CN111538909A - 一种信息推荐方法及装置 - Google Patents
一种信息推荐方法及装置 Download PDFInfo
- Publication number
- CN111538909A CN111538909A CN202010572971.9A CN202010572971A CN111538909A CN 111538909 A CN111538909 A CN 111538909A CN 202010572971 A CN202010572971 A CN 202010572971A CN 111538909 A CN111538909 A CN 111538909A
- Authority
- CN
- China
- Prior art keywords
- user
- product
- information
- target
- determining
- 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 47
- 238000012549 training Methods 0.000 claims abstract description 63
- 238000012795 verification Methods 0.000 claims description 95
- 238000011156 evaluation Methods 0.000 claims description 32
- 238000010586 diagram Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种信息推荐方法及装置,包括:根据产品特征信息确定至少一个目标产品,并确定与任意目标产品相关的第一用户,获取第一用户的用户特征信息。根据第一用户的用户特征信息以及第一用户与各个目标产品是否相关的标签,训练得到产品信息推荐模型。确定与第一用户关联的第二用户,获取第二用户的用户特征信息。将第二用户的用户特征信息输入产品信息推荐模型,得到产品信息推荐模型输出的各个目标产品的推荐概率,并将推荐概率大于阈值的目标产品的产品信息推荐给第二用户。通过本申请实施例的方案,提高了信息推荐的准确性,符合用户的需求。
Description
技术领域
本申请涉及互联网技术领域,具体涉及一种信息推荐方法及装置。
背景技术
目前可以通过大数据分析向用户推送相关的产品信息。在现有技术中,通常基于单一因素进行产品信息的推荐,例如基于产品的热门程度向用户进行推荐。但是,该种信息推荐的方式分析维度单一,不一定符合用户的需求,造成信息推荐不准确。
发明内容
有鉴于此,本申请实施例提供一种信息推荐方法及装置,以提高信息推荐的准确性,符合用户的需求。
为解决上述问题,本申请实施例提供的技术方案如下:
一种信息推荐方法,所述方法包括:
根据产品特征信息确定至少一个目标产品;
确定与任意所述目标产品相关的第一用户,获取所述第一用户的用户特征信息;
根据所述第一用户的用户特征信息以及所述第一用户与各个所述目标产品是否相关的标签,训练得到产品信息推荐模型;
确定与所述第一用户关联的第二用户;
获取所述第二用户的用户特征信息;
将所述第二用户的用户特征信息输入所述产品信息推荐模型,得到所述产品信息推荐模型输出的各个所述目标产品的推荐概率;
将所述推荐概率大于阈值的目标产品的产品信息推荐给所述第二用户。
在一种可能的实现方式中,所述根据产品特征信息确定至少一个目标产品,包括:
根据产品的产品特征信息确定各个所述产品的评价值,根据所述评价值对所述产品进行排序,所述产品特征信息包括以下一项或多项:查询次数、购买次数、投诉次数、相关用户信息、查询渠道信息以及购买渠道信息;
将排序最高的预设数量的所述产品确定为目标产品。
在一种可能的实现方式中,所述根据所述第一用户的用户特征信息以及所述第一用户与各个所述目标产品是否相关的标签,训练得到产品信息推荐模型,包括:
将所述第一用户的用户特征信息以及所述第一用户与各个所述目标产品是否相关的标签确定为目标数据,将所述目标数据划分为训练数据以及验证数据;
根据所述训练数据以及上一次迭代后的验证结果,调整产品信息推荐模型的模型参数,生成本次迭代后的产品信息推荐模型,当首次调整产品信息推荐模型的模型参数时,所述上一次迭代后的验证结果为零;
将所述验证数据中的第一用户的用户特征信息输入所述本次迭代后的产品信息推荐模型,获得所述本次迭代后的产品信息推荐模型输出的各个所述目标产品的推荐概率预测值;
根据所述验证数据中的第一用户与各个所述目标产品是否相关的标签以及各个所述目标产品的推荐概率预测值,计算得到本次迭代后的验证结果;
重新执行所述根据所述训练数据以及上一次迭代后的验证结果,调整产品信息推荐模型的模型参数,生成本次迭代后的产品信息推荐模型以及后续步骤,直到达到预设停止条件,训练得到产品信息推荐模型。
在一种可能的实现方式中,所述根据所述验证数据中的第一用户与各个所述目标产品是否相关的标签以及各个所述目标产品的推荐概率预测值,计算得到本次迭代后的验证结果,包括:
计算所述验证数据中的第一用户与第i个目标产品是否相关的标签值与第i个目标产品的推荐概率预测值之间的差值,得到第i个目标产品对应的验证偏差值,其中,i的取值为1至n的整数,n为所述目标产品的数量;
将n个目标产品对应的验证偏差值确定为本次迭代后的验证结果。
在一种可能的实现方式中,所述确定与所述第一用户关联的第二用户,包括:
获取所述第一用户的账户信息;
确定与所述第一用户的账户信息存在关联关系的目标账户信息;
将所述目标账户信息对应的用户确定为与所述第一用户关联的第二用户。
一种信息推荐装置,所述装置包括:
第一确定单元,用于根据产品特征信息确定至少一个目标产品;
第二确定单元,用于确定与任意所述目标产品相关的第一用户,获取所述第一用户的用户特征信息;
训练单元,用于根据所述第一用户的用户特征信息以及所述第一用户与各个所述目标产品是否相关的标签,训练得到产品信息推荐模型;
第三确定单元,用于确定与所述第一用户关联的第二用户;
获取单元,用于获取所述第二用户的用户特征信息;
输入输出单元,用于将所述第二用户的用户特征信息输入所述产品信息推荐模型,得到所述产品信息推荐模型输出的各个所述目标产品的推荐概率;
推荐单元,用于将所述推荐概率大于阈值的目标产品的产品信息推荐给所述第二用户。
在一种可能的实现方式中,所述第一确定单元包括:
第一确定子单元,用于根据产品的产品特征信息确定各个所述产品的评价值,根据所述评价值对所述产品进行排序,所述产品特征信息包括以下一项或多项:查询次数、购买次数、投诉次数、相关用户信息、查询渠道信息以及购买渠道信息;
第二确定子单元,用于将排序最高的预设数量的所述产品确定为目标产品。
在一种可能的实现方式中,训练单元包括:
第三确定子单元,用于将所述第一用户的用户特征信息以及所述第一用户与各个所述目标产品是否相关的标签确定为目标数据,将所述目标数据划分为训练数据以及验证数据;
生成子单元,用于根据所述训练数据以及上一次迭代后的验证结果,调整产品信息推荐模型的模型参数,生成本次迭代后的产品信息推荐模型,当首次调整产品信息推荐模型的模型参数时,所述上一次迭代后的验证结果为零;
输入输出子单元,用于将所述验证数据中的第一用户的用户特征信息输入所述本次迭代后的产品信息推荐模型,获得所述本次迭代后的产品信息推荐模型输出的各个所述目标产品的推荐概率预测值;
第一计算子单元,用于根据所述验证数据中的第一用户与各个所述目标产品是否相关的标签以及各个所述目标产品的推荐概率预测值,计算得到本次迭代后的验证结果;
循环子单元,用于重新执行所述根据所述训练数据以及上一次迭代后的验证结果,调整产品信息推荐模型的模型参数,生成本次迭代后的产品信息推荐模型以及后续步骤,直到达到预设停止条件,训练得到产品信息推荐模型。
在一种可能的实现方式中,第一计算子单元包括:
第二计算子单元,用于计算所述验证数据中的第一用户与第i个目标产品是否相关的标签值与第i个目标产品的推荐概率预测值之间的差值,得到第i个目标产品对应的验证偏差值,其中,i的取值为1至n的整数,n为所述目标产品的数量;
第四确定子单元,用于将n个目标产品对应的验证偏差值确定为本次迭代后的验证结果。
在一种可能的实现方式中,所述第三确定单元包括:
获取子单元,用于获取所述第一用户的账户信息;
第五确定子单元,用于确定与所述第一用户的账户信息存在关联关系的目标账户信息;
第六确定子单元,用于将所述目标账户信息对应的用户确定为与所述第一用户关联的第二用户。
由此可见,本申请实施例具有如下有益效果:
本申请实施例首先,根据产品特征信息确定至少一个目标产品,并确定与任意目标产品相关的第一用户,获取第一用户的用户特征信息。其次,根据第一用户的用户特征信息以及第一用户与各个目标产品是否相关的标签,训练得到产品信息推荐模型。然后,确定与第一用户关联的第二用户,并获取第二用户的用户特征信息。最后,将第二用户的用户特征信息输入产品信息推荐模型,得到产品信息推荐模型输出的各个目标产品的推荐概率,并将推荐概率大于阈值的目标产品的产品信息推荐给第二用户。通过本申请实施例的方案,利用第一用户的用户特征信息及第一用户与各个目标产品是否相关的标签可以训练得到产品信息推荐模型。由于可以认为目标产品是较为优质的产品,第一用户是与较为优质的产品相关的用户,而且第二用户和第一用户相关联,则第二用户的需求类似于第一用户,因此,可以利用训练好的产品信息推荐模型精准地将某些目标产品推荐给第二用户,提高了信息推荐的准确性,符合用户的需求。
附图说明
图1为本申请实施例提供的信息推荐方法的示例性应用场景的示意图;
图2为本申请实施例提供的一种信息推荐方法的流程图;
图3为本申请实施例提供的一种训练产品信息推荐模型方法的流程图;
图4为本申请实施例提供的一种信息推荐装置的示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。
为了便于理解和解释本申请实施例提供的技术方案,下面先对本申请实施例的背景技术进行说明。
用户办理了某平台的账户后,平台会向用户推荐一些平台的产品。目前平台向用户推荐产品的手段单一,通常是通过大数据分析基于单一因素向用户推送相关的产品信息。例如,用户办理了某银行的账户,银行基于知识库中的业务信息向用户推荐理财产品。但银行仅是基于理财产品的热门程度向用户进行推荐,这些热门产品并不一定是用户需要的,满足不了用户的需求。以上信息推荐的方式分析维度单一,不一定符合用户的需求,造成信息推荐不准确。
基于此,本申请实施例提供了一种信息推荐方法,该方法包括:
根据产品特征信息确定至少一个目标产品,并确定与任意所述目标产品相关的第一用户,获取所述第一用户的用户特征信息。根据所述第一用户的用户特征信息以及所述第一用户与各个所述目标产品是否相关的标签,训练得到产品信息推荐模型。确定与所述第一用户关联的第二用户,并获取所述第二用户的用户特征信息。将所述第二用户的用户特征信息输入所述产品信息推荐模型,得到所述产品信息推荐模型输出的各个所述目标产品的推荐概率,并将所述推荐概率大于阈值的目标产品的产品信息推荐给所述第二用户。如此提高了信息推荐的准确性,符合用户的需求。
为了便于理解本申请实施例提供的信息推荐方法,下面结合图1对本申请实施例的应用场景进行说明,其中,图1为本申请实施例提供的信息推荐方法的示例性应用场景的示意图。本申请实施例提供的信息推荐方法可以应用于服务器102。
实际应用中,服务器102根据产品特征信息确定至少一个目标产品,其中,产品特征信息保存在服务器102中。之后,服务器102根据确定的任意目标产品,确定与任意目标产品相关的第一用户,其中第一用户为第一客户端101的使用者。服务器102获取第一用户的用户特征信息,并根据第一用户的用户特征信息以及第一用户与各个目标产品是否相关的标签,训练得到产品信息推荐模型。
服务器102确定与第一用户关联的第二用户,第一用户为第二客户端103的使用者。基于此,服务器102获取第二用户的用户特征信息,并将第二用户的用户特征信息输入产品信息推荐模型,输出得到产品信息推荐模型输出的各个目标产品的推荐概率。
最后,服务器102分析各个目标产品的推荐概率,将推荐概率大于预先设定的阈值的目标产品的产品信息推荐给第二用户的第二客户端103。
本领域技术人员可以理解,图1所示的示意图仅是本申请实施方式得以在其中实施的一个示例,本申请的实施方式的适用范围并不受到该框架任何方面的限制。
需要注意的是,第一终端101和第二终端102可以是现有的、正在研发的或将来研发的、能够通过任何形式的有线和/或无线连接(例如,Wi-Fi、LAN、蜂窝、同轴电缆等)相互交互的任何用户设备,包括但不限于:现有的、正在研发的或将来研发的智能可穿戴设备、智能手机、非智能手机、平板电脑、膝上型个人计算机、桌面型个人计算机、小型计算机、中型计算机、大型计算机等。本申请的实施方式在此方面不受任何限制。还需要注意的是,本申请实施例中服务器102可以是现有的、正在研发的或将来研发的、能够执行上述操作的设备的一个示例。本申请的实施方式在此方面不受任何限制。
为了便于理解本申请实施例提供的技术方案,下面结合附图对本申请实施例提供的信息推荐方法进行说明。参见图2,图2为本申请实施例提供的一种信息推荐方法的流程图。如图2所示,该方法可以包括S201-S207:
S201:根据产品特征信息确定至少一个目标产品。
在本申请实施例中,首先可以根据产品的产品特征信息确定出至少一个目标产品,目标产品可以理解为较为优质的产品。
根据产品特征信息确定至少一个目标产品,包括以下步骤:
根据产品的产品特征信息确定各个产品的评价值,根据评价值对产品进行排序,产品特征信息包括以下一项或多项:查询次数、购买次数、投诉次数、相关用户信息、查询渠道信息以及购买渠道信息。
将排序最高的预设数量的所述产品确定为目标产品。
基于上述内容可知,首先,要根据产品的产品特征信息来确定该产品的评价值。产品的产品特征信息为该产品的查询次数、购买次数、投诉次数、相关用户信息、查询渠道信息以及购买渠道信息中的一项或多项。其中,相关用户信息包括购买者、购买者购买次数等。其次,获取产品的评价值之后,根据产品评价值的高低对产品从高到低进行排序。最后将排序最高的预设数量的产品确定为目标产品。
实际应用中,可选的,产品可以为银行的理财产品。当要确定某些理财产品的评价值时,从银行的知识库中获取理财产品的产品特征信息,比如产品的查询次数等。银行的知识库中存储着银行的业务信息,业务信息包括用户的理财信息。在获取某产品的产品特征信息后,例如获得了该产品的具体查询次数等时,可以根据获得的产品特征信息来量化地确定该产品的评价值。在获得了多个产品的各自评价值之后,对这些产品按照评价值高低进行从高到低的排序。最后选择评价值高的预设数量的产品为目标产品,例如,预设数量为10,则将产品评价值从高到低排序后的前10个产品设置为目标产品。
需要注意的是,如果考虑某产品的多项产品特征信息时,需要将多项产品特征信息进行量化,获取多项产品特征信息下的该产品的评价值。具体实现时,可选的,对量化后的多项产品特征信息进行加权平均,计算得到该产品的最终评价值。例如,所有产品考虑的产品特征信息为查询次数、购买次数、投诉次数、购买者、购买者购买次数。设定查询次数0~100为1分,100~200为2分,…,900及以上次数为10分,即查询次数越高,评价值越高。设定购买次数类似于查询次数:0~100为1分,100~200为2分,…,900~100及以上次数为10分,即购买次数越高,评价值越高。设定投诉次数0~100为10分,100~200为9分,…,900~100及以上次数为0分,即投诉次数越高,则评价值越低。设定购买者在该银行购买则评价值高,在与本银行相关的其他平台购买则评价值低。设定购买者购买次数0~1为1分,1~2为2分,…,9~10及以上次数为10分,即购买者购买次数越高,评价值越高。设定查询次数、购买次数、投诉次数、购买者、购买者购买次数的权重分别为0.2,0.3,0.3,0.1,0.1。其中,投诉次数少和购买次数多占得比重最大,即优先选择投诉次数最少,购买次数最多的产品。则可针对各个产品特征信息的评价值及相对应的权重,通过加权平均法计算该产品的最终评价值。
S202:确定与任意目标产品相关的第一用户,获取第一用户的用户特征信息。
在确定至少一个目标产品之后,需要确定和每一个目标产品相关的用户,此时和目标产品相关的用户被称为第一用户。需要注意的是,一个目标产品对应至少一个第一用户。基于此,获取第一用户的用户特征信息,用户特征信息可以包括以下一项或者多项:用户年龄、职业、收入水平、每月支出金额、已办理的产品、性别。实际应用中,银行在用户办理业务时,需要用户填写用户登记表,则银行系统可以从用户登记表中获得用户特征信息。此外,第一用户可以看作是与优质产品关联的用户,实际应用中,针对银行的理财产品,第一用户可以看作是银行的忠实理财产品用户。
S203:根据第一用户的用户特征信息以及第一用户与各个目标产品是否相关的标签,训练得到产品信息推荐模型。
各个目标产品指的是根据评价值排序后的排序最高的预设数量的目标产品。第一用户为与任意一个或多个目标产品相关的用户,则可以确定出一个第一用户分别与每个目标产品是否相关,从而得到该第一用户与各个目标产品是否相关的标签。在获得所有第一用户的用户特征信息后,利用获得的第一用户的用户特征信息,以及对应的第一用户与各个目标产品是否相关的标签,对产品信息推荐模型进行训练,最后得到训练好的产品信息推荐模型。在一些实施方式中,产品信息推荐模型可以为神经网络模型。
具体实现时,在使用用户特征信息对产品信息推荐模型进行训练时,用户特征信息可以是进行量化后的数据。也就是说,需要搜集第一用户的用户特征信息,再将收集到的用户特征信息进行量化处理,将量化处理后的数据作为搜集样本数据,并输入到待训练的产品信息推荐模型中进行产品信息推荐模型的训练。其中,进行量化处理时,可选的,可以引入虚拟变量进行量化,例如性别女为1,性别男为0。在某些实施方式中,将用户特征信息进行量化后,可以将量化后的数据向量化,得到向量化的特征向量,特征向量里面的元素即为量化后的各个用户特征信息。
需要说明的是,第一用户与各个目标产品是否相关的标签可以作为期望输出值。训练的过程即是调整产品信息推荐模型中的模型参数,以使产品信息推荐模型的实际输出值接近期望输出值。第一用户与各个目标产品是否相关的标签,可以表征第一用户与各个目标产品的相关程度,以下内容对此给出了相应的解释。
由于目标产品的数量为至少一个,例如,目标产品1至目标产品10。一个目标产品对应了至少一个第一用户,统计出所有的第一用户,例如,第一用户包括第一用户1至第一用户10。统计出各个目标产品和购买各个目标产品的第一用户,并将目标产品和第一用户之间的对应关系进行梳理和整理。例如,第一用户1只购买了目标产品1,则第一用户1与目标产品1是否相关的标签为1,与其它目标产品是否相关的标签为0。第一用户2购买了目标产品1和目标产品2,则第一用户2与目标产品1和目标产品2是否相关的标签均为1,与其它目标产品是否相关的标签为0。第一用户3购买了目标产品2和目标产品4,则第一用户3与目标产品2和目标产品4是否相关的标签均为1,与其它目标产品是否相关的标签为0。则可以将第一用户与各个目标产品是否相关的标签以向量的形式进行呈现,向量中的元素即为第一用户与每个目标产品是否相关的标签。
利用量化后的用户特征信息、第一用户与各个目标产品是否相关的标签,可以训练得到产品信息推荐模型,具体的产品信息推荐模型的训练方法和过程可以参见后续具体实施例的说明。
S204:确定与第一用户关联的第二用户。
在确定第一用户后,可以根据第一用户确定与之关联的第二用户。确定第二用户的过程可以包括如下步骤:
获取第一用户的账户信息;
确定与第一用户的账户信息存在关联关系的目标账户信息;
将目标账户信息对应的用户确定为与第一用户关联的第二用户。
针对上述步骤,首先,要获取第一用户的账户信息,实际应用时,账户信息可以指银行账户。之后,确定与第一用户的账户信息有关联关系的账户信息,该账户信息即为目标账户信息。最后,根据目标账户信息,确定与之对应的用户,该用户即为第二用户。需要注意的是,与一个第一用户相对应的第二用户为至少一个。
具体实现时,确定与第一用户的账户信息有关联关系的账户信息的方法包括以下一项或多项:查询与第一用户有多次交易记录的用户、生活缴费时与第一用户缴费号相同的用户、与第一用户由同一账号代发工资的其他用户。其中,与第一用户有多次交易记录的用户可以认为是与第一用户相识的用户,生活缴费时与第一用户缴费号相同的用户可以认为是第一用户的家庭成员,与第一用户由同一账号代发工资的其他用户可以认为是第一用户的同事,则这些用户可以被确定为与第一用户关联的第二用户。
S205:获取第二用户的用户特征信息。
在确定第二用户后,获取第二用户的用户特征信息。具体实现时,可以根据第二用户的账户信息获取第二用户的用户特征信息。获取第二用户的用户特征信息与获取第一用户的用户特征信息的过程类似,相关说明可以参见上述实施例。
S206:将第二用户的用户特征信息输入产品信息推荐模型,得到产品信息推荐模型输出的各个目标产品的推荐概率。
在产品信息推荐模型训练好后,则可以使用该训练好的产品信息推荐模型进行信息推荐。将第二用户的用户特征信息量化后输入到产品信息推荐模型中,得到输出量为各个目标产品的推荐概率。
具体实现时,各个目标产品的推荐概率以向量的形成呈现出来,推荐概率表征了第二用户实际对该目标产品的需要程度,推荐概率高的,则表明第二用户对该目标产品感兴趣并办理的程度高。
S207:将推荐概率大于阈值的目标产品的产品信息推荐给第二用户。
得到针对第二用户的各个目标产品的推荐概率后,如果某个目标产品的推荐概率大于设定的阈值,则该目标产品为可以推荐的产品,可以将该目标产品推荐给第二用户。例如,推荐概率的阈值为0.6,若某个目标产品的推荐概率为0.8,则会将该目标产品推荐给第二用户。
通过本实施例的技术方案,利用第一用户的用户特征信息及第一用户与各个目标产品是否相关的标签可以训练得到产品信息推荐模型。由于可以认为目标产品是较为优质的产品,第一用户是与较为优质的产品相关的用户,而且第二用户和第一用户相关联,则第二用户的需求类似于第一用户,因此,可以利用训练好的产品信息推荐模型精准地将某些目标产品推荐给第二用户,提高了信息推荐的准确性,符合用户的需求。
为了更好的理解本申请实施例的技术方案,结合图3对训练产品信息推荐模型方法的过程进行了说明。图3为本申请实施例提供的一种训练产品信息推荐模型方法的流程图,该方法包括如下步骤S301-S305:
S301:将第一用户的用户特征信息以及第一用户与各个目标产品是否相关的标签确定为目标数据,将目标数据划分为训练数据以及验证数据。
将第一用户的用户特征信息以及第一用户与各个目标产品是否相关的标签确定为目标数据,目标数据为搜集整理的实际数据,非计算得到。将目标数据划分为训练数据以及验证数据,其中,利用训练数据和验证数据不断调整产品信息推荐模型的模型参数,以得到最优的产品信息推荐模型。
具体实现时,可选的,对第一用户的用户特征信息进行量化、向量化,获得最终的特征向量,将包含用户特征的特征向量作为产品信息推荐模型的输入。将第一用户与各个目标产品是否相关的标签向量化,将获得的向量作为产品信息推荐模型的期望输出值。
将上述获得的用户特征信息、标签统称为目标数据,该目标数据即是搜集整理到的真实的数据,将该目标数据分成训练数据和验证数据两组,用来训练产品信息推荐模型。例如,目标数据总共1000组,将目标数据分为训练数据和验证数据2类,其中训练数据为500组数据,验证数据为另外500组数据。
S302:根据训练数据以及上一次迭代后的验证结果,调整产品信息推荐模型的模型参数,生成本次迭代后的产品信息推荐模型,当首次调整产品信息推荐模型的模型参数时,上一次迭代后的验证结果为零。
训练数据包括第一用户的用户特征信息以及第一用户与各个目标产品是否相关的标签。验证结果为验证数据中的第一用户与第i个目标产品是否相关的标签值与第i个目标产品的推荐概率预测值之间的差值,详见S304。利用训练数据中的第一用户的用户特征信息、第一用户与各个目标产品是否相关的标签以及验证结果,调整产品信息推荐模型的模型参数。调整模型参数之后,生成本次迭代后的产品信息推荐模型。当第一次调整产品信息推荐模型的模型参数时,由于没有上一次迭代,则上一次迭代后的验证结果设置为零。
在一些实施方式中,信息推荐模型可选为神经网络模型。可选的,建立一个三层神经网络模型,将第一用户的用户特征信息作为模型特征输入到该神经网络模型中,输出为各个目标产品的推荐概率预测值。根据kolmogorov原理,一个三层神经网络足以完成任意的n维到m维的映射,即能够将多项用户特征信息映射到各个产品的概率。
S303:将验证数据中的第一用户的用户特征信息输入本次迭代后的产品信息推荐模型,获得本次迭代后的产品信息推荐模型输出的各个目标产品的推荐概率预测值。
在生成本次迭代后的产品信息推荐模型之后,将验证数据中的第一用户的用户特征信息作为本次迭代后的产品信息推荐模型的输入,输入到该模型中。输出为各个目标产品的推荐概率预测值,其中,所述输出为本次迭代后的产品信息推荐模型的输出。例如,针对第一用户1,其输出的目标产品1的推荐概率预测值为0.9,目标产品2的推荐概率值为0.1。
S304:根据验证数据中的第一用户与各个目标产品是否相关的标签以及各个目标产品的推荐概率预测值,计算得到本次迭代后的验证结果。
对于验证数据,通过本次迭代后的产品信息推荐模型获得各个目标产品的推荐概率预测值之后,将验证数据中的第一用户与各个目标产品是否相关的标签与各个目标产品的推荐概率预测值作差,得到本次迭代后的验证结果。
上述过程的具体计算步骤包括:
计算所述验证数据中的第一用户与第i个目标产品是否相关的标签值与第i个目标产品的推荐概率预测值之间的差值,得到第i个目标产品对应的验证偏差值,其中,i的取值为1至n的整数,n为所述目标产品的数量;
将n个目标产品对应的验证偏差值确定为本次迭代后的验证结果。
根据上述内容可知,将验证数据中的第一用户与各个目标产品是否相关的标签与各个目标产品的推荐概率预测值作差,具体为第一用户与第i个目标产品是否相关的标签值与第i个目标产品的推荐概率预测值之间的差值,即各个目标产品的期望值和实际值之间的差值,其中期望值指的是第i个目标产品是否相关的标签值,实际值指的是第i个目标产品的推荐概率预测值。将该差值作为第i个目标产品对应的验证偏差值,并称之为验证结果。需要注意的是,针对第一用户,其验证结果,即验证偏差值为一组数据,可组成向量,向量中的元素为第i个目标产品的验证偏差值,向量中元素的个数为n。
S305:重新执行根据训练数据以及上一次迭代后的验证结果,调整产品信息推荐模型的模型参数,生成本次迭代后的产品信息推荐模型以及后续步骤,直到达到预设停止条件,训练得到产品信息推荐模型。
在S301-S304,即在调整模型参数,生成本次迭代后的产品信息推荐模型,利用验证数据和本次迭代后的产品信息推荐模型获得迭代的验证结果之后,再执行S301,即重新利用训练数据以及迭代的验证结果(称之为上一次的迭代后的验证结果)作用于本次迭代后的产品信息推荐模型,调整模型的参数,再次更新产品信息推荐模型,生成本次迭代后的产品信息推荐模型。利用训练数据和验证数据循环训练,不断调整模型的参数,以不断提高精确度为目标,直至达到预设停止条件,则停止训练,获得最后训练好的产品信息推荐模型。可选的,预设停止条件可以设置为偏差小于设定的阈值时停止训练,或者达到训练次数时停止训练。
通过本实施例的技术方案,可以训练出产品信息推荐模型,产品信息推荐模型可以用于输入用户的用户特征信息,输出各个目标产品的推荐概率。从而在需要对第二用户推荐目标产品时,利用第二用户的用户特征信息,可以得到第二用户对应的各个目标产品的推荐概率,以实现为第二用户更为准确地推荐目标产品。
参见图4,图4为本申请实施例提供的一种信息推荐装置的示意图。所述装置可以包括:
第一确定单元401,用于根据产品特征信息确定至少一个目标产品;
第二确定单元402,用于确定与任意所述目标产品相关的第一用户,获取所述第一用户的用户特征信息;
训练单元403,用于根据所述第一用户的用户特征信息以及所述第一用户与各个所述目标产品是否相关的标签,训练得到产品信息推荐模型;
第三确定单元404,用于确定与所述第一用户关联的第二用户;
获取单元405,用于获取所述第二用户的用户特征信息;
输入输出单元406,用于将所述第二用户的用户特征信息输入所述产品信息推荐模型,得到所述产品信息推荐模型输出的各个所述目标产品的推荐概率;
推荐单元407,用于将所述推荐概率大于阈值的目标产品的产品信息推荐给所述第二用户。
可选的,在本实施例的一些实施方式中,所述第一确定单元包括:
第一确定子单元,用于根据产品的产品特征信息确定各个所述产品的评价值,根据所述评价值对所述产品进行排序,所述产品特征信息包括以下一项或多项:查询次数、购买次数、投诉次数、相关用户信息、查询渠道信息以及购买渠道信息;
第二确定子单元,用于将排序最高的预设数量的所述产品确定为目标产品。
可选的,在本实施例的一些实施方式中,所述训练单元包括:
第三确定子单元,用于将所述第一用户的用户特征信息以及所述第一用户与各个所述目标产品是否相关的标签确定为目标数据,将所述目标数据划分为训练数据以及验证数据;
生成子单元,用于根据所述训练数据以及上一次迭代后的验证结果,调整产品信息推荐模型的模型参数,生成本次迭代后的产品信息推荐模型,当首次调整产品信息推荐模型的模型参数时,所述上一次迭代后的验证结果为零;
输入输出子单元,用于将所述验证数据中的第一用户的用户特征信息输入所述本次迭代后的产品信息推荐模型,获得所述本次迭代后的产品信息推荐模型输出的各个所述目标产品的推荐概率预测值;
第一计算子单元,用于根据所述验证数据中的第一用户与各个所述目标产品是否相关的标签以及各个所述目标产品的推荐概率预测值,计算得到本次迭代后的验证结果;
循环子单元,用于重新执行所述根据所述训练数据以及上一次迭代后的验证结果,调整产品信息推荐模型的模型参数,生成本次迭代后的产品信息推荐模型以及后续步骤,直到达到预设停止条件,训练得到产品信息推荐模型。
可选的,在本实施例的一些实施方式中,所述第一计算子单元包括:
第二计算子单元,用于计算所述验证数据中的第一用户与第i个目标产品是否相关的标签值与第i个目标产品的推荐概率预测值之间的差值,得到第i个目标产品对应的验证偏差值,其中,i的取值为1至n的整数,n为所述目标产品的数量;
第四确定子单元,用于将n个目标产品对应的验证偏差值确定为本次迭代后的验证结果。
可选的,在本实施例的一些实施方式中,所述第三确定单元包括:
获取子单元,用于获取所述第一用户的账户信息;
第五确定子单元,用于确定与所述第一用户的账户信息存在关联关系的目标账户信息;
第六确定子单元,用于将所述目标账户信息对应的用户确定为与所述第一用户关联的第二用户。
通过本实施例的技术方案,由于可以认为目标产品是较为优质的产品,第一用户是与较为优质的产品相关的用户,而且第二用户和第一用户相关联,则第二用户的需求类似于第一用户,因此,可以利用训练好的产品信息推荐模型精准地将某些目标产品推荐给第二用户,提高了信息推荐的准确性,符合用户的需求。
需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统或装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于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:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种信息推荐方法,其特征在于,所述方法包括:
根据产品特征信息确定至少一个目标产品;
确定与任意所述目标产品相关的第一用户,获取所述第一用户的用户特征信息;
根据所述第一用户的用户特征信息以及所述第一用户与各个所述目标产品是否相关的标签,训练得到产品信息推荐模型;
确定与所述第一用户关联的第二用户;
获取所述第二用户的用户特征信息;
将所述第二用户的用户特征信息输入所述产品信息推荐模型,得到所述产品信息推荐模型输出的各个所述目标产品的推荐概率;
将所述推荐概率大于阈值的目标产品的产品信息推荐给所述第二用户。
2.根据权利要求1所述的方法,其特征在于,所述根据产品特征信息确定至少一个目标产品,包括:
根据产品的产品特征信息确定各个所述产品的评价值,根据所述评价值对所述产品进行排序,所述产品特征信息包括以下一项或多项:查询次数、购买次数、投诉次数、相关用户信息、查询渠道信息以及购买渠道信息;
将排序最高的预设数量的所述产品确定为目标产品。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一用户的用户特征信息以及所述第一用户与各个所述目标产品是否相关的标签,训练得到产品信息推荐模型,包括:
将所述第一用户的用户特征信息以及所述第一用户与各个所述目标产品是否相关的标签确定为目标数据,将所述目标数据划分为训练数据以及验证数据;
根据所述训练数据以及上一次迭代后的验证结果,调整产品信息推荐模型的模型参数,生成本次迭代后的产品信息推荐模型,当首次调整产品信息推荐模型的模型参数时,所述上一次迭代后的验证结果为零;
将所述验证数据中的第一用户的用户特征信息输入所述本次迭代后的产品信息推荐模型,获得所述本次迭代后的产品信息推荐模型输出的各个所述目标产品的推荐概率预测值;
根据所述验证数据中的第一用户与各个所述目标产品是否相关的标签以及各个所述目标产品的推荐概率预测值,计算得到本次迭代后的验证结果;
重新执行所述根据所述训练数据以及上一次迭代后的验证结果,调整产品信息推荐模型的模型参数,生成本次迭代后的产品信息推荐模型以及后续步骤,直到达到预设停止条件,训练得到产品信息推荐模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述验证数据中的第一用户与各个所述目标产品是否相关的标签以及各个所述目标产品的推荐概率预测值,计算得到本次迭代后的验证结果,包括:
计算所述验证数据中的第一用户与第i个目标产品是否相关的标签值与第i个目标产品的推荐概率预测值之间的差值,得到第i个目标产品对应的验证偏差值,其中,i的取值为1至n的整数,n为所述目标产品的数量;
将n个目标产品对应的验证偏差值确定为本次迭代后的验证结果。
5.根据权利要求1所述的方法,其特征在于,所述确定与所述第一用户关联的第二用户,包括:
获取所述第一用户的账户信息;
确定与所述第一用户的账户信息存在关联关系的目标账户信息;
将所述目标账户信息对应的用户确定为与所述第一用户关联的第二用户。
6.一种信息推荐装置,其特征在于,所述装置包括:
第一确定单元,用于根据产品特征信息确定至少一个目标产品;
第二确定单元,用于确定与任意所述目标产品相关的第一用户,获取所述第一用户的用户特征信息;
训练单元,用于根据所述第一用户的用户特征信息以及所述第一用户与各个所述目标产品是否相关的标签,训练得到产品信息推荐模型;
第三确定单元,用于确定与所述第一用户关联的第二用户;
获取单元,用于获取所述第二用户的用户特征信息;
输入输出单元,用于将所述第二用户的用户特征信息输入所述产品信息推荐模型,得到所述产品信息推荐模型输出的各个所述目标产品的推荐概率;
推荐单元,用于将所述推荐概率大于阈值的目标产品的产品信息推荐给所述第二用户。
7.根据权利要求6所述的装置,其特征在于,所述第一确定单元包括:
第一确定子单元,用于根据产品的产品特征信息确定各个所述产品的评价值,根据所述评价值对所述产品进行排序,所述产品特征信息包括以下一项或多项:查询次数、购买次数、投诉次数、相关用户信息、查询渠道信息以及购买渠道信息;
第二确定子单元,用于将排序最高的预设数量的所述产品确定为目标产品。
8.根据权利要求6所述的装置,其特征在于,训练单元包括:
第三确定子单元,用于将所述第一用户的用户特征信息以及所述第一用户与各个所述目标产品是否相关的标签确定为目标数据,将所述目标数据划分为训练数据以及验证数据;
生成子单元,用于根据所述训练数据以及上一次迭代后的验证结果,调整产品信息推荐模型的模型参数,生成本次迭代后的产品信息推荐模型,当首次调整产品信息推荐模型的模型参数时,所述上一次迭代后的验证结果为零;
输入输出子单元,用于将所述验证数据中的第一用户的用户特征信息输入所述本次迭代后的产品信息推荐模型,获得所述本次迭代后的产品信息推荐模型输出的各个所述目标产品的推荐概率预测值;
第一计算子单元,用于根据所述验证数据中的第一用户与各个所述目标产品是否相关的标签以及各个所述目标产品的推荐概率预测值,计算得到本次迭代后的验证结果;
循环子单元,用于重新执行所述根据所述训练数据以及上一次迭代后的验证结果,调整产品信息推荐模型的模型参数,生成本次迭代后的产品信息推荐模型以及后续步骤,直到达到预设停止条件,训练得到产品信息推荐模型。
9.根据权利要求8所述的装置,其特征在于,第一计算子单元包括:
第二计算子单元,用于计算所述验证数据中的第一用户与第i个目标产品是否相关的标签值与第i个目标产品的推荐概率预测值之间的差值,得到第i个目标产品对应的验证偏差值,其中,i的取值为1至n的整数,n为所述目标产品的数量;
第四确定子单元,用于将n个目标产品对应的验证偏差值确定为本次迭代后的验证结果。
10.根据权利要求6所述的装置,其特征在于,所述第三确定单元包括:
获取子单元,用于获取所述第一用户的账户信息;
第五确定子单元,用于确定与所述第一用户的账户信息存在关联关系的目标账户信息;
第六确定子单元,用于将所述目标账户信息对应的用户确定为与所述第一用户关联的第二用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010572971.9A CN111538909A (zh) | 2020-06-22 | 2020-06-22 | 一种信息推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010572971.9A CN111538909A (zh) | 2020-06-22 | 2020-06-22 | 一种信息推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111538909A true CN111538909A (zh) | 2020-08-14 |
Family
ID=71976350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010572971.9A Pending CN111538909A (zh) | 2020-06-22 | 2020-06-22 | 一种信息推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111538909A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112053200A (zh) * | 2020-09-30 | 2020-12-08 | 中国银行股份有限公司 | 一种信息推荐方法及装置 |
CN112950258A (zh) * | 2021-02-04 | 2021-06-11 | 北京淇瑀信息科技有限公司 | 活动分析方法、装置和电子设备 |
CN114357292A (zh) * | 2021-12-29 | 2022-04-15 | 阿里巴巴(中国)有限公司 | 模型训练方法、设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665355A (zh) * | 2018-05-18 | 2018-10-16 | 深圳壹账通智能科技有限公司 | 金融产品推荐方法、装置、设备和计算机存储介质 |
CN108711075A (zh) * | 2018-05-22 | 2018-10-26 | 阿里巴巴集团控股有限公司 | 一种产品推荐方法和装置 |
CN109165983A (zh) * | 2018-09-04 | 2019-01-08 | 中国平安人寿保险股份有限公司 | 保险产品推荐方法、装置、计算机设备和存储介质 |
US20200134696A1 (en) * | 2018-10-31 | 2020-04-30 | Amadeus S.A.S. | Recommender systems and methods using cascaded machine learning models |
CN111192108A (zh) * | 2019-12-16 | 2020-05-22 | 北京淇瑀信息科技有限公司 | 一种用于产品推荐的排序方法、装置和电子设备 |
-
2020
- 2020-06-22 CN CN202010572971.9A patent/CN111538909A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665355A (zh) * | 2018-05-18 | 2018-10-16 | 深圳壹账通智能科技有限公司 | 金融产品推荐方法、装置、设备和计算机存储介质 |
CN108711075A (zh) * | 2018-05-22 | 2018-10-26 | 阿里巴巴集团控股有限公司 | 一种产品推荐方法和装置 |
CN109165983A (zh) * | 2018-09-04 | 2019-01-08 | 中国平安人寿保险股份有限公司 | 保险产品推荐方法、装置、计算机设备和存储介质 |
US20200134696A1 (en) * | 2018-10-31 | 2020-04-30 | Amadeus S.A.S. | Recommender systems and methods using cascaded machine learning models |
CN111192108A (zh) * | 2019-12-16 | 2020-05-22 | 北京淇瑀信息科技有限公司 | 一种用于产品推荐的排序方法、装置和电子设备 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112053200A (zh) * | 2020-09-30 | 2020-12-08 | 中国银行股份有限公司 | 一种信息推荐方法及装置 |
CN112950258A (zh) * | 2021-02-04 | 2021-06-11 | 北京淇瑀信息科技有限公司 | 活动分析方法、装置和电子设备 |
CN112950258B (zh) * | 2021-02-04 | 2024-02-20 | 北京淇瑀信息科技有限公司 | 活动分析方法、装置和电子设备 |
CN114357292A (zh) * | 2021-12-29 | 2022-04-15 | 阿里巴巴(中国)有限公司 | 模型训练方法、设备和存储介质 |
CN114357292B (zh) * | 2021-12-29 | 2023-10-13 | 杭州溢六发发电子商务有限公司 | 模型训练方法、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8732015B1 (en) | Social media pricing engine | |
CN110008973B (zh) | 一种模型训练方法、基于模型确定目标用户的方法及装置 | |
CN108399564B (zh) | 信用评分方法及装置 | |
CN111538909A (zh) | 一种信息推荐方法及装置 | |
CN109299356B (zh) | 基于大数据的活动推荐方法、装置、电子设备及存储介质 | |
CN109685537B (zh) | 用户行为的分析方法、装置、介质和电子设备 | |
CN112488863B (zh) | 一种在用户冷启动场景下的险种推荐方法及相关设备 | |
US20220172260A1 (en) | Method, apparatus, storage medium, and device for generating user profile | |
CN111178949A (zh) | 服务资源匹配参考数据确定方法、装置、设备和存储介质 | |
CN111966886A (zh) | 对象推荐方法、对象推荐装置、电子设备及存储介质 | |
CN111611496A (zh) | 产品推荐方法及其装置 | |
CN113407854A (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
CN112560105B (zh) | 保护多方数据隐私的联合建模方法及装置 | |
CN112036987B (zh) | 确定推荐商品的方法和装置 | |
CN113656699A (zh) | 用户特征向量确定方法、相关设备及介质 | |
CN111325578B (zh) | 预测模型的样本确定方法及装置、介质和设备 | |
CN115730125A (zh) | 对象识别方法、装置、计算机设备和存储介质 | |
CN109460778B (zh) | 活动评估方法、装置、电子设备及存储介质 | |
CN107483595A (zh) | 信息推送方法和装置 | |
CN114925261A (zh) | 关键词确定方法、装置、设备、存储介质及程序产品 | |
CN114399352A (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
CN114357184A (zh) | 事项推荐方法及相关装置、电子设备和存储介质 | |
CN113792952A (zh) | 用于生成模型的方法和装置 | |
CN109472454B (zh) | 活动评估方法、装置、电子设备及存储介质 |
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: 20200814 |