票务信息个性化推荐方法、装置及设备存储介质制造方法及图纸

本说明书涉及人工智能技术领域，提供了一种票务信息个性化推荐方法、装置及设备存储介质，该方法包括：获取票务系统的购票记录；从购票记录中提取用户属性信息、票据属性信息及交易关系信息，并分别将其进行向量化，对应获得用户属性向量、票据属性向量和交易关系向量；根据用户属性向量、票据属性向量和交易关系向量训练深度学习模型，获得票据兴趣预测模型；当接收到客户端发送的登录请求时，获取目标用户的用户属性信息及全量待推荐票据的票据属性信息，并将其输入至票据兴趣预测模型，以获得目标用户的兴趣票据；在登录请求通过登录验证后，向客户端推送兴趣票据。本说明书实施例可以降低用户查找兴趣活动节目的时间，提高票务系统使用体验。务系统使用体验。务系统使用体验。

【技术实现步骤摘要】
票务信息个性化推荐方法、装置及设备存储介质


[0001]本说明书涉及人工智能
，尤其是涉及一种票务信息个性化推荐方法、装置及设备存储介质。

技术介绍

[0002]目前的票务系统应用程序(即票务APP)界面基本是“千人一面”。换而言之，对于任何用户，票务APP所推荐的票务信息界面都是相同的。然而，不同的用户可能有不同的票务兴趣需求。例如，年轻人可能喜欢演唱会、球赛，中年人可能愿意陪孩子去看儿童剧，等等。如此，当用户从票务APP所展示的“千人一面”的票务信息中查找感兴趣的活动节目时，当可能需要花费较多的时间，体验较差。

技术实现思路

[0003]本说明书实施例的目的在于提供一种票务信息个性化推荐方法、装置及设备存储介质，以降低用户查找兴趣活动节目的时间，提高票务系统使用体验。
[0004]为达到上述目的，一方面，本说明书实施例提供了一种票务信息个性化推荐方法，包括：
[0005]获取票务系统的购票记录；
[0006]从所述购票记录中提取用户属性信息、票据属性信息及交易关系信息；
[0007]分别将所述用户属性信息、所述票据属性信息及所述交易关系信息进行向量化，对应获得用户属性向量、票据属性向量和交易关系向量；
[0008]根据所述用户属性向量、所述票据属性向量和所述交易关系向量训练深度学习模型，获得票据兴趣预测模型；
[0009]当接收到客户端发送的登录请求时，获取目标用户的用户属性信息及全量待推荐票据的票据属性信息，并将其输入至所述票据兴趣预测模型，以获得所述目标用户的兴趣票据；
[0010]在所述登录请求通过登录验证后，向所述客户端推送所述兴趣票据。
[0011]本说明书实施例的票务信息个性化推荐方法中，所述深度学习模型包括图卷积网络。
[0012]本说明书实施例的票务信息个性化推荐方法中，所述根据所述用户属性向量、所述票据属性向量和所述交易关系向量训练深度学习模型，获得票据兴趣预测模型，包括：
[0013]根据所述用户属性向量、所述票据属性向量和所述交易关系向量，构建用户与票据的区域邻接图；
[0014]根据所述区域邻接图训练图卷积网络，获得票据兴趣预测模型。
[0015]本说明书实施例的票务信息个性化推荐方法中，根据所述区域邻接图训练图卷积网络时所采用的损失函数包括：
[0016][0017]其中，L为损失值，u为用户，t1为与u有交易关系的票据，t2为与u无交易关系的票据，o为样本集，φ为系数，为t1与u有交易关系的预测概率，为t2与u有交易关系的预测概率，Θ为模型权值，R
+
为o中u与t1的集合，R
‑
为o中u与t2的集合。
[0018]本说明书实施例的票务信息个性化推荐方法中，向所述客户端推送所述兴趣票据，包括：
[0019]向所述客户端返回含有所述目标用户的兴趣票据的主页面。
[0020]本说明书实施例的票务信息个性化推荐方法中，所述主页面中的兴趣票据以分类形式展示。
[0021]另一方面，本说明书实施例还提供了一种票务信息个性化推荐装置，包括：
[0022]记录获取模块，用于获取票务系统的购票记录；
[0023]属性提取模块，用于从所述购票记录中提取用户属性信息、票据属性信息及交易关系信息；
[0024]向量化模块，用于分别将所述用户属性信息、所述票据属性信息及所述交易关系信息进行向量化，对应获得用户属性向量、票据属性向量和交易关系向量；
[0025]模型训练模块，用于根据所述用户属性向量、所述票据属性向量和所述交易关系向量训练深度学习模型，获得票据兴趣预测模型；
[0026]兴趣预测模块，用于当接收到客户端发送的登录请求时，获取目标用户的用户属性信息及全量待推荐票据的票据属性信息，并将其输入至所述票据兴趣预测模型，以获得所述目标用户的兴趣票据；
[0027]票据推送模块，用于在所述登录请求通过登录验证后，向所述客户端推送所述兴趣票据。
[0028]另一方面，本说明书实施例还提供了一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行上述方法的指令。
[0029]另一方面，本说明书实施例还提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述方法的指令。
[0030]另一方面，本说明书实施例还提供了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，所述计算机程序被计算机设备的处理器运行时，执行上述方法的指令。
[0031]由以上本说明书实施例提供的技术方案可见，本说明书实施例可以根据历史购票记录训练深度学习模型，得到票据兴趣预测模型，当用户登录，获取用户属性和全量待推荐票据的票据属性，并将其输入至票据兴趣预测模型，从而可以得到对应于该目标用户的兴趣票据，从而实现了票务信息个性化推荐，从而降低了用户查找兴趣票据的耗时，提高了票务系统的使用体验。
附图说明
[0032]为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
[0033]图1示出了本说明书一些实施例中票务系统的示意图；
[0034]图2示出了本说明书一些实施例中票务信息个性化推荐方法的流程图；
[0035]图3示出了本说明书一些实施例中票据兴趣预测模型的训练流程图；
[0036]图4示出了本说明书一些实施例中用户与票据的区域邻接图的示意图；
[0037]图5示出了本说明书一些实施例中票务信息个性化推荐装置的结构框图；
[0038]图6示出了本说明书一些实施例中计算机设备的结构框图。
[0039]【附图标记说明】
[0040]10、客户端；
[0041]20、票务推荐服务端；
[0042]30、数据库；
[0043]51、记录获取模块；
[0044]52、属性提取模块；
[0045]53、向量化模块；
[0046]54、模型训练模块；
[0047]55、兴趣预测模块；
[0048]56、票据推送模块；
[0049]602、计算机设备；
[0050]604、处理器；
[0051]606、存储器；
[0052]608、驱动机构；
[0053]610、输入/输出接口；
[0054]612、输入设备；
[0055]614、输出设备；
[0056]616、呈现设备；
[0057]618、图形用户接口；
[0058]620、网络接口；
[0059]622、通信链路；...

【技术保护点】

【技术特征摘要】
1.一种票务信息个性化推荐方法，其特征在于，包括：获取票务系统的购票记录；从所述购票记录中提取用户属性信息、票据属性信息及交易关系信息；分别将所述用户属性信息、所述票据属性信息及所述交易关系信息进行向量化，对应获得用户属性向量、票据属性向量和交易关系向量；根据所述用户属性向量、所述票据属性向量和所述交易关系向量训练深度学习模型，获得票据兴趣预测模型；当接收到客户端发送的登录请求时，获取目标用户的用户属性信息及全量待推荐票据的票据属性信息，并将其输入至所述票据兴趣预测模型，以获得所述目标用户的兴趣票据；在所述登录请求通过登录验证后，向所述客户端推送所述兴趣票据。2.如权利要求1所述的票务信息个性化推荐方法，其特征在于，所述深度学习模型包括图卷积网络。3.如权利要求2所述的票务信息个性化推荐方法，其特征在于，所述根据所述用户属性向量、所述票据属性向量和所述交易关系向量训练深度学习模型，获得票据兴趣预测模型，包括：根据所述用户属性向量、所述票据属性向量和所述交易关系向量，构建用户与票据的区域邻接图；根据所述区域邻接图训练图卷积网络，获得票据兴趣预测模型。4.如权利要求3所述的票务信息个性化推荐方法，其特征在于，根据所述区域邻接图训练图卷积网络时所采用的损失函数包括：其中，L为损失值，u为用户，t1为与u有交易关系的票据，t2为与u无交易关系的票据，o为样本集，φ为系数，为t1与u有交易关系的预测概率，为t2与u有交易关系的预测概率，Θ为模型权值，R
+
为o中u与t1的集合，R
‑
为o中u与t2的集合。5.如权利要求1所述的票务信息个性化推荐方法，其特征在于，向...

【专利技术属性】
技术研发人员：雷禹，杨创，祁江楠，袁玥，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：