CN109033228A - 一种推荐列表的确定方法、装置、服务器及存储介质 - Google Patents
一种推荐列表的确定方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN109033228A CN109033228A CN201810716053.1A CN201810716053A CN109033228A CN 109033228 A CN109033228 A CN 109033228A CN 201810716053 A CN201810716053 A CN 201810716053A CN 109033228 A CN109033228 A CN 109033228A
- Authority
- CN
- China
- Prior art keywords
- list
- candidate
- recommendation list
- current user
- candidate recommendation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013210 evaluation model Methods 0.000 claims description 48
- 238000011156 evaluation Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000008707 rearrangement Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种推荐列表的确定方法、装置、服务器及存储介质。所述方法包括：通过列表生成模型生成当前用户对应的至少一个候选推荐列表；通过列表评估模型对所述当前用户对应的各个候选推荐列表进行评估；根据各个候选推荐列表对应的评估结果确定所述当前用户对应的目标推荐列表。能够综合考虑推荐列表的各个产品指标，从而可以得到最优组合的推荐列表。
Description
技术领域
本发明实施例涉及互联网技术领域，尤其涉及一种推荐列表的确定方法、装置、服务器及存储介质。
背景技术
现有的推荐系统，大部分是从user和item之间的关联度进行考虑，给用户推荐他可能感兴趣的结果。然而，在很多场景下，推荐系统给用户推荐的是多个推荐内容组合成的推荐列表。它需要关注同一个列表内多个结果之间的关联性，比如说在feed流场景下，给用户推荐了15篇文章，文章之间的关联性会影响用户的阅读体验，这包括文章之间的多样性，文章之间的连续性以及用户的个性化强度等。然而，一个真实的产品往往包含很多产品指标，包括：点展比，点击量，展现量，主动刷新次数等，而现有的推荐列表的确定方法，一般是从单个推荐内容的角度来进行排序，这样只能考虑一部分产品指标，例如，点展比或者点击量；而对于展现量和主动刷新次数这种与整个列表相关的产品指标则无法考虑，因为用户是否查看某个推荐内容以及是否刷新继续看其它推荐内容，与单个推荐内容无关，而是与整个推荐列表有关。
在实现本发明的过程中，发明人发现现有技术中至少存在如下问题：
在现有的推荐列表的确定方法中，一般是从单个推荐内容的角度来进行排序，这样只能考虑推荐列表的一部分产品指标，而不能综合考虑推荐列表的各个产品指标，无法得到最优组合的推荐列表。
发明内容
有鉴于此，本发明实施例提供一种推荐列表的确定方法、装置、服务器及存储介质，能够综合考虑推荐列表的各个产品指标，从而可以得到最优组合的推荐列表。
第一方面，本发明实施例提供了一种推荐列表的确定方法，所述方法包括：
通过列表生成模型生成当前用户对应的至少一个候选推荐列表；
通过列表评估模型对所述当前用户对应的各个候选推荐列表进行评估；
根据各个候选推荐列表对应的评估结果确定所述当前用户对应的目标推荐列表。
在上述实施例中，所述通过列表生成模型生成当前用户对应的至少一个候选推荐列表，包括：
通过所述列表生成模型对预先确定的所述当前用户对应的各个候选推荐内容进行打分；
根据各个候选推荐内容对应的打分结果生成所述当前用户对应的至少一个候选推荐列表。
在上述实施例中，所述通过列表生成模型生成当前用户对应的至少一个候选推荐列表，包括：
通过所述列表生成模型建立所述当前用户对应的当前搜索树；
根据所述当前用户对应的当前搜索树生成所述当前用户对应的至少一个候选推荐列表。
在上述实施例中，所述通过列表评估模型对所述当前用户对应的各个候选推荐列表进行评估，包括：
通过所述列表评估模型中的第一子模型和第二子模型分别获取所述当前用户对应的第一类用户信息和第二类用户信息；
通过所述列表评估模型中的第三子模型获取各个候选推荐列表中的候选推荐内容；
根据所述当前用户对应的第一类用户信息和第二类用户信息以及各个候选推荐列表中的候选推荐内容对各个候选列表进行评估。
