【技术实现步骤摘要】
本公开涉及数据处理，尤其涉及一种指标推荐的方法及装置、电子设备和存储介质。
技术介绍
1、现有技术主要通过皮尔逊相似度或者余玄相似度大小去选取概率最大的指标推荐给用户。只能基于单一因子(指标或用户)挖掘结果，并向用户进行推荐，该种指标推荐的方式可能会导致推荐结果与用户偏好存在滞后性，进而使得推荐结果不精准。
技术实现思路
1、本公开提供了一种指标推荐的方法、装置、电子设备和存储介质。其主要目的在于解决实现指标的精准推荐。
2、根据本公开的第一方面，提供了一种指标推荐的方法，其中，包括：
3、确定用户标识信息及用户当前的目标操作区域；
4、调用所述目标操作区域对应的目标指标推荐模型，并基于所述目标指标推荐模型为所述用户标识信息生成对应的推荐指标，其中，不同的操作区域通过不同的指标推荐模型生成相应的推荐指标；
5、将所述推荐指标对应的内容进行输出展示。
6、在本申请的一些实施例中，在调用所述目标操作区域对应的目标指标推荐模型，并基于所述目标指标推荐模型为所述用户标识信息生成对应的推荐指标之前，所述方法还包括：
7、对用户操作历史数据进行解析，得到操作历史日志及分别关联的用户基础信息及指标基础信息；
8、根据所述操作历史日志、所述用户基础信息及所述指标基础信息构建动态因子矩阵；
9、对所述动态因子矩阵进行降维处理，得到局部因子矩阵；
10、根据所述局部因子矩阵构建不同的指标推荐模型
11、分别对不同的指标推荐模型进行训练，得到训练好的指标推荐模型。
12、在本申请的一些实施例中，所述根据所述操作历史日志、所述用户基础信息及所述指标基础信息构建动态因子矩阵包括：
13、根据所述操作历史日志、所述用户基础信息及所述指标基础信息，分别计算每个用户对指标的关注程度；
14、根据每个用户对指标的关注程度构建所述动态因子矩阵；
15、将所述动态因子矩阵拆解为用户与隐藏特质矩阵、隐藏特质与指标矩阵的乘积。
16、在本申请的一些实施例中，所述根据所述操作历史日志、所述用户基础信息及所述指标基础信息，分别计算每个用户对指标的关注程度包括：
17、根据所述用户基础信息及所述指标基础信息，计算用户对单个指标的打分以及用户对所有指标打分的平均值；
18、根据所述用户对单个指标的打分以及用户对所有指标打分的平均值进行余弦相似度计算，得到所述每个用户对指标的关注程度。
19、在本申请的一些实施例中，所述对所述动态因子矩阵进行降维处理，得到局部因子矩阵包括：
20、将所述用户与隐藏特质矩阵、所述隐藏特质与指标矩阵进行特征的融合处理，得到融合后的矩阵；
21、调用funksvd算法对所述融合后的矩阵进行优化，得到局部因子矩阵。
22、在本申请的一些实施例中，所述根据所述局部因子矩阵构建不同的指标推荐模型包括：
23、基于所述操作历史日志中用户之间的相似度，构建所述第一指标推荐模型；
24、基于所述操作历史日志中的操作类型为关注的操作日志数据，构建所述第二指标推荐模型；
25、基于所述操作历史日志中的操作类型为搜索的操作日志数据，构建所述第三指标推荐模型；
26、基于所述操作历史日志中的操作类型为当前操作的指标信息，根据指标的变化趋势、相关性分析、影响因素识别，构建所述第四指标推荐模型。
27、在本申请的一些实施例中，所述分别对不同的指标推荐模型进行训练，得到训练好的指标推荐模型包括：
28、将所述局部因子矩阵作为所述指标推荐模型的输入，采用svd++算法进行训练，得到训练好的指标推荐模型。
29、根据本公开的第二方面，提供了一种指标推荐的装置，包括：
30、确定单元，用于确定用户标识信息及用户当前的目标操作区域；
31、第一处理单元，用于调用所述目标操作区域对应的目标指标推荐模型，并基于所述目标指标推荐模型为所述用户标识信息生成对应的推荐指标，其中，不同的操作区域通过不同的指标推荐模型生成相应的推荐指标；
32、展示单元，用于将所述推荐指标对应的内容进行输出展示。
33、在本申请的一些实施例中，所述装置还包括：
34、解析单元，用于在调用所述目标操作区域对应的目标指标推荐模型，并基于所述目标指标推荐模型为所述用户标识信息生成对应的推荐指标之前，对用户操作历史数据进行解析，得到操作历史日志及分别关联的用户基础信息及指标基础信息；
35、第一构建单元，用于根据所述操作历史日志、所述用户基础信息及所述指标基础信息构建动态因子矩阵；
36、第二处理单元，用于对所述动态因子矩阵进行降维处理，得到局部因子矩阵；
37、第二构建单元，用于根据所述局部因子矩阵构建不同的指标推荐模型，其中，所述指标推荐模型包括第一指标推荐模型、第二指标推荐模型、第三指标推荐模型及第四指标推荐模型；
38、训练单元，用于分别对不同的指标推荐模型进行训练，得到训练好的指标推荐模型。
39、在本申请的一些实施例中，所述第一构建单元包括：
40、计算模块，用于根据所述操作历史日志、所述用户基础信息及所述指标基础信息，分别计算每个用户对指标的关注程度；
41、构建模块，用于根据每个用户对指标的关注程度构建所述动态因子矩阵；
42、拆解模块，用于将所述动态因子矩阵拆解为用户与隐藏特质矩阵、隐藏特质与指标矩阵的乘积。
43、在本申请的一些实施例中，所述计算模块还用于：
44、根据所述用户基础信息及所述指标基础信息，计算用户对单个指标的打分以及用户对所有指标打分的平均值；
45、根据所述用户对单个指标的打分以及用户对所有指标打分的平均值进行余弦相似度计算，得到所述每个用户对指标的关注程度。
46、在本申请的一些实施例中，所述构建模块，还用于：
47、将所述用户与隐藏特质矩阵、所述隐藏特质与指标矩阵进行特征的融合处理，得到融合后的矩阵；
48、调用funksvd算法对所述融合后的矩阵进行优化，得到局部因子矩阵。
49、在本申请的一些实施例中，所述第二构建单元还用于：
50、基于所述操作历史日志中用户之间的相似度，构建所述第一指标推荐模型；
51、基于所述操作历史日志中的操作类型为关注的操作日志数据，构建所述第二指标推荐模型；
52、基于所述操作历史日志中的操作类型为搜索的操作日志数据，构建所述第三指标推荐模型；
53、基于所述操作历史日志中的操作类型为当前操作的指标信息，根据指标的变化趋本文档来自技高网...
【技术保护点】
1.一种指标推荐的方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，在调用所述目标操作区域对应的目标指标推荐模型，并基于所述目标指标推荐模型为所述用户标识信息生成对应的推荐指标之前，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述操作历史日志、所述用户基础信息及所述指标基础信息构建动态因子矩阵包括：
4.根据权利要求3所述的方法，其特征在于，所述根据所述操作历史日志、所述用户基础信息及所述指标基础信息，分别计算每个用户对指标的关注程度包括：
5.根据权利要求3所述的方法，其特征在于，所述对所述动态因子矩阵进行降维处理，得到局部因子矩阵包括：
6.根据权利要求5所述的方法，其特征在于，所述根据所述局部因子矩阵构建不同的指标推荐模型包括：
7.根据权利要求6所述的方法，其特征在于，所述分别对不同的指标推荐模型进行训练，得到训练好的指标推荐模型包括：
8.一种指标推荐的装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.
...【技术特征摘要】
1.一种指标推荐的方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，在调用所述目标操作区域对应的目标指标推荐模型，并基于所述目标指标推荐模型为所述用户标识信息生成对应的推荐指标之前，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述操作历史日志、所述用户基础信息及所述指标基础信息构建动态因子矩阵包括：
4.根据权利要求3所述的方法，其特征在于，所述根据所述操作历史日志、所述用户基础信息及所述指标基础信息，分别计算每个用户对指标的关注程度包括：
5.根据权利要求3所述的方法...
【专利技术属性】
技术研发人员：李纯懿，陈灏，龚珂，李志清，
申请(专利权)人：中国移动通信集团贵州有限公司，
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。