CN110610393A - 一种信息推荐的方法和装置 - Google Patents
一种信息推荐的方法和装置 Download PDFInfo
- Publication number
- CN110610393A CN110610393A CN201810621346.1A CN201810621346A CN110610393A CN 110610393 A CN110610393 A CN 110610393A CN 201810621346 A CN201810621346 A CN 201810621346A CN 110610393 A CN110610393 A CN 110610393A
- Authority
- CN
- China
- Prior art keywords
- information
- similarity
- travel
- similarity matrix
- commodity
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供了一种信息推荐的方法和装置,其中所述方法包括:获取业务对象之间的在先相似度矩阵;获取所述业务对象的特征信息;基于所述特征信息,对所述在先相似度矩阵进行更新;采用更新后的相似度矩阵进行信息推荐。本申请实施例可以提高推荐的信息的精准度。
Description
技术领域
本申请涉及推荐技术领域,特别是涉及一种旅游信息推荐的方法、一种信息推荐的方法、一种旅游信息推荐的装置、一种信息推荐的装置、一种推荐系统以及机器可读介质。
背景技术
电商网站的商品推荐,一般都依赖于计算item-to-item(商品和商品)的相似度矩阵,旅游电商网站亦不外乎如是。这类方法的推荐过程如下:
1.根据用户的行为,收集用户偏好商品,比如点击过、收藏过的商品;
2.通过协同过滤、或基于内容相似度的方法、或其他方法,计算item-to-item之间的相似度矩阵。
3.对用户展示偏好商品的相似商品。
因而,item-to-item的相似度矩阵数据的优劣,对于推荐服务质量至关重要。
发明内容
鉴于上述问题,提出了本申请实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种旅游信息推荐的方法、一种信息推荐的方法和相应的一种旅游信息推荐的装置、一种信息推荐的装置、一种推荐系统以及机器可读介质。
为了解决上述问题,本申请实施例公开了一种旅游信息推荐的方法,所述方法包括:
获取旅游商品之间的在先相似度矩阵;
获取旅游商品的旅游特征信息;
基于所述旅游特征信息,对所述在先相似度矩阵进行更新;
采用更新后的相似度矩阵进行信息推荐。
优选地,所述旅游特征信息包括第一特征信息,所述基于所述旅游特征信息,对所述在先相似度矩阵进行更新,包括:
根据所述第一特征信息,训练指定数据模型;
针对所述在先相似度矩阵之间的每个相似度,采用所述指定数据模型,确定所述相似度的更新值;
在所述在先相似度矩阵中,将所述更新值替换对应的相似度,得到更新的相似度矩阵。
优选地,当所述旅游特征信息为第一特征信息时,所述获取旅游特征信息,包括:
针对在先相似度矩阵中记录的各组相似的旅游商品,分别获取所述旅游商品的商品信息,其中,所述商品信息包括如下所列的一种或组合:商品类目、商品标识、商品属性信息;
分别获取所述旅游商品的日志信息,其中,所述日志信息包括曝光日志以及点击日志;
将所述日志信息与所述商品信息进行关联,生成关联数据表;
从所述关联数据表中提取所述第一特征信息。
优选地,所述日志信息包括商品标识;
所述将所述日志信息与所述商品信息进行关联,生成关联数据表,包括:
根据所述日志信息中记载的商品标识,查找所述商品标识匹配的商品信息;
将所述日志信息以及匹配的商品信息记录在一宽表中,得到关联数据包。
优选地,所述旅游特征信息包括第二特征信息,所述第二特征信息为根据所述在先相似度矩阵中各组相似的旅游商品以及对应的商品信息生成的信息;
所述针对所述在先相似度矩阵之间的每个相似度,采用所述指定数据模型,确定所述相似度的更新值,包括:
将所述第二特征信息输入所述指定数据模型,获取所述指定数据模型输出的相似度,作为所述相似的旅游商品的相似度的更新值。
优选地,若同一组相似的旅游商品存在于两个或以上的在先相似度矩阵中,则得到的更新值有两个或以上;
在所述在先相似度矩阵中,将所述更新值替换对应的相似度,得到更新的相似度矩阵之前,还包括:
根据所述两个或以上的更新值,确定最终的更新值。
优选地,所述旅游特征信息包括多维特征信息,具体包括:
商品的相似度算法信息:包括但不限于当前旅游商品与相似的商品之间的相似度、计算所述相似度的算法类型;
商品属性:包括但不限于商品类目、出发地、目的地、景点、价格、卖家星级;
商品的统计数据:包括但不限于预设时间段内当前旅游商品的点击率、好评率、转化率、加购率;
匹配特征:包括但不限于当前旅游商品与相似的商品之间的商品属性是否相同的匹配结果;
差值特征:包括但不限于当前旅游商品与相似的商品之间的统计数据之间的差值;
组合特征:包括但不限于当前旅游商品与相似的商品的所述商品属性、商品的统计数据、匹配特征、差值特征进行笛卡尔积后得到的特征。
优选地,所述在先相似度矩阵至少包括根据内容相似度算法确定的第一相似度矩阵,以及,根据协同过滤算法确定的第二相似度矩阵。
本申请实施例还公开了一种信息推荐的方法,所述方法包括:
获取业务对象之间的在先相似度矩阵;
获取所述业务对象的特征信息;
基于所述特征信息,对所述在先相似度矩阵进行更新;
采用更新后的相似度矩阵进行信息推荐。
本申请实施例还公开了一种旅游信息推荐的装置,所述装置包括:
在先相似度矩阵获取模块,用于获取旅游商品之间的在先相似度矩阵;
旅游特征信息获取模块,用于获取旅游商品的旅游特征信息;
矩阵更新模块,用于基于所述旅游特征信息,对所述在先相似度矩阵进行更新;
信息推荐模块,用于采用更新后的相似度矩阵进行信息推荐。
优选地,所述旅游特征信息包括第一特征信息,所述矩阵更新模块包括:
模型训练子模块,用于根据所述第一特征信息,训练指定数据模型;
相似度更新值确定子模块,用于针对所述在先相似度矩阵之间的每个相似度,采用所述指定数据模型,确定所述相似度的更新值;
更新子模块,用于在所述在先相似度矩阵中,将所述更新值替换对应的相似度,得到更新的相似度矩阵。
优选地,当所述旅游特征信息为第一特征信息时,所述旅游特征信息获取模块包括:
商品信息获取子模块,用于针对在先相似度矩阵中记录的各组相似的旅游商品,分别获取所述旅游商品的商品信息,其中,所述商品信息包括如下所列的一种或组合:商品类目、商品标识、商品属性信息;
日志信息获取子模块,用于分别获取所述旅游商品的日志信息,其中,所述日志信息包括曝光日志以及点击日志;
数据关联子模块,用于将所述日志信息与所述商品信息进行关联,生成关联数据表;
特征提取子模块,用于从所述关联数据表中提取所述第一特征信息。
优选地,所述日志信息包括商品标识;
所述数据关联子模块包括:
商品信息查找单元,用于根据所述日志信息中记载的商品标识,查找所述商品标识匹配的商品信息;
数据记录单元,用于将所述日志信息以及匹配的商品信息记录在一宽表中,得到关联数据包。
优选地,所述旅游特征信息包括第二特征信息,所述第二特征信息为根据所述在先相似度矩阵中各组相似的旅游商品以及对应的商品信息生成的信息;
所述相似度更新值确定子模块还用于:
将所述第二特征信息输入所述指定数据模型,获取所述指定数据模型输出的相似度,作为所述相似的旅游商品的相似度的更新值。
优选地,若同一组相似的旅游商品存在于两个或以上的在先相似度矩阵中,则得到的更新值有两个或以上;
所述装置还包括:
更新值最终确认模块,用于根据所述两个或以上的更新值,确定最终的更新值。
优选地,所述旅游特征信息包括多维特征信息,具体包括:
商品的相似度算法信息:包括但不限于当前旅游商品与相似的商品之间的相似度、计算所述相似度的算法类型;
商品属性:包括但不限于商品类目、出发地、目的地、景点、价格、卖家星级;
商品的统计数据:包括但不限于预设时间段内当前旅游商品的点击率、好评率、转化率、加购率;
匹配特征:包括但不限于当前旅游商品与相似的商品之间的商品属性是否相同的匹配结果;
差值特征:包括但不限于当前旅游商品与相似的商品之间的统计数据之间的差值;
组合特征:包括但不限于当前旅游商品与相似的商品的所述商品属性、商品的统计数据、匹配特征、差值特征进行笛卡尔积后得到的特征。
优选地,所述在先相似度矩阵至少包括根据内容相似度算法确定的第一相似度矩阵,以及,根据协同过滤算法确定的第二相似度矩阵。
本申请实施例还公开了一种信息推荐的装置,所述装置包括:
在先相似度矩阵获取模块,用于获取业务对象之间的在先相似度矩阵;
特征信息获取模块,用于获取所述业务对象的特征信息;
矩阵更新模块,用于基于所述特征信息,对所述在先相似度矩阵进行更新;
信息推荐模块,用于采用更新后的相似度矩阵进行信息推荐。
本申请实施例包括以下优点:
在本申请实施例中,可以根据旅游商品之间的在先相似度矩阵,结合旅游商品的特殊性,确定该在先相似度矩阵中每个旅游商品的旅游特征信息,并根据该旅游特征信息对在先相似度矩阵进行更新,提高相似度矩阵的数据质量,当采用更新后的相似度矩阵进行信息推荐时,可以提高推荐的信息的精准度。
附图说明
图1是本申请的一种信息推荐的方法实施例的步骤流程图;
图2是本申请的一种旅游信息推荐的方法实施例的步骤流程图;
图3是本申请的一种旅游信息推荐的方法实施例中的模型训练示意图;
图4是本申请的一种旅游信息推荐的方法实施例中的模型预测示意图;
图5是本申请的一种旅游信息推荐的装置实施例的结构框图;
图6是本申请的一种信息推荐的装置实施例的结构框图;
图7是本申请的一种推荐系统实施例的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
参考图1,示出了本申请的一种信息推荐的方法实施例的步骤流程图,具体可以包括如下步骤:
步骤101,获取业务对象之间的在先相似度矩阵;
步骤102,获取所述业务对象的特征信息;
步骤103,基于所述特征信息,对所述在先相似度矩阵进行更新;
步骤104,采用更新后的相似度矩阵进行信息推荐。
在本申请实施例的一种优选实施例中,所述特征信息可以包括第一特征信息,所述基于所述特征信息,对所述在先相似度矩阵进行更新,包括:
根据所述第一特征信息,训练指定数据模型;
针对所述在先相似度矩阵之间的每个相似度,采用所述指定数据模型,确定所述相似度的更新值;
在所述在先相似度矩阵中,将所述更新值替换对应的相似度,得到更新的相似度矩阵。
在本申请实施例的一种优选实施例中,当所述特征信息为第一特征信息时,所述获取业务对象的特征信息,包括:
针对在先相似度矩阵中记录的各组相似的业务对象,分别获取所述业务对象的属性信息;
分别获取所述业务对象的日志信息;
将所述日志信息与所述属性信息进行关联,生成关联数据表;
从所述关联数据表中提取所述第一特征信息。
在本申请实施例的一种优选实施例中,所述日志信息包括业务对象标识;
所述将所述日志信息与所述属性信息进行关联,生成关联数据表,包括:
根据所述日志信息中记载的业务对象标识,查找所述业务对象标识匹配的属性信息;
将所述日志信息以及匹配的属性信息记录在一宽表中,得到关联数据包。
在本申请实施例的一种优选实施例中,所述特征信息包括第二特征信息,所述第二特征信息为根据所述在先相似度矩阵中各组相似的业务对象以及对应的属性信息生成的信息;
所述针对所述在先相似度矩阵之间的每个相似度,采用所述指定数据模型,确定所述相似度的更新值,包括:
将所述第二特征信息输入所述指定数据模型,获取所述指定数据模型输出的相似度,作为所述相似的旅游商品的相似度的更新值。
在本申请实施例的一种优选实施例中,若同一组相似的业务对象存在于两个或以上的在先相似度矩阵中,则得到的更新值有两个或以上;
在所述在先相似度矩阵中,将所述更新值替换对应的相似度,得到更新的相似度矩阵之前,还包括:
根据所述两个或以上的更新值,确定最终的更新值。
在本申请实施例的一种优选实施例中,所述特征信息包括多维特征信息,所述业务对象可以包括商品对象,例如,旅游商品,则所述特征信息具体包括:
商品的相似度算法信息:包括但不限于当前旅游商品与相似的商品之间的相似度、计算所述相似度的算法类型;
商品属性:包括但不限于商品类目、出发地、目的地、景点、价格、卖家星级;
商品的统计数据:包括但不限于预设时间段内当前旅游商品的点击率、好评率、转化率、加购率;
匹配特征:包括但不限于当前旅游商品与相似的商品之间的商品属性是否相同的匹配结果;
差值特征:包括但不限于当前旅游商品与相似的商品之间的统计数据之间的差值;
组合特征:包括但不限于当前旅游商品与相似的商品的所述商品属性、商品的统计数据、匹配特征、差值特征进行笛卡尔积后得到的特征。
在本申请实施例的一种优选实施例中,所述在先相似度矩阵至少包括根据内容相似度算法确定的第一相似度矩阵,以及,根据协同过滤算法确定的第二相似度矩阵。
在本申请实施例中,可以根据业务对象之间的在先相似度矩阵,确定该在先相似度矩阵中每个业务对象的特征信息,并根据该特征信息对在先相似度矩阵进行更新,提高相似度矩阵的数据质量,当采用更新后的相似度矩阵进行信息推荐时,可以提高推荐的信息的精准度。
参考图2,示出了本申请的一种旅游信息推荐的方法实施例的步骤流程图,本申请实施例适用于旅游商品的推荐场景,作为一种示例,旅游商品可以包括但不限于:酒店、景点、路线、门票等。
本申请实施例具体可以包括如下步骤:
步骤201,获取旅游商品之间的在先相似度矩阵;
在具体实现中,在先相似度矩阵可以包括根据内容相似度算法和/或协同过滤算法确定的相似度矩阵。
其中,所述协同过滤算法为根据用户的历史行为计算相似度矩阵的算法,作为一种示例,该相似度矩阵可以包括商品和商品之间(商品-商品,即Item-to-Item)的相似度矩阵、用户与用户(用户-用户)之间的相似度矩阵等。
协同过滤算法可以包括Graph Based(基于图形的算法)、SVD(singular valuedecomposition,奇异值分解)矩阵分解、RBM(Restricted Boltzmann Machine,受限玻尔兹曼机)、SLIM(Sparse Learning via Iterative Minimization,稀疏线性)等算法。
内容相似度方法为基于文本、标签、图片等商品自身信息计算相似度矩阵的算法,例如,计算商品之间的文本相似度、标签相似度等算法。
在本实施例中,在先相似度矩阵可以包括多组相似的商品,即多组Item-to-Item,并记录每组商品之间的相似度(归一化到[0,1]之间的浮点数)。针对旅游商品的推荐场景,该商品可以包括旅游商品。
步骤202,获取旅游商品的旅游特征信息;
在具体实现中,旅游特征信息可以为与旅游商品的特性关联的特征信息,其可以是多维的特征信息。
在本申请实施例的一种优选实施例中,所述旅游特征信息可以包括第一特征信息,步骤202具体可以包括如下子步骤:
子步骤S11,针对在先相似度矩阵中记录的各组相似的旅游商品,分别获取所述旅游商品的商品信息;
在具体实现中,在先相似度矩阵中针对每个商品都具有对应的商品标识(即商品ID),根据该商品标识,可以从商品库中获取该商品对应的商品信息,作为一种示例,该商品信息可以包括但不限于:商品类目(电商网站对商品的按层级的分类)、商品标识、商品属性等商品的详细信息,其中,针对旅游商品,该商品属性可以包括出发地、目的地、景点、价格、卖家星级等。
子步骤S12,分别获取所述旅游商品的日志信息,其中,所述日志信息包括曝光日志以及点击日志;
根据在先相似度矩阵中各商品的商品标识,还可以采集线上场景中的该商品的日志信息,该日志信息用于记录用户的行为数据。
其中,该日志信息可以包括点击日志、曝光日志等。
在具体实现中,商品的曝光日志、点击日志等日志信息在线上场景被客户端采集后可以上传到日志服务器,则本申请实施例可以从日志服务器中获取对应商品标识的日志信息。
其中,曝光日志用于记录商品呈现给用户的记录;点击日志用于记录用户对呈现的商品的点击记录。
子步骤S13,将所述日志信息与所述商品信息进行关联,生成关联数据表;
在具体实现中,由于商品的曝光日志以及点击日志等日志信息可能只是记录了商品标识,并没有记录商品的详细信息,因此,根据在先相似度矩阵中每个商品的商品标识,得到该商品对应的商品信息、曝光日志以及点击日志以后,如图3的模型训练示意图所示,可以将该商品信息与曝光日志以及点击日志进行关联,得到一个针对该商品标识的关联数据表。
在本申请实施例的一种优选实施例中,子步骤S13具体可以包括如下子步骤:
根据所述日志信息中记载的商品标识,查找所述商品标识匹配的商品信息;将所述日志信息以及匹配的商品信息记录在一宽表中,得到关联数据包。
在实际中,该关联数据表可以为一个宽表,例如,该宽表可以包括但不限于如下字段:trigger_item_id(点击的商品标识)、trigger_item_price(点击的商品价格)、recall_item_id(回调的商品标识)、recall_item_price(回调的商品价格)等。
需要说明的是,本申请实施例不对上述关联的方式作具体限定,本领域技术人员根据实际需求采用适应的关联方式即可,例如,该关联方式可以包括在Hive平台上对两个表(日志信息的表与商品信息的表)之间进行Join操作。
子步骤S14,从所述关联数据表中提取所述第一特征信息。
得到关联数据表以后,可以根据该关联数据表,进行特征提取,得到第一特征信息。其中,本申请实施例对具体的特征提取算法不作限定。
作为一种示例,该第一特征信息包括但不限于:
商品的相似度算法信息:包括但不限于当前旅游商品与相似的商品之间的相似度、计算所述相似度的算法类型。在实际中,商品的相似度算法信息可以记录在该商品的点击日志和/或曝光日志中。
商品属性:可以包括但不限于商品类目、出发地、目的地、景点、价格、卖家星级等信息。
商品的统计数据:可以包括但不限于预设时间段内当前旅游商品的点击率、好评率、转化率、加购率等数据,其中,预设时间段可以包括但不限于最近1天、7天、30天、90天等时间信息。
匹配特征:包括但不限于当前旅游商品与相似的商品之间的商品属性是否相同的匹配结果,例如,针对当前旅游商品,判断其与对应的相似的商品的出发地是否相同、目的地是否相同、景点是否相同、商品类目是否相同、卖家星级是否相同等。
差值特征:包括但不限于当前旅游商品与相似的商品之间的统计数据之间的差值,例如,针对当前旅游商品,判断其与对应的相似的商品最近1天、7天、30天、90天的点击率、加购率、好评率的差值等。
组合特征:包括但不限于当前旅游商品与相似的商品的上述商品属性、商品的统计数据、匹配特征、差值特征进行笛卡尔积后得到的特征。
需要说明的是,本实施例并不限于上述第一特征信息,本领域技术人员可以根据实际需求定义旅游商品的其他特征信息均是可以的。
步骤203,基于所述旅游特征信息,对所述在先相似度矩阵进行更新;
在本申请实施例中,获取在先相似度矩阵中每个旅游商品的旅游特征信息以后,可以根据该旅游特征信息,对在先相似度矩阵进行更新。由于旅游特征信息中可以包括出发地、目的地、景点等旅游商品特有的相关因素以及考虑商品在最终推荐场景中的收益数据(如商品的统计数据),使得更新后的相似度矩阵更好地体现了旅游商品的特殊性,提高相似度矩阵的数据质量,从而提升信息推荐的准确性。
在本申请实施例的一种优选实施例中,步骤203进一步可以包括如下子步骤:
子步骤S21,根据所述第一特征信息,训练指定数据模型;
根据步骤202得到旅游商品的第一特征信息以后,可以将在先相似度矩阵中记录的所有旅游商品的第一特征信息作为训练数据,采用指定的训练算法,训练指定数据模型。
作为一种示例,该指定数据模型可以包括CTR(Click Through Rate,点击率)预估模型。
在一种实施例中,该指定的训练算法可以包括深度神经网络算法(如反向传播算法等)、逻辑回归算法(Logistic Regression)、GBDT(Gradient Boosting Decision Tree,梯度下降树),等等。
以深度神经网络算法为例,具体的,可以建立深度神经网络,如图3所示,该深度神经网络可以包括输入层、隐藏层-1、隐藏层-2等以及输出层,其中,该输出层输出的相似度数值可以通过Sigmoid函数归一化到[0,1]之间的浮点数。将训练数据(即在先相似度矩阵中的所有旅游商品的第一特征信息)作为该神经网络的输入层,利用反向传播算法进行训练,以CTR作为模型的预估目标,得到CTR预估模型。在模型训练过程中,使用深度学习技术可以提高模型的泛化能力。
需要说明的是,本申请实施例的指定数据模型并不限于CTR模型,还可以以CVR(Conversion Rate,转化率)作为模型的预估目标,得到CVR预估模型,其训练的方式可以参照CTR的训练方式。
子步骤S22,针对所述在先相似度矩阵之间的每个相似度,采用所述指定数据模型,确定所述相似度的更新值;
得到指定数据模型以后,给定一组候选相似商品(A,B),可以利用训练好的数据模型,得到两者之间的相似度,并将该相似度作为在先相似度矩阵中对应的相似度的更新值。
在本申请实施例的一种优选实施例中,所述旅游特征信息还可以包括第二特征信息,该第二特征信息可以为根据在先相似度矩阵中各组相似的旅游商品以及对应的商品信息生成的信息。
需要说明的是,第二特征信息与第一特征信息的获取方式基本类似,包括如下过程:
针对在先相似度矩阵中记录的各组相似的旅游商品,分别获取所述旅游商品的商品信息;将在先相似度矩阵的数据与对应的商品信息进行关联,生成第二关联数据表;从第二关联数据表中提取第二特征信息。
具体的,参考图4所示的模型预测示意图,在先相似度矩阵至少可以包括根据内容相似算法确定的第一相似度矩阵(即图4中的内容相似结果),以及,根据协同过滤算法确定的第二相似度矩阵(即图4总的协同过滤结果)。
根据第一特征信息获取过程中得到的每个旅游商品的商品信息,可以将第一相似度矩阵的数据与商品信息进行关联,和/或,将第二相似度矩阵的数据与商品信息进行关联,得到第二关联数据表,然后根据该第二关联数据表,进行特征提取,得到第二特征信息。
作为一种示例,该第二特征信息包括但不限于:
商品的相似度算法信息:包括但不限于当前旅游商品与相似的商品之间的相似度、计算所述相似度的算法类型等。
商品属性:可以包括但不限于商品类目、出发地、目的地、景点、价格、卖家星级等信息。
商品的统计数据:可以包括但不限于预设时间段内当前旅游商品的点击率、好评率、转化率、加购率等数据,其中,预设时间段可以包括但不限于最近1天、7天、30天、90天等时间信息。
匹配特征:包括但不限于当前旅游商品与相似的商品之间的商品属性是否相同的匹配结果,例如,针对当前旅游商品,判断其与对应的相似的商品的出发地是否相同、目的地是否相同、景点是否相同、商品类目是否相同、卖家星级是否相同等。
差值特征:包括但不限于当前旅游商品与相似的商品之间的统计数据之间的差值,例如,针对当前旅游商品,判断其与对应的相似的商品最近1天、7天、30天、90天的点击率、加购率、好评率的差值等。
组合特征:包括但不限于当前旅游商品与相似的商品的上述商品属性、商品的统计数据、匹配特征、差值特征进行笛卡尔积后得到的特征。
需要说明的是,本实施例并不限于上述第二特征信息,本领域技术人员可以根据实际需求定义旅游商品的其他特征信息均是可以的。
在本申请实施例的另一种优选实施例中,子步骤S22进一步可以包括如下子步骤:
将所述第二特征信息输入所述指定数据模型,获取所述指定数据模型输出的相似度,作为所述相似的旅游商品的相似度的更新值。
例如,在图4中,对于第一相似度矩阵或者第二相似度矩阵中记录的每个旅游商品,可以将该旅游商品的第二特征信息作为输入层输入CTR预估模型,由CTR模型按照深度神经网络的逻辑,计算该旅游商品和相似的商品之间的相似度,该相似度通过Sigmoid函数归一化到[0,1]之间的浮点数。如果该CTR预估模型输出的相似度与第一相似度矩阵或者第二相似度矩阵中记录的,该旅游商品与同一相似的商品的相似度不同,则将该CTR预估模型输出的相似度作为原有相似度的更新值。
例如,针对同一组候选商品(A,B),CTR模型输入的相似度为0.8,第一相似度矩阵原有的相似度为0.6,则将0.8作为更新值。
在本申请实施例的一种优选实施例中,若同一组相似的旅游商品存在于两个或以上的在先相似度矩阵中,则得到的更新值有两个或以上,此时,可以根据两个或以上的更新值,决策出最终的更新值。
在具体实现中,同一组候选商品,可能存在多种来源,该组候选商品可可以存在于两个或以上的在先相似度矩阵中,例如,同一组候选商品(A,B),可以存在于第一相似度矩阵(如根据内容相似算法得到的相似度矩阵)中,也可以存在于第二相似度矩阵(如根据协同过滤算法得到的相似度矩阵)中。则第一相似度矩阵中的该候选商品(A,B)经过CTR预估模型后得到对应的第一更新值,第二相似度矩阵中的该候选商品(A,B)经过CTR预估模型后得到对应的第二更新值。
在一种实施方式中,可以采用如下方式从第一更新值与第二更新值中确定最终的更新值:
从所述两个或以上的更新值中,选择最大的更新值作为最终的更新值。
例如,若第一更新值与第二更新值中第二更新值最大,则将第二更新值作为最终的更新值。
在另一种实施方式中,还可以采用如下方式从第一更新值与第二更新值中确定最终的更新值:
分别对所述两个或以上的更新值添加预设权重后,进行加权求和运算,得到最终的更新值。
需要说明的是,预设权重可以根据具体经验设定,本申请实施例对此不作限制。
例如,可以为第一更新值设定第一权重w1,为第二更新值设定第二权重w2,则最终的更新值=第一更新值*w1+第二更新值*w2。
在本实施例中,可以融合多种类型的相似度矩阵数据,从而提高item-to-item数据最终在推荐场景中的收益。
子步骤S23,在所述在先相似度矩阵中,将所述更新值替换对应的相似度,得到更新的相似度矩阵。
得到相似度的更新值以后,可以将该更新值替换第一相似度矩阵或者第二相似度矩阵中原有的相似度,得到更新的第一相似度矩阵或者第二相似度矩阵。
需要说明的是,除了上述方法以外,还可以采用其他方式对在先相似度矩阵进行更新,本申请实施例对此不作限定,例如,同一组候选商品(A,B)同时存在于第一相似度矩阵以及第二相似度矩阵中时,可以直接从第一相似度矩阵以及第二相似度矩阵原有的相似度中选择最大的相似度,更新另一相似度矩阵,或者将两个原有的相似度加权求和后得到的相似度作为最终的相似度。
步骤204,采用更新后的相似度矩阵进行信息推荐。
确定更新的相似度矩阵以后,可以采用该更新的相似度矩阵进行商品推荐,从而可以提高商品推荐的精准度。
在本申请实施例中,可以根据旅游商品之间的在先相似度矩阵,结合旅游商品的特殊性,确定该在先相似度矩阵中每个旅游商品的旅游特征信息,并根据该旅游特征信息对在先相似度矩阵进行更新,提高相似度矩阵的数据质量,当采用更新后的相似度矩阵进行信息推荐时,可以提高推荐的信息的精准度。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请实施例并不受所描述的动作顺序的限制,因为依据本申请实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本申请实施例所必须的。
参照图5,示出了本申请的一种旅游信息推荐的装置实施例的结构框图,所述装置具体可以包括如下模块:
在先相似度矩阵获取模块501,用于获取旅游商品之间的在先相似度矩阵;
旅游特征信息获取模块502,用于获取旅游商品的旅游特征信息;
矩阵更新模块503,用于基于所述旅游特征信息,对所述在先相似度矩阵进行更新;
信息推荐模块504,用于采用更新后的相似度矩阵进行信息推荐。
在本申请实施例的一种优选实施例中,所述旅游特征信息包括第一特征信息,所述矩阵更新模块503可以包括如下子模块:
模型训练子模块,用于根据所述第一特征信息,训练指定数据模型;
相似度更新值确定子模块,用于针对所述在先相似度矩阵之间的每个相似度,采用所述指定数据模型,确定所述相似度的更新值;
更新子模块,用于在所述在先相似度矩阵中,将所述更新值替换对应的相似度,得到更新的相似度矩阵。
在本申请实施例的一种优选实施例中,当所述旅游特征信息为第一特征信息时,所述旅游特征信息获取模块502可以包括如下子模块:
商品信息获取子模块,用于针对在先相似度矩阵中记录的各组相似的旅游商品,分别获取所述旅游商品的商品信息,其中,所述商品信息包括如下所列的一种或组合:商品类目、商品标识、商品属性信息;
日志信息获取子模块,用于分别获取所述旅游商品的日志信息,其中,所述日志信息包括曝光日志以及点击日志;
数据关联子模块,用于将所述日志信息与所述商品信息进行关联,生成关联数据表;
特征提取子模块,用于从所述关联数据表中提取所述第一特征信息。
在本申请实施例的一种优选实施例中,所述日志信息包括商品标识;
所述数据关联子模块包括:
商品信息查找单元,用于根据所述日志信息中记载的商品标识,查找所述商品标识匹配的商品信息;
数据记录单元,用于将所述日志信息以及匹配的商品信息记录在一宽表中,得到关联数据包。
在本申请实施例的一种优选实施例中,所述旅游特征信息包括第二特征信息,所述第二特征信息为根据所述在先相似度矩阵中各组相似的旅游商品以及对应的商品信息生成的信息;
所述相似度更新值确定子模块还用于:
将所述第二特征信息输入所述指定数据模型,获取所述指定数据模型输出的相似度,作为所述相似的旅游商品的相似度的更新值。
在本申请实施例的一种优选实施例中,若同一组相似的旅游商品存在于两个或以上的在先相似度矩阵中,则得到的更新值有两个或以上;
所述装置还可以包括如下模块:
更新值最终确认模块,用于根据所述两个或以上的更新值,确定最终的更新值。
在本申请实施例的一种优选实施例中,所述旅游特征信息包括多维特征信息,具体包括:
商品的相似度算法信息:包括但不限于当前旅游商品与相似的商品之间的相似度、计算所述相似度的算法类型;
商品属性:包括但不限于商品类目、出发地、目的地、景点、价格、卖家星级;
商品的统计数据:包括但不限于预设时间段内当前旅游商品的点击率、好评率、转化率、加购率;
匹配特征:包括但不限于当前旅游商品与相似的商品之间的商品属性是否相同的匹配结果;
差值特征:包括但不限于当前旅游商品与相似的商品之间的统计数据之间的差值;
组合特征:包括但不限于当前旅游商品与相似的商品的所述商品属性、商品的统计数据、匹配特征、差值特征进行笛卡尔积后得到的特征。
在本申请实施例的一种优选实施例中,所述在先相似度矩阵至少可以包括根据内容相似度算法确定的第一相似度矩阵以及根据协同过滤算法确定的第二相似度矩阵。
对于图5的装置实施例而言,由于其与上述的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。
参照图6,示出了本申请的一种信息推荐的装置实施例的结构框图,所述装置具体可以包括如下模块:
在先相似度矩阵获取模块601,用于获取业务对象之间的在先相似度矩阵;
特征信息获取模块602,用于获取所述业务对象的特征信息;
矩阵更新模块603,用于基于所述特征信息,对所述在先相似度矩阵进行更新;
信息推荐模块604,用于采用更新后的相似度矩阵进行信息推荐。
对于图6的装置实施例而言,由于其与上述的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。
本公开的实施例可被实现为使用任意适当的硬件,固件,软件,或及其任意组合进行想要的配置的系统。图7示意性地示出了可被用于实现本公开中所述的各个实施例的示例性的推荐系统700。
对于一个实施例,图7示出了示例性系统700,该系统具有一个或多个处理器702、被耦合到(一个或多个)处理器702中的至少一个的系统控制模块(芯片组)704、被耦合到系统控制模块704的系统存储器706、被耦合到系统控制模块704的非易失性存储器(NVM)/存储设备708、被耦合到系统控制模块704的一个或多个输入/输出设备710,以及被耦合到系统控制模块706的网络接口712。
处理器702可包括一个或多个单核或多核处理器,处理器702可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。在一些实施例中,系统700能够作为本申请实施例中所述的数据平台。
在一些实施例中,系统700可包括具有指令的一个或多个计算机可读介质(例如,系统存储器706或NVM/存储设备708)以及与该一个或多个计算机可读介质相合并被配置为执行指令以实现模块从而执行本公开中所述的动作的一个或多个处理器702。
对于一个实施例,系统控制模块704可包括任意适当的接口控制器,以向(一个或多个)处理器702中的至少一个和/或与系统控制模块704通信的任意适当的设备或组件提供任意适当的接口。
系统控制模块704可包括存储器控制器模块,以向系统存储器706提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
系统存储器706可被用于例如为系统700加载和存储数据和/或指令。对于一个实施例,系统存储器706可包括任意适当的易失性存储器,例如,适当的DRAM。在一些实施例中,系统存储器706可包括双倍数据速率类型四同步动态随机存取存储器(DDR2SDRAM)。
对于一个实施例,系统控制模块704可包括一个或多个输入/输出控制器,以向NVM/存储设备708及(一个或多个)输入/输出设备710提供接口。
例如,NVM/存储设备708可被用于存储数据和/或指令。NVM/存储设备708可包括任意适当的非易失性存储器(例如,闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如,一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。
NVM/存储设备708可包括在物理上作为系统700被安装在其上的设备的一部分的存储资源,或者其可被该设备访问而不必作为该设备的一部分。例如,NVM/存储设备708可通过网络经由(一个或多个)输入/输出设备710进行访问。
(一个或多个)输入/输出设备710可为系统700提供接口以与任意其他适当的设备通信,输入/输出设备710可以包括通信组件、音频组件、传感器组件等。网络接口712可为系统700提供接口以通过一个或多个网络通信,系统700可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信,例如接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合进行无线通信。
对于一个实施例,(一个或多个)处理器702中的至少一个可与系统控制模块704的一个或多个控制器(例如,存储器控制器模块)的逻辑封装在一起。对于一个实施例,(一个或多个)处理器702中的至少一个可与系统控制模块704的一个或多个控制器的逻辑封装在一起以形成系统级封装(SiP)。对于一个实施例,(一个或多个)处理器702中的至少一个可与系统控制模块704的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例,(一个或多个)处理器702中的至少一个可与系统控制模块704的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
在各个实施例中,系统700可以但不限于是:浏览器、工作站、台式计算设备或移动计算设备(例如,膝上型计算设备、手持计算设备、平板电脑、上网本等)。在各个实施例中,系统700可具有更多或更少的组件和/或不同的架构。例如,在一些实施例中,系统700包括一个或多个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
其中,如果显示器包括触摸面板,显示屏可以被实现为触屏显示器,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。
本申请实施例还提供了一种非易失性可读存储介质,该存储介质中存储有一个或多个模块(programs),该一个或多个模块被应用在终端设备时,可以使得该终端设备执行本申请实施例中上述方法各个步骤的指令(instructions)。
在一个示例中提供了一种推荐系统,包括:一个或多个处理器;和,其上存储的有指令的一个或多个机器可读介质,当由所述一个或多个处理器执行时,使得所述系统执行如本申请实施例中的上述方法各个步骤的指令(instructions)。
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。
本领域内的技术人员应明白,本申请实施例的实施例可提供为客户端、装置、或计算机程序产品。因此,本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的客户端、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、客户端、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、客户端、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、客户端、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种信息推荐的方法和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客户端及其核心思想;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。
Claims (11)
1.一种旅游信息推荐的方法,其特征在于,所述方法包括:
获取旅游商品之间的在先相似度矩阵;
获取旅游商品的旅游特征信息;
基于所述旅游特征信息,对所述在先相似度矩阵进行更新;
采用更新后的相似度矩阵进行信息推荐。
2.根据权利要求1所述的方法,其特征在于,所述旅游特征信息包括第一特征信息,所述基于所述旅游特征信息,对所述在先相似度矩阵进行更新,包括:
根据所述第一特征信息,训练指定数据模型;
针对所述在先相似度矩阵之间的每个相似度,采用所述指定数据模型,确定所述相似度的更新值;
在所述在先相似度矩阵中,将所述更新值替换对应的相似度,得到更新的相似度矩阵。
3.根据权利要求2所述的方法,其特征在于,当所述旅游特征信息为第一特征信息时,所述获取旅游特征信息,包括:
针对在先相似度矩阵中记录的各组相似的旅游商品,分别获取所述旅游商品的商品信息,其中,所述商品信息包括如下所列的一种或组合:商品类目、商品标识、商品属性信息;
分别获取所述旅游商品的日志信息,其中,所述日志信息包括曝光日志以及点击日志;
将所述日志信息与所述商品信息进行关联,生成关联数据表;
从所述关联数据表中提取所述第一特征信息。
4.根据权利要求3所述的方法,其特征在于,所述日志信息包括商品标识;
所述将所述日志信息与所述商品信息进行关联,生成关联数据表,包括:
根据所述日志信息中记载的商品标识,查找所述商品标识匹配的商品信息;
将所述日志信息以及匹配的商品信息记录在一宽表中,得到关联数据包。
5.根据权利要求2所述的方法,其特征在于,所述旅游特征信息包括第二特征信息,所述第二特征信息为根据所述在先相似度矩阵中各组相似的旅游商品以及对应的商品信息生成的信息;
所述针对所述在先相似度矩阵之间的每个相似度,采用所述指定数据模型,确定所述相似度的更新值,包括:
将所述第二特征信息输入所述指定数据模型,获取所述指定数据模型输出的相似度,作为所述相似的旅游商品的相似度的更新值。
6.根据权利要求2-5任一项所述的方法,其特征在于,若同一组相似的旅游商品存在于两个或以上的在先相似度矩阵中,则得到的更新值有两个或以上;
在所述在先相似度矩阵中,将所述更新值替换对应的相似度,得到更新的相似度矩阵之前,还包括:
根据所述两个或以上的更新值,确定最终的更新值。
7.根据权利要求1-5任一项所述的方法,其特征在于,所述旅游特征信息包括多维特征信息,具体包括:
商品的相似度算法信息:包括但不限于当前旅游商品与相似的商品之间的相似度、计算所述相似度的算法类型;
商品属性:包括但不限于商品类目、出发地、目的地、景点、价格、卖家星级;
商品的统计数据:包括但不限于预设时间段内当前旅游商品的点击率、好评率、转化率、加购率;
匹配特征:包括但不限于当前旅游商品与相似的商品之间的商品属性是否相同的匹配结果;
差值特征:包括但不限于当前旅游商品与相似的商品之间的统计数据之间的差值;
组合特征:包括但不限于当前旅游商品与相似的商品的所述商品属性、商品的统计数据、匹配特征、差值特征进行笛卡尔积后得到的特征。
8.根据权利要求1-5任一项所述的方法,其特征在于,所述在先相似度矩阵至少包括根据内容相似度算法确定的第一相似度矩阵,以及,根据协同过滤算法确定的第二相似度矩阵。
9.一种信息推荐的方法,其特征在于,所述方法包括:
获取业务对象之间的在先相似度矩阵;
获取所述业务对象的特征信息;
基于所述特征信息,对所述在先相似度矩阵进行更新;
采用更新后的相似度矩阵进行信息推荐。
10.一种旅游信息推荐的装置,其特征在于,所述装置包括:
在先相似度矩阵获取模块,用于获取旅游商品之间的在先相似度矩阵;
旅游特征信息获取模块,用于获取旅游商品的旅游特征信息;
矩阵更新模块,用于基于所述旅游特征信息,对所述在先相似度矩阵进行更新;
信息推荐模块,用于采用更新后的相似度矩阵进行信息推荐。
11.一种信息推荐的装置,其特征在于,所述装置包括:
在先相似度矩阵获取模块,用于获取业务对象之间的在先相似度矩阵;
特征信息获取模块,用于获取所述业务对象的特征信息;
矩阵更新模块,用于基于所述特征信息,对所述在先相似度矩阵进行更新;
信息推荐模块,用于采用更新后的相似度矩阵进行信息推荐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810621346.1A CN110610393A (zh) | 2018-06-15 | 2018-06-15 | 一种信息推荐的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810621346.1A CN110610393A (zh) | 2018-06-15 | 2018-06-15 | 一种信息推荐的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110610393A true CN110610393A (zh) | 2019-12-24 |
Family
ID=68888423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810621346.1A Pending CN110610393A (zh) | 2018-06-15 | 2018-06-15 | 一种信息推荐的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110610393A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793182A (zh) * | 2021-09-15 | 2021-12-14 | 广州华多网络科技有限公司 | 商品对象推荐方法及其装置、设备、介质、产品 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100076958A1 (en) * | 2008-09-08 | 2010-03-25 | Apple Inc. | System and method for playlist generation based on similarity data |
CN102663571A (zh) * | 2012-03-13 | 2012-09-12 | 浙江工商大学 | 一种电子商务智能分储系统的储位优化筛选方法 |
CN103116639A (zh) * | 2013-02-20 | 2013-05-22 | 新浪网技术(中国)有限公司 | 基于用户-物品二分图模型的物品推荐方法及系统 |
CN105956146A (zh) * | 2016-05-12 | 2016-09-21 | 腾讯科技(深圳)有限公司 | 一种物品信息的推荐方法及装置 |
CN107798045A (zh) * | 2017-07-24 | 2018-03-13 | 中南大学 | 面向中小型网站的用户访问意图获取方法及系统 |
-
2018
- 2018-06-15 CN CN201810621346.1A patent/CN110610393A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100076958A1 (en) * | 2008-09-08 | 2010-03-25 | Apple Inc. | System and method for playlist generation based on similarity data |
CN102663571A (zh) * | 2012-03-13 | 2012-09-12 | 浙江工商大学 | 一种电子商务智能分储系统的储位优化筛选方法 |
CN103116639A (zh) * | 2013-02-20 | 2013-05-22 | 新浪网技术(中国)有限公司 | 基于用户-物品二分图模型的物品推荐方法及系统 |
CN105956146A (zh) * | 2016-05-12 | 2016-09-21 | 腾讯科技(深圳)有限公司 | 一种物品信息的推荐方法及装置 |
CN107798045A (zh) * | 2017-07-24 | 2018-03-13 | 中南大学 | 面向中小型网站的用户访问意图获取方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793182A (zh) * | 2021-09-15 | 2021-12-14 | 广州华多网络科技有限公司 | 商品对象推荐方法及其装置、设备、介质、产品 |
CN113793182B (zh) * | 2021-09-15 | 2024-05-28 | 广州华多网络科技有限公司 | 商品对象推荐方法及其装置、设备、介质、产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210027160A1 (en) | End-to-end deep collaborative filtering | |
CN106557480B (zh) | 查询改写的实现方法及装置 | |
TW201834463A (zh) | 影片資料的推薦方法和裝置 | |
CN107644036B (zh) | 一种数据对象推送的方法、装置及系统 | |
US11875241B2 (en) | Aspect pre-selection using machine learning | |
CN113852832B (zh) | 视频处理方法、装置、设备和存储介质 | |
CN111695960A (zh) | 一种对象推荐系统、方法、电子设备及存储介质 | |
CN114896454B (zh) | 一种基于标签分析的短视频数据推荐方法及系统 | |
CN114168843A (zh) | 搜索词推荐方法、设备及存储介质 | |
CN111898904A (zh) | 一种数据处理方法及装置 | |
CA3111094C (en) | Noise contrastive estimation for collaborative filtering | |
US20130304539A1 (en) | User recommendation method and device | |
CN114417146A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
CN113220974B (zh) | 点击率预测模型训练、搜索召回方法、装置、设备及介质 | |
CN108288196B (zh) | 一种业务对象的推荐方法和装置 | |
CN110610393A (zh) | 一种信息推荐的方法和装置 | |
CN112308644A (zh) | 一种描述信息的处理方法及装置 | |
CN113191834A (zh) | 商品对象发布、识别方法、装置、电子设备和存储介质 | |
CN116634008A (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
CN114677176A (zh) | 兴趣内容的推荐方法及装置、电子设备、存储介质 | |
CN113792952A (zh) | 用于生成模型的方法和装置 | |
CN111915339A (zh) | 数据的处理方法、装置及设备 | |
CN112379919B (zh) | 一种服务定制方法、装置、电子设备及存储介质 | |
CN112395491A (zh) | 一种对象推荐方法及装置 |
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: 20191224 |