基于人工智能的对象推荐方法、装置及电子设备制造方法及图纸

本发明专利技术提供了一种基于人工智能的对象推荐方法、装置、电子设备及存储介质；方法包括：获取交互用户的领域外特征；其中，所述交互用户是针对被推荐对象实施交互行为的用户，所述领域外特征是与所述用户相关的、且与所述交互行为无关的特征；确定所述领域外特征与所述被推荐对象之间的关联关系；根据所述关联关系，确定无交互用户针对待推荐对象的行为预测结果；其中，所述无交互用户是针对所述待推荐对象未实施交互行为的用户；当所述行为预测结果符合推荐条件时，执行向所述无交互用户推荐所述待推荐对象的操作。通过本发明专利技术，能够提升对无交互用户进行对象推荐的准确性。

Object recommendation method, device and electronic equipment based on Artificial Intelligence

【技术实现步骤摘要】
基于人工智能的对象推荐方法、装置及电子设备
本专利技术涉及人工智能技术，尤其涉及一种基于人工智能的对象推荐方法、装置、电子设备及存储介质。
技术介绍
人工智能(AI，ArtificialIntelligence)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法和技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。对象推荐是人工智能的一个重要应用方向，具体如商品推荐及音乐推荐等。在对象推荐中往往存在冷启动问题，即需要在用户未进行过交互行为的情况下向用户推荐合适的对象，对于该问题，在相关技术提供的方案中，通常是由人工配置冷启动阶段的推荐对象，但是，用户有较大可能对推荐的对象不感兴趣，对象推荐的准确性差。
技术实现思路
本专利技术实施例提供一种基于人工智能的对象推荐方法、装置、电子设备及存储介质，能够提升对象推荐的准确性。本专利技术实施例的技术方案是这样实现的：本专利技术实施例提供一种基于人工智能的对象推荐方法，包括：获取交互用户的领域外特征；其中，所述交互用户是针对被推荐对象实施交互行为的用户，所述领域外特征是与所述用户相关的、且与所述交互行为无关的特征；确定所述领域外特征与所述被推荐对象之间的关联关系；根据所述关联关系，确定无交互用户针对待推荐对象的行为预测结果；其中，所述无交互用户是针对所述待推荐对象未实施交互行为的用户；当所述行为预测结果符合推荐条件时，执行向所述无交互用户推荐所述待推荐对象的操作。本专利技术实施例提供一种基于人工智能的对象推荐装置，包括：获取模块，用于获取交互用户的领域外特征；其中，所述交互用户是针对被推荐对象实施交互行为的用户，所述领域外特征是与所述用户相关的、且与所述交互行为无关的特征；关系确定模块，用于确定所述领域外特征与所述被推荐对象之间的关联关系；预测模块，用于根据所述关联关系，确定无交互用户针对待推荐对象的行为预测结果；其中，所述无交互用户是针对所述待推荐对象未实施交互行为的用户；推荐模块，用于当所述行为预测结果符合推荐条件时，执行向所述无交互用户推荐所述待推荐对象的操作。本专利技术实施例提供一种电子设备，包括：存储器，用于存储可执行指令；处理器，用于执行所述存储器中存储的可执行指令时，实现本专利技术实施例提供的基于人工智能的对象推荐方法。本专利技术实施例提供一种存储介质，存储有可执行指令，用于引起处理器执行时，实现本专利技术实施例提供的基于人工智能的对象推荐方法。本专利技术实施例具有以下有益效果：本专利技术实施例通过确定领域外特征与被推荐对象之间的关联关系，在无交互用户仅有领域外特征时，根据关联关系，确定无交互用户针对待推荐对象的行为预测结果，从而确定是否进行推荐，提升了对象推荐的准确性，适用于冷启动的场景。附图说明图1是本专利技术实施例提供的基于人工智能的对象推荐系统的一个可选的架构示意图；图2是本专利技术实施例提供的结合区块链网络的基于人工智能的对象推荐系统的一个可选的架构示意图；图3是本专利技术实施例提供的服务器的一个可选的架构示意图；图4是本专利技术实施例提供的基于人工智能的对象推荐装置的一个可选的架构示意图；图5A是本专利技术实施例提供的基于人工智能的对象推荐方法的一个可选的流程示意图；图5B是本专利技术实施例提供的基于人工智能的对象推荐方法的一个可选的流程示意图；图5C是本专利技术实施例提供的更新权重参数的一个可选的流程示意图；图5D是本专利技术实施例提供的基于人工智能的对象推荐方法的一个可选的流程示意图；图5E是本专利技术实施例提供的基于人工智能的对象推荐方法的一个可选的流程示意图；图6是本专利技术实施例提供的通过第二机器学习模型进行预测处理的一个可选的示意图；图7是本专利技术实施例提供的训练第一机器学习模型的一个可选的示意图；图8是本专利技术实施例提供的通过第一机器学习模型进行预测处理的一个可选的示意图。具体实施方式为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步地详细描述，所描述的实施例不应视为对本专利技术的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。在以下的描述中，所涉及的术语“第一\第二”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本专利技术实施例能够以除了在这里图示或描述的以外的顺序实施。除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本专利技术实施例的目的，不是旨在限制本专利技术。对本专利技术实施例进行进一步详细说明之前，对本专利技术实施例中涉及的名词和术语进行说明，本专利技术实施例中涉及的名词和术语适用于如下的解释。1)冷启动：指对与对象没有交互行为的新用户进行对象推荐，常用于产品的拉新、增加日活及增加留存。2)对象：任意具有推荐价值的项目，例如物品、歌曲、服务、新闻、公众号和社交网络好友等。3)被推荐对象：指用户已实施交互行为的对象，具体可以是通过主动推荐的方式推荐给用户的对象，也可以是用户主动实施交互行为的对象。例如，被推荐对象可以是音乐应用程序向用户主动推荐的、且用户已收听的歌曲，也可以是用户主动在音乐应用程序中搜索并收听的歌曲。4)待推荐对象：待推荐至用户的对象，待推荐对象与被推荐对象可以相同，也可以不同，但两者属于一类，例如都属于歌曲类。5)交互行为：指用户针对被推荐对象所实施的、表示对被推荐对象的偏好程度的行为，例如点击、收听、收藏、下载及转发/分享(到社交网络)等。6)领域外特征：也称冷特征，是指与用户相关的、且与用户针对被推荐对象实施的交互行为无关的特征，例如用户的年龄、性别及城市等。7)领域内特征：也称热特征，是指与用户针对被推荐对象实施的交互行为相关的特征，例如被推荐对象是歌曲，则领域内特征可以是用户听过的歌曲名称、收听(即交互行为)次数、收听时长及转发/分享次数等。8)交互用户：针对被推荐对象实施了交互行为的用户。9)无交互用户：针对待推荐对象未实施交互行为的用户，例如长期注册了某应用程序却并未使用应用程序功能的用户，又例如某应用程序的首次登陆的注册用户。10)信息散度：又被称为相对熵或KL散度(Kullback-Leiblerdivergence)，是两个概率分布间差异的非对称性度量。...

【技术保护点】
1.一种基于人工智能的对象推荐方法，其特征在于，包括：/n获取交互用户的领域外特征；/n其中，所述交互用户是针对被推荐对象实施交互行为的用户，所述领域外特征是与所述用户相关的、且与所述交互行为无关的特征；/n确定所述领域外特征与所述被推荐对象之间的关联关系；/n根据所述关联关系，确定无交互用户针对待推荐对象的行为预测结果；其中，所述无交互用户是针对所述待推荐对象未实施交互行为的用户；/n当所述行为预测结果符合推荐条件时，执行向所述无交互用户推荐所述待推荐对象的操作。/n

【技术特征摘要】
1.一种基于人工智能的对象推荐方法，其特征在于，包括：
获取交互用户的领域外特征；
其中，所述交互用户是针对被推荐对象实施交互行为的用户，所述领域外特征是与所述用户相关的、且与所述交互行为无关的特征；
确定所述领域外特征与所述被推荐对象之间的关联关系；
根据所述关联关系，确定无交互用户针对待推荐对象的行为预测结果；其中，所述无交互用户是针对所述待推荐对象未实施交互行为的用户；
当所述行为预测结果符合推荐条件时，执行向所述无交互用户推荐所述待推荐对象的操作。


2.根据权利要求1所述的对象推荐方法，其特征在于，
所述获取交互用户的领域外特征，包括：
获取交互样本；其中，所述交互样本包括所述被推荐对象的对象特征、所述交互用户的领域外特征、所述交互用户的领域内特征及所述交互用户针对所述被推荐对象的交互行为；所述领域内特征是与所述交互用户的交互行为相关的特征；
所述确定所述领域外特征与所述被推荐对象之间的关联关系，包括：
对所述交互样本中的领域内特征进行弱化处理；
通过第一机器学习模型接收所述被推荐对象的对象特征、所述交互用户的领域外特征及弱化处理后的所述领域内特征，并进行预测处理，得到待对比的行为预测结果；
根据所述待对比的行为预测结果和所述交互样本中的交互行为，更新所述第一机器学习模型的权重参数，以
强化所述交互用户的领域外特征与所述被推荐对象的对象特征之间的关联关系。


3.根据权利要求2所述的对象推荐方法，其特征在于，所述根据所述关联关系，确定无交互用户针对待推荐对象的行为预测结果，包括：
通过更新后的所述第一机器学习模型接收所述待推荐对象的对象特征和所述无交互用户的领域外特征，并进行预测处理，得到至少一个初始行为预测结果及对应的结果概率；
将数值最大的结果概率对应的所述初始行为预测结果，确定为所述无交互用户针对所述待推荐对象的行为预测结果；
其中，所述被推荐对象的对象特征与所述待推荐对象的对象特征属于相同的特征种类。


4.根据权利要求2所述的对象推荐方法，其特征在于，所述对所述交互样本中的领域内特征进行弱化处理，包括：
确定所述交互样本中领域内特征对应的特征种类总数；
将丢弃参数与所述特征种类总数进行乘积处理，得到丢弃种类数量；其中，所述丢弃种类数量为大于0的整数；
对所述交互样本中任意的、且数量符合所述丢弃种类数量的所述领域内特征进行丢弃处理；
对丢弃处理后的所述领域内特征进行池化处理。


5.根据权利要求2所述的对象推荐方法，其特征在于，所述根据所述待对比的行为预测结果和所述交互样本中的交互行为，更新所述第一机器学习模型的权重参数，包括：
根据所述待对比的行为预测结果与所述交互样本中的交互行为之间的差异，确定第一损失值；
将所述交互样本中的领域外特征与弱化处理后的所述领域内特征之间的信息散度，确定为第二损失值；
将所述第一损失值与所述第二损失值进行加权处理，得到加权损失值；
根据所述加权损失值在所述第一机器学习模型中进行反向传播，并在反向传播的过程中，沿梯度下降方向更新所述第一机器学习模型的权重参数。


6.根据权利要求5所述的对象推荐方法，其特征在于，
所述将所述交互样本中的领域外特征与弱化处理后的所述领域内特征之间的信息散度，确定为第二损失值，包括：
确定所述交互样本中的每个领域外特征与弱化处理后的所述领域内特征之间的子信息散度；
对所有所述子信息散度进行累积处理，得到第二损失值；
所述将所述第一损失值与所述第二损失值进行加权处理，得到加权损失值，包括：
获取与所述第一损失值对应的第一损失权重，获取与所述第二损失值对应的第二损失权重；其中，所述第一损失权重大于所述第二损失权重；
根据所述第一损失权重和所述第二损失权重，对所述第一损失值和所述第二损失值进行加权求和处理，得到加权损失值。


7.根据权利要求2所述的对象推荐方法，其特征在于，所述获取交互样本之后，还包括：
通过第二机器学习模型接收所述被推荐对象的对象特征、所述交互用户的领域外特征及所述交互用户的领域内特征，并进行预测处理，得到待对比的行为预测结果；
根据所述待对比的行为预测结果和所述交互样本中的交互行为，更新所述第二机器学习模型的权重参数；
通过更新后的所述第二机器学习模型接收所述待推荐对象的对象特征、所述交互用户的领域外...

【专利技术属性】
技术研发人员：缪畅宇，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44