CN105760530A - 基于人工智能的资讯卡片排序方法及装置 - Google Patents
基于人工智能的资讯卡片排序方法及装置 Download PDFInfo
- Publication number
- CN105760530A CN105760530A CN201610122250.1A CN201610122250A CN105760530A CN 105760530 A CN105760530 A CN 105760530A CN 201610122250 A CN201610122250 A CN 201610122250A CN 105760530 A CN105760530 A CN 105760530A
- Authority
- CN
- China
- Prior art keywords
- user
- information card
- history
- training
- prediction model
- 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.)
- Pending
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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请提出一种基于人工智能的资讯卡片排序方法及装置，其中，该方法包括：获取预设周期内用户访问应用首页时，对首页上资讯卡片的历史点击行为特征；根据所述历史点击行为特征构造训练数据；根据所述训练数据训练相应的点击行为预测模型，以便当用户访问应用首页时，根据所述点击行为预测模型获取与访问场景特征对应的资讯卡片排序。由此，实现了基于情景信息的卡片自动排序技术，为用户提供个性化排序的最优排序，减少用户的操作步骤，提高处理效率。
Description
技术领域
本申请涉及人工智能的信息处理技术领域，尤其涉及一种基于人工智能的资讯卡片排序方法及装置。
背景技术
人工智能(ArtificialIntelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语音识别、图像识别、自然语言处理和专家系统等。其中，人工智能最重要的方面就是语音识别技术。
随着各大首页产品的不断迭代与升级，多种资讯与内容以卡片形式展现已经成为一大主流方向。无论在PC端还是在移动端(如平板或手机)，由于屏幕展示的空间有限，因此所有资讯卡片无法平等的在首屏对用户进行展现，导致用户的操作效率降低。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请的第一个目的在于提出一种基于人工智能的资讯卡片排序方法，该方法实现了基于情景信息的卡片自动排序技术，为用户提供个性化排序的最优排序，减少用户的操作步骤，提高处理效率。
本申请的第二个目的在于提出一种基于人工智能的资讯卡片排序装置。
为达上述目的，本申请第一方面实施例提出了一种基于人工智能的资讯卡片排序方法，包括：获取预设周期内用户访问应用首页时，对首页上资讯卡片的历史点击行为特征；根据所述历史点击行为特征构造训练数据；根据所述训练数据训练相应的点击行为预测模型，以便当用户访问应用首页时，根据所述点击行为预测模型获取与访问场景特征对应的资讯卡片排序。
本申请实施例的基于人工智能的资讯卡片排序方法，通过获取预设周期内用户访问应用首页时，对首页上资讯卡片的历史点击行为特征；根据所述历史点击行为特征构造训练数据；根据所述训练数据训练相应的点击行为预测模型，以便当用户访问应用首页时，根据所述点击行为预测模型获取与访问场景特征对应的资讯卡片排序。由此，实现了基于情景信息的卡片自动排序技术，为用户提供个性化排序的最优排序，减少用户的操作步骤，提高处理效率。
为达上述目的，本申请第二方面实施例提出了一种基于人工智能的资讯卡片排序装置，包括：第一获取模块，用于获取预设周期内用户访问应用首页时，对首页上资讯卡片的历史点击行为特征；构造模块，用于根据所述历史点击行为特征构造训练数据；训练模块，用于根据所述训练数据训练相应的点击行为预测模型，以便当用户访问应用首页时，根据所述点击行为预测模型获取与访问场景特征对应的资讯卡片排序。
本申请实施例的基于人工智能的资讯卡片排序装置，通过获取预设周期内用户访问应用首页时，对首页上资讯卡片的历史点击行为特征；根据所述历史点击行为特征构造训练数据；根据所述训练数据训练相应的点击行为预测模型，以便当用户访问应用首页时，根据所述点击行为预测模型获取与访问场景特征对应的资讯卡片排序。由此，实现了基于情景信息的卡片自动排序技术，为用户提供个性化排序的最优排序，减少用户的操作步骤，提高处理效率。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本申请一个实施例的基于人工智能的资讯卡片排序方法的流程图；
图2是本申请另一个实施例的基于人工智能的资讯卡片排序方法的流程图。
图3是图2所对应的技术原理框图；
图4是本申请另一个实施例的基于人工智能的资讯卡片排序方法的流程图；
图5为百度PadWeb端首页示意图；
图6为百度PC首页示意图；
图7是本申请一个实施例的基于人工智能的资讯卡片排序装置的结构示意图；
图8是本申请另一个实施例的基于人工智能的资讯卡片排序装置的结构示意图；
图9是本申请另一个实施例的基于人工智能的资讯卡片排序装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的基于人工智能的资讯卡片排序方法及装置。
图1是本申请一个实施例的基于人工智能的资讯卡片排序方法的流程图。
如图1所示，该基于人工智能的资讯卡片排序方法包括：
步骤101，获取预设周期内用户访问应用首页时，对首页上资讯卡片的历史点击行为特征。
具体地，不同的用户在卡片的偏好程度上有所不同。例如：在百度首页卡片排序问题上，有些用户偏向于喜欢使用导航，而另有些用户则偏重喜欢使用新闻客片。
除此之外，同一个用户在不同的情境下对卡片的需求也是不同的，例如：有的用户在早上八九点会喜欢新闻卡片，但在下午四五点却更多的使用视频卡片。因此，按照某种固定的卡片顺序为用户展现卡片常常需要用户自己去寻找满足需求的卡片。
由此可见，让用户在众多的卡片中自行的下拉、筛选、寻找其所需要的卡片无疑给用户带来了诸多不便，增加了用户使用该卡片产品的操作成本，降低处理效率。
为了根据用户访问首页的场景信息，有针对性的向用户展示个性化的卡片排序。首先，获取预设周期内用户访问应用首页时，对首页上资讯卡片的历史点击行为特征。
需要说明的是，可以根据应用需要对历史点击行为特征的采集周期进行设置或调整。其中，历史点击行为特征的内容很多，可以根据需要进行选择，例如包括：
用户在不同时段对资讯卡片的点击次数或点击率；和/或，用户在不同地点对资讯卡片的点击次数或点击率；和/或，用户通过不同设备对资讯卡片的点击次数或点击率。
步骤102，根据所述历史点击行为特征构造训练数据。
具体地，由于用户的历史点击行为特征包含但不局限于如下特征：用户在行为历史中对卡片的点击次数以及点击率，用户的行为历史中在不同情境(如不同时间段、不同地点、不同设备)下对卡片的点击次数与点击率，此外也包含用户与卡片与情景信息的交叉特征。从而历史点击行为特征反映了用户访问首页时的场景，以及对卡片的点击操作，从而反映了用户的不同场景下对卡片的偏好程度。进而，根据所述历史点击行为特征构造点击行为预测模型的训练数据。
步骤103，根据所述训练数据训练相应的点击行为预测模型，以便当用户访问应用首页时，根据所述点击行为预测模型获取与访问场景特征对应的资讯卡片排序。
具体地，预先选择相应的模型对上述构造的训练数据训练相应的点击行为预测模型。其中，可以根据应用需要选择相应的线性(或非线性)模型训练点击行为预测模型。在模型选择方面，可以采用多种不同模型，其中包含但不局限于如下模型：逻辑回归，支持向量机(SVM)，决策树模型(如GBDT)等。通过机器学习的训练方法对模型进行训练。
进而，当用户在不同情境下进入首页页面时，抽取用户的行为特征，运用训练好的点击行为预测模型分析用户当前的行为特征，以对用户进行行为预测。从而得到在特定情境下的个性化卡片排序结果，进而将卡片以该排序展现给用户。
由此可见，与目前的固定排序方式相比，本发明提供的基于人工智能的资讯卡片排序方法具有以下技术效果：
第一，捕获用户对不同卡片的偏好程度，能够为不同用户提供个性化的卡片展现顺序，消除了固定排序策略中的唯一性缺点。
第二，在不同的情境下，为用户提供满足其偏好特征的卡片展现排序，以满足用户在不同是时间、地点等场景的不同需求，使得用户。
第三，通过模型捕获用户在卡片上的喜好变化，随着时间推进与用户行为积累，能够自动的调整卡片排序顺序以满足用户变化的喜好。
本申请实施例的基于人工智能的资讯卡片排序方法，通过获取预设周期内用户访问应用首页时，对首页上资讯卡片的历史点击行为特征；根据所述历史点击行为特征构造训练数据；根据所述训练数据训练相应的点击行为预测模型，以便当用户访问应用首页时，根据所述点击行为预测模型获取与访问场景特征对应的资讯卡片排序。由此，实现了基于情景信息的卡片自动排序技术，为用户提供个性化排序的最优排序，减少用户的操作步骤，提高处理效率。
图2是本申请另一个实施例的基于人工智能的资讯卡片排序方法的流程图。
图3是图2所对应的技术原理框图。
参见图2和图3，该基于人工智能的资讯卡片排序方法包括：
步骤201，解析用户点展日志获取预设周期内的历史点击行为；
步骤202，从所述历史点击行为中提取用户访问应用首页时，对首页上资讯卡片的历史点击行为特征。
具体地，本实施例是基于用户历史点击行为进行模型构造，因此日志解析则是该技术首要解决的问题。通过特定格式的解析器解析用户点展日志，从而获取预设周期内不同用户在特定情境下在不同卡片上的历史点击行为，例如：展现、点击、滑动基本行为。
从用户的历史点击行为中对用户的行为特征进行抽取，其中包含但不局限于如下特征：用户在行为历史中对卡片的点击次数以及点击率，用户的行为历史中在不同情境(如不同时间段、不同地点、不同设备)下对卡片的点击次数与点击率，此外也包含用户与卡片与情景信息的交叉特征。
步骤203，获取用户在所述预设周期外的参考点击行为。
步骤204，将所述历史点击行为特征与所述参考点击行为进行匹配构造训练数据。
具体地，在构造训练数据时，获取用户在所述预设周期外的参考点击行为，例如：利用数据采集周期外的一天(通常为周期最后一天的第二天)作为用户真实的参考点击行为，将所述历史点击行为特征与所述参考点击行为进行匹配构造训练数据。
步骤205，根据所述训练数据，采用排序学习方法训练相应的点击行为预测模型，以便当用户访问应用首页时，根据所述点击行为预测模型获取与访问场景特征对应的资讯卡片排序。
具体地，预先选择相应的模型对上述构造的训练数据训练相应的点击行为预测模型。其中，可以根据应用需要选择相应的线性(或非线性)模型训练点击行为预测模型。在模型选择方面，可以采用多种不同模型，其中包含但不局限于如下模型：逻辑回归，支持向量机(SVM)，决策树模型(如GBDT)等。通过机器学习的训练方法对模型进行训练。本实施例采用排序学习方法训练相应的点击行为预测模型，排序学习方法可以分为三类:点方式(point-wise),对方式(pair-wise)和列表方式(list-wise)。
进一步地，采用随机梯度下降或批量梯度下降加速训练过程，且模型更新周期为日级别。
进而，当用户在不同情境下进入首页页面时，抽取用户的行为特征，运用训练好的点击行为预测模型分析用户当前的行为特征，以对用户进行行为预测。从而得到在特定情境下的个性化卡片排序结果，进而将卡片以该排序展现给用户。
本申请实施例的基于人工智能的资讯卡片排序方法，通过获取预设周期内用户访问应用首页时，对首页上资讯卡片的历史点击行为特征；根据所述历史点击行为特征构造训练数据；根据所述训练数据训练相应的点击行为预测模型，以便当用户访问应用首页时，根据所述点击行为预测模型获取与访问场景特征对应的资讯卡片排序。由此，实现了基于情景信息的卡片自动排序技术，为用户提供个性化排序的最优排序，减少用户的操作步骤，提高处理效率。
图4是本申请另一个实施例的基于人工智能的资讯卡片排序方法的流程图。
参见图4，基于上述实施例，该基于人工智能的资讯卡片排序方法还包括：
步骤301，接收用户发送的应用首页访问请求；
步骤302，获取当前访问的场景特征，通过所述点击行为预测模型获取与所述场景特征对应的资讯卡片顺序；
步骤303，按照所述资讯卡片顺序将多个资讯卡片显示在所述应用首页。
具体地，接收用户发送的应用首页访问请求，获取用户当前访问的场景特征。需要说明的是，场景特征可以根据应用需要进行选择，例如包括：时间特征，和/或，地点特征，用户偏好特征等。
进而，运用训练好的点击行为预测模型分析用户当前的场景特征，以对用户进行行为预测，获取与所述场景特征对应的资讯卡片顺序。从而得到在特定情境下的个性化卡片排序结果，进而将卡片以该排序在应用首页展现给用户，以满足用户的个性化场景需求，提高操作效率。
需要注意的是，应用首页不局限于PC首页、PadWeb首页、PadHD首页和Wise端首页。例如：图5为百度PadWeb端首页示意图；图6为百度PC首页示意图。
由此可见，本申请中基于情景信息的卡片排序技术能够提升产品的用户体验，捕获用户的真实需求并提升产品的多项评价指标。如在PC首页带来了超过8％的点击量与导流量的提升，在PadWeb端带来的提升更是超过了10％。
本申请实施例的基于人工智能的资讯卡片排序方法，通过接收用户发送的应用首页访问请求，获取当前访问的场景特征，通过所述点击行为预测模型获取与所述场景特征对应的资讯卡片顺序；按照所述资讯卡片顺序将多个资讯卡片显示在所述应用首页。由此，实现了基于情景信息的卡片自动排序技术，为用户提供个性化排序的最优排序，减少用户的操作步骤，提高处理效率。
为了实现上述实施例，本申请还提出一种基于人工智能的资讯卡片排序装置。
图7是本申请一个实施例的基于人工智能的资讯卡片排序装置的结构示意图。
如图7所示，该基于人工智能的资讯卡片排序装置包括：
第一获取模块11，用于获取预设周期内用户访问应用首页时，对首页上资讯卡片的历史点击行为特征；
其中，所述历史点击行为特征包括：
用户在不同时段对资讯卡片的点击次数或点击率；和/或，
用户在不同地点对资讯卡片的点击次数或点击率；和/或，
用户通过不同设备对资讯卡片的点击次数或点击率。
构造模块12，用于根据所述历史点击行为特征构造训练数据；
训练模块13，用于根据所述训练数据训练相应的点击行为预测模型，以便当用户访问应用首页时，根据所述点击行为预测模型获取与访问场景特征对应的资讯卡片排序。
需要说明的是，前述对基于人工智能的资讯卡片排序方法实施例的解释说明也适用于该实施例的基于人工智能的资讯卡片排序装置，此处不再赘述。
本申请实施例的基于人工智能的资讯卡片排序装置，通过获取预设周期内用户访问应用首页时，对首页上资讯卡片的历史点击行为特征；根据所述历史点击行为特征构造训练数据；根据所述训练数据训练相应的点击行为预测模型，以便当用户访问应用首页时，根据所述点击行为预测模型获取与访问场景特征对应的资讯卡片排序。由此，实现了基于情景信息的卡片自动排序技术，为用户提供个性化排序的最优排序，减少用户的操作步骤，提高处理效率。
图8是本申请另一个实施例的基于人工智能的资讯卡片排序装置的结构示意图，如图8所示，基于图7所示实施例，所述第一获取模块11，包括：
解析单元111，用于解析用户点展日志获取预设周期内的所述历史点击行为；
提取单元112，用于从所述历史点击行为中提取所述历史点击行为特征。
在一个实施例中，进一步地，所述构造模块12，包括：
获取单元121，用于获取用户在所述预设周期外的参考点击行为；
处理单元122，用于将所述历史点击行为特征与所述参考点击行为进行匹配构造训练数据。
在一个实施例中，进一步地，所述训练模块13用于：
根据所述训练数据，采用排序学习方法训练相应的点击行为预测模型。
进一步地，所述训练模块13还用于：
采用随机梯度下降或批量梯度下降加速训练过程，且模型更新周期为日级别。
需要说明的是，前述对基于人工智能的资讯卡片排序方法实施例的解释说明也适用于该实施例的基于人工智能的资讯卡片排序装置，此处不再赘述。
本申请实施例的基于人工智能的资讯卡片排序装置，通过获取预设周期内用户访问应用首页时，对首页上资讯卡片的历史点击行为特征；根据所述历史点击行为特征构造训练数据；根据所述训练数据训练相应的点击行为预测模型，以便当用户访问应用首页时，根据所述点击行为预测模型获取与访问场景特征对应的资讯卡片排序。由此，实现了基于情景信息的卡片自动排序技术，为用户提供个性化排序的最优排序，减少用户的操作步骤，提高处理效率。
图9是本申请另一个实施例的基于人工智能的资讯卡片排序装置的结构示意图，如图9所示，基于上述实施例，以图8为例，所述装置还包括：
接收模块14，用于接收用户发送的应用首页访问请求；
第二获取模块15，用于获取当前访问的场景特征，通过所述点击行为预测模型获取与所述场景特征对应的资讯卡片顺序；
展示模块16，用于按照所述资讯卡片顺序将多个资讯卡片显示在所述应用首页。
需要说明的是，前述对基于人工智能的资讯卡片排序方法实施例的解释说明也适用于该实施例的基于人工智能的资讯卡片排序装置，此处不再赘述。
本申请实施例的基于人工智能的资讯卡片排序装置，通过接收用户发送的应用首页访问请求，获取当前访问的场景特征，通过所述点击行为预测模型获取与所述场景特征对应的资讯卡片顺序；按照所述资讯卡片顺序将多个资讯卡片显示在所述应用首页。由此，实现了基于情景信息的卡片自动排序技术，为用户提供个性化排序的最优排序，减少用户的操作步骤，提高处理效率。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
Claims (14)
1.一种基于人工智能的资讯卡片排序方法，其特征在于，包括以下步骤：
获取预设周期内用户访问应用首页时，对首页上资讯卡片的历史点击行为特征；
根据所述历史点击行为特征构造训练数据；
根据所述训练数据训练相应的点击行为预测模型，以便当用户访问应用首页时，根据所述点击行为预测模型获取与访问场景特征对应的资讯卡片排序。
2.如权利要求1所述的方法，其特征在于，所述历史点击行为特征包括：
用户在不同时段对资讯卡片的点击次数或点击率；和/或，
用户在不同地点对资讯卡片的点击次数或点击率；和/或，
用户通过不同设备对资讯卡片的点击次数或点击率。
3.如权利要求1所述的方法，其特征在于，所述获取预设周期内用户访问应用首页时，对首页上资讯卡片的历史点击行为特征，包括：
解析用户点展日志获取预设周期内的所述历史点击行为；
从所述历史点击行为中提取所述历史点击行为特征。
4.如权利要求1所述的方法，其特征在于，所述根据所述历史点击行为特征构造训练数据，包括：
获取用户在所述预设周期外的参考点击行为；
将所述历史点击行为特征与所述参考点击行为进行匹配构造训练数据。
5.如权利要求1所述的方法，其特征在于，所述根据所述训练数据训练相应的点击行为预测模型，包括：
根据所述训练数据，采用排序学习方法训练相应的点击行为预测模型。
6.如权利要求5所述的方法，其特征在于，所述根据所述训练数据训练相应的点击行为预测模型，还包括：
采用随机梯度下降或批量梯度下降加速训练过程，且模型更新周期为日级别。
7.如权利要求1-6任一所述的方法，其特征在于，还包括：
接收用户发送的应用首页访问请求；
获取当前访问的场景特征，通过所述点击行为预测模型获取与所述场景特征对应的资讯卡片顺序；
按照所述资讯卡片顺序将多个资讯卡片显示在所述应用首页。
8.一种基于人工智能的资讯卡片排序装置，其特征在于，包括：
第一获取模块，用于获取预设周期内用户访问应用首页时，对首页上资讯卡片的历史点击行为特征；
构造模块，用于根据所述历史点击行为特征构造训练数据；
训练模块，用于根据所述训练数据训练相应的点击行为预测模型，以便当用户访问应用首页时，根据所述点击行为预测模型获取与访问场景特征对应的资讯卡片排序。
9.如权利要求8所述的装置，其特征在于，所述历史点击行为特征包括：
用户在不同时段对资讯卡片的点击次数或点击率；和/或，
用户在不同地点对资讯卡片的点击次数或点击率；和/或，
用户通过不同设备对资讯卡片的点击次数或点击率。
10.如权利要求8所述的装置，其特征在于，所述第一获取模块，包括：
解析单元，用于解析用户点展日志获取预设周期内的所述历史点击行为；
提取单元，用于从所述历史点击行为中提取所述历史点击行为特征。
11.如权利要求8所述的装置，其特征在于，所述构造模块，包括：
获取单元，用于获取用户在所述预设周期外的参考点击行为；
处理单元，用于将所述历史点击行为特征与所述参考点击行为进行匹配构造训练数据。
12.如权利要求8所述的装置，其特征在于，所述训练模块用于：
根据所述训练数据，采用排序学习方法训练相应的点击行为预测模型。
13.如权利要求12所述的装置，其特征在于，所述训练模块还用于：
采用随机梯度下降或批量梯度下降加速训练过程，且模型更新周期为日级别。
14.如权利要求8-13任一所述的装置，其特征在于，还包括：
接收模块，用于接收用户发送的应用首页访问请求；
第二获取模块，用于获取当前访问的场景特征，通过所述点击行为预测模型获取与所述场景特征对应的资讯卡片顺序；
展示模块，用于按照所述资讯卡片顺序将多个资讯卡片显示在所述应用首页。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610122250.1A CN105760530A (zh) | 2016-03-03 | 2016-03-03 | 基于人工智能的资讯卡片排序方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610122250.1A CN105760530A (zh) | 2016-03-03 | 2016-03-03 | 基于人工智能的资讯卡片排序方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105760530A true CN105760530A (zh) | 2016-07-13 |
Family
ID=56332517
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610122250.1A Pending CN105760530A (zh) | 2016-03-03 | 2016-03-03 | 基于人工智能的资讯卡片排序方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105760530A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106227834A (zh) * | 2016-07-26 | 2016-12-14 | 合网络技术（北京）有限公司 | 多媒体资源的推荐方法及装置 |
| CN108345696A (zh) * | 2018-03-20 | 2018-07-31 | 广东欧珀移动通信有限公司 | 卡片排序方法、装置、服务器以及存储介质 |
| CN108563648A (zh) * | 2017-11-29 | 2018-09-21 | 腾讯科技（上海）有限公司 | 数据显示方法和装置、存储介质及电子装置 |
| CN112258285A (zh) * | 2020-10-26 | 2021-01-22 | 北京沃东天骏信息技术有限公司 | 一种内容推荐方法及装置、设备、存储介质 |
| CN116027934A (zh) * | 2022-08-11 | 2023-04-28 | 荣耀终端有限公司 | 展示卡片的方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103136275A (zh) * | 2011-12-02 | 2013-06-05 | 盛乐信息技术（上海）有限公司 | 个性化视频推荐系统及方法 |
| CN103345512A (zh) * | 2013-07-06 | 2013-10-09 | 北京品友互动信息技术有限公司 | 一种基于用户属性的网络广告点击率预测方法和装置 |
| CN104008184A (zh) * | 2014-06-10 | 2014-08-27 | 百度在线网络技术（北京）有限公司 | 信息的推送方法和装置 |
-
2016
- 2016-03-03 CN CN201610122250.1A patent/CN105760530A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103136275A (zh) * | 2011-12-02 | 2013-06-05 | 盛乐信息技术（上海）有限公司 | 个性化视频推荐系统及方法 |
| CN103345512A (zh) * | 2013-07-06 | 2013-10-09 | 北京品友互动信息技术有限公司 | 一种基于用户属性的网络广告点击率预测方法和装置 |
| CN104008184A (zh) * | 2014-06-10 | 2014-08-27 | 百度在线网络技术（北京）有限公司 | 信息的推送方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 黄震华等: "基于排序学习的推荐算法研究综述", 《软件学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106227834A (zh) * | 2016-07-26 | 2016-12-14 | 合网络技术（北京）有限公司 | 多媒体资源的推荐方法及装置 |
| CN106227834B (zh) * | 2016-07-26 | 2020-03-27 | 合一网络技术(北京)有限公司 | 多媒体资源的推荐方法及装置 |
| CN108563648A (zh) * | 2017-11-29 | 2018-09-21 | 腾讯科技（上海）有限公司 | 数据显示方法和装置、存储介质及电子装置 |
| CN108563648B (zh) * | 2017-11-29 | 2021-06-25 | 腾讯科技（上海）有限公司 | 数据显示方法和装置、存储介质及电子装置 |
| CN108345696A (zh) * | 2018-03-20 | 2018-07-31 | 广东欧珀移动通信有限公司 | 卡片排序方法、装置、服务器以及存储介质 |
| CN112258285A (zh) * | 2020-10-26 | 2021-01-22 | 北京沃东天骏信息技术有限公司 | 一种内容推荐方法及装置、设备、存储介质 |
| CN116027934A (zh) * | 2022-08-11 | 2023-04-28 | 荣耀终端有限公司 | 展示卡片的方法及装置 |
| CN116027934B (zh) * | 2022-08-11 | 2023-10-20 | 荣耀终端有限公司 | 展示卡片的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112104899B (zh) | 直播中的信息推荐方法、装置、电子设备及存储介质 | |
| CN109460514B (zh) | 用于推送信息的方法和装置 | |
| CN105320766B (zh) | 信息推送方法和装置 | |
| CN105760530A (zh) | 基于人工智能的资讯卡片排序方法及装置 | |
| US10909158B2 (en) | Method and apparatus for generating information | |
| CN108920717B (zh) | 用于显示信息的方法及装置 | |
| US20170235726A1 (en) | Information identification and extraction | |
| CN111708948B (zh) | 内容项推荐方法、装置、服务器及计算机可读存储介质 | |
| CN109522531A (zh) | 文案生成方法和装置、存储介质及电子装置 | |
| CN108268450B (zh) | 用于生成信息的方法和装置 | |
| CN102970326A (zh) | 一种用于共享用户的情绪指示信息的方法和设备 | |
| CN104915426B (zh) | 信息排序方法、用于生成信息排序模型的方法及装置 | |
| CN109445818A (zh) | 基于大数据的页面更新方法及装置、电子设备、存储介质 | |
| CN112100221B (zh) | 一种资讯推荐方法、装置、推荐服务器及存储介质 | |
| CN106407381A (zh) | 一种基于人工智能的推送信息的方法和装置 | |
| CN108319641A (zh) | 菜品信息录入方法及装置 | |
| CN116821475A (zh) | 基于客户数据的视频推荐方法、装置及计算机设备 | |
| CN110276018A (zh) | 在线教育系统的个性化推荐方法、终端及存储介质 | |
| CN110414001B (zh) | 语句生成方法和装置、存储介质及电子装置 | |
| CN103714120A (zh) | 一种从用户url访问记录中提取用户兴趣话题的系统 | |
| CN110852103A (zh) | 一种命名实体识别方法及装置 | |
| CN110516153B (zh) | 视频的智能推送方法和装置、存储介质及电子装置 | |
| CN117252362A (zh) | 基于人工智能的调度方法、装置、计算机设备及存储介质 | |
| CN109033078B (zh) | 语句类别识别方法及装置、存储介质、处理器 | |
| CN115098792B (zh) | 展品推荐方法、装置、计算机可读存储介质及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160713 |
|
| RJ01 | Rejection of invention patent application after publication |