基于用户画像的产品推荐方法、装置、电子设备及介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于用户画像的产品推荐方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.随着大数据时代的到来，能够牢牢的抓住老客户、吸引新客户、读懂用户的偏好兴趣以及挖掘用户的潜在价值成为企业的一大难点。现有技术中，对于产品的推荐、用户的挖掘广泛通过构建用户画像、分析用户行为数据等来实现。
3.目前，传统的产品推荐方法存在以下挑战和问题：1、用户画像构建较为单一，仅包括用户社会属性（年龄、性别）等信息，难以准确深度的挖掘出潜在客户；2、用户行为数据对产品推荐的准确性较为模糊，例如，用户点击、浏览行为是否真正和产品交易有关联，同时用户行为数据也较为单一，无法多维度的分析用户的深层需求，导致产品推荐的准确率较低。


技术实现要素：

4.本发明提供一种基于用户画像的产品推荐方法、装置、电子设备及可读存储介质，其主要目的在于解决产品推荐准确率较低的问题。
5.为实现上述目的，本发明提供的一种基于用户画像的产品推荐方法，包括：获取目标用户的历史多维信息；从所述历史多维信息中提取行为信息及属性信息，根据所述行为信息及属性信息构建初始用户画像；从所述历史多维信息中提取文本信息及图像信息，根据所述文本信息及图像信息构建路径关系图；从所述历史多维信息中提取语音信息，对所述语音信息进行情绪频谱分析，得到情绪分析结果；从所述历史多维信息中提取产品交易信息，根据所述产品交易信息、所述初始用户画像、所述路径关系图及所述情绪分析结果进行产品推荐关系聚合，得到标准用户画像；基于所述初始用户画像构建与所述目标用户相关的潜在客群，根据所述标准用户画像对所述潜在客群中的潜在用户进行产品推荐。
6.可选地，所述根据所述行为信息及属性信息构建初始用户画像，包括：利用jieba分词对所述属性信息进行分词处理，得到属性分词集合；基于lda 主题模型从所述属性分词集合中筛选出关键属性作为属性标签；根据所述行为信息从预设的行为信息表中提取行为标签，汇总所有的属性标签及所述行为标签，得到所述初始用户画像。
7.可选地，所述根据所述文本信息及图像信息构建路径关系图，包括：将所述目标用户作为第一节点，将所述文本信息作为第二节点，以及将所述图像
信息作为第三节点；在所述第一节点及所述第二节点间添加文本节点关系，以及在所述第二节点及所述第三节点间添加图像节点关系；汇总所有节点及节点关系得到所述路径关系图。
8.可选地，所述对所述语音信息进行情绪频谱分析，得到情绪分析结果，包括：提取所述语音信息中的倒谱特征、韵律特征及频谱特征；利用预训练的多特征情绪识别网络分别提取所述倒谱特征、韵律特征及频谱特征的特征描述符；利用所述多特征情绪识别网络分别输出所述特征描述符的标签权重；基于最大投票方法对所述标签权重进行融合，得到所述情绪分析结果。
9.可选地，所述提取所述语音信息中的倒谱特征、韵律特征及频谱特征，包括：利用预设的声学特征提取算法提取所述语音信息中的倒谱特征；利用预设的全局统计函数提取所述语音信息中的韵律特征；对所述语音信息进行序列分割，得到短时片段集合；对所述短时片段集合中的语音数据进行快速傅里叶变换及滤波压缩处理，得到语谱特征集合，根据所述语谱特征集合计算语谱中心差值集合；计算所述语谱特征集合中每两帧语音数据之间的差分值，并组合成差分矩阵；对所述语谱中心差值集合及所述差分矩阵进行特征融合，得到所述频谱特征。
10.可选地，所述根据所述产品交易信息、所述初始用户画像、所述路径关系图及所述情绪分析结果进行产品推荐关系聚合，得到标准用户画像，包括：对所述产品交易信息进行标签标记，得到产品标记结果；利用预构建的多模态聚合模型中的特征提取层提取所述初始用户画像的画像特征，利用所述特征提取层提取所述路径关系图中的路径特征，以及利用所述特征提取层提取所述情绪分析结果中的情绪特征；利用所述多模态聚合模型中的聚合层对所述画像特征、所述路径特征、所述情绪特征及所述产品标记结果进行聚合，得到每种特征对于所述产品标记结果的贡献度；基于所述贡献度对不同特征对应的数据进行聚合，得到所述标准用户画像。
11.可选地，所述基于所述初始用户画像构建与所述目标用户相关的潜在客群，根据所述标准用户画像对所述潜在客群中的潜在用户进行产品推荐，包括：确定与所述初始用户画像中标签相同的用户为所述潜在客群；获取所述潜在客群中潜在用户的历史多维信息，根据所述潜在用户的历史多维信息构建所述潜在客群的标准用户画像；计算目标用户及潜在客群的标准用户画像的相似度，并在相似度大于预设相似阈值时，向潜在客群推送目标用户的已交易产品。
12.为了解决上述问题，本发明还提供一种基于用户画像的产品推荐装置，所述装置包括：初始用户画像构建模块，用于获取目标用户的历史多维信息，从所述历史多维信息中提取行为信息及属性信息，根据所述行为信息及属性信息构建初始用户画像；路径关系图构建模块，用于从所述历史多维信息中提取文本信息及图像信息，根
据所述文本信息及图像信息构建路径关系图；情绪分析模块，用于从所述历史多维信息中提取语音信息，对所述语音信息进行情绪频谱分析，得到情绪分析结果；标椎用户画像构建模块，用于从所述历史多维信息中提取产品交易信息，根据所述产品交易信息、所述初始用户画像、所述路径关系图及所述情绪分析结果进行产品推荐关系聚合，得到标准用户画像；产品推荐模块，用于基于所述初始用户画像构建与所述目标用户相关的潜在客群，根据所述标准用户画像对所述潜在客群中的潜在用户进行产品推荐。
13.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：存储器，存储至少一个计算机程序；及处理器，执行所述存储器中存储的计算机程序以实现上述所述的基于用户画像的产品推荐方法。
14.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于用户画像的产品推荐方法。
15.本实施例通过对历史多维信息中的文本信息及图像信息构建路径关系图，全面追踪用户交易路径，并且对于历史多维信息中的产品交易信息、初始用户画像、路径关系图及情绪分析结果进行产品推荐关系聚合，可以对目标用户进行更深层次的数据挖掘，提高对用户分析的准确性。同时，通过简单的标签提取，构建初始用户画像，可以最大限度的找到潜在客群，根据标准用户画像对潜在客群进行深度挖掘，并进行产品推荐，可以提高产品推荐的准确性。因此本发明提出的基于用户画像的产品推荐方法、装置、电子设备及计算机可读存储介质，可以解决产品推荐准确率较低的问题。
附图说明
16.图1为本发明一实施例提供的基于用户画像的产品推荐方法的流程示意图；图2为本发明一实施例提供的基于用户画像的产品推荐装置的功能模块图；图3为本发明一实施例提供的实现所述基于用户画像的产品推荐方法的电子设备的结构示意图。
17.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
18.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
19.本技术实施例提供一种基于用户画像的产品推荐方法。所述基于用户画像的产品推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述基于用户画像的产品推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(contentdelivery network，cdn)、
以及大数据和人工智能平台等基础云计算服务的云服务器。
20.参照图1所示，为本发明一实施例提供的基于用户画像的产品推荐方法的流程示意图。在本实施例中，所述基于用户画像的产品推荐方法包括：s1、获取目标用户的历史多维信息，从所述历史多维信息中提取行为信息及属性信息，根据所述行为信息及属性信息构建初始用户画像。
21.本发明实施例中，所述目标用户可以直接从数据库的用户信息表中圈选一定数量的用户作为目标用户，例如，从xx电商平台的数据库中圈选一万用户作为目标用户。所述历史多维信息包括记录的目标用户的行为信息、属性信息、购买产品的文本信息及图像信息、产品购买时的语音信息等，其中，以电商领域为例，行为信息是指用户在浏览产品页面时的点击次数、浏览时长等，属性信息是指用户的社会属性文本（姓名、学历、年龄等），文本信息是指用户在购买产品时向客服发送的文本、图像信息是指用户的对产品的评论图像，语音信息是用户购买产品时或购买产品后与客服的语音。
22.详细地，所述根据所述行为信息及属性信息构建初始用户画像，包括：利用jieba分词对所述属性信息进行分词处理，得到属性分词集合；基于lda主题模型从所述属性分词集合中筛选出关键属性作为属性标签；根据所述行为信息从预设的行为信息表中提取行为标签，汇总所有的属性标签及所述行为标签，得到所述初始用户画像。
23.本发明一可选实施例中，由于所述属性信息是对用户社会信息的描述文本，基于jieba分词（即“结巴”中文分词）可以准确地进行文本分词。lda(latentdirichletallocation)主题模型方法是一个聚类过程，通过不断遍历属性分词集合中的分词，从中提取关系最高的分词作为主题，例如，属性信息包括：“姓名王xx，年龄23
…”
，从中提取姓名、年龄等信息作为属性标签。同时，预先根据埋点事件收集用户的行为信息并存储在数据库中，并根据行为信息对应的行为字段（发生时间（actiontime）、停留时间（readtime）、点击次数（clickcount）等），从数据库的行为信息表中提取行为数据作为行为标签。
24.例如，用户a的初始用户画像包括：年龄、性别、页面a的浏览时长、页面a中产品的点击次数等。
25.本发明实施例中，通过对行为信息及属性信息进行简单的标签提取，可以初步建立目标用户的初始用户画像，提高对用户的分析效率。
26.s2、从所述历史多维信息中提取文本信息及图像信息，根据所述文本信息及图像信息构建路径关系图。
27.本发明实施例中，所述文本信息是指用户对产品的评价文本、转发文本等，所述图像文本是指用户对产品评价的截图图像。所述路径关系图是一种图信息，用来表示用户购买产品的行为路径，包括节点和节点间的关系，其中，节点代表用户本身、用户对产品的评论、用户对产品的评价图像等，节点之间的节点关系可以为评论关系也可以是转发关系。
28.具体的，所述根据所述文本信息及图像信息构建路径关系图，包括：将所述目标用户作为第一节点，将所述文本信息作为第二节点，以及将所述图像信息作为第三节点；在所述第一节点及所述第二节点间添加文本节点关系，以及在所述第二节点及所述第三节点间添加图像节点关系；
汇总所有节点及节点关系得到所述路径关系图。
29.本发明一可选实施例中，以电商领域为例，用户a作为第一节点，用户a对于产品b的评论文本作为第二节点，用户a对于产品b的评论图像作为第二节点，文本节点关系为“评论”，图像节点关系为“评论”。
30.本发明实施例中，所述路径关系图中融合了不同模态（文本及图像）的数据，可以深度挖掘用户在产品交易流程中的所有行为路径，提高了对数据分析的准确率。
31.s3、从所述历史多维信息中提取语音信息，对所述语音信息进行情绪频谱分析，得到情绪分析结果。
32.本发明实施例中，在用户购买产品时，用户的情绪是左右是否产生购买行为的重要特征，而在不同情绪中时，语音的频谱特征有着较明显差异，因此通过语音信息来进行情绪频谱分析，可以得到更准确的情绪分析结果。
33.详细地，所述对所述语音信息进行情绪频谱分析，得到情绪分析结果，包括：提取所述语音信息中的倒谱特征、韵律特征及频谱特征；利用预训练的多特征情绪识别网络分别提取所述倒谱特征、韵律特征及频谱特征的特征描述符；利用所述多特征情绪识别网络分别输出所述特征描述符的标签权重；基于最大投票方法对所述标签权重进行融合，得到所述情绪分析结果。
34.本发明实施例中，所述倒谱特征包括mfcc（梅尔倒谱系数）特征、pncc （功率归一化倒谱系数）特征及plp（感知线性预测）特征等。所述韵律特征（rhys）是指语音的长时变化规律（一般大于 100ms）特征，这种特征能够传达出不同的含义，具有较强的辨识能力。所述频谱特征通过语音分割、滤波处理及差分计算等得到，能够体现不同语音之间的差异，降低发声系统复杂性和语音内容多样性对复杂背景环境下语音识别的影响。
35.详细地，所述提取所述语音信息中的倒谱特征、韵律特征及频谱特征，包括：利用预设的声学特征提取算法提取所述语音信息中的倒谱特征；利用预设的全局统计函数提取所述语音信息中的韵律特征；对所述语音信息进行序列分割，得到短时片段集合；对所述短时片段集合中的语音数据进行快速傅里叶变换及滤波压缩处理，得到语谱特征集合，根据所述语谱特征集合计算语谱中心差值集合；计算所述语谱特征集合中每两帧语音数据之间的差分值，并组合成差分矩阵；对所述语谱中心差值集合及所述差分矩阵进行特征融合，得到所述频谱特征。
