CN111143670A - 一种信息确定方法及相关产品 - Google Patents
一种信息确定方法及相关产品 Download PDFInfo
- Publication number
- CN111143670A CN111143670A CN201911252464.0A CN201911252464A CN111143670A CN 111143670 A CN111143670 A CN 111143670A CN 201911252464 A CN201911252464 A CN 201911252464A CN 111143670 A CN111143670 A CN 111143670A
- Authority
- CN
- China
- Prior art keywords
- information
- user
- preset number
- factors
- characteristic factors
- 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 74
- 238000003062 neural network model Methods 0.000 claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 21
- 238000000354 decomposition reaction Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 description 12
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000007473 univariate analysis Methods 0.000 description 1
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
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
本申请实施例公开了一种信息确定方法及相关产品。所述方法包括:获取第一预设数量的用户特征因子;将所述第一预设数量的用户特征因子输入神经网络模型中,得到第二预设数量的待推荐信息;从所述第二预设数量的待推荐信息中提取出第三预设数量的信息特征因子;将所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子输入因子分解机模型中,得到多个组合特征因子的重要性排序;根据所述多个组合特征因子的重要性排序从所述第二预设数量的待推荐信息中确定向目标用户推荐的信息。可见,通过实施本申请实施例,有利于更迅速、精确地确定向用户推荐的信息及实现多样实际应用场景的应用。
Description
技术领域
本申请涉及信息处理技术领域,具体涉及一种信息确定方法及相关产品。
背景技术
目前,现有的一些信息推荐方法虽然可以结合用户的特征和信息的特征来检索该用户偏好或者关联的内容,然后将这些用户偏好或者关联的内容向用户推荐。但是,这些方法往往受限于计算机的运行速度和商业成本,只能运行在相对较小的内容库上,这是因为现今存在的能够挖掘出组合特征的重要性的特征挖掘方法在进行特征挖掘时,往往会面临特征组合的数量指数爆炸的问题。
因此,现有的可以结合用户和信息的特征来推荐信息的方法在对信息进行处理过程中的计算效率低下,且难以应用于多样的实际应用场景中。
发明内容
本申请实施例提供了一种信息确定方法及相关产品,通过实施本申请实施例,有利于更迅速、精确地确定向用户推荐的信息及实现多样实际应用场景的应用。
第一方面,本申请实施例提供了一种信息确定方法,应用于服务器,所述方法包括:
获取第一预设数量的用户特征因子;
将所述第一预设数量的用户特征因子输入神经网络模型中,得到第二预设数量的待推荐信息;
从所述第二预设数量的待推荐信息中提取出第三预设数量的信息特征因子;
将所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子输入因子分解机模型中,得到多个组合特征因子的重要性排序,其中,所述组合特征因子为根据用户特征因子和信息特征因子生成的特征因子;用于表征用户特征和信息特征的综合特征;
根据所述多个组合特征因子的重要性排序从所述第二预设数量的待推荐信息中确定向目标用户推荐的信息。
可选地,所述用户特征因子包括所述目标用户的用户特征因子,所述获取第一预设数量的用户特征因子包括:
判断所述目标用户是否为冷启动用户;
若所述目标用户非冷启动用户,则从用户信息库中获取所述目标用户的用户信息;
从所述目标用户的用户信息中提取出第一预设数量的用户特征因子。
可选地,若所述目标用户是冷启动用户,所述方法还包括:
从所述用户信息库中获取第四预设数量的非冷启动用户在预设时间段内的用户信息;
从所述预设时间段内的用户信息中提取出第一预设数量的用户特征因子。
可选地,在将所述第一预设数量的用户特征因子输入神经网络模型中之前,所述方法还包括:
获取第五预设数量的历史用户的用户特征因子和喜好的信息;
利用神经网络算法对所述的历史用户的用户特征因子和喜好的信息进行训练以得到所述神经网络模型。
可选地,在将所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子输入因子分解机模型中之前,所述方法还包括:
从所述历史用户喜好的信息中提取出第六预设数量的信息特征因子;
利用因子分解机算法对所述历史用户的用户特征因子和所述第六预设数量的信息特征因子进行训练以得到所述因子分解机模型。
可选地,所述组合特征因子的重要性排序包括按照重要性由大到小排序,所述根据所述多个组合特征因子的重要性排序从所述第二预设数量的待推荐信息中确定向目标用户推荐的信息包括:
判断所述组合特征因子的重要性排序是否小于预设阈值;
若小于预设阈值,则从所述第二预设数量的待推荐信息中选出所述组合特征因子对应的待推荐信息作为向所述目标用户推荐的信息。
可选地,所述将所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子输入因子分解机模型中,得到多个组合特征因子的重要性排序包括:
将所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子输入所述因子分解机模型中,得到分解矩阵;
根据所述分解矩阵计算得到所述第一预设数量的用户特征因子和所述第二预设数量的信息特征因子两两组合而成的组合特征因子的交叉项系数,并根据所述交叉项系数计算得到所述组合特征因子的重要性;
根据所述组合特征因子的重要性构造组合特征重要性矩阵;
将相同特征域内的组合特征因子和重复的组合特征因子从所述组合特征重要性矩阵中去除;
对去除相同特征域内的组合特征因子和重复的组合特征因子后的组合特征重要性矩阵进行排序,得到所述组合特征因子的重要性排序。
第二方面,本申请实施例提供了一种信息确定装置,应用于服务器,所述装置包括:
获取单元,用于获取第一预设数量的用户特征因子;
第一输入单元,用于将所述第一预设数量的用户特征因子输入神经网络模型中,得到第二预设数量的待推荐信息;
提取单元,用于从所述第二预设数量的待推荐信息中提取出第三预设数量的信息特征因子;
第二输入单元,用于将所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子输入因子分解机模型中,得到多个组合特征因子的重要性排序,其中,所述组合特征因子为根据用户特征因子和信息特征因子生成的特征因子;用于表征用户特征和信息特征的综合特征;
确定单元,用于根据所述多个组合特征因子的重要性排序从所述第二预设数量的待推荐信息中确定向目标用户推荐的信息。
可选地,所述获取单元包括:
第一判断子单元,用于判断所述目标用户是否为冷启动用户;
第一获取子单元,用于若所述目标用户非冷启动用户,则从用户信息库中获取所述目标用户的用户信息;
第一提取子单元,用于从所述目标用户的用户信息中提取出第一预设数量的用户特征因子。
可选地,若所述目标用户是冷启动用户,所述获取单元还包括:
第二获取子单元,用于从所述用户信息库中获取第四预设数量的非冷启动用户在预设时间段内的用户信息;
第二提取子单元,用于从所述预设时间段内的用户信息中提取出第一预设数量的用户特征因子。
可选地,所述装置还包括:
所述获取单元,还用于获取第五预设数量的历史用户的用户特征因子和喜好的信息;
第一训练单元,用于利用神经网络算法对所述的历史用户的用户特征因子和喜好的信息进行训练以得到所述神经网络模型。
可选地,所述装置还包括:
所述提取单元,还用于从所述历史用户喜好的信息中提取出第六预设数量的信息特征因子;
第二训练单元,用于利用因子分解机算法对所述历史用户的用户特征因子和所述第六预设数量的信息特征因子进行训练以得到所述因子分解机模型。
可选地,所述组合特征因子的重要性排序包括按照重要性由大到小排序,所述确定单元包括:
第二判断子单元,用于判断所述组合特征因子的重要性排序是否小于预设阈值;
选取子单元,用于若小于预设阈值,则从所述第二预设数量的待推荐信息中选出所述组合特征因子对应的待推荐信息作为向所述目标用户推荐的信息。
可选地,所述第二输入单元包括:
输入子单元,用于将所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子输入所述因子分解机模型中,得到分解矩阵;
计算子单元,用于根据所述分解矩阵计算得到所述第一预设数量的用户特征因子和所述第二预设数量的信息特征因子两两组合而成的组合特征因子的交叉项系数,并根据所述交叉项系数计算得到所述组合特征因子的重要性;
构造子单元,用于根据所述组合特征因子的重要性构造组合特征重要性矩阵;
去除子单元,用于将相同特征域内的组合特征因子和重复的组合特征因子从所述组合特征重要性矩阵中去除;
排序子单元,用于对去除相同特征域内的组合特征因子和重复的组合特征因子后的组合特征重要性矩阵进行排序,得到所述组合特征因子的重要性排序。
第三方面,本申请实施例提供了一种服务器,包括处理器、存储器、通信接口,以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行第一方面所述的方法中的步骤所对应的指令。
第四方面,本申请实施例提供了一种计算机可读存储介质,其中,上述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,上述计算机程序使得计算机执行如本申请实施例第一方面所述的方法中所描述的部分或全部步骤。
第五方面,本申请实施例提供了一种计算机程序产品,其中,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如本申请实施例第一方面的方法中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
可以看出,在本申请实施例提供的技术方案中,获取第一预设数量的用户特征因子;将所述第一预设数量的用户特征因子输入神经网络模型中,得到第二预设数量的待推荐信息;从所述第二预设数量的待推荐信息中提取出第三预设数量的信息特征因子;将所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子输入因子分解机模型中,得到多个组合特征因子的重要性排序,其中,所述组合特征因子为根据用户特征因子和信息特征因子生成的特征因子;用于表征用户特征和信息特征的综合特征;根据所述多个组合特征因子的重要性排序从所述第二预设数量的待推荐信息中确定向目标用户推荐的信息。可见,通过实施本申请实施例,有利于更迅速、精确地确定向用户推荐的信息及实现多样实际应用场景的应用。
附图说明
为了更清楚地说明本申请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信息确定方法的流程示意图;
图2是本申请实施例提供的另一种信息确定方法的流程示意图;
图3是本申请实施例提供的另一种信息确定方法的流程示意图;
图4是本申请实施例提供的一种信息确定装置的功能单元组成框图;
图5是本申请实施例提供的一种服务器的物理架构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”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他步骤或单元。
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申请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,本文所描述的每个实施例可以与其它实施例相结合。
请参阅图1,图1是本申请实施例提供的一种信息确定方法的流程示意图。如图1所示,所述信息确定方法应用于服务器,所述信息确定方法包括:
S101、服务器获取第一预设数量的用户特征因子。
其中,所述用户特征因子包括但不限于年龄、收入、性别、国籍、教育程度、居住地、在线时长等特征。
其中,需要指出的是,所述用户特征因子包括目标用户的用户特征因子和非目标用户的用户特征因子。
S102、所述服务器将所述第一预设数量的用户特征因子输入神经网络模型中,得到第二预设数量的待推荐信息。
其中,所述待推荐信息包括但不限于商品、广告、歌曲、视频、新闻资讯等信息。
其中,需要指出的是,所述神经网络模型是预先利用神经网络算法对一定数量的不同历史用户的用户特征因子和所述一定数量的不同历史用户喜好的信息进行训练得到的。
S103、所述服务器从所述第二预设数量的待推荐信息中提取出第三预设数量的信息特征因子。
