CN111143579A - 索引库信息生成方法和装置 - Google Patents
索引库信息生成方法和装置 Download PDFInfo
- Publication number
- CN111143579A CN111143579A CN201811306347.3A CN201811306347A CN111143579A CN 111143579 A CN111143579 A CN 111143579A CN 201811306347 A CN201811306347 A CN 201811306347A CN 111143579 A CN111143579 A CN 111143579A
- Authority
- CN
- China
- Prior art keywords
- information
- day
- data
- cold
- hot
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 26
- 238000010586 diagram Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供一种索引库信息生成方法和装置。索引库信息生成装置从系统基础数据中获取当天生成的数据，对当天生成的数据进行特征提取，将所提取的数据特征输入预设的预测模型，以预测出与当天生成的数据相关联的每个物品在第二天的冷热度信息，其中冷热度信息与搜索曝光量和销售量相关联，按照冷热度信息从大到小的顺序，将预定数量的物品信息作为热索引库信息。本公开通过利用当天生成的数据预测相关物品在第二天的冷热度信息，从而生成相应的热索引库信息，以提升用户的搜索效率。
Description
技术领域
本公开涉及信息处理领域，特别涉及一种索引库信息生成方法和装置。
背景技术
随着电商业务的不断发展，电商平台上商家、商品的数量也随之增加。电商平台通常会建立相应的索引库，以便用户查询相应的商家或商品。
发明内容
发明人通过研究发现，用户对不同商品的关注度不同，即不同商品的冷热度不同。若索引库中不对商品的冷热度进行区分，则用户在检索时，需要对索引库中的全部索引进行搜索，从而降低了搜索效率。
为此，本公开提供一种生成索引库信息的方案。
根据本公开的一个或多个实施例的一个方面，提供一种索引库信息生成方法，包括：从系统基础数据中获取当天生成的数据；对所述当天生成的数据进行特征提取；将所提取的数据特征输入预设的预测模型，以预测出与所述当天生成的数据相关联的每个物品在第二天的冷热度信息，其中所述冷热度信息与搜索曝光量和销售量相关联；按照冷热度信息从大到小的顺序，将预定数量的物品信息作为热索引库信息。
在一些实施例中，将未被作为热索引库信息的物品信息作为冷索引库信息。
在一些实施例中，所述当天生成的数据包括搜索曝光日志信息和人气分值信息。
在一些实施例中，将训练数据输入到待训练模型中，以得到输出结果，其中所述训练数据包括从系统基础数据中提取出的历史上每一天的数据特征；根据所述待训练模型的输出结果与所述每一天的下一天的搜索曝光量和销售量的偏差，调整所述待训练模型的参数，以得到所述预测模型。
根据本公开的一个或多个实施例的另一个方面，提供一种索引库信息生成装置，包括：数据获取模块，被配置为从系统基础数据中获取当天生成的数据；特征提取模块，被配置为对所述当天生成的数据进行特征提取；预测模块，被配置为将所提取的数据特征输入预设的预测模型，以预测出与所述当天生成的数据相关联的每个物品在第二天的冷热度信息，其中所述冷热度信息与搜索曝光量和销售量相关联；管理模块，被配置为按照冷热度信息从大到小的顺序，将预定数量的物品信息作为热索引库信息。
在一些实施例中，管理模块还被配置为将未被作为热索引库信息的物品信息作为冷索引库信息。
在一些实施例中，所述当天生成的数据包括搜索曝光日志信息和人气分值信息。
在一些实施例中，上述装置还包括：训练模块，被配置为将训练数据输入到待训练模型中，以得到输出结果，其中所述训练数据包括从系统基础数据中提取出的历史上每一天的数据特征，根据所述待训练模型的输出结果与所述每一天的下一天的搜索曝光量和销售量的偏差，调整所述待训练模型的参数，以得到所述预测模型。
根据本公开的一个或多个实施例的另一个方面，提供一种生成索引库信息装置，包括：存储器，被配置为存储指令；处理器，耦合到存储器，处理器被配置为基于存储器存储的指令执行实现如上述任一实施例涉及的方法。
根据本公开的一个或多个实施例的另一个方面，提供一种计算机可读存储介质，其中，计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如上述任一实施例涉及的方法。
通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术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公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本公开一个实施例的索引库信息生成方法的示例性流程图；
图2为本公开另一个实施例的索引库信息生成方法的示例性流程图；
图3为本公开一个实施例的索引库信息生成装置的示例性框图；
图4为本公开另一个实施例的索引库信息生成装置的示例性框图；
图5为本公开又一个实施例的索引库信息生成装置的示例性框图；
图6为本公开一个实施例的索引库信息生成框架结构示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例，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，都属于本公开保护的范围。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
图1为本公开一个实施例的索引库信息生成方法的示例性流程图。在一些实施例中，本实施例的方法步骤可由索引库信息生成装置执行。
在步骤101，从系统基础数据中获取当天生成的数据。
需要说明的是，系统基础数据是系统中每天生成的各种数据的集合。用户可从系统基础数据中提取出所需要的数据。例如，今天是2018年9月10日，则将9月10日所生成的数据作为当天数据，通过对该当天数据进行预测，以得到第二天(即9月11日)的热索引库信息和冷索引库信息。
在一些实施例中，当天数据包括搜索曝光日志信息和人气分值信息。此外，当天数据还包括点击日志信息和订单日志中的至少一项。其中，人气分值是通过对商品的全站历史销售表现和用户行为等数据提取特征、进行归一化、加权求和得出的分数，分数的高低用于体现商品在全站销售表现的好坏。
在步骤102，对当天生成的数据进行特征提取。
例如，可利用诸如word2vec等工具将数据转换为相应的特征向量。由于特征提取并不是本公开的发明点所在，因此这里不展开描述。
在步骤103，将所提取的数据特征输入预设的预测模型，以预测出与所述当天生成的数据相关联的每个物品在第二天的冷热度信息，其中所述冷热度信息与搜索曝光量和销售量相关联。
在一些实施例中，预测模型为GBDT(Gradient Boosting Decision Tree，梯度提升决策树)模型。通过利用GBDT模型，能够更好地适应多维度特征中的非线性规律。
在步骤104，按照冷热度信息从大到小的顺序，将预定数量的物品信息作为热索引库信息。
在一些实施例中，将未被作为热索引库信息的物品信息作为冷索引库信息。
在一些实施例中，将预测模型的预测结果按照冷热度信息从大到小的顺序，将前50％的物品信息作为热索引库信息，将后50％的物品信息作为冷索引库信息。
这里需要说明的是，冷热度信息用于描述物品的冷热度状况。若冷热度信息的数值越大，表明该物品的热度越高。若冷热度信息的数值越小，则表明该物品的热度越低，即冷度越高。
通过生成热索引库信息和冷索引库信息，用户可首先利用热索引库信息进行搜索。若搜索结果足够多时，可结束搜索。若搜索结果不足时，再利用冷索引库进行进行搜索。由此可有效提升用户的搜索效率。
在本公开上述实施例提供的索引库信息生成方法中，通过利用当天生成的数据预测相关物品在第二天的冷热度信息，从而生成相应的热索引库信息，以提升用户的搜索效率。
例如，通过获取当天生成的与手机有关的数据，将相应的数据特征输入预测模型，预测出各种品牌、各种型号的手机在第二天的冷热度信息。进而将销售量大、搜索曝光量大的手机信息作为热索引库信息，而将销售量小、搜索曝光量小的手机信息作为冷索引库信息。用户在进行搜索时，首先利用热索引库信息进行搜索，就可获得销售量大、搜索曝光量大的手机信息。若利用热索引库信息进行搜索就能得到足够多的用户感兴趣的手机信息，则可停止搜索。若仅利用热索引库信息进行搜索并不能得到足够多的用户感兴趣的手机信息，再利用冷索引库进行进行搜索。由此，在提升用户体验的同时，还能有效提升用户的搜索效率。
在一些实施例中，上述物品可以为电商平台上销售的商品，也可为非电商平台上所提供的媒体信息，例如新闻、音频、视频等内容。
例如，用户可通过媒体平台收听或收看音频、视频内容。索引库信息生成装置通过从媒体平台的系统基础数据中获取当天生成的数据。通过该数据可了解各音频、视频内容的搜索曝光量、点击量、在线播放量、下载量等信息。索引库信息生成装置通过对当天生成的数据进行特征提取，并将所提取的数据特征输入预设的预测模型，以预测出与当天生成的数据相关联的每个音频或视频内容在第二天的冷热度信息。进而按照冷热度信息从大到小的顺序，将预定数量的音频或视频信息作为热索引库信息。随着《中国诗词大会》的热播，有关古诗词的音频、视频内容受到观众的热捧，有关古诗词的搜索曝光量、点击量、在线播放量、下载量等信息都会显著高于其它内容的音频或视频内容。通过对当天生成的数据进行特征提取，并将所提取的数据特征输入预设的预测模型，根据预测结果可发现诸如《中国诗词大会》、《中华好诗词》、《唐宋八大家》等与古诗词有关的音频或视频内容的冷热度信息数值较大，由此可将这些音频或视频信息作为热索引库信息。
又比如，用户可通过新闻资讯平台收听或收看新闻内容。索引库信息生成装置通过从媒体平台的系统基础数据中获取当天生成的数据。索引库信息生成装置通过对当天生成的数据进行特征提取，并将所提取的数据特征输入预设的预测模型，以预测出与当天生成的数据相关联的每个新闻内容在第二天的冷热度信息。进而按照冷热度信息从大到小的顺序，将预定数量的音频或视频信息作为热索引库信息。随着女排世界锦标赛的开展，有关参赛队的赛程、比赛成绩、明星队员、主教练等的新闻受到用户的关注，有关女排新闻的搜索曝光量、点击量、下载量等信息都会显著高于其它新闻内容。通过对当天生成的数据进行特征提取，并将所提取的数据特征输入预设的预测模型，根据预测结果可发现与“女排世锦赛”、“中国女排”、“郎平”等内容相关的新闻的冷热度信息数值较大，由此可将这些新闻信息作为热索引库信息。
图2为本公开另一个实施例的索引库信息生成方法的示例性流程图。在一些实施例中，本实施例的方法步骤可由索引库信息生成装置执行。
在步骤201，将训练数据输入到待训练模型中，以得到输出结果，其中训练数据包括从系统基础数据中提取出的历史上每一天的数据特征。
在步骤202，根据待训练模型的输出结果与每一天的下一天的搜索曝光量和销售量的偏差，调整待训练模型的参数，以得到预测模型。
在一些实施例中，通过从系统基础数据中提取出历史每一天的数据样本，同时在相应的第二天(即下一天)，将“搜索曝光量大于零”或“全站销量大于零的”样本标签置为1，而将其它样本置为0，由此得到完整的训练样本集。通过利用训练样本集对待训练模型进行训练和优化调整，以便得到相应的预测模型。
例如，获取2018年9月1日和9月2日所生成的数据，9月2日即为9月1日的下一天。在2018年9月2日所生成的数据中，将“搜索曝光量大于零”或“全站销量大于零的”样品标签置为1，而将其它样品置为0，由此得到完整的训练样本集。通过将2018年9月1日所生成的数据输入到待训练模型中，以得到输出结果。将该输出结果和9月2日所生成数据中的样品标签进行比较，以便对待训练模型进行训练和优化调整。
图3为本公开一个实施例的索引库信息生成装置的示例性框图。如图3所示，物品管理装置包括数据获取模块31、特征提取模块32、预测模块33和管理模块34。
数据获取模块31被配置为被配置为从系统基础数据中获取当天生成的数据。
需要说明的是，系统基础数据是系统中每天生成的各种数据的集合。用户可从系统基础数据中提取出所需要的数据。例如，今天是2018年9月10日，则将9月10日所生成的数据作为当天数据，通过对该当天数据进行预测，以得到第二天(即9月11日)的热索引库信息和冷索引库信息。
在一些实施例中，当天数据包括搜索曝光日志信息和人气分值信息。此外，当天数据还包括点击日志信息和订单日志中的至少一项。其中，人气分值是通过对商品的全站历史销售表现和用户行为等数据提取特征、进行归一化、加权求和得出的分数，分数的高低用于体现商品在全站销售表现的好坏。
特征提取模块32被配置为对所述当天生成的数据进行特征提取。由于特征提取并不是本公开的发明点所在，因此这里不展开描述。
预测模块33被配置为将所提取的数据特征输入预设的预测模型，以预测出与所述当天生成的数据相关联的每个物品在第二天的冷热度信息，其中所述冷热度信息与搜索曝光量和销售量相关联。
在一些实施例中，预测模型为GBDT(Gradient Boosting Decision Tree，梯度提升决策树)模型。通过利用GBDT模型，能够更好地适应多维度特征中的非线性规律。
管理模块34被配置为按照冷热度信息从大到小的顺序，将预定数量的物品信息作为热索引库信息。
在一些实施例中，上述物品可以为电商平台上销售的商品，也可为非电商平台上所提供的媒体信息，例如新闻、音频、视频等内容。
在一些实施例中，管理模块还被配置为将未被作为热索引库信息的物品信息作为冷索引库信息。例如，将预测模型的预测结果按照冷热度信息从大到小的顺序，将前50％的物品信息作为热索引库信息，将后50％的物品信息作为冷索引库信息。
通过生成热索引库信息和冷索引库信息，用户可首先利用热索引库信息进行搜索。若搜索结果足够多时，可结束搜索。若搜索结果不足时，再利用冷索引库进行进行搜索。由此可有效提升用户的搜索效率。
在本公开上述实施例提供的物品管理装置中，利用当天生成的数据预测相关物品在第二天的冷热度信息，从而生成相应的热索引库信息，以提升用户的搜索效率。
图4为本公开另一个实施例的索引库信息生成装置的示例性框图。图4与图3的不同之处在于，在图4所示实施例中，索引库信息生成装置还包括训练模块35。
训练模块35被配置为将训练数据输入到待训练模型中，以得到输出结果，其中训练数据包括从系统基础数据中提取出的历史上每一天的数据特征，根据待训练模型的输出结果与每一天的下一天的搜索曝光量和销售量的偏差，调整待训练模型的参数，以得到预测模型。
在一些实施例中，通过从系统基础数据中提取出历史每一天的数据样本，同时在相应的第二天中，将“搜索曝光量大于零”或“全站销量大于零的”样本标签置为1，而将其它样本置为0，由此得到完整的训练样本集。通过利用训练样本集对待训练模型进行训练和优化调整，以便得到相应的预测模型。
图5为本公开又一个实施例的索引库信息生成装置的示例性框图。如图5所示，索引库信息生成装置包括存储器51和处理器52。
存储器51用于存储指令，处理器52耦合到存储器51，处理器52被配置为基于存储器存储的指令执行实现如图1至图2中任一实施例涉及的方法。
如图5所示，该索引库信息生成装置还包括通信接口53，用于与其它设备进行信息交互。同时，该装置还包括总线54，处理器52、通信接口53、以及存储器51通过总线54完成相互间的通信。
存储器51可以包含高速RAM存储器，也可还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器51也可以是存储器阵列。存储器51还可能被分块，并且块可按一定的规则组合成虚拟卷。
此外，处理器52可以是一个中央处理器CPU，或者可以是专用集成电路ASIC，或者是被配置成实施本公开实施例的一个或多个集成电路。
本公开同时还涉及一种计算机可读存储介质，其中计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如图1至图2中任一实施例涉及的方法。
图6为本公开一个实施例的索引库信息生成框架结构示意图。
如图6所示，从系统基础数据中获取物品维度数据，并根据时间将物品维度数据划分为当天数据和历史上每一天的数据。将历史每一天的数据合入历史数据中。
在离线训练过程中，利用历史上每一天的数据和相应第二天的物品标签生成训练样本，并利用训练样本对待训练模型进行训练，以得到预测模型。
将当天数据输入预测模型，以预测出与所述当天数据相关联的每个物品在第二天的冷热度信息，其中冷热度信息与搜索曝光量和销售量相关联。接下来，根据所预测的冷热度信息，对物品进行相应划分，从而生成相应的热索引库信息和冷索引库信息。从而，用户可利用热索引库信息进行搜索。若搜索结果足够多时，可结束搜索。若搜索结果不足时，再利用冷索引库进行进行搜索。由此可有效提升用户的搜索效率。
在一些实施例中，在上面所描述的功能单元模块可以实现为用于执行本公开所描述功能的通用处理器、可编程逻辑控制器(Programmable Logic Controller，简称：PLC)、数字信号处理器(Digital Signal Processor，简称：DSP)、专用集成电路(ApplicationSpecific Integrated Circuit，简称：ASIC)、现场可编程门阵列(Field-ProgrammableGate Array，简称：FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
本公开的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。
Claims (10)
1.一种索引库信息生成方法，包括：
从系统基础数据中获取当天生成的数据；
对所述当天生成的数据进行特征提取；
将所提取的数据特征输入预设的预测模型，以预测出与所述当天生成的数据相关联的每个物品在第二天的冷热度信息，其中所述冷热度信息与搜索曝光量和销售量相关联；
按照冷热度信息从大到小的顺序，将预定数量的物品信息作为热索引库信息。
2.根据权利要求1所述的方法，还包括：
将未被作为热索引库信息的物品信息作为冷索引库信息。
3.根据权利要求1所述的方法，其中，
所述当天生成的数据包括搜索曝光日志信息和人气分值信息。
4.根据权利要求1-3中任一项所述的方法，其中，
将训练数据输入到待训练模型中，以得到输出结果，其中所述训练数据包括从系统基础数据中提取出的历史上每一天的数据特征；
根据所述待训练模型的输出结果与所述每一天的下一天的搜索曝光量和销售量的偏差，调整所述待训练模型的参数，以得到所述预测模型。
5.一种索引库信息生成装置，包括：
数据获取模块，被配置为从系统基础数据中获取当天生成的数据；
特征提取模块，被配置为对所述当天生成的数据进行特征提取；
预测模块，被配置为将所提取的数据特征输入预设的预测模型，以预测出与所述当天生成的数据相关联的每个物品在第二天的冷热度信息，其中所述冷热度信息与搜索曝光量和销售量相关联；
管理模块，被配置为按照冷热度信息从大到小的顺序，将预定数量的物品信息作为热索引库信息。
6.根据权利要求5所述的装置，其中，
管理模块还被配置为将未被作为热索引库信息的物品信息作为冷索引库信息。
7.根据权利要求5所述的装置，其中，
所述当天生成的数据包括搜索曝光日志信息和人气分值信息。
8.根据权利要求5-7中任一项所述的装置，还包括：
训练模块，被配置为将训练数据输入到待训练模型中，以得到输出结果，其中所述训练数据包括从系统基础数据中提取出的历史上每一天的数据特征，根据所述待训练模型的输出结果与所述每一天的下一天的搜索曝光量和销售量的偏差，调整所述待训练模型的参数，以得到所述预测模型。
9.一种索引库信息生成装置，包括：
存储器，被配置为存储指令；
处理器，耦合到存储器，处理器被配置为基于存储器存储的指令执行实现如权利要求1-4中任一项的方法。
10.一种计算机可读存储介质，其中，计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如权利要求1-4中任一项的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811306347.3A CN111143579A (zh) | 2018-11-05 | 2018-11-05 | 索引库信息生成方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811306347.3A CN111143579A (zh) | 2018-11-05 | 2018-11-05 | 索引库信息生成方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111143579A true CN111143579A (zh) | 2020-05-12 |
Family
ID=70515619
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811306347.3A Pending CN111143579A (zh) | 2018-11-05 | 2018-11-05 | 索引库信息生成方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111143579A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110004509A1 (en) * | 2009-07-06 | 2011-01-06 | Xiaoyuan Wu | Systems and methods for predicting sales of item listings |
| CN104915734A (zh) * | 2015-06-25 | 2015-09-16 | 深圳市腾讯计算机系统有限公司 | 基于时间序列的商品热度预测方法和系统 |
| CN108573408A (zh) * | 2018-04-13 | 2018-09-25 | 浙江工业大学 | 一种最大化利益的热门商品榜单制定方法 |
-
2018
- 2018-11-05 CN CN201811306347.3A patent/CN111143579A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110004509A1 (en) * | 2009-07-06 | 2011-01-06 | Xiaoyuan Wu | Systems and methods for predicting sales of item listings |
| CN104915734A (zh) * | 2015-06-25 | 2015-09-16 | 深圳市腾讯计算机系统有限公司 | 基于时间序列的商品热度预测方法和系统 |
| CN108573408A (zh) * | 2018-04-13 | 2018-09-25 | 浙江工业大学 | 一种最大化利益的热门商品榜单制定方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107193792B (zh) | 基于人工智能的生成文章的方法和装置 | |
| CN103020845B (zh) | 一种移动应用的推送方法及系统 | |
| CN109492180A (zh) | 资源推荐方法、装置、计算机设备及计算机可读存储介质 | |
| CN108182175B (zh) | 一种文本质量指标获取方法及装置 | |
| JP2020509449A (ja) | 警告するための方法と装置 | |
| CN103870507B (zh) | 一种基于类目的搜索方法和装置 | |
| CN103970848B (zh) | 一种通用型互联网信息数据挖掘方法 | |
| CN111368042A (zh) | 智能问答方法、装置、计算机设备及计算机存储介质 | |
| CN105893609A (zh) | 一种基于加权混合的移动app推荐方法 | |
| CN108763205B (zh) | 一种品牌别名识别方法、装置及电子设备 | |
| CN110717038B (zh) | 对象分类方法及装置 | |
| TW201905736A (zh) | 資訊推送方法及系統 | |
| CN111737418B (zh) | 搜索词和商品的相关性预测方法、设备和存储介质 | |
| CN104199872A (zh) | 一种信息推荐的方法以及装置 | |
| CN108846047A (zh) | 一种基于卷积特征的图片检索方法及系统 | |
| CN105468649B (zh) | 一种待展示对象匹配的判断方法及其装置 | |
| CN107729453B (zh) | 一种提取中心产品词的方法和装置 | |
| CN109325146A (zh) | 一种视频推荐方法、装置、存储介质和服务器 | |
| CN108255999A (zh) | 内容推荐方法及装置 | |
| CN111737414A (zh) | 一种歌曲推荐方法及装置、服务器、存储介质 | |
| TW201401088A (zh) | 搜索方法和裝置 | |
| CN116010574A (zh) | 智能对话处理的方法、云服务器及可读存储介质 | |
| CN110309410B (zh) | 一种资讯推荐方法、平台及计算机可读存储介质 | |
| CN113761114A (zh) | 短语生成方法、装置和计算机可读存储介质 | |
| CN108733694B (zh) | 检索推荐方法和装置 |
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 |