在上述实施例中，所述根据所述当前用户对应的第一类用户信息和第二类用户信息以及各个候选推荐列表中的候选推荐内容对各个候选列表进行评估，包括：
根据所述当前用户对应的第一类用户信息和第二类用户信息以及各个候选推荐列表中的候选推荐内容，针对预先确定的一个预测目标采用单步预测方式在各个时间步上对各个候选推荐列表中的各个候选推荐内容进行评估，并根据各个候选推荐内容对应的评估结果对各个候选推荐列表进行评估；
根据所述当前用户对应的第一类用户信息和第二类用户信息以及各个候选推荐列表中的候选推荐内容，针对预先确定的一个预测目标采用终步预测方式在最后一个时间步上对各个候选推荐列表中进行评估；
根据所述当前用户对应的第一类用户信息和第二类用户信息以及各个候选推荐列表中的候选推荐内容，针对预先确定的多个预测目标采用多目标预测方式在最后一个时间步上对各个候选推荐列表中进行评估。
第二方面，本发明实施例提供了一种推荐列表的确定装置，所述装置包括：生成模块、评估模块和确定模块；其中，
所述生成模块，用于通过列表生成模型生成当前用户对应的至少一个候选推荐列表；
所述评估模块，用于通过列表评估模型对所述当前用户对应的各个候选推荐列表进行评估；
所述确定模块，用于根据各个候选推荐列表对应的评估结果确定所述当前用户对应的目标推荐列表。
在上述实施例中，所述生成模块，具体用于通过所述列表生成模型对预先确定的所述当前用户对应的各个候选推荐内容进行打分；根据各个候选推荐内容对应的打分结果生成所述当前用户对应的至少一个候选推荐列表。
在上述实施例中，所述生成模块，具体用于通过所述列表生成模型建立所述当前用户对应的当前搜索树；根据所述当前用户对应的当前搜索树生成所述当前用户对应的至少一个候选推荐列表。
在上述实施例中，所述评估模块包括：获取子模块和评估子模块；其中，
所述获取子模块，用于通过所述列表评估模型中的第一子模型和第二子模型分别获取所述当前用户对应的第一类用户信息和第二类用户信息；通过所述列表评估模型中的第三子模型获取各个候选推荐列表中的候选推荐内容；
所述评估子模块，用于根据所述当前用户对应的第一类用户信息和第二类用户信息以及各个候选推荐列表中的候选推荐内容对各个候选列表进行评估。
在上述实施例中，所述评估子模块，具体用于根据所述当前用户对应的第一类用户信息和第二类用户信息以及各个候选推荐列表中的候选推荐内容，针对预先确定的一个预测目标采用单步预测方式在各个时间步上对各个候选推荐列表中的各个候选推荐内容进行评估，并根据各个候选推荐内容对应的评估结果对各个候选推荐列表进行评估；根据所述当前用户对应的第一类用户信息和第二类用户信息以及各个候选推荐列表中的候选推荐内容，针对预先确定的一个预测目标采用终步预测方式在最后一个时间步上对各个候选推荐列表中进行评估；根据所述当前用户对应的第一类用户信息和第二类用户信息以及各个候选推荐列表中的候选推荐内容，针对预先确定的多个预测目标采用多目标预测方式在最后一个时间步上对各个候选推荐列表中进行评估。
第三方面，本发明实施例提供了一种服务器，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所述的推荐列表的确定方法。
第四方面，本发明实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所述的推荐列表的确定方法。
本发明实施例提出了一种推荐列表的确定方法、装置、服务器及存储介质，先通过列表生成模型生成当前用户对应的至少一个候选推荐列表；然后通过列表评估模型对所述当前用户对应的各个候选推荐列表进行评估；再根据各个候选推荐列表对应的评估结果确定所述当前用户对应的目标推荐列表。也就是说，在本发明的技术方案中，可以通过列表评估模型对当前用户对应的各个候选推荐列表进行评估，这样就能够综合考虑推荐列表的各个产品指标。在现有的推荐列表的确定方法中，一般是从单个推荐内容的角度来进行排序，这样只能考虑推荐列表的一部分产品指标，而不能综合考虑推荐列表的各个产品指标。因此，和现有技术相比，本发明实施例提出的推荐列表的确定方法、装置、服务器及存储介质，能够综合考虑推荐列表的各个产品指标，从而可以得到最优组合的推荐列表；并且，本发明实施例的技术方案实现简单方便、便于普及，适用范围更广。
附图说明
图1为本发明实施例一提供的推荐列表的确定方法的流程示意图；
图2为本发明实施例一提供的列表评估模型的组成结构示意图；
图3为本发明实施例二提供的推荐列表的确定方法的流程示意图；
图4为本发明实施例三提供的推荐列表的确定方法的流程示意图；
图5为本发明实施例四提供的推荐列表的确定装置的第一结构示意图；
图6为本发明实施例四提供的推荐列表的确定装置的第二结构示意图；
图7为本发明实施例五提供的服务器的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。
实施例一
图1为本发明实施例一提供的推荐列表的确定方法的流程示意图。如图1所示，推荐列表的确定方法可以包括可以步骤：
S101、通过列表生成模型生成当前用户对应的至少一个候选推荐列表。
在本发明的具体实施例中，服务器可以通过列表生成模型生成当前用户对应的至少一个候选推荐列表。具体地，服务器可以先获取到当前用户对应的候选推荐内容，包括：候选推荐内容1、候选推荐内容2、…、候选推荐内容N；其中，N为大于等于1的自然数；然后服务器可以将当前用户对应的候选推荐内容输入到列表生成模型中，通过列表生成模型可以生成当前用户对应的至少一个候选推荐列表，包括：候选推荐列表1、候选推荐列表2、…、候选推荐列表M；其中，M为大于等于1的自然数。
S102、通过列表评估模型对当前用户对应的各个候选推荐列表进行评估。
在本发明的具体实施例中，服务器可以通过列表评估模型对当前用户对应的各个候选推荐列表进行评估。图2为本发明实施一提供的列表评估模型的组成结构示意图。如图2所示，列表评估模型包括：第一子模型、第二子模型和第三子模型。服务器可以通过列表评估模型中的第一子模型和第二子模型分别获取当前用户对应的第一类用户信息和第二类用户信息；然后通过列表评估模型中的第三子模型获取各个候选推荐列表中的候选推荐内容；最后根据当前用户对应的第一类用户信息和第二类用户信息以及各个候选推荐列表中的候选推荐内容对各个候选列表进行评估。具体地，最左端的单向RNN，是用来建模会话级别的信息的，这部分主要是用来捕获用户的短期兴趣以及阅读模式等等信息，用单向RNN来建模有一个好处，它可以描述这种会话信息的时序关系，从而对用户的短期兴趣及阅读模式有更好的刻画；中间部分是用户的长期兴趣以及场景化信息，这部分主要是用来捕获用户的个性化信息，这些信息与session级别的信息一起结合到一起，作为双向RNN的第一个时间步隐层的初始化；最右端的双向RNN，则是网络评估模型的主体，用于建模当前list的信息，包括item之间的关联信息，这里用双向RNN有一个好处，是因为在一个候选推荐列表中，当前候选推荐内容的状态，不止受到上文的影响，也受到下文的影响，所以双向RNN的特性能够很好的捕获这种上下文关联。这样，就可以将个性化、会话级别信息、候选推荐之间的相互关联信息，以及Position Bias信息在这个列表评估模型中都综合考虑了。
另外，最上层是列表评估模型的产品指标，本发明实施例可以有如下三种产品指标目标的预测方式：第一种是单步预测的方式，这种方式是在RNN的每个时间步上，都会预测当前结果是否会被点击，最终将整个候选推荐列表的所有结果的打分加和起来，作为整个候选推荐列表的点击打分。这种方式的好处是训练的时候，模型得到的更多的指引，因为在每一个时间步都会有信号指示当前的结果是否会被点击。第二种是终步预测的方式，这种方式在每个时间步不会有输出，仅仅在最后一个时间步的时候，会输出整个候选推荐列表的打分，这种方式它不关心每个候选推荐内容单独的打分是多少，只关心整个候选推荐列表的打分是多少。这种方式的好处，是为多目标预测打下基础，因为对于有些目标，是没有办法进行单步预测的，比如展现量；第三种是多目标的预测方式，一个真实产品往往包含很多产品指标，包括点展比，点击量，展现量，留存等等，因此，采用本发明实施例能够对列表级别，甚至会话级别的目标进行预测，这是因为，很多目标，比如展现量，用户是否留存等，与单个候选推荐内容的关系不大，而是与整个候选推荐列表甚至整个会话相关的。如图2所示，可以同时对3个目标进行预测，包括：候选推荐列表的总点击量、总展现量以及是否有后续刷新。
S103、根据各个候选推荐列表对应的评估结果确定当前用户对应的目标推荐列表。
在本发明的具体实施例中，服务器可以根据各个候选推荐列表对应的评估结果确定当前用户对应的目标推荐列表。具体地，服务器可以通过列表评估模型对当前用户对应的各个候选推荐列表进行打分；然后将分数最高的候选推荐列表确定为当前用户对应的目标推荐列表。
本发明实施例提出的推荐列表的确定方法，先通过列表生成模型生成当前用户对应的至少一个候选推荐列表；然后通过列表评估模型对当前用户对应的各个候选推荐列表进行评估；再根据各个候选推荐列表对应的评估结果确定当前用户对应的目标推荐列表。也就是说，在本发明的技术方案中，可以通过列表评估模型对当前用户对应的各个候选推荐列表进行评估，这样就能够综合考虑推荐列表的各个产品指标。在现有的推荐列表的确定方法中，一般是从单个推荐内容的角度来进行排序，这样只能考虑推荐列表的一部分产品指标，而不能综合考虑推荐列表的各个产品指标。因此，和现有技术相比，本发明实施例提出的推荐列表的确定方法，能够综合考虑推荐列表的各个产品指标，从而可以得到最优组合的推荐列表；并且，本发明实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例二
图3为本发明实施例二提供的实体答案的确定方法的流程示意图。如图3所示，实体答案的确定方法可以包括以下步骤：
S301、通过列表生成模型对预先确定的当前用户对应的各个候选推荐内容进行打分。
在本发明的具体实施例中，服务器可以通过列表生成模型对预先确定的当前用户对应的各个候选推荐内容进行打分。具体地，服务器可以分别对当前用户对应的候选推荐内容1、候选推荐内容2、…、候选推荐内容N进行打分。
S302、根据各个候选推荐内容对应的打分结果生成当前用户对应的至少一个候选推荐列表。
在本发明的具体实施例中，服务器可以根据各个候选推荐内容对应的打分结果生成当前用户对应的至少一个候选推荐列表。具体地，当各个候选推荐内容对应的打分结果较高时，服务器则可以提高各个候选推荐内容被选中的概率；当各个候选推荐内容对应的打分结果较低时，服务器则可以降低各个候选推荐内容被选中的概率。
S303、通过列表评估模型对当前用户对应的各个候选推荐列表进行评估。
在本发明的具体实施例中，服务器可以通过列表评估模型对当前用户对应的各个候选推荐列表进行评估。具体地，服务器可以通过列表评估模型中的第一子模型和第二子模型分别获取当前用户对应的第一类用户信息和第二类用户信息；然后通过列表评估模型中的第三子模型获取各个候选推荐列表中的候选推荐内容；最后根据当前用户对应的第一类用户信息和第二类用户信息以及各个候选推荐列表中的候选推荐内容对各个候选列表进行评估。
S304、根据各个候选推荐列表对应的评估结果确定当前用户对应的目标推荐列表。
在本发明的具体实施例中，服务器可以根据各个候选推荐列表对应的评估结果确定当前用户对应的目标推荐列表。具体地，服务器可以通过列表评估模型对当前用户对应的各个候选推荐列表进行打分；然后将分数最高的候选推荐列表确定为当前用户对应的目标推荐列表。
本发明实施例提出的推荐列表的确定方法，先通过列表生成模型生成当前用户对应的至少一个候选推荐列表；然后通过列表评估模型对当前用户对应的各个候选推荐列表进行评估；再根据各个候选推荐列表对应的评估结果确定当前用户对应的目标推荐列表。也就是说，在本发明的技术方案中，可以通过列表评估模型对当前用户对应的各个候选推荐列表进行评估，这样就能够综合考虑推荐列表的各个产品指标。在现有的推荐列表的确定方法中，一般是从单个推荐内容的角度来进行排序，这样只能考虑推荐列表的一部分产品指标，而不能综合考虑推荐列表的各个产品指标。因此，和现有技术相比，本发明实施例提出的推荐列表的确定方法，能够综合考虑推荐列表的各个产品指标，从而可以得到最优组合的推荐列表；并且，本发明实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例三
图4为本发明实施例三提供的推荐列表的确定方法的流程示意图。如图4所示，推荐列表的确定方法可以包括以下步骤：
S401、通过列表生成模型建立当前用户对应的当前搜索树。
在本发明的具体实施例中，服务器可以通过列表生成模型建立当前用户对应的当前搜索树。具体地，服务器可以将当前用户对应的候选推荐内容1、候选推荐内容2、…、候选推荐内容N输入到列表生成模型中；然后通过列表生成模型建立当前用户对应的当前搜索树。
S402、根据当前用户对应的当前搜索树生成当前用户对应的至少一个候选推荐列表。
在本发明的具体实施例中，服务器可以根据当前用户对应的当前搜索树生成当前用户对应的至少一个候选推荐列表。具体地，服务器使用广度优先策略建立当前搜索树，在当前搜索树的每一层，按照启发代价，对节点进行排序，仅留下预先确定的个数(例如K个)，然后这些节点再向下一层进行扩展，其它节点就被剪掉了。本发明实施例应用了这个思想来生成当前用户对应的至少一个候选推荐列表，每次在挑选候选推荐内容的时候，将第一个位置到当前位置的加和打分作为启发代价，从中挑选出K个子序列保留下来，其它的子序列剪枝剪掉了；保留下来的子序列继续向下扩展，直到最终产出K个当前用户对应的候选推荐列表。
S403、通过列表评估模型对当前用户对应的各个候选推荐列表进行评估。
在本发明的具体实施例中，服务器可以通过列表评估模型对当前用户对应的各个候选推荐列表进行评估。图2为本发明实施一提供的列表评估模型的组成结构示意图。如图2所示，列表评估模型包括：第一字模型、第二子模型和第三子模型。服务器可以通过列表评估模型中的第一子模型和第二子模型分别获取当前用户对应的第一类用户信息和第二类用户信息；然后通过列表评估模型中的第三子模型获取各个候选推荐列表中的候选推荐内容；最后根据当前用户对应的第一类用户信息和第二类用户信息以及各个候选推荐列表中的候选推荐内容对各个候选列表进行评估。
S404、根据各个候选推荐列表对应的评估结果确定当前用户对应的目标推荐列表。
在本发明的具体实施例中，服务器可以根据各个候选推荐列表对应的评估结果确定当前用户对应的目标推荐列表。具体地，服务器可以通过列表评估模型对当前用户对应的各个候选推荐列表进行打分；然后将分数最高的候选推荐列表确定为当前用户对应的目标推荐列表。
本发明实施例提出的推荐列表的确定方法，先通过列表生成模型生成当前用户对应的至少一个候选推荐列表；然后通过列表评估模型对当前用户对应的各个候选推荐列表进行评估；再根据各个候选推荐列表对应的评估结果确定当前用户对应的目标推荐列表。也就是说，在本发明的技术方案中，可以通过列表评估模型对当前用户对应的各个候选推荐列表进行评估，这样就能够综合考虑推荐列表的各个产品指标。在现有的推荐列表的确定方法中，一般是从单个推荐内容的角度来进行排序，这样只能考虑推荐列表的一部分产品指标，而不能综合考虑推荐列表的各个产品指标。因此，和现有技术相比，本发明实施例提出的推荐列表的确定方法，能够综合考虑推荐列表的各个产品指标，从而可以得到最优组合的推荐列表；并且，本发明实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例四
图5为本发明实施例四提供的推荐列表的确定装置的第一结构示意图。如图5所示，推荐列表的确定装置可以包括：生成模块501、评估模块502和确定模块503；其中，
所述生成模块501，用于通过列表生成模型生成当前用户对应的至少一个候选推荐列表；
所述评估模块502，用于通过列表评估模型对所述当前用户对应的各个候选推荐列表进行评估；
所述确定模块503，用于根据各个候选推荐列表对应的评估结果确定所述当前用户对应的目标推荐列表。
进一步的，所述生成模块501，具体用于通过所述列表生成模型对预先确定的所述当前用户对应的各个候选推荐内容进行打分；根据各个候选推荐内容对应的打分结果生成所述当前用户对应的至少一个候选推荐列表。
进一步的，所述生成模块501，具体用于通过所述列表生成模型建立所述当前用户对应的当前搜索树；根据所述当前用户对应的当前搜索树生成所述当前用户对应的至少一个候选推荐列表。
图6为本发明实施例四提供的推荐列表的确定装置的第二结构示意图。如图6所示，所述评估模块502包括：获取子模块5021和评估子模块5022；其中，
所述获取子模块5021，用于通过所述列表评估模型中的第一子模型和第二子模型分别获取所述当前用户对应的第一类用户信息和第二类用户信息；通过所述列表评估模型中的第三子模型获取各个候选推荐列表中的候选推荐内容；
所述评估子模块5022，用于根据所述当前用户对应的第一类用户信息和第二类用户信息以及各个候选推荐列表中的候选推荐内容对各个候选列表进行评估。
进一步的，所述评估子模块5022，具体用于根据所述当前用户对应的第一类用户信息和第二类用户信息以及各个候选推荐列表中的候选推荐内容，针对预先确定的一个预测目标采用单步预测方式在各个时间步上对各个候选推荐列表中的各个候选推荐内容进行评估，并根据各个候选推荐内容对应的评估结果对各个候选推荐列表进行评估；根据所述当前用户对应的第一类用户信息和第二类用户信息以及各个候选推荐列表中的候选推荐内容，针对预先确定的一个预测目标采用终步预测方式在最后一个时间步上对各个候选推荐列表中进行评估；根据所述当前用户对应的第一类用户信息和第二类用户信息以及各个候选推荐列表中的候选推荐内容，针对预先确定的多个预测目标采用多目标预测方式在最后一个时间步上对各个候选推荐列表中进行评估。
上述推荐列表的确定装置可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的推荐列表的确定方法。
实施例五
图7为本发明实施例五提供的服务器的结构示意图。图7示出了适于用来实现本发明实施方式的示例性服务器的框图。图7显示的务器12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，服务器12以通用计算设备的形式表现。服务器12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该服务器12交互的设备通信，和/或与使得该服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与服务器12的其它模块通信。应当明白，尽管图中未示出，可以结合服务器12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的推荐列表的确定方法。
实施例六
本发明实施例六提供了一种计算机存储介质。
本发明实施例的计算机可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (12)
1.一种推荐列表的确定方法，其特征在于，所述方法包括：
通过列表生成模型生成当前用户对应的至少一个候选推荐列表；
通过列表评估模型对所述当前用户对应的各个候选推荐列表进行评估；
根据各个候选推荐列表对应的评估结果确定所述当前用户对应的目标推荐列表。
2.根据权利要求1所述的方法，其特征在于，所述通过列表生成模型生成当前用户对应的至少一个候选推荐列表，包括：
