一种区块推荐方法、装置、计算机设备及存储介质与流程

1.本技术涉及人工智能技术以及金融科技领域，尤其涉及一种区块推荐方法、装置、计算机设备及存储介质。


背景技术：

2.目前，各类商务平台已成为日常消费过程中不必可少的工具，人们也越来越倾向于在网上浏览信息或购物。在首页大流量的带动下，更多的服务方希望得到首页曝光机会，由此扩充内容池(推荐池)的需求越来越多。但在运行过程中发现，新增推荐池的流程涉及的关联方较多，更新版本排期耗时长，重复开发成本高。此外，而首页的浏览效果则一般是由前端服务器实现，需要优化前端服务器的运行策略以提高首页浏览效果和响应速度，而在这一方面，运营平台主要还是依靠人工对接、手工维护等手段实现页面的个性化，成本很高。


技术实现要素：

3.本技术实施例的目的在于提出一种区块推荐方法、装置、计算机设备及存储介质，以解决相关技术中产品推荐成本高、开发周期长以及运行效率低的技术问题。
4.为了解决上述技术问题，本技术实施例提供一种区块推荐方法，采用了如下所述的技术方案：
5.创建运营专区，并在所述运营专区内配置运营区块，所述运营区块中含有运营内容；
6.获取历史用户偏好的运营区块的样本数据，所述样本数据包括输入数据和期望输出；其中，所述输入数据包括所述历史用户的基础特征数据和行为特征数据以及所述运营区块的区块表现数据和内容特征数据，所述期望输出为所述输入数据对应的运营区块；
7.构建神经网络模型，基于所述输入数据和所述期望输出训练所述神经网络模型，直至模型收敛，输出最终的模型作为推荐模型；
8.获取目标用户的目标基础特征数据和目标行为特征数据，基于所述目标基础特征数据和所述目标行为特征数据得到目标区块表现数据和目标内容特征数据；
9.将所述目标基础特征数据、所述目标行为特征数据、所述目标区块表现数据和所述目标内容特征数据输入所述推荐模型，输出目标运营区块。
10.进一步的，所述构建神经网络模型的步骤包括：
11.根据所述输入数据的特征属性数量确定输入层的输入节点数，根据所述期望输出确定输出层的输出节点数；
12.构建至少一层隐含层，基于所述输入节点数和所述输出节点数得到每层所述隐含层的隐含神经元数量；
13.基于所述输入节点数、所述隐含神经元数量和所述输出节点数，构建神经网络模型。
14.进一步的，所述基于所述输入数据和所述期望输出训练所述神经网络模型，直至模型收敛，输出最终的模型作为推荐模型的步骤包括：
15.根据所述输入数据构建输入特征向量，将所述输入特征向量输入所述神经网络模型，输出预测结果；
16.基于所述预测结果和所述期望输出计算误差结果；
17.在所述误差结果大于预设误差时，按照误差梯度下降法调整模型参数，直至所述误差结果小于等于预设误差，模型收敛，输出最终的模型参数作为目标参数；
18.按照所述目标参数更新所述神经网络模型，得到推荐模型。
19.进一步的，在所述在所述运营专区内配置运营区块的步骤之后还包括：
20.在所述运营区块内创建轮播视图，并在所述轮播视图中创建轮播显示控件和轮播参数对象，所述轮播对象参数中配置有轮播内容的轮播数据；
21.将轮播参数对象加载至轮播参数的对象数据组中；
22.接收到轮播请求，获取所述轮播内容对应的对象数据组；
23.通过所述轮播视图调取所述对象数据组中的所述轮播参数对象；
24.根据所述轮播参数对象中的所述轮播数据，将所述轮播内容按照预设时间间隔在所述轮播显示控件进行展示。
25.进一步的，在所述输出目标运营区块的步骤之后还包括：
26.根据所述目标基础特征数据和所述目标行为特征数据确定所述目标用户的用户特征；
27.根据所述用户特征确定用户类别，基于所述用户类别为所述目标用户匹配优先推荐的运营区块。
28.进一步的，在所述输出目标运营区块的步骤之后还包括：
29.在所述运营专区创建新的运营区块作为新增运营区块，将所述新增运营区块推送给用户；
30.获取预设时间段所述新增运营区块的标签数据，所述标签数据包括所述新增运营区块的区块标识信息和区块表现数据；
31.基于所述标签数据，按照预设评分规则对所述新增运营区块进行评分，得到评分结果；
32.根据所述评分结果对所述新增运营区块进行展示。
33.进一步的，在所述输出目标运营区块的步骤之后还包括：
34.实时获取所述目标用户的实时行为特征数据，基于所述实时行为特征数据更新展示的运营区块。
35.为了解决上述技术问题，本技术实施例还提供一种区块推荐装置，采用了如下所述的技术方案：
36.配置模块，用于创建运营专区，并在所述运营专区内配置运营区块，所述运营区块中含有运营内容；
37.第一获取模块，用于获取历史用户偏好的运营区块的样本数据，所述样本数据包括输入数据和期望输出；其中，所述输入数据包括所述历史用户的基础特征数据和行为特征数据以及所述运营区块的区块表现数据和内容特征数据，所述期望输出为所述输入数据
