CN109857935A - 一种信息推荐方法及装置 - Google Patents
一种信息推荐方法及装置 Download PDFInfo
- Publication number
- CN109857935A CN109857935A CN201910066626.5A CN201910066626A CN109857935A CN 109857935 A CN109857935 A CN 109857935A CN 201910066626 A CN201910066626 A CN 201910066626A CN 109857935 A CN109857935 A CN 109857935A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- similar users
- similarity
- target user
- 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
本发明涉及互联网技术领域,尤其涉及一种信息推荐方法及装置,获取目标用户对应的一度相似用户和二度相似用户;分别获取所述对应的一度相似用户和二度相似用户在第一预设时间段内有操作行为的各信息,并分别确定所述目标用户与所述各信息的相似度,将相似度满足信息相似度条件的信息,作为所述目标用户的待推荐信息;将所述目标用户的待推荐信息,推荐给所述目标用户,这样,综合考虑目标用户的一度相似用户和二度相似用户,提高了推荐准确性,并也提高了用户覆盖率和推荐信息的多样性。
Description
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及装置。
背景技术
随着互联网技术的发展,网络平台上信息大量而多样,如何实现为用户推荐个性化和感兴趣的信息服务,是非常重要的。
现有技术中,信息推荐方法中主要是协同过滤算法,其中,基于用户的协同过滤(User-based Collaborative Filtering,UCF)算法,主要是根据用户对信息的点击行为,其中,信息例如为新闻等,直接将用户历史点击的信息行为作为用户向量,利用杰卡德(Jaccard)距离计算用户的一度相似用户,然后将一度相似用户近期点击的信息推荐给该用户,但是,现有技术中的信息推荐方式只考虑用户的一度相似用户,影响用户覆盖率和推荐信息的多样性。
发明内容
本发明实施例提供一种信息推荐方法及装置,以解决现有技术中信息推荐多样性和用户覆盖率较低的问题。
本发明实施例提供的具体技术方案如下:
本发明一个实施例提供了一种信息推荐方法,包括:
获取目标用户对应的一度相似用户和二度相似用户;其中,一度相似用户表示确定出的与目标用户的用户向量相似度满足第一用户相似度条件的用户,二度相似用户表示确定出的与目标用户的一度相似用户的用户向量相似度满足第一用户相似度条件的用户;
分别获取所述对应的一度相似用户和二度相似用户在第一预设时间段内有操作行为的各信息,并分别确定所述目标用户与所述各信息的相似度,将相似度满足信息相似度条件的信息,作为所述目标用户的待推荐信息;
将所述目标用户的待推荐信息,推荐给所述目标用户。
本发明另一个实施例提供了一种信息推荐装置,包括:
第一获取模块,用于获取目标用户对应的一度相似用户和二度相似用户;其中,一度相似用户表示确定出的与目标用户的用户向量相似度满足第一用户相似度条件的用户,二度相似用户表示确定出的与目标用户的一度相似用户的用户向量相似度满足第一用户相似度条件的用户;
第二获取模块,用于分别获取所述对应的一度相似用户和二度相似用户在第一预设时间段内有操作行为的各信息;
处理模块,用于分别确定所述目标用户与所述各信息的相似度,将相似度满足信息相似度条件的信息,作为所述目标用户的待推荐信息;
推荐模块,用于将所述目标用户的待推荐信息,推荐给所述目标用户。
本发明另一个实施例提供了一种电子设备,包括:
至少一个存储器,用于存储程序指令;
至少一个处理器,用于调用所述存储器中存储的程序指令,按照获得的程序指令执行上述任一种信息推荐方法。
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上述任一种信息推荐方法的步骤。
本发明实施例中,获取目标用户对应的一度相似用户和二度相似用户;其中,一度相似用户表示确定出的与目标用户的用户向量相似度满足第一用户相似度条件的用户,二度相似用户表示确定出的与目标用户的一度相似用户的用户向量相似度满足第一用户相似度条件的用户;分别获取所述对应的一度相似用户和二度相似用户在第一预设时间段内有操作行为的各信息,并分别确定所述目标用户与所述各信息的相似度,将相似度满足信息相似度条件的信息,作为所述目标用户的待推荐信息;将所述目标用户的待推荐信息,推荐给所述目标用户,这样,基于目标用户的一度相似用户和二度相似用户,确定目标用户与各信息的相似度,从而确定出目标用户的待推荐信息,并推荐给目标用户,提高了推荐准确性,并且由于考虑二度相似用户,也提高了用户覆盖率和推荐的信息的多样性。
附图说明
图1为本发明实施例中信息推荐方法的应用架构示意图;
图2为本发明实施例中历史行为数据收集过程示意图;
图3为本发明实施例中一度相似用户确定方法流程图;
图4为本发明实施例中信息推荐方法的流程图;
图5为本发明实施例中信息推荐方法整体原理示意图;
图6为本发明实施例中信息推荐装置结构示意图;
图7为本发明实施例中电子设备结构示意图。
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,所描述的实施例仅仅是本发明一部分实施例,并不是全部的实施例。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。
为便于对本发明实施例的理解,下面先对几个概念进行简单介绍:
用户向量:本发明实施例中,用户向量是根据用户历史行为数据计算出来的,多维度描述用户的数据,表征用户兴趣的特征向量。
一度相似用户:表示用户的直接相似用户。
二度相似用户:表示用户的直接相似用户的相似用户。
(重申)Redis数据库:为一种基于内存的键值对存储数据库。
重交替最小二乘法(weighted alternating least squares,WALS):是一种利用加权交替最小二乘算法进行矩阵分解的方法。
脸谱人工智能相似性搜索(Facebook AI Similarity Search,faiss):一种开源的向量计算引擎,可以分为中央处理器(Central Processing Unit,CPU)和图形处理器(Graphics Processing Unit,GPU)版,能够快速计算大规模向量的近邻向量。
目前,在网络平台上海量的信息中实现为用户推荐个性化和感兴趣的信息服务,是非常必要的,现有技术中,提供了一种协同过滤算法,协同过滤算法又可以分为基于信息的协同过滤算法和基于用户的协同过滤算法,其中,基于用户的协同过滤(User-basedCollaborative Filtering,UCF)算法,是直接将用户历史点击的信息行为作为用户向量,利用杰卡德(Jaccard)距离计算用户的一度相似用户,然后将一度相似用户近期点击的信息推荐给该用户,但是这种方式,是直接将用户历史点击的信息行为作为用户向量,考虑的因素单一,得到的用户向量为独热(one-hot)向量,没有考虑用户点击相似信息的情况,也没有考虑用户对不同信息的兴趣程度,降低了准确性,并且,现有技术中还会对非活跃用户进行过滤,只考虑较活跃的用户,导致其只能覆盖较活跃用户,对非活跃用户覆盖率差,影响信息推荐效果,并且,只考虑用户的一度相似用户,利用一度相似用户进行信息推荐,没有针对和考虑对二度相似用户的计算和利用方式,这不仅浪费了之前经过大量计算得出的相似用户所占用的内存资源,也影响用户覆盖率和推荐信息的多样性。
因此,本发明实施例中为解决上述问题,提出了一种信息推荐方法,也属于一种基于用户的协同过滤算法,充分利用二度相似用户,根据各用户的历史行为数据,建立评分矩阵,并进行矩阵分解,分别获得各用户的用户向量,计算各用户之间的相似度,确定各用户对应的一度相似用户和二度相似用户,进而,在对目标用户进行信息推荐时,获取目标用户对应的一度相似用户和二度相似用户,基于目标用户对应的一度相似用户和二度相似用户,召回目标用户可能感兴趣的信息,并推荐给目标用户,推荐准确性高,并且考虑二度相似用户,提高了用户覆盖率和信息多样性。
参阅图1所示,为本发明实施例中信息推荐方法的应用架构示意图,至少包括服务器和终端。
终端可以是智能手机、平板电脑、便携式个人计算机、智能电视等任何智能设备,可以包括多个终端,终端上可以安装各种应用程序(Application,APP),用户可以通过终端上安装的APP来使用所需的服务,例如,用户可以基于新闻APP来浏览新闻。
终端与服务器之间通过互联网相连,实现相互之间的通信。可选地,上述的互联网使用标准通信技术和/或协议。互联网通常为因特网、但也可以是任何网络,包括但不限于局域网(Local Area Network,LAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合。在一些实施例中,使用包括超文本标记语言(Hyper Text Mark-up Language,HTML)、可扩展标记语言(Extensible Markup Language,XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer,SSL)、传输层安全(Transport Layer Security,TLS)、虚拟专用网络(Virtual Private Network,VPN)、网际协议安全(Internet Protocol Security,IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中,还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
服务器可以为终端提供各种网络服务,对于不同的终端或终端上的应用程序,服务器可以认为是提供相应网络服务的后台服务器。例如,在新闻推荐系统中,服务器可以为某新闻APP的后台服务器。
其中,服务器可以是一台服务器、若干台服务器组成的服务器集群或云计算中心。
例如,针对新闻推荐场景,本发明实施例中,用户基于终端上的新闻APP浏览新闻,新闻APP可以将用户对新闻操作的历史行为数据上传到相应的服务器。
并且,本发明实施例中在服务器端,可以采用分布式计算平台来收集和计算各用户的历史行为数据,具体参阅图2所示,为本发明实施例中历史行为数据收集过程示意图,终端上的新闻APP上报用户的历史行为数据,上报到分布式存储平台,分布式存储平台存储用户行为日志,即历史行为数据,采用分布式计算平台,从分布式存储平台中获取各用户的历史行为数据,进行处理后,得到各用户的点击新闻序列和对新闻的浏览时长,并分别进行存储,其中,点击新闻序列中包括点击的各新闻以及对应的点击时间,点击新闻序列可以存储在相应的Redis数据库中,从而可以根据各用户的点击新闻序列和对新闻的浏览时长,进行统计计算,确定各用户对应的一度相似用户。
进而在对目标用户进行信息推荐时,可以根据各用户对应的一度相似用户,确定目标用户的一度相似用户和二度相似用户,根据一度相似用户和二度相似用户在第一预设时间段内操作过的各信息,确定目标用户的待推荐信息,并推荐给目标用户。
其中,分布式计算平台,例如为spark平台,当然也可以使用其它计算平台,本发明实施例中并不进行限制。
值得说明的是,本发明实施例中的应用架构图是为了更加清楚地说明本发明实施例中的技术方案,并不构成对本发明实施例提供的技术方案的限制,并且,本发明实施例中主要以应用于新闻推荐场景为例,但是对于其它的应用架构和业务场景应用,本发明实施例提供的技术方案对于类似的问题同样适用。
本发明各个实施例中,以信息推荐方法用于图1所示的应用架构图为例进行示意性说明。
基于上述实施例,本发明实施例中的信息推荐方法的实现过程,可以分为以下两部分进行介绍:
第一部分:离线阶段,主要是用于计算用户之间的相似度,并确定各用户对应的一度相似用户。
具体参阅图3所示,为本发明实施例中一度相似用户确定方法流程图,该方法包括:
步骤300:获取各用户在第二预设时间段内针对信息的历史行为数据。
本发明实施例中,对各用户的历史行为数据进行统计计算,并确定一度相似用户的过程可以离线处理,这样,可以提高计算效率,减少服务器压力,其中,在收集各用户的历史行为数据时,可以是基于在线阶段不断实时获得终端上报的历史行为数据,收集一段时间后,就可以获得第二预设时间段内各用户的历史行为数据,然后再离线进行计算,确定出各用户对应的一度相似用户,并且还可以设置周期,按照预设周期,进行离线计算,获得各用户对应的一度相似用户,例如预设周期为6小时,并不进行限制。
其中,历史行为数据至少包括点击时间和浏览时长等,本发明实施例中并不进行限制。
第二预设时间段可以为最近7天,即开始统计计算,确定一度相似用户的当前时间到之前的一段时间内,当然,第二预设时间段也可以根据实际情况进行设置,本发明实施例中并不进行限制。
步骤310:根据各用户的历史行为数据,分别确定各用户对各信息的兴趣评分,并建立评分矩阵;其中,评分矩阵中包括所有用户对各信息的兴趣评分。
本发明实施例中,考虑到用户对每条信息的兴趣评分与浏览时长相关,并且,用户对历史点击的信息的兴趣通常是随着时间衰减的,因此,综合这两种因素,确定用户对每条信息的兴趣评分。
则执行步骤310时,具体包括:
S1、根据各用户对每条信息的点击时间和预设时间衰减函数,分别获得各用户对每条信息的时间衰减权重。
其中,由于通常用户对历史点击的信息的兴趣是随着时间呈指数式衰减的,因此,预设时间衰减函数具体为指数函数。
并且,根据实际经验,对信息的兴趣在7天衰减至70%左右是比较合理的,因此,本发明实施例中将预设时间衰减函数的底数设置为0.95,指数设置为点击信息的时间与当前时间的时间差,其中,时间差的单位为天。
例如,若用户两天前点击了某条信息,即点击信息的时间与当前时间的时间差为2,则用户对该条信息的时间衰减权重为:0.952=0.95*0.95=0.9025。
当然,预设时间衰减函数的底数、指数等参数,可以根据实际情况进行设置,本发明实施例中并不进行限制。
S2、根据各用户对每条信息的浏览时长和预设平滑函数,分别获得各用户对每条信息的浏览时长权重。
本发明实施例中,考虑到通常用户浏览时长的数值的取值范围较大,而且有比较大的波动,其中,浏览时长的单位为秒,因此,需要经过平滑处理,例如,预设平滑函数为log函数。
例如,用户浏览某条信息的时长为200秒(s),则用户对该条信息的浏览时长权重为log(200)=2.3。
其中,预设平滑函数并不仅限于log函数,也可以使用其它平滑函数进行平滑处理,例如sigmoid函数等。
S3、根据相应的时间衰减权重和浏览时长权重,分别确定各用户对每条信息的兴趣评分。
具体地:兴趣评分为时间衰减权重和浏览时长权重的乘积,例如,用户对某条信息的时间衰减权重为0.9025,并对其浏览时长权重为2.3,则用户对该某条信息的兴趣评分为0.9025*2.3=2.07575。
进而通过分别计算第二预设时间段内各用户对每条信息的兴趣评分,可以得到包括所有用户对所有信息的兴趣评分的评分矩阵,例如,有1000个用户,10万条信息,则可以得到一个1000*10万大小的评分矩阵。
这样,基于点击时间信息和浏览时长信息,计算兴趣评分,可以提高准确性,可以综合考虑用户对不同信息的感兴趣程度。
步骤320:根据评分矩阵,分别获得各用户的用户向量;其中,用户向量表征用户兴趣的特征向量。
进一步地,为了避免过热的信息和过多点击的用户干扰相关性的计算,本发明实施例中,在获得各用户的用户向量时,还提供了一种可能的实施方式,具体包括:
1)分别确定各用户在第二预设时间段内操作的信息的数目,以及分别确定每条信息被操作的次数。
其中,对信息的操作,例如为点击、查看等操作,并不进行限制。
2)若确定各用户中任一用户在第二预设时间段内操作的信息的数目大于预设数目,则从评分矩阵中采样其中的预设数目条信息。
3)若确定任一信息被操作的次数大于预设次数,则从评分矩阵中采样其中的预设次数条信息。
也就是说,本发明实施例中,还需要对建立的评分矩阵进行采样,包括对过多点击的用户进行采样和对被过多点击的信息进行采样,其中,将第二预设时间段内操作的信息数目大于预设数目的用户,认为是过多点击的用户,将第二预设时间段内被操作的次数大于预设次数的信息,认为是被过多点击的信息。
例如,第二预设时间段为最近7天,预设数目为100,预设次数为10万,操作为点击,则若某用户在最近7天内点击的信息数量大于100条,则采样其中的100条,若某信息7天内被点击的次数大于10万,则采样其中的10万次。
其中,采样时,可以随机进行采样,本发明实施例中并不进行限制。
4)根据采样后的评分矩阵,分别获得各用户的用户向量。
具体地:对采样后的评分矩阵,进行矩阵分解,分别获得各用户的用户向量。
例如,可以采用WALS算法进行矩阵分解,本发明实施例中并不进行限制,将评分矩阵进行矩阵分解后,可以获得所有信息的信息向量和所有用户的用户向量,本发明实施例中,选取其中的用户向量,进行相似用户的计算。
并且,本发明实施例中还可以设置用户向量的固定维度,例如为50维,例如,可以将一个1000*10万大小的评分矩阵分解为一个1000*50大小的矩阵和一个50*10万大小的矩阵,其中,1000*50大小的矩阵表示各用户的用户向量的矩阵,每个用户可以对应一个50维的用户向量,经过矩阵分解后,得到的用户向量为稠密向量,并且得到的用户向量可以更加准确表示用户的兴趣特征,提高计算的准确性。
步骤330:根据各用户的用户向量,分别计算各用户之间的相似度。
步骤340:根据各用户之间的相似度,分别获得各用户对应的一度相似用户。
例如,可以采用GPU版本的faiss算法进行k近邻计算,分别计算每个用户的k近邻用户,即用户对应的一度相似用户,并可以将计算结果存储在近邻用户对应的Redis数据库中。
其中,考虑到用户数目较多,而Redis数据库存储资源有限,并且结合信息推荐效果,k取值可以为100,即分别针对每个用户,选取其中相似度最大的前100个用户,作为一度相似用户,将100个一度相似用户及相应的相似度进行存储。
这样,通过离线阶段的统计计算,可以获得所有用户的一度相似用户及相应的相似度,进一步地,还可以不断更新一度相似用户及相应的相似度,例如按照预设周期执行上述步骤300-340,每个周期完成后,可以根据当前周期获得的各用户的一度相似用户和相应的相似度,来更新之前获得的一度相似用户及相似度。
第二部分:在线阶段,主要是用于信息召回和推荐。
具体参阅图4所示,为本发明实施例中,信息推荐方法的流程图,该方法包括:
步骤400:获取目标用户对应的一度相似用户和二度相似用户。
其中,一度相似用户表示确定出的与目标用户的用户向量相似度满足第一用户相似度条件的用户,二度相似用户表示确定出的与目标用户的一度相似用户的用户向量相似度满足第一用户相似度条件的用户。
也就是说,基于上述实施例,一度相似用户即为目标用户的近邻用户,二度相似用户为目标用户的近邻用户对应的近邻用户。
其中,第一用户相似度条件可以表示相似度大于预设阈值的用户,或者相似度最高的前设定数目个用户。
执行步骤400时,可以分为以下两方面:
第一方面:获取目标用户对应的一度相似用户。
例如,以信息推荐为新闻推荐为例,目标用户打开某新闻APP后,会根据预先存储的目标用户的近邻用户对应的Redis数据库中获取该目标用户的一度相似用户,例如可以获得100个一度相似用户。
第二方面:获取目标用户对应的二度相似用户。
例如,目标用户打开某新闻APP后,会先从预先存储的目标用户的近邻用户对应的Redis中,获取该目标用户对应的相似度最高的50个一度相似用户,然后再继续分别获取这50个一度相似度对应的相似度最高的50个一度相似用户,这样,即可以获得目标用户对应的50*50=2500个二度相似用户。
进一步地,本发明实施例中,由于获得的二度相似用户数量可能比较多,不利于信息推荐,因此还需要对二度相似用户进行筛选,本发明实施例中提供了一种可能的实施方式,具体包括:
S1、分别确定目标用户与对应的二度相似用户的相似度。
具体地:分别根据目标用户与对应的一度相似用户的相似度,以及对应的一度相似用户与其一度相似用户的相似度,进行相乘,将获得的乘积作为目标用户与对应的二度相似用户的相似度。
并且,若确定任意一个二度相似用户为目标用户的多个一度相似用户的一度相似用户,则将获得的目标用户与多个一度相似用户对应的乘积进行累加,将累加的和作为目标用户与该任意一个二度相似用户的相似度。
例如,目标用户a对应的一度相似用户分别为用户b和用户c,用户b的一度相似用户为用户d和用户e,用户c的一度相似用户为用户d和用户f,则目标用户a与用户d的相似度可以表示为:Sad=Sab*Sbd+Sac*Scd,其中,Sad表示目标用户a与用户d的相似度,Sab表示目标用户a与用户b的相似度,Sbd表示用户b与用户d的相似度,Sac表示目标用户a与用户c的相似度,Scd表示用户c与用户d的相似度。
S2、从目标用户对应的二度相似用户中筛选出相似度满足第二用户相似度条件的二度相似用户。
其中,第二用户相似度条件,例如为相似度大于预设阈值的用户,或者相似度最高的前设定数目个用户,本发明实施例中并不进行限制。
例如,可以按照相似度大小,从大到小进行排序,从目标用户对应的二度相似用户中筛选出相似度最高的设定数目个二度相似用户,例如筛选出300个二度相似用户,本发明实施例中并不进行限制。
步骤410:分别获取对应的一度相似用户和二度相似用户在第一预设时间段内有操作行为的各信息,并分别确定目标用户与各信息的相似度,将相似度满足信息相似度条件的信息,作为目标用户的待推荐信息。
执行步骤410时,具体包括:
S1、分别获取对应的一度相似用户和二度相似用户在第一预设时间段内有操作行为的各信息。
具体地,本发明实施例中,可以从一度相似用户和二度相似用户对应的历史行为数据中,确定出第一预设时间段内操作的信息。
S2、分别确定目标用户与各信息的相似度。
具体包括:1)根据对应的一度相似用户和筛选出的二度相似用户对各信息的点击时间和预设时间衰减函数,分别获得目标用户对各信息的时间衰减权重。
例如,预设时间衰减函数为指数函数,其底数设置为0.95,指数设置为点击信息的时间与当前时间的时间差,其中,时间差的单位为天。
2)根据目标用户与对应的一度相似用户和二度相似用户的相似度,以及时间衰减权重,分别确定目标用户与各信息的相似度。
例如,将目标用户与对应的一度相似用户和二度相似用户的相似度,记为S,将时间衰减权重记为W,则目标用户与信息的相似度为相应的S和W的乘积。
又例如,若某信息被多个用户操作过,则将该乘积累加。例如,目标用户a与用户b、c的相似度分别是Sab、Sac,用户b点击了信息n、m,时间衰减权重分别是Wbn、Wbm,用户c点击了信息n,时间衰减权重是Wcn,则目标用户a和信息n、m的相似度分别是:San=Sab*Wbn+Sac*Wcn,Sam=Sab*Wbm。
S3、将相似度满足信息相似度条件的信息,作为目标用户的待推荐信息。
具体包括:1)针对目标用户的一度相似用户在第一预设时间段内有操作行为的信息,选取相似度最高的前第一预设数目条信息。
例如,第一预设数目为100条,则从目标用户的一度相似用户操作的各信息中选取相似度最高的前100条信息。
2)针对目标用户的二度相似用户在第一预设时间段内有操作行为的信息,选取相似度最高的前第二预设数目条信息。
例如,第二预设数目为100,则从目标用户的二度相似用户操作的各信息中选取相似度最高的前100条信息。
当然,第一预设数目和第二预设数目,可以根据实际情况和需求进行设置,本发明实施例中并不进行限制。
3)分别将选取出的第一预设数目条信息和第二预设数目条信息,作为目标用户的待推荐信息。
这样,可以根据一度相似用户和二度相似用户,可以为目标用户召回200条待推荐信息。
步骤420:将目标用户的待推荐信息,推荐给目标用户。
即例如,可以将基于一度相似用户和二度相似用户召回的200条待推荐信息,推荐给目标用户。
这样,本发明实施例中,进行信息推荐时,获取目标用户对应的一度相似用户和二度相似用户,分别获取对应的一度相似用户和二度相似用户在第一预设时间段内有操作行为的各信息,并分别确定目标用户与各信息的相似度,将相似度满足信息相似度条件的信息,作为目标用户的待推荐信息,并将目标用户的待推荐信息,推荐给该目标用户,这样,综合考虑目标用户的一度相似用户和二度相似用户,根据目标用户与一度相似用户和二度相似用户操作的各信息的相似度,确定目标用户的待推荐信息,提高推荐准确性,并且提高了用户覆盖率,例如在实际中,本发明实施例中对用户覆盖率能达到94%,以及由于二度相似用户的引入,也提高了推荐的信息的多样性,避免了推荐系统的信息“信息茧房”问题,可以自动召回用户可能感兴趣的信息,对整体的点击通过率(Click-Through-Rate,CTR)和人均页面浏览量(page view,PV)都带来很大提升。
下面采用一个具体应用场景进行说明,以信息推荐应用于新闻推荐场景为例,基于上述实施例,参阅图5所示,为本发明实施例中基于一度相似用户和二度相似用户的信息推荐方法整体原理示意图。
从图5可知,本发明实施例中信息推荐方法可以分为以下三部分:
第一部分:离线阶段流程,具体包括:
步骤500:获取各用户的历史行为数据。
步骤501:确定各用户对各新闻的兴趣评分,并建立评分矩阵。
步骤502:对评分矩阵进行数据采样。
即对评分矩阵进行采样,过滤掉过多操作的用户和过多被操作的新闻。
步骤503:进行矩阵分解,获得各用户的用户向量。
例如,可以采用WALS算法进行矩阵分解。
步骤504:计算获得各用户对应的一度相似用户。
例如,k为100,则采用faiss算法进行k近邻计算,分别获得各用户对应的100个一度相似用户。
第二部分:存储层。
本发明实施例中,存储层可以采用分布式存储平台,分布式存储平台可以存储收集的终端上报的用户的历史行为数据,并且还可以包括用于存储用户的点击新闻序列的数据库、用于存储计算获得的各用户的一度相似用户和对应的相似度的数据库。
第三部分:在线阶段流程,具体包括:
步骤505:实时处理各用户的点击新闻序列。
即可以在在线阶段,不断收集和处理各用户,包括一度相似用户和二度相似用户的行为数据,得到其点击新闻序列。
进一步地,可以将实时处理获得的各用户的点击新闻序列,存储到对应的Redis数据库中。
步骤506:一度相似用户召回。
具体为:基于存储的点击新闻序列的数据库和一度相似用户的数据库,进行一度相似用户的新闻召回。
步骤507:二度相似用户召回。
具体为:基于存储的点击新闻序列的数据库和一度相似用户的数据库,进行二度相似用户的新闻召回。
步骤508:输出召回的新闻,作为待推荐新闻,推荐给目标用户。
基于上述实施例,参阅图6所示,本发明实施例中,信息推荐装置具体包括:
第一获取模块60,用于获取目标用户对应的一度相似用户和二度相似用户;其中,一度相似用户表示确定出的与目标用户的用户向量相似度满足第一用户相似度条件的用户,二度相似用户表示确定出的与目标用户的一度相似用户的用户向量相似度满足第一用户相似度条件的用户;
第二获取模块61,用于分别获取所述对应的一度相似用户和二度相似用户在第一预设时间段内有操作行为的各信息;
处理模块62,用于分别确定所述目标用户与所述各信息的相似度,将相似度满足信息相似度条件的信息,作为所述目标用户的待推荐信息;
推荐模块63,用于将所述目标用户的待推荐信息,推荐给所述目标用户。
可选的,进一步包括:
第三获取模块64,用于获取各用户在第二预设时间段内针对信息的历史行为数据;
评分计算模块65,用于根据所述各用户的历史行为数据,分别确定所述各用户对各信息的兴趣评分,并建立评分矩阵;其中,所述评分矩阵中包括所有用户对各信息的兴趣评分;
第一获得模块66,用于根据所述评分矩阵,分别获得所述各用户的用户向量;其中,所述用户向量表征用户兴趣的特征向量;
用户相似度计算模块67,用于根据所述各用户的用户向量,分别计算所述各用户之间的相似度;
第二获得模块68,用于根据所述各用户之间的相似度,分别获得所述各用户对应的一度相似用户。
可选的,所述历史行为数据至少包括点击时间和浏览时长;则根据所述各用户的历史行为数据,分别确定所述各用户对各信息的兴趣评分时,评分计算模块65具体用于:
根据所述各用户对每条信息的点击时间和预设时间衰减函数,分别获得所述各用户对每条信息的时间衰减权重;
根据所述各用户对每条信息的浏览时长和预设平滑函数,分别获得所述各用户对每条信息的浏览时长权重;
根据相应的时间衰减权重和浏览时长权重,分别确定所述各用户对每条信息的兴趣评分。
可选的,根据所述评分矩阵,分别获得所述各用户的用户向量时,第一获得模块66具体用于:
分别确定所述各用户在第二预设时间段内操作的信息的数目,以及分别确定每条信息被操作的次数;
若确定所述各用户中任一用户在第二预设时间段内操作的信息的数目大于预设数目,则从所述评分矩阵中采样其中的预设数目条信息;
若确定任一信息被操作的次数大于预设次数,则从所述评分矩阵中采样其中的预设次数条信息;
根据采样后的评分矩阵,分别获得所述各用户的用户向量。
可选的,进一步包括:
筛选模块69,用于分别确定所述目标用户与对应的二度相似用户的相似度;从所述目标用户对应的二度相似用户中筛选出相似度满足第二用户相似度条件的二度相似用户。
可选的,分别确定所述目标用户与对应的二度相似用户的相似度时,筛选模块69具体用于:
分别根据所述目标用户与对应的一度相似用户的相似度,以及所述对应的一度相似用户与其一度相似用户的相似度,进行相乘,将获得的乘积作为所述目标用户与对应的二度相似用户的相似度;并,若确定任意一个二度相似用户为所述目标用户的多个一度相似用户的一度相似用户,则将获得的所述目标用户与所述多个一度相似用户对应的乘积进行累加,将累加的和作为所述目标用户与所述任意一个二度相似用户的相似度。
可选的,分别确定所述目标用户与所述各信息的相似度时,处理模块62具体用于:
根据所述对应的一度相似用户和筛选出的二度相似用户对所述各信息的点击时间和预设时间衰减函数,分别获得所述目标用户对所述各信息的时间衰减权重;
根据所述目标用户与对应的一度相似用户和二度相似用户的相似度,以及时间衰减权重,分别确定所述目标用户与所述各信息的相似度。
可选的,将相似度满足信息相似度条件的信息,作为所述目标用户的待推荐信息时,处理模块62具体用于:
针对所述目标用户的一度相似用户在第一预设时间段内有操作行为的信息,选取相似度最高的前第一预设数目条信息;
针对所述目标用户的二度相似用户在第一预设时间段内有操作行为的信息,选取相似度最高的前第二预设数目条信息;
分别将选取出的第一预设数目条信息和第二预设数目条信息,作为所述目标用户的待推荐信息。
基于上述实施例,参阅图7所示,本发明实施例中,一种电子设备的结构示意图。
本发明实施例提供了一种电子设备,该电子设备可以包括处理器710(CenterProcessing Unit,CPU)、存储器720、输入设备730和输出设备740等,输入设备730可以包括键盘、鼠标、触摸屏等,输出设备740可以包括显示设备,如液晶显示器(Liquid CrystalDisplay,LCD)、阴极射线管(Cathode Ray Tube,CRT)等。
存储器720可以包括只读存储器(ROM)和随机存取存储器(RAM),并向处理器710提供存储器720中存储的程序指令和数据。在本发明实施例中,存储器720可以用于存储本发明实施例中信息推荐方法的程序。
处理器710通过调用存储器720存储的程序指令,处理器710用于按照获得的程序指令执行:
获取目标用户对应的一度相似用户和二度相似用户;其中,一度相似用户表示确定出的与目标用户的用户向量相似度满足第一用户相似度条件的用户,二度相似用户表示确定出的与目标用户的一度相似用户的用户向量相似度满足第一用户相似度条件的用户;
分别获取所述对应的一度相似用户和二度相似用户在第一预设时间段内有操作行为的各信息,并分别确定所述目标用户与所述各信息的相似度,将相似度满足信息相似度条件的信息,作为所述目标用户的待推荐信息;
将所述目标用户的待推荐信息,推荐给所述目标用户。
可选的,处理器710进一步用于:
获取各用户在第二预设时间段内针对信息的历史行为数据;
根据所述各用户的历史行为数据,分别确定所述各用户对各信息的兴趣评分,并建立评分矩阵;其中,所述评分矩阵中包括所有用户对各信息的兴趣评分;
根据所述评分矩阵,分别获得所述各用户的用户向量;其中,所述用户向量表征用户兴趣的特征向量;
根据所述各用户的用户向量,分别计算所述各用户之间的相似度;
根据所述各用户之间的相似度,分别获得所述各用户对应的一度相似用户。
可选的,所述历史行为数据至少包括点击时间和浏览时长;则根据所述各用户的历史行为数据,分别确定所述各用户对各信息的兴趣评分时,处理器710具体用于:
根据所述各用户对每条信息的点击时间和预设时间衰减函数,分别获得所述各用户对每条信息的时间衰减权重;
根据所述各用户对每条信息的浏览时长和预设平滑函数,分别获得所述各用户对每条信息的浏览时长权重;
根据相应的时间衰减权重和浏览时长权重,分别确定所述各用户对每条信息的兴趣评分。
可选的,根据所述评分矩阵,分别获得所述各用户的用户向量时,处理器710具体用于:
分别确定所述各用户在第二预设时间段内操作的信息的数目,以及分别确定每条信息被操作的次数;
若确定所述各用户中任一用户在第二预设时间段内操作的信息的数目大于预设数目,则从所述评分矩阵中采样其中的预设数目条信息;
若确定任一信息被操作的次数大于预设次数,则从所述评分矩阵中采样其中的预设次数条信息;
根据采样后的评分矩阵,分别获得所述各用户的用户向量。
可选的,处理器710进一步用于:
分别确定所述目标用户与对应的二度相似用户的相似度;
从所述目标用户对应的二度相似用户中筛选出相似度满足第二用户相似度条件的二度相似用户。
可选的,分别确定所述目标用户与对应的二度相似用户的相似度时,处理器710具体用于:
分别根据所述目标用户与对应的一度相似用户的相似度,以及所述对应的一度相似用户与其一度相似用户的相似度,进行相乘,将获得的乘积作为所述目标用户与对应的二度相似用户的相似度;并,若确定任意一个二度相似用户为所述目标用户的多个一度相似用户的一度相似用户,则将获得的所述目标用户与所述多个一度相似用户对应的乘积进行累加,将累加的和作为所述目标用户与所述任意一个二度相似用户的相似度。
可选的,分别确定所述目标用户与所述各信息的相似度时,处理器710具体用于:
根据所述对应的一度相似用户和筛选出的二度相似用户对所述各信息的点击时间和预设时间衰减函数,分别获得所述目标用户对所述各信息的时间衰减权重;
根据所述目标用户与对应的一度相似用户和二度相似用户的相似度,以及时间衰减权重,分别确定所述目标用户与所述各信息的相似度。
可选的,将相似度满足信息相似度条件的信息,作为所述目标用户的待推荐信息时,处理器710具体用于:
针对所述目标用户的一度相似用户在第一预设时间段内有操作行为的信息,选取相似度最高的前第一预设数目条信息;
针对所述目标用户的二度相似用户在第一预设时间段内有操作行为的信息,选取相似度最高的前第二预设数目条信息;
分别将选取出的第一预设数目条信息和第二预设数目条信息,作为所述目标用户的待推荐信息。
基于上述实施例,本发明实施例中,提供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上述任意方法实施例中的信息推荐方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种信息推荐方法,其特征在于,包括:
获取目标用户对应的一度相似用户和二度相似用户;其中,一度相似用户表示确定出的与目标用户的用户向量相似度满足第一用户相似度条件的用户,二度相似用户表示确定出的与目标用户的一度相似用户的用户向量相似度满足第一用户相似度条件的用户;
分别获取所述对应的一度相似用户和二度相似用户在第一预设时间段内有操作行为的各信息,并分别确定所述目标用户与所述各信息的相似度,将相似度满足信息相似度条件的信息,作为所述目标用户的待推荐信息;
将所述目标用户的待推荐信息,推荐给所述目标用户。
2.如权利要求1所述的方法,其特征在于,进一步包括:
获取各用户在第二预设时间段内针对信息的历史行为数据;
根据所述各用户的历史行为数据,分别确定所述各用户对各信息的兴趣评分,并建立评分矩阵;其中,所述评分矩阵中包括所有用户对各信息的兴趣评分;
根据所述评分矩阵,分别获得所述各用户的用户向量;其中,所述用户向量表征用户兴趣的特征向量;
根据所述各用户的用户向量,分别计算所述各用户之间的相似度;
根据所述各用户之间的相似度,分别获得所述各用户对应的一度相似用户。
3.如权利要求2所述的方法,其特征在于,所述历史行为数据至少包括点击时间和浏览时长;
则根据所述各用户的历史行为数据,分别确定所述各用户对各信息的兴趣评分,具体包括:
根据所述各用户对每条信息的点击时间和预设时间衰减函数,分别获得所述各用户对每条信息的时间衰减权重;
根据所述各用户对每条信息的浏览时长和预设平滑函数,分别获得所述各用户对每条信息的浏览时长权重;
根据相应的时间衰减权重和浏览时长权重,分别确定所述各用户对每条信息的兴趣评分。
4.如权利要求2所述的方法,其特征在于,根据所述评分矩阵,分别获得所述各用户的用户向量,具体包括:
分别确定所述各用户在第二预设时间段内操作的信息的数目,以及分别确定每条信息被操作的次数;
若确定所述各用户中任一用户在第二预设时间段内操作的信息的数目大于预设数目,则从所述评分矩阵中采样其中的预设数目条信息;
若确定任一信息被操作的次数大于预设次数,则从所述评分矩阵中采样其中的预设次数条信息;
根据采样后的评分矩阵,分别获得所述各用户的用户向量。
5.如权利要求1-4任一项所述的方法,其特征在于,进一步包括:
分别确定所述目标用户与对应的二度相似用户的相似度;
从所述目标用户对应的二度相似用户中筛选出相似度满足第二用户相似度条件的二度相似用户。
6.如权利要求5所述的方法,其特征在于,分别确定所述目标用户与对应的二度相似用户的相似度,具体包括:
分别根据所述目标用户与对应的一度相似用户的相似度,以及所述对应的一度相似用户与其一度相似用户的相似度,进行相乘,将获得的乘积作为所述目标用户与对应的二度相似用户的相似度;并,
若确定任意一个二度相似用户为所述目标用户的多个一度相似用户的一度相似用户,则将获得的所述目标用户与所述多个一度相似用户对应的乘积进行累加,将累加的和作为所述目标用户与所述任意一个二度相似用户的相似度。
7.如权利要求5所述的方法,其特征在于,分别确定所述目标用户与所述各信息的相似度,具体包括:
根据所述对应的一度相似用户和筛选出的二度相似用户对所述各信息的点击时间和预设时间衰减函数,分别获得所述目标用户对所述各信息的时间衰减权重;
根据所述目标用户与对应的一度相似用户和二度相似用户的相似度,以及时间衰减权重,分别确定所述目标用户与所述各信息的相似度。
8.如权利要求1或7所述的方法,其特征在于,将相似度满足信息相似度条件的信息,作为所述目标用户的待推荐信息,具体包括:
针对所述目标用户的一度相似用户在第一预设时间段内有操作行为的信息,选取相似度最高的前第一预设数目条信息;
针对所述目标用户的二度相似用户在第一预设时间段内有操作行为的信息,选取相似度最高的前第二预设数目条信息;
分别将选取出的第一预设数目条信息和第二预设数目条信息,作为所述目标用户的待推荐信息。
9.一种信息推荐装置,其特征在于,包括:
第一获取模块,用于获取目标用户对应的一度相似用户和二度相似用户;其中,一度相似用户表示确定出的与目标用户的用户向量相似度满足第一用户相似度条件的用户,二度相似用户表示确定出的与目标用户的一度相似用户的用户向量相似度满足第一用户相似度条件的用户;
第二获取模块,用于分别获取所述对应的一度相似用户和二度相似用户在第一预设时间段内有操作行为的各信息;
处理模块,用于分别确定所述目标用户与所述各信息的相似度,将相似度满足信息相似度条件的信息,作为所述目标用户的待推荐信息;
推荐模块,用于将所述目标用户的待推荐信息,推荐给所述目标用户。
10.一种电子设备,其特征在于,包括:
至少一个存储器,用于存储程序指令;
至少一个处理器,用于调用所述存储器中存储的程序指令,按照获得的程序指令执行上述权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910066626.5A CN109857935B (zh) | 2019-01-24 | 2019-01-24 | 一种信息推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910066626.5A CN109857935B (zh) | 2019-01-24 | 2019-01-24 | 一种信息推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109857935A true CN109857935A (zh) | 2019-06-07 |
CN109857935B CN109857935B (zh) | 2021-08-24 |
Family
ID=66895858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910066626.5A Active CN109857935B (zh) | 2019-01-24 | 2019-01-24 | 一种信息推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109857935B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807667A (zh) * | 2019-10-31 | 2020-02-18 | 深圳市云积分科技有限公司 | 一种激活沉睡客户的方法和装置 |
CN110888945A (zh) * | 2019-11-28 | 2020-03-17 | 上海风秩科技有限公司 | 用户行为预测方法、装置、电子设备及存储介质 |
CN111047360A (zh) * | 2019-12-16 | 2020-04-21 | 北京搜狐新媒体信息技术有限公司 | 一种基于视觉画像的数据处理方法及系统 |
CN111414548A (zh) * | 2020-05-09 | 2020-07-14 | 中国工商银行股份有限公司 | 对象推荐方法、装置、电子设备和介质 |
CN111582905A (zh) * | 2020-03-26 | 2020-08-25 | 口碑(上海)信息技术有限公司 | 一种目标对象获取方法、装置、电子设备以及存储介质 |
CN113127674A (zh) * | 2019-12-31 | 2021-07-16 | 中移(成都)信息通信科技有限公司 | 歌单推荐方法、装置、电子设备及计算机存储介质 |
CN113536763A (zh) * | 2021-07-20 | 2021-10-22 | 北京中科闻歌科技股份有限公司 | 一种信息处理方法、装置、设备及存储介质 |
CN113763110A (zh) * | 2021-02-08 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种物品推荐方法和装置 |
CN115795172A (zh) * | 2023-02-06 | 2023-03-14 | 湖南出头科技有限公司 | 一种基于大数据的信息推送引流系统 |
CN116170497A (zh) * | 2022-12-09 | 2023-05-26 | 北京国电通网络技术有限公司 | 用户行为信息推送方法、装置、电子设备和计算机介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880640A (zh) * | 2012-08-20 | 2013-01-16 | 浙江大学 | 一种基于网络建模的服务推荐方法 |
CN103051650A (zh) * | 2011-10-11 | 2013-04-17 | 北京千橡网景科技发展有限公司 | 基于通讯录的推荐方法和推荐设备 |
CN103425799A (zh) * | 2013-09-04 | 2013-12-04 | 北京邮电大学 | 基于主题的个性化研究方向推荐系统和推荐方法 |
CN108171535A (zh) * | 2017-12-13 | 2018-06-15 | 天津科技大学 | 一种基于多特征的个性化餐厅推荐算法 |
CN108399197A (zh) * | 2018-01-30 | 2018-08-14 | 重庆邮电大学 | 基于用户置信度和时间上下文的协同过滤推荐方法 |
CN109241442A (zh) * | 2018-10-10 | 2019-01-18 | 南京邮电大学 | 基于预测值填充的项目推荐方法、可读存储介质和终端 |
-
2019
- 2019-01-24 CN CN201910066626.5A patent/CN109857935B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103051650A (zh) * | 2011-10-11 | 2013-04-17 | 北京千橡网景科技发展有限公司 | 基于通讯录的推荐方法和推荐设备 |
CN102880640A (zh) * | 2012-08-20 | 2013-01-16 | 浙江大学 | 一种基于网络建模的服务推荐方法 |
CN103425799A (zh) * | 2013-09-04 | 2013-12-04 | 北京邮电大学 | 基于主题的个性化研究方向推荐系统和推荐方法 |
CN108171535A (zh) * | 2017-12-13 | 2018-06-15 | 天津科技大学 | 一种基于多特征的个性化餐厅推荐算法 |
CN108399197A (zh) * | 2018-01-30 | 2018-08-14 | 重庆邮电大学 | 基于用户置信度和时间上下文的协同过滤推荐方法 |
CN109241442A (zh) * | 2018-10-10 | 2019-01-18 | 南京邮电大学 | 基于预测值填充的项目推荐方法、可读存储介质和终端 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807667A (zh) * | 2019-10-31 | 2020-02-18 | 深圳市云积分科技有限公司 | 一种激活沉睡客户的方法和装置 |
CN110807667B (zh) * | 2019-10-31 | 2023-09-22 | 深圳市云积分科技有限公司 | 一种激活沉睡客户的方法和装置 |
CN110888945A (zh) * | 2019-11-28 | 2020-03-17 | 上海风秩科技有限公司 | 用户行为预测方法、装置、电子设备及存储介质 |
CN111047360A (zh) * | 2019-12-16 | 2020-04-21 | 北京搜狐新媒体信息技术有限公司 | 一种基于视觉画像的数据处理方法及系统 |
CN111047360B (zh) * | 2019-12-16 | 2024-04-09 | 北京搜狐新媒体信息技术有限公司 | 一种基于视觉画像的数据处理方法及系统 |
CN113127674A (zh) * | 2019-12-31 | 2021-07-16 | 中移(成都)信息通信科技有限公司 | 歌单推荐方法、装置、电子设备及计算机存储介质 |
CN113127674B (zh) * | 2019-12-31 | 2023-07-21 | 中移(成都)信息通信科技有限公司 | 歌单推荐方法、装置、电子设备及计算机存储介质 |
CN111582905A (zh) * | 2020-03-26 | 2020-08-25 | 口碑(上海)信息技术有限公司 | 一种目标对象获取方法、装置、电子设备以及存储介质 |
CN111414548B (zh) * | 2020-05-09 | 2023-08-01 | 中国工商银行股份有限公司 | 对象推荐方法、装置、电子设备和介质 |
CN111414548A (zh) * | 2020-05-09 | 2020-07-14 | 中国工商银行股份有限公司 | 对象推荐方法、装置、电子设备和介质 |
CN113763110A (zh) * | 2021-02-08 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种物品推荐方法和装置 |
CN113536763A (zh) * | 2021-07-20 | 2021-10-22 | 北京中科闻歌科技股份有限公司 | 一种信息处理方法、装置、设备及存储介质 |
CN116170497A (zh) * | 2022-12-09 | 2023-05-26 | 北京国电通网络技术有限公司 | 用户行为信息推送方法、装置、电子设备和计算机介质 |
CN116170497B (zh) * | 2022-12-09 | 2023-10-20 | 北京国电通网络技术有限公司 | 用户行为信息推送方法、装置、电子设备和计算机介质 |
CN115795172A (zh) * | 2023-02-06 | 2023-03-14 | 湖南出头科技有限公司 | 一种基于大数据的信息推送引流系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109857935B (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109857935A (zh) | 一种信息推荐方法及装置 | |
CN105320766B (zh) | 信息推送方法和装置 | |
Meade et al. | Forecasting in telecommunications and ICT—A review | |
CN107229708A (zh) | 一种个性化出行服务大数据应用系统及方法 | |
CN110399550A (zh) | 一种信息推荐方法及装置 | |
CN107491488A (zh) | 页面数据采集的方法和装置 | |
CN107066476A (zh) | 一种基于物品相似度的实时推荐方法 | |
CN107609890A (zh) | 一种订单跟踪的方法和装置 | |
Zeng et al. | Trend prediction in temporal bipartite networks: the case of Movielens, Netflix, and Digg | |
CN107665736A (zh) | 用于生成信息的方法和装置 | |
CN108632311A (zh) | 信息推送方法和装置 | |
CN105069025A (zh) | 一种大数据的智能聚合可视化与管控系统 | |
CN103049452A (zh) | 一种基于预估下载率进行应用排序的方法与设备 | |
CN110851706B (zh) | 用户点击模型的训练方法、装置、电子设备及存储介质 | |
CN103744849A (zh) | 一种应用自动推荐的方法及装置 | |
CN103810184A (zh) | 确定网站页面地址流转率的方法、优化方法及其装置 | |
CN108985954A (zh) | 一种建立各标识的关联关系的方法以及相关设备 | |
CN114205690A (zh) | 流量预测、模型训练方法及装置、电子设备、存储介质 | |
CN107562698A (zh) | 一种样本值区间模型的优化方法和装置 | |
CN112463859A (zh) | 基于大数据和业务分析的用户数据处理方法及大数据平台 | |
CN109978575A (zh) | 一种挖掘用户流量经营场景的方法及装置 | |
CN107819745A (zh) | 异常流量的防御方法和装置 | |
CN108540302B (zh) | 一种大数据处理的方法及设备 | |
CN113569162A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN112182460B (zh) | 资源的推送方法和装置、存储介质及电子装置 |
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 |