本申请提供一种兴趣推荐方法、装置、电子设备、介质及程序产品，涉及金融科技领域，该方法包括：获取预设时间段内目标用户的历史行为数据，并基于所述历史行为数据获取所述目标用户的偏好传播信息；将偏好传播信息和预设事项特征向量输入至注意力机制神经网络模型中；基于所述注意力机制神经网络模型获取所述偏好传播信息对应的用户特征向量，并对所述用户特征向量和预设事项特征向量进行拼接，得到拼接特征向量；响应于所述拼接特征向量的预测结果，向所述目标用户推荐相关兴趣事项。本申请通过将用户偏好传播信息和事项输入至注意力神经网络中进行深度学习，能够有效提高政务平台事项推荐的准确率，为用户提供更具参考价值的推荐结果。的推荐结果。的推荐结果。
【技术实现步骤摘要】
兴趣推荐方法、装置、电子设备、介质及程序产品
[0001]本申请涉及金融科技领域，尤其涉及一种兴趣推荐方法、装置、电子设备、介质及程序产品。
技术介绍
[0002]随着互联网技术的不断发展，政务平台提出了一网通办的服务模式，即用户只需登陆平台即可以办理不同领域的事项。
[0003]目前的政务平台，可覆盖的事项达上千项，除政务类还包含生活服务、招聘考试等事项，极大地方便了用户，但同时也带来了相应的问题，如用户的信息需求是多样的、差异较大，而各政务信息比较独立、多源、异构，这无疑增加了用户通过平台办事的难度。
[0004]相关技术中，采用协调过滤算法为用户进行个性化推荐，在一定程度上降低了用户在政务平台的办事难度，但由于协调过滤算法对于用户数据稀疏和推荐系统冷启动处理能力有限，无法达到推荐场景的预期效果，推荐结果有时候并不能反映用户的实际意图，导致推荐的准确率较低。
技术实现思路
[0005]为解决上述问题，即解决政务平台事项推荐的准确率低的问题，本申请提供一种兴趣推荐方法、装置、电子设备、介质及程序产品。
[0006]为了实现上述目的，本申请提供如下技术方案：
[0007]根据本申请的一方面，提供一种兴趣推荐方法，包括：
[0008]获取预设时间段内目标用户的历史行为数据，并基于所述历史行为数据获取所述目标用户的偏好传播信息；
[0009]将所述偏好传播信息和预设事项特征向量输入至注意力机制神经网络模型中；
[0010]基于所述注意力机制神经网络模型获取所述偏好传播信息对应的用户特征向量，并对所述用户特征向量和预设事项特征向量进行拼接，得到拼接特征向量；
[0011]响应于所述拼接特征向量的预测结果，向所述目标用户推荐相关兴趣事项。
[0012]在一种实施方式中，所述基于所述历史行为数据获取所述目标用户的偏好传播信息，包括：
[0013]将所述历史行为数据转换为知识三元组形式，并基于经过数据转换的历史行为数据建立事项知识图谱；
[0014]基于所述事项知识图谱获取所述目标用户的偏好传播信息。
[0015]在一种实施方式中，所述将所述历史行为数据转换为知识三元组形式，包括：
[0016]获取事项类目字典表以及事项属性关系表，所述事项类目字典表携带各事项ID以及所属类目，所述事项属性关系表携带各事项之间的属性关系；
[0017]基于所述历史行为数据获取所述目标用户与所述事项类目字典表中各事项的交互次数；
[0018]基于所述目标用户与所述事项类目字典表中各事项的交互次数以及所述属性关系获取知识三元组形式对应的历史行为数据。
[0019]在一种实施方式中，基于所述事项知识图谱获取所述目标用户的偏好传播信息，包括：
[0020]在所述事项知识图谱中将所述目标用户感兴趣的特征集视为种子，沿所述事项知识图谱的链接延伸以形成多个波纹组，并基于所述波纹组寻找所有与其最短路径不超过预设数量个顶点的集合，作为知识三元组集合；
[0021]基于所述知识三元组集合获取所述目标用户的偏好传播信息。
[0022]在一种实施方式中，基于注意力机制神经网络模型获取所述偏好传播信息对应的用户特征向量，包括：
[0023]将所述偏好传播信息与预设事项特征向量迭代嵌入至注意力神经网络模型中，并在所述神经网络模型中基于所述知识三元组集合和所述预设事项特征向量获取用户特征向量。
[0024]在一种实施方式中，所述在所述神经网络模型中基于所述知识三元组和所述事项特征向量获取用户特征向量，包括：
[0025]在所述神经网络模型中获取所述知识三元组集合与所述预设事项特征向量的相关概率，并基于所述相关概率获取用户特征向量。
[0026]在一种实施方式中，所述在所述神经网络模型中获取所述知识三元组集合与所述预设事项特征向量的相关概率，包括：
[0027]在所述神经网络模型中基于各注意力网络层的所述知识三元组对应的节点与其邻域节点之间的注意力权重、各层注意力网络层的权重矩阵以及预设激活函数获取所述知识三元组集合与所述预设事项特征向量的相关概率。
[0028]在一种实施方式中，所述基于所述相关概率获取用户特征向量，包括：
[0029]基于所述相关概率获取用户在所述多个波纹组对应的各阶的用户特征向量，并基于各阶的用户特征向量获取最终的用户特征向量。
[0030]根据本申请的另一方面，提供一种兴趣推荐装置，包括：
[0031]数据获取模块，其设置为获取预设时间段内目标用户的历史行为数据；
[0032]偏好获取模块，其设置为基于所述历史行为数据获取所述目标用户的偏好传播信息；
[0033]输入模块，其设置为将所述偏好传播信息和预设事项特征向量输入至注意力机制神经网络模型中；
[0034]机器学习模块，其设置为基于所述注意力机制神经网络模型获取所述偏好传播信息对应的用户特征向量，并对所述用户特征向量和预设事项特征向量进行拼接，得到拼接特征向量；
[0035]兴趣推荐模块，其设置为响应于所述拼接特征向量的预测结果，向所述目标用户推荐相关兴趣事项。
[0036]根据本申请的又一方面，提供一种电子设备，包括：存储器和处理器；
[0037]所述存储器存储计算机执行指令；
[0038]所述处理器执行所述存储器存储的计算机执行指令，使得所述电子设备执行所述
的兴趣推荐方法。
[0039]根据本申请的再一方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现所述的兴趣推荐方法。
[0040]根据本申请的再一方面，提供一种计算机程序产品，所述计算机程序产品包括计算机程序代码，当所述计算机程序代码在计算机上运行时，使得计算机执行所述的兴趣推荐方法。
[0041]可以理解的，本申请实施例提供的兴趣推荐方法、装置、电子设备、介质及程序产品，通过获取预设时间段内目标用户的历史行为数据，并基于所述历史行为数据获取所述目标用户的偏好传播信息，然后将偏好传播信息和预设事项特征向量输入至注意力机制神经网络模型中，基于所述注意力机制神经网络模型获取所述偏好传播信息对应的用户特征向量，并对所述用户特征向量和预设事项特征向量进行拼接，得到拼接特征向量，响应于所述拼接特征向量的预测结果，向所述目标用户推荐相关兴趣事项。通过上述方法，考虑了用户的偏好传播信息和事项之间的关联关系，并将用户偏好传播信息和事项输入至注意力神经网络中进行深度学习，增强鲁棒性，对事项的推荐结果更加准确，在进行兴趣推荐时更能满足用户的实际需求。
附图说明
[0042]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0043]图1为本申请实施例提供的一种可能的场景示意图；
[0044]图2为本申请实施本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种兴趣推荐方法，其特征在于，包括：获取预设时间段内目标用户的历史行为数据，并基于所述历史行为数据获取所述目标用户的偏好传播信息；将所述偏好传播信息和预设事项特征向量输入至注意力机制神经网络模型中；基于所述注意力机制神经网络模型获取所述偏好传播信息对应的用户特征向量，并对所述用户特征向量和预设事项特征向量进行拼接，得到拼接特征向量；响应于所述拼接特征向量的预测结果，向所述目标用户推荐相关兴趣事项。2.根据权利要求1所述的方法，其特征在于，所述基于所述历史行为数据获取所述目标用户的偏好传播信息，包括：将所述历史行为数据转换为知识三元组形式，并基于经过数据转换的历史行为数据建立事项知识图谱；基于所述事项知识图谱获取所述目标用户的偏好传播信息。3.根据权利要求2所述的方法，其特征在于，所述将所述历史行为数据转换为知识三元组形式，包括：获取事项类目字典表以及事项属性关系表，所述事项类目字典表携带各事项ID以及所属类目，所述事项属性关系表携带各事项之间的属性关系；基于所述历史行为数据获取所述目标用户与所述事项类目字典表中各事项的交互次数；基于所述目标用户与所述事项类目字典表中各事项的交互次数以及所述属性关系获取知识三元组形式对应的历史行为数据。4.根据权利要求2所述的方法，其特征在于，所述基于所述事项知识图谱获取所述目标用户的偏好传播信息，包括：在所述事项知识图谱中将所述目标用户感兴趣的特征集视为种子，沿所述事项知识图谱的链接延伸以形成多个波纹组，并基于所述波纹组寻找所有与其最短路径不超过预设数量个顶点的集合，作为知识三元组集合；基于所述知识三元组集合获取所述目标用户的偏好传播信息。5.根据权利要求4所述的方法，其特征在于，基于注意力机制神经网络模型获取所述偏好传播信息对应的用户特征向量，包括：将所述偏好传播信息与预设事项特征向量迭代嵌入至注意力神经网络模型中，并在所述神经网络模型中基于所述知识三元组集合和所述预设事项特征向量获取用户特征向量。6.根据权利要求5所述的方法，其特征在于，所述在所述神经网络模型中基于所述知识三元组集合和所述事项特征向量获取用户特征向量...
【专利技术属性】
技术研发人员：王雅楠，
申请(专利权)人：工银科技有限公司，
类型：发明
国别省市：
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。