基于推荐模型的对象推荐方法及装置制造方法及图纸

本发明专利技术提供了一种基于推荐模型的对象推荐方法及装置，方法包括：通过特征提取模型，分别对待推荐用户的用户数据及待推荐对象的对象数据进行特征提取，得到对应的待推荐用户特征及待推荐对象特征；通过深度特征模型，对待推荐用户特征及待推荐对象特征的组合特征进行深度特征提取，得到对应的深度特征；通过模式挖掘模型，对待推荐用户特征进行频繁序列模式挖掘，得到对应待推荐用户的频繁序列模式的加权特征；通过预测模型，将深度特征与加权特征进行融合，得到对应待推荐用户的融合特征，并基于融合特征进行转化率预测，得到预测结果；当预测结果表征待推荐用户的转化率值超过概率阈值时，将待推荐对象推荐给待推荐用户。

【技术实现步骤摘要】
基于推荐模型的对象推荐方法及装置
本专利技术涉及人工智能技术的自然语言处理技术，尤其涉及一种基于推荐模型的对象推荐方法及装置。
技术介绍
自然语言处理(NatureLanguageProcessing，NLP)是人工智能领域中的一个重要方向，能够实现人与计算机之间用自然语言进行有效通信，通常包括文本处理、语义理解、机器翻译等技术。推荐系统是自然语言处理领域的重要应用之一，可自动联系用户和推荐对象，能够在信息过载的环境中帮助用户发现令他们感兴趣的信息，也能将信息推送给对它们感兴趣的用户。随着线上消费模式的崛起和电商平台的快速发展，更精确地了解用户的个性化需求，个性化推荐成为各电商平台竞争实力的体现，因此，个性化推荐模型的建立成为商家了解用户消费需求、抢占市场先机、提高交易额的重要战略。此外，精准挖掘用户的行为习惯，基于用户特点个性化提供其需要或可能偏好的物品，对于各种权益推荐、广告投放等应用也有重大意义。然而，相关技术对于如何高效并准确地进行对象推荐尚无有效的方案。
技术实现思路
本专利技术实施例提供一种基于推本文档来自技高网...

【技术保护点】
1.一种基于推荐模型的对象推荐方法，其特征在于，所述推荐模型包括：特征提取模型、深度特征模型、模式挖掘模型及预测模型，所述方法包括：/n通过所述特征提取模型，分别对待推荐用户的用户数据及待推荐对象的对象数据进行特征提取，得到对应的待推荐用户特征及待推荐对象特征；/n通过所述深度特征模型，对所述待推荐用户特征及待推荐对象特征的组合特征进行深度特征提取，得到对应的深度特征；/n通过所述模式挖掘模型，对所述待推荐用户特征进行频繁序列模式挖掘，得到对应所述待推荐用户的频繁序列模式的加权特征；/n通过所述预测模型，将所述深度特征与所述加权特征进行融合，得到对应所述待推荐用户的融合特征，并基于所述融合特征...

【技术特征摘要】
1.一种基于推荐模型的对象推荐方法，其特征在于，所述推荐模型包括：特征提取模型、深度特征模型、模式挖掘模型及预测模型，所述方法包括：
通过所述特征提取模型，分别对待推荐用户的用户数据及待推荐对象的对象数据进行特征提取，得到对应的待推荐用户特征及待推荐对象特征；
通过所述深度特征模型，对所述待推荐用户特征及待推荐对象特征的组合特征进行深度特征提取，得到对应的深度特征；
通过所述模式挖掘模型，对所述待推荐用户特征进行频繁序列模式挖掘，得到对应所述待推荐用户的频繁序列模式的加权特征；
通过所述预测模型，将所述深度特征与所述加权特征进行融合，得到对应所述待推荐用户的融合特征，并基于所述融合特征进行转化率预测，得到预测结果；
当所述预测结果表征所述待推荐用户的转化率值超过概率阈值时，将所述待推荐对象推荐给所述待推荐用户。


2.如权利要求1所述的方法，其特征在于，所述通过所述特征提取模型，分别对待推荐用户的用户数据及待推荐对象的对象数据进行特征提取之前，所述方法还包括：
通过所述特征提取模型，对标注有转化率的推荐对象样本进行特征提取，得到所述推荐对象样本对应的用户特征及推荐对象特征；
通过所述深度特征模型，对所述用户特征及推荐对象特征的组合特征进行深度特征提取，得到对应的深度特征；
通过所述模式挖掘模型，对所述用户特征进行频繁序列模式挖掘，得到对应所述推荐对象样本的频繁序列模式的加权特征；
通过所述预测模型，将所述深度特征与所述加权特征进行融合，得到对应所述推荐对象样本的融合特征，并基于所述融合特征进行转化率预测，得到预测结果；
获取所述预测结果与标注的所述转化率之间的差异，并基于所述差异，更新所述推荐模型的模型参数。


3.如权利要求1所述的方法，其特征在于，所述特征提取模型包括用于对所述待推荐用户的用户数据及待推荐对象的对象数据进行特征提取的特征提取层和特征拼接层，
所述通过所述深度特征模型，对所述待推荐用户特征及待推荐对象特征的组合特征进行深度特征提取之前，所述方法还包括：
通过所述特征拼接层，对所述待推荐用户特征及所述待推荐对象特征进行拼接，得到对应所述待推荐用户及所述待推荐对象的组合特征。


4.如权利要求1所述的方法，其特征在于，所述通过所述深度特征模型，对所述待推荐用户特征及待推荐对象特征的组合特征进行深度特征提取之前，所述方法还包括：
获取标注有目标深度特征的组合特征样本，所述组合特征样本包括对应转化用户的正样本和未转化用户的负样本；
对所述组合特征样本进行特征提取，得到所述组合特征样本对应的用户特征及推荐对象特征；
将所述用户特征及推荐对象特征的组合特征输入至所述深度特征模型中，对所述组合特征样本的组合特征进行深度特征提取，得到对应的预测深度特征；
获取所述目标深度特征与所述预测深度特征的差异，并基于所述差异更新所述深度特征模型的模型参数。


5.如权利要求1所述的方法，其特征在于，所述对所述待推荐用户特征及待推荐对象特征的组合特征进行深度特征提取之前，所述方法还包括：
对所述组合特征进行以下至少之一的预处理操作，以将预处理操作之后的组合特征确定为所述待推荐用户特征及待推荐对象特征的组合特征：
确定所述组合特征的特征值的缺失数量、以及对应所述组合特征的相同特征值的数量，并将所述缺失数量超过缺失值阈值或所述数量超过相同数量阈值的组合特征进行过滤，得到过滤后的组合特征；
对所述组合特征的特征值进行异常检测，当检测结果表征所述特征值为异常值时，将所述特征值替换成填充特征值，得到包含填充特征值的组合特征；
对所述组合特征进行衍生处理，得到衍生后的组合特征；
将所述组合特征中的连续型特征对应的特征值进行离散处理，得到离散型特征，并将所述离散处理后得到的离散型特征及所述组合特征中的离散型特征，作为对应的组合特征。


6.如权利要求1所述的方法，其特征在于，所述对所述待推荐用户特征进...

【专利技术属性】
技术研发人员：刘志煌，
申请(专利权)人：腾讯云计算北京有限责任公司，
类型：发明
国别省市：北京;11