CN111400594B - 一种信息向量确定方法、装置、设备及存储介质 - Google Patents
一种信息向量确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111400594B CN111400594B CN202010175153.5A CN202010175153A CN111400594B CN 111400594 B CN111400594 B CN 111400594B CN 202010175153 A CN202010175153 A CN 202010175153A CN 111400594 B CN111400594 B CN 111400594B
- Authority
- CN
- China
- Prior art keywords
- sample user
- vector
- loss function
- user
- 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
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种信息向量确定方法、装置、设备及存储介质。其中,该方法包括:从数据库中获取正样本用户的特征和负样本用户的特征,其中,正样本用户为访问数据库中新信息的用户,负样本为未访问数据库中新信息的用户;根据正样本用户的特征和负样本用户的特征获取正样本用户的特征向量和负样本用户的特征向量,并根据正样本用户的特征向量、负样本用户的特征向量以及新信息的向量构造第一损失函数,对第一损失函数进行处理,得到最小化的第一损失函数,根据最小化的第一损失函数确定新信息的向量。这样可以结合网站中正样本用户的特征和负样本用户的特征,全面地确定新信息的向量,提高获取新信息向量的准确度。
Description
技术领域
本发明实施例涉及数据处理技术,尤其涉及一种信息向量确定方法、装置、设备及存储介质。
背景技术
在信息推荐领域,通常利用模型将用户的特征和网络上各类信息的特征转化为向量,通过计算用户向量与信息向量之间的相似度,衡量用户与该信息之间的相关程度,从而将相关程度较高的信息推荐给用户。但是对于网络上新出现的信息,由于模型并未获取该信息的特征,无法得到该信息的向量。
现有技术的解决方法通常是将网络上新出现的信息分发给一部分用户,对点击该信息的用户的向量取平均值,将向量平均值作为该新信息的向量。但这种获取新信息向量的实现方式的准确度不高。
发明内容
本发明提供一种信息向量确定方法、装置、设备及存储介质,能够全面地确定新信息的向量,提高获取新信息向量的准确度。
第一方面,本发明实施例提供了一种信息向量确定方法,该方法包括:
从数据库中获取正样本用户的特征和负样本用户的特征,正样本用户为访问数据库中新信息的用户,负样本为未访问数据库中新信息的用户;
根据正样本用户的特征和负样本用户的特征获取正样本用户的特征向量和负样本用户的特征向量;
根据正样本用户的特征向量、负样本用户的特征向量以及新信息的向量构造第一损失函数;
对第一损失函数进行处理,得到最小化的第一损失函数;
根据最小化的第一损失函数确定新信息的向量。
第二方面,本发明实施例还提供了一种信息向量确定装置,该装置包括:
获取模块,用于从数据库中获取正样本用户的特征和负样本用户的特征,正样本用户为访问数据库中新信息的用户,负样本为未访问数据库中新信息的用户;
获取模块,还用于根据正样本用户的特征和负样本用户的特征获取正样本用户的特征向量和负样本用户的特征向量;
构造模块,用于根据正样本用户的特征向量、负样本用户的特征向量以及新信息的向量构造第一损失函数;
处理模块,用于对第一损失函数进行处理,得到最小化的第一损失函数;
确定模块,用于根据最小化的第一损失函数确定新信息的向量。
第三方面,本发明实施例还提供了一种设备,该设备包括:
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,当处理器执行计算机程序时,实现如本发明第一方面提供的信息向量确定方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,当该计算机程序被处理器执行时,实现如本发明第一方面提供的信息向量确定方法。
本发明实施例提供了一种信息向量确定方法、装置、设备及存储介质,具体为从数据库中获取正样本用户的特征和负样本用户的特征,其中,正样本用户为访问数据库中新信息的用户,负样本为未访问数据库中新信息的用户;根据正样本用户的特征和负样本用户的特征获取正样本用户的特征向量和负样本用户的特征向量,并根据正样本用户的特征向量、负样本用户的特征向量以及新信息的向量构造第一损失函数,对第一损失函数进行处理,得到最小化的第一损失函数,根据最小化的第一损失函数确定新信息的向量。这样可以结合网站中正样本用户的特征和负样本用户的特征,全面地确定新信息的向量,提高获取新信息向量的准确度。
附图说明
图1是本发明实施例中的信息向量确定方法流程图;
图2是本发明实施例中的信息向量确定装置结构示意图;
图3是本发明实施例中的设备结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
另外,在本发明实施例中,“可选地”或者“示例性地”等词用于表示作例子、例证或说明。本发明实施例中被描述为“可选地”或者“示例性地”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“可选地”或者“示例性地”等词旨在以具体方式呈现相关概念。
图1为本发明实施例提供的一种信息向量确定方法,如图1所示,该方法具体包括:
S101、从数据库中获取正样本用户的特征和负样本用户的特征。
