CN110910201A - 信息推荐的控制方法、装置、计算机设备及存储介质 - Google Patents
信息推荐的控制方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110910201A CN110910201A CN201910994698.6A CN201910994698A CN110910201A CN 110910201 A CN110910201 A CN 110910201A CN 201910994698 A CN201910994698 A CN 201910994698A CN 110910201 A CN110910201 A CN 110910201A
- Authority
- CN
- China
- Prior art keywords
- recommendation
- events
- information
- penalty
- accessed
- 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
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种信息推荐的控制方法,所述方法包括:接收信息推荐请求;响应于所述信息推荐请求,依据预先存储的历史访问数据利用预设的推荐惩罚模型生成各个被访问对象的推荐分值;依据所述推荐分值从所述被访问对象中选取待推荐对象,并获取所述待推荐对象的推荐信息,制定推荐策略;依据所述推荐策略将所述推荐信息发送至客户端展示。本申请基于历史访问数据结合预设的推荐惩罚模型生成被访问对象的推荐分值,提高了信息推荐的效率,且使得信息推荐更加精准。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种信息推荐的控制方法、装置、计算机设备及存储介质。
背景技术
目前,在用户使用购物APP时,经常会遇到商品推荐的服务。现有的商品推荐技术方案中,通常的做法是针对全部待推荐的商品,将综合评价高的待推荐的商品推荐给用户,这种方案会导致推荐的结果中往往包含了用户已经浏览过的,或者点击过的,或者购买过的商品,这些数据往往造成推荐结果质量下降。一般来说,用户点击浏览过的商品一般不会再去看,而购买过的商品短期内也不会进行购买。
因此,现有的技术方案中,不能根据用户的需求数据得到待推荐商品,重复推荐用户不感兴趣的商品,导致荐结果质量下降,推荐给用户的商品或网页结果不够精准,推荐机制不够人性化。
发明内容
本发明提供一种信息推荐的控制方法及相应的装置,所述方法基于历史访问数据结合预设的推荐惩罚模型生成被访问对象的推荐分值,使得信息推荐更加精准。
本发明还提供一种用于执行本发明的信息推荐的控制方法的计算机设备及可读存储介质。
为解决上述问题,本发明采用如下各方面的技术方案:
第一方面,本申请提供一种信息推荐的控制方法,所述方法包括:
接收信息推荐请求;
响应于所述信息推荐请求,依据预先存储的历史访问数据利用预设的推荐惩罚模型生成各个被访问对象的推荐分值;
依据所述推荐分值从所述被访问对象中选取待推荐对象,并获取所述待推荐对象的推荐信息,制定推荐策略;
依据所述推荐策略将所述推荐信息发送至客户端展示。
具体的,所述接收信息推荐请求之前,包括:
接收所述被访问对象的访问请求;
从所述访问请求中提取所述历史访问数据并存储,所述历史访问数据包括以下任意一项或多项:
访问事件、访问事件的次数、访问时间以及发起所述访问请求的账户信息,所述访问事件包括曝光未点击事件、点击未购买事件以及已购买事件。
具体的,响应于信息推荐请求,依据所述历史访问数据利用预设的推荐惩罚模型生成各个被访问对象的推荐分值,包括:
依据深度预测模型得到各个被访问对象的预测推荐系数;
依据所述历史访问数据中的访问事件、访问事件的次数以及预设的推荐惩罚模型获取各个被访问对象的推荐惩罚系数;
依据所述推荐惩罚系数以及所述预存推荐系数得到各个被访问对象的推荐分值。
具体的,所述推荐惩罚模型包括实时类模型以及离线类模型,所述响应于信息推荐请求,依据所述历史访问数据利用预设的推荐惩罚模型生成各个被访问对象的推荐分值之前,包括:
依据所述曝光未点击事件以及所述点击未购买事件创建所述曝光未点击事件的次数与惩罚系数的映射关系以及点击未购买事件的次数与惩罚系数的映射关系,生成所述实时类模型;
依据所述已购买事件创建所述已购买事件的次数与所述惩罚系数的映射关系,生成所述离线类模型。
优选的,所述依据所述推荐惩罚系数以及所述预存推荐系数得到各个被访问对象的推荐分值,包括:
获取各个被访问对象的曝光未点击事件的次数;
依据所述曝光未点击事件的次数查询曝光未点击事件的次数与惩罚系数的映射关系得到所述曝光未点击事件的次数对应的第一类惩罚系数;
获取各个被访问对象的点击未购买事件的次数;
依据所述点击未购买事件的次数查询点击未购买事件的次数与惩罚系数的映射关系得到所述点击未购买事件的次数对应的第二类惩罚系数;
获取各个被访问对象的已购买事件的次数;
依据所述已购买事件的次数与所述惩罚系数的映射关系得到所述已购买事件的次数对应的第三类惩罚系;
将所述第一类惩罚系数、所述第二类惩罚系数、所述第三类惩罚系数以及所述预测推荐系数的乘积作为所述推荐分值。
具体的,所述依据深度预测模型得到各个被访问对象的预测推荐系数,包括:
当所述被访问对象为商品时,获取所述商品的价格,并依据深度预测模型得到所述商品的预测点击率以及预测转化率;
依据所述商品的价格、预测点击率以及预测转化率生成所述被访问对象的预测推荐系数。
具体的,所述依据所述推荐分值从所述被访问对象中选取待推荐对象,并获取所述待推荐对象的推荐信息,制定推荐策略,包括:
依据所述推荐分值中选取推荐分值最高的被访问对象作为所述待推荐对象,制定包含推荐分值最高的被访问对象的推荐策略;
或者,将所述推荐分值大于预设阈值的被访问对象作为待推荐对象,制定包含待推荐对象的推荐优先级的推荐策略;
或者,依据用户的当日点击次数选取与该次数匹配的推荐分值的待推荐对象,制定推荐策略。
第二方面,本申请提供一种信息推荐的控制装置,所述装置包括:
接收模块,用于接收信息推荐请求;
生成模块,用于响应于所述信息推荐请求,依据预先存储的历史访问数据利用预设的推荐惩罚模型生成各个被访问对象的推荐分值;
制定模块,用于依据所述推荐分值从所述被访问对象中选取待推荐对象,并获取所述待推荐对象的推荐信息,制定推荐策略;
发送模块,用于依据所述推荐策略将所述推荐信息发送至客户端展示。
第三方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现第一方面中任一项所述信息推荐的控制方法的步骤。
第四方面,本申请提供一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如第一方面中任一项权利要求所述信息推荐的控制方法的步骤。
相对于现有技术,本发明的技术方案至少具备如下优点:
本申请提供一种信息推荐的控制方法,通过接收信息推荐请求;响应于所述信息推荐请求,依据预先存储的历史访问数据利用预设的推荐惩罚模型生成各个被访问对象的推荐分值;依据所述推荐分值从所述被访问对象中选取待推荐对象,并获取所述待推荐对象的推荐信息,制定推荐策略;依据所述推荐策略将所述推荐信息发送至客户端展示。本申请基于历史访问数据结合预设的推荐惩罚模型生成被访问对象的推荐分值,提高了信息推荐的效率,且使得信息推荐更加精准。
本申请中,所述推荐惩罚模型包括实时类模型以及离线类模型,所述响应于所述信息推荐请求,依据预先存储的历史访问数据利用预设的推荐惩罚模型生成各个被访问对象的推荐分值之前,包括:依据所述曝光未点击事件以及所述点击未购买事件创建所述曝光未点击事件的次数与惩罚系数的映射关系以及点击未购买事件的次数与惩罚系数的映射关系,生成所述实时类模型;依据所述已购买事件创建所述已购买事件的次数与所述惩罚系数的映射关系,生成所述离线类模型。本申请针对曝光未点击事件、点击未购买事件以及已购买事件三类事件分别设定不同的惩罚模型,使得惩罚模型惩罚的粒度更小,基于该惩罚模型的推荐结果更加精准。
2,本申请中,所述依据所述推荐惩罚系数以及所述预存推荐系数得到各个被访问对象的推荐分值,包括:获取各个被访问对象的曝光未点击事件的次数;依据所述曝光未点击事件的次数查询曝光未点击事件的次数与惩罚系数的映射关系得到所述曝光未点击事件的次数对应的第一类惩罚系数;获取各个被访问对象的点击未购买事件的次数;依据所述点击未购买事件的次数查询点击未购买事件的次数与惩罚系数的映射关系得到所述点击未购买事件的次数对应的第二类惩罚系数;获取各个被访问对象的已购买事件的次数;依据所述已购买事件的次数与所述惩罚系数的映射关系得到所述已购买事件的次数对应的第三类惩罚系;将所述第一类惩罚系数、所述第二类惩罚系数、所述第三类惩罚系数以及所述预测推荐系数的乘积作为所述推荐分值。本申请基于历史访问数据,结合预设的惩罚模型,生成精准的推荐分值,避免了用户不感兴趣的对象频繁推荐给用户,提升本方案的精准度。
附图说明
图1为一个实施例中信息推荐的控制方法流程图;
图2为一个实施例中信息推荐的控制装置结构框图;
图3为一个实施例中计算机设备的内部结构框图。
本发明目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如S11、S12等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
本领域普通技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本领域普通技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
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,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。显然,所描述的实施例仅仅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。
请参阅图1,本发明实施例提供一种信息推荐的控制方法,所述方法执行于服务器,如图1所示,所述方法包括以下步骤:
S11、接收信息推荐请求。
本申请中,客户端接收信息推荐的触发指令,向所述服务器提交信息推荐请求。一种可能的设计中,该应用程序启动后,提供一个用户界面,用户通过该用户界面进行操作,可以产生信息推荐的触发指令,例如提供一个虚拟按键,由用户触控后,即产生所述的触发指令。有两种方式可以定制该触发指令,其一是用户为了当次使用的目的发起的操作,另一是用户基于长期需求而定制的操作。
对于前者,例如,用户仅当前需要获取待推荐对象的推荐信息,则可触发用户界面上的第一虚拟按键,由此使触发指令表征用于仅需云端服务器提供单次适应的信息推荐。对于后者,例如,用户希望服务器长期自动为自己推送相适应的待推荐对象的推荐信息,则可通过用户界面输入何时向自己推送最新的推荐信息,如每周六早上8点,然后由用户触发第二虚拟按键,由此便使触发指令包含表征用户的这一目的信息,也即指定了服务器的响应时间,当该响应时间到达时,服务器即向用户推送最新的推荐信息。
用户在客户端触发相应的指令后,客户端便通过互联网接口将触发指令提交到服务器,服务器接收该触发指令,最终将返回相应的推荐信息。
本申请中,所述接收信息推荐请求之前,包括:
接收所述被访问对象的访问请求;从所述访问请求中提取所述历史访问数据并存储,所述历史访问数据包括以下任意一项或多项:访问事件、访问事件的次数、访问时间以及发起所述访问请求的账户信息,所述访问事件包括曝光未点击事件、点击未购买事件以及已购买事件。
S12、响应于所述信息推荐请求,依据预先存储的历史访问数据利用预设的推荐惩罚模型生成各个被访问对象的推荐分值。
本申请中,所述推荐惩罚模型包括实时类模型以及离线类模型,所述响应于信息推荐请求,依据所述历史访问数据利用预设的推荐惩罚模型生成各个被访问对象的推荐分值之前,包括:
依据所述曝光未点击事件以及所述点击未购买事件创建所述曝光未点击事件的次数与惩罚系数的映射关系以及点击未购买事件的次数与惩罚系数的映射关系,生成所述实时类模型;
依据所述已购买事件创建所述已购买事件的次数与所述惩罚系数的映射关系,生成所述离线类模型。
本申请中,所述惩罚模型目的在于为那些用户未查看或者查看未购买的被访问对象进行降低推荐分值而设定的惩罚规则,避免该些被访问对象再次频繁地推荐给用户,导致推荐不精准。
本申请中,所述响应于信息推荐请求,依据所述历史访问数据利用预设的推荐惩罚模型生成各个被访问对象的推荐分值,包括:
依据深度预测模型得到各个被访问对象的预测推荐系数;
依据所述历史访问数据中的访问事件、访问事件的次数以及预设的推荐惩罚模型获取各个被访问对象的推荐惩罚系数;
依据所述推荐惩罚系数以及所述预存推荐系数得到各个被访问对象的推荐分值。
一种实施例中,本申请基于TensorFlow训练所述深度预测模型,其方法如下:
1,导入的模块
例如,导入numpy、Matplotlib、kears.models和keras.models模块。Sequential()是多个网络层的线性堆叠。可以直接在其内部加入各个网络层或者通过add()函数一个一个将网络层加入其中。Dense是全连接神经网络层。
2,数据的生成
利用numpy中的linspace()函数生成200个-1~~1之间的等差数列X,然后根据线性函数生成Y,并对Y添加噪音得到数据,进一步的,对数据进行分类分成两类一类是训练集一类是测试集,分配前160为训练集,后40为测试集。
3,建立模型
利用Sequential建立一个模型,然后向其中添加Dense全连接神经层。
4,编译模型
通过model.compile()来编译和激活模型,这里用到的损失函数是mse均方误差;优化器是sgd随机梯度下降。
5,训练模型
训练的时候用model.train_on_batch一批一批的训练X_train,Y_train。默认的返回值是cost,每100步输出一下结果。
6,验证模型
用到的函数是model.evaluate,输入测试集的x和y,输出cost,weights和biases。其中weights和biases是取在模型的第一层model.layers[0]学习到的参数。
优选的,所述依据深度预测模型得到各个被访问对象的预测推荐系数,包括:
当所述被访问对象为商品时,获取所述商品的价格,并依据深度预测模型得到所述商品的预测点击率以及预测转化率;
依据所述商品的价格、预测点击率以及预测转化率生成所述被访问对象的预测推荐系数。
本申请中,通过将历史访问数据输入所述深度预测模型得到所述预测查看率以及所述预测转化率。所述预测查看率为依据用户历史访问广告被访问对象的频率分析得到。所述预测转化率为依据历史的购买人数以及访问人数计算得到,一种可能的设计中,所述预测转化率等于指定时间段内的购买人数除以访问人数。
进一步的,所述依据所述推荐惩罚系数以及所述预存推荐系数得到各个被访问对象的推荐分值,包括:
获取各个被访问对象的曝光未点击事件的次数;
依据所述曝光未点击事件的次数查询曝光未点击事件的次数与惩罚系数的映射关系得到所述曝光未点击事件的次数对应的第一类惩罚系数;
获取各个被访问对象的点击未购买事件的次数;
依据所述点击未购买事件的次数查询点击未购买事件的次数与惩罚系数的映射关系得到所述点击未购买事件的次数对应的第二类惩罚系数;
获取各个被访问对象的已购买事件的次数;
依据所述已购买事件的次数与所述惩罚系数的映射关系得到所述已购买事件的次数对应的第三类惩罚系;
将所述第一类惩罚系数、所述第二类惩罚系数、所述第三类惩罚系数以及所述预测推荐系数的乘积作为所述推荐分值。
本申请中,所述推荐惩罚模型包括实时类模型以及离线类模型。具体的,所述实时类模型中包含曝光未点击事件的次数与惩罚系数的映射关系以及所述点击未购买事件的次数与惩罚系数的映射关系。设定所述实时类模型的具体步骤包括:获取历史访问数据中的被访问对象以及对应的访问事件;统计预设时间段内被访问对象对应的被曝光未点击事件的次数以及点击未购买事件的次数;依据统计结果设定该被访问对象对应的访问事件的惩罚系数,其中,次数越高,所述惩罚系数越小。
一种可能的设计中,假设当前的待推荐的商品为W,则计算W的推荐分值的步骤如下:
依据深度预测算型得到W的预测分值为M;通过预先构建的历史推荐结果数据库获取W的曝光未查看次数、查看未购买次数以及已购买次数;依据W的曝光未查看次数以及查看未购买次数从所述实时类惩罚规则中获取W的曝光未点击事件对应的惩罚系数A;获取W的点击未购买事件对应的惩罚系数B;依据W的已购买次数从所述离线类惩罚规则中获取W的已购买事件的惩罚系数C;计算所述推荐分值F=M*A*B*C。
一种可能的设计中,本申请设定所述实时类模型的方案如下:
获取被访问对象;统计预置时间段内该被访问对象的曝光未点击事件的次数;依据统计结果设定所述实时类模型。例如,以淘宝APP为例,记录并分类统计该APP的当前用户在最近的30天内的各类行为事件的次数,所述行为事件为对各个商品的点击未购买事件、已购买事件以及曝光未点击事件。一种实施例中,设定所述实时类模型的具体映射关系如下表1所示:
表1一种实施例中,实时类模型中曝光未点击事件的次数与惩罚系数的映射关系表
如上表1所示,所述实时类模型中包含被访问对象的曝光未点击事件的次数与惩罚系数的映射关系。曝光未点击事件的次数为0次,其对应的惩罚系数为1;曝光未点击事件的次数为1次,其对应的惩罚系数为0.9;曝光未点击事件的次数为2次,其对应的惩罚系数为0.8;曝光未点击事件的次数为3次,其对应的惩罚系数为0.5;曝光未点击事件的次数为4次,其对应的惩罚系数为0.2;曝光未点击事件的次数为5次及以上,其对应的惩罚系数为0.1。
另一种实施例中,本申请设定所述实时类模型的方案如下:
获取被访问对象;统计预置时间段内该被访问对象的点击未购买事件的次数;依据统计结果设定所述实时类模型。
一种实施例中,设定所述实时类模型如下表2所示:
表2一种实施例中,实时类模型中曝光未点击事件的次数与惩罚系数的映射关系表
点击未购买事件的次数 | 惩罚系数 |
0 | 1 |
1 | 0.95 |
2 | 0.75 |
3 | 0.5 |
4 | 0.25 |
5次及以上 | 0.05 |
如上表2所示,所述实时类模型中包含被访问对象的曝光未点击事件的次数与惩罚系数的映射关系。曝光未点击事件的次数为0次,其对应的惩罚系数为1;曝光未点击事件的次数为1次,其对应的惩罚系数为0.95;曝光未点击事件的次数为2次,其对应的惩罚系数为0.75;曝光未点击事件的次数为3次,其对应的惩罚系数为0.5;曝光未点击事件的次数为4次,其对应的惩罚系数为0.25;曝光未点击事件的次数为5次及以上,其对应的惩罚系数为0.05。
本申请中,获取被访问对象之后,获取待推荐的曝光未点击事件的次数、点击未购买事件的次数以及已购买事件的次数,查询所述实时类模型以及离线类模型获取对应的惩罚系数。
S13、依据所述推荐分值从所述被访问对象中选取待推荐对象,并获取所述待推荐对象的推荐信息,制定推荐策略。
本申请中,所述依据所述推荐分值从所述被访问对象中选取待推荐对象,并获取所述待推荐对象的推荐信息,制定推荐策略,包括:
依据所述推荐分值中选取推荐分值最高的被访问对象作为所述待推荐对象,制定包含推荐分值最高的被访问对象的推荐策略;
或者,将所述推荐分值大于预设阈值的被访问对象作为待推荐对象,制定包含待推荐对象的推荐优先级的推荐策略;
或者,依据用户的当日点击次数选取与该次数匹配的推荐分值的待推荐对象,制定推荐策略。
本申请中制定所述推荐策略包括如下方案:
推荐策略一,获取推荐分值最高的被访问对象作为待推荐对象;
获取该待推荐对象的推荐信息,其中,所述推荐信息包括但不限于待推荐对象的名称、图片以及简介等信息;
将该推荐信息推送至客户端。
推荐策略二,将各个被访问对象作为待推荐对象,依据推荐分值设定待推荐对象的推荐优先级;依据该推荐优先级推送所述待推荐对象的推荐信息。
推荐策略三,将所述推荐分值大于预设阈值的被访问对象作为待推荐对象,依据所述推荐分值制定包含待推荐对象的推荐优先级,依据该推荐优先级推送所述待推荐对象的推荐信息。
推荐策略四,获取用户当日访问的次数,依据该次数确定匹配的推荐分值,依据推荐分值获取第一的待推荐对象,将该待推荐对象的推荐信息发送至客户端展示。
S14、依据所述推荐策略将所述推荐信息发送至客户端展示。
一种实施例中,本申请选取推荐分值最高的待推荐对象,获取该待推荐对象的推荐信息,将所述推荐信息发送至客户端展示。
另一种实施例中,本申请依据所述推荐分值将各个待推荐对象进行排序,建立所述待推荐对象的推荐优先级,依据所述推荐优先级执行所述待推荐对象的推荐信息的推送。
另一种实施例中,本申请获取用户当日的访问次数,依据访问次数推送待推荐对象的推荐信息。例如,用户当日是第一次点击某商品,则获取推荐分值最高的被访问对象作为待推荐对象,获取该待推荐对象的推荐信息发送至客户端展示。
一种可能的设计中,假如待推荐对象为商品,所述服务器在推送所述待推荐对象时,针对不同的用户获取对应的推荐结果,设定不同的惩罚系数。因为不同的用户对商品的喜好不同,故不同用户对不同商品的推荐结果也不相同。例如,服务器通过当前甲用户的终端上的淘宝APP获取甲用户对各个商品的访问以及购买情况,设定推荐给甲用户的商品的惩罚系数,后续依据该惩罚系数计算各个推荐给甲用户的商品的推荐分值,依据计算的推荐分值得到最终的待推荐的商品,将待推荐的商品推送至甲用户终端。
请参考图2,在另一种实施例中,本发明提供了一种信息推荐的控制装置,包括:
接收模块11,用于接收信息推荐请求;
生成模块12,用于响应于所述信息推荐请求,依据预先存储的历史访问数据利用预设的推荐惩罚模型生成各个被访问对象的推荐分值;
制定模块13,用于依据所述推荐分值从所述被访问对象中选取待推荐对象,并获取所述待推荐对象的推荐信息,制定推荐策略;
发送模块14,用于依据所述推荐策略将所述推荐信息发送至客户端展示。
所述接收模块11,包括:
接收所述被访问对象的访问请求;
从所述访问请求中提取所述历史访问数据并存储,所述历史访问数据包括以下任意一项或多项:
访问事件、访问事件的次数、访问时间以及发起所述访问请求的账户信息,所述访问事件包括曝光未点击事件、点击未购买事件以及已购买事件。
所述生成模块12,包括:
依据深度预测模型得到各个被访问对象的预测推荐系数;
依据所述历史访问数据中的访问事件、访问事件的次数以及预设的推荐惩罚模型获取各个被访问对象的推荐惩罚系数;
依据所述推荐惩罚系数以及所述预存推荐系数得到各个被访问对象的推荐分值。
具体的,所述推荐惩罚模型包括实时类模型以及离线类模型,所述响应于信息推荐请求,依据所述历史访问数据利用预设的推荐惩罚模型生成各个被访问对象的推荐分值之前,包括:
依据所述曝光未点击事件以及所述点击未购买事件创建所述曝光未点击事件的次数与惩罚系数的映射关系以及点击未购买事件的次数与惩罚系数的映射关系,生成所述实时类模型;
依据所述已购买事件创建所述已购买事件的次数与所述惩罚系数的映射关系,生成所述离线类模型。
具体的,所述依据所述推荐惩罚系数以及所述预存推荐系数得到各个被访问对象的推荐分值,包括:
获取各个被访问对象的曝光未点击事件的次数;
依据所述曝光未点击事件的次数查询曝光未点击事件的次数与惩罚系数的映射关系得到所述曝光未点击事件的次数对应的第一类惩罚系数;
获取各个被访问对象的点击未购买事件的次数;
依据所述点击未购买事件的次数查询点击未购买事件的次数与惩罚系数的映射关系得到所述点击未购买事件的次数对应的第二类惩罚系数;
获取各个被访问对象的已购买事件的次数;
依据所述已购买事件的次数与所述惩罚系数的映射关系得到所述已购买事件的次数对应的第三类惩罚系;
将所述第一类惩罚系数、所述第二类惩罚系数、所述第三类惩罚系数以及所述预测推荐系数的乘积作为所述推荐分值。
具体的,所述依据深度预测模型得到各个被访问对象的预测推荐系数,包括:
当所述被访问对象为商品时,获取所述商品的价格,并依据深度预测模型得到所述商品的预测点击率以及预测转化率;
依据所述商品的价格、预测点击率以及预测转化率生成所述被访问对象的预测推荐系数。
所述制定模块13,包括:
依据所述推荐分值中选取推荐分值最高的被访问对象作为所述待推荐对象,制定包含推荐分值最高的被访问对象的推荐策略;
或者,将所述推荐分值大于预设阈值的被访问对象作为待推荐对象,制定包含待推荐对象的推荐优先级的推荐策略;
或者,依据用户的当日点击次数选取与该次数匹配的推荐分值的待推荐对象,制定推荐策略。
在另一种实施例中,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现任一项技术方案所述的信息推荐的控制方法。其中,所述计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory,只读存储器)、RAM(Random AcceSSMemory,随即存储器)、EPROM(EraSable Programmable Read-Only Memory,可擦写可编程只读存储器)、EEPROM(Electrically EraSable Programmable Read-Only Memory,电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是,存储设备包括由设备(例如,计算机、手机)以能够读的形式存储或传输信息的任何介质,可以是只读存储器,磁盘或光盘等。
本发明实施例提供的一种计算机可读存储介质,可实现接收信息推荐请求;响应于所述信息推荐请求,依据预先存储的历史访问数据利用预设的推荐惩罚模型生成各个被访问对象的推荐分值;依据所述推荐分值从所述被访问对象中选取待推荐对象,并获取所述待推荐对象的推荐信息,制定推荐策略;依据所述推荐策略将所述推荐信息发送至客户端展示。本申请基于历史访问数据结合预设的推荐惩罚模型生成被访问对象的推荐分值,提高了信息推荐的效率,且使得信息推荐更加精准。
此外,在又一种实施例中,本发明提供了一种计算机设备,如图3所示,所述计算机设备包括处理器303、存储器305、输入单元307以及显示单元309等器件。本领域技术人员可以理解,图3示出的结构器件并不构成对所有计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件。存储器305可用于存储应用程序301以及各功能模块,处理器303运行存储在存储器305的应用程序301,从而执行设备的各种功能应用以及数据处理。存储器305可以是内存储器或外存储器,或者包括内存储器和外存储器两者。内存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、ZIP盘、U盘、磁带等。本发明所公开的存储器包括但不限于这些类型的存储器。本发明所公开的存储器305只作为例子而非作为限定。
输入单元307用于接收信号的输入,以及接收用户输入的关键字。输入单元307可包括触控面板以及其它输入设备。触控面板可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作),并根据预先设定的程序驱动相应的连接装置;其它输入设备可以包括但不限于物理键盘、功能键(比如播放控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。显示单元309可用于显示用户输入的信息或提供给用户的信息以及计算机设备的各种菜单。显示单元309可采用液晶显示器、有机发光二极管等形式。处理器303是计算机设备的控制中心,利用各种接口和线路连接整个电脑的各个部分,通过运行或执行存储在存储器303内的软件程序和/或模块,以及调用存储在存储器内的数据,执行各种功能和处理数据。图3中所示的一个或多个处理器303能够执行、实现图2中所示的第一获取模块11、第二获取模块12以及计算模块13的功能。
在一种实施方式中,所述计算机设备包括存储器305和处理器303,所述存储器305中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器303执行以上实施例所述的一种信息推荐的控制方法的步骤。
本发明实施例提供的一种计算机设备,可实现接收信息推荐请求;响应于所述信息推荐请求,依据预先存储的历史访问数据利用预设的推荐惩罚模型生成各个被访问对象的推荐分值;依据所述推荐分值从所述被访问对象中选取待推荐对象,并获取所述待推荐对象的推荐信息,制定推荐策略;依据所述推荐策略将所述推荐信息发送至客户端展示。本申请基于历史访问数据结合预设的推荐惩罚模型生成被访问对象的推荐分值,提高了信息推荐的效率,且使得信息推荐更加精准。
本发明实施例提供的计算机可读存储介质可以实现上述信息推荐的控制方法的实施例,具体功能实现请参见方法实施例中的说明,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种信息推荐的控制方法,其特征在于,所述方法包括:
接收信息推荐请求;
响应于所述信息推荐请求,依据预先存储的历史访问数据利用预设的推荐惩罚模型生成各个被访问对象的推荐分值;
依据所述推荐分值从所述被访问对象中选取待推荐对象,并获取所述待推荐对象的推荐信息,制定推荐策略;
依据所述推荐策略将所述推荐信息发送至客户端展示。
2.根据权利要求1所述的信息推荐的控制方法,其特征在于,所述接收信息推荐请求之前,包括:
接收所述被访问对象的访问请求;
从所述访问请求中提取所述历史访问数据并存储,所述历史访问数据包括以下任意一项或多项:
访问事件、访问事件的次数、访问时间以及发起所述访问请求的账户信息,所述访问事件包括曝光未点击事件、点击未购买事件以及已购买事件。
3.根据权利要求2所述的信息推荐的控制方法,其特征在于,响应于信息推荐请求,依据所述历史访问数据利用预设的推荐惩罚模型生成各个被访问对象的推荐分值,包括:
依据深度预测模型得到各个被访问对象的预测推荐系数;
依据所述历史访问数据中的访问事件、访问事件的次数以及预设的推荐惩罚模型获取各个被访问对象的推荐惩罚系数;
依据所述推荐惩罚系数以及所述预存推荐系数得到各个被访问对象的推荐分值。
4.根据权利要求3所述的信息推荐的控制方法,其特征在于,所述推荐惩罚模型包括实时类模型以及离线类模型,所述响应于信息推荐请求,依据所述历史访问数据利用预设的推荐惩罚模型生成各个被访问对象的推荐分值之前,包括:
依据所述曝光未点击事件以及所述点击未购买事件创建所述曝光未点击事件的次数与惩罚系数的映射关系以及点击未购买事件的次数与惩罚系数的映射关系,生成所述实时类模型;
依据所述已购买事件创建所述已购买事件的次数与所述惩罚系数的映射关系,生成所述离线类模型。
5.根据权利要求4所述的信息推荐控制方法,其特征在于,所述依据所述推荐惩罚系数以及所述预存推荐系数得到各个被访问对象的推荐分值,包括:
获取各个被访问对象的曝光未点击事件的次数;
依据所述曝光未点击事件的次数查询曝光未点击事件的次数与惩罚系数的映射关系得到所述曝光未点击事件的次数对应的第一类惩罚系数;
获取各个被访问对象的点击未购买事件的次数;
依据所述点击未购买事件的次数查询点击未购买事件的次数与惩罚系数的映射关系得到所述点击未购买事件的次数对应的第二类惩罚系数;
获取各个被访问对象的已购买事件的次数;
依据所述已购买事件的次数与所述惩罚系数的映射关系得到所述已购买事件的次数对应的第三类惩罚系;
将所述第一类惩罚系数、所述第二类惩罚系数、所述第三类惩罚系数以及所述预测推荐系数的乘积作为所述推荐分值。
6.根据权利要求3所述的信息推荐的控制方法,其特征在于,所述依据深度预测模型得到各个被访问对象的预测推荐系数,包括:
当所述被访问对象为商品时,获取所述商品的价格,并依据深度预测模型得到所述商品的预测点击率以及预测转化率;
依据所述商品的价格、预测点击率以及预测转化率生成所述被访问对象的预测推荐系数。
7.根据权利要求1所述的信息推荐的控制方法,其特征在于,所述依据所述推荐分值从所述被访问对象中选取待推荐对象,并获取所述待推荐对象的推荐信息,制定推荐策略,包括:
依据所述推荐分值中选取推荐分值最高的被访问对象作为所述待推荐对象,制定包含推荐分值最高的被访问对象的推荐策略;
或者,将所述推荐分值大于预设阈值的被访问对象作为待推荐对象,制定包含待推荐对象的推荐优先级的推荐策略;
或者,依据用户的当日点击次数选取与该次数匹配的推荐分值的待推荐对象,制定推荐策略。
8.一种信息推荐的控制装置,其特征在于,所述装置包括:
接收模块,用于接收信息推荐请求;
生成模块,用于响应于所述信息推荐请求,依据预先存储的历史访问数据利用预设的推荐惩罚模型生成各个被访问对象的推荐分值;
制定模块,用于依据所述推荐分值从所述被访问对象中选取待推荐对象,并获取所述待推荐对象的推荐信息,制定推荐策略;
发送模块,用于依据所述推荐策略将所述推荐信息发送至客户端展示。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现权利要求1至7中任一项所述信息推荐的控制方法的步骤。
10.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项权利要求所述信息推荐的控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910994698.6A CN110910201B (zh) | 2019-10-18 | 2019-10-18 | 信息推荐的控制方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910994698.6A CN110910201B (zh) | 2019-10-18 | 2019-10-18 | 信息推荐的控制方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110910201A true CN110910201A (zh) | 2020-03-24 |
CN110910201B CN110910201B (zh) | 2023-08-29 |
Family
ID=69814599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910994698.6A Active CN110910201B (zh) | 2019-10-18 | 2019-10-18 | 信息推荐的控制方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110910201B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508613A (zh) * | 2020-12-09 | 2021-03-16 | 天津狮拓信息技术有限公司 | 一种商品推荐方法、装置、电子设备和可读存储介质 |
CN113300972A (zh) * | 2020-06-12 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 一种流量分配方法、装置、服务器及存储介质 |
CN113761327A (zh) * | 2020-06-18 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 推荐策略的调度方法、设备以及存储介质 |
CN114880157A (zh) * | 2022-07-08 | 2022-08-09 | 中电金信软件有限公司 | 一种故障注入方法及装置 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140351079A1 (en) * | 2013-05-24 | 2014-11-27 | University College Dublin | Method for recommending a commodity |
CN104484044A (zh) * | 2014-12-23 | 2015-04-01 | 上海斐讯数据通信技术有限公司 | 一种广告推送方法和系统 |
US20150206220A1 (en) * | 2014-01-20 | 2015-07-23 | Ecole Polytechnique Federale De Lausanne (Epfl) | Recommendation Strategy Portfolios |
CN105989004A (zh) * | 2015-01-27 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 一种信息投放的预处理方法和装置 |
WO2017071251A1 (zh) * | 2015-10-28 | 2017-05-04 | 百度在线网络技术(北京)有限公司 | 信息推送方法和装置 |
CN107424043A (zh) * | 2017-06-15 | 2017-12-01 | 北京三快在线科技有限公司 | 一种产品推荐方法及装置,电子设备 |
US9959563B1 (en) * | 2013-12-19 | 2018-05-01 | Amazon Technologies, Inc. | Recommendation generation for infrequently accessed items |
WO2018107091A1 (en) * | 2016-12-09 | 2018-06-14 | Alibaba Group Holding Limited | Intelligent recommendation method and system |
US20180374138A1 (en) * | 2017-06-23 | 2018-12-27 | Vufind Inc. | Leveraging delayed and partial reward in deep reinforcement learning artificial intelligence systems to provide purchase recommendations |
CN109859002A (zh) * | 2019-01-04 | 2019-06-07 | 平安科技(深圳)有限公司 | 产品推送方法、装置、计算机设备及存储介质 |
CN109949092A (zh) * | 2019-03-18 | 2019-06-28 | 康美药业股份有限公司 | 基于商品关注度的商品推送方法、服务器及存储介质 |
CN110008399A (zh) * | 2019-01-30 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种推荐模型的训练方法及装置、一种推荐方法及装置 |
CN110287421A (zh) * | 2019-06-28 | 2019-09-27 | 北京金山安全软件有限公司 | 一种信息内容推荐方法、装置及电子设备 |
CN110309418A (zh) * | 2018-04-26 | 2019-10-08 | 腾讯科技(北京)有限公司 | 推荐内容确定方法、装置、存储介质和计算机设备 |
-
2019
- 2019-10-18 CN CN201910994698.6A patent/CN110910201B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140351079A1 (en) * | 2013-05-24 | 2014-11-27 | University College Dublin | Method for recommending a commodity |
US9959563B1 (en) * | 2013-12-19 | 2018-05-01 | Amazon Technologies, Inc. | Recommendation generation for infrequently accessed items |
US20150206220A1 (en) * | 2014-01-20 | 2015-07-23 | Ecole Polytechnique Federale De Lausanne (Epfl) | Recommendation Strategy Portfolios |
CN104484044A (zh) * | 2014-12-23 | 2015-04-01 | 上海斐讯数据通信技术有限公司 | 一种广告推送方法和系统 |
CN105989004A (zh) * | 2015-01-27 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 一种信息投放的预处理方法和装置 |
WO2017071251A1 (zh) * | 2015-10-28 | 2017-05-04 | 百度在线网络技术(北京)有限公司 | 信息推送方法和装置 |
WO2018107091A1 (en) * | 2016-12-09 | 2018-06-14 | Alibaba Group Holding Limited | Intelligent recommendation method and system |
CN107424043A (zh) * | 2017-06-15 | 2017-12-01 | 北京三快在线科技有限公司 | 一种产品推荐方法及装置,电子设备 |
US20180374138A1 (en) * | 2017-06-23 | 2018-12-27 | Vufind Inc. | Leveraging delayed and partial reward in deep reinforcement learning artificial intelligence systems to provide purchase recommendations |
CN110309418A (zh) * | 2018-04-26 | 2019-10-08 | 腾讯科技(北京)有限公司 | 推荐内容确定方法、装置、存储介质和计算机设备 |
CN109859002A (zh) * | 2019-01-04 | 2019-06-07 | 平安科技(深圳)有限公司 | 产品推送方法、装置、计算机设备及存储介质 |
CN110008399A (zh) * | 2019-01-30 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种推荐模型的训练方法及装置、一种推荐方法及装置 |
CN109949092A (zh) * | 2019-03-18 | 2019-06-28 | 康美药业股份有限公司 | 基于商品关注度的商品推送方法、服务器及存储介质 |
CN110287421A (zh) * | 2019-06-28 | 2019-09-27 | 北京金山安全软件有限公司 | 一种信息内容推荐方法、装置及电子设备 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113300972A (zh) * | 2020-06-12 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 一种流量分配方法、装置、服务器及存储介质 |
CN113761327A (zh) * | 2020-06-18 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 推荐策略的调度方法、设备以及存储介质 |
CN112508613A (zh) * | 2020-12-09 | 2021-03-16 | 天津狮拓信息技术有限公司 | 一种商品推荐方法、装置、电子设备和可读存储介质 |
CN112508613B (zh) * | 2020-12-09 | 2024-03-19 | 天津狮拓信息技术有限公司 | 一种商品推荐方法、装置、电子设备和可读存储介质 |
CN114880157A (zh) * | 2022-07-08 | 2022-08-09 | 中电金信软件有限公司 | 一种故障注入方法及装置 |
CN114880157B (zh) * | 2022-07-08 | 2022-10-14 | 中电金信软件有限公司 | 一种故障注入方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110910201B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11048530B1 (en) | Predictive action modeling to streamline user interface | |
US11551239B2 (en) | Characterizing and modifying user experience of computing environments based on behavior logs | |
CN110910201A (zh) | 信息推荐的控制方法、装置、计算机设备及存储介质 | |
US8521664B1 (en) | Predictive analytical model matching | |
CN109840782B (zh) | 点击率预测方法、装置、服务器以及存储介质 | |
CN106649681B (zh) | 一种数据处理方法、装置及设备 | |
CN108536721A (zh) | 在评估与在线资源的未来用户交互时,利用在线资源的使用数据 | |
US20140358694A1 (en) | Social media pricing engine | |
US11748452B2 (en) | Method for data processing by performing different non-linear combination processing | |
CN110880127B (zh) | 消费水平的预测方法、装置、电子设备及存储介质 | |
CN111798280B (zh) | 多媒体信息推荐方法、装置和设备及存储介质 | |
CN112148992A (zh) | 内容推送方法、装置、计算机设备和存储介质 | |
CN113065882A (zh) | 一种商品处理方法、装置及电子设备 | |
US20160117703A1 (en) | Large-Scale Customer-Product Relationship Mapping and Contact Scheduling | |
US20230342797A1 (en) | Object processing method based on time and value factors | |
CN106294410A (zh) | 一种个性化信息推送时间的确定方法及确定系统 | |
CN115935185A (zh) | 一种推荐模型的训练方法及装置 | |
CN107644042B (zh) | 软件程序点击率预估排序方法及服务器 | |
CA2909957A1 (en) | Large-scale customer-product relationship mapping and contact scheduling | |
JP5603678B2 (ja) | 需要予測装置及び需要予測方法 | |
US20200311762A1 (en) | System and method for analyzing the effectiveness and influence of digital online content | |
JP6357435B2 (ja) | 選択行動モデル化装置、選択行動予測装置、方法、及びプログラム | |
CN112287208A (zh) | 用户画像生成方法、装置、电子设备及存储介质 | |
CN112256768B (zh) | 模型离线训练评估方法、装置、介质和电子设备 | |
CN110808899B (zh) | 一种内容分享方法、装置、客户端、服务器及系统 |
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 |