CN110413877B - 一种资源推荐方法、装置及电子设备 - Google Patents
一种资源推荐方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110413877B CN110413877B CN201910593596.3A CN201910593596A CN110413877B CN 110413877 B CN110413877 B CN 110413877B CN 201910593596 A CN201910593596 A CN 201910593596A CN 110413877 B CN110413877 B CN 110413877B
- Authority
- CN
- China
- Prior art keywords
- recommended
- resource
- target user
- resources
- learning model
- 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 64
- 230000006399 behavior Effects 0.000 claims abstract description 62
- 238000010801 machine learning Methods 0.000 claims abstract description 23
- 238000013136 deep learning model Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 31
- 238000012795 verification Methods 0.000 claims description 19
- 238000005192 partition Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012163 sequencing technique Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本说明书实施例提供一种资源推荐方法、装置及电子设备。所述方法包括：接收目标用户的资源推荐请求；根据所述资源推荐请求，从在线数据库中获取所述目标用户的特征信息以及与所述目标用户相关联的待推荐资源的特征信息；其中，所述待推荐资源的特征信息中包含对所述待推荐资源的多种历史操作行为数据的信息；将所述目标用户的特征信息和所述待推荐资源的特征信息输入到在线机器学习模型中，得到所述待推荐资源的预测分值；根据所述预测分值从所述待推荐资源中选择一个或多个待推荐资源，并将所述一个或多个待推荐资源推荐给所述目标用户，以完成针对目标用户的资源推荐。
Description
技术领域
本说明书涉及数据处理技术领域，尤其涉及一种资源推荐方法、装置及电子设备。
背景技术
随着互联网技术的快速发展，基于互联网技术的网络应用的种类和功能越来越丰富，网络应用可以向用户推荐一些资源，例如，消费类应用可以向用户推荐商品、优惠券等。以商品推荐为例，为了便于用户快速找到自己想要的商品，可以采用算法模型计算出用户最可能点击的商品展示推荐给用户。
现有技术中，在商品、优惠券等的推荐系统中，通过对用户的点击率进行预估，根据预估结果向用户推荐商品或优惠券，但是实际应用中，点击率高的商品或优惠券，用户对其购买率或核销率不一定高，从而降低用户的转化率。因此，需要提供一种能有效提升用户转化率的资源推荐方案。
发明内容
本说明书实施例提供一种基于用户账号的风险等级划分方法及装置，以解决现有技术存在的用户转化率低的问题。
为解决上述技术问题，本说明书实施例是这样实现的：
第一方面，本说明书实施例提供的一种资源推荐方法，所述方法包括：
接收目标用户的资源推荐请求；
根据所述资源推荐请求，从在线数据库中获取所述目标用户的特征信息以及与所述目标用户相关联的待推荐资源的特征信息；其中，所述待推荐资源的特征信息中包含对所述待推荐资源的多种历史操作行为数据的信息；
将所述目标用户的特征信息和所述待推荐资源的特征信息输入到在线机器学习模型中，得到所述待推荐资源的预测分值；
根据所述预测分值从所述待推荐资源中选择一个或多个待推荐资源，并将所述一个或多个待推荐资源推荐给所述目标用户。
第二方面，本说明书实施例提供的一种资源推荐装置，所述装置包括：
接收模块，用于接收目标用户的资源推荐请求；
获取模块，用于根据所述资源推荐请求，从在线数据库中获取所述目标用户的特征信息以及与所述目标用户相关联的待推荐资源的特征信息；其中，所述待推荐资源的特征信息中包含对所述待推荐资源的多种历史操作行为数据的信息；
预测模块，用于将所述目标用户的特征信息和所述待推荐资源的特征信息输入到在线机器学习模型中，得到所述待推荐资源的预测分值；
推荐模块，用于根据所述预测分值从所述待推荐资源中选择一个或多个待推荐资源，并将所述一个或多个待推荐资源推荐给所述目标用户。
第三方面，本说明书实施例提供的一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述一种资源推荐方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
通过接收目标用户的资源推荐请求；根据资源推荐请求，从在线数据库中获取目标用户的特征信息以及与目标用户相关联的待推荐资源的特征信息；其中，待推荐资源的特征信息中包含对待推荐资源的多种历史操作行为数据的信息；将目标用户的特征信息和待推荐资源的特征信息输入到在线机器学习模型中，得到待推荐资源的预测分值；其中，预测分值用于表示目标用户对待推荐资源进行各种操作行为的优先级；根据预测分值从待推荐资源中选择一个或多个待推荐资源，并将选出的一个或多个待推荐资源推荐给目标用户。基于本方案，能够实现针对不同目标用户的个性化推荐，有效地提升了用户的转化率。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的一种资源推荐方法的流程示意图；
图2为本说明书实施例提供的一种DeepFM深度学习模型训练方法的流程示意图；
图3为本说明书实施例提供的一种资源推荐装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，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，都应当属于本申请保护的范围。
在一些互联网产品中，为了便于用户查找到可能感兴趣的资源，需要对用户进行资源的推荐，通过算法模型就可以计算出用户最可能点击的资源，并将这部分资源推荐给用户。在现有技术中，通常使用传统的机器学习模型(如：LR、GBDT等)来对用户的点击行为进行预测，然而实际应用中，用户对资源的点击率高，并不能说明用户对资源的购买率或核销率一定会高，因此仅仅对用户的点击行为进行预测，不利于提升用户的转化率。另外，现有技术中通过点击样本对传统机器学习模型进行训练的方式，例如：采用曝光点击样本训练点击率(CTR)预估模型，并利用点击率(CTR)预估模型进行预测和推荐，但是，这种采用对传统机器学习模型进行训练，并利用传统机器学习模型进行预测和推荐的方法，使得模型预测效果大打折扣，最终得到的资源推荐结果也不够精准，也无法实现不同用户的个性化推荐。
因此，针对现有的资源推荐方法和系统，需要提供一种能有效提升用户转化率，准确预测推荐结果，并可以实现针对不同用户进行个性化推荐的资源推荐方法。
本说明书实施例中，所说的“资源”包括可以在移动应用或互联网页面上进行展示的资源，例如：商品、券、店铺、理财产品等；其中，本说明书以下实施例中的资源可以是指券资源，而券资源又可以包括优惠券。本说明书实施例中的一种具体应用场景可以是，移动终端应用中的热门券推荐项目，用于给用户推荐感兴趣的优惠券，所述的优惠券可以是电子优惠券，优惠券的类型包括不限于：折扣券、满减券、代金券、体验券、特价券、通用券等。
基于上述场景，下面对本说明书的方案进行详细说明。
图1为本说明书实施例提供的一种资源推荐方法的流程示意图，该方法具体可以包括以下步骤：
在步骤S110中，接收目标用户的资源推荐请求。
在本说明书一个或多个实施例中，所述的目标用户可以是指发起资源推荐请求的用户，即作为优惠券推荐的目标用户，在现实应用中，任意用户都可以通过终端应用或页面向优惠券推荐系统发起资源推荐请求，终端应用可以是安装在移动终端或PC上的应用程序，移动终端可以是例如手机、平板电脑等移动设备，上述的任意用户可以包含注册用户或未注册用户；资源推荐请求中可以包含所述目标用户的当前地理位置，即目标用户当前所处的经纬度，本申请不对资源推荐请求的类型及发起过程做详细地限定，资源推荐请求本身不构成对本申请保护范围的限定。
在步骤S120中，根据所述资源推荐请求，从在线数据库中获取所述目标用户的特征信息以及与所述目标用户相关联的待推荐资源的特征信息；其中，所述待推荐资源的特征信息中包含对所述待推荐资源的多种历史操作行为数据的信息。
在本说明书一个或多个实施例中，所述的在线数据库可以是优惠券推荐系统的数据库，用于存放用户及优惠券的相关数据，在线数据库的类型可以是MySQL、NoSql、HBase等，本说明书实施例中优选地将HBase作为在线数据库，HBase是一个分布式的、面向列的开源数据库，可实现分布式数据存储，适用于非结构化的数据存储。
在本说明书一个或多个实施例中，目标用户的特征信息可以包括以下特征：基础画像类特征、财富类特征、位置特征、兴趣偏好特征、搜索词特征以及历史交易特征等；其中，基础画像类特征又可以包含年龄、性别、星座、职业、教育水平、人生阶段等特征，财富类特征又可以包含收入、购买力、有房的概率、有车的概率等特征，位置特征又可以包含出生地、工作地、家庭所在地、常驻地等特征。
在本说明书一个或多个实施例中，当目标用户请求优惠券推荐系统时，首先从HBase中获取该目标用户的特征信息以及与所述目标用户相关联的待推荐优惠券的特征信息；由于HBase中存储的优惠券数量较多，因此如果全部获取的话，对全量优惠券进行在线实时预测打分的运算量巨大，并且有大量的优惠券距离用户较远，因此可以先从HBase中对优惠券进行选择，以便粗选出目标用户可能感兴趣的优惠券。
具体地，在获取与目标用户相关联的待推荐资源的特征信息时，可以先根据预设条件以及目标用户的地理位置，从距离目标用户一定范围内的资源(如优惠券)中确定与目标用户相关联的待推荐优惠券，并获取待推荐优惠券的特征信息。具体地，由于是对目标用户一定范围内的资源的重新确定，因此也可以认为是对目标用户一定范围内的资源的再次召回，上述预设条件可以理解为预定的召回条件，此时预设条件(即预定的召回条件)可以包括：距离、有效店铺、支持支付宝以及券质量分数等；其中，所述的距离是指目标用户与优惠券或优惠券所在店铺的空间距离，在实际应用中，每个优惠券中都包含优惠券所在店铺以及经纬度信息，因此可以基于目标用户的当前地理位置(如经纬度)，将距离目标用户一定范围内的优惠券从HBase中提取出来，例如可以是距离目标用户当前位置十公里半径内的，数量约一百个的优惠券；所述的券质量分数可以通过优惠券的历史核销率计算得到，本说明书中券质量分数是基于本质相同的所有优惠券的历史核销率计算得到的，而不是基于某一个特定的优惠券。
值得说明的是，本说明书实施例是基于目标用户的地理位置对优惠券做的召回，而上述地理位置既可以包括国内，也可以包括境外，因此本说明书实施例的资源推荐方法亦可以应用于用户在境外的资源推荐场景下，例如境外商铺购物、支付交易、优惠券推荐等，通过本申请技术方案可以使用户在境外领取并核销推荐的券，促进境外商铺的交易活跃。
进一步地，从HBase中对优惠券召回完毕后，还可以将召回得到的待推荐优惠券按照一定的权重进行排序，例如：可以根据距离由近至远进行排序，或者按照券质量分数从大到小进行排序等；因此通过对优惠券的召回操作，可以得到优惠券的排序候选集，召回得到的待推荐优惠券的相关数据还可以记录到特征日志中，特征日志存在于优惠券推荐系统中。
在本说明书一个或多个实施例中，上述对待推荐优惠券的多种历史操作行为，可以包括用户对待推荐优惠券的历史点击、领取、核销行为中的几种历史操作行为。
优选地，根据上述对待推荐优惠券的多种历史操作行为的不同，对待推荐优惠券的多种历史操作行为数据也可以包括以下两种情形：
当用户对待推荐优惠券的历史操作行为包括历史点击和领取行为时；此时，用户对待推荐优惠券的多种历史操作行为数据，就可以包含用户对待推荐优惠券的历史点击和领取行为数据；
当用户对待推荐优惠券的历史操作行为包括历史点击、领取和核销行为时；此时，用户对待推荐优惠券的多种历史操作行为数据，就可以包含用户对待推荐优惠券的历史点击、领取以及核销行为数据。
值得说明的是，由于用户对待推荐优惠券的历史点击、领取、核销等行为，可以是建立在对待推荐优惠券的曝光行为的基础上，因此用户对待推荐优惠券的历史操作行为也可以包括用户对待推荐优惠券的历史曝光行为，用户对待推荐优惠券的历史操作行为数据也可以包括用户对待推荐优惠券的历史曝光行为数据。
在一个具体实施例中，本质相同的同一优惠券可能不止一个，由于每个优惠券具有唯一的标识，因此当其他用户已经对某一优惠券进行了领取或核销等操作行为，再对其他用户进行召回的时候，所得到的待推荐优惠券中就可能无法包含该已经被领取或核销的优惠券了，但是依然可以包括与该优惠券本质相同的其他同类优惠券。例如，某一优惠券a为针对商品A的满100减20的优惠，如果其他用户已经领取或核销了该优惠券a，则对其他用户进行召回的时候，可能无法将优惠券a再次作为待推荐优惠券了，但是依然可以把本质相同的其他优惠券作为待推荐优惠券(如优惠券b)，而优惠券b也可以是针对商品A的满100减20的优惠。因此，上述对待推荐优惠券的多种历史操作行为数据，可以包括用户对所有本质相同的同类优惠券的历史操作行为数据，而不是对某一个特定优惠券的历史操作行为数据。
进一步地，待推荐优惠券的特征信息可以包括以下内容：基础属性类特征以及用户对待推荐优惠券的多种历史操作行为的数据；其中，基础属性类特征又可以包含待推荐优惠券的分类、价格、评分、评论数、排名、语言等特征；而用户对待推荐优惠券的多种历史操作行为的数据则可以包含统计类特征和交叉特征。具体地，统计类特征又可以包含近1/3/7/15/30/90天内待推荐优惠券的曝光pv(曝光次数)、曝光uv(曝光人数)、点击pv(点击次数)、点击uv(点击人数)、pv点击率(点击次数/曝光次数)、uv点击率(点击人数/曝光人数)、领取pv(领取次数)、领取uv(领取人数)、uv领取率(领取人数/曝光人数)、核销pv(核销次数)、核销uv(核销人数)、uv核销率(核销人数/曝光人数)等；交叉特征可以包含历史用户对待推荐优惠券的曝光数、点击数、点击率等特征数据；因此，交叉特征是将用户、优惠券以及用户对优惠券的操作行为的交叉组合特征，所以称之为交叉特征。本说明书实施例中，目标用户与用户可以是具有不同含义的用户主体，目标用户是指当前向优惠券推荐系统发起在线推荐请求，优惠券推荐系统对其进行优惠券召回及在线实时预测打分的用户，而用户可以是所有的历史用户，例如：目标用户请求优惠券推荐系统当天的前一天为止，所有曾经使用优惠券推荐系统进行优惠券推荐的用户，都可以认为是历史用户，因此上述用户也可以包括当前的目标用户。
在本说明书一个或多个实施例中，在根据资源推荐请求，从在线数据库中获取当前目标用户的特征信息以及与目标用户相关联的待推荐资源的特征信息之后，还可以将该目标用户的特征信息以及待推荐资源(即待推荐优惠券)的特征信息的数据记录到特征日志中。在实际应用中，目标用户的特征信息以及待推荐优惠券的特征信息，又可以认为是离线特征数据。
在步骤S130中，将所述目标用户的特征信息和所述待推荐资源的特征信息输入到在线机器学习模型中，得到所述待推荐资源的预测分值。
在本说明书一个或多个实施例中，在将目标用户的特征信息和待推荐优惠券的特征信息输入到在线机器学习模型中进行实时打分时，输入到在线机器学习模型中的数据不仅包含离线的特征数据，还可以包含实时的特征数据，所述实时的特征数据可以包括目标用户的地理位置、发起推荐请求的时间等。
在本说明书一个或多个实施例中，经过在线预测打分得到的待推荐资源的预测分值，可以包括待推荐资源的点击预测分值、领取预测分值或者核销预测分值中的至少两种分值，优选地，可以包括以下两种情形：
情形一：待推荐优惠券的点击预测分值和领取预测分值；
情形二：待推荐优惠券的点击预测分值、领取预测分值和核销预测分值。
进一步地，预测分值用于表示目标用户对待推荐资源进行各种操作行为优先级的概率，或者说，预测分值用于表示目标用户对待推荐资源进行各种操作行为优先级的预测；例如：领取预测分值越高表示目标用户对该待推荐优惠券的领取操作行为的可能性更大，核销预测分值越高表示目标用户对该待推荐优惠券的核销操作行为的可能性更大。
在步骤S140中，根据所述预测分值从所述待推荐资源中选择一个或多个待推荐资源，并将所述一个或多个待推荐资源推荐给所述目标用户。
在本说明书一个或多个实施例中，在得到待推荐优惠券的预测分值之后，可以将各预测分值以一定的权重进行计算得到最终的总预测分值，例如：当得到的待推荐优惠券的预测分值为上述情形一时，可以将待推荐优惠券的点击预测分值和领取预测分值相乘得到目标用户对该待推荐优惠券的总预测分值。同样的，当为上述情形二时，可以将待推荐优惠券的点击预测分值、领取预测分值以及核销预测分值进行相乘得到目标用户对该待推荐优惠券的总预测分值。在实际应用中，将目标用户的特征信息和待推荐优惠券的特征信息输入到在线机器学习模型中进行实时在线打分后，模型可直接输出待推荐优惠券的总预测分值，而不需要再进行上述计算操作。
进一步地，在得到上述总预测分值后，还可以根据预设的排序规则对预测分值进行排序，并根据排序结果以及资源展示位的数量，从待推荐资源中选择一个或多个待推荐资源，例如：可以将总预测分值进行降序排序，得到所有待推荐优惠券的排序结果，比如将上述召回的一百个待推荐优惠券按照总预测分值进行降序排序；并且在完成排序之后，还可以将排在前面的待推荐优惠券推荐展示给用户，比如可以根据应用程序的资源展示位(展示坑位)的数量，选择排序靠前的连续若干个待推荐优惠券进行推荐展示，或者选择排序靠前且属于同一类的优惠券(如折扣券类、代金券类等)推荐展示给目标用户。
在本说明书实施例中，将待推荐优惠券推荐展示给目标用户后，目标用户根据自身需要选择合适的优惠券进行点击领取并进一步核销，而用户对优惠券的点击、领取和核销等操作行为会被记录在特征日志中，结合前文内容，目标用户的特征信息以及待推荐优惠券的相关数据也会记录到特征日志中。在实际操作中，特征日志可以存在于一个分区表中，一个自然日对应一个分区，比如，1号分区对应1号(每月的第一天)当天记录的特征数据。所记录的这些特征数据会进一步用于深度学习模型的离线训练，因此为了便于离线训练模型时特征数据的抽取，可以在每天的凌晨将前一天的特征日志打印并回流到odps表中。
通过本说明书以上实施例内容，对资源推荐方法的线上预测打分和优惠券推荐展示的过程进行了说明，根据目标用户的地理位置从HBase中对用户附近的优惠券进行召回，并获取目标用户的特征信息以及待推荐优惠券的特征信息，其中待推荐优惠券的特征信息叉包含了历史用户对待推荐优惠券的多种历史操作行为的数据，包括用户的点击和领取行为数据，或者用户的点击、领取和核销行为数据，因此本说明书实施例是基于用户对待推荐优惠券的多种历史操作行为数据，对目标用户的操作行为进行的预测，因此预测结果更能体现目标用户对待推荐优惠券的领取及核销的优先级，而不仅仅是用户对优惠券的点击率，通过为用户推荐适合自己的优惠券，实现了千人千面的个性化优惠券推荐，促进了用户领券并核销的行为，提升了用户的转化率。
前述说明书实施例对在线资源推荐方法进行了介绍，下面将对本说明书实施例中DeepFM深度学习模型的训练过程做详细地说明，参见图2，该图示出了本说明书实施例提供的一种DeepFM深度学习模型训练方法的流程示意图，主要包括以下内容：
在步骤S210中，对预订分区表中的特征进行抽取，得到用户特征、资源特征以及交叉特征，将所述用户特征、资源特征以及交叉特征组成历史特征集合，所述交叉特征包括所述对所述资源的历史操作行为数据的特征。
在本说明书一个或多个实施例中，所述的分区表可以是前述的odps表，对回流到odps表中的特征日志内的特征数据的抽取，也可以认为是对odps表中的历史特征进行抽取，即认为分区表中的特征属于历史特征。
由于特征抽取的好坏对最终训练的模型能达到的效果起到了比较重要的作用，因此在构建特征集合的过程中，需要考虑特征对正负类别(即正负样本)的区分度，还要考虑到特征的覆盖情况。本说明书实施例从用户、优惠券、场景等方面抽取了相关特征，总共可以包括500多个特征(下面列举了部分特征)，同时包括离线的特征和实时的特征。
与前述从HBase中获取的目标用户的特征信息相对应的，离线特征抽取的用户特征也可以包括以下特征：基础画像类特征、财富类特征、位置特征以及其他特征；其中，基础画像类特征又可以包含年龄、性别、星座、职业、教育水平、人生阶段等特征；财富类特征又可以包含收入、购买力、有房的概率、有车的概率等特征；位置特征又可以包含出生地、工作地、家庭所在地、常驻地等特征；其他特征又可以包含兴趣偏好特征、搜索query特征、活跃度特征、历史交易特征、实时红包特征等。
优惠券特征也可以包括以下特征：基础属性类特征和统计类特征；其中，基础属性类特征叉可以包含优惠券的分类、价格、评分、评论数、排名、语言等特征；统计类特征又可以包含近1/3/7/15/30/90天的曝光pv、曝光uv、点击pv、点击uv、pv点击率、uv点击率、领取pv、领取uv、uv领取率、核销pv、核销uv、pv核销率、uv核销率等。
交叉特征也可以包括以下特征：用户对优惠券的曝光数、点击数、点击率等。
进一步地，在本说明书实施例中，从预订的分区表中对历史特征进行抽取之后，还可以将抽取得到的特征数据(即上述历史特征的数据)同步到在线数据库(如HBase)中，便于线上进行实时查询，这样在利用线上的深度学习模型对待推荐优惠券进行打分时，可以实时地从HBase中取出离线的特征数据，并与实时的特征数据一起输入到深度学习模型中进行预测打分。
在步骤S220中，对所述分区表中的埋点日志进行解析，得到对所述资源的历史操作行为的样本，将所述样本作为所述DeepFM深度学习模型训练的标签，并将用户标识、资源标识、历史特征集合以及标签组合成样本数据。
在本说明书一个或多个实施例中，所述的埋点日志可以是用于记录用户点击、领取、核销等操作行为的日志，埋点日志存在于odps表中，通过对一定时间天数内的埋点日志进行解析，就可以得到用户对优惠券的历史操作行为的样本。
进一步地，所述对资源的历史操作行为的样本，可以包括对资源的历史点击正负样本、领取正负样本或者核销正负样本中的至少两种样本；例如：用户对优惠券的历史点击正负样本和领取正负样本；或者，用户对优惠券的历史点击正负样本、领取正负样本和核销正负样本。历史点击正负样本可以用y1表示，领取正负样本可以用y2表示，核销正负样本可以用y3表示，那么历史推荐给用户的优惠券，若曝光后用户点击则作为点击正样本(y1＝1)，曝光后用户未点击则作为点击负样本(y1＝0)；若曝光后用户点击并领取则作为领取正样本(y2＝1)，曝光后用户点击后未领取则作为领取负样本(y2＝0)；若曝光后用户领取后核销则作为核销正样本(y3＝1)，曝光后用户领取未核销则作为核销负样本(y3＝0)。
上述的样本y1、y2、y3即作为DeepFM深度学习模型训练的标签，那么每一个用户对优惠券的历史操作行为就可以表示为(user_id，item_id，y1，y2，y3)，其中user_id表示用户标识，item_id表示优惠券标识。将用户标识、优惠券标识以及标签拼接上特征抽取得到的历史特征集合后，就组合成了样本数据，每一条样本数据可表示成(userid，item_id，features，y1，y2，y3)，其中features表示历史特征集合。
在一个具体实施例中，可以对14天的埋点日志进行解析，得到大约300万条的样本数据，在实际应用中还可以对正负样本所占的比例进行设定，例如：点击正负样本比例约1∶10，领取正负样本比例约1∶30，核销正负样本比例约1∶16。同时，还可以根据预设的筛选规则对总的样本数据进行筛选，将符合筛选规则的样本数据作为对DeepFM深度学习模型进行训练的样本数据，例如：根据单日曝光pv进行筛选，将单日曝光pv超过500次的用户过滤掉。
在步骤S230中，利用所述样本数据对所述DeepFM深度学习模型进行训练，得到训练后的DeepFM深度学习模型。
继续前述实施例的内容，将得到的样本数据输入到DeepFM深度学习模型中，由于样本数据中含有标签，因此本说明书实施例采用的是监督学习的方法。DeepFM是一种深度学习模型，其结合了DNN和FM的优点，能够同时提取低阶和高阶的组合特征。FM部分提取低阶组合特征，如包括：一阶特征的线性组合(权值与特征点积)，二阶交叉特征(隐向量内积)；Deep部分(即DNN)提取高阶组合特征。同时，FM和Deep共享特征输入及其embedding向量。
进一步地，在进行DeepFM深度学习模型的训练过程中，还可以对历史特征集合中的特征进行分组，比如，根据店铺、用户基础画像等作为分组标准，将属于同一店铺的优惠券的相关样本数据分为一组，将用户基础画像相似的样本数据分为一组等，根据每个分组下的特征生成一个embedding向量，再将embedding向量作为模型训练的输入。
在本说明书一个或多个实施例中，在得到训练后的DeepFM深度学习模型之后，还可以利用训练后的DeepFM深度学习模型对在线机器学习模型进行更新。即需要将训练好的DeepFM深度学习模型部署到线上服务器进行在线预测打分，具体地，可以用训练好的DeepFM深度学习模型替换掉原有的在线预测模型。优选地，在线预测打分可以采用arks平台，其提供了高性能在线排序和实时预估服务，高可用，且实现了负载均衡、异地容灾等诸多功能。
传统的机器学习算法(如：LR，GBDT)在推荐及广告场景中得到了广泛的应用，但是要想达到一个好的效果，往往需要人工根据经验抽取大量的特征。另外，采用曝光点击样本训练点击率(CTR)预估模型进行推荐的方法，没有充分的利用点击后的转化数据(领取、核销等)，且如果只用核销的样本，同样会存在数据稀疏性的问题，因此为了考虑优惠券推荐的整个漏斗，即经过曝光、点击、领取、核销等多个步骤，通过基于多任务的DeepFM深度学习模型，同时训练多个目标(点击、领取或点击、领取、核销)，利用了模型的自动特征交叉组合能力，并且充分利用了更多的样本数据，解决了数据稀疏性问题，使得预测推荐的结果更加精准，提升了优惠券推荐的效果，提高了最终的uv核销率。
下面通过实验对本说明书实施例训练得到的DeepFM深度学习模型在线上预测推荐的效果进行证明，具体实验内容如下：
利用AB实验平台“达尔文”对匹配算法、特征以及模型进行线上对比实验。通过预设两种方案，其中方案一是以曝光点击和点击领取作为标签训练得到的多任务模型，而方案二则是以曝光点击、点击领取和领取核销作为标签训练得到的多任务模型，上述多任务模型均采用的是DeepFM深度学习模型，模型的输入特征完全一致，得到了如下表1所示的实验结果：
表1
通过以上实验可以看出，对于优惠券推荐的场景来说，用户对优惠券的操作行为包括点击、领取和核销，相比于单一任务的模型训练方式，如只对曝光点击的样本数据进行训练得到的点击率预估模型，本说明书实施例通过同时训练多个目标(点击、领取或点击、领取、核销)，充分利用了用户对优惠券的多种操作行为数据，因此明显提升了对优惠券点击、领取和核销的用户人数，从而进一步提升用户转化率，并且训练的目标越多，推荐效果也更好。
基于同样的思路，本说明书实施例还提供了一种资源推荐装置，如图3为本说明书实施例提供的一种资源推荐装置，该装置300主要包括：
接收模块301，用于接收目标用户的资源推荐请求；
获取模块302，用于根据所述资源推荐请求，从在线数据库中获取所述目标用户的特征信息以及与所述目标用户相关联的待推荐资源的特征信息；其中，所述待推荐资源的特征信息中包含对所述待推荐资源的多种历史操作行为数据的信息；
预测模块303，用于将所述目标用户的特征信息和所述待推荐资源的特征信息输入到在线机器学习模型中，得到所述待推荐资源的预测分值；其中，所述预测分值用于表示所述目标用户对所述待推荐资源进行各种操作行为的优先级；
推荐模块304，用于根据所述预测分值从所述待推荐资源中选择一个或多个待推荐资源，并将所述一个或多个待推荐资源推荐给所述目标用户。
根据本申请的实施例，在所述装置中，所述获取模块302还用于：
根据预设条件以及所述目标用户的地理位置，从距离所述目标用户一定范围内的资源中确定与所述目标用户相关联的待推荐资源，并获取所述待推荐资源的特征信息。
根据本申请的实施例，在所述装置中，所述推荐模块304还用于：
根据预设的排序规则对所述预测分值进行排序，并根据排序结果以及资源展示位的数量，从所述待推荐资源中选择一个或多个待推荐资源。
根据本申请的实施例，在所述装置中，所述在线机器学习模型为DeepFM深度学习模型，所述装置还包括：
特征抽取模块305，用于对预订分区表中的特征进行抽取，得到用户特征、资源特征以及交叉特征，将所述用户特征、资源特征以及交叉特征组成历史特征集合，所述交叉特征包括对所述资源的历史操作行为数据的特征；
样本生成模块306，用于对所述分区表中的埋点日志进行解析，得到对所述资源的历史操作行为的样本，将所述样本作为所述DeepFM深度学习模型训练的标签，并将用户标识、资源标识、历史特征集合以及标签组合成样本数据；
模型训练模块307，用于利用所述样本数据对所述DeepFM深度学习模型进行训练，得到训练后的DeepFM深度学习模型。
根据本申请的实施例，在所述装置中，所述特征抽取模块305还用于：
在对预订分区表中的特征进行抽取之后，将所述抽取得到的特征数据同步到所述在线数据库中。
根据本申请的实施例，在所述装置中，所述样本生成模块306还用于：
在所述将用户标识、资源标识、历史特征集合以及标签组合成样本数据之后，根据预设的筛选规则对所述样本数据进行筛选，将符合所述筛选规则的样本数据作为对所述DeepFM深度学习模型进行训练的样本数据。
根据本申请的实施例，在所述装置中，所述模型训练模块307还用于：
在所述得到训练后的DeepFM深度学习模型之后，利用所述训练后的DeepFM深度学习模型对所述在线机器学习模型进行更新。
根据本申请的实施例，在所述装置中，所述的资源为优惠券。
本说明书实施例还提供一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述一种资源推荐方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例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，本说明书实施例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。
本说明书是参照根据本说明书实施例的方法、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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (18)
1.一种资源推荐方法，所述方法包括：
接收目标用户的资源推荐请求；
根据所述资源推荐请求，从在线数据库中获取所述目标用户的特征信息以及与所述目标用户相关联的待推荐资源的特征信息；其中，所述待推荐资源的特征信息中包含对所述待推荐资源的多种历史操作行为数据的信息；
将所述目标用户的特征信息和所述待推荐资源的特征信息输入到在线机器学习模型中，得到所述待推荐资源的预测分值；
根据所述预测分值从所述待推荐资源中选择一个或多个待推荐资源，并将所述一个或多个待推荐资源推荐给所述目标用户；
所述在线机器学习模型为训练后的DeepFM深度学习模型，所述训练后的DeepFM深度学习模型是将对预定分区表中埋点日志进行解析得到的针对资源的历史操作行为作为训练标签，并利用包含用户标识、资源标识、历史特征集合以及所述训练标签的样本数据对DeepFM深度学习模型进行训练得到的；所述历史特征集合包括对所述预订分区表中的特征进行抽取得到的用户特征、资源特征以及交叉特征；所述交叉特征包括对所述资源的历史操作行为数据的特征。
2.如权利要求1所述的方法，所述获取与所述目标用户相关联的待推荐资源的特征信息，包括：
根据预设条件以及所述目标用户的地理位置，从距离所述目标用户一定范围内的资源中确定与所述目标用户相关联的待推荐资源，并获取所述待推荐资源的特征信息。
3.如权利要求1所述的方法，所述对所述待推荐资源的多种历史操作行为数据，包括：
对所述待推荐资源的历史点击、领取或者核销行为数据中的至少两种数据。
4.如权利要求1所述的方法，所述待推荐资源的预测分值，包括：
待推荐资源的点击预测分值、领取预测分值或者核销预测分值中的至少两种分值。
5.如权利要求1所述的方法，所述根据所述预测分值从所述待推荐资源中选择一个或多个待推荐资源，包括：
根据预设的排序规则对所述预测分值进行排序，并根据排序结果以及资源展示位的数量，从所述待推荐资源中选择一个或多个待推荐资源。
6.如权利要求1所述的方法，所述对预订分区表中的特征进行抽取之后，还包括：
将所述抽取得到的特征数据同步到所述在线数据库中。
7.如权利要求1所述的方法，所述对所述资源的历史操作行为的样本，包括：
对所述资源的历史点击正负样本、领取正负样本或者核销正负样本中的至少两种样本。
8.如权利要求1所述的方法，所述将用户标识、资源标识、历史特征集合以及标签组合成样本数据之后，还包括：
根据预设的筛选规则对所述样本数据进行筛选，将符合所述筛选规则的样本数据作为对所述DeepFM深度学习模型进行训练的样本数据。
9.如权利要求1所述的方法，所述得到训练后的DeepFM深度学习模型之后，还包括：
利用所述训练后的DeepFM深度学习模型对所述在线机器学习模型进行更新。
10.如权利要求1-9中任一项所述的方法，所述的资源为优惠券。
11.一种资源推荐装置，所述装置包括：
接收模块，用于接收目标用户的资源推荐请求；
获取模块，用于根据所述资源推荐请求，从在线数据库中获取所述目标用户的特征信息以及与所述目标用户相关联的待推荐资源的特征信息；其中，所述待推荐资源的特征信息中包含对所述待推荐资源的多种历史操作行为数据的信息；
预测模块，用于将所述目标用户的特征信息和所述待推荐资源的特征信息输入到在线机器学习模型中，得到所述待推荐资源的预测分值；
推荐模块，用于根据所述预测分值从所述待推荐资源中选择一个或多个待推荐资源，并将所述一个或多个待推荐资源推荐给所述目标用户；
所述在线机器学习模型为训练后的DeepFM深度学习模型，所述训练后的DeepFM深度学习模型是将对预定分区表中埋点日志进行解析得到的针对资源的历史操作行为作为训练标签，并利用包含用户标识、资源标识、历史特征集合以及所述训练标签的样本数据对DeepFM深度学习模型进行训练得到的；所述历史特征集合包括对所述预订分区表中的特征进行抽取得到的用户特征、资源特征以及交叉特征；所述交叉特征包括对所述资源的历史操作行为数据的特征。
12.如权利要求11所述的装置，所述获取模块还用于：
根据预设条件以及所述目标用户的地理位置，从距离所述目标用户一定范围内的资源中确定与所述目标用户相关联的待推荐资源，并获取所述待推荐资源的特征信息。
13.如权利要求11所述的装置，所述推荐模块还用于：
根据预设的排序规则对所述预测分值进行排序，并根据排序结果以及资源展示位的数量，从所述待推荐资源中选择一个或多个待推荐资源。
14.如权利要求11所述的装置，所述特征抽取模块还用于：
在对预订分区表中的特征进行抽取之后，将所述抽取得到的特征数据同步到所述在线数据库中。
15.如权利要求11所述的装置，所述样本生成模块还用于：
在所述将用户标识、资源标识、历史特征集合以及标签组合成样本数据之后，根据预设的筛选规则对所述样本数据进行筛选，将符合所述筛选规则的样本数据作为对所述DeepFM深度学习模型进行训练的样本数据。
16.如权利要求11所述的装置，所述模型训练模块还用于：
在所述得到训练后的DeepFM深度学习模型之后，利用所述训练后的DeepFM深度学习模型对所述在线机器学习模型进行更新。
17.如权利要求11-16中任一项所述的装置，所述的资源为优惠券。
18.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1至10中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910593596.3A CN110413877B (zh) | 2019-07-02 | 2019-07-02 | 一种资源推荐方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910593596.3A CN110413877B (zh) | 2019-07-02 | 2019-07-02 | 一种资源推荐方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110413877A CN110413877A (zh) | 2019-11-05 |
| CN110413877B true CN110413877B (zh) | 2023-03-28 |
Family
ID=68358727
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910593596.3A Active CN110413877B (zh) | 2019-07-02 | 2019-07-02 | 一种资源推荐方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110413877B (zh) |
Families Citing this family (47)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110929181A (zh) * | 2019-11-11 | 2020-03-27 | 上海连尚网络科技有限公司 | 一种小说阅读资源信息的获取方法及设备 |
| CN110956499B (zh) * | 2019-11-27 | 2023-04-07 | 掌阅科技股份有限公司 | 页面展现方法、计算设备及计算机存储介质 |
| CN111125521A (zh) * | 2019-12-13 | 2020-05-08 | 上海喜马拉雅科技有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
| SG10201912472UA (en) * | 2019-12-18 | 2020-12-30 | Pt Aplikasi Karya Anak Bangsa | Methods and systems for recommendation using a neural network |
| CN111160961B (zh) * | 2019-12-20 | 2023-10-17 | 深圳前海微众银行股份有限公司 | 一种信息推荐方法及装置 |
| CN111125473B (zh) * | 2019-12-23 | 2023-10-24 | 支付宝(杭州)信息技术有限公司 | 推荐业务处理及信息推荐方法、装置、设备及系统 |
| CN111144949A (zh) * | 2019-12-30 | 2020-05-12 | 北京每日优鲜电子商务有限公司 | 奖励数据发放方法、装置、计算机设备及存储介质 |
| CN111062709B (zh) * | 2019-12-30 | 2021-11-23 | 北京三快在线科技有限公司 | 资源转移方式推荐方法、装置、电子设备及存储介质 |
| CN111177413A (zh) * | 2019-12-30 | 2020-05-19 | 北京谦仁科技有限公司 | 学习资源推荐方法、装置和电子设备 |
| CN111177563B (zh) * | 2019-12-31 | 2023-06-27 | 北京顺丰同城科技有限公司 | 一种信息推荐方法、装置、电子设备和存储介质 |
| CN111310034B (zh) * | 2020-01-23 | 2023-04-07 | 深圳市雅阅科技有限公司 | 一种资源推荐方法及相关设备 |
| CN111353688B (zh) * | 2020-02-05 | 2024-02-27 | 口碑(上海)信息技术有限公司 | 一种用户资源分配方法以及装置 |
| CN111275493B (zh) * | 2020-02-10 | 2023-08-22 | 拉扎斯网络科技（上海）有限公司 | 榜单数据的处理方法、装置、服务器和非易失性存储介质 |
| CN111291266B (zh) * | 2020-02-13 | 2023-03-21 | 深圳市雅阅科技有限公司 | 基于人工智能的推荐方法、装置、电子设备及存储介质 |
| CN111510473B (zh) * | 2020-03-13 | 2022-07-19 | 北京三快在线科技有限公司 | 访问请求处理方法、装置、电子设备和计算机可读介质 |
| CN111489196B (zh) * | 2020-04-08 | 2022-08-12 | 支付宝(杭州)信息技术有限公司 | 基于深度学习网络的预测方法、装置、电子设备及介质 |
| CN111652635A (zh) * | 2020-05-14 | 2020-09-11 | 拉扎斯网络科技（上海）有限公司 | 资源策略信息推荐、执行状态数据、预测模型获得方法 |
| CN113836388B (zh) * | 2020-06-08 | 2024-01-23 | 北京达佳互联信息技术有限公司 | 信息推荐方法、装置、服务器及存储介质 |
| CN111784455B (zh) * | 2020-06-30 | 2023-11-07 | 腾讯科技（深圳）有限公司 | 一种物品推荐方法及推荐设备 |
| CN111930277B (zh) * | 2020-07-02 | 2022-07-12 | 上海连尚网络科技有限公司 | 一种用于提供呈现信息的方法与设备 |
| CN111814051B (zh) * | 2020-07-08 | 2023-07-28 | 北京奇艺世纪科技有限公司 | 一种资源类型确定方法及装置 |
| CN111861667A (zh) * | 2020-07-21 | 2020-10-30 | 上海仙豆智能机器人有限公司 | 车辆推荐方法及装置、电子设备、存储介质 |
| CN111881282A (zh) * | 2020-08-03 | 2020-11-03 | 青岛科技大学 | 回答者推荐模型的训练方法、推荐方法及电子设备 |
| CN112148973B (zh) * | 2020-09-04 | 2023-11-07 | 京东科技控股股份有限公司 | 一种信息推送的数据处理方法及装置 |
| CN111931068B (zh) * | 2020-09-18 | 2021-01-26 | 知学云(北京)科技有限公司 | 一种基于企业在线教育的智能推荐方法 |
| CN113760521A (zh) * | 2020-09-22 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种虚拟资源的分配方法和装置 |
| CN112163155A (zh) * | 2020-09-30 | 2021-01-01 | 深圳前海微众银行股份有限公司 | 信息处理方法、装置、设备及存储介质 |
| CN112163159A (zh) * | 2020-10-09 | 2021-01-01 | 北京百度网讯科技有限公司 | 资源推荐和参数确定方法、装置、设备及介质 |
| CN112215521A (zh) * | 2020-10-29 | 2021-01-12 | 支付宝(杭州)信息技术有限公司 | 资源分配方法及装置 |
| CN113761335A (zh) * | 2020-11-19 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 资源处理方法和装置 |
| CN112365319A (zh) * | 2020-11-20 | 2021-02-12 | 北京沃东天骏信息技术有限公司 | 虚拟资源内物品的展示方法和装置 |
| CN112508613B (zh) * | 2020-12-09 | 2024-03-19 | 天津狮拓信息技术有限公司 | 一种商品推荐方法、装置、电子设备和可读存储介质 |
| CN112287239B (zh) * | 2020-12-30 | 2021-03-19 | 平安科技（深圳）有限公司 | 课程推荐方法、装置、电子设备及存储介质 |
| CN112819538A (zh) * | 2021-02-04 | 2021-05-18 | 长沙理工大学 | 用户任务预测方法、装置、计算机设备和存储介质 |
| CN112989146B (zh) * | 2021-02-18 | 2024-04-23 | 百度在线网络技术（北京）有限公司 | 向目标用户推荐资源的方法、装置、设备、介质和程序产品 |
| CN113157342A (zh) * | 2021-04-27 | 2021-07-23 | 思享智汇(海南)科技有限责任公司 | 一种客户端背景内容的展示方法、系统及存储介质 |
| CN113268632A (zh) * | 2021-05-08 | 2021-08-17 | 北京达佳互联信息技术有限公司 | 一种推荐对象的方法、装置、电子设备及存储介质 |
| CN113515696A (zh) * | 2021-05-17 | 2021-10-19 | 上海众源网络有限公司 | 推荐方法、装置、电子设备及存储介质 |
| CN113343085B (zh) * | 2021-05-27 | 2022-11-04 | 北京三快在线科技有限公司 | 一种信息推荐方法、装置、存储介质及电子设备 |
| CN113312512B (zh) * | 2021-06-10 | 2023-10-31 | 北京百度网讯科技有限公司 | 训练方法、推荐方法、装置、电子设备以及存储介质 |
| CN113609266A (zh) * | 2021-07-09 | 2021-11-05 | 阿里巴巴新加坡控股有限公司 | 资源处理方法以及装置 |
| CN113344647B (zh) * | 2021-07-14 | 2023-05-23 | 杭州网易云音乐科技有限公司 | 一种信息推荐的方法及装置 |
| CN113722588B (zh) * | 2021-08-12 | 2023-09-05 | 北京达佳互联信息技术有限公司 | 资源推荐方法、装置及电子设备 |
| CN113641912B (zh) * | 2021-08-20 | 2024-02-09 | 北京得间科技有限公司 | 信息推送方法、计算设备及计算机存储介质 |
| CN113722601B (zh) * | 2021-09-07 | 2024-04-16 | 南方电网数字电网研究院股份有限公司 | 电力量测信息推荐方法、装置、计算机设备和存储介质 |
| CN114371946B (zh) * | 2022-01-11 | 2023-04-18 | 北京中数睿智科技有限公司 | 基于云计算和大数据的信息推送方法及信息推送服务器 |
| CN114677168A (zh) * | 2022-03-11 | 2022-06-28 | 百果园技术(新加坡)有限公司 | 一种资源推荐方法、装置、设备及介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105446970A (zh) * | 2014-06-10 | 2016-03-30 | 华为技术有限公司 | 推荐项目的方法和装置 |
| CN108573428A (zh) * | 2018-03-07 | 2018-09-25 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法和装置 |
| CN113837804A (zh) * | 2018-03-13 | 2021-12-24 | 创新先进技术有限公司 | 一种信息推荐的方法、装置及设备 |
-
2019
- 2019-07-02 CN CN201910593596.3A patent/CN110413877B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110413877A (zh) | 2019-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110413877B (zh) | 一种资源推荐方法、装置及电子设备 | |
| CN110400169B (zh) | 一种信息推送方法、装置及设备 | |
| US20220044289A1 (en) | Document term recognition and analytics | |
| CN110727868B (zh) | 对象推荐方法、装置和计算机可读存储介质 | |
| CN113688313A (zh) | 一种预测模型的训练方法、信息推送的方法及装置 | |
| CN110020427B (zh) | 策略确定方法和装置 | |
| CN113688951B (zh) | 视频数据处理方法以及装置 | |
| CN112733024A (zh) | 一种信息推荐的方法及装置 | |
| CN110689164A (zh) | 用户解约行为的预测方法及其系统 | |
| CN110033092B (zh) | 数据标签生成、模型训练、事件识别方法和装置 | |
| CN113836390B (zh) | 资源推荐方法、装置、计算机设备及存储介质 | |
| CN113887206A (zh) | 一种模型训练及关键词提取方法及装置 | |
| KR102243275B1 (ko) | 오프라인 오브젝트에 관한 콘텐츠 자동 생성 방법, 장치 및 컴퓨터 판독가능 저장 매체 | |
| CN110569429B (zh) | 一种内容选择模型的生成方法、装置和设备 | |
| CN116843376A (zh) | 一种营销效果预判方法、装置、存储介质及设备 | |
| CN113297462A (zh) | 数据处理方法、装置、设备和存储介质 | |
| CN116955591A (zh) | 用于内容推荐的推荐语生成方法、相关装置和介质 | |
| CN115841068A (zh) | 一种针对用户的干预执行方法、装置以及设备 | |
| CN115439180A (zh) | 一种目标对象确定方法、装置、电子设备及存储介质 | |
| CN112053197B (zh) | 一种基于大数据的广告播放方法、系统及广告服务平台 | |
| CN113159834A (zh) | 一种商品信息排序方法、装置以及设备 | |
| CN111369315A (zh) | 资源对象推荐方法及装置，数据预测模型训练方法及装置 | |
| CN116629338B (zh) | 一种模型数据的处理方法、相关装置、设备以及存储介质 | |
| CN114218499B (zh) | 资源推荐方法、装置、计算机设备及存储介质 | |
| CN116823407B (zh) | 产品信息推送方法、装置、电子设备和计算机可读介质 |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40016771 Country of ref document: HK |
|
| TA01 | Transfer of patent application right |
Effective date of registration: 20201010 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Innovative advanced technology Co.,Ltd. Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant before: Advanced innovation technology Co.,Ltd. Effective date of registration: 20201010 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Advanced innovation technology Co.,Ltd. Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Applicant before: Alibaba Group Holding Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240228 Address after: 128 Meizhi Road, Guohao Times City # 20-01, Singapore 189773 Patentee after: Advanced Nova Technology (Singapore) Holdings Ltd. Country or region after: Singapore Address before: 27 Hospital Road, George Town, Grand Cayman ky1-9008 Patentee before: Innovative advanced technology Co.,Ltd. Country or region before: Cayman Islands |
|
| TR01 | Transfer of patent right |