tag information according to the login request of the user, creates a user image according to the tag information, and then acquires the initial state of the user, and determines the user's one-step transfer matrix according to the user portrait and the initial state, according to the step.
  • the transfer matrix calculates the user's interest list, and finally sends the corresponding information to the terminal 20 for recommendation based on the interest list.
  • the terminal 20 includes, but is not limited to, various personal computers, smart phones, tablet computers, notebook computers, portable wearable devices, etc., which are not enumerated here.
  • FIG. 2 shows a block diagram of the internal structure of a server 10 in one embodiment, the server 10 including a processor, a non-volatile storage medium, an internal memory, and a network interface connected by a system bus.
  • the non-volatile storage medium of the server 10 stores an operating system and computer executable instructions executable by the processor to implement a user-based personalized recommendation method suitable for the server 10.
  • This processor is used to provide computing and control capabilities to support the operation of the entire server.
  • the internal memory in server 10 provides an environment for the operation of an operating system and computer executable instructions in a non-volatile storage medium for network communication with the terminal.
  • FIG. 2 is only a block diagram of a part of the structure related to the solution of the present application, and does not constitute a limitation of the server 10 to which the solution of the present application is applied.
  • the specific server 10 may It includes more or fewer components than those shown in the figures, or some components are combined, or have different component arrangements.
  • a personalized recommendation method based on a user portrait is proposed.
  • the method is applicable to the server as described in FIG. 1 or 2, and specifically includes the following steps:
  • Step S302 Obtain tag information of the user.
  • the label information of the user may be an intrinsic attribute of the user, or may be a dynamic attribute of the user, or may be a combination of the two, and may obtain different label information according to different service scenarios.
  • the intrinsic attributes include the user's age, gender, occupation, and other attributes
  • the dynamic attributes include historical behaviors purchased by the user, browsing the recorded records, and the like.
  • Step S304 establishing a user portrait according to the tag information.
  • the user portrait is an effective tool for delineating the target user, contacting the user's appeal and design direction. In the actual operation process, the attributes and behaviors of the user are often associated with the expectation in the most shallow and close to life.
  • the user portrait is composed of the acquired plurality of tag information, and the acquired plurality of tag information is formed into a text vector, and the composed text vector is used as the user image of the user.
  • Step S306 obtaining an initial state of the user.
  • one or more events are set in advance as the initial state of the user.
  • the initial value is determined by taking the initial state of the user.
  • the initial state of the user may be clicking on an event, whether the user has viewed an event, or other user behavior states. For example, you can set the initial state to whether you have clicked on an event, if it is clicked, it is 1, and if it is not, it is 0. Of course, it is also possible to simultaneously take the user's click status or browsing status of multiple events as an initial state.
  • Step S308 determining a one-step transfer matrix of the user according to the user portrait and the initial state.
  • the established user portrait and the acquired initial state are combined into one input vector, and then the user's one-step transfer matrix is determined based on this input vector.
  • the user portrait and the initial state are combined into one input vector, and the user who has the next click behavior is taken as a sample, and the probability of the user moving to the next possible state is predicted by using a random forest. For example, suppose there are currently 100 events (A1 to A100), we need to predict the transition probability of each user's next state based on the user's portrait and the user's initial state. For example, it is checked whether the A1 event is clicked as the initial state of the user, and the user clicks 1 to be 1, and if the user does not click, it is 0. Then the input variables composed of the user's portrait and initial state are shown in Table 1:
  • the user who has the next click behavior is modeled as a sample to predict the possibility of the user clicking each state in the next step.
  • the output variables are as shown in Table 2:
  • a one-step transfer matrix for each state In a specific embodiment, the user portrait and the initial state are taken as an input vector, wherein the initial state may be the number of clicks or exposures, and the prediction according to the random forest model may actually be a ranking prediction.
  • the part that each state may constitute is divided into two parts, one is whether to click, the second is the number of clicks, and the time dimension is taken into account, that is, the b that must be clicked after a click is the state change.
  • Step S310 calculating a user's interest list according to the one-step transfer matrix.
  • the user's interest list is obtained according to the one-step transfer matrix, where the interest list may be the probability that the user is interested in various items, or may be interested in the user selected by the probability of interest screening. Items can also be other forms of expression that reflect the user's propensity to interest.
  • step S312 the recommendation is made according to the list of interest.
  • the recommendation is made according to the user's interest list.
  • the user's interest list records the probability that the user is interested in various types of items, such as 40% of pension insurance, 90% of auto insurance, and 80% of accident insurance. Then, according to the list of interest, the most interested car insurance and accident insurance are recommended to the user.
  • the personalized recommendation method based on the user image obtains the user's portrait according to the label information by acquiring the user's label information, obtains the initial state of the user, and determines the user's one-step transfer matrix according to the user portrait and the initial state, and then The user's interest list is calculated based on the one-step transfer matrix, and finally the recommendation is made based on the interest list.
  • the user's corresponding one-step transfer matrix is determined according to the user's portrait and the initial state of the user, and then the user's interest list is determined according to the one-step transfer matrix. Since each user corresponds to a unique transfer matrix, the user is unique.
  • the list of interests, based on the list of interests, can be personalized according to the situation of each user, which improves the accuracy of the recommendation.
  • the recommendation method since the recommendation method is recommended based on the user portrait and the initial state, it is also applicable to new users, and the cold start problem of the new user is well solved.
  • the step of creating a user portrait based on the tag information includes:
  • Step S304a one or more tag information of the user is composed into a text vector.
  • the obtained plurality of tag information of the user is composed into a long text vector, as shown in Table 3:
  • the user's tag information may include the user's gender, age, income, occupation, and the like. According to different business scenarios, different label information can be obtained.
  • step S304b the text vector is taken as the user's user image.
  • the text vector of the user composed of the user label is taken as the user portrait of the user, and the user portrait is used as the virtual representative of the actual user, which is often constructed according to the product and the market, and reflects the characteristics and needs of the real user. .
  • the step of determining a one-step transfer matrix of the user according to the user portrait and the initial state includes:
  • step S108a the user portrait and the initial state are combined into one input variable.
  • determining the user's one-step transfer matrix according to the user portrait and the initial state is specifically by combining the user portrait and the initial state into a long text vector, and substituting the text vector as an input variable into the random forest model, and further Predict the probability that a user will move to each state.
  • step S108b the random forest algorithm is used to determine the user's one-step transfer matrix according to the input variable.
  • a random forest algorithm is used to predict the transition probability that the user moves to each state in the next step, and the user's one-step transfer matrix is obtained according to the obtained transition probability.
  • the random forest algorithm is used to predict the user's one-step transfer matrix by using the user who has the next click behavior as a sample. That is, the method is recommended by combining the probability, personal attributes and historical status of the overall population. , improved the accuracy of the recommendation.
  • the step of determining a user's one-step transfer matrix based on an input variable using a random forest algorithm includes:
  • Step S602 the random forest algorithm is used according to the input variable to calculate the transition probability that the user moves to each state in the next step.
  • the user having the same or similar user portrait and initial state and having the next click behavior is taken as a sample, and the random forest model is used to predict the user to move to each according to the input variable composed of the user portrait and the initial state.
  • the probability of transition of the state is taken as a sample, and the random forest model is used to predict the user to move to each according to the input variable composed of the user portrait and the initial state. The probability of transition of the state.
  • Step S604 determining a one-step transfer matrix of the user according to the calculated transition probabilities of the respective states.
  • the elements of the transition matrix are one-to-one transition probabilities.
  • the one-step transfer matrices corresponding to the users can be determined according to the obtained transition probabilities of the respective states.
  • the user's interest list is obtained, and finally, the recommendation is performed according to the obtained interest list.
  • the recommendation is performed by combining the probability, personal attribute, and historical state of the entire population, and there is no historical state.
  • the step of calculating a user's interest list according to the one-step transfer matrix includes:
  • Step S310a using a Markov chain algorithm to determine a k-step transfer matrix matching the user according to the one-step transfer matrix, where k is a positive integer greater than or equal to 1.
  • the Markov chain algorithm is used to determine the final transfer matrix matching the user, and in the calculation process, the obtained prediction result is compared with the actual click result of the existing sample. Determining a final k-step transfer matrix that matches the user, where k is a positive integer greater than or equal to one. Specifically, it is necessary to select the number of iterations of the one-step transfer matrix. It is possible that the final state of some models is the most suitable for the user's actual click preference. It is possible that some models are in accordance with the user's reality after 10 or even 50 iterations. Click on the preference, the final number of iterations is determined by comparing with the actual click results.
  • the two-step transfer matrix is the square of the one-step transfer matrix
  • the three-step transfer matrix is the cubic of the one-step transfer matrix
  • the four-step transfer matrix is the fourth power of the one-step transfer matrix, and so on.
  • step S310b the user's interest list is calculated according to the k-step transfer matrix matched with the user.
  • the user's interest list is calculated according to the determined final transfer matrix, and then the recommendation is performed according to the obtained interest list.
  • the accuracy of the recommendation is further improved.
  • a personalized recommendation device based on a user portrait comprising:
  • the information obtaining module 802 is configured to acquire tag information of the user.
  • the label information of the user may be an intrinsic attribute of the user, or may be a dynamic attribute of the user, or may be a combination of the two, and may obtain different label information according to different service scenarios.
  • the intrinsic attributes include the user's age, gender, occupation, and other attributes
  • the dynamic attributes include historical behaviors purchased by the user, browsing the recorded records, and the like.
  • the establishing module 804 is configured to establish a user portrait according to the label information.
  • the user portrait is an effective tool for delineating the target user, contacting the user's appeal and design direction. In the actual operation process, the attributes and behaviors of the user are often associated with the expectation in the most shallow and close to life.
  • the user portrait is composed of the acquired plurality of tag information, and the acquired plurality of tag information is formed into a text vector, and the composed text vector is used as the user image of the user.
  • the state obtaining module 806 is configured to acquire an initial state of the user.
  • the initial state of the user may be clicking on an event, whether the user has browsed an event, or the behavior state of other users. For example, you can set the initial state to whether you have clicked on an event, if it is clicked, it is 1, and if it is not, it is 0. Of course, it is also possible to simultaneously take the user's click status or browsing status of multiple events as an initial state.
  • the first determining module 808 is configured to determine a one-step transfer matrix of the user according to the user portrait and the initial state.
  • the established user portrait and the acquired initial state are combined into one input vector, and then the user's one-step transfer matrix is determined based on this input vector.
  • the user portrait and the initial state are combined into one input vector, and the user who has the next click behavior is taken as a sample, and the probability of the user moving to the next possible state is predicted by using a random forest. For example, suppose there are currently 100 events (A1 to A100), we need to predict the transition probability of each user's next state based on the user's portrait and the user's initial state. For example, it is checked whether the A1 event is clicked as the initial state of the user, and the user clicks 1 to be 1, and if the user does not click, it is 0.
  • the input variables composed of the user portrait and the initial state are as shown in Table 1.
  • the user who has the next click behavior is modeled as a sample, and the possibility of the user clicking each state in the next step is predicted.
  • the output variables are as shown in Table 2. .
  • the random forest model of 100 events (A1-A100) is established, and finally obtain the random forest model based on the established random forest model.
  • a one-step transfer matrix for each state is possible click probability after clicking the A2 event, generate the probability table as shown in the above table, and so on, until the random forest model of 100 events (A1-A100) is established, and finally obtain the random forest model based on the established random forest model.
  • the user portrait and the initial state are taken as an input vector, wherein the initial state may be the number of clicks or exposures, and the prediction according to the random forest model may actually be a ranking prediction.
  • the part that each state may constitute is divided into two parts, one is whether to click, the second is the number of clicks, and the time dimension is taken into account, that is, the b that must be clicked after a click is the state change.
  • the first calculating module 810 is configured to calculate a user's interest list according to the one-step transfer matrix.
  • the user's interest list is obtained according to the one-step transfer matrix, where the interest list may be the probability that the user is interested in various items, or may be interested in the user selected by the probability of interest screening. Items can also be other forms of expression that reflect the user's propensity to interest.
  • a recommendation module 812 is used to make recommendations based on the list of interests.
  • the recommendation is made according to the user's interest list.
  • the user's interest list records the probability that the user is interested in various types of items, such as 40% of pension insurance, 90% of auto insurance, and 80% of accident insurance. Then, according to the list of interest, the most interested car insurance and accident insurance are recommended to the user.
  • the personalized recommendation device based on the user image obtains the user image according to the tag information by acquiring the tag information of the user, acquires the initial state of the user, and determines the one-step transfer matrix of the user according to the user image and the initial state, and then The user's interest list is calculated based on the one-step transfer matrix, and finally the recommendation is made based on the interest list.
  • the user's corresponding one-step transfer matrix is determined according to the user's portrait and the initial state of the user, and then the user's interest list is determined according to the one-step transfer matrix. Since each user corresponds to a unique transfer matrix, the user is unique.
  • the list of interests, based on the list of interests, can be personalized according to the situation of each user, which improves the accuracy of the recommendation.
  • the recommendation method since the recommendation method is recommended based on the user portrait and the initial state, it is also applicable to new users, and the cold start problem of the new user is well solved.
  • the establishing module 804 is further configured to compose one or more tag information of the user into a text vector, and use the text vector as a user image of the user.
  • the acquired plurality of tag information of the user is formed into a long text vector.
  • the tag information of the user may include the gender, age, income, occupation, and the like of the user. According to different business scenarios, different label information can be obtained.
  • the user's text vector composed of user tags is taken as the user's user portrait.
  • the user's portrait is the virtual representative of the actual user, which is often constructed according to the product and the market, reflecting the characteristics and needs of the real user.
  • the first determining module 808 includes:
  • the combination module 808a is configured to combine the user portrait and the initial state into one input variable.
  • determining the user's one-step transfer matrix according to the user portrait and the initial state is specifically by combining the user portrait and the initial state into a long text vector, and substituting the text vector as an input variable into the random forest model, and further Predict the probability that a user will move to each state.
  • the second determining module 808b is configured to determine a one-step transfer matrix of the user by using an algorithm of random forest according to the input variable.
  • a random forest algorithm is used to predict the transition probability that the user moves to each state in the next step, and the user's one-step transfer matrix is obtained according to the obtained transition probability.
  • the random forest algorithm is used to predict the user's one-step transfer matrix by using the user who has the next click behavior as a sample. That is, the method is recommended by combining the probability, personal attributes and historical status of the overall population. , improved the accuracy of the recommendation.
  • the second determining module 808b is further configured to calculate, according to the input variable, a random forest algorithm, a transition probability of the user to transfer to each state, and determine a one-step transfer matrix of the user according to the calculated transition probability of each state.
  • the user having the same or similar user portrait and initial state and having the next click behavior is taken as a sample, and the random forest model is used to predict the user to move to each according to the input variable composed of the user portrait and the initial state.
  • the probability of transition of the state After obtaining the transition probability of each state of the user according to the random forest model, the one-step transfer matrix corresponding to the user is determined according to the transition probability. Then, according to the one-step transfer matrix, the user's interest list is obtained, and finally, the recommendation is performed according to the obtained interest list.
  • the recommendation is performed by combining the probability, personal attribute, and historical state of the entire population, and there is no historical state. For users, it is also possible to combine the probability and personal attributes of the overall population to make recommendations. This means that the method is applicable not only to old users but also to new users, and it also solves the cold start problem while improving the recommendation accuracy.
  • the calculation module 810 includes:
  • the third determining module 810a is configured to determine a k-step transfer matrix matching the user according to the one-step transfer matrix by using a Markov chain algorithm, where k is a positive integer greater than or equal to 1.
  • the Markov chain algorithm is used to determine the final transfer matrix matching the user, and in the calculation process, the obtained prediction result is compared with the actual click result of the existing sample. Determining a final k-step transfer matrix that matches the user, where k is a positive integer greater than or equal to one. Specifically, by selecting the number of iterations for the one-step transfer matrix, it is possible that the final state of some models is the most suitable for the user's actual click preference. It is possible that some models after 10 or even 50 iterations are in accordance with the user's true click preference.
  • the two-step transfer matrix is the square of the one-step transfer matrix
  • the three-step transfer matrix is the cubic of the one-step transfer matrix
  • the four-step transfer matrix is the fourth power of the one-step transfer matrix, and so on.
  • the second calculating module 810b is configured to calculate a user's interest list according to the k-step transfer matrix matched with the user.
  • the user's interest list is calculated according to the determined final transfer matrix, and then the recommendation is performed according to the obtained interest list.
  • the accuracy of the recommendation is further improved.
  • the network interface may be an Ethernet card or a wireless network card.
  • the above modules may be embedded in the hardware in the processor or in the memory in the server, or may be stored in the memory in the server, so that the processor calls the corresponding operations of the above modules.
  • the processor can be a central processing unit (CPU), a microprocessor, a microcontroller, or the like.
  • the storage medium may be a magnetic disk, an optical disk, or a read-only storage memory (Read-Only)
  • a nonvolatile storage medium such as a memory or a ROM, or a random access memory (RAM).

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种基于用户画像的个性化推荐方法，所述方法包括：获取用户的标签信息，根据所述标签信息建立用户画像，获取用户的初始状态，根据所述用户画像和所述初始状态确定用户的一步转移矩阵，根据所述一步转移矩阵计算用户的感兴趣列表，根据所述感兴趣列表进行推荐。

Description

基于用户画像的个性化推荐方法、装置、服务器及存储介质
本申请要求于2016年3月15日提交中国专利局、申请号为2016101476940、发明名称为“基于用户画像的个性化推荐方法和装置”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
【技术领域】
本发明涉及计算机处理领域，特别是涉及一种基于用户画像的个性化推荐方法、装置、服务器及存储介质。
【背景技术】
随着互联网的发展，人们的生活越来越多的与互联网紧密联系在了一起。在这个快节奏的时代，用户希望能够通过互联网快速的找到自己需要的产品，但是海量的产品数据每天不断地在互联网中产生，这导致互联网用户很难快速的找到自己需要的或者感兴趣的信息。为了让用户快速的找到自己感兴趣的产品，传统的协同过滤技术是根据用户的历史购买情况去推荐，但是对于新用户来说往往面临冷启动问题，很难得到精确的推荐，并且对于有些产品用户的兴趣可能是一次性的， 如果只是根据历史购买情况进行推荐，推荐的准确率往往不高。
【发明内容】
根据本申请的各种实施例，提供一种基于用户画像的个性化推荐方法、装置、服务器及存储介质。
一种基于用户画像的个性化推荐方法，包括：
获取用户的标签信息；
根据所述标签信息建立用户画像；
获取用户的初始状态；
根据所述用户画像和所述初始状态确定用户的一步转移矩阵；
根据所述一步转移矩阵计算用户的感兴趣列表；及
根据所述感兴趣列表进行推荐。
一种基于用户画像的个性化推荐装置，包括：
信息获取模块，用于获取用户的标签信息；
建立模块，用于根据所述标签信息建立用户画像；
状态获取模块，用于获取用户的初始状态；
第一确定模块，用于根据所述用户画像和所述初始状态确定用户的一步转移矩阵；
第一计算模块，用于根据所述一步转移矩阵计算用户的感兴趣列表；及
推荐模块，用于根据所述感兴趣列表进行推荐。
一种服务器，包括存储器和处理器，所述存储器中存储有指令，所述指令被所述处理器执行时，使得所述处理器执行以下步骤：
获取用户的标签信息；
根据所述标签信息建立用户画像；
获取用户的初始状态；
根据所述用户画像和所述初始状态确定用户的一步转移矩阵；
根据所述一步转移矩阵计算用户的感兴趣列表；及
根据所述感兴趣列表进行推荐。
一个或多个存储有计算机可执行指令的非易失性可读存储介质，所述计算机可执行指令被一个或多个处理器执行时，使得所述一个或多个处理器执行以下步骤：
获取用户的标签信息；
根据所述标签信息建立用户画像；
获取用户的初始状态；
根据所述用户画像和所述初始状态确定用户的一步转移矩阵；
根据所述一步转移矩阵计算用户的感兴趣列表；及
根据所述感兴趣列表进行推荐。
本发明的一个或多个实施例的细节在下面的附图和描述中提出。本发明的其它特征、目的和优点将从说明书、附图以及权利要求书变得明显。
【附图说明】
为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅仅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为一个实施例中基于用户画像的个性化推荐方法的应用环境图；
图2为一个实施例中服务器的内部结构框图；
图3为一个实施例中基于用户画像的个性化推荐方法的流程图；
图4为一个实施例中建立用户画像的方法流程图；
图5为一个实施例中确定一步转移矩阵的方法流程图；
图6为另一个实施例中确定一步转移矩阵的方法流程图；
图7为一个实施例中计算感兴趣列表的方法流程图；
图8为一个实施例中基于用户画像的个性化推荐装置的结构框图；
图9为一个实施例中第一确定模块的结构框图；
图10为一个实施例中计算模块的结构框图。
【具体实施方式】
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例所提供的基于用户画像的个性化推荐方法可应用于如图1所示的环境中。参考图1，服务器10通过网络与终端20进行通信。服务器10获取终端20的登录请求，根据用户的登录请求获取用户的标签信息，根据标签信息建立用户画像，继而获取用户的初始状态，根据用户画像和初始状态确定用户的一步转移矩阵，根据该一步转移矩阵计算用户的感兴趣列表，最后根据感兴趣列表将对应的信息发送到终端20进行推荐。可以理解，终端20包括但不限于各种个人计算机、智能手机、平板电脑、笔记本电脑、便携式穿戴设备等，在此不一一列举。
图2示出了一个实施例中的服务器10的内部结构框图，该服务器10包括通过系统总线连接的处理器、非易失性存储介质、内存储器和网络接口。其中，该服务器10的非易失性存储介质存储有操作系统和计算机可执行指令，该计算机可执行指令可被处理器执行以实现适用于服务器10的一种基于用户画像的个性化推荐方法。该处理器用于提供计算和控制能力，支撑整个服务器的运行。服务器10中的内存储器为非易失性存储介质中的操作系统和计算机可执行指令的运行提供环境，该服务器10的网络接口用于与终端进行网络通信。本领域技术人员可以理解，图2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服务器10的限定，具体的服务器10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。
如图3所示，在一个实施例中，提出了一种基于用户画像的个性化推荐方法，该方法可应用于如图1或2所述的服务器中，具体包括以下步骤：
步骤S302，获取用户的标签信息。
在本实施例中，用户的标签信息可以是用户的固有属性，也可以是用户的动态属性，还可以是两者的结合，可以根据不同的业务场景获取不同的标签信息。其中，固有属性包括用户的年龄、性别、职业等属性，动态属性包括用户购买的历史行为，浏览观看的记录等属性。
步骤S304，根据标签信息建立用户画像。
在本实施例中，用户画像是一种勾画目标用户、联系用户诉求与设计方向的有效工具。在实际操作的过程中往往会以最为浅显和贴近生活的话语将用户的属性、行为与期待联系起来。在本实施例中，用户画像是由获取的多个标签信息组成的，将获取的多个标签信息组成为一个文本向量，将组成的文本向量作为该用户的用户画像。
步骤S306，获取用户的初始状态。
具体的，预先设置一个或多个事件作为用户的初始状态。通过获取用户的初始状态来确定初始值。用户的初始状态可以是点击某个事件，也可以是用户是否浏览过某事件，还可以是用户其他的行为状态。比如可以将初始状态设为是否点击过某事件，如果点击了则为1，如果没有点击则为0。当然也可以同时将用户对多个事件的点击情况或者浏览情况作为初始状态。
步骤S308，根据用户画像和初始状态确定用户的一步转移矩阵。
在本实施例中，将建立的用户画像和获取的初始状态组合为一个输入向量，然后根据这个输入向量确定用户的一步转移矩阵。具体的，将用户画像和初始状态组合为一个输入向量，并以已有下一步点击行为的用户作为样本，采用随机森林的方式预测用户转移到下一个可能状态的概率。比如，假设目前有100个事件（A1到A100），我们需要根据用户画像和用户的初始状态预测用户的下一步各个状态的转移概率。如，考察是否点击了A1事件作为用户的初始状态，用户点击了则为1，若用户没有点击则为0。那么用户画像和初始状态组成的输入变量如表1所示：
