信息推薦方法、裝置、存儲介質(zhì)及處理器制造方法及圖紙

本發(fā)明專利技術(shù)公開了一種信息推薦方法、裝置、存儲介質(zhì)及處理器。其中，該方法包括：采集用戶在訪問目標(biāo)網(wǎng)站時所產(chǎn)生的行為數(shù)據(jù)和目標(biāo)網(wǎng)站的第一屬性數(shù)據(jù)，其中，行為數(shù)據(jù)包括第一當(dāng)前行為數(shù)據(jù)和第一歷史行為數(shù)據(jù)；對第一歷史行為數(shù)據(jù)和第一屬性數(shù)據(jù)分別進(jìn)行處理得到第二歷史行為數(shù)據(jù)和第二屬性數(shù)據(jù)，進(jìn)而根據(jù)第二歷史行為數(shù)據(jù)和第二屬性數(shù)據(jù)生成用戶信息數(shù)據(jù)庫，其中，用戶信息數(shù)據(jù)庫中包含多個數(shù)據(jù)樣本；根據(jù)數(shù)據(jù)樣本對預(yù)設(shè)信息推薦模型進(jìn)行訓(xùn)練，得到第一信息推薦模型；根據(jù)第一信息推薦模型對第一當(dāng)前行為數(shù)據(jù)進(jìn)行處理，從而生成目標(biāo)網(wǎng)站的推薦信息。本發(fā)明專利技術(shù)解決了現(xiàn)有技術(shù)中存在的網(wǎng)絡(luò)信息推薦準(zhǔn)確度和效率較低的技術(shù)問題。

Information recommendation method, apparatus, storage medium, and processor

The invention discloses an information recommendation method, a device, a storage medium and a processor. Among them, the method includes: a first attribute data collection user generated in the target web site access behavior data and the target site of the behavioral data includes a first current data and history data of the first; the first historical data and the attribute data are first processed by second history data and second attribute data, and according to the second history data and second attribute data to generate user information database, the user information database contains multiple data sample; according to the sample data of the preset information recommendation model for training, get the first information recommendation model; information recommendation model based on the first processing of the first current data, thereby generating the recommended information of the target site. The invention solves the technical problems of low accuracy and low efficiency of network information recommendation in the prior art.

【技術(shù)實(shí)現(xiàn)步驟摘要】
信息推薦方法、裝置、存儲介質(zhì)及處理器
本專利技術(shù)涉及互聯(lián)網(wǎng)領(lǐng)域，具體而言，涉及一種信息推薦方法、裝置、存儲介質(zhì)及處理器。
技術(shù)介紹
隨著大數(shù)據(jù)時代的來臨，網(wǎng)絡(luò)中的信息量呈現(xiàn)指數(shù)式增長，隨之帶來了信息過載的問題。智能推薦系統(tǒng)是解決信息過載最有效的方式之一，基于大數(shù)據(jù)的推薦系統(tǒng)通過采集用戶的行為信息，分析研究海量數(shù)據(jù)并從中挖掘有用的信息，進(jìn)而得出用戶的興趣偏好并向用戶推送與其興趣偏好相關(guān)聯(lián)的信息。智能推薦系統(tǒng)已經(jīng)逐漸成為信息領(lǐng)域的研究熱點(diǎn)之一。在智能推薦系統(tǒng)中，推薦數(shù)據(jù)的有效性、準(zhǔn)確性、實(shí)時性是系統(tǒng)性能的重要指標(biāo)。現(xiàn)有的智能推薦系統(tǒng)所采用的方案主要分為以下三類：一、基于群體的推薦，采用協(xié)同過濾技術(shù)，收集用戶的信息和與用戶有相似行為的群體的信息，根據(jù)相應(yīng)的群體信息實(shí)現(xiàn)單個用戶的推薦。二、基于內(nèi)容的推薦，收集用戶的信息和商品的顯性相關(guān)屬性信息，為用戶推薦其購買過或瀏覽過的商品相似的產(chǎn)品。三、混合方案，收集多方數(shù)據(jù)，結(jié)合基于群體的推薦、基于內(nèi)容的推薦等多種機(jī)制，采用多種技術(shù)進(jìn)行共同推薦。其中，基于群體的推薦機(jī)制解釋性差，且面臨著數(shù)據(jù)稀疏問題，而基于內(nèi)容的推薦機(jī)制其性能受到產(chǎn)品顯性屬性的限制，對于屬性標(biāo)簽不完整或缺乏的情況無法進(jìn)行有效推薦。此外，上述三種方案中的推薦算法均存在冷啟動問題，對于沒有購買行為的新用戶推薦結(jié)果精度很低。綜上，現(xiàn)有技術(shù)中存在網(wǎng)絡(luò)信息推薦準(zhǔn)確度和效率較低的技術(shù)問題。針對上述的問題，目前尚未提出有效的解決方案。
技術(shù)實(shí)現(xiàn)思路
本專利技術(shù)實(shí)施例提供了一種信息推薦方法、裝置、存儲介質(zhì)及處理器，以至少解決現(xiàn)有技術(shù)中存在的網(wǎng)絡(luò)信息推薦準(zhǔn)確度和效率較低的技術(shù)問題。根據(jù)本專利技術(shù)實(shí)施例的一個方面，提供了一種信息推薦方法，該方法包括：采集用戶在訪問目標(biāo)網(wǎng)站時所產(chǎn)生的行為數(shù)據(jù)和上述目標(biāo)網(wǎng)站的第一屬性數(shù)據(jù)，其中，上述行為數(shù)據(jù)包括第一當(dāng)前行為數(shù)據(jù)和第一歷史行為數(shù)據(jù)；對上述第一歷史行為數(shù)據(jù)和上述第一屬性數(shù)據(jù)分別進(jìn)行處理得到第二歷史行為數(shù)據(jù)和第二屬性數(shù)據(jù)，進(jìn)而根據(jù)上述第二歷史行為數(shù)據(jù)和上述第二屬性數(shù)據(jù)生成用戶信息數(shù)據(jù)庫，其中，上述用戶信息數(shù)據(jù)庫中包含多個數(shù)據(jù)樣本；根據(jù)上述數(shù)據(jù)樣本對預(yù)設(shè)信息推薦模型進(jìn)行訓(xùn)練，得到第一信息推薦模型，其中，上述第一信息推薦模型為收斂后的上述預(yù)設(shè)信息推薦模型；根據(jù)上述第一信息推薦模型對上述第一當(dāng)前行為數(shù)據(jù)進(jìn)行處理，從而生成上述目標(biāo)網(wǎng)站的推薦信息。進(jìn)一步地，上述對上述第一歷史行為數(shù)據(jù)和上述第一屬性數(shù)據(jù)進(jìn)行處理得到第二歷史行為數(shù)據(jù)和第二屬性數(shù)據(jù)包括：對上述第一歷史行為數(shù)據(jù)和上述第一屬性數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，得到第三歷史行為數(shù)據(jù)和第三屬性數(shù)據(jù)；對上述第三歷史行為數(shù)據(jù)和上述第三屬性數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，得到上述第二歷史行為數(shù)據(jù)和上述第二屬性數(shù)據(jù)，其中，上述數(shù)據(jù)預(yù)處理的方式至少包括下述之一：數(shù)據(jù)抽取、數(shù)據(jù)轉(zhuǎn)換和數(shù)據(jù)加載。進(jìn)一步地，上述根據(jù)上述數(shù)據(jù)樣本對預(yù)設(shè)信息推薦模型進(jìn)行訓(xùn)練，得到第一信息推薦模型包括：根據(jù)預(yù)設(shè)訓(xùn)練算法對上述數(shù)據(jù)樣本進(jìn)行處理，得到用戶特征向量，其中，上述預(yù)設(shè)訓(xùn)練算法至少包括下述之一：基于矩陣分解的協(xié)同過濾算法、數(shù)據(jù)并行算法和模型并行算法；根據(jù)上述用戶特征向量得到上述第一信息推薦模型。進(jìn)一步地，上述方法還包括：對上述第一當(dāng)前行為數(shù)據(jù)進(jìn)行處理，得到第二當(dāng)前行為數(shù)據(jù)；根據(jù)上述第二當(dāng)前行為數(shù)據(jù)更新上述用戶信息數(shù)據(jù)庫；根據(jù)更新后的上述用戶信息數(shù)據(jù)庫中包含的上述數(shù)據(jù)樣本對上述第一信息推薦模型進(jìn)行訓(xùn)練，得到第二信息推薦模型，其中，上述第二信息推薦模型為收斂后的上述第一信息推薦模型。進(jìn)一步地，在上述根據(jù)上述數(shù)據(jù)樣本對預(yù)設(shè)信息推薦模型進(jìn)行訓(xùn)練之前，上述方法還包括：對上述預(yù)設(shè)信息推薦模型的模型參數(shù)進(jìn)行初始化處理。根據(jù)本專利技術(shù)實(shí)施例的另一方面，還提供了一種信息推薦裝置，該裝置包括：采集單元，用于采集用戶在訪問目標(biāo)網(wǎng)站時所產(chǎn)生的行為數(shù)據(jù)和上述目標(biāo)網(wǎng)站的第一屬性數(shù)據(jù)，其中，上述行為數(shù)據(jù)包括第一當(dāng)前行為數(shù)據(jù)和第一歷史行為數(shù)據(jù)；第一處理單元，用于對上述第一歷史行為數(shù)據(jù)和上述第一屬性數(shù)據(jù)分別進(jìn)行處理得到第二歷史行為數(shù)據(jù)和第二屬性數(shù)據(jù)，進(jìn)而根據(jù)上述第二歷史行為數(shù)據(jù)和上述第二屬性數(shù)據(jù)生成用戶信息數(shù)據(jù)庫，其中，上述用戶信息數(shù)據(jù)庫中包含多個數(shù)據(jù)樣本；第二處理單元，用于根據(jù)上述數(shù)據(jù)樣本對預(yù)設(shè)信息推薦模型進(jìn)行訓(xùn)練，得到第一信息推薦模型，其中，上述第一信息推薦模型為收斂后的上述預(yù)設(shè)信息推薦模型；第三處理單元，用于根據(jù)上述第一信息推薦模型對上述第一當(dāng)前行為數(shù)據(jù)進(jìn)行處理，從而生成上述目標(biāo)網(wǎng)站的推薦信息。進(jìn)一步地，上述第一處理單元包括：第一處理子單元，用于對上述第一歷史行為數(shù)據(jù)和上述第一屬性數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，得到第三歷史行為數(shù)據(jù)和第三屬性數(shù)據(jù)；第二處理子單元，用于對上述第三歷史行為數(shù)據(jù)和上述第三屬性數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，得到上述第二歷史行為數(shù)據(jù)和上述第二屬性數(shù)據(jù)，其中，上述數(shù)據(jù)預(yù)處理的方式至少包括下述之一：數(shù)據(jù)抽取、數(shù)據(jù)轉(zhuǎn)換和數(shù)據(jù)加載。進(jìn)一步地，上述第二處理單元包括：第三處理子單元，用于根據(jù)預(yù)設(shè)訓(xùn)練算法對上述數(shù)據(jù)樣本進(jìn)行處理，得到用戶特征向量，其中，上述預(yù)設(shè)訓(xùn)練算法至少包括下述之一：基于矩陣分解的協(xié)同過濾算法、數(shù)據(jù)并行算法和模型并行算法；獲取子單元，用于根據(jù)上述用戶特征向量得到上述第一信息推薦模型。根據(jù)本專利技術(shù)實(shí)施例的又一方面，還提供了一種存儲介質(zhì)，上述存儲介質(zhì)包括存儲的程序，其中，在上述程序運(yùn)行時控制上述存儲介質(zhì)所在設(shè)備執(zhí)行上述的信息推薦方法。根據(jù)本專利技術(shù)實(shí)施例的又一方面，還提供了一種處理器，上述處理器用于運(yùn)行程序，其中，上述程序運(yùn)行時執(zhí)行上述的信息推薦方法。在本專利技術(shù)實(shí)施例中，采用采集用戶在訪問目標(biāo)網(wǎng)站時所產(chǎn)生的行為數(shù)據(jù)和目標(biāo)網(wǎng)站的第一屬性數(shù)據(jù)的方式，其中，行為數(shù)據(jù)包括第一當(dāng)前行為數(shù)據(jù)和第一歷史行為數(shù)據(jù)，通過對第一歷史行為數(shù)據(jù)和第一屬性數(shù)據(jù)分別進(jìn)行處理得到第二歷史行為數(shù)據(jù)和第二屬性數(shù)據(jù)，進(jìn)而根據(jù)第二歷史行為數(shù)據(jù)和第二屬性數(shù)據(jù)生成用戶信息數(shù)據(jù)庫，其中，用戶信息數(shù)據(jù)庫中包含多個數(shù)據(jù)樣本，進(jìn)而根據(jù)數(shù)據(jù)樣本對預(yù)設(shè)信息推薦模型進(jìn)行訓(xùn)練，得到第一信息推薦模型，其中，第一信息推薦模型為收斂后的預(yù)設(shè)信息推薦模型，達(dá)到了根據(jù)第一信息推薦模型對第一當(dāng)前行為數(shù)據(jù)進(jìn)行處理從而生成目標(biāo)網(wǎng)站的推薦信息的目的，從而實(shí)現(xiàn)了提高網(wǎng)絡(luò)信息推薦的準(zhǔn)確度和效率、提升用戶體驗的技術(shù)效果，進(jìn)而解決了現(xiàn)有技術(shù)中存在的網(wǎng)絡(luò)信息推薦準(zhǔn)確度和效率較低的技術(shù)問題。附圖說明此處所說明的附圖用來提供對本專利技術(shù)的進(jìn)一步理解，構(gòu)成本申請的一部分，本專利技術(shù)的示意性實(shí)施例及其說明用于解釋本專利技術(shù)，并不構(gòu)成對本專利技術(shù)的不當(dāng)限定。在附圖中：圖1是根據(jù)本專利技術(shù)實(shí)施例的一種可選的信息推薦方法的流程示意圖；圖2是根據(jù)本專利技術(shù)實(shí)施例的另一種可選的信息推薦方法的流程示意圖；圖3是根據(jù)本專利技術(shù)實(shí)施例的又一種可選的信息推薦方法的流程示意圖；圖4是根據(jù)本專利技術(shù)實(shí)施例的又一種可選的信息推薦方法的流程示意圖；圖5是根據(jù)本專利技術(shù)實(shí)施例的一種可選的信息推薦裝置的結(jié)構(gòu)示意圖。具體實(shí)施方式為了使本
的人員更好地理解本專利技術(shù)方案，下面將結(jié)合本專利技術(shù)實(shí)施例中的附圖，對本專利技術(shù)實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本專利技術(shù)一部分的實(shí)施例，而不是全部的實(shí)施例。基于本專利技術(shù)中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
一種信息推薦方法，其特征在于，包括：采集用戶在訪問目標(biāo)網(wǎng)站時所產(chǎn)生的行為數(shù)據(jù)和所述目標(biāo)網(wǎng)站的第一屬性數(shù)據(jù)，其中，所述行為數(shù)據(jù)包括第一當(dāng)前行為數(shù)據(jù)和第一歷史行為數(shù)據(jù)；對所述第一歷史行為數(shù)據(jù)和所述第一屬性數(shù)據(jù)分別進(jìn)行處理得到第二歷史行為數(shù)據(jù)和第二屬性數(shù)據(jù)，進(jìn)而根據(jù)所述第二歷史行為數(shù)據(jù)和所述第二屬性數(shù)據(jù)生成用戶信息數(shù)據(jù)庫，其中，所述用戶信息數(shù)據(jù)庫中包含多個數(shù)據(jù)樣本；根據(jù)所述數(shù)據(jù)樣本對預(yù)設(shè)信息推薦模型進(jìn)行訓(xùn)練，得到第一信息推薦模型，其中，所述第一信息推薦模型為收斂后的所述預(yù)設(shè)信息推薦模型；根據(jù)所述第一信息推薦模型對所述第一當(dāng)前行為數(shù)據(jù)進(jìn)行處理，從而生成所述目標(biāo)網(wǎng)站的推薦信息。

【技術(shù)特征摘要】
1.一種信息推薦方法，其特征在于，包括：采集用戶在訪問目標(biāo)網(wǎng)站時所產(chǎn)生的行為數(shù)據(jù)和所述目標(biāo)網(wǎng)站的第一屬性數(shù)據(jù)，其中，所述行為數(shù)據(jù)包括第一當(dāng)前行為數(shù)據(jù)和第一歷史行為數(shù)據(jù)；對所述第一歷史行為數(shù)據(jù)和所述第一屬性數(shù)據(jù)分別進(jìn)行處理得到第二歷史行為數(shù)據(jù)和第二屬性數(shù)據(jù)，進(jìn)而根據(jù)所述第二歷史行為數(shù)據(jù)和所述第二屬性數(shù)據(jù)生成用戶信息數(shù)據(jù)庫，其中，所述用戶信息數(shù)據(jù)庫中包含多個數(shù)據(jù)樣本；根據(jù)所述數(shù)據(jù)樣本對預(yù)設(shè)信息推薦模型進(jìn)行訓(xùn)練，得到第一信息推薦模型，其中，所述第一信息推薦模型為收斂后的所述預(yù)設(shè)信息推薦模型；根據(jù)所述第一信息推薦模型對所述第一當(dāng)前行為數(shù)據(jù)進(jìn)行處理，從而生成所述目標(biāo)網(wǎng)站的推薦信息。2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對所述第一歷史行為數(shù)據(jù)和所述第一屬性數(shù)據(jù)進(jìn)行處理得到第二歷史行為數(shù)據(jù)和第二屬性數(shù)據(jù)包括：對所述第一歷史行為數(shù)據(jù)和所述第一屬性數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，得到第三歷史行為數(shù)據(jù)和第三屬性數(shù)據(jù)；對所述第三歷史行為數(shù)據(jù)和所述第三屬性數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，得到所述第二歷史行為數(shù)據(jù)和所述第二屬性數(shù)據(jù)，其中，所述數(shù)據(jù)預(yù)處理的方式至少包括下述之一：數(shù)據(jù)抽取、數(shù)據(jù)轉(zhuǎn)換和數(shù)據(jù)加載。3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述數(shù)據(jù)樣本對預(yù)設(shè)信息推薦模型進(jìn)行訓(xùn)練，得到第一信息推薦模型包括：根據(jù)預(yù)設(shè)訓(xùn)練算法對所述數(shù)據(jù)樣本進(jìn)行處理，得到用戶特征向量，其中，所述預(yù)設(shè)訓(xùn)練算法至少包括下述之一：基于矩陣分解的協(xié)同過濾算法、數(shù)據(jù)并行算法和模型并行算法；根據(jù)所述用戶特征向量得到所述第一信息推薦模型。4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：對所述第一當(dāng)前行為數(shù)據(jù)進(jìn)行處理，得到第二當(dāng)前行為數(shù)據(jù)；根據(jù)所述第二當(dāng)前行為數(shù)據(jù)更新所述用戶信息數(shù)據(jù)庫；根據(jù)更新后的所述用戶信息數(shù)據(jù)庫中包含的所述數(shù)據(jù)樣本對所述第一信息推薦模型進(jìn)行訓(xùn)練，得到第二信息推薦模型，其中，所述第二信息推薦模型為收斂后的所述第一信息推薦模型。5.根據(jù)權(quán)利要求1所述的方法，其特征在于，在所述根據(jù)所述數(shù)據(jù)樣本對預(yù)設(shè)信息...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王志鵬，周文明，唐海波，
申請(專利權(quán))人：珠海習(xí)悅信息技術(shù)有限公司，
類型：發(fā)明
國別省市：廣東,44