【技术实现步骤摘要】
预测用户偏好的方法、装置、电子设备和介质
本公开涉及人工智能
，更具体地，涉及一种预测用户偏好的方法、装置、电子设备和介质。
技术介绍
随着信息科技的逐步发展，分析用户的兴趣偏好被广泛应用于各个领域，例如可以根据用户的偏好向用户推荐物品或信息，从而实现更准确的推荐。在实现本公开构思的过程中，专利技术人发现传统方法通常仅根据用户的历史评价数据来分析用户的偏好，导致分析结果不够准确。
技术实现思路
有鉴于此，本公开提供了一种预测用户偏好的方法、装置、电子设备和介质。通过使用注意力模型根据多类图像的特征数据生成针对目标物品的视觉特征向量，并根据所述视觉特征向量和用户物品交互矩阵来预测目标用户的偏好程度，本公开的一个方面提供了一种预测用户偏好的方法，包括：获取用户物品交互矩阵，所述用户物品交互矩阵包括至少一个用户对至少一个物品的评价值；获取与所述至少一个物品中的目标物品相关的多类图像的特征数据；使用注意力模型根据所述多类图像的特征数据生成针对所述目标物品的视觉特征向量；
【技术保护点】
1.一种预测用户偏好的方法，包括：/n获取用户物品交互矩阵，所述用户物品交互矩阵包括至少一个用户对至少一个物品的评价值；/n获取与所述至少一个物品中的目标物品相关的多类图像的特征数据；/n使用注意力模型根据所述多类图像的特征数据生成针对所述目标物品的视觉特征向量；以及/n使用深度矩阵分解模型根据所述视觉特征向量和所述用户物品交互矩阵来预测所述至少一个用户中的目标用户对所述目标物品的偏好程度。/n
【技术特征摘要】
1.一种预测用户偏好的方法，包括：
获取用户物品交互矩阵，所述用户物品交互矩阵包括至少一个用户对至少一个物品的评价值；
获取与所述至少一个物品中的目标物品相关的多类图像的特征数据；
使用注意力模型根据所述多类图像的特征数据生成针对所述目标物品的视觉特征向量；以及
使用深度矩阵分解模型根据所述视觉特征向量和所述用户物品交互矩阵来预测所述至少一个用户中的目标用户对所述目标物品的偏好程度。
2.根据权利要求1所述的方法，其中，所述获取与目标物品相关的多类图像的特征数据包括：针对每一类图像，
使用经训练的卷积神经网络从该类图像中的每个图像提取第一特征向量；
通过聚类算法对所提取的多个第一特征向量进行聚类，得到N个簇，其中N为大于1的整数；
通过从每个簇选择一个第一特征向量，得到N个第一特征向量作为该类图像的特征数据。
3.根据权利要求2所述的方法，其中，
所述注意力模型包括第一注意力网络层和第二注意力网络层，所述使用注意力模型根据所述多类图像的特征数据生成针对所述目标物品的视觉特征向量包括：
使用第一注意力网络根据每一类图像的N个第一特征向量生成针对该类图像的第二特征向量；
使用第二注意力网络根据所述多类图像的第二特征向量生成针对所述目标物品的视觉特征向量。
4.根据权利要求3所述的方法，其中，所述使用第一注意力网络根据每一类图像的N个第一特征向量生成针对该类图像的第二特征向量包括：通过以下等式来根据每一类图像的N个第一特征向量生成针对该类图像的第二特征向量，
uict＝ReLU(Wαfict+bα)
fic＝∑taictfict
其中i表示物品，c表示图像类别，t表示每类图像的N个第一特征向量中的第t个第一特征向量，fict表示物品i的第c类图像的第t个第一特征向量，ReLU表示激活函数，uict表示fict的隐式表达式，aict表示fict的重要性，fic表示物品i的第c类图像的第二特征向量，Wα表示第一注意力网络层与第二注意力网络层的第一置换矩阵，bα表示第一注意力网络层与第二注意力网络层的第一偏置项，ua表示第一注意力网络层与第二注意力网络层的第一上下文向量。
5.根据权利要求4所述的方法，其中，所述使用第二注意力网络根据所述多类图像的第二特征向量生成针对所述目标物品的视觉特征向量包括：通过以下等式来根据所述多类图像的第二特征向量生成针对所述目标物品的视觉特征向量，
uic＝ReLU(Wβfic+bβ)
fi＝∑caicfic
其中uic表示fic的隐式表达式，aic表示fic的重要性，fi表示物品i的视觉特征向量，其中物品i为所述目标物品，Wβ表示第一注意力网络层与第二注意力网络层的第二置换矩阵，bβbα表示第一注意力网络层与第二注意力网络层的第二偏置项，uβ表示第一注意力网络层与第二注意力网络层的第二上下文向量。
6...
【专利技术属性】
技术研发人员：罗海华，张婷，房国标，胡春华，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：北京;11
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。