表 1
标签 1 标签 2 标签 3 标签 4 …… 标签 n 初始状态 A1
用户 1 女 25 岁 白领 未婚 …… … 1
用户 2 男 40 岁 蓝领 已婚 …… … 0
将已有下一步点击行为的用户作为样本进行建模，预测用户进行下一步点击各个状态的可能性，输出变量如表2所示:
表 2
A2 A3 A4 …… An
用户 1 点击概率 0.1 0.2 0.2 …… 0.1
用户 2 点击概率 0.2 0.15 0.25 …… 0.15
对于每个用户来说，都满足P(A2)+P(A3)+…+P(An)=1。接下来，依次考虑点击了A2事件之后可能的点击概率，生成如上表所示的概率表，依次类推，直到建立100个事件（A1-A100）的随机森林模型，最终根据建立的随机森林模型得到一个各状态的一步转移矩阵。在一个具体的实施例中，把用户画像和初始状态作为一个输入向量，其中，初始状态可以是点击或曝光的次数，根据随机森林模型进行预测实际上可以是一个ranking(等级)的预测，对于每一个状态可能构成的部分分为两个部分，一个是是否点击，二是点击次数，而且把时间维度考虑进去，即必须是在做了a点击之后的再点击的b才是状态变化，才能作为转移矩阵。
步骤S310，根据一步转移矩阵计算用户的感兴趣列表。
在本实施例中，根据一步转移矩阵得到用户的感兴趣列表，这里的感兴趣列表可以是该用户对各类物品感兴趣的概率，也可以是经过感兴趣的概率筛选得到的用户感兴趣的物品，也可以是能够体现用户兴趣倾向的其他表现形式。
步骤S312，根据感兴趣列表进行推荐。
在本实施例中，得到用户的感兴趣列表后，根据该用户的感兴趣列表进行推荐。具体的，用户的感兴趣列表记载了用户对各类物品感兴趣的概率，比如，养老保险40%，车险90%，意外险80%。那么根据该感兴趣列表，优先向用户推荐最感兴趣的车险、意外险。
在本实施例中，上述基于用户画像的个性化推荐方法，通过获取用户的标签信息，根据标签信息建立用户画像，获取用户的初始状态，根据用户画像和初始状态确定用户的一步转移矩阵，继而根据一步转移矩阵计算用户的感兴趣列表，最后根据感兴趣列表进行推荐。通过根据用户画像和用户的初始状态确定用户对应的一步转移矩阵，继而根据该一步转移矩阵确定用户的感兴趣列表，由于每个用户都对应一个独有的转移矩阵，得到的也是用户独有的感兴趣列表，根据感兴趣列表进行推荐能够很好的根据每个用户的情况进行个性化的推荐，提高了推荐的准确率。同时由于该推荐方法是基于用户画像和初始状态来进行推荐的，对于新用户也适用，很好的解决了新用户的冷启动问题。
如图4所示，在一个实施例中，根据标签信息建立用户画像的步骤包括：
步骤S304a，将用户的一个或者多个标签信息组成一个文本向量。
在本实施例中，将获取的用户的多个标签信息组成一个长的文本向量，如表3所示:
表 3
标签 1 标签 2 标签 3 …… 标签 n
用户 1 男 28 岁 6000 元 未婚
用户 2 女 36 岁 8000 元 已婚
…….
如表3所示，用户的标签信息可以包括用户的性别、年龄、收入、职业等等。根据不同的业务场景，可以获取不同的标签信息。
步骤S304b，将文本向量作为用户的用户画像。
在本实施例中，将用户标签组成的用户的文本向量作为用户的用户画像，用户画像作为实际用户的虚拟代表，其往往是根据产品和市场来构建出来的，反应了真实用户的特征和需求。
如图5所示，在一个实施例中，根据用户画像和初始状态确定用户的一步转移矩阵的步骤包括：
步骤S108a，将用户画像和初始状态组合为一个输入变量。
在本实施例中，根据用户画像和初始状态确定用户的一步转移矩阵具体是通过将用户画像和初始状态一起组合为一个长的文本向量，将该文本向量作为一个输入变量代入随机森林模型，进而预测用户转移到各个状态的概率。
步骤S108b，根据输入变量采用随机森林的算法确定用户的一步转移矩阵。
在本实施例中，根据用户画像和初始状态组成的输入变量，采用随机森林的算法，预测用户下一步转移到各个状态的转移概率，根据得到的转移概率得到用户的一步转移矩阵。采用随机森林的算法预测用户的一步转移矩阵是通过以已有下一步点击行为的用户作为样本来预测的，也就是说，该方法是通过结合整体人群的概率、个人属性和历史状态来进行推荐的，提高了推荐的准确率。
如图6所示，在一个实施例中，根据输入变量采用随机森林的算法确定用户的一步转移矩阵的步骤包括：
步骤S602，根据输入变量采用随机森林的算法计算用户下一步转移到各个状态的转移概率。
在本实施例中，以具有相同或相似的用户画像和初始状态并已有下一步点击行为的用户作为样本，根据用户画像和初始状态组成的输入变量采用随机森林模型预测用户下一步转移到各个状态的转移概率。
步骤S604，根据计算得到的各个状态的转移概率确定用户的一步转移矩阵。
在本实施例中，转移矩阵的元素是一个个的转移概率，根据随机森林模型得到用户的各个状态的转移概率后，就可以根据得到的各个状态的转移概率确定用户对应的一步转移矩阵。继而根据一步转移矩阵得到用户的感兴趣列表，最后根据得到的感兴趣列表进行推荐，在本实施例中，是通过结合整体人群的概率、个人属性和历史状态来进行推荐的，对于没有历史状态的用户来说，也可以结合整体人群的概率和个人属性来进行推荐，也就是说该方法不但适用于老用户还适用于新用户，在提高了推荐准确率的同时也解决了冷启动问题。
如图7所示，在一个实施例中，所述根据所述一步转移矩阵计算用户的感兴趣列表的步骤包括：
步骤S310a，采用马尔科夫链算法根据一步转移矩阵确定与用户匹配的k步转移矩阵，其中，k为大于等于1的正整数。
在本实施例中，得到用户的一步转移矩阵后，采用马尔科夫链算法确定与用户匹配的最终转移矩阵，在计算过程中，会将得到的预测结果和已有样本的真实点击结果进行对比，确定最终的与用户匹配的k步转移矩阵，其中，k为大于等于1的正整数。具体地，需要通过对一步转移矩阵进行迭代次数的进行选择，有可能有些模型的最终状态是最符合用户实际点击偏好的，有可能有些模型经过10次甚至50次迭代后的状态是符合用户真实点击偏好的，最终选择的迭代次数是通过与已有的真实点击结果进行对比来确定的。其中，二步转移矩阵是一步转移矩阵的平方，三步转移矩阵是一步转移矩阵的三次方，四步转移矩阵是一步转移矩阵的四次方，依次类推。
步骤S310b，根据与用户匹配的k步转移矩阵计算用户的感兴趣列表。
在本实施例中，确定与用户最终匹配的k步转移矩阵后，根据该确定的最终的转移矩阵计算用户的感兴趣列表，进而根据得到的感兴趣列表进行推荐。在本实施例中，通过找到与真实结果匹配的k步转移矩阵，进而根据最终的k步转移矩阵计算感兴趣列表，最后根据得到的感兴趣列表进行推荐，进一步提高了推荐的准确率。
如图8所示，在一个实施例中，提出了一种基于用户画像的个性化推荐装置，该装置包括：
信息获取模块802，用于获取用户的标签信息。
在本实施例中，用户的标签信息可以是用户的固有属性，也可以是用户的动态属性，还可以是两者的结合，可以根据不同的业务场景获取不同的标签信息。其中，固有属性包括用户的年龄、性别、职业等属性，动态属性包括用户购买的历史行为，浏览观看的记录等属性。
建立模块804，用于根据标签信息建立用户画像。
在本实施例中，用户画像是一种勾画目标用户、联系用户诉求与设计方向的有效工具。在实际操作的过程中往往会以最为浅显和贴近生活的话语将用户的属性、行为与期待联系起来。在本实施例中，用户画像是由获取的多个标签信息组成的，将获取的多个标签信息组成为一个文本向量，将组成的文本向量作为该用户的用户画像。
状态获取模块806，用于获取用户的初始状态。
在本实施例中，用户的初始状态可以是点击某个事件，也可以是用户是否浏览过某事件，还可以是其他用户的行为状态。比如可以将初始状态设为是否点击过某事件，如果点击了则为1，如果没有点击则为0。当然也可以同时将用户对多个事件的点击情况或者浏览情况作为初始状态。
第一确定模块808，用于根据用户画像和初始状态确定用户的一步转移矩阵。
在本实施例中，将建立的用户画像和获取的初始状态组合为一个输入向量，然后根据这个输入向量确定用户的一步转移矩阵。具体的，将用户画像和初始状态组合为一个输入向量，并以已有下一步点击行为的用户作为样本，采用随机森林的方式预测用户转移到下一个可能状态的概率。比如，假设目前有100个事件（A1到A100），我们需要根据用户画像和用户的初始状态预测用户的下一步各个状态的转移概率。如，考察是否点击了A1事件作为用户的初始状态，用户点击了则为1，若用户没有点击则为0。那么用户画像和初始状态组成的输入变量如表1所示，将已有下一步点击行为的用户作为样本进行建模，预测用户进行下一步点击各个状态的可能性，输出变量如表2所示。对于每个用户来说，都满足P(A2)+P(A3)+…+P(An)=1。接下来，依次考虑点击了A2事件之后可能的点击概率，生成如上表所示的概率表，依次类推，直到建立100个事件（A1-A100）的随机森林模型，最终根据建立的随机森林模型得到一个各状态的一步转移矩阵。在一个具体的实施例中，把用户画像和初始状态作为一个输入向量，其中，初始状态可以是点击或曝光的次数，根据随机森林模型进行预测实际上可以是一个ranking(等级)的预测，对于每一个状态可能构成的部分分为两个部分，一个是是否点击，二是点击次数，而且把时间维度考虑进去，即必须是在做了a点击之后的再点击的b才是状态变化，才能作为转移矩阵。
第一计算模块810，用于根据一步转移矩阵计算用户的感兴趣列表。
在本实施例中，根据一步转移矩阵得到用户的感兴趣列表，这里的感兴趣列表可以是该用户对各类物品感兴趣的概率，也可以是经过感兴趣的概率筛选得到的用户感兴趣的物品，也可以是能够体现用户兴趣倾向的其他表现形式。
推荐模块812，用于根据感兴趣列表进行推荐。
在本实施例中，得到用户的感兴趣列表后，根据该用户的感兴趣列表进行推荐。具体的，用户的感兴趣列表记载了用户对各类物品感兴趣的概率，比如，养老保险40%，车险90%，意外险80%。那么根据该感兴趣列表，优先向用户推荐最感兴趣的车险、意外险。
在本实施例中，上述基于用户画像的个性化推荐装置，通过获取用户的标签信息，根据标签信息建立用户画像，获取用户的初始状态，根据用户画像和初始状态确定用户的一步转移矩阵，继而根据一步转移矩阵计算用户的感兴趣列表，最后根据感兴趣列表进行推荐。通过根据用户画像和用户的初始状态确定用户对应的一步转移矩阵，继而根据该一步转移矩阵确定用户的感兴趣列表，由于每个用户都对应一个独有的转移矩阵，得到的也是用户独有的感兴趣列表，根据感兴趣列表进行推荐能够很好的根据每个用户的情况进行个性化的推荐，提高了推荐的准确率。同时由于该推荐方法是基于用户画像和初始状态来进行推荐的，对于新用户也适用，很好的解决了新用户的冷启动问题。
在一个实施例中，建立模块804还用于将用户的一个或者多个标签信息组成一个文本向量，将文本向量作为用户的用户画像。
在本实施例中，将获取的用户的多个标签信息组成一个长的文本向量，如表3所示，用户的标签信息可以包括用户的性别、年龄、收入、职业等等。根据不同的业务场景，可以获取不同的标签信息。将用户标签组成的用户的文本向量作为用户的用户画像，用户画像作为实际用户的虚拟代表，其往往是根据产品和市场来构建出来的，反应了真实用户的特征和需求。
如图9所示，在一个实施例中，第一确定模块808包括：
组合模块808a，用于将用户画像和所述初始状态组合为一个输入变量。
在本实施例中，根据用户画像和初始状态确定用户的一步转移矩阵具体是通过将用户画像和初始状态一起组合为一个长的文本向量，将该文本向量作为一个输入变量代入随机森林模型，进而预测用户转移到各个状态的概率。
第二确定模块808b，用于根据输入变量采用随机森林的算法确定用户的一步转移矩阵。
在本实施例中，根据用户画像和初始状态组成的输入变量，采用随机森林的算法，预测用户下一步转移到各个状态的转移概率，根据得到的转移概率得到用户的一步转移矩阵。采用随机森林的算法预测用户的一步转移矩阵是通过以已有下一步点击行为的用户作为样本来预测的，也就是说，该方法是通过结合整体人群的概率、个人属性和历史状态来进行推荐的，提高了推荐的准确率。
在一个实施例中，第二确定模块808b还用于根据输入变量采用随机森林的算法计算用户下一步转移到各个状态的转移概率，根据计算得到的各个状态的转移概率确定用户的一步转移矩阵。
在本实施例中，以具有相同或相似的用户画像和初始状态并已有下一步点击行为的用户作为样本，根据用户画像和初始状态组成的输入变量采用随机森林模型预测用户下一步转移到各个状态的转移概率。根据随机森林模型得到用户的各个状态的转移概率后，根据转移概率确定用户对应的一步转移矩阵。继而根据一步转移矩阵得到用户的感兴趣列表，最后根据得到的感兴趣列表进行推荐，在本实施例中，是通过结合整体人群的概率、个人属性和历史状态来进行推荐的，对于没有历史状态的用户来说，也可以结合整体人群的概率和个人属性来进行推荐，也就是说该方法不但适用于老用户还适用于新用户，在提高了推荐准确率的同时也解决了冷启动问题。
如图10所示，在一个实施例中，计算模块810包括：
第三确定模块810a，用于采用马尔科夫链算法根据一步转移矩阵确定与用户匹配的k步转移矩阵，其中，k为大于等于1的正整数。
在本实施例中，得到用户的一步转移矩阵后，采用马尔科夫链算法确定与用户匹配的最终转移矩阵，在计算过程中，会将得到的预测结果和已有样本的真实点击结果进行对比，确定最终的与用户匹配的k步转移矩阵，其中，k为大于等于1的正整数。具体的通过对一步转移矩阵进行迭代次数的选择，有可能有些模型的最终状态是最符合用户实际点击偏好的，有可能有些模型经过10次甚至50次迭代后的状态是符合用户真实点击偏好的，其中，二步转移矩阵是一步转移矩阵的平方，三步转移矩阵是一步转移矩阵的三次方，四步转移矩阵是一步转移矩阵的四次方，依次类推。
第二计算模块810b，用于根据与用户匹配的k步转移矩阵计算用户的感兴趣列表。
在本实施例中，确定与用户最终匹配的k步转移矩阵后，根据该确定的最终的转移矩阵计算用户的感兴趣列表，进而根据得到的感兴趣列表进行推荐。在本实施例中，通过找到与真实结果匹配的k步转移矩阵，进而根据最终的k步转移矩阵计算感兴趣列表，最后根据得到的感兴趣列表进行推荐，进一步提高了推荐的准确率。
上述基于用户画像的个性化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。其中，网络接口可以是以太网卡或无线网卡等。上述各模块可以硬件形式内嵌于或独立于服务器中的处理器中，也可以以软件形式存储于服务器中的存储器中，以便于处理器调用执行以上各个模块对应的操作。该处理器可以为中央处理单元（CPU)、微处理器、单片机等。
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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）等非易失性存储介质，或随机存储记忆体（Random Access Memory，RAM）等。
以上所述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发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (20)

  1. 一种基于用户画像的个性化推荐方法，包括：
    获取用户的标签信息；
    根据所述标签信息建立用户画像；
    获取用户的初始状态；
    根据所述用户画像和所述初始状态确定用户的一步转移矩阵；
    根据所述一步转移矩阵计算用户的感兴趣列表；及
    根据所述感兴趣列表进行推荐。
  2. 根据权利要求1所述的方法，其特征在于，所述根据所述标签信息建立用户画像包括：
    将用户的一个或者多个标签信息组成一个文本向量；
    将所述文本向量作为用户的用户画像。
  3. 根据权利要求1所述的方法，其特征在于，所述根据所述用户画像和所述初始状态确定用户的一步转移矩阵包括：
    将所述用户画像和所述初始状态组合为一个输入变量；
    根据所述输入变量采用随机森林的算法确定用户的一步转移矩阵。
  4. 根据权利要求3所述的方法，其特征在于，所述根据所述输入变量采用随机森林的算法确定用户的一步转移矩阵包括：
    根据所述输入变量采用随机森林的算法计算用户下一步转移到各个状态的转移概率；
    根据计算得到的各个状态的转移概率确定用户的一步转移矩阵。
  5. 根据权利要求1所述的方法，其特征在于，所述根据所述一步转移矩阵计算用户的感兴趣列表包括：
    采用马尔科夫链算法根据所述一步转移矩阵确定与所述用户匹配的k步转移矩阵，其中，k为大于等于1的正整数；
    根据所述与用户匹配的k步转移矩阵计算用户的感兴趣列表。
  6. 一种基于用户画像的个性化推荐装置，包括：
    信息获取模块，用于获取用户的标签信息；
    建立模块，用于根据所述标签信息建立用户画像；
    状态获取模块，用于获取用户的初始状态；
    第一确定模块，用于根据所述用户画像和所述初始状态确定用户的一步转移矩阵；
    第一计算模块，用于根据所述一步转移矩阵计算用户的感兴趣列表；
    推荐模块，用于根据所述感兴趣列表进行推荐。
  7. 根据权利要求6所述的装置，其特征在于，所述建立模块还用于将用户的一个或者多个标签信息组成一个文本向量，将所述文本向量作为用户的用户画像。
  8. 根据权利要求6所述的装置，其特征在于，所述第一确定模块包括：
    组合模块，用于将所述用户画像和所述初始状态组合为一个输入变量；
    第二确定模块，用于根据所述输入变量采用随机森林的算法确定用户的一步转移矩阵。
  9. 根据权利要求8所述的装置，其特征在于，所述第二确定模块还用于根据所述输入变量采用随机森林的算法计算用户下一步转移到各个状态的转移概率，根据计算得到的各个状态的转移概率确定用户的一步转移矩阵。
  10. 根据权利要求6所述的装置，其特征在于，所述计算模块包括：
    第三确定模块，用于采用马尔科夫链算法根据所述一步转移矩阵确定与所述用户匹配的k步转移矩阵，其中，k为大于等于1的正整数；
    第二计算模块，用于根据所述与用户匹配的k步转移矩阵计算用户的感兴趣列表。
  11. 一种服务器，包括存储器和处理器，所述存储器中存储有指令，所述指令被所述处理器执行时，使得所述处理器执行以下步骤：
    获取用户的标签信息；
    根据所述标签信息建立用户画像；
    获取用户的初始状态；
    根据所述用户画像和所述初始状态确定用户的一步转移矩阵；
    根据所述一步转移矩阵计算用户的感兴趣列表；及
    根据所述感兴趣列表进行推荐。
  12. 根据权利要求11所述的服务器，其特征在于，所述处理器所执行的所述根据所述标签信息建立用户画像包括：
    将用户的一个或者多个标签信息组成一个文本向量；
    将所述文本向量作为用户的用户画像。
  13. 根据权利要求11所述的服务器，其特征在于，所述处理器所执行的所述根据所述用户画像和所述初始状态确定用户的一步转移矩阵包括：
    将所述用户画像和所述初始状态组合为一个输入变量；
    根据所述输入变量采用随机森林的算法确定用户的一步转移矩阵。
  14. 根据权利要求13所述的服务器，其特征在于，所述处理器所执行的所述根据所述输入变量采用随机森林的算法确定用户的一步转移矩阵包括：
    根据所述输入变量采用随机森林的算法计算用户下一步转移到各个状态的转移概率；
    根据计算得到的各个状态的转移概率确定用户的一步转移矩阵。
  15. 根据权利要求11所述的服务器，其特征在于，所述处理器所执行的所述根据所述一步转移矩阵计算用户的感兴趣列表包括：
    采用马尔科夫链算法根据所述一步转移矩阵确定与所述用户匹配的k步转移矩阵，其中，k为大于等于1的正整数；
    根据所述与用户匹配的k步转移矩阵计算用户的感兴趣列表。
  16. 一个或多个存储有计算机可执行指令的非易失性可读存储介质，所述计算机可执行指令被一个或多个处理器执行时，使得所述一个或多个处理器执行以下步骤：
    获取用户的标签信息；
    根据所述标签信息建立用户画像；
    获取用户的初始状态；
    根据所述用户画像和所述初始状态确定用户的一步转移矩阵；
    根据所述一步转移矩阵计算用户的感兴趣列表；及
    根据所述感兴趣列表进行推荐。
  17. 根据权利要求16所述的非易失性可读存储介质，其特征在于，所述处理器所执行的所述根据所述标签信息建立用户画像包括：
    将用户的一个或者多个标签信息组成一个文本向量；
    将所述文本向量作为用户的用户画像。
  18. 根据权利要求16所述的非易失性可读存储介质，其特征在于，所述处理器所执行的所述根据所述用户画像和所述初始状态确定用户的一步转移矩阵包括：
    将所述用户画像和所述初始状态组合为一个输入变量；
    根据所述输入变量采用随机森林的算法确定用户的一步转移矩阵。
  19. 根据权利要求18所述的非易失性可读存储介质，其特征在于，所述处理器所执行的所述根据所述输入变量采用随机森林的算法确定用户的一步转移矩阵包括：
    根据所述输入变量采用随机森林的算法计算用户下一步转移到各个状态的转移概率；
    根据计算得到的各个状态的转移概率确定用户的一步转移矩阵。
  20. 根据权利要求16所述的非易失性可读存储介质，其特征在于，所述处理器所执行的所述根据所述一步转移矩阵计算用户的感兴趣列表包括：
    采用马尔科夫链算法根据所述一步转移矩阵确定与所述用户匹配的k步转移矩阵，其中，k为大于等于1的正整数；
    根据所述与用户匹配的k步转移矩阵计算用户的感兴趣列表。
PCT/CN2017/074400 2016-03-15 2017-02-22 基于用户画像的个性化推荐方法、装置、服务器及存储介质 WO2017157146A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201610147694.0A CN105824912A (zh) 2016-03-15 2016-03-15 基于用户画像的个性化推荐方法和装置
CN201610147694.0 2016-03-15

Publications (1)

Publication Number Publication Date
WO2017157146A1 true WO2017157146A1 (zh) 2017-09-21

Family

ID=56987258

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2017/074400 WO2017157146A1 (zh) 2016-03-15 2017-02-22 基于用户画像的个性化推荐方法、装置、服务器及存储介质

Country Status (2)

Country Link
CN (1) CN105824912A (zh)
WO (1) WO2017157146A1 (zh)

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108521439A (zh) * 2018-03-08 2018-09-11 北京三快在线科技有限公司 一种消息推送的方法和装置
CN109493199A (zh) * 2019-01-04 2019-03-19 深圳壹账通智能科技有限公司 产品推荐方法、装置、计算机设备和存储介质
CN110222272A (zh) * 2019-04-18 2019-09-10 广东工业大学 一种潜在客户挖掘与推荐方法
CN110334274A (zh) * 2019-05-30 2019-10-15 平安科技（深圳）有限公司 信息推送方法、装置、计算机设备和存储介质
CN110543594A (zh) * 2019-08-06 2019-12-06 山东科技大学 一种基于知识库的服刑人员个性化循证矫正推荐方法
CN110866040A (zh) * 2018-08-27 2020-03-06 京东数字科技控股有限公司 用户画像生成方法、装置和系统
CN111091351A (zh) * 2019-12-16 2020-05-01 北京政信1890智能科技有限公司 用户画像构建方法、装置、电子设备和可读存储介质
CN111191142A (zh) * 2018-11-14 2020-05-22 腾讯科技（深圳）有限公司 一种电子资源推荐方法、装置和可读介质
CN111611483A (zh) * 2020-05-11 2020-09-01 腾讯科技（深圳）有限公司 一种对象画像构建方法、装置、设备及存储介质
CN111666503A (zh) * 2019-03-05 2020-09-15 百度在线网络技术（北京）有限公司 出行方式推荐方法、装置、计算机设备和可读存储介质
CN111753151A (zh) * 2020-06-24 2020-10-09 广东科杰通信息科技有限公司 一种基于互联网用户行为的服务推荐方法
CN111767290A (zh) * 2019-04-01 2020-10-13 北京百度网讯科技有限公司 用于更新用户画像的方法和装置
CN111782959A (zh) * 2020-07-20 2020-10-16 深圳市欢太科技有限公司 用户画像更新方法、装置、计算机设备及存储介质
CN112182391A (zh) * 2020-09-30 2021-01-05 北京神州泰岳智能数据技术有限公司 一种用户画像方法与装置
CN112270350A (zh) * 2020-10-23 2021-01-26 泰康保险集团股份有限公司 组织机构的画像方法、装置、设备及存储介质
CN112395331A (zh) * 2020-11-17 2021-02-23 平安科技（深圳）有限公司 信用卡客户的用户画像方法、装置、设备及介质
CN112417315A (zh) * 2020-12-15 2021-02-26 深圳壹账通智能科技有限公司 基于网站注册的用户画像生成方法、装置、设备和介质
CN112417301A (zh) * 2020-12-07 2021-02-26 中国建设银行股份有限公司 信息推送方法、装置、服务器和存储介质
CN112581246A (zh) * 2020-12-23 2021-03-30 上海永骁智能技术有限公司 一种基于深度学习税务服务差异化方法与装置
CN112752256A (zh) * 2019-10-31 2021-05-04 中移(苏州)软件技术有限公司 客户画像标签确定方法、装置、设备及存储介质
CN112749323A (zh) * 2019-10-31 2021-05-04 北京沃东天骏信息技术有限公司 一种构建用户画像的方法和装置
CN112910953A (zh) * 2021-01-14 2021-06-04 中国工商银行股份有限公司 业务数据的推送方法、装置和服务器
CN113010795A (zh) * 2021-04-12 2021-06-22 北京明略软件系统有限公司 用户动态画像生成方法、系统、存储介质及电子设备
CN113592306A (zh) * 2021-07-30 2021-11-02 北京壹心壹翼科技有限公司 基于全流程用户画像的智能匹配方法、装置、设备及介质

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105824912A (zh) * 2016-03-15 2016-08-03 平安科技（深圳）有限公司 基于用户画像的个性化推荐方法和装置
CN106097024B (zh) * 2016-08-18 2021-11-02 北京京东尚科信息技术有限公司 数据挖掘方法、装置和系统
CN106339505B (zh) * 2016-09-27 2019-09-27 电子科技大学 一种基于马氏链的音乐推荐方法
CN106383895B (zh) * 2016-09-27 2019-08-27 北京金山安全软件有限公司 信息推荐方法、装置以及终端设备
CN106354519A (zh) * 2016-09-30 2017-01-25 乐视控股（北京）有限公司 一种用户画像的标签生成方法和装置
CN106875278B (zh) * 2017-01-19 2020-11-03 浙江工商大学 基于随机森林的社交网络用户画像方法
CN107464186A (zh) * 2017-08-04 2017-12-12 缪骁 基于车险客户画像的理赔模式推荐方法
CN107679904A (zh) * 2017-09-28 2018-02-09 山东浪潮云服务信息科技有限公司 一种推荐商品的方法及装置
CN107977864A (zh) * 2017-12-07 2018-05-01 北京贝塔智投科技有限公司 一种适用于金融场景的客户洞察方法和系统
CN108769159A (zh) * 2018-05-16 2018-11-06 北京豆果信息技术有限公司 一种电子菜谱智能推荐方法
CN108960975A (zh) * 2018-06-15 2018-12-07 广州麦优网络科技有限公司 基于用户画像的个性化精准营销方法、服务器及存储介质
CN108920682B (zh) * 2018-07-11 2021-08-31 厦门盈趣科技股份有限公司 基于机器学习和用户画像技术的社交用户推荐方法及装置
CN109710842B9 (zh) * 2018-12-17 2022-08-19 泰康保险集团股份有限公司 业务信息的推送方法、装置及可读存储介质
CN109788056A (zh) * 2019-01-10 2019-05-21 四川新网银行股份有限公司 基于聚类分析的用户主题消息推送方法及系统
CN111767455A (zh) * 2019-05-09 2020-10-13 北京京东尚科信息技术有限公司 一种信息推送的方法和装置
CN110335060B (zh) * 2019-05-20 2023-03-31 微民保险代理有限公司 产品信息推送方法、装置、存储介质和计算机设备
CN110413882B (zh) * 2019-07-15 2023-10-31 创新先进技术有限公司 信息推送方法、装置及设备
CN110852825A (zh) * 2019-08-12 2020-02-28 陈柏臻 一种基于用户偏好定制产品香味配方的方法
CN110852852A (zh) * 2019-11-15 2020-02-28 成都航天科工大数据研究院有限公司 一种工业互联网产品推荐系统及方法
CN111522828B (zh) * 2020-04-23 2023-08-01 中国农业银行股份有限公司 一种用户画像标签值分析方法及装置
CN113672818B (zh) * 2020-05-13 2023-11-14 中南大学 一种获取社交媒体用户画像的方法及系统
CN112685641B (zh) * 2020-12-31 2023-04-07 五八有限公司 一种信息处理方法及装置
CN112862567B (zh) * 2021-02-25 2022-12-23 华侨大学 一种在线展会的展品推荐方法与系统
CN113313545B (zh) * 2021-04-19 2024-04-23 深圳市竹芒信息技术有限公司 信息推荐方法、装置、计算机设备和存储介质
CN116258356B (zh) * 2023-05-16 2023-08-25 深圳市万物云科技有限公司 基于WaveNet的工单派发方法、装置及相关介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6655963B1 (en) * 2000-07-31 2003-12-02 Microsoft Corporation Methods and apparatus for predicting and selectively collecting preferences based on personality diagnosis
CN101826114A (zh) * 2010-05-26 2010-09-08 南京大学 一种基于多马尔可夫链的内容推荐方法
CN103353872A (zh) * 2013-06-03 2013-10-16 大连理工大学 一种基于神经网络的教学资源个性化推荐方法
CN105824912A (zh) * 2016-03-15 2016-08-03 平安科技（深圳）有限公司 基于用户画像的个性化推荐方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6655963B1 (en) * 2000-07-31 2003-12-02 Microsoft Corporation Methods and apparatus for predicting and selectively collecting preferences based on personality diagnosis
CN101826114A (zh) * 2010-05-26 2010-09-08 南京大学 一种基于多马尔可夫链的内容推荐方法
CN103353872A (zh) * 2013-06-03 2013-10-16 大连理工大学 一种基于神经网络的教学资源个性化推荐方法
CN105824912A (zh) * 2016-03-15 2016-08-03 平安科技（深圳）有限公司 基于用户画像的个性化推荐方法和装置

