CN110457596A - 一种资源推荐处理方法及装置 - Google Patents
一种资源推荐处理方法及装置 Download PDFInfo
- Publication number
- CN110457596A CN110457596A CN201910709156.XA CN201910709156A CN110457596A CN 110457596 A CN110457596 A CN 110457596A CN 201910709156 A CN201910709156 A CN 201910709156A CN 110457596 A CN110457596 A CN 110457596A
- Authority
- CN
- China
- Prior art keywords
- entity
- target
- target entity
- resource
- information
- 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
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
- G06F16/9536—Search customisation based on social or collaborative filtering
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种资源推荐处理方法及装置,其中,该方法包括:接收用于获取资源的目标实体,并获取所述目标实体的描述信息;获取所述目标实体的分类信息,其中,所述分类信息为包含所述目标实体的一个或多个类别信息,每个所述类别信息包含多个关联实体;根据所述目标实体、所述目标实体的描述信息以及所述分类信息确定所述目标实体的目标实体向量;根据所述目标实体向量匹配对应的目标资源;推荐并显示所述目标资源,因此,可以解决相关技术中过多关注用户信息而忽略实体本身特性的推荐算法导致推荐内容不够准确和全面的问题,保留用户特性的同时,引入实体本身的信息,从而能够更好的为用户进行个性化推荐。
Description
技术领域
本发明涉及信息处理领域,具体而言,涉及一种资源推荐处理方法及装置。
背景技术
目前常用的推荐算法主要包括三类:基于内容的推荐算法、基于协同过滤的推荐算法、基于知识的推荐算法。基于内容的推荐系统是根据用户的浏览记录,推荐与用户浏览记录相似的产品,但是该方法不能够很好的引入与用户记录无关但是用户可能感兴趣的新产品;协同过滤算法是根据多个用户的浏览习惯,对用户进行画像,通过分析用户习惯,根据有类似用户习惯的其他用户的浏览记录进行推荐。该方法可以给用户引入新的产品信息,但是需要先导知识对用户进行画像。基于知识的推荐系统可以认为是基于内容的推荐系统的改变,与基于内容的推荐系统不同的是知识系统是将同类型的知识建立知识库,根据认为设定的知识库进行推荐。
近些年自然语言处理(Natural Language Processing,简称为NLP)技术取得了突飞猛进的发展,NLP技术应用于各个领域,尤其是word2vec技术。Word2vec技术已经不局限于NLP领域了,有很多的研究者,将该技术应用于其他领域,例如社交网络的大V推荐、商品相似度计算、文档的分类与检索等等。
相关技术的推荐算法中,应用较多的推荐算法是协同过滤算法,通常的做法是根据用户的习惯进行用户画像,通过获取与当前用户有着相似画像的用户的数据,来为当前用户进行推荐。该推荐算法过多的关注用户信息,而忽略了电影本身的信息特性。
针对相关技术中过多关注用户信息而忽略实体本身特性的推荐算法导致推荐内容不够准确和全面的问题,尚未提出解决方案。
发明内容
本发明实施例提供了一种资源推荐处理方法及装置,以至少解决相关技术中过多关注用户信息而忽略实体本身特性的推荐算法导致推荐内容不够准确和全面的问题。
根据本发明的一个实施例,提供了一种资源推荐处理方法,包括:
接收用于获取资源的目标实体,并获取所述目标实体的描述信息;
获取所述目标实体的分类信息,其中,所述分类信息为包含所述目标实体的一个或多个类别信息,每个所述类别信息包含多个关联实体;
根据所述目标实体、所述目标实体的描述信息以及所述分类信息确定所述目标实体的目标实体向量;
根据所述目标实体向量匹配对应的目标资源;
推荐并显示所述目标资源。
可选的,获取所述目标实体的描述信息包括:
选取所述目标实体的一个或多个属性;
将所述一个或多个属性确定为所述目标实体的描述信息。
可选的,根据所述目标实体、所述目标实体的描述信息以及所述分类信息确定所述目标实体的目标实体向量包括:
将所述目标实体、所述目标实体的描述信息以及所述分类信息输入预先训练好的目标神经网络模型,得到所述目标神经网络模型输出的所述目标实体对应每种实体向量的概率,其中,所述概率大于预定阈值的实体向量确定为所述目标实体向量。
可选的,在根据所述目标实体、所述目标实体的描述信息以及所述分类信息确定所述目标实体的目标实体向量之前,所述方法还包括:
获取预定数量的实体、所述实体的描述信息、所述实体的分类信息以及所述实体对应的实体向量;
使用所述预定数量的实体、所述实体的描述信息、所述实体的分类信息以及所述实体对应的实体向量对原始神经网络模型进行训练,得到所述目标神经网络模型,其中,所述预定数量的实体、所述实体的描述信息、所述实体的分类信息为所述原始神经网络模型的输入,训练好的所述目标神经网络模型输出的所述目标实体的目标实体向量与所述目标实体实际对应的实体向量满足预定目标函数。
可选的,根据所述目标实体向量匹配对应的目标资源包括:
根据数据库中预先保存的实体向量与资源的对应关系获取与所述目标实体向量的相似度值大于预定阈值的实体向量对应的一个或多个资源;
将所述一个或多个资源确定为所述目标资源。
可选的,将所述一个或多个资源确定为所述目标资源包括:
在多个资源的数量大于预定数量的情况下,按照相似度值的大小选取所述预定数量的资源;
将所述预定数量的资源确定为所述目标资源。
可选的,推荐并显示所述目标资源包括:
按照所述相似度值的大小排列推荐并显示所述目标资源;
在所述目标资源对应的预定位置显示所述目标资源对应的相似度值。
根据本发明的另一个实施例,还提供了一种资源推荐处理装置,包括:
接收模块,用于接收用于获取资源的目标实体,并获取所述目标实体的描述信息;
第一获取模块,用于获取所述目标实体的分类信息,其中,所述分类信息为包含所述目标实体的一个或多个类别信息,每个所述类别信息包含多个关联实体;
确定模块,用于根据所述目标实体、所述目标实体的描述信息以及所述分类信息确定所述目标实体的目标实体向量;
匹配模块,用于根据所述目标实体向量匹配对应的目标资源;
显示模块,用于推荐并显示所述目标资源。
可选的,所述第一获取模块包括:
选取单元,用于选取所述目标实体的一个或多个属性;
第一确定单元,用于将所述一个或多个属性确定为所述目标实体的描述信息。
可选的,所述确定模块,还用于
将所述目标实体、所述目标实体的描述信息以及所述分类信息输入预先训练好的目标神经网络模型,得到所述目标神经网络模型输出的所述目标实体对应每种实体向量的概率,其中,所述概率大于预定阈值的实体向量确定为所述目标实体向量。
可选的,所述装置还包括:
第二获取模块,用于获取预定数量的实体、所述实体的描述信息、所述实体的分类信息以及所述实体对应的实体向量;
训练模块,用于使用所述预定数量的实体、所述实体的描述信息、所述实体的分类信息以及所述实体对应的实体向量对原始神经网络模型进行训练,得到所述目标神经网络模型,其中,所述预定数量的实体、所述实体的描述信息、所述实体的分类信息为所述原始神经网络模型的输入,训练好的所述目标神经网络模型输出的所述目标实体的目标实体向量与所述目标实体实际对应的实体向量满足预定目标函数。
可选的,所述匹配模块包括:
获取单元,用于根据数据库中预先保存的实体向量与资源的对应关系获取与所述目标实体向量的相似度值大于预定阈值的实体向量对应的一个或多个资源;
第二确定单元,用于将所述一个或多个资源确定为所述目标资源。
可选的,所述第二确定单元,还用于
在多个资源的数量大于预定数量的情况下,按照相似度值的大小选取所述预定数量的资源;
将所述预定数量的资源确定为所述目标资源。
可选的,所述显示模块包括:
第一显示单元,用于按照所述相似度值的大小排列推荐并显示所述目标资源;
第二显示单元,用于在所述目标资源对应的预定位置显示所述目标资源对应的相似度值。
根据本发明的又一个实施例,还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,接收用于获取资源的目标实体,并获取所述目标实体的描述信息;获取所述目标实体的分类信息,其中,所述分类信息为包含所述目标实体的一个或多个类别信息,每个所述类别信息包含多个关联实体;根据所述目标实体、所述目标实体的描述信息以及所述分类信息确定所述目标实体的目标实体向量;根据所述目标实体向量匹配对应的目标资源;推荐并显示所述目标资源,因此,可以解决相关技术中过多关注用户信息而忽略实体本身特性的推荐算法导致推荐内容不够准确和全面的问题,保留用户特性的同时,引入实体本身的信息,从而能够更好的为用户进行个性化推荐。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的一种资源推荐处理方法的移动终端的硬件结构框图;
图2是根据本发明实施例的资源推荐处理方法的流程图;
图3是根据本发明实施例的单个电影的作为一个类别的示意图;
图4是根据本发明实施例的多类别的训练数据的示意图;
图5是根据本发明实施例的资源推荐显示的示意图;
图6是根据本发明实施例的资源推荐处理装置的框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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。
实施例1
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的一种资源推荐处理方法的移动终端的硬件结构框图,如图1所示,移动终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的报文接收方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
基于上述的移动终端,本实施例提供了一种资源推荐处理方法,图2是根据本发明实施例的资源推荐处理方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,接收用于获取资源的目标实体,并获取所述目标实体的描述信息;
本发明实施例中的资源可以是媒体资源等,媒体资源具体可以是电影、电视剧、音乐等。
步骤S204,获取所述目标实体的分类信息,其中,所述分类信息为包含所述目标实体的一个或多个类别信息,每个所述类别信息包含多个关联实体;
上述的关联实体与所述目标实体可以通过所述目标实体的描述信息、属性和/或类别相关联。
步骤S206,根据所述目标实体、所述目标实体的描述信息以及所述分类信息确定所述目标实体的目标实体向量;
步骤S208,根据所述目标实体向量匹配对应的目标资源;
步骤S210,推荐并显示所述目标资源。
实体及实体的描述信息为了使得训练后的实体向量包含自身的信息;分类信息是应用协同过滤的思想,将具有相同兴趣的群体中包含的实体,有着更高的相似性。通过类别信息,使得当前实体跟具有相似描述的类别中的实体建立一定的联系,在推荐的时候,会优先推荐这些实体。
通过上述步骤S202至S210,接收用于获取资源的目标实体,并获取所述目标实体的描述信息;获取所述目标实体的分类信息,其中,所述分类信息为包含所述目标实体的一个或多个类别信息,每个所述类别信息包含多个关联实体;根据所述目标实体、所述目标实体的描述信息以及所述分类信息确定所述目标实体的目标实体向量;根据所述目标实体向量匹配对应的目标资源;推荐并显示所述目标资源,因此,可以解决相关技术中过多关注用户信息而忽略实体本身特性的推荐算法导致推荐内容不够准确和全面的问题,保留用户特性的同时,引入实体本身的信息,从而能够更好的为用户进行个性化推荐。
本发明实施例中,上述步骤S204具体可以包括:根据目标实体的特性,选取所述目标实体的一个或多个属性,将所述一个或多个属性确定为所述目标实体的描述信息。
可选的,上述步骤S206具体可以包括:
将所述目标实体、所述目标实体的描述信息以及所述分类信息输入预先训练好的目标神经网络模型,得到所述目标神经网络模型输出的所述目标实体对应每种实体向量的概率,其中,所述概率大于预定阈值的实体向量确定为所述目标实体向量。可以通过Skip-Gram对结合实体属性向量进行训练,训练完成的实体就包含了实体的一些属性信息。
本发明实施例,还需要预先训练好目标神经网络模型,具体的,获取预定数量的实体、所述实体的描述信息、所述实体的分类信息以及所述实体对应的实体向量;使用所述预定数量的实体、所述实体的描述信息、所述实体的分类信息以及所述实体对应的实体向量对原始神经网络模型进行训练,得到所述目标神经网络模型,其中,所述预定数量的实体、所述实体的描述信息、所述实体的分类信息为所述原始神经网络模型的输入,训练好的所述目标神经网络模型输出的所述目标实体的目标实体向量与所述目标实体实际对应的实体向量满足预定目标函数。
本发明实施例中,上述步骤S208具体可以包括:根据数据库中预先保存的实体向量与资源的对应关系获取与所述目标实体向量的相似度值大于预定阈值的实体向量对应的一个或多个资源;将所述一个或多个资源确定为所述目标资源。即可以向银行推荐一个或多个资源。
进一步地,将所述一个或多个资源确定为所述目标资源可以包括:
在多个资源的数量大于预定数量的情况下,按照相似度值的大小选取所述预定数量的资源;
将所述预定数量的资源确定为所述目标资源。
对应的,上述步骤S210具体可以包括:
按照所述相似度值的大小排列推荐并显示所述目标资源;
在所述目标资源对应的预定位置显示所述目标资源对应的相似度值。
本发明实施例将NLP技术和协同过滤算法相结合,提出实体向量生成算法,用于推荐系统,不仅保留了协同过滤思想中的用户特性,也引入了实体本身的信息,从而能够更好的为用户进行个性化推荐。
该算法的核心思想在于实体向量的生成算法。该发明中,实体是以词向量的形式呈现的,然后通过计算实体向量的余弦相似度,选出数据库中与当前检索实体相似度最接近的实体,推荐给用户。
实体向量训练算法是根据当前实体的特性,选取实体的一些属性,作为实体的描述信息,实体和这些描述信息组成一组训练数据,通过Skip-Gram对结合实体属性向量进行训练。训练完成的实体就包含了实体的一些属性信息。例如,衣服实体可以包含它的颜色、类型等信息;文章实体可以包含作者、类型、篇幅等信息;电影实体可以包含主演、导演等信息。
此外,还可以对每一个实体进行多类别划分,例如衣服的童装类、女装类、职装类等。不同类别中可能包含相同实体,例如,职装类中可以包含女装类中的部分服装。类别的划分借鉴了协同过滤的思想:每一类的实体相当于一个用户的画像,通过各个类别之间的相同实体或相似实体,使得不同类别建立联系,从而推荐出跟符合用户行为习惯的新的实体。
下面以资源为电影,即实体为电源实体作为例子,进行详细说明。
选取了每一部电影名称、导演、主演、标签,以及电影简介的关键词作为一类数据进行训练。在电影简介的关键词提取中,该专利使用的是TextRank算法,从大段的电影简介中,抽取对电影内容描述的5个核心词,用于电影实体向量的生成。
图3是根据本发明实施例的单个电影的作为一个类别的示意图,如图3所示,电影实体向量生成采用的是Word2Vec方法中的Skip-Gram算法,选取window大小为5,这样做的目的是为了增加电影的实体向量与电影的信息维度的联系,通过每个词前后的5个词对其进行调整,使得该词跟前后的词产生关联。由于想要使得电影标签和其他每一维的描述信息均等的建立联系,所以把上述信息进行打乱,然后再经过多轮迭代以后,电影实体向量就融合了电影的导演、主演、标签和简介信息等信息。
上述的实体向量生成方法中,词向量很大程度的融合了电影自身的维度信息,但是和其他电影之间的联系较弱。为了解决这个问题,该发明运用了协同过滤的算法思想,按照电影的分类建立新的训练维度,把相同类型的电影作为一个类别,每一个类别看作是一个单独的用户,类别中出现的电影作为该用户(类别)的画像。把所有的分类信息与之前的电影信息训练数据一起进行训练,经过多轮迭代以后,可以把多个类型列表中的不同电影建立联系。
图4是根据本发明实施例的多类别的训练数据的示意图,如图4所示,通过引入协同过滤算法思想,在电影检索的时候,可以使得同一列表中的不同电影产生一定的联系,同时,同一电影出现在了不同类别列表中,经过训练,也可以使得不同类别中的电影之间建立一定的联系。
本发明实施例提供一种服务于推荐系统的实体向量生成算法,该算法借鉴了已有的NLP技术和推荐方法,不仅使得实体向量包含了多维度的实体信息,而且使得相似实体产生了一定的联系,从而可以做到根据当前实体的多维度的信息相似性和用户的行为相似性对用户进行更有针对性的推荐。
图5是根据本发明实施例的资源推荐显示的示意图,如图5所示,将上述推荐算法应用于电影实体向量推荐系统,从该系统中对《无人区》、《斗牛》、《饭局也疯狂》、《泰囧》、《倩女幽魂1》进行检索,推荐出与该电影相似度Top5的电影。
检索结果可以看出,由于《无人区》、《斗牛》的电影内容和类型比较特殊,同类型电影较少,所以检索结果中相似度最高的结果也只有59%。而《饭局也疯狂》、《泰囧》、《倩女幽魂1》三个电影相对来说类型比较大众,而且有同一系列电影,所以检索结果相似度很高,有的甚至达到了99%。
本发明实施例的实体向量推荐算法在一定程度上能够对推荐系统进行优化,做到更个性化,更有针对性的对用户进行推荐。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
本发明实施例,还提供了一种资源推荐处理装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图6是根据本发明实施例的资源推荐处理装置的框图,如图6所示,包括:
接收模块62,用于接收用于获取资源的目标实体,并获取所述目标实体的描述信息;
第一获取模块64,用于获取所述目标实体的分类信息,其中,所述分类信息为包含所述目标实体的一个或多个类别信息,每个所述类别信息包含多个关联实体;
确定模块66,用于根据所述目标实体、所述目标实体的描述信息以及所述分类信息确定所述目标实体的目标实体向量;
匹配模块68,用于根据所述目标实体向量匹配对应的目标资源;
显示模块610,用于推荐并显示所述目标资源。
可选的,所述第一获取模块64包括:
选取单元,用于选取所述目标实体的一个或多个属性;
第一确定单元,用于将所述一个或多个属性确定为所述目标实体的描述信息。
可选的,所述确定模块66,还用于
将所述目标实体、所述目标实体的描述信息以及所述分类信息输入预先训练好的目标神经网络模型,得到所述目标神经网络模型输出的所述目标实体对应每种实体向量的概率,其中,所述概率大于预定阈值的实体向量确定为所述目标实体向量。
可选的,所述装置还包括:
第二获取模块,用于获取预定数量的实体、所述实体的描述信息、所述实体的分类信息以及所述实体对应的实体向量;
训练模块,用于使用所述预定数量的实体、所述实体的描述信息、所述实体的分类信息以及所述实体对应的实体向量对原始神经网络模型进行训练,得到所述目标神经网络模型,其中,所述预定数量的实体、所述实体的描述信息、所述实体的分类信息为所述原始神经网络模型的输入,训练好的所述目标神经网络模型输出的所述目标实体的目标实体向量与所述目标实体实际对应的实体向量满足预定目标函数。
可选的,所述匹配模块68包括:
获取单元,用于根据数据库中预先保存的实体向量与资源的对应关系获取与所述目标实体向量的相似度值大于预定阈值的实体向量对应的一个或多个资源;
第二确定单元,用于将所述一个或多个资源确定为所述目标资源。
可选的,所述第二确定单元,还用于
在多个资源的数量大于预定数量的情况下,按照相似度值的大小选取所述预定数量的资源;
将所述预定数量的资源确定为所述目标资源。
可选的,所述显示模块610包括:
第一显示单元,用于按照所述相似度值的大小排列推荐并显示所述目标资源;
第二显示单元,用于在所述目标资源对应的预定位置显示所述目标资源对应的相似度值。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
实施例3
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S11,接收用于获取资源的目标实体,并获取所述目标实体的描述信息;
S12,获取所述目标实体的分类信息,其中,所述分类信息为包含所述目标实体的一个或多个类别信息,每个所述类别信息包含多个关联实体;
S13,根据所述目标实体、所述目标实体的描述信息以及所述分类信息确定所述目标实体的目标实体向量;
S14,根据所述目标实体向量匹配对应的目标资源;
S15,推荐并显示所述目标资源。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
实施例4
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S11,接收用于获取资源的目标实体,并获取所述目标实体的描述信息;
S12,获取所述目标实体的分类信息,其中,所述分类信息为包含所述目标实体的一个或多个类别信息,每个所述类别信息包含多个关联实体;
S13,根据所述目标实体、所述目标实体的描述信息以及所述分类信息确定所述目标实体的目标实体向量;
S14,根据所述目标实体向量匹配对应的目标资源;
S15,推荐并显示所述目标资源。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种资源推荐处理方法,其特征在于,包括:
接收用于获取资源的目标实体,并获取所述目标实体的描述信息;
获取所述目标实体的分类信息,其中,所述分类信息为包含所述目标实体的一个或多个类别信息,每个所述类别信息包含多个关联实体;
根据所述目标实体、所述目标实体的描述信息以及所述分类信息确定所述目标实体的目标实体向量;
根据所述目标实体向量匹配对应的目标资源;
推荐并显示所述目标资源。
2.根据权利要求1所述的方法,其特征在于,获取所述目标实体的描述信息包括:
选取所述目标实体的一个或多个属性;
将所述一个或多个属性确定为所述目标实体的描述信息。
3.根据权利要求1所述的方法,其特征在于,根据所述目标实体、所述目标实体的描述信息以及所述分类信息确定所述目标实体的目标实体向量包括:
将所述目标实体、所述目标实体的描述信息以及所述分类信息输入预先训练好的目标神经网络模型,得到所述目标神经网络模型输出的所述目标实体对应每种实体向量的概率,其中,所述概率大于预定阈值的实体向量确定为所述目标实体向量。
4.根据权利要求3所述的方法,其特征在于,在根据所述目标实体、所述目标实体的描述信息以及所述分类信息确定所述目标实体的目标实体向量之前,所述方法还包括:
获取预定数量的实体、所述实体的描述信息、所述实体的分类信息以及所述实体对应的实体向量;
使用所述预定数量的实体、所述实体的描述信息、所述实体的分类信息以及所述实体对应的实体向量对原始神经网络模型进行训练,得到所述目标神经网络模型,其中,所述预定数量的实体、所述实体的描述信息、所述实体的分类信息为所述原始神经网络模型的输入,训练好的所述目标神经网络模型输出的所述目标实体的目标实体向量与所述目标实体实际对应的实体向量满足预定目标函数。
5.根据权利要求1至4中任一项所述的方法,其特征在于,根据所述目标实体向量匹配对应的目标资源包括:
根据数据库中预先保存的实体向量与资源的对应关系获取与所述目标实体向量的相似度值大于预定阈值的实体向量对应的一个或多个资源;
将所述一个或多个资源确定为所述目标资源。
6.根据权利要求5所述的方法,其特征在于,将所述一个或多个资源确定为所述目标资源包括:
在多个资源的数量大于预定数量的情况下,按照相似度值的大小选取所述预定数量的资源;
将所述预定数量的资源确定为所述目标资源。
7.根据权利要求6所述的方法,其特征在于,推荐并显示所述目标资源包括:
按照所述相似度值的大小排列推荐并显示所述目标资源;
在所述目标资源对应的预定位置显示所述目标资源对应的相似度值。
8.一种资源推荐处理装置,其特征在于,包括:
接收模块,用于接收用于获取资源的目标实体,并获取所述目标实体的描述信息;
第一获取模块,用于获取所述目标实体的分类信息,其中,所述分类信息为包含所述目标实体的一个或多个类别信息,每个所述类别信息包含多个关联实体;
确定模块,用于根据所述目标实体、所述目标实体的描述信息以及所述分类信息确定所述目标实体的目标实体向量;
匹配模块,用于根据所述目标实体向量匹配对应的目标资源;
显示模块,用于推荐并显示所述目标资源。
9.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至7中任一项所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910709156.XA CN110457596A (zh) | 2019-08-01 | 2019-08-01 | 一种资源推荐处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910709156.XA CN110457596A (zh) | 2019-08-01 | 2019-08-01 | 一种资源推荐处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110457596A true CN110457596A (zh) | 2019-11-15 |
Family
ID=68484558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910709156.XA Pending CN110457596A (zh) | 2019-08-01 | 2019-08-01 | 一种资源推荐处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110457596A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353688A (zh) * | 2020-02-05 | 2020-06-30 | 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 |
CN111368187A (zh) * | 2020-02-26 | 2020-07-03 | 广东三维家信息科技有限公司 | 家居素材的推荐方法、装置及服务器 |
CN111625713A (zh) * | 2020-04-30 | 2020-09-04 | 平安国际智慧城市科技股份有限公司 | 基于大数据的资源推荐方法、装置、电子设备及介质 |
CN111898006A (zh) * | 2020-07-30 | 2020-11-06 | 拉扎斯网络科技(上海)有限公司 | 一种资源数据处理方法及其装置 |
CN113626704A (zh) * | 2021-08-10 | 2021-11-09 | 平安国际智慧城市科技股份有限公司 | 基于word2vec模型的推荐信息方法、装置及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063188A (zh) * | 2018-08-28 | 2018-12-21 | 国信优易数据有限公司 | 一种实体推荐方法和装置 |
CN109189944A (zh) * | 2018-09-27 | 2019-01-11 | 桂林电子科技大学 | 基于用户正负反馈画像编码的个性化景点推荐方法及系统 |
US20190197051A1 (en) * | 2016-10-10 | 2019-06-27 | The Directv Group, Inc. | Determining recommended media programming from sparse consumption data |
-
2019
- 2019-08-01 CN CN201910709156.XA patent/CN110457596A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190197051A1 (en) * | 2016-10-10 | 2019-06-27 | The Directv Group, Inc. | Determining recommended media programming from sparse consumption data |
CN109063188A (zh) * | 2018-08-28 | 2018-12-21 | 国信优易数据有限公司 | 一种实体推荐方法和装置 |
CN109189944A (zh) * | 2018-09-27 | 2019-01-11 | 桂林电子科技大学 | 基于用户正负反馈画像编码的个性化景点推荐方法及系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353688A (zh) * | 2020-02-05 | 2020-06-30 | 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 |
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 |
CN111368187A (zh) * | 2020-02-26 | 2020-07-03 | 广东三维家信息科技有限公司 | 家居素材的推荐方法、装置及服务器 |
CN111368187B (zh) * | 2020-02-26 | 2023-05-26 | 广东三维家信息科技有限公司 | 家居素材的推荐方法、装置及服务器 |
CN111625713A (zh) * | 2020-04-30 | 2020-09-04 | 平安国际智慧城市科技股份有限公司 | 基于大数据的资源推荐方法、装置、电子设备及介质 |
CN111625713B (zh) * | 2020-04-30 | 2024-06-04 | 平安国际智慧城市科技股份有限公司 | 基于大数据的资源推荐方法、装置、电子设备及介质 |
CN111898006A (zh) * | 2020-07-30 | 2020-11-06 | 拉扎斯网络科技(上海)有限公司 | 一种资源数据处理方法及其装置 |
CN113626704A (zh) * | 2021-08-10 | 2021-11-09 | 平安国际智慧城市科技股份有限公司 | 基于word2vec模型的推荐信息方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110457596A (zh) | 一种资源推荐处理方法及装置 | |
CN102662950B (zh) | 基于互联网图片的主动式广告的生成方法 | |
US10311479B2 (en) | System for producing promotional media content and method thereof | |
KR20160059486A (ko) | 연속적인 소셜 커뮤니케이션을 위한 시스템 및 방법 | |
CN110321422A (zh) | 在线训练模型的方法、推送方法、装置以及设备 | |
CN106326391B (zh) | 多媒体资源推荐方法及装置 | |
CN109271518B (zh) | 用于对微博信息进行分类显示的方法和设备 | |
CN112131472B (zh) | 信息推荐方法、装置、电子设备和存储介质 | |
CN111680254B (zh) | 一种内容推荐方法及装置 | |
CN109033180A (zh) | 一种信息推送方法、装置、计算机装置及计算机可读存储介质 | |
CN106227786A (zh) | 用于推送信息的方法和装置 | |
US20210382609A1 (en) | Method and device for displaying multimedia resource | |
CN113392331A (zh) | 文本处理方法及设备 | |
CN112581162A (zh) | 资讯内容展示方法、装置、存储介质以及终端 | |
CN110554782A (zh) | 一种表情输入的图像合成方法和系统 | |
CN105868267A (zh) | 一种移动社交网络用户兴趣的建模方法 | |
CN111310025B (zh) | 模型训练方法、数据处理方法、装置以及相关设备 | |
CN104881447A (zh) | 搜索方法及装置 | |
CN117033799A (zh) | 资源推荐方法、装置、计算机设备及存储介质 | |
CN107729573A (zh) | 信息推送方法和装置 | |
CN116823410A (zh) | 数据处理方法、对象处理方法、推荐方法及计算设备 | |
CN109960442B (zh) | 提示信息的传输方法、装置、存储介质及电子装置 | |
CN108694171B (zh) | 信息推送的方法及装置 | |
CN113761281B (zh) | 虚拟资源处理方法、装置、介质及电子设备 | |
CN111784421B (zh) | 媒体信息的显示方法和装置、存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191115 |