[发明专利]推荐方法、装置、服务器及存储介质

权利要求书

1.一种推荐方法，其特征在于，所述方法包括：

获取目标用户帐号对应的目标行为序列，其中，行为序列是由用户帐号下用户历史行为所构成的序列；

从所述目标行为序列中提取n个中间特征向量，其中，不同中间特征向量用于表征所述目标行为序列中不同子行为序列对应的行为意图，所述子行为序列是由连续的用户历史行为所构成的序列；

根据n个所述中间特征向量生成目标特征向量，所述目标特征向量用于表征所述目标用户帐号的行为意图，且所述目标特征向量用于向所述目标用户帐号进行推荐。

2.根据权利要求1所述的方法，其特征在于，所述从所述目标行为序列中提取n个中间特征向量，包括：

根据预设划分规则对所述目标行为序列进行划分，得到n个所述子行为序列；

对n个所述子行为序列进行特征提取，得到n个所述中间特征向量。

3.根据权利要求2所述的方法，其特征在于，所述目标行为序列是历史浏览行为所构成的序列，所述预设划分规则包括浏览时间划分规则和浏览对象划分规则中的至少一种。

4.根据权利要求3所述的方法，其特征在于，所述预设划分规则为所述浏览时间划分规则；

所述根据预设划分规则对所述目标行为序列进行划分，包括：

响应于第m条用户历史行为的产生时间与第m+1条用户历史行为的产生时间之间的时间间隔小于预设时间阈值，则将所述第m条用户历史行为和所述第m+1条用户历史行为划分至同一子行为序列；

响应于所述第m条用户历史行为的产生时间与所述第m+1条用户历史行为的产生时间之间的时间间隔大于所述预设时间阈值，则将所述第m条用户历史行为和所述第m+1条用户历史行为划分至不同子行为序列。

5.根据权利要求3所述的方法，其特征在于，所述预设划分规则为所述浏览对象划分规则；

所述根据预设划分规则对所述目标行为序列进行划分，包括：

响应于第m条用户历史行为对应的浏览对象属性和第m+1条用户历史行为对应的浏览对象属性之间的相似度高于预设相似度阈值，则将所述第m条用户历史行为和所述第m+1条用户历史行为划分至同一子行为序列；

响应于所述第m条用户历史行为对应的浏览对象属性和所述第m+1条用户历史行为对应的浏览对象属性之间的相似度低于所述预设相似度阈值，则将所述第m条用户历史行为和所述第m+1条用户历史行为划分至不同子行为序列。

6.根据权利要求2所述的方法，其特征在于，所述子行为序列中包含的所述用户历史行为采用向量化表示；

所述对n个所述子行为序列进行特征提取，得到n个所述中间特征向量，包括如下至少一种：

对所述子行为序列中各条用户历史行为对应的向量进行总和池化sum pooling处理，得到所述子行为序列对应的所述中间特征向量；

对所述子行为序列中各条用户历史行为对应的向量进行最大池化max pooling处理，得到所述子行为序列对应的所述中间特征向量；

将所述子行为序列中各条用户历史行为对应的向量输入基于注意力机制的深度神经网络DNN，得到所述DNN输出的所述中间特征向量；

将所述子行为序列中各条用户历史行为对应的向量输入基于注意力机制的循环神经网络RNN，得到所述RNN输出的所述中间特征向量。

7.根据权利要求1至6任一所述的方法，其特征在于，所述根据n个所述中间特征向量生成目标特征向量，包括如下至少一种：

对n个所述中间特征向量进行sum pooling处理，得到n个所述中间特征向量对应的所述目标特征向量；

对n个所述中间特征向量进行max pooling处理，得到n个所述中间特征向量对应的所述目标特征向量；

将n个所述中间特征向量输入基于注意力机制的DNN，得到所述DNN输出的所述目标特征向量；

将n个所述中间特征向量输入基于注意力机制的RNN，得到所述RNN输出的所述目标特征向量。