CN108848152B - 一种对象推荐的方法及服务器 - Google Patents
一种对象推荐的方法及服务器 Download PDFInfo
- Publication number
- CN108848152B CN108848152B CN201810583535.4A CN201810583535A CN108848152B CN 108848152 B CN108848152 B CN 108848152B CN 201810583535 A CN201810583535 A CN 201810583535A CN 108848152 B CN108848152 B CN 108848152B
- Authority
- CN
- China
- Prior art keywords
- user
- information
- objects
- module
- user characteristic
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000009466 transformation Effects 0.000 claims abstract description 56
- 238000013507 mapping Methods 0.000 claims abstract description 35
- 239000013598 vector Substances 0.000 claims description 107
- 230000006870 function Effects 0.000 claims description 61
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000001914 filtration Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 208000025967 Dissociative Identity disease Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000000968 intestinal effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
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
- H04L67/55—Push-based network services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/52—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail for supporting social networking services
-
- 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
- H04L67/51—Discovery or management thereof, e.g. service location protocol [SLP] or web services
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种对象推荐的方法。本申请实施例方法包括:获取第一对象集合中的对象所对应的第一历史视频信息,第一对象集合中的对象为用户特征信息不完善的对象;将第一历史视频信息通过变换函数映射到所对应的对象的用户特征信息,变换函数为:通过第二对象集合中的对象所对应的用户特征信息,及所对应的第二历史视频信息的映射关系得到的,第二对象集合中的对象为用户特征信息完善的对象;根据至少两个用户特征信息确定至少两个用户特征信息所对应的对象之间的相似度;根据相似度进行对象之间的推荐。本申请实施例还提供了一种服务器,用于提高推荐对象功能的准确度。
Description
技术领域
本申请涉及计算机应用领域,尤其涉及一种对象推荐的方法及服务器。
背景技术
在当前互联网时代,交友已经不仅仅是线下相熟人的专属,以互联网为背景,通过一些应用,人与人之间也可以建立线上的好友关系,消除了地域的限制,使很多志同道合的人成为朋友。
当前很多社交应用都有会好友推荐功能,系统为用户推荐好友,但是推荐好友的基础是基于大量的用户特征信息,用户特征信息可以包括用户兴趣,爱好,性别,所属地域等等,当前的技术中,获取用户特征信息的方法是,需要用户填写个人信息表,通过用户填写的个人信息表来获取用户特征信息,但是,用户主观往往不愿意填写这些个人信息或者仅仅填写少量的个人信息,从而造成用户特征信息获取困难。
用户特征信息的获取困难,造成了好友推荐功能推荐准确度差。
发明内容
本申请实施例提供了一种对象推荐的方法及服务器,用于提高推荐对象功能的准确度。
第一方面,本申请实施例提供了一种对象推荐的方法,包括:
获取第一对象集合中的对象所对应的第一历史视频信息,所述第一对象集合中的对象为用户特征信息不完善的对象;
将第一历史视频信息通过变换函数映射到所对应的对象的用户特征信息,所述变换函数为:通过第二对象集合中的对象所对应的用户特征信息,及所对应的第二历史视频信息的映射关系得到的,所述第二对象集合中的对象为用户特征信息完善的对象;
根据至少两个用户特征信息确定所述至少两个用户特征信息所对应的对象之间的相似度;
根据所述相似度进行对象之间的推荐。
第二方面,本申请实施例中提供了一种服务器,包括:
获取模块,用于获取第一对象集合中的对象所对应的第一历史视频信息,所述第一对象集合中的对象为用户特征信息不完善的对象;
映射模块,用于将所述获取模块获取的所述第一历史视频信息通过变换函数映射到所对应的对象的用户特征信息,所述变换函数为:通过第二对象集合中的对象所对应的用户特征信息,及所对应的第二历史视频信息的映射关系得到的,所述第二对象集合中的对象为用户特征信息完善的对象;
第一确定模块,用于根据所述映射模块得到的至少两个用户特征信息确定所述至少两个用户特征信息所对应的对象之间的相似度;
推荐模块,用于根据所述第一确定模块确定的所述相似度进行对象之间的推荐。
第三方面,本申请实施例中提供了一种服务器,包括:
存储器,用于存储计算机可执行程序代码;
网络接口,以及
处理器,与所述存储器和所述收发器耦合;
其中所述程序代码包括指令,当所述处理器执行所述指令时,所述指令使所述服务器执行上述第一方面所述的方法。
第四方面,本申请实施例提供了一种计算机存储介质,用于储存服务器所用的计算机软件指令,其包含用于执行上述第一方面所述的方法。
本申请实施例中,可以通过第二对象集合中的用户特征信息完善的对象所对应的用户特征信息,及每个对象所对应的第二历史视频信息的映射关系得到的变换函数,然后通过该变换函数将用户特征信息不完善的对象所对应的第一历史视频信息作为输入,输出该对象对应的用户特征信息,可根据至少两个用户特征信息确定所述至少两个用户特征信息所对应的对象之间的相似度;根据所述相似度进行对象之间的推荐,本申请实施例中不需要用户填写个人信息表的方式来获取用户特征信息,可以通过用户所观看的视频获取该用户的用户特征信息,从而根据用户特征信息之间的相似度来为用户推荐其他用户,提供了一种在用户特征信息缺失的情况下,快速进行对象推荐的方法,提高了推荐对象的准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本申请实施例中一种推荐系统的示意图;
图2为本申请实施例中一种对象推荐的方法的一个实施例的步骤流程示意图;
图3为本申请实施例中第一对象对应的用户设备显示推荐的对象的场景示意图;
图4为本申请实施例中一种对象推荐的方法的另一个实施例的步骤流程示意图;
图5为本申请实施例中一种对象推荐的方法的一个场景示意图;
图6为本申请实施例中一种服务器的一个实施例的结构示意图;
图7为本申请实施例中一种服务器的另一个实施例的结构示意图;
图8为本申请实施例中一种服务器的另一个实施例的结构示意图;
图9为本申请实施例中一种服务器的另一个实施例的结构示意图;
图10为本申请实施例中一种服务器的另一个实施例的结构示意图。
具体实施方式
本申请实施例提供了一种对象推荐的方法及服务器,用于提高推荐对象功能的准确度。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了方便理解,首先对本申请实施例中的词语进行说明。
对象:对应一个用户,该对象可以为用户登录账号,用户标识等,如用户的电话号码,用户的QQ账号等等,每个对象用于标识一个用户。任意一个对象使用p表示,对象空间(以下也称为“对象集合”)表示为Ρ,显然p∈Ρ。
历史视频信息:服务器记录的当前时刻之前的每个对象所对应的视频,每个对象标识一个用户,即在服务器端记录了每个用户所观看的历史视频,本申请实施例中,该历史视频信息可以用向量来表示。
每个视频都有所属的类别,例如,该类别包括新闻类,记录类,电影类体育类等等,将类别进行排序,用户观看第j类视频的数量记为xj,也即一个对象所对应的视频数量记为xj,那么用户观看全部类别视频的数量可以记为:该向量即为历史向量,其纬度n等于视频类别的数量。
用户特征信息:包括但不限定于用户的个人属性信息和人格属性信息,其中该人格属性信息是可以根据个人属性信息得到的。例如,该个人属性信息包括但不限定于用户的兴趣,爱好,所属地域,职业,职位,喜欢的书籍,喜欢的颜色等等。其中,人格属性信息为采用九型人格的方式对用户进行分类,人格类型可以为完美型、全爱型、成就型、艺术型、理智型、忠诚型、活跃型、领袖型、和平型。用户在每个人格上都有相应的程度,该程度可以用程度值来表示,例如,该程度值可以用0到5这6个数值进行表示,其中,0代表用户没有该人格特性,从0到5表示程度依次增大。该用户特征信息可以用向量表示。
不完善的用户特征信息:在服务器端,记录了对象的部分个人属性信息,或者,没有记录个人属性信息,即也没有得到该对象的人格属性信息。
完善的用户特征信息:在服务器端,记录了对象的大部分个人属性信息,服务器可以将该大部分个人属性信息映射到人格属性信息,该大部分人格属性信息可以较为准确的映射到人格属性信息。
相似度:即描述两个用户的相似程度,其值为非负数。这里可以用映射r:Ρ×Ρ→R*表述该关系。用户A和用户B的相似度可以记为r(pA,pB)∈R*pA,pB∈Ρ。该值越大,表示两个用户的相似程度越高。该相似度是指用户特征信息的相似程度,相似程度越高表明两个用户的人格属性越相似。
本申请实施例中提供了一种对象推荐的方法,该方法应用于一种对象推荐的系统,请参阅图1所示,图1为对象推荐的系统的示意图,该系统包括服务器101和用户设备102,该用户设备102可以为手机,电视,掌上电脑,电脑等。该用户设备102接收用户的操作,用户设备102根据用户的操作向服务器101发送视频请求,服务器101根据该视频请求向用户设备102反馈对象的视频信息,该服务器101用于记录每个用户所观看的视频信息,将对象与用户所观看的视频信息建立映射关系,服务器101获取第一对象集合中的对象所对应的第一历史视频信息,所述第一对象集合中的对象为用户特征信息不完善的对象;服务器101将第一历史视频信息通过变换函数映射到所对应的对象的用户特征信息,所述变换函数为:通过第二对象集合中的对象所对应的用户特征信息,及所对应的第二历史视频信息的映射关系得到的,所述第二对象集合中的对象为用户特征信息完善的对象;然后服务器101可根据至少两个用户特征信息确定所述至少两个用户特征信息所对应的对象之间的相似度;根据所述相似度进行对象之间的推荐。例如,对象m与对象n的相似度大于阈值,对象m与对象d的相似度大于阈值,则将对象n和对象d向对象m推荐。
本申请实施例中,可以通过第二对象集合中的用户特征信息完善的对象所对应的用户特征信息,及每个对象所对应的第二历史视频信息的映射关系得到的变换函数,然后通过该变换函数将用户特征信息不完善的对象所对应的第一历史视频信息作为输入,输出该对象对应的用户特征信息,可根据至少两个用户特征信息确定所述至少两个用户特征信息所对应的对象之间的相似度;根据所述相似度进行对象之间的推荐,本申请实施例中不需要用户填写个人信息表的方式来获取用户特征信息,可以通过用户所观看的视频获取该用户的用户特征信息,从而根据用户特征信息之间的相似度来为用户推荐其他用户,提供了一种在用户特征信息缺失的情况下,快速进行对象推荐的方法,提高了推荐对象的准确度。
请参阅图2所示,本申请实施例提供了一种对象推荐的方法,本实施例中以服务器为执行主体进行说明。
步骤201、获取第一对象集合中的对象所对应的第一历史视频信息,所述第一对象集合中的对象为用户特征信息不完善的对象。
该第一对象集合为服务器记录的所有的用户特征信息不完善的对象,或者该第一对象集合为所有的用户特征信息不完善的对象中的部分对象,该第一对象集合中包括的对象的数量为大于或者等于1的正整数。该第一对象集合中的对象为用户特征信息不完善的对象,例如,该第一对象集合中的对象并没有关联的个人属性信息。
该第一历史视频信息可以以历史视频向量的形式进行表示。
步骤202、将第一历史视频信息通过变换函数映射到所对应的对象的用户特征信息,所述变换函数为:通过第二对象集合中的对象所对应的用户特征信息,及所对应的第二历史视频信息的映射关系得到的,所述第二对象集合中的对象为用户特征信息完善的对象。
该变换函数可以记作F:X→Y,F为历史视频信息到用户特征信息的变换,这里假定其为线性变换。该变换函数是根据用户特征信息完善的对象,及该对象对应的第二历史视频信息预先得到的。
步骤203、根据至少两个用户特征信息确定所述至少两个用户特征信息所对应的对象之间的相似度。
确定第一对象,该第一对象为需要向其推荐好友的对象。
若所述第一对象与待推荐的第二对象之间的相似度大于阈值,则将所述第二对象推荐给第一对象。该第二对象为待被推荐的对象。
在一个示例中,该第一对象属于第一对象集合,第二对象属于第一对象集合或第二对象集合。
在另一个示例中,该第一对象属于第二对象集合,该第二对象属于第一对象集合或属于第二对象集合。
具体的,在一个具体的示例中,该第一对象对应用户A,系统的目标是向其推荐10个用户,即向第一对象推荐10个第二对象。需要说明的是,本示例中为第一对象推荐的第二对象的数量只是举例说明,并不造成对本申请的限定性说明。
1、设PA为Ρ的一个子集,PA用于表示用户A,即第一对象,P为包括所有对象的集合,例如,该P包括第一对象集合和第二对象集合的合集,该PA的初始值为PA={pA},即只包含第一对象(用户A)本身。设RA为推荐对象的结果集,其初始值为
2、从(Ρ-PA)随机选取100个对象,组成A的邻域集U(pA),即该U(pA)为待推荐对象的候选集,即包括了100个对象,本示例中对于候选集中的对象数量仅为示例性说明,并不造成对本申请的限定性说明。
3、对于任意属于U(pA)的第二对象B,(即对应用户B),计算第一对象(用户A)的用户特征信息与第二对象(用户B)的用户特征信息之间的相似度r(pA,pB),首先,选择相似度大于0的对象,构成新的集合
所述用户特征信息为用户特征向量,所述用户特征向量包括所述对象在多个人格类型上每个人格类型所对应的程度值;所述至少两个用户特征信息包括第一用户特征向量(如,用户A的用户特征向量)和第二用户特征向量(如,用户B的用户特征向量),根据所述第一用户特征向量的转置、第二用户特征向量及权重矩阵计算所述第一用户特征向量和所述第二特征向量的相似度,所述权重矩阵为根据人格类型之间的相似指数得到的。
计算两个对象的相似度的方法具体如下:
该W权重矩阵如下:
该矩阵的产生基于如下三点:
1)同种人格类型产生较强的相似指数,权重为2。
2)同类人格类型(非同种)的属性产生较弱的相似指数,权重为1。
3)非同类(包含非同种)的属性没有相似性,权重为0。
同类人格的划分方式如下:
思考主导:第五型人格(理智型:博学多闻者),第六型人格(忠诚型:
谨慎忠诚者),第七型人格(活跃型:勇于尝新者)
感情主导:第二型人格(全爱型:古道热肠者),第三型人格(成就型:成就至上者),第四型人格(艺术型)。
本能主导:第八型人格(领袖型:天生领导者),第九型人格(和平型:向往和平者),第一型人格(完美型:理想崇高者)。
4、通过r和pA构造一元函数u(pB)=r(pA,pB)。即建立r和pA的关联关系。
5、根据提取函数计算推荐对象的结果集RA;其中,提取函数为:π:<S,u,n>→P(S),其中,S为被操作集合,u是定义在S上的一元函数,形式可以为u:S→R,n为需要提取的数量,P(S)为集合S的幂集合。对于S中任意元素e,计算u(e),选择最大n个元素构成一个新的集合,显然它是S的一个子集,可以表述为
通过该公式不断的筛选推荐对象的结果集,来其中,RAn为第n次筛选的结果集,RA(n+1)为第n+1次的结果集,n为自然数,为被操作的函数,例如,在第一次的筛选中,当n为0时,RAn为初始值,即RAn为空集,RA(n+1)为第一次筛选的结果集,例如当第一次筛选的结果集包括2个第二对象,那么在计算第二次筛选的结果集的时,需要合并上第一次筛选的2个第二对象,第二筛选的结果集为6个。
6、如果|RA(n+1)|<10,则跳转到步骤2。如果|RA(n+1)|=10,则退出流程。
即最后求得的结果集包括10个第二对象,且该10个第二对象的用户特征信息与第一对象的用户特征信息的相似度均大于阈值。
步骤204、根据所述相似度进行对象之间的推荐。
请参阅图3,图3为第一对象对应的用户设备显示推荐的对象的场景示意图。将这个10个第二对象向第一对象推荐,即将该10个第二对象发送到第一对象对应的用户设备,该用户设备展示该10个第二对象。
本申请实施例中,可以通过第二对象集合中的用户特征信息完善的对象所对应的用户特征信息,及每个对象所对应的第二历史视频信息的映射关系得到的变换函数,然后通过该变换函数将用户特征信息不完善的对象所对应的第一历史视频信息作为输入,输出该对象对应的用户特征信息,可根据至少两个用户特征信息确定所述至少两个用户特征信息所对应的对象之间的相似度;根据所述相似度进行对象之间的推荐,本申请实施例中不需要用户填写个人信息表的方式来获取用户特征信息,可以通过用户所观看的视频获取该用户的用户特征信息,从而根据用户特征信息之间的相似度来为用户推荐其他用户,提供了一种在用户特征信息缺失的情况下,快速进行对象推荐的方法。
请参阅图4所示,本申请实施例提供了一种对象推荐的方法的另一个实施例,本实施例与图2对应的实施例的区别在于,在步骤201之前,还可以包括本实施例中的确定变换函数的步骤。该确定变换函数的步骤可以是离线计算,也可以是在线计算,具体的并不限定,本实施例中通过第二对象集中的对象的历史视频信息与用户特征信息的映射,得到历史视频信息到用户特征信息的变换函数,本申请实施例中,第二对象集合中的对象所对应的历史视频信息与用户特征信息可以理解为用于得到变换函数的样本数据,本实施例中描述了得到该变换函数的具体方式。
步骤401、确定第二对象集合中的每个对象的用户特征信息。
该用户特征信息为用户特征向量,确定所述第二对象集合中每个对象所对应的M个历史视频所归属的N个视频类别,所述M为大于或者等于所述N的正整数;对所述N个视频类别进行排序,得到第二历史视频向量。
步骤402、确定所述第二对象集合中每个对象对应的第二历史视频信息;
获取多个人格类型,所述多个人格类型中的每个人格类型用于表示对象所具有的人格属性;确定第二对象集合中每个对象对应的用户特征向量,所述用户特征向量包括所述对象在多个人格类型上每个人格类型所对应的程度值。例如,该第二历史向量可以记为:n等于视频类别的数量。
需要说明的是,步骤401和步骤402没有时序上的限制,即步骤402页可以在步骤401之前。
步骤403、采用高维最小二乘拟合估计算法确定每个对象所对应的所述第二历史视频信息到所述用户特征信息的变换函数。
设F为线性变换,因此可以将F表述为如下矩阵形式:
假定有S个起始数据对(Xj,Yj)1≤j≤S。S个起始数据对的向量表示如下:其中,C第二对象集合历史视频向量,D为第二对象集合中的用户特征向量,n和m均表示向量的列数,然后,根据高维最小乘拟合可以得出:F=(CTC)- 1CTD,其中,()-1表示逆矩阵,()T表示转置。
步骤404、获取第一对象集合中的对象所对应的第一历史视频信息,所述第一对象集合中的对象为用户特征信息不完善的对象。
步骤405、将第一历史视频信息通过变换函数映射到所对应的对象的用户特征信息。
步骤406、根据至少两个用户特征信息确定所述至少两个用户特征信息所对应的对象之间的相似度。
步骤407、根据所述相似度进行对象之间的推荐。
需要说明的是,步骤404至步骤407请参阅图2对应的实施例中的步骤201至步骤204进行理解,此处不赘述。
步骤408、对变换函数进行修正,得到修正后的变换函数。
接收用户设备反馈的对于对象的选择信息,该选择信息包括具体的选择的对象,根据所述选择信息对所述第二对象集合进行更新,得到第三对象集合;该第三对象集合为在第二对象集合的基础上去掉对象没有选择的对象,增加新的对象,且该对象也为用户特征向量完善的对象,然后,确定第三对象集合中的每个对象的用户特征向量,及每个对象对应的第三历史视频向量;根据所述用户特征向量到对应的第三历史视频向量的映射,得到修正后的变换函数。
F的准确性依赖于初始的数据集(即第二对象集合中每个对象的用户特征向量及历史特征向量)大小,在初始数据集较小的情况下,其精度难以保证。在推荐系统中引入反馈机制,在很长的一段时间内,设被用户A删除或者未被联系的用户(这部分用户不一定是由推荐系统产生)集合为然后选取其中在TV端存在观看历史的用户集合 认为是与第一对象(用户A)不融洽的用户(不相似的用户),pE为增加的新的样本点,φ(pE)表示新的样本点的集合,该集合包括样本点E,下面根据这些用户构造一个新的可信的样本点E,样本点用如下式进行表示:
E=<XE,YE>
其中,XE表示新增加的样本点的历史视频向量,且XE取的是这些与第一对象(用户A)不融洽用户的历史向量的平均值,即用如下式进行表示:
而样本点E(用户E,对应第二对象E)的用户特征向量则选取的是与第一对象(用户A)的用户特征向量的互补向量。即样本点E的用户特征向量表示如下:
如果将样本点E添加到原始的数据样本点中,得到第三对象集合,根据第三对象集合中的对象的用户特征向量和历史视频向量,将计算得到一个新的F,这里记录为F(2)。同样的,如果再次增加新的样本点,又可以得到F(3)。依次类推,我们给出如下的递归形式:
为了方便描述,将新增加的样本点记为<ΔX,ΔY>。下面给出ΔF的计算公式:
为了便于编程计算,导出如下的完整的递归形式:
G(1)=(CTC)-1, 式1;
H(1)=CTD, 式2;
K(n)=(C(n)TC(n))ΔX(n), 式3;
g(n)=ΔX(n)TG(n)-1ΔX(n), 式4;
H(n+1)=H(n)+ΔX(n)ΔY(n), 式6;
F(n+1)=G(n+1)H(n+1), 式7;
在上述7个式子中,将上述式1,式2、式3、式4带入到式5,得到G(n+1),将式1和式2带入到式6,得到H(n+1),根据式5和式6得到式7。
该递归形式给出了计算第n次迭代时的F,只需要依赖上一次的数据和当前添加的样本点。
本申请实施例中,第二对象集合中的对象具有完善的用户特征信息,对应有历史视频信息,可以通过用户特征信息和历史视频信息得到变换函数F,并且对变换函数F,进行迭代修正,提高变换函数的准确性,从而可以提高对象的历史视频信息到用户特征信息的映射的准确率,进而提高推荐对象的准确率。
为了理解本申请,在一个应用场景中,请参阅图5,图5为本申请实施例中的场景示意图。
视频用户包括两类,个人信息完善的用户对应的观看历史视频,和个人信息不完善的用户所观看的历史视频,将完善的个人信息映射到个人人格属性信息(即人格类型),本申请实施例中通过个人信息完善的用户的历史视频,及个人格属性信息(即人格类型)的高维最小二乘拟合得到F的初始值,服务器可以根据F和对象对应的历史视频得到对象对应的用户特征向量。
若推荐系统需要为用户A推荐好友,选择100个对象(用户)作为候选集,这100个对象为用户个人信息不完善的对象,这100个对象对应100个用户,服务器记录了这100个用户所观看的历史视频,服务器可以将待推荐的对象的历史视频向量作为F的输入,通过F输出这100个用户所对应的用户特征向量,例如,这100个用户包括用户B,服务器根据用户A的用户特征向量和用户B的用户特征向量计算用户A的用户特征向量和用户B的用户特征向量的相似度,即也可以理解为确定了用户A和用户B的相似度,若该相似度大于阈值,则将该用户B向用户A推荐,例如,直到向用户A推荐了10用户,则退出流程。
在推荐系统中引入反馈机制,例如,服务器为用户A推荐了10个用户,服务器接收到用户A的用户设备的反馈,即用户A删除了10个用户中的3个用户,且另外有2个用户一直都没有联系,也就是说服务器推荐的用户可能不准确,服务器根据用户设备反馈的情况,对计算F的数据集中增加新的样本点,对F进行迭代修正,以提高F的准确性,进而提高计算相似度的准确性。
请参阅图6所示,提供了一种服务器的一个实施例,该服务器包括执行图2和图4方法实施例中各步骤的模块。该服务器600包括:
获取模块601,用于获取第一对象集合中的对象所对应的第一历史视频信息,所述第一对象集合中的对象为用户特征信息不完善的对象;
映射模块602,用于将所述获取模块601获取的所述第一历史视频信息通过变换函数映射到所对应的对象的用户特征信息,所述变换函数为:通过第二对象集合中的对象所对应的用户特征信息,及所对应的第二历史视频信息的映射关系得到的,所述第二对象集合中的对象为用户特征信息完善的对象;
第一确定模块603,用于根据所述映射模块602得到的至少两个用户特征信息确定所述至少两个用户特征信息所对应的对象之间的相似度;
推荐模块604,用于根据所述第一确定模块603确定的所述相似度进行对象之间的推荐。
请参阅图7所示,在图6对应的实施例的基础上,本申请实施例还提供了一种服务器700的另一个实施例,该服务器还包括第二确定模块605和计算模块606;
所述第二确定模块605,用于确定第二对象集合中的每个对象的用户特征信息;
所述获取模块601,还用于确定所述第二对象集合中每个对象对应的第二历史视频信息;
所述计算模块606,还用于采用高维最小二乘拟合估计算法确定每个对象所对应的所述获取模块601获取的所述第二历史视频信息到所述第二确定模块605确定的所述用户特征信息的变换函数。
所述用户特征信息为用户特征向量;
所述第二确定模块605,还用于获取多个人格类型,所述多个人格类型中的每个人格类型用于表示对象所具有的人格属性;确定第二对象集合中每个对象对应的用户特征向量,所述用户特征向量包括所述对象在多个人格类型上每个人格类型所对应的程度值。
请参阅图8所示,在图7对应的实施例的基础上,本申请实施例还提供了一种服务器800的另一个实施例,所述获取模块601还包括确定单元6011和排序单元6012;
所述确定单元6011,还用于确定所述第二对象集合中每个对象所对应的M个历史视频所归属的N个视频类别,所述M为大于或者等于所述N的正整数;
所述排序单元6012,还用于对所述确定单元6011确定的所述N个视频类别进行排序,得到第二历史视频向量。
请参阅图9所示,在图6对应的实施例的基础上,本申请实施例还提供了一种服务器900的另一个实施例,所述变换函数为修正后的变换函数,所述服务器还包括:接收模块606,更新模块607,第三确定模块608和修正模块609;
所述接收模块606,用于接收用户设备反馈的对于对象的选择信息;
所述更新模块607,用于根据所述接收模块606接收的所述选择信息对所述第二对象集合进行更新,得到第三对象集合;
所述第三确定模块608,用于确定所述更新模块607更新的所述第三对象集合中的每个对象的用户特征向量,及每个对象对应的第三历史视频向量;
所述修正模块609,用于根据所述第三确定模块608确定的所述用户特征向量到对应的第三历史视频向量的映射,得到修正后的变换函数。
在另一个可能的实现方式中,所述用户特征信息为用户特征向量,所述用户特征向量包括所述对象在多个人格类型上每个人格类型所对应的程度值;所述至少两个用户特征信息包括第一用户特征向量和第二用户特征向量;
第一确定模块603,还用于根据所述第一用户特征向量的转置、第二用户特征向量及权重矩阵计算所述第一用户特征向量和所述第二特征向量的相似度,所述权重矩阵为根据人格类型之间的相似指数得到的。
在另一个可能的实现方式中,推荐模块604,还用于确定第一对象;若所述第一对象与待推荐的第二对象之间的相似度大于阈值,则将所述第二对象推荐给第一对象。
本申请实施例中,可以通过第二对象集合中的用户特征信息完善的对象所对应的用户特征信息,及每个对象所对应的第二历史视频信息的映射关系得到的变换函数,然后通过该变换函数将用户特征信息不完善的对象所对应的第一历史视频信息作为输入,输出该对象对应的用户特征信息,可根据至少两个用户特征信息确定所述至少两个用户特征信息所对应的对象之间的相似度;根据所述相似度进行对象之间的推荐,本申请实施例中不需要用户填写个人信息表的方式来获取用户特征信息,可以通过用户所观看的视频获取该用户的用户特征信息,从而根据用户特征信息之间的相似度来为用户推荐其他用户,提供了一种在用户特征信息缺失的情况下,快速进行对象推荐的方法。
图10是本申请实施例提供的一种服务器结构示意图,该服务器1000可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器1022和存储器1032,一个或一个以上存储应用程序1042或数据1044的存储介质1030(例如一个或一个以上海量存储设备)。其中,存储器1032和存储介质1030可以是短暂存储或持久存储。存储在存储介质1030的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,处理器1022可以设置为与存储介质1030通信,在服务器1000上执行存储介质1030中的一系列指令操作。
服务器1000还可以包括一个或一个以上电源1026,一个或一个以上有线或无线网络接口1050,一个或一个以上输入输出接口1058,和/或,一个或一个以上操作系统1041,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述实施例中由服务器所执行的步骤可以基于该图10所示的服务器结构。
处理器1022,还用于使服务器执行如下方法:
在一个可能的实施例中,获取第一对象集合中的对象所对应的第一历史视频信息,所述第一对象集合中的对象为用户特征信息不完善的对象;
将第一历史视频信息通过变换函数映射到所对应的对象的用户特征信息,所述变换函数为:通过第二对象集合中的对象所对应的用户特征信息,及所对应的第二历史视频信息的映射关系得到的,所述第二对象集合中的对象为用户特征信息完善的对象;
根据至少两个用户特征信息确定所述至少两个用户特征信息所对应的对象之间的相似度;
根据所述相似度进行对象之间的推荐。
在一个可能的实施例中,所述将第一历史视频信息通过转换系数映射到所对应的对象的用户特征信息之前,所述方法还包括:
确定第二对象集合中的每个对象的用户特征信息;
确定所述第二对象集合中每个对象对应的第二历史视频信息;
采用高维最小二乘拟合估计算法确定每个对象所对应的所述第二历史视频信息到所述用户特征信息的变换函数。
在一个可能的实施例中,所述用户特征信息为用户特征向量,所述确定第二对象集合中的每个对象的用户特征信息,包括:
获取多个人格类型,所述多个人格类型中的每个人格类型用于表示对象所具有的人格属性;
确定第二对象集合中每个对象对应的用户特征向量,所述用户特征向量包括所述对象在多个人格类型上每个人格类型所对应的程度值。
在一个可能的实施例中,所述确定所述第二对象集合中每个对象对应的第二历史视频信息,包括:
确定所述第二对象集合中每个对象所对应的M个历史视频所归属的N个视频类别,所述M为大于或者等于所述N的正整数;
对所述N个视频类别进行排序,得到第二历史视频向量。
在一个可能的实施例中,所述变换函数为修正后的变换函数,所述方法还包括:
接收用户设备反馈的对于对象的选择信息;
根据所述选择信息对所述第二对象集合进行更新,得到第三对象集合;
确定第三对象集合中的每个对象的用户特征向量,及每个对象对应的第三历史视频向量;
根据所述用户特征向量到对应的第三历史视频向量的映射,得到修正后的变换函数。
在一个可能的实施例中,所述用户特征信息为用户特征向量,所述用户特征向量包括所述对象在多个人格类型上每个人格类型所对应的程度值;所述至少两个用户特征信息包括第一用户特征向量和第二用户特征向量,所述根据至少两个用户特征信息确定所述至少两个用户特征信息所对应的对象之间的相似度,包括:
根据所述第一用户特征向量的转置、第二用户特征向量及权重矩阵计算所述第一用户特征向量和所述第二特征向量的相似度,所述权重矩阵为根据人格类型之间的相似指数得到的。
在一个可能的实施例中,所述根据所述相似度进行对象之间的推荐,包括:
确定第一对象;
若所述第一对象与待推荐的第二对象之间的相似度大于阈值,则将所述第二对象推荐给第一对象。
本申请实施例提供了一种计算机存储介质,其特征在于,用于储存服务器所用的计算机软件指令,其包含用于执行上述方法实施例中服务器所实际执行的方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (14)
1.一种对象推荐的方法,其特征在于,包括:
获取第一对象集合中的对象所对应的第一历史视频信息,所述第一对象集合中的对象为用户特征信息不完善的对象;
将第一历史视频信息通过变换函数映射到所对应的对象的用户特征信息,所述变换函数为:通过第二对象集合中的每个对象所对应的用户特征信息,及所对应的第二历史视频信息的映射关系得到的,所述第二对象集合中的每个对象都为用户特征信息完善的对象;
根据至少两个用户特征信息确定所述至少两个用户特征信息所对应的对象之间的相似度;
根据所述相似度进行对象之间的推荐。
2.根据权利要求1所述的方法,其特征在于,所述获取第一对象集合中的对象所对应的第一历史视频信息之前,所述方法还包括:
确定第二对象集合中的每个对象的用户特征信息;
确定所述第二对象集合中每个对象对应的第二历史视频信息;
采用高维最小二乘拟合估计算法确定每个对象所对应的所述第二历史视频信息到所述用户特征信息的变换函数。
3.根据权利要求2所述的方法,其特征在于,所述用户特征信息为用户特征向量,所述确定第二对象集合中的每个对象的用户特征信息,包括:
获取多个人格类型,所述多个人格类型中的每个人格类型用于表示对象所具有的人格属性;
确定第二对象集合中每个对象对应的用户特征向量,所述用户特征向量包括所述对象在多个人格类型上每个人格类型所对应的程度值。
4.根据权利要求2所述的方法,其特征在于,所述确定所述第二对象集合中每个对象对应的第二历史视频信息,包括:
确定所述第二对象集合中每个对象所对应的M个历史视频所归属的N个视频类别,所述M为大于或者等于所述N的正整数;
对所述N个视频类别进行排序,得到第二历史视频向量。
5.根据权利要求1所述的方法,其特征在于,所述变换函数为修正后的变换函数,所述方法还包括:
接收用户设备反馈的对于对象的选择信息;
根据所述选择信息对所述第二对象集合进行更新,得到第三对象集合;
确定第三对象集合中的每个对象的用户特征向量,及每个对象对应的第三历史视频向量;
根据所述用户特征向量到对应的第三历史视频向量的映射,得到修正后的变换函数。
6.根据权利要求1至5中任一项所述的方法,其特征在于,所述用户特征信息为用户特征向量,所述用户特征向量包括所述对象在多个人格类型上每个人格类型所对应的程度值;所述至少两个用户特征信息包括第一用户特征向量和第二用户特征向量,所述根据至少两个用户特征信息确定所述至少两个用户特征信息所对应的对象之间的相似度,包括:
根据所述第一用户特征向量的转置、第二用户特征向量及权重矩阵计算所述第一用户特征向量和所述第二用户特征向量的相似度,所述权重矩阵为根据人格类型之间的相似指数得到的。
7.根据权利要求1至5中任一项所述的方法,其特征在于,所述根据所述相似度进行对象之间的推荐,包括:
确定第一对象;
若所述第一对象与待推荐的第二对象之间的相似度大于阈值,则将所述第二对象推荐给第一对象。
8.一种服务器,其特征在于,包括:
获取模块,用于获取第一对象集合中的对象所对应的第一历史视频信息,所述第一对象集合中的对象为用户特征信息不完善的对象;
映射模块,用于将所述获取模块获取的所述第一历史视频信息通过变换函数映射到所对应的对象的用户特征信息,所述变换函数为:通过第二对象集合中的每个对象所对应的用户特征信息,及所对应的第二历史视频信息的映射关系得到的,所述第二对象集合中的每个对象为用户特征信息完善的对象;
第一确定模块,用于根据所述映射模块得到的至少两个用户特征信息确定所述至少两个用户特征信息所对应的对象之间的相似度;
推荐模块,用于根据所述第一确定模块确定的所述相似度进行对象之间的推荐。
9.根据权利要求8所述的服务器,其特征在于,还包括第二确定模块和计算模块;
所述第二确定模块,用于确定第二对象集合中的每个对象的用户特征信息;
所述获取模块,还用于确定所述第二对象集合中每个对象对应的第二历史视频信息;
所述计算模块,还用于采用高维最小二乘拟合估计算法确定每个对象所对应的所述获取模块获取的所述第二历史视频信息到所述第二确定模块确定的所述用户特征信息的变换函数。
10.根据权利要求9所述的服务器,其特征在于,所述用户特征信息为用户特征向量;
所述第二确定模块,还用于获取多个人格类型,所述多个人格类型中的每个人格类型用于表示对象所具有的人格属性;确定第二对象集合中每个对象对应的用户特征向量,所述用户特征向量包括所述对象在多个人格类型上每个人格类型所对应的程度值。
11.根据权利要求9所述的服务器,其特征在于,所述获取模块还包括确定单元和排序单元;
所述确定单元,还用于确定所述第二对象集合中每个对象所对应的M个历史视频所归属的N个视频类别,所述M为大于或者等于所述N的正整数;
所述排序单元,还用于对所述确定单元确定的所述N个视频类别进行排序,得到第二历史视频向量。
12.根据权利要求8所述的服务器,其特征在于,所述变换函数为修正后的变换函数,所述服务器还包括:接收模块,更新模块,第三确定模块和修正模块;
所述接收模块,用于接收用户设备反馈的对于对象的选择信息;
所述更新模块,用于根据所述接收模块接收的所述选择信息对所述第二对象集合进行更新,得到第三对象集合;
所述第三确定模块,用于确定所述更新模块更新的所述第三对象集合中的每个对象的用户特征向量,及每个对象对应的第三历史视频向量;
所述修正模块,用于根据所述第三确定模块确定的所述用户特征向量到对应的第三历史视频向量的映射,得到修正后的变换函数。
13.一种服务器,其特征在于,包括:
存储器,用于存储计算机可执行程序代码;
网络接口,以及
处理器,与所述存储器和所述网络接口耦合;
其中所述程序代码包括指令,当所述处理器执行所述指令时,所述指令使所述服务器执行如权利要求1-7中任一项所述的方法。
14.一种计算机存储介质,其特征在于,用于储存服务器所用的计算机软件指令,其包含用于执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810583535.4A CN108848152B (zh) | 2018-06-05 | 2018-06-05 | 一种对象推荐的方法及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810583535.4A CN108848152B (zh) | 2018-06-05 | 2018-06-05 | 一种对象推荐的方法及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108848152A CN108848152A (zh) | 2018-11-20 |
CN108848152B true CN108848152B (zh) | 2021-09-21 |
Family
ID=64211512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810583535.4A Active CN108848152B (zh) | 2018-06-05 | 2018-06-05 | 一种对象推荐的方法及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108848152B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109872242B (zh) * | 2019-01-30 | 2020-10-13 | 北京字节跳动网络技术有限公司 | 信息推送方法和装置 |
CN110232152B (zh) * | 2019-05-27 | 2021-03-23 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、服务器以及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714130A (zh) * | 2013-12-12 | 2014-04-09 | 深圳先进技术研究院 | 视频推荐系统及方法 |
CN105426550A (zh) * | 2015-12-28 | 2016-03-23 | Tcl集团股份有限公司 | 一种基于用户质量模型的协同过滤标签推荐方法及系统 |
CN106354886A (zh) * | 2016-10-18 | 2017-01-25 | 南京邮电大学 | 在推荐系统中利用潜在邻居关系图筛选最近邻居的方法 |
CN107357793A (zh) * | 2016-05-10 | 2017-11-17 | 腾讯科技(深圳)有限公司 | 信息推荐方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2862337B1 (en) * | 2012-06-15 | 2020-03-04 | Alcatel Lucent | Architecture of privacy protection system for recommendation services |
-
2018
- 2018-06-05 CN CN201810583535.4A patent/CN108848152B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714130A (zh) * | 2013-12-12 | 2014-04-09 | 深圳先进技术研究院 | 视频推荐系统及方法 |
CN105426550A (zh) * | 2015-12-28 | 2016-03-23 | Tcl集团股份有限公司 | 一种基于用户质量模型的协同过滤标签推荐方法及系统 |
CN107357793A (zh) * | 2016-05-10 | 2017-11-17 | 腾讯科技(深圳)有限公司 | 信息推荐方法和装置 |
CN106354886A (zh) * | 2016-10-18 | 2017-01-25 | 南京邮电大学 | 在推荐系统中利用潜在邻居关系图筛选最近邻居的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108848152A (zh) | 2018-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2017181612A1 (zh) | 个性化视频推荐方法及装置 | |
CN106326391B (zh) | 多媒体资源推荐方法及装置 | |
CN108287857B (zh) | 表情图片推荐方法及装置 | |
Caicedo et al. | Collaborative personalization of image enhancement | |
CN112364203B (zh) | 电视视频推荐方法、装置、服务器和存储介质 | |
CN112632403B (zh) | 推荐模型的训练方法、推荐方法、装置、设备和介质 | |
CN104053023B (zh) | 一种确定视频相似度的方法及装置 | |
CN110990624B (zh) | 一种视频推荐方法、装置、设备及存储介质 | |
CN111552883B (zh) | 内容推荐方法及计算机可读存储介质 | |
CN107346333B (zh) | 一种基于链路预测的在线社交网络好友推荐方法与系统 | |
CN107545444B (zh) | 一种业务广告数据推荐方法以及装置 | |
CN112232889A (zh) | 一种用户兴趣画像扩展方法、装置、设备及存储介质 | |
JP2018120461A (ja) | 抽出装置、抽出方法及び抽出プログラム | |
CN104933135A (zh) | 一种多媒体数据的聚类方法及装置 | |
US20240248944A1 (en) | Systems and methods for implementing session cookies for content selection | |
CN111949886A (zh) | 一种用于信息推荐的样本数据生成方法和相关装置 | |
CN108848152B (zh) | 一种对象推荐的方法及服务器 | |
CN111241381A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
CN115455280A (zh) | 一种推荐列表确定方法和服务器 | |
CN105260458A (zh) | 一种用于显示装置的视频推荐方法及显示装置 | |
CN112269928B (zh) | 用户推荐方法及装置、电子设备、计算机可读介质 | |
CN112417956A (zh) | 信息推荐方法及装置、电子设备及计算机可读存储介质 | |
CN109327736B (zh) | 一种基于节目观看表情与用户信息的节目推荐方法 | |
CN104954873B (zh) | 一种智能电视视频定制方法及系统 | |
CN111104550A (zh) | 视频推荐方法、装置、电子设备及计算机可读存储介质 |
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 |