CN111444419A - 资源推荐方法、装置、计算机设备和存储介质 - Google Patents

资源推荐方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111444419A
CN111444419A CN202010137704.9A CN202010137704A CN111444419A CN 111444419 A CN111444419 A CN 111444419A CN 202010137704 A CN202010137704 A CN 202010137704A CN 111444419 A CN111444419 A CN 111444419A
Authority
CN
China
Prior art keywords
interest
resource information
time
user
real
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
Application number
CN202010137704.9A
Other languages
English (en)
Inventor
陆园丽
张然
谭贤
李建龙
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.)
Ping An International Smart City Technology Co Ltd
Original Assignee
Ping An International Smart City 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 Ping An International Smart City Technology Co Ltd filed Critical Ping An International Smart City Technology Co Ltd
Priority to CN202010137704.9A priority Critical patent/CN111444419A/zh
Publication of CN111444419A publication Critical patent/CN111444419A/zh
Pending legal-status Critical Current

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

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

本申请涉及运维过程优化领域，通过用户的长期兴趣与短期兴趣，生成实时兴趣，将实时兴趣对应的资源信息实时推荐给用户，可以根据资源信息的变化不断地更新实时兴趣，提高了用户体验度。尤其涉及一种资源推荐方法、装置、计算机设备和存储介质，该资源推荐方法包括：获取用户的历史行为数据以及历史行为数据对应的第一资源信息；根据第一资源信息确定用户的兴趣标签，并根据兴趣标签对应的行为因子确定至少一个兴趣标签为长期兴趣；获取用户的实时行为数据以及实时行为数据对应的第二资源信息，根据第二资源信息确定短期兴趣；根据用户的长期兴趣和短期兴趣，确定用户的实时兴趣；获取实时兴趣对应的资源信息，将资源信息推送给用户的终端。

Description

资源推荐方法、装置、计算机设备和存储介质
技术领域
本申请涉及运维过程优化领域，尤其涉及一种资源推荐方法、装置、计算机设备和存储介质。
背景技术
随着人工智能的发展，企业逐步有能力为用户提供更好的个性化服务，但是模型需要收集大量数据才能准确地预测用户的兴趣爱好。通常的预测方法是采用预测资源列表的方式，通过t+1的方式收集数据，并训练模型，离线生成用户感兴趣资源列表及相应的特征，在用户访问系统时为用户提供满足其兴趣的资源。
但是这种预测方法对于资源的变化不能够及时的响应。当系统中生成大量新资源时，不能及时将新的资源以满足用户兴趣的方式提供给用户。
发明内容
本申请提供了一种资源推荐方法、装置、计算机设备和存储介质，可以实现将实时兴趣对应的资源信息实时推荐给用户，可以根据资源信息的变化不断地更新实时兴趣，提高了用户体验度。
第一方面，本申请提供了一种资源推荐方法，所述方法包括：
获取用户的历史行为数据以及所述历史行为数据对应的第一资源信息；
根据所述第一资源信息确定所述用户的兴趣标签，并根据所述兴趣标签对应的行为因子确定至少一个所述兴趣标签为所述用户的长期兴趣；
获取所述用户的实时行为数据以及所述实时行为数据对应的第二资源信息，根据所述第二资源信息确定所述用户的短期兴趣；
根据所述用户的长期兴趣和短期兴趣，确定所述用户的实时兴趣；
获取所述用户的实时兴趣对应的资源信息，将所述实时兴趣对应的资源信息推送给所述用户的终端。
第二方面，本申请还提供了一种资源推荐装置，所述装置包括：
资源信息获取模块，用于获取用户的历史行为数据以及所述历史行为数据对应的第一资源信息；
长期兴趣确定模块，用于根据所述第一资源信息确定所述用户的兴趣标签，并根据所述兴趣标签对应的行为因子确定至少一个所述兴趣标签为所述用户的长期兴趣；
短期兴趣确定模块，用于获取所述用户的实时行为数据以及所述实时行为数据对应的第二资源信息，根据所述第二资源信息确定所述用户的短期兴趣；
实时兴趣确定模块，用于根据所述用户的长期兴趣和短期兴趣，确定所述用户的实时兴趣；
资源信息推荐模块，用于获取所述用户的实时兴趣对应的资源信息，将所述实时兴趣对应的资源信息推送给所述用户的终端。
第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的资源推荐方法。
第四方面，本申请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使所述处理器实现如上述的资源推荐方法。
本申请公开了一种资源推荐方法、装置、计算机设备和存储介质，通过获取用户的历史行为数据和历史行为数据对应的第一资源信息，可以根据第一资源信息确定用户的兴趣标签，以及根据兴趣标签对应的行为因子确定至少一个兴趣标签为用户的长期兴趣，可以提高用户的长期兴趣的准确度，保证长期兴趣的多样性；通过获取用户的实时行为数据以及实时行为数据对应的第二资源信息，根据第二资源信息确定用户的短期兴趣，可以根据资源信息的变化不断地更新短期兴趣，将最新的资源对应的兴趣标签作为用户的短期兴趣；根据用户的长期兴趣和短期兴趣，确定用户的实时兴趣，可以得到随时间更新的实时兴趣，可以保证推荐结果的准确度，满足了用户的个性化需求；获取用户的实时兴趣对应的资源信息，将资源信息推送给用户，提高了用户体验度。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例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是本申请的实施例提供的一种资源推荐方法的示意流程图；
图2是图1中确定长期兴趣的子步骤示意流程图；
图3为本申请实施例提供的一种资源推荐装置的示意性框图；
图4为图3中资源推荐装置的子模块的示意性框图；
图5为本申请实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
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做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。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
本申请的实施例提供了一种资源推荐方法、装置、计算机设备和存储介质。其中，该资源推荐方法可以应用于服务器或终端中，可以实现将实时兴趣对应的资源信息实时推荐给用户，根据资源信息的变化不断地更新实时兴趣，提高了用户体验度。
其中，服务器可以为独立的服务器，也可以为服务器集群。所述终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。所述终端与所述服务器之间通过有线和/或无线通信方式进行通信。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参阅图1，图1是本申请的实施例提供的一种资源推荐方法的示意流程图。在本申请的实施例中，该资源推荐方法应用于服务器中，以将合适的资源准确地推荐给客户。
如图1所示，该资源推荐方法包括步骤S10至步骤S50。
步骤S10、获取用户的历史行为数据以及所述历史行为数据对应的第一资源信息。
具体地，通过消息中间件获取用户的历史行为数据以及所述历史行为数据对应的第一资源信息。具体可以将中间件安装在用户使用的终端中，以通过该中间件获取并存储用户的历史行为数据以及所述历史行为数据对应的第一资源信息。
示例性的，所述消息中间件可以是ActiveMQ、RabbitMQ、Kafka或RocketMQ等。
在本申请的实施例中，通过Kafka消息中间件获取用户的历史行为数据。需要说明的是，Kafka消息中间件利用高效可靠的消息传递机制进行数据交流，并基于数据通信来进行分布式系统的集成。
在一实施例中，通过Kafka消息中间件采集所述用户在终端的APP或者浏览器中的历史行为数据，并采集所述APP或者浏览器中的内容信息，经Spark Streaming消息组件处理得到所述历史行为数据对应的第一资源信息。
其中，Spark Streaming消息组件是Spark coreAPI的扩展，支持实时数据流的处理，并且具有可扩展，高吞吐量，容错的特点。
示例性的，所述用户的历史行为数据可以包括浏览、收藏、转发、评价等行为数据。例如用户在网页中观看视频、学习课程、浏览文章、对文章的收藏点赞评论等记录数据。
所述第一资源信息包括历史行为对应的内容信息，比如浏览网站，第一资源信息包括浏览网站的内容信息。
示例性的，所述内容信息可以是内容主题、内容标题、内容简介、内容来源、内容创建人、创建时间等。例如课程或文章的内容主题、内容标题、内容简介等信息。
在一实施例中，若所述用户的历史行为数据是学习课程，则与学习课程这一历史行为数据对应的第一资源信息可以是课程的内容主题、内容标题或内容简介。
通过采集用户的历史行为数据以及历史行为数据对应的第一资源信息，可以根据第一资源信息确定用户的长期兴趣，可以保证推荐结果的准确度与多样性。
步骤S20、根据所述第一资源信息确定所述用户的兴趣标签，并根据所述兴趣标签对应的行为因子确定至少一个所述兴趣标签为所述用户的长期兴趣。
具体地，基于训练好的标签查询模型，将所述第一资源信息输入所述标签查询模型中查询，得到所述第一资源信息对应的兴趣标签。
其中，所述行为因子为不同历史行为数据对应的预设场景的权重值。
示例性的，所述预设场景可以包括时间场景、行为场景或其它场景。
请参阅图2，步骤S20包括以下步骤S21至步骤S25。
步骤S21、基于训练好的标签查询模型，将所述第一资源信息输入所述标签查询模型中查询，得到所述第一资源信息对应的兴趣标签。
示例性的，所述标签查询模型可以包括多层感知器(Multilayer Perceptron，MLP)。
需要说明的是，多层感知器是一种前馈人工神经网络，其将输入的多个数据集映射到单一的输出的数据集上。多层感知器包括一个输入层、一个输出层和至少一个隐藏层，每一层都有多个神经元，相邻的层之间为全连接。
在本申请实施例中，由于多层感知器中存在隐藏层，因此选择校正线性单元(Rectified LinearUnit，ReLU)作为激活函数。激活函数ReLU的计算简单并且效率更高。
具体地，在查询所述第一资源信息对应的兴趣标签之前，还可以对初始的标签查询模型进行训练，得到训练好的标签查询模型。
示例性的，初始的标签查询模型可以通过预设的标注资源信息和样本兴趣标签对多层感知机中训练直至收敛，得到训练好的标签查询模型。
在训练时，先对资源信息进行分词处理，得到预设的标注资源信息；然后在多层感知机中增加dropout层，该dropout层仅保持网络中一定比例的神经元激活，通过将其他神经元设置为零，可以阻止网络的权重或系数变得太大，有效地防止网络的过拟合；多层感知机通过输入层、隐藏层和输出层对标注资源信息和样本兴趣标签进行处理，输出标注资源对应的类别概率和所述标注资源信息对应的样本兴趣标签。因此训练好的标签查询模型可以更准确地预测出资源信息对应的兴趣标签。
具体地，将所述第一资源信息输入训练好的标签查询模型中进行查询，输出所述第一资源信息对应的兴趣标签。
示例性的，所述兴趣标签可以包括时事、财经、科技、学习、娱乐、体育、游戏、休闲、工作等。
在一些实施例中，若第一资源信息为“课程A”，将所述第一资源信息输入训练好的标签查询模型中进行查询，得到所述第一资源信息对应的兴趣标签，例如“学习”。
通过对初始的标签查询模型进行训练，可以得到预测准确率较高的标签查询模型，从而在查询第一资源信息对应的兴趣标签时，可以有效地提高准确度。
具体地，根据所述用户的历史行为数据与所述第一资源信息之间的关联关系，确定所述用户的兴趣标签。
可以理解的，所述第一资源信息为所述用户的历史行为数据对应的资源信息，因此所述历史行为数据与所述第一资源信息存在关联的关系。根据所述第一资源信息对应的行为对应的兴趣标签，可以确定所述用户的兴趣标签。
示例性的，所述用户的历史行为数据可以包括至少一个第一资源信息，每个第一资源信息对应一个兴趣标签，因此所述用户对应有至少一个兴趣标签。
在一些实施例中，若用户甲的历史行为数据包括多个第一资源信息，例如资源信息1、资源信息2和资源信息3，而资源信息1与兴趣标签a对应、资源信息2与兴趣标签b对应、资源信息3与兴趣标签c对应，则可以确定用户甲关联的兴趣标签包括兴趣标签a、b、c。
通过根据训练好的的标签查询模型查询第一资源信息对应的兴趣标签，可以提高用户的长期兴趣的准确度。
步骤S22、确定所述历史行为数据对应的预设场景的权重值，以得到所述兴趣标签的行为因子。
具体地，所述行为因子为不同历史行为数据对应的预设场景的权重值。
示例性的，对于最近浏览记录这一历史行为数据，若其对应的预设场景为时间场景，则历史行为数据的行为因子为时间场景的权重值。
在一实施例中，历史行为数据的行为因子还可以包括多个权重值。
比如，若所述历史行为数据包括浏览记录，例如近7天浏览记录、近7天收藏记录、近7天转发记录；对于兴趣标签为a，若时间场景是重要的，则给所述时间场景设置较大的权重值，例如权重值为20。其它场景设置较小的权重值，例如5、0，得到所述兴趣标签a对应的行为因子(20，5，0)。
在另一些实施例中，若所述历史行为数据包括浏览记录，例如近7天浏览记录、近15天浏览记录、近30天浏览记录；对于兴趣标签为b，若行为场景是重要的，则给所述行为场景设置较大的权重值，例如权重值为50，其它场景设置较小的权重值，例如10、6，得到所述兴趣标签b对应的行为因子(10，50，6)。
根据上述实施例可以得到所述兴趣标签对应的行为因子，如表1所示：
表1为行为因子表
Figure BDA0002397618220000071
通过根据不同场景的重要性设置不同的权重值，可以得到兴趣标签的多种行为因子，可以保证长期兴趣的多样性。
步骤S23、对所述兴趣标签对应的行为因子归一化处理，得到所述兴趣标签对应的因子数据。
具体地，用因子序列表示所述兴趣标签对应的行为因子，所述因子序列包括多个行为因子；对所述因子序列进行归一化处理，得到所述兴趣标签对应的因子数据。
示例性的，根据上述得到的行为因子表中的行为因子，可以用因子序列表示为Xij。其中i＝1,2,···,n，j＝1,2,···,m；i表示第i个场景，n表示场景总数；j表示第j个兴趣标签，m表示兴趣标签的总数。
示例性的，因子序列Xij表示第j个兴趣标签在第i个场景中的行为因子。
具体地，对所述因子序列进行归一化处理，得到所述兴趣标签对应的因子数据。
示例性的，所述因子序列经归一化处理后，得到所述兴趣标签对应的因子数据可以表示为：
Figure BDA0002397618220000081
式中，min(Xj)表示第j个兴趣标签中最小的行为因子，max(Xj)表示第j个兴趣标签中最大的行为因子。
由于因子序列的量纲不同，通过归一化处理，使得因子数据的范围为0-1，便于后续计算兴趣标签的兴趣值。
步骤S24、根据所述因子数据以及所述因子数据对应的方差占比，确定所述兴趣标签对应的兴趣值。
具体地，先计算所述因子数据的方差，根据所述因子数据的方差计算得到所述因子数据的方差占比。
在一些实施例中，可以将所述方差占比作为所述兴趣标签对应的权重值。
示例性的，设因子数据X′ij的方差为σj，方差σj可以由下式计算得到：
Figure BDA0002397618220000082
其中，均值
Figure BDA0002397618220000083
σj表示第j个兴趣标签对应的方差。
在本实施例中，根据所述因子数据的方差，得到所述因子数据的方差占比，以及根据所述因子数据的方差占比，确定所述兴趣标签对应的权重值。
示例性的，方差占比可以定义为
Figure BDA0002397618220000084
则权重值
Figure BDA0002397618220000085
Wj表示第j个兴趣标签对应的权重值。
具体地，根据所述因子数据和所述兴趣标签对应的权重值，确定所述兴趣标签对应的兴趣值。
示例性的，根据上述得到的所述因子数据X′ij以及所述兴趣标签对应的权重值Wj，计算得到所述兴趣标签对应的兴趣值Sj。兴趣值Sj可以由下式计算的：
Sj＝X′ij·Wj，
式中，Sj表示第j个兴趣标签对应的兴趣值。
示例性的，所述兴趣标签对应的兴趣值，如表2所示。
表2为兴趣值列表
兴趣标签 兴趣值
兴趣标签a 0.95
兴趣标签b 0.85
兴趣标签c 0.75
兴趣标签d 0.6
步骤S25、根据预设的兴趣阈值，将所述兴趣值对应兴趣标签作为所述用户的长期兴趣。
可以理解的是，上述得到兴趣值列表中包括多个兴趣标签的兴趣值，所述服务器可以根据预设的兴趣阈值确定所述用户的长期兴趣。
示例性的，预设的兴趣阈值可以是0.8。
示例性的，若与所述用户关联的兴趣标签有多个，根据所述兴趣阈值，所述服务器将兴趣值不小于所述兴趣阈值的兴趣标签确定为所述用户的长期兴趣。
在一些实施例中，与所述用户关联的兴趣标签包括兴趣标签a、b、c、d；其中，兴趣标签a对应的兴趣值为0.95，兴趣标签b对应的兴趣值为0.85，兴趣标签c对应的兴趣值为0.75，兴趣标签d对应的兴趣值为0.6。由于兴趣标签c、兴趣标签d对应的兴趣值小于所述兴趣阈值0.8，因此不将兴趣标签c、d作为所述用户的长期兴趣，将兴趣标签a和兴趣标签b作为用户的长期兴趣。
通过标签查询模型查询第一资源信息对应的兴趣标签，并根据兴趣标签对应的行为因子确定用户的长期兴趣，可以提高用户的长期兴趣的准确度，保证长期兴趣的多样性。
步骤S30、获取所述用户的实时行为数据以及所述实时行为数据对应的第二资源信息，根据所述第二资源信息确定所述用户的短期兴趣。
具体地，根据Kafka消息中间件实时获取所述用户的实时行为数据，并基于sparkstreaming消息组件处理所述用户的实时行为数据，得到所述实时行为数据对应的第二资源信息。
示例性的，当所述用户登录终端时，可以通过Kafka消息中间件实时获取所述用户的实时行为数据。例如，所述实时行为数据可以是所述用户在所述终端上的网页观看视频、学习课程、购买课程、浏览文章、对文章的收藏点赞评论等行为。
在一些实施例中，基于训练好的标签查询模型，将所述第二资源信息输入标签查询模型中查询，得到所述第二资源信息对应的兴趣标签；然后根据时间因子计算所述用户对所述兴趣标签的偏好值。最后，根据所述偏好值对应的兴趣标签确定所述用户的短期兴趣。
其中，所述时间因子包括所述第二资源信息的获取时间距离当前时间的时长。
示例性的，若当前时间为8点，所述第二资源信息的获取时间为6点，则所述时间因子为2h。
示例性的，基于艾宾浩斯遗忘曲线，根据所述时间因子计算所述用户对兴趣标签的偏好值。所述时间因子与所述用户对兴趣标签的偏好值之间的关系可以用艾宾浩斯遗忘曲线进行描述与处理。
在本申请的实施例中，在艾宾浩斯遗忘曲线中，竖轴表示用户对兴趣标签的偏好值，横轴表示时间(小时)，曲线表示偏好值变化的规律。随着时间的增长，用户对兴趣标签的偏好值逐渐变小，直至保持不变。
示例性的，所述时间因子与所述用户对兴趣标签的偏好值之间的关系可以表示为：
Figure BDA0002397618220000101
式中，t表示时间因子，φ表示用户对兴趣标签的偏好值。
可以理解的，所述兴趣标签对应的偏好值越大，则说明所述用户对所述兴趣标签越感兴趣。根据所述兴趣标签对应的偏好值，生成所述用户对所述兴趣标签的感兴趣列表，如表3所示。
表3为感兴趣列表
兴趣标签 偏好值
兴趣标签a 2
兴趣标签b 1.5
兴趣标签c 1.2
兴趣标签d 1.1
可以理解的，随着时间的推移和资源的变化，不断有新资源信息对应的兴趣标签生成。新生成的兴趣标签的时间因子较小，因而对应的偏好值较大。例如，新生成兴趣标签e，偏好值为2.1。因此，可以将新生成的兴趣标签增加到感兴趣列表，以更新用户的短期兴趣。
在另一些实施例中，基于训练好的标签查询模型，将所述第一资源信息和所述第二资源信息输入所述标签查询模型中查询，得到所述第一资源信息对应的兴趣标签和所述第二资源信息对应的兴趣标签；然后基于艾宾浩斯遗忘曲线，根据第一时间因子计算所述用户对所述第一资源信息对应的兴趣标签的偏好值，以及根据第二时间因子计算所述用户对所述第二资源信息对应的兴趣标签的偏好值。最后，根据所述偏好值对应的兴趣标签确定所述用户的短期兴趣。
其中，所述第一时间因子为所述第一资源信息的获取时间距离当前时间的时长，所述第二时间因子为所述第二资源信息的获取时间距离当前时间的时长。
需要说明的是，对于第一资源信息，由于所述第一资源信息是离线获取的，因此将所述第一资源信息的获取时间定义为当前天的零点。
示例性的，若当前时间为8点，所述第二资源信息的获取时间为6点，则所述第一时间因子为8h，所述第二时间因子为2h。
可以理解的，当所述第二资源信息的数量较少时，可以将所述第一资源信息作为补充数据，使得到的兴趣标签更加丰富，同时更能体现用户的兴趣特征。
通过实时获取所述用户的实时行为数据，根据所述实时行为数据对应的第二资源信息中查询，可以得到第二资源信息对应的兴趣标签。通过增加在所述感兴趣列表中增加偏好值较大的兴趣标签，可以根据资源信息的变化不断地更新实时兴趣，将最新的资源对应的兴趣标签作为用户的短期兴趣。
步骤S40、根据所述用户的长期兴趣和短期兴趣，确定所述用户的实时兴趣。
具体地，根据预设的兴趣因子，分别计算所述长期兴趣中的兴趣标签和所述短期兴趣中的兴趣标签各自对应的兴趣值。
其中，所述兴趣因子包括各所述兴趣标签的影响时间距离当前时间的时长。
需要说明的是，由于上述步骤S20在确定用户的长期兴趣时，对所述长期兴趣进行了加权处理，因此将所述长期兴趣中的兴趣标签的影响时间设为当前天的零点。上述步骤S30在确定所述用户的短期兴趣，可以将所述短期兴趣中的兴趣标签的获取时间作为所述兴趣标签的影响时间。
其中，所述兴趣因子的计算公式为：
Figure BDA0002397618220000121
式中，ξ表示兴趣因子，α、β、γ、θ为常量参数，默认值分别为3、0.5、2、0.6；t表示当前时间；t0表示影响时间。
示例性的，对于所述长期兴趣，计算所述长期兴趣中的兴趣标签对应的兴趣值时，所述影响时间t0为0。对于所述短期兴趣，所述影响时间t0为所述短期兴趣中的兴趣标签的获取时间。
在一些实施例中，根据所述兴趣因子ξ的计算公式，计算所述长期兴趣中的兴趣标签和所述短期兴趣中的兴趣标签各自对应的兴趣值。若所述长期兴趣中的兴趣标签包括兴趣标签a，影响时间t0为0；所述短期兴趣中的兴趣标签包括兴趣标签b和兴趣标签c，影响时间t0分别为9点、12点；若当前时间t为14点，则可以计算出兴趣标签a对应的兴趣值为1.393，兴趣标签b对应的兴趣值为2.134，兴趣标签c对应的兴趣值为2.5。
具体地，根据所述兴趣值对应的兴趣标签确定所述用户的实时兴趣。
示例性的，由于上述得到所述长期兴趣中的兴趣标签和所述短期兴趣中的兴趣标签各自对应的兴趣值，因此可以根据兴趣值的大小，取兴趣值排列在前k的兴趣标签作为所述用户的实时兴趣。
例如，若k为2，则所述用户的实时兴趣如表4所示。
表4为实时兴趣列表
兴趣标签 兴趣值
兴趣标签c 2.5
兴趣标签b 2.134
在另一些实施例中，若当前时间t变为18点，所述短期兴趣中的兴趣标签包括兴趣标签b、兴趣标签c和兴趣标签d，影响时间t0分别为9点、12点、15点；计算出兴趣标签b对应的兴趣值为1.767，兴趣标签c对应的兴趣值为2.033，兴趣标签d对应的兴趣值为2.362。所述用户的实时兴趣如表5所示。
表5为实时兴趣列表
兴趣标签 兴趣值
兴趣标签d 2.362
兴趣标签c 2.033
可以理解的，随着当前时间的变化，所述短期兴趣中的兴趣标签对应的兴趣值在不断地变小，同时有新的兴趣标签生成。最新生成的兴趣标签对应的兴趣值是所述实时兴趣列表中兴趣值最大的。
可以理解的，若没有获取到所述用户的实时行为数据，则所述用户的短期兴趣不包括任何兴趣标签，所述用户的实时兴趣中的兴趣标签全部是所述长期兴趣中的兴趣标签。若获取到所述用户的实时行为数据，则所述用户的短期兴趣包括至少一个兴趣标签，所述用户的实时兴趣中的兴趣标签可以是所述短期兴趣中的兴趣标签，也可以是所述短期兴趣中的兴趣标签和所述长期兴趣中的兴趣标签。
当用户发生改变时，可以根据用户的短期兴趣，不需要用户的长期兴趣就可以确定用户的实时兴趣，可以提高响应效率，提高了用户体验度。
通过基于预设的兴趣因子，结合用户的长期兴趣和短期兴趣，得到随时间的变化不断更新的实时兴趣，可以保证推荐结果的准确度。由于实时兴趣是随着时间不断更新的，与所述用户的实时行为数据密切，因此可以提高推荐资源的准确度，提高了用户体验度。
步骤S50、获取所述用户的实时兴趣对应的资源信息，将所述实时兴趣对应的资源信息推送给所述用户的终端。
具体地，根据所述第一资源信息和所述第二资源信息，确定所述实时兴趣对应的资源信息。
由于所述实时兴趣是根据所述用户的长期兴趣和短期兴趣计算得到的，因此所述实时兴趣中的兴趣标签是由所述长期兴趣中的兴趣标签和/或所述短期兴趣中的兴趣标签组成。
示例性的，若所述实时兴趣中的兴趣标签是由所述长期兴趣中的兴趣标签组成，则根据所述兴趣标签对应的第一资源信息确定所述资源信息。若所述实时兴趣中的兴趣标签是由所述短期兴趣中的兴趣标签组成，则根据所述兴趣标签对应的第二资源信息确定所述资源信息。若所述实时兴趣中的兴趣标签是由所述长期兴趣中的兴趣标签和所述短期兴趣中的兴趣标签组成，则根据所述第一资源信息和所述第二资源信息确定所述资源信息。
可以理解的是，所述长期兴趣中的兴趣标签是由所述第一资源信息输入训练好的标签查询模型中进行查询得到的，所述短期兴趣中的兴趣标签是由所述第二资源信息输入训练好的标签查询模型中进行查询得到的，因此可以根据所述第一资源信息和所述第二资源信息获取所述实时兴趣对应的资源信息。
在一些实施例中，若所述实时兴趣中的两个兴趣标签是由所述短期兴趣中的兴趣标签组成，例如兴趣标签a和兴趣标签b，且兴趣标签a对应的第一资源信息为课程A，兴趣标签b对应的第一资源信息为课程B。根据兴趣标签a和兴趣标签b各自对应的第一资源信息确定所述资源信息，得到的所述资源信息包括课程A和课程B。
具体地，计算所述实时兴趣对应的资源信息的实时热度，将实时热度大于预设热度的资源信息推荐给所述用户的终端。
示例性的，所述实时热度用于表示随着时间的变化，用户对资源的感兴趣程度的变化。
其中，所述实时热度的计算公式为：
Figure BDA0002397618220000141
式中，r表示热度，view表示浏览次数，recommend表示推荐次数，artivleCommend表示评论次数。age表示资源的创建时间距离当前时间的时长，update表示资源的更新时间距离当前时间的时长。τ表示影响因子，其中影响因子τ可以取值为0.3、0.5、0.7，时间以小时为单位。
具体地，根据所述实时热度的计算公式计算所述资源信息的实时热度。
示例性的，根据所述资源信息的浏览次数、浏览天数、评论次数，以及所述资源信息的创建时间和更新时间，可以计算出所述资源信息的实时热度。
需要说明的是，若浏览次数、推荐次数、评论次数是日数据，则所述影响因子为0.3。若浏览次数、推荐次数、评论次数是周数据，则所述影响因子为0.5。若浏览次数、推荐次数、评论次数是月数据，则所述影响因子为0.7。
在一些实施例中，对于课程A，若创建时间为当前天的9点，更新时间为当前天的12点，若浏览次数、推荐次数、评论次数的日数据分别为80、10、20；当前时间为15点，影响因子为0.3，可以计算出课程A的实时热度为2.52。对于课程B，若创建时间为当前天的10点，更新时间为当前天的12点，若浏览次数、推荐次数、评论次数的日数据分别为120、30、40；当前时间为15点，影响因子为0.3，可以计算出课程B的实时热度为4.47。
示例性的，所述预设热度可以是3。
具体地，将实时热度大于所述预设热度的资源信息推荐给所述用户对应的终端。
在本实施例中，所述课程A的实时热度为2.52，小于所述预设热度3；所述课程B的实时热度为4.47，大于所述预设热度3，因此将所述课程B推送到所述用户对应的终端。
根据长期兴趣对应的兴趣标签以及短期兴趣对应的兴趣标签，可以得到实时兴趣对应的资源信息，满足用户的个性化需求。通过计算资源信息的实时热度，可以保证向用户推荐的资源的及时性，提高了用户体验度。
上述实施例提供的资源推荐方法，通过标签查询模型查询第一资源信息对应的兴趣标签，并根据兴趣标签对应的行为因子确定用户的长期兴趣，可以提高用户的长期兴趣的准确度，可以保证长期兴趣的多样性；通过根据时间因子计算用户对第二资源信息对应的兴趣标签的偏好值，得到用户的短期兴趣，可以根据资源信息的变化不断地更新实时兴趣，将最新的资源对应的兴趣标签作为用户的短期兴趣。通过根据预设的兴趣因子分别计算长期兴趣中的兴趣标签和短期兴趣中的兴趣标签各自对应的兴趣值，可以得到随时间更新的实时兴趣，可以保证推荐结果的准确度，满足用户的个性化需求；通过计算实时兴趣对应的资源信息的实时热度，将实时热度大于预设热度的资源信息推荐给用户，可以保证向用户推荐的资源的及时性，提高了用户体验度。
请参阅图3，图3是本申请的实施例还提供一种资源推荐装置的示意性框图，该资源推荐装置用于执行前述的资源推荐方法。其中，该资源推荐装置可以配置于服务器或终端中。
如图3所示，该资源推荐装置200，包括：资源信息获取模块201、长期兴趣确定模块202、短期兴趣确定模块203、实时兴趣确定模块204和资源信息推荐模块205。
资源信息获取模块201，用于获取用户的历史行为数据以及所述历史行为数据对应的第一资源信息。
长期兴趣确定模块202，用于根据所述第一资源信息确定所述用户的兴趣标签，并根据所述兴趣标签对应的行为因子确定至少一个所述兴趣标签为所述用户的长期兴趣。
在一些实施例中，如图4所示，该长期兴趣确定模块202，包括：第一查询子模块2021、行为因子确定子模块2022、行为数据确定子模块2023、第一计算子模块2024和第一兴趣确定子模块2025。
第一查询子模块2021，用于基于训练好的标签查询模型，将所述第一资源信息输入所述标签查询模型中查询，得到所述第一资源信息对应的兴趣标签。
行为因子确定子模块2022，用于确定所述历史行为数据对应的预设场景的权重值，以得到所述兴趣标签的行为因子。
行为数据确定子模块2023，用于对所述兴趣标签对应的行为因子归一化处理，得到所述兴趣标签对应的因子数据。
第一计算子模块2024，用于根据所述因子数据以及所述因子数据对应的方差占比，确定所述兴趣标签对应的兴趣值。
第一兴趣确定子模块2025，用于根据预设的兴趣阈值，将所述兴趣值对应兴趣标签作为所述用户的长期兴趣。
短期兴趣确定模块203，用于获取所述用户的实时行为数据以及所述实时行为数据对应的第二资源信息，根据所述第二资源信息确定所述用户的短期兴趣。
在一些实施例中，如图4所示，该短期兴趣确定模块203，包括：第二查询子模块2031、第二计算子模块2032、第二兴趣确定子模块2033、第三查询子模块2034、第三计算子模块2035和第三兴趣确定子模块2036。
第二查询子模块2031，用于基于训练好的标签查询模型，将所述第二资源信息输入所述标签查询模型中查询，得到所述第二资源信息对应的兴趣标签。
第二计算子模块2032，用于根据时间因子计算所述用户对所述兴趣标签的偏好值，所述时间因子为所述第二资源信息的获取时间距离当前时间的时长。
第二兴趣确定子模块2033，用于根据所述偏好值对应的兴趣标签确定所述用户的短期兴趣。
第三查询子模块2034，用于基于训练好的标签查询模型，将所述第一资源信息和所述第二资源信息输入所述标签查询模型中查询，得到所述第一资源信息对应的兴趣标签和所述第二资源信息对应的兴趣标签。
第三计算子模块2035，用于根据第一时间因子计算所述用户对所述第一资源信息对应的兴趣标签的偏好值，以及根据第二时间因子计算所述用户对所述第二资源信息对应的兴趣标签的偏好值。
第三兴趣确定子模块2036，用于根据所述偏好值对应的兴趣标签确定所述用户的短期兴趣。
实时兴趣确定模块204，用于根据所述用户的长期兴趣和短期兴趣，确定所述用户的实时兴趣。
在一些实施例中，如图4所示，该实时兴趣确定模块204，包括：第四计算子模块2041和第四兴趣确定子模块2042。
第四计算子模块2041，用于根据预设的兴趣因子，分别计算所述长期兴趣中的兴趣标签和所述短期兴趣中的兴趣标签各自对应的兴趣值，所述兴趣因子包括各所述兴趣标签的影响时间距离当前时间的时长。
第四兴趣确定子模块2042，用于根据所述兴趣值对应的兴趣标签确定所述用户的实时兴趣。
资源信息推荐模块205，用于获取所述用户的实时兴趣对应的资源信息，将所述实时兴趣对应的资源信息推送给所述用户的终端。
在一些实施例中，如图4所示，该资源信息推荐模块205，包括：推荐子模块2051。
推荐子模块2051，用于计算所述实时兴趣对应的资源信息的实时热度，将实时热度大于预设热度的资源信息推荐给所述用户的终端。
需要说明的是，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，上述描述的装置和各模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
上述的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图5所示的计算机设备上运行。
请参阅图5，图5是本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以是服务器。
请参阅图5，该计算机设备包括通过系统总线连接的处理器和存储器，其中，存储器可以包括非易失性存储介质和内存储器。
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种资源推荐方法。
应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器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。其中，通用处理器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。
其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
获取用户的历史行为数据以及所述历史行为数据对应的第一资源信息；根据所述第一资源信息确定所述用户的兴趣标签，并根据所述兴趣标签对应的行为因子确定至少一个所述兴趣标签为所述用户的长期兴趣；获取所述用户的实时行为数据以及所述实时行为数据对应的第二资源信息，根据所述第二资源信息确定所述用户的短期兴趣；根据所述用户的长期兴趣和短期兴趣，确定所述用户的实时兴趣；获取所述用户的实时兴趣对应的资源信息，将所述实时兴趣对应的资源信息推送给所述用户的终端。
在一个实施例中，所述处理器在实现根据所述第一资源信息确定所述用户的兴趣标签时，用于实现：
基于训练好的标签查询模型，将所述第一资源信息输入所述标签查询模型中查询，得到所述第一资源信息对应的兴趣标签。
在一个实施例中，所述处理器在实现根据所述兴趣标签对应的行为因子确定至少一个所述兴趣标签为所述用户的长期兴趣时，用于实现：
确定所述历史行为数据对应的预设场景的权重值，以得到所述兴趣标签的行为因子；对所述兴趣标签对应的行为因子归一化处理，得到所述兴趣标签对应的因子数据；根据所述因子数据以及所述因子数据对应的方差占比，确定所述兴趣标签对应的兴趣值；根据预设的兴趣阈值，将所述兴趣值对应兴趣标签作为所述用户的长期兴趣。
在一个实施例中，所述处理器在实现根据所述第二资源信息确定所述用户的短期兴趣时，用于实现：
基于训练好的标签查询模型，将所述第二资源信息输入所述标签查询模型中查询，得到所述第二资源信息对应的兴趣标签；根据时间因子计算所述用户对所述兴趣标签的偏好值，所述时间因子为所述第二资源信息的获取时间距离当前时间的时长；根据所述偏好值对应的兴趣标签确定所述用户的短期兴趣。
在一个实施例中，所述处理器在实现根据所述第二资源信息确定所述用户的短期兴趣时，还用于实现：
基于训练好的标签查询模型，将所述第一资源信息和所述第二资源信息输入所述标签查询模型中查询，得到所述第一资源信息对应的兴趣标签和所述第二资源信息对应的兴趣标签；根据第一时间因子计算所述用户对所述第一资源信息对应的兴趣标签的偏好值，以及根据第二时间因子计算所述用户对所述第二资源信息对应的兴趣标签的偏好值；根据所述偏好值对应的兴趣标签确定所述用户的短期兴趣；其中，所述第一时间因子为所述第一资源信息的获取时间距离当前时间的时长，所述第二时间因子为所述第二资源信息的获取时间距离当前时间的时长。
在一个实施例中，所述处理器在实现根据所述用户的长期兴趣和短期兴趣，确定所述用户的实时兴趣时，用于实现：
根据预设的兴趣因子，分别计算所述长期兴趣中的兴趣标签和所述短期兴趣中的兴趣标签各自对应的兴趣值，所述兴趣因子包括各所述兴趣标签的影响时间距离当前时间的时长；根据所述兴趣值对应的兴趣标签确定所述用户的实时兴趣。
在一个实施例中，所述处理器在实现获取所述用户的实时兴趣对应的资源信息，将所述实时兴趣对应的资源信息推送给所述用户的终端时，用于实现：
计算所述实时兴趣对应的资源信息的实时热度，将实时热度大于预设热度的资源信息推荐给所述用户的终端。
本申请的实施例中还提供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，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本申请实施例提供的任一项资源推荐方法。
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字卡(Secure Digital Card，SD Card)，闪存卡(Flash Card)等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种资源推荐方法，其特征在于，包括：
获取用户的历史行为数据以及所述历史行为数据对应的第一资源信息；
根据所述第一资源信息确定所述用户的兴趣标签，并根据所述兴趣标签对应的行为因子确定至少一个所述兴趣标签为所述用户的长期兴趣；
获取所述用户的实时行为数据以及所述实时行为数据对应的第二资源信息，根据所述第二资源信息确定所述用户的短期兴趣；
根据所述用户的长期兴趣和短期兴趣，确定所述用户的实时兴趣；
获取所述用户的实时兴趣对应的资源信息，将所述实时兴趣对应的资源信息推送给所述用户的终端。
2.根据权利要求1所述的资源推荐方法，其特征在于，所述根据所述第一资源信息确定所述用户的兴趣标签，包括：
基于训练好的标签查询模型，将所述第一资源信息输入所述标签查询模型中查询，得到所述第一资源信息对应的兴趣标签。
3.根据权利要求1所述的资源推荐方法，其特征在于，所述行为因子为不同历史行为数据对应的预设场景的权重值；
所述根据所述兴趣标签对应的行为因子确定至少一个所述兴趣标签为所述用户的长期兴趣，包括：
确定所述历史行为数据对应的预设场景的权重值，以得到所述兴趣标签的行为因子；
对所述兴趣标签对应的行为因子归一化处理，得到所述兴趣标签对应的因子数据；
根据所述因子数据以及所述因子数据对应的方差占比，确定所述兴趣标签对应的兴趣值；
根据预设的兴趣阈值，将所述兴趣值对应兴趣标签作为所述用户的长期兴趣。
4.根据权利要求1所述的资源推荐方法，其特征在于，所述根据所述第二资源信息确定所述用户的短期兴趣，包括：
基于训练好的标签查询模型，将所述第二资源信息输入所述标签查询模型中查询，得到所述第二资源信息对应的兴趣标签；
根据时间因子计算所述用户对所述兴趣标签的偏好值，所述时间因子为所述第二资源信息的获取时间距离当前时间的时长；
根据所述偏好值对应的兴趣标签确定所述用户的短期兴趣。
5.根据权利要求1所述的资源推荐方法，其特征在于，所述根据所述第二资源信息确定所述用户的短期兴趣，还包括：
基于训练好的标签查询模型，将所述第一资源信息和所述第二资源信息输入所述标签查询模型中查询，得到所述第一资源信息对应的兴趣标签和所述第二资源信息对应的兴趣标签；
根据第一时间因子计算所述用户对所述第一资源信息对应的兴趣标签的偏好值，以及根据第二时间因子计算所述用户对所述第二资源信息对应的兴趣标签的偏好值；
根据所述偏好值对应的兴趣标签确定所述用户的短期兴趣；
其中，所述第一时间因子为所述第一资源信息的获取时间距离当前时间的时长，所述第二时间因子为所述第二资源信息的获取时间距离当前时间的时长。
6.根据权利要求1所述的资源推荐方法，其特征在于，所述根据所述用户的长期兴趣和短期兴趣，确定所述用户的实时兴趣，包括：
根据预设的兴趣因子，分别计算所述长期兴趣中的兴趣标签和所述短期兴趣中的兴趣标签各自对应的兴趣值，所述兴趣因子包括各所述兴趣标签的影响时间距离当前时间的时长；
根据所述兴趣值对应的兴趣标签确定所述用户的实时兴趣。
7.根据权利要求1所述的资源推荐方法，其特征在于，所述获取所述用户的实时兴趣对应的资源信息，将所述实时兴趣对应的资源信息推送给所述用户的终端，包括：
计算所述实时兴趣对应的资源信息的实时热度，将实时热度大于预设热度的资源信息推荐给所述用户的终端。
8.一种资源推荐装置，其特征在于，包括：
资源信息获取模块，用于获取用户的历史行为数据以及所述历史行为数据对应的第一资源信息；
长期兴趣确定模块，用于根据所述第一资源信息确定所述用户的兴趣标签，并根据所述兴趣标签对应的行为因子确定至少一个所述兴趣标签为所述用户的长期兴趣；
短期兴趣确定模块，用于获取所述用户的实时行为数据以及所述实时行为数据对应的第二资源信息，根据所述第二资源信息确定所述用户的短期兴趣；
实时兴趣确定模块，用于根据所述用户的长期兴趣和短期兴趣，确定所述用户的实时兴趣；
资源信息推荐模块，用于获取所述用户的实时兴趣对应的资源信息，将所述实时兴趣对应的资源信息推送给所述用户的终端。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至7中任一项所述的资源推荐方法。
10.一种计算机可读存储介质，其特征在于，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使所述处理器实现如权利要求1至7中任一项所述的资源推荐方法。
CN202010137704.9A 2020-03-02 2020-03-02 资源推荐方法、装置、计算机设备和存储介质 Pending CN111444419A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010137704.9A CN111444419A (zh) 2020-03-02 2020-03-02 资源推荐方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010137704.9A CN111444419A (zh) 2020-03-02 2020-03-02 资源推荐方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN111444419A true CN111444419A (zh) 2020-07-24

Family

ID=71627327

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010137704.9A Pending CN111444419A (zh) 2020-03-02 2020-03-02 资源推荐方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111444419A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931068A (zh) * 2020-09-18 2020-11-13 知学云(北京)科技有限公司 一种基于企业在线教育的智能推荐方法
CN112818218A (zh) * 2021-01-21 2021-05-18 中国平安人寿保险股份有限公司 信息推荐方法、装置、终端设备及计算机可读存储介质
CN113378050A (zh) * 2021-06-11 2021-09-10 北京百度网讯科技有限公司 用户分类方法、装置和电子设备
CN114416246A (zh) * 2021-12-31 2022-04-29 北京五八信息技术有限公司 一种数据处理方法、装置、电子设备及存储介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931068A (zh) * 2020-09-18 2020-11-13 知学云(北京)科技有限公司 一种基于企业在线教育的智能推荐方法
CN111931068B (zh) * 2020-09-18 2021-01-26 知学云(北京)科技有限公司 一种基于企业在线教育的智能推荐方法
CN112818218A (zh) * 2021-01-21 2021-05-18 中国平安人寿保险股份有限公司 信息推荐方法、装置、终端设备及计算机可读存储介质
CN112818218B (zh) * 2021-01-21 2023-06-27 中国平安人寿保险股份有限公司 信息推荐方法、装置、终端设备及计算机可读存储介质
CN113378050A (zh) * 2021-06-11 2021-09-10 北京百度网讯科技有限公司 用户分类方法、装置和电子设备
CN113378050B (zh) * 2021-06-11 2023-10-31 北京百度网讯科技有限公司 用户分类方法、装置和电子设备
CN114416246A (zh) * 2021-12-31 2022-04-29 北京五八信息技术有限公司 一种数据处理方法、装置、电子设备及存储介质
CN114416246B (zh) * 2021-12-31 2024-03-19 北京五八信息技术有限公司 一种数据处理方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
WO2022161202A1 (zh) 多媒体资源分类模型训练方法和多媒体资源推荐方法
CN109902708B (zh) 一种推荐模型训练方法及相关装置
US10824941B2 (en) End-to-end deep collaborative filtering
CN111444419A (zh) 资源推荐方法、装置、计算机设备和存储介质
CN111080400B (zh) 一种基于门控图卷积网络的商品推荐方法及系统、存储介质
US20160132904A1 (en) Influence score of a brand
JP6854748B2 (ja) 情報提供装置、情報提供方法、およびプログラム
US10783442B1 (en) Demand forecasting via direct quantile loss optimization
JP7488871B2 (ja) 対話推薦方法、装置、電子機器、記憶媒体ならびにコンピュータプログラム
CN112434744B (zh) 一种多模态特征融合模型的训练方法及装置
CN112231580B (zh) 基于人工智能的信息推荐方法、装置、电子设备及存储介质
WO2024041483A1 (zh) 一种推荐方法及相关装置
CN108647986B (zh) 一种目标用户确定方法、装置及电子设备
CN116910357A (zh) 一种数据处理方法及相关装置
US20210064684A1 (en) Search optimization based on relevant-parameter selection
CN117009621A (zh) 信息搜索方法、装置、电子设备、存储介质及程序产品
WO2023048807A1 (en) Hierarchical representation learning of user interest
CN116204709A (zh) 一种数据处理方法及相关装置
WO2022095661A1 (zh) 推荐模型的更新方法、装置、计算机设备和存储介质
WO2023121736A1 (en) Content recommendation based on graph enhanced collaborative filtering
CN111353052B (zh) 一种多媒体对象推荐方法、装置、电子设备及存储介质
CN115017413A (zh) 推荐方法、装置、计算设备及计算机存储介质
US20210201177A1 (en) Prediction system, prediction method, and information storage medium
Korotaev et al. Method for the Development of Recommendation Systems, Customizable to Domains, with Deep GRU Network.
CN110633789A (zh) 用于流媒体推荐的自我注意网络信息处理方法

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