CN112632405B - 一种推荐方法、装置、设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种推荐方法、装置、设备及存储介质。该方法包括：获取目标用户的用户标签，确定用户标签的标签属性对应的各个参考事项；根据用户标签对应的权重以及用户标签所属事项与各个参考事项的相似度，计算目标用户与各个参考事项的第一匹配度；基于目标用户的相似用户和各个参考事项之间的对应关系，通过协同过滤方法计算目标用户与各个参考事项的第二匹配度；根据预设匹配度权重计算各个第一匹配度和第二匹配度的加权和，排序各个加权和对应的参考事项，根据排序结果确定目标事项并推荐给目标用户。本发明实施例从不同角度计算目标用户与可能感兴趣的参考事项的匹配度，确定待推荐的目标事项，提高了向用户推荐办理事项的准确度。

Description

一种推荐方法、装置、设备及存储介质

技术领域

本发明实施例涉及计算机技术，尤其涉及一种推荐方法、装置、设备及存储介质。

背景技术

目前用户来政务服务网站办事，只能通过主动搜索或者分类检索的方式，找到所要办理的事项，方式较为单一。由于事项名称存在相似性，且跟用户日常用语存在差异，例如口语化的生育定点，行政名称叫“生育保险参保人员就医确认手续办理”，导致用户很难通过主动搜索找到所需服务。并且，随着事项指南的不断入驻，以广东为例，目前有180多万的指南信息，用户要在海量信息中，找到符合自己的办事指南，搜索难度将进一步扩大。

虽然目前有部分地市开设了智能推荐的板块，但基本是随机推荐，并未在准确性和千人多面上做深入探索。因此，如何提高向用户推荐办理事项的准确度成为亟待解决的技术问题。

发明内容

本发明实施例提供一种推荐方法、装置、设备及存储介质，可以实现提高向用户推荐办理事项的准确度。

第一方面，本发明实施例提供了一种推荐方法，包括：

获取目标用户的用户标签，确定所述用户标签的标签属性对应的各个参考事项；

根据所述用户标签对应的权重以及用户标签所属事项与各个参考事项的相似度，计算所述目标用户与各个所述参考事项的第一匹配度；

基于所述目标用户的相似用户和各个参考事项之间的对应关系，通过协同过滤方法计算所述目标用户与各个所述参考事项的第二匹配度；

根据预设匹配度权重计算各个所述第一匹配度和第二匹配度的加权和，排序各个加权和对应的参考事项，根据排序结果确定目标事项并推荐给目标用户。

第二方面，本发明实施例还提供了一种推荐装置，包括：

标签获取模块，用于获取目标用户的用户标签，确定所述用户标签的标签属性对应的各个参考事项；

第一匹配度计算模块，用于根据所述用户标签对应的权重以及用户标签所属事项与各个参考事项的相似度，计算所述目标用户与各个所述参考事项的第一匹配度；

第二匹配度计算模块，用于基于所述目标用户的相似用户和各个参考事项之间的对应关系，通过协同过滤方法计算所述目标用户与各个所述参考事项的第二匹配度；

结果推荐模块，用于根据预设匹配度权重计算各个所述第一匹配度和第二匹配度的加权和，排序各个加权和对应的参考事项，根据排序结果确定目标事项并推荐给目标用户。

第三方面，本发明实施例还提供了一种推荐设备，所述推荐设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例提供的推荐方法。

第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明任意实施例提供的推荐方法。

本发明实施例基于目标用户的用户标签确定用户标签的标签属性对应的各个参考事项，分别从目标用户的用户标签与各个参考事项的关系以及目标用户的相似用户与各个参考事项的关系两个角度，计算目标用户与各个参考事项的第一匹配度和第二匹配度，进而通过加权求和的方式综合判定目标用户与各个参考事项的匹配度，对各个匹配度进行排序，进而根据排序结果确定目标事项并推荐给目标用户。本发明实施例基于目标用户的用户标签确定目标用户可能感兴趣的各个参考事项，从不同角度计算目标用户与各个参考事项的匹配度，进而确定可以推荐给目标用户的目标事项，提高了用户与待推荐的事项之间匹配度计算的精度，进而提高了向用户推荐办理事项的准确度。

附图说明

图1是本发明实施例一提供的一种推荐方法的流程图；

图2是本发明实施例一提供的一种基于用户的协同过滤方法的示意图；

图3是本发明实施例一提供的一种基于事项的协同过滤方法的示意图；

图4是本发明实施例二提供的另一种推荐方法的流程图；

图5是本发明实施例二提供的一种推荐方法的工作流程图；

图6是本发明实施例三提供的一种智能推荐***的架构图；

图6a是本发明实施例三提供的一种基础数据仓库的架构图；

图6b是本发明实施例三提供的一种事项建模***的架构图；

图6c是本发明实施例三提供的一种用户画像***的架构图；

图6d是本发明实施例三提供的一种智能推荐中心的架构图；

图6e是本发明实施例三提供的一种应用管理***的架构图；

图6f是本发明实施例三提供的一种优化模型的架构图；

图7是本发明实施例四提供的一种推荐装置的结构示意图；

图8是本发明实施例五提供的一种推荐设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1是本发明实施例一提供的一种推荐方法的流程图，本实施例可适用于向用户推荐用户可能需要的办理事项的情况，该方法可以由推荐装置来执行，该装置可以采用软件和/或硬件的方式实现。该装置可配置于推荐设备中。如图1所示，该方法包括：

步骤S110、获取目标用户的用户标签，确定所述用户标签的标签属性对应的各个参考事项。

需要说明的是，目标用户可以是对政务服务网站进行操作的用户。

用户标签可以用于表征用户对事项的兴趣、偏好和需求等。其中，事项可以是用户可以办理或浏览的项目。例如，事项可以是政务服务网首页、事项办事指南页面、***页面或办理页面的评论区等。每个用户可以对应一个用户标识，用户标识用于唯一标识用户，以对用户进行区分和单点定位。用户标签可以通过提取用户的属性信息和/或行为数据，分析出用户特征，并以标签的形式进行存储得到。其中，属性信息可以用于表征用户的静态属性。例如，属性信息可以包括用户的年龄、身份证信息和工作信息等。行为数据可以用于表征用户的用户行为相关的数据。例如，浏览政务服务网首页、浏览事项办事指南页面、搜索“***”、评论关于办理港澳通行证的办件和赞了下办理港澳通行证的办事指南等均可视为用户的用户行为，行为数据可以是用户在进行这些用户行为时产生的数据。

示例性地，可以基于用户的属性信息为用户建立标签。例如，可以判断用户的身份证信息中的住址是否与工作信息中的现居住地是否位于同一个省份，若位于不同的省份，说明用户可能在异地工作，可以为用户建立居住证标签或社保卡标签等用户标签。还可以基于用户的行为数据为用户建立标签。例如，可以获取用户办理过的各个事项，确定各个事项对应的事项标签，对于数量超过设定的阈值的目标事项标签，可以为用户建立该目标事项标签对应的用户标签。例如，用户在网上办理过多个事项，这些事项均对应一个网上办理的事项标签，因此可以为用户建立一个网办达人的用户标签。还可以结合用户的属性信息和行为数据为用户建立标签。例如，基于用户在人生阶段中输入的创业属性以及用户与创业相关的历史搜索记录，为用户建立创业的用户标签。

用户标签可以与权重进行关联存储。每个用户标签可以对应一个权重，该权重可以用于量化用户对事项的兴趣、偏好和需求等。例如，权重可以是用户对标签所属事项的兴趣指数、偏好指数或需求度等，也可以理解为在对用户的喜好进行分析时标签的可信度或者用户对标签所属事项感兴趣的概率等。用户标签对应的权重可以被初始化、实时更新和定期更新。具体地，权重的初始化可以通过大数据技术将基础数据仓库中的数据进行处理，为预设的用户标签配置相应的初始权重。权重的实时更新可以是在检测到用户与用户标签相关的用户行为时，通过分析用户行为，对用户标签的初始权重进行实时更新。例如，可以判定用户行为的行为类型，行为类型可以反映用户对用户标签所属事项的感兴趣程度，进而根据用户的感兴趣程度实时更新用户标签的权重。权重的定时更新可以是以预设周期更新用户标签的权重。例如，获取预设周期内权重的变化记录，若在预设周期内权重保持不变，可以按照预设降低规则降低权重。也就是说，若用户标签的权重在预设周期内保持不变，说明该用户在预设周期内没有办理或浏览用户标签所属事项，进而可以说明用户对该事项并不感兴趣，可以降低该用户标签的权重。

用户标签的标签属性可以用于确定与用户标签相关的其他用户标签。例如，标签属性可以包括一般标签、综合标签或关联标签等。同一个用户标签可以对应至少一个标签属性。例如，对于用户标签：居住证，可以对应一般标签：社会证件、综合标签：网上办理以及与居住证具有关联关系的社保卡等其他用户标签。同一标签属性可以对应至少一个用户标签。每个用户标签可以属于至少一个事项。例如，居住证可以属于办理居住证事项和浏览居住证办理指南事项等。

参考事项可以是与用户标签的标签属性对应的所有用户标签所属的事项，用于确定与用户标签相关的事项，以推荐给目标用户。

具体地，获取目标用户的用户标签，确定用户标签的标签属性，根据标签属性确定标签属性下的所有用户标签，进而确定所述所有用户标签所属的各个参考事项。

示例性地，获取目标用户的用户标签：社保卡，确定社保卡的标签属性为社会证件和网上办理，则根据这些标签属性确定与社保卡相关的各个参考事项，例如，参考事项可以包括具有同一社会证件标签属性的港澳通行证等以及具有同一网上办理标签属性的居住证等。

步骤S120、根据所述用户标签对应的权重以及用户标签所属事项与各个参考事项的相似度，计算所述目标用户与各个所述参考事项的第一匹配度。

其中，相似度可以用于表征用户标签所属事项与各个参考事项的相似程度。例如，相似度可以通过计算用户标签所属事项的事项特征向量与各个参考事项的事项特征向量之间的相似度得到。

具体地，获取用户标签对应的权重，计算用户标签所属事项与各个参考事项的相似度，根据权重和相似度计算目标用户与各个参考事项的第一匹配度。例如，目标用户的社保卡标签对应权重为0.6，计算社保卡与居住证等事项的特性向量之间的相似度，根据0.6和该相似度计算目标用户与居住证等事项的第一匹配度。其中，第一匹配度可以基于权重与相似度，通过预设公式计算得到。例如，计算权重与相似度的加权和，将加权和作为第一匹配度，或者计算权重与相似度的乘积，将乘积结果作为第一匹配度。或者通过其他与预设公式计算第一匹配度。

步骤S130、基于所述目标用户的相似用户和各个参考事项之间的对应关系，通过协同过滤方法计算所述目标用户与各个所述参考事项的第二匹配度。

目标用户的相似用户可以是与目标用户具有相似喜好的用户。例如，相似用户的确定方式可以是计算目标用户与其他用户之间的相似度，将相似度不低于预设阈值的用户作为相似用户。相似用户也具有对应的用户标签，各个用户标签所属事项中可以包括参考事项，基于相似用户和各个参考事项之间的对应关系以及相似用户针对参考事项对应用户标签的权重，可以确定相似用户对各个参考事项的感兴趣程度。

具体地，确定各个参考事项对应的各个参考用户标签，获取目标用户的相似用户针对各个参考用户标签的权重，根据相似用户针对各个参考用户标签的权重，通过协同过滤方法计算目标用户与各个参考用户标签的权重，继而根据各个参考用户标签与各个参考事项的对应关系，确定目标用户与各个参考事项的第二匹配度。

示例性地，协同过滤方法可以包括基于用户的协同过滤方法、基于事项的协同过滤方法和基于模型的协同过滤方法。

其中，基于用户的协同过滤方法的算法逻辑可以是“相似的人会有相同的喜好”。例如，通过分析相似用户与各个参考用户标签的权重，计算目标用户与各个相似用户的用户相似度，根据权重和用户相似度确定目标用户与各个参考用户标签的权重。图2是本发明实施例一提供的一种基于用户的协同过滤方法的示意图。如图2所示，目标用户甲具有相似用户乙和丙，事项A、B、C和D分别对应不同的参考用户标签a、b、c和d，基于乙和丙的参考用户标签a、b、c和d对应的权重，确定乙和丙与事项A、B、C和D的权重，进而根据甲与乙的用户相似度、甲与丙的用户相似度以及乙和丙与事项A、B、C和D的权重，确定甲与事项A、B、C和D的权重。

基于事项的协同过滤方法的算法逻辑可以是“喜欢一个事项的用户会喜欢相似的事项”。例如，通过分析相似用户与各个参考用户标签的权重，计算各个参考用户标签的事项相似度，根据权重和事项相似度确定目标用户与各个参考用户标签的权重。图3是本发明实施例一提供的一种基于事项的协同过滤方法的示意图。如图3所示，目标用户丙具有相似用户甲和乙，事项A、B、C和D分别对应不同的参考用户标签a、b、c和d，基于甲和乙的参考用户标签a、b、c和d对应的权重，确定甲和乙与事项A、B、C和D的权重，计算A、B、C和D中两两组合的事项相似度，进而根据事项相似度和权重确定丙与事项A、B、C和D的权重。

基于模型的协同过滤方法的算法逻辑可以是基于样本用户与所有事项的权重训练推荐模型，以在将目标用户、目标用户的相似用户以及各个参考用户标签输入推荐模型后，可以通过推荐模型输出目标用户与各个参考用户标签的权重。其中，样本用户与所有事项的权重可以通过确定所有事项对应的所有参考用户标签，基于样本用户针对所有参考用户标签的权重得到。

需要说明的是，步骤S120和步骤S130并不限于上述执行顺序，还可以先执行步骤S130然后执行步骤S120，或者步骤S120和步骤S130还可以并行执行。

步骤S140、根据预设匹配度权重计算各个所述第一匹配度和第二匹配度的加权和，排序各个加权和对应的参考事项，根据排序结果确定目标事项并推荐给目标用户。

预设匹配度权重可以是在对第一匹配度和第二匹配度计算加权和时分别分配给第一匹配度和第二匹配度的权重，用于综合判定目标用户针对各个参考事项的匹配度。预设匹配度权重可以预先确定，并在计算第一匹配度和第二匹配度的加权和时直接分别获取第一匹配度的预设匹配度权重和第二匹配度的预设匹配度权重。或者，预设匹配度权重还可以基于目标用户在政务服务网站的历史操作情况确定。由于第一匹配度是基于用户已有的用户标签的权重以及事项之间的相似度计算得到，与目标用户的用户行为关系较小，因此更适合冷启动的语义环境。由于第二匹配度是基于目标用户的相似用户与各个参考事项之间的对应关系计算得到，在确定目标用户的相似用户时，需要针对目标用户的用户属性和用户行为确定与目标用户相似的相似用户，因此，与目标用户的用户行为关系较大，能够适应热启动的语义环境。综上，预设匹配度权重可以根据目标用户在政务服务网站的历史操作情况，在对目标用户进行推荐时，判断更适合冷启动的语义环境还是热启动的语义环境，并根据判断结果为对应的匹配度分配更高的预设匹配度权重。例如，对于历史操作次数低于预设阈值或新注册的目标用户，可以为第一匹配度分配较高的预设匹配度权重，为第二匹配度分配较低的预设匹配度权重。对于历史操作次数不低于预设阈值或可以判定为老用户的目标用户，可以为第一匹配度分配较低的预设匹配度权重，为第二匹配度分配较高的预设匹配度权重。

具体地，根据预设匹配度权重计算各个第一匹配度和第二匹配度的加权和，将各个加权和确定为目标用户与各个参考事项的参考匹配度，对各个参考匹配度进行排序，根据排序结果确定目标匹配度对应的目标事项，并将目标事项推荐给目标用户。其中，排序结果可以是对各个加权和进行升序或降序排序后的结果。若排序结果是降序排序结果，则可以选取排序在前的预设数量的参考事项作为目标事项。

本发明实施例基于目标用户的用户标签确定用户标签的标签属性对应的各个参考事项，分别从目标用户的用户标签与各个参考事项的关系以及目标用户的相似用户与各个参考事项的关系两个角度，计算目标用户与各个参考事项的第一匹配度和第二匹配度，进而通过加权求和的方式综合判定目标用户与各个参考事项的匹配度，对各个匹配度进行排序，进而根据排序结果确定目标事项并推荐给目标用户。本发明实施例基于目标用户的用户标签确定目标用户可能感兴趣的各个参考事项，从不同角度计算目标用户与各个参考事项的匹配度，进而确定可以推荐给目标用户的目标事项，提高了用户与待推荐的事项之间匹配度计算的精度，进而提高了向用户推荐办理事项的准确度。

实施例二

图4是本发明实施例二提供的另一种推荐方法的流程图，本实施例在上述实施例的基础上进行优化，如图4所示，该方法包括：

步骤S210、获取目标用户的用户标签，确定与所述用户标签具有同一属性的其它用户标签对应的各个参考事项。

示例性地，图5是本发明实施例二提供的一种推荐方法的工作流程图。如图5所示，内容画像可以理解为对事项本身的描述。例如，事项是否为网上办理、能否快递和适用人群等。内容画像中包括了与事项相关的信息。用户画像可以理解为对用户的描述。用户画像中包括了用户标签、权重和用户属性等与用户相关的信息。通过匹配内容画像和用户画像，可以对目标用户与事项进行初步匹配。

可选地，在获取目标用户的用户标签之前，还可以包括：

当检测到目标用户的用户行为时，确定所述用户行为对应的用户标签；

获取所述用户行为的行为类型对应的行为系数，根据所述行为系数更新所述用户标签对应的权重。

其中，用户行为的行为类型可以是用户对事项的操作类型。例如，行为类型可以包括浏览、办事、搜索、评论、收藏或点赞等。当目标用户的用户行为是浏览社保卡界面时，对应的行为类型可以是浏览。当目标用户的用户行为是在社保卡交流界面点赞了一条评论时，对应的行为类型可以是点赞。

行为系数可以根据用户行为的行为类型对用户标签所属事项的感兴趣程度进行预先设定，用于确定用户行为对用户标签的影响程度。例如，浏览对应的行为系数可以是1.1，由于办事相比浏览更加能够体现用户对事项感兴趣，可以设置办事对应的行为系数为1.6。

示例性地，当目标用户浏览社保卡界面时，用户标签为社保卡，行为类型为浏览。该行为类型对应的行为系数为1.1，根据该行为系数更新用户标签对应的权重，以实现浏览越多权重更大的效果。当目标用户办理社保卡时，用户标签为社保卡，行为类型为办事。该行为类型可以对应一个更高的行为系数1.6，根据该行为系数更新权重，以便后续为目标用户推荐与社保卡相关的事项。

本实施例通过实时检测目标用户实时的用户行为，根据用户行为的行为类型确定对应的行为系数，进而根据该行为系数更新用户行为对应的用户标签的权重，实现了实时更新目标用户的用户标签的权重，以在推荐事项给目标用户时，能够实时跟进目标用户的需求，提高事项推荐的精确度。

进一步地，确定所述用户行为对应的用户标签，可以包括：

获取所述用户行为对应事项的事项内容，判断是否存在所述事项内容对应的用户标签；

若是，执行获取所述用户行为的行为类型对应的行为系数的步骤；

若否，建立所述事项内容与目标用户标签的关联关系，获取所述用户行为对应事项的事项网址，根据预设的事项网址与权重的对应关系，确定所述目标用户标签的权重为所述事项网址对应的权重。

其中，事项内容可以是事项所在网址、页面或屏幕中的内容，用于确定事项对应的用户标签。例如，事项内容可以包括事项类型、事项描述和事项属性等信息。

目标用户标签可以是在目标用户的所有用户标签中不存在该事项内容对应的用户标签时，为目标用户新设置的用户标签，用于增加目标用户的用户标签。

具体地，获取用户行为对应事项的事项内容，根据事项内容判断是否存在相应的用户标签。若存在，则继续执行获取所述用户行为的行为类型对应的行为系数的步骤。若不存在，根据事项内容在预设的所有用户标签中确定对应的目标用户标签，建立事项内容与目标用户标签的关联关系，获取用户行为对应事项的事项网址，根据预设的事项网址与权重的对应关系，确定事项网址对应的权重，将该事项网址对应的权重作为目标用户标签的权重。其中，事项网址决定了权重，事项内容决定了目标用户标签。事项网址可以是事项所在的互联网页面地址。例如，事项网址可以是政务服务网上事项的办事指南页面URL(Uniform Resource Locator,统一资源***)链接或手机政务服务应用程序上的某个功能页面链接等。

本实施例通过判断用户行为对应事项的事项内容是否存在对应的用户标签，并在不存在的情况下为目标用户新建立目标用户标签，并根据事项的事项网址确定目标用户标签的权重，实现了实时更新用户的用户标签，以便构建更完整的用户画像，使用户的特征更加明显，能够为用户推荐更加适合用户的事项。

可选地，确定所述用户标签的标签属性对应的各个参考事项，包括：

若所述用户标签是综合标签，确定与所述用户标签具有同一属性的其它用户标签对应的各个参考事项；

若所述用户标签是关联标签，确定与所述用户标签关联的各个参考事项。

其中，综合标签可以基于多个用户标签综合的属性确定，可以理解为比一般标签更上一层的用户标签。若用户标签是综合标签，则可以确定存在与该用户标签具有同一属性的其他用户标签，获取其他用户标签对应的各个事项，并作为参考事项。例如，用户标签的“网办达人”属于更上一层的综合标签，由于社保卡标签和居住证标签均存在一个属性是网上办理，与“网办达人”具有同一属性，则可以将社保卡标签对应的社保卡相关事项和居住证标签对应的居住证相关事项作为参考事项。

关联标签可以基于与用户标签与其他用户标签之间的关联关系确定。若用户标签的关联标签，则可以确定存在与该用户标签具有关联关系的其他用户标签，获取其他用户标签对应的各个事项，并作为参考事项。例如，用户标签是社保卡，社保卡与居住证具有关联关系，预设的关联关系是申领居住证是申领社保卡的后续关联事项，所以可以将居住证事项作为参考事项。其中，预设的关联关系可以通过预先存储一条“知识”确定，该“知识”用于确定用户标签之间的关联关系。

本实施例通过分析用户标签的标签属性，根据不同的标签属性选择不同的确定各个参考事项的方式，能够提高参考事项确定的精度，并为后续从各个参考事项中为用户推荐用户可能感兴趣的事项提供稳固的基础。并且，基于目标用户的用户标签确定参考事项，将目标用户可能感兴趣的所有参考事项均进行确定，召回率更高，能够适应冷启动的语义环境。

步骤S220、提取所述用户标签所属事项的事项特征，生成目标特征向量，提取各个参考事项的事项特征，生成参考特征向量，计算所述目标特征向量与参考特征向量之间的相似度。

其中，事项特征可以基于事项标签体系确定。事项标签体系可以包括事项类型、事项区域、办理条件、使用范围和办理方式等。

具体地，分别提取用户标签所属事项的事项特征和参考事项的事项特征，并生成相应的目标特征向量和参考特征向量，计算目标特征向量和参考特征向量之间的相似度，以确定用户标签所属事项与各个参考事项的相似度。

步骤S230、获取所述用户标签对应的权重，根据所述权重以及相似度，计算所述目标用户与各个所述参考事项的第一匹配度。

示例性地，如图5所示，步骤S220至步骤S230可以理解为图5中基于内容的召回。

步骤S240、获取所述目标用户的用户属性，基于所述用户属性确定与所述目标用户的相似度不低于预设阈值的相似用户，获取所述相似用户的用户标签。

其中，用户属性可以基于用户标签体系确定。用户标签体系可以包括用户标签、用户群、用户画像、用户人群和画像信息等。用户属性可以包括年龄阶段、网办频率和是否本地户籍等。

步骤S250、根据各个参考事项与所述相似用户的用户标签的对应关系，在所述相似用户的所有用户标签中确定与各个所述参考事项对应的目标标签，获取所述目标标签的权重，并基于所述目标用户和相似用户分别对应各个目标标签的权重生成行为矩阵。

具体地，由于相似用户可以具有各个参考事项对应的用户标签，所以可以根据各个参考事项与相似用户的用户标签的对应关系，在相似用户的所有用户标签中确定与各个参考事项对应的目标标签，分别获取目标用户和相似用户针对各个目标标签的权重，生成行为矩阵。

可选地，基于所述目标用户和相似用户分别对应各个目标标签的权重生成行为矩阵，可以包括：

以所述目标用户、相似用户和各个参考事项为矩阵维度，以所述目标用户和相似用户针对各个参考事项确定的目标标签的权重为矩阵元素，并基于所述目标用户和相似用户分别对应各个目标标签的权重生成行为矩阵。

示例性地，在建立目标用户、相似用户和各个参考事项的行为矩阵时，可以以目标用户和相似用户作为行维度，以各个参考事项作为列维度，分别将目标用户和相似用户针对各个参考事项确定的目标标签的权重填充至矩阵的对应位置上，形成行为矩阵。行为矩阵存在一定的稀疏性，这是由于目标用户和相似用户对个别参考事项没有相应的权重，因此导致行为矩阵中对应的矩阵元素不存在。进而可以通过协同过滤的方法补充对应缺失的矩阵元素，以实现对目标用户针对所有参考事项均存在相应的矩阵元素。

步骤S260、基于所述行为矩阵以及协同过滤方法计算所述目标用户与各个所述参考事项的第二匹配度。

示例性地，如图5所示，步骤S240至步骤S260可以理解为图5中通过协同过滤方法召回。

可选地，基于所述行为矩阵以及协同过滤方法计算所述目标用户与各个所述参考事项的第二匹配度，包括：

基于所述行为矩阵以及协同过滤方法计算所述目标用户与各个所述参考事项的用户侧匹配度、事项侧匹配度和模型侧匹配度；

对于每个所述参考事项，根据预设的协同过滤匹配度权重计算用户侧匹配度、事项侧匹配度和模型侧匹配度的加权和，将所述加权和作为所述目标用户与所述参考事项的第二匹配度。

其中，用户侧匹配度可以是通过基于用户的协同过滤方法得到。事项侧匹配度可以是通过基于事项的协同过滤方法得到。模型侧匹配度可以是通过基于模型的协同过滤方法得到。

协同过滤匹配度权重可以是分别为三种协同过滤方法预先设置的权重，用于综合判定目标用户与参考事项的第二匹配度。

本实施例通过三种协同过滤方法计算目标用户与各个参考事项的匹配度，并基于预设的协同过滤匹配度权重计算三种协同过滤方法得到的匹配度的加权和，进而确定目标用户与各个参考事项的第二匹配度，相比仅通过一种方法计算匹配度能够更好地预测CTR(Click-Through-Rate,点击通过率)。并且，协同过滤方法能够适应热启动语义环境，进一步提高了向用户推荐办理事项的准确度。

需要说明的是，步骤S220至步骤S260并不限于上述执行顺序，还可以先执行步骤S240至步骤S260，然后执行步骤S220至步骤S230。或者，步骤S220至步骤S230与步骤S240至步骤S260还可以并行执行。或者其他执行顺序，本发明对此不作具体限定。

步骤S270根据预设匹配度权重计算各个所述第一匹配度和第二匹配度的加权和，排序各个加权和对应的参考事项，根据排序结果确定目标事项并推荐给目标用户。

可选地，除了根据排序结果确定目标事项推荐给目标用户之外，还可以匹配目标用户的用户属性与热门信息，将与用户属性匹配的热门信息推荐给目标用户。例如，根据用户登录的IP(Internet Protocol Address,互联网协议地址)所在地，推送当地的热门办理事项。热门信息的推荐可以是在推荐页面上的特定热门信息推荐版块进行展示。

示例性地，如图5所示，通过优化模型确定内容画像和用户画像。通过匹配内容画像和用户画像，可以对目标用户与事项进行初步匹配。然后对初步匹配到的参考事项通过优化模型进行基于内容、协同过滤方法和/或基于热门的召回，对召回后的各个事项进行排序，并进行内容展示。其中，召回可以理解为从全量信息集合中触发尽可能多的正确结果，并将结果返回给“排序”。本实施例通过执行本发明实施例提供的推荐方法构建优化模型，可以预测CTR。并且，基于优化模型中用户标签的使用时长以及用户行为对用户标签对应权重的影响对用户标签的权重进行实时更新，实现对整体推荐方法的正向反馈和负向反馈。

本发明实施例通过融合适应冷启动语义环境的推荐方法与适应热启动语义环境的推荐方法，基于目标用户的用户标签以及相应的权重计算目标用户与可能感兴趣的参考事项之间的匹配度，进而将匹配度更高的目标事项推荐给目标用户，实现了向用户精准推荐办理事项，提高了CTR的预测准确率。

实施例三

图6是本发明实施例三提供的一种智能推荐***的架构图，本实施例在上述实施例的基础上进行优化。如图6所示，该架构包括基础数据仓库、事项建模***、用户画像***、智能推荐中心、应用管理***和推荐规则管理中心几大模块。其中，基础数据仓库包括业务***、数据源、数据采集和ETL(Extract-Transform-Load,数据仓库技术)。应用管理***包括应用场景、应用、企业和老百姓。推荐规则管理中心包括优化模型。

图6a是本发明实施例三提供的一种基础数据仓库的架构图。如图6a所示，基于数字信息化建设，通过事项***、统一申办***、好差评***和咨询投诉***等业务***获取了大量的数据源。数据源可以包括事项库、一件事库和用户评价等事项数据源，还可以包括用户基础数据、企业基础数据和电子证照等用户数据源。通过数据采集技术和/或ETL可以从数据源中获取事项数据和用户数据两大类。通过ETL工具，将统一用户基础数据、政务服务事项数据、个人与企业的办件数据、电子证照数据、物流支付数据、咨询投诉数据和用户评价数据抽取和转换，形成数据仓库，建立用户、事项事实表以及以用户、事项为中心的维表。基于事实表和维表就可以构建出多种多维模型(Cube)，包括星形模型、雪花模型和星座模型。事项数据和用户数据可以通过数据仓库存储。数据仓库模型可以基于星形模型构建。事实表里面主要包含两方面的信息：维和度量。维的具体描述信息记录在维表，事实表中的维属性只是一个关联到维表的键，并不记录具体信息。度量一般都会记录办件的相应数值，比如办件数量等。维表中的信息一般是可以分层的，比如时间维度的年月日和地域维度的省市县等，这类分层的信息可以满足事实表中的度量可以在不同的粒度上完成聚合，比如2019年事项的办件量、来自广州市的办件量等。

还有一点需要注意的是，维表的信息更新频率不高或者保持相对的稳定，例如一个已经建立的十年的时间维在短期是不需要更新的，地域维也是；但是事实表中的数据会不断地更新或增加，因为事件一直在不断地发生，用户在不断地产生办件。

图6b是本发明实施例三提供的一种事项建模***的架构图。如图6b所示，对于事项建模***，通过建模算法对事项数据进行处理，构建事项的特征。图6c是本发明实施例三提供的一种用户画像***的架构图。如图6c所示，对于用户画像***，通过行为建模算法对用户数据进行处理，构建用户画像。用户画像，即用户信息标签化，通过收集与分析“办事人”社会属性、生活习惯和办事行为等主要信息的数据之后，抽象出一个用户的业务全貌，快速、精准地找到用户群体以及发掘用户需求，从大量信息中找到自己感兴趣的信息提供政务服务信息推荐。用户画像由很多的用户标签组成，每个用户标签都规定了观察、认识或描述用户的角度。用户标签根据业务的发展情况或多或少，但所有用户标签的集合对外而言都是一个整体，这个整体称之为用户画像。构建用户画像是为了还原用户信息，因此数据来源于所有用户相关的数据。对于用户相关数据的分类，引入一种重要的分类思想：封闭性的分类方式。如世界上分为两种人，一种是网办达人的人，一种是不会网办的人；用户分三类，年轻人，中年人，老年人；办事人生命周期分为，投入期、成长期、成熟期、衰退期等，所有的子分类将构成了类目空间的全部集合。这样的分类方式，有助于后续不断枚举并迭代补充遗漏的信息维度。不必担心架构上对每一层分类没有考虑完整，造成维度遗漏留下扩展性隐患。另外，不同的分类方式根据应用场景，业务需求的不同，也许各有道理，按需划分即可。用户画像的核心工作是为用户设置用户标签，设置用户标签的重要目的之一是为了让人能够理解并且方便计算机处理。如可以做分类统计：喜欢办港澳通行证的用户有多少，喜欢办港澳通行证的人群中，男、女比例是多少。也可以做数据挖掘工作，如利用关联规则计算喜欢办港澳通行证的人通常去***什么事情。利用聚类算法分析喜欢办港澳通行证的人年龄段分布情况。大数据处理离不开计算机的运算，用户标签提供了一种便捷的方式，使得计算机能够程序化处理与人相关的信息，甚至通过算法、模型能够“理解”人。当计算机具备这样的能力后，无论是搜索引擎、推荐引擎、广告投放等各种应用领域，都将能进一步提升精准度，提高信息获取的效率。

图6d是本发明实施例三提供的一种智能推荐中心的架构图。如图6d所示，通过人工配置或推荐算法确定初始推荐结果将初始推荐结果进行过滤，针对过滤后的推荐结果进行排名。或进行初始匹配，将初始匹配进行召回，针对召回结果进行排序，直至得到推荐结果。智能推荐中心还包括评测***，可以从不同角度评测推荐结果。

图6e是本发明实施例三提供的一种应用管理***的架构图。如图6e所示，以外地人在当地办理事项为例，先通过证照和户口簿信息，根据登录的用户有无当地户口判断是否是外地人。再根据用户三个月内的行为数据，例如搜索词、浏览事项等行为，判断是否跟居住相关，若相关，则推送居住登记、申领居住证等事项。再者，推荐外来人常办的事项，例如人才引进、异地补领身份证、公积金异地转移等业务。最后，根据用户登录的IP所在地，推送当地的热门办理事项。综上，根据画像行为、群体常办和地域常办的事项进行综合排序和去重后，形成这个用户的个性化推荐事项。

图6f是本发明实施例三提供的一种优化模型的架构图。图6f与图5类似，在此不作赘述。

本发明实施例提供了一种智能推荐***，通过基础数据仓库为整体架构提供了庞大的数据支持，通过事项建模***和用户画像***分别对事项和用户进行画像，以在后续的推荐过程中实现精准的定位和分析，通过智能推荐中心和推荐规则管理中心为用户提供了精确度更高的推荐方法，通过应用管理***实现对用户端的交互。本发明实施例提供的智能推荐***能够实现对用户的全方位分析和智能推荐，提高了向用户推荐办理事项的准确度。

实施例四

图7是本发明实施例四提供的一种推荐装置的结构示意图。该装置可由软件和/或硬件实现，一般可集成在推荐设备中，可以通过执行推荐方法实现提高向用户推荐办理事项的准确度。如图7所示，该装置包括：

标签获取模块310，用于获取目标用户的用户标签，确定所述用户标签的标签属性对应的各个参考事项；

第一匹配度计算模块320，用于根据所述用户标签对应的权重以及用户标签所属事项与各个参考事项的相似度，计算所述目标用户与各个所述参考事项的第一匹配度；

第二匹配度计算模块330，用于基于所述目标用户的相似用户和各个参考事项之间的对应关系，通过协同过滤方法计算所述目标用户与各个所述参考事项的第二匹配度；

结果推荐模块340，用于根据预设匹配度权重计算各个所述第一匹配度和第二匹配度的加权和，排序各个加权和对应的参考事项，根据排序结果确定目标事项并推荐给目标用户。

可选地，所述装置还包括：

标签确定模块，用于在获取目标用户的用户标签之前，当检测到目标用户的用户行为时，确定所述用户行为对应的用户标签；

权重更新模块，用于获取所述用户行为的行为类型对应的行为系数，根据所述行为系数更新所述用户标签对应的权重。

可选地，所述标签确定模块，具体用于：

获取所述用户行为对应事项的事项内容，判断是否存在所述事项内容对应的用户标签；

若是，执行获取所述用户行为的行为类型对应的行为系数的步骤；

若否，建立所述事项内容与目标用户标签的关联关系，获取所述用户行为对应事项的事项网址，根据预设的事项网址与权重的对应关系，确定所述目标用户标签的权重为所述事项网址对应的权重。

可选地，所述标签获取模块310，具体用于：

若所述用户标签是综合标签，确定与所述用户标签具有同一属性的其它用户标签对应的各个参考事项；

若所述用户标签是关联标签，确定与所述用户标签关联的各个参考事项。

可选地，所述第一匹配度计算模块320，具体用于：

提取所述用户标签所属事项的事项特征，生成目标特征向量；

提取各个参考事项的事项特征，生成参考特征向量；

计算所述目标特征向量与参考特征向量之间的相似度；

获取所述用户标签对应的权重，根据所述权重以及相似度，计算所述目标用户与各个所述参考事项的第一匹配度。

可选地，所述第二匹配度计算模块330，具体用于：

获取所述目标用户的用户属性，基于所述用户属性确定与所述目标用户的相似度不低于预设阈值的相似用户，获取所述相似用户的用户标签；

根据各个参考事项与所述相似用户的用户标签的对应关系，在所述相似用户的所有用户标签中确定与各个所述参考事项对应的目标标签，获取所述目标标签的权重，并基于所述目标用户和相似用户分别对应各个目标标签的权重生成行为矩阵；

基于所述行为矩阵以及协同过滤方法计算所述目标用户与各个所述参考事项的第二匹配度。

可选地，所述第二匹配度计算模块330，具体用于：

以所述目标用户、相似用户和各个参考事项为矩阵维度，以所述目标用户和相似用户针对各个参考事项确定的目标标签的权重为矩阵元素，并基于所述目标用户和相似用户分别对应各个目标标签的权重生成行为矩阵。

可选地，所述第二匹配度计算模块330，具体用于：

基于所述行为矩阵以及协同过滤方法计算所述目标用户与各个所述参考事项的用户侧匹配度、事项侧匹配度和模型侧匹配度；

对于每个所述参考事项，根据预设的协同过滤匹配度权重计算用户侧匹配度、事项侧匹配度和模型侧匹配度的加权和，将所述加权和作为所述目标用户与所述参考事项的第二匹配度。

本发明实施例所提供的推荐装置可执行本发明任意实施例所提供的推荐方法，具备执行方法相应的功能模块和有益效果。

实施例五

图8是本发明实施例五提供的一种推荐设备的结构示意图，如图8所示，该推荐设备包括处理器400、存储器410、输入装置420和输出装置430；推荐设备中处理器400的数量可以是一个或多个，图8中以一个处理器400为例；推荐设备中的处理器400、存储器410、输入装置420和输出装置430可以通过总线或其他方式连接，图8中以通过总线连接为例。

存储器410作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的推荐方法对应的程序指令和/或模块(例如，推荐装置中的标签获取模块310、第一匹配度计算模块320、第二匹配度计算模块330和结果推荐模块340)。处理器400通过运行存储在存储器410中的软件程序、指令以及模块，从而执行推荐设备的各种功能应用以及数据处理，即实现上述的推荐方法。

存储器410可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器410可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器410可进一步包括相对于处理器400远程设置的存储器，这些远程存储器可以通过网络连接至推荐设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置420可用于接收输入的数字或字符信息，以及产生与推荐设备的用户设置以及功能控制有关的键信号输入。输出装置430可包括显示屏等显示设备。

实施例六

本发明实施例六还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种推荐方法，该方法包括：

获取目标用户的用户标签，确定所述用户标签的标签属性对应的各个参考事项；

根据所述用户标签对应的权重以及用户标签所属事项与各个参考事项的相似度，计算所述目标用户与各个所述参考事项的第一匹配度；

基于所述目标用户的相似用户和各个参考事项之间的对应关系，通过协同过滤方法计算所述目标用户与各个所述参考事项的第二匹配度；

根据预设匹配度权重计算各个所述第一匹配度和第二匹配度的加权和，排序各个加权和对应的参考事项，根据排序结果确定目标事项并推荐给目标用户。

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的推荐方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

值得注意的是，上述推荐装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (9)

1.一种推荐方法，其特征在于，包括：

获取目标用户的用户标签，确定所述用户标签的标签属性对应的各个参考事项；

根据所述用户标签对应的权重以及用户标签所属事项与各个参考事项的相似度，计算所述目标用户与各个所述参考事项的第一匹配度；

基于所述目标用户的相似用户和各个参考事项之间的对应关系，通过协同过滤方法计算所述目标用户与各个所述参考事项的第二匹配度；

根据预设匹配度权重计算各个所述第一匹配度和第二匹配度的加权和，排序各个加权和对应的参考事项，根据排序结果确定目标事项并推荐给目标用户；

其中，同一个用户标签对应至少一个标签属性；同一标签属性对应至少一个用户标签；每个用户标签属于至少一个事项；

所述确定所述用户标签的标签属性对应的各个参考事项，包括：获取所述目标用户的用户标签，确定所述用户标签的标签属性，根据所述标签属性确定所述标签属性下的所有用户标签，进而确定所述所有用户标签所属的各个参考事项。

2.根据权利要求1所述的方法，其特征在于，在获取目标用户的用户标签之前，还包括：

当检测到目标用户的用户行为时，确定所述用户行为对应的用户标签；

获取所述用户行为的行为类型对应的行为系数，根据所述行为系数更新所述用户标签对应的权重。

3.根据权利要求2所述的方法，其特征在于，确定所述用户行为对应的用户标签，包括：

获取所述用户行为对应事项的事项内容，判断是否存在所述事项内容对应的用户标签；

若是，执行获取所述用户行为的行为类型对应的行为系数的步骤；

若否，建立所述事项内容与目标用户标签的关联关系，获取所述用户行为对应事项的事项网址，根据预设的事项网址与权重的对应关系，确定所述目标用户标签的权重为所述事项网址对应的权重。

4.根据权利要求1所述的方法，其特征在于，确定所述用户标签的标签属性对应的各个参考事项，包括：

若所述用户标签是综合标签，确定与所述用户标签具有同一属性的其它用户标签对应的各个参考事项；

若所述用户标签是关联标签，确定与所述用户标签关联的各个参考事项。

5.根据权利要求1所述的方法，其特征在于，根据所述用户标签对应的权重以及用户标签所属事项与各个参考事项的相似度，计算所述目标用户与各个所述参考事项的第一匹配度，包括：

提取所述用户标签所属事项的事项特征，生成目标特征向量；

提取各个参考事项的事项特征，生成参考特征向量；

计算所述目标特征向量与参考特征向量之间的相似度；

获取所述用户标签对应的权重，根据所述权重以及相似度，计算所述目标用户与各个所述参考事项的第一匹配度。

6.根据权利要求1所述的方法，其特征在于，基于所述目标用户的相似用户和各个参考事项之间的对应关系，通过协同过滤方法计算所述目标用户与各个所述参考事项的第二匹配度，包括：

获取所述目标用户的用户属性，基于所述用户属性确定与所述目标用户的相似度不低于预设阈值的相似用户，获取所述相似用户的用户标签；

根据各个参考事项与所述相似用户的用户标签的对应关系，在所述相似用户的所有用户标签中确定与各个所述参考事项对应的目标标签，获取所述目标标签的权重，并基于所述目标用户和相似用户分别对应各个目标标签的权重生成行为矩阵；

基于所述行为矩阵以及协同过滤方法计算所述目标用户与各个所述参考事项的第二匹配度；

其中，所述基于所述目标用户和相似用户分别对应各个目标标签的权重生成行为矩阵，包括：

以所述目标用户、相似用户和各个参考事项为矩阵维度，以所述目标用户和相似用户针对各个参考事项确定的目标标签的权重为矩阵元素，并基于所述目标用户和相似用户分别对应各个目标标签的权重生成行为矩阵；

其中，所述基于所述行为矩阵以及协同过滤方法计算所述目标用户与各个所述参考事项的第二匹配度，包括：

基于所述行为矩阵以及协同过滤方法计算所述目标用户与各个所述参考事项的用户侧匹配度、事项侧匹配度和模型侧匹配度；

对于每个所述参考事项，根据预设的协同过滤匹配度权重计算用户侧匹配度、事项侧匹配度和模型侧匹配度的加权和，将所述加权和作为所述目标用户与所述参考事项的第二匹配度。

7.一种推荐装置，其特征在于，包括：

标签获取模块，用于获取目标用户的用户标签，确定所述用户标签的标签属性对应的各个参考事项；

第一匹配度计算模块，用于根据所述用户标签对应的权重以及用户标签所属事项与各个参考事项的相似度，计算所述目标用户与各个所述参考事项的第一匹配度；

第二匹配度计算模块，用于基于所述目标用户的相似用户和各个参考事项之间的对应关系，通过协同过滤方法计算所述目标用户与各个所述参考事项的第二匹配度；

结果推荐模块，用于根据预设匹配度权重计算各个所述第一匹配度和第二匹配度的加权和，排序各个加权和对应的参考事项，根据排序结果确定目标事项并推荐给目标用户；

其中，同一个用户标签对应至少一个标签属性；同一标签属性对应至少一个用户标签；每个用户标签属于至少一个事项；

所述标签获取模块，具体用于：获取所述目标用户的用户标签，确定所述用户标签的标签属性，根据所述标签属性确定所述标签属性下的所有用户标签，进而确定所述所有用户标签所属的各个参考事项。

8.一种推荐设备，其特征在于，所述推荐设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的推荐方法。

9.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-6中任一所述的推荐方法。