CN109658206A - 信息推荐方法和装置 - Google Patents

信息推荐方法和装置 Download PDF

Info

Publication number
CN109658206A
CN109658206A CN201910033469.8A CN201910033469A CN109658206A CN 109658206 A CN109658206 A CN 109658206A CN 201910033469 A CN201910033469 A CN 201910033469A CN 109658206 A CN109658206 A CN 109658206A
Authority
CN
China
Prior art keywords
commodity
user
recommendation
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.)
Granted
Application number
CN201910033469.8A
Other languages
English (en)
Other versions
CN109658206B (zh
Inventor
王国鹤
许蕾
李慧
周希波
张绍楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN201910033469.8A priority Critical patent/CN109658206B/zh
Publication of CN109658206A publication Critical patent/CN109658206A/zh
Priority to US17/043,110 priority patent/US20210065218A1/en
Priority to PCT/CN2020/072022 priority patent/WO2020147720A1/zh
Application granted granted Critical
Publication of CN109658206B publication Critical patent/CN109658206B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/954—Navigation, e.g. using categorised browsing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本发明涉及一种信息推荐方法和装置，所述信息推荐方法，包括：根据当前页面的页面标识以及页面标识与推荐参数的对应关系，确定页面标识对应的目标推荐参数；根据目标推荐参数确定对应的目标推荐策略；根据目标推荐策略查询推荐策略与推荐结果的对应关系，得到至少一个初始推荐结果；对至少一个初始推荐结果根据对应的权重进行融合，得到目标推荐结果。根据本发明的实施例，可以提高信息推荐的针对性。

