CN109740047A - 样本推荐方法、装置、计算机可读存储介质和电子设备 - Google Patents
样本推荐方法、装置、计算机可读存储介质和电子设备 Download PDFInfo
- Publication number
- CN109740047A CN109740047A CN201811512158.1A CN201811512158A CN109740047A CN 109740047 A CN109740047 A CN 109740047A CN 201811512158 A CN201811512158 A CN 201811512158A CN 109740047 A CN109740047 A CN 109740047A
- Authority
- CN
- China
- Prior art keywords
- sample
- recommended
- user
- score
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种样本推荐方法、装置、计算机可读存储介质和电子设备,所述方法包括:获取待推荐用户的待推荐样本集合;分别确定每个待推荐样本对应的第一目标用户和第一关联用户;针对每个待推荐样本,根据该待推荐样本与对应的第一目标用户和第一关联用户之间的匹配度,确定该待推荐样本的向量表示;根据待推荐用户所关联的代表样本的向量表示和各个待推荐样本的向量表示,分别确定代表样本和各个待推荐样本之间的第一相似度参数;根据第一相似度参数确定目标待推荐样本。因此,可以基于待推荐用户的社交关系对待推荐样本进行向量表示,因此,可以有效拓宽推荐样本的范围,为用户推荐更加全面的内容,也可以有效保证样本推荐的准确度。
Description
技术领域
本公开涉及内容推荐领域,具体地,涉及一种样本推荐方法、装置、计算机可读存储介质和电子设备。
背景技术
近年来,伴随着信息技术的发展和普及,互联网中的信息逐渐丰富。为了提升用户使用体验,通常会基于用户的信息为用户推荐其感兴趣的内容。现有技术中,通常采用基于内容的推荐方法,根据用户过去的浏览记录来向用户推荐用户没有接触过的推荐项,使得推荐的内容只是用户关注过的相似的内容,推荐内容比较片面。
发明内容
为了解决背景技术中的问题,本公开的目的是提供一种较为丰富、准确的样本推荐方法、装置、计算机可读存储介质和电子设备。
为了实现上述目的,根据本公开的第一方面,提供一种样本推荐方法,所述方法包括:
获取待推荐用户的待推荐样本集合,其中,所述集合中包括多个待推荐样本;
分别确定每个待推荐样本对应的第一目标用户和第一关联用户,所述第一目标用户为与所述待推荐用户亲密的用户中、与对应待推荐样本最匹配的用户,所述第一关联用户为与所述第一目标用户亲密的至少一个用户;
针对每个待推荐样本,根据该待推荐样本与对应的第一目标用户和第一关联用户之间的匹配度,确定该待推荐样本的向量表示;
根据所述待推荐用户所关联的代表样本的向量表示和各个待推荐样本的向量表示,分别确定所述代表样本和各个待推荐样本之间的第一相似度参数;
根据所述第一相似度参数确定目标待推荐样本。
可选地,所述方法还包括:
确定所述代表样本对应的第二目标用户和第二关联用户,所述第二目标用户为与所述待推荐用户亲密的用户中、与所述代表样本最匹配的用户,所述第二关联用户为与所述第二目标用户亲密的至少一个用户;
根据所述代表样本与对应的第二目标用户和第二关联用户之间的匹配度,确定所述代表样本的向量表示。
可选地,所述方法还包括:
确定各个所述待推荐样本的关注度参数,其中,所述关注度参数用于表征所述待推荐样本随时间变化的被关注度;
所述根据所述第一相似度参数确定目标待推荐样本,包括:
根据所述第一相似度参数和所述关注度参数,计算目标推荐值;
根据所述目标推荐值确定所述目标待推荐样本。
可选地,所述根据所述第一相似度参数和所述关注度参数,计算目标推荐值包括:
通过以下公式计算所述目标推荐值:
Score=α×Scoreq+β×Scores;
其中,Score表示所述目标推荐值;
α表示所述第一相似度参数的权重;
β表示所述关注度参数的权重,其中,α+β=1;
Scoreq表示所述第一相似度参数;
Scores表示所述关注度参数。
可选地,所述方法还包括:
确定所述待推荐用户的负相关用户,其中,所述负相关用户为与所述待推荐用户之间不相似的至少一个用户;
将所述负相关用户感兴趣的至少一个样本确定为负相关样本;
分别确定每个待推荐样本与所述负相关样本的第二相似度参数;
所述根据所述第一相似度参数和所述关注度参数,计算目标推荐值,包括:
根据所述第一相似度参数、所述关注度参数和所述第二相似度参数,通过如下公式,计算所述目标推荐值:
Score=α×Scoreq+β×Scores-γ×Scorep;
其中,Score表示所述目标推荐值;
α表示所述第一相似度参数的权重;
β表示所述关注度参数的权重;
γ表示所述第二相似度参数的权重,其中,α+β+γ=1;
Scoreq表示所述第一相似度参数;
Scores表示所述关注度参数;
Scorep表示所述第二相似度参数。
可选地,通过以下公式确定所述待推荐样本的关注度参数:
其中,Scores表示所述关注度参数;
t表示获取到所述待推荐样本的时间;
T表示预设的时间间隔常数;
表示样本集中所有的样本的被浏览次数的平均值;
viewnum表示所述待推荐样本的被浏览次数。
可选地,所述方法还包括:
确定所述待推荐用户的负相关用户,其中,所述负相关用户为与所述待推荐用户之间不相似的至少一个用户;
将所述负相关用户感兴趣的至少一个样本确定为负相关样本;
分别确定每个待推荐样本与所述负相关样本的第二相似度参数;
所述根据所述第一相似度参数确定目标待推荐样本,包括:
根据所述第一相似度参数和所述第二相似度参数,通过以下公式计算目标推荐值:
Score=α×Scoreq-γ×Scorep;
其中,Score表示所述目标推荐值;
α表示所述第一相似度参数的权重;
γ表示所述第二相似度参数的权重,其中,α+γ=1;
Scoreq表示所述第一相似度参数;
Scorep表示所述第二相似度参数;
根据所述目标推荐值确定所述目标待推荐样本。
可选地,通过如下方式确定待推荐样本与所述负相关样本的第二相似度参数:
其中,Scorep表示所述第二相似度参数;
N表示所述负相关样本的总个数;
M表示所述待推荐样本和各个所述负相关样本的标签的总个数;
所述待推荐样本和所述负相关样本通过标签向量进行表示,所述标签向量的每一维分别对应一个标签;
D表示所述待推荐样本的标签向量,Dj的数值用于表示所述待推荐样本中是否具有第j维标签;
Gi表示第i个负相关样本的标签向量,Gij的数值用于表示所述第i个负相关样本中是否具有第j维标签。
根据本公开的第二方面,提供一种样本推荐装置,所述装置包括:
获取模块,用于获取待推荐用户的待推荐样本集合,其中,所述集合中包括多个待推荐样本;
第一确定模块,用于分别确定每个待推荐样本对应的第一目标用户和第一关联用户,所述第一目标用户为与所述待推荐用户亲密的用户中、与对应待推荐样本最匹配的用户,所述第一关联用户为与所述第一目标用户亲密的至少一个用户;
第二确定模块,用于针对每个待推荐样本,根据该待推荐样本与对应的第一目标用户和第一关联用户之间的匹配度,确定该待推荐样本的向量表示;
第三确定模块,用于根据所述待推荐用户所关联的代表样本的向量表示和各个待推荐样本的向量表示,分别确定所述代表样本和各个待推荐样本之间的第一相似度参数;
第四确定模块,用于根据所述第一相似度参数确定目标待推荐样本。
可选地,所述装置还包括:
第五确定模块,用于确定所述代表样本对应的第二目标用户和第二关联用户,所述第二目标用户为与所述待推荐用户亲密的用户中、与所述代表样本最匹配的用户,所述第二关联用户为与所述第二目标用户亲密的至少一个用户;
第六确定模块,用于根据所述代表样本与对应的第二目标用户和第二关联用户之间的匹配度,确定所述代表样本的向量表示。
可选地,所述装置还包括:
第七确定模块,用于确定各个所述待推荐样本的关注度参数,其中,所述关注度参数用于表征所述待推荐样本随时间变化的被关注度;
所述第四确定模块包括:
第一计算子模块,用于根据所述第一相似度参数和所述关注度参数,计算目标推荐值;
第一确定子模块,用于根据所述目标推荐值确定所述目标待推荐样本。
可选地,所述第一计算子模用于根据所述第一相似度参数和所述关注度参数,通过以下公式计算所述目标推荐值:
Score=α×Scoreq+β×Scores;
其中,Score表示所述目标推荐值;
α表示所述第一相似度参数的权重;
β表示所述关注度参数的权重,其中,α+β=1;
Scoreq表示所述第一相似度参数;
Scores表示所述关注度参数。
可选地,所述装置还包括:
第八确定模块,用于确定所述待推荐用户的负相关用户,其中,所述负相关用户为与所述待推荐用户之间不相似的至少一个用户;
第九确定模块,用于将所述负相关用户感兴趣的至少一个样本确定为负相关样本;
第十确定模块,用于分别确定每个待推荐样本与所述负相关样本的第二相似度参数;
所述第一计算子模块用于根据所述第一相似度参数、所述关注度参数和所述第二相似度参数,通过如下公式,计算所述目标推荐值:
Score=α×Scoreq+β×Scores-γ×Scorep;
其中,Score表示所述目标推荐值;
α表示所述第一相似度参数的权重;
β表示所述关注度参数的权重;
γ表示所述第二相似度参数的权重,其中,α+β+γ=1;
Scoreq表示所述第一相似度参数;
Scores表示所述关注度参数;
Scorep表示所述第二相似度参数。
可选地,所述第七确定模块通过以下公式确定所述待推荐样本的关注度参数:
其中,Scores表示所述关注度参数;
t表示获取到所述待推荐样本的时间;
T表示预设的时间间隔常数;
表示样本集中所有的样本的被浏览次数的平均值;
viewnum表示所述待推荐样本的被浏览次数。
可选地,所述装置还包括:
第十一确定模块,用于确定所述待推荐用户的负相关用户,其中,所述负相关用户为与所述待推荐用户之间不相似的至少一个用户;
第十二确定模块,用于将所述负相关用户感兴趣的至少一个样本确定为负相关样本;
第十三确定模块,用于分别确定每个待推荐样本与所述负相关样本的第二相似度参数;
所述第四确定模块包括:
第二计算子模块,用于根据所述第一相似度参数和所述第二相似度参数,通过以下公式计算目标推荐值:
Score=α×Scoreq-γ×Scorep;
其中,Score表示所述目标推荐值;
α表示所述第一相似度参数的权重;
γ表示所述第二相似度参数的权重,其中,α+γ=1;
Scoreq表示所述第一相似度参数;
Scorep表示所述第二相似度参数;
第二确定子模块,用于根据所述目标推荐值确定所述目标待推荐样本。
可选地,通过如下方式确定待推荐样本与所述负相关样本的第二相似度参数:
其中,Scorep表示所述第二相似度参数;
N表示所述负相关样本的总个数;
M表示所述待推荐样本和各个所述负相关样本的标签的总个数;
所述待推荐样本和所述负相关样本通过标签向量进行表示,所述标签向量的每一维分别对应一个标签;
D表示所述待推荐样本的标签向量,Dj的数值用于表示所述待推荐样本中是否具有第j维标签;
Gi表示第i个负相关样本的标签向量,Gij的数值用于表示所述第i个负相关样本中是否具有第j维标签。
根据本公开的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一方面任一所述方法的步骤。
根据本公开的第四方面,提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现上述第一方面任一所述方法的步骤。
通过上述技术方案,可以基于待推荐用户的社交关系对待推荐样本进行向量表示,因此,在确定代表样本与待推荐样本之间的相似性时,可以融合待推荐用户的社交关系确定目标待推荐样本,一方面使得目标待推荐样本的确定方式不再局限于待推荐用户自身,从而可以有效拓宽推荐样本的范围,便于为用户推荐更加全面的内容,另一方面也可以有效保证样本推荐的准确度,提升用户使用体验。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据本公开的一种实施方式提供的样本推荐方法的流程图;
图2是根据本公开的另一种实施方式提供的样本推荐方法的流程图;
图3是根据本公开的另一种实施方式提供的样本推荐方法的流程图;
图4是根据本公开的另一种实施方式提供的样本推荐方法的流程图;
图5是根据本公开的一种实施方式提供的样本推荐装置的框图;
图6是根据一示例性实施例示出的一种电子设备的框图;
图7是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
如背景技术中所述可知,在现有的推荐技术中,通过基于内容的推荐方法,只可以基于用户之前已经浏览过的内容为其推荐与该内容相似的内容,使得推荐的内容都比较片面。
为了解决上述问题,本公开提供一种样本推荐方法。图1所示,为根据本公开的一种实施方式提供的样本推荐方法的流程图,如图1所示,所述方法包括:
在S11中,获取待推荐用户的待推荐样本集合,其中,所述集合中包括多个待推荐样本。
其中,待推荐样本可以是物品、文本等。在一示例中,待推荐样本集合可以包含整个样本集的样本,示例地,当用户在浏览文库时,该待推荐样本即为文本,样本集则可以是该文库中包含的所有文本所形成的集合。又例如,当用户浏览购物网站时,待推荐样本则可以为物品,样本集则可以为该购物网站中的所有物品所形成的集合。作为另一示例,也可以将与待推荐用户具有关联关系的用户所关联的样本所形成的集合确定为待推荐样本集合。与待推荐用户具有关联关系的用户为与该待推荐用户通信过或是该待推荐用户关注过的用户,例如,在该购物网站中,与待推荐用户具有关联关系的用户可以是该待推荐用户关注的用户,也可以是与该待推荐用户之间为好友关系的用户。
在S12中,分别确定每个待推荐样本对应的第一目标用户和第一关联用户,所述第一目标用户为与所述待推荐用户亲密的用户中、与对应待推荐样本最匹配的用户,所述第一关联用户为与所述第一目标用户亲密的至少一个用户。
其中,可以通过在一预设时段内各个用户之间的通信数表征用户之间的亲密度,该通信数可以包括相互评论数、相互点赞数、相互聊天数中的一种或多种。该预设时段可以最近一周、最近三天等距今较近的时段。
示例地,与待推荐用户亲密的用户可以为一个或多个。其中,与待推荐用户亲密的用户的个数可以根据实际使用场景进行设置。
在一实施例中,与待推荐用户亲密的用户为一个时,可以将与待推荐用户的通信数最高的用户确定为与待推荐用户亲密的用户,由于此时与待推荐用户亲密的用户只有一个,可以直接将该用户确定为第一目标用户。
在另一实施例中,与待推荐用户亲密的用户为多个。例如,可以将与待推荐用户的通信数超过一预设阈值的用户确定为与待推荐用户亲密的用户。又例如,可以预先设置与待推荐用户亲密的用户的总个数,当基于预设阈值确定出的与待推荐用户亲密的用户的数量超过该总个数时,可以从与待推荐用户的通信数超过一预设阈值的用户中随机筛选,也可以将通信数由高至低排序,优先选择排名在前的用户。上述示例仅为确定与待推荐用户亲密的用户的示例性实现方式,不对本公开进行限定。
在确定出与待推荐用户亲密的用户之后,需要计算待推荐样本与各个与待推荐用户亲密的用户之间的匹配度。针对任一与待推荐用户亲密的用户,可以将待推荐样本与该用户关联的各个样本之间的相似度的平均值确定为该待推荐样本与该用户之间的匹配度。其中,计算样本之间的相似度时,可以根据样本对应的标签对样本进行向量化,以确定样本的标签向量,示例地,样本对应的标签可以是样本所属的领域,例如,电子、物理等,也可以是样本对应的属性,如,电子书、实体书等。
在确定样本的标签向量时,可以将各个所对应的标签进行去重后,确定标签向量的维度。在样本的标签中包含对应维度的标签时,该维度值为1,否则为0,以确定样本的标签向量。示例地,样本1关联的标签为{a,d,f,g,h},样本2关联的标签为{a,b,c,f}。因此,在样本1和样本2进行向量化时,对样本1和样本2的标签进行去重所得标签向量的维度为{a,b,c,d,f,g,h},以样本1为例,样本1关联的标签为{a,d,f,g,h},则在样本1对应的标签向量中标签a、d、f、g、h对应的维度值为1,标签b、c对应的维度值为0,则样本1对应的标签向量为{1,0,0,1,1,1,1},样本2对应的标签向量为{1,1,1,0,1,0,0}。
在确定出样本的标签向量之后则可以根据标签向量确定样本之间的相似度。其中,计算向量之间的相似度的方式为现有技术,在此不再赘述。将确定出的最大的匹配度对应的用户确定为该待推荐样本对应的第一目标用户。之后便可以根据该第一目标用户确定第一关联用户,其中确定用户亲密度的方式在上文已经详述,在此不再赘述。
在S13中,针对每个待推荐样本,根据该待推荐样本与对应的第一目标用户和第一关联用户之间的匹配度,确定该待推荐样本的向量表示。
其中,可以确定出待推荐样本与第一关联用户之间的匹配度,从而确定该待推荐样本的向量表示。确定待推荐样本与第一关联用户之间的匹配度的实现方式与上文所述的确定待推荐样本与第一目标用户之间的匹配度的实现方式相似,在此不再赘述。在确定出待推荐样本与对应的第一目标用户和第一关联用户之间的匹配度时,可以将待推荐样本与对应的第一目标用户和第一关联用户之间的各个匹配度形成的向量确定为待推荐样本的向量表示,示例地,该待推荐样本的向量表示中的每一维对应一个匹配度,如,待推荐样本与对应的第一目标用户之间的匹配度为p1,待推荐样本与对应的第一关联用户之间的匹配度分别为p2、p3、p4、p5,则,待推荐样本的向量表示为{p1,p2,p3,p4,p5}。
在S14中,根据待推荐用户所关联的代表样本的向量表示和各个待推荐样本的向量表示,分别确定代表样本和各个待推荐样本之间的第一相似度参数。
其中,待推荐用户所关联的代表样本为表征待推荐用户的兴趣方向的样本。在一实施例中,代表样本可以是距今较近的时段内、该待推荐用户浏览次数最多的样本,例如,待推荐用户在最近一周内浏览最多的文本;代表样本也可以是待推荐用户在最近一个月内购买且进行了好评的物品,代表样本可以是一个或多个,本公开对此不进行限定。
示例地,第一相似度参数可以是样本之间的余弦相似度或是距离等,当代表样本和待推荐样本之间的余弦相似度越大时,表征两者之间的相似性越高,当代表样本和待推荐样本之间的距离越小时,表征两者之间的相似性越高。
在S15中,根据第一相似度参数确定目标待推荐样本。
在一实施例中,可以按照第一相似度参数所表征的各个待推荐样本与代表样本的相似性由高到低的顺序进行排序,从而可以按照该顺序依次将对应的待推荐样本确定为目标待推荐样本,以为用户进行推荐。
在另一实施例中,可以预先设置目标待推荐样本的推荐个数,因此,在对待推荐样本进行排序后,可以直接按照顺序选择排名在前的推荐个数的待推荐样本为目标待推荐样本,以为用户进行推荐。该目标待推荐样本可以是一个或多个,本公开对此不进行限定。
一般而言,亲密的用户之间的兴趣都存在共通之处。本公开正是基于该思想,基于待推荐用户的社交关系为待推荐用户进行样本推荐,通过待推荐用户的社交关系,例如基于常用的社交软件(如微博、微信等),可以确定出与该待推荐用户相互通信、相互评论等较多的用户,从而可以确定出与待推荐用户亲密的用户,进而对待推荐用户进行样本推荐。
在上述技术方案中,通过确定待推荐样本对应的第一目标用户和第一关联用户,从而可以基于该待推荐样本与对应的第一目标用户和第一关联用户之间的匹配度,确定该待推荐样本的向量表示。之后根据待推荐用户所关联的代表样本的向量表示和各个待推荐样本的向量表示,分别确定代表样本和各个待推荐样本之间的第一相似度参数,并根据第一相似度参数确定目标待推荐样本,以为待推荐用户进行样本推荐。通过上述技术方案,可以基于待推荐用户的社交关系对待推荐样本进行向量表示,因此,在确定代表样本与待推荐样本之间的相似性时,可以融合待推荐用户的社交关系确定目标待推荐样本,一方面使得目标待推荐样本的确定方式不再局限于待推荐用户自身,从而可以有效拓宽推荐样本的范围,便于为用户推荐更加全面的内容,另一方面也可以有效保证样本推荐的准确度,提升用户使用体验。
可选地,所述方法还包括:
确定所述代表样本对应的第二目标用户和第二关联用户,所述第二目标用户为与所述待推荐用户亲密的用户中、与所述代表样本最匹配的用户,所述第二关联用户为与所述第二目标用户亲密的至少一个用户。
根据所述代表样本与对应的第二目标用户和第二关联用户之间的匹配度,确定所述代表样本的向量表示。
其中,确定代表样本对应的第二目标用户和第二关联用户的方式与上文所述确定带推荐样本对应的第一目标用户和第一关联用户的方式类似,在此不再赘述。
在该实施例中,通过确定待推荐用户所关联的代表样本的向量表示,从而可以根据待推荐用户所关联的代表样本的向量表示和各个待推荐样本的向量表示,分别确定代表样本和各个待推荐样本之间的第一相似度参数,保证该第一相似度参数的准确性,为确定目标待推荐样本提供准确的数据支持。
在上文所述的样本推荐方法中,是基于待推荐用户的社交关系为其进行样本推荐。而在对待推荐用户进行推荐时,为了提高样本推荐的实时性和进一步扩大推荐范围,还可以根据样本的实时关注度对用户进行推荐。示例地,若某一样本在近期内的群体关注度大,表示该样本可能是近期内的热点样本,如新出的某一物品或是突然发生的新闻等。该类待推荐样本的被关注度越高,其被推荐的可能性越大。基于上述思想,可选地,如图2所示,本公开提供的方法还包括:
在S21中,确定各个待推荐样本的关注度参数,其中,所述关注度参数用于表征所述待推荐样本随时间变化的被关注度。其中,待推荐样本的关注度参数越高,表征该待推荐样本越被关注。
对于待推荐样本而言,其浏览次数越高则其被关注度则越高,并且其被关注度一般会随着时间的推移而逐渐降低。可选地,可以通过以下公式确定所述待推荐样本的关注度参数:
其中,Scores表示所述关注度参数;
t表示获取到所述待推荐样本的时间;
T表示预设的时间间隔常数;
表示样本集中所有的样本的被浏览次数的平均值;
viewnum表示所述待推荐样本的被浏览次数。
所述根据所述第一相似度参数确定目标待推荐样本的步骤S15,可以包括:
在S22中,根据第一相似度参数和关注度参数,计算目标推荐值。
可选地,所述根据所述第一相似度参数和所述关注度参数,计算目标推荐值包括:
通过以下公式计算所述目标推荐值:
Score=α×Scoreq+β×Scores;
其中,Score表示所述目标推荐值;
α表示所述第一相似度参数的权重;
β表示所述关注度参数的权重,其中,α+β=1;
Scoreq表示所述第一相似度参数;
Scores表示所述关注度参数。
在上述计算公式中,通过对第一相似度参数和关注度参数进行加权求和以确定目标推荐值,使得确定目标推荐值时可以同时考虑待推荐样本对应的社交关系和群体关注度,提高目标推荐值的全面性和准确性。其中,α和β可以根据实际使用场景进行设置,本公开对此不进行限定。
在S23中,根据目标推荐值确定目标待推荐样本。其中,根据目标推荐值确定目标待推荐样本的方式与上文所述根据第一相似度参数确定目标待推荐样本的方式类似,在此不再赘述。
在上述技术方案中,可以基于待推荐样本的第一相似度参数和关注度参数确定目标待推荐样本,即在为待推荐用户确定目标待推荐样本的过程中,不仅充分考虑待推荐用户的社交关系,也充分考虑了待推荐样本本身的被关注度。由此,可以进一步扩大样本推荐的范围,提高样本推荐的实时性,同时可以为用户推荐其尚未关注方面的样本,使得确定出的目标待推荐样本更加全面,提升用户使用体验。
另外,在为待推荐用户进行样本推荐时,一般是推荐该待推荐用户感兴趣的样本。但是对于某些样本,用户并没有明确的表示出对该样本的喜好。因此,为了更好地为待推荐用户进行样本推荐,本公开提供以下方法。
可选地,如图3所示,在图1的基础上,所述方法还包括:
在S31中,确定待推荐用户的负相关用户,其中,所述负相关用户为与所述待推荐用户之间不相似的至少一个用户。其中,可以根据各个用户关联的样本确定用户之间的相似度,通过对用户关联的样本向量化以对用户进行表示,从而通过用户的向量确定用户之间的相似度。在用户与待推荐用户之间的相似度小于预设的相似度阈值时,则可以确定该用户与待推荐用户不相似,可以将该用户确定为待推荐用户的负相关用户。其中,该向量化表示方式与上文所述样本向量化方式类似,在此不再赘述。
在S32中,将负相关用户感兴趣的至少一个样本确定为负相关样本。其中,负相关用户感兴趣的样本可以是在最近一时段内负相关用户的总浏览次数较多的样本,示例地,若预先设置了负相关样本的总个数,如10个,则可以将负相关用户关联的样本按照其总浏览次数由高至低的顺序、排名前10的样本确定为负相关样本。又例如,也可以设置负相关阈值,将负相关用户的总浏览次数超过该负相关阈值的样本确定为负相关样本。例如负相关阈值可以设置为100,则在负相关用户对某一样本的总浏览次数超过100次时,可以将该样本确定为负相关样本。
在S33中,分别确定每个待推荐样本与负相关样本的第二相似度参数。
其中,可以根据样本对应的标签对样本进行向量化表示,因此,在确定待推荐样本和负相关样本的第二相似度参数时,可以基于样本对应的标签向量进行计算。其具体实施方式在上文已经详述,在此不再赘述。
在该实施例中,对于无法判定出用户喜好的样本,可以根据与待推荐用户不相似的用户所感兴趣的样本对待推荐样本进行排除。在本公开中,基于与当前用户不相似的用户所感兴趣的样本则为当前用户所不感兴趣的样本这一思想,确定出负相关用户,并基于负相关用户确定负相关样本。基于此,可以在无法确定出用户的喜好时,有效避免为待推荐用户推荐其不感兴趣的样本,从而可以保证样本推荐的准确度。
可选地,通过如下方式确定待推荐样本与所述负相关样本的第二相似度参数:
其中,Scorep表示所述第二相似度参数;
N表示所述负相关样本的总个数;
M表示所述待推荐样本和各个所述负相关样本的标签的总个数;
所述待推荐样本和所述负相关样本通过标签向量进行表示,所述标签向量的每一维分别对应一个标签;
D表示所述待推荐样本的标签向量,Dj的数值用于表示所述待推荐样本中是否具有第j维标签;
Gi表示第i个负相关样本的标签向量,Gij的数值用于表示所述第i个负相关样本中是否具有第j维标签。
其中,在确定样本的标签向量时,可以将待推荐样本和负相关样本所对应的标签进行去重后,确定标签向量的维度。示例地,确定出的标签的维度为{a,b,c,d,e,f,g,h,i,k,l,m},之后,可以基于该标签的维度确定样本的标签向量。示例地,待推荐样本含有的标签为{c,d,g,h,i,k},则待推荐样本的标签向量D为{0,0,1,1,0,0,1,1,1,1,0,0},D1为0,表示待推荐样本中不具有第1维标签a,D3为1,表示待推荐样本中具有第3维标签c。负相关样本的标签向量的确定方式与待推荐样本的标签向量的确定方式类似,在此不再赘述。
所述根据所述第一相似度参数确定目标待推荐样本的步骤S15,可以包括:
在S34中,根据第一相似度参数和第二相似度参数,计算目标推荐值,示例地,可以通过以下公式计算目标推荐值:
Score=α×Scoreq-γ×Scorep;
其中,Score表示所述目标推荐值;
α表示所述第一相似度参数的权重;
γ表示所述第二相似度参数的权重,其中,α+γ=1;
Scoreq表示所述第一相似度参数;
Scorep表示所述第二相似度参数。
在S35中,根据目标推荐值确定目标待推荐样本。
其中,S35的具体实施方式与S23的具体实施方式类似,在此不再赘述。α和γ的值可以按照实际使用场景进行设置,在该实施例中,通过结合第二相似度参数,可以有效降低用户不感兴趣的样本对应的目标推荐值,从而保证该目标推荐值的准确性,进一步保证基于该目标推荐值确定出的目标待推荐样本的准确度,贴合用户的使用需求。
可选地,为了进一步提高样本推荐的准确度,如图4所示,在图2的基础上,所述方法还包括:
在S41中,确定所述待推荐用户的负相关用户,其中,所述负相关用户为与所述待推荐用户之间不相似的至少一个用户;
在S42中,将所述负相关用户感兴趣的至少一个样本确定为负相关样本;
在S43中,分别确定每个待推荐样本与所述负相关样本的第二相似度参数。
其中,S41、S42、S43的具体实施方式和S31、S32、S33的具体实施方式相同,在此不再赘述。
所述根据第一相似度参数和关注度参数,计算目标推荐值的步骤S22,可以包括:
在S44中,根据第一相似度参数、关注度参数和第二相似度参数,计算目标推荐值,示例地,可以通过如下公式计算目标推荐值:
Score=α×Scoreq+β×Scores-γ×Scorep;
其中,Score表示所述目标推荐值;
α表示所述第一相似度参数的权重;
β表示所述关注度参数的权重;
γ表示所述第二相似度参数的权重,其中,α+β+γ=1;
Scoreq表示所述第一相似度参数;
Scores表示所述关注度参数;
Scorep表示所述第二相似度参数。
因此,通过确定待推荐用户的负相关用户和负相关样本,从而可以有效避免为用户推荐其不感兴趣的样本,保证用户使用体验。在该实施例中,通过融合第一相似度参数、关注度参数和第二相似度参数确定目标推荐值,可以进一步保证目标推荐值的准确性。其中,α、β、γ的值可以根据实际使用场景进行设置。同时,通过上述技术方案,也可以有效拓宽目标待推荐样本的范围,可以为用户推荐其之前未曾接触过,但却有可能感兴趣的样本,使得用户画像更加丰富和完整,进一步提升用户使用体验。
本公开还提供一种样本推荐装置,如图5所示,所述装置10包括:
获取模块100,用于获取待推荐用户的待推荐样本集合,其中,所述集合中包括多个待推荐样本;
第一确定模块200,用于分别确定每个待推荐样本对应的第一目标用户和第一关联用户,所述第一目标用户为与所述待推荐用户亲密的用户中、与对应待推荐样本最匹配的用户,所述第一关联用户为与所述第一目标用户亲密的至少一个用户;
第二确定模块300,用于针对每个待推荐样本,根据该待推荐样本与对应的第一目标用户和第一关联用户之间的匹配度,确定该待推荐样本的向量表示;
第三确定模块400,用于根据所述待推荐用户所关联的代表样本的向量表示和各个待推荐样本的向量表示,分别确定所述代表样本和各个待推荐样本之间的第一相似度参数;
第四确定模块500,用于根据所述第一相似度参数确定目标待推荐样本。
可选地,所述装置10还包括:
第五确定模块,用于确定所述代表样本对应的第二目标用户和第二关联用户,所述第二目标用户为与所述待推荐用户亲密的用户中、与所述代表样本最匹配的用户,所述第二关联用户为与所述第二目标用户亲密的至少一个用户;
第六确定模块,用于根据所述代表样本与对应的第二目标用户和第二关联用户之间的匹配度,确定所述代表样本的向量表示。
可选地,所述装置10还包括:
第七确定模块,用于确定各个所述待推荐样本的关注度参数,其中,所述关注度参数用于表征所述待推荐样本随时间变化的被关注度;
所述第四确定模块500包括:
第一计算子模块,用于根据所述第一相似度参数和所述关注度参数,计算目标推荐值;
第一确定子模块,用于根据所述目标推荐值确定所述目标待推荐样本。
可选地,所述第一计算子模用于根据所述第一相似度参数和所述关注度参数,通过以下公式计算所述目标推荐值:
Score=α×Scoreq+β×Scores;
其中,Score表示所述目标推荐值;
α表示所述第一相似度参数的权重;
β表示所述关注度参数的权重,其中,α+β=1;
Scoreq表示所述第一相似度参数;
Scores表示所述关注度参数。
可选地,所述装置10还包括:
第八确定模块,用于确定所述待推荐用户的负相关用户,其中,所述负相关用户为与所述待推荐用户之间不相似的至少一个用户;
第九确定模块,用于将所述负相关用户感兴趣的至少一个样本确定为负相关样本;
第十确定模块,用于分别确定每个待推荐样本与所述负相关样本的第二相似度参数;
所述第一计算子模块用于根据所述第一相似度参数、所述关注度参数和所述第二相似度参数,通过如下公式,计算所述目标推荐值:
Score=α×Scoreq+β×Scores-γ×Scorep;
其中,Score表示所述目标推荐值;
α表示所述第一相似度参数的权重;
β表示所述关注度参数的权重;
γ表示所述第二相似度参数的权重,其中,α+β+γ=1;
Scoreq表示所述第一相似度参数;
Scores表示所述关注度参数;
Scorep表示所述第二相似度参数。
可选地,所述第七确定模块通过以下公式确定所述待推荐样本的关注度参数:
其中,Scores表示所述关注度参数;
t表示获取到所述待推荐样本的时间;
T表示预设的时间间隔常数;
表示样本集中所有的样本的被浏览次数的平均值;
viewnum表示所述待推荐样本的被浏览次数。
可选地,所述装置10还包括:
第十一确定模块,用于确定所述待推荐用户的负相关用户,其中,所述负相关用户为与所述待推荐用户之间不相似的至少一个用户;
第十二确定模块,用于将所述负相关用户感兴趣的至少一个样本确定为负相关样本;
第十三确定模块,用于分别确定每个待推荐样本与所述负相关样本的第二相似度参数;
所述第四确定模块500包括:
第二计算子模块,用于根据所述第一相似度参数和所述第二相似度参数,通过以下公式计算目标推荐值:
Score=α×Scoreq-γ×Scorep;
其中,Score表示所述目标推荐值;
α表示所述第一相似度参数的权重;
γ表示所述第二相似度参数的权重,其中,α+γ=1;
Scoreq表示所述第一相似度参数;
Scorep表示所述第二相似度参数;
第二确定子模块,用于根据所述目标推荐值确定所述目标待推荐样本。
可选地,通过如下方式确定待推荐样本与所述负相关样本的第二相似度参数:
其中,Scorep表示所述第二相似度参数;
N表示所述负相关样本的总个数;
M表示所述待推荐样本和各个所述负相关样本的标签的总个数;
所述待推荐样本和所述负相关样本通过标签向量进行表示,所述标签向量的每一维分别对应一个标签;
D表示所述待推荐样本的标签向量,Dj的数值用于表示所述待推荐样本中是否具有第j维标签;
Gi表示第i个负相关样本的标签向量,Gij的数值用于表示所述第i个负相关样本中是否具有第j维标签。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图6是根据一示例性实施例示出的一种电子设备700的框图。如图6所示,该电子设备700可以包括:处理器701,存储器702。该电子设备700还可以包括多媒体组件703,输入/输出(I/O)接口704,以及通信组件705中的一者或多者。
其中,处理器701用于控制该电子设备700的整体操作,以完成上述的样本推荐方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作,这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件705可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的样本推荐方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的样本推荐方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器702,上述程序指令可由电子设备700的处理器701执行以完成上述的样本推荐方法。
图7是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图7,电子设备1900包括处理器1922,其数量可以为一个或多个,以及存储器1932,用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计算机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,处理器1922可以被配置为执行该计算机程序,以执行上述的样本推荐方法。
另外,电子设备1900还可以包括电源组件1926和通信组件1950,该电源组件1926可以被配置为执行电子设备1900的电源管理,该通信组件1950可以被配置为实现电子设备1900的通信,例如,有线或无线通信。此外,该电子设备1900还可以包括输入/输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如WindowsServerTM,Mac OS XTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的样本推荐方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器1932,上述程序指令可由电子设备1900的处理器1922执行以完成上述的样本推荐方法。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (10)
1.一种样本推荐方法,其特征在于,所述方法包括:
获取待推荐用户的待推荐样本集合,其中,所述集合中包括多个待推荐样本;
分别确定每个待推荐样本对应的第一目标用户和第一关联用户,所述第一目标用户为与所述待推荐用户亲密的用户中、与对应待推荐样本最匹配的用户,所述第一关联用户为与所述第一目标用户亲密的至少一个用户;
针对每个待推荐样本,根据该待推荐样本与对应的第一目标用户和第一关联用户之间的匹配度,确定该待推荐样本的向量表示;
根据所述待推荐用户所关联的代表样本的向量表示和各个待推荐样本的向量表示,分别确定所述代表样本和各个待推荐样本之间的第一相似度参数;
根据所述第一相似度参数确定目标待推荐样本。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定所述代表样本对应的第二目标用户和第二关联用户,所述第二目标用户为与所述待推荐用户亲密的用户中、与所述代表样本最匹配的用户,所述第二关联用户为与所述第二目标用户亲密的至少一个用户;
根据所述代表样本与对应的第二目标用户和第二关联用户之间的匹配度,确定所述代表样本的向量表示。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定各个所述待推荐样本的关注度参数,其中,所述关注度参数用于表征所述待推荐样本随时间变化的被关注度;
所述根据所述第一相似度参数确定目标待推荐样本,包括:
根据所述第一相似度参数和所述关注度参数,计算目标推荐值;
根据所述目标推荐值确定所述目标待推荐样本。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一相似度参数和所述关注度参数,计算目标推荐值包括:
通过以下公式计算所述目标推荐值:
Score=α×Scoreq+β×Scores;
其中,Score表示所述目标推荐值;
α表示所述第一相似度参数的权重;
β表示所述关注度参数的权重,其中,α+β=1;
Scoreq表示所述第一相似度参数;
Scores表示所述关注度参数。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:
确定所述待推荐用户的负相关用户,其中,所述负相关用户为与所述待推荐用户之间不相似的至少一个用户;
将所述负相关用户感兴趣的至少一个样本确定为负相关样本;
分别确定每个待推荐样本与所述负相关样本的第二相似度参数;
所述根据所述第一相似度参数和所述关注度参数,计算目标推荐值,包括:
根据所述第一相似度参数、所述关注度参数和所述第二相似度参数,通过如下公式,计算所述目标推荐值:
Score=α×Scoreq+β×Scores-γ×Scorep;
其中,Score表示所述目标推荐值;
α表示所述第一相似度参数的权重;
β表示所述关注度参数的权重;
γ表示所述第二相似度参数的权重,其中,α+β+γ=1;
Scoreq表示所述第一相似度参数;
Scores表示所述关注度参数;
Scorep表示所述第二相似度参数。
6.根据权利要求3-5中任一项所述的方法,其特征在于,通过以下公式确定所述待推荐样本的关注度参数:
其中,Scores表示所述关注度参数;
t表示获取到所述待推荐样本的时间;
T表示预设的时间间隔常数;
表示样本集中所有的样本的被浏览次数的平均值;
viewnum表示所述待推荐样本的被浏览次数。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定所述待推荐用户的负相关用户,其中,所述负相关用户为与所述待推荐用户之间不相似的至少一个用户;
将所述负相关用户感兴趣的至少一个样本确定为负相关样本;
分别确定每个待推荐样本与所述负相关样本的第二相似度参数;
所述根据所述第一相似度参数确定目标待推荐样本,包括:
根据所述第一相似度参数和所述第二相似度参数,通过以下公式计算目标推荐值:
Score=α×Scoreq-γ×Scorep;
其中,Score表示所述目标推荐值;
α表示所述第一相似度参数的权重;
γ表示所述第二相似度参数的权重,其中,α+γ=1;
Scoreq表示所述第一相似度参数;
Scorep表示所述第二相似度参数;
根据所述目标推荐值确定所述目标待推荐样本。
8.一种样本推荐装置,其特征在于,所述装置包括:
获取模块,用于获取待推荐用户的待推荐样本集合,其中,所述集合中包括多个待推荐样本;
第一确定模块,用于分别确定每个待推荐样本对应的第一目标用户和第一关联用户,所述第一目标用户为与所述待推荐用户亲密的用户中、与对应待推荐样本最匹配的用户,所述第一关联用户为与所述第一目标用户亲密的至少一个用户;
第二确定模块,用于针对每个待推荐样本,根据该待推荐样本与对应的第一目标用户和第一关联用户之间的匹配度,确定该待推荐样本的向量表示;
第三确定模块,用于根据所述待推荐用户所关联的代表样本的向量表示和各个待推荐样本的向量表示,分别确定所述代表样本和各个待推荐样本之间的第一相似度参数;
第四确定模块,用于根据所述第一相似度参数确定目标待推荐样本。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811512158.1A CN109740047A (zh) | 2018-12-11 | 2018-12-11 | 样本推荐方法、装置、计算机可读存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811512158.1A CN109740047A (zh) | 2018-12-11 | 2018-12-11 | 样本推荐方法、装置、计算机可读存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109740047A true CN109740047A (zh) | 2019-05-10 |
Family
ID=66359394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811512158.1A Pending CN109740047A (zh) | 2018-12-11 | 2018-12-11 | 样本推荐方法、装置、计算机可读存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740047A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417263A (zh) * | 2019-08-23 | 2021-02-26 | 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 |
-
2018
- 2018-12-11 CN CN201811512158.1A patent/CN109740047A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417263A (zh) * | 2019-08-23 | 2021-02-26 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104281961B (zh) | 用于在线系统中的广告和内容的质量评分系统 | |
US8667009B2 (en) | Systems and methods for utilizing and searching social network information | |
CN105247507B (zh) | 用于确定品牌的影响力得分的方法、系统和存储介质 | |
US20140279722A1 (en) | Methods and systems for inferring user attributes in a social networking system | |
US10181146B1 (en) | Virtual clickstream recommendations | |
CN106294830A (zh) | 多媒体资源的推荐方法及装置 | |
WO2020088058A1 (zh) | 生成信息的方法和装置 | |
Choi et al. | Identification of time-evolving product opportunities via social media mining | |
WO2018040069A1 (zh) | 信息推荐系统及方法 | |
CN106970949A (zh) | 一种信息推荐方法及装置 | |
WO2019080662A1 (zh) | 信息推荐方法及装置、设备 | |
CA2894144A1 (en) | Displaying a stream of content | |
CN108509466A (zh) | 一种信息推荐方法和装置 | |
CN104899315A (zh) | 推送用户信息的方法和装置 | |
CN108629608A (zh) | 用户数据处理方法及装置 | |
CN108132963A (zh) | 资源推荐方法和装置、计算设备和存储介质 | |
CN113422986B (zh) | 用于直播间推荐的方法、装置、设备、介质和程序产品 | |
WO2016202214A2 (zh) | 一种关键词的展示方法和装置 | |
TW202001743A (zh) | 基於信用擔保的業務處理方法、裝置以及設備 | |
CN109840851A (zh) | 一种理财数据的综合管理方法、装置及设备 | |
CN109783727A (zh) | 检索推荐方法、装置、计算机可读存储介质及电子设备 | |
CN106156351B (zh) | 多媒体资源推荐信息生成方法及装置 | |
CN107103028A (zh) | 一种信息处理方法及装置 | |
Rubinstein et al. | How to deal with the curse of dimensionality of likelihood ratios in Monte Carlo simulation | |
CN103678548B (zh) | 基于组合模式的失效服务替代推荐方法 |
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 |