结合用户社交数据的积分兑换智能推荐系统及其方法技术方案

本申请涉及智能推荐技术领域，其具体地公开了一种结合用户社交数据的积分兑换智能推荐系统及其方法，其首先获取待检测用户的社交数据和待推荐兑换物的文本描述，然后，将待检测用户的社交数据和待推荐兑换物的文本描述分别通过词嵌入层

【技术实现步骤摘要】
结合用户社交数据的积分兑换智能推荐系统及其方法


[0001]本申请涉及智能推荐
，且更为具体地，涉及一种结合用户社交数据的积分兑换智能推荐系统及其方法
。

技术介绍

[0002]商城和积分系统的结合能在一定程度上鼓励消费者进行消费，为商家带来了更多的契机
。
然而，很多积分商城系统的兑换方式单一且简单，导致对消费者的吸引力较低
。
实现积分兑换系统的个性化定制服务，提升用户对于兑换物品的兴趣，优化用户的体验以提升用户粘度成为积分兑换系统亟待解决的问题
。
[0003]因此，期待一种优化的积分兑换智能推荐方案
。

技术实现思路

[0004]本申请提供一种结合用户社交数据的积分兑换智能推荐系统及其方法，综合利用待检测用户的社交数据和待推荐兑换物的文本描述，以利用基于深度学习的自然语言处理技术来实现优化积分兑换系统的目的，进而提升用户对于兑换物品的兴趣和满意度，提升商家的收益和用户粘度
。
[0005]第一方面，提供了一种结合用户社交数据的积分兑换智能推荐系统，所述系统包括：数据获取单元，用于获取待检测用户的社交数据和待推荐兑换物的文本描述；社交数据结构化单元，用于将所述社交数据经分词处理后通过词嵌入层以得到词嵌入向量的序列；中距离语义理解单元，用于将所述词嵌入向量的序列通过双向长短期记忆神经网络模型以得到中依赖语义理解特征向量；长距离语义理解单元，用于将所述词嵌入向量的序列通过基于转换器的上下文编码器以得到长依赖语义理解特征向量；多尺度信息融合单元，用于融合所述中依赖语义理解特征向量和所述长依赖语义理解特征向量以得到多尺度社交特征向量；兑换物描述语义理解单元，用于通过所述双向长短期记忆神经网络模型和所述基于转换器的上下文编码器，从所述待推荐兑换物的文本描述提取多尺度兑换物语义理解特征向量；差异度量单元，用于计算所述多尺度社交特征向量和所述多尺度兑换物语义理解特征向量之间的差分特征向量；以及，匹配结果生成单元，用于将所述差分特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待推荐兑换物与当前用户的匹配度是否达到预定阈值
。
[0006]第二方面，提供了一种结合用户社交数据的积分兑换智能推荐方法，所述方法包括：获取待检测用户的社交数据和待推荐兑换物的文本描述；将所述社交数据经分词处理后通过词嵌入层以得到词嵌入向量的序列；将所述词嵌入向量的序列通过双向长短期记忆神经网络模型以得到中依赖语义理解特征向量；将所述词嵌入向量的序列通过基于转换器的上下文编码器以得到长依赖语义理解特征向量；融合所述中依赖语义理解特征向量和所述长依赖语义理解特征向量以得到多尺度社交特征向量；通过所述双向长短期记忆神经网络模型和所述基于转换器的上下文编码器，从所述待推荐兑换物的文本描述提取多尺度兑
换物语义理解特征向量；计算所述多尺度社交特征向量和所述多尺度兑换物语义理解特征向量之间的差分特征向量；以及，将所述差分特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待推荐兑换物与当前用户的匹配度是否达到预定阈值
。
[0007]第三方面，提供了一种芯片，该芯片包括输入输出接口
、
至少一个处理器
、
至少一个存储器和总线，该至少一个存储器用于存储指令，该至少一个处理器用于调用该至少一个存储器中的指令，以执行第二方面中的方法
。
[0008]第四方面，提供了一种计算机可读介质，用于存储计算机程序，所述计算机程序包括用于执行上述第二方面中的方法
。
[0009]第五方面，提供了一种包括指令的计算机程序产品，当计算机运行所述计算机程序产品的所述指时，所述计算机执行上述第二方面中的方法
。
[0010]本申请提供的一种结合用户社交数据的积分兑换智能推荐系统及其方法，综合利用待检测用户的社交数据和待推荐兑换物的文本描述，以利用基于深度学习的自然语言处理技术来实现优化积分兑换系统的目的，进而提升用户对于兑换物品的兴趣和满意度，提升商家的收益和用户粘度
。
附图说明
[0011]图1是本申请实施例的结合用户社交数据的积分兑换智能推荐系统的示意性框图
。
[0012]图2是本申请实施例的结合用户社交数据的积分兑换智能推荐系统中社交数据结构化单元的示意性框图
。
[0013]图3是本申请实施例的结合用户社交数据的积分兑换智能推荐系统中长距离语义理解单元的示意性框图
。
[0014]图4是本申请实施例的结合用户社交数据的积分兑换智能推荐系统中兑换物描述语义理解单元的示意性框图
。
[0015]图5是本申请实施例的结合用户社交数据的积分兑换智能推荐系统中训练模块的示意性框图
。
[0016]图6是本申请实施例的结合用户社交数据的积分兑换智能推荐方法的示意性流程图
。
[0017]图7是本申请实施例的结合用户社交数据的积分兑换智能推荐方法的模型架构的示意图
。
[0018]图8是本申请实施例的结合用户社交数据的积分兑换智能推荐方法中，对所述双向长短期记忆神经网络模型和所述基于转换器的上下文编码器进行训练的训练阶段的示意性流程图
。
具体实施方式
[0019]下面将结合附图，对本申请中的技术方案进行描述
。
[0020]这里由于涉及到基于深度学习的深度神经网络模型，下面先对本申请实施例可能涉及的深度神经网络模型的相关术语和概念进行介绍
。
[0021]在深度神经网络模型中，隐藏层可以是卷积层和池化层
。
卷积层对应的一组权重
值被称为滤波器，也被称为卷积核
。
滤波器和输入特征值都被表示为一个多维矩阵，对应地，表示成多维矩阵的滤波器也称为滤波器矩阵，表示成多维矩阵的输入特征值也称为输入特征矩阵，当然，除了可以输入特征矩阵，也可以输入特征图像，特征向量，这里只是以输入特征矩阵进行举例
。
卷积层的运算称为卷积运算，该卷积运算指的是，输入特征矩阵的一部分特征值与滤波器矩阵的权重值进行内积操作
。
[0022]深度神经网络模型中每一个卷积层的运算过程可以被编成软件，然后通过在运算装置中运行该软件，得到每层网络的输出结果，即输出特征矩阵
。
例如，软件通过滑动窗口的方式，以每层网络的输入特征矩阵的左上角为起点，以滤波器大小为窗口，每次从特征值矩阵中提取一个窗口的数据与滤波器进行内积操作
。
当输入特征矩阵的右下角窗口的数据与滤波器完成内积操作后，便可得到每层网络的一个二维的输出特征矩阵
。
软件重复上述过程，直至产生每层网络的整个输出特征矩阵
。
[0023]卷积层运算的过程为，将一个滤波器大小的窗口滑动过整个输入图像
(
即输入特征矩阵
)<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种结合用户社交数据的积分兑换智能推荐系统，其特征在于，包括：数据获取单元，用于获取待检测用户的社交数据和待推荐兑换物的文本描述；社交数据结构化单元，用于将所述社交数据经分词处理后通过词嵌入层以得到词嵌入向量的序列；中距离语义理解单元，用于将所述词嵌入向量的序列通过双向长短期记忆神经网络模型以得到中依赖语义理解特征向量；长距离语义理解单元，用于将所述词嵌入向量的序列通过基于转换器的上下文编码器以得到长依赖语义理解特征向量；多尺度信息融合单元，用于融合所述中依赖语义理解特征向量和所述长依赖语义理解特征向量以得到多尺度社交特征向量；兑换物描述语义理解单元，用于通过所述双向长短期记忆神经网络模型和所述基于转换器的上下文编码器，从所述待推荐兑换物的文本描述提取多尺度兑换物语义理解特征向量；差异度量单元，用于计算所述多尺度社交特征向量和所述多尺度兑换物语义理解特征向量之间的差分特征向量；以及匹配结果生成单元，用于将所述差分特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待推荐兑换物与当前用户的匹配度是否达到预定阈值
。2.
根据权利要求1所述的结合用户社交数据的积分兑换智能推荐系统，其特征在于，所述社交数据结构化单元，包括：分词处理子单元，用于对所述社交数据进行分词处理以得到词序列；嵌入向量化子单元，用于使用所述词嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列
。3.
根据权利要求2所述的结合用户社交数据的积分兑换智能推荐系统，其特征在于，所述长距离语义理解单元，包括：上下文编码子单元，用于使用所述上下文编码器的基于转换器的
Bert
模型对所述词嵌入向量的序列进行基于全局的上下文语义编码以得到多个上下文语义特征向量；以及级联子单元，用于将所述多个上下文语义特征向量进行级联以得到所述长依赖语义理解特征向量
。4.
根据权利要求3所述的结合用户社交数据的积分兑换智能推荐系统，其特征在于，所述多尺度信息融合单元，用于：以如下级联公式融合所述中依赖语义理解特征向量和所述长依赖语义理解特征向量以得到多尺度社交特征向量；其中，所述级联公式为：其中，表示所述中依赖语义理解特征向量，表示所述长依赖语义理解特征向量，表示所述多尺度社交特征向量，表示级联函数
。5.
根据权利要求4所述的结合用户社交数据的积分兑换智能推荐系统，其特征在于，所述兑换物描述语义理解单元，包括：兑换物编码子单元，用于将所述待推荐兑换物的文本描述经分词处理后通过所述词嵌入层以得到兑换物词嵌入向量的序列；中依赖编码子单元，用于将所述兑换物词嵌入向量的序列通过所述双向长短期记忆神经网络模型以得到兑换物中依赖语义理解特征向量；长依赖编码子单元，用于将所述兑换物词嵌入向量的序列通过所述基于转换器的上下文编码器以得到兑换物长依赖语义理解特征向量；以及融合子单元，用于融合所述兑换物中依赖语义理解特征向量和所述兑换物长依赖语义理解特征向量以得到所述多尺度兑换物语义理解特征向量
。6.
根据权利要求5所述的结合用户社交数据的积分兑换智能推荐系统，其特征在于，所述差异度量单元，用于：以如下差分公式计算所述多尺度社交特征向量和所述多尺度兑换物语义理解特征向量之间的差分特征向量；其中，所述差分公式为：其中，
ꢀ
表示所述多尺度社交特征向量， 表示按位置作差， 表示所述多尺度兑换物语义理解特征向量，且表示所述差分特征向量
。7.
根据权利要求6所述的结合用户社交数据的积分兑换智能推荐系统，其特征在于，还包括用于对所述双向长短期记忆神经网络模型和所述基于转换器的上下文编码器进行训练的训练模块；其中，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括待检测用户的训练社交...

【专利技术属性】
技术研发人员：曹王强，黄静，黄一帆，林炜，赵颖武，
申请(专利权)人：浙江卡赢信息科技有限公司，
类型：发明
国别省市：