CN110727868B - 对象推荐方法、装置和计算机可读存储介质 - Google Patents
对象推荐方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN110727868B CN110727868B CN201910970058.1A CN201910970058A CN110727868B CN 110727868 B CN110727868 B CN 110727868B CN 201910970058 A CN201910970058 A CN 201910970058A CN 110727868 B CN110727868 B CN 110727868B
- Authority
- CN
- China
- Prior art keywords
- generator
- target
- training data
- discriminator
- training
- 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.)
- Active
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
- G06F16/95—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种对象推荐方法、装置和计算机可读存储介质,属于数据处理技术领域。所述方法包括:获取目标用户账号的用户特征和目标对象的对象特征;将目标用户账号的用户特征和目标对象的对象特征输入到生成对抗网络中的生成器,由该生成器输出目标对象的推荐分数;根据目标对象的推荐分数确定是否向目标用户账号推荐目标对象。其中,该生成对抗网络包括该生成器和判别器,该判别器是使用第一样本训练得到,该生成器是使用第二样本训练得到,第一样本是根据该生成器获取得到,第二样本是根据该判别器获取得到。本申请中生成对抗网络中的生成器的预测准确率较高,从而在使用该生成器进行对象推荐时的准确度较高。
Description
技术领域
本申请涉及数据处理技术领域,特别涉及一种对象推荐方法、装置和计算机可读存储介质。
背景技术
对象推荐功能是指从海量对象(如商品、音视频或资讯等)中主动挖掘用户喜好,并将其推荐给用户的功能。对象推荐功能能够实现信息过滤,来帮助用户快速发现自身所需信息,从而避免用户淹没在庞大而杂乱无序的网络内容中。
目前,往往通过对象推荐模型来实现对象推荐功能。具体地,可以获取用户账号的用户特征和对象的对象特征;将该用户特征和该对象特征输入到对象推荐模型中,由对象推荐模型输出该对象的推荐分数;根据该对象的推荐分数确定是否向该用户账号推荐该对象。
在实现上述对象推荐功能之前,需要先训练出对象推荐模型。具体地,可以获取多个用户账号中每个用户账号的用户特征和多个对象中每个对象的对象特征;对于该多个用户账号中的任意一个用户账号和该多个对象中的任意一个对象,将这个用户账号的用户特征和这个对象的对象特征确定为一个样本;使用确定出的所有样本进行推荐模型训练,得到对象推荐模型。
然而,这种情况下,是直接根据用户特征和对象特征来进行推荐模型训练,由于推荐模型的网络结构较为单一,所以训练过程中很容易受到部分用户特征或对象特征的影响,从而导致训练得到的对象推荐模型的预测准确率较低,进而导致在使用对象推荐模型进行对象推荐时的准确度较低。
发明内容
本申请实施例提供了一种对象推荐方法、装置和计算机可读存储介质,可以解决相关技术中使用对象推荐模型进行对象推荐时的准确度较低的问题。所述技术方案如下:
一方面,提供了一种对象推荐方法,所述方法包括:
获取目标用户账号的用户特征和目标对象的对象特征;
将所述目标用户账号的用户特征和所述目标对象的对象特征输入到生成对抗网络中的生成器,由所述生成器输出所述目标对象的推荐分数;
根据所述目标对象的推荐分数确定是否向所述目标用户账号推荐所述目标对象;
其中,所述生成对抗网络包括所述生成器和判别器,所述判别器是使用第一样本训练得到,所述生成器是使用第二样本训练得到,所述第一样本是根据所述生成器获取得到,所述第二样本是根据所述判别器获取得到。
可选地,所述将所述目标用户账号的用户特征和所述目标对象的对象特征输入到生成对抗网络中的生成器之前,还包括:
获取多个用户账号中每个用户账号的用户特征和多个对象中每个对象的对象特征;
根据所述多个用户账号中每个用户账号的用户特征和所述多个对象中每个对象的对象特征,生成多个训练数据,所述多个训练数据中的每个训练数据包括一个用户账号的用户特征和一个对象的对象特征;
根据所述生成器,从所述多个训练数据中获取多个第一样本;
使用所述多个第一样本,对所述判别器进行训练;
在完成对所述判别器的训练后,根据所述判别器,从所述多个训练数据中获取多个第二样本;
使用所述多个第二样本,对所述生成器进行训练;
在完成对所述生成器的训练后,如果所述生成器和所述判别器不满足参考条件,则返回所述根据所述生成器,从所述多个训练数据中获取多个第一样本的步骤;如果所述生成器和所述判别器满足参考条件,则结束对所述生成对抗网络的训练。
可选地,所述根据所述生成器,从所述多个训练数据中获取多个第一样本,包括:
将所述多个训练数据中的每个训练数据输入到所述生成器,由所述生成器输出所述多个训练数据中的每个训练数据的推荐分数;
将所述多个训练数据中推荐分数大于或等于参考分数的训练数据确定为目标数据;
对于确定出的多个目标数据中的任意一个目标数据,当存在所述一个目标数据对应的用户账号对所述一个目标数据对应的对象的参考行为数据时,确定所述一个目标数据为第一正样本;
当不存在所述一个目标数据对应的用户账号对所述一个目标数据对应的对象的参考行为数据时,确定所述一个目标数据为第一负样本。
可选地,所述根据所述判别器,从所述多个训练数据中获取多个第二样本,包括:
将所述多个训练数据中的每个训练数据输入到所述判别器,由所述判别器输出所述多个训练数据中每个训练数据的类型;
对于所述多个训练数据中的任意一个训练数据,当所述一个训练数据的类型为第一类型时,确定所述一个训练数据为第二正样本;
当所述一个训练数据的类型为第二类型时,确定所述一个训练数据为第二负样本。
可选地,所述参考条件为所述生成器和所述判别器均收敛;或者,所述参考条件为所述生成器中的损失函数值和所述判别器中的损失函数值均小于参考数值。
可选地,所述根据所述目标对象的推荐分数确定是否向所述目标用户账号推荐所述目标对象,包括:
当所述目标对象的推荐分数大于或等于参考分数时,向所述目标用户账号推荐所述目标对象。
一方面,提供了一种对象推荐装置,所述装置包括:
第一获取模块,用于获取目标用户账号的用户特征和目标对象的对象特征;
打分模块,用于将所述目标用户账号的用户特征和所述目标对象的对象特征输入到生成对抗网络中的生成器,由所述生成器输出所述目标对象的推荐分数;
确定模块,用于根据所述目标对象的推荐分数确定是否向所述目标用户账号推荐所述目标对象;
其中,所述生成对抗网络包括所述生成器和判别器,所述判别器是使用第一样本训练得到,所述生成器是使用第二样本训练得到,所述第一样本是根据所述生成器获取得到,所述第二样本是根据所述判别器获取得到。
可选地,所述装置还包括:
第二获取模块,用于获取多个用户账号中每个用户账号的用户特征和多个对象中每个对象的对象特征;
生成模块,用于根据所述多个用户账号中每个用户账号的用户特征和所述多个对象中每个对象的对象特征,生成多个训练数据,所述多个训练数据中的每个训练数据包括一个用户账号的用户特征和一个对象的对象特征;
第三获取模块,用于根据所述生成器,从所述多个训练数据中获取多个第一样本;
第一训练模块,用于使用所述多个第一样本,对所述判别器进行训练;
第四获取模块,用于在完成对所述判别器的训练后,根据所述判别器,从所述多个训练数据中获取多个第二样本;
第二训练模块,用于使用所述多个第二样本,对所述生成器进行训练;
触发模块,用于在完成对所述生成器的训练后,如果所述生成器和所述判别器不满足参考条件,则触发所述第三获取模块根据所述生成器,从所述多个训练数据中获取多个第一样本;如果所述生成器和所述判别器满足参考条件,则结束对所述生成对抗网络的训练。
可选地,所述第三获取模块包括:
打分单元,用于将所述多个训练数据中的每个训练数据输入到所述生成器,由所述生成器输出所述多个训练数据中的每个训练数据的推荐分数;
第一确定单元,用于将所述多个训练数据中推荐分数大于或等于参考分数的训练数据确定为目标数据;
第二确定单元,用于对于确定出的多个目标数据中的任意一个目标数据,当存在所述一个目标数据对应的用户账号对所述一个目标数据对应的对象的参考行为数据时,确定所述一个目标数据为第一正样本;
第三确定单元,用于当不存在所述一个目标数据对应的用户账号对所述一个目标数据对应的对象的参考行为数据时,确定所述一个目标数据为第一负样本。
可选地,所述第四获取模块包括:
判别单元,用于将所述多个训练数据中的每个训练数据输入到所述判别器,由所述判别器输出所述多个训练数据中每个训练数据的类型;
第四确定单元,用于对于所述多个训练数据中的任意一个训练数据,当所述一个训练数据的类型为第一类型时,确定所述一个训练数据为第二正样本;
第五确定单元,用于当所述一个训练数据的类型为第二类型时,确定所述一个训练数据为第二负样本。
可选地,所述参考条件为所述生成器和所述判别器均收敛;或者,所述参考条件为所述生成器中的损失函数值和所述判别器中的损失函数值均小于参考数值。
可选地,所述确定模块包括:
推荐单元,用于当所述目标对象的推荐分数大于或等于参考分数时,向所述目标用户账号推荐所述目标对象。
一方面,提供了一种服务器,所述服务器包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或所述指令集由所述处理器加载并执行以实现上述的对象推荐方法。
一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或所述指令集由处理器加载并执行以实现上述的对象推荐方法。
一方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述的对象推荐方法。
本申请实施例提供的技术方案至少可以带来以下有益效果:
获取目标用户账号的用户特征和目标对象的对象特征后,将目标用户账号的用户特征和目标对象的对象特征输入到生成对抗网络中的生成器,由该生成器输出目标对象的推荐分数。之后,根据目标对象的推荐分数确定是否向目标用户账号推荐目标对象。该生成对抗网络包括生成器和判别器,该判别器是使用第一样本训练得到,该生成器是使用第二样本训练得到,第一样本是根据该生成器获取得到,第二样本是根据该判别器获取得到。由于生成对抗网络中的生成器和判别器通过互相博弈学习可以产生相当好的输出,所以该生成器的预测准确率较高,从而在使用该生成器进行对象推荐时的准确度较高。
附图说明
为了更清楚地说明本申请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是本申请实施例提供的一种实施环境的示意图;
图2是本申请实施例提供的一种对象推荐方法的流程图;
图3是本申请实施例提供的一种对象推荐装置的结构示意图;
图4是本申请实施例提供的另一种对象推荐装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
在对本申请实施例进行详细地解释说明之前,先对本申请实施例的应用场景予以说明。
本申请实施例提供的对象推荐方法可以应用于为用户推荐对象的场景中,该对象可以为商品、音视频或资讯等。比如,在用户通过购物应用挑选商品时,购物应用可以通过本申请实施例提供的对象推荐方法向用户推荐商品;或者,在用户通过音视频应用收听歌曲或观看视频时,音视频应用可以通过本申请实施例提供的对象推荐方法向用户推荐歌曲或视频;或者,在用户通过新闻应用阅读资讯时,新闻应用可以通过本申请实施例提供的对象推荐方法向用户推荐资讯等。当然,本申请实施例提供的对象推荐方法也可以应用于其他场景,本申请实施例对此不作限定。
接下来对本申请实施例涉及的实施环境进行介绍。
图1是本申请实施例提供的一种实施环境的示意图,如图1所示,该实施环境包括终端101和服务器102,终端101和服务器102可以通过有线网络或无线网络进行通信。终端101可以是计算机、手机或平板电脑等设备。终端101中可以安装有应用,该应用可以为购物应用、音乐应用、视频应用或新闻应用等。服务器102可以为该应用的后台服务器,可以在用户使用该应用浏览对象的过程中,按照本申请实施例提供的对象推荐方法向用户推荐对象。
图2是本申请实施例提供的一种对象推荐方法的流程图。该方法可以应用于图1所示的服务器102中。参见图2,该方法包括:
步骤201:获取目标用户账号的用户特征和目标对象的对象特征。
需要说明的是,目标用户账号可以是终端当前正在登录的用户账号,即为正在使用终端的用户在服务器中注册的用户账号。目标用户账号的用户特征可以包括目标用户账号的属性信息(如年龄、性别、所在地区等)、个性化信息(如标签等)和历史访问记录等中的至少一个,本申请实施例对此不作限定。
另外,目标对象为待推荐的任一对象,目标对象可以为商品、音视频、资讯等。目标对象的对象特征可以包括目标对象的名称、类型、用途和简介等中的至少一个,本申请实施例对此不作限定。比如,当目标对象为商品时,目标对象的对象特征可以为商品的价格、类型、用途等;或者,当目标对象为音视频时,目标对象的对象特征可以为音视频的播放时长、类型、作者、简介等;或者,当目标对象为资讯时,目标对象的对象特征可以为资讯的篇幅、类型等。
步骤202:将目标用户账号的用户特征和目标对象的对象特征输入到生成对抗网络中的生成器,由该生成器输出目标对象的推荐分数。
需要说明的是,将目标用户账号的用户特征和目标对象的对象特征输入到该生成器后,该生成器就可以预测目标用户账号对目标对象进行参考行为的概率,继而输出目标用户账号对目标对象进行参考行为的概率作为目标对象的推荐分数。也即是,目标对象的推荐分数越大,表明目标用户账号对目标对象进行参考行为的概率越大,目标对象的推荐分数越小,表明目标用户账号对目标对象进行参考行为的概率越小。推荐分数可以为大于或等于0且小于或等于1的数值。
另外,参考行为可以预先进行设置,且参考行为通常为用户表达对对象的喜爱的行为。参考行为可以包括收藏、购买、播放、赠送礼物等行为。比如,当对象为商品时,参考行为可以为收藏、购买、分享等行为;或者,当对象为音视频时,参考行为可以为播放、收藏、送花、下载等行为;或者,当对象为资讯时,参考行为可以为分享、收藏等行为。
需要说明的是,生成对抗网络(Generative Adversarial Networks,GAN)是一种深度学习模型,生成对抗网络中包括生成器(Generator)和判别器(Discriminator),该判别器是使用第一样本训练得到,该生成器是使用第二样本训练得到,第一样本是根据该生成器获取得到,第二样本是根据该判别器获取得到。也即是,生成对抗网络中的生成器和判别器彼此是使用根据对方获取得到的样本来进行训练,该生成器和该判别器通过互相博弈学习可以产生相当好的输出。如此训练得到的生成器的预测准确率较高,从而该生成器输出的目标对象的推荐分数的准确度较高,进而后续根据目标对象的推荐分数进行对象推荐时的准确度较高。
另外,第一样本和第二样本中均可以包括用户账号的用户特征和对象的对象特征,且一个第一样本或一个第二样本中可以包括一个用户账号的用户特征和一个对象的对象特征。
进一步地,在步骤202之前,还需要先训练得到该生成对抗网络。具体地,训练得到该生成对抗网络的操作可以包括如下步骤(1)-步骤(7):
(1)获取多个用户账号中每个用户账号的用户特征和多个对象中每个对象的对象特征。
需要说明的是,该多个用户账号可以预先进行设置,该多个用户账号可以是在服务器中注册得到的用户账号。该多个对象也可以预先进行设置,该多个对象是服务器能够提供的对象,如商品、音视频或资讯等。
(2)根据该多个用户账号中每个用户账号的用户特征和该多个对象中每个对象的对象特征,生成多个训练数据。
需要说明的是,该多个训练数据是用于训练生成对抗网络中的生成器和判别器的数据,该多个训练数据中的每个训练数据可以包括一个用户账号的用户特征和一个对象的对象特征,即每个训练数据可以包括一个特征对,每个训练数据对应一个用户账号和一个对象。
具体地,步骤(2)的操作可以为:对于该多个用户账号中的每一个用户账号和该多个对象中的每一个对象,将这个用户账号的用户特征和这个对象的对象特征确定为一个训练数据,如此可以得到多个训练数据。
(3)根据生成对抗网络中的生成器,从该多个训练数据中获取多个第一样本。
具体地,可以将该多个训练数据中的每个训练数据输入到该生成器,由该生成器输出该多个训练数据中的每个训练数据的推荐分数;将该多个训练数据中推荐分数大于或等于参考分数的训练数据确定为目标数据;对于确定出的多个目标数据中的任意一个目标数据,当存在这个目标数据对应的用户账号对这个目标数据对应的对象的参考行为数据时,确定这个目标数据为第一正样本;当不存在这个目标数据对应的用户账号对这个目标数据对应的对象的参考行为数据时,确定这个目标数据为第一负样本。
需要说明的是,对于某个训练数据,该生成器输出的这个训练数据的推荐分数表示这个训练数据对应的用户账号对这个训练数据对应的对象进行参考行为的概率。对于该生成器而言,其性能的好坏是看其是否能根据某个用户账号的用户特征和某个对象的对象特征来准确预测出这个用户账号对这个对象进行参考行为的概率。
另外,某个训练数据对应的用户账号是这个训练数据包括的用户特征所属的用户账号,这个训练数据对应的对象是这个训练数据包括的对象特征所属的对象。
再者,参考分数可以预先进行设置,且参考分数可以设置的较大,例如,参考分数可以为0.8、0.9等。
需要说明的是,当某个训练数据的推荐分数大于参考分数时,表明该生成器认为这个训练数据对应的用户账号很有可能对这个训练数据对应的对象进行参考行为,因而此时可以将这个训练数据确定为目标数据。也即是,从该多个训练数据中确定出的多个目标数据就是该生成器认为的一些很有可能进行参考行为的用户账号和对象的特征对,该多个目标数据中的每个目标数据是一个第一样本,因而从该多个训练数据中获取到的多个第一样本是比较容易混淆的一些样本。
需要说明的是,当存在这个目标数据对应的用户账号对这个目标数据对应的对象的参考行为数据时,表明这个目标数据对应的用户账号对这个目标数据对应的对象进行过参考行为,因而此时可以将这个目标数据确定为第一正样本。当不存在这个目标数据对应的用户账号对这个目标数据对应的对象的参考行为数据时,表明这个目标数据对应的用户账号对这个目标数据对应的对象未进行过参考行为,因而此时可以将这个目标数据确定为第一负样本。
这种情况下,根据该生成器从该多个训练数据中获取到的多个第一样本中包括第一正样本和第一负样本,且第一正样本是该生成器预测较为准确的训练数据,第一负样本是该生成器预测不准确的训练数据。第一正样本的样本标记和第一负样本的样本标记不同,如第一正样本的样本标记可以为1,第一负样本的样本标记可以为0。
(4)使用该多个第一样本,对生成对抗网络中的判别器进行训练。
具体地,可以将该多个第一样本中的每个第一样本输入到该判别器中,在得到该判别器的输出后,根据该判别器的输出和该多个第一样本中每个第一样本的样本标记之间的差距,使用第一损失函数对该生成器中的参数进行调整。
需要说明的是,第一损失函数可以预先进行设置,如第一损失函数可以为欧式距离损失函数(Euclidean Loss)、Sigmoid交叉熵损失函数(Sigmoid Cross Entropy Loss)、Softmax损失函数(Softmax With Loss)等,本申请实施例对此不作限定。
另外,对于该判别器而言,其性能的好坏是看其是否能准确区分出输入的该多个第一样本。由于该多个第一样本是根据该生成器获取到的比较容易混淆的一些样本,所以使用该多个第一样本对该判别器进行训练后,可以大大提高该判别器的性能。
如此,在完成对该判别器的训练后,将一个训练数据输入到该判别器,该判别器将可以较为准确地输出这个训练数据的类型,该类型可以为第一类型或第二类型。第一类型代表该判别器认为该训练数据对应的用户账号对该训练数据对应的对象进行过参考行为,第二类型代表该判别器认为该训练数据对应的用户账号未对该训练数据对应的对象进行过参考行为。
(5)在完成对该判别器的训练后,根据该判别器,从该多个训练数据中获取多个第二样本。
其中,根据该判别器,从该多个训练数据中获取多个第二样本的操作可以为:将该多个训练数据中的每个训练数据输入到该判别器,由该判别器输出该多个训练数据中每个训练数据的类型;对于该多个训练数据中的任意一个训练数据,当这个训练数据的类型为第一类型时,确定这个训练数据为第二正样本;当这个训练数据的类型为第二类型时,确定这个训练数据为第二负样本。
这种情况下,根据该判别器从该多个训练数据中获取到的多个第二样本就是该多个训练数据中该判别器能够确定其类型的训练数据。由于该判别器的性能比较好,所以根据该判别器从该多个训练数据中获取到的多个第二样本的质量比较好。该多个第二样本中包括第二正样本和第二负样本,第二正样本是该判别器认为的进行过参考行为的用户账号和对象的特征对,第二负样本是该判别器认为的未进行过参考行为的用户账号和对象的特征对。第二正样本的样本标记和第二负样本的样本标记不同,如第二正样本的样本标记可以为1,第二负样本的样本标记可以为0。
(6)使用该多个第二样本,对该生成器进行训练。
具体地,可以将该多个第二样本中的每个第二样本输入到该生成器,在得到该生成器的输出后,根据该生成器的输出和该多个第二样本中每个第二样本的样本标记之间的差距,使用第二损失函数对该生成器中的参数进行调整。
需要说明的是,第二损失函数可以预先进行设置,如第二损失函数可以为欧式距离损失函数、Sigmoid交叉熵损失函数、Softmax损失函数等,本申请实施例对此不作限定。第二损失函数可以与第一损失函数不同。
另外,由于此时该多个第二样本的质量较高,因此根据该多个第二样本对该生成器进行训练后,可以大大提高该生成器的性能。如此,在完成对该生成器的训练后,该生成器将能较为准确地预测出输入的训练数据对应的对象的推荐分数。
(7)在完成对该生成器的训练后,如果该生成器和该判别器不满足参考条件,则返回步骤(3);如果该生成器和该判别器满足参考条件,则结束对该生成对抗网络的训练。
需要说明的是,参考条件可以预先进行设置,且参考条件用于指示该生成器和该判别器的性能较好。比如,参考条件可以为该生成器和该判别器均收敛;或者,参考条件可以为该生成器中的损失函数值和该判别器中的损失函数值均小于参考数值。其中,参考数值可以预先进行设置,且参考数值可以设置的较小,如参考数值可以为0.5、0.4等。
当该生成器和该判别器不满足参考条件时,表明该生成器和该判别器的性能不是很好,因而此时可以返回步骤(3),来对该判别器和该生成器进行下一轮训练,直至该生成器和该判别器满足参考条件时,结束对该生成对抗网络的训练。在此训练过程中,该生成器和该判别器通过互相训练、不断博弈,使得两者的性能均达到最佳。
值得注意的是,在结束对该生成对抗网络的训练后,还可以使用测试数据来确定该生成对抗网络中的生成器的性能是否满足需求。具体地,可以获取多个测试数据,该多个测试数据中的每个测试数据可以包括一个用户账号的用户特征和一个对象的对象特征,该多个测试数据可以和该多个训练数据不同。将该多个测试数据中的每个测试数据输入到该生成器,由该生成器输出该多个测试数据中每个测试数据的推荐分数。从该多个测试数据中获取推荐分数大于或等于参考分数的测试数据作为第一数据。对于获取到的多个第一数据中的每个第一数据,如果存在这个第一数据对应的用户账号对这个第一数据对应的对象的参考行为数据,则将这个第一数据确定为第二数据。计算该多个第一数据中第二数据所占的比例,当该比例大于或等于预设的比例时,确定该生成器的性能满足需求,当该比例小于预设的比例时,确定该生成器的性能不满足需求,此时返回步骤(1)重新对该生成对抗网络进行训练。
步骤203:根据目标对象的推荐分数确定是否向目标用户账号推荐目标对象。
具体地,可以当目标对象的推荐分数大于或等于参考分数时,向目标用户账号推荐目标对象;当目标对象的推荐分数小于参考分数时,不向目标用户账号推荐目标对象。
需要说明的是,当目标对象的推荐分数大于或等于参考分数时,表明目标用户账号对目标对象进行参考行为的概率较大,因而此时可以向目标用户账号推荐目标对象。当目标对象的推荐分数小于参考分数时,表明目标用户账号对目标对象进行参考行为的概率较小,因而此时可以不向目标用户账号推荐目标对象。
当然,也可以根据目标对象的推荐分数,通过其它方式确定是否向目标用户账号推荐目标对象。例如,当存在多个目标对象,且该多个目标对象的推荐分数均大于或等于参考分数时,可以按照推荐分数由大到小的顺序,从该多个目标对象中选取前n个目标对象,并将该前n个目标对象推荐给目标用户账号。其中,n可以预先进行设置,如n可以为5、10等。
值得注意的是,实际应用中,在步骤201中可以当接收到终端发送的页面访问请求时,再获取目标用户账号的用户特征和目标对象的对象特征,该页面访问请求用于请求对某一页面进行访问,此时目标用户账号为终端当前正在登录的用户账号,目标对象为能够在该页面上显示的任一对象。这种情况下,在步骤203中向目标用户账号推荐目标对象时,可以将目标对象显示在该页面上,以实现对目标对象的推荐。
在本申请实施例中,获取目标用户账号的用户特征和目标对象的对象特征后,将目标用户账号的用户特征和目标对象的对象特征输入到生成对抗网络中的生成器,由该生成器输出目标对象的推荐分数。之后,根据目标对象的推荐分数确定是否向目标用户账号推荐目标对象。该生成对抗网络包括生成器和判别器,该判别器是使用第一样本训练得到,该生成器是使用第二样本训练得到,第一样本是根据该生成器获取得到,第二样本是根据该判别器获取得到。由于生成对抗网络中的生成器和判别器通过互相博弈学习可以产生相当好的输出,所以该生成器的预测准确率较高,从而在使用该生成器进行对象推荐时的准确度较高。
图3是本申请实施例提供的一种对象推荐装置的结构示意图。参见图3,该装置包括:第一获取模块301、打分模块302和确定模块303。
第一获取模块301,用于获取目标用户账号的用户特征和目标对象的对象特征;
打分模块302,用于将目标用户账号的用户特征和目标对象的对象特征输入到生成对抗网络中的生成器,由该生成器输出目标对象的推荐分数;
确定模块303,用于根据目标对象的推荐分数确定是否向目标用户账号推荐目标对象;
其中,生成对抗网络包括生成器和判别器,判别器是使用第一样本训练得到,生成器是使用第二样本训练得到,第一样本是根据生成器获取得到,第二样本是根据判别器获取得到。
可选地,该装置还包括:
第二获取模块,用于获取多个用户账号中每个用户账号的用户特征和多个对象中每个对象的对象特征;
生成模块,用于根据多个用户账号中每个用户账号的用户特征和多个对象中每个对象的对象特征,生成多个训练数据,多个训练数据中的每个训练数据包括一个用户账号的用户特征和一个对象的对象特征;
第三获取模块,用于根据该生成器,从多个训练数据中获取多个第一样本;
第一训练模块,用于使用多个第一样本,对该判别器进行训练;
第四获取模块,用于在完成对该判别器的训练后,根据该判别器,从多个训练数据中获取多个第二样本;
第二训练模块,用于使用多个第二样本,对该生成器进行训练;
触发模块,用于在完成对该生成器的训练后,如果该生成器和该判别器不满足参考条件,则触发第三获取模块根据该生成器,从多个训练数据中获取多个第一样本;如果该生成器和该判别器满足参考条件,则结束对生成对抗网络的训练。
可选地,第三获取模块包括:
打分单元,用于将多个训练数据中的每个训练数据输入到该生成器,由该生成器输出多个训练数据中的每个训练数据的推荐分数;
第一确定单元,用于将多个训练数据中推荐分数大于或等于参考分数的训练数据确定为目标数据;
第二确定单元,用于对于确定出的多个目标数据中的任意一个目标数据,当存在一个目标数据对应的用户账号对一个目标数据对应的对象的参考行为数据时,确定这一个目标数据为第一正样本;
第三确定单元,用于当不存在一个目标数据对应的用户账号对一个目标数据对应的对象的参考行为数据时,确定这一个目标数据为第一负样本。
可选地,第四获取模块包括:
判别单元,用于将多个训练数据中的每个训练数据输入到该判别器,由该判别器输出多个训练数据中每个训练数据的类型;
第四确定单元,用于对于多个训练数据中的任意一个训练数据,当一个训练数据的类型为第一类型时,确定这一个训练数据为第二正样本;
第五确定单元,用于当一个训练数据的类型为第二类型时,确定这一个训练数据为第二负样本。
可选地,参考条件为该生成器和该判别器均收敛;或者,参考条件为该生成器中的损失函数值和该判别器中的损失函数值均小于参考数值。
可选地,确定模块303包括:
推荐单元,用于当目标对象的推荐分数大于或等于参考分数时,向目标用户账号推荐目标对象。
在本申请实施例中,获取目标用户账号的用户特征和目标对象的对象特征后,将目标用户账号的用户特征和目标对象的对象特征输入到生成对抗网络中的生成器,由该生成器输出目标对象的推荐分数。之后,根据目标对象的推荐分数确定是否向目标用户账号推荐目标对象。该生成对抗网络包括生成器和判别器,该判别器是使用第一样本训练得到,该生成器是使用第二样本训练得到,第一样本是根据该生成器获取得到,第二样本是根据该判别器获取得到。由于生成对抗网络中的生成器和判别器通过互相博弈学习可以产生相当好的输出,所以该生成器的预测准确率较高,从而在使用该生成器进行对象推荐时的准确度较高。
需要说明的是:上述实施例提供的对象推荐装置在推荐对象时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的对象推荐装置与对象推荐方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图4是本申请实施例提供的一种对象推荐装置的结构示意图。参见图4,该装置可以为服务器400,服务器400可以是后台服务器集群中的服务器。具体来讲:
服务器400包括中央处理单元(CPU)401、包括随机存取存储器(RAM)402和只读存储器(ROM)403的系统存储器404,以及连接系统存储器404和中央处理单元401的系统总线405。服务器400还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)406,和用于存储操作系统413、应用程序414和其他程序模块415的大容量存储设备407。
基本输入/输出系统406包括有用于显示信息的显示器408和用于用户输入信息的诸如鼠标、键盘之类的输入设备409。其中显示器408和输入设备409都通过连接到系统总线405的输入/输出控制器410连接到中央处理单元401。基本输入/输出系统406还可以包括输入/输出控制器410以用于接收和处理来自键盘、鼠标或电子触控笔等多个其他设备的输入。类似地,输入/输出控制器410还提供输出到显示屏、打印机或其他类型的输出设备。
大容量存储设备407通过连接到系统总线405的大容量存储控制器(未示出)连接到中央处理单元401。大容量存储设备407及其相关联的计算机可读介质为服务器400提供非易失性存储。也就是说,大容量存储设备407可以包括诸如硬盘或CD-ROM驱动器之类的计算机可读介质(未示出)。
不失一般性,计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术,以及包括CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知计算机存储介质不局限于上述几种。系统存储器404和大容量存储设备407可以统称为存储器。
根据本发明的各种实施例,服务器400还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器400可以通过连接在系统总线405上的网络接口单元411连接到网络412,或者说,也可以使用网络接口单元411来连接到其他类型的网络或远程计算机系统(未示出)。
上述存储器还包括一个或者一个以上的程序,一个或者一个以上程序存储于存储器中,被配置由CPU执行。该一个或者一个以上程序包含用于进行图2实施例提供的对象推荐方法的指令。
在一些实施例中,还提供了一种计算机可读存储介质,该存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述实施例中对象推荐方法。例如,该计算机可读存储介质可以是ROM、RAM、CD-ROM、磁带、软盘和光数据存储设备等。
值得注意的是,本申请提到的计算机可读存储介质可以为非易失性存储介质,换句话说,可以是非瞬时性存储介质。
应当理解的是,实现上述实施例的全部或部分步骤可以通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。该计算机指令可以存储在上述计算机可读存储介质中。
也即是,在一些实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述的对象推荐方法。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (11)
1.一种对象推荐方法,其特征在于,所述方法包括:
获取目标用户账号的用户特征和目标对象的对象特征;
将所述目标用户账号的用户特征和所述目标对象的对象特征输入到生成对抗网络中的生成器,由所述生成器输出所述目标对象的推荐分数;
根据所述目标对象的推荐分数确定是否向所述目标用户账号推荐所述目标对象;
其中,所述生成对抗网络包括所述生成器和判别器,所述判别器是使用第一样本训练得到,所述生成器是使用第二样本训练得到,所述第一样本是根据所述生成器获取得到,所述第二样本是根据所述判别器获取得到;
所述将所述目标用户账号的用户特征和所述目标对象的对象特征输入到生成对抗网络中的生成器之前,还包括:
获取多个用户账号中每个用户账号的用户特征和多个对象中每个对象的对象特征;
根据所述多个用户账号中每个用户账号的用户特征和所述多个对象中每个对象的对象特征,生成多个训练数据,所述多个训练数据中的每个训练数据包括一个用户账号的用户特征和一个对象的对象特征;
根据所述生成器,从所述多个训练数据中获取多个第一样本;
使用所述多个第一样本,对所述判别器进行训练;
在完成对所述判别器的训练后,根据所述判别器,从所述多个训练数据中获取多个第二样本;
使用所述多个第二样本,对所述生成器进行训练;
在完成对所述生成器的训练后,如果所述生成器和所述判别器不满足参考条件,则返回所述根据所述生成器,从所述多个训练数据中获取多个第一样本的步骤;如果所述生成器和所述判别器满足参考条件,则结束对所述生成对抗网络的训练。
2.如权利要求1所述的方法,其特征在于,所述根据所述生成器,从所述多个训练数据中获取多个第一样本,包括:
将所述多个训练数据中的每个训练数据输入到所述生成器,由所述生成器输出所述多个训练数据中的每个训练数据的推荐分数;
将所述多个训练数据中推荐分数大于或等于参考分数的训练数据确定为目标数据;
对于确定出的多个目标数据中的任意一个目标数据,当存在所述一个目标数据对应的用户账号对所述一个目标数据对应的对象的参考行为数据时,确定所述一个目标数据为第一正样本;
当不存在所述一个目标数据对应的用户账号对所述一个目标数据对应的对象的参考行为数据时,确定所述一个目标数据为第一负样本。
3.如权利要求1所述的方法,其特征在于,所述根据所述判别器,从所述多个训练数据中获取多个第二样本,包括:
将所述多个训练数据中的每个训练数据输入到所述判别器,由所述判别器输出所述多个训练数据中每个训练数据的类型;
对于所述多个训练数据中的任意一个训练数据,当所述一个训练数据的类型为第一类型时,确定所述一个训练数据为第二正样本;
当所述一个训练数据的类型为第二类型时,确定所述一个训练数据为第二负样本。
4.如权利要求1所述的方法,其特征在于,所述参考条件为所述生成器和所述判别器均收敛;或者,所述参考条件为所述生成器中的损失函数值和所述判别器中的损失函数值均小于参考数值。
5.如权利要求1-4任一所述的方法,其特征在于,所述根据所述目标对象的推荐分数确定是否向所述目标用户账号推荐所述目标对象,包括:
当所述目标对象的推荐分数大于或等于参考分数时,向所述目标用户账号推荐所述目标对象。
6.一种对象推荐装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标用户账号的用户特征和目标对象的对象特征;
打分模块,用于将所述目标用户账号的用户特征和所述目标对象的对象特征输入到生成对抗网络中的生成器,由所述生成器输出所述目标对象的推荐分数;
确定模块,用于根据所述目标对象的推荐分数确定是否向所述目标用户账号推荐所述目标对象;
其中,所述生成对抗网络包括所述生成器和判别器,所述判别器是使用第一样本训练得到,所述生成器是使用第二样本训练得到,所述第一样本是根据所述生成器获取得到,所述第二样本是根据所述判别器获取得到;
所述装置还包括:
第二获取模块,用于获取多个用户账号中每个用户账号的用户特征和多个对象中每个对象的对象特征;
生成模块,用于根据所述多个用户账号中每个用户账号的用户特征和所述多个对象中每个对象的对象特征,生成多个训练数据,所述多个训练数据中的每个训练数据包括一个用户账号的用户特征和一个对象的对象特征;
第三获取模块,用于根据所述生成器,从所述多个训练数据中获取多个第一样本;
第一训练模块,用于使用所述多个第一样本,对所述判别器进行训练;
第四获取模块,用于在完成对所述判别器的训练后,根据所述判别器,从所述多个训练数据中获取多个第二样本;
第二训练模块,用于使用所述多个第二样本,对所述生成器进行训练;
触发模块,用于在完成对所述生成器的训练后,如果所述生成器和所述判别器不满足参考条件,则触发所述第三获取模块根据所述生成器,从所述多个训练数据中获取多个第一样本;如果所述生成器和所述判别器满足参考条件,则结束对所述生成对抗网络的训练。
7.如权利要求6所述的装置,其特征在于,所述第三获取模块包括:
打分单元,用于将所述多个训练数据中的每个训练数据输入到所述生成器,由所述生成器输出所述多个训练数据中的每个训练数据的推荐分数;
第一确定单元,用于将所述多个训练数据中推荐分数大于或等于参考分数的训练数据确定为目标数据;
第二确定单元,用于对于确定出的多个目标数据中的任意一个目标数据,当存在所述一个目标数据对应的用户账号对所述一个目标数据对应的对象的参考行为数据时,确定所述一个目标数据为第一正样本;
第三确定单元,用于当不存在所述一个目标数据对应的用户账号对所述一个目标数据对应的对象的参考行为数据时,确定所述一个目标数据为第一负样本。
8.如权利要求6所述的装置,其特征在于,所述第四获取模块包括:
判别单元,用于将所述多个训练数据中的每个训练数据输入到所述判别器,由所述判别器输出所述多个训练数据中每个训练数据的类型;
第四确定单元,用于对于所述多个训练数据中的任意一个训练数据,当所述一个训练数据的类型为第一类型时,确定所述一个训练数据为第二正样本;
第五确定单元,用于当所述一个训练数据的类型为第二类型时,确定所述一个训练数据为第二负样本。
9.如权利要求6所述的装置,其特征在于,所述参考条件为所述生成器和所述判别器均收敛;或者,所述参考条件为所述生成器中的损失函数值和所述判别器中的损失函数值均小于参考数值。
10.如权利要求6-9任一所述的装置,其特征在于,所述确定模块包括:
推荐单元,用于当所述目标对象的推荐分数大于或等于参考分数时,向所述目标用户账号推荐所述目标对象。
11.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或所述指令集由处理器加载并执行以实现如权利要求1至5任一所述的对象推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910970058.1A CN110727868B (zh) | 2019-10-12 | 2019-10-12 | 对象推荐方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910970058.1A CN110727868B (zh) | 2019-10-12 | 2019-10-12 | 对象推荐方法、装置和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110727868A CN110727868A (zh) | 2020-01-24 |
CN110727868B true CN110727868B (zh) | 2022-07-15 |
Family
ID=69220040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910970058.1A Active CN110727868B (zh) | 2019-10-12 | 2019-10-12 | 对象推荐方法、装置和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110727868B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460130B (zh) * | 2020-03-27 | 2023-07-25 | 咪咕数字传媒有限公司 | 信息推荐方法、装置、设备和可读存储介质 |
CN111931062B (zh) * | 2020-08-28 | 2023-11-24 | 腾讯科技(深圳)有限公司 | 一种信息推荐模型的训练方法和相关装置 |
CN112182384B (zh) * | 2020-09-28 | 2023-08-25 | 平安科技(深圳)有限公司 | 基于对抗学习的内容推荐方法、装置和计算机设备 |
CN112395494B (zh) * | 2020-10-15 | 2022-10-14 | 南京邮电大学 | 一种基于生成对抗网络的双向动态推荐系统 |
CN112287225B (zh) * | 2020-10-29 | 2023-09-08 | 北京奇艺世纪科技有限公司 | 一种对象推荐方法及装置 |
CN113268660B (zh) * | 2021-04-28 | 2023-04-07 | 重庆邮电大学 | 一种基于生成对抗网络的多样性推荐方法、装置及服务器 |
CN113139133B (zh) * | 2021-06-21 | 2021-11-09 | 图灵人工智能研究院(南京)有限公司 | 基于生成对抗网络的云展会内容推荐方法、系统及设备 |
CN114943585B (zh) * | 2022-05-27 | 2023-05-05 | 天翼爱音乐文化科技有限公司 | 一种基于生成对抗网络的业务推荐方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104639957A (zh) * | 2013-11-06 | 2015-05-20 | 株式会社Ntt都科摩 | 移动多媒体终端、视频节目推荐方法及其服务器 |
CN108900924A (zh) * | 2018-07-20 | 2018-11-27 | 广州华多网络科技有限公司 | 直播间中推荐好友的方法和装置 |
CN109460512A (zh) * | 2018-10-25 | 2019-03-12 | 腾讯科技(北京)有限公司 | 推荐信息处理方法、装置、设备及存储介质 |
CN109657140A (zh) * | 2018-12-13 | 2019-04-19 | 平安普惠企业管理有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
CN109657156A (zh) * | 2019-01-22 | 2019-04-19 | 杭州师范大学 | 一种基于循环生成对抗网络的个性化推荐方法 |
CN109993627A (zh) * | 2019-02-28 | 2019-07-09 | 华为技术有限公司 | 推荐方法、推荐模型的训练方法、装置和存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170200205A1 (en) * | 2016-01-11 | 2017-07-13 | Medallia, Inc. | Method and system for analyzing user reviews |
KR102211650B1 (ko) * | 2018-01-19 | 2021-02-04 | 네이버 주식회사 | 인공지능 기반 상품 추천 방법 및 그 시스템 |
CN109509056B (zh) * | 2018-10-16 | 2023-05-09 | 平安科技(深圳)有限公司 | 基于对抗网络的商品推荐方法、电子装置及存储介质 |
CN109360069B (zh) * | 2018-10-29 | 2022-04-01 | 郑州大学 | 一种基于成对对抗训练的推荐模型的方法 |
CN109685116B (zh) * | 2018-11-30 | 2022-12-30 | 腾讯科技(深圳)有限公司 | 图像描述信息生成方法和装置及电子装置 |
CN110210933B (zh) * | 2019-05-21 | 2022-02-11 | 清华大学深圳研究生院 | 一种基于生成对抗网络的隐语义推荐方法 |
CN110288097A (zh) * | 2019-07-01 | 2019-09-27 | 腾讯科技(深圳)有限公司 | 一种模型训练的方法以及相关装置 |
-
2019
- 2019-10-12 CN CN201910970058.1A patent/CN110727868B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104639957A (zh) * | 2013-11-06 | 2015-05-20 | 株式会社Ntt都科摩 | 移动多媒体终端、视频节目推荐方法及其服务器 |
CN108900924A (zh) * | 2018-07-20 | 2018-11-27 | 广州华多网络科技有限公司 | 直播间中推荐好友的方法和装置 |
CN109460512A (zh) * | 2018-10-25 | 2019-03-12 | 腾讯科技(北京)有限公司 | 推荐信息处理方法、装置、设备及存储介质 |
CN109657140A (zh) * | 2018-12-13 | 2019-04-19 | 平安普惠企业管理有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
CN109657156A (zh) * | 2019-01-22 | 2019-04-19 | 杭州师范大学 | 一种基于循环生成对抗网络的个性化推荐方法 |
CN109993627A (zh) * | 2019-02-28 | 2019-07-09 | 华为技术有限公司 | 推荐方法、推荐模型的训练方法、装置和存储介质 |
Non-Patent Citations (2)
Title |
---|
Rating Augmentation with Generative Adversarial Networks towards Accurate Collaborative Filtering;Dong-Kyu Chae 等;《ACM》;20190513;第2616-2622页 * |
成对对抗学习推荐算法的研究;孙中川;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20190715;I138-1548 * |
Also Published As
Publication number | Publication date |
---|---|
CN110727868A (zh) | 2020-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110727868B (zh) | 对象推荐方法、装置和计算机可读存储介质 | |
US11122333B2 (en) | User feature generation method and apparatus, device, and computer-readable storage medium | |
CN108829808B (zh) | 一种页面个性化排序方法、装置及电子设备 | |
CN106326391B (zh) | 多媒体资源推荐方法及装置 | |
CN108540826A (zh) | 弹幕推送方法、装置、电子设备及存储介质 | |
CN109993627B (zh) | 推荐方法、推荐模型的训练方法、装置和存储介质 | |
CN114896454B (zh) | 一种基于标签分析的短视频数据推荐方法及系统 | |
WO2015038444A2 (en) | Strength based modeling for recommendation system | |
CN111695041B (zh) | 用于推荐信息的方法和装置 | |
CN110569447B (zh) | 一种网络资源的推荐方法、装置及存储介质 | |
CN112100491A (zh) | 基于用户数据的信息推荐方法、装置、设备及存储介质 | |
CN110555135B (zh) | 内容推荐方法、内容推荐装置和电子设备 | |
CN110827078A (zh) | 一种信息推荐方法、装置、设备及存储介质 | |
CN115756821A (zh) | 在线任务处理模型训练、任务处理方法及装置 | |
CN115017362A (zh) | 数据处理方法、电子设备及存储介质 | |
CN112948602A (zh) | 一种内容显示方法、装置、系统、设备及存储介质 | |
CN114513686A (zh) | 视频信息的确定方法、装置以及存储介质 | |
CN110555131B (zh) | 内容推荐方法、内容推荐装置和电子设备 | |
CN110942306A (zh) | 数据处理方法、装置及电子设备 | |
CN115203577B (zh) | 对象推荐方法、对象推荐模型的训练方法及装置 | |
CN114398501B (zh) | 多媒体资源的分组方法、装置、设备及存储介质 | |
KR102443041B1 (ko) | 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법 및 장치 | |
CN117056561A (zh) | 视频推荐方法、装置、设备、存储介质及程序产品 | |
CN118094016A (zh) | 推荐方法、装置、设备、计算机可读存储介质及程序产品 | |
CN115660779A (zh) | 信息分享处理方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |