CN113744030A - 基于ai用户画像的推荐方法、装置、服务器及介质 - Google Patents

Abstract

本申请适用于用户画像技术领域，尤其涉及一种基于AI用户画像的推荐方法、装置、服务器及介质。该方法在推荐服务被触发时，获取触发该推荐服务的触发用户的行为数据，在检测到行为数据的数据量未达到目标数量时，将目标数据写入行为数据，其中，目标数据为行为数据中行为属性达到要求的数据，在达到目标数量时，根据写入后的行为数据，从目标场景下的用户画像数据库中匹配出目标用户，将目标用户在用户画像数据库中的用户画像数据推荐给触发用户，将目标数据加入原有的行为数据中，能够避免数据量不足的情况，基于人工智能的画像匹配，将匹配到的目标用户的行为数据推荐给触发用户，从而可以提高推荐的准确度。

Description

基于AI用户画像的推荐方法、装置、服务器及介质

技术领域

本申请属于用户画像技术领域，尤其涉及一种基于AI用户画像的推荐方法、装置、服务器及介质。

背景技术

目前，在用户购买产品或消费时，如何智能化引导用户进行选购成为主要关注的问题。用户在一种场景下产生购买或消费行为，如线上购买理财产品、线下购买衣物等，这些行为反映了用户的喜好，这些行为可以被收集和分析，从而向用户推荐与这些行为对应购买的产品等相似的产品，从而为用户提供导购服务，方便用户选择和购买。但是针对某一场景下用户的行为数据的数据量较少的情况下，直接分析行为数据来推荐产品的推荐准确度较低，不利于导购服务的使用。

发明内容

有鉴于此，本申请实施例提供了一种基于AI用户画像的推荐方法、装置、服务器及介质，以解决在用户的行为数据的数据量较少时推荐的准确度较低的问题。

第一方面，本申请实施例提供一种基于AI用户画像的推荐方法，所述推荐方法包括：

在推荐服务被触发时，获取触发用户在目标场景下的行为数据，所述触发用户是指触发所述推荐服务的用户；

在检测到所述行为数据的数据量未达到目标数量时，获取目标数据，并将所述目标数据重复写入所述行为数据，直至写入后的行为数据的数据量达到所述目标数量，所述目标数据为所述行为数据中行为属性达到要求的数据；

根据所述写入后的行为数据，从所述目标场景下的用户画像数据库中匹配出目标用户；

将所述目标用户在所述用户画像数据库中的用户画像数据推荐给所述触发用户。

第二方面，本申请实施例提供一种基于AI用户画像的推荐装置，所述推荐装置包括：

行为数据获取模块，用于在推荐服务被触发时，获取触发用户在目标场景下的行为数据，所述触发用户是指触发所述推荐服务的用户；

写入模块，用于在检测到所述行为数据的数据量未达到目标数量时，获取目标数据，并将所述目标数据重复写入所述行为数据，直至写入后的行为数据的数据量达到所述目标数量，所述目标数据为所述行为数据中行为属性达到要求的数据；

匹配模块，用于根据所述写入后的行为数据，从所述目标场景下的用户画像数据库中匹配出目标用户；

推荐模块，用于将所述目标用户在所述用户画像数据库中的用户画像数据推荐给所述触发用户。

第三方面，本申请实施例提供一种服务器，所述服务器包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的推荐方法。

第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的推荐方法。

第五方面，本申请实施例提供一种计算机程序产品，当计算机程序产品在服务器上运行时，使得服务器执行上述第一方面所述的推荐方法。

本申请实施例与现有技术相比存在的有益效果是：本申请在推荐服务被触发时，获取触发该推荐服务的触发用户的行为数据，在检测到行为数据的数据量未达到目标数量时，将目标数据写入行为数据，其中，目标数据为行为数据中行为属性达到要求的数据，在达到目标数量时，根据写入后的行为数据，从目标场景下的用户画像数据库中匹配出目标用户，将目标用户在用户画像数据库中的用户画像数据推荐给触发用户，将目标数据加入原有的行为数据中，能够避免数据量不足的情况，基于人工智能的画像匹配，将匹配到的目标用户的行为数据推荐给触发用户，从而可以提高推荐的准确度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例一提供的一种基于AI用户画像的推荐方法的流程示意图；

图2是本申请实施例二提供的一种基于AI用户画像的推荐方法的流程示意图；

图3是本申请实施例三提供的一种基于AI用户画像的推荐装置的结构示意图；

图4是本申请实施例四提供的一种服务器的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

本申请实施例中的服务器可以是掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、云端服务器、个人数字助理(personal digital assistant，PDA)等，本申请实施例对服务器的具体类型不作任何限制。

应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

为了说明本申请的技术方案，下面通过具体实施例来进行说明。

参见图1，是本申请实施例一提供的一种基于人工智能(ArtificialIntelligence，AI)用户画像的推荐方法的流程示意图，AI用户画像是对采集的用户数据进行清洗、拉通、整合以及分析建模等处理后，形成以用户行为等用户特征来对用户进行画像。上述推荐方法应用于服务器，服务器中为用户的终端设备上的客户端APP或小程序等提供服务，用户在终端设备上的客户端APP或小程序中可以通过触发按键的方式来触发推荐服务，或者当用户在终端设备上的客户端APP或小程序中出现浏览商品等行为时自动触发推荐服务。服务器连接的相应数据库，以获取相应的数据。如图1所示，该推荐方法可以包括以下步骤：

步骤S101，在推荐服务被触发时，获取触发用户在目标场景下的行为数据。

其中，触发用户是指触发推荐服务的用户，上述行为数据可以是指触发用户在目标场景下的行为的集合，该行为包括购买商品、浏览商品、购买基金产品、浏览基金产品等行为，购买商品或基金产品的行为对应的数据可以包括商品或产品的数量、基金产品的类型、风险等级、购买时间、次数、金额大小等。

场景可以是指行为发生对应的情景，如购买基金的行为对应的情景为基金消费。目标场景可以是任一预设的场景，如基金消费的场景下的行为数据为购买基金、卖出基金等行为。

在一种实施方式中，在推荐服务被触发时，服务器接收触发推荐服务的触发用户的基本信息，可以从与该服务器连接的行为数据库中查询到触发用户的行为数据。举例说明，当推荐服务被触发时，服务器获取触发用户的基本信息，包括触发用户的身份识别号(Identity document，ID)、手机号、用户名称等信息，根据该上述信息从与服务器连接的行为数据库中查询，行为数据库将查询到的行为数据反馈给服务器。

在一个实施方式中，在获取触发用户的基本信息之前，可先询问触发用户是否允许该服务器获取该触发用户的基本信息，经触发用户允许方可向服务器发送基本信息，以实现查询，否则结束当次推荐服务。若触发用户不允许该服务器获取该触发用户的基本信息，则向触发用户输出放权提醒，具体可以是，在触发用户所在终端设备上形成放权提醒信息，放权提醒用于提醒用户授予终端设备发送基本信息的权限，即提醒用户需允许向该服务器发送基本信息的情况下方可继续执行推荐服务。例如，在上述触发用户的终端设备上的客户端APP中弹出“放权提醒”的对话框，触发用户可在对话框中进行选择操作。

触发用户在其终端设备上客户端APP或者小程序出现浏览商品等行为时自动触发推荐服务，一个客户端APP或者小程序可以对应一个场景，将客户端APP或者小程序的类型发送至服务器，可以指示服务器仅获取该类型对应的行为数据，即实现目标场景下的行为数据的获取。举例说明，当触发用户运行目标客户端时，自动触发推荐服务，将目标客户端的类型以及目标客户端中用户的登录信息发送至服务器，服务器可以根据目标客户端的类型，选择对应的行为数据库，从而基于用户的登录信息查询得到该触发用户的行为数据，或者服务器从行为数据库中以目标客户端的类型和用户的登录信息作为查询条件，查询到行为数据。

本申请中，服务器还可提供行为采集服务，通过自动采集或者人工采集等方式，采集用户的基本信息、行为以及对应的场景，包括用户在客户端上的浏览行为、用户在线下的购买行为等，若通过用户终端设备上的客户端APP进行自动采集，则对应的场景可以是客户端的类型，如电商平台类型的客户端APP、理财平台类型的客户端APP。

服务器提供的行为采集服务可以用于建立全场景用户画像，根据用户线下和线上的行为活动，采集用户的基本信息，包括用户年龄、身高、性别、住址、爱好、习惯、学历和收入等，采集过程包括：用户在线下登记，用户在线上注册，线上和线下问卷调查等方式。服务器可以将建立的全场景用户画像存储于用户画像数据库，以实现后续用户画像的匹配工作。在建立用户画像时，通过映射map记录创建的用户画像ID与行为数据等之间的对应关系。

采集用户的基本信息和行为数据后，由于通过不同采集方式，采集到数据存在不完全的、有噪音或不一致的，因此，可以在采集时对数据进行清洗预处理，得到相同结构的数据，清洗预处理中可以将基本信息和行为数据中重要属性残缺的用户剔除，如基本信息中没有性别、年龄等重要数据时，剔除该用户。

步骤S102，在检测到行为数据的数据量未达到目标数量时，获取目标数据，并将目标数据重复写入行为数据，直至写入后的行为数据的数据量达到目标数量。

其中，目标数据为行为数据中行为属性达到要求的数据。行为数据的数据量可以是指行为数据中行为的数量，如行为数据中包括两次购买行为，行为数据的数据量为2。

在采集行为数据时，服务器可以将每个行为进行编号，每个行为的编号下为行为属性及其具体内容，因此，根据行为数据的编号可以确定行为数据的数据量。为了满足数据的有效性，需要对少量的数据进行扩充，从而达到后续AI匹配或识别的标准，提高AI匹配或识别的准确性。

为了增加数据量，同时体现目标数据的重要程度，因此，将目标数据重复写入行为数据，直至写入后的行为数据的数据量达到目标数量，此时，由于行为数据本身包括一个目标数据，因此，写入后的行为数据包括至少两个目标数据。

行为数据的行为属性可以是指行为发生的时间、行为发生的次数、行为对应的消费金额大小等。不同的行为属性对应的要求可以不同，行为属性达到要求可以是指针行为发生的时间距离当前时间最近，行为发生的次数最高，行为对应的消费金额最大等。

可选的是，获取目标数据包括：

获取行为数据中每个数据的发生时间；

确定行为数据中发生时间与当前时间距离最近的数据为目标数据。

其中，以时间为条件，将发生在最近的行为作为需要着重考虑的行为，将其重复写入行为数据可以增加该最近的行为的权重，从而保证行为数据的数据量和有效性。

可选的是，获取目标数据包括：

获取行为数据中每个数据的发生次数；

确定行为数据中发生次数大于次数阈值的数据为目标数据。

其中，以发生次数为条件，将发生次数较高的行为作为需要着重考虑的行为，将其重复写入行为数据可以增加该发送次数较高的行为的权重，从而保证行为数据的数据量和有效性。

可选的是，获取目标数据包括：

获取行为数据中每个数据的金额；

确定行为数据中金额大于金额阈值的数据为目标数据。

其中，以金额为条件，将消费金额较大的行为作为需要着重考虑的行为，将其重复写入行为数据可以增加该消费金额较大的行为的权重，从而保证行为数据的数据量和有效性。

可选的是，在获取触发用户在目标场景下的行为数据之后，还包括：

检测行为数据中每个数据的行为属性是否缺少目标属性；

将检测到缺少目标属性的数据，从行为数据中删除，得到清洗后的行为数据；

相应地，在检测到行为数据的数据量未达到目标数量时，获取目标数据，并将目标数据重复写入行为数据，直至写入后的行为数据的数据量达到目标数量包括：

在检测到清洗后的行为数据的数据量未达到目标数量时，获取目标数据，并将目标数据重复写入清洗后的行为数据，直至写入后的行为数据的数据量达到目标数量。

其中，为了保证行为数据的结构统一，避免出现一些没有有效内容的行为数据，在使用行为数据时，将没有有效内容的行为数据剔除，能够保证准确度和有效性。

根据行为数据中每个行为属性进行分析，确定其中较为重要的行为属性为目标属性，目标属性包括至少一个行为属性。举例说明，行为数据包括金额、时间、发生次数、商品名称等行为属性，其中，金额、时间、发生次数等行为属性较为重要，缺少上述三个行为属性可能会导致数据不可用，因此，目标属性可以为金额、时间、发生次数。

步骤S103，根据写入后的行为数据，从目标场景下的用户画像数据库中匹配出目标用户。

服务器连接用户画像数据库以获取用户画像及对应的行为数据，将触发用户的行为数据和用户画像数据库中的行为数据输入上述神经网络智能决策模型，通过筛选和智能匹配，为触发用户匹配出相似度最高的行为数据，将该行为数据对应的用户作为目标用户，确定该目标用户的用户画像ID。

上述匹配时可以使用训练好的神经网络智能决策模型，该神经网络智能决策模型需要输入为大量的用户画像ID及对应的行为数据进行训练，首先对该神经网络智能决策模型初始化行为权重，设置偏好阈值，再将大量的训练集送入该神经网络智能决策模型，得出偏差，调整行为权重和阈值，该神经网络智能决策模型可以采用相似度匹配的方式构建，经过训练后，能够对行为数据进行智能分类和匹配。

在消费场景下，基于触发用户的订单数据以及包含用户画像ID和对应的订单数据的订单数据库，结合神经网络智能决策模型，通过筛选和智能匹配，为触发用户匹配出相似度最高的订单数据对应的用户画像ID，从而以用户画像ID对应的订单数据中为触发用户提供针对性导购推荐，方便触发用户选择和购买。

举例说明，用户A(画像ID为1003)进入某个消费场景S1(线下场景，购买理财产品)，根据消费场景S1，从全场景用户订单数据库筛选出符合消费场景S1的所有用户画像ID，调取这些用户画像ID的订单信息，输入全场景智能决策模型，通过模型的相似度匹配出画像相似度最高的用户B(画像ID为1001)，根据全场景用户订单数据库，调取用户B在消费场景S1的订单信息，把订单信息通过线下导购屏、办理窗口推荐给用户A，比如推荐如下：某用户B，性别：男，年龄：30，爱好：旅游，学历：本科，在某时间，购买xx基金，购买数量10万份，该基金类型为货币型，赎回规则为T+0，风险等级为低风险，做到有针对性的导购推荐，方便用户A选择和购买。

步骤S104，将目标用户在用户画像数据库中的用户画像数据推荐给触发用户。

本申请能够获取目标用户在用户画像数据库中的行为数据，从而将其推荐给触发用户。服务器在确定目标用户之后，将目标用户的用户画像ID发送给用户画像数据库，用户画像数据库将对应的行为数据反馈给触发用户的终端设备，用以在该终端设备的客户端APP中的显示反馈的行为数据，该反馈的行为数据可以包括基本信息、部分或者全部的行为。

可选的是，将目标用户在用户画像数据库中的用户画像数据推荐给触发用户包括：

从目标用户在用户画像数据库中的用户画像数据中筛选出推荐数据，将推荐数据发送给触发用户。

其中，预先设定筛选的规则，从而根据该规则从反馈的行为数据中筛选出需要推送的数据或者关键行为。本申请中，预设的规则可以用于筛选出用户画像数据中的用户的基本信息和关键行为。例如，关键行为可以是指在消费场景下，消费金额较大的订单及其对应的商品名称、店铺名称等数据，用户的基本信息可以是指年龄、性别等数据。

本申请实施例在推荐服务被触发时，获取触发该推荐服务的触发用户的行为数据，在检测到行为数据的数据量未达到目标数量时，将目标数据写入行为数据，其中，目标数据为行为数据中行为属性达到要求的数据，在达到目标数量时，根据写入后的行为数据，从目标场景下的用户画像数据库中匹配出目标用户，将目标用户在用户画像数据库中的用户画像数据推荐给触发用户，将目标数据加入原有的行为数据中，能够避免数据量不足的情况，基于人工智能的画像匹配，将匹配到的目标用户的行为数据推荐给触发用户，从而可以提高推荐的准确度。

参见图2，是本申请实施例二提供的一种基于AI用户画像的推荐方法的流程示意图，如图2所示，该推荐方法可以包括以下步骤：

步骤S201，在推荐服务被触发时，获取触发用户在目标场景下的行为数据。

步骤S202，在检测到行为数据的数据量未达到目标数量时，获取目标数据，并将目标数据重复写入行为数据，直至写入后的行为数据的数据量达到目标数量。

其中，步骤S201至步骤S202与上述步骤S101至步骤S102的内容型相同，可参考步骤S101至步骤S102的描述，在此不再赘述。

步骤S203，根据写入后的行为数据，对触发用户进行用户画像，得到触发用户画像数据。

首先建立触发用户的ID，再对行为数据进行处理，提取特征数据，如关键词提取、相同行为叠加等，然后，将特征数据与触发用户的ID相关联，触发用户画像数据即为触发用户ID以及其对应的特征数据。

其中，上述行为数据内含有很多行为，为了提高后续匹配的效率和准确度，需要根据行为数据对触发用户生成用户画像。首先，将多渠道获取触发用户的行为数据打通，即将多个数据源与该触发用户的基本信息打通，其中，可以把触发用户的手机号、身份证等基本信息视为触发用户的ID，如果触发用户的基本信息在不同数据源，那么需要进行连接，从而构建一张关联图，其中，相同的ID可以视为同一个用户，从而实现将同一用户的多种类型的数据拉通，拉通可以基于图的方法进行强拉通，也可以采用机器学习的方法进行模糊拉通，预测出拉通的概率。

另外，拉通的可信程度由业务的密度决定，密度越高，对可信度的要求越高，比如，推荐是低密度业务，即使识别错误，影响比较小，但对于电商的短信通知服务，如果识别错误，用户体验就会较差。

用户画像的底层是机器学习，那么无论是要做客户分群还是精准营销，都先要将用户数据进行规整处理，转化为相同维度的特征向量，然后才能够使用聚类，回归，关联，各种分类器等进行画像。

对于结构化数据而言，特征提取工作往往都是从给数据打标签开始的，比如购买渠道，消费频率，年龄性别，家庭状况等。正确选择特征标签可以使对用户刻画变得更加丰富，也能提升机器学习算法的效果，如准确度，收敛速度等。

步骤S204，从用户画像数据库中提取目标场景下所有用户画像数据。

本申请的服务器连接用户画像数据库，以目标场景作为查询条件，从用户画像数据库中查询到该目标场景下所有用户画像数据，该用户画像数据库将这些用户画像数据反馈至服务器。其中，用户画像数据包括用户画像ID及其对应的数据。

步骤S205，将触发用户画像数据与所有用户画像数据进行匹配，确定与触发用户画像数据匹配的用户画像数据对应的用户为目标用户。

触发用户画像数据与用户画像数据之间的匹配为数据与数据的匹配，如触发用户画像数据中每个行为数据与用户画像数据中的每个行为数据进行一一比对。其中，比对可以是指将行为数据的特征向量等特征进行相似度对比，从而得到任意两个行为数据之间的相似度情况，量化后可以得到匹配值，最后，得到触发用户画像数据与每个用户画像数据之间的匹配值，将匹配值最高或者匹配值大于匹配值阈值的用户画像数据对应的用户作为目标用户。

本申请中，可以使用训练好的智能决策模型对触发用户画像数据进行匹配运算，从而可以确定与触发用户的行为较为相似的目标用户。

步骤S206，将目标用户在用户画像数据库中的用户画像数据推荐给触发用户。

其中，步骤S206与上述步骤S104的内容型相同，可参考步骤S104的描述，在此不再赘述。

本申请实施例先根据行为数据对触发用户进行画像，再将画像后的数据与用户画像数据库中的数据进行匹配，可以提高匹配的效率和准确度。

对应于上文实施例的推荐方法，图3示出了本申请实施例三提供的基于AI用户画像的推荐装置的结构框图，上述推荐装置应用于服务器，服务器中为用户的终端设备上的客户端APP或小程序等提供服务，用户在终端设备上的客户端APP或小程序中可以通过触发按键的方式来触发推荐服务，或者当用户在终端设备上的客户端APP或小程序中出现浏览商品等行为时自动触发推荐服务。服务器连接的相应数据库，以获取相应的数据。为了便于说明，仅示出了与本申请实施例相关的部分。

参见图3，该推荐装置包括：

行为数据获取模块31，用于在推荐服务被触发时，获取触发用户在目标场景下的行为数据，触发用户是指触发推荐服务的用户；

写入模块32，用于在检测到行为数据的数据量未达到目标数量时，获取目标数据，并将目标数据重复写入行为数据，直至写入后的行为数据的数据量达到目标数量，目标数据为行为数据中行为属性达到要求的数据；

匹配模块33，用于根据写入后的行为数据，从目标场景下的用户画像数据库中匹配出目标用户；

推荐模块34，用于将目标用户在用户画像数据库中的用户画像数据推荐给触发用户。

可选的是，上述匹配模块33包括：

画像单元，用于根据写入后的行为数据，对触发用户进行用户画像，得到触发用户画像数据；

提取单元，用于从用户画像数据库中提取目标场景下所有用户画像数据；

匹配单元，用于将触发用户画像数据与所有用户画像数据进行匹配，确定与触发用户画像数据匹配的用户画像数据对应的用户为目标用户。

可选的是，上述推荐模块34包括：

推荐单元，用于从目标用户在用户画像数据库中的用户画像数据中筛选出推荐数据，将推荐数据发送给触发用户。

可选的是，上述写入模块32包括：

时间获取单元，用于获取行为数据中每个数据的发生时间；

第一确定单元，用于确定行为数据中发生时间与当前时间距离最近的数据为目标数据。

可选的是，上述写入模块32包括：

次数获取单元，用于获取行为数据中每个数据的发生次数；

第二确定单元，用于确定行为数据中发生次数大于次数阈值的数据为目标数据。

可选的是，上述写入模块32包括：

金额获取单元，用于获取行为数据中每个数据的金额；

第三确定单元，用于确定行为数据中金额大于金额阈值的数据为目标数据。

可选的是，该推荐装置还包括：

检测模块，用于在获取触发用户在目标场景下的行为数据之后，检测行为数据中每个数据的行为属性是否缺少目标属性；

清洗模块，用于将检测到缺少目标属性的数据，从行为数据中删除，得到清洗后的行为数据；

相应地，写入模块32具体用于：

在检测到清洗后的行为数据的数据量未达到目标数量时，获取目标数据，并将目标数据重复写入清洗后的行为数据，直至写入后的行为数据的数据量达到目标数量。

需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

图4为本申请实施例四提供的一种服务器的结构示意图。如图4所示，该实施例的服务器4包括：至少一个处理器40(图4中仅示出一个)、存储器41以及存储在存储器41中并可在至少一个处理器40上运行的计算机程序42，处理器40执行计算机程序42时实现上述任意各个推荐方法实施例中的步骤。

该服务器4可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是服务器4的举例，并不构成对服务器4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。

所称处理器40可以是CPU，该处理器40还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器41在一些实施例中可以是服务器4的内部存储单元，例如服务器4的硬盘或内存。存储器41在另一些实施例中也可以是服务器4的外部存储设备，例如服务器4上配备的插接式硬盘，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，存储器41还可以既包括服务器4的内部存储单元也包括外部存储设备。存储器41用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如计算机程序的程序代码等。存储器41还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。集成的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取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

本申请实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在服务器上运行时，使得服务器执行时实现可实现上述方法实施例中的步骤。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/服务器和方法，可以通过其它的方式实现。例如，以上所描述的装置/服务器实施例仅仅是示意性的，例如，模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。

以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于AI用户画像的推荐方法，其特征在于，所述推荐方法包括：

在推荐服务被触发时，获取触发用户在目标场景下的行为数据，所述触发用户是指触发所述推荐服务的用户；

在检测到所述行为数据的数据量未达到目标数量时，获取目标数据，并将所述目标数据重复写入所述行为数据，直至写入后的行为数据的数据量达到所述目标数量，所述目标数据为所述行为数据中行为属性达到要求的数据；

根据所述写入后的行为数据，从所述目标场景下的用户画像数据库中匹配出目标用户；

将所述目标用户在所述用户画像数据库中的用户画像数据推荐给所述触发用户。

2.根据权利要求1所述的推荐方法，其特征在于，所述根据所述写入后的行为数据，从所述目标场景下的用户画像数据库中匹配出目标用户包括：

根据所述写入后的行为数据，对所述触发用户进行用户画像，得到所述触发用户画像数据；

从用户画像数据库中提取所述目标场景下所有用户画像数据；

将所述触发用户画像数据与所有用户画像数据进行匹配，确定与所述触发用户画像数据匹配的用户画像数据对应的用户为目标用户。

3.根据权利要求1所述的推荐方法，其特征在于，将所述目标用户在所述用户画像数据库中的用户画像数据推荐给所述触发用户包括：

从所述目标用户在用户画像数据库中的用户画像数据中筛选出推荐数据，将所述推荐数据发送给所述触发用户。

4.根据权利要求1所述的推荐方法，其特征在于，所述获取目标数据包括：

获取所述行为数据中每个数据的发生时间；

确定所述行为数据中发生时间与当前时间距离最近的数据为所述目标数据。

5.根据权利要求1所述的推荐方法，其特征在于，所述获取目标数据包括：

获取所述行为数据中每个数据的发生次数；

确定所述行为数据中发生次数大于次数阈值的数据为所述目标数据。

6.根据权利要求5所述的推荐方法，其特征在于，所述获取目标数据包括：

获取所述行为数据中每个数据的金额；

确定所述行为数据中金额大于金额阈值的数据为所述目标数据。

7.根据权利要求1至6任一项所述的推荐方法，其特征在于，在所述获取触发用户在目标场景下的行为数据之后，还包括：

检测所述行为数据中每个数据的行为属性是否缺少目标属性；

将检测到缺少目标属性的数据，从所述行为数据中删除，得到清洗后的行为数据；

相应地，在检测到所述行为数据的数据量未达到目标数量时，获取目标数据，并将所述目标数据重复写入所述行为数据，直至写入后的行为数据的数据量达到所述目标数量包括：

在检测到所述清洗后的行为数据的数据量未达到目标数量时，获取目标数据，并将所述目标数据重复写入所述清洗后的行为数据，直至写入后的行为数据的数据量达到所述目标数量。

8.一种基于AI用户画像的推荐装置，其特征在于，所述推荐装置包括：

行为数据获取模块，用于在推荐服务被触发时，获取触发用户在目标场景下的行为数据，所述触发用户是指触发所述推荐服务的用户；

写入模块，用于在检测到所述行为数据的数据量未达到目标数量时，获取目标数据，并将所述目标数据重复写入所述行为数据，直至写入后的行为数据的数据量达到所述目标数量，所述目标数据为所述行为数据中行为属性达到要求的数据；

匹配模块，用于根据所述写入后的行为数据，从所述目标场景下的用户画像数据库中匹配出目标用户；

推荐模块，用于将所述目标用户在所述用户画像数据库中的用户画像数据推荐给所述触发用户。

9.一种服务器，其特征在于，所述服务器包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的推荐方法。

10.一种计算机可读存储介质，所述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任一项所述的推荐方法。

Images