CN110598127A - 一种群组推荐方法及装置 - Google Patents
一种群组推荐方法及装置 Download PDFInfo
- Publication number
- CN110598127A CN110598127A CN201910838306.7A CN201910838306A CN110598127A CN 110598127 A CN110598127 A CN 110598127A CN 201910838306 A CN201910838306 A CN 201910838306A CN 110598127 A CN110598127 A CN 110598127A
- Authority
- CN
- China
- Prior art keywords
- search request
- user
- group
- determining
- region
- 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.)
- Granted
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Abstract
本申请提供一种群组推荐方法及装置,涉及人工智能技术领域。该方法包括:获取用户输入的用于搜索群组的搜索请求;获得所述搜索请求具备地域属性的概率值;若确定出的概率值满足预设条件,则确定为所述用户推荐与所述用户关联的地域对应的群组,该方法在搜索请求具备地域属性时,会结合用户相关的地域,为用户推荐群组,使得推荐结果更符合用户的地域需求,提高推荐结果与用户需求的匹配程度,从而提高了推荐结果的准确性。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种群组推荐方法及装置。
背景技术
个人或组织等可以通过社交客户端建立群组,用户需要加入某类群组时,可以通过输入搜索请求查找群组,设备可以根据该搜索请求,为用户推荐相应的群组。
目前推荐群组方法一般是:用户输入搜索请求,设备根据用户输入的搜索请求,为用户推荐包含该搜索请求的群组。但是这种推荐方式只是简单地推荐一些包含该搜索请求的群组,推荐出的群组往往与用户实际需要的群组相差较大。
发明内容
本申请实施例提供一种群组推荐方法及装置,用于提高推荐群组的准确性。
第一方面,提供一种群组推荐方法,包括:
获取用户输入的用于搜索群组的搜索请求;
获得所述搜索请求具备地域属性的概率值;
若确定出的概率值满足预设条件,则确定为所述用户推荐与所述用户关联的地域对应的群组。
第二方面,提供一种群组推荐装置,该装置包括:
收发模块,用于获取用户输入的用于搜索群组的搜索请求;
获得模块,用于获得所述搜索请求具备地域属性的概率值;
确定模块,用于若确定出的概率值满足预设条件,则确定为所述用户推荐与所述用户关联的地域对应的群组。
在一种可能的实施方式中,获得模块具体用于:
从预设时间段内的所有历史搜索请求中,确定与所述搜索请求相关的历史搜索请求集合;其中,与所述搜索请求相关的历史搜索请求集合包括具备地域属性的且包含所述搜索请求的历史搜索请求;
确定所述搜索请求具备地域属性的概率值为:所述搜索请求相对于与所述搜索请求相关的历史搜索请求集合的左熵。
在一种可能的实施方式中,获得模块具体用于:
将所述搜索请求进行分词处理,获得多个搜索请求分词;
确定所述多个搜索请求分词中每个搜索请求分词相对于与该搜索请求分词相关的历史搜索请求集合的左熵;其中,该搜索请求分词相关的历史搜索请求集合包括具备地域属性且包含该搜索请求分词的历史搜索请求;
确定所述搜索请求具备地域属性的概率值为:多个搜索请求分词对应的左熵中的最大值。
在一种可能的实施方式中,获得模块具体用于:
将所述搜索请求进行分词处理,获得多个搜索请求分词;
确定所述多个搜索请求分词中每个搜索请求分词相对于与该搜索请求分词相关的历史搜索请求集合的左熵;其中,该搜索请求分词相关的历史搜索请求集合包括具备地域属性且包含该搜索请求分词的历史搜索请求;
确定所述搜索请求具备地域属性的概率值为:多个搜索请求分词对应的左熵进行加权平均获得的加权平均值;其中,所述多个搜索请求分词中每个搜索请求分词的重要度越高,该分词对应的权重越大。
在一种可能的实施方式中,获得模块具体用于:
从预设时间段内所有历史搜索请求中,确定出包含所述搜索请求的历史搜索请求的第一数量,以及确定具备地域属性的且包含所述搜索请求的历史搜索请求的第二数量;
确定所述搜索请求具备地域属性的概率值为:所述第二数量与所述第一数量的比例。
在一种可能的实施方式中,确定模块具体用于:
从所述用户关联的多个地域中,确定出与所述搜索请求关联的地域;
从与所述搜索请求相关的多个群组中,为所述用户推荐与所述搜索请求关联的地域对应的群组。
在一种可能的实施方式中,确定模块具体用于:
确定所述搜索请求与所述多个地域中每个地域的关联度,获得多个关联度;
将所述多个关联度中最大关联度对应的地域确定为与所述搜索请求关联的地域。
在一种可能的实施方式中,确定模块还用于:
按照预设排序规则,确定为所述用户推荐与所述用户关联的地域对应的群组的排列顺序;
其中,所述预设排序规则为群组的推荐评分越高,该群组越靠前,所述推荐评分根据该群组的质量,以及该群组与所述搜索请求的相关度确定的。
第三方面,提供一种计算机设备,包括:
至少一个处理器,以及
与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令实现如第一方面及可能的实施方式中任一所述的方法。
第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行如第一方面及可能的实施方式中任一所述的方法。
由于本申请实施例采用上述技术方案,至少具有如下技术效果:
本申请实施例中,在获取用户输入的搜索请求之后,获得搜索请求具备地域属性的概率值,如果确定该搜索请求具备地域属性,那么确定为用户推荐与该用户关联的地域对应的群组,相较于现有技术直接为用户推荐与搜索请求相关的群组,本申请实施例在需要考虑地域时,会结合用户相关的地域,为用户推荐群组,使得推荐结果更符合用户的地域需求,提高推荐结果与用户需求的匹配程度,提高推荐结果的准确性。
附图说明
图1为本申请实施例提供的一种推荐群组方法的应用场景示意图;
图2为本申请实施例提供的图1中各个设备的结构示意图;
图3为本申请实施例提供的一种推荐群组方法的流程示意图;
图4为本申请实施例提供的一种群组搜索界面的示意图一;
图5为本申请实施例提供的一种群组搜索界面的示意图二;
图6为本申请实施例提供的确定搜索请求具备地域属性的概率值的过程流程图一;
图7为本申请实施例提供的确定搜索请求具备地域属性的概率值的过程流程图二;
图8为本申请实施例提供的确定搜索请求具备地域属性的概率值的过程流程图三;
图9为本申请实施例提供的从输入搜索请求到显示推荐群组的界面变化示意图;
图10为本申请实施例提供的一种群组推荐装置的结构示意图;
图11为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了更好的理解本申请实施例提供的技术方案,下面将结合说明书附图以及具体的实施方式进行详细的说明。
为了便于本领域技术人员更好地理解本申请实施例,下面对本申请实施例涉及的专业名词进行解释。
群组:包括出于某个或某些理由集合在一起的成员。在一个群组内的各个成员可以是具有相同爱好,也可以是具有特定的关系。群组例如可以是公众号、聊天群、讨论组等。在一个群组内的各个成员可以与群组内的其他成员进行消息交互等。一个群组内的各个成员身份可以是相同的,也可以是分为管理成员和普通成员等。在建立群组之后,设备可以为群组分配或生成一个唯一标识。群组中的成员可以邀请其他成员加入,或者其他用户可以通过搜索群组的唯一标识等,请求加入该群组。在有些情况下,用户也可以不加入该群组,直接访问该群组中历史消息等。群组可以是由用户自定义创建的,也可以是设备自动创建的。设备可以根据群组生成该群组的描述信息,或者也可以由用户自定义群组的描述信息。群组的描述信息例如群组主题、群组的位置信息、群组标签等。
基于位置的服务(Location-Based Service,LBS):又可以称为适地性服务、行动定位服务、位置服务或置于位置的服务,可以通过移动运营商的无线电通讯网络或外部定位方式获取移动终端对应的用户的位置信息,例如用户的地理坐标,可以在地理咨询系统(Geographic Information System,GIS)平台的支持下,为用户提供相应服务的一种增值业务。用于存储LBS的数据库可以称为LBS位置定位库。LBS位置定位库可以包括各个群组的位置信息、以及各个用户的位置信息。
搜索请求(query):可以理解为用户在搜索场景下输入的描述信息,用户通过搜索请求描述自己想要搜索的群组。搜索请求的形式可以有多种,例如文本、语音等。当搜索请求是文本时,搜索请求可以是一个字,也可以是一个词语组成,也可以一个句子,也可以是多个词语等。
搜索请求分词:当搜索请求包括多个词语时,将搜索请求进行分词处理之后,得到多个搜索请求分词。
重要度:本申请是指搜索请求中每个搜索请求分词的重要程度,重要度可以有很多种表征方式,例如在历史搜索请求中出现频率、或以该搜索请求分词在历史搜索请求中的信息熵等。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
自然语言处理(Nature Language processing,NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此,这一领域的研究将涉及自然语言,即人们日常使用的语言,所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。本申请实施例中可以将历史搜索请求可以通过NLP之后,转换成向量,再训练神经网络模型,可以通过训练好的神经网络模型确定搜索请求具备地域属性的概率值。
下面对本申请实施例涉及的设计思想进行介绍。
目前,通常是为用户直接推荐包含该搜索请求中的词语的群组。本申请发明人发现现有技术只是简单地为用户推荐一些包含该搜索请求的群组,推荐出的群组与用户的真实需求的匹配程度可能并不高,推荐结果的准确性较低。
鉴于此,本申请发明人设计一种群组推荐方法,该方法中,获得用户的搜索请求之后,确定该搜索请求是不是具备地域属性,如果该搜索请求具备地域属性,则为用户推荐与用户相关的地域的群组,由于该方法考虑了搜索请求可能隐含的地域属性,使得为用户推荐的群组更加符合用户的地域需求,提高推荐的群组与用户的匹配程度,提高推荐群组的准确性。
本申请发明人进一步考虑,可以考虑根据具有地域属性的且包含该搜索请求的历史搜索请求的第二数量,以及包含该搜索请求的历史搜索请求的第一数量的比例,该比例越高,表示该搜索请求具备地域属性的概率越大,该比例越小,表示该搜索请求具备地域属性的概率小,通过该比例表示搜索请求包含地域属性的概率值的方式计算方式简单。
本申请发明人进一步考虑,也可以考虑根据具有地域属性的且包含搜索请求的历史搜索请求集合,确定该搜索请求相对于与该搜索请求相关的历史搜索请求集合的左熵,左熵越大,表示该搜索请求具备地域属性的概率值越大,左熵越小,表示该搜索请求具备地域属性的概率值越小,左熵是基于大多用户的历史搜索请求获得的,因此在一定程度上符合大多数用户的搜索需求。
本申请发明人进一步考虑,当搜索请求中包括多个词语时,可能包含该搜索请求的历史搜索请求相对较少,如果直接以该搜索请求相对于与该搜索请求相关的历史搜索请求集合的左熵,确定出的左熵可能参考意义不大,因此,本申请发明人进一步考虑可以对搜索请求进行分词处理,获得多个搜索请求分词,确定每个搜索请求分词的左熵,以多个搜索请求分词的左熵中的最大值表征搜索请求包含地域属性的概率值。
本申请发明人进一步考虑,用户在输入搜索请求之后,确定该搜索请求具备地域属性之后,用户想要搜索的也不一定就是用户当前位置对应的群组,也有可能用户想要搜索与自身相关的其它地域的群组。因此,在确定搜索请求具备地域属性之后,可以根据用户输入的搜索请求,从用户关联的多个地域中,确定出与该搜索请求相关的地域,为用户推荐该地域相关的群组,从而满足用户对不同地域的群组的搜索需求。
本申请发明人进一步考虑,确定推荐的群组之后,如果任意排列各个群组显然是不利于为用户查找自身最需要的群组,因此,本申请实施例中,可以根据各个群组的质量,以及各个群组和搜索请求的相关度确定出各个群组的推荐评分,将推荐评分更高的群组排列在更靠前的位置,这样便于为用户推荐评分较高的群组,提升用户使用群组推荐的体验。
在介绍完本申请实施例的设计思想之后,下面对本申请实施例中群组推荐方法的应用场景进行介绍。
请参照图1,该应用场景中包括终端设备110、服务器130和数据库140。终端设备110中安装有客户端120,客户端120可以是安装在终端设备110中的软件应用,也可以是嵌入在第三方应用中的软件模块,也可以是网页浏览器等。终端设备110与用户相对应,用户可以通过终端设备110中客户端120搜索相应的群组。服务器130可以是虚拟服务器,也可以是实体服务器。服务器130可以是通过单个服务器实现,也可以是通过多个服务器130实现。数据库140中存储有服务器130所需的数据,服务器130可以任意访问数据库140中的数据,例如数据库140中存储有LBS位置数据。数据库140可以是相对于服务器130独立的存在的,也可以是服务器130中的一部分。
具体的,用户可以通过终端设备110中的客户端120搜索自己所需的群组,用户输入搜索请求之后,客户端120将该搜索请求发送给服务器130。服务器130接收搜索请求之后,获得该搜索请求具备地域属性的概率值,如果该概率值满足预设条件,则表示该搜索请求具备地域属性,如果确定该搜索请求具备地域属性,确定为用户推荐与用户关联地域对应的群组。服务器130在确定出推荐的群组之后,可以将确定出的各个群组的信息发送给客户端120,客户端120显示相应推荐出的群组,从而用户可以根据推荐结果选择相应的群组。
本申请实施例中,由于确定该搜索请求具备地域属性时,会为用户推荐与用户的地域对应的群组,因此,使得推荐结果与用户需求匹配程度更高,提高推荐结果的准确性。
在介绍完各个设备的功能之后,下面对图1中各个设备的结构进行介绍。
请参照图2,终端设备110包括存储器220、处理器210、接口230和显示面板240。存储器220存储有程序指令,处理器210用于执行存储器220中的程序指令,实现前文论述的终端设备110的功能,接口230用于实现终端设备110和服务器130之间的通信。显示面板240用于呈现界面等,例如显示用户查询群组的界面,便于用户输入搜索请求,例如显示推荐群组的界面,便于用户及时查看推荐的群组。
服务器130包括存储器250、处理器260和接口270。存储器250存储有程序指令,处理器260执行程序指令,实现前文论述的服务器130的功能,接口270用于实现与数据库140和终端设备110之间的通信等。
在图1论述的应用场景的基础上,下面对本申请实施例中群组推荐方法进行介绍。请参照图3,该方法包括:
S310,获取用户输入的用于搜索群组的搜索请求。
具体的,用户可以通过客户端显示的群组搜索界面进行输入操作,客户端120响应于用户的输入操作,获取用户输入的用于搜索群组的搜索请求,并将该搜索请求发送给服务器130,相当于服务器130获取得到用户输入的搜索请求。
用户可以通过客户端120输入文本,客户端获取得到用户输入的文本,将该文本发送给服务器130,这种情况下,服务器130获得文本形式的搜索请求。用户输入文本的方式有很多种,例如用户在客户端120显示的搜索请求输入框中输入文本,用户在客户端120显示的搜索请求输入框中输入语音,客户端120将该语音转换为文本,并将转换后的文本发送给服务器130。
例如,请参照图4,客户端120显示的一种群组搜索界面的示意图,该界面包括输入框400,用户点击图4中的输入框400,用户可以在输入框400中输入搜索请求,例如输入“租房”,客户端120响应于用户输入的操作,获得该搜索请求,并将该搜索请求发送给服务器130。
或者例如,请参照图5,图5表示客户端120显示的一种搜索群组界面的示意图,该界面包括语音输入控件500,用户点击图5中的语音输入控件500,用户可以点击语音输入控件500,输入用户的语音“租房”,客户端120获得用户输入的语音信息,将语音信息转换为文字,再显示该语音信息对应的文字,便于用户确认该输入的内容是否正确,在用户确认转换后的文字正确之后,将该转换后的文字发送给服务器130,相当于该服务器130接收到该搜索请求。
S320,获得搜索请求具备地域属性的概率值。
具体的,服务器130在获得用户的搜索请求之后,确定该搜索请求具备地域属性的可能性的大小,具备地域属性可以进一步理解为该搜索请求与地域一起出现的概率值,或者可以进一步理解为该搜索请求隐含地域需求的概率值。
S330,判断确定出的概率值是否满足预设条件。
具体的,预设条件可以是确定出的概率值大于预设值,服务器130在获得搜索请求具备地域属性的概率值之后,如果该概率值大于预设值,则确定该概率值满足预设条件。如果概率值小于或等于预设值,则确定该概率值不满足预设条件。
S340,若确定出的概率值满足预设条件,则确定为用户推荐与用户关联的地域对应的群组。
具体的,服务器130确定概率值满足预设条件,表示该搜索请求具备地域属性的可能性较大,因此,服务器130为用户推荐与用户关联地域对应的群组,使得推荐出的群组更符合用户需求。
S350,若确定出的概率值不满足预设条件,则确定为用户推荐与搜索请求相关的群组。
具体的,服务器130确定概率值不满足预设条件,表示该搜索请求具备地域属性的可能较小,因此,在这种情况下,服务器130无需考虑群组的位置信息,服务器130根据搜索请求进行查找与搜索请求相关的群组,为用户推荐与该搜索请求相关的群组。
S360,将确定出的推荐群组发送给客户端120。
具体的,服务器130在确定出相应的群组之后,可以将推荐结果发送给客户端120,以便于用户通过客户端120及时查看推荐结果。
在本申请实施例中,在获得用户当前的搜索请求之后,可以先确定该搜索请求是否具备地域属性,如果该搜索请求具备地域属性,则为用户推荐该用户关联的地域的群组,如果该搜索请求不具备地域属性,则为用户直接推荐与该搜索请求相关的群组,也就是说,在确定搜索请求具备地域属性时,为用户推荐与地域相关的群组,满足用户的搜索需求,提高推荐的准确性,提升了用户体验。在确定搜索请求不具备地域属性时,不考虑用户关联的地域,相对可以简化服务器130的搜索过程。且,服务器130可以根据实际情况确定是否为用户推荐与地域相关的群组,在一定程度上提高了服务器130的推荐方式的灵活性。
作为一种实施例,S330和S350为可选的步骤。当服务器130不执行S330时,可以直接在概率值满足预设条件时,执行S340,也可以直接在概率值不满足预设条件时,执行S350。
其中,S340和S350是服务器130在两种情况下的处理方式,服务器130针对同一搜索请求,要么执行S340的过程,要么执行S350的过程。
在图3论述的实施例的基础上,下面对图3中各个步骤的具体实施方式进行介绍。
S320中,获得搜索请求具备地域属性的概率值的方式有很多种,下面进行示例说明。
方式一:
请参照图6,该方式包括:
S610,服务器130从预设时间段内的所有历史搜索请求中,确定与该搜索请求相关的历史搜索请求集合;
S620,确该搜索请求相对于与搜索请求相关的历史搜索请求集合的左熵,该左熵为搜索请求具备地域属性的概率值。
具体的,不同的用户均会通过客户端120输入相同或者不同的搜索请求,服务器130在获得多个用户的多个搜索请求之后,可以将多个搜索请求存储至数据库140中。服务器130可以从数据库140中获取预设时间段内的历史搜索请求,预设时间段的时长可以是默认设置的,本申请实施例中不限制预设时间段的时长。预设时间段可以取距离当前时刻最近的一段时间,获得这预设时间段内的历史搜索请求集合。历史搜索请求集合包括各个历史搜索请求,以及各个历史搜索请求在预设时间段内出现的次数。
在服务器130获得预设时间段内的所有历史搜索请求集合之后,从这些历史搜索请求集合确定出与该搜索请求相关的历史搜索请求集合,与该搜索请求相关的历史搜索请求集合是指包括具备地域属性的且包含该搜索请求的历史搜索请求,包含该搜索请求可以理解为某个历史搜索请求中包括与该搜索请求相同的内容。例如该搜索请求为“租房”,历史搜索请求为“上海租房”,那么可以认为该历史搜索请求中包含该搜索请求,且该历史搜索请求具备地域属性,那么该历史搜索请求应该是与该搜索请求相关的历史搜索请求。
在获得与该搜索请求相关的历史搜索请求集合之后,服务器130确定该搜索请求相对于与该搜索请求相关的历史搜索请求集合的左熵,从而获得搜索请求具备地域属性的概率值。
一种确定该搜索请求相对于与该搜索请求相关的历史搜索请求集合的左熵的具体公式如下:
H(X)=-∑P(aX∣)log2P(aX∣X) (1)
其中,X表示与该搜索请求相关的历史搜索请求集合,A表示地域名词集合,a属于A中的元素,表示地域名词或多个地域名词。左熵可以理解为A出现在该搜索请求左边的概率值,也就是地域名词与搜索请求同时出现的概率值,也可以理解为该搜索请求具备地域属性的概率值。左熵越大,地域名词与搜索请求同时出现的概率值越大,也就表示该搜索请求更有可能具备地域属性,
例如,服务器130获得的搜索请求为“租房”,服务器130获得的与该搜索请求相关的历史搜索请求集合如下表1所示:
表1
历史搜索请求 | 地域名词 | 搜索次数(次) |
深圳租房 | 深圳 | 1000 |
广州租房 | 广州 | 800 |
上海租房 | 上海 | 2000 |
根据公式(1),可以得到“租房”的左熵如下:
H(租房)=[P(深圳租房)log2P(深圳租房∣租房)]+[P(广州租房)log2P(广州租房∣租房)]+[P(上海租房)log2P(上海租房∣租房)]=[(1000/10000)*log2(1000/3800)]+[(800/10000)*log2(800/3800)]+[(2000/10000)*log2(2000/3800)]=0.245
服务器130通过上述计算可以获得“租房”具备地域属性的概率值为0.245。
该方式一中,由于左熵是基于历史搜索请求确定出的某个搜索请求的左熵,因此,左熵在某种程度上可以反映历史搜索记录中该搜索请求与地域名词一起出现的概率,因此可以以计算出的搜索请求的左熵作为该搜索请求具备地域属性的概率值,计算方式依赖于历史的用户行为,使得计算出的左熵参考价值较大。
方式二:
请参照图7,该方式包括:
S710,将搜索请求进行分词处理,获得多个搜索请求分词;
S720,确定多个搜索请求分词中每个搜索请求分词相对于与该搜索请求分词相关的历史搜索请求集合的左熵;
S730,根据多个搜索请求分词的左熵,获得该搜索请求具备地域属性的概率值。
具体的,服务器130确定对搜索请求进行分词处理,获得该搜索请求对应的多个搜索请求分词。分词处理例如可以通过分词器等进行处理等。服务器130确定多个搜索请求分词中每个搜索请求分词相对于该搜索请求分词相关的历史搜索请求集合的左熵,该搜索请求分词相关的历史搜索请求集合可以理解为具备地域属性且包含该搜索请求分词的历史搜索请求。服务器130确定每个搜索请求分词相对于该搜索请求分词相关的历史搜索请求集合的左熵的公式可以参照前文公式(1),此处不再赘述。
由于搜索请求包括多个搜索请求分词,获得每个搜索请求分词相对于该搜索请求分词相关的历史搜索请求集合的左熵,就可以获得多个搜索请求分词的左熵,也就是可以获得多个左熵,服务器130可以根据多个左熵获得该搜索请求具备地域属性的概率值。具体如何根据多个左熵获得该搜索请求具备地域属性的概率值的方式有多种,下面进行示例说明。
第一种子方式:
服务器130将多个左熵中的最大左熵确定为该搜索请求具备地域属性的概率值。
具体的,服务器130在获得多个左熵之后,将最大的左熵确定为该搜索请求具备地域属性的概率值。
第二种子方式:
将多个左熵进行加权平均,获得加权平均值,将加权平均值确定为该搜索请求具备地域属性的概率值。
具体的,服务器130在获得多个左熵之后,按照一定的权重对多个左熵进行加权平均,获得加权平均值,将该加权平均值确定为该搜索请求具备地域属性的概率值。
在一种可能的实施例中,服务器130可以根据各个搜索请求分词的重要度确定各个搜索请求分词的权重。其中,搜索请求中搜索请求分词的重要度越大,该搜索请求分词对应的权重也就越大。
具体的,服务器130可以确定该搜索请求中各个搜索请求分词的重要度,每个搜索请求分词对应一个重要度,根据各个搜索请求分词的重要度确定各个搜索请求分词对应的左熵所占用的权重。服务器130可以对各个搜索请求分词的重要度进行归一化处理,将归一化处理后的重要度用于表征各个搜索请求分词的权重。
本申请实施例中,在对每个搜索请求分词的左熵进行加权时,搜索请求分词的重要度越大,该搜索请求分词对应的左熵所占的权重越大,使得最后得到加权平均值更能反应重要词语的左熵,从而使得获得的该搜索请求具备地域属性的概率值更能反应该搜索请求中的重要词语具备地域属性的概率值。
其中,在本申请实施例中,涉及如何确定搜索请求分词的重要度,下面对确定搜索请求分词的重要度进行详细说明。
一种确定重要度的方式为:
确定各个搜素请求分词在预设时间段内的所有历史搜索请求的词频,将各个搜索请求分词的词频确定为各个搜索请求分词的重要度。
具体的,服务器130在获得预设时间段内的所有历史搜索请求之后,以及获得多个搜索请求分词之后,可以确定各个搜索请求分词在所有历史搜索请求中的词频,该词频可以理解为该搜索请求分词在所有历史搜索请求中出现的次数,以词频表示该搜索请求分词的重要度。搜索请求分词的词频越高,表示在所有历史搜索请求集合中,该搜索请求分词出现的次数越多,表示该搜索请求分词的重要度越高。索请求分词的词频越低,表示在所有历史搜索请求集合中,该搜索请求分词出现的次数越少,表示该搜索请求分词的重要度越低。
一种确定重要度的方式为:
确定各个搜素请求分词相对于在预设时间段内的所有历史搜索请求的信息熵,以信息熵表示各个搜索请求分词的重要度。
具体的,服务器130在获得多个搜索请求分词之后,可以确定各个搜索请求分词相对于在预设时间段内的所有历史搜索请求的信息熵,具体计算信息熵的公式例如:
H(X)=-∑x∈XP(x)log2P(x) (2)
其中,p(x)表示的是搜索请求分词x出现的概率,H(X)可以理解为搜索请求分词x的信息熵,x的信息熵越大,表示该搜索请求分词的重要度越高,信息熵越小,表示该搜索请求分词的重要度越低。
例如,搜索请求为“陶笛爱好交流”,服务器130可以通过分词器将该搜索请求划分为多个搜索请求分词(具体如“陶笛”、“爱好”和“交流”),服务器130可以从预设时间段内的历史搜索请求中找出具备地域属性且包括陶笛的历史搜索请求集合,确定出“陶笛”对应的左熵为0.15,以此类推,确定出“爱好”的左熵为0.19,确定出“交流”对应的左熵为0.13,服务器130可以将最大的左熵确定为该搜索请求具备地域属性的概率值,也就是该搜索请求的概率值为0.19。
或者,在获得“陶笛”对应的左熵为0.15,“爱好”的左熵为0.19,“交流”对应的左熵为0.13之后,确定三个搜索请求分词的重要度依次为:0.4、0.5和0.1,因此服务器130对三个搜索请求分词进行加权处理(0.15*0.4+0.19*0.5+0.13*0.1),获得该搜索请求的加权平均值。
方式二适用于搜索请求包括多个词语时,能够更为准确地确定出搜索请求中每个搜素请求分词的左熵情况,使得最后得到的搜索请求具备地域属性的概率值更能体现各个搜索请求分词的左熵。
方式三:
请参照图8,该方式包括:
S810,从预设时间段内所有历史搜索请求中,确定出包含搜索请求的历史搜索请求的第一数量,以及确定具备地域属性的且包含该搜索请求的历史搜索请求的第二数量;
S820,确定搜索请求具备地域属性的概率值为:第二数量与第一数量的比例。
具体的,服务器130可以从数据库140中,获得在预设时间段内所有历史搜索请求,确定出包含该搜索请求的历史搜索请求的总数量,也就是第一数量,并且从所有历史搜索请求中确定出具备地域属性的且包含该搜索请求的历史搜索请求的总数量,也就是第二数量,获得第二数量和第一数量的比例,将该比例确定为该搜索请求具备地域属性的概率值。
例如,确定出包含该搜索请求的历史搜索请求的如下表2所示:
表2
历史搜索请求 | 地域名词 | 搜索次数(次) |
深圳租房 | 深圳 | 700 |
广州租房 | 广州 | 800 |
租房 | 无 | 600 |
请参照表2,包含该搜索请求的历史搜索请求的数量,也就是第一数量为上表中所有次数之和2100,确定出具备地域属性的且包含该搜索请求的历史搜索请求的第二数量为(700+800=1500),因此该第二数量和第一数量的比例为5/7,因此该搜索请求具备地域属性的概率值为5/7。
方式四:
通过已训练的模型,确定该搜索请求具备地域属性的概率值。
具体的,该方式中可以通过NLP,确定该搜索请求具备地域属性的概率值。其中,已训练的模型可以通过样本搜索请求样本预先训练得到的,样本搜索请求可以包括各个用户的历史搜索请求,可以提前标注有各个历史搜索请求是否包含地域属性。下面先对该模型的训练过程进行示例说明。
服务器130先对样本搜索请求进行预处理,预处理例如去停用词,停用词可以理解为没有实际意义的词语。在对搜索请求进行预处理之后,可以通过一位有效编码(one-hot)将各个样本搜索请求转换为样本向量。
选用神经网络模型,并构建神经网络模型对应的训练损失函数。神经网络模型例如选用前向反馈神经网络模型,该前向反馈神经网络模型依次包括嵌入层(Embedding)、隐藏层(tanh)和输出层(softmax)。将各个样本向量输入神经网络模型,直到神经网络模型对应的损失函数收敛,得到训练好的神经网络模型。
服务器130获得用户输入的搜索请求之后,可以将该搜索请求输入到已训练好的神经网络模型,输出该搜索请求具备地域属性的概率值。
在获得搜索请求具备地域属性的概率值之后,服务器130可以确定该概率值是否满足预设条件,在该概率值满足预设条件时,服务器130执行S340,确定为用户推荐与用户关联的地域对应的群组。在S340中,服务器130在确定为用户推荐与用户关联的地域对应的群组有多种方式,下面进行示例说明。
第一种确定群组的方法为:
服务器确定为用户推荐位于用户当前位置所在地域的群组。
具体的,终端设备110可以获得用户当前位置,将用户的当前位置发送给服务器130,服务器130获得用户当前位置,或者服务器130根据数据库140中的LBS位置数据,获取用户当前位置。服务器130可以根据搜索请求确定出多个群组,再从多个群组中筛选出位于用户当前位置所在地域的群组,为用户推荐筛选出的位于用户当前位置所在地域的群组。
其中,用户当前位置所在地域可能与用户当前位置相同,也可能在地域范围上用户当前位置所在地域大于用户当前位置。例如用户当前位置可能A市B区C小区,那么用户当前位置所在地域可以为A市。例如用户当前位置就是较大范围的区域,例如A市区,那么用户当前位置所在地域可以就是A市。
在第一种确定群组的方法中,如果确定该搜索请求具备地域属性时,直接为用户推荐位于用户当前位置所在地域的群组,推荐方式简单直接。
第二种确定群组的方法为:
从用户关联的多个地域中,确定出与该搜索请求关联的地域;
从与该搜索请求相关的多个群组中,为用户推荐与该搜索请求关联的地域对应的群组。
具体的,数据库140中可能存储有用户关联的多个地域,例如用户当前位置、用户注册时的家乡地址等,服务器130在确定该搜索请求具备地域属性之后,可以确定与该搜索请求关联的一个地域,为用户推荐与该地域对应的群组,从而使得推荐出的群组能够满足用户的当前搜索需求。
在第二种确定群组的方法中,涉及到具体如何从与用户关联的多个地域中,确定与该搜索请求关联的地域,下面进行示例说明:
确定该搜索请求和用户关联的多个地域中每个地域的关联度,获得多个关联度;
将多个关联度中最大关联度对应的地域确定为与该搜索请求关联的地域。
具体的,服务器130可以根据该搜索请求,确定该搜索请求和用户关联的多个地域的关联度,关联度可以理解为该搜索请求与用户关联的多个地域中每个地域的相关程度。服务器130可以获得该搜索请求的向量表示,以及用户关联的多个地域的向量表示,例如服务器130可以通过NLP处理获得该搜索请求以及各个地域,获得该搜索请求的向量表示,以及多个地域的向量表示等。确定该搜索请求的向量和多个地域中每个地域的向量之间的相似度,例如余弦相似度,以该相似度表示该搜索请求和地域之间的关联度。
服务器130也可以在获得用户关联的多个地域的同时,获取多个地域的描述信息,将搜索请求与该描述信息中的关键词进行匹配,匹配方式有多种,例如罗宾-柯冉普(Rabin-Karp,RK)算法,RK算法通过计算各个词的哈希值,比较哈希值,以对比各个词语之间的相似度,从而获得该搜索请求与每个地域的描述信息的匹配度,在获得该搜索请求与每个地域的描述信息的匹配度之后,可以以匹配度表示该搜索请求与该地域的关联度。
例如,用户的搜索请求为家乡群,用户关联的多个地域,以及描述信息如下表3所示:
表3
地域名词 | 描述信息 |
深圳 | 当前位置 |
四川 | 老家地址 |
例如,服务器130获得租房索请求的向量表示,以及用户关联的多个地域的描述信息的向量表示,由于搜索请求中包括“家乡”与用户关联的描述信息中的“老家”匹配度较高,服务器130确定为该用户推荐四川所在的群组,以满足用户的搜索需求。
服务器130无论是推荐与用户相关的地域对应群组还是直接推荐与搜索请求相关的群组,也就是说,无论服务器130在执行S340和S350的情况下,服务器130可能都确定出多个群组,多个群组具体的排列顺序也会影响到用户的体验,因此,在一种可能的实施例中,服务器130通过如下方式确定多个群组的排列顺序:
按照预设排序规则,确定为用户推荐的各个群组的排列顺序;其中,预设排序规则为群组的推荐评分越高,该群组越靠前。
具体的,服务器130在确定为用户推荐的多个群组之后,当然,不排除个别情况下,服务器130确定出的推荐群组只有一个。服务器130获得各个群组的推荐评分,服务器130可以根据各个群组的质量,和/或各个群组与该搜索请求的相关度,确定出各个群组的推荐评分,推荐评分高的群组排列更靠前,推荐评分越低的群组排列更靠后。
其中,各个群组的质量可以根据各个群组的群成员的评分加权生成的,也可以根据群组的群成立时长、成员数量加权生成的。各个群组与该搜索请求的相关度的计算方式可以参照前文论述的确定搜索请求与地域之间的关联度的方式,此处不再赘述。
进一步的,群组的质量可以作为该群组的推荐评分,群组与该搜索请求的相关度可以作为该群组的推荐评分,服务器130还可以对群组的质量以及该群组与该搜索请求的相关度进行加权,获得该搜索请求的加权平均,以加权平均结果作为该群组的推荐评分。
在服务器130确定各个群组的排列顺序之后,可以将确定出的群组以及各个群组的排列顺序信息发送给客户端120,排列顺序信息例如为服务器130可以为每个群组增加的排列顺序标识,或者服务器130按照确定出的排列顺序发送各个群组。客户端120在接收该确定出的群组,以及各个群组的排列顺序信息之后,按照该排列顺序指示,依次显示各个群组。
例如,请参照图9中a,用户在搜索界面上输入租房,客户端120将该搜索请求发送给服务器130,服务器130确定“租房”具备地域属性,服务器130确定用户当前位置为深圳,服务器130确定与该用户的地域相关群组中各个群组排列顺序,并将各个群组以及各个群组排列顺序发送给客户端120,客户端120接收之后,按照各个群组的排列顺序依次显示如图9中b所示的推荐界面。
在客户端120显示各个群组之后,用户可以通过申请加入推荐的群组中的一个或多个群组,实现与该群组的成员进行交互,或者查看该群组中的共享信息,用户可以通过群组了解自己想要的信息。在一种可能的实施例中,用户也可以不用申请加入该群组,查看群组中的部分历史聊天信息等。
基于同一发明构思,本申请实施例提供一种群组推荐装置1000,该装置1000相当于前文论述的服务器130中的一部分,该装置1000包括:
收发模块1001,用于获取用户输入的用于搜索群组的搜索请求;
获得模块1002,用于获得搜索请求具备地域属性的概率值;
确定模块1003,用于若确定出的概率值满足预设条件,则确定为用户推荐与用户关联的地域对应的群组。
在一种可能的实施方式中,获得模块1002具体用于:
从预设时间段内的所有历史搜索请求中,确定与搜索请求相关的历史搜索请求集合;其中,与搜索请求相关的历史搜索请求集合包括具备地域属性的且包含搜索请求的历史搜索请求;
确定搜索请求具备地域属性的概率值为:搜索请求相对于与搜索请求相关的历史搜索请求集合的左熵。
在一种可能的实施方式中,获得模块1002具体用于:
将搜索请求进行分词处理,获得多个搜索请求分词;
确定多个搜索请求分词中每个搜索请求分词相对于与该搜索请求分词相关的历史搜索请求集合的左熵;其中,该搜索请求分词相关的历史搜索请求集合包括具备地域属性且包含该搜索请求分词的历史搜索请求;
确定搜索请求具备地域属性的概率值为:多个搜索请求分词对应的左熵中的最大值。
在一种可能的实施方式中,获得模块1002具体用于:
将搜索请求进行分词处理,获得多个搜索请求分词;
确定多个搜索请求分词中每个搜索请求分词相对于与该搜索请求分词相关的历史搜索请求集合的左熵;其中,该搜索请求分词相关的历史搜索请求集合包括具备地域属性且包含该搜索请求分词的历史搜索请求;
确定搜索请求具备地域属性的概率值为:多个搜索请求分词对应的左熵进行加权平均获得的加权平均值;其中,多个搜索请求分词中每个搜索请求分词的重要度越高,该分词对应的权重越大。
在一种可能的实施方式中,获得模块1002具体用于:
从预设时间段内所有历史搜索请求中,确定出包含搜索请求的历史搜索请求的第一数量,以及确定具备地域属性的且包含搜索请求的历史搜索请求的第二数量;
确定搜索请求具备地域属性的概率值为:第二数量与第一数量的比例。
在一种可能的实施方式中,确定模块1003具体用于:
从用户关联的多个地域中,确定出与搜索请求关联的地域;
从与搜索请求相关的多个群组中,为用户推荐与搜索请求关联的地域对应的群组。
在一种可能的实施方式中,确定模块1003具体用于:
确定搜索请求与多个地域中每个地域的关联度,获得多个关联度;
将多个关联度中最大关联度对应的地域确定为与搜索请求关联的地域。
在一种可能的实施方式中,确定模块1003还用于:
按照预设排序规则,确定为用户推荐与用户关联的地域对应的群组的排列顺序;
其中,预设排序规则为群组的推荐评分越高,该群组越靠前,推荐评分根据该群组的质量,以及该群组与搜索请求的相关度确定的。
基于同一发明构思,本申请实施例提供一种计算机设备1100,该计算机设备包括请参照图11,计算设备130以通用计算设备的形式表现。计算设备130的组件可以包括但不限于:至少一个处理器1110、至少一个存储器1120、连接不同系统组件(包括处理器1110和存储器1120)的总线1130。
总线1130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、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。
存储器1120可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)1121和/或高速缓存存储器1122,还可以进一步包括只读存储器(ROM)1123。
存储器1120还可以包括具有一组(至少一个)程序模块1325的程序/实用工具1126,这样的程序模块1125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。处理器1110用于执行存储器1120存储的程序指令等实现前文论述的各个设备的功能,例如实现前文论述的服务器130的功能。
计算机设备1100也可以与一个或多个外部设备1140(例如键盘、指向设备等)通信,还可与一个或者多个使得终端设备110能与计算机设备1100交互的设备通信,和/或与使得该计算机设备1100能与一个或多个其它设备进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入/输出(I/O)接口1150进行。并且,计算机设备1100还可以通过网络适配器1160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1160通过总线1130与用于计算机设备1100的其它模块通信。应当理解,尽管图中未示出,可以结合计算机设备1100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、冗余处理器、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。
基于同一发明构思,本申请实施例提供一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,当计算机指令在计算机上运行时,使得计算机执行如前文论述的群组推荐方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种群组推荐方法,其特征在于,包括:
获取用户输入的用于搜索群组的搜索请求;
获得所述搜索请求具备地域属性的概率值;
若确定出的概率值满足预设条件,则确定为所述用户推荐与所述用户关联的地域对应的群组。
2.如权利要求1所述的方法,其特征在于,获得所述搜索请求具备地域属性的概率值,包括:
从预设时间段内的所有历史搜索请求中,确定与所述搜索请求相关的历史搜索请求集合;其中,与所述搜索请求相关的历史搜索请求集合包括具备地域属性的且包含所述搜索请求的历史搜索请求;
确定所述搜索请求具备地域属性的概率值为:所述搜索请求相对于与所述搜索请求相关的历史搜索请求集合的左熵。
3.如权利要求1所述的方法,其特征在于,获得所述搜索请求具备地域属性的概率值,包括:
将所述搜索请求进行分词处理,获得多个搜索请求分词;
确定所述多个搜索请求分词中每个搜索请求分词相对于与该搜索请求分词相关的历史搜索请求集合的左熵;其中,该搜索请求分词相关的历史搜索请求集合包括具备地域属性且包含该搜索请求分词的历史搜索请求;
确定所述搜索请求具备地域属性的概率值为:多个搜索请求分词对应的左熵中的最大值。
4.如权利要求1所述的方法,其特征在于,获得所述搜索请求具备地域属性的概率值,包括:
将所述搜索请求进行分词处理,获得多个搜索请求分词;
确定所述多个搜索请求分词中每个搜索请求分词相对于与该搜索请求分词相关的历史搜索请求集合的左熵;其中,该搜索请求分词相关的历史搜索请求集合包括具备地域属性且包含该搜索请求分词的历史搜索请求;
确定所述搜索请求具备地域属性的概率值为:多个搜索请求分词对应的左熵进行加权平均获得的加权平均值;其中,所述多个搜索请求分词中每个搜索请求分词的重要度越高,该分词对应的权重越大。
5.如权利要求1所述的方法,其特征在于,获得所述搜索请求具备地域属性的概率值,包括:
从预设时间段内所有历史搜索请求中,确定出包含所述搜索请求的历史搜索请求的第一数量,以及确定具备地域属性的且包含所述搜索请求的历史搜索请求的第二数量;
确定所述搜索请求具备地域属性的概率值为:所述第二数量与所述第一数量的比例。
6.如权利要求1-5任一所述的方法,其特征在于,确定为所述用户推荐与所述用户关联的地域对应的群组,包括:
从所述用户关联的多个地域中,确定出与所述搜索请求关联的地域;
从与所述搜索请求相关的多个群组中,为所述用户推荐与所述搜索请求关联的地域对应的群组。
7.如权利要求6所述的方法,其特征在于,从所述用户关联的多个地域中,确定出与所述搜索请求关联的地域,包括:
确定所述搜索请求与所述多个地域中每个地域的关联度,获得多个关联度;
将所述多个关联度中最大关联度对应的地域确定为与所述搜索请求关联的地域。
8.如权利要求1-5任一所述的方法,其特征在于,在确定为所述用户推荐与所述用户关联的地域对应的群组之后,包括:
按照预设排序规则,确定为所述用户推荐与所述用户关联的地域对应的群组的排列顺序;
其中,所述预设排序规则为群组的推荐评分越高,该群组越靠前,所述推荐评分根据该群组的质量,以及该群组与所述搜索请求的相关度确定的。
9.一种群组推荐装置,其特征在于,包括:
收发模块,用于获取用户输入的用于搜索群组的搜索请求;
获得模块,用于获得所述搜索请求具备地域属性的概率值;
确定模块,用于若确定出的概率值满足预设条件,则确定为所述用户推荐与所述用户关联的地域对应的群组。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910838306.7A CN110598127B (zh) | 2019-09-05 | 2019-09-05 | 一种群组推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910838306.7A CN110598127B (zh) | 2019-09-05 | 2019-09-05 | 一种群组推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110598127A true CN110598127A (zh) | 2019-12-20 |
CN110598127B CN110598127B (zh) | 2022-03-22 |
Family
ID=68857748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910838306.7A Active CN110598127B (zh) | 2019-09-05 | 2019-09-05 | 一种群组推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598127B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259263A (zh) * | 2020-01-15 | 2020-06-09 | 腾讯云计算(北京)有限责任公司 | 一种物品推荐方法、装置、计算机设备及存储介质 |
CN112131466A (zh) * | 2020-09-14 | 2020-12-25 | 北京达佳互联信息技术有限公司 | 群组展示方法、装置、系统和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102611785A (zh) * | 2011-01-20 | 2012-07-25 | 北京邮电大学 | 面向手机的移动用户个性化新闻主动推荐服务系统及方法 |
CN105335391A (zh) * | 2014-07-09 | 2016-02-17 | 阿里巴巴集团控股有限公司 | 基于搜索引擎的搜索请求的处理方法和装置 |
CN105674998A (zh) * | 2010-06-17 | 2016-06-15 | 通腾科技股份有限公司 | 导航装置及方法 |
CN106056455A (zh) * | 2016-06-02 | 2016-10-26 | 南京邮电大学 | 一种基于位置和社交关系的群组与地点推荐方法 |
CN106302085A (zh) * | 2015-05-18 | 2017-01-04 | 腾讯科技(深圳)有限公司 | 即时通讯群组的推荐方法及系统 |
CN106354856A (zh) * | 2016-09-05 | 2017-01-25 | 北京百度网讯科技有限公司 | 基于人工智能的深度神经网络强化搜索方法和装置 |
CN106599304A (zh) * | 2016-12-29 | 2017-04-26 | 中南大学 | 一种针对中小型网站的模块化用户检索意图建模方法 |
CN108319603A (zh) * | 2017-01-17 | 2018-07-24 | 腾讯科技(深圳)有限公司 | 对象推荐方法和装置 |
US20180220260A1 (en) * | 2015-12-14 | 2018-08-02 | Tencent Technology (Shenzhen) Company Limited | User recommendation method and system, mobile terminal, and server |
CN109255033A (zh) * | 2018-11-05 | 2019-01-22 | 桂林电子科技大学 | 一种基于位置服务领域的知识图谱的推荐方法 |
CN109885831A (zh) * | 2019-01-30 | 2019-06-14 | 广州杰赛科技股份有限公司 | 关键术语抽取方法、装置、设备及计算机可读存储介质 |
-
2019
- 2019-09-05 CN CN201910838306.7A patent/CN110598127B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105674998A (zh) * | 2010-06-17 | 2016-06-15 | 通腾科技股份有限公司 | 导航装置及方法 |
CN102611785A (zh) * | 2011-01-20 | 2012-07-25 | 北京邮电大学 | 面向手机的移动用户个性化新闻主动推荐服务系统及方法 |
CN105335391A (zh) * | 2014-07-09 | 2016-02-17 | 阿里巴巴集团控股有限公司 | 基于搜索引擎的搜索请求的处理方法和装置 |
CN106302085A (zh) * | 2015-05-18 | 2017-01-04 | 腾讯科技(深圳)有限公司 | 即时通讯群组的推荐方法及系统 |
US20180220260A1 (en) * | 2015-12-14 | 2018-08-02 | Tencent Technology (Shenzhen) Company Limited | User recommendation method and system, mobile terminal, and server |
CN106056455A (zh) * | 2016-06-02 | 2016-10-26 | 南京邮电大学 | 一种基于位置和社交关系的群组与地点推荐方法 |
CN106354856A (zh) * | 2016-09-05 | 2017-01-25 | 北京百度网讯科技有限公司 | 基于人工智能的深度神经网络强化搜索方法和装置 |
CN106599304A (zh) * | 2016-12-29 | 2017-04-26 | 中南大学 | 一种针对中小型网站的模块化用户检索意图建模方法 |
CN108319603A (zh) * | 2017-01-17 | 2018-07-24 | 腾讯科技(深圳)有限公司 | 对象推荐方法和装置 |
CN109255033A (zh) * | 2018-11-05 | 2019-01-22 | 桂林电子科技大学 | 一种基于位置服务领域的知识图谱的推荐方法 |
CN109885831A (zh) * | 2019-01-30 | 2019-06-14 | 广州杰赛科技股份有限公司 | 关键术语抽取方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
王炜: "移动协作环境下的自适应管理及推荐策略研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259263A (zh) * | 2020-01-15 | 2020-06-09 | 腾讯云计算(北京)有限责任公司 | 一种物品推荐方法、装置、计算机设备及存储介质 |
CN111259263B (zh) * | 2020-01-15 | 2023-04-18 | 腾讯云计算(北京)有限责任公司 | 一种物品推荐方法、装置、计算机设备及存储介质 |
CN112131466A (zh) * | 2020-09-14 | 2020-12-25 | 北京达佳互联信息技术有限公司 | 群组展示方法、装置、系统和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110598127B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA3083729C (en) | Domain-specific natural language understanding of customer intent in self-help | |
CN111931062B (zh) | 一种信息推荐模型的训练方法和相关装置 | |
US20220222920A1 (en) | Content processing method and apparatus, computer device, and storage medium | |
CN106446005B (zh) | 因子分解模型 | |
CN105808590B (zh) | 搜索引擎实现方法、搜索方法以及装置 | |
CN111008332A (zh) | 内容项推荐方法、装置、服务器以及存储介质 | |
CN110889434B (zh) | 一种基于活动的社交网络活动特征提取方法 | |
US9418567B1 (en) | Selecting questions for a challenge-response test | |
CN107688605B (zh) | 跨平台数据匹配方法、装置、计算机设备和存储介质 | |
CN110597962A (zh) | 搜索结果展示方法、装置、介质及电子设备 | |
US10936601B2 (en) | Combined predictions methodology | |
CN111783903B (zh) | 文本处理方法、文本模型的处理方法及装置、计算机设备 | |
US20100318427A1 (en) | Enhancing database management by search, personal search, advertising, and databases analysis efficiently using core-set implementations | |
CN111291170B (zh) | 一种基于智能客服的会话推荐方法及相关装置 | |
CN111931067A (zh) | 兴趣点推荐方法、装置、设备和介质 | |
CN113761220A (zh) | 信息获取方法、装置、设备及存储介质 | |
CN116756574B (zh) | 多模态预训练模型的训练方法、使用方法、装置和设备 | |
CN112733043B (zh) | 评论推荐方法及装置 | |
CN110598127B (zh) | 一种群组推荐方法及装置 | |
Venkatesh et al. | Smart learning using personalised recommendations in web-based learning systems using artificial bee colony algorithm to improve learning performance | |
JP2023017921A (ja) | コンテンツ推薦とソートモデルトレーニング方法、装置、機器、記憶媒体及びコンピュータプログラム | |
CN113360777A (zh) | 内容推荐模型训练方法、内容推荐方法及相关设备 | |
CN113392331A (zh) | 文本处理方法及设备 | |
CN112231554A (zh) | 一种搜索推荐词生成方法、装置、存储介质和计算机设备 | |
CN116956183A (zh) | 多媒体资源推荐方法、模型训练方法、装置及存储介质 |
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: 40018931 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |