一种虚拟资产推荐方法、装置、电子设备及存储介质与流程

1.本发明涉及计算机技术，尤其涉及一种虚拟资产推荐方法、装置、电子设备及存储介质。


背景技术：

2.随着互联网信息内容的爆炸式增长，所积累的虚拟资产规模也迅速扩增，用户感兴趣的内容往往被淹没在海量信息中，因此如何用户准确推荐贴合需求的虚拟资产已经成为一个迫切的问题。
3.大多数的推荐系统主要仅依赖于用户的自身行为，并且基于协同过滤的方法进行智能推荐。而基于协调过滤模型提取的关系单一，无法捕获复杂关系。另外，基于机器学习算法的协调过滤方法中，通常采用的机器学习模型是基于矩阵分解模型，该模型对于更复杂的交互关系仍然不能得到有效地处理。由于仅依赖用户自身行为、基于协调过滤以及基于机器学习算法的推荐模型对用户或虚拟资产的特征学习不够完善，无法捕获复杂的交互关系，导致推荐准确率较低。


技术实现要素：

4.本发明提供一种虚拟资产推荐方法、装置、电子设备及存储介质，以实现提高虚拟资产推荐的准确性。
5.根据本发明的一方面，提供了一种虚拟资产推荐方法，该方法包括：
6.根据预设推荐方法的方法类型从预设数据存储区域中获取目标数据；其中，所述预设推荐方法的方法类型包括多视角推荐方法、时序特征推荐方法、用户特征推荐方法和资产热度推荐方法中的至少一种；
7.根据所述目标数据和所述预设推荐方法确定候选虚拟资产推荐序列；
8.根据所述候选虚拟资产推荐序列中各待推荐虚拟资产的第一资产数据以及预设推荐资产确定条件，确定目标虚拟资产推荐序列，并展示所述目标虚拟资产推荐序列。
9.根据本发明的另一方面，提供了一种虚拟资产推荐装置，该装置包括：
10.目标数据获取模块，用于根据预设推荐方法的方法类型从预设数据存储区域中获取目标数据；其中，所述预设推荐方法的方法类型包括多视角推荐方法、时序特征推荐方法、用户特征推荐方法和资产热度推荐方法中的至少一种；
11.候选推荐序列确定模块，用于根据所述目标数据和所述预设推荐方法确定候选虚拟资产推荐序列；
12.目标推荐序列确定模块，用于根据所述候选虚拟资产推荐序列中各待推荐虚拟资产的第一资产数据以及预设推荐资产确定条件，确定目标虚拟资产推荐序列，并展示所述目标虚拟资产推荐序列。
13.根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
14.至少一个处理器；以及
15.与所述至少一个处理器通信连接的存储器；其中，
16.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本发明任一实施例所述的虚拟资产推荐方法。
17.根据本发明的另一方面，提供了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指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的虚拟资产推荐方法。
18.本发明实施例的技术方案，通过根据预设推荐方法的方法类型从预设数据存储区域中获取目标数据；其中，所述预设推荐方法的方法类型包括多视角推荐方法、时序特征推荐方法、用户特征推荐方法和资产热度推荐方法中的至少一种；根据所述目标数据和所述预设推荐方法确定候选虚拟资产推荐序列；根据所述候选虚拟资产推荐序列中各待推荐虚拟资产的第一资产数据以及预设推荐资产确定条件，确定目标虚拟资产推荐序列，并展示所述目标虚拟资产推荐序列。解决了现有推荐模型对用户或虚拟资产的特征学习不够完善，无法捕获复杂的交互关系，导致推荐准确率较低的问题，取得了提高虚拟资产推荐的准确性的有益效果。
19.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
20.图1为本发明实施例一提供的一种虚拟资产推荐方法的流程图；
21.图2为本发明实施例二提供的一种虚拟资产推荐方法的流程图；
22.图3为本发明实施例三提供的一种虚拟资产推荐方法的流程图；
23.图4为本发明实施例三提供的一种协同过滤算法结合递归神经网络的结构示意图；
24.图5为本发明实施例四提供的一种虚拟资产推荐装置的结构示意图；
25.图6为用来实施本发明实施例的电子设备的结构示意图。
具体实施方式
26.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
27.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“目标”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、
方法、产品或设备固有的其它步骤或单元。
28.实施例一
29.图1为本发明实施例一提供的一种虚拟资产推荐方法的流程图，本实施例可适用于向用户推荐虚拟资产的情况，该方法可以由本发明实施例所提供的虚拟资产推荐装置来执行，该装置可以由软件和/或硬件的方式实现。参见图1，本实施例提供的虚拟资产推荐方法，包括：
30.步骤110、根据预设推荐方法的方法类型从预设数据存储区域中获取目标数据；其中，所述预设推荐方法的方法类型包括多视角推荐方法、时序特征推荐方法、用户特征推荐方法和资产热度推荐方法中的至少一种。
31.预设数据存储区域用于存储与用户以及虚拟资产相关的数据，例如为用户id、用户基本信息、用户行为数据、用户需求描述信息、虚拟资产信息、虚拟资产质量评价数据等。用户id作为每个用户的身份标识，可以与用户的基本信息及用户行为数据相关联，便于获取用户信息，学习用户特征。用户基本信息包括用户的姓名、性别等信息。用户行为数据包括用户对虚拟资产的点击、评论、浏览、收藏及点赞数据。用户需求描述信息包括用户对虚拟资产的具体需求描述或需求说明书。虚拟资产信息包括系统积累存储形成的虚拟资产库。虚拟资产质量评价数据包括用户主动提供的对虚拟资产的评级、评分等数据。其中，虚拟资产可以为数据标签资产，数据标签可以为用户标签、产品标签等，本实施例对此不进行限制。
32.需要说明的是，本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
33.根据预设推荐方法的方法类型从预设数据存储区域中获取目标数据，即根据不同的预设推荐方法的方法类型从预设数据存储区域中获取相应所需数据。
34.多视角推荐方法为从当前视角和历史视角出发对虚拟资产进行推荐的推荐方法；时序特征推荐方法为从长期推荐的角度出发，考虑用户和虚拟资产的时序特征，对虚拟资产进行推荐的推荐方法；用户特征推荐方法为根据对用户特征进行提取，并根据提取的用户特征对虚拟资产进行推荐的推荐方法；资产热度推荐方法为根据虚拟资产的热度对虚拟资产进行推荐的推荐方法。
35.步骤120、根据所述目标数据和所述预设推荐方法确定候选虚拟资产推荐序列。
36.根据目标数据和预设推荐方法确定候选虚拟资产推荐序列，可以为根据预设推荐方法确定相应的候选推荐子序列，将候选推荐子序列结合得到候选虚拟资产推荐序列。例如，根据预设推荐方法包括多视角推荐方法、时序特征推荐方法和用户特征推荐方法，分别得到三种不同的候选推荐子序列，将三种不同的候选推荐子序列结合得到候选虚拟资产推荐序列。
37.根据多视角推荐方法和目标数据确定候选虚拟资产推荐序列，可以为根据目标数据同时从当前视角和历史视角出发，建立用户之间、虚拟资产之间的共现关系，并利用预设算法生成与共现关系相关的第一虚拟资产推荐子序列。
38.根据时序特征推荐方法和目标数据确定候选虚拟资产推荐序列，可以为根据目标数据从长期推荐的角度出发，考虑用户和虚拟资产隐藏的时序特征，从而通过模型计算的方式生成与用户和虚拟资产的时序特征相关的第二虚拟资产推荐子序列。
39.根据用户特征推荐方法和目标数据确定候选虚拟资产推荐序列，可以为根据目标数据提取用户特征和虚拟资产特征，将用户特征与虚拟资产特征进行匹配，从而生成与用户特征相关的第三虚拟资产推荐子序列。
40.根据资产热度推荐方法和目标数据确定候选虚拟资产推荐序列，可以为根据目标数据确定虚拟资产的热度，从而生成与虚拟资产热度相关的第四虚拟资产推荐子序列。
41.本实施例中，可选的，若所述预设推荐方法的方法类型为所述用户特征推荐方法，则根据所述目标数据和所述预设推荐方法确定候选虚拟资产推荐序列，包括：
42.确定待推荐用户，并从所述目标数据中获取所述待推荐用户的用户身份数据和用户行为数据，以根据所述用户身份数据和所述用户行为数据确定用户喜好特征；
43.从所述目标数据中获取候选虚拟资产的第三资产数据，并根据所述第三资产数据确定虚拟资产特征；
44.根据所述用户喜好特征和所述虚拟资产特征的匹配结果，确定所述候选虚拟资产推荐序列中的第三推荐子序列。
45.其中，待推荐用户为目标虚拟资产推荐序列的目标用户，可以为主动发起虚拟资产推荐请求的用户，也可以为符合推荐条件的用户，例如活跃度大于预设阈值的用户等，本实施例对此不进行限制。
46.从目标数据中获取待推荐用户的用户身份数据和用户行为数据，其中，用户身份数据可以为用户id；用户行为数据可以为用户对虚拟资产的行为数据，例如用户对虚拟资产的评论、收藏、点赞、浏览、点击等操作行为。根据用户身份数据和用户行为数据确定用户喜好特征，可以为采用预设特征提取算法提取用户行为数据的行为特征，采用预设特征提取算法提取用户身份数据中的身份特征，将行为特征与行为特征结合得到用户喜好特征，其中用户喜好特征用于表征用户对各虚拟资产的喜好或不喜好的程度。
47.从目标数据中获取第三候选虚拟资产的第三资产数据，第三候选虚拟资产可以为全部虚拟资产，第三资产数据为虚拟资产的预设类型的数据，例如为文字描述信息、标签名称、用户评论、人工标注信息及用户对虚拟资产的操作行为数据等。从第三资产数据中采用预设特征提取算法提取虚拟资产特征。
48.根据用户喜好特征和虚拟资产特征的匹配结果，确定候选虚拟资产推荐序列中的第三推荐子序列，可以为将用户喜好特征和虚拟资产特征进行特征匹配，得到用户与虚拟资产的匹配相似度。根据匹配相似度排序将排名靠前的预设个数个虚拟资产确定为第三推荐子序列。
49.从而根据用户喜好向用户推荐与用户喜好相关的虚拟资产，提高虚拟资产推荐的针对性。
50.本实施例中，可选的，若所述预设推荐方法的方法类型为所述资产热度推荐方法，则根据所述目标数据和所述预设推荐方法确定候选虚拟资产推荐序列，包括：
51.根据所述目标数据中的资产热度数据，确定第四候选虚拟资产的热度排序结果；
52.根据所述热度排序结果确定所述候选虚拟资产推荐序列中的第四推荐子序列。
53.目标数据中的资产热度数据可以为所有用户对虚拟资产的点击、评论、浏览、收藏及点赞等行为数据。可以通过为每类行为关联相应的热度值，每增加一次该类行为，则增加相应热度值，得到每个第四候选虚拟资产的热度总值。其中，第四候选虚拟资产可以为全部
虚拟资产。
54.确定第四候选虚拟资产的热度排序结果，可以为按各第四候选虚拟资产的热度从大到小排序；根据热度排序结果确定候选虚拟资产推荐序列中的第四推荐子序列，可以为根据热度排序结果将排名靠前的预设个数个虚拟资产确定为第四推荐子序列。从而根据虚拟资产热度向用户热度较高的虚拟资产，扩大虚拟资产推荐的范围，提高虚拟资产推荐的有效性。
55.步骤130、根据所述候选虚拟资产推荐序列中各待推荐虚拟资产的第一资产数据以及预设推荐资产确定条件，确定目标虚拟资产推荐序列，并展示所述目标虚拟资产推荐序列。
56.候选虚拟资产推荐序列中包括至少一个待推荐虚拟资产，根据各待推荐虚拟资产的第一资产数据和预设推荐资产确定条件，确定各待推荐虚拟资产是否被筛除，以及确定筛除后的候选虚拟资产推荐序列中各虚拟资产的排序，得到目标虚拟资产推荐序列。各待推荐虚拟资产的第一资产数据为与待推荐虚拟资产相关的数据，例如为上线日期等。
57.展示目标虚拟资产推荐序列，可以为向用户展示目标虚拟资产推荐序列，例如向用户进行主动推送，或者响应于用户对虚拟资产推荐请求将目标虚拟资产推荐序列返回至用户。可选的，还可以获取用户对目标虚拟资产推荐序列的反馈信息，例如推荐是否准确等，便于根据反馈信息后续优化虚拟资产推荐方法。
58.本实施例中，可选的，根据所述候选虚拟资产推荐序列中各待推荐虚拟资产的第一资产数据以及预设推荐资产确定条件，确定目标虚拟资产推荐序列，包括：
59.根据所述第一资产数据以及预设推荐资产确定条件，确定所述待推荐虚拟资产的筛选方式和排序方式；
60.根据所述筛选方式和排序方式确定所述目标虚拟资产推荐序列。
61.根据第一资产数据以及预设推荐资产确定条件，确定待推荐虚拟资产的筛选方式和排序方式，可以为候选虚拟资产推荐序列中的各推荐子序列进行召回，若召回结束则将召回后的各推荐子序列中的虚拟资产进行合并，得到候选虚拟资产推荐序列。
62.第一资产数据可以为待推荐虚拟资产的资产相似度、虚拟资产上线日期、虚拟资产与需求的相关性等，预设推荐资产确定条件可以包括预设推荐资产筛选条件和预设推荐资产排序条件。
63.根据第一资产数据和预设推荐资产筛选条件确定筛选方式，可以为将相似度大于预设阈值的虚拟资产筛除；根据第一资产数据中和预设推荐资产排序条件确定排序方式，可以为将筛除后的虚拟资产根据第一资产数据，例如虚拟资产上线日期，按照预设排序方式进行相应排序，得到目标虚拟资产推荐序列。
64.通过筛选避免推荐序列中存在过多相似的虚拟资产，扩大虚拟资产的推荐范围；通过排序提高推荐序列的有序性。通过确定的筛选方式和排序方式共同提高目标虚拟资产推荐序列确定的有效性。
65.本实施例所提供的技术方案，通过根据预设推荐方法的方法类型从预设数据存储区域中获取目标数据；其中，预设推荐方法的方法类型包括多视角推荐方法、时序特征推荐方法、用户特征推荐方法和资产热度推荐方法中的至少一种；根据目标数据和预设推荐方法确定候选虚拟资产推荐序列；根据候选虚拟资产推荐序列中各待推荐虚拟资产的第一资
产数据以及预设推荐资产确定条件，确定目标虚拟资产推荐序列，并展示目标虚拟资产推荐序列。解决了现有仅依赖用户自身行为、基于协调过滤以及基于机器学习算法的推荐模型对用户或虚拟资产的特征学习不够完善，无法捕获复杂的交互关系，导致推荐准确率较低的问题，提高虚拟资产推荐的准确性。帮助用户减少了搜索和筛选虚拟资产的时间，缓解了虚拟资产数量多，搜索定位不便的问题，提升虚拟资产的复用能力，改善用户体验。
66.实施例二
67.图2为本发明实施例二提供的一种虚拟资产推荐方法的流程图，本技术方案是针对若预设推荐方法的方法类型为多视角推荐方法，根据目标数据和预设推荐方法确定候选虚拟资产推荐序列的过程进行补充说明的。与上述方案相比，本方案具体优化为，若所述预设推荐方法的方法类型为所述多视角推荐方法，则根据所述目标数据和所述预设推荐方法确定候选虚拟资产推荐序列，包括：
68.根据所述目标数据获取历史用户局部特征、历史用户全局特征、历史虚拟资产局部特征、历史虚拟资产全局特征、当前用户局部特征、当前用户全局特征、当前虚拟资产局部特征和当前虚拟资产全局特征；
69.通过前馈神经网络分别提取所述历史用户全局特征、所述当前用户全局特征、所述历史虚拟资产全局特征和所述当前虚拟资产全局特征的全局高层特征；
70.通过卷积神经网络分别提取所述历史用户局部特征、所述当前用户局部特征、所述历史虚拟资产局部特征和所述当前虚拟资产局部特征的局部高层特征；
71.根据所述全局高层特征和所述局部高层特征确定融合特征；
72.根据所述融合特征确定第一候选虚拟资产的预测评分值，并根据所述预测评分值确定所述候选虚拟资产推荐序列中的第一推荐子序列。具体的，虚拟资产推荐方法的流程图如图2所示：
73.步骤210、根据预设推荐方法的方法类型从预设数据存储区域中获取目标数据；其中，所述预设推荐方法的方法类型包括多视角推荐方法、时序特征推荐方法、用户特征推荐方法和资产热度推荐方法中的至少一种。
74.步骤220、若所述预设推荐方法的方法类型为所述多视角推荐方法，则根据所述目标数据获取历史用户局部特征、历史用户全局特征、历史虚拟资产局部特征、历史虚拟资产全局特征、当前用户局部特征、当前用户全局特征、当前虚拟资产局部特征和当前虚拟资产全局特征。
75.其中，用户局部特征为通过局部特征提取算法提取的用户的局部特征；用户全局特征为通过全局特征提取算法提取的用户的全局特征；虚拟资产局部特征为通过局部特征提取算法提取的虚拟资产的局部特征；虚拟资产全局特征为为通过全局特征提取算法提取的虚拟资产的全局特征。从目标数据中得到历史数据和当前数据，并从历史数据提取历史用户局部特征、历史用户全局特征、历史虚拟资产局部特征和历史虚拟资产全局特征；从当前数据提取当前用户局部特征、当前用户全局特征、当前虚拟资产局部特征和当前虚拟资产全局特征。
76.本实施例中，可选的，根据所述目标数据获取历史用户局部特征、历史用户全局特征、历史虚拟资产局部特征、历史虚拟资产全局特征、当前用户局部特征、当前用户全局特征、当前虚拟资产局部特征和当前虚拟资产全局特征，包括：
77.根据所述目标数据获取评分矩阵、具有评分信息的用户集合和具有评分信息的资产集合；
78.根据所述具有评分信息的资产集合、所述具有评分信息的用户集合和所述评分矩阵，获取所述历史用户局部特征、所述历史用户全局特征、所述当前用户局部特征、所述当前用户全局特征、所述历史虚拟资产局部特征、所述历史虚拟资产全局特征、所述当前虚拟资产局部特征和所述当前虚拟资产全局特征。
79.从目标数据中分别获取评分矩阵、具有评分信息的用户集合和具有评分信息的资产集合。其中，评分矩阵根据用户当前和历史对虚拟资产质量评价数据，以及虚拟资产当前和历史被评价过的用户数据确定。
80.具有评分信息的用户集合可以为对虚拟资产给予相同评分的用户集合，具有评分信息的资产集合可以为被用户给以相同评分的虚拟资产集合，其中对虚拟资产的评分可以为用户在虚拟资产平台中进行。
81.根据具有评分信息的资产集合、具有评分信息的用户集合和评分矩阵，通过历史数据和当前数据分别获取历史用户全局特征和当前用户全局特征。其中，用户全局特征，用于确定用户与用户的全局相似性，偏向于用户之间的相似性而不是它们的差异，可以由以下公式确定：
[0082][0083]
其中，表示用户ui和用户uj在评分k下的总共现值，在评分k下的总共现值，在评分k下的总共现值，是虚拟资产的集合，在中的虚拟资产都被用户ui给以评分k，在中的虚拟资产都被用户uj给以评分l，表示用户ui的特征向量，表示用户uj的特征向量，表示用户ui评分与用户平均评分的偏差，表示用户uj评分与用户平均评分的偏差，ui表示集合u中第i个用户，uj表示集合u中第j个用户，u表示评价过虚拟资产的用户的集合。
[0084]
根据具有评分信息的资产集合、具有评分信息的用户集合和评分矩阵，通过历史数据和当前数据分别获取历史用户局部特征和当前用户局部特征。其中，用户局部特征，用于确定用户与用户的局部相似性，由以下公式确定：
[0085][0086]
其中，表示用户ui给予虚拟资产评分k下的特征向量，表示用户uj给予虚拟资产评分k下的特征向量，表示在和对应情况下的共现值，表示用户ui评分与用户平均评分的偏差，表示用户uj评分与用户平均评分的偏差，表示集合u中给予k分的
用户i，表示集合u中给予l分的用户j，u表示评价过虚拟资产的用户的集合。其中，每个用户给与不同虚拟资产评分可以对应不同的特征向量。
[0087]
根据具有评分信息的资产集合、具有评分信息的用户集合和评分矩阵，通过历史数据和当前数据分别获取历史虚拟资产全局特征和当前虚拟资产全局特征，偏向于虚拟资产之间的相似性而不是它们的差异。其中，虚拟资产全局特征，用于确定虚拟资产与虚拟资产的全局相似性，可以由以下公式确定：
[0088][0089]
其中，表示虚拟资产i和虚拟资产j在评分k下的总共现值，表示给虚拟资产i评分k和虚拟资产j评分l的共现值，表示虚拟资产mi的特征向量，表示虚拟资产mj的特征向量，bi表示虚拟资产mi评分与虚拟资产平均评分的偏差，bj表示虚拟资产mj评分与虚拟资产平均评分的偏差，mi表示集合m第i个虚拟资产，mj表示集合m第j个虚拟资产，m表示用户评价过的虚拟资产的集合。
[0090]
根据具有评分信息的资产集合、具有评分信息的用户集合和评分矩阵，通过历史数据和当前数据分别获取历史虚拟资产局部特征和当前虚拟资产局部特征。其中，虚拟资产局部特征，用于确定虚拟资产与虚拟资产的局部相似性，可以由以下公式确定：
[0091][0092]
其中，表示虚拟资产mi在评分k下的特征向量，表示虚拟资产m在评分k下的特征向量，表示在和对应情况下的共现值，bi表示虚拟资产mi评分与虚拟资产平均评分的偏差，bj表示虚拟资产mj评分与虚拟资产平均评分的偏差，表示集合m中虚拟资产i被给予k分，表示集合m中虚拟资产j被给予l分，m表示用户评价过的虚拟资产的集合。其中，每个虚拟资产被给与不同评分可以对应不同的特征向量。
[0093]
根据具有评分信息的资产集合、具有评分信息的用户集合和评分矩阵，获取历史用户局部特征、历史用户全局特征、当前用户局部特征、当前用户全局特征、历史虚拟资产局部特征、历史虚拟资产全局特征、当前虚拟资产局部特征和当前虚拟资产全局特征，提高以上特征获取的准确性，并且采用低维度的实数特征向量来表示用户或虚拟资产，用户或虚拟资产对应的特征向量可以有效反应用户与用户之间以及虚拟资产与虚拟资产之间的相似性。
[0094]
步骤230、通过前馈神经网络分别提取所述历史用户全局特征、所述当前用户全局特征、所述历史虚拟资产全局特征和所述当前虚拟资产全局特征的全局高层特征。
[0095]
将历史用户全局特征、当前用户全局特征、历史虚拟资产全局特征和当前虚拟资产全局特征分别作为前馈神经网络的输入，得到各全局特征对应的全局高层特征。
[0096]
步骤240、通过卷积神经网络分别提取所述历史用户局部特征、所述当前用户局部特征、所述历史虚拟资产局部特征和所述当前虚拟资产局部特征的局部高层特征。
[0097]
将历史用户局部特征、当前用户局部特征、历史虚拟资产局部特征和当前虚拟资产局部特征分别作为卷积神经网络的输入，得到各局部特征对应的局部高层特征。
[0098]
步骤250、根据所述全局高层特征和所述局部高层特征确定融合特征。
[0099]
根据全局高层特征和局部高层特征确定融合特征，可以为将历史用户局部特征和历史虚拟资产局部特征对应的历史局部高层特征，以及，历史用户全局特征和历史虚拟资产全局特征对应的历史全局高层特征，进行融合，得到历史高层特征。
[0100]
将当前用户局部特征和当前虚拟资产局部特征对应的当前局部高层特征，以及，当前用户全局特征和当前虚拟资产全局特征对应的当前全局高层特征，进行融合，得到当前高层特征。
[0101]
根据历史高层特征对应的历史特征权重值，以及当前高层特征对应的当前权重值，将历史高层特征和当前高层特征进行加权拼接，融合得到一个表示用户和虚拟资产的交互特征的融合特征。
[0102]
步骤260、根据所述融合特征确定第一候选虚拟资产的预测评分值，并根据所述预测评分值确定所述候选虚拟资产推荐序列中的第一推荐子序列。
[0103]
根据融合特征确定第一候选虚拟资产的预测评分值，可以为将融合特征输入预设神经网络，得到第一候选虚拟资产的预测评分值，其中候选虚拟资产可以为全部虚拟资产。预测评分值用于刻画用户对虚拟资产的偏好程度。可以根据预测评分值排序将排名靠前的预设个数个虚拟资产确定为第一推荐子序列。
[0104]
步骤270、根据所述候选虚拟资产推荐序列中各待推荐虚拟资产的第一资产数据以及预设推荐资产确定条件，确定目标虚拟资产推荐序列，并展示所述目标虚拟资产推荐序列。
[0105]
本发明实施例通过获取历史视角和当前视角的用户和虚拟资产的全局和局部特征，提高了特征获取的全面性。并通过提取用户和虚拟资产的高层特征，获取用户和虚拟资产的复杂交互关系；根据全局高层特征和局部高层特征得到融合特征，提高融合特征包含信息的全面性，从而提高根据由融合特征得到的预测评分值确定的第一推荐子序列的确定准确性。
[0106]
实施例三
[0107]
图3为本发明实施例三提供的一种虚拟资产推荐方法的流程图，本技术方案是针对若预设推荐方法的方法类型为时序特征推荐方法，根据目标数据和预设推荐方法确定候选虚拟资产推荐序列的过程进行补充说明的。与上述方案相比，本方案具体优化为，若所述预设推荐方法的方法类型为所述时序特征推荐方法，则根据所述目标数据和所述预设推荐方法确定候选虚拟资产推荐序列，包括：
[0108]
从所述目标数据中获取用户需求数据和第二候选虚拟资产的第二资产数据，并确定所述用户需求数据和所述资产数据的第一匹配关系；
[0109]
从所述目标数据中获取用户反馈数据，并确定所述用户反馈数据和所述第二资产
数据的第二匹配关系；
[0110]
通过协同过滤算法结合递归神经网络，根据所述第一匹配关系和所述第二匹配关系确定预测虚拟资产，并根据所述预测虚拟资产确定所述候选虚拟资产推荐序列中的第二推荐子序列。具体的，虚拟资产推荐方法的流程图如图2所示：
[0111]
步骤310、根据预设推荐方法的方法类型从预设数据存储区域中获取目标数据；其中，所述预设推荐方法的方法类型包括多视角推荐方法、时序特征推荐方法、用户特征推荐方法和资产热度推荐方法中的至少一种。
[0112]
步骤320、若所述预设推荐方法的方法类型为所述时序特征推荐方法，则从所述目标数据中获取用户需求数据和第二候选虚拟资产的第二资产数据，并确定所述用户需求数据和所述资产数据的第一匹配关系。
[0113]
用户需求数据可以为包括用户对虚拟资产的具体需求描述或需求说明书，第二候选虚拟资产的第二资产数据可以为虚拟资产的文本描述，第二候选虚拟资产可以为全部虚拟资产，本实施例对此不进行限制。
[0114]
确定用户需求数据和资产数据的第一匹配关系，可以为将用户需求数据进行文本分类，得到第一文本分类，将第二资产数据进行文本分类，得到第二文本分类，将第一文本分类和第二文本分类进行匹配，确定用户需求数据和资产数据的第一匹配关系。
[0115]
步骤330、从所述目标数据中获取用户反馈数据，并确定所述用户反馈数据和所述第二资产数据的第二匹配关系。
[0116]
从目标数据中获取用户反馈数据，可以为通过对虚拟资产的文本描述的文本分类，以及对用户虚拟资产的选择行为分析，获得用户反馈数据，其中用户反馈数据为用户是否对历史推荐的虚拟资产产生点击等反馈的数据。确定用户反馈数据和第二资产数据的第二匹配关系，可以为将用户反馈数据与第二文本分类进行匹配，得到第二匹配关系。
[0117]
步骤340、通过协同过滤算法结合递归神经网络，根据所述第一匹配关系和所述第二匹配关系确定预测虚拟资产，并根据所述预测虚拟资产确定所述候选虚拟资产推荐序列中的第二推荐子序列。
[0118]
通过协同过滤算法结合递归神经网络，根据第一匹配关系和第二匹配关系获取隐藏在时序数据中的虚拟资产与用户的隐藏特征。
[0119]
图4为本发明实施例三提供的一种协同过滤算法结合递归神经网络的结构示意图。如图4所示，递归神经网络与协同过滤算法结构包括输入层x-221、隐藏层s-222和输出层o-223，及隐藏层s-221的展开形式s
t-1-225、s
t-226、s
t+1-227。输入层x-221的输入集为{x0,x1,
…
,x
t
,x
t+1
,
…
}，其中输入集带有时间信息的虚拟资产；隐藏层s-221的输出集{s0,s1,
…
,s
t
,s
t+1
,
…
}表示用户的推荐系统在各个时刻下的状态；输出层的输出集表示用户在各个时刻下的推荐列表，包含n个虚拟资产；目标用户228的反馈行为集{f0,f1,
…
,f
t
,f
t+1
,
…
}表示用户在各个时刻下的响应反馈。从图4中可以看出一条信息流从输入层x-221流向隐藏层s-222，再从隐藏层s-222流入输出层o-223，其中，224为循环层。而递归神经网络可以引导信息流从输出层返回隐藏层，因此隐藏层的输入不仅包含输入数据也包含上一隐藏层的输出数据。以t时刻为例，新状态s
t
是由之前的状态s
t-1
，用户反馈f
t-1
以及虚拟资产推荐序列得到的，也就是说，可以根据该时刻
下用户的需求以及上一时刻用户在相似需求背景下的虚拟资产选择历史来预测用户在t时刻下可能选择的虚拟资产，得到预测虚拟资产。
[0120]
由于用户的个人偏好总是随着时间改变，为了适应用户的喜好变化，将能够处理时序数据的递归神经网络引入资产推荐中，需要解决的是根据用户历史选择的虚拟资产来预测用户未来要选择的虚拟资产。为了解决以上问题，根据用户对虚拟资产的选择历史，可以结构化模型的训练数据为h(x)＝{x1,x2,
…
,xn}。其中，x表示用户选择的虚拟资产，x1,x2,
…
,xn为用户选择虚拟资产的时间序列。
[0121]
将预测得到虚拟资产构成的序列确定为候选虚拟资产推荐序列中的第二推荐子序列。
[0122]
步骤350、根据所述候选虚拟资产推荐序列中各待推荐虚拟资产的第一资产数据以及预设推荐资产确定条件，确定目标虚拟资产推荐序列，并展示所述目标虚拟资产推荐序列。
[0123]
通过协同过滤算法结合递归神经网络，根据第一匹配关系和第二匹配关系确定预测虚拟资产，并根据测虚拟资产确定第二推荐子序列，将虚拟资产预测问题转换为序列预测问题，最终按照预测的概率进行排序得到预测虚拟资产推荐序列，从时间序列的角度确定资产推荐序列，考虑用户的个人偏好随着时间改变，推荐适应用户的喜好变化的虚拟资产，提高虚拟资产推荐的有效性。
[0124]
实施例四
[0125]
图5为本发明实施例四提供的一种虚拟资产推荐装置的结构示意图。该装置可以由硬件和/或软件的方式来实现，可执行本发明任意实施例所提供的一种虚拟资产推荐方法，具备执行方法相应的功能模块和有益效果。如图5所示，该装置包括：
[0126]
目标数据获取模块510，用于根据预设推荐方法的方法类型从预设数据存储区域中获取目标数据；其中，所述预设推荐方法的方法类型包括多视角推荐方法、时序特征推荐方法、用户特征推荐方法和资产热度推荐方法中的至少一种；
[0127]
候选推荐序列确定模块520，用于根据所述目标数据和所述预设推荐方法确定候选虚拟资产推荐序列；
[0128]
目标推荐序列确定模块530，用于根据所述候选虚拟资产推荐序列中各待推荐虚拟资产的第一资产数据以及预设推荐资产确定条件，确定目标虚拟资产推荐序列，并展示所述目标虚拟资产推荐序列。
[0129]
在上述各技术方案的基础上，可选的，若所述预设推荐方法的方法类型为所述多视角推荐方法，则所述候选推荐序列确定模块，包括：
[0130]
特征获取单元，用于根据所述目标数据获取历史用户局部特征、历史用户全局特征、历史虚拟资产局部特征、历史虚拟资产全局特征、当前用户局部特征、当前用户全局特征、当前虚拟资产局部特征和当前虚拟资产全局特征；
[0131]
全局特征提取单元，用于通过前馈神经网络分别提取所述历史用户全局特征、所述当前用户全局特征、所述历史虚拟资产全局特征和所述当前虚拟资产全局特征的全局高层特征；
[0132]
局部特征提取单元，用于通过卷积神经网络分别提取所述历史用户局部特征、所述当前用户局部特征、所述历史虚拟资产局部特征和所述当前虚拟资产局部特征的局部高
层特征；
[0133]
融合特征确定单元，用于根据所述全局高层特征和所述局部高层特征确定融合特征；
[0134]
第一推荐子序列确定单元，用于根据所述融合特征确定第一候选虚拟资产的预测评分值，并根据所述预测评分值确定所述候选虚拟资产推荐序列中的第一推荐子序列。
[0135]
在上述各技术方案的基础上，可选的，所述特征获取单元，包括：
[0136]
矩阵集合获取子单元，用于根据所述目标数据获取评分矩阵、具有评分信息的用户集合和具有评分信息的资产集合；
[0137]
特征获取子单元，用于根据所述具有评分信息的资产集合、所述具有评分信息的用户集合和所述评分矩阵，获取所述历史用户局部特征、所述历史用户全局特征、所述当前用户局部特征、所述当前用户全局特征、所述历史虚拟资产局部特征、所述历史虚拟资产全局特征、所述当前虚拟资产局部特征和所述当前虚拟资产全局特征。
[0138]
在上述各技术方案的基础上，可选的，若所述预设推荐方法的方法类型为所述时序特征推荐方法，则所述候选推荐序列确定模块，包括：
[0139]
第一匹配关系确定单元，用于从所述目标数据中获取用户需求数据和第二候选虚拟资产的第二资产数据，并确定所述用户需求数据和所述资产数据的第一匹配关系；
[0140]
第二匹配关系确定单元，用于从所述目标数据中获取用户反馈数据，并确定所述用户反馈数据和所述第二资产数据的第二匹配关系；
[0141]
第二推荐子序列确定单元，用于通过协同过滤算法结合递归神经网络，根据所述第一匹配关系和所述第二匹配关系确定预测虚拟资产，并根据所述预测虚拟资产确定所述候选虚拟资产推荐序列中的第二推荐子序列。
[0142]
在上述各技术方案的基础上，可选的，若所述预设推荐方法的方法类型为所述用户特征推荐方法，则所述候选推荐序列确定模块，包括：
[0143]
用户喜好特征确定单元，用于确定待推荐用户，并从所述目标数据中获取所述待推荐用户的用户身份数据和用户行为数据，以根据所述用户身份数据和所述用户行为数据确定用户喜好特征；
[0144]
虚拟资产特征确定单元，用于从所述目标数据中获取第三候选虚拟资产的第三资产数据，并根据所述第三资产数据确定虚拟资产特征；
[0145]
第三推荐子序列确定单元，用于根据所述用户喜好特征和所述虚拟资产特征的匹配结果，确定所述候选虚拟资产推荐序列中的第三推荐子序列。
[0146]
在上述各技术方案的基础上，可选的，若所述预设推荐方法的方法类型为所述资产热度推荐方法，则所述候选推荐序列确定模块，包括：
[0147]
热度排序结果确定单元，用于根据所述目标数据中的资产热度数据，确定第四候选虚拟资产的热度排序结果；
[0148]
第四推荐子序列确定单元，用于根据所述热度排序结果确定所述候选虚拟资产推荐序列中的第四推荐子序列。
[0149]
在上述各技术方案的基础上，可选的，所述目标推荐序列确定模块，包括：
[0150]
筛选排序方式确定单元，用于根据所述第一资产数据以及预设推荐资产确定条件，确定所述待推荐虚拟资产的筛选方式和排序方式；
[0151]
目标推荐序列确定单元，用于根据所述筛选方式和排序方式确定所述目标虚拟资产推荐序列。
[0152]
实施例五
[0153]
图6示出了可以用来实施本发明实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0154]
如图6所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
[0155]
电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0156]
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如虚拟资产推荐方法。
[0157]
在一些实施例中，虚拟资产推荐方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的虚拟资产推荐方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行虚拟资产推荐方法。
[0158]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0159]
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合
来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0160]
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0161]
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0162]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
[0163]
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0164]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
[0165]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。