CN110275779B - 一种资源获取方法、装置、设备和存储介质 - Google Patents
一种资源获取方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN110275779B CN110275779B CN201910537461.5A CN201910537461A CN110275779B CN 110275779 B CN110275779 B CN 110275779B CN 201910537461 A CN201910537461 A CN 201910537461A CN 110275779 B CN110275779 B CN 110275779B
- Authority
- CN
- China
- Prior art keywords
- resource
- resources
- aggregation module
- user
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种资源获取方法、装置、设备和存储介质,其中,方法包括:响应于资源汇聚模块发送的资源获取请求,进行资源召回;对召回资源中各资源的展现率进行打分,得到各资源的展现率得分,其中,所述展现率得分用于评价资源被资源汇聚模块展现的可能性;将所述展现率得分作为资源排序因素之一,对所述召回资源进行排序,并依据排序结果获取预设数量的资源返回给所述资源汇聚模块。本发明实施例可实现整个推荐系统的上下游各模块的目标达成统一,进而提升整个系统推送资源的展现量和点击量。
Description
技术领域
本发明实施例涉及互联网技术领域,尤其涉及一种资源获取方法、装置、设备和存储介质。
背景技术
目前,FEED推荐系统的整体架构包括客户端、上游资源汇聚模块和下游多个队列。具体的,当用户做出FEED刷新行为时,客户端首先向资源汇聚模块发出请求,资源汇聚模块再向下游的各个队列发送请求。各个队列根据资源属性不同,采用不同的策略召回资源,经过过滤、排序后,将资源返回给资源汇聚模块。资源汇聚模块将各队列的资源进行去重、融合、过滤、排序等操作后,生成最终的下发列表,返回给客户端。客户端将最终符合用户兴趣的资源结果呈现在用户面前。其中,所有资源都是从下游的各个队列召回的,资源汇聚模块不召回资源,只进行融合排序和过滤等操作。
然而,由于资源汇聚模块的策略更新频率高,例如在春节期间加入大量对低质资源的过滤机制等,那么,由于下游各队列没有及时做出相应的调整,可能会导致下游队列返回给上游资源汇聚模块的资源,无法满足资源汇聚模块新加入的策略或机制,造成大量资源被该新加入的策略过滤,而既满足质量要求、又满足用户兴趣的资源在下游队列却没有被召回,造成部分队列资源展现量和点击量降低,从而大幅度降低整体资源展现量和点击量。
现有技术中通常都是手工对上下游各模块进行策略同步,这不仅会浪费很多人力成本,而且由于上游策略更新较为频繁,手工同步则无法及时完成,从而造成短期内策略仍然不一致的现象,影响召回效果。此外,手工同步也无法保证每次同步的策略完全一致,造成策略偏差。
发明内容
本发明实施例提供一种资源获取方法、装置、设备和存储介质,以解决现有技术中通过手工对推荐系统上下游各模块进行召回策略调整时,由于手工调整不及时导致短期内上下游模块的资源召回策略不一致、甚至出现由于手工失误造成策略偏差的问题。
第一方面,本发明实施例提供了一种资源获取方法,应用于资源推荐系统中的资源召回模块,其中,所述系统包括资源汇聚模块和至少一个资源召回模块,所述方法包括:
响应于资源汇聚模块发送的资源获取请求,进行资源召回;
对召回资源中各资源的展现率进行打分,得到各资源的展现率得分,其中,所述展现率得分用于评价资源被资源汇聚模块展现的可能性;
将所述展现率得分作为资源排序因素之一,对所述召回资源进行排序,并依据排序结果获取预设数量的资源返回给所述资源汇聚模块。
第二方面,本发明实施例还提供了一种资源获取装置,配置于资源推荐系统中的资源召回模块,其中,所述系统包括资源汇聚模块和至少一个资源召回模块,所述装置包括:
召回子模块,用于响应于资源汇聚模块发送的资源获取请求,进行资源召回;
打分子模块,对召回资源中各资源的展现率进行打分,得到各资源的展现率得分,其中,所述展现率得分用于评价资源被资源汇聚模块展现的可能性;
排序筛选子模块,用于将所述展现率得分作为资源排序因素之一,对所述召回资源进行排序,并依据排序结果获取预设数量的资源返回给所述资源汇聚模块。
第三方面,本发明实施例还提供了一种设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任一实施例所述的资源获取方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任一实施例所述的资源获取方法。
本发明实施例提供一种资源获取方法、装置、设备和存储介质,通过对召回资源中各资源的展现率进行打分,并根据得到的各资源的展现率得分对召回资源进行排序,并依据排序结果获取预设数量的资源返回给所述资源汇聚模块,从而使整个推荐系统的上下游各模块的目标达成统一,进而提升整个系统推送资源的展现量和点击量。
附图说明
图1为本发明实施例一中的资源获取方法的流程图;
图2是本发明实施例二中的展现预估模型训练方法的流程图;
图3是本发明实施例三中的资源获取装置的结构示意图;
图4是本发明实施例四中的设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的资源获取方法的流程图,本实施例可适用于向客户端推送相关资源的情况,该方法可以由资源获取装置来执行,该装置可以采用软件和/或硬件的方式实现,并可集成在设备上,例如计算机设备。如图1所示,所述资源获取方法具体包括:
S101、响应于资源汇聚模块发送的资源获取请求,进行资源召回。
本发明实施例中,资源推荐系统中包括资源汇聚模块和至少一个资源召回模块,资源汇聚模块向各个资源召回模块发送资源获取请求,各个资源召回模块根据资源获取请求,并结合资源属性,采用不同的预设策略召回资源,例如将用户关注度大于预设阈值的资源召回,其中召回的资源至少包括图片资源、视频资源、小程序或资讯等。
S102、对召回资源中各资源的展现率进行打分,得到各资源的展现率得分。
其中,展现率得分用于评价资源被资源汇聚模块展现的可能性,如果展现率得分高,则表明该资源能够满足上游资源汇聚模块的策略。示例性的,可利用预先训练的展现预估模型,对召回资源中各资源的展现率进行打分;其中,所述展现预估模型用于对资源被资源汇聚模块展现的可能性进行评估。
进一步的,展现预估模型是梯度提升树模型,并利用机器学习的方法,基于正负样本和各样本对应的模型特征进行训练得到的。所述模型特征包括用户特征、资源特征或用户历史点击特征中的至少一种。示例性的,用户特征包括用户的性别、年龄、刷新时间等,资源特征包括资源分类、资源中图片个数、文章质量得分等,用户历史点击特征包括例如用户最近十次点击资源的分类等。当然,本发明实施例的模型特征并不限于此,可以根据实际需要进行配置。其中,正样本包括被任一资源召回模块返回给资源汇聚模块,并且由资源汇聚模块展现给用户的资源;负样本包括被任一资源召回模块返回给资源汇聚模块,并且资源汇聚模块并未展现给用户的资源。由此,展现预估模型基于正负样本自动学习资源汇聚模块的策略变化,并将变化体现在展现率得分中,因此不管上游资源汇聚模块新增多少策略,模型都可以训练学习到策略的变化,并同步所有策略的更新。
进一步的,展现预估模型是周期性训练修改的模型,例如,每天都会基于历史数据获取正负样本数据,并重新训练修改展现预估模型,由此确保快速的适应上游资源汇聚模块的策略。
S103、将所述展现率得分作为资源排序因素之一,对所述召回资源进行排序,并依据排序结果获取预设数量的资源返回给所述资源汇聚模块。
通过S102得到的各资源的展现率得分可表征各资源能够满足上游资源汇聚模块的策略的程度,因此,资源召回模块可以将各资源的展现率得分作为资源排序的因素之一,对召回资源进行排序,依据排序结果获取预设数量的资源返回给所述资源汇聚模块,例如将排序前100名的资源返回给资源汇聚模块。
进一步的,资源排序因素还包括点击率得分,所述点击率得分用于评价资源被用户选择的概率,示例性的,可通过预先训练好的点击预估模型,对召回资源中各资源的点击率进行打分。因此,可同时根据召回资源中各资源展现率得分和点击率得分,对召回资源进行排序,由此使得资源排序结果更准确。优选的,将点击率得分和展现率得分进行融合计算,根据计算结果对所述各召回资源进行排序。例如,按照如下任意一种方式进行排序:
(1)将各资源的点击率得分和展现率得分相乘,根据得到的乘积大小对所述各召回资源进行排序。
(2)将各资源的点击率得分和展现率得分根据预设权重进行加权求和,根据得到的和值对所述各召回资源进行排序。其中,权重可以根据需求进行配置。
后续依据排序结果,按照排名由高到低的顺序获取预设数量的资源返回给所述资源汇聚模块,由此可提升资源的展现量和点击量。
本发明实施例中,通过对召回资源中各资源的展现率进行打分,并根据得到的各资源的展现率得分对召回资源进行排序,并依据排序结果获取预设数量的资源返回给所述资源汇聚模块,从而使整个推荐系统的上下游各模块的目标达成统一,进而提升整个系统推送资源的展现量和点击量。
实施例二
图2为本发明实施例二提供的展现预估模型训练方法的流程图。如图2所示,所述训练方法包括:
S201、获取资源召回模块返回给资源汇聚模块的第一日志流,以及资源汇聚模块将资源展现给用户的第二日志流。
本发明实施例中,第一日志流包括资源召回模块返回给资源汇聚模块的日志ID、用户ID、资源ID和模型特征;第二日志流均包括最终展现给用户的日志ID、用户ID、资源ID和模型特征。其中,模型特征中的用户特征、点击历史特征可示例性的根据用户ID获取,模型特征中的资源特征可示例性的根据资源ID获取。
S202、在第一日志流和第二日志流中,根据日志ID和用户ID进行资源融合,并在融合后的资源中获取所述正样本和负样本。
在第一日志流和第二日志流中,根据日志ID和用户ID进行资源融合,将日志ID和用户ID都相同的资源确定为正样本(也即是由资源召回模块返回给资源汇聚模块的,且最终展现给用户的资源作为正样本),其余的资源为负样本。在此需要说明的是,同一用户在一天当中发的多次资源请求中,其日志ID也是不同的,不同的用户其对应的日志ID也不同,因此,需要基于日志ID和用户ID确定对于某一次资源获取请求,资源召回模块返回给资源汇聚模块并且最终展现给用户的资源,作为正样本。
S203、基于所述正样本、负样本和各样本对应的模型特征,对展现预估模型进行训练。
在此需要说明的是,需要周期性的按照S201-S203训练修改展现预估模型,例如,每天获取正负样本数据及各样本对应的模型特征,并重新训练修改展现预估模型,由此确保快速的适应上游资源汇聚模块的策略。
本发明实施例中,通过在获取到的第一日志流和第二日志流中,根据日志ID和用户ID进行资源融合,并在融合后的资源中获取所述正样本和负样本,以便基于正样本、负样本和各样本对应的模型特征,对展现预估模型进行训练。由此,展现预估模型基于正负样本自动学习资源汇聚模块的策略变化,并将变化体现在展现率得分中,而且周期性的重新训练修改展现预估模型,由此确保快速的适应上游资源汇聚模块的策略。
实施例三
图3是本发明实施例三中的资源获取装置的结构示意图。资源获取装置配置于资源推荐系统中的资源召回模块,其中,所述系统包括资源汇聚模块和至少一个资源召回模块,如图3所示,所述装置包括:
召回子模块301,用于响应于资源汇聚模块发送的资源获取请求,进行资源召回;
打分子模块302,对召回资源中各资源的展现率进行打分,得到各资源的展现率得分,其中,所述展现率得分用于评价资源被资源汇聚模块展现的可能性;
排序筛选子模块303,用于将所述展现率得分作为资源排序因素之一,对所述召回资源进行排序,并依据排序结果获取预设数量的资源返回给所述资源汇聚模块。
本发明实施例提中,通过对召回资源中各资源的展现率进行打分,并根据得到的各资源的展现率得分对召回资源进行排序,并依据排序结果获取预设数量的资源返回给所述资源汇聚模块,从而使整个推荐系统的上下游各模块的目标达成统一,进而提升整个系统推送资源的展现量和点击量。
在上述实施例的基础上,所述打分子模块具体用于:
利用预先训练的展现预估模型,对召回资源中各资源的展现率进行打分;
其中,所述展现预估模型用于对资源被资源汇聚模块展现的可能性进行评估。
在上述实施例的基础上,所述资源排序因素还包括点击率得分,所述点击率得分用于评价资源被用户选择的概率;
相应的,所述排序筛选子模块包括:
排序单元,用于将所述点击率得分和展现率得分进行融合计算,根据计算结果对所述各召回资源进行排序。
在上述实施例的基础上,所述展现预估模型是利用机器学习的方法,基于正负样本和各样本对应的模型特征进行训练得到;
其中,正样本包括被任一资源召回模块返回给资源汇聚模块,并且由资源汇聚模块展现给用户的资源;负样本包括被任一资源召回模块返回给资源汇聚模块,并且资源汇聚模块并未展现给用户的资源;所述模型特征包括用户特征、资源特征或用户历史点击特征中的至少一种。
在上述实施例的基础上,所述装置还包括模型训练子模块,包括:
日志获取单元,用于获取资源召回模块返回给资源汇聚模块的第一日志流,以及资源汇聚模块将资源展现给用户的第二日志流,其中,所述第一日志流和第二日志流均包括日志ID、用户ID、资源ID和模型特征;
样本获取单元,用于在第一日志流和第二日志流中,根据日志ID和用户ID进行资源融合,并在融合后的资源中获取所述正样本和负样本;
训练单元,用于基于所述正样本、负样本和各样本对应的模型特征,对展现预估进行训练。
本发明实施例所提供的资源获取装置可执行本发明任意实施例所提供的资源获取方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性设备12的框图。图4显示的设备12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4所示,设备12以通用计算设备的形式表现。设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42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。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该设备12交互的设备通信,和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,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22进行。并且,设备12还可以通过网络适配器20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20通过总线18与设备12的其它模块通信。应当明白,尽管图中未示出,可以结合设备12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。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的资源获取方法,应用于资源推荐系统中的资源召回模块,其中,所述系统包括资源汇聚模块和至少一个资源召回模块,该方法包括:
响应于资源汇聚模块发送的资源获取请求,进行资源召回;
对召回资源中各资源的展现率进行打分,得到各资源的展现率得分,其中,所述展现率得分用于评价资源被资源汇聚模块展现的可能性;
将所述展现率得分作为资源排序因素之一,对所述召回资源进行排序,并依据排序结果获取预设数量的资源返回给所述资源汇聚模块。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例所提供的资源获取方法,应用于资源推荐系统中的资源召回模块,其中,所述系统包括资源汇聚模块和至少一个资源召回模块,该方法包括:
响应于资源汇聚模块发送的资源获取请求,进行资源召回;
对召回资源中各资源的展现率进行打分,得到各资源的展现率得分,其中,所述展现率得分用于评价资源被资源汇聚模块展现的可能性;
将所述展现率得分作为资源排序因素之一,对所述召回资源进行排序,并依据排序结果获取预设数量的资源返回给所述资源汇聚模块。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机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。
计算机可读的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,其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、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。
