基于需求标签相似度的目标用户精准匹配推荐方法及平台与流程

本发明涉及数据处理，特别涉及基于需求标签相似度的目标用户精准匹配推荐方法及平台。

背景技术：

1、在社交匹配与推荐系统中，用户的原始数据来源多样，包括注册信息、行为日志、社交网络及文本内容等，这些数据在格式和语义层面存在显著差异。为了构建统一的用户画像，现有技术通常将多源异构数据拼接为单一特征向量或通过知识融合方法整合为一致的特征表示，在此基础上通过协同过滤或相似度计算进行匹配推荐。然而，该类方法将用户的所有特征压缩为单一表征，无法区分用户之间哪些特征构成吸引的共性基础、哪些特征构成互补的增益因素，导致匹配结果缺乏结构化多样性。在需要双向匹配的社交场景中，匹配决策不仅取决于双方是否相似，还取决于双方在互动功能上是否互补，现有单一表征方法难以同时捕捉相似性与互补性两个维度。现有部分基于机器学习、深度学习的匹配方案，大多仅利用用户静态画像完成匹配打分，缺少对实际对话内容的语义处理、语义分析，难以挖掘互动过程中的动态质量信息。如何从多源数据中自动分离出用于衡量相似性的共性信息与用于衡量互补性的差异信息，并基于此进行精准的互惠匹配推荐，是本领域亟待解决的技术问题。

2、因此，本发明提出基于需求标签相似度的目标用户精准匹配推荐方法及平台。

技术实现思路

1、本发明提供基于需求标签相似度的目标用户精准匹配推荐方法及平台，获取历史匹配数据、匹配池中每个用户的多源用户数据，确定匹配池中每个用户的用户特征向量、用户标签；确定多个交叉标签的交叉匹配数据、交叉样本数据，构建双因子解耦模型，确定每个用户的共识因子向量、互补因子向量；确定匹配池中每个用户的角色分布向量，并确定每个交叉标签的基准匹配向量；获取待匹配用户的用户编号，确定待匹配用户的初始候选集合、匹配候选集合；确定多个实时匹配对以及每个实时匹配对的匹配值，获取每个实时匹配对的实时互动数据，确定每个实时匹配对的协同质量值，基于所有实时匹配对的匹配值、协同质量值更新双因子解耦模型。可以实现用户表征的显式解耦，实现了相似吸引与互补的有机统一，缓解了兴趣重合导致的话题枯竭与互动衰减问题，解决统一匹配规则在长尾场景下的适配失效问题，使匹配结果呈现结构化多样性，实现了不同交叉标签下匹配策略的自适应切换，使互动质量的评估提升为基于动力学稳定性的无监督实时量化，实现双因子解耦模型持续优化，形成匹配、互动、演化的闭环自优化。

2、本发明提供基于需求标签相似度的目标用户精准匹配推荐方法，包括：

3、s1：获取指定时间周期内的历史匹配数据，获取匹配池中每个用户的多源用户数据，确定匹配池中每个用户的用户特征向量、用户标签；

4、s2：基于历史匹配数据，确定历史匹配数据中每个历史匹配对的匹配标签，确定多个交叉标签的交叉匹配数据、交叉样本数据，基于所有交叉标签的交叉样本数据构建双因子解耦模型，基于匹配池中每个用户的用户特征向量以及双因子解耦模型，确定每个用户的共识因子向量、互补因子向量；

5、s3：基于匹配池中所有用户的共识因子向量、互补因子向量以及每个交叉标签的交叉匹配数据，确定匹配池中每个用户的角色分布向量，并确定每个交叉标签的基准匹配向量；

6、s4：获取待匹配用户的用户编号，基于待匹配用户的共识因子向量、匹配池中所有用户的共识因子向量，确定待匹配用户的初始候选集合，基于待匹配用户的角色分布向量、初始候选集合中所有用户的角色分布向量、所有交叉标签的基准匹配向量，确定待匹配用户的匹配候选集合；

7、s5：基于待匹配用户、匹配候选集合，确定多个实时匹配对以及每个实时匹配对的匹配值，获取每个实时匹配对的实时互动数据，确定每个实时匹配对的协同质量值，基于所有实时匹配对的匹配值、协同质量值更新双因子解耦模型。

8、优选的，基于需求标签相似度的目标用户精准匹配推荐方法，s1，包括：

9、获取指定时间周期内的历史匹配数据，其中，历史匹配数据包括多个历史匹配对的历史匹配子数据，历史匹配子数据包括发起方的用户编号、接收方的用户编号、多次历史互动的互动交流数据；

10、获取匹配池中每个用户的多源用户数据，其中，多源用户数据包括用户编号、活跃标签、阶段标签、兴趣标签、用户基础数据、指定时间周期内的用户行为数据以及用户文本数据，活跃标签包括高、中、低、沉默，阶段标签包括新用户、成长期用户、成熟期用户、流失预警用户；

11、分别对每个用户的多源用户数据中的用户基础数据、用户行为数据、用户文本数据进行特征提取，确定每个用户的基础特征向量、行为特征向量、文本特征向量，并确定每个用户的用户特征向量；

12、基于每个用户的多源用户数据中的活跃标签、阶段标签、兴趣标签，确定每个用户的用户标签。

13、优选的，基于需求标签相似度的目标用户精准匹配推荐方法，s2，包括：

14、基于历史匹配数据中每个历史匹配对的历史匹配子数据中每次历史互动的互动交流数据，确定每个历史匹配对的历史匹配子数据中每次历史互动的互动标签，并统计每个历史匹配对的互动标签为有效互动的互动次数，其中，互动标签包括有效互动以及无效互动；

15、若历史匹配对满足第一判断要求且满足第二判断要求，确定所述历史匹配对的匹配标签为有效匹配，否则，确定所述历史匹配对的匹配标签为无效匹配，其中，第一判断要求为历史匹配对的历史匹配子数据中互动标签为有效互动的互动次数大于预设互动阈值，第二判断要求为历史匹配对的历史匹配子数据中互动标签为有效互动的最晚时间戳以及最早时间戳的时间差大于预设时间阈值；

16、基于历史匹配数据中所有历史匹配对的历史匹配子数据中的发起方的用户标签以及接收方的用户标签，将历史匹配数据中所有历史匹配对划分为多个交叉匹配数据，并确定每个交叉匹配数据的交叉标签，交叉匹配数据中包括多个历史匹配对的历史匹配子数据，交叉标签表示为发起方的用户标签-接收方的用户标签；

17、计算每个交叉标签的交叉匹配数据中历史匹配对的数量以及历史匹配数据中历史匹配对的数量，确定每个交叉标签的匹配频次；

18、基于每个交叉标签的匹配频次以及交叉匹配数据中所有历史匹配对的匹配标签，对所述交叉标签的交叉匹配数据进行抽样，确定每个交叉标签的交叉样本数据，其中，交叉样本数据中匹配标签为有效匹配的所有历史匹配对以及匹配标签为无效匹配的所有历史匹配对的比值满足预设匹配比值；

19、基于所有交叉标签的交叉样本数据中所有历史匹配对的历史匹配子数据、匹配标签，构建双因子解耦模型；

20、依次将匹配池中每个用户的用户特征向量输入到双因子解耦模型中，确定匹配池中每个用户的共识因子向量、互补因子向量。

21、优选的，基于需求标签相似度的目标用户精准匹配推荐方法，基于所有交叉标签的交叉样本数据中所有历史匹配对的历史匹配子数据、匹配标签，构建双因子解耦模型，包括：

22、分别将每个交叉标签的交叉样本数据中每个历史匹配对的发起方的用户编号的用户特征向量、接收方的用户编号的用户特征向量输入到共享编码层，确定每个用户编号的中间特征向量；

23、分别将所有用户编号的中间特征向量输入到共识分支编码器以及互补分支编码器，所述共识分支编码器用于构建共识因子向量的高斯分布参数，所述互补分支编码器用于构建互补因子向量的高斯分布参数，从共识因子的高斯分布参数对应的分布中采样得到共识因子向量，同时，从互补因子的高斯分布参数对应的分布中采样得到互补因子向量，并通过正交正则项约束使共识因子向量和互补因子向量的内积趋近于零；

24、以所有交叉标签的交叉样本数据中所有匹配标签为有效匹配的历史匹配对为监督信号，通过对比学习训练所述共识分支编码器，使匹配标签为有效匹配的历史匹配对的发起方的用户编号以及接收方的用户编号的共识因子向量的余弦相似度最大化，使匹配标签为无效匹配的历史匹配对的发起方的用户编号以及接收方的用户编号的共识因子向量的余弦相似度最小化，并以最大化所述共识因子向量与匹配标签之间的互信息为约束，使所述共识因子保留与有效匹配相关的共性信息；

25、确定匹配标签为有效匹配的匹配映射值为1，确定匹配标签为无效匹配的匹配映射值为0；

26、以所述互补因子向量各维度之间的互信息作为独立成分分析损失，最小化所述独立成分分析损失以使各维度相互独立；

27、以所有交叉标签的交叉样本数据中所有历史匹配对训练判别器，将所有历史匹配对的发起方的用户编号的互补因子向量以及接收方的用户编号的互补因子向量拼接后输入所述判别器，所述判别器输出经sigmoid函数映射后的概率值作为匹配质量预测分，以所述匹配质量预测分与匹配标签的匹配映射值之间的二分类交叉熵作为非线性增益损失，训练所述互补分支编码器；

28、基于独立成分分析损失以及非线性增益损失训练所述互补分支编码器；

29、以活跃标签为混淆变量，基于活跃标签对所述混淆变量进行分层，计算各层中表征向量与活跃标签之间的条件期望，以各层条件期望的加权平均作为校正后的表征，剔除所述混淆变量对表征的干扰；

30、计算所有交叉标签的交叉样本数据中所有历史匹配对的共识因子向量与互补因子向量各维度的信息熵，剔除信息熵低于预设阈值的维度，输出经因果校正与维度裁剪后的共识因子向量与互补因子向量。

31、优选的，基于需求标签相似度的目标用户精准匹配推荐方法，s3，包括：

32、基于高斯混合模型对匹配池中所有用户互补因子向量进行无监督聚类，确定匹配池中每个用户的角色分布向量，其中，角色分布向量包括发起值、回应值、调节值、拓展值；

33、对每个交叉标签的交叉匹配数据中每个历史匹配对的历史匹配子数据发起方的用户编号对应的用户的角色分布向量和接收方的用户编号对应的用户的角色分布向量进行相加，确定每个交叉标签的交叉匹配数据中每个历史匹配对的匹配分布向量；

34、基于每个交叉标签的交叉匹配数据中所有历史匹配对的匹配分布向量，确定每个交叉标签的基准匹配向量。

35、优选的，基于需求标签相似度的目标用户精准匹配推荐方法，s4，包括：

36、获取待匹配用户的用户编号，计算待匹配用户的共识因子向量和匹配池中除待匹配用户外的每个用户的共识因子向量的余弦相似值；

37、对所有余弦相似值进行从大到小的排序，基于排序后的前指定第一数量个余弦相似值对应的用户，确定待匹配用户的初始候选集合；

38、对待匹配用户的角色分布向量和初始候选集合中每个用户的角色分布向量进行相加，确定待匹配用户和初始候选集合中每个用户的匹配分布向量；

39、基于待匹配用户的用户标签以及初始候选集合中每个用户的用户标签，确定待匹配用户和初始候选集合中每个用户的交叉标签；

40、计算待匹配用户和初始候选集合中每个用户的匹配分布向量与交叉标签的基准匹配向量的js散度，并确定1减去所述js散度的差为待匹配用户和初始候选集合中所述用户的互补适配值；

41、对待匹配用户和初始候选集合中每个用户的余弦相似值和互补适配值进行加权求和，确定待匹配用户和初始候选集合中每个用户的匹配值；

42、对初始候选集合中所有用户的匹配值进行从大到小的排序，基于排序后的前指定第二数量个匹配值对应的用户，确定待匹配用户的匹配候选集合，其中，匹配候选集合包括多个匹配用户。

43、优选的，基于需求标签相似度的目标用户精准匹配推荐方法，s5，包括：

44、确定待匹配用户和匹配候选集合中每个匹配用户为一个实时匹配对，并确定匹配候选集合中每个匹配用户的匹配值为对应的实时匹配对的匹配值；

45、获取每个实时匹配对在匹配成功时间戳起到预设触发窗口内的实时互动数据，其中，实时互动数据至少包括一条互动消息的消息时间戳、发送用户编号、消息文本；

46、基于每个实时匹配对的实时互动数据中所有条互动消息的发送用户编号确定实时匹配对的多次实时互动的匹配互动数据，并基于匹配互动数据中消息时间戳最早的互动消息确定每次实时互动的互动编号；

47、基于每个实时匹配对的每次实时互动的互动编号，依次基于每次实时互动的匹配互动数据，确定每个实时匹配对的每次实时互动的互动标签，直至互动标签为有效互动，并记录有效时间戳；

48、从有效时间戳开始，以1分钟为时间粒度，提取互动标签为有效互动的实时匹配对的待匹配用户的每个时间步的第一文本数据，同时，提取互动标签为有效互动的实时匹配对的匹配用户的每个时间步的第二文本数据；

49、依次将每个实时匹配对的每个时间步的第一文本数据输入到文本解析模型中，确定每个实时匹配对的每个时间步的第一互动强度值，依次将每个实时匹配对的每个时间步的第二文本数据输入到文本解析模型中，确定每个实时匹配对的每个时间步的第二互动强度值，所述文本解析模型包括字数统计单元、信息熵单元、情绪强度预测单元、加权综合单元；

50、基于每个实时匹配对的所有时间步的第一互动强度值，确定每个实时匹配对的第一互动序列，同时，基于每个实时匹配对的所有时间步的第二互动强度值，确定每个实时匹配对的第二互动序列；

51、基于takens嵌入定理，将每个实时匹配对的第一互动序列、第二互动序列重构为第一高维相空间轨迹、第二高维相空间轨迹；

52、基于每个实时匹配对第一高维相空间轨迹、第二高维相空间轨迹，确定每个匹配对的交叉递归图，并提取交叉动力向量，其中，交叉动力向量包括递归率、确定性、平均对角线长度、层状度；

53、基于高斯混合模型对所有实时匹配对的交叉动力向量进行无监督聚类，确定高协同聚类集合、中协同聚类集合、低协同聚类集合；

54、计算每个实时匹配对的交叉动力向量基于高协同聚类集合的聚类中心的马氏距离，归一化后确定每个实时匹配对的协同质量值；

55、以所有实时匹配对的匹配值、协同质量值为弱监督标签，构建弱监督损失函数，以最小化弱监督损失函数为目标，通过反向传播更新双因子解耦模型的模型参数。

56、本发明提供基于需求标签相似度的目标用户精准匹配推荐平台，用于执行实施例1至7中任意基于需求标签相似度的目标用户精准匹配推荐方法。

57、本发明相对于现有技术产生的有益效果为：获取历史匹配数据、匹配池中每个用户的多源用户数据，确定匹配池中每个用户的用户特征向量、用户标签；确定多个交叉标签的交叉匹配数据、交叉样本数据，构建双因子解耦模型，确定每个用户的共识因子向量、互补因子向量；确定匹配池中每个用户的角色分布向量，并确定每个交叉标签的基准匹配向量；获取待匹配用户的用户编号，确定待匹配用户的初始候选集合、匹配候选集合；确定多个实时匹配对以及每个实时匹配对的匹配值，获取每个实时匹配对的实时互动数据，确定每个实时匹配对的协同质量值，基于所有实时匹配对的匹配值、协同质量值更新双因子解耦模型。可以实现用户表征的显式解耦，实现了相似吸引与互补的有机统一，缓解了兴趣重合导致的话题枯竭与互动衰减问题，解决统一匹配规则在长尾场景下的适配失效问题，使匹配结果呈现结构化多样性，实现了不同交叉标签下匹配策略的自适应切换，使互动质量的评估提升为基于动力学稳定性的无监督实时量化，实现双因子解耦模型持续优化，形成匹配、互动、演化的闭环自优化。本发明依托机器学习、深度学习完成用户表征解耦训练，结合语义处理、语义分析提取对话互动强度，提升了动态互动质量评估的可靠性。

58、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在本技术文件中所特别指出的结构来实现和获得。

59、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。