36.本发明一可选实施例中，所述声学特征提取算法包括mfcc（梅尔倒谱系数）特征提取算法、pncc （功率归一化倒谱系数）特征提取算法及plp（感知线性预测）特征提取算法。所述预设的全局统计函数主要包括：最大值（max），最小值（min），平均值（mean），中值（median），标准差（std），峰度（kurtosis）偏态（skewness）等。
37.本发明实施例中，所述根据所述语谱特征集合计算语谱中心差值集合，包括：利用预设的语谱公式计算所述语谱特征集合中的语谱中心；计算所述语谱特征集合中每个特征到所述与中心的差值，得到所述语谱中心差值集合。
38.本发明一可选实施例中，所述利用预设的语谱公式计算所述语谱特征集合中的语
谱中心，包括：利用下述语谱公式计算所述语谱特征集合中的语谱中心：其中，为所述语谱中心，为语谱特征集合中的数据数量，为语谱特征集合中任一特征数据。
39.本发明一可选实施例中，通过下述公式进行特征融合：其中，为第行第列的差分值，为第个特征的差值，为所述频谱特征。
40.本发明一可选实施例中，所述预训练的多特征情绪识别网络可以包括深度置信网络（dbn）及极限学习机（extreme learning machine, elm）分类器，其中，dbn由多个受限玻尔兹曼机（rbm）堆叠连接，可以通过层次方式有效地进行训练，有利于语音情感识别的高层次特征描述符的提取，例如，三层rbm中，利用训练样本对第一个 rbm 进行训练，将第一层 rbm 的输出用作第二个 rbm 的输入，类似地，利用第二个rbm 的输出对第三个 rbm 进行训练，各层预训练完成后，再利用 bp 算法等对整个网络进行训练，从而构建一个深层次网络模型，进而利用网络模型从低级特征中获得更鲁棒的高级特征描述符。elm分类器通过对提取到的特征描述符进行标签分类，并输出每个分类的标签的权重。同时，预训练时可以使用柏林 emo-db 德语情感语音库、casia 汉语情感语料库等数据及savee 情感语料库等。
41.本发明实施例中，鉴于单一特征的描述能力有限，因此采用多特征融合的方式将每种特征进行融合，从而提高对语音情感的识别效果。
42.s4、从所述历史多维信息中提取产品交易信息，根据所述产品交易信息、所述初始用户画像、所述路径关系图及所述情绪分析结果进行产品推荐关系聚合，得到标准用户画像。
43.本发明实施例中，由于多种信息对于产品的交易都有关系，通过对不同数据进行产品推荐关系聚合，找出不同数据对于产品推荐时的重要性，从而得出更加丰富的标准用户画像。
44.具体地，所述根据所述产品交易信息、所述初始用户画像、所述路径关系图及所述情绪分析结果进行产品推荐关系聚合，得到标准用户画像，包括：对所述产品交易信息进行标签标记，得到产品标记结果；利用预构建的多模态聚合模型中的特征提取层提取所述初始用户画像的画像特征，利用所述特征提取层提取所述路径关系图中的路径特征，以及利用所述特征提取层提取所述情绪分析结果中的情绪特征；利用所述多模态聚合模型中的聚合层对所述画像特征、所述路径特征、所述情绪特征及所述产品标记结果进行聚合，得到每种特征对于所述产品标记结果的贡献度；基于所述贡献度对不同特征对应的数据进行聚合，得到所述标准用户画像。
45.本发明一可选实施例中，对于产品交易数据，已成功完成的标记为1，未成功完成的标记为0。所述特征提取层包括双向图神经网络（bi-gcn）、transfomer网络及卷积神经网络（cnn）等，其中，双向图神经网络（bi-gcn）用来提取路径关系图中的路径特征，transfomer网络通过注意力机制得到初始用户画像的画像特征，卷积神经网络（cnn）用于得到情绪分析结果中的情绪特征。所述聚合层包括全连接层及softmax层，用于输出每种特征对于产品交易的贡献度。
46.s5、基于所述初始用户画像构建与所述目标用户相关的潜在客群，根据所述标准用户画像对所述潜在客群中的潜在用户进行产品推荐。
47.本发明实施例中，所述基于所述初始用户画像构建与所述目标用户相关的潜在客群，根据所述标准用户画像对所述潜在客群中的潜在用户进行产品推荐，包括：确定与所述初始用户画像中标签相同的用户为所述潜在客群；获取所述潜在客群中潜在用户的历史多维信息，根据所述潜在用户的历史多维信息构建所述潜在客群的标准用户画像；计算目标用户及潜在客群的标准用户画像的相似度，并在相似度大于预设相似阈值时，向潜在客群推送目标用户的已交易产品。
48.本发明实施例中，通过初始用户画像锁定潜在客群，可以最大限度的查找到潜在用户，并且通过同样方法提取潜在用户的多特征数据构建标准用户画像，基于标准用户画像的相似度来深度挖掘出更准确的潜在客户，从而提高产品推荐的准确率。
49.本实施例通过对历史多维信息中的文本信息及图像信息构建路径关系图，全面追踪用户交易路径，并且对于历史多维信息中的产品交易信息、初始用户画像、路径关系图及情绪分析结果进行产品推荐关系聚合，可以对目标用户进行更深层次的数据挖掘，提高对用户分析的准确性。同时，通过简单的标签提取，构建初始用户画像，可以最大限度的找到潜在客群，根据标准用户画像对潜在客群进行深度挖掘，并进行产品推荐，可以提高产品推荐的准确性。因此本发明提出的基于用户画像的产品推荐方法，可以解决产品推荐准确率较低的问题。
50.如图2所示，是本发明一实施例提供的基于用户画像的产品推荐装置的功能模块图。
51.本发明所述基于用户画像的产品推荐装置100可以安装于电子设备中。根据实现的功能，所述基于用户画像的产品推荐装置100可以包括初始用户画像构建模块101、路径关系图构建模块102、情绪分析模块103、标椎用户画像构建模块104及产品推荐模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
52.在本实施例中，关于各模块/单元的功能如下：所述初始用户画像构建模块101，用于获取目标用户的历史多维信息，从所述历史多维信息中提取行为信息及属性信息，根据所述行为信息及属性信息构建初始用户画像；所述路径关系图构建模块102，用于从所述历史多维信息中提取文本信息及图像信息，根据所述文本信息及图像信息构建路径关系图；所述情绪分析模块103，用于从所述历史多维信息中提取语音信息，对所述语音信息进行情绪频谱分析，得到情绪分析结果；
所述标椎用户画像构建模块104，用于从所述历史多维信息中提取产品交易信息，根据所述产品交易信息、所述初始用户画像、所述路径关系图及所述情绪分析结果进行产品推荐关系聚合，得到标准用户画像；所述产品推荐模块105，用于基于所述初始用户画像构建与所述目标用户相关的潜在客群，根据所述标准用户画像对所述潜在客群中的潜在用户进行产品推荐。
53.详细地，所述基于用户画像的产品推荐装置100各模块的具体实施方式如下：步骤一、所述初始用户画像构建模块101获取目标用户的历史多维信息，从所述历史多维信息中提取行为信息及属性信息，根据所述行为信息及属性信息构建初始用户画像。
54.本发明实施例中，所述目标用户可以直接从数据库的用户信息表中圈选一定数量的用户作为目标用户，例如，从xx电商平台的数据库中圈选一万用户作为目标用户。所述历史多维信息包括记录的目标用户的行为信息、属性信息、购买产品的文本信息及图像信息、产品购买时的语音信息等，其中，以电商领域为例，行为信息是指用户在浏览产品页面时的点击次数、浏览时长等，属性信息是指用户的社会属性文本（姓名、学历、年龄等），文本信息是指用户在购买产品时向客服发送的文本、图像信息是指用户的对产品的评论图像，语音信息是用户购买产品时或购买产品后与客服的语音。
55.详细地，所述根据所述行为信息及属性信息构建初始用户画像，包括：利用jieba分词对所述属性信息进行分词处理，得到属性分词集合；基于lda主题模型从所述属性分词集合中筛选出关键属性作为属性标签；根据所述行为信息从预设的行为信息表中提取行为标签，汇总所有的属性标签及所述行为标签，得到所述初始用户画像。
56.本发明一可选实施例中，由于所述属性信息是对用户社会信息的描述文本，基于jieba分词（即“结巴”中文分词）可以准确地进行文本分词。lda(latentdirichletallocation)主题模型方法是一个聚类过程，通过不断遍历属性分词集合中的分词，从中提取关系最高的分词作为主题，例如，属性信息包括：“姓名王xx，年龄23
…”
，从中提取姓名、年龄等信息作为属性标签。同时，预先根据埋点事件收集用户的行为信息并存储在数据库中，并根据行为信息对应的行为字段（发生时间（actiontime）、停留时间（readtime）、点击次数（clickcount）等），从数据库的行为信息表中提取行为数据作为行为标签。
57.例如，用户a的初始用户画像包括：年龄、性别、页面a的浏览时长、页面a中产品的点击次数等。
58.本发明实施例中，通过对行为信息及属性信息进行简单的标签提取，可以初步建立目标用户的初始用户画像，提高对用户的分析效率。
59.步骤二、所述路径关系图构建模块102从所述历史多维信息中提取文本信息及图像信息，根据所述文本信息及图像信息构建路径关系图。
60.本发明实施例中，所述文本信息是指用户对产品的评价文本、转发文本等，所述图像文本是指用户对产品评价的截图图像。所述路径关系图是一种图信息，用来表示用户购买产品的行为路径，包括节点和节点间的关系，其中，节点代表用户本身、用户对产品的评论、用户对产品的评价图像等，节点之间的节点关系可以为评论关系也可以是转发关系。
61.具体的，所述根据所述文本信息及图像信息构建路径关系图，包括：
将所述目标用户作为第一节点，将所述文本信息作为第二节点，以及将所述图像信息作为第三节点；在所述第一节点及所述第二节点间添加文本节点关系，以及在所述第二节点及所述第三节点间添加图像节点关系；汇总所有节点及节点关系得到所述路径关系图。
62.本发明一可选实施例中，以电商领域为例，用户a作为第一节点，用户a对于产品b的评论文本作为第二节点，用户a对于产品b的评论图像作为第二节点，文本节点关系为“评论”，图像节点关系为“评论”。
63.本发明实施例中，所述路径关系图中融合了不同模态（文本及图像）的数据，可以深度挖掘用户在产品交易流程中的所有行为路径，提高了对数据分析的准确率。
64.步骤三、所述情绪分析模块103从所述历史多维信息中提取语音信息，对所述语音信息进行情绪频谱分析，得到情绪分析结果。
65.本发明实施例中，在用户购买产品时，用户的情绪是左右是否产生购买行为的重要特征，而在不同情绪中时，语音的频谱特征有着较明显差异，因此通过语音信息来进行情绪频谱分析，可以得到更准确的情绪分析结果。
66.详细地，所述对所述语音信息进行情绪频谱分析，得到情绪分析结果，包括：提取所述语音信息中的倒谱特征、韵律特征及频谱特征；利用预训练的多特征情绪识别网络分别提取所述倒谱特征、韵律特征及频谱特征的特征描述符；利用所述多特征情绪识别网络分别输出所述特征描述符的标签权重；基于最大投票方法对所述标签权重进行融合，得到所述情绪分析结果。
67.本发明实施例中，所述倒谱特征包括mfcc（梅尔倒谱系数）特征、pncc （功率归一化倒谱系数）特征及plp（感知线性预测）特征等。所述韵律特征（rhys）是指语音的长时变化规律（一般大于 100ms）特征，这种特征能够传达出不同的含义，具有较强的辨识能力。所述频谱特征通过语音分割、滤波处理及差分计算等得到，能够体现不同语音之间的差异，降低发声系统复杂性和语音内容多样性对复杂背景环境下语音识别的影响。
68.详细地，所述提取所述语音信息中的倒谱特征、韵律特征及频谱特征，包括：利用预设的声学特征提取算法提取所述语音信息中的倒谱特征；利用预设的全局统计函数提取所述语音信息中的韵律特征；对所述语音信息进行序列分割，得到短时片段集合；对所述短时片段集合中的语音数据进行快速傅里叶变换及滤波压缩处理，得到语谱特征集合，根据所述语谱特征集合计算语谱中心差值集合；计算所述语谱特征集合中每两帧语音数据之间的差分值，并组合成差分矩阵；对所述语谱中心差值集合及所述差分矩阵进行特征融合，得到所述频谱特征。
69.本发明一可选实施例中，所述声学特征提取算法包括mfcc（梅尔倒谱系数）特征提取算法、pncc （功率归一化倒谱系数）特征提取算法及plp（感知线性预测）特征提取算法。所述预设的全局统计函数主要包括：最大值（max），最小值（min），平均值（mean），中值（median），标准差（std），峰度（kurtosis）偏态（skewness）等。
70.本发明实施例中，所述根据所述语谱特征集合计算语谱中心差值集合，包括：
利用预设的语谱公式计算所述语谱特征集合中的语谱中心；计算所述语谱特征集合中每个特征到所述与中心的差值，得到所述语谱中心差值集合。
71.本发明一可选实施例中，所述利用预设的语谱公式计算所述语谱特征集合中的语谱中心，包括：利用下述语谱公式计算所述语谱特征集合中的语谱中心：其中，为所述语谱中心，为语谱特征集合中的数据数量，为语谱特征集合中任一特征数据。
72.本发明一可选实施例中，通过下述公式进行特征融合：其中，为第行第列的差分值，为第个特征的差值，为所述频谱特征。
73.本发明一可选实施例中，所述预训练的多特征情绪识别网络可以包括深度置信网络（dbn）及极限学习机（extreme learning machine, elm）分类器，其中，dbn由多个受限玻尔兹曼机（rbm）堆叠连接，可以通过层次方式有效地进行训练，有利于语音情感识别的高层次特征描述符的提取，例如，三层rbm中，利用训练样本对第一个 rbm 进行训练，将第一层 rbm 的输出用作第二个 rbm 的输入，类似地，利用第二个rbm 的输出对第三个 rbm 进行训练，各层预训练完成后，再利用 bp 算法等对整个网络进行训练，从而构建一个深层次网络模型，进而利用网络模型从低级特征中获得更鲁棒的高级特征描述符。elm分类器通过对提取到的特征描述符进行标签分类，并输出每个分类的标签的权重。同时，预训练时可以使用柏林 emo-db 德语情感语音库、casia 汉语情感语料库等数据及savee 情感语料库等。
74.本发明实施例中，鉴于单一特征的描述能力有限，因此采用多特征融合的方式将每种特征进行融合，从而提高对语音情感的识别效果。
75.步骤四、所述标椎用户画像构建模块104从所述历史多维信息中提取产品交易信息，根据所述产品交易信息、所述初始用户画像、所述路径关系图及所述情绪分析结果进行产品推荐关系聚合，得到标准用户画像。
76.本发明实施例中，由于多种信息对于产品的交易都有关系，通过对不同数据进行产品推荐关系聚合，找出不同数据对于产品推荐时的重要性，从而得出更加丰富的标准用户画像。
77.具体地，所述根据所述产品交易信息、所述初始用户画像、所述路径关系图及所述情绪分析结果进行产品推荐关系聚合，得到标准用户画像，包括：对所述产品交易信息进行标签标记，得到产品标记结果；利用预构建的多模态聚合模型中的特征提取层提取所述初始用户画像的画像特征，利用所述特征提取层提取所述路径关系图中的路径特征，以及利用所述特征提取层提
digital， sd）卡、闪存卡（flash card）等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于用户画像的产品推荐程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
86.所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（central processing unit，cpu）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（control unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如基于用户画像的产品推荐程序等），以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
87.所述通信接口12用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如wi-fi接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（display）、输入单元（比如键盘（keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled（organic light-emitting diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
88.所述总线13可以是外设部件互连标准（peripheral component interconnect，简称pci）总线或扩展工业标准结构（extended industry standard architecture，简称eisa）总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
89.图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
90.例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
91.进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如wi-fi接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。
92.可选地，该电子设备还可以包括用户接口，用户接口可以是显示器（display）、输入单元（比如键盘（keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled（organic light-emitting diode，有机发光二极管）触摸器等。其中，显示器也可以适当的
称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
93.应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
94.所述电子设备中的所述存储器11存储的基于用户画像的产品推荐程序是多个指令的组合，在所述处理器10中运行时，可以实现：获取目标用户的历史多维信息；从所述历史多维信息中提取行为信息及属性信息，根据所述行为信息及属性信息构建初始用户画像；从所述历史多维信息中提取文本信息及图像信息，根据所述文本信息及图像信息构建路径关系图；从所述历史多维信息中提取语音信息，对所述语音信息进行情绪频谱分析，得到情绪分析结果；从所述历史多维信息中提取产品交易信息，根据所述产品交易信息、所述初始用户画像、所述路径关系图及所述情绪分析结果进行产品推荐关系聚合，得到标准用户画像；基于所述初始用户画像构建与所述目标用户相关的潜在客群，根据所述标准用户画像对所述潜在客群中的潜在用户进行产品推荐。
95.具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
96.进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（rom，read-only memory）。
97.本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：获取目标用户的历史多维信息；从所述历史多维信息中提取行为信息及属性信息，根据所述行为信息及属性信息构建初始用户画像；从所述历史多维信息中提取文本信息及图像信息，根据所述文本信息及图像信息构建路径关系图；从所述历史多维信息中提取语音信息，对所述语音信息进行情绪频谱分析，得到情绪分析结果；从所述历史多维信息中提取产品交易信息，根据所述产品交易信息、所述初始用户画像、所述路径关系图及所述情绪分析结果进行产品推荐关系聚合，得到标准用户画像；基于所述初始用户画像构建与所述目标用户相关的潜在客群，根据所述标准用户画像对所述潜在客群中的潜在用户进行产品推荐。
98.在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
99.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
100.另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
101.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
102.因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
103.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
104.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
105.此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
106.最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。