基于双画像的信息推荐方法、装置、电子设备及存储介质与流程

1.本发明涉及数据分析技术领域，尤其涉及一种基于双画像的信息推荐方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.面对当前资讯信息的大爆炸以及用户需求的个性化，信息推荐是知识大爆炸时代解决信息过量的一种有效方案。例如，生态环境管理信息网站提供不同领域的生态环境资讯，包括，大气治理、水污染管理、土壤环境监测、核与辐射监测等领域的生态环境信息，面向不同的生态环境管理者、研究人员、工作人员及生态环境关注者，如何提升信息推荐的准确性，保证不同的信息使用者，快速获取自己所关注的信息是信息运营过程中非常关键的事情。
3.传统的信息推荐方法大多聚焦资讯信息一侧或聚焦于用户一侧，进行相关大数据分析，确定资讯信息与用户的匹配关系。例如，提取资讯信息的特征标签，构建资讯信息的产品画像，基于产品画像向目标用户推送差异化的资讯信息，或者分析用户历史行为数据，构建用户的用户画像，基于用户画像的不同，选择向用户推送个性化的资讯信息，这种仅分析资讯信息数据或仅分析用户数据的方法，忽略了资讯信息数据与用户数据之间的关联性，会导致信息推荐的精准度比较低。


技术实现要素：

4.本发明提供一种基于双画像的信息推荐方法、装置及计算机可读存储介质，其主要目的在于提升信息推荐的准确率。
5.为实现上述目的，本发明提供的一种基于双画像的信息推荐方法，包括：
6.获取第一预设数量的领域的信息数据，利用所述第一预设数量的领域的信息数据，生成每个领域的信息画像；
7.获取第二预设数量的目标用户的基础数据及每个所述目标用户的行为数据，利用所述基础数据及所述行为数据，生成每个所述目标用户的用户画像；
8.计算每个所述用户画像与每个所述信息画像的匹配值，汇集所述匹配值大于预设阈值的信息画像对应的信息数据为待推荐信息；
9.提取每个所述用户画像的关键特征作为核心特征，提取每个所述用户画像对应的待推荐信息的关键特征作为比对特征；
10.计算每个所述核心特征与所述核心特征对应的每个比对特征之间的距离，根据所述距离的大小对每个所述比对特征对应的待推荐消息进行排序，根据排序结果，将所述待推荐消息推荐给每个所述核心特征对应的目标用户。
11.可选地，所述利用所述第一预设数量的领域的信息数据，生成每个领域的信息画像，包括：
12.依次对所述第一预设数量的领域的信息数据中每个领域的信息数据进行核心语
义提取，得到每个所述领域的信息语义；
13.对所述信息语义进行词向量转换，得到信息语义向量；
14.利用所述信息语义向量构建对应领域的信息画像。
15.可选地，所述依次对所述第一预设数量的领域的信息数据中每个领域的信息数据进行核心语义提取，得到每个所述领域的信息语义，包括：
16.对每个所述领域的信息数据进行卷积、池化处理，得到所述信息数据的低维特征语义；
17.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；
18.利用预设的激活函数对所述高维特征语义进行筛选，得到每个所述领域的信息语义。
19.可选地，所述利用所述信息语义向量构建对应领域的信息画像，包括：
20.统计所述信息语义向量中每个向量的向量长度，选取所述向量长度最长的向量为模向量；
21.利用预设参数将所述信息语义向量中剩余的每个向量的长度延长至与所述模向量的向量长度相同；
22.将向量长度延长后的所述信息语义向量中每个向量作为行向量拼接为向量矩阵，将所述向量矩阵作为对应区域的信息画像。
23.可选地，所述提取每个所述用户画像的关键特征作为核心特征，包括：
24.利用预先构建的语义分析模型提取每个所述用户画像中的特征；
25.对每个所述用户画像中的特征进行向量映射，得到特征向量集；
26.从所述特征向量集中，随机选取预设数量的特征向量作为聚类中心；
27.依次计算所述特征向量集中每个特征向量到所述聚类中心的距离，并将每个所述特征向量划分到距离最小的聚类中心对应的类别中，得到多个类别簇；
28.重新计算每个类别簇的聚类中心，并返回上述的依次计算所述特征向量集中每个特征向量到所述聚类中心的距离的步骤，直至所述多个类别簇的聚类中心收敛，将收敛的类别簇对应的类别作为所述用户画像的关键特征。
29.可选地，所述提取每个所述用户画像对应的待推荐信息的关键特征作为比对特征，包括：
30.逐个对每条所述待推荐信息进行分词处理，得到每条所述待推荐信息对应的信息分词；
31.将所有所述信息分词汇集为信息词库；
32.逐个选取每条所述待推荐信息作为待分析信息，并从所述待分析信息对应的信息分词中选取一个信息分词作为目标分词；
33.统计所述目标分词在所述待分析信息对应的信息分词中的第一出现频率，及所述目标分词在所述信息词库中的第二出现频率，计算所述第二出现频率与所述第一出现频率之间的比值；
34.选取所述比值大于预设比值阈值的信息分词作为所述待分析信息的关键特征。
35.可选地，所述计算每个所述核心特征与所述核心特征对应的每个比对特征之间的距离，包括：
36.将每个所述核心特征作为对应目标用户的聚类中心，并将所述聚类中心作为目标标签；
37.依次选择任意一个比对特征作为比对标签，对所述目标标签及所述比较标签进行分词处理，得到目标列表及比较列表；
38.根据所述目标列表及所述比较列表构建编码字典；
39.利用所述编码字典对所述目标列表及所述比较列表进行向量编码，得到目标向量及比较向量；
40.利用预设的余弦相似度计算公式计算所述目标向量与所述比较向量的目标相似度，根据所述目标相似度得到每个所述核心特征与所述核心特征对应的每个比对特征之间的距离。
41.为了解决上述问题，本发明还提供一种基于双画像的信息推荐装置，所述装置包括：
42.信息画像生成模块，用于获取第一预设数量的领域的信息数据，利用所述第一预设数量的领域的信息数据，生成每个领域的信息画像；
43.用户画像生成模块，用于获取第二预设数量的目标用户的基础数据及每个所述目标用户的行为数据，利用所述基础数据及所述行为数据，生成每个所述目标用户的用户画像；
44.待推荐信息生成模块，用于计算每个所述用户画像与每个所述信息画像的匹配值，汇集所述匹配值大于预设阈值的信息画像对应的信息数据为待推荐信息；
45.推荐信息排序模块，用于提取每个所述用户画像的关键特征作为核心特征，提取每个所述用户画像对应的待推荐信息的关键特征作为比对特征；计算每个所述核心特征与所述核心特征对应的每个比对特征之间的距离，根据所述距离的大小对每个所述比对特征对应的待推荐消息进行排序，根据排序结果，将所述待推荐消息推荐给每个所述核心特征对应的目标用户。
46.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：
47.存储器，存储至少一个计算机程序；及
48.处理器，执行所述存储器中存储的程序以实现上述所述的基于双画像的信息推荐方法。
49.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双画像的信息推荐方法。
50.本发明申请通过构建信息画像及用户画像，计算每个所述用户画像与每个所述信息画像的匹配值，获取每个用户画像的待推荐信息，进一步地，通过提取每个所述用户画像的核心特征，提取每个所述用户画像对应的待推荐信息的比对特征，计算每个所述核心特征与所述核心特征对应的每个比对特征之间的距离，根据所述距离进行待推荐信息的排序，根据所述排序结果对用户进行推荐，提升了信息推荐的准确率。
附图说明
51.图1为本发明一实施例提供的基于双画像的信息推荐方法的流程示意图；
52.图2为图1所示基于双画像的信息推荐方法中其中一个步骤的详细实施流程示意图；
53.图3为图1所示基于双画像的信息推荐方法中其中另一个步骤的详细实施流程示意图；
54.图4为本发明一实施例提供的基于双画像的信息推荐装置的功能模块图；
55.图5为本发明一实施例提供的实现所述基于双画像的信息推荐方法的电子设备的结构示意图。
56.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
57.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。
58.本技术实施例提供一种基于双画像的信息推荐方法。所述基于双画像的信息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技术实施例提供的该方法的电子设备中的至少一种。换言之，所述基于双画像的信息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(contentdelivery 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。
59.参照图1所示，为本发明一实施例提供的基于双画像的信息推荐方法的流程示意图。在本实施例中，所述基于双画像的信息推荐方法包括：
60.s1、获取第一预设数量的领域的信息数据，利用所述第一预设数量的领域的信息数据，生成每个领域的信息画像；
61.本发明实施例中，以生态环境管理信息数据为例说明本技术提供的一种基于双画像的信息推荐方法。生态环境管理信息数据包罗万象，涉及领域非常多，例如，大气、水、固废、声、土壤、核与辐射、生态资源等不同领域。可以理解的是，不同领域的生态环境管理信息数据具有不同的特征、不同的信息来源、不同的信息分类以及针对不同的区域，不同领域的生态环境管理信息数据具有不同的关注度。
62.本发明实施例中，所述第一预设数量可根据实际生态环境管理信息数据涉及的范围确定。
63.本发明实施例中，可以通过预设的外部接口或通过具有数据抓取功能的计算机脚本，例如，java脚本或python，从预先构建的用于存储所述信息数据的存储区域中，调取所述信息数据。详细地，所述存储区域包括但不限于：数据库、区块链节点、网络缓存。
64.本发明实施例中，可以通过对所述多领域的信息数据进行数据分析，抽取所述每个领域信息数据中的核心数据，根据抽取得到的核心数据，构建相应的信息数据的信息画像。
65.详细地，参阅图2所示，所述s1，包括：
66.s11、依次对所述第一预设数量的领域的信息数据中每个领域的信息数据进行核心语义提取，得到每个所述领域的信息语义；
67.s12、对所述信息语义进行词向量转换，得到信息语义向量；
68.s13、利用所述信息语义向量构建对应领域的信息画像。
69.本发明实施例中，可预先构建的语义分析模型对所述信息数据进行核心语义提取，得到信息语义。其中所述核心语义包括但不限于信息来源、信息领域从属关系、关键信息词条、信息热度等。
70.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)。
71.详细地，所述依次对所述第一预设数量的领域的信息数据中每个领域的信息数据进行核心语义提取，得到每个所述领域的信息语义，包括：对每个所述领域的信息数据进行卷积、池化处理，得到所述信息数据的低维特征语义；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，得到每个所述领域的信息语义。
72.详细地，可通过语义分析模型对所述信息数据进行卷积、池化处理，以降低所述信息数据的数据维度，进而减少对所述信息数据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。
73.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。
74.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。
75.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。
76.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产品语义，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。
77.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输出为所述信息数据的信息语义。
78.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词向量转换，得到信息语义向量，所述向量转换模型包括但不限于word2vec模型、bert模型。
79.详细地，所述利用所述信息语义向量构建对应领域的信息画像，包括：统计所述信息语义向量中每个向量的向量长度，选取所述向量长度最长的向量为模向量；利用预设参数将所述信息语义向量中剩余的每个向量的长度延长至与所述模向量的向量长度相同；将向量长度延长后的所述信息语义向量中每个向量作为行向量拼接为向量矩阵，将所述向量矩阵作为对应区域的信息画像。
80.例如，所述信息语义向量中存在向量a：(1,3)，向量b：(2,4,6)，向量c：(5,7,8,9)，经过统计可知，向量a的向量长度为2，向量b的向量长度为3，向量c的向量长度为4，则选取向量c为模向量；当所述预设参数为x时，可利用该预设参数将向量a和向量b进行向量延长，得到延长后的向量a：(1,3,x,x)，和延长后的向量b：(2,4,6,x)。
81.详细地，可将向量延长后的所述信息语义向量中每个向量作为行向量拼接为如下向量矩阵：
[0082][0083]
本发明实施例中，将拼接得到的所述向量矩阵作为对应区域的信息画像。
[0084]
s2、获取第二预设数量的目标用户的基础数据及每个所述目标用户的行为数据，利用所述基础数据及所述行为数据，生成每个所述目标用户的用户画像；
[0085]
本发明实施例中，所述目标用户可以是不同业务领域的生态环境质量管理者、监测员、研究人员，可以理解的是，不同业务领域、不同地理区域、不同管理岗位或不同监测任务的管理者、监测员及研究人员，希望能够快速地从庞杂的生态环境质量管理信息数据中，获取与自己业务领域最直接相关的有效的信息数据。
[0086]
本发明实施例中，所述第二预设数量可根据实际目标用户的分类数量确定。
[0087]
本发明实施例中，所述目标用户的基础数据包括用户的基本属性数据，例如，所述目标用户所在的地理区域、所负责的业务领域、所在部门、所在岗位等基础数据。
[0088]
本发明实施例中，所述目标用户的行为数据，是指用户浏览上述信息数据的行为习惯，包括但不限于浏览过的产品对应的信息名称、信息类别、浏览次数、浏览时长、浏览时间等数据。
[0089]
本发明实施例中，本发明实施例中，可以通过预设的外部接口或通过具有数据抓取功能的计算机脚本，例如，java脚本或python，从预先构建的用于存储所述信息数据的存储区域中，调取所述目标用户的基础数据及行为数据。
[0090]
进一步地，所述利用所述基础数据及所述行为数据，生成每个目标用户的用户画像的步骤，与步骤s1中利用所述第一预设数量的领域的信息数据，生成每个领域的信息画像的步骤一致，在此不做赘述。
[0091]
较佳地，为了避免在生成用户画像的过程中，造成对用户隐私的泄露，所述利用所述基础数据及所述行为数据，生成每个目标用户的用户画像之前，还包括：对所述目标用户的基础数据及行为数据进行脱敏。
[0092]
s3、计算每个所述用户画像与每个所述信息画像的匹配值，汇集所述匹配值大于预设阈值的信息画像对应的信息数据为待推荐信息；
[0093]
本发明实施例中，可利用预设的匹配值算法计算所述用户画像与每一个所述信息画像的匹配值，进而从所述信息画像中选取所述匹配值大于预设阈值的信息画像对应的信息数据为待推荐信息。
[0094]
详细地，所述计算每个所述用户画像与每个所述信息画像的匹配值，包括：
[0095]
利用如下匹配值算法公式计算每个所述用户画像与每个所述信息画像的匹配值：
[0096][0097]
其中，p为所述匹配值，x为所述用户画像，yi为第i个信息画像，α为预设系数。
[0098]
例如，存在信息画像a、信息画像b和信息画像c，通过计算可知用户画像与信息画
像a的匹配值为80，用户画像与信息画像b的匹配值为70，用户画像与信息画像c的匹配值为20，当预设阈值为60时，则选取信息画像a和信息画像b对应的产品为待推荐信息。
[0099]
s4、提取每个所述用户画像的关键特征作为核心特征，提取每个所述用户画像对应的待推荐信息的关键特征作为比对特征；
[0100]
本发明实施例中，可以通过基于神经网络的机器学习模型或预设的关键词提取算法，提取每个所述用户画像的关键特征及每个所述用户画像对应的待推荐信息的关键特征。
[0101]
详细地，所述提取每个所述用户画像的关键特征作为核心特征，包括：利用预先构建的语义分析模型提取每个所述用户画像中的特征；对每个所述用户画像中的特征进行向量映射，得到特征向量集；
[0102]
从所述特征向量集中，随机选取预设数量的特征向量作为聚类中心；
[0103]
依次计算所述特征向量集中每个特征向量到所述聚类中心的距离，并将每个所述特征向量划分到距离最小的聚类中心对应的类别中，得到多个类别簇；
[0104]
重新计算每个类别簇的聚类中心，并返回上述的依次计算所述特征向量集中每个特征向量到所述聚类中心的距离的步骤，直至所述多个类别簇的聚类中心收敛，将收敛的类别簇对应的类别作为所述用户画像的关键特征。
[0105]
本发明实施例中，所述特征向量集中每个特征向量到所述聚类中心的距离可以为欧氏距离、曼哈顿距离及切比雪夫距离等。
[0106]
详细地，所述重新计算每个类别簇的聚类中心，包括：
[0107]
利用如下聚类公式计算每个类别簇的聚类中心：
[0108][0109]
其中，ei表示第i个聚类中心，ci表示第i个类别簇，x为类别簇中的特征向量。
[0110]
进一步地，所述提取每个所述用户画像对应的待推荐信息的关键特征，作为比对特征的步骤，可以采用与所述提取每个所述用户画像的关键特征，作为核心特征相同的步骤，也可以采用使用均值漂移聚类方法、基于密度的聚类方法(dbscan)、用高斯混合模型(gmm)的最大期望(em)聚类方法等来进行聚类处理。
[0111]
本发明另一实施例中，所述提取每个所述用户画像对应的待推荐信息的关键特征作为比对特征，包括：逐个对每条所述待推荐信息进行分词处理，得到每条所述待推荐信息对应的信息分词；将所有所述信息分词汇集为信息词库；逐个选取每条所述待推荐信息作为待分析信息，并从所述待分析信息对应的信息分词中选取一个信息分词作为目标分词；统计所述目标分词在所述待分析信息对应的信息分词中的第一出现频率，及所述目标分词在所述信息词库中的第二出现频率，计算所述第二出现频率与所述第一出现频率之间的比值；选取所述比值大于预设比值阈值的信息分词作为所述待分析信息的关键特征。
[0112]
本发明实施例中，可利用预设的标准词典对所述待推荐信息进行分词处理，所述标准词典中包含多个标准分词。
[0113]
可以理解的是，由于当任一所述目标分词在所述信息词库中出现的频率越高，且所述目标分词在所有待分析信息中出现的频率越低时，可认为所述目标分词对于所述待推
荐信息的重要性越低。
[0114]
反之，当任一所述目标分词在所述信息词库中出现的频率越低，且所述目标分词在所有待分析信息中出现的频率越高时，可认为所述目标分词对于所述待推荐信息的重要性越大。
[0115]
本发明实施例中，所述预设比值阈值可以根据实际情况确定。
[0116]
s5、计算每个所述核心特征与所述核心特征对应的每个比对特征之间的距离，根据所述距离的大小对每个所述比对特征对应的待推荐消息进行排序，根据排序结果，将所述待推荐消息推荐给每个所述核心特征对应的目标用户。
[0117]
本发明实施例中，可以通过聚类算法或距离算法，计算计算每个所述核心特征与所述核心特征对应的每个比对特征之间的距离。
[0118]
详细地，参阅图3所示，所述计算每个所述核心特征与所述核心特征对应的每个比对特征之间的距离，包括：
[0119]
s51、将每个所述核心特征作为对应目标用户的聚类中心，并将所述聚类中心作为目标标签；
[0120]
s52、依次选择任意一个比对特征作为比对标签，对所述目标标签及所述比较标签进行分词处理，得到目标列表及比较列表；
[0121]
s53、根据所述目标列表及所述比较列表构建编码字典；
[0122]
s54、利用所述编码字典对所述目标列表及所述比较列表进行向量编码，得到目标向量及比较向量；
[0123]
s55、利用预设的余弦相似度计算公式计算所述目标向量与所述比较向量的目标相似度，根据所述目标相似度得到每个所述核心特征与所述核心特征对应的每个比对特征之间的距离。
[0124]
本发明实施例中，通过将所述核心特征与所述比对特征进行比较或计算，从所述待推荐信息中获取与所述用户画像高匹配度的信息，从而提升信息推荐的准确性。
[0125]
本发明申请通过构建信息画像及用户画像，计算每个所述用户画像与每个所述信息画像的匹配值，获取每个用户画像的待推荐信息，进一步地，通过提取每个所述用户画像的核心特征，提取每个所述用户画像对应的待推荐信息的比对特征，计算每个所述核心特征与所述核心特征对应的每个比对特征之间的距离，根据所述距离进行待推荐信息的排序，根据所述排序结果对用户进行推荐，提升了信息推荐的准确率。
[0126]
如图4所示，是本发明一实施例提供的基于双画像的信息推荐装置的功能模块图。
[0127]
本发明所述基于双画像的信息推荐装置100可以安装于电子设备中。根据实现的功能，所述基于双画像的信息推荐装置100可以包括信息画像生成模块101、用户画像生成模块102、待推荐信息生成模块103及推荐信息排序模块104。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。
[0128]
在本实施例中，关于各模块/单元的功能如下：
[0129]
所述信息画像生成模块101，用于获取第一预设数量的领域的信息数据，利用所述第一预设数量的领域的信息数据，生成每个领域的信息画像；
[0130]
所述用户画像生成模块102，用于获取第二预设数量的目标用户的基础数据及每
个所述目标用户的行为数据，利用所述基础数据及所述行为数据，生成每个所述目标用户的用户画像；
[0131]
所述待推荐信息生成模块103，用于计算每个所述用户画像与每个所述信息画像的匹配值，汇集所述匹配值大于预设阈值的信息画像对应的信息数据为待推荐信息；
[0132]
所述推荐信息排序模块104，用于提取每个所述用户画像的关键特征作为核心特征，提取每个所述用户画像对应的待推荐信息的关键特征作为比对特征；计算每个所述核心特征与所述核心特征对应的每个比对特征之间的距离，根据所述距离的大小对每个所述比对特征对应的待推荐消息进行排序，根据排序结果，将所述待推荐消息推荐给每个所述核心特征对应的目标用户。
[0133]
详细地，本发明实施例中所述基于双画像的信息推荐装置100中的各个模块在使用时采用与上述的图1至图3中所述的基于双画像的信息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。
[0134]
如图5所示，是本发明一实施例提供的实现基于双画像的信息推荐方法的电子设备的结构示意图。
[0135]
所述电子设备1可以包括处理器10、存储器11和总线，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，如信息推荐程序。
[0136]
其中，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1的内部存储单元，例如该电子设备1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1的外部存储设备，例如电子设备1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1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1的应用软件及各类数据，例如信息推荐程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0137]
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(control unit)，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(例如信息推荐程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
[0138]
所述总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，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。
[0139]
图5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5示出的结构并不构成对所述电子设备1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。
[0140]
例如，尽管未示出，所述电子设备1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1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。
[0141]
进一步地，所述电子设备1还可以包括网络接口，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1与其他电子设备之间建立通信连接。
[0142]
可选地，该电子设备1还可以包括用户接口，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1中处理的信息以及用于显示可视化的用户界面。
[0143]
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。
[0144]
所述电子设备1中的所述存储器11存储的信息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：
[0145]
获取第一预设数量的领域的信息数据，利用所述第一预设数量的领域的信息数据，生成每个领域的信息画像；
[0146]
获取第二预设数量的目标用户的基础数据及每个所述目标用户的行为数据，利用所述基础数据及所述行为数据，生成每个所述目标用户的用户画像；
[0147]
计算每个所述用户画像与每个所述信息画像的匹配值，汇集所述匹配值大于预设阈值的信息画像对应的信息数据为待推荐信息；
[0148]
提取每个所述用户画像的关键特征作为核心特征，提取每个所述用户画像对应的待推荐信息的关键特征作为比对特征；
[0149]
计算每个所述核心特征与所述核心特征对应的每个比对特征之间的距离，根据所述距离的大小对每个所述比对特征对应的待推荐消息进行排序，根据排序结果，将所述待推荐消息推荐给每个所述核心特征对应的目标用户。
[0150]
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
[0151]
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)。
[0152]
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：
[0153]
获取第一预设数量的领域的信息数据，利用所述第一预设数量的领域的信息数
据，生成每个领域的信息画像；
[0154]
获取第二预设数量的目标用户的基础数据及每个所述目标用户的行为数据，利用所述基础数据及所述行为数据，生成每个所述目标用户的用户画像；
[0155]
计算每个所述用户画像与每个所述信息画像的匹配值，汇集所述匹配值大于预设阈值的信息画像对应的信息数据为待推荐信息；
[0156]
提取每个所述用户画像的关键特征作为核心特征，提取每个所述用户画像对应的待推荐信息的关键特征作为比对特征；
[0157]
计算每个所述核心特征与所述核心特征对应的每个比对特征之间的距离，根据所述距离的大小对每个所述比对特征对应的待推荐消息进行排序，根据排序结果，将所述待推荐消息推荐给每个所述核心特征对应的目标用户。
[0158]
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。
[0159]
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。
[0160]
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。
[0161]
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。
[0162]
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。
[0163]
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。
[0164]
本技术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。
[0165]
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。第二等词语用来表示名称，而并不表示任何特定的顺序。
[0166]
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。