【技术实现步骤摘要】
本专利技术涉及人工智能及金融科技领域，尤其涉及一种数据推荐方法、装置、设备及介质。
技术介绍
1、产品推荐算法是电子商务平台中非常关键的一部分，它们帮助用户发现他们可能感兴趣的产品，同时也帮助商家提高销售和客户满意度。以下是一些常见的产品推荐算法：基于内容的推荐(content-based filtering)：这种方法根据用户过去的购买或浏览历史，推荐具有相似特征的产品。它通常分析产品的属性，如类别、品牌、价格、用户评价等。协同过滤(collaborative filtering)：协同过滤分为两种：用户-用户协同过滤和物品-物品协同过滤。用户-用户协同过滤推荐那些与目标用户有相似购买或评分行为的其他用户喜欢的产品。物品-物品协同过滤推荐那些与用户过去喜欢的产品相似的其他产品。基于模型的推荐(model-based recommendations)：这些算法使用机器学习模型来预测用户对产品的偏好。常见的模型包括矩阵分解(如svd)、深度学习模型(如神经协同过滤ncf)。混合推荐系统(hybrid recommendation systems)：结合多种推荐算法，以提高推荐的准确性和覆盖率。例如，结合基于内容的推荐和协同过滤。基于知识的推荐(knowledge-basedrecommendations)：这种方法使用关于用户的信息(如年龄、性别、地理位置)和产品的信息来推荐产品。通常需要一个明确的用户画像。基于社交网络的推荐(socialrecommendation)：利用用户的社交网络关系来推荐产品，比如朋友或关注的人喜欢的产
2、尤其是在当今信息量呈爆炸性增长模式的时代背景下，对用户在线行为的记录以及挖掘其意图和偏好，可以为企业的运营和营销提供强有力的支持，例如保险行业也逐渐成为对用户投保行为特征的研究受到业界更多关注的行业，保险行业的业务形态产生了大量高品质和价值的数据，具有极大的挖掘和使用价值，一方面保险用户可以获取信息的爆炸性增长，另一方面用户选择信息的能力的有限性，使通过个性化推荐技术解决保险用户面临的信息过载现象，因此用户行为挖掘其意图和偏好时，由于获取信息的爆炸性增长和用户选择信息的能力的有限性，而导致的产品推荐精准度低下是急需解决的技术问题。
技术实现思路
1、本专利技术提供一种数据推荐方法、装置、计算机设备及介质，以解决目前的用户行为挖掘其意图和偏好时，由于获取信息的爆炸性增长和用户选择信息的能力的有限性，而导致的产品推荐精准度低下的技术问题。
2、第一方面，提供了一种数据推荐方法，包括：
3、获取用户产品信息点击数据，并转化为产品特征向量；
4、输入所述产品特征向量至预设神经网络模型计算产品信息相关度，并根据所述产品信息相关度提取预置相关度排序区间内的第一候选产品特征向量；
5、获取客户端的交互数据，采用交叉注意力机制将所述交互数据与所述第一候选产品特征向量进行关联；
6、计算所述交互数据和所述第一候选产品特征向量的兴趣权重，输出对应的第二候选产品特征向量；
7、采用自注意力机制计算所述第二候选产品特征向量与所述客户端的交互数据，输出行为兴趣权重向量，并生成关联的产品推荐列表。
8、第二方面，提供了一种数据推荐装置，包括：
9、获取模块，用于获取用户产品信息点击数据，并转化为产品特征向量；
10、第一候选产品特征向量模块，用于输入所述产品特征向量至预设神经网络模型计算产品信息相关度，并根据所述产品信息相关度提取预置相关度排序区间内的第一候选产品特征向量；
11、交叉注意力机制模块，用于获取客户端的交互数据，采用交叉注意力机制将所述交互数据与所述第一候选产品特征向量进行关联；
12、第二候选产品特征向量模块，用于计算所述交互数据和所述第一候选产品特征向量的兴趣权重，输出对应的第二候选产品特征向量；
13、产品推荐模块，用于采用自注意力机制计算所述第二候选产品特征向量与所述客户端的交互数据，输出行为兴趣权重向量，并生成关联的产品推荐列表。
14、第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述数据推荐方法的步骤。
15、第四方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述数据推荐方法的步骤。
16、上述数据推荐方法、装置、计算机设备及存储介质所实现的方案中，可以通过获取用户产品信息点击数据，并转化为产品特征向量；输入所述产品特征向量至预设神经网络模型计算产品信息相关度，并根据所述产品信息相关度提取预置相关度排序区间内的第一候选产品特征向量；获取客户端的交互数据，采用交叉注意力机制将所述交互数据与所述第一候选产品特征向量进行关联；计算所述交互数据和所述第一候选产品特征向量的兴趣权重，输出对应的第二候选产品特征向量；采用自注意力机制计算所述第二候选产品特征向量与所述客户端的交互数据，输出行为兴趣权重向量，并生成关联的产品推荐列表，解决了目前用户行为挖掘其意图和偏好时，由于获取信息的爆炸性增长和用户选择信息的能力的有限性，而导致的产品推荐精准度低下的技术问题。
17、同时，将客户端的交互数据通过采用预设神经网络模型、交叉注意力机制、自注意力机制，能够区分和提取有效的上下文信息，不仅考虑用户与产品之间的直接交互，还考虑了用户的环境、历史行为模式、以及其他可能影响用户决策的因素，有助于提高推荐系统的效果，使得推荐更加贴合用户的实际需求和偏好。
18、进一步，采用预设神经网络模型对所述第二候选产品特征向量进行自适应对齐处理，能够自动学习输入特征到输出空间的最优映射，这意味着可以自适应地转换兴趣表示，而无需人工设计特征转换逻辑，有效地处理用户的兴趣表示，通过学习用户与产品之间的复杂交互，生成更加个性化和准确的推荐。
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.如权利要求1所述的数据推荐方法，其特征在于，所述获取用户产品信息点击数据，并转化为产品特征向量，包括：
3.如权利要求1所述的数据推荐方法，其特征在于，所输入所述产品特征向量至预设神经网络模型计算产品信息相关度，并提取预置相关度排序区间内的第一候选产品特征向量，包括：
4.如权利要求1所述的数据推荐方法，其特征在于，获取客户端的交互数据，采用交叉注意力机制将所述交互数据与所述第一候选产品特征向量进行关联，包括：
5.如权利要求1所述的数据推荐方法，其特征在于，计算所述交互数据和所述第一候选产品特征向量的兴趣权重，输出预置兴趣权重排序区间内的第二候选产品特征向量，包括：
6.如权利要求1所述的数据推荐方法，其特征在于，采用自注意力机制计算所述第二候选产品特征向量与所述客户端的交互数据，输出行为兴趣权重向量，并生成关联的产品推荐列表，包括：
7.如权利要求6所述的数据推荐方法，其特征在于，采用自注意力机制计算所述第二候选产品特征向量与所述客户端的交互数据，输出行为兴趣
8.一种数据推荐装置，其特征在于，包括：
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述数据推荐方法的步骤。
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如权利要求1至7任一项所述数据推荐方法的步骤。
...【技术特征摘要】
1.一种数据推荐方法，其特征在于，包括：
2.如权利要求1所述的数据推荐方法，其特征在于，所述获取用户产品信息点击数据，并转化为产品特征向量，包括：
3.如权利要求1所述的数据推荐方法，其特征在于，所输入所述产品特征向量至预设神经网络模型计算产品信息相关度，并提取预置相关度排序区间内的第一候选产品特征向量，包括：
4.如权利要求1所述的数据推荐方法，其特征在于，获取客户端的交互数据，采用交叉注意力机制将所述交互数据与所述第一候选产品特征向量进行关联，包括：
5.如权利要求1所述的数据推荐方法，其特征在于，计算所述交互数据和所述第一候选产品特征向量的兴趣权重，输出预置兴趣权重排序区间内的第二候选产品特征向量，包括：
6.如权利要求1所述的数据推荐方法，其...
【专利技术属性】
技术研发人员：唐彦玺，王健宗，瞿晓阳，张旭龙，
申请(专利权)人：平安科技深圳有限公司，
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。