CN111159570A - 一种信息推荐方法及服务器 - Google Patents
一种信息推荐方法及服务器 Download PDFInfo
- Publication number
- CN111159570A CN111159570A CN201911296242.9A CN201911296242A CN111159570A CN 111159570 A CN111159570 A CN 111159570A CN 201911296242 A CN201911296242 A CN 201911296242A CN 111159570 A CN111159570 A CN 111159570A
- Authority
- CN
- China
- Prior art keywords
- user
- target
- recommendation
- information
- behavior data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000011156 evaluation Methods 0.000 claims abstract description 116
- 238000000354 decomposition reaction Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 10
- 230000006399 behavior Effects 0.000 description 44
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及计算机领域,公开了一种信息推荐方法及服务器,用以解决基于显式信任关系的推荐模型的推荐效率低的问题。该方法包括,目标平台确定目标用户的历史行为数据达到设定门限值时,基于推荐模型和历史行为数据,生成第一目标推荐信息集合;否则通过获取目标用户在其他平台上的信任用户集合,确定在目标平台上获取相应的实际评估值集合;再基于实际评估值集合和推荐模型,确定第二目标推荐信息集合。根据采集到的目标用户自身的历史行为数据,可采用历史行为数据或者社交化信任关系两种方式,生成目标用户的目标推荐信息集合,既解决了冷启动问题,又克服了传统的社会关系带来的局限性。
Description
技术领域
本申请涉及计算机领域,尤其涉及一种信息推荐方法及服务器。
背景技术
随着互联网技术的高速发展,人们可以使用各类智能终端(如,智能手机、智能电视、电脑等等)随时随地参与网络活动,使得互联网信息的数量呈指数级增长,导致信息爆炸现象的产生,信息爆炸使得人们很难从海量的信息中寻找到符合自身个性化需求的信息。当一个新用户加入到传统推荐系统时,其在传统推荐系统中的历史记录信息几乎是空白的,难以基于内容的推荐算法或者基于协同过滤的推荐算法,估计新用户的偏爱喜好,进而出现冷启动问题。
为了解决冷启动问题,现在推出了一种结合用户的社会化信任关系的推荐模型,通过采集新用户在其他平台的社会活动信息,确定新用户与其他平台的其他用户之间的显式信任关系,比如朋友关系、同事关系,等等;再基于所述显式信任关系,为新用户推荐其可能感兴趣的目标物品。
由于用户的社会活动具有一定的局限性,推荐模型只能采集到碎片化的用户信息,无法建立用户与其他用户之间的显式信任关系,所以在实际应用该类推荐模型时具有一定的局限性,导致该类推荐模型的推荐效率很低。
有鉴于此,本申请提出了一种新的信息推荐方法,以克服上述缺陷。
发明内容
本申请实施例提供一种信息推荐方法及服务器,以解决基于显式信任关系的推荐模型的推荐效率低的问题。
第一方面,本申请实施例提供的一种信息推荐方法,应用于目标平台,包括:
目标平台接收目标用户发送的信息推荐请求,基于所述信息推荐请求中携带的用户标识信息,确定所述用户标识信息对应的历史行为数据达到设定门限值时,基于所述历史行为数据和预设推荐模型,生成相应的第一目标推荐信息集合呈现给所述目标用户;
若所述用户标识信息对应的历史行为数据未达到设定门限值,则基于所述用户标识信息,确定所述目标用户关联的其他平台,以及获取所述目标用户在其他平台上的信任用户集合;
基于所述信任用户集合,在所述目标平台上获取相应的实际评估值集合,其中一个实际评估值表征一个用户在一个时间点,对所述目标平台上的一个候选信息的评估结果;
基于所述实际评估值集合和所述推荐模型,确定所述目标用户对各个候选信息的预测评估值,并将符合预设推荐条件的各个预测评估值对应的候选信息,作为第二目标推荐信息集合呈现给所述目标用户。
第二方面,本申请还提供了另一种信息推荐方法,应用于服务器,包括:
服务器接收目标终端发送的商品推荐请求,基于所述商品推荐请求中携带的用户标识信息,确定所述用户标识信息对应的音视频历史行为数据,所述用户标识信息对应的音视频历史行为数据被配置为用于根据所述用户标识信息对应的音视频历史行为数据与其他用户的音视频历史行为数据的比对,在所述其他用户中确定信任用户,其中所述商品和所述音视频不同;
根据信任用户的商品历史行为数据为所述目标用户确定待推荐的商品;
根据所述待推荐的商品生成目标推荐信息并发送给所述目标终端。
第三方面,相应的,本申请实施例还提供了一种信息推荐服务器,应用于目标平台,至少包括:
获取单元,用于目标平台接收目标用户发送的信息推荐请求;
处理单元,用于基于所述信息推荐请求中携带的用户标识信息,确定所述用户标识信息对应的历史行为数据达到设定门限值时,基于所述历史行为数据和预设推荐模型,生成相应的第一目标推荐信息集合呈现给所述目标用户;
