CN104951465B - 应用推荐方法及装置 - Google Patents

应用推荐方法及装置 Download PDF

Info

Publication number
CN104951465B
CN104951465B CN201410122880.XA CN201410122880A CN104951465B CN 104951465 B CN104951465 B CN 104951465B CN 201410122880 A CN201410122880 A CN 201410122880A CN 104951465 B CN104951465 B CN 104951465B
Authority
CN
China
Prior art keywords
user
behavior
value
characteristic value
computing node
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.)
Active
Application number
CN201410122880.XA
Other languages
English (en)
Other versions
CN104951465A (zh
Inventor
李炳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201410122880.XA priority Critical patent/CN104951465B/zh
Priority to PCT/CN2015/075242 priority patent/WO2015144089A1/en
Publication of CN104951465A publication Critical patent/CN104951465A/zh
Priority to US15/172,280 priority patent/US9953262B2/en
Priority to US15/921,129 priority patent/US10679132B2/en
Application granted granted Critical
Publication of CN104951465B publication Critical patent/CN104951465B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • 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
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/70—Admission control; Resource allocation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种应用推荐方法及装置，属于互联网技术领域。方法包括：根据第一用户的行为数据，获取第一行为特征值；从第一用户的用户关系链中，根据第一行为特征值，确定至少一个第二用户，第二用户在第一用户的用户关系链上，且第二行为特征值与第一行为特征值之间的相似度大于预设阈值，第二行为特征值为第二用户的行为特征值；基于至少一个第二用户的行为数据，确定第一用户的待推荐应用。由于行为特征值可对用户的行为数据进行归纳总结，且以数值化的形式进行精确表示，所以行为特征值可精确表达用户的兴趣爱好，进而基于行为特征值确定的第二用户与第一用户的兴趣爱好也更加相似，所以基于第二用户的行为数据，可精确地确定待推荐应用。

Description

应用推荐方法及装置
技术领域
本发明涉及互联网技术领域，特别涉及一种应用推荐方法及装置。
背景技术
互联网环境下，用户在登录微博等网络社交平台后，若网络社交平台的服务器可向用户推送其感兴趣的应用，则不但可增强用户的体验度，还可提高应用的访问点击率。
现有技术通常采取两种应用推荐方式。第一种方式为基于用户的兴趣类目和应用的类目属性进行应用推荐，即针对某一用户来说，根据用户的行为数据（比如，历史访问记录）确定用户的兴趣类目，之后计算用户的兴趣类目与各个推荐应用的类别属性之间的相似度，根据相似度确定待推荐的应用；第二种方式为基于具有相似兴趣的用户进行应用推荐，即针对某一用户来说，先分析用户兴趣，之后根据k邻近算法或SVM（Support VectorMachine，支持向量机）算法在全网注册用户中查找与该用户具有相似兴趣的用户，综合这些相似兴趣用户访问或下载的应用，确定待推荐应用。
在实现本发明的过程中，发明人发现现有技术至少存在以下问题：
无论针对上述哪一种应用推荐方式来说，由于仅根据用户的兴趣进行了粗略的推荐，所以均存在推荐精准度不高的缺陷。
发明内容
为了解决现有技术的问题，本发明实施例提供了一种应用推荐方法及装置。所述技术方案如下：
一方面，提供了一种应用推荐方法，所述方法包括：
根据第一用户的行为数据，获取第一行为特征值；
从所述第一用户的用户关系链中，根据所述第一行为特征值，确定至少一个第二用户，所述第二用户在所述第一用户的用户关系链上，且第二行为特征值与所述第一行为特征值之间的相似度大于预设阈值，所述第二行为特征值为第二用户的行为特征值；
基于所述至少一个第二用户的行为数据，确定所述第一用户的待推荐应用。
另一方面，提供了一种应用推荐装置，所述装置包括：
行为特征值获取模块，用于根据第一用户的行为数据，获取第一行为特征值；
第二用户确定模块，用于从所述第一用户的用户关系链中，根据所述第一行为特征值，确定至少一个第二用户，所述第二用户在所述第一用户的用户关系链上，且第二行为特征值与所述第一行为特征值之间的相似度大于预设阈值，所述第二行为特征值为第二用户的行为特征值；
应用确定模块，用于基于所述至少一个第二用户的行为数据，确定所述第一用户的待推荐应用。
本发明实施例提供的技术方案带来的有益效果是：
在根据第一用户的行为数据获取第一行为特征值之后，从用户关系链中确定行为特征值与第一行为特征值之间相似度大于预设阈值的第二用户，进而基于至少一个第二用户的行为数据，确定第一用户的待推荐应用，由于行为特征值可对用户的行为数据进行归纳总结，且以数值化的形式进行精确表示，所以行为特征值可精确表达用户的兴趣爱好，进而基于行为特征值确定的至少一个第二用户与第一用户之间的兴趣爱好也能够更加相似，所以基于至少一个第二用户的行为数据，可精确地确定第一用户的待推荐应用，推荐精准率较高。
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是本发明实施例提供的一种应用推荐服务器的组成示意图；
图2是本发明实施例提供的一种应用推荐的方法流程图；
图3是本发明实施例提供的一种应用推荐的方法流程图；
图4是本发明实施例提供的一种应用推荐装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
在对本发明实施例作详细描述之前，先对本发明实施例的应用场景进行阐述。本发明实施例的典型应用场景为：在网络社交平台进行注册的用户，当其登录网络社交平台后，网络社交平台的服务器可向该用户推荐应用，以增添用户的趣味性和体验度。在进行应用推荐时，为提高推荐精准率，服务器不会随意向该用户推荐应用，而是基于该用户的行为数据和用户关系链进行推荐。具体过程为：服务器根据第一用户的行为数据，获取第一行为特征值，之后从第一用户的用户关系链中，根据第一行为特征值确定至少一个第二用户，第二行为特征值与第一行为特征值之间的相似度大于预设阈值，第二行为特征值为第二用户的行为特征值；最后，基于至少一个第二用户的行为数据，确定第一用户的待推荐应用。
针对微博等网络社交平台来说，每个用户的用户关系链均很长且为弱关系链。其中，弱关系链指代用户与其用户关系链中各个用户的亲密程度较低的关系链。也即，弱关系链中通常很少存在与用户关系密切的，诸如亲人、朋友、同学、同事的用户，而常常存在大量的陌生人，用户与其关系链中的陌生人可能很少互相关注或互相评论等。在进行应用推荐时，由于基于弱关系链进行推荐，且用户的行为数据通常包括实时行为数据和历史行为数据等海量数据，所以运算量很大，实时性不佳。所以针对用户关系链为弱关系链的情况，本发明实施例采取了如图1所示的分布式计算方式，以加快应用推荐的速度。参见图1，服务器主要包括：一个任务(task)节点、多个计算(map)节点及一个合并计算(reduce)节点。其中，任务节点负责派发应用推荐任务，任务节点按照各个计算节点的负载情况为应用推荐任务分配计算节点。针对一个应用推荐任务来讲，若用户的行为数据过多或用户的用户关系链过长，则为了加快应用推荐速度，任务节点在分配应用推荐任务时，还可将一个应用推荐任务划分为多个子任务。将多个子任务分配给多个计算节点进行计算，得到各个计算结果，并将各个计算结果发送至合并计算节点。合并计算节点将各个计算节点发送的计算结果进行合并处理，得到最终的计算结果。比如，在根据用户的海量行为数据计算行为特征值时，可将行为数据分配给多个计算节点，多个计算节点根据分配的行为数据进行行为特征值的计算，之后合并计算节点将多个计算计算节点的计算结果进行合并处理，得到用户的行为特征值。
图2是本发明实施例提供的一种应用推荐方法的流程图。参见图2，本实施例提供的方法流程包括：
201、根据第一用户的行为数据，获取第一行为特征值。
202、从第一用户的用户关系链中，根据第一行为特征值，确定至少一个第二用户，第二用户在第一用户的用户关系链上，且第二行为特征值与第一行为特征值之间的相似度大于预设阈值，第二行为特征值为第二用户的行为特征值。
203、基于至少一个第二用户的行为数据，确定第一用户的待推荐应用。
本实施例提供的方法，在根据第一用户的行为数据获取第一行为特征值之后，从用户关系链中确定行为特征值与第一行为特征值之间相似度大于预设阈值的第二用户，进而基于至少一个第二用户的行为数据，确定第一用户的待推荐应用，由于行为特征值可对用户的行为数据进行归纳总结，且以数值化的形式进行精确表示，所以行为特征值可精确表达用户的兴趣爱好，进而基于行为特征值确定的至少一个第二用户与第一用户之间的兴趣爱好也能够更加相似，所以基于至少一个第二用户的行为数据，可精确地确定第一用户的待推荐应用，推荐精准率较高。
可选地，根据第一用户的行为数据，获取第一行为特征值，包括：
根据第一用户的实时行为数据，获取实时行为特征值；
