CN111695041A - 用于推荐信息的方法和装置 - Google Patents
用于推荐信息的方法和装置 Download PDFInfo
- Publication number
- CN111695041A CN111695041A CN202010554679.4A CN202010554679A CN111695041A CN 111695041 A CN111695041 A CN 111695041A CN 202010554679 A CN202010554679 A CN 202010554679A CN 111695041 A CN111695041 A CN 111695041A
- Authority
- CN
- China
- Prior art keywords
- information
- sample
- alternative
- content
- matched
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/7834—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using audio features
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)
- Multimedia (AREA)
- Library & Information 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用于推荐信息的方法和装置。该方法的一具体实施方式包括:获取待匹配内容信息、备选信息的标识信息和备选信息的内容信息;将该待匹配内容信息、备选信息的标识信息和备选信息的内容信息输入至预先训练的信息关联度模型,生成信息关联度,其中,该信息关联度模型包括特征提取网络和特征融合网络,该特征提取网络用于提取特征,该特征融合网络用于对所提取的特征之间的相关性进行融合以生成信息关联度;基于所生成的信息关联度,从预设的备选信息库中选取目标数目的备选信息作为待推荐信息。该实施方式实现了对各路特征的综合利用,并且能够显式地区分各类型特征对最终结果的贡献,有助于后期对训练后的模型的评估和调试。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于推荐信息的方法和装置。
背景技术
随着互联网技术的发展,各种推荐系统也取得了越来越广泛的应用。推荐系统往往依赖于待匹配信息与备选信息之间的相似度计算。现有的方式通常是利用用户的历史数据来指导模型训练,从而确定待匹配的信息与以ID(identity)为特征标识的待推荐内容之间的相似性,进而实现信息推荐。
发明内容
本申请实施例提出了用于推荐信息的方法和装置。
第一方面,本申请实施例提供了一种用于推荐信息的方法,该方法包括:获取待匹配内容信息、备选信息的标识信息和备选信息的内容信息;将待匹配内容信息、备选信息的标识信息和备选信息的内容信息输入至预先训练的信息关联度模型,生成信息关联度,其中,信息关联度模型包括特征提取网络和特征融合网络,特征提取网络用于提取特征,特征融合网络用于对所提取的特征之间的相关性进行融合以生成信息关联度;基于所生成的信息关联度,从预设的备选信息库中选取目标数目的备选信息作为待推荐信息。
在一些实施例中,上述信息关联度模型通过以下步骤训练得到:获取训练样本集合,其中,训练样本集合中的训练样本包括样本待匹配内容信息、样本备选信息的标识信息、样本备选信息的内容信息和对应的样本标签,样本标签用于表征样本待匹配内容信息与样本备选信息之间的关联度;将训练样本集合中的样本待匹配内容信息、样本备选信息的标识信息和样本备选信息的内容信息作为输入,将与输入的样本待匹配内容信息、样本备选信息的标识信息和样本备选信息的内容信息对应的样本标签作为期望输出,以基于特征级别的随机失活(Dropout)训练得到信息关联度模型。
在一些实施例中,上述信息关联度模型中的特征融合网络中包括权重调整网络,上述权重调整网络用于表征权重向量与备选信息相关的非内容信息之间的对应关系,上述权重向量中的元素用于指示所提取的特征之间的相关性各自对应的权重。
在一些实施例中,上述待匹配内容信息包括待配乐视频,上述备选信息包括预设的音乐库中的音乐,上述内容信息包括以下至少一项:音乐的标题,音频,歌词。上述基于所生成的信息关联度,从预设的备选信息库中选取目标数目的备选信息作为待推荐信息,包括:基于所生成的信息关联度,从预设的音乐库中选取目标数目的音乐作为待推荐音乐。
在一些实施例中,上述待匹配内容信息包括文章,上述备选信息包括预设的商品信息库中的商品信息,上述内容信息包括以下至少一项:商品标题,商品图像。上述基于所生成的信息关联度,从预设的备选信息库中选取目标数目的备选信息作为待推荐信息,包括:基于所生成的信息关联度,从预设的商品信息库中选取目标数目的商品信息作为待推荐商品信息。
在一些实施例中,该方法还包括:目标数目的向目标设备发送目标数目的备选信息。
第二方面,本申请实施例提供了一种用于推荐信息的装置,该装置包括:获取单元,被配置成获取待匹配内容信息、备选信息的标识信息和备选信息的内容信息;生成单元,被配置成将待匹配内容信息、备选信息的标识信息和备选信息的内容信息输入至预先训练的信息关联度模型,生成信息关联度,其中,信息关联度模型包括特征提取网络和特征融合网络,特征提取网络用于提取特征,特征融合网络用于对所提取的特征之间的相关性进行融合以生成信息关联度;选取单元,被配置成基于所生成的信息关联度,从预设的备选信息库中选取目标数目的备选信息作为待推荐信息。
在一些实施例中,上述信息关联度模型通过以下步骤训练得到:获取训练样本集合,其中,训练样本集合中的训练样本包括样本待匹配内容信息、样本备选信息的标识信息、样本备选信息的内容信息和对应的样本标签,样本标签用于表征样本待匹配内容信息与样本备选信息之间的关联度;将训练样本集合中的样本待匹配内容信息、样本备选信息的标识信息和样本备选信息的内容信息作为输入,将与输入的样本待匹配内容信息、样本备选信息的标识信息和样本备选信息的内容信息对应的样本标签作为期望输出,以基于特征级别的随机失活(Dropout)训练得到信息关联度模型。
在一些实施例中,上述信息关联度模型中的特征融合网络中包括权重调整网络,上述权重调整网络用于表征权重向量与备选信息相关的非内容信息之间的对应关系,上述权重向量中的元素用于指示所提取的特征之间的相关性各自对应的权重。
在一些实施例中,上述待匹配内容信息包括待配乐视频,上述备选信息包括预设的音乐库中的音乐,上述内容信息包括以下至少一项:音乐的标题,音频,歌词。上述选取单元进一步被配置成:基于所生成的信息关联度,从预设的音乐库中选取目标数目的音乐作为待推荐音乐。
在一些实施例中,上述待匹配内容信息包括文章,上述备选信息包括预设的商品信息库中的商品信息,上述内容信息包括以下至少一项:商品标题,商品图像。上述选取单元进一步被配置成:基于所生成的信息关联度,从预设的商品信息库中选取目标数目的商品信息作为待推荐商品信息。
在一些实施例中,该装置还包括:目标数目的发送单元,被配置成向目标设备发送目标数目的备选信息。
第三方面,本申请实施例提供了一种服务器,该服务器包括:一个或多个处理器;存储装置,其上存储有一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于推荐信息的方法和装置,通过对输入的待匹配内容信息、备选信息的标识信息和备选信息的内容信息进行特征提取,并对所提取的特征之间的相关性进行融合以生成信息关联度,可以通过中间结果获取各路特征与待匹配内容信息特征的相关性;并且可以利用不同的融合方式生成最终信息关联度。从而实现了对各路特征的综合利用,以提升推荐信息的匹配性。而且,由于能够显式地区分各类型特征对最终结果的贡献,有助于后期对训练后的模型的评估和调试。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的用于推荐信息的方法的一个实施例的流程图;
图3是根据本申请的实施例的用于推荐信息的方法的一个应用场景的示意图;
图4是根据本申请的用于推荐信息的方法的又一个实施例的流程图;
图5是根据本申请的用于推荐信息的装置的一个实施例的结构示意图;
图6是适于用来实现本申请的实施例的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于推荐信息的方法或用于推荐信息的装置的示例性架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件、阅读类应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏并且支持信息显示的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如为终端设备101、102、103上显示的信息提供支持的后台服务器。后台服务器可以对获取的待匹配内容信息进行分析等处理,并生成处理结果(如与备选信息之间的信息关联度)或将处理结果反馈给终端设备。
需要说明的是,上述待匹配内容信息和备选信息的标识信息、内容信息也可以直接存储在服务器105的本地,服务器105可以直接提取本地所存储的待匹配内容信息并进行处理,此时,可以不存在终端设备101、102、103和网络104。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的用于推荐信息的方法一般由服务器105执行,相应地,用于推荐信息的装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的用于推荐信息的方法的一个实施例的流程200。该用于推荐信息的方法包括以下步骤:
步骤201,获取待匹配内容信息、备选信息的标识信息和备选信息的内容信息。
在本实施例中,用于推荐信息的方法的执行主体(如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取待匹配内容信息、备选信息的标识信息和备选信息的内容信息。其中,上述待匹配内容信息可以包括各种作为query的信息。作为示例,上述待匹配内容信息可以包括文章的内容关键词、文章的主题等等。上述备选信息可以包括与上述待匹配内容信息相关联的item。作为示例,上述备选信息的内容信息可以包括商品所属的类别、商品的外观等等。上述备选信息的标识信息例如可以包括ID。
需要说明的是,上述内容信息通常用于指示与内容相关的信息。上述标识信息通常用于指示内容无关、仅起到标识作用的信息。
在本实施例的一些可选的实现方式中,上述备选信息的内容信息还可以是内容相关的信息经过预先编码的embedding。作为示例,上述备选信息的内容信息可以是备选商品所属的类别的embedding,备选商品图片的embedding,备选推荐文章的embedding。
