CN115186188A - 基于行为分析的产品推荐方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及人工智能技术，揭露了一种基于行为分析的产品推荐方法，包括：根据用户的基础信息生成标准用户画像；将用户的特定行为信息添加至标准用户画像内，并查询拥有特定行为信息的N个用户为关联用户；获取关联用户的关联用户画像，计算标准用户画像与关联用户画像之间的距离值，确定距离值小于预设阈值的关联用户画像的关联用户为目标用户；获取目标用户的特定行为信息，根据目标用户的特定行为信息统计用户对不同资讯的偏好概率；按照偏好概率的顺序生成资讯推荐清单输出给用户。此外，本发明还涉及区块链技术，基础信息可存储于区块链的节点。本发明还提出一种基于行为分析的产品推荐装置、设备及介质。本发明可以提高资讯推荐精确度。

Description

基于行为分析的产品推荐方法、装置、设备及存储介质

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于行为分析的产品推荐方法、装置、电子设备及计算机可读存储介质。

背景技术

在电子商务、社交平台、短视频兴起的今日，各大互联网平台都在使用用户过往的浏览、浏览及收藏数据信息，为用户提供个性化的资讯推荐，推荐系统也慢慢的取代着旧时固有的搜索过滤信息途径，成为用户获取不同资讯信息的一种重要方式。

业内目前主要使用的两种推荐引擎算法为：基于内容的推荐与基于协同过滤的推荐。但二者具有共同的缺点：稀疏问题。当业务系统的用户数据量不够大的时候，稀疏问题就会产生，一些用户和物品会因为缺少有效的数据匹配不到的相似同类，因此无法完成推荐。

发明内容

本发明提供一种基于行为分析的产品推荐方法、装置及计算机可读存储介质，其主要目的在于解决进行产品推荐时的精确度较低的问题。

为实现上述目的，本发明提供的一种基于行为分析的产品推荐方法，包括：

获取用户的基础信息，根据所述基础信息生成标准用户画像；

获取所述用户的特定行为信息，将所述特定行为信息添加至所述标准用户画像内，并查询拥有所述特定行为信息的N个用户为关联用户；

获取每个所述关联用户的关联用户画像，分别计算所述标准用户画像与每个所述关联用户画像之间的距离值，并确定所述距离值小于预设阈值的关联用户画像对应的关联用户为目标用户；

获取每个所述目标用户的特定行为信息，根据每个所述目标用户的特定行为信息统计所述用户对不同资讯的偏好概率；

按照所述偏好概率从大到小的顺序生成资讯推荐清单，并将所述资讯推荐清单输出给所述用户。

可选地，所述根据所述基础信息生成标准用户画像，包括：

从所述基础信息中逐个选取其中一个信息为目标信息；

对所述目标信息进行核心语义提取，得到信息语义；

对所述核心语义进行向量转换，得到语义向量；

将所有基础信息对应的语义向量拼接为所述标准用户画像。

可选地，所述对所述目标信息进行核心语义提取，得到信息语义，包括：

对所述目标信息进行卷积、池化处理，得到所述目标信息的低维特征语义；

将所述低维特征语义映射至预先构建的高维空间，得到高维特征语义；

利用预设的激活函数对所述高维特征语义进行筛选，得到信息语义。

可选地，所述将所有基础信息对应的语义向量拼接为所述标准用户画像，包括：

统计所述信息向量中所有向量的向量长度；

确定所述向量长度中的最大值为目标长度；

利用预设参数将所有信息向量的长度延长至所述目标长度；

将长度延长后的所有信息向量进行列维度合并，得到所述标准用户画像。

可选地，所述查询拥有所述特定行为信息的N个用户为关联用户，包括：

获取M个用户的特定行为信息表，其中，M大于或等于N；

构建所述特定行为信息表的索引；

根据所述特定行为信息在所述索引中进行检索，得到包含所述特定行为信息的索引；

确定包含所述特定行为信息的索引对应的用户为所述关联用户。

可选地，所述分别计算所述标准用户画像与每个所述关联用户画像之间的距离值，包括：

利用如下距离值算法分别计算所述标准用户画像与每个所述关联用户画像之间的距离值：

其中，D为所述距离值，x为所述标准用户画像，y_i为第i个关联用户画像。

可选地，所述根据每个所述目标用户的特定行为信息统计所述用户对不同资讯的偏好概率，包括：

从所述目标用户中逐个选取其中一个目标用户；

统计被选取的目标用户的特定行为信息中不同资讯的浏览次数；

根据每个被选取的目标用户对不同资讯的浏览次数计算每个不同资讯被所有目标用户浏览的总次数；

逐个从所述不同资讯中选取一个资讯为目标资讯，计算所述于目标资讯被所有目标用户浏览的总次数在所述每个不同资讯被所有目标用户浏览的总次数之和内的占比权重；

确定所述占比权重为所述用户对所述目标资讯的偏好概率。

为了解决上述问题，本发明还提供一种基于行为分析的产品推荐装置，所述装置包括：

画像生成模块，用于获取用户的基础信息，根据所述基础信息生成标准用户画像；

用户查询模块，用于获取所述用户的特定行为信息，将所述特定行为信息添加至所述标准用户画像内，并查询拥有所述特定行为信息的N个用户为关联用户；

用户筛选模块，用于获取每个所述关联用户的关联用户画像，分别计算所述标准用户画像与每个所述关联用户画像之间的距离值，并确定所述距离值小于预设阈值的关联用户画像对应的关联用户为目标用户；

概率计算模块，用于获取每个所述目标用户的特定行为信息，根据每个所述目标用户的特定行为信息统计所述用户对不同资讯的偏好概率；

资讯推荐模块，用于按照所述偏好概率从大到小的顺序生成资讯推荐清单，并将所述资讯推荐清单输出给所述用户。

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：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于行为分析的产品推荐方法。

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行为分析的产品推荐方法。

本发明实施例能够通过用户对资讯的浏览记录查询到与所述用户具有关联关系的关联用户，并利用该用户的基础信息生成的用户画像从关联用户中筛选出与所述用户相似度较大的目标用户，进而对目标用户的特定行为信息进行分析，以实现对该用户的资讯推荐，即使在该用户的特定行为信息较少时，也可通过对关联用户的筛选与分析，提高对该用户进行资讯推荐的精确度。因此本发明提出的基于行为分析的产品推荐方法、装置、电子设备及计算机可读存储介质，可以解决对用户进行资讯推荐的精确度较低。

附图说明

图1为本发明一实施例提供的基于行为分析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进行核心语义提取的流程示意图；

图3为本发明一实施例提供的查询关联用户的流程示意图；

图4为本发明一实施例提供的基于行为分析的产品推荐装置的功能模块图；

图5为本发明一实施例提供的实现所述基于行为分析的产品推荐方法的电子设备的结构示意图。

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

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。

本申请实施例提供一种基于行为分析的产品推荐方法。所述基于行为分析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申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于行为分析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(Content Delivery 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。

参照图1所示，为本发明一实施例提供的基于行为分析的产品推荐方法的流程示意图。在本实施例中，所述基于行为分析的产品推荐方法包括：

S1、获取用户的基础信息，根据所述基础信息生成标准用户画像。

本发明实施例中，所述用户的基础信息包括姓名、年龄、职业、住址、婚姻状况等于所述用户相关的数据信息。

详细地，可利用具有数据抓取功能的计算机语句(如java语句、python语句等)从预先确定的存储区域抓取存储的基础信息，所述存储区域包括但不限于数据库、区块链节点、网络缓存。

进一步地，为了实现对用户进行资讯的推荐，可对获取的所述基础信息进行分析，以根据所述基础信息生成与所述用户相对应的标准用户画像。

本发明实施例中，所述根据所述基础信息生成标准用户画像，包括：

从所述基础信息中逐个选取其中一个信息为目标信息；

对所述目标信息进行核心语义提取，得到信息语义；

对所述核心语义进行向量转换，得到语义向量；

将所有基础信息对应的语义向量拼接为所述标准用户画像。

本发明实施例中，可依次从所述基础信息中选取目标信息，或者，随机不放回地从所述基础信息中选取目标信息。

本发明实施例中，可预先构建的语义分析模型对所述目标信息进行核心语义提取，得到信息语义。

详细地，所述语义分析模型包括但不限于NLP(Natural Language Processing，自然语言处理)模型、HMM(Hidden Markov Model，隐马尔科夫模型)。

例如，利用预先构建的语义分析模型对所述目标信息进行卷积、池化等操作，以提取该目标信息的低维特征表达，再将提取到的低维特表达征映射至预先构建的高维空间，得到该低维特征的高维特征表达，利用预设的激活函数对所述高维特征表达进行选择性地输出，得到信息语义。

本发明实施例中，参图2所示，所述对所述目标信息进行核心语义提取，得到信息语义，包括：

S21、对所述目标信息进行卷积、池化处理，得到所述目标信息的低维特征语义；

S22、将所述低维特征语义映射至预先构建的高维空间，得到高维特征语义；

S23、利用预设的激活函数对所述高维特征语义进行筛选，得到信息语义。

详细地，可通过语义分析模型对所述目标信息进行卷积、池化处理，以降低所述目标信息的数据维度，进而减少对所述目标信息进行分析时计算资源的占用，提高进行核心语义提取的效率。

具体地，可利用预设的映射函数将低维特征语义映射至预先构建的高维空间，所述映射函数包括MATLAB库中的Gaussian Radial Basis Function函数、高斯函数等。

例如，所述低维特征语义为二维平面中的点，则可利用映射函数对该二维平面中的点的二维坐标进行计算，以将二维坐标转换为三维坐标，并利用计算得到的三维坐标将点映射至预先构建的三维空间，得到该低维特征语义的高维特征语义。

将所述低维特征语义映射至预先构建的高维空间，可提高该低维特征的可分类性，进而提高从得到的高维特征语义中对特征进行筛选，得到信息语义的精确度。

本发明实施例中，可利用预设的激活函数计算所述高维特征语义中每个特征语义的输出值，并选取所述输出值大于预设的输出阈值的特征语义为信息语义，所述激活函数包括但不限于sigmoid激活函数、tanh激活函数、relu激活函数。

例如，高维特征语义中存在特征语义A、特征语义B和特征语义C，分别利用激活函数对特征语义A、特征语义B和特征语义C进行计算，得到特征语义A的输出值为80，特征语义B的输出值为30，特征语义C的输出值为70，当输出阈值为50时，则将特征语义A与特征语义C输出为所述目标信息的信息语义。

本发明实施例中，可通过预设的向量转换模型对所述信息语义进行向量转换，得到信息向量，所述向量转换模型包括但不限于word2vec模型、Bert模型。

本发明实施例中，获取所述信息向量后，可将所述信息向量进行向量拼接，以生成所述标准用户画像。

本发明实施例中，所述将所有基础信息对应的语义向量拼接为所述标准用户画像，包括：

统计所述信息向量中所有向量的向量长度；

确定所述向量长度中的最大值为目标长度；

利用预设参数将所有信息向量的长度延长至所述目标长度；

将长度延长后的所有信息向量进行列维度合并，得到所述标准用户画像。

详细地，由于所述信息向量的长度可能不相同，因此，为了将所述信息向量进行向量拼接，需要将所述信息向量的向量长度进行统一化。

本发明实施例中，可比对所有信息向量的向量长度，并对向量长度较短的向量进行向量延长，以使得所有信息向量的向量量长度相同。

例如，信息向量中存在向量A：[11，36，22]，向量B：[14，25，31，27]，经过统计可知，向量A的向量长度为3，向量B的向量长度为4，向量B的向量长度大于第一向量长度，则可利用预设参数(如0)对所述向量A进行向量延长，直至所述向量A的向量长度与所述向量B的向量长度相等，得到延长后的向量A：[11，36，22，0]。

本发明实施例中，可通过将两个向量中对应列元素相加的形式将所述两个向量进行列维度合并。

本发明实施例中，还可通过将两个向量中对应列元素进行并行展示的方式，利用两个向量生成矩阵，进而实现向量间的列维度合并。

例如，信息向量为[11，36，22，0]，第二语义向量为[14，25，31，27]，则可将所述信息向量中对应列的元素进行并行展示，得到矩阵

并将该矩阵作为所述标准用户画像。

S2、获取所述用户的特定行为信息，查询拥有所述特定行为信息的N个用户为关联用户。

本发明实施例中，所述特定行为信息包括所述用户对不同资讯的点击次数、点击时间分布、页面退出率、附件点击次数、反馈建议、推荐分享、名片分享、热线拨打等操作的记录，例如，用户在历史时间内对资讯A浏览了1次，对资讯B浏览了2次。

详细地，所述获取所述用户的特定行为信息的步骤，与S1中获取用户的基础信息的步骤一致，再此不做赘述。

本发明其中一个实际应用场景中，不同的资讯的受众不一致，因此浏览相同资讯的不同用户之间存在着一定的关联性，进而，可查询拥有所述特定行为信息的多个用户为所述用户的关联用户。

本发明实施例中，参图3所示，所述查询拥有所述特定行为信息的N个用户为关联用户，包括：

S31、获取M个用户的特定行为信息表，其中，M大于或等于N；

S32、构建所述特定行为信息表的索引；

S33、根据所述特定行为信息在所述索引中进行检索，得到包含所述特定行为信息的索引；

S34、确定包含所述特定行为信息的索引对应的用户为所述关联用户。

详细地，所述特定行为信息表可由业务人员预先上传，所述特定行为信息表中包含M个用户，以及每个用户对应的特定行为信息。

具体地，可利用SQL库中的CREATE INDEX函数创建所述特定行为信息表的索引。

示例性地，可利用如下CREATE INDEX函数创建所述特定行为信息表的索引：

CREATE INDEX index-name

ON table-name(column-name)

其中，index-name为创建的索引名称，table-name为所述特定行为信息表的表名，column-name为所述特定行为信息表内需要创建索引的数据列的列名。

本发明实施例中，可在所述索引中对所述特定行为信息进行检索，得到包含所述特定行为信息的索引，并确定包含所述特定行为信息的索引对应的用户为所述关联用户。

本发明实施例中，通过特定行为信息分析出所述用户的关联用户，可实现在改用户的浏览记录较少时，对关联用户的查找，以便于后续根据关联用户的数据对该用户进行资讯推荐，提升了在改用户的浏览记录较少时，对用户进行资讯推荐的精确度。

S3、获取每个所述关联用户的关联用户画像，分别计算所述标准用户画像与每个所述关联用户画像之间的距离值，并确定所述距离值小于预设阈值的关联用户画像对应的关联用户为目标用户。

本发明实施例中，所述关联用户画像为预先根据每个关联用户的基础信息，按照如S1根据所述基础信息生成标准用户画像的步骤生成的每个关联用户对应的画像。

本发明其中一个实际应用场景中，由于所述关联用户是仅通过对用户少量的浏览记录进行分析得到的，因此，若直接根据所述关联用户对所述用户进行资讯推荐，会导致资讯推荐的精确度降低，因此，可分别计算所述标准用户画像与每个所述关联用户画像之间的距离值，以筛选出所述距离值小于预设阈值的关联用户画像对应的关联用户为目标用户，实现对所述关联用户的筛选，提高后续对所述用户进行资讯推荐的精确度。

