目标对象的特征识别和数据推荐方法、装置及存储介质制造方法及图纸

目标对象的特征识别方法和数据推荐方法、装置、电子设备及存储介质，涉及互联网和人工智能。目标对象的特征识别方法包括：获取包括目标对象的多个操作行为的数值表达且用于表征操作行为所涉及的推荐客体的行为序列，通过各个操作行为与目标推荐客体的所属类目的相关性以及操作行为的数值表达与目标推荐客体的数值表达之间的相关性来计算操作行为与目标推荐客体的相关性，并据以从行为序列中选出与目标推荐客体相关性满足预设条件的操作行为；并在此基础上计算目标对象对各个推荐客体的感兴趣程度和获取目标对象的特征。实现了自动筛选出与目标推荐客体相关度高的行为用于特征识别和数据推荐。可减少特征识别和数据推荐的计算量并提升了效果。荐的计算量并提升了效果。荐的计算量并提升了效果。

【技术实现步骤摘要】
目标对象的特征识别和数据推荐方法、装置及存储介质


[0001]本申请涉及互联网和人工智能
，具体而言，本申请涉及一种 目标对象的特征识别方法和数据推荐方法、装置、电子设备、计算机可读 存储介质及计算机程序产品。

技术介绍

[0002]在互联网应用中，平台在向目标对象主动展示商品或者视频、图片等 的应用场景下，为了使展示的内容更好地转化为目标对象有效的操作，例 如被目标对象点击或者收藏等，需要根据目标对象的特点和兴趣进行个性 化的展示，这一过程涉及的相关技术也被统称为数据推荐算法。而了解目 标对象的特点和兴趣的途径之一是根据目标对象的历史行为来识别出目 标对象的特点和兴趣所在。
[0003]相关技术中，采用人工神经网络模型，通过根据目标对象的已有行为 的记录，最终获得目标对象特点和兴趣的数字化表达，以及根据目标对象 的特点和兴趣的数字化表达与目标商品或视频、图片等的数字化表达的相 关性，来预测目标对象最可能点击或者收藏的单品向目标对象推荐。
[0004]其中，对于目标对象的已有行为的记录的使用，主要有两种方式：一 种是采用目标对象最近时间范围内的指定次数行为作为训练数据和进行 行为预测，这种方式下，训练数据只能反映目标对象近期的特征，而丢失 了历史信息；另一种方式是根据目标对象在较长时间内的所有历史行为进 行模型训练和兴趣预测，这种方式下，用于全部历史行为通常包括超长行 为序列，给数据处理带来很大困难，且其中包含较多的噪声信息，也不利 于对目标对象的特点和兴趣做出准确的预测。

技术实现思路

[0005]本申请实施例的目的旨在一定程度上解决上述技术问题中的至少一 个方面，提供对行为序列进行自动筛选并根据筛选后的行为序列进行目标 对象的特征识别和数据推荐的技术方案。
[0006]根据本申请实施例的第一方面，提供了一种目标对象的特征识别方法， 该方法包括：
[0007]获取目标对象的行为序列的数值表达，其中，行为序列的数值表达包 括目标对象的多个操作行为的数值表达，操作行为的数值表达用于表征操 作行为所涉及的推荐客体；
[0008]对于推荐客体构成的客体数据集合中的多个目标推荐客体，根据行为 序列的数值表达，分别获取目标对象对每个目标推荐客体的相对感兴趣程 度；
[0009]根据目标对象对每个目标推荐客体的相对感兴趣程度获取目标对象 的特征；
[0010]其中，获取目标对象对每个目标推荐客体的相对感兴趣程度，具体包 括：
[0011]根据行为序列的数值表达，计算行为序列中的各个操作行为与目标推 荐客体的相关性，具体包括：计算操作行为所属的类目与目标推荐客体所 属的类目的相关性作为第一分量，以及，计算操作行为的数值表达与目标 推荐客体的数值表达之间的相关性作为第
二分量，根据第一分量与第二分 量获取述行为序列中的各个操作行为与目标推荐客体的相关性；
[0012]根据行为序列中的各个操作行为与目标推荐客体的相关性，从行为序 列中筛选出与目标推荐客体相关性满足预设条件的操作行为作为参考行 为序列；
[0013]根据参考行为序列，获取目标对象对目标推荐客体的相对感兴趣程度。
[0014]根据本申请实施例的第二方面，提供了一种数据推荐方法，该方法包 括：
[0015]获取包括多个推荐客体的推荐客体数据集合；
[0016]获取目标对象的历史行为序列；
[0017]根据本申请第一方面的目标对象的特征识别方法，根据目标对象的历 史行为序列获取目标对象的特征，其中目标对象的特征用于描述目标对象 对于推荐客体数据集合中的推荐客体的相对感兴趣程度；
[0018]根据目标对象的特征从推荐客体数据集合中选择一个或多个推荐客 体向目标对象进行数据推荐。
[0019]根据本申请实施例的第三方面，提供了一种目标对象的特征识别装置， 该装置包括：
[0020]行为序列获取模块，用于获取目标对象的行为序列的数值表达，其中， 行为序列的数值表达包括目标对象的多个操作行为的数值表达，操作行为 的数值表达用于表征操作行为所涉及的推荐客体；
[0021]兴趣识别模块，用于获取目标对象对目标推荐客体的相对感兴趣程度； 兴趣识别模块具体包括：
[0022]相关性计算单元，用于根据行为序列的数值表达，计算行为序列中的 各个操作行为与目标推荐客体的相关性，具体包括：计算操作行为所属的 类目与目标推荐客体所属的类目的相关性作为第一分量，以及，计算操作 行为的数值表达与目标推荐客体的数值表达之间的相关性作为第二分量， 根据第一分量与第二分量获取述行为序列中的各个操作行为与目标推荐 客体的相关性；
[0023]操作行为筛选单元，用于根据行为序列中的各个操作行为与目标推荐 客体的相关性，从行为序列中筛选出与目标推荐客体相关性满足预设条件 的操作行为作为参考行为序列；
[0024]兴趣估计单元，用于根据参考行为序列，获取目标对象对目标推荐客 体的相对感兴趣程度；以及
[0025]特征识别模块，用于根据目标对象对每个目标推荐客体的相对感兴趣 程度获取目标对象的特征。
[0026]根据本申请实施例的第四方面，提供了一种数据推荐装置，该装置包 括：
[0027]历史行为序列获取模块，用于获取目标对象的历史行为序列；
[0028]推荐客体集合获取模块，用于获取包括多个推荐客体的推荐客体数据 集合；
[0029]特征识别模块，用于根据本申请第一方面实施例的目标对象的特征识 别方法获取目标对象的特征，其中目标对象的特征用于描述目标对象对于 推荐客体数据集合中的推荐客体的相对感兴趣程度；以及
[0030]数据推荐模块，根据所述目标对象的特征从所述推荐客体数据集合中 选择一个
或多个推荐客体向所述目标对象进行数据推荐。
[0031]根据本申请实施例的第五方面，提供了一种电子设备，该电子设备包 括：存储器、处理器及存储在存储器上的计算机程序，其中，计算机程序 被处理器执行时实现根据本申请第一方面实施例的行为序列自动筛选方 法的步骤，或计算机程序被处理器执行时实现根据本申请第二方面实施例 的数据推荐方法的步骤。
[0032]根据本申请实施例的第六方面，提供了一种计算机可读存储介质，其 上存储有计算机程序，计算机程序被处理器执行时实现根据本申请第一方 面实施例的目标对象的特征识别方法的步骤，或计算机程序被处理器执行 时实现根据本申请第二方面实施例的数据推荐方法的步骤。
[0033]根据本申请实施例的第七方面，提供了一种计算机程序产品包括计算 机程序，其中，计算机程序被处理器执行时实现根据本申请第一方面实施 例的目标对象的特征识别方法的步骤，或计算机程序被处理器执行时实现 根据本申请第二方面实施例的数据推荐方法的步骤。
[0034]本申请实施例提供的技术方案带来的有益效果包括：
[0035]本申请的目标对象的特征识别系列技术方案，通过综合运用多种相关 本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标对象的特征识别方法，其特征在于，包括：获取目标对象的行为序列的数值表达，其中，所述行为序列的数值表达包括目标对象的多个操作行为的数值表达，所述操作行为的数值表达用于表征所述操作行为所涉及的推荐客体；对于推荐客体构成的客体数据集合中的多个目标推荐客体，根据所述行为序列的数值表达，分别获取所述目标对象对每个所述目标推荐客体的相对感兴趣程度；根据所述目标对象对每个所述目标推荐客体的相对感兴趣程度获取所述目标对象的特征；其中，获取所述目标对象对每个所述目标推荐客体的相对感兴趣程度，具体包括：根据所述行为序列的数值表达，计算所述行为序列中的各个操作行为与所述目标推荐客体的相关性，具体包括：计算所述操作行为所属的类目与所述目标推荐客体所属的类目的相关性作为第一分量，以及，计算所述操作行为的数值表达与所述目标推荐客体的数值表达之间的相关性作为第二分量，根据所述第一分量与所述第二分量获取所述述行为序列中的各个操作行为与所述目标推荐客体的相关性；根据所述行为序列中的各个操作行为与所述目标推荐客体的相关性，从所述行为序列中筛选出与所述目标推荐客体相关性满足预设条件的操作行为作为参考行为序列；根据所述参考行为序列，获取所述目标对象对所述目标推荐客体的相对感兴趣程度。2.根据权利要求1所述的目标对象的特征识别方法，其特征在于，所述获取目标对象的行为序列的数值表达，包括：对于客体数据集合中的推荐客体，分别获取各个所述推荐客体的向量表示；根据所述行为序列中的各个操作行为所涉及的推荐客体的向量表示，确定所述操作行为的数值表达。3.根据权利要求2所述的目标对象的特征识别方法，其特征在于，所述根据所述行为序列中的各个操作行为所涉及的推荐客体的向量表示，确定所述操作行为的数值表达，包括：将所述操作行为所涉及的推荐客体的向量表示进行稠密向量表示，根据所述操作行为所涉及的推荐客体的稠密向量表示确定所述操作行为的数值表达。4.根据权利要求1所述的目标对象的特征识别方法，其特征在于，所述计算所述操作行为所属的类目与所述目标推荐客体所属的类目的相关性作为第一分量，具体包括：获取所述操作行为所涉及的推荐客体所属的类目；根据所述操作行为所涉及的推荐客体所属的类目，确定所述操作行为所属的类目；以及将所述操作行为所属的类目与所述目标推荐客体所属的类目进行比较，根据比较结果计算所述操作行为所属的类目与所述目标推荐客体所属的类目的相关性作为第一分量。5.根据权利要求1所述的目标对象的特征识别方法，其特征在于，所述计算所述操作行为的数值表达与所述目标推荐客体的数值表达之间的相关性作为第二分量，包括计算以下距离中的一项或一项以上，并根据计算出的所述距离获取所述操作行为的数值表达与所述目标推荐客体的数值表达之间的相关性作为第二分量，所述距离包括：所述操作行为的数值表达和所述目标推荐客体的数值表达的加权内积距离；所述操作行为的数值表达和所述目标推荐客体的数值表达之间的欧式距离；
所述操作行为的数值表达和所述目标推荐客体的数值表达之间的曼哈顿距离；所述操作行为的数值表达和所述目标推荐客体的数值表达之间的切比雪夫距离；所述操作行为的数值表达和所述目标推荐客体的数值表达之间的标准化欧氏距离；所述操作行为的数值表达和所述目标推荐客体的数值表达之间的马氏距离；所述操作行为的数值表达和所述目标推荐客体的数值表达之间的夹角余弦；所述操作行为的数值表达和所述目标推荐客体的数值表达之间的汉明距离；所述操作行为的数值表达和所述目标推荐客体的数值表达之间的杰卡德距离；所述操作行为的数值表达和所述目标推荐客体的数值表达之间的相关距离。6.根据权利要求1或5所述的目标对象的特征识别方法，其特征在于，所述计算所述操作行为的数值表达与所述目标推荐客体的数值表达之间的相关性作为第二分量，包括：根据预设的哈希函数矩阵对所述操作行为的数值表达进行向量映射，得到所述操作行为的哈希向量；根据预设的哈希函数矩阵对与所述目标推荐客体的数值表达进行向量映射得到所述目标推荐客体的哈希向量；以及根据所述操作行为的哈希向量与所述目标推荐客体的哈希向量获取所述计算所述操作行为的数值表达与所述目标推荐客体的数值表达之间的哈希距离；根据所述哈希距离计算所述操作行为的数值表达与所述目标推荐客体的数值表达之间的相关性作为第二分量。7.根据权利要求1所述的目标对象的特征识别方法，其特征在于，所述根据所述行为序列中的各个操作行为与目标推荐客体的相关性，从所述行为序列中筛选出与目标推荐客体相关性满足预设条件的操作行为，具体包括：根据所述第一分量和所述第二分量进行加权求和得到各个操作行为相对于所述目标推荐客体的重要性得分；以及根据所述重要性得分，从所述行为序列中筛选出与目标推荐客体相关性满足预设条件的操作行为。8.根据权利要求1所述的目标对象的特征识别方法，其特征在于...

【专利技术属性】
技术研发人员：石志林，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：