CN115798731A - 一种数据推荐方法、装置、电子设备及计算机可读介质 - Google Patents

Abstract

本申请公开了数据推荐方法、装置、电子设备及计算机可读介质，涉及医疗健康和电商平台技术领域，一具体实施方式包括响应于数据推荐请求，获取对应的物品标识，进而根据物品标识获取对应的详情数据；调用预设知识图谱，以基于详情数据，确定对应的健康分析数据；将健康分析数据与内容库中的全量数据进行匹配，以获取匹配数据；基于匹配数据，确定推荐数据并输出。以提升数据推荐的准确率和推荐成功率。

Description

一种数据推荐方法、装置、电子设备及计算机可读介质

技术领域

本申请涉及医疗健康和电商平台技术领域，尤其涉及一种数据推荐方法、装置、电子设备及计算机可读介质。

背景技术

目前，内容推荐层面仅仅是将不同类型信息进行罗列，而且多数是聚焦在商品自身相关的信息，类型依旧单一，而为了保证用户体验和转化效率，在内容数量上不可能将所有类型都进行展示，数据推荐准确低，推荐成功率低。

在实现本申请过程中，发明人发现现有技术中至少存在如下问题：

数据推荐准确低，推荐成功率低。

发明内容

有鉴于此，本申请实施例提供一种数据推荐方法、装置、电子设备及计算机可读介质，能够解决现有的数据推荐准确低，推荐成功率低的问题。

为实现上述目的，根据本申请实施例的一个方面，提供了一种数据推荐方法，包括：

响应于数据推荐请求，获取对应的物品标识，进而根据物品标识获取对应的详情数据；

调用预设知识图谱，以基于详情数据，确定对应的健康分析数据；

将健康分析数据与内容库中的全量数据进行匹配，以获取匹配数据；

基于匹配数据，确定推荐数据并输出。

可选地，基于匹配数据，确定推荐数据，包括：

获取数据推荐请求对应的用户标识；

基于用户标识，获取对应的用户画像；

根据用户画像对匹配数据进行排序，以得到排序数据；

根据排序数据，确定推荐数据。

可选地，将健康分析数据与内容库中的全量数据进行匹配，包括：

对内容库中的全量数据进行分区，以得到各个分区数据；

对各个分区数据执行词嵌入，以得到各个分区数据向量；

对健康分析数据执行词嵌入，以得到健康分析数据向量；

计算健康分析数据向量与各个分区数据向量之间的相似度；

基于相似度将健康分析数据与内容库中的全量数据进行匹配。

可选地，基于匹配数据，确定推荐数据，包括：

获取匹配数据对应的历史点击率；

根据历史点击率，对匹配数据进行排序，以得到排序数据；

根据排序数据，确定推荐数据。

可选地，基于匹配数据，确定推荐数据，包括：

获取匹配数据对应的热度数据；

基于热度数据，对匹配数据进行排序，以得到排序数据；

根据排序数据，确定推荐数据。

可选地，在确定推荐数据之后，方法还包括：

获取用户对推荐数据的点击率和与推荐数据相关联的数据的召回信息数据；

基于点击率和召回信息数据，更新推荐数据。

可选地，在确定推荐数据之后，方法还包括：

获取用户对推荐数据的点击率和与推荐数据相关联的数据的召回信息数据；

根据点击率和召回信息数据，更新用户画像。

另外，本申请还提供了一种数据推荐装置，包括：

获取单元，被配置成响应于数据推荐请求，获取对应的物品标识，进而根据物品标识获取对应的详情数据；

分析单元，被配置成调用预设知识图谱，以基于详情数据，确定对应的健康分析数据；

匹配单元，被配置成将健康分析数据与内容库中的全量数据进行匹配，以获取匹配数据；

输出单元，被配置成基于匹配数据，确定推荐数据并输出。

可选地，输出单元进一步被配置成：

获取数据推荐请求对应的用户标识；

基于用户标识，获取对应的用户画像；

根据用户画像对匹配数据进行排序，以得到排序数据；

根据排序数据，确定推荐数据。

可选地，匹配单元进一步被配置成：

对内容库中的全量数据进行分区，以得到各个分区数据；

对各个分区数据执行词嵌入，以得到各个分区数据向量；

对健康分析数据执行词嵌入，以得到健康分析数据向量；

计算健康分析数据向量与各个分区数据向量之间的相似度；

基于相似度将健康分析数据与内容库中的全量数据进行匹配。

可选地，输出单元进一步被配置成：

获取匹配数据对应的历史点击率；

根据历史点击率，对匹配数据进行排序，以得到排序数据；

根据排序数据，确定推荐数据。

可选地，输出单元进一步被配置成：

获取匹配数据对应的热度数据；

基于热度数据，对匹配数据进行排序，以得到排序数据；

根据排序数据，确定推荐数据。

可选地，数据推荐装置还包括更新单元，被配置成：

获取用户对推荐数据的点击率和与推荐数据相关联的数据的召回信息数据；

基于点击率和召回信息数据，更新推荐数据。

可选地，数据推荐装置还包括更新单元，被配置成：

获取用户对推荐数据的点击率和与推荐数据相关联的数据的召回信息数据；

根据点击率和召回信息数据，更新用户画像。

另外，本申请还提供了一种数据推荐电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述的数据推荐方法。

另外，本申请还提供了一种计算机可读介质，其上存储有计算机程序，程序被处理器执行时实现如上述的数据推荐方法。

上述发明中的一个实施例具有如下优点或有益效果：本申请通过响应于数据推荐请求，获取对应的物品标识，进而根据物品标识获取对应的详情数据；调用预设知识图谱，以基于详情数据，确定对应的健康分析数据；将健康分析数据与内容库中的全量数据进行匹配，以获取匹配数据；基于匹配数据，确定推荐数据并输出。以提升数据推荐的准确率和推荐成功率。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本申请，不构成对本申请的不当限定。其中：

图1是根据本申请一个实施例所提供的数据推荐方法的主要流程的示意图；

图2是根据本申请一个实施例所提供的数据推荐方法的主要流程的示意图；

图3是根据本申请一个实施例所提供的数据推荐方法的用户选购行为的流程示意图；

图4是根据本申请一个实施例所提供的数据推荐方法的通过各类标签和信息召回相关内容的流程示意图；

图5是根据本申请一个实施例所提供的数据推荐方法的通过多个因子权重进行排序示意图；

图6是根据本申请一个实施例所提供的数据推荐方法的通过多个渠道的反馈***逻辑优化示意图；

图7是根据本申请实施例的数据推荐装置的主要单元的示意图；

图8是本申请实施例可以应用于其中的示例性***架构图；

图9是适于用来实现本申请实施例的终端设备或服务器的计算机***的结构示意图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。需要说明的是，本公开的技术方案中，所涉及的用户个人信息的采集、收集、更新、分析、处理、使用、传输、存储等方面，均符合相关法律法规的规定，被用于合法的用途，且不违背公序良俗。对用户个人信息采取必要措施，防止对用户个人信息数据的非法访问，维护用户个人信息安全、网络安全和国家安全。

图1是根据本申请一个实施例所提供的数据推荐方法的主要流程的示意图，如图1所示，数据推荐方法包括：

步骤S101，响应于数据推荐请求，获取对应的物品标识，进而根据物品标识获取对应的详情数据。

本实施例中，数据推荐方法的执行主体(例如，可以是服务器)可以通过有线连接或无线连接的方式，检测是否接收到数据推荐请求。当检测到数据推荐请求后，执行主体可以获取该请求中携带的物品标识。物品标识，例如可以是用户输入的要搜索的物品的名称，例如手机名称、药品名称，也可以是手机型号、手机内存值、药品规格等，本申请实施例对物品标识不做具体限定。执行主体在从数据推荐请求中获取物品标识后，可以根据物品标识获取对应的物品的相关的详情数据。具体地，详情数据，例如可以包括药品通用名、类目、规格、剂型、品牌等，也可以包括药品对应的疾病、症状和处理方法数据等，本申请实施例对详情数据不做具体限定。

步骤S102，调用预设知识图谱，以基于详情数据，确定对应的健康分析数据。

预设知识图谱，例如可以是根据各个用户的历史症状和对应的解决方案生成的药学知识图谱。将详情数据与预设知识图谱中的各个节点进行匹配，以得到在预设知识图谱中与详情数据相匹配的节点。输出与该相匹配的节点对应的数据，即输出与详情数据对应的健康分析数据。示例的，健康分析数据，可以包括：疾病、症状、解决方案、药物等数据，本申请实施例对健康分析数据不做具体限定。进一步地，健康分析数据中的疾病可以是感冒、急性咽炎、急性扁桃体炎；症状可以是发热、咳嗽、咽喉肿痛、鼻塞、流涕等；解决方案可以包括休息补水、避免感染、服用药物；药物可以根据不同疾病又分不同类别，例如感冒疾病对应的药物：减充血及抗组胺药、镇咳药、祛痰药、解热镇痛药；急性扁桃体炎疾病对应的药物：抗生素药、糖皮质激素、解热镇痛药、复方硼砂溶液；急性咽炎疾病对应的药物：漱口液、碘甘油等。

步骤S103，将健康分析数据与内容库中的全量数据进行匹配，以获取匹配数据。

具体地，将健康分析数据与内容库中的全量数据进行匹配，包括：对内容库中的全量数据进行分区，以得到各个分区数据，以药物推荐为例，内容库中存储的可以是疾病、症状、解决方案和治疗的药物的关联映射数据集，具体可以是基于存在的聚类簇(例如疾病类型)对内容库中的数据进行分区。内容库；对各个分区数据执行词嵌入，以得到各个分区数据向量；对健康分析数据执行词嵌入，以得到健康分析数据向量；计算健康分析数据向量与各个分区数据向量之间的相似度；基于相似度将健康分析数据与内容库中的全量数据进行匹配。将相似度大于一定阈值时对应的分区数据向量确定为与健康分析数据向量相匹配的向量。

步骤S104，基于匹配数据，确定推荐数据并输出。

匹配数据，例如可以是文章、问答、医生解答、测评、百科等数据。对匹配数据基于预设的排序因子进行排序。预设的排序因子，例如图5中所示的用户画像、健康档案、用户行为标签、文章点击率、文章热度、文章更新时间等。具体可以根据用户画像对匹配数据中的家庭用户数据进行排序，根据健康档案对匹配数据中的儿童档案数据进行排序，根据用户行为标签对匹配数据中的搜索的鼻炎数据进行排序，根据文章点击率对匹配数据中的点击率高属性数据进行排序，根据文章热度对匹配数据中的浏览人数多的数据记性排序，根据文章更新时间对匹配数据中的最近更新数据进行排序，从而得到内容推荐数据，得到内容推荐排序，例如推荐数据依次为：“如何分辨儿童感冒和鼻炎、夏季感冒发烧？千万别给孩子乱吃药、感冒药和止咳药里含的一种成分，儿童最好避免使用！”。

具体地，基于匹配数据，确定推荐数据，包括：

获取匹配数据对应的历史点击率，其中，历史点击率可以为在过去的几天或者几个月内所有用户对匹配数据的点击频率；根据历史点击率，对匹配数据进行排序，以得到排序数据；根据排序数据，确定推荐数据。具体可以将点击率排序前n的数据确定为推荐数据。其中，n可以为1、2、3等，本申请实施例对n的值不做具体限定。

具体地，基于匹配数据，确定推荐数据，包括：

获取匹配数据对应的热度数据，具体地，热度数据，可以包括用户讨论频率数据、话题相关帖子数量数据等。

基于热度数据，对匹配数据进行排序，以得到排序数据，具体可以为确定热度数据对应的热度值，根据热度值对匹配数据进行排序。其中，执行主体可以将热度数据输入至热度计算模型中，以得到对应的热度值，本申请实施例对热度值的计算方式不做具体限定。

根据排序数据，确定推荐数据。具体可以是将排序最靠前的数据或者将排序靠前n位的数据确定为推荐数据。

本实施例通过响应于数据推荐请求，获取对应的物品标识，进而根据物品标识获取对应的详情数据；调用预设知识图谱，以基于详情数据，确定对应的健康分析数据；将健康分析数据与内容库中的全量数据进行匹配，以获取匹配数据；基于匹配数据，确定推荐数据并输出。以提升数据推荐的准确率和推荐成功率。

图2是根据本申请一个实施例所提供的数据推荐方法的主要流程示意图，如图2所示，数据推荐方法包括：

步骤S201，响应于数据推荐请求，获取对应的物品标识，进而根据物品标识获取对应的详情数据。

数据推荐请求，可以是对用户搜索相关的数据进行推荐的请求。物品标识，可以是用户搜索的物品的名称或者物品的型号，本申请实施例对物品标识不做具体限定。

步骤S202，调用预设知识图谱，以基于详情数据，确定对应的健康分析数据。

预设知识图谱，例如可以是基于历史搜索数据构建的。具体可以是获取历史搜索数据，提取历史搜索数据中的物品标识对应的历史详情数据，并且提取详情数据对应的历史健康分析数据。执行主体可以将历史详情数据和历史健康分析数据输入至知识图谱生成模型，以生成预设知识图谱。

步骤S203，将健康分析数据与内容库中的全量数据进行匹配，以获取匹配数据。

具体可以通过计算向量相似度的方式，匹配健康分析数据和内容库中的全量数据。

步骤S204，获取数据推荐请求对应的用户标识。

数据推荐请求对应的用户标识，例如可以是发起数据推荐请求的用户对应的用户名称或者用户账号。

步骤S205，基于用户标识，获取对应的用户画像。

从预设的用户画像池中查找是否存在与用户标识对应的用户画像，若存在则表明该用户标识对应的用户之前发起过相似的数据推荐请求，可以根据之前用户所接收的推荐数据所生成的用户画像来确定本次当前的推荐数据。若预设的用户画像池中不存在与用户标识对应的用户画像，则获取用户历史浏览数据和所接受的推荐数据，进而生成对应的用户画像。

步骤S206，根据用户画像对匹配数据进行排序，以得到排序数据。

执行主体可以提取用户画像中的维度特征，以基于提取的维度特征对匹配数据进行排序。具体地，维度特征可以是对推荐数据的点击率、浏览时长等特征，本申请实施例对维度特征的内容不做具体限定。

步骤S207，根据排序数据，确定推荐数据。

将排序数据的第一个或者前n个数据确定为推荐数据。推荐数据的个数可以为一个也可以为多个。

具体地，在确定推荐数据之后，方法还包括：

获取用户对推荐数据的点击率和与推荐数据相关联的数据的召回信息数据；其中，召回信息数据可以包括与推荐数据相关联的数据存在召回数据、不存在召回数据或存在召回数据但没有推荐。

基于点击率和召回信息数据，更新推荐数据。

具体可以将点击率最高或者点击率排序前n的数据，更新为最新的推荐数据。也可以将存在相关联的召回信息的推荐数据更新为最新的推荐数据。也可以将同时点击率最高并且存在相关联的召回信息的推荐数据更新为最新的推荐数据。

具体地，在确定推荐数据之后，数据推荐方法还包括：

获取用户对推荐数据的点击率和与推荐数据相关联的数据的召回信息数据；根据点击率和召回信息数据，更新用户画像。

具体可以基于点击率最高或者点击率排序前n的数据，更新用户画像。也可以基于存在相关联的召回信息的推荐数据更新用户画像。也可以基于同时点击率最高并且存在相关联的召回信息的推荐数据更新用户画像。

图3是根据本申请一个实施例所提供的数据推荐方法的应用场景示意图。本申请实施例的数据推荐方法，可以应用于电商场景的个性化数据推荐。如图3所示，电商场景的个性化健康内容推荐基于各层面的数据信息和算法能力，首先用户进入电商平台，通过搜索、推荐、订单等场景挑选商品，浏览经过核心流程后推荐的商品，查看推荐的商品的基础信息和商品评价问答等信息，并最终下单购买。其中，核心流程包括图3中的虚线框中的几个环节，通过图谱获取扩展信息，内容召回(包括文章、测评、问答、视频、百科、对话等)，内容排序(包括基于用户画像的排序、基于用户行为的排序、基于用户场景的排序)，内容展示和优化模型(包括基于点击通过率Click-Through-Rate，CTR优化模型，基于浏览时长优化模型、基于下单转化优化模型、基于正负反馈优化模型)。示例的，健康类商品为解决用户的健康问题，可能是疾病、症状、或者预防和康复、保健，可以为自己，可能为家人；当用户浏览商品时，需要确定用户关注的是哪方面问题，不同商品背后的功效属性可以代表用户当前的诉求。这里使用知识图谱能力，通过商品最小存货单位SKUID，可以首先获取商品基础信息，包括名称、药品通用名、类目、规则、剂型、品牌等。然后通过商品基础信息获取对应商品对应的疾病、症状和处理方法等信息，这些信息是基于商品对应健康问题的扩展信息，比如商品A(SKUID 100013796372)，基础信息包括，商品属于清热灵颗粒，感冒用药类目，规格是10g*9袋等，所有信息只是针对商品本身。

个性化推荐的第一步是通过商品基础信息获取全面的健康问题信息，通过药学知识图谱，可以得知疾病是感冒、急性咽炎、急性扁桃体炎；症状是发热、咳嗽、咽喉肿痛、鼻塞、流涕等；解决方案包括休息补水、避免感染、服用药物；药物根据不同疾病又分不同类别，例如感冒用药：镇咳药、祛痰药、解热镇痛药等，急性咽炎用药：漱口液、碘甘油、抗生素等，急性扁桃体炎用药：抗生素、糖皮质激素、解热镇痛药等。

内容召回，如图4所示，从商品信息，结合疾病、症状、解决方法等信息，通过内容库中找到相关文章，召回策略上包括多路，因为内容本身也有疾病、症状等标签信息，通过症状标签、疾病标签、词嵌入embedding标签、用户实时行为标签，以及基础信息相关度维度，以及用户在平台实时行为，包括了其他点击加购物车的商品属性，搜索，筛选记录标签等等多维度进行内容的召回。其中，召回：指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”。内容排序：当***召回各类信息后，获得了所有跟商品及相关疾病症状的内容，这里面包含有治疗、预防、康复各环节的内容，人群也覆盖了儿童，成人，老人；也有单一疾病的，也有并发症结合的情况；需要给用户展示最为相关的内容，在召回的内容中，调用推荐模型以结合用户画像、内容点击率、热度等信息，以及季节、气候、地理位置等很多相应因子，对召回的内容进行排序，选择出与用户意图最为接近的信息。模型优化：如图6所示，对推荐模型持续迭代，根据用户对结果的反馈继续优化，提高对用户的正向影响；比如推荐的内容(例如可以为如何分辨儿童感冒和鼻炎、夏季感冒发烧？千万别给孩子乱吃药、感冒药和止咳药里含的一种成分，儿童最好避免使用！)用户是否点击，点击后实际是否购买了文章相关内容推荐的商品，如果没有购买，那么这个商品是否有关联的文章召回，召回了没推荐还是根本没有召回等等，用户实际购买了什么商品，是否有负反馈，通过反馈数据的积累一方面补充更多用户画像信息，另一方面优化推荐召回和排序逻辑，逐渐吸引更多用户点击并辅助用户决策。本申请实施例的基于知识图谱的信息扩展：从商品自身信息，扩展到背后疾病症状等信息，更好的理解用户意图；多类专业健康内容召回逻辑，提高内容广度，可以不局限于商品属性相关，增加基于背后健康问题的维度。通过用户行为推测意图，从而有针对性的推荐专业内容，帮助用户解决疑问，从而辅助转化。

在电商场景的个性化数据推荐场景下，本申请实施例提供了基于用户的个性化健康内容推荐功能，从而在目前商品仅有基础信息的基础上，从海量的健康内容中，找到与用户当前关注问题相关度最高的内容，帮助用户在选购健康商品时，可以更好的了解哪些商品更适合解决用户所需的健康问题，提高用户在电商场景的转化率。***层面通过知识图谱能力获取商品背后的疾病症状等信息，从商品自身信息，捕捉用户关注的健康问题，并基于这些信息对更多类型相关的内容进行召回，包括测评、文章、百科、问答、咨询记录等等，然后结合用户行为识别意图：是预防、治疗还是康复，以及是自己使用还是给家人购买等。最终对召回的内容进行排序，将最符合用户诉求的文章优先推荐给用户，更有效的帮助用户健康问题。

图7是根据本申请实施例的数据推荐装置的主要单元的示意图。如图7所示，数据推荐装置700包括获取单元701、分析单元702、匹配单元703和输出单元704。

获取单元701，被配置成响应于数据推荐请求，获取对应的物品标识，进而根据物品标识获取对应的详情数据。

分析单元702，被配置成调用预设知识图谱，以基于详情数据，确定对应的健康分析数据。

匹配单元703，被配置成将健康分析数据与内容库中的全量数据进行匹配，以获取匹配数据。

输出单元704，被配置成基于匹配数据，确定推荐数据并输出。

在一些实施例中，输出单元704进一步被配置成：获取数据推荐请求对应的用户标识；基于用户标识，获取对应的用户画像；根据用户画像对匹配数据进行排序，以得到排序数据；根据排序数据，确定推荐数据。

在一些实施例中，匹配单元703进一步被配置成：对内容库中的全量数据进行分区，以得到各个分区数据；对各个分区数据执行词嵌入，以得到各个分区数据向量；对健康分析数据执行词嵌入，以得到健康分析数据向量；计算健康分析数据向量与各个分区数据向量之间的相似度；基于相似度将健康分析数据与内容库中的全量数据进行匹配。

在一些实施例中，输出单元704进一步被配置成：获取匹配数据对应的历史点击率；根据历史点击率，对匹配数据进行排序，以得到排序数据；根据排序数据，确定推荐数据。

在一些实施例中，输出单元704进一步被配置成：获取匹配数据对应的热度数据；基于热度数据，对匹配数据进行排序，以得到排序数据；根据排序数据，确定推荐数据。

在一些实施例中，数据推荐装置还包括图7中未示出的更新单元，被配置成：获取用户对推荐数据的点击率和与推荐数据相关联的数据的召回信息数据；基于点击率和召回信息数据，更新推荐数据。

在一些实施例中，数据推荐装置还包括图7中未示出的更新单元，被配置成：获取用户对推荐数据的点击率和与推荐数据相关联的数据的召回信息数据；根据点击率和召回信息数据，更新用户画像。

需要说明的是，本申请的数据推荐方法和数据推荐装置在具体实施内容上具有相应关系，故重复内容不再说明。

图8示出了可以应用本申请实施例的数据推荐方法或数据推荐装置的示例性***架构800。

如图8所示，***架构800可以包括终端设备801、802、803，网络804和服务器805。网络804用以在终端设备801、802、803和服务器805之间提供通信链路的介质。网络804可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备801、802、803通过网络804与服务器805交互，以接收或发送消息等。终端设备801、802、803上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备801、802、803可以是具有数据推荐处理屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器805可以是提供各种服务的服务器，例如对用户利用终端设备801、802、803所提交的数据推荐请求提供支持的后台管理服务器(仅为示例)。后台管理服务器可以响应于数据推荐请求，获取对应的物品标识，进而根据物品标识获取对应的详情数据；调用预设知识图谱，以基于详情数据，确定对应的健康分析数据；将健康分析数据与内容库中的全量数据进行匹配，以获取匹配数据；基于匹配数据，确定推荐数据并输出。以提升数据推荐的准确率和推荐成功率。

需要说明的是，本申请实施例所提供的数据推荐方法一般由服务器805执行，相应地，数据推荐装置一般设置于服务器805中。

应该理解，图8中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图9，其示出了适于用来实现本申请实施例的终端设备的计算机***900的结构示意图。图9示出的终端设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图9所示，计算机***900包括中央处理单元(CPU)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM903中，还存储有计算机***900操作所需的各种程序和数据。CPU901、ROM902以及RAM903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

以下部件连接至I/O接口905：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶征信授权查询处理器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。

特别地，根据本申请公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901执行时，执行本申请的***中限定的上述功能。

需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、分析单元、匹配单元和输出单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备响应于数据推荐请求，获取对应的物品标识，进而根据物品标识获取对应的详情数据；调用预设知识图谱，以基于详情数据，确定对应的健康分析数据；将健康分析数据与内容库中的全量数据进行匹配，以获取匹配数据；基于匹配数据，确定推荐数据并输出。

根据本申请实施例的技术方案，可以提升数据推荐的准确率和推荐成功率。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (12)

1.一种数据推荐方法，其特征在于，包括：

响应于数据推荐请求，获取对应的物品标识，进而根据所述物品标识获取对应的详情数据；

调用预设知识图谱，以基于所述详情数据，确定对应的健康分析数据；

将所述健康分析数据与内容库中的全量数据进行匹配，以获取匹配数据；

基于所述匹配数据，确定推荐数据并输出。

2.根据权利要求1所述的方法，其特征在于，所述基于所述匹配数据，确定推荐数据，包括：

获取所述数据推荐请求对应的用户标识；

基于所述用户标识，获取对应的用户画像；

根据所述用户画像对所述匹配数据进行排序，以得到排序数据；

根据所述排序数据，确定推荐数据。

3.根据权利要求1所述的方法，其特征在于，所述将所述健康分析数据与内容库中的全量数据进行匹配，包括：

对内容库中的全量数据进行分区，以得到各个分区数据；

对所述各个分区数据执行词嵌入，以得到各个分区数据向量；

对所述健康分析数据执行词嵌入，以得到健康分析数据向量；

计算所述健康分析数据向量与所述各个分区数据向量之间的相似度；

基于所述相似度将所述健康分析数据与内容库中的全量数据进行匹配。

4.根据权利要求1所述的方法，其特征在于，所述基于所述匹配数据，确定推荐数据，包括：

获取所述匹配数据对应的历史点击率；

根据所述历史点击率，对所述匹配数据进行排序，以得到排序数据；

根据所述排序数据，确定推荐数据。

5.根据权利要求1所述的方法，其特征在于，所述基于所述匹配数据，确定推荐数据，包括：

获取所述匹配数据对应的热度数据；

基于所述热度数据，对所述匹配数据进行排序，以得到排序数据；

根据所述排序数据，确定推荐数据。

6.根据权利要求1所述的方法，其特征在于，在所述确定推荐数据之后，所述方法还包括：

获取用户对所述推荐数据的点击率和与所述推荐数据相关联的数据的召回信息数据；

基于所述点击率和所述召回信息数据，更新所述推荐数据。

7.根据权利要求2所述的方法，其特征在于，在所述确定推荐数据之后，所述方法还包括：

获取用户对所述推荐数据的点击率和与所述推荐数据相关联的数据的召回信息数据；

根据所述点击率和所述召回信息数据，更新用户画像。

8.一种数据推荐装置，其特征在于，包括：

获取单元，被配置成响应于数据推荐请求，获取对应的物品标识，进而根据所述物品标识获取对应的详情数据；

分析单元，被配置成调用预设知识图谱，以基于所述详情数据，确定对应的健康分析数据；

匹配单元，被配置成将所述健康分析数据与内容库中的全量数据进行匹配，以获取匹配数据；

输出单元，被配置成基于所述匹配数据，确定推荐数据并输出。

9.根据权利要求8所述的装置，其特征在于，所述输出单元进一步被配置成：

获取所述数据推荐请求对应的用户标识；

基于所述用户标识，获取对应的用户画像；

根据所述用户画像对所述匹配数据进行排序，以得到排序数据；

根据所述排序数据，确定推荐数据。

10.根据权利要求8所述的装置，其特征在于，所述匹配单元进一步被配置成：

对内容库中的全量数据进行分区，以得到各个分区数据；

对所述各个分区数据执行词嵌入，以得到各个分区数据向量；

对所述健康分析数据执行词嵌入，以得到健康分析数据向量；

计算所述健康分析数据向量与所述各个分区数据向量之间的相似度；

基于所述相似度将所述健康分析数据与内容库中的全量数据进行匹配。

11.一种数据推荐电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，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1-7中任一所述的方法。

12.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images