根据第一用户的历史行为数据，获取历史行为特征值；
根据实时行为特征值和历史行为特征值，获取第一用户的第一行为特征值。
可选地，该方法还包括：
基于第一用户的当前用户关系链和历史用户关系链，确定历史用户关系链相对于当前用户关系链所删减的用户，将行为特征值与第一行为特征值之间相似度大于预设阈值的所删减用户确定为第二用户。
可选地，根据第一用户的行为数据，获取第一行为特征值，包括：
获取第一用户的每条行为数据的特征值；
根据每条行为数据的特征值及预先设置的每条行为数据的权重值，计算第一行为特征值。
可选地，根据第一用户的行为数据，获取第一行为特征值之前，该方法还包括：
获取各个计算节点的调度权重；
根据各个计算节点的调度权重，调度多个计算节点中的至少一个计算节点执行根据第一用户的行为数据，获取第一行为特征值的步骤。
可选地，获取各个计算节点的调度权重，包括：
对于多个计算节点中的一个计算节点，获取计算节点的计算延时、计算节点的资源利用率；
根据计算延时和资源利用率，计算计算节点的系统负载；
根据计算节点的系统负载和除计算节点之外的其他计算节点的系统负载，获取计算节点的调度权重。
可选地，根据计算延时和资源利用率，应用下述公式，计算计算节点的系统负载，包括：
Zi=Ri*0.8*α+0.2/Ti*β
其中，Zi指代第i个计算节点的系统负载，Ri指代第i个计算节点的资源利用率,Ti指代第i个节点的计算延时,α和β均为常数。
可选地，根据计算节点的系统负载和除计算节点之外的其他计算节点的系统负载，应用下述公式，获取计算节点的调度权重，包括：
wi=(1/Zi)/(1/Z1+1/Z2+...+1/Zn)
其中，wi指代第i个计算节点的调度权重，Z1指代第1个计算节点的系统负载，Z,2指代第2个计算节点的系统负载，Zn指代第n个计算节点的系统负载。
可选地，该方法还包括：
当检测到正在执行应用推荐任务的计算节点发生异常时，调度计算节点的备份计算节点执行应用推荐任务。
上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。
图3是本发明实施例提供的一种应用推荐方法的流程图。在该图3所示实施例中，以行为数据的特征值为哈希值为例，对本发明实施例提供的应用推荐方式进行详细地解释说明。参见图3，本实施例提供的方法流程包括：
301、任务节点获取各个计算节点的调度权重。
在本发明实施例中，为保证各个计算节点的负载均衡及加快应用推荐速度，任务节点在分发应用推荐任务时，需根据各个计算节点的负载情况进行分发。而调度权重恰好能反应各个计算节点的负载情况，所以任务节点在分发应用推荐任务时，还需先获取各个计算节点的调度权重。
其中，任务节点在获取各个计算节点的调度权重时，具体可采取下述方式实现：
对于多个计算节点中的一个计算节点，获取该计算节点的计算延时、该计算节点的资源利用率；根据计算延时和资源利用率，计算该计算节点的系统负载；根据该计算节点的系统负载和除计算节点之外的其他计算节点的系统负载，获取计算节点的调度权重。
其中，资源利用率指代CPU(Central Processing Unit,中央处理单元)利用率、内存利用率或I/O(Input/Output，输入输出)利用率中的至少一个。此外，由于各个计算节点的计算延时和资源利用率可能随时会发生变化，因此在获取各个计算节点的计算延时和资源利用率时，可采取任务节点实时监控各个计算节点，对各个计算节点的计算延时和资源利用率进行统计收集的方式；除上述方式外，还可采取各个计算节点在其计算延时或资源利用率发生变化时，实时主动上报变化后的计算延时或变化后的资源利用率的方式。具体采取何种方式，本实施例对此不作具体限定。而无论采取哪一种方式，均可使得任务节点能够快速获取到各个计算节点的计算延时和资源利用率，进而根据各个计算节点的计算延时和资源利用率对各个计算节点的调度权重进行计算。
可选地，在根据计算延时和资源利用率，计算计算节点的系统负载时，具体可应用下述公式实现：
Zi=Ri*0.8*α+0.2/Ti*β （1）
其中，Zi指代第i个计算节点的系统负载，Ri=ri/r，指代第i个计算节点的资源利用率,ri为第i个计算节点的当前利用资源，r为第i个计算节点的全部可利用资源；Ti=ti/t指代第i个节点的计算延时,α和β均为常数。
可选地，根据上述公式(1)可实现全部计算节点的系统负载的计算。在得到全部计算节点的系统负载之后，根据全部计算节点的系统负载，可得到各个计算节点的调度权重。其中，根据任一个计算节点的系统负载和除该任一个计算节点之外的其他计算节点的系统负载，获取该任一个计算节点的调度权重时，具体可应用下述公式实现：
wi=(1/Zi)/(1/Z1+1/Z2+...+1/Zn) （2）
其中，wi指代第i个计算节点的调度权重，Z1指代第1个计算节点的系统负载，Z,2指代第2个计算节点的系统负载，Zn指代第n个计算节点的系统负载。
302、任务节点根据各个计算节点的调度权重，调度多个计算节点中的至少一个计算节点执行根据第一用户的行为数据，获取第一行为特征值的步骤。
在本发明实施例中，任务节点在得到各个计算节点的调度权重后，可对调度权重进行由大到小的排序，并在多个计算节点中，选择调度权重数值排在前面的一个或多个计算节点作为当前应用推荐任务的计算节点。在确定当前应用推荐任务的计算节点后，当前应用推荐任务的计算节点便开始进行相应运算。
其中，在根据第一用户的行为数据，获取第一行为特征值时，具体可采取下述方式实现：
根据第一用户的实时行为数据，获取实时行为特征值；根据第一用户的历史行为数据，获取历史行为特征值；根据实时行为特征值和历史行为特征值，获取第一用户的第一行为特征值。
其中，行为数据可包括浏览行为数据、收藏行为数据、关注行为数据、评论行为数据、购买行为数据等等，本实施例对行为数据包括的内容不进行具体限定。在本发明实施例中，实时行为数据指代当前一个时间段内的行为数据。比如，在向用户推荐应用过程中及触发向用户推荐应用之前的几个小时或几天中产生的行为数据，或触发向用户推荐应用的当天内产生的行为数据等等。实时行为数据具体为何段时间内产生的行为数据可视情况而定，本实施例对此不作具体限定。而历史行为数据，则指代除实时行为数据之外的该用户的其他全部行为数据。在本发明实施例中，之所以分为历史行为数据和实时行为数据是为了在确定第一用户的待推荐应用时，能够更加精准。现有技术的诸如内容推荐技术及协同推荐技术通常基于用户的历史行为数据（历史访问记录）进行推荐，而用户自身的兴趣爱好可能随时会发生改变，所以仅基于用户的历史访问行为数据进行应用推荐，有时会出现推荐精准率很低的情况，导致用户体验度很差。所以本发明实施例在进行应用推荐时，将基于用户的实时行为数据和历史行为数据。
此外，无论针对实时行为数据而言，还是针对历史行为数据而言，在获取实时行为特征值和历史行为特征值时，均采用下述指纹算法实现。具体过程如下：
第一步、设置一个f维的向量V和f位的二进制数S，并将f维的向量V初始化为0，f位的二进制数S初始化为0。
其中，f维的向量V形如V=[v1，v2，v3，…vf]，其为计算行为特征值过程中的中间变量，行为特征值基于该f维的向量V得到。而二进制数S则指代行为特征值。向量V的维数和二进制数S的位数均受到后续每条行为数据的哈希值位数的限定。也即，向量V的维数和二进制数S的位数与每条行为数据的哈希值的位数相同。
第二步、对每一条行为数据，用传统的哈希算法为该行为数据生成一个f位的特征值b。
针对每条行为数据而言，无论其表征用户的浏览行为、收藏行为、还是评论行为，对于机器来说，本质上均是一串字符。对于一串字符，利用传统的哈希算法代码即可快速计算其哈希值。由于计算字符的哈希值的过程，已有成熟的哈希算法实现，所以此处不再进行详述，参考现有哈希算法即可。
第三步、对于i=1到f，如果b的第i位为1，则V的第i个元素加上该行为数据的权重；否则，V的第i个元素减去该行为数据的权重。
在本步骤中，不同行为数据的类型可能不同，在设置行为数据的权重时，不同类型行为数据的权重通常设置的不一致。在设置行为数据的权重时，可依据行为数据是否能体现用户的兴趣爱好的原则设置。比如，用户对收藏行为数据对用的应用的喜爱程度肯定要大于对浏览行为数据对应的应用。针对收藏行为数据和浏览行为数据而言，由于收藏行为数据可表明用户对相关应用进行了收藏，所以用户对该应用的喜爱度一般较高；而浏览行为数据仅能表明用户对相关应用进行了浏览，用户对其是否喜爱未知，因此，在设置行为数据权重时，收藏行为数据的权重要大于浏览行为数据的权重。无论行为数据包括多少类型，基于上述设置原则均可设置每类行为数据的权重，且保证每个类型的行为数据均对应一个权重即可。
需要说明的是，对于实时行为数据中的每条行为数据来说，重复执行第二步和第三步，便可得到实时行为数据对应的向量V1；对于历史行为数据中的每条行为数据来说，重复执行第二步和第三步，便可得到历史行为数据对应的向量V2。在得到向量V1后，根据向量V1便可得到实时行为数据的行为特征值S1；在得到向量V2后，根据向量V1便可得到历史行为数据的行为特征值S2。具体过程详见下述第四步。
第四步、如果V的第i个元素大于0，则S的第i位为1，否则为0；输出S作为行为特征值。
在本步骤中，二进制数S的每一位的数值，均根据向量V的对应位数的数值而定。从i=1开始计算，当计算到i=f时，便得到了行为特征值。此外，对于本发明实施例提供的指纹算法来说，特征值b的比特位越长，在后续过程中根据计算出来的行为特征值确定待推荐应用的精确度越高。因此，为了提高精确度，特征值b的bit位一般设置的较多。具体将特征值b设置为多少位，可视情况而定。
此外，在本发明实施例中一个用户仅对应一个行为特征值。而在根据上述指纹算法计算时，我们分别得到了用户的实时行为数据对应的实时行为特征值S1和用户的历史行为数据对应的历史行为特征值S2，所以还需通过加权的方式来获取用户的第一行为特征值。在设置实时行为特征值S1和历史行为特征值S2的权重时，由于实时行为特征值更能反映用户当前的兴趣爱好，所以实时行为特征值的权重要大于历史行为特征值的权重。比如，将实时行为特征值的权重设置为0.6，而历史行为数据的权重设置为0.4。
303、任务节点调度多个计算节点中的至少一个计算节点和合并计算节点从第一用户的用户关系链中，根据第一行为特征值，确定至少一个第二用户，第二用户在第一用户的用户关系链上，且第二行为特征值与第一行为特征值之间的相似度大于预设阈值，第二行为特征值为第二用户的行为特征值。
在本发明实施例中，当根据上述步骤302得到第一用户的第一行为特征值之后，便可根据第一行为特征值对第一用户的用户关系链进行降噪处理。也即，排除用户关系链中和第一用户的兴趣爱好不相关的用户。在进行用户关系链降噪时，还需先根据上述步骤302所示的方法计算用户关系链中各个用户的行为特征值。由于用户关系链中可能包括海量用户，为了降低计算所耗时间，在计算用户关系链中各个用户的行为特征值时，任务节点可分配多个计算节点对用户关系链中的用户的行为特征值进行计算，之后由合并计算节点对多个计算节点的计算结果进行合并收集。
在得到用户关系链中各个用户的行为特征值后，便可对用户关系链进行降噪处理。在进行降噪处理时，具体采用判断第一行为特征值与用户关系链上的各个用户的行为特征值之间相似度是否大于预设阈值的方式。在具体判断时，由于第一行为特征值和用户关系链上的用户的行为特征值均为f位的二进制数，因此可通过比较二者之间相同数据位的百分比或不同数据位的百分比，来计算二者的相似度。比如，若二者全部数据位的数值均相同，那么二者的相似度为100%。若二者全部数据位的数值均不相同，那么二者的相似度便为0。其中，预设阈值的大小可为90%。当然，预设阈值的大小除上述数值外，还可为其他数值，例如，95%或96%等等，本实施例对预设阈值的大小不作具体限定。
此外，随着时间的推移，第一用户的用户关系链可能会发生变化，比如，用户关系链中新增了用户，或将原来的某些用户进行了删减。所以在从第一用户的用户关系链中确定第二用户时，还需根据第一用户的当前用户关系链和历史用户关系链确定至少一个第二用户。之所以这样做，是因为还存在该种情况：第一用户的历史用户关系链中的某些用户与第一用户的兴趣爱好很相似，与第一用户的联系也比较密切，但是由于一些原因，第一用户却对与其兴趣爱好很相似的这些用户在关系链中进行了删除，所以与第一用户兴趣爱好很相似的这些用户并未出现在当前关系链中。而上述用户的行为数据对确定第一用户的待推荐应用又起着很关键的作用，所以还需确定历史用户关系链相对于当前用户关系链所删减的用户，并将行为特征值与第一行为特征值之间相似度大于预设阈值的所删减用户确定为第二用户。针对用户关系链中新增的用户，由于其出现在当前关系链中，因此在确定第二用户时，新增的用户自然作为备选用户。
需要说明的是，第一用户的用户关系链中还可能出现名人用户，由于名人用户的影响力很大，因此在对第一用户的用户关系链进行降噪时，通常不会排除名人用户。名人用户的关注度很高，可能达到几万、几百万、甚至几千万，所以名人用户通常为VIP（VeryImportant Person，贵宾）用户。而VIP用户相较于普通用户来说，会有相应的标识进行区分，所以根据该标识便可将名人用户进行提取。
由于通过该步骤对第一用户的用户关系链进行了降噪，排除了与第一用户兴趣不相关的用户，所以在确定第一用户的待推荐应用时，提高了推荐精准率。此外，本发明实施例基于用户关系链进行应用推荐，所以与基于全网注册用户进行应用推荐来说，大大降低了计算量。且由于删除了大量与第一用户兴趣不相关的用户，在后续确定第一用户的待推荐应用时，可进一步降低计算量。
304、任务节点调度多个计算节点中的至少一个计算节点和合并计算节点基于至少一个第二用户的行为数据，确定第一用户的待推荐应用。
在本发明实施例中，基于至少一个第二用户的行为数据，确定第一用户的待推荐应用，可具体通过下述两种方式实现：
第一种方式、通过对至少一个第二用户的行为数据进行归纳总结，确定至少一个第二用户的行为数据对应的全部应用。之后，在该全部应用中确定热门应用，并将热门程度排在第一位或前几位的应用确定为第一用户的待推荐应用。
第二种方式、可通过对至少一个第二用户的行为数据进行归纳总结，确定至少一个第二用户的全部兴趣类目。之后，在该全部兴趣类目中，将喜爱程度排在第一位或前几位的应用确定为待推荐兴趣类目。对于每个待推荐兴趣类目，在每个待推荐兴趣类目对应的应用中，随机或者按照一定规则选择一个或几个应用，并将选择的应用作为第一用户的待推荐应用。
具体采用上述哪一种推荐应用的方式本实施例对此不作具体限定。此外，本发明实施例提供的应用推荐的方式，不但可大大提高应用推荐精准率，还可降低计算量。相较于现有技术一中根据第一用户自身的行为数据确定兴趣类目，进而根据第一用户的兴趣类目和应用的类目属性进行推荐的方式而言，本发明实施例基于第一用户的行为数据和至少一个与第一用户兴趣相似的第二用户的行为数据进行推荐，扩大了样本量，得到的推荐结果更加精准。相较于现有技术二中基于具有相似兴趣的用户进行应用推荐的方式而言，本发明实施例无需在全网注册用户中进行海量搜索，且由于对用户关系链进行降噪处理，可大大降低计算量，且基于行为特征值确定至少一个第二用户，确定第二用户的方式更加精确，基于精准的用户确定待推荐应用，应用推荐的精准率更高。
需要说明的是，任务节点在调用多个计算节点中的至少一个计算节点执行上述步骤302至步骤304时，若某一正在运算中的计算节点发生异常，不能正常工作，则本发明实施例还提供了一种计算容灾的处理方式。即对于每个计算节点来说，分别为其设置一个备用计算节点。当某一计算节点异常时，采取其备用计算节点进行计算，而该某一计算节点通常称作主计算节点。当主计算节点正常工作时，备用计算节点不启动计算。此外，备用计算节点所需的计算资源采用预加载方式。也即，为了避免出现主计算节点发生异常时，备用计算节点在进行运算时，需现从存储设备中获取计算资源而消耗大量时间，备用计算节点的所需计算资源会事先从存储设备上获取。当主计算节点发生异常时，备用计算节点根据存储在自身的计算资源在最短的时间内启动运算。
本发明实施例提供的方法，在根据第一用户的行为数据获取第一行为特征值之后，从用户关系链中确定行为特征值与第一行为特征值之间相似度大于预设阈值的第二用户，进而基于至少一个第二用户的行为数据，确定第一用户的待推荐应用，由于行为特征值可对用户的行为数据进行归纳总结，且以数值化的形式进行精确表示，所以行为特征值可精确表达用户的兴趣爱好，进而基于行为特征值确定的至少一个第二用户与第一用户之间的兴趣爱好也能够更加相似，所以基于至少一个第二用户的行为数据，可精确地确定第一用户的待推荐应用，推荐精准率较高。此外，基于降噪后的用户关系链确定第一用户的待推荐应用，可大大降低计算量，减少了计算耗时，实时性较佳。
图4是本发明实施例提供了一种应用推荐装置，参见图4，该装置包括：行为特征值获取模块401、第二用户确定模块402、应用确定模块403。
其中，行为特征值获取模块401，用于根据第一用户的行为数据，获取第一行为特征值；第二用户确定模块402与行为特征值获取模块401连接，用于从第一用户的用户关系链中，根据第一行为特征值，确定至少一个第二用户，第二用户在第一用户的用户关系链上，且第二行为特征值与第一行为特征值之间的相似度大于预设阈值，第二行为特征值为第二用户的行为特征值；应用确定模块403与第二用户确定模块402连接，用于基于至少一个第二用户的行为数据，确定第一用户的待推荐应用。
可选地，行为特征值获取模块，用于根据第一用户的实时行为数据，获取实时行为特征值；根据第一用户的历史行为数据，获取历史行为特征值；根据实时行为特征值和历史行为特征值，获取第一用户的第一行为特征值。
可选地，第二用户确定模块，还用于基于第一用户的当前用户关系链和历史用户关系链，确定历史用户关系链相对于当前用户关系链所删减的用户，将行为特征值与第一行为特征值之间相似度大于预设阈值的所删减用户确定为第二用户。
可选地，行为特征值获取模块，用于获取第一用户的每条行为数据的特征值；根据每条行为数据的特征值及预先设置的每条行为数据的权重值，计算第一行为特征值。
可选地，该装置还包括：
调度权重获取模块，用于获取各个计算节点的调度权重；
调度模块，用于根据各个计算节点的调度权重，调度多个计算节点中的至少一个计算节点执行根据第一用户的行为数据，获取第一行为特征值的步骤。
可选地，调度权重获取模块，用于对于多个计算节点中的一个计算节点，获取计算节点的计算延时、计算节点的资源利用率；根据计算延时和资源利用率，计算计算节点的系统负载；根据计算节点的系统负载和除计算节点之外的其他计算节点的系统负载，获取计算节点的调度权重。
可选地，调度权重获取模块，应用下述公式，计算计算节点的系统负载：
Zi=Ri*0.8*α+0.2/Ti*β
其中，Zi指代第i个计算节点的系统负载，Ri指代第i个计算节点的资源利用率,Ti指代第i个节点的计算延时,α和β均为常数。
可选地，调度权重获取模块，应用下述公式，获取计算节点的调度权重：
wi=(1/Zi)/(1/Z1+1/Z2+...+1/Zn)
其中，wi指代第i个计算节点的调度权重，Z1指代第1个计算节点的系统负载，Z,2指代第2个计算节点的系统负载，Zn指代第n个计算节点的系统负载。
可选地，调度模块，还用于当检测到正在执行应用推荐任务的计算节点发生异常时，调度计算节点的备份计算节点执行应用推荐任务。
本发明实施例提供的装置，在根据第一用户的行为数据获取第一行为特征值之后，从用户关系链中确定行为特征值与第一行为特征值之间相似度大于预设阈值的第二用户，进而基于至少一个第二用户的行为数据，确定第一用户的待推荐应用，由于行为特征值可对用户的行为数据进行归纳总结，且以数值化的形式进行精确表示，所以行为特征值可精确表达用户的兴趣爱好，进而基于行为特征值确定的至少一个第二用户与第一用户之间的兴趣爱好也能够更加相似，所以基于至少一个第二用户的行为数据，可精确地确定第一用户的待推荐应用，推荐精准率较高。
需要说明的是：上述实施例提供的应用推荐装置在进行应用推荐时，仅以上述各功能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模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的应用推荐装置与应用推荐方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (13)

1.一种应用推荐方法，其特征在于，所述方法包括：
对于多个计算节点中的一个计算节点，获取所述计算节点的计算延时、所述计算节点的资源利用率；
获取所述计算节点的资源利用率与第一数值和第一常数的第一乘积值；获取第二数值与所述计算节点的计算延时的比值，以及所述比值与第二常数的第二乘积值；将所述第一乘积值与所述第二乘积值之和确定为所述计算节点的系统负载，所述第一数值的取值为0.8，所述第二数值的取值为0.2；
根据所述计算节点的系统负载和除所述计算节点之外的其他计算节点的系统负载，获取所述计算节点的调度权重；
根据各个计算节点的调度权重，调度多个计算节点中的至少一个计算节点根据第一用户的行为数据，获取第一行为特征值；
从所述第一用户的用户关系链中，根据所述第一行为特征值，确定至少一个第二用户，所述第二用户在所述第一用户的用户关系链上，且第二行为特征值与所述第一行为特征值之间的相似度大于预设阈值，所述第二行为特征值为第二用户的行为特征值；
基于所述至少一个第二用户的行为数据，确定所述第一用户的待推荐应用。
2.根据权利要求1所述的方法，其特征在于，所述根据第一用户的行为数据，获取第一行为特征值，包括：
根据所述第一用户的实时行为数据，获取实时行为特征值；
根据所述第一用户的历史行为数据，获取历史行为特征值；
根据所述实时行为特征值和所述历史行为特征值，获取所述第一用户的第一行为特征值。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述第一用户的当前用户关系链和历史用户关系链，确定所述历史用户关系链相对于所述当前用户关系链所删减的用户，将行为特征值与所述第一行为特征值之间相似度大于所述预设阈值的所删减用户确定为第二用户。
4.根据权利要求1所述的方法，其特征在于，所述根据第一用户的行为数据，获取第一行为特征值，包括：
获取所述第一用户的每条行为数据的特征值；
根据每条行为数据的特征值及预先设置的每条行为数据的权重值，计算所述第一行为特征值。
5.根据权利要求1所述的方法，其特征在于，所述根据所述计算节点的系统负载和除所述计算节点之外的其他计算节点的系统负载，应用下述公式，获取所述计算节点的调度权重，包括：
wi＝(1/Zi)/(1/Z1+1/Z2+...+1/Zn)
其中，wi指代第i个计算节点的调度权重，Z1指代第1个计算节点的系统负载，Z,2指代第2个计算节点的系统负载，Zn指代第n个计算节点的系统负载。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当检测到正在执行应用推荐任务的计算节点发生异常时，调度所述计算节点的备份计算节点执行所述应用推荐任务。
7.一种应用推荐装置，其特征在于，所述装置包括：
调度权重获取模块，用于对于多个计算节点中的一个计算节点，获取所述计算节点的计算延时、所述计算节点的资源利用率；获取所述计算节点的资源利用率与第一数值和第一常数的第一乘积值；获取第二数值与所述计算节点的计算延时的比值，以及所述比值与第二常数的第二乘积值；将所述第一乘积值与所述第二乘积值之和确定为所述计算节点的系统负载，所述第一数值的取值为0.8，所述第二数值的取值为0.2；根据所述计算节点的系统负载和除所述计算节点之外的其他计算节点的系统负载，获取所述计算节点的调度权重；
调度模块，用于根据各个计算节点的调度权重，调度多个计算节点中的至少一个计算节点的行为特征值获取模块执行根据第一用户的行为数据，获取第一行为特征值；
第二用户确定模块，用于从所述第一用户在网络社交平台的用户关系链中，根据所述第一行为特征值，确定至少一个第二用户，所述第二用户在所述第一用户的用户关系链上，且第二行为特征值与所述第一行为特征值之间的相似度大于预设阈值，所述第二行为特征值为第二用户的行为特征值，所述第二用户中包括所述第一用户的用户关系链中出现的名人用户；
应用确定模块，用于基于所述至少一个第二用户的行为数据，确定所述第一用户的待推荐应用。
8.根据权利要求7所述的装置，其特征在于，所述行为特征值获取模块，用于根据所述第一用户的实时行为数据，获取实时行为特征值；根据所述第一用户的历史行为数据，获取历史行为特征值；根据所述实时行为特征值和所述历史行为特征值，获取所述第一用户的第一行为特征值。
9.根据权利要求7所述的装置，其特征在于，所述第二用户确定模块，还用于基于所述第一用户的当前用户关系链和历史用户关系链，确定所述历史用户关系链相对于所述当前用户关系链所删减的用户，将行为特征值与所述第一行为特征值之间相似度大于所述预设阈值的所删减用户确定为第二用户。
10.根据权利要求7所述的装置，其特征在于，所述行为特征值获取模块，用于获取所述第一用户的每条行为数据的特征值；根据每条行为数据的特征值及预先设置的每条行为数据的权重值，计算所述第一行为特征值。
11.根据权利要求7所述的装置，其特征在于，所述调度权重获取模块，应用下述公式，获取所述计算节点的调度权重：
wi＝(1/Zi)/(1/Z1+1/Z2+...+1/Zn)
其中，wi指代第i个计算节点的调度权重，Z1指代第1个计算节点的系统负载，Z,2指代第2个计算节点的系统负载，Zn指代第n个计算节点的系统负载。
12.根据权利要求7所述的装置，其特征在于，所述调度模块，还用于当检测到正在执行应用推荐任务的计算节点发生异常时，调度所述计算节点的备份计算节点执行所述应用推荐任务。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序，所述程序由处理器执行以实现如上述权利要求1至6中任一项权利要求所述的应用推荐方法。
CN201410122880.XA 2014-03-28 2014-03-28 应用推荐方法及装置 Active CN104951465B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201410122880.XA CN104951465B (zh) 2014-03-28 2014-03-28 应用推荐方法及装置
PCT/CN2015/075242 WO2015144089A1 (en) 2014-03-28 2015-03-27 Application recommending method and apparatus
US15/172,280 US9953262B2 (en) 2014-03-28 2016-06-03 Application recommending method and apparatus
US15/921,129 US10679132B2 (en) 2014-03-28 2018-03-14 Application recommending method and apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410122880.XA CN104951465B (zh) 2014-03-28 2014-03-28 应用推荐方法及装置

Publications (2)

Publication Number Publication Date
CN104951465A CN104951465A (zh) 2015-09-30
CN104951465B true CN104951465B (zh) 2020-02-14

Family

ID=54166128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410122880.XA Active CN104951465B (zh) 2014-03-28 2014-03-28 应用推荐方法及装置

Country Status (3)

Country Link
US (2) US9953262B2 (zh)
CN (1) CN104951465B (zh)
WO (1) WO2015144089A1 (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106852187A (zh) * 2016-06-28 2017-06-13 深圳狗尾草智能科技有限公司 一种基于用户画像的技能包推荐装置和方法
CN107644042B (zh) * 2016-07-22 2020-06-30 平安科技（深圳）有限公司 软件程序点击率预估排序方法及服务器
CN107634897B (zh) * 2016-09-12 2020-09-25 腾讯科技（深圳）有限公司 群推荐方法和装置
CN107103057B (zh) 2017-04-13 2018-09-18 腾讯科技（深圳）有限公司 一种资源推送方法及装置
CN108874821B (zh) * 2017-05-11 2021-06-15 腾讯科技（深圳）有限公司 一种应用推荐方法、装置及服务器
CN108038758B (zh) * 2017-12-08 2021-01-29 Oppo广东移动通信有限公司 一种应用推荐方法、系统及终端设备
CN108830689A (zh) * 2018-06-13 2018-11-16 深圳乐信软件技术有限公司 物品推荐方法、装置、服务器和存储介质
CN110807116B (zh) * 2018-07-20 2024-03-22 北京搜狗科技发展有限公司 一种数据处理方法、装置和用于数据处理的装置
CN111865757B (zh) * 2018-08-16 2022-08-26 北京达佳互联信息技术有限公司 社交通信方法、装置、电子设备及存储介质
CN109445843B (zh) * 2018-10-26 2021-08-03 浙江工商大学 一种基于类多层网络的软件类重要性度量方法
CN110309235B (zh) * 2019-06-28 2022-01-07 京东科技控股股份有限公司 一种数据处理方法、装置、设备及介质
CN110737829B (zh) * 2019-09-17 2023-04-07 Oppo广东移动通信有限公司 一种数据处理方法、装置、设备及存储介质
CN111210253A (zh) * 2019-11-26 2020-05-29 恒大智慧科技有限公司 一种匹配消费者与销售顾问的方法、装置及存储介质
CN111178949B (zh) * 2019-12-18 2023-07-28 中电金信软件有限公司 服务资源匹配参考数据确定方法、装置、设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102929959A (zh) * 2012-10-10 2013-02-13 杭州东信北邮信息技术有限公司 一种基于用户行为的图书推荐方法
CN103366299A (zh) * 2012-03-30 2013-10-23 索尼公司 用于推荐物品的方法和推荐系统

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7739231B2 (en) * 2006-08-28 2010-06-15 Manyworlds, Inc. Mutual commit people matching process
CN100530185C (zh) * 2006-10-27 2009-08-19 北京搜神网络技术有限责任公司 基于网络行为的个性化推荐方法和系统
US8046454B2 (en) * 2007-08-22 2011-10-25 Samsung Electronics Co. Ltd. Identifying and recommending potential communication states based on patterns of use
US7827186B2 (en) * 2007-09-28 2010-11-02 Amazon Technologies, Inc. Duplicate item detection system and method
US8468115B2 (en) * 2009-06-25 2013-06-18 George Mason Intellectual Properties, Inc. Cyclical behavior modification
US20110238496A1 (en) * 2010-02-23 2011-09-29 Vishal Gurbuxani Systems and Methods for Generating Data from Mobile Applications and Dynamically Delivering Advertising Based on Generated Data
CN102411596A (zh) * 2010-09-21 2012-04-11 阿里巴巴集团控股有限公司 一种信息推荐方法及系统
US9154564B2 (en) * 2010-11-18 2015-10-06 Qualcomm Incorporated Interacting with a subscriber to a social networking service based on passive behavior of the subscriber
US20120143677A1 (en) * 2010-12-03 2012-06-07 Microsoft Corporation Discoverability Using Behavioral Data
CN102195886B (zh) * 2011-05-30 2014-02-05 北京航空航天大学 一种云平台上的服务调度方法
CN102317941A (zh) * 2011-07-30 2012-01-11 华为技术有限公司 信息推荐方法、推荐引擎及网络系统
CN102956009B (zh) * 2011-08-16 2017-03-01 阿里巴巴集团控股有限公司 一种基于用户行为的电子商务信息推荐方法与装置
CN103020055B (zh) * 2011-09-20 2017-02-15 腾讯科技（深圳）有限公司 一种用户推荐的处理方法及装置
US8478664B1 (en) * 2011-10-25 2013-07-02 Amazon Technologies, Inc. Recommendation system with user interface for exposing downstream effects of particular rating actions
US8797983B2 (en) * 2012-01-05 2014-08-05 Telefonaktiebolaget L M Ericsson (Publ) Apparatuses and methods for allocating spectrum resources in a wireless communication network
WO2015026272A1 (en) * 2013-08-21 2015-02-26 Telefonaktiebolaget L M Ericsson (Publ) Network assisted rate adaptation
WO2015139232A1 (zh) * 2014-03-19 2015-09-24 华为技术有限公司 一种应用的推荐方法、系统及服务器

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103366299A (zh) * 2012-03-30 2013-10-23 索尼公司 用于推荐物品的方法和推荐系统
CN102929959A (zh) * 2012-10-10 2013-02-13 杭州东信北邮信息技术有限公司 一种基于用户行为的图书推荐方法

Also Published As

Publication number Publication date
US9953262B2 (en) 2018-04-24
US10679132B2 (en) 2020-06-09
US20180204123A1 (en) 2018-07-19
WO2015144089A1 (en) 2015-10-01
US20160283843A1 (en) 2016-09-29
CN104951465A (zh) 2015-09-30

Similar Documents

Publication Publication Date Title
CN104951465B (zh) 应用推荐方法及装置
Jiang et al. An effective web service recommendation method based on personalized collaborative filtering
KR101939554B1 (ko) 일시적 거래 한도 결정
US10462253B2 (en) Social network grouping method and system, and computer storage medium
US9785888B2 (en) Information processing apparatus, information processing method, and program for prediction model generated based on evaluation information
WO2016169193A1 (zh) 用于检测点击作弊的方法及装置
US11275748B2 (en) Influence score of a social media domain
CN107305611B (zh) 恶意账号对应的模型建立方法和装置、恶意账号识别的方法和装置
WO2021129055A1 (zh) 信息预测模型训练方法及装置、信息预测方法及装置、存储介质、设备
US9882949B1 (en) Dynamic detection of data correlations based on realtime data
US9659056B1 (en) Providing an explanation of a missing fact estimate
US20170046447A1 (en) Information Category Obtaining Method and Apparatus
WO2016177279A1 (zh) 数据处理的方法及系统
US11636120B2 (en) Offline evaluation of ranking functions
CN112989169A (zh) 目标对象识别方法、信息推荐方法、装置、设备及介质
Liu et al. Digger: Detect similar groups in heterogeneous social networks
CN107851263B (zh) 用于处理推荐请求的方法和推荐引擎
CN110909072B (zh) 一种数据表建立方法、装置及设备
CN112218114A (zh) 视频缓存控制方法、装置和计算机可读存储介质
CN110659919A (zh) 数据匹配方法、装置、介质及电子设备
CN101639856A (zh) 检测互联网信息传播的网页关联评价装置
CN114638316A (zh) 一种数据聚类方法、装置和设备
Agagu et al. Context-aware recommendation methods
Al-Zanbouri et al. Data-aware web service recommender system for energy-efficient data mining services
CN113822691A (zh) 用户账号的识别方法、装置、系统和介质

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant