CN107544981A - 内容推荐方法及装置 - Google Patents
内容推荐方法及装置 Download PDFInfo
- Publication number
- CN107544981A CN107544981A CN201610474923.XA CN201610474923A CN107544981A CN 107544981 A CN107544981 A CN 107544981A CN 201610474923 A CN201610474923 A CN 201610474923A CN 107544981 A CN107544981 A CN 107544981A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- data
- value
- trend
- optimisation strategy
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明公开了一种内容推荐方法及装置,属于数据处理领域。该方法包括:获取预定时间段内的特征数据,特征数据包括用户特征数据、内容特征数据和反馈特征数据中的至少一类;从特征数据中提取出时序变化特征,时序变化特征包括趋势变化特征、周期变化特征和残值变化特征中的至少两种;将时序变化特征输入决策模型,通过决策模型根据时序变化特征在优化策略集合中输出优化策略,优化策略集合中包括至少两个优化策略;执行决策模型输出的优化策略,对推荐模型进行优化;通过优化完毕的推荐模型为至少一个客户端生成推荐内容;向客户端发送推荐内容,客户端用于接收推荐内容。达到了降低对推荐模型进行优化时所耗费的时间和计算成本的效果。
Description
技术领域
本发明实施例涉及数据处理技术领域,特别涉及一种内容推荐方法及装置。
背景技术
推荐模型是一种基于用户特征数据和/或内容特征数据预测用户喜欢的内容的模型。内容是指在网络上以资源的形式来传输的各种类型的数据,比如:文档、图片、视频、音频等。用户特征数据是用于表示用户自身属性和/或用户对内容的操作行为的数据;内容特征数据是用于表示内容的自身属性和/或内容所受到的操作的数据。
由于用户特征数据和/或内容特征数据是一种具有实时性和不确定性的数据流,在应用推荐模型进行推荐的过程中,用户特征数据和/或内容特征数据会随时间而改变,而用户特征数据和/或内容特征数据的改变可能会导致推荐模型的推荐效果发生改变,比如,推荐模型生成的推荐内容与用户的真实喜好可能偏差过大。这种情况下,推荐模型的自动优化就显得非常重要。
相关技术提供的推荐模型的自动优化方法包括:检测用户特征数据和/或内容特征数据是否发生变化,当用户特征数据和/或内容特征数据发生变化时,对推荐模型试用所有可能的优化策略,选择出优化效果最佳的优化策略并执行。
由于可能的优化策略多,计算数据量大,导致对推荐模块试用所有可能的优化策略的花费的时间成本和计算成本高,推荐模型的自动优化效率较低。
发明内容
为了解决现有技术的问题,本发明实施例提供了一种内容推荐方法及装置。所述技术方案如下:
第一方面,本发明实施例提供了一种内容推荐方法。由于特征数据会随着时间的变化发生改变,在应用推荐模型时可能导致推荐模型的推荐效果发生改变,为了避免推荐模型生成的推荐内容与用户的真实喜好偏差过大,可以利用 特征数据对推荐模型进行优化,再利用推荐后的推荐模型为用户推荐内容。
作为可能的实现方式,该内容推荐方法包括:推荐服务器首先获取预定时间段内的特征数据,该特征数据包括户特征数据、内容特征数据和反馈特征数据中的至少一类。推荐服务器再从获取到的特征数据中提取出时序变化特征,该时序变化特征包括趋势变化特征、周期变化特征和残值变化特征中的至少两种;将时序变化特征输入预先建立好的决策模型中,通过决策模型从优化策略集合中匹配出与时序变化特征匹配的优化策略,该优化策略是相对于该时序变化特效的最优优化策略或较优优化策略;再利用该优化策略对推荐模型进行优化,利用优化完毕的推荐模型生成推荐内容,再将生成的推荐内容发送至至少一个客户端。
通过决策模型从优化策略集合中匹配出与时序变化特征匹配的优化策略,利用决策模型匹配出的优化策略对推荐模型进行优化,能够避免对推荐模型试用所有可能的优化策略,降低现有技术中对推荐模型进行优化时所耗费的时间和计算成本;此外,由于真实的特征数据的变化往往是几种变化类型的混合,在提取时序变化特征时计算特征数据中的各条数据的趋势值、周期值和残值中的至少两种,综合考虑特征数据的变化类型,而不是只考虑特征数据的某一种变化类型,使得决策模型根据利用趋势变化特征、周期变化特征和残值变化特征中的任意两种确定的优化策略的更加符合真实的特征数据的变化情况,利用决策模型输出的优化策略对推荐模型进行优化的效果更好。
结合第一方面,在第一方面的第一种可能的实施方式中,在推荐服务器从特征数据中提取出时序变化特征的方面,推荐服务器从特征数据中提取出趋势变化特征、周期变化特征和残值变化特征,具体实现为:推荐服务器计算特征数据中的各条数据的趋势值、周期值和残值;推荐服务器将特征数据中同一类型数据计算得到的趋势值的数学统计值,提取为同一类型数据的趋势变化特征;推荐服务器将特征数据中同一类型数据计算得到的周期值的数学统计值,提取为同一类型数据的周期变化特征;推荐服务器将特征数据中同一类型数据计算得到的残值的数学统计值,提取为同一类型数据的残值变化特征。
通过推荐服务器提取特征数据的趋势变化特征、周期变化特征和残值变化特征,综合考虑特征数据的三种变化类型:渐变、突变和周期变化,使得提取出的时序变化特征更加符合特征数据的真实变化。
结合第一方面,以及第一方面的第一种可能的实施方式,在第一方面的第二种可能的实施方式中,在推荐服务器从特征数据中提取出时序变化特征的方面,推荐服务器从特征数据中提取出趋势变化特征、周期变化特征和残值变化特征中的任意两种,具体实现为:当推荐服务器从特征数据中提取趋势变化特征、周期变化特征时,推荐服务器计算特征数据中的各条数据的趋势值和周期值;推荐服务器将特征数据中同一类型数据计算得到的趋势值的数学统计值提取为同一类型数据的趋势变化特征;推荐服务器将特征数据中同一类型数据计算得到的周期值的数学统计值提取为同一类型数据的周期变化特征;当推荐服务器从特征数据中提取趋势变化特征、残值变化特征时,推荐服务器计算特征数据中的各条数据的趋势值和残值;推荐服务器将特征数据中同一类型数据计算得到的趋势值的数学统计值提取为同一类型数据的趋势变化特征;推荐服务器将特征数据中同一类型数据计算得到的残值的数学统计值提取为同一类型数据的残值变化特征;当推荐服务器从特征数据中提取周期变化特征、残值变化特征时,推荐服务器计算特征数据中的各条数据的周期值和残值;推荐服务器将特征数据中同一类型数据计算得到的周期值的数学统计值提取为同一类型数据的周期变化特征;推荐服务器将特征数据中同一类型数据计算得到的残值的数学统计值提取为同一类型数据的残值变化特征。
通过推荐服务器提取特征数据的趋势变化特征、周期变化特征和残值变化特征中的任意两种,综合考虑特征数据的三种变化类型:渐变、突变和周期变化中的任意两种,使得推荐服务器提取出的时序变化特征更加符合特征数据的真实变化。
结合第一方面,以及第一方面的第一种或第二种可能的实施方式,在第一方面的第三种可能的实施方式中,推荐服务器通过下述公式计算特征数据中的各条数据的趋势值:其中,Trendi表示特征数据中第i个数据的趋势值,Di表示特征数据中的第i个数据,k为预设值,当i+j<1时,Di+j=D1,当i+j>N时,Di+j=DN,N为特征数据中数据的总数。
结合第一方面的第一种至第三种中的任意一种可能的实施方式,在第一方面的第四种可能的实施方式中,按推荐服务器通过下述下公式计算特征数据中的各条数据的周期值:其中,Seasoni表示特征数据中第i个数据的所述周期值,Trendi表示所述特征数据中所述第i个数据的所述趋 势值,p表示计算周期,N为所述特征数据中数据的总数。
结合第一方面,以及第一方面的第一种至第四种中的任意一种可能的实施方式,在第一方面的第五种可能的实施方式中,推荐服务器按下述公式计算特征数据中的各条数据的残值:Remainderi=Di-Trendi-Seasoni,或,Remainderi=Di-Trendi,或Remainderi=Di-Seasoni;其中,Remainderi表示特征数据中第i个数据的残值,Trendi表示特征数据中第i个数据的趋势值,Seasoni表示特征数据中第i个数据的周期值。
结合第一方面或第一方面的上述任意一种可能的实现方式,在第一方面的第六种可能的实施方式中,趋势值的数学统计值是趋势值的均值,周期值的数学统计值是周期值的幅值,残值的数学统计值是残值的均值。此外,数学统计值还可以是中位数、方差、峰值、频率中的任意一种。
结合第一方面或第一方面的上述任意一种可能的实现方式,在第一方面的第七种可能的实施方式中,当特征数据包括反馈特征数据时,推荐服务器将一组用户特征数据和/或内容特征数据输入推荐模型,推荐服务器计算出用于预测用户对内容的喜好的预测数据;然后推荐服务器比较预测数据和用户反馈数据,计算出反馈特征数据。
结合第一方面或第一方面的上述任意一种可能的实现方式,在第一方面的第八种可能的实施方式中,在推荐服务器通过决策模型根据时序变化特征在优化策略集合中输出优化策略时,推荐服务器计算优化策略集合中的各个优化策略作为决策模型输出的优化策略的概率值;然后比较概率值和预定阈值的大小,在概率值大于预定阈值时,推荐服务器将最高概率值对应的优化策略作为决策模型输出的优化策略。
结合第一方面或第一方面的上述任意一种可能的实现方式,在第一方面的第九种可能的实施方式中,在推荐服务器计算优化策略集合中的各个优化策略作为决策模型输出的优化策略的概率值之后,比较概率值和预定阈值的大小,在概率值不大于预定阈值时,将概率值从大到小排列,然后推荐服务器利用前N个概率值对应的N个优化策略分别对推荐模型进行优化,将优化效果最佳的推荐模型作为优化完毕的推荐模型,N为正整数;在优化推荐模型时,或优化推荐模型之后,或优化推荐模型之前,推荐服务器利用时序变化特征和优化完毕的推荐模型对应的优化策略,对决策模型进行更新训练。
通过在概率值不大于阈值时,推荐服务器利用前N个概率值对应的N个优 化策略分别对推荐模型进行优化,将优化效果最佳的推荐模型作为优化完毕的推荐模型,并利用时序变化特征和优化完毕的推荐模型对应的优化策略,对决策模型中进行更新训练,使得在优化推荐模型的过程中,也能够根据特征数据对决策模型进行更新训练,保持决策模型和特征数据的时序变化特征匹配,提升推荐模型的优化效率和优化效果。
结合第一方面或第一方面的上述任意一种可能的实现方式,在第一方面的第十种可能的实施方式中,在将时序变化特征输入决策模型,推荐服务器通过决策模型根据时序变化特征在优化策略集合中输出优化策略之前,推荐服务器需要建立决策模型,并初始化建立的决策模型;然后推荐服务器利用优化策略集合中的各个优化策略分别对推荐模型进行优化,将优化效果最佳的推荐模型作为优化完毕的推荐模型;在优化推荐模型时,或优化推荐模型之后,或优化推荐模型之前,推荐服务器利用时序变化特征和优化完毕的推荐模型对应的优化策略,对建立的决策模型进行训练。
通过在将时序变化特征输入决策模型之前,推荐服务器建立决策模型,利用优化策略集合中的优化策略分别对推荐模型进行优化,将优化效果最佳的推荐模型作为优化完毕的推荐模型,并且推荐服务器利用时序变化特征和优化完毕的推荐模型对应的优化策略,对建立的决策模型进行训练,使得在优化推荐模型的过程中,也能够根据特征数据对决策模型进行训练,保持决策模型和特征数据的时序变化特征匹配,提升推荐模型的优化效率和优化效果。
第二方面,提供了一种内容推荐装置,该装置包括至少一个单元,该至少一个单元用于实现上述第一方面或第一方面的至少一种实现中所提供的内容推荐方法。
第三方面,提供了一种推荐服务器,该推荐服务器包括:通信接口、处理器及存储器;
所述存储器用于存储一个或一个以上的指令,所述指令被指示为由所述处理器执行,所述通信接口用于由所述处理器控制,实现对特征数据的获取和发送;所述处理器通过执行指令来实现上述第一方面或第一方面中任意一种可能的实现方式所提供的内容推荐方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种内容推荐系统的结构示意图;
图2是本发明实施例提供的一种推荐服务器的结构示意图;
图3A是本发明实施例提供的一种内容推荐方法的方法流程图;
图3B是本发明实施例提供的一种内容推荐方法的原理图;
图4A是本发明实施例提供的另一种内容推荐方法的方法流程图;
图4B是本发明实施例提供的另一种内容推荐方法的方法流程图;
图4C本发明实施例提供的另一种内容推荐方法的方法流程图;
图5是本发明实施例提供的另一种内容推荐方法的方法流程图;
图6是本发明实施例提供的另一种内容推荐方法的方法流程图;
图7A是本发明实施例提供的另一种内容推荐方法的方法流程图;
图7B是本发明实施例提供的另一种内容推荐方法的方法流程图;
图7C是本发明实施例提供的另一种内容推荐方法的方法流程图;
图7D是本发明实施例提供的另一种内容推荐方法的方法流程图;
图8是本发明实施例提供的一种内容推荐装置的框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
在本文提及的“模块”是指存储在存储器中的能够实现某些功能的程序或指令;在本文中提及的“单元”是指按照逻辑划分的功能性结构,该“单元”可以由纯硬件实现,或者,软硬件的结合实现。
请参考图1,其示出了本发明一个示例性实施例示出的内容推荐系统的系统结构图。该内容推荐系统100包括:推荐服务器110和至少一个客户端120。
推荐服务器110是用于预测用户对内容的喜好,并根据预测数据向用户发 送推荐内容的后台服务器。可选的,推荐服务器110由至少一台服务器组成。
内容是指在网络上以资源的形式来传输的各种类型的数据。可选地,内容包括:文档、网页、资讯、图片、视频和音频中的至少一种。
推荐服务器110中包括推荐模型111。推荐模型111基于用户特征数据和/或内容特征数据预测用户喜欢的内容,根据预测数据生成推荐内容,推荐服务器110将生成的推荐内容发送给客户端120。
用户特征数据是用于表示用户自身属性和/或用户对内容的操作行为的数据。可选地,用户特征数据包括用户属性数据和/或用户行为数据。用户属性数据用于表示用户的自身属性,比如:年龄、兴趣爱好、职业等;用户行为数据用于表示用户对内容的操作行为,比如:对内容的点击、对内容的观看和对内容的收听等。
内容特征数据是用于表示内容自身属性和/或内容所受到的操作的数据。可选地,内容特征数据包括内容属性数据和/或内容行为数据。内容属性数据用于表示内容的自身属性,比如:类型、时长、价格等;内容行为数据用于表示内容所受到的操作,比如:被点击、被观看、被收听等。
预测数据用于表示预测的用户对内容的喜好程度。
可选的,推荐模型111基于用户特征数据预测用户喜欢的内容,根据预测数据生成推荐内容。比如,推荐模型111对用户的观看次数进行排名,仅向观看次数排名前100的用户生成推荐内容。
可选的,推荐模型111基于内容特征数据预测用户喜欢的内容,根据预测数据生成推荐内容。比如:推荐模型111中预测好评率排名前十的电影是用户喜欢的内容,将好评率排名前十的电影作为推荐内容。
可选的,推荐模型111基于用户特征数据和内容特征数据预测用户喜欢的内容。比如:推荐模型111预测好评率最高的纪录片是兴趣爱好为观看纪录片的用户喜欢的内容,将好评率最高的纪录片作为推荐内容,推荐服务器110将好评率最高的纪录片发送给对应于兴趣爱好为观看纪录片的用户的客户端120。
客户端120是安装在终端设备中的应用程序,客户端120用于向推荐服务器110发送用户特征数据,接收推荐服务器110推送的推荐内容,还用于向推荐服务器110发送用户反馈数据。用户反馈数据用于表示用户对推荐服务器110发送的推荐内容的真实喜好情况。可选地,用户反馈数据用两个值来表示,一 个值表示喜欢,另一个值表示不喜欢;可选地,用户反馈数据用多个值来表示,值越大表示越喜欢,值越小表示越不喜欢。
可选的,客户端120的数量为至少一个。
推荐服务器110和客户端120通过无线网络相连,或通过有线网络相连。可选地,网络使用标准通信技术和/或协议。网络通常为因特网、但是也可以是任何网络,包括但不限于局域网(Local Area Network,LAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。可以使用包括超文本标记语言(HyperText Markup Language,HTML)、可扩展标记语言(Extensible Markup Language,XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Sockets Layer,SSL)、传送层安全(TransportLayer Security,TLS)、虚拟专用网络(Virtual Private Network,VPN)、网际协议安全(Internet Protocol Security,IPsec)等常规加密技术来加密所有或者一些链路。在一些实施例中,还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。根据实施例,网络也可以包括通向其他网络(例如因特网)的链路。
请参考图2,其示出了本发明一个示例性实施例示出的推荐服务器110的结构示意图。可选的,该推荐服务器110由至少一台服务器构成,每台服务器具有相同或相似的结构。本发明实施例以该推荐服务器110由一台服务器构成为例进行详细说明,该推荐服务器110包括:中央处理器(Central Processing Unit,CPU)201、包括随机存取存储器(RandomAccess Memory,RAM)202、只读存储器(Read Only Memory,ROM)203的系统存储器204,以及连接系统存储器204和中央处理器201的系统总线205。
该服务器还包括:大容量存储设备207通过连接到系统总线205的大容量存储控制器(未示出)连接到中央处理器201。大容量存储设备207及其相关联的计算机可读介质为服务器提供非易失性存储。也就是说,大容量存储设备207可以包括诸如硬盘或者只读光盘(Compact Disc Read-Only Memory,CD-ROM)驱动器之类的计算机可读介质(未示出)。
大容量存储设备207用于存储软件程序及模块。大容量存储设备207可存 储操作系统213、至少一个功能所需的应用程序模块214和其他应用程序模块。应用程序模块214可以包括计算模块22、执行模块23、内容生成模块24等。
计算模块22,用于从特征数据中提取出时序变化特征,时序变化特征包括趋势变化特征、周期变化特征和残值变化特征中的至少两种。
执行模块23,用于将时序变化特征输入决策模型,通过决策模型根据时序变化特征在优化策略集合中输出优化策略,优化策略集合中包括至少两个优化策略;执行决策模型输出的优化策略,对推荐模型进行优化。
内容生成模块24,用于通过优化完毕的推荐模型为至少一个客户端生成推荐内容。
上述的系统存储器204和大容量存储设备207可以统称为存储器。存储器还包括一个或者一个以上的程序,一个或者一个以上程序存储于存储器中,一个或者一个以上程序包含用于进行本发明实施例提供的内容推荐方法中由内容推送服务器执行的指令。
可选的,该推荐服务器110还包括:基本输入/输出系统206,基本输入/输出系统206包括有用于显示信息的显示器208和用于用户输入信息的诸如鼠标、键盘之类的输入设备209。其中显示器208和输入设备209都通过连接到系统总线205的输入/输出控制器210连接到中央处理器201。基本输入/输出系统206还可以包括输入/输出控制器210以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入/输出控制器210还提供输出到显示屏、打印机或其他类型的输出设备。
不失一般性,计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、闪存或其他固态存储其技术,CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知计算机存储介质不局限于上述几种。
根据本发明的各种实施例,该服务器还可以通过诸如因特网等网络连接到 网络上的远程计算机运行。也即服务器可以通过连接在系统总线205上的通信接口211连接到网络212,或者说,也可以使用通信接口211来连接到其他类型的网络或远程计算机系统(未示出)。
本领域技术人员可以理解,图2中所示出的推荐系统的结构并不构成对推荐系统的限定,可以包括比图示更多或更少的部件或组合某些部件,或者不同的部件布置。
请参考图3A,其示出了本发明一示例性实施例示出的内容推荐方法的方法流程图。本实施例以该内容推荐方法应用于图1所示的推荐服务器110中来举例说明。如图3A所示,该内容推荐方法包括:
步骤301,获取预定时间段内的特征数据,特征数据包括用户特征数据、内容特征数据和反馈特征数据中的至少一类。
反馈特征数据用于表示用户反馈数据与推荐模型的预测数据之间的偏差。
需要说明的是,由于用户特征数据和/内容特征数据具有实时性和不确定性,用户特征数据和/或内容特征数据会随着时间而改变,相应地,反馈特征数据也会随着时间而改变。因此,不同时间段内的特征数据也会改变。
预定时间段是时长为T的时间段。可选的,预定时间段是一个独立的时间段,该独立的时间段与其他时间段没有关联关系;可选的,预定时间段是多个前后衔接的时间段中的一个时间段。
需要说明的是,由于特征数据随着时间不断改变,预定时间段的数量可以不止一个,每个预定时间段内的特征数据不同。推荐服务器可以随着时间的变化,不断获取不同的预定时间段内的特征数据来对推荐模型进行优化。比如:预定时长为10分钟,获取预定时间段12:00:00至12:10:00内的特征数据,并根据时间段12:00:00至12:10:00内的特征数据对推荐模型进行优化;当完成推荐模型的优化后,还可以继续获取下一个预定时间段12:12:00至12:22:00内的特征数据,根据时间段12:12:00至12:22:00内的特征数据对推荐模型进行优化。
步骤302,从特征数据中提取出时序变化特征,时序变化特征包括趋势变化特征、周期变化特征和残值变化特征中的至少两种。
可选的,时序变化特征包括趋势变化特征和周期变化特征,或,时序变化特征包括趋势变化特征和残值变化特征,或,时序变化特征包括周期变化特征 和残值变化特征,或,时序变化特征包括趋势变化特征、周期变化特征和残值变化特征。
可选地,由于特征数据中的数据具有不同的类型,每一种类型的数据具有各自的时序变化特征。也即,每种类型的数据具有各自的趋势变化特征,和/或,每种类型的数据具有各自的周期变化特征,和/或,每种类型的数据具有各自的残值变化特征。
步骤303,将时序变化特征输入决策模型,通过决策模型根据时序变化特征在优化策略集合中输出优化策略,优化策略集合中包括至少两个优化策略。
所述决策模型是用于从优化策略集合中匹配出与所述时序变化特征对应的所述优化策略的数学模型。决策模型是用于根据时序变化特征,为推荐模型选择出最优的优化策略的模型。
将至少两种时序变化特征输入决策模型,由决策模型输出优化策略。
可选地,被输入的时序变化特征的种类数越多,信息权值越重,则决策模型输出的最优优化策略越准确。
步骤304,执行决策模型输出的优化策略,对推荐模型进行优化。
步骤305,通过优化完毕的推荐模型为至少一个客户端生成推荐内容。
步骤306,向客户端发送推荐内容。
相应地,客户端接收推荐内容。
综上所述,本发明实施例所提供的内容推荐方法,通过决策模型根据时序变化特征输出用于优化推荐模型的最佳或者较佳的优化策略,通过优化完毕的推荐模型生成推荐内容;利用决策模型输出与时序变化特征对应的优化策略,避免对推荐模型试用所有可能的优化策略,降低现有技术中对推荐模型进行优化时所耗费的时间和计算成本;此外,由于真实的特征数据的变化往往是几种变化类型的混合,在提取时序变化特征时计算特征数据中的各条数据的趋势值、周期值和残值中的至少两种,综合考虑特征数据的变化类型,而不是只考虑特征数据的某一种变化类型,使得决策模型根据利用趋势变化特征、周期变化特征和残值变化特征中的任意两种确定的优化策略的更加符合真实的特征数据的变化情况,利用决策模型输出的优化策略对推荐模型进行优化的效果更好。
请参考图3B,其示出了本发明一示例性实施例示出的内容推荐方法的原理图。获取用户特征数据、内容特征数据、反馈特征数据中的任意一种;提取出 对应的时序变化特征;将时序变化特征输入决策模型,得到优化策略;执行优化策略对推荐模型进行优化;应用优化后的推荐模型生成推荐内容,再将推荐内容发送至客户端。
在下一实施例中,以时序变化特征同时包括趋势变化特征、周期变化特征和残值变化特征三种特征来对本发明实施例进一步阐述。
请参考图4A,其示出了本发明另一示例性实施例示出的内容推荐方法的方法流程图。本实施例以该内容推荐方法应用于图1所示的推荐服务器110中来举例说明。如图4A所示,该内容推荐方法包括:
步骤401,获取预定时间段内的特征数据,特征数据包括用户特征数据、内容特征数据和反馈特征数据中的至少一类。
以预定时间段是时间段T为例,在时间段T内获取到的用户特征数据可以如表一所示。
表一
如表一所示,获取到的用户特征数据的类型包括年龄、性别、学历等,为方便处理不是数值的性别类型和学历类型等数据,将性别类型和学历类型等数据分别量化为数值,本发明实施例中对数据的量化方法不作限定。表一中的一行数据代表一条用户特征数据,相邻的两条数据可能是对应于同一个用户的特 征数据,也可能是对应于不同用户的特征数据。
由于用户特征数据为流式数据,用户特征数据随着时间不断改变,表一中每条数据的编号与每条用户数据产生的时间点对应。
以预定时间段是时间段T为例,在时间段T内获取到的内容特征数据可以如表二所示。
表二
如表二所示,获取到的内容特征数据的类型包括内容时长、价格、类型等,由于类型数据不是数值,为方便处理,将类型数据量化为数值,本发明实施例中对数据的量化方法不作限定。表二中的一行数据代表一条内容特征数据,相邻的两条数据可能是对应于同一个内容的特征数据,也可能是对于于不同内容的特征数据。
由于内容特征数据为流式数据,内容特征数据随着时间不断改变,表二中每条数据的编号与每条内容数据产生的时间点对应。
可选的,当特征数据包括反馈特征数据时,步骤401还包括如下两个子步骤,如图4B所示:
步骤401a,将一组用户特征数据和/或内容特征数据输入推荐模型,计算出预测数据,预测数据用于预测用户对内容的喜好。
可选的,一组用户特征数据是预定时间段内获取到的用户特征数据中的全部数据或者一部分数据,比如:在预定时间段内共获取到100条用户特征数据,一组用户特征数据有20条用户特征数据。同样地,一组内容特征数据是预定时 间段内获取到的内容特征数据中的全部数据或者一部分数据。
比如,将一组用户特征数据和内容特征数据输入推荐模型,计算出的用户对某部影片的预测数据如表三所示:
表三
如表三所示,表三中的一行数据对应一条用户特征数据和/或内容特征数据。比如:表三中编号1的预测数据对应表二中编号1的内容特征数据。
表三中预测数据的类型有两种,分别为喜欢和不喜欢,将预测数据量化为数值0和1,0表示不喜欢,1表示喜欢,本发明实施例中对数据的量化方法不作限定。
需要说明的是,预测数据的类型还可以有多种,比如,将预测数据量化为0、1、2、3、4,0表示不喜欢,1表示一般,2表示喜欢,3表示非常喜欢,4表示狂热。如下表所示,其示出了推荐模型计算出的另一种用户对某部影片的预测数据:
步骤401b,比较预测数据和用户反馈数据,计算出反馈特征数据。
用户反馈数据用于表示用户对推荐服务器发送的推荐内容的真实喜好情况,比如:用户将某一推荐内容标记为喜欢或不喜欢。
可选的,将预测数据和用户反馈数据之差的绝对值作为反馈特征数据;或者,将预测数据和用户反馈数据之积作为反馈特征数据。
以推荐服务器向客户端推荐了某部影片,反馈特征数据是预测数据和用户反馈数据之差的绝对值为例,计算出的反馈特征数据如表四所述:
表四
如表四所示,反馈特征数据为1,表示用户对该推荐的影片的真实喜好与推荐模型预测用户对该影片的喜好不同;反馈数据为0,表示用户对该推荐的影片的真实喜好与推荐模型预测用户对该影片的喜好相同。
以预定时间段是时间段T,特征数据包括用户特征数据、内容特征数据和反馈特征数据为例,获取到的推荐系统在时间段T内的用户特征数据、内容特征数据和反馈特征数据如表五所示:
表五
步骤402,从特征数据中提取出时序变化特征,时序变化特征包括趋势变化特征、周期变化特征和残值变化特征。
当时序变化特征包括趋势变化特征、周期变化特征和残值变化特征时,步骤402还包括如下两个子步骤,如图4C所示:
步骤402a,计算特征数据中的各条数据的趋势值、周期值和残值。
特征数据中每条数据包括至少一种类型的数据,计算每条数据中的每种类型数据的趋势值、周期值和残值。
可选的,通过加法拆分或乘法拆分的方法计算特征数据中各条数据的趋势值、周期值和残值。加法拆分的方法有移动平均算法、二叉空间分割算法等,乘法拆分算法有Karatsuba乘法、Comba乘法等。
以加法拆分中的移动平均算法为例,按如下公式计算特征数据中各条数据的趋势值、残值和周期值:
按如下公式计算趋势值:
其中,Trendi表示特征数据中第i个数据的趋势值,Di表示特征数据中的第i个数据,k为预设值,当i+j<1时,Di+j=D1,当i+j>N时,Di+j=DN,N为特征数据中数据的总数。
举例来说,假设特征数据为用户特征数据,获取到的用户特征数据中共有6条数据,即N=6,k=3,则a=1,当1<i<6时,当i=1时, 当i=6时,
按如下公式计算周期值:
其中,Seasoni表示特征数据中第i个数据的周期值,Trendi表示特征数据中第i个数据的趋势值,p表示计算周期,N为特征数据中数据的总数。
需要说明的是,(6-2)中Trendi的值为0,即周期值与趋势值无关;或者,(6-2) 中的Trendi值不为0,即周期值与趋势值有关,Trendi可以通过(6-1)计算得到,或者Trendi通过其他方式计算得到。
按如下公式计算残值:
Remainderi=Di-Trendi-Seasoni (6-3),
或,Remainderi=Di-Trendi (6-4),
或,Remainderi=Di-Seasoni (6-5),
其中,Remainderi表示特征数据中第i个数据的残值,Trendi表示特征数据中第i个数据的趋势值,Seasoni表示特征数据中第i个数据的周期值。
需要说明的是,(6-3)、中的Trendi值和Seasoni的值不为0,即残值与趋势值和周期值有关;(6-4)中的Trendi的值不为0,即残值与趋势值有关;(6-5)中Seasoni的值不为0,即残值与周期值有关。
需要说明的是,(6-3)、(6-4)、(6-5)中得Trendi或Seasoni可以通过上述(6-1)、(6-2)计算得到,也可以通过其他计算方式得到。
以利用移动平均算法计算用户特征数据中类型为年龄的数据的趋势值、周期值和残值为例,计算后的用户特征数据如表六所示:
表六
步骤402b,将特征数据中同一类型数据计算得到的趋势值的数学统计值,提取为同一类型数据的趋势变化特征;将特征数据中同一类型数据计算得到的周期值的数学统计值,提取为同一类型数据的周期变化特征;将特征数据中同一类型数据计算得到的残值的数学统计值,提取为同一类型数据的残值变化特征。
可选的,趋势值的数学统计值是趋势值的均值;或者,趋势值的属性统计值是趋势值的中位数、方差、峰值、趋势升降频率和差值幅度中的任意一种。
可选的,周期值的数学统计值是周期值的幅值;或者,周期值的数学统计值是周期值的方差、峰值、周期和频率中的任意一种。
可选的,残值的数学统计值是残值的均值;或者,残值的数学统计值是残值的峰值或方差。
在一个例子中,将用户特征数据中类型为年龄的数据计算得到的趋势值的均值作为类型为年龄的数据的趋势变化特征,将用户特征数据中类型为年龄的数据计算得到的周期值的幅值作为类型为年龄的数据的周期变化特征,将用户特征数据中类型为年龄的数据计算得到的残值的均值作为类型为年龄的数据的残值变化特征,得到的用户特征数据的时序变化特征如表七所示:
表七
定义时序变化特征为F={f1,f2,f3,...,fn},其中,f1,f2,f3,...,fn包括用户特征数据的时序变化特征、内容特征数据的时序变化特征和反馈特征数据的时序变化特征中的至少一种,各类特征数据的时序变化特征包括趋势变化特征、周期变化特征和残值变化特征。
比如:f1表示用户特征数据中数据类型a的趋势变化特征值,f2表示用户特征数据中数据类型a的周期变化特征,f3表示用户特征数据中数据类型a的残值变化特征;或者,f1表示用户特征数据中数据类型a的趋势变化特征,f2表示用户特征数据中数据类型a的周期变化特征,f3表示用户特征数据中数据类型a的残值变化特征,f4表示内容特征数据中数据类型b的趋势变化特征,…,fn-1表示反馈特征数据中数据类型n的周期变化特征,fn表示反馈特征数据中数据类型n的残值变化特征,如表八所示:
表八
步骤403,将时序变化特征输入决策模型,计算优化策略集合中的各个优化策略作为决策模型输出的优化策略的概率值。
可选的,决策模型为朴素贝叶斯模型,或者决策模型为逻辑回归模型,或者,决策模型为决策树模型,或决策模型为AdaBoost元模型。
可选的,优化策略集合中包括至少两个优化策略,优化策略集合可以表示为S={s1,s2,...,sm},1<i<m。每个优化策略si可以是一种优化策略,或者是多种优化策略的组合,比如优化策略集合中包括的优化策略如表九所示:
表九
优化策略集合S | 优化策略名称 |
s1 | 重新训练模型 |
s2, | 复用模型 |
… | … |
si | 重新训练模型&重新选择超参 |
… | … |
sm | 不做任何操作 |
如表九所示,s1表示的优化策略为重新训练模型,s2,表示的优化策略为复用模型,si表示的优化策略为重新训练模型和重新选择超参的组合,sm表示的优化策略为不做任何操作。
比如:优化策略集合中共有4种优化策略,分别为重新训练模型、复用模型、重新训练模型和重新选择超参的组合、不做任何操作,计算出重新训练模型作为决策模型输入的优化策略的概率值为0.6,复用模型作为决策模型输入的优化策略的概率值为0.4,重新训练模型和重新选择超参的组合作为决策模型输入的优化策略的概率值为0.3,不做任何操作作为决策模型输入的优化策略的概率值为0.1。
步骤404,检测概率值是否大于预定阈值。
若概率值大于预定阈值,则执行步骤405。
步骤405,若概率值大于预定阈值,则将最高概率值对应的优化策略作为决策模型输出的优化策略。
假设预定阈值为0.5,优化策略集合中4种优化策略分别作为决策模型输入的优化策略的概率值为:重新训练模型作为决策模型输入的优化策略的概率值为0.6,复用模型作为决策模型输入的优化策略的概率值为0.4,重新训练模型和重新选择超参的组合作为决策模型输入的优化策略的概率值为0.3,不做任何操作作为决策模型输入的优化策略的概率值为0.1,则将最高概率值0.6对应的优化策略重新训练模型作为决策模型输出的优化策略。
步骤406,执行决策模型输出的优化策略,对推荐模型进行优化。
步骤407,通过优化完毕的推荐模型为至少一个客户端生成推荐内容。
将用户特征数据和/或内容特征数据输入优化完毕的推荐模型,为至少一个客户端生成推荐内容。
需要说明的是,输入优化完毕的推荐模型的内容特征数据可以是受到用户操作行为的内容对应的内容特征数据,也可以是未受到用户操作行为的内容对应的内容特征数据,其中,用户操作行为包括点击、观看、收听、转发、收藏、订阅等。
步骤408,向客户端发送推荐内容。
相应地,客户端接收推荐内容。
可选的,客户端接收到推荐内容后,根据客户端的设置对推荐内容进行相应的处理。比如:客户端在接收到推荐内容后在预定位置显示推荐内容;或者,用户在客户端中设置接收到推荐内容后立即提示,则客户端接收到推荐内容后,立即显示包括有推荐内容的简介的消息;或者,用户在客户端中设置接收到推荐内容后过一段时间再提示,则客户端在接收到推荐内容后过一段时间再显示推荐内容的链接;或者,用户在客户端中设置不显示推荐内容,则客户端接收到推荐内容后,不显示推荐内容。
综上所述,本发明实施例所提供的内容推荐方法,通过决策模型根据时序变化特征输出用于优化推荐模型的最佳或者较佳的优化策略,通过优化完毕的推荐模型生成推荐内容;利用决策模型输出与时序变化特征对应的优化策略,避免对推荐模型试用所有可能的优化策略,降低现有技术中对推荐模型进行优化时所耗费的时间和计算成本;此外,由于真实的特征数据的变化往往是几种变化类型的混合,在提取时序变化特征时计算特征数据中的各条数据的趋势值、周期值和残值中的至少两种,综合考虑特征数据的变化类型,而不是只考虑特 征数据的某一种变化类型,使得决策模型根据利用趋势变化特征、周期变化特征和残值变化特征中的任意两种确定的优化策略的更加符合真实的特征数据的变化情况,利用决策模型输出的优化策略对推荐模型进行优化的效果更好。
在基于图4所示的实施例的可选实施例中,若计算出优化策略集合中的各个优化策略作为决策模型输出的优化策略的概率值不大于预定阈值,则上述步骤405至步骤406被替代实现为步骤405a,该方法还包括步骤406a,如图5所示:
步骤405a,若概率值不大于预定阈值,则利用前N个概率值对应的N个优化策略分别对推荐模型进行优化,将优化效果最佳的推荐模型作为优化完毕的推荐模型,N为正整数。
由于特征数据随着时间不断改变,将时序变化特征输入决策模型后计算出的概率值可能小于或等于预定阈值,则此时不能够使用决策模型选择出用于优化推荐模型的优化策略。
在概率值不大于预定阈值时,将概率值从大到小的排序,利用前N个概率值对应的N个优化策略分别对推荐模型进行优化,从优化后的N个推荐模型中选择出优化效果最佳的推荐模型作为优化完毕的推荐模型。此时对推荐模型优化效果最佳的优化策略可能不是最高概率值对应的优化策略。
将预定时间段内的用户特征数据和/或内容特征数据输入优化后的推荐模型,计算出预测数据,再比较预测数据和预定时间段内获取到的用户反馈数据,将预测数据和用户反馈数据之间的偏差大小作为优化效果。预测数据与用户反馈数据之间的偏差越小,优化策略对推荐模型的优化效果越好。
步骤406a,利用时序变化特征和优化完毕的推荐模型对应的优化策略,对决策模型进行更新训练。
可选的,决策模型为朴素贝叶斯模型,则利用时序变化特征和优化完毕的推荐模型对应的优化策略,对决策模型进行更新训练,具体地,更新训练决策模型中的条件概率Pr(fi=f|sk),f为时序变化特征中的任意一个特征值,sk为优化完毕的推荐模型对应的优化策略,Pr(fi=f|sk)表示时序变化特征中的任意一个特征f在给定优化策略sk下的条件概率。
比如,决策模型为朴素贝叶斯模型,时序变化特征 F={f1,f2,f3,f4,f5,f6,f7,f8,f9},将时序变化特征F输入决策模型后,计算得到的概率值小于预定阈值,则将概率值从大到小排序,利用前3个概率值对应的3个优化策略分别对推荐模型进行优化;得到利用优化策略s2对推荐模型优化的效果最佳,则将经过优化策略s2优化的推荐模型作为优化完毕的推荐模型。再利用时序变化特征F和优化策略s2对朴素贝叶斯模型中的条件概率Pr(fi=f|s2)进行更新训练,其中f为时序变化特征F中的任意一个特征,Pr(fi=f|s2)表示时序变化特征中的任意一个特征f在给定优化策略s2下的条件概率:
具体的,对每一个特征fi,fi属于F,假设fi服从正态分布,计算历史所有fi的均值μ和方差σ2,将均值μ和方差σ2代入公式 且
需要说明的是,步骤406a可以在步骤407之前执行,或者与步骤407同时执行,或者在步骤407之后执行。
此外,本发明实施例还通过在概率值不大于阈值时,利用前N个概率值对应的N个优化策略分别对推荐模型进行优化,将优化效果最佳的推荐模型作为优化完毕的推荐模型,并利用时序变化特征和优化完毕的推荐模型对应的优化策略,对决策模型进行更新训练,使得在优化推荐模型的过程中,也能够根据特征数据对决策模型进行更新训练,保持决策模型和特征数据的时序变化特征匹配,提升推荐模型的优化效率和优化效果。
在基于图4所示的实施例的可选实施例中,在将时序变化特征输入决策模型之前,还需要建立决策模型,即上述步骤403之前还包括步骤403a、步骤403b和步骤403c,如图6所示:
步骤403a,建立决策模型,并初始化建立的所述决策模型。
可选的,初始化建立的决策模型是指将决策模型中的模型参数设置为0,或者将决策模型中的模型参数设置为预定值。
比如,时序变化特征F={f1,f2,f3,f4,f5,f6,f7,f8,f9},建立的决策模型为朴素贝叶斯模型,并初始化建立的决策模型中,也即将朴素贝叶斯模型中的条件概率Pr(fi=b|si)设置为0,其中,b为任意值。
步骤403b,利用优化策略集合中的各个优化策略分别对推荐模型进行优化,将优化效果最佳的推荐模型作为优化完毕的推荐模型。
比如:优化策略集合S中有m个优化策略,利用优化策略集合S中的m个优化策略分别对推荐模型进行优化,得到利用优化策略s2对推荐模型优化的效果最佳,则将经过优化策略s2优化的推荐模型作为优化完毕的推荐模型。
步骤403c,利用时序变化特征和优化完毕的推荐模型对应的优化策略,对建立的决策模型进行训练。
比如,建立的决策模型为朴素贝叶斯模型,时序变化特征F={f1,f2,f3,f4,f5,f6,f7,f8,f9},优化完毕的推荐模型对应的优化策略为s2,利用时序变化变化特征F和优化策略s2更新朴素贝叶斯模型中的条件概率Pr(fi=f|s2),其中fi属于F:
具体的,对每一个特征fi,fi属于F,假设fi服从正态分布,计算历史所有fi的均值μ和方差σ2,将均值μ和方差σ2代入公式 且
此外,本发明实施例还通过在将时序变化特征输入决策模型之前,建立决策模型,利用优化策略集合中的优化策略分别对推荐模型进行优化,将优化效果最佳的推荐模型作为优化完毕的推荐模型,并利用时序变化特征和优化完毕的推荐模型对应的优化策略,对建立的决策模型进行训练,使得在优化推荐模型的过程中,也能够根据特征数据对决策模型进行训练,保持决策模型和特征数据的时序变化特征匹配,提升推荐模型的优化效率和优化效果。
在一个示例性的例子中,决策模型为朴素贝叶斯模型,优化策略集合为如表九所示的优化策略集合,在预定时间段获取到的用户特征数据如表一所示,在预定时间段获取到的内容特征数据如表二所示,在预定时间段获取到的反馈数据如表四所示,决策模型中的参数为各个时序变化特征相对于各个优化策略的条件概率。
计算用户特征数据中各条数据的趋势值、周期值和残值:
根据(6-1)计算出用户特征数据中各条数据的趋势值,利用(6-1)和(6-2)计算出用户特征数据的周期值,利用公式(6-1)、(6-2)和(6-3)计算出用户特征数据的残值,经过计算后的用户特征数据如表十所示:
表十
根据(6-1)计算出内容特征数据中各条数据的趋势值,利用(6-1)和(6-2)计算出内容特征数据的周期值,利用公式(6-1)、(6-2)和(6-3)计算出内容特征数据的残值,经过计算后的内容特征数据如表十一所示:
表十一
根据(6-1)计算出反馈特征数据中各条数据的趋势值,利用(6-1)和(6-2)计算出反馈特征数据的周期值,利用公式(6-1)、(6-2)和(6-3)计算出反馈特征数据的残值,经过计算后的反馈特征数据如表十二所示:
表十二
将用户特征数据中年龄对应的数据得到的趋势值的均值作为趋势变化特征f1,将用户特征数据中年龄对应的数据得到的周期值的幅值作为周期变化特征f2,将用户特征数据中年龄对应的数据得到的残值的均值作为残值变化特征f3;
将内容特征数据中内容时长对应的数据得到的趋势值的均值作为趋势变化特征f4,将内容特征数据中内容时长对应的数据得到的周期值的幅值作为周期变化特征f5,将内容特征数据中内容时长对应的数据得到的残值的均值作为残值变化特征f6;
将反馈特征数据的趋势值的均值作为趋势变化特征f7,将反馈特征数据的周期值的幅值作为周期变化特征f8,将反馈特征数据的残值的均值作为残值变化特征f9。
由此可以得到时序变化特征F={f1,f2,f3,f4,f5,f6,f7,f8,f9}。
在将时序变化特征F输入决策模型之前,需要建立决策模型,并初始化建立的决策模型,也即将建立的朴素贝叶斯模型中的条件概率Pr(fi=b|si)设置为0,其中,b为任意值;
利用优化策略集合S中的m个优化策略分别对推荐模型进行优化,得到利用优化策略s2对推荐模型优化的效果最佳,则将经过优化策略s2优化的推荐模型作为优化完毕的推荐模型。利用优化完毕的推荐模型生成推荐内容,向客户端发送推荐内容。
利用时序变化特征F和优化策略s2对建立的决策模型进行更新训练,也即更新朴素贝叶斯模型中的条件概率Pr(fi=v|s2),其中v属于F。
将时序变化特征F输入决策模型,计算优化策略集合S中各个优化策略作为决策模型输出的优化策略的置信度,置信度表示一个优化策略作为决策模型输出的优化策略的概率:
Pr=(s1|f1,f2,f3,f4,f5,f6,f7,f8,f9)=Pr(s1)Pr(f1|s1)Pr(f2|s1)...Pr(f9|s1)=0.8;
Pr=(s2|f1,f2,f3,f4,f5,f6,f7,f8,f9)=Pr(s2)Pr(f1|s2)Pr(f2|s2)...Pr(f9|s2)=0.7;
........
Pr=(sm|f1,f2,f3,f4,f5,f6,f7,f8,f9)=Pr(sm)Pr(f1|sm)Pr(f2|sm)...Pr(f9|sm)=0.6;
计算出的结果和对应的优化策略如表十三所示:
表十三
优化策略 | 优化策略名称 | 置信度 |
s1 | 重新训练模型 | 0.8 |
s2 | 复用模型 | 0.7 |
… | … | … |
sm | 不做任何操作 | 0.6 |
一、假设预定阈值为0.75,最高置信度为0.8,则将最高置信度0.8对应的优化策略s1作为最佳优化策略,执行最佳优化策略s1。对推荐模型进行重新训练模型的优化操作,再通过优化完毕的推荐模型为至少一个客户端生成推荐内容,向客户端发送推荐内容。
二、假设预定阈值为0.9,计算出的置信度都小于0.9,则利用置信度按从大到小排列后的前3个置信度对应的3个优化策略分别对推荐模型进行优化,置信度按从大到小排列后的前3个置信度对应的优化策略为s1、s2、sm;得到利用优化策略s2对推荐模型优化的效果最佳,则将经过优化策略s2优化的推荐模型作为优化完毕的推荐模型。利用优化完毕的推荐模型生成推荐内容,向客户端发送推荐内容。
利用时序变化特征F和优化策略s2对决策模型进行更新训练,也即更新朴素贝叶斯模型中的条件概率Pr(fi=f|s2),其中fi属于F。
在基于图6所示实施例的可选实施例中,以时序变化特征包括趋势变化特征、周期变化特征和残值变化特征中的任意两种来对本发明实施例进一步阐述。
若时序变化特征包括趋势变化值、周期变化特征和残值变化特征中的任意两种,则上述步骤402可被替代实现为步骤702,如图7A所示。
步骤702,从特征数据中提取出时序变化特征,时序变化特征包括趋势变化特征、周期变化特征和残值变化特征中的任意两种。
当时序变化特征包括趋势变化特征和残值变化特征时,步骤702包括如下几个子步骤,如图7B所示:
步骤702a,计算特征数据中的各条数据的趋势值和残值。
计算特征数据中的各条数据的趋势值和残值至少包括如下三种方法:
一、通过加法拆分或乘法拆分的方法计算特征数据中各条数据的趋势值、周期值和残值,只提取计算得到的趋势值和残值。
以加法拆分中的移动平均算法为例,按式(6-1)计算出趋势值,将计算出的趋势值代入式(6-2)计算出周期值,再将计算出的趋势值和周期值代入式(6-3)计算出残值,只提取趋势值和残值。
二、利用式(6-1)计算出趋势值,再将趋势值代入式(6-4)计算出残值。
三、利用单独计算趋势值的方法计算出特征数据中的各条数据的趋势值,再利用单独计算残值的计算方法计算出特征数据中各条数据的残值。
步骤702b,将特征数据中同一类型数据计算得到的趋势值的数学统计值,提取为同一类型数据的趋势变化特征;将特征数据中同一类型数据计算得到的残值的数学统计值,提取为同一类型数据的残值变化特征。
可选的,趋势值的数学统计值是趋势值的均值;或者,趋势值的属性统计值是趋势值的中位数、方差、峰值、趋势升降频率和差值幅度中的任意一种。
可选的,残值的数学统计值是残值的均值;或者,残值的数学统计值是残值的峰值或方差。
在一个例子中,以移动平均算法计算用户特征数据中各条数据的趋势值和残值,将用户特征数据中类型为年龄的数据计算得到的趋势值的均值作为类型为年龄的数据的趋势变化特征,将用户特征数据中类型为年龄的数据计算得到的残值的均值作为类型为年龄的数据的残值变化特征,得到的用户特征数据的时序变化特征如表十四所示:
表十四
当时序变化特征包括趋势变化特征和周期值变化特征时,步骤702包括如下几个子步骤,如图7C所示:
步骤702c,计算特征数据中的各条数据的趋势值和周期值。
步骤702d,将特征数据中同一类型数据计算得到的趋势值的数学统计值, 提取为同一类型数据的趋势变化特征;将特征数据中同一类型数据计算得到的周期值的数学统计值,提取为同一类型数据的周期值变化特征。
当时序变化特征包括趋势变化特征和周期变化特征时,该步骤的具体实施方式与步骤702a和步骤702b类似,这里不再赘述。
当时序变化特征包括周期变化特征和残值变化特征时,步骤702还包括如下几个子步骤,如图7D所示:
步骤702e,计算特征数据中的各条数据的周期值和残值。
步骤702f,将特征数据中同一类型数据计算得到的周期值的数学统计值,提取为同一类型数据的周期变化特征;将特征数据中同一类型数据计算得到的残值的数学统计值,提取为同一类型数据的残值变化特征。
当时序变化特征包括周期变化特征和残值变化特征时,该步骤的具体实施方式与步骤702a和步骤702b类似,这里不再赘述。
请参考图8,其示出了本发明一个实施例提供的内容推荐装置的框图。该内容推荐装置可以通过软件、硬件或者两者的结合实现成为推荐服务器110的全部或者一部分。该内容推荐装置包括:
通信单元810,用于实现上述步骤301和步骤306的功能。
计算单元820,用于实现上述步骤302的功能。
执行单元830,用于实现上述步骤的303和步骤304功能。
内容生成单元840,用于实现上述步骤305的功能。
相关细节可结合参考图3所述的方法实施例。
需要说明的是,上述通信单元810可以通过推荐服务器110的通信接口211来实现,上述计算单元820可以通过推荐服务器110的中央处理器201执行存储器中的计算模块22来实现,执行单元830可以通过推荐服务器110的中央处理器执行存储器中的执行模块23来实现,内容生成单元840可以通过推荐服务器110的中央处理器201执行存储器中的内容生成模块24来实现。
请参考图8,其示出了本发明另一个实施例提供的内容推荐装置的框图。该内容推荐装置可以通过软件、硬件或者两者的结合实现成为推荐服务器110的全部或者一部分。该内容推荐装置包括:
通信单元810,用于实现上述步骤401、步骤401a、步骤401b和步骤408的功能。
计算单元820,用于实现上述步骤402、步骤402a、步骤402b、步骤702、步骤702a、步骤702b、步骤702c、步骤702d、步骤702e、步骤702f的功能。
执行单元830,用于实现上述步骤403、步骤405、步骤405a、步骤406、步骤406a、步骤403a、步骤403b、步骤403c。的功能。
内容生成单元840,用于实现上述步骤407的功能。
相关细节可结合参考图4A、图4B、图4C、图5、图6、图7A、图7B、图7C、图7D所述的方法实施例。
需要说明的是,上述通信单元810可以通过推荐服务器110的通信接口211来实现,上述计算单元820可以通过推荐服务器110的中央处理器201执行存储器中的计算模块22来实现,执行单元830可以通过推荐服务器110的中央处理器201执行存储器中的执行模块23来实现,内容生成单元840可以通过推荐服务器110的中央处理器201执行存储器中的内容生成模块24来实现。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。
本领域普通技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,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,可以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。
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。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (23)
1.一种内容推荐方法,其特征在于,所述方法包括:
获取预定时间段内的特征数据,所述特征数据包括用户特征数据、内容特征数据和反馈特征数据中的至少一类;
从所述特征数据中提取出时序变化特征,所述时序变化特征包括趋势变化特征、周期变化特征和残值变化特征中的至少两种;
将所述时序变化特征输入决策模型,通过所述决策模型根据所述时序变化特征在优化策略集合中输出优化策略,所述优化策略集合中包括至少两个优化策略,所述决策模型是用于从所述优化策略集合中匹配出与所述时序变化特征对应的所述优化策略的数学模型,;
执行所述决策模型输出的优化策略,对推荐模型进行优化;
通过优化完毕的所述推荐模型为至少一个客户端生成推荐内容;
向所述客户端发送所述推荐内容。
2.根据权利要求1所述的方法,其特征在于,所述从所述特征数据中提取出时序变化特征,所述时序变化特征包括趋势变化特征、周期变化特征和残值变化特征中的至少两种,包括:
计算所述特征数据中的各条数据的趋势值、周期值和残值;
将所述特征数据中同一类型数据计算得到的所述趋势值的数学统计值,提取为同一类型数据的所述趋势变化特征;
将所述特征数据中同一类型数据计算得到的所述周期值的数学统计值,提取为同一类型数据的所述周期变化特征;
将所述特征数据中同一类型数据计算得到的所述残值的数学统计值,提取为同一类型数据的所述残值变化特征。
3.根据权利要求1所述的方法,其特征在于,所述从所述特征数据中提取出时序变化特征,所述时序变化特征包括趋势变化特征、周期变化特征和残值变化特征中的至少两种,包括:
计算所述特征数据中的各条数据的所述趋势值和所述周期值;将所述特征数据中同一类型数据计算得到的所述趋势值的数学统计值提取为所述同一类型数据的所述趋势变化特征;将所述特征数据中所述同一类型数据计算得到的所述周期值的数学统计值提取为所述同一类型数据的所述周期变化特征;
或,
计算所述特征数据中的各条数据的所述趋势值和所述残值;将所述特征数据中同一类型数据计算得到的所述趋势值的数学统计值提取为所述同一类型数据的所述趋势变化特征;将所述特征数据中所述同一类型数据计算得到的所述残值的数学统计值提取为所述同一类型数据的所述残值变化特征;
或,
计算所述特征数据中的各条数据的所述周期值和所述残值;将所述特征数据中同一类型数据计算得到的所述周期值的数学统计值提取为所述同一类型数据的所述周期变化特征;将所述特征数据中所述同一类型数据计算得到的所述残值的数学统计值提取为所述同一类型数据的所述残值变化特征。
4.根据权利要求2或3所述的方法,其特征在于,所述计算所述特征数据中的各条数据的趋势值,包括:
按如下公式计算所述趋势值:
Trendi表示所述特征数据中第i个数据的所述趋势值,Di表示所述特征数据中的第i个数据,k为预设值,当i+j<1时,Di+j=D1,当i+j>N时,Di+j=DN,N为所述特征数据中数据的总数。
5.根据权利要求2或3所述的方法,其特征在于,所述计算所述特征数据中的各条数据的周期值,包括:
按如下公式计算所述周期值:
Seasoni表示所述特征数据中第i个数据的所述周期值,Trendi表示所述特征数据中所述第i个数据的所述趋势值,p表示计算周期,N为所述特征数据中数据的总数。
6.根据权利要求2或3所述的方法,其特征在于,所述计算所述特征数据中的各条数据的残值,包括:
按如下公式计算所述残值:
Remainderi=Di-Trendi-Seasoni,或,Remainderi=Di-Trendi,或Remainderi=Di-Seasoni;
其中,Remainderi表示所述特征数据中第i个数据的所述残值,Trendi表示所述特征数据中所述第i个数据的所述趋势值,Seasoni表示所述特征数据中所述第i个数据的所述周期值。
7.根据权利要求2或3所述的方法,其特征在于,所述趋势值的数学统计值是所述趋势值的均值,所述周期值的数学统计值是所述周期值的幅值,所述残值的数学统计值是所述残值的均值。
8.根据权利要求1至7任一所述的方法,其特征在于,所述特征数据包括反馈特征数据,所述获取推荐系统在预定时间段内的特征数据,包括:
将一组所述用户特征数据和/或所述内容特征数据输入所述推荐模型,计算出预测数据,所述预测数据用于预测用户对内容的喜好;
比较所述预测数据和用户反馈数据,计算出所述反馈特征数据。
9.根据权利要求1至8任一所述的方法,其特征在于,所述通过所述决策模型根据所述时序变化特征在优化策略集合中输出优化策略,所述优化策略集合中包括至少两个优化策略,包括:
计算所述优化策略集合中的各个优化策略作为所述决策模型输出的优化策略的概率值;
若所述概率值大于预定阈值,则将最高概率值对应的优化策略作为所述决策模型输出的优化策略。
10.根据权利要求9所述的方法,其特征在于,所述计算所述优化策略集合中的各个优化策略作为所述决策模型输出的优化策略的概率值之后,所述方法还包括:
若所述概率值不大于所述预定阈值,则利用前N个概率值对应的N个优化策略分别对所述推荐模型进行优化,将优化效果最佳的推荐模型作为所述优化完毕的推荐模型,所述N为正整数;
利用所述时序变化特征和所述优化完毕的推荐模型对应的优化策略,对所述决策模型进行更新训练。
11.根据权利要求1至8任一所述的方法,其特征在于,在所述将所述时序变化特征输入决策模型,通过所述决策模型根据所述时序变化特征在优化策略集合中输出优化策略之前,所述方法还包括:
建立决策模型,并初始化建立的所述决策模型;
利用所述优化策略集合中的各个优化策略分别对所述推荐模型进行优化,将优化效果最佳的推荐模型作为所述优化完毕的推荐模型;
利用所述时序变化特征和所述优化完毕的推荐模型对应的优化策略,对所述建立的所述决策模型进行训练。
12.一种内容推荐装置,其特征在于,所述装置包括:
通信单元,用于获取预定时间段内的特征数据,所述特征数据包括用户特征数据、内容特征数据和反馈特征数据中的至少一类;
计算单元,用于从所述特征数据中提取出时序变化特征,所述时序变化特征包括趋势变化特征、周期变化特征和残值变化特征中的至少两种;
执行单元,用于将所述时序变化特征输入决策模型,通过所述决策模型根据所述时序变化特征在优化策略集合中输出优化策略,,所述优化策略集合中包括至少两个优化策略,所述决策模型是用于从所述优化策略集合中匹配出与所述时序变化特征对应的所述优化策略的数学模型;执行所述决策模型输出的优化策略,对推荐模型进行优化;
内容生成单元,用于通过优化完毕的所述推荐模型为至少一个客户端生成推荐内容;
通信单元,还用于向所述客户端发送所述推荐内容。
13.根据权利要求12所述的装置,其特征在于,所述计算单元,还用于:
计算所述特征数据中的各条数据的趋势值、周期值和残值;
将所述特征数据中同一类型数据计算得到的所述趋势值的数学统计值,提取为同一类型数据的所述趋势变化特征;
将所述特征数据中同一类型数据计算得到的所述周期值的数学统计值,提取为同一类型数据的所述周期变化特征;
将所述特征数据中同一类型数据计算得到的所述残值的数学统计值,提取为同一类型数据的所述残值变化特征。
14.根据权利要求12所述的装置,其特征在于,所述计算单元,还用于:
计算所述特征数据中的各条数据的所述趋势值和所述周期值;将所述特征数据中同一类型数据计算得到的所述趋势值的数学统计值提取为所述同一类型数据的所述趋势变化特征;将所述特征数据中所述同一类型数据计算得到的所述周期值的数学统计值提取为所述同一类型数据的所述周期变化特征;
或,
计算所述特征数据中的各条数据的所述趋势值和所述残值;将所述特征数据中同一类型数据计算得到的所述趋势值的数学统计值提取为所述同一类型数据的所述趋势变化特征;将所述特征数据中所述同一类型数据计算得到的所述残值的数学统计值提取为所述同一类型数据的所述残值变化特征;
或,
计算所述特征数据中的各条数据的所述周期值和所述残值;将所述特征数据中同一类型数据计算得到的所述周期值的数学统计值提取为所述同一类型数据的所述周期变化特征;将所述特征数据中所述同一类型数据计算得到的所述残值的数学统计值提取为所述同一类型数据的所述残值变化特征。
15.根据权利要求13或14所述的装置,其特征在于,所述计算单元,还用于:
按如下公式计算所述趋势值:
Trendi表示所述特征数据中第i个数据的所述趋势值,Di表示所述特征数据中的第i个数据,k为预设值,当i+j<1时,Di+j=D1,当i+j>N时,Di+j=DN,N为所述特征数据中数据的总数。
16.根据权利要求13或14所述的装置,其特征在于,所述计算单元,还用于:
按如下公式计算所述周期值:
Seasoni表示所述特征数据中第i个数据的所述周期值,Trendi表示所述特征数据中所述第i个数据的所述趋势值,p表示计算周期,N为所述特征数据中数据的总数。
17.根据权利要求13或14所述的装置,其特征在于,所述计算单元,还用于:
按如下公式计算所述残值:
Remainderi=Di-Trendi-Seasoni,或,Remainderi=Di-Trendi,或Remainderi=Di-Seasoni;
其中,Remainderi表示所述特征数据中第i个数据的所述残值,Trendi表示所述特征数据中所述第i个数据的所述趋势值,Seasoni表示所述特征数据中所述第i个数据的所述周期值。
18.根据权利要求13或14所述的装置,其特征在于,所述趋势值的数学统计值是所述趋势值的均值,所述周期值的数学统计值是所述周期值的幅值,所述残值的数学统计值是所述残值的均值。
19.根据权利要求12至18任一所述的装置,其特征在于,所述特征数据包括反馈特征数据,所述通信单元,还用于:
将一组所述用户特征数据和/或所述内容特征数据输入所述推荐模型,计算出预测数据,所述预测数据用于预测用户对内容的喜好;
比较所述预测数据和用户反馈数据,计算出所述反馈特征数据。
20.根据权利要求12至18任一所述的装置,其特征在于,所述执行单元,还用于:
计算所述优化策略集合中的各个优化策略作为所述决策模型输出的优化策略的概率值;
若所述概率值大于预定阈值,则将最高概率值对应的优化策略作为所述决策模型输出的优化策略。
21.根据权利要求20所述的装置,其特征在于,所述执行单元,用于若所述概率值不大于所述预定阈值,则利用前N个概率值对应的N个优化策略分别对所述推荐模型进行优化,将优化效果最佳的推荐模型作为所述优化完毕的推荐模型,所述N为正整数;
所述执行单元,还用于利用所述时序变化特征和所述优化完毕的推荐模型对应的优化策略,对所述决策模型进行更新训练。
22.根据权利要求12至18任一所述的装置,其特征在于,所述执行单元,还用于:
建立与所述时序变化特征匹配的决策模型,并初始化建立的所述决策模型;
利用所述优化策略集合中的各个优化策略分别对所述推荐模型进行优化,将优化效果最佳的推荐模型作为所述优化完毕的推荐模型;
利用所述时序变化特征和所述优化完毕的推荐模型对应的优化策略,对所述建立的所述决策模型进行训练。
23.一种推荐服务器,其特征在于,所述推荐服务器包括处理器、存储器、通信接口;
所述存储器用于存储一个或一个以上的指令,所述指令被指示为由所述处理器执行;
所述通信接口,用于获取预定时间段内的特征数据,所述特征数据包括用户特征数据、内容特征数据和反馈特征数据中的至少一类;
所述处理器,用于从所述特征数据中提取出时序变化特征,所述时序变化特征包括趋势变化特征、周期变化特征和残值变化特征中的至少两种;将所述时序变化特征输入决策模型,通过所述决策模型根据所述时序变化特征在优化策略集合中输出优化策略,所述优化策略集合中包括至少两个优化策略,所述决策模型是用于从所述优化策略集合中匹配出与所述时序变化特征对应的所述优化策略的数学模型;执行所述决策模型输出的优化策略,对推荐模型进行优化;通过优化完毕的所述推荐模型为至少一个客户端生成推荐内容;
所述通信接口,还用于向所述客户端发送所述推荐内容。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610474923.XA CN107544981B (zh) | 2016-06-25 | 2016-06-25 | 内容推荐方法及装置 |
PCT/CN2017/085378 WO2017219812A1 (zh) | 2016-06-25 | 2017-05-22 | 内容推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610474923.XA CN107544981B (zh) | 2016-06-25 | 2016-06-25 | 内容推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107544981A true CN107544981A (zh) | 2018-01-05 |
CN107544981B CN107544981B (zh) | 2021-06-01 |
Family
ID=60784345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610474923.XA Active CN107544981B (zh) | 2016-06-25 | 2016-06-25 | 内容推荐方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107544981B (zh) |
WO (1) | WO2017219812A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523342A (zh) * | 2018-10-12 | 2019-03-26 | 平安科技(深圳)有限公司 | 服务策略生成方法及装置、电子设备、存储介质 |
CN110598766A (zh) * | 2019-08-28 | 2019-12-20 | 第四范式(北京)技术有限公司 | 一种商品推荐模型的训练方法、装置及电子设备 |
CN111143685A (zh) * | 2019-12-30 | 2020-05-12 | 第四范式(北京)技术有限公司 | 一种推荐系统的构建方法及装置 |
CN111782877A (zh) * | 2020-07-06 | 2020-10-16 | 聚好看科技股份有限公司 | 服务器、显示设备及其视频搜索排序方法 |
WO2020215962A1 (zh) * | 2019-04-23 | 2020-10-29 | 腾讯科技(深圳)有限公司 | 视频推荐方法、装置、计算机设备及存储介质 |
CN115374370A (zh) * | 2022-10-26 | 2022-11-22 | 小米汽车科技有限公司 | 基于多模型的内容推送方法、装置和电子设备 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108319722B (zh) * | 2018-02-27 | 2020-12-04 | 北京小度信息科技有限公司 | 数据访问方法、装置、电子设备及计算机可读存储介质 |
CN111953637B (zh) * | 2019-05-16 | 2022-08-26 | 阿里巴巴集团控股有限公司 | 一种应用服务方法与装置 |
CN116109354A (zh) * | 2021-11-09 | 2023-05-12 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、设备、存储介质及计算机程序产品 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US8484099B1 (en) * | 2012-02-06 | 2013-07-09 | Amazon Technologies, Inc. | Method, medium, and system for behavior-based recommendations of product upgrades |
CN103412875A (zh) * | 2013-07-11 | 2013-11-27 | 广东工业大学 | 基于ahp决策模型的cdn策略调整方法 |
CN103971170A (zh) * | 2014-04-17 | 2014-08-06 | 北京百度网讯科技有限公司 | 一种用于对特征信息的变化进行预测的方法和装置 |
CN104866540A (zh) * | 2015-05-04 | 2015-08-26 | 华中科技大学 | 一种基于群体用户行为分析的个性化推荐方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100412870C (zh) * | 2006-07-17 | 2008-08-20 | 北京航空航天大学 | 采用元推荐引擎的门户个性化推荐服务方法和系统 |
US20130097056A1 (en) * | 2011-10-13 | 2013-04-18 | Xerox Corporation | Methods and systems for recommending services based on an electronic social media trust model |
US9129227B1 (en) * | 2012-12-31 | 2015-09-08 | Google Inc. | Methods, systems, and media for recommending content items based on topics |
CN103678647B (zh) * | 2013-12-20 | 2017-12-19 | Tcl集团股份有限公司 | 一种实现信息推荐的方法及系统 |
CN104935963B (zh) * | 2015-05-29 | 2018-03-16 | 中国科学院信息工程研究所 | 一种基于时序数据挖掘的视频推荐方法 |
-
2016
- 2016-06-25 CN CN201610474923.XA patent/CN107544981B/zh active Active
-
2017
- 2017-05-22 WO PCT/CN2017/085378 patent/WO2017219812A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US8484099B1 (en) * | 2012-02-06 | 2013-07-09 | Amazon Technologies, Inc. | Method, medium, and system for behavior-based recommendations of product upgrades |
CN103412875A (zh) * | 2013-07-11 | 2013-11-27 | 广东工业大学 | 基于ahp决策模型的cdn策略调整方法 |
CN103971170A (zh) * | 2014-04-17 | 2014-08-06 | 北京百度网讯科技有限公司 | 一种用于对特征信息的变化进行预测的方法和装置 |
CN104866540A (zh) * | 2015-05-04 | 2015-08-26 | 华中科技大学 | 一种基于群体用户行为分析的个性化推荐方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523342A (zh) * | 2018-10-12 | 2019-03-26 | 平安科技(深圳)有限公司 | 服务策略生成方法及装置、电子设备、存储介质 |
WO2020215962A1 (zh) * | 2019-04-23 | 2020-10-29 | 腾讯科技(深圳)有限公司 | 视频推荐方法、装置、计算机设备及存储介质 |
US11540019B2 (en) | 2019-04-23 | 2022-12-27 | Tencent Technology (Shenzhen) Company Limited | Video recommendation method and device, computer device and storage medium |
CN110598766A (zh) * | 2019-08-28 | 2019-12-20 | 第四范式(北京)技术有限公司 | 一种商品推荐模型的训练方法、装置及电子设备 |
CN110598766B (zh) * | 2019-08-28 | 2022-05-10 | 第四范式(北京)技术有限公司 | 一种商品推荐模型的训练方法、装置及电子设备 |
CN111143685A (zh) * | 2019-12-30 | 2020-05-12 | 第四范式(北京)技术有限公司 | 一种推荐系统的构建方法及装置 |
CN111143685B (zh) * | 2019-12-30 | 2024-01-26 | 第四范式(北京)技术有限公司 | 一种商品推荐方法及装置 |
CN111782877A (zh) * | 2020-07-06 | 2020-10-16 | 聚好看科技股份有限公司 | 服务器、显示设备及其视频搜索排序方法 |
CN111782877B (zh) * | 2020-07-06 | 2023-11-03 | 聚好看科技股份有限公司 | 服务器、显示设备及其视频搜索排序方法 |
CN115374370A (zh) * | 2022-10-26 | 2022-11-22 | 小米汽车科技有限公司 | 基于多模型的内容推送方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2017219812A1 (zh) | 2017-12-28 |
CN107544981B (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107544981A (zh) | 内容推荐方法及装置 | |
Liang et al. | A social ties-based approach for group decision-making problems with incomplete additive preference relations | |
Yu et al. | Genetic algorithm-based multi-criteria project portfolio selection | |
Salehi et al. | Hive: Collective design through network rotation | |
CN110266745B (zh) | 基于深度网络的信息流推荐方法、装置、设备及存储介质 | |
Querbes et al. | Evolving user needs and late-mover advantage | |
Palancı et al. | Cooperative grey games and the grey Shapley value | |
CN107291815A (zh) | 基于跨平台标签融合的问答社区推荐方法 | |
Zheng et al. | Personalized educational learning with multi-stakeholder optimizations | |
CN103390019A (zh) | 信息处理设备、信息处理方法及程序 | |
Chen et al. | Enhancing network cluster synchronization capability based on artificial immune algorithm | |
CN112395515B (zh) | 一种信息推荐方法、装置、计算机设备及存储介质 | |
CN112036483B (zh) | 基于AutoML的对象预测分类方法、装置、计算机设备及存储介质 | |
Hardt et al. | Algorithmic collective action in machine learning | |
Tapia-Rosero et al. | Fusion of preferences from different perspectives in a decision-making context | |
CA3021193A1 (en) | System, method, and device for analyzing media asset data | |
Walletzky et al. | Value-driven conceptualization of services in the smart city: a layered approach | |
CN115510313A (zh) | 信息推荐方法、装置、存储介质及计算机设备 | |
Huyet | Optimization and analysis aid via data-mining for simulated production systems | |
Ziani et al. | Customers’ strategic behavior in batch arrivals M2/M/1 queue | |
Almadhoun et al. | Optimizing the self-organizing team size using a genetic algorithm in agile practices | |
Deng et al. | Coalescing data and decision sciences for analytics | |
CN110610098A (zh) | 数据集生成方法及装置 | |
Krabina | The e-participation ladder–advancing from unawareness to impact participation | |
CN108563648A (zh) | 数据显示方法和装置、存储介质及电子装置 |
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 |