【技术实现步骤摘要】
一种用户推荐方法、装置、电子设备及存储介质
本申请涉及推荐算法领域,尤其涉及一种用户推荐方法、装置、电子设备及存储介质。
技术介绍
用户推荐在很多场景中获得了广泛的使用,比如招聘推荐、节目推荐、图书推荐、音视频推荐等等。本领域技术人员对于用户推荐算法有很多研究,用户推荐算法也日臻成熟。但是用户推荐算法对于机器学习模型的依赖较重,并且没有充分考虑到推荐的精准度,从而在一定程度上适配性还有待于进一步提升。
技术实现思路
为了进行更为精准的推荐,本专利技术实施例提供了一种用户推荐方法、装置、电子设备及存储介质。一种用户推荐方法,所述方法包括:获取元素数量相同的第一用户集和第二用户集,所述第一用户集中包括多个第一用户,所述第二用户集中包括多个第二用户;获取每个第一用户和每个第二用户的用户画像;根据每个第一用户和每个第二用户的用户画像得到第一排序集和第二排序集,所述第一排序集中的元素与所述第一用户集中的元素一一对应,所述第一排序集中的元素描述了对应的第一用户对于第二用户集中元素的画像相似度排序结果,所述第二排序集中的元素与所述第二用户集中的元素一一对应,所述第二排序集种的元素描述了对应的第二用户对于第一用户集中元素的画像相似度排序结果;根据所述第一排序集和所述第二排序集生成第一用户稳态匹配对集和第一用户稳态匹配对集;根据所述第一用户稳态匹配对集和第二用户稳态匹配对集得到目标匹配对集合。优选的,所述画像抽取模型可以通过下述方法训练得到,包括:每个 ...
【技术保护点】
1.一种用户推荐方法,其特征在于,所述方法包括:/n获取元素数量相同的第一用户集和第二用户集,所述第一用户集中包括多个第一用户,所述第二用户集中包括多个第二用户;/n获取每个第一用户和每个第二用户的用户画像;/n根据每个第一用户和每个第二用户的用户画像得到第一排序集和第二排序集,所述第一排序集中的元素与所述第一用户集中的元素一一对应,所述第一排序集中的元素描述了对应的第一用户对于第二用户集中元素的画像相似度排序结果,所述第二排序集中的元素与所述第二用户集中的元素一一对应,所述第二排序集种的元素描述了对应的第二用户对于第一用户集中元素的画像相似度排序结果;/n根据所述第一排序集和所述第二排序集生成第一用户稳态匹配对集和第一用户稳态匹配对集;/n根据所述第一用户稳态匹配对集和第二用户稳态匹配对集得到目标匹配对集合。/n
【技术特征摘要】
1.一种用户推荐方法,其特征在于,所述方法包括:
获取元素数量相同的第一用户集和第二用户集,所述第一用户集中包括多个第一用户,所述第二用户集中包括多个第二用户;
获取每个第一用户和每个第二用户的用户画像;
根据每个第一用户和每个第二用户的用户画像得到第一排序集和第二排序集,所述第一排序集中的元素与所述第一用户集中的元素一一对应,所述第一排序集中的元素描述了对应的第一用户对于第二用户集中元素的画像相似度排序结果,所述第二排序集中的元素与所述第二用户集中的元素一一对应,所述第二排序集种的元素描述了对应的第二用户对于第一用户集中元素的画像相似度排序结果;
根据所述第一排序集和所述第二排序集生成第一用户稳态匹配对集和第一用户稳态匹配对集;
根据所述第一用户稳态匹配对集和第二用户稳态匹配对集得到目标匹配对集合。
2.根据权利要求1所述的方法,其特征在于,所述画像抽取模型可以通过下述方法训练得到,包括:
每个第一用户和每个第二用户的用户画像均可以通过预设的画像抽取模型进行抽取。
3.根据权利要求2所述的方法,其特征在于,所述画像抽取模型可以通过下述方法训练得到,包括:
获取样本数据集,所述样本数据集包括多个已有用户简介和每个已有用户简介对应的已有画像;
获取每个已有用户简介对应的联合向量序列,以每个所述已有用户简介对应的联合向量序列以及所述已有用户简介的已有画像作为训练元素,得到训练数据集;
构建神经网络模型,基于所述神经网络模型预测各个已有用户简介对应的联合向量序列指向的预测画像;
基于具有对应关系的预测画像和已有画像得到损失值,并基于所述损失值进行反向传播优化所述神经网络的参数直至所述神经网络模型达到预设的收敛条件。
4.根据权利要求3所述的方法,其特征在于,所述获取每个已有用户简介对应的联合向量序列,包括:
对所述已有用户简介进行分词得到初始分词向量;
将所述初始分词向量输入权重配比模型,得到所述初始分词向量中每一元素对应的权重向量;
根据所述初始分词向量和所述初始分词向量中每一元素对应的权重向量得到联合向量序列。
5.根据权利要求4所述...
【专利技术属性】
技术研发人员:李杰,
申请(专利权)人:杭州欣禾工程管理咨询有限公司,
类型:发明
国别省市:浙江;33
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。