本发明涉及人工智能，尤其涉及一种基于深度图游走的工具推荐方法及系统。
背景技术：
1、对于工具推荐，现有方案是通过在传统关系型数据库中建立对应的数据模型(例如用户模型、产品模型和用户岗位模型等)，通过构建用户特征标签、商品特征标签和场景特征标签，将处理结果存入到指定的数据模型中，根据处理后的数据进行数据分析并筛选出推荐的产品。
2、但是现有技术方案以任务为导向，每个任务一个求解器，无法复用数据架构和计算模型。维护调试成本高且缺少实时能力，模型效果提升的过程中面临了局部优化与整体优化无法兼顾的问题，导致打补丁越来越多，系统维护日益困难。此外，推荐经验的累积在数据形态上，还是基础的特征累积，模型建设还是点对点、端到端的模式，而端到端模型的构建在面临新场景建设的情况下启动困难，很难有效使用。
技术实现思路
1、本发明提供一种基于深度图游走的工具推荐方法及系统，用以解决现有技术中工具推荐的方法实用性不强的缺陷，在保证准确率的前提下，用同一个模型实现在不同场景下的工具推荐，扩大工具推荐的适用场景。
2、本发明提供一种基于深度图游走的工具推荐方法，包括：
3、获取工具推荐过程的第一历史数据，所述第一历史数据是通过结构化数据和非结构化数据得到的；
4、根据所述第一历史数据构建关于第一实体-关系-第二实体的图谱结构，所述第一实体通过所述第一历史数据中的第一名词确定，所述第二实体通过所述第一历史数据中的第二名词确定，所述关系通过所述第一历史数据中的动词确定；
5、获取使用工具推荐用户的第二历史数据，所述第二历史数据包括用户的基础信息和用户的行为信息；
6、根据所述第二历史数据构建用户标签体系，所述用户标签体系包括基础属性标签、工具标签和工具预测标签；
7、根据所述图谱结构和用户标签体系构建深度图游走算法；
8、根据所述深度图游走算法对待推荐的用户进行工具推荐。
9、可选地，所述第一历史数据具体通过如下方式获取：
10、获取工具推荐过程的结构化数据和非结构化数据；
11、对所述结构化数据和非结构化数据均进行数据清洗、特征筛选和标准化处理，得到预处理数据；
12、对所述预处理数据进行数据融合，得到第一历史数据。
13、可选地，根据所述第二历史数据构建用户标签体系，包括：
14、根据所述用户的基础信息构建基础属性标签，所述用户的基础信息包括用户信息、岗位职级和角色类别；
15、根据所述用户的行为信息构建工具标签，所述用户的行为信息包括使用的工具、收藏的工具、识别使用工具的时序特征和工具使用的行为特征；
16、根据所述基础属性标签和工具标签构建工具预测标签，所述工具预测标签采用梯度提升树算法进行工具预测。
17、可选地，根据所述深度图游走算法对待推荐的用户进行工具推荐，包括：
18、获取待推荐的用户的基础信息和取待推荐的用户的历史行为信息；
19、根据所述待推荐的用户的基础信息和取待推荐的用户的历史行为信息确定评分函数，所述评分函数用于确定工具与用户的匹配度；
20、根据所述评分函数和深度图游走算法确定每个工具与用户的匹配度；
21、根据预设的匹配度阈值和所述每个工具与用户的匹配度对所述待推荐的用户进行工具推荐。
22、可选地，根据预设的匹配度阈值和所述每个工具与用户的匹配度对所述待推荐的用户进行工具推荐之后，还包括：
23、根据预设的推荐规则对所述工具推荐的结果进行排序。
24、可选地，根据预设的匹配度阈值和所述每个工具与用户的匹配度对所述待推荐的用户进行工具推荐之后，还包括：
25、获取用户的操作反馈数据，所述操作反馈数据包括工具使用时长、工具使用频次和工具使用评价；
26、根据所述操作反馈数据构建逻辑回归的反馈模型；
27、根据所述逻辑回归的反馈模型更新所述图谱结构。
28、可选地，获取工具推荐过程的第一历史数据之后；根据所述第一历史数据构建关于第一实体-关系-第二实体的图谱结构之前，还包括：
29、采用关键词提取法提取所述第一历史数据中的第一名词、第二名词和动词。
30、本发明还提供一种基于深度图游走的工具推荐系统，包括：
31、第一历史数据获取模块，用于获取工具推荐过程的第一历史数据，所述第一历史数据是通过结构化数据和非结构化数据得到的；
32、图谱结构构建模块，用于根据所述第一历史数据构建关于第一实体-关系-第二实体的图谱结构，所述第一实体和第二实体通过所述第一历史数据中的名词确定，所述关系通过所述第一历史数据中的动词确定；
33、第二历史数据获取模块，用于获取使用工具推荐用户的第二历史数据，所述第二历史数据包括用户的基础信息和用户的行为信息；
34、用户标签体系构建模块，用于根据所述第二历史数据构建用户标签体系，所述用户标签体系包括基础属性标签、工具标签和工具预测标签；
35、深度图游走算法构建模块，用于根据所述图谱结构和用户标签体系构建深度图游走算法；
36、工具推荐模块，用于根据所述深度图游走算法对待推荐的用户进行工具推荐。
37、本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上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程序时实现所述基于深度图游走的工具推荐方法。
38、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于深度图游走的工具推荐方法。
39、本发明提供的一种基于深度图游走的工具推荐方法及系统，通过获取工具推荐过程的第一历史数据，所述第一历史数据是通过结构化数据和非结构化数据得到的；根据所述第一历史数据构建关于第一实体-关系-第二实体的图谱结构，所述第一实体通过所述第一历史数据中的第一名词确定，所述第二实体通过所述第一历史数据中的第二名词确定，所述关系通过所述第一历史数据中的动词确定；获取使用工具推荐用户的第二历史数据，所述第二历史数据包括用户的基础信息和用户的行为信息；根据所述第二历史数据构建用户标签体系，所述用户标签体系包括基础属性标签、工具标签和工具预测标签；根据所述图谱结构和用户标签体系构建深度图游走算法；根据所述深度图游走算法对待推荐的用户进行工具推荐。即本发明基于构建的图谱结构和用户标签体系，进一步构建用于工具推荐的深度图游走算法，能够在保证准确率的前提下，用同一个工具推荐模型实现在不同场景下的工具推荐，扩大工具推荐的适用场景，提高工作效率。
1.一种基于深度图游走的工具推荐方法，其特征在于，包括：
2.根据权利要求1所述的基于深度图游走的工具推荐方法，其特征在于，所述第一历史数据具体通过如下方式获取：
3.根据权利要求1所述的基于深度图游走的工具推荐方法，其特征在于，根据所述第二历史数据构建用户标签体系，包括：
4.根据权利要求1-3任一项所述的基于深度图游走的工具推荐方法，其特征在于，根据所述深度图游走算法对待推荐的用户进行工具推荐，包括：
5.根据权利要求4所述的基于深度图游走的工具推荐方法，其特征在于，根据预设的匹配度阈值和所述每个工具与用户的匹配度对所述待推荐的用户进行工具推荐之后，还包括：
6.根据权利要求4所述的基于深度图游走的工具推荐方法，其特征在于，根据预设的匹配度阈值和所述每个工具与用户的匹配度对所述待推荐的用户进行工具推荐之后，还包括：
7.根据权利要求1-3任一项所述的基于深度图游走的工具推荐方法，其特征在于，获取工具推荐过程的第一历史数据之后；根据所述第一历史数据构建关于第一实体-关系-第二实体的图谱结构之前，还包括：
8.一种基于深度图游走的工具推荐系统，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于深度图游走的工具推荐方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于深度图游走的工具推荐方法。
