一种推荐模型的生成方法及装置制造方法及图纸

本发明专利技术涉及科技金融(Fintech)技术领域，尤其涉及一种推荐模型的生成方法及装置，适用于以地理位置为节点、根据节点间的位置关系确定邻边的网络嵌入模型；所述方法包括：针对所述网络嵌入模型中的任一节点，根据所述节点的时序特征向量、地理特征向量和信息推荐向量，确定所述节点的第一全局特征向量；所述时序特征向量是根据所述节点的至少一个关注对象随时间变化的属性信息确定的；针对所述网络嵌入模型中的任一邻边，根据所述邻边的两个节点的第一全局特征向量确定所述邻边的第一权重。通过节点的时序特征向量、地理特征向量和信息推荐向量，提高推荐模型的推荐的准确性。

A Method and Device for Generating Recommendation Model

【技术实现步骤摘要】
一种推荐模型的生成方法及装置
本专利技术涉及金融
，尤其涉及一种推荐模型的生成方法及装置。
技术介绍
随着计算机技术的发展，越来越多的技术应用在金融领域，传统金融业正在逐步向金融科技(Finteh)转变，信息推荐技术也不例外，但由于金融行业的安全性、实时性要求，也对技术提出的更高的要求。随着互联网技术的发展，网络平台上信息大量而多样，随着用户和产品数据的不断丰富(比如用户有社交关系，产品有属性、类别关联等)、以及用户和产品之间的交互变得越来越多样(除了点击、还有点赞、转发、浏览时长等行为)，如何实现为用户推荐个性化和感兴趣的信息服务，是非常重要的。现有技术中，信息推荐方法中考虑的用户和产品数据间的关联关系难以全面覆盖，影响用户覆盖率和推荐信息的多样性。
技术实现思路
本专利技术实施例提供一种推荐模型的生成方法及装置，以解决现有技术中信息推荐多样性差、推荐模型的推荐信息效果不佳的问题。本专利技术实施例提供的具体技术方案如下：本专利技术实施例提供一种推荐模型的生成方法，适用于以地理位置为节点、根据节点间的位置关系确定邻边的网络嵌入模型；所述方法包括：针对所述网络嵌入模型中的任一节点，根据所述节点的时序特征向量、地理特征向量和信息推荐向量，确定所述节点的第一全局特征向量；所述时序特征向量是根据所述节点的至少一个关注对象随时间变化的属性信息确定的；所述关注对象为信息推荐的最小粒度；所述地理特征向量是根据所述节点所在地理区域的属性信息确定的；所述信息推荐向量是根据所述节点的已推荐信息的属性信息确定的；针对所述网络嵌入模型中的任一邻边，根据所述邻边的两个节点的第一全局特征向量确定所述邻边的第一权重；根据样本数据对所述网络嵌入模型进行训练，得到训练后的推荐模型，所述推荐模型中的各节点具有第二全局特征向量，节点间的邻边具有第二权重。一种可能的实现方式，所述时序特征向量是根据所述节点的至少一个关注对象随时间变化的属性信息确定的，包括：根据节点中的至少一个关注对象随时间变化的属性信息，建立RNN模型，所述RNN模型用于提取所述节点中的至少一个关注对象的时序特征向量；对所述至少一个关注对象的时序特征向量进行池化，并对每个关注对象的时序特征向量增加权重，获得所述节点的第一时序特征向量。一种可能的实现方式，所述地理特征向量是根据所述节点所在地理区域的属性信息确定的，包括：根据节点中的地理位置的属性信息，建立深度学习网络DNN模型，所述DNN模型用于提取所述节点中的地理特征向量；根据节点中的信息推荐数据，建立深度学习网络DNN模型，所述DNN模型用于提取所述节点中信息推荐特征向量；将所述节点中的地理特征向量作为特征维度的地理特征向量；将所述节点中的信息推荐特征向量作为地理特征维度的信息推荐特征向量。一种可能的实现方式，所述根据所述节点的时序特征向量、地理特征向量和信息推荐向量，确定所述节点的第一全局特征向量，包括：对所述时序特征向量、地理特征向量和信息推荐特征向量进行池化，并根据所述时序特征向量的特征向量权重、地理特征向量的特征向量权重和信息推荐特征向量的特征向量权重，确定所述节点的第一全局特征向量；所述时序特征向量的特征向量权重、地理特征向量的特征向量权重和信息推荐特征向量的特征向量权重为根据所述网络嵌入模型训练得到的。一种可能的实现方式，所述根据样本数据对所述网络嵌入模型进行训练，得到训练后的推荐模型，包括：将所述第一全局特征向量输入至特征提取模块，确定每个节点的第二全局特征向量；将所述每个节点的第二全局特征向量作为所述网络嵌入模型中每个节点的特征向量进行训练；根据所述第一样本数据的标签数据训练所述每个节点的第二全局特征向量及所述每个节点与其邻近节点的第二权重；所述每个节点的第二全局特征向量用于预测所述每个节点的推荐效果。本专利技术实施例提供一种推荐模型的生成装置，适用于以地理位置为节点、根据节点间的位置关系确定邻边的网络嵌入模型；所述装置包括：数据处理单元，用于针对所述网络嵌入模型中的任一节点，根据所述节点的时序特征向量、地理特征向量和信息推荐向量，确定所述节点的第一全局特征向量；所述时序特征向量是根据所述节点的至少一个关注对象随时间变化的属性信息确定的；所述关注对象为信息推荐的最小粒度；所述地理特征向量是根据所述节点所在地理区域的属性信息确定的；所述信息推荐向量是根据所述节点的已推荐信息的属性信息确定的；针对所述网络嵌入模型中的任一邻边，根据所述邻边的两个节点的第一全局特征向量确定所述邻边的第一权重；训练单元，用于根据样本数据对所述网络嵌入模型进行训练，得到训练后的推荐模型，所述推荐模型中的各节点具有第二全局特征向量，节点间的邻边具有第二权重。一种可能的实现方式，所述数据处理单元，具体用于：根据节点中的至少一个关注对象随时间变化的属性信息，建立RNN模型，所述RNN模型用于提取所述节点中的至少一个关注对象的时序特征向量；对所述至少一个关注对象的时序特征向量进行池化，并对每个关注对象的时序特征向量增加权重，获得所述节点的第一时序特征向量。一种可能的实现方式，所述数据处理单元，具体用于：根据节点中的地理位置的属性信息，建立深度学习网络DNN模型，所述DNN模型用于提取所述节点中的地理特征向量；根据节点中的信息推荐数据，建立深度学习网络DNN模型，所述DNN模型用于提取所述节点中信息推荐特征向量；将所述节点中的地理特征向量作为特征维度的地理特征向量；将所述节点中的信息推荐特征向量作为地理特征维度的信息推荐特征向量。一种可能的实现方式，所述数据处理单元，具体用于：对所述时序特征向量、地理特征向量和信息推荐特征向量进行池化，并根据所述时序特征向量的特征向量权重、地理特征向量的特征向量权重和信息推荐特征向量的特征向量权重，确定所述节点的第一全局特征向量；所述时序特征向量的特征向量权重、地理特征向量的特征向量权重和信息推荐特征向量的特征向量权重为根据所述网络嵌入模型训练得到的。一种可能的实现方式，所述训练单元，具体用于：将所述第一全局特征向量输入至特征提取模块，确定每个节点的第二全局特征向量；将所述每个节点的第二全局特征向量作为所述网络嵌入模型中每个节点的特征向量进行训练；根据所述第一样本数据的标签数据训练所述每个节点的第二全局特征向量及所述每个节点与其邻近节点的第二权重；所述每个节点的第二全局特征向量用于预测所述每个节点的推荐效果。本专利技术另一个实施例提供了一种电子设备，包括：至少一个存储器，用于存储程序指令；至少一个处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行上述任一种信息推荐方法。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种信息推荐方法的步骤。通过上述实施例，针对所述网络嵌入模型中的任一节点，根据所述节点的时序特征向量、地理特征向量和信息推荐向量，确定所述节点的第一全局特征向量；针对所述网络嵌入模型中的任一邻边，根据所述邻边的两个节点的第一全局特征向量确定所述邻边的第一权重；可以在时空环境中，综合考虑每个地点的时间特征、地理特征、信息推荐特征、以及地理位置相关性，根据样本数据对所述网络嵌入模型进行训练，得到训练后的推荐模型，从而提高信息推荐的准确性。附图说明图1为本专利技术本文档来自技高网...

【技术保护点】
1.一种推荐模型的生成方法，其特征在于，适用于以地理位置为节点、根据节点间的位置关系确定邻边的网络嵌入模型；所述方法包括：针对所述网络嵌入模型中的任一节点，根据所述节点的时序特征向量、地理特征向量和信息推荐向量，确定所述节点的第一全局特征向量；所述时序特征向量是根据所述节点的至少一个关注对象随时间变化的属性信息确定的；所述关注对象为信息推荐的最小粒度；所述地理特征向量是根据所述节点所在地理区域的属性信息确定的；所述信息推荐向量是根据所述节点的已推荐信息的属性信息确定的；针对所述网络嵌入模型中的任一邻边，根据所述邻边的两个节点的第一全局特征向量确定所述邻边的第一权重；根据样本数据对所述网络嵌入模型进行训练，得到训练后的推荐模型；所述推荐模型中的各节点具有第二全局特征向量，节点间的邻边具有第二权重。

【技术特征摘要】
1.一种推荐模型的生成方法，其特征在于，适用于以地理位置为节点、根据节点间的位置关系确定邻边的网络嵌入模型；所述方法包括：针对所述网络嵌入模型中的任一节点，根据所述节点的时序特征向量、地理特征向量和信息推荐向量，确定所述节点的第一全局特征向量；所述时序特征向量是根据所述节点的至少一个关注对象随时间变化的属性信息确定的；所述关注对象为信息推荐的最小粒度；所述地理特征向量是根据所述节点所在地理区域的属性信息确定的；所述信息推荐向量是根据所述节点的已推荐信息的属性信息确定的；针对所述网络嵌入模型中的任一邻边，根据所述邻边的两个节点的第一全局特征向量确定所述邻边的第一权重；根据样本数据对所述网络嵌入模型进行训练，得到训练后的推荐模型；所述推荐模型中的各节点具有第二全局特征向量，节点间的邻边具有第二权重。2.如权利要求1所述的方法，其特征在于，所述时序特征向量是根据所述节点的至少一个关注对象随时间变化的属性信息确定的，包括：根据节点中的至少一个关注对象随时间变化的属性信息，建立RNN模型，所述RNN模型用于提取所述节点中的至少一个关注对象的时序特征向量；对所述至少一个关注对象的时序特征向量进行池化，并对每个关注对象的时序特征向量增加权重，获得所述节点的第一时序特征向量。3.如权利要求1所述的方法，其特征在于，所述地理特征向量是根据所述节点所在地理区域的属性信息确定的，包括：根据节点中的地理位置的属性信息，建立深度学习网络DNN模型，所述DNN模型用于提取所述节点中的地理特征向量；根据节点中的信息推荐数据，建立深度学习网络DNN模型，所述DNN模型用于提取所述节点中信息推荐特征向量；将所述节点中的地理特征向量作为特征维度的地理特征向量；将所述节点中的信息推荐特征向量作为地理特征维度的信息推荐特征向量。4.如权利要求1-3任一项所述的方法，其特征在于，所述根据所述节点的时序特征向量、地理特征向量和信息推荐向量，确定所述节点的第一全局特征向量，包括：对所述时序特征向量、地理特征向量和信息推荐特征向量进行池化，并根据所述时序特征向量的特征向量权重、地理特征向量的特征向量权重和信息推荐特征向量的特征向量权重，确定所述节点的第一全局特征向量；所述时序特征向量的特征向量权重、地理特征向量的特征向量权重和信息推荐特征向量的特征向量权重为根据所述网络嵌入模型训练得到的。5.如权利要求1所述的方法，其特征在于，所述根据样本数据对所述网络嵌入模型进行训练，得到训练后的推荐模型，包括：将所述第一全局特征向量输入至特征提取模块，确定每个节点的第二全局特征向量；将所述每个节点的第二全局特征向量作为所述网络嵌入模型中每个节点的特征向量进行训练；根据所述第一样本数据的标签数据训练所述每个节点的第二全局特征向量及所述每个节点与其邻近节点的第二权重；所述每个节点的第二全局特征向量用于预测所述每个节点的推荐效果。6.一种推荐模型的生成装置，其特征在于，适用于以地理位置为节点、根据节点间的位置关系确定邻...

【专利技术属性】
技术研发人员：郑文琛，杨强，
申请(专利权)人：深圳前海微众银行股份有限公司，
类型：发明
国别省市：广东,44