CN107526807B - 信息推荐方法及装置 - Google Patents
信息推荐方法及装置 Download PDFInfo
- Publication number
- CN107526807B CN107526807B CN201710725867.7A CN201710725867A CN107526807B CN 107526807 B CN107526807 B CN 107526807B CN 201710725867 A CN201710725867 A CN 201710725867A CN 107526807 B CN107526807 B CN 107526807B
- Authority
- CN
- China
- Prior art keywords
- information
- user
- recommendation
- query
- candidate set
- 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 41
- 238000001914 filtration Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 abstract description 4
- 230000006399 behavior Effects 0.000 description 39
- 238000005065 mining Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
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 Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供一种信息推荐方法及装置。该方法包括:获取用户输入的关键字信息、用户的历史搜索行为数据、查询归属地和查询渠道;根据用户输入的关键字信息、用户的历史搜索行为数据、查询归属地和查询渠道,生成推荐候选集;根据预设过滤规则对推荐候选集中的候选信息进行过滤处理,生成推荐信息集;根据预设排序规则对推荐信息集中的各推荐信息进行排序;将排序后的各推荐信息推荐给用户。本发明实施例通过根据关键字信息,结合用户的历史搜索行为数据,生成推荐候选集;实现了结合用户的历史搜索行为数据向用户推荐信息,从而根据用户历史搜索行为特点向用户推荐最准确的搜索结果,提高了向用户推荐信息的准确性,提高了服务质量。
Description
技术领域
本发明实施例涉及通信技术领域,尤其涉及一种信息推荐方法及装置。
背景技术
随着移动通信技术的不断发展,电信业务运营支撑系统为用户提供的业务和服务类型不断增加,电信业务运营支撑系统中数据也日益增加。用户希望通过查询服务从海量数据中找到自己满意信息,电信业务运营支撑系统通常要通过数据搜索技术根据输入的关键字向用户推荐信息。
目前的数据搜索技术是通过是由用户输入查询的关键词,在海量数据中筛选出于该查询词相匹配的信息,对搜索出的搜索结果中所有的数据对象进行排序后输出结果。现有的数据搜索技术与用户本身的差异或者用户的特点无关,仅仅与查询词有关。因此,不同的用户使用同一个关键词查询,最后得到的推荐信息相同,无法根据不同用户的特点向用户推荐最适合、最准确的搜索结果,导致向用户推荐的信息无法满足用户需求,服务质量低。
发明内容
本发明实施例提供一种信息推荐方法及装置,以解决现有技术中不同的用户使用同一个关键词查询,最后得到的推荐信息相同,无法根据不同用户的特点向用户推荐最适合、最准确的搜索结果,导致向用户推荐的信息无法满足用户需求,服务质量低的问题。
本发明实施例的一个方面是提供一种信息推荐方法,包括:
获取用户输入的关键字信息、用户的历史搜索行为数据、查询归属地和查询渠道;
根据所述用户输入的关键字信息、用户的历史搜索行为数据、查询归属地和查询渠道,生成推荐候选集;
根据预设过滤规则对所述推荐候选集中的候选信息进行过滤处理,生成推荐信息集;
根据预设排序规则对所述推荐信息集中的各推荐信息进行排序;
将排序后的各推荐信息推荐给所述用户。
本发明实施例的另一个方面是提供一种信息推荐装置,包括:
获取模块,用于获取用户输入的关键字信息、用户的历史搜索行为数据、查询归属地和查询渠道;
生成模块,用于根据所述用户输入的关键字信息、用户的历史搜索行为数据、查询归属地和查询渠道,生成推荐候选集;
过滤处理模块,用于根据预设过滤规则对所述推荐候选集中的候选信息进行过滤处理,生成推荐信息集;
排序模块,用于根据预设排序规则对所述推荐信息集中的各推荐信息进行排序;
推荐模块,用于将排序后的各推荐信息推荐给所述用户。
本发明实施例提供的信息推荐方法及装置,通过获取用户输入的关键字信息和用户的历史搜索行为数据;根据关键字信息,结合用户的历史搜索行为数据,生成推荐候选集;根据预设过滤规则对推荐候选集中的候选信息进行过滤处理,生成推荐信息集;根据预设排序规则对推荐信息集中的各推荐信息进行排序;将排序后的各推荐信息推荐给用户,实现了结合用户的历史搜索行为数据向用户推荐信息,从而可以根据用户的搜索行为特点,向用户推荐最适合、最准确的搜索结果,提高了给用户推荐信息的准确性,提高了服务质量。
附图说明
图1为本发明实施例一提供的信息推荐方法的流程图;
图2为本发明实施例四提供的信息推荐方法的流程图;
图3为本发明实施例五提供的信息推荐装置的结构示意图;
图4为本发明实施例六提供的信息推荐装置的结构示意图;
图5为本发明实施例八提供的信息推荐装置的结构示意图。
具体实施方式
为使本发明的技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
图1为本发明实施例一提供的信息推荐方法的流程图。本发明实施例针对现有技术中不同的用户使用同一个关键词查询,最后得到的推荐信息相同,无法根据不同用户的特点向用户推荐最适合、最准确的搜索结果,导致向用户推荐的信息无法满足用户需求,服务质量低的问题,提供了信息推荐方法。如图1所示,该方法具体步骤如下:
步骤S101、获取用户输入的关键字信息、用户的历史搜索行为数据、查询归属地和查询渠道。
本实施例中,用户输入的关键字信息进行信息的查询渠道可以是以下任意一种:
(1)网络应用平台:用户可以是运营商服务对象,在电信业务运营支撑系统的网络应用平台提供的对外的查询入口,用户直接输入关键词信息;例如,中国联通的“沃知道”问答平台等。(2)客服热线:用户可以是也可以是运营商的客服代表等工作人员,在电信业务运营支撑系统的网络平台提供的对内的查询入口,用户输入的关键词信息。
对于查询归属地,若查询渠道为任意一个网络应用平台,则查询归属地为用户对应的归属地,例如用户使用的电话号码的归属地等;若查询渠道为任意一个客服热线,则查询归属地为该客服热线所属的归属地。
本实施例中,信息库中存储了所有待搜索的信息条目,其中的每一个信息条目可以作为一个推荐信息推荐给用户。通常信息库中存储了海量的信息条目,数据量非常大。由于对于从信息库中的海量信息你条目中查询有用信息的计算量很大,可以通过在运行信息推荐方法的每个应用实例上部署日志收集的代理服务,通过代部署的代理服务收集各实例产生的用户搜索日志,具体包括:用户在搜索结束后浏览的推荐信息、在各推荐信息的页面停留的时间、翻页的次数等用户浏览推荐信息的相关日志,用户收藏推荐信息和删除收藏的推荐信息的日志、以及用户对各推荐信息的反馈意见,用户对各推荐信息的评价日志以及评价内容等,尽量全面地收集用户的历史搜索行为数据。
步骤S102、根据用户输入的关键字信息、用户的历史搜索行为数据、查询归属地和查询渠道,生成推荐候选集。
该步骤中,根据关键字信息,结合用户的历史搜索行为数据、查询归属地和查询渠道,从预设信息库中选取候选信息,候选信息构成推荐候选集。
步骤S103、根据预设过滤规则对推荐候选集中的候选信息进行过滤处理,生成推荐信息集。
本实施例中,在得到推荐候选集之后,对推荐候选集中的候选信息进行过滤,具体可以采用如下方式实现:
过滤掉推荐候选集中重复的候选信息;根据各候选信息的采编时间,过滤掉采编时间早于预设采编时间的候选信息;根据各候选信息的内容,过滤掉包含敏感信息的候选信息。
其中,预设采编时间可以由技术人员根据实际需要进行设定,例如,可以设定预设采编时间为2016年6月30日,或者设定预设采编时间为距本次信息推荐日期间隔半年(或者1个月、或者3个月、或者1年)的时间,本实施例中会将采编时间距离本次信息推荐超过半年的候选信息过滤掉,本实施例对于预设采编时间不做具体限定。另外,敏感信息可以由技术人员根据实际需要进行设定,本实施例对此不做具体限定。
步骤S104、根据预设排序规则对推荐信息集中的各推荐信息进行排序。
其中,预设排序规则可以由技术人员根据实际需要进行设定,例如,可以设定按照推荐信息的与关键词信息的匹配度从高到低进行排序,或者按照推荐信息的采编时间的由晚到早的时间排序等,本实施例对于预设排序规则不做具体限定。
步骤S105、将排序后的各推荐信息推荐给用户。
本发明实施例通过获取用户输入的关键字信息和用户的历史搜索行为数据;根据关键字信息,结合用户的历史搜索行为数据,生成推荐候选集;根据预设过滤规则对推荐候选集中的候选信息进行过滤处理,生成推荐信息集;根据预设排序规则对推荐信息集中的各推荐信息进行排序;将排序后的各推荐信息推荐给用户,实现了结合用户的历史搜索行为数据向用户推荐信息,从而可以根据用户的搜索行为特点,向用户推荐最适合、最准确的搜索结果,提高了给用户推荐信息的准确性,提高了服务质量。
实施例二
在上述实施例一的基础上,本实施例中,根据用户输入的关键字信息、用户的历史搜索行为数据、查询归属地和查询渠道,生成推荐候选集,具体包括:根据关键字信息和用户的历史搜索行为数据,分别通过至少两种信息推荐模型向推荐候选集中添加候选信息。
其中,信息推荐模型至少包括:协同过滤算法模型、Query-based算法模型和PageRank算法模型。
本实施例中,通过每种信息推荐模型向推荐候选集中添加匹配度最高的数量小于或者等于第一预设阈值的候选信息。其中第一预设阈值为通过一种信息推荐模型最多可以向推荐候选集中推荐的候选信息的数量,可以由技术人员根据实际需要设定,优选地,可以设定为3、5、或者10,本实施例对此不做具体限定。
具体地,第一,根据关键字信息和用户的历史搜索行为数据,通过协同过滤算法模型向推荐候选集中添加匹配度最高的数量小于或者等于第一预设阈值的候选信息,具体可以采用如下方式实现:
根据用户的历史搜索行为数据,基于用户行为的连续性和相关性剔除噪声数据,根据优先选取近期数据的原则,从剩余历史搜索行为数据中选取预设量的训练数据,使用选取的训练数据对预设的协同过滤算法模型进行训练。其中,预设量可以由技术人员根据实际需要和经验进行设定,使得训练数据足够多,以保证训练后的协同过滤算法模型输出的候选信息的准确性。
根据关键字信息,通过训练后的协同过滤算法模型获得第一阶段的候选信息。
根据loglikelihood ratio算法计算第一阶段的各候选信息与关键字信息的相似度;根据第一阶段的各候选信息与关键字信息的相似度,筛选出与关键字信息的相似度大于预设相似度值候选信息,作为第二阶段的候选信息。
若第二阶段中的候选信息的数量小于或者等于第一预设阈值,则将第二阶段中的候选信息全部添加到推荐候选集中。
若第二阶段中的候选信息的数量大于第一预设阈值,将第二阶段的各候选信息按照与关键字信息的相似度进行排序,从第二阶段的各候选信息中选取与关键字信息的相似度最高的第一预设阈值的候选信息,添加到推荐候选集中。
其中,与关键字信息的相似度最高的候选信息也就是匹配度最高的候选信息。
本实施例中,通过用户的历史搜索行为数据对预设的协同过滤算法进行针对该用户的个性化的训练,使得通过训练后的协同过滤算法模型得到的候选信息的准确性更高,进一步地,从中选取匹配度最高的部分候选信息添加到推荐候选集中,而匹配度较低的候选信息则舍弃,以提高推荐候选集中候选信息的准确性。
第二,根据关键字信息和用户的历史搜索行为数据,通过Query-based算法模型向推荐候选集中添加匹配度最高的数量小于或者等于第一预设阈值的候选信息,具体可以采用如下方式实现:
根据用户的历史搜索行为数据,根据以往的每次搜索行为,为信息库中的信息条目计算权重。具体地,在以往的每次搜索行为中,将搜索后没有浏览的信息条目的权重设为第一权重,将位于搜索结果第一页被该用户打开浏览过的信息条目的权重设为第二权重,将位于搜索结果前3页,用户通过翻页打开浏览过的信息条目的权重设为第三权重,将不位于搜索结果前3页,用户通过翻页打开浏览过的信息条目的权重设为第四权重。
其中第二权重大于第三权重,第三权重大于第四权重,第四权重大于第一权重。第一权重、第二权重、第三权重和第四权重的具体值可以由技术人员根据实际需要进行设定,本实施例对此不做具体限定。
另外,还可以根据信息条目在搜索结果中出现的排列顺序,设置信息条目的权重。
根据信息库中各信息条目的权重以及关键词信息,通过Query-based算法模型的推荐结果,选取权重最大的第一预设阈值的候选信息,添加到推荐候选集中。
其中,权重最大的候选信息也就是匹配度最高的候选信息。
本实施例中,通过用户的历史搜索行为数据计算信息库中的信息条目的权重,使得通过Query-based算法模型得到的候选信息的准确性更高,进一步地,从中选取匹配度最高的部分候选信息添加到推荐候选集中,而匹配度较低的候选信息则舍弃,以提高推荐候选集中候选信息的准确性。
第三,根据关键字信息和用户的历史搜索行为数据,通过PageRank算法模型向推荐候选集中添加匹配度最高的数量小于或者等于第一预设阈值的候选信息,具体可以采用如下方式实现:
可以采用现有技术中的任意一种通过PageRank算法进行信息推荐的方法,根据关键字信息,通过PageRank算法模型得到第一阶段的候选信息;从第一阶段的候选信息中选取匹配度最高的第一预设阈值的候选信息添加到推荐候选集中,而匹配度较低的候选信息则舍弃,以提高推荐候选集中候选信息的准确性。
本发明实施例通过根据关键字信息,结合用户的历史搜索行为数据,分别通过至少两种信息推荐模型向推荐候选集中添加候选信息;通过每种信息推荐模型向推荐候选集中添加匹配度最高的数量小于或者等于第一预设阈值的候选信息,提高了推荐候选集中候选信息的准确性。
实施例三
在上述实施例二的基础上,本实施例中,根据用户输入的关键字信息、用户的历史搜索行为数据、查询归属地和查询渠道,生成推荐候选集,还包括:根据智能预判的规则、查询归属地和查询渠道,向推荐候选集添加候选信息。
具体地,根据智能预判的规则、查询归属地和查询渠道,向推荐候选集添加候选信息,包括:
(1)获取用户的提问信息,根据用户的提问信息,向推荐候选集中添加提问信息相对应的答复信息。
其中,提问信息为用户在电信业务运营支撑系统中的对应应用平台上发布的问题,通常电信业务运营支撑系统的服务人员会定期答复各用户提出的问题,用户在发布问题一段时间之后才可能得到答复。
本实施例中,若确定用户发布的提问信息中,还有未答复的提问信息,则根据提问信息的内容,确定与未答复的提问信息相匹配的标准问题,并获取各标准问题的答复信息,将各答复信息作为候选信息添加到推荐候选集中。其中,各标准问题对应的答复信息均为信息库中信息条目。
(2)获取用户预设时间段内的套餐使用情况,根据用户预设时间段内的套餐使用情况,确定与用户的套餐使用情况相匹配的目标套餐,向推荐候选集中添加目标套餐的套餐信息。
其中,预设时间段优选为3个月,预设时间段可以由技术人员根据实际需要进行设定,本实施例对此不做具体限定。
本实施例中,根据用户预设时间段内的套餐使用情况,若确定用户在预设时间段内中,连续至少两个月产生了套餐月租之外的通话费用或者流量使用费,则根据用户的实际通话时间和实际使用流量的大小,确定与用户的实际通话时间和实际使用流量的大小相匹配的目标套餐,向推荐候选集中添加目标套餐的套餐信息。
其中,套餐信息包括至少一条信息库中的信息条目。
(3)获取用户的宽带信息,根据宽带信息确定用户所属宽带区域是否发生网络故障;若确定用户所属宽带区域发生网络故障,向推荐候选集中添加发生的网络故障对应的公告信息和/或解决办法信息。
其中,公告信息和解决办法信息均由至少一条信息库中的信息条目构成。
当发生网络故障时,工作人员会关于网络故障的公告信息、和/或对应于各网络故障的解决办法信息。
本实施例中,若确定用户所属宽带区域发生网络故障,根据发生的网络故障的标识,可以获取该网络故障对应的公告信息和/或解决办法信息,将获取到的公告信息和/或解决办法信息添加到推荐候选集中。
本实施例中,可以同时采用上述(1)、(2)和(3)中的任意一种、或者任意两种、或者三种方法,向推荐候选集中添加候选信息。
本实施例通过根据用户宽带区域是否发生故障、用户的套餐使用情况、以及用户的提问信息,选取用户急需的候选信息添加到推荐候选集中,使得推荐候选集中的候选信息覆盖用户的各种需求,从而可以提高用户对于推荐信息的满意度。
实施例四
图2为本发明实施例四提供的信息推荐方法的流程图。在上述实施例一的基础上,本实施例中,生成推荐候选集之后,根据预设过滤规则对推荐候选集中的候选信息进行过滤处理之前,还包括:若推荐候选集中的候选信息的数量小于第二预设阈值,则根据查询归属地和查询渠道,向推荐候选集中添加第一数量的对应于查询归属地和查询渠道的热点信息;若推荐候选集中的候选信息的数量大于或者等于第二预设阈值,则根据查询归属地和查询渠道,向推荐候选集中添加第二数量的对应于查询归属地和查询渠道的热点信息。如图2所示,该方法具体步骤如下:
步骤S201、获取用户输入的关键字信息、用户的历史搜索行为数据、查询归属地和查询渠道。
该步骤与上述步骤S101相同,本实施例此处不再赘述。
步骤S202、根据用户输入的关键字信息、用户的历史搜索行为数据、查询归属地和查询渠道,生成推荐候选集。
本实施例中,该步骤具体采用上述实施例二或者实施例三的处理过程实现,本实施例此处不再赘述。
步骤S203、判断推荐候选集中候选信息的数量是否小于第二预设阈值。
其中,第二预设阈值可以由技术人员根据实际需要和历史经验进行设定,本实施例对此不做具体限定。例如,第二预设阈值可以为10、15等。
本实施例中,根据推荐候选集中候选信息的数量,若推荐候选集中候选信息的数量小于第二预设阈值,则执行步骤S204,向推荐候选集中添加第一数量的对应于查询归属地和查询渠道的热点信息。
若推荐候选集中候选信息的数量大于或者等于第二预设阈值,则执行步骤S205,向推荐候选集中添加第二数量的对应于查询归属地和查询渠道的热点信息。
其中,第一数量大于第二数量。第一数量和第二数量可以由技术人员根据实际需要和历史经验进行设定,本实施例对此不做具体限定。例如,第一数量可以为5,第二数量可以为10。
热点信息至少包括:浏览次数大于第一阈值的信息、好评率大于第二阈值的信息、在第一时间阈值内更新的信息、共享次数大于第三阈值的信息。
步骤S204、根据查询归属地和查询渠道,向推荐候选集中添加第一数量的对应于查询归属地和查询渠道的热点信息。
该步骤中,在确定推荐候选集中候选信息的数量小于第二预设阈值,则说明推荐候选集中的候选信息较少,需要向推荐候选集中补充较多的候选信息,因此,向推荐候选集中添加第一数量的热点信息,第一数量大于第二数量。
本实施例中,信息库中的信息条目属于至少一个归属地、和至少一个渠道。
具体地,根据查询归属地和查询渠道,向推荐候选集中添加第一数量的对应于查询归属地和查询渠道的热点信息,具体可以采用如下方式实现:
根据查询归属地和查询渠道,获取属于该查询归属地并且属于该查询渠道的热点信息,确定为对应于查询归属地和查询渠道的热点信息,将属于该查询归属地并且属于该查询渠道的热点信息根据热度进行排序,从中选取热度最高的第一数量的热点信息,添加到推荐候选集中。
其中,若热点信息为浏览次数大于第一阈值的信息,则其热度为浏览次数;若热度信息为好评率大于第二阈值的信息,则热度为好评率;若热点信息为在第一时间阈值内更新的信息,则热度为更新时间,更新时间越晚表示热度越高,更新时间越早表示热度越低;若热度信息为共享次数大于第三阈值的信息,则热度为共享次数。
步骤S205、根据查询归属地和查询渠道,向推荐候选集中添加第二数量的对应于查询归属地和查询渠道的热点信息。
该步骤中,在确定推荐候选集中候选信息的数量大于或者等于第二预设阈值,则说明推荐候选集中的候选信息较多,需要向推荐候选集中补充少量的候选信息,因此,向推荐候选集中添加第二数量的热点信息,第一数量大于第二数量。
具体地,根据查询归属地和查询渠道,向推荐候选集中添加第二数量的对应于查询归属地和查询渠道的热点信息,具体可以采用如下方式实现:
根据查询归属地和查询渠道,获取属于该查询归属地并且属于该查询渠道的热点信息,确定为对应于查询归属地和查询渠道的热点信息,将属于该查询归属地并且属于该查询渠道的热点信息根据热度进行排序,从中选取热度最高的第二数量的热点信息,添加到推荐候选集中。
其中,若热点信息为浏览次数大于第一阈值的信息,则其热度为浏览次数;若热度信息为好评率大于第二阈值的信息,则热度为好评率;若热点信息为在第一时间阈值内更新的信息,则热度为更新时间,更新时间越晚表示热度越高,更新时间越早表示热度越低;若热度信息为共享次数大于第三阈值的信息,则热度为共享次数。
本实施例中,通过上述步骤S203-S205,根据查询归属地、查询渠道和预设替补策略,对推荐候选集中进行候选信息的补充处理,可以使得推荐候选集中的候选信息符合大多数用户的需求,从而可以提高用户对于推荐信息的满意度。
步骤S206、根据预设过滤规则对推荐候选集中的候选信息进行过滤处理,生成推荐信息集。
步骤S207、根据预设排序规则对推荐信息集中的各推荐信息进行排序。
步骤S208、将排序后的各推荐信息推荐给用户。
上述步骤S206-S208与上述步骤S103-S105相同,本实施例此处不再赘述。
本发明实施例通过生成推荐候选集之后,通过根据查询归属地、查询渠道和预设替补策略,对推荐候选集中进行候选信息的补充处理,可以使得推荐候选集中的候选信息符合大多数用户的需求,从而可以提高用户对于推荐信息的满意度。
实施例五
图3为本发明实施例五提供的信息推荐装置的结构示意图。本发明实施例提供的信息推荐装置可以执行信息推荐方法实施例提供的处理流程,如图3所示,该装置30包括:获取模块301、生成模块302、过滤处理模块303、排序模块304和推荐模块305。
其中,获取模块301用于获取用户输入的关键字信息、用户的历史搜索行为数据、查询归属地和查询渠道。
生成模块302用于根据用户输入的关键字信息、用户的历史搜索行为数据、查询归属地和查询渠道,生成推荐候选集。
过滤处理模块303用于根据预设过滤规则对推荐候选集中的候选信息进行过滤处理,生成推荐信息集。
排序模块304用于根据预设排序规则对推荐信息集中的各推荐信息进行排序。
推荐模块305用于将排序后的各推荐信息推荐给用户。
本发明实施例提供的装置可以具体用于执行上述实施例一所提供的方法实施例,具体功能此处不再赘述。
本发明实施例通过获取用户输入的关键字信息和用户的历史搜索行为数据;根据关键字信息,结合用户的历史搜索行为数据,生成推荐候选集;根据预设过滤规则对推荐候选集中的候选信息进行过滤处理,生成推荐信息集;根据预设排序规则对推荐信息集中的各推荐信息进行排序;将排序后的各推荐信息推荐给用户,实现了结合用户的历史搜索行为数据向用户推荐信息,从而可以根据用户的搜索行为特点,向用户推荐最适合、最准确的搜索结果,提高了给用户推荐信息的准确性,提高了服务质量。
实施例六
图4为本发明实施例六提供的信息推荐装置的结构示意图。在上述实施例五的基础上,本实施例中,如图4所示,生成模块302包括:第一添加子模块3021。
其中,第一添加子模块3021用于根据关键字信息和用户的历史搜索行为数据,分别通过至少两种信息推荐模型向推荐候选集中添加候选信息。
本实施例中,通过每种信息推荐模型向推荐候选集中添加匹配度最高的数量小于或者等于第一预设阈值的候选信息。
信息推荐模型至少包括:协同过滤算法模型、Query-based算法模型和PageRank算法模型。
本发明实施例提供的装置可以具体用于执行上述实施例二所提供的方法实施例,具体功能此处不再赘述。
本发明实施例通过根据关键字信息,结合用户的历史搜索行为数据,分别通过至少两种信息推荐模型向推荐候选集中添加候选信息;通过每种信息推荐模型向推荐候选集中添加匹配度最高的数量小于或者等于第一预设阈值的候选信息,提高了推荐候选集中候选信息的准确性。
实施例七
在上述实施例六的基础上,本实施例中,如图4所示,生成模块302还包括:第二添加子模块3022。
第二添加子模块3022用于获取用户的提问信息,根据用户的提问信息,向推荐候选集中添加提问信息相对应的答复信息。
可选地,如图4所示,生成模块302还包括:第三添加子模块3023。
第三添加子模块3023用于获取用户预设时间段内的套餐使用情况,根据用户预设时间段内的套餐使用情况,确定与用户的套餐使用情况相匹配的目标套餐,向推荐候选集中添加目标套餐的套餐信息。
可选地,如图4所示,生成模块302还包括:第四添加子模块3024。
第四添加子模块3024用于:
获取用户的宽带信息,根据宽带信息确定用户所属宽带区域是否发生网络故障;
若确定用户所属宽带区域发生网络故障,向推荐候选集中添加发生的网络故障对应的公告信息和/或解决办法信息。
本发明实施例提供的装置可以具体用于执行上述实施例三所提供的方法实施例,具体功能此处不再赘述。
本实施例通过根据用户宽带区域是否发生故障、用户的套餐使用情况、以及用户的提问信息,选取用户急需的候选信息添加到推荐候选集中,使得推荐候选集中的候选信息覆盖用户的各种需求,从而可以提高用户对于推荐信息的满意度。
实施例八
图5为本发明实施例八提供的信息推荐装置的结构示意图。在上述实施例五的基础上,本实施例中,如图5所示,该装置30还包括:替补模块306。
替补模块306用于若推荐候选集中的候选信息的数量小于第二预设阈值,则根据查询归属地和查询渠道,向推荐候选集中添加第一数量的对应于查询归属地和查询渠道的热点信息。
替补模块306还用于若推荐候选集中的候选信息的数量大于或者等于第二预设阈值,则根据查询归属地和查询渠道,向推荐候选集中添加第二数量的对应于查询归属地和查询渠道的热点信息。
其中,第一数量大于第二数量,热点信息至少包括:浏览次数大于第一阈值的信息、好评率大于第二阈值的信息、在第一时间阈值内更新的信息、共享次数大于第三阈值的信息。
本发明实施例提供的装置可以具体用于执行上述实施例四所提供的方法实施例,具体功能此处不再赘述。
本发明实施例通过生成推荐候选集之后,通过根据查询归属地、查询渠道和预设替补策略,对推荐候选集中进行候选信息的补充处理,可以使得推荐候选集中的候选信息符合大多数用户的需求,从而可以提高用户对于推荐信息的满意度。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到,为描述的方便和简洁,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。上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种信息推荐方法,其特征在于,包括:
获取用户输入的关键字信息、用户的历史搜索行为数据、查询归属地和查询渠道;
根据所述用户输入的关键字信息、用户的历史搜索行为数据、查询归属地和查询渠道,生成推荐候选集;
根据预设过滤规则对所述推荐候选集中的候选信息进行过滤处理,生成推荐信息集;
根据预设排序规则对所述推荐信息集中的各推荐信息进行排序;
将排序后的各推荐信息推荐给所述用户;
其中,所述根据所述用户输入的关键字信息、用户的历史搜索行为数据、查询归属地和查询渠道,生成推荐候选集,包括:
根据所述关键字信息和用户的历史搜索行为数据,分别通过至少两种信息推荐模型向所述推荐候选集中添加候选信息;
通过每种所述信息推荐模型向所述推荐候选集中添加匹配度最高的数量小于或者等于第一预设阈值的候选信息;
所述信息推荐模型至少包括:协同过滤算法模型、Query-based算法模型和PageRank算法模型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述用户输入的关键字信息、用户的历史搜索行为数据、查询归属地和查询渠道,生成推荐候选集,还包括:
获取所述用户的提问信息,根据所述用户的提问信息,向所述推荐候选集中添加所述提问信息相对应的答复信息。
3.根据权利要求1所述的方法,其特征在于,所述根据所述用户输入的关键字信息、用户的历史搜索行为数据、查询归属地和查询渠道,生成推荐候选集,还包括:
获取所述用户预设时间段内的套餐使用情况,根据所述用户预设时间段内的套餐使用情况,确定与所述用户的套餐使用情况相匹配的目标套餐,向所述推荐候选集中添加所述目标套餐的套餐信息。
4.根据权利要求1所述的方法,其特征在于,所述根据所述用户输入的关键字信息、用户的历史搜索行为数据、查询归属地和查询渠道,生成推荐候选集,还包括:
获取所述用户的宽带信息,根据所述宽带信息确定所述用户所属宽带区域是否发生网络故障;
若确定所述用户所属宽带区域发生网络故障,向所述推荐候选集中添加发生的所述网络故障对应的公告信息和/或解决办法信息。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述生成推荐候选集之后,所述根据预设过滤规则对所述推荐候选集中的候选信息进行过滤处理之前,还包括:
若所述推荐候选集中的候选信息的数量小于第二预设阈值,则根据所述查询归属地和查询渠道,向所述推荐候选集中添加第一数量的对应于所述查询归属地和查询渠道的热点信息;
若所述推荐候选集中的候选信息的数量大于或者等于所述第二预设阈值,则根据所述查询归属地和查询渠道,向所述推荐候选集中添加第二数量的对应于所述查询归属地和查询渠道的热点信息;
其中,所述第一数量大于所述第二数量,所述热点信息至少包括:浏览次数大于第一阈值的信息、好评率大于第二阈值的信息、在第一时间阈值内更新的信息、共享次数大于第三阈值的信息。
6.一种信息推荐装置,其特征在于,包括:
获取模块,用于获取用户输入的关键字信息、用户的历史搜索行为数据、查询归属地和查询渠道;
生成模块,用于根据所述用户输入的关键字信息、用户的历史搜索行为数据、查询归属地和查询渠道,生成推荐候选集;
过滤处理模块,用于根据预设过滤规则对所述推荐候选集中的候选信息进行过滤处理,生成推荐信息集;
排序模块,用于根据预设排序规则对所述推荐信息集中的各推荐信息进行排序;
推荐模块,用于将排序后的各推荐信息推荐给所述用户;
其中,所述生成模块包括:
第一添加子模块,用于根据所述关键字信息和用户的历史搜索行为数据,分别通过至少两种信息推荐模型向所述推荐候选集中添加候选信息;
通过每种所述信息推荐模型向所述推荐候选集中添加匹配度最高的数量小于或者等于第一预设阈值的候选信息;
所述信息推荐模型至少包括:协同过滤算法模型、Query-based算法模型和PageRank算法模型。
7.根据权利要求6所述的装置,其特征在于,所述生成模块还包括:
第二添加子模块,用于获取所述用户的提问信息,根据所述用户的提问信息,向所述推荐候选集中添加所述提问信息相对应的答复信息。
8.根据权利要求6所述的装置,其特征在于,所述生成模块还包括:
第三添加子模块,用于获取所述用户预设时间段内的套餐使用情况,根据所述用户预设时间段内的套餐使用情况,确定与所述用户的套餐使用情况相匹配的目标套餐,向所述推荐候选集中添加所述目标套餐的套餐信息。
9.根据权利要求6所述的装置,其特征在于,所述生成模块还包括:
第四添加子模块,用于获取所述用户的宽带信息,根据所述宽带信息确定所述用户所属宽带区域是否发生网络故障;
所述第四添加子模块还用于若确定所述用户所属宽带区域发生网络故障,向所述推荐候选集中添加发生的所述网络故障对应的公告信息和/或解决办法信息。
10.根据权利要求6-9任一项所述的装置,其特征在于,还包括:
替补模块,用于若所述推荐候选集中的候选信息的数量小于第二预设阈值,则根据所述查询归属地和查询渠道,向所述推荐候选集中添加第一数量的对应于所述查询归属地和查询渠道的热点信息;
所述替补模块还用于若所述推荐候选集中的候选信息的数量大于或者等于所述第二预设阈值,则根据所述查询归属地和查询渠道,向所述推荐候选集中添加第二数量的对应于所述查询归属地和查询渠道的热点信息;
其中,所述第一数量大于所述第二数量,所述热点信息至少包括:浏览次数大于第一阈值的信息、好评率大于第二阈值的信息、在第一时间阈值内更新的信息、共享次数大于第三阈值的信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710725867.7A CN107526807B (zh) | 2017-08-22 | 2017-08-22 | 信息推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710725867.7A CN107526807B (zh) | 2017-08-22 | 2017-08-22 | 信息推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107526807A CN107526807A (zh) | 2017-12-29 |
CN107526807B true CN107526807B (zh) | 2020-01-31 |
Family
ID=60681800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710725867.7A Active CN107526807B (zh) | 2017-08-22 | 2017-08-22 | 信息推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107526807B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427546A (zh) * | 2018-04-28 | 2019-11-08 | 北京京东尚科信息技术有限公司 | 一种信息展示方法和装置 |
CN109461053B (zh) * | 2018-10-24 | 2023-06-16 | 平安科技(深圳)有限公司 | 多推荐渠道的动态分流方法、电子装置及存储介质 |
CN109523246A (zh) * | 2018-10-25 | 2019-03-26 | 云南电网有限责任公司昆明供电局 | 用户缴费渠道规划方法及装置 |
CN111241381A (zh) * | 2018-11-28 | 2020-06-05 | 北京奇虎科技有限公司 | 信息推荐方法、装置、电子设备及计算机可读存储介质 |
CN109460944B (zh) * | 2018-12-14 | 2024-05-03 | 平安健康保险股份有限公司 | 基于大数据的核保方法、装置、设备及可读存储介质 |
CN109902218A (zh) * | 2019-01-25 | 2019-06-18 | 重庆科技学院 | 一种互联网统计数据获取方法及系统 |
JP7341690B2 (ja) * | 2019-03-22 | 2023-09-11 | キヤノン株式会社 | 情報処理装置、方法、及びプログラム |
CN110020205B (zh) * | 2019-04-11 | 2021-12-03 | 中国联合网络通信集团有限公司 | 数据信息的筛选方法和系统 |
CN110110229B (zh) * | 2019-04-25 | 2021-06-04 | 深圳前海微众银行股份有限公司 | 一种信息推荐方法及装置 |
CN110609887A (zh) * | 2019-09-18 | 2019-12-24 | 中科赛思联科(苏州)网络科技有限公司 | 基于知识图谱的科技资源大数据查询推荐系统及方法 |
CN110855483A (zh) * | 2019-11-05 | 2020-02-28 | 杭州安恒信息技术股份有限公司 | 一种运维命令管理方法、系统及电子设备 |
CN112966172A (zh) * | 2019-12-12 | 2021-06-15 | 北京沃东天骏信息技术有限公司 | 搜索方法和搜索装置 |
CN112182403B (zh) * | 2020-10-23 | 2023-09-15 | 网易(杭州)网络有限公司 | 问题查询方法、装置、设备及存储介质 |
CN113516515B (zh) * | 2021-07-21 | 2024-02-27 | 深圳追一科技有限公司 | 信息推送方法、装置、系统、电子设备及存储介质 |
CN113836404A (zh) * | 2021-09-09 | 2021-12-24 | 武汉卓尔数字传媒科技有限公司 | 对象推荐方法、装置、电子设备及计算机可读存储介质 |
CN113761383B (zh) * | 2021-10-13 | 2023-06-20 | 中国人民大学 | 一种基于统一用户行为建模的搜索和推荐融合系统 |
CN115238180B (zh) * | 2022-07-25 | 2023-08-15 | 新疆伊能众诚高科有限公司 | 互联网大数据的信息推荐方法以及ai系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661474A (zh) * | 2008-08-26 | 2010-03-03 | 华为技术有限公司 | 一种搜索方法和系统 |
CN102622445A (zh) * | 2012-03-15 | 2012-08-01 | 华南理工大学 | 一种基于用户兴趣感知的网页推送系统及方法 |
CN103634736A (zh) * | 2012-08-21 | 2014-03-12 | 北京友友天宇系统技术有限公司 | 基于地理信息的热点新闻分享方法、装置及系统 |
CN104035927A (zh) * | 2013-03-05 | 2014-09-10 | 百度在线网络技术(北京)有限公司 | 一种基于用户行为的搜索方法及系统 |
-
2017
- 2017-08-22 CN CN201710725867.7A patent/CN107526807B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661474A (zh) * | 2008-08-26 | 2010-03-03 | 华为技术有限公司 | 一种搜索方法和系统 |
CN102622445A (zh) * | 2012-03-15 | 2012-08-01 | 华南理工大学 | 一种基于用户兴趣感知的网页推送系统及方法 |
CN103634736A (zh) * | 2012-08-21 | 2014-03-12 | 北京友友天宇系统技术有限公司 | 基于地理信息的热点新闻分享方法、装置及系统 |
CN104035927A (zh) * | 2013-03-05 | 2014-09-10 | 百度在线网络技术(北京)有限公司 | 一种基于用户行为的搜索方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107526807A (zh) | 2017-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107526807B (zh) | 信息推荐方法及装置 | |
CN111782965B (zh) | 意图推荐方法、装置、设备及存储介质 | |
CN105701216B (zh) | 一种信息推送方法及装置 | |
US10546006B2 (en) | Method and system for hybrid information query | |
JP5575902B2 (ja) | クエリのセマンティックパターンに基づく情報検索 | |
CN106339383B (zh) | 一种搜索排序方法及系统 | |
CN107491996B (zh) | 一种网页广告投放方法与系统 | |
CN102054003B (zh) | 网络信息推荐、建立网络资源索引的方法及系统 | |
CN109190043A (zh) | 推荐方法及装置,存储介质,电子设备及推荐系统 | |
US10600011B2 (en) | Methods and systems for improving engagement with a recommendation engine that recommends items, peers, and services | |
CN103365904B (zh) | 一种广告信息搜索方法和系统 | |
CN104933100A (zh) | 关键词推荐方法和装置 | |
US20130006975A1 (en) | System and method for matching entities and synonym group organizer used therein | |
CN104462553A (zh) | 问答页面相关问题推荐方法及装置 | |
CN102236677A (zh) | 一种基于问答系统的信息匹配方法及系统 | |
CN102682005A (zh) | 偏好类目的确定方法及装置 | |
CN103577416A (zh) | 扩展查询方法及系统 | |
CN101699440B (zh) | 按业务检索的方法及系统 | |
CN110175264A (zh) | 视频用户画像的构建方法、服务器及计算机可读存储介质 | |
CN107153702A (zh) | 一种数据处理方法及装置 | |
CN103106234A (zh) | 一种网页内容搜索方法和装置 | |
US8498979B1 (en) | System and method for semantic analysis of social network user activities | |
KR101621735B1 (ko) | 추천 검색어 제공 방법 및 시스템 | |
CN102364475A (zh) | 基于身份识别对检索结果排序的系统及方法 | |
CN104462556A (zh) | 问答页面相关问题推荐方法和装置 |
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 |