本技术属于人工智能，尤其涉及一种基于智能体的产品推荐方法、装置及介质。
背景技术：
1、产品推荐是人工智能领域中的一项核心技术，它通过综合的数据分析智能地预测并向用户推荐可能感兴趣的内容或物品。这一领域汇集了机器学习、数据挖掘、社会网络分析等多个学科的前沿研究成果，不仅极大地提升了信息的个性化递送效率，优化了用户体验，也为内容提供者和电商平台创造了显著的经济效益。
2、产品推荐技术的发展经历了从简单的基于内容的推荐和协同过滤算法，到现在融合了深度学习、图神经网络、强化学习等先进技术的复杂系统。特别是深度学习技术的应用，使得推荐系统能够从大量的非结构化数据中自动学习和提取特征，极大地提高了推荐的精准度和智能化水平。深度学习技术的引入，尤其是大模型的应用，为推荐系统带来了新的突破。
3、然而，已知技术中的产品推荐技术仍存在诸多问题，主要包括初始阶段数据匮乏情况下推荐系统的冷启动问题、推荐系统难以对大规模数据集进行高效处理、缺乏个性化推荐与说服力以及对用户行为动态变化的适应性差等问题，如何解决其中的至少部分技术问题以对推荐技术进行优化，成为本领域的研究热点。
技术实现思路
1、有鉴于此，本技术提供一种基于智能体的产品推荐方法、装置及介质，以解决已知技术中产品推荐技术的至少部分技术问题，对推荐技术进行优化，提升推荐系统的性能和用户体验。
2、具体技术方案如下：
3、一种基于智能体的产品推荐方法，包括：
4、响应于获得对目标用户的产品推荐请求，获取所述目标用户的用户画像；若所述目标用户为新用户，所述目标用户的用户画像为通过利用预先设置的大模型代理中的交互代理与所述目标用户进行问答交互，并基于所述问答交互利用大模型所构建的初始画像；
5、基于所述大模型代理中的分析代理，确定所述目标用户的用户画像向量与待推荐产品集的产品向量库中各产品向量之间的匹配度；所述用户画像向量为所述目标用户的用户画像对应的向量；
6、基于所述分析代理，根据所述用户画像向量与所述各产品向量之间的匹配度，生成对所述目标用户的产品推荐结果；
7、其中，在用户数据不足的情况下，所述分析代理的推荐能力为通过利用大模型模拟不同用户对推荐结果的反馈，并基于模拟数据进行推荐能力的训练而形成。
8、可选的，若所述目标用户为非新用户，所述目标用户的用户画像为基于所述目标用户针对产品产生的信息数据对所述初始画像进行更新所得的更新画像，或为所述目标用户所属类别用户的画像；所述目标用户的初始画像的构建过程包括：
9、通过所述交互代理与所述目标用户之间的问答交互，收集所述目标用户的基本信息和偏好信息；
10、将所述目标用户的基本信息和偏好信息以及用于指示大模型构建用户画像的引导信息输入大模型，得到大模型输出的所述目标用户的初始画像；
11、所述基于所述目标用户针对产品产生的信息数据对所述初始画像进行更新，包括：
12、基于所述目标用户对产品的历史交互数据和/或行为模式，对所述初始画像进行更新。
13、可选的，所述产品向量库的构建过程包括：
14、根据所述待推荐产品集中待推荐产品的产品信息，确定所述待推荐产品的各个关键特征；所述待推荐产品的关键特征为从所述待推荐产品的产品信息中选取的特征，或通过对选取的特征进行处理所得的特征；
15、对所述待推荐产品的各个关键特征分别进行向量化处理，得到所述各个关键特征分别对应的特征向量；
16、将所述各个关键特征分别对应的特征向量合并成一个向量，得到所述待推荐产品对应的产品向量；
17、其中，所述产品向量库包括所述待推荐产品集中的各个待推荐产品分别对应的产品向量；每个产品向量通过预设索引结构中的相应索引映射至对应的待推荐产品。
18、可选的，所述目标用户的用户画像向量，为所述目标用户的初始画像对应的向量，或者为通过将所述目标用户对产品的历史交互数据和/或行为模式与所述初始画像进行整合所构建的综合向量，或者为所述目标用户所属类别用户的画像对应的向量；
19、所述确定所述目标用户的用户画像向量与待推荐产品集的产品向量库中各产品向量之间的匹配度，包括：
20、利用预定义的匹配度函数量化所述目标用户的用户画像向量与所述产品向量库中每个产品向量之间的匹配程度，得到所述目标用户的用户画像向量与所述产品向量库中每个产品向量之间的匹配度；
21、其中，所述匹配度函数包括：用户画像向量与所述产品向量库中产品向量之间的匹配度，与用户画像向量包含的表征用户特性的多维向量和所述产品向量包含的表征产品特性的多维向量之间的函数关系。
22、可选的，所述根据所述用户画像向量与所述各产品向量之间的匹配度，生成对所述目标用户的产品推荐结果，包括：
23、从所述待推荐产品集中，确定对应的产品向量与所述目标用户的用户画像向量之间的匹配度满足匹配度条件的至少一个产品；
24、生成包含所述至少一个产品的产品信息的产品推荐结果；或者，从所述至少一个产品中选取与所述目标用户对产品的历史互动数据具备关联关系的至少一个目标产品，生成包含所述至少一个目标产品的产品信息的产品推荐结果。
25、可选的，所述基于智能体的产品推荐方法，还包括：
26、基于对所述目标用户的用户画像、所述用户画像向量与所述各产品向量之间的匹配情况和所述目标用户对产品的历史互动数据中至少部分数据的语义理解，生成对所述产品推荐结果的推荐原因解释信息。
27、可选的，所述基于智能体的产品推荐方法，还包括：
28、获取所述目标用户对所述产品推荐结果的反馈信息；
29、根据所述反馈信息调整推荐模型的模型参数；所述推荐模型为按照所述分析代理的推荐流程所构建的用于对所述分析代理进行推荐功能实现的模型。
30、可选的，所述推荐模型为通过基于预定义的优化问题确定模型参数而构建；
31、所述优化问题的目标包括：在满足计算资源限制的情况下，为所述推荐模型确定一组模型参数，以使得所述推荐模型的预测误差和模型复杂度的加权和最小。
32、一种基于智能体的产品推荐装置，包括：
33、获取模块，用于响应于获得对目标用户的产品推荐请求，获取所述目标用户的用户画像；若所述目标用户为新用户，所述目标用户的用户画像为通过利用预先设置的大模型代理中的交互代理与所述目标用户进行问答交互，并基于所述问答交互利用大模型所构建的初始画像；
34、确定模块，用于基于所述大模型代理中的分析代理，确定所述目标用户的用户画像向量与待推荐产品集的产品向量库中各产品向量之间的匹配度；所述用户画像向量为所述目标用户的用户画像对应的向量；
35、生成模块，用于基于所述分析代理，根据所述用户画像向量与所述各产品向量之间的匹配度，生成对所述目标用户的产品推荐结果；
36、其中，在用户数据不足的情况下，所述分析代理的推荐能力为通过利用大模型模拟不同用户对推荐结果的反馈，并基于模拟数据进行推荐能力的训练而形成。
37、一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时，能用于实现如上文任一项所述的基于智能体的产品推荐方法。
38、根据以上方案可知，本技术提供的基于智能体的产品推荐方法、装置及介质，针对产品推荐场景，预先设置了包括交互代理和分析代理的大模型代理。在有新用户加入情况下，通过利用大模型代理中的交互代理与新用户进行问答交互，来支持大模型对新用户生成一个初步的用户画像，即初始画像，以帮助系统在没有大量个人数据的情况下也能进行较为准确的推荐。同时，在用户数据不足的初期，利用大模型来模拟不同用户对推荐结果的反馈，并使用这些模拟数据训练分析代理的推荐能力，使得分析代理能够在实际积累足够的用户数据之前，就能较好地理解不同类型的用户偏好。通过上述方案，本技术可以有效解决前期新用户数据匮乏情况下的推荐系统冷启动问题，从而对产品推荐技术进行了优化，提升了推荐系统的性能和用户体验。
1.一种基于智能体的产品推荐方法，其特征在于，包括：
2.根据权利要求1所述的基于智能体的产品推荐方法，其特征在于，若所述目标用户为非新用户，所述目标用户的用户画像为基于所述目标用户针对产品产生的信息数据对所述初始画像进行更新所得的更新画像，或为所述目标用户所属类别用户的画像；所述目标用户的初始画像的构建过程包括：
3.根据权利要求1所述的基于智能体的产品推荐方法，其特征在于，所述产品向量库的构建过程包括：
4.根据权利要求2所述的基于智能体的产品推荐方法，其特征在于，所述目标用户的用户画像向量，为所述目标用户的初始画像对应的向量，或者为通过将所述目标用户对产品的历史交互数据和/或行为模式与所述初始画像进行整合所构建的综合向量，或者为所述目标用户所属类别用户的画像对应的向量；
5.根据权利要求1所述的基于智能体的产品推荐方法，其特征在于，所述根据所述用户画像向量与所述各产品向量之间的匹配度，生成对所述目标用户的产品推荐结果，包括：
6.根据权利要求1所述的基于智能体的产品推荐方法，其特征在于，还包括：
7.根据权利要求1所述的基于智能体的产品推荐方法，其特征在于，还包括：
8.根据权利要求7所述的基于智能体的产品推荐方法，其特征在于，所述推荐模型为通过基于预定义的优化问题确定模型参数而构建；
9.一种基于智能体的产品推荐装置，其特征在于，包括：
10.一种计算机可读介质，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，能用于实现如权利要求1-8任一项所述的基于智能体的产品推荐方法。