在本步骤中,上述数据库可以为各个网络平台的数据库,例如,音乐网站的数据库、电影网站的数据库、论文网站的数据库、新闻网站的数据库等等。正样本用户为访问数据库中新信息的用户,负样本为未访问数据库中新信息的用户,该新信息可以为网站最新上线的内容,例如,新电影、新专辑等。正样本用户的特征和负样本用户的特征可以为对应用户的兴趣、性别、年龄等特征。
例如,某音乐网站最新上线了一个专辑,网站将该最新专辑随机推送给若干个(例如,10000个)该网站的用户,其中有的用户点击、访问了该最新专辑,那么这类用户即为正样本用户,而有的用户忽略了网站推送的这一最新专辑,并未点击、访问该专辑,则这类用户即为负样本用户。由于网站的数据库中可以保存用户的注册信息,例如,年龄、性别、兴趣等,也可以保存用户的访问记录。因此,可以基于数据库获取正样本用户的特征和负样本用户的特征。
S102、根据正样本用户的特征和负样本用户的特征获取正样本用户的特征向量和负样本用户的特征向量。
示例性地,可以将正样本用户的特征和负样本用户的特征作为输入数据,输入第一网络模型中,其中,该第一网络模型包括有将用户和信息转化为向量的网络结构。
可选地,该第一网络模型可以为现有技术中的Youtube DNN模型或双塔模型。
进而,根据第一网络模型生成正样本用户的特征向量和负样本用户的特征向量。
S103、根据正样本用户的特征向量、负样本用户的特征向量以及新信息的向量构造第一损失函数。
通过步骤S101和S102获取到正样本用户的特征向量和负样本用户的特征向量,进一步地,假设新信息的向量为A,那么基于这三个参数可以构造第一损失函数。
示例性地,第一损失函数为L,其表达式为
其中,M为正样本用户的特征向量的个数,N为负样本用户的特征向量的个数,Ui为第i个正样本用户的特征向量,Uj为第j个负样本用户的特征向量,A为新信息的向量。
公式(1)中的cos(Ui,A)表示正样本用户中第i个用户与新信息之间的相关性,该相关性取值范围为-1~1,1-cos(Ui,A)表示第i个用户与新信息之间的距离值,对于正样本用户而言,该距离值越小越好。同样地,公式(1)中的cos(Uj,A)表示负样本用户中第j个用户与新信息之间的相关性,1-cos(Uj,A)表示第j个用户与新信息之间的距离值,对于负样本用户而言,该距离值则是越大越好。
S104、对第一损失函数进行处理,得到最小化的第一损失函数。
在本实施例中,可以通过最小化方法对上述第一损失函数进行处理,以得到最小化的第一损失函数。
示例性地,可以通过梯度下降法、牛顿法等最小化方法对第一损失函数进行处理。
可选地,在本实施例中,可以不要求上述得到的最小化的第一损失函数一定为最小值,在上述最小化的处理过程中,当第一损失函数的数值小于预设阈值时,即可确定当前得到的第一损失函数为最小化的第一损失函数。
当然,上述实现过程仅是一种示例性的实现方式,本领域技术人员可以根据实际需求将第一损失函数的最小值确定为最小化的第一损失函数的数值,或者设置符合使用场景的预设阈值,以得到最小化的第一损失函数,本实施例对此不作限定。
S105、根据最小化的第一损失函数确定新信息的向量。
通过步骤S104得到了最小化的第一损失函数,也即公式(1)中L的数值,那么根据公式(1)即可确定公式中的未知量,即新信息的向量A。
通过上述过程可以看出,本实施例提供的方案可以结合网站中该信息推送的所有用户的特征,包括正样本用户的特征和负样本用户的特征,从而全面地确定网站上新信息的向量,提高获取新信息向量的准确度。
图2为本发明实施例提供的一种信息向量确定装置,如图2所示,该装置包括:获取模块201、构造模块202、处理模块203、确定模块204;
其中,获取模块,用于从数据库中获取正样本用户的特征和负样本用户的特征,正样本用户为访问数据库中新信息的用户,负样本为未访问数据库中新信息的用户;
获取模块,还用于根据正样本用户的特征和负样本用户的特征获取正样本用户的特征向量和负样本用户的特征向量;
构造模块,用于根据正样本用户的特征向量、负样本用户的特征向量以及新信息的向量构造第一损失函数;
处理模块,用于对第一损失函数进行处理,得到最小化的第一损失函数;
确定模块,用于根据最小化的第一损失函数确定新信息的向量。
在一种示例中,获取模块用于将正样本用户的特征和负样本用户的特征输入第一网络模型,并根据第一网络模型生成正样本用户的特征向量和负样本用户的特征向量,第一网络模型包括有将用户和信息转化为向量的网络结构。
在一种示例中,处理模块,用于根据最小化方法对第一损失函数进行最小化处理,当第一损失函数的数值小于预设阈值时,将第一损失函数确定为最小化的第一损失函数。
本发明实施例所提供的信息向量确定装置可执行本发明实施例所提供的信息向量确定方法,具备执行方法相应的功能模块和有益效果。
图3为本发明实施例提供的一种设备的结构示意图,如图3所示,该设备包括处理器301、存储器302、输入装置303和输出装置304;设备中处理器301的数量可以是一个或多个,图3中以一个处理器301为例;设备中的处理器301、存储器302、输入装置303和输出装置304可以通过总线或其他方式连接,图3中以通过总线连接为例。
存储器302作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的信息向量确定方法对应的程序指令/模块(例如,信息向量确定装置中的获取模块201、构造模块202、处理模块203、确定模块204)。处理器301通过运行存储在存储器302中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的信息向量确定方法。
存储器302可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、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器302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、或其他非易失性固态存储器件。在一些实例中,存储器302可进一步包括相对于处理器301远程设置的存储器,这些远程存储器可以通过网络连接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置303可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置304可包括显示屏等显示设备。
本发明实施例还提供一种包含计算机可执行指令的存储介质,该计算机可执行指令在由计算机处理器执行时用于执行一种信息向量确定方法,该方法包括:
从数据库中获取正样本用户的特征和负样本用户的特征,正样本用户为访问数据库中新信息的用户,负样本为未访问数据库中新信息的用户;
根据正样本用户的特征和负样本用户的特征获取正样本用户的特征向量和负样本用户的特征向量;
根据正样本用户的特征向量、负样本用户的特征向量以及新信息的向量构造第一损失函数;
对第一损失函数进行处理,得到最小化的第一损失函数;
根据最小化的第一损失函数确定新信息的向量。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的信息向量确定方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述信息向量确定装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种信息向量确定方法,其特征在于,包括:
从数据库中获取正样本用户的特征和负样本用户的特征,所述正样本用户为访问数据库中新信息的用户,所述负样本为未访问数据库中新信息的用户;
根据所述正样本用户的特征和负样本用户的特征获取正样本用户的特征向量和负样本用户的特征向量;
根据所述正样本用户的特征向量、所述负样本用户的特征向量以及所述新信息的向量构造第一损失函数;
对所述第一损失函数进行处理,得到最小化的第一损失函数;
根据所述最小化的第一损失函数确定所述新信息的向量。
2.根据权利要求1所述的方法,其特征在于,根据所述正样本用户的特征和负样本用户的特征获取正样本用户的特征向量和负样本用户的特征向量,包括:
将所述正样本用户的特征和负样本用户的特征输入第一网络模型,所述第一网络模型包括有将用户和信息转化为向量的网络结构;
根据所述第一网络模型生成正样本用户的特征向量和负样本用户的特征向量。
4.根据权利要求3所述的方法,其特征在于,对所述第一损失函数进行处理,得到最小化的第一损失函数,包括:
根据最小化方法对所述第一损失函数进行最小化处理;
当所述第一损失函数的数值小于预设阈值时,将所述第一损失函数确定为所述最小化的第一损失函数。
5.一种信息向量确定装置,其特征在于,包括:
获取模块,用于从数据库中获取正样本用户的特征和负样本用户的特征,所述正样本用户为访问数据库中新信息的用户,所述负样本为未访问数据库中新信息的用户;
所述获取模块,还用于根据所述正样本用户的特征和负样本用户的特征获取正样本用户的特征向量和负样本用户的特征向量;
构造模块,用于根据所述正样本用户的特征向量、所述负样本用户的特征向量以及所述新信息的向量构造第一损失函数;
处理模块,用于对所述第一损失函数进行处理,得到最小化的第一损失函数;
确定模块,用于根据所述最小化的第一损失函数确定所述新信息的向量。
6.根据权利要求5所述的装置,其特征在于,所述获取模块用于将所述正样本用户的特征和负样本用户的特征输入第一网络模型,并根据所述第一网络模型生成正样本用户的特征向量和负样本用户的特征向量,所述第一网络模型包括有将用户和信息转化为向量的网络结构。
8.根据权利要求7所述的装置,其特征在于,所述处理模块,用于根据最小化方法对所述第一损失函数进行最小化处理,当所述第一损失函数的数值小于预设阈值时,将所述第一损失函数确定为所述最小化的第一损失函数。
9.一种设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现如权利要求1-4任一项所述的信息向量确定方法。
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1-4任一项所述的信息向量确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010175153.5A CN111400594B (zh) | 2020-03-13 | 2020-03-13 | 一种信息向量确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010175153.5A CN111400594B (zh) | 2020-03-13 | 2020-03-13 | 一种信息向量确定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111400594A CN111400594A (zh) | 2020-07-10 |
CN111400594B true CN111400594B (zh) | 2023-05-09 |
Family
ID=71428810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010175153.5A Active CN111400594B (zh) | 2020-03-13 | 2020-03-13 | 一种信息向量确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111400594B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018126953A1 (zh) * | 2017-01-06 | 2018-07-12 | 腾讯科技(深圳)有限公司 | 种子人群扩散方法、装置、信息投放系统以及存储介质 |
CN110321484A (zh) * | 2019-06-18 | 2019-10-11 | 中国平安财产保险股份有限公司 | 一种产品推荐方法及装置 |
CN110532469A (zh) * | 2019-08-26 | 2019-12-03 | 上海喜马拉雅科技有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
CN110598109A (zh) * | 2019-09-16 | 2019-12-20 | 上海喜马拉雅科技有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
-
2020
- 2020-03-13 CN CN202010175153.5A patent/CN111400594B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018126953A1 (zh) * | 2017-01-06 | 2018-07-12 | 腾讯科技(深圳)有限公司 | 种子人群扩散方法、装置、信息投放系统以及存储介质 |
CN110321484A (zh) * | 2019-06-18 | 2019-10-11 | 中国平安财产保险股份有限公司 | 一种产品推荐方法及装置 |
CN110532469A (zh) * | 2019-08-26 | 2019-12-03 | 上海喜马拉雅科技有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
CN110598109A (zh) * | 2019-09-16 | 2019-12-20 | 上海喜马拉雅科技有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
张星明 ; 李和恒 ; .基于独立负样本集和SVM的人脸确认算法.计算机研究与发展.2006,(12),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111400594A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiaojun | An improved clustering-based collaborative filtering recommendation algorithm | |
US10268960B2 (en) | Information recommendation method, apparatus, and server based on user data in an online forum | |
US8682830B2 (en) | Information processing apparatus, information processing method, and program | |
CN111159563B (zh) | 用户兴趣点信息的确定方法、装置、设备及存储介质 | |
WO2022068493A1 (zh) | 异常用户审核方法、装置、电子设备和存储介质 | |
CN113688310B (zh) | 一种内容推荐方法、装置、设备及存储介质 | |
CN107305611B (zh) | 恶意账号对应的模型建立方法和装置、恶意账号识别的方法和装置 | |
CN111008321A (zh) | 基于逻辑回归推荐方法、装置、计算设备、可读存储介质 | |
CN111597449B (zh) | 用于搜索的候选词构建方法、装置、电子设备及可读介质 | |
CN110704626A (zh) | 一种用于短文本的分类方法及装置 | |
CN108629010B (zh) | 一种基于主题和服务组合信息的web服务推荐方法 | |
CN110598109A (zh) | 一种信息推荐方法、装置、设备及存储介质 | |
CN109582967B (zh) | 舆情摘要提取方法、装置、设备及计算机可读存储介质 | |
KR101450453B1 (ko) | 컨텐츠 추천 방법 및 장치 | |
KR101931859B1 (ko) | 전자문서의 대표 단어 선정 방법, 전자 문서 제공 방법, 및 이를 수행하는 컴퓨팅 시스템 | |
CN110909258A (zh) | 一种信息推荐方法、装置、设备及存储介质 | |
WO2017201905A1 (zh) | 资料分发方法、装置和存储介质 | |
CN111400594B (zh) | 一种信息向量确定方法、装置、设备及存储介质 | |
CN116304352A (zh) | 消息推送方法、装置、设备及存储介质 | |
Chen et al. | A user dependent web service QoS collaborative prediction approach using neighborhood regularized matrix factorization | |
CN112148902A (zh) | 数据处理方法、装置、服务器及存储介质 | |
CN110580317A (zh) | 社交信息分析方法、装置、终端设备及存储介质 | |
US11593565B2 (en) | System and method for generating subjective wellbeing analytics score | |
CN113407815B (zh) | 生成场景主题的方法和装置 | |
CN110096649B (zh) | 一种帖子提取方法、装置、设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |