CN107729542A - 一种信息评分方法及装置和存储介质 - Google Patents
一种信息评分方法及装置和存储介质 Download PDFInfo
- Publication number
- CN107729542A CN107729542A CN201711051281.3A CN201711051281A CN107729542A CN 107729542 A CN107729542 A CN 107729542A CN 201711051281 A CN201711051281 A CN 201711051281A CN 107729542 A CN107729542 A CN 107729542A
- Authority
- CN
- China
- Prior art keywords
- recommendation information
- behavior
- information
- scoring
- targeted customer
- 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
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
Abstract
本发明公开了一种信息评分方法，包括：基于推荐模型针对候选信息的预测评分，在候选信息中确定发送给目标用户的推荐信息；基于目标用户针对推荐信息的行为，确定推荐信息的行为评分；基于历史目标用户针对推荐信息的历史行为，确定推荐信息的历史行为评分；基于衰减系数对推荐信息的历史行为评分进行衰减，并与推荐信息的行为评分融合，得到推荐信息的修正评分；基于推荐信息的修正评分更新推荐模型。本发明还公开了一种信息评分装置和存储介质。
Description
技术领域
本发明涉及通信技术，尤其是一种信息评分方法及装置和存储介质。
背景技术
现有技术中，面对互联网中的海量信息，用户要在如此庞大的资源中快速找到自己感兴趣的资源是非常困难的。推荐系统能够及时跟踪用户的需求变化来自动调整信息服务的方式和内容，推荐给用户其可能感兴趣的资源，提供个性化服务。
为了对推荐系统或者算法进行优化改进，通常需要评价推荐的内容是否为用户喜欢的内容，所以需要设置用户对内容喜好的评价指标。现有的推荐评估系统或方法中，通常由以下两类指标实现。
一：统计指标
常用的统计指标有：用户的转化率变化、销售量变化、销售额变化等。此类指标常是一段时间特定区域内的统计。这类指标虽然能在一定程度从整体上评价推荐系统的好坏，但是存在以下问题：
1、统计的结果需要在一定时间范围内，导致反馈不及时；
2、这类统计指标受非推荐算法或推荐系统本身的影响较为严重，比如受网络的影响，受外部市场竞争的影响；
3、统计量的数据粒度不够精细，很难为具体的推荐算法提供参数优化调节上的指导。
二：用户行为指标
常用的用户行为指标有：用户对推荐的内容是否产生查看、购买等行为。此类指标有如下问题：
1、因为某些原因，用户没有看到推荐的内容，比如展示的原因，用户自己没时间去查看等，在评价推荐效果时，无法与用户真正不感兴趣的内容进行区别，导致认为推荐效果不好，从而对推荐系统和算法的优化产生错误的引导；
2、虽然推荐的内容是用户喜欢的，但用户暂时不需要，所以用户没有相应的表示感兴趣的行为数据反馈，所以在评价推荐效果时，无法与用户真正不感兴趣的内容进行区别，导致认为推荐效果不好，从而对推荐系统和算法的优化产生错误的引导；
3、推荐的内容较多，有的推荐信息产生了查看购买行为，有的没有，无法评估用户喜好。
综上所述，现有技术对推荐模型的修正仍然存在偏差，无法准确的反馈推荐模型的算法运行效果。
发明章节
有鉴于此，本发明实施例期望提供一种信息评分方法及装置、存储介质，能够基于推荐模型针对候选信息的预测评分，在所述候选信息中确定发送给目标用户的推荐信息；并基于所述目标用户针对所述推荐信息的行为，确定所述推荐信息的行为评分；进一步的基于历史目标用户针对所述推荐信息的历史行为，确定所述推荐信息的历史行为评分；之后基于衰减系数对所述推荐信息的历史行为评分进行衰减，并与所述推荐信息的行为评分融合，得到所述推荐信息的修正评分；最终基于所述推荐信息的修正评分更新所述推荐模型，以便推荐模型更加符合用户的真实需求。
为达到上述目的，本发明实施例的技术方案是这样实现的：
本发明实施例提供了一种信息评分方法，包括：
基于推荐模型针对候选信息的预测评分，在所述候选信息中确定发送给目标用户的推荐信息；
基于所述目标用户针对所述推荐信息的行为，确定所述推荐信息的行为评分；
基于历史目标用户针对所述推荐信息的历史行为，确定所述推荐信息的历史行为评分；
基于衰减系数对所述推荐信息的历史行为评分进行衰减，并与所述推荐信息的行为评分融合，得到所述推荐信息的修正评分；
基于所述推荐信息的修正评分更新所述推荐模型。
上述方案中，所述方法还包括：
向所述推荐模型输入与所述目标用户对应的用户特征、以及与关联用户对应的用户特征，得到所述推荐模型根据所述用户特征与候选信息特征相似度确定的所述候选信息的评分；
所述用户特征包括以下至少之一：
目标用户的基础属性信息、目标用户的历史行为、关联用户的基础属性信息、关联用户的历史行为、目标用户、目标用户的关联用户针对所述候选信息的行为评分。
上述方案中，所述基于推荐模型针对候选信息的预测评分，在所述候选信息中确定发送给目标用户的推荐信息，包括：
基于所采集的所述目标用户历史行为中的用户账户信息、推荐信息、针对推荐信息的单日操作数量，确定第一时间阈值内所述候选信息的得分；
基于预设的行为评价系数，对所确定的第一时间阈值内所述候选信息的得分进行归一化处理；
在经过归一化处理的第一时间阈值内所述候选信息的得分对应的候选信息中，确定发送给目标用户的推荐信息。
上述方案中，所述在所述候选信息中确定发送给目标用户的推荐信息，包括：
将所述候选信息降序排列，选取预设的第一数量的推荐信息发送给所述目标用户。
上述方案中，所述基于所述目标用户针对所述推荐信息的行为，确定所述推荐信息的行为评分，包括：
获取所述目标用户对所述推荐信息的正向反馈；
基于所获得的所述正向反馈中的反馈行为次数信息、反馈日志类型数量和预设的评分系数，确定所述目标用户针对所述推荐信息的行为的评分权重；
基于所确定的所述目标用户针对所述推荐信息的行为的评分权重，计算与所述目标用户对应的推荐信息的行为评分。
上述方案中，所述基于所述目标用户针对所述推荐信息的行为，确定所述推荐信息的行为评分，包括：
当所述目标用户针对所述推荐信息没有操作时，执行至少以下之一：
根据所述目标用户的一段时间内的行为以及与所述行为对应的权重，计算与所述目标用户对应的推荐信息的行为评分；
将所述述目标用户对应的推荐信息的行为评分归零。
上述方案中，所述基于历史目标用户针对所述推荐信息的历史行为，确定所述推荐信息的历史行为评分，包括：
将获得所述推荐信息行为评分进行降序排列，获得降序排序中第一数量的排序在前的目标推荐信息；
获得第一数量的目标推荐信息对应的第二数量的历史行为；
根据所述第二数量的历史行为、确定所述第二数量的目标推荐信息的历史行为评分；
所述第二数量小于所述第一数量。
上述方案中，所述基于衰减系数对所述推荐信息的历史行为评分进行衰减，并与所述推荐信息的行为评分融合，得到所述推荐信息的修正评分，包括：
基于时间衰减系数、所述历史行为的时间窗口、所述目标用户的正向反馈行为次数，计算定所述第二数量的目标推荐信息的推荐信息评分。
上述方案中，所述衰减系数基于至少以下之一确定：
基于时间衰减系数方程确定；
基于内容衰减系数方程确定。
上述方案中，所述基于所述推荐信息的修正评分更新所述推荐模型，包括至少以下之一：
更新所述推荐模型中子模型的权重信息；
更新所述推荐模型中子模型的类型。
本发明还提供了一种信息评分装置，所述装置包括：
推荐信息确定模块，用于在候选信息中确定发送给目标用户的推荐信息；
推荐信息处理模块，用于获得所述目标用户针对所述推荐信息的行为；
所述推荐信息处理模块，用于确定所述推荐信息的行为评分；
所述推荐信息处理模块，用于确定所述推荐信息的历史行为评分；
修正模块，用于基于衰减系数对所述推荐信息的历史行为评分进行衰减；
所述修正模块，用于将所述推荐信息的行为评分融合，得到所述推荐信息的修正评分；
更新模块，用于基于所述推荐信息的修正评分更新所述推荐模型。
上述方案中，所述装置还包括：
信息输入模块，用于向所述推荐模型输入与所述目标用户对应的用户特征、以及与关联用户对应的用户特征；
所述用户特征包括以下至少之一：
目标用户的基础属性信息、目标用户的历史行为、关联用户的基础属性信息、关联用户的历史行为、目标用户的关联用户针对所述候选信息的行为评分；所述推荐信息确定模块，用于得到所述推荐模型根据所述用户特征与候选信息特征相似度确定的所述候选信息的评分。
上述方案中，
所述推荐信息确定模块，用于基于所采集的所述目标用户历史行为中的用户账户信息、推荐信息、针对推荐信息的单日操作数量，确定第一时间阈值内所述候选信息的得分；
所述推荐信息确定模块，用于基于预设的行为评价系数，对所确定的第一时间阈值内所述候选信息的得分进行归一化处理；
所述推荐信息确定模块，用于在经过归一化处理的第一时间阈值内所述候选信息的得分对应的候选信息中，确定发送给目标用户的推荐信息。
上述方案中，
所述推荐信息确定模块，用于将所述候选信息降序排列；
所述推荐信息确定模块，用于选取预设的第一数量的推荐信息发送给所述目标用户。
上述方案中，
所述推荐信息处理模块，用于获取所述目标用户对所述推荐信息的正向反馈；
所述推荐信息处理模块，用于基于所获得的所述正向反馈中的反馈行为次数信息、反馈日志类型数量和预设的评分系数，确定所述目标用户针对所述推荐信息的行为的评分权重；
所述推荐信息处理模块，用于基于所确定的所述目标用户针对所述推荐信息的行为的评分权重，计算与所述目标用户对应的推荐信息的行为评分。
上述方案中，
所述推荐信息处理模块，用于当所述目标用户针对所述推荐信息没有操作时，根据所述目标用户的一段时间内的行为以及与所述行为对应的权重，计算与所述目标用户对应的推荐信息的行为评分；
所述推荐信息处理模块，用于当所述目标用户针对所述推荐信息没有操作时，将所述述目标用户对应的推荐信息的行为评分归零。
上述方案中，
所述推荐信息处理模块，用于将获得所述推荐信息行为评分进行降序排列，获得降序排序中第一数量的排序在前的目标推荐信息；
所述推荐信息处理模块，用于获得第一数量的目标推荐信息对应的第二数量的历史行为；
所述推荐信息处理模块，用于根据所述第二数量的历史行为、确定所述第二数量的目标推荐信息的历史行为评分；
所述第二数量小于所述第一数量。
上述方案中，
所述修正模块，用于基于时间衰减系数、所述历史行为的时间窗口、所述目标用户的正向反馈行为次数，计算定所述第二数量的目标推荐信息的推荐信息评分。
上述方案中，
所述修正模块，用于基于时间衰减系数方程确定所述衰减系数；
所述修正模块，用于基于内容衰减系数方程确定所述衰减系数。
上述方案中，
所述更新模块，用于基于所述推荐信息的修正评分更新所述推荐模型中模型的权重信息；
所述更新模块，用于基于所述推荐信息的修正评分更新所述推荐模型的类型。
本发明还提供了一种信息评分装置，包括：
处理器和用于存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器用于运行所述计算机程序时，执行以下操作：
基于推荐模型针对候选信息的预测评分，在所述候选信息中确定发送给目标用户的推荐信息；
基于所述目标用户针对所述推荐信息的行为，确定所述推荐信息的行为评分；
基于历史目标用户针对所述推荐信息的历史行为，确定所述推荐信息的历史行为评分；
基于衰减系数对所述推荐信息的历史行为评分进行衰减，并与所述推荐信息的行为评分融合，得到所述推荐信息的修正评分；
基于所述推荐信息的修正评分更新所述推荐模型。
所述方法还包括：
向所述推荐模型输入与所述目标用户对应的用户特征、以及与关联用户对应的用户特征，得到所述推荐模型根据所述用户特征与候选信息特征相似度确定的所述候选信息的评分；
所述用户特征包括以下至少之一：
目标用户的基础属性信息、目标用户的历史行为、关联用户的基础属性信息、关联用户的历史行为、目标用户、目标用户的关联用户针对所述候选信息的行为评分。
所述基于推荐模型针对候选信息的预测评分，在所述候选信息中确定发送给目标用户的推荐信息，包括：
基于所采集的所述目标用户历史行为中的用户账户信息、推荐信息、针对推荐信息的单日操作数量，确定第一时间阈值内所述候选信息的得分；
基于预设的行为评价系数，对所确定的第一时间阈值内所述候选信息的得分进行归一化处理；
在经过归一化处理的第一时间阈值内所述候选信息的得分对应的候选信息中，确定发送给目标用户的推荐信息。
所述在所述候选信息中确定发送给目标用户的推荐信息，包括：
将所述候选信息降序排列，选取预设的第一数量的推荐信息发送给所述目标用户。
所述基于所述目标用户针对所述推荐信息的行为，确定所述推荐信息的行为评分，包括：
获取所述目标用户对所述推荐信息的正向反馈；
基于所获得的所述正向反馈中的反馈行为次数信息、反馈日志类型数量和预设的评分系数，确定所述目标用户针对所述推荐信息的行为的评分权重；
基于所确定的所述目标用户针对所述推荐信息的行为的评分权重，计算与所述目标用户对应的推荐信息的行为评分。
所述基于所述目标用户针对所述推荐信息的行为，确定所述推荐信息的行为评分，包括：
当所述目标用户针对所述推荐信息没有操作时，执行至少以下之一：
根据所述目标用户的一段时间内的行为以及与所述行为对应的权重，计算与所述目标用户对应的推荐信息的行为评分；
将所述述目标用户对应的推荐信息的行为评分归零。
所述基于历史目标用户针对所述推荐信息的历史行为，确定所述推荐信息的历史行为评分，包括：
将获得所述推荐信息行为评分进行降序排列，获得降序排序中第一数量的排序在前的目标推荐信息；
获得第一数量的目标推荐信息对应的第二数量的历史行为；
根据所述第二数量的历史行为、确定所述第二数量的目标推荐信息的历史行为评分；
所述第二数量小于所述第一数量。
所述基于衰减系数对所述推荐信息的历史行为评分进行衰减，并与所述推荐信息的行为评分融合，得到所述推荐信息的修正评分，包括：
基于时间衰减系数、所述历史行为的时间窗口、所述目标用户的正向反馈行为次数，计算定所述第二数量的目标推荐信息的推荐信息评分。
所述衰减系数基于至少以下之一确定：
基于时间衰减系数方程确定；
基于内容衰减系数方程确定。
所述基于所述推荐信息的修正评分更新所述推荐模型，包括至少以下之一：
更新所述推荐模型中子模型的权重信息；
更新所述推荐模型中子模型的类型。
本发明还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，该计算机程序被处理器执行：
基于推荐模型针对候选信息的预测评分，在所述候选信息中确定发送给目标用户的推荐信息；
基于所述目标用户针对所述推荐信息的行为，确定所述推荐信息的行为评分；
基于历史目标用户针对所述推荐信息的历史行为，确定所述推荐信息的历史行为评分；
基于衰减系数对所述推荐信息的历史行为评分进行衰减，并与所述推荐信息的行为评分融合，得到所述推荐信息的修正评分；
基于所述推荐信息的修正评分更新所述推荐模型。
所述方法还包括：
向所述推荐模型输入与所述目标用户对应的用户特征、以及与关联用户对应的用户特征，得到所述推荐模型根据所述用户特征与候选信息特征相似度确定的所述候选信息的评分；
所述用户特征包括以下至少之一：
目标用户的基础属性信息、目标用户的历史行为、关联用户的基础属性信息、关联用户的历史行为、目标用户、目标用户的关联用户针对所述候选信息的行为评分。
所述基于推荐模型针对候选信息的预测评分，在所述候选信息中确定发送给目标用户的推荐信息，包括：
基于所采集的所述目标用户历史行为中的用户账户信息、推荐信息、针对推荐信息的单日操作数量，确定第一时间阈值内所述候选信息的得分；
基于预设的行为评价系数，对所确定的第一时间阈值内所述候选信息的得分进行归一化处理；
在经过归一化处理的第一时间阈值内所述候选信息的得分对应的候选信息中，确定发送给目标用户的推荐信息。
所述在所述候选信息中确定发送给目标用户的推荐信息，包括：
将所述候选信息降序排列，选取预设的第一数量的推荐信息发送给所述目标用户。
所述基于所述目标用户针对所述推荐信息的行为，确定所述推荐信息的行为评分，包括：
获取所述目标用户对所述推荐信息的正向反馈；
基于所获得的所述正向反馈中的反馈行为次数信息、反馈日志类型数量和预设的评分系数，确定所述目标用户针对所述推荐信息的行为的评分权重；
基于所确定的所述目标用户针对所述推荐信息的行为的评分权重，计算与所述目标用户对应的推荐信息的行为评分。
所述基于所述目标用户针对所述推荐信息的行为，确定所述推荐信息的行为评分，包括：
当所述目标用户针对所述推荐信息没有操作时，执行至少以下之一：
根据所述目标用户的一段时间内的行为以及与所述行为对应的权重，计算与所述目标用户对应的推荐信息的行为评分；
将所述述目标用户对应的推荐信息的行为评分归零。
所述基于历史目标用户针对所述推荐信息的历史行为，确定所述推荐信息的历史行为评分，包括：
将获得所述推荐信息行为评分进行降序排列，获得降序排序中第一数量的排序在前的目标推荐信息；
获得第一数量的目标推荐信息对应的第二数量的历史行为；
根据所述第二数量的历史行为、确定所述第二数量的目标推荐信息的历史行为评分；
所述第二数量小于所述第一数量。
所述基于衰减系数对所述推荐信息的历史行为评分进行衰减，并与所述推荐信息的行为评分融合，得到所述推荐信息的修正评分，包括：
基于时间衰减系数、所述历史行为的时间窗口、所述目标用户的正向反馈行为次数，计算定所述第二数量的目标推荐信息的推荐信息评分。
所述衰减系数基于至少以下之一确定：
基于时间衰减系数方程确定；
基于内容衰减系数方程确定。
所述基于所述推荐信息的修正评分更新所述推荐模型，包括至少以下之一：
更新所述推荐模型中子模型的权重信息；
更新所述推荐模型中子模型的类型。
本发明实施例中，首先，基于推荐模型针对候选信息的预测评分，在所述候选信息中确定发送给目标用户的推荐信息；并基于所述目标用户针对所述推荐信息的行为，确定所述推荐信息的行为评分；之后基于历史目标用户针对所述推荐信息的历史行为，确定所述推荐信息的历史行为评分；进一步的基于衰减系数对所述推荐信息的历史行为评分进行衰减，并与所述推荐信息的行为评分融合，得到所述推荐信息的修正评分；最后基于所述推荐信息的修正评分更新所述推荐模型。
通过这种方式可以根据用户对推荐信息的操作，得到推荐信息的修正评分，并基于所得到的推荐信息的修正评分更新推荐模型，同时，这种方式不需要限定使用环境和硬件设备，实现简单且适用范围广。
附图说明
图1为本发明实施例提供的种信息评分方法一个可选的流程示意图；
图2为本发明实施例提供的信息评分装置一个可选的组成示意图；
图3为本发明实施例提供的种信息评分方法一个可选的流程示意图；
图4为本发明实施例中衰减系数曲线图；
图5为本发明实施例提供的信息评分装置一个可选的组成示意图。
具体实施方式
为了能够更加详尽地了解本发明实施例的特点与技术章节，下面结合附图对本发明实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本发明。
对本发明进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释。
推荐信息，包括但不限于：多媒体信息、文字信息、商品属性信息。
图1为本发明实施例提供的种信息评分方法一个可选的流程示意图，如图1所示，本发明实施例提供的种信息评分方法一个可选的流程包括：
步骤101：基于推荐模型针对候选信息的预测评分，在所述候选信息中确定发送给目标用户的推荐信息；
实际应用中，所述基于推荐模型针对候选信息的预测评分之前，所述方法还包括：
向所述推荐模型输入与所述目标用户对应的用户特征、以及与关联用户对应的用户特征，得到所述推荐模型根据所述用户特征与候选信息特征相似度确定的所述候选信息的评分；
所述用户特征包括以下至少之一：
目标用户的基础属性信息、目标用户的历史行为、关联用户的基础属性信息、关联用户的历史行为、目标用户的关联用户针对所述候选信息的行为评分。
具体的，所述基于推荐模型针对候选信息的预测评分，在所述候选信息中确定发送给目标用户的推荐信息，包括：
基于所采集的所述目标用户历史行为中的用户账户信息、推荐信息、针对推荐信息的单日操作数量，确定第一时间阈值内所述候选信息的得分；
基于预设的行为评价系数，对所确定的第一时间阈值内所述候选信息的得分进行归一化处理；
在经过归一化处理的第一时间阈值内所述候选信息的得分对应的候选信息中，确定发送给目标用户的推荐信息。
进一步的，所述在所述候选信息中确定发送给目标用户的推荐信息，包括：
将所述候选信息降序排列，选取预设的第一数量的推荐信息发送给所述目标用户。
具体的，可以设置协同过滤模型计算得到推荐结果，通过融合推荐策略将各推荐模型结果进行组合输出，得到推送给用户的推荐信息。
在一个实施例中，所述协同过滤模型的评分矩阵可以采用以下方式：
当所述推荐信息为歌曲时：
确定“用户ID(msisdn)—歌曲ID(copy right_id)—得分—日期”。“用户-音乐-评分”公式：
kx是每日操作(搜索、试听、下载等)次数，x[0,90)是距离评分日期的天数；
对上述评分进行归一化处理：
Zi，j＝α*F1i，j+β*F2i，j+γ*F3i，j+…
Zi,j指用户Ui对歌曲Mj的评分结果，Ui∈{全量用户},Mj∈{全量音乐}；
F1i,j：用户Ui对歌曲Mj试听得分；
F2i,j：用户Ui对歌曲Mj搜索得分；
F3i,j：用户Ui对歌曲Mj下载得分；
需要说明的是，用户对歌曲的操作包括但不限于：试听、搜索、下载、购买、分享本实施例不在列举。
上述实施例中的α、β、γ、…是各种隐性行为的评分系数，可以通过熵值法或者AHP层次分析法确定具体取值。
步骤102：基于所述目标用户针对所述推荐信息的行为，确定所述推荐信息的行为评分；
实际应用中，获取所述目标用户对所述推荐信息的正向反馈；
基于所获得的所述正向反馈中的反馈行为次数信息、反馈日志类型数量和预设的评分系数，确定所述目标用户针对所述推荐信息的行为的评分权重；
基于所确定的所述目标用户针对所述推荐信息的行为的评分权重，计算与所述目标用户对应的推荐信息的行为评分。
其中，所述正向反馈包括但不限于：试听、搜索、下载、购买、分享。
在一个实施例中，所述评分权重的计算公式为：
用户j所有反馈行为次数Xk(试听、收藏、分享、下载等)，n为用户反馈日志的不同类型的数量，Wk系数的值可以根据熵值法或者AHP层次分析法确定。
进一步的，当所述目标用户针对所述推荐信息没有操作时，执行至少以下之一：
根据所述目标用户的一段时间内的行为以及与所述行为对应的权重，计算与所述目标用户对应的推荐信息的行为评分；
将所述述目标用户对应的推荐信息的行为评分归零。
步骤103：基于历史目标用户针对所述推荐信息的历史行为，确定所述推荐信息的历史行为评分；
实际应用中，所述基于历史目标用户针对所述推荐信息的历史行为，确定所述推荐信息的历史行为评分，包括：
将获得所述推荐信息行为评分进行降序排列，获得降序排序中第一数量的排序在前的目标推荐信息；
获得第一数量的目标推荐信息对应的第二数量的历史行为；
根据所述第二数量的历史行为、确定所述第二数量的目标推荐信息的历史行为评分；
所述第二数量小于所述第一数量。
步骤104：基于衰减系数对所述推荐信息的历史行为评分进行衰减，并与所述推荐信息的行为评分融合，得到所述推荐信息的修正评分；
实际应用中，所述基于衰减系数对所述推荐信息的历史行为评分进行衰减，并与所述推荐信息的行为评分融合，得到所述推荐信息的修正评分，包括：
基于时间衰减系数、所述历史行为的时间窗口、所述目标用户的正向反馈行为次数，计算定所述第二数量的目标推荐信息的推荐信息评分。
在一个实施例中，当所述第一数量为m、第二数量为p时，所述基于衰减系数对所述推荐信息的历史行为评分进行衰减，并与所述推荐信息的行为评分融合，得到所述推荐信息的修正评分可采用以下公式：
其中,Wd代表第d周的衰减系数，b是设定的历史事件时间窗口，例如12(周)，用户j所有反馈行为次数Xk(试听、收藏、分享、下载等)，n为用户反馈日志的不同类型的数量，Wk系数的值可以根据熵值法或者AHP层次分析法确定。
进一步的，所述衰减系数基于至少以下之一确定：
基于时间衰减系数方程：Wd＝1-0.41×(Tweek)0.06
基于内容衰减系数方程：Wd＝1-0.41×(a×Tweek)0.06，其中，a为系统推荐信息的内容系数。
步骤105：基于所述推荐信息的修正评分更新所述推荐模型；
实际应用中，所述基于所述推荐信息的修正评分更新所述推荐模型，至少以下之一：
更新所述推荐模型中模型的权重信息；
更新所述推荐模型的类型。
具体的，包括融合策略优化：以评分内容为依据，对于各推荐模型的推荐结果在最终推荐清单的占比进行调整，优先推荐评分高的推荐模型结果。
推荐模型优化：在融合策略中，部署全量用户统计评分结果较高的模型，淘汰得分低的模型。
图2为本发明实施例提供的信息评分装置一个可选的组成示意图，如图2所示，本发明实施例提供的信息评分装置一个可选的组成包括：
推荐信息确定模块201，用于在所述候选信息中确定发送给目标用户的推荐信息；
实际应用中，所述装置还包括：
信息输入模块，用于向所述推荐模型输入与所述目标用户对应的用户特征、以及与关联用户对应的用户特征；
所述用户特征包括以下至少之一：
目标用户的基础属性信息、目标用户的历史行为、关联用户的基础属性信息、关联用户的历史行为、目标用户的关联用户针对所述候选信息的行为评分。
所述推荐信息确定模块201，用于得到所述推荐模型根据所述用户特征与候选信息特征相似度确定的所述候选信息的评分。
进一步的，所述推荐信息确定模块201，用于基于所采集的所述目标用户历史行为中的用户账户信息、推荐信息、针对推荐信息的单日操作数量，确定第一时间阈值内所述候选信息的得分；
所述推荐信息确定模块201，用于基于预设的行为评价系数，对所确定的第一时间阈值内所述候选信息的得分进行归一化处理；
所述推荐信息确定模块201，用于在经过归一化处理的第一时间阈值内所述候选信息的得分对应的候选信息中，确定发送给目标用户的推荐信息。
进一步的，所述推荐信息确定模块201，用于将所述候选信息降序排列，选取预设的第一数量的推荐信息发送给所述目标用户。
推荐信息处理模块202，用于获得所述目标用户针对所述推荐信息的行为；
所述推荐信息处理模块202，用于确定所述推荐信息的行为评分；
所述推荐信息处理模块202，用于确定所述推荐信息的历史行为评分；
实际应用中，所述推荐信息处理模块202，用于获取所述目标用户对所述推荐信息的正向反馈；
所述推荐信息处理模块202，用于基于所获得的所述正向反馈中的反馈行为次数信息、反馈日志类型数量和预设的评分系数，确定所述目标用户针对所述推荐信息的行为的评分权重；
所述推荐信息处理模块202，用于基于所确定的所述目标用户针对所述推荐信息的行为的评分权重，计算与所述目标用户对应的推荐信息的行为评分。
进一步的，所述推荐信息处理模块202，用于当所述目标用户针对所述推荐信息没有操作时，根据所述目标用户的一段时间内的行为以及与所述行为对应的权重，计算与所述目标用户对应的推荐信息的行为评分；
所述推荐信息处理模块202，用于当所述目标用户针对所述推荐信息没有操作时，将所述述目标用户对应的推荐信息的行为评分归零。
进一步的，所述推荐信息处理模块202，用于将获得所述推荐信息行为评分进行降序排列，获得降序排序中第一数量的排序在前的目标推荐信息；
所述推荐信息处理模块202，用于获得第一数量的目标推荐信息对应的第二数量的历史行为；
所述推荐信息处理模块202，用于根据所述第二数量的历史行为、确定所述第二数量的目标推荐信息的历史行为评分；
所述第二数量小于所述第一数量。
修正模块203，用于基于衰减系数对所述推荐信息的历史行为评分进行衰减；
所述修正模块203，用于将所述推荐信息的行为评分融合，得到所述推荐信息的修正评分；
实际应用中，所述修正模块203，用于基于时间衰减系数、所述历史行为的时间窗口、所述目标用户的正向反馈行为次数，计算定所述第二数量的目标推荐信息的推荐信息评分。
所述修正模块，用于基于时间衰减系数方程：Wd＝1-0.41×(Tweek)0.06确定所述衰减系数；
所述修正模块，用于基于内容衰减系数方程：Wd＝1-0.41×(a×Tweek)0.06确定所述衰减系数。
更新模块204，用于基于所述推荐信息的修正评分更新所述推荐模型；
实际应用中，所述更新模块204，用于基于所述推荐信息的修正评分更新所述推荐模型中模型的权重信息；
所述更新模块204，用于基于所述推荐信息的修正评分更新所述推荐模型的类型。
具体的，包括融合策略优化：以评分内容为依据，对于各推荐模型的推荐结果在最终推荐清单的占比进行调整，优先推荐评分高的推荐模型结果。
推荐模型优化：在融合策略中，部署全量用户统计评分结果较高的模型，淘汰得分低的模型。
图3为本发明实施例提供的种信息评分方法一个可选的流程示意图，如图3所示，本发明实施例提供的种信息评分方法一个可选的流程包括以下步骤：
步骤301：推荐模型获取参数；
具体的，所述推荐模型获取的参数包括：用户的基础属性(性别、年龄层次、个人偏好等，通过客户管理系统获取)，以及在产品上操作的历史行为记录(试听、下载、订阅、分享、评论等，通过产品的业务支撑系统后台采集相关数据)。
步骤302：推荐模型确定推荐信息；
具体的，可以通过协同过滤模型，确定所述推荐信息；
在一个实施例中，对于用户没有给物品显性评分的场景下，通过用户以上汇总的隐形行为信息量化成为用户对物品的评分矩阵,例如：“用户ID(msisdn)—歌曲ID(copyright id)—得分—日期”。“用户-音乐-评分”公式：
kx是每日操作(搜索、试听、下载等)次数，x[0,90)是距离评分日期的天数；
之后进行归一化处理：
Zi，j＝α*F1i，j+β*F2i，j+γ*F3i，j+…
Zi,j指用户Ui对歌曲Mj的评分结果，Ui∈{全量用户},Mj∈{全量音乐}；
F1i,j：用户Ui对歌曲Mj试听得分；
F2i,j：用户Ui对歌曲Mj搜索得分；
F3i,j：用户Ui对歌曲Mj下载得分；
需要说明的是，用户对歌曲的操作包括但不限于：试听、搜索、下载、购买、分享本实施例不在列举。
上述实施例中的α、β、γ、…是各种隐性行为的评分系数，可以通过熵值法或者AHP层次分析法确定具体取值。
步骤303：获取对所述推荐信息的评分；
具体的，用户通过各渠道和产品界面接触到推荐结果后，将会有各种不同的反馈结果，其中将用户对推送内容的正向反馈(试听、收藏、分享、下载等)作为正向评分，而且不同的行为具有不同的评分权重；
其中，所述正向反馈包括但不限于：试听、搜索、下载、购买、分享。
在一个实施例中，所述评分权重的计算公式为：
用户j所有反馈行为次数Xk(试听、收藏、分享、下载等)，n为用户反馈日志的不同类型的数量，Wk系数的值可以根据熵值法或者AHP层次分析法确定。
进一步的，如果对用户推荐的内容较多，或者用户因为其它原因，没有查看所有的推荐信息，但用户没有查看的内容并不表示不符合用户的兴趣，所以只需要获得评分最高的m个推荐信息，同时也是有用户行为的推荐信息，其中m的取值由统计获得，例如统计60％的用户查看的推荐信息的数量，其中该比例的取值根据实际试验情况设定，对于没有行为发生的用户，不予行为评分。
步骤304：获取对所述推荐信息的历史评分；
可选的，调取该用户对当前推荐的评分最高的m个推荐信息的历史行为评分数据；
步骤305：确定衰减系数；
其中，衰减系数采用拟合方程：Wd＝1-0.56×(Thour)0.06
进一步的，所述衰减系数基于至少以下之一确定：
基于时间衰减系数方程：Wd＝1-0.41×(a×Tweek)0.06
基于内容衰减系数方程：Wd＝1-0.41×(a×Tweek)0.06，其中，a为系统推荐信息的内容系数。
步骤306：基于衰减系数对所述推荐信息的历史行为评分进行衰减，并与所述推荐信息的行为评分融合，得到所述推荐信息的修正评分；
具体的，将历史行为评分，按衰减系数加权求和，得到用户评分最高的p个推荐信息的最终得分，其中p的取值参考前面两步；(p<m，因为此次推荐的内容，不一定都有用户的历史行为)
得到所述推荐信息的修正评分可采用以下公式：
其中,Wd代表第d周的衰减系数，b是设定的历史事件时间窗口，例如12(周)，用户j所有反馈行为次数Xk(试听、收藏、分享、下载等)，n为用户反馈日志的不同类型的数量，Wk系数的值可以根据熵值法或者AHP层次分析法确定。
进一步的，基于所述推荐信息的修正评分更新所述推荐模型；
实际应用中，所述基于所述推荐信息的修正评分更新所述推荐模型，至少以下之一：
更新所述推荐模型中模型的权重信息；
更新所述推荐模型的类型。
具体的，包括融合策略优化：以评分内容为依据，对于各推荐模型的推荐结果在最终推荐清单的占比进行调整，优先推荐评分高的推荐模型结果。
推荐模型优化：在融合策略中，部署全量用户统计评分结果较高的模型，淘汰得分低的模型。
图4为本发明实施例中衰减系数曲线图，如图4所示，因为用户的兴趣是动态变化的，用户近期的行为更能反应用户对内容的兴趣爱好，更能影响用户现在和以后的行为，但是现在的行为经常受一些短期处部因素的影响，导致错误评价。而早期的行为也体现了用户对内容的兴趣，只是对现在和以后的行为影响会受时间的增加而衰减；所以评价用户对推荐信息是否感兴趣，应该结合用户的历史行为数据，但是历史行为数据的影响作用应该随着与当前时间的距离递减。而用户过去的行为对现在或者将来的影响，是一种心理行为，所以应当遵循遗忘曲线，衰减系数可以通过艾宾浩斯遗忘系数的拟合公式修正得到。
本专利中采用拟合方程为：Wd＝1-0.56×(Thour)0.06(Thour为小时数)，公式中的t为距离时间发生的小时数。但是，遗忘曲线是艾宾浩斯记用户通过对无规则内容的直接记忆按自己的时间周期所获得的实验数据，而大多数推荐系统有自己的推荐时间周期，而推荐的内容也和艾宾浩斯实验的内容有较大区别，所以推荐系统的遗忘曲线与艾宾浩斯遗忘曲线有较大区别，但可以通过以下两步修正得到。
时间周期的修正：将公式中的时间修正为自己的推荐系统时间周期，本专利中例图以周为周期，按每周7天，每天24小时计算，则按周的时间衰减系数为：Wd＝1-0.41×(Tweek)0.06，其中T为事件发生距现在的周数。
内容参数的增加：因为不同的事件，比如看一场演唱会和听一首歌，对用户的影响作用大不小不一样，从而衰减速度也不一样，所以根据推荐的内容对用户的影响，可以为遗忘曲线设定一个内容系数，则艾宾浩斯推荐系统的遗忘曲线公式可修改为：Wd＝1-0.41×(a×Tweek)0.06；式中a为系统推荐信息的内容系数。
其中根据推荐系统的要求，可以对原始艾宾浩斯遗忘方程进行重新拟合，达到自己想要的精度；而对于内容系数，可以进行各种类型的试验获取，如采用调查问卷的方式采集用户对不同类型的内容的遗忘曲线数据，通过样本用户的平均值确定相应的内容系数值。
图5为本发明实施例提供的信息评分装置一个可选的组成示意图，如图5所示，信息评分装置500可以是带有包括带有显示功能的，具有近距离通信功能的移动电话、计算机、数字广播终端、信息收发设备、游戏控制台、平板设备、医疗设备、健身设备、个人数字助理等。图5所示的信息评分装置500包括：至少一个处理器501、存储器502、至少一个网络接口504和用户接口503。信息评分装置500中的各个组件通过总线系统505耦合在一起。可理解，总线系统505用于实现这些组件之间的连接通信。总线系统505除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图5中将各种总线都标为总线系统505。
其中，用户接口503可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。
可以理解，存储器502可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器502旨在包括这些和任意其它适合类型的存储器。
本发明实施例中的存储器502用于存储包括数据文本形式的时刻信息和携带所述时刻信息的图片在内的各种类型的数据以支持信息评分装置500的操作。这些数据的示例包括：用于在信息评分装置500上操作的任何计算机程序，如操作系统5021和应用程序5022；联系人数据；电话簿数据；消息；图片；视频等。其中，操作系统5021包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序5022可以包含各种应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等带有信息评分功能的应用程序，用于实现各种应用业务。实现本发明实施例信息评分方法的程序可以包含在应用程序5022中。
上述本发明实施例揭示的方法可以应用于处理器501中，或者由处理器501实现。处理器501可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器501中的硬件的集成逻辑电路或者软件形式的操作完成。上述的处理器501可以是通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器501可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器502，处理器501读取存储器502中的信息，结合其硬件完成前述方法的步骤。
在示例性实施例中，信息评分装置500可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable LogicDevice)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或其他电子元件实现，用于执行所述信息评分方法。
在示例性实施例中，本发明实施例还提供了一种计算机可读存储介质，例如包括计算机程序的存储器502，上述计算机程序可由信息评分装置500的处理器501执行，以完成前述方法所述步骤。计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、FlashMemory、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备，如移动电话、计算机、平板设备、个人数字助理等。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器运行时，执行：
基于推荐模型针对候选信息的预测评分，在所述候选信息中确定发送给目标用户的推荐信息；
基于所述目标用户针对所述推荐信息的行为，确定所述推荐信息的行为评分；
基于历史目标用户针对所述推荐信息的历史行为，确定所述推荐信息的历史行为评分；
基于衰减系数对所述推荐信息的历史行为评分进行衰减，并与所述推荐信息的行为评分融合，得到所述推荐信息的修正评分；
基于所述推荐信息的修正评分更新所述推荐模型。
本领域内的技术人员应明白，本发明实施例可提供为方法、系统、或计算机程序产品。因此，本发明实施例可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序操作实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序操作到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的操作产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序操作也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的操作产生包括操作装置的制造品，该操作装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序操作也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的操作提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (22)
1.一种信息评分方法，其特征在于，所述方法包括：
基于推荐模型针对候选信息的预测评分，在所述候选信息中确定发送给目标用户的推荐信息；
基于所述目标用户针对所述推荐信息的行为，确定所述推荐信息的行为评分；
基于历史目标用户针对所述推荐信息的历史行为，确定所述推荐信息的历史行为评分；
基于衰减系数对所述推荐信息的历史行为评分进行衰减，并与所述推荐信息的行为评分融合，得到所述推荐信息的修正评分；
基于所述推荐信息的修正评分更新所述推荐模型。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
向所述推荐模型输入与所述目标用户对应的用户特征、以及与关联用户对应的用户特征，得到所述推荐模型根据所述用户特征与候选信息特征相似度确定的所述候选信息的评分；
所述用户特征包括以下至少之一：
目标用户的基础属性信息、目标用户的历史行为、关联用户的基础属性信息、关联用户的历史行为、目标用户、目标用户的关联用户针对所述候选信息的行为评分。
3.根据权利要求1所述的方法，其特征在于，所述基于推荐模型针对候选信息的预测评分，在所述候选信息中确定发送给目标用户的推荐信息，包括：
基于所采集的所述目标用户历史行为中的用户账户信息、推荐信息、针对推荐信息的单日操作数量，确定第一时间阈值内所述候选信息的得分；
基于预设的行为评价系数，对所确定的第一时间阈值内所述候选信息的得分进行归一化处理；
在经过归一化处理的第一时间阈值内所述候选信息的得分对应的候选信息中，确定发送给目标用户的推荐信息。
4.根据权利要求1所述的方法，其特征在于，所述在所述候选信息中确定发送给目标用户的推荐信息，包括：
将所述候选信息降序排列，选取预设的第一数量的推荐信息发送给所述目标用户。
5.根据权利要求1所述的方法，其特征在于，所述基于所述目标用户针对所述推荐信息的行为，确定所述推荐信息的行为评分，包括：
获取所述目标用户对所述推荐信息的正向反馈；
基于所获得的所述正向反馈中的反馈行为次数信息、反馈日志类型数量和预设的评分系数，确定所述目标用户针对所述推荐信息的行为的评分权重；
基于所确定的所述目标用户针对所述推荐信息的行为的评分权重，计算与所述目标用户对应的推荐信息的行为评分。
6.根据权利要求1所述的方法，其特征在于，所述基于所述目标用户针对所述推荐信息的行为，确定所述推荐信息的行为评分，包括：
当所述目标用户针对所述推荐信息没有操作时，执行至少以下之一：
根据所述目标用户的一段时间内的行为以及与所述行为对应的权重，计算与所述目标用户对应的推荐信息的行为评分；
将所述述目标用户对应的推荐信息的行为评分归零。
7.根据权利要求1所述的方法，其特征在于，所述基于历史目标用户针对所述推荐信息的历史行为，确定所述推荐信息的历史行为评分，包括：
将获得所述推荐信息行为评分进行降序排列，获得降序排序中第一数量的排序在前的目标推荐信息；
获得第一数量的目标推荐信息对应的第二数量的历史行为；
根据所述第二数量的历史行为、确定所述第二数量的目标推荐信息的历史行为评分；
所述第二数量小于所述第一数量。
8.根据权利要求7所述的方法，其特征在于，所述基于衰减系数对所述推荐信息的历史行为评分进行衰减，并与所述推荐信息的行为评分融合，得到所述推荐信息的修正评分，包括：
基于时间衰减系数、所述历史行为的时间窗口、所述目标用户的正向反馈行为次数，计算定所述第二数量的目标推荐信息的推荐信息评分。
9.根据权利要求1所述的方法，其特征在于，所述衰减系数基于至少以下之一确定：
基于时间衰减系数方程确定；
基于内容衰减系数方程确定。
10.根据权利要求1所述的方法，其特征在于，所述基于所述推荐信息的修正评分更新所述推荐模型，包括至少以下之一：
更新所述推荐模型中子模型的权重信息；
更新所述推荐模型中子模型的类型。
11.一种信息评分装置，其特征在于，所述装置包括：
推荐信息确定模块，用于在候选信息中确定发送给目标用户的推荐信息；
推荐信息处理模块，用于获得所述目标用户针对所述推荐信息的行为；
所述推荐信息处理模块，用于确定所述推荐信息的行为评分；
所述推荐信息处理模块，用于确定所述推荐信息的历史行为评分；
修正模块，用于基于衰减系数对所述推荐信息的历史行为评分进行衰减；
所述修正模块，用于将所述推荐信息的行为评分融合，得到所述推荐信息的修正评分；
更新模块，用于基于所述推荐信息的修正评分更新所述推荐模型。
12.根据权利要求11所述的装置，其特征在于，所述装置还包括：
信息输入模块，用于向所述推荐模型输入与所述目标用户对应的用户特征、以及与关联用户对应的用户特征；
所述用户特征包括以下至少之一：
目标用户的基础属性信息、目标用户的历史行为、关联用户的基础属性信息、关联用户的历史行为、目标用户的关联用户针对所述候选信息的行为评分；所述推荐信息确定模块，用于得到所述推荐模型根据所述用户特征与候选信息特征相似度确定的所述候选信息的评分。
13.根据权利要求11所述的装置，其特征在于，
所述推荐信息确定模块，用于基于所采集的所述目标用户历史行为中的用户账户信息、推荐信息、针对推荐信息的单日操作数量，确定第一时间阈值内所述候选信息的得分；
所述推荐信息确定模块，用于基于预设的行为评价系数，对所确定的第一时间阈值内所述候选信息的得分进行归一化处理；
所述推荐信息确定模块，用于在经过归一化处理的第一时间阈值内所述候选信息的得分对应的候选信息中，确定发送给目标用户的推荐信息。
14.根据权利要求11所述的装置，其特征在于，
所述推荐信息确定模块，用于将所述候选信息降序排列；
所述推荐信息确定模块，用于选取预设的第一数量的推荐信息发送给所述目标用户。
15.根据权利要求11所述的装置，其特征在于，
所述推荐信息处理模块，用于获取所述目标用户对所述推荐信息的正向反馈；
所述推荐信息处理模块，用于基于所获得的所述正向反馈中的反馈行为次数信息、反馈日志类型数量和预设的评分系数，确定所述目标用户针对所述推荐信息的行为的评分权重；
所述推荐信息处理模块，用于基于所确定的所述目标用户针对所述推荐信息的行为的评分权重，计算与所述目标用户对应的推荐信息的行为评分。
16.根据权利要求11所述的装置，其特征在于，
所述推荐信息处理模块，用于当所述目标用户针对所述推荐信息没有操作时，根据所述目标用户的一段时间内的行为以及与所述行为对应的权重，计算与所述目标用户对应的推荐信息的行为评分；
所述推荐信息处理模块，用于当所述目标用户针对所述推荐信息没有操作时，将所述述目标用户对应的推荐信息的行为评分归零。
17.根据权利要求11所述的装置，其特征在于，
所述推荐信息处理模块，用于将获得所述推荐信息行为评分进行降序排列，获得降序排序中第一数量的排序在前的目标推荐信息；
所述推荐信息处理模块，用于获得第一数量的目标推荐信息对应的第二数量的历史行为；
所述推荐信息处理模块，用于根据所述第二数量的历史行为、确定所述第二数量的目标推荐信息的历史行为评分；
所述第二数量小于所述第一数量。
18.根据权利要求17所述的装置，其特征在于，
所述修正模块，用于基于时间衰减系数、所述历史行为的时间窗口、所述目标用户的正向反馈行为次数，计算定所述第二数量的目标推荐信息的推荐信息评分。
19.根据权利要求11所述的装置，其特征在于，
所述修正模块，用于基于时间衰减系数方程确定所述衰减系数；
所述修正模块，用于基于内容衰减系数方程确定所述衰减系数。
20.根据权利要求11所述的装置，其特征在于，
所述更新模块，用于基于所述推荐信息的修正评分更新所述推荐模型中模型的权重信息；
所述更新模块，用于基于所述推荐信息的修正评分更新所述推荐模型的类型。
21.一种信息评分装置，其特征在于，所述装置包括：
处理器和用于存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器用于运行所述计算机程序时，执行以下操作：
基于推荐模型针对候选信息的预测评分，在所述候选信息中确定发送给目标用户的推荐信息；
基于所述目标用户针对所述推荐信息的行为，确定所述推荐信息的行为评分；
基于历史目标用户针对所述推荐信息的历史行为，确定所述推荐信息的历史行为评分；
基于衰减系数对所述推荐信息的历史行为评分进行衰减，并与所述推荐信息的行为评分融合，得到所述推荐信息的修正评分；
基于所述推荐信息的修正评分更新所述推荐模型。
22.一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，该计算机程序被处理器执行：
基于推荐模型针对候选信息的预测评分，在所述候选信息中确定发送给目标用户的推荐信息；
基于所述目标用户针对所述推荐信息的行为，确定所述推荐信息的行为评分；
基于历史目标用户针对所述推荐信息的历史行为，确定所述推荐信息的历史行为评分；
基于衰减系数对所述推荐信息的历史行为评分进行衰减，并与所述推荐信息的行为评分融合，得到所述推荐信息的修正评分；
基于所述推荐信息的修正评分更新所述推荐模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711051281.3A CN107729542B (zh) | 2017-10-31 | 2017-10-31 | 一种信息评分方法及装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711051281.3A CN107729542B (zh) | 2017-10-31 | 2017-10-31 | 一种信息评分方法及装置和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107729542A true CN107729542A (zh) | 2018-02-23 |
| CN107729542B CN107729542B (zh) | 2021-05-04 |
Family
ID=61202564
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711051281.3A Active CN107729542B (zh) | 2017-10-31 | 2017-10-31 | 一种信息评分方法及装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107729542B (zh) |
Cited By (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108537568A (zh) * | 2018-03-07 | 2018-09-14 | 阿里巴巴集团控股有限公司 | 一种信息推荐方法和装置 |
| CN108733784A (zh) * | 2018-05-09 | 2018-11-02 | 深圳市领点科技有限公司 | 一种教学课件推荐方法、装置及设备 |
| CN108846042A (zh) * | 2018-05-29 | 2018-11-20 | 昆明理工大学 | 一种结合用户反馈机制的社交网络推荐方法 |
| CN108920596A (zh) * | 2018-06-27 | 2018-11-30 | 广东亿迅科技有限公司 | 一种个性化推荐算法及终端 |
| CN108932308A (zh) * | 2018-06-15 | 2018-12-04 | 重庆知遨科技有限公司 | 一种基于混合推荐算法的歌曲推荐方法 |
| CN109034895A (zh) * | 2018-07-23 | 2018-12-18 | 中国联合网络通信集团有限公司 | 一种搜索结果评分方法和系统 |
| CN109034903A (zh) * | 2018-07-27 | 2018-12-18 | 广州视源电子科技股份有限公司 | 用户转化率预测方法及装置、计算机可读存储介质 |
| CN109543109A (zh) * | 2018-11-27 | 2019-03-29 | 山东建筑大学 | 一种融合时间窗技术和评分预测模型的推荐算法 |
| CN110196796A (zh) * | 2019-05-15 | 2019-09-03 | 无线生活（杭州）信息科技有限公司 | 推荐算法的效果评价方法及装置 |
| CN110399185A (zh) * | 2018-04-24 | 2019-11-01 | 华为技术有限公司 | 一种调整智能推荐的方法、终端及服务器 |
| CN110489655A (zh) * | 2019-09-16 | 2019-11-22 | 浙江同花顺智能科技有限公司 | 热门内容确定、推荐方法、装置、设备及可读存储介质 |
| CN110659425A (zh) * | 2019-09-25 | 2020-01-07 | 秒针信息技术有限公司 | 一种资源分配方法、装置、电子设备及可读存储介质 |
| CN110781391A (zh) * | 2019-10-22 | 2020-02-11 | 腾讯科技（深圳）有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
| CN111061956A (zh) * | 2019-12-24 | 2020-04-24 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
| CN111222030A (zh) * | 2018-11-27 | 2020-06-02 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置及电子设备 |
| CN111339434A (zh) * | 2018-12-03 | 2020-06-26 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置、电子设备及计算机存储介质 |
| CN111385657A (zh) * | 2018-12-28 | 2020-07-07 | 广州市百果园信息技术有限公司 | 视频推荐方法、装置及存储介质、计算机设备 |
| CN111460292A (zh) * | 2020-03-30 | 2020-07-28 | 百度在线网络技术（北京）有限公司 | 模型评估方法、装置、设备和介质 |
| CN111523944A (zh) * | 2020-04-26 | 2020-08-11 | 北京深演智能科技股份有限公司 | 浏览数据处理方法、装置、非易失性存储介质和处理 |
| CN111831889A (zh) * | 2019-04-15 | 2020-10-27 | 泰康保险集团股份有限公司 | 基于区块链的虚拟健身应用推荐方法及装置 |
| CN111861605A (zh) * | 2019-04-28 | 2020-10-30 | 阿里巴巴集团控股有限公司 | 业务对象推荐方法 |
| CN111966903A (zh) * | 2020-08-18 | 2020-11-20 | 中国银行股份有限公司 | 应用软件功能推荐方法及装置 |
| CN112348542A (zh) * | 2019-08-08 | 2021-02-09 | 北京达佳互联信息技术有限公司 | 一种检测推荐系统性能的方法、装置及计算机设备 |
| CN112422696A (zh) * | 2020-12-09 | 2021-02-26 | 上海益世界信息技术集团有限公司 | 一种内容资源推送的确定方法和相关装置 |
| CN108596711B (zh) * | 2018-03-28 | 2021-04-23 | 阿里巴巴（中国）有限公司 | 应用推荐方法、装置及电子设备 |
| CN113111251A (zh) * | 2020-01-10 | 2021-07-13 | 阿里巴巴集团控股有限公司 | 项目推荐方法、装置及系统 |
| CN113312554A (zh) * | 2021-06-15 | 2021-08-27 | 北京百度网讯科技有限公司 | 用于评价推荐系统的方法及装置、电子设备和介质 |
| CN109543111B (zh) * | 2018-11-28 | 2021-09-21 | 广州虎牙信息科技有限公司 | 推荐信息筛选方法、装置、存储介质及服务器 |
| CN113626734A (zh) * | 2021-08-11 | 2021-11-09 | 百度在线网络技术（北京）有限公司 | 用户行为引导方法、装置、电子设备及存储介质 |
| CN113987353A (zh) * | 2021-10-29 | 2022-01-28 | 掌阅科技股份有限公司 | 书籍推荐方法、计算设备及存储介质 |
| CN114048104A (zh) * | 2021-11-24 | 2022-02-15 | 国家电网有限公司大数据中心 | 一种监控方法、装置、设备及存储介质 |
| CN114556884A (zh) * | 2019-04-17 | 2022-05-27 | 克里克疗法公司 | 网络环境中的消息传递选择系统 |
| CN116055553A (zh) * | 2023-01-09 | 2023-05-02 | 中国第一汽车股份有限公司 | 车辆推送信息的处理方法、系统和装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104268155A (zh) * | 2014-09-02 | 2015-01-07 | 百度在线网络技术（北京）有限公司 | 用户移动端个性化推荐的及时反馈优化方法和装置 |
| CN106485562A (zh) * | 2015-09-01 | 2017-03-08 | 苏宁云商集团股份有限公司 | 一种基于用户历史行为的商品信息推荐方法及系统 |
| CN107273436A (zh) * | 2017-05-24 | 2017-10-20 | 北京京东尚科信息技术有限公司 | 一种推荐模型的训练方法和训练装置 |
-
2017
- 2017-10-31 CN CN201711051281.3A patent/CN107729542B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104268155A (zh) * | 2014-09-02 | 2015-01-07 | 百度在线网络技术（北京）有限公司 | 用户移动端个性化推荐的及时反馈优化方法和装置 |
| CN106485562A (zh) * | 2015-09-01 | 2017-03-08 | 苏宁云商集团股份有限公司 | 一种基于用户历史行为的商品信息推荐方法及系统 |
| CN107273436A (zh) * | 2017-05-24 | 2017-10-20 | 北京京东尚科信息技术有限公司 | 一种推荐模型的训练方法和训练装置 |
Cited By (49)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108537568A (zh) * | 2018-03-07 | 2018-09-14 | 阿里巴巴集团控股有限公司 | 一种信息推荐方法和装置 |
| CN108537568B (zh) * | 2018-03-07 | 2021-12-21 | 创新先进技术有限公司 | 一种信息推荐方法和装置 |
| CN108596711B (zh) * | 2018-03-28 | 2021-04-23 | 阿里巴巴（中国）有限公司 | 应用推荐方法、装置及电子设备 |
| CN110399185B (zh) * | 2018-04-24 | 2022-05-06 | 华为技术有限公司 | 一种调整智能推荐的方法、终端及服务器 |
| CN110399185A (zh) * | 2018-04-24 | 2019-11-01 | 华为技术有限公司 | 一种调整智能推荐的方法、终端及服务器 |
| US11442751B2 (en) | 2018-04-24 | 2022-09-13 | Huawei Technologies Co., Ltd. | Method for adjusting intelligent recommendation, terminal, and server |
| CN108733784A (zh) * | 2018-05-09 | 2018-11-02 | 深圳市领点科技有限公司 | 一种教学课件推荐方法、装置及设备 |
| CN108733784B (zh) * | 2018-05-09 | 2020-12-29 | 深圳市领点科技有限公司 | 一种教学课件推荐方法、装置及设备 |
| CN108846042A (zh) * | 2018-05-29 | 2018-11-20 | 昆明理工大学 | 一种结合用户反馈机制的社交网络推荐方法 |
| CN108846042B (zh) * | 2018-05-29 | 2021-09-14 | 昆明理工大学 | 一种结合用户反馈机制的社交网络推荐方法 |
| CN108932308A (zh) * | 2018-06-15 | 2018-12-04 | 重庆知遨科技有限公司 | 一种基于混合推荐算法的歌曲推荐方法 |
| CN108932308B (zh) * | 2018-06-15 | 2021-02-09 | 青岛科技大学 | 一种基于混合推荐算法的歌曲推荐方法 |
| CN108920596A (zh) * | 2018-06-27 | 2018-11-30 | 广东亿迅科技有限公司 | 一种个性化推荐算法及终端 |
| CN108920596B (zh) * | 2018-06-27 | 2021-10-29 | 广东亿迅科技有限公司 | 一种个性化推荐算法及终端 |
| CN109034895A (zh) * | 2018-07-23 | 2018-12-18 | 中国联合网络通信集团有限公司 | 一种搜索结果评分方法和系统 |
| CN109034903A (zh) * | 2018-07-27 | 2018-12-18 | 广州视源电子科技股份有限公司 | 用户转化率预测方法及装置、计算机可读存储介质 |
| CN111222030A (zh) * | 2018-11-27 | 2020-06-02 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置及电子设备 |
| CN111222030B (zh) * | 2018-11-27 | 2023-10-20 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置及电子设备 |
| CN109543109A (zh) * | 2018-11-27 | 2019-03-29 | 山东建筑大学 | 一种融合时间窗技术和评分预测模型的推荐算法 |
| CN109543109B (zh) * | 2018-11-27 | 2021-06-22 | 山东建筑大学 | 一种融合时间窗技术和评分预测模型的推荐算法 |
| CN109543111B (zh) * | 2018-11-28 | 2021-09-21 | 广州虎牙信息科技有限公司 | 推荐信息筛选方法、装置、存储介质及服务器 |
| CN111339434B (zh) * | 2018-12-03 | 2023-04-28 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置、电子设备及计算机存储介质 |
| CN111339434A (zh) * | 2018-12-03 | 2020-06-26 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置、电子设备及计算机存储介质 |
| CN111385657A (zh) * | 2018-12-28 | 2020-07-07 | 广州市百果园信息技术有限公司 | 视频推荐方法、装置及存储介质、计算机设备 |
| CN111831889A (zh) * | 2019-04-15 | 2020-10-27 | 泰康保险集团股份有限公司 | 基于区块链的虚拟健身应用推荐方法及装置 |
| CN114556884A (zh) * | 2019-04-17 | 2022-05-27 | 克里克疗法公司 | 网络环境中的消息传递选择系统 |
| CN114556884B (zh) * | 2019-04-17 | 2024-04-05 | 克里克疗法公司 | 网络环境中的消息传递选择系统 |
| CN111861605A (zh) * | 2019-04-28 | 2020-10-30 | 阿里巴巴集团控股有限公司 | 业务对象推荐方法 |
| CN110196796A (zh) * | 2019-05-15 | 2019-09-03 | 无线生活（杭州）信息科技有限公司 | 推荐算法的效果评价方法及装置 |
| CN110196796B (zh) * | 2019-05-15 | 2023-04-28 | 无线生活（杭州）信息科技有限公司 | 推荐算法的效果评价方法及装置 |
| CN112348542A (zh) * | 2019-08-08 | 2021-02-09 | 北京达佳互联信息技术有限公司 | 一种检测推荐系统性能的方法、装置及计算机设备 |
| CN110489655A (zh) * | 2019-09-16 | 2019-11-22 | 浙江同花顺智能科技有限公司 | 热门内容确定、推荐方法、装置、设备及可读存储介质 |
| CN110659425B (zh) * | 2019-09-25 | 2022-05-17 | 秒针信息技术有限公司 | 一种资源分配方法、装置、电子设备及可读存储介质 |
| CN110659425A (zh) * | 2019-09-25 | 2020-01-07 | 秒针信息技术有限公司 | 一种资源分配方法、装置、电子设备及可读存储介质 |
| CN110781391A (zh) * | 2019-10-22 | 2020-02-11 | 腾讯科技（深圳）有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
| CN110781391B (zh) * | 2019-10-22 | 2023-12-12 | 深圳市雅阅科技有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
| CN111061956A (zh) * | 2019-12-24 | 2020-04-24 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
| CN113111251A (zh) * | 2020-01-10 | 2021-07-13 | 阿里巴巴集团控股有限公司 | 项目推荐方法、装置及系统 |
| CN111460292A (zh) * | 2020-03-30 | 2020-07-28 | 百度在线网络技术（北京）有限公司 | 模型评估方法、装置、设备和介质 |
| CN111523944A (zh) * | 2020-04-26 | 2020-08-11 | 北京深演智能科技股份有限公司 | 浏览数据处理方法、装置、非易失性存储介质和处理 |
| CN111966903A (zh) * | 2020-08-18 | 2020-11-20 | 中国银行股份有限公司 | 应用软件功能推荐方法及装置 |
| CN112422696A (zh) * | 2020-12-09 | 2021-02-26 | 上海益世界信息技术集团有限公司 | 一种内容资源推送的确定方法和相关装置 |
| CN113312554A (zh) * | 2021-06-15 | 2021-08-27 | 北京百度网讯科技有限公司 | 用于评价推荐系统的方法及装置、电子设备和介质 |
| CN113312554B (zh) * | 2021-06-15 | 2023-11-03 | 北京百度网讯科技有限公司 | 用于评价推荐系统的方法及装置、电子设备和介质 |
| CN113626734B (zh) * | 2021-08-11 | 2023-09-19 | 百度在线网络技术（北京）有限公司 | 用户行为引导方法、装置、电子设备及存储介质 |
| CN113626734A (zh) * | 2021-08-11 | 2021-11-09 | 百度在线网络技术（北京）有限公司 | 用户行为引导方法、装置、电子设备及存储介质 |
| CN113987353A (zh) * | 2021-10-29 | 2022-01-28 | 掌阅科技股份有限公司 | 书籍推荐方法、计算设备及存储介质 |
| CN114048104A (zh) * | 2021-11-24 | 2022-02-15 | 国家电网有限公司大数据中心 | 一种监控方法、装置、设备及存储介质 |
| CN116055553A (zh) * | 2023-01-09 | 2023-05-02 | 中国第一汽车股份有限公司 | 车辆推送信息的处理方法、系统和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107729542B (zh) | 2021-05-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107729542A (zh) | 一种信息评分方法及装置和存储介质 | |
| Johnen et al. | When pushing back is good: The effectiveness of brand responses to social media complaints | |
| CN110781391B (zh) | 一种信息推荐方法、装置、设备及存储介质 | |
| Singer | Stepping back from the gate: Online newspaper editors and the co-production of content in campaign 2004 | |
| Vishwanath | Impact of personality on technology adoption: An empirical model | |
| US9129128B2 (en) | Method for information editorial controls | |
| US9323836B2 (en) | Internet based method and system for ranking artists using a popularity profile | |
| US8195522B1 (en) | Assessing users who provide content | |
| CN109408665A (zh) | 一种信息推荐方法及装置、存储介质 | |
| US20070150281A1 (en) | Method and system for utilizing emotion to search content | |
| CN108829808A (zh) | 一种页面个性化排序方法、装置及电子设备 | |
| AU2016219625A1 (en) | Method and System for Analyzing the Level of User Engagement Within an Electronic Document | |
| US20120136814A1 (en) | Music recommendation method and apparatus | |
| CN107807958B (zh) | 一种文章列表个性化推荐方法、电子设备及存储介质 | |
| CN105868254A (zh) | 信息推荐方法及装置 | |
| CN110321469A (zh) | 在电子文档的文本中嵌入媒体内容项 | |
| US20140123311A1 (en) | Progressive unlocking of e-book content | |
| CN111654427A (zh) | 社交媒体系统 | |
| US20140122504A1 (en) | Systems and Methods for Collection and Automatic Analysis of Opinions on Various Types of Media | |
| CN112528007A (zh) | 一种招商项目的目标企业的确认方法及确认装置 | |
| Sattelberger | Optimising media marketing strategies in a multi-platform world: an inter-relational approach to pre-release social media communication and online searching | |
| CN107707940A (zh) | 视频排序方法、装置、服务器及系统 | |
| CN106993226A (zh) | 一种推荐视频的方法及终端 | |
| CN103593382A (zh) | 信息处理设备、信息处理方法和程序 | |
| CN107679236A (zh) | 一种热门内容池维护方法和装置 |
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 |