CN110852846A - 用于推荐对象的处理方法及装置、电子设备、存储介质 - Google Patents
用于推荐对象的处理方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN110852846A CN110852846A CN201911093880.0A CN201911093880A CN110852846A CN 110852846 A CN110852846 A CN 110852846A CN 201911093880 A CN201911093880 A CN 201911093880A CN 110852846 A CN110852846 A CN 110852846A
- Authority
- CN
- China
- Prior art keywords
- value
- information
- recommended
- characteristic
- feature
- 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
- 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
-
- 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]
- G06Q30/0641—Shopping interfaces
- G06Q30/0643—Graphical representation of items or shoppers
Abstract
本公开实施例提供了一种用于推荐对象的处理方法,包括:获取多个可推荐的对象中的每个对象的特征信息,每个对象的特征信息用于描述该对象的以下特征中的至少一个:静态特征、动态特征和时效特征,时效特征用于表征每个对象随着展示时间的推进而表现出的热度变化;基于每个对象的特征信息预测每个对象的推荐值;基于每个对象的推荐值,从多个可推荐的对象中筛选出至少一个推荐对象;根据筛选结果处理至少一个推荐对象。本公开实施例还提供了一种用于推荐对象的处理装置、一种电子设备、一种计算机可读存储介质。
Description
技术领域
本公开涉及计算机技术领域,更具体地,涉及一种用于推荐对象的处理方法及装置、一种电子设备和一种计算机可读存储介质。
背景技术
随着计算机技术及移动通信技术的快速发展,网络购物已经成为重要的购物形式,越来越多的人开始选择在网上搜索产品并下单购买。
相关技术中,为了销售产品,通常会先根据产品的实际销售结果建立模型,再依据产品的静态特征通过建立的模型预测产品被用户购买的概率,然后将这个“概率”转化成分数值,再根据这个分数值对产品进行排序,从而制定出合适产品的推广策略,以提高产品的销售率。
但是,根据产品的实际销售结果事先建立的模型不能很好地揭示一款产品被热销的真正原因,因此,通过这样的模型预测的产品的推荐得分准确度较差。
发明内容
有鉴于此,本公开提供了一种能够客观、准确地预测多个可推荐对象的推荐值的用于推荐对象的处理方法及装置。
本公开实施例的一个方面提供了一种用于推荐对象的处理方法,包括:获取多个可推荐的对象中的每个对象的特征信息,上述每个对象的特征信息用于描述该对象的以下特征中的至少一个:静态特征、动态特征和时效特征,上述时效特征用于表征上述每个对象随着展示时间的推进而表现出的热度变化;基于上述每个对象的特征信息预测上述每个对象的推荐值;基于上述每个对象的推荐值,从上述多个可推荐的对象中筛选出至少一个推荐对象;根据筛选结果处理上述至少一个推荐对象。
根据本公开的实施例,上述每个对象的特征信息包括静态特征信息、动态特征信息和时效特征信息,上述基于上述每个对象的特征信息预测上述每个对象的推荐值,包括:基于上述静态特征信息预测上述每个对象的静态推荐值;基于上述动态特征信息预测上述每个对象的动态推荐值;基于上述时效特征信息预测上述每个对象的时效推荐值;分别获取上述静态推荐值的第一权重、上述动态推荐值的第二权重和上述时效推荐值的第三权重;以及根据上述静态推荐值、上述第一权重、上述动态推荐值、上述第二权重、上述时效推荐值和上述第三权重计算上述每个对象的推荐值。
根据本公开的实施例,上述基于上述每个对象的特征信息预测上述每个对象的推荐值包括:针对上述每个对象,获取对应的文字描述信息和统计类数据,上述文字描述信息和上述统计类数据用于表征对应对象的静态特征;基于上述文字描述信息,生成用于表征上述文字描述信息的词向量;基于上述统计类数据和上述词向量,生成对应的第一特征向量;向第一预定模型输入上述第一特征向量,得到上述对应对象的第一推荐值。
根据本公开的实施例,上述文字描述信息包括标题信息和对象本身的描述信息。上述基于上述文字描述信息,生成用于表征上述文字描述信息的词向量,包括:提取上述标题信息的多个第一关键词以及上述对象本身的描述信息的多个第二关键词;基于上述多个第一关键词生成第一词向量;基于上述多个第二关键词生成第二词向量;将上述第一词向量和上述第二词向量的平均值作为用于表征上述文字描述信息的词向量。
根据本公开的实施例,还包括:在上述生成用于表征上述文字描述信息的词向量之后,向第二预定模型输入上述词向量,得到上述词向量的得分。其中,上述生成对应的第一特征向量,包括:基于上述统计类数据和上述词向量的得分生成上述第一特征向量。
根据本公开的实施例,上述基于上述每个对象的特征信息预测上述每个对象的推荐值包括:针对上述每个对象,确定用于表征对应对象的动态特征的多个字段;基于多个用户对对应对象进行操作而产生的操作数据,确定上述多个字段的字段值;计算每个字段值的权重;对所有字段值的权重进行加权平均,得到上述对应对象的第二推荐值。
根据本公开的实施例,上述基于上述每个对象的特征信息预测上述每个对象的推荐值包括:针对上述每个对象,确定用于表征对应对象的动态特征的多个字段;基于多个用户对对应对象进行操作而产生的操作数据,确定上述多个字段的第一字段值;对上述多个字段的第一字段值进行中心化处理;基于处理后得到的上述多个字段的第二字段值,生成n维协方差矩阵;将上述n维协方差矩阵进行特征值分解,得到n个特征值;按照数值从大到小的顺序从上述n个特征值中提取前d个特征值,其中d<n;将上述前d个特征值进行加权平均,得到上述对应对象的第三推荐值。
根据本公开的实施例,上述基于上述每个对象的特征信息预测上述每个对象的推荐值包括:针对上述每个对象:确定用于表征对应对象的动态特征的多个字段;基于多个用户对对应对象进行操作而产生的操作数据,确定上述多个字段的第三字段值;计算每个第三字段值的权重;对上述多个字段的第三字段值进行中心化处理;基于处理后得到的上述多个字段的第四字段值,生成n维协方差矩阵;将上述n维协方差矩阵进行特征值分解,得到n个特征值;按照数值从大到小的顺序从上述n个特征值中提取前d个特征值,其中d<n;分别对多个上述权重和上述d个特征值进行归一化处理;基于归一化处理结果,计算上述对应对象的第四推荐值。
本公开实施例的另一个方面提供了一种用于推荐对象的处理装置,包括:获取模块,用于获取多个可推荐的对象中的每个对象的特征信息,上述每个对象的特征信息用于描述该对象的以下特征中的至少一个:静态特征、动态特征和时效特征,上述时效特征用于表征上述每个对象随着展示时间的推进而表现出的热度变化;预测模块,用于基于上述每个对象的特征信息预测上述每个对象的推荐值;选择模块,用于基于上述每个对象的推荐值,从上述多个可推荐的对象中筛选出至少一个推荐对象;处理模块,用于根据筛选结果处理上述至少一个推荐对象。
本公开实施例的另一方面提供了一种电子设备,包括一个或多个处理器以及存储装置,其中,上述存储装置用于存储可执行指令,上述可执行指令在被上述处理器执行时,实现本公开实施例的方法。
本公开实施例的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,上述指令在被处理器执行时用于实现本公开实施例的方法。
根据本公开的实施例,采用预测可推荐对象推荐值时,不依赖每个对象的最终售出情况,可以至少部分地克服相关技术中预测可推荐对象的推荐值时存在预测结果准确度较差的技术问题,并因此可以实现预测的推荐值更客观、更准确的技术效果。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的可以用于推荐对象的处理方法的示例性系统架构;
图2示意性示出了根据本公开实施例的用于推荐对象的处理方法的示例流程图;
图3示意性示出了根据本公开实施例的基于每个对象的静态特征预测每个对象的推荐值的流程图;
图4A示意性示出了根据本公开实施例的基于每个对象的动态特征预测每个对象的推荐值的流程图;
图4B示意性示出了根据本公开另一实施例的基于每个对象的动态特征预测每个对象的推荐值的流程图;
图4C示意性示出了根据本公开又一实施例的基于每个对象的动态特征预测每个对象的推荐值的流程图;
图5示意性示出了根据本公开实施例的用于推荐对象的处理装置的框图;以及
图6示意性示出了根据本公开实施例的适于实现用于推荐对象的处理方法的电子设备的框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。
相关技术中,为了销售产品,通常会先根据产品的实际销售结果建立模型,依据产品的静态特征通过建立的模型预测产品被用户购买的概率,然后将这个“概率”转化成分数值,再根据这个分数值对产品进行排序,从而制定出合适产品的推广策略,以提高产品的销售率。相关技术可以基于随机森林、XGBoost(Extreme Gradient Boosting)等机器学习算法,进行有监督的建模,进而利用有监督模型输出的“概率预测值”进行排序。在采用随机森林、XGBoost等算法进行建模时,需要定义模型的因变量Y。通常根据产品是不是被用户购买过来定义因变量Y。例如如果某个产品被用户购买过,则定义Y=1,否则定义Y=0。但是,上述方法定义出来的Y是存在偏差的。这是因为很可能这款产品被用户购买的原因仅仅是产品运营人员的故意引导,比如在一段时间里面只展示了这款产品;或者这款产品的展示位置比其它类似产品具有更大优势,容易引起消费者的注意;或者这款产品是新品上市,它出现在不同页面的概率比其它类似产品高很多,消费者更容易看到等。
本公开实施例提供了一种用于推荐对象的处理方法。本公开实施例中所说的“对象”可以包括通过网络界面进行展示并销售的商品或服务,例如可以包括有形的物品,如日常用品、工业用品等,或者可以包括无形的服务,如金融服务、广告服务等。在实现本公开实施例的过程中,发明人发现一个对象被购买的概率不仅受对象的静态特征的影响,还受对象的其他特征如动态特征和时效特征等的影响。静态特征可以包括对象本身所固有属性或性质;动态特征可以包括用户的操作数随着时间的积累而不断变化的特征;时效特征可以表征随着展示时间的增加,展示对象的热度(即用户对展示对象的关注度)随时间变化的特征。
本公开中“多个可推荐的对象”包括在同一站点上的网络销售界面或页面展示的欲销售的所有类似商品或服务。
图1示意性示出了根据本公开实施例的可以用于推荐对象的处理方法的示例性系统架构100。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的用于推荐对象的处理方法一般可以由服务器105执行。相应地,本公开实施例所提供的用于推荐对象的处理装置一般可以设置于服务器105中。本公开实施例所提供的用于推荐对象的处理方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的用于推荐对象的处理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者,本公开实施例所提供的用于推荐对象的处理方法还可以由终端设备101、102、103执行。相应地,本公开实施例所提供的用于推荐对象的处理装置还可以设置于终端设备101、102、103中。本公开实施例所提供的用于推荐对象的处理方法也可以由不同于终端设备101、102、103且能够与终端设备101、102、103和/或服务器105通信的终端设备或终端设备集群执行。相应地,本公开实施例所提供的用于推荐对象的处理装置也可以设置于不同于终端设备101、102、103且能够与终端设备101、102、103和/或服务器105通信的终端设备或终端设备集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的用于推荐对象的处理方法的示例流程图。需要注意的是,图2所示仅为可以应用本公开实施例的流程图的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以省略方法中部分步骤,也不意味着本公开实施例不可以增加一些非必要的步骤。
如图2所示,该用于推荐对象的处理方法例如可以包括以下操作S201~S204。
在操作S201,获取多个可推荐的对象中的每个对象的特征信息,每个对象的特征信息用于描述该对象的以下特征中的至少一个:静态特征、动态特征和时效特征,时效特征用于表征每个对象随着展示时间的推进而表现出的热度变化。
需要说明的是,在本公开实施例中,描述每个对象的静态特征包括在非监督模式下描述每个对象的静态特征,即不需事先知道每个对象真实的出售或处理状态。描述每个对象的动态特征包括用户在一定时间段内对对象进行操作而产生的反映对象的操作状况。描述每个对象的时效特征包括随着时间的推进,每个对象的热度变化情况。
接下来,在操作S202,基于每个对象的特征信息预测每个对象的推荐值。
在本公开的实施例中,每个对象的推荐值可以基于描述每个对象的静态特征、动态特征和时效特征中的至少一个进行预测得到。
在具体实施例中,一个对象的推荐值可以基于描述该对象的静态特征的特征信息预测得到,也可以基于描述该对象的动态特征的特征信息预测得到,还可以基于描述该对象的时效特征的特征信息预测得到,或者还可以同时基于描述该对象的静态特征和动态特征的特征信息预测得到,还可以同时基于描述该对象的静态特征和时效特征的特征信息预测得到,还可以同时基于描述该对象的动态特征和时效特征的特征信息预测得到,还可以同时基于描述该对象的静态特征、动态特征和时效特征的特征信息预测得到,还可以同时基于描述每个对象的静态特征、动态特征、时效特征及其它特征的特征信息预测得到。
对一个对象而言,预测该对象的推荐值时,可以基于描述该对象的每个特征的特征信息分别预测每个对象的推荐值,然后对预测得到的所有推荐值进行加权求和,得到该对象的最终推荐值。
为了便于说明,假设每个对象的推荐值是基于描述该对象的静态特征、动态特征和时效特征的特征信息预测得到的,那么基于描述该对象的静态特征的特征信息进行预测可以得到第一推荐值,基于描述每个对象的动态特征的特征信息进行预测可以得到第二推荐值,基于描述每个对象的时效特征的特征信息进行预测可以得到第三推荐值,然后给第一推荐值、第二推荐值和第三推荐值分别分配权重,它们的权重之和为1,再然后对第一推荐值、第二推荐值和第三推荐值进行加权求和得到一个推荐值。该推荐值即为该对象的最终推荐值。
在本公开的实施例中,作为示例,针对一般对象的动态特征的特征信息进行预测得到的第二推荐值通常大于0.01,如果第二推荐值小于0.01,说明第二推荐值较小,当第二推荐值大于等于0.01时,可以将第一推荐值的权重设置为0.6,将第二推荐值的权重设置为0.2,将第三推荐值的权重设置为0.2。当第二推荐值小于0.01时,可以将第一推荐值的权重设置为0.7,将第二推荐值的权重设置为0.1,将第三推荐值的权重设置为0.2。这是因为第二推荐值过小时,其对推荐结果的影响会较小,因此其权重可以相应调低。
再接下来,在操作S203,基于每个对象的推荐值,从多个可推荐的对象中筛选出至少一个推荐对象。
具体地,在本公开的实施例中,可以根据推荐值从大到小的顺序对多个可推荐的对象进行排序,基于排序结果从多个可推荐的对象中筛选出排序靠前至少一个推荐对象。
然后,在操作S204,根据筛选结果处理至少一个推荐对象。在本公开的实施例中,可以根据筛选结果在网页的特定位置展示至少一个推荐对象,还可以根据筛选顺序向用户推荐至少一个推荐对象。
网页可以包含浏览器页面、应用程序的显示界面、虚拟屏幕的显示界面等。
在本公开的实施例中,可以将筛选出的推荐对象在网页的特定位置展示。例如,将筛选出的推荐对象在首页或前几个页面中展示,或者将筛选出的推荐对象在一个页面的显著区域进行展示等,从而提高所推荐的对象被用户关注的概率,进而提高所推荐的对象被购买的概率。
在本公开的实施例中,由于排序靠后的对象不容易被售出,为了提高排序靠后的对象被售出的概率,也可以根据推荐值从大到小的顺序从多个可推荐的对象中筛选出排序靠后的至少一个推荐对象,并将筛选出的推荐对象在网页的特定位置展示,以便消费者更容易关注到这些对象,从而达到提高这些对象的售出率的效果。
通过本公开实施例,无需事先获知每个对象的售卖情况就可以对对象进行更科学、更合理的预测和推荐,即本公开实施例可以在无监督模式下实现科学、合理地预测多个对象的推荐值,并基于预测结果准确地推荐其中的一个或者几个对象的目的,实现上更为灵活、简单。
在本公开的实施例中,每个对象的特征信息包括静态特征信息、动态特征信息和时效特征信息。
在本公开的实施例中,静态特征信息用于描述可推荐的对象的静态特征;动态特征信息用于描述可推荐的对象的动态特征;时效特征用于描述可推荐的对象的时效特征。
在本公开的实施例中,基于每个对象的特征信息预测每个对象的推荐值,可以包括:基于静态特征信息预测每个对象的静态推荐值;基于动态特征信息预测每个对象的动态推荐值;基于时效特征信息预测每个对象的时效推荐值;分别获取静态推荐值的第一权重、动态推荐值的第二权重和时效推荐值的第三权重;以及根据静态推荐值、第一权重、动态推荐值、第二权重、时效推荐值和第三权重计算每个对象的推荐值。
在本公开的实施例中,当第一权重、第二权重和第三权重中的一个或两个为0时,由相应的剩余推荐值计算每个对象的推荐值。例如,当第一权重为0时,根据动态推荐值、第二权重、时效推荐值和第三权重计算每个对象的推荐值。当第一权重和第三权重均为0时,根据动态推荐值和第二权重计算每个对象的推荐值。
其中,本公开实施例由于可以根据实际需要,选择性地利用每个对象的静态特征、动态特征以及时效特征中的至少一个来预测对象的推荐值,因而得到的推荐值更加科学、准确、合理,克服了相关技术中通过有监督模型预测对象的推荐值时存在预测结果准确度较差的技术问题。
此外,本公开实施例中的一种实施方式由于充分、全面地考虑了对象的静态特性、动态特征及时效特征对推荐值的影响,并结合多个可推荐的对象的类别、性质、功能、适用群体等特点,采用描述每个对象的静态特征、动态特征和时效特征中的一个或多个的特征信息预测每个对象的推荐值,使得得到的推荐值更加科学、准确、合理。
图3示意性示出了根据本公开实施例的基于每个对象的特征信息预测每个对象的推荐值的流程图。
在本公开实施例中,由于可以使用针对该对象的文字描述信息和统计类数据表征对象的静态特征,因此在基于静态特征预测对象的推荐值时,可以基于对应的文字描述信息和统计类数据进行预测。
具体地,作为一种可选的实施例,如图3所示,针对每个对象,基于每个对象的特征信息预测每个对象的推荐值可以包括以下操作S301~S304。
在操作S301,获取对应的文字描述信息和统计类数据,文字描述信息和统计类数据用于表征对应对象的静态特征。
本公开的实施例中,文字描述信息可以包括描述对象的图片或对应的视频的文本信息。统计类数据可以为对象的固有参数或/和反映对象固有属性的数据。
举例来说,如果一个对象为金融服务,则表征该金融服务的统计类数据可以包括描述金融服务的标题的字数、描述金融服务的文本的字数、相关图片的数量、加息率、展示次数、预期收益率、历史回报率、费用率(手续费率)、期限、起投金额、金融服务的来源(发行方)、金融服务的类型、风险等级等信息。
举例来说,如果一个对象为电子产品,则表征该电子产品的统计类数据可以包括描述电子产品的标题的字数、描述电子产品的文本的字数、相关图片的数量、生产商、生产日期、保修期、付款方式、展示次数、电压、额定功率、电子产品的尺寸、电子产品的重量、电子产品的颜色、使用环境、快递公司等信息。
接下来,在操作S302,基于文字描述信息,生成用于表征文字描述信息的词向量。
本公开的实施例中,例如可以利用python的jieba分词工具对文字描述信息进行分词,然后基于停用词表过滤掉停用词得到关键词,并利用gensim的word2vec模型处理得到的关键词,从而生成对应的词向量。其中,在本公开实施例中,词向量是多维的,并且词向量维度的设定与关键词的数据量有关。例如,如果关键词的数据量大于1G,可以将对应的词向量设定500维度,即词向量具有500个元素,如果关键词的数据量小于100M,可以将对应的词向量设定100维度,即词向量具有100个元素。
再接下来,在操作S303,基于统计类数据和词向量,生成对应的第一特征向量。
本公开的实施例中,如果一个对象通过对应的文字描述信息得到的词向量可以表示为且该对象的统计类数据可以表示为(x1,x2,x3,...,xn),那么一种特征向量生成方式是将统计类数据拼接至词向量前面、后面或者中间某个位置即可得到该对象的第一特征向量,例如如果将统计类数据拼接至词向量的后面,则得到的第一特征向量可以表示为
本公开的实施例中,如果一个对象为金融服务,则对应的第一特征向量可以通过以下表1表示,表1中的“描述”的数值表示第一特征向量中的特征值。
表1
变量 | 描述 |
Y_aver | 词向量中的元素 |
sku | 商品ID |
commoditytitleLen | 标题字数 |
charactersdescLen | 金融服务详细描述字数 |
Seller | 金融机构等级 |
discount | 对象折扣 |
… | … |
然后,在操作S304,向第一预定模型输入第一特征向量,得到对应对象的第一推荐值。
本公开的实施例中,第一预定模型可以为利用XGBoost算法构造的模型。
作为一种可选的实施例,文字描述信息可以包括标题信息和对象本身的描述信息。标题信息与对象本身的描述信息相比,字数少,但标题信息中的词语基本上均为有效关键词,对象本身的描述信息中的词语中则含有大量的语气词、助词等无效词。
为了进一步提高推荐值的准确度,分别对标题信息和对象本身的描述信息进行处理,即利用上述实施例中的方法分别生成标题信息的词向量和对象本身的描述信息的词向量,可以将两个词向量的平均值作为文字描述信息的词向量。
本公开的实施例中,操作S302可以包括,提取标题信息的多个第一关键词以及对象本身的描述信息的多个第二关键词;基于多个第一关键词生成第一词向量;基于多个第二关键词生成第二词向量;将第一词向量和第二词向量的平均值作为用于表征文字描述信息的词向量。
将文字描述信息分成标题信息和对象本身的描述信息,分别获取词向量,可以进一步提高推荐值的合理性与准确性。
本公开的实施例中,如果一个对象为金融服务,对应的第一特征向量可以通过以下表2表示,表2中的“描述”的数值表示第一特征向量中的特征值。
表2
变量 | 描述 |
Y_titleaver | 标题词向量中的元素 |
Y_contentaver | 对象本身词向量中的元素 |
sku | 商品ID |
commoditytitleLen | 标题字数 |
charactersdescLen | 金融服务详细描述字数 |
Seller | 金融机构等级 |
discount | 对象折扣 |
… | … |
如果一个对象为电子产品,对应的第一特征向量可以通过以下表3表示,表3中的“描述”的数值表示第一特征向量中的特征值。
表3
变量 | 描述 |
Y_titlescore | 标题预测得分 |
Y_contentscore | 对象本身预测得分 |
sku | 商品ID |
commoditytitleLen | 标题字数 |
charactersdescLen | 电子产品描述字数 |
Seller | 保修期间 |
discount | 对象折扣 |
… | … |
本公开的另一个实施例中,基于每个对象的特征信息预测每个对象的推荐值的操作还可以包括:生成用于表征文字描述信息的词向量之后,向第二预定模型输入词向量,得到词向量的得分。
生成对应的第一特征向量,可以包括:基于统计类数据和词向量的得分生成第一特征向量。
此处的第二预定模型也可以为利用XGBoost算法构造的模型。
具体地,在本公开实施例中,可以先基于用于表征文字描述信息的词向量预测出一个得分,再将该得分与统计类数据合并成一个新向量。对词向量进行预测得到一个得分,该得分与词向量相比,能够更准确地反映文字描述信息的语义,进而提高第一推荐值的合理性与准确性。
如果一个对象为电子设备,第一特征向量可以通过下述表4表示,表4中的“描述”的数值表示第一特征向量中的特征值。
表4
变量 | 描述 |
Y_score | 得分 |
sku | 商品ID |
commoditytitleLen | 标题字数 |
charactersdescLen | 电子产品描述字数 |
Seller | 保修期间 |
discount | 对象折扣 |
… | … |
通过本公开实施例,也不需要事先获知一个对象是否已经成功被出售,可以基于描述一个对象的静态特征的特征信息预测得到该对象的推荐值,因而对历史数据的要求低,不会侵犯用户的个人隐私。
图4A示意性示出了根据本公开另一实施例的基于每个对象的动态特征预测每个对象的推荐值的流程图,如图4A所示,可以基于描述每个对象的动态特征的特征信息预测每个对象的推荐值。
具体地,针对每个对象,基于每个对象的特征信息预测每个对象的推荐值,例如可以包括以下操作S401~S404。
在操作S401,确定用于表征对应对象的动态特征的多个字段。
本公开的实施例中,一个对象的动态特征可以包括一个或者多个特征。每个特征可以利用一个字段表示,并且每个特征在不同的时间对应的特征值也可以不相同。其中此处特征值可以表示为字段值。具体地,不同的字段值能够反映出用户对一个对象执行的相关操作的状况,从而体现出该对象可能被购买的趋势。
举例来说,假设一个对象共展示了60日,表示该对象的动态特征的字段可以包括:对象的上线时间、对象详情页每天被打开的次数(3日、7日、15日、30日、60日)、访问对象详情页的独立用户的数量(3日、7日、15日、30日、60日)、收藏页面的独立用户数量(3日、7日、15日、30日、60日)、咨询对象的独立用户数量(3日、7日、15日、30日、60日)、分享的独立用户数量(3日、7日、15日、30日、60日)、举报的独立用户数量(3日、7日、15日、30日、60日)、回复的独立用户数量(1小时、3小时、6小时、24小时、3日)、点击率(3日、7日、15日、30日、60日)、收藏率(3日、7日、15日、30日、60日)、咨询率(3日、7日、15日、30日、60日)、分享率(3日、7日、15日、30日、60日)、举报率(3日、7日、15日、30日、60日)、回复率(3日、7日、15日、30日、60日)等。
接下来,在操作S402,基于多个用户对对应对象进行操作而产生的操作数据,确定多个字段的字段值。
具体地,字段值的初始值可以设置为0,用户对一个对象进行操作,表示该对象的动态特征的相关字段的字段值就会增加。例如,用户点击对象A1次,表示对象A的点击量的字段的字段值就会加1。
例如,如果将上述回复率作为描述某个对象的动态特征的字段,那么60日内第3日、第7日、第15日、第30日、第60日的回复率数值就可以是该字段在不同时间对应的字段值。
再接下来,在操作S403,计算每个字段值的权重。
本公开的实施例中,可以使用熵权法计算每个字段值的权重。熵权法的基本思想是根据信息熵的定义,可以用熵值来判断某项动态信息字段的离散程度,熵值越小,字段的离散程度越大,该字段对第二推荐值的影响(即权重)就越大。如果某项字段的字段值全部相等,则该字段对计算第二推荐值不起作用,可以舍弃该字段的字段值。
本公开的实施例中,操作S403可以包括以下操作:
计算一个集合中所有用户中第i个用户的第j个字段值占所有用户的第j个字段值的比重。
本公开的实施例中,至少存在一个用户对某一个对象操作过。
比重yij的具体计算公式为:
根据比重计算第i个用户的第j个字段值的信息熵。
本公开的实施例中,信息熵ej的具体计算公式为:
根据信息熵计算第i个用户的第j个字段值的权重。
本公开的实施例中,权重ωj的具体计算公式为:
上述公式中,ej表示信息熵。
然后,在操作S404,对所有字段值的权重进行加权平均,得到对应对象的第二推荐值。
通过本公开实施例,可以科学、全面地考虑用于描述对象的动态特征的特征信息对推荐值的影响,能够提高预测的推荐值的准确率,使得筛选出的推荐对象更加精准、合理。
图4B示意性示出了根据本公开另一实施例的基于每个对象的动态特征预测每个对象的推荐值的流程图。
根据附图4B所示的具体实施例可知,针对每个对象,基于每个对象的特征信息预测每个对象的推荐值,还可以包括以下操作S405~S411。
在操作S405,确定用于表征对应对象的动态特征的多个字段。
接下来,在操作S406,基于多个用户对对应对象进行操作而产生的操作数据,确定多个字段的第一字段值。
再接下来,在操作S407,对多个字段的第一字段值进行中心化处理。
本公开的实施例中,中心化处理公式如下:
再接下来,在操作S408,基于处理后得到的多个字段的第二字段值,生成n维协方差矩阵。
本公开的实施例中,第二字段值就是上述字段的第一字段值经中心化处理后得到的字段值。
再接下来,在操作S409,将n维协方差矩阵进行特征值分解,得到n个特征值。
再接下来,在操作S410,按照数值从大到小的顺序从n个特征值中提取前d个特征值,其中d<n。
然后,在操作S411,将前d个特征值进行加权平均,得到对应对象的第三推荐值。
通过本公开实施例,利用PCA(主成分分析法)基于描述每个对象的动态特征的特征信息预测对应对象的第三推荐值,可以科学、全面地考虑对象的动态特征对推荐值的影响,能够提高预测的推荐值的准确率,使得筛选出的推荐对象更加精准、合理。
图4C示意性示出了根据本公开另一实施例的基于每个对象的动态特征预测每个对象的推荐值的流程图。
根据附图4C所示的具体实施例可知,针对每个对象,基于每个对象的特征信息预测每个对象的推荐值,还可以包括以下操作S412~S420。
在操作S412,确定用于表征对应对象的动态特征的多个字段。
再接下来,在操作S413,基于多个用户对对应对象进行操作而产生的操作数据,确定多个字段的第三字段值。
再接下来,在操作S414,计算每个第三字段值的权重。
本公开的实施例中,计算每个第三字段值的权重的方法,与上述计算计算每个字段值的权重的方法相同,此处不再赘述。
再接下来,在操作S415,对多个字段的第三字段值进行中心化处理。
本公开的实施例中,第三字段值的中心化处理也可以采用上述实施例中的中心化处理公式。
再接下来,在操作S416,基于处理后得到的多个字段的第四字段值,生成n维协方差矩阵。
本公开的实施例中,第四字段值是中心化处理第三字段值后得到的字段值。
再接下来,在操作S417,将n维协方差矩阵进行特征值分解,得到n个特征值。
再接下来,在操作S418,按照数值从大到小的顺序从n个特征值中提取前d个特征值,其中d<n。
再接下来,在操作S419,分别对多个权重和d个特征值进行归一化处理。
本公开的实施例中,归一化处理公式具体如下:
上述公式中,如果对N个权重进行归一化处理,y表示归一化处理之前的权重,y′表示归一化处理之后的权重,Min表示N个权重中的最小值,Max表示N个权重中的最大值。如果对d个特征值进行归一化处理,y表示归一化处理之前的特征值,y′表示归一化处理之后的特征值,Min表示d个特征值中的最小值,Max表示d个特征值中的最大值。
然后,在操作S420,基于归一化处理结果,计算对应对象的第四推荐值。
本公开的实施例中,计算归一化处理之后的n个权重的第一平均值,并计算归一化处理之后的d个特征值的第二平均值,然后计算第一平均值与第二平均值的平均值即为第四推荐值。
通过本公开实施例,结合使用熵权法及PCA法预测每个对象的第四推荐值,可以兼顾熵权法及PCA法的各自优点,使得预测出来的推荐值更加趋于科学、合理,能够进一步提高推荐对象被购买的概率。
本公开的实施例中,基于每个对象的特征信息预测每个对象的推荐值包括:针对每个对象,采用预定公式基于每个对象的用于描述时效特征的特征信息预测每个对象的第五推荐值。
本公开的实施例中,预定公式可以为牛顿冷却公式,牛顿冷却公式具体为:
上述公式中,k表示牛顿冷却公式衰减系数,t0表示初始时间,t表示经过预定时间段后的时间,T(t0)表示产品的初始热度,T(t)表示经过预定时间段后的热度,即上述第五推荐值。
本公开的实施例中,假设初始热度T(t0)为100,设定预定时间段为30日,即对象展示30日之后的热度衰减为0,则t0为30,这样就可以计算出具体的衰减系数k的值,即k=0.1535。
本公开的实施例中,假设预定时间段为30日,即t0为30,对象展示30天之后的热度衰减为0,初始热度T(t0)为100,可推导出衰减系数k为0.1535。如果计算展示到第7日的热度,则t为7,将上述数值代入上述牛顿冷却公式即可得到对象展示7日后的热度,即上述第五推荐值。
图5示意性示出了根据本公开实施例的用于推荐对象的处理装置的框图。
如图5所示的装置能够用于实现上述实施例中描述的方法。该用于推荐对象的处理装置500包括:获取模块510、预测模块520、选择模块530和展示模块540。
具体地,获取模块510用于获取多个可推荐的对象中的每个对象的特征信息,每个对象的特征信息用于描述该对象的以下特征中的至少一个:静态特征、动态特征和时效特征,时效特征用于表征每个对象随着展示时间的推进而表现出的热度变化。
预测模块520用于基于每个对象的特征信息预测每个对象的推荐值。
选择模块530用于基于每个对象的推荐值,从多个可推荐的对象中筛选出至少一个推荐对象。
处理模块540用于根据筛选结果处理至少一个推荐对象。
根据本公开的实施例的模块中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块可以被拆分成多个模块来实现。根据本公开实施例的模块可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,获取模块510、预测模块520、选择模块530和展示模块540中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,获取模块510、预测模块520、选择模块530和展示模块540中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块510、预测模块520、选择模块530和展示模块540中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图6示意性示出了根据本公开实施例的适于实现用于推荐对象的处理方法的电子设备的方框图。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,根据本公开实施例的电子设备600包括处理器601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。处理器601例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器601还可以包括用于缓存用途的板载存储器。处理器601可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 603中,存储有设备600操作所需的各种程序和数据。处理器601、ROM 602以及RAM 603通过总线604彼此相连。处理器601通过执行ROM 602和/或RAM 603中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,程序也可以存储在除ROM 602和RAM603以外的一个或多个存储器中。处理器601也可以通过执行存储在一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,设备600还可以包括输入/输出(I/O)接口605,输入/输出(I/O)接口605也连接至总线604。设备600还可以包括连接至I/O接口605的以下部件中的一项或多项:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时,执行本公开实施例的设备中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行设备、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 602和/或RAM 603和/或ROM 602和RAM 603以外的一个或多个存储器。
附图中的流程图和框图,图示了按照本公开各种实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (11)
1.一种用于推荐对象的处理方法,包括:
获取多个可推荐的对象中的每个对象的特征信息,所述每个对象的特征信息用于描述该对象的以下特征中的至少一个:静态特征、动态特征和时效特征,所述时效特征用于表征所述每个对象随着展示时间的推进而表现出的热度变化;
基于所述每个对象的特征信息预测所述每个对象的推荐值;
基于所述每个对象的推荐值,从所述多个可推荐的对象中筛选出至少一个推荐对象;以及
根据筛选结果处理所述至少一个推荐对象。
2.根据权利要求1所述的方法,其中,所述每个对象的特征信息包括静态特征信息、动态特征信息和时效特征信息,所述基于所述每个对象的特征信息预测所述每个对象的推荐值,包括:
基于所述静态特征信息预测所述每个对象的静态推荐值;
基于所述动态特征信息预测所述每个对象的动态推荐值;
基于所述时效特征信息预测所述每个对象的时效推荐值;
分别获取所述静态推荐值的第一权重、所述动态推荐值的第二权重和所述时效推荐值的第三权重;以及
根据所述静态推荐值、所述第一权重、所述动态推荐值、所述第二权重、所述时效推荐值和所述第三权重计算所述每个对象的推荐值。
3.根据权利要求1所述的方法,其中,所述基于所述每个对象的特征信息预测所述每个对象的推荐值包括:针对所述每个对象,
获取对应的文字描述信息和统计类数据,所述文字描述信息和所述统计类数据用于表征对应对象的静态特征;
基于所述文字描述信息,生成用于表征所述文字描述信息的词向量;
基于所述统计类数据和所述词向量,生成对应的第一特征向量;以及
向第一预定模型输入所述第一特征向量,得到所述对应对象的第一推荐值。
4.根据权利要求3所述的方法,其中,
所述文字描述信息包括标题信息和对象本身的描述信息,
所述基于所述文字描述信息,生成用于表征所述文字描述信息的词向量,包括:
提取所述标题信息的多个第一关键词以及所述对象本身的描述信息的多个第二关键词;
基于所述多个第一关键词生成第一词向量;
基于所述多个第二关键词生成第二词向量;以及
将所述第一词向量和所述第二词向量的平均值作为用于表征所述文字描述信息的词向量。
5.根据权利要求3所述的方法,还包括:在所述生成用于表征所述文字描述信息的词向量之后,向第二预定模型输入所述词向量,得到所述词向量的得分;
其中,所述生成对应的第一特征向量,包括:
基于所述统计类数据和所述词向量的得分生成所述第一特征向量。
6.根据权利要求1所述的方法,其中,所述基于所述每个对象的特征信息预测所述每个对象的推荐值包括:针对所述每个对象,
确定用于表征对应对象的动态特征的多个字段;
基于多个用户对对应对象进行操作而产生的操作数据,确定所述多个字段的字段值;
计算每个字段值的权重;以及
对所有字段值的权重进行加权平均,得到所述对应对象的第二推荐值。
7.根据权利要求1所述的方法,其中,所述基于所述每个对象的特征信息预测所述每个对象的推荐值包括:针对所述每个对象,
确定用于表征对应对象的动态特征的多个字段;
基于多个用户对对应对象进行操作而产生的操作数据,确定所述多个字段的第一字段值;
对所述多个字段的第一字段值进行中心化处理;
基于处理后得到的所述多个字段的第二字段值,生成n维协方差矩阵;
将所述n维协方差矩阵进行特征值分解,得到n个特征值;
按照数值从大到小的顺序从所述n个特征值中提取前d个特征值,其中d<n;以及
将所述前d个特征值进行加权平均,得到所述对应对象的第三推荐值。
8.根据权利要求1所述的方法,其中,所述基于所述每个对象的特征信息预测所述每个对象的推荐值包括:针对所述每个对象:
确定用于表征对应对象的动态特征的多个字段;
基于多个用户对对应对象进行操作而产生的操作数据,确定所述多个字段的第三字段值;
计算每个第三字段值的权重;
对所述多个字段的第三字段值进行中心化处理;
基于处理后得到的所述多个字段的第四字段值,生成n维协方差矩阵;
将所述n维协方差矩阵进行特征值分解,得到n个特征值;
按照数值从大到小的顺序从所述n个特征值中提取前d个特征值,其中d<n;
分别对多个所述权重和所述d个特征值进行归一化处理;以及
基于归一化处理结果,计算所述对应对象的第四推荐值。
9.一种用于推荐对象的处理装置,包括:
获取模块,用于获取多个可推荐的对象中的每个对象的特征信息,所述每个对象的特征信息用于描述该对象的以下特征中的至少一个:静态特征、动态特征和时效特征,所述时效特征用于表征所述每个对象随着展示时间的推进而表现出的热度变化;
预测模块,用于基于所述每个对象的特征信息预测所述每个对象的推荐值;
选择模块,用于基于所述每个对象的推荐值,从所述多个可推荐的对象中筛选出至少一个推荐对象;以及
处理模块,用于根据筛选结果处理所述至少一个推荐对象。
10.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储可执行指令,所述可执行指令在被所述处理器执行时,实现根据权利要求1~8中任一项所述的方法。
11.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时实现根据权利要求1~8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911093880.0A CN110852846A (zh) | 2019-11-11 | 2019-11-11 | 用于推荐对象的处理方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911093880.0A CN110852846A (zh) | 2019-11-11 | 2019-11-11 | 用于推荐对象的处理方法及装置、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110852846A true CN110852846A (zh) | 2020-02-28 |
Family
ID=69601077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911093880.0A Pending CN110852846A (zh) | 2019-11-11 | 2019-11-11 | 用于推荐对象的处理方法及装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852846A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931055A (zh) * | 2020-08-14 | 2020-11-13 | 工银科技有限公司 | 对象推荐方法、对象推荐装置和电子设备 |
CN113327152A (zh) * | 2021-06-09 | 2021-08-31 | 广州华多网络科技有限公司 | 商品推荐方法、装置、计算机设备及存储介质 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937524A (zh) * | 2009-06-30 | 2011-01-05 | 华中师范大学 | 一种毕业设计个性化指导系统 |
CN103221955A (zh) * | 2012-11-06 | 2013-07-24 | 华为技术有限公司 | 内容推荐方法、系统及装置 |
CN105808744A (zh) * | 2016-03-11 | 2016-07-27 | 百度在线网络技术(北京)有限公司 | 信息预测的方法和装置 |
CN106339502A (zh) * | 2016-09-18 | 2017-01-18 | 电子科技大学 | 一种基于用户行为数据分片聚类的建模推荐方法 |
CN106951435A (zh) * | 2017-02-08 | 2017-07-14 | 广州神马移动信息科技有限公司 | 新闻推荐方法、设备及可编程设备 |
CN106997549A (zh) * | 2017-02-14 | 2017-08-01 | 火烈鸟网络(广州)股份有限公司 | 一种广告信息的推送方法及系统 |
CN107491985A (zh) * | 2017-08-01 | 2017-12-19 | 携程旅游网络技术(上海)有限公司 | 电商平台的用户评分方法及装置、电子设备、存储介质 |
CN107679943A (zh) * | 2017-09-27 | 2018-02-09 | 广州市万表科技股份有限公司 | 智能推荐方法和系统 |
CN108021619A (zh) * | 2017-11-13 | 2018-05-11 | 星潮闪耀移动网络科技(中国)有限公司 | 一种事件描述对象推荐方法及装置 |
CN108509467A (zh) * | 2017-05-04 | 2018-09-07 | 宁波数联软件有限公司 | 一种基于用户行为日志的海运报价推荐系统与方法 |
CN108694647A (zh) * | 2018-05-11 | 2018-10-23 | 北京三快在线科技有限公司 | 一种商户推荐理由的挖掘方法及装置,电子设备 |
CN108763458A (zh) * | 2018-05-28 | 2018-11-06 | 腾讯科技(深圳)有限公司 | 内容特征查询方法、装置、计算机设备及存储介质 |
CN109064294A (zh) * | 2018-08-21 | 2018-12-21 | 重庆大学 | 一种融合时间因素、文本特征和相关性的药品推荐方法 |
CN109299396A (zh) * | 2018-11-28 | 2019-02-01 | 东北师范大学 | 融合注意力模型的卷积神经网络协同过滤推荐方法及系统 |
CN109493192A (zh) * | 2018-12-17 | 2019-03-19 | 广州市位讯信息科技有限责任公司 | 一种智能推荐商品的方法及系统 |
CN109670914A (zh) * | 2018-12-17 | 2019-04-23 | 华中科技大学 | 一种基于时间动态特性的产品推荐方法 |
CN109800325A (zh) * | 2018-12-26 | 2019-05-24 | 北京达佳互联信息技术有限公司 | 视频推荐方法、装置和计算机可读存储介质 |
CN109862013A (zh) * | 2019-01-31 | 2019-06-07 | 武汉斗鱼网络科技有限公司 | 一种直播间推荐方法、存储介质、电子设备及系统 |
CN109978630A (zh) * | 2019-04-02 | 2019-07-05 | 安徽筋斗云机器人科技股份有限公司 | 一种基于大数据建立用户画像的精准营销方法和系统 |
CN110288184A (zh) * | 2019-05-15 | 2019-09-27 | 中国科学院深圳先进技术研究院 | 基于时空特征的城市停车场排序方法、装置、终端及介质 |
-
2019
- 2019-11-11 CN CN201911093880.0A patent/CN110852846A/zh active Pending
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937524A (zh) * | 2009-06-30 | 2011-01-05 | 华中师范大学 | 一种毕业设计个性化指导系统 |
CN103221955A (zh) * | 2012-11-06 | 2013-07-24 | 华为技术有限公司 | 内容推荐方法、系统及装置 |
CN105808744A (zh) * | 2016-03-11 | 2016-07-27 | 百度在线网络技术(北京)有限公司 | 信息预测的方法和装置 |
CN106339502A (zh) * | 2016-09-18 | 2017-01-18 | 电子科技大学 | 一种基于用户行为数据分片聚类的建模推荐方法 |
CN106951435A (zh) * | 2017-02-08 | 2017-07-14 | 广州神马移动信息科技有限公司 | 新闻推荐方法、设备及可编程设备 |
CN106997549A (zh) * | 2017-02-14 | 2017-08-01 | 火烈鸟网络(广州)股份有限公司 | 一种广告信息的推送方法及系统 |
CN108509467A (zh) * | 2017-05-04 | 2018-09-07 | 宁波数联软件有限公司 | 一种基于用户行为日志的海运报价推荐系统与方法 |
CN107491985A (zh) * | 2017-08-01 | 2017-12-19 | 携程旅游网络技术(上海)有限公司 | 电商平台的用户评分方法及装置、电子设备、存储介质 |
CN107679943A (zh) * | 2017-09-27 | 2018-02-09 | 广州市万表科技股份有限公司 | 智能推荐方法和系统 |
CN108021619A (zh) * | 2017-11-13 | 2018-05-11 | 星潮闪耀移动网络科技(中国)有限公司 | 一种事件描述对象推荐方法及装置 |
CN108694647A (zh) * | 2018-05-11 | 2018-10-23 | 北京三快在线科技有限公司 | 一种商户推荐理由的挖掘方法及装置,电子设备 |
CN108763458A (zh) * | 2018-05-28 | 2018-11-06 | 腾讯科技(深圳)有限公司 | 内容特征查询方法、装置、计算机设备及存储介质 |
CN109064294A (zh) * | 2018-08-21 | 2018-12-21 | 重庆大学 | 一种融合时间因素、文本特征和相关性的药品推荐方法 |
CN109299396A (zh) * | 2018-11-28 | 2019-02-01 | 东北师范大学 | 融合注意力模型的卷积神经网络协同过滤推荐方法及系统 |
CN109493192A (zh) * | 2018-12-17 | 2019-03-19 | 广州市位讯信息科技有限责任公司 | 一种智能推荐商品的方法及系统 |
CN109670914A (zh) * | 2018-12-17 | 2019-04-23 | 华中科技大学 | 一种基于时间动态特性的产品推荐方法 |
CN109800325A (zh) * | 2018-12-26 | 2019-05-24 | 北京达佳互联信息技术有限公司 | 视频推荐方法、装置和计算机可读存储介质 |
CN109862013A (zh) * | 2019-01-31 | 2019-06-07 | 武汉斗鱼网络科技有限公司 | 一种直播间推荐方法、存储介质、电子设备及系统 |
CN109978630A (zh) * | 2019-04-02 | 2019-07-05 | 安徽筋斗云机器人科技股份有限公司 | 一种基于大数据建立用户画像的精准营销方法和系统 |
CN110288184A (zh) * | 2019-05-15 | 2019-09-27 | 中国科学院深圳先进技术研究院 | 基于时空特征的城市停车场排序方法、装置、终端及介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931055A (zh) * | 2020-08-14 | 2020-11-13 | 工银科技有限公司 | 对象推荐方法、对象推荐装置和电子设备 |
CN111931055B (zh) * | 2020-08-14 | 2023-09-12 | 中国工商银行股份有限公司 | 对象推荐方法、对象推荐装置和电子设备 |
CN113327152A (zh) * | 2021-06-09 | 2021-08-31 | 广州华多网络科技有限公司 | 商品推荐方法、装置、计算机设备及存储介质 |
CN113327152B (zh) * | 2021-06-09 | 2024-04-16 | 广州华多网络科技有限公司 | 商品推荐方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107729937B (zh) | 用于确定用户兴趣标签的方法及装置 | |
US9208437B2 (en) | Personalized information pushing method and device | |
US10902443B2 (en) | Detecting differing categorical features when comparing segments | |
US20170278173A1 (en) | Personalized bundle recommendation system and method | |
EP2779058A1 (en) | Recommendations based upon explicit user similarity | |
US20150310388A1 (en) | Local couriers network in the context of an on-line trading platform | |
US20120116875A1 (en) | Providing advertisements based on user grouping | |
US11132710B2 (en) | System and method for personalized network content generation and redirection according to repeat behavior | |
CN112598472B (zh) | 产品推荐方法、装置、系统、介质和程序产品 | |
US20130254025A1 (en) | Item ranking modeling for internet marketing display advertising | |
US10937070B2 (en) | Collaborative filtering to generate recommendations | |
WO2020150611A1 (en) | Systems and methods for entity performance and risk scoring | |
CN113095893A (zh) | 确定物品销量的方法和装置 | |
CN113393306A (zh) | 产品推荐方法、装置、电子设备及计算机可读介质 | |
CN111626804A (zh) | 商品推荐方法、装置、电子设备及计算机可读介质 | |
CN113761348A (zh) | 一种信息推荐方法、装置、电子设备和存储介质 | |
CN110852846A (zh) | 用于推荐对象的处理方法及装置、电子设备、存储介质 | |
CN109978594B (zh) | 订单处理方法、装置及介质 | |
US20170193539A1 (en) | Time-value estimation method and system for sharing environment | |
US10362129B2 (en) | Optimizing value of content items delivered for a content provider | |
WO2020150597A1 (en) | Systems and methods for entity performance and risk scoring | |
CN110807687A (zh) | 对象数据处理方法、装置、计算设备和介质 | |
US11334935B2 (en) | Method, system, and manufacture for light hypergraph based recommendation | |
US20130254019A1 (en) | User level incremental revenue and conversion prediction for internet marketing display advertising | |
CN113010798A (zh) | 信息推荐方法、信息推荐装置、电子设备及可读存储介质 |
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: 20200228 |