[发明专利]一种多模态的用户画像方法及系统

说明书

本发明利用计算机技术进行用户画像，提出一种多模态的用户画像方法。现有大多数用户画像方法仅利用单模态的用户数据进行用户画像，而实际应用中，用户数据往往是多模态的，现有方法对如何利用多模态用户数据进行用户画像的研究还不足。另外，用户画像的构建需要适应实际的业务需求，从而帮助应用实现个性化的精准服务。本发明对python学习系统中的用户进行画像，预测用户对不同知识点的掌握情况，从而针对用户薄弱知识点进行题目推荐，全面提高用户对python的应用能力。具体地，本发明利用用户的显式反馈、隐式反馈和邻居关系数据，实现多模态的用户画像。

技术领域

本发明利用计算机技术进行用户画像，具体是一种利用用户显式反馈、隐式反馈和邻居关系实现多模态用户画像的方法及系统。

背景技术

互联网技术的高速发展，使得获取海量用户数据成为可能。用户画像旨在从各种用户相关数据中挖掘和抽取用户典型特征进行区分，简单来说，就是用户信息标签化。完备且准确的“标签化”的用户模型作为底层数据基础，将有力揭示用户本质特征，从而极大地促进上层的个性化服务，如精准营销、智能推荐、信息检索等。建立用户画像的数据，主要包括静态数据和动态数据两个方面，前者包含用户的性别、年龄、职业等属性信息，后者一般是用户的行为数据，如用户的点击、浏览、购买等访问日志记录。用户画像的一个重要环节是从用户数据中抽取重要特征进行标签化，用户画像由一个个标签组成，每个标签代表用户的一个属性特征。

大数据背景下，推荐系统将用户的喜好和特征建模为用户画像，如推荐领域中常见的评分矩阵、直接根据用户行为学习到的嵌入向量等，然后利用计算机技术从海量物品中筛选出用户可能喜好的物品推荐给用户，以满足用户的个性化信息需求。例如新闻类或阅读类应用，根据用户的喜好不同，展现不同的内容；给一个用户画像是“美妆达人”的用户，应多向其推送一些面膜护肤之类的产品，而给一个“美食博主”更可能推荐一些美食。

在推荐系统中，利用计算机技术进行用户画像，就是得到用户的向量化表示，主要包括三种：第一，直接将用户的属性信息等作为用户画像；第二，对大量数据进行统计分析，得到用户的兴趣标签、社交关系等画像数据；第三，通过机器学习得到嵌入向量。其中，前两种向量表示具有稀疏性，但捕捉了显而易见的用户特征，具有较好的解释性，可用于给出推荐理由，而第三种稠密的嵌入向量能学习到更多用户的隐藏特征，但解释性较差。实际应用中，应从实际的业务场景出发，选择合适的用户画像构建方法。

本发明主要应用于python学习系统中的题目推荐，旨在预测用户对python中包含的各种知识点的掌握程度，从而针对用户薄弱知识点进行题目推荐，全面提高用户对python这门程序设计语言的应用能力。本发明中，用户对知识点的掌握程度通过用户在知识点上的正确率来衡量。由于人工标注的题目知识点的稀疏性，对用户历史数据进行统计分析得到的正确率向量非常稀疏，直接将其作为用户画像难以促进后续的题目推荐任务，因此需要对用户的正确率向量进行补全。针对特定的业务场景和数据特点，本发明利用统计分析和嵌入向量进行用户画像。为了克服用户交互矩阵的稀疏性，本发明综合利用用户显式反馈、隐式反馈和邻居关系实现多模态的用户画像。

发明内容

本发明的目的在于预测python学习系统中的用户对python中包含的各种知识点的掌握情况，从而针对用户薄弱知识点进行题目推荐。

为实现本发明的目的，本发明提出一种综合利用用户显式反馈、隐式反馈和邻居关系实现多模态用户画像的方法及系统。该发明的多模态用户画像方法主要包括以下步骤：

步骤1：收集用户的历史做题数据，根据用户做题结果和题目画像得到用户的显式反馈、隐式反馈；同时根据是否做过相同题目，构建用户的邻居关系；

步骤2：将数据集划分为训练集和测试集；

步骤3：利用神经网络分别编码用户的显式反馈和隐式反馈，得到两种不同的用户隐表示；