[发明专利]数据处理方法、系统、介质和计算设备

说明书

本发明的实施方式提供了一种数据处理方法。该数据处理方法包括：获取目标用户的用户画像，根据用户画像确定目标用户的兴趣模型，获取目标对象的对象画像，其中，目标对象包括被目标用户执行过预定操作的对象以及根据对象画像调整兴趣模型以确定目标用户的当前兴趣模型，其中，当前兴趣模型用于从待推荐对象中筛选目标用户当前感兴趣的对象或对象品类。本发明能利用对象画像调整根据用户画像确定的兴趣模型以确定目标用户的当前兴趣模型，实现用户兴趣模型的动态描述，以便从待推荐对象中筛选目标用户当前感兴趣的对象或对象品类，显著地提高了个性化推荐结果的准确率。此外，本发明的实施方式提供了一种数据处理系统、一种介质和一种计算设备。

技术领域

本发明的实施方式涉及个性化推荐领域，更具体地，本发明的实施方式涉及一种数据处理方法、系统、介质和计算设备。

背景技术

本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

随着互联网技术的飞速发展，用户的学习、生活和工作等方方面面越来越依赖于互联网，与互联网之间的联系变得越来越紧密。在这个快节奏的网络时代，用户希望能够通过互联网快速的找到自己需要的或感兴趣的信息和/或产品，而每天不断的在互联网中产生的海量信息和/或产品，用户需要花费很长甚至相当长的时间才有可能找到自己需要的或感兴趣的信息和/或产品，即用户很难快速又精准的找到自己需要的或感兴趣的信息和/或产品。如对有耐心且时间宽裕的用户来说，即使能最终找到自己需要的或感兴趣的信息和/或产品，对用户的时间成本也造成了很大的浪费，用户体验不好，对缺少耐心或时间并不宽裕的用户来说，可能会放弃通过互联网的方式找自己需要的或感兴趣的信息和/或产品，造成用户的流失。因此，为了树立品牌形象，增强网络用户粘性，各网络购物平台或客户端提供者研发人员纷纷致力于研究如何帮助用户快速准确的找到其需要的或感兴趣的信息和/或产品，如提供推荐系统，利用各网络购物平台或客户端向用户提供产品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助用户完成购买过程，其中，个性化推荐即根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和/或产品由于推荐算法的针对性更强，推荐的信息和/或产品能够更加符合用户的兴趣，给用户提供深入的个人定制体验，因此早已成为各网络购物平台或客户端的必备功能之一。

目前，相关技术提供了多种个性化推荐算法，如基于内容的推荐算法，协同过滤的算法，基于点击通过率预测的推荐算法，基于标签的推荐方法，以及基于深度学习的推荐算法等等。

发明内容

但是，相关技术中提供的个性化推荐算法虽然相比静态模型可以更加准确的捕捉到用户的兴趣，以及更加深入的个人定制体验，但是，究其本质，多数是通过“聚类”的方式，实现对用户群体细致划分，以实现细分群体的个性化服务，并未实现真正的“千人千面”的个性化推荐，一方面受限于规则、协同算法本身的固有属性，另一方面受限于用户的规模庞大，数以百千万计，甚至过亿，如果对每一个用户进行单独的建模，不论计算量和模型的体量在目前的推荐场景中都是相对困难的。现有技术无法实现用户兴趣模型的动态描述。另外，目前针对用户的建模方法，往往是通过统计用户的历史行为和画像信息去构建用户的兴趣模型，只能够描述用户的静态特性，如可以刻画用户对什么感兴趣，对什么不感兴趣。而且，不同用户对推荐商品的接受能力是不同的，由用户的实际需求，购买力、购物心理等多种因素决定，表现在电商购物中，则是有些用户对推荐商品有快速的接受能力，很快产生购买转化，有些则是对推荐的商品反映比较慢，表现出无明显的购物需求。

因此在现有技术中，建模方法无法动态描述用户对商品的兴趣变化，导致个性化推荐结果准确率不高，这是非常令人烦恼的过程。

为此，非常需要一种改进的数据处理方法，以使用户兴趣模型实现动态描述。

在本上下文中，本发明的实施方式期望提供一种数据处理方法及数据处理系统。