CN105787061B - 信息推送方法 - Google Patents
信息推送方法 Download PDFInfo
- Publication number
- CN105787061B CN105787061B CN201610112720.6A CN201610112720A CN105787061B CN 105787061 B CN105787061 B CN 105787061B CN 201610112720 A CN201610112720 A CN 201610112720A CN 105787061 B CN105787061 B CN 105787061B
- Authority
- CN
- China
- Prior art keywords
- pushed
- content
- information
- contents
- feature vector
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 52
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 230000017105 transposition Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 10
- 230000002238 attenuated effect Effects 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 239000006260 foam Substances 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种信息推送方法,包括以下步骤:从数据库中提取待推送内容的特征信息和目标用户的历史操作信息,分别根据所述特征信息和历史操作信息构建内容特征向量和用户特征向量;根据所述用户特征向量计算所述目标用户与其他用户之间的相似度,根据所述相似度从其他用户中选择若干个与目标用户相似的相似用户,获取所述相似用户对各个待推送内容的权重,根据所述权重计算目标用户对各个待推送内容的关联系数;根据所述内容特征向量对各个待推送内容进行热度预测,并根据热度预测结果对所述关联系数进行修正;根据修正后的关联系数对各个待推送内容进行排序,根据排序结果将对应的待推送内容推送给所述目标用户。
Description
技术领域
本发明涉及机器学习技术领域,特别是涉及一种信息推送方法。
背景技术
互联网快速增长的信息使得用户发现有价值信息愈发困难,从而使得信息推送系统成为当今学术最为活跃的研究领域之一。信息推送系统力图辅助用户发现潜在喜欢的音乐、电影、商品、App等。
一些信息推送系统根据用户信息和商品信息进行学习,使得用户更喜欢的商品拥有更高的权重。当有大量用户信息可供使用时,信息推送系统可以提供个性化的推送结果。例如为软件工作者推送软件类书籍,而为艺术工作者提供艺术类书籍等。
然而,用户的兴趣和偏好在很多情况下是随时间变化的。当前的信息推送系统在向用户推送信息时,缺乏考虑用户兴趣和偏好的特点,信息推送的准确性较差。
发明内容
基于此,有必要针对信息推送的准确性较差的问题,提供一种信息推送方法。
一种信息推送方法,包括以下步骤:
从数据库中提取待推送内容的特征信息和目标用户的历史操作信息,分别根据所述特征信息和历史操作信息构建内容特征向量和用户特征向量;
根据所述用户特征向量计算所述目标用户与其他用户之间的相似度,根据所述相似度从其他用户中选择若干个与目标用户相似的相似用户,获取所述相似用户对各个待推送内容的权重,根据所述权重计算目标用户对各个待推送内容的关联系数;
根据所述内容特征向量对各个待推送内容进行热度预测,并根据热度预测结果对所述关联系数进行修正;
根据修正后的关联系数对各个待推送内容进行排序,根据排序结果将对应的待推送内容推送给所述目标用户。
上述信息推送方法,通过构建内容特征向量和用户特征向量,根据用户特征向量计算目标用户与其他用户之间的相似度,根据所述相似度计算目标用户对各个待推送内容的关联系数,根据热度预测结果对所述关联系数进行修正,并根据修正后的关联系数将对应的待推送内容推送给所述目标用户,能够较为准确地反应用户的真实偏好的特点,从而使推送结果更加准确。
附图说明
图1为本发明的信息推送方法流程图。
具体实施方式
下面结合附图对本发明的信息推送方法的实施例进行描述。
图1为本发明的信息推送方法流程图。如图1所示,所述信息推送方法可包括以下步骤:
S1,从数据库中提取待推送内容的特征信息和目标用户的历史操作信息,分别根据所述特征信息和历史操作信息构建内容特征向量和用户特征向量;
可根据以下方式构建内容特征向量:
首先,可从数据库中提取待推送内容的特征信息;
然后,可根据所述特征信息对待推送内容进行建模,得到所述待推送内容的模型,所述模型可包括待推送内容的历史特征信息、类型、关键字和相关时间信息;
最后,可根据所述模型构建内容特征向量。
在从数据库中提取特征信息之后,还可对待推送内容进行聚类操作,并根据聚类操作的结果对待推送内容进行建模。具体讲,对待推送内容进行聚类操作时,可首先确定聚类的中心点,设置聚类的类别数量,根据所述中心点分别计算各个待推送内容的距离,并根据所述距离和类别数量对各个待推送内容进行分类;然后,可计算分类后各个类别的中心点,若所述中心点的值在预设的阈值范围内,结束计算;否则,返回设置聚类的类别数量的步骤。
在本步骤中,所述待推送内容的特征信息可包括待推送内容的类别,待推送内容的历史页面浏览量,待推送内容的页面浏览量与其他所有全局信息的平均页面浏览量的比例,待推送内容不同时段内的页面浏览量,待推送内容的不同时段内的页面浏览量的变化率,待推送内容的生成时间,待推送内容的页面浏览量对应的时间信息和待推送内容在网页中的展示位置。所述待推送内容的类别可以根据待推送内容所处的行业来进行区分,也可以根据待推送内容的其他特征来区分。所述待推送内容的生成时间可以是所述待推送内容的上线时间。所述待推送内容的页面浏览量对应的时间信息可以是生成页面浏览量的时间,例如,工作日、周末等。
所述用户特征向量依赖于用户的历史操作信息,用户在操作应用程序或者评论时,可对每个待推送内容生成操作记录,对于所有的操作记录可生成相应的权重与之对应,例如,可设曝光不浏览为0,浏览为1,收藏为2,购买为3,可根据所述历史操作信息构建所述用户特征向量。重复购买后,用户对此待推送内容的权重会继续增加,为衰减之后的增加,防止多次购买之后,用户对某个待推送内容的权重呈现畸形式的增长,以此来构成用户的特征向量。在对用户特征向量进行构建时,可首先利用用户的历史纪录,通过计算一个用户的权重均值来对用户的权重习惯进行调整,例如一个用户A的对于待推送内容的权重为(8,9,9,7),可根据所述权重与权重均值的差来调整所述权重,经过调整后,用户对待推送内容的权重修正为(-0.25,0.75,0.75,-1.25)。同时,可结合用户的操作时间与当前时间的距离,对所述权重进行适当的衰减,衰减有几种不同的方案,指数衰减,均值衰减,同时,衰减的参数可以调整,用于后期评估推送结果与参数的关系。S2,根据所述用户特征向量计算所述目标用户与其他用户之间的相似度,根据所述相似度从其他用户中选择若干个与目标用户相似的相似用户,获取所述相似用户对各个待推送内容的权重,根据所述权重计算目标用户对各个待推送内容的关联系数;
计算用户相似度时,可以利用用户的特征向量之间的欧式距离或者皮尔森相似度,或者余弦距离。欧式距离在计算用户的距离时,容易对口味趋势相似、但是平均差距大的用户之间的距离放大,所以,此处选择利用余弦距离计算用户的相似度,设X和Y分别为目标用户和其他用户的特征向量,则相似度为:
得到的目标用户与其他用户之间的相似度,根据所述相似度选择相似用户。相似用户的数量可以根据相似度的阈值或者根据相似的情况动态得获得。当相似度较低时,取较少的相似用户,或者直接采用其他推送方式,相似度较高时,可以增加相似用户的数量。相似用户的数量会影响到推送的结果,当相似用户的数量较多时,会导致推送的结果倾向于热门推送,相似用户数量较少时,无法准确获得用户的偏好。对于用户的特征向量的处理,衰减了用户的特征的信息,可以较为准确的反应用户的真实偏好。
S3,根据所述内容特征向量对各个待推送内容进行热度预测,并根据热度预测结果对所述关联系数进行修正;
可构造待推送内容的预测函数;所述预测函数为:
其中,线性边界为:
式中,g为分类结果,e为自然常数,θi,i=1,2,…,n为所述用户特征向量中第i个元素的权重,n为所述内容特征向量的维度,hθ(X)为预测函数,T表示转置,X为用户特征向量,xi为用户特征向量中的第i个元素。
可根据所述预测函数构造损失函数,并对所述损失函数进行正则化操作;所述损失函数为:
式中,L(θ)为损失函数,l(θ)为优化的目标函数,n为所述内容特征向量的维度,yi为常数,X为用户特征向量,xi为用户特征向量中的第i个元素。
对经正则化的损失函数进行求解,得到热度预测结果。
协同过滤算法利用相似用户的特征向量以及与相似用户的相似度,对所有的待推送内容进行推送权重的计算,对计算的结果进行排序,同时排除当前用户已经浏览过或者评价过的待推送内容。
对于利用协同过滤算法的推送结果,结合热度预测的结果进行推送结果的权重打分,进行重新排序,热度高的排序结果会提升,热度低的排序结果会下降,这样可以减少冗余的推送,使得推送结果的点击率可以最大化,最大程度适应用户的需求。根据热度的推送,主要是利用了以下计算过程:
对于利用协同过滤算法的推送结果,结合热度预测的结果进行推送结果的权重打分,进行重新排序,热度高的排序结果会提升,热度低的排序结果会下降,这样可以减少冗余的推送,使得推送结果的点击率可以最大化,最大程度适应用户的需求。根据热度的推送,主要是利用了以下计算过程:
式中,neighbour为相似用户,value(neighbour)为相似用户的权重,count(neighbour)为相似用户的数量,A为待推送内容,score(A)为修正后的关联系数,value(A)为目标用户对待推送内容A的权重,Afrequency为待推送内容A的推送时间间隔,value(item)为目标用户对各个待推送内容的关联系数,itemfrequency为各个待推送内容的推送时间间隔,count(item)为待推送内容的数量。
根据历史数据,选出训练集与测试集,对所有的参数进行调整,找到最佳的衰减、提升方案,进行推送系统参数的确定。
对于线上的推送系统,可每隔一段时间(例如,20分钟)对于log进行读取,并对用户的相似度进行重新计算,计算过程仅仅设计发生log变化的用户。在每天取一个时间间隔(例如:用户操作较为低频的深夜),进行整个推送系统的更新。
根据当前的计算结果,将推送结果保存到数据库A,每隔一段时间(例如,20分钟),进行log的处理,推送结果保存到数据库B,每隔一段时间(例如,10分钟)对线上的推送结果进行动态得更新,保证全局有一个可用的推送结果,每次进行刷新时,会删除旧的推送结果,使数据库的容量保证在一个合理的范围之内。
S4,根据修正后的关联系数对各个待推送内容进行排序,根据排序结果将对应的待推送内容推送给所述目标用户。
下面结合一个具体的应用实施例来说明本专利的实现过程。
本算法的应用是建立在已经有用户历史操作的基础上,例如,一个用户在系统中,纪录对应的权重分别为,浏览为5,收藏为10,购买为15,曝光但是没有任何操作为0。进而进行构建用户特征向量。
用户的记录中应用每个记录操作生成的时间,在构建用户特征向量时,会根据与当前推送系统推送过程的时间差进行衰减,例如,进行对数衰减,当距离当前时间为100天,底数为5时,衰减为log5(100)=2.8倍,对一个用户的购买纪录,权重会衰减2.8倍,假设在一个系统中,用户购买的权重为15,当发生一次购买时,经过衰减的购买权重修正为5.35,进而用户的某一待推送内容对应的特征向量所在的位置的权重为5.35。利用线性衰减时,可假设每天衰减0.5%,一个用户在四周之前进行了浏览,衰减14%,则用户在相应特征向量位置的权重为4.3。
结合待推送内容的热度进行衰减,当利用对数衰减时,例如,在一个音乐推荐系统中,整个系统中的待推送内容的平均热度为100,另一个待推送内容的热度为567时,待推送的热度为平均热度的5.67倍,进行底数为5的对数衰减,衰减倍数为math.log(5.67)/math.log(5)=1.07,一个项目的评分权重修正为当前的权重除1.07,例如,《泡沫》的评分为8.2,修正后为8.02/1.07=7.49,加上时间衰减,当一个用户一个月前对泡沫的评分为8,经过时间对数衰减,当底数为20时,衰减的倍数为math.log(30)/math.log(20)=1.13,调整后,用户对《泡沫》的评分修正为(8/1.13=7.07),利用线性衰减时,每天衰减0.1%,则一个约衰减3%,修正后的打分为(8*0.97=7.76),同时,当热度小于平均值时,会进行提升,当热度为78时,小于平均热度,用户对于李志的《关于郑州的记忆》的打分为8,进行热度提升,(math.log(100/78)/math.log(5)=0.15),进行评分提升,(8*1.15=9.2).进行贝叶斯平均时,参数为全局平均值,评价人数,该待推送内容的得分,最少人数(或全局平均平均人数,一个可调参数,在下方的贝叶斯公式中用C表示),全局平均分,例如,全局权重分为8.9,该待推送内容得分为7.6,评价人数为1897,系统的项目平均人数为549,则修正后的分数为7.89。贝叶斯平均的意义在于,对于一个项目的全局评分进行重新修正,结合热度、评分,可以更准确地反映一个内容、项目的真实评分,可以利用贝叶斯平均来将全局平均评分修正后再进行向量修正。不同的衰减方式衰减的程度都有所不同。
贝叶斯平均的公式:
C为人工设置的参数,可以利用全局的平均评价数,n为当前项目的评分数量,xi为每个用户的评分,m为总体平均分。为对当前项目的评分修正结果。
构建完所有用户的特征向量时,利用余弦相似度对用户的相似度进行计算,最后的相似度范围应为0-1,得分越高,相似度越高。
例如,得到A用户与其他所有用户之间的相似度,进行从高到低的排序,截取排序结果的前K个用户,然后,根据其他相似用户对于待推送内容的打分,进行用户A权重的预测,例如,B用户与A的相似度为0.45,对item1的打分为7.6,邻居B与A的相似度为0.47,对于item1的打分为12.2,两位邻居对于item1的打分应为9.95,结合其他用户,item2的打分为12.34,则优先推送item2。
利用item在历史中的浏览量等信息,对待推送内容的热度进行预测,训练的方法用logistics regression时,得到待推送内容热度增加的可能性,例如,待推送内容的打分为10,当热度增加的可能性为90%时,最终的打分为9,当热度增加的可能性为67%时,待推送内容的最终打分为6.7。结合热度进行排序后,得到最终的推送排序。
本算法为具有权重自适应调整的协同过滤推送算法(WACF),与热度结合后(TWACF)会进一步调整推送结果排序,与传统的协同过滤算法(CF)相比,本算法的推送结果更为有效。表1为不同邻居数量下算法的推送正确率,根据表1可知,本申请的WACF算法比其他两种算法的推送正确率更高。
表1不同邻居数量下算法的推送正确率
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种信息推送方法,其特征在于,包括以下步骤:
从数据库中提取待推送内容的特征信息和目标用户的历史操作信息,分别根据所述特征信息和历史操作信息构建内容特征向量和用户特征向量;
计算所述目标用户与其他用户之间的相似度,根据所述相似度从其他用户中选择若干个与目标用户相似的相似用户,获取所述相似用户对各个待推送内容的权重,根据所述权重计算目标用户对各个待推送内容的关联系数;
根据所述内容特征向量对各个待推送内容进行热度预测,并根据热度预测结果对所述关联系数进行修正;所述热度预测进一步包括:构造待推送内容的预测函数;根据所述预测函数构造损失函数,并对所述损失函数进行正则化操作;对经正则化的损失函数进行求解,得到所述热度预测结果;
根据修正后的关联系数对各个待推送内容进行排序,根据排序结果将对应的待推送内容推送给所述目标用户。
2.根据权利要求1所述的信息推送方法,其特征在于,所述待推送内容的特征信息包括:
待推送内容的类别,待推送内容的历史页面浏览量,待推送内容的页面浏览量与各个待推送内容的平均页面浏览量的比例,待推送内容不同时段内的页面浏览量,待推送内容的不同时段内的页面浏览量的变化率,待推送内容的生成时间,待推送内容的页面浏览量对应的时间信息和待推送内容在网页中的展示位置。
3.根据权利要求1所述的信息推送方法,其特征在于,根据所述特征信息构建内容特征向量的步骤包括:
从数据库中提取待推送内容的特征信息;
根据所述特征信息对待推送内容进行建模,得到所述待推送内容的模型;
根据所述模型构建内容特征向量。
4.根据权利要求3所述的信息推送方法,其特征在于,根据所述特征信息对待推送内容进行建模的步骤还包括:
对各个待推送内容进行聚类操作;
根据聚类操作的结果对待推送内容进行建模。
5.根据权利要求4所述的信息推送方法,其特征在于,对各个待推送内容进行聚类操作的步骤包括:
确定聚类的中心点;
设置聚类的类别数量;
根据所述中心点分别计算各个待推送内容的距离,根据所述距离和类别数量对各个待推送内容进行分类;
计算分类后各个类别的中心点,若所述中心点的值在预设的阈值范围内,结束计算;否则,返回设置聚类的类别数量的步骤。
6.根据权利要求1所述的信息推送方法,其特征在于,所述预测函数为:
其中,
式中,g为分类结果,e为自然常数,θi,i=1,2,…,n为所述用户特征向量中第i个元素的权重,n为所述内容特征向量的维度,hθ(X)为预测函数,T表示转置,X为用户特征向量,xi为用户特征向量中的第i个元素。
7.根据权利要求6所述的信息推送方法,其特征在于,所述损失函数为:
式中,L(θ)为损失函数,l(θ)为优化的目标函数,n为所述内容特征向量的维度,yi为常数,X为用户特征向量,xi为用户特征向量中的第i个元素。
8.根据权利要求1所述的信息推送方法,其特征在于,根据热度预测结果对所述关联系数进行修正的步骤包括:
其中,
式中,neighbour为相似用户,value(neighbour)为相似用户的权重,count(neighbour)为相似用户的数量,A为待推送内容,score(A)为修正后的关联系数,value(A)为目标用户对待推送内容A的权重,Afrequency为待推送内容A的推送时间间隔,value(item)为目标用户对各个待推送内容的关联系数,itemfrequency为各个待推送内容的推送时间间隔,count(item)为待推送内容的数量。
9.根据权利要求1所述的信息推送方法,其特征在于,所述根据修正后的关联系数对各个待推送内容进行排序的步骤,包括:
根据修正后的关联系数,结合所述热度对各个待推送内容进行排序。
10.根据权利要求1所述的信息推送方法,其特征在于,所述相似度的范围为0-1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610112720.6A CN105787061B (zh) | 2016-02-29 | 2016-02-29 | 信息推送方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610112720.6A CN105787061B (zh) | 2016-02-29 | 2016-02-29 | 信息推送方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105787061A CN105787061A (zh) | 2016-07-20 |
CN105787061B true CN105787061B (zh) | 2019-09-20 |
Family
ID=56386663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610112720.6A Active CN105787061B (zh) | 2016-02-29 | 2016-02-29 | 信息推送方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105787061B (zh) |
Families Citing this family (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106294778B (zh) * | 2016-08-11 | 2019-09-10 | 北京小米移动软件有限公司 | 信息推送方法和装置 |
CN106355449B (zh) | 2016-08-31 | 2021-09-07 | 腾讯科技(深圳)有限公司 | 用户选取方法和装置 |
CN106649446B (zh) * | 2016-09-19 | 2020-06-16 | 腾讯科技(深圳)有限公司 | 信息推送方法和装置 |
CN107845005A (zh) * | 2016-09-19 | 2018-03-27 | 北京京东尚科信息技术有限公司 | 网页生成方法和装置 |
CN108153791B (zh) * | 2016-12-02 | 2023-04-25 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法和相关装置 |
CN108304399A (zh) * | 2017-01-12 | 2018-07-20 | 武汉斗鱼网络科技有限公司 | 网络内容的推荐方法及装置 |
CN106777354A (zh) * | 2017-01-17 | 2017-05-31 | 腾讯科技(深圳)有限公司 | 推广信息新鲜度确定方法及装置 |
CN108694171B (zh) * | 2017-04-05 | 2021-10-19 | 腾讯科技(深圳)有限公司 | 信息推送的方法及装置 |
CN107341176B (zh) * | 2017-05-23 | 2020-05-29 | 北京三快在线科技有限公司 | 一种样本权重设置方法及装置,电子设备 |
CN107358251B (zh) * | 2017-06-09 | 2020-11-24 | 创新先进技术有限公司 | 一种对象筛选方法和装置 |
CN107330022B (zh) * | 2017-06-21 | 2023-03-24 | 腾讯科技(深圳)有限公司 | 一种获取热点话题的方法及装置 |
CN107480227A (zh) * | 2017-07-28 | 2017-12-15 | 佛山市南方数据科学研究院 | 一种基于大数据的信息推送方法 |
CN108268584A (zh) * | 2017-08-25 | 2018-07-10 | 广州市动景计算机科技有限公司 | 资讯推送方法、装置和服务器 |
CN107562881A (zh) * | 2017-09-04 | 2018-01-09 | 网易无尾熊(杭州)科技有限公司 | 推荐系统的干预方法、介质、系统及计算设备 |
CN107819845B (zh) * | 2017-11-06 | 2021-01-26 | 阿里巴巴(中国)有限公司 | 轻应用推送方法、装置及服务器 |
CN108011941B (zh) * | 2017-11-29 | 2019-07-12 | Oppo广东移动通信有限公司 | 内容推送方法、装置、服务器以及存储介质 |
CN108259638B (zh) * | 2017-12-11 | 2021-04-30 | 广东智媒云图科技股份有限公司 | 个人群组列表智能排序方法、智能终端及存储介质 |
CN110046006A (zh) * | 2018-01-15 | 2019-07-23 | 北京京东尚科信息技术有限公司 | 菜单排序的方法和装置 |
CN110309398A (zh) * | 2018-02-06 | 2019-10-08 | 腾讯科技(深圳)有限公司 | 用户数据处理方法、装置、计算设备以及存储介质 |
CN108520017B (zh) * | 2018-03-21 | 2019-09-10 | Oppo广东移动通信有限公司 | 应用程序推荐方法、装置、服务器以及存储介质 |
CN108683734B (zh) * | 2018-05-15 | 2021-04-09 | 广州虎牙信息科技有限公司 | 品类推送方法、装置及存储设备、计算机设备 |
CN108876517B (zh) * | 2018-05-31 | 2022-06-17 | 周国俊 | 基于人工智能的用户喜好分析方法及系统 |
CN109241415B (zh) * | 2018-08-20 | 2023-04-14 | 平安科技(深圳)有限公司 | 项目推荐方法、装置、计算机设备及存储介质 |
CN109493138B (zh) * | 2018-11-06 | 2021-07-16 | 北京达佳互联信息技术有限公司 | 信息推荐方法、装置、服务器及存储介质 |
CN109376305A (zh) * | 2018-12-04 | 2019-02-22 | 山东浪潮通软信息科技有限公司 | 一种基于用户行为分析的新闻热度排序方法及系统 |
CN109936637B (zh) * | 2019-03-18 | 2022-01-25 | 北京达佳互联信息技术有限公司 | 消息推送的频控方法、装置、服务器及介质 |
CN111831890B (zh) * | 2019-04-17 | 2024-02-13 | 腾讯科技(深圳)有限公司 | 用户相似度生成方法、装置、存储介质和计算机设备 |
CN110134870A (zh) * | 2019-05-21 | 2019-08-16 | 重庆忽米网络科技有限公司 | 一种基于大数据的推送方法及系统 |
CN114286999A (zh) * | 2019-11-05 | 2022-04-05 | 深圳市欢太科技有限公司 | 推送内容的处理方法、装置、电子设备以及存储介质 |
CN113301065B (zh) * | 2020-02-24 | 2022-07-08 | 北京达佳互联信息技术有限公司 | 内容推送方法、装置、电子设备和存储介质 |
CN112532692B (zh) * | 2020-11-09 | 2024-07-16 | 北京沃东天骏信息技术有限公司 | 一种信息推送方法及装置、存储介质 |
CN112417284A (zh) * | 2020-11-23 | 2021-02-26 | 北京三快在线科技有限公司 | 推送展示信息的方法和装置 |
CN112632389B (zh) * | 2020-12-30 | 2024-03-15 | 广州博冠信息科技有限公司 | 信息处理方法、信息处理装置、存储介质与电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103309967A (zh) * | 2013-06-05 | 2013-09-18 | 清华大学 | 基于相似性传递的协同过滤方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8103675B2 (en) * | 2008-10-20 | 2012-01-24 | Hewlett-Packard Development Company, L.P. | Predicting user-item ratings |
-
2016
- 2016-02-29 CN CN201610112720.6A patent/CN105787061B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103309967A (zh) * | 2013-06-05 | 2013-09-18 | 清华大学 | 基于相似性传递的协同过滤方法及系统 |
Non-Patent Citations (1)
Title |
---|
融合推荐潜力的个性化趋势预测的混合推荐模型;陈洪涛等;《计算机应用》;20140110;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105787061A (zh) | 2016-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105787061B (zh) | 信息推送方法 | |
CN108256093B (zh) | 一种基于用户多兴趣及兴趣变化的协同过滤推荐算法 | |
Yuan et al. | LambdaFM: Learning optimal ranking with factorization machines using lambda surrogates | |
CN105701191B (zh) | 一种推送信息点击率估计方法和装置 | |
Steck | Training and testing of recommender systems on data missing not at random | |
CN109783734B (zh) | 一种基于项目属性的混合协同过滤推荐算法 | |
CN107451894B (zh) | 数据处理方法、装置和计算机可读存储介质 | |
CN103377250B (zh) | 基于邻域的top‑k推荐方法 | |
US8935263B1 (en) | Generating rankings of reputation scores in reputation systems | |
CN105787055B (zh) | 信息推荐方法及装置 | |
CN103514255B (zh) | 一种基于项目层次类别的协同过滤推荐方法 | |
CN110532479A (zh) | 一种信息推荐方法、装置及设备 | |
CN109903086B (zh) | 一种相似人群扩展方法、装置及电子设备 | |
CN104252456B (zh) | 一种权重估计方法、装置及系统 | |
US9330125B2 (en) | Querying of reputation scores in reputation systems | |
KR101864822B1 (ko) | 사용자를 위한 항목을 추천하는 장치 및 방법 | |
CN103559622A (zh) | 基于特征的协同过滤推荐方法 | |
CN109063120B (zh) | 一种基于聚类的协同过滤推荐方法和装置 | |
CN104766219B (zh) | 基于以列表为单位的用户推荐列表生成方法及系统 | |
CN111915409A (zh) | 基于物品的物品推荐方法、装置、设备及存储介质 | |
CN114240575B (zh) | 基于商品流行度及用户动态兴趣的商品推荐方法及系统 | |
CN109684561B (zh) | 基于用户签到行为变化的深层语义分析的兴趣点推荐方法 | |
CN110990717A (zh) | 一种基于跨域关联的兴趣点推荐方法 | |
CN104794135B (zh) | 一种对搜索结果进行排序的方法和装置 | |
CN114756758B (zh) | 一种混合推荐方法和系统 |
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 |