CN109949076B - 建立超球面映射模型的方法、信息推荐方法及装置 - Google Patents
建立超球面映射模型的方法、信息推荐方法及装置 Download PDFInfo
- Publication number
- CN109949076B CN109949076B CN201910140101.1A CN201910140101A CN109949076B CN 109949076 B CN109949076 B CN 109949076B CN 201910140101 A CN201910140101 A CN 201910140101A CN 109949076 B CN109949076 B CN 109949076B
- Authority
- CN
- China
- Prior art keywords
- label
- matrix
- hypersphere
- mapping
- portrait
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据分析技术领域,尤其涉及建立超球面映射模型的方法、信息推荐方法及装置,所述方法包括:获取包含若干标签的画像库;基于画像库,获取多个标签特征矩阵和与多个标签特征矩阵对应的多个标签矩阵向量,其中,一个标签特征矩阵对应一类标签,一个标签特征矩阵对应一个标签矩阵向量;分别对每个标签特征矩阵和与其对应的标签矩阵向量进行超球面映射处理,对应获得多个单画像多类映射集合;根据获得的所有单画像多类映射集合,建立与画像库对应的超球面多类映射集合,获得画像超球面映射模型。本发明能够精准的刻画出用户画像,最终获得的目标对象能够真实准确地反映出用户的兴趣,同时该目标对象能够精准地与匹配条件相对应。
Description
技术领域
本发明涉及数据分析技术领域,尤其涉及建立超球面映射模型的方法、信息推荐方法及装置。
背景技术
用户画像是一种勾画目标用户、联系用户诉求与设计方向的有效工具,通过构建用户画像,利用用户画像能够了解到用户的各类信息。进一步来讲,由于用户画像能够反映用户的特征,那么根据用户画像也就能够向用户推荐其感兴趣的内容,现有技术在进行推荐时采用相似度算法,然而,由于相似度算法对于数据的区分度不高,因此存在匹配不精确的技术问题。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的建立超球面映射模型的方法、信息推荐方法及装置。
依据本发明的第一个方面,本发明提供一种建立画像超球面映射模型的方法,所述方法包括:
获取包含若干标签的画像库;
基于所述画像库,获取多个标签特征矩阵和与所述多个标签特征矩阵对应的多个标签矩阵向量,其中,一个所述标签特征矩阵对应一类所述标签,一个所述标签特征矩阵对应一个所述标签矩阵向量;
分别对每个所述标签特征矩阵和与其对应的所述标签矩阵向量进行超球面映射处理,对应获得多个单画像多类映射集合;
根据获得的所有单画像多类映射集合,建立与所述画像库对应的超球面多类映射集合,获得所述画像超球面映射模型。
优选的,对所述标签特征矩阵和与其对应的所述标签矩阵向量进行超球面映射处理,获得所述单画像多类映射集合,包括以下公式:
Wixi=||Wi||·||xi||·cosθi
其中,Wi为所述标签矩阵向量,xi为所述标签特征矩阵,t为聚类程度,θi为所述标签矩阵向量和所述标签特征矩阵之间的角度信息,Ssingle-hyperspher为所述单画像多类映射集合。
优选的,在所述分别对每个所述标签特征矩阵和与其对应的所述标签矩阵向量进行超球面映射处理之前,所述方法还包括:
分别对每个所述标签特征矩阵和与其对应的所述标签矩阵向量进行归一化处理。
依据本发明的第二个方面,提供了一种信息推荐方法,所述方法包括:
获取包含一个以上待匹配标签的匹配条件;
对所述匹配条件进行向量矩阵变换,获得目标向量矩阵;
将所述目标向量矩阵输入至通过如前述第一个方面中所述的建立画像超球面映射模型的方法获得的所述画像超球面映射模型中,以与所述匹配条件对应的预设相似度作为约束条件,输出与所述匹配条件中各个所述待匹配标签匹配的目标对象;
将所述目标对象推荐给用户。
优选的,在将所述目标向量矩阵输入至所述超球面映射模型之前,所述方法还包括:
获取所述待匹配标签中的相关联的标签;
在所述超球面映射模型中,对与所述相关联的标签对应的映射集合进行聚合处理。
优选的,在将所述目标向量矩阵输入至所述超球面映射模型之前,所述方法还包括:
获取与所述待匹配标签相对应的历史数据;
在所述超球面映射模型中,根据所述历史数据对与所述待匹配标签对应的映射集合进行加权处理。
优选的,所述根据所述历史数据对与所述待匹配标签对应的映射集合进行加权处理,包括以下公式:
其中,S′single-hyperspher为加权后的所述单画像多类映射集合,Ssingle-hyperspher为加权前的所述单画像多类映射集合,M为所述待匹配标签的类别,bt为所述待匹配标签在时间序列下的权值参数,T为所述历史数据的时间序列。
依据本发明的第三个方面,提供了一种信息推荐装置,所述装置包括:
获取模块,用于获取包含一个以上待匹配标签的匹配条件;
变换模块,用于对所述匹配条件进行向量矩阵变换,获得目标向量矩阵;
处理模块,用于将所述目标向量矩阵输入至通过如前述第一个方面中所述的建立画像超球面映射模型的方法获得的所述画像超球面映射模型中,以与所述匹配条件对应的预设相似度作为约束条件,输出与所述匹配条件中各个所述待匹配标签匹配的目标对象;
推荐模块,用于将所述目标对象推荐给用户。
依据本发明的第四个方面,提供了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如前述第二个方面中的方法步骤。
依据本发明的第五个方面,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如前述第二个方面中的方法步骤。
根据本发明的建立超球面映射模型的方法、信息推荐方法及装置,通过获取包含若干标签的画像库,基于画像库,获取多个标签特征矩阵和与多个标签特征矩阵对应的多个标签矩阵向量,其中,一个标签特征矩阵对应一类标签,一个标签特征矩阵对应一个标签矩阵向量,分别对每个标签特征矩阵和与其对应的标签矩阵向量进行超球面映射处理,对应获得多个单画像多类映射集合,根据获得的所有单画像多类映射集合,建立与画像库对应的超球面多类映射集合,获得画像超球面映射模型,该画像超球面映射模型能够精准的刻画出用户画像,进而,在获取包含一个以上待匹配标签的匹配条件之后,通过对匹配条件进行向量矩阵变换,获得目标向量矩阵,将该目标向量矩阵输入至该画像超球面映射模型之后,以与匹配条件对应的预设相似度作为约束条件,输出与匹配条件中各个待匹配标签匹配的目标对象,目标对象能够真实准确地反映出用户的兴趣,同时该目标对象能够精准地与匹配条件相对应。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考图形表示相同的部件。在附图中:
图1示出了本发明实施例中建立超球面映射模型的方法的流程图;
图2示出了本发明实施例中信息推荐方法的流程图;
图3示出了本发明实施例中信息推荐装置的结构图;
图4示出了本发明实施例中计算机设备的结构图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明的第一实施例提供一种建立画像超球面映射模型的方法,如图1所示,所述方法包括:
步骤101:获取包含若干标签的画像库。
步骤102:基于所述画像库,获取多个标签特征矩阵和与所述多个标签特征矩阵对应的多个标签矩阵向量,其中,一个所述标签特征矩阵对应一类所述标签,一个所述标签特征矩阵对应一个所述标签矩阵向量。
步骤103:分别对每个所述标签特征矩阵和与其对应的所述标签矩阵向量进行超球面映射处理,对应获得多个单画像多类映射集合。
步骤104:根据获得的所有单画像多类映射集合,建立与所述画像库对应的超球面多类映射集合,获得所述画像超球面映射模型。
针对步骤101而言,本发明实施例中画像库可以采用现有技术中的任一用户画像库建立方法进行建立。通常来说,画像库包含标签和匹配对象,标签和匹配对象之间具有对应关系,例如,针对电影而言,标签可以包括文艺和科幻等,与标签文艺相对应的匹配对象可以为电影一一,与标签科幻相对应的匹配对象可以为电影异形。在本发明实施例的步骤101中获取画像库,该画像库用于建立画像超球面映射模型。
针对步骤102而言,在获取到画像库之后,根据画像库获取多个标签特征矩阵和多个标签矩阵向量,其中,一个标签特征矩阵对应一类标签,例如,标签文艺对应一个标签特征矩阵,进一步,一个标签特征矩阵对应一个标签矩阵向量。在本发明实施例中,标签特征矩阵用xi表示,xi可以通过聚类的方式获得,标签矩阵向量用Wi表示。
针对步骤103而言,在得到标签特征矩阵和标签矩阵向量之后,分别对每个标签特征矩阵和与其对应的标签矩阵向量进行超球面映射处理,对应获得单画像多类映射集合,根据一个标签特征矩阵和一个标签矩阵向量进行超球面映射处理获得一个单画像多类映射集合。具体来讲,获得单画像多类映射集合的过程以下公式:
Wixi=||Wi||·||xi||·cosθi 公式一
其中,在公式一中,θi为标签矩阵向量和标签特征矩阵之间的角度信息,由于矩阵相乘包含角度信息,因此,根据公式一能够获得θi。在公式二中,t为聚类程度,即标签之间映射到超球面上的聚集程度,聚集程度越高表示映射到超球面上越靠近,反之亦然。在公式三中,Ssingle-hyperspher为单画像多类映射集合,的几何意义为i类标签在一个超球面上的某个点。
进一步,为保证所代表的几何超球面的球半径一致,即,所有类标签都映射到同一超球面上,需要对Wi和xi进行归一化处理,即,在获得多个标签特征矩阵和多个标签矩阵向量之后,且在对每个标签特征矩阵和标签矩阵向量进行超球面映射处理之前,所述方法还包括:分别对每个标签特征矩阵和与其对应的标签矩阵向量进行归一化处理。而对于归一化处理过程,可以采用现有技术中的任一归一化处理方式,本发明不作限定。
针对步骤104而言,在获得单画像多类映射集合之后,根据基于画像库获得的所有单画像多类映射集合,建立超球面多类映射集合,该超球面多类映射集合即为最终获得的画像超球面映射模型。具体地,超球面多类映射集合可以用以下公式表达:
Smulti-hyperspher={Ssingle-hyperspher1,Ssingle-hyperspher2...}公式四
其中,Smul-ti hype为一个在超球面上的超球面多类映射集合,Ssingle-hyperspher1和Ssingle-hyperspher2为超球面多类映射集合中的各个单画像多类映射集合。
基于同一发明构思,本发明的第二实施例提供一种信息推荐方法,如图2所示,所述方法包括:
步骤201:获取包含一个以上待匹配标签的匹配条件。
步骤202:对所述匹配条件进行向量矩阵变换,获得目标向量矩阵。
步骤203:将所述目标向量矩阵输入至通过第一实施例中的画像超球面映射模型中,以与所述匹配条件对应的预设相似度作为约束条件,输出与所述匹配条件中各个所述待匹配标签匹配的目标对象。
步骤204:将所述目标对象推荐给用户。
针对步骤201而言,匹配条件来自用户,将待匹配标签作为匹配条件,例如,若用户想要看文艺且小众的电影,则标签文艺为待匹配标签,标签小众也为待匹配标签,并将标签文艺和标签小众作为匹配条件。本发明实施例的目的在于根据匹配条件获得对应的目标对象。
针对步骤202而言,在获得匹配条件之后,对匹配条件向量化,即,将匹配条件由文字转换成矩阵形式,得到目标向量矩阵。其中,可以采用现有技术中的任一矩阵化方式将匹配条件由文字转换成矩阵形式,例如,基于多维数据的肖像建模方法等等,此处不做赘述。目标向量矩阵用W表示。
针对步骤203而言,在本发明实施例中,一个匹配条件对应有一个相似度,相似度为匹配条件允许的最大相似程度,也可以被认为是在画像超球面映射模型中匹配条件允许的最大相似距离,相似度可以预先根据数据本身的聚类程度和需求精度进行设置。相似度用dmax表示。其中,步骤203可以通过以下公式实现:
其中,Q为输出的目标对象,Q为满足dmax的条件下的画像超球面映射模型中对应的集合,也即匹配条件在画像库中的匹配结果。其中,Q可以为一集合。
针对步骤204而言,在本发明实施例中目标对象即为满足匹配条件的对象,在得到目标对象之后,将目标对象作为匹配结果推荐给用户。
需要说明的是,在本发明实施例中,由于目标对象是由画像超球面映射模型直接输出的结果,目标对象为向量矩阵形式,因此并不直观,为提高直观性,在本发明实施例中,在获得目标对象之后,可以对目标对象进行逆变换,将目标对象由向量矩阵形式转换为文字形式,并将文字形式的目标对象推荐给用户。例如,若将标签文艺和标签小众作为匹配条件,最终输出的目标对象可以为画像库中的电影一一。
进一步来讲,在本发明实施例中,在获取目标向量矩阵之后,且在将目标向量矩阵输入至画像超球面映射模型之前,所述方法还包括:
获取所述待匹配标签中的相关联的标签;
在所述超球面映射模型中,对与所述相关联的标签对应的映射集合进行聚合处理。
具体来讲,在实际中,会出现多维数据相关的情况,这些相关的数据会影响匹配结果,例如,针对用户的餐馆推荐,用户的居住地、工作地、工作性质等数据均与用户所去餐馆的历史记录存在内在联系,从而,通过对相关联的标签进行聚合处理能够提高匹配的精确度。在本发明实施例中,由于上述公式中的t为聚类程度,t的大小是控制同一类点聚集的程度,从而控制了不同类之间的距离,通过调整t的大小,能够让其集合分布靠近甚至部分重合来反映多维相关数据,针对多维数据的相关联的标签,在计算其超球面映射时,t越大,则相关联的标签在球面映射上就越靠近,即表明相关联的标签关联性越高。具体的调整数值需要由业务和实际运行情况进行反复的迭代评估决定。例如,针对餐馆推荐,用户的居住地、工作地、消费水平和历史消费记录是相关联的标签,那么通过调节t,使这4类标签在超球面上的映射靠近。
进一步来讲,在本发明实施例中,在获取目标向量矩阵之后,且在将目标向量矩阵输入至画像超球面映射模型之前,所述方法还包括:
获取与所述待匹配标签相对应的历史数据;
在所述超球面映射模型中,根据所述历史数据对与所述待匹配标签对应的映射集合进行加权处理。
具体来讲,通过对历史数据加权能够提高匹配精度。加权处理的具体过程如下:
其中,S′single-hyperspher为加权后的所述单画像多类映射集合,Ssingle-hyperspher为加权前的所述单画像多类映射集合,M为所述待匹配标签的类别,bt为所述待匹配标签在时间序列下的权值参数,T为所述历史数据的时间序列。其中,公式六中的加法代表向集合中添加元素。例如,针对餐馆推荐,用户长期历史消费记录作为该用户的消费记录标签画像的一部分,从而,用户的历史居住地和历史工作地同样作为该用户的居住地和工作地标签画像的一部分,进而,根据时间距离远近来决定bt的大小。
本发明通过建立的画像超球面映射模型以及聚合处理和加权处理,实现了更细粒度的匹配计算,达到更为精确地匹配推荐效果。
基于同一发明构思,本发明第三实施例还公开了一种信息推荐装置,如图3所示,所述装置包括:
获取模块301,用于获取包含一个以上待匹配标签的匹配条件;
变换模块302,用于对所述匹配条件进行向量矩阵变换,获得目标向量矩阵;
处理模块303,用于将所述目标向量矩阵输入至通过权利要求1-3中任一权利要求所述的建立画像超球面映射模型的方法获得的所述画像超球面映射模型中,以与所述匹配条件对应的预设相似度作为约束条件,输出与所述匹配条件中各个所述待匹配标签匹配的目标对象;
推荐模块304,用于将所述目标对象推荐给用户。
优选的,所述装置还包括:
获取关联标签模块,用于获取所述待匹配标签中的相关联的标签;
聚合模块,用于在所述超球面映射模型中,对与所述相关联的标签对应的映射集合进行聚合处理。
优选的,所述装置还包括:
获取历史数据模块,用于获取与所述待匹配标签相对应的历史数据;
加权模块,用于在所述超球面映射模型中,根据所述历史数据对与所述待匹配标签对应的映射集合进行加权处理。
所述加权模块,包括以下公式:
其中,S′single-hyperspher为加权后的所述单画像多类映射集合,Ssingle-hyperspher为加权前的所述单画像多类映射集合,M为所述待匹配标签的类别,bt为所述待匹配标签在时间序列下的权值参数,T为所述历史数据的时间序列。
基于同一发明构思,本发明实施例还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前述第二实施例所述的方法步骤。
基于同一发明构思,本发明实施例还提供了一种计算机设备,如图4所示,为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该计算机设备可以为包括手机、平板电脑、PDA(Personal DigitalAssistant,个人数字助理)、POS(Point of Sales,销售终端)、车载电脑等任意终端设备,以计算机设备为手机为例:
图4示出的是与本发明实施例提供的计算机设备相关的部分结构的框图。参考图4,该计算机设备包括:存储器401和处理器402。本领域技术人员可以理解,图4中示出的计算机设备结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图4对计算机设备的各个构成部件进行具体的介绍:
存储器401可用于存储软件程序以及模块,处理器402通过运行存储在存储器401的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器401可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储数据(比如音频数据、电话本等)等。此外,存储器401可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器402是计算机设备的控制中心,通过运行或执行存储在存储器401内的软件程序和/或模块,以及调用存储在存储器401内的数据,执行各种功能和处理数据。可选的,处理器402可包括一个或多个处理单元;优选的,处理器402可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。
在本发明实施例中,该计算机设备所包括的处理器402可以具有前述第二实施例中任一方法步骤所对应的功能。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (8)
1.一种建立画像超球面映射模型的方法,其特征在于,所述方法包括:
获取包含若干标签的画像库;
基于所述画像库,获取多个标签特征矩阵和与所述多个标签特征矩阵对应的多个标签矩阵向量,其中,一个所述标签特征矩阵对应一类所述标签,一个所述标签特征矩阵对应一个所述标签矩阵向量;
分别对每个所述标签特征矩阵和与其对应的所述标签矩阵向量进行超球面映射处理,对应获得多个单画像多类映射集合;
对所述标签特征矩阵和与其对应的所述标签矩阵向量进行超球面映射处理,获得所述单画像多类映射集合,包括以下公式:
Wixi=||Wi||·||xi||·cosθi
其中,Wi为所述标签矩阵向量,xi为所述标签特征矩阵,t为聚类程度,θi为所述标签矩阵向量和所述标签特征矩阵之间的角度信息,Ssingle-hyperspher为所述单画像多类映射集合;
根据获得的所有单画像多类映射集合,建立与所述画像库对应的超球面多类映射集合,获得所述画像超球面映射模型;
其中,在所述分别对每个所述标签特征矩阵和与其对应的所述标签矩阵向量进行超球面映射处理之前,所述方法还包括:
分别对每个所述标签特征矩阵和与其对应的所述标签矩阵向量进行归一化处理。
2.一种信息推荐方法,其特征在于,所述方法包括:
获取包含一个以上待匹配标签的匹配条件;
对所述匹配条件进行向量矩阵变换,获得目标向量矩阵;
将所述目标向量矩阵输入至通过权利要求1所述的建立画像超球面映射模型的方法获得的所述画像超球面映射模型中,以与所述匹配条件对应的预设相似度作为约束条件,输出与所述匹配条件中各个所述待匹配标签匹配的目标对象;
将所述目标对象推荐给用户。
3.如权利要求2所述的信息推荐方法,其特征在于,在将所述目标向量矩阵输入至所述超球面映射模型之前,所述方法还包括:
获取所述待匹配标签中的相关联的标签;
在所述超球面映射模型中,对与所述相关联的标签对应的映射集合进行聚合处理。
4.如权利要求2所述的信息推荐方法,其特征在于,在将所述目标向量矩阵输入至所述超球面映射模型之前,所述方法还包括:
获取与所述待匹配标签相对应的历史数据;
在所述超球面映射模型中,根据所述历史数据对与所述待匹配标签对应的映射集合进行加权处理。
6.一种信息推荐装置,其特征在于,所述装置包括:
获取模块,用于获取包含一个以上待匹配标签的匹配条件;
变换模块,用于对所述匹配条件进行向量矩阵变换,获得目标向量矩阵;
处理模块,用于将所述目标向量矩阵输入至通过权利要求1所述的建立画像超球面映射模型的方法获得的所述画像超球面映射模型中,以与所述匹配条件对应的预设相似度作为约束条件,输出与所述匹配条件中各个所述待匹配标签匹配的目标对象;
推荐模块,用于将所述目标对象推荐给用户。
7.一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如权利要求2所述的方法步骤。
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求2所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910140101.1A CN109949076B (zh) | 2019-02-26 | 2019-02-26 | 建立超球面映射模型的方法、信息推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910140101.1A CN109949076B (zh) | 2019-02-26 | 2019-02-26 | 建立超球面映射模型的方法、信息推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109949076A CN109949076A (zh) | 2019-06-28 |
CN109949076B true CN109949076B (zh) | 2022-02-18 |
Family
ID=67007705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910140101.1A Active CN109949076B (zh) | 2019-02-26 | 2019-02-26 | 建立超球面映射模型的方法、信息推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109949076B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184465A (zh) * | 2020-09-27 | 2021-01-05 | 中国平安财产保险股份有限公司 | 用户数据画像生成方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160292538A1 (en) * | 2015-03-31 | 2016-10-06 | Disney Enterprises, Inc. | Object Classification Through Semantic Mapping |
CN106484764A (zh) * | 2016-08-30 | 2017-03-08 | 江苏名通信息科技有限公司 | 基于人群画像技术的用户相似度计算方法 |
CN107341679A (zh) * | 2016-04-29 | 2017-11-10 | 腾讯科技(深圳)有限公司 | 获取用户画像的方法及装置 |
CN109166586A (zh) * | 2018-08-02 | 2019-01-08 | 平安科技(深圳)有限公司 | 一种识别说话人的方法及终端 |
CN109345348A (zh) * | 2018-09-30 | 2019-02-15 | 重庆誉存大数据科技有限公司 | 基于旅行社用户的多维信息画像的推荐方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130073480A1 (en) * | 2011-03-22 | 2013-03-21 | Lionel Alberti | Real time cross correlation of intensity and sentiment from social media messages |
CN104615616B (zh) * | 2014-05-04 | 2017-03-22 | 腾讯科技(深圳)有限公司 | 群组推荐方法和系统 |
CN108804689B (zh) * | 2018-06-14 | 2020-10-16 | 合肥工业大学 | 面向问答平台的融合用户隐连接关系的标签推荐方法 |
-
2019
- 2019-02-26 CN CN201910140101.1A patent/CN109949076B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160292538A1 (en) * | 2015-03-31 | 2016-10-06 | Disney Enterprises, Inc. | Object Classification Through Semantic Mapping |
CN107341679A (zh) * | 2016-04-29 | 2017-11-10 | 腾讯科技(深圳)有限公司 | 获取用户画像的方法及装置 |
CN106484764A (zh) * | 2016-08-30 | 2017-03-08 | 江苏名通信息科技有限公司 | 基于人群画像技术的用户相似度计算方法 |
CN109166586A (zh) * | 2018-08-02 | 2019-01-08 | 平安科技(深圳)有限公司 | 一种识别说话人的方法及终端 |
CN109345348A (zh) * | 2018-09-30 | 2019-02-15 | 重庆誉存大数据科技有限公司 | 基于旅行社用户的多维信息画像的推荐方法 |
Non-Patent Citations (1)
Title |
---|
基于球结构SVM的多标签分类;蒋华等;《计算机工程》;20130115;第39卷(第1期);第294-297页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109949076A (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190325342A1 (en) | Embedding multimodal content in a common non-euclidean geometric space | |
Akgül et al. | 3D model retrieval using probability density-based shape descriptors | |
US20200160124A1 (en) | Fine-grained image recognition | |
CN110210513B (zh) | 数据分类方法、装置及终端设备 | |
CN107786943B (zh) | 一种用户分群方法及计算设备 | |
CN111798273A (zh) | 产品的购买概率预测模型的训练方法及购买概率预测方法 | |
CN110765882B (zh) | 一种视频标签确定方法、装置、服务器及存储介质 | |
CN112966725B (zh) | 匹配模板图像的方法、装置及终端设备 | |
CN103886048A (zh) | 一种基于聚类的增量数字图书推荐方法 | |
CN111950570B (zh) | 目标图像提取方法、神经网络训练方法及装置 | |
CN113657087B (zh) | 信息的匹配方法及装置 | |
CN112529068B (zh) | 一种多视图图像分类方法、系统、计算机设备和存储介质 | |
CN112614110B (zh) | 评估图像质量的方法、装置及终端设备 | |
CN112348056A (zh) | 点云数据分类方法、装置、设备及可读存储介质 | |
CN110717405B (zh) | 人脸特征点定位方法、装置、介质及电子设备 | |
CN109949076B (zh) | 建立超球面映射模型的方法、信息推荐方法及装置 | |
CN111488479A (zh) | 超图构建方法、装置以及计算机系统和介质 | |
CN110210572B (zh) | 图像分类方法、装置、存储介质及设备 | |
US20230273826A1 (en) | Neural network scheduling method and apparatus, computer device, and readable storage medium | |
CN115661472A (zh) | 图像查重方法、装置、计算机设备及存储介质 | |
CN115424060A (zh) | 模型训练方法、图像分类方法和装置 | |
CN111767710B (zh) | 印尼语的情感分类方法、装置、设备及介质 | |
CN114819138A (zh) | 图数据处理方法、装置、电子设备及存储介质 | |
CN110837596B (zh) | 一种智能推荐方法、装置、计算机设备及存储介质 | |
Li et al. | Geometry-invariant texture retrieval using a dual-output pulse-coupled neural network |
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 |