[发明专利]基于用户需求画像的产品自适应服务方法、介质及装置

权利要求书

1.一种基于用户需求画像的产品自适应服务方法，其特征在于，包括如下步骤：

步骤1：用户显式需求建模生成用户显式需求画像；

步骤2：用户隐式需求建模生成用户隐式需求画像；

步骤3：对用户显式需求画像和用户隐式需求画像赋予不同的权重，然后对用户显式需求画像和用户隐式需求画像进行有效加权，生成用户个性化需求画像；

步骤4：实现基于用户个性化需求画像的准确推荐和查全推荐两种不同场景下的产品智能推荐；

所述用户显式需求画像表示为：

其中：表示用户显式需求画像；表示用户关注的产品主题的关注度列表；表示用户对产品关键词的关注度列表；T_{hist_i}(i∈(1~h))表示用户关注的第i个产品的产品主题，w_{hist_i}(i∈(1~h))表示对用户关注的第i个产品的产品主题的关注度，h为用户关注的产品的产品主题数量，w_{hist_1}+w_{hist_2}+w_{hist_3}+…+w_{hist_h}=1；Kword_{hist_j}(j∈(1~g))表示用户关注的产品的第j个产品关键词；w’_{hist_j}(j∈(1~g))表示对用户关注的产品的第j个产品关键词的关注度，g为用户关注的产品的产品关键词数量，w’_{hist_1}+w’_{hist_2}+w’_{hist_3}+…+w’_{hist_g}=1；

步骤2中用户隐式需求建模生成用户隐式需求画像的方法包括如下子步骤：

步骤21，采集并记录用户的交互式操作行为及操作对象：

其中：表示用户在登录产品服务系统期间对产品的交互式操作行为矩阵，l表示具有包括浏览、收藏或下载的交互式操作行为的产品总数，Q_i1表示用户对第i个产品的浏览行为，Q_i2表示用户对第i个产品的收藏行为，Q_i3表示用户对第i个产品的下载行为；

步骤22，计算用户对产品的关注度：

步骤221，构建用户操作行为与产品关注度的映射关系矩阵：

其中：表示用户操作行为与产品关注度的映射关系矩阵，w₁表示用户的浏览行为对产品关注度的量化值，w₂表示用户的收藏行为对产品关注度的量化值，w₃表示用户的下载行为对产品关注度的量化值；

步骤222，通过用户在登录产品服务系统期间对产品的交互式操作行为矩阵以及用户操作行为与产品关注度的映射关系矩阵，计算用户在登录产品服务系统期间对产品关注度列表：

其中：表示用户在登录产品服务系统期间对产品关注度列表，D_i(i=1~l)表示用户对第i个产品的关注度值；

步骤23，计算用户隐式需求列表，生成用户隐式需求画像：

步骤231，对用户关注的每个产品进行产品主题及产品关键词采集，输出产品主题列表以及产品关键词列表：

产品主题列表表示为：

其中：T_i(i∈(1~l))表示第i个产品的产品主题，认为一个产品有且只有一个产品主题；

产品关键词列表表示为：

其中：[Kword_i](i∈(1~l))表示第i个产品的产品关键词，认为一个产品有一个或多个产品关键词；第i个产品的产品关键词列表表示为：

Kword_i=[[Kword_i1,w_i1],[Kword_i2,w_i2],…,[Kword_ik,w_ik]]，i=1~l；

其中：k表示第i个产品的产品关键词数量；[Kword_iq,w_iq](q=1~k)中，Kword_iq表示第i个产品的第q个产品关键词，w_iq表示第q个产品关键词的权重；

步骤232，计算用户对产品主题的关注度，认为一个产品有且只有一个产品主题，则用户对第i个产品的产品主题关注度即用户对第i个产品的关注度：

首先计算用户对每个产品的产品主题关注度，表示为：

其中，(i∈(1~l))表示用户对第i个产品的产品主题T_i关注度为，D_i为用户对第i个产品的关注度；

然后对产品主题关注度列表求并集，合并相同主题，输出用户对产品主题关注度：当有多个产品的产品主题相同时，用户对该产品主题的关注度为对该产品主题下所有关注度之和；通过合并相同产品主题下的多个关注度，输出用户对产品主题关注度列表，表示：

其中：表示用户对产品主题关注度列表；(i∈(1~n)，n≤l)表示用户对第i个产品的产品主题T_i的关注度值为；

最后对各产品主题关注度进行归一化处理，归一化公式如下：

输出归一化后的用户对产品主题关注度列表，表示为：

其中，w_i(i∈(1~n))为归一化后的用户对第i个产品的产品主题关注度，w₁+w₂+…+ w_n=1；

步骤233，计算用户对产品关键词的关注度，认为一个产品有一个或多个产品关键词，用户对产品关键词的关注度为用户对产品的关注度乘以产品关键词权重：

首先计算用户对每个产品关键词的关注度，表示为：

其中：表示用户对第i个产品中产品关键词的关注度列表；k表示第i个产品的产品关键词数量；[Kword_ik,w_ik]表示第i个产品的第k个产品关键词及考虑产品关注度后的用户对该产品关键词关注度；

然后对产品关键词关注度列表求并集，合并相同产品关键词，输出用户对产品关键词关注度：遍历用户对产品关键词关注度列表，当有多个产品关键词相同时，用户对该产品关键词的关注度为对该产品关键词的所有关注度之和；即，当第i个产品的产品关键词Kword_ik与第j个产品的产品关键词Kword_jm相同，即Kword_ik=Kword_jm时，用户对产品关键词Kword_ik的关注度为w_ik=w_ik+w_jm；通过合并相同产品关键词下的多个关注度，输出用户对产品关键词关注度列表，表示：

其中：表示用户对产品关键词关注度列表；(i∈(1~p))表示用户对第i个产品关键词Kword_i的关注度值为；

最后，对各产品关键词关注度进行归一化处理，归一化公式如下：

输出归一化后的用户对产品关键词关注度列表，表示为：

其中，w_i(i∈(1~p))为归一化后的第i个产品关键词关注度，w₁+w₂+…+w_p=1；

步骤234，基于步骤232和步骤233计算出的用户产品主题关注度和用户产品关键词关注度，生成用户隐式需求列表，即用户隐式需求画像，表示为：

其中：表示用户隐式需求列表，由步骤232和步骤233计算出的用户产品主题关注度列表和用户产品关键词关注度列表组成；

步骤3中对用户显式需求画像和用户隐式需求画像赋予不同的权重，然后对用户显式需求画像和用户隐式需求画像进行有效加权，生成用户个性化需求画像的方法，包括如下子步骤：

步骤31，为用户历史需求画像和用户隐式需求画像分配权重：

w_hist+w_inter=1

其中，w_hist表示用户历史需求画像的权重，w_inter表示用户隐式需求画像的权重；

步骤32，个性化需求的产品主题关注度计算：

步骤321，利用步骤31输出的权重，对用户历史需求画像中的产品主题关注度与用户隐式需求画像中的产品主题关注度进行加权，输出用户个性化需求的产品主题关注度，表示为：

步骤322，对产品主题关注度列表中相同产品主题进行合并：遍历用户对产品主题关注度列表，当有多个产品主题相同时，用户对该产品主题的关注度为对该产品主题的所有关注度之和；即，当产品主题T_{hist_1}与产品主题T_n相同时，用户对产品主题T_{hist_1}的关注度为(w_hist×w_{hist_1}+w_inter×w_n)；通过合并相同产品主题下的多个关注度，输出用户个性化需求列表的产品主题关注度列表，表示为：

其中：分别表示用户关注的产品主题，及对该产品主题的关注度值；

步骤33，个性化需求的产品关键词关注度计算：

步骤331，利用步骤31输出的权重值，对用户历史需求画像中的产品关键词关注度与用户隐式需求画像中的产品关键词关注度进行加权，输出用户个性化需求的产品关键词关注度，表示为：

步骤332，对产品关键词列表中相似产品关键词进行合并：

设置产品关键词的相似度阈值x，如果两个产品关键词的相似度大于x，则认为两个产品关键词为相似词，能够进行合并；

遍历用户对产品关键词关注度列表的产品关键词，利用词向量算法，计算每个产品关键词的词向量，并利用余弦相似度算法，计算两两产品关键词的词向量间夹角余弦值，如果余弦值大于相似度阈值x，则认为两个产品关键词相似，能够进行合并，其关注度为对各产品关键词的关注度之和；

步骤31中，用户初次登录产品服务系统期间，用户历史需求画像为用户显式需求画像；用户再次登录产品服务系统时，用户历史需求画像为前一次登录产品服务系统期间生成的用户个性化需求画像；

步骤4中实现基于用户个性化需求画像的准确推荐和查全推荐两种不同场景下的产品智能推荐的方法包括如下子步骤：

步骤41，基于个性化需求产品主题的用户对产品关注度计算：

步骤411，遍历产品库中所有产品，对产品库中每个产品进行产品主题采集，输出第i个产品的产品主题T_i；

步骤412，遍历用户个性化需求主题列表，将产品主题T_i与用户个性化需求主题列表中产品主题T_j进行匹配计算：若匹配成功，停止遍历，对第i个产品的关注度D_{T_i}等于用户个性化需求主题列表中对产品主题T_j的关注度w_j；若匹配失败，则执行步骤413；

步骤413，重复步骤412，j=j+1,j≤n，直到对用户个性化需求主题列表遍历结束；表明第i个产品的产品主题T_i与用户个性化需求主题列表中所有产品主题均匹配失败，则基于个性化需求主题的用户对第i个产品的关注度w_i=0；

步骤414，重复步骤411~413，直到对产品库中所有产品遍历结束，输出基于用户个性化需求主题的用户对产品关注度，表示为：

其中：y表示产品库中产品总数量；D_{T_i}(i∈(1~y))表示基于用户个性化需求主题的用户对第i个产品的关注度；

步骤42，基于个性化需求产品关键词的用户对产品关注度计算：

步骤421，遍历产品库中所有产品，对产品库中每个产品进行产品关键词采集，输出第i个产品的产品关键词列表，表示为：

{Kword_i}=[[Kword_i1,w_i1],[Kword_i2,w_i2],…,[Kword_ik,w_ik]]

其中：{Kword_i}表示第i个产品的产品关键词列表；[Kword_ij,w_ij](j∈(1~k))分别表示第i个产品的第j个产品关键词以及该关键词的权重，k表示第i个产品的产品关键词数量；

步骤422，分别计算第i个产品和用户个性化需求产品关键词列表的特征向量：

首先对第i个产品的产品关键词列表和用户个性化需求的产品关键词列表求并集，输出词袋模型，表示为：

其中，Kword_i1,Kword_i2,…,Kword_ik分别表示第i个产品的k个产品关键词，Kword₁,Kword₂,…,Kword_f分别为用户个性化需求产品关键词列表中的f个产品关键词；

当产品关键词Kword_i1=Kword₁时，输出词袋模型为：

以词袋模型U中的产品关键词为索引，其对应的数值用产品关键词权重表示，未在产品关键词列表中出现的产品关键词，则权重为0，分别生成第i个产品和用户个性化需求产品关键词的词袋向量，称之为特征向量；

步骤423，计算基于个性化需求产品关键词的用户对产品关注度：

采用余弦计算公式，第i个产品的特征向量和用户个性化需求产品关键词列表的特征向量之间夹角余弦值，用以第i个产品和用户个性化需求产品关键词列表之间的相似度；计算公式如下：

其中：D_{Kword_i}为基于个性化需求产品关键词的用户对第i个产品的关注度；

步骤424，重复步骤421~423，直到对产品库中所有产品遍历结束，输出基于用户个性化需求产品关键词的用户对产品关注度，表示为：

其中：y表示产品库中产品总数量；D_{Kword_i}(i∈(1~y))表示基于用户个性化需求产品关键词的用户对第i个产品的关注度；

步骤43，基于步骤41和步骤42的输出结果，计算基于个性化需求画像的产品关注度：

步骤431，遍历产品库中所有产品，基于个性化需求画像的用户对第i个产品的关注度为基于个性化需求产品关键词的用户对第i个产品的关注度与基于个性化需求产品主题的用户对第i个产品的关注度权重的乘积，表示为：

其中：表示基于个性化需求画像的用户对第i个产品的关注度；D_{Kword_i}表示基于个性化需求产品关键词的用户对第i个产品的关注度；D_{T_i}表示基于个性化需求主题的用户对第i个产品的关注度；max(D_{T_1},D_{T_2},…,D_{T_y})表示基于个性化需求产品主题的用户对产品关注度最大值；min(D_{T_1},D_{T_2},…,D_{T_y})表示基于个性化需求产品主题的用户对产品关注度最小值；

步骤432，遍历结束后，输出用户对产品库中所有产品关注度列表，表示为：

其中：表示用户对产品库中所有产品的关注度列表；y表示产品库中产品数量；D_i(i∈(1~y))表示基于个性化需求画像的用户对第i个产品的关注度；

步骤44，基于产品关注度实现基于用户个性化需求画像的准确推荐和查全推荐两种不同场景下的产品智能推荐：

当用户对准确推荐要求相较于对查全推荐要求更高时，产品服务系统自动在满足预设查全率的基础上将关注度高的产品推荐给用户；

当用户对查全推荐要求相较于对准确推荐要求更高时，产品服务系统自动在满足预设准确率的基础上将关注度不为零的产品推荐给用户。