计算机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、电线、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或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种资源获取方法,应用于资源推荐系统中的资源召回模块,其中,所述系统包括资源汇聚模块和至少一个资源召回模块,其特征在于,所述方法包括:
响应于资源汇聚模块发送的资源获取请求,结合资源属性,采用不同的预设策略进行资源召回;
利用预训练的展现预估模型,结合用户特征或资源特征对召回资源中各资源的展现率进行打分,得到各资源的展现率得分,其中,所述展现率得分用于评价资源被资源汇聚模块展现的可能性;所述用户特征包括用户的性别、年龄、刷新时间中至少一项;所述资源特征包括资源分类、资源中图片个数、文章质量得分中的至少一项;
将所述展现率得分作为资源排序因素之一,对所述召回资源进行排序,并依据排序结果获取预设数量的资源返回给所述资源汇聚模块;
其中,所述展现预估模型是利用机器学习的方法,基于正负样本和各样本对应的模型特征进行训练得到;且所述展现预估模型是周期性训练修改的模型;
正样本包括被任一资源召回模块返回给资源汇聚模块,并且由资源汇聚模块展现给用户的资源;负样本包括被任一资源召回模块返回给资源汇聚模块,并且资源汇聚模块并未展现给用户的资源;所述模型特征包括用户特征、资源特征或用户历史点击特征中的至少一种。
2.根据权利要求1所述的方法,其特征在于,所述展现预估模型用于对资源被资源汇聚模块展现的可能性进行评估。
3.根据权利要求1所述的方法,其特征在于,所述资源排序因素还包括点击率得分,所述点击率得分用于评价资源被用户选择的概率;
相应的,所述将所述展现率得分作为资源排序因素之一,对所述各召回资源进行排序,包括:
将所述点击率得分和展现率得分进行融合计算,根据计算结果对所述各召回资源进行排序。
4.根据权利要求1所述的方法,其特征在于,所述展现预估模型的训练过程包括:
获取资源召回模块返回给资源汇聚模块的第一日志流,以及资源汇聚模块将资源展现给用户的第二日志流,其中,所述第一日志流和第二日志流均包括日志ID、用户ID、资源ID和所述模型特征;
在第一日志流和第二日志流中,根据日志ID和用户ID进行资源融合,并在融合后的资源中获取所述正样本和负样本;
基于所述正样本、负样本和各样本对应的模型特征,对展现预估模型进行训练。
5.一种资源获取装置,配置于资源推荐系统中的资源召回模块,其中,所述系统包括资源汇聚模块和至少一个资源召回模块,其特征在于,所述装置包括:
召回子模块,用于响应于资源汇聚模块发送的资源获取请求,结合资源属性,采用不同的预设策略进行资源召回;
打分子模块,利用预训练的展现预估模型,结合用户特征或资源特征对召回资源中各资源的展现率进行打分,得到各资源的展现率得分,其中,所述展现率得分用于评价资源被资源汇聚模块展现的可能性;所述用户特征包括用户的性别、年龄、刷新时间中至少一项;所述资源特征包括资源分类、资源中图片个数、文章质量得分中的至少一项;
排序筛选子模块,用于将所述展现率得分作为资源排序因素之一,对所述召回资源进行排序,并依据排序结果获取预设数量的资源返回给所述资源汇聚模块;
其中,所述展现预估模型是利用机器学习的方法,基于正负样本和各样本对应的模型特征进行训练得到;且所述展现预估模型是周期性训练修改的模型;
其中,正样本包括被任一资源召回模块返回给资源汇聚模块,并且由资源汇聚模块展现给用户的资源;负样本包括被任一资源召回模块返回给资源汇聚模块,并且资源汇聚模块并未展现给用户的资源;所述模型特征包括用户特征、资源特征或用户历史点击特征中的至少一种。
6.根据权利要求5所述的装置,其特征在于,所述展现预估模型用于对资源被资源汇聚模块展现的可能性进行评估。
7.根据权利要求5所述的装置,其特征在于,所述资源排序因素还包括点击率得分,所述点击率得分用于评价资源被用户选择的概率;
相应的,所述排序筛选子模块包括:
排序单元,用于将所述点击率得分和展现率得分进行融合计算,根据计算结果对所述各召回资源进行排序。
8.根据权利要求5所述的装置,其特征在于,所述装置还包括模型训练子模块,包括:
日志获取单元,用于获取资源召回模块返回给资源汇聚模块的第一日志流,以及资源汇聚模块将资源展现给用户的第二日志流,其中,所述第一日志流和第二日志流均包括日志ID、用户ID、资源ID和所述模型特征;
样本获取单元,用于在第一日志流和第二日志流中,根据日志ID和用户ID进行资源融合,并在融合后的资源中获取所述正样本和负样本;
训练单元,用于基于所述正样本、负样本和各样本对应的模型特征,对展现预估模型进行训练。
9.一种资源获取设备,其特征在于,该资源获取设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的资源获取方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一所述的资源获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910537461.5A CN110275779B (zh) | 2019-06-20 | 2019-06-20 | 一种资源获取方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910537461.5A CN110275779B (zh) | 2019-06-20 | 2019-06-20 | 一种资源获取方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110275779A CN110275779A (zh) | 2019-09-24 |
CN110275779B true CN110275779B (zh) | 2022-07-08 |
Family
ID=67961749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910537461.5A Active CN110275779B (zh) | 2019-06-20 | 2019-06-20 | 一种资源获取方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110275779B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781340B (zh) * | 2019-09-27 | 2023-05-23 | 上海麦克风文化传媒有限公司 | 一种推荐系统召回策略的离线评估方法、系统、装置及存储介质 |
CN111143686B (zh) * | 2019-12-30 | 2023-07-07 | 北京百度网讯科技有限公司 | 资源推荐方法及装置 |
CN112016789B (zh) * | 2020-07-15 | 2024-01-16 | 北京淇瑀信息科技有限公司 | 互联网金融业务处理方法、装置和电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105808762A (zh) * | 2016-03-18 | 2016-07-27 | 北京百度网讯科技有限公司 | 资源排序方法和装置 |
CN106021374A (zh) * | 2016-05-11 | 2016-10-12 | 百度在线网络技术(北京)有限公司 | 查询结果的底层召回方法和装置 |
CN107169586A (zh) * | 2017-03-29 | 2017-09-15 | 北京百度网讯科技有限公司 | 基于人工智能的资源组合优化方法、装置及存储介质 |
CN107590684A (zh) * | 2017-08-21 | 2018-01-16 | 时趣互动(北京)科技有限公司 | 一种基于用户购买数据实时下发优惠券的方法及装置 |
EP3317839A1 (en) * | 2015-12-24 | 2018-05-09 | Beijing Didi Infinity Technology and Development Co., Ltd. | Systems and methods for determining a target vehicle/provider |
CN108243357A (zh) * | 2018-01-25 | 2018-07-03 | 北京搜狐新媒体信息技术有限公司 | 一种视频推荐方法及装置 |
CN109801146A (zh) * | 2019-01-18 | 2019-05-24 | 北京工业大学 | 一种基于需求偏好的资源服务推荐方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241455B (zh) * | 2018-08-28 | 2021-08-20 | 北京三快在线科技有限公司 | 一种推荐对象的展示方法及装置 |
CN109241431B (zh) * | 2018-09-07 | 2023-11-07 | 腾讯科技(深圳)有限公司 | 一种资源推荐方法和装置 |
CN109190043B (zh) * | 2018-09-07 | 2021-04-23 | 北京三快在线科技有限公司 | 推荐方法及装置,存储介质,电子设备及推荐系统 |
-
2019
- 2019-06-20 CN CN201910537461.5A patent/CN110275779B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3317839A1 (en) * | 2015-12-24 | 2018-05-09 | Beijing Didi Infinity Technology and Development Co., Ltd. | Systems and methods for determining a target vehicle/provider |
CN105808762A (zh) * | 2016-03-18 | 2016-07-27 | 北京百度网讯科技有限公司 | 资源排序方法和装置 |
CN106021374A (zh) * | 2016-05-11 | 2016-10-12 | 百度在线网络技术(北京)有限公司 | 查询结果的底层召回方法和装置 |
CN107169586A (zh) * | 2017-03-29 | 2017-09-15 | 北京百度网讯科技有限公司 | 基于人工智能的资源组合优化方法、装置及存储介质 |
CN107590684A (zh) * | 2017-08-21 | 2018-01-16 | 时趣互动(北京)科技有限公司 | 一种基于用户购买数据实时下发优惠券的方法及装置 |
CN108243357A (zh) * | 2018-01-25 | 2018-07-03 | 北京搜狐新媒体信息技术有限公司 | 一种视频推荐方法及装置 |
CN109801146A (zh) * | 2019-01-18 | 2019-05-24 | 北京工业大学 | 一种基于需求偏好的资源服务推荐方法及系统 |
Non-Patent Citations (1)
Title |
---|
在线广告中点击率预测研究;肖垚等;《华东师范大学学报(自然科学版)》;20171006;第80-86页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110275779A (zh) | 2019-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110781321B (zh) | 一种多媒体内容推荐方法及装置 | |
CN110275779B (zh) | 一种资源获取方法、装置、设备和存储介质 | |
US10885452B1 (en) | Relation graph optimization using inconsistent cycle detection | |
US20180322516A1 (en) | Quality evaluation method, apparatus and device, and computer readable storage medium | |
US10606910B2 (en) | Ranking search results using machine learning based models | |
CA3155227C (en) | Page simulation system | |
CN104050240A (zh) | 一种确定搜索查询词类别属性的方法和装置 | |
EP3882791A1 (en) | Method, apparatus for content recommendation, electronic device and storage medium | |
US10073839B2 (en) | Electronically based thesaurus querying documents while leveraging context sensitivity | |
US10204170B2 (en) | News feed | |
US10147020B1 (en) | System and method for computational disambiguation and prediction of dynamic hierarchical data structures | |
US11775504B2 (en) | Computer estimations based on statistical tree structures | |
US11263224B2 (en) | Identifying and scoring data values | |
US20150100512A1 (en) | Detecting and engaging participants in an online course that are otherwise not likely to continue to attend the online course | |
CN116204714A (zh) | 推荐方法、装置、电子设备及存储介质 | |
US10977247B2 (en) | Cognitive online meeting assistant facility | |
US20190304036A1 (en) | Determining an effect of a message on a personal brand based on future goals | |
US9152948B2 (en) | Method and system for providing a structured topic drift for a displayed set of user comments on an article | |
US20150120676A1 (en) | Automatically publishing course offerings for different types of courses according to a plurality of policies and educational institutions | |
US11810022B2 (en) | Contact center call volume prediction | |
US20210312223A1 (en) | Automated determination of textual overlap between classes for machine learning | |
GB2608112A (en) | System and method for providing media content | |
US20200019975A1 (en) | Reputation management | |
CA3119490A1 (en) | Contact center call volume prediction | |
US11188876B1 (en) | Matching method of providing personalized recommendations and a system thereof |
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 |