本申请实施例提供了一种文章推荐方法、装置、电子设备及存储介质，属于人工智能技术领域。该方法包括：获取文章数据集，并对文章数据集进行特征处理，得到文章特征数据；其中，文章特征数据的数量为多个，每一文章特征数据对应一篇文章；获取用户数据集，并对用户数据集进行特征处理，得到用户特征数据；其中，用户特征数据的数量为多个，每一用户特征数据对应一个用户；基于文章特征数据和用户特征数据构建文章推荐模型；针对每一用户，通过文章推荐模型从多个文章特征数据中确定目标推荐文章；将目标推荐文章推荐给用户。本申请实施例能够建立多个用户之间的联系，根据用户之间的相关性来实现文章推荐，提高了文章推荐的准确性与相关性。
【技术实现步骤摘要】
本申请涉及人工智能，尤其涉及一种文章推荐方法、装置、电子设备及存储介质。
技术介绍
1、目前，在文章推荐领域通常采用基于机器学习模型或深度学习模型的文章推荐方法进行文章推荐。然而，在实际的应用场景中，这些模型在优化推荐算法时往往忽视了用户之间的潜在关联，由于缺乏对不同用户相关性的有效利用，导致无法根据用户之间的相关性来实现文章推荐，降低了文章推荐的准确性与相关性。
2、因此，如何提高文章推荐的准确性，成为了亟待解决的技术问题。
技术实现思路
1、本申请实施例的主要目的在于提出一种文章推荐方法、装置、电子设备及存储介质，旨在提高文章推荐的准确性。
2、为实现上述目的，本申请实施例的第一方面提出了一种文章推荐方法，所述方法包括：
3、获取文章数据集，并对所述文章数据集进行特征处理，得到文章特征数据；其中，所述文章特征数据的数量为多个，每一所述文章特征数据对应一篇文章；
4、获取用户数据集，并对所述用户数据集进行特征处理，得到用户特征数据；其中，所述用户特征数据的数量为多个，每一所述用户特征数据对应一个用户；
5、基于所述文章特征数据和所述用户特征数据构建文章推荐模型；
6、针对每一所述用户，通过所述文章推荐模型从多个所述文章特征数据中确定目标推荐文章；
7、将所述目标推荐文章推荐给所述用户。
8、在一些实施例，所述通过所述文章推荐模型从多个所述文章特征数据中确定目标推荐文章，包括：
<
p>9、确定所述文章推荐模型的高斯分布数据；10、对所述高斯分布数据进行采样，得到分布特征数据；
11、根据所述分布特征数据计算每一所述文章特征数据的置信度上界；
12、基于所述置信度上界从多个所述文章特征数据中确定所述目标推荐文章。
13、在一些实施例，所述分布特征数据包括分布均值特征数据和分布方差特征数据；所述根据所述分布特征数据计算每一所述文章特征数据的置信度上界，包括：
14、基于所述文章特征数据和所述分布均值特征数据进行第一特征计算，得到第一特征数据；
15、基于预设的置信因子、所述文章特征数据和所述分布方差特征数据进行第二特征计算，得到第二特征数据；
16、基于所述第一特征数据和所述第二特征数据进行聚合计算，得到所述置信度上界。
17、在一些实施例，在所述将所述目标推荐文章推荐给所述用户之后，所述方法还包括：
18、获取所述用户的反馈信息；其中，所述反馈信息用于表征所述用户对所述目标推荐文章的查看行为；
19、根据所述反馈信息和所述用户特征数据构建推荐奖励信息；
20、基于所述目标推荐文章和所述推荐奖励信息对文章推荐记录进行更新；其中，所述文章推荐记录包含每一所述用户的历史推荐文章和所述历史推荐文章对应的推荐奖励信息，所述历史推荐文章为通过所述文章推荐模型确定得到；
21、基于更新后的所述文章推荐记录对所述高斯分布数据进行更新，以更新所述文章推荐模型；其中，更新后的所述文章推荐模型用于进行下一次的文章推荐。
22、在一些实施例，所述基于所述置信度上界从多个所述文章特征数据中确定所述目标推荐文章，包括：
23、对多个所述文章特征数据对应的所述置信度上界进行排序处理，得到第一置信度序列；
24、从所述第一置信度序列中选取数值最大的所述置信度上界，并确定为第一目标置信度数据；
25、获取所述第一目标置信度数据对应的文章特征数据，并确定为所述目标推荐文章。
26、在一些实施例，所述基于所述置信度上界从多个所述文章特征数据中确定所述目标推荐文章，包括：
27、将多个所述文章特征数据进行分组，得到至少一个分组文章数据；
28、针对每一分组文章数据，将所述分组文章数据中每一所述文章特征数据的置信度上界进行求和计算，得到置信度总和数据；
29、对多个所述分组文章数据对应的所述置信度总和数据进行排序处理，得到第二置信度序列；
30、从所述第二置信度序列中选取数值最大的所述置信度总和数据，并确定为第二目标置信度数据；
31、获取所述第二目标置信度数据对应的分组文章数据，并确定为所述目标推荐文章。
32、在一些实施例，所述对所述文章数据集进行特征处理，得到文章特征数据，包括：
33、对所述文章数据集进行数据预处理，得到目标文章数据；
34、对所述目标文章数据进行特征提取，得到所述文章特征数据。
35、为实现上述目的，本申请实施例的第二方面提出了一种文章推荐装置，所述装置包括：
36、文章数据获取模块，用于获取文章数据集，并对所述文章数据集进行特征处理，得到文章特征数据；其中，所述文章特征数据的数量为多个，每一所述文章特征数据对应一篇文章；
37、用户数据获取模块，用于获取用户数据集，并对所述用户数据集进行特征处理，得到用户特征数据；其中，所述用户特征数据的数量为多个，每一所述用户特征数据对应一个用户；
38、推荐模型构建模块，用于基于所述文章特征数据和所述用户特征数据构建文章推荐模型；
39、推荐文章确定模块，用于针对每一所述用户，通过所述文章推荐模型从多个所述文章特征数据中确定目标推荐文章；
40、文章推荐模块，用于将所述目标推荐文章推荐给所述用户。
41、为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子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第一方面所述的方法。
42、为实现上述目的，本申请实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。
43、本申请提出的文章推荐方法、装置、电子设备及存储介质,其通过获取文章数据集，并对文章数据集进行特征处理，得到文章特征数据；其中，文章特征数据的数量为多个，每一文章特征数据对应一篇文章；获取用户数据集，并对用户数据集进行特征处理，得到用户特征数据；其中，用户特征数据的数量为多个，每一用户特征数据对应一个用户；基于文章特征数据和用户特征数据构建文章推荐模型，从而能够建立多个用户之间的联系，根据用户之间的相关性来实现文章推荐；针对每一用户，通过文章推荐模型从多个文章特征数据中确定目标推荐文章；将目标推荐文章推荐给用户，提高了文章推荐的准确性与相关性。
本文档来自技高网...
【技术保护点】
1.一种文章推荐方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述通过所述文章推荐模型从多个所述文章特征数据中确定目标推荐文章，包括：
3.根据权利要求2所述的方法，其特征在于，所述分布特征数据包括分布均值特征数据和分布方差特征数据；所述根据所述分布特征数据计算每一所述文章特征数据的置信度上界，包括：
4.根据权利要求2所述的方法，其特征在于，在所述将所述目标推荐文章推荐给所述用户之后，所述方法还包括：
5.根据权利要求2所述的方法，其特征在于，所述基于所述置信度上界从多个所述文章特征数据中确定所述目标推荐文章，包括：
6.根据权利要求2所述的方法，其特征在于，所述基于所述置信度上界从多个所述文章特征数据中确定所述目标推荐文章，包括：
7.根据权利要求1-6任一项所述的方法，其特征在于，所述对所述文章数据集进行特征处理，得到文章特征数据，包括：
8.一种文章推荐装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，所述电子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权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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任一项所述的方法。
...
【技术特征摘要】
1.一种文章推荐方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述通过所述文章推荐模型从多个所述文章特征数据中确定目标推荐文章，包括：
3.根据权利要求2所述的方法，其特征在于，所述分布特征数据包括分布均值特征数据和分布方差特征数据；所述根据所述分布特征数据计算每一所述文章特征数据的置信度上界，包括：
4.根据权利要求2所述的方法，其特征在于，在所述将所述目标推荐文章推荐给所述用户之后，所述方法还包括：
5.根据权利要求2所述的方法，其特征在于，所述基于所述置信度上界从多个所述文章特征数据中确定所述目标推荐文章，包括：
6.根据...
【专利技术属性】
技术研发人员：管界超，熊辉，
申请(专利权)人：香港科技大学广州，
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。