CN109993627B - 推荐方法、推荐模型的训练方法、装置和存储介质 - Google Patents
推荐方法、推荐模型的训练方法、装置和存储介质 Download PDFInfo
- Publication number
- CN109993627B CN109993627B CN201910152707.7A CN201910152707A CN109993627B CN 109993627 B CN109993627 B CN 109993627B CN 201910152707 A CN201910152707 A CN 201910152707A CN 109993627 B CN109993627 B CN 109993627B
- Authority
- CN
- China
- Prior art keywords
- account
- friend
- user
- operation behavior
- behavior data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Abstract
本申请涉及一种推荐方法、推荐模型的训练方法、装置和存储介质,具体包括:当用户对操作对象没有直接操作行为数据时,将用户对操作对象的伪操作行为数据作为训练样本进行推荐模型训练来获取推荐模型,并基于所获取的推荐模型来确定向用户推荐的待推荐对象。本申请可以利用用户社交信息来补充训练样本数据,增加用于训练推荐模型的训练样本数据的数据量,从而有效提高了据此训练得到的对象推荐模型的预测准确率,进而提高了在使用该对象推荐模型进行对象推荐时的准确度。本申请可应用于人工智能(AI)中的智能推荐领域,通过优化对象推荐模型的预测准确率来实现更贴近用户需求的对象推荐,可以有效提高对象推荐的准确度。
Description
技术领域
本申请涉及数据处理技术领域,特别涉及一种推荐方法、推荐模型的训练方法、装置和存储介质。
背景技术
对象推荐功能是指从海量对象(如商品、音视频和资讯等)中主动挖掘用户喜好,并将其推荐给用户的功能。对象推荐功能能够实现信息过滤,来帮助用户快速发现自身所需信息,从而避免用户淹没在庞大而杂乱无序的网络内容中。
目前,往往通过推荐模型来实现对象推荐功能。具体地,可以获取目标用户的用户特征和待推荐对象的对象特征;将目标用户的用户特征和该待推荐对象的对象特征输入到推荐模型中,由该推荐模型输出该待推荐对象的推荐参数;根据该待推荐对象的推荐参数确定是否向目标用户推荐该待推荐对象。
在实现上述对象推荐功能之前,需要先训练出该推荐模型。具体地,可以获取多个用户中每个用户的用户特征和多个对象中每个对象的对象特征;对于该多个用户中的任一用户和该多个对象中的任一对象,如果存在这一用户对这一对象的直接操作行为数据,则将这一用户的用户特征、这一对象的对象特征和这一用户对这一对象的直接操作行为数据确定为一个训练样本;基于确定出的所有训练样本进行推荐模型训练,得到该推荐模型。
然而,对于该多个用户中的任一用户,这一用户通常只会对该多个对象中的一小部分对象有直接操作行为数据,而对该多个对象中的大部分对象没有直接操作行为数据,如此,这一用户与该多个对象中的大部分对象之间将不能构建训练样本,因而会导致最终确定出的训练样本的数量较少,从而导致据此训练得到的推荐模型的预测准确率较低,进而导致在使用该推荐模型进行对象推荐时的准确度较低。
发明内容
本申请提供了一种推荐方法、推荐模型的训练方法、装置和存储介质,可以解决相关技术中对象推荐准确度较低的问题。所述技术方案如下:
第一方面,提供了一种推荐方法,所述方法包括:
获取目标用户的用户特征和待推荐对象的对象特征;将所述目标用户的用户特征和所述待推荐对象的对象特征输入到对象推荐模型,获得所述待推荐对象的推荐参数;根据所述待推荐对象的推荐参数确定是否将所述待推荐对象作为目标推荐对象向所述目标用户进行推荐。
其中,所述对象推荐模型是基于第一训练样本进行推荐模型训练得到,所述第一训练样本包括第一用户的用户特征、第一对象的对象特征以及所述第一用户对所述第一对象的操作行为数据。
其中,当不存在所述第一用户对所述第一对象的直接操作行为数据时,所述第一用户对所述第一对象的操作行为数据为所述第一用户对所述第一对象的伪操作行为数据,所述第一用户对所述第一对象的伪操作行为数据是根据所述第一用户的第一账号与至少一个第一好友账号中每个第一好友账号之间的关联关系和所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据生成得到,所述至少一个第一好友账号为所述第一账号关联的好友账号中对所述第一对象有直接操作行为数据的好友账号。
可选地,某个用户对某个对象的操作行为数据可以为这个用户对这个对象的评分或点击率等其它操作行为数据。
在本申请实施例中,在训练得到对象推荐模型时,是在不存在第一用户对第一对象的直接操作行为数据时,以第一账号关联的至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据为依据,来生成第一账号对第一对象的伪操作行为数据作为第一用户对第一对象的操作行为数据,继而据此生成第一训练样本,也即是利用用户社交信息来补充第一训练样本,因而增加了用于训练推荐模型的第一训练样本的数量,从而有效提高了据此训练得到的对象推荐模型的预测准确率,进而提高了在使用对象推荐模型进行对象推荐时的准确度。
可选地,所述第一用户对所述第一对象的伪操作行为数据是将所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据乘以对应的权重后得到的数值进行累加得到;所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据对应的权重是当所述第一账号的好友喜好距离小于喜好距离阈值时,根据所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值确定得到;所述第一账号的好友喜好距离是根据所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值和所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据确定得到。
在本申请实施例中,当第一账号的好友喜好距离小于喜好距离阈值时,表明使用第一账号的第一用户的喜好与使用该至少一个第一好友账号的用户的整体喜好比较一致,因而此时该至少一个第一好友账号的直接操作行为数据对第一用户的操作行为具备较强的参考性,从而可以据此生成第一用户对第一对象的伪操作行为数据。由于是以第一账号的好友喜好距离来作为是否生成第一用户对第一对象的伪操作行为数据的依据,所以可以保证生成的伪操作行为数据的可靠度较高,从而可以保证后续据此构建的第一训练样本的数据质量足够高。
可选地,所述第一账号的好友喜好距离是将所述第一账号的关联数量、所述至少一个第一好友账号对所述第一对象的直接操作行为数据的平均值和标准差输入到喜好预测模型中后获得,所述第一账号的关联数量为所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值之和。
需要说明的是,喜好预测模型用于预测账号的好友喜好距离,该账号的好友喜好距离用于指示使用该账号的用户的喜好与使用该账号关联的好友账号的用户的喜好之间的差异程度。
在本申请实施例中,第一账号的关联数量、该至少一个第一好友账号对第一对象的直接操作行为数据的平均值和标准差为第一账号的好友操作行为特征,将第一账号的好友操作行为特征输入到喜好预测模型中后,喜好预测模型就可以预测第一账号的好友喜好距离,继而输出第一账号的好友喜好距离。
第二方面,提供了一种推荐模型的训练方法,所述方法包括:
获取第一用户的用户特征、第一对象的对象特征和所述第一用户对所述第一对象的操作行为数据;将所述第一用户的用户特征、所述第一对象的对象特征以及所述第一用户对所述第一对象的操作行为数据确定为一个第一训练样本;基于所述第一训练样本进行推荐模型训练,得到对象推荐模型。
其中,所述获取所述第一用户对所述第一对象的操作行为数据,包括:当不存在所述第一用户对所述第一对象的直接操作行为数据时,从所述第一用户的第一账号关联的好友账号中获取对所述第一对象有直接操作行为数据的至少一个第一好友账号;根据所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系和所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据,生成所述第一用户对所述第一对象的伪操作行为数据;将所述第一用户对所述第一对象的伪操作行为数据确定为所述第一用户对所述第一对象的操作行为数据。
在本申请实施例中,当不存在第一用户对第一对象的直接操作行为数据时,可以以第一用户的第一账号关联的至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据为依据,来生成第一用户对第一对象的伪操作行为数据作为第一用户对第一对象的操作行为数据,继而据此生成一个第一训练样本。也即是,本申请实施例中可以利用用户社交信息来补充第一训练样本,从而增加了用于训练推荐模型的第一训练样本的数量,进而可以提高据此训练得到的对象推荐模型的预测准确率。
另外,本申请实施例在引入用户社交信息的同时,无需改变原有的推荐模型的结构和训练方式,而是利用用户社交信息生成伪操作行为数据,以据此增加用于进行推荐模型训练的第一训练样本的数量,从而在不降低原有的推荐模型复杂度的情况下,可以有效提高训练得到的对象推荐模型的预测准确率。并且,由于在引入用户社交信息的同时,无需对原有的推荐模型进行重新设计,因而其可以作为独立的模块附加到任何现有的对象推荐场景中,适用性较强。
其中,所述基于所述第一训练样本进行推荐模型训练,得到对象推荐模型,包括:以所述第一用户的用户特征和所述第一对象的对象特征为输入,且以所述第一用户对所述第一对象的操作行为数据为样本标记,对待训练推荐模型进行训练,得到对象推荐模型。
也即是,可以将第一用户的用户特征和第一对象的对象特征输入到待训练推荐模型中,在得到该待训练推荐模型的输出后,根据该待训练推荐模型的输出与该样本标记之间的差距,使用损失函数对该待训练推荐模型中的参数进行调整,得到对象推荐模型。
进一步地,所述推荐模型用于向目标用户推荐目标推荐对象,所述基于所述第一训练样本进行推荐模型训练,得到推荐模型之后,还包括:获取所述目标用户的用户特征和待推荐对象的对象特征;将所述目标用户的用户特征和所述待推荐对象的对象特征输入到所述对象推荐模型,获得所述待推荐对象的推荐参数;根据所述待推荐对象的推荐参数确定是否将所述待推荐对象作为所述目标推荐对象向所述目标用户进行推荐。
值得注意的是,可以在接收到终端发送的页面访问请求时,获取目标用户的用户特征和待推荐对象的对象特征。其中,页面访问请求用于请求对某一页面进行访问,此时目标用户为使用终端当前登录的账号的用户,待推荐对象为能够在该页面上显示的对象。这种情况下,将该待推荐对象作为目标推荐对象向目标用户进行推荐时,可以将该推荐物品显示在该页面上,以实现对目标推荐对象的推荐。
其中,所述根据所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系和所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据,生成所述第一用户对所述第一对象的伪操作行为数据,包括:根据所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值和所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据,确定所述第一账号的好友喜好距离;当所述第一账号的好友喜好距离小于喜好距离阈值时,根据所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值,确定所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据对应的权重;将所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据乘以对应的权重后得到的数值进行累加,得到所述第一用户对所述第一对象的伪操作行为数据。
在本申请实施例中,当第一账号的好友喜好距离小于喜好距离阈值时,表明使用第一账号的第一用户的喜好与使用该至少一个第一好友账号的用户的整体喜好比较一致,因而此时该至少一个第一好友账号的直接操作行为数据对第一用户的操作行为具备较强的参考性,从而可以据此生成第一用户对第一对象的伪操作行为数据。由于是以第一账号的好友喜好距离来作为是否生成第一用户对第一对象的伪操作行为数据的依据,所以可以保证生成的伪操作行为数据的可靠度较高,从而可以保证后续据此构建的第一训练样本的数据质量足够高。
其中,所述根据所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值和所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据,确定所述第一账号的好友喜好距离,包括:将所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值之和确定为所述第一账号的关联数量;确定所述至少一个第一好友账号对所述第一对象的直接操作行为数据的平均值和标准差;将所述第一账号的关联数量、所述至少一个第一好友账号对所述第一对象的直接操作行为数据的平均值和标准差输入到喜好预测模型中,获得所述第一账号的好友喜好距离。
需要说明的是,喜好预测模型用于预测账号的好友喜好距离,该账号的好友喜好距离用于指示使用该账号的用户的喜好与使用该账号关联的好友账号的用户的喜好之间的差异程度。
在本申请实施例中,第一账号的关联数量、该至少一个第一好友账号对第一对象的直接操作行为数据的平均值和标准差为第一账号的好友操作行为特征,将第一账号的好友操作行为特征输入到喜好预测模型中后,喜好预测模型就可以预测第一账号的好友喜好距离,继而输出第一账号的好友喜好距离。
进一步地,所述将所述第一账号的关联数量、所述至少一个第一好友账号对所述第一对象的直接操作行为数据的平均值和标准差输入到喜好预测模型中之前,还包括:当存在第二用户对第二对象的直接操作行为数据时,从所述第二用户的第二账号关联的好友账号中获取对所述第二对象有直接操作行为数据的至少一个第二好友账号;将所述第二账号与所述至少一个第二好友账号中每个第二好友账号之间的关联关系对应的关联值进行累加,得到所述第二账号的关联数量;确定所述至少一个第二好友账号对所述第二对象的直接操作行为数据的平均值和标准差;根据所述第二账号与所述至少一个第二好友账号中每个第二好友账号之间的关联关系对应的关联值,确定所述至少一个第二好友账号中每个第二好友账号对所述第二对象的直接操作行为数据对应的权重;将所述至少一个第二好友账号中每个第二好友账号对所述第二对象的直接操作行为数据乘以对应的权重后得到的数值进行累加,得到好友操作行为数据;将所述第二账号对所述第二对象的直接操作行为数据与所述好友操作行为数据之间的差值确定为所述第二账号的好友喜好距离;将所述第二账号的关联数量、所述至少一个第二好友账号对所述第二对象的直接操作行为数据的平均值和标准差以及所述第二账号的好友喜好距离确定为一个第二训练样本;基于所述第二训练样本进行预测模型训练,得到所述喜好预测模型。
需要说明的是,第二账号的关联数量、该至少一个第二好友账号对第二对象的直接操作行为数据的平均值和标准差为第二账号的好友操作行为特征。
在本申请实施例中,可以通过第二账号的好友操作行为特征和第二账号的好友喜好距离来构建一个第二训练样本,并以此来进行预测模型训练,得到喜好预测模型,如此训练得到的喜好预测模型可以准确预测出账号的好友喜好距离。
进一步地,所述将所述第一用户的用户特征、所述第一对象的对象特征以及所述第一用户对所述第一对象的操作行为数据确定为一个第一训练样本之后,还包括:当所述第一用户对所述第一对象的操作行为数据为所述第一用户对所述第一对象的伪操作行为数据时,根据所述第一账号的好友喜好距离,确定所述第一训练样本对应的权重。相应地,所述基于所述第一训练样本进行推荐模型训练,得到对象推荐模型,包括:基于所述第一训练样本和所述第一训练样本对应的权重进行推荐模型训练,得到对象推荐模型。
需要说明的是,第一训练样本对应的权重越大,第一训练样本的可靠度越高,第一训练样本对应的权重越小,第一训练样本的可靠度越低。
在本申请实施例中,在基于第一训练样本进行推荐模型训练时,考虑了第一训练样本本身的可靠度,从而使得模型训练能够达到最佳效果,进而进一步提高了训练得到的对象推荐模型的预测准确率。
其中,所述根据所述第一账号的好友喜好距离,确定所述第一训练样本对应的权重,包括:根据所述第一账号的好友喜好距离,通过公式W=e-f确定所述第一训练样本对应的权重。其中,所述W为所述第一训练样本对应的权重,所述f为所述第一账号的好友喜好距离,所述e为自然常数。
需要说明的是,当第一用户对第一对象的操作行为数据为第一用户对第一对象的伪操作行为数据时,第一用户对第一对象的伪操作行为数据的可靠度取决于第一账号的好友喜好距离的大小,因而当第一账号的好友喜好距离越小时,以该伪操作行为数据构建的第一训练样本对应的权重越大,当第一账号的好友喜好距离越大时,第一训练样本对应的权重越小。
第三方面,提供了一种推荐装置,所述推荐装置具有实现上述第一方面中推荐方法行为的功能。所述推荐装置包括至少一个模块,所述至少一个模块用于实现上述第一方面所提供的推荐方法。
第四方面,提供了一种推荐模型的训练装置,所述推荐模型的训练装置具有实现上述第二方面中推荐模型的训练方法行为的功能。所述推荐模型的训练装置包括至少一个模块,所述至少一个模块用于实现上述第二方面所提供的推荐模型的训练方法。
第五方面,提供了一种推荐装置,所述推荐装置中包括处理器和用于存储处理器可执行指令的存储器,所述处理器被配置为:
获取目标用户的用户特征和待推荐对象的对象特征;将所述目标用户的用户特征和所述待推荐对象的对象特征输入到对象推荐模型,获得所述待推荐对象的推荐参数;根据所述待推荐对象的推荐参数确定是否将所述待推荐对象作为目标推荐对象向所述目标用户进行推荐。
其中,所述对象推荐模型是基于第一训练样本进行推荐模型训练得到,所述第一训练样本包括第一用户的用户特征、第一对象的对象特征以及所述第一用户对所述第一对象的操作行为数据。
其中,当不存在所述第一用户对所述第一对象的直接操作行为数据时,所述第一用户对所述第一对象的操作行为数据为所述第一用户对所述第一对象的伪操作行为数据,所述第一用户对所述第一对象的伪操作行为数据是根据所述第一用户的第一账号与至少一个第一好友账号中每个第一好友账号之间的关联关系和所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据生成得到,所述至少一个第一好友账号为所述第一账号关联的好友账号中对所述第一对象有直接操作行为数据的好友账号。
可选地,所述第一用户对所述第一对象的伪操作行为数据是将所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据乘以对应的权重后得到的数值进行累加得到;所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据对应的权重是当所述第一账号的好友喜好距离小于喜好距离阈值时,根据所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值确定得到;所述第一账号的好友喜好距离是根据所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值和所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据确定得到。
可选地,所述第一账号的好友喜好距离是将所述第一账号的关联数量、所述至少一个第一好友账号对所述第一对象的直接操作行为数据的平均值和标准差输入到喜好预测模型中后获得,所述第一账号的关联数量为所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值之和。
第六方面,提供了一种推荐模型的训练装置,所述推荐装置中包括处理器和用于存储处理器可执行指令的存储器,所述处理器被配置为:
获取第一用户的用户特征、第一对象的对象特征和所述第一用户对所述第一对象的操作行为数据;将所述第一用户的用户特征、所述第一对象的对象特征以及所述第一用户对所述第一对象的操作行为数据确定为一个第一训练样本;基于所述第一训练样本进行推荐模型训练,得到对象推荐模型。
其中,所述处理器被配置为:
当不存在所述第一用户对所述第一对象的直接操作行为数据时,从所述第一用户的第一账号关联的好友账号中获取对所述第一对象有直接操作行为数据的至少一个第一好友账号;
根据所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系和所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据,生成所述第一用户对所述第一对象的伪操作行为数据;
将所述第一用户对所述第一对象的伪操作行为数据确定为所述第一用户对所述第一对象的操作行为数据。
可选地,所述处理器被配置为:
以所述第一用户的用户特征和所述第一对象的对象特征为输入,且以所述第一用户对所述第一对象的操作行为数据为样本标记,对待训练推荐模型进行训练,得到对象推荐模型。
可选地,所述处理器被配置为:
根据所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值和所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据,确定所述第一账号的好友喜好距离;
当所述第一账号的好友喜好距离小于喜好距离阈值时,根据所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值,确定所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据对应的权重;
将所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据乘以对应的权重后得到的数值进行累加,得到所述第一用户对所述第一对象的伪操作行为数据。
可选地,所述处理器被配置为:
将所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值之和确定为所述第一账号的关联数量;
确定所述至少一个第一好友账号对所述第一对象的直接操作行为数据的平均值和标准差;
将所述第一账号的关联数量、所述至少一个第一好友账号对所述第一对象的直接操作行为数据的平均值和标准差输入到喜好预测模型中,获得所述第一账号的好友喜好距离。
可选地,所述处理器还被配置为:
当存在第二用户对第二对象的直接操作行为数据时,从所述第二用户的第二账号关联的好友账号中获取对所述第二对象有直接操作行为数据的至少一个第二好友账号;
将所述第二账号与所述至少一个第二好友账号中每个第二好友账号之间的关联关系对应的关联值进行累加,得到所述第二账号的关联数量;确定所述至少一个第二好友账号对所述第二对象的直接操作行为数据的平均值和标准差;
根据所述第二账号与所述至少一个第二好友账号中每个第二好友账号之间的关联关系对应的关联值,确定所述至少一个第二好友账号中每个第二好友账号对所述第二对象的直接操作行为数据对应的权重;将所述至少一个第二好友账号中每个第二好友账号对所述第二对象的直接操作行为数据乘以对应的权重后得到的数值进行累加,得到好友操作行为数据;将所述第二账号对所述第二对象的直接操作行为数据与所述好友操作行为数据之间的差值确定为所述第二账号的好友喜好距离;
将所述第二账号的关联数量、所述至少一个第二好友账号对所述第二对象的直接操作行为数据的平均值和标准差以及所述第二账号的好友喜好距离确定为一个第二训练样本;
基于所述第二训练样本进行预测模型训练,得到所述喜好预测模型。
可选地,所述处理器还被配置为:
当所述第一用户对所述第一对象的操作行为数据为所述第一用户对所述第一对象的伪操作行为数据时,根据所述第一账号的好友喜好距离,确定所述第一训练样本对应的权重;
相应地,所述处理器被配置为:
基于所述第一训练样本和所述第一训练样本对应的权重进行推荐模型训练,得到对象推荐模型。
可选地,所述处理器还被配置为:
根据所述第一账号的好友喜好距离,通过如下公式确定所述第一训练样本对应的权重;
W=e-f
其中,所述W为所述第一训练样本对应的权重,所述f为所述第一账号的好友喜好距离,所述e为自然常数。
第七方面,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述第一方面所述的推荐方法。
第八方面,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述第二方面所述的推荐模型的训练方法。
第九方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述第一方面所述的推荐方法。
第十方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述第二方面所述的推荐模型的训练方法。
上述第三方面、第五方面、第七方面和第九方面所获得的技术效果与上述第一方面中对应的技术手段获得的技术效果近似,在这里不再赘述。
上述第四方面、第六方面、第八方面和第十方面所获得的技术效果与上述第二方面中对应的技术手段获得的技术效果近似,在这里不再赘述。
本申请提供的技术方案至少可以带来以下有益效果:
获取目标用户的用户特征和待推荐对象的对象特征后,将目标用户的用户特征和该待推荐对象的对象特征输入到对象推荐模型,获得该待推荐对象的推荐参数。之后,根据该待推荐对象的推荐参数确定是否将该待推荐对象作为目标推荐对象向目标用户进行推荐。由于在训练得到对象推荐模型时,是在不存在第一用户对第一对象的直接操作行为数据时,以第一账号关联的至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据为依据,来生成第一账号对第一对象的伪操作行为数据作为第一用户对第一对象的操作行为数据,继而据此生成第一训练样本,也即是利用用户社交信息来补充第一训练样本,因而增加了用于训练推荐模型的第一训练样本的数量,从而有效提高了据此训练得到的对象推荐模型的预测准确率,进而提高了在使用对象推荐模型进行对象推荐时的准确度。
附图说明
图1是本申请实施例提供的一种推荐模型训练系统的结构示意图;
图2是本申请实施例提供的一种系统架构的结构示意图;
图3是本申请实施例提供的一种计算机设备的结构示意图;
图4是本申请实施例提供的一种推荐方法的流程图;
图5是本申请实施例提供的一种推荐模型的训练方法的流程图;
图6是本申请实施例提供的一种操作行为数据的获取操作的流程图;
图7是本申请实施例提供的一种预测模型的训练操作的流程图;
图8是本申请实施例提供的一种推荐装置的结构示意图;
图9是本申请实施例提供的一种推荐模型的训练装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请的实施方式作进一步地详细描述。
在对本申请实施例进行详细地解释说明之前,对本申请实施例涉及的应用场景和推荐模型训练系统予以说明。
下面对本申请实施例涉及的应用场景进行说明。
本申请实施例是一种在对象推荐系统中引入用户社交信息的方案,能够应用于根据评分、点击率等信息进行对象推荐的推荐模型中,为用户带来更准确的个性化推荐。
目前,在对象推荐场景中,当用户发出对一个页面的访问请求时,对象推荐系统会将该用户的用户特征和能够在该页面上显示的待推荐对象的对象特征输入到推荐模型中,推荐模型会根据输入的特征对用户的操作行为进行预测,并给出每个操作行为的打分,然后对象推荐系统会根据推荐模型输出的打分确定用户在该页面中最有可能点击的待推荐对象并进行推荐。同时,用户在该页面中真实的操作行为会存储到操作行为数据集中作为训练数据来进行推荐模型训练,以不断更新推荐模型中的参数,提高推荐模型的预测效果。
本申请实施例中,在引入用户社交信息后,在推荐模型训练过程中,不仅会利用到用户在操作行为数据集中的数据,而且会利用到用户的社交信息,从而使得推荐模型对用户喜好的预测值更加准确,提高了推荐模型的预测准确率。
下面对本申请实施例涉及的推荐模型训练系统进行说明。
图1是本申请实施例提供的一种推荐模型训练系统的结构示意图。参见图1,该对象推荐系统包括:喜好距离预测模块101、训练样本生成模块102和推荐模型训练模块103。
喜好距离预测模块101:同时利用用户的社交信息和用户的操作行为数据,训练得到喜好预测模型,该喜好预测模型用于预测用户的好友喜好距离,用户的好友喜好距离越小,表明用户与其好友的喜好越一致,用户的好友喜好距离越大,表明用户与其好友的喜好越不一致。
训练样本生成模块102:对于某个用户和某个对象,如果存在该用户对该对象的直接操作行为数据,则根据该直接操作行为数据构建一个训练样本;如果不存在该用户对该对象的直接操作行为数据,则使用喜好距离预测模块101中训练得到的喜好预测模型确定该用户的好友喜好距离,当该用户的好友喜好距离较小时,根据该用户的好友对该对象的直接操作行为数据生成该用户对该对象的伪操作行为数据,并根据该伪操作行为数据构建一个训练样本。
推荐模型训练模块103:基于训练样本生成模块102构建的训练样本进行推荐模型训练,得到对象推荐模型,该对象推荐模型用于向目标用户推荐目标推荐对象。
接下来对本申请实施例提供的系统架构予以说明。
图2是本申请实施例提供的一种系统架构200的结构示意图。参见图2,数据采集设备260用于采集操作行为数据并存入数据库230,训练设备220基于数据库230中维护的操作行为数据生成对象推荐模型201。下面将更详细地描述训练设备220如何基于操作行为数据得到对象推荐模型201。
训练设备220得到的对象推荐模型201可以应用不同的系统或设备中。在图2中,执行设备210配置有输入/输出(input/output,I/O)接口212,与外部设备进行数据交互,“用户”可以通过客户设备240向I/O接口212输入数据。执行设备210可以调用数据存储系统250中的数据、代码等,也可以将数据、指令等存入数据存储系统250中。
计算模块211使用对象推荐模型201对输入的数据进行处理,具体地,计算模块211可以将用户的用户特征和对象的对象特征输入对象推荐模型201中,获得该对象的推荐参数。关联功能模块213可以根据该对象的推荐参数确定是否将该对象推荐给用户。如果关联功能模块213确定将该对象推荐给用户,则I/O接口212将该对象作为处理结果返回给客户设备240,提供给用户。
更深层地,训练设备220可以针对不同的目标,基于不同的数据生成相应的对象推荐模型201,以给用户提供更佳的结果。
在图2中所示情况下,用户可以手动指定输入执行设备210中的数据,例如,在I/O接口212提供的界面中操作。另一种情况下,客户设备240可以自动地向I/O接口212输入数据并获得结果,如果客户设备240自动输入数据需要获得用户的授权,用户可以在客户设备240中设置相应权限。用户可以在客户设备240查看执行设备210输出的结果,具体的呈现形式可以是显示、声音、动作等具体方式。客户设备240也可以作为数据采集端将采集到操作行为数据存入数据库230。
值得注意的,图2仅是本申请实施例提供的一种系统架构的示意图,图中所示设备、器件、模块等之间的位置关系不构成任何限制,例如,在图2中,数据存储系统250相对执行设备210是外部存储器,在其它情况下,也可以将数据存储系统250置于执行设备210中。同样,图中的执行设备210可以是独立设置的设备,也可以设置于用户的客户设备240中。
接下来对本申请实施例提供的计算机设备进行说明。
图3是本申请实施例提供的一种计算机设备的结构示意图,图2所示的系统架构可以通过该计算机设备实现。参见图3,该计算机设备包括至少一个处理器301、通信总线302、存储器303以及至少一个通信接口304。
处理器301可以是一个通用中央处理器(Central Processing Unit,CPU)、微处理器、特定应用集成电路(application-specific integrated circuit,ASIC),或者可以是一个或多个用于控制本申请方案程序执行的集成电路。
通信总线302可包括一通路,用于在上述组件之间传送信息。
存储器303可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其它类型的静态存储设备,也可以是随机存取存储器(random access memory,RAM)或者可存储信息和指令的其它类型的动态存储设备,也可以是电可擦可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其它光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其它磁存储设备,或者是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其它介质,但不限于此。存储器303可以是独立存在,并通过通信总线302与处理器301相连接。存储器303也可以和处理器301集成在一起。
通信接口304使用任何收发器一类的装置,用于与其它设备或通信网络通信,如以太网,无线接入网(RadioAccess Network,RAN)、无线局域网(Wireless Local AreaNetworks,WLAN)等。
在具体实现中,作为一种实施例,处理器301可以包括一个或多个CPU,如图3中所示的CPU0和CPU1。
在具体实现中,作为一种实施例,计算机设备可以包括多个处理器,如图3中所示的处理器301和处理器305。这些处理器中的每一个可以是一个单核处理器(single-CPU),也可以是一个多核处理器(multi-CPU)。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(如计算机程序指令)的处理核。
在具体实现中,作为一种实施例,计算机设备还可以包括输出设备306和输入设备307。输出设备306和处理器301通信,可以以多种方式来显示信息。例如,输出设备306可以是液晶显示器(liquidcrystal display,LCD)、发光二级管(light emitting diode,LED)显示设备、阴极射线管(cathode ray tube,CRT)显示设备或投影仪(projector)等。输入设备307和处理器301通信,可以以多种方式接收用户的输入。例如,输入设备307可以是鼠标、键盘、触摸屏设备或传感设备等。
上述的计算机设备可以是一个通用计算机设备或一个专用计算机设备。在具体实现中,计算机设备可以是台式机、便携式电脑、网络服务器、掌上电脑(PersonalDigitalAssistant,PDA)、移动手机、平板电脑、无线终端设备、通信设备或嵌入式设备,本申请实施例不限定计算机设备的类型。
其中,存储器303用于存储执行本申请方案的程序代码310,处理器301用于执行存储器303中存储的程序代码310。该计算机设备可以通过处理器301以及存储器303中的程序代码310,来实现下文图4实施例提供的推荐方法,和/或,实现下文图5实施例提供的推荐模型的训练方法。
接下来对本申请实施例提供的推荐方法予以说明。
图4是本申请实施例提供的一种推荐方法的流程图。参见图4,该方法包括:
步骤401:获取目标用户的用户特征和待推荐对象的对象特征。
需要说明的是,目标用户可以为注册有账号的用户,目标用户的用户特征可以包括目标用户的属性信息(如性别、年龄等)、个性化信息(如标签等)和历史访问记录等中的至少一个,本申请实施例对此不作限定。
另外,待推荐对象可以为商品、音视频或资讯等。待推荐对象的对象特征可以包括该待推荐对象对象的名称、类型、用途和简介等中的至少一个,本申请实施例对此不作限定。
步骤402:将目标用户的用户特征和该待推荐对象的对象特征输入到对象推荐模型,获得该待推荐对象的推荐参数。
需要说明的是,将目标用户的用户特征和该待推荐对象的对象特征输入到对象推荐模型后,对象推荐模型就可以预测目标用户对该待推荐对象的操作行为数据,继而输出目标用户对该待推荐对象的操作行为数据作为该待推荐对象的推荐参数。该推荐参数还可以是基于预测的目标用户对该待推荐对象的操作行为数据进行分析处理后的结果,例如,操作行为数据大于0.5时,输出推荐参数为1,表示推荐,操作行为数据小于0.5时,输出推荐参数为0,表示不推荐。
另外,对象推荐模型是基于第一训练样本进行推荐模型训练得到,第一训练样本包括第一用户的用户特征、第一对象的对象特征以及第一用户对第一对象的操作行为数据。
其中,当不存在第一用户对第一对象的直接操作行为数据时,第一用户对第一对象的操作行为数据为第一用户对第一对象的伪操作行为数据,第一用户对第一对象的伪操作行为数据是根据第一用户的第一账号与至少一个第一好友账号中每个第一好友账号之间的关联关系和该至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据生成得到,该至少一个第一好友账号为第一账号关联的好友账号中对第一对象有直接操作行为数据的好友账号。
需要说明的是,训练得到对象推荐模型的过程将在下文图5实施例中进行详细说明,此处不再赘述。
步骤403:根据该待推荐对象的推荐参数确定是否将该待推荐对象作为目标推荐对象向目标用户进行推荐。
具体地,可以是当该待推荐对象的推荐参数大于或等于参数阈值时,将该待推荐对象作为目标推荐对象向目标用户进行推荐;当该待推荐对象的推荐参数小于参数阈值时,不将该待推荐对象作为目标推荐对象向目标用户进行推荐。当然,也可以根据该待推荐对象的推荐参数,通过其它方式确定是否将该待推荐对象作为目标推荐对象向目标用户进行推荐,本申请实施例对此不作限定。
值得注意的是,实际应用中,在步骤401中可以当接收到终端发送的页面访问请求时,再获取目标用户的用户特征和待推荐对象的对象特征,该页面访问请求用于请求对某一页面进行访问,此时目标用户为使用终端当前登录的账号的用户,待推荐对象为能够在该页面上显示的对象。这种情况下,在步骤403中将该待推荐对象作为目标推荐对象向目标用户进行推荐时,可以将该推荐物品显示在该页面上,以实现对目标推荐对象的推荐。
在本申请实施例中,获取目标用户的用户特征和待推荐对象的对象特征后,将目标用户的用户特征和该待推荐对象的对象特征输入到对象推荐模型,获得该待推荐对象的推荐参数。之后,根据该待推荐对象的推荐参数确定是否将该待推荐对象作为目标推荐对象向目标用户进行推荐。由于在训练得到对象推荐模型时,是在不存在第一用户对第一对象的直接操作行为数据时,以第一账号关联的至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据为依据,来生成第一账号对第一对象的伪操作行为数据作为第一用户对第一对象的操作行为数据,继而据此生成第一训练样本,也即是利用用户社交信息来补充第一训练样本,因而增加了用于训练推荐模型的第一训练样本的数量,从而有效提高了据此训练得到的对象推荐模型的预测准确率,进而提高了在使用对象推荐模型进行对象推荐时的准确度。
接下来对本申请实施例提供的推荐模型的训练方法予以说明。
图5是本申请实施例提供的一种推荐模型的训练方法的流程图。参见图5,该方法包括:
步骤501:获取第一用户的用户特征、第一对象的对象特征和第一用户对第一对象的操作行为数据。
需要说明的是,第一用户可以为注册有账号的用户,如第一用户可以注册有第一账号。第一用户的用户特征可以包括第一用户的属性信息(如性别、年龄等)、个性化信息(如标签等)和历史访问记录等中的至少一个,本申请实施例对此不作限定。
另外,第一对象可以为商品、音视频或资讯等。第一对象的对象特征可以包括第一对象的名称、类型、用途和简介等中的至少一个,本申请实施例对此不作限定。
再者,第一用户对第一对象的操作行为数据可以为第一用户对第一对象的评分或点击率等,本申请实施例对此不作限定。
其中,获取第一用户的用户特征的操作与相关技术中获取某个用户的用户特征的操作类似,本申请实施例对此不进行详细阐述。
其中,获取第一对象的对象特征的操作与相关技术中获取某个对象的对象特征的操作类似,本申请实施例对此不进行详细阐述。
其中,获取第一用户对第一对象的操作行为数据的操作可以包括如下两种方式。
第一种方式、当存在第一用户对第一对象的直接操作行为数据时,将第一用户对第一对象的直接操作行为数据确定为第一用户对第一对象的操作行为数据。
需要说明的是,第一用户对第一对象的直接操作行为数据也可称为第一账号对第一对象的直接操作行为数据,该直接操作行为数据为真实的操作行为数据,即为第一用户使用第一账号对第一对象进行的操作行为的相关数据。例如,第一用户对第一对象的直接操作行为数据可以为第一用户使用第一账号对第一对象作出的评分、第一用户使用第一账号对第一对象进行点击后统计出的点击率等。
值得注意的是,实际应用中,可以事先将多个用户对多个对象的直接操作行为数据存储于操作行为数据集中,然后可以直接从该操作行为数据集中获取第一用户对第一对象的直接操作行为数据。该操作行为数据集可以通过操作行为矩阵展现,例如,该操作行为数据集可以通过如下表1所示的操作行为矩阵展现,该操作行为矩阵中的元素为直接操作行为数据。其中,该操作行为矩阵中第i行第j列的元素为该多个用户中第i个用户对该多个对象中第j个对象的直接操作行为数据,如果该操作行为矩阵中第i行第j列的元素为空,则代表该多个用户中第i个用户对该多个对象中第j个对象没有直接操作行为数据。如由表1的第1行中的元素可知,该多个用户中第1个用户对该多个对象中第1个对象的直接操作行为数据为3,该多个用户中第1个用户对该多个对象中第2个对象没有直接操作行为数据,该多个用户中第1个用户对该多个对象中第3个对象的直接操作行为数据为2。
表1
3 | 2 | |
4 | 3 | |
2 |
需要说明的是,本申请实施例仅以上表1为例对用于展现操作行为数据集的操作行为矩阵进行说明,上表1并不对本申请实施例构成限定。
第二种方式、如图6所示,可以包括如下步骤5011-步骤5013:
步骤5011:当不存在第一用户对第一对象的直接操作行为数据时,从第一用户的第一账号关联的好友账号中获取对第一对象有直接操作行为数据的至少一个第一好友账号。
需要说明的是,该至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据为使用每个第一好友账号的用户对第一对象的直接操作行为数据,该直接操作行为数据为真实的操作行为数据,即为用户使用第一好友账号对第一对象进行的操作行为的相关数据。该至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据可以从上述的操作行为数据集中获取得到,当然,也可以通过其它方式获取得到,本申请实施例对此不作限定。
另外,第一账号关联的好友账号为与第一账号存在关联关系的账号,第一账号与任意一个好友账号之间的关联关系是与第一账号与这个好友账号之间的关联值对应的。关联关系对应的关联值可以预先进行设置。例如,在能够进行单方关联的场景下,该关联关系可以包括互相关注关系、关注关系或被关注关系,这种情况下,互相关注关系对应的关联值可以大于关注关系对应的关联值,关注关系对应的关联值可以大于被关注关系对应的关联值,如互相关注关系对应的关联值可以为3,关注关系对应的关联值可以为2,被关注关系对应的关联值可以为1,本申请实施例对此不作限定;在仅能够进行双方关联的场景下,该关联关系可以包括好友关系,这种情况下,好友关系对应的关联值可以为1、2或3等,本申请实施例对此不作限定。
值得注意的是,实际应用中,可以将多个账号彼此之间的关联关系对应的关联值存储于关联值集中,然后可以直接从该关联值集中获取第一账号与该至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值。该关联值集可以通过关联矩阵展现,例如,该关联值集可以通过如下表2所示的关联矩阵展现,该关联矩阵中的元素为关联值。其中,该关联矩阵中第i行第j列的元素为该多个账号中第i个账号与第j个账号之间的关联关系对应的关联值,如果该关联矩阵中第i行第j列的元素为空,则代表该多个账号中第i个账号与第j个账号之间不存在关联关系。如由表2的第1行中的元素可知,该多个账号中第1个账号与第2个账号之间不存在关联关系,该多个账号中第1个账号与第3个账号之间的关联关系对应的关联值为2。
表2
X | 2 | |
1 | X | 1 |
1 | 3 | X |
需要说明的是,本申请实施例仅以上表2为例对用于展现关联值集的关联矩阵进行说明,上表2并不对本申请实施例构成限定。
步骤5012:根据第一账号与该至少一个第一好友账号中每个第一好友账号之间的关联关系和该至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据,生成第一用户对第一对象的伪操作行为数据。
具体地,可以根据第一账号与该至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值和该至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据,确定第一账号的好友喜好距离;当第一账号的好友喜好距离小于喜好距离阈值时,根据第一账号与该至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值,确定该至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据对应的权重;将该至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据乘以对应的权重后得到的数值进行累加,得到第一用户对第一对象的伪操作行为数据。
进一步地,当第一账号的好友喜好距离大于或等于喜好距离阈值时,结束操作,不生成第一用户对第一对象的伪操作行为数据。
需要说明的是,第一账号的好友喜好距离用于指示使用第一账号的第一用户的喜好与使用该至少一个第一好友账号的用户的整体喜好之间的差异程度。
另外,喜好距离阈值可以预先进行设置,本申请实施例对此不作限定。当第一账号的好友喜好距离小于喜好距离阈值时,表明使用第一账号的第一用户的喜好与使用该至少一个第一好友账号的用户的整体喜好比较一致,因而此时该至少一个第一好友账号的直接操作行为数据对第一用户的操作行为具备较强的参考性,从而可以据此生成第一用户对第一对象的伪操作行为数据。当第一账号的好友喜好距离大于或等于喜好距离阈值时,表明使用第一账号的第一用户的喜好与使用该至少一个第一好友账号的用户的整体喜好相差较大,因而此时该至少一个第一好友账号的直接操作行为数据对第一用户的操作行为的参考性很小,从而可以结束操作,不生成第一用户对第一对象的伪操作行为数据。
再者,本申请实施例以第一账号的好友喜好距离来作为是否生成第一用户对第一对象的伪操作行为数据的依据,从而可以保证生成的伪操作行为数据的可靠度较高,进而可以保证后续据此构建的第一训练样本的数据质量足够高。
需要说明的是,该至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据可以为评分或点击率等。
示例地,当将该至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据为评分时,假设该至少一个第一好友账号为账号1、账号2和账号3,账号1、账号2、账号3对第一对象的评分依次为4、10、8,账号1、账号2、账号3对第一对象的评分对应的权重依次为0.3、0.5、0.2,则可以将账号1、账号2、账号3对第一对象的评分乘以对应的权重后得到的数值进行累加,具体是4×0.3+10×0.5+8×0.2=7.8,此时7.8为第一用户对第一对象的伪操作行为数据(即伪评分)。
示例地,当将该至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据为点击率时,假设该至少一个第一好友账号为账号1、账号2和账号3,账号1、账号2、账号3对第一对象的点击率依次为80%、50%、60%,账号1、账号2、账号3对第一对象的点击率对应的权重依次为0.3、0.6、0.1,则可以将账号1、账号2、账号3对第一对象的点击率乘以对应的权重后得到的数值进行累加,具体是80%×0.3+50%×0.6+60%×0.1=60%,此时60%为第一用户对第一对象的伪操作行为数据(即伪点击率)。
其中,根据第一账号与该至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值,确定该至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据对应的权重的操作可以为:对于该至少一个第一好友账号中的任意一个第一好友账号,将第一账号与这个第一好友账号之间的关联关系对应的关联值除以第一账号与该至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值之和,得到这个第一好友账号对第一对象的直接操作行为数据对应的权重。
其中,根据第一账号与该至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值和该至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据,确定第一账号的好友喜好距离的操作可以为:将第一账号与该至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值之和确定为第一账号的关联数量;确定该至少一个第一好友账号对第一对象的直接操作行为数据的平均值和标准差;将第一账号的关联数量、该至少一个第一好友账号对第一对象的直接操作行为数据的平均值和标准差输入到喜好预测模型中,获得第一账号的好友喜好距离。
需要说明的是,喜好预测模型用于预测账号的好友喜好距离,该账号的好友喜好距离用于指示使用该账号的用户的喜好与使用该账号关联的好友账号的用户的喜好之间的差异程度。
另外,第一账号的关联数量、该至少一个第一好友账号对第一对象的直接操作行为数据的平均值和标准差为第一账号的好友操作行为特征,将第一账号的好友操作行为特征输入到喜好预测模型中后,喜好预测模型就可以预测第一账号的好友喜好距离,继而输出第一账号的好友喜好距离。
进一步地,在将第一账号的关联数量、该至少一个第一好友账号对第一对象的直接操作行为数据的平均值和标准差输入到喜好预测模型中之前,还可以先训练得到喜好预测模型。具体地,如图7所示,训练得到喜好预测模型的操作可以包括如下步骤50121-步骤50125:
步骤50121:当存在第二用户对第二对象的直接操作行为数据时,从第二用户的第二账号关联的好友账号中获取对第二对象有直接操作行为数据的至少一个第二好友账号。
需要说明的是,第二用户对第二对象的直接操作行为数据也可称为第二账号对第二对象的直接操作行为数据,该直接操作行为数据为真实的操作行为数据,即为第二用户使用第二账号对第二对象进行的操作行为的相关数据。
另外,可以从上述的操作行为数据集中查询第二用户对第二对象的直接操作行为数据,如果未查询到,则确定不存在第二用户对第二对象的直接操作行为数据,如果查询到了,则确定存在第二用户对第二对象的直接操作行为数据。
再者,第二账号关联的好友账号为与第二账号存在关联关系的账号,第二账号与任意一个好友账号之间的关联关系是与第二账号与这个好友账号之间的关联值对应的。
最后,该至少一个第二好友账号中每个第二好友账号对第二对象的直接操作行为数据即为使用每个第二好友账号的用户对第二对象的直接操作行为数据,该直接操作行为数据为真实的操作行为数据,即为用户使用第二好友账号对第二对象进行的操作行为的相关数据。该至少一个第二好友账号中每个第二好友账号对第二对象的直接操作行为数据可以从上述的操作行为数据集中获取得到,当然,也可以通过其它方式获取得到,本申请实施例对此不作限定。
步骤50122:将第二账号与该至少一个第二好友账号中每个第二好友账号之间的关联关系对应的关联值之和确定为第二账号的关联数量;确定该至少一个第二好友账号对第二对象的直接操作行为数据的平均值和标准差。
需要说明的是,第二账号与该至少一个第二好友账号中每个第二好友账号之间的关联关系对应的关联值可以从上述的关联值集中获取得到,当然,也可以通过其它方式获取得到,本申请实施例对此不作限定。
另外,第二账号的关联数量、该至少一个第二好友账号对第二对象的直接操作行为数据的平均值和标准差为第二账号的好友操作行为特征。
步骤50123:根据第二账号与该至少一个第二好友账号中每个第二好友账号之间的关联关系对应的关联值,确定该至少一个第二好友账号中每个第二好友账号对第二对象的直接操作行为数据对应的权重;将该至少一个第二好友账号中每个第二好友账号对第二对象的直接操作行为数据乘以对应的权重后得到的数值进行累加,得到好友操作行为数据;将第二账号对第二对象的直接操作行为数据与该好友操作行为数据之间的差值确定为第二账号的好友喜好距离。
需要说明的是,该至少一个第二好友账号中每个第二好友账号对第二对象的直接操作行为数据可以为评分或点击率等。
示例地,当该至少一个第二好友账号中每个第二好友账号对第二对象的直接操作行为数据为评分时,假设该至少一个第二好友账号为账号a、账号b和账号c,账号a、账号b、账号c对第二对象的评分依次为5、10、7,账号a、账号b、账号c对第二对象的评分对应的权重依次为0.3、0.5、0.2,则可以将账号a、账号b、账号c对第二对象的评分乘以对应的权重后得到的数值进行累加,具体是5×0.3+10×0.5+7×0.2=7.9,此时7.9为好友操作行为数据。
示例地,当将该至少一个第二好友账号中每个第二好友账号对第二对象的直接操作行为数据为点击率时,假设该至少一个第二好友账号为账号a、账号b和账号c,账号a、账号b、账号c对第二对象的点击率依次为70%、50%、55%,账号a、账号b、账号c对第二对象的点击率对应的权重依次为0.3、0.6、0.1,则可以将账号a、账号b、账号c对第二对象的点击率乘以对应的权重后得到的数值进行累加,具体是70%×0.3+50%×0.6+55%×0.1=56.5%,此时56.5%为好友操作行为数据。
其中,根据第二账号与该至少一个第二好友账号中每个第二好友账号之间的关联关系对应的关联值,确定该至少一个第二好友账号中每个第二好友账号对第二对象的直接操作行为数据对应的权重的操作可以为:对于该至少一个第二好友账号中的任意一个第二好友账号,将第二账号与这个第二好友账号之间的关联关系对应的关联值除以第二账号与该至少一个第二好友账号中每个第二好友账号之间的关联关系对应的关联值之和,得到这个第二好友账号对第二对象的直接操作行为数据对应的权重。
步骤50124:将第二账号的关联数量、该至少一个第二好友账号对第二对象的直接操作行为数据的平均值和标准差以及第二账号的好友喜好距离确定为一个第二训练样本。
需要说明的是,第二训练样本是用于训练预测模型的训练样本,第二训练样本中包括两方面的数据,一方面是第二账号的关联数量、该至少一个第二好友账号对第二对象的直接操作行为数据的平均值和标准差,即第二账号的好友操作行为特征,另一方面是第二账号的好友喜好距离。
步骤50125:基于第二训练样本进行预测模型训练,得到喜好预测模型。
具体地,可以以第二训练样本中的第二账号的关联数量、该至少一个第二好友账号对第二对象的直接操作行为数据的平均值和标准差为输入,且以第二训练样本中的第二账号的好友喜好距离为样本标记,对待训练预测模型进行训练,得到喜好预测模型。也即是,可以将第二训练样本中的第二账号的关联数量、该至少一个第二好友账号对第二对象的直接操作行为数据的平均值和标准差输入到待训练预测模型中,在得到该待训练预测模型的输出后,根据该待训练预测模型的输出与该样本标记之间的差距,使用第一损失函数对该待训练预测模型中的参数进行调整,得到喜好预测模型。
需要说明的是,待训练预测模型可以预先进行设置,例如,待训练预测模型可以为决策树模型、神经网络模型(如多层全连接神经网络模型)等,本申请实施例对此不作限定。
另外,第一损失函数可以预先进行设置,如第一损失函数可以为欧式距离损失函数(Euclidean Loss)、Sigmoid交叉熵损失函数(Sigmoid Cross Entropy Loss)、Softmax损失函数(Softmax With Loss)等,本申请实施例对此不作限定。
再者,根据该待训练预测模型的输出与该样本标记之间的差距,使用第一损失函数对该待训练预测模型中的参数进行调整的操作与相关技术中根据某个模型的输出与样本标记之间差距,使用损失函数对这个模型中的参数进行调整的操作类似,本申请实施例对此不进行详细阐述。
值得注意的是,实际应用中,可以基于多个第二训练样本来进行预测模型训练。这种情况下,第二用户的数量可以为多个,第二对象的数量也可以为多个,对于多个第二用户中的任意一个第二用户和多个第二对象中的任意一个第二对象,均可以按照上述步骤50121-步骤50124来构建针对这个第二用户和这个第二对象的一个第二训练样本,如此即可构建出该多个第二用户和该多个第二对象对应的多个第二训练样本来进行预测模型训练。
步骤5013:将第一用户对第一对象的伪操作行为数据确定为第一用户对第一对象的操作行为数据。
值得说明的是,当不存在第一用户对第一对象的直接操作行为数据时,表明第一用户未曾对第一对象有过操作行为。这种情况下,本申请实施例可以以第一用户的第一账号关联的至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据为依据,来生成第一用户对第一对象的伪操作行为数据作为第一用户对第一对象的操作行为数据。也即是,本申请实施例中可以利用用户社交信息来补充用户的操作行为数据,以便后续据此进行第一训练样本的补充。
步骤502:将第一用户的用户特征、第一对象的对象特征以及第一用户对第一对象的操作行为数据确定为一个第一训练样本。
需要说明的是,第一训练样本是用于训练推荐模型的训练样本,第一训练样本中包括两方面的数据,一方面是第一用户的用户特征和第一对象的对象特征,另一方面是第一用户对第一对象的操作行为数据。
另外,本申请实施例中,当存在第一用户对第一对象的直接操作行为数据时,可以将第一用户对第一对象的直接操作行为数据作为第一用户对第一对象的操作行为数据,继而据此生成一个第一训练样本。当不存在第一用户对第一对象的直接操作行为数据时,可以以第一用户的第一账号关联的至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据为依据,来生成第一用户对第一对象的伪操作行为数据作为第一用户对第一对象的操作行为数据,继而据此生成一个第一训练样本。也即是,本申请实施例中可以利用用户社交信息来补充第一训练样本,从而增加了用于训练推荐模型的第一训练样本的数量,进而可以提高据此训练得到的对象推荐模型的预测准确率。
进一步地,在生成一个第一训练样本之后,还可以为这个第一训练样本设置权重。具体地,当第一用户对第一对象的操作行为数据为第一用户对第一对象的直接操作行为数据时,可以确定这个第一训练样本对应的权重为1;当第一用户对第一对象的操作行为数据为第一用户对第一对象的伪操作行为数据时,根据第一账号的好友喜好距离,确定这个第一训练样本对应的权重。
需要说明的是,当第一用户对第一对象的操作行为数据为第一用户对第一对象的伪操作行为数据时,第一用户对第一对象的伪操作行为数据的可靠度取决于第一账号的好友喜好距离的大小,即第一账号的好友喜好距离越小,该伪操作行为数据的可靠度越高,第一账号的好友喜好距离越大,该伪操作行为数据的可靠度越低,因而此时可以根据第一账号的好友喜好距离,确定这个第一训练样本对应的权重。
其中,根据第一账号的好友喜好距离,确定这个第一训练样本对应的权重的操作可以为:根据第一账号的好友喜好距离,通过公式W=e-f确定这个第一训练样本对应的权重,W为这个第一训练样本对应的权重,f为第一账号的好友喜好距离,e为自然常数。这种情况下,第一账号的好友喜好距离越小,这个第一训练样本对应的权重越大,第一账号的好友喜好距离越大,这个第一训练样本对应的权重越小。
步骤503:基于第一训练样本进行推荐模型训练,得到对象推荐模型。
需要说明的是,对象推荐模型用于向目标用户推荐目标推荐对象。
另外,本申请实施例在引入用户社交信息的同时,无需改变原有的推荐模型的结构和训练方式,而是利用用户社交信息生成伪操作行为数据,以据此增加用于进行推荐模型训练的第一训练样本的数量,从而在不降低原有的推荐模型复杂度的情况下,可以有效提高训练得到的对象推荐模型的预测准确率。并且,由于在引入用户社交信息的同时,无需对原有的推荐模型进行重新设计,因而其可以作为独立的模块附加到任何现有的对象推荐场景中,适用性较强。
具体地,可以以第一用户的用户特征和第一对象的对象特征为输入,且以第一用户对第一对象的操作行为数据为样本标记,对待训练推荐模型进行训练,得到对象推荐模型。也即是,可以将第一用户的用户特征和第一对象的对象特征输入到待训练推荐模型中,在得到该待训练推荐模型的输出后,根据该待训练推荐模型的输出与该样本标记之间的差距,使用第二损失函数对该待训练推荐模型中的参数进行调整,得到对象推荐模型。
需要说明的是,待训练推荐模型可以预先进行设置,例如,待训练推荐模型可以为决策树模型、神经网络模型(如多层全连接神经网络模型)等,本申请实施例对此不作限定。
另外,第二损失函数可以预先进行设置,如第二损失函数可以为Euclidean Loss、Sigmoid Cross Entropy Loss、SoftmaxWith Loss等,本申请实施例对此不作限定。
再者,根据该待训练推荐模型的输出与该样本标记之间的差距,使用第二损失函数对该待训练推荐模型中的参数进行调整的操作与相关技术中根据某个模型的输出与样本标记之间差距,使用损失函数对这个模型中的参数进行调整的操作类似,本申请实施例对此不进行详细阐述。
值得注意的是,实际应用中,可以基于多个第一训练样本来进行推荐模型训练。这种情况下,第一用户的数量可以为多个,第一对象的数量也可以为多个,对于多个第一用户中的任意一个第一用户和多个第一对象中的任意一个第一对象,均可以按照上述步骤501-步骤502来构建针对这个第一用户和这个第一对象的一个第一训练样本,如此即可构建出该多个第一用户和该多个第一对象对应的多个第一训练样本来进行推荐模型训练。
值得注意的是,当第一训练样本具有对应的权重时,步骤503的操作还可以为:基于第一训练样本和第一训练样本对应的权重进行推荐模型训练,得到对象推荐模型。如此,考虑了第一训练样本本身的可靠度,从而使得模型训练能够达到最佳效果,进而进一步提高了训练得到的对象推荐模型的预测准确率。
具体地,可以以第一用户的用户特征和第一对象的对象特征为输入,且以第一用户对第一对象的操作行为数据为样本标记,根据第一训练样本对应的权重对待训练推荐模型进行训练,得到对象推荐模型。也即是,可以将第一用户的用户特征和第一对象的对象特征输入到待训练推荐模型中,在得到该待训练推荐模型的输出后,根据该待训练推荐模型的输出与该样本标记之间的差距和第一训练样本对应的权重,使用第二损失函数对该待训练推荐模型中的参数进行调整,得到对象推荐模型。
这种情况下,在对该待训练推荐模型中的参数进行调整时所使用的第二损失函数可以如下所示:
其中,l为第二损失函数,U为该多个第一用户的用户特征,Ui为该多个第一用户中第i个第一用户的用户特征,V为该多个第一对象的对象特征,Vj为该多个第一对象中第j个第一对象的对象特征,Rij为第i个第一用户对第j个第一对象的操作行为数据,Ui T为Ui的转置,wij为Ui和Vj所在的第一训练样本对应的权重,λ为预先设置的超参数,||U||F为U的Frobenius范数,||V||F为V的Frobenius范数。
在本申请实施例中,获取第一用户的用户特征、第一对象的对象特征和第一用户对第一对象的操作行为数据后,可以将第一用户的用户特征、第一对象的对象特征以及第一用户对第一对象的操作行为数据确定为一个第一训练样本。之后,基于第一训练样本进行推荐模型训练,得到对象推荐模型。其中,在获取第一用户对第一对象的操作行为数据时,当不存在第一用户对第一对象的直接操作行为数据时,可以从第一用户的第一账号关联的好友账号中获取对第一对象有直接操作行为数据的至少一个第一好友账号,根据第一账号与该至少一个第一好友账号中每个第一好友账号之间的关联关系和该至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据,生成第一用户对第一对象的伪操作行为数据作为第一用户对第一对象的操作行为数据。如此,在不存在第一用户对第一对象的直接操作行为数据时,可以以第一账号关联的至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据为依据,来生成第一账号对第一对象的伪操作行为数据作为第一用户对第一对象的操作行为数据,继而据此生成一个第一训练样本,也即是,可以利用用户社交信息来补充第一训练样本,从而增加了用于训练推荐模型的第一训练样本的数量,进而可以有效提高据此训练得到的对象推荐模型的预测准确率。
接下来对本申请实施例提供的推荐装置予以说明。
图8是本申请实施例提供的一种推荐装置的结构示意图,该装置可以由软件、硬件或者两者的结合实现成为计算机设备的部分或者全部,该计算机设备可以为图3所示的计算机设备。参见图8,该装置包括:特征获取模块801、推荐参数获取模块802和推荐模块803。
特征获取模块801,用于执行上述图4实施例中的步骤401;
推荐参数获取模块802,用于执行上述图4实施例中的步骤402;
推荐模块803,用于执行上述图4实施例中的步骤403。
其中,对象推荐模型是基于第一训练样本进行推荐模型训练得到,第一训练样本包括第一用户的用户特征、第一对象的对象特征以及第一用户对第一对象的操作行为数据;
其中,当不存在第一用户对第一对象的直接操作行为数据时,第一用户对第一对象的操作行为数据为第一用户对第一对象的伪操作行为数据,第一用户对第一对象的伪操作行为数据是根据第一用户的第一账号与至少一个第一好友账号中每个第一好友账号之间的关联关系和至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据生成得到,至少一个第一好友账号为第一账号关联的好友账号中对第一对象有直接操作行为数据的好友账号。
可选地,第一用户对第一对象的伪操作行为数据是将至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据乘以对应的权重后得到的数值进行累加得到;至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据对应的权重是当第一账号的好友喜好距离小于喜好距离阈值时,根据第一账号与至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值确定得到;第一账号的好友喜好距离是根据第一账号与至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值和至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据确定得到。
可选地,第一账号的好友喜好距离是将第一账号的关联数量、至少一个第一好友账号对第一对象的直接操作行为数据的平均值和标准差输入到喜好预测模型中后获得,第一账号的关联数量为第一账号与至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值之和。
在本申请实施例中,获取目标用户的用户特征和待推荐对象的对象特征后,将目标用户的用户特征和该待推荐对象的对象特征输入到对象推荐模型,获得该待推荐对象的推荐参数。之后,根据该待推荐对象的推荐参数确定是否将该待推荐对象作为目标推荐对象向目标用户进行推荐。由于在训练得到对象推荐模型时,是在不存在第一用户对第一对象的直接操作行为数据时,以第一账号关联的至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据为依据,来生成第一账号对第一对象的伪操作行为数据作为第一用户对第一对象的操作行为数据,继而据此生成第一训练样本,也即是利用用户社交信息来补充第一训练样本,因而增加了用于训练推荐模型的第一训练样本的数量,从而有效提高了据此训练得到的对象推荐模型的预测准确率,进而提高了在使用对象推荐模型进行对象推荐时的准确度。
接下来对本申请实施例提供的推荐模型的训练装置予以说明。
图9是本申请实施例提供的一种推荐模型的训练装置的结构示意图,该装置可以由软件、硬件或者两者的结合实现成为计算机设备的部分或者全部,该计算机设备可以为图3所示的计算机设备。参见图9,该装置包括:第一获取模块901、第一确定模块902和第一训练模块903。
第一获取模块901,用于执行上述图5实施例中的步骤501;
第一确定模块902,用于执行上述图5实施例中的步骤502;
第一训练模块903,用于执行上述图5实施例中的步骤503。
其中,第一获取模块901包括:
获取单元9011,用于执行上述图5实施例中的步骤5011;
生成单元9012,用于执行上述图5实施例中的步骤5012;
确定单元9013,用于执行上述图5实施例中的步骤5013。
可选地,第一训练模块903用于:
以第一用户的用户特征和第一对象的对象特征为输入,且以第一用户对第一对象的操作行为数据为样本标记,对待训练推荐模型进行训练,得到对象推荐模型。
可选地,生成单元9012用于:
根据第一账号与至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值和至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据,确定第一账号的好友喜好距离;
当第一账号的好友喜好距离小于喜好距离阈值时,根据第一账号与至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值,确定至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据对应的权重;
将至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据乘以对应的权重后得到的数值进行累加,得到第一用户对第一对象的伪操作行为数据。
可选地,生成单元9012用于:
将第一账号与至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值之和确定为第一账号的关联数量;
确定至少一个第一好友账号对第一对象的直接操作行为数据的平均值和标准差;
将第一账号的关联数量、至少一个第一好友账号对第一对象的直接操作行为数据的平均值和标准差输入到喜好预测模型中,获得第一账号的好友喜好距离。
可选地,该装置还包括:
第二获取模块,用于执行上述图5实施例中的步骤50121;
第二确定模块,用于执行上述图5实施例中的步骤50122;
第三确定模块,用于执行上述图5实施例中的步骤50123;
第四确定模块,用于执行上述图5实施例中的步骤50124;
第二训练模块,用于执行上述图5实施例中的步骤50125。
可选地,该装置还包括:
第五确定模块,用于当第一用户对第一对象的操作行为数据为第一用户对第一对象的伪操作行为数据时,根据第一账号的好友喜好距离,确定第一训练样本对应的权重;
相应地,第一训练模块903用于:
基于第一训练样本和第一训练样本对应的权重进行推荐模型训练,得到对象推荐模型。
可选地,第五确定模块用于:
根据第一账号的好友喜好距离,通过如下公式确定第一训练样本对应的权重;
W=e-f
其中,W为第一训练样本对应的权重,f为第一账号的好友喜好距离,e为自然常数。
在本申请实施例中,获取第一用户的用户特征、第一对象的对象特征和第一用户对第一对象的操作行为数据后,可以将第一用户的用户特征、第一对象的对象特征以及第一用户对第一对象的操作行为数据确定为一个第一训练样本。之后,基于第一训练样本进行推荐模型训练,得到对象推荐模型。其中,在获取第一用户对第一对象的操作行为数据时,当不存在第一用户对第一对象的直接操作行为数据时,可以从第一用户的第一账号关联的好友账号中获取对第一对象有直接操作行为数据的至少一个第一好友账号,根据第一账号与该至少一个第一好友账号中每个第一好友账号之间的关联关系和该至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据,生成第一用户对第一对象的伪操作行为数据作为第一用户对第一对象的操作行为数据。如此,在不存在第一用户对第一对象的直接操作行为数据时,可以以第一账号关联的至少一个第一好友账号中每个第一好友账号对第一对象的直接操作行为数据为依据,来生成第一账号对第一对象的伪操作行为数据作为第一用户对第一对象的操作行为数据,继而据此生成一个第一训练样本,也即是,可以利用用户社交信息来补充第一训练样本,从而增加了用于训练推荐模型的第一训练样本的数量,进而可以有效提高据此训练得到的对象推荐模型的预测准确率。
需要说明的是:上述实施例提供的推荐模型的训练装置在推荐模型的训练时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的推荐模型的训练装置与推荐模型的训练方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络或其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如:同轴电缆、光纤、数据用户线(Digital Subscriber Line,DSL))或无线(例如:红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质,或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如:软盘、硬盘、磁带)、光介质(例如:数字通用光盘(Digital Versatile Disc,DVD))或半导体介质(例如:固态硬盘(Solid State Disk,SSD))等。
以上所述为本申请提供的实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (22)
1.一种推荐方法,其特征在于,所述方法包括:
获取目标用户的用户特征和待推荐对象的对象特征;
将所述目标用户的用户特征和所述待推荐对象的对象特征输入到对象推荐模型,获得所述待推荐对象的推荐参数;
根据所述待推荐对象的推荐参数确定是否将所述待推荐对象作为目标推荐对象向所述目标用户进行推荐;
其中,所述对象推荐模型是基于第一训练样本进行推荐模型训练得到,所述第一训练样本包括第一用户的用户特征、第一对象的对象特征以及所述第一用户对所述第一对象的操作行为数据;
其中,当不存在所述第一用户对所述第一对象的直接操作行为数据时,所述第一用户对所述第一对象的操作行为数据为所述第一用户对所述第一对象的伪操作行为数据,所述第一用户对所述第一对象的伪操作行为数据是当所述第一用户的第一账号的好友喜好距离小于喜好距离阈值时根据所述第一账号与至少一个第一好友账号中每个第一好友账号之间的关联关系和所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据生成得到,所述至少一个第一好友账号为所述第一账号关联的好友账号中对所述第一对象有直接操作行为数据的好友账号,所述第一账号的好友喜好距离用于指示使用所述第一账号的所述第一用户的喜好与使用所述至少一个第一好友账号的用户的整体喜好之间的差异程度。
2.如权利要求1所述的方法,其特征在于,
所述第一用户对所述第一对象的伪操作行为数据是将所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据乘以对应的权重后得到的数值进行累加得到;
所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据对应的权重是当所述第一账号的好友喜好距离小于喜好距离阈值时,根据所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值确定得到;
所述第一账号的好友喜好距离是根据所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值和所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据确定得到。
3.如权利要求2所述的方法,其特征在于,
所述第一账号的好友喜好距离是将所述第一账号的关联数量、所述至少一个第一好友账号对所述第一对象的直接操作行为数据的平均值和标准差输入到喜好预测模型中后获得,所述第一账号的关联数量为所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值之和。
4.一种推荐装置,其特征在于,所述装置包括:
特征获取模块,用于获取目标用户的用户特征和待推荐对象的对象特征;
推荐参数获取模块,用于将所述目标用户的用户特征和所述待推荐对象的对象特征输入到对象推荐模型,获得所述待推荐对象的推荐参数;
推荐模块,用于根据所述待推荐对象的推荐参数确定是否将所述待推荐对象作为目标推荐对象向所述目标用户进行推荐;
其中,所述对象推荐模型是基于第一训练样本进行推荐模型训练得到,所述第一训练样本包括第一用户的用户特征、第一对象的对象特征以及所述第一用户对所述第一对象的操作行为数据;
其中,当不存在所述第一用户对所述第一对象的直接操作行为数据时,所述第一用户对所述第一对象的操作行为数据为所述第一用户对所述第一对象的伪操作行为数据,所述第一用户对所述第一对象的伪操作行为数据是当所述第一用户的第一账号的好友喜好距离小于喜好距离阈值时根据所述一账号与至少一个第一好友账号中每个第一好友账号之间的关联关系和所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据生成得到,所述至少一个第一好友账号为所述第一账号关联的好友账号中对所述第一对象有直接操作行为数据的好友账号,所述第一账号的好友喜好距离用于指示使用所述第一账号的所述第一用户的喜好与使用所述至少一个第一好友账号的用户的整体喜好之间的差异程度。
5.如权利要求4所述的装置,其特征在于,
所述第一用户对所述第一对象的伪操作行为数据是将所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据乘以对应的权重后得到的数值进行累加得到;
所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据对应的权重是当所述第一账号的好友喜好距离小于喜好距离阈值时,根据所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值确定得到;
所述第一账号的好友喜好距离是根据所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值和所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据确定得到。
6.如权利要求5所述的装置,其特征在于,
所述第一账号的好友喜好距离是将所述第一账号的关联数量、所述至少一个第一好友账号对所述第一对象的直接操作行为数据的平均值和标准差输入到喜好预测模型中后获得,所述第一账号的关联数量为所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值之和。
7.一种推荐模型的训练方法,其特征在于,所述方法包括:
获取第一用户的用户特征、第一对象的对象特征和所述第一用户对所述第一对象的操作行为数据;
将所述第一用户的用户特征、所述第一对象的对象特征以及所述第一用户对所述第一对象的操作行为数据确定为一个第一训练样本;
基于所述第一训练样本进行推荐模型训练,得到对象推荐模型;
其中,所述获取所述第一用户对所述第一对象的操作行为数据,包括:
当不存在所述第一用户对所述第一对象的直接操作行为数据时,从所述第一用户的第一账号关联的好友账号中获取对所述第一对象有直接操作行为数据的至少一个第一好友账号;
当所述第一账号的好友喜好距离小于喜好距离阈值时,根据所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系和所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据,生成所述第一用户对所述第一对象的伪操作行为数据,所述第一账号的好友喜好距离用于指示使用所述第一账号的所述第一用户的喜好与使用所述至少一个第一好友账号的用户的整体喜好之间的差异程度;
将所述第一用户对所述第一对象的伪操作行为数据确定为所述第一用户对所述第一对象的操作行为数据。
8.如权利要求7所述的方法,其特征在于,所述基于所述第一训练样本进行推荐模型训练,得到对象推荐模型,包括:
以所述第一用户的用户特征和所述第一对象的对象特征为输入,且以所述第一用户对所述第一对象的操作行为数据为样本标记,对待训练推荐模型进行训练,得到对象推荐模型。
9.如权利要求7所述的方法,其特征在于,所述当所述第一账号的好友喜好距离小于喜好距离阈值时,根据所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系和所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据,生成所述第一用户对所述第一对象的伪操作行为数据,包括:
根据所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值和所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据,确定所述第一账号的好友喜好距离;
当所述第一账号的好友喜好距离小于喜好距离阈值时,根据所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值,确定所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据对应的权重;
将所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据乘以对应的权重后得到的数值进行累加,得到所述第一用户对所述第一对象的伪操作行为数据。
10.如权利要求9所述的方法,其特征在于,所述根据所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值和所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据,确定所述第一账号的好友喜好距离,包括:
将所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值之和确定为所述第一账号的关联数量;
确定所述至少一个第一好友账号对所述第一对象的直接操作行为数据的平均值和标准差;
将所述第一账号的关联数量、所述至少一个第一好友账号对所述第一对象的直接操作行为数据的平均值和标准差输入到喜好预测模型中,获得所述第一账号的好友喜好距离。
11.如权利要求10所述的方法,其特征在于,所述将所述第一账号的关联数量、所述至少一个第一好友账号对所述第一对象的直接操作行为数据的平均值和标准差输入到喜好预测模型中之前,还包括:
当存在第二用户对第二对象的直接操作行为数据时,从所述第二用户的第二账号关联的好友账号中获取对所述第二对象有直接操作行为数据的至少一个第二好友账号;
将所述第二账号与所述至少一个第二好友账号中每个第二好友账号之间的关联关系对应的关联值进行累加,得到所述第二账号的关联数量;确定所述至少一个第二好友账号对所述第二对象的直接操作行为数据的平均值和标准差;
根据所述第二账号与所述至少一个第二好友账号中每个第二好友账号之间的关联关系对应的关联值,确定所述至少一个第二好友账号中每个第二好友账号对所述第二对象的直接操作行为数据对应的权重;将所述至少一个第二好友账号中每个第二好友账号对所述第二对象的直接操作行为数据乘以对应的权重后得到的数值进行累加,得到好友操作行为数据;将所述第二账号对所述第二对象的直接操作行为数据与所述好友操作行为数据之间的差值确定为所述第二账号的好友喜好距离;
将所述第二账号的关联数量、所述至少一个第二好友账号对所述第二对象的直接操作行为数据的平均值和标准差以及所述第二账号的好友喜好距离确定为一个第二训练样本;
基于所述第二训练样本进行预测模型训练,得到所述喜好预测模型。
12.如权利要求9-11任一所述的方法,其特征在于,所述将所述第一用户的用户特征、所述第一对象的对象特征以及所述第一用户对所述第一对象的操作行为数据确定为一个第一训练样本之后,还包括:
当所述第一用户对所述第一对象的操作行为数据为所述第一用户对所述第一对象的伪操作行为数据时,根据所述第一账号的好友喜好距离,确定所述第一训练样本对应的权重;
相应地,所述基于所述第一训练样本进行推荐模型训练,得到对象推荐模型,包括:
基于所述第一训练样本和所述第一训练样本对应的权重进行推荐模型训练,得到对象推荐模型。
13.如权利要求12所述的方法,其特征在于,所述根据所述第一账号的好友喜好距离,确定所述第一训练样本对应的权重,包括:
根据所述第一账号的好友喜好距离,通过如下公式确定所述第一训练样本对应的权重;
W=e-f
其中,所述W为所述第一训练样本对应的权重,所述f为所述第一账号的好友喜好距离,所述e为自然常数。
14.一种推荐模型的训练装置,其特征在于,所述装置包括:
第一获取模块,用于获取第一用户的用户特征、第一对象的对象特征和所述第一用户对所述第一对象的操作行为数据;
第一确定模块,用于将所述第一用户的用户特征、所述第一对象的对象特征以及所述第一用户对所述第一对象的操作行为数据确定为一个第一训练样本;
第一训练模块,用于基于所述第一训练样本进行推荐模型训练,得到对象推荐模型;
其中,所述第一获取模块包括:
获取单元,用于当不存在所述第一用户对所述第一对象的直接操作行为数据时,从所述第一用户的第一账号关联的好友账号中获取对所述第一对象有直接操作行为数据的至少一个第一好友账号;
生成单元,用于当所述第一账号的好友喜好距离小于喜好距离阈值时,根据所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系和所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据,生成所述第一用户对所述第一对象的伪操作行为数据,所述第一账号的好友喜好距离用于指示使用所述第一账号的所述第一用户的喜好与使用所述至少一个第一好友账号的用户的整体喜好之间的差异程度;
确定单元,用于将所述第一用户对所述第一对象的伪操作行为数据确定为所述第一用户对所述第一对象的操作行为数据。
15.如权利要求14所述的装置,其特征在于,所述第一训练模块用于:
以所述第一用户的用户特征和所述第一对象的对象特征为输入,且以所述第一用户对所述第一对象的操作行为数据为样本标记,对待训练推荐模型进行训练,得到对象推荐模型。
16.如权利要求14所述的装置,其特征在于,所述生成单元用于:
根据所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值和所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据,确定所述第一账号的好友喜好距离;
当所述第一账号的好友喜好距离小于喜好距离阈值时,根据所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值,确定所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据对应的权重;
将所述至少一个第一好友账号中每个第一好友账号对所述第一对象的直接操作行为数据乘以对应的权重后得到的数值进行累加,得到所述第一用户对所述第一对象的伪操作行为数据。
17.如权利要求16所述的装置,其特征在于,所述生成单元用于:
将所述第一账号与所述至少一个第一好友账号中每个第一好友账号之间的关联关系对应的关联值之和确定为所述第一账号的关联数量;
确定所述至少一个第一好友账号对所述第一对象的直接操作行为数据的平均值和标准差;
将所述第一账号的关联数量、所述至少一个第一好友账号对所述第一对象的直接操作行为数据的平均值和标准差输入到喜好预测模型中,获得所述第一账号的好友喜好距离。
18.如权利要求17所述的装置,其特征在于,所述装置还包括:
第二获取模块,用于当存在第二用户对第二对象的直接操作行为数据时,从所述第二用户的第二账号关联的好友账号中获取对所述第二对象有直接操作行为数据的至少一个第二好友账号;
第二确定模块,用于将所述第二账号与所述至少一个第二好友账号中每个第二好友账号之间的关联关系对应的关联值进行累加,得到所述第二账号的关联数量;确定所述至少一个第二好友账号对所述第二对象的直接操作行为数据的平均值和标准差;
第三确定模块,用于根据所述第二账号与所述至少一个第二好友账号中每个第二好友账号之间的关联关系对应的关联值,确定所述至少一个第二好友账号中每个第二好友账号对所述第二对象的直接操作行为数据对应的权重;将所述至少一个第二好友账号中每个第二好友账号对所述第二对象的直接操作行为数据乘以对应的权重后得到的数值进行累加,得到好友操作行为数据;将所述第二账号对所述第二对象的直接操作行为数据与所述好友操作行为数据之间的差值确定为所述第二账号的好友喜好距离;
第四确定模块,用于将所述第二账号的关联数量、所述至少一个第二好友账号对所述第二对象的直接操作行为数据的平均值和标准差以及所述第二账号的好友喜好距离确定为一个第二训练样本;
第二训练模块,用于基于所述第二训练样本进行预测模型训练,得到所述喜好预测模型。
19.如权利要求16-18任一所述的装置,其特征在于,所述装置还包括:
第五确定模块,用于当所述第一用户对所述第一对象的操作行为数据为所述第一用户对所述第一对象的伪操作行为数据时,根据所述第一账号的好友喜好距离,确定所述第一训练样本对应的权重;
相应地,所述第一训练模块用于:
基于所述第一训练样本和所述第一训练样本对应的权重进行推荐模型训练,得到对象推荐模型。
20.如权利要求19所述的装置,其特征在于,所述第五确定模块用于:
根据所述第一账号的好友喜好距离,通过如下公式确定所述第一训练样本对应的权重;
W=e-f
其中,所述W为所述第一训练样本对应的权重,所述f为所述第一账号的好友喜好距离,所述e为自然常数。
21.一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行如权利要求1-3任意一项所述的方法。
22.一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行如权利要求7-13任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910152707.7A CN109993627B (zh) | 2019-02-28 | 2019-02-28 | 推荐方法、推荐模型的训练方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910152707.7A CN109993627B (zh) | 2019-02-28 | 2019-02-28 | 推荐方法、推荐模型的训练方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109993627A CN109993627A (zh) | 2019-07-09 |
CN109993627B true CN109993627B (zh) | 2021-09-07 |
Family
ID=67129486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910152707.7A Active CN109993627B (zh) | 2019-02-28 | 2019-02-28 | 推荐方法、推荐模型的训练方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993627B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110727868B (zh) * | 2019-10-12 | 2022-07-15 | 腾讯音乐娱乐科技(深圳)有限公司 | 对象推荐方法、装置和计算机可读存储介质 |
CN111026970B (zh) * | 2019-12-20 | 2022-07-29 | 腾讯科技(深圳)有限公司 | 基于人工智能的迁移模型的训练方法、装置及存储介质 |
CN111259222B (zh) * | 2020-01-22 | 2023-08-22 | 北京百度网讯科技有限公司 | 物品推荐方法、系统、电子设备及存储介质 |
CN112069414A (zh) * | 2020-09-15 | 2020-12-11 | 腾讯科技(深圳)有限公司 | 推荐模型训练方法、装置、计算机设备及存储介质 |
CN112258285A (zh) * | 2020-10-26 | 2021-01-22 | 北京沃东天骏信息技术有限公司 | 一种内容推荐方法及装置、设备、存储介质 |
CN112269942B (zh) * | 2020-12-03 | 2021-03-23 | 北京达佳互联信息技术有限公司 | 一种推荐对象的方法、装置、系统及电子设备 |
CN112804134B (zh) * | 2020-12-31 | 2022-10-04 | 深圳市镜玩科技有限公司 | 基于即时通信的任务发起方法、相关装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130082848A (ko) * | 2011-12-20 | 2013-07-22 | 주식회사 케이티 | 어플리케이션 추천 방법 및 장치 |
CN106384259A (zh) * | 2016-09-08 | 2017-02-08 | 天津大学 | 一种融合社交信息的推荐系统解决方法 |
CN107273436A (zh) * | 2017-05-24 | 2017-10-20 | 北京京东尚科信息技术有限公司 | 一种推荐模型的训练方法和训练装置 |
CN107423335A (zh) * | 2017-04-27 | 2017-12-01 | 电子科技大学 | 一种针对单类协同过滤问题的负样本选择方法 |
CN107993085A (zh) * | 2017-10-19 | 2018-05-04 | 阿里巴巴集团控股有限公司 | 模型训练方法、基于模型的用户行为预测方法及装置 |
CN109345302A (zh) * | 2018-09-27 | 2019-02-15 | 腾讯科技(深圳)有限公司 | 机器学习模型训练方法、装置、存储介质和计算机设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799671B (zh) * | 2012-07-17 | 2015-04-29 | 西安电子科技大学 | 基于PageRank算法的网络个性化推荐方法 |
CN105989106A (zh) * | 2015-02-12 | 2016-10-05 | 广东欧珀移动通信有限公司 | 一种基于兴趣相似度的推荐方法及装置 |
CN111523050B (zh) * | 2020-04-16 | 2023-09-19 | 咪咕文化科技有限公司 | 内容推荐方法、服务器及存储介质 |
-
2019
- 2019-02-28 CN CN201910152707.7A patent/CN109993627B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130082848A (ko) * | 2011-12-20 | 2013-07-22 | 주식회사 케이티 | 어플리케이션 추천 방법 및 장치 |
CN106384259A (zh) * | 2016-09-08 | 2017-02-08 | 天津大学 | 一种融合社交信息的推荐系统解决方法 |
CN107423335A (zh) * | 2017-04-27 | 2017-12-01 | 电子科技大学 | 一种针对单类协同过滤问题的负样本选择方法 |
CN107273436A (zh) * | 2017-05-24 | 2017-10-20 | 北京京东尚科信息技术有限公司 | 一种推荐模型的训练方法和训练装置 |
CN107993085A (zh) * | 2017-10-19 | 2018-05-04 | 阿里巴巴集团控股有限公司 | 模型训练方法、基于模型的用户行为预测方法及装置 |
CN109345302A (zh) * | 2018-09-27 | 2019-02-15 | 腾讯科技(深圳)有限公司 | 机器学习模型训练方法、装置、存储介质和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109993627A (zh) | 2019-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993627B (zh) | 推荐方法、推荐模型的训练方法、装置和存储介质 | |
TW202007178A (zh) | 用戶特徵的生成方法、裝置、設備及儲存介質 | |
US20190012683A1 (en) | Method for predicting purchase probability based on behavior sequence of user and apparatus for the same | |
KR20200123015A (ko) | 정보를 추천하는 방법, 장치, 기기 및 저장 매체 | |
US20190065594A1 (en) | Similarity Search Using Progressive Inner Products and Bounds | |
CN112364204B (zh) | 视频搜索方法、装置、计算机设备及存储介质 | |
CN110909182A (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
US11748452B2 (en) | Method for data processing by performing different non-linear combination processing | |
CN111159563B (zh) | 用户兴趣点信息的确定方法、装置、设备及存储介质 | |
CN107766573B (zh) | 基于数据处理的商品推荐方法、装置、设备和存储介质 | |
CN112989146B (zh) | 向目标用户推荐资源的方法、装置、设备、介质和程序产品 | |
CN112328909A (zh) | 信息推荐方法、装置、计算机设备及介质 | |
CN114169418B (zh) | 标签推荐模型训练方法及装置、标签获取方法及装置 | |
CN112905885B (zh) | 向用户推荐资源的方法、装置、设备、介质和程序产品 | |
CN113515701A (zh) | 信息推荐方法及装置 | |
CN113722593A (zh) | 事件数据处理方法、装置、电子设备和介质 | |
CN113591986A (zh) | 用于生成推荐模型的对象权值的方法和个性化推荐方法 | |
CN112559897B (zh) | 匹配关系的识别方法、装置及设备 | |
CN116501993B (zh) | 房源数据推荐方法及装置 | |
US20230351211A1 (en) | Scoring correlated independent variables for elimination from a dataset | |
CN114880599A (zh) | 信息排序方法、装置、电子设备及存储介质 | |
CN116342183A (zh) | 信息推荐方法、训练方法、装置、电子设备以及存储介质 | |
CN116542779A (zh) | 基于人工智能的产品推荐方法、装置、设备及存储介质 | |
CN117786209A (zh) | 资源推荐方法、推荐模型的训练方法及装置 | |
CN114547416A (zh) | 一种媒体资源排序方法及电子设备 |
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 |