CN111475720A - 推荐方法、装置、服务器及存储介质 - Google Patents
推荐方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN111475720A CN111475720A CN202010245938.5A CN202010245938A CN111475720A CN 111475720 A CN111475720 A CN 111475720A CN 202010245938 A CN202010245938 A CN 202010245938A CN 111475720 A CN111475720 A CN 111475720A
- Authority
- CN
- China
- Prior art keywords
- behavior
- target
- sequence
- user
- user historical
- 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.)
- Withdrawn
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
Abstract
本申请公开了一种推荐方法、装置、服务器及存储介质。属于互联网技术领域,该方法包括:获取目标用户帐号对应的目标行为序列,其中,行为序列是由用户帐号下用户历史行为所构成的序列;从目标行为序列中提取n个中间特征向量,其中,不同中间特征向量用于表征目标行为序列中不同子行为序列对应的行为意图,子行为序列是由连续的用户历史行为所构成的序列;根据n个中间特征向量生成目标特征向量,目标特征向量用于表征目标用户帐号的行为意图,且目标特征向量用于向目标用户帐号进行推荐。使得根据该目标特征向量进行的推荐结果更符合目标用户账号的行为偏好,从而提高了个性化推荐的准确性。
Description
技术领域
本申请实施例涉及互联网技术领域,特别涉及一种推荐方法、装置、服务器及存储介质。
背景技术
随着个性化渗透到各种类型的应用程序中,比如,搜索引擎、推荐系统、显示广告等,如何构建用户的兴趣网络,准确定位用户的行为偏好,成为关注的重点。
相关技术中,直接从用户历史行为序列中提取出行为特征向量,输入推荐网络中,得到推荐网络输出的对用户历史行为偏好的预测结果,以便根据该预测结果为用户推荐相关信息。其中,用户历史行为序列指同一目标用户账号对应的历史行为所构成的序列,比如,连续时间段的点击操作。
发明内容
本申请实施例提供了一种推荐方法、装置、服务器及存储介质。所述技术方案如下:
一方面,本申请实施例提供一种推荐方法,所述方法包括:
获取目标用户帐号对应的目标行为序列,其中,行为序列是由用户帐号下用户历史行为所构成的序列;
从所述目标行为序列中提取n个中间特征向量,其中,不同中间特征向量用于表征所述目标行为序列中不同子行为序列对应的行为意图,所述子行为序列是由连续的用户历史行为所构成的序列;
根据n个所述中间特征向量生成目标特征向量,所述目标特征向量用于表征所述目标用户帐号的行为意图,且所述目标特征向量用于向所述目标用户帐号进行推荐。
另一方面,本申请实施例提供一种推荐装置,所述装置包括:
获取模块,用于获取目标用户帐号对应的目标行为序列,其中,行为序列是由用户帐号下用户历史行为所构成的序列;
特征提取模块,用于从所述目标行为序列中提取n个中间特征向量,其中,不同中间特征向量用于表征所述目标行为序列中不同子行为序列对应的行为意图,所述子行为序列是由连续的用户历史行为所构成的序列;
生成模块,用于根据n个所述中间特征向量生成目标特征向量,所述目标特征向量用于表征所述目标用户帐号的行为意图,且所述目标特征向量用于向所述目标用户帐号进行推荐。
再一方面,本申请实施例提供一种服务器,所述服务器包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现上述推荐方法。
又一方面,本申请实施例提供一种非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述推荐方法。
本申请实施例提供的技术方案可以带来如下有益效果:
服务器通过获取目标用户帐号对应的目标行为序列(即该目标用户帐号下的用户历史行为所构成的序列),并将该目标行为序列按照不同的行为意图划分为不同的子行为序列,从中提取出表征各个子行为序列对应的行为意图的n个中间特征向量,从而根据该n个中间特征向量生成用于表征该目标用户账号对应行为意图的目标特征向量,使得该目标特征向量可以被用于为目标用户账号进行相关推荐。相比于相关技术中直接从目标行为序列中提取目标特征向量,本申请首先对目标行为序列按照行为意图进行子序列划分和中间特征向量的提取,使得最终确定出的目标特征向量可以关注到行为序列中不同的行为意图(或局部行为特征),从而使得根据该目标特征向量进行的推荐结果更符合目标用户账号的行为偏好,提高了个性化推荐的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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,下面描述中的附图仅仅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示出了两组用户行为序列的示意图;
图2示出了本申请一个实施例提供的推荐方法的流程图;
图3示出了本申请另一个实施例提供的推荐方法的流程图;
图4示出了本申请一个示例性实施例示出的用户行为意图抽取的过程的示意图;
图5示出了本申请另一个实施例提供的推荐方法的流程图;
图6示出了本申请一个实例性实施例示出的按照浏览时间划分规则对目标行为序列进行划分的过程的流程图;
图7示出了本申请一个示例性实施例示出的按照浏览对象划分规则对目标行为序列进行划分的过程的流程图;
图8示出了本申请另一个示例性实施例示出的推荐方法的流程图;
图9示出了本申请一个实施例提供的推荐装置的结构框图;
图10示出了本申请一个实施例提供的服务器的结构框图;
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
在相关技术中,一般通过大量分析目标用户账号对应的用户历史行为,从中分析出目标用户的行为(操作)偏好,从而根据该行为偏好对该目标用户账号进行个性化推荐,其中,神经网络模型在该推荐场景中发挥着较大的作用,其采用的推荐方法是:构建出目标用户账号对应的用户历史行为序列,并建立神经网络模型,以便将构建出的用户历史行为序列输入神经网络模型中,利用该神经网络模型从用户历史行为序列中提取出表征用户历史行为偏好的用户兴趣向量,以便根据该用户兴趣向量为推荐网络提供预测依据。
请参考图1,其示出了两组用户行为序列的示意图。由图1可知,用户A和用户B在该时间段内均以完全相同的顺序依次点击过商户A和商户B,如果采用相关技术中的方案,由于构建出的用户历史行为序列仅能体现出用户行为的顺序性,即构建的用户A和用户B分别对应的用户历史行为序列可能相同,从而导致提取出的用户兴趣向量也可能相同,但是由图1可知,明显用户B相比于用户A对商户B的兴趣程度可能更大一些,但是现有的神经网络模型无法提取出这部分信息,即忽略了用户行为序列中的局部信息(或行为意图),从而导致个性化推荐不够准确。
而不同于相关技术中的用户兴趣向量的构建方法,本申请实施例提供了一种新的用户兴趣向量(即目标特征向量)的构建方法,服务器通过获取目标用户帐号对应的目标行为序列(即该目标用户帐号下的用户历史行为所构成的序列),并将该目标行为序列按照不同的行为意图划分为不同的子行为序列,从中提取出表征各个子行为序列对应的行为意图的n个中间特征向量,从而根据该n个中间特征向量生成用于表征该目标用户账号对应行为意图的目标特征向量,使得该目标特征向量可以被用于为目标用户账号进行相关推荐。相比于相关技术中直接从目标行为序列中提取目标特征向量,本申请首先对目标行为序列按照行为意图进行子序列划分和中间特征向量的提取,使得最终确定出的目标特征向量可以关注到行为序列中不同的行为意图(或局部行为特征),从而使得根据该目标特征向量进行的推荐结果更符合目标用户账号的行为偏好,提高了个性化推荐的准确性。
请参考图2,其示出了本申请一个实施例提供的推荐方法的流程图,本申请实施例以该方法应用于服务器为例进行说明,该方法包括:
步骤201,获取目标用户帐号对应的目标行为序列,其中,行为序列是由用户帐号下用户历史行为所构成的序列。
其中,用户历史行为可以是浏览操作、点击操作、关注操作、购买操作、搜索操作、输入操作等,且不同的应用场景下,可能会对应不同的用户历史行为,比如,若购买场景下,对应的用户历史行为可以是输入操作、浏览操作、购买操作等。本实施例对用户历史行为不构成限定。
针对获取目标用户账号对应的目标行为序列的方式,在一种可能的实施方式中,由于用户在同一应用程序(或同一应用平台)上均具有相同的用户账号,因此,当用户在该应用程序中进行相关操作时,用户客户端即可以收集连续的用户历史行为,比如,目标用户在9:00:00点击过商户A,或目标用户在9:04:00点击过商户B等,并将其上传至用户客户端对应的服务器,并由服务器根据收集到的用户历史行为数据构建目标行为序列。
可选的,终端上传用户历史行为数据的时间可以是每隔预定时间上传,或在固定时间点上传,或当收集到的数据量达到预设数据量阈值后上传,本实施例对此不构成限定。
可选的,服务器根据用户历史行为构建目标行为序列的时机可以由开发人员进行设置,或按照用户历史行为的产生日期构建目标行为序列,比如,服务器接收到终端在1月22号至1月25号发送的用户历史行为数据,服务器即根据该段时间的用户历史行为数据构建目标行为序列。
步骤202,从目标行为序列中提取n个中间特征向量,其中,不同中间特征向量用于表征目标行为序列中不同子行为序列对应的行为意图,子行为序列是由连续的用户历史行为所构成的序列。
相关技术中,基于目标行为序列生成用户的兴趣向量(即目标特征向量)的过程可以表示为:
其中,表示兴趣向量,M表示从目标行为序列中提取出兴趣向量的方式,提取方式可以包括总和池化sum pooling处理和深度神经网络(Deep Neural Networks,DNN);表示第k个用户历史行为对应的向量。
不同于相关技术中只关注用户历史行为之间的顺序性,本申请实施例中,通过对目标行为序列按照不同的行为意图进行划分,并从中提取出不同子行为序列对应的中间特征向量,抽象出各个子行为序列对应的行为意图,使得提取出的中间特征向量更关注于目标行为序列中的局部特征。
其中,针对如何提取中间特征向量的方式,在一种可能的实施方式中,可以采用传统的特征向量提取方法,比如,DNN、注意力(Attention)模型等,本实施例对中间特征向量的提取方式不构成限定。
示意性的,本申请实施例对应的生成目标特征向量的过程可以表示为:
其中,IE表示出了对目标行为序列进行子行为序列划分的过程(行为意图抽取的过程),IR表示对各个子行为序列进行意图提取(中间特征向量提取)的过程,表示Attention模型,用于提取兴趣向量(或目标特征向量),表示第k个用户历史行为对应的向量,表示划分后的第k个子行为序列,表示子行为序列对应的中间特征向量。
由公式(1)至公式(3)可知,相比于相关技术,本申请根据用户行为序列得到兴趣向量的过程中,增加了额外的表征用户行为意图的中间特征向量层,可以挖掘用户行为序列中的行为意图,使得推荐结果更能符合用户的个性化需求。
步骤203,根据n个中间特征向量生成目标特征向量,目标特征向量用于表征目标用户帐号的行为意图,且目标特征向量用于向目标用户帐号进行推荐。
在一种可能的实施方式中,当服务器对目标行为序列进行特征提取之后,得到n个中间特征向量,则可以将该n个中间特征向量输入传统的深度神经网络中,得到用于表征整个目标行为序列对应的行为意图的目标特征向量,由于目标特征向量是根据中间特征向量生成,而中间特征向量能够表征用户局部行为意图,因此,该目标特征向量能够体现用户的行为意图,在将该目标特征向量输入推荐网络后,可以使得推荐预测结果更能符合用户的行为偏好,从而能够更好得为用户进行个性化推荐。
综上所述,本申请实施例中,服务器通过获取目标用户帐号对应的目标行为序列(即该目标用户帐号下的用户历史行为所构成的序列),并将该目标行为序列按照不同的行为意图划分为不同的子行为序列,从中提取出表征各个子行为序列对应的行为意图的n个中间特征向量,从而根据该n个中间特征向量生成用于表征该目标用户账号对应行为意图的目标特征向量,使得该目标特征向量可以被用于为目标用户账号进行相关推荐。相比于相关技术中直接从目标行为序列中提取目标特征向量,本申请首先对目标行为序列按照行为意图进行子序列划分和中间特征向量的提取,使得最终确定出的目标特征向量可以关注到行为序列中不同的行为意图(或局部行为特征),从而使得根据该目标特征向量进行的推荐结果更符合目标用户账号的行为偏好,提高了个性化推荐的准确性。
在整个目标特征向量的生成过程中,最重要的一环是如何能够准确的将目标行为序列按照用户意图进行划分,以便能够准确的提取出用户的行为意图,因此,在一种可能的实施方式中,开发人员通过多次对比试验,制定了多种划分规则,用来对目标行为序列进行划分。
请参考图3,其示出了本申请另一个实施例提供的推荐方法的流程图,本申请实施例以该方法应用于服务器为例进行说明,该方法包括:
步骤301,获取目标用户帐号对应的目标行为序列,其中,行为序列是由用户帐号下用户历史行为所构成的序列。
本步骤的实施方式可以参考步骤201,本实施例在此不做赘述。
步骤302,根据预设划分规则对目标行为序列进行划分,得到n个子行为序列。
其中,预设划分规则可以由开发人员预先设置,预设划分规则的设置原理需要考虑用户历史行为对应的类型,比如,若用户历史行为对应历史浏览行为,则预设划分规则可以是用户浏览时间,或用户浏览对象。针对用户浏览对象,用户历史行为对应的不同应用场景也会对应不同的预设划分规则,比如,若应用场景为线上点餐场景,则对应的浏览对象特征可以是商户类型、商户地理位置以及商户距离等。
在一种可能的实施方式中,开发人员预先设置好预设划分规则,则服务器在构建出目标行为序列之后,即会根据该预设划分规则对目标行为序列进行划分,得到n个子行为序列。
针对划分不同行为意图(不同子行为序列)的方式,在一种可能的实施方式中,行为意图一般是通过一系列的用户历史行为来实现的,判断两个用户历史行为是否属于相同的行为意图,也就类似于二分类任务,形式上可以表示为:
其中,表示第k个用户历史行为,表示第k+1个用户历史行为,“0”表示第k个用户历史行为和第k+1个用户历史行为不属于相同行为意图,“1”表示第k个用户历史行为和第k+1个用户历史行为属于相同行为意图。
在一种可能的实施方式中,服务器按照上述行为意图划分方式,根据预设划分规则对目标行为序列中包含的用户历史行为进行判断,即可以得到多个子行为序列。
请参考图4,其示出了本申请一个示例性实施例示出的用户行为意图抽取的过程的示意图。对用户行为序列401按照预设划分规则进行划分,若相邻用户历史行为满足预设划分规则(如箭头402所示的过程),则将相邻用户历史行为划分为同一子行为序列,若相邻用户历史行为不满足预设划分规则(如箭头403所示的过程),则将相邻用户历史行为划分为不同的子行为序列;沿箭头404所示的方向对整个用户行为序列中包含的各个用户历史行为进行判断,从而得到子行为序列的集合。
步骤303,对n个子行为序列进行特征提取,得到n个中间特征向量。
其中,对子行为序列进行特征提取的方式可以参考下文实施例,本实施例在此不做赘述。
步骤304,根据n个中间特征向量生成目标特征向量,目标特征向量用于表征目标用户帐号的行为意图,且目标特征向量用于向目标用户帐号进行推荐。
本步骤的实施方式可以参考步骤203,本实施例在此不做赘述。
其中,根据n个中间特征向量生成目标特征向量的方式可以参考下文实施例。
本实施例中,开发人员通过预先设置预设划分规则,服务器即可以根据预设划分规则对目标行为序列进行划分,从而将目标行为序列划分为具有不同行为意图的子行为序列,以便能够提取出表征不同行为意图的中间特征向量,从而可以根据不同的中间特征向量生成目标特征向量。
在一种可能的实施方式中,如何从每个子行为序列包含的用户历史行为中提取出表征用户意图的中间特征向量,可以参考传统的用户兴趣向量的提取方式,即将一组低级表征向量映射成一个固定长度的高级向量,提取中间特征向量的方法可以包括以下方式中的任一一种:
一、对子行为序列中各条用户历史行为对应的向量进行sum pooling处理,得到子行为序列对应的中间特征向量。
由于采用的是将一组低级向量映射为一个固定长度的高级向量的方式,因此,在一种可能的实施方式中,首先需要将子行为序列包含的各个用户历史行为进行向量化表示。
针对用户历史行为进行向量化表示的方法,在一种可能的实施方式中,若历史行为是历史浏览商户行为,则可以采用商户向量来表示用户历史行为对应的向量,比如,若某时刻用户历史行为是浏览商户A,而商户A对应的商户向量为向量A,则可以用向量A来作为该用户历史行为对应的向量。
其中,采用sum pooling处理方式提取中间特征向量对应的表示形式可以为:
在一种可能的实施方式中,将各个子行为序列包含的各条历史行为对应的向量按照公式(4)进行处理后,即可以得到各个子行为序列分别对应的中间特征向量。
二、对子行为序列中各条用户历史行为对应的向量进行最大池化(max pooling)处理,得到子行为序列对应的中间特征向量。
在一种可能的实施方式中,可以采用max pooling方式对子行为序列进行特征提取,该方法对应的表示形式可以为:
在一种可能的实施方式中,将各个子行为序列中包含的各条用户历史行为对应的向量按照公式(5)进行处理后,即可以得到各个子行为序列分别对应的中间特征向量。
三、将子行为序列中各条用户历史行为对应的向量输入基于注意力机制的DNN,得到DNN输出的中间特征向量。
在一种可能的实施方式中,可以采用基于注意力机制的DNN,对子行为序列进行特征提取,该方法对应的表示形式可以为:
其中,表示第l个用户历史行为对应的向量,表示第k个子行为序列,中包含有至少一个用户历史行为对应的向量,表示注意力模型,即第l个用户历史行为对应的权重,c表示候选商户向量,表示采用DNN方式得到的子行为序列对应的中间特征向量。
在一种可能的实施方式中,将各个子行为序列中包含的各条用户历史行为对应的向量按照公式(6)进行处理后,即可以得到各个子行为序列分别对应的中间特征向量。
四、将子行为序列中各条用户历史行为对应的向量输入基于注意力机制的循环神经网络(Recurrent Neural Network,RNN),得到RNN输出的中间特征向量。
在一种可能的实施方式中,可以采用基于注意力机制的RNN,对子行为序列进行特征提取,该方法对应的表示形式可以为:
在一种可能的实施方式中,将各个子行为序列中包含的各条用户历史行为对应的向量按照公式(7)进行处理后,即可以得到各个子行为序列分别对应的中间特征向量。
本实施例中,通过对子行为序列包含的各条用户历史行为进行向量化表示,以便可以采用sum pooling处理、max pooling处理、基于注意力机制的DNN和RNN等方式对各个子行为序列进行特征提取,从而得到表征不同用户意图的中间特征向量。
在一种可能的应用场景下,开发人员对上述四种特征提取方式进行了对比试验:分别采用上述四种方式进行中间特征提取,得到中间特征向量,进而得到四种目标特征向量,并将四种目标特征向量用于推荐模型中,从而将输出的推荐结果与实际推荐结果进行比较,得到四种特征提取方式分别对应的归一化折损累计增益(Normalized DiscountedCumulative Gain,NDCG)。
示意性的,试验结果如表一所示(其中,base对应的方法指采用DNN进行中间特征提取):
表一
Method/方法 | NDGG |
Base | 0.7754 |
Sum pooling | 0.7856 |
Max pooling | 0.7849 |
Attention/注意力机制+DNN | 0.7864 |
Attention+RNN | 0.7877 |
由于NDCG值越大,则表示推荐模型的预测效果越好,因此,由表一可知,基于注意力机制的RNN作为中间特征提取方法时,对应的推荐模型的预测效果最优,这也是因为RNN可以有效捕捉用户历史行为对应的向量之间的顺序性和相关性所带来的效果。
本实施例中,通过对上述多种中间特征向量提取方式进行对比试验,从而可以得到基于注意力机制的RNN特征提取方式对应的推荐模型预测效果最优。
针对获取目标特征向量的方式,在一种可能的实施方式中,也可以采用类似于上述中间特征向量的提取方式,该方法可以包括:
示意性的,在图3的基础上,如图5,步骤304可以被替换为步骤305至步骤308。
步骤305,对n个中间特征向量进行sum pooling处理,得到n个中间特征向量对应的目标特征向量。
步骤306,对n个中间特征向量进行max pooling处理,得到n个中间特征向量对应的目标特征向量。
步骤307,将n个中间特征向量输入基于注意力机制的DNN,得到DNN输出的目标特征向量。
步骤308,将n个中间特征向量输入基于注意力机制的RNN,得到RNN输出的目标特征向量。
其中,步骤305至步骤308的实施方式可以参考上文实施例,本实施例在此不做赘述。
本实施例中,可以采用sum pooling处理、max pooling处理、基于注意力机制的DNN和RNN等方式对n个中间特征向量进行特征提取,从而得到表征整个目标行为序列对应的行为意图的目标特征向量。
在一种可能的应用场景下,若目标行为序列是历史浏览行为所构成的序列,则预设分类规则可以包括时间划分规则和浏览对象划分规则中的至少一种。
请参考图6,其示出了本申请一个实例性实施例示出的按照浏览时间划分规则对目标行为序列进行划分的过程的流程图,该方法包括:
步骤601,响应于第m条用户历史行为的产生时间与第m+1条用户历史行为的产生时间之间的时间间隔小于预设时间阈值,则将第m条用户历史行为和第m+1条用户历史行为划分至同一子行为序列。
其中,预设时间阈值可以由开发人员预先设置,预设时间阈值可以是开发人员经过多次对比试验后,得到的最有利于用户行为意图抽取的时间阈值,比如,预设时间阈值为10min。
在一种可能的实施方式中,服务器在对目标行为序列按照浏览时间划分规则进行划分时,可以首先获取各条用户历史行为的产生时间,并依次比较相邻两个用户历史行为的产生时间之间的时间间隔是否小于预设时间阈值,若满足,则表示相邻两个用户历史行为属于同一行为意图,可以将相邻两个用户历史行为划分至相同的子行为序列中。
示意性的,若预设时间阈值为10min,第m条用户历史行为对应的产生时间为9:05:00,第m+1条用户历史行为对应的产生时间为9:12:00,两条用户历史行为之间的时间间隔为7min,小于预设时间阈值,则将第m条用户历史行为和第m+1条用户历史行为划分至同一子行为序列中。
步骤602,响应于第m条用户历史行为的产生时间与第m+1条用户历史行为的产生时间之间的时间间隔大于预设时间阈值,则将第m条用户历史行为和第m+1条用户历史行为划分至不同子行为序列。
在一种可能的实施方式中,当获取到的相邻两个用户历史行为的产生时间之间的时间间隔大于预设时间阈值,则表示相邻两个用户历史行为不属于同一行为意图,需要将其划分至不同的子行为序列中。
示意性的,若预设时间阈值为10min,第m条用户历史行为对应的产生时间为9:05:00,第m+1条用户历史行为对应的产生时间为9:30:00,两条用户历史行为之间的时间间隔为25min,大于预设时间阈值,则将第m条用户历史行为和第m+1条用户历史行为划分至不同的子行为序列中。
需要说明的是,步骤601和步骤602可以同时进行,不存在先后顺序。
本实施例中,当服务器根据预设时间阈值对目标行为序列进行划分时,通过比较获取两个用户历史行为对应的产生时间,并比较两个用户历史行为对应的产生时间之间的时间间隔与预设时间阈值之间的关系,若小于预设时间阈值,则将相邻两个用户历史行为划分至同一子行为序列中,若大于预设时间阈值,则将相邻两个用户历史行为划分至不同的子行为序列中,依次类推,对目标行为序列中的各条用户历史行为均经过上述判断,则可以将目标行为序列划分为多个子行为序列。
在另一可能的应用场景中,可以按照浏览对象特征对目标行为序列进行划分,比如,若浏览对象为商户,则可以按照商户类别、商户地理位置或商户距离对目标行为序列进行划分。
请参考图7,其示出了本申请一个示例性实施例示出的按照浏览对象划分规则对目标行为序列进行划分的过程的流程图,该方法包括:
步骤701,响应于第m条用户历史行为对应的浏览对象属性和第m+1条用户历史行为对应的浏览对象属性之间的相似度高于预设相似度阈值,则将第m条用户历史行为和第m+1条用户历史行为划分至同一子行为序列。
其中,浏览对象属性可以是商户类型,比如,面食类商户、火锅类商户等;浏览对象属性也可以是商户地理位置,比如,A区、B区;浏览对象属性也可以是商户距离,比如,距离目标用户所在位置小于3km。本实施例对浏览对象属性不构成限定。
其中,预设相似度阈值可以由开发人员进行设置,同样的,其可以是开发人员根据多次对比试验确定出的。比如,预设相似度阈值可以是95%。
在一种可能的实施方式中,当服务器按照预设浏览对象划分规则对目标行为序列进行划分时,若相邻两条用户历史行为对应的浏览对象属性之间的相似度高于预设相似度阈值,则表示该相邻两条用户历史行为属于同一行为意图,并将其划分至同一子行为序列中。
示意性的,若浏览对象属性为商户类型,第m条用户历史行为对应的商户类型为火锅类商户,第m+1条用户历史行为对应的商户类型为火锅类商户,则商户类型的相似度为100%,则将第m条用户历史行为和第m+1条用户历史行为划分至同一子行为序列中。
步骤702,响应于第m条用户历史行为对应的浏览对象属性和第m+1条用户历史行为对应的浏览对象属性之间的相似度低于预设相似度阈值,则将第m条用户历史行为和第m+1条用户历史行为划分至不同子行为序列。
在一种可能的实施方式中,若相邻两条用户历史行为对应的浏览对象属性之间的相似度低于预设相似度阈值,则表示该相邻两条用户历史行为不属于同一行为意图,则将其划分至不同的子行为序列中。
示意性的,若浏览对象属性为商户类型,第m条用户历史行为对应的商户类型为火锅类商户,第m+1条用户历史行为对应的商户类型为面食类商户,则商户类型的相似度为0%,则将第m条用户历史行为和第m+1条用户历史行为划分至不同子行为序列中。
需要说明的是,步骤701和步骤702可以同时进行,不存在先后顺序。
本实施例中,当服务器根据浏览对象属性对目标行为序列进行划分时,通过比较相邻两个用户历史行为对应的浏览对象属性之间的相似度,若两个用户历史行为对应的浏览对象属性之间的相似度高于预设相似度阈值时,则将相邻两个用户历史行为划分至同一子行为序列,若相邻两个用户历史行为对应的浏览对象属性之间的相似度低于预设相似度阈值时,则划分至不同的子行为序列中,依次类推,对目标行为序列中的各条用户历史行为均经过上述判断,则可以将目标历史行为序列划分为多个子行为序列。
上述实施例均是以同一预设划分规则对目标行为序列进行划分,在另一可能的实施方式中,也可以采用多种划分规则组合的方式对目标行为序列进行划分,比如,同时采用时间阈值和浏览对象属性对目标行为序列进行划分。
示意性的,同时采用时间阈值和浏览对象属性对目标行为序列进行划分的方式可以包括以下步骤:
一、获取第m条用户历史行为对应的产生时间和浏览对象属性;获取第m+1条用户历史行为对应的产生时间和浏览对象属性。
