本申请涉及一种用户兴趣向量生成方法、产品推荐方法、装置、设备、介质。所述方法包括：获取用户特征以及历史行为信息，所述历史行为信息包括与目标行为相关的产品；对所述历史行为信息中所涉及的产品进行聚类，得到待处理分类；获取每一所述待处理分类对应的目标产品向量；根据所述目标产品向量和所述用户特征得到用户兴趣向量。所述产品推荐方法包括：获取待推荐产品的待处理向量；根据用户兴趣向量生成方法，计算得到用户兴趣向量；根据每一用户兴趣向量与所述待处理向量，计算得到待推荐产品；将所述待推荐产品发送至用户终端。采用本方法能够利用先验知识辅助用户表达多兴趣，增强多兴趣的准确性，提高匹配的多样性。提高匹配的多样性。提高匹配的多样性。
【技术实现步骤摘要】
用户兴趣向量生成方法、产品推荐方法、装置、设备、介质
[0001]本申请涉及人工智能
，特别是涉及一种用户兴趣向量生成方法、产品推荐方法、装置、设备、介质。
技术介绍
[0002]随着技术的发展，推荐匹配经过从非个性化已转变至个性化。在非个性化阶段，最主要的代表是协同过滤，协同过滤是考虑用户和产品的交互信息来找相似的用户和商品，再利用相似来进行推荐。但随着技术的发展，用户更加专注自己行为，产生了个性化，个性化的代表是embedding技术出现，将用户和产品抽象成一个向量，利用向量内积的方式，计算用户和产品的相似度，该方法能在很大的程度上实现了个性化的需求。
[0003]但随着技术的发展，单个用户抽象出一个向量很难表示用户的多个兴趣，在多兴趣中，存在基于胶囊网络的短视频点击序列预测方法，该方法利用卷积神经网络从用户点击序列中抽取上下文特征，再利用序列胶囊网络将上下文特征转换到不同兴趣空间下，并在不同兴趣空间下捕捉用户行为的序列性，得到用户的多兴趣向量表征。该方法也是将一个用户抽象成多个向量表示，但是这样的方法存在二个问题：第一是序列是自动投射没有加入先验知识，按照贝叶斯原理，会导致投射的波动较大，且不具有解释性，第二个问题是对于短序列的用户，其用户的行为比较少，会导致投射的不准确。
技术实现思路
[0004]基于此，有必要针对上述技术问题，提供一种能够生成多个用户兴趣向量的用户兴趣向量生成方法、产品推荐方法、装置、设备、介质。
[0005]第一方面，本申请提供了一种用户兴趣向量生成方法，所述用户兴趣向量生成方法包括：
[0006]获取用户特征以及历史行为信息，所述历史行为信息包括与目标行为相关的产品；
[0007]对所述历史行为信息中所涉及的产品进行聚类，得到待处理分类；
[0008]获取每一所述待处理分类对应的目标产品向量；
[0009]根据所述目标产品向量和所述用户特征得到用户兴趣向量。
[0010]在其中一个实施例中，所述获取用户特征以及历史行为信息之后，还包括：
[0011]当所述历史行为信息不满足要求时，获取所述用户特征对应的用户集合；
[0012]查询所述用户集合对应的产品集合；
[0013]从所述产品集合中进行采样得到历史行为信息。
[0014]在其中一个实施例中，所述获取所述用户特征对应的用户集合之前，还包括：
[0015]获取待处理用户的待处理用户特征；
[0016]根据所述待处理用户特征对所述待处理用户进行分类，得到用户集合；
[0017]对每一用户集合中的用户行为所关联的产品进行筛选，得到产品集合。
[0018]在其中一个实施例中，所述方法还包括：
[0019]计算产品之间的相似度；
[0020]所述对所述历史行为信息中所涉及的产品进行聚类，得到待处理分类，包括：
[0021]根据所述产品的相似度，对所述历史行为信息中所涉及的产品进行聚类，得到待处理分类。
[0022]在其中一个实施例中，所述获取每一所述待处理分类对应的目标产品向量，包括：
[0023]获取每一所述待处理分类中的产品对应的产品向量；
[0024]对每一所述待处理分类中的产品对应的所述产品向量进行向量变化，得到每一所述待处理分类对应的目标产品向量。
[0025]在其中一个实施例中，所述根据所述目标产品向量和所述用户特征得到用户兴趣向量，包括：
[0026]将每一所述目标产品向量与所述用户特征对应的用户向量进行融合，得到若干模型输入向量；
[0027]对每一所述模型输入向量进行特征提取得到用户兴趣向量。
[0028]第二方面，本申请还提供了一种产品推荐方法，所述方法包括：
[0029]获取待推荐产品的待处理向量；
[0030]根据上述的用户兴趣向量生成方法，计算得到用户兴趣向量；
[0031]根据每一用户兴趣向量与所述待处理向量，计算得到待推荐产品；
