CN111339422A - 推荐系统任务管理平台、推荐方法及系统 - Google Patents
推荐系统任务管理平台、推荐方法及系统 Download PDFInfo
- Publication number
- CN111339422A CN111339422A CN202010139984.7A CN202010139984A CN111339422A CN 111339422 A CN111339422 A CN 111339422A CN 202010139984 A CN202010139984 A CN 202010139984A CN 111339422 A CN111339422 A CN 111339422A
- Authority
- CN
- China
- Prior art keywords
- task
- algorithm
- recommendation
- recommended
- module
- 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 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 230
- 238000012545 processing Methods 0.000 claims description 26
- 230000006399 behavior Effects 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000012163 sequencing technique Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 abstract description 25
- 230000000007 visual effect Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 7
- 238000012800 visualization Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种推荐系统任务管理平台、推荐方法及系统，其中，管理平台包括：任务创建模块，用于获取待创建任务的推荐任务信息，并根据推荐任务信息配置算法组件，完成任务的创建；任务管理模块，用于对任务创建模块创建的至少一个任务进行管理，及用于需要执行一任务时，发送任务执行指令至任务执行模块；任务执行模块，用于当接收到任务管理模块发送的任务执行指令时，调用该任务的推荐任务信息及配置的算法组件，对由数据源路径获取的数据进行计算，生成推荐结果并进行展示。其能够满足任务需求的同时实现任务的高度可配置化，且整个创建流程可视化，即使非技术人员也能够快速上手进行任务的创建，简化了创建流程的同时节约人力物力。
Description
技术领域
本发明涉及通信技术领域，尤指一种推荐系统任务管理平台、推荐方法及系统。
背景技术
在信息过载的今天，用户每天都会面临大量的数据，对于用户希望能尽快在海量信息中找到自己感兴趣的部分的难题，推荐算法的出现能够很好的解决。基于推荐算法的推荐系统是一种关联用户和信息的工具，其以用户交互数据为基础，在纷繁的信息中帮助用户筛选信息，为用户提供个性化的业务内容推荐服务，如，商品推荐、新闻资讯推荐、文章推荐等。但是当面临的推荐业务非常多，且需要同时对每个算法进行不间断的维护和优化时，推荐系统需要耗费大量的人力物力且开发效率低。
发明内容
本发明的目的是提供一种推荐系统任务管理平台、推荐方法及系统，有效解决现有推荐系统开发过程繁琐、效率低下、需要耗费大量人力物力等技术问题。
本发明提供的技术方案如下：
一种推荐系统任务管理平台，包括：任务创建模块、任务管理模块及任务执行模块，其中，
所述任务创建模块，用于获取待创建任务的推荐任务信息，并根据所述推荐任务信息配置算法组件，完成任务的创建；所述推荐任务信息包括：数据源路径、算法策略及计算资源参数；
所述任务管理模块，分别与所述任务创建模块和任务执行模块连接，用于对所述任务创建模块创建的至少一个任务进行管理，及用于需要执行一任务时，发送任务执行指令至所述任务执行模块；
所述任务执行模块，用于当接收到所述任务管理模块发送的任务执行指令时，调用该任务的推荐任务信息及配置的算法组件，在设定的计算资源参数下对由数据源路径获取的数据进行计算，生成推荐结果并进行展示。
在本技术方案中，可以于该任务管理平台中根据需求创建任务，且在创建任务的过程中根据推荐任务信息对算法组件进行配置，使其能够满足任务需求的同时实现任务的高度可配置化，且在需要执行某一任务时，直接调用相关信息进行执行即可。在该任务管理平台中，可同时对多个任务进行管理，且整个创建流程可视化，即使非技术人员也能够快速上手进行任务的创建，简化了创建流程的同时节约人力物力。再有，根据不同的任务配置不同的计算资源参数，大大提高了计算资源的利用率。
进一步优选地，所述推荐任务信息中包括至少一条算法策略，每条算法策略中包括至少一个选定算法，每个条算法策略中包括：算法名称、算法运行参数及算法运行顺序；
所述任务创建模块包括：
算法顺序配置单元，用于根据所述算法策略配置各选定算法的执行顺序；
算法组件参数配置单元，用于根据所述算法策略及所述算法顺序配置单元配置的算法执行顺序进一步配置各选定算法对应的算法组件。
在本技术方案中，预先将平台中的算法进行模块化封装，暴露统一的接口和参数格式，以此在创建任务时，获取到算法策略后即可完成对算法组件的配置，大大减少了代码的开发量，尤其是当推荐业务多时，算法的模块化运行能够节约大量的资源。
进一步优选地，所述任务管理模块还用于根据所述推荐任务信息修改、增加和/或删除数据源路径和/或配置的算法组件。
在本技术方案中，可以通过任务管理模块对平台中创建的任务进行管理，提高任务的可配置化程度。
进一步优选地，所述推荐任务信息还包括针对同一任务的不同任务分组及各任务分组的算法策略；
所述任务创建模块还用于根据所述推荐任务信息配置各任务分组对应的算法组件；
所述任务管理模块还用于根据所述推荐任务信息修改、增加和/或删除数据源路径、任务分组和/或配置的算法组件；
所述任务执行模块还用于当接收到所述任务管理模块发送的任务执行指令时，调用该任务的推荐任务信息及配置的算法组件，在设定的计算资源参数下对由数据源路径获取的数据分别进行计算，生成各任务分组的推荐结果并进行展示。
在本技术方案中，可以在可视化界面中针对同一任务进行分组设定，并灵活的控制分组算法策略，在不同的任务分组中采用不同的算法策略，以此对不同的算法策略的推荐效果进行比较，有助于快速选定最优的算法策略。
进一步优选地，所述推荐任务信息还包括针对同一任务的不同任务分组的流量比重；
所述任务执行模块还用于当接收到所述任务管理模块发送的任务执行指令时，调用该任务的推荐任务信息及配置的算法组件，并基于设定的流量比重及计算资源参数对由数据源路径获取的数据分别进行计算，生成各任务分组的推荐结果。
在本技术方案中，针对不同的任务分组设定流量比重，以提高推荐效率。
进一步优选地，所述推荐任务信息还包括任务执行参数，所述任务执行参数包括任务执行时间和任务执行周期；
所述任务管理模块还用于当一任务达到任务执行时间时，发送任务执行指令至所述任务执行模块。
在本技术方案中，各任务根据设定的任务执行参数进行运行，大大提高了平台运行的效率和自动化程度，减少技术人员的工作量，同时可以快速提升推荐项目的上线周期，技术人员可以将精力分配于提升各算法的业务指标，便于更快更好的完成推荐业务。
本发明还提供了一种推荐方法，应用于上述推荐系统任务管理平台中创建的待执行任务，所述推荐方法包括：
监听是否存在待执行任务；
若是，调取该待执行任务的推荐任务信息；
基于所述推荐任务信息中的数据源路径获取离线用户数据；
基于配置的算法组件对所述离线用户数据进行召回生成离线召回数据并进行粗排序生成推荐候选集；
基于用户特征及配置的算法组件对所述推荐候选集进行精排序生成推荐结果并进行展示。
在本技术方案中，当需要执行任务进行推荐时，根据配置的数据源路径获取离线用户数据，进而依次执行配置的算法组件对离线用户数据进行处理生成推荐结果并展示，在同一系统中执行整个推荐过程且能够直观的展示推荐结果，为技术人员提供便利，节约技术人员的开发时间。
进一步优选地，当推荐任务信息中包括针对该待执行任务的不同任务分组及各任务分组的算法策略；
所述基于配置的算法组件对所述离线用户数据进行召回生成离线召回数据并进行粗排序生成推荐候选集包括：
基于配置的不同任务分组的算法组件对所述离线用户数据分别进行召回生成离线召回数据并进行粗排序，得到各任务分组的推荐候选集；
所述基于用户特征及配置的算法组件对所述推荐候选集进行精排序生成推荐结果并进行展示包括：
基于用户特征及配置的不同任务分组的算法组件分别对各自任务分组的推荐候选集进行精排序，生成对应的推荐结果并进行展示。
在本技术方案中，当需要执行任务进行推荐时，根据配置的数据源路径获取离线用户数据，进而依次执行配置的算法组件对离线用户数据进行处理生成不同任务分组对应的推荐结果并展示，便于对不同任务分组的算法策略的推荐效果进行比较，有助于快速选定最优的算法策略。
进一步优选地，在所述监听是否存在待执行任务之前还包括：
获取用户信息及用户行为数据；
对所述用户信息及用户行为数据进行特征工程处理得到用户特征。
在本技术方案中，预先根据用户信息及用户行为数据得到用户特征，便于后续根据用户特征进行推荐，提高推荐的精确度。
本发明还提供了一种推荐系统，包括：
监听模块，用于监听是否存在待执行任务；
信息调取模块，与所述监听模块连接，用于当监听模块监听到存在待执行任务，调取该待执行任务的推荐任务信息；
数据获取模块，与所述任务信息调取模块连接，用于基于所述推荐任务信息中的数据源路径获取离线用户数据；
数据处理模块，分别与所述信息调取模块和数据获取模块连接，用于基于配置的算法组件对所述离线用户数据进行召回生成离线召回数据并进行粗排序生成推荐候选集，及用于基于用户特征及配置的算法组件对所述推荐候选集进行精排序生成推荐结果并进行展示。
在本技术方案中，当需要执行任务进行推荐时，根据配置的数据源路径获取离线用户数据，进而依次执行配置的算法组件对离线用户数据进行处理生成推荐结果并展示，在同一系统中执行整个推荐过程且能够直观的展示推荐结果，为技术人员提供便利，节约技术人员的开发时间。
进一步优选地，当推荐任务信息中包括针对该待执行任务的不同任务分组及各任务分组的算法策略；
所述数据处理模块还用于基于配置的不同任务分组的算法组件对所述离线用户数据分别进行召回生成离线召回数据并进行粗排序，得到各任务分组的推荐候选集；及还用于基于用户特征及配置的不同任务分组的算法组件分别对各自任务分组的推荐候选集进行精排序，生成对应的推荐结果并进行展示。
在本技术方案中，当需要执行任务进行推荐时，根据配置的数据源路径获取离线用户数据，进而依次执行配置的算法组件对离线用户数据进行处理生成不同任务分组对应的推荐结果并展示，便于对不同任务分组的算法策略的推荐效果进行比较，有助于快速选定最优的算法策略。
进一步优选地，所述数据获取模块还用于获取用户信息及用户行为数据；
所述数据处理模块还用于对所述用户信息及用户行为数据进行特征工程处理得到用户特征。
在本技术方案中，预先根据用户信息及用户行为数据得到用户特征，便于后续根据用户特征进行推荐，提高推荐的精确度。
本发明还提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时实现上述推荐方法的步骤。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述推荐方法的步骤。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施例，对上述特性、技术特征、优点及其实现方式予以进一步说明。
图1为本发明中推荐系统任务管理平台一实施例结构示意图；
图2为本发明中推荐方法一实施例流程示意图；
图3为本发明中推荐系统一实施例结构示意图；
图4为本发明中终端设备结构示意图。
附图标号说明：
100-推荐系统任务管理平台，110-任务创建模块，120-任务管理模块，130-任务执行模块，200-推荐系统，210-监听模块，220-信息调取模块，230-数据获取模块，240-数据处理模块，300-智能终端，310-存储器，311-计算机程序，320-处理器。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施例。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，并获得其他的实施例。
本发明的第一实施例，一种推荐系统任务管理平台，如图1所示，该推荐系统任务管理平台100包括：任务创建模块110、任务管理模块120及任务执行模块130，其中，任务管理模块120分别与任务创建模块110和任务执行模块130连接，任务创建模块110用于获取待创建任务的推荐任务信息，并根据推荐任务信息配置算法组件，完成任务的创建；任务管理模块120用于对任务创建模块110创建的至少一个任务进行管理，及用于需要执行一任务时，发送任务执行指令至任务执行模块130；任务执行模块130用于当接收到任务管理模块120发送的任务执行指令时，调用该任务的推荐任务信息及配置的算法组件，在设定的计算资源参数下对由数据源路径获取的数据进行计算，生成推荐结果并进行展示。
在本实施例中，推荐系统任务管理平台100用于根据业务需求创建任务、管理任务及执行任务，使其能够满足任务需求的同时实现任务的高度可配置化，且在需要执行某一任务时，直接调用相关信息进行执行即可，实现在该平台中完成整个推荐过程的目的。
具体来说，在配置任务之前，预先将任务中可能涉及到的算法进行模块化封装，暴露统一的接口和参数格式，以此在创建任务时，技术人员通过该推荐系统任务管理平台100的前端可视化页面直接配置推荐任务信息即可实现任务的创建，这里推荐任务信息为推荐业务的相关信息，包括数据源路径、算法策略、计算资源参数等，其中，数据源路径用于限定任务执行时的数据来源，算法策略用于限定任务执行中涉及的算法的相关信息。由本实施例基于spark计算引擎实现任务的计算，故与此同时需针对不同的任务设定不同的计算资源参数，如线程并发数、executor的数量、每个executor的core的数量、包括executor和driver的memory等参数。应该知道，对于设定的推荐任务信息来说，不同的推荐业务之间存在差异，当针对某一类业务进行针对性推荐时，推荐任务信息中应包括该类型业务的标识信息，如，针对用户进行有针对性的推荐时，推荐任务信息中应包括能够唯一标识用户的信息等。再有，为了便于任务管理模块120对任务的管理，在创建任务时，还应对任务的相关信息进行设定，如项目名称、所属部门、应用场景、项目描述、版本信息、执行环境等。
当技术人员于前端可视化页面中完成了推荐任务信息的配置之后，任务创建模块110随即根据接收到的推荐任务信息配置相应的算法组件，待任务执行时调用，且之后将推荐任务信息于数据库中存储，如存储于mysql表中，完成任务的创建。之后，当任务管理模块120判断需要执行某一任务时，则发送任务执行指令触发任务执行模块130调用该任务的推荐任务信息及配置的算法组件，在设定的计算资源参数下对由数据源路径获取的数据进行计算，生成推荐结果并进行展示，且展示的信息中附带当前任务的分组和场景信息，便于计算不同分组的业务指标。整个过程中，自动化运行配置的算法组件，大大提高了平台运行的效率和自动化程度，减少技术人员的工作量的同时可以快速提升推荐项目的上线周期。
在本实例中，推荐系统任务管理平台100可以同时管理多个任务，对应不同或者相同的推荐业务。在任务创建的过程中，根据推荐系统200任务管理平台100对推荐业务相关的任务进行创建即可，此外，任务管理模块120还用于根据推荐任务信息修改、增加和/或删除数据源路径和/或配置的算法组件。当然，任务管理模块120还用于修改、增加和/或删除技术人员配置的其他信息，如任务id、任务名称、任务场景、任务创建人等。
对上述第一实施例进行改进得到第二实施例，在本实施例中，推荐任务信息中包括至少一条算法策略，每条算法策略中包括至少一个选定算法，每个条算法策略中包括：算法名称(每个算法唯一对应)、算法运行参数及算法运行顺序；任务创建模块110包括：算法顺序配置单元，用于根据算法策略配置各选定算法的执行顺序；算法组件参数配置单元，用于根据算法策略及算法顺序配置单元配置的算法执行顺序进一步配置各选定算法对应的算法组件。
在本实施例中，于推荐系统任务管理平台100的前端可视化页面配置推荐任务信息时，在算法策略编辑页面中选定了算法之后，依次设定算法运行参数和算法运行顺序，以此任务创建模块110基于该推荐任务信息对算法组件进行配置。另外要说明的是，在该推荐系统任务管理平台100中，还针对每个算法及常用的算法组合(可形成算法策略)添加了算法的可解释性，包括算法描述及算法名称。如在一实例中，在算法策略编辑页面中选定依次执行CF算法、ALS算法及LR算法的算法组合，则技术人员根据功能将该算法组合的名称命名为“协同过滤”，算法描述为“综合全部用户的历史行为数据，找到兴趣相投、拥有共同经验的群体的喜好来给用户推荐有价值的物品”。以此，在此后的任务创建过程中，当其他技术人员选定了该算法组合，即能看到针对该算法组合的算法名称和算法描述，即便是非技术人员也能够快速上手进行推荐业务相关任务的创建。当然，在后续的任务创建过程中，若有需求还能为不同算法或算法组合的算法名称和算法描述进行修正或添加。应当知道，在本实例中，在配置推荐任务信息中的算法参数时，为实现一功能配置至少一个算法，当配置多个算法时，则分别为每个算法配置算法运行参数和算法运行顺序，形成一算法策略，且对于形成的算法策略，存储在平台中之后，在创建其他任务时，可以直接调用，重复使用。
分别对上述第一实施例和第二实施例进行改进得到第三实施例和第四实施例，在该两个实施例中，推荐任务信息还包括针对同一任务的不同任务分组及各任务分组的算法策略；以此，任务创建模块110还用于根据推荐任务信息配置各任务分组对应的算法组件；任务管理模块120还用于根据推荐任务信息修改、增加和/或删除数据源路径、任务分组和/或配置的算法组件；任务执行模块130还用于当接收到任务管理模块120发送的任务执行指令时，调用该任务的推荐任务信息及配置的算法组件，在设定的计算资源参数下对由数据源路径获取的数据分别进行计算，生成各任务分组的推荐结果并进行展示。
在本实施例中，技术人员通过该推荐系统任务管理平台100的前端可视化页面直接配置推荐任务信息实现任务的创建，且针对同一任务可配置不同的任务分组，并分别为每个任务分组配置算法策略，即针对同一任务采用不同的算法策略对同一来源的数据进行处理，并分别输出推荐结果，以此对不同的算法策略的推荐效果进行比较，从而帮助快速选定最优的算法策略。对于不同分组任务的执行顺序，可以根据实际情况进行选定，如采用串行的方式依次执行；当两个分组任务对应算法策略中的算法之间相互独立，也可以采用并行的方式执行。
这里针对同一任务的任务分组数量根据实际推荐业务需求进行设定。在一实例中，针对一任务设定两个分组任务，分别为AB测试分组，并为每个分组任务设定一算法策略，以此，在运行该任务时，根据推荐结果比较两种算法策略的优劣，从中进行选择效果较好的算法策略。应当知道，在一次AB测试并选定了较佳算法策略后，可以进一步添加新的算法策略，与该选定的算法策略进一步进行AB测试，如此往复，直到选定最合适的算法策略上线全量发布。
在另一实施例中，于推荐系统任务管理平台100的前端可视化页面配置推荐任务信息时，针对一任务设定了不同的任务分组后，为每个任务分组设定算法策略时，在算法策略编辑页面中选定了算法之后，依次设定算法运行参数和算法运行顺序，以此任务创建模块110基于该推荐任务信息对相应任务分组的算法组件进行配置，直到各任务分组的算法组件均配置完成。
为了合理分配计算资源，分别对上述第三实施例和第四实施例进行改进得到本实施例，在本实施例中，推荐任务信息还包括针对同一任务的不同任务分组的流量比重。以此，任务执行模块130还用于当接收到任务管理模块120发送的任务执行指令时，调用该任务的推荐任务信息及配置的算法组件，并基于设定的流量比重及计算资源参数对由数据源路径获取的数据分别进行计算，生成各任务分组的推荐结果。
在本实施例中，当针对一任务配置有多个任务分组，则针对不同的任务分组设定流量比重，以提高资源的利用率。如，若针对一任务设定两个分组任务分别为AB测试分组，并为每个分组任务设定一算法策略和流量比重，假定A测试分组的流量比重为0.6，B测试分组的流量比重为0.4，则在运行该任务时，基于设定的流量比重及计算资源参数对由数据源路径获取的数据分别进行计算，并根据推荐结果比较两种算法策略的优劣，从中进行选择效果较好的算法策略。这里，流量比重的设定由技术人员创建任务时根据不同任务分组中的算法策略进行确定，当根据经验预先判定某一算法策略需要跟多流量，则将其对应的流量比重设定的大一些。
对上述各实施例进行改进得到本实施例，在本实施例中，推荐任务信息还包括任务执行参数，任务执行参数包括任务执行时间和任务执行周期。以此，任务管理模块120还用于当一任务达到任务执行时间时，发送任务执行指令至任务执行模块130。
在本实施例中，技术人员在通过该推荐系统任务管理平台100的前端可视化页面配置推荐任务信息时，同时会配置任务执行参数，又称调度信息，以此任务管理模块120根据该任务执行参数对是否执行该任务进行管理，从而提高平台运行的效率和自动化程度。在实际应用中，任务执行参数除了包括任务执行时间和任务执行周期之外，还可以包括生效区间、调度状态等。
本发明还提供了一种推荐方法，应用于上述推荐系统任务管理平台中创建的待执行任务，在一实施例中，如图2所示，该推荐方法包括：S10监听是否存在待执行任务；S20若是，调取该待执行任务的推荐任务信息；S30基于推荐任务信息中的数据源路径获取离线用户数据；S40基于配置的算法组件对离线用户数据进行召回生成离线召回数据并进行粗排序生成推荐候选集；S50基于用户特征及配置的算法组件对推荐候选集进行精排序生成推荐结果并进行展示。
在本实施例中，在创建任务时，技术人员通过该推荐系统任务管理平台的前端可视化页面直接配置推荐任务信息即可实现任务的创建，这里推荐任务信息为推荐业务的相关信息，包括数据源路径、算法策略、计算资源参数等，其中，数据源路径用于限定任务执行时的数据来源，算法策略用于限定任务执行中涉及的算法的相关信息。由本实施例基于spark计算引擎实现任务的计算，故与此同时需针对不同的任务设定不同的计算资源参数，如线程并发数、executor的数量、每个executor的core的数量、包括executor和driver的memory等参数。应该知道，对于设定的推荐任务信息来说，不同的推荐业务之间存在差异，当针对某一类业务进行针对性推荐时，推荐任务信息中应包括该类型业务的标识信息，如，针对用户进行有针对性的推荐时，推荐任务信息中应包括能够唯一标识用户的信息等。
当需要执行任务进行推荐时，根据配置的数据源路径获取离线用户数据，进而依次执行配置的算法组件对离线用户数据进行处理生成推荐结果并展示，在同一系统中执行整个推荐过程且能够直观的展示推荐结果，为技术人员提供便利，节约技术人员的开发时间。这里任务的执行可由技术人员手动触发，也可由预先设定的任务执行参数进行设定，定期对设定的任务进行执行，便于得到更加的算法策略。
为了得到更好的推荐结果，配置算法组件定期读取用户的行为数据进行离线召回，生成推荐候选集并进行粗排序，将粗排分数较低的候选集滤除。之后，基于用户特征(包括物品特征)进一步进行精排序，并将精排序的结果返回至业务端，由业务端的技术人员自行组合返回给前端进行展示，且展示的信息中附带当前任务的分组和场景信息，便于计算不同分组的业务指标。
对上述实施例进行改进得到本实施例，在本实施例中，推荐任务信息中包括针对该待执行任务的不同任务分组及各任务分组的算法策略，则推荐算法中包括：S10监听是否存在待执行任务；S20若是，调取该待执行任务的推荐任务信息；S30基于推荐任务信息中的数据源路径获取离线用户数据；S40基于配置的不同任务分组的算法组件对离线用户数据分别进行召回生成离线召回数据并进行粗排序，得到各任务分组的推荐候选集；S50基于用户特征及配置的不同任务分组的算法组件分别对各自任务分组的推荐候选集进行精排序，生成对应的推荐结果并进行展示。
在本实施例中，当同一任务中包括多个任务分组时，则根据配置的数据源路径获取离线用户数据后，依次根据不同任务分组中配置的算法组件对离线用户数据进行处理生成推荐结果并展示。这里任务的执行可由技术人员手动触发，也可由预先设定的任务执行参数进行设定，定期对设定的任务进行执行，便于得到更加的算法策略。对于不同分组任务的执行顺序，可以根据实际情况进行选定，如采用串行的方式依次执行；当两个分组任务对应算法策略中的算法之间相互独立，也可以采用并行的方式执行。
在一实例中，针对一任务设定两个分组任务，分别为AB测试分组，并为每个分组任务设定一算法策略，以此，在运行该任务时，根据推荐结果比较两种算法策略的优劣，从中进行选择效果较好的算法策略。在执行过程中，定期读取用户的行为数据进行离线召回，生成推荐候选集并进行粗排序，将粗排分数较低的候选集滤除。之后，基于用户特征(包括物品特征)进一步进行精排序，并将精排序的结果返回至业务端，由业务端的技术人员自行组合返回给前端进行展示，且展示的信息中附带当前任务的分组和场景信息，便于计算不同分组的业务指标。
对上述实施例进行改进得到本实施例，在执行任务之前还包括：S01获取用户信息及用户行为数据；S02对用户信息及用户行为数据进行特征工程处理得到用户特征。
在本实例中，在执行任务之前，根据用户由用户端上报的用户信息及用户行为数据进行处理得到用户特征，便于后续进行精排序时直接调用。在一实例中，用户端上报用户信息以及用户行为数据到消息队列kafka中，hadoop分布式文件管理系统hdfs从kafka中拉取上述的数据并存储，并通过对用户的行为数据进行分析得到各种业务指标并进行可视化，同时对用户和物品信息进行特征工程处理并存放于hbase和redis中，便于精排序时直接调用。
本发明还提供了一种推荐系统，如图3所示，在一实例中，该推荐系统200中包括：监听模块210，用于监听是否存在待执行任务；信息调取模块220，与监听模块210连接，用于当监听模块210监听到存在待执行任务，调取该待执行任务的推荐任务信息；数据获取模块230，与任务信息调取模块220连接，用于基于推荐任务信息中的数据源路径获取离线用户数据；数据处理模块240，分别与信息调取模块220和数据获取模块230连接，用于基于配置的算法组件对离线用户数据进行召回生成离线召回数据并进行粗排序生成推荐候选集，及用于基于用户特征及配置的算法组件对推荐候选集进行精排序生成推荐结果并进行展示。
在本实施例中，在创建任务时，技术人员通过该推荐系统任务管理平台的前端可视化页面直接配置推荐任务信息即可实现任务的创建，这里推荐任务信息为推荐业务的相关信息，包括数据源路径、算法策略、计算资源参数等，其中，数据源路径用于限定任务执行时的数据来源，算法策略用于限定任务执行中涉及的算法的相关信息。由本实施例基于spark计算引擎实现任务的计算，故与此同时需针对不同的任务设定不同的计算资源参数，如线程并发数、executor的数量、每个executor的core的数量、包括executor和driver的memory等参数。应该知道，对于设定的推荐任务信息来说，不同的推荐业务之间存在差异，当针对某一类业务进行针对性推荐时，推荐任务信息中应包括该类型业务的标识信息，如，针对用户进行有针对性的推荐时，推荐任务信息中应包括能够唯一标识用户的信息等。
当监听模块210监听到需要执行任务进行推荐时，随即信息调取模块220随即调取该待执行任务的推荐任务信息(由数据库中调取)；之后数据获取模块230根据配置的数据源路径获取离线用户数据，进而数据处理模块240依次执行配置的算法组件对离线用户数据进行处理生成推荐结果并展示，在同一系统中执行整个推荐过程且能够直观的展示推荐结果，为技术人员提供便利，节约技术人员的开发时间。这里任务的执行可由技术人员手动触发，也可由预先设定的任务执行参数进行设定，定期对设定的任务进行执行，便于得到更加的算法策略。
为了得到更好的推荐结果，配置数据获取模块230定期读取用户的行为数据进行离线召回，生成推荐候选集并进行粗排序，将粗排分数较低的候选集滤除。之后，基于用户特征(包括物品特征)进一步进行精排序，并将精排序的结果返回至业务端，由业务端的技术人员自行组合返回给前端进行展示，且展示的信息中附带当前任务的分组和场景信息，便于计算不同分组的业务指标。
对上述实施例进行改进得到本实施例，在本实施例中，推荐任务信息中包括针对该待执行任务的不同任务分组及各任务分组的算法策略；数据处理模块240还用于基于配置的不同任务分组的算法组件对离线用户数据分别进行召回生成离线召回数据并进行粗排序，得到各任务分组的推荐候选集；及还用于基于用户特征及配置的不同任务分组的算法组件分别对各自任务分组的推荐候选集进行精排序，生成对应的推荐结果并进行展示。
在本实施例中，当同一任务中包括多个任务分组时，则数据获取模块230根据配置的数据源路径获取离线用户数据后，数据处理模块240依次根据不同任务分组中配置的算法组件对离线用户数据进行处理生成推荐结果并展示。这里任务的执行可由技术人员手动触发，也可由预先设定的任务执行参数进行设定，定期对设定的任务进行执行，便于得到更加的算法策略。对于不同分组任务的执行顺序，可以根据实际情况进行选定，如采用串行的方式依次执行；当两个分组任务对应算法策略中的算法之间相互独立，也可以采用并行的方式执行。
在一实例中，针对一任务设定两个分组任务，分别为AB测试分组，并为每个分组任务设定一算法策略，以此，在运行该任务时，根据推荐结果比较两种算法策略的优劣，从中进行选择效果较好的算法策略。在执行过程中，定期读取用户的行为数据进行离线召回，生成推荐候选集并进行粗排序，将粗排分数较低的候选集滤除。之后，基于用户特征(包括物品特征)进一步进行精排序，并将精排序的结果返回至业务端，由业务端的技术人员自行组合返回给前端进行展示，且展示的信息中附带当前任务的分组和场景信息，便于计算不同分组的业务指标。
对上述实施例进行改进得到本实施例，在本实施例中，进一步优选地，数据获取模块230还用于获取用户信息及用户行为数据；数据处理模块240还用于对用户信息及用户行为数据进行特征工程处理得到用户特征。
在本实例中，在执行任务之前，根据用户由用户端上报的用户信息及用户行为数据进行处理得到用户特征，便于后续进行精排序时直接调用。在一实例中，用户端上报用户信息以及用户行为数据到消息队列kafka中，hadoop分布式文件管理系统hdfs从kafka中拉取上述的数据并存储，并通过对用户的行为数据进行分析得到各种业务指标并进行可视化，同时对用户和物品信息进行特征工程处理并存放于hbase和redis中，便于精排序时直接调用。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序单元或模块，以完成以上描述的全部或者部分功能。实施例中的各程序模块可以集成在一个处理单元中，也可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，也可以采用软件程序单元的形式实现。另外，各程序模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。
图4是本发明一个实施例中提供的终端设备的结构示意图，如所示，该终端设备300包括：处理器320、存储器310以及存储在存储器310中并可在处理器320上运行的计算机程序311，例如：推荐程序。处理器320执行计算机程序311时实现上述各个推荐方法实施例中的步骤，或者，处理器320执行计算机程序311时实现上述各推荐系统实施例中各模块的功能。
终端设备300可以为笔记本、掌上电脑、平板型计算机、手机等设备。终端设备300可包括，但不仅限于处理器320、存储器310。本领域技术人员可以理解，图4仅仅是终端设备300的示例，并不构成对终端设备300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，或者不同的部件，例如：终端设备300还可以包括输入输出设备、显示设备、网络接入设备、总线等。
处理器320可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器320可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器310可以是终端设备300的内部存储单元，例如：终端设备300的硬盘或内存。存储器310也可以是终端设备300的外部存储设备，例如：终端设备300上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器310还可以既包括终端设备300的内部存储单元也包括外部存储设备。存储器310用于存储计算机程序311以及终端设备300所需要的其他程序和数据。存储器310还可以用于暂时地存储已经输出或者将要输出的数据。
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细描述或记载的部分，可以参见其他实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件来执行，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来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。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其他的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性、机械或其他的形式。
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能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。
集成的模块/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存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序311发送指令给相关的硬件完成，的计算机程序311可存储于一计算机可读存储介质中，该计算机程序311在被处理器320执行时，可实现上述各个方法实施例的步骤。其中，计算机程序311包括：计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质可以包括：能够携带计算机程序311代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如：在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施例，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (14)
1.一种推荐系统任务管理平台，其特征在于，包括：任务创建模块、任务管理模块及任务执行模块，其中，
所述任务创建模块，用于获取待创建任务的推荐任务信息，并根据所述推荐任务信息配置算法组件，完成任务的创建；所述推荐任务信息包括：数据源路径、算法策略及计算资源参数；
所述任务管理模块，分别与所述任务创建模块和任务执行模块连接，用于对所述任务创建模块创建的至少一个任务进行管理，及用于需要执行一任务时，发送任务执行指令至所述任务执行模块；
所述任务执行模块，用于当接收到所述任务管理模块发送的任务执行指令时，调用该任务的推荐任务信息及配置的算法组件，在设定的计算资源参数下对由数据源路径获取的数据进行计算，生成推荐结果并进行展示。
2.如权利要求1所述的推荐系统任务管理平台，其特征在于，
所述推荐任务信息中包括至少一条算法策略，每条算法策略中包括至少一个选定算法，每个条算法策略中包括：算法名称、算法运行参数及算法运行顺序；
所述任务创建模块包括：
算法顺序配置单元，用于根据所述算法策略配置各选定算法的执行顺序；
算法组件参数配置单元，用于根据所述算法策略及所述算法顺序配置单元配置的算法执行顺序进一步配置各选定算法对应的算法组件。
3.如权利要求1所述的推荐系统任务管理平台，其特征在于，所述任务管理模块还用于根据所述推荐任务信息修改、增加和/或删除数据源路径和/或配置的算法组件。
4.如权利要求1或2或3所述的推荐系统任务管理平台，其特征在于，
所述推荐任务信息还包括针对同一任务的不同任务分组及各任务分组的算法策略；
所述任务创建模块还用于根据所述推荐任务信息配置各任务分组对应的算法组件；
所述任务管理模块还用于根据所述推荐任务信息修改、增加和/或删除数据源路径、任务分组和/或配置的算法组件；
所述任务执行模块还用于当接收到所述任务管理模块发送的任务执行指令时，调用该任务的推荐任务信息及配置的算法组件，在设定的计算资源参数下对由数据源路径获取的数据分别进行计算，生成各任务分组的推荐结果并进行展示。
5.如权利要求4所述的推荐系统任务管理平台，其特征在于，
所述推荐任务信息还包括针对同一任务的不同任务分组的流量比重；
所述任务执行模块还用于当接收到所述任务管理模块发送的任务执行指令时，调用该任务的推荐任务信息及配置的算法组件，并基于设定的流量比重及计算资源参数对由数据源路径获取的数据分别进行计算，生成各任务分组的推荐结果。
6.如权利要求1或2或3或5所述的推荐系统任务管理平台，其特征在于，
所述推荐任务信息还包括任务执行参数，所述任务执行参数包括任务执行时间和任务执行周期；
所述任务管理模块还用于当一任务达到任务执行时间时，发送任务执行指令至所述任务执行模块。
7.一种推荐方法，其特征在于，应用于权利要求1-6任意一项所述的推荐系统任务管理平台中创建的待执行任务，所述推荐方法包括：
监听是否存在待执行任务；
若是，调取该待执行任务的推荐任务信息；
基于所述推荐任务信息中的数据源路径获取离线用户数据；
基于配置的算法组件对所述离线用户数据进行召回生成离线召回数据并进行粗排序生成推荐候选集；
基于用户特征及配置的算法组件对所述推荐候选集进行精排序生成推荐结果并进行展示。
8.如权利要求7所述的推荐方法，其特征在于，
当推荐任务信息中包括针对该待执行任务的不同任务分组及各任务分组的算法策略；
所述基于配置的算法组件对所述离线用户数据进行召回生成离线召回数据并进行粗排序生成推荐候选集包括：
基于配置的不同任务分组的算法组件对所述离线用户数据分别进行召回生成离线召回数据并进行粗排序，得到各任务分组的推荐候选集；
所述基于用户特征及配置的算法组件对所述推荐候选集进行精排序生成推荐结果并进行展示包括：
基于用户特征及配置的不同任务分组的算法组件分别对各自任务分组的推荐候选集进行精排序，生成对应的推荐结果并进行展示。
9.如权利要求7或8所述的推荐方法，其特征在于，在所述监听是否存在待执行任务之前还包括：
获取用户信息及用户行为数据；
对所述用户信息及用户行为数据进行特征工程处理得到用户特征。
10.一种推荐系统，其特征在于，包括：
监听模块，用于监听是否存在待执行任务；
信息调取模块，与所述监听模块连接，用于当监听模块监听到存在待执行任务，调取该待执行任务的推荐任务信息；
数据获取模块，与所述任务信息调取模块连接，用于基于所述推荐任务信息中的数据源路径获取离线用户数据；
数据处理模块，分别与所述信息调取模块和数据获取模块连接，用于基于配置的算法组件对所述离线用户数据进行召回生成离线召回数据并进行粗排序生成推荐候选集，及用于基于用户特征及配置的算法组件对所述推荐候选集进行精排序生成推荐结果并进行展示。
11.如权利要求10所述的推荐系统，其特征在于，当推荐任务信息中包括针对该待执行任务的不同任务分组及各任务分组的算法策略；
所述数据处理模块还用于基于配置的不同任务分组的算法组件对所述离线用户数据分别进行召回生成离线召回数据并进行粗排序，得到各任务分组的推荐候选集；及还用于基于用户特征及配置的不同任务分组的算法组件分别对各自任务分组的推荐候选集进行精排序，生成对应的推荐结果并进行展示。
12.如权利要求10或11所述的推荐系统，其特征在于，
所述数据获取模块还用于获取用户信息及用户行为数据；
所述数据处理模块还用于对所述用户信息及用户行为数据进行特征工程处理得到用户特征。
13.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时实现如权利要求7-9中任一项所述推荐方法的步骤。
14.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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7-9中任一项所述推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010139984.7A CN111339422A (zh) | 2020-03-03 | 2020-03-03 | 推荐系统任务管理平台、推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010139984.7A CN111339422A (zh) | 2020-03-03 | 2020-03-03 | 推荐系统任务管理平台、推荐方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111339422A true CN111339422A (zh) | 2020-06-26 |
Family
ID=71182077
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010139984.7A Pending CN111339422A (zh) | 2020-03-03 | 2020-03-03 | 推荐系统任务管理平台、推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111339422A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112799804A (zh) * | 2021-01-15 | 2021-05-14 | 北京明略软件系统有限公司 | 一种任务管理方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102208086A (zh) * | 2010-03-31 | 2011-10-05 | 北京邮电大学 | 面向领域的个性化智能推荐系统及实现方法 |
| US20150058336A1 (en) * | 2013-08-26 | 2015-02-26 | Knewton, Inc. | Personalized content recommendations |
| CN104487970A (zh) * | 2012-07-26 | 2015-04-01 | 微软公司 | 基于推送的推荐 |
| CN104699693A (zh) * | 2013-12-05 | 2015-06-10 | 中国移动通信集团广东有限公司 | 一种信息处理方法及装置 |
| CN107392512A (zh) * | 2016-11-25 | 2017-11-24 | 北京小度信息科技有限公司 | 任务分组方法和装置 |
| CN107609047A (zh) * | 2017-08-18 | 2018-01-19 | 广东小天才科技有限公司 | 应用推荐方法、装置、移动设备及存储介质 |
| US20180349514A1 (en) * | 2017-06-05 | 2018-12-06 | International Business Machines Corporation | Domain-oriented predictive model feature recommendation system |
| US20190073708A1 (en) * | 2017-09-01 | 2019-03-07 | Walmart Apollo, Llc | Systems and methods for estimating personal replenishment cycles |
| CN110704749A (zh) * | 2019-10-16 | 2020-01-17 | 网易（杭州）网络有限公司 | 推荐引擎定制系统、推荐方法及推荐系统、电子设备 |
| CN110781341A (zh) * | 2019-10-09 | 2020-02-11 | 上海麦克风文化传媒有限公司 | 一种融合多策略召回数据集的音频专辑推荐方法及系统 |
-
2020
- 2020-03-03 CN CN202010139984.7A patent/CN111339422A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102208086A (zh) * | 2010-03-31 | 2011-10-05 | 北京邮电大学 | 面向领域的个性化智能推荐系统及实现方法 |
| CN104487970A (zh) * | 2012-07-26 | 2015-04-01 | 微软公司 | 基于推送的推荐 |
| US20150058336A1 (en) * | 2013-08-26 | 2015-02-26 | Knewton, Inc. | Personalized content recommendations |
| CN104699693A (zh) * | 2013-12-05 | 2015-06-10 | 中国移动通信集团广东有限公司 | 一种信息处理方法及装置 |
| CN107392512A (zh) * | 2016-11-25 | 2017-11-24 | 北京小度信息科技有限公司 | 任务分组方法和装置 |
| US20180349514A1 (en) * | 2017-06-05 | 2018-12-06 | International Business Machines Corporation | Domain-oriented predictive model feature recommendation system |
| CN107609047A (zh) * | 2017-08-18 | 2018-01-19 | 广东小天才科技有限公司 | 应用推荐方法、装置、移动设备及存储介质 |
| US20190073708A1 (en) * | 2017-09-01 | 2019-03-07 | Walmart Apollo, Llc | Systems and methods for estimating personal replenishment cycles |
| CN110781341A (zh) * | 2019-10-09 | 2020-02-11 | 上海麦克风文化传媒有限公司 | 一种融合多策略召回数据集的音频专辑推荐方法及系统 |
| CN110704749A (zh) * | 2019-10-16 | 2020-01-17 | 网易（杭州）网络有限公司 | 推荐引擎定制系统、推荐方法及推荐系统、电子设备 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112799804A (zh) * | 2021-01-15 | 2021-05-14 | 北京明略软件系统有限公司 | 一种任务管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108365967B (zh) | 动态配置通讯参数的方法、系统、终端及计算机可读存储介质 | |
| CN108287668B (zh) | 设备数据的处理方法及装置、计算机装置及可读存储介质 | |
| CN111858055B (zh) | 任务处理方法、服务器及存储介质 | |
| CN107689968B (zh) | 任务的处理系统、方法及装置 | |
| CN111209309A (zh) | 数据流图处理结果确定方法、装置、设备及存储介质 | |
| CN111784318A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN110928681A (zh) | 数据的处理方法和装置、存储介质及电子装置 | |
| CN115392501A (zh) | 数据采集方法、装置、电子设备及存储介质 | |
| CN115794382A (zh) | 数据处理方法、装置及非易失性存储介质 | |
| CN110968592A (zh) | 元数据采集方法、装置、计算机设备及计算机可读存储介质 | |
| CN109240893B (zh) | 应用运行状态查询方法及终端设备 | |
| CN111339422A (zh) | 推荐系统任务管理平台、推荐方法及系统 | |
| CN113434742A (zh) | 账号的筛选方法和装置、存储介质及电子装置 | |
| CN111376255B (zh) | 机器人数据采集方法、装置及终端设备 | |
| CN112667631A (zh) | 业务字段自动编辑方法、装置、设备及存储介质 | |
| CN110188258B (zh) | 使用爬虫获取外部数据的方法及装置 | |
| CN109558403B (zh) | 数据聚合方法及装置、计算机装置及计算机可读存储介质 | |
| CN112860700B (zh) | 数据表的生成方法及装置、存储介质及电子装置 | |
| CN111083567A (zh) | 直播客户端首页配置系统、存储介质、电子设备及方法 | |
| CN114564249A (zh) | 推荐调度引擎、推荐调度方法及计算机可读存储介质 | |
| CN114003329A (zh) | 数据展示组件的创建方法、装置、存储介质和电子装置 | |
| CN114048225A (zh) | 数据监控方法、装置及计算机设备 | |
| CN112764992A (zh) | 线程池的监控方法、装置及设备 | |
| CN113268324A (zh) | 一种任务调度方法及装置、存储介质、计算机设备 | |
| CN113326237A (zh) | 日志数据的加工方法、装置、终端设备以及存储介质 |
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 |
Application publication date: 20200626 |