CN108804670A - 数据推荐方法、装置、计算机设备和存储介质 - Google Patents
数据推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN108804670A CN108804670A CN201810594490.0A CN201810594490A CN108804670A CN 108804670 A CN108804670 A CN 108804670A CN 201810594490 A CN201810594490 A CN 201810594490A CN 108804670 A CN108804670 A CN 108804670A
- Authority
- CN
- China
- Prior art keywords
- user
- iteration
- recommended
- sample
- adjusted
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种数据推荐方法、装置和计算机设备,该方法包括:获取各用户标识各自对应的用户数据;通过第一迭代处理生成与各所述用户标识各自对应的用户特征,且在每次迭代时,基于所述用户数据调整前次迭代时调整所得到的用户特征,直到满足第一迭代停止条件时停止迭代;通过第二迭代处理确定推荐用户标识集,且在每次迭代时,基于各所述用户特征调整前次迭代时调整所得到的推荐用户标识集,直到满足第二迭代停止条件时停止迭代;按照确定的推荐用户标识集进行数据推荐。本申请方案基于各用户特征调整前次迭代时调整所得到的推荐用户标识集进行第二迭代处理,确定推荐用户标识集,提高了确定推荐用户标识集的准确性,从而提高了数据推荐效果。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种数据推荐方法、装置、计算机设备和存储介质。
背景技术
随着计算机和网络技术的飞速发展,越来越多的数据需要通过计算机处理获取通过网络进行传输。在数据处理技术领域,有时对一些数据向用户进行网络推荐。
然而,在传统的对数据网络推荐过程中,都是通过在用户群中随机选择目标用户,将需要推荐的数据推荐给随机选择的推荐用户。通过随机选择推荐用户进行数据推荐,选择的推荐用户中很可能存在部分用户对推荐的数据并不感兴趣,导致选择推荐用户准确率较低。
发明内容
基于此,有必要针对传统方法通常会选择推荐用户准确率较低的问题,提供一种数据推荐方法、装置、计算机设备和存储介质。
一种数据推荐方法,所述方法包括:
获取各用户标识各自对应的用户数据;
通过第一迭代处理生成与各所述用户标识各自对应的用户特征,且在每次迭代时,基于所述用户数据调整前次迭代时调整所得到的用户特征,直到满足第一迭代停止条件时停止迭代;
通过第二迭代处理确定推荐用户标识集,且在每次迭代时,基于各所述用户特征调整前次迭代时调整所得到的推荐用户标识集,直到满足第二迭代停止条件时停止迭代;
按照确定的推荐用户标识集进行数据推荐。
一种数据模型训练方法,所述方法包括:
获取各样本用户标识各自对应的样本用户数据;
通过第一迭代训练确定用户特征生成模型对应的第一模型参数和各样本用户标识对应的样本用户特征,且在每次迭代时,基于所述样本用户数据调整前次迭代时调整得到的模型参数和样本用户特征,直到满足第一训练停止条件时停止训练;
以所述第一模型参数作为用户推荐模型的前次迭代时调整得到的模型参数;
通过第二迭代训练确定所述用户推荐模型对应的第二模型参数,且在每次迭代时,基于所述样本用户特征调整前次迭代时调整得到的模型参数,直到满足第一训练停止条件。
一种数据推荐装置,所述装置包括:
用户数据获取模块,用于获取各用户标识各自对应的用户数据;
用户特征生成模块,用于通过第一迭代处理生成与各所述用户标识各自对应的用户特征,且在每次迭代时,基于所述用户数据调整前次迭代时调整所得到的用户特征,直到满足第一迭代停止条件时停止迭代;
用户集推荐模块,用于通过第二迭代处理确定推荐用户标识集,且在每次迭代时,基于各所述用户特征调整前次迭代时调整所得到的推荐用户标识集,直到满足第二迭代停止条件时停止迭代;
数据推荐模块,用于按照确定的推荐用户标识集进行数据推荐。
一种数据模型训练装置,所述方法包括:
样本数据获取模块,用于获取各样本用户标识各自对应的样本用户数据;
第一参数生成模块,用于通过第一迭代训练确定用户特征生成模型对应的第一模型参数和各样本用户标识对应的样本用户特征,且在每次迭代时,基于所述样本用户数据调整前次迭代时调整得到的模型参数和样本用户特征,直到满足第一训练停止条件时停止训练;
第二参数确定模块,用于以所述第一模型参数作为用户推荐模型的前次迭代时调整得到的模型参数,通过第二迭代训练确定所述用户推荐模型对应的第二模型参数,且在每次迭代时,基于所述样本用户特征调整前次迭代时调整得到的模型参数,直到满足第一训练停止条件。
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
获取各用户标识各自对应的用户数据;
通过第一迭代处理生成与各所述用户标识各自对应的用户特征,且在每次迭代时,基于所述用户数据调整前次迭代时调整所得到的用户特征,直到满足第一迭代停止条件时停止迭代;
通过第二迭代处理确定推荐用户标识集,且在每次迭代时,基于各所述用户特征调整前次迭代时调整所得到的推荐用户标识集,直到满足第二迭代停止条件时停止迭代;
按照确定的推荐用户标识集进行数据推荐。
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
获取各样本用户标识各自对应的样本用户数据;
通过第一迭代训练确定用户特征生成模型对应的第一模型参数和各样本用户标识对应的样本用户特征,且在每次迭代时,基于所述样本用户数据调整前次迭代时调整得到的模型参数和样本用户特征,直到满足第一训练停止条件时停止训练;
以所述第一模型参数作为用户推荐模型的前次迭代时调整得到的模型参数;
通过第二迭代训练确定所述用户推荐模型对应的第二模型参数,且在每次迭代时,基于所述样本用户特征调整前次迭代时调整得到的模型参数,直到满足第一训练停止条件。
一种存储有计算机程序的存储介质,所述计算机程序被处理器执行时,使得处理器执行如下步骤:
获取各用户标识各自对应的用户数据;
通过第一迭代处理生成与各所述用户标识各自对应的用户特征,且在每次迭代时,基于所述用户数据调整前次迭代时调整所得到的用户特征,直到满足第一迭代停止条件时停止迭代;
通过第二迭代处理确定推荐用户标识集,且在每次迭代时,基于各所述用户特征调整前次迭代时调整所得到的推荐用户标识集,直到满足第二迭代停止条件时停止迭代;
按照确定的推荐用户标识集进行数据推荐。
一种存储有计算机程序的存储介质,所述计算机程序被处理器执行时,使得处理器执行如下步骤:
获取各样本用户标识各自对应的样本用户数据;
通过第一迭代训练确定用户特征生成模型对应的第一模型参数和各样本用户标识对应的样本用户特征,且在每次迭代时,基于所述样本用户数据调整前次迭代时调整得到的模型参数和样本用户特征,直到满足第一训练停止条件时停止训练;
以所述第一模型参数作为用户推荐模型的前次迭代时调整得到的模型参数;
通过第二迭代训练确定所述用户推荐模型对应的第二模型参数,且在每次迭代时,基于所述样本用户特征调整前次迭代时调整得到的模型参数,直到满足第一训练停止条件。
上述数据推荐方法、装置、计算机设备和存储介质,通过第一迭代处理生成与各所述用户标识各自对应的用户特征,在每次迭代时,基于用户数据调整前次迭代时调整所得到的用户特征,通过第一迭代处理将各用户标识各自对应的用户数据进行整合,得到各用户标识各自对应的用户特征,提高了用户特征的准确性,以用户特征表示用户数据,减少了数据处理量。基于各用户特征调整前次迭代时调整所得到的推荐用户标识集进行第二迭代处理,确定推荐用户标识集,考虑了各用户之间用户数据的全局性,提高了确定推荐用户标识集的准确性,从而提高了数据推荐效果。
附图说明
图1为一个实施例中数据推荐方法的应用场景图;
图2为一个实施例中数据推荐方法的流程示意图;
图3为一个实施例中生成用户特征的步骤的流程示意图;
图4为一个实施例中确定推荐用户标识集的步骤的流程示意图;
图5为一个实施例中确定当前推荐用户标识集的步骤的流程示意图;
图6为一个实施例中数据模型训练方法的流程示意图;
图7为一个实施例中第一迭代训练的步骤的流程示意图;
图8为一个实施例中第二迭代训练的步骤的流程示意图;
图9为一个实施例中数据推荐装置的框图;
图10为一个实施例中数据模型训练装置的框图;
图11为一个实施例中计算机设备的内部结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1为一个实施例中数据推荐方法的应用场景图。参照图1,该应用场景中包括服务器110和终端120。服务器110与终端120通过网络连接。服务器110可以一台服务器,也可以是由多台服务器构成的服务器集群。终端120具体可以是台式终端或移动终端,移动终端具体可以是手机、平板电脑、笔记本电脑等中的至少一种。
如图2所示,在一个实施例中,提供一种数据推荐方法。数据推荐方法可以应用于上述图1中的服务器110,也可以应用于上述图1中的终端120。本实施例主要以该方法应用于上述图1中的服务器110来举例说明。参照图2,该数据推荐方法,具体包括以下步骤:
S202,获取各用户标识各自对应的用户数据。
其中,用户标识用于区分不同用户的标识,每个用户有唯一的用户标识。用户数据包括好友数据、行为数据和行为影响数据。各用户标识对应的用户都存在用户数据。不同的用户标识对应不同的用户数据。行为数据和行为影响数据为根据用户历史数据统计得到的行为概率数据。
具体地,服务器获取每个用户的用户标识,从数据库中获取每个用户标识对应的好友数据、行为数据和行为影响数据,以获取到的好友数据、行为数据和行为影响数据作为用户数据,得到各用户标识各自对应的用户数据。服务器可以是定期获取每个用户的用户标识。
在一个实施例中,服务器接收终端发送的数据推荐请求,提取数据推荐请求获取应用标识,获取应用标识对应的各用户标识,根据获取到的用户标识从数据库中提取各用户标识各自对应的用户数据。
举例说明,用户i的好友数据可以表示为ei,j,ei,j=1表示用户i与用户j为好友关系,若ei,j=0表示用户i与用户j不是好友关系;用户i的行为数据可以标识为pi,pi可以表示向用户i推荐产品数据,用户i购买产品的概率;用户i的行为影响数据可以用qi,j表示,qi,j表示向用户i推荐产品数据,用户i的好友用户j购买产品的概率。
S204,通过第一迭代处理生成与各用户标识各自对应的用户特征,且在每次迭代时,基于用户数据调整前次迭代时调整所得到的用户特征,直到满足第一迭代停止条件时停止迭代。
其中,用户特征为根据用户数据生成可以表示用户数据的特征数据。
具体地,服务器将用户数据输入到用户特征生成模型,用户特征生成模型根据用户数据生成用户初始特征,以用户初始特征作为前次迭代时调整所得到的用户特征,对前次迭代时调整所得到的用户特征进行迭代调整,在满足第一迭代停止条件时停止迭代,以迭代调整后的用户特征作为各用户标识各自对应的用户特征。
在一个实施例中,服务器根据各用户标识各自对应的用户数据生成用户初始特征,以用户初始特征作为前次迭代时调整所得到的用户特征,对前次迭代时调整所得到的用户特征进行调整,得到当前用户特征,再以当前用户特征作为前次迭代时调整所得到的用户特征进行迭代调整,直至满足第一迭代停止条件时停止迭代,以迭代调整后的用户特征作为各用户标识各自对应的用户特征。
在一个实施例中,第一迭代停止条件为迭代停止次数。服务器在对前次迭代时调整所得到的用户特征进行迭代调整时,统计调整次数,当调整次数等于迭代停止次数时停止迭代调整,以最后一次迭代调整得到的用户特征作为各用户标识各自对应的用户特征。
在一个实施例中,第一迭代停止条件为当次迭代时得到的用户特征与前次迭代时调整所得到的用户特征的差值小于预设差值的差值个数大于预设数量时,停止迭代。服务器将当次迭代时调整得到的用户特征与前次迭代时调整所得到用户特征进行相减,将相减得到的各用户特征对应差值与预设差值相比较,若各用户特征对应差值中小于预设差值的差值个数大于预设数量,则停止迭代,以最后一次迭代调整得到的用户特征作为各用户标识各自对应的用户特征。
在一个实施例中,第一迭代停止条件为当次迭代时得到的用户特征与前次迭代时调整所得到的用户特征的差值的平方和小于预设差值平方和时,停止迭代。服务器提取当次迭代时调整得到的用户特征和前次迭代时调整所得到用户特征中各用户标识对应用户特征,将提取到的用户特征进行相加得到各用户标识对应的差值,根据各用户标识对应的差值计算差值平方和,将计算得到的差值平方和与预设差值平方和进行比较,若计算得到的差值平方和小于预设差值平方和,则停止迭代,以最后一次迭代调整得到的用户特征作为各用户标识各自对应的用户特征。
S206,通过第二迭代处理确定推荐用户标识集,且在每次迭代时,基于各用户特征调整前次迭代时调整所得到的推荐用户标识集,直到满足第二迭代停止条件时停止迭代。
其中,推荐用户标识集为数据推荐时目标用户的用户标识的集合。推荐用户标识集中可以包括多个用户标识。
具体地,服务器将各用户标识对应的用户数据和用户特征输入到用户推荐模型,用户推荐模型获取前次迭代调整所得到的推荐用户标识集,对前次迭代调整所得到的推荐用户标识集进行迭代调整,直至满足第二迭代停止条件时停止迭代,获得最后一次迭代调整得到的推荐用户标识集。
在一个实施例中,服务器将获取前次迭代调整所得到的推荐用户标识集,根据用户数据对获取到的推荐用户标识集进行迭代调整,直至满足第二迭代停止条件时停止迭代,获得最后一次迭代调整得到的推荐用户标识集。
在一个实施例中,第二迭代停止条件为迭代停止次数。服务器对推荐用户标识集进行每次迭代调整时,统计迭代调整次数,当统计的迭代调整次数等于迭代停止次数,则停止迭代调整,获得最后一次迭代调整得到推荐用户标识集。
在一个实施例中,第二迭代停止条件为当次迭代时得到的推荐用户标识集对应的推荐效果累积值与前次迭代时调整所得到的推荐用户标识集对应的推荐效果累积值的差值小于预设差值,停止迭代。服务器将当前迭代时调整得到的推荐用户标识集对应的推荐效果累积值与前次迭代时调整得到的推荐用户标识集对应的推荐效果累积值相减,将相减得到的差值与预设差值比较,若相减得到的差值小于预设差值,则停止迭代调整,获得最后一次迭代调整得到推荐用户标识集。
在一个实施例中,第二迭代停止条件为当次迭代时得到的推荐用户标识集对应的推荐效果累积值与前次迭代时调整所得到的推荐用户标识集对应的推荐效果累积值的差值小于0,停止迭代调整。服务器将当前迭代时调整得到的推荐用户标识集对应的推荐效果累积值与前次迭代时调整得到的推荐用户标识集对应的推荐效果累积值相减,将相减得到的差值与0比较,若相减得到的差值小于0,则停止迭代调整,获得前次迭代调整得到推荐用户标识集。
S208,按照确定的推荐用户标识集进行数据推荐。
具体地,服务器在确定推荐用户标识集后,获取待推荐数据,读取确定的推荐用户标识集中的用户标识,将待推荐数据发送至读取到的用户标识所对应的终端。
在一个实施例中,服务器获取待推荐数据,服务器从确定的推荐用户标识集中读取用户标识,根据读取到的用户标识,查询以用户标识登录的终端地址,根据查询到的终端地址将待推荐数据进行数据推荐。
举例说明,服务器在确定推荐用户标识集后,获取待推荐产品数据,按照确定的推荐用户标识集中的用户标识,向相应的终端发送待推荐产品数据。
本实施例中,通过第一迭代处理生成与各所述用户标识各自对应的用户特征,在每次迭代时,基于用户数据调整前次迭代时调整所得到的用户特征,通过第一迭代处理将各用户标识各自对应的用户数据进行整合,得到各用户标识各自对应的用户特征,提高了用户特征的准确性,以用户特征表示用户数据,减少了数据处理量。基于各用户特征调整前次迭代时调整所得到的推荐用户标识集进行第二迭代处理,确定推荐用户标识集,考虑了各用户之间用户数据的全局性,提高了确定推荐用户标识集的准确性,从而提高了数据推荐效果。
在一个实施例中,如图3所示,S204具体包括生成用户特征的步骤,该步骤具体包括以下内容:
S302,随机生成各用户标识各自对应的用户随机特征。
具体地,服务器在获取到各用户标识各自对应的用户数据后,对于每个用户标识,随机生成一个用户随机特征,得到各用户标识各自对应的用户随机特征。
S304,以用户随机特征作为前次迭代调整所得到的用户特征。
具体地,服务器在得到各用户标识各自对应的用户随机特征,以各用户标识各自对应的用户随机特征作为迭代过程中前次迭代调整所得到的用户特征,将前次迭代调整所得到的用户特征输入用户特征生成模型。
S306,根据前次迭代调整所得到的用户特征和用户数据,生成当前用户特征。
具体地,服务器通过用户特征生成模型根据第一模型参数和用户数据,对前次迭代调整所得到的用户特征进行调整,经过调整确定各用户标识各自对应的当前用户特征。
在一个实施例中,用户特征根据以下公式计算得到:
其中,表示迭代第t次得到的用户i的用户特征,表示迭代第t-1次得到的用户i的用户特征,ei,j=1表示用户i与用户j为好友关系,表示迭代第t-1次得到的与用户i为好友关系的用户j的用户特征,f表示用户特征生成模型,而ω0、ω1、ω2和ω3为用户特征生成模型f中的第一模型参数,pi表示用户数据中用户i的行为数据,qi,j表示用户数据中用户i对好友用户j的行为影响数据;表示对用户i的所有好友用户j在t-1次迭代的用户特征以ω2作为权值进行加权求和;表示对用户i的所有好友用户j的行为影响数据qi,j,以ω3进行加权求和。
S308,以当前用户特征作为前次迭代调整所得到的用户特征,返回根据前次迭代调整所得到的用户特征和用户数据,确定当前用户特征继续执行,直至满足第一迭代停止条件时,生成各用户标识各自对应的用户特征。
具体地,服务器循环执行以当前用户特征作为前次迭代调整所得到的用户特征,将前次迭代调整所得到的用户特征输入用户特征生成模型,用户特征生成模型再次根据第一模型参数和用户数据,对前次迭代调整所得到的用户特征进行调整,得到当前用户特征的步骤,直至满足第一迭代停止条件时,停止循环,以最后一次调整得到的用户特征作为各用户标识各自对应的用户特征。
本实施例中,通过随机生成各用户标识各自对应的用户随机特征,以用户随机作为前次迭代调整所得到的用户特征,对前次迭代调整所得到的用户特征进行调整生成当前用户特征,以当前用户特征作为前次迭代调整所得到的用户特征进行多次迭代调整,通过多次迭代调整,将用户数据整合为用户特征,使得到的用户特征更加准确的表示用户数据,提高了用户特征的准确性。通过将用户数据整合成用户特征,可以减少数据处理量,提高了数据处理效率。
在一个实施例中,如图4所示,S206具体包括确定推荐用户标识集的步骤,该步骤具体包括以下内容:
S402,获取用户标识初始集。
其中,用户标识初始集为首次选择的推荐用户标识的集合。
具体地,服务器从用户标识中随机选取用户标识,将随机选取的用户标识添加到用户标识集中,以添加用户标识的用户标识集作为用户标识初始集。用户标识初始集中最多包括预设数量的用户标识。
在一个实施例中,服务器可以不添加任何用户标识在用户标识初始集中,即用户标识初始集为空集。
S404,以用户标识初始集作为前次迭代时调整所得到的推荐用户标识集。
具体地,服务器在获取用户标识初始集后,以获取到的用户标识初始集作为前次迭代调整所得到的推荐用户标识集,将前次迭代调整所得到的推荐用户标识集输入用户推荐模型进行迭代调整。
S406,根据前次迭代时调整所得到的推荐用户标识集和各用户特征,确定当前推荐用户标识集。
具体地,服务器通过用户推荐模型,基于各用户标识各自对应的用户特征,对前次迭代时调整所得到的推荐用户标识集合各用户特征,确定推荐效果累积值最大的用户标识集,以确定的用户标识集作为当前推荐用户标识集。
其中,推荐效果累积值为迭代调整后的推荐用户标识集的推荐效果提升程度的数值。
S408,以当前推荐用户标识集作为前次迭代时调整所得到的推荐用户标识集,返回根据前次迭代时调整所得到的推荐用户标识集和各用户特征,确定当前推荐用户标识集继续执行,直至满足第二迭代停止条件时,确定推荐用户标识集。
具体地,服务器在得到当前推荐用户标识集后,以当前推荐用户标识集作为前次迭代时调整所得到的推荐用户标识集,再次将前次迭代时调整所得到的推荐用户标识集输入用户推荐模型,通过用户推荐模型根据各用户标识各自对应的用户特征,对前次迭代时调整所得到的推荐用户标识集进行调整,得到当前推荐用户标识集,再次以当前推荐用户标识集作为前次迭代时调整所得到的推荐用户标识集进行循环迭代,直至满足第二迭代停止条件时停止循环迭代,以最后一次迭代调整得到的推荐用户标识集作为,确定的推荐用户标识集。
本实施例中,以用户标识初始集作为前次迭代时调整所得到的推荐用户标识集,根据各用户标识各自对应的用户特征对前次迭代时调整所得到的推荐用户标识集进行迭代调整,直至满足第二迭代停止条件,确定推荐用户标识集合,保证了推荐用户标识集合的准确性。
在一个实施例中,如图5所示,S406具体包括确定当前推荐用户标识集的步骤,该步骤具体包括以下内容:
S502,以前次迭代时调整所得到的推荐用户标识集作为循环调整前的推荐用户标识集。
其中,循环调整前的推荐用户标识集为确定当前推荐用户标识集过程中,生成的用户标识集。
具体地,服务器得到前次迭代时调整所得到的推荐用户标识集后,以前次迭代时调整所得到的推荐用户标识集,作为循环调整前的推荐用户标识集进行循环调整。
S504,对循环调整前的推荐用户标识集进行调整,得到循环调整后的推荐用户标识集。
具体地,服务器从用户标识中随机选择预设数量的用户标识,以随机选择的用户标识调整循环调整前的推荐用户标识集中的用户标识,得到循环调整后的推荐用户标识。
在一个实施例中,服务器检测循环调整前的推荐用户标识集的数量是否等于预设数量,若等于,则从用户标识中选择用户标识,利用选择的用户标识替换循环调整前的推荐用户标识集中的用户标识,得到循环调整后的推荐用户标识;若不等于,则从用户标识中选择用户标识,将选择的用户标识添加到循环调整前的推荐用户标识集中,得到循环调整后的推荐用户标识。
S506,根据各用户特征确定循环调整后的推荐用户标识集对应的推荐效果累积值。
具体地,对于每次循环调整后的推荐用户标识集,从用户特征中提取循环调整后的推荐用户标识集中各用户标识各自对应的用户特征,生成循环调整后的推荐用户标识集对应的推荐效果累积值。
S508,以循环调整后的推荐用户标识集作为循环调整前的推荐用户标识集进行调整,返回根据各用户特征确定循环调整后的推荐用户标识集对应的推荐效果累积值继续循环调整,直至满足循环停止条件时停止循环调整,得到循环调整后的各推荐用户标识集对应的推荐效果累积值。
具体地,服务器以循环调整后的推荐用户标识集作为循环调整前的推荐用户标识集,再次进行循环调整,得到循环调整后的推荐用户标识集,直至满足循环停止条件停止循环调整,在每次得到循环调整后的推荐用户标识集时,生成每次循环调整后的推荐用户标识集对应的推荐效果累积值。
S510,从循环调整后的各推荐用户标识集中,选取最大推荐效果累积值对应的推荐用户标识集作为当前推荐用户标识集。
具体地,服务器各推荐效果累积值进行比较,确定最大推荐效果累积值,从循环调整后的各推荐用户标识集中,选取最大推荐效果累积值对应的推荐用户标识集作为当前推荐用户标识集。
在一个实施例中,推荐用户标识集通过以下公式确定:
其中,σ表示用户推荐模型,k表示用户推荐模型σ输出的推荐用户标识集,Q(k)表示推荐用户标识集k对应的推荐效果累积值,hi为推荐用户标识集k中的用户i的用户特征,ei,j=1表示用户i与用户j为好友关系,hj表示与用户i为好友关系的用户j的用户特征,θ1和θ2为用户推荐模型σ的第二模型参数;表示对用户i的所有好友用户j的用户特征hj进行求和。
举例说明,对于每次循环调整后的推荐用户标识集k,根据推荐用户标识集k中各用户标识对应用户特征和好友用户的用户特征,计算推荐用户标识集k的推荐效果累积值Q(k),在循环调整结束后,选取最大推荐效果累积值Q(k)对应的推荐用户标识集k作为当前推荐用户标识集。
本实施例中,通过循环调整推荐用户标识集,从中选取最大推荐效果累积值对应的推荐用户标识集作为当前推荐用户标识集,提高确定的推荐用户标识集的准确性,提升了数据推荐的数据推荐效果。
如图6所示,在一个实施例中,提供一种数据模型训练方法。数据模型训练方法可以应用于上述图1中的服务我110,也可以应用于上述图1中的终端120。本实施例主要以该方法应用于上述图1中的服务器110来举例说明。参照图6,该数据模型训练方法,具体包括以下步骤:
S602,获取各样本用户标识各自对应的样本用户数据。
具体地,服务器获取当前各用户标识各自对应的用户数据,从当前用户标识中选取预设数量的样本用户标识,从用户数据中提取与选取的样本用户标识各自对应的用户数据作为样本用户数据。
S604,通过第一迭代训练确定用户特征生成模型对应的第一模型参数和各样本用户标识对应的样本用户特征,且在每次迭代时,基于样本用户数据调整前次迭代时调整得到的模型参数和样本用户特征,直到满足第一训练停止条件时停止训练。
具体地,服务器在获取样本用户数据后,前次迭代时调整得到的模型参数和样本用户特征输入用户特征生成模型,通过用户特征生成模型并基于样本用户数据,对前次迭代时调整得到的模型参数和样本用户特征进行迭代训练,直到满足第一训练停止条件时停止训练,以最后迭代训练得到的模型参数作为用户特征生成模型的第一模型参数,并以最后迭代调整得到的用户特征作为各样本用户标识各自对应的样本用户特征。
在一个实施例中,第一训练停止条件是预设迭代次数。
S606,以第一模型参数作为用户推荐模型的前次迭代时调整得到的模型参数。
具体地,服务器通过训练得到用户特征生成模型对应的第一模型参数后,将第一模型参数输入用户推荐模型,并以第一模型参数作为用户推荐模型的前次迭代时调整得到的模型参数。
S608,通过第二迭代训练确定用户推荐模型对应的第二模型参数,且在每次迭代时,基于样本用户特征调整前次迭代时调整得到的模型参数,直到满足第二训练停止条件。
具体地,服务器将各样本用户标识各自对应的样本用户特征输入用户推荐模型,通过用户推荐模型基于样本用户特征,对前次迭代是调整得到的模型参数进行迭代调整,直到满足第二训练停止条件时停止第二迭代训练,以最后迭代训练得到用户推荐模型的模型参数作为用户推荐模型的第二训练模型参数。
在一个实施例中,第二训练停止条件是预设迭代次数。
本实施例中,通过第一迭代训练确定用户特征生成模型对应的第一模型参数和各样本用户标识对应的样本用户特征,基于样本用户特征通过第二迭代训练得到第二模型参数,通过第一迭代训练和第二迭代训练,提高了用户特征生成模型的第一模型参数和用户推荐模型的第二模型参数的准确性,从而使得用户特征生成模型和用户推荐模型对数据的处理更加准确。
在一个实施例中,如图7所示,S604具体包括第一迭代训练的步骤,该步骤具体包括以下内容:
S702,随机生成模型初始参数和各样本用户标识对应的样本用户初始特征。
其中,模型初始参数为用户特征生成模型第一迭代时的初始模型参数;样本用户初始特征为用户特征生成模型第一迭代时,各样本用户标识各自对应的样本用户特征的初始值。
具体地,服务器随机生成与用户特征生成模型匹配的模型初始参数;随机生成与各样本用户标识各自对应的样本用户初始特征。
S704,分别以模型初始参数和样本用户初始特征,作为前次迭代调整所得到的模型参数和样本用户特征。
具体地,服务器将模型参数参数输入用户特征生成模型,作为用户特征生成模型的前次迭代调整所得到的模型参数,并将样本用户初始特征输入用户特征生成模型,作为前次迭代调整所得到的样本用户特征。
S706,根据样本用户数据,对前次迭代调整所得到的模型参数和样本用户特征进行调整,得到当前特征模型参数和当前样本用户特征。
具体地,服务器根据样本用户数据,通过用户特征生成模型生成参数调整数据,根据参数调整数据对前次迭代调整所得到的模型参数进行调整,根据调整后的模型参数和样本用户特征计算当前样本用户特征。
在一个实施例中,样本用户特征根据以下公式计算得到:
其中,表示迭代第t次得到的用户i的用户特征,表示迭代第t-1次得到的用户i的用户特征,ei,j=1表示用户i与用户j为好友关系,表示迭代第t-1次得到的与用户i为好友关系的用户j的用户特征,f表示用户特征生成模型,而ω0、ω1、ω2和ω3为用户特征生成模型f中的第一模型参数,pi表示用户数据中用户i的行为数据,qi,j表示用户数据中用户i对好友用户j的行为影响数据;表示对用户i的所有好友用户j在t-1次迭代的用户特征以ω2作为权值进行加权求和;表示对用户i的所有好友用户j的行为影响数据qi,j,以ω3进行加权求和。
S708,以当前特征模型参数和当前样本用户特征,作为前次迭代调整所得到的模型参数和样本用户特征;返回S706继续执行。
S710,判断是否满足第一迭代训练停止条件;若满足,则执行S712;若不满足,执行S708。
S710,生成用户特征生成模型对应的第一模型参数和各样本用户标识对应的样本用户特征。
具体地,获取当前特征模型参数和当前样本用户特征,分别以当前特征模型参数和当前样本用户特征,作为用户特征生成模型对应的第一模型参数和各样本用户标识对应的样本用户特征。
本实施例中,通过第一迭代训练,获取满足第一迭代训练停止条件时的当前特征模型参数和当前样本用户特征,作为用户特征生成模型对应的第一模型参数和各样本用户标识对应的样本用户特征,提高了第一模型参数和样本用户特征的准确性。
在一个实施例中,如图8所示,S608具体还包括第二迭代训练的步骤,该步骤具体包括以下内容:
S802,通过用户推荐模型根据样本用户数据,迭代调整样本推荐用户集并确定相应的推荐效果值,直到满足第二迭代训练停止条件。
具体地,服务器从样本用户标识中选择预设数量的样本用户标识,根据选择的样本用户标识对前次迭代调整所得到的样本推荐用户集进行调整,以调整后的样本推荐用户集作为当前样本推荐用户集,根据当前样本推荐用户集中各样本用户标识对应样本用户数据,计算当前样本推荐用户集对应的推荐效果值,再次以当前样本推荐用户集作为前次迭代调整所得到的样本推荐用户集,返回从样本用户标识中选择预设数量的样本用户标识的步骤进行迭代训练,直到满足第二迭代训练停止条件时停止迭代,得到每次调整后的样本推荐用户集对应的推荐效果值。
在一个实施例中,推荐效果值与样本推荐用户集中样本用户标识对应的行为数据和行为影响数据正相关。
举例说明,服务器在每次选择样本推荐用户集kt时,检测第t-1选择的样本推荐用户集kt-1中的样本用户标识的数量是否小于预设目标用户数量,若小于,则在样本推荐用户集kt-1中增加一个样本用户标识得到第t次选择的样本推荐用户集kt;若检测到第t-1选择的样本推荐用户集kt-1中的样本用户标识的数量等于预设目标用户数量,将样本推荐用户集kt-1中的样本用户标识删去一个,再从样本用户标识中选择一个样本用户标识,增加到样本推荐用户集kt-1中,得到第t次选择的样本推荐用户集kt。
S804,基于各推荐效果值构建推荐效果损失函数。
具体地,服务器各推荐效果值计算每次调整后的样本推荐用户集对应的推荐效果值累积值,选取最大推荐效果累积值,根据最大推荐效果累积值构建推荐效果损失函数。
在一个实施例中,S804具体还包括:根据各推荐效果值生成推荐效果累积函数;通过生成的推荐效果累积函数确定最大推荐效果累积值;基于最大推荐效果累积值构建推荐效果损失函数。
具体地,服务器根据以下公式构建推荐效果累积函数:
Q(kt)=γQ(kt+1)+r(kt+1,kt)
其中,Q(kt)表示第t次迭调整样本推荐用户集得到的调整后的样本推荐用户集kt的推荐效果累积值;Q(kt+1)表示第t+1次迭调整样本推荐用户集得到的调整后的样本推荐用户集kt+1的推荐效果累积值;γ为折扣函数,且0<γ<1;r(kt+1,kt)表示将第t次迭代调整得到的推荐用户标识集kt,经过第t+1次迭代调整得到的推荐用户标识集kt+1时,对应的推荐效果值。
在一个实施例中,通过生成的推荐效果累积函数确定最大推荐效果累积值通过以下公式得到:
其中,y表示迭代过程中的最大推荐效果累积值;γ为折扣函数,且0<γ<1;r(kt+1,kt)表示将第t次迭代调整得到的推荐用户标识集kt,经过第t+1次迭代调整得到的推荐用户标识集kt+1时,对应的推荐效果值;表示推荐用户标识集kt+1对应的最大推荐效果累积值。
在一个实施例中,推荐效果损失函数通过以下公式构建得到:
L=(y-Q(kt))2
其中,L为损失函数值,y表示迭代过程中的最大推荐效果累积值,Q(kt)表示推荐用户标识集kt对应的推荐效果累积值。
S806,根据推荐效果损失函数对前次迭代时调整得到的模型参数进行梯度调整,得到用户推荐模型的第二模型参数。
具体地,服务器通过推荐效果损失函数对前次迭代时调整得到的模型参数进行梯度调整,直至确定推荐效果损失函数对应的推荐效果损失值最小时,以最小推荐效果损失值对应的模型参数作为用户推荐模型的第二模型参数。
本实施例中,在每次调整样本推荐用户集时确定相应的推荐效果值,根据记录的推荐效果值构建推荐效果累积函数,根据推荐效果累积函数确定最大推荐效果累积值,基于最大推荐效果累积值构建推荐效果损失函数,基于推荐效果损失函数对用户推荐模型的模型参数进行梯度调整,得到用户推荐模型的第二模型参数,提高了用户推荐模型的第二模型参数的稳定性和准确性。
在一个实施例中,如图9所示,提供一种数据推荐装置900,该装置包括:用户数据获取模块902、用户特征生成模块904、用户集推荐模块906和数据推荐模块908。
用户数据获取模块902,用于获取各用户标识各自对应的用户数据;
用户特征生成模块904,用于通过第一迭代处理生成与各用户标识各自对应的用户特征,且在每次迭代时,基于用户数据调整前次迭代时调整所得到的用户特征,直到满足第一迭代停止条件时停止迭代;
用户集推荐模块906,用于通过第二迭代处理确定推荐用户标识集,且在每次迭代时,基于各用户特征调整前次迭代时调整所得到的推荐用户标识集,直到满足第二迭代停止条件时停止迭代;
数据推荐模块908,用于按照确定的推荐用户标识集进行数据推荐。
在一个实施例中,用户特征生成模块904还用于随机生成各用户标识各自对应的用户随机特征;以用户随机特征作为前次迭代调整所得到的用户特征;根据前次迭代调整所得到的用户特征和用户数据,生成当前用户特征;以当前用户特征作为前次迭代调整所得到的用户特征,返回根据前次迭代调整所得到的用户特征和用户数据,确定当前用户特征继续执行,直至满足第一迭代停止条件时,生成各用户标识各自对应的用户特征。
在一个实施例中,用户特征根据以下公式计算得到:
其中,表示迭代第t次得到的用户i的用户特征,表示迭代第t-1次得到的用户i的用户特征,ei,j=1表示用户i与用户j为好友关系,表示迭代第t-1次得到的与用户i为好友关系的用户j的用户特征,f表示用户特征生成模型,而ω0、ω1、ω2和ω3为用户特征生成模型f中的第一模型参数,pi表示用户数据中用户i的行为数据,qi,j表示用户数据中用户i对好友用户j的行为影响数据。
在一个实施例中,用户集推荐模块906还用于获取用户标识初始集;以用户标识初始集作为前次迭代时调整所得到的推荐用户标识集;根据前次迭代时调整所得到的推荐用户标识集和各用户特征,确定当前推荐用户标识集;以当前推荐用户标识集作为前次迭代时调整所得到的推荐用户标识集,返回根据前次迭代时调整所得到的推荐用户标识集和各用户特征,确定当前推荐用户标识集继续执行,直至满足第二迭代停止条件时,确定推荐用户标识集。
在一个实施例中,用户集推荐模块906还用于以前次迭代时调整所得到的推荐用户标识集作为循环调整前的推荐用户标识集;对循环调整前的推荐用户标识集进行调整,得到循环调整后的推荐用户标识集;根据各用户特征确定循环调整后的推荐用户标识集对应的推荐效果累积值;以循环调整后的推荐用户标识集作为循环调整前的推荐用户标识集进行调整,返回根据各用户特征确定循环调整后的推荐用户标识集对应的推荐效果累积值继续循环调整,直至满足循环停止条件时停止循环调整,得到循环调整后的各推荐用户标识集对应的推荐效果累积值;从循环调整后的各推荐用户标识集中,选取最大推荐效果累积值对应的推荐用户标识集作为当前推荐用户标识集。
在一个实施例中,推荐用户标识集通过以下公式确定:
其中,σ表示用户推荐模型,k表示用户推荐模型σ输出的推荐用户标识集,Q(k)表示推荐用户标识集k对应的推荐效果累积值,hi为推荐用户标识集k中的用户i的用户特征,ei,j=1表示用户i与用户j为好友关系,hj表示与用户i为好友关系的用户j的用户特征,θ1和θ2为用户推荐模型σ的第二模型参数。
本实施例中,通过第一迭代处理生成与各所述用户标识各自对应的用户特征,在每次迭代时,基于用户数据调整前次迭代时调整所得到的用户特征,通过第一迭代处理将各用户标识各自对应的用户数据进行整合,得到各用户标识各自对应的用户特征,提高了用户特征的准确性,以用户特征表示用户数据,减少了数据处理量。基于各用户特征调整前次迭代时调整所得到的推荐用户标识集进行第二迭代处理,确定推荐用户标识集,考虑了各用户之间用户数据的全局性,提高了确定推荐用户标识集的准确性,从而提高了数据推荐效果。
在一个实施例中,如图10所示,提供一种数据模型训练装置1000,该装置具体包括:样本数据获取模块1002、第一参数生成模块1004和第二参数确定模块1006。
样本数据获取模块1002,用于获取各样本用户标识各自对应的样本用户数据。
第一参数生成模块1004,用于通过第一迭代训练确定用户特征生成模型对应的第一模型参数和各样本用户标识对应的样本用户特征,且在每次迭代时,基于样本用户数据调整前次迭代时调整得到的模型参数和样本用户特征,直到满足第一训练停止条件时停止训练;
第二参数确定模块1006,用于以第一模型参数作为用户推荐模型的前次迭代时调整得到的模型参数,通过第二迭代训练确定用户推荐模型对应的第二模型参数,且在每次迭代时,基于样本用户特征调整前次迭代时调整得到的模型参数,直到满足第二训练停止条件。
在一个实施例中,第一参数生成模块1004还用于随机生成模型初始参数和各样本用户标识对应的样本用户初始特征;分别以模型初始参数和样本用户初始特征,作为前次迭代调整所得到的模型参数和样本用户特征;根据样本用户数据,对前次迭代调整所得到的模型参数和样本用户特征进行调整,得到当前特征模型参数和当前样本用户特征;以当前特征模型参数和当前样本用户特征,作为前次迭代调整所得到的模型参数和样本用户特征,返回根据样本用户数据,对前次迭代调整所得到的模型参数和样本用户特征进行调整,得到当前特征模型参数和当前样本用户特征继续迭代训练,直至满足第一迭代训练停止条件时,生成用户特征生成模型对应的第一模型参数和各样本用户标识对应的样本用户特征。
在一个实施例中,第二参数确定模块1006还用于通过用户推荐模型根据样本用户数据,迭代调整样本推荐用户集并确定相应的推荐效果值,直到满足第二迭代训练停止条件;基于各推荐效果值构建推荐效果损失函数;根据推荐效果损失函数对前次迭代时调整得到的模型参数进行梯度调整,得到用户推荐模型的第二模型参数。
在一个实施例中,第二参数确定模块1006还用于根据各推荐效果值生成推荐效果累积函数;通过生成的推荐效果累积函数确定最大推荐效果累积值;基于最大推荐效果累积值构建推荐效果损失函数。
在一个实施例中,最大推荐效果累积值通过以下公式得到:
其中,y表示迭代过程中的最大推荐效果累积值;γ为折扣函数,且0<γ<1;r(kt+1,kt)表示将第t次迭代调整得到的推荐用户标识集kt,经过第t+1次迭代调整得到的推荐用户标识集kt+1时,对应的推荐效果值;Q(kt+1)表示推荐用户标识集kt+1对应的推荐效果累积值。
在一个实施例中,推荐效果损失函数通过以下公式构建得到:
L=(y-Q(kt))2
其中,L为损失函数值,y表示迭代过程中的最大推荐效果累积值,Q(kt)表示推荐用户标识集kt对应的推荐效果累积值。
本实施例中,通过第一迭代训练确定用户特征生成模型对应的第一模型参数和各样本用户标识对应的样本用户特征,基于样本用户特征通过第二迭代训练得到第二模型参数,通过第一迭代训练和第二迭代训练,提高了用户特征生成模型的第一模型参数和用户推荐模型的第二模型参数的准确性,从而使得用户特征生成模型和用户推荐模型对数据的处理更加准确。
图11为一个实施例中计算机设备的内部结构示意图。参照图11,该计算机设备可以是图1中所示的服务器110,也可以是图1中所示的终端120,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质可存储操作系统和计算机程序。该计算机程序被执行时,可使得处理器执行一种数据推荐方法。该计算机设备的处理器用于提供计算和控制能力,支撑整个计算机设备的运行。该内存储器中可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行一种数据推荐方法。计算机设备的网络接口用于进行网络通信。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备或机器人的限定,具体的计算机设备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。
在一个实施例中,本申请提供的数据推荐装置900可以实现为一种计算机程序的形式,计算机程序可在如图11所示的计算机设备上运行。计算机设备存储器中可存储组成该数据推荐装置900的各个程序模块,比如,图9所示的用户数据获取模块902、用户特征生成模块904、用户集推荐模块906和数据推荐模块908。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的数据推荐方法中的步骤。
例如,图11所示的计算机设备可以通过如图9所示的数据推荐装置900中用户数据获取模块902获取各用户标识各自对应的用户数据。计算机设备可通过用户特征生成模块904通过第一迭代处理生成与各用户标识各自对应的用户特征,且在每次迭代时,基于用户数据调整前次迭代时调整所得到的用户特征,直到满足第一迭代停止条件时停止迭代。计算机设备可通过用户集推荐模块906通过第二迭代处理确定推荐用户标识集,且在每次迭代时,基于各用户特征调整前次迭代时调整所得到的推荐用户标识集,直到满足第二迭代停止条件时停止迭代。计算机设备可通过数据推荐模块908按照确定的推荐用户标识集进行数据推荐。
在一个实施例中,本申请提供的数据模型训练装置1000可以实现为一种计算机程序的形式,计算机程序可在如图11所示的计算机设备上运行。计算机设备存储器中可存储组成该数据模型训练装置1000的各个程序模块,比如,图10所示的样本数据获取模块1002、第一参数生成模块1004和第二参数确定模块1006。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的数据模型训练方法中的步骤。
例如,图11所示的计算机设备可以通过如图10所示的数据模型训练装置1000中样本数据获取模块1002获取各样本用户标识各自对应的样本用户数据。计算机设备可通过第一参数生成模块1004通过第一迭代训练确定用户特征生成模型对应的第一模型参数和各样本用户标识对应的样本用户特征,且在每次迭代时,基于样本用户数据调整前次迭代时调整得到的模型参数和样本用户特征,直到满足第一训练停止条件时停止训练。计算机设备可通过第二参数确定模块1006以第一模型参数作为用户推荐模型的前次迭代时调整得到的模型参数,通过第二迭代训练确定用户推荐模型对应的第二模型参数,且在每次迭代时,基于样本用户特征调整前次迭代时调整得到的模型参数,直到满足第二训练停止条件。
一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,计算机程序被处理器执行时,使得处理器执行如下步骤:获取各用户标识各自对应的用户数据;通过第一迭代处理生成与各用户标识各自对应的用户特征,且在每次迭代时,基于用户数据调整前次迭代时调整所得到的用户特征,直到满足第一迭代停止条件时停止迭代;通过第二迭代处理确定推荐用户标识集,且在每次迭代时,基于各用户特征调整前次迭代时调整所得到的推荐用户标识集,直到满足第二迭代停止条件时停止迭代;按照确定的推荐用户标识集进行数据推荐。
在一个实施例中,通过第一迭代处理生成与各用户标识各自对应的用户特征,且在每次迭代时,基于用户数据调整前次迭代时调整所得到的用户特征,直到满足第一迭代停止条件时停止迭代包括:随机生成各用户标识各自对应的用户随机特征;以用户随机特征作为前次迭代调整所得到的用户特征;根据前次迭代调整所得到的用户特征和用户数据,生成当前用户特征;以当前用户特征作为前次迭代调整所得到的用户特征,返回根据前次迭代调整所得到的用户特征和用户数据,确定当前用户特征继续执行,直至满足第一迭代停止条件时,生成各用户标识各自对应的用户特征。
在一个实施例中,用户特征根据以下公式计算得到:
其中,表示迭代第t次得到的用户i的用户特征,表示迭代第t-1次得到的用户i的用户特征,ei,j=1表示用户i与用户j为好友关系,表示迭代第t-1次得到的与用户i为好友关系的用户j的用户特征,f表示用户特征生成模型,而ω0、ω1、ω2和ω3为用户特征生成模型f中的第一模型参数,pi表示用户数据中用户i的行为数据,qi,j表示用户数据中用户i对好友用户j的行为影响数据。
在一个实施例中,通过第二迭代处理确定推荐用户标识集,且在每次迭代时,基于各用户特征调整前次迭代时调整所得到的推荐用户标识集,直到满足第二迭代停止条件时停止迭代包括:获取用户标识初始集;以用户标识初始集作为前次迭代时调整所得到的推荐用户标识集;根据前次迭代时调整所得到的推荐用户标识集和各用户特征,确定当前推荐用户标识集;以当前推荐用户标识集作为前次迭代时调整所得到的推荐用户标识集,返回根据前次迭代时调整所得到的推荐用户标识集和各用户特征,确定当前推荐用户标识集继续执行,直至满足第二迭代停止条件时,确定推荐用户标识集。
在一个实施例中,根据前次迭代时调整所得到的推荐用户标识集和各用户特征,确定当前推荐用户标识集包括:以前次迭代时调整所得到的推荐用户标识集作为循环调整前的推荐用户标识集;对循环调整前的推荐用户标识集进行调整,得到循环调整后的推荐用户标识集;根据各用户特征确定循环调整后的推荐用户标识集对应的推荐效果累积值;以循环调整后的推荐用户标识集作为循环调整前的推荐用户标识集进行调整,返回根据各用户特征确定循环调整后的推荐用户标识集对应的推荐效果累积值继续循环调整,直至满足循环停止条件时停止循环调整,得到循环调整后的各推荐用户标识集对应的推荐效果累积值;从循环调整后的各推荐用户标识集中,选取最大推荐效果累积值对应的推荐用户标识集作为当前推荐用户标识集。
在一个实施例中,推荐用户标识集通过以下公式确定:
其中,σ表示用户推荐模型,k表示用户推荐模型σ输出的推荐用户标识集,Q(k)表示推荐用户标识集k对应的推荐效果累积值,hi为推荐用户标识集k中的用户i的用户特征,ei,j=1表示用户i与用户j为好友关系,hj表示与用户i为好友关系的用户j的用户特征,θ1和θ2为用户推荐模型σ的第二模型参数。
本实施例中,通过第一迭代处理生成与各用户标识各自对应的用户特征,在每次迭代时,基于用户数据调整前次迭代时调整所得到的用户特征,通过第一迭代处理将各用户标识各自对应的用户数据进行整合,得到各用户标识各自对应的用户特征,提高了用户特征的准确性,以用户特征表示用户数据,减少了数据处理量。基于各用户特征调整前次迭代时调整所得到的推荐用户标识集进行第二迭代处理,确定推荐用户标识集,考虑了各用户之间用户数据的全局性,提高了确定推荐用户标识集的准确性,从而提高了数据推荐效果。
一种存储有计算机程序的存储介质,所述计算机程序被处理器执行时,使得处理器执行如下步骤:获取各用户标识各自对应的用户数据;通过第一迭代处理生成与各用户标识各自对应的用户特征,且在每次迭代时,基于用户数据调整前次迭代时调整所得到的用户特征,直到满足第一迭代停止条件时停止迭代;通过第二迭代处理确定推荐用户标识集,且在每次迭代时,基于各用户特征调整前次迭代时调整所得到的推荐用户标识集,直到满足第二迭代停止条件时停止迭代;按照确定的推荐用户标识集进行数据推荐。
在一个实施例中,通过第一迭代处理生成与各用户标识各自对应的用户特征,且在每次迭代时,基于用户数据调整前次迭代时调整所得到的用户特征,直到满足第一迭代停止条件时停止迭代包括:随机生成各用户标识各自对应的用户随机特征;以用户随机特征作为前次迭代调整所得到的用户特征;根据前次迭代调整所得到的用户特征和用户数据,生成当前用户特征;以当前用户特征作为前次迭代调整所得到的用户特征,返回根据前次迭代调整所得到的用户特征和用户数据,确定当前用户特征继续执行,直至满足第一迭代停止条件时,生成各用户标识各自对应的用户特征。
在一个实施例中,用户特征根据以下公式计算得到:
其中,表示迭代第t次得到的用户i的用户特征,表示迭代第t-1次得到的用户i的用户特征,ei,j=1表示用户i与用户j为好友关系,表示迭代第t-1次得到的与用户i为好友关系的用户j的用户特征,f表示用户特征生成模型,而ω0、ω1、ω2和ω3为用户特征生成模型f中的第一模型参数,pi表示用户数据中用户i的行为数据,qi,j表示用户数据中用户i对好友用户j的行为影响数据。
在一个实施例中,通过第二迭代处理确定推荐用户标识集,且在每次迭代时,基于各用户特征调整前次迭代时调整所得到的推荐用户标识集,直到满足第二迭代停止条件时停止迭代包括:获取用户标识初始集;以用户标识初始集作为前次迭代时调整所得到的推荐用户标识集;根据前次迭代时调整所得到的推荐用户标识集和各用户特征,确定当前推荐用户标识集;以当前推荐用户标识集作为前次迭代时调整所得到的推荐用户标识集,返回根据前次迭代时调整所得到的推荐用户标识集和各用户特征,确定当前推荐用户标识集继续执行,直至满足第二迭代停止条件时,确定推荐用户标识集。
在一个实施例中,根据前次迭代时调整所得到的推荐用户标识集和各用户特征,确定当前推荐用户标识集包括:以前次迭代时调整所得到的推荐用户标识集作为循环调整前的推荐用户标识集;对循环调整前的推荐用户标识集进行调整,得到循环调整后的推荐用户标识集;根据各用户特征确定循环调整后的推荐用户标识集对应的推荐效果累积值;以循环调整后的推荐用户标识集作为循环调整前的推荐用户标识集进行调整,返回根据各用户特征确定循环调整后的推荐用户标识集对应的推荐效果累积值继续循环调整,直至满足循环停止条件时停止循环调整,得到循环调整后的各推荐用户标识集对应的推荐效果累积值;从循环调整后的各推荐用户标识集中,选取最大推荐效果累积值对应的推荐用户标识集作为当前推荐用户标识集。
在一个实施例中,推荐用户标识集通过以下公式确定:
其中,σ表示用户推荐模型,k表示用户推荐模型σ输出的推荐用户标识集,Q(k)表示推荐用户标识集k对应的推荐效果累积值,hi为推荐用户标识集k中的用户i的用户特征,ei,j=1表示用户i与用户j为好友关系,hj表示与用户i为好友关系的用户j的用户特征,θ1和θ2为用户推荐模型σ的第二模型参数。
本实施例中,通过第一迭代处理生成与各用户标识各自对应的用户特征,在每次迭代时,基于用户数据调整前次迭代时调整所得到的用户特征,通过第一迭代处理将各用户标识各自对应的用户数据进行整合,得到各用户标识各自对应的用户特征,提高了用户特征的准确性,以用户特征表示用户数据,减少了数据处理量。基于各用户特征调整前次迭代时调整所得到的推荐用户标识集进行第二迭代处理,确定推荐用户标识集,考虑了各用户之间用户数据的全局性,提高了确定推荐用户标识集的准确性,从而提高了数据推荐效果。
一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,计算机程序被处理器执行时,使得处理器执行如下步骤:获取各样本用户标识各自对应的样本用户数据;通过第一迭代训练确定用户特征生成模型对应的第一模型参数和各样本用户标识对应的样本用户特征,且在每次迭代时,基于样本用户数据调整前次迭代时调整得到的模型参数和样本用户特征,直到满足第一训练停止条件时停止训练;以第一模型参数作为用户推荐模型的前次迭代时调整得到的模型参数;通过第二迭代训练确定用户推荐模型对应的第二模型参数,且在每次迭代时,基于样本用户特征调整前次迭代时调整得到的模型参数,直到满足第二训练停止条件。
在一个实施例中,通过第一迭代训练确定用户特征生成模型对应的第一模型参数和各样本用户标识对应的样本用户特征,且在每次迭代时,基于样本用户数据调整前次迭代时调整得到的模型参数和样本用户特征,直到满足第一训练停止条件时停止训练包括:随机生成模型初始参数和各样本用户标识对应的样本用户初始特征;分别以模型初始参数和样本用户初始特征,作为前次迭代调整所得到的模型参数和样本用户特征;根据样本用户数据,对前次迭代调整所得到的模型参数和样本用户特征进行调整,得到当前特征模型参数和当前样本用户特征;以当前特征模型参数和当前样本用户特征,作为前次迭代调整所得到的模型参数和样本用户特征,返回根据样本用户数据,对前次迭代调整所得到的模型参数和样本用户特征进行调整,得到当前特征模型参数和当前样本用户特征继续迭代训练,直至满足第一迭代训练停止条件时,生成用户特征生成模型对应的第一模型参数和各样本用户标识对应的样本用户特征。
在一个实施例中,通过第二迭代训练确定用户推荐模型对应的第二模型参数,且在每次迭代时,基于样本用户特征调整前次迭代时调整得到的模型参数,直到满足第二训练停止条件包括:通过用户推荐模型根据样本用户数据,迭代调整样本推荐用户集并确定相应的推荐效果值,直到满足第二迭代训练停止条件;基于各推荐效果值构建推荐效果损失函数;根据推荐效果损失函数对前次迭代时调整得到的模型参数进行梯度调整,得到用户推荐模型的第二模型参数。
在一个实施例中,基于各推荐效果值构建推荐效果损失函数包括:根据各推荐效果值生成推荐效果累积函数;通过生成的推荐效果累积函数确定最大推荐效果累积值;基于最大推荐效果累积值构建推荐效果损失函数。
在一个实施例中,最大推荐效果累积值通过以下公式得到:
其中,y表示迭代过程中的最大推荐效果累积值;γ为折扣函数,且0<γ<1;r(kt+1,kt)表示将第t次迭代调整得到的推荐用户标识集kt,经过第t+1次迭代调整得到的推荐用户标识集kt+1时,对应的推荐效果值;Q(kt+1)表示推荐用户标识集kt+1对应的推荐效果累积值。
在一个实施例中,推荐效果损失函数通过以下公式构建得到:
L=(y-Q(kt))2
其中,L为损失函数值,y表示迭代过程中的最大推荐效果累积值,Q(kt)表示推荐用户标识集kt对应的推荐效果累积值。
本实施例中,通过第一迭代训练确定用户特征生成模型对应的第一模型参数和各样本用户标识对应的样本用户特征,基于样本用户特征通过第二迭代训练得到第二模型参数,通过第一迭代训练和第二迭代训练,提高了用户特征生成模型的第一模型参数和用户推荐模型的第二模型参数的准确性,从而使得用户特征生成模型和用户推荐模型对数据的处理更加准确。
一种存储有计算机程序的存储介质,所述计算机程序被处理器执行时,使得处理器执行如下步骤:获取各样本用户标识各自对应的样本用户数据;通过第一迭代训练确定用户特征生成模型对应的第一模型参数和各样本用户标识对应的样本用户特征,且在每次迭代时,基于样本用户数据调整前次迭代时调整得到的模型参数和样本用户特征,直到满足第一训练停止条件时停止训练;以第一模型参数作为用户推荐模型的前次迭代时调整得到的模型参数;通过第二迭代训练确定用户推荐模型对应的第二模型参数,且在每次迭代时,基于样本用户特征调整前次迭代时调整得到的模型参数,直到满足第二训练停止条件。
在一个实施例中,通过第一迭代训练确定用户特征生成模型对应的第一模型参数和各样本用户标识对应的样本用户特征,且在每次迭代时,基于样本用户数据调整前次迭代时调整得到的模型参数和样本用户特征,直到满足第一训练停止条件时停止训练包括:随机生成模型初始参数和各样本用户标识对应的样本用户初始特征;分别以模型初始参数和样本用户初始特征,作为前次迭代调整所得到的模型参数和样本用户特征;根据样本用户数据,对前次迭代调整所得到的模型参数和样本用户特征进行调整,得到当前特征模型参数和当前样本用户特征;以当前特征模型参数和当前样本用户特征,作为前次迭代调整所得到的模型参数和样本用户特征,返回根据样本用户数据,对前次迭代调整所得到的模型参数和样本用户特征进行调整,得到当前特征模型参数和当前样本用户特征继续迭代训练,直至满足第一迭代训练停止条件时,生成用户特征生成模型对应的第一模型参数和各样本用户标识对应的样本用户特征。
在一个实施例中,通过第二迭代训练确定用户推荐模型对应的第二模型参数,且在每次迭代时,基于样本用户特征调整前次迭代时调整得到的模型参数,直到满足第二训练停止条件包括:通过用户推荐模型根据样本用户数据,迭代调整样本推荐用户集并确定相应的推荐效果值,直到满足第二迭代训练停止条件;基于各推荐效果值构建推荐效果损失函数;根据推荐效果损失函数对前次迭代时调整得到的模型参数进行梯度调整,得到用户推荐模型的第二模型参数。
在一个实施例中,基于各推荐效果值构建推荐效果损失函数包括:根据各推荐效果值生成推荐效果累积函数;通过生成的推荐效果累积函数确定最大推荐效果累积值;基于最大推荐效果累积值构建推荐效果损失函数。
在一个实施例中,最大推荐效果累积值通过以下公式得到:
其中,y表示迭代过程中的最大推荐效果累积值;γ为折扣函数,且0<γ<1;r(kt+1,kt)表示将第t次迭代调整得到的推荐用户标识集kt,经过第t+1次迭代调整得到的推荐用户标识集kt+1时,对应的推荐效果值;Q(kt+1)表示推荐用户标识集kt+1对应的推荐效果累积值。
在一个实施例中,推荐效果损失函数通过以下公式构建得到:
L=(y-Q(kt))2
其中,L为损失函数值,y表示迭代过程中的最大推荐效果累积值,Q(kt)表示推荐用户标识集kt对应的推荐效果累积值。
本实施例中,通过第一迭代训练确定用户特征生成模型对应的第一模型参数和各样本用户标识对应的样本用户特征,基于样本用户特征通过第二迭代训练得到第二模型参数,通过第一迭代训练和第二迭代训练,提高了用户特征生成模型的第一模型参数和用户推荐模型的第二模型参数的准确性,从而使得用户特征生成模型和用户推荐模型对数据的处理更加准确。
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计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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 (15)
1.一种数据推荐方法,所述方法包括:
获取各用户标识各自对应的用户数据;
通过第一迭代处理生成与各所述用户标识各自对应的用户特征,且在每次迭代时,基于所述用户数据调整前次迭代时调整所得到的用户特征,直到满足第一迭代停止条件时停止迭代;
通过第二迭代处理确定推荐用户标识集,且在每次迭代时,基于各所述用户特征调整前次迭代时调整所得到的推荐用户标识集,直到满足第二迭代停止条件时停止迭代;
按照确定的推荐用户标识集进行数据推荐。
2.根据权利要求1所述的方法,其特征在于,所述通过第一迭代处理生成与各所述用户标识各自对应的用户特征,且在每次迭代时,基于所述用户数据调整前次迭代时调整所得到的用户特征,直到满足第一迭代停止条件时停止迭代包括:
随机生成各所述用户标识各自对应的用户随机特征;
以所述用户随机特征作为前次迭代调整所得到的用户特征;
根据前次迭代调整所得到的用户特征和所述用户数据,生成当前用户特征;
以当前用户特征作为前次迭代调整所得到的用户特征,返回根据前次迭代调整所得到的用户特征和所述用户数据,确定当前用户特征继续执行,直至满足第一迭代停止条件时,生成各所述用户标识各自对应的用户特征。
3.根据权利要求2所述的方法,其特征在于,所述用户特征根据以下公式计算得到:
其中,表示迭代第t次得到的用户i的用户特征,表示迭代第t-1次得到的用户i的用户特征,ei,j=1表示用户i与用户j为好友关系,表示迭代第t-1次得到的与用户i为好友关系的用户j的用户特征,f表示用户特征生成模型,而ω0、ω1、ω2和ω3为用户特征生成模型f中的第一模型参数,pi表示用户数据中用户i的行为数据,qi,j表示用户数据中用户i对好友用户j的行为影响数据。
4.根据权利要求1所述的方法,其特征在于,所述通过第二迭代处理确定推荐用户标识集,且在每次迭代时,基于各所述用户特征调整前次迭代时调整所得到的推荐用户标识集,直到满足第二迭代停止条件时停止迭代包括:
获取用户标识初始集;
以所述用户标识初始集作为前次迭代时调整所得到的推荐用户标识集;
根据前次迭代时调整所得到的推荐用户标识集和各所述用户特征,确定当前推荐用户标识集;
以当前推荐用户标识集作为前次迭代时调整所得到的推荐用户标识集,返回根据前次迭代时调整所得到的推荐用户标识集和各所述用户特征,确定当前推荐用户标识集继续执行,直至满足第二迭代停止条件时,确定推荐用户标识集。
5.根据权利要求4所述的方法,其特征在于,所述根据前次迭代时调整所得到的推荐用户标识集和各所述用户特征,确定当前推荐用户标识集包括:
以前次迭代时调整所得到的推荐用户标识集作为循环调整前的推荐用户标识集;
对循环调整前的推荐用户标识集进行调整,得到循环调整后的推荐用户标识集;
根据各所述用户特征确定循环调整后的推荐用户标识集对应的推荐效果累积值;
以循环调整后的推荐用户标识集作为循环调整前的推荐用户标识集进行调整,返回根据各所述用户特征确定循环调整后的推荐用户标识集对应的推荐效果累积值继续循环调整,直至满足循环停止条件时停止循环调整,得到循环调整后的各推荐用户标识集对应的推荐效果累积值;
从循环调整后的各推荐用户标识集中,选取最大推荐效果累积值对应的推荐用户标识集作为当前推荐用户标识集。
6.根据权利要求5所述的方法,其特征在于,所述推荐用户标识集通过以下公式确定:
其中,σ表示用户推荐模型,k表示用户推荐模型σ输出的推荐用户标识集,Q(k)表示推荐用户标识集k对应的推荐效果累积值,hi为推荐用户标识集k中的用户i的用户特征,ei,j=1表示用户i与用户j为好友关系,hj表示与用户i为好友关系的用户j的用户特征,θ1和θ2为用户推荐模型σ的第二模型参数。
7.一种数据模型训练方法,所述方法包括:
获取各样本用户标识各自对应的样本用户数据;
通过第一迭代训练确定用户特征生成模型对应的第一模型参数和各样本用户标识对应的样本用户特征,且在每次迭代时,基于所述样本用户数据调整前次迭代时调整得到的模型参数和样本用户特征,直到满足第一训练停止条件时停止训练;
以所述第一模型参数作为用户推荐模型的前次迭代时调整得到的模型参数;
通过第二迭代训练确定所述用户推荐模型对应的第二模型参数,且在每次迭代时,基于所述样本用户特征调整前次迭代时调整得到的模型参数,直到满足第二训练停止条件。
8.根据权利要求7所述的方法,其特征在于,所述通过第一迭代训练确定用户特征生成模型对应的第一模型参数和各样本用户标识对应的样本用户特征,且在每次迭代时,基于所述样本用户数据调整前次迭代时调整得到的模型参数和样本用户特征,直到满足第一训练停止条件时停止训练包括:
随机生成模型初始参数和各样本用户标识对应的样本用户初始特征;
分别以所述模型初始参数和所述样本用户初始特征,作为前次迭代调整所得到的模型参数和样本用户特征;
根据所述样本用户数据,对前次迭代调整所得到的模型参数和样本用户特征进行调整,得到当前特征模型参数和当前样本用户特征;
以当前特征模型参数和当前样本用户特征,作为前次迭代调整所得到的模型参数和样本用户特征,返回根据所述样本用户数据,对前次迭代调整所得到的模型参数和样本用户特征进行调整,得到当前特征模型参数和当前样本用户特征继续迭代训练,直至满足第一迭代训练停止条件时,生成所述用户特征生成模型对应的第一模型参数和各样本用户标识对应的样本用户特征。
9.根据权利要求7所述的方法,其特征在于,所述通过第二迭代训练确定所述用户推荐模型对应的第二模型参数,且在每次迭代时,基于所述样本用户特征调整前次迭代时调整得到的模型参数,直到满足第二训练停止条件包括:
通过所述用户推荐模型根据所述样本用户数据,迭代调整样本推荐用户集并确定相应的推荐效果值,直到满足第二迭代训练停止条件;
基于各推荐效果值构建推荐效果损失函数;
根据所述推荐效果损失函数对前次迭代时调整得到的模型参数进行梯度调整,得到所述用户推荐模型的第二模型参数。
10.根据权利要求9所述的方法,其特征在于,所述基于各推荐效果值构建推荐效果损失函数包括:
根据各推荐效果值生成推荐效果累积函数;
通过生成的推荐效果累积函数确定最大推荐效果累积值;
基于最大推荐效果累积值构建推荐效果损失函数。
11.根据权利要求10所述的方法,其特征在于,所述最大推荐效果累积值通过以下公式得到:
其中,y表示迭代过程中的最大推荐效果累积值;γ为折扣函数,且0<γ<1;r(kt+1,kt)表示将第t次迭代调整得到的推荐用户标识集kt,经过第t+1次迭代调整得到的推荐用户标识集kt+1时,对应的推荐效果值;Q(kt+1)表示推荐用户标识集kt+1对应的推荐效果累积值;
所述推荐效果损失函数通过以下公式构建得到:
L=(y-Q(kt))2
其中,L为损失函数值,y表示迭代过程中的最大推荐效果累积值,Q(kt)表示推荐用户标识集kt对应的推荐效果累积值。
12.一种数据推荐装置,其特征在于,所述装置包括:
用户数据获取模块,用于获取各用户标识各自对应的用户数据;
用户特征生成模块,用于通过第一迭代处理生成与各所述用户标识各自对应的用户特征,且在每次迭代时,基于所述用户数据调整前次迭代时调整所得到的用户特征,直到满足第一迭代停止条件时停止迭代;
用户集推荐模块,用于通过第二迭代处理确定推荐用户标识集,且在每次迭代时,基于各所述用户特征调整前次迭代时调整所得到的推荐用户标识集,直到满足第二迭代停止条件时停止迭代;
数据推荐模块,用于按照确定的推荐用户标识集进行数据推荐。
13.一种数据模型训练装置,其特征在于,所述装置包括:
样本数据获取模块,用于获取各样本用户标识各自对应的样本用户数据;
第一参数生成模块,用于通过第一迭代训练确定用户特征生成模型对应的第一模型参数和各样本用户标识对应的样本用户特征,且在每次迭代时,基于所述样本用户数据调整前次迭代时调整得到的模型参数和样本用户特征,直到满足第一训练停止条件时停止训练;
第二参数确定模块,用于以所述第一模型参数作为用户推荐模型的前次迭代时调整得到的模型参数,通过第二迭代训练确定所述用户推荐模型对应的第二模型参数,且在每次迭代时,基于所述样本用户特征调整前次迭代时调整得到的模型参数,直到满足第二训练停止条件。
14.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至12中任一项所述方法的步骤。
15.一种存储有计算机程序的存储介质,所述计算机程序被处理器执行时,使得处理器执行如权利要求1至12中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810594490.0A CN108804670B (zh) | 2018-06-11 | 2018-06-11 | 数据推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810594490.0A CN108804670B (zh) | 2018-06-11 | 2018-06-11 | 数据推荐方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108804670A true CN108804670A (zh) | 2018-11-13 |
CN108804670B CN108804670B (zh) | 2023-03-31 |
Family
ID=64088384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810594490.0A Active CN108804670B (zh) | 2018-06-11 | 2018-06-11 | 数据推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108804670B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110795625A (zh) * | 2019-10-25 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 推荐方法、装置、计算机设备及存储介质 |
WO2021143023A1 (zh) * | 2020-01-16 | 2021-07-22 | 平安科技(深圳)有限公司 | 对象推荐方法、装置、电子设备及计算机可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2942057A1 (fr) * | 2009-02-11 | 2010-08-13 | Vinh Ly | Procede de recherche iterative de donnees |
CN102508907A (zh) * | 2011-11-11 | 2012-06-20 | 北京航空航天大学 | 一种基于训练集优化的推荐系统的动态推荐方法 |
US20120284069A1 (en) * | 2011-05-04 | 2012-11-08 | Sony Corporation | Method for optimizing parameters in a recommendation system |
US20130086082A1 (en) * | 2011-09-29 | 2013-04-04 | Postech Academy-Industry Foundation | Method and system for providing personalization service based on personal tendency |
US20170098236A1 (en) * | 2015-10-02 | 2017-04-06 | Yahoo! Inc. | Exploration of real-time advertising decisions |
US20170228659A1 (en) * | 2016-02-04 | 2017-08-10 | Adobe Systems Incorporated | Regularized Iterative Collaborative Feature Learning From Web and User Behavior Data |
CN108132963A (zh) * | 2017-11-23 | 2018-06-08 | 广州优视网络科技有限公司 | 资源推荐方法和装置、计算设备和存储介质 |
-
2018
- 2018-06-11 CN CN201810594490.0A patent/CN108804670B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2942057A1 (fr) * | 2009-02-11 | 2010-08-13 | Vinh Ly | Procede de recherche iterative de donnees |
US20120284069A1 (en) * | 2011-05-04 | 2012-11-08 | Sony Corporation | Method for optimizing parameters in a recommendation system |
US20130086082A1 (en) * | 2011-09-29 | 2013-04-04 | Postech Academy-Industry Foundation | Method and system for providing personalization service based on personal tendency |
CN102508907A (zh) * | 2011-11-11 | 2012-06-20 | 北京航空航天大学 | 一种基于训练集优化的推荐系统的动态推荐方法 |
US20170098236A1 (en) * | 2015-10-02 | 2017-04-06 | Yahoo! Inc. | Exploration of real-time advertising decisions |
US20170228659A1 (en) * | 2016-02-04 | 2017-08-10 | Adobe Systems Incorporated | Regularized Iterative Collaborative Feature Learning From Web and User Behavior Data |
CN108132963A (zh) * | 2017-11-23 | 2018-06-08 | 广州优视网络科技有限公司 | 资源推荐方法和装置、计算设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
俞春花等: "隐式反馈场景中融合社交信息的上下文感知推荐", 《计算机科学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110795625A (zh) * | 2019-10-25 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 推荐方法、装置、计算机设备及存储介质 |
CN110795625B (zh) * | 2019-10-25 | 2021-11-23 | 腾讯科技(深圳)有限公司 | 推荐方法、装置、计算机设备及存储介质 |
WO2021143023A1 (zh) * | 2020-01-16 | 2021-07-22 | 平安科技(深圳)有限公司 | 对象推荐方法、装置、电子设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108804670B (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902708B (zh) | 一种推荐模型训练方法及相关装置 | |
CN104408640B (zh) | 应用软件推荐方法及装置 | |
CN104881798A (zh) | 基于商品图像特征的个性化搜索装置及方法 | |
CN110287420B (zh) | 一种信息推荐系统的训练方法及装置 | |
CN104850567A (zh) | 一种识别网络用户之间关联关系的方法和装置 | |
CN106022892A (zh) | 信用评分模型的更新方法及系统 | |
CN107402961B (zh) | 一种推荐方法及装置,电子设备 | |
CN108804670A (zh) | 数据推荐方法、装置、计算机设备和存储介质 | |
CN109754135B (zh) | 信用行为数据处理方法、装置、存储介质和计算机设备 | |
CN116629937A (zh) | 营销策略推荐方法及装置 | |
CN110213660B (zh) | 节目的分发方法、系统、计算机设备和存储介质 | |
Nguyen-Thanh et al. | Recommendation system-based upper confidence bound for online advertising | |
CN107798457A (zh) | 投资组合方案推荐方法、装置、计算机设备和存储介质 | |
CN110516060A (zh) | 用于确定问题答案的方法及问答装置 | |
KR20170036874A (ko) | 사용자 성향을 고려한 소셜 이벤트 추천 방법 및 장치 | |
CN111222553A (zh) | 机器学习模型的训练数据处理方法、装置和计算机设备 | |
CN110415044A (zh) | 作弊检测方法、装置、设备及存储介质 | |
CN105989005B (zh) | 一种信息的推送方法及装置 | |
CN104573132B (zh) | 歌曲查找方法及装置 | |
CN108074122A (zh) | 产品试用推荐方法、装置及服务器 | |
KR101620659B1 (ko) | 협업 필터링을 위한 emd 기반 유사 사용자 선별 방법 | |
CN108334452A (zh) | 规则数据移交测试方法、装置、计算机设备和存储介质 | |
CN110659517A (zh) | 数据验证方法、装置、计算机设备和存储介质 | |
CN113327154B (zh) | 基于大数据的电商用户讯息推送方法及系统 | |
CN109543177A (zh) | 消息数据处理方法、装置、计算机设备和存储介质 |
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 |