基于用户消费行为分析的积分兑换智能推荐系统及其方法

技术领域

本申请涉及智能推荐技术领域，且更为具体地，涉及一种基于用户消费行为分析的积分兑换智能推荐系统及其方法。

背景技术

消费者行为分析与研究，是市场调研中最普通、最经常实施的一项研究，是指对消费者为获取、使用、处理消费物品所采用的各种行动以及事先决定这些行动的决策过程的定量研究和定性研究。它通常是营销决策的基础，与营销活动密不可分，对消费者行为进行分析与研究，对于提高营销决策水平，增强营销策略的有效性方面有着很重要意义。

现有技术中，商城和积分系统的结合能在一定程度上鼓励消费者进行消费，为商家带来了更多的契机。然而，很多积分商城系统的兑换方式单一且简单，导致对消费者的吸引力较低。实现积分兑换系统的个性化定制服务，提升用户对于兑换物品的兴趣，优化用户的体验以提升用户粘度成为积分兑换系统亟待解决的问题。

因此，期待一种基于用户消费行为分析的积分兑换智能推荐方案。

发明内容

本申请提供一种基于用户消费行为分析的积分兑换智能推荐系统及其方法，综合待推荐用户的消费行为数据和待推荐兑换物的文本描述，并利用深度学习和人工智能技术，以实现积分兑换系统的个性化定制服务，提升用户对于兑换物品的兴趣，优化用户体验，从而增强用户粘度。

第一方面，提供了一种基于用户消费行为分析的积分兑换智能推荐系统，所述系统包括：数据采集模块，用于获取待推荐用户的消费行为数据，以及，待推荐兑换物的文本描述；消费行为语义理解模块，用于将所述消费行为数据经分词处理后通过包含嵌入层的第一上下文编码器以得到多个消费行为语义理解特征向量；兑换物描述语义理解模块，用于将所述待推荐兑换物的文本描述经分词处理后通过包含嵌入层的第二上下文编码器以得到多个兑换物语义理解特征向量；数据结构调整模块，用于将所述多个消费行为语义理解特征向量和所述多个兑换物语义理解特征向量分别进行二维排列以得到消费行为语义理解特征矩阵和兑换物语义理解特征矩阵；差分模块，用于计算所述消费行为语义理解特征矩阵和所述兑换物语义理解特征矩阵之间的差分矩阵；差分特征捕获模块，用于将所述差分矩阵通过基于卷积神经网络模型的差异性提取器以得到差异特征矩阵；以及，匹配结果生成模块，用于将所述差异特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述待推荐兑换物与当前用户的匹配度是否达到预定阈值。

结合第一方面，在第一方面的一种实现方式中，所述消费行为语义理解模块，包括：第一分词处理单元，用于对所述消费行为数据进行分词处理以得到第一词序列；第一嵌入向量化单元，用于使用所述第一上下文编码器的嵌入层分别将所述第一词序列中各个词映射为第一词嵌入向量以得到第一词嵌入向量的序列；以及，第一上下文编码单元，用于使用所述第一上下文编码器的基于转换器的Bert模型对所述第一词嵌入向量的序列进行基于全局的上下文语义编码以得到多个消费行为语义理解特征向量。

结合第一方面，在第一方面的一种实现方式中，所述兑换物描述语义理解模块，包括：第二分词处理单元，用于对所述待推荐兑换物的文本描述进行分词处理以得到第二词序列；第二嵌入向量化单元，用于使用所述第二上下文编码器的嵌入层分别将所述第二词序列中各个词映射为第二词嵌入向量以得到第二词嵌入向量的序列；以及，第二上下文编码单元，用于使用所第二上下文编码器的基于转换器的Bert模型对所述第二词嵌入向量的序列进行基于全局的上下文语义编码以得到多个兑换物语义理解特征向量。

结合第一方面，在第一方面的一种实现方式中，，所述差分模块，包括：展开单元，用于将所述消费行为语义理解特征矩阵和所述兑换物语义理解特征矩阵分别进行特征矩阵展开以得到一维消费行为语义理解特征向量和一维兑换物语义理解特征向量；亥姆霍兹类自由能量因数计算单元，用于分别计算所述一维消费行为语义理解特征向量和所述一维兑换物语义理解特征向量的亥姆霍兹类自由能量因数以得到第一亥姆霍兹类自由能量因数和第二亥姆霍兹类自由能量因数；加权单元，用于基于所述第一亥姆霍兹类自由能量因数和所述第二亥姆霍兹类自由能量因数对所述一维消费行为语义理解特征向量和所述一维兑换物语义理解特征向量进行加权以得到加权后一维消费行为语义理解特征向量和加权后一维兑换物语义理解特征向量；维度重构单元，用于将所述加权后一维消费行为语义理解特征向量和所述加权后一维兑换物语义理解特征向量分别进行特征维度重构以还原为与所述消费行为语义理解特征矩阵和所述兑换物语义理解特征矩阵对应的加权后消费行为语义理解特征矩阵和加权后兑换物语义理解特征矩阵；以及，差分运算单元，用于计算所述加权后消费行为语义理解特征矩阵和所述加权后兑换物语义理解特征矩阵之间的所述差分矩阵。

结合第一方面，在第一方面的一种实现方式中，所述亥姆霍兹类自由能量因数计算单元，用于：以如下因数计算公式计算所述一维消费行为语义理解特征向量和所述一维兑换物语义理解特征向量的亥姆霍兹类自由能量因数以得到第一亥姆霍兹类自由能量因数和第二亥姆霍兹类自由能量因数；其中，所述因数计算公式为：

结合第一方面，在第一方面的一种实现方式中，所述差分运算单元，用于：以如下差分公式计算所述加权后消费行为语义理解特征矩阵和所述加权后兑换物语义理解特征矩阵之间的所述差分矩阵；其中，所述差分公式为：

结合第一方面，在第一方面的一种实现方式中，所述差分特征捕获模块，用于：使用所述基于卷积神经网络模型的差异性提取器的各层在层的正向传递中分别对输入数据进行：基于卷积核对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行沿通道维度的池化处理以生成池化特征图；以及，对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征增图；其中，所述基于卷积神经网络模型的差异性提取器的输入分别为所述差异矩阵，所述基于卷积神经网络模型的差异性提取器的最后一层的输出分别为所述差异特征矩阵。

结合第一方面，在第一方面的一种实现方式中，所述匹配结果生成模块，包括：矩阵展开单元，用于将所述差异特征矩阵按照行向量或列向量展开为分类特征向量；全连接单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到全连接编码特征向量；概率化单元，用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述差异特征矩阵归属于各个分类标签的概率值，所述分类标签包括用于所述待推荐兑换物与当前用户的匹配度达到预定阈值和用于表示所述待推荐兑换物与当前用户的匹配度未达到预定阈值；以及，分类单元，用于将所述概率值中最大者对应的分类标签确定为所述分类结果。

第二方面，提供了一种基于用户消费行为分析的积分兑换智能推荐方法，所述方法包括：获取待推荐用户的消费行为数据，以及，待推荐兑换物的文本描述；将所述消费行为数据经分词处理后通过包含嵌入层的第一上下文编码器以得到多个消费行为语义理解特征向量；将所述待推荐兑换物的文本描述经分词处理后通过包含嵌入层的第二上下文编码器以得到多个兑换物语义理解特征向量；将所述多个消费行为语义理解特征向量和所述多个兑换物语义理解特征向量分别进行二维排列以得到消费行为语义理解特征矩阵和兑换物语义理解特征矩阵；计算所述消费行为语义理解特征矩阵和所述兑换物语义理解特征矩阵之间的差分矩阵；将所述差分矩阵通过基于卷积神经网络模型的差异性提取器以得到差异特征矩阵；以及，将所述差异特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述待推荐兑换物与当前用户的匹配度是否达到预定阈值。

结合第二方面，在第二方面的一种实现方式中，计算所述消费行为语义理解特征矩阵和所述兑换物语义理解特征矩阵之间的差分矩阵，包括：将所述消费行为语义理解特征矩阵和所述兑换物语义理解特征矩阵分别进行特征矩阵展开以得到一维消费行为语义理解特征向量和一维兑换物语义理解特征向量；分别计算所述一维消费行为语义理解特征向量和所述一维兑换物语义理解特征向量的亥姆霍兹类自由能量因数以得到第一亥姆霍兹类自由能量因数和第二亥姆霍兹类自由能量因数；基于所述第一亥姆霍兹类自由能量因数和所述第二亥姆霍兹类自由能量因数对所述一维消费行为语义理解特征向量和所述一维兑换物语义理解特征向量进行加权以得到加权后一维消费行为语义理解特征向量和加权后一维兑换物语义理解特征向量；将所述加权后一维消费行为语义理解特征向量和所述加权后一维兑换物语义理解特征向量分别进行特征维度重构以还原为与所述消费行为语义理解特征矩阵和所述兑换物语义理解特征矩阵对应的加权后消费行为语义理解特征矩阵和加权后兑换物语义理解特征矩阵；以及，计算所述加权后消费行为语义理解特征矩阵和所述加权后兑换物语义理解特征矩阵之间的所述差分矩阵。

第三方面，提供了一种芯片，该芯片包括输入输出接口、至少一个处理器、至少一个存储器和总线，该至少一个存储器用于存储指令，该至少一个处理器用于调用该至少一个存储器中的指令，以执行第二方面中的方法。

第四方面，提供了一种计算机可读介质，用于存储计算机程序，所述计算机程序包括用于执行上述第二方面中的方法。

第五方面，提供了一种包括指令的计算机程序产品，当计算机运行所述计算机程序产品的所述指时，所述计算机执行上述第二方面中的方法。

本申请提供的一种基于用户消费行为分析的积分兑换智能推荐系统及其方法，综合待推荐用户的消费行为数据和待推荐兑换物的文本描述，并利用深度学习和人工智能技术，以实现积分兑换系统的个性化定制服务，提升用户对于兑换物品的兴趣，优化用户体验，从而增强用户粘度。.

附图说明

图1是本申请实施例的基于用户消费行为分析的积分兑换智能推荐系统的示意性框图。

图2是本申请实施例的基于用户消费行为分析的积分兑换智能推荐系统中消费行为语义理解模块的示意性框图。

图3是本申请实施例的基于用户消费行为分析的积分兑换智能推荐系统中兑换物描述语义理解模块的示意性框图。

图4是本申请实施例的基于用户消费行为分析的积分兑换智能推荐系统中差分模块的示意性框图。

图5是本申请实施例的基于用户消费行为分析的积分兑换智能推荐系统中匹配结果生成模块的示意性框图。

图6是本申请实施例的基于用户消费行为分析的积分兑换智能推荐方法的示意性流程图。

图7是本申请实施例的基于用户消费行为分析的积分兑换智能推荐方法的模型架构的示意图。

具体实施方式

下面将结合附图，对本申请中的技术方案进行描述。

这里由于涉及到基于深度学习的深度神经网络模型，下面先对本申请实施例可能涉及的深度神经网络模型的相关术语和概念进行介绍。

1、深度神经网络模型：在深度神经网络模型中，隐藏层可以是卷积层和池化层。卷积层对应的一组权重值被称为滤波器，也被称为卷积核。滤波器和输入特征值都被表示为一个多维矩阵，对应地，表示成多维矩阵的滤波器也称为滤波器矩阵，表示成多维矩阵的输入特征值也称为输入特征矩阵，当然，除了可以输入特征矩阵，也可以输入特征图像，特征向量，这里只是以输入特征矩阵进行举例。卷积层的运算称为卷积运算，该卷积运算指的是，输入特征矩阵的一部分特征值与滤波器矩阵的权重值进行内积操作。

深度神经网络模型中每一个卷积层的运算过程可以被编成软件，然后通过在运算装置中运行该软件，得到每层网络的输出结果，即输出特征矩阵。例如，软件通过滑动窗口的方式，以每层网络的输入特征矩阵的左上角为起点，以滤波器大小为窗口，每次从特征值矩阵中提取一个窗口的数据与滤波器进行内积操作。当输入特征矩阵的右下角窗口的数据与滤波器完成内积操作后，便可得到每层网络的一个二维的输出特征矩阵。软件重复上述过程，直至产生每层网络的整个输出特征矩阵。

卷积层运算的过程为，将一个滤波器大小的窗口滑动过整个输入图像(即输入特征矩阵)，在每个时刻对窗口内覆盖的输入特征值与该滤波器进行内积运算，其中，窗口滑动的步长为1。具体地，以输入特征矩阵的左上角为起点，以滤波器大小为窗口，窗口滑动的步长为1，每次从特征值矩阵中提取一个窗口的输入特征值与滤波器进行内积操作，当输入特征矩阵的右下角的数据与滤波器完成内积操作后，便可得到该输入特征矩阵的一个二维的输出特征矩阵。

由于常常需要减少训练参数的数量，因此卷积层之后常常需要周期性的引入池化层，在图像处理过程中，池化层的唯一目的就是减少图像的空间大小。池化层可以包括平均池化算子和/或最大池化算子，以用于对输入图像进行采样得到较小尺寸的图像。平均池化算子可以在特定范围内对图像中的像素值进行计算产生平均值作为平均池化的结果。最大池化算子可以在特定范围内取该范围内值最大的像素作为最大池化的结果。另外，就像卷积层中用权重矩阵的大小应该与图像尺寸相关一样，池化层中的运算符也应该与图像的大小相关。通过池化层处理后输出的图像尺寸可以小于输入池化层的图像的尺寸，池化层输出的图像中每个像素点表示输入池化层的图像的对应子区域的平均值或最大值。

由于实际在深度神经网络中需要模拟的函数往往是非线性的，而前面卷积和池化只能模拟线性函数，为了在深度神经网络模型中，引入非线性因素，以增加整个网络的表征能力，在池化层过后还会设置有激活层，激活层中设置有激活函数，常用的激励函数有sigmoid、tanh、ReLU函数等。

2、通道：卷积层的空间排列的三个参数，宽度、高度和通道数，其中，卷积层的宽度和高度也就是卷积核的大小，卷积层的通道数对应的是卷积核的个数。每个卷积核只能提取输入数据的部分特征。每一个卷积核与原始输入数据执行卷积操作，会得到一个特征矩阵，这样的多个特征矩阵汇集在一起，我们称为特征图。

3、Softmax分类函数：Softmax分类函数又称软最大函数，归一化指数函数。能将一个含任意实数的K维向量“压缩”到另一个K维实向量中，使得每一个元素的范围都在(0,1)之间，并且所有元素的和为1。Softmax分类函数常用于分类问题。

在对本申请实施例可能涉及的深度神经网络模型的相关术语和概念进行介绍后，为了便于本领域技术人员的理解，下面将对本申请的基本原理进行介绍。

针对上述技术问题，本申请的技术构思为：综合待推荐用户的消费行为数据和待推荐兑换物的文本描述，并利用深度学习和人工智能技术，以实现积分兑换系统的个性化定制服务，提升用户对于兑换物品的兴趣，优化用户体验，从而增强用户粘度。

具体地，在本技术方案中，首先，获取待推荐用户的消费行为数据，以及，待推荐兑换物的文本描述。这里，通过待推荐用户的消费行为数据可以了解用户的兴趣爱好、购买偏好等信息，而通过待推荐兑换物的文本描述可以理解兑换物的属性特征、功能、用途等信息，从而更好地进行语义理解和分类，提高兑换物的推荐准确率。具体地，可以通过记录用户在网站或APP中的行为轨迹、浏览记录、购买记录、搜索历史等信息来获取用户的消费行为数据；而待推荐兑换物的文本描述则可以通过商品详情页面、商家官网等途径获取。

接着，将所述消费行为数据经分词处理后通过包含嵌入层的第一上下文编码器以得到多个消费行为语义理解特征向量，并将所述待推荐兑换物的文本描述经分词处理后通过包含嵌入层的第二上下文编码器以得到多个兑换物语义理解特征向量。应可以理解，自然语言中的文本数据通常是以字或词的形式出现，而计算机无法直接理解这些文本数据，通过分词处理可以将文本数据划分成一个个离散的词。这里，使用嵌入层（Embedding）可以将分词后的各个词转化为向量，也就是说，它可以将每个离散的词映射到一个低维空间中的连续向量表示，便于计算机对其进行处理。考虑到所述消费行为数据和所述待推荐兑换物的文本描述中各个词可能会因上下文环境的不同而有所变化，为了更好地表达文本中的语义信息，在本技术方案中，利用上下文编码器对它们进行处理，以捕捉各个词在上下文中的语义关系，从而得到所述多个消费行为语义理解特征向量和所述多个兑换物语义理解特征向量。

为了能够衡量待推荐兑换物与用户消费行为之间的相似度和匹配程度，在本技术方案中，首先，将所述多个消费行为语义理解特征向量和所述多个兑换物语义理解特征向量分别进行二维排列以便于进行矩阵运算，从而得到消费行为语义理解特征矩阵和兑换物语义理解特征矩阵。然后，计算所述消费行为语义理解特征矩阵和所述兑换物语义理解特征矩阵之间的差分矩阵。继而，将所述差分矩阵通过基于卷积神经网络模型的差异性提取器以进一步提取差异特征信息，从而得到差异特征矩阵。这里，所述差分矩阵虽然可以表征所述消费行为语义理解特征矩阵和所述兑换物语义理解特征矩阵之间的差异关系，但其中包含了大量的冗余信息，对其进行进一步的特征提取，可以提高分类准确率。其中，基于卷积神经网络模型的差异性提取器可以有效地提取差异特征信息，剔除冗余信息，得到更加紧凑和准确的差异特征矩阵。

在得到所述差异特征矩阵后，将其通过分类器以得到分类结果，所述分类结果用于表示所述待推荐兑换物与当前用户的匹配度是否达到预定阈值。这里，所述差异特征矩阵已经包含了消费行为和兑换物之间的差异性信息，能够反映它们之间的相似度或匹配程度，通过分类器进行分类可以判断待推荐兑换物与当前用户的匹配程度是否达到预定阈值。在实际应用中，可基于所述分类结果来推荐兑换物或更换待推荐兑换物，也就是，如果匹配度高于阈值，则认为该兑换物与用户的兴趣较为匹配，可以推荐给用户；否则，则不予推荐，以避免对用户造成干扰或不适。通过这样的方式，实现积分兑换系统的个性化定制服务，提升用户对于兑换物品的兴趣，优化用户体验，从而增强用户粘度。

在本申请的技术方案中，对于所述消费行为语义理解特征矩阵和所述兑换物语义理解特征矩阵来说，由于其分别表达待推荐用户的消费行为数据的数据上下文关联语义和待推荐兑换物的文本描述的文本上下文语义，源数据的异质性会由于上下文关联性的提取而放大，从而导致所述消费行为语义理解特征矩阵和所述兑换物语义理解特征矩阵各自的整体特征分布内存在相对于分类器的类标签的类弱相关分布实例，也就是，所述消费行为语义理解特征矩阵和所述兑换物语义理解特征矩阵的整体特征分布在分类器的类标签下的相容性较低，这会影响所述消费行为语义理解特征矩阵和所述兑换物语义理解特征矩阵之间的差异性提取的准确性，从而影响所述差异特征矩阵通过分类器获得的分类结果的准确性。

基于此，优选地首先将所述消费行为语义理解特征矩阵和所述兑换物语义理解特征矩阵展开为一维消费行为语义理解特征向量，例如记为

这里，基于亥姆霍兹自由能公式，可以将所述一维消费行为语义理解特征向量

以上在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

图1是本申请实施例的基于用户消费行为分析的积分兑换智能推荐系统的示意性框图。如图1所示，所述基于用户消费行为分析的积分兑换智能推荐系统100，包括：数据采集模块110，用于获取待推荐用户的消费行为数据，以及，待推荐兑换物的文本描述。应理解，通过待推荐用户的消费行为数据可以了解用户的兴趣爱好、购买偏好等信息，而通过待推荐兑换物的文本描述可以理解兑换物的属性特征、功能、用途等信息，从而更好地进行语义理解和分类，提高兑换物的推荐准确率。具体地，可以通过记录用户在网站或APP中的行为轨迹、浏览记录、购买记录、搜索历史等信息来获取用户的消费行为数据；而待推荐兑换物的文本描述则可以通过商品详情页面、商家官网等途径获取。

消费行为语义理解模块120，用于将所述消费行为数据经分词处理后通过包含嵌入层的第一上下文编码器以得到多个消费行为语义理解特征向量。应理解，自然语言中的文本数据通常是以字或词的形式出现，而计算机无法直接理解这些文本数据，通过分词处理可以将文本数据划分成一个个离散的词。这里，使用嵌入层（Embedding）可以将分词后的各个词转化为向量，也就是说，它可以将每个离散的词映射到一个低维空间中的连续向量表示，便于计算机对其进行处理。考虑到所述消费行为数据的文本描述中各个词可能会因上下文环境的不同而有所变化，为了更好地表达文本中的语义信息，在本技术方案中，利用上下文编码器对它们进行处理，以捕捉各个词在上下文中的语义关系，从而得到所述多个消费行为语义理解特征向量。

图2是本申请实施例的基于用户消费行为分析的积分兑换智能推荐系统中消费行为语义理解模块的示意性框图。可选地，在本申请一实施例中，所述消费行为语义理解模块120，包括：第一分词处理单元121，用于对所述消费行为数据进行分词处理以得到第一词序列；第一嵌入向量化单元122，用于使用所述第一上下文编码器的嵌入层分别将所述第一词序列中各个词映射为第一词嵌入向量以得到第一词嵌入向量的序列；以及，第一上下文编码单元123，用于使用所述第一上下文编码器的基于转换器的Bert模型对所述第一词嵌入向量的序列进行基于全局的上下文语义编码以得到多个消费行为语义理解特征向量。

兑换物描述语义理解模块130，用于将所述待推荐兑换物的文本描述经分词处理后通过包含嵌入层的第二上下文编码器以得到多个兑换物语义理解特征向量。同样的，考虑到所述待推荐兑换物的文本描述中各个词可能会因上下文环境的不同而有所变化，为了更好地表达文本中的语义信息，在本技术方案中，利用上下文编码器对它们进行处理，以捕捉各个词在上下文中的语义关系，从而得到所述多个兑换物语义理解特征向量。

图3是本申请实施例的基于用户消费行为分析的积分兑换智能推荐系统中兑换物描述语义理解模块的示意性框图。可选地，在本申请一实施例中，所述兑换物描述语义理解模块130，包括：第二分词处理单元131，用于对所述待推荐兑换物的文本描述进行分词处理以得到第二词序列；第二嵌入向量化单元132，用于使用所述第二上下文编码器的嵌入层分别将所述第二词序列中各个词映射为第二词嵌入向量以得到第二词嵌入向量的序列；以及，第二上下文编码单元133，用于使用所第二上下文编码器的基于转换器的Bert模型对所述第二词嵌入向量的序列进行基于全局的上下文语义编码以得到多个兑换物语义理解特征向量。

数据结构调整模块140，用于将所述多个消费行为语义理解特征向量和所述多个兑换物语义理解特征向量分别进行二维排列以得到消费行为语义理解特征矩阵和兑换物语义理解特征矩阵。应理解，为了便于进行矩阵运算，将所述多个消费行为语义理解特征向量和所述多个兑换物语义理解特征向量分别进行二维排列以进行整合，从而得到消费行为语义理解特征矩阵和兑换物语义理解特征矩阵。

差分模块150，用于计算所述消费行为语义理解特征矩阵和所述兑换物语义理解特征矩阵之间的差分矩阵。应可以理解，为了能够衡量待推荐兑换物与用户消费行为之间的相似度和匹配程度，计算所述消费行为语义理解特征矩阵和所述兑换物语义理解特征矩阵之间的差分矩阵。

特别地，在本申请的技术方案中，对于所述消费行为语义理解特征矩阵和所述兑换物语义理解特征矩阵来说，由于其分别表达待推荐用户的消费行为数据的数据上下文关联语义和待推荐兑换物的文本描述的文本上下文语义，源数据的异质性会由于上下文关联性的提取而放大，从而导致所述消费行为语义理解特征矩阵和所述兑换物语义理解特征矩阵各自的整体特征分布内存在相对于分类器的类标签的类弱相关分布实例，也就是，所述消费行为语义理解特征矩阵和所述兑换物语义理解特征矩阵的整体特征分布在分类器的类标签下的相容性较低，这会影响所述消费行为语义理解特征矩阵和所述兑换物语义理解特征矩阵之间的差异性提取的准确性，从而影响所述差异特征矩阵通过分类器获得的分类结果的准确性。基于此，优选地首先将所述消费行为语义理解特征矩阵和所述兑换物语义理解特征矩阵展开为一维消费行为语义理解特征向量，例如记为

图4是本申请实施例的基于用户消费行为分析的积分兑换智能推荐系统中差分模块的示意性框图。可选地，在本申请一实施例中，所述差分模块150，包括：展开单元151，用于将所述消费行为语义理解特征矩阵和所述兑换物语义理解特征矩阵分别进行特征矩阵展开以得到一维消费行为语义理解特征向量和一维兑换物语义理解特征向量；亥姆霍兹类自由能量因数计算单元152，用于分别计算所述一维消费行为语义理解特征向量和所述一维兑换物语义理解特征向量的亥姆霍兹类自由能量因数以得到第一亥姆霍兹类自由能量因数和第二亥姆霍兹类自由能量因数；加权单元153，用于基于所述第一亥姆霍兹类自由能量因数和所述第二亥姆霍兹类自由能量因数对所述一维消费行为语义理解特征向量和所述一维兑换物语义理解特征向量进行加权以得到加权后一维消费行为语义理解特征向量和加权后一维兑换物语义理解特征向量；维度重构单元154，用于将所述加权后一维消费行为语义理解特征向量和所述加权后一维兑换物语义理解特征向量分别进行特征维度重构以还原为与所述消费行为语义理解特征矩阵和所述兑换物语义理解特征矩阵对应的加权后消费行为语义理解特征矩阵和加权后兑换物语义理解特征矩阵；以及，差分运算单元155，用于计算所述加权后消费行为语义理解特征矩阵和所述加权后兑换物语义理解特征矩阵之间的所述差分矩阵。

可选地，在本申请一实施例中，所述亥姆霍兹类自由能量因数计算单元，用于：以如下因数计算公式计算所述一维消费行为语义理解特征向量和所述一维兑换物语义理解特征向量的亥姆霍兹类自由能量因数以得到第一亥姆霍兹类自由能量因数和第二亥姆霍兹类自由能量因数；其中，所述因数计算公式为：

可选地，在本申请一实施例中，所述差分运算单元，用于：以如下差分公式计算所述加权后消费行为语义理解特征矩阵和所述加权后兑换物语义理解特征矩阵之间的所述差分矩阵；其中，所述差分公式为：

这里，基于亥姆霍兹自由能公式，可以将所述一维消费行为语义理解特征向量

差分特征捕获模块160，用于将所述差分矩阵通过基于卷积神经网络模型的差异性提取器以得到差异特征矩阵。应理解，所述差分矩阵虽然可以表征所述消费行为语义理解特征矩阵和所述兑换物语义理解特征矩阵之间的差异关系，但其中包含了大量的冗余信息，对其进行进一步的特征提取，可以提高分类准确率。其中，基于卷积神经网络模型的差异性提取器可以有效地提取差异特征信息，剔除冗余信息，得到更加紧凑和准确的差异特征矩阵。

可选地，在本申请一实施例中，所述差分特征捕获模块，用于：使用所述基于卷积神经网络模型的差异性提取器的各层在层的正向传递中分别对输入数据进行：基于卷积核对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行沿通道维度的池化处理以生成池化特征图；以及，对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征增图；其中，所述基于卷积神经网络模型的差异性提取器的输入分别为所述差异矩阵，所述基于卷积神经网络模型的差异性提取器的最后一层的输出分别为所述差异特征矩阵。

匹配结果生成模块170，用于将所述差异特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述待推荐兑换物与当前用户的匹配度是否达到预定阈值。应理解，在得到所述差异特征矩阵后，将其通过分类器以得到分类结果，所述分类结果用于表示所述待推荐兑换物与当前用户的匹配度是否达到预定阈值。这里，所述差异特征矩阵已经包含了消费行为和兑换物之间的差异性信息，能够反映它们之间的相似度或匹配程度，通过分类器进行分类可以判断待推荐兑换物与当前用户的匹配程度是否达到预定阈值。在实际应用中，可基于所述分类结果来推荐兑换物或更换待推荐兑换物，也就是，如果匹配度高于阈值，则认为该兑换物与用户的兴趣较为匹配，可以推荐给用户；否则，则不予推荐，以避免对用户造成干扰或不适。通过这样的方式，实现积分兑换系统的个性化定制服务，提升用户对于兑换物品的兴趣，优化用户体验，从而增强用户粘度。

图5是本申请实施例的基于用户消费行为分析的积分兑换智能推荐系统中匹配结果生成模块的示意性框图。可选地，在本申请一实施例中，所述匹配结果生成模块170，包括：矩阵展开单元171，用于将所述差异特征矩阵按照行向量或列向量展开为分类特征向量；全连接单元172，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到全连接编码特征向量；概率化单元173，用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述差异特征矩阵归属于各个分类标签的概率值，所述分类标签包括用于所述待推荐兑换物与当前用户的匹配度达到预定阈值（第一标签）和用于表示所述待推荐兑换物与当前用户的匹配度未达到预定阈值（第二标签）；以及，分类单元174，用于将所述概率值中最大者对应的分类标签确定为所述分类结果。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“所述待推荐兑换物与当前用户的匹配度是否达到预定阈值”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，所述待推荐兑换物与当前用户的匹配度是否达到预定阈值的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“所述待推荐兑换物与当前用户的匹配度是否达到预定阈值”的语言文本意义。

综上，本申请提供的一种基于用户消费行为分析的积分兑换智能推荐系统，综合待推荐用户的消费行为数据和待推荐兑换物的文本描述，并利用深度学习和人工智能技术，以实现积分兑换系统的个性化定制服务，提升用户对于兑换物品的兴趣，优化用户体验，从而增强用户粘度。

图6是本申请实施例的基于用户消费行为分析的积分兑换智能推荐方法的示意性流程图。如图6所示，该方法包括：S110，获取待推荐用户的消费行为数据，以及，待推荐兑换物的文本描述；S120，将所述消费行为数据经分词处理后通过包含嵌入层的第一上下文编码器以得到多个消费行为语义理解特征向量；S130，将所述待推荐兑换物的文本描述经分词处理后通过包含嵌入层的第二上下文编码器以得到多个兑换物语义理解特征向量；S140，将所述多个消费行为语义理解特征向量和所述多个兑换物语义理解特征向量分别进行二维排列以得到消费行为语义理解特征矩阵和兑换物语义理解特征矩阵；S150，计算所述消费行为语义理解特征矩阵和所述兑换物语义理解特征矩阵之间的差分矩阵；S160，将所述差分矩阵通过基于卷积神经网络模型的差异性提取器以得到差异特征矩阵；以及，S170，将所述差异特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述待推荐兑换物与当前用户的匹配度是否达到预定阈值。

图7是本申请实施例的基于用户消费行为分析的积分兑换智能推荐方法的模型架构的示意图。如图7所示，所述基于用户消费行为分析的积分兑换智能推荐方法的模型架构的输入为待推荐用户的消费行为数据，以及，待推荐兑换物的文本描述。然后，进行两个分支的运算，第一个分支，将所述消费行为数据经分词处理后通过包含嵌入层的第一上下文编码器以得到多个消费行为语义理解特征向量，并将所述多个消费行为语义理解特征向量进行二维排列以得到消费行为语义理解特征矩阵。第二个分支，将所述待推荐兑换物的文本描述经分词处理后通过包含嵌入层的第二上下文编码器以得到多个兑换物语义理解特征向量，并将所述多个兑换物语义理解特征向量进行二维排列以得到兑换物语义理解特征矩阵。接着，计算所述消费行为语义理解特征矩阵和所述兑换物语义理解特征矩阵之间的差分矩阵，并将所述差分矩阵通过基于卷积神经网络模型的差异性提取器以得到差异特征矩阵。最后，将所述差异特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述待推荐兑换物与当前用户的匹配度是否达到预定阈值。

这里，本领域技术人员可以理解，上述基于用户消费行为分析的积分兑换智能推荐方法中的各个步骤的具体操作已经在上面参考图1到图5的基于用户消费行为分析的积分兑换智能推荐系统的描述中得到了详细介绍，并因此，将省略其重复描述。

本发明实施例还提供一种芯片系统，芯片系统包括至少一个处理器，当程序指令在该至少一个处理器中执行时，使得本申请实施例提供的方法得以实现。

本发明实施例还提供一种计算机存储介质，其上存储有计算机程序，该计算机程序被计算机执行时使得，该计算机执行上述方法实施例的方法。

本发明实施例还提供一种包含指令的计算机程序产品，该指令被计算机执行时使得计算机执行上述方法实施例的方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其他任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc，DVD))、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。