CN110162693B - 一种信息推荐的方法以及服务器 - Google Patents
一种信息推荐的方法以及服务器 Download PDFInfo
- Publication number
- CN110162693B CN110162693B CN201910160830.3A CN201910160830A CN110162693B CN 110162693 B CN110162693 B CN 110162693B CN 201910160830 A CN201910160830 A CN 201910160830A CN 110162693 B CN110162693 B CN 110162693B
- Authority
- CN
- China
- Prior art keywords
- information
- vector
- feature
- user
- article
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 239000013598 vector Substances 0.000 claims abstract description 395
- 238000004364 calculation method Methods 0.000 claims description 41
- 238000000354 decomposition reaction Methods 0.000 claims description 17
- 230000009286 beneficial effect Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 19
- 238000013461 design Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000002708 enhancing effect Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008707 rearrangement Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 235000019640 taste Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种信息推荐的方法，包括：获取信息推荐请求，其中，信息推荐请求中携带目标用户的用户标识；根据信息推荐请求获取N个物品向量以及目标用户的目标用户向量，其中，N为大于或等于1的整数，每个物品向量对应于一个待推荐信息，N个物品向量与目标用户向量均通过交叉项确定，交叉项用于表示用户特征数据与物品特征数据之间的关联关系；根据N个物品向量以及目标用户向量，确定N个待推荐信息的预测分值；按照N个待推荐信息的预测分值向客户端发送目标推荐信息，以使客户端展示目标推荐信息，其中，目标推荐信息属于N个待推荐信息中的至少一项。本申请还公开了一种服务器。本申请有利于提升个性化推荐的成功率。
Description
技术领域
本申请涉及互联网技术领域，尤其涉及一种信息推荐的方法以及服务器。
背景技术
个性化推荐系统是互联网和电子商务发展的产物，它是建立在海量数据挖掘基础上的一种高级智能平台，向用户提供个性化的信息服务和决策支持。近年来，已经出现了许多非常成功的大型推荐系统实例，在个性化推荐系统中，召回、精排和重排是三个基本环节，其中，均涉及使用机器学习模型进行预测打分与排序的过程。
目前，个性化推荐系统通常采用基于用户的协同过滤算法来推荐物品。具体地，当某用户A需要个性化推荐时，可以先找到与用户A兴趣最相似的一批其他用户，然后将这些用户喜欢的，且用户A没有听说过的物品推荐给用户A。
采用协同过滤算法来推荐物品虽然简单易行，但是在实际推荐系统中，除了用户对物品的行为数据之外，还有丰富的用户画像数据以及物品的属性数据，由于协同过滤算法的原理限制了只能使用用户对物品的行为数据，因此，并不能有效地利用除行为数据以外的其他数据，从而降低了个性化推荐的成功率。
发明内容
本申请实施例提供了一种信息推荐的方法以及服务器，可以利用特征工程的将不同的用户特征数据和物品特征数据进行整合在一起，能够共同反映出用户特征信息和物品特征信息之间的关系，从而增强了特征的多样性，有利于提升个性化推荐的成功率。
有鉴于此，本申请第一方面提供一种信息推荐的方法，包括：
获取信息推荐请求，其中，所述信息推荐请求中携带目标用户的用户标识；
根据所述信息推荐请求获取N个物品向量以及所述目标用户的目标用户向量，其中，所述N为大于或等于1的整数，每个物品向量对应于一个待推荐信息，所述N个物品向量与所述目标用户向量均通过交叉项确定，所述交叉项用于表示用户特征数据与物品特征数据之间的关联关系；
根据所述N个物品向量以及所述目标用户向量，确定N个待推荐信息的预测分值；
按照所述N个待推荐信息的预测分值向客户端发送目标推荐信息，以使所述客户端展示所述目标推荐信息，其中，所述目标推荐信息属于所述N个待推荐信息中的至少一项。
本申请第二方面提供一种信息推荐装置，包括：
获取模块，用于获取信息推荐请求，其中，所述信息推荐请求中携带目标用户的用户标识；
所述获取模块，还用于根据所述信息推荐请求获取N个物品向量以及所述目标用户的目标用户向量，其中，所述N为大于或等于1的整数，每个物品向量对应于一个待推荐信息，所述N个物品向量与所述目标用户向量均通过交叉项确定，所述交叉项用于表示用户特征数据与物品特征数据之间的关联关系；
确定模块，用于根据所述获取模块获取的所述N个物品向量以及所述目标用户向量，确定N个待推荐信息的预测分值；
推荐模块，用于按照所述确定模块确定的所述N个待推荐信息的预测分值向客户端发送目标推荐信息，以使所述客户端展示所述目标推荐信息，其中，所述目标推荐信息属于所述N个待推荐信息中的至少一项。
在一种可能的设计中，在本申请实施例的第二方面的第一种实现方式中，
所述获取模块，具体用于根据所述信息推荐请求，从预设用户向量集合中获取所述目标用户向量，其中，所述预设用户向量集合包括至少一个预先确定的用户向量；
根据所述信息推荐请求，从预设物品向量集合中获取所述N个物品向量，其中，所述预设物品向量集合包括至少一个预先确定的物品向量。
在一种可能的设计中，在本申请实施例的第二方面的第二种实现方式中，所述信息推荐装置还包括生成模块；
所述获取模块，还用于获取信息推荐请求之前，获取所述用户特征数据以及所述物品特征数据，其中，所述用户特征数据用于表示与用户属性相关的数据，所述物品特征数据用于表示与物品属性相关的数据；
所述确定模块，还用于根据所述获取模块获取的所述用户特征数据以及所述物品特征数据，确定特征向量，其中，所述特征向量包括多个维度的特征；
所述确定模块，还用于根据所述特征向量确定所述交叉项；
所述生成模块，用于根据所述确定模块确定的所述交叉项生成信息推荐预测模型，其中，所述信息推荐预测模型用于预测待推荐信息的预测分值。
在一种可能的设计中，在本申请实施例的第二方面的第三种实现方式中，
所述确定模块，具体用于确定交叉项的模型参数；
根据所述交叉项的模型参数以及所述特征向量计算得到所述交叉项；
其中，通过如下方式生成所述交叉项：
其中，所述Q表示所述交叉项，所述xi表示所述特征向量中的第i个特征，所述xj表示所述特征向量中的第j个特征，所述θij表示所述交叉项的模型参数，所述n表示所述特征向量的特征总数。
在一种可能的设计中，在本申请实施例的第二方面的第四种实现方式中，
所述确定模块，具体用于通过如下方式计算所述交叉项的模型参数：
其中，所述θij表示所述交叉项的模型参数，所述vi表示第一模型参数，所述vj表示第二模型参数，所述vif表示所述vi的第f个元素，所述vjf表示所述vj的第f个元素，所述d表示向量维度。
在一种可能的设计中，在本申请实施例的第二方面的第五种实现方式中，
所述生成模块，具体用于通过如下方式生成所述信息推荐预测模型：
其中，所述表示所述信息推荐预测模型，所述b表示第三模型参数，所述xi表示所述特征向量中的第i个特征，所述xj表示所述特征向量中的第j个特征，所述wi表示所述xi的权重参数，所述wj表示所述xj的权重参数，所述vif表示所述vi的第f个元素，所述vjf表示所述vj的第f个元素，所述US表示所述用户特征数据对应的特征集合，所述IS表示所述物品特征数据对应的特征集合。
在一种可能的设计中，在本申请实施例的第二方面的第六种实现方式中，所述目标用户向量表示为：
其中，所述up表示所述目标用户向量，所述b表示第三模型参数，所述xi表示所述特征向量中的第i个特征，所述wi表示所述xi的权重参数，所述vif表示所述vi的第f个元素，所述US表示所述用户特征数据对应的特征集合。
在一种可能的设计中，在本申请实施例的第二方面的第七种实现方式中，所述物品向量表示为：
其中，所述iq表示所述物品向量，所述xj表示所述特征向量中的第j个特征，所述wj表示所述xj的权重参数，所述vjf表示所述vj的第f个元素，所述IS表示所述物品特征数据对应的特征集合。
在一种可能的设计中，在本申请实施例的第二方面的第八种实现方式中，
所述推荐模块，具体用于根据所述N个待推荐信息的预测分值，从所述N个待推荐信息中选择所述目标推荐信息，其中，所述目标推荐信息的预测分值大于预设分值门限；
向所述客户端发送所述目标推荐信息。
本申请第三方面提供一种服务器，包括：存储器、收发器、处理器以及总线系统；
其中，所述存储器用于存储程序；
所述处理器用于执行所述存储器中的程序，包括如下步骤：
获取信息推荐请求，其中，所述信息推荐请求中携带目标用户的用户标识；
根据所述信息推荐请求获取N个物品向量以及所述目标用户的目标用户向量，其中，所述N为大于或等于1的整数，每个物品向量对应于一个待推荐信息，所述N个物品向量与所述目标用户向量均通过交叉项确定，所述交叉项用于表示用户特征数据与物品特征数据之间的关联关系；
根据所述N个物品向量以及所述目标用户向量，确定N个待推荐信息的预测分值；
按照所述N个待推荐信息的预测分值向客户端发送目标推荐信息，以使所述客户端展示所述目标推荐信息，其中，所述目标推荐信息属于所述N个待推荐信息中的至少一项；
所述总线系统用于连接所述存储器以及所述处理器，以使所述存储器以及所述处理器进行通信。
本申请的第四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各方面所述的方法。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请实施例中，提供了一种信息推荐的方法，首先服务器获取信息推荐请求，其中，信息推荐请求中携带目标用户的用户标识，然后根据信息推荐请求获取N个物品向量以及目标用户的目标用户向量，其中，N为大于或等于1的整数，每个物品向量对应于一个待推荐信息，N个物品向量与目标用户向量均通过交叉项确定，交叉项用于表示用户特征信息与物品特征信息之间的关联关系，再根据N个物品向量以及目标用户向量，确定N个待推荐信息的预测分值，最后，服务器可以按照N个待推荐信息的预测分值向客户端发送目标推荐信息，以使客户端展示目标推荐信息。通过上述方式，可以利用特征工程的将不同的用户特征数据和物品特征数据进行整合在一起，由此得到交叉项，因此，交叉项所确定的目标用户向量以及物品向量能够共同反映出用户特征信息和物品特征信息之间的关系，从而增强了特征的多样性，有利于提升个性化推荐的成功率。
附图说明
图1为本申请实施例中个性化推荐系统的一个架构示意图；
图2为本申请实施例中信息推荐的一个流程示意图；
图3为本申请实施例中信息推荐的方法一个实施例示意图；
图4为本申请实施例中信息推荐的一个界面示意图；
图5为本申请实施例中信息推荐的另一个界面示意图；
图6A为本申请实施例中服务器内部存储的预设用户向量集合一个实施例示意图；
图6B为本申请实施例中服务器内部存储的预设物品向量集合一个实施例示意图；
图7为本申请实施例中重构后的信息推荐预测模型一个示意图；
图8为本申请实施例中服务器的一个实施例示意图；
图9为本申请实施例中服务器的另一个实施例示意图；
图10为本申请实施例中服务器的一个结构示意图。
具体实施方式
本申请实施例提供了一种信息推荐的方法以及服务器，可以利用特征工程的将不同的用户特征数据和物品特征数据进行整合在一起，能够共同反映出用户特征信息和物品特征信息之间的关系，从而增强了特征的多样性，有利于提升个性化推荐的成功率。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是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，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“对应于”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应理解，本申请可以应用于个性化推荐系统，随着推荐技术的研究和发展，其应用领域也越来越多。例如，新闻推荐、商务推荐、娱乐推荐、学习推荐、生活推荐以及决策支持等。推荐方法的创新性、实用性、实时性以及简单性也越来越强。其中，新闻推荐包括传统新闻、博客、微博以及简易信息聚合(Really Simple Syndication，RSS)等新闻内容的推荐。而电子商务推荐算法可能会面临各种难题，例如大型零售商有海量的数据，以千万计的顾客，以及数以百万计的登记在册的商品；实时反馈需求，在半秒之内，还要产生高质量的推荐；新顾客的信息有限，只能以少量购买或产品评级为基础；老顾客信息丰富，以大量的购买和评级为基础；顾客数据不稳定，每次的兴趣和关注内容差别较大，算法必须对新的需求及时响应。音乐推荐系统的目标是基于用户的音乐口味向终端用户推送喜欢和可能喜欢但不了解的音乐。而音乐口味和音乐的参数设定是受着用户群特征和用户个性特征等不确定因素影响。例如年龄、性别、音乐受教育程度等的分析是能帮助提升音乐推荐的准确度。需要说明的是，对于本申请实施例中的用户画像、用户行为数据、用户属性、用户特征数据等，当本申请实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
为了便于理解，本申请提出了一种信息推荐的方法，该方法应用于图1所示的个性化推荐系统，请参阅图1，图1为本申请实施例中个性化推荐系统的一个架构示意图，如图所示，用户通过客户端向服务器发送信息推荐请求，于是服务器会根据信息推荐请求获取物品向量以及该用户的用户向量，服务器利用隐因子分解机的用户侧特征数据(用户向量)与物品侧特征数据(物品向量)在模型层面实现交叉。接下来，服务器根据交叉项重构隐因子分解机模型的预测公式，将预测公式分离成互不影响的用户子式与物品子式两部分，基于预测公式计算得到多个待推荐信息的预测分值，最后，服务器按照每个待推荐信息的预测分值，确定目标推荐信息，服务器向客户端发送目标推荐信息，客户端将这些目标推荐信息展示给用户。
需要说明的是，客户端部署于终端设备上，其中，终端设备包含但不仅限于平板电脑、笔记本电脑、掌上电脑、手机、语音交互设备及个人电脑(personal computer，PC)，此处不做限定。
应理解，本申请所提供的信息推荐流程如图2所示，请参阅图2，图2为本申请实施例中信息推荐的一个流程示意图，信息推荐可以分为两个过程，分别线上流程和线下流程，服务器预先进行线下流程，具体为，隐因子分解机(Factorization Machine)模型会周期性更新用户侧特征数据以及物品侧特征数据，其中，用户侧预计算需要遍历所有用户，然后计算每个用户对应的向量，比如计算用户p的向量up。物品侧预计算需要遍历所有物品，然后计算每个物品对应的向量，比如计算物品q的向量iq。将更新后的数据同步更新至模型服务器。完成线下流程后，服务器即可根据客户端的请求提供线上的服务。当服务器接收用户发出的请求时，会根据请求提取用户标识，利用该用户的用户标识以及各个物品的物品标识，从服务器内部获取预先计算得到的向量，采用向量即可计算该用户与各个物品之间的预测分值，预测分值越大，表示该用户对物品的兴趣度越强。
在个性化推荐系统中，召回、精排和重排是三个基本环节，其中均涉及使用机器学习模型进行预测打分与排序的过程。面对海量的待预测排序物品，召回和精排环节中所使用的技术在预测排序的个性化与高效性两方面均需达到高水准，本申请所提供的基于隐因子分解机(Factorization Machine)的预计算推荐排序技术可应用于召回或精排环节。隐因子分解机旨在解决稀疏矩阵下的特征组合问题，本申请利用隐因子分解机中用户侧与物品侧特征数据在模型层面实现交叉，而在输入层面用户侧与物品侧特征数据实际不交叉的特性，进而重构隐因子分解机模型的预测公式，并将其分离成互不影响的用户子式与物品子式两部分，由此成功地将线上实时预测运算时的大部分计算量无损地转化成可以线下提前运算的预计算量。
值得一提的是，使用隐因子分解机在模型内部实现特征自交叉，可以有效增强模型预测能力，同时还可以提升推荐的个性化水平。而重构预测公式实现线下预计算的机制能够极大地降低线上预测运算耗时，提高线上服务效率。
本申请所提供的信息推荐方法可应用于召回环节或者精排环节中，其中，召回环节主要负责从海量物品库找出用户最可能感兴趣的物品，召回环节的用户量和物品量通常在数千左右。而精排环节负责对召回的数千物品，以点击率或观看时长等为目标进行精细排序，最终截选出排序靠前的物品，精排环节的用户量和物品量通常在数百左右。在召回环节以及精排环节中，其数据量相对较大，并且具有初步筛选数据的功能，因此，用特征工程的将不同的用户特征数据和物品特征数据进行整合在一起，共同反映出用户特征信息和物品特征信息之间的关系，增强了特征的多样性，有利于数据筛选的准确性。
结合上述介绍，下面将对本申请中信息推荐的方法进行介绍，请参阅图3，本申请实施例中信息推荐的方法一个实施例包括：
101、获取信息推荐请求，其中，信息推荐请求中携带目标用户的用户标识；
本实施例中，用户通过客户端触发信息推荐请求，由服务器接收客户端的信息推荐请求。可以理解的是，用户在触发信息推荐请求之前，通常会使用用户名或者账号登录客户端，此时，客户端即可识别用户身份，进而在信息推荐请求中也携带用户的身份信息。该用户为目标用户，身份信息即为目标用户的用户标识。
为了便于理解，请参阅图4，图4为本申请实施例中信息推荐的一个界面示意图，如图所示，客户端上显示个性化信息推荐的入口，以“微信”界面为例，个性化信息推荐的入口为“看一看”，其中，微信“看一看”是一款集公众号文章、企业号文章、视频和新闻资讯于一体的富媒体个性化推荐产品，用户可以通过微信“发现”页面找到“看一看”入口，点击即可进入“看一看”主界面。
102、根据信息推荐请求获取N个物品向量以及目标用户的目标用户向量，其中，N为大于或等于1的整数，每个物品向量对应于一个待推荐信息，N个物品向量与目标用户向量均通过交叉项确定，交叉项用于表示用户特征数据与物品特征数据之间的关联关系；
本实施例中，服务器可以根据信息推荐请求获取N个物品向量以及目标用户的目标用户向量，也就是说，服务器会根据信息推荐请求获取一个目标用户向量，以及至少一个物品向量，其中，目标用户向量属于用户向量集合中的一个用户向量，用户向量集合包括至少一个用户向量。N个物品向量都属于物品向量集合，且每个物品向量对应于一个待推荐信息，待推荐信息包含但不仅限于公众号、视频以及实际商品。
需要注意的是，每个物品向量以及每个用户向量均与交叉项具有关联关系，交叉项可以表示用户特征数据与物品特征数据之间的关系，用户特征数据包含但不仅限于用户行为数据(比如点击、分享以及点赞等操作)以及用户画像(比如年龄、性别以及爱好等)，物品特征数据包含但不仅限于物品属性(比如新闻类型以及标签内容等)以及社交网络(比如“朋友圈”以及“微博”等)。现有方案中的模型并未考虑特征之间的交叉，而本申请可以将不同的特征数据进行交叉处理，从而得到交叉项。
103、根据N个物品向量以及目标用户向量，确定N个待推荐信息的预测分值；
本实施例中，服务器根据获取到的N个物品向量以及目标用户向量，采用预先生成的Factorization Machine重构预测公式，可以分别计算得到该目标用户与N个物品向量之间的预测分值，即得到N个待推荐信息的预测分值。
需要说明的是，本申请中除了Factorization Machine重构预测公式以外，在实际应用中，还可以使用逻辑回归(Logistic Regression)或者区域感知因子分解机(Field-aware Factorization Machine)等其他机器学习或深度学习模型进行预测公式重构，并将部分计算量移至线下预计算，用以提升线上效率，此处仅为一个示意，不应理解为对本申请的限定。
104、按照N个待推荐信息的预测分值向客户端发送目标推荐信息，以使客户端展示目标推荐信息，其中，目标推荐信息属于N个待推荐信息中的至少一项。
本实施例中，服务器可以按照N个待推荐信息的预测分值选择目标推荐信息，其中，目标推荐信息属于N个待推荐信息中的至少一项。服务器向客户端发送目标推荐信息，客户端展示该目标推荐信息。为了便于介绍，请参阅图5，图5为本申请实施例中信息推荐的另一个界面示意图，如图所示，以应用场景为微信“看一看”为例，首先，用户打开微信中的小程序，然后点击微信“看一看”，进入“看一看”页面可以点击顶部“精选”按钮，即可进入个性化信息推荐页面，该页面上展示的均为目标推荐信息，用户通过下拉刷新操作用户就以体验短视频个性化推荐服务。比如，用户对某条目标推荐信息感兴趣，那么该用户点击这条目标推荐信息就能够看到具体的内容。
本方案应用于视频流个性化推荐服务的召回层，主要作用是对于给定某用户从千万量级的视频库中计算找出用户最有可能喜欢并点击观看的若干视频，然后交由后续精排层和重排层进一步计算处理并最终将少数几个视频推荐呈现给用户。可以理解的是，本申请在微信“看一看”短视频个性化推荐业务场景中，可以提升视频点击率约9.6％，提升视频播放总量约8.1％，线上服务平均耗时下降25.8％。
本申请实施例中，提供了一种信息推荐的方法，首先服务器获取信息推荐请求，其中，信息推荐请求中携带目标用户的用户标识，然后根据信息推荐请求获取N个物品向量以及目标用户的目标用户向量，其中，N为大于或等于1的整数，每个物品向量对应于一个待推荐信息，N个物品向量与目标用户向量均通过交叉项确定，交叉项用于表示用户特征信息与物品特征信息之间的关联关系，再根据N个物品向量以及目标用户向量，确定N个待推荐信息的预测分值，最后，服务器可以按照N个待推荐信息的预测分值向客户端发送目标推荐信息，以使客户端展示目标推荐信息。通过上述方式，可以利用特征工程的将不同的用户特征数据和物品特征数据进行整合在一起，由此得到交叉项，因此，交叉项所确定的目标用户向量以及物品向量能够共同反映出用户特征信息和物品特征信息之间的关系，从而增强了特征的多样性，有利于提升个性化推荐的成功率。
可选地，在上述图3对应的实施例的基础上，本申请实施例提供的信息推荐的方法第一个可选实施例中，根据信息推荐请求获取N个物品向量以及目标用户的目标用户向量，可以包括：
根据信息推荐请求，从预设用户向量集合中获取目标用户向量，其中，预设用户向量集合包括至少一个预先确定的用户向量；
根据信息推荐请求，从预设物品向量集合中获取N个物品向量，其中，预设物品向量集合包括至少一个预先确定的物品向量。
本实施例中，将介绍一种获取物品向量以及用户向量的方法。服务器会提前存储预设用户向量集合以及预设物品向量集合，在线上预测过程中，直接根据信息推荐请求，从预设用户向量集合中提取目标用户向量，并且从预设物品向量集合中获取N个物品向量。为了便于理解，请参阅图6A，图6A为本申请实施例中服务器内部存储的预设用户向量集合一个实施例示意图，如图所示，服务器可以以列表的形式存储预设用户向量集合，用户部分的用户标识为键(key)，该用户所对应的用户向量为值(value)。比如目标用户p的目标用户向量为up。请参阅图6B，图6B为本申请实施例中服务器内部存储的预设物品向量集合一个实施例示意图，如图所示，服务器可以以列表的形式存储预设物品向量集合，物品部分的物品标识为键(key)，该物品所对应的物品向量为值(value)。比如物品用户q的物品向量为iq。
其次，本申请实施例中，提供了一种获取物品向量以及用户向量的方法，即服务器可以根据信息推荐请求，从预设用户向量集合中获取目标用户向量，其中，预设用户向量集合包括至少一个预先确定的用户向量，并且根据信息推荐请求，从预设物品向量集合中获取N个物品向量，其中，预设物品向量集合包括至少一个预先确定的物品向量。通过上述方式，服务器会提前在线下完成物品向量和用户向量的计算，并将这些用户向量和物品向量存储在服务器内，当需要使用这些数据时直接提取即可，由此，服务器在线计算量会大大降低，将绝大部分计算量迁移至线下进行预计算，从而减少线上计算耗时，提升线上服务效率。
可选地，在上述图3或图3对应的第一个实施例的基础上，本申请实施例提供的信息推荐的方法第二个可选实施例中，获取信息推荐请求之前，还可以包括：
获取用户特征数据以及物品特征数据，其中，用户特征数据用于表示与用户属性相关的数据，物品特征数据用于表示与物品属性相关的数据；
根据用户特征数据以及物品特征数据，确定特征向量，其中，特征向量包括多个维度的特征；
根据特征向量确定交叉项；
根据交叉项生成信息推荐预测模型，其中，信息推荐预测模型用于预测待推荐信息的预测分值。
本实施例中，将介绍服务器如何生成信息推荐预测模型中的交叉项。即服务器先获取用户特征数据以及物品特征数据，然后根据用户特征数据以及物品特征数据，确定特征向量，再利用特征向量确定交叉项，最后根据交叉项生成信息推荐预测模型，其中，信息推荐预测模型用于预测待推荐信息的预测分值。
具体地，用户特征数据包含但不仅限于用户行为数据以及用户画像，物品特征数据包含但不仅限于物品属性、环境信息以及社交网络等。假设对于某位用户而言，特征工程所得到的n维特征向量表示为(x1,x2,x3,...,xn)。其中，n维特征向量可以表示不同的信息，比如x1表示用户年龄为20，x2表示物品种类为体育类新闻，x3表示性别女，x4表示物品标签为笔记本。
在现有方案中采用线性模型为每个特征赋予不同权重参数w1,w2,...,wn，然而线性模型并未考虑特征交叉，因此，在实际应用时会消耗大量时间和人工成本进行特征工程，尤其是特征交叉。因此，在本申请中添加了一个交叉项能够节省时间和人工成本。即得到如下信息推荐预测模型：
其中，表示交叉项，θij表示特征向量xi与特征向量xj的交叉项模型参数，在模型训练时学习更新，xi是n维特征向量表示为(x1,x2,x3,...,xn)中的任意一个，xj是n维特征向量表示为(x1,x2,x3,...,xn)中的任意一个，且xi不等同于xj。
再次，本申请实施例中，提供了一种生成交叉项的方式，在服务器获取信息推荐请求之前，还可以获取用户特征数据以及物品特征数据，然后根据用户特征数据以及物品特征数据，确定特征向量，服务器根据特征向量确定交叉项，然后根据交叉项生成信息推荐预测模型。通过上述方式，可以通过特征工程的方式将用户画像，物品属性以及用户社交信息等各种数据有效地整合利用，一定程度地缓解冷启动问题。模型中的隐因子交叉机制不仅能够缓解数据稀疏问题，同时能够学习表达用户兴趣和物品特性在隐语义空间的概率分布，从而节省从业人员在前期特征工程的大量时间和人力成本。同时，正是由于该模型能够学习表达了用户和物品的隐因子向量，将用户兴趣和物品特性进行精准的隐空间向量化表示，可以有效挖掘用户长尾兴趣，从而避免推荐结果趋热问题，使推荐更个性化。
可选地，在上述图3对应的第二个实施例的基础上，本申请实施例提供的信息推荐的方法第三个可选实施例中，根据特征向量确定交叉项，可以包括：
确定交叉项的模型参数；
根据交叉项的模型参数以及特征向量计算得到交叉项；
其中，根据交叉项的模型参数以及特征向量计算得到交叉项，可以包括：
通过如下方式生成交叉项：
其中，Q表示交叉项，xi表示特征向量中的第i个特征，xj表示特征向量中的第j个特征，θij表示交叉项的模型参数，n表示特征向量的特征总数。
本实施例中，将进一步介绍如何得到交叉项，即服务器需要计算交叉项的模型参数θij，然后利用交叉项的模型参数θij生成交叉项Q。交叉项Q中两两特征向量之间均存在交叉关系，使得信息互通，从而得到完整的一组信息，比如，20岁的用户A在一周内点击体育类新闻28次。基于各组信息以及交叉项的模型参数θij生成交叉项Q。
进一步地，本申请实施例中，提供了一种计算交叉项的具体方式，即服务器可以确定交叉项的模型参数，然后根据交叉项的模型参数以及特征向量计算得到交叉项。通过上述方式，为交叉项的计算提供了具体的方式，从而提升了方案的可行性和可操作性。
可选地，在上述图3对应的第三个实施例的基础上，本申请实施例提供的信息推荐的方法第四个可选实施例中，确定交叉项的模型参数，可以包括：
通过如下方式计算交叉项的模型参数：
其中，θij表示交叉项的模型参数，vi表示第一模型参数，vj表示第二模型参数，vif表示vi的第f个元素，vjf表示vj的第f个元素，d表示向量维度。
本实施例中，将进一步介绍如何得到交叉项的模型参数，在实际应用中，特征数据往往是稀疏的，即交叉项Q中的特征共现会尤其加剧特征稀疏的问题，导致交叉项的模型参数θij更新学习不充分，从而影响预测效果。为了解决这个问题，可以将交叉项的模型参数θij表示为两个参数向量内积的形式，即：
其中，vi表示第一模型参数，vj表示第二模型参数，vi与vj均为d维向量，而隐因子分解机中的“隐因子”即指vi与vj的向量参数。通过各特征交叉项间共享向量参数有效缓解特征稀疏问题，即得到如下信息推荐预测模型：
总结而言，隐因子分解机模型可以通过特征工程将除用户行为数据外的其他丰富的信息数据有效地加以利用，而在模型层面设计的隐因子特征交叉项既可以节省特征工程过程大量人力时间成本，又可以在隐因子空间计算用户兴趣和物品属性，从而有效提升系统个性化推荐精度。
更进一步地，本申请实施例中，提供了一种计算交叉项模型参数的具体方式，即服务器采用将特征交叉项参数建模为两参数向量内积形式，使得各特征交叉项间共享向量参数。通过上述方式，够有效缓解特征稀疏问题，使得交叉项模型参数的学习更加充分，有利于预测的准确性，从而提升了方案的可行性和可操作性。
可选地，在上述图3对应的第四个实施例的基础上，本申请实施例提供的信息推荐的方法第五个可选实施例中，根据交叉项生成信息推荐预测模型，可以包括：
通过如下方式生成信息推荐预测模型：
其中，表示信息推荐预测模型，b表示第三模型参数，xi表示特征向量中的第i个特征，xj表示特征向量中的第j个特征，wi表示xi的权重参数，wj表示xj的权重参数，vif表示vi的第f个元素，vjf表示vj的第f个元素，US表示用户特征数据对应的特征集合，IS表示物品特征数据对应的特征集合。
本实施例中，基于上述介绍，下面将介绍信息推荐预测模型的重构方式，在公式中，特征二次交叉项存在较多重复的计算量，因此，本申请对该公式进行重新构建，得到如下重构后的信息推荐预测模型：
由此，可以使得计算复杂度从o(nd)降至o(d)，其中，n为特征数量，d为隐因子向量维度。本申请根据上述公式，将其分为用户侧和物品侧两个部分，将用户特征数据对应的特征集合表示为US＝{i|1≤i≤n,xi∈用户特征}，将物品特征数据对应的特征集合表示为IS＝{j|1≤j≤n,xj∈物品特征}，重构后的信息推荐预测模型为：
其中，重构后的信息推荐预测模型被分为6个子式，其中，第一个子式、第三个子式和第五个子式只与用户侧特征相关，第二个子式、第四个子式和第六个子式只与物品侧特征相关。
再进一步地，本申请实施例中，提供了一种根据交叉项生成信息推荐预测模型的具体方式，即重新构建一个信息推荐预测模型。通过上述方式，能够根据重构后的信息推荐预测模型，在计算结果无损的前提下将绝大部分计算量迁移至线下进行预计算，从而减少线上计算耗时，提升线上服务效率。此外，由于隐因子分解机从模型原理层面设计进行了特征交叉，因此，利用重构后的信息推荐预测模型可以分为用户侧和物品侧两部分，由此便于后续的应用和处理。
可选地，在上述图3对应的实施例的基础上，本申请实施例提供的信息推荐的方法第六个可选实施例中，目标用户向量可以表示为：
其中，up表示目标用户向量，b表示第三模型参数，xi表示特征向量中的第i个特征，wi表示xi的权重参数，vif表示vi的第f个元素，US表示用户特征数据对应的特征集合。
本实施例中，介绍了一种获取目标用户向量的方式。即针对已经重构后的信息推荐预测模型得到目标用户向量的表示。依据如下信息推荐预测模型：
为了便于理解，请参阅7，图7为本申请实施例中重构后的信息推荐预测模型一个示意图，下面将结合图7进行介绍，对于信息推荐预测模型中的第一个部分第三个部分/>以及第五个部分/>进行预计算并存储在服务器，以目标用户p为例，经过预计算后存储d+2个实数所组成的目标用户向量
其次，本申请实施例中，提供了一种目标用户向量的表示方式，通过上述方式，利用重构后的信息推荐预测模型可以快速地计算用户侧向量，并且在线下进行用户侧向量的计算，使得线上实时预测的计算复杂度从o(nd)降至o(d)，极大地降低了在线服务耗时。
可选地，在上述图3对应的实施例的基础上，本申请实施例提供的信息推荐的方法第七个可选实施例中，物品向量可以表示为：
其中，iq表示物品向量，xj表示特征向量中的第j个特征，wj表示xj的权重参数，vjf表示vj的第f个元素，IS表示物品特征数据对应的特征集合。
本实施例中，介绍了一种获取物品向量的方式。即针对已经重构后的信息推荐预测模型得到物品向量的表示。依据如下信息推荐预测模型：
为了便于理解，请再次参阅7，图7为本申请实施例中重构后的信息推荐预测模型一个示意图，下面将结合图7进行介绍，对于信息推荐预测模型中的第二个部分第四个部分/>以及第六个部分/>进行预计算并存储在服务器，以物品q为例，经过预计算后存储d+2个实数所组成的物品向量
为了便于理解，下面将以一个应用场景对本申请所提供的信息推荐方法进行说明。假设设置的隐向量维度d＝5，目标用户p的目标用户向量up＝(-0.04，0.012，0.09，-0.07，0.007，0.013，-0.04)，待推荐物品q的物品向量为iq＝(-0.12，0.15，0.03，-0.169，0.008，0.14，-0.012)，于是得到关于待推荐物品q的预测分值为：
由此计算出各个待推荐物品的预测分值，从中选择预测分值较高的待推荐物品作为目标推荐物品。
其次，本申请实施例中，提供了一种物品向量的表示方式，通过上述方式，利用重构后的信息推荐预测模型可以快速地计算物品侧向量，并且在线下进行物品侧向量的计算，使得线上实时预测的计算复杂度从o(nd)降至o(d)，极大地降低了在线服务耗时。
可选地，在上述图3对应的实施例的基础上，本申请实施例提供的信息推荐的方法第八个可选实施例中，按照N个待推荐信息的预测分值向客户端发送目标推荐信息，可以包括：
根据N个待推荐信息的预测分值，从N个待推荐信息中选择目标推荐信息，其中，目标推荐信息的预测分值大于预设分值门限；
向客户端发送目标推荐信息。
本实施例中，介绍了一种服务器确定目标推荐信息的方式。即服务器先计算得到N个待推荐信息的预测分值，然后根据N个待推荐信息的预测分值，从N个待推荐信息中选择出目标推荐信息，这里的目标推荐信息所对应的预测分值大于预设分值门限。服务器向客户端发送目标推荐信息。可选地，服务器也可以选择一定数量的待推荐信息作为目标推荐信息。
为了便于理解，请参阅表1，表1为N个待推荐信息的预测分值一个示意。
表1
| 待推荐信息 | 预测分值 |
| 新闻A | 60 |
| 新闻B | 72 |
| 新闻C | 36 |
| 新闻D | 77 |
| 新闻E | 19 |
| 新闻F | 87 |
| 新闻G | 45 |
以表1为例，假设预设分值门限为50，则根据待推荐信息的预测分值，可以从中选择出新闻A(60分)、新闻B(72分)、新闻D(77分)以及新闻F(87分)。
其次，本申请实施例中，提供了一种确定目标推荐信息的方式，即服务器首先根据N个待推荐信息的预测分值，从N个待推荐信息中选择目标推荐信息，其中，目标推荐信息的预测分值大于预设分值门限，然后服务器向客户端发送目标推荐信息。通过上述方式，能够选择性地获取目标推荐信息，一方面可以根据预测分值选择用户最可能感兴趣的信息作为目标推荐信息，从而提升信息的曝光度。另一方面可以有效地避免信息推荐量过大，为预测分值设置预设分值门限即可选择价值高的信息，提升方案的实用性。
下面对本申请中的信息推荐装置进行详细描述，请参阅图8，图8为本申请实施例中信息推荐装置一个实施例示意图，信息推荐装置20包括：
获取模块201，用于获取信息推荐请求，其中，所述信息推荐请求中携带目标用户的用户标识；
所述获取模块201，还用于根据所述信息推荐请求获取N个物品向量以及所述目标用户的目标用户向量，其中，所述N为大于或等于1的整数，每个物品向量对应于一个待推荐信息，所述N个物品向量与所述目标用户向量均通过交叉项确定，所述交叉项用于表示用户特征数据与物品特征数据之间的关联关系；
确定模块202，用于根据所述获取模块201获取的所述N个物品向量以及所述目标用户向量，确定N个待推荐信息的预测分值；
推荐模块203，用于按照所述确定模块202确定的所述N个待推荐信息的预测分值向客户端发送目标推荐信息，以使所述客户端展示所述目标推荐信息，其中，所述目标推荐信息属于所述N个待推荐信息中的至少一项。
本实施例中，获取模块201获取信息推荐请求，其中，所述信息推荐请求中携带目标用户的用户标识，所述获取模块201根据所述信息推荐请求获取N个物品向量以及所述目标用户的目标用户向量，其中，所述N为大于或等于1的整数，每个物品向量对应于一个待推荐信息，所述N个物品向量与所述目标用户向量均通过交叉项确定，所述交叉项用于表示用户特征数据与物品特征数据之间的关联关系，确定模块202根据所述获取模块201获取的所述N个物品向量以及所述目标用户向量，确定N个待推荐信息的预测分值，推荐模块203按照所述确定模块202确定的所述N个待推荐信息的预测分值向客户端发送目标推荐信息，以使所述客户端展示所述目标推荐信息，其中，所述目标推荐信息属于所述N个待推荐信息中的至少一项。
本申请实施例中，提供了一种信息推荐装置，首先信息推荐装置获取信息推荐请求，其中，信息推荐请求中携带目标用户的用户标识，然后根据信息推荐请求获取N个物品向量以及目标用户的目标用户向量，其中，N为大于或等于1的整数，每个物品向量对应于一个待推荐信息，N个物品向量与目标用户向量均通过交叉项确定，交叉项用于表示用户特征信息与物品特征信息之间的关联关系，再根据N个物品向量以及目标用户向量，确定N个待推荐信息的预测分值，最后，信息推荐装置可以按照N个待推荐信息的预测分值向客户端发送目标推荐信息，以使客户端展示目标推荐信息。通过上述方式，可以利用特征工程的将不同的用户特征数据和物品特征数据进行整合在一起，由此得到交叉项，因此，交叉项所确定的目标用户向量以及物品向量能够共同反映出用户特征信息和物品特征信息之间的关系，从而增强了特征的多样性，有利于提升个性化推荐的成功率。
可选地，在上述图8所对应的实施例的基础上，本申请实施例提供的信息推荐装置20的另一实施例中，
所述获取模块201，具体用于根据所述信息推荐请求，从预设用户向量集合中获取所述目标用户向量，其中，所述预设用户向量集合包括至少一个预先确定的用户向量；
根据所述信息推荐请求，从预设物品向量集合中获取所述N个物品向量，其中，所述预设物品向量集合包括至少一个预先确定的物品向量。
其次，本申请实施例中，提供了一种获取物品向量以及用户向量的方法，即信息推荐装置可以根据信息推荐请求，从预设用户向量集合中获取目标用户向量，其中，预设用户向量集合包括至少一个预先确定的用户向量，并且根据信息推荐请求，从预设物品向量集合中获取N个物品向量，其中，预设物品向量集合包括至少一个预先确定的物品向量。通过上述方式，信息推荐装置会提前在线下完成物品向量和用户向量的计算，并将这些用户向量和物品向量存储在信息推荐装置内，当需要使用这些数据时直接提取即可，由此，信息推荐装置在线计算量会大大降低，将绝大部分计算量迁移至线下进行预计算，从而减少线上计算耗时，提升线上服务效率。
可选地，在上述图8所对应的实施例的基础上，请参阅图9，本申请实施例提供的信息推荐装置20的另一实施例中，所述信息推荐装置20还包括生成模块204；
所述获取模块201，还用于获取信息推荐请求之前，获取所述用户特征数据以及所述物品特征数据，其中，所述用户特征数据用于表示与用户属性相关的数据，所述物品特征数据用于表示与物品属性相关的数据；
所述确定模块202，还用于根据所述获取模块201获取的所述用户特征数据以及所述物品特征数据，确定特征向量，其中，所述特征向量包括多个维度的特征；
所述确定模块202，还用于根据所述特征向量确定所述交叉项；
所述生成模块204，用于根据所述确定模块202确定的所述交叉项生成信息推荐预测模型，其中，所述信息推荐预测模型用于预测待推荐信息的预测分值。
再次，本申请实施例中，提供了一种生成交叉项的方式，在信息推荐装置获取信息推荐请求之前，还可以获取用户特征数据以及物品特征数据，然后根据用户特征数据以及物品特征数据，确定特征向量，信息推荐装置根据特征向量确定交叉项，然后根据交叉项生成信息推荐预测模型。通过上述方式，可以通过特征工程的方式将用户画像，物品属性以及用户社交信息等各种数据有效地整合利用，一定程度地缓解冷启动问题。模型中的隐因子交叉机制不仅能够缓解数据稀疏问题，同时能够学习表达用户兴趣和物品特性在隐语义空间的概率分布，从而节省从业人员在前期特征工程的大量时间和人力成本。同时，正是由于该模型能够学习表达了用户和物品的隐因子向量，将用户兴趣和物品特性进行精准的隐空间向量化表示，可以有效挖掘用户长尾兴趣，从而避免推荐结果趋热问题，使推荐更个性化。
可选地，在上述图8或图9所对应的实施例的基础上，本申请实施例提供的信息推荐装置20的另一实施例中，
所述确定模块202，具体用于确定交叉项的模型参数；
根据所述交叉项的模型参数以及所述特征向量计算得到所述交叉项；
其中，通过如下方式生成所述交叉项：
其中，所述Q表示所述交叉项，所述xi表示所述特征向量中的第i个特征，所述xj表示所述特征向量中的第j个特征，所述θij表示所述交叉项的模型参数，所述n表示所述特征向量的特征总数。
进一步地，本申请实施例中，提供了一种计算交叉项的具体方式，即信息推荐装置可以确定交叉项的模型参数，然后根据交叉项的模型参数以及特征向量计算得到交叉项。通过上述方式，为交叉项的计算提供了具体的方式，从而提升了方案的可行性和可操作性。
可选地，在上述图8或图9所对应的实施例的基础上，本申请实施例提供的信息推荐装置20的另一实施例中，
所述确定模块202，具体用于通过如下方式计算所述交叉项的模型参数：
其中，所述θij表示所述交叉项的模型参数，所述vi表示第一模型参数，所述vj表示第二模型参数，所述vif表示所述vi的第f个元素，所述vjf表示所述vj的第f个元素，所述d表示向量维度。
更进一步地，本申请实施例中，提供了一种计算交叉项模型参数的具体方式，即信息推荐装置采用将特征交叉项参数建模为两参数向量内积形式，使得各特征交叉项间共享向量参数。通过上述方式，够有效缓解特征稀疏问题，使得交叉项模型参数的学习更加充分，有利于预测的准确性，从而提升了方案的可行性和可操作性。
可选地，在上述图9所对应的实施例的基础上，本申请实施例提供的信息推荐装置20的另一实施例中，
所述生成模块，具体用于通过如下方式生成所述信息推荐预测模型：
其中，所述表示所述信息推荐预测模型，所述b表示第三模型参数，所述xi表示所述特征向量中的第i个特征，所述xj表示所述特征向量中的第j个特征，所述wi表示所述xi的权重参数，所述wj表示所述xj的权重参数，所述vif表示所述vi的第f个元素，所述vjf表示所述vj的第f个元素，所述US表示所述用户特征数据对应的特征集合，所述IS表示所述物品特征数据对应的特征集合。
再进一步地，本申请实施例中，提供了一种根据交叉项生成信息推荐预测模型的具体方式，即重新构建一个信息推荐预测模型。通过上述方式，能够根据重构后的信息推荐预测模型，在计算结果无损的前提下将绝大部分计算量迁移至线下进行预计算，从而减少线上计算耗时，提升线上服务效率。此外，由于隐因子分解机从模型原理层面设计进行了特征交叉，因此，利用重构后的信息推荐预测模型可以分为用户侧和物品侧两部分，由此便于后续的应用和处理。
可选地，在上述图8或图9所对应的实施例的基础上，本申请实施例提供的信息推荐装置20的另一实施例中，
所述目标用户向量表示为：
其中，所述up表示所述目标用户向量，所述b表示第三模型参数，所述xi表示所述特征向量中的第i个特征，所述wi表示所述xi的权重参数，所述vif表示所述vi的第f个元素，所述US表示所述用户特征数据对应的特征集合。
其次，本申请实施例中，提供了一种目标用户向量的表示方式，通过上述方式，利用重构后的信息推荐预测模型可以快速地计算用户侧向量，并且在线下进行用户侧向量的计算，使得线上实时预测的计算复杂度从o(nd)降至o(d)，极大地降低了在线服务耗时。
可选地，在上述图8或图9所对应的实施例的基础上，本申请实施例提供的信息推荐装置20的另一实施例中，
所述物品向量表示为：
其中，所述iq表示所述物品向量，所述xj表示所述特征向量中的第j个特征，所述wj表示所述xj的权重参数，所述vjf表示所述vj的第f个元素，所述IS表示所述物品特征数据对应的特征集合。
其次，本申请实施例中，提供了一种物品向量的表示方式，通过上述方式，利用重构后的信息推荐预测模型可以快速地计算物品侧向量，并且在线下进行物品侧向量的计算，使得线上实时预测的计算复杂度从o(nd)降至o(d)，极大地降低了在线服务耗时。
可选地，在上述图8或图9所对应的实施例的基础上，本申请实施例提供的信息推荐装置20的另一实施例中，
所述推荐模块203，具体用于根据所述N个待推荐信息的预测分值，从所述N个待推荐信息中选择所述目标推荐信息，其中，所述目标推荐信息的预测分值大于预设分值门限；
向所述客户端发送所述目标推荐信息。
其次，本申请实施例中，提供了一种确定目标推荐信息的方式，即信息推荐装置首先根据N个待推荐信息的预测分值，从N个待推荐信息中选择目标推荐信息，其中，目标推荐信息的预测分值大于预设分值门限，然后信息推荐装置向客户端发送目标推荐信息。通过上述方式，能够选择性地获取目标推荐信息，一方面可以根据预测分值选择用户最可能感兴趣的信息作为目标推荐信息，从而提升信息的曝光度。另一方面可以有效地避免信息推荐量过大，为预测分值设置预设分值门限即可选择价值高的信息吗，提升方案的实用性。
图10是本申请实施例提供的一种服务器结构示意图，该服务器300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processingunits，CPU)322(例如，一个或一个以上处理器)和存储器332，一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中，存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储介质330通信，在服务器300上执行存储介质330中的一系列指令操作。
服务器300还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
上述实施例中由服务器所执行的步骤可以基于该图10所示的服务器结构。
本实施例中，CPU 322用于执行如下步骤：
获取信息推荐请求，其中，所述信息推荐请求中携带目标用户的用户标识；
根据所述信息推荐请求获取N个物品向量以及所述目标用户的目标用户向量，其中，所述N为大于或等于1的整数，每个物品向量对应于一个待推荐信息，所述N个物品向量与所述目标用户向量均通过交叉项确定，所述交叉项用于表示用户特征数据与物品特征数据之间的关联关系；
根据所述N个物品向量以及所述目标用户向量，确定N个待推荐信息的预测分值；
按照所述N个待推荐信息的预测分值向客户端发送目标推荐信息，以使所述客户端展示所述目标推荐信息，其中，所述目标推荐信息属于所述N个待推荐信息中的至少一项。
可选地，CPU 322具体用于执行如下步骤：
根据所述信息推荐请求，从预设用户向量集合中获取所述目标用户向量，其中，所述预设用户向量集合包括至少一个预先确定的用户向量；
根据所述信息推荐请求，从预设物品向量集合中获取所述N个物品向量，其中，所述预设物品向量集合包括至少一个预先确定的物品向量。
可选地，CPU 322还用于执行如下步骤：
获取所述用户特征数据以及所述物品特征数据，其中，所述用户特征数据用于表示与用户属性相关的数据，所述物品特征数据用于表示与物品属性相关的数据；
根据所述用户特征数据以及所述物品特征数据，确定特征向量，其中，所述特征向量包括多个维度的特征；
根据所述特征向量确定所述交叉项；
根据所述交叉项生成信息推荐预测模型，其中，所述信息推荐预测模型用于预测待推荐信息的预测分值。
可选地，CPU 322具体用于执行如下步骤：
确定交叉项的模型参数；
根据所述交叉项的模型参数以及所述特征向量计算得到所述交叉项；
通过如下方式生成所述交叉项：
其中，所述Q表示所述交叉项，所述xi表示所述特征向量中的第i个特征，所述xj表示所述特征向量中的第j个特征，所述θij表示所述交叉项的模型参数，所述n表示所述特征向量的特征总数。
可选地，CPU 322具体用于执行如下步骤：
通过如下方式计算所述交叉项的模型参数：
其中，所述θij表示所述交叉项的模型参数，所述vi表示第一模型参数，所述vj表示第二模型参数，所述vif表示所述vi的第f个元素，所述vjf表示所述vj的第f个元素，所述d表示向量维度。
可选地，CPU 322具体用于执行如下步骤：
通过如下方式生成所述信息推荐预测模型：
其中，所述表示所述信息推荐预测模型，所述b表示第三模型参数，所述xi表示所述特征向量中的第i个特征，所述xj表示所述特征向量中的第j个特征，所述wi表示所述xi的权重参数，所述wj表示所述xj的权重参数，所述vif表示所述vi的第f个元素，所述vjf表示所述vj的第f个元素，所述US表示所述用户特征数据对应的特征集合，所述IS表示所述物品特征数据对应的特征集合。
可选地，所述目标用户向量表示为：
其中，所述up表示所述目标用户向量，所述b表示第三模型参数，所述xi表示所述特征向量中的第i个特征，所述wi表示所述xi的权重参数，所述vif表示所述vi的第f个元素，所述US表示所述用户特征数据对应的特征集合。
可选地，所述物品向量表示为：
其中，所述iq表示所述物品向量，所述xj表示所述特征向量中的第j个特征，所述wj表示所述xj的权重参数，所述vjf表示所述vj的第f个元素，所述IS表示所述物品特征数据对应的特征集合。
可选地，CPU 322具体用于执行如下步骤：
根据所述N个待推荐信息的预测分值，从所述N个待推荐信息中选择所述目标推荐信息，其中，所述目标推荐信息的预测分值大于预设分值门限；
向所述客户端发送所述目标推荐信息。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，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，所述单元的划分，仅仅为一种逻辑功能划分，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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请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)执行本申请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(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。
Claims (18)
1.一种信息推荐的方法，其特征在于，包括：
获取信息推荐请求，其中，所述信息推荐请求中携带目标用户的用户标识；
根据所述信息推荐请求获取N个物品向量以及所述目标用户的目标用户向量，其中，所述N为大于或等于1的整数，每个物品向量对应于一个待推荐信息，所述N个物品向量与所述目标用户向量均通过交叉项确定，所述交叉项用于表示用户特征数据与物品特征数据之间的关联关系；
根据所述N个物品向量以及所述目标用户向量，确定N个待推荐信息的预测分值；所述N个待推荐信息的预测分值通过信息推荐预测模型预测，所述信息推荐预测模型是利用隐因子分解机对所述交叉项进行用户侧和物品侧重构的结果，所述结果包括互不影响的用户子式与物品子式，所述用户子式和所述物品子式子分别被用于在线下提前进行用户侧向量计算和物品侧向量计算，所述交叉项根据特征向量和交叉项的模型参数确定，所述特征向量根据所述用户特征数据与所述物品特征数据确定，所述特征向量包括多个维度的特征，所述用户特征数据用于表示与用户属性相关的数据，所述物品特征数据用于表示与物品属性相关的数据，所述交叉项的模型参数指示第一模型参数和第二模型参数的向量内积，所述第一模型参数和所述第二模型参数表征所述隐因子分解机中的隐因子，所述第一模型参数和所述第二模型参数各自对应的向量被多个特征交叉项共享，所述特征交叉项基于所述特征向量提供的两个不同维度的特征确定；
按照所述N个待推荐信息的预测分值向客户端发送目标推荐信息，以使所述客户端展示所述目标推荐信息，其中，所述目标推荐信息属于所述N个待推荐信息中的至少一项。
2.根据权利要求1所述的方法，其特征在于，所述根据所述信息推荐请求获取N个物品向量以及所述目标用户的目标用户向量，包括：
根据所述信息推荐请求，从预设用户向量集合中获取所述目标用户向量，其中，所述预设用户向量集合包括至少一个预先确定的用户向量；
根据所述信息推荐请求，从预设物品向量集合中获取所述N个物品向量，其中，所述预设物品向量集合包括至少一个预先确定的物品向量。
3.根据权利要求1所述的方法，其特征在于，所述根据所述特征向量确定所述交叉项，包括：
确定所述交叉项的模型参数；
根据所述交叉项的模型参数以及所述特征向量计算得到所述交叉项；
其中，所述根据所述交叉项的模型参数以及所述特征向量计算得到所述交叉项，包括：
通过如下方式生成所述交叉项：
其中，所述Q表示所述交叉项，所述xi表示所述特征向量中的第i个特征，所述xj表示所述特征向量中的第j个特征，所述θij表示所述交叉项的模型参数，所述n表示所述特征向量的特征总数。
4.根据权利要求3所述的方法，其特征在于，所述确定所述交叉项的模型参数，包括：
通过如下方式计算所述交叉项的模型参数：
其中，所述θij表示所述交叉项的模型参数，所述vi表示所述第一模型参数，所述vj表示所述第二模型参数，所述vif表示所述vi的第f个元素，所述vjf表示所述vj的第f个元素，所述d表示向量维度。
5.根据权利要求4所述的方法，其特征在于，所述根据所述交叉项生成信息推荐预测模型，包括：
通过如下方式生成所述信息推荐预测模型：
其中，所述表示所述信息推荐预测模型，所述b表示第三模型参数，所述xi表示所述特征向量中的第i个特征，所述xj表示所述特征向量中的第j个特征，所述wi表示所述xi的权重参数，所述wj表示所述xj的权重参数，所述vif表示所述vi的第f个元素，所述vjf表示所述vj的第f个元素，所述US表示所述用户特征数据对应的特征集合，所述IS表示所述物品特征数据对应的特征集合。
6.根据权利要求1所述的方法，其特征在于，所述目标用户向量表示为：
其中，所述up表示所述目标用户向量，所述b表示第三模型参数，所述xi表示所述特征向量中的第i个特征，所述wi表示所述xi的权重参数，所述vif表示所述vi的第f个元素，所述US表示所述用户特征数据对应的特征集合。
7.根据权利要求1所述的方法，其特征在于，所述物品向量表示为：
其中，所述iq表示所述物品向量，所述xj表示所述特征向量中的第j个特征，所述wj表示所述xj的权重参数，所述vjf表示所述vj的第f个元素，所述IS表示所述物品特征数据对应的特征集合。
8.根据权利要求1所述的方法，其特征在于，所述按照所述N个待推荐信息的预测分值向客户端发送目标推荐信息，包括：
根据所述N个待推荐信息的预测分值，从所述N个待推荐信息中选择所述目标推荐信息，其中，所述目标推荐信息的预测分值大于预设分值门限；
向所述客户端发送所述目标推荐信息。
9.一种信息推荐装置，其特征在于，包括：
获取模块，用于获取信息推荐请求，其中，所述信息推荐请求中携带目标用户的用户标识；
所述获取模块，还用于根据所述信息推荐请求获取N个物品向量以及所述目标用户的目标用户向量，其中，所述N为大于或等于1的整数，每个物品向量对应于一个待推荐信息，所述N个物品向量与所述目标用户向量均通过交叉项确定，所述交叉项用于表示用户特征数据与物品特征数据之间的关联关系；
确定模块，用于根据所述获取模块获取的所述N个物品向量以及所述目标用户向量，确定N个待推荐信息的预测分值；所述N个待推荐信息的预测分值通过信息推荐预测模型预测，所述信息推荐预测模型是利用隐因子分解机对所述交叉项进行用户侧和物品侧重构的结果，所述结果包括互不影响的用户子式与物品子式，所述用户子式和所述物品子式子分别被用于在线下提前进行用户侧向量计算和物品侧向量计算，所述交叉项根据特征向量和交叉项的模型参数确定，所述特征向量根据所述用户特征数据与所述物品特征数据确定，所述特征向量包括多个维度的特征，所述用户特征数据用于表示与用户属性相关的数据，所述物品特征数据用于表示与物品属性相关的数据，所述交叉项的模型参数指示第一模型参数和第二模型参数的向量内积，所述第一模型参数和所述第二模型参数表征所述隐因子分解机中的隐因子，所述第一模型参数和所述第二模型参数各自对应的向量被多个特征交叉项共享，所述特征交叉项基于所述特征向量提供的两个不同维度的特征确定；
推荐模块，用于按照所述确定模块确定的所述N个待推荐信息的预测分值向客户端发送目标推荐信息，以使所述客户端展示所述目标推荐信息，其中，所述目标推荐信息属于所述N个待推荐信息中的至少一项。
10.根据权利要求9所述的装置，其特征在于，所述获取模块，还用于根据所述信息推荐请求，从预设用户向量集合中获取所述目标用户向量，其中，所述预设用户向量集合包括至少一个预先确定的用户向量；根据所述信息推荐请求，从预设物品向量集合中获取所述N个物品向量，其中，所述预设物品向量集合包括至少一个预先确定的物品向量。
11.根据权利要求9所述的装置，其特征在于，所述根据所述特征向量确定所述交叉项，包括：
确定所述交叉项的模型参数；
根据所述交叉项的模型参数以及所述特征向量计算得到所述交叉项；
其中，所述根据所述交叉项的模型参数以及所述特征向量计算得到所述交叉项，包括：
通过如下方式生成所述交叉项：
其中，所述Q表示所述交叉项，所述xi表示所述特征向量中的第i个特征，所述xj表示所述特征向量中的第j个特征，所述θij表示所述交叉项的模型参数，所述n表示所述特征向量的特征总数。
12.根据权利要求11所述的装置，其特征在于，所述确定所述交叉项的模型参数，包括：
通过如下方式计算所述交叉项的模型参数：
其中，所述θij表示所述交叉项的模型参数，所述vi表示第一模型参数，所述vj表示第二模型参数，所述vif表示所述vi的第f个元素，所述vjf表示所述vj的第f个元素，所述d表示向量维度。
13.根据权利要求12所述的装置，其特征在于，所述根据所述交叉项生成信息推荐预测模型，包括：
通过如下方式生成所述信息推荐预测模型：
其中，所述表示所述信息推荐预测模型，所述b表示第三模型参数，所述xi表示所述特征向量中的第i个特征，所述xj表示所述特征向量中的第j个特征，所述wi表示所述xi的权重参数，所述wj表示所述xj的权重参数，所述vif表示所述vi的第f个元素，所述vjf表示所述vj的第f个元素，所述US表示所述用户特征数据对应的特征集合，所述IS表示所述物品特征数据对应的特征集合。
14.根据权利要求9所述的装置，其特征在于，所述目标用户向量表示为：
其中，所述up表示所述目标用户向量，所述b表示第三模型参数，所述xi表示所述特征向量中的第i个特征，所述wi表示所述xi的权重参数，所述vif表示所述vi的第f个元素，所述US表示所述用户特征数据对应的特征集合。
15.根据权利要求9所述的装置，其特征在于，所述物品向量表示为：
其中，所述iq表示所述物品向量，所述xj表示所述特征向量中的第j个特征，所述wj表示所述xj的权重参数，所述vjf表示所述vj的第f个元素，所述IS表示所述物品特征数据对应的特征集合。
16.根据权利要求9所述的装置，其特征在于，所述按照所述N个待推荐信息的预测分值向客户端发送目标推荐信息，包括：根据所述N个待推荐信息的预测分值，从所述N个待推荐信息中选择所述目标推荐信息，其中，所述目标推荐信息的预测分值大于预设分值门限；向所述客户端发送所述目标推荐信息。
17.一种服务器，其特征在于，包括：存储器、收发器、处理器以及总线系统；
其中，所述存储器用于存储程序；
所述处理器用于执行所述存储器中的程序，包括如下步骤：
获取信息推荐请求，其中，所述信息推荐请求中携带目标用户的用户标识；
根据所述信息推荐请求获取N个物品向量以及所述目标用户的目标用户向量，其中，所述N为大于或等于1的整数，每个物品向量对应于一个待推荐信息，所述N个物品向量与所述目标用户向量均通过交叉项确定，所述交叉项用于表示用户特征数据与物品特征数据之间的关联关系；
根据所述N个物品向量以及所述目标用户向量，确定N个待推荐信息的预测分值；所述N个待推荐信息的预测分值通过信息推荐预测模型预测，所述信息推荐预测模型是利用隐因子分解机对所述交叉项进行用户侧和物品侧重构的结果，所述结果包括互不影响的用户子式与物品子式，所述用户子式和所述物品子式子分别被用于在线下提前进行用户侧向量计算和物品侧向量计算，所述交叉项根据特征向量和交叉项的模型参数确定，所述特征向量根据所述用户特征数据与所述物品特征数据确定，所述特征向量包括多个维度的特征，所述用户特征数据用于表示与用户属性相关的数据，所述物品特征数据用于表示与物品属性相关的数据，所述交叉项的模型参数指示第一模型参数和第二模型参数的向量内积，所述第一模型参数和所述第二模型参数表征所述隐因子分解机中的隐因子，所述第一模型参数和所述第二模型参数各自对应的向量被多个特征交叉项共享，所述特征交叉项基于所述特征向量提供的两个不同维度的特征确定；
按照所述N个待推荐信息的预测分值向客户端发送目标推荐信息，以使所述客户端展示所述目标推荐信息，其中，所述目标推荐信息属于所述N个待推荐信息中的至少一项；
所述总线系统用于连接所述存储器以及所述处理器，以使所述存储器以及所述处理器进行通信。
18.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1至8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910160830.3A CN110162693B (zh) | 2019-03-04 | 2019-03-04 | 一种信息推荐的方法以及服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910160830.3A CN110162693B (zh) | 2019-03-04 | 2019-03-04 | 一种信息推荐的方法以及服务器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110162693A CN110162693A (zh) | 2019-08-23 |
| CN110162693B true CN110162693B (zh) | 2024-05-10 |
Family
ID=67645416
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910160830.3A Active CN110162693B (zh) | 2019-03-04 | 2019-03-04 | 一种信息推荐的方法以及服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110162693B (zh) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110838020B (zh) * | 2019-09-16 | 2023-06-23 | 平安科技（深圳）有限公司 | 基于向量迁移的推荐方法、装置、计算机设备及存储介质 |
| CN110769034B (zh) * | 2019-09-20 | 2024-02-09 | 中国平安人寿保险股份有限公司 | 推荐系统策略迭代方法、装置及存储介质、服务器 |
| CN110930223A (zh) * | 2019-11-21 | 2020-03-27 | 苏州朗动网络科技有限公司 | 基于场感知因子分解机的推荐召回方法、设备和存储介质 |
| CN111143670A (zh) * | 2019-12-09 | 2020-05-12 | 中国平安财产保险股份有限公司 | 一种信息确定方法及相关产品 |
| CN111046467B (zh) * | 2019-12-11 | 2023-03-24 | 万翼科技有限公司 | 一种户型参数化建模方法及相关设备 |
| CN111047406B (zh) * | 2019-12-12 | 2023-08-22 | 北京思特奇信息技术股份有限公司 | 一种电信套餐推荐方法、装置、存储介质和设备 |
| CN111340522B (zh) * | 2019-12-30 | 2024-03-08 | 支付宝实验室(新加坡)有限公司 | 资源推荐方法、装置、服务器及存储介质 |
| CN111339419A (zh) * | 2020-02-27 | 2020-06-26 | 厦门美图之家科技有限公司 | 信息推荐方法、装置、电子设备及存储介质 |
| CN111553763B (zh) * | 2020-04-26 | 2023-03-24 | 上海风秩科技有限公司 | 一种物品推荐方法、装置、电子设备及可读存储介质 |
| CN111553766B (zh) * | 2020-04-28 | 2023-09-15 | 苏州市职业大学 | 商品推荐方法、装置、设备及介质 |
| CN111597380B (zh) * | 2020-05-14 | 2023-06-02 | 北京奇艺世纪科技有限公司 | 一种推荐视频确定方法、装置、电子设备及存储介质 |
| CN113518201B (zh) * | 2020-07-14 | 2022-08-12 | 阿里巴巴集团控股有限公司 | 视频处理方法、装置及设备 |
| CN113961792A (zh) * | 2020-07-15 | 2022-01-21 | 北京达佳互联信息技术有限公司 | 一种资源推荐系统、方法、电子设备及存储介质 |
| CN112001442B (zh) * | 2020-08-24 | 2024-03-19 | 北京达佳互联信息技术有限公司 | 特征检测方法、装置、计算机设备及存储介质 |
| CN112115387B (zh) * | 2020-09-25 | 2024-05-14 | 北京百度网讯科技有限公司 | 兴趣点poi推荐模型的训练方法、装置和电子设备 |
| CN112905906B (zh) * | 2021-01-25 | 2022-07-15 | 浙江大学 | 一种融合局部协同与特征交叉的推荐方法及系统 |
| CN113205369B (zh) * | 2021-05-27 | 2024-03-22 | 咪咕文化科技有限公司 | 用户消费时长预测方法、装置、电子设备与存储介质 |
| CN113554762B (zh) * | 2021-06-25 | 2023-12-29 | 广州市粤拍粤精广告有限公司 | 基于深度学习的短视频风格图像生成方法、装置及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105956146A (zh) * | 2016-05-12 | 2016-09-21 | 腾讯科技（深圳）有限公司 | 一种物品信息的推荐方法及装置 |
| CN109408729A (zh) * | 2018-12-05 | 2019-03-01 | 广州市百果园信息技术有限公司 | 推荐物料确定方法、装置、存储介质和计算机设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7685232B2 (en) * | 2008-06-04 | 2010-03-23 | Samsung Electronics Co., Ltd. | Method for anonymous collaborative filtering using matrix factorization |
-
2019
- 2019-03-04 CN CN201910160830.3A patent/CN110162693B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105956146A (zh) * | 2016-05-12 | 2016-09-21 | 腾讯科技（深圳）有限公司 | 一种物品信息的推荐方法及装置 |
| CN109408729A (zh) * | 2018-12-05 | 2019-03-01 | 广州市百果园信息技术有限公司 | 推荐物料确定方法、装置、存储介质和计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110162693A (zh) | 2019-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110162693B (zh) | 一种信息推荐的方法以及服务器 | |
| Guan et al. | Matrix factorization with rating completion: An enhanced SVD model for collaborative filtering recommender systems | |
| Johnson | Logistic matrix factorization for implicit feedback data | |
| Yang et al. | A survey of collaborative filtering-based recommender systems for mobile internet applications | |
| Sivapalan et al. | Recommender systems in e-commerce | |
| US10685065B2 (en) | Method and system for recommending content to a user | |
| Guo et al. | Personalized ranking with pairwise factorization machines | |
| CN110175895B (zh) | 一种物品推荐方法及装置 | |
| Zuva et al. | A survey of recommender systems techniques, challenges and evaluation metrics | |
| CN108389113B (zh) | 一种协同过滤推荐方法和系统 | |
| Wu et al. | Optimization matrix factorization recommendation algorithm based on rating centrality | |
| Kang et al. | A personalized point-of-interest recommendation system for O2O commerce | |
| Akhil et al. | A survey of recommender system types and its classification. | |
| Li et al. | A Personalization Recommendation Algorithm for E-Commerce. | |
| Zheng et al. | Incorporating price into recommendation with graph convolutional networks | |
| Xu et al. | Exploiting interactions of review text, hidden user communities and item groups, and time for collaborative filtering | |
| CN111400567B (zh) | 一种基于ai的用户数据的处理方法、装置及系统 | |
| CN110347923B (zh) | 一种可回溯的快速裂变式构建用户画像的方法 | |
| Yang et al. | Hierarchical aggregation for reputation feedback of services networks | |
| Sun et al. | High dimensional explicit feature biased matrix factorization recommendation | |
| Liu et al. | Effective similarity measures of collaborative filtering recommendations based on user ratings habits | |
| Zhao et al. | Improved collaborative filtering approach based on user similarity combination | |
| Li et al. | A collaborative filtering recommendation method based on TagIEA expert degree model | |
| Murugan et al. | Movie Recommender System Based on K-Means Dynamic Collaborative Filtering | |
| Vora et al. | based product automated recommendation system in E-commerce using improved Frequent Pattern Mining and Artificial Intelligence |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221202 Address after: 1402, Floor 14, Block A, Haina Baichuan Headquarters Building, No. 6, Baoxing Road, Haibin Community, Xin'an Street, Bao'an District, Shenzhen, Guangdong 518000 Applicant after: Shenzhen Yayue Technology Co.,Ltd. Address before: 518057 Tencent Building, No. 1 High-tech Zone, Nanshan District, Shenzhen City, Guangdong Province, 35 floors Applicant before: TENCENT TECHNOLOGY (SHENZHEN) Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |