一种个性化推荐方法、系统以及存储介质与流程

1.本发明涉及信息处理技术领域，尤其涉及个性化推荐方法、系统及其存储介质。


背景技术：

2.个性化推荐系统(personalized recommendation system)，其主要是通过与不同消费者的需求相结合，从消费者的历史行为出发，基于相关的算法为消费者提供差异化的服务，继而为消费者快速的找到感兴趣的商品。
3.现有技术中，个性化推荐系统普遍应用于线上购物平台、社交媒体、新闻服务以及lbs服务，而专门针对线下场景下的个性化推荐系统较少，且其多为基于热度的推荐方式以及聚类/分组的推荐方法等，前者主要考虑的事件本身，并非考虑到用户本身的兴趣需求，不具备差异化推荐的能力，后者主要是针对某类标签的聚类方式，例如将a市的景区推荐给a市的人可能不如推荐给外地人的效果更好，其他的现有技术的方式亦存在相应的缺陷和不足，例如cn109165997a公开了一种线下购物推荐内容的生成方法和装置，其考虑的时通过获取表征下用户产品的喜好数据例如视线轨迹、交互信息等来确定线下用户的需求，cn104866540a公开了一种基于群体用户行为分析的个性化推荐方法，其公开了通过聚合海量个体用户对商品的动态兴趣来进行自适应推荐，上述方式均未考虑到线下用户的空间临近度会在用户产生兴趣影响的问题，其兴趣的动态迁移会导致个性化推荐的结果产生变化，造成个性化推荐结果不准确。
4.因此，如何在线下场景下更精确、快速的为用户提供精确、有效的推荐内容是一个亟待解决的问题。


技术实现要素：

5.有鉴于此，本发明的目的在于克服上述现有技术的缺陷，提供一种个性化推荐方法、系统及其存储介质，以提高个性化推荐的准确性。
6.第一方面，本发明实施例提供了一种个性化推荐方法，该方法包括：
7.获取用户的多维信息标签；
8.依据所述用户的多维信息标签建立用户画像；
9.采集一段时间段内线下全部用户的活动数据；
10.基于所述全部用户的活动数据和用户画像来分析邻近用户的兴趣偏好的影响从而对用户画像进行重构；
11.根据重构的用户画像为用户提供个性化推荐。
12.在一个实施例中，所述多维信息标签包括：用户的静态属性标签和动态特征标签。
13.在一个实施例中，所述采集一段时间段内线下全部用户的活动数据包括：在线下场所内安装一个或多个用户活动监控传感器以及包含用户移动终端和/或可穿戴设备所获取的传感器数据。
14.在一个实施例中，所述基于所述全部用户的活动数据和用户画像来分析邻近用户
的兴趣偏好的影响从而对用户画像进行重构具体包括：采用元胞自动机对邻近用户的兴趣偏好的影响进行建模，其建模过程包括元胞空间划分；中心元胞的定义；邻域模型的确定；兴趣偏好影响规则的建立。
15.在一个实施例中，所述建模过程具体步骤包括：
16.根据线下场景的空间结构进行区域划分，将其划分为预设距离步长的网格；
17.基于全部用户的活动数据，将用户位置输入到对应的网格中，基于用户画像获取用户的兴趣偏好，并以占据网格作为中心元胞，作为兴趣偏好的影响源；
18.选择邻域模型；
19.建立兴趣偏好影响规则，其中包括邻域影响规则和兴趣递减规则，
20.所述邻域影响规则为，其下一时刻的元胞状态的变化取决于当前元胞的状态以及邻域中元胞的状态，且每个元胞具备兴趣倾向度、影响力权重和转化率权重的参数特性，其公式为：
[0021][0022]
上述公式中，s
i,j
为兴趣倾向度，s
i,j
(t)为t时刻中心元胞的状态，s
n,m
(t)为t时刻邻域元胞的状态，β
ij
为转化率权重，γ
n,m
为邻接元胞的影响力权重，θ为邻域空间，n和m为邻域空间的元素，π为中心元胞随机扰动，μ为邻近元胞随机扰动；
[0023]
所述兴趣递减规则为，兴趣会受到时间的影响产生递减，公式如下所示：
[0024]si,j
(t δn)＝s
i,j
(t)e-αδn
ꢀꢀ
(2)
[0025]
上述公式中，α为递减系数，
△
n为时间差值。；
[0026]
根据元胞自动机模型结果对用户画像进行重构。
[0027]
在一个实施例中，所述邻域模型，具体包括：所述邻域模型采用von neumann、moore型和扩展moore型中任意一个。
[0028]
在一个实施例中，所述根据重构的用户画像为用户提供个性化推荐，包括：
[0029]
步骤a，采用重构和/或修正的用户画像、商户画像和/或商品画像进行个性化推荐；
[0030]
步骤b，将个性化推荐的结果推送给用户；
[0031]
步骤c，根据收集到的用户的活动数据进行隐式反馈提取，并采集用户显式反馈的结果；
[0032]
步骤d，依据接收到的隐式反馈和显式反馈的结果，更新个性化推荐以及对用户画像进行修正；
[0033]
步骤e，重复上述步骤，并采用当前更新进行个性化推荐。
[0034]
第二方面，本发明实施例还提供一种个性化推荐系统，该系统包括：
[0035]
获取模块，获取用户的多维信息标签；
[0036]
用户画像建立模块，依据所述用户的多维信息标签建立用户画像；
[0037]
采集模块，采集一段时间段内线下全部用户的活动数据；
[0038]
用户画像重构模块，基于所述活动数据来确定邻近用户的兴趣偏好的影响以对用户画像进行重构；
[0039]
推荐模块，根据重构的用户画像为用户提供个性化推荐。
[0040]
第三方面，本发明实施例还提供一种计算机设备，其上包括存储器和处理器，所述存储器上存储有能够在处理器运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如本发明任一实施例中所述的个性化推荐方法。
[0041]
第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如本发明任一实施例中所述的个性化推荐方法。
[0042]
本发明至少具有以下优点：
[0043]
1、获取用户的多维信息标签；依据所述用户的多维信息标签建立用户画像；采集一段时间段内线下全部用户的活动数据，基于所述全部用户的活动数据和用户画像来分析邻近用户的兴趣偏好的影响从而对用户画像进行重构，根据重构的用户画像为用户提供个性化推荐。其解决了线下个性化推荐时未考虑邻近用的兴趣偏好影响造成的兴趣迁移所造成的推荐结果不准确的问题，提高了推荐结果的准确率。
[0044]
2、在考虑到了线下用户在空间活动时会产生兴趣影响时，采用元胞自动机对兴趣偏好实际情况进行建模，同时考虑邻域影响规则和兴趣递减规则，有利于更加准确地捕捉到兴趣的实际迁移的流动，继而有利于构建更加准确的用户画像。
[0045]
3、在用户画像重构后，为了进一步提高个性化推荐的准确性，有必要在重构的用户画像、商户画像和/或商品画像构建个性化推荐的过程中建立反馈-更新机制，且针对线下场景用户反馈数据稀疏，容易造成推荐偏差的情况，采用线下用户活动数据提取隐式反馈，有利于解决反馈数据稀疏的问题，继而结合显式反馈的结果对更新个性化推荐和用户画像，并采用当前更新进行个性化推荐。
[0046]
4、由于仅通过用户间兴趣影响构建模型，在重构的用户画像进行推荐中某些时候会产生集聚效应，不利于后续个性化推荐的结果，因此，可以在后续反馈-更新中不仅对个性化推荐的模型参数进行更新，还可以对用户画像进行修正，其反馈后的修正过程可以以去除或淡化与实际用户操作相反的标签数据的权重，且随着用户活动数据量的增大，同时对长时间与用户活动无关的标签数据亦会进行修正，可以进一步提高后续个性化推荐的效果，且更好的把握用户的兴趣偏好，构建合理的用户画像。
附图说明
[0047]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0048]
其中：
[0049]
图1为根据本发明一个实施例的个性化推荐方法的流程图；
[0050]
图2为根据本发明一个实施例中的画像重构建模流程图；
[0051]
图3为根据本发明一个实施例中的中心元胞和邻域元胞的示意图；
[0052]
图4为根据本发明一个实施例中重构的用户画像为用户提供个性化推荐的流程图；
[0053]
图5为根据本发明一个实施例的个性化推荐系统的结构示意图
具体实施方式
[0054]
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0055]
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。
[0056]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
[0057]
实施例一
[0058]
图1是本发明实施例一提供的个性化推荐方法的流程图，本实施例尤其适用于线下场景的用户个性化推荐需求，该实施例所述的方法可以由软件和/或硬件的方式来实现，如图1所示，该方法为：
[0059]
步骤s110获取用户的多维信息标签。
[0060]
本发明一个或多个实施例中，用户的多维信息标签包括用户的静态属性标签和动态特征标签。
[0061]
通常，用户的静态属性标签包括但不限于用户的自然属性、社会属性、兴趣爱好、地址等。
[0062]
用户的自然属性包括但不限于，用户的姓名、年龄、证件、星座、籍贯、常住地、社交平台账号。
[0063]
用户的社会属性包括但不限于，用户的所属行业，职位，婚姻状况、资产状况、教育水平，消费水平。
[0064]
用户的兴趣爱好包括但不限于，读书喜好、新闻喜好、视频喜好、音乐喜好、运动喜好和旅游喜好。
[0065]
静态标签可以通过问卷定项选择、不定项选择、填空、成段描述语义挖掘、相关平台提取、移动设备绑定等方式获取，其采集方式多样，但通常标签粗放，难以准确描述到用户个性化的需求。
[0066]
用户的动态特征标签包括但不限于行为模式、情感模式、时空变化等；
[0067]
用户的行为模式包括但不限于，视线信息，停留时间(位置停留、视线停留等)，购买商品名称，购买频率，购买金额，退货商品名称等。
[0068]
用户的情感模式包括但不限于，面部表情、手势、语气、情绪词、眨眼频率、身体特定姿态等。
[0069]
用户的时空变化包括但不限于，时间、位置、速度、加速度、运动状态；
[0070]
上面所说的动态特征标签，通常是存在有效时限的数据，其相对静态标签而言变
化快，需要实时对其进行更新来保证标签的有效性。
[0071]
需要额外说明的是，上述标签仅是参考，在实际应用中，标签内容可随个性化推荐业务的不同需求进行扩展，可以根据现实情况增加、改变、更新和细化，并且在特别场景下静态标签和动态标签的内容可以相互切换。
[0072]
步骤s120依据所述用户的多维信息标签建立用户画像；
[0073]
其多维信息标签的建立可以通过如下方式获取：
[0074]
步骤s1201根据问卷定项选择、不定项选择、填空、成段描述语义挖掘、相关平台提取和移动设备绑定中任何一种或多种的方式获取静态属性数据，基于移动终端、场景传感器的实时数据、关联平台提取和历史数据中任何一种或多种的方式获取动态特征数据；
[0075]
步骤s1202对静态属性数据和动态特征数据进行数据清洗与整理；
[0076]
数据清洗是对数据进行重新审查和校验的过程，目的在于删除标签体系中存在重复的信息、纠正明显存在的错误，保持数据一致性，以提高数据的质量。
[0077]
可选的，在用户多维信息标签建立用户画像中，对数据清洗与整理中可以包括数据降维操作，当多标签数据特征维度高时，降维一方面能对高维数据进行压缩，另一方面更有利于精确绘制用户画像，提高可解释性。
[0078]
步骤s1203将两类数据按照不同维度构建矩阵，并将其矩阵与用户主体进行映射，从而得到相应的静态属性标签和动态特征标签；
[0079]
步骤s130采集一段时间段内线下全部用户的活动数据；
[0080]
本发明一个或多个实施例中，采集一段时间段内线下全部用户的活动数据包括：在线下场所内安装一个或多个监控传感器以及包含用户移动终端和/或可穿戴设备所获取的传感器数据。
[0081]
上述获取用户的活动数据可以在用户端进行采集，主要可以通过用户的移动终端和可穿戴设备进行获取，移动终端可以包括手机、平板电脑等，可穿戴设备可以包括智能手表、智能ar/vr眼镜、智能ar/vr头盔、智能手环、智能指环等，同时，获取用户的活动数据可以在场所进行获取，主要可以通过安装在场所的摄像头、压力传感器、人体感应器、语音采集器等，此外，用户的活动数据也可以通过用户自身和场所的智能终端之间的交互进行获取，例如视线停留信息、购买记录、扫码记录、退货记录等。
[0082]
并且上述用户的活动数据采集方式以及传感器类型均可以通过现有技术进行选取，其采集方式亦可通过现有技术进行实施，其具体类别选取与方法实施无需赘述，但其常规类别的选取和常规采集方法的具体内容均包含在本发明所包含的类别之中。
[0083]
全部用户的活动数据包括但不限于位置、轨迹、速度、停留时间、加速度、眨眼、视线方向、面部表情、肢体朝向、头朝向、身体倾角、肢体姿势、语气、情绪词、观看商品名称、拿起商品的名称、购买商品名称、观看频率、拿起频率、购买频率、购买金额、退货商品名称等中的一个或多个。
[0084]
在实际应用中，线下场所主要包括线下博览会、卖场、商场、大型市场等，尤其适用于世博会等持续时间长，规模大，用户数量多的场景，并且线下场所的划分可以通过场所的地块属性划分即根据其权属所属的地块面积大小，也可以通过方位划分即通过东区、南区、北区、东南区等，亦可以通过用户自定义的方式来划分，比如采用预设面积进行划分、自定义勾选区域进行划分、预设距离阈值进行划分等。
[0085]
步骤140基于所述全部用户的活动数据和用户画像来分析邻近用户的兴趣偏好的影响从而对用户画像进行重构；
[0086]
需要额外说明的是，用户可以是消费者、参展人员，亦可以是销售方、推销人员，亦可以是行业专家等身份。
[0087]
在实际应用中，线下场景中用户之间是具备社交影响的，例如导购用户与一般用户之间的交流、一般用户间的交流、一般用户和专家用户之间的交流等，从实际产生影响的可能因素的来源来划分可以分为直接影响和间接影响，其直接影响可以是用户间的直接沟通，间接影响可以是用户间行为的观察、学习等，其影响可以造成某种程度上的兴趣迁移，即可以通过某些用户“传递”到其他用户上来建模体现。
[0088]
实施例二
[0089]
图2是本发明实施例二提供的基于所述全部用户的活动数据和用户画像来分析邻近用户的兴趣偏好的影响从而对用户画像进行重构的流程图，本实施例是在上述实施例的基础上进行进一步的优化，如图2所示，该方法为：
[0090]
步骤s210元胞空间的划分；
[0091]
所述中心元胞和邻域元胞的的示意图如图3所示，其中图3中的a代表着中心元胞，b为5*5的邻域空间即是影响的范围，c为在邻域空间内对中心元胞存在兴趣影响的邻域元胞，即为其他用户在该用户影响范围内的位置；
[0092]
进一步地，其过程可以为，根据线下场景的空间结构进行区域划分，将其划分为预设距离步长的网格；
[0093]
在实际操作中，亦会设置模型的运行时间步长等相关参数，该操作可以采用现有技术的方式进行设置。
[0094]
值得额外说明的是，线下场景的兴趣迁移会受到空间距离的约束，因此，其中心元胞会受到邻域空间中邻域元胞的影响。
[0095]
步骤s220中心元胞的定义；
[0096]
进一步地，其过程可以为，基于全部用户的活动数据，将用户位置输入到对应的网格中，基于用户画像获取用户的兴趣偏好，并以占据网格作为中心元胞，作为兴趣偏好的影响源；
[0097]
步骤s230邻域模型的确定；
[0098]
进一步地，所述邻域模型，所述邻域模型可以采用采用vonneumann、moore型和扩展moore型中任意一个。
[0099]
步骤s240兴趣偏好影响规则的建立。
[0100]
进一步地，建立兴趣偏好影响规则，其中包括邻域影响规则和兴趣递减规则，
[0101]
所述邻域影响规则为，其下一时刻的元胞状态的变化取决于当前元胞的状态以及邻域中元胞的状态，且每个元胞具备兴趣倾向度、影响力权重和转化率权重的参数特性，其公式为：
[0102][0103]
上述公式中，s
i,j
为兴趣倾向度，s
i,j
(t)为t时刻中心元胞的状态，s
n,m
(t)为t时刻邻域元胞的状态，β
ij
为转化率权重，γ
n,m
为邻接元胞的影响力权重，θ为邻域空间，n和m为邻
域空间的元素，π为中心元胞随机扰动，μ为邻近元胞随机扰动；
[0104]
值得额外说明的是，上述公式中的转化率权重与中心元胞会受到改变的程度相关，影响力权重为邻近元胞对中心元胞施加的影响大小相关，兴趣倾向度为用户画像提取到的用户偏好相关，中心元胞和邻近元胞的随机扰动均是为了模拟可能产生的其他原因(例如考虑情绪波动等原因)的影响。
[0105]
所述兴趣递减规则为，兴趣会受到时间的影响产生递减，公式如下所示：
[0106]si,j
(t δn)＝s
i,j
(t)e-αδn
ꢀꢀ
(2)
[0107]
上述公式中，α为递减系数，
△
n为时间差值。；
[0108]
步骤s250根据元胞自动机模型结果对用户画像进行重构。
[0109]
需要额外说明的是，上述已经详细描述了针对线下场景元胞自动机建立的主体要素，其具体实施细节可参见现有技术实施的方式进行完善和补充，其现有技术内容不再进行赘述，亦能通过本领域技术人员的理解进行实施。
[0110]
上述，根据元胞自动机模型进行实施时，其兴趣迁移所导致的结果可以对用户画像进行重构。此处的重构与更新的含义并不相同，其可以理解的是，它不同于现有的兴趣增加或减少，其还包括新的兴趣的产生和旧的兴趣的丧失，其亦体现在其兴趣数据得到变化后，其提取的标签数据的维数和特征形式亦会发生变化，即是产生新的用户画像的形式。
[0111]
实施例三
[0112]
图4是本发明实施例三提供的基于根据重构的用户画像为用户提供个性化推荐，本实施例是在上述实施例的基础上进行进一步的优化，如图4所示，该方法为：
[0113]
步骤s310采用重构和/或修正的用户画像、商户画像和/或商品画像进行个性化推荐；
[0114]
步骤s320将个性化推荐的结果推送给用户；
[0115]
步骤s330根据收集到的用户的活动数据进行隐式反馈提取，并采集用户显式反馈的结果；
[0116]
步骤s340依据接收到的隐式反馈和显式反馈的结果，更新个性化推荐以及对用户画像进行修正；
[0117]
值得额外说明的是，更新个性化推荐即是更新步骤s310中所用到个性化推荐的模型，即将用户反馈的结果在模型中得到更新体现。
[0118]
在用户画像重构后，为了进一步提高个性化推荐的准确性，有必要在重构的用户画像、商户画像/商品画像构建个性化推荐的过程中建立反馈-更新机制，且针对线下场景用户反馈数据稀疏，容易造成推荐偏差的情况，采用线下用户活动数据提取隐式反馈，有利于解决反馈数据稀疏的问题，继而结合显式反馈的结果对更新个性化推荐，并采用当前更新进行个性化推荐。
[0119]
步骤s350重复上述步骤，并采用当前更新进行个性化推荐。
[0120]
显然，其上述实施的过程为一种动态过程，其一方面体现在用户间兴趣影响的元胞模型的动态变化，另一方面体现了用户本身反馈-更新的动态变化。
[0121]
需要额外说明的是，本发明并不局限于该处个性化推荐模型具体是何模型，其可以为基于协同过滤的模型(user或item)、基于社交网络的模型、基于内容的模型、基于深度学习的模型、基于强化学习的模型中的一类或多类组合的模型及其子变式，本发明主要强
调的思路是在重构画像后的过程中，由于前者仅是通过用户间兴趣影响构建模型，此时若是仅基于重构的用户画像进行推荐则在某些时候产生集聚效应，不利于后续个性化推荐的结果，因此，可以在后续反馈-更新中不仅对前述任意一种个性化推荐模型的模型参数进行更新，还可以对用户画像进行修正，以去除或淡化与实际用户操作相反的标签数据，且随着用户活动数据量的增大，同时对长时间与用户活动无关的标签数据亦会进行权重的修正，可以进一步提高后续个性化推荐的效果，且更好的把握用户的兴趣偏好，构建合理的用户画像。
[0122]
实施例四
[0123]
图5是本发明实施例四提供的一种个性化推荐系统的结构示意图。本实施例亦适用于线下场景的用户个性化推荐需求，该实施例所述的系统可以由软件和/或硬件的方式来实现，如图5所示，该系统为：
[0124]
获取模块410，获取用户的多维信息标签；
[0125]
用户画像建立模块420，依据所述用户的多维信息标签建立用户画像；
[0126]
采集模块430，采集一段时间段内线下全部用户的活动数据；
[0127]
用户画像重构模块440，基于所述活动数据来确定邻近用户的兴趣偏好的影响以对用户画像进行重构；
[0128]
推荐模块450，根据重构的用户画像为用户提供个性化推荐。
[0129]
本发明实施例的所提供的个性化推荐系统可相对与本发明前述实施例中个性化推荐方法相应设置，未在本实施例详尽记载的细节，可参见本发明前述实施例中任意实施例的内容解释。
[0130]
实施例五
[0131]
本发明实施例还包括一种计算机设备，其上包括存储器和处理器，所述存储器上存储有能够在处理器运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现前述任意实施例的方法。
[0132]
实际应用时，上述计算机设备可以为终端或者服务器，
[0133]
实施例六
[0134]
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现前述任意实施例的方法。
[0135]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0136]
上述已经详细描述了本发明公开的实施例，为了避免遮蔽本发明公开的技术构
思，对于相关领域普通技术人员所公知的细节，本领域技术人员根据上述实施例的记载，是可以完成知晓如何实施公开的技术方案。
[0137]
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，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。