CN109559208B - 一种信息推荐方法、服务器及计算机可读介质 - Google Patents
一种信息推荐方法、服务器及计算机可读介质 Download PDFInfo
- Publication number
- CN109559208B CN109559208B CN201910013961.9A CN201910013961A CN109559208B CN 109559208 B CN109559208 B CN 109559208B CN 201910013961 A CN201910013961 A CN 201910013961A CN 109559208 B CN109559208 B CN 109559208B
- Authority
- CN
- China
- Prior art keywords
- user
- preference
- attribute
- behavior data
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种信息推荐方法、服务器及计算机可读介质,涉及数据处理,其中方法包括:获取用户集群的第一历史行为数据,根据所述第一历史行为数据和候选对象具有的属性建立上述用户集群中的第一用户的树状偏好属性模型;获取所述第一用户的实时行为数据,根据所述树状偏好属性模型来确定所述实时行为数据对应的行为所指向的目标偏好属性;根据所述目标偏好属性从所述候选对象中确定目标候选对象,并生成推荐列表;向所述第一用户推荐所述推荐列表中的目标候选对象。本申请实施例通过结合用户的对候选对象属性的偏好和当前的兴趣倾向来对用户进行推荐,可以提高推荐的准确率。
Description
技术领域
本发明涉及信息推荐技术领域,尤其涉及一种信息推荐方法、服务器及计算机可读介质。
背景技术
随着互联网技术的发展,各种电子商务蓬勃兴起。电子商务是以信息网络技术为手段,以产品交换为中心的商务活动;是传统商业活动各环节的电子化、网络化、信息化。为了促进产品交易成功率,如何向用户进行准确有效额推荐显得尤为重要。
传统的推荐方式是通过分析用户的历史行为数据得到用户与产品之间的偏好关系,然后根据得到的用户与产品之间的偏好关系来对用户进行推荐,从而实现用户的个性化推荐。但是,在上述推荐方式中,由于用户与产品之间的偏好关系是根据历史行为数据得到的,具有时延性,因此可能导致推荐结果不准确,导致推荐的产品不是用户当前想要的产品,降低推荐的准确率。
发明内容
本发明实施例提供一种信息推荐方法,可准确有效的向用户推荐用户当前感兴趣的产品。
第一方面,本发明实施例提供了一种信息推荐方法,该方法包括:
获取用户集群的第一历史行为数据,根据所述第一历史行为数据和候选对象具有的属性建立上述用户集群中的第一用户的树状偏好属性模型,所述树状偏好属性中包括所述第一用户与偏好属性的关系,所述偏好属性为所述候选对象具有的属性;
获取所述第一用户的实时行为数据,根据所述树状偏好属性模型确定所述实时行为数据对应的行为所指向的目标偏好属性;
根据所述目标偏好属性从所述候选对象中确定目标候选对象,并生成推荐列表;
向所述第一用户推荐所述推荐列表中的目标候选对象。
第二方面,本发明实施例提供了一种服务器,该服务器包括用于执行上述第一方面的方法的单元。
第三方面,本发明实施例提供了另一种服务器,包括处理器、存储器和通信模块,其中,所述存储器用于存储程序代码,所述处理器被配置用于调用所述程序指令,执行上述第一方面的方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
本发明实施例通过获取历史行为数据,然后根据历史行为数据建立用户的树状偏好属性模型来展示用户与待推荐产品属性的偏好关系,该树状偏好属性模型中包含用户对产品对象的属性偏好度。接着获取用户的实时行为数据,并通过实时行为数据中的行为指向的目标偏好属性来确定用户当前的兴趣偏好,最后根据用户当前的兴趣偏好来对用户进行推荐。本申请实施例通过结合用户的对候选对象属性的偏好和当前的兴趣倾向(或意图)来对用户进行推荐,可以提高推荐的准确率。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1A是本发明实施例提供一种信息推荐方法的示意流程图;
图1B是本发明另一实施例提供的树状偏好属性模型示意图;
图2是本申请实施例提供的另一种信息推荐方法的示意流程图;
图3A是本申请实施例提供的又一种信息推荐方法的示意流程图;
图3B是本发明另一实施例提供的树状视频偏好属性模型示意图;
图4是本发明实施例提供的一种服务器的示意框图;
图5是本申请实施例提供的一种设备结构示意图;
图6是本申请实施例提供的一种服务器结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”、“第四”、“第五”和“第六”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结果或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
参见图1A,图1A是本发明实施例提供一种信息推荐方法的示意流程图,如图所示方法可包括:
101:服务器获取用户集群的第一历史行为数据,根据上述第一历史行为数据和候选对象具有的属性建立上述用户集群中的第一用户的树状偏好属性模型,上述树状偏好属性中包括上述第一用户与偏好属性的关系,上述偏好属性为上述候选对象具有的属性。
其中,上述用户集群为具有和上述候选对象相关的历史行为数据的用户。
其中,上述候选对象可以是实物产品,例如服装、家具、食品、图书等物质实体的形式存在的产品;也可以是虚拟产品,例如,计算机软件、股票行情和金融信息、新闻、书籍、杂志、音乐影像、电视节目等无实物性质的产品。
其中,上述第一历史行为数据中包括上述第一用户、以及其他用户的历史行为数据。上述历史数据中用户的行为可以包括用户的点击行为(例如点击某产品进行查看)、用户搜索行为、用户的下单行为、用户的购买行为以及用户的浏览行为等。
在本申请实施例中,为了能精确的为第一用户推荐第一用户当前需要的产品,首先需要分析第一用户的兴趣偏好,然后结合第一用户的兴趣偏好以及第一用户当前的购买意图来为第一用户生成产品推荐列表,最后将根据产品推荐列表给第一用户进行推荐。
分析第一用户的兴趣偏好需要获取第一用户的历史行为数据,以便根据第一用户的历史行为数据来分析第一用户的兴趣偏好。可以从各个电子商务平台或者金融企业的用户行为历史数据库中获取上述历史行为数据,也可以直接从各个日志服务器中获取上述历史行为数据。
在服务器获取到第一用户的历史行为数据之前,首先需要选择一个参考时间段,即设定一个预设时期,该预设时期的长短将影响到用户兴趣偏好的分析结果;预设时期长度不同,获取的用户行为的数量和各个用户行为的频率不同,由此分析得到的用户偏好也可能不同。若该预设时期过长,则无法准确的反应用户兴趣偏好的迁移特性和一些细微的变化,若该预设时期过短则会导致得到的用户兴趣偏好不具有代表性;另外上述预设时期可以是以当前为界限到之前的一端时间,还可以是以当前的时间为参考的同时期的一段时间,例如当前时间为6月中旬,则上述预设时期可以选择前一年的6月附近的一段时间。因此这个预设期限是一个可调的优化因子。
由于服务器获取到的历史行为数据中可能包括结构化数据,例如,用户id、收藏产品数量、收藏产品名称、产品属性等;也可能包括非结构化数据,例如用户浏览电商平台日志。因此服务器需要对上述历史行为数据中的非结构化数据进行结构化处理,以便后续方便分析用户兴趣偏好。另外,上述历史行为数据中存在一些对分析用户兴趣偏好无用的脏数据,例如,重复数据(一些短时间内的重复点击加载请求行为)、错误数据(一些空白区域和特殊符号,甚至根本没有见过的数据类型)等,因此在服务器获取到上述历史行为数据后,服务器需要对上述历史行为数据进行数据清洗,以便去除其中的脏数据,保留对分析用户兴趣偏好有用的用户行为数据,例如用户搜索某个产品的行为,又例如用户点击下单按钮购买某个产品的行为。
属性就是人类对于一个对象(事物)的抽象方面的刻画。一个具体对象总是有许许多多的性质与关系,我们把一个对象的性质与关系,都可以作为对象的属性。对象与属性是不可分的,对象都是有属性的对象,属性也都是对象的属性。一个对象与另一个对的相同或相异,也就是一个对象的属性与另一对象的属性的相同或相异。由于对象属性的相同或相异,客观世界中就形成了许多不同的对象类。具有相同属性的对象就形成一类,具有不同属性的对象就分别地形成不同的类。
每一个产品对象都具有多个属性,例如一件衣服可以包括服装、秋装、白色、短袖、品牌等诸多属性;可以通过共有属性来将多个产品概括成一类产品,例如衣服可以按季节属性分为春装、夏装、秋装以及冬装;在一类产品中又可以通过其子属性将该类产品进行区分,例如,春装中可以按照穿着组合分为外套、背心、裤等,也可以按照其他标准对其进行区分,例如按年龄可将春装分为成人服装和儿童服装等。
在本申请实施例中,可以根据候选对象具有的属性来建立能够对候选对象进行区分的树状属性模型,即可以通过同级属性将候选对象分类。其中,该树状属性模型具有根节点和多级子节点,每个节点表示一种属性。根节点为上述候选对象具有的属性中最上位的属性,中间子节点为上述根属性的子属性,最下位的子节点可以为具体的候选对象。可以理解的是,上述树状属性模型可以根据实际需要控制子节点的级数,例如,假设完整的树状属性模型具有6级子属性,但是为了减少信息量,可以只取其中的4级子属性作为树状属性模型。
在本申请实施例中,上述历史行为数据中的行为均和产品具有一定的联系,这种联系可以使得用户的行为和与其联系的产品的属性具有一定的指向性,即用户的行为可以对产品的一种或多种属性相关联。例如,用户在电商平台搜索羽绒服的行为可以指向服装、冬装、外套、羽绒服等属性;又例如,用户在电商平台的下单行为可以使的该下单行为指向下单的具体产品所具有的所有属性。由于用户的行为对产品的属性具有指向性,而用户的历史行为数据又能够体现用户的偏好,因此可以通过用户的历史行为数据来计算用户对产品的偏好属性的偏好度,进一步从产品的偏好属性的偏好度来得到用户对具体产品的兴趣偏好。
为了能够根据第一用户的历史行为数据和建立好的树状属性模型得到第一用户的树状偏好属性模型,首先需要根据第一用户的历史行为数据中的行为指向的偏好属性,然后才能计算每个偏好属性的偏好度。
其中,根据第一用户的历史行为数据中的行为指向的偏好属性具体可以包括:提取上述历史行为数据中行为与产品相关的内容,然后对该内容进行分词、语义扩展得到特征向量,接着将得到的特征向量与上述树状属性模型中的节点进行匹配,若该特征向量与上述树状属性模型的一个或多个节点匹配,则该一个或多个节点对应的属性便为上述行为指向的偏好属性。
不同的行为对于用户对偏好属性的偏好贡献不同,且次数越多表示贡献越大,因此在计算用户的行为对偏好属性的偏好度时肯定需要乘以行为权重和相同行为指向偏好属性的次数;其次,属性自身对于用户的偏好兴趣贡献也会不同;通常情况下,在上述树状属性模型中,越下位的子属性对于用户兴趣偏好的贡献会越大。例如浏览行为的权重一般小于搜索行为的权重,点击某一类或某一个商品进行查看的权重小于点击下单按钮购买某个商品的权重。因此,在计算偏好属性的偏好度时,还需要乘以偏好属性自身的属性权重。
上面提到使用用户的历史行为数据中的行为对产品属性的指向性来计算用户对产品的偏好属性的偏好度,然而,对于单个用户而言,用户的历史行为数据显得比较单一、不全面,且有可能某一个用户的历史行为数据会很少,因此若只是根据就单个用户的历史行为数据来计算该用户对产品偏好属性的偏好度可能会不准确。
由于采用单个用户的历史行为数据来计算该用户对产品偏好属性的偏好度时,单个用户的历史行为数据会显得单一、不全面,因此可以采用类似与基于用户的协同算法来计算的方式,也就是,使用单个用户的历史行为数据加上和该用户兴趣相似的用户的历史行为数据一起来计算用户对于产品属性的偏好度。采用该种方式来计算用户对于偏好属性的偏好度,需要用到用户与用户之间的兴趣相似度。
在本申请实施例中,对于第一用户与其他用户之间的兴趣相似度,可以根据上述第一历史行为数据采用常用的相似度算法对第一用户与其他用户之间的相似度进行计算,可以采用余弦相似度算法计算用户与用户之间的兴趣相似度。其中,余弦相似度计算公式如下:
其中,wuv表示用户u和用户v的兴趣相似度,Su表示用户u曾经有过正反馈的物品集合,Sv表示用户v曾经有过正反馈的物品集合。当用户数量很大时,采用余弦相似度算法计算用户与用户之间的兴趣相似度将会非常耗时,且事实上,很多用户相互之间并没有对同样的物品产生过行为。所以可以先建立物品到用户的倒排表,对于每个物品都保存对该物品产生过行为的用户列表。然后根据上述倒排表计算对同样物品产生过行为的用户之间的兴趣相似度。可以理解的是,在本申请实施例中,也可以采用其他相似度算法(例如杰卡德(Jaccard)、欧式距离相似度算法、皮尔逊相似度算法等)来计算用户与用户之间的兴趣相似度。
为了能更准确的计算第一用户对偏好属性的偏好度,获取的第一历史行为数据可以为第一用户和与第一用户的兴趣相似度大于阈值的其他用户的历史行为数据。在根据第一历史行为数据得到第一用户与其他用户的兴趣相似度和第一历史数据中行为指向的偏好属性之后,可以使用以下公式来计算用户对偏好属性的偏好度:
其中,P(u,i)表示用户u对偏好属性i的偏好度,N表示用户u的历史行为数据中包括的行为,ni表示行为n指向偏好属性i的行为权重,ri表示偏好属性i的属性权重,kun表示用户u的行为n的次数,U表示与用户u的兴趣相似度大于阈值的其他用户,M表示用户v的历史行为数据中包括的行为,mi表示行为m指向偏好属性i的行为权重,kvm表示用户v的行为m的次数,wuv表示用户u和用户v的兴趣相似度,c为U中的用户数量。
在根据上述公式计算得到第一用户对偏好属性的偏好度后,将计算得到的偏好度写入上述树状属性模型的相应节点中,便得到如图1B所示的第一用户的树状偏好属性模型。如图1B所示,图中A表示候选对象具有的属性,A1、A2等表示A属性的子属性。P(A)表示属性A的偏好度。
102:服务器获取上述第一用户的实时行为数据,根据上述树状偏好属性模型据来确定上述实时行为数据对应的行为所指向的目标偏好属性。
在本申请实施例中,在服务器根据第一历史行为数据分析得到第一用户的树状偏好属性模型,即第一用户的兴趣偏好后,还需要根据第一用户的实时行为数据来确定用户的当前购买倾向,然后服务器结合第一用户的当前购买倾向和第一用户的树状偏好属性模型来对第一用户进行相应的推荐,即结合第一用户的当前购买意图和第一用户的兴趣偏好来对第一用户进行推荐。
具体的,可以通过在客户端埋点的方式来采集用户的实时用户行为数据,也可以通过基于Web服务器日志的方式来采集用户的实施用户行为数据,当采集到实时用户行为数据之后,对其进行结构化处理和数据清洗,然后提取出第一用户的实时行为数据。接着服务器根据第一用户的树状偏好属性模型来确定第一用户的实时行为数据中的行为指向的目标偏好属性。
在得到第一用户的实时行为数据后,服务器提取第一用户的实时行为数据中行为与产品相关的内容,然后对该内容进行分词、语义扩展得到特征向量,接着将得到的特征向量与上述树状属性模型中的节点进行匹配,若该特征向量与上述树状属性模型的一个或多个节点匹配,则该一个或多个节点对应的属性便为上述实时行为指向的目标偏好属性。
103:服务器根据上述目标偏好属性从上述候选对象中确定目标候选对象,并生成推荐列表;向上述第一用户推荐上述推荐列表中的目标候选对象。
在本申请实施例中,当服务器根据第一用户的实时行为数据确定了实时行为数据中的实时行为指向的目标偏好属性后,服务器便根据上述目标偏好属性以及上述候选对象生成推荐列表,并根据上述推荐列表对上述第一用户进行推荐。
具体的,服务器从上述第一用户的树状偏好属性模型中提取出上述目标偏好属性的根属性,并根据预设的条件从上述第一用户的树状偏好属性模型中提取满足条件的目标偏好属性的子属性。然后,服务器将上述目标偏好属性、目标偏好属性以及满足条件的目标偏好属性的子属性作为推荐属性。接着,服务器从待推荐的对象中筛选出满足上述推荐属性的目标候选对象,并生成推荐列表。最后向上述第一用户推荐上述推荐列表中的目标候选对象。其中,上述预设条件可以是上述目标属性的子属性中的偏好度最大的子属性,或者是上述目标属性的子属性中偏好度大于阈值的子属性。
作为一种可选的实施方式,在服务器向上述第一用户推荐上述推荐列表中的目标候选对象之前,上述服务器可以从金融系统中获取上述第一用户的信用信息、资产信息以及负载信息,然后根据上述信用信息、资产信息以及负载信息计算上述第一用户的潜在购买力。在服务器根据上述推荐属性得到上述推荐列表后,服务器根据上述第一用户的潜在购买力对上述推荐列表进行优化,以得到优化后的第一优化推荐列表。最后服务器向上述第一用户推荐上述第一优化推荐列表中的目标候选对象。
作为另一种可选的实施方式,在服务器向上述第一用户推荐上述推荐列表中的目标候选对象之前,服务器获取当前预设的时间段内用户对候选对象的好评排行或热销排行榜。在服务器根据上述推荐属性得到上述推荐列表后,服务器根据上述好评排行或热销排行榜对上述推荐列表中的候选对象进行排序,然后选取排在前面的预设个数候选对象得到新的推荐列表,最后根据新的推荐列表对第一用户进行推荐。
可以看出,本发明实施例通过获取历史行为数据,然后根据历史行为数据建立用户的树状偏好属性模型来展示用户与待推荐产品属性的偏好关系,该树状偏好属性模型中包含用户对产品对象的属性偏好度。接着获取用户的实时行为数据,并通过实时行为数据中的行为指向的目标偏好属性来确定用户当前的兴趣偏好,最后根据用户当前的兴趣偏好来对用户进行推荐。本申请实施例通过结合用户的对候选对象属性的偏好和当前的兴趣倾向(或意图)来对用户进行推荐,可以提高推荐的准确率。
参见图2,图2是本申请实施例提供的另一种信息推荐方法的示意流程图,如图所示该方法可包括:
201:服务器根据候选对象和当前时间确定历史时间区间,获取上述历史时间区间内的第一历史行为数据。
由于用户的兴趣偏好具有时间迁移性,即用户的兴趣偏好会随着时间的变化而变化,例如,第一用户原来对第一对象很感兴趣,但随着时间的推移,可能受到某些因素(例如年龄的变化导致价值观的变化,或生活环境的变化)的影响后,第一用户不在对第一对象一类的事务感兴趣;以及一些具体的产品的推荐受时间段的影响,即用户只在一些特定的时间段对某些产品会产生兴趣,例如,在春天用户一般只会对春装感兴趣,而不会对冬装感兴趣。
因此,在通过历史行为数据分析用户的兴趣偏好时,要根据具体的候选对象和当前时间来确定获取历史行为数据的时间区间,然后获取该时间区间内的历史行为数据来分析用户的兴趣偏好。可以理解的是,上述当前时间指的是在当前时刻附近的一段时间,而不是确切的指当前时刻。
202:服务器确定上述第一历史行为数据中的行为指向的偏好属性。
在本申请实施例中,当服务器获取到上述第一历史行为数据后,服务器提取上述历史行为数据中行为与产品相关的内容,然后对该内容进行分词、语义扩展得到特征向量,接着将得到的特征向量与预先建立的树状属性模型中的节点进行匹配,若该特征向量与上述树状属性模型的一个或多个节点匹配,则该一个或多个节点对应的属性便为上述行为指向的偏好属性。其中,上述树状属性模型的建立过程和上述第一实施例中建立树状属性模型的过程相同,在此不在赘述。
203:服务器根据上述第一历史行为数据计算上述偏好性属性的偏好度。
在本申请实施例中,当服务器确定了上述第一历史行为数据中行为指向的偏好属性后,服务器便根据上述第一历史行为数据采用上述第一实施例提供的公式(2)计算每个偏好属性的偏好度。
204:服务器根据上述候选对象具有的属性和上述偏好属性的偏好度建立上述第一用户的树状偏好属性模型。
当服务器计算得到每个偏好属性的偏好度之后,服务器将计算得到的偏好度写入上述树状属性模型的相应节点中,以得到第一用户的树状偏好属性模型。
205:服务器获取上述第一用户的实时行为数据,根据上述树状偏好属性模型来确定上述实时行为数据对应的行为所指向的目标偏好属性。
