[发明专利]基于社交数据的智能产品推荐方法、装置、设备及介质

权利要求书

1.一种基于社交数据的智能产品推荐方法，其特征在于，所述方法包括：

构建用于识别用户需求的多个场景线，所述场景线包括若干故事节点，每个故事节点包括故事标签和预设语义分类模型，每个所述场景线对应至少一个推荐产品；

获取用户的社交文本数据，根据所述多个场景线的语义分类模型，确定所述社交文本数据与每个场景线的匹配度，及将满足匹配要求的场景线作为第一故事线；

确定所述社交文本数据中每个分词的第一词汇向量，及确定每个所述第一故事线中每个所述故事标签预设关键词的第二词汇向量；

根据所述社交文本数据对应的所有第一词汇向量和每个所述第一故事线对应的所有第二词汇向量，确定所述社交文本数据与所述第一故事线之间的相似度；

将所述相似度满足预设阈值要求的第一故事线作为目标故事线，及根据所述目标故事线，确定目标推荐产品。

2.如权利要求1所述的基于社交数据的智能产品推荐方法，其特征在于，所述语义分类模型包括二分类模型；所述根据所述多个场景线的语义分类模型，确定所述社交文本数据与每个场景线的匹配度，包括：

将所述社交文本数据输入所述场景线的每个所述二分类模型中进行分类，得到每个所述二分类模型输出的匹配概率并作为对应故事节点的匹配概率；

将所述场景线所有故事节点的匹配概率进行联合概率分布运算，得到所述场景线与社交文本数据的匹配概率并作为匹配度。

3.如权利要求2所述的基于社交数据的智能产品推荐方法，其特征在于，所述二分类模型包括Bert模型及与所述Bert模型后端连接的集成分类器，所述故事节点的匹配概率为集成分类器中所有子分类器输出的分类概率的平均值。

4.如权利要求3所述的基于社交数据的智能产品推荐方法，其特征在于，所述Bert模型的训练过程，包括：

获取社交文本训练数据集，所述社交文本训练数据集的样本标记有正/负样本类别；

将社交文本训练数据集输入Bert模型进行编码，及通过后端集成分类器输出预测分类结果，将所述预测分类结果和对应的样本的正/负样本类别进行比较，确定预测误差；

根据所述预测误差调整所述Bert模型的模型参数，并对所述Bert模型编码部分进行梯度下降学习，对后端集成分类器进行集成学习，迭代训练直至预测误差小于预设误差阈值，得到训练完备的Bert模型。

5.如权利要求1所述的基于社交数据的智能产品推荐方法，其特征在于，每个所述故事标签预设至少一个关键词；所述确定所述社交文本数据中每个分词的第一词汇向量，及确定每个所述第一故事线中每个所述故事标签预设关键词的第二词汇向量，包括：

将所述社交文本数据进行分词处理，及利用预设词向量模型Word2vec将各个分词转换为对应的第一词汇向量；

利用预设词向量模型Word2vec，将第一故事线中每个所述故事标签的所有预设关键词转换为对应的第二词汇向量。

6.如权利要求1所述的基于社交数据的智能产品推荐方法，其特征在于，所述根据所述社交文本数据对应的所有第一词汇向量和每个所述第一故事线对应的所有第二词汇向量，确定所述社交文本数据与所述第一故事线之间的相似度，包括：

利用余弦相似度量法，确定所述社交文本数据的每个第一词汇向量到所述第一故事线所有第二词汇向量中的最短距离，将所有第一词汇向量对应的最短距离的平均值作为所述社交文本数据与所述第一故事线之间的相似度。

7.如权利要求1所述的基于社交数据的智能产品推荐方法，其特征在于，所述推荐产品包括至少一种金融主题中的至少一种服务产品。