其中,所述信息特征因子包括但不限于信息的风格类型标签、信息的来源、信息所属行业类别、信息的访问次数、信息对应的用户群体等。
其中,所述服务器从所述第二预设数量的待推荐信息中提取出第三预设数量的信息特征因子可以是将所述第二预设数量的待推荐信息中的每条信息的信息特征因子提取出作为第三预设数量的信息特征因子,也可以是将部分信息的信息特征因子提取出作为第三预设数量的信息特征因子。以待推荐信息为新闻资讯为例,提取新闻资讯的信息来源,比如为新华社、中新社发布的新闻;提取新闻资讯所属行业类别,比如金融、军事、体育;提取新闻被访问的次数,比如为3000次,将提取到的这些特征因子作为该新闻资讯的信息特征因子。
S104、所述服务器将所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子输入因子分解机模型中,得到多个组合特征因子的重要性排序,其中,所述组合特征因子为根据用户特征因子和信息特征因子生成的特征因子;用于表征用户特征和信息特征的综合特征。
其中,所述因子分解机模型是预先利用因子分解机算法对一定数量的不同历史用户的用户特征因子和所述一定数量的不同历史用户喜欢的信息的信息特征因子进行训练得到的。
其中,因子分解机(Factorization Machine,FM)是由Steffen Rendle提出的一种基于矩阵分解的机器学习算法,其考虑了特征之间的关联,可以解决数据稀疏的情况下特征组合的问题。其定义如下:
二阶多项式:
由于二次项系数wij数量有n2级别个,当特征因子n比较大的情况下会过于庞大,因子分解机通过矩阵分解简化了参数。
因子分解机:
其中,vi是具有k个因子的第i个分解变量;k定义了分解的维数的超参数;n是特征维度;w0是全局偏置;wi是第i个变量的系数;wij是第i个变量和第j个变量交叉的系数;xi是第i个特征;xixj是不同的特征,如用户特征和信息特征因子之间的组合;y是要计算的目标。
在完成因子分解机模型的训练之后,我们可以得到分解矩阵V。实际上,vi可以理解为特征分量xi的另一种表示形式,类似于词向量的表示形式。词向量中将一个单词转化为向量表示形式,单词是固定的,因此一个单词对应一个词向量;而在因子分解机中,将一个类别特征(onehot之前的特征)转化为一个向量,由于该类别特征可以有多个取值,并且每种取值对应一个向量,也即上述将类别特征进行onehot之后,每一个特征分量xi会对应一个vi,其中vi=(vi1,vi2,……,vik)。
因子分解机要求二次项参数矩阵是低秩的,并且能够分解为低秩矩阵的乘积,计算V·VT,因此有:
其中,即可表达特征xi,xj的交叉项系数,但是这个交叉项系数并不完全等于其组合特征的重要性,还需要加回一次项系数wi和wj。假设特征因子已经做了分箱和独热编码,有一个特征分量x={x1,x2,…,xi,…,xn},其中:
把x带入公式(2)得到:
y=<Va,Vb>+Wa+Wb+W0 (6)
可以把此时的y值视为交叉因子xixj的重要性,而偏置项w0是常数项,可以忽略,所以得到组合特征重要性矩阵:
W=<Vi,Vj>+Wi+Wj (7)
在排除了无效的相同特征域内的特征组合和去重之后,对组合特征重要性矩阵W进行排序,即可得到组合特征重要性排名:
featurei×featurej=arg(sort(wij)) (8)
在得到组合特征重要性矩阵之后,也可以通过下式得到单特征重要性:
其中,需要指出的是,在所述服务器将所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子输入因子分解机模型中之前,所述方法还可以包括:所述服务器根据所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子构建建模宽表;所述服务器对所述建模宽表中的数据进行预处理。
其中,所述服务器对所述建模宽表中的数据进行预处理包括:将所述建模宽表下载至建模平台,使用Python对所述建模宽表中的数据进行清洗和分箱;对所述建模宽表中不平衡样本进行重新采样;对所述清洗完的数据做单变量分析,剔除异常或区别度、饱和度太低的特征因子,得到有效特征因子。
其中,可以理解的是,所述进行训练的特征因子可以是经过预处理的历史用户的有效特征因子,也可以是未经过预处理的原始特征因子。
S105、所述服务器根据所述多个组合特征因子的重要性排序从所述第二预设数量的待推荐信息中确定向目标用户推荐的信息。
其中,所述方法还包括:所述服务器向用户终端发送推荐请求,所述推荐请求包括所述向目标用户推荐的信息;所述服务器接收所述用户终端根据所述推荐的信息生成的服务请求。
其中,可以理解的是,所述服务器确定向目标用户推荐的信息后,所述服务器可以向用户终端发送推荐请求,推荐请求中有一定数量的推荐信息,所述推荐请求用于在所述用户终端的显示界面上显示所述推荐信息,所述目标用户可以根据自己的喜好进行相应的操作,生成相应的服务请求向服务器发送,例如点击浏览获取推荐的信息,或者屏蔽所述推荐信息。
可以看出,在本申请实施例提供的技术方案中,获取第一预设数量的用户特征因子;将所述第一预设数量的用户特征因子输入神经网络模型中,得到第二预设数量的待推荐信息;从所述第二预设数量的待推荐信息中提取出第三预设数量的信息特征因子;将所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子输入因子分解机模型中,得到多个组合特征因子的重要性排序,其中,所述组合特征因子为根据用户特征因子和信息特征因子生成的特征因子;用于表征用户特征和信息特征的综合特征;根据所述多个组合特征因子的重要性排序从所述第二预设数量的待推荐信息中确定向目标用户推荐的信息。可见,通过实施本申请实施例,有利于更迅速、精确地确定向用户推荐的信息及实现多样实际应用场景的应用。
请参阅图2,图2是本申请实施例提供的另一种信息确定方法的流程示意图。如图2所示,所述信息确定方法应用于服务器,所述信息确定方法包括:
S201、服务器判断目标用户是否为冷启动用户。
其中,所述冷启动用户通常是指当前还不能够获知用户所具有的用户特征的用户。举例来说,对于之前未曾下载安装并使用过一款APP的一新用户或者未登入过网页的用户而言,该用户在以非注册用户的身份打开该APP或登入该网页的情况下,由于网络侧在当前无法获知该用户的注册信息、登录信息以及历史使用信息等,也无法执行数据挖掘操作,而无法获知该用户所具有的用户特征,该用户可以被认为是冷启动用户。
其中,可以理解的是,服务器判断目标用户是否为冷启动用户可以是所述服务器在用户信息库检测到所述目标用户的用户信息,若在所述用户信息库中未检测到所述目标用户的用户信息,则说明所述目标用户为冷启动用户;若在所述用户信息库中检测到所述目标用户的用户信息,则说明所述目标用户为非冷启动用户
S202、若所述目标用户非冷启动用户,所述服务器则从用户信息库中获取所述目标用户的用户信息,从所述目标用户的用户信息中提取出第一预设数量的用户特征因子;若所述目标用户是冷启动用户,所述服务器则从所述用户信息库中获取第四预设数量的非冷启动用户在预设时间段内的用户信息,从所述预设时间段内的用户信息中提取出第一预设数量的用户特征因子。
其中,所述从所述预设时间段内的用户信息中提取出第一预设数量的用户特征因子包括:从所述预设时间段内的用户信息中提取出所述第四预设数量的非冷启动用户的第七预设数量的用户特征因子;从所述第七预设数量的用户特征因子中重合次数超过第一预设阈值的用户特征因子选取出第一预设数量的用户特征因子。
其中,可以理解的是,所述从所述预设时间段内的用户信息中提取出所述第四预设数量的非冷启动用户的第七预设数量的用户特征因子可以是将所述第四预设数量的非冷启动用户的每个用户的所有特征因子都提取出,得到所述第七预设数量的用户特征因子;也可以是将所述第四预设数量的非冷启动用户的每个用户的部分特征因子提取出,得到所述第七预设数量的用户特征因子。此外,由于每个用户都会提取用户特征因子,所述提取到的第七预设数量的用户特征因子可能会包含相同的特征因子。
另外,可以理解的是,所述用户信息库可以是目标用户和/或目标用户的通讯好友的社交媒体信息库。
其中,需要指出的是,所述非冷启动用户可以包括所述目标用户的通讯录好友。举例来说,若所述方法用于一款购物APP,若所述目标用户为冷启动用户,也即所述目标用户首次在所述APP上注册登入,所述服务器可以获取所述目标用户终端的通讯录好友信息,所述服务器将根据所述通讯录好友信息在用户信息库中查找所述通讯录名单中的用户数据,所述服务器将在所述用户信息库中能查找到用户数据的通讯录中的用户作为非冷启动用户,从其用户数据中提取一定数量的用户特征因子。
S203、所述服务器将所述第一预设数量的用户特征因子输入神经网络模型中,得到第二预设数量的待推荐信息。
其中,需要指出的是,所述神经网络模型是预先利用神经网络算法对历史用户的用户特征因子和所述历史用户喜好的信息进行训练得到的。
S204、所述服务器从所述第二预设数量的待推荐信息中提取出第三预设数量的信息特征因子。
S205、所述服务器将所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子输入因子分解机模型中,得到多个组合特征因子的重要性排序,其中,所述组合特征因子为根据用户特征因子和信息特征因子生成的特征因子;用于表征用户特征和信息特征的综合特征。
其中,所述因子分解机模型是预先利用因子分解机算法对一定数量的不同历史用户的用户特征因子和所述一定数量的不同历史用户喜欢的信息的信息特征因子进行训练得到的。
S206、所述服务器根据所述多个组合特征因子的重要性排序从所述第二预设数量的待推荐信息中确定向目标用户推荐的信息。
另外,本申请实施例的相关术语或解释可参考上述实施例描述的内容。
可以看出,本申请实施例提供的技术方案中,服务器通过对目标用户是否为冷启动用户进行判断,若目标用户为非冷启动用户,则获取目标用户的用户特征因子,根据目标用户的用户特征因子来确定向其推荐的信息;若目标用户为冷启动用户,则根据历史用户中的重合次数比较高的用户特征因子来确定向目标用户推荐的信息。可见,通过实施本申请实施例,有利于更进一步迅速、精确地确定向用户推荐其喜好的信息。
请参阅图3,图3是本申请实施例提供的另一种信息确定方法的流程示意图。如图3所示,所述信息确定方法应用于服务器,所述信息确定方法包括:
S301、服务器获取第五预设数量的历史用户的用户特征因子和喜好的信息。
其中,可以理解的是,服务器获取第五预设数量的历史用户的用户特征因子和喜好的信息可以包括:所述服务器在用户信息库中随机选出第五预设数量的历史用户(即非冷启动用户),并从所述用户信息库中提取出所述第五预设数量的历史用户的用户特征因子及其曾经浏览过的信息;或者所述服务器在预设时间开始在所述用户信息库中记录新增加用户(即冷启动用户),直到有第五预设数量的新增加用户,所述服务器提取所述新增加用户的用户特征因子,并实时记录存储所述新增加用户浏览的信息。
S302、所述服务器利用神经网络算法对所述的历史用户的用户特征因子和喜好的信息进行训练以得到神经网络模型。
其中,可以理解的是,由于经过训练,所述神经网络模型可以根据输入的用户特征因子,匹配输出相应喜好的信息。
S303、所述服务器从所述历史用户喜好的信息中提取出第六预设数量的信息特征因子。
S304、所述服务器利用因子分解机算法对所述历史用户的用户特征因子和所述第六预设数量的信息特征因子进行训练以得到因子分解机模型。
S305、所述服务器获取第一预设数量的用户特征因子。
S306、所述服务器将所述第一预设数量的用户特征因子输入所述神经网络模型中,得到第二预设数量的待推荐信息。
其中,可以理解的是,通过将所述第一预设数量的用户特征因子输入神经网络模型中,所述神经网络模型根据所述第一预设数量的用户特征因子输出第二预设数量的待推荐信息,避免了随机从海量信息中选取待推荐信息,从而有利于更迅速、精确地查找到所述目标用户可能喜欢的推荐信息。
另外,需要指出的是,所述方法还包括:定期获取历史用户的用户特征因子和所述历史用户的喜欢的信息对所述神经网络模型进行更新。
S307、所述服务器从所述第二预设数量的待推荐信息中提取出第三预设数量的信息特征因子。
S308、所述服务器将所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子输入所述因子分解机模型中,得到多个组合特征因子的重要性排序,其中,所述组合特征因子为根据用户特征因子和信息特征因子生成的特征因子;用于表征用户特征和信息特征的综合特征。
其中,所述服务器将所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子输入所述因子分解机模型中,得到多个组合特征因子的重要性排序包括:所述服务器将所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子输入所述因子分解机模型中,得到分解矩阵;所述服务器根据所述分解矩阵计算得到所述第一预设数量的用户特征因子和所述第二预设数量的信息特征因子两两组合而成的组合特征因子的交叉项系数,并根据所述交叉项系数计算得到所述组合特征因子的重要性;所述服务器根据所述组合特征因子的重要性构造组合特征重要性矩阵;所述服务器将相同特征域内的组合特征因子和重复的组合特征因子从所述组合特征重要性矩阵中去除;所述服务器对去除相同特征域内的组合特征因子和重复的组合特征因子后的组合特征重要性矩阵进行排序,得到所述组合特征因子的重要性排序。
其中,在组合特征重要性矩阵之后,所述方法还包括:根据所述组合特征重要性矩阵获得单特征因子的重要性;将所述单特征因子按照重要性排序后进行特征选择,淘汰重要性较低的特征因子。
另外,还可以通过所述单特征因子的重要性来检验组合特征因子的重要性。举例来说,当所述重要性最高的单特征因子在并不符合平常认知时,可以在所述组合特征重要性排名中调查更具体原因;例如,可能是数据分箱不合理,或者可能是数据本身处理的不合理。