若所述用户标识信息对应的历史行为数据未达到设定门限值,则基于所述用户标识信息,基于所述信息推荐请求中携带的用户标识信息,确定所述目标用户关联的其他平台,以及获取所述目标用户在其他平台上的信任用户集合;
基于所述信任用户集合,在所述目标平台上获取相应的实际评估值集合,其中一个实际评估值表征一个用户在一个时间点,对所述目标平台上的一个候选信息的评估结果;
推荐单元,用于基于所述实际评估值集合和所述推荐模型,确定所述目标用户对各个候选信息的预测评估值,并将符合预设推荐条件的各个预测评估值对应的候选信息,作为目标推荐信息集合呈现给所述目标用户。
本申请有益效果如下:
本申请实施例中,目标平台接收目标用户发送的信息推荐请求,基于信息推荐请求携带的用户标识信息,确定用户标识信息对应的历史行为数据是否达到设定门限值,若是,基于历史行为数据和预设推荐模型,生成并向用户呈现相应的第一目标推荐信息集合;否则,基于用户标识信息确定目标用户关联的其他平台,和目标用户在其他平台上的信任用户集合;基于信任用户集合,确定在目标平台上获取相应的实际评估值集合;再基于实际评估值集合和推荐模型,确定目标用户对各个候选信息的预测评估值;最后,将符合预设推荐条件的各个预测评估值对应的候选信息,作为第二目标推荐信息集合呈现给目标用户。若目标用户自身的历史行为数据满足设定门限值,则基于目标平台的推荐模型和历史行为数据,生成相应的第一目标推荐信息集合;否则,将目标用户与其他用户之间的信任关系,融入到实际评估值集合中,根据社交化信任关系向目标用户提供较为满意的推荐结果,既解决了冷启动问题,又克服了传统的社会关系带来的局限性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的终端设备示意图;
图2为本申请实施例提供的训练推荐模型的流程示意图;
图3为本申请实施例提供的实际评估值集合的示意图;
图4为本申请实施例提供的生成目标推荐信息集合的流程示意图;
图5为本申请实施例提供的信息推荐方法的流程示意图;
图6位本申请实施例提供的应用于目标平台的信息推荐服务器的结构示意图;
图7为本申请实施例提供的应用于其他平台的信息推荐服务器的结构示意图;
图8为本申请实施例提供的一种计算设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面结合附图对本申请优选的实施方式作出详细说明。
参阅图1所示,本申请实施例提供了一种用于信息推荐的终端,在终端中具体包括显示装置101和控制装置102。
其中,显示装置101可以是液晶显示器、OLED显示器和投影显示设备,具体显示装置类型、尺寸和分辨率等不作限定,本领域技术人员可以理解的是,显示装置101可以根据实际需求,在性能与配置上作出相应改变。
控制装置102可通过红外通信、蓝牙通信、有线、无线网络或者其他短距离通信方式来控制显示装置101,例如,当控制装置102为遥控器时,用户可以通过遥控器上的音量加减键、频道控制键、上/下/左/右的移动按键、语音输入按键、菜单键、开关机按键等输入相应控制指令,控制显示装置101由智能电视主界面切换到电商购物平台,向用户呈现推荐物品列表。又例如,当控制装置102为鼠标时,用户可以通过点击鼠标左右键、移动鼠标等方式输入相应控制指令,控制显示装置101由视频平台切换到教育咨询平台,向用户呈现教育咨询推荐信息列表。
在本申请实施例中,终端可以是智能手机、平板电脑、台式机、笔记本电脑、智能电视等,具备呈现目标推荐信息集合的功能的设备。终端与服务器通过多种通信方式进行数据通信,可允许终端通过局域网、无线局域网和其他网络进行通信连接。
本申请实施例中提供了一种基于目标用户在其他平台上的信任用户集合的推荐模型,该推荐模型用于生成并向目标用户呈现目标推荐信息集合。
由于平台中新用户的历史记录信息几乎是空白的,难以基于内容的推荐算法,挖掘新用户在该平台的历史行为,分析得到新用户的偏爱喜好,或者,难以基于协同过滤的推荐算法,挖掘新用户在该平台的历史行为,分析得到目标用户在该平台上的相似用户集合,并根据各个相似用户的偏好,生成该用户的推荐信息集合。传统的推荐模型只能对用户在某一平台的历史记录信息进行挖掘,确定用户的偏爱喜好,所以采用传统的推荐模型无法解决冷启动问题。
当用户想在电商平台上买一本书时,可能会根据信任朋友的推荐选择书籍;当用户想去电影院看一场电影时,可能会根据信任朋友的推荐选择其中一场电影进行观看,由此可见,用户的信任朋友的偏爱喜好,是可以影响到用户在新平台上的偏爱喜好的。而传统的基于用户的社会化信任关系的推荐模型,只能通过采集新用户在其他平台的社会活动信息,确定新用户与其他平台的其他用户之间的显式信任关系,比如朋友关系、同事关系,等等,可这类显式信任关系是基于新用户的社会身份确定的,并不能很好地反应新用户的各类兴趣偏好,一旦采集到碎片化的社会活动信息,无法建立明确的显式信任关系时,将无法应用这类推荐模型,进而无法解决冷启动问题。
但是随着各个平台的迅速发展,各种社交化信息呈爆炸式增长,互联网将全球各地原本毫不相关的用户连接在一起,随时随地交互和分享信息。而用户作为社交网络的主体,通过各种行为创建和维护与其他用户的社交关系,还可能在这些行为中体现出自己的各类兴趣偏好,新兴的用户社交关系在一定程度上体现了该用户的各类兴趣偏好。因此,本申请实施例在推荐模型中导入新用户的社交化信任关系,就算没有新用户的历史记录信息,也能根据社交化信任关系向新用户提供较为满意的推荐结果,既解决了冷启动问题,又克服了传统的社会关系带来的局限性。
其中,参阅图2所示,除了基于传统的样本数据集训练推荐模型之外,还需要基于社交化信任关系训练推荐模型,其中基于社交化信任关系训练推荐模型的过程具体如下:
S201:生成各个用户在其他平台上的信任用户集合。
可选的,以一个用户(后续简称为用户X)为例,生成用户X在其他平台上的信任用户集合的过程如下:
A1、基于在其他平台获取的各个用户对应的项目反馈集合,确定用户X与其他用户之间的偏好相似度,其中一个项目反馈表征,一个用户对其他平台上的一个项目的反馈结果。
例如,获取一个视频网站上所有用户对应的历史播放集合,先确定用户u播放视频i的播放时长Tu,i,以及用户u的播放所有视频的总播放时长Tu,并采用公式(1)计算用户u对视频i的关注度A(u,i);
再确定所有用户播放视频i的总播放时长Ti,并采用公式(2)计算视频i对用户u的关注度C(i,u);
最后,采用公式(3)计算用户ua与用户ub之间的偏好相似度。
若A(ua,i)的值越大,表示在用户ua的总播放时长中,视频i的播放时长占比越大,即用户ua对视频i或者视频i所归属分类的偏爱喜好越明显;若C(i,ub)的值越大,表示用户ub在所有用户中播放视频i的播放时长占比越大,即用户ub对视频i或者视频i所归属分类的偏爱喜好越明显,这样,可以基于A(ua,i)和C(i,ub),确定用户ua与用户ub之间的偏好相似度。
又例如,获取一个电商网站上所有用户对应的历史记录集合,先确定用户u点击商品d的点击次数Su,d,以及用户u的播放所有视频的总点击次数Su,并采用公式(4)计算用户u对商品c的关注度A(u,c);
再确定所有用户点击商品d的总点击次数Sd,并采用公式(5)计算商品d对用户u的关注度C(d,u);
最后,采用公式(6)计算用户ua与用户ub之间的偏好相似度。
若A(ua,d)的值越大,表示在用户ua的总点击次数中,商品d的点击次数占比越大,即用户ua对商品d或者商品d所归属分类的偏爱喜好越明显;若C(d,ub)的值越大,表示用户ub在所有用户中对商品d的点击次数占比越大,即用户ub对商品d或者商品d所归属分类的偏爱喜好越明显,这样,可以基于A(ua,d)和C(d,ub),确定用户ua与用户ub之间的偏好相似度。
A2、将各个偏好相似度按照从大到小的顺序排列,获取前N个偏好相似度对应的其他用户。
A3、将前N个其他用户确定为用户X的信任用户集合。
用户X与信任用户之间的偏好相似度越高,表示信任用户自身的偏好对用户X的预测偏好影响越大。比如,信任用户a比信任用户b的偏好相似度高,那么用户X在选购书籍时,可能更倾向于听从信任用户a的建议选购恐怖小说,而不是听从信任用户b的建议选购历史小说。
S202:基于目标用户和目标用户的信任用户集合,在目标平台上获取相应的实际评估值集合。
其中,一个实际评估值表征目标用户或者一个信任用户在一个时间点,对目标平台上的一个候选推荐信息的评估结果。由于目标用户是新用户,在目标平台上没有相应的历史记录信息或者历史记录信息的数量较少,导致目标用户对各个候选信息的评估结果为0,或者只对部分候选信息有评估结果,另外,信任用户也不会对目标平台上的所有候选信息都作出评估,所以,最终生成的实际评估值集合是一个如图3所示的数据稀疏的集合。
对于这类数据稀疏的实际评估值集合,可以采用张量分解的方式进行降秩和分解,得到多个低秩集合;再通过计算多个低秩集合,得到用户um在时间ck下对候选信息vn的预测评估值,这样就可以得到一个填充好所有空白数据的预测评估值集合了。
S203:将实际评估值集合输入到推荐模型中。
S204:推荐模型对实际评估值集合进行张量分解,生成相应的用户属性集合、候选推荐信息属性集合和时间属性集合。
可选的,以一个实际评估值为例,推荐模型对一个实际评估值进行张量分解的过程如下:
B1、分别获取一个实际评估值中用于描述一个用户的第一属性,用于描述一个信息的第二属性,以及用于描述一个时间点的第三属性。
一个实际评估值表示用户um在时间点ck下对候选推荐信息vn的实际评估结果,因此,一个可以被分解为一个用户um、一个候选信息vn和一个时间点ck三个属性,而归属于同一个的三个属性,可以被划分为同一维度的属性。
其中,一个用户um的第一属性值至少包括姓名、身份标识号(Identity Document,ID)、年龄、性别、偏好、用户与用户之间的信任关系;一个候选信息vn的第二属性值至少包括信息名称、信息所属类别、信息说明;一个时间点ck的第三属性值是所述一个时间点对应的时间区间,以小时为基本单位,将一天划分为多个时间区间。
B2、将第一属性作为一维特征,加入到用户属性集合Um中;将第二属性作为一维特征,加入到候选信息属性集合Vn中;将第三属性作为一维特征,加入到时间属性集合Ck中。
S205:推荐模型确定当前用户属性集合、当前候选信息属性集合和当前时间属性集合。
在第一次循环迭代时,将分解得到的用户属性集合、候选信息属性集合和时间属性集合,确定为当前用户属性集合、当前候选信息属性集合和当前时间属性集合;
从第二次循环迭代至最后一次循环迭代结束,在每一次循环迭代中,将调整后的用户属性集合、候选信息属性集合和时间属性集合,确定为当前用户属性集合、当前候选信息属性集合和当前时间属性集合。
S206:推荐模型基于当前用户属性集合、当前候选信息属性集合和当前时间属性集合,计算预测评估值集合。
可选的,推荐模型计算用户um在时间ck下对候选信息vn的预测评估值的过程如下:
C1、从用户属性集合、候选信息属性集合和时间属性集合中,获取第j维度的一个用户umj、一个候选信息vnj和一个时间ckj;
C2、采用公式(7),计算第j维用户um在第j维时间ck下对第j维候选推荐信息vn的预测评估值;
C3、判断三个集合中的所有维度是否均处理完毕,若是,执行步骤C4;否则,返回步骤C1;
C4、输出预测评估值集合。
采用张量分解的方式进行降秩和分解,得到多个低秩集合;再通过计算多个低秩集合,得到用户um在时间ck下对候选信息vn的预测评估值,这样就可以得到一个填充好所有空白数据的预测评估值集合了。
S207:计算实际评估值集合与预测评估值集合之间的差值。
可选的,计算用户um在时间ck下对候选信息vn的预测评估值,与用户um在时间ck下对候选信息vn实际评估值之间的差值。
S208:基于差值和梯度下降算法,调整用户属性集合、候选信息属性集合和时间属性集合中相应的属性值。
可选的,基于差值和梯度下降算法,调整相应属性的属性值的过程如下:
D1、采用公式(8),计算用户属性集合Um、候选信息属性集合Vn和时间属性集合Ck对应的偏导数。
其中,表示实际评估值集合与预测评估值集合之间的差值;Um表示包含m个用户的属性值的用户属性集合,Vn表示包含n个候选信息的属性值的候选信息属性集合,Ck表示包含k个时间区间的时间属性集合;λ表示正则化参数,可以防止出现求导过拟合现象的出现;⊙表示向量对应元素相乘的运算。
D2、采用公式(9),调整用户属性集合Um、候选信息属性集合Vn和时间属性集合Ck中相应的属性值。
S209:判断调整后的用户属性集合、候选信息属性集合和时间属性集合中相应的属性值是否收敛,若是,执行步骤210;否则,执行步骤205。
在训练推荐模型时,为了减少泛化误差,采用损失函数,即公式(10)判断调整后的用户属性集合Um、候选推荐信息属性集合Vn和时间属性集合Ck中相应的属性值是否收敛。
S210:将调整后的用户属性集合、候选推荐信息属性集合和时间属性集合,作为最终的用户属性集合、候选推荐信息属性集合和时间属性集合输出。
采用循环迭代的方式,不断迭代更新各个集合中相应的属性值,使得基于更新后的各个集合,计算得到的预测评估值集合与实际评估值集合之间的差值逐渐缩小,直至所述差值在预设阈值范围内时,将调整后的用户属性集合、候选信息属性集合和时间属性集合,作为最终的用户属性集合、候选信息属性集合和时间属性集合输出。
参阅图4所示,使用推荐模型为目标平台上的目标用户,推送目标推荐信息集合的过程如下:
S401:目标平台接收目标用户发送的信息推荐请求,基于信息推荐请求中携带的用户标识信息,确定用户标识信息对应的历史行为数据。
S402:判断历史行为数据是否达到设定门限值,若是,执行步骤403;否则,执行步骤404。
S403:基于历史行为数据和预设推荐模型,生成相应的第一目标推荐信息集合呈现给所述目标用户。
S404:基于用户标识信息,确定目标用户关联的其他平台,以及获取目标用户在其他平台上的信任用户集合。
例如,新用户先通过遥控器的上/下/左/右的移动按键,由智能电视主界面切换到电商购物平台;再通过遥控器上的九宫格按键,输入个人账号信息,登陆电商购物平台;通过遥控器的上/下/左/右的移动按键,点击“猜你喜欢”界面,向电商购物平台的推荐模型发送信息推荐请求;最后,推荐模型通过信息推荐请求中携带的用户标识信息,确定新用户关联的视频平台,并获取新用户在视频平台上的信任用户集合。
又例如,新用户通过点击鼠标和键盘,输入个人账号信息,登陆教育咨询平台;点击鼠标左右键,选中“课程推荐”按钮,向教育咨询平台的推荐模型发送信息推荐请求;最后,推荐模型通过信息推荐请求中携带的用户标识信息,确定新用户关联的电商购物平台,并获取新用户在电商购物平台上的信任用户集合。
S405:基于信任用户集合,在目标平台上获取相应的实际评估值集合,其中一个实际评估值表征一个用户在一个时间点,对目标平台上的一个候选信息的评估结果。
一个实际评估值表征目标用户或者一个信任用户在一个时间点,对目标平台上的一个候选推荐信息的评估结果。由于目标用户是新用户,在目标平台上没有相应的历史记录信息或者历史记录信息的数量较少,导致目标用户对各个候选信息的评估结果为0,或者只对部分候选信息有评估结果,另外,信任用户也不会对目标平台上的所有候选信息都作出评估,所以,最终生成的实际评估值集合是一个如图3所示的数据稀疏的集合。
S406:基于实际评估值集合和预设的推荐模型,确定目标用户对各个候选信息的预测评估值。
可选的,推荐模型确定目标用户对各个候选信息的预测评估值的过程如下:
E1、推荐模型对实际评估值集合进行张量分解,生成相应的用户属性集合、候选信息属性集合和时间属性集合。
具体地,以一个实际评估值为例,推荐模型对一个实际评估值进行张量分解的过程如下:
首先,推荐模型分别获取一个实际评估值中用于描述一个用户的第一属性,用于描述一个候选信息的第二属性,以及用于描述一个时间点的第三属性;
然后,将第一属性作为一维特征,加入到用户属性集合中;将第二属性作为一维特征,加入到候选信息属性集合中;将第三属性作为一维特征,加入到时间属性集合中。
E2、将用户属性集合、候选信息属性集合和时间属性集合进行相乘,并将得到的各个乘积,确定为目标用户对各个候选信息的预测评估值。
对于这类数据稀疏的实际评估值集合,可以采用张量分解的方式进行降秩和分解,得到多个低秩集合;再通过计算多个低秩集合,得到目标用户在不同时间下对各个候选信息的预测评估值。
S407:将符合预设推荐条件的广告预测评估值对应的候选信息,作为第二目标推荐信息集合呈现给目标用户。
可选的,选定各个目标推荐信息的过程如下:
F1、推荐模型将各个预测评估值按照从大到小的顺序排列,获取前M个预测评估值对应的候选信息;
E2、推荐模型将前M个候选推荐信息作为第二目标推荐信息集合,呈现给目标用户。
基于同一发明构思,图5示例性的示出了本申请实施例提供的一种应用于服务器的商品推荐方法,具体过程如下:
S501:服务器接收目标终端发送的商品推荐请求,基于商品推荐请求中携带的用户标识信息,确定用户标识信息对应的音视频历史行为数据。
商品平台接收目标终端发送的商品推荐请求,先基于所述商品推荐请求中携带的用户标识信息,确定用户的商品历史行为数据;
服务器再判断用户的商品历史行为数据是否达到设定门限值,若是,商品平台基于商品历史行为数据和预设推荐模型确定第一目标推荐信息,以发送给终端;否则,执行步骤502。
S502:用户标识信息对应的音视频历史行为数据被配置为用于根据用户标识信息对应的音视频历史行为数据与其他用户的音视频历史行为数据的比对,在所述其他用户中确定信任用户,其中商品和音视频不同。
可选的,确定目标用户的信任用户的过程如下:
商品平台将用户标识信息发送给音视频平台,以使音视频平台先确定用户标识信息对应的音视频历史行为数据;
音视频平台再根据用户标识信息对应的音视频历史行为数据,与其他用户的音视频历史行为数据的比对,从其他用户中确定出目标用户的信任用户,并将信任用户发送给所述商品平台,其中,在商品平台和音视频平台中,同一用户对应的用户标识信息相同。
S503:根据信任用户的商品历史行为数据为所述目标用户确定待推荐的商品。
S504:根据待推荐的商品生成目标推荐信息并发送给所述目标终端。
这样,若目标用户自身的商品历史行为数据满足设定门限值,则基于商品平台的推荐模型和商品历史行为数据,生成相应的第一目标推荐信息;否则,将目标用户与其他用户之间的信任关系,融入到实际评估值集合中,根据社交化信任关系向目标用户提供较为满意的推荐结果,既解决了冷启动问题,又克服了传统的社会关系带来的局限性。
在一些实施例中,也可以根据商品历史行为来进行音视频的推荐。
基于同一发明构思,图6示例性的示出了本申请实施例提供的一种应用于目标平台的信息推荐服务器的结构示意图,至少包括获取单元601、处理单元602和推荐单元603,其中,
获取单元601,用于目标平台接收目标用户发送的信息推荐请求;
处理单元602,用于基于所述信息推荐请求中携带的用户标识信息,确定所述用户标识信息对应的历史行为数据达到设定门限值时,基于所述历史行为数据和预设推荐模型,生成相应的第一目标推荐信息集合呈现给所述目标用户;
若所述用户标识信息对应的历史行为数据未达到设定门限值,则基于所述用户标识信息,基于所述信息推荐请求中携带的用户标识信息,确定所述目标用户关联的其他平台,以及获取所述目标用户在其他平台上的信任用户集合;
基于所述信任用户集合,在所述目标平台上获取相应的实际评估值集合,其中一个实际评估值表征一个用户在一个时间点,对所述目标平台上的一个候选信息的评估结果;
推荐单元603,用于基于所述实际评估值集合和所述推荐模型,确定所述目标用户对各个候选信息的预测评估值,并将符合预设推荐条件的各个预测评估值对应的候选信息,作为目标推荐信息集合呈现给所述目标用户。
可选的,基于所述实际评估值集合和所述的推荐模型,确定所述目标用户对各个候选信息的预测评估值,所述处理单元602用于:
所述推荐模型对所述实际评估值集合进行张量分解,生成相应的用户属性集合、候选信息属性集合和时间属性集合;
将用户属性集合、候选信息属性集合和时间属性集合进行相乘,并将得到的各个乘积,确定为所述目标用户对各个候选信息的预测评估值。
可选的,所述推荐模型对所述实际评估值集合进行张量分解,生成相应的用户属性集合、候选信息属性集合和时间属性集合,所述处理单元602用于:
所述推荐模型分别获取所述一个实际评估值中用于描述一个用户的第一属性,用于描述一个候选信息的第二属性,以及用于描述一个时间点的第三属性;
将所述第一属性作为一维特征,加入到所述用户属性集合中;
将所述第二属性作为一维特征,加入到所述候选信息属性集合中;
将所述第三属性作为一维特征,加入到所述时间属性集合中。
可选的,将符合预设推荐条件的各个预测评估值对应的候选信息,作为第二目标推荐信息集合呈现给所述目标用户,所述推荐单元603用于:
所述推荐模型将所述各个预测评估值按照从大到小的顺序排列,获取前M个预测评估值对应的候选信息;
所述推荐模型将前M个候选推荐信息作为第二目标推荐信息集合,呈现给所述目标用户。
基于同一发明构思,图7示例性的示出了本申请实施例提供的一种应用于其他平台的信息推荐服务器的结构示意图,至少包括接收单元701和匹配单元702,其中,
接收单元701,用于其他平台接收目标平台发送的用户标识信息;
匹配单元702,用于基于所述用户标识信息,获取所述目标用户的信任用户集合,并将所述信任用户集合发送给所述目标平台。
可选的,在基于所述用户标识信息,获取所述目标用户的信任用户集合之前,所述匹配单元702进一步用于:生成所述目标用户的信任用户集合,具体包括:
基于在所述其他平台获取的各个用户对应的视频反馈集合,确定所述目标用户与其他用户之间的偏好相似度,其中一个视频反馈表征一个用户对所述其他平台的一个视频的反馈结果;
将各个偏好相似度按照从大到小的顺序排列,获取前N个偏好相似度对应的其他用户;
将前N个其他用户确定为所述目标用户的信任用户集合。
基于同一发明构思,图8示例性的示出了本申请实施例提供的一种计算设备的结构示意图,至少包括存储器801和处理器802;
存储器801,用于存储程序指令;
处理器802,用于调用所述存储器中存储的程序指令,按照获得的程序执行上述信息推荐方法或者商品推荐方法。
基于同一发明构思,本发明实施例还提供了一种计算机可读非易失性存储介质,包括计算机可读指令,当计算机读取并执行所述计算机可读指令时,使得计算机执行上述信息推荐方法或者商品推荐方法。
综上所述,目标平台确定目标用户的历史行为数据达到设定门限值时,基于推荐模型和历史行为数据,生成第一目标推荐信息集合;否则通过获取目标用户在其他平台上的信任用户集合,确定在目标平台上获取相应的实际评估值集合;再基于实际评估值集合和推荐模型,确定第二目标推荐信息集合。
本申请实施例根据采集到的目标用户自身的历史行为数据,可采用历史行为数据或者社交化信任关系两种方式,生成目标用户的目标推荐信息集合,若采用社交化信任关系的方式生成对应的目标推荐信息集合时,需要目标平台基于接收到的目标用户发送的信息推荐请求,获取携带的用户标识信息,并基于用户标识信息确定目标用户关联的其他平台,和目标用户在其他平台上的信任用户集合;将目标用户与其他用户之间的信任关系,融入到实际评估值集合中,推荐模型以张量分解的方式,将数据稀疏的实际评估值集合分解为多个低秩集合,利用各个集合的低秩性,近似模拟得到实际评估值集合的预测评估值集合,用预测评估值集合中的元素值,填充实际评估值集合中缺失的元素值,达到预测效果。这样,通过在推荐模型中导入目标用户的社交化信任关系,就算没有目标用户的历史记录信息,也能根据社交化信任关系向目标用户提供较为满意的推荐结果,既解决了冷启动问题,又克服了传统的社会关系带来的局限性。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种信息推荐方法,其特征在于,应用于目标平台,包括:
目标平台接收目标用户发送的信息推荐请求,基于所述信息推荐请求中携带的用户标识信息,确定所述用户标识信息对应的历史行为数据达到设定门限值时,基于所述历史行为数据和预设推荐模型,生成相应的第一目标推荐信息集合呈现给所述目标用户;
若所述用户标识信息对应的历史行为数据未达到设定门限值,则基于所述用户标识信息,确定所述目标用户关联的其他平台,以及获取所述目标用户在其他平台上的信任用户集合;
基于所述信任用户集合,在所述目标平台上获取相应的实际评估值集合,其中一个实际评估值表征一个用户在一个时间点,对所述目标平台上的一个候选信息的评估结果;
基于所述实际评估值集合和所述推荐模型,确定所述目标用户对各个候选信息的预测评估值,并将符合预设推荐条件的各个预测评估值对应的候选信息,作为第二目标推荐信息集合呈现给所述目标用户。
2.如权利要求1所述的方法,其特征在于,基于所述实际评估值集合和所述推荐模型,确定所述目标用户对各个候选信息的预测评估值,包括:
所述推荐模型对所述实际评估值集合进行张量分解,生成相应的用户属性集合、候选信息属性集合和时间属性集合;
将用户属性集合、候选信息属性集合和时间属性集合进行相乘,并将得到的各个乘积,确定为所述目标用户对各个候选信息的预测评估值。
3.如权利要求2所述的方法,其特征在于,所述推荐模型对所述实际评估值集合进行张量分解,生成相应的用户属性集合、候选信息属性集合和时间属性集合,包括:
所述推荐模型分别获取所述一个实际评估值中用于描述一个用户的第一属性,用于描述一个候选信息的第二属性,以及用于描述一个时间点的第三属性;
将所述第一属性作为一维特征,加入到所述用户属性集合中;
将所述第二属性作为一维特征,加入到所述候选信息属性集合中;
将所述第三属性作为一维特征,加入到所述时间属性集合中。
4.如权利要求1-3任一项所述的方法,其特征在于,将符合预设推荐条件的各个预测评估值对应的候选信息,作为第二目标推荐信息集合呈现给所述目标用户,包括:
所述推荐模型将所述各个预测评估值按照从大到小的顺序排列,获取前M个预测评估值对应的候选信息;
所述推荐模型将前M个候选推荐信息作为第二目标推荐信息集合,呈现给所述目标用户。
5.一种信息推荐方法,其特征在于,应用于其他平台,包括:
其他平台接收目标平台发送的用户标识信息;
基于所述用户标识信息,获取所述目标用户的信任用户集合,并将所述信任用户集合发送给所述目标平台。
6.如权利要求5所述的方法,其特征在于,在基于所述用户标识信息,获取所述目标用户的信任用户集合之前,进一步包括:生成所述目标用户的信任用户集合,具体包括:
基于在所述其他平台获取的各个用户对应的视频反馈集合,确定所述目标用户与其他用户之间的偏好相似度,其中一个视频反馈表征一个用户对所述其他平台的一个视频的反馈结果;
将各个偏好相似度按照从大到小的顺序排列,获取前N个偏好相似度对应的其他用户;
将前N个其他用户确定为所述目标用户的信任用户集合。
7.一种信息推荐方法,其特征在于,应用于服务器,包括:
服务器接收目标终端发送的商品推荐请求,基于所述商品推荐请求中携带的用户标识信息,确定所述用户标识信息对应的音视频历史行为数据,所述用户标识信息对应的音视频历史行为数据被配置为用于根据所述用户标识信息对应的音视频历史行为数据与其他用户的音视频历史行为数据的比对,在所述其他用户中确定信任用户,其中所述商品和所述音视频不同;
根据信任用户的商品历史行为数据为所述目标用户确定待推荐的商品;
根据所述待推荐的商品生成目标推荐信息并发送给所述目标终端。
8.如权利要求7所述的方法,其特征在于,所述服务器包括商品平台和音视频平台,服务器接收目标终端发送的商品推荐请求,基于所述商品推荐请求中携带的用户标识信息,确定所述用户标识信息对应的音视频历史行为数据,所述用户标识信息对应的音视频历史行为数据被配置为用于根据所述用户标识信息对应的音视频历史行为数据与其他用户的音视频历史行为数据的比对,在所述其他用户中确定信任用户,包括:
所述商品平台接收目标终端发送的商品推荐请求,基于所述商品推荐请求中携带的用户标识信息,确定用户的商品历史行为数据;
响应于所述商品历史行为数据的数量达到设定门限值,所述商品平台基于所述商品历史行为数据和预设推荐模型确定第一目标推荐信息,以发送给所述终端;
响应于所述商品历史行为数据的数量未达到设定门限值,所述商品平台将所述用户标识信息发送给所述音视频平台,以使所述音视频平台确定所述用户标识信息对应的音视频历史行为数据,所述用户标识信息对应的音视频历史行为数据被配置为使所述音视频平台根据所述用户标识信息对应的音视频历史行为数据与其他用户的音视频历史行为数据的比对,所述其他用户中确定信任用户并将所述信任用户发送给所述商品平台,其中,在所述商品平台和所述音视频平台中,同一用户对应的用户标识信息相同。
9.一种信息推荐服务器,其特征在于,应用于目标平台,至少包括:
获取单元,用于目标平台接收目标用户发送的信息推荐请求;
处理单元,用于基于所述信息推荐请求中携带的用户标识信息,确定所述用户标识信息对应的历史行为数据达到设定门限值时,基于所述历史行为数据和预设推荐模型,生成相应的第一目标推荐信息集合呈现给所述目标用户;
若所述用户标识信息对应的历史行为数据未达到设定门限值,则基于所述用户标识信息,确定所述目标用户关联的其他平台,以及获取所述目标用户在其他平台上的信任用户集合;
基于所述信任用户集合,在所述目标平台上获取相应的实际评估值集合,其中一个实际评估值表征一个用户在一个时间点,对所述目标平台上的一个候选信息的评估结果;
推荐单元,用于基于所述实际评估值集合和所述推荐模型,确定所述目标用户对各个候选信息的预测评估值,并将符合预设推荐条件的各个预测评估值对应的候选信息,作为第二目标推荐信息集合呈现给所述目标用户。
10.一种信息推荐服务器,其特征在于,应用于其他平台,至少包括:
接收单元,用于其他平台接收目标平台发送的用户标识信息;
匹配单元,用于基于所述用户标识信息,获取所述目标用户的信任用户集合,并将所述信任用户集合发送给所述目标平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911296242.9A CN111159570B (zh) | 2019-12-16 | 2019-12-16 | 一种信息推荐方法及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911296242.9A CN111159570B (zh) | 2019-12-16 | 2019-12-16 | 一种信息推荐方法及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111159570A true CN111159570A (zh) | 2020-05-15 |
CN111159570B CN111159570B (zh) | 2023-10-24 |
Family
ID=70557170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911296242.9A Active CN111159570B (zh) | 2019-12-16 | 2019-12-16 | 一种信息推荐方法及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111159570B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364244A (zh) * | 2020-11-16 | 2021-02-12 | 广州酷狗计算机科技有限公司 | 多媒体数据推荐方法、装置、服务器及存储介质 |
CN112541808A (zh) * | 2020-12-25 | 2021-03-23 | 青岛海信电子产业控股股份有限公司 | 目标对象推荐方法及服务器 |
CN113742561A (zh) * | 2020-05-27 | 2021-12-03 | 北京达佳互联信息技术有限公司 | 视频推荐方法、装置、电子设备及存储介质 |
CN115238180A (zh) * | 2022-07-25 | 2022-10-25 | 深圳市天龙世纪科技发展有限公司 | 互联网大数据的信息推荐方法以及ai系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8290964B1 (en) * | 2006-01-17 | 2012-10-16 | Google Inc. | Method and apparatus for obtaining recommendations from trusted sources |
CN103399858A (zh) * | 2013-07-01 | 2013-11-20 | 吉林大学 | 基于信任的社会化协同过滤推荐方法 |
CN104915391A (zh) * | 2015-05-25 | 2015-09-16 | 南京邮电大学 | 一种基于信任关系的物品推荐方法 |
-
2019
- 2019-12-16 CN CN201911296242.9A patent/CN111159570B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8290964B1 (en) * | 2006-01-17 | 2012-10-16 | Google Inc. | Method and apparatus for obtaining recommendations from trusted sources |
CN103399858A (zh) * | 2013-07-01 | 2013-11-20 | 吉林大学 | 基于信任的社会化协同过滤推荐方法 |
CN104915391A (zh) * | 2015-05-25 | 2015-09-16 | 南京邮电大学 | 一种基于信任关系的物品推荐方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113742561A (zh) * | 2020-05-27 | 2021-12-03 | 北京达佳互联信息技术有限公司 | 视频推荐方法、装置、电子设备及存储介质 |
CN113742561B (zh) * | 2020-05-27 | 2024-01-02 | 北京达佳互联信息技术有限公司 | 视频推荐方法、装置、电子设备及存储介质 |
CN112364244A (zh) * | 2020-11-16 | 2021-02-12 | 广州酷狗计算机科技有限公司 | 多媒体数据推荐方法、装置、服务器及存储介质 |
CN112541808A (zh) * | 2020-12-25 | 2021-03-23 | 青岛海信电子产业控股股份有限公司 | 目标对象推荐方法及服务器 |
CN115238180A (zh) * | 2022-07-25 | 2022-10-25 | 深圳市天龙世纪科技发展有限公司 | 互联网大数据的信息推荐方法以及ai系统 |
CN115238180B (zh) * | 2022-07-25 | 2023-08-15 | 新疆伊能众诚高科有限公司 | 互联网大数据的信息推荐方法以及ai系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111159570B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110297848B (zh) | 基于联邦学习的推荐模型训练方法、终端及存储介质 | |
CN111159570B (zh) | 一种信息推荐方法及服务器 | |
US20170250930A1 (en) | Interactive content recommendation personalization assistant | |
US10845949B2 (en) | Continuity of experience card for index | |
US10726087B2 (en) | Machine learning system and method to identify and connect like-minded users | |
WO2022016522A1 (zh) | 推荐模型的训练方法、推荐方法、装置及计算机可读介质 | |
CN109903103B (zh) | 一种推荐物品的方法和装置 | |
US9922110B2 (en) | Information processing apparatus, information processing method, and program | |
US20230017667A1 (en) | Data recommendation method and apparatus, computer device, and storage medium | |
JP2017174062A (ja) | 購買行動分析装置およびプログラム | |
US20160034460A1 (en) | Method and system for ranking media contents | |
CN110688476A (zh) | 一种基于人工智能的文本推荐方法及装置 | |
US20160188587A1 (en) | Methods and systems for providing expert media content sessions | |
CN112445970B (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
CN112364203A (zh) | 电视视频推荐方法、装置、服务器和存储介质 | |
CN115203543A (zh) | 内容推荐方法、内容推荐模型的训练方法及装置 | |
US20180225685A1 (en) | Identifying impending user-competitor relationships on an online social networking system | |
US10579752B2 (en) | Generating a model based on input | |
KR20210060375A (ko) | 유망 콘텐츠 선정 방법, 장치 및 컴퓨터프로그램 | |
CN112269943A (zh) | 一种信息推荐系统及方法 | |
CN114817692A (zh) | 确定推荐对象的方法、装置和设备及计算机存储介质 | |
US10692127B1 (en) | Inferring user demographics from user behavior using Bayesian inference | |
CN115809339A (zh) | 跨领域推荐方法、系统、设备及存储介质 | |
CN114547480A (zh) | 一种基于多平台融合的深度学习推荐方法以及系统 | |
CN113886674A (zh) | 资源推荐方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |