CN110046304A - 一种用户推荐方法和装置 - Google Patents

一种用户推荐方法和装置 Download PDF

Info

Publication number
CN110046304A
CN110046304A CN201910312887.0A CN201910312887A CN110046304A CN 110046304 A CN110046304 A CN 110046304A CN 201910312887 A CN201910312887 A CN 201910312887A CN 110046304 A CN110046304 A CN 110046304A
Authority
CN
China
Prior art keywords
information
user
reading
attention
histories
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910312887.0A
Other languages
English (en)
Other versions
CN110046304B (zh
Inventor
丘志杰
饶君
刘毅
苏舟
刘书凯
孙振龙
刘祺
王良栋
商甜甜
梁铭霏
陈磊
张博
林乐宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201910312887.0A priority Critical patent/CN110046304B/zh
Publication of CN110046304A publication Critical patent/CN110046304A/zh
Priority to PCT/CN2020/078144 priority patent/WO2020211566A1/zh
Priority to US17/329,128 priority patent/US20210279552A1/en
Application granted granted Critical
Publication of CN110046304B publication Critical patent/CN110046304B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/2866—Architectures; Arrangements
    • H04L67/30—Profiles
    • H04L67/306—User profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/535—Tracking the activity of the user
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition

Abstract

本发明公开了一种用户推荐方法和装置，所述方法包括：获得用户属性信息、阅读属性信息、阅读历史信息和候选项目；对所述阅读属性信息按照预设分组进行组内信息融合，以得到阅读特征信息；建立自注意层模型，输入阅读历史信息到自注意层模型中，获得阅读历史权重；根据阅读历史权重和阅读历史信息，进行加权平均获得历史特征信息；根据所述用户属性信息、阅读特征信息和历史特征信息，获得用户特征信息；根据所述用户特征信息从所述候选项目中选择用于进行用户推荐的推荐项目。所述方法根据阅读历史信息的权重，获得历史特征信息，避免了信息折损，同时也过滤了被动阅读行为，能够提高用户个性化推荐的精确度。

Description

一种用户推荐方法和装置
技术领域
本发明涉及用户推荐领域，尤其涉及一种用户推荐方法和装置。
背景技术
用户的阅读行为和阅读内容能够整体上表征用户的兴趣。推荐系统可以基于用户的隐式阅读行为来进行个性化推荐，通过用户经常浏览的内容，提取关键信息，对用户的偏好加以分析，从而获得更加个性化的推荐。但是用户在浏览文章或视频时，对不同的文章或视频的喜好程度存在差异，且在某些场景下存在被动阅读的行为，将所有的浏览内容一视同仁的做法存在比较大的信息折损。且在现有技术中，基于模型的召回策略需要进行大量的特征工程工作，在目前所提出的模型中，有的模型难以胜任海量之巨的候选集的实时召回，有的模型存在特征信息的遗漏，并不能获得准确的用户特征，从而造成推荐结果并不一定符合用户的预期。
发明内容
为了解决对阅读历史进行用户偏好分析时存在信息折损的问题，得到符合用户预期的推荐结果的技术效果，本发明提供了一种用户推荐方法和装置。
一方面，本发明提供了一种用户推荐方法，所述方法包括：
获得用户属性信息、阅读属性信息、阅读历史信息和候选项目；
对所述阅读属性信息按照预设分组进行组内信息融合，以得到阅读特征信息；
根据阅读历史信息，获得阅读历史权重；
根据阅读历史权重和阅读历史信息，获得历史特征信息；
根据所述用户属性信息、阅读特征信息和历史特征信息，获得用户特征信息；
根据所述用户特征信息从所述候选项目中选择用于进行用户推荐的推荐项目。
另一方面提供了一种用户推荐装置，所述装置包括：
阅读特征信息获得模块、历史特征信息获得模块、用户特征信息获得模块和推荐项目选择模块；
所述阅读特征信息获得模块用于对所述阅读属性信息按照预设分组进行组内信息融合，以得到阅读特征信息；
所述历史特征信息获得模块用于根据阅读历史信息，获得历史特征信息；
所述用户特征信息获得模块用于根据用户属性信息、阅读特征信息和历史特征信息，获得用户特征信息；
所述推荐项目选择模块用于根据所述用户特征信息，从候选项目中选择用于进行用户推荐的推荐项目。
另一方面提供了一种计算机可读存储介质，用于存储程序，所述程序被执行时实现所述的一种用户推荐方法。
另一方面提供了一种终端设备，所述终端设备包括上述的一种用户推荐装置。
本发明提供的一种用户推荐方法和装置，所述方法可以根据阅读历史里各个项目的权重，获得用户阅读历史的历史特征信息，根据阅读属性信息获得阅读特征信息，并将所述历史特征信息、阅读特征信息和用户属性信息再经过深度学习网络整理为与候选项目维度匹配的用户特征信息，能够有效地融合用户的画像特征，为用户召回更加个性化的推荐结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种用户推荐方法的应用场景示意图；
图2为本发明实施例提供的一种用户推荐方法的流程图；
图3为本发明实施例提供的一种用户推荐方法中计算阅读历史权重的方法的流程图；
图4为本发明实施例提供的一种用户推荐方法中自注意层模型执行的方法的流程图；
图5为本发明实施例提供的一种用户推荐方法中自注意层模型的示意图；
图6为本发明实施例提供的一种用户推荐方法中获得用户特征信息的方法的流程图；
图7为本发明实施例提供的根据用户特征进行项目推进的模型框架示意图；
图8为本发明实施例提供的一种用户推荐方法中获得推荐项目的方法的流程图；
图9为本发明实施例提供的一种用户推荐方法的训练数据模型的示意图；
图10为本发明实施例提供的一种用户推荐方法应用于场景中的逻辑示意图；
图11为本发明实施例提供的一种用户推荐装置的结构示意图；
图12为本发明实施例提供的一种用户推荐装置中的历史特征信息获得模块的结构示意图；
图13为本发明实施例提供的一种用户推荐装置中的用户特征信息获得模块的结构示意图；
图14为本发明实施例提供的一种用户推荐装置中的推荐项目选择模块的结构示意图；
图15为本发明实施例提供的一种用于实现本发明实施例所提供的方法的设备的硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。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的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。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。而且，术语“第一”、“第二”等适用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
请参见图1，其显示了本发明实施例提供的一种用户推荐方法的应用场景示意图，所述应用场景包括用户终端110和服务器120，所述用户终端包括但不限于智能手机、平板电脑、笔记本电脑、台式电脑等。所述服务器从用户终端获得用户画像信息，所述用户画像信息包括用户属性信息、阅读属性信息和阅读历史信息，根据用户画像信息，以及对阅读历史信息进行处理，对用户偏好进行分析，根据用户偏好的分析结果，从候选项目中选择推荐项目发送到用户终端。当用户终端使用社交账号登录app或者网站时，所述app为应用程序(application，app)，所述app或者网站显示所述推荐项目。
请参见图2，其显示了一种用户推荐方法，可应用于服务器侧，所述方法包括：
S210.获得用户属性信息、阅读属性信息、阅读历史信息和候选项目。
在本发明所述的实施例中，所述用户属性信息可以包括用户的年龄、性别和所在地信息等。所述用户属性信息能够概述用户的基本面貌。所述阅读属性信息可以包括长期关键词、长期类目、最近七天关键词和最近七天类目，所述阅读历史信息可以包括最近阅读历史中的项目。候选项目为待推荐的候选项目，在所述候选项目中选择最后用于用户推荐的推荐项目。所述项目可以为一篇文章，或者一个视频项目。
S220.对所述阅读属性信息按照预设分组进行组内信息融合，以得到阅读特征信息。
所述阅读属性信息可以按照预设分为多个特征组，例如长期关键词、长期类目等，所述关键词是一种关键词标记，从文章正文、视频简介、文章或视频标题等中抽取表示该文档核心内容的一组词，所述类目是对文章或者视频的一个抽象描述，将多个描述相似内容的文章或视频映射到同一个类目。
每个特征组内部都具有多个元素，且不同的用户所拥有的元素数目也不尽相同，因此需要在每个特征组内部，对组内信息进行融合，所述方法包括：
对同组的阅读属性信息进行平均池化，获得阅读特征信息。
将每个特征组内部的元素进行平均池化，从而保证同一个特征组内部映射得到固定尺寸的输入特征向量。例如长期关键词特征组的输入特征向量为：
其余特征组的输入特征向量与长期关键词特征组的输入特征向量类似，最终将各个特征组整合成为固定尺寸的输入特征向量，便于在后期与候选项目进行相似度计算。
获得各个特征组的阅读特征信息，各自进行平均池化成位固定尺寸的输入特征向量，可以避免大量繁琐费力的特征工程，简化后期的计算，且将这些阅读特征信息融合进深度学习网络中，可以提高深度学习网络的泛化能力。
S230.根据阅读历史信息，获得阅读历史权重。
在阅读历史信息中包括最近阅读历史的项目，这些项目可能具有不同的关键词或类目的信息，因此，收集最近阅读历史的项目中包含的关键词和类目等特征，形成多个特征组。在一个具体的示例中，在阅读历史信息中包括的项目为A1、A2和A3，其中项目A1的关键词为关键词1，类目为类目1；项目A2的关键词为关键词2，类目为类目2；项目A3的关键词为关键词3和关键词4，类目为类目3。将各个特征进行重新分组后，得到的关键词特征组为[关键词1，关键词2，关键词3，关键词4],得到的类目特征组为[类目1，类目2，类目3]。
在分好特征组后，对用户的阅读历史信息进行权重建模，采用自注意建模的方式，如图3所示，计算阅读历史权重的具体方法如下：
S310.将所述阅读历史信息输入到自注意层模型中，计算得到阅读历史信息的自注意层输出向量；
S320.根据所述自注意层输出向量和预设参数，计算得到阅读历史权重。
将阅读历史信息输入到建立的自注意层模型中，主要可以获得自注意层输出向量。所述自注意层模型可以获得权重信息，所述权重信息能够显示用户对阅读历史信息的偏好，请参见图4，所述自注意层模型主要执行下述方法：
S410.将阅读历史信息重新编码为第一特征矩阵、第二特征矩阵和第三特征矩阵；
S420.将所述第一特征矩阵、第二特征矩阵和第三特征矩阵经过线性变换，多次并行输入到第一自注意模型中，获得第一自注意模型的输出结果；
S430.将所述第一自注意模型的输出结果进行拼接，经过线性变换获得自注意层输出向量。
所述自注意层模型采用了multi-head Scale Dot-Product自注意模型，即多头缩放点积自注意模型，请参见图5，通过多头缩放点积自注意模型，并在自注意计算后，对自注意层输出的数据进行池化，得到用户特征信息。
所述第一自注意模型采用了缩放点积的自注意计算方法，所述第一特征矩阵为Q矩阵，所述第二特征矩阵为K矩阵，所述第三特征矩阵为V矩阵。通过点积的方式对Q矩阵和K矩阵之间的依赖关系进行计算，为了避免内积过大，所述缩放点积的自注意计算可以通过除以K矩阵的维度的方式进行调节。其中，Q为查询矩阵，K为键矩阵，V为值矩阵。
所述Q、K和V是对阅读历史向量的不同表达形式，所述Q、K和V为[n，m]大小的矩阵，n代表阅读历史信息的大小，m代表特征维度的大小。将Q、K、V都按列分别切割为H份，形成三个[n，H，m/H]的高维矩阵，这就是所谓的多头机制，每一个头只会和其他数据相应位置的头进行数据交互。Qi代表[n，H，m/H]向量的第i部分，维度大小为[n，1，m/H]。Ki和Vi以此类推。
对阅读历史信息进行了缩放点积自注意计算，每一个头各自与相应的部分进行缩放点积自注意计算，例如第i个头的计算方式如公式所示。这里使用了内积作为自注意力相关性的计算方法，并且内积的结构再处于向量的维度。进行缩放点积自注意计算的公式如下所示：
其中，Q为查询矩阵，K为键矩阵，V为值矩阵。Q、K和V中的值都为阅读历史信息中的项目向量。在上述公式中，输出是值的加权和，其中分配给每个值的权重由查询的点积与所有键确定。
每一个头经过上面的计算之后会得到新的表示，例如第i个头，经过上面的公式计算之后得到了一个新的高维向量[n，1，m/H]，将H个头的自注意力新表示向量按照第二个维度通过Concat函数拼接之后得到一个新的高维向量[n，H，m/H]，重新整理为[n，m]的向量。所述Concat函数为合并多个字符串或数组的函数，Concat函数可以用于连接两个或多个信息，且不会改变信息的内容。最后对所述输出的向量可以再乘以一个特征矩阵Wo，得到最终的自注意层输出向量，所述特征矩阵Wo的大小形式也是[n，m]。
利用多头自注意力机制，将阅读历史信息多次并行地通过缩放点积自注意力计算，独立的注意力输出被简单地连接，并线性地转换成预期的维度。所述多头自注意力机制能够允许模型在不同的子空间里学习到相关的信息。在多头自注意力机制中，每一个头都可以表示为：
其中W为不同的矩阵进行的线性变换参数。
通过多头自注意力机制，在阅读历史信息中的每个项目的自注意层输出向量为多个头的拼接，所述自注意层输出向量会融入全局的所有项目的信息，使得自注意模型共同关注来自不同位置的不同表示子空间的信息。最终获得的自注意层输出向量为：
Itemi＝[head1,head2,head3,…headn]Wo
所述自注意层输出向量乘以映射矩阵Wo，将拼接之后的向量重新映射到一个多维空间中。
通过自注意层输出向量和权重映射向量，可以获得每个项目的权重。具体的计算方式如下：
a＝softmax(vatanh(WaHT))
其中，HT为自注意层输出向量，Wa为映射矩阵，va为权重映射向量，经过Softmax函数进行归一化，得到每个项目的权重。所述Softmax函数为归一化指数函数。其中权重映射向量为预设的参数，在用户推荐的模型进行训练初始时会随机初始化，在训练的过程中根据优化算法动态更新，在训练结束之后保存最后的向量，即为权重映射向量。
阅读历史中的文章和视频的权重，可以避免信息的折损，并过滤被动阅读信息，有助于更为准确地选择推荐项目，使得推荐结果更加符合用户兴趣，更加个性化。采用多头注意力的机制，有助于学习到高阶交叉特征，使得对用户特征的认知更为准确。
S240.根据阅读历史权重和阅读历史信息，获得历史特征信息。
所述获得历史特征信息的方法包括：
将自注意层输出向量输入到注意力池化层模型中，根据阅读历史权重对自注意层输出向量进行加权平均，获得历史特征信息。
在获得各个项目的权重后，将权重值分配到每个自注意层输出向量中，进行加权平均，获得阅读历史信息进行融合后的历史特征信息。具体的计算过程如下：
c＝HaT
其中，H为自注意层输出向量，aT为各个项目的权重，c为历史特征信息。
在实际的应用场景中，用户对于阅读历史中的文章和视频等存在不同的偏好，且用户可能存在被动阅读行为，通过权重，可以根据用户对各个项目的偏好，对各个项目进行加权平均获得历史特征信息，更加符合用户对不同的播放历史存在不同偏爱程度的特点。并且还可以对被动阅读行为进行降权，排除干扰信息，提高推荐项目的准确度。
S250.根据所述用户属性信息、阅读特征信息和历史特征信息，获得用户特征信息。
请参见图6，组合所述用户属性信息、阅读特征信息和历史特征信息，获得用户特征信息的操作步骤如下：
S610.将所述用户属性信息、阅读特征信息和历史特征信息组合成组合特征信息；
S620.将所述组合特征信息输入多层神经网络，获得与候选项目的维度匹配的用户特征信息。
在一个具体的示例中，阅读属性信息分成特征组后进行池化操作得到阅读特征信息，每个特征组都具有对应的阅读特征信息。历史特征信息是通过阅读历史信息进行加权平均得到的信息。用户属性信息是用户的年龄、性别和所在地区等信息。将上述的阅读特征信息、历史特征信息和用户属性信息通过Concat函数组合成一个长维度的组合特征信息。所述Concat函数为合并多个字符串或数组的函数，Concat函数可以用于连接两个或多个信息，且不会改变信息的内容。
请参见图7，将所述组合特征信息经过深度学习网络生成用户特征信息。将组合特征信息经过多层的前馈神经网络，每一层使用RELU作为激活函数，最终得到用户特征向量Eu，所述用户特征向量Eu即为用户特征信息。所述RELU为线性整流函数。最终获得的用户特征向量Eu与候选项目的向量维度一致，可以理解为将用户特征向量和候选项目的向量映射到同一个空间中，便于后续对用户特征向量和候选项目的向量进行余弦相似度的计算。
上述获得用户特征信息的方法将用户的阅读特征信息、历史特征信息和用户属性信息组合成为组合特征信息，再经过深度学习网络整理为与候选项目维度匹配的用户特征信息，能够有效地融合用户的画像特征，为用户召回更加个性化的推荐结果。
S260.根据所述用户特征信息从所述候选项目中选择用于进行用户推荐的推荐项目。
通过深度学习网络生成用户特征信息，根据用户特征信息，进行推荐结果的预算。请参见图8，获得推荐项目的方法包括：
S810.计算所述用户特征信息和候选项目之间的相似度，获得用户特征信息与各个候选项目的相似度分值；
S820.根据所述相似度分值，从候选项目中选择用于进行用户推荐的推荐项目。
在一个具体的实施例中，组合特征信息经过前馈神经网络生成用户特征信息。假设候选项目的池子为[X1,X2,X3……Xn]，计算每个候选项目的向量与用户特征向量Eu余弦相似度，选择与用户特征向量Eu余弦相似度最高的几个候选项目的向量进行推荐。两个向量的余弦相似度计算公式如下：
其中，u与v为两个维度相同的向量，分别对应用户特征向量Eu和候选项目的嵌入向量，ui和vi分别对应维度的特征值。
在一个具体的实例中，假设一个用户U1，用户U1的用户属性信息阅读特征信息和历史特征信息最终得到用户特征向量Eu1，假设候选项目的池子为[X1,X2,X3……X10]，一共十个候选项目，计算Eu1与每个候选项目的余弦相似度后，获得最相似的候选项目[X3,X5,X7]，因此将最相似的候选项目作为推荐候选项。
本发明实施例提出的一种用户推荐方法是Item CF推荐类算法，所述Item CF推荐类算法为项目协同过滤推荐类算法(Item Collaborative Filtering，Item CF)，通过挖掘项目同现信息计算项目相似度，然后利用项目的相似度进行推荐和过滤。
在一个可行的实施例中，所述一种用户推荐方法还可以通过User CF推荐类算法实现，所述User CF推荐类算法为用户协同过滤推荐类算法(User CollaborativeFiltering，User CF)，挖掘用户相似度信息，推荐相似的用户喜欢的物品。
在一个可行的实施例中，所述一种用户推荐方法还可以通过Content CF推荐类算法实现，所述Content CF推荐类算法为内容协同过滤推荐类算法(Content CollaborativeFiltering，Content CF)，通过挖掘阅读内容信息计算内容相似度，然后利用内的相似度进行推荐和过滤。
本用户推荐模型的训练数据是基于用户的阅读序列和用户特征信息生成的。请参见图9，本模型设定一个滑动窗口，使用窗口内部的阅读序列和用户特征信息来预测用户可能感兴趣的下一个项目。如图9中所示，假设窗口大小为3，用户的阅读序列中的项目为[项目1,项目2,项目3]，所述窗口中还包括用户特征信息，用户特征信息包括阅读特征信息、历史特征信息和用户属性信息。使用[用户特征信息]+[项目1,项目2,项目3]，预测用户点击下一个项目4的概率。然后，将窗口往右移动一个位置，生成的训练样本为[用户特征信息]+[项目2,项目3,项目4]，预测用户点击下一个项目5的概率。剩余的训练数据依次使用同样的方法生成。
通过所述训练模型，预测用户点击下一个项目的概率，可以提高深度神经网络的泛化能力。
在一个具体的示例中，请参见图10，上述用户推荐方法可以应用在用户推荐的业务场景中。
在推荐场景中，根据用户之前浏览过的内容，包括视频或者文章等信息，获得所述视频或者文章的长期关键词、长期类目、最近七天关键词和最近七天类目，并获得用户最近阅读的阅读历史。
根据显示用户阅读属性的长期关键词、长期类目、最近七天关键词和最近七天类目，获得用户的阅读特征信息。
根据用户的阅读历史，建立自注意模型，获得阅读历史中各个项目的权重信息，从而对阅读历史进行加权平均，对用户特别偏好的项目加权，对用户被动阅读的项目降权，获得历史特征信息。例如，某一用户在阅读文章或视频时，对推理小说关注度较高，对同一个音乐剧片段视频浏览了五次，同时因为误操作点开过美妆视频，在几秒钟后关闭了该视频，因此，虽然推理小说、音乐剧视频和美妆视频都在该用户的阅读历史中，显然美妆视频用户的关注度低，因此对美妆视频就需要做降权处理，避免给该用户推荐美妆视频。
将所述历史特征信息和阅读特征信息，结合用户的性别、所在地和年龄等基本属性信息，获得用户的特征信息。根据用户特征信息对候选项目进行相似度计算，获得推荐项目。
用户阅读文章或者视频，进入到用户推荐场景中，即可以获得通过上述用户推荐方法所得到的推荐项目。
将上述用户推荐方法应用于用户推荐系统时，用户推荐系统由召回逻辑，初选逻辑，排名逻辑组成。其中召回逻辑可以依据特定用户的特征信息，按照各种精准个性化，泛个性化，热度等维度进行数据拉取召回。
序列化召回模型用于帮助对每一个有阅读点击行为的用户进行候选项目召回，取用户最近的历史特征信息、阅读特征信息和用户属性信息，组合成为用户特征信息,使用训练好的网络进行编码，然后按照用户推荐方法中描述的策略计算出分值最高的一些候选项目进行召回推荐。
初选逻辑负责对大量召回结果按照特定规则，例如：用户文档相关性，时效性，地域，多样性等，进行初步筛选，以减少排名计算规模；排名计算按照点击率预估模型来对最终结果排序，呈现给用户。初选逻辑和排名逻辑中需要使用很多的特征，加入计算好的用户特征向量作为粗排中的特征，为粗排提供精细的语义特征。
在用户推荐业务场景中的候选项目集数量巨大，超过1000万。为了高效地完成海量候选项目集的在线实时召回，可以将匹配层设为内积计算或者余弦相似度计算，同时配套分布式K近邻服务器(k-Nearest Neighbor，KNN)，完成在线的实时召回计算，使得整个系统有能力解决实时千万之巨的候选集的召回。
本发明提出的一种用户推荐方法，通过深度学习前馈神经网络，将用户的阅读历史信息、阅读属性信息和用户属性信息有效地融合成用户特征信息，并对用户的阅读历史信息进行权重建模，避免阅读历史信息的折损，同时也对被动阅读行为进行降权，使得推荐更为个性化。
本发明实施例还提供了一种用户推荐装置，请参见图11，所述装置包括阅读特征信息获得模块1110、历史特征信息获得模块1120、用户特征信息获得模块1130和推荐项目选择模块1140；
所述阅读特征信息获得模块1110用于对所述阅读属性信息按照预设分组进行组内信息融合，以得到阅读特征信息；
所述历史特征信息获得模块1120用于根据阅读历史信息，获得历史特征信息；
所述用户特征信息获得模块1130用于根据用户属性信息、阅读特征信息和历史特征信息，获得用户特征信息；
所述推荐项目选择模块1140用于根据所述用户特征信息，从候选项目中选择用于进行用户推荐的推荐项目。
在一个可行的实施例中，所述阅读属性信息包括长期关键词、长期类目、最近七天关键词和最近七天类目，因为在上述分组下的各个项目数目不同，对阅读属性信息按照预设的分组进行组内的信息平均池化，获得一个相对固定的阅读特征信息。
请参见图12，所述历史特征信息获得模块1120包括自注意层计算单元1210、阅读历史权重获得单元1220和自注意层池化单元1230；
所述自注意层计算单元1210用于将阅读历史信息输入到自注意层模型中，获得自注意层输出向量；
所述阅读历史权重获得单元1220用于根据自注意层输出向量和预设参数，获得阅读历史权重；
所述注意力池化层单元1230用于将自注意层输出向量输入到注意力池化层模型中，根据阅读历史权重对自注意层输出向量进行加权平均，获得历史特征信息。
在一个可行的实施例中，所述自注意层模型采用多头缩放点积的自注意模型，所述第一特征矩阵为查询矩阵，所述第二特征矩阵为键矩阵，所述第三特征矩阵为值矩阵。所述缩放点积的机制为，通过点积的方式对查询矩阵和键矩阵之间的依赖关系进行计算，为了避免内积过大，所述缩放点积的自注意计算方法除以键矩阵的维度进行调节。所述多头机制为将阅读历史信息多次并行地通过缩放点积自注意力计算，独立的注意力输出被简单地连接，并线性地转换成预期的维度。
请参见图13，所述用户特征信息获得模块1130包括组合特征信息获得单元1310和用户特征信息获得子单元1320。
所述组合特征信息获得单元1310用于将所述用户属性信息、阅读特征信息和历史特征信息组合成组合特征信息；
所述用户特征信息获得子单元1320用于将所述组合特征信息输入多层神经网络，获得与候选项目的维度匹配的用户特征信息。
请参见图14，所述推荐项目选择模块1140包括相似度分值获得单元1410和推荐项目选择子单元1420；
所述相似度分值获得单元1410用于根据所述推荐参考信息和候选项目，获得推荐参考信息与各个候选项目的相似度分值；
推荐候选项目选择子单元1420用于根据所述相似度分值，选择用于进行用户推荐的候选项目。
在一个可行的实施例中，进行相似度计算时可以采用余弦相似度，因此需要在获得用户特征信息时，将用户特征信息的维度通过神经网络，简化为与候选项目匹配的维度。对用户特征信息的用户特征向量和候选项目的向量进行相似度计算，选择相似度分值最高的几个候选项目，作为推进项目向用户推荐。
上述实施例中提供的装置可执行本发明任意实施例所提供方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的一种用户推荐方法。
本实施例还提供了一种计算机可读存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令由处理器加载并执行本实施例上述的一种用户推荐方法。
本实施例还提供了一种设备，所述设备包括处理器和存储器，其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行本实施例上述的一种用户推荐方法。
所述设备可以为计算机终端、移动终端或服务器，所述设备还可以参与构成本发明实施例所提供的装置或系统。如图15所示，移动终端15(或计算机终端15或服务器15)可以包括一个或多个(图中采用1502a、1502b，……，1502n来示出)处理器1502(处理器1502可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器1504、以及用于通信功能的传输装置1506。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图15所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，移动设备15还可包括比图15中所示更多或者更少的组件，或者具有与图15所示不同的配置。
应当注意到的是上述一个或多个处理器1502和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到移动设备15(或计算机终端)中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器1504可用于存储应用软件的软件程序以及模块，如本发明实施例中所述的方法对应的程序指令/数据存储装置，处理器1502通过运行存储在存储器1504内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，即实现上述的一种基于自注意力网络的时序行为捕捉框生成方法。存储器1504可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1504可进一步包括相对于处理器1502远程设置的存储器，这些远程存储器可以通过网络连接至移动设备15。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置1506用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端15的通信供应商提供的无线网络。在一个实例中，传输装置1506包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置1506可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与移动设备15(或计算机终端)的用户界面进行交互。
本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤和顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或中断产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
本实施例中所示出的结构，仅仅是与本申请方案相关的部分结构，并不构成对本申请方案所应用于其上的设备的限定，具体的设备可以包括比示出的更多或更少的部件，或者组合某些部件，或者具有不同的部件的布置。应当理解到，本实施例中所揭露的方法、装置等，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分仅仅为一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元模块的间接耦合或通信连接。
基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员还可以进一步意识到，结合本说明书所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但这种实现不应认为超出本发明的范围。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种用户推荐方法，其特征在于，所述方法包括：
获得用户属性信息、阅读属性信息、阅读历史信息和候选项目；
对所述阅读属性信息按照预设分组进行组内信息融合，以得到阅读特征信息；
根据阅读历史信息，获得阅读历史权重；
根据阅读历史权重和阅读历史信息，获得历史特征信息；
根据所述用户属性信息、阅读特征信息和历史特征信息，获得用户特征信息；
根据所述用户特征信息从所述候选项目中选择用于进行用户推荐的推荐项目。
2.根据权利要求1所述的一种用户推荐方法，其特征在于，所述对所述阅读属性信息按照预设分组进行组内信息融合，以得到阅读特征信息包括：
对同组的阅读属性信息进行平均池化，获得阅读特征信息。
3.根据权利要求1所述的一种用户推荐方法，其特征在于，所述根据阅读历史信息，获得阅读历史权重包括；
将所述阅读历史信息输入到自注意层模型中，计算得到阅读历史信息的自注意层输出向量；
根据所述自注意层输出向量和预设参数，计算得到阅读历史权重。
4.根据权利要求3所述的一种用户推荐方法，其特征在于，所述根据阅读历史权重和阅读历史信息，获得历史特征信息包括：
将自注意层输出向量输入到注意力池化层模型中，根据阅读历史权重对自注意层输出向量进行加权平均，获得历史特征信息。
5.根据权利要求3所述的一种用户推荐方法，其特征在于，所述自注意层模型主要执行下述方法：
将阅读历史信息重新编码为第一特征矩阵、第二特征矩阵和第三特征矩阵；
将所述第一特征矩阵、第二特征矩阵和第三特征矩阵经过线性变换，多次并行输入到第一自注意模型中，获得第一自注意模型的输出结果；
将所述第一自注意模型的输出结果进行拼接，经过线性变换获得自注意层输出向量。
6.根据权利要求1所述的一种用户推荐方法，其特征在于，所述根据所述用户属性信息、阅读特征信息和历史特征信息，获得用户特征信息包括：
将所述用户属性信息、阅读特征信息和历史特征信息组合成组合特征信息；
将所述组合特征信息输入多层神经网络，获得与候选项目的维度匹配的用户特征信息。
7.根据权利要求1所述的一种用户推荐方法，其特征在于，所述根据所述用户特征信息和候选项目，选择用于进行用户推荐的候选项目包括：
计算所述用户特征信息和候选项目之间的相似度，获得用户特征信息与各个候选项目的相似度分值；
根据所述相似度分值，从候选项目中选择用于进行用户推荐的推荐项目。
8.根据权利要求7所述的一种用户推荐方法，其特征在于，所述计算所述用户特征信息和候选项目之间的相似度，获得用户特征信息与各个候选项目的相似度分值包括：
将用户特征信息和候选项目输入到神经网络中，通过内积算法或者余弦相似度计算相似度分值。
9.一种用户推荐装置，其特征在于，所述装置包括：阅读特征信息获得模块、历史特征信息获得模块、用户特征信息获得模块和推荐项目选择模块；
所述阅读特征信息获得模块用于根据不同的阅读属性信息，获得对应的阅读特征信息；
所述历史特征信息获得模块用于根据阅读历史信息，获得历史特征信息；
所述用户特征信息获得模块用于根据用户属性信息、阅读特征信息和历史特征信息，获得用户特征信息；
所述推荐项目选择模块用于根据所述用户特征信息，从候选项目中选择用于进行用户推荐的推荐项目。
10.根据权利要求9所述的一种用户推荐装置，其特征在于，所述历史特征信息获得模块包括自注意层计算单元、阅读历史权重获得单元和自注意层池化单元；
所述自注意层计算单元用于将阅读历史信息输入到自注意层模型中，获得自注意层输出向量；
所述阅读历史权重获得单元用于根据自注意层输出向量和预设参数，获得阅读历史权重；
所述注意力池化层单元用于将自注意层输出向量输入到注意力池化层模型中，根据阅读历史权重对自注意层输出向量进行加权平均，获得历史特征信息。
CN201910312887.0A 2019-04-18 2019-04-18 一种用户推荐方法和装置 Active CN110046304B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910312887.0A CN110046304B (zh) 2019-04-18 2019-04-18 一种用户推荐方法和装置
PCT/CN2020/078144 WO2020211566A1 (zh) 2019-04-18 2020-03-06 一种用户推荐方法和装置以及计算设备和存储介质
US17/329,128 US20210279552A1 (en) 2019-04-18 2021-05-24 Method for making recommendations to a user and apparatus, computing device, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910312887.0A CN110046304B (zh) 2019-04-18 2019-04-18 一种用户推荐方法和装置

Publications (2)

Publication Number Publication Date
CN110046304A true CN110046304A (zh) 2019-07-23
CN110046304B CN110046304B (zh) 2022-12-13

Family

ID=67277797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910312887.0A Active CN110046304B (zh) 2019-04-18 2019-04-18 一种用户推荐方法和装置

Country Status (3)

Country Link
US (1) US20210279552A1 (zh)
CN (1) CN110046304B (zh)
WO (1) WO2020211566A1 (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110990706A (zh) * 2019-12-09 2020-04-10 腾讯科技（深圳）有限公司 语料推荐方法及装置
CN110990624A (zh) * 2019-12-13 2020-04-10 上海喜马拉雅科技有限公司 一种视频推荐方法、装置、设备及存储介质
CN111046285A (zh) * 2019-12-11 2020-04-21 拉扎斯网络科技（上海）有限公司 一种推荐排序确定方法、装置、服务器及存储介质
CN111222722A (zh) * 2020-04-24 2020-06-02 支付宝(杭州)信息技术有限公司 针对业务对象进行业务预测的方法、神经网络模型和装置
CN111274473A (zh) * 2020-01-13 2020-06-12 腾讯科技（深圳）有限公司 基于人工智能的推荐模型的训练方法、装置及存储介质
CN111339404A (zh) * 2020-02-14 2020-06-26 腾讯科技（深圳）有限公司 基于人工智能的内容热度预测方法、装置和计算机设备
CN111400603A (zh) * 2020-03-20 2020-07-10 腾讯科技（深圳）有限公司 一种信息推送方法、装置、设备及计算机可读存储介质
CN111680217A (zh) * 2020-05-27 2020-09-18 腾讯科技（深圳）有限公司 内容推荐方法、装置、设备及存储介质
WO2020211566A1 (zh) * 2019-04-18 2020-10-22 腾讯科技（深圳）有限公司 一种用户推荐方法和装置以及计算设备和存储介质
CN112632370A (zh) * 2020-12-08 2021-04-09 青岛海尔科技有限公司 用于文章推送的方法及装置、设备
CN112882621A (zh) * 2021-02-07 2021-06-01 微民保险代理有限公司 模块显示方法、装置、计算机设备和存储介质
CN113255801A (zh) * 2021-06-02 2021-08-13 北京字节跳动网络技术有限公司 一种数据处理的方法、装置、计算机设备及存储介质
CN113343102A (zh) * 2021-06-28 2021-09-03 平安信托有限责任公司 基于特征筛选的数据推荐方法、装置、电子设备及介质
CN113360632A (zh) * 2021-06-09 2021-09-07 南京大学 一种用于众包软件测试的多路召回推荐方法
WO2021196470A1 (zh) * 2020-03-31 2021-10-07 百度在线网络技术（北京）有限公司 信息推送方法、装置、设备及存储介质
CN114756768A (zh) * 2022-06-15 2022-07-15 腾讯科技（深圳）有限公司 数据处理方法、装置、设备、可读存储介质及程序产品
US11669530B2 (en) 2020-03-31 2023-06-06 Baidu Online Network Technology (Beijing) Co., Ltd. Information push method and apparatus, device, and storage medium

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11636394B2 (en) * 2020-06-25 2023-04-25 Microsoft Technology Licensing, Llc Differentiable user-item co-clustering
CN112417207B (zh) * 2020-11-24 2023-02-21 未来电视有限公司 一种视频推荐方法、装置、设备及存储介质
CN112598462B (zh) * 2020-12-19 2023-08-25 武汉大学 基于协同过滤和深度学习的个性化推荐方法及系统
CN113283986A (zh) * 2021-04-28 2021-08-20 南京大学 算法交易系统及基于该系统的算法交易模型的训练方法
US20220382424A1 (en) * 2021-05-26 2022-12-01 Intuit Inc. Smart navigation
CN113379500A (zh) * 2021-06-21 2021-09-10 北京沃东天骏信息技术有限公司 排序模型训练方法和装置、物品排序方法和装置
CN113506138A (zh) * 2021-07-16 2021-10-15 瑞幸咖啡信息技术(厦门)有限公司 业务对象的数据预估方法、装置、设备及存储介质
CN113821722A (zh) * 2021-09-17 2021-12-21 北京百度网讯科技有限公司 数据处理方法、推荐方法、装置、电子设备以及介质
WO2023051678A1 (zh) * 2021-09-29 2023-04-06 华为技术有限公司 一种推荐方法及相关装置
CN114489559B (zh) * 2022-01-24 2023-11-28 北京达佳互联信息技术有限公司 音频播放方法、音频播放的处理方法及装置
CN114818921B (zh) * 2022-04-26 2023-04-07 北京思源智通科技有限责任公司 一种多维度图书分级方法、系统、可读介质及设备
CN114722301B (zh) * 2022-06-09 2022-09-09 江西省精彩纵横采购咨询有限公司 一种招投标信息推荐方法、装置、存储介质及设备
CN114781625B (zh) * 2022-06-13 2022-09-23 支付宝(杭州)信息技术有限公司 一种网络模型训练、推送内容确定方法及装置
CN116738034A (zh) * 2022-10-10 2023-09-12 荣耀终端有限公司 一种信息推送方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120030135A1 (en) * 2010-07-30 2012-02-02 Author Solutions Inc. Literary work of authorship having an embedded recommendation
CN102541862A (zh) * 2010-12-14 2012-07-04 阿里巴巴集团控股有限公司 跨网站的信息显示方法及系统
CN102611785A (zh) * 2011-01-20 2012-07-25 北京邮电大学 面向手机的移动用户个性化新闻主动推荐服务系统及方法
CN102819555A (zh) * 2012-06-27 2012-12-12 北京奇虎科技有限公司 一种在网页的阅读模式中进行推荐信息加载的方法和装置
US20130060763A1 (en) * 2011-09-06 2013-03-07 Microsoft Corporation Using reading levels in responding to requests
CN105488233A (zh) * 2016-01-25 2016-04-13 广东顺德中山大学卡内基梅隆大学国际联合研究院 阅读信息推荐方法和系统
CN107656938A (zh) * 2016-07-26 2018-02-02 北京搜狗科技发展有限公司 一种推荐方法和装置、一种用于推荐的装置
CN107766547A (zh) * 2017-10-31 2018-03-06 掌阅科技股份有限公司 电子书推荐方法、电子设备及计算机存储介质
CN108491529A (zh) * 2018-03-28 2018-09-04 百度在线网络技术（北京）有限公司 信息推荐方法及装置
CN108520076A (zh) * 2018-04-19 2018-09-11 掌阅科技股份有限公司 电子书推荐方法、电子设备及计算机存储介质
CN108520048A (zh) * 2018-03-30 2018-09-11 掌阅科技股份有限公司 基于电子书的活动内容推送方法及电子设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239466A (zh) * 2014-09-02 2014-12-24 百度在线网络技术（北京）有限公司 向用户推荐项目的方法、装置及设备
CN107145518B (zh) * 2017-04-10 2020-04-14 同济大学 一种社交网络下基于深度学习的个性化推荐系统
CN109543714B (zh) * 2018-10-16 2020-03-27 北京达佳互联信息技术有限公司 数据特征的获取方法、装置、电子设备及存储介质
CN110046304B (zh) * 2019-04-18 2022-12-13 腾讯科技（深圳）有限公司 一种用户推荐方法和装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120030135A1 (en) * 2010-07-30 2012-02-02 Author Solutions Inc. Literary work of authorship having an embedded recommendation
CN102541862A (zh) * 2010-12-14 2012-07-04 阿里巴巴集团控股有限公司 跨网站的信息显示方法及系统
CN102611785A (zh) * 2011-01-20 2012-07-25 北京邮电大学 面向手机的移动用户个性化新闻主动推荐服务系统及方法
US20130060763A1 (en) * 2011-09-06 2013-03-07 Microsoft Corporation Using reading levels in responding to requests
CN102819555A (zh) * 2012-06-27 2012-12-12 北京奇虎科技有限公司 一种在网页的阅读模式中进行推荐信息加载的方法和装置
CN105488233A (zh) * 2016-01-25 2016-04-13 广东顺德中山大学卡内基梅隆大学国际联合研究院 阅读信息推荐方法和系统
CN107656938A (zh) * 2016-07-26 2018-02-02 北京搜狗科技发展有限公司 一种推荐方法和装置、一种用于推荐的装置
CN107766547A (zh) * 2017-10-31 2018-03-06 掌阅科技股份有限公司 电子书推荐方法、电子设备及计算机存储介质
CN108491529A (zh) * 2018-03-28 2018-09-04 百度在线网络技术（北京）有限公司 信息推荐方法及装置
CN108520048A (zh) * 2018-03-30 2018-09-11 掌阅科技股份有限公司 基于电子书的活动内容推送方法及电子设备
CN108520076A (zh) * 2018-04-19 2018-09-11 掌阅科技股份有限公司 电子书推荐方法、电子设备及计算机存储介质

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020211566A1 (zh) * 2019-04-18 2020-10-22 腾讯科技（深圳）有限公司 一种用户推荐方法和装置以及计算设备和存储介质
CN110990706B (zh) * 2019-12-09 2023-10-13 腾讯科技（深圳）有限公司 语料推荐方法及装置
CN110990706A (zh) * 2019-12-09 2020-04-10 腾讯科技（深圳）有限公司 语料推荐方法及装置
CN111046285A (zh) * 2019-12-11 2020-04-21 拉扎斯网络科技（上海）有限公司 一种推荐排序确定方法、装置、服务器及存储介质
CN111046285B (zh) * 2019-12-11 2023-04-25 拉扎斯网络科技（上海）有限公司 一种推荐排序确定方法、装置、服务器及存储介质
CN110990624A (zh) * 2019-12-13 2020-04-10 上海喜马拉雅科技有限公司 一种视频推荐方法、装置、设备及存储介质
CN110990624B (zh) * 2019-12-13 2024-03-01 上海喜马拉雅科技有限公司 一种视频推荐方法、装置、设备及存储介质
CN111274473A (zh) * 2020-01-13 2020-06-12 腾讯科技（深圳）有限公司 基于人工智能的推荐模型的训练方法、装置及存储介质
CN111274473B (zh) * 2020-01-13 2021-03-12 腾讯科技（深圳）有限公司 基于人工智能的推荐模型的训练方法、装置及存储介质
CN111339404A (zh) * 2020-02-14 2020-06-26 腾讯科技（深圳）有限公司 基于人工智能的内容热度预测方法、装置和计算机设备
CN111400603A (zh) * 2020-03-20 2020-07-10 腾讯科技（深圳）有限公司 一种信息推送方法、装置、设备及计算机可读存储介质
US11669530B2 (en) 2020-03-31 2023-06-06 Baidu Online Network Technology (Beijing) Co., Ltd. Information push method and apparatus, device, and storage medium
WO2021196470A1 (zh) * 2020-03-31 2021-10-07 百度在线网络技术（北京）有限公司 信息推送方法、装置、设备及存储介质
CN111222722A (zh) * 2020-04-24 2020-06-02 支付宝(杭州)信息技术有限公司 针对业务对象进行业务预测的方法、神经网络模型和装置
CN111680217B (zh) * 2020-05-27 2022-10-14 腾讯科技（深圳）有限公司 内容推荐方法、装置、设备及存储介质
CN111680217A (zh) * 2020-05-27 2020-09-18 腾讯科技（深圳）有限公司 内容推荐方法、装置、设备及存储介质
CN112632370A (zh) * 2020-12-08 2021-04-09 青岛海尔科技有限公司 用于文章推送的方法及装置、设备
CN112882621B (zh) * 2021-02-07 2022-11-18 微民保险代理有限公司 模块显示方法、装置、计算机设备和存储介质
CN112882621A (zh) * 2021-02-07 2021-06-01 微民保险代理有限公司 模块显示方法、装置、计算机设备和存储介质
CN113255801A (zh) * 2021-06-02 2021-08-13 北京字节跳动网络技术有限公司 一种数据处理的方法、装置、计算机设备及存储介质
CN113360632A (zh) * 2021-06-09 2021-09-07 南京大学 一种用于众包软件测试的多路召回推荐方法
CN113360632B (zh) * 2021-06-09 2023-08-25 南京大学 一种用于众包软件测试的多路召回推荐方法
CN113343102A (zh) * 2021-06-28 2021-09-03 平安信托有限责任公司 基于特征筛选的数据推荐方法、装置、电子设备及介质
CN114756768A (zh) * 2022-06-15 2022-07-15 腾讯科技（深圳）有限公司 数据处理方法、装置、设备、可读存储介质及程序产品
CN114756768B (zh) * 2022-06-15 2022-09-02 腾讯科技（深圳）有限公司 数据处理方法、装置、设备、可读存储介质及程序产品

Also Published As

Publication number Publication date
US20210279552A1 (en) 2021-09-09
WO2020211566A1 (zh) 2020-10-22
CN110046304B (zh) 2022-12-13

Similar Documents

Publication Publication Date Title
CN110046304A (zh) 一种用户推荐方法和装置
CN111241311B (zh) 媒体信息推荐方法、装置、电子设备及存储介质
Bari et al. Predictive analytics for dummies
CN103246672B (zh) 对用户进行个性化推荐的方法和装置
CN110162700A (zh) 信息推荐及模型的训练方法、装置、设备以及存储介质
Chen et al. Deep reinforcement learning in recommender systems: A survey and new perspectives
Lytvyn et al. Design of the architecture of an intelligent system for distributing commercial content in the internet space based on SEO-technologies, neural networks, and Machine Learning
CN111859160B (zh) 一种基于图神经网络会话序列推荐方法及系统
CN111046294A (zh) 点击率预测方法、推荐方法、模型、装置及设备
CN110413894B (zh) 内容推荐模型的训练方法、内容推荐的方法及相关装置
CN110263189A (zh) 媒体内容的推荐方法、装置、存储介质和计算机设备
Li et al. A CTR prediction model based on user interest via attention mechanism
CN110351318A (zh) 应用推荐的方法、终端和计算机存储介质
CN112699310A (zh) 基于深度神经网络的冷启动跨域混合推荐的方法及系统
Amir et al. On the current state of deep learning for news recommendation
Alhamdani et al. Recommender system for global terrorist database based on deep learning
CN108647064A (zh) 操作路径导航的方法及装置
Santana et al. MARS-Gym: A Gym framework to model, train, and evaluate Recommender Systems for Marketplaces
Skenderi et al. Well googled is half done: Multimodal forecasting of new fashion product sales with image‐based google trends
Chen et al. Session-based recommendation: Learning multi-dimension interests via a multi-head attention graph neural network
CN113688306A (zh) 一种基于强化学习的推荐策略生成方法及装置
Dong et al. Improving sequential recommendation with attribute-augmented graph neural networks
CN114817692A (zh) 确定推荐对象的方法、装置和设备及计算机存储介质
Nasir et al. Improving e-commerce product recommendation using semantic context and sequential historical purchases
Vysotska et al. V. Lytvyn

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