CN109241403A - 项目推荐方法、装置、机器设备和计算机可读存储介质 - Google Patents
项目推荐方法、装置、机器设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN109241403A CN109241403A CN201810878860.3A CN201810878860A CN109241403A CN 109241403 A CN109241403 A CN 109241403A CN 201810878860 A CN201810878860 A CN 201810878860A CN 109241403 A CN109241403 A CN 109241403A
- Authority
- CN
- China
- Prior art keywords
- project
- click
- user
- group
- 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.)
- Granted
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种项目推荐方法、装置、机器设备和计算机可读存储介质。该方法包括:为每个用户构建第一点击项目与第二点击项目的组对;根据每个组对在多个用户的组对中出现的次数来计算每个组对的相似度;选出所计算出的相似度较高的一个或多个组对,并将所述一个或多个组对中的第一点击项目作为关键词,将与该第一点击项目组成所述一个或多个组对的第二点击项目作为与该第一点击项目相对应的推荐项目,得到关键词‑推荐项目推荐表;获取与所述推荐表中的每个第一点击项目相似的其他项目,并添加到所述推荐表中,与该第一点击项目一起作为具有相同的推荐项目的关键词。通过本公开实施例,可以提高项目推荐的用户覆盖度。
Description
技术领域
本公开涉及计算机领域,具体涉及一种项目推荐方法、装置、机器设备和计算机可读存储介质。
背景技术
在现有技术中,有如下两种常用的物品推荐方法。
一种是基于用户的协同过滤方法,其通过计算不同用户对相同物品(项目)的评分获得用户之间的关系,并基于用户之间的相似关系进行相关物品的推荐。这种方法的缺点是,当用户量庞大的时候,计算量将成倍地增加,当用户量在亿级别时,工程架构方面很难满足该方法。
另一种是基于物品的协同过滤方法,其通过计算不同用户对不同物品的评分而获得物品间的关系,并基于物品间的关系对用户进行相似物品的推荐。这种方法的缺点是,当用户量与物品量之间的差距非常大(用户量远小于物品量)时,会造成对物品的点击非常稀疏的现象,从而会导致计算出的物品的组对(pair)较少,用户覆盖量较低。
因此,存在对能克服上述缺点中的一个或多个的新的项目推荐方法的需要。
发明内容
本公开的目的之一在于提供一种项目推荐方法、装置、机器设备和计算机可读存储介质。
根据本公开实施例的第一方面,公开了一种项目推荐方法,其包括:
为每个用户构建第一点击项目与第二点击项目的组对,其中第一点击项目为该用户在第一应用中点击过的项目,第二点击项目为该用户在第二应用中点击过的项目;
针对多个用户的组对,根据每个组对在所述多个用户的组对中出现的次数来计算每个组对的相似度;
选出所计算出的相似度较高的一个或多个组对,并将所述一个或多个组对中的第一点击项目作为关键词,将与该第一点击项目组成所述一个或多个组对的第二点击项目作为与该第一点击项目相对应的推荐项目,得到关键词-推荐项目推荐表;
获取与所述推荐表中的每个第一点击项目相似的其他项目,并添加到所述推荐表中,与该第一点击项目一起作为具有相同的推荐项目的关键词。
根据本公开实施例的第二方面,公开了一种项目推荐装置,其包括:
组对构建模块,其被配置为:为每个用户构建第一点击项目与第二点击项目的组对,其中第一点击项目为该用户在第一应用中点击过的项目,第二点击项目为该用户在第二应用中点击过的项目;
相似度计算模块,其被配置为:针对多个用户的组对,根据每个组对在所述多个用户的组对中出现的次数来计算每个组对的相似度;
推荐表形成模块,其被配置为:选出所计算出的相似度较高的一个或多个组对,并将所述一个或多个组对中的第一点击项目作为关键词,将与该第一点击项目组成所述一个或多个组对的第二点击项目作为与该第一点击项目相对应的推荐项目,得到关键词-推荐项目推荐表;
关键词扩展模块,其被配置为:获取与所述推荐表中的每个第一点击项目相似的其他项目,并添加到所述推荐表中,与该第一点击项目一起作为具有相同的推荐项目的关键词。
根据本公开实施例的第三方面,公开了一种机器设备,其包括处理器以及存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现如上所述的方法。
根据本公开实施例的第四方面,公开了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的方法。
本公开的实施例提供的技术方案可以具有以下有益效果:
在本公开各实施例的一个或多个中,采用基于物品的协同过滤法针对用户在第一应用中点击过的第一点击项目匹配出第二应用中的推荐项目,并对作为推荐表的关键词的第一点击项目进行相似扩展,使更多的第一点击项目作为关键词匹配推荐项目,从而使得推荐覆盖度提高。在本公开的有些实施例中,通过计算用户对各推荐项目的兴趣度并将推荐项目按兴趣度赋予推荐优先级,能够使推荐项目更契合用户的兴趣点,从而使得对用户的推荐成功率提升。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例,本公开的上述和其它目标、特征及优点将变得更加显而易见。此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并于说明书一起用于解释本申请的原理。
图1示出根据本公开一示例性实施例的项目推荐方法应用的环境的构架图。
图2示出根据本公开一示例性实施例的项目推荐方法的示意流程图。
图3示出图2对应的实施例中步骤S210的一示例性实施方式的示意流程图。
图4示出图2对应的实施例中步骤S220的一示例性实施方式的示意流程图。
图5示出图2对应的实施例中步骤S240的一示例性实施方式的示意流程图。
图6示出根据本公开一示例性实施例的项目推荐方法所包含的按兴趣度确定推荐优先级的一示例性具体实施方式的示意流程图。
图7示出根据本公开一示例性实施例的项目推荐装置的示意组成框图。
图8示出图7对应的实施例中组对构建模块710的一示例性具体实施方式的示意组成框图。
图9示出图7对应的实施例中相似度计算模块720的一示例性具体实施方式的示意组成框图。
图10示出图7对应的实施例中关键词扩展模块740的一示例性具体实施方式的示意组成框图。
图11示出根据本公开一示例性实施例的项目推荐装置所包含的推荐优先级确定模块1110的一示例性具体实施方式的示意组成框图。
图12示出根据本公开一示例性实施例示出的机器设备的示意组成框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些示例实施方式使得本公开的描述将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多示例实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的示例实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、步骤等。在其它情况下,不详细示出或描述公知结构、方法、实现或者操作以避免喧宾夺主而使得本公开的各方面变得模糊。
附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1是根据一示例性实施例示出的本公开所涉及的实施环境的示意简图。
如图1所示,用户可以使用终端设备(在图1的示例中示出了三个,应当理解的是,终端设备的数量可以更多或更少)101、102、103通过网络104与服务器105、106交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、浏览器应用(例如网页浏览器)、搜索类应用、新闻浏览工具、电子书阅读器、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
网络104用以在终端设备101、102、103和服务器105、106之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
服务器105、106可以是提供各种服务的服务器,例如,服务器105为用户通过终端设备使用的第一应用的服务器,服务器106为用户通过终端设备使用的第二应用的服务器。例如,服务器105可以为各种网站服务器,用户可以通过浏览器访问这些网站服务器,服务器106可以为新闻浏览工具服务器,用户可以通过安装在终端设备上的APP或通过浏览器访问服务器106。再例如,服务器105可以为购物类应用的服务器,用户可以通过浏览器或所安装的APP来访问它,服务器106可以为另一购物类应用的服务器,用户同样可以通过浏览器或所安装的APP来访问它。虽然在图1的示例中示出了两个服务器105、106,应理解的是,本公开各实施例所涉及的环境可以包括更多或更少的服务器。
在一个示例中,根据本公开的项目推荐方法、装置、机器设备实施例被实现在服务器106上。根据基于物品的协同过滤法,服务器106可以针对其多个用户分析用户在使用第一应用时点击的第一点击项目与使用该第二应用时点击的第二点击项目,找出与第一点击项目相似度较高的第二点击项目,从而将第二点击项目推荐给点击过第一点击项目的用户。进一步地,服务器106还可以对推荐进行扩展,例如,将第一点击项目扩展到与其相似的其他项目,以提高推荐的覆盖度。进一步地,服务器106还可以分析用户对各推荐项目的兴趣度,并按照兴趣度的高低赋予推荐项目推荐优先级。根据推荐表,服务器106可以在用户点击了推荐表中的第一点击项目的情况下将相对应的第二点击项目推荐给该用户,例如,将该第二点击项目或其链接发送到该用户所使用的终端设备。
在另一示例中,根据本公开的项目推荐方法、装置、机器设备实施例被实现在终端设备101、102、103上。在这样的示例中,由终端设备101、102、103来执行服务器106如上所述的操作处理。
在上面的各示例中,将第一应用和第二应用描述为具有远程服务器105、106,应理解的是,第一应用和/或第二应用也可以直接部署在终端设备101、102、103上而无需服务器105、106和网络104。在这种情况下,用户可以在终端设备101、102、103上直接与第一应用和/或第二应用进行交互,根据本公开的项目推荐方法、装置、机器设备实施例可以被实现在终端设备101、102、103上或第二应用的服务器(如果存在的话)上。
图1及以上描述只是本公开所涉及的实施环境的示例性实施例,可以理解的是,适用于本公开的实施环境存在多种变形。
图2示出了根据本公开一示例性实施例的项目推荐方法的示意流程图。该示例性项目推荐方法实施例可以由图1中所示的服务器106或终端设备101、102、103来执行。如图2的实施例所示,该示例项目推荐方法可以包括步骤:
S210,为每个用户构建第一点击项目与第二点击项目第二组对(pair)。
其中,第一点击项目为该用户在第一应用中点击过的项目,第二点击项目为该用户在第二应用中点击过的项目。
在一个示例中,项目推荐方法或装置的目的是为了向用户推荐第二应用中的项目。为此,本公开的各实施例通过分析多个用户既点击了其他应用(第一应用)中的第一点击项目又点击了第二应用中的第二点击项目的行为,找出与第一点击项目相对应的可作为推荐项目的第二点击项目,以将该第二点击项目推荐给点击了该第一点击项目的用户。在步骤S210中,为每个用户建立一个或多个由第一点击项目与相应的第二点击项目组成的组对。即,如果一个用户既点击了第一应用的第一点击项目I1,又点击了第二应用的第二点击项目I2,则I1-I2就构成该用户的一个组对。
第一点击项目和第二点击项目可以是第一和第二应用中可以浏览和/或操作的项目,例如,文档、新闻、小说、音乐、商品等。在一个示例中,第一应用为浏览器(例如网页浏览器等),第二应用为不同于第一应用的应用,第一点击项目为用户通过浏览器点击的浏览器点击文档,第二点击项目为用户在第二应用中点击的第二应用点击文档。例如,第二应用为新闻浏览工具,第二点击项目为新闻文档。
接着,方法进入步骤S220。
S220,针对多个用户的组对,根据每个组对在多个用户的组对中出现的次数来计算每个组对的相似度。
如上所述,在一个示例中,本公开的各实施例采用基于物品的协同过滤法,因此,在步骤S220中,根据每个组对在多个用户的组对中出现的次数来计算构成每个组对的第一点击项目与第二点击项目之间的相似度,以期找出与第一点击项目相匹配的、能够作为推荐项目的第二点击项目。
在计算出相似度后,接着在步骤S230中形成推荐表。
S230,选出所计算出的相似度较高的一个或多个组对,并将所述一个或多个组对中的第一点击项目作为关键词(key),将与该第一点击项目组成所述一个或多个组对的第二点击项目作为与该第一点击项目相对应的推荐项目,得到关键词-推荐项目推荐表。
组对的相似度越高,说明组成该组对的第一点击项目与第二点击项目越相似,第二点击项目作为第一点击项目的相应推荐项目被用户点击的成功率就越高。因此,在步骤S230中,从这多个用户的组对中选择相似度较高的组对来形成推荐表。在一个示例中,可以选出相似度较高的预定数量的组对来作为形成推荐表的基础。在另一示例中,可以将相似度高于第一预定阈值(例如,第一预定阈值为0.01)的组对选出作为形成推荐表的基础。
在推荐表中包括相对应的两列,一列是作为关键词的第一点击项目,一列是作为与关键词相对应的推荐项目的第二点击项目。如果用户点击了作为关键词的第一点击项目,则根据推荐表可以将与该第一点击项目相对应的第二点击项目推荐给该用户。
在一个示例中,在步骤S230中生成的推荐表是针对所有用户的通用推荐表,其中包括了根据相似度选出的所有组对所包含的第一点击项目及其相对应的第二点击项目。在另一示例中,在步骤S230中生成的推荐表是分别针对每个用户生成的推荐表,在这样的示例中,针对每个用户,将所选出的组对中该用户点击过的第一点击项目作为关键词,将与该第一点击项目组成所选出的组对的第二点击项目作为相对应的推荐项目,分别得到用于每个用户的关键词-推荐项目推荐表。接下来,方法进入步骤S240。
S240,获取与所述推荐表中的每个第一点击项目相似的其他项目,并添加到所述推荐表中,与该第一点击项目一起作为具有相同的推荐项目的关键词。
如上所述,在采用基于物品的协同过滤法的情况下,如果用户量远小于物品量(例如,在本公开各实施例中,如果用户量远小于第一点击项目量和第二点击项目量),则容易出现推荐覆盖度较小的现象。为了克服或改善该问题,在步骤S240中对推荐表中的关键词进行扩展,例如,将作为关键词的第一点击项目扩展延及至与该第一点击项目相似的其他项目。
在一个示例中,在步骤S230中所形成的推荐表为适用于所有用户的通用推荐表的情况下,在步骤S240中,从所有用户所点击过的第一点击项目中获取相似的其他第一点击项目。在另一示例中,在步骤S230中所形成的推荐表为用于每个用户的推荐表的情况下,在步骤S240中,针对每个用户的推荐表,从该用户所点击过的第一点击项目中获取相似的其他第一点击项目。
在前者的情况下,在关键词扩展(步骤S240)完成后,项目推荐方法还可以包括步骤:针对每个用户,从在步骤S240中得到的推荐表中选择该用户点击过的第一点击项目作为关键词,与其相对应的推荐项目一起形成用于该用户的推荐表。
应当理解的是,可以不仅从用户点击过的第一点击项目中获取与作为关键词的第一点击项目相似的项目,还可以从其他项目(例如用户收藏的项目、用户关注的项目、用户喜欢的项目等)中获取与作为关键词的第一点击项目相似的项目,并且该项目并不限于第一应用中的项目,也可以是其他应用中的项目。因此,可以从指定的任何项目集合中获取与作为关键词的第一点击项目相似的项目。
关于如何确定与作为关键词的第一点击项目相似的其他项目,将在下面参考图5对其示例具体实施方式进行说明。
通过步骤S240实现了关键词扩展的推荐表提高了推荐覆盖度,使得该项目推荐方法更具实用意义。
图3示出了图2对应的实施例中步骤S210的一示例性实施方式的示意流程图。如图3中的实施例所示,步骤S210(为每个用户构建第一点击项目与第二点击项目的组对)可以包括步骤:
S310,从用户历史数据中,获取每个用户的第一点击项目集合和第二点击项目集合。
在一个示例中,“用户历史数据”可以指从第一应用和第二应用(例如从第一应用和第二应用的服务器或访问它们的终端设备)获取的用户历史行为数据。在另一示例中,“用户历史数据”可以指用户所使用的终端设备中所保存的历史访问记录或点击日志。在用户历史数据中记载了用户点击过哪些第一点击项目和第二点击项目,因此,通过分析用户历史数据,可以获得每个用户的第一点击项目集合和第二点击项目集合。
在一个示例中,针对预定时间段内的用户历史数据进行分析以获得第一点击项目集合和第二点击项目集合。在一个示例中,获取最近N天(例如N大于3且小于30)的用户历史数据。
在一个示例中,第一点击项目是用户在浏览器中点击的文档,第二点击项目是用户在新闻浏览app中点击的文档。在用户的点击日志中,包含了用户的点击行为等结构化信息。从用户的点击日志中,获取过去3天用户在浏览器中的点击文档以及在新闻浏览app中的点击文档,并以用户id、浏览器点击文档、新闻浏览app点击文档的格式作为训练数据。
训练数据获取完成之后,由于本公开实施例使用的是基于物品的协同过滤,因此需要构造点击项目的组对,从而计算点击项目之间的相似度。因此,进入步骤S320。
S320,将每个用户的第一点击项目集合和第二点击项目集合的笛卡尔乘积结果作为该用户的第一点击项目与第二点击项目的组对。
假设用户A的第一点击项目集合S1包括四个第一点击项目L1、L2、L3、L4,其第二点击项目集合S2包括三个第二点击项目D1、D2、D3,根据图3所示的实施例,在步骤S320中,可以得到用户A的第一点击项目-第二点击项目组对为:S1*S2=(L1,D1)、(L1,D2)、(L1,D3)、(L2,D1)、(L2,D2)、(L2,D3)、(L3,D1)、(L3,D2)、(L3,D3)、(L4,D1)、(L4,D2)、(L4,D3),即12个组对。
对每个用户进行如上操作,即可得到多个用户的第一点击项目与第二点击项目的组对。
图4示出了图2对应的实施例中步骤S220的一示例性实施方式的示意流程图。如图4的实施例中所示,步骤S220(计算每个组对的相似度)可以包括步骤:
S410,计算每个组对在所述多个用户的组对中出现的次数。
计算一个组对在所述多个用户的组对中出现的次数,是计算这个组对被包含在多少个用户的组对中,或者可以说,是计算这个组对的第一点击项目和第二点击项目作为一个组对在这多个用户的组对中共同出现的次数。可以把组对在用户的组对集合中出现的次数称为共现次数,即,该组对的第一点击项目和第二点击项目共同出现的次数。例如,共有用户1000名,有200个用户的组对中包括该组对(L1,D1),则该组对(L1,D1)的共现次数为200。
S420,将所述次数大于第三预定阈值的组对选择作为待计算相似度的组对。
在图4的实施例中,在组对构建/抽取完成后,通过步骤S410和S420过滤掉共现次数较少的组对,这样做的原因在于:
(1)共现次数较少的文档置信度较低;
(2)如果对所有组对计算相似对,会造成计算量非常大,耗时比较高。
因此,在步骤S420中,把共现次数小于或等于第三预定阈值(例如为5)的组对过滤掉,以减小计算量,提高推荐精确度。
应当理解的是,也可以不对组对进行过滤而对所有组对进行计算。
S430,针对待计算相似度的组对,计算其中每个组对的相似度。
根据基于物品的协同过滤法而计算组对的相似度的具体方法可以有很多种,一般地,可以根据组对在多个用户的组对中出现的次数来计算。在一个示例中,可以通过计算每个组对中第一点击项目与第二点击项目之间的杰卡德(Jaccard)距离、欧几里得距离、海明距离、余弦相似度等中的一个来计算每个组对的相似度。下面以计算Jaccard距离为例来进行说明。
在一个示例中,组对的第一点击项目与第二点击项目之间相似度的计算公式如下所示:
上述公式是针对多个用户的组对。其中,wij是第一点击项目i与第二点击项目j之间的相似度,|N(i)|是第一点击项目i在这多个用户的组对中出现的次数(其包括i与j作为组对共同出现的次数以及i与其他第二点击项目作为组对出现的次数),|N(j)|是第二点击项目j在这多个用户的组对中出现的次数(其包括i与j作为组对共同出现的次数以及j与其他第一点击项目作为组对出现的次数),|N(i)∩N(j)|是第一点击项目i和第二点击项目j作为组对在这多个用户的组对中共同出现的次数,该公式为杰卡德距离的计算方法。
从上面的公式(1)和以上描述可以看出,在协同过滤中两个项目/物品产生相似度是因为它们共同被很多用户关注(例如被点击),两个项目/物品相似度高,说明这两个项目/物品共同被很多人关注。
这里面包含了一个假设:就是假设每个用户的兴趣都局限在某几个方面,因此如果两个项目/物品属于一个用户的兴趣列表,那么这两个项目/物品可能就属于有限的几个领域,而如果两个项目/物品属于很多用户的兴趣列表,那么它们就可能属于同一个领域,因而有很大的相似度。
计算组对之间的相似度后,可以从这多个用户的组对中选择相似度较高的组对来形成推荐表(步骤S230),还可以对推荐表中的关键词进行扩展以形成扩展推荐表(步骤S240)。
图5示出了图2对应的实施例中步骤S240(对推荐表中的关键词进行扩展)的一示例性实施方式的示意流程图。在该实施例中,先将两个项目表示成向量,然后再计算它们之间的相似度。如图5的实施例所示,步骤S240可以包括步骤:
S510,将所述推荐表中的每个第一点击项目与一个或多个指定项目分别转换成向量。
如前所述,可以从指定的任何项目集合中获取与作为关键词的第一点击项目相似的其他项目,在图5所示的实施例中,存在这样的一个或多个指定项目作为从中获取相似的其他项目的池。在一个示例中,所述一个或多个指定项目是项目推荐方法所针对的多个用户的组对中出现的第一点击项目(即用户点击过的第一点击项目),从这一个或多个指定项目中找出与推荐表中的关键词相似的项目,以作为推荐表的扩展关键词。在其他实施例中,寻找扩展关键词的范围可以扩大或缩小。例如,可以将范围扩大到第一应用所包含的、没有被这些用户点击过的项目(例如,用户收藏的项目、用户关注的项目、用户喜欢的项目等),还可以扩大到第一应用之外的其他项目。再例如,可以将范围缩小到某个或某些用户点击过的第一点击项目。
将一个项目(例如文档)表示成向量的方法多种多样。例如,通过word2vec、Glove、神经网络等来训练/转换向量。在图5的实施例中,以将诸如文档的项目通过word2vec模型转换成向量表示为例来进行说明。
Word2vec常常在自然语言处理任务中用于训练词向量。在图5的实施例中,可以将用户点击过的第一点击项目、例如浏览器文档看作词,将每一个用户的一系列行为看作文档,通过Word2vec训练第一点击项目的向量。例如,可以将用户在预定时间段内点击的各个第一点击项目(例如浏览器文档的ID等)按时间顺序做成序列文档,通过Word2vec模型进行训练以得到各个第一点击项目的向量表示。
在转换成向量时,可以指定向量的维度,在一个示例中,将向量的维度指定为200维。
S520,计算每个指定项目的向量与所述推荐表中的每个第一点击项目的向量之间的向量相似度。
两个项目之间的向量相似度的计算方法有很多种,例如可以利用共现次数、互信息等来计算。在图5所示的实施例中,采用如下公式来计算每个指定项目的向量与推荐表中的每个第一点击项目的向量之间的向量相似度:
其中,Sij表示指定项目i和第一点击项目j的相似度,Vi表示指定项目i的向量,Vj表示第一点击项目j的向量,|Vi|2表示指定项目i各个维度的平方和,|Vj|2表示第一点击项目j各个维度的平方和。
通过公式(2),可以计算得出每个指定项目与推荐表中的每个第一点击项目之间的相似度。
S530,为所述推荐表中的每个第一点击项目,选取与其之间的向量相似度大于第二预定阈值的指定项目,作为与该第一点击项目相似的其他项目。
在一个示例中,将第二预定阈值设定为0.7,如果一个指定项目与推荐表中的某第一点击项目之间的相似度大于0.7,则将这个指定项目添加到推荐表中,与推荐表中的这个第一点击项目一起作为具有相同对应推荐项目的关键词。
由此,可以扩展推荐表中的关键词,使得推荐表的覆盖度提高。
扩展后的推荐表可以是各个用户通用的一个推荐表,也可以针对每个用户分别做成一个推荐表。在后一情况下,可以将推荐表中的关键词选择为是该用户点击过的第一点击项目,不包含没点击过的第一点击项目。
在一个实施例中,对于每个用户的推荐表,还可以计算该用户对推荐项目的兴趣度以进行优先级推荐。图6示出了根据本公开一示例性实施例的项目推荐方法所包含的按兴趣度确定推荐优先级的一示例性具体实施方式的示意流程图。如图6的实施例所示,按兴趣度确定推荐优先级可以包括:针对用于每个用户的关键词-推荐项目推荐表,执行如下步骤:
S610,计算该用户对该推荐表中的每个推荐项目的兴趣度。
可以通过如下公式计算用户u对一个项目/物品j的兴趣度:
其中,Puj表示用户u对项目(推荐表中的推荐项目,即第二点击项目)j的兴趣,N(u)表示用户u的关键词项目集合(i是其中一个项目),S(i,k)表示和项目i最相似的k个第二点击项目集合(即推荐表中与项目i相对应的所有推荐项目,j是这个集合中的某一个项目/物品),wji表示第二点击项目j和项目i之间的相似度(等于wij,其含义与计算方法请参见公式(1)),rui表示用户u对项目i的兴趣度(这里将rui都简化为等于1)。
该公式(3)的含义是:和用户历史上感兴趣的项目/物品越相似的项目/物品,用户对其的兴趣度也越大。
根据公式(3),可以计算出每个用户对每个推荐项目的兴趣度。
S620,对该推荐表中每个关键词所对应的推荐项目,按照兴趣度由高到低的顺序赋予由高到低的推荐优先级。
用户越感兴趣的项目,其推荐优先级应该越高,这样会使得推荐成功率提高。因此,在步骤S620中,将推荐项目按照用户对其的兴趣度由高到低的顺序赋予由高到低的推荐优先级,使得推荐项目更精确地契合用户的兴趣点。
根据本公开的第二方面,还提供一种项目推荐装置。该项目推荐装置执行如上所述的各项目推荐方法实施例,其可以被实现在如图1中所示的服务器105、106中,也可以被实现在如图1中所示的终端设备101、102、103中。图7示出了根据本公开一示例性实施例的项目推荐装置的示意组成框图。如图7的实施例所示,该示例项目推荐装置701可以包括:
组对构建模块710,其被配置为:为每个用户构建第一点击项目与第二点击项目的组对,其中第一点击项目为该用户在第一应用中点击过的项目,第二点击项目为该用户在第二应用中点击过的项目;
相似度计算模块720,其被配置为:针对多个用户的组对,根据每个组对在所述多个用户的组对中出现的次数来计算每个组对的相似度;
推荐表形成模块730,其被配置为:选出所计算出的相似度较高的一个或多个组对,并将所述一个或多个组对中的第一点击项目作为关键词,将与该第一点击项目组成所述一个或多个组对的第二点击项目作为与该第一点击项目相对应的推荐项目,得到关键词-推荐项目推荐表;
关键词扩展模块740,其被配置为:获取与所述推荐表中的每个第一点击项目相似的其他项目,并添加到所述推荐表中,与该第一点击项目一起作为具有相同的推荐项目的关键词。
在一示例性实施例中,相似度计算模块720进一步被配置为:
通过计算每个组对中第一点击项目与第二点击项目之间的Jaccard距离、欧几里得距离、海明距离、余弦相似度中的一个来计算每个组对的相似度。
在一示例性实施例中,推荐表形成模块730进一步被配置为:
将所计算出的相似度大于第一预定阈值的组对选择作为所述相似度较高的一个或多个组对。
在一示例性实施例中,推荐表形成模块730进一步被配置为:
针对每个用户,将所述一个或多个组对中该用户点击过的第一点击项目作为关键词,将与该第一点击项目组成所述一个或多个组对的第二点击项目作为与该第一点击项目相对应的推荐项目,分别得到用于每个用户的关键词-推荐项目推荐表,其中,关键词扩展模块740进一步被配置为:
针对用于每个用户的关键词-推荐项目推荐表,从该用户点击过的第一点击项目中获取与该推荐表中的每个第一点击项目相似的其他第一点击项目,并添加到该推荐表中,与该第一点击项目一起作为具有相同的推荐项目的关键词。
图8示出了图7对应的实施例中组对构建模块710的一示例性具体实施方式的示意组成框图。如图8的实施例中所示,组对构建模块710可以包括:
数据获取单元810,其被配置为:从用户历史数据中,获取每个用户的第一点击项目集合和第二点击项目集合;
乘积单元820,其被配置为:将每个用户的第一点击项目集合和第二点击项目集合的笛卡尔乘积结果作为该用户的第一点击项目与第二点击项目的组对。
图9示出了图7对应的实施例中相似度计算模块720的一示例性具体实施方式的示意组成框图。如图9中的实施例所示,相似度计算模块720可以包括:
共现次数计算单元910,其被配置为:计算每个组对在所述多个用户的组对中出现的次数;
组对选取单元920,其被配置为:将所述次数大于第三预定阈值的组对选择作为待计算相似度的组对。
相似度计算单元930,其被配置为:针对待计算相似度的组对,计算其中每个组对的相似度。
图10示出了图7对应的实施例中关键词扩展模块740的一示例性具体实施方式的示意组成框图。如图10的实施例所示,关键词扩展模块740可以包括:
向量表示单元1010,其被配置为:将所述推荐表中的每个第一点击项目与一个或多个指定项目分别转换成向量;
向量相似度计算单元1020,其被配置为:计算每个指定项目的向量与所述推荐表中的每个第一点击项目的向量之间的向量相似度;
相似项目选择单元1030,其被配置为:为所述推荐表中的每个第一点击项目,选取与其之间的向量相似度大于第二预定阈值的指定项目,作为与该第一点击项目相似的其他项目。
在一示例性实施例中,项目推荐装置701还可以包括推荐优先级确定模块1110。图11示出了根据本公开一示例性实施例的项目推荐装置所包含的推荐优先级确定模块1110的一示例性具体实施方式的示意组成框图。如图11的实施例所示,推荐优先级确定模块1110可以包括:
兴趣度计算单元1111,其被配置为:针对用于每个用户的关键词-推荐项目推荐表,计算该用户对该推荐表中的每个推荐项目的兴趣度;
优先级排序单元1112,其被配置为:针对用于每个用户的关键词-推荐项目推荐表,对该推荐表中每个关键词所对应的推荐项目,按照兴趣度由高到低的顺序赋予由高到低的推荐优先级。
上述装置中各个单元/模块的功能和作用的实现过程以及相关细节具体详见上述方法实施例中对应步骤的实现过程,在此不再赘述。
以上各实施例中的装置实施例可以通过硬件、软件、固件或其组合的方式来实现,并且其可以被实现为一个单独的装置,也可以被实现为各组成单元/模块分散在一个或多个计算设备中并分别执行相应功能的逻辑集成系统。
以上各实施例中组成该装置的各单元/模块是根据逻辑功能而划分的,它们可以根据逻辑功能被重新划分,例如可以通过更多或更少的单元/模块来实现该装置。这些组成单元/模块分别可以通过硬件、软件、固件或其组合的方式来实现,它们可以是分别的独立部件,也可以是多个组件组合起来执行相应的逻辑功能的集成单元/模块。所述硬件、软件、固件或其组合的方式可以包括:分离的硬件组件,通过编程方式实现的功能模块、通过可编程逻辑器件实现的功能模块,等等,或者以上方式的组合。
根据一个示例性实施例,该装置可被实现为一种机器设备,该机器设备包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序在被所述处理器执行时,使得所述机器设备执行如上所述的各方法实施例中的任一个,或者,所述计算机程序在被所述处理器执行时使得该机器设备实现如上所述的各装置实施例的组成单元/模块所实现的功能。
上面的实施例中所述的处理器可以指单个的处理单元,如中央处理单元CPU,也可以是包括多个分散的处理单元/处理器的分布式处理器系统。
上面的实施例中所述的存储器可以包括一个或多个存储器,其可以是计算设备的内部存储器,例如暂态或非暂态的各种存储器,也可以是通过存储器接口连接到计算设备的外部存储装置。
图12示出了这样的机器设备1201的一个示例性实施例的示意组成框图。如图12所示,该机器设备可以包括但不限于:至少一个处理单元1210、至少一个存储单元1220、连接不同系统组件(包括存储单元1220和处理单元1210)的总线1230。
所述存储单元存储有程序代码,所述程序代码可以被所述处理单元1210执行,使得所述处理单元1210执行本说明书上述示例性方法的描述部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元1210可以执行如图2-6中所示的各个步骤。
存储单元1220可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)1221和/或高速缓存存储单元1222,还可以进一步包括只读存储单元(ROM)1223。
存储单元1220还可以包括具有一组(至少一个)程序模块1225的程序/实用工具1224,这样的程序模块1225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。
总线1230可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
该机器设备也可以与一个或多个外部设备1270(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该机器设备交互的设备通信,和/或与使得该机器设备能与一个或多个其它计算设备进行通信的任何设备(例如路由器、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1250进行。并且,该机器设备还可以通过网络适配器1260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1260通过总线1230与该机器设备的其它模块通信。应当明白,尽管图中未示出,但该机器设备可以使用其它硬件和/或软件模块来实现,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。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行上述方法实施例部分描述的方法。
根据本公开的一个实施例,还提供了一种用于实现上述方法实施例中的方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,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。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。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。
计算机可读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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
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、有线、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的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
Claims (11)
1.一种项目推荐方法,其特征在于,包括:
为每个用户构建第一点击项目与第二点击项目的组对,其中第一点击项目为该用户在第一应用中点击过的项目,第二点击项目为该用户在第二应用中点击过的项目;
针对多个用户的组对,根据每个组对在所述多个用户的组对中出现的次数来计算每个组对的相似度;
选出所计算出的相似度较高的一个或多个组对,并将所述一个或多个组对中的第一点击项目作为关键词,将与该第一点击项目组成所述一个或多个组对的第二点击项目作为与该第一点击项目相对应的推荐项目,得到关键词-推荐项目推荐表;
获取与所述推荐表中的每个第一点击项目相似的其他项目,并添加到所述推荐表中,与该第一点击项目一起作为具有相同的推荐项目的关键词。
2.根据权利要求1所述的项目推荐方法,其特征在于,所述为每个用户构建第一点击项目与第二点击项目的组对包括:
从用户历史数据中,获取每个用户的第一点击项目集合和第二点击项目集合;
将每个用户的第一点击项目集合和第二点击项目集合的笛卡尔乘积结果作为该用户的第一点击项目与第二点击项目的组对。
3.根据权利要求1所述的项目推荐方法,其特征在于,所述针对多个用户的组对、根据每个组对在所述多个用户的组对中出现的次数来计算每个组对的相似度包括:
通过计算每个组对中第一点击项目与第二点击项目之间的杰卡德距离、欧几里得距离、海明距离、余弦相似度中的一个来计算每个组对的相似度。
4.根据权利要求1所述的项目推荐方法,其特征在于,所述选出所计算出的相似度较高的一个或多个组对包括:
将所计算出的相似度大于第一预定阈值的组对选择作为所述相似度较高的一个或多个组对。
5.根据权利要求1所述的项目推荐方法,其特征在于,所述获取与所述推荐表中的每个第一点击项目相似的其他项目包括:
将所述推荐表中的每个第一点击项目与一个或多个指定项目分别转换成向量;
计算每个指定项目的向量与所述推荐表中的每个第一点击项目的向量之间的向量相似度;
为所述推荐表中的每个第一点击项目,选取与其之间的向量相似度大于第二预定阈值的指定项目,作为与该第一点击项目相似的其他项目。
6.根据权利要求1所述的项目推荐方法,其特征在于,所述针对多个用户的组对,根据每个组对在所述多个用户的组对中出现的次数来计算每个组对的相似度包括:
计算每个组对在所述多个用户的组对中出现的次数;
将所述次数大于第三预定阈值的组对选择作为待计算相似度的组对。
7.根据权利要求1-6中任一项所述的项目推荐方法,其特征在于,所述将所述一个或多个组对中的第一点击项目作为关键词、将与该第一点击项目组成所述一个或多个组对的第二点击项目作为与该第一点击项目相对应的推荐项目、得到关键词-推荐项目推荐表包括:
针对每个用户,将所述一个或多个组对中该用户点击过的第一点击项目作为关键词,将与该第一点击项目组成所述一个或多个组对的第二点击项目作为与该第一点击项目相对应的推荐项目,分别得到用于每个用户的关键词-推荐项目推荐表,
其中,所述获取与所述推荐表中的每个第一点击项目相似的其他项目、并添加到所述推荐表中、与该第一点击项目一起作为具有相同的推荐项目的关键词包括:
针对用于每个用户的关键词-推荐项目推荐表,从该用户点击过的第一点击项目中获取与该推荐表中的每个第一点击项目相似的其他第一点击项目,并添加到该推荐表中,与该第一点击项目一起作为具有相同的推荐项目的关键词。
8.根据权利要求7所述的项目推荐方法,其特征在于,还包括:
针对用于每个用户的关键词-推荐项目推荐表,
计算该用户对该推荐表中的每个推荐项目的兴趣度;
对该推荐表中每个关键词所对应的推荐项目,按照兴趣度由高到低的顺序赋予由高到低的推荐优先级。
9.根据权利要求1-6中任一项所述的项目推荐方法,其特征在于,所述第一应用为浏览器,所述第二应用为不同于第一应用的应用,所述第一点击项目为用户通过浏览器点击的浏览器点击文档,所述第二点击项目为用户在第二应用中点击的第二应用点击文档。
10.一种项目推荐装置,其特征在于,包括:
组对构建模块,其被配置为:为每个用户构建第一点击项目与第二点击项目的组对,其中第一点击项目为该用户在第一应用中点击过的项目,第二点击项目为该用户在第二应用中点击过的项目;
相似度计算模块,其被配置为:针对多个用户的组对,根据每个组对在所述多个用户的组对中出现的次数来计算每个组对的相似度;
推荐表形成模块,其被配置为:选出所计算出的相似度较高的一个或多个组对,并将所述一个或多个组对中的第一点击项目作为关键词,将与该第一点击项目组成所述一个或多个组对的第二点击项目作为与该第一点击项目相对应的推荐项目,得到关键词-推荐项目推荐表;
关键词扩展模块,其被配置为:获取与所述推荐表中的每个第一点击项目相似的其他项目,并添加到所述推荐表中,与该第一点击项目一起作为具有相同的推荐项目的关键词。
11.一种机器设备,其特征在于,包括处理器以及存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现根据权利要求1至9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810878860.3A CN109241403B (zh) | 2018-08-03 | 2018-08-03 | 项目推荐方法、装置、机器设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810878860.3A CN109241403B (zh) | 2018-08-03 | 2018-08-03 | 项目推荐方法、装置、机器设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109241403A true CN109241403A (zh) | 2019-01-18 |
CN109241403B CN109241403B (zh) | 2022-11-22 |
Family
ID=65070482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810878860.3A Active CN109241403B (zh) | 2018-08-03 | 2018-08-03 | 项目推荐方法、装置、机器设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109241403B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163476A (zh) * | 2019-04-15 | 2019-08-23 | 重庆金融资产交易所有限责任公司 | 项目智能推荐方法、电子装置及存储介质 |
CN110324418A (zh) * | 2019-07-01 | 2019-10-11 | 阿里巴巴集团控股有限公司 | 基于用户关系推送业务的方法和装置 |
CN110363580A (zh) * | 2019-06-28 | 2019-10-22 | 深圳新度博望科技有限公司 | 信息推荐方法、装置、计算机设备及存储介质 |
CN110427574A (zh) * | 2019-08-02 | 2019-11-08 | 江苏满运软件科技有限公司 | 路线相似度确定方法、装置、设备和介质 |
CN110443493A (zh) * | 2019-08-02 | 2019-11-12 | 江苏满运软件科技有限公司 | 路线相似度确定方法、装置、设备和介质 |
CN111680219A (zh) * | 2020-06-09 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、设备及可读存储介质 |
CN111782940A (zh) * | 2020-06-10 | 2020-10-16 | 支付宝(杭州)信息技术有限公司 | 基于自然流量选择的推荐方法、装置、电子设备及介质 |
CN113360773A (zh) * | 2021-07-07 | 2021-09-07 | 脸萌有限公司 | 推荐方法、装置、存储介质及电子设备 |
CN113407863A (zh) * | 2021-06-17 | 2021-09-17 | 天津大学 | 基于信任度与遗忘函数的个性化产品服务方案推荐方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101324948A (zh) * | 2008-07-24 | 2008-12-17 | 阿里巴巴集团控股有限公司 | 一种信息推荐的方法及装置 |
CN103324645A (zh) * | 2012-03-23 | 2013-09-25 | 腾讯科技(深圳)有限公司 | 一种网页推荐方法和装置 |
CN104966219A (zh) * | 2015-07-21 | 2015-10-07 | Tcl集团股份有限公司 | 一种基于词频加权技术的个性化协同过滤推荐方法及系统 |
US20180039910A1 (en) * | 2016-08-02 | 2018-02-08 | Telefonaktiebolaget Lm Ericsson (Publ) | System and method for recommending semantically similar items |
CN107844525A (zh) * | 2017-10-12 | 2018-03-27 | 广州艾媒数聚信息咨询股份有限公司 | 一种基于用户行为的资讯个性化推荐方法、系统及装置 |
-
2018
- 2018-08-03 CN CN201810878860.3A patent/CN109241403B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101324948A (zh) * | 2008-07-24 | 2008-12-17 | 阿里巴巴集团控股有限公司 | 一种信息推荐的方法及装置 |
CN103324645A (zh) * | 2012-03-23 | 2013-09-25 | 腾讯科技(深圳)有限公司 | 一种网页推荐方法和装置 |
CN104966219A (zh) * | 2015-07-21 | 2015-10-07 | Tcl集团股份有限公司 | 一种基于词频加权技术的个性化协同过滤推荐方法及系统 |
US20180039910A1 (en) * | 2016-08-02 | 2018-02-08 | Telefonaktiebolaget Lm Ericsson (Publ) | System and method for recommending semantically similar items |
CN107844525A (zh) * | 2017-10-12 | 2018-03-27 | 广州艾媒数聚信息咨询股份有限公司 | 一种基于用户行为的资讯个性化推荐方法、系统及装置 |
Non-Patent Citations (1)
Title |
---|
张宜浩等: "《基于半监督学习的个性化推荐算法研究》", 31 May 2016 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163476A (zh) * | 2019-04-15 | 2019-08-23 | 重庆金融资产交易所有限责任公司 | 项目智能推荐方法、电子装置及存储介质 |
CN110363580A (zh) * | 2019-06-28 | 2019-10-22 | 深圳新度博望科技有限公司 | 信息推荐方法、装置、计算机设备及存储介质 |
CN110324418A (zh) * | 2019-07-01 | 2019-10-11 | 阿里巴巴集团控股有限公司 | 基于用户关系推送业务的方法和装置 |
CN110427574A (zh) * | 2019-08-02 | 2019-11-08 | 江苏满运软件科技有限公司 | 路线相似度确定方法、装置、设备和介质 |
CN110443493A (zh) * | 2019-08-02 | 2019-11-12 | 江苏满运软件科技有限公司 | 路线相似度确定方法、装置、设备和介质 |
CN110443493B (zh) * | 2019-08-02 | 2022-09-23 | 贵阳货车帮科技有限公司 | 路线相似度确定方法、装置、设备和介质 |
CN111680219A (zh) * | 2020-06-09 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、设备及可读存储介质 |
CN111680219B (zh) * | 2020-06-09 | 2023-10-20 | 深圳市雅阅科技有限公司 | 内容推荐方法、装置、设备及可读存储介质 |
CN111782940A (zh) * | 2020-06-10 | 2020-10-16 | 支付宝(杭州)信息技术有限公司 | 基于自然流量选择的推荐方法、装置、电子设备及介质 |
CN111782940B (zh) * | 2020-06-10 | 2024-04-23 | 支付宝(杭州)信息技术有限公司 | 基于自然流量选择的推荐方法、装置、电子设备及介质 |
CN113407863A (zh) * | 2021-06-17 | 2021-09-17 | 天津大学 | 基于信任度与遗忘函数的个性化产品服务方案推荐方法 |
CN113360773A (zh) * | 2021-07-07 | 2021-09-07 | 脸萌有限公司 | 推荐方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109241403B (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241403A (zh) | 项目推荐方法、装置、机器设备和计算机可读存储介质 | |
US10606897B2 (en) | Aggregating personalized suggestions from multiple sources | |
CN102236663B (zh) | 一种基于垂直搜索的查询方法、系统和装置 | |
CN105677780A (zh) | 可拓展的用户意图挖掘方法及其系统 | |
CN109684538A (zh) | 一种基于用户个人特征的推荐方法及推荐系统 | |
WO2019016614A2 (en) | METHOD AND APPARATUS FOR DISPLAYING RESEARCH RESULTS | |
US20160232464A1 (en) | Statistically and ontologically correlated analytics for business intelligence | |
CN108140075A (zh) | 将用户行为分类为异常 | |
US9767417B1 (en) | Category predictions for user behavior | |
WO2018040069A1 (zh) | 信息推荐系统及方法 | |
CN109389442A (zh) | 商品推荐方法及装置、存储介质及电子终端 | |
US10262068B2 (en) | System, method, and non-transitory computer-readable storage media for displaying an optimal arrangement of facets and facet values for a search query on a webpage | |
CN105247507A (zh) | 品牌的影响力得分 | |
WO2014070624A1 (en) | Search result ranking method and system | |
US11216852B2 (en) | Systems and methods for automatically generating remarketing lists | |
US9767204B1 (en) | Category predictions identifying a search frequency | |
CN104077723B (zh) | 一种社交网络推荐系统及方法 | |
CN104516910A (zh) | 在客户端服务器环境中推荐内容 | |
US20190087859A1 (en) | Systems and methods for facilitating deals | |
CN105512180A (zh) | 一种搜索推荐方法及装置 | |
CN103309869A (zh) | 数据对象的展示关键词推荐方法及系统 | |
US10474670B1 (en) | Category predictions with browse node probabilities | |
US20150302088A1 (en) | Method and System for Providing Personalized Content | |
CN112528144A (zh) | 搜索推荐方法、装置、智能设备、电子设备及存储介质 | |
CN115423555A (zh) | 一种商品推荐方法、装置、电子设备及存储介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190125 Address after: Room 1601-1608, 16th floor, Yinke Building, 38 Haidian Street, Haidian District, Beijing Applicant after: Tencent Technology (Beijing) Co.,Ltd. Address before: 518000 Tencent Building, No. 1 High-tech Zone, Nanshan District, Shenzhen City, Guangdong Province, 35 Floors Applicant before: TENCENT TECHNOLOGY (SHENZHEN) Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |