一种智慧空间的信息推荐方法和系统、装置及存储介质与流程

1.本说明书涉及社区管理技术领域，特别涉及一种智慧空间的信息推荐方法、系统装置和存储介质。


背景技术：

2.在实际生活中，随着集体活动的多样性日渐增多，用户浏览和了解各类活动的难度也在不断增加。同时，活动管理者也很难准确获取用户的活动喜好，以组织或向其推荐满足其需求的活动内容。
3.为解决上述问题，本方案提供了一种智慧高效的结合集体实际情况的信息推荐方法。


技术实现要素：

4.本说明书实施例之一提供智慧空间的信息推荐方法。所述方法包括：获取用户对社区活动的浏览行为；获取并基于用户的用户基础信息、用户的历史活动和浏览行为，确定多个候选活动的推荐评分；基于推荐评分进行活动推荐；以及获取活动报名信息。
5.本说明书实施例之一提供智慧空间的信息推荐系统，所述系统包括：获取用户对社区活动的浏览行为；获取并基于用户的用户基础信息、用户的历史活动和浏览行为，确定多个候选活动的推荐评分；基于推荐评分进行活动推荐；以及获取活动报名信息。
6.本说明书实施例之一提供一种智慧空间的信息推荐装置，包括处理器，所述处理器用于执行如上述实施例中任一项所述智慧空间的信息推荐方法。
7.本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如上述实施例中任一项所述智慧空间的信息推荐方法。
附图说明
8.本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
9.图1是根据本说明书一些实施例所示的智慧空间的信息推荐系统的应用场景示意图；
10.图2是根据本说明书一些实施例所示的智慧空间的信息推荐系统的模块图；
11.图3是根据本说明书一些实施例所示的智慧空间的信息推荐方法的示例性流程图；
12.图4是根据本说明书一些实施例所示的预估人数确定流程的预估模型结构示意图；
13.图5是根据本说明书一些实施例所示的推荐模型结构的示意图。
具体实施方式
14.为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
15.应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
16.如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
17.本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
18.图1是根据本说明书一些实施例所示的智慧空间的信息推荐系统的应用场景示意图。智慧空间可以指具有一定规模的基础机构，例如社区、学校、街道等。以下部分实施例中以智慧社区作为智慧空间对本方案进行说明，其仅起到示例作用，并不在于限定本方案的应用场景。
19.如图1所示，在应用场景中可以包括用户110、用户终端120、存储设备130、处理器140、网络150。
20.用户110可以是用户终端120的使用者，用户可以是社区游客、社区访客或智慧空间的管理者等。在一些实施例中，用户可以做出浏览行为和发出查询需求。例如，用户可以对社区活动点击、收藏、转发和分享等，用户也可以查询某一社区活动类型等。在一些实施例中，用户可以接收用户终端120反馈的信息，如接收查询结果、推荐信息等。在一些实施例中，用户可以通过用户终端120获取社区用户对社区活动的浏览行为统计数据和活动报名信息等。在一些实施例中，用户的数量可以为一个或多个。
21.在一些实施例中，用户终端120以及其他可能的系统组成部分中可以包括存储设备130。
22.用户终端120指一个或多个终端设备或软件。在一些实施例中，用户终端120可以作为用户平台。例如，当终端设备的用户需要查询社区活动类型时，用户终端120可以作为用户平台输入用户的查询需求。在一些实施例中，用户终端120可以作为传输平台，例如，当终端设备的用户为社区游客时，用户终端120可以作为传输平台上传用户的浏览行为。在一些实施例中，用户终端120的用户可以是一个或多个用户。在一些实施例中，用户终端120可以是移动设备120-1、平板计算机120-2、膝上型计算机120-3等其他具有输入和/或输出功能的设备中的一种或其任意组合。
23.存储设备130可以用于存储数据和/或指令，存储设备130可以直接连接于用户终
端120或者处于用户终端120的内部。在一些实施例中，存储设备130可以用于存储用户110、活动报名信息160的相关数据。存储设备130可以在单个中央服务器、通过通信链路连接的多个服务器或多个个人设备中实现。在一些实施例中，用户终端120以及其他可能的系统组成部分中可以包括存储设备130。
24.处理器140与用户终端120可以通过网络150相连，处理器140可以与存储设备130通过网络150相连。处理器140可以用于管理资源以及处理来自本系统至少一个组件或外部数据源(例如，云数据中心)的数据和/或信息。在一些实施例中，可以通过处理器140接收用户发起的对意向场所的查询需求。处理器140在处理时可以获取存储设备130上的数据或将数据保存到存储设备130。
25.网络150可以连接应用场景100的各组成部分和/或连接系统与外部资源部分。网络150使得各组成部分之间，以及与系统之外其他部分之间可以进行通讯，促进数据和/或信息的交换。在一些实施例中，网络150可以是有线网络或无线网络中的任意一种或多种。在一些实施例中，可以通过网络120传递用户110的相关数据。
26.应当注意注应用场景100仅仅是为了说明的目的而提供的，并不意图限制本技术的范围。对于本领域的普通技术人员来说，可以根据本说明书的描述，做出多种修改或变化。例如，应用场景100还可以包括信息源。然而，这些变化和修改不会背离本技术的范围。
27.在一些实施例中，所述智慧空间的信息推荐系统200可以包括行为获取模块210、评分确定模块220、推荐模块230和信息获取模块240。
28.行为获取模块210可以用于获取用户对社区活动的浏览行为；其中，浏览行为基于用户终端获得。关于浏览行为的详细内容可以参见本说明书其他部分的描述，例如，图3。
29.评分确定模块220可以用于获取并基于用户的基础信息、用户的历史活动和浏览行为，确定多个候选活动的推荐评分。关于推荐评分的详细内容可以参见本说明书其他部分的描述，例如，图3、4、5。
30.推荐模块230可以用于基于推荐评分进行活动推荐。关于活动推荐的详细内容可以参见本说明书其他部分的描述，例如，图4、5。
31.信息获取模块240可以用于获取历史活动报名信息。关于历史活动报名信息的详细内容可以参见本说明书其他部分的描述，例如，图4、5。
32.应当理解，图2所示的系统及其模块可以利用各种方式来实现。
33.需要注意的是，以上对于智慧空间的信息推荐系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图2中披露的行为获取模块、评分确定模块、推荐模块和信息获取模块可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
34.图3是根据本说明书一些实施例所示的智慧空间的信息推荐方法的示例性流程图。如图3所示，流程300包括下述步骤。在一些实施例中，流程300可以由处理器140执行。
35.步骤310，获取用户对社区活动的浏览行为。
36.社区活动可以是以社区为单位开展各种生活活动。例如，社区活动可以包括文化
类、体育类和艺术类等类型的活动，其中，文化类活动可以包括读书下棋等，体育类活动可以包括篮球、登山等，艺术类活动可以包括唱歌比赛等。
37.浏览行为可以是用户在用户终端上对社区活动进行浏览的动作。例如，基于浏览行为可以产生多种浏览动作信息，例如，浏览动作信息可以包括用户点击浏览的活动信息、浏览时长信息、收藏转发分享操作信息等。
38.可以通过用户终端记录获取用户的浏览行为。用户终端可以包括移动设备、平板计算机等。关于用户终端的进一步说明参见图1。
39.步骤320，获取并基于用户的用户基础信息、用户的历史活动和浏览行为，确定多个候选活动的推荐评分。
40.用户基础信息可以是体现用户身份的基本信息。例如，用户基本信息可以包括用户姓名、性别、工作爱好等。
41.在一些实施例中，可以通过查看用户终端中用户的注册信息获取用户基础信息。
42.用户的历史活动可以是用户之前参加过的活动信息。例如，用户的历史活动可以包括用户参加过活动类型、参加时间等信息。
43.在一些实施例中，可以通过用户终端历史报名记录获取用户的历史活动，或基于历史活动的报名信息获取用户的历史活动。
44.候选活动可以是根据用户基础信息、用户的历史活动和浏览行为等确定的用户可能感兴趣的活动。例如，根据用户的基础信息、用户的历史活动和浏览行为，推测用户可能对体育类活动感兴趣，则候选活动可以为体育类类型的相关活动。
45.推荐评分可以是候选活动对应的评分。前述评分可以与用户基本信息、用户的历史活动、浏览行为以及候选活动特征等相关联。例如，用户的候选活动有书法、唱歌和登山等，基于用户基础信息、用户的历史活动和浏览行为等确定的用户对前述候选活动的感兴趣可能性大小依次递减，则各候选活动可以有对应的推荐评分比如书法90分、唱歌80分和登山70分等。
46.在一些实施例中，可以基于不同用户的各候选活动历史推荐评分建立数据库，根据用户基础信息和候选活动特征与数据库内数据的对比，确定推荐评分。
47.在一些实施例中，候选活动和对应的推荐评分可以通过推荐模型获得。
48.关于推荐模型的更多内容参见图5及其相关描述。
49.步骤330，基于推荐评分进行活动推荐。
50.活动推荐可以是根据候选活动及其对应评分确定的推荐给用户的活动。例如，活动推荐可以选择各候选活动中评分最高的一个或几个通过用户终端显示的方式向用户进行推荐。
51.在一些实施例中，活动推荐包括显示多个候选活动中每个候选活动的参考信息和/或显示模拟活动场景。
52.参考信息可以是对候选活动进行过各类操作或者正在进行操作的用户信息。例如，参考信息可以包括已报名用户信息、已浏览用户信息、已收藏用户信息和正在浏览用户信息等至少一种。
53.已报名用户信息可以是对候选活动进行过报名操作的用户的用户信息。可以通过用户终端记录获取已报名用户信息。
54.已浏览用户信息可以是对候选活动进行过浏览操作的用户的用户信息。可以通过用户终端记录获取已浏览用户信息。
55.已收藏用户信息可以是对候选活动进行过收藏操作的用户的用户信息。可以通过用户终端记录获取已收藏用户信息。
56.正在浏览用户信息可以是正在对候选活动进行浏览操作的用户的用户信息。可以通过用户终端记录获取正在浏览用户信息。
57.具体的，参考信息可以通过移动设备例如手机、平板电脑等或固定设备笔记本电脑等根据用户对候选活动的报名、浏览和收藏等操作的记录获得。
58.模拟活动场景可以是通过vr技术模拟显示的活动场景。例如，模拟活动场景可以包括模拟显示的舞台、球场等。
59.在一些实施例中，模拟活动场景可以基于推荐活动的活动特征，确定相同或相近的历史活动作为参考活动，并获取历史举办该活动的活动影像数据。基于历史活动影像数据和当前活动策划内容，确定模拟活动的场景特征，通过vr技术模拟显示活动场景。
60.在一些实施例中，模拟活动场景中包括用户模拟形象。
61.用户虚拟形象可以是用于模拟用户在活动场景中活动形成的虚拟用户形象。例如，用户虚拟形象可以包括用户的外貌特征、身高特征和衣着特征等。
62.在一些实施例中，用户模拟形象基于用户面部特征、身高身形和衣着特征等用户基础信息对用户进行三维建模生成。
63.模拟活动场景中还包括其他用户的模拟形象，其他用户的数量基于预估模型的输出确定。
64.其他用户的模型形象可以是用于模拟其他用户在活动场景中活动形成的虚拟用户形象。例如，其他用户虚拟形象可以包括其他用户的外貌特征、身高特征和衣着特征等。
65.其他用户的数量可以是模拟活动场景中其他参与活动的用户数量。例如，其他用户的数量可以包括预计参与该活动的其他用户的人数。
66.在一些实施例中，可以基于历史活动的用户数量建立表格，根据选取的活动与表格内容对比，根据历史活动用户数量的变化情况，估计该活动其他用户的数量。
67.在一些实施例中，可以通过预估模型确定其他用户的数量。
68.关于确预估模型的更多内容参见图4及其相关描述。
69.可以基于其他用户数量，确定模拟活动场景的大小。例如，可以为每个用户预设一定的活动范围，结合用户数量确定整个活动场景的大小。
70.基于获取候选活动的参考信息确定模拟活动场景，基于预估的其他用户数量确定场景大小。通过这种方式模拟的活动场景，能够让模拟的场景尽可能符合候选活动的要求，并且通过候选活动参与人数的不通过，规划不同大小的场景，极大提高了活动场景的利用效率。
71.步骤340，获取活动报名信息。
72.活动报名信息可以是对该活动进行报名操作的用户信息和活动信息。例如，活动报名信息可以包括用户基本信息、报名时间和报名人数等。
73.可以通过手机、电脑等用户终端记录获取活动报名信息。
74.通过获取并基于用户的浏览行为、用户的基础信息和用户的历史活动来确定多个
候选活动和对应的推荐评分，根据推荐评分进行活动推荐，并获取活动的报名信息。通过这样的流程，可以帮助用户更快找到最想报名的活动，提高浏览效率。并且能够根据活动的报名信息等，预测活动的参与人数，并提前确定需要的场地大小，可以有效避免人员拥挤的情况，提高社区活动的参与性。
75.应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
76.图4是根据本说明书一些实施例所示的预估人数确定流程的预估模型400结构示意图。
77.在一些实施例中，参考信息还包括候选活动的预估人数450。
78.预估人数450是指预测参加候选活动的相关人数，例如，候选活动为文化类活动、体育类活动和艺术类活动，则可以是文化类活动预估人数80人、体育类活动预估人数70人、艺术类活动预估人数100人等。
79.在一些实施例中，可以通过预估模型400预测，确定预估人数。预估模型为机器学习模型。
80.在一些实施例中，预估模型400的输入可以是点击和收藏该候选活动的用户分布信息411、社区用户的分布信息412、推荐模型输出的候选活动433、候选活动的热度值/点击量/收藏量434，输出可以是预估人数450。
81.在一些实施例中，用户分布信息包括年龄分布、性别分布、空闲时间分布。
82.点击和收藏该候选活动的用户分布信息411是指点击和收藏该候选活动用户的相关信息，例如，点击和收藏该候选活动的用户分布信息411可以是点击和收藏该候选活动的用户年龄分布信息、点击和收藏该候选活动的用户性别分布信息、点击和收藏该候选活动的用户空闲时间分布信息等。例如，点击和收藏该候选活动的用户年龄分布信息可以是“20-30岁年龄占比10％、30-40岁年龄占比60％、40-50岁年龄占比20％等”，点击和收藏该候选活动的用户性别分布信息可以是“女性占比46％、男性占比54％等”、点击和收藏该候选活动的用户空闲时间分布信息可以是“空闲时间0-3小时占比80％、空闲时间3-6小时占比20％”等。
83.社区用户的分布信息412是指社区用户的相关信息，例如，社区用户的分布信息41可以是社区用户的年龄分布信息、社区用户的性别分布信息、社区用户的空闲时间分布信息等。例如，社区用户的年龄分布可以是“0-30岁年龄占比30％、30-40岁年龄占比50％、40-50岁年龄占比20％等”、社区用户的性别分布信息可以是“女性占比32％、男性占比68％等”、社区用户的空闲时间分布信息可以是“空闲时间0-3小时占比60％、空闲时间3-6小时占比40％”等。
84.推荐模型输出的候选活动433是指相关的候选活动，例如，推荐模型输出的候选活动433可以为文化类活动、体育类活动和艺术类活动。关于推荐模型的更多内容详见图5及其相关描述。
85.候选活动的热度值/点击量/收藏量434是指候选活动的相关参考值，例如，候选活动的热度值/点击量/收藏量434可以是文化类活动的热度值为90、点击量1000、收藏量为800等。其中，热度值可以是候选活动的浏览量、点击量、收藏量的综合值，例如，可以预先设
置候选活动的浏览量、点击量、收藏量的对应热度占比。
86.预估模型400可以用于预估人数，预估模型400为机器学习模型。在一些实施例中，预估模型400可以是卷积神经网络模型(convolutional neural network,cnn)、深度神经网络模型(deep neural network,dnn)、循环神经网络模型(recurrent neural network，rnn)、长短期神经网络模型等或其组合。在一些实施例中，预估模型400可以包括嵌入层420和预测层440。
87.嵌入层420可以是用于确定点击和收藏该候选活动的用户分布向量和社区用户的分布向量的模型。在一些实施例中，嵌入层420可以是长短期神经网络模型等。
88.在一些实施例中，嵌入层420的输入可以是点击和收藏该候选活动的用户分布信息411、社区用户的分布信息412，输出可以是点击和收藏候选活动的用户分布向量431、社区用户分布向量432。
89.点击和收藏候选活动的用户分布向量431可以是反映点击和收藏候选活动的用户年龄、性别、时间特征相关向量。在一些实施例中，点击和收藏候选活动的用户分布向量431包括年龄分布向量、性别分布向量、时间分布向量。其中，年龄分布向量中每个元素表示每个年龄段点击和收藏候选活动的用户数量，性别分布向量中每个元素表示性别对应的点击和收藏候选活动的用户数量，时间分布向量中每个元素表示每一空闲时段对应的点击和收藏候选活动的用户数量。
90.在一些实施例中，点击和收藏候选活动的用户分布向量431可以是多维的元素组成的向量。例如，点击和收藏候选活动的用户分布向量431可以是3维向量，即((x1,x2,x3),(y1,y2),(z1,z2,z3))，其中(x1,x2,x3)为点击和收藏候选活动的用户年龄的特征值，(y1,y2)为点击和收藏候选活动的用户性别的特征值，(z1,z2,z3)为点击和收藏候选活动的用户时间的特征值。仅作为示例的(x1,x2,x3)中每个元素代表一个年龄段，每个元素值代表点击和收藏候选活动的用户中，该年龄段的用户数量。
91.社区用户分布向量432可以是反映社区用户年龄、性别、时间特征等相关信息的向量。在一些实施例中，社区用户分布向量432包括年龄分布向量、性别分布向量、时间分布向量。其中，年龄分布向量中每个元素表示每个年龄段社区用户数量，性别分布向量中每个元素表示性别对应的社区用户数量，时间分布向量中每个元素表示每一空闲时段对应的社区用户数量。
92.在一些实施例中，社区用户分布向量432可以是多维的元素组成的向量。例如，社区用户分布向量432可以是3维向量，即((x1,x2,x3),(y1,y2),(z1,z2,z3))，其中(x1,x2,x3)为社区用户年龄的特征值，(y1,y2)为社区用户性别的特征值，(z1,z2,z3)为社区用户时间的特征值。
93.预测层440可以是用于确定预估人数的模型。在一些实施例中，预测层440可以是循环神经网络模型等。
94.在一些实施例中，预测层440的输入可以是点击和收藏候选活动的用户分布向量431、社区用户分布向量432、推荐模型输出的候选活动433、候选活动的热度值/点击量/收藏量434，输出可以是预估人数450。关于推推荐模型输出的候选活动433、候选活动的热度值/点击量/收藏量434的更多内容详见上述内容。
95.关于推荐模型的更多内容详见图5及其相关描述。
96.在一些实施例中，嵌入层420的输出可以为预测层440的输入，嵌入层420、预测层440可以联合训练得到。例如，向嵌入层420输入训练样本数据，即点击和收藏该候选活动的用户属性特征和社区用户分布信息，得到嵌入层420输出的对应用户属性向量特征和用户分布向量特征。然后将用户属性向量特征和用户分布向量特征作为训练样本数据输入预测层440，得到预测层440输出的预估人数结果。使用标签对预测层440的输出(也即预估人数结果)进行验证。在训练过程中，可以基于标签和预测层440的输出建立损失函数对预估模型的参数(如嵌入层420的参数、预测层440的参数)进行更新。在一些实施例中，训练样本可以包括获取每一类活动相关的历史数据，包括每一类活动的历史热度值/点击量/收藏量、对应的用户分布信息、社区历史用户分布信息。标签可以是每一类活动的历史参加人数。在一些实施例中，训练样本可以基于历史活动数据获取，标签可以通过人工标注获取。
97.预估模型400的输入还包括其他用户对候选活动的浏览统计和历史参加信息。
98.浏览统计是指反映浏览量的相关统计，浏览统计包括候选活动的浏览量、对应的用户属性特征。例如，候选活动文化类的浏览量可以是800次，体育类的浏览量可以600次等。例如，候选活动体育类的对应用户属性特征可以是性别“男”的浏览量为400次、工作“程序员”的浏览量为100次、爱好“爬山”的浏览量为500次。关于用户属性特征详见图5及其相关说明。
99.在一些实施例中，系统可以获取网页后台浏览量，确定其他用户对候选活动的浏览统计。
100.历史参加信息是指参加过候选活动的历史用户信息，历史参加信息包括参加过候选活动的用户属性特征、计划人数与实到人数等。例如，候选活动体育类的对应用户属性特征可以是性别“男”的计划人数为100人、实到人数70人，工作“程序员”的浏览量的计划人数为30人、实到人数20人、爱好“爬山”的计划人数为50人、实到人数40人。
101.在一些实施例中，系统可以通过历史活动记录，获取历史参加信息。例如，通过历史活动签到表，获取历史参加信息。
102.在一些实施例中，浏览统计和历史参加信息可以是分布信息。在一些实施例中，可以通过嵌入层嵌入，得到浏览统计和历史参加信息对应的向量。
103.通过在本说明书一些实施例所述的预估模型的输入还包括其他用户对候选活动的浏览统计和历史参加信息，可以在人数预测时加入浏览统计和历史参加数据作为参考，实现多角度的综合考虑，提高预估模型预测准确性。
104.通过本说明书一些实施例所述的人数预测过程，可以实现基于深度学习的人数智能预测，将点击和收藏该候选活动的用户属性信息、社区用户分布信息作为预测的参考依据，提高预测模型预测结果的真实性和准确性；另外，在预测模型训练时，通过获取每一类活动相关的历史数据进行训练，将每一类活动的历史参加人数作为标签，可以更加方便的进行标签获取。
105.图5是根据本说明书一些实施例所示的推荐模型结构的示意图。
106.在一些实施例中，可以基于用户基础信息、历史活动、浏览行为，通过推荐模型500确定多个候选活动的推荐评分。
107.推荐模型500可以用于确定候选活动的推荐评分。在一些实施例中，推荐模型为机器学习模型，包括深度分支和广度分支。
108.在一些实施例中，推荐模型500的输入可以是数值型特征521、类别型特征522、稀疏特征511，输出可以是推荐活动及对应的评分540。
109.在一些实施例中，深度分支520的输入可以是数值型特征521和类别型特征522，输出可以是融合后的数值特征和类别特征。
110.数值型特征521包括用户年龄、活动浏览时长、已参加活动数量/已点击浏览(收藏)活动数量、用户近期一段时间(如7天、15天、30天、90天)的浏览/点击/收藏数量、活动的热度值/点击量/收藏量等。
111.类别型特征522包括用户已参加(浏览/收藏)活动特征、当前曝光活动(待推荐活动)特征、用户属性特征。其中，用户已参加(浏览/收藏)活动特征是指可以反映用户已参加(浏览/收藏)活动的相关特征。活动特征包括活动类型、活动时长、活动时间、活动地点等活动属性的特征。例如，用户已参加(浏览/收藏)活动特征可以是已参加(浏览/收藏)活动类型为运动类、已参加(浏览/收藏)活动时长为3小时等。
112.当前曝光活动(待推荐活动)特征是指可以反映当前曝光活动(待推荐活动)的相关特征，例如，当前曝光活动(待推荐活动)特征可以是当前曝光活动类型为文艺类、当前曝光活动时长为2小时等。
113.用户属性特征可以反映用户属性的特征，包括用户姓名、性别、工作、爱好、家庭信息等。
114.在一些实施例中，类别型特征522可以通过嵌入层523进行降维处理为低维度特征。在一些实施例中，可以将降维之后的低维度特征，作为深度分支520特征的输入。
115.在一些实施例中，数值型特征521和降维后的类别型特征522可以通过连接层524连接。
116.在一些实施例中，深度分支520的输入还包括用户基础信息和活动特征。
117.在一些实施例中，广度分支510的输入可以是稀疏特征511，输出可以是交叉处理后的稀疏特征。
118.稀疏特征511包括用户已参加活动的(浏览/收藏)活动特征、当前曝光的活动(待推荐活动)的活动特征。其中，活动特征包括活动类型。
119.在一些实施例中，可以通过交叉变换层512，对已参加(浏览/收藏)活动特征、当前曝光活动(待推荐活动)特征进行变换。交叉变换层512可以将输入已参加(浏览/收藏)活动特征、当前曝光活动(待推荐活动)特征进行组合，输出交叉组合特征。交叉变换层512可以通过特定的变换函数对已参加(浏览/收藏)活动特征、当前曝光活动(待推荐活动)特征进行组合，特定的变换函数可以是交叉积变换函数等。可以理解的，可以基于交叉变换层512找到已参加(浏览/收藏)活动、当前曝光活动(待推荐活动)之间的关联关系，从而来确定最终评分。
120.在一些实施例中，交叉变换层512、连接层524、输出层530可以为神经网络(nn)、深度神经网络(dnn)等。
121.在一些实施例中，广度分支510的输入还包括历史活动、浏览行为。
122.关于历史活动、浏览行为的更多内容详见图3及其相关描述。
123.在一些实施例中，推荐模型500可以基于深度分支520和广度分支510的输出，通过输出层530确定推荐活动及对应的评分540。
124.推荐模型500的输出层530的输入还包括基于预估模型400获取的活动参考向量。
125.活动参考向量是指可以反映候选活动的分布的相关参考向量，例如，活动参考向量可以是点击和收藏候选活动的用户分布参考向量、社区用户分布参考向量等。
126.在一些实施例中，可以基于预估模型400的预测层440的中间结果，确定活动参考向量。例如，基于预估模型400的预测层440，获取初始预估人数结果，则初始预估人数结果对应的向量可以为活动参考向量，如点击和收藏候选活动的用户年龄分布向量、点击和收藏候选活动的用户性别分布向量、点击和收藏候选活动的用户时间分布向量等。
127.通过在本说明书一些实施例所述的基于预估模型获取的活动参考向量，可以在确定推荐活动及对应的评分时加入活动参考向量作为参考，实现多角度的综合考虑，提高推荐模型预测准确性。
128.在一些实施例中，嵌入层523的输出可以为连接层524的输入，交叉变换层512和连接层524的输出可以为输出层530的输入，交叉变换层512、嵌入层523、连接层524、输出层530可以联合训练得到。例如，向嵌入层420输入训练样本数据，即类别型特征，向连接层524输入训练样本数据，即数值型特征和类别型特征，得到连接层524输出的连接后的数值型特征和类别型特征。例如，向交叉变换层512输入训练样本数据，即稀疏特征，得到向交叉变换层512输出的交叉后的稀疏特征。然后将连接后的数值型特征和类别型特征、交叉后的稀疏特征作为训练样本数据输入输出层530，得到输出层530输出的推荐活动及对应的评分。使用标签对输出层530的输出(也即推荐活动及对应的评分)进行验证。在训练过程中，可以基于标签和输出层530的输出建立损失函数对预估模型的参数(如交叉变换层512的参数、嵌入层523的参数、连接层524的参数以及输出层530的参数)进行更新。
129.在一些实施例中，训练样本可以包括与社区活动相关的的用户历史行为数据，例如，可以通过网站、小程序、app等，获取与社区活动相关的用户历史行为数据。标签可以是已参加(浏览/收藏)活动则标签为1；反之为0。在一些实施例中，训练样本可以基于历史行为数据获取，标签可以通过人工标注获取。
130.通过本说明书一些实施例所述的推荐活动及对应的评分确定过程，可以实现基于深度学习的推荐活动及对应的评分的智能预测，将活动特征、数值型特征、类别型特征作为确定的参考依据，提高推荐模型确定推荐活动及对应的评分的真实性和准确性。
131.上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
132.同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
133.此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说
明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
134.同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
135.一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有
±
20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
136.针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
137.最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。