CN109062963A - 自媒体推荐方法、装置及电子设备 - Google Patents
自媒体推荐方法、装置及电子设备 Download PDFInfo
- Publication number
- CN109062963A CN109062963A CN201810680188.7A CN201810680188A CN109062963A CN 109062963 A CN109062963 A CN 109062963A CN 201810680188 A CN201810680188 A CN 201810680188A CN 109062963 A CN109062963 A CN 109062963A
- Authority
- CN
- China
- Prior art keywords
- media
- vector
- value
- user
- mapping coefficient
- 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
Abstract
本发明公开了一种自媒体推荐方法,其中,包括:获取目标用户的用户特征向量;获取自媒体数据库中包括的每个自媒体号的自媒体特征向量;通过预先训练的自媒体推荐模型,对用户特征向量和自媒体特征向量进行处理,以确定符合推荐条件的目标自媒体号推荐给目标用户。根据本发明,实现针对用户对自媒体的关注偏好为用户推荐符合个性化需求的自媒体,提升用户体验。
Description
技术领域
本发明涉及互联网技术领域,更具体地,涉及一种自媒体推荐方法、装置及电子设备。
背景技术
随着移动互联网技术的飞速发展,互联网新媒体也随之兴起,例如微信的“公众号”、微博的“微博号”、今日头条的“头条号”以及UC的“大鱼号”等这类自媒体,已经成为人们通过互联网获取信息的热点来源之一。
但是,由于自媒体的信息发布快速、发布门槛低等特点,近年来自媒体号的数量呈爆发式增长,用户极易迷失在在层出不穷、多种多样的自媒体信息中。如何针对用户实现精准的自媒体个性化推荐,是业界关注的热点。
发明内容
本发明的一个目的是提供一种用于推荐自媒体的新技术方案。
根据本发明的第一方面,提供了一种自媒体推荐方法,其中,包括:
获取目标用户的用户特征向量;
获取自媒体数据库中包括的每个自媒体号的自媒体特征向量;
通过预先训练的自媒体推荐模型,对所述用户特征向量和所述自媒体特征向量进行处理,以确定符合推荐条件的目标自媒体号推荐给目标用户。
可选地,所述获取目标用户的用户特征向量的步骤包括:
查询获取所述目标用户已关注的自媒体号;
根据所述目标用户已关注的自媒体号,以及所述自媒体数据库中包括的所述自媒体号,构建所述目标用户的用户特征向量;
其中,所述用户特征向量的向量长度与所述自媒体数据库中的自媒体号的数量相同,所述用户特征向量中与所述目标用户已关注的自媒体号对应的向量元素的取值被设置为1,所述用户特征向量中的其余所述向量元素的取值被设置为0。
可选地,所述自媒体推荐方法还包括构建自媒体数据库的步骤:
获取可供用户访问的多个自媒体号;
对所述多个自媒体号进行编码,使得每个所述自媒体号具有唯一的自媒体编号,以构建所述自媒体数据库。
可选地,所述获取自媒体数据库中包括的每个自媒体号的自媒体特征向量的步骤包括:
对每个所述自媒体号,设置对应的所述自媒体特征向量的向量长度与所述自媒体数据库中的自媒体号的数量相同;
对每个所述自媒体号,设置所述自媒体特征向量中与所述自媒体号对应的向量元素的取值为1,设置所述自媒体特征向量中其余的向量元素取值为0。
可选地,所述通过预先训练的自媒体推荐模型,对所述用户特征向量和所述自媒体特征向量进行处理,以确定符合推荐条件的目标自媒体号推荐给目标用户的步骤包括:
对每个所述自媒体号,根据所述自媒体推荐模型提供的映射系数集合,对所述用户特征向量以及所述自媒体号的所述自媒体特征向量进行处理,确定所述自媒体号的推荐预测值;
其中,所述映射系数集合中包括多个映射系数;
选取所述推荐预测值符合所述推荐条件的自媒体号,确定为所述目标自媒体号。
可选地,
所述映射系数集合中包括所述映射系数的数目,是所述自媒体数据库中包括的所述自媒体的数量与预设的映射参数相乘得到的结果值;
和/或,
所述推荐条件是,所述目标自媒体号的推荐预测值的降序排序值在预设的排序范围内。
可选地,所述根据所述自媒体推荐模型提供的映射系数集合,对所述用户特征向量以及所述自媒体号的所述自媒体特征向量进行处理,确定所述自媒体号的推荐预测值的步骤包括:
根据所述映射系数集合以及所述用户特征向量,确定包括多个用户推荐值的用户推荐向量;
根据所述映射系数集合以及所述自媒体号的自媒体特征向量,确定包括多个自媒体推荐值的自媒体推荐向量;
根据所述用户推荐向量以及所述自媒体推荐向量,确定所述自媒体号的推荐预测值。
可选地,所述根据所述用户推荐向量以及所述自媒体推荐向量,确定所述自媒体号的推荐预测值的步骤包括:
获取所述用户推荐向量与所述自媒体推荐向量的余弦值,作为所述自媒体号的推荐预测值。
可选地,所述自媒体推荐方法还包括训练所述自媒体推荐模型的步骤:
在统计时段内收集多个训练样本;
其中,每个所述训练样本包括对一个用户推荐一个自媒体号得到的关注真实值;
对每个训练样本,根据与所述训练样本对应的所述用户特征向量、与所述训练样本对应的所述自媒体特征向量,以包括多个映射系数的映射系数集合作为变量,确定对应的训练样本的推荐预测值表达式;
根据所述多个训练样本以及对应的所述推荐预测值表达式,构建损失函数;
求解所述损失函数,确定所述映射系数集合的每个所述映射系数的取值,完成本次对所述自媒体推荐模型的训练。
可选地,所述构建损失函数的步骤包括:
对每个训练样本,根据所述训练样本的所述关注真实值以及所述推荐预测值表达式,确定对应的损失表达式;
将每个所述训练样本的损失表达式求和,得到所述损失函数。
可选地,所述求解所述损失函数的步骤包括:
设置所述映射系数集合的每个所述映射系数的初始值为预设数值范围内的随机数;
将设置初始值后的所述映射系数集合代入所述损失函数中,进行迭代处理;
当所述迭代处理得到的所述映射系数集合符合收敛条件时,终止所述迭代处理,确定所述映射系数集合的每个所述映射系数的取值,否则,继续所述迭代处理。
可选地,所述将设置初始值后的所述映射系数集合代入所述损失函数中,进行迭代处理的步骤包括:
对每个所述映射系数,根据本次迭代前的所述映射系数的取值、收敛参数以及代入本次迭代前的所述映射系数集合的所述损失函数,获取对应的迭代后所述映射系数的取值;
根据每个所述映射系数迭代后的取值,得到本次迭代后的所述映射系数集合。
可选地,
所述收敛条件是,所述迭代处理的次数不小于预设的次数阈值;
和/或,
所述收敛条件是,所述迭代处理得到的所述映射系数集合的迭代结果值小于预设的结果阈值;
其中,所述迭代结果值,是根据所述迭代处理得到的所述映射系数集合代入的损失函数与对应的每个所述映射系数求偏导的结果确定。
可选地,根据预设的训练周期,执行所述训练所述自媒体推荐模型的步骤。
根据本发明的第二方面,提供一种自媒体推荐装置,包括:
用户特征获取单元,用于获取目标用户的用户特征向量;
自媒体特征获取单元,用于获取自媒体数据库中包括的每个自媒体号的自媒体特征向量;
推荐处理单元,用于根据所述用户特征向量和所述自媒体特征向量,通过预先构建的自媒体推荐模型确定符合推荐条件的目标自媒体号,以推荐给目标用户。
根据本发明的第三方面,提供一种电子设备,包括:
存储器,用于存储可执行的指令;
处理器,用于根据所述可执行的指令的控制,运行所述电子设备执行如本发明的第一方面的任意一项的自媒体推荐方法。
根据本公开的一个实施例,通过自媒体推荐模型,对获取的目标用户的用户特征向量以及自媒体数据库中每个自媒体号的自媒体特征向量进行处理,确定向目标用户推荐的目标自媒体号,可以实现针对目标用户对自媒体的关注偏好,为目标用户推荐符合个性化需求的自媒体,提升用户体验。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1是显示可用于实现本发明的实施例的电子设备1000的硬件配置的例子的框图。
图2示出了实现本发明的实施例的自媒体推荐方法的流程图。
图3示出了实现本发明的实施例的获取用户特征向量的流程图。
图4示出了实现本发明的实施例的获取自媒体特征向量的流程图。
图5示出了实现本发明的实施例的确定目标自媒体号的流程图。
图6示出了实现本发明的实施例的自媒体推荐模型的例子的示意图。
图7示出了实现本发明的实施例的确定目标自媒体号的推荐预测值的流程图。
图8示出了实现本发明的实施例的训练自媒体推荐模型的流程图。
图9示出了实现本发明的实施例的自媒体推荐的框图。
图10示出了实现本发明的实施例的自媒体推荐的框图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
<硬件配置>
图1是示出可以实现本发明的实施例的电子设备1000的硬件配置的框图。
电子设备1000可以是便携式电脑、台式计算机、手机、平板电脑等。如图1所示,电子设备1000可以包括处理器1100、存储器1200、接口装置1300、通信装置1400、显示装置1500、输入装置1600、扬声器1700、麦克风1800等等。其中,处理器1100可以是中央处理器CPU、微处理器 MCU等。存储器1200例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1300例如包括USB接口、耳机接口等。通信装置1400例如能够进行有线或无线通信,具体地可以包括Wifi 通信、蓝牙通信、2G/3G/4G/5G通信等。显示装置1500例如是液晶显示屏、触摸显示屏等。输入装置1600例如可以包括触摸屏、键盘、体感输入等。用户可以通过扬声器1700和麦克风1800输入/输出语音信息。
图1所示的电子设备仅仅是说明性的并且决不意味着对本发明、其应用或使用的任何限制。应用于本发明的实施例中,电子设备1000的所述存储器1200用于存储指令,所述指令用于控制所述处理器1100进行操作以执行本发明实施例提供的任意一项自媒体推荐方法。本领域技术人员应当理解,尽管在图1中对电子设备1000示出了多个装置,但是,本发明可以仅涉及其中的部分装置,例如,电子设备1000只涉及处理器1100和存储装置1200。技术人员可以根据本发明所公开方案设计指令。指令如何控制处理器进行操作,这是本领域公知,故在此不再详细描述。
<实施例>
<方法>
在本实施例中,提供一种自媒体推荐方法。自媒体是通过互联网的信息发布平台,向不特定的大多数或者特定的单个人传递规范性及非规范性信息的新媒体的总称,例如,微信的“公众号”、微博的“微博号”、今日头条的“头条号”以及UC的“大鱼号”都是自媒体。
该自媒体推荐方法,如图2所示,包括:步骤S2100-S2300。
步骤S2100,获取目标用户的用户特征向量。
用户特征向量是反映目标用户对自媒体的关注特性的向量。
在本实施例中,可以根据目标用户对自媒体的历史关注状态获取对应的特征用户向量,例如,步骤S2100可以如图3所示,包括:步骤 S2110-S2120。
步骤S2110,查询获取目标用户已关注的自媒体号。
在本例中,可以在获取目标用户授权后,从目标用户历史访问的自媒体信息发布平台(例如微信、微博、今日头条等)查询获取其关注的自媒体号。
步骤S2120,根据目标用户已关注的自媒体号,以及自媒体数据库中包括的自媒体号,构建目标用户的用户特征向量。
其中,用户特征向量的向量长度与自媒体数据库中的自媒体号的数量相同,用户特征向量中与目标用户已关注的自媒体号对应的向量元素的取值被设置为1,用户特征向量中的其余所述向量元素的取值被设置为0。
在本例中,自媒体数据库中包括多个可供目标用户访问的自媒体号的相关数据。
根据自媒体数据库中包括的自媒体号,可以对应获取所述自媒体数据库中的自媒体号的数量,构建一个向量长度的自媒体数据中的自媒体数量相同的全0向量,完成用户特征向量的初始化;在初始化后的用户特征向量中,找到与目标用户已关注的自媒体号对应的向量元素设置为1,完成用户特征向量的构建。
用户特征向量中与自媒体号对应的向量元素,可以是在用户特征向量中的元素次序与自媒体号的自媒体编号相同的向量元素,或者元素次序与自媒体号在自媒体数据库中的存储次序相同的向量元素,等等。
例如,自媒体数据库中包括m个自媒体号,每个自媒体号具有一个唯一的自媒体编号,并且自媒体编号的编码范围都在1-m之间,对于一个用户x,可以初始化x的用户特征向量是向量长度为m的全0向量,x如果关注了自媒体编号1和3的自媒体号,对应的用户特征向量为 (1,0,1,0,……);或者,自媒体编号不是1-m之间的编号,可以根据对应自媒体号在自媒体数据库中存储的次序来对应设置用户特征向量,x如果关注了自媒体数据库中第1和3个的自媒体号,对应的用户特征向量也为 (1,0,1,0,……);等等,在此不再一一列举。
在步骤S2100之后,进入:
步骤S2200,获取自媒体数据库中包括的每个自媒体号的自媒体特征向量。
在本实施例中,自媒体数据库中包括多个可供目标用户访问的自媒体号的相关数据。在一个例子中,本实施例中提供的自媒体推荐方法还可以包括构建自媒体数据库的步骤,包括:步骤S2201-S2202。
步骤S2201,获取可供用户访问的多个自媒体号。
在本例中,可以通过搜索、抓取等手段,获取互联网中可供用户访问的自媒体号,该获取自媒体号的过程包括获取自媒体号的名称、访问地址、相关内容的与自媒体号相关的数据。
步骤S2202,对多个自媒体号进行编码,使得每个自媒体号具有唯一的自媒体编号,以构建自媒体数据库。
自媒体号的名称或者访问地址通常自媒体号在互联网中的标识,但是由于自媒体号的名称、访问地址通常可能是各种字符构成,并且字符长度不一,不易管理。在本例中,可以通过对自媒体号进行编码,使得每个自媒体号具有唯一的自媒体编号,规范自媒体号的自媒体编号,以此构建自媒体数据库,使得自媒体号的管理更有效率。
对自媒体号的编码,可以使用例如one-hot编码(又称独热编码、一位有效编码),使得所有自媒体号具有唯一的自媒体编号,并且自媒体编号的范围在1-m之间(m是自媒体数据库中包括的自媒体号的数量)。
自媒体特征向量是用于表征对应的自媒体号的相关特性的向量。
在本实施例中,获取自媒体数据库中包括的每个自媒体号的自媒体特征向量的步骤S2200可以如图4所示,包括:步骤S2210-S2220。
步骤S2210,对每个自媒体号,设置对应的自媒体特征向量的向量长度与自媒体数据库中的自媒体号的数量相同。
步骤S2220,对每个自媒体号,设置自媒体特征向量中与自媒体号对应的向量元素的取值为1,设置自媒体特征向量中其余的向量元素取值为 0。
根据自媒体数据库中包括的自媒体号,可以对应获取所述自媒体数据库中的自媒体号的数量。对每个自媒体号,构建一个向量长度的自媒体数据中的自媒体数量相同的全0向量,完成自媒体特征向量的初始化,在初始化后的自媒体特征向量中,找到自媒体号对应的向量元素设置为1,完成用户特征向量的构建。
自媒体特征向量中与自媒体号对应的向量元素,可以是在自媒体特征向量中的元素次序与自媒体号的自媒体编号相同的向量元素,或者元素次序与自媒体号在自媒体数据库中的存储次序相同的向量元素,等等。
例如,假设自媒体数据库中包括m个自媒体号,每个自媒体号具有一个唯一的自媒体编号,并且自媒体编号的编码范围都在1-m之间,假设自媒体数据库中包括m个自媒体号,对某个自媒体号t,可以初始化t的自媒体特征向量是向量长度为m的全0向量,如果t的自媒体编号是3,对应的用户特征向量为(0,0,1,0,……);或者,自媒体编号不是1-m之间的编号,可以根据自媒体号在自媒体数据库中存储的次序来对应设置自媒体特征向量,如果自媒体号在自媒体数据中存储的次序是3,对应的自媒体特征向量也为(0,0,1,0,……);等等,在此不再一一列举。
在步骤S2200,之后进入:
步骤S2300,通过预先训练的自媒体推荐模型,对所述用户特征向量和所述自媒体特征向量进行处理,以确定符合推荐条件的目标自媒体号推荐给目标用户。
自媒体推荐模型是预先训练用于推荐自媒体号的深度学习模型,该自媒体推荐模型可以对输入的用户特征向量和自媒体特征向量进行处理,输出针对目标用户的自媒体号的推荐预测值,以此确定符合推荐条件的目标自媒体号。
推荐条件是用于评估自媒体号是否符合目标用户的个性化需求的条件,可以根据应用场景或者应用需求设置。
在本实施例中,用户特征向量表征目标用户对自媒体的关注偏好,自媒体特征向量表征对应自媒体号的相关媒体特性,根通过自媒体推荐模型,对用户特征向量和自媒体特征向量,推荐目标自媒体号给目标用户,可以实现针对目标用户对自媒体的关注偏好,为目标用户推荐符合个性化需求的自媒体,提升用户体验。
在一个例子中,通过预先训练的自媒体推荐模型,对用户特征向量和自媒体特征向量进行处理,以确定符合推荐条件的目标自媒体号推荐给目标用户的步骤S2300,如图5所示,包括:步骤S2310-S2320。
步骤S2310,对每个自媒体号,根据自媒体推荐模型提供的映射系数集合,对用户特征向量以及对应的自媒体特征向量进行处理,确定对应的所述自媒体号的推荐预测值。
在本例中,映射系数集合中包括多个映射系数。映射系数是自媒体推荐模型中用户特征向量以及自媒体特征向量在对应的自媒体应用推荐模型的模型空间中进行映射的关键参数。映射系数集合中包括所述映射系数的数目,是所述自媒体数据库中包括的所述自媒体的数量与预设的映射参数相乘得到的结果值。该映射参数是用于影响映射系数的相关参数,可以根据具体的应用场景或者应用需求设置。
例如,如图6所示,在本实施例中的自媒体推荐模型是三层结构(包括输入层、中间层以及输出层)的深度学习模型,假设在输入层输入用户 x的向量长度为m的用户特征向量PUx、以及自媒体号t的向量长度为m的自媒体特征向量PVt,通过映射系数集合{wl,i}(l=1,...,m;i=1,....n)中包括 m*n个映射系数,其中n为映射参数。
从图6中可知,通过映射系数集合{wl,i}处理PUx、PVt,可以在中间层得到向量长度为n的向量(u1,u2,....,un)和(v1,v2,....,vn),最终在输出层得到对应的自媒体号t的推荐预测值Y。
在实际应用中,自媒体数据库中包括自媒体号的数量庞大,通常达到万级乃至千万级,本例中可以通过将映射参数n设置在百级别,极大减少通过自媒体推荐模型确定自媒体号的推荐预测值的计算量,提高处理效率。
步骤S2310可以如图7所示,包括:步骤S2311-S2313。
步骤S2311,根据映射系数集合以及用户特征向量,确定包括多个用户推荐值的用户推荐向量。
在本例中,假设自媒体数据库中包括m个自媒体号,目标用户X的用户特征向量{xl}(l=1,...,m),映射系数集合{wl,i}(l=1,...,m;i=1,...,n)中包括m*n个映射系数,根据下述公式可以计算用户推荐值ui(i=1,...,n):
以此得到包括多个ui的用户推荐向量U=(u1,u2,...,un)。
步骤S2312,根据映射系数集合以及自媒体号的自媒体特征向量,确定包括多个自媒体推荐值的自媒体推荐向量。
在本例中,假设自媒体数据库中包括m个自媒体号,自媒体号T的自媒体特征向量{tl}(l=1,...,m),映射系数集合{wl,i}(l=1,...,m;i=1,...,n) 中包括m*n个映射系数,根据下述公式可以计算自媒体推荐值 vi(i=1,...,n):
以此得到包括多个vi的自媒体推荐向量V=(v1,v2,...,vn)。
步骤S2313,根据用户推荐向量以及自媒体推荐向量,确定自媒体号的推荐预测值。
在本例中,可以通过获取用户推荐向量以及自媒体推荐向量之间的相似度、拟合度等来确定自媒体号的推荐预测值。例如,可以获取用户推荐向量与所述自媒体推荐向量的余弦值,作为自媒体号的推荐预测值。
具体地,假设对于目标用户X的用户推荐向量U=(u1,u2,...,un),对于自媒体号T的自媒体推荐向量V=(v1,v2,...,vn),对应的,对于目标用户 X,自媒体号T的推荐预测值Y为:
在步骤S2310之后,进入:
步骤S2320,选取推荐预测值符合推荐条件的自媒体号,确定为目标自媒体号。
在本例中,推荐条件是用于评估自媒体号的推荐预测值是否满足目标用户的个性化需求的条件,可以根据应用需求或者应用场景设置。
例如,推荐条件可以是目标自媒体号的推荐预测值的降序排序值在预设的排序范围内。该排序范围可以根据具体的应用场景或者应用需求设置,例如,可以将排序范围设置为1-100,对应可以将应用推荐值排序在1-100 的自媒体号作为目标自媒体号推荐给用户。
在一个例子中,本实施例中提供的自媒体推荐方法,还可以包括训练自媒推荐模型的步骤,如图8所示,包括:步骤S3100-S3400。
步骤S3100,在统计时段内收集多个训练样本。
在本例中,统计时段可以根据应用场景或者应用需求设置,例如,可以设置为最近1天。
每个训练样本包括对一个用户推荐一个自媒体号后的关注真实值,当该用户对该自媒体号关注时,关注真实值设置为1,否则,关注真实值设置为-1。
步骤3200,对每个训练样本,根据与训练样本对应的用户特征向量、训练样本对应的自媒体号的自媒体特征向量,以包括多个映射系数的映射系数集合作为变量,确定对应的训练样本的推荐预测值表达式。
假设一个训练样本(X,T,y),表示的是在统计时段内对用户X推荐自媒体号T,得到对应的关注真实值y,y的取值是-1或1,其中-1表示用户X未关注自媒体号T,1表示用户X关注自媒体号T;
对这个训练样本,假设用户X的用户特征向量{xl}(l=1,...,m),自媒体号T的自媒体特征向量{tl}(l=1,...,m),以包括多个映射系数的映射系数集合W={wl,i}(l=1,...,m;i=1,...,n)作为变量,可以得到推荐预测值表达式Y为:
其中,
根据上述方法,可以确定每个训练样本对应的推荐预测值表达式。
步骤S3300,根据多个训练样本以及对应的推荐预测值表达式,构建损失函数。
具体地,构建损失函数的步骤S3300包括:步骤S3310-S3320。
步骤S3310,对每个训练样本,根据该训练样本的关注真实值以及推荐预测值表达式,确定对应的损失表达式。
假设收集到的训练样本数为nums,对于第j个样本,对应的关注真实是yj,推荐预测值表达式为Yj,对应的损失表达是为 (yj-Yj)2(j=1,...,nums)。
步骤S3320,将每个所述训练样本的损失表达式求和,得到损失函数。
在本例中,损失函数为:
其中,W={wl,i}(l=1,...,m;i=1,...,n)。
在步骤S3300之后,进入:
步骤S3400,求解损失函数,确定所述映射系数集合的每个映射系数的取值,完成本次对自媒体推荐模型的训练。
例如,步骤S3400可以包括:步骤S3410-S3430。
步骤S3410,设置映射系数集合的每个所述映射系数的初始值为预设数值范围内的随机数。
假设映射系数集合W={wl,i}(l=1,...,m;i=1,...,n),m是自媒体数据库中包括的自媒体号的数量,n是预设的映射参数,对每一个映射系数wl,i,可以设置初始值为预设数值范围的随机数。该预设数值范围可以根据应用场景或者应用需求设置,例如,设置预设数值范围为0-1,使得每一个映射系数wl,i的初始值是0-1之间的随机数。
步骤S3420,将设置初始值后的映射系数集合代入所述损失函数中,进行迭代处理。
例如,步骤S3420可以包括:步骤S3421-S3422。
步骤S3421,对每个映射系数,根据本次迭代前的映射系数的取值、收敛参数以及代入本次迭代前的映射系数集合的损失函数,获取对应的迭代后所述映射系数的取值。
其中,收敛参数是控制迭代处理收敛速度的相关参数,可以根据应用场景或者应用需求设置,例如,设置为0.01。
假设本次迭代是第k+1次迭代(k的初始值为0,随着每次迭代加1),对每个映射系数wl,i,本次迭代前的映射系数的取值为wl,i (k),收敛参数为ρ,代入本次迭代前的映射系数集合的损失函数为对应的迭代后所述映射系数的取值wl,i (k+1)为:
步骤S3422,根据每个映射系数迭代后的取值,得到本次迭代后的映射系数集合。
假设本次迭代是第k+1次迭代(k的初始值为0,随着每次迭代加1),本次迭代后的映射系数集合为W(k+1)={wl,i}(k+1)(l=1,...,m;i=1,...n)。
在步骤S3420之后,进入:
步骤S3430,当迭代处理得到的映射系数集合符合收敛条件时,终止迭代处理,确定映射系数集合的每个所述映射系数的取值,否则,继续迭代处理。
在本实施例中,收敛条件可以根据具体的应用场景或者应用需求设置。
例如,收敛条件是迭代处理的次数大于预设的次数阈值。该预设的次数阈值可以根据工程经验或者实验仿真结果设置,例如,可以设置为300。对应地,假设迭代处理的次数为k+1,次数阈值是itemNums,对应的收敛条件为:k≥itemNums。
又例如,收敛条件是迭代处理得到的映射系数集合的迭代结果值小于预设的结果阈值。该迭代结果值是根据迭代处理得到的映射系数集合代入的损失函数与对应的每个映射系数求偏导的结果确定。
假设W={wl,i}(l=1,...,m;i=1,...,n),其中包括n×m个映射系数 wl,i,第k+1次迭代的代结果值为:结果阈值可以根据映射系数wl,i设置,例如设置为n×m×α,其中α可以根据工程经验或者实验仿真结果设置,例如设置为α=0.01×ρ,ρ为上述的收敛参数;
对应地,收敛条件为
在一个例子中,收敛条件是满足上述两个例子中任意一个收敛条件,具体收敛条件在上述两个例子中已经描述,在此不再赘述。
假设第k+1次迭代处理得到的映射系数集合 W(k+1)={wl,i}(k+1)(l=1,...,m;i=1,...n)符合收敛条件时,终止迭代处理,得到对应所有wl,i (k+1)的取值,否则,继续迭代处理,直到映射系数集合符合收敛条件。
在实际应用中,自媒体数据库中的自媒体号会因为数量增长、内容更新等原因一直发生变化,对应地,会影响对目标用户推荐自媒体的实际推荐效果,因此,在本实施例中,还可以对自媒体推荐模型,根据预设的训练周期,执行上述如图8所示的训练自媒体推荐模型的步骤,使得自媒体推荐模型自适应根据自媒体数据库中自媒体号的变换进行调整,更精准地实现针对用户的个性化自媒体推荐。该训练周期可以根据具体应用场景或者应用需求设置,例如,设置为1天。
<自媒体推荐装置>
在本实施例中,还提供一种自媒体推荐装置300,如图9所示,包括:用户特征获取单元310、自媒体特征获取单元320以及推荐处理单元330,用于实施本实施例中提供的任意一项自媒体推荐方法,在此不再赘述。
自媒体推荐装置300,包括:
用户特征获取单元310,用于获取目标用户的用户特征向量;
自媒体特征获取单元320,用于获取自媒体数据库中包括的每个自媒体号的自媒体特征向量;
推荐处理单元330,用于根据所述用户特征向量和所述自媒体特征向量,通过预先构建的自媒体推荐模型确定符合推荐条件的目标自媒体号,以推荐给目标用户。
可选地,用户特征获取单元310用于:
查询获取所述目标用户已关注的自媒体号;
根据所述目标用户已关注的自媒体号,以及所述自媒体数据库中包括的所述自媒体号,构建所述目标用户的用户特征向量;
其中,所述用户特征向量的向量长度与所述自媒体数据库中的自媒体号的数量相同,所述用户特征向量中与所述目标用户已关注的自媒体号对应的向量元素的取值被设置为1,所述用户特征向量中的其余所述向量元素的取值被设置为0。
可选地,自媒体推荐装置300中包括用于构建自媒体数据库的装置,用于:
获取可供用户访问的多个自媒体号;
对所述多个自媒体号进行编码,使得每个所述自媒体号具有唯一的自媒体编号,以构建所述自媒体数据库。
可选地,自媒体特征获取单元320用于:
对每个所述自媒体号,设置对应的所述自媒体特征向量的向量长度与所述自媒体数据库中的自媒体号的数量相同;
对每个所述自媒体号,设置所述自媒体特征向量中与所述自媒体号对应的向量元素的取值为1,设置所述自媒体特征向量中其余的向量元素取值为0。
可选地,推荐处理单元330用于:
对每个所述自媒体号,根据所述自媒体推荐模型提供的映射系数集合,对所述用户特征向量以及所述自媒体号的所述自媒体特征向量进行处理,确定所述自媒体号的推荐预测值;
其中,所述映射系数集合中包括多个映射系数;
选取所述推荐预测值符合所述推荐条件的自媒体号,确定为所述目标自媒体号。
可选地,
所述映射系数集合中包括所述映射系数的数目,是所述自媒体数据库中包括的所述自媒体的数量与预设的映射参数相乘得到的结果值;
和/或,
所述推荐条件是,所述目标自媒体号的推荐预测值的降序排序值在预设的排序范围内。
可选地,推荐处理单元330实施的所述根据所述自媒体推荐模型提供的映射系数集合,对所述用户特征向量以及所述自媒体号的所述自媒体特征向量进行处理,确定所述自媒体号的推荐预测值的步骤包括:
根据所述映射系数集合以及所述用户特征向量,确定包括多个用户推荐值的用户推荐向量;
根据所述映射系数集合以及所述自媒体号的自媒体特征向量,确定包括多个自媒体推荐值的自媒体推荐向量;
根据所述用户推荐向量以及所述自媒体推荐向量,确定所述自媒体号的推荐预测值。
可选地,推荐处理单元330实施的根据所述用户推荐向量以及所述自媒体推荐向量,确定所述自媒体号的推荐预测值的步骤包括:
获取所述用户推荐向量与所述自媒体推荐向量的余弦值,作为所述自媒体号的推荐预测值。
可选地,所述推荐处理单元330还包括用于训练所述自媒体推荐模型的装置,该装置用于:
在统计时段内收集多个训练样本;
其中,每个所述训练样本包括对一个用户推荐一个自媒体号得到的关注真实值;
对每个训练样本,根据与所述训练样本对应的所述用户特征向量、与所述训练样本对应的所述自媒体特征向量,以包括多个映射系数的映射系数集合作为变量,确定对应的训练样本的推荐预测值表达式;
根据所述多个训练样本以及对应的所述推荐预测值表达式,构建损失函数;
求解所述损失函数,确定所述映射系数集合的每个所述映射系数的取值,完成本次对所述自媒体推荐模型的训练。
可选地,用于训练所述自媒体推荐模型的装置实施构建损失函数的步骤包括:
对每个训练样本,根据所述训练样本的所述关注真实值以及所述推荐预测值表达式,确定对应的损失表达式;
将每个所述训练样本的损失表达式求和,得到所述损失函数。
可选地,用于训练所述自媒体推荐模型的装置实施求解所述损失函数的步骤包括:
设置所述映射系数集合的每个所述映射系数的初始值为预设数值范围内的随机数;
将设置初始值后的所述映射系数集合代入所述损失函数中,进行迭代处理;
当所述迭代处理得到的所述映射系数集合符合收敛条件时,终止所述迭代处理,确定所述映射系数集合的每个所述映射系数的取值,否则,继续所述迭代处理。
可选地,用于训练所述自媒体推荐模型的装置实施将设置初始值后的所述映射系数集合代入所述损失函数中,进行迭代处理的步骤包括:
对每个所述映射系数,根据本次迭代前的所述映射系数的取值、收敛参数以及代入本次迭代前的所述映射系数集合的所述损失函数,获取对应的迭代后所述映射系数的取值;
根据每个所述映射系数迭代后的取值,得到本次迭代后的所述映射系数集合。
可选地,所述收敛条件是,所述迭代处理的次数不小于预设的次数阈值;
和/或,
所述收敛条件是,所述迭代处理得到的所述映射系数集合的迭代结果值小于预设的结果阈值;
其中,所述迭代结果值,是根据所述迭代处理得到的所述映射系数集合代入的损失函数与对应的每个所述映射系数求偏导的结果确定。
可选地,用于训练所述自媒体推荐模型的装置根据预设的训练周期,执行所述训练所述自媒体推荐模型的步骤。
本领域技术人员应当明白,可以通过各种方式来实现自媒体推荐装置 300。例如,可以通过指令配置处理器来实现自媒体推荐装置300。例如,可以将指令存储在ROM中,并且当启动设备时,将指令从ROM读取到可编程器件中来实现自媒体推荐装置300。例如,可以将自媒体推荐装置300 固化到专用器件(例如ASIC)中。可以将自媒体推荐装置300分成相互独立的单元,或者可以将它们合并在一起实现。自媒体推荐装置300可以通过上述各种实现方式中的一种来实现,或者可以通过上述各种实现方式中的两种或更多种方式的组合来实现。
在本实施例中自媒体推荐装置300,可以是自媒体信息发布平台(例如可以提供自媒体发布的社交应用、浏览器等),也可以自媒体信息发布平台的插件或者外设功能模块或者是用户使用的电子设备中的功能模块,在此不一一列举。
<电子设备>
在本实施例中,还提供一种电子设备400,如图10所示,包括:
存储器410,用于存储可执行的指令;
处理器420,用于根据所述可执行的指令的控制,运行所述电子设备执行如本实施例中提供所述的任意一项的自媒体推荐方法。
在本实施例中,电子设备400可以是手机、平板电脑、掌上电脑、台式计算机、笔记本电脑等。在一个例子中,电子设备400可以是安装有用于访问自媒体的应用的手机。
在本实施例中,电子设备400还可以包括其他硬件模块,例如,如图1所示的电子设备4000。
以上已经结合附图和例子说明本实施例中提供的自媒体推荐方法、装置及电子设备,通过自媒体推荐模型,对获取的目标用户的用户特征向量以及自媒体数据库中每个自媒体号的自媒体特征向量进行处理,确定向目标用户推荐的目标自媒体号,可以实现针对目标用户对自媒体的关注偏好,为目标用户推荐符合个性化需求的自媒体,提升用户体验。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/ 或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构 (ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是,通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。
Claims (16)
1.一种自媒体推荐方法,其中,包括:
获取目标用户的用户特征向量;
获取自媒体数据库中包括的每个自媒体号的自媒体特征向量;
通过预先训练的自媒体推荐模型,对所述用户特征向量和所述自媒体特征向量进行处理,以确定符合推荐条件的目标自媒体号推荐给目标用户。
2.根据权利要求1所述的方法,其中,所述获取目标用户的用户特征向量的步骤包括:
查询获取所述目标用户已关注的自媒体号;
根据所述目标用户已关注的自媒体号,以及所述自媒体数据库中包括的所述自媒体号,构建所述目标用户的用户特征向量;
其中,所述用户特征向量的向量长度与所述自媒体数据库中的自媒体号的数量相同,所述用户特征向量中与所述目标用户已关注的自媒体号对应的向量元素的取值被设置为1,所述用户特征向量中的其余所述向量元素的取值被设置为0。
3.根据权利要求1所述的方法,其中,还包括构建自媒体数据库的步骤:
获取可供用户访问的多个自媒体号;
对所述多个自媒体号进行编码,使得每个所述自媒体号具有唯一的自媒体编号,以构建所述自媒体数据库。
4.根据权利要求1所述的方法,其中,所述获取自媒体数据库中包括的每个自媒体号的自媒体特征向量的步骤包括:
对每个所述自媒体号,设置对应的所述自媒体特征向量的向量长度与所述自媒体数据库中的自媒体号的数量相同;
对每个所述自媒体号,设置所述自媒体特征向量中与所述自媒体号对应的向量元素的取值为1,设置所述自媒体特征向量中其余的向量元素取值为0。
5.根据权利要求1所述的方法,其中,
所述通过预先训练的自媒体推荐模型,对所述用户特征向量和所述自媒体特征向量进行处理,以确定符合推荐条件的目标自媒体号推荐给目标用户的步骤包括:
对每个所述自媒体号,根据所述自媒体推荐模型提供的映射系数集合,对所述用户特征向量以及所述自媒体号的所述自媒体特征向量进行处理,确定所述自媒体号的推荐预测值;
其中,所述映射系数集合中包括多个映射系数;
选取所述推荐预测值符合所述推荐条件的自媒体号,确定为所述目标自媒体号。
6.根据权利要求5所述的方法,其中,
所述映射系数集合中包括所述映射系数的数目,是所述自媒体数据库中包括的所述自媒体的数量与预设的映射参数相乘得到的结果值;
和/或,
所述推荐条件是,所述目标自媒体号的推荐预测值的降序排序值在预设的排序范围内。
7.根据权利要求5所述的方法,其中,所述根据所述自媒体推荐模型提供的映射系数集合,对所述用户特征向量以及所述自媒体号的所述自媒体特征向量进行处理,确定所述自媒体号的推荐预测值的步骤包括:
根据所述映射系数集合以及所述用户特征向量,确定包括多个用户推荐值的用户推荐向量;
根据所述映射系数集合以及所述自媒体号的自媒体特征向量,确定包括多个自媒体推荐值的自媒体推荐向量;
根据所述用户推荐向量以及所述自媒体推荐向量,确定所述自媒体号的推荐预测值。
8.根据权利要求7所述的方法,其中,所述根据所述用户推荐向量以及所述自媒体推荐向量,确定所述自媒体号的推荐预测值的步骤包括:
获取所述用户推荐向量与所述自媒体推荐向量的余弦值,作为所述自媒体号的推荐预测值。
9.根据权利要求1所述的方法,其中,还包括训练所述自媒体推荐模型的步骤:
在统计时段内收集多个训练样本;
其中,每个所述训练样本包括对一个用户推荐一个自媒体号得到的关注真实值;
对每个训练样本,根据与所述训练样本对应的所述用户特征向量、与所述训练样本对应的所述自媒体特征向量,以包括多个映射系数的映射系数集合作为变量,确定对应的训练样本的推荐预测值表达式;
根据所述多个训练样本以及对应的所述推荐预测值表达式,构建损失函数;
求解所述损失函数,确定所述映射系数集合的每个所述映射系数的取值,完成本次对所述自媒体推荐模型的训练。
10.根据权利要求9所述的方法,其中,所述构建损失函数的步骤包括:
对每个训练样本,根据所述训练样本的所述关注真实值以及所述推荐预测值表达式,确定对应的损失表达式;
将每个所述训练样本的损失表达式求和,得到所述损失函数。
11.根据权利要求9所述的方法,其中,所述求解所述损失函数的步骤包括:
设置所述映射系数集合的每个所述映射系数的初始值为预设数值范围内的随机数;
将设置初始值后的所述映射系数集合代入所述损失函数中,进行迭代处理;
当所述迭代处理得到的所述映射系数集合符合收敛条件时,终止所述迭代处理,确定所述映射系数集合的每个所述映射系数的取值,否则,继续所述迭代处理。
12.根据权利要求11所述的方法,其中,所述将设置初始值后的所述映射系数集合代入所述损失函数中,进行迭代处理的步骤包括:
对每个所述映射系数,根据本次迭代前的所述映射系数的取值、收敛参数以及代入本次迭代前的所述映射系数集合的所述损失函数,获取对应的迭代后所述映射系数的取值;
根据每个所述映射系数迭代后的取值,得到本次迭代后的所述映射系数集合。
13.根据权利要求11所述的方法,其中,
所述收敛条件是,所述迭代处理的次数不小于预设的次数阈值;
和/或,
所述收敛条件是,所述迭代处理得到的所述映射系数集合的迭代结果值小于预设的结果阈值;
其中,所述迭代结果值,是根据所述迭代处理得到的所述映射系数集合代入的损失函数与对应的每个所述映射系数求偏导的结果确定。
14.根据权利要求9所述的方法,其中,
根据预设的训练周期,执行所述训练所述自媒体推荐模型的步骤。
15.一种自媒体推荐装置,其中,包括:
用户特征获取单元,用于获取目标用户的用户特征向量;
自媒体特征获取单元,用于获取自媒体数据库中包括的每个自媒体号的自媒体特征向量;
推荐处理单元,用于根据所述用户特征向量和所述自媒体特征向量,通过预先构建的自媒体推荐模型确定符合推荐条件的目标自媒体号,以推荐给目标用户。
16.一种电子设备,其中,包括:
存储器,用于存储可执行的指令;
处理器,用于根据所述可执行的指令的控制,运行所述电子设备执行如权利要求1-14所述的任意一项的自媒体推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810680188.7A CN109062963B (zh) | 2018-06-27 | 2018-06-27 | 自媒体推荐方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810680188.7A CN109062963B (zh) | 2018-06-27 | 2018-06-27 | 自媒体推荐方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109062963A true CN109062963A (zh) | 2018-12-21 |
CN109062963B CN109062963B (zh) | 2021-06-04 |
Family
ID=64821373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810680188.7A Active CN109062963B (zh) | 2018-06-27 | 2018-06-27 | 自媒体推荐方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109062963B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110457586A (zh) * | 2019-08-16 | 2019-11-15 | 苏州大学 | 基于自媒体平台的用户偏好智能提取方法 |
CN110569422A (zh) * | 2018-03-29 | 2019-12-13 | 广州市动景计算机科技有限公司 | 基于应用向量的应用推荐方法及装置 |
CN110633376A (zh) * | 2019-08-22 | 2019-12-31 | 北京奇艺世纪科技有限公司 | 一种媒体对象排序方法、装置、设备及存储介质 |
CN111311104A (zh) * | 2020-02-27 | 2020-06-19 | 第四范式(北京)技术有限公司 | 一种配置文件的推荐方法、装置及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101271558A (zh) * | 2008-05-16 | 2008-09-24 | 华东师范大学 | 基于上下文信息的多策略商品推荐系统 |
CN103744966A (zh) * | 2014-01-07 | 2014-04-23 | Tcl集团股份有限公司 | 一种物品推荐方法、装置 |
CN105808683A (zh) * | 2016-03-02 | 2016-07-27 | 百度在线网络技术(北京)有限公司 | 基于人工智能的自媒体信息订阅方法及装置 |
CN106469163A (zh) * | 2015-08-18 | 2017-03-01 | 中兴通讯股份有限公司 | 一种公众号推荐方法及系统 |
CN106649774A (zh) * | 2016-12-27 | 2017-05-10 | 北京百度网讯科技有限公司 | 基于人工智能的对象推送方法及装置 |
CN106954087A (zh) * | 2017-03-21 | 2017-07-14 | 微鲸科技有限公司 | 广告短片与视频节目混合推荐方法及装置 |
US20170206582A1 (en) * | 2016-01-15 | 2017-07-20 | Target Brands, Inc. | Generating a user interface for recommending products |
-
2018
- 2018-06-27 CN CN201810680188.7A patent/CN109062963B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101271558A (zh) * | 2008-05-16 | 2008-09-24 | 华东师范大学 | 基于上下文信息的多策略商品推荐系统 |
CN103744966A (zh) * | 2014-01-07 | 2014-04-23 | Tcl集团股份有限公司 | 一种物品推荐方法、装置 |
CN106469163A (zh) * | 2015-08-18 | 2017-03-01 | 中兴通讯股份有限公司 | 一种公众号推荐方法及系统 |
US20170206582A1 (en) * | 2016-01-15 | 2017-07-20 | Target Brands, Inc. | Generating a user interface for recommending products |
CN105808683A (zh) * | 2016-03-02 | 2016-07-27 | 百度在线网络技术(北京)有限公司 | 基于人工智能的自媒体信息订阅方法及装置 |
CN106649774A (zh) * | 2016-12-27 | 2017-05-10 | 北京百度网讯科技有限公司 | 基于人工智能的对象推送方法及装置 |
CN106954087A (zh) * | 2017-03-21 | 2017-07-14 | 微鲸科技有限公司 | 广告短片与视频节目混合推荐方法及装置 |
Non-Patent Citations (1)
Title |
---|
王晟 等: ""个性化微博推荐算法"", 《计算机科学与探索》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569422A (zh) * | 2018-03-29 | 2019-12-13 | 广州市动景计算机科技有限公司 | 基于应用向量的应用推荐方法及装置 |
CN110569422B (zh) * | 2018-03-29 | 2022-06-17 | 阿里巴巴(中国)有限公司 | 基于应用向量的应用推荐方法及装置 |
CN110457586A (zh) * | 2019-08-16 | 2019-11-15 | 苏州大学 | 基于自媒体平台的用户偏好智能提取方法 |
CN110633376A (zh) * | 2019-08-22 | 2019-12-31 | 北京奇艺世纪科技有限公司 | 一种媒体对象排序方法、装置、设备及存储介质 |
CN111311104A (zh) * | 2020-02-27 | 2020-06-19 | 第四范式(北京)技术有限公司 | 一种配置文件的推荐方法、装置及系统 |
CN111311104B (zh) * | 2020-02-27 | 2023-08-25 | 第四范式(北京)技术有限公司 | 一种配置文件的推荐方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109062963B (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109062963A (zh) | 自媒体推荐方法、装置及电子设备 | |
CN107688823B (zh) | 一种图像特征获取方法及装置,电子设备 | |
CN110309283A (zh) | 一种智能问答的答案确定方法及装置 | |
CN110046304A (zh) | 一种用户推荐方法和装置 | |
CN109460514A (zh) | 用于推送信息的方法和装置 | |
CN108153901A (zh) | 基于知识图谱的信息推送方法和装置 | |
CN106339507B (zh) | 流媒体消息推送方法和装置 | |
CN108170739A (zh) | 问题匹配方法、终端和计算机可读存储介质 | |
CN109508423A (zh) | 基于语义识别的房源推荐方法、装置、设备及存储介质 | |
CN106062867A (zh) | 语音字体说话者以及韵律插值 | |
CN106789543A (zh) | 会话中实现表情图像发送的方法和装置 | |
CN109145213A (zh) | 基于历史信息的查询推荐方法及装置 | |
CN106572272A (zh) | 一种ivr语音菜单确定方法及装置 | |
CN109190754A (zh) | 量化模型生成方法、装置和电子设备 | |
CN106530010A (zh) | 融合时间因素的协同过滤方法和装置 | |
CN107256428A (zh) | 数据处理方法、数据处理装置、存储设备及网络设备 | |
CN109582872A (zh) | 一种信息推送方法、装置、电子设备及存储介质 | |
CN109508461A (zh) | 基于中文自然语言处理的订单价格预测方法、终端及介质 | |
CN110263019A (zh) | 实体关系抽取模型的构建方法、装置和存储介质 | |
CN110245757A (zh) | 一种图像样本的处理方法及装置、电子设备和存储介质 | |
JP2017220238A (ja) | 質問応答システムにおける回答の提供方法及び装置 | |
CN108182472A (zh) | 用于生成信息的方法和装置 | |
CN110033382A (zh) | 一种保险业务的处理方法、装置及设备 | |
CN108133357A (zh) | 一种人才推荐方法及计算设备 | |
CN109710732A (zh) | 信息查询方法、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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200527 Address after: 310051 room 508, floor 5, building 4, No. 699, Wangshang Road, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: Alibaba (China) Co.,Ltd. Address before: 510627, room 146-150, first floor, No. 07, Whampoa Avenue, Tianhe District, Guangdong, Guangzhou Applicant before: GUANGZHOU UC NETWORK TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |