项目推荐方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及人工智能及数字医疗，提供一种项目推荐方法、装置、设备及存储介质。该方法基于初始用户对初始项目的交互信息生成交互矩阵，基于交互矩阵生成用户游走序列及项目游走序列，将用户游走序列输入至用户表征模型，得到用户表征向量，基于项目表征模型对项目游走序列进行处理，得到项目表征向量，基于所述目标用户的多维度信息生成用户上下文向量，基于每个初始项目的多维度特征生成项目上下文向量，基于项目表征向量及项目上下文向量生成感兴趣项目向量，基于用户上下文向量、用户表征向量及感兴趣项目向量能够准确的生成目标项目。此外，本发明专利技术还涉及区块链技术，所述目标项目可存储于区块链中。目可存储于区块链中。目可存储于区块链中。

【技术实现步骤摘要】
项目推荐方法、装置、设备及存储介质


[0001]本专利技术涉及人工智能及数字医疗
，尤其涉及一种项目推荐方法、装置、设备及存储介质。

技术介绍

[0002]在金融科技领域中，电商模式越来越普及，随着人工智能的发展，基于用户喜好向用户主动推荐项目产品成了主流方向。然而，在目前的项目推荐方案中，通常基于用户的静态特征对用户进行分析，而随着时间的推移，用户的数据也会产生一定的变化，导致无法准确的分析出用户的喜好方向，从而造成无法准确的推荐项目产品。

技术实现思路

[0003]鉴于以上内容，有必要提供一种项目推荐方法、装置、设备及存储介质，能够解决如何提高推荐项目的生成准确性的技术问题。
[0004]一方面，本专利技术提出一种项目推荐方法，所述项目推荐方法包括：
[0005]基于初始用户对多个初始项目的交互信息生成交互矩阵，所述初始用户包括目标用户；
[0006]基于所述交互矩阵生成每个初始用户的用户游走序列，并基于所述交互矩阵生成每个初始项目的项目游走序列；
[0007]将所述用户游走序列输入至预先训练完成的用户表征模型，得到用户表征向量，并基于预先训练完成的项目表征模型对所述项目游走序列进行处理，得到项目表征向量；
[0008]基于所述目标用户的多维度信息生成用户上下文向量，并基于每个初始项目的多维度特征生成项目上下文向量；
[0009]基于所述项目表征向量及所述项目上下文向量生成所述目标用户的感兴趣项目向量；
[0010]基于所述用户上下文向量、所述用户表征向量及所述感兴趣项目向量生成所述目标用户的目标项目。
[0011]根据本专利技术优选实施例，所述基于所述交互矩阵生成每个初始用户的用户游走序列包括：
[0012]根据所述交互矩阵构建用户图谱，所述用户图谱中包括多个所述初始用户的用户节点；
[0013]以任一用户节点为起点，根据所述任一用户节点与其余用户节点在所述用户图谱中的节点距离及所述交互矩阵，计算所述任一用户节点游走至所述其余用户节点的游走概率；
[0014]比较取值最大的游走概率与预设概率阈值的大小；
[0015]若所述取值最大的游走概率大于或者等于所述预设概率阈值，则将所述取值最大的游走概率所对应的其余用户节点作为所述任一用户节点的下一游走节点，得到初始用户
序列；
[0016]当所述初始用户序列中的节点数量大于或者等于预设数量时，将所述初始用户序列确定为所述用户游走序列。
[0017]根据本专利技术优选实施例，所述根据所述任一用户节点与其余用户节点在所述用户图谱中的节点距离及所述交互矩阵，计算所述任一用户节点游走至所述其余用户节点的游走概率包括：
[0018]从所述交互矩阵中提取与所述任一用户节点对应的第一向量及与所述其余用户节点对应的第二向量；
[0019]根据所述第一向量及所述第二向量计算所述任一用户节点与所述其余用户节点的用户相似度；
[0020]根据所述节点距离及所述用户相似度计算所述游走概率，所述游走概率的计算公式：
[0021][0022]其中，表示所述游走概率，表示所述用户相似度，d表示所述节点距离，p>0，q>0。
[0023]根据本专利技术优选实施例，在将所述用户游走序列输入至预先训练完成的用户表征模型，得到用户表征向量之前，所述方法还包括：
[0024]将多个所述用户游走序列输入至预先构建的学习网络中，得到每个用户游走序列的预测向量及预测偏置；
[0025]根据所述预测向量、所述预测偏置及任意两个用户节点在多个所述用户游走序列中的同现次数，计算所述任意两个用户节点的同现损失值；
[0026]计算多个所述同现损失值的总和，得到总损失值；
[0027]调整所述学习网络，直至所述总损失值收敛，得到所述用户表征模型。
[0028]根据本专利技术优选实施例，所述多维度信息包括所述目标用户的离散信息、连续信息、文本信息及图像信息，所述基于所述目标用户的多维度信息生成用户上下文向量包括：
[0029]对所述离散信息进行向量编码，得到离散特征；
[0030]对所述连续信息进行归一化处理，得到连续特征；
[0031]对所述文本信息进行特征抽取，得到文本特征；
[0032]对所述图像信息进行卷积处理，得到图像特征；
[0033]对所述离散特征、所述连续特征、所述文本特征及所述图像特征进行特征交互处理，得到所述用户上下文向量，所述用户上下文向量的计算公式为：
[0034][0035]其中，e
c
表示所述用户上下文向量，L表示所述离散特征、所述连续特征、所述文本特征及所述图像特征中的特征总数量，x
i
及x
i
′
分别表示所述离散特征、所述连续特征、所述
文本特征及所述图像特征中的任一特征，及分别表示所述任一特征的转置权重，b
i
及b
i
′
分别表示所述任一特征的偏置。
[0036]根据本专利技术优选实施例，所述基于所述项目表征向量及所述项目上下文向量生成所述目标用户的感兴趣项目向量包括：
[0037]基于所述交互信息，从所述多个初始项目中选取所述目标用户的第一交互项目；
[0038]根据所述用户表征向量识别出所述目标用户的相似用户；
[0039]将所述第一交互项目的项目表征向量及所述第一交互项目的项目上下文向量进行向量融合，得到第一融合特征；
[0040]将所述相似用户的第二交互项目中的项目表征向量及所述第二交互项目的项目上下文向量进行向量融合，得到第二融合特征；
[0041]对所述第一融合特征及所述第二融合特征进行交互处理，得到所述感兴趣项目向量。
[0042]根据本专利技术优选实施例，所述基于所述用户上下文向量、所述用户表征向量及所述感兴趣项目向量生成所述目标用户的目标项目包括：
[0043]对所述用户上下文向量、所述用户表征向量及所述感兴趣项目向量进行交互处理，得到交互特征；
[0044]对所述交互特征进行注意力分析，得到注意力特征；
[0045]对所述注意力特征进行分类预测处理，得到所述目标项目。
[0046]另一方面，本专利技术还提出一种项目推荐装置，所述项目推荐装置包括：
[0047]生成单元，用于基于初始用户对多个初始项目的交互信息生成交互矩阵，所述初始用户包括目标用户；
[0048]所述生成单元，还用于基于所述交互矩阵生成每个初始用户的用户游走序列，并基于所述交互矩阵生成每个初始项目的项目游走序列；
[0049]输入单元，用于将所述用户游走序列输入至预先训练完成的用户表征模型，得到用户表征向量，并基于预先训练完成的项目表征模型对所述项目游走序列进行处理，得到项目表征向量；
[0050]所述生成单元，还用于基于所述目标用户的多维度信息生成用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种项目推荐方法，其特征在于，所述项目推荐方法包括：基于初始用户对多个初始项目的交互信息生成交互矩阵，所述初始用户包括目标用户；基于所述交互矩阵生成每个初始用户的用户游走序列，并基于所述交互矩阵生成每个初始项目的项目游走序列；将所述用户游走序列输入至预先训练完成的用户表征模型，得到用户表征向量，并基于预先训练完成的项目表征模型对所述项目游走序列进行处理，得到项目表征向量；基于所述目标用户的多维度信息生成用户上下文向量，并基于每个初始项目的多维度特征生成项目上下文向量；基于所述项目表征向量及所述项目上下文向量生成所述目标用户的感兴趣项目向量；基于所述用户上下文向量、所述用户表征向量及所述感兴趣项目向量生成所述目标用户的目标项目。2.如权利要求1所述的项目推荐方法，其特征在于，所述基于所述交互矩阵生成每个初始用户的用户游走序列包括：根据所述交互矩阵构建用户图谱，所述用户图谱中包括多个所述初始用户的用户节点；以任一用户节点为起点，根据所述任一用户节点与其余用户节点在所述用户图谱中的节点距离及所述交互矩阵，计算所述任一用户节点游走至所述其余用户节点的游走概率；比较取值最大的游走概率与预设概率阈值的大小；若所述取值最大的游走概率大于或者等于所述预设概率阈值，则将所述取值最大的游走概率所对应的其余用户节点作为所述任一用户节点的下一游走节点，得到初始用户序列；当所述初始用户序列中的节点数量大于或者等于预设数量时，将所述初始用户序列确定为所述用户游走序列。3.如权利要求2所述的项目推荐方法，其特征在于，所述根据所述任一用户节点与其余用户节点在所述用户图谱中的节点距离及所述交互矩阵，计算所述任一用户节点游走至所述其余用户节点的游走概率包括：从所述交互矩阵中提取与所述任一用户节点对应的第一向量及与所述其余用户节点对应的第二向量；根据所述第一向量及所述第二向量计算所述任一用户节点与所述其余用户节点的用户相似度；根据所述节点距离及所述用户相似度计算所述游走概率，所述游走概率的计算公式：其中，表示所述游走概率，表示所述用户相似度，d表示所述节点距离，p>0，q>0。
4.如权利要求1所述的项目推荐方法，其特征在于，在将所述用户游走序列输入至预先训练完成的用户表征模型，得到用户表征向量之前，所述方法还包括：将多个所述用户游走序列输入至预先构建的学习网络中，得到每个用户游走序列的预测向量及预测偏置；根据所述预测向量、所述预测偏置及任意两个用户节点在多个所述用户游走序列中的同现次数，计算所述任意两个用户节点的同现损失值；计算多个所述同现损失值的总和，得到总损失值；调整所述学习网络，直至所述总损失值收敛，得到所述用户表征模型。5.如权利要求1所述的项目推荐方法，其特征在于，所述多维度信息包括所述目标用户的离散信息、连续信息、文本信息及图像信息，所述基于所述目标用户的多维度信息生成用户上下文向量包括：对所述离散信息进行向量编码，得到离散特征；对所述连续信息进行归一化处理，得到连续特征；对所述文本信息进行特征抽取，得到文本特征；对所述图像信...

【专利技术属性】
技术研发人员：袁定强，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：