CN105183781A - 信息推荐方法及装置 - Google Patents
信息推荐方法及装置 Download PDFInfo
- Publication number
- CN105183781A CN105183781A CN201510501752.0A CN201510501752A CN105183781A CN 105183781 A CN105183781 A CN 105183781A CN 201510501752 A CN201510501752 A CN 201510501752A CN 105183781 A CN105183781 A CN 105183781A
- Authority
- CN
- China
- Prior art keywords
- scene
- recommendation
- information
- recommended models
- dimension
- 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
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
- G06F16/9535—Search customisation based on user profiles and personalisation
Abstract
本发明实施例公开了一种信息推荐方法及装置,其中方法包括:获取登录用户的当前场景信息;提取所述当前场景信息中的第一特征信息和第二特征信息;根据所述第一特征信息查询所述当前场景信息对应的推荐模型;根据所述第二特征信息从推荐模型中确定与所述当前场景信息匹配的推荐场景;将所述匹配的推荐场景对应的推荐结果返回给用户。本发明实施例首先确定当前场景信息对应的推荐模型,然后从所述推荐模型确定匹配的推荐场景,进一步将匹配的推荐场景对应的推荐结果返回给用户,能够过滤无效场景特征的干扰,使信息推荐的准确率得到提升。
Description
技术领域
本发明实施例涉及互联网技术领域,尤其涉及一种信息推荐方法及装置。
背景技术
随着互联网的飞速发展,互联网上的信息每年都在以几何级数增长。如何在这个海量信息库中精确获取所需信息已成为人们越来越关注的问题。个性化搜索引擎就是在这个背景下应运而生,并且迅速发展起来。
目前,个性化搜索引擎的推荐方法大都是基于场景的个性化推荐模型的,即搜索结果受用户所处的场景的影响。具体的,预先根据统计的场景信息(包括用户所在的时间和地点等)训练得到个性化推荐模型,所述个性化推荐模型中包含与所述场景相关的推荐结果。在检测到用户所处的当前场景之后,提取当前场景信息,计算当前场景信息与所述个性化推荐模型中包含场景的相关性,根据相关性将推荐结果推送给用户。
但是,上述基于场景的个性化推荐模型的推荐方法,主要存在以下问题:一些用户的行为并不显著的由于场景的转换而变化,因此,上述场景信息的统计并不具备统计显著性,将这些场景信息加入个性化推荐模型会影响推荐结果的准确性;第二,每个场景没有明确的定义,单层模型依赖模型特征在训练模型中的权重对场景进行建模,这样,从模型层面,场景对分布的影响没法显式的表达出来,不利于模型正确性的验证和模型的优化迭代。
发明内容
本发明实施例提供一种信息推荐方法及装置,能够过滤无效场景特征的干扰,使信息推荐的准确率得到提升。
第一方面,本发明实施例提供了一种信息推荐方法,包括:
获取登录用户的当前场景信息;
提取所述当前场景信息中的第一特征信息和第二特征信息;
根据所述第一特征信息查询所述当前场景信息对应的推荐模型;
根据所述第二特征信息从所述推荐模型中确定与所述当前场景信息匹配的推荐场景;
将所述匹配的推荐场景对应的推荐结果返回给用户。
第二方面,本发明实施例还提供一种信息推荐装置,包括:
当前场景获取模块,用于获取登录用户的当前场景信息;
特征信息提取模块,用于提取所述当前场景信息中的第一特征信息和第二特征信息;
推荐模型查询模块,用于根据所述第一特征信息查询所述当前场景信息对应的推荐模型;
推荐场景匹配模块,用于根据所述第二特征信息从所述推荐模型中确定与所述当前场景信息匹配的推荐场景;
推荐结果返回模块,用于将所述匹配的推荐场景对应的推荐结果返回给用户。
本发明实施例首先通过当前场景信息中的第一特征信息确定当前场景信息对应的推荐模型,然后根据当前场景信息中的第二特征信息从所述推荐模型中确定与所述当前场景信息匹配的推荐场景,进一步将匹配的推荐场景对应的推荐结果返回给用户,能够过滤无效场景特征的干扰,使信息推荐的准确率得到提升。
附图说明
图1A为本发明实施例一提供的信息推荐方法流程示意图;
图1B为本发明实施例一提供的信息推荐方法中所述的推荐模型的结构示意图;
图2为本发明实施例二提供的信息推荐装置的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
本发明实施例提供的信息推荐方法的执行主体,可为安装在服务器上的信息推荐装置,或者为集成于服务器上的信息推荐装置,该信息推荐装置可以采用硬件或软件实现。
实施例一
图1A为本发明实施例一提供的信息推荐方法流程示意图,如图1A所示,具体包括:
S11、获取登录用户的当前场景信息;
其中,登录用户为通过用户名和密码成功登录到本发明实施例提供的信息推荐装置或集成了信息推荐装置的服务器的用户。所述当前场景信息为能够描述当前场景的信息,典型的如包括用户当前登录的IP地址、当前登录时间和当前关注对象等信息中的至少一种。
S12、提取所述当前场景信息中的第一特征信息和第二特征信息;
其中,所述第一特征信息反映用户在当前场景下所使用的网络的网络地址信息,包括使用网卡的物理地址和网络对应的IP地址。当用户处于不同的场所,所使用的网卡的物理地址和网络IP都是固定且唯一的。本发明实施例中具体以第一特征信息为IP地址为例进行说明,本发明实施例同样适用于第一特征信息为网卡的物理地址。例如,当用户在家时,通常使用家里的无线WiFi上网,此时对于一个IP地址,当用户在公司时,通常使用公司的网络,又对应一个IP地址,因此不同的IP地址来区分不同的场景。第二特征信息,可为用户当前登录时间和当前关注对象等信息。
S13、根据所述第一特征信息查询所述当前场景信息对应的推荐模型;
具体的,本发明实施例提供的信息推荐装置的数据库中预先存储了各种场景下的第一特征信息和推荐模型的对应关系,具体如下表一所示:
表一
各种场景的第一特征信息 | 推荐模型 |
第一特征信息1(例如场景1的IP1) | 推荐模型1 |
第一特征信息2(例如场景2的IP2) | 推荐模型2 |
第一特征信息3(例如场景3的IP3) | 推荐模型3 |
…… | …… |
第一特征信息n(例如场景n的IPn) | 推荐模型n |
通过查询上述表一即可得到所述当前场景对应的推荐模型。
S14、根据所述第二特征信息从所述推荐模型中确定与所述当前场景信息匹配的推荐场景;S15、将所述匹配的推荐场景对应的推荐结果返回给用户。
例如,可预先建立如表二所示的推荐场景与推荐结果的对应关系列表,通过查询所述列表得到对应的推荐结果返回给用户。
示例性的,在建立所述推荐模型时,可将上述推荐场景与推荐结果的对应关系存储在所述推荐模型中。具体的,如图1B所示,所述推荐模型中包含推荐场景与推荐结果的对应关系。所述推荐模型可根据用户的历史登录场景信息进行建立。所述推荐场景的第二特征信息与所述推荐场景一一对应。
表二
具体的,假设获取的当前场景信息的第一特征信息为IP1,则查询表一可知,当前场景信息对应的推荐模型为推荐模型1。假设获取的当前场景信息的第二特征信息为8:00,假设表二为当前场景对应的推荐模型,则查询表二可知当前场景信息对应的推荐场景为推荐场景1,则从互联网上搜索获取得到早间新闻,将早间新闻连接以列表的形式推荐给用户。
或者,在根据所述第二特征信息从所述推荐模型中确定与所述当前场景信息匹配的推荐场景之后,直接查询上述预先建立的类似如表二所示的推荐场景与推荐结果对应关系列表,得到对应的推荐结果返回给用户。
本发明实施例首先通过当前场景信息中的第一特征信息确定当前场景信息对应的推荐模型,然后根据当前场景信息中的第二特征信息从所述推荐模型中确定与所述当前场景信息匹配的推荐场景,进一步将匹配的推荐场景对应的推荐结果返回给用户,能够过滤无效场景特征的干扰,使信息推荐的准确率得到提升。
示例性的,在上述实施例的基础上,所述方法还包括建立推荐模型的操作,具体包括:
根据用户的历史行为分布确定至少一个目标场景;
提取目标场景的场景信息,基于所述目标场景的场景信息训练得到所述各场景的推荐模型。
其中,所述历史行为分布为用户历史登录场景信息,可以包括以下信息中的至少一种:用户登录IP地址、登录时间、关注对象和消费周期等。
例如,根据用户的历史登录,可获取的历史登录场景信息如下表三所示:
表三
根据上述表三的用户历史行为分布,采用IP划分场景的方式,可划分为三个目标场景,分别为目标场景1,对应IP1;目标场景2,对应IP2;目标场景3,对应IP3,并提取目标场景1、目标场景2和目标场景3的场景信息。具体得到如下表四所示的结果:
表四
则根据上述表四所述的目标场景分类结果,将各目标场景对应的场景信息作为训练数据,得到各目标场景对应的推荐模型。可采用的分类训练算法如下:决策树分类算法、神经网络分类算法、支持向量机分类算法、向量空间模块训练算法和贝叶斯分类算法等。
示例性的,同一目标场景下的推荐模型的训练可采用下述方法,具体包括:
根据用户的历史行为分布确定至少一个推荐场景;
提取各推荐场景的第一场景维度,基于所述第一场景维度训练得到所述推荐模型。
在根据用户的历史行为分布确定推荐场景时,可基于预定的规则,具体可根据实际场景确定,例如,可采用时间段划分规则。以上述表四中的目标场景3为例,根据不同的时间段可将目标场景3划分为三个推荐场景,并提取各推荐场景的第一场景维度。具体如下表五所示:
表五
则根据上述表五所述的推荐场景分类结果,将各推荐场景对应的第一场景维度作为训练数据,得到目标场景3对应的推荐模型。具体可得到如下表六所示的结果:
表六
通过上述表五可知,上述表五中存在一些冗余数据,即有重复和相似的推荐场景,例如推荐场景1和推荐场景3。为减少推荐模型训练时的数据量,可进一步在提取各推荐场景的第一场景维度之前增加如下操作,可提高训练效率,缩减推荐模型中的冗余数据:
统计各推荐场景下的第二场景维度;
根据所述第二场景维度对推荐场景进行聚类,并提取聚类后各推荐场景的第三场景维度;
提取各推荐场景的第一场景维度包括:
从各推荐场景的第三场景维度中抽取得到所述第一场景维度。
具体的,以上述表四获取的目标场景3的场景信息为例,可通过对场景信息中的语句进行语义处理(例如,词语切分、去除无意义的虚词、助词、同义词替换等)得到各推荐场景下的第二场景维度,通过处理可得到目标场景3的中各推荐场景下的第二场景维度如下表七所示:
表七
然后,采用现有的聚类算法对上述表七中的推荐场景进行聚类。并提取聚类后各推荐场景的第三场景维度;由于推荐场景聚类后,推荐场景中的第二场景维度可能会增加或存在一些重复的关键词。例如,表七中,推荐场景1和推荐场景3中均存在张敬轩等,在提取景聚类后的推荐场景的第三场景维度时,可消除上述问题。
另外,以时间段进行划分的推荐场景在聚类时,需要考虑到个推荐场景的时间是否相近。例如,表七中,推荐场景1和推荐场景3都处于18:00左右和19:00左右这个时间段内,且用户的历史行也相似,则可以对其进行合并。
例如,将表七中的推荐场景1和推荐场景3进行聚类后,可得如下表八所示的结果:
表八
从表八中可以看出,第三场景维度中均包含一些概括词汇和比较下位的词汇,包含的关键词太多,为进一步缩减训练数据量,可从第三场景维度中抽取部分热度较高的关键词作为训练推荐模型的数据,例如,抽取后的结果如表九所示,得到的推荐模型如表十所示:
表九
表十
示例性的,采用启发式规则的方式对推荐场景进行聚类。
示例性的,基于所述第一场景维度训练得到各推荐场景各自对应的推荐模型之后还包括:
将各推荐场景对应的推荐模型进行加权融合,得到融合后的推荐模型;
从所述推荐模型中确定与所述当前场景信息匹配的推荐场景包括:
根据所述融合后的推荐模型确定至少一个推荐结果;
将所述匹配的推荐场景对应的推荐结果返回给用户包括:
从至少一个推荐结果中确定评分最高的推荐结果;
将所述评分最高的推荐结果返回给用户。
例如,可以采用一些算法将上述多个目标场景对应的推荐模型融合为一个模型可将融合后的推荐模型中所有对应推荐场景的推荐结果推荐给用户,也可对推荐结果进行排序,例如按照用户历史访问结果,将访问最多的推荐结果推荐给用户。
上述各实施例同样首先通过当前场景信息中的第一特征信息确定当前场景信息对应的推荐模型,然后根据当前场景信息中的第二特征信息从所述推荐模型中确定与所述当前场景信息匹配的推荐场景,进一步将匹配的推荐场景对应的推荐结果返回给用户,能够过滤无效场景特征的干扰,使信息推荐的准确率得到提升。
实施例二
图2为本发明实施例二提供的信息推荐装置的结构流程示意图,如图2所示,包括:当前场景获取模块21、特征信息提取模块22、推荐模型查询模块23、推荐场景匹配模块24和推荐结果返回模块25。
所述当前场景获取模块21用于获取登录用户的当前场景信息;
所述特征信息提取模块22用于提取所述当前场景信息中的第一特征信息和第二特征信息;
所述推荐模型查询模块23用于根据所述第一特征信息查询所述当前场景信息对应的推荐模型;
所述推荐场景匹配模块24用于根据所述第二特征信息从所述推荐模型中确定与所述当前场景信息匹配的推荐场景;
所述推荐结果返回模块25用于将所述匹配的推荐场景对应的推荐结果返回给用户。
本实施例所述的信息推荐装置用于执行上述各实施例所述的信息推荐方法,其技术原理和产生的技术效果类似,这里不再累述。
示例性的,在上述实施例的基础上,所述装置还包括:场景确定模块26和推荐模型训练模块27;
所述场景确定模块26用于根据用户的历史行为分布确定至少一个目标场景;
所述推荐模型训练模块27用于提取目标场景的场景信息,基于所述目标场景的场景信息训练得到所述推荐模型。
示例性的,推荐模型训练模块27具体包括:推荐场景确定单元271、场景维度提取单元272和推荐模型训练单元273;
所述推荐场景确定单元271用于根据每个目标场景下用户的历史行为分布确定至少一个推荐场景;
所述场景维度提取单元272用于提取各推荐场景的第一场景维度;
所述推荐模型训练单元273用于基于所述第一场景维度训练得到所述推荐模型。
示例性的,所述推荐模型训练模块27还包括:场景维度统计单元274和推荐场景聚类单元275;
所述场景维度统计单元274用于在所述场景维度提取单元272提取各推荐场景的第一场景维度之前,统计各推荐场景下的第二场景维度;
所述推荐场景聚类单元275用于根据所述第二场景维度对推荐场景进行聚类;
所述场景维度提取单元272具体用于提取聚类后各推荐场景的第三场景维度,从各推荐场景的第三场景维度中抽取得到所述第一场景维度。
示例性的,所述推荐场景聚类单元275具体用于采用启发式规则的方式对推荐场景进行聚类。
示例性的,所述推荐模型训练模块27还包括:推荐模型加权融合单元276;
所述推荐模型加权融合单元276用于在所述推荐模型训练单元273基于所述第一场景维度训练得到各推荐场景各自对应的推荐模型之后,将各推荐场景对应的推荐模型进行加权融合,得到融合后的推荐模型;
所述推荐场景匹配模块24具体用于根据所述第二特征信息从所述融合后的推荐模型中确定至少一个推荐结果;
所述推荐结果返回模块25具体用于从至少一个推荐结果中确定评分最高的推荐结果;将所述评分最高的推荐结果返回给用户。
示例性的,所述历史行为分布包括以下用户历史登录场景信息中的至少一种:用户登录IP地址、登录时间、关注对象和消费周期。
示例性的,所述推荐模型中包含所述推荐场景和推荐结果的对应关系。
本实施例所述的信息推荐装置用于执行上述各实施例所述的信息推荐方法,其技术原理和产生的技术效果类似,这里不再累述。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (16)
1.一种信息推荐方法,其特征在于,包括:
获取登录用户的当前场景信息;
提取所述当前场景信息中的第一特征信息和第二特征信息;
根据所述第一特征信息查询所述当前场景信息对应的推荐模型;
根据所述第二特征信息从所述推荐模型中确定与所述当前场景信息匹配的推荐场景;
将所述匹配的推荐场景对应的推荐结果返回给用户。
2.根据权利要求1所述的方法,其特征在于,还包括:
根据用户的历史行为分布确定至少一个目标场景;
提取目标场景的场景信息,基于所述目标场景的场景信息训练得到所述目标场景的推荐模型。
3.根据权利要求2所述的方法,其特征在于,提取目标场景的场景信息,基于所述目标场景的场景信息训练得到所述目标场景的推荐模型包括:
根据每个目标场景下用户的历史行为分布确定至少一个推荐场景;
提取各推荐场景的第一场景维度,基于所述第一场景维度训练得到所述推荐模型。
4.根据权利要求3所述的方法,其特征在于,提取各推荐场景的第一场景维度之前还包括:
统计各推荐场景下的第二场景维度;
根据所述第二场景维度对推荐场景进行聚类,并提取聚类后各推荐场景的第三场景维度;
则提取各推荐场景的第一场景维度包括:
从各推荐场景的第三场景维度中抽取得到所述第一场景维度。
5.根据权利要求4所述的方法,其特征在于,采用启发式规则的方式对推荐场景进行聚类。
6.根据权利要求3~5任一项所述的方法,其特征在于,基于所述第一场景维度训练得到各推荐场景各自对应的推荐模型之后还包括:
将各推荐场景对应的推荐模型进行加权融合,得到融合后的推荐模型;
根据所述第二特征信息从所述推荐模型中确定与所述当前场景信息匹配的推荐场景包括:
根据所述第二特征信息从所述融合后的推荐模型中确定至少一个推荐结果;
将所述匹配的推荐场景对应的推荐结果返回给用户包括:
从至少一个推荐结果中确定评分最高的推荐结果;
将所述评分最高的推荐结果返回给用户。
7.根据权利要求2~5任一项所述的方法,其特征在于,所述历史行为分布包括以下用户历史登录场景信息中的至少一种:用户登录IP地址、登录时间、关注对象和消费周期。
8.根据权利要求1~5任一项所述的方法,其特征在于,所述推荐模型中包含所述推荐场景和推荐结果的对应关系。
9.一种信息推荐装置,其特征在于,包括:
当前场景获取模块,用于获取登录用户的当前场景信息;
特征信息提取模块,用于提取所述当前场景信息中的第一特征信息和第二特征信息;
推荐模型查询模块,用于根据所述第一特征信息查询所述当前场景信息对应的推荐模型;
推荐场景匹配模块,用于根据所述第二特征信息从所述推荐模型中确定与所述当前场景信息匹配的推荐场景;
推荐结果返回模块,用于将所述匹配的推荐场景对应的推荐结果返回给用户。
10.根据权利要求9所述的装置,其特征在于,还包括:
场景确定模块,用于根据用户的历史行为分布确定至少一个目标场景;
推荐模型训练模块,用于提取目标场景的场景信息,基于所述目标场景的场景信息训练得到所述推荐模型。
11.根据权利要求10所述的装置,其特征在于,推荐模型训练模块包括:
推荐场景确定单元,用于根据每个目标场景下用户的历史行为分布确定至少一个推荐场景;
场景维度提取单元,用于提取各推荐场景的第一场景维度;
推荐模型训练单元,用于基于所述第一场景维度训练得到所述推荐模型。
12.根据权利要求11所述的装置,其特征在于,所述推荐模型训练模块还包括:
场景维度统计单元,用于在所述场景维度提取单元提取各推荐场景的第一场景维度之前,统计各推荐场景下的第二场景维度;
推荐场景聚类单元,用于根据所述第二场景维度对推荐场景进行聚类;
所述场景维度提取单元具体用于:提取聚类后各推荐场景的第三场景维度,从各推荐场景的第三场景维度中抽取得到所述第一场景维度。
13.根据权利要求12所述的装置,其特征在于,所述推荐场景聚类单元具体用于:采用启发式规则的方式对推荐场景进行聚类。
14.根据权利要求11~13任一项所述的装置,其特征在于,所述推荐模型训练模块还包括:
推荐模型加权融合单元,用于在所述推荐模型训练单元基于所述第一场景维度训练得到各推荐场景各自对应的推荐模型之后,将各推荐场景对应的推荐模型进行加权融合,得到融合后的推荐模型;
所述推荐场景匹配模块具体用于:根据所述第二特征信息从所述融合后的推荐模型中确定至少一个推荐结果;
所述推荐结果返回模块具体用于:从至少一个推荐结果中确定评分最高的推荐结果;将所述评分最高的推荐结果返回给用户。
15.根据权利要求10~13任一项所述的装置,其特征在于,所述历史行为分布包括以下用户历史登录场景信息中的至少一种:用户登录IP地址、登录时间、关注对象和消费周期。
16.根据权利要求9~13任一项所述的装置,其特征在于,所述推荐模型中包含所述推荐场景和推荐结果的对应关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510501752.0A CN105183781B (zh) | 2015-08-14 | 2015-08-14 | 信息推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510501752.0A CN105183781B (zh) | 2015-08-14 | 2015-08-14 | 信息推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105183781A true CN105183781A (zh) | 2015-12-23 |
CN105183781B CN105183781B (zh) | 2018-11-20 |
Family
ID=54905865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510501752.0A Active CN105183781B (zh) | 2015-08-14 | 2015-08-14 | 信息推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105183781B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909658A (zh) * | 2017-02-27 | 2017-06-30 | 百度在线网络技术(北京)有限公司 | 信息流推荐方法、装置和搜索引擎 |
CN107015980A (zh) * | 2016-01-27 | 2017-08-04 | 腾讯科技(北京)有限公司 | 一种进行信息展示的方法和装置 |
CN108763502A (zh) * | 2018-05-30 | 2018-11-06 | 腾讯科技(深圳)有限公司 | 信息推荐方法和系统 |
CN109033150A (zh) * | 2018-06-12 | 2018-12-18 | 平安科技(深圳)有限公司 | 敏感词验证方法、装置、计算机设备及存储介质 |
CN109034389A (zh) * | 2018-08-02 | 2018-12-18 | 黄晓鸣 | 信息推荐系统的人机交互式修正方法、装置、设备和介质 |
CN109636693A (zh) * | 2018-12-20 | 2019-04-16 | 广东小天才科技有限公司 | 一种练习题目的推荐方法及电子设备 |
CN110008973A (zh) * | 2018-11-23 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种模型训练方法、基于模型确定目标用户的方法及装置 |
CN110569428A (zh) * | 2019-08-08 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 一种推荐模型的构建方法、装置及设备 |
CN110929159A (zh) * | 2019-11-29 | 2020-03-27 | 北京三快在线科技有限公司 | 资源投放方法、装置、设备及介质 |
WO2020087388A1 (zh) * | 2018-10-31 | 2020-05-07 | 深圳市欢太科技有限公司 | 快应用的推荐方法、装置、存储介质及电子设备 |
CN111241394A (zh) * | 2020-01-07 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、计算机可读存储介质及电子设备 |
CN111444424A (zh) * | 2020-03-25 | 2020-07-24 | 深圳市分期乐网络科技有限公司 | 一种信息推荐方法和信息推荐系统 |
CN111708948A (zh) * | 2020-06-19 | 2020-09-25 | 北京达佳互联信息技术有限公司 | 内容项推荐方法、装置、服务器及计算机可读存储介质 |
CN111882084A (zh) * | 2020-07-27 | 2020-11-03 | 西门子工厂自动化工程有限公司 | 用于对工厂中的现场设备进行维护的方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011186855A (ja) * | 2010-03-09 | 2011-09-22 | Nippon Telegr & Teleph Corp <Ntt> | 質問推薦装置及び方法及びプログラム |
CN102323928A (zh) * | 2011-08-22 | 2012-01-18 | 苏州阔地网络科技有限公司 | 一种组件自动推荐方法及装置 |
CN102592223A (zh) * | 2011-01-18 | 2012-07-18 | 卓望数码技术(深圳)有限公司 | 一种商品推荐方法和商品推荐系统 |
CN103440242A (zh) * | 2013-06-26 | 2013-12-11 | 北京亿赞普网络技术有限公司 | 一种基于用户搜索行为的个性化推荐方法和系统 |
CN103955464A (zh) * | 2014-03-25 | 2014-07-30 | 南京邮电大学 | 一种基于情境融合感知的推荐方法 |
CN104063383A (zh) * | 2013-03-19 | 2014-09-24 | 北京三星通信技术研究有限公司 | 信息推荐方法及装置 |
CN104765752A (zh) * | 2014-01-07 | 2015-07-08 | 三星电子(中国)研发中心 | 基于用户模型演进的推荐装置和方法 |
-
2015
- 2015-08-14 CN CN201510501752.0A patent/CN105183781B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011186855A (ja) * | 2010-03-09 | 2011-09-22 | Nippon Telegr & Teleph Corp <Ntt> | 質問推薦装置及び方法及びプログラム |
CN102592223A (zh) * | 2011-01-18 | 2012-07-18 | 卓望数码技术(深圳)有限公司 | 一种商品推荐方法和商品推荐系统 |
CN102323928A (zh) * | 2011-08-22 | 2012-01-18 | 苏州阔地网络科技有限公司 | 一种组件自动推荐方法及装置 |
CN104063383A (zh) * | 2013-03-19 | 2014-09-24 | 北京三星通信技术研究有限公司 | 信息推荐方法及装置 |
CN103440242A (zh) * | 2013-06-26 | 2013-12-11 | 北京亿赞普网络技术有限公司 | 一种基于用户搜索行为的个性化推荐方法和系统 |
CN104765752A (zh) * | 2014-01-07 | 2015-07-08 | 三星电子(中国)研发中心 | 基于用户模型演进的推荐装置和方法 |
CN103955464A (zh) * | 2014-03-25 | 2014-07-30 | 南京邮电大学 | 一种基于情境融合感知的推荐方法 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107015980B (zh) * | 2016-01-27 | 2020-12-25 | 腾讯科技(北京)有限公司 | 一种进行信息展示的方法和装置 |
CN107015980A (zh) * | 2016-01-27 | 2017-08-04 | 腾讯科技(北京)有限公司 | 一种进行信息展示的方法和装置 |
CN106909658A (zh) * | 2017-02-27 | 2017-06-30 | 百度在线网络技术(北京)有限公司 | 信息流推荐方法、装置和搜索引擎 |
CN108763502A (zh) * | 2018-05-30 | 2018-11-06 | 腾讯科技(深圳)有限公司 | 信息推荐方法和系统 |
CN109033150A (zh) * | 2018-06-12 | 2018-12-18 | 平安科技(深圳)有限公司 | 敏感词验证方法、装置、计算机设备及存储介质 |
CN109033150B (zh) * | 2018-06-12 | 2024-01-30 | 平安科技(深圳)有限公司 | 敏感词验证方法、装置、计算机设备及存储介质 |
CN109034389A (zh) * | 2018-08-02 | 2018-12-18 | 黄晓鸣 | 信息推荐系统的人机交互式修正方法、装置、设备和介质 |
WO2020087388A1 (zh) * | 2018-10-31 | 2020-05-07 | 深圳市欢太科技有限公司 | 快应用的推荐方法、装置、存储介质及电子设备 |
CN112673370A (zh) * | 2018-10-31 | 2021-04-16 | 深圳市欢太科技有限公司 | 快应用的推荐方法、装置、存储介质及电子设备 |
CN110008973A (zh) * | 2018-11-23 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种模型训练方法、基于模型确定目标用户的方法及装置 |
CN110008973B (zh) * | 2018-11-23 | 2023-05-02 | 创新先进技术有限公司 | 一种模型训练方法、基于模型确定目标用户的方法及装置 |
CN109636693A (zh) * | 2018-12-20 | 2019-04-16 | 广东小天才科技有限公司 | 一种练习题目的推荐方法及电子设备 |
CN110569428B (zh) * | 2019-08-08 | 2023-10-20 | 创新先进技术有限公司 | 一种推荐模型的构建方法、装置及设备 |
CN110569428A (zh) * | 2019-08-08 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 一种推荐模型的构建方法、装置及设备 |
CN110929159A (zh) * | 2019-11-29 | 2020-03-27 | 北京三快在线科技有限公司 | 资源投放方法、装置、设备及介质 |
CN110929159B (zh) * | 2019-11-29 | 2023-07-04 | 北京三快在线科技有限公司 | 资源投放方法、装置、设备及介质 |
CN111241394A (zh) * | 2020-01-07 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、计算机可读存储介质及电子设备 |
CN111241394B (zh) * | 2020-01-07 | 2023-09-22 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、计算机可读存储介质及电子设备 |
CN111444424A (zh) * | 2020-03-25 | 2020-07-24 | 深圳市分期乐网络科技有限公司 | 一种信息推荐方法和信息推荐系统 |
CN111708948A (zh) * | 2020-06-19 | 2020-09-25 | 北京达佳互联信息技术有限公司 | 内容项推荐方法、装置、服务器及计算机可读存储介质 |
CN111708948B (zh) * | 2020-06-19 | 2024-04-16 | 北京达佳互联信息技术有限公司 | 内容项推荐方法、装置、服务器及计算机可读存储介质 |
CN111882084A (zh) * | 2020-07-27 | 2020-11-03 | 西门子工厂自动化工程有限公司 | 用于对工厂中的现场设备进行维护的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105183781B (zh) | 2018-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105183781A (zh) | 信息推荐方法及装置 | |
US10776431B2 (en) | System and method for recommending content based on search history and trending topics | |
US20160132904A1 (en) | Influence score of a brand | |
JP5916959B2 (ja) | 動的データ取得方法およびシステム | |
US8949227B2 (en) | System and method for matching entities and synonym group organizer used therein | |
CN104866478B (zh) | 恶意文本的检测识别方法及装置 | |
CN105187242B (zh) | 一种基于变长序列模式挖掘的用户异常行为检测方法 | |
CN103778151A (zh) | 一种识别特征群体的方法及装置和搜索方法及装置 | |
WO2013025813A2 (en) | Recommending content information based on user behavior | |
CN103064838A (zh) | 数据搜索方法和装置 | |
CN104077417A (zh) | 社交网络中的人物标签推荐方法和系统 | |
CN104199969A (zh) | 网页数据分析方法及装置 | |
CN105164676A (zh) | 查询特征和问题 | |
CA2906767A1 (en) | Non-deterministic disambiguation and matching of business locale data | |
CN105512156B (zh) | 点击模型生成方法和装置 | |
CN106933878B (zh) | 一种信息处理方法及装置 | |
CN105978729B (zh) | 一种基于用户上网日志及位置的手机信息推送系统及方法 | |
CN104182544A (zh) | 分析数据库的维度剖析方法及装置 | |
US9405796B2 (en) | Systems and methods for analyzing registrar and hosting provider relationships | |
CN106202440B (zh) | 数据处理方法、装置及设备 | |
CN110737432A (zh) | 一种基于词根表的脚本辅助设计方法及装置 | |
CN106484746B (zh) | 网站转化事件的分析方法及装置 | |
CN110019763B (zh) | 文本过滤方法、系统、设备及计算机可读存储介质 | |
CN105550282A (zh) | 利用多维数据预测用户兴趣的方法 | |
CN107665442B (zh) | 获取目标用户的方法及装置 |
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 |