对象推荐方法及装置制造方法及图纸

本公开提供一种对象推荐方法及装置

【技术实现步骤摘要】
对象推荐方法及装置、介质及电子设备


[0001]本公开涉及信息处理
，尤其涉及一种对象推荐方法及装置
、
介质及电子设备
。

技术介绍

[0002]随着移动智能终端设备和网络的普及，出现了新的信息传播方式，在很多信息传播场景中，向用户推荐对象可以有效提高推荐效率
。
[0003]以直播带货为例，一种对象推荐的方案是，对直播视频中，用户发送的评论信息进行文本分析，以筛选出用户评论中提到的商品名称，进而获得用户希望被推荐的对象，在之后的直播中提高商品推荐效率
。
[0004]但本申请专利技术人在实现本申请实施例中专利技术技术方案的过程中，发现上述技术至少存在如下技术问题：没有充分利用直播视频的评论信息，且没有将直播视频的评论信息与用户特征和直播对象特征相结合，因此对象推荐效率及准确性还存在一定的优化空间
。
[0005]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息
。

技术实现思路

[0006]本公开实施例的目的在于提供一种对象推荐方法及装置
、
介质及电子设备，解决了直播视频的评论信息利用率低，且没有将直播视频的评论信息与用户特征和直播对象特征相结合，造成直播中对象推荐效率低下的问题，进而至少在一定程度上提高了直播视频的评论信息利用率，并将直播视频的评论信息与用户特征和直播对象特征结合，提升了对象推荐效率
。
[0007]根据本公开的一个方面，提供一种对象推荐方法，包括：
[0008]将用户对第一对象直播视频的评论信息进行分类，得到与所述第一对象相关的第一类评论信息和与所述用户相关的第二类评论信息；
[0009]根据所述第一类评论信息和第二类评论信息下用户发送的直播评论次数确定类别重要度；
[0010]根据所述第一类评论信息和所述第二类评论信息确定第一特征信息；
[0011]根据直播视频中的所述第一对象的特征和所述用户的特征确定第二特征信息；
[0012]依据所述第一特征信息和所述第二特征信息，结合所述类别重要度确定综合特征向量；
[0013]基于所述综合特征向量，结合预设阈值确定向用户推荐的第二对象
。
[0014]进一步地，所述对象推荐方法根据所述第一类评论信息和第二类评论信息下用户发送的直播评论次数确定类别重要度，包括：
[0015]将所述第一类评论信息和第二类评论信息下用户发送的直播评论次数分别进行统计，以确定所述类别重要度；
[0016]其中，所述第一类评论信息和第二类评论信息下用户发送的直播评论次数与所述类别重要度呈正相关
。
[0017]进一步地，所述对象推荐方法根据所述第一类评论信息和所述第二类评论信息确定第一特征信息，包括：
[0018]将所述第一类评论信息中的文本信息和所述第二类评论信息中的文本信息分别进行合并，以确定所述第一特征信息
。
[0019]进一步地，所述对象推荐方法根据直播视频中的所述第一对象的特征和所述用户的特征确定第二特征信息，包括：
[0020]对直播视频中的所述第一对象的相关特征以及所述用户的特征进行提取，以确定所述第二特征信息
。
[0021]进一步地，所述对象推荐方法依据所述第一特征信息和所述第二特征信息，结合所述类别重要度确定综合特征向量，包括：
[0022]依据所述第一特征信息和所述第二特征信息，结合所述类别重要度确定第一特征向量和第二特征向量；
[0023]根据所述第一特征向量和所述第二特征向量得到综合特征向量
。
[0024]进一步地，所述对象推荐方法依据所述第一特征信息和所述第二特征信息，结合所述类别重要度确定第一特征向量和第二特征向量，包括：
[0025]基于所述第一特征信息构建第四特征向量；
[0026]将所述第四特征向量作为输入，结合自注意力机制和前馈神经网络，以获取所述第一特征向量；
[0027]将所述第二特征信息分为两部分并进行向量化，以确定第一部分向量和第二部分向量；
[0028]结合所述类别重要度，对所述第一部分向量和所述第二部分向量进行加权，以获取第五特征向量；
[0029]将所述第五特征向量作为输入，结合压缩交互网络和深度神经网络模型，以得到所述第二特征向量
。
[0030]进一步地，所述对象推荐方法基于所述第一特征信息构建第四特征向量，包括：
[0031]将训练数据集中不同的词进行编号，以获取文本词典；
[0032]将所述第一特征信息中的每个特征词在文本词典中进行检索，根据检索结果确定编码结果，基于编码结果确定所述第四特征向量
。
[0033]进一步地，所述对象推荐方法将所述第二特征信息分为两部分并进行向量化，以确定第一部分向量和第二部分向量，包括：
[0034]将所述第二特征信息分为与所述用户相关的第一部分和与所述对象相关的第二部分；
[0035]基于所述第一部分和第二部分获取连续特征和离散特征；
[0036]对所述离散特征进行映射，以得到所述离散特征的向量；
[0037]对所述连续特征进行
log1p
处理和归一化，以获取所述连续特征的向量；
[0038]依据所述离散特征的向量和所述连续特征的向量以确定与所述用户相关的第一部分向量和与所述对象相关的第二部分向量
。
[0039]进一步地，所述对象推荐方法结合所述类别重要度，对所述第一部分向量和所述第二部分向量进行加权，以获取第五特征向量，包括：
[0040]在所述类别重要度表征对象重要度高于用户重要度时，则根据下述公式表示所述第五特征向量：
[0041]S
＝
α
U+
β
B
[0042]在所述类别重要度表征用户重要度高于对象重要度时，则根据下述公式表示所述第五特征向量：
[0043]S
＝
β
U+
α
B
[0044]其中，上述公式中
U
为与用户相关的所述第一部分向量，
B
为与所述对象相关的所述第二部分向量，
S
为所述第五特征向量，
α
是大于1的数字，
β
表示为大于0且小于1的数字
。
[0045]进一步地，所述对象推荐方法根据所述第一特征向量和所述第二特征向量得到综合特征向量，包括：
[0046]将所述第一特征向量和所述第二特征向量进行拼接，得到所述综合特征向量
。
[0047]进一步地，所述对象推荐方法基于所述综合特征向量，结合预设阈值，以确定向用户推荐的第二对象，包括：
[0048]将所述综合特征向量输入非线性模型，以获本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种对象推荐方法，其特征在于，包括：将用户对第一对象直播视频的评论信息进行分类，得到与所述第一对象相关的第一类评论信息和与所述用户相关的第二类评论信息；根据所述第一类评论信息和第二类评论信息下用户发送的直播评论次数确定类别重要度；根据所述第一类评论信息和所述第二类评论信息确定第一特征信息；根据直播视频中的所述第一对象的特征和所述用户的特征确定第二特征信息；依据所述第一特征信息和所述第二特征信息，结合所述类别重要度确定综合特征向量；基于所述综合特征向量，结合预设阈值确定向用户推荐的第二对象
。2.
根据权利要求1所述的对象推荐方法，其特征在于，根据所述第一类评论信息和第二类评论信息下用户发送的直播评论次数确定类别重要度，包括：将所述第一类评论信息和第二类评论信息下用户发送的直播评论次数分别进行统计，以确定所述类别重要度；其中，所述第一类评论信息和第二类评论信息下用户发送的直播评论次数与所述类别重要度呈正相关
。3.
根据权利要求1所述的对象推荐方法，其特征在于，根据所述第一类评论信息和所述第二类评论信息确定第一特征信息，包括：将所述第一类评论信息中的文本信息和所述第二类评论信息中的文本信息分别进行合并，以确定所述第一特征信息
。4.
根据权利要求1所述的对象推荐方法，其特征在于，根据直播视频中的所述第一对象的特征和所述用户的特征确定第二特征信息，包括：对直播视频中的所述第一对象的相关特征以及所述用户的特征进行提取，以确定所述第二特征信息
。5.
根据权利要求1所述的对象推荐方法，其特征在于，依据所述第一特征信息和所述第二特征信息，结合所述类别重要度确定综合特征向量，包括：依据所述第一特征信息和所述第二特征信息，结合所述类别重要度确定第一特征向量和第二特征向量；根据所述第一特征向量和所述第二特征向量得到综合特征向量
。6.
根据权利要求5所述的对象推荐方法，其特征在于，依据所述第一特征信息和所述第二特征信息，结合所述类别重要度确定第一特征向量和第二特征向量，包括：基于所述第一特征信息构建第四特征向量；将所述第四特征向量作为输入，结合自注意力机制和前馈神经网络，以获取所述第一特征向量；将所述第二特征信息分为两部分并进行向量化，以确定第一部分向量和第二部分向量；结合所述类别重要度，对所述第一部分向量和所述第二部分向量进行加权，以获取第五特征向量；将所述第五特征向量作为输入，结合压缩交互网络和深度神经网络模型，以得到所述
第二特征向量
。7.
根据权利要求6所述的对象推荐方法，其特征在于，基于所述第一特征信息构建第四特征向量，包括：将训练数据集中不同的词进行编号，以获取文本词典；将所述第一特征信息中的每个特征词在文本词典中进行检索，根据检索结果确定编码结果，基于编码结果确定所述第四特征向量
。8.
根据权利要求6所述的对象推荐方法，其特征在于，将所述第二特征信息分为两部分并进行向量化，以确定第一部分向量和第二部分向量，包括：将所述第二特征信息分为与所述用户相关的第一部分和与所述对象相关的第二部分；基于所述...

【专利技术属性】
技术研发人员：郑吉星，
申请(专利权)人：北京京东世纪贸易有限公司，
类型：发明
国别省市：