一种基于小样本数据的实时推荐方法和系统技术方案

本发明专利技术涉及一种基于小样本数据的实时推荐方法，所述方法提供实时学习，实时的范围t可以根据不同应用环境进行调整。具体来说，本发明专利技术基于历史时间段t

【技术实现步骤摘要】
一种基于小样本数据的实时推荐方法和系统


[0001]本专利技术涉及用户推荐
，尤其涉及一种基于小样本数据的实时推荐方法和系统。

技术介绍

[0002]随着信息化时代的快速发展，各种互联网产品在人们的日常生活中扮演着越来越重要的角色。例如通讯软件，电子商务平台以及线上教学平台等，可以实现远距离通讯，线上购物和线上学习，极大地便利了人们的生活。以线上学习为例，从早期的网上查阅学习资料，到现在的各大线上教育平台的普及，线上教学的重要性越来越明显，它为广大学生提供了更多的学习机会。尤其对于一些基础较差的学生，线上教育可以为他们提供巩固知识，锻炼解题思路的平台，从而使得学生能够提升自身的学习表现。那么，实现个性化教学就是线上教学技术一个重大需求。平台能够更好的实现因材施教，才会为学生提供最合适的帮助，才能达到共赢的目的。同样，对于一些其他线上推荐系统来说，个性化推荐也扮演着重要角色。对于线上推荐平台来说，实现个性化推荐的一个关键挑战在于用户行为的多少。原则上，获取到更多的用户的行为，可以实现更好的推荐。然而，值得注意的是，新用户在短期内产生的行为数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小样本数据的实时推荐方法，其特征在于，所述方法包含：步骤S1: 数据分割，具体为：对原始序列数据根据时间段t进行分割，分割后的数据元素中每个元素D中包含的数据均在一个时间跨度范围内；将数据元素分割成元素重叠的K元组，其中：K为预测模型中记忆神经元的个数；两个相邻的K元组中存在K
‑
1个重叠元素；两个相邻的第ti和ti+1的K元组分别为：(D
ti,
D
ti+1
…
D
ti+K
−1)和(D
ti+1
,D
ti+1
…
D
ti+K
)；其中：K值的设置和神经网络模型中神经元的数量相关；所述K为动态设置的，随着原始序列数据的数量增加K值；步骤S2:作数据向量化表示；具体的：将元组中的数据元素输入特征空间转化函数f(X)
→
풳
，获得一个维度变小的向量表示；步骤S3：预测模型的初始化；具体的：初始化权重文件，从第1个K元组开始，使用已有的K元组对预测模型进行初始化训练；步骤S4：预测模型的训练；收集随着时间增长的新时间段的数据，对初始化后的预测模型进行不断的更新学习；实时检测是否需要进行用户推荐，如果是，则进入步骤S5，否则，重复步骤S4；步骤S5：预测用户交互数据；输入当前时间段的数据，输入预测模型以预测生成下一时间段的数据；步骤S6，推荐阶段：基于所预测的用户交互数据进行实时推荐。2.根据权利要求1所述的基于小样本数据的实时推荐方法，其特征在于，时间段t包含的原始序列数据为S={s1,s2,s3,
…
,s
n
},s
i
表示为序列数据中第i个元素，n为序列数据的长度。3.根据权利要求2所述的基于小样本数据的实时推荐方法，其特征在于，原始序列数据中的每一个元素代表一次交互。4.根据权利要求3所述的基于小样本数据的实时推荐方法，其特征在于，原始序列数据采用one
‑
hot编码方式编码。5.根据权利要求4所述的基于小样本数据的实时推荐方法，其特征在于，一次交互元素包含m个属性。6.根据权利要求5所述的基于小样本数据...

【专利技术属性】
技术研发人员：张凯，马乐乐，杨光远，朱国立，王子璇，张梅玉，
申请(专利权)人：广东众聚人工智能科技有限公司，
类型：发明
国别省市：