Cited By (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108521439A (zh) * 2018-03-08 2018-09-11 北京三快在线科技有限公司 一种消息推送的方法和装置
CN108521439B (zh) * 2018-03-08 2022-01-21 北京三快在线科技有限公司 一种消息推送的方法和装置
CN110866040B (zh) * 2018-08-27 2024-05-17 京东科技控股股份有限公司 用户画像生成方法、装置和系统
CN110866040A (zh) * 2018-08-27 2020-03-06 京东数字科技控股有限公司 用户画像生成方法、装置和系统
CN111191142A (zh) * 2018-11-14 2020-05-22 腾讯科技（深圳）有限公司 一种电子资源推荐方法、装置和可读介质
CN111191142B (zh) * 2018-11-14 2023-03-14 腾讯科技（深圳）有限公司 一种电子资源推荐方法、装置和可读介质
CN109493199A (zh) * 2019-01-04 2019-03-19 深圳壹账通智能科技有限公司 产品推荐方法、装置、计算机设备和存储介质
CN111666503A (zh) * 2019-03-05 2020-09-15 百度在线网络技术（北京）有限公司 出行方式推荐方法、装置、计算机设备和可读存储介质
CN111666503B (zh) * 2019-03-05 2023-08-18 百度在线网络技术（北京）有限公司 出行方式推荐方法、装置、计算机设备和可读存储介质
CN111767290B (zh) * 2019-04-01 2024-04-19 北京百度网讯科技有限公司 用于更新用户画像的方法和装置
CN111767290A (zh) * 2019-04-01 2020-10-13 北京百度网讯科技有限公司 用于更新用户画像的方法和装置
CN110222272A (zh) * 2019-04-18 2019-09-10 广东工业大学 一种潜在客户挖掘与推荐方法
CN110334274A (zh) * 2019-05-30 2019-10-15 平安科技（深圳）有限公司 信息推送方法、装置、计算机设备和存储介质
CN110543594A (zh) * 2019-08-06 2019-12-06 山东科技大学 一种基于知识库的服刑人员个性化循证矫正推荐方法
CN110543594B (zh) * 2019-08-06 2022-03-25 山东科技大学 一种基于知识库的服刑人员个性化循证矫正推荐方法
CN112749323A (zh) * 2019-10-31 2021-05-04 北京沃东天骏信息技术有限公司 一种构建用户画像的方法和装置
CN112752256A (zh) * 2019-10-31 2021-05-04 中移(苏州)软件技术有限公司 客户画像标签确定方法、装置、设备及存储介质
CN112752256B (zh) * 2019-10-31 2022-06-03 中移(苏州)软件技术有限公司 客户画像标签确定方法、装置、设备及存储介质
CN111091351A (zh) * 2019-12-16 2020-05-01 北京政信1890智能科技有限公司 用户画像构建方法、装置、电子设备和可读存储介质
CN111611483B (zh) * 2020-05-11 2022-07-22 腾讯科技（深圳）有限公司 一种对象画像构建方法、装置、设备及存储介质
CN111611483A (zh) * 2020-05-11 2020-09-01 腾讯科技（深圳）有限公司 一种对象画像构建方法、装置、设备及存储介质
CN111753151B (zh) * 2020-06-24 2023-09-15 广东科杰通信息科技有限公司 一种基于互联网用户行为的服务推荐方法
CN111753151A (zh) * 2020-06-24 2020-10-09 广东科杰通信息科技有限公司 一种基于互联网用户行为的服务推荐方法
CN111782959B (zh) * 2020-07-20 2023-07-14 深圳市与飞科技有限公司 用户画像更新方法、装置、计算机设备及存储介质
CN111782959A (zh) * 2020-07-20 2020-10-16 深圳市欢太科技有限公司 用户画像更新方法、装置、计算机设备及存储介质
CN112182391A (zh) * 2020-09-30 2021-01-05 北京神州泰岳智能数据技术有限公司 一种用户画像方法与装置
CN112270350A (zh) * 2020-10-23 2021-01-26 泰康保险集团股份有限公司 组织机构的画像方法、装置、设备及存储介质
CN112270350B (zh) * 2020-10-23 2023-11-21 泰康保险集团股份有限公司 组织机构的画像方法、装置、设备及存储介质
CN112395331B (zh) * 2020-11-17 2023-10-10 平安科技（深圳）有限公司 信用卡客户的用户画像方法、装置、设备及介质
CN112395331A (zh) * 2020-11-17 2021-02-23 平安科技（深圳）有限公司 信用卡客户的用户画像方法、装置、设备及介质
CN112417301A (zh) * 2020-12-07 2021-02-26 中国建设银行股份有限公司 信息推送方法、装置、服务器和存储介质
WO2022127339A1 (zh) * 2020-12-15 2022-06-23 深圳壹账通智能科技有限公司 基于网站注册的用户画像生成方法、装置、设备和介质
CN112417315A (zh) * 2020-12-15 2021-02-26 深圳壹账通智能科技有限公司 基于网站注册的用户画像生成方法、装置、设备和介质
CN112581246A (zh) * 2020-12-23 2021-03-30 上海永骁智能技术有限公司 一种基于深度学习税务服务差异化方法与装置
CN112910953A (zh) * 2021-01-14 2021-06-04 中国工商银行股份有限公司 业务数据的推送方法、装置和服务器
CN113010795A (zh) * 2021-04-12 2021-06-22 北京明略软件系统有限公司 用户动态画像生成方法、系统、存储介质及电子设备
CN113592306A (zh) * 2021-07-30 2021-11-02 北京壹心壹翼科技有限公司 基于全流程用户画像的智能匹配方法、装置、设备及介质

Also Published As

Publication number Publication date
CN105824912A (zh) 2016-08-03

Similar Documents

Publication Publication Date Title
WO2017157146A1 (zh) 基于用户画像的个性化推荐方法、装置、服务器及存储介质
WO2017054463A1 (zh) 事件信息推送方法、事件信息推送装置及存储介质
WO2020125251A1 (zh) 基于联邦学习的模型参数训练方法、装置、设备及介质
WO2013178081A1 (zh) Sns社区中的用户推荐方法和系统、计算机存储介质
WO2016093552A2 (en) Terminal device and data processing method thereof
WO2020073495A1 (zh) 基于人工智能的复审方法、装置、设备及存储介质
WO2019139270A1 (ko) 디스플레이 장치 및 이의 컨텐츠 제공 방법
WO2020113959A1 (zh) 医疗机构透析水平的考核方法、装置、设备及存储介质
WO2020107761A1 (zh) 广告文案处理方法、装置、设备及计算机可读存储介质
WO2017142143A1 (en) Method and apparatus for providing summary information of a video
WO2021003956A1 (zh) 产品信息的管理方法、装置、设备及存储介质
EP3230902A2 (en) Terminal device and data processing method thereof
WO2016101441A1 (zh) 一种进行文件同步的方法及系统
WO2020087981A1 (zh) 风控审核模型生成方法、装置、设备及可读存储介质
WO2020141660A1 (en) Electronic apparatus managing data based on block chain and method for managing data
WO2017111195A1 (ko) 신뢰도 평가기반의 차량 직거래 인터페이스 제공 방법 및 이를 운용하는 서버
WO2018090481A1 (zh) 用于移动终端应用程序的数字证书验证方法及系统
WO2022039450A1 (ko) 가상 피팅 서비스 제공 방법, 장치 및 그 시스템
WO2022071635A1 (en) Recommending information to present to users without server-side collection of user data for those users
WO2015147599A1 (en) Data sharing method and electronic device thereof
WO2020114184A1 (zh) 联合建模方法、装置、设备以及计算机可读存储介质
WO2012022215A1 (zh) 一种互联网中互动信息的交互方法、装置及系统
WO2016024824A1 (en) Display apparatus and method of controlling the same
WO2021027158A1 (zh) 车辆信息的推送方法、装置、设备及计算机可读存储介质
WO2013008978A1 (ko) 개체 식별 결과 검색 시스템 및 방법

Legal Events

Date Code Title Description
NENP Non-entry into the national phase

Ref country code: DE

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17765688

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205N DATED 17.01.2019)

122 Ep: pct application non-entry in european phase

Ref document number: 17765688

Country of ref document: EP

Kind code of ref document: A1