基于大数据的终端信息推荐方法技术

本申请公开了一种基于大数据的终端信息推荐方法。其针对基于用户在信息浏览的过程中的大数据来更新用户画像的问题，采用基于贝叶斯的证据‑事件更新方式，来对用户画像进行更新。具体地，在本申请中，通过用户反应数据和推送信息数据在高维空间中对用户画像数据的高维特征图进行更新，并通过反卷积操作还原出更新后的用户标签和权重，从而实现了用户画像的更新。这样，提高终端信息推荐精度。

【技术实现步骤摘要】
基于大数据的终端信息推荐方法
本专利技术涉及大数据领域，且更为具体地，涉及一种基于大数据的终端信息推荐方法、基于大数据的终端信息推荐系统和电子设备。
技术介绍
随着智能终端相关技术的发展和产业的壮大，智能终端成为用户与网络世界连接的第一现场，是用户使用信息和网络感知用户的末梢。由于智能终端相比传统PC机，其图形界面方案和输入方式受限，“信息过载”带来的负面影响会更加明显。因此，近年来针对移动终端设备的个性化信息推荐技术成为一个新兴的研究领域。由于终端信息推荐涉及到个性化信息获取，传统的信息推荐方式精度偏低，引入用户画像(UserProfile)作为推荐基础。用户画像作为大数据的根基，它完美地抽象出一个用户的信息全貌，为进一步精准、快速地分析用户行为习惯、消费习惯等重要信息，提供了足够的数据基础。目前，基于用户画像的信息推荐方法依赖于用户画像数据，而由于画像数据的信息推荐方式是通过分析用户浏览记录和消费记录给用户打上“兴趣-权重”标签然后进行推荐,在一定程度上忽略了用户兴趣的变化趋势,随着时间的推移,推荐精度往往会降低，影响用户体验。因此，在信息推荐的过程中，如何对用户兴趣变化进行预测以提高信息推荐的体验度显得尤为重要。具体地，用户在信息浏览的过程中，不同信息的用户响应时间、信息的历史推送频率、信息重要性和信息的历史体验度等都可以作为影响用户兴趣变化的因素。因此，如何通过多维数据进行分析来对用户兴趣进行预测，以提高信息推荐的精度成为亟需解决的技术问题。
技术实现思路
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于大数据的终端信息推荐方法、基于大数据的终端信息推荐系统和电子设备，其针对基于用户在信息浏览的过程中的大数据来更新用户画像的问题，采用基于贝叶斯的证据-事件更新方式，来对用户画像进行更新。具体地，在本申请中，通过用户反应数据和推送信息数据在高维空间中对用户画像数据的高维特征图进行更新，并通过反卷积操作还原出更新后的用户标签和权重，从而实现了用户画像的更新。这样，提高终端信息推荐精度。根据本申请的一个方面，提供了一种基于大数据的终端信息推荐方法，其包括：获取用户画像数据，其中，所述用户画像数据包括多个标签及其相对应的多个权重；对所述用户画像数据中的所述多个标签进行独热编码后再结合所述多个权重的维度以构成三维的输入张量；获取用户在信息浏览过程中产生的推送信息数据和用户反应数据；将所述推送信息数据和所述用户反应数据分别转化为第一输入向量和第二输入向量；将所述输入张量通过卷积神经网络以通过所述卷积神经网络提取出各个维度之间的关联信息，以获得初始特征图，其中，所述卷积神经网络的最后一层以Sigmoid函数进行激活以使得所述初始特征图中各个位置的特征值在0到1的区间内；将所述第一输入向量和所述第二输入向量分别输入由多个全连接层组成的编码器以通过所述编码器对所述第一输入向量和所述第二输入向量进行编码，以获得第一特征向量和第二特征向量，其中，所述编码器的最后一层以Sigmoid函数进行激活以使得所述第一特征向量和所述第二特征向量中各个位置的特征值在0到1的区间内；以贝叶斯公式基于所述第一特征向量和所述第二特征向量更新所述初始特征图中各个位置的特征值，以获得更新特征图，其中，所述贝叶斯公式为先分别所述初始特征图中各个位置的特征值与所述第一特征向量中各个位置的特征值的乘积以及所述初始特征图中各个位置的特征值与所述第二特征向量中各个位置的特征值的商再求和；将所述更新特征图输入生成器以通过所述生成器对所述更新特征图进行解卷积操作，以获得更新的用户画像数据；以及基于更新的用户画像数据，向所述用户的终端设备推送信息。在上述基于大数据的终端信息推荐方法中，对所述用户画像数据中的所述多个标签进行独热编码后再结合所述多个权重的维度以构成三维的输入张量，包括：对所述所述用户画像数据中的所述多个标签进行独热编码以获得编码标签矩阵；以及，将所述编码标签矩阵结合所述多个权重构成的向量，以获得所述三维的输入张量。在上述基于大数据的终端信息推荐方法中，以贝叶斯公式基于所述第一特征向量和所述第二特征向量更新所述初始特征图中各个位置的特征值，以获得更新特征图，包括：基于所述第一特征向量计算所述初始特征图中各个位置的第一后验概率；基于所述第二特征向量计算所述初始特征图中各个位置的第二后验概率；以及，计算所述初始特征图中各个位置的第一后验概率和第二后验概率之和，以获得所述初始特征图中各个位置的最终后验概率，以获得所述更新特征图。在上述基于大数据的终端信息推荐方法中，基于所述第一特征向量计算所述初始特征图中各个位置的第一后验概率，包括：以如下公式基于所述第一特征向量计算所述初始特征图中各个位置的第一后验概率，所述公式为：yi1＝∑xi∈F，ai∈Lxi*ai，其中，ai表示所述第一特征向量中各个位置的特征值，xi表示所述初始特征图中各个位置的特征值。在上述基于大数据的终端信息推荐方法中，基于所述第二特征向量计算所述初始特征图中各个位置的第二后验概率，包括：以如下公式基于所述第二特征向量计算所述初始特征图中各个位置的第二后验概率，所述公式为：yi2＝∑xi∈F，bj∈Kxi/bi，其中，bi表示所述第二特征向量中各个位置的特征值，xi表示所述初始特征图中各个位置的特征值。在上述基于大数据的终端信息推荐方法中，以贝叶斯公式基于所述第一特征向量和所述第二特征向量更新所述初始特征图中各个位置的特征值，以获得更新特征图，包括：以如下贝叶斯公式计算基于所述第一特征向量和所述第二特征向量更新所述初始特征图中各个位置的特征值，以获得更新特征图，所述贝叶斯公式为yi＝∑xi∈F，ai∈L，bj∈Kxi*ai/bi，其中，所述贝叶斯公式表示针对所述初始特征图中的每个特征值xi，分别与所述第一特征向量中的每个特征值ai和所述第二特征向量中的每个特征值bi计算后验概率，再将计算出的后验概率求和以获得所述特征值xi的更新后的值yi。在上述基于大数据的终端信息推荐方法中，将所述更新特征图输入生成器以通过所述生成器对所述更新特征图进行解卷积操作，以获得更新的用户画像数据，包括：所述生成器以所述卷积神经网络的卷积核参数对所述更新特征图进行解卷积操作，以获得所述更新的用户画像数据。在上述基于大数据的终端信息推荐方法中，所述用户反应数据包括用户对不同信息的响应时间、用户对不同信息的点击频率；所述推送信息数据包括信息的历史推送频率、信息重要性评分和信息的历史体验度评分。根据本申请的另一方面，提供了一种基于大数据的终端信息推荐系统，其包括：用户画像数据获取单元，用于获取用户画像数据，其中，所述用户画像数据包括多个标签及其相对应的多个权重；输入张量生成单元，用于对所述用户画像数据获取单元获得的所述用户画像数据中的所述多个标签进行独热编码后再结合所述多个权重的维度以构成三维的输入张量；相关数据获取单元，用于获取用户在信息本文档来自技高网...

【技术保护点】
1.一种基于大数据的终端信息推荐方法，其特征在于，包括：/n获取用户画像数据，其中，所述用户画像数据包括多个标签及其相对应的多个权重；/n对所述用户画像数据中的所述多个标签进行独热编码后再结合所述多个权重的维度以构成三维的输入张量；/n获取用户在信息浏览过程中产生的推送信息数据和用户反应数据；/n将所述推送信息数据和所述用户反应数据分别转化为第一输入向量和第二输入向量；/n将所述输入张量通过卷积神经网络以通过所述卷积神经网络提取出各个维度之间的关联信息，以获得初始特征图，其中，所述卷积神经网络的最后一层以Sigmoid函数进行激活以使得所述初始特征图中各个位置的特征值在0到1的区间内；/n将所述第一输入向量和所述第二输入向量分别输入由多个全连接层组成的编码器以通过所述编码器对所述第一输入向量和所述第二输入向量进行编码，以获得第一特征向量和第二特征向量，其中，所述编码器的最后一层以Sigmoid函数进行激活以使得所述第一特征向量和所述第二特征向量中各个位置的特征值在0到1的区间内；/n以贝叶斯公式基于所述第一特征向量和所述第二特征向量更新所述初始特征图中各个位置的特征值，以获得更新特征图，其中，所述贝叶斯公式为先分别所述初始特征图中各个位置的特征值与所述第一特征向量中各个位置的特征值的乘积以及所述初始特征图中各个位置的特征值与所述第二特征向量中各个位置的特征值的商再求和；/n将所述更新特征图输入生成器以通过所述生成器对所述更新特征图进行解卷积操作，以获得更新的用户画像数据；以及/n基于更新的用户画像数据，向所述用户的终端设备推送信息。/n...

【技术特征摘要】
1.一种基于大数据的终端信息推荐方法，其特征在于，包括：
获取用户画像数据，其中，所述用户画像数据包括多个标签及其相对应的多个权重；
对所述用户画像数据中的所述多个标签进行独热编码后再结合所述多个权重的维度以构成三维的输入张量；
获取用户在信息浏览过程中产生的推送信息数据和用户反应数据；
将所述推送信息数据和所述用户反应数据分别转化为第一输入向量和第二输入向量；
将所述输入张量通过卷积神经网络以通过所述卷积神经网络提取出各个维度之间的关联信息，以获得初始特征图，其中，所述卷积神经网络的最后一层以Sigmoid函数进行激活以使得所述初始特征图中各个位置的特征值在0到1的区间内；
将所述第一输入向量和所述第二输入向量分别输入由多个全连接层组成的编码器以通过所述编码器对所述第一输入向量和所述第二输入向量进行编码，以获得第一特征向量和第二特征向量，其中，所述编码器的最后一层以Sigmoid函数进行激活以使得所述第一特征向量和所述第二特征向量中各个位置的特征值在0到1的区间内；
以贝叶斯公式基于所述第一特征向量和所述第二特征向量更新所述初始特征图中各个位置的特征值，以获得更新特征图，其中，所述贝叶斯公式为先分别所述初始特征图中各个位置的特征值与所述第一特征向量中各个位置的特征值的乘积以及所述初始特征图中各个位置的特征值与所述第二特征向量中各个位置的特征值的商再求和；
将所述更新特征图输入生成器以通过所述生成器对所述更新特征图进行解卷积操作，以获得更新的用户画像数据；以及
基于更新的用户画像数据，向所述用户的终端设备推送信息。


2.根据权利要求1所述的基于大数据的终端信息推荐方法，其中，对所述用户画像数据中的所述多个标签进行独热编码后再结合所述多个权重的维度以构成三维的输入张量，包括：
对所述所述用户画像数据中的所述多个标签进行独热编码以获得编码标签矩阵；以及
将所述编码标签矩阵结合所述多个权重构成的向量，以获得所述三维的输入张量。


3.根据权利要求1所述的基于大数据的终端信息推荐方法，其中，以贝叶斯公式基于所述第一特征向量和所述第二特征向量更新所述初始特征图中各个位置的特征值，以获得更新特征图，包括：
基于所述第一特征向量计算所述初始特征图中各个位置的第一后验概率；
基于所述第二特征向量计算所述初始特征图中各个位置的第二后验概率；以及
计算所述初始特征图中各个位置的第一后验概率和第二后验概率之和，以获得所述初始特征图中各个位置的最终后验概率，以获得所述更新特征图。


4.根据权利要求3所述的基于大数据的终端信息推荐方法，其中，基于所述第一特征向量计算所述初始特征图中各个位置的第一后验概率，包括：
以如下公式基于所述第一特征向量计算所述初始特征图中各个位置的第一后验概率，所述公式为：yi1＝∑xi∈F，ai∈Lxi*ai，其中，ai表示所述第一特征向量中各个位置的特征值，xi表示所述初始特征图中各个位置的特征值。


5.根据权利要求4所述的基于大数据的终端信息推荐方法，其中，基于所述第二特征向量计算所述初始特征图中各个位置的第二后验概率，包括：
以如下公式基于所述第二特征向量计算所述初始特征图中各个位置的第二后验概率，所述公式为：yi2＝∑xi∈F，bj∈Kxi/bi，其中，bi表示所述第二特征向量中各个位置的特征值，xi表示所述初始特征图中各个位置的特征值。


6.根据权利要求1所述的基于大数据的终端信息推荐方法，其中，以贝叶斯公式基于所述第一特...

【专利技术属性】
技术研发人员：张海燕，
申请(专利权)人：杭州海贞科技有限公司，
类型：发明
国别省市：浙江;33