个性化推荐方法、装置、服务器和介质制造方法及图纸

本发明专利技术实施例公开了一种个性化推荐方法、装置、服务器和介质，其中，该方法包括：依据用户画像，利用预先训练的需求意图模型从原始用户群中预测出针对推荐对象具有需求的需求用户群；利用预先训练的意图识别模型和需求用户群中每个用户的用户画像，预测每个用户的行为意图；将每个用户的行为意图与推荐对象的属性特征进行匹配，根据匹配结果为每个用户进行个性化推荐。本发明专利技术实施例解决了针对用户的个性化推荐精准度较低的问题，提高了推荐精准度，进而提高了推荐后用户的响应率，提高了商品或服务的转化率。

Personalized recommendation methods, devices, servers and media

The embodiment of the present invention discloses a personalized recommendation method, device, server and medium, in which the method includes: predicting the user group with demand for the recommendation object from the original user group by using the pre-trained demand intention model according to the user portrait; using the pre-trained intention recognition model and the user portrait of each user in the demand user group, pre-trained. Measure each user's behavior intention; match each user's behavior intention with the attribute characteristics of the recommendation object, and personalize the recommendation for each user according to the matching results. The embodiment of the present invention solves the problem of low precision of personalized recommendation for users, improves the accuracy of recommendation, improves the response rate of users after recommendation, and improves the conversion rate of goods or services.

【技术实现步骤摘要】
个性化推荐方法、装置、服务器和介质
本专利技术实施例涉及计算机
，尤其涉及一种个性化推荐方法、装置、服务器和介质。
技术介绍
用户画像是根据用户的社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。通过用户画像，可以进行用户统计、分析潜在用户从而实现精准营销，还可以基于用户画像进行大数据挖掘和分析，从而完善产品运营，提升服务质量。在互联网的大环境下，基于用户画像进行个性化推荐在很多领域都有所应用。现有技术中，通常是基于用户画像分析用户感兴趣的内容，然后为该用户推荐相关的商品或服务。然而，由于用户画像是根据用户的历史网络数据获取到，得到的用户感兴趣的内容也只是用户曾经感兴趣的内容，从而影响个性化推荐的精准度。
技术实现思路
本专利技术实施例提供一种个性化推荐方法、装置、服务器和介质，以实现提高个性化推荐的精准度的效果。第一方面，本专利技术实施例提供了一种个性化推荐方法，该方法包括：依据用户画像，利用预先训练的需求意图模型从原始用户群中预测出针对推荐对象具有需求的需求用户群；利用预先训练的意图识别模型和所述需求用户群中每个用户的用户画像，预测每个用户的行为意图；将每个用户的行为意图与所述推荐对象的属性特征进行匹配，根据匹配结果为每个用户进行个性化推荐。第二方面，本专利技术实施例还提供了一种个性化推荐装置，该装置包括：需求用户群预测模块，用于依据用户画像，利用预先训练的需求意图模型从原始用户群中预测出针对推荐对象具有需求的需求用户群；行为意图预测模块，用于利用预先训练的意图识别模型和所述需求用户群中每个用户的用户画像，预测每个用户的行为意图；推荐模块，用于将每个用户的行为意图与所述推荐对象的属性特征进行匹配，根据匹配结果为每个用户进行个性化推荐。第三方面，本专利技术实施例还提供了一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本专利技术任一实施例所述的个性化推荐方法。第四方面，本专利技术实施例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，该程序被处理器执行时实现如本专利技术任一实施例所述的个性化推荐方法。本专利技术实施例通过依据用户画像，利用预先训练的需求意图模型预测出针对推荐对象具有需求的需求用户群；然后，利用预先训练的意图识别模型和需求用户群中每个用户的用户画像，预测每个用户的行为意图；最后，将每个用户的行为意图与推荐对象的属性特征进行匹配，根据匹配结果为每个用户进行个性化推荐。本专利技术实施例通过基于双模型的推荐处理过程，解决了针对用户的个性化推荐精准度较低的问题，提高了推荐精准度，进而提高了推荐后用户的响应率，提高了商品或服务的转化率。附图说明图1是本专利技术实施例一提供的个性化推荐方法的流程图；图2是本专利技术实施例二提供的个性化推荐方法的流程图；图3是本专利技术实施例三提供的个性化推荐装置的结构示意图；图4是本专利技术实施例四提供的一种服务器的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。实施例一图1是本专利技术实施例一提供的个性化推荐方法的流程图，本实施例可适用于针对用户进行个性化推荐的情况，该方法可以由个性化推荐装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成在服务器上。如图1所示，该方法可以包括：S110、依据用户画像，利用预先训练的需求意图模型从原始用户群中预测出针对推荐对象具有需求的需求用户群。其中，用户画像是用户信息的标签化体现。利用需求意图模型，从原始用户群中预测出针对推荐对象的需求用户群，即对用户是否具有被推荐的资格进行判断，实现对用户群的初步筛选。可选的，用户画像至少包括用户的自然属性、社会属性、兴趣偏好、地址位置信息和行为属性。用户的自然属性即用户的个人信息，包括性别、年龄范围、年龄、星座等；用户的社会属性即用户所属的社会标签，包括人生阶段、资产状况、所在行业、教育水平、职业类别、收入水平、消费水平、品类消费级别、消费意愿、婚姻状况、经营零售属性、终端应用列表和设备信息等；兴趣偏好包括用户的长期兴趣与短期兴趣，涵盖各类行业的兴趣标签；地址位置信息即用户的位置信息，包括用户常去的城市列表、位置经纬度、地址和建筑名称等，这类信息可以通过定位得到；行为属性即与用户的网络操作相关的行为，包括用户上网的生活习惯、常期活动坐标和实时动作场景等，例如网络购物行为、在线支付行为和网页浏览行为等。用户画像中涉及的用户属性类别越广泛，包括的用户信息越多。可选的，需求意图模型的训练过程包括：从历史数据中获取对推荐对象有需求的用户的用户画像；利用用户画像训练得到二分类器，作为需求意图模型。在需求意图模型训练过程中需要首先基于数据统计技术获取模型训练的样本数据集，即历史需求用户的数据信息，然后将历史需求用户的用户画像作为输入，训练得到需求意图模型。其中，训练过程中可用的二分类器包括但不限于：逻辑回归、SVM(支持向量机)、GBDT(梯度提升树)或DNN(深度神经网络)。S120、利用预先训练的意图识别模型和需求用户群中每个用户的用户画像，预测每个用户的行为意图。根据用户画像实时预测出的用户行为意图中至少包括一个意图，并且，随着用户画像的更新，预测的行为意图也随之变化。示例性的，根据用户画像中的行为属性，对用户A在近期一个月内的用户行为特征进行聚类分析，得出该用户在这一个月内频繁使用网上商城C网购化妆品，则可以预测未来一段时间内该用户的行为意图中包括网上商城C购物和化妆品消费等。通过行为意图预测，使得推荐过程的依据不再仅仅是用户的历史兴趣。可选的，意图识别模型的训练过程包括：从历史数据中获取不同用户的至少一种意图标签；利用每个用户的用户画像及其对应的至少一种意图标签训练得到多分类器，作为意图识别模型。与需求意图模型训练过程类似，在意图识别模型训练过程中同样需要首先基于数据统计技术获取模型训练的样本数据集，即网络历史数据中用户的意图标签和用户画像，经训练得到意图识别模型。其中，用户画像可以同时与多个意图标签对应，模型训练过程中可用的多分类器包括但不限于：Softmax分类器、决策树、随机森林、GBDT(梯度提升树)或DNN(深度神经网络)等。S130、将每个用户的行为意图与推荐对象的属性特征进行匹配，根据匹配结果为每个用户进行个性化推荐。当用户的行为意图与推荐对象的属性特征相匹配时，则可以将该推荐对象推荐给用户。其中，如果用户的行为意图中包括多个意图，则将同时与用户的多个意图相匹配的推荐对象推荐给用户。用户行为意图与推荐对象的属性特征之间的匹配度越高，用户对该推荐对象的需求越高，此时推荐的准确性越高。具体的，推荐对象可以是涉及衣食住行的任意物品，例如，音视频、图书、服装、家居用品、办公用品、电子设备和各种消费卡片等，属性特征可以是用于表示推荐对象的代表性信息。示例性的，推荐对象属于信用卡，该信用卡在X市的属性特征中包括三个权益特征：快餐D优惠套餐、网上商城C购物满减活动1和面点E消费满减活动2；经意图识别模型预测Y市的用户A在未来一段时间本文档来自技高网...

【技术保护点】
1.一种个性化推荐方法，其特征在于，包括：依据用户画像，利用预先训练的需求意图模型从原始用户群中预测出针对推荐对象具有需求的需求用户群；利用预先训练的意图识别模型和所述需求用户群中每个用户的用户画像，预测每个用户的行为意图；将每个用户的行为意图与所述推荐对象的属性特征进行匹配，根据匹配结果为每个用户进行个性化推荐。

【技术特征摘要】
1.一种个性化推荐方法，其特征在于，包括：依据用户画像，利用预先训练的需求意图模型从原始用户群中预测出针对推荐对象具有需求的需求用户群；利用预先训练的意图识别模型和所述需求用户群中每个用户的用户画像，预测每个用户的行为意图；将每个用户的行为意图与所述推荐对象的属性特征进行匹配，根据匹配结果为每个用户进行个性化推荐。2.根据权利要求1所述的方法，其特征在于，所述用户画像至少包括用户的自然属性、社会属性、兴趣偏好、地址位置信息和行为属性。3.根据权利要求1或2所述的方法，其特征在于，所述意图识别模型为多分类模型，预测得到的每个用户的行为意图包括按照预测分值大小排列的至少一种意图，其中，预测分值越高表示意图越强烈；相应的，所述将每个用户的行为意图与所述推荐对象的属性特征进行匹配，根据匹配结果为每个用户进行个性化推荐，包括：依据每个用户的行为意图中每种行为意图对应的预测分值提取行为特征，并根据所述行为特征将每个用户的行为意图表示为行为意图向量；获取所述推荐对象的属性特征，并根据其中的至少一种属性特征的特征向量，将所述推荐对象的属性特征表示为属性特征向量；计算所述行为意图向量与所述属性特征向量的相似度，根据相似度分值进行个性化推荐。4.根据权利要求3所述的方法，其特征在于，所述推荐对象为信用卡，所述推荐对象的属性特征包括不同信用卡的多种权益特征；相应的，所述根据相似度分值进行个性化推荐，包括：获取每个用户的信用分模型；从满足预设条件的相似度分值对应的用户中，根据所述信用分模型确定所述推荐对象的目标用户，并将所述推荐对象推荐给该目标用户。5.根据权利要求1所述的方法，其特征在于，所述需求意图模型的训练过程包括：从历史数据中获取对所述推荐对象有需求的用户的用户画像；利用所述用户画像训练得到二分类器，作为所述需求意图模型。6.根据权利要求1所述的方法，其特征在于，所述意图识别模型的训练过程包括：从历史数据中获取不同用户的至少一种意图标签；利用每个用户的用户画像及其对应的至少一种意图标签训练得到多分类器，作为所述意图识别模型。7.一种个性化推荐装置，其特征在于，包括：需求用户群预测模块，用于依据用户画像，利用预先训练的需求意图模型从原始用户群中预测出针对推荐对象具有需求的需求用户群；行为意图预测模块，用于利用预先训练...

【专利技术属性】
技术研发人员：刘昊骋，王延熇，田鹏飞，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京,11