[0032]将所述待推荐产品发送至用户终端。
[0033]第三方面，本申请还提供了一种用户兴趣向量生成装置，所述用户兴趣向量生成装置包括：
[0034]信息获取模块，用于获取用户特征以及历史行为信息，所述历史行为信息包括与目标行为相关的产品；
[0035]聚类模块，用于对所述历史行为信息中所涉及的产品进行聚类，得到待处理分类；
[0036]向量获取模块，用于获取每一所述待处理分类对应的目标产品向量；
[0037]用户兴趣向量生成模块，用于根据所述目标产品向量和所述用户特征得到用户兴趣向量。
[0038]第四方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任意一个实施例中所述的方法的步骤。
[0039]第五方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一个实施例中所述的方法的步骤。
[0040]第六方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任意一个实施例中所述的方法的步骤。
[0041]上述用户兴趣向量生成方法、产品推荐方法、装置、设备、介质，在生成用户兴趣向量时，对历史行为信息中所涉及的产品进行聚类，得到待处理分类，这样每个待处理分类代表用户的用户兴趣，再分别根据每一待处理分类对应的目标产品向量和用户特征得到用户兴趣向量，从而使得用户兴趣向量存在多个，利用先验知识辅助用户表达多兴趣，增强多兴趣的准确性，提高匹配的多样性。
附图说明
[0042]图1为一个实施例中用户兴趣向量生成方法的应用环境图；
[0043]图2为一个实施例中用户兴趣向量生成方法的流程示意图；
[0044]图3为一个实施例中产品推荐方法的流程示意图；
[0045]图4为另一个实施例中用户兴趣向量生成方法的流程示意图；
[0046]图5为一个实施例中用户兴趣向量生成装置的结构框图；
[0047]图6为一个实施例中产品推荐装置的结构框图；
[0048]图7为一个实施例中计算机设备的内部结构图。
具体实施方式
[0049]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。
[0050]本申请实施例提供的用户兴趣向量生成方法以及产品推荐方法，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。
[0051]其中，服务器104可以接收到终端102发送的用户兴趣向量生成请求，或者是产品推荐请求等等，以触发服务本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用户兴趣向量生成方法，其特征在于，所述用户兴趣向量生成方法包括：获取用户特征以及历史行为信息，所述历史行为信息包括与目标行为相关的产品；对所述历史行为信息中所涉及的产品进行聚类，得到待处理分类；获取每一所述待处理分类对应的目标产品向量；根据所述目标产品向量和所述用户特征得到用户兴趣向量。2.根据权利要求1所述的用户兴趣向量生成方法，其特征在于，所述获取用户特征以及历史行为信息之后，还包括：当所述历史行为信息不满足要求时，获取所述用户特征对应的用户集合；查询所述用户集合对应的产品集合；从所述产品集合中进行采样得到历史行为信息。3.根据权利要求2所述的用户兴趣向量生成方法，其特征在于，所述获取所述用户特征对应的用户集合之前，还包括：获取待处理用户的待处理用户特征；根据所述待处理用户特征对所述待处理用户进行分类，得到用户集合；对每一用户集合中的用户行为所关联的产品进行筛选，得到产品集合。4.根据权利要求1至3任意一项所述的用户兴趣向量生成方法，其特征在于，所述方法还包括：计算产品之间的相似度；所述对所述历史行为信息中所涉及的产品进行聚类，得到待处理分类，包括：根据所述产品的相似度，对所述历史行为信息中所涉及的产品进行聚类，得到待处理分类。5.根据权利要求1至4任意一项所述的用户兴趣向量生成方法，其特征在于，所述获取每一所述待处理分类对应的目标产品向量，包括：获取每一所述待处理分类中的产品对应的产品向量；对每一所述待处理分类中的产品对应的所述产品向量进行向量变化，得到每一所述待处理分类对应的目标产品向量。6....
【专利技术属性】
技术研发人员：李齐周，汤浪，
申请(专利权)人：上海鱼尔网络科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。