【技术实现步骤摘要】
本专利技术涉及智能推荐，具体为人工智能智能推荐系统及方法。
技术介绍
1、传统的智能推荐系统在处理多用户共享账户时面临诸多技术问题。
2、首先，传统系统通常假设每个账户对应一个独立的用户，因此在数据获取和处理阶段无法有效区分同一个账户下的不同用户，导致行为日志中的多模态行为数据（如评分、浏览时间、点击次数、搜索记录和观看时间等）被混在一起，失去了个性化推荐的基础。
3、其次，由于用户行为数据的混杂，传统系统在生成用户行为特征向量时无法准确捕捉每个用户的行为模式，导致生成的特征向量无法有效代表特定用户的行为习惯，从而影响推荐结果的准确性。此外，传统系统在时序分析方面也存在局限，无法将时间因素与用户行为模式有效结合，使得推荐结果缺乏对用户动态行为变化的捕捉。
4、最后，由于缺乏对共享账户环境的专门处理机制，传统推荐系统在生成预测模型时，倾向于使用全局性的模型或基于静态特征的方法，无法精确地预测不同用户在不同时间分段的行为偏好，进一步削弱了推荐的个性化和精准性。这些问题在多用户共享账户的场景下尤为突出，严重...
【技术保护点】
1.人工智能智能推荐系统，其特征在于，包括数据获取模块（100）、行为模式识别模块（200）、时序分析模块（300）和预测模型生成模块（400），其中：
2.根据权利要求1所述的人工智能智能推荐系统，其特征在于，所述行为模式识别模块（200）生成不同用户的初始行为特征向量的过程具体包括：
3.根据权利要求1所述的人工智能智能推荐系统，其特征在于，所述时序分析模块（300）包括时序偏好矩阵生成单元（301），所述时序偏好矩阵生成单元（301）生成不同用户的时序偏好矩阵的过程具体包括：
4.根据权利要求3所述的人工智能智能推荐系统，其特...
【技术特征摘要】
1.人工智能智能推荐系统，其特征在于，包括数据获取模块（100）、行为模式识别模块（200）、时序分析模块（300）和预测模型生成模块（400），其中：
2.根据权利要求1所述的人工智能智能推荐系统，其特征在于，所述行为模式识别模块（200）生成不同用户的初始行为特征向量的过程具体包括：
3.根据权利要求1所述的人工智能智能推荐系统，其特征在于，所述时序分析模块（300）包括时序偏好矩阵生成单元（301），所述时序偏好矩阵生成单元（301）生成不同用户的时序偏好矩阵的过程具体包括：
4.根据权利要求3所述的人工智能智能推荐系统，其特征在于，所述...
【专利技术属性】
技术研发人员：刘代勇，王金荣，刘厚春，
申请(专利权)人：天步晋江网络科技有限公司，
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。