【技术实现步骤摘要】
本申请实施例涉及数据处理，具体涉及一种对象推荐处理方法、装置、计算设备及存储介质。
技术介绍
1、din模型是现有的个性化推荐领域中的先进技术，其充分利用了深度学习和神经网络的优势，引入了序列建模和注意力机制，能更好地捕捉用户行为序列中的重要信息，关注当前兴趣，解决了传统推荐系统难以把握用户兴趣变化的问题，提供更准确的个性化推荐。然而，当将din模型用于游戏等对象的个性化推荐领域中时，并未考虑到用户对游戏等对象的兴趣在时间上的变化以及用户对不同对象类型的对象的兴趣差异性，影响对象推荐的准确性。
技术实现思路
1、鉴于上述问题，本申请提出了一种对象推荐处理方法、装置、计算设备及存储介质，用于解决以下问题：现有的推荐方式未考虑到用户对对象的兴趣在时间上的变化以及用户对不同对象类型的对象的兴趣差异性，导致对象推荐的准确性较低。
2、根据本申请实施例的一个方面，提供了一种对象推荐处理方法，包括：
3、获取各个用户在第一预设时间区间内产生的针对各个对象的交互行为数据；
4、根据各个对象的对象类型对应的目标衰减函数和各个用户的交互行为数据，确定各个用户的交互行为序列特征；其中，交互行为序列特征中包含有对应用户所交互的每个对象以及每个对象对应的时间衰减系数；
5、利用各个用户的交互行为序列特征，对初始深度兴趣网络模型中进行训练，得到目标深度兴趣网络模型。
6、进一步地，在根据各个对象的对象类型对应的目标衰减函数和各个用户的交互行为数据，
7、为各个对象类型设置对应的初始衰减函数；
8、获取各个用户在第二预设时间区间内针对各个对象类型的用户登录数据；
9、根据针对各个对象类型的用户登录数据，确定各个对象类型的初始衰减函数中的系数，得到各个对象类型对应的目标衰减函数。
10、进一步地，在为各个对象类型设置对应的初始衰减函数之前，该方法还包括：
11、对各个对象进行分类，得到各个对象的对象类型。
12、进一步地，根据针对各个对象类型的用户登录数据，确定各个对象类型的初始衰减函数中的系数，得到各个对象类型对应的目标衰减函数进一步包括：
13、根据针对每个对象类型的用户登录数据，计算在单位时间区间内该对象类型的用户登录率；
14、分析该对象类型的用户登录率与时间之间的关系，确定该对象类型的初始衰减函数中的系数，得到该对象类型对应的目标衰减函数。
15、进一步地，根据各个对象的对象类型对应的目标衰减函数和各个用户的交互行为数据，确定各个用户的交互行为序列特征进一步包括：
16、针对每个用户，对该用户的交互行为数据进行分析，确定该用户的交互行为序列以及该用户针对交互行为序列中的每个对象在单位时间区间内的交互时长；
17、针对交互行为序列中的每个对象，根据该对象的对象类型对应的目标衰减函数和该对象的交互时长，确定该对象对应的时间衰减系数；
18、依据该用户的交互行为序列和交互行为序列中的每个对象对应的时间衰减系数，确定该用户的交互行为序列特征。
19、进一步地，针对每个用户，对该用户的交互行为数据进行分析，确定该用户的交互行为序列以及该用户针对交互行为序列中的每个对象在单位时间区间内的交互时长进一步包括：
20、对该用户的交互行为数据进行分析，确定该用户按照时间先后顺序所交互的各个对象、各个对象在单位时间区间内的交互起始时间以及交互终止时间；
21、依据该用户按照时间先后顺序所交互的各个对象，形成该用户的交互行为序列；
22、针对交互行为序列中的每个对象，计算该对象在单位时间区间内的交互终止时间与交互起始时间之间的时间差，得到该对象在单位时间区间内的交互时长。
23、进一步地，依据该用户的交互行为序列和交互行为序列中的每个对象对应的时间衰减系数，确定该用户的交互行为序列特征进一步包括：
24、将每个对象对应的时间衰减系数对应添加至交互行为序列中，得到该用户的交互行为序列特征。
25、进一步地，利用各个用户的交互行为序列特征，对初始深度兴趣网络模型中进行训练，得到目标深度兴趣网络模型进一步包括：
26、将各个用户的交互行为序列特征输入至初始深度兴趣网络模型中，并在初始深度兴趣网络模型进行注意力机制处理后引入交互行为序列特征中的各个对象对应的时间衰减系数，而后进行池化处理；
27、当初始深度兴趣网络模型完成训练后，得到目标深度兴趣网络模型。
28、进一步地，目标衰减函数的函数类型为幂函数。
29、根据本申请实施例的另一方面，提供了一种对象推荐处理装置，包括：
30、获取模块，适于获取各个用户在第一预设时间区间内产生的针对各个对象的交互行为数据；
31、特征处理模块，适于根据各个对象的对象类型对应的目标衰减函数和各个用户的交互行为数据，确定各个用户的交互行为序列特征；其中，交互行为序列特征中包含有对应用户所交互的每个对象以及每个对象对应的时间衰减系数；
32、训练模块，适于利用各个用户的交互行为序列特征，对初始深度兴趣网络模型中进行训练，得到目标深度兴趣网络模型。
33、根据本申请实施例的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；
34、存储器用于存放至少一可执行指令，可执行指令使处理器执行上述对象推荐处理方法对应的操作。
35、根据本申请实施例的再一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行如上述对象推荐处理方法对应的操作。
36、根据本申请实施例提供的对象推荐处理方法、装置、计算设备及存储介质，基于用户针对对象的交互行为数据能够便捷、准确地反映用户对各个对象的兴趣程度以及兴趣变化趋势等；根据各个用户的交互行为数据，结合交互行为数据中所涉及的各个对象的对象类型对应的目标衰减函数，能够便捷地确定交互行为序列特征，交互行为序列特征中包含有用户所交互的每个对象对应的时间衰减系数；并且，各个对象类型对应的目标衰减函数可依据用户针对各个对象类型的用户登录数据进行确定，便捷地实现了对目标衰减函数的精准确定；利用各个用户的交互行为序列特征进行模型训练，在模型中引入了对象对应的时间衰减系数，有效地提高了经过训练的目标深度兴趣网络模型的对象推荐的准确性，使得利用目标深度兴趣网络模型进行对象推荐时能够充分地考虑到用户对对象的兴趣在时间上的变化以及用户对不同对象类型的对象的兴趣差异性，实现了精准、高效的对象推荐效果，优化了对象推荐方式。
37、上述说明仅是本申请实施例技术方案的概述，为了能够更清楚了解本申请实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本文档来自技高网...
【技术保护点】
1.一种对象推荐处理方法，包括：
2.根据权利要求1所述的方法，在所述根据各个对象的对象类型对应的目标衰减函数和各个用户的交互行为数据，确定各个用户的交互行为序列特征之前，所述方法还包括：
3.根据权利要求2所述的方法，在所述为各个对象类型设置对应的初始衰减函数之前，所述方法还包括：
4.根据权利要求2所述的方法，所述根据针对各个对象类型的用户登录数据，确定各个对象类型的初始衰减函数中的系数，得到各个对象类型对应的目标衰减函数进一步包括：
5.根据权利要求1-4任一项所述的方法，所述根据各个对象的对象类型对应的目标衰减函数和各个用户的交互行为数据，确定各个用户的交互行为序列特征进一步包括：
6.根据权利要求5所述的方法，所述针对每个用户，对该用户的交互行为数据进行分析，确定该用户的交互行为序列以及该用户针对所述交互行为序列中的每个对象在单位时间区间内的交互时长进一步包括：
7.根据权利要求5所述的方法，所述依据该用户的交互行为序列和所述交互行为序列中的每个对象对应的时间衰减系数，确定该用户的交互行为序列特征进
8.根据权利要求1-7任一项所述的方法，所述利用各个用户的交互行为序列特征，对初始深度兴趣网络模型中进行训练，得到目标深度兴趣网络模型进一步包括：
9.根据权利要求1-8任一项所述的方法，所述目标衰减函数的函数类型为幂函数。
10.一种对象推荐处理装置，包括：
11.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
12.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-9中任一项所述的对象推荐处理方法对应的操作。
...【技术特征摘要】
1.一种对象推荐处理方法，包括：
2.根据权利要求1所述的方法，在所述根据各个对象的对象类型对应的目标衰减函数和各个用户的交互行为数据，确定各个用户的交互行为序列特征之前，所述方法还包括：
3.根据权利要求2所述的方法，在所述为各个对象类型设置对应的初始衰减函数之前，所述方法还包括：
4.根据权利要求2所述的方法，所述根据针对各个对象类型的用户登录数据，确定各个对象类型的初始衰减函数中的系数，得到各个对象类型对应的目标衰减函数进一步包括：
5.根据权利要求1-4任一项所述的方法，所述根据各个对象的对象类型对应的目标衰减函数和各个用户的交互行为数据，确定各个用户的交互行为序列特征进一步包括：
6.根据权利要求5所述的方法，所述针对每个用户，对该用户的交互行为数据进行分析，确定该用户的交互行为序列以及该用户针对所述交互行为序列中的每个对象在...
【专利技术属性】
技术研发人员：薄海，
申请(专利权)人：上海幻电信息科技有限公司，
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。