在本实施例中,作为示例,上述执行主体可以获取预先存储于本地的待匹配内容信息、备选信息的标识信息和备选信息的内容信息。作为又一示例,上述执行主体也可以从与之通信连接的电子设备(例如图1所示的终端设备)获取待匹配内容信息、备选信息的标识信息和备选信息的内容信息。作为再一示例,上述执行主体还可以从与之通信连接的电子设备(例如图1所示的终端设备)获取待匹配内容信息,从本地获取预先存储的备选信息的标识信息和备选信息的内容信息,在此不作限定。
在本实施例的一些可选的实现方式中,上述待匹配内容信息可以包括待配乐视频。其中,上述待配乐视频的上述备选信息可以包括预设音乐库中的音乐的信息。作为示例,上述待配乐视频例如可以是用户上传的投稿视频。上述备选信息的标识信息例如可以包括用于唯一标识音乐的字符串。上述字符串中可以包括数字、字母、符号等。上述内容信息可以包括以下至少一项:音乐的标题,音频,歌词。可选地,上述内容信息还可以包括以下至少一项:音乐的标题对应的embedding,音频对应的embedding,歌词对应的embedding。
基于上述可选的实现方式,上述执行主体可以利用音乐与视频的内容特征,向用户推荐与投稿视频匹配的音乐。
在本实施例的一些可选的实现方式中,上述待匹配内容信息可以包括文章。上述备选信息可以包括预设的商品信息库中的商品信息。上述内容信息可以包括以下至少一项:商品标题,商品图像。
基于上述可选的实现方式,上述执行主体可以利用文章与商品信息的内容特征,向用户推荐与文章匹配的商品信息。
步骤202,将待匹配内容信息、备选信息的标识信息和备选信息的内容信息输入至预先训练的信息关联度模型,生成信息关联度。
在本实施例中,上述执行主体可以将步骤201所获取的待匹配内容信息、备选信息的标识信息和备选信息的内容信息输入至预先训练的信息关联度模型。通过特征提取网络提取待匹配内容信息、备选信息的标识信息和备选信息的内容信息各自对应的特征,例如待匹配内容特征、备选信息的标识特征和备选信息内容特征。之后,分别确定上述备选信息的标识特征和备选信息内容特征与待匹配内容特征之间的相关度,例如余弦相似度等。通过特征融合网络对所确定的相关度进行融合,从而生成上述信息相关度。上述融合可以包括但不限于以下至少一项:取最大值,取最小值,取平均值,加权平均。
在本实施例中,上述信息关联度可以用于指示待匹配内容信息与备选信息之间的关联关系。上述信息关联度模型可以包括特征提取网络和特征融合网络。上述特征提取网络可以用于提取特征。上述特征融合网络可以用于对所提取的特征之间的相关性进行融合以生成信息关联度。上述信息关联度模型可以包括各种通过学习方式对初始人工神经网络进行训练所得到的模型。
在本实施例中,上述特征提取网络可以用于从待匹配内容信息中提取待匹配内容特征以及从备选信息的标识信息中提取标识特征。根据备选信息的内容信息的形式,上述特征提取网络中用于从备选信息的内容信息提取备选信息内容特征的网络的参数可以对应于不同的调整方式。
作为示例,基于备选信息的内容信息为原始内容形式(例如文章、商品图片等),上述特征提取网络还可以用于从备选信息的内容信息中提取备选信息内容特征。此时,上述用于提取备选信息内容特征的特征提取网络的参数在上述信息关联度模型训练时需要调整。
作为又一示例,基于备选信息的内容信息为embedding形式,上述特征提取网络可以直接将上述embedding形式的内容信息作为上述备选信息内容特征,也可以将对上述embedding形式的内容信息进行预设处理(例如维度变换等)后的结果作为上述备选信息内容特征。此时,上述用于提取备选信息内容特征的特征提取网络的参数在上述信息关联度模型训练时可以不需要调整。
在本实施例的一些可选的实现方式中,上述信息关联度模型可以通过以下步骤训练得到:
第一步,获取训练样本集合。
在这些实现方式中,用于训练上述信息关联度模型的执行主体可以通过各种方式获取训练样本集合。其中,上述训练样本集合中的训练样本可以包括样本待匹配内容信息、样本备选信息的标识信息、样本备选信息的内容信息和对应的样本标签。上述样本标签可以用于表征样本待匹配内容信息与样本备选信息之间的关联度。
实践中,上述训练样本集合可以通过多种方式得到。
作为示例,上述执行主体可以首先获取已发布的嵌入商品广告信息的文章。而后,上述执行主体可以将上述不包括嵌入商品广告信息的文章确定为样本待匹配内容信息;将上述嵌入的商品广告信息确定为样本备选信息的内容信息;将样本备选信息的标识信息设置为一个随机值;将样本标签设置为1。最终得到训练样本。
作为又一示例,上述执行主体可以首先获取用户已发布的配乐视频。而后,上述执行主体可以将上述配乐视频中的视频确定为样本待匹配内容信息;将上述配乐视频中的音乐确定为样本备选信息的内容信息;将样本备选信息的标识信息设置为一个随机值;将样本标签设置为1。最终得到训练样本。
可选地,还可以由技术人员加入样本标签为0的负样本。通过大量的数据形成大量的训练样本,进而组成上述训练样本集合。
第二步,将训练样本集合中的样本待匹配内容信息、样本备选信息的标识信息和样本备选信息的内容信息作为输入,将与输入的样本待匹配内容信息、样本备选信息的标识信息和样本备选信息的内容信息对应的样本标签作为期望输出,以基于特征级别的随机失活训练得到信息关联度模型。
在这些实现方式中,上述执行主体可以首先获取初始信息关联度模型。其中,上述初始信息关联度模型可以包括初始特征提取网络和初始特征融合网络。而后,上述执行主体可以将上述第一步所获取的训练样本集合中训练样本的样本待匹配内容信息、样本备选信息的标识信息和样本备选信息的内容信息输入至上述初始信息关联度模型,以目标概率从上述备选信息的标识信息对应的标识特征和备选信息的内容信息对应的备选信息内容特征中选取目标数目个特征进行丢弃,确定保留的各路特征与待匹配内容特征之间的相关性。其中,上述目标概率可以预先指定,也可以随机生成。上述目标数目通常可以为零至所有备选信息侧的特征的总数目减1之间的任意数值。例如,上述备选信息的内容信息可以包括商品标题和商品图像。加之商品的标识信息,备选信息侧的特征的总数目为3。则上述目标数目可以为0-2中的任意数值。接下来,对上述所确定的各相关性进行融合,得到用于表征样本待匹配内容信息与样本备选信息之间关联关系的信息关联度。之后,利用预设的损失函数计算所得到的信息关联度与输入的该训练样本的样本标签之间的差异程度。而后,基于所得到的差异程度,调整上述初始特征提取网络和初始特征融合网络的网络参数,并在满足预设的训练结束条件的情况下,结束训练。最后,将训练得到的初始信息关联度模型确定为上述信息关联度模型。
需要说明的是,上述预设的训练结束条件可以包括但不限于以下至少一项:训练时间超过预设时长;训练次数超过预设次数;计算所得的差异程度小于预设的差异阈值。
还需要说明的是,上述用于训练信息关联度模型的执行主体可以与用于推荐信息的方法的执行主体相同或者不同。如果相同,则上述用于训练信息关联度模型的执行主体可以在训练得到信息关联度模型后将训练好的信息关联度模型的网络结构和网络参数值存储在本地。如果不同,则上述用于训练信息关联度模型的执行主体可以在训练得到信息关联度模型后将训练好的信息关联度模型的网络结构和网络参数值发送给用于推荐信息的方法的执行主体。
现有的技术中,由于以ID特征为代表性的随机初始化的特征属于随机而无规律的分布,不具备结构性。而内容相关的内容特征(如文章关键词、歌名、歌词、音频等)本身具有一定的结构性。因此,ID特征从原始随机分布调整到目标分布与具备结构性的内容特征调整到目标分布相比,所需要的学习量(即学习难度)更小。而鉴于神经网络往往总是能够找到一种最简单的拟合目标的方式而不会选择相对而言更复杂的方式的特性,如果每次都采用所有特征(ID特征与内容特征)参与训练,模型将会很快学习到调整ID特征对结果的提升是最容易的,这样会导致其他特征无法得到充分的学习,即内容特征对模型的贡献并不大。
基于上述可选的实现方式,通过训练期间进行特征级别的随机失活,能够在训练过程中让模型全面地学习各种特征对目标的影响,从而充分利用备选信息侧的每一路特征与待匹配内容特征之间的相关度进而提升最终生成的信息关联度的准确性。
在本实施例的一些可选的实现方式中,上述信息关联度模型中的特征融合网络中可以包括权重调整网络。上述权重调整网络可以用于表征权重向量与备选信息相关的非内容信息之间的对应关系。上述权重向量中的元素可以用于指示所提取的特征之间的相关性各自对应的权重。
在这些实现方式中,上述非内容信息可以包括各种可以影响相关性权重分配的非内容性指标。上述非内容信息可以包括但不限于以下至少一项:歌曲使用量,文章热度值,歌手榜单排名,作者粉丝数。上述权重调整网络可以与上述信息关联度模型联合训练。此时,用于训练上述信息关联度模型的目标函数中可以包括对上述权重进行评估的项。从而可以在模型训练过程中同时调整上述权重调整网络的参数。
基于上述可选的实现方式,利用非内容信息通过上述权重调整网络可以自适应产生权重向量,以调整各个特征的重要性。例如,对于历史使用量较低备选信息可以使得该权重调整网络输出一个较低的ID特征,即降低ID特征对其他特征的影响。从而可以使得更多历史数据较少的内容相关的备选信息(例如新歌、新文章)具有更高的信息关联度,为后续全量推荐提供数据基础,也更符合实际情况。此外,通过对上述非内容信息的使用也使得更多与内容无关但仍具有使用价值的数据得以利用,且无需人工设定一个阈值将历史使用次数未达标的备选信息排除在训练样本之外。
步骤203,基于所生成的信息关联度,从预设的备选信息集合中选取目标数目的备选信息作为待推荐信息。
在本实施例中,上述执行主体可以按照前述步骤201-202的方式,生成与上述预设的备选信息集合中的备选信息对应的信息关联度。基于所生成的信息关联度,上述执行主体可以通过各种方法从预设的备选信息集合中选取目标数目的备选信息。作为示例,上述执行主体可以按照所生成的信息关联度从高至低的顺序选取目标数目的备选信息作为待推荐信息。作为又一示例,上述执行主体还可以选取目标数目的信息关联度大于预设阈值的备选信息作为待推荐信息。其中,上述目标数目可以是根据实际的应用需求,预先指定的任意数值。上述目标数目也可以是根据规则而定的表单,例如信息关联度大于预设阈值的备选信息的数目。
需要说明的是,根据上述预设的备选信息集合的来源和规模,上述所选取的备选信息可以作为召回的待推荐信息,也可以作为对召回的待推荐信息进行精排序后所得到的待推荐信息。
