一种基于用户数据推荐信息的方法及系统技术方案

本发明专利技术提供一种基于用户数据推荐信息的方法及系统，所述的方法包括：获取承载有用户数据的文本，通过预设的关键词对所述文本进行分析，获取预算特征向量和性状特征向量；对所述预算特征向量和所述性状特征向量进行融合处理，获取融合向量；将多个用户所对应的融合向量分别载入到特征矩阵中；将所述特征矩阵输入到第一神经网络中进行训练，获取推荐模型；通过所述推荐模型预测待处理的文本，获取推荐信息；通过利用关键字来确定与关键字相关联的文本中的语句，过滤掉冗余的文本的语句，通过对预算特征向量和性状特征向量进行二维度的融合和分析，能够结合该用户的预算情况和性状特点进行综合的权重考虑，提升推荐信息的精度和个性化水平。

【技术实现步骤摘要】
一种基于用户数据推荐信息的方法及系统
本专利技术涉及大数据
，特别是涉及一种基于用户数据推荐信息的方法及系统。
技术介绍
承载用户数据的文本往往蕴藏着深层次的特征信息，通过将特征信息进行汇总和融合，能够形成区别化、差异化和个性化的用户画像，通过用户画像能够预测用户潜在的需求，并进行信息推荐。而目前，用户数据的离散性和耦合性不便于对用户数据进行精确地识别和分析，也不能准确地提取出关键信息，造成推荐信息的精确度低的问题。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种基于用户数据推荐信息的方法及系统，用于解决现有技术中的推荐信息的精确度低问题。为实现上述目的及其他相关目的，本专利技术提供一种基于用户数据推荐信息的方法，包括：获取承载有用户数据的文本，通过预设的关键词对所述文本进行分析，获取预算特征向量和性状特征向量；对所述预算特征向量和所述性状特征向量进行融合处理，获取融合向量；将多个用户所对应的融合向量分别载入到特征矩阵中；将所述特征矩阵输入到第一神经网络中进行训练，获取推荐模型；通过所述推荐模型预测待处理的文本，获取推荐信息。可选的，通过预设的关键词对所述文本进行分析的步骤包括：预设的关键词包括第一关键词和第二关键词，其中，所述第一关键词与用户的预算信息关联，所述第二关键词与用户的性状信息关联；通过所述第一关键词确定所述文本中与预算信息关联的第一语句，并通过所述第二关键词确定所述文本中与性状信息关联的第二语句；分别对所述第一语句和所述第二语句进行向量化，获取所述预算特征向量和所述性状特征向量。可选的，分别对所述第一语句和所述第二语句进行向量化，获取所述预算特征向量和所述性状特征向量的步骤包括：通过语料库获取所述第一语句和所述第二语句的单词的编码；通过所述第一语句和所述第二语句的单词的编码分别获取第一语句矩阵和第二语句矩阵；将所述第一语句矩阵和所述第二语句矩阵分别输入第二神经网络中；将所述第一语句矩阵和所述第二语句矩阵分别通过一个或者多个尺寸的卷积核进行卷积，获取一个或者多个尺寸的特征图；对一个或者多个尺寸的所述特征图分别进行池化处理并进行拼接，获取所述预算特征向量和所述性状特征向量。可选的，所述第二神经网络包括：用于处理所述第一语句矩阵的第二一子神经网络和用于处理所述第二语句矩阵的第二二子神经网络；所述第二一子神经网络和所述第二二子神经网络都包括：输入层、卷积层、池化层和输出层。可选的，所述第一神经网络包括输入层、全连接层和输出层，且所述输出层的激活函数包括sigmoid函数。可选的，将所述特征矩阵输入到第一神经网络中进行训练，获取推荐模型的步骤包括：获取所述特征矩阵以及预设的推荐信息模版；将所述特征矩阵输入到所述第一神经网络中获取预测值，将所述预测值和所述推荐信息模版对应；通过迭代训练所述第一神经网络，当所述预测值与所述推荐信息模版的对应的准确率或者召回率达到或者超过设定值时，获取推荐模型。可选的，所述推荐信息模版包括消费等级子模版和干预效果子模版，其中，所述消费等级子模版的种类有m种，所述干预效果子模版的种类有n种，所述推荐信息模版的种类有m×n种，其中，m和n均为正整数。一种基于用户数据推荐信息的系统，包括：预处理模块，用于获取承载有用户数据的文本，通过预设的关键词对所述文本进行分析，获取预算特征向量和性状特征向量，对所述预算特征向量和所述性状特征向量进行融合处理，获取融合向量；模型模块，用于将多个用户所对应的融合向量分别载入到特征矩阵中，将所述特征矩阵输入到第一神经网络中进行训练，获取推荐模型；处理模块，用于通过所述推荐模型预测待处理的文本，获取推荐信息；所述预处理模块、所述模型模块以及所述处理模块信号连接。一种电子设备，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述电子设备执行任一所述的方法。一个种机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行任一所述的方法。如上所述，本专利技术的基于用户数据推荐信息的方法及系统，具有以下有益效果：通过利用关键字来确定与关键字相关联的文本中的语句，过滤掉冗余的文本的语句，不仅降低文本的语句的数据处理量、提升处理效率，而且避免相关度较低的文本的语句对推荐信息的干扰，通过对预算特征向量和性状特征向量进行二维度的融合和分析，能够结合该用户的预算情况和性状特点进行综合的权重考虑，提升推荐信息的精度和个性化水平。附图说明图1显示为本专利技术实施例的基于用户数据推荐信息的方法的示意图。图2显示为本专利技术实施例的融合处理的流程示意图。图3显示为本专利技术实施例的第二一子神经网络的结构示意图。图4显示为本专利技术实施例的第一神经网络的结构示意图。图5显示为本专利技术实施例的第二一子神经网络的网络结构的示意图。图6显示为本专利技术实施例的基于用户数据推荐信息的系统的示意图。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需要说明的是，本实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，遂图式中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、性状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本专利技术可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本专利技术所能产生的功效及所能达成的目的下，均应仍落在本专利技术所揭示的
技术实现思路
得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本专利技术可实施的范围，其相对关系的改变或调整，在无实质变更
技术实现思路
下，当亦视为本专利技术可实施的范畴。发现信息推荐技术能够降低用户获取有用信息的机会成本，但是精确的信息推荐往往建立在较为精确的用户分析和用户特征识别的基础上，目前，对于用户数据的处理和分析不能获取较为深层次的信息，导致推荐信息的精确度不佳。请参阅图1，本专利技术提供一种基于用户数据推荐信息的方法，包括：S1：获取承载有用户数据的文本，通过预设的关键词对所述文本进行分析，获取预算特征向量和性状特征向量，所述文本可以通过用户与系统的交互问答过程中获取，也可以在用户进行系统注册时进行填写，还可本文档来自技高网...

【技术保护点】
1.一种基于用户数据推荐信息的方法，其特征在于，包括：/n获取承载有用户数据的文本，通过预设的关键词对所述文本进行分析，获取预算特征向量和性状特征向量；/n对所述预算特征向量和所述性状特征向量进行融合处理，获取融合向量；/n将多个用户所对应的融合向量分别载入到特征矩阵中；/n将所述特征矩阵输入到第一神经网络中进行训练，获取推荐模型；/n通过所述推荐模型预测待处理的文本，获取推荐信息。/n

【技术特征摘要】
1.一种基于用户数据推荐信息的方法，其特征在于，包括：
获取承载有用户数据的文本，通过预设的关键词对所述文本进行分析，获取预算特征向量和性状特征向量；
对所述预算特征向量和所述性状特征向量进行融合处理，获取融合向量；
将多个用户所对应的融合向量分别载入到特征矩阵中；
将所述特征矩阵输入到第一神经网络中进行训练，获取推荐模型；
通过所述推荐模型预测待处理的文本，获取推荐信息。


2.根据权利要求1所述的基于用户数据推荐信息的方法，其特征在于，通过预设的关键词对所述文本进行分析的步骤包括：
预设的关键词包括第一关键词和第二关键词，其中，所述第一关键词与用户的预算信息关联，所述第二关键词与用户的性状信息关联；
通过所述第一关键词确定所述文本中与预算信息关联的第一语句，并通过所述第二关键词确定所述文本中与性状信息关联的第二语句；
分别对所述第一语句和所述第二语句进行向量化，获取所述预算特征向量和所述性状特征向量。


3.根据权利要求2所述的基于用户数据推荐信息的方法，其特征在于，分别对所述第一语句和所述第二语句进行向量化，获取所述预算特征向量和所述性状特征向量的步骤包括：
通过语料库获取所述第一语句和所述第二语句的单词的编码；
通过所述第一语句和所述第二语句的单词的编码分别获取第一语句矩阵和第二语句矩阵；
将所述第一语句矩阵和所述第二语句矩阵分别输入第二神经网络中；
将所述第一语句矩阵和所述第二语句矩阵分别通过一个或者多个尺寸的卷积核进行卷积，获取一个或者多个尺寸的特征图；
对一个或者多个尺寸的所述特征图分别进行池化处理并进行拼接，获取所述预算特征向量和所述性状特征向量。


4.根据权利要求3所述的基于用户数据推荐信息的方法，其特征在于，所述第二神经网络包括：用于处理所述第一语句矩阵的第二一子神经网络和用于处理所述第二语句矩阵的第二二子神经网络；
所述第二一子神经网络和所述第二二子神经网络都包括：输入层、卷积层、池化...

【专利技术属性】
技术研发人员：姚娟娟，樊代明，钟南山，
申请(专利权)人：明品云北京数据科技有限公司，
类型：发明
国别省市：北京;11