[发明专利]一种活动推荐方法、装置、电子设备和存储介质

权利要求书

1.一种活动推荐方法，其特征在于，包括：

根据待测用户的历史参与活动信息确定待测用户的用户类型，其中，所述用户类型包括第一类型用户或第二类型用户，并且所述第一类型用户的历史参与活动数量大于所述第二类型用户的历史参与活动数量；

根据所述用户类型，将所述待测用户的数据输入对应的指定模型进行预测，获得活动推荐列表，其中，所述指定模型包括LSTM模型和神经网络分类器模型；

根据所述活动推荐列表对所述待测用户进行活动推荐；

所述根据所述用户类型，将所述待测用户的数据输入对应的指定模型进行预测，获得活动推荐列表，包括：

若所述用户类型为第一类型用户，根据所述待测用户的数据获得所述待测用户的活动序列向量，并将所述待测用户的活动序列向量输入所述LSTM模型进行预测，获得所述活动推荐列表，其中，所述待测用户的活动序列向量是通过对待测用户的数据中所包含的待测用户历史参与活动的类型进行编码后按照时间排序获得的；

若所述用户类型为第二类型用户，根据所述待测用户的数据获得所述待测用户的特征向量，并将所述待测用户的特征向量输入所述神经网络分类器模型进行预测，获得所述活动推荐列表，其中，所述待测用户的特征向量是通过对所述待测用户的数据进行第二预处理获得的，所述第二预处理操作是指对所述待测用户的数据进行独热编码、并整合为以用户ID为索引的矩阵形式，以获得所述待测用户的特征向量的过程。

2.根据权利要求1所述的方法，其特征在于，该方法还包括：

对所述待测用户的数据进行第一预处理；

其中，根据所述用户类型，将所述待测用户的数据输入对应的指定模型进行预测，包括：

根据所述用户类型，将经所述第一预处理后的所述待测用户的数据输入对应的指定模型进行预测。

3.根据权利要求1所述的方法，其特征在于，所述根据所述用户类型，将所述待测用户的数据输入对应的指定模型进行预测之前，还包括：

获取第一原始用户数据和第二原始用户数据，其中，所述第一原始用户数据中每个用户参与活动的数量大于预设阈值，所述第二原始用户数据中每个用户参与活动的数量小于所述预设阈值；

采用所述第一原始用户数据对初始LSTM模型进行训练，获得训练后的LSTM模型，以作为所述LSTM模型；

采用所述第二原始用户数据对初始神经网络分类器模型进行训练，获得训练后的神经网络分类器模型，以作为所述神经网络分类器模型。

4.根据权利要求3所述的方法，其特征在于，所述采用所述第一原始用户数据对初始LSTM模型进行训练，获得训练后的LSTM模型，以作为所述LSTM模型，包括：

提取所述第一原始用户数据中每个用户参与的活动类型，将每个用户参与活动的类型进行编码后按照时间排序获得活动序列向量，每个用户的活动序列向量构成活动序列矩阵；

采用所述活动序列矩阵对初始LSTM模型进行训练，获得训练后的LSTM模型，以作为所述LSTM模型。

5.根据权利要求3所述的方法，其特征在于，所述采用所述第二原始用户数据对初始神经网络分类器模型进行训练，获得训练后的神经网络分类器模型，以作为所述神经网络分类器模型，包括：

对所述第二原始用户数据进行第二预处理，提取第二预处理后第二原始用户数据中每个用户的特征向量，并根据每个用户的特征向量获得第二原始用户特征矩阵，其中，所述特征向量中包含每个原始用户的特征信息；

采用特征工程模块对所述第二原始用户特征矩阵进行修正获得修正特征矩阵；

采用所述修正特征矩阵对初始神经网络分类器模型进行训练，获得训练后的神经网络分类器模型，以作为所述神经网络分类器模型。