206:服务器将上述目标偏好属性的根属性以及上述目标偏好属性的子属性中偏好度满足推荐条件的子属性确定为推荐属性,上述推荐条件包括偏好度最高或偏好度大于第一阈值。
服务器从上述第一用户的树状偏好属性模型中提取出上述目标偏好属性的根属性,并根据预设的条件从上述第一用户的树状偏好属性模型中提取满足条件的目标偏好属性的子属性。然后,服务器将上述目标偏好属性、目标偏好属性以及满足条件的目标偏好属性的子属性作为推荐属性。其中,上述预设条件可以是上述目标属性的子属性中的偏好度最大的子属性,或者是上述目标属性的子属性中偏好度大于阈值的子属性。
207:服务器从上述候选对象中筛选出具有上述推荐属性的目标候选对象,并根据上述目标候选对象生成推荐列表。
208:服务器从金融系统中获取上述第一用户的信用信息、资产信息以及负载信息。
209:服务器根据上述信用信息、资产信息以及负载信息计算上述第一用户的潜在购买力。
210:服务器根据上述潜在购买力优化上述推荐列表,得到第一优化推荐列表,向上述第一用户推荐上述第一优化推荐列表中的目标候选对象。
可以看出,本发明实施例通过获取历史行为数据,然后根据历史行为数据建立用户的树状偏好属性模型来展示用户与待推荐产品属性的偏好关系,该树状偏好属性模型中包含用户对产品对象的属性偏好度。接着获取用户的实时行为数据,并通过实时行为数据中的行为指向的目标偏好属性来确定用户当前的兴趣偏好,最后根据用户当前的兴趣偏好来对用户进行推荐。本申请实施例通过结合用户的对候选对象属性的偏好和当前的兴趣倾向(或意图)来对用户进行推荐,可以提高推荐的准确率。
参见图3A,图3A是本申请实施例提供的又一种信息推荐方法的示意流程图,如图所示该方法可包括:
301:当候选对象为视频时,根据待推荐的视频建立关于视频的树状视频属性模型。
其中,上述候选对象可以是视频、新闻、食品、服装、小说等产品。本申请实施例以视频为候选对象对上述信息推荐方法具体说明。首先根据待推荐的视频对象具有的属性建立树状视频属性模型。例如,可以将视频作为根属性,将电视剧、电影、动漫等作为其子属性,将喜剧、爱情、动作作为一级子属性电影的子属性,将电影的出产地作为二级子属性的子属性,以此类推建立好上述树状视频属性模型。可以理解的是上述例子只是作为一种示例,也可以以其他的视频属性从属关系来建立上述树状视频树状属性模型。
302:服务器获取距离当前时间之前预设时间段内的关于用户针对视频的历史行为数据。
在本申请实施例中,上述用户对于视频内容的历史行为可以包括搜索视频的行为、点播视频的行为、收藏视频的行为、评论视频的行为、查看视频简介的行为、点击视频导航的行为(例如点击喜剧按钮)等和视频属性相关的行为。
303:服务器确定上述用户针对视频的历史行为数据中的行为指向上述树状视频属性模型中的视频偏好属性。
304:服务器根据上述历史行为数据计算每个偏好属性的偏好度。
在本申请实施例中,当服务器确定上述用户针对视频的历史行为数据中的行为指向上述树状视频属性模型中的视频偏好属性后,服务器便根据上述历史行为数据采用上述第一实施例提供的公式(2)计算每个偏好属性的偏好度。
305:服务器将计算得到的偏好度写入上述树状视频属性模型的相应节点中,以形成第一用户的树状视频偏好属性模型。
当服务器计算得到每个视频偏好属性的偏好度之后,服务器将计算得到的偏好度写入上述树状视频属性模型的相应节点中,以得到如图3B所示的第一用户的树状偏好属性模型。其中,图中的P表示属性的偏好度。
306:服务器获取第一用户关于视频的实时行为数据,根据上述树状视频偏好属性模型来确定上述实时行为数据中的行为指向的目标视频偏好属性。
307:服务器将上述目标视频偏好属性的根属性以及上述目标视频偏好属性的子属性中偏好度满足推荐条件的子属性确定为推荐视频属性,上述推荐条件包括偏好度最高或偏好度大于第一阈值。
服务器从上述第一用户的树状视频偏好属性模型中提取出上述目标视频偏好属性的根属性,并根据预设的条件从上述第一用户的树状偏好属性模型中提取满足条件的目标偏好属性的子属性。然后,服务器将上述目标偏好属性、目标偏好属性以及满足条件的目标偏好属性的子属性作为推荐属性。其中,上述预设条件可以是上述目标属性的子属性中的偏好度最大的子属性,或者是上述目标属性的子属性中偏好度大于阈值的子属性。
例如,服务器根据上述实时行为数据确定实时行为指向的目标视频偏好属性为动作电影,则服务器提取动作电影的根属性电影,以及其子属性中偏好度最大的香港片,香港片的子属性中偏好度最大的**主演作为上述推荐视频属性,然后便根据推荐视频属性:电影、动作片、香港片、**主演,从待推荐的视频对象中筛选出满足上述推荐视频属性的视频对象。
308:服务器从上述候选对象中筛选出具有上述推荐视频属性的目标候选对象,并根据上述目标候选对象生成推荐列表,根据上述推荐列表对第一用户进行视频推荐。
在本申请实施例中,当服务器生成针对第一用户的视频推荐列表后,可根据推荐列表中视频对象的评分、热播排行等进行排序筛选,以得到优化后的视频推荐列表,最后服务器根据优化后的视频推荐列表对上述第一用户进行视频推荐。
可以看出,本发明实施例通过获取历史行为数据,然后根据历史行为数据建立用户的树状偏好属性模型来展示用户与待推荐产品属性的偏好关系,该树状偏好属性模型中包含用户对产品对象的属性偏好度。接着获取用户的实时行为数据,并通过实时行为数据中的行为指向的目标偏好属性来确定用户当前的兴趣偏好,最后根据用户当前的兴趣偏好来对用户进行推荐。本申请实施例通过结合用户的对候选对象属性的偏好和当前的兴趣倾向(或意图)来对用户进行推荐,可以提高推荐的准确率。
本发明实施例还提供一种服务器,该服务器用于执行前述任一项上述的方法的单元。具体地,参见图4,图4是本发明实施例提供的一种服务器的示意框图。本实施例的服务器包括:获取单元410、创建单元420、第一确定单元430、生成单元440、推荐单元450。
上述获取单元410,用于获取用户集群的第一历史行为数据;
上述创建单元420,用于根据上述第一历史行为数据和候选对象具有的属性建立上述用户集群中的第一用户的树状偏好属性模型;
上述获取单元410,还用于获取上述第一用户的实时行为数据;
上述第一确定单元430,用于根据上述树状偏好属性模型来确定上述实时行为数据对应的行为所指向的目标偏好属性;
上述生成单元440,用于根据上述目标偏好属性以及上述候选对象生成推荐列表;
上述推荐单元450,用于根据上述推荐列表对上述第一用户进行推荐。
可选的,上述服务器还包括:
数据处理单元460,用于对上述第一历史行为数据进行数据清洗以及结构化处理得到第二历史行为数据;
上述创建单元420,用于根据上述第二历史行为数据和候选对象具有的属性建立上述用户集群中的第一用户的树状偏好属性模型。
可选的,上述创建单元420包括:
第二确定单元421,用于确定上述第一历史行为数据中的行为指向的偏好属性;
第一计算单元422,用于根据上述第一历史行为数据计算上述偏好性属性的偏好度;
上述创建单元420,用于根据上述候选对象具有的属性和上述偏好属性的偏好度建立上述第一用户的树状偏好属性模型。
可选的,上述第一计算单元422,用于使用相似度算法根据上述第一历史行为数据计算上述第一用户和上述第二用户的兴趣相似度,上述第一历史数据包括上述第二用户、上述第二用户以及上述第一用户和第二用户之外的其他用户的历史行为数据;
使用以下公式计算上述偏好属性的偏好度:
其中,P(u,i)表示用户u对偏好属性i的偏好度,N表示用户u的历史行为数据中包括的行为,ni表示行为n指向偏好属性i的行为权重,ri表示偏好属性i的属性权重,kun表示用户u的行为n的次数,U表示与用户u的兴趣相似度大于阈值的其他用户,M表示用户v的历史行为数据中包括的行为,mi表示行为m指向偏好属性i的行为权重,kvm表示用户v的行为m的次数,wuv表示用户u和用户v的兴趣相似度,c为U中的用户数量。
可选的,上述树状偏好属性模型中包括至少一个根属性,根属性包括至少一级子属性;
上述生成单元440包括:
第三确定单元441,用于将上述目标偏好属性的根属性以及上述目标偏好属性的子属性中偏好度满足推荐条件的子属性确定为推荐属性,上述推荐条件包括偏好度最高或偏好度大于第一阈值;
上述生成单元440,用于从上述候选对象中筛选出具有上述推荐属性的目标候选对象,并根据上述目标候选对象生成推荐列表。
可选的,上述获取单元410,还用于从金融系统中获取上述第一用户的信用信息、资产信息以及负载信息;
上述服务器,还包括:
第二计算单元470,用于根据上述信用信息、资产信息以及负载信息计算上述第一用户的潜在购买力;
优化单元480,用于根据上述潜在购买力优化上述推荐列表,得到第一优化推荐列表;
上述推荐单元450,用于向上述第一用户推荐上述第一优化推荐列表中的目标候选对象。
可选的上述获取单元410,具体用于根据候选对象和当前时间确定历史时间区间,获取上述历史时间区间内的第一历史行为数据。
可以看出,本发明实施例通过获取历史行为数据,然后根据历史行为数据建立用户的树状偏好属性模型来展示用户与待推荐产品属性的偏好关系,该树状偏好属性模型中包含用户对产品对象的属性偏好度。接着获取用户的实时行为数据,并通过实时行为数据中的行为指向的目标偏好属性来确定用户当前的兴趣偏好,最后根据用户当前的兴趣偏好来对用户进行推荐。本申请实施例通过结合用户的对候选对象属性的偏好和当前的兴趣倾向(或意图)来对用户进行推荐,可以提高推荐的准确率。
参见图5,图5是本申请实施例提供的一种设备,该设备可以为服务器,如图5所示设备包括:一个或多个处理器501;一个或多个输入设备502,一个或多个输出设备503和存储器504。上述处理器501、输入设备502、输出设备503和存储器504通过总线505连接。存储器502用于存储指令,处理器501用于执行存储器502存储的指令。
其中,该设备作为服务器使用的情况下,处理器501用于:获取用户集群的第一历史行为数据,根据上述第一历史行为数据和候选对象具有的属性建立上述用户集群中的第一用户的树状偏好属性模型,上述树状偏好属性中包括上述第一用户与偏好属性的关系,上述偏好属性为上述候选对象具有的属性;获取上述第一用户的实时行为数据,根据上述树状偏好属性模型确定上述实时行为数据对应的行为所指向的目标偏好属性;根据上述目标偏好属性从上述候选对象中确定目标候选对象,并生成推荐列表;向上述第一用户推荐上述推荐列表中的目标候选对象。
应当理解,在本申请实施例中,所称处理器501可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备502可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等,输出设备503可以包括显示器(例如,液晶显示器Liquid CrystalDisplay,LCD)等)、扬声器等。
该存储器504可以包括只读存储器和随机存取存储器,并向处理器501提供指令和数据。存储器504的一部分还可以包括非易失性随机存取存储器。例如,存储器504还可以存储设备类型的信息。
具体实现中,本申请实施例中所描述的处理器501、输入设备502、输出设备503可执行本申请实施例提供的一种用户行为数据推荐方法的第一实施例中所描述的实现方式、第二实施列以及第三实施例中的实现方式,也可执行本申请实施例所描述的服务器的实现方式,在此不再赘述。
在本申请的另一实施例中提供一种计算机可读存储介质,上述计算机可读存储介质存储有计算机程序,上述计算机程序被处理器执行时实现:获取用户集群的第一历史行为数据,根据上述第一历史行为数据和候选对象具有的属性建立上述用户集群中的第一用户的树状偏好属性模型,上述树状偏好属性中包括上述第一用户与偏好属性的关系,上述偏好属性为上述候选对象具有的属性;获取上述第一用户的实时行为数据,根据上述树状偏好属性模型确定上述实时行为数据对应的行为所指向的目标偏好属性;根据上述目标偏好属性从上述候选对象中确定目标候选对象,并生成推荐列表;向上述第一用户推荐上述推荐列表中的目标候选对象。
上述计算机可读存储介质可以是前述任一实施例上述的终端的内部存储单元,例如终端的硬盘或内存。上述计算机可读存储介质也可以是上述终端的外部存储设备,例如上述终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,上述计算机可读存储介质还可以既包括上述终端的内部存储单元也包括外部存储设备。上述计算机可读存储介质用于存储上述计算机程序以及上述终端所需的其他程序和数据。上述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
图6是本申请实施例提供的一种服务器结构示意图,该服务器600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(central processingunits,CPU)622(例如,一个或一个以上处理器)和存储器632,一个或一个以上存储应用程序642或数据644的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器632和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器622可以设置为与存储介质630通信,在服务器600上执行存储介质630中的一系列指令操作。
服务器600还可以包括一个或一个以上电源626,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口658,和/或,一个或一个以上操作系统641,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述实施例中由服务器所执行的步骤可以基于该图5所示的服务器结构。
本领域普通技术人员可以意识到,结合本文中所公开的实施例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。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、服务器、服务器和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、服务器和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本申请实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,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,可轻易想到各种等效的修改或替换,这些修改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以权利要求的保护范围为准。
Claims (8)
1.一种信息推荐方法,其特征在于,包括:
获取用户集群的第一历史行为数据,确定所述第一历史行为数据中的行为指向的偏好属性;
使用相似度算法根据所述第一历史行为数据计算第一用户和第二用户的兴趣相似度,所述第一历史行为数据包括所述第一用户、所述第二用户以及所述第一用户和第二用户之外的其他用户的历史行为数据;
使用以下公式计算所述偏好属性的偏好度:
其中,P(u,i)表示用户u对偏好属性i的偏好度,N表示用户u的历史行为数据中包括的行为,ni表示行为n指向偏好属性i的行为权重,ri表示偏好属性i的属性权重,kun表示用户u的行为n的次数,U表示与用户u的兴趣相似度大于阈值的其他用户,M表示用户v的历史行为数据中包括的行为,mi表示行为m指向偏好属性i的行为权重,kvm表示用户v的行为m的次数,wuv表示用户u和用户v的兴趣相似度,c为U中的用户数量;
根据候选对象具有的属性和所述偏好属性的偏好度建立所述第一用户的树状偏好属性模型,所述树状偏好属性模型中包括所述第一用户与偏好属性的关系,所述偏好属性为所述候选对象具有的属性;
获取所述第一用户的实时行为数据,根据所述树状偏好属性模型确定所述实时行为数据对应的行为所指向的目标偏好属性;
根据所述目标偏好属性从所述候选对象中确定目标候选对象,并生成推荐列表;
向所述第一用户推荐所述推荐列表中的目标候选对象。
2.根据权利要求1所述的方法,其特征在于,在所述获取用户集群的第一历史行为数据之后,所述方法还包括:
对所述第一历史行为数据进行数据清洗以及结构化处理得到第二历史行为数据;
所述根据所述第一历史行为数据和候选对象具有的属性建立上述用户集群中的第一用户的树状偏好属性模型,包括:
根据所述第二历史行为数据和候选对象具有的属性建立上述用户集群中的第一用户的树状偏好属性模型。
3.根据权利要求1所述的方法,其特征在于,所述树状偏好属性模型中包括至少一个根属性,根属性包括至少一级子属性;
所述根据所述目标偏好属性从所述候选对象中确定目标候选对象,并生成推荐列表,包括:
将所述目标偏好属性的根属性以及所述目标偏好属性的子属性中偏好度满足推荐条件的子属性确定为推荐属性,所述推荐条件包括偏好度最高或偏好度大于第一阈值;
从所述候选对象中筛选出具有所述推荐属性的目标候选对象,并根据所述目标候选对象生成推荐列表。
4.根据权利要求1-3任一项所述的方法,其特征在于,在所述向所述第一用户推荐所述推荐列表中的目标候选对象之前,所述方法还包括:
从金融系统中获取所述第一用户的信用信息、资产信息以及负债信息;
根据所述信用信息、资产信息以及负债信息计算所述第一用户的潜在购买力;
在所述根据所述目标偏好属性从所述候选对象中确定目标候选对象,并生成推荐列表之后,所述方法还包括:
根据所述潜在购买力优化所述推荐列表,得到第一优化推荐列表;
向所述第一用户推荐所述推荐列表中的目标候选对象,包括:
向所述第一用户推荐所述第一优化推荐列表中的目标候选对象。
5.根据权利要求4所述的方法,其特征在于,所述获取用户集群的第一历史行为数据,包括:
根据候选对象和当前时间确定历史时间区间,获取所述历史时间区间内的第一历史行为数据。
6.一种服务器,其特征在于,包括用于执行如权利要求1-5任一项所述的方法的单元。
7.一种服务器,其特征在于,包括处理器、存储器和通信模块,其中,所述存储器用于存储程序代码,所述处理器用于调用所述程序代码来执行如权利要求1-5任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读 存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910013961.9A CN109559208B (zh) | 2019-01-04 | 2019-01-04 | 一种信息推荐方法、服务器及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910013961.9A CN109559208B (zh) | 2019-01-04 | 2019-01-04 | 一种信息推荐方法、服务器及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109559208A CN109559208A (zh) | 2019-04-02 |
CN109559208B true CN109559208B (zh) | 2022-05-03 |
Family
ID=65872562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910013961.9A Active CN109559208B (zh) | 2019-01-04 | 2019-01-04 | 一种信息推荐方法、服务器及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109559208B (zh) |
Families Citing this family (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110138875A (zh) * | 2019-05-28 | 2019-08-16 | 北京风行极客科技有限公司 | 一种数据请求方法及装置 |
CN110175895B (zh) * | 2019-05-31 | 2023-04-07 | 京东方科技集团股份有限公司 | 一种物品推荐方法及装置 |
CN110233843B (zh) * | 2019-06-13 | 2021-09-14 | 优信拍(北京)信息科技有限公司 | 一种用户请求的处理方法及装置 |
CN110389662A (zh) * | 2019-06-19 | 2019-10-29 | 深圳壹账通智能科技有限公司 | 应用程序的内容展示方法、装置、存储介质和计算机设备 |
CN110457464B (zh) * | 2019-07-08 | 2023-03-24 | 创新先进技术有限公司 | 用于信息处理的方法、装置和计算设备 |
US11144588B2 (en) * | 2019-07-30 | 2021-10-12 | Google Llc | Determining and utilizing actual purpose of user-assembled collection of electronic content items |
CN112422594B (zh) * | 2019-08-20 | 2022-05-31 | 中移(苏州)软件技术有限公司 | 一种信息推送方法、服务器及计算机可读存储介质 |
CN112417263B (zh) * | 2019-08-23 | 2024-01-09 | 北京达佳互联信息技术有限公司 | 数据推荐方法、装置及存储介质 |
CN110727857A (zh) * | 2019-09-04 | 2020-01-24 | 口碑(上海)信息技术有限公司 | 针对业务对象识别潜在用户的关键特征的方法及装置 |
CN110659362A (zh) * | 2019-09-17 | 2020-01-07 | 武汉鼎森电子科技有限公司 | 一种自动调节候选范围的推荐方法和系统 |
CN110609958A (zh) * | 2019-09-19 | 2019-12-24 | Oppo广东移动通信有限公司 | 数据推送方法、装置、电子设备及存储介质 |
CN112714359B (zh) * | 2019-10-24 | 2022-09-09 | 北京达佳互联信息技术有限公司 | 视频推荐方法、装置、计算机设备及存储介质 |
CN112784147A (zh) * | 2019-11-04 | 2021-05-11 | 阿里巴巴集团控股有限公司 | 信息处理方法、装置、设备及系统 |
CN111127152A (zh) * | 2019-12-23 | 2020-05-08 | 深圳市赛维网络科技有限公司 | 基于用户偏好预测的商品推荐方法、装置、设备及可读介质 |
CN111275493B (zh) * | 2020-02-10 | 2023-08-22 | 拉扎斯网络科技(上海)有限公司 | 榜单数据的处理方法、装置、服务器和非易失性存储介质 |
CN111310046B (zh) * | 2020-02-18 | 2023-10-20 | 苏州大学 | 对象推荐方法及装置 |
CN113495996B (zh) * | 2020-03-18 | 2024-02-23 | 北京达佳互联信息技术有限公司 | 一种对象推荐方法、装置、设备及介质 |
CN111581452B (zh) * | 2020-03-26 | 2023-10-17 | 浙江口碑网络技术有限公司 | 推荐对象数据的获得方法、装置及电子设备 |
CN111582906A (zh) * | 2020-03-26 | 2020-08-25 | 口碑(上海)信息技术有限公司 | 一种目标用户信息的获取方法、装置以及电子设备 |
CN111651669A (zh) * | 2020-05-20 | 2020-09-11 | 拉扎斯网络科技(上海)有限公司 | 信息推荐方法、装置、电子设备和计算机可读存储介质 |
CN111914165B (zh) * | 2020-06-29 | 2023-10-20 | 长沙市到家悠享网络科技有限公司 | 一种目标对象推荐方法、装置、设备和存储介质 |
CN113779369B (zh) * | 2020-07-15 | 2024-05-21 | 北京沃东天骏信息技术有限公司 | 匹配方法、匹配装置、电子设备及存储介质 |
CN111951070B (zh) * | 2020-07-31 | 2023-12-22 | 博泰车联网科技(上海)股份有限公司 | 基于车联网的智能推荐方法、装置、服务器及存储介质 |
CN113763098A (zh) * | 2020-12-21 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 用于确定物品的方法和装置 |
CN112507237A (zh) * | 2020-12-28 | 2021-03-16 | 山东茶急送茶业有限公司 | 在零售app中根据用户数据进行精准推送的智能算法 |
CN112507238A (zh) * | 2020-12-28 | 2021-03-16 | 山东茶急送茶业有限公司 | 一种在茶叶零售app中基于用户行为记录进行茶叶推荐的智能算法、系统及存储介质 |
CN112507236A (zh) * | 2020-12-28 | 2021-03-16 | 山东茶急送茶业有限公司 | 一种基于茶叶属性的茶叶商品推荐算法及系统 |
CN113781087A (zh) * | 2021-01-29 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 推荐对象的召回方法及装置、存储介质、电子设备 |
CN113313552B (zh) * | 2021-06-02 | 2023-03-21 | 支付宝(杭州)信息技术有限公司 | 推荐处理方法及装置 |
CN113360758B (zh) * | 2021-06-08 | 2024-06-25 | 苍穹数码技术股份有限公司 | 信息推荐方法、装置、电子设备和计算机存储介质 |
CN113591986B (zh) * | 2021-07-30 | 2024-06-04 | 阿里巴巴创新公司 | 用于生成推荐模型的对象权值的方法和个性化推荐方法 |
CN114302242B (zh) * | 2022-01-25 | 2023-10-31 | 聚好看科技股份有限公司 | 一种媒资推荐方法、显示设备及服务器 |
CN115391659A (zh) * | 2022-09-02 | 2022-11-25 | 中国第一汽车股份有限公司 | 新闻推荐方法、装置、电子设备及计算机可读存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017101389A1 (zh) * | 2015-12-15 | 2017-06-22 | 乐视控股(北京)有限公司 | 一种移动终端的信息推荐方法及装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104679743B (zh) * | 2013-11-26 | 2019-10-29 | 阿里巴巴集团控股有限公司 | 一种确定用户的偏好模式的方法及装置 |
JP6397704B2 (ja) * | 2014-09-19 | 2018-09-26 | 株式会社東芝 | 情報処理装置、情報処理システム、情報処理方法及びプログラム |
CN105469263A (zh) * | 2014-09-24 | 2016-04-06 | 阿里巴巴集团控股有限公司 | 一种商品推荐方法及装置 |
CN105574216A (zh) * | 2016-03-07 | 2016-05-11 | 达而观信息科技(上海)有限公司 | 基于概率模型和用户行为分析的个性化推荐方法、系统 |
US10628870B2 (en) * | 2016-10-10 | 2020-04-21 | International Business Machines Corporation | Offering personalized and interactive decision support based on learned model to predict preferences from traits |
CN107180078A (zh) * | 2017-04-21 | 2017-09-19 | 河海大学 | 一种基于用户兴趣学习的垂直搜索方法 |
CN107562818B (zh) * | 2017-08-16 | 2020-01-24 | 中国工商银行股份有限公司 | 信息推荐系统及方法 |
CN108550068B (zh) * | 2018-04-16 | 2022-03-11 | 南京大学 | 一种基于用户行为分析的个性化商品推荐方法及系统 |
-
2019
- 2019-01-04 CN CN201910013961.9A patent/CN109559208B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017101389A1 (zh) * | 2015-12-15 | 2017-06-22 | 乐视控股(北京)有限公司 | 一种移动终端的信息推荐方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109559208A (zh) | 2019-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109559208B (zh) | 一种信息推荐方法、服务器及计算机可读介质 | |
US11449719B2 (en) | Image evaluation | |
US20200344313A1 (en) | Systems and methods for contextual recommendations | |
CN109191240B (zh) | 一种进行商品推荐的方法和装置 | |
US11037222B1 (en) | Dynamic recommendations personalized by historical data | |
WO2020048084A1 (zh) | 资源推荐方法、装置、计算机设备及计算机可读存储介质 | |
US20160292769A1 (en) | Systems and methods that employ adaptive machine learning to provide recommendations | |
US20100228558A1 (en) | Aggregate Content-Based Advertising | |
US11676194B2 (en) | Faceted item recommendation system | |
US20150161677A1 (en) | System and method for social data mining that learns from a dynamic taxonomy | |
CN105426528A (zh) | 一种商品数据的检索排序方法及系统 | |
CN103886001A (zh) | 一种个性化商品推荐系统 | |
JPWO2012118087A1 (ja) | レコメンダシステム、レコメンド方法、及びプログラム | |
JP6679451B2 (ja) | 選択装置、選択方法および選択プログラム | |
CN111651678B (zh) | 一种基于知识图谱的个性化推荐方法 | |
WO2020221022A1 (zh) | 业务对象推荐方法 | |
CN112149003B (zh) | 商品社群推荐方法、装置和计算机设备 | |
US20210118020A1 (en) | Price-Based User Feedback System | |
CN113032668A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
Zhang et al. | The approaches to contextual transaction trust computation in e‐Commerce environments | |
CN110750238A (zh) | 确定产品需求的方法及装置和电子设备 | |
JP6664580B2 (ja) | 算出装置、算出方法および算出プログラム | |
CN113792220A (zh) | 一种目标对象推荐方法、装置、计算机设备及存储介质 | |
Kim et al. | A conditional feature utilization approach to itemset retrieval in online shopping services | |
CN113781134A (zh) | 物品推荐方法、装置及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |