CN107463698B - 基于人工智能推送信息的方法和装置 - Google Patents
基于人工智能推送信息的方法和装置 Download PDFInfo
- Publication number
- CN107463698B CN107463698B CN201710696548.8A CN201710696548A CN107463698B CN 107463698 B CN107463698 B CN 107463698B CN 201710696548 A CN201710696548 A CN 201710696548A CN 107463698 B CN107463698 B CN 107463698B
- Authority
- CN
- China
- Prior art keywords
- real
- time
- recommended
- information
- match
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/02—Details
- H04L12/16—Arrangements for providing special services to substations
- H04L12/18—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast
- H04L12/1859—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast adapted to provide push services, e.g. data channels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/44—Event detection
Abstract
本申请实施例公开了基于人工智能推送信息的方法和装置。方法的一具体实施方式包括:响应于发生新的比赛,挖掘比赛的实时赛况数据以及比赛的实时关联数据;采用实时赛况数据,生成结构化数据;采用实时关联数据和离线物料,生成推荐物料;根据结构化数据以及由状态管理器中获取的实时比赛状态信息,判定当前时间点是否为推荐节点;若是,则基于推荐物料、实时比赛状态信息和由状态管理器中获取的比赛基础信息,生成推送信息,并更新状态管理器中的推送信息记录;推送该推送信息。该实施方式提高了推送的推送信息的质量和及时性。
Description
技术领域
本申请涉及计算机技术领域,具体涉及计算机网络技术领域,尤其涉及基于人工智能推送信息的方法和装置。
背景技术
人工智能(Artificial Intelligence,简称AI)技术的快速发展为人们的日常工作和生活提供了便利。人工智能是研究、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、语言识别、图像识别、自然语言处理和专家系统等。人工智能越来越多地融入到应用中,结合人工智能的应用可以准确地确定出信息的种类,并按照不同用户的需求将不同种类的信息推送给相应的用户。
随着人工智能的飞速发展,如何让机器能拥有和人类一样的智能,成了无数企业希望做到的事情。在这个背景下,我们希望机器能够在体育赛事解说时,完成解说员所解说的信息。
目前,在体育比赛直播中,解说员通常会插入一些球员技术统计、观众互动等信息,通常情况下,这些信息都是经过人工筛选的信息,信息的类别比较单一,并且只会由解说员根据比赛情况针对性的插入信息,插入信息的时机以及插入的信息带有主观色彩。这种在人工视频解说和人工文字解说中推送信息的方式,从多方获取信息,人工整理信息,在比赛开始、暂停、罚球、小节结束等比赛停顿的时刻进行相关信息的推送。
然而,这种在体育赛事解说时基于人工智能推送信息的方法,存在以下问题:需要专业的解说员及相关数据整理和搜集人员;信息类型比较单一,人工整理信息需要较高的成本,推送的信息往往都是固定的几种类型;推送信息的及时性较差,难以做到在任何比赛的关键节点及时推送信息,比如在某一个精彩投球瞬间推送用户的精彩评论,只能在比赛停顿时长较长后推送信息。
发明内容
本申请的目的在于提出一种改进的基于人工智能推送信息的方法和装置,来解决以上背景技术部分提到的技术问题。
第一方面,本申请实施例提供了一种基于人工智能推送信息的方法,方法包括:响应于发生新的比赛,挖掘比赛的实时赛况数据以及比赛的实时关联数据;采用实时赛况数据,生成结构化数据;采用实时关联数据和离线物料,生成推荐物料;根据结构化数据以及由状态管理器中获取的实时比赛状态信息,判定当前时间点是否为推荐节点;若是,则基于推荐物料、实时比赛状态信息和由状态管理器中获取的比赛基础信息,生成推送信息,并更新状态管理器中的推送信息记录;推送该推送信息。
在一些实施例中,比赛的实时关联数据包括以下一项或多项:比赛的实时图片;比赛的实时视频;比赛的用户原创内容;比赛的知识;以及比赛的新闻。
在一些实施例中,根据结构化数据以及由状态管理器中获取的实时比赛状态信息,判定当前时间点是否为推荐节点包括:根据结构化数据以及由状态管理器中获取的实时比赛状态信息的预定特征,确定当前比赛状态向量;在预先标记的比赛状态向量与是否推荐的数据对中,查找对应当前比赛状态向量的比赛状态向量;根据数据对中对应当前比赛状态向量的比赛状态向量所对应的是否推荐,确定当前时间点是否为推荐节点。
在一些实施例中,实时比赛状态信息的预定特征包括以下一项或多项:实时比赛状态信息的基本特征;实时比赛状态信息的事件特征;实时比赛状态信息的上下文特征;以及实时比赛状态信息的动态计算特征。
在一些实施例中,基于推荐物料、实时比赛状态信息和由状态管理器中获取的比赛基础信息,生成推送信息包括:基于推荐物料的预设特征和权重,生成特征向量;基于特征向量,构建推荐物料与来源文档的倒排索引;基于比赛基础信息和比赛实时数据,生成检索表达式;在倒排索引中,判断是否检索到符合检索表达式的推荐物料;若检索到符合检索表达式的推荐物料,获取推荐来源文档,推荐来源文档为对应符合检索表达式的推荐物料的来源文档;若未检索到符合检索表达式的推荐物料,跳转至基于比赛基础信息和比赛实时数据,生成检索表达式;基于推荐来源文档,生成推送信息。
在一些实施例中,推荐物料的预设特征包括以下一项或多项:推荐物料的比赛队伍;推荐物料的队员;推荐物料的实体属性;以及推荐物料的资源生成时间。
在一些实施例中,基于推荐来源文档,生成推送信息包括:基于推荐来源文档的预置特征,排序推荐来源文档;对于排序后的推荐来源文档,计算以下一项或多项评分:资源类型的多样性评分、资源类型的时效性评分以及资源类型的热度评分;根据计算的评分,从排序后的推荐来源文档中选择推送来源文档;基于推送来源文档,生成推送信息。
在一些实施例中,推荐来源文档的预置特征包括以下一项或多项:推荐来源文档的网络来源;推荐来源文档的检索库来源;推荐来源文档与当前比赛状态向量的实体的覆盖度;推荐来源文档的挖掘时间;以及推荐来源文档的热度。
在一些实施例中,生成推送信息包括:采用解说模型生成推送信息。
第二方面,本申请实施例提供了一种基于人工智能推送信息的装置,装置包括:比赛数据挖掘单元,用于响应于发生新的比赛,挖掘比赛的实时赛况数据以及比赛的实时关联数据;结构化数据生成单元,用于采用实时赛况数据,生成结构化数据;推荐物料生成单元,用于采用实时关联数据和离线物料,生成推荐物料;推荐节点判定单元,用于根据结构化数据以及由状态管理器中获取的实时比赛状态信息,判定当前时间点是否为推荐节点;推送信息生成单元,用于若当前时间点为推荐节点,则基于推荐物料、实时比赛状态信息和由状态管理器中获取的比赛基础信息,生成推送信息,并更新状态管理器中的推送信息记录;推送信息推送单元,用于推送该推送信息。
在一些实施例中,比赛数据挖掘单元中比赛的实时关联数据包括以下一项或多项:比赛的实时图片;比赛的实时视频;比赛的用户原创内容;比赛的知识;以及比赛的新闻。
在一些实施例中,推荐节点判定单元包括:状态向量确定子单元,用于根据结构化数据以及由状态管理器中获取的实时比赛状态信息的预定特征,确定当前比赛状态向量;对应数据对查找子单元,用于在预先标记的比赛状态向量与是否推荐的数据对中,查找对应当前比赛状态向量的比赛状态向量;推荐节点确定子单元,用于根据数据对中对应当前比赛状态向量的比赛状态向量所对应的是否推荐,确定当前时间点是否为推荐节点。
在一些实施例中,状态向量确定子单元中实时比赛状态信息的预定特征包括以下一项或多项:实时比赛状态信息的基本特征;实时比赛状态信息的事件特征;实时比赛状态信息的上下文特征;以及实时比赛状态信息的动态计算特征。
在一些实施例中,推送信息生成单元包括:特征向量生成子单元,用于基于推荐物料的预设特征和权重,生成特征向量;倒排索引构建子单元,用于基于特征向量,构建推荐物料与来源文档的倒排索引;检索表达式生成子单元,用于基于比赛基础信息和比赛实时数据,生成检索表达式;检索结果判断子单元,用于在倒排索引中,判断是否检索到符合检索表达式的推荐物料;来源文档获取子单元,用于若检索到符合检索表达式的推荐物料,获取推荐来源文档,推荐来源文档为对应符合检索表达式的推荐物料的来源文档;检索表达式更新子单元,用于若未检索到符合检索表达式的推荐物料,跳转至基于比赛基础信息和比赛实时数据,生成检索表达式;推送信息生成子单元,用于基于推荐来源文档,生成推送信息。
在一些实施例中,特征向量生成子单元中推荐物料的预设特征包括以下一项或多项:推荐物料的比赛队伍;推荐物料的队员;推荐物料的实体属性;以及推荐物料的资源生成时间。
在一些实施例中,推送信息生成子单元包括:来源文档排序子单元,用于基于推荐来源文档的预置特征,排序推荐来源文档;文档评分计算子单元,用于对于排序后的推荐来源文档,计算以下一项或多项评分:资源类型的多样性评分、资源类型的时效性评分以及资源类型的热度评分;推送文档选择子单元,用于根据计算的评分,从排序后的推荐来源文档中选择推送来源文档;生成推送信息子单元,用于基于推送来源文档,生成推送信息。
在一些实施例中,来源文档排序子单元中推荐来源文档的预置特征包括以下一项或多项:推荐来源文档的网络来源;推荐来源文档的检索库来源;推荐来源文档与当前比赛状态向量的实体的覆盖度;推荐来源文档的挖掘时间;以及推荐来源文档的热度。
在一些实施例中,推送信息生成单元进一步用于:采用解说模型生成推送信息。
第三方面,本申请实施例提供了一种设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上任意一项基于人工智能推送信息的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如上任意一项基于人工智能推送信息的方法。
本申请实施例提供的基于人工智能推送信息的方法和装置,首先响应于发生新的比赛,挖掘比赛的实时赛况数据以及比赛的实时关联数据;之后,采用实时赛况数据,生成结构化数据;之后,采用实时关联数据和离线物料,生成推荐物料;之后,根据结构化数据以及由状态管理器中获取的实时比赛状态信息,判定当前时间点是否为推荐节点;之后,若当前时间点为推荐节点,则基于推荐物料、实时比赛状态信息和由状态管理器中获取的比赛基础信息,生成推送信息,并更新状态管理器中的推送信息记录;最后,推送该推送信息,从而无需专业的解说人员及相关数据整理和搜集人员,节省了人工,并且推送的推送信息类型丰富、更为全面,可以在任何比赛的关键节点及时推送信息,提高了推送的推送信息的质量和及时性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是根据本申请的基于人工智能推送信息的方法的一个实施例的示意性流程图;
图2是根据本申请的基于人工智能推送信息的方法中生成基于人工智能推送信息的方法的一个实施例的示意性流程图;
图3是根据本申请实施例的基于人工智能推送信息的方法的一个应用场景的示意性流程图;
图4是根据本申请的基于人工智能推送信息的装置的一个实施例的示例性结构图;
图5是适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请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相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了根据本申请的基于人工智能推送信息的方法的一个实施例的流程100。该基于人工智能推送信息的方法包括:
在步骤110中,响应于发生新的比赛,挖掘比赛的实时赛况数据以及比赛的实时关联数据。
在本实施例中,运行基于人工智能推送信息的方法的电子设备可以响应于监测到发生新的比赛或接收到新的比赛的通知,挖掘比赛的实时赛况数据以及比赛的实时关联数据。这里的实时赛况数据,是指比赛直播的实时数据,例如:XX投进三颗球等。这里的实时关联数据,是指实时挖掘的与比赛有关联的数据,例如与比赛相关的新闻、图片视频等资讯信息。
在本实施例的一些可选实现方式中,比赛的实时关联数据包括以下一项或多项:比赛的实时图片;比赛的实时视频;比赛的用户原创内容(UGC);比赛的知识;以及比赛的新闻。这里的实时,是指在比赛发生、发展过程中的同一时间。这里的用户原创内容,是指用户原创内容。
在步骤120中,采用实时赛况数据,生成结构化数据。
在本实施例中,结构化数据是对比赛中的事件的描述。这里的事件包括比赛中和某一项或某几项数据相关联的一系列动作。例如:篮球比赛中,三分投篮是一个事件,它对应的结构化数据包括字段:三分:1,球员:XX,球队:YY。
在步骤130中,采用实时关联数据和离线物料,生成推荐物料。
在本实施例中,实时关联数据主要挖掘与当前比赛相关的所有网络资源,同时标记资源生成时间,按照资源类型存储到推荐物料库中,推荐物料库中已经离线存储好离线挖掘的资源(也即离线物料)。采用实时关联数据和离线物料,可以融合生成推荐物料,以备后续生成推送信息时使用。
在步骤140中,根据结构化数据以及由状态管理器中获取的实时比赛状态信息,判定当前时间点是否为推荐节点。
在本实施例中,根据结构化数据,可以确定比赛中所发生的事件,再参考状态管理器中获取的实时比赛状态信息,可以确定比赛的当前状况,从而根据比赛的当前状况来判定当前时间点是否为推荐节点。
这里的状态管理器,其中包含比赛基础信息,也即不随当前比赛进行变化且比赛之前数据库中能查到的信息。例如以篮球为例,比赛基础信息可以包括:球员(身高、体重、角色)、进球率、历史统计信息、所属球队等基本信息。这些基本信息可以带有权重(例如前一轮、前两轮、前几轮的时效性权重依次降低)和来源(例如来自于当前、历史(当前比赛的历史)数据库)等;状态管理器中还可以包含推送信息记录以及实时比赛状态信息。
具体地,在本实施例的一些可选实现方式中,可以根据结构化数据以及由状态管理器中获取的实时比赛状态信息的预定特征,确定当前比赛状态向量,之后在预先标记的比赛状态向量与是否推荐的数据对中,查找对应当前比赛状态向量的比赛状态向量,最后根据数据对中对应当前比赛状态向量的比赛状态向量所对应的是否推荐,确定当前时间点是否为推荐节点。
在本实现方式中,实时比赛状态信息的预定特征可以包括以下一项或多项:实时比赛状态信息的基本特征;实时比赛状态信息的事件特征;实时比赛状态信息的上下文特征;以及实时比赛状态信息的动态计算特征。
这里的实时比赛状态信息的基本特征,是指比赛的客观特征;实时比赛状态信息的事件特征,是指比赛中和某一项或某几项数据相关联的一系列动作的特征;实时比赛状态信息的上下文特征,是指同一比赛队伍同一事件的上下文和/或同一队员同一事件的上下文;实时比赛状态信息的动态计算特征,是指随比赛进行需要动态计算的特征。
示例性地,以篮球为例,这里的实时比赛状态信息的基本特征,是指第几节比赛、本节剩余时间、比赛双方分差等;实时比赛状态信息的事件特征,是指三分投篮、二分投篮、助攻、罚球、篮板、犯规、暂停、小结开始、小结结束等,以及事件成功与否、相关球员、相关球队等;实时比赛状态信息的上下文特征,是指同一球队同一事件的上下文、同一球员同一事件的上下文等;实时比赛状态信息的动态计算特征,是指球员三分连续次数、球员进球连续次数、球队进球连续次数、球员连续失分次数、球队连续失分次数等。
这里的推荐时间点判定,是指判定当前时间是否适合进行资源推荐。适合推荐的时间点有很多种类型,仍以篮球为例示例性说明,一个适合推荐的时间点可以为:某个球员一直进球,在进了一个很精彩的球之后可以给出这个球员在本场比赛中到目前为止的技术统计数据;在比赛进入到暂停阶段的时候,可以推荐比赛的精彩瞬间、精彩图片、实时新闻或者用户评论等。
在判定当前时间点是否为推荐节点时,可以采用分类模型来完成。本分类是一个二分类问题,给定当前比赛状态向量,判断是否可以进行资源推荐。训练语料需要人工标记在什么时间点可以进行资源推荐,基于人工标注的数据和状态管理器,生成比赛状态向量和推荐与否的数据对,采用分类器(比如支持向量机svm)进行分类模型的训练。训练分类模型时所使用的特征可以包括上述的基本特征、事件特征、上下文特征和动态计算特征等。
在步骤150中,若当前时间点为推荐节点,则基于推荐物料、实时比赛状态信息和由状态管理器中获取的比赛基础信息,生成推送信息,并更新状态管理器中的推送信息记录。
在本实施例中,若判定当前时间点为推荐节点,可以基于由状态管理器中获取的比赛基础信息、实时比赛状态信息,从推荐物料确定推荐内容,并生成推送信息。为了便于下一次推荐时获取当前推荐的信息记录,还可以更新状态管理器中的推送信息记录。
在本实施例的一些可选实现方式中,在基于数据生成推送信息时,可以采用解说模型来完成基于数据生成推送信息。这里的解说模型可以根据以往的解说数据训练得到,包括输入数据的关键词以及关键词的组合规则等。当数据输入解说模型后,可以得到输出的推送信息,并且该推送信息符合解说数据的特征。
在步骤160中,推送上述推送信息。
在本实施例中,在步骤150中生成推送信息之后,可以向用户终端推送该推送信息。
本申请的上述实施例提供的基于人工智能推送信息的方法,可以无需专业的解说人员及相关数据整理和搜集人员,节省了人工,并且推送的推送信息的类型丰富、更为全面,还可以在任何比赛的关键节点及时推送信息,提高了推送的推送信息的质量和及时性。
进一步地,请参考图2,图2示出了根据本申请的基于人工智能推送信息的方法中生成基于人工智能推送信息的方法的一个实施例的示意性流程。
如图2所示,该生成基于人工智能推送信息的方法200包括:
在步骤210中,基于推荐物料的预设特征和权重,生成特征向量。
在本实施例中,运行基于人工智能推送信息的方法的电子设备可以对推荐物料做预处理,也即基于推荐物料的预设特征和权重,生成特征向量。这里的推荐物料的预设特征,是指预先确定的用于筛选推荐物料的特征。例如,推荐物料的预设特征可以包括以下一项或多项:推荐物料的比赛队伍;推荐物料的队员;推荐物料的实体属性;以及推荐物料的资源生成时间。这里的实体属性是指实体要素的描述。
在步骤220中,基于特征向量,构建推荐物料与来源文档的倒排索引。
在本实施例中,基于推荐物料的预设特征和权重生成的特征向量,可以指示来源文档,因此可以基于特征向量构建推荐物料与来源文档的倒排索引,将推荐物料构建到搜索引擎的检索库中。
在步骤230中,基于比赛基础信息和比赛实时数据,生成检索表达式。
在本实施例中,基于由状态管理器中获取的比赛基础信息和比赛实时数据,可以生成当前比赛状态向量,之后提取当前状态向量中的实体,可以生成检索表达式。
在步骤240中,在倒排索引中,判断是否检索到符合检索表达式的推荐物料。
在本实施例中,使用检索表达式到步骤220中构建好的检索库中检索相关的信息,若检索到了相关的信息,则执行步骤250,若未检索到相关的信息,则执行步骤260。
在步骤250中,若检索到符合检索表达式的推荐物料,获取推荐来源文档。
在本实施例中,推荐来源文档为对应符合检索表达式的推荐物料的来源文档。
在步骤260中,若未检索到符合检索表达式的推荐物料,跳转至基于比赛基础信息和比赛实时数据,生成检索表达式。
在步骤270中,基于推荐来源文档,生成推送信息。
在本实施例中,可以采用预先制定的生成推送信息的算法,对推荐来源文档进行处理,从而得到推送信息。
这里的生成推送信息的算法,可以为现有技术或未来发展的技术中的生成推送信息的算法,本申请对此不做限定。例如,可以采用解说模型,对上述的推荐来源文档进行处理,从而得到推送信息。这里的解说模型可以根据以往的解说数据训练得到,包括输入数据的关键词以及关键词的组合规则等。当数据输入解说模型后,可以得到输出的推送信息,并且该推送信息符合解说数据的特征。
在本实施例的一些可选实现方式中,基于推荐来源文档,生成推送信息可以包括:基于推荐来源文档的预置特征,排序来源文档;对于排序后的推荐来源文档,计算以下一项或多项评分:资源类型的多样性评分、资源类型的时效性评分以及资源类型的热度评分;根据计算的评分,从排序后的推荐来源文档中选择推送来源文档;基于推送来源文档,生成推送信息。
在本实现方式中,预置特征可以为预先设置的技术人员关心的特征。例如,推荐来源文档的预置特征可以包括以下一项或多项:推荐来源文档的网络来源;推荐来源文档的检索库来源;推荐来源文档与当前比赛状态向量的实体的覆盖度;推荐来源文档的挖掘时间;以及推荐来源文档的热度。
在这里,首先是对根据检索结果获取的推荐来源文档进行排序,排序模型可以采用线性模型,特征可以选择推荐来源文档的网络来源、推荐来源文档的检索库来源、推荐来源文档的资源满足度(也即与当前比赛状态向量的实体的覆盖度)、推荐来源文档的挖掘时间以及推荐来源文档的热度等。最后对于排好序的推荐来源文档进行选择,选择策略考虑如下一个方面或几个方面:资源类型的多样性、资源类型的时效性、资源类型的热度等,最终生成推送信息。
本申请上述实施例提供的基于人工智能推送信息的方法,基于特征向量构建倒排索引,之后从倒排索引中确定符合检索表达式的推荐物料,再确定对应符合检索表达式的推荐物料的推荐来源文档,最后基于推荐来源文档,生成推送信息,从而提升了推送信息的准确度和丰富性。
以下结合图3,描述本申请实施例的基于人工智能推送信息的方法的示例性应用场景。
如图3所示,图3示出了根据本申请实施例的基于人工智能推送信息的方法的一个应用场景的示意性流程图。
如图3所示,基于人工智能推送信息的方法300包括:首先,发现新的比赛301;之后,挖掘新的比赛301的实时赛况数据302、实时图片和/或视频303、用户原创内容304、知识和/或新闻305等数据;之后,采用实时赛况数据302生成结构化数据307,采用实时图片和/或视频303、用户原创内容304、知识和/或新闻305等数据和离线物料306中,生成推荐物料308;之后,根据结构化数据308以及由状态管理器309中获取的实时比赛状态信息,判定当前时间点是否为推荐节点;若当前时间点为推荐节点,则基于推荐物料308、由状态管理器309中获取的实时比赛状态信息和比赛基础信息,基于推荐模型311和解说模型312生成推送信息313,并更新状态管理器309中的推送信息记录,将推送信息作为推荐结果314输出;若当前时间点并非推荐节点,将非推荐节点作为推荐结果314输出。
这里的推荐模型311,可以包括检索模型和排序模型,也即基于维护的状态管理器309,生成当前比赛状态向量;提取当前状态向量中的实体,生成检索表达式;到检索模型(包括上述实施例中的倒排索引)中检索不同的资源类型;接着对检索得到的推荐来源文档进行排序,排序模型可以采用线性模型,排序所采用的预置特征可以选择推荐来源文档的网络来源、推荐来源文档的检索库来源、推荐来源文档的资源满足度(和当前比赛状态向量的实体的覆盖度)、推荐来源文档的挖掘时间、推荐来源文档的热度中的一项或多项等。最后对于排好序的推荐来源文档的进行选择,选择策略考虑如下几个方面:资源类型的多样性、资源类型的时效性、资源类型的热度等,最终根据选择得到的推送来源文档,生成推送信息。
应当理解,上述图3中所示出的基于人工智能推送信息的方法,仅为基于人工智能推送信息的方法的示例性实施例,并不代表对本申请的限定。例如,图3中也可以不采用解说模型,而是根据预设的生成规则生成推送信息。
本申请的上述应用场景中提供的基于人工智能推送信息的方法,可以提高推送信息的质量和及时性。
进一步参考图4,作为对上述方法的实现,本申请实施例提供了一种基于人工智能推送信息的装置的一个实施例,该基于人工智能推送信息的装置的实施例与图1至图3所示的基于人工智能推送信息的方法的实施例相对应,由此,上文针对图1至图3中基于人工智能推送信息的方法描述的操作和特征同样适用于基于人工智能推送信息的装置400及其中包含的单元,在此不再赘述。
如图4所示,该基于人工智能推送信息的装置400包括:比赛数据挖掘单元410,结构化数据生成单元420,推荐物料生成单元430,推荐节点判定单元440,推送信息生成单元450,以及推送信息推送单元460。
比赛数据挖掘单元410,用于响应于发生新的比赛,挖掘比赛的实时赛况数据以及比赛的实时关联数据;结构化数据生成单元420,用于采用实时赛况数据,生成结构化数据;推荐物料生成单元430,用于采用实时关联数据和离线物料,生成推荐物料;推荐节点判定单元440,用于根据结构化数据以及由状态管理器中获取的实时比赛状态信息,判定当前时间点是否为推荐节点;推送信息生成单元450,用于若当前时间点为推荐节点,则基于推荐物料、实时比赛状态信息和由状态管理器中获取的比赛基础信息,生成推送信息,并更新状态管理器中的推送信息记录;推送信息推送单元460,用于推送该推送信息。
在本实施例的一些可选实现方式中,比赛数据挖掘单元410中比赛的实时关联数据包括以下一项或多项:比赛的实时图片;比赛的实时视频;比赛的用户原创内容;比赛的知识;以及比赛的新闻。
在本实施例的一些可选实现方式中,推荐节点判定单元440包括:状态向量确定子单元441,用于根据结构化数据以及由状态管理器中获取的实时比赛状态信息的预定特征,确定当前比赛状态向量;对应数据对查找子单元442,用于在预先标记的比赛状态向量与是否推荐的数据对中,查找对应当前比赛状态向量的比赛状态向量;推荐节点确定子单元443,用于根据数据对中对应当前比赛状态向量的比赛状态向量所对应的是否推荐,确定当前时间点是否为推荐节点。
在本实施例的一些可选实现方式中,状态向量确定子单元441中实时比赛状态信息的预定特征包括以下一项或多项:实时比赛状态信息的基本特征;实时比赛状态信息的事件特征;实时比赛状态信息的上下文特征;以及实时比赛状态信息的动态计算特征。
在本实施例的一些可选实现方式中,推送信息生成单元450包括:特征向量生成子单元451,用于基于推荐物料的预设特征和权重,生成特征向量;倒排索引构建子单元452,用于基于特征向量,构建推荐物料与来源文档的倒排索引;检索表达式生成子单元453,用于基于比赛基础信息和比赛实时数据,生成检索表达式;检索结果判断子单元454,用于在倒排索引中,判断是否检索到符合检索表达式的推荐物料;来源文档获取子单元455,用于若检索到符合检索表达式的推荐物料,获取推荐来源文档,推荐来源文档为对应符合检索表达式的推荐物料的来源文档;检索表达式更新子单元456,用于若未检索到符合检索表达式的推荐物料,跳转至基于比赛基础信息和比赛实时数据,生成检索表达式;推送信息生成子单元457,用于基于推荐来源文档,生成推送信息。
在本实施例的一些可选实现方式中,特征向量生成子单元451中推荐物料的预设特征包括以下一项或多项:推荐物料的比赛队伍;推荐物料的队员;推荐物料的实体属性;以及推荐物料的资源生成时间。
在本实施例的一些可选实现方式中,推送信息生成子单元457包括:来源文档排序子单元4571,用于基于推荐来源文档的预置特征,排序推荐来源文档;文档评分计算子单元4572,用于对于排序后的推荐来源文档,计算以下一项或多项评分:资源类型的多样性评分、资源类型的时效性评分以及资源类型的热度评分;推送文档选择子单元4573,用于根据计算的评分,从排序后的推荐来源文档中选择推送来源文档;生成推送信息子单元4574,用于基于推送来源文档,生成推送信息。
在本实施例的一些可选实现方式中,来源文档排序子单元4571中推荐来源文档的预置特征包括以下一项或多项:推荐来源文档的网络来源;推荐来源文档的检索库来源;推荐来源文档与当前比赛状态向量的实体的覆盖度;推荐来源文档的挖掘时间;以及推荐来源文档的热度。
在本实施例的一些可选实现方式中,推送信息生成单元450进一步用于:采用解说模型生成推送信息。
本申请还提供了一种设备的实施例,包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上任意一项所述的基于人工智能推送信息的方法。
本申请还提供了一种计算机可读存储介质的实施例,其上存储有计算机程序,该程序被处理器执行时实现如上任意一项所述的基于人工智能推送信息的方法。
下面参考图5,其示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,所述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个单元、程序段、或代码的一部分,所述单元、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括比赛数据挖掘单元、结构化数据生成单元、推荐物料生成单元、推荐节点判定单元、推送信息生成单元以及推送信息推送单元,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,比赛数据挖掘单元还可以被描述为“响应于发生新的比赛,挖掘比赛的实时赛况数据以及比赛的实时关联数据的单元”。
作为另一方面,本申请还提供了一种非易失性计算机存储介质,该非易失性计算机存储介质可以是上述实施例中所述装置中所包含的非易失性计算机存储介质;也可以是单独存在,未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序,当所述一个或者多个程序被一个设备执行时,使得所述设备:响应于发生新的比赛,挖掘比赛的实时赛况数据以及比赛的实时关联数据;采用实时赛况数据,生成结构化数据;采用实时关联数据和离线物料,生成推荐物料;根据结构化数据以及由状态管理器中获取的实时比赛状态信息,判定当前时间点是否为推荐节点;若是,则基于推荐物料、实时比赛状态信息和由状态管理器中获取的比赛基础信息,生成推送信息,并更新状态管理器中的推送信息记录;推送该推送信息。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (20)
1.一种基于人工智能推送信息的方法,其特征在于,所述方法包括:
响应于发生新的比赛,挖掘所述比赛的实时赛况数据以及所述比赛的实时关联数据;
采用所述实时赛况数据,生成结构化数据;
采用所述实时关联数据和离线物料,生成推荐物料;
根据所述结构化数据以及由状态管理器中获取的实时比赛状态信息,判定当前时间点是否为推荐节点;
若是,则基于所述推荐物料、所述实时比赛状态信息和由所述状态管理器中获取的比赛基础信息,生成推送信息,并更新所述状态管理器中的推送信息记录;
推送所述推送信息。
2.根据权利要求1所述的方法,其特征在于,所述比赛的实时关联数据包括以下一项或多项:
所述比赛的实时图片;
所述比赛的实时视频;
所述比赛的用户原创内容;
所述比赛的知识;以及
所述比赛的新闻。
3.根据权利要求1所述的方法,其特征在于,所述根据所述结构化数据以及由状态管理器中获取的实时比赛状态信息,判定当前时间点是否为推荐节点包括:
根据所述结构化数据以及由状态管理器中获取的实时比赛状态信息的预定特征,确定当前比赛状态向量;
在预先标记的比赛状态向量与是否推荐的数据对中,查找对应所述当前比赛状态向量的比赛状态向量;
根据所述数据对中对应所述当前比赛状态向量的比赛状态向量所对应的是否推荐,确定当前时间点是否为推荐节点。
4.根据权利要求3所述的方法,其特征在于,所述实时比赛状态信息的预定特征包括以下一项或多项:
实时比赛状态信息的基本特征;
实时比赛状态信息的事件特征;
实时比赛状态信息的上下文特征;以及
实时比赛状态信息的动态计算特征。
5.根据权利要求1所述的方法,其特征在于,所述基于所述推荐物料、所述实时比赛状态信息和由所述状态管理器中获取的所述比赛基础信息,生成推送信息包括:
基于所述推荐物料的预设特征和权重,生成特征向量;
基于所述特征向量,构建所述推荐物料与来源文档的倒排索引;
基于所述比赛基础信息和比赛实时数据,生成检索表达式;
在所述倒排索引中,判断是否检索到符合所述检索表达式的推荐物料;
若检索到符合所述检索表达式的推荐物料,获取推荐来源文档,所述推荐来源文档为对应所述符合所述检索表达式的推荐物料的来源文档;
若未检索到符合所述检索表达式的推荐物料,跳转至所述基于所述比赛基础信息和所述比赛实时数据,生成检索表达式;
基于所述推荐来源文档,生成推送信息。
6.根据权利要求5所述的方法,其特征在于,所述推荐物料的预设特征包括以下一项或多项:
推荐物料的比赛队伍;
推荐物料的队员;
推荐物料的实体属性;以及
推荐物料的资源生成时间。
7.根据权利要求5所述的方法,其特征在于,所述基于所述推荐来源文档,生成推送信息包括:
基于所述推荐来源文档的预置特征,排序所述推荐来源文档;
对于排序后的推荐来源文档,计算以下一项或多项评分:资源类型的多样性评分、资源类型的时效性评分以及资源类型的热度评分;
根据计算的评分,从排序后的推荐来源文档中选择推送来源文档;
基于所述推送来源文档,生成推送信息。
8.根据权利要求7所述的方法,其特征在于,所述推荐来源文档的预置特征包括以下一项或多项:
推荐来源文档的网络来源;
推荐来源文档的检索库来源;
推荐来源文档与当前比赛状态向量的实体的覆盖度;
推荐来源文档的挖掘时间;以及
推荐来源文档的热度。
9.根据权利要求1-8任意一项所述的方法,其特征在于,所述生成推送信息包括:采用解说模型生成推送信息。
10.一种基于人工智能推送信息的装置,其特征在于,所述装置包括:
比赛数据挖掘单元,用于响应于发生新的比赛,挖掘所述比赛的实时赛况数据以及所述比赛的实时关联数据;
结构化数据生成单元,用于采用所述实时赛况数据,生成结构化数据;
推荐物料生成单元,用于采用所述实时关联数据和离线物料,生成推荐物料;
推荐节点判定单元,用于根据所述结构化数据以及由状态管理器中获取的实时比赛状态信息,判定当前时间点是否为推荐节点;
推送信息生成单元,用于若当前时间点为推荐节点,则基于所述推荐物料、所述实时比赛状态信息和由所述状态管理器中获取的比赛基础信息,生成推送信息,并更新所述状态管理器中的推送信息记录;
推送信息推送单元,用于推送所述推送信息。
11.根据权利要求10所述的装置,其特征在于,所述比赛数据挖掘单元中所述比赛的实时关联数据包括以下一项或多项:
所述比赛的实时图片;
所述比赛的实时视频;
所述比赛的用户原创内容;
所述比赛的知识;以及
所述比赛的新闻。
12.根据权利要求10所述的装置,其特征在于,所述推荐节点判定单元包括:
状态向量确定子单元,用于根据所述结构化数据以及由状态管理器中获取的实时比赛状态信息的预定特征,确定当前比赛状态向量;
对应数据对查找子单元,用于在预先标记的比赛状态向量与是否推荐的数据对中,查找对应所述当前比赛状态向量的比赛状态向量;
推荐节点确定子单元,用于根据所述数据对中对应所述当前比赛状态向量的比赛状态向量所对应的是否推荐,确定当前时间点是否为推荐节点。
13.根据权利要求12所述的装置,其特征在于,所述状态向量确定子单元中实时比赛状态信息的预定特征包括以下一项或多项:
实时比赛状态信息的基本特征;
实时比赛状态信息的事件特征;
实时比赛状态信息的上下文特征;以及
实时比赛状态信息的动态计算特征。
14.根据权利要求10所述的装置,其特征在于,所述推送信息生成单元包括:
特征向量生成子单元,用于基于所述推荐物料的预设特征和权重,生成特征向量;
倒排索引构建子单元,用于基于所述特征向量,构建所述推荐物料与来源文档的倒排索引;
检索表达式生成子单元,用于基于所述比赛基础信息和比赛实时数据,生成检索表达式;
检索结果判断子单元,用于在所述倒排索引中,判断是否检索到符合所述检索表达式的推荐物料;
来源文档获取子单元,用于若检索到符合所述检索表达式的推荐物料,获取推荐来源文档,所述推荐来源文档为对应所述符合所述检索表达式的推荐物料的来源文档;
检索表达式更新子单元,用于若未检索到符合所述检索表达式的推荐物料,跳转至所述基于所述比赛基础信息和所述比赛实时数据,生成检索表达式;
推送信息生成子单元,用于基于所述推荐来源文档,生成推送信息。
15.根据权利要求14所述的装置,其特征在于,所述特征向量生成子单元中推荐物料的预设特征包括以下一项或多项:
推荐物料的比赛队伍;
推荐物料的队员;
推荐物料的实体属性;以及
推荐物料的资源生成时间。
16.根据权利要求14所述的装置,其特征在于,所述推送信息生成子单元包括:
来源文档排序子单元,用于基于所述推荐来源文档的预置特征,排序所述推荐来源文档;
文档评分计算子单元,用于对于排序后的推荐来源文档,计算以下一项或多项评分:资源类型的多样性评分、资源类型的时效性评分以及资源类型的热度评分;
推送文档选择子单元,用于根据计算的评分,从排序后的推荐来源文档中选择推送来源文档;
生成推送信息子单元,用于基于所述推送来源文档,生成推送信息。
17.根据权利要求16所述的装置,其特征在于,所述来源文档排序子单元中推荐来源文档的预置特征包括以下一项或多项:
推荐来源文档的网络来源;
推荐来源文档的检索库来源;
推荐来源文档与当前比赛状态向量的实体的覆盖度;
推荐来源文档的挖掘时间;以及
推荐来源文档的热度。
18.根据权利要求10-17任意一项所述的装置,其特征在于,所述推送信息生成单元进一步用于:采用解说模型生成推送信息。
19.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-9中任意一项所述的基于人工智能推送信息的方法。
20.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-9中任意一项所述的基于人工智能推送信息的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710696548.8A CN107463698B (zh) | 2017-08-15 | 2017-08-15 | 基于人工智能推送信息的方法和装置 |
US16/054,812 US11349680B2 (en) | 2017-08-15 | 2018-08-03 | Method and apparatus for pushing information based on artificial intelligence |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710696548.8A CN107463698B (zh) | 2017-08-15 | 2017-08-15 | 基于人工智能推送信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107463698A CN107463698A (zh) | 2017-12-12 |
CN107463698B true CN107463698B (zh) | 2020-11-20 |
Family
ID=60549879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710696548.8A Active CN107463698B (zh) | 2017-08-15 | 2017-08-15 | 基于人工智能推送信息的方法和装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11349680B2 (zh) |
CN (1) | CN107463698B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR112021010468A2 (pt) * | 2018-12-31 | 2021-08-24 | Intel Corporation | Sistemas de segurança que empregam inteligência artificial |
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 |
CN111800671B (zh) * | 2019-04-08 | 2022-08-12 | 百度时代网络技术(北京)有限公司 | 用于对齐段落和视频的方法和装置 |
CN111898019B (zh) * | 2019-05-06 | 2024-04-16 | 北京达佳互联信息技术有限公司 | 信息推送方法及装置 |
CN110309753A (zh) * | 2019-06-24 | 2019-10-08 | 广州虎牙科技有限公司 | 一种赛事进程判别方法、装置和计算机设备 |
CN112333079A (zh) * | 2019-08-05 | 2021-02-05 | 云丁网络技术(北京)有限公司 | 消息推送方法、装置、计算机可读介质及设备 |
CN111259256B (zh) * | 2020-02-13 | 2023-09-12 | 深圳市雅阅科技有限公司 | 内容处理方法、装置、计算机可读存储介质和计算机设备 |
CN111461667B (zh) * | 2020-04-08 | 2023-08-18 | 开封博士创新技术转移有限公司 | 一种海量数据导入方法、装置、服务器及可读存储介质 |
CN114488879A (zh) * | 2021-12-30 | 2022-05-13 | 深圳鹏行智能研究有限公司 | 一种机器人控制方法以及机器人 |
CN116010588B (zh) * | 2023-03-28 | 2023-08-18 | 北京创新乐知网络技术有限公司 | 实时与离线结合的文档推荐方法、装置、设备及介质 |
CN117708439A (zh) * | 2024-02-06 | 2024-03-15 | 每日互动股份有限公司 | 一种目标文本的推送方法、装置、介质及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559206A (zh) * | 2013-10-10 | 2014-02-05 | Tcl集团股份有限公司 | 一种信息推荐方法及系统 |
CN104142940A (zh) * | 2013-05-08 | 2014-11-12 | 华为技术有限公司 | 信息推荐处理方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101399738B (zh) * | 2007-09-28 | 2011-04-20 | 华为技术有限公司 | 提供下载推荐服务的方法、结构化对等网络和其中的节点 |
US9253430B2 (en) * | 2009-01-15 | 2016-02-02 | At&T Intellectual Property I, L.P. | Systems and methods to control viewed content |
CN101814068A (zh) * | 2009-02-24 | 2010-08-25 | 日电(中国)有限公司 | 时序控制的基于评分预测的项目推荐方法和系统 |
US9258583B2 (en) * | 2013-07-18 | 2016-02-09 | Comcast Cable Communications, Llc | Content rating |
CN104994484A (zh) * | 2015-07-13 | 2015-10-21 | 曾琛 | 一种基于时间和地理位置的个人收集推送信息系统及方法 |
US11006160B2 (en) * | 2015-08-24 | 2021-05-11 | Microsoft Technology Licensing, Llc | Event prediction enhancements |
CN106203646A (zh) * | 2016-06-29 | 2016-12-07 | 厦门趣处网络科技有限公司 | 定制化行程推荐系统和方法 |
-
2017
- 2017-08-15 CN CN201710696548.8A patent/CN107463698B/zh active Active
-
2018
- 2018-08-03 US US16/054,812 patent/US11349680B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104142940A (zh) * | 2013-05-08 | 2014-11-12 | 华为技术有限公司 | 信息推荐处理方法及装置 |
CN103559206A (zh) * | 2013-10-10 | 2014-02-05 | Tcl集团股份有限公司 | 一种信息推荐方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US20190058609A1 (en) | 2019-02-21 |
US11349680B2 (en) | 2022-05-31 |
CN107463698A (zh) | 2017-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107463698B (zh) | 基于人工智能推送信息的方法和装置 | |
WO2017181612A1 (zh) | 个性化视频推荐方法及装置 | |
CN110297848A (zh) | 基于联邦学习的推荐模型训练方法、终端及存储介质 | |
CN108776676B (zh) | 信息推荐方法、装置、计算机可读介质及电子设备 | |
CN109640112B (zh) | 视频处理方法、装置、设备及存储介质 | |
CN112015949A (zh) | 视频生成方法和装置、存储介质及电子设备 | |
CN111259192B (zh) | 音频推荐方法和装置 | |
CN114707074B (zh) | 一种内容推荐方法、设备和系统 | |
CN111046225B (zh) | 音频资源处理方法、装置、设备及存储介质 | |
CN111973996A (zh) | 一种游戏资源投放方法和装置 | |
CN113688951B (zh) | 视频数据处理方法以及装置 | |
CN113704507B (zh) | 数据处理方法、计算机设备以及可读存储介质 | |
CN111597446B (zh) | 基于人工智能的内容推送方法、装置、服务器和存储介质 | |
EP4360034A1 (en) | Image analysis system | |
JP5880558B2 (ja) | 映像処理システム、視聴者の嗜好判定方法、映像処理装置およびその制御方法と制御プログラム | |
CN112565902A (zh) | 一种视频推荐方法、装置及电子设备 | |
CN110569447A (zh) | 一种网络资源的推荐方法、装置及存储介质 | |
CN112507214B (zh) | 基于用户名的数据处理方法、装置、设备及介质 | |
CN111881352A (zh) | 内容推送方法、装置、计算机设备和存储介质 | |
JP5171686B2 (ja) | 高速化検索モデリングシステムおよび方法 | |
CN114827654B (zh) | 一种视频搜索方法、装置、设备及存储介质 | |
US11490172B2 (en) | Method and system for the classification and categorization of video pathways in interactive videos | |
Jaiswal et al. | Enhancing Movie Recommendations through MultiModal Analysis and Contextual Dynamics | |
CN116401400A (zh) | 模型训练方法以及相关设备 | |
CN116012871A (zh) | 对象识别方法、装置、计算机设备、存储介质和产品 |
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 |