CN108667877A - 确定推荐信息的方法及装置、计算机设备及存储介质 - Google Patents
确定推荐信息的方法及装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN108667877A CN108667877A CN201710209766.4A CN201710209766A CN108667877A CN 108667877 A CN108667877 A CN 108667877A CN 201710209766 A CN201710209766 A CN 201710209766A CN 108667877 A CN108667877 A CN 108667877A
- Authority
- CN
- China
- Prior art keywords
- recommendation information
- value
- parameter
- candidate recommendation
- time
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/535—Tracking the activity of the user
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种确定推荐信息的方法、装置、计算机设备及存储介质,一个实施例的方法包括:获取各候选推荐信息的各时间段的预定参数类型的值,各所述时间段互不重叠,且所述预定参数类型与已使用状态相关;根据各候选推荐信息的各时间段的预定参数类型的值,确定各候选推荐信息的与第一时间周期关联的第一参数值;将各候选推荐信息的与第一时间周期关联的第一参数值,分别确定为各候选推荐信息的当前参数预估值;获取各候选推荐信息的信息转化率;根据各候选推荐信息的信息转化率和当前参数预估值,确定各候选推荐信息的预期值;根据各候选推荐信息的预期值,从各候选推荐信息中确定待推荐信息。本实施例方案提高了确定的推荐信息的准确性和合理性。
Description
技术领域
本发明涉及网络信息技术领域,特别涉及一种确定推荐信息的方法、一种确定推荐信息的装置、一种计算机设备以及一种存储介质。
背景技术
随着信息技术的发展,信息推荐已经成为网络信息技术中的一项重要内容。在信息推荐系统中,通常是对候选集内的候选推荐对象(例如物品)用特定算法计算得到各自的分数,再对这些分数进行排序,最后基于排序的分数输出部分待推荐对象作为推荐结果。
目前的这种信息推荐的方式,通常是基于候选推荐对象的直观的关联信息进行排序,以对APP(Application,应用程序)的推荐为例,通常是基于APP的下载次数进行排序,进而确定出需要进行推荐的APP。然而,这类推荐方式,无法准确地体现出各APP的价值,例如某个APP A的下载次数较多,但是大部分被终端下载之后不久就被终端卸载,无法体现出该APP A应有的价值,而另一个APP B的下载次数较少,但是极少被终端卸载,该APP B的实际价值高,但是却在进行推荐时,排在APP A之后,甚至于无法作为推荐信息进行推荐。因此,目前的信息推荐的方式所得到的推荐信息并不准确和合理。
发明内容
基于此,有必要提供一种确定推荐信息的方法、一种确定推荐信息的装置、一种计算机设备以及一种存储介质,以提高确定的推荐信息的准确性和合理性。
为达到上述目的,一个实施例中采用以下技术方案:
一种确定推荐信息的方法,包括步骤:
获取各候选推荐信息的各时间段的预定参数类型的值,各所述时间段互不重叠,且所述预定参数类型与已使用状态相关;
根据各候选推荐信息的各时间段的预定参数类型的值,确定各候选推荐信息的与第一时间周期关联的第一参数值;
将各候选推荐信息的与第一时间周期关联的第一参数值,分别确定为各候选推荐信息的当前参数预估值;
获取各候选推荐信息的信息转化率;
根据各候选推荐信息的信息转化率和当前参数预估值,确定各候选推荐信息的预期值;
根据各候选推荐信息的预期值,从各候选推荐信息中确定待推荐信息。
一种确定推荐信息的装置,包括:
初始值获取模块,用于获取各候选推荐信息的各时间段的预定参数类型的值,各所述时间段互不重叠,且所述预定参数类型与已使用状态相关;
参数值确定模块,用于根据各候选推荐信息的各时间段的预定参数类型的值,确定各候选推荐信息的与第一时间周期关联的第一参数值;
预估值确定模块,用于将各候选推荐信息的与第一时间周期关联的第一参数值,分别确定为各候选推荐信息的当前参数预估值;
转化率获取模块,用于获取各候选推荐信息的信息转化率;
预期值确定模块,用于根据各候选推荐信息的信息转化率和当前参数预估值,确定各候选推荐信息的预期值;
推荐信息确定模块,用于根据各候选推荐信息的预期值,从各候选推荐信息中确定待推荐信息。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述的确定推荐信息的方法。
一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的确定推荐信息的方法。
基于如上所述的实施例中的方案,其依赖于各候选推荐信息的各时间段的预定参数类型的值确定出参数预估值,而各时间段的预定参数类型的值是与已使用状态相关的值,因此可以反映出候选推荐信息的实际使用情况,据此确定的参数预估值也可以较准确的反映出该候选推荐信息的实际应用价值,在此基础上结合候选推荐信息的信息转化率确定出候选推荐信息的预期值,并据此选择确定出待推荐信息,所确定的待推荐信息更符合实际应用价值,提高了确定的推荐信息的准确性和合理性。
附图说明
图1是一个实施例方案的工作环境的示意图;
图2是一个实施例的服务器的组成结构的示意图;
图3是一个实施例中的确定推荐信息的方法的流程示意图;
图4是一个具体示例中的确定第一参数值的原理示意图;
图5是另一个具体示例中的确定第一参数值的原理示意图;
图6是第二个实施例中的确定推荐信息的方法的流程示意图;
图7是一个具体示例中的确定第二参数值的原理示意图;
图8是第三个实施例中的确定推荐信息的方法的流程示意图;
图9是一个实施例中的确定推荐信息的装置的结构示意图;
图10是一个具体示例中的参数确定模块的结构示意图;
图11是另一个实施例中的确定推荐信息的装置的结构示意图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳的实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“或/及”包括一个或多个相关的所列项目的任意的和所有的组合。
图1示出了本发明一个实施例中的工作环境示意图,如图1所示,其工作环境涉及终端101以及服务器102,还可能涉及第三方服务器103,终端101、服务器102、第三方服务器103之间可以通过网络进行通信。服务器102可以向各终端101进行信息的推荐,这里推荐的信息可以是任何可能的信息。在一个时候实施例中,服务器102向终端101推荐的是应用程序。服务器102可以通过网络获得各终端101使用应用程序的相关信息,另一方面,各终端101使用应用程序的相关信息也可以存储到为该应用程序提供后台服务的第三方服务器103中,服务器102可以从第三方服务器获得各终端101使用应用程序的相关信息。服务器102基于各终端101使用应用程序的相关信息,从中确定出待推荐的应用程序作为待推荐信息,推荐给各终端101。本发明实施例涉及的是服务器102确定推荐信息的方案。该终端101可以是任何一种能够实现智能输入输出的设备,例如手机、平板电脑等移动终端、个人计算机等。
图2为一个实施例中服务器102的组成结构示意图。如图2所示,服务器包括通过系统总线连接的处理器、供电模块、存储介质、内存和通信接口。其中,处理器用于提供计算和控制能力,支撑整个服务器的运行。服务器的存储介质存储有操作系统、数据库和一种确定推荐信息的装置的计算机程序,该确定推荐信息的装置的计算机程序被处理器执行时,实现一种确定推荐信息的方法。服务器中的内存为存储介质中的计算机程序运行提供环境,通信接口用于与用户终端以及第三方服务器进行网络通信。本领域技术人员可以理解,图2中示出的结构,仅仅是与实施例方案相关的部分结构的框图,并不构成对本实施例方案所应用于其上的服务器的限定,具体的服务器可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
实施例一
图3示出了一个实施例中的确定推荐信息的方法的流程示意图,如图3所示,该实施例中的方法包括:
步骤301:获取各候选推荐信息的各时间段的预定参数类型的值,各所述时间段互不重叠,且所述预定参数类型与已使用状态相关;实际技术应用中,该时间段的具体时长可以结合需要进行设置,例如该时间段可以设置为一天;
步骤302:根据各候选推荐信息的各时间段的预定参数类型的值,确定各候选推荐信息的与第一时间周期关联的第一参数值;
步骤303:将各候选推荐信息的与第一时间周期关联的第一参数值,分别确定为各候选推荐信息的当前参数预估值;
步骤304:获取各候选推荐信息的信息转化率;
步骤305:根据各候选推荐信息的信息转化率和当前参数预估值,确定各候选推荐信息的预期值;
步骤306:根据各候选推荐信息的预期值,从各候选推荐信息中确定待推荐信息。
基于如上所述的实施例中的方案,其依赖于各候选推荐信息的各时间段的预定参数类型的值确定出参数预估值,而各时间段的预定参数类型的值是与已使用状态相关的值,因此可以反映出候选推荐信息的实际使用情况,据此确定的参数预估值也可以较准确的反映出该候选推荐信息的实际应用价值,在此基础上结合候选推荐信息的信息转化率确定出候选推荐信息的预期值,并据此选择确定出待推荐信息,所确定的待推荐信息更符合实际应用价值,提高了确定的推荐信息的准确性和合理性。
其中,上述步骤S302中根据各候选推荐信息的各时间段的预定参数类型的值,确定各候选推荐信息的与第一时间周期关联的第一参数值时,一个具体示例中可以采用下述方式进行:
根据各候选推荐信息的各时间段的预定参数类型的值,确定各候选推荐信息的与各时间段及第一时间周期关联的参数中间值(为了便于区分,本示例中称为第一参数中间值);
根据各候选推荐信息的与各时间段及第一时间周期关联的第一参数中间值,确定各候选推荐信息的与第一时间周期关联的第一参数值。
进一步地,在一个示例中,上述各候选推荐信息的与第一时间周期关联的第一参数值,可以是各候选推荐信息的与最近的时间段、所述第一时间周期关联的第一参数中间值。
进一步地,在另一个示例中,上述各候选推荐信息的与第一时间周期关联的第一参数值,可以是各候选推荐信息的最近第一时间范围内的与各时间段及第一时间周期关联的各第一参数中间值的平均值。
以推荐的是应用程序为例,此时,上述候选推荐信息包括应用程序标识,上述候选推荐信息的信息转化率为该应用程序标识对应的应用程序的下载概率,是预测当前终端用户对某个应用程序的下载概率,具体的应用程序的下载概率的确定方式,可以采用任何可能的方式进行,例如通过点击率预估算法确定出候选推荐信息的信息转化率。
以候选推荐信息为应用程序为例,以下结合一个示例中的确定待推荐的应用程序的过程进行详细说明。
结合图3所示,在具体应用时,可以先获取各候选推荐信息(在本应用示例中为各应用程序)的各时间段的预定参数类型的值,其中各时间段互不重叠,且预定参数类型与已使用状态相关。针对应用程序而言,所获取的各时间段的预定参数类型的值,可以是每天的预定参数类型的值,该预定参数类型与终端用户使用该应用程序的已使用状态有关,以该应用程序为游戏应用程序为例,这里的各时间段的预定参数类型的值,可以是每天的各终端用户使用应用程序的相关参数的值,例如,可以是终端用户针对该应用程序的付费值。
在本示例中,将上述获得的各时间段的预定参数类型的值记为Ai,其中i表示时间段,以应用程序为例,这里的i可以是表示应用程序上线的天数。可以理解的是,这里的Ai并不仅是用以表示一个值,而是该天数或日期i所获得的所有预定参数类型的值的集合。以该应用程序为游戏应用程序为例,这里的Ai可以包括该天数或日期i内的各终端用户针对该应用程序的付费值,从而Ai可以包括各终端用户的标识以及各终端用户标识对应的付费值。
随后,基于获得的各候选推荐信息的各时间段的预定参数类型的值,确定出各候选推荐信息的与各时间段及第一时间周期关联的参数中间值,并根据各第一参数中间值,确定各候选推荐信息的与第一时间周期关联的第一参数值。
图4示出了一个具体示例中的确定第一参数值的原理示意图,图4所示中,以应用程序的上线时间为线,以1天为一个时间段,以14天为第一时间周期。由于是以14天为第一时间周期,从而在上线14天之前,没有达到14天的第一时间周期的需求,需要在应用程序上线15天之后,基于第1天至第14天的Ai确定出第14天的第一参数中间值(图4所示中记为LTV14-d14)。以该应用程序为游戏应用程序为例,可以基于第1天至第14天的Ai,统计出第1天至第14天的终端用户标识的数目(或者仅统计有对应的付费值的终端用户标识的数目),并统计出第1天至第14天的所有的付费值的总量,然后将统计得到的付费值的总量除以统计得到的终端用户标识的数目,从而获得该LTV14-d14,该LTV14-d14表示了平均一个用户在使用该应用程序14天内对应用程序的价值。
类似地,可以计算出其他时间段对应的第一参数中间值,例如图4中所示的上线27天后根据第14天至第27天的Ai确定的第27天对应的第一参数中间值LTV14-d27、上线28天后根据第15天至第28天的Ai确定的第28天对应的第一参数中间值LTV14-d28。
根据与各时间段、第一时间周期关联的第一参数中间值,如图4所示的LTV14-d14、LTV14-d27、LTV14-d28,在一个示例中,可以将与最近的时间段、所述第一时间周期关联的第一参数中间值,作为候选推荐信息的与第一时间周期关联的第一参数值。假设将第一参数值记为Par1,则图4所示中,Par1=LTV14-d28。可以理解,随着时间的增长,该Par1的值也会发生改变,例如到上线了29天时,Par1=LTV14-d29,到上线了30天时,Par1=LTV14-d30,在上线了16天时,Par1=LTV14-d1。
在另一个示例中,可以将各候选推荐信息的最近第一时间范围内的与各时间段及第一时间周期关联的各第一参数中间值的平均值,作为候选推荐信息的与第一时间周期关联的第一参数值。结合图4所示,以最近第一时间范围为14天为例,此时,图4所示中,Par1=(LTV14-d14+LTV14-d15+……+LTV14-d27+LTV14-d28)/14。
可以理解的是,该第一时间范围可以设定为第一时间周期的时长相同,也可以设定为不同,如图5所示,该第一时间周期设定为14天时,第一时间范围内可以设定为7天(当然也可以设定为其他时间),此时,在基于平均值确定Par1的情况下,此时
在获得的各候选推荐信息的第一参数值后,可将各第一参数值作为各候选推荐信息的当前参数预估值value。
另一方面,还获取各候选推荐信息的信息转化率,信息转化率可以为该应用程序标识对应的应用程序的下载概率,是预测当前终端用户对某个应用程序的下载概率,具体的应用程序的下载概率的确定方式,可以采用任何可能的方式进行,例如通过点击率预估算法确定出候选推荐信息的信息转化率。可以理解,获取候选推荐信息的信息转化率的过程与上述确定候选推荐信息的当前参数预估值的过程,可以不分先后顺序,只要能够基于信息转化率和当前参数预估值能够计算出各候选推荐信息的预期值即可。
在获得各候选推荐信息的信息转化率之后,可以根据各候选推荐信息的信息转化率和当前参数预估值计算出各候选推荐信息的预期值。在一个示例中,以上述候选推荐信息为游戏应用程序为例,由于信息转化率表示了该应用程序标识对应的应用程序的下载概率,而第一参数值Par1表示了平均一个用户在使用该应用程序第一时间周期内对应用程序的价值,在本示例中是将第一参数值Par1作为当前参数预估值,因此可以直接将信息转化率和当前参数预估值value相乘获得候选推荐信息的预期值,在另一个示例中,由于一个用户的基数较小,也可以是在获得信息转化率和当前参数预估值value相乘之后的乘积值之后,将该乘积值再乘以某个系数得到该候选推荐信息的预期值。
在得到各候选推荐信息的预期值之后,可以通过对各候选推荐信息的预期值进行排序,并将排序号预期值的值最大的前一定数目(例如5个、8个、10个等)的候选推荐信息,确定为待推荐信息。并在进行信息推荐时,将该待推荐信息推荐给终端用户。以候选推荐信息为应用程序为例,这里确定的待推荐信息,可以是直接推送给用户终端,在另一个示例中,也可以是基于确定的各候选推荐信息的预期值,按照预期值大小的顺序将各候选推荐信息后推送到用户终端。
实施例二
可以理解的是,以应用程序为例,随着其上线时间的增长,因此基于上述第一参数值Par1得到的当前参数预估值并不准确,因而可以对当前参数预估值进行更新,据此提高得到的当前参数预估值以及最终获得的待推荐信息的准确性。
据此,图6中示出了另一个实施例中的确定推荐信息的方法的流程示意图,如图6所示,该实施例二中的方法在上述实施例一的基础上,还进一步包括步骤S307、S308:
步骤S307:根据各候选推荐信息的各时间段的预定参数类型的值,确定各候选推荐信息的与第二时间周期关联的第二参数值,其中,第二时间周期大于所述第一时间周期;
步骤S308:根据各候选推荐信息的与第二时间周期关联的第二参数值,确定候选推荐信息的待更新参数预估值,并用该待更新参数预估值更新所述当前参数预估值。
从而,随着时间的增长,可以用更长的时间周期的第二参数值确定出新的待更新参数预估值,并用该待更新参数预估值更新上述当前参数预估值,从而提高获得的当前参数预估值的准确性,据此也进一步提高了最后获得的各候选推荐信息的预期值的准确性,从而也提高了最终确定的待推荐信息的准确性和合理性。
其中,在上述根据各候选推荐信息的各时间段的预定参数类型的值,确定各候选推荐信息的与第二时间周期关联的第二参数值时,所采用的方式可以与上述确定第一参数值的方式类似,具体可以包括:
根据各候选推荐信息的各时间段的预定参数类型的值,确定各候选推荐信息的与各时间段、第二时间周期关联的第二参数中间值;
根据各候选推荐信息的与各时间段、第二时间周期关联的第二参数中间值,确定各候选推荐信息的与第二时间周期关联第二参数值。
进一步地,在一个示例中,各候选推荐信息的与第二时间周期关联的第二参数值,可以为各候选推荐信息的与最近的时间段、所述第二时间周期关联的第二参数中间值。
进一步地,在另一个示例中,各候选推荐信息的与第二时间周期关联的第二参数值,为各候选推荐信息的最近第二时间范围内的与各时间段及第二时间周期关联的各第二参数中间值的平均值。其中,该第二时间范围可以结合实际需要进行设置,可以与上述第一时间范围,也可以大于或者小于上述第一时间范围。
在上述实施例一的基础上,以候选推荐信息为应用程序为例,图7示出了一个具体示例中的确定第二参数值的原理示意图,图7所示中,以1天为一个时间段,以30天为第二时间周期。
由于是以30天为第一时间周期,从而在上线30天之前,没有达到30天的第二时间周期的需求,需要在应用程序上线30天之后,基于第1天至第30天的Ai确定出第30天的第二参数中间值(图7所示中记为LTV30-d30)。以该应用程序为游戏应用程序为例,可以基于第1天至第30天的Ai,统计出第1天至第30天的终端用户标识的数目(或者仅统计有对应的付费值的终端用户标识的数目),并统计出第1天至第30天的所有的付费值的总量,然后将统计得到的付费值的总量除以统计得到的终端用户标识的数目,从而获得该LTV30-d30,该LTV30-d30表示了平均一个用户在使用该应用程序30天内对应用程序的价值。
类似地,可以计算出其他时间段对应的第二参数中间值,例如图7中所示的上线49天后根据第29天至第49天的Ai确定的第49天对应的第二参数中间值LTV30-d49、上线30天后根据第30天至第50天的Ai确定的第50天对应的第二参数中间值LTV30-d50。
据此,结合图7所示,假设将第二参数值记为par2,则在将与最近的时间段、所述第二时间周期关联的第二参数中间值,作为候选推荐信息的与第二时间周期关联的第二参数值时,Par2=LTV30-d50。可以理解,随着时间的增长,该Par2的值也会发生改变,例如到上线了51天时,Par2=LTV30-d51,到上线了52天时,Par2=LTV30-d52。
在另一个示例中,在将各候选推荐信息的最近第二时间范围内的与各时间段及第二时间周期关联的各第二参数中间值的平均值,作为候选推荐信息的与第二时间周期关联的第二参数值,以第二时间范围为20天为例,此时,图7所示中,
可以理解,随着时间的增长,第二时间周期也可以设定为其他的不同的时长,例如45天、60天、90天等等,从而不断地对当前参数预估值进行更新,据此对确定的待推荐信息进行更新。
实施例三
图8中示出了另一个实施例中的确定推荐信息的方法的流程示意图,如图8所示,该实施例三中的方法在上述实施例一的基础上,还进一步包括步骤S381至步骤S385:
步骤S381:获取各候选推荐信息的与各时间周期关联的参数值,所述时间周期包括所述第一时间周期,所述参数值包括所述第一参数值;根据各候选推荐信息的与指定时间周期关联的指定参数值,对各候选推荐信息的与各时间周期关联的参数值进行归一化处理,获得各候选推荐信息的与各时间周期关联的第一归一化后参数值;在实际应用中,该指定时间周期可以是所设定的各时间周期中最短的一个时间周期,例如可以是上述第一时间周期;
步骤S382:获取各候选推荐信息的类型标识;计算具有相同类型标识的各候选推荐信息的与各相同的时间周期关联的参数值的和值,获得各类型标识的与各时间周期关联的总参数值;
步骤S383:根据各类型标识的与所述指定时间周期关联的总参数值,对各类型标识的与各时间周期关联的总参数值进行归一化处理,获得各类型标识的与各时间周期关联的第二归一化后参数值;
步骤S384:根据各候选推荐信息的与任一时间周期关联的第一归一化后参数值、以及各候选推荐信息的类型标识的与该任一时间周期关联的第二归一化后参数值,获得各候选推荐信息的与该任一时间周期关联的参数相对值;
步骤S385:根据各候选推荐信息的与最长时间周期关联的参数相对值、以及与所述指定时间周期关联的参数值,获得校准后参数值,并用该校准后参数值更新各候选推荐信息的所述当前参数预估值。
据此,在该示例中,通过对各候选推荐信息的各时间周期的参数值进行归一化处理后,并结合各候选推荐信息的类型标识,结合属于相同类型(具有相同的类型标识)的其他候选推荐信息的参数值再次进行归一化处理,然后结合两次归一化处理后的结果,获得各时间周期的参数相对值,再基于该参数相对值对当前参数预估值进行更新,由于考虑了属于相同类型的其他候选推荐信息的参数值,因而可以进一步提高所获得的待推荐信息的准确性和合理性。
以下结合一个具体示例进行举例说明,本实施例的基本思想,是可以用更多天数的参数值更新初期使用的较少天数的参数值。在进行归一化时,可以对指定时间周期的参数值或者总参数值进行归一化,下述示例中以指定时间周期为14天为例进行说明。可以理解,在其他技术示例中,该指定时间周期也可以做其他的设置。
首先,分别统计计算出每个候选推荐信息(例如应用程序)的各个时间周期关联的参数值,记为LTVi,n,其中,i是候选推荐信息编号,n是时间周期。结合上述示例,LTVi,14即第i个候选推荐信息的上述第一参数值Par1。其中,确定各候选推荐信息的各个时间周期关联的参数值的过程,随着时间的增长,可以每隔一定时间后重复进行,即上述步骤S301、S302可以是每隔一个时间段重复执行一次,以获得最新时间周期的参数值,每次间隔的时间段可以设置相同,也可以设置为不同。
随后,分别根据各候选推荐信息的与指定时间周期关联的指定参数值,对各候选推荐信息的与各时间周期关联的参数值进行归一化处理,获得各候选推荐信息的与各时间周期关联的第一归一化后参数值。以14天的时间周期为最短的时间周期为例,则可以将候选推荐信息的各参数值LTVi,n分别对LTVi,14归一化,从而获得各候选推荐信息的第一归一化后参数值,记为Ai,n(),即Ai,n=LTVi,n/LTVi,14。
随后,获取各候选推荐信息的类型标识,基于类型标识,可以将各候选推荐信息划分为若干个类型,然后具有相同类型标识的各候选推荐信息的与各相同的时间周期关联的参数值的和值,获得各类型标识的与各时间周期关联的总参数值,记为LTVj,n。其中,LTVj,n为属于j类型的各候选推荐信息的总参数值,j是类型编号。可见,LTVj,n相对于LTVi,n来说,是将j类型内的各候选推荐信息的上述预定参数类型的值进行合并,看成是一个类型的候选推荐信息的总体参数值。其中,在计算总参数值LTVj,n时,可以是直接对属于该类型内的各参数值LTVi,n进行求和,也可以是针对各候选推荐信息关联的注册用户数目进行加权,注册用户数目可以直接作为加权系数,也可以是经过归一化之后作为加权系数。
随后,根据各类型标识的与所述指定时间周期关联的总参数值,对各类型标识的与各时间周期关联的总参数值进行归一化处理,获得各类型标识的与各时间周期关联的第二归一化后参数值。以14天的时间周期为最短的时间周期为例,则可以将某一个类型的LTVj,n分别对LTVj,14归一化,从而获得各类型标识的第二归一化后参数值,记为Bj,n(),则有Bj,n=LTVj,n/LTVj,14。其中,j是类型编号,n是时间周期。
随后,计算各候选推荐信息的每个时间周期的第一归一化后参数值与第二归一化后参数值的比值Ai,n/Bj,n,从而得到各候选推荐推荐信息在该时间周期n内在其所属类型内的参数相对值A'i,n。
从而,应用过程中,用每个候选推荐信息所能够取到的与最长时间周期关联的参数相对值A'i,n来校准其与所述指定时间周期关联的参数值LTVi,14,得到校准后参数值LTVi,14'=LTVi,14*A'i,n。
然后,即可用该校准后参数值更新对应的候选推荐信息的上述当前参数预估值,得到新的参数预估值,即新的参数预估值value=LTVi,14',然后可返回上述步骤305,重新确定各候选推荐信息的预期值,并据此重新确定待推荐信息,实现待推荐信息的持续更新。
基于与上述方法相同的思想,图9示出了一个实施例中的确定推荐信息的装置的结构示意图。如图9所示,该实施例中的确定推荐信息的装置包括:
初始值获取模块901,用于获取各候选推荐信息的各时间段的预定参数类型的值,各所述时间段互不重叠,且所述预定参数类型与已使用状态相关;
参数值确定模块902,用于根据各候选推荐信息的各时间段的预定参数类型的值,确定各候选推荐信息的与第一时间周期关联的第一参数值;
预估值确定模块903,用于将各候选推荐信息的与第一时间周期关联的第一参数值,分别确定为各候选推荐信息的当前参数预估值;
转化率获取模块904,用于获取各候选推荐信息的信息转化率;
预期值确定模块905,用于根据各候选推荐信息的信息转化率和当前参数预估值,确定各候选推荐信息的预期值;
推荐信息确定模块,用于根据各候选推荐信息的预期值,从各候选推荐信息中确定待推荐信息。
基于如上所述的实施例中的方案,其依赖于各候选推荐信息的各时间段的预定参数类型的值确定出参数预估值,而各时间段的预定参数类型的值是与已使用状态相关的值,因此可以反映出候选推荐信息的实际使用情况,据此确定的参数预估值也可以较准确的反映出该候选推荐信息的实际应用价值,在此基础上结合候选推荐信息的信息转化率确定出候选推荐信息的预期值,并据此选择确定出待推荐信息,所确定的待推荐信息更符合实际应用价值,提高了确定的推荐信息的准确性和合理性。
图10示出了一个具体示例中的参数值确定模块902的结构示意图,如图10所示,该具体示例中的参数值确定模块902包括:
中间值确定模块9021,用于根据各候选推荐信息的各时间段的预定参数类型的值,确定各候选推荐信息的与各时间段及第一时间周期关联的第一参数中间值;实际技术应用中,该时间段的具体时长可以结合需要进行设置,例如该时间段可以设置为一天;
参数值最终确定模块9022,用于根据各候选推荐信息的与各时间段及第一时间周期关联的第一参数中间值,确定各候选推荐信息的与第一时间周期关联的第一参数值。
进一步地,在一个示例中,参数值最终确定模块9022,可以将各候选推荐信息的与最近的时间段、所述第一时间周期关联的第一参数中间值,确定为各候选推荐信息的与第一时间周期关联的第一参数值。
进一步地,在另一个示例中,参数值最终确定模块9022,可以将各候选推荐信息的最近第一时间范围内的与各时间段及第一时间周期关联的各第一参数中间值的平均值,确定为各候选推荐信息的与第一时间周期关联的第一参数值。
以推荐的是应用程序为例,此时,上述候选推荐信息包括应用程序标识,上述候选推荐信息的信息转化率为该应用程序标识对应的应用程序的下载概率,是预测当前终端用户对某个应用程序的下载概率,具体的应用程序的下载概率的确定方式,可以采用任何可能的方式进行,例如通过点击率预估算法确定出候选推荐信息的信息转化率。
另一方面,在另一个实施例中:
参数值确定模块902,还可以根据各候选推荐信息的各时间段的预定参数类型的值,确定各候选推荐信息的与第二时间周期关联的第二参数值,并根据各候选推荐信息的与第二时间周期关联的第二参数值,确定候选推荐信息的待更新参数预估值,所述第二时间周期大于所述第一时间周期;
预估值确定模块903,还用各候选推荐信息的待更新参数预估值,更新各候选推荐信息的当前参数预估值。
从而,随着时间的增长,可以用更长的时间周期的第二参数值确定出新的待更新参数预估值,并用该待更新参数预估值更新上述当前参数预估值,从而提高获得的当前参数预估值的准确性,据此也进一步提高了最后获得的各候选推荐信息的预期值的准确性,从而也提高了最终确定的待推荐信息的准确性和合理性。
其中,在上述根据各候选推荐信息的各时间段的预定参数类型的值,确定各候选推荐信息的与第二时间周期关联的第二参数值时,所采用的方式可以与上述确定第一参数值的方式类似。此时:
上述中间值确定模块9021,还根据各候选推荐信息的各时间段的预定参数类型的值,确定各候选推荐信息的与各时间段、第二时间周期关联的第二参数中间值;
上述参数值最终确定模块9022,用于根据各候选推荐信息的与各时间段、第二时间周期关联的第二参数中间值,确定各候选推荐信息的与第二时间周期关联第二参数值。
进一步地,在一个示例中,上述参数值最终确定模块9022,可以将各候选推荐信息的与最近的时间段、所述第二时间周期关联的第二参数中间值,确定为各候选推荐信息的与第二时间周期关联的第二参数值。
进一步地,在另一个示例中,上述参数值最终确定模块9022,可以将各候选推荐信息的最近第二时间范围内的与各时间段及第二时间周期关联的各第二参数中间值的平均值,作为各候选推荐信息的与第二时间周期关联的第二参数值。其中,该第二时间范围可以结合实际需要进行设置,可以与上述第一时间范围,也可以大于或者小于上述第一时间范围。
图11中示出了另一个实施例中的确定推荐信息的装置的结构示意图,如图11所示,在上述图9所示的装置的基础上,该实施例中的装置还包括:第一归一化模块907、第二归一化模块908、参数相对值确定模块909以及预估值更新模块910。此时,
参数值确定模块902,根据各候选推荐信息的各时间段的预定参数类型的值,确定各候选推荐信息的与各时间周期关联的参数值,所述时间周期包括所述第一时间周期,所述参数值包括所述第一参数值;
第一归一化模块907,根据各候选推荐信息的与指定时间周期关联的指定参数值,对各候选推荐信息的与各时间周期关联的参数值进行归一化处理,获得各候选推荐信息的与各时间周期关联的第一归一化后参数值;在实际应用中,该指定时间周期可以是所设定的各时间周期中最短的一个时间周期,例如可以是上述第一时间周期;
第二归一化模块908,用于获取各候选推荐信息的类型标识,计算具有相同类型标识的各候选推荐信息的与各相同的时间周期关联的参数值的和值,获得各类型标识的与各时间周期关联的总参数值;并根据各类型标识的与所述指定时间周期关联的总参数值,对各类型标识的与各时间周期关联的总参数值进行归一化处理,获得各类型标识的与各时间周期关联的第二归一化后参数值;
参数相对值确定模块909,用于根据各候选推荐信息的与任一时间周期关联的第一归一化后参数值、以及各候选推荐信息的类型标识的与该任一时间周期关联的第二归一化后参数值,获得各候选推荐信息的与该任一时间周期关联的参数相对值;
预估值更新模块910,用于根据各候选推荐信息的与最长时间周期关联的参数相对值、以及与所述指定时间周期关联的参数值,获得校准后参数值,并用该校准后参数值更新各候选推荐信息的所述当前参数预估值。
据此,在该示例中,通过对各候选推荐信息的各时间周期的参数值进行归一化处理后,并结合各候选推荐信息的类型标识,结合属于相同类型(具有相同的类型标识)的其他候选推荐信息的参数值再次进行归一化处理,然后结合两次归一化处理后的结果,获得各时间周期的参数相对值,再基于该参数相对值对当前参数预估值进行更新,由于考虑了属于相同类型的其他候选推荐信息的参数值,因而可以进一步提高所获得的待推荐信息的准确性和合理性。
基于如上所述的示例,在一个实施例中还提供一种计算机设备,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,处理器执行所述程序时实现如上述各实施例中的任意一种确定推荐信息的方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性的计算机可读取存储介质中,如本发明实施例中,该程序可存储于计算机系统的存储介质中,并被该计算机系统中的至少一个处理器执行,以实现包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
据此,在一个实施例中还提供一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如上述各实施例中的任意一种确定推荐信息的方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (13)
1.一种确定推荐信息的方法,其特征在于,包括步骤:
获取各候选推荐信息的各时间段的预定参数类型的值,各所述时间段互不重叠,且所述预定参数类型与已使用状态相关;
根据各候选推荐信息的各时间段的预定参数类型的值,确定各候选推荐信息的与第一时间周期关联的第一参数值;
将各候选推荐信息的与第一时间周期关联的第一参数值,分别确定为各候选推荐信息的当前参数预估值;
获取各候选推荐信息的信息转化率;
根据各候选推荐信息的信息转化率和当前参数预估值,确定各候选推荐信息的预期值;
根据各候选推荐信息的预期值,从各候选推荐信息中确定待推荐信息。
2.根据权利要求1所述的确定推荐信息的方法,其特征在于,根据各候选推荐信息的各时间段的预定参数类型的值,确定各候选推荐信息的与第一时间周期关联的第一参数值的方式包括:
根据各候选推荐信息的各时间段的预定参数类型的值,确定各候选推荐信息的与各时间段及第一时间周期关联的第一参数中间值;
根据各候选推荐信息的与各时间段及第一时间周期关联的第一参数中间值,确定各候选推荐信息的与第一时间周期关联的第一参数值。
3.根据权利要求2所述的确定推荐信息的方法,其特征在于:
各候选推荐信息的与第一时间周期关联的第一参数值,为各候选推荐信息的与最近的时间段、所述第一时间周期关联的第一参数中间值;
或者
各候选推荐信息的与第一时间周期关联的第一参数值,为各候选推荐信息的最近第一时间范围内的与各时间段及第一时间周期关联的各第一参数中间值的平均值。
4.根据权利要求1所述的确定推荐信息的方法,其特征在于,还包括步骤:
根据各候选推荐信息的各时间段的预定参数类型的值,确定各候选推荐信息的与第二时间周期关联的第二参数值,所述第二时间周期大于所述第一时间周期;
根据各候选推荐信息的与第二时间周期关联的第二参数值,确定候选推荐信息的待更新参数预估值,并用该待更新参数预估值更新所述当前参数预估值。
5.根据权利要求4所述的确定推荐信息的方法,其特征在于,根据各候选推荐信息的各时间段的预定参数类型的值,确定各候选推荐信息的与第二时间周期关联的第二参数值的方式包括:
根据各候选推荐信息的各时间段的预定参数类型的值,确定各候选推荐信息的与各时间段、第二时间周期关联的第二参数中间值;
根据各候选推荐信息的与各时间段、第二时间周期关联的第二参数中间值,确定各候选推荐信息的与第二时间周期关联第二参数值。
6.根据权利要求1所述的确定推荐信息的方法,其特征在于,还包括步骤:
获取各候选推荐信息的与各时间周期关联的参数值,所述时间周期包括所述第一时间周期,所述参数值包括所述第一参数值;
根据各候选推荐信息的与指定时间周期关联的指定参数值,对各候选推荐信息的与各时间周期关联的参数值进行归一化处理,获得各候选推荐信息的与各时间周期关联的第一归一化后参数值;
获取各候选推荐信息的类型标识;
计算具有相同类型标识的各候选推荐信息的与各相同的时间周期关联的参数值的和值,获得各类型标识的与各时间周期关联的总参数值;
根据各类型标识的与所述指定时间周期关联的总参数值,对各类型标识的与各时间周期关联的总参数值进行归一化处理,获得各类型标识的与各时间周期关联的第二归一化后参数值;
根据各候选推荐信息的与任一时间周期关联的第一归一化后参数值、以及各候选推荐信息的类型标识的与该任一时间周期关联的第二归一化后参数值,获得各候选推荐信息的与该任一时间周期关联的参数相对值;
根据各候选推荐信息的与最长时间周期关联的参数相对值、以及与所述指定时间周期关联的参数值,获得校准后参数值,并用该校准后参数值更新各候选推荐信息的所述当前参数预估值。
7.一种确定推荐信息的装置,其特征在于,包括:
初始值获取模块,用于获取各候选推荐信息的各时间段的预定参数类型的值,各所述时间段互不重叠,且所述预定参数类型与已使用状态相关;
参数值确定模块,用于根据各候选推荐信息的各时间段的预定参数类型的值,确定各候选推荐信息的与第一时间周期关联的第一参数值;
预估值确定模块,用于将各候选推荐信息的与第一时间周期关联的第一参数值,分别确定为各候选推荐信息的当前参数预估值;
转化率获取模块,用于获取各候选推荐信息的信息转化率;
预期值确定模块,用于根据各候选推荐信息的信息转化率和当前参数预估值,确定各候选推荐信息的预期值;
推荐信息确定模块,用于根据各候选推荐信息的预期值,从各候选推荐信息中确定待推荐信息。
8.根据权利要求7所述的确定推荐信息的装置,其特征在于,所述参数值确定模块包括:
中间值确定模块,用于根据各候选推荐信息的各时间段的预定参数类型的值,确定各候选推荐信息的与各时间段及第一时间周期关联的第一参数中间值;
参数值最终确定模块,用于根据各候选推荐信息的与各时间段及第一时间周期关联的第一参数中间值,确定各候选推荐信息的与第一时间周期关联的第一参数值。
9.根据权利要求8所述的确定推荐信息的装置,其特征在于:
所述参数值最终确定模块,将各候选推荐信息的与最近的时间段、所述第一时间周期关联的第一参数中间值,确定为各候选推荐信息的与第一时间周期关联的第一参数值;
或者
所述参数值最终确定模块,将各候选推荐信息的最近第一时间范围内的与各时间段及第一时间周期关联的各第一参数中间值的平均值,确定为各候选推荐信息的与第一时间周期关联的第一参数值。
10.根据权利要求7或8或9所述的确定推荐信息的装置,其特征在于:
所述参数值确定模块,还根据各候选推荐信息的各时间段的预定参数类型的值,确定各候选推荐信息的与第二时间周期关联的第二参数值,并根据各候选推荐信息的与第二时间周期关联的第二参数值,确定候选推荐信息的待更新参数预估值,所述第二时间周期大于所述第一时间周期;
所述预估值确定模块,还用各候选推荐信息的待更新参数预估值,更新各候选推荐信息的当前参数预估值。
11.根据权利要求7所述的确定推荐信息的装置,其特征在于,还包括第一归一化模块、第二归一化模块、参数相对值确定模块以及预估值更新模块:
所述参数值确定模块,根据各候选推荐信息的各时间段的预定参数类型的值,确定各候选推荐信息的与各时间周期关联的参数值,所述时间周期包括所述第一时间周期,所述参数值包括所述第一参数值;
所述第一归一化模块,用于根据各候选推荐信息的与指定时间周期关联的指定参数值,对各候选推荐信息的与各时间周期关联的参数值进行归一化处理,获得各候选推荐信息的与各时间周期关联的第一归一化后参数值;
所述第二归一化模块,用于获取各候选推荐信息的类型标识,计算具有相同类型标识的各候选推荐信息的与各相同的时间周期关联的参数值的和值,获得各类型标识的与各时间周期关联的总参数值;并根据各类型标识的与所述指定时间周期关联的总参数值,对各类型标识的与各时间周期关联的总参数值进行归一化处理,获得各类型标识的与各时间周期关联的第二归一化后参数值;
所述参数相对值确定模块,用于根据各候选推荐信息的与任一时间周期关联的第一归一化后参数值、以及各候选推荐信息的类型标识的与该任一时间周期关联的第二归一化后参数值,获得各候选推荐信息的与该任一时间周期关联的参数相对值;
所述预估值更新模块,用于根据各候选推荐信息的与最长时间周期关联的参数相对值、以及与所述指定时间周期关联的参数值,获得校准后参数值,并用该校准后参数值更新各候选推荐信息的所述当前参数预估值。
12.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任意一项所述的确定推荐信息的方法。
13.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至6任意一项所述的确定推荐信息的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710209766.4A CN108667877B (zh) | 2017-03-31 | 2017-03-31 | 确定推荐信息的方法及装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710209766.4A CN108667877B (zh) | 2017-03-31 | 2017-03-31 | 确定推荐信息的方法及装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108667877A true CN108667877A (zh) | 2018-10-16 |
CN108667877B CN108667877B (zh) | 2020-12-04 |
Family
ID=63784301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710209766.4A Active CN108667877B (zh) | 2017-03-31 | 2017-03-31 | 确定推荐信息的方法及装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108667877B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111125502A (zh) * | 2018-10-31 | 2020-05-08 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
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 |
CN113382310A (zh) * | 2021-06-02 | 2021-09-10 | 北京百度网讯科技有限公司 | 信息推荐方法及装置、电子设备和介质 |
CN113505309A (zh) * | 2021-05-21 | 2021-10-15 | 深圳市蘑菇财富技术有限公司 | 基于分布式数据的营销推荐方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102932460A (zh) * | 2012-11-06 | 2013-02-13 | 北京交通大学 | 一种基于贡献值的园区网p2p激励方法 |
CN103235815A (zh) * | 2013-04-25 | 2013-08-07 | 北京小米科技有限责任公司 | 一种应用软件的显示方法和设备 |
CN103617278A (zh) * | 2013-12-09 | 2014-03-05 | 北京奇虎科技有限公司 | 一种地址栏搜索的控制方法及装置 |
CN103678518A (zh) * | 2013-11-28 | 2014-03-26 | 北京邮电大学 | 一种推荐列表调整方法和装置 |
CN104090912A (zh) * | 2014-06-10 | 2014-10-08 | 腾讯科技(深圳)有限公司 | 信息推送方法及装置 |
CN105431875A (zh) * | 2013-08-05 | 2016-03-23 | 雅虎公司 | 搜索引擎营销优化器 |
WO2016196683A1 (en) * | 2015-06-05 | 2016-12-08 | Cisco Technology, Inc. | System for monitoring and managing datacenters |
-
2017
- 2017-03-31 CN CN201710209766.4A patent/CN108667877B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102932460A (zh) * | 2012-11-06 | 2013-02-13 | 北京交通大学 | 一种基于贡献值的园区网p2p激励方法 |
CN103235815A (zh) * | 2013-04-25 | 2013-08-07 | 北京小米科技有限责任公司 | 一种应用软件的显示方法和设备 |
CN105431875A (zh) * | 2013-08-05 | 2016-03-23 | 雅虎公司 | 搜索引擎营销优化器 |
CN103678518A (zh) * | 2013-11-28 | 2014-03-26 | 北京邮电大学 | 一种推荐列表调整方法和装置 |
CN103617278A (zh) * | 2013-12-09 | 2014-03-05 | 北京奇虎科技有限公司 | 一种地址栏搜索的控制方法及装置 |
CN104090912A (zh) * | 2014-06-10 | 2014-10-08 | 腾讯科技(深圳)有限公司 | 信息推送方法及装置 |
WO2016196683A1 (en) * | 2015-06-05 | 2016-12-08 | Cisco Technology, Inc. | System for monitoring and managing datacenters |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111125502A (zh) * | 2018-10-31 | 2020-05-08 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
CN111125502B (zh) * | 2018-10-31 | 2024-02-20 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
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 |
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 |
CN113505309A (zh) * | 2021-05-21 | 2021-10-15 | 深圳市蘑菇财富技术有限公司 | 基于分布式数据的营销推荐方法、装置、设备及存储介质 |
CN113505309B (zh) * | 2021-05-21 | 2024-02-09 | 深圳市蘑菇财富技术有限公司 | 基于分布式数据的营销推荐方法、装置、设备及存储介质 |
CN113382310A (zh) * | 2021-06-02 | 2021-09-10 | 北京百度网讯科技有限公司 | 信息推荐方法及装置、电子设备和介质 |
CN113382310B (zh) * | 2021-06-02 | 2023-01-03 | 北京百度网讯科技有限公司 | 信息推荐方法及装置、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108667877B (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108667877A (zh) | 确定推荐信息的方法及装置、计算机设备及存储介质 | |
WO2021208079A1 (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
CN108364085A (zh) | 一种外卖配送时间预测方法和装置 | |
WO2018161908A1 (zh) | 产品对象的处理方法和装置、存储介质以及电子装置 | |
CN108550090A (zh) | 一种确定房源价格信息的处理方法及系统 | |
CN110443715B (zh) | 基金产品推荐方法、装置、设备及计算机可读存储介质 | |
CN110910201B (zh) | 信息推荐的控制方法、装置、计算机设备及存储介质 | |
CN109741177A (zh) | 用户信用的评估方法、装置及智能终端 | |
CN108256924A (zh) | 一种产品销售预测装置 | |
CN110166498A (zh) | 用户类别确定方法及装置、计算机设备及存储介质 | |
CN108876333A (zh) | 一种交易费预估方法及装置 | |
US20140253342A1 (en) | Information Retrieval for Boundary Reading Processing | |
CN109658187A (zh) | 推荐云服务商的方法、装置、存储介质及电子设备 | |
CN112819215A (zh) | 推荐策略训练方法、装置、电子设备及可读存储介质 | |
WO2020211245A1 (zh) | 一种发展趋势数据获取方法、装置 | |
CN108830663B (zh) | 电力客户价值评价方法、系统及终端设备 | |
CN115660728B (zh) | 一种机票销售订单预测方法、装置、电子设备和存储介质 | |
CN104462116A (zh) | 数据选择的方法及装置 | |
CN116166886A (zh) | 向量指数平滑新分类法在季节时间序列预测中的应用系统 | |
CN107016573B (zh) | 一种应用的评测方法和评测系统 | |
CN109785155A (zh) | 基于医保报销模型调整医保策略的方法及相关产品 | |
CN108109012A (zh) | 一种应用于互联网家装平台的门店运营数据统计方法 | |
CN108334519A (zh) | 一种用户画像中的用户标签获取方法及装置 | |
JP2011054051A (ja) | 注文処理システムおよびその方法、並びにプログラム | |
US20140253344A1 (en) | Information Retrieval for Service Point Channels |
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 |