[发明专利]一种数据的推荐方法、装置、电子设备及存储介质

说明书

本公开涉及数据处理技术领域，尤其涉及一种数据的推荐方法、装置、电子设备及存储介质，用以解决无法挖掘用户个性化的需求，以及无法基于用户个性化的需求准确地进行数据的推荐的问题，获取用户特征向量后，确定用户对应的候选推荐数据集合，并基于获得的各个数据参数和所述用户特征向量，分别对应的各个预期收益，然后基于预期收益，确定推荐给所述用户的数据，并基于用户的反馈信息，更新对应的目标待推荐数据的数据参数。这样，能够基于用户特征向量预估用户对于候选推荐数据集合中各个候选推荐数据的偏好情况，实现了对于用户个性化需求的挖掘，有助于维持用户的活跃度，同时采用了在线学习的方式，提高了数据推荐的准确性。

技术领域

本公开涉及数据处理技术领域，尤其涉及一种数据的推荐方法、装置、电子设备及存储介质。

背景技术

随着互联网技术的发展，可向用户推荐的各类数据的规模日益庞大，为了使得新发布的各类数据能够被用户操作，通常需要将各类数据针对性的推荐给感兴趣的用户。

相关技术下，在向用户推荐数据时，可以基于用户对于数据的历史操作记录，向用户推荐与操作过的历史数据相似的数据，或者，可以直接向用户推荐热度较高的话题对应的数据，又或者，可以采用诸如epsilon-greedy算法，将数据随机推荐给用户，还或者，可以基于用户的人口统计学特征以及预设的标签特征，预估用户可能感兴趣的数据，并确定对应的推荐数据。

但是，对于现有的数据的推荐方式来说，仅推荐与操作的历史数据相似的数据或者热度较高的话题对象的数据，将无法满足针对各个用户进行个性化推荐的需要，而且极大影响了推荐结果的多样性，同时，无法挖掘用户潜在的喜好，因而无法向用户准确推荐可能感兴趣的数据。

发明内容

本公开实施例提供一种数据的推荐方法、装置、电子设备及存储介质，用以解决现有技术中存在无法挖掘用户个性化的需求，以及无法基于用户个性化的需求准确地进行数据的推荐的问题。

本公开实施例提供的具体技术方案如下：

第一方面，提出一种数据的推荐方法，包括：

获取用户特征向量，其中，所述用户特征向量是采用已训练的深度学习模型，基于所述用户关联的各个兴趣数据预测得到的；

确定所述用户对应的候选推荐数据集合，并获取所述候选推荐数据集合中各个候选推荐数据各自对应的数据参数，以及基于获得的各个数据参数和所述用户特征向量，分别确定所述用户对于各个候选推荐数据的预期收益；

基于所述预期收益，从所述各个候选推荐数据中，筛选出满足设定条件的目标待推荐数据推荐给所述用户，并获得所述用户对所述目标待推荐数据的反馈信息；

基于所述反馈信息，更新对应的目标待推荐数据的数据参数。

可选的，所述基于获得的各个数据参数和所述用户特征向量，分别确定所述用户对于各个候选推荐数据的预期收益，包括：

采用置信区间上界linUCB算法，基于获得的各个数据参数和所述用户特征向量，分别确定所述用户对于所述各个候选推荐数据的初始收益和上界浮动收益，并基于各个初始收益和上界浮动收益，分别确定所述用户对于相应的候选推荐数据的预期收益。

可选的，所述数据参数中包括第一数据参数和第二数据参数；所述基于所述反馈信息，更新对应的目标待推荐数据的数据参数，包括：

确定所述反馈信息对应的调整因子，并确定与所述反馈信息对应的目标待推荐数据的数据参数，以及基于所述调整因子与所述用户特征向量的第一点乘结果，对所述数据参数中的第一数据参数进行更新，获得更新后的第一数据参数；

基于所述用户特征向量与所述用户特征向量的转置向量的第二点乘结果，对所述数据参数中的第二数据参数进行更新，获得更新后的第二数据参数。