CN110110205A - 推荐信息生成方法与装置 - Google Patents
推荐信息生成方法与装置 Download PDFInfo
- Publication number
- CN110110205A CN110110205A CN201810041224.5A CN201810041224A CN110110205A CN 110110205 A CN110110205 A CN 110110205A CN 201810041224 A CN201810041224 A CN 201810041224A CN 110110205 A CN110110205 A CN 110110205A
- Authority
- CN
- China
- Prior art keywords
- user
- recommendation information
- recommended
- scoring
- behavior
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000006399 behavior Effects 0.000 claims description 84
- 239000013598 vector Substances 0.000 claims description 64
- 238000001914 filtration Methods 0.000 claims description 24
- 238000003860 storage Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 6
- 239000000047 product Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000013065 commercial product Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
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
- G06F16/9535—Search customisation based on user profiles and personalisation
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
本公开提供一种推荐信息生成方法与装置。推荐信息生成方法包括：设置多个推荐算法的多个权重值；根据用户行为数据获取所述多个推荐算法输出的多组待推荐对象，所述用户行为数据包括用户对多个对象的行为种类以及行为次数；根据所述多个权重值以及所述多组待推荐对象生成对所述用户的推荐信息。本公开提供的推荐信息生成方法可以提高用户惊喜度，为用户提供更符合需求的推荐对象。
Description
技术领域
本公开涉及机器学习技术领域，具体而言，涉及一种推荐信息生成方法与装置。
背景技术
随着互联网尤其是移动互联网的兴起，在海量的信息和数据中挖掘有价值的信息呈献给用户，成为电商、社交、新闻、影音等各大主流应用的核心功能。推荐系统是为用户推荐所需物品的软件工具和技术，对于在线用户处理信息过载是一个非常有价值的方法，并且是电子商务领域最强大和流行的工具。
现有的推荐系统一般都采用单一推荐算法来实现整个系统，包括基于协同过滤的推荐算法和基于内容的推荐算法等。现有的协同过滤推荐算法是在海量的用户数据中找到和某用户兴趣一致的数据，收集用户的打分数据，将与打分高的商品相似度较大的用户或者物品作为推荐结果。基于内容的推荐算法是根据用户历史浏览记录向其推荐未浏览过的物品。现有的基于内容的推荐算法一般采用的是TF-IDF算法，TF指词频(Term Frequency)，IDF指逆向文件频率(Inverse Document Frequency)，即如果某个词或短语在一篇文章中出现的频率TF高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类。
现有技术一般均采用单一推荐算法进行推荐系统的搭建，但每种算法都有其局限性。协同过滤算法往往存在评价矩阵稀疏、冷启动等问题。协同过滤算法的实现首先需要使用用户-评分矩阵对用户信息进行描述，对于数据量巨大的电子商务网站而言，用户购买商品的总量占网站总商品量的很小一部分，而用户只有在购买商品之后，才会对已购买的商品进行打分，因此现有的协同过滤算法采用的评价矩阵(用户-矩阵)非常稀疏。在大数据量而且评价矩阵稀疏的情况下，难以发现最近邻居用户集，并且相似度的计算量也会很大。由于传统的协同过滤推荐是基于相似用户或者相似物品计算来得到目标用户的推荐的，在一个新物品第一次出现的时候，因为没有用户对它作过评价，单纯的协同过滤无法对其进行预测评分和推荐。而且，在用户评价较少的情况下，推荐的准确性也比较差。相同的，在新用户还没有购买过任何一件商品之前，都不会有和这个新用户相关的用户-物品评分，协同过滤算法也就无法给新用户推荐商品。
基于内容的算法中，TF-IDF是单纯基于概率统计来计算向量的一种方式，但是由于词汇存在同义词、近义词和多义词等概念，同一个词在不同的上下文环境中也许会代表着截然不同的两个意思。例如“苹果”一词，在描述手机相关的文章里，苹果代表生产iphone手机的苹果公司，但是描述在农产品、水果的文章里，苹果代表的就是水果。所以，单纯的以概率统计的值作为向量来计算会存在同义词、近义词误判等问题。此外，基于内容的推荐算法还会出现推荐结果过拟合的问题。例如用户购买过“袜子”这种商品，算法就会把衣帽生活用品算成是用户的兴趣偏好，那么接下来的推荐就会多次出现袜子、内衣等商品。这样就会给用户带来不好的购物体验。
因此，需要一种能给用户带来更高惊喜度、推荐更符合用户需求的推荐信息生成方法。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种推荐信息生成方法与推荐信息生成装置，用于至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或多个问题。
根据本公开实施例的第一方面，提供一种推荐信息生成方法，包括：设置多个推荐算法的多个权重值；根据用户行为数据获取所述多个推荐算法输出的多组待推荐对象，所述用户行为数据包括用户对多个对象的行为种类以及行为次数；根据所述多个权重值以及所述多组待推荐对象生成对所述用户的推荐信息。
在本公开的一种示例性实施例中，所述根据用户行为数据获取所述多个推荐算法输出的多组待推荐对象包括：
使用第一组描述文档训练LDA模型，所述描述文档用于描述对象；
使用所述LDA模型获取第二组描述文档中每个描述文档的主题向量，所述主题向量包括每个所述描述文档中所述多个主题的评分；
根据所述用户行为数据获取用户偏好主题向量；
将主题向量与所述用户偏好主题向量的相似度大于预设值的描述文档所对应的描述对象作为待推荐对象。
在本公开的一种示例性实施例中，所述根据所述用户行为数据获取用户偏好主题向量包括：
为每个所述行为种类设置权重值；
获取每个所述行为种类涉及的多个对象对应的多个描述文档；
使用所述LDA模型获取所述多个描述文档对应的多个主题向量；
根据所述权重值对所述多个主题向量进行按位加权求和，将计算结果作为所述用户偏好主题向量。
在本公开的一种示例性实施例中，所述根据用户行为数据获取所述多个推荐算法输出的多组待推荐对象包括：
为所述多个行为种类设置分值；
根据所述用户对一个对象的每个行为种类的分值及对应的行为次数获取所述对象的第一评分；
将所述第一评分满足预设条件的对象作为待推荐对象。
在本公开的一种示例性实施例中，还包括：
获取所述用户对所述对象的第二评分；
根据所述第一评分以及所述第二评分获取所述对象的第三评分；
将所述第三评分满足预设条件的对象作为待推荐对象。
在本公开的一种示例性实施例中，所述根据所述多个权重值以及所述多组待推荐对象生成对所述用户的推荐信息包括：
根据预设推荐信息数量以及所述多个权重值对所述多组待推荐对象进行选取；
对选取结果进行去重处理后确定多个待推荐对象；
根据按预设条件排序后的所述多个待推荐对象生成所述推荐信息。
在本公开的一种示例性实施例中，还包括：
循环读取用户列表，对每个用户生成推荐信息。
根据本公开实施例的第二方面，提供一种推荐信息生成装置，包括：
权重设置模块，设置为设置多个推荐算法的多个权重值；
信息获取模块，设置为根据用户行为数据获取所述多个推荐算法输出的多组待推荐对象，所述用户行为数据包括用户对多个对象的行为种类以及行为次数；
信息整合模块，设置为根据所述多个权重值以及所述多组待推荐对象生成对所述用户的推荐信息。
在本公开的一种示例性实施例中，所述信息获取模块包括：
LDA算法单元，设置为使用第一组描述文档训练LDA模型，所述描述文档用于描述对象，使用所述LDA模型获取第二组描述文档中每个描述文档的主题向量，所述主题向量包括每个所述描述文档中所述多个主题的评分，根据所述用户行为数据获取用户偏好主题向量，将主题向量与所述用户偏好主题向量的相似度大于预设值的描述文档所对应的描述对象作为待推荐对象。
为每个所述行为种类设置权重值；
获取每个所述行为种类涉及的多个对象对应的多个描述文档；
使用所述LDA模型获取所述多个描述文档对应的多个主题向量；
根据所述权重值对所述多个主题向量进行按位加权求和，将计算结果作为所述用户偏好主题向量。
所述信息获取模块包括：
协同过滤算法单元，设置为为所述多个行为种类设置分值，根据所述用户对一个对象的每个行为种类的分值及对应的行为次数获取所述对象的第一评分，将所述第一评分满足预设条件的对象作为待推荐对象。
获取所述用户对所述对象的第二评分；
根据所述第一评分以及所述第二评分获取所述对象的第三评分；
根据预设推荐信息数量以及所述多个权重值对所述多组待推荐对象进行选取；
对选取结果进行去重处理后确定多个待推荐对象；
根据按预设条件排序后的所述多个待推荐对象生成所述推荐信息。
用户列表循环模块，设置为循环读取用户列表，对每个用户生成推荐信息。
根据本公开的第三方面，提供一种电子设备，包括：存储器；以及耦合到所属存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如上述任意一项所述的方法。
根据本公开的第四方面，提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如上述任意一项所述的推荐信息生成方法。
本公开提供的推荐信息生成方法，通过对多个推荐算法的推荐结果进行加权整合，克服了现有技术中使用单一推荐算法造成的数据稀疏性、无法应对冷启动等问题，能够为用户提供更符合需求的推荐信息，提高用户惊喜度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示出本公开示例性实施例中推荐信息生成方法的流程图。
图2示出本公开示例性实施例中推荐信息生成方法的子流程图。
图3示出本公开示例性实施例中推荐信息生成方法的子流程图。
图4示出本公开示例性实施例中推荐信息生成方法的子流程图。
图5示出本公开示例性实施例中推荐信息生成方法的子流程图。
图6示出本公开示例性实施例中推荐信息生成方法的子流程图。
图7示出本公开示例性实施例中推荐信息生成方法的另一种流程图。
图8示出本公开一个示例性实施例中一种推荐信息生成装置的方框图。
图9示出本公开一个示例性实施例中一种电子设备的方框图。
图10示出本公开一个示例性实施例中一种计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外，附图仅为本公开的示意性图解，图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
下面结合附图对本公开示例实施方式进行详细说明。
图1示意性示出本公开示例性实施例中推荐信息生成方法的流程图。参考图1，推荐信息生成方法100可以包括：
步骤S1，设置多个推荐算法的多个权重值；
步骤S2，根据用户行为数据获取所述多个推荐算法输出的多组待推荐对象，所述用户行为数据包括用户对多个对象的行为种类以及行为次数；
步骤S3，根据所述多个权重值以及所述多组待推荐对象生成对所述用户的推荐信息。
本公开提供的推荐信息生成方法，通过对多个推荐算法的推荐结果进行加权整合，克服了现有技术中使用单一推荐算法造成的数据稀疏性、无法应对冷启动等问题，能够为用户提供更符合需求的推荐信息，提高用户惊喜度。
下面，对推荐信息生成方法100的各步骤进行详细说明。
在步骤S1，设置多个推荐算法的多个权重值。
为克服单一推荐算法的缺陷，例如协同过滤算法的稀疏性和冷启动问题以及基于内容的推荐算法的同义词近义词和过拟合问题，本公开将多种推荐算法的运算结果进行整合，选取协同过滤推荐算法、基于内容的推荐算法(例如LDA推荐算法)来确定待推荐对象。在本公开的其他实施例中，还可以选用更多推荐算法或其他推荐算法，本公开对此不作特殊限定。
选取推荐算法后，可以根据实际需求对各推荐算法设置权重。例如，在选用LDA推荐算法和协同过滤算法确定待推荐对象时，基于实际需求，可以将LDA推荐算法的权重设置为0.8，将协同过滤算法的权重设置为0.2。对于包括更多算法的实施例，可以按上述举例设置各推荐算法权重。
在步骤S2，根据用户行为数据获取所述多个推荐算法输出的多组待推荐对象，所述用户行为数据包括用户对多个对象的行为种类以及行为次数。
为了解决同义词近义词的问题，在一个实施例中，可以采用LDA推荐算法算法来确定待推荐对象。LDA推荐算法是一种基于主题的文档词汇聚类算法，也是一种基于内容的推荐算法，用一个遵从随机变量显示的文本主题概率得到更完全的主题概率模型。对于LDA模型而言，每个文档都是建模在主题集合的融合分布，每个主题都是建模在词语集合的有限混合分布。因此，文本可以表示为主题的概率分布。LDA模型的参数具有概率分布，是一种随机变量。
在LDA模型中，词语是描述数据的基本单位，文本t可以表示为一个包含N个词语的序列，如文本t＝(w1,w2,...,wN)，wn表示文本t中第n个词语。文本集D可以表示为包含m个文档的集合，例如文本集D＝{t1,t2,...,tm}。LDA模型对文本集中的多个文本进行计算后可以该文本涉及的多个主题，并确定每个文本对每个主题的概率。例如，LDA模型可以根据训练数据确定涉及主题T1～Tn，然后对输入的每个文本输出内容为主题概率的主题向量Vt＝{p1,p2,...,pn}。其中pn是文本t对应主题Tn的概率，p1至pn的任意一个均可以为0。
图2是本公开一个实施例中步骤S2的子流程图。参考图2，在本公开的一种示例性实施例中，步骤S2可以包括：
步骤S21，使用第一组描述文档训练LDA模型，所述描述文档用于描述对象；
步骤S22，使用所述LDA模型获取第二组描述文档中每个描述文档的主题向量，所述主题向量包括每个所述描述文档中所述多个主题的评分；
步骤S23，根据所述用户行为数据获取用户偏好主题向量；
步骤S24，将主题向量与所述用户偏好主题向量的相似度大于预设值的描述文档所对应的描述对象作为待推荐对象。
在步骤S21，以商品推荐为例，首先可以将现有商品的描述文档作为训练文本集输入LDA模型，使LDA模型通过训练提取出主题数据，也就是用向量表示的主题向量模板。
在步骤S22，将需要推荐的商品的描述文档输入经过训练的LDA模型，获取每个商品的主题向量。
在一些实施例中，训练文本集的商品可以与需要推荐的商品一致，即模型的训练输出结果可以作为各商品的主题向量。在另一些实施例中，由于商品实时变化，需要推荐的商品与训练文本集所对应的商品不一致，即第一组描述文档的内容可以与第二组描述文档相同，也可以不同。
在步骤S23，根据用户的历史行为数据，生成用户的兴趣模型。
图3是本公开一个实施例中步骤S26的子流程图。参考图3，步骤S23可以包括：
步骤S231，为每个所述行为种类设置权重值；
步骤S232，获取每个所述行为种类涉及的多个对象对应的多个描述文档；
步骤S233，使用所述LDA模型获取所述多个描述文档对应的多个主题向量；
步骤S234，根据所述权重值对所述多个主题向量进行按位加权求和，将计算结果作为所述用户偏好主题向量。
例如，用户对多个商品进行了购买、点击、推荐、收藏等操作，可以将购买行为的权重设置为0.4，将收藏行为的权重设置为0.3，将推荐与点击行为的权重分别设置为0.2和0.1。
将用户购买的多个商品的描述文档输入LDA模型，获取主题向量V1＝{p11,p12,...,p1n}；将用户收藏的多个商品的描述文档输入LDA模型，获取主题向量V2＝{p21,p22,...,p2n}，其中，n为主题的数量。以此类推，直至获取x个主题向量，x为用户行为的种类数量。
接下来，对主题向量V1～VN按照上述权重加权求和，形成用户偏好主题向量Vu＝{v1，v2，……，vn}，Vu中的每个元素vn根据以下公式计算：
vn＝p11*c1+p21*c2+……+pn1*cn (1)
其中，c1～cn是每个行为种类的权重。
在步骤S24，可以将在步骤S22中获取的多个商品的多个主题向量与在步骤S23获取的用户偏好主题向量分别计算相似度，确定相似度大于预设值的主题向量所对应的商品，将这些商品按照相似度由大到小排序，生成一组待推荐对象。
通过使用以上LDA模型确定待推荐对象，可以解决相关基于内容的推荐算法存在的同义词近义词、过拟合等问题。
在本公开的一个实施例中，还可以选用改进后的协同过滤算法确定一组待推荐对象。
图4是本公开一个实施例中步骤S2的子流程图。参考图4，在本公开的一种示例性实施例中，步骤S2可以包括：
步骤S25，为所述多个行为种类设置分值；
步骤S26，根据所述用户对一个对象的每个行为种类的分值及对应的行为次数获取所述对象的第一评分；
步骤S27，将所述第一评分满足预设条件的对象作为待推荐对象。
为了解决协同过滤算法稀疏性的问题，在本公开示例性实施例中，不仅使用用户对商品的显性评分，还使用用户对商品的隐性评分来弥补用户评分稀疏的不足。隐性评分是指在不让用户感知的情况下，根据用户在网站上的行为数据计算得出用户对物品的评分。用户在网站上会对商品进行浏览、点击、分享、评论、点赞等页面操作，这些操作隐含了用户对商品的喜好，不同的操作可以代表不同的喜好程度。例如，用户多次浏览某一商品，可以推测用户对此商品感兴趣，但是还没达到购买的兴趣程度。用户分享了某一商品的信息，则表明用户对此商品十分感兴趣，极有可能会购买。所以，对于不同的用户行为，可以设定不同的分值。例如，可以设置点击的分值为0.1分，分享的分值为0.5分，点赞的分值为0.3分，购买的分值为0.9分等。
然后，根据用户对某一商品进行每种行为的次数，可以获取该商品对于该用户的隐性评分：如用户点击了3次，分享了1次，则最后评分为3*0.1+1*0.5＝0.8。隐性评分的数量会比现有协同过滤算法获取的评分多很多，从而可以解决评分矩阵稀疏的问题。
进一步的，对于用户已经购买且评价的商品，可以将该评价的分数作为商品的显性评分，与上述得到的隐性评分一起，确定该商品的最终得分。
图5是本公开一个实施例中步骤S2的子流程图。参考图5，在本公开的一种示例性实施例中，步骤S2除在图4中涉及的步骤，还可以包括：
步骤S28，获取所述用户对所述对象的第二评分；
步骤S29，根据所述第一评分以及所述第二评分获取所述对象的第三评分；
步骤S27’，将所述第三评分满足预设条件的对象作为待推荐对象。
该第二评分可以为显性评分。
根据以上改进的协同过滤算法，可以获取评分满足预设条件的多个商品。该预设条件例如可以为评分在前n位的商品，n为预设数量；或该预设条件还可以为评分大于预设值。本领域技术人员可以根据实际情况自行设置预设条件，本公开不以此为限。
最后，可以将评分满足预设条件的多个商品作为一组待推荐对象。
在步骤S3，根据所述多个权重值以及所述多组待推荐对象生成对所述用户的推荐信息。
图6是本公开一个实施例中步骤S3的子流程图。参考图6，在本公开的一种示例性实施例中，步骤S3可以包括：
步骤S31，根据预设推荐信息数量以及所述多个权重值对所述多组待推荐对象进行选取；
步骤S32，对选取结果进行去重处理后确定多个待推荐对象；
步骤S33，根据按预设条件排序后的所述多个待推荐对象生成所述推荐信息。
由于在步骤S1中为多个推荐算法设置了不同的权重值，例如基于内容的推荐算法的权重为0.8，基于协同过滤算法的权重值为0.2，可以根据该权重值确定选取的待推荐对象。例如，如果将推荐对象总数设置为50个，则根据权重设置，从基于内容的推荐算法的待推荐对象组中选取前40个商品，从基于协同过滤算法的待推荐对象组里取出前10个商品，对取出的这50个商品进行去重操作，从而确定最终的待推荐对象。
最后，按照按照商品上架时间等预设条件对商品进行排序，生成最终的推荐信息。
经过对多种推荐算法的结果进行整合，可以解决冷启动、评分矩阵稀疏、推荐信息过拟合等问题。
图7是本公开一个实施例中推荐信息生成方法的流程图。参考图7，在本公开的一种示例性实施例中，推荐信息生成方法还可以包括：
步骤S4，循环读取用户列表，对每个用户生成推荐信息。
推荐信息生成方法可以应用于大型网站，对多名用户生成推荐信息。
在本公开的示例性实施例中，可以仅对活跃用户生成推荐信息。活跃用户是指在预设时间内有预设操作的用户，例如，在一个月内对商品有点击行为的用户。通过循环读取活跃用户列表，为每个活跃用户生成推荐信息，可以节约计算资源，提高每个活跃用户的推荐信息更新速度。
本公开提供的推荐信息生成方法通过对基于内容的推荐算法与协同过滤推荐算法输出的结果进行整合，解决了采用单一推荐算法所带来的协同过滤算法矩阵稀疏的问题、物品冷启动的问题以及基于内容的推荐算法的过拟合的问题，在提高了推荐精确度的同时提高了用户的惊喜度。
对应于上述方法实施例，本公开还提供一种推荐信息生成装置，可以用于执行上述方法实施例。
图8示意性示出本公开一个示例性实施例中一种推荐信息生成装置的方框图。
参考图8，推荐信息生成装置800可以包括：
权重设置模块81，设置为设置多个推荐算法的多个权重值；
信息获取模块82，设置为根据用户行为数据获取所述多个推荐算法输出的多组待推荐对象，所述用户行为数据包括用户对多个对象的行为种类以及行为次数；
信息整合模块83，设置为根据所述多个权重值以及所述多组待推荐对象生成对所述用户的推荐信息。
在本公开的一种示例性实施例中，信息获取模块82包括LDA算法单元821，其中LDA算法单元821设置为：使用第一组描述文档训练LDA模型，所述描述文档用于描述对象；使用所述LDA模型获取第二组描述文档中每个描述文档的主题向量，所述主题向量包括每个所述描述文档中所述多个主题的评分；根据所述用户行为数据获取用户偏好主题向量；将主题向量与所述用户偏好主题向量的相似度大于预设值的描述文档所对应的描述对象作为待推荐对象。
在本公开的一种示例性实施例中，所述根据所述用户行为数据获取用户偏好主题向量包括：为每个所述行为种类设置权重值；获取每个所述行为种类涉及的多个对象对应的多个描述文档；使用所述LDA模型获取所述多个描述文档对应的多个主题向量；根据所述权重值对所述多个主题向量进行按位加权求和，将计算结果作为所述用户偏好主题向量。
在本公开的一种示例性实施例中，信息获取模块82包括协同过滤算法单元822，设置为为所述多个行为种类设置分值；根据所述用户对一个对象的每个行为种类的分值及对应的行为次数获取所述对象的第一评分；将所述第一评分满足预设条件的对象作为待推荐对象。
在本公开的一种示例性实施例中，协同过滤算法单元822还设置为：获取所述用户对所述对象的第二评分；根据所述第一评分以及所述第二评分获取所述对象的第三评分；将所述第三评分满足预设条件的对象作为待推荐对象。
在本公开的一种示例性实施例中，信息整合模块83设置为根据预设推荐信息数量以及所述多个权重值对所述多组待推荐对象进行选取；对选取结果进行去重处理后确定多个待推荐对象；根据按预设条件排序后的所述多个待推荐对象生成所述推荐信息。
在本公开的一种示例性实施例中，还包括用户列表循环模块84，设置为循环读取用户列表，对每个用户生成推荐信息。
由于装置800的各功能已在其对应的方法实施例中予以详细说明，本公开于此不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图9来描述根据本发明的这种实施方式的电子设备900。图9显示的电子设备900仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示，电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于：上述至少一个处理单元910、上述至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元910执行，使得所述处理单元910执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元910可以执行如图1中所示的步骤S1：设置多个推荐算法的多个权重值；步骤S2：根据用户行为数据获取所述多个推荐算法输出的多组待推荐对象，所述用户行为数据包括用户对多个对象的行为种类以及行为次数；步骤S3：根据所述多个权重值以及所述多组待推荐对象生成对所述用户的推荐信息。
存储单元920可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)9201和/或高速缓存存储单元9202，还可以进一步包括只读存储单元(ROM)9203。
存储单元920还可以包括具有一组(至少一个)程序模块9205的程序/实用工具9204，这样的程序模块9205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线930可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备900也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备900交互的设备通信，和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口950进行。并且，电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器960通过总线930与电子设备900的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备900使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图10所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品1000，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和构思由权利要求指出。
Claims (16)
1.一种推荐信息生成方法，其特征在于，包括：
设置多个推荐算法的多个权重值；
根据用户行为数据获取所述多个推荐算法输出的多组待推荐对象，所述用户行为数据包括用户对多个对象的行为种类以及行为次数；
根据所述多个权重值以及所述多组待推荐对象生成对所述用户的推荐信息。
2.如权利要求1所述的推荐信息生成方法，其特征在于，所述根据用户行为数据获取所述多个推荐算法输出的多组待推荐对象包括：
使用第一组描述文档训练LDA模型，所述描述文档用于描述对象；
使用所述LDA模型获取第二组描述文档中每个描述文档的主题向量，所述主题向量包括每个所述描述文档中多个主题的评分；
根据所述用户行为数据获取用户偏好主题向量；
将主题向量与所述用户偏好主题向量的相似度大于预设值的描述文档所对应的描述对象作为待推荐对象。
3.如权利要求2所述的推荐信息生成方法，其特征在于，所述根据所述用户行为数据获取用户偏好主题向量包括：
为每个所述行为种类设置权重值；
获取每个所述行为种类涉及的多个对象对应的多个描述文档；
使用所述LDA模型获取所述多个描述文档对应的多个主题向量；
根据所述权重值对所述多个主题向量进行按位加权求和，将计算结果作为所述用户偏好主题向量。
4.如权利要求1所述的推荐信息生成方法，其特征在于，所述根据用户行为数据获取所述多个推荐算法输出的多组待推荐对象包括：
为每个所述行为种类设置分值；
根据所述用户对一个对象的每个行为种类的分值及对应的行为次数获取所述对象的第一评分；
将所述第一评分满足预设条件的对象作为待推荐对象。
5.如权利要求4所述的推荐信息生成方法，其特征在于，还包括：
获取所述用户对所述对象的第二评分；
根据所述第一评分以及所述第二评分获取所述对象的第三评分；
将所述第三评分满足预设条件的对象作为待推荐对象。
6.如权利要求1所述的推荐信息生成方法，其特征在于，所述根据所述多个权重值以及所述多组待推荐对象生成对所述用户的推荐信息包括：
根据预设推荐信息数量以及所述多个权重值对所述多组待推荐对象进行选取；
对选取结果进行去重处理后确定多个待推荐对象；
根据按预设条件排序后的所述多个待推荐对象生成所述推荐信息。
7.如权利要求1所述的推荐信息生成方法，其特征在于，还包括：
循环读取用户列表，对每个用户生成推荐信息。
8.一种推荐信息生成装置，其特征在于，包括：
权重设置模块，设置为设置多个推荐算法的多个权重值；
信息获取模块，设置为根据用户行为数据获取所述多个推荐算法输出的多组待推荐对象，所述用户行为数据包括用户对多个对象的行为种类以及行为次数；
信息整合模块，设置为根据所述多个权重值以及所述多组待推荐对象生成对所述用户的推荐信息。
9.如权利要求8所述的推荐信息生成装置，其特征在于，所述信息获取模块包括：
LDA算法单元，设置为使用第一组描述文档训练LDA模型，所述描述文档用于描述对象，使用所述LDA模型获取第二组描述文档中每个描述文档的主题向量，所述主题向量包括每个所述描述文档中多个主题的评分，根据所述用户行为数据获取用户偏好主题向量，将主题向量与所述用户偏好主题向量的相似度大于预设值的描述文档所对应的描述对象作为待推荐对象。
10.如权利要求9所述的推荐信息生成装置，其特征在于，所述LDA算法单元还设置为：
为每个所述行为种类设置权重值；
获取每个所述行为种类涉及的多个对象对应的多个描述文档；
使用所述LDA模型获取所述多个描述文档对应的多个主题向量；
根据所述权重值对所述多个主题向量进行按位加权求和，将计算结果作为所述用户偏好主题向量。
11.如权利要求8所述的推荐信息生成装置，其特征在于，所述信息获取模块包括：
协同过滤算法单元，设置为为多个所述行为种类设置分值，根据所述用户对一个对象的每个行为种类的分值及对应的行为次数获取所述对象的第一评分，将所述第一评分满足预设条件的对象作为待推荐对象。
12.如权利要求11所述的推荐信息生成装置，其特征在于，协同过滤算法单元822还设置为：
获取所述用户对所述对象的第二评分；
根据所述第一评分以及所述第二评分获取所述对象的第三评分；
将所述第三评分满足预设条件的对象作为待推荐对象。
13.如权利要求8所述的推荐信息生成装置，其特征在于，所述信息整合模块83设置为：
根据预设推荐信息数量以及所述多个权重值对所述多组待推荐对象进行选取；
对选取结果进行去重处理后确定多个待推荐对象；
根据按预设条件排序后的所述多个待推荐对象生成所述推荐信息。
14.如权利要求8所述的推荐信息生成装置，其特征在于，还包括：
用户列表循环模块，设置为循环读取用户列表，对每个用户生成推荐信息。
15.一种电子设备，其特征在于，包括：
存储器；以及
耦合到所属存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如权利要求1-7任一项所述的推荐信息生成方法。
16.一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如权利要求1-7任一项所述的推荐信息生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810041224.5A CN110110205A (zh) | 2018-01-16 | 2018-01-16 | 推荐信息生成方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810041224.5A CN110110205A (zh) | 2018-01-16 | 2018-01-16 | 推荐信息生成方法与装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110110205A true CN110110205A (zh) | 2019-08-09 |
Family
ID=67483423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810041224.5A Pending CN110110205A (zh) | 2018-01-16 | 2018-01-16 | 推荐信息生成方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110110205A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110442735A (zh) * | 2019-08-13 | 2019-11-12 | 北京金山数字娱乐科技有限公司 | 一种成语近义词推荐方法及装置 |
| CN110532479A (zh) * | 2019-09-05 | 2019-12-03 | 北京思维造物信息科技股份有限公司 | 一种信息推荐方法、装置及设备 |
| CN110765273A (zh) * | 2019-09-17 | 2020-02-07 | 北京三快在线科技有限公司 | 推荐文案生成方法、装置、电子设备及可读存储介质 |
| CN111144861A (zh) * | 2019-12-31 | 2020-05-12 | 秒针信息技术有限公司 | 虚拟资源转移方法、装置、电子设备及存储介质 |
| CN111159578A (zh) * | 2019-12-31 | 2020-05-15 | 第四范式（北京）技术有限公司 | 一种推荐对象的方法和系统 |
| CN111178032A (zh) * | 2019-12-18 | 2020-05-19 | 福建升腾资讯有限公司 | 基于协同过滤的表单批量录入方法、系统、设备和介质 |
| CN111191126A (zh) * | 2019-12-24 | 2020-05-22 | 绍兴市上虞区理工高等研究院 | 一种基于关键词的科技成果精准推送方法及装置 |
| CN111767459A (zh) * | 2019-10-16 | 2020-10-13 | 北京京东尚科信息技术有限公司 | 物品推荐的方法和装置 |
| CN111931055A (zh) * | 2020-08-14 | 2020-11-13 | 工银科技有限公司 | 对象推荐方法、对象推荐装置和电子设备 |
| WO2021035955A1 (zh) * | 2019-08-29 | 2021-03-04 | 苏州朗动网络科技有限公司 | 文本新闻的处理方法、设备和存储介质 |
| CN112685643A (zh) * | 2021-01-12 | 2021-04-20 | 上海观察者信息技术有限公司 | 一种新闻信息的推送方法、装置、介质及电子设备 |
| CN113449195A (zh) * | 2021-07-15 | 2021-09-28 | 安徽商信政通信息技术股份有限公司 | 一种智能知识推送方法及系统 |
| CN113763089A (zh) * | 2020-10-27 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 物品推荐方法及装置、计算机可存储介质 |
| CN113763070A (zh) * | 2020-06-29 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 信息推荐方法和装置 |
| CN116028719A (zh) * | 2023-03-29 | 2023-04-28 | 杭州金智塔科技有限公司 | 对象推荐方法及装置、跨域联邦商品推荐方法及装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130090042A (ko) * | 2012-02-03 | 2013-08-13 | 한국과학기술원 | 사용자 선호주제 기반 ｔｖ프로그램 콘텐츠 자동추천 장치, 시스템, 방법 및 그 방법을 실행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체 |
| CN104424247A (zh) * | 2013-08-28 | 2015-03-18 | 北京闹米科技有限公司 | 一种产品信息过滤推荐方法和装置 |
| CN105653683A (zh) * | 2015-12-30 | 2016-06-08 | 东软集团股份有限公司 | 一种个性化推荐方法及装置 |
| CN105893609A (zh) * | 2016-04-26 | 2016-08-24 | 南通大学 | 一种基于加权混合的移动app推荐方法 |
| CN106066873A (zh) * | 2016-05-30 | 2016-11-02 | 哈尔滨工程大学 | 一种基于本体的旅游信息推荐方法 |
| CN106600372A (zh) * | 2016-12-12 | 2017-04-26 | 武汉烽火信息集成技术有限公司 | 一种基于用户行为的商品推荐方法及系统 |
| CN106599047A (zh) * | 2016-11-10 | 2017-04-26 | 咪咕动漫有限公司 | 一种信息的推送方法及装置 |
| CN106708938A (zh) * | 2016-11-18 | 2017-05-24 | 北京大米科技有限公司 | 用于辅助推荐的方法及装置 |
| CN107103049A (zh) * | 2017-03-31 | 2017-08-29 | 努比亚技术有限公司 | 一种推荐方法及网络设备 |
| CN107341687A (zh) * | 2017-06-01 | 2017-11-10 | 华南理工大学 | 一种基于多维标签与分类排序的推荐算法 |
| CN107391687A (zh) * | 2017-07-24 | 2017-11-24 | 华中师范大学 | 一种面向地方志网站的混合推荐系统 |
-
2018
- 2018-01-16 CN CN201810041224.5A patent/CN110110205A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130090042A (ko) * | 2012-02-03 | 2013-08-13 | 한국과학기술원 | 사용자 선호주제 기반 ｔｖ프로그램 콘텐츠 자동추천 장치, 시스템, 방법 및 그 방법을 실행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체 |
| CN104424247A (zh) * | 2013-08-28 | 2015-03-18 | 北京闹米科技有限公司 | 一种产品信息过滤推荐方法和装置 |
| CN105653683A (zh) * | 2015-12-30 | 2016-06-08 | 东软集团股份有限公司 | 一种个性化推荐方法及装置 |
| CN105893609A (zh) * | 2016-04-26 | 2016-08-24 | 南通大学 | 一种基于加权混合的移动app推荐方法 |
| CN106066873A (zh) * | 2016-05-30 | 2016-11-02 | 哈尔滨工程大学 | 一种基于本体的旅游信息推荐方法 |
| CN106599047A (zh) * | 2016-11-10 | 2017-04-26 | 咪咕动漫有限公司 | 一种信息的推送方法及装置 |
| CN106708938A (zh) * | 2016-11-18 | 2017-05-24 | 北京大米科技有限公司 | 用于辅助推荐的方法及装置 |
| CN106600372A (zh) * | 2016-12-12 | 2017-04-26 | 武汉烽火信息集成技术有限公司 | 一种基于用户行为的商品推荐方法及系统 |
| CN107103049A (zh) * | 2017-03-31 | 2017-08-29 | 努比亚技术有限公司 | 一种推荐方法及网络设备 |
| CN107341687A (zh) * | 2017-06-01 | 2017-11-10 | 华南理工大学 | 一种基于多维标签与分类排序的推荐算法 |
| CN107391687A (zh) * | 2017-07-24 | 2017-11-24 | 华中师范大学 | 一种面向地方志网站的混合推荐系统 |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110442735B (zh) * | 2019-08-13 | 2022-05-13 | 北京金山数字娱乐科技有限公司 | 一种成语近义词推荐方法及装置 |
| CN110442735A (zh) * | 2019-08-13 | 2019-11-12 | 北京金山数字娱乐科技有限公司 | 一种成语近义词推荐方法及装置 |
| WO2021035955A1 (zh) * | 2019-08-29 | 2021-03-04 | 苏州朗动网络科技有限公司 | 文本新闻的处理方法、设备和存储介质 |
| CN110532479A (zh) * | 2019-09-05 | 2019-12-03 | 北京思维造物信息科技股份有限公司 | 一种信息推荐方法、装置及设备 |
| CN110765273A (zh) * | 2019-09-17 | 2020-02-07 | 北京三快在线科技有限公司 | 推荐文案生成方法、装置、电子设备及可读存储介质 |
| CN110765273B (zh) * | 2019-09-17 | 2020-12-18 | 北京三快在线科技有限公司 | 推荐文案生成方法、装置、电子设备及可读存储介质 |
| CN111767459A (zh) * | 2019-10-16 | 2020-10-13 | 北京京东尚科信息技术有限公司 | 物品推荐的方法和装置 |
| CN111178032A (zh) * | 2019-12-18 | 2020-05-19 | 福建升腾资讯有限公司 | 基于协同过滤的表单批量录入方法、系统、设备和介质 |
| CN111191126A (zh) * | 2019-12-24 | 2020-05-22 | 绍兴市上虞区理工高等研究院 | 一种基于关键词的科技成果精准推送方法及装置 |
| CN111191126B (zh) * | 2019-12-24 | 2023-11-03 | 绍兴市上虞区理工高等研究院 | 一种基于关键词的科技成果精准推送方法及装置 |
| CN111144861B (zh) * | 2019-12-31 | 2023-06-09 | 秒针信息技术有限公司 | 虚拟资源转移方法、装置、电子设备及存储介质 |
| CN111159578A (zh) * | 2019-12-31 | 2020-05-15 | 第四范式（北京）技术有限公司 | 一种推荐对象的方法和系统 |
| CN111159578B (zh) * | 2019-12-31 | 2023-10-13 | 第四范式（北京）技术有限公司 | 一种推荐对象的方法和系统 |
| CN111144861A (zh) * | 2019-12-31 | 2020-05-12 | 秒针信息技术有限公司 | 虚拟资源转移方法、装置、电子设备及存储介质 |
| CN113763070A (zh) * | 2020-06-29 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 信息推荐方法和装置 |
| CN111931055A (zh) * | 2020-08-14 | 2020-11-13 | 工银科技有限公司 | 对象推荐方法、对象推荐装置和电子设备 |
| CN111931055B (zh) * | 2020-08-14 | 2023-09-12 | 中国工商银行股份有限公司 | 对象推荐方法、对象推荐装置和电子设备 |
| CN113763089A (zh) * | 2020-10-27 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 物品推荐方法及装置、计算机可存储介质 |
| CN112685643A (zh) * | 2021-01-12 | 2021-04-20 | 上海观察者信息技术有限公司 | 一种新闻信息的推送方法、装置、介质及电子设备 |
| CN112685643B (zh) * | 2021-01-12 | 2021-10-22 | 上海观察者信息技术有限公司 | 一种新闻信息的推送方法、装置、介质及电子设备 |
| CN113449195B (zh) * | 2021-07-15 | 2023-09-19 | 安徽商信政通信息技术股份有限公司 | 一种智能知识推送方法及系统 |
| CN113449195A (zh) * | 2021-07-15 | 2021-09-28 | 安徽商信政通信息技术股份有限公司 | 一种智能知识推送方法及系统 |
| CN116028719A (zh) * | 2023-03-29 | 2023-04-28 | 杭州金智塔科技有限公司 | 对象推荐方法及装置、跨域联邦商品推荐方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110110205A (zh) | 推荐信息生成方法与装置 | |
| Al-Ghuribi et al. | Multi-criteria review-based recommender system–the state of the art | |
| US11995564B2 (en) | System and method for generating aspect-enhanced explainable description-based recommendations | |
| Wang et al. | A sentiment‐enhanced hybrid recommender system for movie recommendation: a big data analytics framework | |
| US11514333B2 (en) | Combining machine-learning and social data to generate personalized recommendations | |
| US11538060B2 (en) | Systems and methods for search query refinement | |
| Shahbazi et al. | Product recommendation based on content-based filtering using XGBoost classifier | |
| CN108230058B (zh) | 产品推荐方法及系统 | |
| Abdollahi et al. | Explainable restricted boltzmann machines for collaborative filtering | |
| CN103164463B (zh) | 推荐标签的方法和装置 | |
| CN103955464B (zh) | 一种基于情境融合感知的推荐方法 | |
| CN104517216A (zh) | 增强推荐系统和方法 | |
| CN107729937A (zh) | 用于确定用户兴趣标签的方法及装置 | |
| US10733658B2 (en) | Methods and systems of discovery of products in E-commerce | |
| CN109145193A (zh) | 一种信息推送方法及系统 | |
| US20160055563A1 (en) | Methods and systems of discovery of products in e-commerce | |
| CN112633973B (zh) | 一种商品推荐方法及其相关设备 | |
| CN107103049A (zh) | 一种推荐方法及网络设备 | |
| US9767417B1 (en) | Category predictions for user behavior | |
| Dubey et al. | Item-based collaborative filtering using sentiment analysis of user reviews | |
| US9767204B1 (en) | Category predictions identifying a search frequency | |
| CN103377262A (zh) | 对用户进行分组的方法和装置 | |
| CN110069713B (zh) | 一种基于用户上下文感知的个性化推荐方法 | |
| CN109993583A (zh) | 信息推送方法和装置、存储介质及电子装置 | |
| CN113781149B (zh) | 信息推荐方法、装置、计算机可读存储介质及电子设备 |
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 | ||
| CB02 | Change of applicant information |
Address after: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant after: Jingdong Technology Holding Co.,Ltd. Address before: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant before: Jingdong Digital Technology Holding Co.,Ltd. Address after: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant after: Jingdong Digital Technology Holding Co.,Ltd. Address before: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant before: JINGDONG DIGITAL TECHNOLOGY HOLDINGS Co.,Ltd. Address after: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant after: JINGDONG DIGITAL TECHNOLOGY HOLDINGS Co.,Ltd. Address before: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Beijing Economic and Technological Development Zone, 100176 Applicant before: BEIJING JINGDONG FINANCIAL TECHNOLOGY HOLDING Co.,Ltd. |
|
| CB02 | Change of applicant information |