CN110704707A - 基于用户画像的业务推荐方法以及装置 - Google Patents
基于用户画像的业务推荐方法以及装置 Download PDFInfo
- Publication number
- CN110704707A CN110704707A CN201910924794.3A CN201910924794A CN110704707A CN 110704707 A CN110704707 A CN 110704707A CN 201910924794 A CN201910924794 A CN 201910924794A CN 110704707 A CN110704707 A CN 110704707A
- Authority
- CN
- China
- Prior art keywords
- categories
- services
- service
- groups
- alpha
- 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
Images
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
- G06F16/906—Clustering; Classification
-
- 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
- G06F16/9535—Search customisation based on user profiles and personalisation
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
本发明提供了一种基于用户画像的业务推荐方法及装置,该方法包括:电子设备获取待选择的n个业务,将n个业务输入分类器进行计算得到n个业务对应的n组类别,n组类别中每组类别包括:e个类别以及e个类别对应的e个概率值;电子设备依据预设的用户画像矩阵依据n组类别对n个业务分别执行计算得到n个计算结果,电子设备将该n计算结果的值降序排列,将降序排列中前α个计算结果对应的α个业务作为推荐业务。本发明提供的技术方案具有推荐精确,用户体验度高的优点。
Description
技术领域
本发明涉及通信领域,具体涉及一种基于用户画像的业务推荐方法以及装置。
背景技术
随着电子设备(如:手机、平板电脑等)的大量普及应用,电子设备能够支持的应用越来越多,功能越来越强大,电子设备向着多样化、个性化的方向发展,成为用户生活中不可缺少的电子用品。
业务推荐,即电子设备依据自身的策略对用户进行精准的推荐,一种常用的自身策略是基于历史操作记录来实现业务推荐,另一种常用的自身策略是基于用户画像来实现业务推荐,现有的用户画像推荐不会依据推荐业务的类别对权值进行调整,这样导致业务推荐的精确度。
发明内容
本发明的目的在于提供基于用户画像的业务推荐方法以及装置,该技术方案具有用户画像的更新,提高业务推荐的精确度的优点。
本发明所采取的技术方案是:提供一种基于用户画像的业务推荐方法,所述方法包括如下步骤:
电子设备获取待选择的n个业务,将n个业务输入分类器进行计算得到n个业务对应的n组类别,n组类别中每组类别包括:e个类别以及e个类别对应的e个概率值;
电子设备依据预设的用户画像矩阵依据n组类别对n个业务分别执行计算得到n个计算结果;具体包括:
提取n组类别中的一组类别中的e1个类别以及e1个概率,从预设的用户画像矩阵提取e1个类别对应的e1列元素值,依据e1个概率对该e1列元素值进行更新后得到更新后的e1列元素值,将更新后的e1列元素值按列值升序排列成一列得到一组类别的权值向量,将该一组类别对应的一个业务组成业务输入向量,将该业务输入矩阵与权值向量相乘得到该一个业务的计算结果,遍历n组类别中所有类别得到n个业务的n个计算结果;
电子设备将该n计算结果的值降序排列,将降序排列中前α个计算结果对应的α个业务作为推荐业务。
可选的,所述方法还包括:
将α个业务中的计算结果最大的业务推荐给用户。
可选的,所述方法还包括:
接收用户选择的第x个业务,如第x个业务不属于α个业务中计算结果最大的业务,则提取第x个业务对应的ex个类别,将所述预设的用户画像矩阵中该ex个类别对应的ex个列的元素值增加。
第二方面,提供一种基于用户画像的业务推荐装置,所述装置包括:
分类单元,用于获取待选择的n个业务,将n个业务输入分类器进行计算得到n个业务对应的n组类别,n组类别中每组类别包括:e个类别以及e个类别对应的e个概率值;
计算单元,用于依据预设的用户画像矩阵依据n组类别对n个业务分别执行计算得到n个计算结果;具体包括:
提取n组类别中的一组类别中的e1个类别以及e1个概率,从预设的用户画像矩阵提取e1个类别对应的e1列元素值,依据e1个概率对该e1列元素值进行更新后得到更新后的e1列元素值,将更新后的e1列元素值按列值升序排列成一列得到一组类别的权值向量,将该一组类别对应的一个业务组成业务输入向量,将该业务输入矩阵与权值向量相乘得到该一个业务的计算结果,遍历n组类别中所有类别得到n个业务的n个计算结果;
推荐单元,用于将该n计算结果的值降序排列,将降序排列中前α个计算结果对应的α个业务作为推荐业务。
可选的,所述推荐单元,还用于将α个业务中的计算结果最大的业务推荐给用户。
可选的,所述推荐单元,还用于接收用户选择的第x个业务,如第x个业务不属于α个业务中计算结果最大的业务,则提取第x个业务对应的ex个类别,将所述预设的用户画像矩阵中该ex个类别对应的ex个列的元素值增加。
第三方面,提供一种计算机可读存储介质,存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行第一方面提供的方法。
本发明提供的技术方案通过对n个业务进行分类得到n个业务对应的n组类别,然后依据预设的用户画像矩阵依据n组类别对n个业务分别执行计算得到计算结果,依据该计算结果的大小确定该n个业务的顺序,然后依据该顺序确定推荐业务,因为本发明对每个业务的计算的权值均会依据类别以及概率值进行调整,因此每个业务的权值均是拼接得到的,更加能够对业务进行贴合,提高了业务推荐的准确性,提高了用户体验度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种基于用户画像的业务推荐方法流程示意图。
图2为本发明预设的用户画像矩阵的示意图。
图3为本发明提供的基于用户画像的业务推荐装置的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明实施例所涉及到的电子设备可以包括各种具有无线通信功能的手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其他处理设备,以及各种形式的用户设备(user equipment,UE),移动台(mobile station,MS),终端设备(terminaldevice)等等。为方便描述,上面提到的设备统称为电子设备,上述电子设备还可以为服务器、业务平台等等。
参阅图1,图1提供了一种基于用户画像的业务推荐方法,该方法由电子设备执行,该方法如图1所示,包括如下步骤:
步骤S101、电子设备获取待选择的n个业务,将n个业务输入分类器进行计算得到n个业务对应的n组类别,n组类别中每组类别包括:e个类别以及e个类别对应的e个概率值;
上述n个业务可以依据实际的情况有所不同,例如,在一种可选的实施例中,上述n个业务可以为,n个视频,当然在实际应用中,上述n个业务还可以为其他的内容,例如n个网页、n个文本、n个广告等等。本发明对该n个业务的类型并不限定。
上述分类器具体可以为基于AI的分类器,包括但不限于:支持向量机或神经网络模型,该神经网络模型包括但不限于:深度神经网络模型、循环神经网络模型或卷积神经网络模型等等,本发明对分类器具体的结构以及具体的实现方式并不限定。
以深度神经网络模型为例,对于n个业务中的一个业务形成第一输入数据以后,将该第一输入数据输入到神经网络模型执行正向运算以后能够得到多个类别以及多个类别对应的多个概率,本发明并不取所有的类别,因此将多个类别中的前e个类别以及对应的e个概率值提取。需要说明的是,这里的每个业务最终提取的数量一样即为e个类别,但是e个类别的种类针对每个业务均不相同。因为每个业务经过分类器运算以后得到的e个类别以及e个概率一般都不通,因此,这里的数量一致,但是类别种类不同,这里确定e个类别是因为需要将权值的尺寸固定,避免因为类别不一致导致后续计算的权值的尺寸不一致,导致后续的计算无法进行。
步骤S102、电子设备依据预设的用户画像矩阵依据n组类别对n个业务分别执行计算得到n个计算结果;
上述预设的用户画像矩阵的建立方法可以通过用户的历史数据来建立,该用户画像矩阵可以为M*L;其中,矩阵M*L中L表示分类器所能够识别的所有类别,M表示每个类别对应的权值,例如,分类器能够区分40个类别,那么该用户画像矩阵即为M*40,用户画像的每列为单个类别对应的权值,其具体的建立方式可以由各个厂家自行设定,具体的例如,根据其用户历史数据的次数、时间、频率等等综合考虑,以商品类别对应列的值为例,具体的,如该历史数据通过该分词器执行分词处理以后得到了β个关键词,将β个关键词进行词组分类确定β个关键词所在的多个词组,在该商品类别对应列中该多个词组对应的权值增加(具体增加方式不限,可以为逐级增加,也可以为其他方式增加)。下面以一个具体的例子来说明,例如第一历史文本经过分词器确定的β个关键字面膜、汽车、烧饼、面包,则确定该β个关键词分别对应的词组为化妆品组为1个,交通词组为1个,食品词组为2个,这样将该商品类别列中,该化妆品组、交通词组、食品词组对应的权值进行增加。这样即能够通过该历史数据来对对应的预设的用户画像矩阵的权值进行调整。
上述预设的用户画像矩阵如图2所示。其中M表示行数,L表示列数。
上述步骤S102的实现方法具体可以包括:
提取n组类别中的一组类别中的e1个类别以及e1个概率,从预设的用户画像矩阵提取e1个类别对应的e1列元素值,依据e1个概率对该e1列元素值进行更新后得到更新后的e1列元素值,将更新后的e1列元素值按列值升序排列成一列得到一组类别的权值向量(列向量),将该一组类别对应的一个业务组成业务输入向量,将该业务输入矩阵与权值向量相乘得到该一个业务的计算结果,遍历n组类别中所有类别得到n个业务的n个计算结果。这里的e1中的1仅仅是标号,其值为e相同,1用于标识其属于一组类别对应的e个类别。
其中n、e、α均为大于等于1的整数。
下面以一个实际的例子来说明上述计算结果的具体确定方法,对应n个类别仅仅只是对计算步骤执行n次即可。
假设上述预设的用户画像矩阵如图4所示(如图2所示的M=L=5),为5*5矩阵(这里是为了方便说明,数值取的比较少),假设5个类别按顺序为:娱乐、购物、学习、培训、工作,假设第一业务对应的e1个类别为3个类别,分别为,购物(0.6)、学习(0.2)、培训(0.15);扩招后面为概率值,则该第一业务提取的3列元素值分别为预设的用户画像矩阵中的第2、3、4列,将第2、3、4列按列值升序排列并更新得到第一业务的第一权值向量,该第一权值向量如下:
然后对第一业务组成业务输入向量(1*15)即【b1、b2、b3…b15】,然后将业务输入向量与第一权值向量执行向量乘积得到第一业务的第一计算结果。
上述对第一业务组成业务输入向量(1*15)的方式有多种,例如,一种可选的方案中,如第一业务可以为文本内容时,可以依据文本内容的关键字来组成业务输入向量,例如,该文本内容的关键字有β个,则依据该β个关键字对应的多个词组以及每个词组的关键字个数,确定多个词组在1*15向量的多个位置,将每个词组的关键字个数确定为该多个位置对应的元素值。例如该β个关键字面膜、汽车、烧饼、面包(在实际应用中,每个类别都会具有关键字,这里仅仅是为了说明),则确定该β个关键词分别对应的词组为化妆品组为1个,交通词组为1个,食品词组为2个,假设预设的用户画像矩阵中的a22、a32、a42分别对应为:化妆品组、交通词组、食品词组,那么则确定该业务输入向量【b1、b2、b3…b15】中的对应位置b2、b3、b4的元素值为1、1、2,这样即能够得到业务输入向量。当然在实际应用中,还可以采用其他的业务输入向量的组成方式,本发明并不限定上述业务输入向量的具体组成方式,只需要该业务输入向量的尺寸与该权值向量能够执行向量乘法即可。
步骤S103、电子设备将该n计算结果的值降序排列,将降序排列中前α个计算结果对应的α个业务作为推荐业务。
上述步骤S103的实现方法具体可以包括:
将n个计算结果从大到小排列(即降序),然后将α个计算结果对应的α个业务作为推荐业务,当然,该α个计算结果还需要大于设定阈值,小于设定阈值的不推荐。
本发明提供的技术方案通过对n个业务进行分类得到n个业务对应的n组类别,然后依据预设的用户画像矩阵依据n组类别对n个业务分别执行计算得到计算结果,依据该计算结果的大小确定该n个业务的顺序,然后依据该顺序确定推荐业务,因为本发明对每个业务的计算的权值均会依据类别以及概率值进行调整,因此每个业务的权值均是拼接得到的,更加能够对业务进行贴合,提高了业务推荐的准确性,提高了用户体验度。
可选的,上述方法还可以包括:
将α个业务中的计算结果最大的业务推荐给用户。
可选的,上述方法还可以包括:
接收用户选择的第x个业务,如第x个业务不属于α个业务中计算结果最大的业务,则提取第x个业务对应的ex个类别,将预设的用户画像矩阵中该ex个类别对应的ex个列的元素值增加(不限于该增加的方式)。
参阅图3,图3提供一种基于用户画像的业务推荐装置,所述装置包括:
分类单元301,用于获取待选择的n个业务,将n个业务输入分类器进行计算得到n个业务对应的n组类别,n组类别中每组类别包括:e个类别以及e个类别对应的e个概率值;
计算单元302,用于依据预设的用户画像矩阵依据n组类别对n个业务分别执行计算得到n个计算结果;具体包括:
提取n组类别中的一组类别中的e1个类别以及e1个概率,从预设的用户画像矩阵提取e1个类别对应的e1列元素值,依据e1个概率对该e1列元素值进行更新后得到更新后的e1列元素值,将更新后的e1列元素值按列值升序排列成一列得到一组类别的权值向量,将该一组类别对应的一个业务组成业务输入向量,将该业务输入矩阵与权值向量相乘得到该一个业务的计算结果,遍历n组类别中所有类别得到n个业务的n个计算结果;
推荐单元303,用于将该n计算结果的值降序排列,将降序排列中前α个计算结果对应的α个业务作为推荐业务。
本发明提供的基于用户画像的业务推荐装置通过对n个业务进行分类得到n个业务对应的n组类别,然后依据预设的用户画像矩阵依据n组类别对n个业务分别执行计算得到计算结果,依据该计算结果的大小确定该n个业务的顺序,然后依据该顺序确定推荐业务,因为本发明对每个业务的计算的权值均会依据类别以及概率值进行调整,因此每个业务的权值均是拼接得到的,更加能够对业务进行贴合,提高了业务推荐的准确性,提高了用户体验度。
可选的,推荐单元303,还用于将α个业务中的计算结果最大的业务推荐给用户。
可选的,推荐单元303,还用于接收用户选择的第x个业务,如第x个业务不属于α个业务中计算结果最大的业务,则提取第x个业务对应的ex个类别,将所述预设的用户画像矩阵中该ex个类别对应的ex个列的元素值增加。
以上对本发明实施例进行了详细介绍,本文中应用了具体个例对本发明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发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,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发明的限制。
Claims (7)
1.一种基于用户画像的业务推荐方法,其特征在于,所述方法包括如下步骤:
电子设备获取待选择的n个业务,将n个业务输入分类器进行计算得到n个业务对应的n组类别,n组类别中每组类别包括:e个类别以及e个类别对应的e个概率值;
电子设备依据预设的用户画像矩阵依据n组类别对n个业务分别执行计算得到n个计算结果;具体包括:
提取n组类别中的一组类别中的e1个类别以及e1个概率,从预设的用户画像矩阵提取e1个类别对应的e1列元素值,依据e1个概率对该e1列元素值进行更新后得到更新后的e1列元素值,将更新后的e1列元素值按列值升序排列成一列得到一组类别的权值向量,将该一组类别对应的一个业务组成业务输入向量,将该业务输入矩阵与权值向量相乘得到该一个业务的计算结果,遍历n组类别中所有类别得到n个业务的n个计算结果;
电子设备将该n计算结果的值降序排列,将降序排列中前α个计算结果对应的α个业务作为推荐业务;
其中n、e、α均为大于等于1的整数。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将α个业务中的计算结果最大的业务推荐给用户。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
接收用户选择的第x个业务,如第x个业务不属于α个业务中计算结果最大的业务,则提取第x个业务对应的ex个类别,将所述预设的用户画像矩阵中该ex个类别对应的ex个列的元素值增加。
4.一种基于用户画像的业务推荐装置,其特征在于,所述装置包括:
分类单元,用于获取待选择的n个业务,将n个业务输入分类器进行计算得到n个业务对应的n组类别,n组类别中每组类别包括:e个类别以及e个类别对应的e个概率值;
计算单元,用于依据预设的用户画像矩阵依据n组类别对n个业务分别执行计算得到n个计算结果;具体包括:
提取n组类别中的一组类别中的e1个类别以及e1个概率,从预设的用户画像矩阵提取e1个类别对应的e1列元素值,依据e1个概率对该e1列元素值进行更新后得到更新后的e1列元素值,将更新后的e1列元素值按列值升序排列成一列得到一组类别的权值向量,将该一组类别对应的一个业务组成业务输入向量,将该业务输入矩阵与权值向量相乘得到该一个业务的计算结果,遍历n组类别中所有类别得到n个业务的n个计算结果;
推荐单元,用于将该n计算结果的值降序排列,将降序排列中前α个计算结果对应的α个业务作为推荐业务;
其中n、e、α均为大于等于1的整数。
5.根据权利要求4所述的装置,其特征在于,
所述推荐单元,还用于将α个业务中的计算结果最大的业务推荐给用户。
6.根据权利要求4所述的装置,其特征在于,
所述推荐单元,还用于接收用户选择的第x个业务,如第x个业务不属于α个业务中计算结果最大的业务,则提取第x个业务对应的ex个类别,将所述预设的用户画像矩阵中该ex个类别对应的ex个列的元素值增加。
7.一种计算机可读存储介质,其特征在于,存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910924794.3A CN110704707A (zh) | 2019-09-27 | 2019-09-27 | 基于用户画像的业务推荐方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910924794.3A CN110704707A (zh) | 2019-09-27 | 2019-09-27 | 基于用户画像的业务推荐方法以及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110704707A true CN110704707A (zh) | 2020-01-17 |
Family
ID=69196842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910924794.3A Pending CN110704707A (zh) | 2019-09-27 | 2019-09-27 | 基于用户画像的业务推荐方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110704707A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597450A (zh) * | 2020-05-21 | 2020-08-28 | 深圳辉煌明天科技有限公司 | 大数据的智能分析系统及方法 |
CN111984859A (zh) * | 2020-07-24 | 2020-11-24 | 五八有限公司 | 业务卡片的推荐方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992531A (zh) * | 2017-11-21 | 2018-05-04 | 吉浦斯信息咨询(深圳)有限公司 | 基于深度学习的新闻个性化智能推荐方法与系统 |
CN108229529A (zh) * | 2017-08-18 | 2018-06-29 | 北京市商汤科技开发有限公司 | 分类器集成分类方法和装置、电子设备、存储介质 |
CN108629608A (zh) * | 2017-03-22 | 2018-10-09 | 腾讯科技(深圳)有限公司 | 用户数据处理方法及装置 |
US20190205288A1 (en) * | 2012-02-02 | 2019-07-04 | Visa International Service Association | Multi-source, multi-dimensional, cross-entity, multimedia merchant analytics database platform apparatuses, methods and systems |
-
2019
- 2019-09-27 CN CN201910924794.3A patent/CN110704707A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190205288A1 (en) * | 2012-02-02 | 2019-07-04 | Visa International Service Association | Multi-source, multi-dimensional, cross-entity, multimedia merchant analytics database platform apparatuses, methods and systems |
CN108629608A (zh) * | 2017-03-22 | 2018-10-09 | 腾讯科技(深圳)有限公司 | 用户数据处理方法及装置 |
CN108229529A (zh) * | 2017-08-18 | 2018-06-29 | 北京市商汤科技开发有限公司 | 分类器集成分类方法和装置、电子设备、存储介质 |
CN107992531A (zh) * | 2017-11-21 | 2018-05-04 | 吉浦斯信息咨询(深圳)有限公司 | 基于深度学习的新闻个性化智能推荐方法与系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597450A (zh) * | 2020-05-21 | 2020-08-28 | 深圳辉煌明天科技有限公司 | 大数据的智能分析系统及方法 |
CN111984859A (zh) * | 2020-07-24 | 2020-11-24 | 五八有限公司 | 业务卡片的推荐方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241431B (zh) | 一种资源推荐方法和装置 | |
US11093854B2 (en) | Emoji recommendation method and device thereof | |
CN105468742B (zh) | 恶意订单识别方法及装置 | |
CN108280115B (zh) | 识别用户关系的方法及装置 | |
CN105095219B (zh) | 微博推荐方法和终端 | |
US20220284327A1 (en) | Resource pushing method and apparatus, device, and storage medium | |
CN108595519A (zh) | 热点事件分类方法、装置及存储介质 | |
CN108052639A (zh) | 基于运营商数据的行业用户推荐方法及装置 | |
US11748452B2 (en) | Method for data processing by performing different non-linear combination processing | |
CN107305578A (zh) | 人机智能问答方法和装置 | |
CN110704739A (zh) | 资源推荐方法、装置及计算机存储介质 | |
CN106874258B (zh) | 一种基于汉字属性向量表示的文本相似性计算方法及系统 | |
US20170109431A1 (en) | Method and apparatus for grouping network service users | |
CN104239535A (zh) | 一种为文字配图的方法、服务器、终端及系统 | |
CN112328909B (zh) | 信息推荐方法、装置、计算机设备及介质 | |
CN110033332A (zh) | 一种人脸识别方法、系统及电子设备和存储介质 | |
CN106846094A (zh) | 一种基于已安装应用来推荐应用信息的方法和装置 | |
CN112434188B (zh) | 一种异构数据库的数据集成方法、装置及存储介质 | |
CN109902713A (zh) | 基于数据分析的楼盘推荐方法、设备、存储介质及装置 | |
CN111400615B (zh) | 一种资源推荐方法、装置、设备及存储介质 | |
CN106599194A (zh) | 标签确定方法及装置 | |
CN110704707A (zh) | 基于用户画像的业务推荐方法以及装置 | |
CN113051486A (zh) | 基于交友场景的推荐模型的训练方法、装置、电子设备和计算机可读存储介质 | |
CN105260458A (zh) | 一种用于显示装置的视频推荐方法及显示装置 | |
CN110609958A (zh) | 数据推送方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200117 |