CN107807958A - 一种文章列表个性化推荐方法、电子设备及存储介质 - Google Patents
一种文章列表个性化推荐方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN107807958A CN107807958A CN201710923961.3A CN201710923961A CN107807958A CN 107807958 A CN107807958 A CN 107807958A CN 201710923961 A CN201710923961 A CN 201710923961A CN 107807958 A CN107807958 A CN 107807958A
- Authority
- CN
- China
- Prior art keywords
- article
- user
- content
- preference degree
- label
- 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3325—Reformulation based on results of preceding query
- G06F16/3326—Reformulation based on results of preceding query using relevance feedback from the user, e.g. relevance feedback on documents, documents sets, document terms or passages
-
- 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
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种文章列表个性化推荐方法,包括以下步骤:文章标签分类步骤、获取阅读完整度和时长步骤、判断喜好度步骤、第一喜好度步骤、第二喜好度步骤、文章推荐步骤。本发明还公开了一种电子设备以及可读的计算机存储介质。本发明可以不断更新用户对文章内容的喜好度并根据该喜好度为用户推荐相应文章内容,提高用户体验,可解决目前文章推送的方式主要是对文章进行打标签,然后根据用户点击的次数进行相关性推荐,然而长时间使用这种推荐方式,从而导致整个文章推荐页面均是同样类型的内容,严重降低用户体验的问题。
Description
技术领域
本发明涉及文章推荐技术领域,尤其涉及一种文章列表个性化推荐方法、电子设备及存储介质。
背景技术
随着移动互联网技术的发展,通过移动设备(例如手机、平板电脑)上安装的具有访问互联网功能的应用程序获取互联网上发布的信息,已经成为人们日常生活中获取信息的主要手段。而时下互联网上发布的信息几乎成爆炸式增长。
目前,文章推送的方式主要是对文章进行打标签,然后根据用户点击的次数进行相关性推荐,然而长时间使用这种推荐方式,会导致整个文章推荐页面均是同样类型的内容,严重降低用户体验,不能满足客户要求。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供一种文章列表个性化推荐方法,其用于解决目前文章推送的方式主要是对文章进行打标签,然后根据用户点击的次数进行相关性推荐,然而长时间使用这种推荐方式,从而导致整个文章推荐页面均是同样类型的内容,严重降低用户体验的问题。
本发明的目的之二在于提供一种电子设备,其用于解决目前文章推送的方式主要是对文章进行打标签,然后根据用户点击的次数进行相关性推荐,然而长时间使用这种推荐方式,从而导致整个文章推荐页面均是同样类型的内容,严重降低用户体验的问题。
本发明的目的之三在于提供一种可读的计算机存储介质,其用于解决目前文章推送的方式主要是对文章进行打标签,然后根据用户点击的次数进行相关性推荐,然而长时间使用这种推荐方式,从而导致整个文章推荐页面均是同样类型的内容,严重降低用户体验的问题。
本发明的目的之一可采用如下技术方案实现:
一种文章列表个性化推荐方法,包括以下步骤:
文章标签分类步骤:根据“命名实体识别”和“文本内容”对文章进行标签分类,以便得到文章的类型;
获取阅读完整度和时长步骤:根据屏幕内所加载的文章内容计算阅读整篇文章的完整度,根据用户打开文章的时间以及关闭文章的时间计算阅读整篇文章的时长;
判断喜好度步骤:根据阅读整篇文章的完整度和阅读整篇文章的时长判断用户对文章的喜好等级并对用户进行初次标签,所述初次标签为根据文章的类型对用户进行标记;
第一喜好度步骤:当用户对该文章内容进行成功分享时,为该用户添加对该文章内容的标签喜好度+1;
第二喜好度步骤:当用户对该文章进行评论、回复、点赞、点击投票、下载图片、复制文字、把文章生成图片等行为时,为该用户添加对该文章内容的标签喜好度+1;
文章推荐步骤:根据用户的初次标签和标签喜好度+1为用户推荐相应文章内容。
进一步地,还包括标签更新步骤:根据用户在设定时间段内所关注文章内容的不同对用户进行相应的标签更新。
进一步地,还包括相似度计算步骤:根据不同用户的初次标签计算不同用户之间的相似度。
进一步地,所述相似度计算步骤之后包括相似推荐步骤:根据所述相似度为用户推荐相应文章内容。
本发明的目的之二采用如下技术方案实现:
一种电子设备,其包括处理器、存储器及计算机程序,所述计算机程序存储于所述存储器中,所述计算机程序被处理器执行,所述处理器执行所述计算机程序时实现以下方法:
文章标签分类步骤:根据“命名实体识别”和“文本内容”对文章进行标签分类,以便得到文章的类型;
获取阅读完整度和时长步骤:根据屏幕内所加载的文章内容计算阅读整篇文章的完整度,根据用户打开文章的时间以及关闭文章的时间计算阅读整篇文章的时长;
判断喜好度步骤:根据阅读整篇文章的完整度和阅读整篇文章的时长判断用户对文章的喜好等级并对用户进行初次标签,所述初次标签为根据文章的类型对用户进行标记;
第一喜好度步骤:当用户对该文章内容进行成功分享时,为该用户添加对该文章内容的标签喜好度+1;
第二喜好度步骤:当用户对该文章进行评论、回复、点赞、点击投票、下载图片、复制文字、把文章生成图片等行为时,为该用户添加对该文章内容的标签喜好度+1;
文章推荐步骤:根据用户的初次标签和标签喜好度+1为用户推荐相应文章内容。
进一步地,所述处理器执行所述计算机程序时实现以下方法:还包括标签更新步骤:根据用户在设定时间段内所关注文章内容的不同对用户进行相应的标签更新。
进一步地,所述处理器执行所述计算机程序时实现以下方法:还包括相似度计算步骤和相似推荐步骤:
相似度计算步骤根据不同用户的初次标签计算不同用户之间的相似度;
相似推荐步骤:根据所述相似度为用户推荐相应文章内容。
本发明的目的之三采用如下技术方案实现:
一种可读的计算机存储介质,其上存储有可被处理器执行的计算机程序,所述计算机程序用于被处理器执行时实现以下方法:
文章标签分类步骤:根据“命名实体识别”和“文本内容”对文章进行标签分类,以便得到文章的类型;
获取阅读完整度和时长步骤:根据屏幕内所加载的文章内容计算阅读整篇文章的完整度,根据用户打开文章的时间以及关闭文章的时间计算阅读整篇文章的时长;
判断喜好度步骤:根据阅读整篇文章的完整度和阅读整篇文章的时长判断用户对文章的喜好等级并对用户进行初次标签,所述初次标签为根据文章的类型对用户进行标记;
第一喜好度步骤:当用户对该文章内容进行成功分享时,为该用户添加对该文章内容的标签喜好度+1;
第二喜好度步骤:当用户对该文章进行评论、回复、点赞、点击投票、下载图片、复制文字、把文章生成图片等行为时,为该用户添加对该文章内容的标签喜好度+1;
文章推荐步骤:根据用户的初次标签和标签喜好度+1为用户推荐相应文章内容。
进一步地,所述计算机程序用于被处理器执行时实现以下方法:还包括标签更新步骤:根据用户在设定时间段内所关注文章内容的不同对用户进行相应的标签更新。
进一步地,所述处理器执行所述计算机程序时实现以下方法:还包括相似度计算步骤和相似推荐步骤:
相似度计算步骤根据不同用户的初次标签计算不同用户之间的相似度;
相似推荐步骤:根据所述相似度为用户推荐相应文章内容。
相比现有技术,本发明的有益效果在于:由于本发明包括以下步骤:文章标签分类步骤:根据“命名实体识别”和“文本内容”对文章进行标签分类,以便得到文章的类型;获取阅读完整度和时长步骤:根据屏幕内所加载的文章内容计算阅读整篇文章的完整度,根据用户打开文章的时间以及关闭文章的时间计算阅读整篇文章的时长;判断喜好度步骤:根据阅读整篇文章的完整度和阅读整篇文章的时长判断用户对文章的喜好等级并对用户进行初次标签,所述初次标签为根据文章的类型对用户进行标记;第一喜好度步骤:当用户对该文章内容进行成功分享时,为该用户添加对该文章内容的标签喜好度+1;第二喜好度步骤:当用户对该文章进行评论、回复、点赞、点击投票、下载图片、复制文字、把文章生成图片等行为时,为该用户添加对该文章内容的标签喜好度+1;文章推荐步骤:根据用户的初次标签和标签喜好度+1为用户推荐相应文章内容;可以不断更新用户对文章内容的喜好度并根据该喜好度为用户推荐相应文章内容,提高用户体验,可解决目前文章推送的方式主要是对文章进行打标签,然后根据用户点击的次数进行相关性推荐,然而长时间使用这种推荐方式,从而导致整个文章推荐页面均是同样类型的内容,严重降低用户体验的问题。
附图说明
图1为本发明文章列表个性化推荐方法的流程示意框图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
实施例
本发明中文章列表个性化推荐方法、电子设备及存储介质主要应用于文章推荐技术领域,随着移动互联网技术的发展,通过移动设备(例如手机、平板电脑)上安装的具有访问互联网功能的应用程序获取互联网上发布的信息,已经成为人们日常生活中获取信息的主要手段。而时下互联网上发布的信息几乎成爆炸式增长。
目前,文章推送的方式主要是对文章进行打标签(文章包括新闻),然后根据用户点击的次数进行相关性推荐,然而长时间使用这种推荐方式,会导致整个文章推荐页面均是同样类型的内容,严重降低用户体验,不能满足客户要求。针对上述问题:
本发明一种文章列表个性化推荐方法,请参照图1所示,本发明提供了一种文章列表个性化推荐方法,其包括以下步骤:
步骤S1:根据“命名实体识别”和“文本内容”对文章进行标签分类,以便得到文章的类型,其中根据“命名实体识别”对文章进行标签分类:“命名实体识别”为识别出文本中的人名、地名等专有名称和有意义的时间、日期等数量短语并加以归类,其中主要包括(地名、时间、组织名、公司名、职位等)。方法归类:早期的命名实体识别主要是基于规则的,后来基于大规模语料库的统计方法逐渐成为自然语言处理的主流,而基于机器学习的方法可以划分为四类:有监督的方法,半监督的方法,无监督的方法,混合方法;而其中根据“文本内容”对文章进行标签分类:“文本内容”为根据文本内容自动进行分类,主要包括(政治、经济、军事、体育、娱乐等),而分类流程包括:训练,特征抽取,训练模型,分类预测等几个环节。
步骤S2:根据屏幕内所加载的文章内容计算阅读整篇文章的完整度,以便获取用户阅读文章的完整度:在用户打开文章时,等内容加载完后,可以计算整篇文章的长度(内容加载完后才能准确的计算文章长度,图片加载时文章总长度会发生变化,另外每个手机屏幕的长度不同,也影响了计算完整度的数据),然后根据屏幕显示内容的长度减去非文章内容的长度,可以得到文章显示的实际长度(即文章显示的实际长度=屏幕显示内容的长度-非文章内容的长度)。当用户离开页面时,根据以下公式:可以得到文章阅读完整度(若用户上划查看文章时,可把上划的高度加上,得到文章显示的实际长度,即阅读长度)。
另外,根据用户打开文章的时间以及关闭文章的时间计算阅读整篇文章的时长,以便获取用户阅读文章的时长:即根据用户打开文章的时间以及离开关闭文章的时间,可以计算得到用户阅读文章的时长,即关闭文章的时间-打开文章的时间=用户阅读文章的时长,据统计人精度文章的速度300-450文字/分钟(5-7.5字/秒)。泛读600-900文字/分钟(10-15字/秒),根据文章的字数可计算出用户对该文章属于精度,还是泛读或者仅仅是看一下,注:低于200字/分钟或高于1000字/分钟视为异常数据,喜好度为低。当用户离开文章内容页面的时候记录当前文章的标签、喜好度、具体阅读时间,并记录用户阅读过的内容,用户点击阅读内容后,记录用户阅读状态。
步骤S3:根据阅读整篇文章的完整度和阅读整篇文章的时长判断用户对文章的喜好等级并对用户进行初次标签,在对用户进行初次标签的时候,可以分为高、中、低三级(具体等级标准可根据实际需求调整,等级可用3、2、1分别代表高、中、底、),而用户进行初次标签中的“初次标签”为文章的类型,例如对用户进行“政治”标签,表示该用户喜欢阅读“政治”类文章。
步骤S4:当用户对该文章内容进行成功分享时,为该用户添加对该文章内容的标签喜好度+1(不管分享的次数以及渠道,即进行一次分享为标签喜好度+1,进行二次分享为标签喜好度+1,渠道也是如此,不管用什么渠道进行分析,都为标签喜好度+1)。
步骤S5:当用户对该文章进行评论、回复、点赞、点击投票、下载图片、复制文字、把文章生成图片等行为时,为该用户添加对该文章内容的标签喜好度+1(即用户可以对文章进行评论或者评分等行为,在用户完成对文章进行评论或者评分后,为该用户添加对该文章内容的标签喜好度+1,但是如果用户评论或点击“我不喜欢”时,则不进行标签喜好度+1)。
本实施例中,当用户对该文章进行评论、回复、点赞、点击投票、下载图片、复制文字、把文章生成图片等行为时,为该用户添加对该文章内容的标签喜好度+1。在其他实施例中,当用户对该文章进行标注的行为时,也可以为该用户添加对该文章内容的标签喜好度+1。只要保证用户对该文章进行的行为操作表示为用户喜欢该文章的时候,即可以为该用户添加对该文章内容的标签喜好度+1。
步骤S6:根据用户的初次标签和标签喜好度+1为用户推荐相应文章内容;另外还根据用户在设定时间段内所关注文章内容的不同对用户进行相应的标签更新,例如:用户在“搬家”的时候关注了与“搬家”相关的文章内容,那么在所关注的那一刻起三个月内(即设定时间段为三个月)用户没有再次关注与“搬家”相关的文章内容,并且,在所关注的那一刻起三个月之后用户关注与“怀孕”相关的文章内容,那么对用户的标签也需要及时更新,即用户关注的内容会根据时间和实际环境变更的不同而有所调整,如:搬家、怀孕、等一些环境或自身需求而有所变化,所以对用户的标签也需要及时更新。而且可以根据时间段筛选出用户近期(1年、半年,3个月等这些可根据实际调整)对用户进行相应标签;再统计每个标签的喜好度,可排序出近期用户关注的内容,而用户也会有固定的标签,如出生地或年龄等。
而且还可以根据不同用户的初次标签计算不同用户之间的相似度,例如,当两个用户在某个时间段关注孕前信息,然后到了某个时段开始关注怀孕中的问题,可说明这两个用户相似度极高,在计算得到不同用户之间的相似度后,可以根据所述相似度为用户推荐相应文章内容,例如,假设用户A和用户B相似,则可以把用户B已经阅读过的文章内容(该文章内容用户A没有阅读过且喜好度高)推荐给用户A。
本发明还公开了一种电子设备,包括处理器、存储器以及程序,其中程序被存储在存储器中,并且被配置成由处理器执行,程序包括用于执行上述方法,或者本发明的方法存储在可读的存储介质上,并且该方法程序可以被处理器执行。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (10)
1.一种文章列表个性化推荐方法,其特征在于包括以下步骤:
文章标签分类步骤:根据“命名实体识别”和“文本内容”对文章进行标签分类,以便得到文章的类型;
获取阅读完整度和时长步骤:根据屏幕内所加载的文章内容计算阅读整篇文章的完整度,根据用户打开文章的时间以及关闭文章的时间计算阅读整篇文章的时长;
判断喜好度步骤:根据阅读整篇文章的完整度和阅读整篇文章的时长判断用户对文章的喜好等级并对用户进行初次标签,所述初次标签为根据文章的类型对用户进行标记;
第一喜好度步骤:当用户对该文章内容进行成功分享时,为该用户添加对该文章内容的标签喜好度+1;
第二喜好度步骤:当用户对该文章进行评论、回复、点赞、点击投票、下载图片、复制文字、把文章生成图片等行为时,为该用户添加对该文章内容的标签喜好度+1;
文章推荐步骤:根据用户的初次标签和标签喜好度+1为用户推荐相应文章内容。
2.如权利要求1所述的文章列表个性化推荐方法,其特征在于:还包括标签更新步骤:根据用户在设定时间段内所关注文章内容的不同对用户进行相应的标签更新。
3.如权利要求1所述的文章列表个性化推荐方法,其特征在于:还包括相似度计算步骤:根据不同用户的初次标签计算不同用户之间的相似度。
4.如权利要求3所述的文章列表个性化推荐方法,其特征在于:所述相似度计算步骤之后包括相似推荐步骤:根据所述相似度为用户推荐相应文章内容。
5.一种电子设备,其包括处理器、存储器及计算机程序,所述计算机程序存储于所述存储器中,所述计算机程序被处理器执行,其特征在于:所述处理器执行所述计算机程序时实现以下方法:
文章标签分类步骤:根据“命名实体识别”和“文本内容”对文章进行标签分类,以便得到文章的类型;
获取阅读完整度和时长步骤:根据屏幕内所加载的文章内容计算阅读整篇文章的完整度,根据用户打开文章的时间以及关闭文章的时间计算阅读整篇文章的时长;
判断喜好度步骤:根据阅读整篇文章的完整度和阅读整篇文章的时长判断用户对文章的喜好等级并对用户进行初次标签,所述初次标签为根据文章的类型对用户进行标记;
第一喜好度步骤:当用户对该文章内容进行成功分享时,为该用户添加对该文章内容的标签喜好度+1;
第二喜好度步骤:当用户对该文章进行评论、回复、点赞、点击投票、下载图片、复制文字、把文章生成图片等行为时,为该用户添加对该文章内容的标签喜好度+1;
文章推荐步骤:根据用户的初次标签和标签喜好度+1为用户推荐相应文章内容。
6.如权利要求5所述的电子设备,其特征在于:所述处理器执行所述计算机程序时实现以下方法:还包括标签更新步骤:根据用户在设定时间段内所关注文章内容的不同对用户进行相应的标签更新。
7.如权利要求5所述的电子设备,其特征在于:所述处理器执行所述计算机程序时实现以下方法:还包括相似度计算步骤和相似推荐步骤:
相似度计算步骤根据不同用户的初次标签计算不同用户之间的相似度;
相似推荐步骤:根据所述相似度为用户推荐相应文章内容。
8.一种可读的计算机存储介质,其上存储有可被处理器执行的计算机程序,其特征在于:所述计算机程序用于被处理器执行时实现以下方法:
文章标签分类步骤:根据“命名实体识别”和“文本内容”对文章进行标签分类,以便得到文章的类型;
获取阅读完整度和时长步骤:根据屏幕内所加载的文章内容计算阅读整篇文章的完整度,根据用户打开文章的时间以及关闭文章的时间计算阅读整篇文章的时长;
判断喜好度步骤:根据阅读整篇文章的完整度和阅读整篇文章的时长判断用户对文章的喜好等级并对用户进行初次标签,所述初次标签为根据文章的类型对用户进行标记;
第一喜好度步骤:当用户对该文章内容进行成功分享时,为该用户添加对该文章内容的标签喜好度+1;
第二喜好度步骤:当用户对该文章进行评论、回复、点赞、点击投票、下载图片、复制文字、把文章生成图片等行为时,为该用户添加对该文章内容的标签喜好度+1;
文章推荐步骤:根据用户的初次标签和标签喜好度+1为用户推荐相应文章内容。
9.如权利要求8所述的可读的计算机存储介质,其特征在于:所述计算机程序用于被处理器执行时实现以下方法:还包括标签更新步骤:根据用户在设定时间段内所关注文章内容的不同对用户进行相应的标签更新。
10.如权利要求8所述的可读的计算机存储介质,其特征在于:所述处理器执行所述计算机程序时实现以下方法:还包括相似度计算步骤和相似推荐步骤:
相似度计算步骤根据不同用户的初次标签计算不同用户之间的相似度;
相似推荐步骤:根据所述相似度为用户推荐相应文章内容。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710923961.3A CN107807958B (zh) | 2017-09-30 | 2017-09-30 | 一种文章列表个性化推荐方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710923961.3A CN107807958B (zh) | 2017-09-30 | 2017-09-30 | 一种文章列表个性化推荐方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107807958A true CN107807958A (zh) | 2018-03-16 |
CN107807958B CN107807958B (zh) | 2021-11-19 |
Family
ID=61584153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710923961.3A Active CN107807958B (zh) | 2017-09-30 | 2017-09-30 | 一种文章列表个性化推荐方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107807958B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815416A (zh) * | 2019-01-29 | 2019-05-28 | 北京字节跳动网络技术有限公司 | 关联信息的推送方法、装置,电子设备及存储介质 |
CN110516147A (zh) * | 2019-07-22 | 2019-11-29 | 平安科技(深圳)有限公司 | 页面数据生成方法、装置、计算机设备及存储介质 |
CN110704750A (zh) * | 2019-10-21 | 2020-01-17 | 秒针信息技术有限公司 | 基于用户标签的文章推送方法、装置、设备及存储介质 |
CN111753236A (zh) * | 2020-06-29 | 2020-10-09 | 上海二三四五网络科技有限公司 | 一种计算新闻展示度的控制方法及装置 |
CN112948697A (zh) * | 2021-04-01 | 2021-06-11 | 哈尔滨理工大学 | 一种基于二部图的科学文章推荐算法 |
CN113901326A (zh) * | 2021-10-27 | 2022-01-07 | 海信集团控股股份有限公司 | 图书推荐方法、服务器及系统 |
CN114661949A (zh) * | 2022-03-31 | 2022-06-24 | 南京硕茂电子科技有限公司 | 一种大数据情境下的客户端数据分析系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106383885A (zh) * | 2016-09-19 | 2017-02-08 | 清华大学 | 疏导压力的阅读推荐方法及系统 |
CN106686086A (zh) * | 2016-12-29 | 2017-05-17 | 努比亚技术有限公司 | 消息推送装置及方法 |
CN106777139A (zh) * | 2016-12-19 | 2017-05-31 | 浙江工业大学 | 基于阅读时间的用户阅读偏好统计的个性化推送方法 |
-
2017
- 2017-09-30 CN CN201710923961.3A patent/CN107807958B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106383885A (zh) * | 2016-09-19 | 2017-02-08 | 清华大学 | 疏导压力的阅读推荐方法及系统 |
CN106777139A (zh) * | 2016-12-19 | 2017-05-31 | 浙江工业大学 | 基于阅读时间的用户阅读偏好统计的个性化推送方法 |
CN106686086A (zh) * | 2016-12-29 | 2017-05-17 | 努比亚技术有限公司 | 消息推送装置及方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815416A (zh) * | 2019-01-29 | 2019-05-28 | 北京字节跳动网络技术有限公司 | 关联信息的推送方法、装置,电子设备及存储介质 |
WO2020156236A1 (zh) * | 2019-01-29 | 2020-08-06 | 北京字节跳动网络技术有限公司 | 关联信息的推送方法、装置,电子设备及存储介质 |
CN110516147A (zh) * | 2019-07-22 | 2019-11-29 | 平安科技(深圳)有限公司 | 页面数据生成方法、装置、计算机设备及存储介质 |
CN110704750A (zh) * | 2019-10-21 | 2020-01-17 | 秒针信息技术有限公司 | 基于用户标签的文章推送方法、装置、设备及存储介质 |
CN111753236A (zh) * | 2020-06-29 | 2020-10-09 | 上海二三四五网络科技有限公司 | 一种计算新闻展示度的控制方法及装置 |
CN112948697A (zh) * | 2021-04-01 | 2021-06-11 | 哈尔滨理工大学 | 一种基于二部图的科学文章推荐算法 |
CN113901326A (zh) * | 2021-10-27 | 2022-01-07 | 海信集团控股股份有限公司 | 图书推荐方法、服务器及系统 |
CN114661949A (zh) * | 2022-03-31 | 2022-06-24 | 南京硕茂电子科技有限公司 | 一种大数据情境下的客户端数据分析系统及方法 |
CN114661949B (zh) * | 2022-03-31 | 2023-11-24 | 布谷鸟数字科技(中山)股份有限公司 | 一种大数据情境下的客户端数据分析系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107807958B (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107807958A (zh) | 一种文章列表个性化推荐方法、电子设备及存储介质 | |
US9779085B2 (en) | Multilingual embeddings for natural language processing | |
CN108629043A (zh) | 网页目标信息的提取方法、装置及存储介质 | |
CN111104526A (zh) | 一种基于关键词语义的金融标签提取方法及系统 | |
CN110196908A (zh) | 数据分类方法、装置、计算机装置及存储介质 | |
CN103810274B (zh) | 基于WordNet语义相似度的多特征图像标签排序方法 | |
CN104881458B (zh) | 一种网页主题的标注方法和装置 | |
CN108304373A (zh) | 语义词典的构建方法、装置、存储介质和电子装置 | |
CN113434688B (zh) | 用于舆情分类模型训练的数据处理方法和装置 | |
CN110287341A (zh) | 一种数据处理方法、装置以及可读存储介质 | |
CN112188312A (zh) | 用于确定新闻的视频素材的方法和装置 | |
CN113704599A (zh) | 营销转化用户的预测方法、装置及计算机设备 | |
CN111813993A (zh) | 视频内容的拓展方法、装置、终端设备及存储介质 | |
Ranjan et al. | Document classification using lstm neural network | |
CN106537387A (zh) | 检索/存储与事件相关联的图像 | |
CN110019820A (zh) | 一种病历中主诉与现病史症状时间一致性检测方法 | |
CN116882414B (zh) | 基于大规模语言模型的评语自动生成方法及相关装置 | |
CN104216880B (zh) | 基于互联网的术语定义辨析方法 | |
CN112948526A (zh) | 用户画像的生成方法及装置、电子设备、存储介质 | |
CN112287215A (zh) | 一种智能就业推荐方法和装置 | |
Voronov et al. | Forecasting popularity of news article by title analyzing with BN-LSTM network | |
CN114067343A (zh) | 一种数据集的构建方法、模型训练方法和对应装置 | |
CN114862141A (zh) | 基于画像关联性的课程推荐方法、装置、设备及存储介质 | |
Jayashree et al. | Suitability of naïve Bayesian methods for paragraph level text classification in the Kannada language using dimensionality reduction technique | |
CN107590163A (zh) | 文本特征选择的方法、装置和系统 |
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 |