CN109034389A - 信息推荐系统的人机交互式修正方法、装置、设备和介质 - Google Patents
信息推荐系统的人机交互式修正方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN109034389A CN109034389A CN201810871336.3A CN201810871336A CN109034389A CN 109034389 A CN109034389 A CN 109034389A CN 201810871336 A CN201810871336 A CN 201810871336A CN 109034389 A CN109034389 A CN 109034389A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- scene
- interacting activity
- information 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
Abstract
本申请公开了一种信息推荐系统的人机交互式修正方法、装置、设备和介质。其中,方法包括:接收用户在信息推荐系统的操作,对操作进行分析,得到用户的第一正数据,其中,第一正数据包括用户去过的景点数据;在景点数据库中选取若干个景点数据,基于该景点数据集合生成第一交互活动并发送给用户,接收用户对第一互动活动的第一反馈结果,基于第一反馈结果得到第一负数据,其中,第一负数据包括用户可能不想去的景点;和利用第一正数据和第一负数据对信息推荐系统进行训练,以便修正信息推荐系统。该方法能够通过与用户互动的方式让用户主动标记数据,从而使得信息推荐系统的推荐结果更加符合用户需要。
Description
技术领域
本申请涉及人工智能领域,特别是涉及一种信息推荐系统的修正方法和装置,更具体地,涉及一种信息推荐系统的人机交互式修正方法、装置、设备和介质。
背景技术
目前,数据收集方式主要通过问卷调查形式主动获取数据或通过用户标记标签形式被动获取数据;在数据标记过程中,通常通过对互联网用户行为习惯的数据进行分析。该方法仅能直接获得正数据标签,但是无法直接获得负数据标签,并且通过这种方法比较生硬,收集对象容易产生抵触心理,造成得到的数据量太少,数据的准确度不高、获取困难、问题覆盖面不够等问题,导致标记的数据错误较多,对系统的修正带来很大的影响。
发明内容
本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。
根据本申请的一个方面,提供了一种信息推荐系统的修正方法,包括:
第一正数据获取步骤:接收用户在信息推荐系统的操作,对所述操作进行分析,得到所述用户的第一正数据,其中,所述第一正数据包括所述用户去过的景点数据;
第一负数据获取步骤:在景点数据库中选取若干个景点数据,基于该景点数据集合生成第一交互活动并发送给所述用户,接收所述用户对所述第一互动活动的第一反馈结果,基于所述第一反馈结果得到第一负数据,其中,所述第一负数据包括所述用户可能不想去的景点;和
第一修正步骤:利用所述第一正数据和所述第一负数据对所述信息推荐系统进行训练,以便修正所述信息推荐系统。
该方法能够通过与用户互动的方式让用户主动标记数据,从而使得信息推荐系统的推荐结果更加符合用户需要。
可选地,该方法还包括:
数据池选取步骤:在景点数据库中选取若干个未标注的景点数据作为数据池;
景点数据选择步骤:将所述数据池中景点数据输入到主动学习(activelearning)算法中,得到最需要标记的前若干个景点数据,基于该景点数据生成第二交互活动并发送给所述用户,接收所述用户对所述第二互动活动的第二反馈结果,基于第二所述反馈结果得到第二正数据和第二负数据,其中,所述第二正数据包括所述用户可能想去的景点数据,所述第二负数据包括所述用户可能不想去的景点;和
第二修正步骤:利用所述第二正数据和所述第二负数据对所述信息推荐系统进行训练,以便修正所述信息推荐系统。
该方法能够基于主动学习对推荐系统进行修正,自动寻找模型中数据点的缺陷,通过用户进行标注而得到标注信息,从而不断地修正训练模型。
可选地,所述第一交互活动和所述第二交互活动包括:在游戏中通过完成任务、游戏、调查问卷的形式与所述用户进行交互。
可选地,所述第一交互活动和所述第二交互活动通过以下步骤生成:
类型确定步骤:根据所述景点数据的数量和数据类型确定交互活动的类型;和
生成步骤:根据所述交互活动的类型,基于所述景点数据和与所述类型对应的模板生成所述第一交互活动或所述第二交互活动。
根据本申请的另一个方面,还提供了一种信息推荐系统的修正装置,包括:
第一正数据获取模块,其配置成用于接收用户在信息推荐系统的操作,对所述操作进行分析,得到所述用户的第一正数据,其中,所述第一正数据包括所述用户去过的景点数据;
第一负数据获取模块,其配置成用于在景点数据库中选取若干个景点数据,基于该景点数据集合生成第一交互活动并发送给所述用户,接收所述用户对所述第一互动活动的第一反馈结果,基于所述第一反馈结果得到第一负数据,其中,所述第一负数据包括所述用户可能不想去的景点;和
第一修正模块,其配置成用于利用所述第一正数据和所述第一负数据对所述信息推荐系统进行训练,以便修正所述信息推荐系统。
该装置能够通过与用户互动的方式让用户主动标记数据,从而使得信息推荐系统的推荐结果更加符合用户需要。
可选地,该装置还包括:
数据池选取模块,其配置成用于在景点数据库中选取若干个未标注的景点数据作为数据池;
景点数据选择模块,其配置成用于将所述数据池中景点数据输入到主动学习算法中,得到最需要标记的前若干个景点数据,基于该景点数据生成第二交互活动并发送给所述用户,接收所述用户对所述第二互动活动的第二反馈结果,基于第二所述反馈结果得到第二正数据和第二负数据,其中,所述第二正数据包括所述用户可能想去的景点数据,所述第二负数据包括所述用户可能不想去的景点;和
第二修正模块,其配置成用于利用所述第二正数据和所述第二负数据对所述信息推荐系统进行训练,以便修正所述信息推荐系统。
可选地,所述第一交互活动和所述第二交互活动包括:在游戏中通过完成任务、游戏、调查问卷的形式与所述用户进行交互。
可选地,该装置还包括交互活动生成模块,所述第一交互活动和所述第二交互活动通过交互活动生成模块生成,所述交互活动生成模块包括:
类型确定模块,其配置成用于根据所述景点数据的数量和数据类型确定交互活动的类型;和
生成模块,其配置成用于根据所述交互活动的类型,基于所述景点数据和与所述类型对应的模板生成所述第一交互活动或所述第二交互活动。
根据本申请的另一个方面,还提供了一种计算设备,包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上所述的方法。
根据本申请的另一个方面,还提供了一种计算机可读存储介质,优选为非易失性可读存储介质,其内存储有计算机程序,所述计算机程序在由处理器执行时实现如上所述的方法。
根据本申请的另一个方面,还提供了一种计算机程序产品,包括计算机可读代码,当所述计算机可读代码由计算设备执行时,导致所述计算设备执行如上所述的方法。
根据下文结合附图对本申请的具体实施方案的详细描述,本领域技术人员将会更加明了本申请的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请的一些具体实施方案。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。附图中:
图1是根据本申请的信息推荐系统的修正方法的一个实施方案的示意性流程图;
图2是根据本申请的信息推荐系统的修正方法的另一个实施方案的示意性流程图;
图3是根据本申请的信息推荐系统的修正装置的一个实施方案的示意性框图;
图4是根据本申请的信息推荐系统的修正装置的另一个实施方案的示意性框图;
图5是根据本申请的人工智能成长人机交互系统的一个实施方案的示意性框图;
图6是本申请的计算设备的一个实施方案的框图;
图7是本申请的计算机可读存储介质的一个实施方案的框图。
具体实施方式
根据下文结合附图对本申请的具体实施方案的详细描述,本领域技术人员将会更加明了本申请的上述以及其他目的、优点和特征。
本申请的实施方案提供了一种信息推荐系统(以下简称系统)的修正方法。该方法可以基于人机交互方式实现。图1是根据本申请的信息推荐系统的修正方法的一个实施方案的示意性流程图。该方法可以包括:
S110第一正数据获取步骤:接收用户在信息推荐系统的操作,对所述操作进行分析,得到所述用户的第一正数据,其中,所述第一正数据包括所述用户去过的景点数据;
S120第一负数据获取步骤:在景点数据库中选取若干个景点数据,基于该景点数据集合生成第一交互活动并发送给所述用户,接收所述用户对所述第一互动活动的第一反馈结果,基于所述第一反馈结果得到第一负数据,其中,所述第一负数据包括所述用户可能不想去的景点;
S130第一修正步骤:利用所述第一正数据和所述第一负数据对所述信息推荐系统进行训练,以便修正所述信息推荐系统。
该方法能够通过与用户互动的方式让用户主动标记数据,从而使得信息推荐系统的推荐结果更加符合用户需要。
用户在信息推荐系统的操作可以包括以下数据中的一种或者多种:用户旅游历史数据、用户与旅游相关的检索记录、消费习惯、社交数据、关注内容。该操作中包括用户去过的景点数据和用户对其他感兴趣或者不感兴趣的景点进行操作的数据。信息推荐系统可以为旅游信息推荐系统;也可以是其他信息推荐系统,该系统中包括旅游信息推荐模块或者具备旅游信息推荐的功能。
在一个可选实施方案中,用户旅游历史数据可以用于描述用户在上的旅游历史。例如,用户去过的每个景点的“特征”。例如,用户在社交平台上发表的关于该用户去哪些景点旅游的记录,该数据可以是图片和/或文字,文字可以包括标题、日志内容、地址、标签、留言、发表的状态等。用户检索数据可以包括用户在社交平台上对某个景点或者与该景点相关的信息进行检索的记录。与该景点相关的信息可以包括以下数据中的一种或者多种:景点周围的美食、住宿、交通、车票、与该景点相关的其他景点。消费习惯包括在旅游过程中的消费内容。社交活动包括以下的一种或多种:点赞、点评、加关注、加好友、站外转发、站内转发、分享等。景点可以包括:该用户所在的国家范围内的景点、世界范围内的景点和活动场地。其中,活动场地包括但不限于:联谊聚会场所,演唱会场地,时装秀场地等。景点数据可以包括以下数据中的一种或者几种:景点标识信息(景点ID)、景点类型、文章、图片、评分、评论。其中,文章包括描述和/或介绍该景点的文章,介绍该景点内店铺、商家的文章。文章可以是日志。评论包括对景点、文章、图片、景点周边的评论。日志和评论的智能分析可以采用语义分析技术实现。景点数据是针对用户集合中所有用户进行的统计分析。
该系统的模型可以是深度神经网络,系统根据用户操作能够为该用户生成旅游信息推荐结果,所述旅游信息推荐结果表征所述第一用户将去至少一个景点旅游的概率。如果得到用户将去多个景点的概率,则将概率按照从大到小的顺序排序。可以优先推荐和显示概率最高的景点,也可以显示前若干个景点。
深度神经网络模型也称多层感知器模型,是一种具有前向结构的人工神经网络,映射一组输入数据到一组输出数据。其可以被看作是一个有向图,由多个节点层组成,每一层全连接到下一层。除了输入节点,每个节点都是一个带有非线性激活函数的神经元(或称处理单元)。深度神经网络一般包括输入层、隐藏层和输出层,其中隐藏层包括至少一层,也可以是两层以上。神经网络的流程分为前向过程和反向过程。前向过程一般用于预测,反向过程一般用于训练。
在前向过程中,每个神经元上都具有针对一个输入的权值、偏置和激活函数。激活函数可以包括identity、sigmoid、ReLU及其变体中的一种或几种。在使用该深度神经网络进行预测的过程中,将所述数据输入输入层,即第一层,经过神经元运算后得到输出结果,然后,将第一层的输出结果作为第二层的输入,以此类推,直到输出层输出最终结果。如果该深度神经网络是训练好的,则权值和偏置已经确定。对于一个新的输入,通过上述过程,能够输出预测结果。在本申请中,深度神经网络中建立了用户数据与景点数据之间的关联关系,因此将所述第一用户数据输入深度神经网络,能够得到旅游信息推荐结果,该结果可以表征所述第一用户将去至少一个景点旅游的概率。
在反向过程中,深度神经网络通过第一修正步骤进行训练,所述第一修正步骤可以包括:
模型预测步骤:将用户操作和用户的身份信息输入到深度神经网络中,得到所述该用户去每个景点旅游的概率集合;
数据类型转化步骤:将所述概率集合中的概率数据与预设的阈值进行比较,将所述概率数据转化为整数类型的数据;
残差计算步骤:将所述整数类型的数据与所述第一正数据、所述第一负数据进行比较,得到残差数据;
修正步骤:利用所述残差数据通过反向神经传播对所述深度神经网络进行修正。
该第一修正步骤可以在模型初始化时执行,用于模型的初始化。可以理解的是,也可以在模型使用过程中,根据用户一段时间的历史数据,对模型进行修正。
在训练信息推荐系统的模型中,如果数据集有明显的样本数量偏差,训练效果不能达到最优。在通常的数据标记过程中,通过对互联网用户行为习惯的数据进行分析,仅能直接获得正数据标签,但是无法直接获得负数据标签,传统的获得正数据标签的方式是从大量非正数据里面随机选取,但是这样的标注不是最优的,容易导致系统的修正错误。
本申请中的数据集包括两个集合,一个是用户去的景点,这些景点数据构成正数据集;另一个是用户可能不想去的景点,这些景点数据构成负数据集。训练系统的模型之前,首先需要获取负数据集,在包含全部景点数据的景点数据库中随机选取一些景点作为负数据样本集合,然后通过人机交互的形式从用户处得到反馈结果,这些反馈结果可以作为对景点数据的标记数据,通过反馈结果,能够分析出用户可能不想去的景点,由此获得负数据样本集合内准确的负数据标记。
通过本申请的方法,能够通过人工智能互动方式更加精准地获得负数据集标签,从而保证训练数据的全面性,能够更高效地训练系统模型,从而得到更精确的推荐结果。
图2是根据本申请的信息推荐系统的修正方法的另一个实施方案的示意性流程图。可选地,该方法还可以包括:
S210数据池选取步骤:在景点数据库中选取若干个未标注的景点数据作为数据池;
S220景点数据选择步骤:将所述数据池中景点数据输入到主动学习算法中,得到最需要标记的前若干个景点数据,基于该景点数据生成第二交互活动并发送给所述用户,接收所述用户对所述第二互动活动的第二反馈结果,基于第二所述反馈结果得到第二正数据和第二负数据,其中,所述第二正数据包括所述用户可能想去的景点数据,所述第二负数据包括所述用户可能不想去的景点;
S230第二修正步骤:利用所述第二正数据和所述第二负数据对所述信息推荐系统进行训练,以便修正所述信息推荐系统。
该方法能够基于主动学习对推荐系统进行修正。第二修正步骤主要应用在系统的使用过程中,通过该步骤能够通过主动学习算法自动寻找模型中数据点的缺陷,即最需要标记的数据。然后将最需要标记的数据通过人机互动模式向用户发送数据标记处理要求,通过用户进行标注,得到标注信息,从而不断地修正训练模型,在互动虚拟形象智能成长的同时,实现模型修正的目的。该修正过程可以动态地自主地进行。例如,可以设置预定时间间隔或者触发条件,触发主动学习算法寻找待标记的数据。
主动学习算法是一个迭代过程,首先使用已标记样本L对系统模型进行训练,得到网络神经元初始连接权值,之后用网络对数据池Dpool中的数据进行处理并输出,选取后验概率接近设定阈值的n个样本,对n个样本进行评定,采集符合条件的样本,将采集到的样本加入到训练集中对网络进行训练;样本采集具体方法包括以下过程:
假X={x1,x2,x3,...,xn}是从数据池Dpool中选出的n个景点的景点数据,该景点数据为无标记数据,这些景点数据的后验概率均接近设定阈值,例如0.5,对应的自主学习网络的输出值为Y={y1,y2,y3,...,yn},其中,yn是景点数据xn经过动态的自主学习网络的第n个网络运算后得到的相对应的输出值;
根据贝叶斯定理样本xi的后验概率表示为:
计算样本xi的熵值H(xi):
其中,H(xi)是熵测度函数,表示已标记样本L中的样本,结果越大表示未标记样本xi与已标记样本L的相似度越高;
综合上述两方面,对无标记样本xi进行评价:
x*=arg max H(xi)
其中,arg max是最大熵获取函数,含义是使得H(xi)取得最大值所对应的变量x。在本申请中,x*对应最需要标记的景点数据。
由于对于用户来说,其兴趣点往往是动态变化的。为了使得系统的推荐模型可以更精准,动态地为用户推送旅游景点或者生成旅游推荐结果,申请通过主动学习的方式能够获得用户不同阶段的动态的训练数据,能够及时发现数据缺陷,主动计算并得到待标记的数据,通过人机交互的方式得到标记结果,从而不断修正和优化训练模型。
可选地,所述第一交互活动和所述第二交互活动包括:在游戏中通过完成任务、游戏、调查问卷的形式与所述用户进行交互。可选地,游戏包括养成游戏。该第一交互活动和第二交互活动是由智能算法自行判断并触发生成的。
本申请可以设计各种游戏及奖励机制增强趣味性和互动性。其中,养成游戏主要可以通过上学类、虚拟现实类、宠物养成类等游戏实现。利用此类游戏的特性,将数据获取以游戏任务的形式体现。例如,人工智能在养成上学类游戏中,可以通过学校布置作业、需要回答问题的形式向用户提出互动请求,将需要标记的数据以单选题或者多选题的形式嵌入游戏、任务或调查问卷中。例如,用户对系统随机选出的景点进行喜欢/不喜欢的选择。通过养成游戏的形式让机器人与用户互动,从而为机器学习模型提供动态数据,以提高用户的参与积极性。此外还可以在养成游戏中集成一些有趣的小游戏作为奖励,增加使用者的积极性,例如,步数记录、好友排名。游戏可以是所有与人机交互有关的游戏,例如可以是单机版小游戏,例如,连连看,消消看,找不同等;或者可以是多人游戏,例如桌游,手游等。这些游戏可以适合单人旅行或者多人一同出行的用户需要。用户完成游戏后将获得一些奖励,例如,积分、虚拟币、虚拟形象的营养、勋章、实体奖励等,实体奖励包括打折券、代金券、积分换礼等。虚拟形象可以是猫、狗等其他动物,也可以是人物形象、机器人、机器动物形象等,目的是为了让使用者感到亲切。对于用户操作,不但可以用于训练模型;还可以将这些操作作为系统中虚拟形象的营养的获取途径,增加系统的娱乐性。
该方法通过人机交互的方式,不仅能够更有效、精准地修正了人工智能模型,达到智能成长的目的,同时提升了用户的体验及积极性,增强用户的粘性。
可选地,所述第一交互活动和所述第二交互活动通过以下步骤生成:
根据所述景点数据的数量和数据类型确定交互活动的类型;
根据所述交互活动的类型,基于所述景点数据和与所述类型对应的模板生成所述第一交互活动或所述第二交互活动。
本申请的实施方案还提供了一种信息推荐系统的修正装置。图3是根据本申请的信息推荐系统的修正装置的一个实施方案的示意性框图。该装置可以包括:
第一正数据获取模块110,其配置成用于接收用户在信息推荐系统的操作,对所述操作进行分析,得到所述用户的第一正数据,其中,所述第一正数据包括所述用户去过的景点数据;
第一负数据获取模块120,其配置成用于在景点数据库中选取若干个景点数据,基于该景点数据集合生成第一交互活动并发送给所述用户,接收所述用户对所述第一互动活动的第一反馈结果,基于所述第一反馈结果得到第一负数据,其中,所述第一负数据包括所述用户可能不想去的景点;
第一修正模块130,其配置成用于利用所述第一正数据和所述第一负数据对所述信息推荐系统进行训练,以便修正所述信息推荐系统。
该装置能够通过与用户互动的方式让用户主动标记数据,从而使得信息推荐系统的推荐结果更加符合用户需要。
可选地,所述第一修正步骤可以包括:
模型预测模块,其配置成用于将用户操作和用户的身份信息输入到深度神经网络中,得到所述该用户去每个景点旅游的概率集合;
数据类型转化步骤:将所述概率集合中的概率数据与预设的阈值进行比较,将所述概率数据转化为整数类型的数据;
残差计算模块,其配置成用于将所述整数类型的数据与所述第一正数据、所述第一负数据进行比较,得到残差数据;
修正模块,其配置成用于利用所述残差数据通过反向神经传播对所述深度神经网络进行修正。
图4是根据本申请的信息推荐系统的修正装置的另一个实施方案的示意性框图。可选地,该装置还可以包括:
数据池选取模块210,其配置成用于在景点数据库中选取若干个未标注的景点数据作为数据池;
景点数据选择模块220,其配置成用于将所述数据池中景点数据输入到主动学习算法中,得到最需要标记的前若干个景点数据,基于该景点数据生成第二交互活动并发送给所述用户,接收所述用户对所述第二互动活动的第二反馈结果,基于第二所述反馈结果得到第二正数据和第二负数据,其中,所述第二正数据包括所述用户可能想去的景点数据,所述第二负数据包括所述用户可能不想去的景点;
第二修正模块230,其配置成用于利用所述第二正数据和所述第二负数据对所述信息推荐系统进行训练,以便修正所述信息推荐系统。
该模块能够基于主动学习算法对推荐系统主动进行修正。
可选地,该装置还包括交互活动生成模块,所述第一交互活动和所述第二交互活动通过交互活动生成模块生成,所述交互活动生成模块包括:
类型确定模块,其配置成用于根据所述景点数据的数量和数据类型确定交互活动的类型;
生成模块,其配置成用于根据所述交互活动的类型,基于所述景点数据和与所述类型对应的模板生成所述第一交互活动或所述第二交互活动。
本申请的实施方案还公开了一种人工智能成长人机交互系统。图5是根据本申请的人工智能成长人机交互系统的一个实施方案的示意性框图。该系统可以包括:用户界面、智能成长系统和人工智能系统后端。在该系统中,用户能够获得一个虚拟形象,例如,一颗蛋,该虚拟形象显示在用户界面中。在智能成长系统中,在蛋孵化后,通过接收用户在系统中的日常操作,并将该操作转化为食物供蛋成长为虚拟形象。在人工智能系统后端,从用户操作中能够分析得到正数据。用户通过用户界面中显示的日常小游戏使得虚拟形象成长。
用户通过将虚拟形象送入学校,在智能成长系统中触发学习需求。学习需求包括:做作业和考试等。其中,做作业对应任务A,考试对应任务B,并且将任务显示在用户界面中。
用户完成任务A并将结果返回智能成长系统和人工智能系统后端作为负数据的获取来源。在人工智能系统后端中,正数据和负数据均保存在数据库中,用于训练系统的模型,对系统进行一次修正。
用户完成任务B并将结果返回智能成长系统,在用户使用系统的路线推荐模块并将反馈结果返回智能成长系统时,智能成长系统判断任务B是否通过,如果通过,本次学习完成,如果没有通过,则将反馈结果发送给人工智能系统后端的主动学习算法模型,主动学习算法模型的计算结果用于训练系统的模型,对系统进行二次修正。训练模型可以触发学习需求,自主学习的结果可以用于触发考试。
本申请的实施方案还提供了一种计算设备,参照图6,该计算设备包括存储器1120、处理器1110和存储在所述存储器1120内并能由所述处理器1110运行的计算机程序,该计算机程序存储于存储器1120中的用于程序代码的空间1130,该计算机程序在由处理器1110执行时实现用于执行任一项根据本发明的方法步骤1131。
本申请的实施方案还提供了一种计算机可读存储介质。参照图7,该计算机可读存储介质包括用于程序代码的存储单元,该存储单元设置有用于执行根据本发明的方法步骤的程序1131’,该程序被处理器执行。
本申请实施方案还提供了一种包含指令的计算机程序产品,包括计算机可读代码,当所述计算机可读代码由计算设备执行时,导致所述计算设备执行如上所述的方法。
在上述实施方案中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施方案所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、获取其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
专业人员应该还可以进一步意识到,结合本文中所公开的实施方案描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本领域普通技术人员可以理解实现上述实施方案方法中的全部或部分步骤是可以通过程序来指令处理器完成,所述的程序可以存储于计算机可读存储介质中,所述存储介质是非短暂性(英文:non-transitory)介质,例如随机存取存储器,只读存储器,快闪存储器,硬盘,固态硬盘,磁带(英文:magnetic tape),软盘(英文:floppy disk),光盘(英文:optical disc)及其任意组合。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种信息推荐系统的修正方法,包括:
第一正数据获取步骤:接收用户在信息推荐系统的操作,对所述操作进行分析,得到所述用户的第一正数据,其中,所述第一正数据包括所述用户去过的景点数据;
第一负数据获取步骤:在景点数据库中选取若干个景点数据,基于该景点数据集合生成第一交互活动并发送给所述用户,接收所述用户对所述第一互动活动的第一反馈结果,基于所述第一反馈结果得到第一负数据,其中,所述第一负数据包括所述用户可能不想去的景点;和
第一修正步骤:利用所述第一正数据和所述第一负数据对所述信息推荐系统进行训练,以便修正所述信息推荐系统。
2.根据权利要求1所述的方法,其特征在于,该方法还包括:
数据池选取步骤:在景点数据库中选取若干个未标注的景点数据作为数据池;
景点数据选择步骤:将所述数据池中景点数据输入到主动学习算法中,得到最需要标记的前若干个景点数据,基于该景点数据生成第二交互活动并发送给所述用户,接收所述用户对所述第二互动活动的第二反馈结果,基于第二所述反馈结果得到第二正数据和第二负数据,其中,所述第二正数据包括所述用户可能想去的景点数据,所述第二负数据包括所述用户可能不想去的景点;和
第二修正步骤:利用所述第二正数据和所述第二负数据对所述信息推荐系统进行训练,以便修正所述信息推荐系统。
3.根据权利要求1所述的方法,其特征在于,所述第一交互活动和所述第二交互活动包括:在游戏中通过完成任务、游戏、调查问卷的形式与所述用户进行交互。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述第一交互活动和所述第二交互活动通过以下步骤生成:
类型确定步骤:根据所述景点数据的数量和数据类型确定交互活动的类型;和
生成步骤:根据所述交互活动的类型,基于所述景点数据和与所述类型对应的模板生成所述第一交互活动或所述第二交互活动。
5.一种信息推荐系统的修正装置,包括:
第一正数据获取模块,其配置成用于接收用户在信息推荐系统的操作,对所述操作进行分析,得到所述用户的第一正数据,其中,所述第一正数据包括所述用户去过的景点数据;
第一负数据获取模块,其配置成用于在景点数据库中选取若干个景点数据,基于该景点数据集合生成第一交互活动并发送给所述用户,接收所述用户对所述第一互动活动的第一反馈结果,基于所述第一反馈结果得到第一负数据,其中,所述第一负数据包括所述用户可能不想去的景点;和
第一修正模块,其配置成用于利用所述第一正数据和所述第一负数据对所述信息推荐系统进行训练,以便修正所述信息推荐系统。
6.根据权利要求5所述的装置,其特征在于,该装置还包括:
数据池选取模块,其配置成用于在景点数据库中选取若干个未标注的景点数据作为数据池;
景点数据选择模块,其配置成用于将所述数据池中景点数据输入到主动学习算法中,得到最需要标记的前若干个景点数据,基于该景点数据生成第二交互活动并发送给所述用户,接收所述用户对所述第二互动活动的第二反馈结果,基于第二所述反馈结果得到第二正数据和第二负数据,其中,所述第二正数据包括所述用户可能想去的景点数据,所述第二负数据包括所述用户可能不想去的景点;和
第二修正模块,其配置成用于利用所述第二正数据和所述第二负数据对所述信息推荐系统进行训练,以便修正所述信息推荐系统。
7.根据权利要求5所述的装置,其特征在于,所述第一交互活动和所述第二交互活动包括:在游戏中通过完成任务、游戏、调查问卷的形式与所述用户进行交互。
8.根据权利要求5至7中任一项所述的装置,其特征在于,该装置还包括交互活动生成模块,所述第一交互活动和所述第二交互活动通过交互活动生成模块生成,所述交互活动生成模块包括:
类型确定模块,其配置成用于根据所述景点数据的数量和数据类型确定交互活动的类型;和
生成模块,其配置成用于根据所述交互活动的类型,基于所述景点数据和与所述类型对应的模板生成所述第一交互活动或所述第二交互活动。
9.一种计算设备,包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的方法。
10.一种计算机可读存储介质,优选为非易失性可读存储介质,其内存储有计算机程序,所述计算机程序在由处理器执行时实现如权利要求1至4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810871336.3A CN109034389A (zh) | 2018-08-02 | 2018-08-02 | 信息推荐系统的人机交互式修正方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810871336.3A CN109034389A (zh) | 2018-08-02 | 2018-08-02 | 信息推荐系统的人机交互式修正方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109034389A true CN109034389A (zh) | 2018-12-18 |
Family
ID=64648747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810871336.3A Pending CN109034389A (zh) | 2018-08-02 | 2018-08-02 | 信息推荐系统的人机交互式修正方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034389A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111737579A (zh) * | 2020-06-28 | 2020-10-02 | 北京达佳互联信息技术有限公司 | 对象推荐方法、装置及电子设备、存储介质 |
CN112699910A (zh) * | 2019-10-23 | 2021-04-23 | 北京达佳互联信息技术有限公司 | 生成训练数据的方法、装置、电子设备及存储介质 |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020059158A1 (en) * | 1999-10-31 | 2002-05-16 | Insyst Ltd. | Determination of population safe dosage levels of pharmaceutically active substances |
CN101329674A (zh) * | 2007-06-18 | 2008-12-24 | 北京搜狗科技发展有限公司 | 一种提供个性化搜索的系统和方法 |
CN102023967A (zh) * | 2010-11-11 | 2011-04-20 | 清华大学 | 一种面向股票领域的文本情感分类方法 |
WO2013059134A1 (en) * | 2011-10-20 | 2013-04-25 | Global Analytics Holdings, Inc. | System and methods for predictive modeling in making structured reference credit decisions |
WO2013133583A1 (ko) * | 2012-03-05 | 2013-09-12 | 한국과학기술연구원 | 실감 인터랙션을 이용한 인지재활 시스템 및 방법 |
CN103678329A (zh) * | 2012-09-04 | 2014-03-26 | 中兴通讯股份有限公司 | 推荐方法及装置 |
CN104732413A (zh) * | 2013-12-20 | 2015-06-24 | 中国科学院声学研究所 | 一种智能个性化视频广告推送方法及系统 |
CN104809253A (zh) * | 2015-05-20 | 2015-07-29 | 成都布林特信息技术有限公司 | 互联网数据分析系统 |
CN105069036A (zh) * | 2015-07-22 | 2015-11-18 | 百度在线网络技术(北京)有限公司 | 一种信息推荐方法及装置 |
CN105095219A (zh) * | 2014-04-23 | 2015-11-25 | 华为技术有限公司 | 微博推荐方法和终端 |
CN105183833A (zh) * | 2015-08-31 | 2015-12-23 | 天津大学 | 一种基于用户模型的微博文本推荐方法及其推荐装置 |
CN105183781A (zh) * | 2015-08-14 | 2015-12-23 | 百度在线网络技术(北京)有限公司 | 信息推荐方法及装置 |
US20160055551A1 (en) * | 2013-06-10 | 2016-02-25 | Usman Hafeez | System and method for providing web-based user feedback |
CN105468679A (zh) * | 2015-11-13 | 2016-04-06 | 中国人民解放军国防科学技术大学 | 一种旅游信息处理与方案提供方法 |
US20160299992A1 (en) * | 2015-04-09 | 2016-10-13 | Yahoo!, Inc. | Inductive matrix completion and graph proximity for content item recommendation |
CN106227900A (zh) * | 2016-09-06 | 2016-12-14 | 北京易游华成科技有限公司 | 景点推荐设备、方法及系统 |
WO2016201631A1 (en) * | 2015-06-17 | 2016-12-22 | Yahoo! Inc. | Systems and methods for online content recommendation |
CN106651519A (zh) * | 2016-12-23 | 2017-05-10 | 广州赛宝认证中心服务有限公司 | 基于标签信息的个性化推荐方法和系统 |
CN106776881A (zh) * | 2016-11-28 | 2017-05-31 | 中国科学院软件研究所 | 一种基于微博平台的领域信息推荐系统及方法 |
US9727826B1 (en) * | 2014-09-09 | 2017-08-08 | Amazon Technologies, Inc. | Using contrarian machine learning models to compensate for selection bias |
CN107256232A (zh) * | 2017-05-16 | 2017-10-17 | 百度在线网络技术(北京)有限公司 | 一种信息推荐方法和装置 |
CN107273436A (zh) * | 2017-05-24 | 2017-10-20 | 北京京东尚科信息技术有限公司 | 一种推荐模型的训练方法和训练装置 |
CN107578332A (zh) * | 2017-09-22 | 2018-01-12 | 深圳乐信软件技术有限公司 | 一种推荐现金商品的方法、装置、设备及存储介质 |
CN107833117A (zh) * | 2017-12-13 | 2018-03-23 | 合肥工业大学 | 一种考虑标签信息的贝叶斯个性化排序推荐方法 |
-
2018
- 2018-08-02 CN CN201810871336.3A patent/CN109034389A/zh active Pending
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020059158A1 (en) * | 1999-10-31 | 2002-05-16 | Insyst Ltd. | Determination of population safe dosage levels of pharmaceutically active substances |
CN101329674A (zh) * | 2007-06-18 | 2008-12-24 | 北京搜狗科技发展有限公司 | 一种提供个性化搜索的系统和方法 |
CN102023967A (zh) * | 2010-11-11 | 2011-04-20 | 清华大学 | 一种面向股票领域的文本情感分类方法 |
WO2013059134A1 (en) * | 2011-10-20 | 2013-04-25 | Global Analytics Holdings, Inc. | System and methods for predictive modeling in making structured reference credit decisions |
WO2013133583A1 (ko) * | 2012-03-05 | 2013-09-12 | 한국과학기술연구원 | 실감 인터랙션을 이용한 인지재활 시스템 및 방법 |
CN103678329A (zh) * | 2012-09-04 | 2014-03-26 | 中兴通讯股份有限公司 | 推荐方法及装置 |
US20160055551A1 (en) * | 2013-06-10 | 2016-02-25 | Usman Hafeez | System and method for providing web-based user feedback |
CN104732413A (zh) * | 2013-12-20 | 2015-06-24 | 中国科学院声学研究所 | 一种智能个性化视频广告推送方法及系统 |
CN105095219A (zh) * | 2014-04-23 | 2015-11-25 | 华为技术有限公司 | 微博推荐方法和终端 |
US9727826B1 (en) * | 2014-09-09 | 2017-08-08 | Amazon Technologies, Inc. | Using contrarian machine learning models to compensate for selection bias |
US20160299992A1 (en) * | 2015-04-09 | 2016-10-13 | Yahoo!, Inc. | Inductive matrix completion and graph proximity for content item recommendation |
CN104809253A (zh) * | 2015-05-20 | 2015-07-29 | 成都布林特信息技术有限公司 | 互联网数据分析系统 |
WO2016201631A1 (en) * | 2015-06-17 | 2016-12-22 | Yahoo! Inc. | Systems and methods for online content recommendation |
CN105069036A (zh) * | 2015-07-22 | 2015-11-18 | 百度在线网络技术(北京)有限公司 | 一种信息推荐方法及装置 |
CN105183781A (zh) * | 2015-08-14 | 2015-12-23 | 百度在线网络技术(北京)有限公司 | 信息推荐方法及装置 |
CN105183833A (zh) * | 2015-08-31 | 2015-12-23 | 天津大学 | 一种基于用户模型的微博文本推荐方法及其推荐装置 |
CN105468679A (zh) * | 2015-11-13 | 2016-04-06 | 中国人民解放军国防科学技术大学 | 一种旅游信息处理与方案提供方法 |
CN106227900A (zh) * | 2016-09-06 | 2016-12-14 | 北京易游华成科技有限公司 | 景点推荐设备、方法及系统 |
CN106776881A (zh) * | 2016-11-28 | 2017-05-31 | 中国科学院软件研究所 | 一种基于微博平台的领域信息推荐系统及方法 |
CN106651519A (zh) * | 2016-12-23 | 2017-05-10 | 广州赛宝认证中心服务有限公司 | 基于标签信息的个性化推荐方法和系统 |
CN107256232A (zh) * | 2017-05-16 | 2017-10-17 | 百度在线网络技术(北京)有限公司 | 一种信息推荐方法和装置 |
CN107273436A (zh) * | 2017-05-24 | 2017-10-20 | 北京京东尚科信息技术有限公司 | 一种推荐模型的训练方法和训练装置 |
CN107578332A (zh) * | 2017-09-22 | 2018-01-12 | 深圳乐信软件技术有限公司 | 一种推荐现金商品的方法、装置、设备及存储介质 |
CN107833117A (zh) * | 2017-12-13 | 2018-03-23 | 合肥工业大学 | 一种考虑标签信息的贝叶斯个性化排序推荐方法 |
Non-Patent Citations (2)
Title |
---|
ZOU, P等: "An Improved General Regression Neural Network for Prediction Based on Small Samples Data", 《APPLIED MECHANICS AND MATERIALS》 * |
张永锋: "个性化推荐的可解释性研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699910A (zh) * | 2019-10-23 | 2021-04-23 | 北京达佳互联信息技术有限公司 | 生成训练数据的方法、装置、电子设备及存储介质 |
CN111737579A (zh) * | 2020-06-28 | 2020-10-02 | 北京达佳互联信息技术有限公司 | 对象推荐方法、装置及电子设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807091B (zh) | 一种酒店智能问答推荐与决策支持分析方法及系统 | |
CN108369521A (zh) | 智能虚拟助理系统及相关方法 | |
CN108764485A (zh) | 计算建议工具中的兴趣度推荐 | |
CN106663104A (zh) | 学习和使用用于查询消歧的上下文内容检索规则 | |
Fawcett et al. | Data Science for Business | |
CN107209776A (zh) | 用于基于元数据来呈现与事件有关的信息的方法、系统和介质 | |
Ahn | Human computation | |
CN102625940A (zh) | 互联网偏好学习工具 | |
Baggio et al. | Modelling and simulations for tourism and hospitality: An introduction | |
CN108665064A (zh) | 神经网络模型训练、对象推荐方法及装置 | |
CN109582875A (zh) | 一种在线医疗教育资源的个性化推荐方法及系统 | |
CN109313658A (zh) | 探索个人兴趣空间的方法和系统 | |
CN108027942A (zh) | 用于将品牌拟人化的方法和系统技术领域 | |
McCormack et al. | Deep learning of individual aesthetics | |
CN109903103A (zh) | 一种推荐物品的方法和装置 | |
Whitney | Data insights: new ways to visualize and make sense of data | |
CN110162609A (zh) | 用于向用户推荐咨询问题的方法及装置 | |
CN113254782A (zh) | 问答社区专家推荐方法及系统 | |
Rama et al. | A study on causal rule discovery with PC algorithm | |
CN109034389A (zh) | 信息推荐系统的人机交互式修正方法、装置、设备和介质 | |
Yang | Online sports tourism platform based on FPGA and machine learning | |
CN109391829A (zh) | 视频打点位置分析系统、分析方法及储存媒体 | |
KR102223640B1 (ko) | 클라우드 기반 개인화 콘텐츠 구독 서비스 제공 시스템 및 방법 | |
EP3857452A1 (en) | Methods and systems for defining emotional machines | |
CN112395499A (zh) | 信息推荐方法及装置、电子设备、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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20230203 |
|
AD01 | Patent right deemed abandoned |