[发明专利]用户兴趣向量生成方法、产品推荐方法、装置、设备、介质

说明书

本申请涉及一种用户兴趣向量生成方法、产品推荐方法、装置、设备、介质。所述方法包括：获取用户特征以及历史行为信息，所述历史行为信息包括与目标行为相关的产品；对所述历史行为信息中所涉及的产品进行聚类，得到待处理分类；获取每一所述待处理分类对应的目标产品向量；根据所述目标产品向量和所述用户特征得到用户兴趣向量。所述产品推荐方法包括：获取待推荐产品的待处理向量；根据用户兴趣向量生成方法，计算得到用户兴趣向量；根据每一用户兴趣向量与所述待处理向量，计算得到待推荐产品；将所述待推荐产品发送至用户终端。采用本方法能够利用先验知识辅助用户表达多兴趣，增强多兴趣的准确性，提高匹配的多样性。

技术领域

本申请涉及人工智能技术领域，特别是涉及一种用户兴趣向量生成方法、产品推荐方法、装置、设备、介质。

背景技术

随着技术的发展，推荐匹配经过从非个性化已转变至个性化。在非个性化阶段，最主要的代表是协同过滤，协同过滤是考虑用户和产品的交互信息来找相似的用户和商品，再利用相似来进行推荐。但随着技术的发展，用户更加专注自己行为，产生了个性化，个性化的代表是embedding技术出现，将用户和产品抽象成一个向量，利用向量内积的方式，计算用户和产品的相似度，该方法能在很大的程度上实现了个性化的需求。

但随着技术的发展，单个用户抽象出一个向量很难表示用户的多个兴趣，在多兴趣中，存在基于胶囊网络的短视频点击序列预测方法，该方法利用卷积神经网络从用户点击序列中抽取上下文特征，再利用序列胶囊网络将上下文特征转换到不同兴趣空间下，并在不同兴趣空间下捕捉用户行为的序列性，得到用户的多兴趣向量表征。该方法也是将一个用户抽象成多个向量表示，但是这样的方法存在二个问题：第一是序列是自动投射没有加入先验知识，按照贝叶斯原理，会导致投射的波动较大，且不具有解释性，第二个问题是对于短序列的用户，其用户的行为比较少，会导致投射的不准确。

发明内容

基于此，有必要针对上述技术问题，提供一种能够生成多个用户兴趣向量的用户兴趣向量生成方法、产品推荐方法、装置、设备、介质。

第一方面，本申请提供了一种用户兴趣向量生成方法，所述用户兴趣向量生成方法包括：

获取用户特征以及历史行为信息，所述历史行为信息包括与目标行为相关的产品；

对所述历史行为信息中所涉及的产品进行聚类，得到待处理分类；

获取每一所述待处理分类对应的目标产品向量；

根据所述目标产品向量和所述用户特征得到用户兴趣向量。

在其中一个实施例中，所述获取用户特征以及历史行为信息之后，还包括：

当所述历史行为信息不满足要求时，获取所述用户特征对应的用户集合；

查询所述用户集合对应的产品集合；

从所述产品集合中进行采样得到历史行为信息。

在其中一个实施例中，所述获取所述用户特征对应的用户集合之前，还包括：

获取待处理用户的待处理用户特征；

根据所述待处理用户特征对所述待处理用户进行分类，得到用户集合；

对每一用户集合中的用户行为所关联的产品进行筛选，得到产品集合。

在其中一个实施例中，所述方法还包括：

计算产品之间的相似度；

所述对所述历史行为信息中所涉及的产品进行聚类，得到待处理分类，包括：

根据所述产品的相似度，对所述历史行为信息中所涉及的产品进行聚类，得到待处理分类。

在其中一个实施例中，所述获取每一所述待处理分类对应的目标产品向量，包括：