佛经推荐处理、装置、计算机设备及存储介质

摘要

本发明涉及人工智能技术领域，应用于佛经推荐应用领域，公开了一种佛经推荐处理方法、装置、计算机设备和存储介质，用于提高佛经的推送准确率。方法部分包括：响应佛经推荐请求，获取用户的固有属性信息以及历史行为信息，其中，历史行为信息是指用户针对佛经的历史操作行为所得到，历史操作行为包括用户在不同时间段上对佛经的正向行为和反向行为，正向行为和反向行为表征了用户对佛经的感兴趣态度的不同行为；依据正向行为和反向行为构建用户行为序列；确定用户对佛经的喜好特征；根据用户对佛经的喜好特征以及各个候选佛经的佛经特征，从各个候选佛经中选出推荐佛经；将推荐佛经推送至客户端。

说明书

技术领域

本发明涉及人工智能技术领域，应用于佛经推荐，尤其涉及一种佛经推荐处理、装置、计算机设备及存储介质。

背景技术

对于佛学领域，传统的推荐算法模型将研究重点放在了用户兴趣上，佛教信众面对众多佛经可能无从下手，衍生出了对于经文推荐的需求，传统的推荐算法模型将重点放在了用户兴趣上，然而，用户的兴趣会随着时间经常发生变化，仅单纯依据用户兴趣作为推荐依据，将容易导致佛经推荐结果不准确。

发明内容

本发明实施例提供一种佛经推荐处理方法、装置、计算机设备及存储介质，以解决佛经推荐不准的问题。

一种佛经推荐处理方法，包括：

接收用户通过客户端触发的佛经推荐请求；

响应所述佛经推荐请求，获取所述用户的固有属性信息以及历史行为信息，其中，所述历史行为信息是指所述用户针对佛经的历史操作行为所得到，所述历史操作行为包括所述用户在不同时间段上对所述佛经的正向行为和反向行为，所述正向行为和反向行为表征了用户对所述佛经的感兴趣态度的不同行为；

解析所述历史行为信息，得到所述用户在不同时间段上对佛经的正向行为和反向行为，并依据所述正向行为和反向行为构建用户行为序列；

根据所述用户的固有属性信息以及用户行为序列，确定所述用户对佛经的喜好特征；

根据所述用户对佛经的喜好特征以及各个候选佛经的佛经特征，从所述各个候选佛经中选出推荐佛经；

将所述推荐佛经推送至所述客户端。

一种佛经推荐处理装置，包括：

接收模块，用于接收用户通过客户端触发的佛经推荐请求；

获取模块，用于响应所述佛经推荐请求，获取所述用户的固有属性信息以及历史行为信息，其中，所述历史行为信息是指所述用户针对佛经的历史操作行为所得到，所述历史操作行为包括所述用户在不同时间段上对所述佛经的正向行为和反向行为，所述正向行为和反向行为表征了用户对所述佛经的感兴趣态度的不同行为；

解析模块，用于解析所述历史行为信息，得到所述用户在不同时间段上对佛经的正向行为和反向行为，并依据所述正向行为和反向行为构建用户行为序列；

确定模块，用于根据所述用户的固有属性信息以及用户行为序列，确定所述用户对佛经的喜好特征；

筛选模块，用于根据所述用户对佛经的喜好特征以及各个候选佛经的佛经特征，从所述各个候选佛经中选出推荐佛经；

推送模块，用于将所述推荐佛经推送至所述客户端。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述佛经推荐处理方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述佛经推荐处理方法的步骤。

上述佛经推荐处理方法、装置、计算机设备及存储介质所提供的方案中，由于在佛经的感兴趣判断时，除了参考用户对佛经的历史正向行为之外，还参考了用户对佛经的历史反向行为，将历史正向行为与历史反向行为相结合，体现用户行为的时序特点，去确定用户的喜好特征，与传统的方案相比，该方式下用户的喜好特征相比于仅依据用户的感兴趣点击确定出的用户喜好更加准确可靠，从而使得计算出的用户对各候选佛经的感兴趣度的计算更加准确，因而，根据用户对各候选佛经的感兴趣度，向用户推荐的佛经更加会符合用户的喜好，提升了佛经推荐的精确性。在应用转化层面，因为佛经推荐的精确性，能提高用户对推荐佛经的点击率等，从而提升用户体验和佛经推广成效。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中佛经推荐处理方法的一应用环境示意图；