对应的运营区块；
38.训练模块，用于构建神经网络模型，基于所述输入数据和所述期望输出训练所述神经网络模型，直至模型收敛，输出最终的模型作为推荐模型；
39.第二获取模块，用于获取目标用户的目标基础特征数据和目标行为特征数据，基于所述目标基础特征数据和所述目标行为特征数据得到目标区块表现数据和目标内容特征数据；
40.计算模块，用于将所述目标基础特征数据、所述目标行为特征数据、所述目标区块表现数据和所述目标内容特征数据输入所述推荐模型，输出目标运营区块。
41.为了解决上述技术问题，本技术实施例还提供一种计算机设备，采用了如下所述的技术方案：
42.该计算机设备包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的区块推荐方法的步骤。
43.为了解决上述技术问题，本技术实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
44.所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的区块推荐方法的步骤。
45.与现有技术相比，本技术主要有以下有益效果：
46.本技术通过创建运营专区，并在运营专区配置运营区块，运营区块中含有运营内容，通过在运营专区中配置运营区块来扩充推荐的内容，开发效率高，有效降低开发成本和周期；通过用户的基础特征数据和行为特征数据以及运营区块的区块表现数据和内容特征数据来训练神经网络模型，得到的推荐模型可以将用户画像和运营区块进行紧密结合，可以及时、准确地针对目标用户进行推荐，提高个性化推荐的精度，避免用户流失，同时还提高推荐效率的同时降低推荐运营的人力成本。
附图说明
47.为了更清楚地说明本技术中的方案，下面将对本技术实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
48.图1是本技术可以应用于其中的示例性系统架构图；
49.图2是根据本技术的区块推荐方法的一个实施例的流程图；
50.图3是根据本技术的区块推荐装置的一个实施例的结构示意图；
51.图4是根据本技术的计算机设备的一个实施例的结构示意图。
具体实施方式
52.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术；本技术的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本技术的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用
于描述特定顺序。
53.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
54.为了使本技术领域的人员更好地理解本技术方案，下面将结合附图，对本技术实施例中的技术方案进行清楚、完整地描述。
55.本技术提供了一种区块推荐方法，涉及人工智能，可以应用于如图1所示的系统架构100中，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
56.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
57.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(moving picture experts group audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving picture experts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
58.服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
59.需要说明的是，本技术实施例所提供的区块推荐方法一般由服务器/终端设备执行，相应地，区块推荐装置一般设置于服务器/终端设备中。
60.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
61.继续参考图2，示出了根据本技术的区块推荐方法的一个实施例的流程图，包括以下步骤：
62.步骤s201，创建运营专区，并在运营专区内配置运营区块，运营区块中含有运营内容。
63.在首页页面创建运营专区，运营专区对应设置有内容池，内容池内有运营专区的所有运营内容，并根据运营内容的特征属性配置多个运营区块，其中，运营内容包括但不限于商品、保险、服务、内容教育、助农、直播、节点活动、本地福利、车主福利等，相应的，运营区块包括但不限于省钱专区、发现好货、车主福利、本地福利、车主权益、节点活动、新人礼包、保险服务、助农扶贫等。
64.步骤s202，获取历史用户偏好的运营区块的样本数据，样本数据包括输入数据和期望输出；其中，输入数据包括历史用户的基础特征数据和行为特征数据以及运营区块的区块表现数据和内容特征数据，期望输出为输入数据对应的运营区块。
65.在本实施例中，输入数据包括两部分，一部分是用户数据，另一部分是运营区块数据，其中，用户数据包括基础特征数据和行为特征数据，运营区块数据包括区块表现数据和
neural networks)，构建bp神经网络模型，包括一个输入层、至少一个隐含层和一个输出层。
76.对样本数据进行归一化，得到归一化的样本数据，利用归一化后的样本数据对bp神经网络模型进行训练。
77.将每个用户的归一化后的输入数据的特征属性作为输入向量，该用户偏好的运营区块作为输出向量，利用输入向量和输入向量对bp神经网络模型进行训练，直至模型收敛，得到推荐模型。
78.bp神经网络是一种前馈式、误差反向传播的神经网络，同时也是神经网络中应用最广泛的一种。bp神经网络是一种学习算法，在样本训练迭代过程中通过反向误差传播原理不断学习样本之间的内在关系，并将这些关系应用在之后的预测中。因此，利用bp神经网络模型对运营区块的样本数据进行预测，对于用户个性化运营区块推荐具有重要的指导意义。
79.在一些实施例中，上述构建神经网络模型的步骤包括：
80.根据输入数据的特征属性数量确定输入层的输入节点数，根据期望输出确定输出层的输出节点数；
81.构建至少一层隐含层，基于输入节点数和输出节点数得到每层隐含层的隐含神经元数量；
82.基于输入节点数、隐含神经元数量和输出节点数，构建神经网络模型。
83.其中，输出层的输出节点可以根据期望输出的数量设定。
84.在本实施例中，将每个用户的输入数据组成一组输入向量：
85.p(i)＝p
i1
，p
i2
，p
i3
，
…
，p
in
]；
86.其中，p
ik
表示用户i的第k个特征属性，k＝1,
…
,n，n为用户的特征属性数量。其中，p
ik
＝0时，该用户不具有该特征属性；p
ik
＝1时，该用户具有该特征属性。
87.示例的，用户的输入向量为p(1)＝p
11
，p
12
，p
13
，
…
，p
i2
]，则表示输入数据的特征属性数量为12，输入层具有12个输入节点；输出层设置4个输出节点，表示输出4个推荐的运营区块；隐含层的节点数为其中n为输入节点数，m为输出节点数，a为1-10之间的常数。
88.构建隐含层的激活函数，可以采用采用transig函数，公式如下：
[0089][0090]
其中，l表示隐含层的层数；a
l
表示bp神经网络模型第l层隐含层的输出向量，当l＝1时，a0＝p，p为bp神经网络模型输入层的输入向量；w
l
和b
l
分别表示bp神经网络模型第l层隐含层的权值向量和阈值向量。
[0091]
输出层的激活函数采用采用logsig函数。
[0092]
初始化神经网络模型各层的权值向量和阈值向量，并设置神经网络基本参数阈值。
[0093]
基于确定的输入节点数、隐含神经元数量、输出节点数、隐含层的激活函数以及输出层的激活函数构建bp神经网络模型。
[0094]
使用输入数据按照神经网络基本参数阈值训练bp神经网络模型，其中，神经网络基本参数包括最大训练次数、训练目标最小误差、学习率以及最大失败次数等。
[0095]
在一些可选的实施方式中，上述基于输入数据和期望输出训练神经网络模型，直至模型收敛，输出最终的模型作为推荐模型的步骤包括：
[0096]
根据输入数据构建输入特征向量，将输入特征向量输入神经网络模型，输出预测结果；
[0097]
基于预测结果和期望输出计算误差结果；
[0098]
在误差结果大于预设误差时，按照误差梯度下降法调整模型参数，直至误差结果小于等于预设误差，模型收敛，输出最终的模型参数作为目标参数；
[0099]
按照目标参数更新神经网络模型，得到推荐模型。
[0100]
在本实施例中，神经网络模型包括正向传播过程和反向传播过程，正向传播过程为：输入层通过接收输入数据，传递给中间层(各隐含层)神经元，每一个神经元进行数据处理变换，然后通过最后一个隐含层传递到输出层对外输出；反向传播过程为：正向传播后通过真实值(期望输出)和输出值(预测结果)得到误差error，当error大于预设误差，即实际输出与期望输出差别过大时，进入误差反向传播阶段；error通过输出层，按照误差梯度下降的方式，例如随机梯度下降法sgd，反向修正各层参数(如权值、阈值以及学习率等)，并向隐含层、输入层逐层反转。
[0101]
通过不断的正向、反向传播，直到输出的误差减少到预设误差，或到达最大训练次数，即模型收敛，输出最终的模型参数作为目标参数，并按照目标参数更新神经网络模型，得到推荐模型。
[0102]
训练完成后得到的各层权值向量和阈值向量，可以保证后续的运营区块推荐能得到较为精准的推荐结果。
[0103]
步骤s204，获取目标用户的目标基础特征数据和目标行为特征数据，基于目标基础特征数据和目标行为特征数据得到目标区块表现数据和目标内容特征数据。
[0104]
在本实施例中，基于目标基础特征数据和目标行为特征数据，提取运营区块信息，例如用户点击的运营区块、购买的产品所在的运营区块等；根据运营区块信息匹配相应运营区块作为目标运营区块，进而获取目标运营区块的目标区块表现数据和目标内容特征数据。
[0105]
步骤s205，将目标基础特征数据、目标行为特征数据、目标区块表现数据和目标内容特征数据输入推荐模型，输出目标运营区块。
[0106]
目标基础特征数据、目标行为特征数据、目标区块表现数据和目标内容特征数据输入推荐模型，通过推荐模型计算得到与该目标用户匹配的目标运营区块，将目标运营区块推荐给目标用户。
[0107]
在本实施例中，基于用户数据和运营区块数据为用户推荐目标运营区块，可以提高个性化推荐的精度。
[0108]
本技术通过创建运营专区，并在运营专区配置运营区块，运营区块中含有运营内容，通过在运营专区中配置运营区块来扩充推荐的内容，开发效率高，有效降低开发成本和周期；通过用户的基础特征数据和行为特征数据以及运营区块的区块表现数据和内容特征数据来训练神经网络模型，得到的推荐模型可以将用户画像和运营区块进行紧密结合，可
以及时、准确地针对目标用户进行推荐，提高个性化推荐的精度，避免用户流失，同时还提高推荐效率的同时降低推荐运营的人力成本。
[0109]
在一些可选的实现方式中，在上述在运营专区内配置运营区块的步骤之后还包括：
[0110]
在运营区块内创建轮播视图，并在轮播视图中创建轮播显示控件和轮播参数对象，轮播对象参数中配置有轮播内容的轮播数据；
[0111]
将轮播参数对象加载至轮播参数的对象数据组中；
[0112]
接收到轮播请求，获取轮播内容对应的对象数据组；
[0113]
通过轮播视图调取对象数据组中的轮播参数对象；
[0114]
根据轮播参数对象中的轮播数据，将轮播内容按照预设时间间隔在轮播显示控件进行展示。
[0115]
在本实施例中，运营区块用于承载分群投放活动、本地运营内容及首发信息，支持分场景运营。运营区块内可以创建预设数量的轮播视图(banner)对运营内容进行轮播。例如，整个运营专区支持2个或4个卡片，一个卡片对应一个运营区块，每个卡片里2个banner的样式，如车主权益和发现好货区块的banner要支持轮播。轮播的样式包括但不限于常规轮播图样式，卡片样式，跑马灯，卡片叠加等。
[0116]
轮播视图可以采用bannerview视图，bannerview视图用于承载轮播内容的显示，轮播的所有初始化、数据刷新加载都是在这个视图内完成。
[0117]
轮播参数对象包括imageview控件、banenrparam对象等。其中，imageview控件是bannerview视图上的轮播显示控件，banenrparam对象为轮播参数对象，是需要展示轮播的数据对象，例如，一个banenrparam对象对应一个轮播图片，当存在多张轮播图片，则需创建多个banenrparam对象。
[0118]
在本实施例中，在轮播参数对象中配置轮播内容的轮播数据，将轮播参数对象加载至轮播参数的对象数据组，其中，对象数据组为多个轮播图片的集合，每个对象对应一张轮播图片的轮播数据，轮播数据包括但不限于轮播图片数据源、标题、跳转链接、轮播滑动样式以及文案展示样式等。
[0119]
在本实施例中，确定推荐给目标用户的运营区块后，将运营区块展示给目标用户的同时，发送该运营区块对应的轮播请求至轮播视图，通过轮播视图获取轮播内容对应的对象数据组，并调取对象数据组中的轮播参数对象，根据轮播参数对象中的轮播数据，将轮播内容按照预设时间间隔在轮播显示控件进行展示。
[0120]
本技术通过轮播方式展示不同的运营内容，可以提高运营内容的曝光度和热度。
[0121]
在一些可选的实现方式中，在上述输出目标运营区块的步骤之后还包括：
[0122]
根据目标基础特征数据和目标行为特征数据确定目标用户的用户特征；
[0123]
根据用户特征确定用户类别，基于用户类别为目标用户匹配优先推荐的运营区块。
[0124]
在本实施例中，在推荐模型输出推荐的目标运营区块后，可以根据预设的调优策略调整目标用户的推荐结果，其中，调优策略即为根据用户类别进行针对性推荐。
[0125]
具体的，根据目标基础特征数据和目标行为特征数据的特征属性确定用户特征，根据用户特征确定用户类别，用户类别包括但不限于新人用户、普通用户以及会员用户等；
当确定为新人用户时，优先推荐新人专区。
[0126]
在一些实施例中，平台有最近需要推出的活动，例如，促销活动、拼团活动或秒杀活动等，可以优先推荐相应的运营区块。
[0127]
在一些实施例中，从服务端的直播子系统中获取与目标运营区块中运营内容相关联的直播流内容，当用户在浏览对应的运营内容的详情页面时，可以直接将该直播流内容拉到该详情页面的内容容器中进行播放，以便更好地展示给用户。
[0128]
本实施例通过用户类别调整推荐策略，可以提高个性化推荐的准确性，提高用户体验度。
[0129]
在一些可选的实现方式中，在上述输出目标运营区块的步骤之后还包括：
[0130]
在运营专区创建新的运营区块作为新增运营区块，并将新增运营区块推送给用户；
[0131]
获取预设时间段所述新增运营区块的标签数据，标签数据包括新增运营区块的区块标识信息和区块表现数据；
[0132]
基于标签数据，按照预设评分规则对新增运营区块进行评分，得到评分结果；
[0133]
根据评分结果对新增运营区块进行展示。
[0134]
在本实施例中，当有需要推荐的新产品上线时，在运营专区的内容池中配置新产品的运营区块作为新增运营区块，将新增运营区块优先推送给用户，并在一段时间后，获取预设时间段(如10天、半个月或一个月等)内新增运营区块的标签数据，标签数据包括新增运营区块的区块标识信息和区块表现数据，其中，区块标识信息包括区块id、区块名称等，区块表现数据包括区块曝光次数、区块点击数据等；根据标签数据，按照预设评分规则对新增运营区块进行评分，根据得到的评分结果对首页推送给用户的新增运营区块进行替换。例如，一个区块曝光了3次，用户都无发起任何点击行为，则此时的点击率为0％，将由新的区块替换上。
[0135]
在一些实施例中，运营区块支持由用户进行点击关闭。
[0136]
本实施例通过对新增运营区块进行评分，根据评分结果判断是否展示给用户，可以更好地为用户提供个性化推荐。
[0137]
在一些可选的实现方式中，在上述输出目标运营区块的步骤之后还包括：
[0138]
实时获取目标用户的实时行为特征数据，基于实时行为特征数据更新展示的运营区块。
[0139]
在目标用户进入平台后，实时收集该目标用户的实时行为特征数据，例如，该目标用户的点击操作、浏览轨迹等，将这些实时行为特征数据传输至推荐模型或大数据中心，由推荐模型或大数据中心计算出与该目标用户匹配的运营区块，并在首页进行更新。
[0140]
在本实施例中，通过用户的实时行为特征数据对展示的运营区块进行动态调整，能够保证推荐的运营区块的准确性，实现了运营区块的自动化推荐和运营维护，进一步减少运营的工作量，降低了人工成本。
[0141]
本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中
描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0142]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)等非易失性存储介质，或随机存储记忆体(random access memory，ram)等。
[0143]
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0144]
进一步参考图3，作为对上述图2所示方法的实现，本技术提供了一种区块推荐装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0145]
如图3所示，本实施例所述的区块推荐装置300包括：配置模块301、第一获取模块302、训练模块303、第二获取模块304以及计算模块305。其中：
[0146]
配置模块301用于创建运营专区，并在所述运营专区内配置运营区块，所述运营区块中含有运营内容；
[0147]
第一获取模块302用于获取历史用户偏好的运营区块的样本数据，所述样本数据包括输入数据和期望输出；其中，所述输入数据包括所述历史用户的基础特征数据和行为特征数据以及所述运营区块的区块表现数据和内容特征数据，所述期望输出为所述输入数据对应的运营区块；
[0148]
训练模块303用于构建神经网络模型，基于所述输入数据和所述期望输出训练所述神经网络模型，直至模型收敛，输出最终的模型作为推荐模型；
[0149]
第二获取模块304用于获取目标用户的目标基础特征数据和目标行为特征数据，基于所述目标基础特征数据和所述目标行为特征数据得到目标区块表现数据和目标内容特征数据；
[0150]
计算模块305用于将所述目标基础特征数据、所述目标行为特征数据、所述目标区块表现数据和所述目标内容特征数据输入所述推荐模型，输出目标运营区块。
[0151]
需要强调的是，为进一步保证基础特征数据的私密和安全性，上述基础特征数据还可以存储于一区块链的节点中。
[0152]
基于上述区块推荐装置，通过创建运营专区，并在运营专区配置运营区块，运营区块中含有相应的产品，通过在运营专区中配置运营区块来扩充推荐的产品，开发效率高，有效降低开发成本和周期；通过用户的基础特征数据和行为特征数据以及运营区块的区块表现数据和内容特征数据来训练神经网络模型，得到的推荐模型可以将用户画像和运营区块
进行紧密结合，可以及时、准确地针对目标用户进行产品推荐，提高个性化推荐的精度，避免用户流失，同时还提高推荐效率的同时降低推荐运营的人力成本。
[0153]
在本实施例的一些可选的实现方式中，训练模块303包括构建子模块，构建子模块用于：
[0154]
根据所述输入数据的特征属性数量确定输入层的输入节点数，根据所述期望输出确定输出层的输出节点数；
[0155]
构建至少一层隐含层，基于所述输入节点数和所述输出节点数得到每层所述隐含层的隐含神经元数量；
[0156]
基于所述输入节点数、所述隐含神经元数量和所述输出节点数，构建神经网络模型。
[0157]
在本实施例中，利用bp神经网络模型对运营区块的样本数据进行预测，对于用户个性化运营区块推荐具有重要的指导意义。
[0158]
在本实施例中，训练模块303包括正向传播子模块、误差计算子模块、调整子模块以及更新子模块，其中：
[0159]
正向传播子模块用于根据所述输入数据构建输入特征向量，将所述输入特征向量输入所述神经网络模型，输出预测结果；
[0160]
误差计算子模块用于基于所述预测结果和所述期望输出计算误差结果；
[0161]
调整子模块用于在所述误差结果大于预设误差时，按照误差梯度下降法调整模型参数，直至所述误差结果小于等于预设误差，模型收敛，输出最终的模型参数作为目标参数；
[0162]
更新子模块用于按照所述目标参数更新所述神经网络模型，得到推荐模型。
[0163]
本实施例通过训练完成得到的推荐模型，可以保证后续的运营区块推荐能得到较为精准的推荐结果
[0164]
在一些可选的实现方式中，区块推荐装置300还包括轮播模块，轮播模块用于：
[0165]
在所述运营区块内创建轮播视图，并在所述轮播视图中创建轮播显示控件和轮播参数对象，所述轮播对象参数中配置有轮播内容的轮播数据；
[0166]
将轮播参数对象加载至轮播参数的对象数据组中；
[0167]
接收到轮播请求，获取所述轮播内容对应的对象数据组；
[0168]
通过所述轮播视图调取所述对象数据组中的所述轮播参数对象；
[0169]
根据所述轮播参数对象中的所述轮播数据，将所述轮播内容按照预设时间间隔在所述轮播显示控件进行展示。
[0170]
通过轮播方式展示不同的运营内容，可以提高运营内容的曝光度和热度。
[0171]
在一些选的实现方式中，区块推荐装置300还包括优先推荐模块，用于根据所述目标基础特征数据和所述目标行为特征数据确定所述目标用户的用户特征；根据所述用户特征确定用户类别，基于所述用户类别为所述目标用户匹配优先推荐的运营区块。
[0172]
通过用户类别调整推荐策略，可以提高个性化推荐的准确性，提高用户体验度。
[0173]
在一些选的实现方式中，区块推荐装置300还包括新增模块，新增模块用于：
[0174]
在所述运营专区创建新的运营区块作为新增运营区块，将所述新增运营区块推送给用户；
[0175]
获取预设时间段所述新增运营区块的标签数据，所述标签数据包括所述新增运营区块的区块标识信息和区块表现数据；
[0176]
基于所述标签数据，按照预设评分规则对所述新增运营区块进行评分，得到评分结果；
[0177]
根据所述评分结果对所述新增运营区块进行展示。
[0178]
本实施例通过对新增运营区块进行评分，根据评分结果判断是否展示给用户，可以更好地为用户提供个性化推荐。
[0179]
在一些选的实现方式中，区块推荐装置300还包括实时更新模块，用于实时获取所述目标用户的实时行为特征数据，基于所述实时行为特征数据更新展示的运营区块。
[0180]
通过用户的实时行为特征数据对展示的运营区块进行动态调整，能够保证推荐的运营区块的准确性，实现了运营区块的自动化推荐和运营维护，进一步减少运营的工作量，降低了人工成本。
[0181]
为解决上述技术问题，本技术实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
[0182]
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
[0183]
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
[0184]
所述存储器41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、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备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。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如区块推荐方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
[0185]
所述处理器42在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述区块推荐方法的计算机可读指令。
[0186]
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
[0187]
本实施例通过处理器执行存储在存储器的计算机可读指令时实现如上述实施例区块推荐方法的步骤，通过创建运营专区，并在运营专区配置运营区块，运营区块中含有运营内容，通过在运营专区中配置运营区块来扩充推荐的内容，开发效率高，有效降低开发成本和周期；通过用户的基础特征数据和行为特征数据以及运营区块的区块表现数据和内容特征数据来训练神经网络模型，得到的推荐模型可以将用户画像和运营区块进行紧密结合，可以及时、准确地针对目标用户进行推荐，提高个性化推荐的精度，避免用户流失，同时还提高推荐效率的同时降低推荐运营的人力成本。
[0188]
本技术还提供了另一种实施方式，即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可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的区块推荐方法的步骤，通过创建运营专区，并在运营专区配置运营区块，运营区块中含有运营内容，通过在运营专区中配置运营区块来扩充推荐的内容，开发效率高，有效降低开发成本和周期；通过用户的基础特征数据和行为特征数据以及运营区块的区块表现数据和内容特征数据来训练神经网络模型，得到的推荐模型可以将用户画像和运营区块进行紧密结合，可以及时、准确地针对目标用户进行推荐，提高个性化推荐的精度，避免用户流失，同时还提高推荐效率的同时降低推荐运营的人力成本。
[0189]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所述的方法。
[0190]
显然，以上所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例，附图中给出了本技术的较佳实施例，但并不限制本技术的专利范围。本技术可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本技术的公开内容的理解更加透彻全面。尽管参照前述实施例对本技术进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本技术说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本技术专利保护范围之内。

技术特征：
1.一种区块推荐方法，其特征在于，包括下述步骤：创建运营专区，并在所述运营专区内配置运营区块，所述运营区块中含有运营内容；获取历史用户偏好的运营区块的样本数据，所述样本数据包括输入数据和期望输出；其中，所述输入数据包括所述历史用户的基础特征数据和行为特征数据以及所述运营区块的区块表现数据和内容特征数据，所述期望输出为所述输入数据对应的运营区块；构建神经网络模型，基于所述输入数据和所述期望输出训练所述神经网络模型，直至模型收敛，输出最终的模型作为推荐模型；获取目标用户的目标基础特征数据和目标行为特征数据，基于所述目标基础特征数据和所述目标行为特征数据得到目标区块表现数据和目标内容特征数据；将所述目标基础特征数据、所述目标行为特征数据、所述目标区块表现数据和所述目标内容特征数据输入所述推荐模型，输出目标运营区块。2.根据权利要求1所述的区块推荐方法，其特征在于，所述构建神经网络模型的步骤包括：根据所述输入数据的特征属性数量确定输入层的输入节点数，根据所述期望输出确定输出层的输出节点数；构建至少一层隐含层，基于所述输入节点数和所述输出节点数得到每层所述隐含层的隐含神经元数量；基于所述输入节点数、所述隐含神经元数量和所述输出节点数，构建神经网络模型。3.根据权利要求1或2所述的区块推荐方法，其特征在于，所述基于所述输入数据和所述期望输出训练所述神经网络模型，直至模型收敛，输出最终的模型作为推荐模型的步骤包括：根据所述输入数据构建输入特征向量，将所述输入特征向量输入所述神经网络模型，输出预测结果；基于所述预测结果和所述期望输出计算误差结果；在所述误差结果大于预设误差时，按照误差梯度下降法调整模型参数，直至所述误差结果小于等于预设误差，模型收敛，输出最终的模型参数作为目标参数；按照所述目标参数更新所述神经网络模型，得到推荐模型。4.根据权利要求1所述的区块推荐方法，其特征在于，在所述在所述运营专区内配置运营区块的步骤之后还包括：在所述运营区块内创建轮播视图，并在所述轮播视图中创建轮播显示控件和轮播参数对象，所述轮播对象参数中配置有轮播内容的轮播数据；将轮播参数对象加载至轮播参数的对象数据组中；接收到轮播请求，获取所述轮播内容对应的对象数据组；通过所述轮播视图调取所述对象数据组中的所述轮播参数对象；根据所述轮播参数对象中的所述轮播数据，将所述轮播内容按照预设时间间隔在所述轮播显示控件进行展示。5.根据权利要求1所述的区块推荐方法，其特征在于，在所述输出目标运营区块的步骤之后还包括：根据所述目标基础特征数据和所述目标行为特征数据确定所述目标用户的用户特征；
根据所述用户特征确定用户类别，基于所述用户类别为所述目标用户匹配优先推荐的运营区块。6.根据权利要求1所述的区块推荐方法，其特征在于，在所述输出目标运营区块的步骤之后还包括：在所述运营专区创建新的运营区块作为新增运营区块，将所述新增运营区块推送给用户；获取预设时间段所述新增运营区块的标签数据，所述标签数据包括所述新增运营区块的区块标识信息和区块表现数据；基于所述标签数据，按照预设评分规则对所述新增运营区块进行评分，得到评分结果；根据所述评分结果对所述新增运营区块进行展示。7.根据权利要求1所述的区块推荐方法，其特征在于，在所述输出目标运营区块的步骤之后还包括：实时获取所述目标用户的实时行为特征数据，基于所述实时行为特征数据更新展示的运营区块。8.一种区块推荐装置，其特征在于，包括：配置模块，用于创建运营专区，并在所述运营专区内配置运营区块，所述运营区块中含有运营内容；第一获取模块，用于获取历史用户偏好的运营区块的样本数据，所述样本数据包括输入数据和期望输出；其中，所述输入数据包括所述历史用户的基础特征数据和行为特征数据以及所述运营区块的区块表现数据和内容特征数据，所述期望输出为所述输入数据对应的运营区块；训练模块，用于构建神经网络模型，基于所述输入数据和所述期望输出训练所述神经网络模型，直至模型收敛，输出最终的模型作为推荐模型；第二获取模块，用于获取目标用户的目标基础特征数据和目标行为特征数据，基于所述目标基础特征数据和所述目标行为特征数据得到目标区块表现数据和目标内容特征数据；计算模块，用于将所述目标基础特征数据、所述目标行为特征数据、所述目标区块表现数据和所述目标内容特征数据输入所述推荐模型，输出目标运营区块。9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的区块推荐方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的区块推荐方法的步骤。

技术总结
本申请属于人工智能及金融科技领域，涉及一种区块推荐方法，包括在运营专区内配置运营区块；获取历史用户的样本数据，样本数据包括输入数据和期望输出；输入数据包括基础特征数据、行为特征数据、区块表现数据和内容特征数据，期望输出为输入数据对应的运营区块；基于输入数据和期望输出训练构建的神经网络模型，得到推荐模型；基于获取的目标基础特征数据和目标行为特征数据得到目标区块表现数据和目标内容特征数据，并将上述数据输入推荐模型，输出目标运营区块。本申请还提供一种区块推荐装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，基础特征数据可存储于区块链中。本申请能够有效降低开发成本和周期，提高个性化推荐的精度。个性化推荐的精度。个性化推荐的精度。


技术研发人员：林晓琳
受保护的技术使用者：中国平安财产保险股份有限公司
技术研发日：2023.06.28
技术公布日：2023/9/20