[发明专利]基于深度学习模型的个性化推荐方法、装置、设备及介质

说明书

本发明实施例涉及人工智能领域，公开了一种基于深度学习模型的个性化推荐方法、装置、设备及介质，该方法包括：从训练样本集的第一行为数据中提取第一特征信息，第一特征信息包括基本特征信息和时序特征信息；将第一特征信息输入预设的深度学习模型中进行训练，得到个性化推荐模型；将从目标用户的第二行为数据中提取的第二特征信息输入个性化推荐模型中，得到个性化标签向量；根据个性化标签向量，利用指定算法计算得到目标标签向量，并将目标标签向量对应的目标标签下的内容推荐给目标用户的用户终端，增强了模型训练结果的精准度，提高了个性化推荐的准确性。本发明涉及区块链技术，如可将行为数据写入区块链中，以用于数据取证等场景。

技术领域

本发明涉及人工智能领域，尤其涉及一种基于深度学习模型的个性化推荐方法、装置、设备及介质。

背景技术

个性化推荐是自然语言处理领域重要的领域，近年来，各互联网产品已广泛使用个性化推荐技术，该技术的成熟应用丰富了互联网产品的功能，给人们的生活带来了更多的便利。该技术能快速识别客户需求与爱好，进行个性化推荐，提升用户的满意度。

传统的推荐算法关注的是用户与产品的交互行为，如基于用户的推荐与基于产品的推荐。常用的算法有如协同过滤算法，基于机器学习的推荐算法，社区推荐算法，组推荐算法等。然而，这些传统的推荐算法为用户推荐的产品过于单一，不能兼顾到用户的真实需求，推荐结果不够准确，客户满意度会受到一定的影响。因此，如何更有效地提高个性化推荐的准确率成为研究的重点。

发明内容

本发明实施例提供了一种基于深度学习模型的个性化推荐方法、装置、设备及介质，增强了个性化推荐模型的精准度，提高了个性化推荐的准确率。

第一方面，本发明实施例提供了一种基于深度学习模型的个性化推荐方法，包括：

获取训练样本集，所述训练样本集中包括多个用户在指定业务场景下的第一行为数据；

从所述第一行为数据中提取第一特征信息，所述第一特征信息包括基本特征信息和时序特征信息，所述基本特征信息包括偏好特征信息和一般特征信息，所述时序特征信息包括前后关联特征信息和时间段特征信息；

将所述第一特征信息输入预设的深度学习模型中进行训练，得到个性化推荐模型；

获取在所述指定业务场景中目标用户的第二行为数据，从所述第二行为数据中提取第二特征信息，并将所述第二特征信息输入所述个性化推荐模型中，得到所述目标用户的个性化标签向量；

根据所述个性化标签向量，利用指定算法计算得到所述目标用户的目标标签向量，并将所述目标标签向量对应的目标标签下的内容推荐给所述目标用户的用户终端。

进一步地，所述从所述第一行为数据中提取第一特征信息之后，还包括：

从预设的特征表中查询是否存在与所述第一行为数据对应的第一特征信息；

如果查询结果为所述预设的特征表中存在与所述第一行为数据对应的第一特征信息，则对所述第一特征信息添加第一标签；

如果查询结果为所述预设的特征表中不存在与所述第一行为数据对应的第一特征信息，则对所述第一特征信息添加第二标签。

进一步地，所述将所述第一特征信息输入预设的深度学习模型中进行训练，得到个性化推荐模型，包括：

从添加所述第一标签或所述第二标签的所述第一特征信息中提取对应的第一特征向量，所述第一特征向量包括所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量；

将所述第一特征信息对应的词向量、句间向量、位置向量以及标签向量输入所述预设的深度学习模型中进行训练，得到个性化推荐模型。