推荐对象的确定方法、装置及计算机可读存储介质制造方法及图纸

本申请公开了一种推荐对象的确定方法、装置及计算机可读存储介质，涉及人工智能领域。其中，该方法包括：获取目标用户的用户特征数据，其中，目标用户的用户特征数据至少表征目标用户的身份特征；基于第一模型对目标用户的用户特征数据进行向量转换，得到用户特征向量；将用户特征向量输入至向量检索引擎中，得到对象清单；将对象清单上的对象确定为推荐对象，并将推荐对象的对象信息发送至目标用户所对应的终端设备中。本申请解决了现有技术中为用户确定推荐对象时存在的确定效率低的技术问题。问题。问题。

【技术实现步骤摘要】
推荐对象的确定方法、装置及计算机可读存储介质


[0001]本申请涉及人工智能领域，具体而言，涉及一种推荐对象的确定方法、装置及计算机可读存储介质。

技术介绍

[0002]在商品营销场景中，如何根据用户的偏好为用户推荐商品，是提高商品营销成功率的关键。
[0003]其中，现有技术通过采用的是基于SQL(structured query language，结构化查询语言)协同过滤方法检索商品的方式为用户推荐商品，但是这种方式需要在数据库中遍历每个商品与每个用户之间的购买关系，然后再收集用户偏好，进而找到与目标用户偏好最相似的用户，并将用户购买过的商品推荐给目标用户。在商品数据和用户数据较多时，数据库的遍历和检索过程会消耗大量的时长，从而导致在确定推荐商品时存在确定效率较低的问题。
[0004]针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

[0005]本申请实施例提供了一种推荐对象的确定方法、装置及计算机可读存储介质，以至少解决现有技术中为用户确定推荐对象时存在的确定效率低的技术问题。
[0006]根据本申请实施例的一个方面，提供了一种推荐对象的确定方法，包括：获取目标用户的用户特征数据，其中，目标用户的用户特征数据至少表征目标用户的身份特征；基于第一模型对目标用户的用户特征数据进行向量转换，得到用户特征向量；将用户特征向量输入至向量检索引擎中，得到对象清单，其中，对象清单上记录有至少一个对象的对象信息，向量检索引擎中部署有索引文件，索引文件至少包括目标用户特征向量，目标用户特征向量与对象信息相对应，并且目标用户特征向量与用户特征向量的相似度大于预设阈值；将对象清单上的对象确定为推荐对象，并将推荐对象的对象信息发送至目标用户所对应的终端设备中。
[0007]进一步地，第一模型通过以下过程训练得到：获取历史时间段内的历史用户特征数据、对象数据以及交易标签数据，其中，对象数据为在历史时间段内能够被交易的对象的对象信息，交易标签数据用于表征在历史时间段内对象数据中每个对象所对应的购买记录，历史用户特征数据为在历史时间段内浏览过对象数据中的对象的用户的用户特征信息；根据历史用户特征数据、对象数据以及交易标签数据构建至少一个训练数据，其中，每个训练数据由正样本和负样本组成，正样本包含用户在历史时间段内所购买过的对象，负样本包含用户在历史时间段内未购买过的对象；根据至少一个训练数据分别对预设的第一神经网络及预设的第二神经网络进行训练，得到第一模型以及第二模型，其中，第二模型用于将对象数据转换为生成索引文件所需的对象特征向量。
[0008]进一步地，推荐对象的确定方法还包括：在根据至少一个训练数据分别对预设的
第一神经网络及预设的第二神经网络进行训练，得到第一模型以及第二模型之前，获取历史用户特征数据中的数值型用户数据以及字符型用户数据，其中，数值型用户数据为历史用户特征数据中表现形式为数值形式的数据，字符型用户数据为历史用户特征数据中表现形式为非数值形式的数据；对数值型用户数据以及字符型用户数据进行预处理，得到第一数值型数据以及第一字符型数据，其中，第一数值型数据中至少包含历史用户特征数据中数值型特征的数量，第一字符型数据中至少包含历史用户特征数据中字符型特征的数量，第一数值型数据和第一字符型数据的表现形式为三维向量。
[0009]进一步地，推荐对象的确定方法还包括：在根据至少一个训练数据分别对预设的第一神经网络及预设的第二神经网络进行训练，得到第一模型以及第二模型之前，获取对象数据中的数值型对象数据以及字符型对象数据，其中，数值型对象数据为对象数据中表现形式为数值形式的数据，字符型对象数据为对象数据中表现形式为非数值形式的数据；对数值型对象数据以及字符型对象数据进行预处理，得到第二数值型数据以及第二字符型数据，其中，第二数值型数据中至少包含样本总数量以及对象数据中数值型特征的数量，第二字符型数据中至少包含样本总数量以及对象数据中字符型特征的数量，样本总数量为至少一个训练数据中正样本数量与负样本数量之和，第二数值型数据和第二字符型数据的表现形式为三维向量。
[0010]进一步地，推荐对象的确定方法还包括：根据第一数值型数据和第一字符型数据确定第一目标张量，其中，第一目标张量表征历史用户特征数据中每个历史用户的用户特征；根据第二数值型数据和第二字符型数据确定第二目标张量，其中，其中，第一目标张量表征对象数据中每个对象的对象特征；确定第一目标张量与第二目标张量之间的相似度；根据相似度、第一目标张量以及第二目标张量确定目标损失函数；根据第一目标张量、第二目标张量以及目标损失函数分别对第一神经网络以及第二神经网络进行迭代，得到第一模型以及第二模型。
[0011]进一步地，推荐对象的确定方法还包括：根据历史用户特征数据中数值型特征的数量对第一数值型数据进行向量维度的扩充，得到第一张量，其中，第一张量包含四个维度的向量；根据历史用户特征数据中字符型特征的种类数量对第一字符型数据进行向量维度的扩充，得到第二张量，其中，第二张量包含四个维度的向量；根据历史用户特征数据中字符型特征的数量以及历史用户特征数据中数值型特征的数量，对第一张量与第二张量进行叠加，得到第三张量；对第三张量进行线性变换，并基于第一神经网络上预设的函数对变换后的第三张量进行加权计算，得到第一目标张量。
[0012]进一步地，推荐对象的确定方法还包括：根据对象数据中数值型特征的数量对第二数值型数据进行向量维度的扩充，得到第四张量，其中，第四张量包含四个维度的向量；根据对象数据中字符型特征的种类数量对第二字符型数据进行向量维度的扩充，得到第五张量，其中，第五张量包含四个维度的向量；根据对象数据中字符型特征的数量以及对象数据中数值型特征的数量，对第四张量与第五张量进行叠加，得到第六张量；对第六张量进行线性变换，并基于第二神经网络上预设的函数对变换后的第六张量进行加权计算，得到第二目标张量。
[0013]进一步地，推荐对象的确定方法还包括：在根据至少一个训练数据训练得到第一模型以及第二模型之后，将对象数据输入至第二模型中，得到对象特征向量；将对象特征向
量输入至向量检索引擎中，得到索引文件，并将索引文件存储在向量检索引擎中。
[0014]根据本申请实施例的另一方面，还提供了一种推荐对象的确定装置，包括：获取模块，用于获取目标用户的用户特征数据，其中，目标用户的用户特征数据至少表征目标用户的身份特征；向量转换模块，用于基于第一模型对目标用户的用户特征数据进行向量转换，得到用户特征向量；输入模块，用于将用户特征向量输入至向量检索引擎中，得到对象清单，其中，对象清单上记录有至少一个对象的对象信息，向量检索引擎中部署有索引文件，索引文件至少包括目标用户特征向量，目标用户特征向量与对象信息相对应，并且目标用户特征向量与用户特征向量的相似度大于预设阈值；确定模块，用于将对象清单上的对象确定为推荐对象，并将推荐对象的对象信息发送至目标用户所对应的终端设备中。
[0015]根据本申请实施例的另一方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种推荐对象的确定方法，其特征在于，包括：获取目标用户的用户特征数据，其中，所述目标用户的用户特征数据至少表征所述目标用户的身份特征；基于第一模型对所述目标用户的用户特征数据进行向量转换，得到用户特征向量；将所述用户特征向量输入至向量检索引擎中，得到对象清单，其中，所述对象清单上记录有至少一个对象的对象信息，所述向量检索引擎中部署有索引文件，所述索引文件至少包括目标用户特征向量，所述目标用户特征向量与所述对象信息相对应，并且所述目标用户特征向量与所述用户特征向量的相似度大于预设阈值；将所述对象清单上的对象确定为推荐对象，并将所述推荐对象的对象信息发送至所述目标用户所对应的终端设备中。2.根据权利要求1所述的方法，其特征在于，所述第一模型通过以下过程训练得到：获取历史时间段内的历史用户特征数据、对象数据以及交易标签数据，其中，所述对象数据为在所述历史时间段内能够被交易的对象的对象信息，所述交易标签数据用于表征在所述历史时间段内所述对象数据中每个对象所对应的购买记录，所述历史用户特征数据为在所述历史时间段内浏览过所述对象数据中的对象的用户的用户特征信息；根据所述历史用户特征数据、所述对象数据以及所述交易标签数据构建至少一个训练数据，其中，每个训练数据由正样本和负样本组成，所述正样本包含所述用户在所述历史时间段内所购买过的对象，所述负样本包含所述用户在所述历史时间段内未购买过的对象；根据所述至少一个训练数据分别对预设的第一神经网络及预设的第二神经网络进行训练，得到所述第一模型以及第二模型，其中，所述第二模型用于将所述对象数据转换为生成所述索引文件所需的对象特征向量。3.根据权利要求2所述的方法，其特征在于，在根据所述至少一个训练数据分别对预设的第一神经网络及预设的第二神经网络进行训练，得到所述第一模型以及第二模型之前，所述方法还包括：获取所述历史用户特征数据中的数值型用户数据以及字符型用户数据，其中，所述数值型用户数据为所述历史用户特征数据中表现形式为数值形式的数据，所述字符型用户数据为所述历史用户特征数据中表现形式为非数值形式的数据；对所述数值型用户数据以及所述字符型用户数据进行预处理，得到第一数值型数据以及第一字符型数据，其中，所述第一数值型数据中至少包含所述历史用户特征数据中数值型特征的数量，所述第一字符型数据中至少包含所述历史用户特征数据中字符型特征的数量，所述第一数值型数据和所述第一字符型数据的表现形式为三维向量。4.根据权利要求3所述的方法，其特征在于，在根据所述至少一个训练数据分别对预设的第一神经网络及预设的第二神经网络进行训练，得到所述第一模型以及第二模型之前，所述方法还包括：获取所述对象数据中的数值型对象数据以及字符型对象数据，其中，所述数值型对象数据为所述对象数据中表现形式为数值形式的数据，所述字符型对象数据为所述对象数据中表现形式为非数值形式的数据；对所述数值型对象数据以及所述字符型对象数据进行预处理，得到第二数值型数据以及第二字符型数据，其中，所述第二数值型数据中至少包含样本总数量以及所述对象数据
中数值型特征的数量，所述第二字符型数据中至少包含所述样本总数量以及所述对象数据中字符型特征的数量，所述样本总数量为所述至少一个训练数据中正样本数量与负样本数量之和，所述第二数值型数据和所述第二字符型数据的表现形式为三维向量。5.根据权利要求4所述的方法，其特征在于，根据所述至少一个训练数据分别对预设的第一神经网络及预设的第二神经网络进行训练，得到所述第一模型以及第二模型，包括：根据所述第一数值型数据和所述第一字符型数据确定第一目标张量，其中，所述第一目标张量表征所述历史用户特征数...

【专利技术属性】
技术研发人员：卢健，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：