Description

信息推荐方法和装置
技术领域
本发明涉及互联网技术领域，尤其涉及一种信息推荐方法和装置。
背景技术
随着信息技术和互联网的发展，人类从信息匮乏时代走向了信息过载时代。对于信息消费者，从大量信息中找到自己感兴趣的信息变得越来越困难。对于信息生产者，让自己生产的信息在众多信息中脱颖而出也变得越来越困难。
相关技术中，在用户浏览信息时可以给用户进行信息推荐，帮助用户快速找到感兴趣的信息。然而，如何提高信息推荐的针对性是需要解决的一个技术问题。
发明内容
本发明提供一种信息推荐方法和装置，以解决相关技术中的不足。
根据本发明实施例的第一方面，提供一种信息推荐方法，包括：
根据当前页面的页面标识以及页面标识与推荐参数的对应关系，确定所述页面标识对应的目标推荐参数；
根据所述目标推荐参数确定对应的目标推荐策略；
根据所述目标推荐策略查询推荐策略与推荐结果的对应关系，得到至少一个初始推荐结果；
对所述至少一个初始推荐结果根据对应的权重进行融合，得到目标推荐结果。
在一个实施例中，所述当前页面可为第一推荐页面；所述目标推荐参数可为用户标识。
在一个实施例中，所述目标推荐策略可为第一推荐策略；所述至少一个初始推荐结果可包括：第一初始推荐结果、第二初始推荐结果以及第三初始推荐结果；所述第一初始推荐结果为根据用户的偏好商品数据生成的推荐给用户的商品的推荐结果，所述偏好商品数据通过将用户与商品的交互行为数据输入已训练的推荐模型获得；所述第二初始推荐结果为根据用户的标签以及商品与标签的对应关系获得的推荐给用户的商品的推荐结果；所述第三初始推荐结果为根据商品的上架时间与用户标识获得的推荐给用户的上架时间符合预设条件的商品的推荐结果；
所述根据所述目标推荐参数确定对应的目标推荐策略之前，包括：
根据所述用户标识确定预设的数据库中存在所述用户标识对应的用户与商品的交互行为数据；所述数据库中存储有用户标识和用户与商品的交互行为数据的对应关系。
在一个实施例中，所述目标推荐策略可为第二推荐策略；所述至少一个初始推荐结果可包括：第二初始推荐结果以及第三初始推荐结果；所述第二初始推荐结果为根据用户的标签以及商品与标签的对应关系获得的推荐给用户的商品的推荐结果；所述第三初始推荐结果为根据商品的上架时间与用户标识获得的推荐给用户的上架时间符合预设条件的商品的推荐结果；
所述根据所述目标推荐参数确定对应的目标推荐策略之前，包括：
根据所述用户标识确定预设的数据库中不存在所述用户标识对应的用户与商品的交互行为数据；所述数据库中存储有用户标识和用户与商品的交互行为数据的对应关系。
在一个实施例中，所述当前页面可为第二推荐页面；所述目标推荐参数可包括用户标识与商品标识。
在一个实施例中，所述目标推荐策略可为第三推荐策略；所述至少一个初始推荐结果可包括：第一初始推荐结果、第四初始推荐结果与第五初始推荐结果；所述第一初始推荐结果为根据用户的偏好商品数据生成的推荐给用户的商品的推荐结果，所述第四初始推荐结果为根据商品标识与相似商品的商品标识之间的第一对应关系生成的推荐给用户的商品的推荐结果，所述偏好商品数据与所述第一对应关系通过将用户与商品的交互行为数据输入已训练的推荐模型获得；所述第五初始推荐结果为根据商品标识和商品标识与相似商品的商品标识之间的第二对应关系获得的推荐给用户的商品的推荐结果；所述第二对应关系根据商品的属性数据计算商品之间的相似度获得；
所述根据所述目标推荐参数确定对应的目标推荐策略之前，包括：
根据所述用户标识确定预设的数据库中存在所述用户标识对应的用户与商品的交互行为数据；
根据所述商品标识确定预设的数据库中存在所述商品标识对应的商品的交互行为数据；所述数据库中存储有用户标识和用户与商品的交互行为数据的对应关系以及商品标识和商品的交互行为数据的对应关系。
在一个实施例中，所述目标推荐策略可为第四推荐策略；所述至少一个初始推荐结果可包括：第一初始推荐结果与第五初始推荐结果；所述第一初始推荐结果为根据用户的偏好商品数据生成的推荐给用户的商品的推荐结果，所述偏好商品数据通过将用户与商品的交互行为数据输入已训练的推荐模型获得；所述第五初始推荐结果为根据商品标识和商品标识与相似商品的商品标识之间的第二对应关系获得的推荐给用户的商品的推荐结果；所述第二对应关系根据商品的属性数据计算商品之间的相似度获得；
所述根据所述目标推荐参数确定对应的目标推荐策略之前，包括：
根据所述用户标识确定预设的数据库中存在所述用户标识对应的用户与商品的交互行为数据；
根据所述商品标识确定预设的数据库中不存在所述商品标识对应的商品的交互行为数据；所述数据库中存储有用户标识和用户与商品的交互行为数据的对应关系以及商品标识和商品的交互行为数据的对应关系。
在一个实施例中，所述目标推荐策略可为第五推荐策略；所述至少一个初始推荐结果可包括：第四初始推荐结果与第五初始推荐结果；所述第四初始推荐结果为根据商品标识与相似商品的商品标识之间的第一对应关系生成的推荐给用户的商品的推荐结果，所述第一对应关系通过将用户与商品的交互行为数据输入已训练的推荐模型获得；所述第五初始推荐结果为根据商品标识和商品标识与相似商品的商品标识之间的第二对应关系获得的推荐给用户的商品的推荐结果；所述第二对应关系根据商品的属性数据计算商品之间的相似度获得；
所述根据所述目标推荐参数确定对应的目标推荐策略之前，包括：
根据所述用户标识确定预设的数据库中不存在所述用户标识对应的用户与商品的交互行为数据；
根据所述商品标识确定预设的数据库中存在所述商品标识对应的商品的交互行为数据；所述数据库中存储有用户标识和用户与商品的交互行为数据的对应关系以及商品标识和商品的交互行为数据的对应关系。
在一个实施例中，所述目标推荐策略可为第六推荐策略；所述至少一个初始推荐结果可包括：第五初始推荐结果；所述第五初始推荐结果为根据商品标识和商品标识与相似商品的商品标识之间的第二对应关系获得的推荐给用户的商品的推荐结果；所述第二对应关系根据商品的属性数据计算商品之间的相似度获得；
所述根据所述目标推荐参数确定对应的目标推荐策略之前，包括：
根据所述用户标识确定预设的数据库中不存在所述用户标识对应的用户与商品的交互行为数据；
根据所述商品标识确定预设的数据库中不存在所述商品标识对应的商品的交互行为数据；所述数据库中存储有用户标识和用户与商品的交互行为数据的对应关系以及商品标识和商品的交互行为数据的对应关系。
在一个实施例中，所述用户与商品的交互行为数据可包括购买商品的行为数据、评论商品的行为数据、分享商品的行为数据、收藏商品的行为数据、点赞商品的行为数据、浏览商品的行为数据、推送商品的行为数据中的至少一种。
在一个实施例中，所述商品的交互行为数据可包括购买商品的行为数据、评论商品的行为数据、分享商品的行为数据、收藏商品的行为数据、点赞商品的行为数据、浏览商品的行为数据、推送商品的行为数据中的至少一种。
根据本发明实施例的第二方面，提供一种信息推荐装置，包括：
第一确定模块，用于根据当前页面的页面标识以及页面标识与推荐参数的对应关系，确定所述页面标识对应的目标推荐参数；
第二确定模块，用于根据所述目标推荐参数确定对应的目标推荐策略；
查询模块，用于根据所述目标推荐策略查询推荐策略与推荐结果的对应关系，得到至少一个初始推荐结果；
融合模块，用于对所述至少一个初始推荐结果根据对应的权重进行融合，得到目标推荐结果。
根据上述实施例可知，根据当前页面的页面标识以及页面标识与推荐参数的对应关系确定所述页面标识对应的目标推荐参数，根据所述目标推荐参数确定对应的目标推荐策略，根据所述目标推荐策略查询推荐策略与推荐结果的对应关系，得到至少一个初始推荐结果，对所述至少一个初始推荐结果根据对应的权重进行融合，得到目标推荐结果。由于可以根据当前页面确定目标推荐参数，并根据目标推荐参数确定目标推荐策略，根据目标推荐策略可以确定至少一个初始推荐结果，以及可以对至少一个初始推荐结果根据对应的权重进行融合，得到目标推荐结果，这样，可以提高信息推荐的针对性。
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和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据本发明实施例示出的一种推荐系统的结构示意图；
图2是根据本发明实施例示出的一种信息推荐方法的流程图；
图3是根据本发明实施例示出的一种信息推荐装置的框图；
图4是根据本发明实施例示出的一种信息推荐装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
本发明实施例提供一种信息推荐方法。该信息推荐方法可以应用于如图1所示的推荐系统。该推荐系统可以应用于购物网站、购物APP、视频网站以及音乐APP等。在介绍本申请中的信息推荐方法之前，下面先介绍一下图1所示的推荐系统。
在一个实施例中，如图1所示，推荐系统可以包括离线层、在线层和UI(用户界面)层。离线层用于存储数据并利用存储的数据对推荐模型进行训练得到已训练的推荐模型，利用存储的数据与已训练的推荐模型以及预设算法得到至少一个初始推荐结果，并将得到的至少一个初始推荐结果输出至在线层进行存储。在线层用于存储至少一个初始推荐结果。在线层还用于根据UI层展示的当前页面确定对应的目标推荐参数，以及根据目标推荐参数确定对应的目标推荐策略，并根据目标推荐策略从存储的至少一个初始推荐结果中获取对应的至少一个初始推荐结果，并根据获取的至少一个初始推荐结果根据对应的权重进行融合，得到目标推荐结果。在线层还用于将目标推荐结果输出至UI层，展示给用户。
在一个实施例中，可以根据业务数据库存储的数据按照预设的周期更新离线层存储的数据。推荐系统的服务器可以创建有业务数据库，业务数据库可以存储业务数据，业务数据中可包括用户数据、商品的属性数据、用户与商品的交互行为数据以及商品的交互行为数据。其中，用户与商品的交互行为数据可包括购买商品的行为数据、评论商品的行为数据、分享商品的行为数据、收藏商品的行为数据、点赞商品的行为数据、浏览商品的行为数据、推送商品的行为数据中的至少一种。所述商品的交互行为数据可包括购买商品的行为数据、评论商品的行为数据、分享商品的行为数据、收藏商品的行为数据、点赞商品的行为数据、浏览商品的行为数据、推送商品的行为数据中的至少一种。例如，购买商品的行为数据可以保存在订单表中，分享商品的行为数据可以保存在分享表中。用户数据可以包括用户标签，用户标签可以保存在用户标签表中。商品的属性数据可以包括商品标签，商品标签可以保存在商品标签表中。
在一个实施例中，离线层可以采用Hadoop平台，其中，可以利用Hadoop平台中的分布式文件系统(Hadoop Distributed File System，简称HDFS)存储数据。数据从业务数据库中导入到Hadoop平台后，数据汇总模块可以对数据进行汇总，具体地，可以将一个数据库表会存储在一个文件夹下，文件夹下有若干个文件用于存储数据，数据存储格式为以逗号为分隔符的文本文件，所有数据库表的存储文件夹会存放在一个总文件夹下。
在一个实施例中，离线层可以采用预设的算法与已训练的推荐模型对从业务数据库中导入的数据进行处理，得到至少一个初始推荐结果。在一个示例性实施例中，至少一个初始推荐结果可以包括：第一初始推荐结果、第二初始推荐结果、第三初始推荐结果、第四初始推荐结果以及第五初始推荐结果。所述第一初始推荐结果为根据用户的偏好商品数据生成的推荐给用户的商品的推荐结果。所述第二初始推荐结果为根据用户的标签以及商品与标签的对应关系，获得的推荐给用户的商品的推荐结果。所述第三初始推荐结果为根据商品的上架时间与用户标识获得的推荐给用户的上架时间符合预设条件的商品的推荐结果。所述第四初始推荐结果为根据商品标识与相似商品的商品标识之间的第一对应关系生成的推荐给用户的商品的推荐结果。所述第五初始推荐结果为根据商品标识和商品标识与相似商品的商品标识之间的第二对应关系获得的推荐给用户的商品的推荐结果，所述第二对应关系根据商品的属性数据计算商品之间的相似度获得。所述偏好商品数据与所述第一对应关系通过将用户与商品的交互行为数据输入已训练的推荐模型获得。
下面先介绍离线层中的离线计算模块采用已训练的推荐模型获取第一初始推荐结果与第四初始推荐结果的方法。将用户与商品的交互行为数据输入已训练的推荐模型，已训练的推荐模型对用户与商品的交互行为数据进行处理，可以得到每个用户对每个商品的偏好值以及商品之间的相似度，其中，每个用户对每个商品的偏好值即为用户的偏好商品数据。然后，根据用户的偏好商品数据可以生成推荐给用户的商品的第一初始推荐结果。同时，可以根据商品之间的相似度可以得到商品标识与相似商品的商品标识之间的第一对应关系，根据所述第一对应关系可以得到生成推荐给用户的商品的第四初始推荐结果。
下面介绍推荐模型的训练方法。离线层中的模型训练模块可以采用存储的数据中的部分数据作为训练集与验证集对推荐模型进行训练，得到已训练的推荐模型。在一个实施例中，推荐模型可以是基于协同过滤推荐算法的推荐模型。在本实施例中，可以从Hadoop平台读取用户与商品的交互行为数据，并对读取的数据进行预处理得到纯净的用户与商品的交互行为数据，然后，将纯净的用户与商品的交互行为数据综合到一起，并对数据进行格式转换和去重操作，得到去重后的用户与商品的交互行为数据。然后，将去重后的用户与商品的交互行为数据按照时间戳分为训练集、验证集和测试集，但数据集的划分方式不限于此。然后，利用训练集、验证集对基于协同过滤推荐算法的推荐模型进行训练，以确定推荐模型的超参数，得到已训练的基于协同过滤推荐算法的推荐模型。其中，超参数是在推荐模型开始训练之前设置值的参数，而不是通过训练得到的参数。
在一个示例性实施例中，用户与商品的交互行为数据可以是用户对商品的评分矩阵R。在对基于协同过滤推荐算法的推荐模型进行训练的过程中，可以对评分矩阵R分解得到两个低维矩阵p、q，其中，矩阵p为用户的因子矩阵，矩阵q为商品的因子矩阵。矩阵p中，每个矩阵元为用户对商品的偏好值，每一行对应一个用户，每一列对应一个隐藏属性(latentfactor)。其中，隐藏属性可没有真实含义或具体含义，可不具有可解释性，用于描述商品的属性。矩阵q中，每个矩阵元为商品的权重值，每一行对应一个商品，每一列对应一个隐藏属性(latent factor)。通过两个低维矩阵p、q的乘积可以计算评分矩阵R中的未知评分。其中，两个低维矩阵p、q的乘积可记为评分矩阵R约等于两个低维矩阵p、q与评分矩阵R、的关系可参见下式(1)：
在上述的示例性实施例中，可以通过求解如下损失函数(2)进行矩阵分解：
其中，u为用户标识，i为商品标识，rui为用户u对商品i的已知评分，p、q分别表示用户的因子矩阵、商品的因子矩阵，分别表示每个用户、每个商品在对应的因子矩阵的各个特征上的值，f为p、q矩阵的列数，F为p、q矩阵的总列数，即总特征数，Train为训练集。损失函数(2)中第二项是正则化项，λ为正则化项前的系数，损失函数上加正则化项是为了防止过拟合，控制模型的复杂度，其中，模型越复杂，正则化值就越大，λ≥0。
在上述的示例性实施例中，可以通过随机梯度下降法或交替最小二乘法(Alternating Least Squares，简称ALS)求解最优化解p、q，即分解后的低维矩阵。在求解得到低维矩阵p、q后，可以利用下式(3)得到用户u对商品j的预测评分，即用户u对商品j的偏好值，以及利用下式(4)得到商品i和商品j的相似度的值：
wij＝qiqj (4)
在上述的示例性实施例中，可以利用测试集计算准确率和召回率以确定推荐模型是否达标。其中，准确率即在测试集中的给用户推荐的有交互行为的商品占全部有交互行为的商品的概率，召回率为在测试集中的给用户推荐的有交互行为的商品占全部推荐结果的概率。
在上述的示例性实施例中，在确定推荐模型达标后，得到已训练的推荐模型。利用已训练的推荐模型以及上述的式(3)可以得到用户的偏好商品数据，并根据用户的偏好商品数据生成的推荐给用户的商品的第一初始推荐结果。利用已训练的推荐模型以及上述的式(4)可以得到商品标识与相似商品的商品标识之间的第一对应关系，并根据商品标识与相似商品的商品标识之间的第一对应关系生成的推荐给用户的商品的第四初始推荐结果。
下面介绍基于标签的推荐算法获取第二初始推荐结果的方法。首先，可以从预设的商品数据库中的商品的属性数据中提取商品的部分属性数据。从商品的属性数据中提取商品的某些属性数据时，可以随机抽取指定标签的商品的属性数据，也可以按照其他提取数据的方法提取商品的部分属性数据。接着，统计每个用户购买过的商品。接着，针对每个用户，从商品数据库中过滤掉购买过的商品，得到过滤后的商品数据库。接着，针对每个用户，根据用户标签从过滤后的商品数据库中查找商品标签与用户标签完全相同或部分相同的商品，得到第一商品集合。接着，针对每一个用户，从第一商品集合中提取出推荐给用户的商品，得到第二初始推荐结果。其中，从第一商品集合中提取推荐给用户的商品时，可以随机提取指定数量的商品，也可以按照其他提取数据的方法提取商品。
下面介绍采用基于新品的推荐算法获取第三初始推荐结果的方法。新品是指上架时间与当前时间之间的时间间隔小于预设阈值的商品。首先，根据商品的上架时间从商品的属性数据中提取上架时间符合预设条件的商品，得到第二商品集。其中，商品的属性数据中包括上架时间。预设条件可以是上架时间与当前时间之间的时间间隔小于预设阈值。接着，统计每个用户购买过的商品。接着，针对每个用户，从第二商品集中过滤掉购买过的商品，得到第三商品集。接着，针对每个用户，从第三商品集合中提取出推荐给用户的商品，得到第三初始推荐结果。其中，从第三商品集合中提取推荐给用户的商品时，可以随机提取指定数量的商品，也可以按照其他提取数据的方法提取商品。
下面介绍采用基于内容的推荐算法获取第五初始推荐结果的方法。首先，可以将每一个商品的属性数据各自转化为一个向量M。在一个示例性实施例中，可以将每一个商品的属性数据进行multi-hot向量转化，得到向量M。即把单特征多值转换为向量M，包括特征值的位置是1，其他位置都是0。在一个示例性实施例中，商品可以是画作、电影、图书等。商品的属性数据可以包括商品的题材数据和类型数据。接着，根据每个商品对应的向量，计算商品之间的相似度。在一个示例性实施例中，可以利用杰卡德相似系数算法计算商品之间的相似度。例如，设wij为商品i与商品j之间的相似度，则可以利用下式(5)计算wij。杰卡德相似系数算法只做集合操作，忽略了数值大小的考虑，数据只有0和1，计算效率相对比较高。接着，针对每一个商品，将相似度最高的指定数目的商品作为推荐结果，即得到第五初始推荐结果。
wij＝Mi·Mj (5)
在上述的示例性实施例中，离线层可以将上述的第一初始推荐结果、第二初始推荐结果、第三初始推荐结果、第四初始推荐结果以及第五初始推荐结果输出至在线层进行保存。在一个示例性实施例中，在线层可以采用Redis存储系统存储从离线层接收的第一初始推荐结果、第二初始推荐结果、第三初始推荐结果、第四初始推荐结果以及第五初始推荐结果。在Redis存储系统中，按照key-value格式存储接收的数据。例如，第五初始推荐结果中，key为商品的商品标识，则value为推荐结果中的商品的商品标识的集合。
在一个实施例中，在线层包括在线服务模块。在线服务模块用于提供在线服务，例如，在线服务模块可以根据UI层展示的当前页面确定对应的目标推荐参数，以及根据目标推荐参数确定对应的目标推荐策略，并根据目标推荐策略从存储的至少一个初始推荐结果中获取对应的至少一个初始推荐结果，并根据获取的至少一个初始推荐结果根据对应的权重进行融合，得到目标推荐结果。在线层还用于将目标推荐结果输出至UI层。UI层可以输出目标推荐结果，例如，在当前页面中的预设区域显示目标推荐结果。
以上介绍了本发明实施例中的推荐系统，下面具体介绍本发明实施例中的信息推荐方法。该信息推荐方法可以应用于终端设备，所述终端设备例如可以是服务器。该信息推荐方法也可以应用于服务端与客户端构成的系统。下面以信息推荐方法应用于服务器为例进行说明。如图2所示，该信息推荐方法可以包括以下步骤201～204：
在步骤201中，根据当前页面的页面标识以及页面标识与推荐参数的对应关系，确定所述页面标识对应的目标推荐参数。
在一个实施例中，当前页面可以为第一推荐页面或第二推荐页面。第一推荐页面、第二推荐页面各自对应不同的推荐参数。其中，第一推荐页面对应的推荐参数为用户标识，第二推荐页面的推荐参数包括用户标识与商品标识。服务器中可以预先存储页面标识与推荐参数的对应关系。在一个实施例中，用于展示信息的每一个页面分别对应一个页面标识。当用户在当前页面浏览信息时，可以根据当前页面的页面标识以及页面标识与推荐参数的对应关系，确定所述页面标识对应的目标推荐参数。
在一个示例性场景中，推荐系统应用于画作APP。画作APP为一个售卖画作的应用软件。画作APP可以提供第一推荐页面以及第二推荐页面。其中，第一推荐页面可以展示至少一个推荐的画作。第二推荐页面可以展示画作的详细信息，例如，点赞数、评论、价格、名称、简介、标签等信息。第一推荐页面的页面标识可以是P01，第二推荐页面的页面标识可以是P02。
继续上述的示例性场景，服务器中预先存储的页面标识与推荐参数的对应关系可如下表1所示。其中，在当前页面的页面标识为P01时，可以根据P01查询表1，得到目标推荐参数为用户标识。
表1
页面标识 推荐参数
P01 用户标识
P02 用户标识、商品标识
在步骤202中，根据所述目标推荐参数确定对应的目标推荐策略。
在一个示例性实施例中，当目标推荐参数为用户标识时，如果服务器中预设的数据库中存在用户标识对应的用户与商品的交互行为数据，则对应的目标推荐策略为第一推荐策略。当目标推荐参数为用户标识时，如果服务器中预设的数据库中不存在用户标识对应的用户与商品的交互行为数据，则对应的目标推荐策略为第二推荐策略。
在另一个示例性实施例中，目标推荐参数为用户标识与商品标识。当预设的数据库中存在所述用户标识对应的用户与商品的交互行为数据，且预设的数据库中存在所述商品标识对应的商品的交互行为数据，则对应的目标推荐策略为第三推荐策略。当预设的数据库中存在所述用户标识对应的用户与商品的交互行为数据，且预设的数据库中不存在所述商品标识对应的商品的交互行为数据，则对应的目标推荐策略为第四推荐策略。当预设的数据库中不存在所述用户标识对应的用户与商品的交互行为数据，且预设的数据库中存在所述商品标识对应的商品的交互行为数据，则对应的目标推荐策略为第五推荐策略。当预设的数据库中不存在所述用户标识对应的用户与商品的交互行为数据，且预设的数据库中不存在所述商品标识对应的商品的交互行为数据，则对应的目标推荐策略为第六推荐策略。
在一个实施例中，当前页面为第一推荐页面，目标推荐参数为用户标识，数据库中存储有用户标识和用户与商品的交互行为数据的对应关系。在本实施例中，在步骤202之前，如果根据所述用户标识确定预设的数据库中存在所述用户标识对应的用户与商品的交互行为数据，则确定对应的目标推荐策略为第一推荐策略。
在步骤202之前，如果根据所述用户标识确定预设的数据库中不存在所述用户标识对应的用户与商品的交互行为数据，则确定对应的目标推荐策略为第二推荐策略。
在一个实施例中，当前页面为第二推荐页面，所述目标推荐参数包括用户标识与商品标识，所述数据库中存储有用户标识和用户与商品的交互行为数据的对应关系以及商品标识和商品的交互行为数据的对应关系。在本实施例中，在步骤202之前，如果根据所述用户标识确定预设的数据库中存在所述用户标识对应的用户与商品的交互行为数据，且根据所述商品标识确定预设的数据库中存在所述商品标识对应的商品的交互行为数据，则确定对应的目标推荐策略为第三推荐策略。
在步骤202之前，如果根据所述用户标识确定预设的数据库中存在所述用户标识对应的用户与商品的交互行为数据，且根据所述商品标识确定预设的数据库中不存在所述商品标识对应的商品的交互行为数据，则确定对应的目标推荐策略为第四推荐策略。
在步骤202之前，如果根据所述用户标识确定预设的数据库中不存在所述用户标识对应的用户与商品的交互行为数据，且根据所述商品标识确定预设的数据库中存在所述商品标识对应的商品的交互行为数据，则确定对应的目标推荐策略为第五推荐策略。
在步骤202之前，如果根据所述用户标识确定预设的数据库中不存在所述用户标识对应的用户与商品的交互行为数据，且根据所述商品标识确定预设的数据库中不存在所述商品标识对应的商品的交互行为数据，则确定对应的目标推荐策略为第六推荐策略。
表2
推荐策略 推荐结果
第一推荐策略 第一初始推荐结果、第二初始推荐结果、第三初始推荐结果
第二推荐策略 第二初始推荐结果、第三初始推荐结果
第三推荐策略 第一初始推荐结果、第四初始推荐结果、第五初始推荐结果
第四推荐策略 第一初始推荐结果、第五初始推荐结果
第五推荐策略 第四初始推荐结果、第五初始推荐结果
第六推荐策略 第五初始推荐结果
在步骤203中，根据所述目标推荐策略查询推荐策略与推荐结果的对应关系，得到至少一个初始推荐结果。
在一个实施例中，服务器中可以预先存储推荐策略与推荐结果的对应关系，具体可如表2所示。服务器可以根据目标推荐策略查询表2得到对应的至少一个初始推荐结果。例如，当目标推荐策略为第一推荐策略时，可以查询表2，得到第一初始推荐结果、第二初始推荐结果以及第三初始推荐结果。
在步骤204中，对所述至少一个初始推荐结果根据对应的权重进行融合，得到目标推荐结果。
在一个实施例中，每一个初始推荐结果具备对应的权重。服务器中可以预先存储初始推荐结果与权重的对应关系。其中，初始推荐结果与权重的对应关系可如下表3所示。服务器可以根据初始推荐结果查询表3得到对应的权重。例如，根据第五初始推荐结果查询表3得到权重C5。
表3
初始推荐结果 权重
第一初始推荐结果 C1
第二初始推荐结果 C2
第三初始推荐结果 C3
第四初始推荐结果 C4
第五初始推荐结果 C5
在一个实施例中，可以根据对所述至少一个初始推荐结果根据对应的权重进行融合，得到目标推荐结果。在一个示例性实施例中，当目标推荐策略为第一推荐策略时，可以查询表2，得到第一初始推荐结果、第二初始推荐结果以及第三初始推荐结果，然后，可以查询表3，得到第一初始推荐结果、第二初始推荐结果以及第三初始推荐结果各自对应的权重为C1、C2、C3，然后，可以根据第一初始推荐结果、第二初始推荐结果以及第三初始推荐结果以及各自对应的权重为C1、C2、C3，对推荐结果进行融合，得到目标推荐结果。
在一个示例实施例中，第一初始推荐结果可以包括商品1、商品2以及商品3，第二初始推荐结果可以包括商品1以及商品2，第三初始推荐结果可以包括商品1、商品3以及商品4，C1、C2、C3分别为0.3、0.2、0.2，则对推荐结果进行融合后得到商品1、商品2、商品3、商品4的权重分别为0.7、0.5、0.5、0.2。然后，对融合后的推荐结果可以进行排序，将权重最高的指定数目的商品作为目标推荐结果。例如，可以将权重最高的3个商品(商品1、商品2、商品3)作为目标推荐结果。
在另一个示例性实施例中，当目标推荐策略为第二推荐策略时，可以查询表2，得到第二初始推荐结果以及第三初始推荐结果，然后，可以查询表3，得到第二初始推荐结果以及第三初始推荐结果各自对应的权重为C2、C3，然后，可以根据第二初始推荐结果以及第三初始推荐结果以及各自对应的权重为C2、C3，对推荐结果进行融合，得到目标推荐结果。
在另一个示例性实施例中，当目标推荐策略为第三推荐策略时，可以查询表2，得到第一初始推荐结果、第四初始推荐结果与第五初始推荐结果，然后，可以查询表3，得到第一初始推荐结果、第四初始推荐结果与第五初始推荐结果各自对应的权重为C1、C4、C5，然后，可以根据第一初始推荐结果、第四初始推荐结果与第五初始推荐结果以及各自对应的权重为C1、C4、C5，对推荐结果进行融合，得到目标推荐结果。
在另一个示例性实施例中，当目标推荐策略为第四推荐策略时，可以查询表2，得到第一初始推荐结果与第五初始推荐结果，然后，可以查询表3，得到第一初始推荐结果与第五初始推荐结果各自对应的权重为C1、C5，然后，可以根据第一初始推荐结果与第五初始推荐结果以及各自对应的权重为C1、C5，对推荐结果进行融合，得到目标推荐结果。
在另一个示例性实施例中，当目标推荐策略为第五推荐策略时，可以查询表2，得到第四初始推荐结果与第五初始推荐结果，然后，可以查询表3，得到第四初始推荐结果与第五初始推荐结果各自对应的权重为C4、C5，然后，可以根据第四初始推荐结果与第五初始推荐结果以及各自对应的权重为C4、C5，对推荐结果进行融合，得到目标推荐结果。
在另一个示例性实施例中，当目标推荐策略为第六推荐策略时，可以查询表2，得到第五初始推荐结果，然后，可以查询表3，得到第五初始推荐结果对应的权重为C5，然后，可以根据第五初始推荐结果的权重C5，对推荐结果进行融合，得到目标推荐结果。
在本实施例中，根据当前页面的页面标识以及页面标识与推荐参数的对应关系确定所述页面标识对应的目标推荐参数，根据所述目标推荐参数确定对应的目标推荐策略，根据所述目标推荐策略查询推荐策略与推荐结果的对应关系，得到至少一个初始推荐结果，对所述至少一个初始推荐结果根据对应的权重进行融合，得到目标推荐结果。由于可以根据当前页面确定目标推荐参数，并根据目标推荐参数确定目标推荐策略，根据目标推荐策略可以确定至少一个初始推荐结果，以及可以对至少一个初始推荐结果根据对应的权重进行融合，得到目标推荐结果，这样，可以提高信息推荐的针对性。
如图3所示，本发明的实施例还提出了一种信息推荐装置，包括：
第一确定模块31，用于根据当前页面的页面标识以及页面标识与推荐参数的对应关系，确定所述页面标识对应的目标推荐参数；
第二确定模块32，用于根据所述目标推荐参数确定对应的目标推荐策略；
查询模块33，用于根据所述目标推荐策略查询推荐策略与推荐结果的对应关系，得到至少一个初始推荐结果；
融合模块34，用于对所述至少一个初始推荐结果根据对应的权重进行融合，得到目标推荐结果。
在本实施例中，根据当前页面的页面标识以及页面标识与推荐参数的对应关系确定所述页面标识对应的目标推荐参数，根据所述目标推荐参数确定对应的目标推荐策略，根据所述目标推荐策略查询推荐策略与推荐结果的对应关系，得到至少一个初始推荐结果，对所述至少一个初始推荐结果根据对应的权重进行融合，得到目标推荐结果。由于可以根据当前页面确定目标推荐参数，并根据目标推荐参数确定目标推荐策略，根据目标推荐策略可以确定至少一个初始推荐结果，以及可以对至少一个初始推荐结果根据对应的权重进行融合，得到目标推荐结果，这样，可以提高信息推荐的针对性。
图4是根据一示例性实施例示出的一种信息推荐装置的框图。例如，装置400可以被提供为一服务器。参照图4，装置400包括处理组件422，其进一步包括一个或多个处理器，以及由存储器432所代表的存储器资源，用于存储可由处理部件422的执行的指令，例如应用程序。存储器432中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件422被配置为执行指令，以执行上述用于控制调节灯光的方法。
装置400还可以包括一个电源组件426被配置为执行装置400的电源管理，一个有线或无线网络接口450被配置为将装置400连接到网络，和一个输入输出(I/O)接口458。装置400可以操作基于存储在存储器432的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器432，上述指令可由装置400的处理组件422执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在本发明中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上，除非另有明确的限定。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、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发明的一般性原理并包括本发明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，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (12)

1.一种信息推荐方法，其特征在于，包括：
根据当前页面的页面标识以及页面标识与推荐参数的对应关系，确定所述页面标识对应的目标推荐参数；
根据所述目标推荐参数确定对应的目标推荐策略；
根据所述目标推荐策略查询推荐策略与推荐结果的对应关系，得到至少一个初始推荐结果；
对所述至少一个初始推荐结果根据对应的权重进行融合，得到目标推荐结果。
2.根据权利要求1所述的信息推荐方法，其特征在于，所述当前页面为第一推荐页面；所述目标推荐参数为用户标识。
3.根据权利要求2所述的信息推荐方法，其特征在于，所述目标推荐策略为第一推荐策略；所述至少一个初始推荐结果包括：第一初始推荐结果、第二初始推荐结果以及第三初始推荐结果；所述第一初始推荐结果为根据用户的偏好商品数据生成的推荐给用户的商品的推荐结果，所述偏好商品数据通过将用户与商品的交互行为数据输入已训练的推荐模型获得；所述第二初始推荐结果为根据用户的标签以及商品与标签的对应关系获得的推荐给用户的商品的推荐结果；所述第三初始推荐结果为根据商品的上架时间与用户标识获得的推荐给用户的上架时间符合预设条件的商品的推荐结果；
所述根据所述目标推荐参数确定对应的目标推荐策略之前，包括：
根据所述用户标识确定预设的数据库中存在所述用户标识对应的用户与商品的交互行为数据；所述数据库中存储有用户标识和用户与商品的交互行为数据的对应关系。
4.根据权利要求2所述的信息推荐方法，其特征在于，所述目标推荐策略为第二推荐策略；所述至少一个初始推荐结果包括：第二初始推荐结果以及第三初始推荐结果；所述第二初始推荐结果为根据用户的标签以及商品与标签的对应关系获得的推荐给用户的商品的推荐结果；所述第三初始推荐结果为根据商品的上架时间与用户标识获得的推荐给用户的上架时间符合预设条件的商品的推荐结果；
所述根据所述目标推荐参数确定对应的目标推荐策略之前，包括：
根据所述用户标识确定预设的数据库中不存在所述用户标识对应的用户与商品的交互行为数据；所述数据库中存储有用户标识和用户与商品的交互行为数据的对应关系。
5.根据权利要求1所述的信息推荐方法，其特征在于，所述当前页面为第二推荐页面；所述目标推荐参数包括用户标识与商品标识。
6.根据权利要求5所述的信息推荐方法，其特征在于，所述目标推荐策略为第三推荐策略；所述至少一个初始推荐结果包括：第一初始推荐结果、第四初始推荐结果与第五初始推荐结果；所述第一初始推荐结果为根据用户的偏好商品数据生成的推荐给用户的商品的推荐结果，所述第四初始推荐结果为根据商品标识与相似商品的商品标识之间的第一对应关系生成的推荐给用户的商品的推荐结果，所述偏好商品数据与所述第一对应关系通过将用户与商品的交互行为数据输入已训练的推荐模型获得；所述第五初始推荐结果为根据商品标识和商品标识与相似商品的商品标识之间的第二对应关系获得的推荐给用户的商品的推荐结果；所述第二对应关系根据商品的属性数据计算商品之间的相似度获得；
所述根据所述目标推荐参数确定对应的目标推荐策略之前，包括：
根据所述用户标识确定预设的数据库中存在所述用户标识对应的用户与商品的交互行为数据；
根据所述商品标识确定预设的数据库中存在所述商品标识对应的商品的交互行为数据；所述数据库中存储有用户标识和用户与商品的交互行为数据的对应关系以及商品标识和商品的交互行为数据的对应关系。
7.根据权利要求5所述的信息推荐方法，其特征在于，所述目标推荐策略为第四推荐策略；所述至少一个初始推荐结果包括：第一初始推荐结果与第五初始推荐结果；所述第一初始推荐结果为根据用户的偏好商品数据生成的推荐给用户的商品的推荐结果，所述偏好商品数据通过将用户与商品的交互行为数据输入已训练的推荐模型获得；所述第五初始推荐结果为根据商品标识和商品标识与相似商品的商品标识之间的第二对应关系获得的推荐给用户的商品的推荐结果；所述第二对应关系根据商品的属性数据计算商品之间的相似度获得；
所述根据所述目标推荐参数确定对应的目标推荐策略之前，包括：
根据所述用户标识确定预设的数据库中存在所述用户标识对应的用户与商品的交互行为数据；
根据所述商品标识确定预设的数据库中不存在所述商品标识对应的商品的交互行为数据；所述数据库中存储有用户标识和用户与商品的交互行为数据的对应关系以及商品标识和商品的交互行为数据的对应关系。
8.根据权利要求5所述的信息推荐方法，其特征在于，所述目标推荐策略为第五推荐策略；所述至少一个初始推荐结果包括：第四初始推荐结果与第五初始推荐结果；所述第四初始推荐结果为根据商品标识与相似商品的商品标识之间的第一对应关系生成的推荐给用户的商品的推荐结果，所述第一对应关系通过将用户与商品的交互行为数据输入已训练的推荐模型获得；所述第五初始推荐结果为根据商品标识和商品标识与相似商品的商品标识之间的第二对应关系获得的推荐给用户的商品的推荐结果；所述第二对应关系根据商品的属性数据计算商品之间的相似度获得；
所述根据所述目标推荐参数确定对应的目标推荐策略之前，包括：
根据所述用户标识确定预设的数据库中不存在所述用户标识对应的用户与商品的交互行为数据；
根据所述商品标识确定预设的数据库中存在所述商品标识对应的商品的交互行为数据；所述数据库中存储有用户标识和用户与商品的交互行为数据的对应关系以及商品标识和商品的交互行为数据的对应关系。
9.根据权利要求5所述的信息推荐方法，其特征在于，所述目标推荐策略为第六推荐策略；所述至少一个初始推荐结果包括：第五初始推荐结果；所述第五初始推荐结果为根据商品标识和商品标识与相似商品的商品标识之间的第二对应关系获得的推荐给用户的商品的推荐结果；所述第二对应关系根据商品的属性数据计算商品之间的相似度获得；
所述根据所述目标推荐参数确定对应的目标推荐策略之前，包括：
根据所述用户标识确定预设的数据库中不存在所述用户标识对应的用户与商品的交互行为数据；
根据所述商品标识确定预设的数据库中不存在所述商品标识对应的商品的交互行为数据；所述数据库中存储有用户标识和用户与商品的交互行为数据的对应关系以及商品标识和商品的交互行为数据的对应关系。
10.根据权利要求3、4、6～9任一项所述的信息推荐方法，其特征在于，所述用户与商品的交互行为数据包括购买商品的行为数据、评论商品的行为数据、分享商品的行为数据、收藏商品的行为数据、点赞商品的行为数据、浏览商品的行为数据、推送商品的行为数据中的至少一种。
11.根据权利要求6～9任一项所述的信息推荐方法，其特征在于，所述商品的交互行为数据包括购买商品的行为数据、评论商品的行为数据、分享商品的行为数据、收藏商品的行为数据、点赞商品的行为数据、浏览商品的行为数据、推送商品的行为数据中的至少一种。
12.一种信息推荐装置，其特征在于，包括：
第一确定模块，用于根据当前页面的页面标识以及页面标识与推荐参数的对应关系，确定所述页面标识对应的目标推荐参数；
第二确定模块，用于根据所述目标推荐参数确定对应的目标推荐策略；
查询模块，用于根据所述目标推荐策略查询推荐策略与推荐结果的对应关系，得到至少一个初始推荐结果；
融合模块，用于对所述至少一个初始推荐结果根据对应的权重进行融合，得到目标推荐结果。
CN201910033469.8A 2019-01-14 2019-01-14 信息推荐方法和装置 Active CN109658206B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910033469.8A CN109658206B (zh) 2019-01-14 2019-01-14 信息推荐方法和装置
US17/043,110 US20210065218A1 (en) 2019-01-14 2020-01-14 Information recommendation method and device, and storage medium
PCT/CN2020/072022 WO2020147720A1 (zh) 2019-01-14 2020-01-14 信息推荐方法和装置以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910033469.8A CN109658206B (zh) 2019-01-14 2019-01-14 信息推荐方法和装置

Publications (2)

Publication Number Publication Date
CN109658206A true CN109658206A (zh) 2019-04-19
CN109658206B CN109658206B (zh) 2022-07-26

Family

ID=66119548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910033469.8A Active CN109658206B (zh) 2019-01-14 2019-01-14 信息推荐方法和装置

Country Status (3)

Country Link
US (1) US20210065218A1 (zh)
CN (1) CN109658206B (zh)
WO (1) WO2020147720A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110083688A (zh) * 2019-05-10 2019-08-02 北京百度网讯科技有限公司 搜索结果召回方法、装置、服务器及存储介质
CN110166811A (zh) * 2019-05-15 2019-08-23 口碑(上海)信息技术有限公司 弹幕信息的处理方法、装置及设备
CN110400106A (zh) * 2019-06-17 2019-11-01 天津五八到家科技有限公司 信息获取方法、装置及电子设备
CN111159565A (zh) * 2019-12-31 2020-05-15 第四范式（北京）技术有限公司 构建基于多目标优化的推荐模型的方法、装置及设备
WO2020147720A1 (zh) * 2019-01-14 2020-07-23 京东方科技集团股份有限公司 信息推荐方法和装置以及存储介质
CN111476639A (zh) * 2020-04-10 2020-07-31 深圳市物语智联科技有限公司 商品推荐策略确定方法、装置、计算机设备及存储介质
WO2022033590A1 (zh) * 2020-08-14 2022-02-17 北京沃东天骏信息技术有限公司 基于用户特征的页面展示方法、装置、介质及电子设备
JP2023509233A (ja) * 2020-07-02 2023-03-07 北京字節跳動網絡技術有限公司 文書内テーブル閲覧方法、装置、電子機器及び記憶媒体

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112948701B (zh) * 2021-04-16 2023-10-20 泰康保险集团股份有限公司 信息推荐装置、方法、设备及存储介质
CN113326203B (zh) * 2021-06-22 2022-08-12 深圳前海微众银行股份有限公司 一种信息推荐方法、设备及存储介质
CN113518263B (zh) * 2021-07-23 2023-02-10 南京炫佳网络科技有限公司 交互式网络电视的视频推荐方法、装置、电视及存储介质
CN114996620A (zh) * 2022-07-19 2022-09-02 北京达佳互联信息技术有限公司 表态交互方法、装置、电子设备及存储介质
CN115757979B (zh) * 2022-12-20 2023-12-01 海南达润丰企业管理合伙企业(有限合伙) 一种基于人工智能的用户数据推荐方法及系统
CN116450925B (zh) * 2022-12-27 2023-12-15 深圳市网新新思软件有限公司 基于人工智能的用户关系分析方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120036011A1 (en) * 2010-08-05 2012-02-09 Microsoft Corporation Search Personalization Using Identifiers and Authentication State
US20120095862A1 (en) * 2010-10-15 2012-04-19 Ness Computing, Inc. (a Delaware Corportaion) Computer system and method for analyzing data sets and generating personalized recommendations
US20120130849A1 (en) * 2010-11-23 2012-05-24 Charles Katz Method to Facilitate A Platform For Providing Shopping Advice
CN103678647A (zh) * 2013-12-20 2014-03-26 Tcl集团股份有限公司 一种实现信息推荐的方法及系统
CN103886487A (zh) * 2014-03-28 2014-06-25 焦点科技股份有限公司 基于分布式的b2b平台的个性化推荐方法与系统
US20140351079A1 (en) * 2013-05-24 2014-11-27 University College Dublin Method for recommending a commodity
US20150356658A1 (en) * 2014-06-06 2015-12-10 Baynote, Inc. Systems And Methods For Serving Product Recommendations
CN106327227A (zh) * 2015-06-19 2017-01-11 北京航天在线网络科技有限公司 一种信息推荐系统及信息推荐方法
CN106447364A (zh) * 2015-08-06 2017-02-22 阿里巴巴集团控股有限公司 信息推荐方法及装置
CN107341204A (zh) * 2017-06-22 2017-11-10 电子科技大学 一种融合物品标签信息的协同过滤推荐方法及系统
CN107609198A (zh) * 2017-10-20 2018-01-19 咪咕互动娱乐有限公司 一种推荐方法、装置及计算机可读存储介质
CN108960945A (zh) * 2017-05-18 2018-12-07 北京京东尚科信息技术有限公司 商品推荐方法和装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8370203B2 (en) * 2002-10-07 2013-02-05 Amazon Technologies, Inc. User interface and methods for recommending items to users
US9075882B1 (en) * 2005-10-11 2015-07-07 Apple Inc. Recommending content items
US20120030020A1 (en) * 2010-08-02 2012-02-02 International Business Machines Corporation Collaborative filtering on spare datasets with matrix factorizations
CN102799662B (zh) * 2012-07-10 2016-04-20 北京奇虎科技有限公司 基于域名访问历史记录推荐网址的方法、装置及系统
US10019419B2 (en) * 2013-06-06 2018-07-10 Tencent Technology (Shenzhen) Company Limited Method, server, browser, and system for recommending text information
CN106844365A (zh) * 2015-12-03 2017-06-13 北京奇虎科技有限公司 一种应用分发平台的应用信息推送方法和装置
CN105956161B (zh) * 2016-05-17 2019-07-02 北京奇虎科技有限公司 一种信息推荐方法和装置
CN109658206B (zh) * 2019-01-14 2022-07-26 京东方科技集团股份有限公司 信息推荐方法和装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120036011A1 (en) * 2010-08-05 2012-02-09 Microsoft Corporation Search Personalization Using Identifiers and Authentication State
US20120095862A1 (en) * 2010-10-15 2012-04-19 Ness Computing, Inc. (a Delaware Corportaion) Computer system and method for analyzing data sets and generating personalized recommendations
US20120130849A1 (en) * 2010-11-23 2012-05-24 Charles Katz Method to Facilitate A Platform For Providing Shopping Advice
US20140351079A1 (en) * 2013-05-24 2014-11-27 University College Dublin Method for recommending a commodity
CN103678647A (zh) * 2013-12-20 2014-03-26 Tcl集团股份有限公司 一种实现信息推荐的方法及系统
CN103886487A (zh) * 2014-03-28 2014-06-25 焦点科技股份有限公司 基于分布式的b2b平台的个性化推荐方法与系统
US20150356658A1 (en) * 2014-06-06 2015-12-10 Baynote, Inc. Systems And Methods For Serving Product Recommendations
CN106327227A (zh) * 2015-06-19 2017-01-11 北京航天在线网络科技有限公司 一种信息推荐系统及信息推荐方法
CN106447364A (zh) * 2015-08-06 2017-02-22 阿里巴巴集团控股有限公司 信息推荐方法及装置
CN108960945A (zh) * 2017-05-18 2018-12-07 北京京东尚科信息技术有限公司 商品推荐方法和装置
CN107341204A (zh) * 2017-06-22 2017-11-10 电子科技大学 一种融合物品标签信息的协同过滤推荐方法及系统
CN107609198A (zh) * 2017-10-20 2018-01-19 咪咕互动娱乐有限公司 一种推荐方法、装置及计算机可读存储介质

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020147720A1 (zh) * 2019-01-14 2020-07-23 京东方科技集团股份有限公司 信息推荐方法和装置以及存储介质
CN110083688A (zh) * 2019-05-10 2019-08-02 北京百度网讯科技有限公司 搜索结果召回方法、装置、服务器及存储介质
CN110083688B (zh) * 2019-05-10 2022-03-25 北京百度网讯科技有限公司 搜索结果召回方法、装置、服务器及存储介质
CN110166811B (zh) * 2019-05-15 2021-08-10 口碑(上海)信息技术有限公司 弹幕信息的处理方法、装置及设备
CN110166811A (zh) * 2019-05-15 2019-08-23 口碑(上海)信息技术有限公司 弹幕信息的处理方法、装置及设备
CN110400106A (zh) * 2019-06-17 2019-11-01 天津五八到家科技有限公司 信息获取方法、装置及电子设备
CN111159565A (zh) * 2019-12-31 2020-05-15 第四范式（北京）技术有限公司 构建基于多目标优化的推荐模型的方法、装置及设备
CN111159565B (zh) * 2019-12-31 2023-08-25 第四范式（北京）技术有限公司 构建基于多目标优化的推荐模型的方法、装置及设备
CN111476639A (zh) * 2020-04-10 2020-07-31 深圳市物语智联科技有限公司 商品推荐策略确定方法、装置、计算机设备及存储介质
JP2023509233A (ja) * 2020-07-02 2023-03-07 北京字節跳動網絡技術有限公司 文書内テーブル閲覧方法、装置、電子機器及び記憶媒体
US11720235B2 (en) 2020-07-02 2023-08-08 Beijing Bytedance Network Technology Co., Ltd. Method and apparatus for browsing table in document, and electronic device and storage medium
JP7334362B2 (ja) 2020-07-02 2023-08-28 北京字節跳動網絡技術有限公司 文書内テーブル閲覧方法、装置、電子機器及び記憶媒体
WO2022033590A1 (zh) * 2020-08-14 2022-02-17 北京沃东天骏信息技术有限公司 基于用户特征的页面展示方法、装置、介质及电子设备

Also Published As

Publication number Publication date
US20210065218A1 (en) 2021-03-04
CN109658206B (zh) 2022-07-26
WO2020147720A1 (zh) 2020-07-23

Similar Documents

Publication Publication Date Title
CN109658206A (zh) 信息推荐方法和装置
JP6356744B2 (ja) ウェブサイト横断情報を表示する方法およびシステム
CN111784455B (zh) 一种物品推荐方法及推荐设备
Rafailidis et al. Modeling users preference dynamics and side information in recommender systems
CN103823908B (zh) 基于用户偏好的内容推荐方法和服务器
CN109191240A (zh) 一种进行商品推荐的方法和装置
US20120078825A1 (en) Search result ranking using machine learning
CN103970850B (zh) 网站信息推荐方法和系统
US9183510B1 (en) Method and system for personalized recommendation of lifestyle items
CN107077486A (zh) 情感评价系统和方法
CN106127546A (zh) 一种基于智慧社区大数据的商品推荐方法
KR101677128B1 (ko) 화장품 성분정보를 이용한 상품 탐색 모바일 애플리케이션
CN110413888A (zh) 一种书籍推荐方法及装置
CN113592609A (zh) 一种利用时间因素的个性化服饰搭配推荐方法与系统
US8577754B1 (en) Identifying low utility item-to-item association mappings
CN115641179A (zh) 信息推送方法、装置及电子设备
Prabakaran et al. A survey on recommendation systems using collaborative filtering techniques
Mohammadnezhad et al. An effective model for improving the quality of recommender systems in mobile e-tourism
Zoghbi et al. I pinned it. Where can i buy one like it? Automatically linking Pinterest pins to online Webshops
Jain et al. E-commerce product recommendation based on product specification and similarity
CN106600301A (zh) 为购房者生成个性化楼盘列表的推荐系统算法
Fazlollahtabar Intelligent marketing decision model based on customer behavior using integrated possibility theory and K-means algorithm
Talwar et al. Recommendation system using Apriori algorithm
Sarnobat et al. A survey on recommender systems
Mohan et al. Recommendation system in business intelligence solutions for grocery shops: Challenges and perspective

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