CN111445304A - 信息推荐方法、装置、计算机设备及存储介质 - Google Patents

信息推荐方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111445304A
CN111445304A CN202010120620.4A CN202010120620A CN111445304A CN 111445304 A CN111445304 A CN 111445304A CN 202010120620 A CN202010120620 A CN 202010120620A CN 111445304 A CN111445304 A CN 111445304A
Authority
CN
China
Prior art keywords
class
feature
sample
classes
distance
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.)
Granted
Application number
CN202010120620.4A
Other languages
English (en)
Other versions
CN111445304B (zh
Inventor
邓悦
金戈
徐亮
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 Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202010120620.4A priority Critical patent/CN111445304B/zh
Publication of CN111445304A publication Critical patent/CN111445304A/zh
Priority to PCT/CN2020/131762 priority patent/WO2021169445A1/zh
Application granted granted Critical
Publication of CN111445304B publication Critical patent/CN111445304B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例公开了一种信息推荐方法、装置、计算机设备及存储介质。该方法属于智能决策技术领域，该方法包括：将消费管理服务器发送的训练样本集合输入到聚类模型中以聚类得到多个类；获取各类的特征距离；分别获取待测样本与各类的类心的距离；将多个类划分为多个包含两个类的组并筛选特征类以及特征组；分别将待推荐用户终端发送的待测样本聚类到各特征组的一类中；统计待测样本聚类到各特征类中的次数，并选取次数最高的特征类作为待测样本所属的类，并根据待测样本所属的类为待推荐用户终端推荐信息。通过筛选特征类，可过滤掉大多数距离待测样本较远的特征组，从而极大地降低了计算机的数据处理量，提高了计算机的处理速度。

Description

信息推荐方法、装置、计算机设备及存储介质
技术领域
本发明涉及智能决策领域，尤其涉及一种信息推荐方法、装置、计算机设备及存储介质。
背景技术
将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。根据人群分类，可以进行商品推荐。具体地，将某一类中待推荐用户购买较多的商品推荐给该类中的新待推荐用户。
现有的人群分类方法多是采用无监督的聚类方法，其存在的缺点是当建立好聚类模型之后，新待推荐用户的数据在进行泛化时，需要将新待推荐用户与模型所有类进行的对比，才能确定该新待推荐用户所属的类。在分得的类较多时，倘若采用全部对比，所需的数据处理量巨大，将会耗费大量的计算资源，并且计算耗时也大幅提升。
发明内容
本发明实施例提供了一种信息推荐方法、装置、计算机设备及存储介质，旨在解决现有聚类模型计算资源消耗大、计算耗时长的问题。
第一方面，本发明实施例提供了一种信息推荐方法，其包括：
接收消费管理服务器发送的训练样本集合，并将所述训练样本集合中的训练样本输入到预设的聚类模型中以聚类得到多个类，其中，所述训练样本集合包含多个用户的消费数据样本，所述消费数据样本是由所述消费管理服务器从多个用户终端处获取的；
分别获取每个所述类中距离所述类的类心最远的训练样本作为目标训练样本，并获取所述目标训练样本与所述类的类心的距离作为所述类的特征距离；
将多个所述类划分为多个包含两个所述类的组，其中，任一所述类均与除自身外的所有类组成组；
若接收到待推荐用户终端发送的待测样本，将所述待测样本输入所述聚类模型中以分别获取所述待测样本与各所述类的类心的距离，其中，所述待测样本包含所述待推荐用户终端的消费数据；
从各所述类中筛选出特征类，并从各所述组中筛选出特征组，其中，所述特征类的类心与所述待测样本的距离小于预设的距离阈值，所述特征组包含的两个类均为所述特征类；
根据所述待测样本与各所述特征组的特征类的距离以及所述特征组的特征类的特征距离，分别将所述待测样本聚类到各所述特征组的一所述特征类中；
统计所述待测样本聚类到各所述特征组的特征类中的次数，选取次数最高的特征类作为所述待测样本所属的类，并根据所述待测样本所属的类为所述待推荐用户终端推荐信息。
第二方面，本发明实施例还提供了一种信息推荐装置，其包括：
输入单元，用于接收消费管理服务器发送的训练样本集合，并将所述训练样本集合中的训练样本输入到预设的聚类模型中以聚类得到多个类，其中，所述训练样本集合包含多个用户的消费数据样本，所述消费数据样本是由所述消费管理服务器从多个用户终端处获取的；
第一获取单元，用于分别获取每个所述类中距离所述类的类心最远的训练样本作为目标训练样本，并获取所述目标训练样本与所述类的类心的距离作为所述类的特征距离；
划分单元，用于将多个所述类划分为多个包含两个所述类的组，其中，任一所述类均与除自身外的所有类组成组；
第二获取单元，用于若接收到待推荐用户终端发送的待测样本，将所述待测样本输入所述聚类模型中以分别获取所述待测样本与各所述类的类心的距离，其中，所述待测样本包含所述待推荐用户终端的消费数据；
筛选单元，用于从各所述类中筛选出特征类，并从各所述组中筛选出特征组，其中，所述特征类的类心与所述待测样本的距离小于预设的距离阈值，所述特征组包含的两个类均为所述特征类；
聚类单元，用于根据所述待测样本与各所述特征组的特征类的距离以及所述特征组的特征类的特征距离，分别将所述待测样本聚类到各所述特征组的一所述特征类中；
统计单元，用于统计所述待测样本聚类到各所述特征组的特征类中的次数，选取次数最高的特征类作为所述待测样本所属的类，并根据所述待测样本所属的类为所述待推荐用户终端推荐信息。
第三方面，本发明实施例还提供了一种计算机设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法。
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，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时可实现上述方法。
本发明实施例提供了一种信息推荐方法、装置、计算机设备及存储介质。其中，所述方法包括：接收消费管理服务器发送的训练样本集合，并将所述训练样本集合中的训练样本输入到预设的聚类模型中以聚类得到多个类，其中，所述训练样本集合包含多个用户的消费数据样本，所述消费数据样本是由所述消费管理服务器从多个用户终端处获取的；分别获取每个所述类中距离所述类的类心最远的训练样本作为目标训练样本，并获取所述目标训练样本与所述类的类心的距离作为所述类的特征距离；将多个所述类划分为多个包含两个所述类的组，其中，任一所述类均与除自身外的所有类组成组；若接收到待推荐用户终端发送的待测样本，将所述待测样本输入所述聚类模型中以分别获取所述待测样本与各所述类的类心的距离，其中，所述待测样本包含所述待推荐用户终端的消费数据；从各所述类中筛选出特征类，并从各所述组中筛选出特征组，其中，所述特征类的类心与所述待测样本的距离小于预设的距离阈值，所述特征组包含的两个类均为所述特征类；根据所述待测样本与各所述特征组的特征类的距离以及所述特征组的特征类的特征距离，分别将所述待测样本聚类到各所述特征组的一所述特征类中；统计所述待测样本聚类到各所述特征组的特征类中的次数，选取次数最高的特征类作为所述待测样本所属的类，并根据所述待测样本所属的类为所述待推荐用户终端推荐信息。本发明的技术方案，通过从各类中筛选出特征类可过滤掉大多数距离待测样本较远的特征组，而只是计算一部分距离较近的特征组，从而可以极大地降低了计算机的数据处理量，提高了计算机的处理速度。
附图说明
为了更清楚地说明本发明实施例技术方案，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。
图1为本发明实施例提供的一种信息推荐方法的流程示意图；
图2为本发明实施例提供的一种信息推荐方法的子流程示意图；
图3为本发明实施例提供的一种信息推荐方法的子流程示意图；
图4为本发明实施例提供的一种信息推荐方法的子流程示意图；
图5为本发明实施例提供的一种信息推荐装置的示意性框图；
图6为本发明实施例提供的一种信息推荐装置的第一获取单元的示意性框图；
图7为本发明实施例提供的一种信息推荐装置的划分单元的示意性框图；
图8为本发明实施例提供的一种信息推荐装置的聚类单元的示意性框图；
图9为本发明实施例提供的一种信息推荐装置的第二标记单元的示意性框图；
图10为本发明实施例提供的一种信息推荐装置的第二获取单元的示意性框图；以及
图11为本发明实施例提供的一种计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明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发明。如在本发明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。
还应当进一步理解，在本发明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。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
请参阅图1，图1是本发明实施例提供的信息推荐方法的流程示意图。如图所示，该方法包括以下步骤S1-S7。本发明提出的信息推荐方法应用于推荐系统中的推荐服务器，所述推荐服务器还包括消费管理服务器以及用户终端。
S1，接收消费管理服务器发送的训练样本集合，并将所述训练样本集合中的训练样本输入到预设的聚类模型中以聚类得到多个类。
其中，所述训练样本集合包含多个用户的消费数据样本，所述消费数据样本是由所述消费管理服务器从多个用户终端处获取的。
具体实施中，接收消费管理服务器发送的训练样本集合，训练样本集合包含多个用户的消费数据样本，所述消费数据样本是由所述消费管理服务器从多个用户终端处获取的。
将获取到的训练样本集合中的训练样本输入到预设的聚类模型中以聚类得到多个类。具体地，预设的聚类模型可以为KMeans聚类模型。KMeans聚类模型是一种常用的用来对样本进行聚类的模型。通过将训练样本集合中的训练样本输入到KMeans聚类模型中进行聚类后可得到聚类结果。聚类结果包括类的数量，各类的类心，以及各类包含的训练样本的数量等信息。
S2，分别获取每个所述类中距离所述类的类心最远的训练样本作为目标训练样本，并获取所述目标训练样本与所述类的类心的距离作为所述类的特征距离。
具体实施中，分别获取每个类中距离该类的类心最远的训练样本作为目标训练样本，并且获取该目标训练样本与该类的类心的距离作为该类的特征距离。特征距离可用于表征类的大小范围特征。特征距离越大表明类的范围越大，特征距离越小表明类的范围越小。
在一实施例中，以上步骤S2包括以下步骤S21。
S21，根据以下公式
Figure BDA0002392860590000061
计算所述目标训练样本与所述类的类心的距离d1，其中，xi为类心的分量，yi为目标训练样本的分量，n为目标训练样本以及类心的维度。
具体实施中，根据以下公式
Figure BDA0002392860590000062
计算所述目标训练样本与所述类的类心的距离d1，其中，xi为类心的分量，yi为目标训练样本的分量，n为目标训练样本以及类心的维度。
S3，将多个所述类划分为多个包含两个所述类的组，其中，任一所述类均与除自身外的所有类组成组。
具体实施中，将多个类划分为多个包含两个类的组，其中，任一所述类均与除自身外的所有类组成组。例如，在一实施例中，总共有a、b以及c三个类，则可划分为(a，b)、(b，c)以及(a，c)三个组。
参见图2，在一实施例中，以上步骤S3具体包括如下步骤S31-S35。
S31，获取一所述类作为目标类。
具体实施中，首先随机获取一所述类作为目标类。例如，在一实施例中，总共有a、b以及c三个类，随机选择a类作为目标类。
S32，分别将所述目标类与所述目标类之外的所有类组成组，并对所述目标类进行标记。
具体实施中，分别将所述目标类与所述目标类之外的所有类组成组，并对所述目标类进行标记。例如，分别将a与b、c组成组得到(a，b)和(a，c)两个组。并且对a进行标记。
S33，判断是否存在未标记的类。
具体实施中，判断是否存在未标记的类。
S34，若存在未标记的类，获取一未标记的类作为新的目标类，并返回所述分别将所述目标类与所述目标类之外的所有类组成组，并对所述目标类进行标记的步骤。
具体实施中，如果存在未标记的类，则获取一未标记的类作为新的目标类，并返回所述分别将所述目标类与所述目标类之外的所有类组成组，并对所述目标类进行标记。例如，随机选择b作为新的目标类，并分别将b与a、c组成组得到(a，b)和(b，c)两个组。并且对b进行标记。
进一步地，随机选择c作为新的目标类，并分别将c与a、b组成组得到(a，c)和(b，c)两个组。并且对c进行标记。
S35，若不存在未标记的类，将所有组中重复的组删除。
具体实施中，若不存在未标记的类，则将通过以上步骤所得到的所有组中重复的组删除。例如，总共得到(a，b)、(a，c)、(a，b)、(b，c)、(a，c)以及(b，c)六个组，再将其中重复的组删除，最后得到(a，b)、(b，c)以及(a，c)三个组。
S4，若接收到待推荐用户终端发送的待测样本，将所述待测样本输入所述聚类模型中以分别获取所述待测样本与各所述类的类心的距离。
其中，所述待测样本包含所述待推荐用户终端的消费数据。消费数据包括如消费商户、消费商品、消费金额以及消费时间等信息。
具体实施中，如果接收到待测样本，将所述待测样本输入所述聚类模型，聚类模型将所述待测样本转换为一向量，然后再分别计算该待测样本与各所述类的类心的距离。
在一实施例中，以上步骤S4包括以下步骤S41。
S41，根据以下公式
Figure BDA0002392860590000071
计算所述待测样本与所述类的类心的距离d2，其中xi为类心的分量，zi为目标训练样本的分量，n为目标训练样本以及类心的维度。
具体实施中，根据以下公式
Figure BDA0002392860590000072
计算所述待测样本与所述类的类心的距离d2，其中xi为类心的分量，zi为目标训练样本的分量，n为目标训练样本以及类心的维度。
S5，从各所述类中筛选出特征类，并从各所述组中筛选出特征组。
其中，所述特征类的类心与所述待测样本的距离小于预设的距离阈值，所述特征组包含的两个类均为所述特征类。
具体实施中，从各所述类中筛选出特征类，并从各所述组中筛选出特征组。需要说明的是，特征类的类心与待测样本的距离小于预设的距离阈值。距离阈值可由本领域技术人员根据经验进行设定，本发明对此不作具体限定。进一步地，特征组包含的两个类均为特征类。
通过以上步骤S5可过滤掉大多数距离待测样本较远的特征组，从而极大地降低了计算机的数据处理量，提高了计算机的处理速度。
S6，根据所述待测样本与各所述特征组的特征类的距离以及所述特征组的特征类的特征距离，分别将所述待测样本聚类到各所述特征组的一所述特征类中。
具体实施中，对于每一个特征组，均根据所述待测样本与该特征组的类的距离以及该特征组的类的特征距离，将所述待测样本聚类到该特征组的一所述类中。
参见图3，在一实施例中，以上步骤S5具体包括以下步骤S51-S55。
S51，获取一所述特征组作为目标组。
具体实施中，可采用随机方式获取一所述特征组作为目标组。例如，在一实施例中，包含(a，b)、(b，c)以及(a，c)三个组。随机选择(a，b)为目标组。
S52，根据所述待测样本与所述目标组的类的距离以及所述目标组的类的特征距离，将所述待测样本聚类到所述目标组的一所述类中，并对所述目标组进行标记。
具体实施中，根据所述待测样本与所述目标组的类的距离以及所述目标组的类的特征距离，将所述待测样本聚类到所述目标组的一所述类中，并对所述目标组进行标记。例如，在一实施例中，将待测样本聚类到(a，b)中的a中。并对(a，b)进行标记。
参见图4，在一实施例中，所述目标组包含的两个类分别为第一类和第二类，以上步骤S52包括以下步骤：S521-S523。
S521，判断第一比值是否大于第二比值，其中，所述第一比值为所述待测样本与所述第一类的类心的距离与所述待测样本与所述第二类的类心的距离的比值，所述第二比值为所述第一类的特征距离与所述第二类的特征距离的比值。
具体实施中，计算所述待测样本与所述第一类的类心的距离与所述待测样本与所述第二类的类心的距离的比值r1，r1即为第一比值；以及计算所述第一类的特征距离与所述第二类的特征距离的比值r2，r2即为第二比值。之后，判断r1是否大于r2。
S522，若所述第一比值大于所述第二比值，判定所述待测样本聚类到所述第一类中。
具体实施中，如果r1大于r2，则判定所述待测样本聚类到所述第一类中。
S523，若所述第一比值不大于所述第二比值，判定所述待测样本聚类到所述第二类中。
具体实施中，如果r1不大于r2，则判定所述待测样本聚类到所述第二类中。
S53，判断是否存在未标记的特征组。
具体实施中，判断是否存在未标记的特征组。
S54，若存在未标记的特征组，获取一未标记的特征组作为新的目标组，并返回所述根据所述待测样本与所述目标组的类的距离以及所述目标组的类的特征距离，将所述待测样本聚类到所述目标组的一所述类中，并对所述目标组进行标记的步骤。
具体实施中，如果存在未标记的特征组，获取一未标记的特征组作为新的目标组，并返回所述根据所述待测样本与所述目标组的类的距离以及所述目标组的类的特征距离，将所述待测样本聚类到所述目标组的一所述类中，并对所述目标组进行标记的步骤。例如，在一实施例中，随机获取(a，c)为新的目标组，并将待测样本聚类到(a，c)中的a中。并对(a，c)进行标记。
进一步地，获取(b，c)为新的目标组，并将待测样本聚类到(b，c)中的b中。并对(b，c)进行标记。
S55，若不存在未标记的组，转到步骤S6。
具体实施中，如果不存在未标记的组，转到以下步骤S6。
S7，统计所述待测样本聚类到各所述特征组的特征类中的次数，选取次数最高的特征类作为所述待测样本所属的类，并根据所述待测样本所属的类为所述待推荐用户终端推荐信息。
具体实施中，统计在步骤S5中，所述待测样本聚类到各所述特征组的特征类中的次数，选取次数最高的特征类作为所述待测样本所属的类，并根据所述待测样本所属的类为所述待推荐用户终端推荐信息。
例如，在一实施例中，总共包含三个特征类，其分别为a、b以及c。待测样本聚类到各所述特征类中的次数分别为a为2次，b为1次，c为0次，则选取a作为所述待测样本所属的类。通过选取次数最高的特征类作为所述待测样本所属的类，能够保证在对待测样本进行聚类时(即将聚类模型进行泛化)，充分考虑了类的大小范围信息(即类的特征距离)，保证了在待测样本上进行泛化时每个类的分布与训练模型时得到的分布一致，从而提高了对新待推荐用户进行聚类的准确性，进而提高了信息推荐的准确性。
进一步地，根据所述待测样本所属的类为所述待推荐用户终端推荐信息。具体地，统计所述待测样本所属的类的用户所购买的商品，并按照商品的购买次数由高到低的顺序筛选出预设数量(例如，预设数量为5)的商品作为推荐商品，并将获取的推荐商品的商品信息推荐给待推荐用户终端。
本发明的技术方案，接收消费管理服务器发送的训练样本集合，并将所述训练样本集合中的训练样本输入到预设的聚类模型中以聚类得到多个类，其中，所述训练样本集合包含多个用户的消费数据样本，所述消费数据样本是由所述消费管理服务器从多个用户终端处获取的；分别获取每个所述类中距离所述类的类心最远的训练样本作为目标训练样本，并获取所述目标训练样本与所述类的类心的距离作为所述类的特征距离；将多个所述类划分为多个包含两个所述类的组，其中，任一所述类均与除自身外的所有类组成组；若接收到待推荐用户终端发送的待测样本，将所述待测样本输入所述聚类模型中以分别获取所述待测样本与各所述类的类心的距离，其中，所述待测样本包含所述待推荐用户终端的消费数据；从各所述类中筛选出特征类，并从各所述组中筛选出特征组，其中，所述特征类的类心与所述待测样本的距离小于预设的距离阈值，所述特征组包含的两个类均为所述特征类；根据所述待测样本与各所述特征组的特征类的距离以及所述特征组的特征类的特征距离，分别将所述待测样本聚类到各所述特征组的一所述特征类中；统计所述待测样本聚类到各所述特征组的特征类中的次数，选取次数最高的特征类作为所述待测样本所属的类，并根据所述待测样本所属的类为所述待推荐用户终端推荐信息。本发明的技术方案，通过从各类中筛选出特征类可过滤掉大多数距离待测样本较远的特征组，而只是计算一部分距离较近的特征组，从而可以极大地降低了计算机的数据处理量，提高了计算机的处理速度。
图5是本发明实施例提供的一种信息推荐装置60的示意性框图。如图5所示，对应于以上信息推荐方法，本发明还提供一种信息推荐装置60。该信息推荐装置60包括用于执行上述信息推荐方法的单元，该装置60可以被配置于台式电脑、平板电脑、手提电脑、等终端中。具体地，请参阅图5，该信息推荐装置60包括输入单元61、第一获取单元62、划分单元63、第二获取单元64、筛选单元65、聚类单元66以及统计单元67。
输入单元61，用于接收消费管理服务器发送的训练样本集合，并将所述训练样本集合中的训练样本输入到预设的聚类模型中以聚类得到多个类，其中，所述训练样本集合包含多个用户的消费数据样本，所述消费数据样本是由所述消费管理服务器从多个用户终端处获取的；
第一获取单元62，用于分别获取每个所述类中距离所述类的类心最远的训练样本作为目标训练样本，并获取所述目标训练样本与所述类的类心的距离作为所述类的特征距离；
划分单元63，用于将多个所述类划分为多个包含两个所述类的组，其中，任一所述类均与除自身外的所有类组成组；
第二获取单元64，用于若接收到待推荐用户终端发送的待测样本，将所述待测样本输入所述聚类模型中以分别获取所述待测样本与各所述类的类心的距离，其中，所述待测样本包含所述待推荐用户终端的消费数据；
筛选单元65，用于从各所述类中筛选出特征类，并从各所述组中筛选出特征组，其中，所述特征类的类心与所述待测样本的距离小于预设的距离阈值，所述特征组包含的两个类均为所述特征类；
聚类单元66，用于根据所述待测样本与各所述特征组的特征类的距离以及所述特征组的特征类的特征距离，分别将所述待测样本聚类到各所述特征组的一所述特征类中；
统计单元67，用于统计所述待测样本聚类到各所述特征组的特征类中的次数，选取次数最高的特征类作为所述待测样本所属的类，并根据所述待测样本所属的类为所述待推荐用户终端推荐信息。
在一实施例中，如图6所示，所述第一获取单元62包括第一计算单元621。
第一计算单元621，用于根据以下公式
Figure BDA0002392860590000111
计算所述目标训练样本与所述类的类心的距离d1，其中，xi为类心的分量，yi为目标训练样本的分量，n为目标训练样本以及类心的维度。
在一实施例中，如图7所示，所述划分单元63包括第三获取单元631、第一标记单元632、第一判断单元633、第一返回单元634以及删除单元635。
第三获取单元631，用于获取一所述类作为目标类；
第一标记单元632，用于分别将所述目标类与所述目标类之外的所有类组成组，并对所述目标类进行标记；
第一判断单元633，用于判断是否存在未标记的类；
第一返回单元634，用于若存在未标记的类，获取一未标记的类作为新的目标类，并返回所述分别将所述目标类与所述目标类之外的所有类组成组，并对所述目标类进行标记的步骤；
删除单元635，用于若不存在未标记的类，将所有组中重复的组删除。
在一实施例中，如图8所示，所述聚类单元66包括第四获取单元651、第二标记单元652、第二判断单元653以及第二返回单元654。
第四获取单元651，用于获取一所述特征组作为目标组。
第二标记单元652，用于根据所述待测样本与所述目标组的类的距离以及所述目标组的类的特征距离，将所述待测样本聚类到所述目标组的一所述类中，并对所述目标组进行标记；
第二判断单元653，用于判断是否存在未标记的特征组。
第二返回单元654，用于若存在未标记的特征组，获取一未标记的特征组作为新的目标组，并返回所述根据所述待测样本与所述目标组的类的距离以及所述目标组的类的特征距离，将所述待测样本聚类到所述目标组的一所述类中，并对所述目标组进行标记的步骤。
在一实施例中，如图9所示，所述第二标记单元652包括第三判断单元6521、第一判定单元6522以及第二判定单元6523。
第三判断单元6521，用于判断第一比值是否大于第二比值，其中，所述第一比值为所述待测样本与所述第一类的类心的距离与所述待测样本与所述第二类的类心的距离的比值，所述第二比值为所述第一类的特征距离与所述第二类的特征距离的比值；
第一判定单元6522，用于若所述第一比值大于所述第二比值，判定所述待测样本聚类到所述第一类中；
第二判定单元6523，用于若所述第一比值不大于所述第二比值，判定所述待测样本聚类到所述第二类中。
在一实施例中，如图10所示，所述第二获取单元64包括第二计算单元641。
第二计算单元641，用于根据以下公式
Figure BDA0002392860590000131
计算所述待测样本与所述类的类心的距离d2，其中xi为类心的分量，zi为目标训练样本的分量，n为目标训练样本以及类心的维度。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述信息推荐装置60和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述信息推荐装置60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11所示的计算机设备上运行。
请参阅图11，图11是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是终端其中，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具有通信功能的电子设备。参阅图11，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行一种信息推荐方法。
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种信息推荐方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：
接收消费管理服务器发送的训练样本集合，并将所述训练样本集合中的训练样本输入到预设的聚类模型中以聚类得到多个类，其中，所述训练样本集合包含多个用户的消费数据样本，所述消费数据样本是由所述消费管理服务器从多个用户终端处获取的；
分别获取每个所述类中距离所述类的类心最远的训练样本作为目标训练样本，并获取所述目标训练样本与所述类的类心的距离作为所述类的特征距离；
将多个所述类划分为多个包含两个所述类的组，其中，任一所述类均与除自身外的所有类组成组；
若接收到待推荐用户终端发送的待测样本，将所述待测样本输入所述聚类模型中以分别获取所述待测样本与各所述类的类心的距离，其中，所述待测样本包含所述待推荐用户终端的消费数据；
从各所述类中筛选出特征类，并从各所述组中筛选出特征组，其中，所述特征类的类心与所述待测样本的距离小于预设的距离阈值，所述特征组包含的两个类均为所述特征类；
根据所述待测样本与各所述特征组的特征类的距离以及所述特征组的特征类的特征距离，分别将所述待测样本聚类到各所述特征组的一所述特征类中；
统计所述待测样本聚类到各所述特征组的特征类中的次数，选取次数最高的特征类作为所述待测样本所属的类，并根据所述待测样本所属的类为所述待推荐用户终端推荐信息。
在一实施例中，处理器502在实现所述获取所述目标训练样本与所述类的类心的距离作为所述类的特征距离步骤时，具体实现如下步骤：
根据以下公式
Figure BDA0002392860590000141
计算所述目标训练样本与所述类的类心的距离d1，其中，xi为类心的分量，yi为目标训练样本的分量，n为目标训练样本以及类心的维度。
在一实施例中，处理器502在实现所述将多个所述类划分为多个包含两个所述类的组步骤时，具体实现如下步骤：
获取一所述类作为目标类；
分别将所述目标类与所述目标类之外的所有类组成组，并对所述目标类进行标记；
判断是否存在未标记的类；
若存在未标记的类，获取一未标记的类作为新的目标类，并返回所述分别将所述目标类与所述目标类之外的所有类组成组，并对所述目标类进行标记的步骤；
若不存在未标记的类，将所有组中重复的组删除。
在一实施例中，处理器502在实现所述根据所述待测样本与各所述特征组的特征类的距离以及所述特征组的特征类的特征距离，分别将所述待测样本聚类到各所述特征组的一所述特征类中步骤时，具体实现如下步骤：
获取一所述特征组作为目标组；
根据所述待测样本与所述目标组的类的距离以及所述目标组的类的特征距离，将所述待测样本聚类到所述目标组的一所述类中，并对所述目标组进行标记；
判断是否存在未标记的特征组；
若存在未标记的特征组，获取一未标记的特征组作为新的目标组，并返回所述根据所述待测样本与所述目标组的类的距离以及所述目标组的类的特征距离，将所述待测样本聚类到所述目标组的一所述类中，并对所述目标组进行标记的步骤。
在一实施例中，所述目标组包含的两个类分别为第一类和第二类，处理器502在实现所述根据所述待测样本与所述目标组的类的距离以及所述目标组的类的特征距离，将所述待测样本聚类到所述目标组的一所述类中步骤时，具体实现如下步骤：
判断第一比值是否大于第二比值，其中，所述第一比值为所述待测样本与所述第一类的类心的距离与所述待测样本与所述第二类的类心的距离的比值，所述第二比值为所述第一类的特征距离与所述第二类的特征距离的比值；
若所述第一比值大于所述第二比值，判定所述待测样本聚类到所述第一类中；
若所述第一比值不大于所述第二比值，判定所述待测样本聚类到所述第二类中。
在一实施例中，处理器502在实现所述分别获取所述待测样本与各所述类的类心的距离步骤时，具体实现如下步骤：
根据以下公式
Figure BDA0002392860590000161
计算所述待测样本与所述类的类心的距离d2，其中xi为类心的分量，zi为目标训练样本的分量，n为目标训练样本以及类心的维度。
应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，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。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序。该计算机程序被处理器执行时使处理器执行如下步骤：
接收消费管理服务器发送的训练样本集合，并将所述训练样本集合中的训练样本输入到预设的聚类模型中以聚类得到多个类，其中，所述训练样本集合包含多个用户的消费数据样本，所述消费数据样本是由所述消费管理服务器从多个用户终端处获取的；
分别获取每个所述类中距离所述类的类心最远的训练样本作为目标训练样本，并获取所述目标训练样本与所述类的类心的距离作为所述类的特征距离；
将多个所述类划分为多个包含两个所述类的组，其中，任一所述类均与除自身外的所有类组成组；
若接收到待推荐用户终端发送的待测样本，将所述待测样本输入所述聚类模型中以分别获取所述待测样本与各所述类的类心的距离，其中，所述待测样本包含所述待推荐用户终端的消费数据；
从各所述类中筛选出特征类，并从各所述组中筛选出特征组，其中，所述特征类的类心与所述待测样本的距离小于预设的距离阈值，所述特征组包含的两个类均为所述特征类；
根据所述待测样本与各所述特征组的特征类的距离以及所述特征组的特征类的特征距离，分别将所述待测样本聚类到各所述特征组的一所述特征类中；
统计所述待测样本聚类到各所述特征组的特征类中的次数，选取次数最高的特征类作为所述待测样本所属的类，并根据所述待测样本所属的类为所述待推荐用户终端推荐信息。
在一实施例中，所述处理器在执行所述计算机程序而实现所述获取所述目标训练样本与所述类的类心的距离作为所述类的特征距离步骤时，具体实现如下步骤：
根据以下公式
Figure BDA0002392860590000171
计算所述目标训练样本与所述类的类心的距离d1，其中，xi为类心的分量，yi为目标训练样本的分量，n为目标训练样本以及类心的维度。
在一实施例中，所述处理器在执行所述计算机程序而实现所述将多个所述类划分为多个包含两个所述类的组步骤时，具体实现如下步骤：
获取一所述类作为目标类；
分别将所述目标类与所述目标类之外的所有类组成组，并对所述目标类进行标记；
判断是否存在未标记的类；
若存在未标记的类，获取一未标记的类作为新的目标类，并返回所述分别将所述目标类与所述目标类之外的所有类组成组，并对所述目标类进行标记的步骤；
若不存在未标记的类，将所有组中重复的组删除。
在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述待测样本与各所述特征组的特征类的距离以及所述特征组的特征类的特征距离，分别将所述待测样本聚类到各所述特征组的一所述特征类中步骤时，具体实现如下步骤：
获取一所述特征组作为目标组；
根据所述待测样本与所述目标组的类的距离以及所述目标组的类的特征距离，将所述待测样本聚类到所述目标组的一所述类中，并对所述目标组进行标记；
判断是否存在未标记的特征组；
若存在未标记的特征组，获取一未标记的特征组作为新的目标组，并返回所述根据所述待测样本与所述目标组的类的距离以及所述目标组的类的特征距离，将所述待测样本聚类到所述目标组的一所述类中，并对所述目标组进行标记的步骤。
在一实施例中，所述目标组包含的两个类分别为第一类和第二类，所述处理器在执行所述计算机程序而实现所述根据所述待测样本与所述目标组的类的距离以及所述目标组的类的特征距离，将所述待测样本聚类到所述目标组的一所述类中步骤时，具体实现如下步骤：
判断第一比值是否大于第二比值，其中，所述第一比值为所述待测样本与所述第一类的类心的距离与所述待测样本与所述第二类的类心的距离的比值，所述第二比值为所述第一类的特征距离与所述第二类的特征距离的比值；
若所述第一比值大于所述第二比值，判定所述待测样本聚类到所述第一类中；
若所述第一比值不大于所述第二比值，判定所述待测样本聚类到所述第二类中。
在一实施例中，所述处理器在执行所述计算机程序而实现所述分别获取所述待测样本与各所述类的类心的距离步骤时，具体实现如下步骤：
根据以下公式
Figure BDA0002392860590000181
计算所述待测样本与所述类的类心的距离d2，其中xi为类心的分量，zi为目标训练样本的分量，n为目标训练样本以及类心的维度。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，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发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以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，各个单元的划分，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。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明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，也可以是两个或两个以上单元集成在一个单元中。
该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，可以存储在一个存储介质中。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，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介质中，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，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
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的部分，可以参见其他实施例的相关描述。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，尚且本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，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发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种信息推荐方法，其特征在于，所述方法应用于推荐系统中的推荐服务器，所述推荐服务器还包括消费管理服务器以及用户终端，所述方法包括：
接收消费管理服务器发送的训练样本集合，并将所述训练样本集合中的训练样本输入到预设的聚类模型中以聚类得到多个类，其中，所述训练样本集合包含多个用户的消费数据样本，所述消费数据样本是由所述消费管理服务器从多个用户终端处获取的；
分别获取每个所述类中距离所述类的类心最远的训练样本作为目标训练样本，并获取所述目标训练样本与所述类的类心的距离作为所述类的特征距离；
将多个所述类划分为多个包含两个所述类的组，其中，任一所述类均与除自身外的所有类组成组；
若接收到待推荐用户终端发送的待测样本，将所述待测样本输入所述聚类模型中以分别获取所述待测样本与各所述类的类心的距离，其中，所述待测样本包含所述待推荐用户终端的消费数据；
从各所述类中筛选出特征类，并从各所述组中筛选出特征组，其中，所述特征类的类心与所述待测样本的距离小于预设的距离阈值，所述特征组包含的两个类均为所述特征类；
根据所述待测样本与各所述特征组的特征类的距离以及所述特征组的特征类的特征距离，分别将所述待测样本聚类到各所述特征组的一所述特征类中；
统计所述待测样本聚类到各所述特征组的特征类中的次数，选取次数最高的特征类作为所述待测样本所属的类，并根据所述待测样本所属的类为所述待推荐用户终端推荐信息。
2.根据权利要求1所述的信息推荐方法，其特征在于，所述获取所述目标训练样本与所述类的类心的距离作为所述类的特征距离，包括：
根据以下公式
Figure FDA0002392860580000011
计算所述目标训练样本与所述类的类心的距离d1，其中，xi为类心的分量，yi为目标训练样本的分量，n为目标训练样本以及类心的维度。
3.根据权利要求1所述的信息推荐方法，其特征在于，所述将多个所述类划分为多个包含两个所述类的组，包括：
获取一所述类作为目标类；
分别将所述目标类与所述目标类之外的所有类组成组，并对所述目标类进行标记；
判断是否存在未标记的类；
若存在未标记的类，获取一未标记的类作为新的目标类，并返回所述分别将所述目标类与所述目标类之外的所有类组成组，并对所述目标类进行标记的步骤；
若不存在未标记的类，将所有组中重复的组删除。
4.根据权利要求1所述的信息推荐方法，其特征在于，所述根据所述待测样本与各所述特征组的特征类的距离以及所述特征组的特征类的特征距离，分别将所述待测样本聚类到各所述特征组的一所述特征类中，包括：
获取一所述特征组作为目标组；
根据所述待测样本与所述目标组的类的距离以及所述目标组的类的特征距离，将所述待测样本聚类到所述目标组的一所述类中，并对所述目标组进行标记；
判断是否存在未标记的特征组；
若存在未标记的特征组，获取一未标记的特征组作为新的目标组，并返回所述根据所述待测样本与所述目标组的类的距离以及所述目标组的类的特征距离，将所述待测样本聚类到所述目标组的一所述类中，并对所述目标组进行标记的步骤。
5.根据权利要求4所述的信息推荐方法，其特征在于，所述目标组包含的两个类分别为第一类和第二类，所述根据所述待测样本与所述目标组的类的距离以及所述目标组的类的特征距离，将所述待测样本聚类到所述目标组的一所述类中，包括：
判断第一比值是否大于第二比值，其中，所述第一比值为所述待测样本与所述第一类的类心的距离与所述待测样本与所述第二类的类心的距离的比值，所述第二比值为所述第一类的特征距离与所述第二类的特征距离的比值；
若所述第一比值大于所述第二比值，判定所述待测样本聚类到所述第一类中；
若所述第一比值不大于所述第二比值，判定所述待测样本聚类到所述第二类中。
6.根据权利要求1所述的信息推荐方法，其特征在于，所述将所述待测样本输入所述聚类模型中以分别获取所述待测样本与各所述类的类心的距离，包括：
根据以下公式
Figure FDA0002392860580000031
计算所述待测样本与所述类的类心的距离d2，其中xi为类心的分量，zi为目标训练样本的分量，n为目标训练样本以及类心的维度。
7.一种信息推荐装置，其特征在于，包括：
输入单元，用于接收消费管理服务器发送的训练样本集合，并将所述训练样本集合中的训练样本输入到预设的聚类模型中以聚类得到多个类，其中，所述训练样本集合包含多个用户的消费数据样本，所述消费数据样本是由所述消费管理服务器从多个用户终端处获取的；
第一获取单元，用于分别获取每个所述类中距离所述类的类心最远的训练样本作为目标训练样本，并获取所述目标训练样本与所述类的类心的距离作为所述类的特征距离；
划分单元，用于将多个所述类划分为多个包含两个所述类的组，其中，任一所述类均与除自身外的所有类组成组；
第二获取单元，用于若接收到待推荐用户终端发送的待测样本，将所述待测样本输入所述聚类模型中以分别获取所述待测样本与各所述类的类心的距离，其中，所述待测样本包含所述待推荐用户终端的消费数据；
筛选单元，用于从各所述类中筛选出特征类，并从各所述组中筛选出特征组，其中，所述特征类的类心与所述待测样本的距离小于预设的距离阈值，所述特征组包含的两个类均为所述特征类；
聚类单元，用于根据所述待测样本与各所述特征组的特征类的距离以及所述特征组的特征类的特征距离，分别将所述待测样本聚类到各所述特征组的一所述特征类中；
统计单元，用于统计所述待测样本聚类到各所述特征组的特征类中的次数，选取次数最高的特征类作为所述待测样本所属的类，并根据所述待测样本所属的类为所述待推荐用户终端推荐信息。
8.根据权利要求7所述的信息推荐装置，其特征在于，所述第一获取单元包括：
第一计算单元，用于根据以下公式
Figure FDA0002392860580000041
计算所述目标训练样本与所述类的类心的距离d1，其中，xi为类心的分量，yi为目标训练样本的分量，n为目标训练样本以及类心的维度。
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及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时可实现如权利要求1-6中任一项所述的方法。
CN202010120620.4A 2020-02-26 2020-02-26 信息推荐方法、装置、计算机设备及存储介质 Active CN111445304B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010120620.4A CN111445304B (zh) 2020-02-26 2020-02-26 信息推荐方法、装置、计算机设备及存储介质
PCT/CN2020/131762 WO2021169445A1 (zh) 2020-02-26 2020-11-26 信息推荐方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010120620.4A CN111445304B (zh) 2020-02-26 2020-02-26 信息推荐方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN111445304A true CN111445304A (zh) 2020-07-24
CN111445304B CN111445304B (zh) 2024-07-05

Family

ID=71652752

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010120620.4A Active CN111445304B (zh) 2020-02-26 2020-02-26 信息推荐方法、装置、计算机设备及存储介质

Country Status (2)

Country Link
CN (1) CN111445304B (zh)
WO (1) WO2021169445A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113037840A (zh) * 2021-03-08 2021-06-25 中国联合网络通信集团有限公司 通信数据传输方法、通信终端和通信平台
WO2021169445A1 (zh) * 2020-02-26 2021-09-02 平安科技（深圳）有限公司 信息推荐方法、装置、计算机设备及存储介质
CN113920373A (zh) * 2021-10-29 2022-01-11 平安银行股份有限公司 一种对象分类方法、装置、终端设备及存储介质
CN113997989A (zh) * 2021-11-29 2022-02-01 中国人民解放军国防科技大学 磁浮列车单点悬浮系统安全检测方法、装置、设备及介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116757338B (zh) * 2023-08-21 2024-01-19 浙江天演维真网络科技股份有限公司 农作物产量预测方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104765755A (zh) * 2014-01-08 2015-07-08 中国移动通信集团福建有限公司 一种基于k-均值聚类的终端推荐方法及装置
EP3258333A1 (en) * 2016-06-17 2017-12-20 Siemens Aktiengesellschaft Method and system for monitoring sensor data of rotating equipment
CN108647293A (zh) * 2018-05-07 2018-10-12 广州虎牙信息科技有限公司 视频推荐方法、装置、存储介质和服务器
CN110209928A (zh) * 2019-04-28 2019-09-06 平安科技（深圳）有限公司 一种信息推荐方法、装置及存储介质
CN110232154A (zh) * 2019-05-30 2019-09-13 平安科技（深圳）有限公司 基于随机森林的产品推荐方法、装置及介质
CN110489642A (zh) * 2019-07-25 2019-11-22 山东大学 基于行为特征分析的商品推荐方法、系统、设备及介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609523B (zh) * 2012-02-10 2018-03-06 上海视畅信息科技有限公司 基于物品分类和用户分类的协同过滤推荐方法
US10685359B2 (en) * 2017-05-05 2020-06-16 Servicenow, Inc. Identifying clusters for service management operations
CN109002843A (zh) * 2018-06-28 2018-12-14 Oppo广东移动通信有限公司 图像处理方法和装置、电子设备、计算机可读存储介质
CN111445304B (zh) * 2020-02-26 2024-07-05 平安科技（深圳）有限公司 信息推荐方法、装置、计算机设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104765755A (zh) * 2014-01-08 2015-07-08 中国移动通信集团福建有限公司 一种基于k-均值聚类的终端推荐方法及装置
EP3258333A1 (en) * 2016-06-17 2017-12-20 Siemens Aktiengesellschaft Method and system for monitoring sensor data of rotating equipment
CN108647293A (zh) * 2018-05-07 2018-10-12 广州虎牙信息科技有限公司 视频推荐方法、装置、存储介质和服务器
CN110209928A (zh) * 2019-04-28 2019-09-06 平安科技（深圳）有限公司 一种信息推荐方法、装置及存储介质
CN110232154A (zh) * 2019-05-30 2019-09-13 平安科技（深圳）有限公司 基于随机森林的产品推荐方法、装置及介质
CN110489642A (zh) * 2019-07-25 2019-11-22 山东大学 基于行为特征分析的商品推荐方法、系统、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
桑军;胡海波;叶春晓;向宏;傅鹂;蔡斌;: "基于动态聚类及样本筛选的人脸识别", 计算机工程与应用, no. 23, 11 August 2008 (2008-08-11), pages 195 - 196 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021169445A1 (zh) * 2020-02-26 2021-09-02 平安科技（深圳）有限公司 信息推荐方法、装置、计算机设备及存储介质
CN113037840A (zh) * 2021-03-08 2021-06-25 中国联合网络通信集团有限公司 通信数据传输方法、通信终端和通信平台
CN113920373A (zh) * 2021-10-29 2022-01-11 平安银行股份有限公司 一种对象分类方法、装置、终端设备及存储介质
CN113997989A (zh) * 2021-11-29 2022-02-01 中国人民解放军国防科技大学 磁浮列车单点悬浮系统安全检测方法、装置、设备及介质
CN113997989B (zh) * 2021-11-29 2024-03-29 中国人民解放军国防科技大学 磁浮列车单点悬浮系统安全检测方法、装置、设备及介质

Also Published As

Publication number Publication date
CN111445304B (zh) 2024-07-05
WO2021169445A1 (zh) 2021-09-02

Similar Documents

Publication Publication Date Title
CN111445304B (zh) 信息推荐方法、装置、计算机设备及存储介质
CN108009643B (zh) 一种机器学习算法自动选择方法和系统
CN106156791B (zh) 业务数据分类方法和装置
CN107194430B (zh) 一种样本筛选方法及装置，电子设备
JP5142135B2 (ja) データを分類する技術
CN107305637B (zh) 基于K-Means算法的数据聚类方法和装置
CN110457577B (zh) 数据处理方法、装置、设备和计算机存储介质
CN109891508A (zh) 单细胞类型检测方法、装置、设备和存储介质
CN104615730B (zh) 一种多标签分类方法及装置
CN112561080A (zh) 样本筛选方法、样本筛选装置及终端设备
CN104517052B (zh) 一种入侵检测方法及装置
CN112990318B (zh) 持续学习方法、装置、终端及存储介质
CN114581207B (zh) 一种面向电商平台的商品图像大数据精准推送方法及系统
CN111737479B (zh) 数据获取方法、装置、电子设备及存储介质
CN104484600B (zh) 一种基于改进密度聚类的入侵检测方法及装置
WO2021111540A1 (ja) 評価方法、評価プログラム、および情報処理装置
CN111143678B (zh) 推荐系统和推荐方法
CN115204322B (zh) 行为链路异常识别方法和装置
CN112749003A (zh) 系统优化的方法、设备及计算机可读存储介质
CN110619067A (zh) 基于行业分类的检索方法、检索装置及可读存储介质
CN109885685A (zh) 情报数据处理的方法、装置、设备及存储介质
CN113705625A (zh) 异常生活保障申请家庭的识别方法、装置及电子设备
CN114266914A (zh) 一种异常行为检测方法及装置
CN113852629A (zh) 基于自然邻的自适应加权核密度的网络连接异常识别方法及计算机存储介质
CN114820003A (zh) 定价信息异常识别方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40032041

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant