CN111339327B - 作品推荐方法及装置、服务器和存储介质 - Google Patents

作品推荐方法及装置、服务器和存储介质 Download PDF

Info

Publication number
CN111339327B
CN111339327B CN202010104322.6A CN202010104322A CN111339327B CN 111339327 B CN111339327 B CN 111339327B CN 202010104322 A CN202010104322 A CN 202010104322A CN 111339327 B CN111339327 B CN 111339327B
Authority
CN
China
Prior art keywords
sample
account
work
positive
positive sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010104322.6A
Other languages
English (en)
Other versions
CN111339327A (zh
Inventor
文浩丞
曾钢
赵彦宾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN202010104322.6A priority Critical patent/CN111339327B/zh
Publication of CN111339327A publication Critical patent/CN111339327A/zh
Priority to PCT/CN2021/076195 priority patent/WO2021164643A1/zh
Priority to JP2022547740A priority patent/JP2023512692A/ja
Priority to US17/891,465 priority patent/US20220398277A1/en
Application granted granted Critical
Publication of CN111339327B publication Critical patent/CN111339327B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/43—Querying
    • G06F16/435—Filtering based on additional data, e.g. user or group profiles
    • G06F16/437—Administration of user profiles, e.g. generation, initialisation, adaptation, distribution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/43—Querying
    • G06F16/435—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/43—Querying
    • G06F16/438—Presentation of query results

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开关于一种作品推荐方法及装置、服务器和存储介质。其中，作品推荐方法包括：接收应用程序的登录账户发送的推荐请求，其中，该推荐请求用于请求在目标页面上展示多媒体作品，目标页面用于展示通过应用程序与登录账户建立有社交关系的关联账户所发布的多媒体作品；响应于该推荐请求，从作品库中获取属于关联账户发布多媒体作品的各个类型的第一作品候选集；在至少基于服务器处理参数分别对各第一作品候选集进行筛选之后，将筛选结果汇总为第二作品候选集；对第二作品候选集中的多媒体作品进行排序，并根据排序结果，向客户端推荐多媒体作品。本公开实施例可以提高排序结果的准确性，从而提高根据排序结果推荐多媒体作品的准确性。

Description

作品推荐方法及装置、服务器和存储介质
技术领域
本公开涉及信息展现领域，尤其涉及一种作品推荐方法及装置、服务器和存储介质。
背景技术
随着信息技术的发展，出现了很多类型的内容(feed)，feed是将用户主动订阅的若干消息源组合在一起形成内容聚合器，帮助用户持续地获取最新的订阅源内容。
不同类型的feed混布在同一曝光场景相互竞争流量是推荐或者搜索产品的常规需求。目前，对不同类型的feed进行排序的方式是：首先对不同类型的feed分别进行排序，然后按照一定的打散规则将不同类型的feed进行混合排列。
但是，这种按照一定的打散规则将不同类型的feed进行混合排序的方式没有对不同类型的feed的排序分数进行准确地度量，排序结果准确性差。
发明内容
本公开提供一种作品推荐方法及装置、服务器和存储介质，以至少解决相关技术中对不同类型多媒体作品排序准确性差的问题。本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种作品推荐方法，所述方法包括：
接收应用程序的登录账户发送的推荐请求，其中，所述推荐请求用于请求在目标页面上展示多媒体作品，所述目标页面用于展示通过所述应用程序与所述登录账户建立有社交关系的关联账户所发布的多媒体作品；
响应于所述推荐请求，从作品库中获取属于关联账户发布多媒体作品的各个类型的第一作品候选集；
在至少基于服务器处理参数分别对各所述第一作品候选集进行筛选之后，将筛选结果汇总为第二作品候选集；
对所述第二作品候选集中的多媒体作品进行排序，并根据排序结果，向客户端推荐多媒体作品。
在一实施例中，所述对所述第二作品候选集中的多媒体作品进行排序，包括：
根据参与度和应用平台设置的推荐引导信息，对所述第二作品候选集中的多媒体作品进行排序，所述参与度用于表示账户对历史多媒体作品执行的正向反馈操作或负向反馈操作，所述推荐引导信息包括用于表示所述应用平台对历史多媒体作品的推荐度的推荐信息和/或用于提示账户对历史多媒体作品执行正向反馈操作的引导信息。
在一实施例中，所述根据参与度和应用平台设置的推荐引导信息，对所述第二作品候选集中的多媒体作品进行排序，包括：
根据所述参与度和所述应用平台设置的所述推荐引导信息，训练出混合排序模型，所述混合排序模型用于根据所述参与度和所述推荐引导信息确定出多媒体作品的排序序列；
将所述第二作品候选集中的所述多媒体作品输入所述混合排序模型，得到所述第二作品候选集中所述多媒体作品的排序序列。
在一实施例中，所述根据所述参与度和所述应用平台设置的所述推荐引导信息，训练出混合排序模型，包括：
获取多个类型多媒体作品的样本集，所述样本集包括正样本和负样本，所述正样本是指在所述目标页面中展现后被所述账户执行点击操作的历史多媒体作品，所述负样本是指在所述目标页面中展现后所述账户未执行点击操作的历史多媒体作品；
根据所述参与度和所述应用平台设置的所述推荐引导信息，确定所述样本集中每条所述正样本的排序分数；
根据所述样本集中每条所述正样本的所述排序分数和所述样本集生成新的样本集，并基于所述新的样本集训练出所述混合排序模型。
在一实施例中，所述根据所述样本集中每条所述正样本的所述排序信息和所述样本集生成新的样本集，并基于所述新的样本集训练出混合排序模型，包括：
为每条所述正样本生成与其排序分数等数量的正样本，根据所述样本集和生成的正样本获得所述新的样本集；
基于所述新的样本集，训练出正样本概率确定模型，所述正样本概率确定模型用于确定所述新的样本集中所述正样本的概率；
根据所述新的样本集中所述正样本的概率和所述样本集中每条样本为所述正样本的概率，生成所述混合排序模型。
在一实施例中，所述根据所述参与度和所述应用平台设置的所述推荐引导信息，确定所述样本集中每条所述正样本的排序分数，包括：
获取每个所述账户对每条所述正样本的执行的正向反馈操作及其权重和每个所述账户对每条所述正样本的执行的负向反馈操作及其权重，并根据每个所述账户对每条所述正样本的执行的正向反馈操作及其权重和每个所述账户对每条所述正样本的执行的负向反馈操作及其权重确定每个所述账户对每条所述正样本的参与度；
使用所述应用平台为每条所述正样本设置的所述推荐引导信息来确定每个所述账户对每条所述正样本的参与度的权重；
根据每个所述账户对每条所述正样本的参与度及其权重，得到所述样本集中每条所述正样本的所述排序分数。
在一实施例中，所述根据每个所述账户对每条所述正样本的执行的正向反馈操作及其权重和每个所述账户对每条所述正样本的执行的负向反馈操作及其权重确定每个所述账户对每条所述正样本的参与度，包括：
针对每个所述行为，若确定当前行为属于低频行为，则将所述当前行为的所述权重调整为目标高频行为的发生频率与所述低频行为的发生频率的比值，所述目标高频行为的发生频率是指当前获取的所有行为中所有高频行为的平均发生频率；
根据每个行为及其调整后的权重确定每个所述账户对每条所述正样本的参与度。
根据本公开实施例的第二方面，提供一种作品推荐装置，所述装置包括：
接收模块，被配置为接收应用程序的登录账户发送的推荐请求，其中，所述推荐请求用于请求在目标页面上展示多媒体作品，所述目标页面用于展示通过所述应用程序与所述登录账户建立有社交关系的关联账户所发布的多媒体作品；
获取模块，被配置为响应于所述接收模块接收的所述推荐请求，从作品库中获取属于关联账户发布多媒体作品的各个类型的第一作品候选集；
筛选汇总模块，被配置为在至少基于服务器处理参数分别对所述获取模块获取的各所述第一作品候选集进行筛选之后，将筛选结果汇总为第二作品候选集；
排序模块，被配置为对所述筛选汇总模块汇总后的所述第二作品候选集中的多媒体作品进行排序，并根据排序结果，向客户端推荐多媒体作品。
在一实施例中，所述排序模块，被配置为：
根据参与度和应用平台设置的推荐引导信息，对所述第二作品候选集中的多媒体作品进行排序，所述参与度用于表示账户对历史多媒体作品执行的正向反馈操作或负向反馈操作，所述推荐引导信息包括用于表示所述应用平台对历史多媒体作品的推荐度的推荐信息和/或用于提示账户对历史多媒体作品执行正向反馈操作的引导信息。
在一实施例中，所述排序模块包括：
训练子模块，被配置为根据所述参与度和所述应用平台设置的所述推荐引导信息，训练出混合排序模型，所述混合排序模型用于根据所述参与度和所述推荐引导信息确定出多媒体作品的排序序列；
排序子模块，被配置为将所述第二作品候选集中的所述多媒体作品输入所述训练子模块训练出的所述混合排序模型，得到所述第二作品候选集中所述多媒体作品的排序序列。
在一实施例中，所述训练子模块包括：
获取单元，被配置为获取多个类型多媒体作品的样本集，所述样本集包括正样本和负样本，所述正样本是指在所述目标页面中展现后被所述账户执行点击操作的历史多媒体作品，所述负样本是指在所述目标页面中展现后所述账户未执行点击操作的历史多媒体作品；
确定单元，被配置为根据所述参与度和所述应用平台设置的所述推荐引导信息，确定所述获取单元获取的所述样本集中每条所述正样本的排序分数；
训练单元，被配置为根据所述确定单元确定的所述样本集中每条所述正样本的所述排序分数和所述样本集生成新的样本集，并基于所述新的样本集训练出所述混合排序模型。
在一实施例中，所述训练单元，被配置为：
为每条所述正样本生成与其排序分数等数量的正样本，根据所述样本集和生成的正样本获得所述新的样本集；
基于所述新的样本集，训练出正样本概率确定模型，所述正样本概率确定模型用于确定所述新的样本集中所述正样本的概率；
根据所述新的样本集中所述正样本的概率和所述样本集中每条样本为所述正样本的概率，生成所述混合排序模型。
在一实施例中，所述确定单元，被配置为：
获取每个所述账户对每条所述正样本的执行的正向反馈操作及其权重和每个所述账户对每条所述正样本的执行的负向反馈操作及其权重，并根据每个所述账户对每条所述正样本的执行的正向反馈操作及其权重和每个所述账户对每条所述正样本的执行的负向反馈操作及其权重确定每个所述账户对每条所述正样本的参与度；
使用所述应用平台为每条所述正样本设置的所述推荐引导信息来确定每个所述账户对每条所述正样本的参与度的权重；
根据每个所述账户对每条所述正样本的参与度及其权重，得到所述样本集中每条所述正样本的所述排序分数。
在一实施例中，所述确定单元，被配置为：
针对每个所述行为，若确定当前行为属于低频行为，则将所述当前行为的所述权重调整为目标高频行为的发生频率与所述低频行为的发生频率的比值，所述目标高频行为的发生频率是指当前获取的所有行为中所有高频行为的平均发生频率；
根据每个行为及其调整后的权重确定每个所述账户对每条所述正样本的参与度。
根据本公开实施例的第三方面，提供一种服务器，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现上述作品推荐方法。
根据本公开实施例的第四方面，提供一种存储介质，当所述存储介质中的指令由服务器的处理器执行时，使得服务器能够执行上述作品推荐方法。
本公开的实施例提供的技术方案至少带来以下有益效果：
通过接收应用程序的登录账户发送的推荐请求，并响应于该推荐请求，从作品库中获取属于关联账户发布多媒体作品的各个类型的第一作品候选集，然后在至少基于服务器处理参数分别对各第一作品候选集进行筛选之后，将筛选结果汇总为第二作品候选集，最后对第二作品候选集中的多媒体作品进行排序，并根据排序结果，向客户端推荐多媒体作品，由于该实施例是对包含各个类型的第一作品候选集进行筛选之后汇总得到的第二作品候选集中的作品进行排序，即该实施例是对各个类型的作品统一进行排序，有利于提高排序结果的准确性，从而提高根据排序结果推荐多媒体作品的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是本公开一示例性实施例示出的一种作品推荐方法的流程图。
图2是本公开一示例性实施例示出的一种训练混合排序模型的流程图。
图3是本公开一示例性实施例示出的一种确定样本集中每条正样本的排序分数的流程图。
图4是本公开一示例性实施例示出的一种作品推荐装置的框图。
图5是本公开一示例性实施例示出的另一种作品推荐装置的框图。
图6是本公开一示例性实施例示出的另一种作品推荐装置的框图。
图7是本公开一示例性实施例示出的一种服务器的框图。
图8是本公开一示例性实施例示出的一种适用于作品推荐方法的设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是本公开一示例性实施例示出的一种作品推荐方法的流程图，如图1所示，该作品推荐方法包括以下步骤：
在步骤S101中，接收应用程序的登录账户发送的推荐请求，其中，该推荐请求用于请求在目标页面上展示多媒体作品，目标页面用于展示通过应用程序与登录账户建立有社交关系的关联账户所发布的多媒体作品。
其中，目标页面可以包括但不局限于关注页，还可以包括同城页等。多媒体作品可以包括但不局限于直播、短视频等作品。
当用户登录应用程序时，该应用程序可以向服务器发送该登录账户的推荐请求，该应用程序可以包括但不局限于发布多媒体作品的APP。
在该实施例中，当目标页面是关注页时，与登录账户建立有社交关系的关联账户可以包括登录账户的关注账户。
在步骤S102中，响应于该推荐请求，从作品库中获取属于关联账户发布多媒体作品的各个类型的第一作品候选集。
服务器在接收该推荐请求之后，响应于该推荐请求，可以从作品库中获取属于关联账户发布多媒体作品的各个类型的第一作品候选集，其中，各个类型的第一作品候选集可以包括但不局限于直播类第一作品候选集、短视频类第一作品候选集。
在步骤S103中，在至少基于服务器处理参数分别对各第一作品候选集进行筛选之后，将筛选结果汇总为第二作品候选集。
在获取各个类型的第一作品候选集之后，可以基于服务器的性能例如服务器处理参数，分别对各第一作品候选集进行筛选，并将筛选结果汇总为第二作品候选集。
在步骤S104中，对第二作品候选集中的多媒体作品进行排序，并根据排序结果，向客户端推荐多媒体作品。
在该实施例中，可以根据参与度和应用平台设置的推荐引导信息，对第二作品候选集中的多媒体作品进行排序，即采用统一的标准对第二作品候选集中的多媒体作品进行排序，有利于提高排序结果的准确性。
其中，参与度用于表示账户对历史多媒体作品执行的正向反馈操作或负向反馈操作。正向反馈操作可以包括但不局限于观看操作、点赞操作、关注操作、评论操作等，负向反馈操作可以包括但不局限于包括举报操作等。
其中，推荐引导信息可以包括用于表示应用平台对历史多媒体作品的推荐度的推荐信息和用于提示账户对历史多媒体作品执行正向反馈操作的引导信息中的至少一项。
在该实施例中，根据参与度和应用平台设置的推荐引导信息，对第二作品候选集中的多媒体作品进行排序，可以包括：
根据参与度和应用平台设置的推荐引导信息，训练出混合排序模型，混合排序模型用于根据参与度和推荐引导信息确定出多媒体作品的排序序列，并将第二作品候选集中的多媒体作品输入混合排序模型，得到第二作品候选集中多媒体作品的排序序列。
上述实施例，通过接收应用程序的登录账户发送的推荐请求，并响应于该推荐请求，从作品库中获取属于关联账户发布多媒体作品的各个类型的第一作品候选集，然后在至少基于服务器处理参数分别对各第一作品候选集进行筛选之后，将筛选结果汇总为第二作品候选集，最后对第二作品候选集中的多媒体作品进行排序，并根据排序结果，向客户端推荐多媒体作品，由于该实施例是对包含各个类型的第一作品候选集进行筛选之后汇总得到的第二作品候选集中的作品进行排序，即该实施例是对各个类型的作品统一进行排序，有利于提高排序结果的准确性，从而提高根据排序结果推荐多媒体作品的准确性。
为了使用混合排序模型对第二作品候选集中的多媒体作品进行排序，该实施例需要预先训练出混合排序模型，图2是本公开一示例性实施例示出的一种训练混合排序模型的流程图，如图2所示，该训练混合排序模型的过程可以包括以下步骤：
在步骤S201中，获取多个类型多媒体作品的样本集，该样本集包括正样本和负样本，正样本是指在目标页面中展现后被账户执行点击操作的历史多媒体作品，负样本是指在目标页面中展现后账户未执行点击操作的历史多媒体作品。
其中，多个类型多媒体作品可以包括但不局限于直播、短视频等作品。
在该实施例中，上述展现日志包括用户标识(userId)和作品(Item)，若某个账户的Item被展现(show)，则该账户的Item就是一条样本。若该Item被账户执行点击操作，则该Item就是一条正样本，若该Item未被账户执行点击操作，则该Item就是一条负样本。
在该实施例中，可以获取多个类型多媒体作品的展现日志，若根据展现日志确定对应的多媒体作品展现后被账户执行点击操作，则生成一条正样本，且标签(label)记为1，若根据展现日志确定对应的多媒体作品展现后该账户未执行点击操作，则生成一条负样本，且标签(label)记为0。
在步骤S202中，根据参与度和应用平台设置的推荐引导信息，确定样本集中每条正样本的排序分数。
其中，账户的参与度可以基于账户对历史多媒体作品执行的正向反馈操作及其权重和负向反馈操作及其权重来确定，应用平台设置的推荐引导信息可以由应用平台基于生态因素设置，例如生态因素可以包括但不局限于流量普惠程度等，也可以基于其他因素设置。
例如，如图3所示，确定样本集中每条正样本的排序分数可以包括：
在步骤S2021中，获取每个账户对每条正样本的执行的正向反馈操作及其权重和每个账户对每条正样本的执行的负向反馈操作及其权重，并根据每个账户对每条正样本的执行的正向反馈操作及其权重和每个账户对每条正样本的执行的负向反馈操作及其权重确定每个账户对每条正样本的参与度。
其中，正向反馈操作可以包括但不局限于观看操作、点赞操作、关注操作、评论操作等，负向反馈操作可以包括但不局限于包括举报操作等。
在该实施例中，可以通过留存归因算法确定账户对每条正样本的执行的负向反馈操作的权重或负向反馈操作的权重，然后根据每个反馈操作及其权重进行加权运算，得到每个账户对每条正样本的参与度。
可选地，针对每个行为，若确定当前行为属于低频行为，则将当前行为的权重调整为目标高频行为的发生频率与低频行为的发生频率的比值，并根据每个行为及其调整后的权重确定每个账户对每条正样本的参与度。其中，目标高频行为的发生频率是指当前获取的所有行为中所有高频行为的平均发生频率。
例如，当前获取的所有行为是点赞和评论，其中，点赞为高频行为，评论为低频行为，预先统计的点赞的发生频率为0.1，预先统计的评论的发生频率为0.001，则可以将评论的权重调整为100。需要说明的是，该举例中涉及的行为及数值仅为一个示例，在实际应用中，可以根据需要进行调整。
在步骤S2022中，使用应用平台为每条正样本设置的推荐引导信息来确定每个账户对每条正样本的参与度的权重。
其中，账户对不同类型多媒体作品的接受程度不一样，例如，账户对短视频的接受程度高于对直播的接受程度，这时可以增大账户对短视频的参与度的权重。
在步骤S2023中，根据每个账户对每条正样本的参与度及其权重，得到样本集中每条正样本的排序分数。
在确定每个账户对每条正样本的参与度的权重之后，可以根据每个账户对每条正样本的参与度及其权重，得到样本集中每条正样本的排序分数。
在该实施例中，根据参与度和应用平台设置的推荐引导信息来确定样本集中每条正样本的排序分数，使得不同类型的多媒体作品可以基于统一的标准来度量排序信息，有利于提高训练出的混合排序模型的准确性。
另外，由于参与度和平台设置的推荐度可以包括多个维度的信息，这些信息可以很好地描述应用场景的特征，从而可以进一步提高训练出的混合排序模型的准确性，也即进一步提高通过该混合排序模型确定的排序序列的准确性。
在步骤S203中，根据样本集中每条正样本的排序分数和样本集生成新的样本集，并基于新的样本集训练出混合排序模型。
在该实施例中，可以为每条正样本生成与其排序分数等数量的正样本，并根据样本集和生成的正样本获得新的样本集。
其中，生成正样本的方式可以为直接复制正样本。
例如，某条正样本的排序分数为5，则可以生成5条正样本，例如，直接复制出5条该正样本，然后由之前的样本集和这5条正样本组成新的样本集。
在该实施例中，在获得新的样本集之后，可以基于新的样本集，采用逻辑回归算法训练出正样本概率确定模型，该正样本概率确定模型用于确定新的样本集中正样本的概率。然后，根据新的样本集中正样本的概率和样本集中每条样本为正样本的概率，生成混合排序模型。其中，样本集中每条样本为正样本的概率可以通过统计获得，也可以通过预先训练的模型获得。
其中，采用逻辑回归算法训练出正样本概率确定模型的过程可以为：
将新的样本集中的样本输入正样本概率确定模型，得到正样本的概率，根据得到的正样本概率计算损失函数，利用该损失函数更新正样本概率确定模型的参数，直至损失函数足够小，此时得到的模型为训练出的正样本概率确定模型。
在该实施例中，正样本概率确定模型为：
其中，w和b为模型参数，j为新的样本集中每个样本中的特征编号，新的样本集中的样本为向量，样本中的特征指样本中的每个分量。
在该实施例中，损失函数为：
当损失函数足够小，说明模型收敛，此时得到的模型即为训练出的模型。
在该实施例中，在新的样本集中正样本的概率可以通过以下公式11)计算：
其中，N和k分别为样本的总个数和正样本的个数，Si表示第i个样本的排序分数。
而由逻辑回归的性质可得以下公式12)：
根据上述公式11)和公式12)可得：进而可以得到混合排序模型为：
其中，Mi表示不同类型多媒体作品集合中第i个多媒体作品的排序分数，为不同类型多媒体作品集合中多媒体作品被点击的概率，Pi为第i个多媒体作品被点击的概率，Pi可以通过统计获得，也可以通过预先训练出的模型来获得。
在该实施例中，借助逻辑回归算法生成对不同类型多媒体作品进行排序的混合排序模型，实现方式简单。
上述实施例，通过根据参与度和应用平台设置的推荐引导信息来确定样本集中每条正样本的排序信息，使得不同类型的多媒体作品可以基于统一的度量标准来度量排序信息，有利于提高训练出的混合排序模型的准确度，然后根据样本集中每条正样本的排序信息生成新的样本集，并基于新的样本集训练出混合排序模型，实现方式简单。
图4是本公开一示例性实施例示出的一种作品推荐装置的框图。参照图4，该装置包括：
接收模块41被配置为接收应用程序的登录账户发送的推荐请求，其中，该推荐请求用于请求在目标页面上展示多媒体作品，目标页面用于展示通过应用程序与登录账户建立有社交关系的关联账户所发布的多媒体作品。
获取模块42被配置为响应于接收模块41接收的推荐请求，从作品库中获取属于关联账户发布多媒体作品的各个类型的第一作品候选集。
筛选汇总模块43被配置为在至少基于服务器处理参数分别对获取模块42获取的各第一作品候选集进行筛选之后，将筛选结果汇总为第二作品候选集。
排序模块44被配置为对筛选汇总模块43汇总后的第二作品候选集中的多媒体作品进行排序，并根据排序结果，向客户端推荐多媒体作品。
其中，排序模块44可以被配置为：
根据参与度和应用平台设置的推荐引导信息，对第二作品候选集中的多媒体作品进行排序，参与度用于表示账户对历史多媒体作品执行的正向反馈操作或负向反馈操作，推荐引导信息包括用于表示应用平台对历史多媒体作品的推荐度的推荐信息和/或用于提示账户对历史多媒体作品执行正向反馈操作的引导信息。
图5是本公开一示例性实施例示出的另一种作品推荐装置的框图，如图5所示，在图4所示实施例的基础上，排序模块44可以包括：
训练子模块441被配置为根据参与度和应用平台设置的推荐引导信息，训练出混合排序模型，混合排序模型用于根据参与度和推荐引导信息确定出多媒体作品的排序序列。
排序子模块442被配置为将第二作品候选集中的多媒体作品输入训练子模块441训练出的混合排序模型，得到第二作品候选集中多媒体作品的排序序列。
图6是本公开一示例性实施例示出的另一种作品推荐装置的框图，如图6所示，在图5所示实施例的基础上，训练子模块441可以包括：
获取单元4411被配置为获取多个类型多媒体作品的样本集，样本集包括正样本和负样本，正样本是指在目标页面中展现后被账户执行点击操作的历史多媒体作品，负样本是指在目标页面中展现后账户未执行点击操作的历史多媒体作品。
确定单元4412被配置为根据参与度和应用平台设置的推荐引导信息，确定获取单元4411获取的样本集中每条正样本的排序分数。
训练单元4413被配置为根据确定单元4412确定的样本集中每条正样本的排序分数和样本集生成新的样本集，并基于新的样本集训练出混合排序模型。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图7是本公开一示例性实施例示出的一种服务器的框图。如图7所示，该服务器包括处理器710、用于存储处理器710可执行指令的存储器720；其中，处理器被配置为执行上述指令，以实现上述作品推荐方法。除了图7所示的处理器710及存储器720之外，该服务器通常根据作品推荐的实际功能，还可以包括其他硬件，对此不再赘述。
在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器720，上述指令可由处理器710执行以完成上述作品推荐方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述作品推荐方法。
图8是本公开一示例性实施例示出的一种适用于作品推荐方法的设备的框图，如图8所示，本公开实施例给出一种适用于作品推荐方法的设备800，包括：射频(RadioFrequency，RF)电路810、电源820、处理器830、存储器840、输入单元850、显示单元860、摄像头870、通信接口880、以及无线保真(Wireless Fidelity，Wi-Fi)模块890等部件。本领域技术人员可以理解，图8中示出的设备的结构并不构成对设备的限定，本公开实施例提供的设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图8对设备800的各个构成部件进行具体的介绍：
RF电路810可用于通信或通话过程中，数据的接收和发送。特别地，RF电路810在接收到基站的下行数据后，发送给处理器830处理；另外，将待发送的上行数据发送给基站。通常，RF电路810包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(LowNoise Amplifier，LNA)、双工器等。
此外，RF电路810还可以通过无线通信与网络和其他设备通信。无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(Global System of Mobilecommunication，GSM)、通用分组无线服务(General Packet Radio Service，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code DivisionMultiple Access，WCDMA)、长期演进(Long Term Evolution，LTE)、电子邮件、短消息服务(Short Messaging Service，SMS)等。
Wi-Fi技术属于短距离无线传输技术，设备800通过Wi-Fi模块890可以连接接入点(Access Point，AP)，从而实现数据网络的访问。Wi-Fi模块890可用于通信过程中，数据的接收和发送。
设备800可以通过通信接口880与其他设备实现物理连接。可选的，通信接口880与其他设备的通信接口通过电缆连接，实现设备800和其他设备之间的数据传输。
由于在本公开实施例中，设备800能够实现通信业务，向其他联系人发送信息，因此设备800需要具有数据传输功能，即设备800内部需要包含通信模块。虽然图8示出了RF电路810、Wi-Fi模块890、和通信接口880等通信模块，但是可以理解的是，设备800中存在上述部件中的至少一个或者其他用于实现通信的通信模块(如蓝牙模块)，以进行数据传输。
例如，当设备800为手机时，设备800可以包含RF电路810，还可以包含Wi-Fi模块890；当设备800为计算机时，设备800可以包含通信接口880，还可以包含Wi-Fi模块890；当设备800为平板电脑时，设备800可以包含Wi-Fi模块。
存储器840可用于存储软件程序以及模块。处理器830通过运行存储在存储器840的软件程序以及模块，从而执行设备800的各种功能应用以及数据处理，并且当处理器830执行存储器840中的程序代码后，可以实现本公开实施例图1、图2中的部分或全部过程。
可选的，存储器840可以主要包括存储程序区和存储数据区。其中，存储程序区可存储操作系统、各种应用程序(比如通信应用)以及人脸识别模块等；存储数据区可存储根据设备的使用所创建的数据(比如各种图片、视频文件等多媒体文件，以及人脸信息模板)等。
此外，存储器840可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元850可用于接收账户输入的数字或字符信息，以及产生与设备800的账户设置以及功能控制有关的键信号输入。
可选的，输入单元850可包括触控面板851以及其他输入设备852。
其中，触控面板851，也称为触摸屏，可收集账户在其上或附近的触摸操作(比如账户使用手指、触笔等任何适合的物体或附件在触控面板851上或在触控面板851附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板851可以包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测账户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器830，并能接收处理器830发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多个类型实现触控面板851。
可选的，其他输入设备852可以包括但不限于物理键盘、功能键(比如音量控制按键、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860可用于显示由账户输入的信息或提供给账户的信息以及设备800的各种菜单。显示单元860即为设备800的显示系统，用于呈现界面，实现人机交互。
显示单元860可以包括显示面板861。可选的，显示面板861可以采用液晶显示屏(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode，OLED)等形式来配置。
进一步的，触控面板851可覆盖显示面板861，当触控面板851检测到在其上或附近的触摸操作后，传送给处理器830以确定触摸事件的类型，随后处理器830根据触摸事件的类型在显示面板861上提供相应的视觉输出。
虽然在图8中，触控面板851与显示面板861是作为两个独立的部件来实现设备800的输入和输入功能，但是在某些实施例中，可以将触控面板851与显示面板861集成而实现设备800的输入和输出功能。
处理器830是设备800的控制中心，利用各种接口和线路连接各个部件，通过运行或执行存储在存储器840内的软件程序和/或模块，以及调用存储在存储器840内的数据，执行设备800的各种功能和处理数据，从而实现基于设备的多种业务。
可选的，处理器830可包括一个或多个处理单元。可选的，处理器830可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、账户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器830中。
摄像头870，用于实现设备800的拍摄功能，拍摄图片或视频。摄像头870还可以用于实现设备800的扫描功能，对扫描对象(二维码/条形码)进行扫描。
设备800还包括用于给各个部件供电的电源820(比如电池)。可选的，电源820可以通过电源管理系统与处理器830逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗等功能。
在示例性实施例中，设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述作品推荐方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (8)

1.一种作品推荐方法，其特征在于，所述方法包括：
接收应用程序的登录账户发送的推荐请求，其中，所述推荐请求用于请求在目标页面上展示多媒体作品，所述目标页面用于展示通过所述应用程序与所述登录账户建立有社交关系的关联账户所发布的多媒体作品；
响应于所述推荐请求，从作品库中获取属于关联账户发布多媒体作品的各个类型的第一作品候选集；
在至少基于服务器处理参数分别对各所述第一作品候选集进行筛选之后，将筛选结果汇总为第二作品候选集；
对所述第二作品候选集中的多媒体作品进行排序，并根据排序结果，向客户端推荐多媒体作品；
其中，所述对所述第二作品候选集中的多媒体作品进行排序，包括：
获取多个类型多媒体作品的样本集，所述样本集包括正样本和负样本，所述正样本是指在所述目标页面中展现后被所述账户执行点击操作的历史多媒体作品，所述负样本是指在所述目标页面中展现后所述账户未执行点击操作的历史多媒体作品；
根据参与度和应用平台设置的推荐引导信息，确定所述样本集中每条所述正样本的排序分数；所述参与度用于表示账户对历史多媒体作品执行的正向反馈操作或负向反馈操作，所述推荐引导信息包括用于表示所述应用平台对历史多媒体作品的推荐度的推荐信息和/或用于提示账户对历史多媒体作品执行正向反馈操作的引导信息；
为每条所述正样本生成与其排序分数等数量的正样本，根据所述样本集和生成的正样本获得新的样本集；
基于所述新的样本集，训练出正样本概率确定模型，所述正样本概率确定模型用于确定所述新的样本集中所述正样本的概率；
根据所述新的样本集中所述正样本的概率和所述样本集中每条样本为所述正样本的概率，生成混合排序模型；所述混合排序模型用于根据所述参与度和所述推荐引导信息确定出多媒体作品的排序序列；
将所述第二作品候选集中的所述多媒体作品输入所述混合排序模型，得到所述第二作品候选集中所述多媒体作品的排序序列。
2.根据权利要求1所述的作品推荐方法，其特征在于，所述根据所述参与度和所述应用平台设置的所述推荐引导信息，确定所述样本集中每条所述正样本的排序分数，包括：
获取每个所述账户对每条所述正样本的执行的正向反馈操作及其权重和每个所述账户对每条所述正样本的执行的负向反馈操作及其权重，并根据每个所述账户对每条所述正样本的执行的正向反馈操作及其权重和每个所述账户对每条所述正样本的执行的负向反馈操作及其权重确定每个所述账户对每条所述正样本的参与度；
使用所述应用平台为每条所述正样本设置的所述推荐引导信息来确定每个所述账户对每条所述正样本的参与度的权重；
根据每个所述账户对每条所述正样本的参与度及其权重，得到所述样本集中每条所述正样本的所述排序分数。
3.根据权利要求2所述的作品推荐方法，其特征在于，所述根据每个所述账户对每条所述正样本的执行的正向反馈操作及其权重和每个所述账户对每条所述正样本的执行的负向反馈操作及其权重确定每个所述账户对每条所述正样本的参与度，包括：
针对每个行为，若确定当前行为属于低频行为，则将所述当前行为的所述权重调整为目标高频行为的发生频率与所述低频行为的发生频率的比值，所述目标高频行为的发生频率是指当前获取的所有行为中所有高频行为的平均发生频率；
根据每个行为及其调整后的权重确定每个所述账户对每条所述正样本的参与度。
4.一种作品推荐装置，其特征在于，所述装置包括：
接收模块，被配置为接收应用程序的登录账户发送的推荐请求，其中，所述推荐请求用于请求在目标页面上展示多媒体作品，所述目标页面用于展示通过所述应用程序与所述登录账户建立有社交关系的关联账户所发布的多媒体作品；
获取模块，被配置为响应于所述接收模块接收的所述推荐请求，从作品库中获取属于关联账户发布多媒体作品的各个类型的第一作品候选集；
筛选汇总模块，被配置为在至少基于服务器处理参数分别对所述获取模块获取的各所述第一作品候选集进行筛选之后，将筛选结果汇总为第二作品候选集；
排序模块，被配置为对所述筛选汇总模块汇总后的所述第二作品候选集中的多媒体作品进行排序，并根据排序结果，向客户端推荐多媒体作品；
所述排序模块，被配置为：根据参与度和应用平台设置的推荐引导信息，对所述第二作品候选集中的多媒体作品进行排序，所述参与度用于表示账户对历史多媒体作品执行的正向反馈操作或负向反馈操作，所述推荐引导信息包括用于表示所述应用平台对历史多媒体作品的推荐度的推荐信息和/或用于提示账户对历史多媒体作品执行正向反馈操作的引导信息；所述排序模块包括：
训练子模块，被配置为根据所述参与度和所述应用平台设置的所述推荐引导信息，训练出混合排序模型，所述混合排序模型用于根据所述参与度和所述推荐引导信息确定出多媒体作品的排序序列；
排序子模块，被配置为将所述第二作品候选集中的所述多媒体作品输入所述训练子模块训练出的所述混合排序模型，得到所述第二作品候选集中所述多媒体作品的排序序列；
所述训练子模块包括：
获取单元，被配置为获取多个类型多媒体作品的样本集，所述样本集包括正样本和负样本，所述正样本是指在所述目标页面中展现后被所述账户执行点击操作的历史多媒体作品，所述负样本是指在所述目标页面中展现后所述账户未执行点击操作的历史多媒体作品；
确定单元，被配置为根据所述参与度和所述应用平台设置的所述推荐引导信息，确定所述获取单元获取的所述样本集中每条所述正样本的排序分数；
训练单元，被配置为根据所述确定单元确定的所述样本集中每条所述正样本的所述排序分数和所述样本集生成新的样本集，并基于所述新的样本集训练出所述混合排序模型；
所述训练单元，被配置为：
为每条所述正样本生成与其排序分数等数量的正样本，根据所述样本集和生成的正样本获得所述新的样本集；
基于所述新的样本集，训练出正样本概率确定模型，所述正样本概率确定模型用于确定所述新的样本集中所述正样本的概率；
根据所述新的样本集中所述正样本的概率和所述样本集中每条样本为所述正样本的概率，生成所述混合排序模型。
5.根据权利要求4所述的作品推荐装置，其特征在于，所述确定单元，被配置为：
获取每个所述账户对每条所述正样本的执行的正向反馈操作及其权重和每个所述账户对每条所述正样本的执行的负向反馈操作及其权重，并根据每个所述账户对每条所述正样本的执行的正向反馈操作及其权重和每个所述账户对每条所述正样本的执行的负向反馈操作及其权重确定每个所述账户对每条所述正样本的参与度；
使用所述应用平台为每条所述正样本设置的所述推荐引导信息来确定每个所述账户对每条所述正样本的参与度的权重；
根据每个所述账户对每条所述正样本的参与度及其权重，得到所述样本集中每条所述正样本的所述排序分数。
6.根据权利要求5所述的作品推荐装置，其特征在于，所述确定单元，被配置为：
针对每个行为，若确定当前行为属于低频行为，则将所述当前行为的所述权重调整为目标高频行为的发生频率与所述低频行为的发生频率的比值，所述目标高频行为的发生频率是指当前获取的所有行为中所有高频行为的平均发生频率；
根据每个行为及其调整后的权重确定每个所述账户对每条所述正样本的参与度。
7.一种服务器，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至3中任一项所述的作品推荐方法。
8.一种存储介质，其特征在于，当所述存储介质中的指令由服务器的处理器执行时，使得服务器能够执行如权利要求1至3中任一项所述的作品推荐方法。
CN202010104322.6A 2020-02-20 2020-02-20 作品推荐方法及装置、服务器和存储介质 Active CN111339327B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202010104322.6A CN111339327B (zh) 2020-02-20 2020-02-20 作品推荐方法及装置、服务器和存储介质
PCT/CN2021/076195 WO2021164643A1 (zh) 2020-02-20 2021-02-09 作品推荐方法及服务器
JP2022547740A JP2023512692A (ja) 2020-02-20 2021-02-09 作品の推奨方法及びサーバー
US17/891,465 US20220398277A1 (en) 2020-02-20 2022-08-19 Method for recommending works and server

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010104322.6A CN111339327B (zh) 2020-02-20 2020-02-20 作品推荐方法及装置、服务器和存储介质

Publications (2)

Publication Number Publication Date
CN111339327A CN111339327A (zh) 2020-06-26
CN111339327B true CN111339327B (zh) 2024-05-07

Family

ID=71183554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010104322.6A Active CN111339327B (zh) 2020-02-20 2020-02-20 作品推荐方法及装置、服务器和存储介质

Country Status (4)

Country Link
US (1) US20220398277A1 (zh)
JP (1) JP2023512692A (zh)
CN (1) CN111339327B (zh)
WO (1) WO2021164643A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111339327B (zh) * 2020-02-20 2024-05-07 北京达佳互联信息技术有限公司 作品推荐方法及装置、服务器和存储介质
CN111737579A (zh) * 2020-06-28 2020-10-02 北京达佳互联信息技术有限公司 对象推荐方法、装置及电子设备、存储介质
CN113886674A (zh) * 2020-07-01 2022-01-04 北京达佳互联信息技术有限公司 资源推荐方法、装置、电子设备及存储介质
CN113961792A (zh) * 2020-07-15 2022-01-21 北京达佳互联信息技术有限公司 一种资源推荐系统、方法、电子设备及存储介质
CN111859129B (zh) * 2020-07-20 2024-05-10 游艺星际(北京)科技有限公司 对象推荐方法、装置、电子设备和存储介质
CN111859141B (zh) * 2020-07-28 2023-09-26 北京达佳互联信息技术有限公司 内容推送方法、装置、服务器及存储介质
CN112000821B (zh) * 2020-08-21 2024-03-26 北京达佳互联信息技术有限公司 多媒体信息推送方法、装置、服务器及存储介质
CN112115354A (zh) * 2020-09-02 2020-12-22 北京达佳互联信息技术有限公司 信息处理方法、装置、服务器及存储介质
CN112272302A (zh) * 2020-09-17 2021-01-26 北京达佳互联信息技术有限公司 多媒体资源的展示方法、装置、系统及存储介质
CN112199586A (zh) * 2020-09-29 2021-01-08 北京字节跳动网络技术有限公司 一种作品分发方法、装置、计算机设备及存储介质
CN114329048A (zh) * 2020-09-30 2022-04-12 北京达佳互联信息技术有限公司 素材确定方法、装置及电子设备
CN112269917B (zh) * 2020-10-09 2023-10-31 北京达佳互联信息技术有限公司 一种媒体资源展示方法及装置、设备、系统、存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609146A (zh) * 2017-09-21 2018-01-19 北京达佳互联信息技术有限公司 信息展示方法、装置、终端及服务器
CN108334536A (zh) * 2017-11-30 2018-07-27 中国电子科技集团公司电子科学研究院 一种信息推荐方法、设备和存储介质
CN108460060A (zh) * 2017-02-22 2018-08-28 合网络技术（北京）有限公司 视频推荐方法及装置
CN109299370A (zh) * 2018-10-09 2019-02-01 中国科学技术大学 多对级个性化推荐方法
CN109614555A (zh) * 2018-12-27 2019-04-12 腾讯音乐娱乐科技（深圳）有限公司 生成排行榜的方法和装置
CN110598016A (zh) * 2019-09-11 2019-12-20 腾讯科技（深圳）有限公司 一种多媒体信息推荐的方法、装置、设备和介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9230212B2 (en) * 2012-02-02 2016-01-05 Peel Technologies, Inc. Content based recommendation system
US8996530B2 (en) * 2012-04-27 2015-03-31 Yahoo! Inc. User modeling for personalized generalized content recommendations
US9825987B2 (en) * 2014-04-30 2017-11-21 Twitter, Inc. Application graph builder
US20180336645A1 (en) * 2017-05-22 2018-11-22 Google Inc. Using machine learning to recommend live-stream content
US11347752B2 (en) * 2018-07-23 2022-05-31 Apple Inc. Personalized user feed based on monitored activities
CN109902708B (zh) * 2018-12-29 2022-05-10 华为技术有限公司 一种推荐模型训练方法及相关装置
CN111339327B (zh) * 2020-02-20 2024-05-07 北京达佳互联信息技术有限公司 作品推荐方法及装置、服务器和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108460060A (zh) * 2017-02-22 2018-08-28 合网络技术（北京）有限公司 视频推荐方法及装置
CN107609146A (zh) * 2017-09-21 2018-01-19 北京达佳互联信息技术有限公司 信息展示方法、装置、终端及服务器
CN108334536A (zh) * 2017-11-30 2018-07-27 中国电子科技集团公司电子科学研究院 一种信息推荐方法、设备和存储介质
CN109299370A (zh) * 2018-10-09 2019-02-01 中国科学技术大学 多对级个性化推荐方法
CN109614555A (zh) * 2018-12-27 2019-04-12 腾讯音乐娱乐科技（深圳）有限公司 生成排行榜的方法和装置
CN110598016A (zh) * 2019-09-11 2019-12-20 腾讯科技（深圳）有限公司 一种多媒体信息推荐的方法、装置、设备和介质

Also Published As

Publication number Publication date
CN111339327A (zh) 2020-06-26
WO2021164643A1 (zh) 2021-08-26
JP2023512692A (ja) 2023-03-28
US20220398277A1 (en) 2022-12-15

Similar Documents

Publication Publication Date Title
CN111339327B (zh) 作品推荐方法及装置、服务器和存储介质
US11270333B1 (en) Click-through prediction for targeted content
US20180255009A1 (en) Emoji recommendation method and apparatus
CN108334887B (zh) 一种用户选取方法和装置
WO2017202238A1 (zh) 一种推广信息的投放方法、装置、系统及存储介质
WO2019019396A1 (zh) 推送结果预测方法、装置、计算机设备和存储介质
CN104572889A (zh) 一种搜索词推荐方法、装置和系统
CN110609957B (zh) 一种进行全局搜索的方法、终端和服务器
WO2014169661A1 (en) Method and system for processing report information
US11062350B2 (en) Method, apparatus, and device for monitoring promotion status data, and non-volatile computer storage medium
CN111125523A (zh) 搜索方法、装置、终端设备及存储介质
CN110019382A (zh) 用户亲密度指数确定方法、装置、存储介质及电子设备
CN111625690B (zh) 一种对象推荐方法、装置、设备及介质
CN111797308B (zh) 一种资源推荐方法、装置、电子设备及介质
CN112269918A (zh) 信息推荐方法、装置、设备及存储介质
CN113676395B (zh) 信息处理方法、相关设备及可读存储介质
CN113378067B (zh) 基于用户挖掘的消息推荐方法、设备、介质
CN106294087B (zh) 一种对业务执行操作的操作频率的统计方法及装置
CN113626863A (zh) 数据处理方法及装置
CN111191143B (zh) 应用推荐方法及装置
CN117453933A (zh) 一种多媒体数据推荐方法、装置、电子设备及存储介质
CN106682054B (zh) 一种终端应用推荐方法、装置和系统
CN106161575A (zh) 用户匹配方法及装置
CN114430504B (zh) 一种媒体内容的推荐方法以及相关装置
EP3923164A2 (en) Method and apparatus of presenting information, electronic device and storage medium

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