继续参见图3,图3是根据本申请实施例的用于推荐信息的方法的应用场景的一个示意图。在图3的应用场景中,用户301可以使用终端设备302点击文章303的链接,向服务器304发送获取文章303的请求信息。服务器304获取文章303作为待匹配内容信息,从本地获取作为备选信息的商品信息305的标识信息和内容信息。其中,上述内容信息可以包括商品标题和商品图像。服务器304将所获取的文字304、商品信息的标识信息和内容信息输入至预先训练的信息关联度模型306。其中,上述信息关联度模型306可以包括特征提取网络3061和特征融合网络3062。上述特征融合网络3062可以将特征提取网络3061所提取的文章内容特征与商品标识特征之间的相关性(例如0.6)、文章内容特征与商品标题特征之间的相关性(例如0.9)、文章内容特征与商品图像特征之间的相关性(例如0.9)进行融合(例如取平均值),从而得到文章304与商品信息305之间的信息关联度,例如0.8(如图3中307所示)。而后,服务器304还可以将所得到的信息关联度307与预设关联度阈值进行比较。响应于确定所得到的信息关联度307大于上述预设关联度阈值,服务器304可以将上述商品信息305与文章303共同发送至终端设备302。从而终端设备302可以将上述商品信息305嵌入文章303的内容,以展示给用户301。
可选地,上述文章303也可以替换成用户选取的待配乐视频。上述商品信息305也可以替换成音乐库中的音乐。上述音乐的内容信息可以包括音乐标题和歌词。上述特征提取网络3061可以提取视频内容特征、音乐标识特征、音乐标题特征、音乐标识特征。特征融合网络3062可以对上述特征提取网络3061所提取的特征之间的相关性进行融合,从而生成信息关联度。上述终端设备302可以服务器304所发送的音乐显示给用户,以使用户从中选择与待配乐视频匹配的音乐。
目前,现有技术之一通常是利用历史数据将待匹配信息的内容信息(例如文章、音频、商品图片等)和附加信息(例如ID、点击量等)作为整体来提取特征向量,导致历史数据较少的备选信息(例如使用量较少的新歌或由于发布时间短而导致阅读量暂不高的文章)与待匹配内容信息之间的信息关联度不大。此外,由于现有技术并未显式地区分各类型特征对最终结果的贡献,造成对训练后的模型的评估和调试困难。而本申请的上述实施例提供的方法,通过对输入的待匹配内容信息、备选信息的标识信息和备选信息的内容信息进行特征提取,并对所提取的特征之间的相关性进行融合以生成信息关联度,可以通过中间结果获取各路特征与待匹配内容信息特征的相关性;并且可以利用不同的融合方式生成最终信息关联度。从而实现了对各路特征的综合利用,以提升推荐信息的匹配性。而且,由于能够显式地区分各类型特征对最终结果的贡献,有助于后期对训练后的模型的评估和调试。
进一步参考图4,其示出了用于推荐信息的方法的又一个实施例的流程400。该用于推荐信息的方法的流程400,包括以下步骤:
步骤401,获取待匹配内容信息、备选信息的标识信息和备选信息的内容信息。
步骤402,将待匹配内容信息、备选信息的标识信息和备选信息的内容信息输入至预先训练的信息关联度模型,生成信息关联度。
步骤403,基于所生成的信息关联度,从预设的备选信息集合中选取目标数目的备选信息作为待推荐信息。
上述步骤401、步骤402、步骤403分别与前述实施例中的步骤201、步骤202、步骤203及其可选的实现方式一致,上文针对步骤201、步骤202、步骤203及其可选的实现方式的描述也适用于步骤401、步骤402和步骤403,此处不再赘述。
目标数目的目标数目的目标数目的步骤404,向目标设备发送目标数目的备选信息。
在本实施例中,用于推荐信息的方法的执行主体可以向目标设备发送上述步骤403所选取的目标数目的备选信息。其中,上述目标设备可以包括用于对召回信息进行精排序的服务器。上述目标设备也可以包括上述待匹配内容信息对应的客户端,例如发送上述待匹配内容信息的用户终端。
从图4中可以看出,本实施例中的用于推荐信息的方法的流程400体现了向目标设备发送目标数目的备选信息的步骤。由此,本实施例描述的方案可以将前述生成信息关联度的方法用于推荐系统,从而提升了推荐信息的质量。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了用于推荐信息的装置的一个实施例,该装置实施例与图2或图4所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例提供的用于推荐信息的装置500包括获取单元501、生成单元502和选取单元503。其中,获取单元501,被配置成获取待匹配内容信息、备选信息的标识信息和备选信息的内容信息;生成单元502,被配置成将待匹配内容信息、备选信息的标识信息和备选信息的内容信息输入至预先训练的信息关联度模型,生成信息关联度,其中,信息关联度模型包括特征提取网络和特征融合网络,特征提取网络用于提取特征,特征融合网络用于对所提取的特征之间的相关性进行融合以生成信息关联度;选取单元503,被配置成基于所生成的信息关联度,从预设的备选信息库中选取目标数目的备选信息作为待推荐信息。
在本实施例中,用于推荐信息的装置500中:获取单元501、生成单元502和选取单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203及其可选的实现方式的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述信息关联度模型可以通过以下步骤训练得到:获取训练样本集合;将训练样本集合中的样本待匹配内容信息、样本备选信息的标识信息和样本备选信息的内容信息作为输入,将与输入的样本待匹配内容信息、样本备选信息的标识信息和样本备选信息的内容信息对应的样本标签作为期望输出,以基于特征级别的随机失活(Dropout)训练得到信息关联度模型。其中,上述训练样本集合中的训练样本可以包括样本待匹配内容信息、样本备选信息的标识信息、样本备选信息的内容信息和对应的样本标签。上述样本标签可以用于表征样本待匹配内容信息与样本备选信息之间的关联度。
