CN114936326B - 基于人工智能的信息推荐方法、装置、设备及存储介质 - Google Patents
基于人工智能的信息推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114936326B CN114936326B CN202210852981.7A CN202210852981A CN114936326B CN 114936326 B CN114936326 B CN 114936326B CN 202210852981 A CN202210852981 A CN 202210852981A CN 114936326 B CN114936326 B CN 114936326B
- Authority
- CN
- China
- Prior art keywords
- user
- data
- behavior
- information
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 62
- 230000000007 visual effect Effects 0.000 claims abstract description 32
- 230000006399 behavior Effects 0.000 claims description 160
- 239000013598 vector Substances 0.000 claims description 88
- 238000012795 verification Methods 0.000 claims description 19
- 238000004140 cleaning Methods 0.000 claims description 16
- 230000002457 bidirectional effect Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 238000012163 sequencing technique Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能领域,公开了一种基于人工智能的信息推荐方法、装置、设备及存储介质,用于提高信息推荐的准确率。所述基于人工智能的信息推荐方法包括:根据基本信息和浏览信息生成用户对应的用户偏好数据;对用户偏好数据进行标准化处理,得到标准用户偏好数据,并提取标准用户偏好数据中的多个用户标签和行为数据;根据行为数据生成特征值,并根据特征值生成编码数据;将编码数据输入信息推荐模型集进行数据处理,得到预测概率,其中,信息推荐模型集包括LSTM模型和DNN模型;根据预测概率查询业务信息推荐列表,得到待推荐业务信息;将待推荐业务信息推送至可视化终端,并通过可视化终端对待推荐业务信息进行可视化展示。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于人工智能的信息推荐方法、装置、设备及存储介质。
背景技术
应用程序,指为完成某项或多项特定工作的计算机程序,它运行在用户模式,可以和用户进行交互,具有可视的用户界面。随着计算机技术的高速发展,应用程序也越来越多的被应用于各个行业,一些金融业务行业的应用程序也应运而生。业务应用程序的信息的推荐非常重要,但是现有的业务类的应用程序的信息推荐杂乱,并非有意义的信息的推荐。
目前用户在浏览产品详情页面的时候很多情况下会漫无目的,现有方案的信息推荐没有针对用户进行个性化推荐,导致用户没办法快速找到自己想要的产品信息。
发明内容
本发明提供了一种基于人工智能的信息推荐方法、装置、设备及存储介质,用于提高信息推荐的准确率。
本发明第一方面提供了一种基于人工智能的信息推荐方法,所述基于人工智能的信息推荐方法包括:从预置的业务应用程序中获取用户的基本信息和浏览信息,并根据所述基本信息和浏览信息生成所述用户对应的用户偏好数据;对所述用户偏好数据进行标准化处理,得到标准用户偏好数据,并提取所述标准用户偏好数据中所述用户对应的多个用户标签和行为数据;根据所述行为数据生成每个用户标签对应的特征值,并根据所述每个用户标签对应的特征值生成编码数据;将所述编码数据输入预置的信息推荐模型集进行数据处理,得到预测概率,其中,所述信息推荐模型集包括LSTM模型和DNN模型;根据所述预测概率查询预置的业务信息推荐列表,得到所述用户对应的待推荐业务信息;将所述待推荐业务信息推送至预置的可视化终端,并通过所述可视化终端对所述待推荐业务信息进行可视化展示。
可选的,在本发明第一方面的第一种实现方式中,所述从预置的业务应用程序中获取用户的基本信息和浏览信息,并根据所述基本信息和浏览信息生成所述用户对应的用户偏好数据,包括:从预置的业务应用程序中查询用户的基本信息和浏览信息;提取所述基本信息中所述用户的注册信息和信用信息,并对所述注册信息和所述信用信息进行权限校验,得到校验结果;若所述校验结果为通过,则对所述基本信息进行标签化处理,得到所述用户对应的用户标签数据,并根据所述浏览信息生成所述用户对应的行为数据;将所述用户标签数据和所述行为数据确定为所述用户对应的用户偏好数据。
可选的,在本发明第一方面的第二种实现方式中,所述对所述用户偏好数据进行标准化处理,得到标准用户偏好数据,并提取所述标准用户偏好数据中所述用户对应的多个用户标签和行为数据,包括:从预置的数据库中提取所述用户偏好数据;通过预置的数据仓库工具对所述用户偏好数据进行数据清洗,得到数据清洗后的用户偏好数据;调用预置的函数对所述数据清洗后的用户偏好数据进行归一化处理,得到标准用户偏好数据;提取所述标准用户偏好数据中的多个用户标签和行为数据。
可选的,在本发明第一方面的第三种实现方式中,所述根据所述行为数据生成每个用户标签对应的特征值,并根据所述每个用户标签对应的特征值生成编码数据,包括:对所述行为数据进行解析,得到所述行为数据中的多个行为特征,并根据所述多个行为特征确定每个行为特征的行为频率;基于所述行为频率对所述多个行为特征进行排序,得到行为特征排序;根据所述行为特征排序对所述多个用户标签进行匹配,其中,每个行为特征和每个用户标签一一对应;将每个行为特征的行为频率作为与每个行为特征对应的用户标签对应的特征值;按照所述行为特征排序并根据所述特征值生成编码数据。
可选的,在本发明第一方面的第四种实现方式中,所述将所述编码数据输入预置的信息推荐模型集进行数据处理,得到预测概率,其中,所述信息推荐模型集包括LSTM模型和DNN模型,包括:对所述编码数据进行向量转换,得到输入隐藏向量;将所述输入隐藏向量输入预置的信息推荐模型集中的LSTM模型进行数据处理,得到所述LSTM模型对应的第一预测概率;将所述输入隐藏向量输入预置的信息推荐模型集中的DNN模型进行数据处理,得到所述DNN模型对应的第二预测概率;获取所述LSTM模型和所述DNN模型对应的预设权重;根据所述预设权重对所述第一预测概率和所述第二预测概率进行概率生成,得到预测概率。
可选的,在本发明第一方面的第五种实现方式中,所述将所述输入隐藏向量输入预置的信息推荐模型集中的LSTM模型进行数据处理,得到所述LSTM模型对应的第一预测概率,包括:将所述输入隐藏向量输入预置的信息推荐模型集中的LSTM模型,其中,所述LSTM模型包括:输入层、双向长短时记忆网络、嵌入层和输出层;通过所述输入层对所述输入隐藏向量进行独热向量编码,得到初始向量;通过所述双向长短时记忆网络对所述初始向量进行特征计算,得到特征向量;通过所述嵌入层对所述特征向量进行标准化处理,得到标准向量;通过所述输出层对所述标准向量进行概率计算,得到第一预测概率。
可选的,在本发明第一方面的第六种实现方式中,所述根据所述预测概率查询预置的业务信息推荐列表,得到所述用户对应的待推荐业务信息,包括:获取业务信息推荐列表,其中,所述业务信息推荐列表中包括多个待推荐业务信息,每个所述待推荐业务信息对应一个预设目标值;查询与所述预测概率相等的预设目标值,得到匹配目标值;将所述匹配目标值对应的待推荐业务信息作为所述用户对应的待推荐业务信息。
本发明第二方面提供了一种基于人工智能的信息推荐装置,所述基于人工智能的信息推荐装置包括:获取模块,用于从预置的业务应用程序中获取用户的基本信息和浏览信息,并根据所述基本信息和浏览信息生成所述用户对应的用户偏好数据;标准化模块,用于对所述用户偏好数据进行标准化处理,得到标准用户偏好数据,并提取所述标准用户偏好数据中所述用户对应的多个用户标签和行为数据;生成模块,用于根据所述行为数据生成每个用户标签对应的特征值,并根据所述每个用户标签对应的特征值生成编码数据;处理模块,用于将所述编码数据输入预置的信息推荐模型集进行数据处理,得到预测概率,其中,所述信息推荐模型集包括LSTM模型和DNN模型;查询模块,用于根据所述预测概率查询预置的业务信息推荐列表,得到所述用户对应的待推荐业务信息;展示模块,用于将所述待推荐业务信息推送至预置的可视化终端,并通过所述可视化终端对所述待推荐业务信息进行可视化展示。
可选的,在本发明第二方面的第一种实现方式中,所述获取模块具体用于:从预置的业务应用程序中查询用户的基本信息和浏览信息;提取所述基本信息中所述用户的注册信息和信用信息,并对所述注册信息和所述信用信息进行权限校验,得到校验结果;若所述校验结果为通过,则对所述基本信息进行标签化处理,得到所述用户对应的用户标签数据,并根据所述浏览信息生成所述用户对应的行为数据;将所述用户标签数据和所述行为数据确定为所述用户对应的用户偏好数据。
可选的,在本发明第二方面的第二种实现方式中,所述标准化模块具体用于:从预置的数据库中提取所述用户偏好数据;通过预置的数据仓库工具对所述用户偏好数据进行数据清洗,得到数据清洗后的用户偏好数据;调用预置的函数对所述数据清洗后的用户偏好数据进行归一化处理,得到标准用户偏好数据;提取所述标准用户偏好数据中的多个用户标签和行为数据。
可选的,在本发明第二方面的第三种实现方式中,所述生成模块具体用于:对所述行为数据进行解析,得到所述行为数据中的多个行为特征,并根据所述多个行为特征确定每个行为特征的行为频率;基于所述行为频率对所述多个行为特征进行排序,得到行为特征排序;根据所述行为特征排序对所述多个用户标签进行匹配,其中,每个行为特征和每个用户标签一一对应;将每个行为特征的行为频率作为与每个行为特征对应的用户标签对应的特征值;按照所述行为特征排序并根据所述特征值生成编码数据。
可选的,在本发明第二方面的第四种实现方式中,所述处理模块还包括:转换单元,用于对所述编码数据进行向量转换,得到输入隐藏向量;第一数据处理单元,用于将所述输入隐藏向量输入预置的信息推荐模型集中的LSTM模型进行数据处理,得到所述LSTM模型对应的第一预测概率;第二数据处理单元,用于将所述输入隐藏向量输入预置的信息推荐模型集中的DNN模型进行数据处理,得到所述DNN模型对应的第二预测概率;获取单元,用于获取所述LSTM模型和所述DNN模型对应的预设权重;生成单元,用于根据所述预设权重对所述第一预测概率和所述第二预测概率进行概率生成,得到预测概率。
可选的,在本发明第二方面的第五种实现方式中,所述第一数据处理单元具体用于:将所述输入隐藏向量输入预置的信息推荐模型集中的LSTM模型,其中,所述LSTM模型包括:输入层、双向长短时记忆网络、嵌入层和输出层;通过所述输入层对所述输入隐藏向量进行独热向量编码,得到初始向量;通过所述双向长短时记忆网络对所述初始向量进行特征计算,得到特征向量;通过所述嵌入层对所述特征向量进行标准化处理,得到标准向量;通过所述输出层对所述标准向量进行概率计算,得到第一预测概率。
可选的,在本发明第二方面的第六种实现方式中,所述查询模块具体用于:获取业务信息推荐列表,其中,所述业务信息推荐列表中包括多个待推荐业务信息,每个所述待推荐业务信息对应一个预设目标值;查询与所述预测概率相等的预设目标值,得到匹配目标值;将所述匹配目标值对应的待推荐业务信息作为所述用户对应的待推荐业务信息。
本发明第三方面提供了一种基于人工智能的信息推荐设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于人工智能的信息推荐设备执行上述的基于人工智能的信息推荐方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于人工智能的信息推荐方法。
本发明提供的技术方案中,从预置的业务应用程序中获取用户的基本信息和浏览信息,并根据所述基本信息和浏览信息生成所述用户对应的用户偏好数据;对所述用户偏好数据进行标准化处理,得到标准用户偏好数据,并提取所述标准用户偏好数据中所述用户对应的多个用户标签和行为数据;根据所述行为数据生成每个用户标签对应的特征值,并根据所述每个用户标签对应的特征值生成编码数据;将所述编码数据输入预置的信息推荐模型集进行数据处理,得到预测概率,其中,所述信息推荐模型集包括LSTM模型和DNN模型;根据所述预测概率查询预置的业务信息推荐列表,得到所述用户对应的待推荐业务信息;将所述待推荐业务信息推送至预置的可视化终端,并通过所述可视化终端对所述待推荐业务信息进行可视化展示。本发明首先通过对用户的偏好数据进行分析,提高了用户画像的准确率,再通过预先训练好的模型集对用户偏好数据进行分析,相对于传统的单一模型本发明中的模型集的预测概率更加准确,进而提高了信息推荐的准确率。
附图说明
图1为本发明实施例中基于人工智能的信息推荐方法的一个实施例示意图;
图2为本发明实施例中基于人工智能的信息推荐方法的另一个实施例示意图;
图3为本发明实施例中基于人工智能的信息推荐装置的一个实施例示意图;
图4为本发明实施例中基于人工智能的信息推荐装置的另一个实施例示意图;
图5为本发明实施例中基于人工智能的信息推荐设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于人工智能的信息推荐方法、装置、设备及存储介质,用于提高信息推荐的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于人工智能的信息推荐方法的一个实施例包括:
101、从预置的业务应用程序中获取用户的基本信息和浏览信息,并根据基本信息和浏览信息生成用户对应的用户偏好数据;
可以理解的是,本发明的执行主体可以为基于人工智能的信息推荐装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
需要说明的是,用户为待推荐用户,用户打开预置的业务应用程序,该业务应用程序可以为股票、基金等相关的金融行业的业务应用程序,当打开用户页面内容,用户页面内容包括:要闻、快讯、社区等。用户的基本信息包括:用户的注册信息和信用信息,该信用信息具体为该用户的交易信用记录,浏览信息包括:用户对业务应用程序的浏览、收藏、申请和点击率。具体的,服务器根据基本信息和浏览信息进行数据分析,该数据分析可以计算用户偏好的相关性,将该用户的偏好信息采用标签化进行存储,以及将用户的点击率等操作行为生成行为数据并对行为数据进行存储,最终得到该用户的用户偏好数据。
102、对用户偏好数据进行标准化处理,得到标准用户偏好数据,并提取标准用户偏好数据中用户对应的多个用户标签和行为数据;
具体的,服务器通过分布式数据仓库HIVE和自定义函数UDF进行数据标准化处理,得到该用户的标准用户偏好数据;服务器对用户偏好数据中进行数据标准化处理发现并纠正数据文件中可识别的错误,检查数据一致性,处理无效值和缺失值等,服务器提取标准用户偏好数据中用户对应的多个用户标签和行为数据。
103、根据行为数据生成每个用户标签对应的特征值,并根据每个用户标签对应的特征值生成编码数据;
具体的,服务器进行特征解析,得到多个行为特征,服务器确定每个行为特征的行为频率,该行为频率用于指示该用户的行为特征对应的操作行为的频率;服务器进行行为特征排序并对多个用户标签进行匹配,该用户的每个行为特征对应一个用户标签;服务器将该行为特征的频率作为特征值并生成编码数据。
104、将编码数据输入预置的信息推荐模型集进行数据处理,得到预测概率,其中,信息推荐模型集包括LSTM模型和DNN模型;
需要说明的是,该信息推荐模型集包括LSTM模型和DNN模型,其中,LSTM模型是指长短期记忆网络,其是一种时间循环神经网络,该LSTM模型具体包括输入层、双向长短时记忆网络、嵌入层和输出层;DNN模型是深度学习网络,该DNN模型包括输入层,隐藏层和输出层。进一步地,该LSTM模型对编码数据进行概率计算,得到该LSTM模型对应的第一预测概率值,该DNN模型对编码数据进行概率计算,得到该DNN模型对应的第二预测概率,服务器根据预先设置的模型的权重,对该LSTM模型和DNN模型输出的预测概率值进行归一化运算,生成该信息推荐模型集的预测概率。本实施例中,通过预先构建的信息推荐模型集进行概率预测,相较于传统的单一模型进行概率预测,具有更好的预测效果,从而使推送的信息更加符合用户的个人偏好。
105、根据预测概率查询预置的业务信息推荐列表,得到用户对应的待推荐业务信息;
需要说明的是,预置的业务信息推荐列表中包括多个待推荐业务信息,该待推荐业务信息可以为:每日财经新闻、市场分析推文等。服务器根据预测概率进行查询,得到该用户的待推荐业务信息。
106、将待推荐业务信息推送至预置的可视化终端,并通过可视化终端对待推荐业务信息进行可视化展示。
具体的,服务器将待推荐业务信息推送至用户当前正在浏览该业务应用程序所使用的可视化终端,该可视化终端接收到服务器推送的待推荐业务信息对该待推荐业务信息进行可视化展示,以供用户进行浏览。
本发明实施例中,从预置的业务应用程序中获取用户的基本信息和浏览信息,并根据基本信息和浏览信息生成用户对应的用户偏好数据;对用户偏好数据进行标准化处理,得到标准用户偏好数据,并提取标准用户偏好数据中用户对应的多个用户标签和行为数据;根据行为数据生成每个用户标签对应的特征值,并根据每个用户标签对应的特征值生成编码数据;将编码数据输入预置的信息推荐模型集进行数据处理,得到预测概率,其中,信息推荐模型集包括LSTM模型和DNN模型;根据预测概率查询预置的业务信息推荐列表,得到用户对应的待推荐业务信息;将待推荐业务信息推送至预置的可视化终端,并通过可视化终端对待推荐业务信息进行可视化展示。本发明首先通过对用户的偏好数据进行分析,提高了用户画像的准确率,再通过预先训练好的模型集对用户偏好数据进行分析,相对于传统的单一模型本发明中的模型集的预测概率更加准确,进而提高了信息推荐的准确率。
请参阅图2,本发明实施例中基于人工智能的信息推荐方法的另一个实施例包括:
201、从预置的业务应用程序中获取用户的基本信息和浏览信息,并根据基本信息和浏览信息生成用户对应的用户偏好数据;
可选的,服务器从预置的业务应用程序中查询用户的基本信息和浏览信息;提取基本信息中用户的注册信息和信用信息,该注册信息具体包括该用户的手机号码、姓名、性别等,该信用信息具体为该用户的交易信用记录的信息,服务器对注册信息和信用信息进行权限校验,服务器会对用户的登陆权限进行校验,得到校验结果,该校验结果包括通过和不通过;若校验结果为通过,则对基本信息进行标签化处理,得到用户对应的用户标签数据,并根据浏览信息生成用户对应的行为数据;将用户标签数据和行为数据确定为用户对应的用户偏好数据。进一步地,若校验结果为不通过,则不对该用户进行个性化信息推荐,通过预置的标准推荐信息对用户进行可视化推荐,该标准推荐信息是每个该业务数据程序的用户都可以接收到的推送信息。
202、对用户偏好数据进行标准化处理,得到标准用户偏好数据,并提取标准用户偏好数据中用户对应的多个用户标签和行为数据;
可选的,服务器首先将用户偏好数据存储至预置的数据库中,服务器从该数据库中提取该用户的用户偏好数据;服务器通过预置的数据仓库工具对用户偏好数据进行数据清洗,得到数据清洗后的用户偏好数据,该数据清洗操作可以发现并纠正用户偏好数据中可识别的错误数据,可以检查该用户偏好数据的一致性,处理无效值和缺失值等,该数据仓库工具可以为分布式数据仓库HIVE;服务器调用预置的函数对数据清洗后的用户偏好数据进行归一化处理,得到标准用户偏好数据,其中,该函数可以为自定义函数UDF;服务器提取标准用户偏好数据中的多个用户标签和行为数据。
203、根据行为数据生成每个用户标签对应的特征值,并根据每个用户标签对应的特征值生成编码数据;
可选的,服务器对行为数据进行解析,得到行为数据中的多个行为特征,该行为特征例如:用户的点击率、页面停顿时长等;并根据多个行为特征确定每个行为特征的行为频率,该行为频率例如将用户的点击率生成用户点击率对应的行为频率,当点击率为3次时确定该行为频率为3;服务器基于行为频率对多个行为特征进行排序,服务器按照该行为频率的大小顺序进行从大到小的排序,得到行为特征排序;服务器根据行为特征排序对多个用户标签进行匹配,其中,每个行为特征和每个用户标签一一对应;服务器将每个行为特征的行为频率作为与每个行为特征对应的用户标签对应的特征值,例如:当行为频率为3时,确定特征值为3;按照行为特征排序并根据特征值生成编码数据,按照该行为特征排序的顺序对该用户的特征值进行一一对应的排序,将排序顺序的特征值编码为向量,得到编码数据。
204、对编码数据进行向量转换,得到输入隐藏向量;
具体的,服务器按照行为特征排序对编码数据进行隐式向量编码处理,得到输入序列,服务器将输入序列转换为编码向量,得到输入隐藏向量。因为实际的用户行为中,不同技能树和行为频率差异较大,所以本发明会采用上采样、下采样的方式进行样本平衡,因此,服务器根据编码数据生成输入序列,并对输入序列进行向量转换,得到输入隐藏向量。
205、将输入隐藏向量输入预置的信息推荐模型集中的LSTM模型进行数据处理,得到LSTM模型对应的第一预测概率;
可选的,服务器将输入隐藏向量输入预置的信息推荐模型集中的LSTM模型,其中,LSTM模型包括:输入层、双向长短时记忆网络、嵌入层和输出层;通过输入层对输入隐藏向量进行独热向量编码,得到初始向量,服务器按照预置的embbding向量转换规则将输入隐藏向量转换为初始向量,该输入隐藏向量不能直接被该双向长短时记忆网络所识别,因此需要将该输入隐藏向量转换为神经网络能够识别的向量,得到初始向量;通过双向长短时记忆网络对初始向量进行特征计算,得到特征向量,具体为,通过双向长短时记忆网络对初始向量进行多层叠加计算,得到特征向量;通过嵌入层对特征向量进行标准化处理,得到标准向量;通过输出层对标准向量进行概率计算,得到第一预测概率,其中,输出层为sigmiod函数,通过该函数对标准向量进行概率预测,生成该LSTM模型的第一预测概率。
206、将输入隐藏向量输入预置的信息推荐模型集中的DNN模型进行数据处理,得到DNN模型对应的第二预测概率;
需要说明的是,DNN模型内部的神经网络层可以分为三类,输入层,隐藏层和输出层,第一层是输入层,最后一层是输出层,而中间的层数都是隐藏层,该DNN模型的层与层之间是全连接的,也就是说,第i层的任意一个神经元一定与第i+1层的任意一个神经元相连。该DNN模型通过缩减人工预处理和后续处理,使模型从原始输入到最终输出,给模型更多可以根据数据自动调节的空间,增加模型的整体契合度。服务器将输入隐藏向量输入预置的信息推荐模型集中的DNN模型,通过该DNN模型中的隐藏层神经元的计算内核为X*W+b,以softmax函数(二元分类中使用Sigmoid函数)为非线性核的构造方式,最后通过该DNN模型中的输出层输出DNN模型对应的第二预测概率。
207、获取LSTM模型和DNN模型对应的预设权重;
具体的,服务器从该数据库中查询预设的LSTM模型和DNN模型对应的预设权重,本发明中采用的是LSTM模型的权重设置为0.6,该DNN模型的权重设置为0.4。
208、根据预设权重对第一预测概率和第二预测概率进行概率生成,得到预测概率;
具体的,服务器根据预设权重对第一预测概率和第二预测概率进行概率生成,得到预测概率,例如:当第一预测概率为1,第二预测概率为6时,根据LSTM模型的权重0.6和DNN模型的权重0.4,计算得到预测概率为3。
209、根据预测概率查询预置的业务信息推荐列表,得到用户对应的待推荐业务信息;
可选的,服务器获取业务信息推荐列表,其中,业务信息推荐列表中包括多个待推荐业务信息,每个待推荐业务信息对应一个预设目标值;查询与预测概率相等的预设目标值,得到匹配目标值;将匹配目标值对应的待推荐业务信息作为用户对应的待推荐业务信息。其中,预置的业务信息推荐列表中包括多个待推荐业务信息,该待推荐业务信息可以为:每日财经新闻、市场分析推文等。服务器根据预测概率进行查询,得到该用户的待推荐业务信息。
210、将待推荐业务信息推送至预置的可视化终端,并通过可视化终端对待推荐业务信息进行可视化展示。
具体的,服务器将待推荐业务信息推送至用户当前正在浏览该业务应用程序所使用的可视化终端,该可视化终端接收到服务器推送的待推荐业务信息对该待推荐业务信息进行可视化展示,以供用户进行浏览。
本发明实施例中,从预置的业务应用程序中获取用户的基本信息和浏览信息,并根据基本信息和浏览信息生成用户对应的用户偏好数据;对用户偏好数据进行标准化处理,得到标准用户偏好数据,并提取标准用户偏好数据中用户对应的多个用户标签和行为数据;根据行为数据生成每个用户标签对应的特征值,并根据每个用户标签对应的特征值生成编码数据;将编码数据输入预置的信息推荐模型集进行数据处理,得到预测概率,其中,信息推荐模型集包括LSTM模型和DNN模型;根据预测概率查询预置的业务信息推荐列表,得到用户对应的待推荐业务信息;将待推荐业务信息推送至预置的可视化终端,并通过可视化终端对待推荐业务信息进行可视化展示。本发明首先通过对用户的偏好数据进行分析,提高了用户画像的准确率,再通过预先训练好的模型集对用户偏好数据进行分析,相对于传统的单一模型本发明中的模型集的预测概率更加准确,进而提高了信息推荐的准确率。
上面对本发明实施例中基于人工智能的信息推荐方法进行了描述,下面对本发明实施例中基于人工智能的信息推荐装置进行描述,请参阅图3,本发明实施例中基于人工智能的信息推荐装置一个实施例包括:
获取模块301,用于从预置的业务应用程序中获取用户的基本信息和浏览信息,并根据所述基本信息和浏览信息生成所述用户对应的用户偏好数据;
标准化模块302,用于对所述用户偏好数据进行标准化处理,得到标准用户偏好数据,并提取所述标准用户偏好数据中所述用户对应的多个用户标签和行为数据;
生成模块303,用于根据所述行为数据生成每个用户标签对应的特征值,并根据所述每个用户标签对应的特征值生成编码数据;
处理模块304,用于将所述编码数据输入预置的信息推荐模型集进行数据处理,得到预测概率,其中,所述信息推荐模型集包括LSTM模型和DNN模型;
查询模块305,用于根据所述预测概率查询预置的业务信息推荐列表,得到所述用户对应的待推荐业务信息;
展示模块306,用于将所述待推荐业务信息推送至预置的可视化终端,并通过所述可视化终端对所述待推荐业务信息进行可视化展示。
本发明实施例中,从预置的业务应用程序中获取用户的基本信息和浏览信息,并根据所述基本信息和浏览信息生成所述用户对应的用户偏好数据;对所述用户偏好数据进行标准化处理,得到标准用户偏好数据,并提取所述标准用户偏好数据中所述用户对应的多个用户标签和行为数据;根据所述行为数据生成每个用户标签对应的特征值,并根据所述每个用户标签对应的特征值生成编码数据;将所述编码数据输入预置的信息推荐模型集进行数据处理,得到预测概率,其中,所述信息推荐模型集包括LSTM模型和DNN模型;根据所述预测概率查询预置的业务信息推荐列表,得到所述用户对应的待推荐业务信息;将所述待推荐业务信息推送至预置的可视化终端,并通过所述可视化终端对所述待推荐业务信息进行可视化展示。本发明首先通过对用户的偏好数据进行分析,提高了用户画像的准确率,再通过预先训练好的模型集对用户偏好数据进行分析,相对于传统的单一模型本发明中的模型集的预测概率更加准确,进而提高了信息推荐的准确率。
请参阅图4,本发明实施例中基于人工智能的信息推荐装置另一个实施例包括:
获取模块301,用于从预置的业务应用程序中获取用户的基本信息和浏览信息,并根据所述基本信息和浏览信息生成所述用户对应的用户偏好数据;
标准化模块302,用于对所述用户偏好数据进行标准化处理,得到标准用户偏好数据,并提取所述标准用户偏好数据中所述用户对应的多个用户标签和行为数据;
生成模块303,用于根据所述行为数据生成每个用户标签对应的特征值,并根据所述每个用户标签对应的特征值生成编码数据;
处理模块304,用于将所述编码数据输入预置的信息推荐模型集进行数据处理,得到预测概率,其中,所述信息推荐模型集包括LSTM模型和DNN模型;
查询模块305,用于根据所述预测概率查询预置的业务信息推荐列表,得到所述用户对应的待推荐业务信息;
展示模块306,用于将所述待推荐业务信息推送至预置的可视化终端,并通过所述可视化终端对所述待推荐业务信息进行可视化展示。
可选的,获取模块301具体用于:从预置的业务应用程序中查询用户的基本信息和浏览信息;提取所述基本信息中所述用户的注册信息和信用信息,并对所述注册信息和所述信用信息进行权限校验,得到校验结果;若所述校验结果为通过,则对所述基本信息进行标签化处理,得到所述用户对应的用户标签数据,并根据所述浏览信息生成所述用户对应的行为数据;将所述用户标签数据和所述行为数据确定为所述用户对应的用户偏好数据。
可选的,标准化模块302具体用于:从预置的数据库中提取所述用户偏好数据;通过预置的数据仓库工具对所述用户偏好数据进行数据清洗,得到数据清洗后的用户偏好数据;调用预置的函数对所述数据清洗后的用户偏好数据进行归一化处理,得到标准用户偏好数据;提取所述标准用户偏好数据中的多个用户标签和行为数据。
可选的,生成模块303具体用于:对所述行为数据进行解析,得到所述行为数据中的多个行为特征,并根据所述多个行为特征确定每个行为特征的行为频率;基于所述行为频率对所述多个行为特征进行排序,得到行为特征排序;根据所述行为特征排序对所述多个用户标签进行匹配,其中,每个行为特征和每个用户标签一一对应;将每个行为特征的行为频率作为与每个行为特征对应的用户标签对应的特征值;按照所述行为特征排序并根据所述特征值生成编码数据。
可选的,处理模块304还包括:转换单元3041,用于对所述编码数据进行向量转换,得到输入隐藏向量;第一数据处理单元3042,用于将所述输入隐藏向量输入预置的信息推荐模型集中的LSTM模型进行数据处理,得到所述LSTM模型对应的第一预测概率;第二数据处理单元3043,用于将所述输入隐藏向量输入预置的信息推荐模型集中的DNN模型进行数据处理,得到所述DNN模型对应的第二预测概率;获取单元3044,用于获取所述LSTM模型和所述DNN模型对应的预设权重;生成单元3045,用于根据所述预设权重对所述第一预测概率和所述第二预测概率进行概率生成,得到预测概率。
可选的,第一数据处理单元3042具体用于:将所述输入隐藏向量输入预置的信息推荐模型集中的LSTM模型,其中,所述LSTM模型包括:输入层、双向长短时记忆网络、嵌入层和输出层;通过所述输入层对所述输入隐藏向量进行独热向量编码,得到初始向量;通过所述双向长短时记忆网络对所述初始向量进行特征计算,得到特征向量;通过所述嵌入层对所述特征向量进行标准化处理,得到标准向量;通过所述输出层对所述标准向量进行概率计算,得到第一预测概率。
可选的,查询模块305具体用于:获取业务信息推荐列表,其中,所述业务信息推荐列表中包括多个待推荐业务信息,每个所述待推荐业务信息对应一个预设目标值;查询与所述预测概率相等的预设目标值,得到匹配目标值;将所述匹配目标值对应的待推荐业务信息作为所述用户对应的待推荐业务信息。
本发明实施例中,从预置的业务应用程序中获取用户的基本信息和浏览信息,并根据所述基本信息和浏览信息生成所述用户对应的用户偏好数据;对所述用户偏好数据进行标准化处理,得到标准用户偏好数据,并提取所述标准用户偏好数据中所述用户对应的多个用户标签和行为数据;根据所述行为数据生成每个用户标签对应的特征值,并根据所述每个用户标签对应的特征值生成编码数据;将所述编码数据输入预置的信息推荐模型集进行数据处理,得到预测概率,其中,所述信息推荐模型集包括LSTM模型和DNN模型;根据所述预测概率查询预置的业务信息推荐列表,得到所述用户对应的待推荐业务信息;将所述待推荐业务信息推送至预置的可视化终端,并通过所述可视化终端对所述待推荐业务信息进行可视化展示。本发明首先通过对用户的偏好数据进行分析,提高了用户画像的准确率,再通过预先训练好的模型集对用户偏好数据进行分析,相对于传统的单一模型本发明中的模型集的预测概率更加准确,进而提高了信息推荐的准确率。
上面图3和图4从模块化功能实体的角度对本发明实施例中的基于人工智能的信息推荐装置进行详细描述,下面从硬件处理的角度对本发明实施例中基于人工智能的信息推荐设备进行详细描述。
图5是本发明实施例提供的一种基于人工智能的信息推荐设备的结构示意图,该基于人工智能的信息推荐设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于人工智能的信息推荐设备500中的一系列指令操作。更进一步地,处理器510可以设置为与存储介质530通信,在基于人工智能的信息推荐设备500上执行存储介质530中的一系列指令操作。
基于人工智能的信息推荐设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作***531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5示出的基于人工智能的信息推荐设备结构并不构成对基于人工智能的信息推荐设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种基于人工智能的信息推荐设备,所述基于人工智能的信息推荐设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述基于人工智能的信息推荐方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于人工智能的信息推荐方法的步骤。
进一步地,计算机可读存储介质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等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于人工智能的信息推荐方法,其特征在于,所述基于人工智能的信息推荐方法包括:
从预置的业务应用程序中获取用户的基本信息和浏览信息,并根据所述基本信息和浏览信息生成所述用户对应的用户偏好数据;
对所述用户偏好数据进行标准化处理,得到标准用户偏好数据,并提取所述标准用户偏好数据中所述用户对应的多个用户标签和行为数据;
根据所述行为数据生成每个用户标签对应的特征值,并根据所述每个用户标签对应的特征值生成编码数据;其中,所述根据所述行为数据生成每个用户标签对应的特征值,并根据所述每个用户标签对应的特征值生成编码数据,包括:对所述行为数据进行解析,得到所述行为数据中的多个行为特征,并根据所述多个行为特征确定每个行为特征的行为频率;基于所述行为频率对所述多个行为特征进行排序,得到行为特征排序;根据所述行为特征排序对所述多个用户标签进行匹配,其中,每个行为特征和每个用户标签一一对应;将每个行为特征的行为频率作为与每个行为特征对应的用户标签对应的特征值;按照所述行为特征排序并根据所述特征值生成编码数据;
将所述编码数据输入预置的信息推荐模型集进行数据处理,得到预测概率,其中,所述信息推荐模型集包括LSTM模型和DNN模型;其中,所述将所述编码数据输入预置的信息推荐模型集进行数据处理,得到预测概率,其中,所述信息推荐模型集包括LSTM模型和DNN模型,包括:对所述编码数据进行向量转换,得到输入隐藏向量;将所述输入隐藏向量输入预置的信息推荐模型集中的LSTM模型进行数据处理,得到所述LSTM模型对应的第一预测概率;将所述输入隐藏向量输入预置的信息推荐模型集中的DNN模型进行数据处理,得到所述DNN模型对应的第二预测概率;获取所述LSTM模型和所述DNN模型对应的预设权重;根据所述预设权重对所述第一预测概率和所述第二预测概率进行概率生成,得到预测概率;
根据所述预测概率查询预置的业务信息推荐列表,得到所述用户对应的待推荐业务信息;
将所述待推荐业务信息推送至预置的可视化终端,并通过所述可视化终端对所述待推荐业务信息进行可视化展示。
2.根据权利要求1所述的基于人工智能的信息推荐方法,其特征在于,所述从预置的业务应用程序中获取用户的基本信息和浏览信息,并根据所述基本信息和浏览信息生成所述用户对应的用户偏好数据,包括:
从预置的业务应用程序中查询用户的基本信息和浏览信息;
提取所述基本信息中所述用户的注册信息和信用信息,并对所述注册信息和所述信用信息进行权限校验,得到校验结果;
若所述校验结果为通过,则对所述基本信息进行标签化处理,得到所述用户对应的用户标签数据,并根据所述浏览信息生成所述用户对应的行为数据;
将所述用户标签数据和所述行为数据确定为所述用户对应的用户偏好数据。
3.根据权利要求1所述的基于人工智能的信息推荐方法,其特征在于,所述对所述用户偏好数据进行标准化处理,得到标准用户偏好数据,并提取所述标准用户偏好数据中所述用户对应的多个用户标签和行为数据,包括:
从预置的数据库中提取所述用户偏好数据;
通过预置的数据仓库工具对所述用户偏好数据进行数据清洗,得到数据清洗后的用户偏好数据;
调用预置的函数对所述数据清洗后的用户偏好数据进行归一化处理,得到标准用户偏好数据;
提取所述标准用户偏好数据中的多个用户标签和行为数据。
4.根据权利要求1所述的基于人工智能的信息推荐方法,其特征在于,所述将所述输入隐藏向量输入预置的信息推荐模型集中的LSTM模型进行数据处理,得到所述LSTM模型对应的第一预测概率,包括:
将所述输入隐藏向量输入预置的信息推荐模型集中的LSTM模型,其中,所述LSTM模型包括:输入层、双向长短时记忆网络、嵌入层和输出层;
通过所述输入层对所述输入隐藏向量进行独热向量编码,得到初始向量;
通过所述双向长短时记忆网络对所述初始向量进行特征计算,得到特征向量;
通过所述嵌入层对所述特征向量进行标准化处理,得到标准向量;
通过所述输出层对所述标准向量进行概率计算,得到第一预测概率。
5.根据权利要求1所述的基于人工智能的信息推荐方法,其特征在于,所述根据所述预测概率查询预置的业务信息推荐列表,得到所述用户对应的待推荐业务信息,包括:
获取业务信息推荐列表,其中,所述业务信息推荐列表中包括多个待推荐业务信息,每个所述待推荐业务信息对应一个预设目标值;
查询与所述预测概率相等的预设目标值,得到匹配目标值;
将所述匹配目标值对应的待推荐业务信息作为所述用户对应的待推荐业务信息。
6.一种基于人工智能的信息推荐装置,其特征在于,所述基于人工智能的信息推荐装置包括:
获取模块,用于从预置的业务应用程序中获取用户的基本信息和浏览信息,并根据所述基本信息和浏览信息生成所述用户对应的用户偏好数据;
标准化模块,用于对所述用户偏好数据进行标准化处理,得到标准用户偏好数据,并提取所述标准用户偏好数据中所述用户对应的多个用户标签和行为数据;
生成模块,用于根据所述行为数据生成每个用户标签对应的特征值,并根据所述每个用户标签对应的特征值生成编码数据;其中,所述根据所述行为数据生成每个用户标签对应的特征值,并根据所述每个用户标签对应的特征值生成编码数据,包括:对所述行为数据进行解析,得到所述行为数据中的多个行为特征,并根据所述多个行为特征确定每个行为特征的行为频率;基于所述行为频率对所述多个行为特征进行排序,得到行为特征排序;根据所述行为特征排序对所述多个用户标签进行匹配,其中,每个行为特征和每个用户标签一一对应;将每个行为特征的行为频率作为与每个行为特征对应的用户标签对应的特征值;按照所述行为特征排序并根据所述特征值生成编码数据;
处理模块,用于将所述编码数据输入预置的信息推荐模型集进行数据处理,得到预测概率,其中,所述信息推荐模型集包括LSTM模型和DNN模型;其中,所述将所述编码数据输入预置的信息推荐模型集进行数据处理,得到预测概率,其中,所述信息推荐模型集包括LSTM模型和DNN模型,包括:对所述编码数据进行向量转换,得到输入隐藏向量;将所述输入隐藏向量输入预置的信息推荐模型集中的LSTM模型进行数据处理,得到所述LSTM模型对应的第一预测概率;将所述输入隐藏向量输入预置的信息推荐模型集中的DNN模型进行数据处理,得到所述DNN模型对应的第二预测概率;获取所述LSTM模型和所述DNN模型对应的预设权重;根据所述预设权重对所述第一预测概率和所述第二预测概率进行概率生成,得到预测概率;
查询模块,用于根据所述预测概率查询预置的业务信息推荐列表,得到所述用户对应的待推荐业务信息;
展示模块,用于将所述待推荐业务信息推送至预置的可视化终端,并通过所述可视化终端对所述待推荐业务信息进行可视化展示。
7.一种基于人工智能的信息推荐设备,其特征在于,所述基于人工智能的信息推荐设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于人工智能的信息推荐设备执行如权利要求1-5中任一项所述的基于人工智能的信息推荐方法。
8.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-5中任一项所述的基于人工智能的信息推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210852981.7A CN114936326B (zh) | 2022-07-20 | 2022-07-20 | 基于人工智能的信息推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210852981.7A CN114936326B (zh) | 2022-07-20 | 2022-07-20 | 基于人工智能的信息推荐方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114936326A CN114936326A (zh) | 2022-08-23 |
CN114936326B true CN114936326B (zh) | 2022-11-29 |
Family
ID=82867714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210852981.7A Active CN114936326B (zh) | 2022-07-20 | 2022-07-20 | 基于人工智能的信息推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114936326B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294682B (zh) * | 2022-10-09 | 2022-12-06 | 深圳壹家智能锁有限公司 | 智能门锁的数据管理方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359244A (zh) * | 2018-10-30 | 2019-02-19 | 中国科学院计算技术研究所 | 一种个性化信息推荐方法和装置 |
CN112529665A (zh) * | 2020-12-18 | 2021-03-19 | 平安银行股份有限公司 | 基于组合模型的产品推荐方法、装置及计算机设备 |
CN113626704A (zh) * | 2021-08-10 | 2021-11-09 | 平安国际智慧城市科技股份有限公司 | 基于word2vec模型的推荐信息方法、装置及设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200101068A (ko) * | 2019-02-19 | 2020-08-27 | 오드컨셉 주식회사 | 사용자의 체형 및 구매 이력을 이용하여 패션 아이템 추천 서비스를 제공하는 방법 |
CN110413837B (zh) * | 2019-05-30 | 2023-07-25 | 腾讯科技(深圳)有限公司 | 视频推荐方法和装置 |
CN112837106A (zh) * | 2019-11-22 | 2021-05-25 | 上海哔哩哔哩科技有限公司 | 商品推荐方法、装置、计算机设备 |
CN111651584A (zh) * | 2020-04-17 | 2020-09-11 | 世纪保众(北京)网络科技有限公司 | 一种基于用户行为特征及文章属性的保险文章推荐方法 |
CN112084404B (zh) * | 2020-09-01 | 2024-03-01 | 北京百度网讯科技有限公司 | 内容推荐方法、装置、设备和介质 |
CN114596126A (zh) * | 2022-04-26 | 2022-06-07 | 土巴兔集团股份有限公司 | 一种广告推荐方法及装置 |
-
2022
- 2022-07-20 CN CN202210852981.7A patent/CN114936326B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359244A (zh) * | 2018-10-30 | 2019-02-19 | 中国科学院计算技术研究所 | 一种个性化信息推荐方法和装置 |
CN112529665A (zh) * | 2020-12-18 | 2021-03-19 | 平安银行股份有限公司 | 基于组合模型的产品推荐方法、装置及计算机设备 |
CN113626704A (zh) * | 2021-08-10 | 2021-11-09 | 平安国际智慧城市科技股份有限公司 | 基于word2vec模型的推荐信息方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114936326A (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11429405B2 (en) | Method and apparatus for providing personalized self-help experience | |
CN114372573B (zh) | 用户画像信息识别方法、装置、计算机设备和存储介质 | |
CN112085565A (zh) | 基于深度学习的信息推荐方法、装置、设备及存储介质 | |
CN111324738B (zh) | 一种确定文本标签的方法和*** | |
CN112785441B (zh) | 数据处理方法、装置、终端设备及存储介质 | |
CN114693215A (zh) | 采购请求处理方法、装置、计算机设备及存储介质 | |
CN114528845A (zh) | 异常日志的分析方法、装置及电子设备 | |
CN113420018A (zh) | 用户行为数据分析方法、装置、设备及存储介质 | |
CN114936326B (zh) | 基于人工智能的信息推荐方法、装置、设备及存储介质 | |
CN115374354A (zh) | 基于机器学习的科技服务推荐方法、装置、设备及介质 | |
Vieira et al. | CBIR-ANR: A content-based image retrieval with accuracy noise reduction | |
Hamad et al. | Sentiment analysis of restaurant reviews in social media using naïve bayes | |
CN114880590A (zh) | 多语言网站货币自动转换***及其方法 | |
CN113611427A (zh) | 用户画像生成方法、装置、设备及存储介质 | |
CN116562952A (zh) | 虚假交易订单检测方法及装置 | |
CN115408599A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
CN113706207A (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
CN112991025A (zh) | 一种保险智能推荐方法、***、设备及计算机可读存储介质 | |
CN113807920A (zh) | 基于人工智能的产品推荐方法、装置、设备及存储介质 | |
Vazquez et al. | Retrieving and Ranking Relevant JavaScript Technologies from Web Repositories | |
CN112818215A (zh) | 产品数据的处理方法、装置、设备及存储介质 | |
CN113297346A (zh) | 文本意图识别方法、装置、设备及存储介质 | |
CN112328899A (zh) | 信息处理方法、信息处理装置、存储介质与电子设备 | |
CN114611502A (zh) | 可参报信息的确定方法、装置、设备及存储介质 | |
CN117217812A (zh) | 一种用户行为预测方法、装置、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221031 Address after: No. 1901, Building F, Natural Residence, Futian District, Shenzhen, Guangdong 518000 Applicant after: Chen Shouhong Address before: 33b, building 4, Dachong Business Center (phase III), Dachong community, Yuehai street, Nanshan District, Shenzhen, Guangdong 518000 Applicant before: Shenzhen gelonghui Information Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |