一种基于用户画像的物品推荐方法和装置制造方法及图纸

本发明专利技术公开了基于用户画像的物品推荐方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括接收用户行为数据和用户属性信息，通过特征工程转换成待处理的用户行为数据和待处理的用户属性信息；获取当前标签计算任务，判断所述标签计算任务是否属于预测类任务，若是则调用预设的预测模型，若否则调用预设的统计规则模型；根据所述预测模型或所述统计规则模型，基于待处理的用户行为数据和待处理的用户属性信息得到用户画像，进而根据用户画像向该用户推送物品信息。从而，本发明专利技术的实施方式能够解决现有精准度低的用户画像所造成的营销活动效率不高的问题。成的营销活动效率不高的问题。成的营销活动效率不高的问题。

【技术实现步骤摘要】
一种基于用户画像的物品推荐方法和装置


[0001]本专利技术涉及计算机
，尤其涉及一种基于用户画像的物品推荐方法和装置。

技术介绍

[0002]用户画像是电商作营销活动，个性化推荐，基础数据服务等的关键。只有实时的获取精准用户画像标签，才能在最短的时间内，以最少的成本争抢到质量最优，最精准的用户群体，进而作各种营销推广等活动，促进获客、留客。其中，用户画像为注册成功的用户ID所包括的一系列数据信息(例如购物信息、个人信息等)，是一个虚拟的数据集合体。
[0003]在实现本专利技术过程中，专利技术人发现现有技术中至少存在如下问题：
[0004]针对用户画像建模来说，现有的技术方案通常是利用大数据平台来存储用户购物等数据，然后通过人工分析并建模的方式来分类用户群体数据。传统的用户画像需要有打标数据，但现实是大多画像标签的打标数据不好获得，或者获取成本非常大，或者准确度低甚至于被视为噪声数据，即传统的用户画像只能处理单一业务场景(具有标签数据)的用户数据。因此，基于传统方式处理后的用户画像，进行用户推荐的效率不高、精准度低，用户体验也不好。

技术实现思路

[0005]有鉴于此，本专利技术实施例提供一种基于用户画像的物品推荐方法和装置，能够解决现有精准度低的用户画像所造成的营销活动效率不高的问题。
[0006]为实现上述目的，根据本专利技术实施例的一个方面，提供了一种基于用户画像的物品推荐方法，包括接收用户行为数据和用户属性信息，通过特征工程转换成待处理的用户行为数据和待处理的用户属性信息；获取当前标签计算任务，判断所述标签计算任务是否属于预测类任务，若是则调用预设的预测模型，若否则调用预设的统计规则模型；根据所述预测模型或所述统计规则模型，基于待处理的用户行为数据和待处理的用户属性信息得到用户画像，进而根据用户画像向该用户推送物品信息。
[0007]可选地，接收用户行为数据，包括
[0008]根据预设的数据数量和数据格式，获取不同类目下的用户行为数据。
[0009]可选地，接收用户行为数据和用户属性信息之后，包括：
[0010]调用预处理模型，对用户行为数据和用户属性信息进行预处理。
[0011]可选地，根据所述预测模型，基于待处理的用户行为数据和待处理的用户属性信息得到用户画像，包括：
[0012]基于待处理的用户行为数据和待处理的用户属性信息，通过Actor网络梯度融合的DDPG算法模型计算得到用户画像。
[0013]可选地，所述Actor网络梯度融合的DDPG算法模型，包括：
[0014]将通过预设的监督学习模型计算得到的交叉熵损失值加入到DDPG算法的Actor
中，评估Actor的输出值。
[0015]可选地，根据所述统计规则模型，基于待处理的用户行为数据和待处理的用户属性信息得到用户画像，包括：
[0016]获取预设的深度强化学习模型和业务规则模型，通过待处理的用户行为数据和待处理的用户属性信息分别得到相应的第一用户画像和第二用户画像；
[0017]根据目标运营效果指标，确定第一用户画像和第二用户画像的权重，以将第一用户画像和第二用户画像融合得到最终用户画像。
[0018]可选地，包括：
[0019]所述的深度强化学习模型采用Actor-Critic算法。
[0020]另外，本专利技术还提供了一种基于用户画像的物品推荐装置，包括获取模块，用于接收用户行为数据和用户属性信息，通过特征工程转换成待处理的用户行为数据和待处理的用户属性信息；
[0021]处理模块，用于获取当前标签计算任务，判断所述标签计算任务是否属于预测类任务，若是则调用预设的预测模型，若否则调用预设的统计规则模型；根据所述预测模型或所述统计规则模型，基于待处理的用户行为数据和待处理的用户属性信息得到用户画像，进而根据用户画像向该用户推送物品信息。
[0022]上述专利技术中的一个实施例具有如下优点或有益效果：本专利技术针对不同特性的用户行为数据和用户属性信息，采用不同的任务处理方式，即支持不同场景的用户画像处理，支持场景包括：带打标数据标签，非打标数据以及业务规则统计计算类标签任务。并且，本专利技术能够利用深度强化学习，结合线上运营的真实数据实时训练用户画像的各类处理模型。更进一步地，本专利技术将监督学习和强化学习进行融合，从而能够在用户的生命周期里，用户画像处理在每次通过活动运营事实上会在下次以及下下次对用户的行为产生影响，即每次处理的结果间存在关联。
[0023]上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
[0024]附图用于更好地理解本专利技术，不构成对本专利技术的不当限定。其中：
[0025]图1是根据本专利技术第一实施例的基于用户画像的物品推荐方法的主要流程的示意图；
[0026]图2是根据本专利技术另一实施例的基于用户画像的物品推荐方法的主要流程的示意图；
[0027]图3是根据本专利技术实施例的基于用户画像的物品推荐装置的主要模块的示意图；
[0028]图4是本专利技术实施例可以应用于其中的示例性系统架构图；
[0029]图5是适于用来实现本专利技术实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
[0030]以下结合附图对本专利技术的示范性实施例做出说明，其中包括本专利技术实施例的各种
细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本专利技术的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0031]图1是根据本专利技术第一实施例的基于用户画像的物品推荐方法的主要流程的示意图，如图1所示，所述基于用户画像的物品推荐方法包括：
[0032]步骤S101，接收用户行为数据和用户属性信息，通过特征工程转换成待处理的用户行为数据和待处理的用户属性信息。
[0033]在一些实施例中，接收用户行为数据，包括：
[0034]根据预设的数据数量和数据格式，获取不同类目下的用户行为数据。例如：针对用户性别数据分析，首先需要分析用户性别预测涉及到的特征数据，用户在不同类目下的行为数据的完整性(即格式)、大小以及数量等，为后面分析挖掘做基础准备。
[0035]作为另一些实施例，接收用户行为数据和用户属性信息之后，可以调用预处理模型，对用户行为数据和用户属性信息进行预处理。例如：对用户行为数据和用户属性信息等进行初步预处理，包括缺失值、噪声、离群点、数据类型等处理，结合分析结果进行数据清理(包括缺失值、噪声和离群点处理等)、数据编码、数据变形(包括标准化、正则化、缩放等)等预处理操作。
[0036]值得说明的是，在步骤S101中所述的特征工程是对用户行为数据以及用户属性信息在不同类目下的记录经过变换、交叉、映射以及提取等操作加工成模型所需的数据的过程。
[0037]步骤S1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于用户画像的物品推荐方法，其特征在于，包括：接收用户行为数据和用户属性信息，通过特征工程转换成待处理的用户行为数据和待处理的用户属性信息；获取当前标签计算任务，判断所述标签计算任务是否属于预测类任务，若是则调用预设的预测模型，若否则调用预设的统计规则模型；根据所述预测模型或所述统计规则模型，基于待处理的用户行为数据和待处理的用户属性信息得到用户画像，进而根据用户画像向该用户推送物品信息。2.根据权利要求1所述的方法，其特征在于，接收用户行为数据，包括：根据预设的数据数量和数据格式，获取不同类目下的用户行为数据。3.根据权利要求1所述的方法，其特征在于，接收用户行为数据和用户属性信息之后，包括：调用预处理模型，对用户行为数据和用户属性信息进行预处理。4.据权利要求1所述的方法，其特征在于，根据所述预测模型，基于待处理的用户行为数据和待处理的用户属性信息得到用户画像，包括：基于待处理的用户行为数据和待处理的用户属性信息，通过Actor网络梯度融合的DDPG算法模型计算得到用户画像。5.根据权利要求4所述的方法，其特征在于，所述Actor网络梯度融合的DDPG算法模型，包括：将通过预设的监督学习模型计算得到的交叉熵损失值加入到DDPG算法的Actor中，评估Actor的输出值。6.根据权利要求1所述的方法，其特征在于，根据所述统计规则模型，基于待处理的...

【专利技术属性】
技术研发人员：陈伯梁，
申请(专利权)人：北京京东世纪贸易有限公司，
类型：发明
国别省市：