在本实施例的一些可选的实现方式中,上述信息关联度模型中的特征融合网络中可以包括权重调整网络。上述权重调整网络可以用于表征权重向量与备选信息相关的非内容信息之间的对应关系。上述权重向量中的元素可以用于指示所提取的特征之间的相关性各自对应的权重。
在本实施例的一些可选的实现方式中,上述待匹配内容信息可以包括待配乐视频。上述备选信息可以包括预设的音乐库中的音乐。上述内容信息可以包括以下至少一项:音乐的标题,音频,歌词。上述选取单元503可以进一步被配置成:基于所生成的信息关联度,从预设的音乐库中选取目标数目的音乐作为待推荐音乐。
在本实施例的一些可选的实现方式中,上述待匹配内容信息可以包括文章。上述备选信息可以包括预设的商品信息库中的商品信息。上述内容信息可以包括以下至少一项:商品标题,商品图像。上述选取单元503可以进一步被配置成:基于所生成的信息关联度,从预设的音乐库中选取目标数目的音乐作为待推荐音乐。在本实施例的一些可选的实现方式中,上述用于推荐信息的装置500还可以包括:发送单元(图中未示出)。其中,目标数目的上述发送单元,可以被配置成向目标设备发送目标数目的备选信息。
本申请的上述实施例提供的装置,通过获取单元501获取待匹配内容信息、备选信息的标识信息和备选信息的内容信息。而后,生成单元502将待匹配内容信息、备选信息的标识信息和备选信息的内容信息输入至预先训练的信息关联度模型,生成信息关联度。其中,信息关联度模型包括特征提取网络和特征融合网络。特征提取网络用于提取特征。特征融合网络用于对所提取的特征之间的相关性进行融合以生成信息关联度。从而实现了对各路特征的综合利用,以提升推荐信息的匹配性。而且,由于能够显式地区分各类型特征对最终结果的贡献,有助于后期对训练后的模型的评估和调试。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备(例如图1中的服务器)600的结构示意图。本申请实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸板、键盘、鼠标、麦克风等的输入装置606;包括例如液晶显示器(LCD,Liquid Crystal Display)等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本申请的实施例的方法中限定的上述功能。
需要说明的是,本申请的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(Radio Frequency,射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述服务器中所包含的;也可以是单独存在,而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该服务器执行时,使得该服务器:获取待匹配内容信息、备选信息的标识信息和备选信息的内容信息;将待匹配内容信息、备选信息的标识信息和备选信息的内容信息输入至预先训练的信息关联度模型,生成信息关联度,其中,信息关联度模型包括特征提取网络和特征融合网络,特征提取网络用于提取特征,特征融合网络用于对所提取的特征之间的相关性进行融合以生成信息关联度;基于所生成的信息关联度,从预设的备选信息库中选取目标数目的备选信息作为待推荐信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请的各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器,包括获取单元、生成单元、选取单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取待匹配内容信息、备选信息的标识信息和备选信息的内容信息的单元”。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种用于推荐信息的方法,包括:
获取待匹配内容信息、备选信息的标识信息和备选信息的内容信息;
将所述待匹配内容信息、备选信息的标识信息和备选信息的内容信息输入至预先训练的信息关联度模型,生成信息关联度,其中,所述信息关联度模型包括特征提取网络和特征融合网络,所述特征提取网络用于提取特征,所述特征融合网络用于对所提取的特征之间的相关性进行融合以生成信息关联度;
基于所生成的信息关联度,从预设的备选信息库中选取目标数目的备选信息作为待推荐信息。
2.根据权利要求1所述的方法,其中,所述信息关联度模型通过以下步骤训练得到:
获取训练样本集合,其中,所述训练样本集合中的训练样本包括样本待匹配内容信息、样本备选信息的标识信息、样本备选信息的内容信息和对应的样本标签,样本标签用于表征样本待匹配内容信息与样本备选信息之间的关联度;
将所述训练样本集合中的样本待匹配内容信息、样本备选信息的标识信息和样本备选信息的内容信息作为输入,将与输入的样本待匹配内容信息、样本备选信息的标识信息和样本备选信息的内容信息对应的样本标签作为期望输出,以基于特征级别的随机失活训练得到所述信息关联度模型。
3.根据权利要求1所述的方法,其中,所述信息关联度模型中的特征融合网络中包括权重调整网络,所述权重调整网络用于表征权重向量与备选信息相关的非内容信息之间的对应关系,所述权重向量中的元素用于指示所提取的特征之间的相关性各自对应的权重。
4.根据权利要求1所述的方法,其中,所述待匹配内容信息包括待配乐视频,所述备选信息包括预设的音乐库中的音乐,所述内容信息包括以下至少一项:音乐的标题,音频,歌词;以及
所述基于所生成的信息关联度,从预设的备选信息库中选取目标数目的备选信息作为待推荐信息,包括:
基于所生成的信息关联度,从预设的音乐库中选取目标数目的音乐作为待推荐音乐。
5.根据权利要求1所述的方法,其中,所述待匹配内容信息包括文章,所述备选信息包括预设的商品信息库中的商品信息,所述内容信息包括以下至少一项:商品标题,商品图像;以及
所述基于所生成的信息关联度,从预设的备选信息库中选取目标数目的备选信息作为待推荐信息,包括:
基于所生成的信息关联度,从预设的商品信息库中选取目标数目的商品信息作为待推荐商品信息。
6.根据权利要求1-5之一所述的方法,其中,所述方法还包括:
目标数目的向目标设备发送所述目标数目的目标数目的备选信息。
7.一种用于推荐信息的装置,包括:
获取单元,被配置成获取待匹配内容信息、备选信息的标识信息和备选信息的内容信息;
生成单元,被配置成将所述待匹配内容信息、备选信息的标识信息和备选信息的内容信息输入至预先训练的信息关联度模型,生成信息关联度,其中,所述信息关联度模型包括特征提取网络和特征融合网络,所述特征提取网络用于提取特征,所述特征融合网络用于对所提取的特征之间的相关性进行融合以生成信息关联度;
选取单元,被配置成基于所生成的信息关联度,从预设的备选信息库中选取目标数目的备选信息作为待推荐信息。
8.根据权利要求7所述的装置,其中,所述信息关联度模型通过以下步骤训练得到:
获取训练样本集合,其中,所述训练样本集合中的训练样本包括样本待匹配内容信息、样本备选信息的标识信息、样本备选信息的内容信息和对应的样本标签,样本标签用于表征样本待匹配内容信息与样本备选信息之间的关联度;
将所述训练样本集合中的样本待匹配内容信息、样本备选信息的标识信息和样本备选信息的内容信息作为输入,将与输入的样本待匹配内容信息、样本备选信息的标识信息和样本备选信息的内容信息对应的样本标签作为期望输出,以基于特征级别的随机失活训练得到所述信息关联度模型。
9.一种服务器,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010554679.4A CN111695041B (zh) | 2020-06-17 | 2020-06-17 | 用于推荐信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010554679.4A CN111695041B (zh) | 2020-06-17 | 2020-06-17 | 用于推荐信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111695041A true CN111695041A (zh) | 2020-09-22 |
CN111695041B CN111695041B (zh) | 2023-05-23 |
Family
ID=72481683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010554679.4A Active CN111695041B (zh) | 2020-06-17 | 2020-06-17 | 用于推荐信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695041B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348532A (zh) * | 2020-10-19 | 2021-02-09 | 前海飞算科技(深圳)有限公司 | 最佳推荐信息处理方法和装置、存储介质和电子设备 |
CN113822657A (zh) * | 2021-11-24 | 2021-12-21 | 太平金融科技服务(上海)有限公司深圳分公司 | 业务监督方法、装置、计算机设备以及存储介质 |
CN114493632A (zh) * | 2022-01-24 | 2022-05-13 | 山东浪潮工业互联网产业股份有限公司 | 一种用于真实年份酒的认证方法及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012059183A (ja) * | 2010-09-13 | 2012-03-22 | Nippon Telegr & Teleph Corp <Ntt> | コンテンツ推薦装置,コンテンツ推薦プログラムおよびその記録媒体 |
CN109522486A (zh) * | 2018-11-30 | 2019-03-26 | 北京字节跳动网络技术有限公司 | 用于匹配信息的方法和装置 |
CN109587554A (zh) * | 2018-10-29 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 视频数据的处理方法、装置及可读存储介质 |
CN110704682A (zh) * | 2019-09-26 | 2020-01-17 | 新华智云科技有限公司 | 一种基于视频多维特征智能推荐背景音乐的方法及系统 |
US20210004402A1 (en) * | 2018-08-14 | 2021-01-07 | Tencent Technology (Shenzhen) Company Limited | Method for making music recommendations and related computing device, and medium thereof |
-
2020
- 2020-06-17 CN CN202010554679.4A patent/CN111695041B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012059183A (ja) * | 2010-09-13 | 2012-03-22 | Nippon Telegr & Teleph Corp <Ntt> | コンテンツ推薦装置,コンテンツ推薦プログラムおよびその記録媒体 |
US20210004402A1 (en) * | 2018-08-14 | 2021-01-07 | Tencent Technology (Shenzhen) Company Limited | Method for making music recommendations and related computing device, and medium thereof |
CN109587554A (zh) * | 2018-10-29 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 视频数据的处理方法、装置及可读存储介质 |
CN109522486A (zh) * | 2018-11-30 | 2019-03-26 | 北京字节跳动网络技术有限公司 | 用于匹配信息的方法和装置 |
CN110704682A (zh) * | 2019-09-26 | 2020-01-17 | 新华智云科技有限公司 | 一种基于视频多维特征智能推荐背景音乐的方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348532A (zh) * | 2020-10-19 | 2021-02-09 | 前海飞算科技(深圳)有限公司 | 最佳推荐信息处理方法和装置、存储介质和电子设备 |
CN113822657A (zh) * | 2021-11-24 | 2021-12-21 | 太平金融科技服务(上海)有限公司深圳分公司 | 业务监督方法、装置、计算机设备以及存储介质 |
CN114493632A (zh) * | 2022-01-24 | 2022-05-13 | 山东浪潮工业互联网产业股份有限公司 | 一种用于真实年份酒的认证方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111695041B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111125574B (zh) | 用于生成信息的方法和装置 | |
CN107506495B (zh) | 信息推送方法和装置 | |
CN109976997B (zh) | 测试方法和装置 | |
CN107426328B (zh) | 信息推送方法和装置 | |
CN111695041B (zh) | 用于推荐信息的方法和装置 | |
CN108388563B (zh) | 信息输出方法和装置 | |
CN111488995B (zh) | 用于评估联合训练模型的方法、装置和系统 | |
CN106354856B (zh) | 基于人工智能的深度神经网络强化搜索方法和装置 | |
CN111738010B (zh) | 用于生成语义匹配模型的方法和装置 | |
CN110473042B (zh) | 用于获取信息的方法及装置 | |
CN111897950A (zh) | 用于生成信息的方法和装置 | |
CN112836128A (zh) | 信息推荐方法、装置、设备和存储介质 | |
CN112052297A (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN110059172B (zh) | 基于自然语言理解的推荐答案的方法和装置 | |
CN110992127A (zh) | 一种物品推荐方法及装置 | |
CN110555747A (zh) | 确定目标用户的方法和装置 | |
WO2020211616A1 (zh) | 用于处理用户交互信息的方法和装置 | |
CN111787042B (zh) | 用于推送信息的方法和装置 | |
CN111125502B (zh) | 用于生成信息的方法和装置 | |
CN109472028B (zh) | 用于生成信息的方法和装置 | |
CN109344327B (zh) | 用于生成信息的方法和装置 | |
CN111026849A (zh) | 数据处理方法和装置 | |
US20240078585A1 (en) | Method and apparatus for sharing information | |
CN113792952A (zh) | 用于生成模型的方法和装置 | |
CN111723274B (zh) | 用于处理信息的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |