CN110059261A - 内容推荐方法及装置 - Google Patents
内容推荐方法及装置 Download PDFInfo
- Publication number
- CN110059261A CN110059261A CN201910204788.0A CN201910204788A CN110059261A CN 110059261 A CN110059261 A CN 110059261A CN 201910204788 A CN201910204788 A CN 201910204788A CN 110059261 A CN110059261 A CN 110059261A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- class
- vector class
- content
- 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.)
- Pending
Links
Classifications
-
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开一种内容推荐方法及装置,能提高内容推荐的效果。方法包括:从待推荐用户历史一段时间内获取的内容中提取出第一关键词,根据所述第一关键词构建第一特征向量;从预设的至少一个特征向量类中选择所述第一特征向量所属的特征向量类,并选择所述第一特征向量所属的特征向量类作为目标特征向量类,用以将所述目标特征向量类对应的推荐内容推荐给所述待推荐用户,其中,所述至少一个特征向量类对应的推荐内容基于至少包括所述待推荐用户类别的一个或多个类别采用协同过滤方法得到,所述目标特征向量类对应的推荐内容选自于所述至少一个特征向量类对应的推荐内容。
Description
技术领域
本发明实施例涉及数据处理技术领域,具体涉及一种内容推荐方法及装置。
背景技术
如今互联网上囊括了海量的信息,而同时有数以亿计的用户每天从互联网上获取这些复杂的信息。如何将这些信息有效地分发给不同的用户,使得信息被最高效地利用,并让用户以最小的成本获取有用的信息,是一项十分有意义的挑战。现有的实现信息到用户的分发的技术主要有基于内容的推荐和协同过滤推荐两种方法。
其中,基于内容的推荐:根据用户的历史行为,利用机器学习算法学习每个用户对不同信息内容的偏爱程度,从而在候选内容中抽取每个用户可能偏爱的信息,即该方法根据用户在站内的历史行为进行推断,但由于用户的历史行为很大一部分来自于站内推送的信息,故推荐结果容易陷入『推荐->行为->推荐->……』的循环中,造成用户对重复出现的相似内容感到厌倦。
协同过滤推荐:根据『用户-信息』关系,将关联较强的『用户-信息』组合过滤出来。它包括两大类算法,分别是基于邻居的协同过滤和基于模型的协同过滤。这两种方法都依赖于『用户-信息』关系的稀疏矩阵A。基于邻居的过滤根据A,计算得到每个用户和其他用户的最近邻或每条信息和其他信息的最近邻,再根据最近邻的『用户-信息』关系,得到每个用户的相似用户感兴趣的内容,或每个用户感兴趣的内容的相似内容,从而可以拓展用户感兴趣的内容。基于模型的过滤通常采取学习隐藏语义的策略,将信息推荐问题转化为了矩阵补全问题,常用的方法是利用奇异值分解,将稀疏矩阵A近似转换成稠密的低秩矩阵,从而得到用户对信息的隐藏兴趣得分,并以此进行推荐。对于基于邻居的协同过滤,由于需要计算最近邻,故整体的时间复杂度是用户量或信息量的平方量级,这对于用户数和内容量都是上亿量级的应用,很难实现最近邻搜索。对于基于模型的协同过滤,由于需要进行奇异值分解,需要『用户量』*『信息量』*『用户平均信息量』量级的计算量,在有限的计算资源和时间成本下,同样难以实现。
发明内容
针对现有技术存在的不足和缺陷,本发明实施例提供一种内容推荐方法及装置。
一方面,本发明实施例提出一种内容推荐方法,包括:
从待推荐用户历史一段时间内获取的内容中提取出第一关键词,根据所述第一关键词构建第一特征向量;
从预设的至少一个特征向量类中选择所述第一特征向量所属的特征向量类,并选择所述第一特征向量所属的特征向量类作为目标特征向量类,用以将所述目标特征向量类对应的推荐内容推荐给所述待推荐用户,其中,所述至少一个特征向量类对应的推荐内容基于至少包括所述待推荐用户类别的一个或多个类别采用协同过滤方法得到,所述目标特征向量类对应的推荐内容选自于所述至少一个特征向量类对应的推荐内容。
可选地,所述根据所述第一关键词构建第一特征向量,包括:
根据所述第一关键词构建中间向量;
通过将所述中间向量输入预先训练好的自编码器模型,得到所述第一特征向量。
可选地,所述从预设的至少一个特征向量类中选择所述第一特征向量所属的特征向量类,包括:
对于所述至少一个特征向量类中的每一个特征向量类,计算该特征向量类的中心与所述第一特征向量之间的相似度,并将所述相似度中最大相似度对应的中心所属的特征向量类作为所述第一特征向量所属的特征向量类。
可选地,在所述用以将所述目标特征向量类对应的推荐内容推荐给所述待推荐用户之前,还包括:
获取训练样本,从所述训练样本中提取出第二关键词,根据所述第二关键词构建第二特征向量,其中,所述训练样本包括至少一个用户历史一段时间内获取的内容;
对所述第二特征向量进行聚类以得到所述至少一个特征向量类,根据所述训练样本和所述至少一个特征向量类,采用协同过滤方法得到所述至少一个特征向量类对应的推荐内容。
可选地,所述根据所述训练样本和所述至少一个特征向量类,采用协同过滤方法得到所述至少一个特征向量类对应的推荐内容,包括:
根据所述训练样本和所述至少一个特征向量类构建第一矩阵,其中,所述第一矩阵的行数为m1,列数为n1,m1为所述至少一个特征向量类的数量,n1为对所述训练样本中各个用户获取的内容形成的集合做并集以得到的集合中内容的数量,所述第一矩阵的第i行第j列的元素表示第i个特征向量类中的所有用户历史一段时间内获取第j个内容的总数,i和j为正整数,1≤i≤m1,1≤j≤n1;
根据所述第一矩阵,采用协同过滤方法或词频-逆文本频率指数方法或点互信息方法得到所述至少一个特征向量类对应的推荐内容。
可选地,所述根据所述训练样本和所述至少一个特征向量类,采用协同过滤方法得到所述至少一个特征向量类对应的推荐内容,包括:
对于所述至少一个特征向量类中的每一个特征向量类,根据所述训练样本中该特征向量类对应的数据构建该特征向量类对应的第二矩阵,其中,所述第二矩阵的行数为m2,列数为n2,m2为该特征向量类中第二特征向量的数量,n2为对所述训练样本中该特征向量类对应的各个用户获取的内容形成的集合做并集以得到的集合中内容的数量,所述第二矩阵的第p行第q列的元素表示该特征向量类对应的各个用户中第p个用户历史一段时间内获取对所述训练样本中该特征向量类对应的各个用户获取的内容形成的集合做并集以得到的集合中第q个内容的总数,p和q为正整数,1≤p≤m2,1≤q≤n2;
对于所述至少一个特征向量类中的每一个特征向量类对应的第二矩阵,根据该第二矩阵,采用协同过滤方法得到该特征向量类对应的推荐内容。
另一方面,本发明实施例提出一种内容推荐装置,包括:
第一构建单元,用于从待推荐用户历史一段时间内获取的内容中提取出第一关键词,根据所述第一关键词构建第一特征向量;
推荐单元,用于从预设的至少一个特征向量类中选择所述第一特征向量所属的特征向量类,并选择所述第一特征向量所属的特征向量类作为目标特征向量类,用以将所述目标特征向量类对应的推荐内容推荐给所述待推荐用户,其中,所述至少一个特征向量类对应的推荐内容基于至少包括所述待推荐用户类别的一个或多个类别采用协同过滤方法得到,所述目标特征向量类对应的推荐内容选自于所述至少一个特征向量类对应的推荐内容。
可选地,所述构建单元,具体用于:
根据所述第一关键词构建中间向量;
通过将所述中间向量输入预先训练好的自编码器模型,得到所述第一特征向量。
可选地,所述推荐单元,具体用于:
对于所述至少一个特征向量类中的每一个特征向量类,计算该特征向量类的中心与所述第一特征向量之间的相似度,并将所述相似度中最大相似度对应的中心所属的特征向量类作为所述第一特征向量所属的特征向量类。
可选地,所述装置还包括:
第二构建单元,用于在所述推荐单元工作之前,获取训练样本,从所述训练样本中提取出第二关键词,根据所述第二关键词构建第二特征向量,其中,所述训练样本包括至少一个用户历史一段时间内获取的内容;
聚类单元,用于对所述第二特征向量进行聚类以得到所述至少一个特征向量类,根据所述训练样本和所述至少一个特征向量类,采用协同过滤方法得到所述至少一个特征向量类对应的推荐内容。
可选地,所述聚类单元,具体用于:
根据所述训练样本和所述至少一个特征向量类构建第一矩阵,其中,所述第一矩阵的行数为m1,列数为n1,m1为所述至少一个特征向量类的数量,n1为对所述训练样本中各个用户获取的内容形成的集合做并集以得到的集合中内容的数量,所述第一矩阵的第i行第j列的元素表示第i个特征向量类中的所有用户历史一段时间内获取第j个内容的总数,i和j为正整数,1≤i≤m1,1≤j≤n1;
根据所述第一矩阵,采用协同过滤方法或词频-逆文本频率指数方法或点互信息方法得到所述至少一个特征向量类对应的推荐内容。
可选地,所述聚类单元,具体用于:
对于所述至少一个特征向量类中的每一个特征向量类,根据所述训练样本中该特征向量类对应的数据构建该特征向量类对应的第二矩阵,其中,所述第二矩阵的行数为m2,列数为n2,m2为该特征向量类中第二特征向量的数量,n2为对所述训练样本中该特征向量类对应的各个用户获取的内容形成的集合做并集以得到的集合中内容的数量,所述第二矩阵的第p行第q列的元素表示该特征向量类对应的各个用户中第p个用户历史一段时间内获取对所述训练样本中该特征向量类对应的各个用户获取的内容形成的集合做并集以得到的集合中第q个内容的总数,p和q为正整数,1≤p≤m2,1≤q≤n2;
对于所述至少一个特征向量类中的每一个特征向量类对应的第二矩阵,根据该第二矩阵,采用协同过滤方法得到该特征向量类对应的推荐内容。
第三方面,本发明实施例提供一种电子设备,包括:处理器、存储器、总线及存储在存储器上并可在处理器上运行的计算机程序;
其中,所述处理器,存储器通过所述总线完成相互间的通信;
所述处理器执行所述计算机程序时实现上述方法。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,所述存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述方法。
本发明实施例提供的内容推荐方法及装置,首先从待推荐用户历史一段时间内获取的内容中提取出第一关键词,根据所述第一关键词构建第一特征向量;然后从预设的至少一个特征向量类中确定出所述第一特征向量所属的特征向量类,将所述第一特征向量所属的特征向量类作为目标特征向量类,并将所述目标特征向量类对应的推荐内容推荐给所述待推荐用户,即本发明实施例将用户所属类别的推荐内容显示推荐给用户,而各个特征向量类对应的推荐内容基于类别采用协同过滤方法得到,从而能够保证内容推荐的准确度,相较于现有技术,具有如下有益效果:
(1)相较于现有的基于内容的推荐,本发明实施例不再以用户个体为单位,而以用户所属的类别为单位进行内容推荐,这就使得对单个用户的推荐内容由用户所属的类别这一整体决定,不容易陷入『推荐->行为->推荐->……』的循环中,推荐的内容的用户需求度更高;
(2)相较于现有的协同过滤推荐,本发明实施例中的至少一个特征向量类对应的推荐内容基于至少包括所述待推荐用户类别的一个或多个类别采用协同过滤方法得到,可以避免直接对『用户-信息』关系的稀疏矩阵进行处理,能够提高内容推荐的效率。
附图说明
图1为本发明内容推荐方法一实施例的流程示意图;
图2为本发明内容推荐方法另一实施例的部分流程示意图;
图3为本发明内容推荐方法又一实施例的流程示意图;
图4为本发明内容推荐方法又一实施例的部分流程示意图;
图5为本发明内容推荐方法又一实施例的部分流程示意图;
图6为本发明内容推荐装置一实施例的结构示意图;
图7为本发明内容推荐装置另一实施例的结构示意图;
图8为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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地描述,显然,所描述的实施例是本发明一部分实施例,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前提下所获得的所有其他实施例,都属于本发明实施例保护的范围。
参看图1,本实施例公开一种内容推荐方法,包括:
S10、从待推荐用户历史一段时间内获取的内容中提取出第一关键词,根据所述第一关键词构建第一特征向量;
本实施例中,待推荐用户获取的内容具体可以包括用户收藏的内容、点赞的内容、关注的内容和评论的内容等。历史一段时间可以根据需要设置,比如以当前时刻为终点的历史3天、历史一个星期等。第一关键词包括从获取的内容中直接提取出的关键词,也包括获取的内容绑定的话题。第一特征向量为能够表示第一关键词所含特征的向量。使用包括关键词和话题的第一关键词构建第一特征向量能保证第一特征向量包含更多的特征,便于实现准确的内容推荐。
S11、从预设的至少一个特征向量类中选择所述第一特征向量所属的特征向量类,并选择所述第一特征向量所属的特征向量类作为目标特征向量类,用以将所述目标特征向量类对应的推荐内容推荐给所述待推荐用户,其中,所述至少一个特征向量类对应的推荐内容基于至少包括所述待推荐用户类别的一个或多个类别采用协同过滤方法得到,所述目标特征向量类对应的推荐内容选自于所述至少一个特征向量类对应的推荐内容。
本实施例中,至少一个特征向量类对应的推荐内容离线计算得到,计算周期可以根据需要设置,在实际推荐时,不再实时计算,以提高内容推荐的效率。基于至少包括所述待推荐用户类别的一个或多个类别做协同过滤,使得群体之间的推荐内容差异化,一方面,能够将个体与其所在类别之外的个体区分开;另一方面,个体也受到了类别这一范围较小的群体的影响,因此能够根据小群体的偏好给用户做兴趣的拓展。另外,在分析用户的内容推荐时,可以轻松地通过用户第一特征向量所属的类别进行跟踪;而对于传统的协同过滤算法,对每个用户的推荐结果只能对用户分别跟踪,费时费力。
本发明实施例提供的内容推荐方法,首先从待推荐用户历史一段时间内获取的内容中提取出第一关键词,根据所述第一关键词构建第一特征向量;然后从预设的至少一个特征向量类中选择所述第一特征向量所属的特征向量类,并选择所述第一特征向量所属的特征向量类作为目标特征向量类,用以将所述目标特征向量类对应的推荐内容推荐给所述待推荐用户,即本发明实施例将用户所属类别的推荐内容显示推荐给用户,而各个特征向量类对应的推荐内容基于至少包括所述待推荐用户类别的一个或多个类别采用协同过滤方法得到,从而能够保证内容推荐的准确度,相较于现有技术,具有如下有益效果:(1)相较于现有的基于内容的推荐,本发明实施例不再以用户个体为单位,而以用户所属的类别为单位进行内容推荐,这就使得对单个用户的推荐内容由用户所属的类别这一整体决定,不容易陷入『推荐->行为->推荐->……』的循环中,推荐的内容的用户需求度更高;(2)相较于现有的协同过滤推荐,本发明实施例中的至少一个特征向量类对应的推荐内容基于类别采用协同过滤方法得到,可以避免直接对『用户-信息』关系的稀疏矩阵进行处理,能够提高内容推荐的效率。
图2为本发明内容推荐方法另一实施例的部分流程示意图,参看图2,在前述方法实施例的基础上,所述根据所述第一关键词构建第一特征向量,可以包括:
S20、根据所述第一关键词构建中间向量;
S21、通过将所述中间向量输入预先训练好的自编码器模型,得到所述第一特征向量。
本实施例中,所述中间向量的元素数量为关键词库中第一关键词的数量,其中,所述关键词库由至少一个第一关键词组成,所述中间向量中每一个元素对应所述关键词库中一个第一关键词。在确定所述中间向量的某一元素的取值时,若该元素对应的所述关键词库中的第一关键词为从获取的内容中提取出的第一关键词中的一个第一关键词,则设置该元素的取值为1,否则,设置该元素的取值为0。
在构建出中间向量后,可以将所述中间向量输入预先训练好的自编码器模型,得到所述第一特征向量。而在将所述中间向量输入所述自编码器模型之前,需要对所述自编码器模型进行训练,训练样本使用多个中间向量,该多个中间向量可以根据多个用户历史一段时间内获取的内容确定出,具体方法同从待推荐用户历史一段时间内获取的内容确定中间向量的过程一致,此处不再赘述。需要说明的是,训练好自编码器模型后,在实际使用自编码器模型时,其中间维度最小的隐藏层(维度为256)输出的向量即为第一特征向量。
本实施例中,利用自编码器模型构建维度较小的第一特征向量,该第一特征向量能够以较少的数据量准确表示出用户历史一段时间内获取的内容,从而能够在保证根据该第一特征向量进行的内容推荐处理的效率的同时保证处理的精度。
在前述方法实施例的基础上,所述从预设的至少一个特征向量类中选择所述第一特征向量所属的特征向量类,可以包括:
对于所述至少一个特征向量类中的每一个特征向量类,计算该特征向量类的中心与所述第一特征向量之间的相似度,并将所述相似度中最大相似度对应的中心所属的特征向量类作为所述第一特征向量所属的特征向量类。
本实施例中,特征向量类的中心与所述第一特征向量之间的相似度可以使用余弦函数量化。
图3为本发明内容推荐方法又一实施例的流程示意图,参看图3,在前述方法实施例的基础上,在所述用以将所述目标特征向量类对应的推荐内容推荐给所述待推荐用户之前,还可以包括:
S30、获取训练样本,从所述训练样本中提取出第二关键词,根据所述第二关键词构建第二特征向量,其中,所述训练样本包括至少一个用户历史一段时间内获取的内容;
S31、对所述第二特征向量进行聚类以得到所述至少一个特征向量类,根据所述训练样本和所述至少一个特征向量类,采用协同过滤方法得到所述至少一个特征向量类对应的推荐内容。
本实施例中,构建第二特征向量的过程同前述实施例中构建第一特征向量的过程一致,此处不再赘述。步骤S31中对所述第二特征向量进行聚类具体可以包括如下过程:对所述第二特征向量进行模长归一化;对模长归一化以得到的向量集用欧氏距离做K-means聚类,并将K-means聚类结果对应到所述第二特征向量上,得到所述至少一个特征向量类。
图4为本发明内容推荐方法又一实施例的部分流程示意图,参看图4,在前述方法实施例的基础上,所述根据所述训练样本和所述至少一个特征向量类,采用协同过滤方法得到所述至少一个特征向量类对应的推荐内容,可以包括:
S40、根据所述训练样本和所述至少一个特征向量类构建第一矩阵,其中,所述第一矩阵的行数为m1,列数为n1,m1为所述至少一个特征向量类的数量,n1为对所述训练样本中各个用户获取的内容形成的集合做并集以得到的集合中内容的数量,所述第一矩阵的第i行第j列的元素表示第i个特征向量类中的所有用户历史一段时间内获取第j个内容的总数,i和j为正整数,1≤i≤m1,1≤j≤n1;
S41、根据所述第一矩阵,采用协同过滤方法或词频-逆文本频率指数方法或点互信息方法得到所述至少一个特征向量类对应的推荐内容。
本实施例中,第一矩阵的每一行对应一个特征向量类,每一列对应一个内容,每一个元素表示对应的特征向量类内对应的内容的获取总次数,在构建出第一矩阵后,可以使用协同过滤方法或词频-逆文本频率指数方法或点互信息方法得到所述至少一个特征向量类对应的推荐内容。
其中,对于协同过滤方法,可以根据所述第一矩阵,采用协同过滤方法确定出所述至少一个特征向量类中每一个特征向量类内评分最高的前l1(l1可以根据需要设置)个内容作为该特征向量类对应的推荐内容。
对于词频-逆文本频率指数方法,可以根据根据所述第一矩阵,计算所述第一矩阵中各个元素对应的特征向量类和内容的逆文本频率指数以及词频,再计算所述各个元素对应的逆文本频率指数与词频的乘积,将每一个特征向量类对应的内容中较大的(比如最大的前l2个,l2可以根据需要设置,l2为正整数)逆文本频率指数与词频的乘积对应的内容作为该特征向量类对应的推荐内容。具体地,所述第一矩阵中某一个元素对应的特征向量类和内容的逆文本频率指数idf的计算公式为idf=log(x1/y1),其中,x1为所述至少一个特征向量类中特征向量类的数量,y1为所述至少一个特征向量类对应的内容中出现该内容的特征向量类的数量。所述第一矩阵中某一个元素对应的特征向量类和内容的词频tf的计算公式为tf=x2/y2,其中,x2为该内容在该特征向量类对应的训练样本中被用户获取的次数,y2为该特征向量类对应的训练样本中用户获取内容的总次数。
对于点互信息方法,可以根据根据所述第一矩阵,计算所述第一矩阵中各个元素对应的特征向量类和内容的点互信息值,将每一个特征向量类对应的内容中较大的(比如最大的前l3个,l3可以根据需要设置,l3为正整数)点互信息值对应的内容作为该特征向量类对应的推荐内容。其中,特征向量类c和内容d的点互信息值p(c,d)为第一矩阵中特征向量类c和内容d对应的元素的数值,与第一矩阵中所有元素的数值的和的比值,p(c)为第一矩阵中特征向量类c对应的所有元素的和,与第一矩阵中所有元素的数值的和的比值,p(d)为第一矩阵中内容d对应的所有元素的和,与第一矩阵中所有元素的数值的和的比值。
本实施例中,根据第一矩阵得到所述至少一个特征向量类对应的推荐内容,避免了对『用户-内容』这样的大规模矩阵进行操作,使得需要处理的数据量极大地缩小,便于提高内容推荐效率。
图5为本发明内容推荐方法又一实施例的部分流程示意图,参看图5,在前述方法实施例的基础上,所述根据所述训练样本和所述至少一个特征向量类,采用协同过滤方法得到所述至少一个特征向量类对应的推荐内容,可以包括:
S50、对于所述至少一个特征向量类中的每一个特征向量类,根据所述训练样本中该特征向量类对应的数据构建该特征向量类对应的第二矩阵,其中,所述第二矩阵的行数为m2,列数为n2,m2为该特征向量类中第二特征向量的数量,n2为对所述训练样本中该特征向量类对应的各个用户获取的内容形成的集合做并集以得到的集合中内容的数量,所述第二矩阵的第p行第q列的元素表示该特征向量类对应的各个用户中第p个用户历史一段时间内获取对所述训练样本中该特征向量类对应的各个用户获取的内容形成的集合做并集以得到的集合中第q个内容的总数,p和q为正整数,1≤p≤m2,1≤q≤n2;
S51、对于所述至少一个特征向量类中的每一个特征向量类对应的第二矩阵,根据该第二矩阵,采用协同过滤方法得到该特征向量类对应的推荐内容。
本实施例中,本实施例中,第二矩阵的每一行对应一个特征向量类的一个第二特征向量,每一列对应一个内容,每一个元素表示对应的第二特征向量对应的用户获取对应的内容的次数。在构建出第二矩阵后,可以使用协同过滤方法(包括基于邻居的协同过滤和基于模型的协同过滤)得到对应的特征向量类对应的推荐内容。
不同于现有的协同过滤方法直接对『用户-信息』关系的稀疏矩阵做过滤,本实施例中先聚类,然后对聚类以得到的第二矩阵(即单一类别下的『用户-内容』矩阵)进行过滤,使得本实施例中协同过滤的计算只需要并行地在更小的用户群体中分别进行,时间复杂度能显著地降低。
参看图6,本实施例公开一种内容推荐装置,包括:
第一构建单元60,用于从待推荐用户历史一段时间内获取的内容中提取出第一关键词,根据所述第一关键词构建第一特征向量;
推荐单元61,用于从预设的至少一个特征向量类中选择所述第一特征向量所属的特征向量类,并选择所述第一特征向量所属的特征向量类作为目标特征向量类,用以将所述目标特征向量类对应的推荐内容推荐给所述待推荐用户,其中,所述至少一个特征向量类对应的推荐内容基于至少包括所述待推荐用户类别的一个或多个类别采用协同过滤方法得到,所述目标特征向量类对应的推荐内容选自于所述至少一个特征向量类对应的推荐内容。
具体地,所述第一构建单元60从待推荐用户历史一段时间内获取的内容中提取出第一关键词,根据所述第一关键词构建第一特征向量;所述推荐单元61从预设的至少一个特征向量类中确定出所述第一特征向量所属的特征向量类,将所述第一特征向量所属的特征向量类作为目标特征向量类,并将所述目标特征向量类对应的推荐内容推荐给所述待推荐用户。
本发明实施例提供的内容推荐装置,首先从待推荐用户历史一段时间内获取的内容中提取出第一关键词,根据所述第一关键词构建第一特征向量;然后从预设的至少一个特征向量类中选择所述第一特征向量所属的特征向量类,并选择所述第一特征向量所属的特征向量类作为目标特征向量类,用以将所述目标特征向量类对应的推荐内容推荐给所述待推荐用户,即本发明实施例将用户所属类别的推荐内容显示推荐给用户,而各个特征向量类对应的推荐内容基于至少包括所述待推荐用户类别的一个或多个类别采用协同过滤方法得到,从而能够保证内容推荐的准确度,相较于现有技术,具有如下有益效果:(1)相较于现有的基于内容的推荐,本发明实施例不再以用户个体为单位,而以用户所属的类别为单位进行内容推荐,这就使得对单个用户的推荐内容由用户所属的类别这一整体决定,不容易陷入『推荐->行为->推荐->……』的循环中,推荐的内容的用户需求度更高;(2)相较于现有的协同过滤推荐,本发明实施例中的至少一个特征向量类对应的推荐内容基于类别采用协同过滤方法得到,可以避免直接对『用户-信息』关系的稀疏矩阵进行处理,能够提高内容推荐的效率。
在前述装置实施例的基础上,所述构建单元,具体可以用于:
根据所述第一关键词构建中间向量;
通过将所述中间向量输入预先训练好的自编码器模型,得到所述第一特征向量。
本实施例中,利用自编码器模型构建维度较小的第一特征向量,该第一特征向量能够以较少的数据量准确表示出用户历史一段时间内获取的内容,从而能够在保证根据该第一特征向量进行的内容推荐处理的效率的同时保证处理的精度。
在前述装置实施例的基础上,所述推荐单元,具体可以用于:
对于所述至少一个特征向量类中的每一个特征向量类,计算该特征向量类的中心与所述第一特征向量之间的相似度,并将所述相似度中最大相似度对应的中心所属的特征向量类作为所述第一特征向量所属的特征向量类。
本实施例中,特征向量类的中心与所述第一特征向量之间的相似度可以使用余弦函数量化。
图7为本发明内容推荐装置又一实施例的部分流程示意图,参看图7,在前述装置实施例的基础上,所述装置还可以包括:
第二构建单元70,用于在所述推荐单元工作之前,获取训练样本,从所述训练样本中提取出第二关键词,根据所述第二关键词构建第二特征向量,其中,所述训练样本包括至少一个用户历史一段时间内获取的内容;
聚类单元71,用于对所述第二特征向量进行聚类以得到所述至少一个特征向量类,根据所述训练样本和所述至少一个特征向量类,采用协同过滤方法得到所述至少一个特征向量类对应的推荐内容。
本实施例中,聚类单元71,具体可以用于:对所述第二特征向量进行模长归一化;对模长归一化以得到的向量集用欧氏距离做K-means聚类,并将K-means聚类结果对应到所述第二特征向量上,得到所述至少一个特征向量类。
在前述装置实施例的基础上,所述聚类单元,具体可以用于:
根据所述训练样本和所述至少一个特征向量类构建第一矩阵,其中,所述第一矩阵的行数为m1,列数为n1,m1为所述至少一个特征向量类的数量,n1为对所述训练样本中各个用户获取的内容形成的集合做并集以得到的集合中内容的数量,所述第一矩阵的第i行第j列的元素表示第i个特征向量类中的所有用户历史一段时间内获取第j个内容的总数,i和j为正整数,1≤i≤m1,1≤j≤n1;
根据所述第一矩阵,采用协同过滤方法或词频-逆文本频率指数方法或点互信息方法得到所述至少一个特征向量类对应的推荐内容。
本实施例中,根据第一矩阵得到所述至少一个特征向量类对应的推荐内容,避免了对『用户-内容』这样的大规模矩阵进行操作,使得需要处理的数据量极大地缩小,便于提高内容推荐效率。
在前述装置实施例的基础上,所述聚类单元,具体可以用于:
对于所述至少一个特征向量类中的每一个特征向量类,根据所述训练样本中该特征向量类对应的数据构建该特征向量类对应的第二矩阵,其中,所述第二矩阵的行数为m2,列数为n2,m2为该特征向量类中第二特征向量的数量,n2为对所述训练样本中该特征向量类对应的各个用户获取的内容形成的集合做并集以得到的集合中内容的数量,所述第二矩阵的第p行第q列的元素表示该特征向量类对应的各个用户中第p个用户历史一段时间内获取对所述训练样本中该特征向量类对应的各个用户获取的内容形成的集合做并集以得到的集合中第q个内容的总数,p和q为正整数,1≤p≤m2,1≤q≤n2;
对于所述至少一个特征向量类中的每一个特征向量类对应的第二矩阵,根据该第二矩阵,采用协同过滤方法得到该特征向量类对应的推荐内容。
不同于现有的协同过滤方法直接对『用户-信息』关系的稀疏矩阵做过滤,本实施例中先聚类,然后对聚类得到的第二矩阵(即单一类别下的『用户-内容』矩阵)进行过滤,使得本实施例中协同过滤的计算只需要并行地在更小的用户群体中分别进行,时间复杂度能显著地降低。
本实施例的内容推荐装置,可以用于执行前述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图8示出了本发明实施例提供的一种电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器80、存储器81、总线82及存储在存储器81上并可在处理器80上运行的计算机程序;
其中,所述处理器80,存储器81通过所述总线82完成相互间的通信;
所述处理器80执行所述计算机程序时实现上述各方法实施例所提供的方法,例如包括:从待推荐用户历史一段时间内获取的内容中提取出第一关键词,根据所述第一关键词构建第一特征向量;从预设的至少一个特征向量类中选择所述第一特征向量所属的特征向量类,并选择所述第一特征向量所属的特征向量类作为目标特征向量类,用以将所述目标特征向量类对应的推荐内容推荐给所述待推荐用户,其中,所述至少一个特征向量类对应的推荐内容基于至少包括所述待推荐用户类别的一个或多个类别采用协同过滤方法得到,所述目标特征向量类对应的推荐内容选自于所述至少一个特征向量类对应的推荐内容。
本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例所提供的方法,例如包括:从待推荐用户历史一段时间内获取的内容中提取出第一关键词,根据所述第一关键词构建第一特征向量;从预设的至少一个特征向量类中选择所述第一特征向量所属的特征向量类,并选择所述第一特征向量所属的特征向量类作为目标特征向量类,用以将所述目标特征向量类对应的推荐内容推荐给所述待推荐用户,其中,所述至少一个特征向量类对应的推荐内容基于至少包括所述待推荐用户类别的一个或多个类别采用协同过滤方法得到,所述目标特征向量类对应的推荐内容选自于所述至少一个特征向量类对应的推荐内容。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本发明的说明书中,说明了大量具体细节。然而能够理解的是,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,为了精简本发明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呈反映如下意图: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。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面,也不局限于任何单一的实施例,也不局限于这些方面和/或实施例的任意组合和/或置换。而且,可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (14)
1.一种内容推荐方法,其特征在于,包括:
从待推荐用户历史一段时间内获取的内容中提取出第一关键词,根据所述第一关键词构建第一特征向量;
从预设的至少一个特征向量类中选择所述第一特征向量所属的特征向量类,并选择所述第一特征向量所属的特征向量类作为目标特征向量类,用以将所述目标特征向量类对应的推荐内容推荐给所述待推荐用户,其中,所述至少一个特征向量类对应的推荐内容基于至少包括所述待推荐用户类别的一个或多个类别采用协同过滤方法得到,所述目标特征向量类对应的推荐内容选自于所述至少一个特征向量类对应的推荐内容。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一关键词构建第一特征向量,包括:
根据所述第一关键词构建中间向量;
通过将所述中间向量输入预先训练好的自编码器模型,得到所述第一特征向量。
3.根据权利要求2所述的方法,其特征在于,所述从预设的至少一个特征向量类中选择所述第一特征向量所属的特征向量类,包括:
对于所述至少一个特征向量类中的每一个特征向量类,计算该特征向量类的中心与所述第一特征向量之间的相似度,并将所述相似度中最大相似度对应的中心所属的特征向量类作为所述第一特征向量所属的特征向量类。
4.根据权利要求1~3中任一项所述的方法,其特征在于,在将所述目标特征向量类对应的推荐内容推荐给所述待推荐用户之前,还包括:
获取训练样本,从所述训练样本中提取出第二关键词,根据所述第二关键词构建第二特征向量,其中,所述训练样本包括至少一个用户历史一段时间内获取的内容;
对所述第二特征向量进行聚类以得到所述至少一个特征向量类,根据所述训练样本和所述至少一个特征向量类,采用协同过滤方法得到所述至少一个特征向量类对应的推荐内容。
5.根据权利要求4所述的方法,其特征在于,所述根据所述训练样本和所述至少一个特征向量类,采用协同过滤方法得到所述至少一个特征向量类对应的推荐内容,包括:
根据所述训练样本和所述至少一个特征向量类构建第一矩阵,其中,所述第一矩阵的行数为m1,列数为n1,m1为所述至少一个特征向量类的数量,n1为对所述训练样本中各个用户获取的内容形成的集合做并集以得到的集合中内容的数量,所述第一矩阵的第i行第j列的元素表示第i个特征向量类中的所有用户历史一段时间内获取第j个内容的总数,i和j为正整数,1≤i≤m1,1≤j≤n1;
根据所述第一矩阵,采用协同过滤方法或词频-逆文本频率指数方法或点互信息方法得到所述至少一个特征向量类对应的推荐内容。
6.根据权利要求4所述的方法,其特征在于,所述根据所述训练样本和所述至少一个特征向量类,采用协同过滤方法得到所述至少一个特征向量类对应的推荐内容,包括:
对于所述至少一个特征向量类中的每一个特征向量类,根据所述训练样本中该特征向量类对应的数据构建该特征向量类对应的第二矩阵,其中,所述第二矩阵的行数为m2,列数为n2,m2为该特征向量类中第二特征向量的数量,n2为对所述训练样本中该特征向量类对应的各个用户获取的内容形成的集合做并集以得到的集合中内容的数量,所述第二矩阵的第p行第q列的元素表示该特征向量类对应的各个用户中第p个用户历史一段时间内获取对所述训练样本中该特征向量类对应的各个用户获取的内容形成的集合做并集以得到的集合中第q个内容的总数,p和q为正整数,1≤p≤m2,1≤q≤n2;
对于所述至少一个特征向量类中的每一个特征向量类对应的第二矩阵,根据该第二矩阵,采用协同过滤方法得到该特征向量类对应的推荐内容。
7.一种内容推荐装置,其特征在于,包括:
第一构建单元,用于从待推荐用户历史一段时间内获取的内容中提取出第一关键词,根据所述第一关键词构建第一特征向量;
推荐单元,用于从预设的至少一个特征向量类中选择所述第一特征向量所属的特征向量类,并选择所述第一特征向量所属的特征向量类作为目标特征向量类,用以将所述目标特征向量类对应的推荐内容推荐给所述待推荐用户,其中,所述至少一个特征向量类对应的推荐内容基于至少包括所述待推荐用户类别的一个或多个类别采用协同过滤方法得到,所述目标特征向量类对应的推荐内容选自于所述至少一个特征向量类对应的推荐内容。
8.根据权利要求7所述的装置,其特征在于,所述构建单元,具体用于:
根据所述第一关键词构建中间向量;
通过将所述中间向量输入预先训练好的自编码器模型,得到所述第一特征向量。
9.根据权利要求7所述的装置,其特征在于,所述推荐单元,具体用于:
对于所述至少一个特征向量类中的每一个特征向量类,计算该特征向量类的中心与所述第一特征向量之间的相似度,并将所述相似度中最大相似度对应的中心所属的特征向量类作为所述第一特征向量所属的特征向量类。
10.根据权利要求7~9中任一项所述的装置,其特征在于,还包括:
第二构建单元,用于在所述推荐单元工作之前,获取训练样本,从所述训练样本中提取出第二关键词,根据所述第二关键词构建第二特征向量,其中,所述训练样本包括至少一个用户历史一段时间内获取的内容;
聚类单元,用于对所述第二特征向量进行聚类以得到所述至少一个特征向量类,根据所述训练样本和所述至少一个特征向量类,采用协同过滤方法得到所述至少一个特征向量类对应的推荐内容。
11.根据权利要求10所述的装置,其特征在于,所述聚类单元,具体用于:
根据所述训练样本和所述至少一个特征向量类构建第一矩阵,其中,所述第一矩阵的行数为m1,列数为n1,m1为所述至少一个特征向量类的数量,n1为对所述训练样本中各个用户获取的内容形成的集合做并集以得到的集合中内容的数量,所述第一矩阵的第i行第j列的元素表示第i个特征向量类中的所有用户历史一段时间内获取第j个内容的总数,i和j为正整数,1≤i≤m1,1≤j≤n1;
根据所述第一矩阵,采用协同过滤方法或词频-逆文本频率指数方法或点互信息方法得到所述至少一个特征向量类对应的推荐内容。
12.根据权利要求10所述的装置,其特征在于,所述聚类单元,具体用于:
对于所述至少一个特征向量类中的每一个特征向量类,根据所述训练样本中该特征向量类对应的数据构建该特征向量类对应的第二矩阵,其中,所述第二矩阵的行数为m2,列数为n2,m2为该特征向量类中第二特征向量的数量,n2为对所述训练样本中该特征向量类对应的各个用户获取的内容形成的集合做并集以得到的集合中内容的数量,所述第二矩阵的第p行第q列的元素表示该特征向量类对应的各个用户中第p个用户历史一段时间内获取对所述训练样本中该特征向量类对应的各个用户获取的内容形成的集合做并集以得到的集合中第q个内容的总数,p和q为正整数,1≤p≤m2,1≤q≤n2;
对于所述至少一个特征向量类中的每一个特征向量类对应的第二矩阵,根据该第二矩阵,采用协同过滤方法得到该特征向量类对应的推荐内容。
13.一种电子设备,其特征在于,包括:处理器、存储器及总线,所述存储器中存储用于在所述处理器上运行的计算机程序;
其中,所述处理器与所述存储器通过所述总线完成相互间的通信,使所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的方法。
14.一种非暂态计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,该计算机程序用于执行实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910204788.0A CN110059261A (zh) | 2019-03-18 | 2019-03-18 | 内容推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910204788.0A CN110059261A (zh) | 2019-03-18 | 2019-03-18 | 内容推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110059261A true CN110059261A (zh) | 2019-07-26 |
Family
ID=67317046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910204788.0A Pending CN110059261A (zh) | 2019-03-18 | 2019-03-18 | 内容推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059261A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111125460A (zh) * | 2019-12-24 | 2020-05-08 | 腾讯科技(深圳)有限公司 | 信息推荐方法及装置 |
CN112069417A (zh) * | 2020-08-24 | 2020-12-11 | 北京神舟航天软件技术有限公司 | 一种工作分解结构wbs模板推荐方法 |
CN112364937A (zh) * | 2020-11-30 | 2021-02-12 | 腾讯科技(深圳)有限公司 | 用户类别确定方法及装置、推荐内容确定方法、电子设备 |
CN113327145A (zh) * | 2020-02-28 | 2021-08-31 | 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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426686A (zh) * | 2011-09-29 | 2012-04-25 | 南京大学 | 一种基于矩阵分解的互联网信息产品推荐方法 |
CN102968506A (zh) * | 2012-12-14 | 2013-03-13 | 北京理工大学 | 一种基于扩展特征向量的个性化协同过滤推荐方法 |
CN104615779A (zh) * | 2015-02-28 | 2015-05-13 | 云南大学 | 一种Web文本个性化推荐方法 |
CN105528374A (zh) * | 2014-10-21 | 2016-04-27 | 苏宁云商集团股份有限公司 | 一种电子商务中的商品推荐方法及其系统 |
CN106649733A (zh) * | 2016-12-23 | 2017-05-10 | 中山大学 | 一种基于无线接入点情境分类与感知的在线视频推荐方法 |
US20170365155A1 (en) * | 2016-06-17 | 2017-12-21 | Siemens Aktiengesellschaft | Method and system for monitoring sensor data of rotating equipment |
US20180253695A1 (en) * | 2017-03-06 | 2018-09-06 | Linkedin Corporation | Generating job recommendations using job posting similarity |
-
2019
- 2019-03-18 CN CN201910204788.0A patent/CN110059261A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426686A (zh) * | 2011-09-29 | 2012-04-25 | 南京大学 | 一种基于矩阵分解的互联网信息产品推荐方法 |
CN102968506A (zh) * | 2012-12-14 | 2013-03-13 | 北京理工大学 | 一种基于扩展特征向量的个性化协同过滤推荐方法 |
CN105528374A (zh) * | 2014-10-21 | 2016-04-27 | 苏宁云商集团股份有限公司 | 一种电子商务中的商品推荐方法及其系统 |
CN104615779A (zh) * | 2015-02-28 | 2015-05-13 | 云南大学 | 一种Web文本个性化推荐方法 |
US20170365155A1 (en) * | 2016-06-17 | 2017-12-21 | Siemens Aktiengesellschaft | Method and system for monitoring sensor data of rotating equipment |
CN106649733A (zh) * | 2016-12-23 | 2017-05-10 | 中山大学 | 一种基于无线接入点情境分类与感知的在线视频推荐方法 |
US20180253695A1 (en) * | 2017-03-06 | 2018-09-06 | Linkedin Corporation | Generating job recommendations using job posting similarity |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111125460A (zh) * | 2019-12-24 | 2020-05-08 | 腾讯科技(深圳)有限公司 | 信息推荐方法及装置 |
CN113327145A (zh) * | 2020-02-28 | 2021-08-31 | 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 |
CN112069417A (zh) * | 2020-08-24 | 2020-12-11 | 北京神舟航天软件技术有限公司 | 一种工作分解结构wbs模板推荐方法 |
CN112364937A (zh) * | 2020-11-30 | 2021-02-12 | 腾讯科技(深圳)有限公司 | 用户类别确定方法及装置、推荐内容确定方法、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059261A (zh) | 内容推荐方法及装置 | |
CN111159223B (zh) | 一种基于结构化嵌入的交互式代码搜索方法及装置 | |
CN104035917B (zh) | 一种基于语义空间映射的知识图谱管理方法和系统 | |
CN109241294A (zh) | 一种实体链接方法及装置 | |
CN109635083B (zh) | 一种用于搜索ted演讲中话题式查询的文档检索方法 | |
CN111046187B (zh) | 基于对抗式注意力机制的一样本知识图谱关系学习方法及系统 | |
CN108804641A (zh) | 一种文本相似度的计算方法、装置、设备和存储介质 | |
CN112000772B (zh) | 面向智能问答基于语义特征立方体的句子对语义匹配方法 | |
CN108509573A (zh) | 基于矩阵分解协同过滤算法的图书推荐方法及系统 | |
CN106529207B (zh) | 一种与核糖核酸结合的蛋白质的预测方法 | |
CN106570080A (zh) | 一种云制造资源服务多层次语义匹配方法 | |
CN109325146A (zh) | 一种视频推荐方法、装置、存储介质和服务器 | |
Xue et al. | Ontology alignment based on instance using NSGA-II | |
Wang et al. | A collaborative filtering recommendation algorithm based on user clustering and Slope One scheme | |
Zhou et al. | Dynamicretriever: a pre-trained model-based IR system without an explicit index | |
Hoffmann et al. | Using graph embedding techniques in process-oriented case-based reasoning | |
CN111079011A (zh) | 一种基于深度学习的信息推荐方法 | |
CN110389932A (zh) | 电力文件自动分类方法及装置 | |
CN103605493A (zh) | 基于图形处理单元的并行排序学习方法及系统 | |
CN109086381A (zh) | 模糊概念格的一种更新生成方法 | |
Gao et al. | A top-N algorithm-based personalized learning recommendation system for digital library | |
CN104298704B (zh) | 在博客上实现文本推送的方法和系统 | |
CN112258235A (zh) | 一种电力营销稽核新业务发现方法及系统 | |
Gutiérrez-Soto et al. | Probabilistic reuse of past search results | |
CN104809165A (zh) | 一种多媒体文件相关度的确定方法及设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190726 |
|
RJ01 | Rejection of invention patent application after publication |