【技术实现步骤摘要】
本申请涉及人工智能领域，尤其涉及一种基于深度学习的推荐方法、装置、设备及介质。
技术介绍
1、随着互联网的高速发展，信息过载使得用户在获取自己感兴趣的内容时面临严峻的挑战。而推荐系统及推荐技术手段的兴起，能够进一步了解用户潜在的兴趣偏好，从而被广泛应用于不同领域中，以提高各领域的用户粘性。例如，金融领域中，由于各类保险产品与理财产品层出不穷，如何持续为用户推荐适合的保险产品与理财产品成为亟待解决的问题。
2、传统的推荐方法是通过协同过滤算法对用户的历史交互行为数据进行分析，从而实现对用户的进行推荐。
3、但是，这种方法在面对用户复杂的交互行为及用户属性时，需要对用户的每个属性或交互行为进行特征的依次提取，且对提取的特征进行数据分析时，往往会忽略在真实的推荐场景中用户属性与用户交互行为的关联关系，使得分析过程出现较大误差；并且，这种方法在推荐过程中容易出现用户信息的丢失状况，导致推荐的准确率下降，从而无法给用户找到合适的推荐产品，降低了用户的体验度。
技术实现思路
1、本申请实施例的目的在于提出一种基于深度学习的推荐方法、装置、设备及介质，其主要目的是提高推荐准确率及用户体验度。
2、为了解决上述技术问题，本申请实施例提供一种基于深度学习的推荐方法，采用了如下所述的技术方案：
3、获取待推荐的用户数据集，利用预设的卷积推荐网络提取所述用户数据集对应的用户特征集；
4、识别所述用户特征集中各个用户特征值之间的关联程度，并根据所
5、根据所述用户行为标签生成第一推荐信息；
6、利用预设的胶囊推荐网络获取所述用户数据集的第二推荐信息；
7、判断所述第一推荐信息与所述第二推荐信息是否一致；
8、若所述第一推荐信息与所述第二推荐信息不一致，则调整所述卷积推荐网络及胶囊推荐网络的参数，再次获取所述第一推荐信息和所述第二推荐信息；
9、若所述第一推荐信息与所述第二推荐信息一致，则将所述第一推荐信息或所述第二推荐信息作为所述用户数据集的目标推荐消息，并获取与所述目标推荐信息相对应的推荐结果。
10、进一步的，所述识别所述用户特征集中各个用户特征值之间的关联程度，包括：
11、获取所述用户特征集中的用户特征值上边界值、用户特征值下边界值、各个所述用户特征值对应的像素值及各个所述用户特征值之间的关联系数；
12、根据所述用户特征值上边界值、所述用户特征值下边界值、所述像素值及所述关联系数利用预设的多层卷积公式计算各个所述用户特征值之间的关联程度。
13、进一步的，所述利用预设的卷积推荐网络提取所述用户数据集对应的用户特征集，包括：
14、获取所述卷积推荐网络的卷积核参数；
15、根据所述卷积核参数对所述用户数据集进行矩阵元素乘法求和及叠加偏差量操作，得到用户特征图；
16、对所述用户特征图进行池化操作，得到细节特征图；
17、将所述细节特征图输入至所述卷积推荐网络的激励函数中，得到用户特征集。
18、进一步的，所述根据所述用户行为标签生成第一推荐信息，包括：
19、根据所述用户行为标签识别用户行为所属的推荐场景及推荐业务类型；
20、根据所述推荐场景、所述推荐业务类型及所述用户行为标签提取用户的推荐产品偏好；
21、基于所述推荐产品偏好生成所述第一推荐信息。
22、进一步的，所述胶囊推荐网络包括原始胶囊层、特征胶囊层及输出胶囊层，所述利用预设的胶囊推荐网络获取所述用户数据集的第二推荐信息，包括：
23、将所述用户数据集输入至所述原始胶囊层中，通过所述原始胶囊层提取所述用户数据集对应的特征集；
24、利用所述特征胶囊层对所述特征集进行权重转换操作，得到特征转换矩阵；
25、利用所述输出胶囊层对所述特征转换矩阵进行动态路由操作，输出所述用户数据集对应的第二推荐策略，并将所述第二推荐策略作为所述第二推荐信息。
26、进一步的，所述根据所述关联程度识别所述用户数据集的用户行为标签，包括：
27、根据所述关联程度获取所述用户数据集中与用户属性数据相关联的用户行为数据；
28、识别所述用户行为数据对应的行为类别；
29、根据所述行为类别生成所述用户数据集的用户行为标签。
30、进一步的，所述获取与所述目标推荐信息相对应的推荐结果，包括：
31、获取所述目标推荐消息中的推送渠道、推送手段、待推送内容及待推送产品；
32、根据所述推送渠道及所述推送手段将所述待推送内容及所述待推送产品推送至用户，得到所述推荐结果。
33、为了解决上述技术问题，本申请实施例还提供一种基于深度学习的推荐装置，采用了如下所述的技术方案：
34、提取模块，用于获取待推荐的用户数据集，利用预设的卷积推荐网络提取所述用户数据集对应的用户特征集；
35、识别模块，用于识别所述用户特征集中各个用户特征值之间的关联程度，并根据所述关联程度识别所述用户数据集的用户行为标签；
36、生成模块，用于根据所述用户行为标签生成第一推荐信息；
37、获取模块，用于利用预设的胶囊推荐网络获取所述用户数据集的第二推荐信息；
38、判断模块，用于判断所述第一推荐信息与所述第二推荐信息是否一致；及
39、推荐模块，用于若所述第一推荐信息与所述第二推荐信息不一致，则调整所述卷积推荐网络及胶囊推荐网络的参数，再次获取所述第一推荐信息和所述第二推荐信息；若所述第一推荐信息与所述第二推荐信息一致，则将所述第一推荐信息或所述第二推荐信息作为所述用户数据集的目标推荐消息，并获取与所述目标推荐信息相对应的推荐结果。
40、为了解决上述技术问题，本申请实施例还提供一种设备，采用了如下所述的技术方案：
41、存储器，存储至少一个计算机程序；及
42、处理器，执行所述存储器中存储的计算机程序以实现上述所述的基于深度学习的推荐方法。
43、为了解决上述技术问题，本申请实施例还提供一种计算机可读介质，采用了如下所述的技术方案：
44、所述计算机可读介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于深度学习的推荐方法。
45、与现有技术相比，本申请实施例主要有以下有益效果：
46、本申请实施例中，首先通过卷积推荐网络提取用户数据集对应的用户特征集，并识别用户特征集中各个用户特征值之间的关联程度，能够分析各个用户特征值之间的关联关系，提高特征分析的准确率；其次，根据关联程度识别用户数据集的用户行为标签，并根据用户行为标签生成第一推荐信息，能够针对不同的用户提供合适的推荐消息，提高了用户本文档来自技高网...
【技术保护点】
1.一种基于深度学习的推荐方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的基于深度学习的推荐方法，其特征在于，所述识别所述用户特征集中各个用户特征值之间的关联程度，包括：
3.根据权利要求1所述的基于深度学习的推荐方法，其特征在于，所述利用预设的卷积推荐网络提取所述用户数据集对应的用户特征集，包括：
4.根据权利要求1中所述的基于深度学习的推荐方法，其特征在于，所述根据所述用户行为标签生成第一推荐信息，包括：
5.根据权利要求1-4中任一项所述的基于深度学习的推荐方法，其特征在于，所述胶囊推荐网络包括原始胶囊层、特征胶囊层及输出胶囊层，所述利用预设的胶囊推荐网络获取所述用户数据集的第二推荐信息，包括：
6.根据权利要求1-4中任一项所述的基于深度学习的推荐方法，其特征在于，所述根据所述关联程度识别所述用户数据集的用户行为标签，包括：
7.根据权利要求1-4中任一项所述的基于深度学习的推荐方法，其特征在于，所述获取与所述目标推荐信息相对应的推荐结果，包括：
8.一种基于深度学习的推荐装置，
9.一种设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于深度学习的推荐方法的步骤。
10.一种计算机可读介质，其特征在于，所述计算机可读介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于深度学习的推荐方法的步骤。
...【技术特征摘要】
1.一种基于深度学习的推荐方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的基于深度学习的推荐方法，其特征在于，所述识别所述用户特征集中各个用户特征值之间的关联程度，包括：
3.根据权利要求1所述的基于深度学习的推荐方法，其特征在于，所述利用预设的卷积推荐网络提取所述用户数据集对应的用户特征集，包括：
4.根据权利要求1中所述的基于深度学习的推荐方法，其特征在于，所述根据所述用户行为标签生成第一推荐信息，包括：
5.根据权利要求1-4中任一项所述的基于深度学习的推荐方法，其特征在于，所述胶囊推荐网络包括原始胶囊层、特征胶囊层及输出胶囊层，所述利用预设的胶囊推荐网络获取所述用户数据集的第二推荐信息，包括：
6.根据权利...
【专利技术属性】
技术研发人员：聂伟，
申请(专利权)人：平安健康保险股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。