图2是本发明一实施例中佛经推荐处理方法的一流程示意图；

图3是图1中步骤S40的一实施方式示意图；

图4是图3中步骤S41的一实施方式示意图；

图5是本发明一实施例中佛经推荐处理方法的特征融合过程示意图；

图6是1中步骤S50的一实施方式示意图；

图7是本发明一实施例中佛经推荐处理方法的感兴趣度模型的训练示意图；

图8是本发明一实施例中佛经推荐处理方法所应用的整体架构示意图；

图9是本发明一实施例中佛经推荐处理装置的一结构示意图；

图10是本发明一实施例中计算机设备的一结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供的佛经推荐处理方法，可应用在如图1的应用环境中，其中，客户端可通过网络与服务器进行通信，服务器可以接收用户通过客户端触发的佛经推荐请求；响应所述佛经推荐请求，获取所述用户的固有属性信息以及历史行为信息，其中，所述历史行为信息是指所述用户针对佛经的历史操作行为所得到，所述历史操作行为包括所述用户在不同时间段上对所述佛经的正向行为和反向行为，所述正向行为和反向行为表征了用户对所述佛经的感兴趣态度的不同行为；服务器解析所述历史行为信息，得到所述用户在不同时间段上对佛经的正向行为和反向行为，并依据所述正向行为和反向行为构建用户行为序列；随后服务器根据所述用户的固有属性信息以及用户行为序列，确定所述用户对佛经的喜好特征；根据所述用户对佛经的喜好特征以及各个候选佛经的佛经特征，从所述各个候选佛经中选出推荐佛经；将所述推荐佛经推送至所述客户端。

其中，该客户端可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现，本方案也不做限定。下面结合具体的实施例，对本发明提供的佛经推荐处理方法进行详细的描述。

在一实施例中，如图2所示，提供一种佛经推荐处理方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：

S10：接收用户通过客户端触发的佛经推荐请求。

本方案基于一种用于面向佛教信众或非佛教信众作为用户的应用程序，该应用程序安装于客户端中，该客户端当然可以指的是手机、平板电脑等设备。用户通过客户端上的应用程序可以通过点击等操作触发佛经推荐请求，该佛经推荐请求用于向服务器请求提供佛经推荐服务。对于服务器而言，可以接收到用户通过客户端所触发的佛经推荐请求。

本方案所称佛经，包括佛经经典或者藏经，佛经包括多种不同的经文类型或类别，举个简单例子，上述佛经包括但不局限于《佛说尸迦罗越六方礼经》、《三归五戒慈心厌离功德经》、《佛说斋经》、《佛说法灭尽经》《佛说戒香经》、《玉耶女经》、《佛说九横经》、《佛遗教经》、《增壹阿含经》等经典。因此，当用户触发佛经推荐请求之后，需响应该佛经推荐请求向用户精确的推荐相应的佛经。

S20：响应所述佛经推荐请求，获取所述用户的固有属性信息以及历史行为信息。

其中，所述历史行为信息是指所述用户针对佛经的历史操作行为所得到，所述历史操作行为包括所述用户在不同时间段上对所述佛经的正向行为和反向行为，所述正向行为和反向行为表征了用户对所述佛经的感兴趣态度的不同行为。

服务器接收到该佛经推荐请求之后，会响应该佛经推荐请求，具体地，会解析该佛经推荐请求，从而获取到触发该佛经推荐请求的用户。在一个应用场景中，用户在注册该应用程序的用户账户时，可以上传该用户的固有属性信息至服务器作为注册信息，因此用户的固有属性信息可以与用户标识可以存于服务器。该用户标识为用于唯一标识该注册用户的标识信息。当用户登录应用程序并触发佛经推荐请求时，可以在佛经推荐请求中携带用户标识，服务器接收到佛经推荐请求之后，依据佛经推荐请求中的用户标识，可以确定是哪个用户触发了佛经推荐请求。继而利用用户标识可以获取到用户的固有属性信息。示例性的，该用户的固有属性信息包括但不局限于年龄、性别职业等信息。

本方案中，除获取用户的固有属性信息之外，还会响应所述佛经推荐请求去获取用户的历史行为信息，值得说明的是，本方案中的历史行为信息与传统推荐算法所用的历史行为信息不同，该历史行为信息不仅是简单反应用户对哪个佛经感兴趣获取不感兴趣的行为，该历史操作行为还包括用户在不同时间段上对佛经的正向行为和反向行为，所述正向行为和反向行为表征了用户对所述佛经的感兴趣态度的不同行为。也就是说，该历史行为信息包括了用户在不同时间段上对佛经的正向行为和反向行为的时序信息。示例性的，该对佛经的正向行为，可以是指对佛经点击了感兴趣、关注或者进行评分且评分较高等用于体现用户对佛经具有感兴趣态度的行为，相反的，该对佛经的反向行为，可以是指对佛经点击了不感兴趣、取消关注或者进行评分且评分较低等用于体现用户对佛经已未具有感兴趣态度的行为。

S30：解析所述历史行为信息，得到所述用户在不同时间段上对佛经的正向行为和反向行为，并依据所述正向行为和反向行为构建用户行为序列。

在得到上述历史行为信息之后，服务器对历史行为信息进行解析，便可得到所述用户在不同时间段上对佛经的正向行为和反向行为，并依据所述正向行为和反向行为构建用户行为序列。这里的用户行为序列，指的是通过用户的正向行为和反向行为去反应用户时序行为上的信息序列。

作为一个示例，依据所述正向行为和反向行为构建用户行为序列，具体指的是指根据用户在某时间段上，对佛经的正向行为或者反向行为确定出的各个佛经的佛经特征信息所组成的序列。举个简单例子，例如10个佛经中，若用户点击的佛经分别为1、2、3、4、5，用户未点击的佛经分别为6、7、8、9、10，则将这10个佛经的佛经特征信息和是否点击、是否点赞等，按照时间顺序等排列组成信息序列。可以看出，上述信息序列携带了时序信息，该时序信息可以反映用户对某一佛经的感兴趣度随时间推移而改变的感兴趣态度，其中，该佛经的佛经特征信息可以指的是佛经的内容、类别等表征佛经的特征信息。

可以理解，本方案中，考虑到用户的喜好可能体现在用户的操作行为中，比如用户浏览某一佛经时，说明用户大概率是喜欢这件佛经的。又比如，用户收藏佛经时，说明用户对这件佛经是感兴趣的。但是，用户的操作行为浏览或收藏，并不全是说明用户喜欢该佛经，比如当用户在仔细浏览该佛经后，发现该佛经的排版、内容等并不适合该用户。可见，用户行为序列是与时间相关的，按照历史操作时间，对用户针对各个佛经的历史操作行为构建用户行为序列，便于后续为用户精确推荐佛经。

S40：根据所述用户的固有属性信息以及用户行为序列，确定所述用户对佛经的喜好特征。

在得到用户的固有属性信息以及用户行为序列之后，便可确定用户对佛经的喜好特征。

作为一个示例，如图3所示，步骤S40中，也即根据所述用户的固有属性信息以及用户行为序列，确定用户对佛经的喜好特征，具体包括如下步骤：

S41：对用户的固有属性信息进行特征提取，以构建用户属性特征向量，并对用户行为序列进行特征提取，以构建用户行为序列特征向量。

需要说明的是，如前述所述，用户的固有属性信息包括可以账号注册时间、性别、年龄和职业等用户的固有属性信息，在构建其对应的特征向量时，先将用户的固有属性信息转化为数值型特征，以便对待推荐用户的固有属性信息进行特征提取。具体实施中，由于注册时间、年龄等属性信息本身采用数字描述，故可以直接作为待推荐用户的数值型特征。针对性别、地点等文字描述的属性信息，本申请实施例中采用编码的方式转化为数值型特征，便于转化为相应的用户属性特征向量。

需要说明的是，在前述步骤中提及用户行为序列，是依据用户对佛经的正向行为和反向行为所构建，而用户对佛经的正向行为和反向行为，用户对佛经的正向行为和反向行为包含了时序信息，因此，并对用户行为序列进行特征提取，以构建用户行为序列特征向量，体现时序信息。具体地，可以有一个时序标签。

下面举例说明依据用户对佛经的正向行为和反向行为构建用户行为序列的过程。在一应用场景中，示例性地，假设用户在时间t1时段浏览了佛经1和佛经2，然后在t2时段将佛经2点击了“不喜欢”，之后在t3时段收藏并浏览了佛经3。从里可以看出，与用户关联的佛经为佛经1、佛经2以及佛经3，与用户关联的行为包括浏览、点击“不喜欢”以及收藏，则以佛经1、佛经2、佛经3、浏览、点击“不喜欢”以及收藏作为行为时序的节点。其中，t1时段对应的节点“佛经1”与节点“浏览”连接，节点“佛经2”与节点“浏览”连接，获得的两条连接边的边属性为t1时段。t2时段，节点“佛经2”与节点“不喜欢”连接，获得的一条连接边的边属性为t2时段。t3时段，节点“佛经2”与节点“不喜欢”连接，节点“佛经3”与、节点“浏览”、节点“收藏”连接，获得的两条连接边的边属性为t3时段。上述t1、t2和t3便是时序便是定义的时序标签。

从上述例子可以看出，上述时间段与用户的历史行为关联了起来，依据上述“连接”关系和时间信息，便可作为用户时序序列，从而可创建对应的构建用户行为序列特征向量。在具体实现时，上述时间段的选取可尽量长，只要后续能准确为用户推荐佛经便可，这里不做限定。另外需要说明的是，上述构建用户行为序列的过程在此仅为示例性说明，依据时间段的不同和用户的操作行为，可以有其他的用户行为序列产生，在此不一一描述，想表达的是，本方案中的用户行为序列是体现了时序信息的。

作为一个示例，如图4所示，步骤S41中，也即对用户的固有属性信息进行特征提取，以构建用户属性特征向量，对用户行为序列进行特征提取，以构建用户行为序列特征向量，具体包括如下步骤：

S411：将所述用户固有属性信息输入Transformer模型的嵌入层，以获取第一词向量，并将第一词向量作为所述用户属性特征向量。

S412：将所述用户行为序列输入Transformer网络的嵌入层，以构建第二词向量，并将第二词向量将输入Transformer网络的Transformer层，以获取用户行为序列特征向量。

S42：将所述用户属性特征向量和用户行为序列特征向量进行融合，以获取所述用户对佛经的喜好特征。

对于步骤S41-S42，可以理解，用户的固有属性信息和用户行为序列仅为一种信息，为了便于运算以减少，需对用户的固有属性信息进行特征提取，以构建用户属性特征向量，对用户行为序列进行特征提取，以构建用户行为序列特征向量，从而将所述用户属性特征向量和用户行为序列特征向量进行融合，以获取所述用户对佛经的喜好特征。需要说明的是，在一应用场景中，这里的融合指的是特征交叉处理。

具体地，如图5所示，图5中主要包括三个部分，第一部分是embedding layer(嵌入层)，该embedding layer主要是对输入数据映射为矩阵向量，输入数据分为用户的固有属性信息和用户行为序列两部分，这层通过对用户的固有属性信息和用户行为序列分别训练两个词嵌入矩阵向量，本发明实施例中分别称为第一词向量和第二词向量。其中，第一词向量用于映射用户的固有属性信息输入，第二词向量用于映射用户行为序列输入，从而完成词向量的构建。第二部分transformer layer(transformer层)，来完成特征的提取。具体地，第二词向量用于输入至该transformer层中，以通过transformer层对第二词向量进行特征学习，从而得到用户行为序列特征向量。需要说明的是，该transformer层主要包括编码器(encoer)和解码器(decode)，关于transformer层的具体网络结构，在此不做详细说明。基于Transformer网络的transformer层的网络结构特点，通过Transformer网络的transformer层可以充分学习到用户行为序列上时序的特点。

S50：根据所述用户对佛经的喜好特征以及各个候选佛经的佛经特征，从所述各个候选佛经中选出推荐佛经。

S60：将所述推荐佛经推送至所述客户端。

在得到用户对佛经的喜好特征之后，便可根据所述用户对佛经的喜好特征以及各个候选佛经的佛经特征，从所述各个候选佛经中选出推荐佛经并将推荐佛经推送至用户端，以推荐给用户。其中，各个候选佛经的佛经特征是依据佛经的属性信息，例如内容、类型等所提取的特征。

上述佛经推荐处理方法、装置、计算机设备及存储介质所提供的方案中，，由于在佛经的感兴趣判断时，除了参考用户对佛经的历史正向行为之外，还参考了用户对佛经的历史反向行为，将历史正向行为与历史反向行为相结合，体现用户行为的时序特点，去确定用户的喜好特征，与传统的方案相比，该方式下用户的喜好特征相比于仅依据用户的感兴趣点击确定出的用户喜好更加准确可靠，从而使得计算出的用户对各候选佛经的感兴趣度的计算更加准确，因而，根据用户对各候选佛经的感兴趣度向用户推荐的佛经更加会符合用户的喜好，提升了佛经推荐的精确性。在应用转化层面，因为佛经推荐的精确性，能提高用户对推荐佛经的点击率等，从而提升用户体验和佛经推广成效。

作为一个示例，如图6所示，S50中，也即根据所述用户对佛经的喜好特征以及各个候选佛经的佛经特征，从所述各个候选佛经中选出推荐佛经，具体包括如下步骤：

S51：基于所述用户对佛经的喜好特征和各个候选佛经的佛经特征，获得所述用户对所述各个候选佛经的感兴趣度。

S52：根据所述各个候选佛经的感兴趣度，从所述各个候选佛经中选出推荐佛经。

作为一个示例，步骤S51中，也即基于所述用户对佛经的喜好特征和各个候选佛经的佛经特征，获得所述用户对所述各个候选佛经的感兴趣度，具体指的是：通过已训练的感兴趣度模型对所述用户对佛经的喜好特征和各个候选佛经的佛经特征进行分析，获得所述感兴趣度模型输出的用户对所述各个候选佛经的感兴趣度；其中，所述已训练的感兴趣度模型是根据已标注感兴趣度的训练样本数据集训练得到的，所述训练样本数据集中的训练样本包括样本用户对象对佛经的历史行为信息和样本佛经的佛经特征信息。

在本发明实施例中，训练样本中标注的感兴趣度是根据样本用户行为确定的。举个简单例子，若用户点击样本佛经，则该样本佛经标注的感兴趣度为1，若用户未曾点击样本佛经，则样本佛经标注的感兴趣度为0。可见，被标注的感兴趣度即也就是样本佛经的标注信息，通过标注信息可以将训练样本划分为正样本或是负样本，根据这些训练样本便可训练感兴趣度模型。其中，训练样本数据集中包含有大量训练样本，而每一个训练样本是基于样本用户对象对样本佛经的行为生成的，包括样本用户对象对佛经的行为信息以及样本佛经的佛经特征信息。

以实际场景为例，说明如何获取上述训练样本。例如样本用户在佛经应用上阅读佛经时，会对针对其中的某个应用推荐的佛经产生不同的行为，且依据时间的推移，用户对相同的佛经的行为可能会不同。在获取训练样本时，需考虑这一点，将时序状态考虑进去。具体地，用户会对佛经产生点击或是未点击、点赞或未点赞等行为(也即正向行为或反向行为)。该用户便是样本对象，用户当前浏览的佛经即样本佛经。该样本佛经的佛经特征信息则是指该佛经的属性信息。例如该佛经的作者、类别、出版社等。可见，本方案可以依据各个用户的用户端，获取样本用户对象对佛经的行为信息，或是样本佛经的佛经特征信息。

需要说明的是，用户对佛经的喜好特征是基于用户的用户行为序列和用户的固有属性信息提取到的，可用于描述目标对象行为偏好的反馈信息，具体可通过用户对佛经的历史行为分析得到。在本申请实施例中，基于感兴趣度模型确定用户候选佛经的感兴趣时，首先需要通过该感兴趣度模型对用户属性特征向量和用户行为序列特征向量，获得用户的喜好特征；进而基于该模型结合用户的喜好特征、各个候选佛经的佛经特征，获得用户对候选佛经的感兴趣度。其中，感兴趣度模型输出的感兴趣度可以是一个取值范围为0～1的概率值，候选佛经对应的数值越大则表示向用户推荐该佛经之后，用户对该佛经实施正向行为的可能性越高，从而得到精确推荐的目的，提高用户的体验和佛经产品推广。

作为一个示例，如图7所示，通过下列方式训练得到所述已训练的感兴趣度模型：

S101：从所述训练样本数据集中选取训练样本，其中，所述训练样本中标注有用户样本对象对样本佛经的感兴趣度。

S102：对所述训练样本数据集中的每个训练样本，将所述训练样本包含的用户样本对象的行为信息和样本佛经的佛经特征信息输入未训练的感兴趣度模型中，获得所述未训练的感兴趣度模型输出的所述用户样本对象对所述样本佛经的感兴趣度。

S103：基于目标损失函数对所述未训练的感兴趣度模型中的参数进行优化，使得每个训练样本标注的感兴趣度与通过所述未训练的感兴趣度模型得到的感兴趣度的差值在允许的差距范围内为止，得到所述已训练的感兴趣度模型，其中，所述目标损失函数包括与所述用户样本对象的行为信息对应的正向行为项以及反向行为项。

在本发明实施例中，该目标损失函数可以是交叉熵损失函数，也可以是其他类型的损失函数，具体不做限定。下面主要是以交叉熵损失函数为例进行介绍，如下计算公式：

其中，N为所述训练样本的数量，S

也就是说，基于样本用户对象的历史行为可以将训练样本划分为三组，其中，S

需要说明的是，根据样本用户对象的行为，可以将多个正向行为项和反向行为项。包括

a

在本发明实施例中，通过优化算法优化目标损失函数时，主要是根据感兴趣度模型输出的感兴趣度对该感兴趣度模型进行评测，根据评测结果进行调整，进而根据调整后的目标损失函数对感兴趣度模型进行优化，直至感兴趣度模型收敛，达到每个训练样本标注的感兴趣度与通过未训练的感兴趣度模型得到的感兴趣度的差值在允许的差距范围内的效果。

作为一个示例，如图8所示，具体的，本申请实施例中的感兴趣度模型主要包括循环神经网络部分、Transformer网络部分和前馈神经网络(Feed-forward Neural Network，FNN)部分，其中Transformer网络部分主要用于对用户的用户属性特征向量和用户行为序列向量进行特征交叉，获得用户的喜好特征，由于加入了行为序列，反应了时间信息，能有效地捕获用户当前的兴趣。基于该Transformer网络部分确定的喜好特征后，主要通过前馈神经网络和后面连接的全连接层对行为喜好特征和各候选佛经的佛经特征进行处理，以获得感兴趣度，通过本申请实施例中的佛经推荐处理方法推荐的佛经更加准确。

作为一个示例，该前馈神经网络可以与sigmiod激活函数连接，喜好特征和候选佛经的佛经特征经过前馈神经网络(FNN)后连接sigmiod激活函数，产生最终的二分类结果，输出推荐和不推荐的结果，从而依据推荐的结果作为推荐佛经并推送至客户端，以向用户进行推荐。最终模型结构如图8所示。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种佛经推荐处理装置，该佛经推荐处理装置与上述实施例中佛经推荐处理方法一一对应。如图9所示，该佛经推荐处理装置包括接收模块101、获取模块102、解析模块103、确定模块104、筛选模块105和推送模块106。各功能模块详细说明如下：

接收模块，用于接收用户通过客户端触发的佛经推荐请求；

获取模块，用于响应所述佛经推荐请求，获取所述用户的固有属性信息以及历史行为信息，其中，所述历史行为信息是指所述用户针对佛经的历史操作行为所得到，所述历史操作行为包括所述用户在不同时间段上对所述佛经的正向行为和反向行为，所述正向行为和反向行为表征了用户对所述佛经的感兴趣态度的不同行为；

解析模块，用于解析所述历史行为信息，得到所述用户在不同时间段上对佛经的正向行为和反向行为，并依据所述正向行为和反向行为构建用户行为序列；

确定模块，用于根据所述用户的固有属性信息以及用户行为序列，确定所述用户对佛经的喜好特征；

筛选模块，用于根据所述用户对佛经的喜好特征以及各个候选佛经的佛经特征，从所述各个候选佛经中选出推荐佛经；

推送模块，用于将所述推荐佛经推送至所述客户端。

在一实施例中，确定模块具体用于：

对所述固有属性信息进行特征提取，以构建用户属性特征向量，并对所述用户行为序列进行特征提取，以构建用户行为序列特征向量；

将所述用户属性特征向量和用户行为序列特征向量进行融合，以获取所述用户对佛经的喜好特征。

在一实施例中，确定模块具体用于：将所述用户固有属性信息输入Transformer模型的嵌入层，以获取第一词向量，并将第一词向量作为所述用户属性特征向量；

将所述用户行为序列输入Transformer网络的嵌入层，以构建第二词向量，并将第二词向量将输入Transformer网络的Transformer层，以获取用户行为序列特征向量。

在一实施例中，筛选模块具体用于：

基于所述用户对佛经的喜好特征和各个候选佛经的佛经特征，获得所述用户对所述各个候选佛经的感兴趣度；

根据所述各个候选佛经的感兴趣度，从所述各个候选佛经中选出推荐佛经。

在一实施例中，筛选模块具体用于：

通过已训练的感兴趣度模型对所述用户对佛经的喜好特征和各个候选佛经的佛经特征进行分析，获得所述感兴趣度模型输出的用户对所述各个候选佛经的感兴趣度；其中，所述已训练的感兴趣度模型是根据已标注感兴趣度的训练样本数据集训练得到的，所述训练样本数据集中的训练样本包括样本用户对象对佛经的历史行为信息和样本佛经的佛经特征信息。

在一实施例中，所述已训练的感兴趣度模型为通过下列方式训练得到：

从所述训练样本数据集中选取训练样本，其中，所述训练样本中标注有用户样本对象对样本佛经的感兴趣度；

对所述训练样本数据集中的每个训练样本，将所述训练样本包含的用户样本对象的行为信息和样本佛经的佛经特征信息输入未训练的感兴趣度模型中，获得所述未训练的感兴趣度模型输出的所述用户样本对象对所述样本佛经的感兴趣度；

基于目标损失函数对所述未训练的感兴趣度模型中的参数进行优化，使得每个训练样本标注的感兴趣度与通过所述未训练的感兴趣度模型得到的感兴趣度的差值在允许的差距范围内为止，得到所述已训练的感兴趣度模型，其中，所述目标损失函数包括与所述用户样本对象的行为信息对应的正向行为项以及反向行为项。

在一实施例中，所述目标损失函数可以是交叉熵损失函数，所述交叉熵损失函数如下所示：

其中，N为所述训练样本的数量，S

上述佛经推荐处理装置中，由于在佛经的感兴趣判断时，除了参考用户对佛经的历史正向行为之外，还参考了用户对佛经的历史反向行为，将历史正向行为与历史反向行为相结合，体现用户行为的时序特点，去确定用户的喜好特征，与传统的方案相比，该方式下用户的喜好特征相比于仅依据用户的感兴趣点击确定出的用户喜好更加准确可靠，从而使得计算出的用户对各候选佛经的感兴趣度的计算更加准确，因而，根据用户对各候选佛经的感兴趣度向用户推荐的佛经更加会符合用户的喜好，提升了佛经推荐的精确性。在应用转化层面，因为佛经推荐的精确性，能提高用户对推荐佛经的点击率等，从而提升用户体验和佛经推广成效。

关于佛经推荐处理装置的具体限定可以参见上文中对于佛经推荐处理方法的限定，在此不再赘述。上述佛经推荐处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括存储介质和内存储器，该存储介质包括非易失性存储介质和易失性存储介质。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种佛经推荐处理方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

接收用户通过客户端触发的佛经推荐请求；

响应所述佛经推荐请求，获取所述用户的固有属性信息以及历史行为信息，其中，所述历史行为信息是指所述用户针对佛经的历史操作行为所得到，所述历史操作行为包括所述用户在不同时间段上对所述佛经的正向行为和反向行为，所述正向行为和反向行为表征了用户对所述佛经的感兴趣态度的不同行为；

解析所述历史行为信息，得到所述用户在不同时间段上对佛经的正向行为和反向行为，并依据所述正向行为和反向行为构建用户行为序列；

根据所述用户的固有属性信息以及用户行为序列，确定所述用户对佛经的喜好特征；

根据所述用户对佛经的喜好特征以及各个候选佛经的佛经特征，从所述各个候选佛经中选出推荐佛经；

将所述推荐佛经推送至所述客户端。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

接收用户通过客户端触发的佛经推荐请求；

响应所述佛经推荐请求，获取所述用户的固有属性信息以及历史行为信息，其中，所述历史行为信息是指所述用户针对佛经的历史操作行为所得到，所述历史操作行为包括所述用户在不同时间段上对所述佛经的正向行为和反向行为，所述正向行为和反向行为表征了用户对所述佛经的感兴趣态度的不同行为；

解析所述历史行为信息，得到所述用户在不同时间段上对佛经的正向行为和反向行为，并依据所述正向行为和反向行为构建用户行为序列；

根据所述用户的固有属性信息以及用户行为序列，确定所述用户对佛经的喜好特征；

根据所述用户对佛经的喜好特征以及各个候选佛经的佛经特征，从所述各个候选佛经中选出推荐佛经；

将所述推荐佛经推送至所述客户端。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。