本技術涉及自然語言處理領域，具體而言，涉及一種數據要素的推薦方法、裝置及非易失性存儲介質。

背景技術：

1、在數字經濟迅猛發(fā)展的今天，數據要素作為重要的生產資料，其價值日益凸顯。數據要素不僅承載著豐富的信息，更是各行各業(yè)創(chuàng)新和優(yōu)化的核心驅動力。隨著數據要素交易平臺的興起，如何準確地推薦數據要素以滿足用戶的個性化需求，成為了提高交易效率、促進數據流通的關鍵問題。數據要素作為新型生產要素，是數字經濟時代的新質生產力，具有可復制、可共享、無實體損耗等特性，并且具備乘數效應下的規(guī)模收益遞增優(yōu)勢。為了充分發(fā)揮數據要素的市場價值，必須在一系列政策法規(guī)的規(guī)范指引下加強數據要素的交易流通。

2、相關技術中進行數據要素推薦時會識別出待推薦用戶訪問過哪些數據要素，再通過查詢具有相似訪問記錄的其他用戶，統(tǒng)計這些用戶對其他數據要素的訪問情況，以此為基礎來生成數據要素推薦列表。盡管基于用戶行為的推薦方法在一定程度上提升了推薦的個性化，但這種方法存在明顯的局限性。它過于依賴用戶的顯式行為，而忽視了數據要素本身的內容和語義信息。由于數據要素往往包含復雜的描述和分類，僅通過用戶行為難以準確判斷數據要素間的相關性和相似性。因此，相關技術中的數據要素推薦方法僅依賴用戶共同特征進行推薦，導致推薦結果不夠個性化，無法充分滿足用戶需求。

3、針對上述的問題，目前尚未提出有效的解決方案。

技術實現思路

1、本技術實施例提供了一種數據要素的推薦方法、裝置及非易失性存儲介質，以至少解決相關技術中的數據要素推薦方法僅依賴用戶共同特征進行推薦，導致推薦結果不夠個性化，無法充分滿足用戶需求的技術問題。

2、根據本技術實施例的一個方面，提供了一種數據要素的推薦方法，包括：確定待推薦用戶在預設時間段內訪問的數據要素對應的歷史行為數據集；使用第一種方式基于歷史行為數據集確定第一待推薦數據要素集，其中，第一種方式通過與待推薦用戶有相同特征的目標用戶集合確定第一待推薦數據要素集，相同特征指目標用戶集合中的用戶在預設時間段內的訪問記錄中包含歷史行為數據集中的數據要素；使用第二種方式基于歷史行為數據集確定第二待推薦數據要素集，其中，第二種方式通過將歷史行為數據集對應的第一特征向量集合與向量數據庫中的全部特征向量計算相似度來確定第二待推薦數據要素集；基于第一待推薦數據要素集以及第二待推薦數據要素集確定目標待推薦數據要素集，并將目標待推薦數據要素集中排在前預設位數的數據要素推送至待推薦用戶對應的用戶終端。

3、在本技術的一些實施例中，確定待推薦用戶在預設時間段內訪問的數據要素對應的歷史行為數據集，包括：獲取待推薦用戶在預設時間段內訪問的數據要素對應的歷史訪問記錄；基于歷史訪問記錄確定有效訪問記錄，其中，有效訪問記錄為歷史訪問記錄中訪問行為的停留時間超過預設時間閾值的訪問記錄，訪問行為包括以下至少之一：點擊，咨詢，加購；將有效訪問記錄確定為歷史行為數據集。

4、在本技術的一些實施例中，使用第一種方式基于歷史行為數據集確定第一待推薦數據要素集，包括：確定歷史行為數據集對應的第一歷史數據要素集；依據第一歷史數據要素集確定目標用戶集合，其中，目標用戶集合中的用戶在預設時間段內的用戶訪問記錄與第一歷史數據要素集存在交集，且交集中的數據要素的數量大于第一預設閾值；基于目標用戶集合以及用戶訪問記錄確定第一待推薦數據要素集。

5、在本技術的一些實施例中，基于目標用戶集合以及用戶訪問記錄確定第一待推薦數據要素集，包括：獲取目標用戶集合中所有用戶的用戶訪問記錄；確定用戶訪問記錄中包含的數據要素，并依據數據要素確定數據要素列表；統(tǒng)計數據要素列表中的每個數據要素在所有用戶的用戶訪問記錄中出現的次數，得到每個數據要素的推薦次數，并基于推薦次數和目標用戶集合的用戶總數確定每個數據要素的平均推薦次數，其中，一個用戶的用戶訪問記錄中出現同一數據要素的次數大于1的情況僅記錄為出現一次；將標識為不感興趣的數據要素從數據要素列表中刪除，得到目標數據要素列表；基于每個數據要素的平均推薦次數從大到小的順序對目標數據要素列表中的數據要素排序，得到排序后的目標數據要素列表；將排序后的目標數據要素列表中排在前第二預設閾值的數據要素確定為第一待推薦數據要素集。

6、在本技術的一些實施例中，使用第二種方式基于歷史行為數據集確定第二待推薦數據要素集，包括：確定歷史行為數據集對應的第二歷史數據要素集；確定第二歷史數據要素集在向量數據庫中對應的第一特征向量集合；基于向量數據庫以及第一特征向量集合確定第二待推薦數據要素集。

7、在本技術的一些實施例中，基于向量數據庫以及第一特征向量集合確定第二待推薦數據要素集，包括：對于第一特征向量集合中的第一特征向量，計算第一特征向量與向量數據庫中每個特征向量之間的余弦相似度，得到第一特征向量的余弦相似度集合，其中，第一特征向量為第一特征向量集合中的任意一個特征向量；將余弦相似度集合中排在前第三預設閾值的余弦相似度對應的數據要素確定為第一特征向量的相似數據要素集，其中，相似數據要素集包括數據要素的數據要素id以及數據要素對應的余弦相似度；在遍歷完第一特征向量集合中的全部特征向量之后，得到第一特征向量集合中的每個特征向量的相似數據要素集；基于第一特征向量集合中的每個特征向量的相似數據要素集確定第二待推薦數據要素集。

8、在本技術的一些實施例中，基于第一特征向量集合中的每個特征向量的相似數據要素集確定第二待推薦數據要素集，包括：對于每個相似數據要素集，去除相似數據要素集中與第二歷史數據要素集重合的數據要素以及被待推薦用戶標識為不感興趣的數據要素，得到第一特征向量集合中的每個特征向量的待推薦相似數據要素集；對待推薦相似數據要素集，按照余弦相似度從大到小的順序排序，得到排序后的待推薦相似數據要素集；將排序后的待推薦相似數據要素集中排在前第四預設閾值的數據要素確定為第二待推薦數據要素集。

9、在本技術的一些實施例中，基于第一待推薦數據要素集以及第二待推薦數據要素集確定目標待推薦數據要素集，包括：對第一待推薦數據要素集中每個數據要素的平均推薦次數進行第一歸一化處理，得到歸一化處理后的第一待推薦數據要素集，其中，第一歸一化處理用于將第一待推薦數據要素集中每個數據要素的平均推薦次數轉化為0和1之間的數值；對第二待推薦數據要素集中每個數據要素對應的余弦相似度進行第二歸一化處理，得到歸一化處理后的第二待推薦數據要素集，其中，第二歸一化處理用于將第二待推薦數據要素集中每個數據要素對應的余弦相似度轉化為0和1之間的數值；基于歸一化處理后的第一待推薦數據要素集以及歸一化處理后的第二待推薦數據要素集，確定目標待推薦數據要素集。

10、在本技術的一些實施例中，方法還包括：向量數據庫中的子特征向量通過以下方式得到，其中，子特征向量為向量數據庫中的任意一個特征向量：響應于用戶的數據要素增加或修改指令，并將數據要素增加或修改指令中攜帶的數據要素保存至元數據庫，并獲取元數據庫中的數據要素id；確定數據要素id對應的數據要素屬性特征的多個特征文本；基于預設模型和分詞器確定多個特征文本中每個特征文本對應的第一子特征向量，其中，預設模型用于將特征文本轉化為第一子特征向量；基于預設權重對每個特征文本對應的第一子特征向量進行加權求和處理，得子特征向量。

11、根據本技術實施例的另一方面，還提供了一種數據要素的推薦裝置，包括：第一確定模塊，用于確定待推薦用戶在預設時間段內訪問的數據要素對應的歷史行為數據集；第二確定模塊，用于使用第一種方式基于歷史行為數據集確定第一待推薦數據要素集，其中，第一種方式通過與待推薦用戶有相同特征的目標用戶集合確定第一待推薦數據要素集，相同特征指目標用戶集合中的用戶在預設時間段內的訪問記錄中包含歷史行為數據集中的數據要素；第三確定模塊，用于使用第二種方式基于歷史行為數據集確定第二待推薦數據要素集，其中，第二種方式通過將歷史行為數據集對應的第一特征向量集合與向量數據庫中的全部特征向量計算相似度來確定第二待推薦數據要素集；第四確定模塊，用于基于第一待推薦數據要素集以及第二待推薦數據要素集確定目標待推薦數據要素集，并將目標待推薦數據要素集中排在前預設位數的數據要素推送至待推薦用戶對應的用戶終端。

12、根據本技術實施例的另一方面，還提供了一種非易失性存儲介質，非易失性存儲介質中存儲有程序，其中，在程序運行時控制非易失性存儲介質所在設備執(zhí)行上述的數據要素的推薦方法。

13、根據本技術實施例的另一方面，還提供了一種電子設備，包括：存儲器和處理器，處理器用于運行存儲在存儲器中的程序，其中，程序運行時執(zhí)行上述的數據要素的推薦方法。

14、根據本技術實施例的另一方面，還提供了一種計算機程序產品，包括計算機指令，計算機指令被處理器執(zhí)行時實現上述的數據要素的推薦方法。

15、在本技術實施例中，采用確定待推薦用戶在預設時間段內訪問的數據要素對應的歷史行為數據集；使用第一種方式基于歷史行為數據集確定第一待推薦數據要素集，其中，第一種方式通過與待推薦用戶有相同特征的目標用戶集合確定第一待推薦數據要素集，相同特征指目標用戶集合中的用戶在預設時間段內的訪問記錄中包含歷史行為數據集中的數據要素；使用第二種方式基于歷史行為數據集確定第二待推薦數據要素集，其中，第二種方式通過將歷史行為數據集對應的第一特征向量集合與向量數據庫中的全部特征向量計算相似度來確定第二待推薦數據要素集；基于第一待推薦數據要素集以及第二待推薦數據要素集確定目標待推薦數據要素集，并將目標待推薦數據要素集中排在前預設位數的數據要素推送至待推薦用戶對應的用戶終端的方式，通過兩種方式分別得到不同的待推薦數據要素集，然后再基于兩種方式確定的待推薦數據要素集確定最終的目標待推薦數據要素集，達到了從用戶共同特征和待推薦用戶對應的數據要素自身的特性兩方面確定待推薦數據要素的目的，進而解決了相關技術中的數據要素推薦方法僅依賴用戶共同特征進行推薦，導致推薦結果不夠個性化，無法充分滿足用戶需求的技術問題。