二、响应于第m条用户历史行为对应的产生时间和第m+1条用户历史行为对应的产生时间之间的时间间隔小于预设时间阈值,且第m条用户历史行为对应的浏览对象属性和第m+1条用户历史行为对应的浏览对象属性之间的相似度大于预设相似度阈值,则将第m条用户历史行为和第m+1条用户历史行为划分至同一子行为序列。
三、响应于第m条用户历史行为对应的产生时间和第m+1条用户历史行为对应的产生时间之间的时间间隔大于预设时间阈值,且第m条用户历史行为对应的浏览对象属性和第m+1条用户历史行为对应的浏览对象属性之间的相似度低于预设相似度阈值,则将第m条用户历史行为和第m+1条用户历史行为划分至不同子行为序列。
需要说明的是,本实施例仅以预设划分规则为两个规则组合为例进行说明,也可以是三个或三个以上划分规则组合进行划分,本实施例对此不构成限定。
本实施例中,服务器可以根据两个或两个以上的划分规则组合对目标行为序列进行划分,可以得到不同划分维度下对应的多种子行为序列的集合,有利于多维度提取行为意图,一般进行对比实验。
上文实施例均是在同一预设划分规则下,对目标行为序列进行划分后,得到n个子行为序列,并对该n个子行为序列进行中间特征向量的提取,在另一种可能的实施方式中,为了综合提取不同划分规则下的行为意图,可以将多个预设划分规则划分后的子行为序列进行意图混合,再进行中间特征提取,从而得到多个混合意图对应的目标特征向量。
请参考图8,其示出了本申请另一个示例性实施例示出的推荐方法的流程图,该方法包括:
步骤801,获取目标用户帐号对应的目标行为序列,其中,行为序列是由用户帐号下用户历史行为所构成的序列。
本步骤的实施方式可以参考步骤201,本实施例在此不做赘述。
步骤802,根据第一划分规则对目标行为序列进行划分,得到n1个子行为序列,其中,n1为大于等于1的整数。
其中,第一划分规则可以是基于时间维度划分。
步骤803,根据第二划分规则对目标行为序列进行划分,得到n2个子行为序列,其中,n2为大于等于1的整数。
其中,第二划分规则可以是基于浏览对象维度划分。
步骤804,将n1个子行为序列和n2个子行为序列进行混合,得到n1+n2个子行为序列。
步骤805,从n1+n2个子行为序列中提取出n1+n2个中间特征向量。
步骤806,根据n1+n2个中间特征向量生成目标特征向量。
需要说明的是,本实施例仅以预设划分规则包含第一预设划分规则和第二预设划分规则为例进行说明,预设划分规则也可以包括三种或三种以上划分规则,本实施例对此不构成限定。
本实施例中,若预设划分规则包含第一预设划分规则和第二预设划分规则,则服务器在分别对目标行为序列按照两种划分规则划分后,得到表征不同行为意图的子行为序列的集合,并进行意图混合后,再进行中间特征向量和目标特征向量的提取,可以得到不同划分维度下的行为意图对应的目标特征向量。
在一种可能的实施方式中,开发人员对多种行为意图抽取的方式(即目标行为序列的划分方式)进行了对比试验,按照多种划分方式进行划分后,得到不同的子行为序列,并进行中间特征向量以及目标特征向量的提取,最后用于推荐模型中,进行个性化推荐,得到每一种行为意图抽取方式对应的NDCG。
示意性的,不同行为意图抽取方式对应的试验结果如表二所示(其中,base对应的方法为未采用本方案所示的意图抽取方式):
表二
由表二可知,采用混合意图的划分方式,相对于其他划分方式,得到的推荐模型的预测效果更优。
本实施例中,通过比较多种目标行为序列的划分方式,可以得到按照多种预设划分规则对目标行为序列划分后,得到多种子行为序列的集合,将各种预设划分规则对应的子行为序列进行混合后,再进行中间特征向量提取以及目标特征向量的生成,从而应用于推荐模型中,这种混合意图的方式可以使得推荐模型的预测效果更优。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
请参考图9,其示出了本申请一个实施例提供的推荐装置的结构框图。该装置具有实现上述方法示例的功能,所述功能可以由硬件实现,也可以由硬件执行相应的软件实现。如图9所示,该装置900可以包括:获取模块901、特征提取模块902和生成模块904。
获取模块901,用于获取目标用户帐号对应的目标行为序列,其中,行为序列是由用户帐号下用户历史行为所构成的序列;
特征提取模块902,用于从所述目标行为序列中提取n个中间特征向量,其中,不同中间特征向量用于表征所述目标行为序列中不同子行为序列对应的行为意图,所述子行为序列是由连续的用户历史行为所构成的序列;
生成模块903,用于根据n个所述中间特征向量生成目标特征向量,所述目标特征向量用于表征所述目标用户帐号的行为意图,且所述目标特征向量用于向所述目标用户帐号进行推荐。
可选的,所述特征提取模块902,包括:
划分单元,用于根据预设划分规则对所述目标行为序列进行划分,得到n个所述子行为序列;
特征提取单元,用于对n个所述子行为序列进行特征提取,得到n个所述中间特征向量。
可选的,所述目标行为序列是历史浏览行为所构成的序列,所述预设划分规则包括浏览时间划分规则和浏览对象划分规则中的至少一种。
可选的,所述预设划分规则为所述浏览时间划分规则;
可选的,所述划分单元,还用于:
响应于第m条用户历史行为的产生时间与第m+1条用户历史行为的产生时间之间的时间间隔小于预设时间阈值,则将所述第m条用户历史行为和所述第m+1条用户历史行为划分至同一子行为序列;
响应于所述第m条用户历史行为的产生时间与所述第m+1条用户历史行为的产生时间之间的时间间隔大于所述预设时间阈值,则将所述第m条用户历史行为和所述第m+1条用户历史行为划分至不同子行为序列。
可选的,所述预设划分规则为所述浏览对象划分规则;
可选的,所述划分单元,还用于:
响应于第m条用户历史行为对应的浏览对象属性和第m+1条用户历史行为对应的浏览对象属性之间的相似度高于预设相似度阈值,则将所述第m条用户历史行为和所述第m+1条用户历史行为划分至同一子行为序列;
响应于所述第m条用户历史行为对应的浏览对象属性和所述第m+1条用户历史行为对应的浏览对象属性之间的相似度低于所述预设相似度阈值,则将所述第m条用户历史行为和所述第m+1条用户历史行为划分至不同子行为序列。
可选的,所述子行为序列中包含的所述用户历史行为采用向量化表示;
可选的,所述特征提取单元,还用于:
对所述子行为序列中各条用户历史行为对应的向量进行总和池化sum pooling处理,得到所述子行为序列对应的所述中间特征向量;
对所述子行为序列中各条用户历史行为对应的向量进行最大池化max pooling处理,得到所述子行为序列对应的所述中间特征向量;
将所述子行为序列中各条用户历史行为对应的向量输入基于注意力机制的深度神经网络DNN,得到所述DNN输出的所述中间特征向量;
将所述子行为序列中各条用户历史行为对应的向量输入基于注意力机制的循环神经网络RNN,得到所述RNN输出的所述中间特征向量。
可选的,所述生成模块903,包括:
第一处理单元,用于对n个所述中间特征向量进行sum pooling处理,得到n个所述中间特征向量对应的所述目标特征向量;
第二处理单元,用于对n个所述中间特征向量进行max pooling处理,得到n个所述中间特征向量对应的所述目标特征向量;
第三处理单元,用于将n个所述中间特征向量输入基于注意力机制的DNN,得到所述DNN输出的所述目标特征向量;
第四处理单元,用于将n个所述中间特征向量输入基于注意力机制的RNN,得到所述RNN输出的所述目标特征向量。
综上所述,本申请实施例提供的技术方案中,服务器通过获取目标用户帐号对应的目标行为序列(即该目标用户帐号下的用户历史行为所构成的序列),并将该目标行为序列按照不同的行为意图划分为不同的子行为序列,从中提取出表征各个子行为序列对应的行为意图的n个中间特征向量,从而根据该n个中间特征向量生成用于表征该目标用户账号对应行为意图的目标特征向量,使得该目标特征向量可以被用于为目标用户账号进行相关推荐。相比于相关技术中直接从目标行为序列中提取目标特征向量,本申请首先对目标行为序列按照行为意图进行子序列划分和中间特征向量的提取,使得最终确定出的目标特征向量可以关注到行为序列中不同的行为意图(或局部行为特征),从而使得根据该目标特征向量进行的推荐结果更符合目标用户账号的行为偏好,提高了个性化推荐的准确性。
需要说明的是:上述实施例提供的装置在实现其功能时,仅以上述各功能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功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置与方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
请参考图10,其示出了本申请一个实施例提供的服务器的结构框图。该服务器可用于实施上述实施例中提供的推荐方法。具体来讲:
所述服务器1000包括中央处理单元(Central Processing Unit,CPU)1001、包括随机存取存储器(Random Access Memory,RAM)1002和只读存储器(Read-Only Memory,ROM)1003的系统存储器1004,以及连接系统存储器1004和中央处理单元1001的系统总线1005。所述服务器1000还包括帮助服务器内的各个器件之间传输信息的基本输入/输出系统(Input/Output系统,I/O系统)1006,和用于存储操作系统1013、应用程序1014和其他程序模块1015的大容量存储设备1007。
所述基本输入/输出系统1006包括有用于显示信息的显示器1008和用于用户输入信息的诸如鼠标、键盘之类的输入设备1009。其中所述显示器1008和输入设备1009都通过连接到系统总线1005的输入输出控制器1010连接到中央处理单元1001。所述基本输入/输出系统1006还可以包括输入输出控制器1010以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器1010还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备1007通过连接到系统总线1005的大容量存储控制器(未示出)连接到中央处理单元1001。所述大容量存储设备1007及其相关联的计算机可读存储介质为服务器1000提供非易失性存储。也就是说,所述大容量存储设备1007可以包括诸如硬盘或者只读光盘(Compact Disc Read-Only Memory,CD-ROM)驱动器之类的计算机可读存储介质(未示出)。
不失一般性,所述计算机可读存储介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读存储指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、可擦除可编程只读寄存器(Erasable Programmable Read OnlyMemory,EPROM)、电子抹除式可复写只读存储器(Electrically-Erasable ProgrammableRead-Only Memory,EEPROM)、闪存或其他固态存储其技术,CD-ROM、数字多功能光盘(Digital Versatile Disc,DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器1004和大容量存储设备1007可以统称为存储器。
存储器存储有一个或多个程序,一个或多个程序被配置成由一个或多个中央处理单元1001执行,一个或多个程序包含用于实现上述方法实施例的指令,中央处理单元1001执行该一个或多个程序实现上述各个方法实施例提供的方法。
根据本申请的各种实施例,所述服务器1000还可以通过诸如因特网等网络连接到网络上的远程服务器运行。也即服务器1000可以通过连接在所述系统总线1005上的网络接口单1011连接到网络1012,或者说,也可以使用网络接口单元1011来连接到其他类型的网络或远程服务器系统(未示出)。
所述存储器还包括一个或者一个以上的程序,所述一个或者一个以上程序存储于存储器中,所述一个或者一个以上程序包含用于进行本申请实施例提供的方法中由服务器所执行的步骤。
在示例性实施例中,还提供了一种非临时性计算机可读存储介质,所述存储介质中存储有计算机程序,所述计算机程序在被处理器执行时以实现上述推荐方法。
在示例性实施例中,还提供了一种计算机程序产品,当该计算机程序产品被处理器执行时,其用于实现上述推荐方法。
应当理解的是,在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。另外,本文中描述的步骤编号,仅示例性示出了步骤间的一种可能的执行先后顺序,在一些其它实施例中,上述步骤也可以不按照编号顺序来执行,如两个不同编号的步骤同时执行,或者两个不同编号的步骤按照与图示相反的顺序执行,本申请实施例对此不作限定。
以上所述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种推荐方法,其特征在于,所述方法包括:
获取目标用户帐号对应的目标行为序列,其中,行为序列是由用户帐号下用户历史行为所构成的序列;
从所述目标行为序列中提取n个中间特征向量,其中,不同中间特征向量用于表征所述目标行为序列中不同子行为序列对应的行为意图,所述子行为序列是由连续的用户历史行为所构成的序列;
根据n个所述中间特征向量生成目标特征向量,所述目标特征向量用于表征所述目标用户帐号的行为意图,且所述目标特征向量用于向所述目标用户帐号进行推荐。
2.根据权利要求1所述的方法,其特征在于,所述从所述目标行为序列中提取n个中间特征向量,包括:
根据预设划分规则对所述目标行为序列进行划分,得到n个所述子行为序列;
对n个所述子行为序列进行特征提取,得到n个所述中间特征向量。
3.根据权利要求2所述的方法,其特征在于,所述目标行为序列是历史浏览行为所构成的序列,所述预设划分规则包括浏览时间划分规则和浏览对象划分规则中的至少一种。
4.根据权利要求3所述的方法,其特征在于,所述预设划分规则为所述浏览时间划分规则;
所述根据预设划分规则对所述目标行为序列进行划分,包括:
响应于第m条用户历史行为的产生时间与第m+1条用户历史行为的产生时间之间的时间间隔小于预设时间阈值,则将所述第m条用户历史行为和所述第m+1条用户历史行为划分至同一子行为序列;
响应于所述第m条用户历史行为的产生时间与所述第m+1条用户历史行为的产生时间之间的时间间隔大于所述预设时间阈值,则将所述第m条用户历史行为和所述第m+1条用户历史行为划分至不同子行为序列。
5.根据权利要求3所述的方法,其特征在于,所述预设划分规则为所述浏览对象划分规则;
所述根据预设划分规则对所述目标行为序列进行划分,包括:
响应于第m条用户历史行为对应的浏览对象属性和第m+1条用户历史行为对应的浏览对象属性之间的相似度高于预设相似度阈值,则将所述第m条用户历史行为和所述第m+1条用户历史行为划分至同一子行为序列;
响应于所述第m条用户历史行为对应的浏览对象属性和所述第m+1条用户历史行为对应的浏览对象属性之间的相似度低于所述预设相似度阈值,则将所述第m条用户历史行为和所述第m+1条用户历史行为划分至不同子行为序列。
6.根据权利要求2所述的方法,其特征在于,所述子行为序列中包含的所述用户历史行为采用向量化表示;
所述对n个所述子行为序列进行特征提取,得到n个所述中间特征向量,包括如下至少一种:
对所述子行为序列中各条用户历史行为对应的向量进行总和池化sum pooling处理,得到所述子行为序列对应的所述中间特征向量;
对所述子行为序列中各条用户历史行为对应的向量进行最大池化max pooling处理,得到所述子行为序列对应的所述中间特征向量;
将所述子行为序列中各条用户历史行为对应的向量输入基于注意力机制的深度神经网络DNN,得到所述DNN输出的所述中间特征向量;
将所述子行为序列中各条用户历史行为对应的向量输入基于注意力机制的循环神经网络RNN,得到所述RNN输出的所述中间特征向量。
7.根据权利要求1至6任一所述的方法,其特征在于,所述根据n个所述中间特征向量生成目标特征向量,包括如下至少一种:
对n个所述中间特征向量进行sum pooling处理,得到n个所述中间特征向量对应的所述目标特征向量;
对n个所述中间特征向量进行max pooling处理,得到n个所述中间特征向量对应的所述目标特征向量;
将n个所述中间特征向量输入基于注意力机制的DNN,得到所述DNN输出的所述目标特征向量;
将n个所述中间特征向量输入基于注意力机制的RNN,得到所述RNN输出的所述目标特征向量。
8.一种推荐装置,其特征在于,所述装置包括:
获取模块,用于获取目标用户帐号对应的目标行为序列,其中,行为序列是由用户帐号下用户历史行为所构成的序列;
特征提取模块,用于从所述目标行为序列中提取n个中间特征向量,其中,不同中间特征向量用于表征所述目标行为序列中不同子行为序列对应的行为意图,所述子行为序列是由连续的用户历史行为所构成的序列;
生成模块,用于根据n个所述中间特征向量生成目标特征向量,所述目标特征向量用于表征所述目标用户帐号的行为意图,且所述目标特征向量用于向所述目标用户帐号进行推荐。
9.一种服务器,其特征在于,所述服务器包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现如权利要求1至7任一项所述的方法。
10.一种非临时性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至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010245938.5A CN111475720A (zh) | 2020-03-31 | 2020-03-31 | 推荐方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010245938.5A CN111475720A (zh) | 2020-03-31 | 2020-03-31 | 推荐方法、装置、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111475720A true CN111475720A (zh) | 2020-07-31 |
Family
ID=71749329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010245938.5A Withdrawn CN111475720A (zh) | 2020-03-31 | 2020-03-31 | 推荐方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111475720A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668632A (zh) * | 2020-12-25 | 2021-04-16 | 浙江大华技术股份有限公司 | 一种数据处理方法、装置、计算机设备及存储介质 |
CN113065067A (zh) * | 2021-03-31 | 2021-07-02 | 达而观信息科技(上海)有限公司 | 一种物品推荐方法、装置、计算机设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304526A (zh) * | 2018-01-25 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置及服务器 |
CN108648049A (zh) * | 2018-05-03 | 2018-10-12 | 中国科学技术大学 | 一种基于用户行为区别建模的序列推荐方法 |
CN109284864A (zh) * | 2018-09-04 | 2019-01-29 | 广州视源电子科技股份有限公司 | 行为序列获取方法及装置、用户转化率预测方法及装置 |
CN109902222A (zh) * | 2018-11-30 | 2019-06-18 | 华为技术有限公司 | 一种推荐方法及装置 |
CN109960761A (zh) * | 2019-03-28 | 2019-07-02 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、设备及计算机可读存储介质 |
CN110008409A (zh) * | 2019-04-12 | 2019-07-12 | 苏州市职业大学 | 基于自注意力机制的序列推荐方法、装置及设备 |
CN110111184A (zh) * | 2019-05-08 | 2019-08-09 | 齐鲁工业大学 | 一种基于加权贝叶斯推理的负序列推荐方法及系统 |
CN110415086A (zh) * | 2019-08-01 | 2019-11-05 | 信雅达系统工程股份有限公司 | 基于用户连续行为序列特征的智能理财推荐方法 |
CN110442789A (zh) * | 2019-08-02 | 2019-11-12 | 达而观信息科技(上海)有限公司 | 基于用户行为的关联结果确定方法、装置及电子设备 |
CN110827138A (zh) * | 2019-10-31 | 2020-02-21 | 北京芯盾时代科技有限公司 | 一种推送信息确定方法及装置 |
-
2020
- 2020-03-31 CN CN202010245938.5A patent/CN111475720A/zh not_active Withdrawn
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304526A (zh) * | 2018-01-25 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置及服务器 |
CN108648049A (zh) * | 2018-05-03 | 2018-10-12 | 中国科学技术大学 | 一种基于用户行为区别建模的序列推荐方法 |
CN109284864A (zh) * | 2018-09-04 | 2019-01-29 | 广州视源电子科技股份有限公司 | 行为序列获取方法及装置、用户转化率预测方法及装置 |
CN109902222A (zh) * | 2018-11-30 | 2019-06-18 | 华为技术有限公司 | 一种推荐方法及装置 |
CN109960761A (zh) * | 2019-03-28 | 2019-07-02 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、设备及计算机可读存储介质 |
CN110008409A (zh) * | 2019-04-12 | 2019-07-12 | 苏州市职业大学 | 基于自注意力机制的序列推荐方法、装置及设备 |
CN110111184A (zh) * | 2019-05-08 | 2019-08-09 | 齐鲁工业大学 | 一种基于加权贝叶斯推理的负序列推荐方法及系统 |
CN110415086A (zh) * | 2019-08-01 | 2019-11-05 | 信雅达系统工程股份有限公司 | 基于用户连续行为序列特征的智能理财推荐方法 |
CN110442789A (zh) * | 2019-08-02 | 2019-11-12 | 达而观信息科技(上海)有限公司 | 基于用户行为的关联结果确定方法、装置及电子设备 |
CN110827138A (zh) * | 2019-10-31 | 2020-02-21 | 北京芯盾时代科技有限公司 | 一种推送信息确定方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668632A (zh) * | 2020-12-25 | 2021-04-16 | 浙江大华技术股份有限公司 | 一种数据处理方法、装置、计算机设备及存储介质 |
CN112668632B (zh) * | 2020-12-25 | 2022-04-08 | 浙江大华技术股份有限公司 | 一种数据处理方法、装置、计算机设备及存储介质 |
CN113065067A (zh) * | 2021-03-31 | 2021-07-02 | 达而观信息科技(上海)有限公司 | 一种物品推荐方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921221B (zh) | 用户特征的生成方法、装置、设备及存储介质 | |
CN109902708B (zh) | 一种推荐模型训练方法及相关装置 | |
CN110941740B (zh) | 视频推荐方法及计算机可读存储介质 | |
CN110866181B (zh) | 资源推荐的方法、装置及存储介质 | |
CN111460130B (zh) | 信息推荐方法、装置、设备和可读存储介质 | |
CN110717098B (zh) | 基于元路径的上下文感知用户建模方法、序列推荐方法 | |
CN106503022B (zh) | 推送推荐信息的方法和装置 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN110633421B (zh) | 特征提取、推荐以及预测方法、装置、介质和设备 | |
CN111723292B (zh) | 基于图神经网络的推荐方法、系统、电子设备及存储介质 | |
CN112529665A (zh) | 基于组合模型的产品推荐方法、装置及计算机设备 | |
CN112989169A (zh) | 目标对象识别方法、信息推荐方法、装置、设备及介质 | |
CN111475720A (zh) | 推荐方法、装置、服务器及存储介质 | |
CN113536105A (zh) | 推荐模型训练方法和装置 | |
CN112131261A (zh) | 基于社区网络的社区查询方法、装置和计算机设备 | |
CN114880566A (zh) | 基于图神经网络的用户行为分析方法、装置、设备及介质 | |
CN113657087B (zh) | 信息的匹配方法及装置 | |
CN113656699B (zh) | 用户特征向量确定方法、相关设备及介质 | |
US20220058448A1 (en) | Image selection from a database | |
CN114238764A (zh) | 基于循环神经网络的课程推荐方法、装置及设备 | |
CN113327132A (zh) | 多媒体推荐方法、装置、设备及存储介质 | |
CN116501979A (zh) | 信息推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN114817692A (zh) | 确定推荐对象的方法、装置和设备及计算机存储介质 | |
CN117056619A (zh) | 确定用户行为特征的方法和装置 | |
CN112989177A (zh) | 信息处理方法、装置、电子设备及计算机存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200731 |