【技术实现步骤摘要】
本公开涉及计算机，尤其涉及一种数据推荐方法、系统、设备及介质。
技术介绍
1、随着大数据时代的到来，数据推荐系统在各个领域得到了广泛应用。目前应用较为广泛的推荐方法主要有基于协同过滤的推荐方法、基于内容的推荐方法和混合推荐方法，其中基于协同过滤的推荐方法主要基于用户和项目的交互信息进行推荐，例如点击、浏览和评级等交互信息，协同过滤推荐方法简单有效，但存在稀疏矩阵和冷启动的问题；基于内容的推荐方法主要依据用户与项目之间的特征信息进行推荐，在这种推荐方法中，用户之间的联系不会影响推荐结果，所以不存在冷启动和稀疏矩阵的问题，然而该推荐方法面临特征提取的问题，并且其结果新颖程度低；混合推荐方法融合了前两种传统推荐方法的优点，能够取得很好的推荐效果。不过，混合推荐方法在处理文本、图像等多源异构辅助信息时仍面临一些挑战与困难。
2、基于对话的推荐系统(crs)是另一种新的研究热点，这种推荐系统能够通过与用户深入互动来了解用户兴趣，从而提升推荐的准确性。然而，基于对话的推荐系统需要考虑如何在冷启动场景下权衡探索与开发。
3、综上，现有的推荐系统通常只考虑用户的历史行为和偏好，忽略了数据的多个属性，导致推荐结果不够精准。因此，急需一种多条件均衡的数据推荐方法以克服现有技术存在的上述缺陷。
技术实现思路
1、有鉴于此，本公开的目的在于提出一种能够解决现有推荐系统在处理多条件均衡时存在的准确性不足问题的数据推荐方法、系统、设备及介质。
2、基于上述目的，本公开提供了
3、获取用户原始数据，对所述用户原始数据进行预处理得到数据集；
4、使用所述数据集建立用户行为模型；
5、在数据集中筛选与所述用户行为模型相关联的数据属性，得到数据属性集；
6、对用户行为模型和数据属性集进行多条件均衡处理，生成多条件均衡结果；
7、根据多条件均衡结果生成个性化的推荐结果。
8、在其中一个实施例中，使用所述数据集建立用户行为模型，包括：
9、从所述数据集中提取用户历史行为特征；
10、选择适合用户行为分析的模型和建模方法，并使用用户历史行为特征和建模方法对模型进行训练；
11、对训练好的模型进行评估，并根据评估结果对模型进行优化；
12、利用优化后的模型对用户的行为进行预测和分类，并分析用户对不同行为的偏好。
13、在其中一个实施例中，所述建模方法包括统计方法、机器学习方法和深度学习方法。
14、在其中一个实施例中，在数据集中筛选与所述用户行为模型相关联的数据属性，包括：
15、分析用户行为模型与数据集中数据属性的关联性；
16、根据关联性分析结果筛选与用户兴趣相关的数据属性；
17、将筛选后的数据属性整理为数据属性集。
18、在其中一个实施例中，对用户行为模型和数据属性集进行多条件均衡处理，包括：
19、将用户行为模型和数据属性集进行融合，创建一综合考虑多条件的用户模型；
20、对不同的条件分配适当的权重，根据权重对不同的条件进行加权组合，生成基于条件融合和均衡处理的综合用户模型；
21、根据综合用户画像生成每日个性化的推荐列表。
22、在其中一个实施例中，对用户行为模型和数据属性集进行多条件均衡处理，还包括；
23、在所述推荐列表生成后，对生成的推荐列表进行评估，并收集用户对推荐列表的反馈；
24、根据用户反馈不断调整用户模型的参数和权重。
25、在其中一个实施例中，在根据多条件均衡结果生成个性化的推荐结果后，将推荐结果向用户呈现，并收集用户对推荐结果的反馈。
26、基于同样的专利技术构思，本公开还提出了一种数据推荐系统，包括：
27、数据预处理模块，其用于获取用户原始数据，对所述用户原始数据进行预处理得到数据集；
28、用户行为建模模块，其用于使用所述数据集建立用户行为模型；
29、数据属性筛选模块，其用于在数据集中筛选与所述用户行为模型相关联的数据属性，得到数据属性集；
30、多条件均衡模块，其用于对用户行为模型和数据属性集进行多条件均衡处理，生成多条件均衡结果；
31、推荐生成模块，其用于根据多条件均衡结果生成个性化的推荐结果。
32、基于同样的专利技术构思，本公开还提出了一种电子设备，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上述实施例中所述的数据推荐方法。
33、基于同样的专利技术构思，本公开还提出了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行上述实施例中所述的数据推荐方法。
34、从上面所述可以看出，本公开提供的数据推荐方法能够综合考虑用户的历史行为、偏好以及数据的多个属性，实现更精准、更个性化的推荐，从而解决现有推荐系统在处理多条件均衡时存在的准确性不足问题。
本文档来自技高网...【技术保护点】
1.一种数据推荐方法，其特征在于，包括：
2.根据权利要求1所述的数据推荐方法，其特征在于，使用所述数据集建立用户行为模型，包括：
3.根据权利要求2所述的数据推荐方法，其特征在于，所述建模方法包括统计方法、机器学习方法和深度学习方法。
4.根据权利要求1或2所述的数据推荐方法，其特征在于，在数据集中筛选与所述用户行为模型相关联的数据属性，包括：
5.根据权利要求4所述的数据推荐方法，其特征在于，对用户行为模型和数据属性集进行多条件均衡处理，包括：
6.根据权利要求5所述的数据推荐方法，其特征在于，对用户行为模型和数据属性集进行多条件均衡处理，还包括；
7.根据权利要求4所述的数据推荐方法，其特征在于，在根据多条件均衡结果生成个性化的推荐结果后，将推荐结果向用户呈现，并收集用户对推荐结果的反馈。
8.一种数据推荐系统，其特征在于，包括：
9.一种电子设备，其特征在于，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权利要求1至7任意一项所
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行权利要求1至7任意一所述的数据推荐方法。
...【技术特征摘要】
1.一种数据推荐方法，其特征在于，包括：
2.根据权利要求1所述的数据推荐方法，其特征在于，使用所述数据集建立用户行为模型，包括：
3.根据权利要求2所述的数据推荐方法，其特征在于，所述建模方法包括统计方法、机器学习方法和深度学习方法。
4.根据权利要求1或2所述的数据推荐方法，其特征在于，在数据集中筛选与所述用户行为模型相关联的数据属性，包括：
5.根据权利要求4所述的数据推荐方法，其特征在于，对用户行为模型和数据属性集进行多条件均衡处理，包括：
6.根据权利要求5所述的数据推荐方法，其特征在于，对用户行为模型和数据属性集进行...
【专利技术属性】
技术研发人员：倪星光，黄宇，孔祥博，
申请(专利权)人：中科世通亨奇北京科技有限公司，
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。