本发明实施例中，所述分别计算所述标准用户画像与每个所述关联用户画像之间的距离值，包括：

利用如下距离值算法分别计算所述标准用户画像与每个所述关联用户画像之间的距离值：

其中，D为所述距离值，x为所述标准用户画像，y_i为第i个关联用户画像。

详细地，可筛选出与所述标准用户画像之间距离值小于预设阈值的关联用户画像对应的关联用户为目标用户。

S4、获取每个所述目标用户的特定行为信息，根据每个所述目标用户的特定行为信息统计所述用户对不同资讯的偏好概率。

本发明实施例中，所述目标用户的特定行为信息包括每个所述目标用户在历史时间内浏览过的资讯的记录，例如，关联用户X在历史时间内对资讯A和资讯B的浏览时间、浏览次数等数据，关联用户Y在历史时间内对资讯A和资讯B的浏览时间、浏览次数等数据。

详细地，所述获取每个所述目标用户的特定行为信息的步骤，与S2中获取所述用户的特定行为信息的步骤一致，在此不做赘述。

本发明实施例中，所述根据每个所述目标用户的特定行为信息统计所述用户对不同资讯的偏好概率，包括：

从所述目标用户中逐个选取其中一个目标用户；

统计被选取的目标用户的特定行为信息中不同资讯的浏览次数；

根据每个被选取的目标用户对不同资讯的浏览次数计算每个不同资讯被所有目标用户浏览的总次数；

逐个从所述不同资讯中选取一个资讯为目标资讯，计算所述于目标资讯被所有目标用户浏览的总次数在所述每个不同资讯被所有目标用户浏览的总次数之和内的占比权重；

确定所述占比权重为所述用户对所述目标资讯的偏好概率。

例如，所述目标用户中存在用户A和用户B，其中，用户A对资讯a的浏览次数为10次，用户A对资讯b的浏览次数为40次，用户B对资讯a的浏览次数为30次，用户B对资讯b的浏览次数为20次，则资讯a被所有目标用户(用户A和用户B)浏览的总次数为40次，资讯b被所有目标用户(用户A和用户B)浏览的总次数为60次，进而，可计算得出资讯a被所有目标用户浏览的总次数在所述每个不同资讯被所有目标用户浏览的总次数之和内的占比权重为40％，资讯b被所有目标用户浏览的总次数在所述每个不同资讯被所有目标用户浏览的总次数之和内的占比权重为60％，因此，可确定用户对资讯a的偏好概率为40％，用户对资讯a的偏好概率为60％。

本发明实施例中，通过对每个目标用户的特定行为信息进行综合分析，以确定所述用户对不同资讯的偏好概率，有利于提高后续根据对所述用户进行资讯推荐的精确度。

S5、按照所述偏好概率从大到小的顺序生成资讯推荐清单，并将所述资讯推荐清单的前K个资讯输出给所述用户。

本发明实施例中，可按照所述偏好概率从大到小的顺序生成资讯推荐清单，进而将所述资讯推荐清单中靠前的K个资讯输出给所述用户，以实现对该用户的资讯推荐。

本发明实施例能够通过用户对资讯的浏览记录查询到与所述用户具有关联关系的关联用户，并利用该用户的基础信息生成的用户画像从关联用户中筛选出与所述用户相似度较大的目标用户，进而对目标用户的特定行为信息进行分析，以实现对该用户的资讯推荐，即使在该用户的特定行为信息较少时，也可通过对关联用户的筛选与分析，提高对该用户进行资讯推荐的精确度。因此本发明提出的基于行为分析的产品推荐方法，可以解决对用户进行资讯推荐的精确度较低。

如图4所示，是本发明一实施例提供的基于行为分析的产品推荐装置的功能模块图。

本发明所述基于行为分析的产品推荐装置100可以安装于电子设备中。根据实现的功能，所述基于行为分析的产品推荐装置100可以包括画像生成模块101、用户查询模块102、用户筛选模块103、概率计算模块104及资讯推荐模块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。

在本实施例中，关于各模块/单元的功能如下：

所述画像生成模块101，用于获取用户的基础信息，根据所述基础信息生成标准用户画像；

所述用户查询模块102，用于获取所述用户的特定行为信息，将所述特定行为信息添加至所述标准用户画像内，并查询拥有所述特定行为信息的N个用户为关联用户；

所述用户筛选模块103，用于获取每个所述关联用户的关联用户画像，分别计算所述标准用户画像与每个所述关联用户画像之间的距离值，并确定所述距离值小于预设阈值的关联用户画像对应的关联用户为目标用户；

所述概率计算模块104，用于获取每个所述目标用户的特定行为信息，根据每个所述目标用户的特定行为信息统计所述用户对不同资讯的偏好概率；

所述资讯推荐模块105，用于按照所述偏好概率从大到小的顺序生成资讯推荐清单，并将所述资讯推荐清单输出给所述用户。

详细地，本发明实施例中所述基于行为分析的产品推荐装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于行为分析的产品推荐方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

如图5所示，是本发明一实施例提供的实现基于行为分析的产品推荐方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于行为分析的产品推荐程序。

其中，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(ControlUnit)，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(例如执行基于行为分析的产品推荐程序等)，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。

所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure 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，例如基于行为分析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。

所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线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。

所述通信接口13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。

图中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，图中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。

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。

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。

所述电子设备1中的所述存储器11存储的基于行为分析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：

获取用户的基础信息，根据所述基础信息生成标准用户画像；

获取所述用户的特定行为信息，将所述特定行为信息添加至所述标准用户画像内，并查询拥有所述特定行为信息的N个用户为关联用户；

获取每个所述关联用户的关联用户画像，分别计算所述标准用户画像与每个所述关联用户画像之间的距离值，并确定所述距离值小于预设阈值的关联用户画像对应的关联用户为目标用户；

获取每个所述目标用户的特定行为信息，根据每个所述目标用户的特定行为信息统计所述用户对不同资讯的偏好概率；

按照所述偏好概率从大到小的顺序生成资讯推荐清单，并将所述资讯推荐清单输出给所述用户。

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。

进一步地，所述电子设备1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)。

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：

获取用户的基础信息，根据所述基础信息生成标准用户画像；

获取所述用户的特定行为信息，将所述特定行为信息添加至所述标准用户画像内，并查询拥有所述特定行为信息的N个用户为关联用户；

获取每个所述关联用户的关联用户画像，分别计算所述标准用户画像与每个所述关联用户画像之间的距离值，并确定所述距离值小于预设阈值的关联用户画像对应的关联用户为目标用户；

获取每个所述目标用户的特定行为信息，根据每个所述目标用户的特定行为信息统计所述用户对不同资讯的偏好概率；

按照所述偏好概率从大到小的顺序生成资讯推荐清单，并将所述资讯推荐清单输出给所述用户。

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。

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。

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。

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。

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。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

本申请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。

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。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

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。

Claims (10)

1.一种基于行为分析的产品推荐方法，其特征在于，所述方法包括：

获取用户的基础信息，根据所述基础信息生成标准用户画像；

获取所述用户的特定行为信息，将所述特定行为信息添加至所述标准用户画像内，并查询拥有所述特定行为信息的N个用户为关联用户；

获取每个所述关联用户的关联用户画像，分别计算所述标准用户画像与每个所述关联用户画像之间的距离值，并确定所述距离值小于预设阈值的关联用户画像对应的关联用户为目标用户；

获取每个所述目标用户的特定行为信息，根据每个所述目标用户的特定行为信息统计所述用户对不同资讯的偏好概率；

按照所述偏好概率从大到小的顺序生成资讯推荐清单，并将所述资讯推荐清单输出给所述用户。

2.如权利要求1所述的基于行为分析的产品推荐方法，其特征在于，所述根据所述基础信息生成标准用户画像，包括：

从所述基础信息中逐个选取其中一个信息为目标信息；

对所述目标信息进行核心语义提取，得到信息语义；

对所述核心语义进行向量转换，得到语义向量；

将所有基础信息对应的语义向量拼接为所述标准用户画像。

3.如权利要求2所述的基于行为分析的产品推荐方法，其特征在于，所述对所述目标信息进行核心语义提取，得到信息语义，包括：

对所述目标信息进行卷积、池化处理，得到所述目标信息的低维特征语义；

将所述低维特征语义映射至预先构建的高维空间，得到高维特征语义；

利用预设的激活函数对所述高维特征语义进行筛选，得到信息语义。

4.如权利要求2所述的基于行为分析的产品推荐方法，其特征在于，所述将所有基础信息对应的语义向量拼接为所述标准用户画像，包括：

统计所述信息向量中所有向量的向量长度；

确定所述向量长度中的最大值为目标长度；

利用预设参数将所有信息向量的长度延长至所述目标长度；

将长度延长后的所有信息向量进行列维度合并，得到所述标准用户画像。

5.如权利要求1所述的基于行为分析的产品推荐方法，其特征在于，所述查询拥有所述特定行为信息的N个用户为关联用户，包括：

获取M个用户的特定行为信息表，其中，M大于或等于N；

构建所述特定行为信息表的索引；

根据所述特定行为信息在所述索引中进行检索，得到包含所述特定行为信息的索引；

确定包含所述特定行为信息的索引对应的用户为所述关联用户。

6.如权利要求1所述的基于行为分析的产品推荐方法，其特征在于，所述分别计算所述标准用户画像与每个所述关联用户画像之间的距离值，包括：

利用如下距离值算法分别计算所述标准用户画像与每个所述关联用户画像之间的距离值：

其中，D为所述距离值，x为所述标准用户画像，y_i为第i个关联用户画像。

7.如权利要求1至6中任一项所述的基于行为分析的产品推荐方法，其特征在于，所述根据每个所述目标用户的特定行为信息统计所述用户对不同资讯的偏好概率，包括：

从所述目标用户中逐个选取其中一个目标用户；

统计被选取的目标用户的特定行为信息中不同资讯的浏览次数；

根据每个被选取的目标用户对不同资讯的浏览次数计算每个不同资讯被所有目标用户浏览的总次数；

逐个从所述不同资讯中选取一个资讯为目标资讯，计算所述于目标资讯被所有目标用户浏览的总次数在所述每个不同资讯被所有目标用户浏览的总次数之和内的占比权重；

确定所述占比权重为所述用户对所述目标资讯的偏好概率。

8.一种基于行为分析的产品推荐装置，其特征在于，所述装置包括：

画像生成模块，用于获取用户的基础信息，根据所述基础信息生成标准用户画像；

用户查询模块，用于获取所述用户的特定行为信息，将所述特定行为信息添加至所述标准用户画像内，并查询拥有所述特定行为信息的N个用户为关联用户；

用户筛选模块，用于获取每个所述关联用户的关联用户画像，分别计算所述标准用户画像与每个所述关联用户画像之间的距离值，并确定所述距离值小于预设阈值的关联用户画像对应的关联用户为目标用户；

概率计算模块，用于获取每个所述目标用户的特定行为信息，根据每个所述目标用户的特定行为信息统计所述用户对不同资讯的偏好概率；

资讯推荐模块，用于按照所述偏好概率从大到小的顺序生成资讯推荐清单，并将所述资讯推荐清单输出给所述用户。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于行为分析的产品推荐方法。

10.一种计算机可读存储介质，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权利要求1至7中任意一项所述的基于行为分析的产品推荐方法。

Images