通过所述列表生成模型对预先确定的所述当前用户对应的各个候选推荐内容进行打分；
根据各个候选推荐内容对应的打分结果生成所述当前用户对应的至少一个候选推荐列表。
3.根据权利要求1所述的方法，其特征在于，所述通过列表生成模型生成当前用户对应的至少一个候选推荐列表，包括：
通过所述列表生成模型建立所述当前用户对应的当前搜索树；
根据所述当前用户对应的当前搜索树生成所述当前用户对应的至少一个候选推荐列表。
4.根据权利要求1所述的方法，其特征在于，所述通过列表评估模型对所述当前用户对应的各个候选推荐列表进行评估，包括：
通过所述列表评估模型中的第一子模型和第二子模型分别获取所述当前用户对应的第一类用户信息和第二类用户信息；
通过所述列表评估模型中的第三子模型获取各个候选推荐列表中的候选推荐内容；
根据所述当前用户对应的第一类用户信息和第二类用户信息以及各个候选推荐列表中的候选推荐内容对各个候选列表进行评估。
5.根据权利要求4所述的方法，其特征在于，所述根据所述当前用户对应的第一类用户信息和第二类用户信息以及各个候选推荐列表中的候选推荐内容对各个候选列表进行评估，包括：
根据所述当前用户对应的第一类用户信息和第二类用户信息以及各个候选推荐列表中的候选推荐内容，针对预先确定的一个预测目标采用单步预测方式在各个时间步上对各个候选推荐列表中的各个候选推荐内容进行评估，并根据各个候选推荐内容对应的评估结果对各个候选推荐列表进行评估；
根据所述当前用户对应的第一类用户信息和第二类用户信息以及各个候选推荐列表中的候选推荐内容，针对预先确定的一个预测目标采用终步预测方式在最后一个时间步上对各个候选推荐列表中进行评估；
根据所述当前用户对应的第一类用户信息和第二类用户信息以及各个候选推荐列表中的候选推荐内容，针对预先确定的多个预测目标采用多目标预测方式在最后一个时间步上对各个候选推荐列表中进行评估。
6.一种推荐列表的确定装置，其特征在于，所述装置包括：生成模块、评估模块和确定模块；其中，
所述生成模块，用于通过列表生成模型生成当前用户对应的至少一个候选推荐列表；
所述评估模块，用于通过列表评估模型对所述当前用户对应的各个候选推荐列表进行评估；
所述确定模块，用于根据各个候选推荐列表对应的评估结果确定所述当前用户对应的目标推荐列表。
7.根据权利要求6所述的装置，其特征在于：
所述生成模块，具体用于通过所述列表生成模型对预先确定的所述当前用户对应的各个候选推荐内容进行打分；根据各个候选推荐内容对应的打分结果生成所述当前用户对应的至少一个候选推荐列表。
8.根据权利要求6所述的装置，其特征在于：
所述生成模块，具体用于通过所述列表生成模型建立所述当前用户对应的当前搜索树；根据所述当前用户对应的当前搜索树生成所述当前用户对应的至少一个候选推荐列表。
9.根据权利要求6所述的装置，其特征在于，所述评估模块包括：获取子模块和评估子模块；其中，
所述获取子模块，用于通过所述列表评估模型中的第一子模型和第二子模型分别获取所述当前用户对应的第一类用户信息和第二类用户信息；通过所述列表评估模型中的第三子模型获取各个候选推荐列表中的候选推荐内容；
所述评估子模块，用于根据所述当前用户对应的第一类用户信息和第二类用户信息以及各个候选推荐列表中的候选推荐内容对各个候选列表进行评估。
10.根据权利要求9所述的装置，其特征在于：
所述评估子模块，具体用于根据所述当前用户对应的第一类用户信息和第二类用户信息以及各个候选推荐列表中的候选推荐内容，针对预先确定的一个预测目标采用单步预测方式在各个时间步上对各个候选推荐列表中的各个候选推荐内容进行评估，并根据各个候选推荐内容对应的评估结果对各个候选推荐列表进行评估；根据所述当前用户对应的第一类用户信息和第二类用户信息以及各个候选推荐列表中的候选推荐内容，针对预先确定的一个预测目标采用终步预测方式在最后一个时间步上对各个候选推荐列表中进行评估；根据所述当前用户对应的第一类用户信息和第二类用户信息以及各个候选推荐列表中的候选推荐内容，针对预先确定的多个预测目标采用多目标预测方式在最后一个时间步上对各个候选推荐列表中进行评估。
11.一种服务器，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至5中任一项所述的推荐列表的确定方法。
12.一种存储介质，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5中任一项所述的推荐列表的确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810716053.1A CN109033228A (zh) | 2018-06-29 | 2018-06-29 | 一种推荐列表的确定方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810716053.1A CN109033228A (zh) | 2018-06-29 | 2018-06-29 | 一种推荐列表的确定方法、装置、服务器及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109033228A true CN109033228A (zh) | 2018-12-18 |
Family
ID=65522287
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810716053.1A Pending CN109033228A (zh) | 2018-06-29 | 2018-06-29 | 一种推荐列表的确定方法、装置、服务器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109033228A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111079000A (zh) * | 2019-11-25 | 2020-04-28 | 腾讯科技（深圳）有限公司 | 内容处理方法、装置、设备及存储介质 |
| CN112364134A (zh) * | 2020-11-23 | 2021-02-12 | 医渡云（北京）技术有限公司 | 业务指标推荐方法、装置、介质及电子设备 |
| CN114594861A (zh) * | 2020-12-03 | 2022-06-07 | 北京搜狗科技发展有限公司 | 一种推荐方法、装置和电子设备 |
| CN115048560A (zh) * | 2022-03-30 | 2022-09-13 | 华为技术有限公司 | 一种数据处理方法及相关装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020016786A1 (en) * | 1999-05-05 | 2002-02-07 | Pitkow James B. | System and method for searching and recommending objects from a categorically organized information repository |
| CN102929966A (zh) * | 2012-10-12 | 2013-02-13 | 合一网络技术(北京)有限公司 | 一种用于提供个性化搜索列表的方法及系统 |
| CN103309866A (zh) * | 2012-03-09 | 2013-09-18 | 华为技术有限公司 | 生成推荐结果的方法和装置 |
| CN105224547A (zh) * | 2014-06-05 | 2016-01-06 | 阿里巴巴集团控股有限公司 | 对象集合及其满意度的处理方法及装置 |
| CN107391549A (zh) * | 2017-06-05 | 2017-11-24 | 北京百度网讯科技有限公司 | 基于人工智能的新闻召回方法、装置、设备及存储介质 |
| CN107909427A (zh) * | 2017-10-25 | 2018-04-13 | 浙江大学 | 一种提升推荐模型时序数据挖掘能力的循环神经网络方法 |
-
2018
- 2018-06-29 CN CN201810716053.1A patent/CN109033228A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020016786A1 (en) * | 1999-05-05 | 2002-02-07 | Pitkow James B. | System and method for searching and recommending objects from a categorically organized information repository |
| CN103309866A (zh) * | 2012-03-09 | 2013-09-18 | 华为技术有限公司 | 生成推荐结果的方法和装置 |
| CN102929966A (zh) * | 2012-10-12 | 2013-02-13 | 合一网络技术(北京)有限公司 | 一种用于提供个性化搜索列表的方法及系统 |
| CN105224547A (zh) * | 2014-06-05 | 2016-01-06 | 阿里巴巴集团控股有限公司 | 对象集合及其满意度的处理方法及装置 |
| CN107391549A (zh) * | 2017-06-05 | 2017-11-24 | 北京百度网讯科技有限公司 | 基于人工智能的新闻召回方法、装置、设备及存储介质 |
| CN107909427A (zh) * | 2017-10-25 | 2018-04-13 | 浙江大学 | 一种提升推荐模型时序数据挖掘能力的循环神经网络方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李人厚: "《智能控制理论和方法》", 28 February 2013 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111079000A (zh) * | 2019-11-25 | 2020-04-28 | 腾讯科技（深圳）有限公司 | 内容处理方法、装置、设备及存储介质 |
| CN112364134A (zh) * | 2020-11-23 | 2021-02-12 | 医渡云（北京）技术有限公司 | 业务指标推荐方法、装置、介质及电子设备 |
| CN112364134B (zh) * | 2020-11-23 | 2024-05-31 | 医渡云（北京）技术有限公司 | 业务指标推荐方法、装置、介质及电子设备 |
| CN114594861A (zh) * | 2020-12-03 | 2022-06-07 | 北京搜狗科技发展有限公司 | 一种推荐方法、装置和电子设备 |
| CN115048560A (zh) * | 2022-03-30 | 2022-09-13 | 华为技术有限公司 | 一种数据处理方法及相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109033140B (zh) | 一种确定搜索结果的方法、装置、设备和计算机存储介质 | |
| US11308286B2 (en) | Method and device for retelling text, server, and storage medium | |
| US10048934B2 (en) | Learning intended user actions | |
| CN113094550A (zh) | 视频检索方法、装置、设备和介质 | |
| CN110390054A (zh) | 兴趣点召回方法、装置、服务器和存储介质 | |
| CN104102719A (zh) | 一种轨迹信息的推送方法及装置 | |
| CN108932323A (zh) | 实体答案的确定方法、装置、服务器及存储介质 | |
| CN109783490A (zh) | 数据融合方法、装置、计算机设备及存储介质 | |
| US20100287129A1 (en) | System, method, or apparatus relating to categorizing or selecting potential search results | |
| CN112989146B (zh) | 向目标用户推荐资源的方法、装置、设备、介质和程序产品 | |
| CN109033228A (zh) | 一种推荐列表的确定方法、装置、服务器及存储介质 | |
| CN110263218B (zh) | 视频描述文本生成方法、装置、设备和介质 | |
| WO2012158571A2 (en) | Training statistical dialog managers in spoken dialog systems with web data | |
| CN113440864B (zh) | 直播指示信息推荐方法、装置、设备及存储介质 | |
| CN109034199A (zh) | 数据处理方法及装置、存储介质和电子设备 | |
| CN114040216A (zh) | 直播间推荐方法、介质、装置和计算设备 | |
| CN109155004A (zh) | 用于强化学习代理的无模型控制 | |
| CN113724015A (zh) | 确定目标显示页面的方法、装置、电子设备及存储介质 | |
| WO2021104274A1 (zh) | 图文联合表征的搜索方法、系统、服务器和存储介质 | |
| CN112905885A (zh) | 向用户推荐资源的方法、装置、设备、介质和程序产品 | |
| CN105630960B (zh) | 测试领域任务型对话系统的方法和装置 | |
| CN111049988A (zh) | 移动设备的亲密度预测方法、系统、设备及存储介质 | |
| CN111507471A (zh) | 一种模型训练方法、装置、设备及存储介质 | |
| CN110516024B (zh) | 地图搜索结果展现方法、装置、设备和存储介质 | |
| CN110751430A (zh) | 确定配送时间的方法和装置、存储介质和电子设备 |
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 |