另外,需要指出的是,所述方法还包括:定期获取历史用户的用户特征因子和所述历史用户的喜欢的信息的信息特征因子对所述因子分解机模型进行更新。
S309、所述服务器判断所述组合特征因子的重要性排序是否小于预设阈值。
其中,可以理解的是,所述预设阈值可以根据用户的需求来设定。举例来说,如果用户需要获得的待推荐信息多一些,其可以将所述阈值设置得大一些;如果用户需要获得的待推荐信息少一些,其可以将所述阈值设置得小一些。
S310、若小于预设阈值,所述服务器则从所述第二预设数量的待推荐信息中选出所述组合特征因子对应的待推荐信息作为向所述目标用户推荐的信息。
其中,可以理解的是,组合特征因子为根据用户特征因子和信息特征因子生成的特征因子,用于表征用户特征和信息特征的综合特征,组合特征因子是和信息特征因子对应的,每个组合特征因子对应一个信息特征因子;且信息特征因子和待推荐信息又是对应的,每个信息特征因子至少对应一个待推荐信息。因此,当确定了组合特征因子时,将组合特征因子对应的信息特征因子对应的其中一条或者至少一条待推荐信息确定为向目标用户推荐的信息。
其中,举例来说,如果所述重要性排序中有100个组合特征因子,其中每个组合特征因子对应1条待推荐信息或者至少1条待推荐信息,如果目标用户想获得10条左右的推荐信息,则其可以设置阈值为10,则服务器将组合特征因子的重要性排序中前10个组合特征因子对应的待推荐信息发送给用户。
另外,本申请实施例的相关术语或解释可参考上述实施例描述的内容。
可以看出,本申请实施例提供的技术方案中,获取历史用户的用户特征因子和历史用户喜好的信息及其信息特征因子来训练得到神经网络模型和因子分解机模型,而后所述神经网络模型和因子分解机模型来根据用户特征因子确定向目标用户推荐的信息。可见,通过实施本申请实施例,有利于再进一步迅速、精确地确定向用户推荐其喜好的信息。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是,服务器为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件单元。本领域技术人员应该很容易意识到,结合本文中所提供的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对服务器进行功能单元的划分,例如,可以对应各个功能划分各个功能单元,也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。需要说明的是,本申请实施例中对单元的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
请参阅图4,图4是本申请实施例中所涉及的一种信息确定装置的功能单元组成框图。如图4所示,所述信息确定装置400应用于服务器,且所述信息确定装置400包括以下逻辑单元:
获取单元401,用于获取第一预设数量的用户特征因子;
第一输入单元402,用于将所述第一预设数量的用户特征因子输入神经网络模型中,得到第二预设数量的待推荐信息;
提取单元403,用于从所述第二预设数量的待推荐信息中提取出第三预设数量的信息特征因子;
第二输入单元404,用于将所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子输入因子分解机模型中,得到多个组合特征因子的重要性排序,其中,所述组合特征因子为根据用户特征因子和信息特征因子生成的特征因子;用于表征用户特征和信息特征的综合特征;
确定单元405,用于根据所述多个组合特征因子的重要性排序从所述第二预设数量的待推荐信息中确定向目标用户推荐的信息。
可选地,所述获取单元401包括:
第一判断子单元,用于判断所述目标用户是否为冷启动用户;
第一获取子单元,用于若所述目标用户非冷启动用户,则从用户信息库中获取所述目标用户的用户信息;
第一提取子单元,用于从所述目标用户的用户信息中提取出第一预设数量的用户特征因子。
可选地,若所述目标用户是冷启动用户,所述获取单元401还包括:
第二获取子单元,用于从所述用户信息库中获取第四预设数量的非冷启动用户在预设时间段内的用户信息;
第二提取子单元,用于从所述预设时间段内的用户信息中提取出第一预设数量的用户特征因子。
可选地,所述装置400还包括:
所述获取单元,还用于获取第五预设数量的历史用户的用户特征因子和喜好的信息;
第一训练单元,用于利用神经网络算法对所述的历史用户的用户特征因子和喜好的信息进行训练以得到所述神经网络模型。
可选地,所述装置400还包括:
所述提取单元,还用于从所述历史用户喜好的信息中提取出第六预设数量的信息特征因子;
第二训练单元,用于利用因子分解机算法对所述历史用户的用户特征因子和所述第六预设数量的信息特征因子进行训练以得到所述因子分解机模型。
可选地,所述组合特征因子的重要性排序包括按照重要性由大到小排序,所述确定单元405包括:
第二判断子单元,用于判断所述组合特征因子的重要性排序是否小于预设阈值;
选取子单元,用于若小于预设阈值,则从所述第二预设数量的待推荐信息中选出所述组合特征因子对应的待推荐信息作为向所述目标用户推荐的信息。
可选地,所述第二输入单元404包括:
输入子单元,用于将所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子输入所述因子分解机模型中,得到分解矩阵;
计算子单元,用于根据所述分解矩阵计算得到所述第一预设数量的用户特征因子和所述第二预设数量的信息特征因子两两组合而成的组合特征因子的交叉项系数,并根据所述交叉项系数计算得到所述组合特征因子的重要性;
构造子单元,用于根据所述组合特征因子的重要性构造组合特征重要性矩阵;
去除子单元,用于将相同特征域内的组合特征因子和重复的组合特征因子从所述组合特征重要性矩阵中去除;
排序子单元,用于对去除相同特征域内的组合特征因子和重复的组合特征因子后的组合特征重要性矩阵进行排序,得到所述组合特征因子的重要性排序。
其中,需要指出的是,本实施例所述的逻辑模块可执行方法实施例中所述的方法。另外,可以理解的是,由于方法实施例与装置实施例为相同技术构思的不同呈现形式,因此本申请中方法实施例部分的内容应同步适配于装置实施例部分,此处不再赘述。
另外,本申请实施例的相关术语或解释可参考上述实施例描述的内容。
可以看出,本申请实施例提供的信息确定装置,获取第一预设数量的用户特征因子;将所述第一预设数量的用户特征因子输入神经网络模型中,得到第二预设数量的待推荐信息;从所述第二预设数量的待推荐信息中提取出第三预设数量的信息特征因子;将所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子输入因子分解机模型中,得到多个组合特征因子的重要性排序,其中,所述组合特征因子为根据用户特征因子和信息特征因子生成的特征因子;用于表征用户特征和信息特征的综合特征;根据所述多个组合特征因子的重要性排序从所述第二预设数量的待推荐信息中确定向目标用户推荐的信息。可见,通过实施本申请实施例,有利于更迅速、精确地确定向用户推荐的信息及实现多样实际应用场景的应用。
与上述图4所示的实施例一致的,请参阅图5,图5是本申请实施例提供的一种服务器500的结构示意图。如图5所示,所述服务器500包括应用处理器510、存储器520、通信接口530以及一个或多个程序521,其中,所述一个或多个程序521被存储在上述存储器520中,并且被配置由上述应用处理器510执行,当所述一个或多个程序521被运行时,所述处理器510执行以下操作:
获取第一预设数量的用户特征因子;
将所述第一预设数量的用户特征因子输入神经网络模型中,得到第二预设数量的待推荐信息;
从所述第二预设数量的待推荐信息中提取出第三预设数量的信息特征因子;
将所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子输入因子分解机模型中,得到多个组合特征因子的重要性排序,其中,所述组合特征因子为根据用户特征因子和信息特征因子生成的特征因子;用于表征用户特征和信息特征的综合特征;
根据所述多个组合特征因子的重要性排序从所述第二预设数量的待推荐信息中确定向目标用户推荐的信息。
可选地,所述用户特征因子包括所述目标用户的用户特征因子,所述处理器510还执行以下操作:
判断所述目标用户是否为冷启动用户;
若所述目标用户非冷启动用户,则从用户信息库中获取所述目标用户的用户信息;
从所述目标用户的用户信息中提取出第一预设数量的用户特征因子。
可选地,若所述目标用户是冷启动用户,所述处理器510还执行以下操作:
从所述用户信息库中获取第四预设数量的非冷启动用户在预设时间段内的用户信息;
从所述预设时间段内的用户信息中提取出第一预设数量的用户特征因子。
可选地,在将所述第一预设数量的用户特征因子输入神经网络模型中之前,所述处理器510还执行以下操作:
获取第五预设数量的历史用户的用户特征因子和喜好的信息;
利用神经网络算法对所述的历史用户的用户特征因子和喜好的信息进行训练以得到所述神经网络模型。
可选地,在将所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子输入因子分解机模型中之前,所述处理器510还执行以下操作:
从所述历史用户喜好的信息中提取出第六预设数量的信息特征因子;
利用因子分解机算法对所述历史用户的用户特征因子和所述第六预设数量的信息特征因子进行训练以得到所述因子分解机模型。
可选地,所述组合特征因子的重要性排序包括按照重要性由大到小排序,所述处理器510还执行以下操作:
判断所述组合特征因子的重要性排序是否小于预设阈值;
若小于预设阈值,则从所述第二预设数量的待推荐信息中选出所述组合特征因子对应的待推荐信息作为向所述目标用户推荐的信息。
可选地,所述处理器510还执行以下操作:
将所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子输入所述因子分解机模型中,得到分解矩阵;
根据所述分解矩阵计算得到所述第一预设数量的用户特征因子和所述第二预设数量的信息特征因子两两组合而成的组合特征因子的交叉项系数,并根据所述交叉项系数计算得到所述组合特征因子的重要性;
根据所述组合特征因子的重要性构造组合特征重要性矩阵;
将相同特征域内的组合特征因子和重复的组合特征因子从所述组合特征重要性矩阵中去除;
对去除相同特征域内的组合特征因子和重复的组合特征因子后的组合特征重要性矩阵进行排序,得到所述组合特征因子的重要性排序。
其中,需要指出的是,本实施例所述的服务器可执行方法实施例中所述的方法。另外,可以理解的是,由于方法实施例与本实施例为相同技术构思的不同呈现形式,因此本申请中方法实施例部分的内容应同步适配于本实施例部分,此处不再赘述。
另外,本申请实施例的相关术语或解释可参考上述实施例描述的内容。
可以看出,本申请实施例提供的服务器,获取第一预设数量的用户特征因子;将所述第一预设数量的用户特征因子输入神经网络模型中,得到第二预设数量的待推荐信息;从所述第二预设数量的待推荐信息中提取出第三预设数量的信息特征因子;将所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子输入因子分解机模型中,得到多个组合特征因子的重要性排序,其中,所述组合特征因子为根据用户特征因子和信息特征因子生成的特征因子;用于表征用户特征和信息特征的综合特征;根据所述多个组合特征因子的重要性排序从所述第二预设数量的待推荐信息中确定向目标用户推荐的信息。可见,通过实施本申请实施例,有利于更迅速、精确地确定向用户推荐的信息及实现多样实际应用场景的应用。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤,上述计算机包括电子设备。
本申请实施例还提供一种计算机程序产品,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包,上述计算机包括电子设备。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和单元并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,ReaP-Only Memory)、随机存取存储器(RAM,RanPom Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:ReaP-Only Memory,简称:ROM)、随机存取器(英文:RanPom Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请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申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,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申请的限制。
Claims (10)
1.一种信息确定方法,其特征在于,应用于服务器,所述方法包括:
获取第一预设数量的用户特征因子;
将所述第一预设数量的用户特征因子输入神经网络模型中,得到第二预设数量的待推荐信息;
从所述第二预设数量的待推荐信息中提取出第三预设数量的信息特征因子;
将所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子输入因子分解机模型中,得到多个组合特征因子的重要性排序,其中,所述组合特征因子为根据用户特征因子和信息特征因子生成的特征因子,用于表征用户特征和信息特征的综合特征;
根据所述多个组合特征因子的重要性排序从所述第二预设数量的待推荐信息中确定向目标用户推荐的信息。
2.根据权利要求1所述的方法,其特征在于,所述用户特征因子包括所述目标用户的用户特征因子,所述获取第一预设数量的用户特征因子包括:
判断所述目标用户是否为冷启动用户;
若所述目标用户非冷启动用户,则从用户信息库中获取所述目标用户的用户信息;
从所述目标用户的用户信息中提取出第一预设数量的用户特征因子。
3.根据权利要求2所述的方法,其特征在于,若所述目标用户是冷启动用户,所述方法还包括:
从所述用户信息库中获取第四预设数量的非冷启动用户在预设时间段内的用户信息;
从所述预设时间段内的用户信息中提取出第一预设数量的用户特征因子。
4.根据权利要求1所述的方法,其特征在于,在将所述第一预设数量的用户特征因子输入神经网络模型中之前,所述方法还包括:
获取第五预设数量的历史用户的用户特征因子和喜好的信息;
利用神经网络算法对所述的历史用户的用户特征因子和喜好的信息进行训练以得到所述神经网络模型。
5.根据权利要求4所述的方法,其特征在于,在将所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子输入因子分解机模型中之前,所述方法还包括:
从所述历史用户喜好的信息中提取出第六预设数量的信息特征因子;
利用因子分解机算法对所述历史用户的用户特征因子和所述第六预设数量的信息特征因子进行训练以得到所述因子分解机模型。
6.根据权利要求1所述的方法,其特征在于,所述组合特征因子的重要性排序包括按照重要性由大到小排序,所述根据所述多个组合特征因子的重要性排序从所述第二预设数量的待推荐信息中确定向目标用户推荐的信息包括:
判断所述组合特征因子的重要性排序是否小于预设阈值;
若小于预设阈值,则从所述第二预设数量的待推荐信息中选出所述组合特征因子对应的待推荐信息作为向所述目标用户推荐的信息。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述将所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子输入因子分解机模型中,得到多个组合特征因子的重要性排序包括:
将所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子输入所述因子分解机模型中,得到分解矩阵;
根据所述分解矩阵计算得到所述第一预设数量的用户特征因子和所述第二预设数量的信息特征因子两两组合而成的组合特征因子的交叉项系数,并根据所述交叉项系数计算得到所述组合特征因子的重要性;
根据所述组合特征因子的重要性构造组合特征重要性矩阵;
将相同特征域内的组合特征因子和重复的组合特征因子从所述组合特征重要性矩阵中去除;
对去除相同特征域内的组合特征因子和重复的组合特征因子后的组合特征重要性矩阵进行排序,得到所述组合特征因子的重要性排序。
8.一种信息确定装置,其特征在于,应用于服务器,所述装置包括:
获取单元,用于获取第一预设数量的用户特征因子;
第一输入单元,用于将所述第一预设数量的用户特征因子输入神经网络模型中,得到第二预设数量的待推荐信息;
提取单元,用于从所述第二预设数量的待推荐信息中提取出第三预设数量的信息特征因子;
第二输入单元,用于将所述第一预设数量的用户特征因子和所述第三预设数量的信息特征因子输入因子分解机模型中,得到多个组合特征因子的重要性排序,其中,所述组合特征因子为根据用户特征因子和信息特征因子生成的特征因子;用于表征用户特征和信息特征的综合特征;
确定单元,用于根据所述多个组合特征因子的重要性排序从所述第二预设数量的待推荐信息中确定向目标用户推荐的信息。
9.一种服务器,其特征在于,所述服务器包括处理器及存储器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-7中任一项所述方法中的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911252464.0A CN111143670A (zh) | 2019-12-09 | 2019-12-09 | 一种信息确定方法及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911252464.0A CN111143670A (zh) | 2019-12-09 | 2019-12-09 | 一种信息确定方法及相关产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111143670A true CN111143670A (zh) | 2020-05-12 |
Family
ID=70517908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911252464.0A Pending CN111143670A (zh) | 2019-12-09 | 2019-12-09 | 一种信息确定方法及相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111143670A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069396A (zh) * | 2020-08-20 | 2020-12-11 | 苏州浪潮智能科技有限公司 | 一种推荐系统推荐方法、设备、推荐系统及存储介质 |
CN112541595A (zh) * | 2020-12-30 | 2021-03-23 | 中国建设银行股份有限公司 | 模型构建方法及装置、存储介质及电子设备 |
CN113763092A (zh) * | 2020-11-10 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 推荐商品的方法、装置、设备和计算机可读介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103995823A (zh) * | 2014-03-25 | 2014-08-20 | 南京邮电大学 | 一种基于社交网络的信息推荐方法 |
CN104317959A (zh) * | 2014-11-10 | 2015-01-28 | 北京字节跳动网络技术有限公司 | 基于社交平台的数据挖掘方法及装置 |
CN109242544A (zh) * | 2018-08-20 | 2019-01-18 | 中国平安人寿保险股份有限公司 | 产品信息推送的处理方法、装置、计算机设备及存储介质 |
CN109359439A (zh) * | 2018-10-26 | 2019-02-19 | 北京天融信网络安全技术有限公司 | 软件检测方法、装置、设备及存储介质 |
CN109408729A (zh) * | 2018-12-05 | 2019-03-01 | 广州市百果园信息技术有限公司 | 推荐物料确定方法、装置、存储介质和计算机设备 |
CN110162693A (zh) * | 2019-03-04 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种信息推荐的方法以及服务器 |
CN110263243A (zh) * | 2019-01-23 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 媒体信息推荐方法、装置、存储介质和计算机设备 |
CN110413867A (zh) * | 2018-04-28 | 2019-11-05 | 第四范式(北京)技术有限公司 | 用于内容推荐的方法及系统 |
-
2019
- 2019-12-09 CN CN201911252464.0A patent/CN111143670A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103995823A (zh) * | 2014-03-25 | 2014-08-20 | 南京邮电大学 | 一种基于社交网络的信息推荐方法 |
CN104317959A (zh) * | 2014-11-10 | 2015-01-28 | 北京字节跳动网络技术有限公司 | 基于社交平台的数据挖掘方法及装置 |
CN110413867A (zh) * | 2018-04-28 | 2019-11-05 | 第四范式(北京)技术有限公司 | 用于内容推荐的方法及系统 |
CN109242544A (zh) * | 2018-08-20 | 2019-01-18 | 中国平安人寿保险股份有限公司 | 产品信息推送的处理方法、装置、计算机设备及存储介质 |
CN109359439A (zh) * | 2018-10-26 | 2019-02-19 | 北京天融信网络安全技术有限公司 | 软件检测方法、装置、设备及存储介质 |
CN109408729A (zh) * | 2018-12-05 | 2019-03-01 | 广州市百果园信息技术有限公司 | 推荐物料确定方法、装置、存储介质和计算机设备 |
CN110263243A (zh) * | 2019-01-23 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 媒体信息推荐方法、装置、存储介质和计算机设备 |
CN110162693A (zh) * | 2019-03-04 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种信息推荐的方法以及服务器 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069396A (zh) * | 2020-08-20 | 2020-12-11 | 苏州浪潮智能科技有限公司 | 一种推荐系统推荐方法、设备、推荐系统及存储介质 |
CN112069396B (zh) * | 2020-08-20 | 2022-10-25 | 苏州浪潮智能科技有限公司 | 一种推荐系统推荐方法、设备、推荐系统及存储介质 |
CN113763092A (zh) * | 2020-11-10 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 推荐商品的方法、装置、设备和计算机可读介质 |
CN112541595A (zh) * | 2020-12-30 | 2021-03-23 | 中国建设银行股份有限公司 | 模型构建方法及装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107492008B (zh) | 信息推荐方法、装置、服务器及计算机存储介质 | |
CN110909182B (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
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 | |
CN110413870B (zh) | 商品推荐方法、装置及服务器 | |
CN106326391B (zh) | 多媒体资源推荐方法及装置 | |
CN110019943B (zh) | 视频推荐方法、装置、电子设备和存储介质 | |
CN111143670A (zh) | 一种信息确定方法及相关产品 | |
CN108228873A (zh) | 对象推荐、发布内容推送方法、装置、存储介质和设备 | |
CN105160545B (zh) | 投放信息样式确定方法及装置 | |
CN110852793A (zh) | 文案推荐方法及装置、电子设备 | |
US9088811B2 (en) | Information providing system, information providing method, information providing device, program, and information storage medium | |
CN103823908A (zh) | 基于用户偏好的内容推荐方法和服务器 | |
CN110163703B (zh) | 一种分类模型建立方法、文案推送方法和服务器 | |
CN110990542A (zh) | 一种房产中介服务平台客户需求匹配系统 | |
CN107592572B (zh) | 视频推荐方法、装置及其设备 | |
CN111209477A (zh) | 一种信息推荐的方法及装置、电子设备、存储介质 | |
CN112100221A (zh) | 一种资讯推荐方法、装置、推荐服务器及存储介质 | |
CN107679186A (zh) | 基于实体库进行实体搜索的方法及装置 | |
CN112182351A (zh) | 一种基于多特征融合的新闻推荐方法及装置 | |
CN111966900A (zh) | 基于局部敏感哈希的用户冷启动产品推荐方法及系统 | |
CN112149003A (zh) | 商品社群推荐方法、装置和计算机设备 | |
CN111461827A (zh) | 产品评价信息的推送方法和装置 | |
CN108074122A (zh) | 产品试用推荐方法、装置及服务器 | |
CN112036987B (zh) | 确定推荐商品的方法和装置 | |
CN115641179A (zh) | 信息推送方法、装置及电子设备 |
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 |