CN108596695A - 实体推送方法及系统 - Google Patents
实体推送方法及系统 Download PDFInfo
- Publication number
- CN108596695A CN108596695A CN201810464257.0A CN201810464257A CN108596695A CN 108596695 A CN108596695 A CN 108596695A CN 201810464257 A CN201810464257 A CN 201810464257A CN 108596695 A CN108596695 A CN 108596695A
- Authority
- CN
- China
- Prior art keywords
- entity
- information
- sample
- user
- pushed
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
- G06Q30/0256—User search
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0252—Targeted advertisements based on events or environment, e.g. weather or festivals
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种实体推送方法及系统,涉及电子信息领域,该方法包括:获取当前用户的用户属性信息以及各个待推送实体的实体属性信息;分别针对每个待推送实体,根据该待推送实体的实体属性信息以及用户属性信息生成与该待推送实体相对应的特征向量;将各个待推送实体的特征向量输入预设的实体评价模型,根据实体评价模型的输出结果为当前用户推送实体,其中,实体评价模型根据各个样本用户在熟知区域内与样本实体之间的交互行为确定。根据该方法,能够利用用户在熟知区域内与样本实体之间的交互行为构建实体评价模型,并利用该模型以及多个维度的属性信息对用户的实体偏好进行预测,使得预测结果的准确度更高,进而有针对性地向用户推送实体。
Description
技术领域
本发明涉及电子信息领域,具体涉及一种实体推送方法及系统。
背景技术
O2O(Online to Offline,线上线下)是指利用互联网实现线下的消费资源和线上结合。O2O平台在线向用户推荐线下实体是一种重要的流量引导策略和渠道。为了提高用户点击率,需要一种模型来刻画用户对实体的感兴趣程度。
在一种应用场景中,基于用户在线上的浏览行为数据以及线上线下的支付行为数据对O2O的推荐算法进行建模。用户在线上的浏览行为数据主要包括:(1)用户使用关键字搜索或类目搜索的搜索行为数据以及在搜索结果页的点击行为;(2)用户对平台向他推荐的实体信息的点击行为数据。利用上述行为数据在一定程度上能够刻画用户对实体的偏好程度。
但是,发明人在实现本发明的过程中,发现在现有技术中至少存在如下问题:第一,用户在线上的浏览行为是无代价的,导致用户在线上的很多浏览行为数据具有随意性和错误性;第二,用户在线上线下的支付行为数据虽然克服了线上浏览行为数据随意性和错误性,但是用户在他不熟知的区域对实体的选择具有盲目性,因此利用上述两种行为数据并不能准确地刻画出用户对于实体的偏好。由此可见,现有技术中缺少一种能够很好地解决上述问题的方法。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种实体推送方法及系统。
根据本发明的一个方面,提供了一种实体推送方法,包括:获取当前用户的用户属性信息以及各个待推送实体的实体属性信息;分别针对每个待推送实体,根据该待推送实体的实体属性信息以及用户属性信息生成与该待推送实体相对应的特征向量;将各个待推送实体的特征向量输入预设的实体评价模型,根据实体评价模型的输出结果为当前用户推送实体;其中,实体评价模型根据各个样本用户在熟知区域内与样本实体之间的交互行为确定。
可选地,获取当前用户的用户属性信息以及各个待推送实体的实体属性信息的步骤之后,进一步包括:获取与当前用户相对应的环境属性信息;
则根据该待推送实体的实体属性信息以及用户属性信息生成与该待推送实体相对应的特征向量的步骤具体包括:结合环境属性信息生成与该待推送实体相对应的特征向量。
可选地,方法执行之前,进一步包括:
针对每个样本用户,确定该样本用户所对应的熟知区域,将熟知区域内包含的各个实体确定为熟知实体;
根据该样本用户与各个熟知实体之间发生的交互行为记录生成对应的样本信息;
根据样本信息生成预设的实体评价模型。
可选地,根据该样本用户与各个熟知实体之间发生的交互行为记录生成对应的样本信息的步骤具体包括:
针对该样本用户与每个熟知实体之间发生的每次交互行为,生成与该次交互行为相对应的正样本信息。
可选地,针对该样本用户与每个熟知实体之间发生的每次交互行为,生成与该次交互行为相对应的正样本信息的步骤之后,进一步包括:
将与该次交互行为相对应的熟知实体确定为交互实体,确定与交互实体相对应的非交互实体,根据非交互实体生成与该次交互行为相对应的负样本信息。
可选地,确定与交互实体相对应的非交互实体的步骤具体包括:
根据各个熟知实体与该交互实体之间的距离确定与该交互实体相对应的非交互实体;和/或,
根据各个熟知实体的类型选择多个分别属于不同类型的熟知实体,将多个分别属于不同类型的熟知实体确定为与交互实体相对应的非交互实体。
可选地,样本信息包括:用户维度信息、实体维度信息、和/或环境维度信息;
其中,用户维度信息和/或用户属性信息包括以下内容中的至少一个:用户身份信息、用户搜索信息、用户支付信息、点击推荐信息以及用户到店信息;
实体维度信息和/或实体属性信息包括以下内容中的至少一个:实体特征信息、实体点击信息、实体支付信息、以及实体搜索信息;
环境维度信息和/或环境属性信息包括:时间类信息、天气类信息、和/或区域类信息;其中,时间类信息包括:工作日信息、节假日信息、时段信息、和/或季节信息;区域类信息包括:区域交易频次信息、区域交易金额信息、区域交易时间信息、和/或区域经纬度信息。
可选地,根据实体评价模型的输出结果为当前用户推送实体的步骤具体包括:
根据实体评价模型输出的店铺类实体评价结果,为当前用户推送店铺类实体;和/或,
根据实体评价模型输出的店铺类实体评价结果,为当前用户推送与店铺相关的电子券实体、和/或商品实体。
可选地,交互行为包括以下中的至少一个:支付行为、评价行为、以及领券行为。
根据本发明的另一方面,提供了一种实体推送系统,包括:获取模块,适于获取当前用户的用户属性信息以及各个待推送实体的实体属性信息;特征向量生成模块,适于分别针对每个待推送实体,根据该待推送实体的实体属性信息以及用户属性信息生成与该待推送实体相对应的特征向量;推送模块,适于将各个待推送实体的特征向量输入预设的实体评价模型,根据实体评价模型的输出结果为当前用户推送实体;其中,实体评价模型根据各个样本用户在熟知区域内与样本实体之间的交互行为确定。
可选地,获取模块进一步适于:获取与当前用户相对应的环境属性信息;
则特征向量生成模块进一步适于:结合环境属性信息生成与该待推送实体相对应的特征向量。
可选地,系统进一步包括:
熟知实体确定模块,适于针对每个样本用户,确定该样本用户所对应的熟知区域,将熟知区域内包含的各个实体确定为熟知实体;
样本信息生成模块,适于根据该样本用户与各个熟知实体之间发生的交互行为记录生成对应的样本信息;
实体评价模型生成模块,适于根据样本信息生成预设的实体评价模型。
可选地,样本信息生成模块进一步适于:
针对该样本用户与每个熟知实体之间发生的每次交互行为,生成与该次交互行为相对应的正样本信息。
可选地,样本信息生成模块进一步适于:
将与该次交互行为相对应的熟知实体确定为交互实体,确定与交互实体相对应的非交互实体,根据非交互实体生成与该次交互行为相对应的负样本信息。
可选地,样本信息生成模块进一步适于:
根据各个熟知实体与该交互实体之间的距离确定与该交互实体相对应的非交互实体;和/或,
根据各个熟知实体的类型选择多个分别属于不同类型的熟知实体,将多个分别属于不同类型的熟知实体确定为与交互实体相对应的非交互实体。
可选地,样本信息包括:用户维度信息、实体维度信息、和/或环境维度信息;
其中,用户维度信息和/或用户属性信息包括以下内容中的至少一个:用户身份信息、用户搜索信息、用户支付信息、点击推荐信息以及用户到店信息;
实体维度信息和/或实体属性信息包括以下内容中的至少一个:实体特征信息、实体点击信息、实体支付信息、以及实体搜索信息;
环境维度信息和/或环境属性信息包括:时间类信息、天气类信息、和/或区域类信息;其中,时间类信息包括:工作日信息、节假日信息、时段信息、和/或季节信息;区域类信息包括:区域交易频次信息、区域交易金额信息、区域交易时间信息、和/或区域经纬度信息。
可选地,推送模块进一步适于:
根据实体评价模型输出的店铺类实体评价结果,为当前用户推送店铺类实体;和/或,
根据实体评价模型输出的店铺类实体评价结果,为当前用户推送与店铺相关的电子券实体、和/或商品实体。
可选地,交互行为包括以下中的至少一个:支付行为、评价行为、以及领券行为。
依据本发明的再一方面,提供了一种电子设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如上述的实体推送方法对应的操作。
依据本发明的再一方面,提供了一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上述的实体推送方法对应的操作。
综上所述,在本发明提供的实体推送方法及系统中,首先获取当前用户的用户属性信息以及各个待推送实体的实体属性信息;其次,分别针对每个待推送实体,根据该待推送实体的实体属性信息以及用户属性信息生成与该待推送实体相对应的特征向量;最后,将各个待推送实体的特征向量输入预设的实体评价模型,根据实体评价模型的输出结果为当前用户推送实体,其中,实体评价模型根据各个样本用户在熟知区域内与样本实体之间的交互行为确定。该方法中,考虑到用户在熟知区域内与样本实体之间的交互行为的主观性和目的性更强,从而提出了一种利用用户在熟知区域内与样本实体之间的交互行为构建实体评价模型,并利用该模型以及多个维度的信息对用户的实体偏好进行预测的方法,能够更加准确地预测用户对于实体的偏好,从而有针对性地向用户推送实体,有效提升推送实体的点击率。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例一提供的一种实体推送方法的流程图;
图2示出了本发明实施例二提供的一种实体推送方法的流程图;
图3示出了本发明实施例三提供的一种实体推送系统的结构图;
图4示出了本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例一
图1示出了本发明实施例一提供的一种实体推送方法的流程图,本实施例中以APP为例进行说明,当然,本发明的方案还可以应用于其他场景中,本发明对此不作限定。其中,实体是指:客观存在并可相互区别的事物,具体包括商品、店铺、券、探店文等。本实施例中的实体主要以店铺为例进行说明。
如图1所示,该方法包括:
步骤S110:获取当前用户的用户属性信息以及各个待推送实体的实体属性信息。
具体地,怎样去刻画一个用户是推荐算法要解决的问题之一,本实施例中,利用用户属性信息来刻画一个用户,其中,用户属性信息可以包括:用户基本信息,例如用户的年龄以及性别等;用户线上搜索信息,例如用户在线上搜索的实体的频次或者类目等;用户支付信息,例如用户在线上线下的支付的频次以及支付的类目分布等;用户推荐点击信息,例如用户在线上所点击的推荐内容的频次以及点击的推荐内容的类目分布等;用户到店信息,例如用户到线下店铺的频次及店铺的类目分布信息等。上述用户属性信息仅仅是本发明的示例,实际应用中,本领域技术人员还可根据实际需要获取多种类型的用户属性信息。
待推送实体的实体属性信息用于刻画一个实体,以待推送实体为店铺为例,实体属性信息可以包括:店铺基本信息,例如店铺的各级类目、品牌、店铺质量等静态信息;实体点击信息,例如店铺被点击的频次分布信息等;实体支付信息,例如店铺被支付的频次、金额分布等信息;实体搜索信息,例如用户搜索店铺的频次分布等信息。上述实体属性信息仅仅是本发明的示例,实际应用中,本领域技术人员还可根据实际需要获取多种类型的实体属性信息。
步骤S120:分别针对每个待推送实体,根据该待推送实体的实体属性信息以及用户属性信息生成与该待推送实体相对应的特征向量。
本实施例的方法中,利用待推送实体的实体属性信息以及用户属性信息对用户的实体偏好进行预测,具体通过特征向量将待推送实体的实体属性信息以及用户属性信息关联起来,进而将特征向量作为预测模型(实体评价模型)的输入,根据预测模型的输出结果可以确定用户的实体偏好。例如,将当前用户的用户属性信息以及线上线下的店铺的实体属性信息组合起来,生成该与店铺相对应的特征向量。
步骤S130:将各个待推送实体的特征向量输入预设的实体评价模型,根据实体评价模型的输出结果为当前用户推送实体,其中,实体评价模型根据各个样本用户在熟知区域内与样本实体之间的交互行为确定。
实际应用中,实体评价模型用于为各个待推送实体相对应的特征向量进行打分,则实体评价模型的输出结果即为各个待推送实体相对应的特征向量的得分,进一步根据打分结果为当前用户推送实体,例如,可将得分高于预设阈值的多个特征向量所对应的待推送实体推送给用户,也即将待推送实体发送给用户终端,以供APP在对应的区域内展示各个实体。
另外,用户的线上浏览行为具有随意性和错误性的特点,而用户对熟知区域内与样本实体之间的交互行为的主观性和目的性更强,能够更加准确地刻画用户的实体偏好,因此,本实施例的方法中,根据用户在熟知区域内与样本实体之间的交互行为构建实体评价模型,利用该实体评价模型能够准确预测用户偏好,具体应用中,可采用回归逻辑算法构建实体评价模型,但本发明的方案不限于此。其中,交互行为可以包括支付行为、评价行为以及领券行为。
根据本实施例提供的实体推送方法,首先获取当前用户的用户属性信息以及各个待推送实体的实体属性信息;其次,分别针对每个待推送实体,根据该待推送实体的实体属性信息以及用户属性信息生成与该待推送实体相对应的特征向量;最后,将各个待推送实体的特征向量输入预设的实体评价模型,根据实体评价模型的输出结果为当前用户推送实体,其中,实体评价模型根据各个样本用户在熟知区域内与样本实体之间的交互行为确定。该方法中,考虑到用户在熟知区域内与样本实体之间的交互行为的主观性和目的性更强,从而提出了一种利用用户在熟知区域内与样本实体之间的交互行为构建实体评价模型,并利用该模型以及多个维度的属性信息对用户的实体偏好进行预测的方法,能够更加准确地预测用户对于实体的偏好,从而有针对性地向用户推送实体,有效提升推送实体的点击率。
图2示出了本发明实施例二提供的一种实体推送方法的流程图,本实施例中以APP为例进行说明,当然,本发明的方案还可以应用于其他场景中,本发明对此不作限定。如图2所示,该方法包括:
步骤S210:针对每个样本用户,确定该样本用户所对应的熟知区域,将熟知区域内包含的各个实体确定为熟知实体。
本实施例中,步骤S210-S230对应为构建实体评价模型的方法。
其中,样本用户至少包括该APP的注册用户以及使用游客身份登录该APP的用户,当然,本发明对样本用户的具体形式不进行限定。样本用户所对应的熟知区域具体可通过用户终端所连接的WiFi或者样本用户的注册地址进行确定,举例来说,样本用户家中以及公司中的WiFi相对来说比较固定,用户终端连接该WiFi的行为是规律性的,则可确定该WiFi所对应的位置,将以该WiFi所对应的位置为中心、半径为500米的区域确定为该样本用户所对应的熟知区域;或者,由于样本用户注册地址往往是用户熟知的地址,如样本用户的家或者公司的地址,因此根据该地址也可以确定样本用户所对应的熟知区域。实际应用中,本领域技术人员还可以根据实际需要设置确定熟知区域的方式,例如可根据样本用户与线上线下的实体之间的交互行为的分布情况确定熟知区域,本发明对此不作限定,此外,熟知区域的区域面积、区域半径以及区域形状等均可以根据实际需要进行调整。
然后,将熟知区域内包含的各个实体确定为熟知实体,也即对应的位置位于该熟知区域中的实体均为熟知实体,以实体为店铺为例,将熟知区域内包含的所有的店铺确定为熟知实体。
步骤S220:根据该样本用户与各个熟知实体之间发生的交互行为记录生成对应的样本信息。
其中,交互行为包括以下中的至少一个:支付行为、评价行为、以及领券行为。交互行为记录可通过样本用户的行为数据确定,实际应用中,样本用户可通过APP对应的多个功能入口完成对应的操作,如样本用户通过点击支付功能入口以对实体进行支付,服务端接收支付功能入口发送的支付信息并记录该次支付行为;或者,样本用户通过点击评价功能入口以对实体进行评论,服务端接收评价功能入口发送的评论信息并记录该次评价行为;或者,样本用户通过点击领券功能入口以领取优惠券,服务端接收领券功能入口发送的领券信息并记录该次领券行为。进一步地,还可记录样本用户的用户标识、交互行为以及对应的实体之间的关联关系。其中,交互行为记录可以是在预设时段内的交互行为记录,例如,可以是当前时间的前3个月内的交互行为记录。
本实施例中,样本信息进一步包括为正样本信息以及负样本信息。其中,正样本信息可通过如下方式确定:针对该样本用户与每个熟知实体之间发生的每次交互行为,生成与该次交互行为相对应的正样本信息。也就是说,正样本信息和负样本信息的划分依据是样本用户与各个熟知实体之间是否发生了交互行为,若样本用户与其中一个熟知实体发生了交互行为,则生成与该次交互行为相对应的正样本信息。其中,正样本信息可由用户属性信息以及实体属性信息两种元素构成,举例来说,若样本用户A在某肯德基门店就餐,则将样本用户A+熟知实体(肯德基门店)对应标记为正样本信息。
负样本信息可通过如下方式确定:将与该次交互行为相对应的熟知实体确定为交互实体,确定与交互实体相对应的非交互实体,根据非交互实体生成与该次交互行为相对应的负样本信息。
也就是说,交互实体是指与样本用户发生过交互行为的熟知实体,而非交互实体是未与样本用户发生过交互行为的熟知实体。具体应用中,根据预设的非交互实体选取规则从熟知区域内未与样本用户发生过交互行为的多个熟知实体中选取出非交互实体。沿用上述示例,在样本用户A所对应的熟知区域内,样本用户A未在全家便利店内进行过支付,则将样本用户A+非交互实体(全家便利店)对应标记为负样本信息。需要说明的是,上述正、负样本信息的组成元素仅仅是本发明的具体实施例,实际应用中还获取多个维度信息作为样本信息的组成元素。
其中,确定与交互实体相对应的非交互实体的步骤具体包括:根据各个熟知实体与该交互实体之间的距离确定与该交互实体相对应的非交互实体。例如,可根据各个熟知实体与该交互实体之间的距离,选取出熟知实体中与该交互实体之间的距离小于预设距离阈值的、且与样本用户未发生过交互行为的多个熟知实体,并将该多个熟知实体确定为与该交互实体相对应的非交互实体。
或者,根据各个熟知实体的类型选择多个分别属于不同类型的熟知实体,将多个分别属于不同类型的熟知实体确定为与交互实体相对应的非交互实体。具体可根据APP交易数据中不同类型的熟知实体的分布概率选取出多个未与该样本用户发生交互关系的多个熟知实体作为非交互实体,其中,非交互实体的数量可根据实际需要进行设置。通过该方式,能够保证选取的多个非交互实体不会偏向于某一类型,又能使多个非交互实体的类型的比例符合整体交易数据中实体的类型的比例,避免选取的非交互实体的类型单一。其中,熟知实体的类型包括正餐类型、轻餐类型、快消类型以及泛行业类型,
步骤S230:根据样本信息生成预设的实体评价模型。
在上述示例中,样本信息由两种组成元素构成,即用户维度信息和实体维度信息两种组成元素构成,而本发明中对样本信息的组成元素不作限定。可选地,样本信息包括:用户维度信息、实体维度信息、和/或环境维度信息。
其中,用户维度信息包括以下内容中的至少一个:用户身份信息、用户搜索信息、用户支付信息、点击推荐信息以及用户到店信息。用户身份信息可以包括用户的年龄、性别、身份标识等;用户搜索信息可以包括用户在线上搜索的实体的频次或者类目等;用户支付信息可以包括用户在线上线下的支付的频次以及支付的实体的类目分布等;点击推荐信息可以包括用户在线上所点击的推荐内容的频次以及点击的推荐内容的类目分布等;用户到店信息可以包括用户到线下店铺的频次及店铺的类目分布等。
实体维度信息包括以下内容中的至少一个:实体特征信息、实体点击信息、实体支付信息、以及实体搜索信息。实体特征信息可以包括实体的各级类目、实体的品牌、实体的质量等静态信息;实体点击信息可以包括实体被点击的频次分布信息等;实体支付信息可以包括在线上以及线下被支付的频次、支付的金额分布等信息;实体搜索信息可以包括用户在线上搜索实体的频次分布等信息。
环境维度信息包括:时间类信息、天气类信息、和/或区域类信息;其中,时间类信息包括:工作日信息、节假日信息、时段信息、和/或季节信息;区域类信息包括:区域交易频次信息、区域交易金额信息、区域交易时间信息、和/或区域经纬度信息。其中,时间类信息具体是指每一次用户与实体之间的交互行为所对应的时间信息,具体确定每一次交互行为的时间是否为工作日、是否为节假日、处于一天当中的什么时段、和/或处于什么季节,以店铺为例,样本用户在工作日的中午11点至12点在公司附近的粥铺进行了支付,则可以根据该支付行为,提取出对应的时间类信息为工作日中午时段。区域类信息具体可以根据写字楼区域、商圈区域、城市分区、居民小区区域等进行确定,举例来说,相比于居民小区区域,商圈区域内的区域交易频次更高,区域交易金额更大,区域交易时间的分布更分散等,因此,根据区域类信息可以确定该区域内的交易特征。
下面以一个具体的示例来详细介绍生成样本信息的方法,在该示例中,实体具体指店铺类实体。样本用户A在工作日的中午去了公司园区的肯德基吃了午饭,则样本用户A与肯德基店铺之间必定发生了交互行为,根据上述内容可知样本用户A的公司附近的区域为熟知区域,该肯德基店铺为位于该熟知区域内的熟知实体,则该肯德基店铺为与该次交互行为相对应的交互实体,生成与该次交互行为相对应的正样本信息,具体包括:用户维度信息(样本用户A)、实体维度信息(肯德基店铺,轻餐)以及区域类信息(公司园区所属的区域)、时间类信息(工作日,中午时段)。然后,从该熟知区域内按照选取规则选取出三家未与样本用户A发生交互行为的店铺,该三家店铺可分别对应不同的店铺类型,如选取出老娘舅(轻餐)、全家便利店(快消)、理发店(泛行业),则该三家店铺为上述交互实体相对应的非交互实体,则根据非交互实体生成的与该次交互相对应的负样本信息具体包括:用户维度信息(样本用户A)、实体维度信息(老娘舅店铺,轻餐)以及区域类信息(公司园区所属的区域)、时间类信息(工作日,中午时段);用户维度信息(样本用户A)、实体维度信息(全家便利店,快消)以及区域类信息(公司园区所属的区域)、时间类信息(工作日,中午时段);以及用户维度信息(样本用户A)、实体维度信息(理发店,泛行业)以及区域类信息(公司园区所属的区域)、时间类信息(工作日,中午时段)。上述正样本信息以及三条负样本信息从两个角度阐述了样本用户A在工作日中午时段对于店铺的喜好情况,第一,同类型店铺之间,正样本信息对应为轻餐,负样本信息对应也是轻餐,则表明样本用户A在工作日中午时段更加偏好轻餐类型的店铺,且仅针对上述正样本信息而言,样本用户A在工作日中午时段更加偏好肯德基这样的店铺;第二,不同类型店铺之间,正样本信息对应为轻餐,负样本信息对应为快消和泛行业,则表明样本用户A在工作日中午时段更加偏好轻餐类型的店铺,而不喜欢快消以及泛行业类型的店铺。
因此,利用样本信息可以预测用户的偏好,本实施例的方法中,为了提升预测准确性,利用机器学习的方法以及多个样本信息构建实体评价模型,并利用样本信息对实体评价模型进行训练,以供后续过程中利用该实体评价模型对用户的偏好进行预测。实际应用中,可采用逻辑回归算法构建实体评价模型。需要说明的是,本发明对构建实体评价模型的方式不作限定,本领域技术人员还可采取其他算法来构建实体评价模型。
步骤S240:获取当前用户的用户属性信息以及各个待推送实体的实体属性信息,获取与当前用户相对应的环境属性信息。
本发明中,样本用户和当前用户具体指同一个用户,针对用户的每一次与实体之间的交互行为记录都会生成对应的样本信息,根据该样本信息对上述实体评价模型进行训练,通俗地来讲,本发明的方案即是根据用户在熟知区域内的与实体之间的历史行为数据对该用户的实体偏好进行预测。
其中,当前用户的用户属性信息与上述样本用户的用户维度信息一致,待推送实体的实体属性信息与上述实体维度信息一致,与当前用户相对应的环境属性信息与环境维度信息一致,在此不再赘述。其中,当前用户的环境属性信息可根据当前用户所处的位置所属的区域以及当前的时间信息进行确定。
步骤S250:分别针对每个待推送实体,根据该待推送实体的实体属性信息以及用户属性信息以及环境属性信息生成与该待推送实体相对应的特征向量。
实际应用中,可采用序列化训练的方式构建实体评价模型,因此,针对每一个待推送实体,根据该待推送实体的实体属性信息以及用户属性信息以及环境属性信息生成与该待推送实体相对应的特征序列(特征向量),以供后续步骤中,将特征向量输入至实体评价模型,从而为每一个特征向量进行打分。
步骤S260:将各个待推送实体的特征向量输入预设的实体评价模型,根据实体评价模型的输出结果为当前用户推送实体。
根据上述步骤生成了与各个带推送实体的特征向量,则将各个带推送实体的特征向量输入至预设的实体评价模型中,该实体评价模型能够为各个待推送实体的特征向量进行打分,也即每一个特征向量都会被赋予一个排序分,然后,根据该实体评价模型的输出结果为当前用户推送实体。具体应用中,可将实体评价模型部署在线上,获取到各个待推送实体的特征向量,在线上为各个待推送实体的特征向量进行打分。此外,除了为当前用户推送实体,根据实体评价模型的输出结果还可以进行其他处理。
具体地,根据实体评价模型输出的店铺类实体评价结果,为当前用户推送店铺类实体,当实体为店铺类型时,则根据店铺实体评价结果为当前用户推送店铺类实体,具体可将得分高于预设阈值的特征向量对应的店铺类实体推送给当前用户,另外对于店铺类型的实体,还可将店铺标识一并推送给当前用户,根据该店铺标识可以确定店铺的位置信息等。
或者,根据实体评价模型输出的店铺类实体评价结果,为当前用户推送与店铺相关的电子券实体、和/或商品实体。该方式可应用于专属优惠渠道上,专属优惠渠道是基于位置服务的电子券实体或者商品实体的推荐渠道,电子券实体以及商品实体的载体是店铺实体,用户对电子券实体以及商品实体的感兴趣程度在一定程度上会受电子券实体以及商品实体所属的店铺实体影响,因此,采用该方式,能够在优化了店铺实体的排序的基础上,提升了电子券实体和/或商品实体的推荐效果。
综上,在本实施的方法中,考虑到用户在熟知区域内与实体之间的交互行为的主观性和目的性更强,采用用户在自己的熟知区域的熟知门店的交互数据作为实体推荐算法的样本,能够充分刻画用户对实体的偏好习惯;其次,利用机器学习算法构建实体评价模型,以及用户在熟知区域内与样本实体之间的交互行为数据对该实体评价模型进行训练,能够提升输出结果的准确性;其次,该方式中交互行为对应的样本信息包括多个维度的信息,该多个维度的信息能够更加准确地刻画用户对于实体的偏好,且利用多个维度的信息对实体评价模型进行训练,能够使实体评价模型的输出结果与用户的实际偏好更加匹配,也即能够提升预测结果的准确性,从而有针对性地向用户推送实体,有效提升推送实体的点击率;最后,通过向用户推送不同类型的实体,能够为用户提供多种选择,有利于提升用户体验。
实施例三
图3示出了本发明实施例三提供的一种实体推送系统的结构示意图,该系统包括:
获取模块31,适于获取当前用户的用户属性信息以及各个待推送实体的实体属性信息;
特征向量生成模块32,适于分别针对每个待推送实体,根据该待推送实体的实体属性信息以及用户属性信息生成与该待推送实体相对应的特征向量;
推送模块33,适于将各个待推送实体的特征向量输入预设的实体评价模型,根据实体评价模型的输出结果为当前用户推送实体;其中,实体评价模型根据各个样本用户在熟知区域内与样本实体之间的交互行为确定。
可选地,获取模块31进一步适于:获取与当前用户相对应的环境属性信息;
则特征向量生成模块32进一步适于:结合环境属性信息生成与该待推送实体相对应的特征向量。
可选地,上述系统进一步包括:
熟知实体确定模块,适于针对每个样本用户,确定该样本用户所对应的熟知区域,将熟知区域内包含的各个实体确定为熟知实体;
样本信息生成模块,适于根据该样本用户与各个熟知实体之间发生的交互行为记录生成对应的样本信息;
实体评价模型生成模块,适于根据样本信息生成预设的实体评价模型。
可选地,样本信息生成模块进一步适于:
针对该样本用户与每个熟知实体之间发生的每次交互行为,生成与该次交互行为相对应的正样本信息。
可选地,样本信息生成模块进一步适于:
将与该次交互行为相对应的熟知实体确定为交互实体,确定与交互实体相对应的非交互实体,根据非交互实体生成与该次交互行为相对应的负样本信息。
可选地,样本信息生成模块进一步适于:
根据各个熟知实体与该交互实体之间的距离确定与该交互实体相对应的非交互实体;和/或,
根据各个熟知实体的类型选择多个分别属于不同类型的熟知实体,将多个分别属于不同类型的熟知实体确定为与交互实体相对应的非交互实体。
可选地,样本信息包括:用户维度信息、实体维度信息、和/或环境维度信息;
其中,用户维度信息和/或用户属性信息包括以下内容中的至少一个:用户身份信息、用户搜索信息、用户支付信息、点击推荐信息以及用户到店信息;
实体维度信息和/或实体属性信息包括以下内容中的至少一个:实体特征信息、实体点击信息、实体支付信息、以及实体搜索信息;
环境维度信息和/或环境属性信息包括:时间类信息、天气类信息、和/或区域类信息;其中,时间类信息包括:工作日信息、节假日信息、时段信息、和/或季节信息;区域类信息包括:区域交易频次信息、区域交易金额信息、区域交易时间信息、和/或区域经纬度信息。
可选地,推送模块33进一步适于:
根据实体评价模型输出的店铺类实体评价结果,为当前用户推送店铺类实体;和/或,
根据实体评价模型输出的店铺类实体评价结果,为当前用户推送与店铺相关的电子券实体、和/或商品实体。
可选地,交互行为包括以下中的至少一个:支付行为、评价行为、以及领券行为。关于上述各个模块的具体结构和工作原理可参照方法实施例中相应部分的描述,此处不再赘述。
实施例四
本申请实施例四提供了一种非易失性计算机存储介质,所述计算机存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的实体推送方法。
可执行指令具体可以用于使得处理器执行以下操作:获取当前用户的用户属性信息以及各个待推送实体的实体属性信息;分别针对每个待推送实体,根据该待推送实体的实体属性信息以及用户属性信息生成与该待推送实体相对应的特征向量;将各个待推送实体的特征向量输入预设的实体评价模型,根据实体评价模型的输出结果为当前用户推送实体;其中,实体评价模型根据各个样本用户在熟知区域内与样本实体之间的交互行为确定。
实施例五
图4示出了根据本发明实施例五的一种电子设备的结构示意图,本发明具体实施例并不对电子设备的具体实现做限定。
如图4所示,该电子设备可以包括:处理器(processor)402、通信接口(Communications Interface)406、存储器(memory)404、以及通信总线408。
其中:
处理器402、通信接口406、以及存储器404通过通信总线408完成相互间的通信。
通信接口406,用于与其它设备比如客户端或其它服务器等的网元通信。
处理器402,用于执行程序410,具体可以执行上述实体推送方法实施例中的相关步骤。
具体地,程序410可以包括程序代码,该程序代码包括计算机操作指令。
处理器402可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器404,用于存放程序410。存储器404可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序410具体可以用于使得处理器402执行以下操作:获取当前用户的用户属性信息以及各个待推送实体的实体属性信息;分别针对每个待推送实体,根据该待推送实体的实体属性信息以及用户属性信息生成与该待推送实体相对应的特征向量;将各个待推送实体的特征向量输入预设的实体评价模型,根据实体评价模型的输出结果为当前用户推送实体;其中,实体评价模型根据各个样本用户在熟知区域内与样本实体之间的交互行为确定。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的实体推送系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种实体推送方法,包括:
获取当前用户的用户属性信息以及各个待推送实体的实体属性信息;
分别针对每个待推送实体,根据该待推送实体的实体属性信息以及所述用户属性信息生成与该待推送实体相对应的特征向量;
将各个待推送实体的特征向量输入预设的实体评价模型,根据所述实体评价模型的输出结果为所述当前用户推送实体;
其中,所述实体评价模型根据各个样本用户在熟知区域内与样本实体之间的交互行为确定。
2.根据权利要求1所述的方法,其中,所述获取当前用户的用户属性信息以及各个待推送实体的实体属性信息的步骤之后,进一步包括:获取与所述当前用户相对应的环境属性信息;
则所述根据该待推送实体的实体属性信息以及所述用户属性信息生成与该待推送实体相对应的特征向量的步骤具体包括:结合所述环境属性信息生成与该待推送实体相对应的特征向量。
3.根据权利要求1或2所述的方法,其中,所述方法执行之前,进一步包括:
针对每个样本用户,确定该样本用户所对应的熟知区域,将所述熟知区域内包含的各个实体确定为熟知实体;
根据该样本用户与各个熟知实体之间发生的交互行为记录生成对应的样本信息;
根据所述样本信息生成所述预设的实体评价模型。
4.根据权利要求3所述的方法,其中,所述根据该样本用户与各个熟知实体之间发生的交互行为记录生成对应的样本信息的步骤具体包括:
针对该样本用户与每个熟知实体之间发生的每次交互行为,生成与该次交互行为相对应的正样本信息。
5.根据权利要求4所述的方法,其中,所述针对该样本用户与每个熟知实体之间发生的每次交互行为,生成与该次交互行为相对应的正样本信息的步骤之后,进一步包括:
将与该次交互行为相对应的熟知实体确定为交互实体,确定与所述交互实体相对应的非交互实体,根据所述非交互实体生成与该次交互行为相对应的负样本信息。
6.根据权利要求5所述的方法,其中,所述确定与所述交互实体相对应的非交互实体的步骤具体包括:
根据各个熟知实体与该交互实体之间的距离确定与该交互实体相对应的非交互实体;和/或,
根据各个熟知实体的类型选择多个分别属于不同类型的熟知实体,将所述多个分别属于不同类型的熟知实体确定为与所述交互实体相对应的非交互实体。
7.根据权利要求3-6任一所述的方法,其中,所述样本信息包括:用户维度信息、实体维度信息、和/或环境维度信息;
其中,所述用户维度信息和/或所述用户属性信息包括以下内容中的至少一个:用户身份信息、用户搜索信息、用户支付信息、点击推荐信息以及用户到店信息;
所述实体维度信息和/或所述实体属性信息包括以下内容中的至少一个:实体特征信息、实体点击信息、实体支付信息、以及实体搜索信息;
所述环境维度信息和/或所述环境属性信息包括:时间类信息、天气类信息、和/或区域类信息;其中,所述时间类信息包括:工作日信息、节假日信息、时段信息、和/或季节信息;所述区域类信息包括:区域交易频次信息、区域交易金额信息、区域交易时间信息、和/或区域经纬度信息。
8.一种实体推送系统,包括:
获取模块,适于获取当前用户的用户属性信息以及各个待推送实体的实体属性信息;
特征向量生成模块,适于分别针对每个待推送实体,根据该待推送实体的实体属性信息以及所述用户属性信息生成与该待推送实体相对应的特征向量;
推送模块,适于将各个待推送实体的特征向量输入预设的实体评价模型,根据所述实体评价模型的输出结果为所述当前用户推送实体;
其中,所述实体评价模型根据各个样本用户在熟知区域内与样本实体之间的交互行为确定。
9.一种电子设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的实体推送方法对应的操作。
10.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-7中任一项所述的实体推送方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810464257.0A CN108596695B (zh) | 2018-05-15 | 2018-05-15 | 实体推送方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810464257.0A CN108596695B (zh) | 2018-05-15 | 2018-05-15 | 实体推送方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108596695A true CN108596695A (zh) | 2018-09-28 |
CN108596695B CN108596695B (zh) | 2021-04-27 |
Family
ID=63631135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810464257.0A Active CN108596695B (zh) | 2018-05-15 | 2018-05-15 | 实体推送方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596695B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800359A (zh) * | 2018-12-20 | 2019-05-24 | 北京百度网讯科技有限公司 | 信息推荐处理方法、装置、电子设备及可读存储介质 |
CN109857873A (zh) * | 2019-02-21 | 2019-06-07 | 北京百度网讯科技有限公司 | 推荐实体的方法和装置、电子设备、计算机可读介质 |
CN110084671A (zh) * | 2019-04-17 | 2019-08-02 | 上海拉扎斯信息科技有限公司 | 信息处理方法、信息处理装置、存储介质和电子设备 |
CN110555627A (zh) * | 2019-09-10 | 2019-12-10 | 拉扎斯网络科技(上海)有限公司 | 实体展示方法、装置、存储介质和电子设备 |
CN111310025A (zh) * | 2020-01-17 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 模型训练方法、数据处理方法、装置以及相关设备 |
CN111382347A (zh) * | 2018-12-28 | 2020-07-07 | 广州市百果园信息技术有限公司 | 一种对象特征的处理和信息推送方法、装置和设备 |
CN111738789A (zh) * | 2019-08-02 | 2020-10-02 | 北京京东尚科信息技术有限公司 | 一种物品信息推送方法、装置、设备和存储介质 |
CN113127747A (zh) * | 2021-05-17 | 2021-07-16 | 北京爱笔科技有限公司 | 信息推荐的方法、装置、设备及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521420A (zh) * | 2012-01-04 | 2012-06-27 | 西安电子科技大学 | 基于偏好模型的社会化过滤方法 |
CN102968506A (zh) * | 2012-12-14 | 2013-03-13 | 北京理工大学 | 一种基于扩展特征向量的个性化协同过滤推荐方法 |
CN103426102A (zh) * | 2013-08-02 | 2013-12-04 | 苏州两江科技有限公司 | 基于本体分类的商品特征推荐方法 |
CN103744966A (zh) * | 2014-01-07 | 2014-04-23 | Tcl集团股份有限公司 | 一种物品推荐方法、装置 |
CN105512183A (zh) * | 2015-11-24 | 2016-04-20 | 中国科学院重庆绿色智能技术研究院 | 一种基于用户自主选择的个性化推荐方法和系统 |
CN105550901A (zh) * | 2015-12-21 | 2016-05-04 | 上海交通大学 | 基于少量用户评价的物品流行度与喜好度联合预测系统 |
CN106055566A (zh) * | 2016-05-19 | 2016-10-26 | 华南理工大学 | 面向移动广告用户的手机游戏推荐方法 |
CN106649774A (zh) * | 2016-12-27 | 2017-05-10 | 北京百度网讯科技有限公司 | 基于人工智能的对象推送方法及装置 |
CN106649681A (zh) * | 2016-12-15 | 2017-05-10 | 北京金山安全软件有限公司 | 一种数据处理方法、装置及设备 |
CN106777069A (zh) * | 2016-12-12 | 2017-05-31 | 浙江工商大学 | 基于矩阵因子分解的个性化推荐方法及推荐系统 |
CN106951489A (zh) * | 2017-03-13 | 2017-07-14 | 杭州师范大学 | 一种用于稀疏大数据的个性化推荐方法和装置 |
CN107679882A (zh) * | 2016-08-01 | 2018-02-09 | 长沙有干货网络技术有限公司 | 一种Hadoop的电子商务推荐系统 |
CN107730289A (zh) * | 2016-08-11 | 2018-02-23 | 株式会社理光 | 一种用户行为分析方法及用户行为分析装置 |
-
2018
- 2018-05-15 CN CN201810464257.0A patent/CN108596695B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521420A (zh) * | 2012-01-04 | 2012-06-27 | 西安电子科技大学 | 基于偏好模型的社会化过滤方法 |
CN102968506A (zh) * | 2012-12-14 | 2013-03-13 | 北京理工大学 | 一种基于扩展特征向量的个性化协同过滤推荐方法 |
CN103426102A (zh) * | 2013-08-02 | 2013-12-04 | 苏州两江科技有限公司 | 基于本体分类的商品特征推荐方法 |
CN103744966A (zh) * | 2014-01-07 | 2014-04-23 | Tcl集团股份有限公司 | 一种物品推荐方法、装置 |
CN105512183A (zh) * | 2015-11-24 | 2016-04-20 | 中国科学院重庆绿色智能技术研究院 | 一种基于用户自主选择的个性化推荐方法和系统 |
CN105550901A (zh) * | 2015-12-21 | 2016-05-04 | 上海交通大学 | 基于少量用户评价的物品流行度与喜好度联合预测系统 |
CN106055566A (zh) * | 2016-05-19 | 2016-10-26 | 华南理工大学 | 面向移动广告用户的手机游戏推荐方法 |
CN107679882A (zh) * | 2016-08-01 | 2018-02-09 | 长沙有干货网络技术有限公司 | 一种Hadoop的电子商务推荐系统 |
CN107730289A (zh) * | 2016-08-11 | 2018-02-23 | 株式会社理光 | 一种用户行为分析方法及用户行为分析装置 |
CN106777069A (zh) * | 2016-12-12 | 2017-05-31 | 浙江工商大学 | 基于矩阵因子分解的个性化推荐方法及推荐系统 |
CN106649681A (zh) * | 2016-12-15 | 2017-05-10 | 北京金山安全软件有限公司 | 一种数据处理方法、装置及设备 |
CN106649774A (zh) * | 2016-12-27 | 2017-05-10 | 北京百度网讯科技有限公司 | 基于人工智能的对象推送方法及装置 |
CN106951489A (zh) * | 2017-03-13 | 2017-07-14 | 杭州师范大学 | 一种用于稀疏大数据的个性化推荐方法和装置 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800359A (zh) * | 2018-12-20 | 2019-05-24 | 北京百度网讯科技有限公司 | 信息推荐处理方法、装置、电子设备及可读存储介质 |
CN111382347A (zh) * | 2018-12-28 | 2020-07-07 | 广州市百果园信息技术有限公司 | 一种对象特征的处理和信息推送方法、装置和设备 |
CN109857873A (zh) * | 2019-02-21 | 2019-06-07 | 北京百度网讯科技有限公司 | 推荐实体的方法和装置、电子设备、计算机可读介质 |
CN110084671A (zh) * | 2019-04-17 | 2019-08-02 | 上海拉扎斯信息科技有限公司 | 信息处理方法、信息处理装置、存储介质和电子设备 |
CN111738789A (zh) * | 2019-08-02 | 2020-10-02 | 北京京东尚科信息技术有限公司 | 一种物品信息推送方法、装置、设备和存储介质 |
CN110555627A (zh) * | 2019-09-10 | 2019-12-10 | 拉扎斯网络科技(上海)有限公司 | 实体展示方法、装置、存储介质和电子设备 |
CN110555627B (zh) * | 2019-09-10 | 2022-06-10 | 拉扎斯网络科技(上海)有限公司 | 实体展示方法、装置、存储介质和电子设备 |
CN111310025A (zh) * | 2020-01-17 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 模型训练方法、数据处理方法、装置以及相关设备 |
CN111310025B (zh) * | 2020-01-17 | 2023-07-28 | 腾讯科技(深圳)有限公司 | 模型训练方法、数据处理方法、装置以及相关设备 |
CN113127747A (zh) * | 2021-05-17 | 2021-07-16 | 北京爱笔科技有限公司 | 信息推荐的方法、装置、设备及存储介质 |
CN113127747B (zh) * | 2021-05-17 | 2024-05-28 | 北京爱笔科技有限公司 | 信息推荐的方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108596695B (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596695A (zh) | 实体推送方法及系统 | |
US11768893B2 (en) | Concept networks and systems and methods for the creation, update and use of same in artificial intelligence systems | |
CN109934619A (zh) | 用户画像标签建模方法、装置、电子设备及可读存储介质 | |
US9092815B2 (en) | Searching for goods and services based on keywords and proximity | |
US10097947B2 (en) | Generating personalized routes incentivized for one or more users | |
CN107368488A (zh) | 一种确定用户行为偏好的方法、推荐信息的展示方法和装置 | |
US11663497B2 (en) | Facilitating changes to online computing environment by assessing impacts of actions using a knowledge base representation | |
US20160275806A1 (en) | Learning apparatus, learning method, and non-transitory computer readable storage medium | |
CN108460631A (zh) | 多元化信息的混合推送方法及装置 | |
CN110162609A (zh) | 用于向用户推荐咨询问题的方法及装置 | |
JP2019049836A (ja) | 推定装置、推定方法および推定プログラム | |
KR20020072939A (ko) | 인터넷 쇼핑 에이전트에서의 다이알로그 마이닝 기법을이용한 개인화된 구매의사결정 지원과 마케팅 정보 추출방법 | |
CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
Nurillah et al. | ONLINE REVIEW AND RATING ON CONSUMER PURCHASE INTENTION: THE MODERATING ROLE OF RELIGIOSITY. | |
Fahlevi et al. | The Influence of Social Media and EWOM on Generation Z's Trust and Purchase Intentions at Coffee Shops | |
Ravula | Impact of delivery performance on online review ratings: the role of temporal distance of ratings | |
Wei et al. | Online shopping behavior analysis for smart business using big data analytics and blockchain security | |
CN111373395A (zh) | 基于层次聚类的人工智能系统和方法 | |
CN111309931A (zh) | 基于区块链的交易方法、装置、电子设备及存储介质 | |
CA3163214C (en) | Account authentication using synthetic merchants | |
CN109886299A (zh) | 一种用户画像方法、装置、可读存储介质及终端设备 | |
CN112015970A (zh) | 产品推荐方法、相关设备及计算机存储介质 | |
CN110035111A (zh) | 一种可配送实体的推送方法以及装置 | |
CN108304872A (zh) | 本地生活服务信息处理方法及装置 | |
CN111695919B (zh) | 评价数据处理方法、装置、电子设备及存储介质 |
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 |