【技术实现步骤摘要】
本专利技术属于数据挖掘的，尤其涉及一种个性化内容推荐的方法及装置。
技术介绍
1、服装行业是一个快节奏、不断变化的行业。时尚趋势迅速发展，衣着风格和消费者喜好在短时间内可能发生巨大改变。对于服装行业从业者，需要不断了解当前的服装趋势。
2、而面对庞大的服装资讯，基于人工智能的推荐算法，成为了一个炙手可热的新兴技术。推荐算法的原理是通过分析用户的历史浏览数据等，来预测用户可能感兴趣的物品，并向用户推荐服装资讯，以快速精准的了解服装趋势。
3、然而，传统的推荐算法，往往采用基于用户的协同过滤：该方法首先找到与目标用户类似兴趣的其他用户，然后将这些用户喜欢的物品推荐给目标用户。但基于用户的协同过滤存在较大的局限性，导致推荐精度较低。
技术实现思路
1、有鉴于此，本专利技术实施例提供了一种个性化内容推荐的方法、装置、终端设备和计算机存储介质，以解决基于用户的协同过滤存在较大的局限性，导致推荐精度较低的技术问题。
2、本专利技术实施例的第一方面提供了一种个性化内容推荐的方法，所述个性化内容推荐的方法包括：
3、获取用户在app中历史浏览数据，提取所述历史浏览数据对应的历史标签数据，计算所述历史标签数据对应的历史标签向量；所述历史标签数据包括服装的性别、款式、颜色、图案、材料、工艺、季节、风格和品牌；
4、获取用户信息，计算所述用户信息对应的当前用户向量；所述用户信息包括年纪、性别、职业、教育程度、区域、季节和气候；
5、
6、获取最大群体相似度对应群体向量的第一群体标签向量；
7、计算所述历史标签向量和所述第一群体标签向量之间的第一相似度；
8、若所述第一相似度小于第一阈值，则获取多个所述群体向量各自对应的第二群体标签数据；
9、分别计算所述历史标签向量和所述第二群体标签数据之间的第二相似度；
10、匹配最大第二相似度对应的目标第二群体标签数据，匹配所述目标第二群体标签数据对应的群体向量，匹配所述群体向量对应的多个目标个体标签数据；其中，每个群体向量分别对应多个目标个体标签数据；
11、在多个目标个体标签数据中，匹配所述历史标签向量对应的个性化推荐内容，并将所述个性化推荐内容推送至用户终端。
12、进一步地，在所述计算所述当前用户向量与多个群体向量之间的群体相似度的步骤之前，还包括：
13、获取多个样本用户向量；
14、根据所述多个样本用户向量的数量，确定初始聚类集合的第一数量；
15、在所述多个样本用户向量中随机获取第一数量的目标样本用户向量；
16、以所述目标样本用户向量为第一聚类中心，形成多个第二聚类中心；
17、根据所述多个第二聚类中心的数量，确定第三聚类中心的第二数量；
18、在所述多个第二聚类中心中随机获取第二数量的第三聚类中心；
19、根据所述第三聚类中心，形成多个目标聚类簇；
20、计算多个所述目标聚类簇对应的所述群体向量。
21、进一步地，所述以所述目标样本用户向量为第一聚类中心，形成多个第二聚类中心的步骤包括：
22、对于每一个所述第一聚类中心，随机选择其他样本用户向量，计算所述第一聚类中心和所述其他样本用户向量之间的第一向量距离；所述其他样本用户向量是指多个样本用户向量中除了目标样本用户向量之外的用户向量；
23、若所述第一向量小于第二阈值，则将所述第一向量距离对应的其他样本用户向量，作为第一聚类簇中的一个用户向量；
24、重复执行所述对于每一个所述目标样本用户向量，随机选择其他样本用户向量，计算所述目标样本用户向量和所述其他样本用户向量之间的第一向量距离的步骤以及后续步骤，直至所述第一聚类簇中用户向量满足预设数量；
25、计算多个所述第一聚类簇各自对应的第二聚类中心。
26、进一步地，所述计算多个所述第一聚类簇各自对应的第二聚类中心的步骤包括：
27、将每个所述第一聚类簇对应的第一聚类中心和其他样本用户向量，代入如下公式，得到多个所述第一聚类簇各自对应的第二聚类中心；
28、所述公式如下：
29、
30、f(xj,mi)＝β(xj·mi)q
31、其中，ci表示第i个所述第二聚类中心，xj表示所述第一聚类簇中的第j个其他样本用户向量，mi表示第i个所述第一聚类簇对应的第一聚类中心，α表示正则化权重，p表示超参数，β表示控制非线性度量的系数，q表示非线性度量的程度参数，xj·mi表示xj和mi的内积运算。
32、进一步地，所述根据所述第三聚类中心，形成多个目标聚类簇的步骤包括：
33、对于每一个所述第三聚类中心，随机选择其他第二聚类中心，计算所述第三聚类中心和所述其他第二聚类中心之间的第二向量距离；所述其他第二聚类中心是指多个第二聚类中心中除了第三聚类中心之外的聚类中心；
34、若所述第二向量小于第二阈值，则将所述其他第二聚类中心与第三聚类中心合并；
35、重复执行所述对于每一个所述第三聚类中心，随机选择其他第二聚类中心，计算所述第三聚类中心和所述其他第二聚类中心之间的第二向量距离的步骤以及后续步骤，形成由所述其他第二聚类中心与第三聚类中心各自对应的用户向量构成的所述初始聚类簇；
36、在多个所述初始聚类簇中筛选所述目标聚类簇。
37、进一步地，所述在多个所述初始聚类簇中筛选所述目标聚类簇的步骤包括：
38、将用户向量的数量大于第三阈值的初始聚类簇，作为所述目标聚类簇。
39、进一步地，所述获取最大群体相似度对应群体向量的第一群体标签向量的步骤包括：
40、获取最大群体相似度对应群体向量对应的所有用户向量；
41、获取所述所有用户向量对应用户的个体标签数据；所述个体标签数据包括服装的性别、款式、颜色、图案、材料、工艺、季节、风格和品牌；
42、获取每个标签维度中最大数量的向量值；所述标签维度是指性别、款式、颜色、图案、材料、工艺、季节、风格和品牌对应的维度；
43、将每个标签维度中最大数量的向量值，组合得到所述第一群体标签向量。
44、进一步地，所述在多个目标个体标签数据中，匹配所述历史标签向量对应的个性化推荐内容，并将所述个性化推荐内容推送至用户终端的步骤，包括：
45、分别计算多个所述目标个体标签数据与所述历史标签向量之间的第三相似度；
46、将多个所述第三相似度进行排序，将前k个所述第三相似度对应的目标个体标签数据对应的浏览数据，作为个性化推荐内容，并将所述个性化推荐内容推送至用户终端。
47、本专利技术实施例的第二方面提供了一种个性化内容推荐的装置，本文档来自技高网...
【技术保护点】
1.一种个性化内容推荐的方法，其特征在于，所述个性化内容推荐的方法包括：
2.如权利要求1所述的个性化内容推荐的方法，其特征在于，在所述计算所述当前用户向量与多个群体向量之间的群体相似度的步骤之前，还包括：
3.如权利要求2所述的个性化内容推荐的方法，其特征在于，所述以所述目标样本用户向量为第一聚类中心，形成多个第二聚类中心的步骤包括：
4.如权利要求3所述的个性化内容推荐的方法，其特征在于，所述计算多个所述第一聚类簇各自对应的第二聚类中心的步骤包括：
5.如权利要求2所述的个性化内容推荐的方法，其特征在于，所述根据所述第三聚类中心，形成多个目标聚类簇的步骤包括：
6.如权利要求5所述的个性化内容推荐的方法，其特征在于，所述在多个所述初始聚类簇中筛选所述目标聚类簇的步骤包括：
7.如权利要求1所述的个性化内容推荐的方法，其特征在于，所述获取最大群体相似度对应群体向量的第一群体标签向量的步骤包括：
8.如权利要求1所述的个性化内容推荐的方法，其特征在于，所述在多个目标个体标签数据中，匹配所述历史标签
9.一种个性化内容推荐的装置，其特征在于，所述个性化内容推荐的装置包括：
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。
...【技术特征摘要】
1.一种个性化内容推荐的方法，其特征在于，所述个性化内容推荐的方法包括：
2.如权利要求1所述的个性化内容推荐的方法，其特征在于，在所述计算所述当前用户向量与多个群体向量之间的群体相似度的步骤之前，还包括：
3.如权利要求2所述的个性化内容推荐的方法，其特征在于，所述以所述目标样本用户向量为第一聚类中心，形成多个第二聚类中心的步骤包括：
4.如权利要求3所述的个性化内容推荐的方法，其特征在于，所述计算多个所述第一聚类簇各自对应的第二聚类中心的步骤包括：
5.如权利要求2所述的个性化内容推荐的方法，其特征在于，所述根据所述第三聚类中心，形成多个目标聚类簇的步骤包括：
6.如权利要求5所述的个性化内...
【专利技术属性】
技术研发人员：彭建伟，
申请(专利权)人：深圳市星潮热点传播股份有限公司，
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。