信息推荐方法及装置、电子设备、存储介质与流程

1.本发明涉及大数据处理领域，具体而言，涉及一种信息推荐方法及装置、电子设备、存储介质。


背景技术：

2.传统的机器学习算法进行的营销常常基于用户标签，一般仅是利用用户标签对应的数值、字符类特征进行建模；然而，由于直接基于用户标签进行召回人群忽略了用户隐藏的信息，或者特定标签的人群会出现过多或过少，均会影响召回效率，无法进行高效的召回人群。


技术实现要素：

3.鉴于上述问题，本发明提出了一种信息推荐方法及装置、电子设备、存储介质，以至少解决相关技术中用户召回率低以及召回效率低的技术问题。
4.根据本发明的第一方面，提供了一种信息推荐方法，包括：根据用户基于物品触发的行为序列构建用于表征所述用户与所述物品之间关联关系的用户物品关联图；根据所述用户物品关联图生成所述用户对应的用户特征；其中，所述用户特征由所述用户物品关联图中包含的物品偏好特征表示；所述物品偏好特征由所述行为序列学习得到；针对目标用户和待推荐用户，利用所述目标用户对应的目标用户特征与所述待推荐用户对应的待推荐用户特征计算所述目标用户和所述待推荐用户之间的相似度；根据所述相似度向所述待推荐用户推荐物品信息。
5.可选的，所述根据用户基于物品的行为序列构建用于表征所述用户与所述物品之间关联关系的用户物品关联图包括：获取所述用户基于所述物品触发的各行为序列；识别所述各行为序列之间的邻接关系；按照邻接表形式或邻接矩阵形式，基于各行为序列和所述邻接关系生成用于表征所述用户与所述物品之间关联关系的有向数据结构图，作为所述用户物品关联图。
6.可选的，所述根据所述用户物品关联图生成所述用户对应的用户特征包括：通过对所述用户物品关联图进行随机游走，提取所述用户物品关联图中的行为特征序列；利用word2vec模型对所述行为特征序列进行特征学习，得到物品偏好特征；基于物品偏好特征生成所述用户对应的用户特征。
7.可选的，所述基于物品偏好特征生成所述用户对应的用户特征包括：识别所述物品偏好特征对应的多个物品偏好特征向量；通过对所述多个物品偏好特征向量进行拼接处理，得到的向量拼接结果，作为所述用户特征。
8.可选的，所述利用所述目标用户对应的目标用户特征与所述待推荐用户对应的待推荐用户特征计算所述目标用户和所述待推荐用户之间的相似度包括：通过局部敏感哈希算法计算所述目标用户特征和所述待推荐用户特征之间的欧几里德距离；将所述欧几里德距离的倒数对应的数值作为所述目标用户与所述待推荐用户之间的相似度。
9.可选的，所述根据所述相似度向所述待推荐用户推荐物品信息包括：当所述相似度大于或等于第一预设值时，向所述待推荐用户推荐所述目标用户感兴趣的物品类目对应的物品信息。
10.可选的，所述根据所述相似度向所述待推荐用户推荐物品信息包括：利用所述目标用户特征和所述目标用户感兴趣的物品类目训练分类模型，得到用户感兴趣的物品类目预测模型；将所述待推荐用户特征输入所述用户感兴趣的物品类目预测模型进行学习，得到所述待推荐用户对各物品类目感兴趣的评分；向所述待推荐用户推荐所述评分大于或等于第二预设值时的物品类目对应的物品信息。
11.根据本发明的第二方面，还提供一种信息推荐装置，包括：构建模块，用于根据用户基于物品触发的行为序列构建用于表征所述用户与所述物品之间关联关系的用户物品关联图；生成模块，用于根据所述用户物品关联图生成所述用户对应的用户特征；其中，所述用户特征由所述用户物品关联图中包含的物品偏好特征表示；所述物品偏好特征由所述行为序列学习得到；计算模块，用于针对目标用户和待推荐用户，利用所述目标用户对应的目标用户特征与所述待推荐用户对应的待推荐用户特征计算所述目标用户和所述待推荐用户之间的相似度；推荐模块，用于根据所述相似度向所述待推荐用户推荐物品信息。
12.可选的，所述构建模块包括：获取单元，用于获取所述用户基于所述物品触发的各行为序列；识别单元，用于识别所述各行为序列之间的邻接关系；第一生成单元，用于按照邻接表形式或邻接矩阵形式，基于各行为序列和所述邻接关系生成用于表征所述用户与所述物品之间关联关系的有向数据结构图，作为所述用户物品关联图。
13.可选的，所述生成模块包括：提取单元，用于通过对所述用户物品关联图进行随机游走，提取所述用户物品关联图中的行为特征序列；第一学习单元，用于利用word2vec模型对所述行为特征序列进行特征学习，得到物品偏好特征；第二生成单元，用于基于物品偏好特征生成所述用户对应的用户特征。
14.可选的，所述第二生成单元包括：识别子单元，用于识别所述物品偏好特征对应的多个物品偏好特征向量；拼接子单元，用于通过对所述多个物品偏好特征向量进行拼接处理，得到的向量拼接结果，作为所述用户特征。
15.可选的，所述计算模块包括：计算单元，用于通过局部敏感哈希算法计算所述目标用户特征和所述待推荐用户特征之间的欧几里德距离；确定单元，用于将所述欧几里德距离的倒数对应的数值作为所述目标用户与所述待推荐用户之间的相似度。
16.可选的，所述推荐模块包括：第一推荐单元，用于当所述相似度大于或等于第一预设值时，向所述待推荐用户推荐所述目标用户感兴趣的物品类目对应的物品信息。
17.可选的，所述推荐模块包括：训练单元，用于利用所述目标用户特征和所述目标用户感兴趣的物品类目训练分类模型，得到用户感兴趣的物品类目预测模型；第二学习单元，用于将所述待推荐用户特征输入所述用户感兴趣的物品类目预测模型进行学习，得到所述待推荐用户对各物品类目感兴趣的评分；第二推荐单元，用于向所述待推荐用户推荐所述评分大于或等于第二预设值时的物品类目对应的物品信息。
18.根据本发明的第三方面，还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
19.根据本发明的第四方面，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项装置实施例中的步骤。
20.本发明提供的技术方案，针对目标用户和待推荐用户，通过收集用户基于物品触发的各行为序列，来构建用户与物品之间关联关系的用户物品关联图，然后从用户物品关联图中分析出物品偏好特征和用户特征，进而能够从图结构数据中挖掘出大量有价值的信息，能够考虑到目标用户的隐藏信息；然后利用目标用户特征与待推荐用户特征计算目标用户和待推荐用户之间的相似度，根据相似度向待推荐用户推荐目标用户感兴趣的物品类目的物品信息，从而高效地找到相似人群，进行精准营销，解决了相关技术中用户召回率低以及召回效率低的技术问题。
21.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
22.根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
23.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
24.图1是根据本发明实施例提供的一种信息推荐方法的流程图；
25.图2是根据本发明一具体实施例提供的一种营销方法的流程图；
26.图3是根据本发明实施例提供的一种信息推荐装置的结构框图；
27.图4是根据本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
28.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
29.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。
30.为了解决相关技术存在的技术问题，在本实施例中提供了一种信息推荐方法。下面以具体地实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
31.图1是根据本发明实施例提供的一种信息推荐方法的流程图，如图1所示，该流程
包括如下步骤：
32.步骤s102，根据用户基于物品触发的行为序列构建用于表征用户与物品之间关联关系的用户物品关联图；
33.在本实施例中，物品可为商品、app(全称为application，即手机软件)或者某一行业等；以app为例，用户基于app触发的行为序列为用户使用app的行为序列，例如商品收藏行为序列，商品加购行为序列，商品购买行为序列等；再比如，以行业为例，行为序列为保险、贷款行为等。
34.在本案的一个可能的实现方式中，上述步骤s102具体包括：获取用户基于物品触发的各行为序列；识别各行为序列之间的邻接关系；按照邻接表形式或邻接矩阵形式，基于各行为序列和邻接关系生成用于表征用户与物品之间关联关系的有向数据结构图，作为用户物品关联图。
35.在本实施例中，用户物品关联图优选有向图表示，利用有向边(即图结构数据)表示各个行为序列之间的关联关系。在一个应用场景中，以app使用为例，用户行为序列数据指的是用户的app使用序列，则用户物品关联图为用户-app关系图，以邻接矩阵的形式存在，矩阵中的行和列分别为用户、app，对应的特征值指的是交互次数。例如，用户行为相邻的物品(比如，用户i的a行为之后发生了用户i的b行为认为行为a、b它们之间具备联系，在关系图中出现a-》b的有向边，从而得到用户物品关联图。
36.由于传统的机器学习算法是直接基于用户标签进行召回人群，较少利用图结构数据，很容易忽略了一些隐藏信息，本实施例能够从图结构数据中挖掘出有价值的用户信息，比如用户对物品的感兴趣程度，从而挖掘出用户的偏好特征。
37.步骤s104，根据用户物品关联图生成用户对应的用户特征；其中，用户特征由用户物品关联图中包含的物品偏好特征表示；物品偏好特征由行为序列学习得到；
38.在本案的一个可能的实现方式中，上述步骤s104具体包括：通过对用户物品关联图进行随机游走，提取用户物品关联图中的行为特征序列；利用word2vec模型对行为特征序列进行特征学习，得到物品偏好特征；基于物品偏好特征生成用户对应的用户特征。
39.本实施例中，采用是deep walk(深度游走)将图结构数据进行graph embedding(图嵌入)，即用户物品关联图上使用deep walk得到行为特征序列，然后利用word2vec模型学习行为特征序列中的物品embedding向量(即物品偏好特征)，基于物品偏好特征生成用户embedding向量(即上述用户特征)，并存储下来，能高效的利用图结构数据。
40.进一步地，识别出物品偏好特征对应的多个物品偏好特征向量，然后通过对多个物品偏好特征向量进行拼接处理，得到的向量拼接结果，作为用户特征，从而得到用户信息。
41.本实施例中，deep walk是一种将随机游走(random walk)和word2vec模型两种算法相结合，将图数据(通常为高维稠密的矩阵)映射为低微稠密向量的过程，能够学习网络的隐藏信息，能够将图中的节点表示为一个包含潜在信息的向量，能够很好地解决图数据难以高效输入机器学习算法的问题。
42.步骤s106，针对目标用户和待推荐用户，利用目标用户对应的目标用户特征与待推荐用户对应的待推荐用户特征计算目标用户和待推荐用户之间的相似度；
43.在本实施例中，优选基于欧几里德距离的局部敏感哈希计算用户间距离。
44.在本案的一个可能的实现方式中，上述步骤s106具体包括：通过局部敏感哈希算法计算目标用户特征和待推荐用户特征之间的欧几里德距离；将欧几里德距离的倒数对应的数值作为目标用户与待推荐用户之间的相似度。
45.在本实施例中，目标用户的感兴趣类目为已知的，通过局部敏感哈希算法计算已知感兴趣类目用户与未知感兴趣类目用户之间的欧几里德距离，并将距离的倒数表示已知感兴趣类目用户与未知感兴趣类目用户之间的相似度，从而能够依据已知感兴趣类目用户的兴趣类目对未知感兴趣类目用户进行精准的营销；其中，距离越远则两用户越不相似。
46.步骤s108，根据相似度向待推荐用户推荐物品信息。
47.在一个可选的实施例中，当相似度大于或等于第一预设值时，直接向待推荐用户推荐目标用户感兴趣的物品类目对应的物品信息。从而快速找到相关人群，进行营销。
48.在另一个可选的实施例中，利用目标用户特征和目标用户感兴趣的物品类目训练分类模型，得到用户感兴趣的物品类目预测模型；将待推荐用户特征输入用户感兴趣的物品类目预测模型进行学习，得到待推荐用户对各物品类目感兴趣的评分；向待推荐用户推荐评分大于或等于第二预设值时的物品类目对应的物品信息。
49.上述分类模型优选lr分类模型(logistic regression，即逻辑回归模型)或deep fm(基于ctr(全称为click-through-rate，即点击通过率)预估的推荐模型)为相关人群评分，能够高效地找到相似人群，进行精准营销。
50.本发明实施例提供的信息推荐方法，针对目标用户和待推荐用户，通过收集用户基于物品触发的各行为序列，来构建用户与物品之间关联关系的用户物品关联图，然后从用户物品关联图中分析出物品偏好特征和用户特征，进而能够从图结构数据中挖掘出大量有价值的信息，能够考虑到目标用户的隐藏信息；然后利用目标用户特征与待推荐用户特征计算目标用户和待推荐用户之间的相似度，根据相似度向待推荐用户推荐目标用户感兴趣的物品类目的物品信息，能够高效地找到相似人群，进行精准营销，解决了相关技术中用户召回率低以及召回效率低的技术问题。
51.下面结合一具体实施例对本发明做进一步地说明：
52.图2是根据本发明一具体实施例提供的一种营销方法的流程图，如图2所示，包括以下步骤：
53.步骤s201，构建用户物品关联图；通过用户-物品行为序列生成基于有向图数据结构的物品关系图(即上述用户物品关联图)。
54.步骤s202，生成物品偏好特征；在物品关系图上使用deep walk进行一轮随机游走，然后利用word2vec模型生成物品embedding向量。
55.步骤s203，映射得到用户特征；通过对物品embedding向量进行向量拼接，作为用户的embedding向量。
56.步骤s204，针对目标用户和待推荐用户，通过局部敏感哈希算法计算两个用户特征之间的欧几里德距离；基于欧几里德距离的局部敏感哈希计算已知感兴趣类目用户(即上述目标用户)与未知感兴趣类目用户(即上述待推荐用户)之间的距离。
57.步骤s205，获取用户-兴趣类目的相似度；基于已知感兴趣类目用户，得到未知感兴趣类目用户对该类目的相似度。
58.步骤s206a，直接营销；直接依据相似度进行精准营销。例如，当需要对特定用户营
销感兴趣类目时，选取概率最大的类目进行营销；或者当需要为特定类目进行营销时，选取概率最高的top n用户进行营销。
59.或者，执行步骤s206b，使用lr分类模型或deepfm等方式为人群评分；通过基于已知感兴趣类目用户(包含正、负样本)训练分类模型，得到用户感兴趣类目的预测模型，从而对基于相似度选取的人群用模型(lr分类模型或者deep fm)预测得到评分，执行步骤s207，进一步的精准营销。
60.通过上述实施步骤，本发明实施例能够更好的利用图结构数据进行有效且高效的精准营销。
61.基于上文各个实施例提供的信息推荐方法，基于同一发明构思，在本实施例中还提供了一种信息推荐装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
62.图3是根据本发明实施例提供的一种信息推荐装置的结构框图，如图3所示，该装置包括：构建模块30，用于根据用户基于物品触发的行为序列构建用于表征用户与物品之间关联关系的用户物品关联图；生成模块32，连接至上述构建模块30，用于根据用户物品关联图生成用户对应的用户特征；其中，用户特征由用户物品关联图中包含的物品偏好特征表示；物品偏好特征由行为序列学习得到；计算模块34，连接至上述生成模块32，用于针对目标用户和待推荐用户，利用目标用户对应的目标用户特征与待推荐用户对应的待推荐用户特征计算目标用户和待推荐用户之间的相似度；推荐模块36，连接至上述计算模块34，用于根据相似度向待推荐用户推荐物品信息。
63.可选的，构建模块30包括：获取单元，用于获取用户基于物品触发的各行为序列；识别单元，用于识别各行为序列之间的邻接关系；第一生成单元，用于按照邻接表形式或邻接矩阵形式，基于各行为序列和邻接关系生成用于表征用户与物品之间关联关系的有向数据结构图，作为用户物品关联图。
64.可选的，生成模块32包括：提取单元，用于通过对用户物品关联图进行随机游走，提取用户物品关联图中的行为特征序列；第一学习单元，用于利用word2vec模型对行为特征序列进行特征学习，得到物品偏好特征；第二生成单元，用于基于物品偏好特征生成用户对应的用户特征。
65.可选的，第二生成单元包括：识别子单元，用于识别物品偏好特征对应的多个物品偏好特征向量；拼接子单元，用于通过对多个物品偏好特征向量进行拼接处理，得到的向量拼接结果，作为用户特征。
66.可选的，计算模块34包括：计算单元，用于通过局部敏感哈希算法计算目标用户特征和待推荐用户特征之间的欧几里德距离；确定单元，用于将欧几里德距离的倒数对应的数值作为目标用户与待推荐用户之间的相似度。
67.可选的，推荐模块36包括：第一推荐单元，用于当相似度大于或等于第一预设值时，向待推荐用户推荐目标用户感兴趣的物品类目对应的物品信息。
68.可选的，推荐模块36包括：训练单元，用于利用目标用户特征和目标用户感兴趣的物品类目训练分类模型，得到用户感兴趣的物品类目预测模型；第二学习单元，用于将待推
荐用户特征输入用户感兴趣的物品类目预测模型进行学习，得到待推荐用户对各物品类目感兴趣的评分；第二推荐单元，用于向待推荐用户推荐评分大于或等于第二预设值时的物品类目对应的物品信息。
69.需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
70.本发明的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
71.可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
72.s1，根据用户基于物品触发的行为序列构建用于表征所述用户与所述物品之间关联关系的用户物品关联图；
73.s2，根据所述用户物品关联图生成所述用户对应的用户特征；其中，所述用户特征由所述用户物品关联图中包含的物品偏好特征表示；所述物品偏好特征由所述行为序列学习得到；
74.s3，针对目标用户和待推荐用户，利用所述目标用户对应的目标用户特征与所述待推荐用户对应的待推荐用户特征计算所述目标用户和所述待推荐用户之间的相似度；
75.s4，根据所述相似度向所述待推荐用户推荐物品信息。
76.可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(read-only memory，简称为rom)、随机存取存储器(random access memory，简称为ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
77.基于上述图1所示方法和图3所示装置的实施例，为了实现上述目的，本发明实施例还提供了一种电子设备，如图4所示，包括存储器42和处理器41，其中存储器42和处理器41均设置在总线43上存储器42存储有计算机程序，处理器41执行计算机程序时实现图2所示的信息推荐方法。
78.基于这样的理解，本发明的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个存储器(可以是cd-rom，u盘，移动硬盘等)中，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施场景所述的方法。
79.可选地，该设备还可以连接用户接口、网络接口、摄像头、射频(radio frequency，rf)电路，传感器、音频电路、wi-fi模块等等。用户接口可以包括显示屏(display)、输入单元比如键盘(keyboard)等，可选用户接口还可以包括usb接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、wi-fi接口)等。
80.本领域技术人员可以理解，本实施例提供的一种电子设备的结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。
81.可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
82.显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成
的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
83.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。