一种用户推荐方法、装置、电子设备及存储介质制造方法及图纸

本申请公开了一种用户推荐方法、装置、电子设备及存储介质，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；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。本发明专利技术可以推荐最为精准的结果。

A user recommended method, device, electronic equipment and storage medium

【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。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：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。优选的，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。优选的，将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拼接即可得到联合向量序列。优选的，所述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，包括：根据所述第一排序集和所述第二排序集生成稳态匹配矩阵，所述稳态匹配矩阵中每个元素均为一个数对，所述数对包括两个数字，分别表征所述元素对应的行所指向的第一用户和所述元素对应的列指向的第二用户对彼此的排序结果；根据所述稳态匹配矩阵生成第一用户稳态匹配对集和第一用户稳态匹配对集。一种用户推荐装置，所述装置包括：集合获取模块，用于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；画像获取模块，用于获取每个第一用户和每个第二用户的用户画像；排序模块，用于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；匹配模块，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；目标匹配对集合获取模块，用于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。一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现一种用户推荐方法。一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现一种用户推荐方法。本专利技术实施例提供一种用户推荐方法、装置、电子设备及存储介质，所述用户推荐方法可以对被推荐的双方用户均推荐最为满意的结果，不同于现有技术的折中推荐，本专利技术实施例可以推荐最为精准的结果。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。图1是本申请实施例提供的一种用户推荐方法流程图；图2是本申请实施例提供的画像抽取模型训练方法流程示意图；图3是本申请实施例提供的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流程示意图；图4是本申请实施例提供的根据所述稳态匹配矩阵生成第一用户稳态匹配对集和第一用户稳态匹配对集流程示意图；图5是本申请实施例提供的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流程图；图6是本申请实施例提供的一种用户推荐装置框图；图7本申请实施例提供的硬件结构框图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。本专利技术实施例提供了一种用户推荐方法，如图1所示，所述方法包括：S101.获取元素数量相同的本文档来自技高网...

【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