CN110427546A - 一种信息展示方法和装置 - Google Patents
一种信息展示方法和装置 Download PDFInfo
- Publication number
- CN110427546A CN110427546A CN201810397169.3A CN201810397169A CN110427546A CN 110427546 A CN110427546 A CN 110427546A CN 201810397169 A CN201810397169 A CN 201810397169A CN 110427546 A CN110427546 A CN 110427546A
- Authority
- CN
- China
- Prior art keywords
- user
- condition
- condition flag
- feature
- behavior data
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种信息展示方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:根据接收的用户信息,确定用户所归属的用户群体;根据用户输入的关键字,获取所述用户群体的与所述关键字对应的关键条件;其中,所述关键条件是从所述用户群体的与所述关键字对应的历史行为数据的条件特征中筛选出来的;将所述关键条件作为排序依据,以对所述关键字对应的搜索结果进行排序展示。该方法根据用户输入的关键字,获取用户所归属用户群体的、与关键字对应的关键条件,将该关键条件作为排序依据,以对搜索结果进行排序展示,节省了用户的时间,提高了用户体验。
Description
技术领域
本发明涉及计算机领域,尤其涉及一种信息展示方法和装置。
背景技术
用户在搜索框输入关键字想搜索某个对象时,系统会按照默认的排序方式(比如综合排序方式、价格由低到高的排序方式等),对搜索结果进行排序展示。其中,所述关键字为用户在搜索框输入的,能够最大程度概括用户所要查找的信息内容。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
现有技术中,由于系统采用默认的排序方式对搜索结果进行排序展示,用户需要在多而繁杂的搜索结果进行比较选择,耗费精力时间,用户体验差。同时,如果用户没有明确的搜索目标,那么默认排序方式的展示结果也并不会对用户起到很大的帮助作用。
发明内容
有鉴于此,本发明实施例提供一种信息展示方法和装置,通过根据用户输入的关键字,获取用户所归属用户群体的、与关键字对应的关键条件,将该关键条件作为排序依据,以对搜索结果进行排序展示,节省了用户的时间,提高了用户体验。
为实现上述目的,根据本发明实施例的一个方面,提供了一种信息展示方法。
本发明实施例的一种信息展示方法,包括:根据接收的用户信息,确定用户所归属的用户群体;根据用户输入的关键字,获取所述用户群体的与所述关键字对应的关键条件;其中,所述关键条件是从所述用户群体的与所述关键字对应的历史行为数据的条件特征中筛选出来的;将所述关键条件作为排序依据,以对所述关键字对应的搜索结果进行排序展示。
可选地,所述根据接收的用户信息,确定用户所归属的用户群体,包括:根据接收的用户信息,获取所述用户的所有标签;其中,所述标签为所述用户的用户画像中的标签或者所述用户自定义的标签;将其他用户的所有标签分别与所述用户的所有标签进行比较,以得到相同标签的数量;将相同标签的数量超过预设数量的所有其他用户作为所述用户群体。
可选地,所述获取所述用户群体的与所述关键字对应的关键条件的步骤之前,还包括:获取所述用户群体的与所述关键字对应的历史行为数据;从所述历史行为数据的条件特征中筛选出至少一个条件特征,将筛选出的条件特征作为所述关键条件。
可选地,所述从所述历史行为数据的条件特征中筛选出至少一个条件特征,包括:分别计算在所述历史行为数据的每个条件特征下的条件熵;根据所述条件熵,从所述条件特征中筛选出至少一个条件特征。
可选地,所述历史行为数据包括多个所述条件特征、一个随机特征和每个特征的特征值;所述分别计算在所述历史行为数据的每个条件特征下的条件熵,包括:根据预先设定的转换规则,将所述历史行为数据的所有条件特征的特征值分别转换为对应的特征对象;分别计算在每个所述特征对象下,所述随机特征的特征值为预设特征值的概率;根据所述概率和信息熵公式,分别计算每个所述特征对象的信息熵;根据所述信息熵和条件熵公式,分别计算在每个所述条件特征下的条件熵。
可选地,所述根据所述条件熵,从所述条件特征中筛选出至少一个条件特征,包括:对所有的所述条件熵进行大小比较,以筛选出最小的所述条件熵对应的条件特征。
可选地,所述从所述历史行为数据的条件特征中筛选出至少一个条件特征,将筛选出的所述条件特征作为所述关键条件,包括:根据预先设定的转换规则,将所述历史行为数据的所有条件特征的特征值分别转换为对应的特征对象;确定所有所述条件特征的特征对象的搜索起点、搜索方向、搜索策略、特征评估函数和停止准则;根据所述搜索起点、搜索方向和搜索策略,从所述条件特征中筛选出至少一个所述条件特征;通过所述特征评估函数衡量筛选出的所述条件特征的性能,以将满足所述停止准则的对应条件特征作为所述关键条件。
为实现上述目的,根据本发明实施例的另一方面,提供了一种信息展示装置。
本发明实施例的一种信息展示装置,包括:确定模块,用于根据接收的用户信息,确定用户所归属的用户群体;获取模块,用于根据用户输入的关键字,获取所述用户群体的与所述关键字对应的关键条件;其中,所述关键条件是从所述用户群体的与所述关键字对应的历史行为数据的条件特征中筛选出来的;展示模块,用于将所述关键条件作为排序依据,以对所述关键字对应的搜索结果进行排序展示。
可选地,所述确定模块,还用于:根据接收的用户信息,获取所述用户的所有标签;其中,所述标签为所述用户的用户画像中的标签或者所述用户自定义的标签;将其他用户的所有标签分别与所述用户的所有标签进行比较,以得到相同标签的数量;将相同标签的数量超过预设数量的所有其他用户作为所述用户群体。
可选地,所述装置还包括:筛选模块,用于获取所述用户群体的与所述关键字对应的历史行为数据;以及从所述历史行为数据的条件特征中筛选出至少一个条件特征,将筛选出的条件特征作为所述关键条件。
可选地,所述筛选模块,还用于:分别计算在所述历史行为数据的每个条件特征下的条件熵;以及根据所述条件熵,从所述条件特征中筛选出至少一个条件特征。
可选地,所述历史行为数据包括多个所述条件特征、一个随机特征和每个特征的特征值;所述筛选模块,还用于:根据预先设定的转换规则,将所述历史行为数据的所有条件特征的特征值分别转换为对应的特征对象;分别计算在每个所述特征对象下,所述随机特征的特征值为预设特征值的概率;根据所述概率和信息熵公式,分别计算每个所述特征对象的信息熵;以及根据所述信息熵和条件熵公式,分别计算在每个所述条件特征下的条件熵。
可选地,所述筛选模块,还用于:对所有的所述条件熵进行大小比较,以筛选出最小的所述条件熵对应的条件特征。
可选地,所述筛选模块,还用于:根据预先设定的转换规则,将所述历史行为数据的所有条件特征的特征值分别转换为对应的特征对象;确定所有所述条件特征的特征对象的搜索起点、搜索方向、搜索策略、特征评估函数和停止准则;根据所述搜索起点、搜索方向和搜索策略,从所述条件特征中筛选出至少一个所述条件特征;以及通过所述特征评估函数衡量筛选出的所述条件特征的性能,以将满足所述停止准则的对应条件特征作为所述关键条件。
为实现上述目的,根据本发明实施例的再一方面,提供了一种电子设备。
本发明实施例的一种电子设备,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本发明实施例的一种信息展示方法。
为实现上述目的,根据本发明实施例的再一方面,提供了一种计算机可读介质。
本发明实施例的一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例的一种信息展示方法。
上述发明中的一个实施例具有如下优点或有益效果:通过根据用户输入的关键字,获取用户所归属用户群体的、与所述关键字对应的关键条件,将该关键条件作为排序依据,以对搜索结果进行排序展示,节省了用户的时间,提高了用户体验;通过用户的标签获取用户所归属的用户群体,方便快捷、准确性高;通过信息熵和条件熵的方式,从多个条件特征中筛选出影响用户群体具体行为的关键条件,降低了用户行为的不确定性,帮助用户做决定;采用特征选择法,从多个条件特征中筛选出影响用户群体具体行为的关键条件,将搜索结果按照该关键条件排序展示,对用户的具体行为起到帮助作用。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的信息展示方法的主要步骤的示意图;
图2是根据本发明实施例的信息展示方法的主要流程示意图;
图3是根据本发明一实施例的筛选条件特征的主要流程示意图;
图4是根据本发明另一实施例的筛选条件特征的主要流程示意图;
图5是根据本发明实施例的信息展示装置的主要模块的示意图;
图6是本发明实施例可以应用于其中的示例性系统架构图;
图7是适用于来实现本发明实施例的电子设备的计算机装置的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的信息展示方法的主要步骤的示意图。如图1所示,本发明实施例的信息展示方法,主要包括如下步骤:
步骤S101:根据接收的用户信息,确定用户所归属的用户群体。用户通过客户端向服务器发送身份认证请求,所述身份认证请求中包括用户名、密码等用户信息,根据用户名获取所述用户的所有标签;将其他用户的所有标签分别与所述用户的所有标签进行比较,以得到相同标签的数量;将相同标签的数量超过预设数量的所有其他用户作为所述用户群体。其中,所述其他用户为已在客户端注册的、除当前用户外的所有用户。
步骤S102:根据用户输入的关键字,获取所述用户群体的与所述关键字对应的关键条件;其中,所述关键条件是从所述用户群体的与所述关键字对应的历史行为数据的条件特征中筛选出来的。其中,所述用户群体是指具有相似行为及偏好的用户集合,所述关键条件用于后续对搜索结果的排序提供排序依据。所述关键条件的筛选过程为:首先获取所述用户群体的与所述关键字对应的历史行为数据;之后从所述历史行为数据的条件特征中筛选出至少一个条件特征,将筛选出的条件特征作为所述关键条件。
关键条件的筛选过程可以在获取所述用户群体的与所述关键字对应的关键条件之前执行。可以预先根据经验确定用户经常输入的关键字,找出该用户群体的与该关键字相关的历史行为数据,并从历史行为数据的条件特征中筛选关键条件,之后建立用户、用户群体、关键字和关键条件的映射关系,以通过该映射关系获取所述用户群体的与所述关键字对应的关键条件。也可以根据用户输入的关键字实时获取历史行为数据,并筛选出关键条件。
步骤S103:将所述关键条件作为排序依据,以对所述关键字对应的搜索结果进行排序展示。通过步骤S101和步骤S102的处理,找出了用户所归属的用户群体,以及影响该用户群体的具体行为(比如购买某物品)的关键条件,将搜索结果按该关键条件进行排序展示,既节约了用户的时间,也提高了用户体验。
图2是根据本发明实施例的信息展示方法的主要流程示意图。如图2所示,本发明实施例的信息展示方法,由信息展示装置实现,主要包括如下步骤:
步骤S201:根据接收的用户信息,获取用户的所有标签。其中,所述标签为所述用户的用户画像中的标签或者所述用户自定义的标签。所述标签是通过对用户信息(包括用户基本信息和历史行为数据)分析得来的特征标识。所述用户画像是根据用户信息抽象出的一个标签化的用户模型,既需要根据变化的信息不断修正,又要根据已知的信息来抽象出新的标签,以使用户画像越来越立体。比如,某个用户的用户画像为演员、新手妈妈和运动达人,演员、新手妈妈和运动达人即为该用户的所有标签。
在一优选的实施例中,可以在用户登录应用程序时,获取用户的用户信息,之后根据所述用户信息中的用户名获取用户画像,进而得到该用户的所有标签。另外,获取用户标签的时机可以在用户进行搜索之前的任何时间。
在另一优选的实施例中,用户可以自定义标签,并由信息展示装置获取。比如,信息展示装置提供一些标签选项,用户根据自身情况自己选择若干标签,之后信息展示装置获取用户选择的标签即可。此方式比从用户画像中获取标签的时效性差。
步骤S202:将其他用户的所有标签分别与所述用户的所有标签进行比较,以得到相同标签的数量超过预设数量的所有其他用户,将所述所有其他用户作为所述用户所归属的用户群体。其中,所述相同标签的数量超过预设数量包括两个用户的标签完全相同的情况。本步骤需获取数据库中其他用户的所有标签,将其他用户的所有标签分别与该用户的所有标签一一进行比较,统计每个其他用户与该用户相同标签的数量,将相同标签的数量超过预设数量的所有其他用户集中在一起,以构成所述用户群体。
步骤S203:根据所述用户输入的关键字,获取所述用户群体的与所述关键字对应的历史行为数据。此处的历史行为数据包括购买数据和/或浏览收藏数据。在一优选的实施例中,假设用户在搜索框中输入的关键字为“开心果”,则获取所述用户群体的、与“开心果”相关的所有历史行为数据。
步骤S204:为所述历史行为数据确定多个条件特征,并为每个所述条件特征的特征值设定转换规则。其中,所述条件特征根据需求和经验设置,所述转换规则用于将所述条件特征的特征值进行分类。另外,该步骤在步骤S205执行之前执行即可。在一优选的实施例中,所述条件特征,比如可以是:价格、好评率、包装和品牌。对应的转换规则,比如可以是:“开心果”的价格(这里的价格是每斤的价钱)小于40元的为低价格,40元-90元的为中价格,大于90元的为高价格;好评率小于80%的为低好评率,80%-90%的为中好评率,大于90%的为高好评率;包装分为罐装、袋装;品牌分为知名品牌、非知名品牌。
步骤S205:根据所述转换规则,将所述历史行为数据的所有特征值分别转换为对应的特征对象。所述历史行为数据包括多个所述条件特征、一个随机特征、每个所述条件特征的特征值和所述随机特征的特征值。在一优选的实施例中,所述随机特征为是否购买开心果,对应的特征值为是和否。表1为转换后的特征对象表。如表1所示,共有16条关于开心果的数据,每条数据中包括价格、好评率、包装和品牌对应的特征对象,以及随机特征的特征值。
表1为转换后的特征对象表
编号 | 价格 | 好评率 | 包装 | 品牌 | 是否购买 |
1 | 低价格 | 低好评率 | 袋装 | 非知名品牌 | 否 |
2 | 低价格 | 高好评率 | 袋装 | 知名品牌 | 是 |
3 | 中价格 | 低好评率 | 袋装 | 非知名品牌 | 否 |
4 | 高价格 | 高好评率 | 罐装 | 非知名品牌 | 否 |
5 | 中价格 | 高好评率 | 罐装 | 知名品牌 | 是 |
6 | 低价格 | 中好评率 | 罐装 | 知名品牌 | 是 |
7 | 低价格 | 低好评率 | 罐装 | 知名品牌 | 否 |
8 | 高价格 | 高好评率 | 袋装 | 知名品牌 | 否 |
9 | 低价格 | 中好评率 | 袋装 | 知名品牌 | 是 |
10 | 中价格 | 中好评率 | 罐装 | 知名品牌 | 是 |
11 | 高价格 | 高好评率 | 罐装 | 知名品牌 | 否 |
12 | 高价格 | 中好评率 | 袋装 | 知名品牌 | 否 |
13 | 低价格 | 高好评率 | 罐装 | 非知名品牌 | 是 |
14 | 中价格 | 高好评率 | 袋装 | 知名品牌 | 是 |
15 | 中价格 | 低好评率 | 罐装 | 非知名品牌 | 否 |
16 | 低价格 | 中好评率 | 袋装 | 非知名品牌 | 否 |
步骤S206:从所述历史行为数据的多个条件特征中筛选出至少一个条件特征,将筛选出的所述条件特征作为关键条件。该步骤可以利用信息熵公式和条件熵公式从历史行为数据的多个条件特征中筛选出关键条件,也可以利用特征选择法从历史行为数据的多个条件特征中筛选出关键条件。此处的多个条件特征可以是为历史行为数据确定的全部条件特征,也可以是部分条件特征。两种方式的具体实现过程见后续描述。
步骤S207:将所述关键条件作为排序依据,以对所述关键字对应的搜索结果进行排序展示。经步骤S201至步骤S206的处理后,找出了影响该用户群体购买开心果的关键条件。假设该关键条件为价格,并且步骤S206采用信息熵公式和条件熵公式来筛选关键条件,则在一优选的实施例中,可以计算该关键条件的每个特征对象购买开心果的信息熵,之后比较计算出的信息熵的大小,以得出最能影响用户群体购买开心果的条件。信息熵越小,越能影响用户群体购买开心果。假设低价格是最能影响用户群体购买开心果的条件,则将搜索结果按价格由低到高的顺序进行展示,节约了用户的时间,提高了用户体验,且提高了用户的购买率。
数据库的数据查询语句,可以进行多条件排序,并且是依次对每个条件进行比较排序。如果两条数据的当前条件(比如价格)的取值相同时,就通过下一个条件(比如好评率)的取值比较,直到发现不同取值的条件,则以该条件的取值进行排序;如果所有条件的取值都相同,则两者的前后顺序可以随机。在步骤S207中,如果筛选出的关键条件为多个,比如该关键条件为价格和好评率,可以分别计算这两个关键条件的每个特征对象购买开心果的信息熵,之后比较计算出的信息熵的大小,以得出最能影响用户群体购买开心果的条件。假设低价格和高好评率是最能影响用户群体购买开心果的条件,则将搜索结果按价格由低到高和好评率由高到低的顺序进行展示。
在一优选的实施例中,可以用信息熵公式和条件熵公式从多个条件特征中筛选出关键条件。下面对该方式涉及到的术语进行解释。
信息量是对信息的度量,信息量的大小跟随机事件的概率有关。越小概率的事情能够发生,它产生的信息量越大,比如只买了一张彩票就中了五百万大奖;越大概率的事情能够发生,产生的信息量越小,比如太阳从东边升起,这是自然规律常识,它几乎没什么信息量。因此,计算出数据样本中是否购买这一随机特征的平均信息量,就能得知该用户群体是否购买开心果的平均概率。
一条信息的可能性数量是呈指数增长的,用二进制bit表示,1bit有2个可能状态,2bit有4个可能状态,Nbit有2^N个可能状态,所以一个具体事件的信息量的计算公式为:h(x)=-log2P(x),负号是为了确保信息量的数值一定是正数或者0。
信息熵是所有可能发生事件所带来的信息量的期望值,也就是每种情况x的信息量值乘以对应概率的和,因此,可得出信息熵公式为:条件熵表示在条件特征X下随机特征Y的信息熵,由信息熵公式可知,条件熵也是一种期望值,条件熵公式为:H(Y|X)=∑x∈XP(x)H(Y|X=x)。
设是否购买这一随机特征为Y(y1=购买开心果,y2=不够买开心果),通过信息熵公式,即可计算出数据样本中是否购买开心果的平均信息量。根据随机特征Y的设定,上式中i的取值只有两种:1和2,P(y1)表示购买开心果的概率,P(y2)表示不购买开心果的概率。由表1可知,P(y1)=7/16,P(y2)=9/16,则可得出
H(Y)=-7/16×log2(7/16)-9/16×log2(9/16)≈0.9887
图3是根据本发明一实施例的筛选条件特征的主要流程示意图。如图3所示,步骤S206的具体实现可以是:
步骤S301:分别计算在每个所述特征对象下,所述随机特征的特征值为预设特征值的概率。计算在每个特征对象下,该用户群体购买开心果的概率。
设E、F、G和K分别代表价格、好评率、包装和品牌这四个条件特征,e1、e2和e3分别代表价格E的特征对象低价格、中价格和高价格,f1、f2和f3分别代表好评率F的特征对象低好评率、中好评率和高好评率,g1和g2分别代表包装G的特征对象袋装和罐装,k1和k2分别代表品牌K的特征对象非知名品牌和知名品牌。由表1可知,
对于条件特征价格E:P(e1)=7/16,P(e2)=5/16,P(e3)=4/16。
对于条件特征好评率F:P(f1)=4/16,P(f2)=5/16,P(f3)=7/16。
对于条件特征包装G:P(g1)=8/16,P(g2)=8/16。
对于条件特征品牌K:P(k1)=6/16,P(k2)=10/16。
步骤S302:根据所述概率和信息熵公式,分别计算每个所述特征对象的信息熵。
对于条件特征价格E:
H(Y|e1)=-3/7×log2(3/7)-4/7×log2(4/7)≈0.9853,
H(Y|e3)=-2/5×log2(2/5)-3/5×log2(3/5)≈0.9710,
H(Y|e3)=-4/4×log2(4/4)=0。
对于条件特征好评率F:
H(Y|f1)=-4/4×log2(4/4)=0,
H(Y|f2)=-2/5×log2(2/5)-3/5×log2(3/5)≈0.9710,
H(Y|f3)=-3/7×log2(3/7)-4/7×log2(4/7)≈0.9853。
对于条件特征包装G:
H(Y|g1)=-5/8×log2(5/8)-3/8×log2(3/8)≈0.9544,
H(Y|g2)=-4/8×log2(4/8)-4/8×log2(4/8)=1。
对于条件特征品牌K:
H(Y|k1)=-1/6×log2(1/6)-5/6×log2(5/6)≈0.65,
H(Y|k2)=-4/10×log2(4/10)-6/10×log2(6/10)≈0.9710。
步骤S303:根据所述信息熵和条件熵公式,分别计算在每个所述条件特征下的条件熵。
对于条件特征价格E:
H(Y|E)=P(e1)×H(Y|e1)+P(e2)×H(Y|e2)+P(e3)×H(Y|e3)
=7/16×0.9853+5/16×0.9710+4/16×0≈0.7345
对于条件特征好评率F:
H(Y|F)=P(f1)×H(Y|f1)+P(f2)×H(Y|f2)+P(f3)×H(Y|f3)
=4/16×0+5/16×0.9710+7/16×0.9853≈0.7345
对于条件特征包装G:
H(Y|G)=P(g1)×H(Y|g1)+P(g2)×H(Y|g2)
=8/16×0.9544+8/16×1≈0.9772
对于条件特征品牌K:
H(Y|K)=P(k1)×H(Y|k1)+P(k2)×H(Y|k2)
=6/16×0.65+10/16×0.9710≈0.8506
另外,本发明并不限定步骤S301至步骤S303的执行顺序,也可以先计算与某个条件特征相关的特征对象的概率、信息熵和该条件特征下的条件熵,之后再计算其他条件特征相关的特征对象的概率、信息熵和该条件特征下的条件熵,直至得到每个条件特征下的条件熵。
步骤S304:根据所述条件熵,从多个所述条件特征中筛选出至少一个条件特征,将筛选出的所述条件特征作为关键条件。在一优选的实施例中,筛选的过程可以是:对所有的所述条件熵进行大小比较,将最小的所述条件熵对应的条件特征作为关键条件。在另一优选的实施例中,筛选的过程还可以是:将所有的所述条件熵分别与预设值比较,将小于预设值的条件熵对应的条件特征作为关键条件。
由前面的计算结果可知,用户群体是否购买开心果的信息量为0.9887,引入价格E或好评率F后都将会下降到0.7345,引入品牌K将下降到0.8506,而引入包装G则只下降到0.9710。信息量是描述特征的不确定性的,值越大表示这个事件越不确定,因此,将价格E和好评率F作为关键条件,会使这种不确定性降低,有利于做决定,进而能够提高属于这一用户群体的用户对开心果的购买率。
在一优选的实施例中,在通过步骤S201-步骤S206找出关键条件之后,以及在对搜索结果进行排序之前,可以计算该关键条件的每个特征对象购买开心果的信息熵,之后比较计算出的信息熵的大小,以得出最能影响用户群体购买开心果的条件。下面以价格E为例对其具体过程进行详细说明:
价格E的特征对象包括低价格e1、中价格e2和高价格e3。由表1可知,在低价格e1下用户群体购买开心果的概率为4/7,在中价格e2下用户群体购买开心果的概率为3/7,在高价格e3下用户群体购买开心果的概率为0。那么,低价格e1的信息熵为-4/7×log2(4/7)≈0.4613;中价格e2的信息熵为-3/7×log2(3/7)≈0.5239;而由于高价格e3下购买开心果事件发生的概率为0,它的信息量是正无穷大的,因此没有计算意义,无需进行比较。此时低价格e1的信息熵最小,则可得出低价格为最能影响用户群体购买开心果的条件。
在另一优选的实施例中,也可以用特征选择法从多个条件特征中筛选出关键条件。下面对该方式涉及到的术语进行解释。
特征选择是指从已有的M个特征中,选择N个特征使得系统的特定指标最优化。特征选择法必须确定以下4个要素:搜索起点和方向、搜索策略、特征评估函数和停止准则。
搜索起点和方向:搜索起点是算法开始搜索的状态点,搜索方向是指评价的特征子集产生的次序。搜索起点和搜索方向是相关的,它们共同决定搜索策略。搜索方向包括前向搜索、后向搜索、双向搜索和随机搜索,前向搜索的搜索起点是空集,后向搜索的搜索起点是全集,双向搜索同时从前后两个方向开始搜索,随机搜索从任意的起点开始。
搜索策略:假设原始特征集中有n个特征(也称输入特征),那么存在2n-1个可能的非空特征子集。搜索策略就是为了从包含2n-1个候选解的搜索空间中寻找最优特征子集而采取的搜索方法。常见的搜索策略有完全搜索、启发式搜索和随机搜索。
特征评估函数:是特征选择的依据,可以分为Filter(过滤)方法和Wrapper(封装)方法。Filter方法与后续学习算法无关,一般直接利用所有训练数据的统计性能评估特征,速度快,但评估与后续学习算法的性能偏差较大。Wrapper方法利用后续学习算法的训练准确率评估特征,偏差小,计算量大,不适合大数据集。
停止准则:用于决定什么时候停止搜索,即结束算法的执行。它与特征评估函数、搜索策略以及具体应用需求均有关联。该停止准则比如可以是执行时间、算法运算次数以及为算法的目标值设置阈值。
图4是根据本发明另一实施例的筛选条件特征的主要流程示意图。如图4所示,步骤S206的具体实现可以是:
步骤S401:确定所有条件特征的特征对象的搜索起点、搜索方向、搜索策略、特征评估函数和停止准则。其中,所述搜索起点可以为空集,对应的搜索方向为前向搜索,所述搜索策略比如可以是完全搜索、启发式搜索和随机搜索,所述特征评估函数可以是Filter方法或者Wrapper方法,所述停止准则可以是算法的目标值设置的阈值。
步骤S402:根据所述搜索起点、搜索方向和搜索策略,从多个所述条件特征中筛选出至少一个条件特征。假设选择的搜索策略为随机搜索,则在计算过程中把特征选择问题与禁忌搜索算法、模拟退火算法和遗传算法等,或与随机重采样过程结合起来,以概率推理和随机采样作为算法基础,基于对分类有效性的评估,在计算过程中对每个条件特征赋予一定的权重,然后根据自适应的阈值或者用户自定义的阈值来对条件特征的重要性进行评估,选择大于阈值的条件特征。
步骤S403:通过所述特征评估函数衡量筛选出的所述条件特征,或者筛选出的所述条件特征中每个特征对象的性能。假设步骤S402中筛选出的条件特征为价格、好评率和品牌,则可通过特征评估函数分别评价价格、好评率和品牌这三个条件特征的好坏。
步骤S404:判断所述性能是否满足所述停止准则,如果满足所述停止准则,则将筛选出的所述条件特征作为关键条件;否则,排除所述条件特征。如果步骤S403的特征评估函数为Filter方法,该方法会对筛选出的每个条件特征进行评分,判断筛选出的每个条件特征的评分是否超过设定的阈值,将超过该阈值的条件特征作为关键条件。
本发明实施例的信息展示方法,还可用于吃喝玩乐的推荐,比如,假设用户在应用程序的搜索框输入滑雪,获取用户定位如北京,分析用户所归属用户群体的历史行为数据,所述历史行为数据中的条件特征比如可以是距离、价格、好评率、优惠政策和规模,随机特征可以为是否选择该商家或者店铺,后续则可按照本发明实施例的信息展示方法从上述五个条件特征中筛选出关键条件,按照该关键条件对搜索结果进行排序展示。
通过本发明实施例的信息展示方法可以看出,通过根据用户输入的关键字,获取用户所归属用户群体的、与所述关键字对应的关键条件,将该关键条件作为排序依据,以对搜索结果进行排序展示,节省了用户的时间,提高了用户体验;通过用户的标签获取用户所归属的用户群体,方便快捷、准确性高;通过信息熵和条件熵的方式,从多个条件特征中筛选出影响用户群体具体行为的关键条件,降低了用户行为的不确定性,帮助用户做决定;采用特征选择法,从多个条件特征中筛选出影响用户群体具体行为的关键条件,将搜索结果按照该关键条件排序展示,对用户的具体行为起到帮助作用。
图5是根据本发明实施例的信息展示装置的主要模块的示意图。如图5所示,本发明实施例的信息展示装置500,主要包括:
确定模块501,用于根据接收的用户信息,确定用户所归属的用户群体。用户通过客户端向服务器发送身份认证请求,所述身份认证请求中包括用户名、密码等用户信息,根据用户名获取所述用户的所有标签;将其他用户的所有标签分别与所述用户的所有标签进行比较,以得到相同标签的数量;将相同标签的数量超过预设数量的所有其他用户作为所述用户群体。其中,所述其他用户为已在客户端注册的、除当前用户外的所有用户。
获取模块502,用于根据用户输入的关键字,获取所述用户群体的与所述关键字对应的关键条件;其中,所述关键条件是从所述用户群体的与所述关键字对应的历史行为数据的条件特征中筛选出来的。其中,所述用户群体是指具有相似行为及偏好的用户集合,所述关键条件用于后续对搜索结果的排序提供排序依据。所述关键条件的筛选过程为:首先获取所述用户群体的与所述关键字对应的历史行为数据;之后从所述历史行为数据的条件特征中筛选出至少一个条件特征,将筛选出的条件特征作为所述关键条件。
展示模块503,用于将所述关键条件作为排序依据,以对所述关键字对应的搜索结果进行排序展示。通过确定模块501和获取模块502的处理,找出了用户所归属的用户群体,以及影响该用户群体的具体行为(比如购买某物品)的关键条件,将搜索结果按该关键条件进行排序展示,既节约了用户的时间,也提高了用户体验。
另外,本发明实施例的信息展示装置500还可以包括:筛选模块(图5中未示出)。其中,所述筛选模块用于:获取所述用户群体的与所述关键字对应的历史行为数据;以及从所述历史行为数据的条件特征中筛选出至少一个条件特征,将筛选出的条件特征作为所述关键条件。
从以上描述可以看出,通过根据用户输入的关键字,获取用户所归属用户群体的、与所述关键字对应的关键条件,将该关键条件作为排序依据,以对搜索结果进行排序展示,节省了用户的时间,提高了用户体验;通过用户的标签获取用户所归属的用户群体,方便快捷、准确性高;通过信息熵和条件熵的方式,从多个条件特征中筛选出影响用户群体具体行为的关键条件,降低了用户行为的不确定性,帮助用户做决定;采用特征选择法,从多个条件特征中筛选出影响用户群体具体行为的关键条件,将搜索结果按照该关键条件排序展示,对用户的具体行为起到帮助作用。
图6示出了可以应用本发明实施例的信息展示方法或信息展示装置的示例性系统架构600。
如图6所示,系统架构600可以包括终端设备601、602、603,网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备601、602、603通过网络604与服务器605交互,以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器,例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息)反馈给终端设备。
需要说明的是,本申请实施例所提供的信息展示方法一般由服务器605执行,相应地,信息展示装置一般设置于服务器605中。
应该理解,图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
根据本发明的实施例,本发明还提供了一种电子设备和一种计算机可读介质。
本发明的电子设备包括: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本发明实施例的一种信息展示方法。
本发明的计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例的一种信息展示方法。
下面参考图7,其示出了适用于来实现本发明实施例的电子设备的计算机系统700的结构示意图。图7示出的电子设备仅仅是一个示例,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7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有计算机系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本发明公开的实施例,上文主要步骤图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行主要步骤图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的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或者是上述两者的任意组合。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可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本发明中,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。而在本发明中,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。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个单元、程序段、或代码的一部分,上述单元、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括确定模块、获取模块和展示模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,确定模块还可以被描述为“根据接收的用户信息,确定用户所归属的用户群体的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:根据接收的用户信息,确定用户所归属的用户群体;根据用户输入的关键字,获取所述用户群体的与所述关键字对应的关键条件;其中,所述关键条件是从所述用户群体的与所述关键字对应的历史行为数据的条件特征中筛选出来的;将所述关键条件作为排序依据,以对所述关键字对应的搜索结果进行排序展示。
从以上描述可以看出,通过根据用户输入的关键字,获取用户所归属用户群体的、与所述关键字对应的关键条件,将该关键条件作为排序依据,以对搜索结果进行排序展示,节省了用户的时间,提高了用户体验;通过用户的标签获取用户所归属的用户群体,方便快捷、准确性高;通过信息熵和条件熵的方式,从多个条件特征中筛选出影响用户群体具体行为的关键条件,降低了用户行为的不确定性,帮助用户做决定;采用特征选择法,从多个条件特征中筛选出影响用户群体具体行为的关键条件,将搜索结果按照该关键条件排序展示,对用户的具体行为起到帮助作用。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (16)
1.一种信息展示方法,其特征在于,包括:
根据接收的用户信息,确定用户所归属的用户群体;
根据用户输入的关键字,获取所述用户群体的与所述关键字对应的关键条件;其中,所述关键条件是从所述用户群体的与所述关键字对应的历史行为数据的条件特征中筛选出来的;
将所述关键条件作为排序依据,以对所述关键字对应的搜索结果进行排序展示。
2.根据权利要求1所述的方法,其特征在于,所述根据接收的用户信息,确定用户所归属的用户群体,包括:
根据接收的用户信息,获取所述用户的所有标签;其中,所述标签为所述用户的用户画像中的标签或者所述用户自定义的标签;
将其他用户的所有标签分别与所述用户的所有标签进行比较,以得到相同标签的数量;
将相同标签的数量超过预设数量的所有其他用户作为所述用户群体。
3.根据权利要求1或2所述的方法,其特征在于,所述获取所述用户群体的与所述关键字对应的关键条件的步骤之前,还包括:
获取所述用户群体的与所述关键字对应的历史行为数据;
从所述历史行为数据的条件特征中筛选出至少一个条件特征,将筛选出的条件特征作为所述关键条件。
4.根据权利要求3所述的方法,其特征在于,所述从所述历史行为数据的条件特征中筛选出至少一个条件特征,包括:
分别计算在所述历史行为数据的每个条件特征下的条件熵;
根据所述条件熵,从所述条件特征中筛选出至少一个条件特征。
5.根据权利要求4所述的方法,其特征在于,所述历史行为数据包括多个所述条件特征、一个随机特征和每个特征的特征值;
所述分别计算在所述历史行为数据的每个条件特征下的条件熵,包括:
根据预先设定的转换规则,将所述历史行为数据的所有条件特征的特征值分别转换为对应的特征对象;
分别计算在每个所述特征对象下,所述随机特征的特征值为预设特征值的概率;
根据所述概率和信息熵公式,分别计算每个所述特征对象的信息熵;
根据所述信息熵和条件熵公式,分别计算在每个所述条件特征下的条件熵。
6.根据权利要求4所述的方法,其特征在于,所述根据所述条件熵,从所述条件特征中筛选出至少一个条件特征,包括:对所有的所述条件熵进行大小比较,以筛选出最小的所述条件熵对应的条件特征。
7.根据权利要求3所述的方法,其特征在于,所述从所述历史行为数据的条件特征中筛选出至少一个条件特征,将筛选出的所述条件特征作为所述关键条件,包括:
根据预先设定的转换规则,将所述历史行为数据的所有条件特征的特征值分别转换为对应的特征对象;
确定所有所述条件特征的特征对象的搜索起点、搜索方向、搜索策略、特征评估函数和停止准则;
根据所述搜索起点、搜索方向和搜索策略,从所述条件特征中筛选出至少一个所述条件特征;
通过所述特征评估函数衡量筛选出的所述条件特征的性能,以将满足所述停止准则的对应条件特征作为所述关键条件。
8.一种信息展示装置,其特征在于,包括:
确定模块,用于根据接收的用户信息,确定用户所归属的用户群体;
获取模块,用于根据用户输入的关键字,获取所述用户群体的与所述关键字对应的关键条件;其中,所述关键条件是从所述用户群体的与所述关键字对应的历史行为数据的条件特征中筛选出来的;
展示模块,用于将所述关键条件作为排序依据,以对所述关键字对应的搜索结果进行排序展示。
9.根据权利要求8所述的装置,其特征在于,所述确定模块,还用于:
根据接收的用户信息,获取所述用户的所有标签;其中,所述标签为所述用户的用户画像中的标签或者所述用户自定义的标签;
将其他用户的所有标签分别与所述用户的所有标签进行比较,以得到相同标签的数量;
将相同标签的数量超过预设数量的所有其他用户作为所述用户群体。
10.根据权利要求8或9所述的装置,其特征在于,所述装置还包括:筛选模块,用于
获取所述用户群体的与所述关键字对应的历史行为数据;以及
从所述历史行为数据的条件特征中筛选出至少一个条件特征,将筛选出的条件特征作为所述关键条件。
11.根据权利要求10所述的装置,其特征在于,所述筛选模块,还用于:
分别计算在所述历史行为数据的每个条件特征下的条件熵;以及
根据所述条件熵,从所述条件特征中筛选出至少一个条件特征。
12.根据权利要求11所述的装置,其特征在于,所述历史行为数据包括多个所述条件特征、一个随机特征和每个特征的特征值;
所述筛选模块,还用于:
根据预先设定的转换规则,将所述历史行为数据的所有条件特征的特征值分别转换为对应的特征对象;
分别计算在每个所述特征对象下,所述随机特征的特征值为预设特征值的概率;
根据所述概率和信息熵公式,分别计算每个所述特征对象的信息熵;以及
根据所述信息熵和条件熵公式,分别计算在每个所述条件特征下的条件熵。
13.根据权利要求11所述的装置,其特征在于,所述筛选模块,还用于:对所有的所述条件熵进行大小比较,以筛选出最小的所述条件熵对应的条件特征。
14.根据权利要求10所述的装置,其特征在于,所述筛选模块,还用于:
根据预先设定的转换规则,将所述历史行为数据的所有条件特征的特征值分别转换为对应的特征对象;
确定所有所述条件特征的特征对象的搜索起点、搜索方向、搜索策略、特征评估函数和停止准则;
根据所述搜索起点、搜索方向和搜索策略,从所述条件特征中筛选出至少一个所述条件特征;以及
通过所述特征评估函数衡量筛选出的所述条件特征的性能,以将满足所述停止准则的对应条件特征作为所述关键条件。
15.一种电子设备,其特征在于,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1-7中任一所述的方法。
16.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810397169.3A CN110427546A (zh) | 2018-04-28 | 2018-04-28 | 一种信息展示方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810397169.3A CN110427546A (zh) | 2018-04-28 | 2018-04-28 | 一种信息展示方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110427546A true CN110427546A (zh) | 2019-11-08 |
Family
ID=68408313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810397169.3A Pending CN110427546A (zh) | 2018-04-28 | 2018-04-28 | 一种信息展示方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110427546A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110928893A (zh) * | 2019-11-18 | 2020-03-27 | 中国建设银行股份有限公司 | 一种标签查询方法、装置、设备和存储介质 |
CN112966172A (zh) * | 2019-12-12 | 2021-06-15 | 北京沃东天骏信息技术有限公司 | 搜索方法和搜索装置 |
CN113763010A (zh) * | 2020-11-19 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种信息推送的方法和装置 |
CN113781062A (zh) * | 2020-08-03 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 一种用户标签的展示方法和装置 |
CN116521975A (zh) * | 2022-01-20 | 2023-08-01 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、计算机设备、可读存储介质和产品 |
CN117251691A (zh) * | 2023-08-04 | 2023-12-19 | 华能信息技术有限公司 | 一种可疑样本分析处理方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103854206A (zh) * | 2014-03-06 | 2014-06-11 | 北京品友互动信息技术有限公司 | 一种分析人群特征的方法和设备 |
US20160306887A1 (en) * | 2013-12-03 | 2016-10-20 | Beijing Qihoo Technology Company Limited | Methods, apparatuses and systems for linked and personalized extended search |
CN106886948A (zh) * | 2017-03-09 | 2017-06-23 | 深圳市华第时代科技有限公司 | 社交用户分类方法及客户端 |
CN107103093A (zh) * | 2017-05-16 | 2017-08-29 | 武汉大学 | 一种基于用户行为和情感分析的短文本推荐方法及装置 |
CN107526807A (zh) * | 2017-08-22 | 2017-12-29 | 中国联合网络通信集团有限公司 | 信息推荐方法及装置 |
CN107561997A (zh) * | 2017-08-22 | 2018-01-09 | 电子科技大学 | 一种基于大数据决策树的电力设备状态监测方法 |
CN107767070A (zh) * | 2017-11-06 | 2018-03-06 | 泰康保险集团股份有限公司 | 用于信息推广的方法及装置 |
-
2018
- 2018-04-28 CN CN201810397169.3A patent/CN110427546A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160306887A1 (en) * | 2013-12-03 | 2016-10-20 | Beijing Qihoo Technology Company Limited | Methods, apparatuses and systems for linked and personalized extended search |
CN103854206A (zh) * | 2014-03-06 | 2014-06-11 | 北京品友互动信息技术有限公司 | 一种分析人群特征的方法和设备 |
CN106886948A (zh) * | 2017-03-09 | 2017-06-23 | 深圳市华第时代科技有限公司 | 社交用户分类方法及客户端 |
CN107103093A (zh) * | 2017-05-16 | 2017-08-29 | 武汉大学 | 一种基于用户行为和情感分析的短文本推荐方法及装置 |
CN107526807A (zh) * | 2017-08-22 | 2017-12-29 | 中国联合网络通信集团有限公司 | 信息推荐方法及装置 |
CN107561997A (zh) * | 2017-08-22 | 2018-01-09 | 电子科技大学 | 一种基于大数据决策树的电力设备状态监测方法 |
CN107767070A (zh) * | 2017-11-06 | 2018-03-06 | 泰康保险集团股份有限公司 | 用于信息推广的方法及装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110928893A (zh) * | 2019-11-18 | 2020-03-27 | 中国建设银行股份有限公司 | 一种标签查询方法、装置、设备和存储介质 |
CN110928893B (zh) * | 2019-11-18 | 2022-10-21 | 中国建设银行股份有限公司 | 一种标签查询方法、装置、设备和存储介质 |
CN112966172A (zh) * | 2019-12-12 | 2021-06-15 | 北京沃东天骏信息技术有限公司 | 搜索方法和搜索装置 |
CN113781062A (zh) * | 2020-08-03 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 一种用户标签的展示方法和装置 |
CN113763010A (zh) * | 2020-11-19 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种信息推送的方法和装置 |
CN116521975A (zh) * | 2022-01-20 | 2023-08-01 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、计算机设备、可读存储介质和产品 |
CN117251691A (zh) * | 2023-08-04 | 2023-12-19 | 华能信息技术有限公司 | 一种可疑样本分析处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427546A (zh) | 一种信息展示方法和装置 | |
CN110162767A (zh) | 文本纠错的方法和装置 | |
WO2018040069A1 (zh) | 信息推荐系统及方法 | |
CN107105031A (zh) | 信息推送方法和装置 | |
CN103064880B (zh) | 一种基于搜索信息向用户提供网站选择的方法、装置和系统 | |
CN110909222A (zh) | 基于聚类的用户画像建立方法、装置、介质及电子设备 | |
CN108764319A (zh) | 一种样本分类方法和装置 | |
CN106294676B (zh) | 一种电子商务政务系统的数据检索方法 | |
CN109977316A (zh) | 一种并行式文章推荐方法、装置、设备及存储介质 | |
CN114416900A (zh) | 一种轨迹停留点分析的方法和装置 | |
CN107977678A (zh) | 用于输出信息的方法和装置 | |
CN110097302A (zh) | 分配订单的方法和装置 | |
CN110309293A (zh) | 文本推荐方法和装置 | |
JP2022126678A (ja) | 画像を検索するための方法、装置、システム、電子デバイス、コンピュータ可読記憶媒体及びコンピュータプログラム | |
CN112783468A (zh) | 目标对象的排序方法和排序装置 | |
CN110335061A (zh) | 交易模式画像建立方法、装置、介质及电子设备 | |
CN116188120B (zh) | 一种有声书的推荐方法、装置、系统及存储介质 | |
CN104077288A (zh) | 网页内容推荐方法和网页内容推荐设备 | |
CN109033241A (zh) | 新闻推荐方法、装置及电子设备 | |
CN107910044A (zh) | 对象推送方法及系统 | |
CN116881432A (zh) | 文本推送方法、装置、电子设备和存储介质 | |
CN116957128A (zh) | 业务指标预测方法、装置、设备和存储介质 | |
CN110766431A (zh) | 判断用户对优惠券是否敏感的方法和装置 | |
CN110019808A (zh) | 一种预测信息属性的方法和装置 | |
Jee et al. | Potential of patent image data as technology intelligence source |
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 |