[發(fā)明專利]一種基于用戶數(shù)據(jù)推薦信息的方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110621987.9
• 申請日: 2021-06-04
• 公開（公告）號: CN113076488A
• 公開（公告）日: 2021-07-06
• 發(fā)明（設計）人: 姚娟娟;樊代明;鐘南山
• 申請（專利權）人: 明品云（北京）數(shù)據(jù)科技有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F40/284;G06F40/126;G06K9/62;G06N3/04
• 代理公司: 上海漢之律師事務所 31378
• 代理人: 馬婷婷

本發(fā)明提供一種基于用戶數(shù)據(jù)推薦信息的方法及系統(tǒng)，所述的方法包括：獲取承載有用戶數(shù)據(jù)的文本，通過預設的關鍵詞對所述文本進行分析，獲取預算特征向量和性狀特征向量；對所述預算特征向量和所述性狀特征向量進行融合處理，獲取融合向量；將多個用戶所對應的融合向量分別載入到特征矩陣中；將所述特征矩陣輸入到第一神經(jīng)網(wǎng)絡中進行訓練，獲取推薦模型；通過所述推薦模型預測待處理的文本，獲取推薦信息；通過利用關鍵字來確定與關鍵字相關聯(lián)的文本中的語句，過濾掉冗余的文本的語句，通過對預算特征向量和性狀特征向量進行二維度的融合和分析，能夠結合該用戶的預算情況和性狀特點進行綜合的權重考慮，提升推薦信息的精度和個性化水平。

技術領域

本發(fā)明涉及大數(shù)據(jù)技術領域，特別是涉及一種基于用戶數(shù)據(jù)推薦信息的方法及系統(tǒng)。

背景技術

承載用戶數(shù)據(jù)的文本往往蘊藏著深層次的特征信息，通過將特征信息進行匯總和融合，能夠形成區(qū)別化、差異化和個性化的用戶畫像，通過用戶畫像能夠預測用戶潛在的需求，并進行信息推薦。

而目前，用戶數(shù)據(jù)的離散性和耦合性不便于對用戶數(shù)據(jù)進行精確地識別和分析，也不能準確地提取出關鍵信息，造成推薦信息的精確度低的問題。

發(fā)明內(nèi)容

鑒于以上所述現(xiàn)有技術的缺點，本發(fā)明的目的在于提供一種基于用戶數(shù)據(jù)推薦信息的方法及系統(tǒng)，用于解決現(xiàn)有技術中的推薦信息的精確度低問題。

為實現(xiàn)上述目的及其他相關目的，本發(fā)明提供一種基于用戶數(shù)據(jù)推薦信息的方法，包括：

獲取承載有用戶數(shù)據(jù)的文本，通過預設的關鍵詞對所述文本進行分析，獲取預算特征向量和性狀特征向量；

對所述預算特征向量和所述性狀特征向量進行融合處理，獲取融合向量；

將多個用戶所對應的融合向量分別載入到特征矩陣中；

將所述特征矩陣輸入到第一神經(jīng)網(wǎng)絡中進行訓練，獲取推薦模型；

通過所述推薦模型預測待處理的文本，獲取推薦信息。

可選的，通過預設的關鍵詞對所述文本進行分析的步驟包括：

預設的關鍵詞包括第一關鍵詞和第二關鍵詞，其中，所述第一關鍵詞與用戶的預算信息關聯(lián)，所述第二關鍵詞與用戶的性狀信息關聯(lián)；

通過所述第一關鍵詞確定所述文本中與預算信息關聯(lián)的第一語句，并通過所述第二關鍵詞確定所述文本中與性狀信息關聯(lián)的第二語句；

分別對所述第一語句和所述第二語句進行向量化，獲取所述預算特征向量和所述性狀特征向量。

可選的，分別對所述第一語句和所述第二語句進行向量化，獲取所述預算特征向量和所述性狀特征向量的步驟包括：

通過語料庫獲取所述第一語句和所述第二語句的單詞的編碼；

通過所述第一語句和所述第二語句的單詞的編碼分別獲取第一語句矩陣和第二語句矩陣；

將所述第一語句矩陣和所述第二語句矩陣分別輸入第二神經(jīng)網(wǎng)絡中；

將所述第一語句矩陣和所述第二語句矩陣分別通過一個或者多個尺寸的卷積核進行卷積，獲取一個或者多個尺寸的特征圖；

對一個或者多個尺寸的所述特征圖分別進行池化處理并進行拼接，獲取所述預算特征向量和所述性狀特征向量。

可選的，所述第二神經(jīng)網(wǎng)絡包括：用于處理所述第一語句矩陣的第二一子神經(jīng)網(wǎng)絡和用于處理所述第二語句矩陣的第二二子神經(jīng)網(wǎng)絡；

所述第二一子神經(jīng)網(wǎng)絡和所述第二二子神經(jīng)網(wǎng)絡都包括：輸入層、卷積層、池化層和輸出層。

可選的，所述第一神經(jīng)網(wǎng)絡包括輸入層、全連接層和輸出層，且所述輸出層的激活函數(shù)包括sigmoid函數(shù)。

可選的，將所述特征矩陣輸入到第一神經(jīng)網(wǎng)絡中進行訓練，獲取推薦模型的步驟包括：

獲取所述特征矩陣以及預設的推薦信息模版；