[發明專利]一種智能表盤推薦方法、系統、設備及存儲介質

有效

• 申請號: 201811585337.8
• 申請日: 2018-12-24
• 公開（公告）號: CN109726664B
• 公開（公告）日: 2021-07-09
• 發明（設計）人: 汪劍
• 申請（專利權）人: 出門問問信息科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06N3/04;G06N3/08
• 代理公司: 北京睿派知識產權代理事務所(普通合伙) 11597
• 代理人: 劉鋒

本發明實施例公開了一種智能表盤推薦方法、系統、設備及存儲介質，首先通過結合智能表盤的圖像和文字識別表盤并獲得表盤的用戶行為歷史記錄信息，然后，基于不同類型的用戶行為歷史記錄信息生成不同類型的第一表盤用戶行為序列，根據不同類型的第一表盤用戶行為序列得到每個用戶對最終目標行為的預測概率p(I)，并根據預測概率p(I)向用戶推薦所述智能表盤，解決了現有技術中用戶單一的下載歷史行為進行推薦，而導致的推薦效果不佳、降低用戶體驗的問題，實現了優化推薦效果，提高用戶體驗的效果。

技術領域

本發明涉及數據處理技術領域，具體涉及一種智能表盤推薦方法、系統、設備及存儲介質。

背景技術

隨著智能化的普及，市場上出現了智能手表，用戶可以選擇下載安裝表盤，并且用戶下載表盤后在手表上可以切換不同的表盤圖像作為手表壁紙，如果不喜歡，用戶可以隨時刪除該表盤或更換表盤圖像。若在用戶挑選表盤或表盤圖像的過程中加入推薦服務，為用戶推薦符合用戶喜好的壁紙，則可以大大節省用戶的挑選時間。

傳統的表盤推薦服務主要是，單一地根據用戶的下載歷史行為，為該用戶推薦與之前使用過的表盤相似的表盤。由于與用戶下載行為相關的用戶交互行為還有很多，例如，點擊查看行為、刪除行為、收藏行為等，也與用戶的興趣密切相關，僅僅是單純地基于用戶下載歷史行為記錄來為用戶選擇推薦的表盤，推薦效果不佳，降低了用戶體驗。

發明內容

本發明實施例的目的在于提供一種智能表盤推薦方法、系統、設備及存儲介質，用以解決現有表盤推薦服務由于單一地根據用戶的下載歷史行為為用戶選擇推薦的表盤導致推薦效果不佳的問題。

為實現上述目的，本發明實施例提供了一種智能表盤推薦方法，所述推薦方法包括：基于智能表盤的圖像生成表盤圖片向量E1；基于智能表盤的文字描述生成表盤文字描述向量E2；將所述表盤圖片向量E1和所述表盤文字描述向量E2輸入第一自注意力模型，生成最終向量EX，其中，自注意力模型(Self-Attention Model)是基于注意力模型(Attention Model)的改進，其減少了對外部信息的依賴，更擅長捕捉數據或特征的內部相關性；基于最終向量EX得到所述智能表盤的每個用戶的若干用戶行為歷史記錄信息；根據每個用戶的若干用戶行為歷史記錄信息生成若干第一表盤用戶行為序列；將每個用戶的若干所述第一表盤用戶行為序列輸入行為預測訓練模型，生成每個用戶對最終目標行為的預測概率p(I)；及根據所述預測概率p(I)向用戶推薦所述智能表盤。

進一步地，所述行為預測訓練模型基于每個用戶的若干所述第一表盤用戶行為序列生成每個用戶對最終目標行為的預測概率p(I)的方法包括：將每個用戶的若干所述第一表盤用戶行為序列使用第一長短期記憶網絡進行建模，生成每個用戶的若干第二表盤用戶行為序列，其中，長短期記憶網絡(Long Short-Term Memory，LSTM)是一種時間遞歸神經網絡，適合于處理和預測時間序列中間隔和延遲相對較長的重要事件；基于每個用戶的若干第二表盤用戶行為序列，在每個第二表盤用戶行為序列進行建模，通過第二自注意力模型將各個第二表盤用戶行為序列進行關聯，生成一個多維度向量FX；及將所述多維度向量FX通過一個全連接softmax層，生成每個用戶對最終目標行為的預測概率p(I)。

進一步地，在將每個用戶的若干所述第一表盤用戶行為序列輸入行為預測訓練模型之前，所述推薦方法還包括：對每個用戶的若干第一表盤用戶行為序列進行預處理，其包括：對若干第一表盤用戶行為序列按照時間進行排序；及過濾掉行為數小于一定數量的第一表盤用戶行為序列。

進一步地，所述行為預測訓練模型利用已知用戶的目標行為發生時間點t之前的所述用戶的若干所述第一表盤用戶行為序列進行訓練并通過隨機梯度下降算法對整個行為預測訓練模型進行更新，其中，隨機梯度下降算法，是為了解決深度學習中多元目標函數的最優值問題，已經有很多該算法的變種算法，隨機梯度下降算法通常有三種不同的應用方式，本發明實施例中使用SGD算法，SGD算法(stochastic gradient descent algorithm)是最基本的隨機梯度下降算法，它是指每次參數更新只使用一個樣本。