【技術實現步驟摘要】
本申請涉及計算機，特別是涉及一種數據推薦方法、裝置、存儲介質及電子設備。
技術介紹
1、隨著計算機技術的發展，人工智能進入了快速發展的階段，尤其是在數據推薦系統、自然語言處理、計算機視覺等領域，基于神經網絡的模型逐漸成為主流。然而，傳統技術中的神經網絡模型在應對復雜、多樣化的數據時存在一定的局限性。例如，在推薦系統中，目標推薦對象的行為、設備信息、上下文環境等因素共同影響數據推薦的精準性。對于在一些專業技術要求較高的場景，數據推薦的精確性不足容易導致目標推薦對象在專業場景下設定偏差嚴重的設備參數。
技術實現思路
1、基于此，有必要針對上述技術問題，提供一種能夠提高數據推薦的精確性，從而達到目標推薦對象在專業場景下設定準確的設備參數的一種數據推薦方法、裝置、存儲介質、電子設備和計算機程序產品。
2、第一方面，本申請提供了一種數據推薦方法，包括：
3、獲取目標推薦對象在第一時間對應的設備信號數據、對象行為數據以及普適性推薦模型；所述普適性推薦模型通過所述目標推薦對象的歷史設備信號數據以及歷史對象行為數據訓練得到的；
4、將所述設備信號數據以及所述對象行為數據進行向量化融合，得到對象特征融合向量；
5、根據所述對象特征融合向量，對所述普適性推薦模型中的個性化模型參數進行訓練，得到針對所述目標推薦對象的個性化推薦模型；
6、將所述目標推薦對象在第二時間對應的設備信號數據以及對象行為數據輸入至所述個性化推薦模型，得到針對所述目標推薦
7、響應于所述目標推薦對象針對所述初始設備推薦數據的不認同指令，根據所述第二時間對應的設備信號數據、對象行為數據以及所述初始設備推薦數據，對所述個性化推薦模型的推薦策略進行優化，得到優化推薦模型；
8、將所述目標推薦對象在第三時間對應的設備信號數據以及對象行為數據輸入至所述優化推薦模型，得到針對所述目標推薦對象的設備目標推薦數據；所述目標推薦數據用于輔助所述目標推薦對象設定傳媒設備的參數。
9、第二方面，本申請還提供了一種數據推薦裝置，包括：
10、對象數據獲取模塊，用于獲取目標推薦對象在第一時間對應的設備信號數據、對象行為數據以及普適性推薦模型；所述普適性推薦模型通過所述目標推薦對象的歷史設備信號數據以及歷史對象行為數據訓練得到的；
11、對象數據融合模塊，用于將所述設備信號數據以及所述對象行為數據進行向量化融合，得到對象特征融合向量；
12、推薦模型優化模塊，用于根據所述對象特征融合向量，對所述普適性推薦模型中的個性化模型參數進行訓練，得到針對所述目標推薦對象的個性化推薦模型；
13、推薦數據得到模塊，用于將所述目標推薦對象在第二時間對應的設備信號數據以及對象行為數據輸入至所述個性化推薦模型，得到針對所述目標推薦對象的初始設備推薦數據；
14、推薦模型優化模塊，還用于響應于所述目標推薦對象針對所述初始設備推薦數據的不認同指令，根據所述第二時間對應的設備信號數據、對象行為數據以及所述初始設備推薦數據，對所述個性化推薦模型的推薦策略進行優化，得到優化推薦模型；
15、推薦數據得到模塊，還用于將所述目標推薦對象在第三時間對應的設備信號數據以及對象行為數據輸入至所述優化推薦模型，得到針對所述目標推薦對象的設備目標推薦數據；所述目標推薦數據用于輔助所述目標推薦對象設定傳媒設備的參數。
16、第三方面，本申請還提供了一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現以下步驟：
17、獲取目標推薦對象在第一時間對應的設備信號數據、對象行為數據以及普適性推薦模型；所述普適性推薦模型通過所述目標推薦對象的歷史設備信號數據以及歷史對象行為數據訓練得到的；
18、將所述設備信號數據以及所述對象行為數據進行向量化融合，得到對象特征融合向量；
19、根據所述對象特征融合向量，對所述普適性推薦模型中的個性化模型參數進行訓練，得到針對所述目標推薦對象的個性化推薦模型；
20、將所述目標推薦對象在第二時間對應的設備信號數據以及對象行為數據輸入至所述個性化推薦模型，得到針對所述目標推薦對象的初始設備推薦數據；
21、響應于所述目標推薦對象針對所述初始設備推薦數據的不認同指令，根據所述第二時間對應的設備信號數據、對象行為數據以及所述初始設備推薦數據，對所述個性化推薦模型的推薦策略進行優化，得到優化推薦模型；
22、將所述目標推薦對象在第三時間對應的設備信號數據以及對象行為數據輸入至所述優化推薦模型，得到針對所述目標推薦對象的設備目標推薦數據；所述目標推薦數據用于輔助所述目標推薦對象設定傳媒設備的參數。
23、第四方面，本申請還提供了一種電子設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時實現以下步驟：
24、獲取目標推薦對象在第一時間對應的設備信號數據、對象行為數據以及普適性推薦模型；所述普適性推薦模型通過所述目標推薦對象的歷史設備信號數據以及歷史對象行為數據訓練得到的；
25、將所述設備信號數據以及所述對象行為數據進行向量化融合，得到對象特征融合向量；
26、根據所述對象特征融合向量，對所述普適性推薦模型中的個性化模型參數進行訓練，得到針對所述目標推薦對象的個性化推薦模型；
27、將所述目標推薦對象在第二時間對應的設備信號數據以及對象行為數據輸入至所述個性化推薦模型，得到針對所述目標推薦對象的初始設備推薦數據；
28、響應于所述目標推薦對象針對所述初始設備推薦數據的不認同指令，根據所述第二時間對應的設備信號數據、對象行為數據以及所述初始設備推薦數據，對所述個性化推薦模型的推薦策略進行優化，得到優化推薦模型；
29、將所述目標推薦對象在第三時間對應的設備信號數據以及對象行為數據輸入至所述優化推薦模型，得到針對所述目標推薦對象的設備目標推薦數據；所述目標推薦數據用于輔助所述目標推薦對象設定傳媒設備的參數。
30、第五方面，本申請還提供了一種計算機程序產品，包括計算機程序，該計算機程序被處理器執行時實現以下步驟：
31、獲取目標推薦對象在第一時間對應的設備信號數據、對象行為數據以及普適性推薦模型；所述普適性推薦模型通過所述目標推薦對象的歷史設備信號數據以及歷史對象行為數據訓練得到的；
32、將所述設備信號數據以及所述對象行為數據進行向量化融合，得到對象特征融合向量；
33、根據所述對象特征融合向量，對所述普適性推薦模型中的個性化模型參數進行訓練，得到針對所述目標推薦對象的個性化推薦模型；
34、將所述目標推薦對象在第二時間對應的設備信號數據以及對象行為數據輸入至所述個性化推薦模型，得到針對所述目標推薦對象的初始設備推薦數據；
35、響應于本文檔來自技高網...
【技術保護點】
1.一種數據推薦方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述根據所述第二時間對應的設備信號數據、對象行為數據以及所述初始設備推薦數據，對所述個性化推薦模型的推薦策略進行優化，得到優化推薦模型，包括：
3.根據權利要求2所述的方法，其特征在于，所述根據所述動態需求信息以及所述初始設備推薦數據，分析所述目標推薦對象的行為趨勢信息以及信號趨勢信息，包括：
4.根據權利要求3所述的方法，其特征在于，所述根據所述動態需求信息、所述實際場景數據以及所述場景預測軌跡，計算所述行為趨勢信息以及所述信號趨勢信息，包括：
5.根據權利要求1所述的方法，其特征在于，所述根據所述對象特征融合向量，對所述普適性推薦模型中的個性化模型參數進行訓練，得到針對所述目標推薦對象的個性化推薦模型，包括：
6.根據權利要求5所述的方法，其特征在于，所述根據所述對象設備關聯信息以及所述行為信號協同數據，對所述普適性推薦模型中的個性化模型參數進行優化，得到所述個性化推薦模型，包括：
7.根據權利要求1所述的方法，其
8.一種數據推薦裝置，其特征在于，所述裝置包括：
9.一種計算機存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7中任一項所述的方法的步驟。
10.一種電子設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至7中任一項所述的方法的步驟。
...【技術特征摘要】
1.一種數據推薦方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述根據所述第二時間對應的設備信號數據、對象行為數據以及所述初始設備推薦數據，對所述個性化推薦模型的推薦策略進行優化，得到優化推薦模型，包括：
3.根據權利要求2所述的方法，其特征在于，所述根據所述動態需求信息以及所述初始設備推薦數據，分析所述目標推薦對象的行為趨勢信息以及信號趨勢信息，包括：
4.根據權利要求3所述的方法，其特征在于，所述根據所述動態需求信息、所述實際場景數據以及所述場景預測軌跡，計算所述行為趨勢信息以及所述信號趨勢信息，包括：
5.根據權利要求1所述的方法，其特征在于，所述根據所述對象特征融合向量，對所述普適性推薦模型中的個性化模型參數進行訓練，得到針對所述目標推薦...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。