一种基于深度学习的智能推荐方法和系统与流程

本技术实施例涉及深度学习领域，尤其涉及一种基于深度学习的智能推荐方法和系统。

背景技术：

1、随着科技不断的发展，各种各样的工业用软件层出不穷，在各式各样的领域中，都能通过软件设计的方式来提高该领域的办公效率。在一些新的领域的软件上，通常会根据用户的反馈进行更多功能的开发与完善。在满足日常使用的基础上，通常还会出现众多的需要付费的功能，这些功能需要用户主动付费开通服务才能开通。

2、而这一类付费功能通常属于非常规功能，不是每一位用户都需要到的，但是对于一些用户是非常需要的。例如某领域中存在需要涉外处理的功能，由于不是所有使用该软件的单位都有资质涉及外国事务，但是有资质涉外的单位通常具有大量的涉外案件需要处理，对于该涉外功能就有非常大的需求。可以看出，这类付费类型的功能对于特定人群有着极大的市场，这时，功能产品推荐技术就起到了极大的作用。一般来说，产品推荐技术可以根据用户的行为特征、产品本身的属性等，向用户推荐更有价值的产品，实现对用户的引导作用，增强用户选购的目的性。但是目前针对的通常是针对实体商品的推荐技术，这类实体产品推荐技术通常是根据用户的浏览记录，以及用户的购买的其他商品的关联性来推荐的，或者是基于用户的查询记录。这对于软件类付费功能产品来说是很难照搬的，因为用户基本上不会为了软件而进行付费功能查询，故无法提取到有效的浏览记录和查询记录。

3、目前，随着深度学习技术的不断发展，现如今越来越多的人使用深度学习技术处理生活与工作上的事务，深度学习技术的便利性和可靠性越来越得到体现。使用深度学习对于软件的付费功能进行推送是一大研究方向，通过针对用户在处理事务时所产生的图像，以此判断用户这些数据是否和付费功能相匹配，从而为用户进行付费功能的推荐，但是目前，这一类使用深度学习的推荐方法智能简单的分析与的操作图像于付费功能的演示图像的相似性来判断是否相似，根据相似度来推荐付费功能。但是仅仅依靠单纯的用户操作图像来进行分析会出现不准确的情况，因为不同的操作所产生的图像是有可能非常相似的，例如在文档中最右侧增加一栏带累加函数的总数合计，以及人工一栏新数据，操作完成之后的如图像都是右侧增加了一栏数字，深度学习模型如果根据图像相似性判断会发现都可以推荐快速累加功能。这就导致在一些相对复杂的付费功能上，往往会出现付费功能推荐的准确性降低的情况。

技术实现思路

1、本技术公开了一种基于深度学习的智能推荐方法和系统，用于提高付费功能推荐的准确性。

2、本技术第一方面公开了一种基于深度学习的智能推荐方法，包括：

3、获取目标用户基于目标软件的用户使用数据；

4、获取目标软件中目标功能的功能演示数据；

5、根据功能演示数据获取初始界面集合和结算界面集合，初始界面集合包括至少两张初始界面图像，结算界面集合包括至少两张结算界面图像，每一张初始界面图像都有对应的结算界面图像；

6、根据用户使用数据、至少两张初始界面图像和至少两张结算界面图像确定操作起点匹配界面集合和操作终点匹配界面集合；

7、根据用户使用数据、起点匹配界面集合、操作终点匹配界面集合以及对应关系生成至少一段用户操作数据，并确定其中一段目标用户操作数据；

8、根据目标用户操作数据提取中间采集图像集合和操作标签，中间采集图像集合包括至少一张中间采集图像；

9、根据功能演示数据获取中间演示图像集合；

10、将操作标签与中间采集图像集合输入深度学习模型的生成器中进行特征融合，生成中间增强图像集合，深度学习模型包括生成器和判别器；

11、根据判别器中的损失函数对中间增强图像集合和中间演示图像集合中的图像进行相似度的计算，生成相似概率值集合；

12、根据相似概率值集合计算目标用户操作数据和功能演示数据的推荐匹配度；

13、当推荐匹配度大于预设推荐阈值，则为目标用户进行目标功能的推荐。

14、可选的，操作标签包括第一操作类型标签和第一操作对象标签；

15、根据目标用户操作数据提取中间采集图像集合和操作标签，包括：

16、根据目标用户操作数据筛选出用户操作过程中的中间采集图像，以生成中间采集图像集合；

17、根据目标用户操作数据确定每一张中间采集图像的操作类型信息和操作对象信息；

18、根据每一张中间采集图像的操作类型信息和操作对象信息生成第一操作类型标签和第一操作对象标签。

19、可选的，在将操作标签与中间采集图像集合输入深度学习模型的生成器中进行特征融合，生成中间增强图像集合之后，根据判别器中的损失函数对中间增强图像集合和中间演示图像集合中的图像进行相似度的计算，生成相似概率值集合之前，智能推荐方法还包括：

20、根据功能演示数据获取中间演示图像集合中每一张中间演示图像对应的操作类型信息和操作对象信息；

21、根据每一张中间演示图像的操作类型信息和操作对象信息生成第二操作类型标签和第二操作对象标签；

22、将每一张中间演示图像、第二操作类型标签和第二操作对象标签输入深度学习模型的生成器中进行标签增强处理。

23、可选的，根据用户使用数据、至少两张初始界面图像和至少两张结算界面图像确定操作起点匹配界面集合和操作终点匹配界面集合，包括：

24、将至少两张初始界面图像和至少两张结算界面图像的操作区域进行特征提取，生成操作区域特征集合；

25、根据操作区域特征生成区域增强标签集合；

26、将区域增强标签集合与用户使用数据中的用户操作图像进行融合，生成用户增强图像集合；

27、使用卷积神经网络模型将用户增强图像集合分别与至少两张初始界面图像和至少两张结算界面图像进行相似度分析，生成相似概率值集合；

28、根据相似概率值集合确定至少两张初始界面图像对应的操作起点匹配界面集合；

29、根据相似概率值集合确定至少两张结算界面图像对应的操作终点匹配界面集合。

30、可选的，根据用户使用数据、起点匹配界面集合、操作终点匹配界面集合以及对应关系生成至少一段用户操作数据，并确定其中一段目标用户操作数据，包括：

31、将初始界面集合和结算界面集合存在对应关系的初始界面图像和结算界面图像进行关联；

32、确定完成关联的初始界面图像和结算界面图像对应的目标操作起点匹配界面和目标操作终点匹配界面；

33、以目标操作起点匹配界面和目标操作终点匹配界面为范围，在用户使用数据中分割出至少一段用户操作数据，并确定其中一段目标用户操作数据。

34、本技术第二方面公开了一种基于深度学习的智能推荐系统，包括：

35、第一获取单元，用于获取目标用户基于目标软件的用户使用数据；

36、第二获取单元，用于获取目标软件中目标功能的功能演示数据；

37、确定单元，用于根据用户使用数据确定目标用户的一段目标用户操作数据，目标用户操作数据为用户对同一对象进行的操作集合；

38、确定单元，包括：

39、获取模块，用于根据功能演示数据获取初始界面集合和结算界面集合，初始界面集合包括至少两张初始界面图像，结算界面集合包括至少两张结算界面图像，每一张初始界面图像都有对应的结算界面图像；

40、确定模块，用于根据用户使用数据、至少两张初始界面图像和至少两张结算界面图像确定操作起点匹配界面集合和操作终点匹配界面集合；

41、生成模块，用于根据用户使用数据、起点匹配界面集合、操作终点匹配界面集合以及对应关系生成至少一段用户操作数据，并确定其中一段目标用户操作数据；

42、提取单元，用于根据目标用户操作数据提取中间采集图像集合和操作标签，中间采集图像集合包括至少一张中间采集图像；

43、第三获取单元，用于根据功能演示数据获取中间演示图像集合；

44、第一生成单元，用于将操作标签与中间采集图像集合输入深度学习模型的生成器中进行特征融合，生成中间增强图像集合，深度学习模型包括生成器和判别器；

45、第二生成单元，用于根据判别器中的损失函数对中间增强图像集合和中间演示图像集合中的图像进行相似度的计算，生成相似概率值集合；

46、计算单元，用于根据相似概率值集合计算目标用户操作数据和功能演示数据的推荐匹配度；

47、推荐单元，用于当推荐匹配度大于预设推荐阈值，则为目标用户进行目标功能的推荐。

48、可选的，操作标签包括第一操作类型标签和第一操作对象标签；

49、提取单元，包括：

50、根据目标用户操作数据筛选出用户操作过程中的中间采集图像，以生成中间采集图像集合；

51、根据目标用户操作数据确定每一张中间采集图像的操作类型信息和操作对象信息；

52、根据每一张中间采集图像的操作类型信息和操作对象信息生成第一操作类型标签和第一操作对象标签。

53、可选的，第一生成单元之后，第二生成单元之前，智能推荐系统还包括：

54、第四获取单元，用于根据功能演示数据获取中间演示图像集合中每一张中间演示图像对应的操作类型信息和操作对象信息；

55、第三生成单元，用于根据每一张中间演示图像的操作类型信息和操作对象信息生成第二操作类型标签和第二操作对象标签；

56、增强单元，用于将每一张中间演示图像、第二操作类型标签和第二操作对象标签输入深度学习模型的生成器中进行标签增强处理。

57、可选的，确定模块，包括：

58、将至少两张初始界面图像和至少两张结算界面图像的操作区域进行特征提取，生成操作区域特征集合；

59、根据操作区域特征生成区域增强标签集合；

60、将区域增强标签集合与用户使用数据中的用户操作图像进行融合，生成用户增强图像集合；

61、使用卷积神经网络模型将用户增强图像集合分别与至少两张初始界面图像和至少两张结算界面图像进行相似度分析，生成相似概率值集合；

62、根据相似概率值集合确定至少两张初始界面图像对应的操作起点匹配界面集合；

63、根据相似概率值集合确定至少两张结算界面图像对应的操作终点匹配界面集合。

64、可选的，生成模块，包括：

65、将初始界面集合和结算界面集合存在对应关系的初始界面图像和结算界面图像进行关联；

66、确定完成关联的初始界面图像和结算界面图像对应的目标操作起点匹配界面和目标操作终点匹配界面；

67、以目标操作起点匹配界面和目标操作终点匹配界面为范围，在用户使用数据中分割出至少一段用户操作数据，并确定其中一段目标用户操作数据。

68、从以上技术方案可以看出，本技术实施例具有以下优点：

69、本技术中，首先获取目标用户基于目标软件的用户使用数据，即获取用户在使用目标软件时产生的所有操作以及操作界面图像等数据。接下来需要获取目标软件中目标功能的功能演示数据，即获取需要付费的目标功能的演示数据，即在设计这一功能时配套的使用教程，或者是文字图案教程等，这类功能演示数据包括了起始的演示界面、结算的演示界面、中间操作界面等众多图像数据和操作数据。根据功能演示数据获取初始界面集合和结算界面集合，初始界面集合包括至少两张初始界面图像，结算界面集合包括至少两张结算界面图像，每一张初始界面图像都有对应的结算界面图像。根据用户使用数据、至少两张初始界面图像和至少两张结算界面图像确定操作起点匹配界面集合和操作终点匹配界面集合。根据用户使用数据、起点匹配界面集合、操作终点匹配界面集合以及对应关系生成至少一段用户操作数据，并确定其中一段目标用户操作数据。根据目标用户操作数据提取中间采集图像集合和操作标签，中间采集图像集合包括至少一张中间采集图像。然后根据功能演示数据获取中间演示图像集合。将操作标签与中间采集图像集合输入深度学习模型的生成器中进行特征融合，生成中间增强图像集合，深度学习模型包括生成器和判别器。通过该方式将操作上的信息增加到中间采集图像集合中的每一张图像中去。根据判别器中的损失函数对中间增强图像集合和中间演示图像集合中的图像进行相似度的计算，生成相似概率值集合。根据相似概率值集合计算目标用户操作数据和功能演示数据的推荐匹配度。当推荐匹配度大于预设推荐阈值，则为目标用户进行目标功能的推荐。

70、通过在图像中增加操作标签，能够将在图像中融合操作的数据类型，以及融合一些基础的操作，例如“单个选中数字目标”、“框选文本目标”、“增加运算符号”等基础的现有操作。这类基础操作在目标功能的中间演示图像集合中也会体现，而且会因为目标功能的不同而存在基础操作的差异，这就能够通过增强了基础操作标签的中间增强图像与中间演示图像进行对比，得到目标功能的推荐匹配度，即可确定该需要付费的目标功能是否合适推荐给目标用户。不仅仅依靠单纯的用户操作图像来进行分析，而是增加相应的基础操作特征进行判断，提高了付费功能推荐的准确性。