CN110609963A - 推荐榜单生成方法及装置、电子设备及存储介质 - Google Patents
推荐榜单生成方法及装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110609963A CN110609963A CN201910735567.6A CN201910735567A CN110609963A CN 110609963 A CN110609963 A CN 110609963A CN 201910735567 A CN201910735567 A CN 201910735567A CN 110609963 A CN110609963 A CN 110609963A
- Authority
- CN
- China
- Prior art keywords
- list
- quality
- heat
- determining
- evaluation system
- 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
- G06F16/9538—Presentation of query results
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0282—Rating or review of business operators or products
Abstract
本申请公开了一种推荐榜单生成方法,属于计算机技术领域,有助于提升生成的推荐榜单的准确性。本申请实施例公开的推荐榜单生成方法包括:获取目标地区所属的用户数据;基于所述用户数据,根据热度评价体系确定各榜单对象的热度值以及根据质量评价体系确定所述各榜单对象的质量值;根据所述热度值和质量值,对所述各榜单对象进行排序,生成所述目标地区的推荐榜单,有助于提升生成的推荐榜单的准确性和可靠性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种推荐榜单生成方法及装置、电子设备及计算机可读存储介质。
背景技术
榜单作为互联网平台用户获取推荐产品信息的一个重要信息来源,其生成的准确性闲的尤为重要。与现有技术中,常见的榜单生成方法有以下两种:第一种,人工评选,如米其林餐厅榜单、国家5A级级景区榜单等,都是人工评选的;第二种,单一数据指标评选,例如人气榜单,是基于单一指标进行评选的,比如人气榜单利用页面浏览量、关注数等指标即时生成。现有技术中的榜单生成方法至少存在以下缺陷:第一,人工评选是受人为主观因素影响较大,榜单公信力和客观性易受到挑战;第二,单一数据指标对指标的数据质量要求高,且易于偏向有某类特征的客体,导致评选结果不准确;第三,单一数据指标评选得到的榜单无法满足用户多样化的需求。
可见,现有技术中的榜单生成方法的准确性和可靠性还有待提高。
发明内容
本申请提供一种推荐榜单生成方法及装置、电子设备及计算机可读存储介质,有助于提升生成榜单的准确性和可靠性。
为了解决上述问题,第一方面,本申请实施例提供了一种推荐榜单生成方法,包括:
获取目标地区所属的用户数据;
基于所述用户数据,根据热度评价体系确定各榜单对象的热度值以及根据质量评价体系确定所述各榜单对象的质量值;
根据所述热度值和质量值,对所述各榜单对象进行排序,生成所述目标地区的推荐榜单。
第二方面,本申请实施例提供了一种推荐榜单生成装置,包括:
用户数据获取模块,用于获取目标地区所属的用户数据;
指标值确定模块,用于基于所述用户数据,根据热度评价体系确定各榜单对象的热度值以及根据质量评价体系确定所述各榜单对象的质量值;
推荐榜单生成模块,用于根据所述热度值和质量值,对所述各榜单对象进行排序,生成所述目标地区的推荐榜单。
第三方面,本申请实施例还公开了一种电子设备,包括存储器、处理器及存储在所述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计算机程序时实现本申请实施例所述的推荐榜单生成方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时本申请实施例公开的推荐榜单生成方法的步骤。
本申请实施例公开的推荐榜单生成方法,通过获取目标地区所属的用户数据;基于所述用户数据,根据热度评价体系确定各榜单对象的热度值以及根据质量评价体系确定所述各榜单对象的质量值;根据所述热度值和质量值,对所述各榜单对象进行排序,生成所述目标地区的推荐榜单,有助于提升生成的推荐榜单的准确性和可靠性。
附图说明
为了更清楚地说明本申请实施例的技术方案,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申请的一些实施例,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是本申请实施例一的推荐榜单生成方法流程图;
图2是本申请实施例二的推荐榜单生成方法流程图;
图3是本申请实施例三的推荐榜单生成方法流程图;
图4是本申请实施例四的推荐榜单生成装置结构示意图之一;
图5是本申请实施例四的推荐榜单生成装置结构示意图之二。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例一
本申请实施例公开的一种推荐榜单生成方法,如图1所示,该方法包括:步骤110至步骤130。
步骤110,获取目标地区所属的用户数据。
本申请实施例中所述目标地区可以为一座城市,也可以为一个行政区或者其他按照一定规则划分的地理区域。为了便于读者理解本方案,本申请实施例中,以目标地区为一个座城市举例,说明榜单生成的具体技术方案。
其中,目标地区所属的用户数据为在目标地区的用户相关的数据,包括目标地区的本地用户(指常驻地区为所述目标地区的用户)的数据,以及,目标地区的异地用户(指常驻地区为非所述目标地区的用户)的数据。具体实施时,某一用户相对于所述目标地区是本地用户或异地用户,可以根据平台存储的用户数据,通过现有技术确定,获取目标用户所述的用户数据的具体方法也可以采用现有技术中的获取平台的用户数据的方法确定,本申请对此不做限定,此处亦不再赘述。
步骤120,基于所述用户数据,根据热度评价体系确定各榜单对象的热度值以及根据质量评价体系确定所述各榜单对象的质量值。
本申请实施例中所述的榜单对象为参与排榜的对象,包括一种或多种。在本申请的一些实施例中,所述榜单对象包括如旅游景点、娱乐项目等多种;在本申请的另一些实施例中,所述榜单对象可以只包括如旅游景点。在生成的推荐榜单中,可以只包括一种榜单对象(例如,推荐榜单中包括旅游景点类的王府井、颐和园、八达岭等景点),也可以包括多种榜单对象(例如,推荐榜单中包括旅游景点类的王府井、颐和园,还包括娱乐项目类的欢乐谷过山车、船游北京等)。
在本申请的一些实施例中,每个榜单对象(如每个旅游景点或每个娱乐项目)包括至少两个预设指标,用于计算该榜单对象的榜单排序得分,每个所述预设指标进一步可以对应一个或多个下级指标,所述预设指标对应的下级指标将影响所述预设指标的取值。在本申请的一些实施例中,可以根据专家经验或业务需求确定所述预设指标进一步对应的下级指标。在本申请的另一些实施例中,也可以根据数据分析结果确定所述预设指标进一步对应的下级指标。
例如,选择榜单对象的热度值和质量值两个指标确定推荐榜单。在本申请的另一些实施例中,还可以根据具体业务场景的需求选择其他影响榜单的指标,例如对于餐饮外卖榜单,可以选择餐饮项目的热度值、质量值和配送距离等指标确定推荐榜单。
其中,每个预设指标的取值通过相应的评价体系确定。优选的,所述预设指标可以包括热度值和质量值。热度值可通过热度评价体系确定,在某些实施例中,热度值又进一步对应多项热度指标,例如优质评论数、评论数、意向日均独立访客量、收藏数等;而质量值可通过质量评价体系确定,在某些实施例中,质量值又进一步对应至少一项质量指标,例如五星评论占比、五星好评占比等。每个榜单对象的所述预设指标对应的下级指标的取值,均可以根据平台或系统存储的用户数据,采用现有技术得到。本申请实施例中,对各所述下级指标的取值的获取方法不做限定。
在各榜单对象的所述预设指标对应的下级指标的取值之后,进一步通过相应的评价体系确定每个所述榜单对象的所述预设指标对应的单一指标得分,例如,通过质量评价体系确定各榜单对象的质量值,以及,通过热度评价体系确定所述各榜单对象的热度值。
在预设指标的选择过程中,需要充分了考虑基于丰富、全面的,且有代表性的指标计算榜单的排序得分,因此,每个预设指标对应的下级指标会有所不同,每个预设指标对应的评价体系也会有所不同。本申请具体实施时,需要预先获取每个所述预设指标对应的评价体系,然后,在计算每个所述预设指标对应的单一指标得分时,采用相应的评价体系对该预设指标对应的下级指标的取值进行运算,以得到该预设指标对应的单一指标得分。例如,对于热度值这一预设指标,根据某一榜单对象(如颐和园)的优质评论数、评论数、意向日均独立访客量、收藏数四个指标,采用热度评价体系(如加权求和)计算所述某一榜单对象(即颐和园)的热度值;而对于质量值这一预设指标,根据所述某一榜单对象(即颐和园)的五星评论占比指标,采用质量评价体系(如贝叶斯平均)计算所述某一榜单对象(即颐和园)的质量值。通过相应评价体系得到的指标值将作为榜单对象对应相应预设指标的单一指标排序得分。
在本申请的一些实施例中,每个所述预设指标对应的评价体系可以根据对用户数据进行分析处理得到的结果确定,也可以根据专家经验确定。
步骤130,根据所述热度值和质量值,对所述各榜单对象进行排序,生成所述目标地区的推荐榜单。
在得到每个所述榜单对象的各预设指标对应的单一指标得分之后,对于每个所述榜单对象,分别对所述榜单对象的各所述单一指标得分进行融合处理,得到所述榜单对象的综合得分。例如,对榜单对象“颐和园”的热度值和质量值进行融合处理,得到榜单对象“颐和园”的综合得分。
在本申请的一些实施例中,对于每个所述榜单对象,将所述榜单对象的各所述单一指标得分的乘积作为所述榜单对象的综合得分。例如,将榜单对象“颐和园”的热度值和质量值相乘,得到乘积作为榜单对象“颐和园”的综合得分。在本申请的一些实施例中,还可以采用其他融合方式计算所述榜单对象的综合得分,如将所述榜单对象的各所述单一指标得分进行归一化后加权求和,将得到的和作为所述榜单对象的综合得分。
然后,根据所述综合得分对各所述榜单对象进行排序,生成所述目标地区的各所述榜单对象的推荐榜单。具体实施时,可以取预设数量的所述综合得分最大的所述榜单对象或者所有所述榜单对象,并按照每个所述榜单对象的所述综合得分从大到小的顺序对各所述榜单对象进行排序,得到所述第一城市的各所述目标榜单的推荐榜单。
本申请实施例公开的推荐榜单生成方法,通过获取目标地区所属的用户数据;基于所述用户数据,根据热度评价体系确定各榜单对象的热度值以及根据质量评价体系确定所述各榜单对象的质量值;根据所述热度值和质量值,对所述各榜单对象进行排序,生成所述目标地区的推荐榜单,有助于提升生成的推荐榜单的准确性和可靠性。
具体而言,本申请实施例公开的推荐榜单生成方法,由于采用了两个指标,并且每个指标对应相应的评价体系,从而考虑了更多的排榜因素,使得生成的榜单更准确。
实施例二
结合图2,本申请另一实施例公开的推荐榜单生成方法包括步骤210至步骤250。
本实施例中,以推荐必玩榜榜单举例,榜单对象包括景点、娱乐项目等,根据具体业务需求和专家经验,可以确定预设指标包括热度值和质量值。下面具体描述基于热度值和质量值生成推荐榜单的具体技术方案。
步骤210,确定所述热度评价体系中多项热度指标及其权重。
在所述热度评价体系中,包括多项热度指标,并定义了包含所述多项热度指标的热度计算模型;所述根据热度评价体系确定各榜单对象的热度值包括:基于所述用户数据,对所述热度计算模型中的所述多项热度指标进行计算,确定各榜单对象的热度值。因此,本申请的实施例中,在基于所述用户数据,对所述热度计算模型中的所述多项热度指标进行计算之前,首先需要确定所述热度评价体系中多项热度指标及其权重,即确定所述热度评价体系中多项热度指标,以及,确定所述热度评价体系中各项热度指标的权重。
具体实施时,可以根据专家经验确定所述热度评价体系中多项热度指标,也可以通过对根据不同热度指标生成的榜单的对比结果确定多项热度指标。不同的业务场景,热度指标会有所不同。
首先,需要确定用于生成榜单的多项热度指标。本申请的一些实施例中,确定所述热度评价体系中多项热度指标的步骤,包括:基于先验榜单,确定所述热度评价体系中的多项热度指标。
热度值受POI(兴趣点)基本信息、流量、交易、评论(包括:点评签到)、行为(意向UV(日均独立访客量)、点击率、购买率等)、本异地等数据指标多种因素的影响。在本申请的一些实施例中,通过分别基于上述多种因素对榜单对象进行排序,并基于预先建立的前置校验库对排序结果的一致性和准确性进行验证,确定可以作为热度值对应热度评价体系中的多项热度指标。其中,前置校验库为某一地区的榜单对象的参考榜单,以及各所述榜单对象的排序分数。
例如,首先将影响热值的因素加入指标池。基于指标池中每个因素对榜单对象进行排序得到的前100名榜单对象,取并集去重后,将得到若干榜单对象。然后,对于只被一种因素命中的榜单对象与前置校验库进行对比,发现分数较低的榜单对象有40%是由“点评签到”这一因素带来的,并且,通过调研发现“点评签到”存在刷数据现象,所以将“点评签到”因素从指标池中剔除;发现分数较高的榜单对象有40%是由“意向UV”因素带来,所以将“意向UV”这一因素作为热度值得一个下级指标。按照此方法,确定热度值对应的多个下级指标。本申请的一些优选实施例中,确定意向日均独立访客量、评论数量、优质评论数量和收藏数中的任意一项或多项,作为所述热度评价体系中的热度指标。
在确定了所述热度评价体系中多项热度指标之后,需要进一步确定各多项热度指标在所述热度评价体系中的权重。本申请的一些优选实施例中,确定所述热度评价体系中多项热度指标的权重的步骤,包括:基于先验榜单,确定所述热度评价体系中多项热度指标的权重。
在本申请的一些实施例中,对于受多项热度指标影响的热度值,热度评价体系可以采用加权求和运算模型确定热度值。
接下来,进一步确定各项热度指标对热度值的影响权重,即确定热度评价体系中多项热度指标的权重。
在本申请的一些实施例中,所述基于先验榜单,确定所述热度评价体系中多项热度指标的权重,包括:将热度值作为层次结构模型的顶层指标,将所述热度评价体系中多项热度指标作为所述顶层指标的下一层级指标,根据所述多项热度指标构建成对比较阵;通过求解该成对比较阵确定每项所述热度指标对热度值的影响权重;根据每项所述热度指标对热度值的影响权重和先验榜单中各榜单对象的每项所述热度指标的取值,生成第一待验证榜单;根据将所述第一待验证榜单和所述先验榜单进行对比得到的结果,确定所述多项热度指标的权重。
其中,所述根据将所述第一待验证榜单和所述先验榜单进行对比得到的结果,确定所述多项热度指标的权重,进一步包括:若验证得到所述第一待验证榜单与所述先验榜单不匹配,则调整所述成对比较阵,并跳转至所述通过求解该成对比较阵确定每项所述热度指标对热度值的影响权重的步骤;若验证得到所述第一待验证榜单与所述先验榜单匹配,则确定当前的所述影响权重,作为所述热度评价体系中各项热度指标的权重。
下面,仍以所述热度值对应的热度评价体系中多项热度指标包括:优质评论数、评论数、意向日均独立访客量、收藏数四个指标举例,详细说明基于先验榜单,确定所述热度评价体系中多项热度指标的权重的具体技术方案。
发明人通过对推荐榜单的需求进行深入分析,将与榜单对象排名有关的各个因素按照不同属性自上而下地分解成两个层次:顶层的因素为热度值,下一层次的因素包括:优质评论数、评论数、意向日均独立访客量、收藏数。同一层的诸因素从属于上一层的因素或对上层因素有影响,同时又支配下一层的因素或受到下层因素的作用。
然后,对于热度值对应的个下级指标,顶层的下一层中的优质评论数、评论数、意向日均独立访客量、收藏数这4个因素,用成对比较法和1-9比较尺度构造成对比较阵,如下表所示。
表1,成对比较阵
表1中第2至5行的数值表示对应行列上两个下级指标相互比较时的相对尺度。比较尺度的取值标识了不同因素在计算热度值时的重要程度。在构造成对比较阵时,根据两两所述下级指标的重要程度设置比较尺度的取值。例如,评论数比意向日均独立访客量稍微重要,则评论数与意向日均独立访客量的比较尺度设置为3;优质评论数比意向日均独立访客量较强重要,则优质评论数与意向日均独立访客量的比较尺度设置为5。具体实施时,通过调整下级指标相互比较时的相对尺度,将得到多个成对比较阵,相应的,将得到各下级指标的多组权重,如表1中第6行的数值表示对应列上的下级指标的权重。如果某一下级指标相对于其他下级指标重要程度稍微重要或较强重要(如优质评论数),那么计算得到的该下级指标的权重将大于其他下级指标。
通过把对热度值有影响的下级指标两两相互比较,对比时采用相对尺度,以尽可能减少性质不同的诸因素相互比较的困难,以提高权重设置的准确度。
对于每一个成对比较阵,分别计算该成对比较阵的最大特征根及对应特征向量。然后,利用一致性指标、随机一致性指标和一致性比率做一致性检验。若检验通过,对特征向量进行归一化处理,得到成对比较阵的权向量;若不通过,需重新构造成对比较阵。
在对成对比较阵验证通过后,以成对比较阵的权向量作为相应下级指标的权重,通过前述确定的热度评价体系中的运算模型计算各榜单对象的热度值,并根据热度值对各所述榜单对象进行排序,得到各所述榜单对象的第一待验证榜单。
之后,将所述第一待验证榜单与所述前置校验库中各所述榜单对象的先验榜单进行比对验证。如果,所述第一待验证榜单与所述先验榜单的匹配度满足预设榜单匹配条件,则认为所述第一待验证榜单与所述先验榜单匹配,用于计算热度值的各下级指标的权重将作为计算热度值的运算模型的最终权重。
如果所述第一待验证榜单与所述先验榜单的匹配度不满足预设榜单匹配条件,则认为所述第一待验证榜单与所述先验榜单不匹配,继续调整所述成对比较阵中两个下级指标相互比较时的相对尺度,以影响成对比较阵的权向量,然后重新求解调整后的成对比较阵,确定该成对比较阵的权向量,之后,再执行根据重新确定的权向量计算热度值,根据重新计算得到的热度值对各所述榜单对象进行排序,得到各所述榜单对象的第一待验证榜单,以及,根据先验榜单对重新生成的第一待验证榜单进行比对验证的步骤,直到生成的第一待验证榜单与所述先验榜单匹配。
至此,确定了对热度评价体系中各热度指标进行加权运算,以得到所述热度值的运算模型,即确定了热度评价体系中多项热度指标的权重。
通过对热度值进行分解,按照分解、比较、判断、综合的思维方式进行决策,不割断各个因素对排榜结果的影响。另一方面,通过结合先验榜单进行比对分析,可以提升热度评价体系中运算模型权重设置的准确性,进一步提升生成榜单的准确性。
步骤220,确定所述质量评价体系中至少一项质量指标。
在所述质量评价体系中,包括至少一项质量指标,并定义了包含所述至少一项质量指标的质量计算模型;所述根据质量评价体系确定所述各榜单对象的质量值包括:基于所述用户数据,对所述质量计算模型中的所述至少一项质量指标进行计算,确定所述各榜单对象的质量值。因此,在基于所述用户数据,对所述质量计算模型中的所述至少一项质量指标进行计算之前,还包括:确定所述质量评价体系中至少一项质量指标的步骤。
本申请的一些实施例中,所述基于先验榜单,确定所述质量评价体系中至少一项质量指标,包括:确定至少一项候选质量指标;根据所述至少一项候选质量指标计算得到的先验榜单中各榜单对象的质量值,对所述先验榜单中各榜单对象进行排序,生成所述至少一项候选质量指标对应的第二待验证榜单;将所述第二待验证榜单和所述先验榜单进行对比;根据进行对比得到的结果,确定所述质量评价体系中的质量指标。其中,所述候选质量指标根据专家经验或业务需求预先确定。
影响质量值的因素也包括多种,例如,平均分、好评率、差评率、优评率、5星评论占比等因素。本申请的一些实施例中,根据各因素的集中度和区分度,结合先验榜单,通过对比分析,选择至少一种因素作为影响质量值的候选质量指标。
例如,预先确定影响质量值的因素作为候选质量指标,然后,基于每项候选质量指标分别执行以下操作:基于当前候选质量指标计算先验榜单中每个榜单对象的质量值,并基于计算得到的质量值对所述先验榜单中所有榜单对象进行重新排序,得到与当前候选质量指标对应的第二待验证榜单。按照此方案,可以得到每项所述候选质量指标对应的第二待验证榜单。假设预先确定了A、B和C三项候选质量指标,则通过执行上述操作,将得到与候选质量指标A对应的第二待验证榜单1、与候选质量指标B对应的第二待验证榜单2和与候选质量指标C对应的第二待验证榜单3。然后,将第二待验证榜单1与先验榜单进行对比,根据进行对比得到的结果,确定候选质量指标A是否可以作为所述质量评价体系中的质量指标;将第二待验证榜单2与先验榜单进行对比,根据进行对比得到的结果,确定候选质量指标B是否可以作为所述质量评价体系中的质量指标;将第二待验证榜单3与先验榜单进行对比,根据进行对比得到的结果,确定候选质量指标C是否可以作为所述质量评价体系中的质量指标。
在本申请的一些实施例中,还可以选择两项或多项候选质量指标通过指定运算进行组合得到一项新的候选质量指标,并基于组合得到的候选质量指标计算先验榜单中每个榜单对象的质量值,并基于计算得到的质量值对所述先验榜单中所有榜单对象进行重新排序,得到与组合得到的候选质量指标对应的第二待验证榜单。然后再将第二待验证榜单与先验榜单的对比,以确定组合得到的候选质量指标是否可以作为所述质量评价体系中的质量指标。
具体实施过程中,首先确定质量评价体系的质量计算模型。
在本申请的一些优选实施例中,所述候选质量指标包括:平均分、好评率、差评率、优评率、5星评论占比等,发明人通过对平均分、好评率、优评率这三个因素的区分度图表进行分析和研究发现,这三个因素的数据分布符合正态分布,因此,本申请具体实施时,采用贝叶斯算法计算榜单对象的平均分、好评率、优评率的排榜得分。
在本申请的一些优选实施例中,由于样本数量不均衡,会导致基于某个因素进行榜单排名或最终基于质量值进行排名时排名结果不准确。例如,榜单对象A只有1条评论,且为好评,该榜单对象A的好评率为100%,而榜单对象B有1000条评论,其中950条是好评,该榜单对象B的好评率为95%,这个好评率不能证明榜单对象A的质量比榜单对象B好,如果单纯按照这个好评率生成榜单,结果可能是不准确的。另一方面,现有技术中,榜单前列总是那些评论数、优质评论较高的榜单对象,有新意的榜单对象排名可能会长期靠后,需要给这些评论数较少的榜单对象,以相对公平的排名。综合以上原因,考虑到样本数据原数量级的不同,本申请实施例中采用贝叶斯平均算法,对好评率、平均分、优评率进行计算,得到榜单对象用于榜单排名的得分。
接下来,确定贝叶斯平均模型的参数。
在本申请的一些优选实施例中,对于先验榜单中各榜单对象,基于所述至少一项候选质量指标,采用贝叶斯平均算法计算各榜单对象与所述至少一项候选质量指标对应的质量值。例如,基于平均分、好评率、优评率分别通过选定的贝叶斯平均模型计算各榜单对象的质量值;然后分解基于根据平均分计算得到的质量值对榜单对象进行排名,得到平均分排名(即第二待验证榜单)、基于根据好评率计算得到的质量值对榜单对象进行排名,得到好评率排名(即第二待验证榜单)、基于根据优评率计算得到的质量值对榜单对象进行排名,得到优评率排名(即第二待验证榜单);最后,将榜单对象的好评率排名、平均分排名、优评率排名分别与前置校验库中的先验榜单进行比对,可以得出基于好评率和优评率因素进行榜单排名优于基于平均分这一因素进行榜单排名,且符合预设榜单匹配条件,则可以将好评率、优评率作为贝叶斯平均模型的参数。
进一步的,将榜单对象的好评率、优评率分别按照相加、相乘、最大、最小等方式进行组合,并将组合得到的结果作为一项候选质量指标,分别作为上述贝叶斯平均模型的参数,计算质量值并进行排名(即生成第二待验证榜单),再与前置校验库中的先验榜单对比,以确定组合得到的模型参数。由于组合得到的候选质量指标结合了多项优质候选质量指标,因此,基于组合得到的候选质量指标计算的质量值更加准确。
在本申请的一些实施例中,经过对比分析确定,采用以下公式计算榜单对象的质量值WR:其中,R表示当前榜单对象的五星评论占比,v表示当前榜单对象的评论数,m表示所有榜单对象的平均评论数,C表示所有榜单对象的平均五星评论占比。即为每个榜单对象增加了m条评论,并且,五星评论占比均为C。这样,假设所有榜单对象都至少有m条评论,且这条评论的五星评论占比为C,然后,再用现有的评论数进行修正,使五星评论占比更加平滑。上述公式中,m(平均评论数)是“先验概率”,该榜单对象的评论数越多,得到的权重越大,该榜单对象的“贝叶斯五星评论占比”就越接近实际的五星评论占比。
将所述第二待验证榜单和所述先验榜单进行对比之后,根据进行对比得到的结果,确定所述质量评价体系中的质量指标。本申请的一些实施例中,所述根据进行对比得到的结果,确定所述质量评价体系中的质量指标,进一步包括:若验证得到所述第二待验证榜单与所述先验榜单匹配,则确定所述第二待验证榜单对应的所述至少一项候选质量指标作为所述质量评价体系中的质量指标;若验证得到所述第二待验证榜单与所述先验榜单不匹配,则不将所述第二待验证榜单对应的所述至少一项候选质量指标作为所述质量评价体系中的质量指标。
例如,根据平均分计算得到质量值后生成的第二待验证榜单与先验榜单匹配度不满足预设的榜单匹配条件,则不将平均分作为所述质量评价体系中的质量指标。
再例如,根据好评率和优评率相乘后计算的质量值生成的第二待验证榜单与先验榜单匹配度满足预设的榜单匹配条件,则将好评率和优评率相乘作为所述质量评价体系中的质量指标,,而好评率和优评率相乘得到的值即是五星评论占比,则选择五星评论占比作为质量值对应的质量评价体系中的一项质量指标(即当预设指标包括质量值时,所述预设指标的一个下级指标为五星评论占比),即将五星评论占比作为计算质量值的贝叶斯平均模型的参数,亦即将五星评论占比作为质量评价体系中的质量指标。本申请的一些实施例中,确定五星评论占比作为所述质量评价体系中的质量指标。
本申请实施例中通过采用贝叶斯平均模型计算质量值,可以对不同热度的榜单对象(如旅游景点)科学地进行比较质量,不受热度干扰。并且,对于景点榜单一类的头部效应明显的榜单有一定修正作用。
步骤230,获取目标地区所属的用户数据。
获取目标地区所属的用户数据的具体实施方式参见实施例一,本实施例不再赘述。
步骤240,基于所述用户数据,根据热度评价体系确定各榜单对象的热度值以及根据质量评价体系确定所述各榜单对象的质量值。
如前述步骤所述,已经确定意向日均独立访客量、评论数量、优质评论数量和收藏数中的任意一项或多项,作为所述热度评价体系中的热度指标,并确定了上述多项热度指标的权重,以及所述质量评价体系中质量的运算模型。本步骤中,通过调用平台的接口可以获得每个榜单对象的上述多项热度指标的取值(如意向日均独立访客量、评论数量、优质评论数量和收藏数的具体取值),之后,基于前述步骤确定的热度评价体确定各榜单对象的热度值。如通过前述热度计算模型,对意向日均独立访客量、评论数量、优质评论数量和收藏数的取值进行计算,得到某一榜单对象的热度值。
另一方面,如前述步骤所述,已经确定五星评论占比和平均五星评论占比,作为所述质量评价体系中的质量指标。本步骤中,通过调用平台的接口可以获得每个榜单对象的质量评价体系中的各质量指标的取值(如五星评论占比和平均五星评论占比的取值),之后,基于前述步骤确定的质量评价体系确定各榜单对象的质量值。如通过前述质量计算模型,对五星评论占比和平均五星评论占比进行计算,得到某一榜单对象的质量值。
其中,各所述榜单对象的多项热度指标的取值和质量指标的取值均可以采用现有技术中的方案获取,本实施例中不再赘述。
步骤250,根据所述热度值和质量值,对所述各榜单对象进行排序,生成所述目标地区的推荐榜单。
本申请的一些实施例中,可以根据多个预设指标的取值计算某一榜单对象的单一指标对应的排序得分,最后,再将每个榜单对象的多个单一指标对应的排序得分进行融合,得到个榜单对象的排序得分。
具体到本实施例而言,对于每个榜单对象,将该榜单对象的热度值和质量值进行融合,即得到该榜单对象的综合得分。例如,将某一榜单对象的热度值和质量值得乘积作为该榜单对象的综合得分。然后,再根据所述综合得分对目标地区的各榜单对象进行排序,生成该目标地区的推荐榜单。
根据所述热度值和质量值,对所述各榜单对象进行排序,生成所述目标地区的推荐榜单,生成所述目标地区的各所述榜单对象的推荐榜单的具体实施方式参见实施例一,本实施例中不再赘述。
本申请具体实施时,对步骤210和步骤220的执行顺序不做限定。在本申请的另一些实施例中,还可以先确定所述质量评价体系中至少一项质量指标,然后再确定所述热度评价体系中多项热度指标及其权重,都能够解决本申请所要解决的技术问题,并达到相同的技术效果。
本申请实施例公开的推荐榜单生成方法,通过根据先验榜单确定所述质量评价体系中至少一项质量指标以及确定所述热度评价体系中多项热度指标及其权重,然后根据目标地区所属的用户数据,通过所述质量评价体系确定各榜单对象质量值,以及,通过所述热度评价体系确定各榜单对象热度值;最后,根据所述热度值和质量值确定各所述榜单对象的综合得分;根据所述综合得分对各所述榜单对象进行排序,生成所述目标地区的各所述榜单对象的推荐榜单,有助于提升生成的推荐榜单的准确性和可靠性。
具体而言,热度评价体系中的热度值对应的多项热度指标以及权重、热度计算模型均通过先验榜单确定,质量评价体系中质量指标和质量计算模型也通过先验榜单确定,本申请实施例公开的推荐榜单生成方法,由于采用了多个预设指标,并基于先验榜单确定榜单排序得分的计算方法,并按照确定的方法自动计算排序得分,在排榜过程中没有人工操作,生成的榜单更客观,可信度更高。
实施例三
基于实施例二,在本申请的另一些实施例中,基于旅游景点等应用场景,还可以对生成的推荐榜单基于人群进行修正。可选的,所述方法还包括:步骤260、步骤270、步骤280和步骤290,其中,步骤280和步骤290在步骤250之后执行,步骤260、步骤270可以在步骤250之后执行,也可以在步骤250之前步骤220之后的任意一个步骤之前执行。
参见图3,以步骤260、步骤270可以在步骤250之后执行为例,说明对推荐榜单进行修正的技术方案。
假设步骤250中生成的目标地区的推荐榜单记为第一推荐榜单。
步骤260,获取异地用户所属的用户数据。
本申请实施例中,所述异地用户是指常驻地区为非所述目标地区的用户。
具体实施时,根据系统中存储的用户属性确定用户的常驻地区,然后获取所述目标地区的非常驻用户(即异地用户)的用户数据。
步骤270,根据所述异地用户所属的用户数据,生成所述目标地区的各所述榜单对象的推荐榜单。
根据获取所述目标地区异地用户的用户数据生成所述目标地区的各榜单对象的推荐榜单。例如,获取所述目标地区的异地用户对所述目标地区的榜单对象的优质评论数、评论数、意向日均独立访客量、收藏数这4种数据,然后,根据前述热度计算模型计算各所述榜单对象的热度值,以及,获取所述目标地区的异地用户对所述目标地区的各榜单对象的五星评论占比、平均五星评论占比这2项数据,并根据前述确定的质量计算模型分别计算各所述榜单对象的质量值;接下来,对于每个所述榜单对象,将其热度值和质量值进行融合得到综合得分;最后,按照综合得分对各榜单对象进行排序,得到推荐榜单,例如记为第二推荐榜单。
步骤280,确定根据所述目标地区所属的用户数据生成的推荐榜单与根据所述异地用户所属的用户数据生成的推荐榜单中排序差异大于预设条件的所述榜单对象。
步骤290,从根据所述目标地区所属的用户数据生成的推荐榜单中,删除排序差异大于预设条件的所述榜单对象。
在确定了第一推荐榜单(即根据所述目标地区所属的用户数据生成的推荐榜单)和第二推荐榜单(即根据目标地区的异地用户所属的用户数据生成的推荐榜单)之后,进一步确定所述第一推荐榜单和所述第二推荐榜单中排序差异大于预设条件的所述榜单对象。在所述第一推荐榜单和所述第二推荐榜单中排序差异大于预设条件的所述榜单对象,通常体现了不同人群的偏好,不适用于推荐给大众用户,因此,为了是推荐榜单能够匹配大多数人的需求,需要将这部分榜单对象从推荐榜单中移除。
以生成必玩榜(必玩景点榜单)为例,与大部分榜单面对特定用户群不同,必玩榜需要在一个榜单中满足多人群、多场景需求,这要求入榜景点有更高的稳定性。因此需要在测算不同人群差异之后,选择本异地用户分别计算质量和热度,剔除在不同人群口碑、偏好差异过大的景点,保证榜单能满足多人群、多场景需求。
本申请实施例公开的推荐榜单生成方法,通过基于不同人群的历史数据确定在不同人群中口碑差异较大的榜单对象,并将其从推荐榜单中移除,可以提升生成的推荐榜单的普适性。
实施例四
本实施例公开的一种推荐榜单生成装置,如图4所示,所述装置包括:
用户数据获取模块410,用于获取目标地区所属的用户数据;
指标值确定模块420,用于基于所述用户数据,根据热度评价体系确定各榜单对象的热度值以及根据质量评价体系确定所述各榜单对象的质量值;
推荐榜单生成模块430,用于根据所述热度值和质量值,对所述各榜单对象进行排序,生成所述目标地区的推荐榜单。
本申请的一些实施例中,在所述热度评价体系中,包括多项热度指标,并定义了包含所述多项热度指标的热度计算模型;所述指标值确定模块420进一步用于:
基于所述用户数据,对所述热度计算模型中的所述多项热度指标进行计算,确定各榜单对象的热度值。
本申请的一些实施例中,在基于所述用户数据,对所述热度计算模型中的所述多项热度指标进行计算之前,还包括:确定所述热度评价体系中多项热度指标及其权重,即确定所述热度评价体系中多项热度指标,以及,确定所述热度评价体系中多项热度指标的权重。
本申请的一些实施例中,确定所述热度评价体系中多项热度指标的步骤包括:
基于先验榜单,确定所述热度评价体系中的多项热度指标。
本申请的一些实施例中,确定所述热度评价体系中多项热度指标的权重的步骤,包括:
基于先验榜单,确定所述热度评价体系中多项热度指标的权重。
本申请的一些实施例中,所述基于先验榜单,确定所述热度评价体系中多项热度指标的权重的步骤,包括:
将热度值作为层次结构模型的顶层指标,将所述热度评价体系中多项热度指标作为所述顶层指标的下一层级指标,根据所述多项热度指标构建成对比较阵;
通过求解该成对比较阵确定每项所述多项热度指标对热度值的影响权重;
根据每项所述热度指标对热度值的影响权重和先验榜单中各榜单对象的每项所述热度指标的取值,生成第一待验证榜单;
根据将所述第一待验证榜单和所述先验榜单进行对比得到的结果,确定所述多项热度指标的权重。
进一步的,所述根据将所述第一待验证榜单和所述先验榜单进行对比得到的结果,确定所述多项热度指标的权重的步骤,包括:
若验证得到所述第一待验证榜单与所述先验榜单不匹配,则调整所述成对比较阵,并跳转至所述通过求解该成对比较阵确定每项所述热度指标对热度值的影响权重的步骤;
若验证得到所述第一待验证榜单与所述先验榜单匹配,则确定当前的所述影响权重,作为所述热度评价体系中各项热度指标的权重。
本申请的一些实施例中,在所述质量评价体系中,包括至少一项质量指标,并定义了包含所述至少一项质量指标的质量计算模型;所述指标值确定模块420进一步用于:
基于所述用户数据,对所述质量计算模型中的所述至少一项质量指标进行计算,确定所述各榜单对象的质量值。
本申请的一些实施例中,在基于所述用户数据,对所述质量计算模型中的所述至少一项质量指标进行计算之前,还包括:确定所述质量评价体系中至少一项质量指标的步骤。
本申请的一些实施例中,所述确定所述质量评价体系中至少一项质量指标的步骤,包括:
基于先验榜单,确定所述质量评价体系中至少一项质量指标。
本申请的一些实施例中,所述基于先验榜单,确定所述质量评价体系中至少一项质量指标的步骤,包括:
确定至少一项候选质量指标;
根据所述至少一项候选质量指标计算得到的先验榜单中各榜单对象的质量值,对所述先验榜单中各榜单对象进行排序,生成所述至少一项候选质量指标对应的第二待验证榜单;
将所述第二待验证榜单和所述先验榜单进行对比;
根据进行对比得到的结果,确定所述质量评价体系中的质量指标。
进一步的,所述根据进行对比得到的结果,确定所述质量评价体系中的质量指标的步骤,包括:
若验证得到所述第二待验证榜单与所述先验榜单匹配,则确定所述第二待验证榜单对应的所述至少一项候选质量指标作为所述质量评价体系中的质量指标;
若验证得到所述第二待验证榜单与所述先验榜单不匹配,则不将所述第二待验证榜单对应的所述至少一项候选质量指标作为所述质量评价体系中的质量指标。
本申请的一些实施例中,根据所述至少一项候选质量指标计算得到的先验榜单中各榜单对象的质量值,对所述先验榜单中各榜单对象进行排序的步骤,包括:
对于先验榜单中各榜单对象,基于所述至少一项候选质量指标,采用贝叶斯平均算法计算各榜单对象与所述至少一项候选质量指标对应的质量值。
本申请实施例公开的推荐榜单生成装置,通过根据先验榜单确定所述质量评价体系中至少一项质量指标以及确定所述热度评价体系中多项热度指标及其权重,然后根据目标地区所属的用户数据,通过所述质量评价体系确定各榜单对象质量值,以及,通过所述热度评价体系确定各榜单对象热度值;最后,根据所述热度值和质量值确定各所述榜单对象的综合得分;根据所述综合得分对各所述榜单对象进行排序,生成所述目标地区的各所述榜单对象的推荐榜单,有助于提升生成的推荐榜单的准确性和可靠性。
具体而言,热度评价体系中的热度值对应的多项热度指标以及权重、热度计算模型均通过先验榜单确定,质量评价体系中质量指标和质量计算模型也通过先验榜单确定,本申请实施例公开的推荐榜单生成方法,由于采用了多个预设指标,并基于先验榜单确定榜单排序得分的计算方法,并按照确定的方法自动计算排序得分,在排榜过程中没有人工操作,生成的榜单更客观,可信度更高。
参见图5,本申请的一些实施例中,还包括:
异地用户数据获取模块440,用于获取异地用户所属的用户数据;
异地用户推荐榜单确定模块450,用于根据所述异地用户所属的用户数据,生成所述目标地区的各所述榜单对象的推荐榜单;
差异榜单对象确定模块460,用于确定根据所述目标地区所属的用户数据生成的推荐榜单与根据所述异地用户所属的用户数据生成的推荐榜单中排序差异大于预设条件的所述榜单对象;
推荐榜单修正模块470,用于从根据所述目标地区所属的用户数据生成的推荐榜单中,删除排序差异大于预设条件的所述榜单对象;
其中,所述异地用户是指常驻地区为非所述目标地区的用户。
以生成必玩榜(必玩景点榜单)为例,与大部分榜单面对特定用户群不同,必玩榜需要在一个榜单中满足多人群、多场景需求,这要求入榜景点有更高的稳定性。因此需要在测算不同人群差异之后,选择本异地用户分别计算质量和热度,剔除在不同人群(如本地用户和异地用户)口碑、偏好差异过大的景点,保证榜单能满足多人群、多场景需求。
本申请实施例公开的推荐榜单生成装置,通过基于不同人群的历史数据确定在不同人群中口碑差异较大的榜单对象,并将其从推荐榜单中移除,可以提升生成的推荐榜单的普适性。
本申请实施例公开的推荐榜单生成装置,用于实现本申请实施例一至实施例三中任意一实施例所述的推荐榜单生成方法的各步骤,装置的各模块的具体实施方式参见相应步骤,此处不再赘述。
相应的,本申请还公开了一种电子设备,包括存储器、处理器及存储在所述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计算机程序时实现如本申请实施例一至实施例三中任意一实施例所述的推荐榜单生成方法。所述电子设备可以为PC机、移动终端、个人数字助理、平板电脑等。
本申请还公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请实施例一至实施例三中任意一实施例中所述的推荐榜单生成方法的步骤。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言,由于其与方法实施例基本相似,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。
以上对本申请提供的一种推荐榜单生成方法及装置进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
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各实施方式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实现。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
Claims (20)
1.一种推荐榜单生成方法,其特征在于,包括:
获取目标地区所属的用户数据;
基于所述用户数据,根据热度评价体系确定各榜单对象的热度值以及根据质量评价体系确定所述各榜单对象的质量值;
根据所述热度值和质量值,对所述各榜单对象进行排序,生成所述目标地区的推荐榜单。
2.根据权利要求1所述的方法,其特征在于,在所述热度评价体系中,包括多项热度指标,并定义了包含所述多项热度指标的热度计算模型;
所述根据热度评价体系确定各榜单对象的热度值包括:
基于所述用户数据,对所述热度计算模型中的所述多项热度指标进行计算,确定各榜单对象的热度值。
3.根据权利要求2所述的方法,其特征在于,
在基于所述用户数据,对所述热度计算模型中的所述多项热度指标进行计算之前,还包括:确定所述热度评价体系中多项热度指标及其权重。
4.根据权利要求3所述的方法,其特征在于,所述确定所述热度评价体系中多项热度指标的步骤,包括:
基于先验榜单,确定所述热度评价体系中的多项热度指标。
5.根据权利要求3所述的方法,其特征在于,所述确定所述热度评价体系中多项热度指标的权重的步骤,包括:
基于先验榜单,确定所述热度评价体系中多项热度指标的权重。
6.根据权利要求5所述的方法,其特征在于,所述基于先验榜单,确定所述热度评价体系中多项热度指标的权重的步骤,包括:
将热度值作为层次结构模型的顶层指标,将所述热度评价体系中多项热度指标作为所述顶层指标的下一层级指标,根据所述多项热度指标构建成对比较阵;
通过求解该成对比较阵确定每项所述热度指标对热度值的影响权重;
根据每项所述热度指标对热度值的影响权重和先验榜单中各榜单对象的每项所述热度指标的取值,生成第一待验证榜单;
根据将所述第一待验证榜单和所述先验榜单进行对比得到的结果,确定所述多项热度指标的权重。
7.根据权利要求6所述的方法,其特征在于,所述根据将所述第一待验证榜单和所述先验榜单进行对比得到的结果,确定所述多项热度指标的权重的步骤,包括:
若验证得到所述第一待验证榜单与所述先验榜单不匹配,则调整所述成对比较阵,并跳转至所述通过求解该成对比较阵确定每项所述热度指标对热度值的影响权重的步骤;
若验证得到所述第一待验证榜单与所述先验榜单匹配,则确定当前的所述影响权重,作为所述热度评价体系中各项热度指标的权重。
8.根据权利要求1所述的方法,其特征在于,在所述质量评价体系中,包括至少一项质量指标,并定义了包含所述至少一项质量指标的质量计算模型;
所述根据质量评价体系确定所述各榜单对象的质量值包括:
基于所述用户数据,对所述质量计算模型中的所述至少一项质量指标进行计算,确定所述各榜单对象的质量值。
9.根据权利要求8所述的方法,其特征在于,
在基于所述用户数据,对所述质量计算模型中的所述至少一项质量指标进行计算之前,还包括:确定所述质量评价体系中至少一项质量指标。
10.根据权利要求9所述的方法,其特征在于,所述确定所述质量评价体系中至少一项质量指标的步骤,包括:
基于先验榜单,确定所述质量评价体系中至少一项质量指标。
11.根据权利要求10所述的方法,其特征在于,所述基于先验榜单,确定所述质量评价体系中至少一项质量指标的步骤,包括:
确定至少一项候选质量指标;
根据所述至少一项候选质量指标计算得到的先验榜单中各榜单对象的质量值,对所述先验榜单中各榜单对象进行排序,生成所述至少一项候选质量指标对应的第二待验证榜单;
将所述第二待验证榜单和所述先验榜单进行对比;
根据进行对比得到的结果,确定所述质量评价体系中的质量指标。
12.根据权利要求11所述的方法,其特征在于,所述根据进行对比得到的结果,确定所述质量评价体系中的质量指标的步骤,包括:
若验证得到所述第二待验证榜单与所述先验榜单匹配,则确定所述第二待验证榜单对应的所述至少一项候选质量指标作为所述质量评价体系中的质量指标;
若验证得到所述第二待验证榜单与所述先验榜单不匹配,则不将所述第二待验证榜单对应的所述至少一项候选质量指标作为所述质量评价体系中的质量指标。
13.根据权利要求11所述的方法,其特征在于,根据所述至少一项候选质量指标计算得到的先验榜单中各榜单对象的质量值,对所述先验榜单中各榜单对象进行排序的步骤,包括:
对于先验榜单中各榜单对象,基于所述至少一项候选质量指标,采用贝叶斯平均算法计算各榜单对象与所述至少一项候选质量指标对应的质量值。
14.根据权利要求1至13中任一项所述的方法,其特征在于,还包括:
获取异地用户所属的用户数据;
根据所述异地用户所属的用户数据,生成所述目标地区的各所述榜单对象的推荐榜单;
所述根据所述热度值和质量值,对所述各榜单对象进行排序,生成所述目标地区的推荐榜单的步骤之后,还包括:
确定根据所述目标地区所属的用户数据生成的推荐榜单与根据所述异地用户所属的用户数据生成的推荐榜单中排序差异大于预设条件的所述榜单对象;
从根据所述目标地区所属的用户数据生成的推荐榜单中,删除排序差异大于预设条件的所述榜单对象;
其中,所述异地用户是指常驻地区为非所述目标地区的用户。
15.一种推荐榜单生成装置,其特征在于,包括:
用户数据获取模块,用于获取目标地区所属的用户数据;
指标值确定模块,用于基于所述用户数据,根据热度评价体系确定各榜单对象的热度值以及根据质量评价体系确定所述各榜单对象的质量值;
推荐榜单生成模块,用于根据所述热度值和质量值,对所述各榜单对象进行排序,生成所述目标地区的推荐榜单。
16.根据权利要求15所述的装置,其特征在于,在所述热度评价体系中,包括多项热度指标,并定义了包含所述多项热度指标的热度计算模型;所述指标值确定模块进一步用于:
基于所述用户数据,对所述热度计算模型中的所述多项热度指标进行计算,确定各榜单对象的热度值。
17.根据权利要求15所述的装置,其特征在于,在所述质量评价体系中,包括至少一项质量指标,并定义了包含所述至少一项质量指标的质量计算模型;所述指标值确定模块进一步用于:
基于所述用户数据,对所述质量计算模型中的所述至少一项质量指标进行计算,确定所述各榜单对象的质量值。
18.根据权利要求15至17中任一项所述的装置,其特征在于,还包括:
异地用户数据获取模块,用于获取异地用户所属的用户数据;
异地用户推荐榜单确定模块,用于根据所述异地用户所属的用户数据,生成所述目标地区的各所述榜单对象的推荐榜单;
差异榜单对象确定模块,用于确定根据所述目标地区所属的用户数据生成的推荐榜单与根据所述异地用户所属的用户数据生成的推荐榜单中排序差异大于预设条件的所述榜单对象;
推荐榜单修正模块,用于从根据所述目标地区所属的用户数据生成的推荐榜单中,删除排序差异大于预设条件的所述榜单对象;
其中,所述异地用户是指常驻地区为非所述目标地区的用户。
19.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至14中任意一项所述的推荐榜单生成方法。
20.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至14中任意一项所述的推荐榜单生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910735567.6A CN110609963B (zh) | 2019-08-09 | 2019-08-09 | 推荐榜单生成方法及装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910735567.6A CN110609963B (zh) | 2019-08-09 | 2019-08-09 | 推荐榜单生成方法及装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110609963A true CN110609963A (zh) | 2019-12-24 |
CN110609963B CN110609963B (zh) | 2022-08-26 |
Family
ID=68889955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910735567.6A Active CN110609963B (zh) | 2019-08-09 | 2019-08-09 | 推荐榜单生成方法及装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110609963B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523037A (zh) * | 2020-04-26 | 2020-08-11 | 上海理工大学 | 一种开源软件开发中Pull Request的评审者推荐方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100125507A1 (en) * | 2008-11-17 | 2010-05-20 | Escape Media Group, Inc. | Method and system for presenting sponsored content |
CN103617543A (zh) * | 2013-11-25 | 2014-03-05 | 百度在线网络技术(北京)有限公司 | 应用程序的推荐方法和装置 |
CN104216883A (zh) * | 2013-05-29 | 2014-12-17 | 酷盛(天津)科技有限公司 | 视频推荐理由生成系统及方法 |
CN106528596A (zh) * | 2016-09-23 | 2017-03-22 | 乐视控股(北京)有限公司 | 一种信息推荐方法及装置 |
CN107967634A (zh) * | 2016-10-19 | 2018-04-27 | 阿里巴巴集团控股有限公司 | 一种信息推荐方法及装置 |
CN108549982A (zh) * | 2018-04-03 | 2018-09-18 | 东莞市波动赢机器人科技有限公司 | 信息推荐方法、电子设备和计算机存储介质 |
CN109598588A (zh) * | 2018-12-04 | 2019-04-09 | 广州拓飞商贸有限公司 | 一种基于大数据分析的在线商品展示方法 |
CN109740036A (zh) * | 2018-12-29 | 2019-05-10 | 北京创鑫旅程网络技术有限公司 | Ota平台酒店排序方法及装置 |
-
2019
- 2019-08-09 CN CN201910735567.6A patent/CN110609963B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100125507A1 (en) * | 2008-11-17 | 2010-05-20 | Escape Media Group, Inc. | Method and system for presenting sponsored content |
CN104216883A (zh) * | 2013-05-29 | 2014-12-17 | 酷盛(天津)科技有限公司 | 视频推荐理由生成系统及方法 |
CN103617543A (zh) * | 2013-11-25 | 2014-03-05 | 百度在线网络技术(北京)有限公司 | 应用程序的推荐方法和装置 |
CN106528596A (zh) * | 2016-09-23 | 2017-03-22 | 乐视控股(北京)有限公司 | 一种信息推荐方法及装置 |
CN107967634A (zh) * | 2016-10-19 | 2018-04-27 | 阿里巴巴集团控股有限公司 | 一种信息推荐方法及装置 |
CN108549982A (zh) * | 2018-04-03 | 2018-09-18 | 东莞市波动赢机器人科技有限公司 | 信息推荐方法、电子设备和计算机存储介质 |
CN109598588A (zh) * | 2018-12-04 | 2019-04-09 | 广州拓飞商贸有限公司 | 一种基于大数据分析的在线商品展示方法 |
CN109740036A (zh) * | 2018-12-29 | 2019-05-10 | 北京创鑫旅程网络技术有限公司 | Ota平台酒店排序方法及装置 |
Non-Patent Citations (1)
Title |
---|
潘璐: "基于层次分析法的服装推荐专家系统", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523037A (zh) * | 2020-04-26 | 2020-08-11 | 上海理工大学 | 一种开源软件开发中Pull Request的评审者推荐方法 |
CN111523037B (zh) * | 2020-04-26 | 2023-08-04 | 上海理工大学 | 一种开源软件开发中Pull Request的评审者推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110609963B (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108460101B (zh) | 面向位置社交网络基于地理位置正则化的兴趣点推荐方法 | |
CN107526850A (zh) | 基于多重个性化特征混合架构的社交网络好友推荐方法 | |
CN107256241B (zh) | 基于网格与差异替换改进多目标遗传算法的电影推荐方法 | |
CN110209946B (zh) | 基于社交和社群的产品推荐方法、系统和存储介质 | |
CN106021456B (zh) | 将文本和地理信息融合在局部协同排列的兴趣点推荐方法 | |
CN113343127B (zh) | 一种旅游路线推荐方法、系统、服务器及存储介质 | |
Ferwerda et al. | How item discovery enabled by diversity leads to increased recommendation list attractiveness | |
CN109726747A (zh) | 基于社交网络推荐平台的数据融合排序方法 | |
CN109871479A (zh) | 一种基于用户项目类及评分可靠性的协同过滤方法 | |
CN110070134A (zh) | 一种基于用户兴趣感知的推荐方法及装置 | |
CN110532429B (zh) | 一种基于聚类和关联规则的线上用户群体分类方法及装置 | |
Forsati et al. | Web page personalization based on weighted association rules | |
CN110119479A (zh) | 一种餐馆推荐方法、装置、设备及可读存储介质 | |
CN110609963B (zh) | 推荐榜单生成方法及装置、电子设备及存储介质 | |
CN113132749B (zh) | 直播间的推荐方法、装置、设备及介质 | |
CN107291894A (zh) | 一种融合相似性和共同评分项数量的概率矩阵分解模型 | |
CN109636509B (zh) | 一种基于非对称距离构建子矩阵的评分预测方法 | |
CN116701772B (zh) | 数据推荐方法和装置、计算机可读存储介质、电子设备 | |
CN113409157A (zh) | 一种跨社交网络用户对齐方法以及装置 | |
CN111078859B (zh) | 一种基于引用次数的作者推荐方法 | |
CN111241415A (zh) | 一种融合多因素社交活动的推荐方法 | |
CN108230059A (zh) | 电影推荐方法及装置 | |
CN109460474A (zh) | 用户偏好趋势挖掘方法 | |
CN109887023A (zh) | 一种基于加权梯度幅度的双目融合立体图像质量评价方法 | |
Andric et al. | Climbing route difficulty grade prediction and explanation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |