CN111723289B - 信息推荐方法及装置 - Google Patents
信息推荐方法及装置 Download PDFInfo
- Publication number
- CN111723289B CN111723289B CN202010514120.9A CN202010514120A CN111723289B CN 111723289 B CN111723289 B CN 111723289B CN 202010514120 A CN202010514120 A CN 202010514120A CN 111723289 B CN111723289 B CN 111723289B
- Authority
- CN
- China
- Prior art keywords
- information
- user
- candidate set
- label
- recommendation
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000013598 vector Substances 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 20
- 238000013145 classification model Methods 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/63—Querying
- G06F16/635—Filtering based on additional data, e.g. user or group profiles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开一种信息推荐方法、装置、电子设备和计算机可读存储介质。其中方法包括：根据信息相关的资源信息生成信息知识库；其中，所述资源信息包含至少一条信息，所述信息知识库包含每条信息的信息标签；根据所述信息知识库对所述每个信息标签对应的热门信息进行排序，生成标签‑信息候选集；其中，所述热门信息为播放量超过预设阈值的信息；根据信息播放记录和所述标签‑信息候选集确定信息推荐候选集。本公开实施例能够针对不用的用户推荐热门信息，推荐针对性强，推荐准确率更高。
Description
技术领域
本公开涉及人工智能技术领域，特别是涉及一种信息推荐方法、装置和计算机可读存储介质。
背景技术
智能音箱，是一个音箱升级的产物，是家庭消费者用语音进行上网的一个工具，比如点播歌曲、上网购物，或是了解天气预报，它也可以对智能家居设备进行控制，比如打开窗帘、设置冰箱温度、提前让热水器升温等。当前智能音箱等智能设备越来越成为人们生活中的一部分，也成为当前AI技术迅速发展的一大表现。对于不同用户的指令，如何让智能音箱的反馈更加个性化，是现在技术不断追求的一个方向。
现有的信息推荐方法通常是基于自然语言处理中的连续词袋模型对各用户的历史查看信息序列进行学习训练得到连续词袋模型，从而得到每个信息的内容向量，再根据每个信息的内容向量获取目标用户查看过的信息的相似信息，然后计算目标用户对各相似信息的兴趣度，最后提取出目标用户兴趣度最高的预设数量个信息推荐给目标用户。
但是，根据各用户历史查看信息的内容向量获取目标用户查看过的信息的相似信息，基于相似信息进行推荐，推荐针对性不够强，推荐准确率有待提高。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开解决的技术问题是提供一种信息推荐方法，以至少部分地解决现有技术中推荐针对性不够强，推荐准确率有待提高的技术问题。此外，还提供一种信息推荐装置、信息推荐硬件装置、计算机可读存储介质和信息推荐终端。
为了实现上述目的，根据本公开的一个方面，提供以下技术方案：
一种信息推荐方法，包括：
根据信息相关的资源信息生成信息知识库；其中，所述资源信息包含至少一条信息，所述信息知识库包含每条信息的信息标签；
根据所述信息知识库对所述每个信息标签对应的热门信息进行排序，生成标签-信息候选集；其中，所述热门信息为播放量超过预设阈值的信息；
根据信息播放记录和所述标签-信息候选集确定信息推荐候选集。
进一步的，所述根据信息播放记录和所述标签-信息候选集确定信息推荐候选集，包括：
根据信息播放记录确定用户播放过的历史信息的每个信息标签的权重；
根据所述权重对信息标签进行排序，得到用户-信息标签候选集；
从所述用户-信息标签候选集中选取预设个数信息标签作为目标信息标签；
从所述标签-信息候选集中选取所述目标信息标签对应的热门信息加入所述信息推荐候选集。
进一步的，所述根据信息播放记录确定用户播放过的历史信息的每个信息标签的权重，包括：
从信息播放记录中获取用户播放过的历史信息的播放次数，并将所述播放次数作为所述历史信息的每个信息标签的播放次数；
将获取的所有用户的所有历史信息的每个信息标签的播放次数为所述权重。
进一步的，所述根据信息播放记录和所述标签-信息候选集确定信息推荐候选集，包括：
根据信息播放记录中所有用户播放过的历史信息的播放次数对所有历史信息进行排序，得到用户-信息候选集；
将所有用户列表作为文档，每个用户作为组成所述文档的词，训练得到用户的词特征向量；
采用所述用户的词特征向量计算每个用户的相似用户候选集；
从所述用户-信息候选集中选取所述相似用户候选集中相似用户播放过的历史信息加入所述信息推荐候选集。
进一步的，所述根据信息播放记录和所述标签-信息候选集确定信息推荐候选集，包括：
将每个用户的信息播放记录作为文档，每条信息作为组成该文档的词，训练得到信息的词特征向量；
采用所述信息的词特征向量计算每条信息的相似信息候选集，将所述相似信息候选集加入所述信息推荐候选集。
进一步的，所述方法还包括：
根据信息播放记录中所有用户播放过的历史信息的播放行为确定用户和历史信息之间的偏好程度；
将每个用户的用户标识和所有历史信息的信息标签作为输入，将每个用户和历史信息之间的偏好程度作为输出，训练分类模型；
采用所述分类模型确定目标用户对所述信息推荐候选集中每条信息的偏好程度；
根据所述偏好程度对所述信息推荐候选集中的所有信息进行排序。
进一步的，所述方法还包括：
接收用户指令；
将所述信息推荐候选集中符合预设筛选规则的信息推荐给目标用户。
为了实现上述目的，根据本公开的一个方面，还提供以下技术方案：
一种信息推荐装置，包括：
知识库生成模块，用于根据信息相关的资源信息生成信息知识库；其中，所述资源信息包含至少一条信息，所述信息知识库包含每条信息的信息标签；
信息候选集生成模块，用于根据所述信息知识库对所述每个信息标签对应的热门信息进行排序，生成标签-信息候选集；其中，所述热门信息为播放量超过预设阈值的信息；
推荐候选集确定模块，用于根据信息播放记录和所述标签-信息候选集确定信息推荐候选集。
进一步的，所述推荐候选集确定模块具体用于：根据信息播放记录确定用户播放过的历史信息的每个信息标签的权重；根据所述权重对信息标签进行排序，得到用户-信息标签候选集；从所述用户-信息标签候选集中选取预设个数信息标签作为目标信息标签；从所述标签-信息候选集中选取所述目标信息标签对应的热门信息加入所述信息推荐候选集。
进一步的，所述推荐候选集确定模块具体用于：从信息播放记录中获取用户播放过的历史信息的播放次数，并将所述播放次数作为所述历史信息的每个信息标签的播放次数；将获取的所有用户的所有历史信息的每个信息标签的播放次数为所述权重。
进一步的，所述推荐候选集确定模块具体用于：根据信息播放记录中所有用户播放过的历史信息的播放次数对所有历史信息进行排序，得到用户-信息候选集；将所有用户列表作为文档，每个用户作为组成所述文档的词，训练得到用户的词特征向量；采用所述用户的词特征向量计算每个用户的相似用户候选集；从所述用户-信息候选集中选取所述相似用户候选集中相似用户播放过的历史信息加入所述信息推荐候选集。
进一步的，所述推荐候选集确定模块具体用于：将每个用户的信息播放记录作为文档，每条信息作为组成该文档的词，训练得到信息的词特征向量；采用所述信息的词特征向量计算每条信息的相似信息候选集，将所述相似信息候选集加入所述信息推荐候选集。
进一步的，所述装置还包括：
信息排序模块，用于根据信息播放记录中所有用户播放过的历史信息的播放行为确定用户和历史信息之间的偏好程度；将每个用户的用户标识和所有历史信息的信息标签作为输入，将每个用户和历史信息之间的偏好程度作为输出，训练分类模型；采用所述分类模型确定目标用户对所述信息推荐候选集中每条信息的偏好程度；根据所述偏好程度对所述信息推荐候选集中的所有信息进行排序。
进一步的，所述装置还包括：
信息推荐模块，用于接收用户指令；将所述信息推荐候选集中符合预设筛选规则的信息推荐给目标用户。
为了实现上述目的，根据本公开的一个方面，提供以下技术方案：
一种电子设备，包括：
存储器，用于存储非暂时性计算机可读指令；以及
处理器，用于运行所述计算机可读指令，使得所述处理器执行时实现上述任一项所述的信息推荐方法。
为了实现上述目的，根据本公开的一个方面，提供以下技术方案：
一种计算机可读存储介质，用于存储非暂时性计算机可读指令，当所述非暂时性计算机可读指令由计算机执行时，使得所述计算机执行上述任一项所述的信息推荐方法。
为了实现上述目的，根据本公开的又一个方面，还提供以下技术方案：
一种信息推荐终端，包括上述任一信息推荐装置。
本公开实施例通过根据信息相关的资源信息生成信息知识库，并根据所述信息知识库对所述每条信息的每个信息标签对应的热门信息进行排序，生成标签-信息候选集，根据信息播放记录和所述标签-信息候选集确定信息推荐候选集，本实施例在确定信息推荐候选集时融合了热门信息和用户行为，能够针对不用的用户推荐热门信息，推荐针对性强，推荐准确率更高。
上述说明仅是本公开技术方案的概述，为了能更清楚了解本公开的技术手段，而可依照说明书的内容予以实施，并且为让本公开的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例,并配合附图，详细说明如下。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为根据本公开一个实施例的信息推荐方法的流程示意图；
图2为根据本公开一个实施例的信息推荐装置的结构示意图；
图3为根据本公开一个实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
实施例一
为了解决现有技术中推荐针对性不够强，推荐准确率有待提高的技术问题，本公开实施例提供一种信息推荐方法。如图1所示，该信息推荐方法主要包括如下步骤S11至步骤S13。
步骤S11：根据信息相关的资源信息生成信息知识库；其中，所述资源信息包含至少一条信息，所述信息知识库包含每条信息的信息标签。
其中，信息可以为音乐、视频、电子书等有声多媒体。当信息为音乐时，对应的信息标签为音乐标，对应的信息知识库为音乐知识库签；当信息为视频时，对应的信息标签为视频标签，对应的信息知识库为视频知识库；当信息为电子书时，对应的信息标签为电子书标签，对应的信息知识库为电子书知识库。
具体的，可以从网络等媒体平台获得信息相关的资源信息，该资源信息中包括至少一条信息。例如，以信息为音乐为例，该资源信息除了包括至少一首歌曲之外，还可以包括每一首歌曲的歌手、歌名、专辑、曲风、歌词、出版时间、流行度等相关信息，上述相关信息经过人工或者半自动化处理之后，分别作为歌曲的音乐标签保存进音乐知识库中。此外，音乐知识库还可以包含音乐属性，该音乐属性可以为音乐标签的英文标识。例如，音乐知识库的数据结构如下表一所示：
表一
步骤S12：根据所述信息知识库对所述每个信息标签对应的热门信息进行排序，生成标签-信息候选集；其中，所述热门信息为播放量超过预设阈值的信息。
具体的，可以根据信息知识库中每条信息的每个信息标签对应的热门信息的播放量进行倒序排列，构成每个信息标签的标签-信息候选集。例如，以信息为音乐为例，歌曲“七里香”的信息标签歌手是“周杰伦”，则对歌手为“周杰伦”的所有热门信息，根据其播放量进行降序排列，作为“周杰伦”这一信息标签的倒排集合，该集合就是“周杰伦”这个信息标签对应的标签-信息候选集。其余信息标签对应的标签-信息侯选集的构建也是同理。
步骤S13：根据信息播放记录和所述标签-信息候选集确定信息推荐候选集。
具体的，可以根据用户的信息播放日志生成用户行为记录表；其中，所述用户行为记录表包含信息播放记录。例如，以信息为音乐为例，音乐播放日志中包括用户标识、用户指令发出时间、用户指令中的歌曲、音乐相关的上下文等歌曲播放记录。其中，用户指令中出现的歌曲需要和音乐知识库中进行映射之后，保存其相应的歌曲标识。将上述歌曲播放记录从音乐播放日志中解析出来并保存在用户行为记录表中。其中，用户行为记录表包括用户属性和用户标签，该用户属性可以为用户标签的英文标识。具体如下表二所示：
表二
在获取到信息播放记录后，根据信息播放记录从标签-信息候选集选取播放量较高的热门信息作为信息推荐候选集。在对目标用户推荐时，从信息推荐候选集中选取热门信息推荐给目标用户。例如，以信息为音乐为例，在获取到歌曲播放记录后，根据歌曲播放记录从标签-信息候选集选取播放量较高的热门信息作为歌曲推荐候选集。在对目标用户推荐时，从歌曲推荐候选集中选取热门信息推荐给目标用户。
本实施例通过根据信息相关的资源信息生成信息知识库，并根据所述信息知识库对所述每条信息的每个信息标签对应的热门信息进行排序，生成标签-信息候选集，根据信息播放记录和所述标签-信息候选集确定信息推荐候选集，本实施例在确定信息推荐候选集时融合了热门信息和用户行为，能够针对不用的用户推荐热门信息，推荐针对性强，推荐准确率更高。
在一个可选的实施例中，步骤S13具体包括：
步骤S131：根据信息播放记录确定用户播放过的历史信息的每个信息标签的权重。
其中，权重可以用历史信息的播放次数表示。权重越大则说明该信息标签被用户播放的次数越多。本实施例的具体实现参见下述可选实施例。
步骤S132：根据所述权重对信息标签进行排序，得到用户-信息标签候选集。
具体的，可以按照权重进行对信息标签进行降序排列，得到用户-信息标签候选集。其中，用户-信息标签候选集中包含每个用户对应的信息标签。
步骤S133：从所述用户-信息标签候选集中选取预设个数信息标签作为目标信息标签。
具体的，可以选择权重排序在前的n个信息标签作为目标信息标签。其中，n为正整数。
步骤S134：从所述标签-信息候选集中选取所述目标信息标签对应的热门信息加入所述信息推荐候选集。
例如，以信息为音乐为例，如果目标音乐标签为周杰伦，则从所述标签-歌曲候选集中选取周杰伦的热门歌曲加入所述歌曲推荐候选集。
在一个可选的实施例中，步骤S131具体包括：从信息播放记录中获取用户播放过的历史信息的播放次数，并将所述播放次数作为所述历史信息的每个信息标签的播放次数；将获取的所有用户的所有历史信息的每个信息标签的播放次数为所述权重。
具体的，以信息为音乐为例，对于用户播放过的每一首歌曲，记录其播放次数，并将其作为该歌曲每个音乐标签的播放次数，针对每个用户，根据播放次数对音乐标签进行降序排列，获得用户-标签候选集。然后从用户-标签候选集中获取n个音乐标签，从标签-歌曲候选集中选取该n个音乐标签对应的热门歌曲加入歌曲推荐候选集。这样可以建立用户和音乐标签之间的偏好，使推荐的歌曲更符合用户的偏好。
在一个可选的实施例中，步骤S13包括：
步骤S135：根据信息播放记录中所有用户播放过的历史信息的播放次数对所有历史信息进行排序，得到用户-信息候选集。
其中，用户-信息候选集由所有用户和每个用户播放过的历史信息组成。
步骤S136：将所有用户列表作为文档，每个用户作为组成所述文档的词，训练得到用户的词特征向量。
其中，用户列表包括用户信息，例如用户账号、播放过的历史信息、每个历史信息的播放次数等。在获取到用户列表之后，可以采用现有的训练方法(例如，神经网络算法或深度神经网络算法等)训练得到用户的词特征向量。
步骤S137：采用所述用户的词特征向量计算每个用户的相似用户候选集。
具体的，在得到每个用户的词特征向量之后，基于每个用户，采用该用户的词特征向量与其它用户的词特征向量计算相似度，将相似度超过预设相似度的用户作为相似用户加入相似用户候选集。
步骤S138：从所述用户-信息候选集中选取所述相似用户候选集中相似用户播放过的历史信息加入所述信息推荐候选集。
本实施例在确定信息推荐候选集时，考虑了用户与用户之间的关联，将相似用户播放过的历史信息加入所述信息推荐候选集，可以进一步提高推荐准确率。
在一个可选的实施例中，步骤S13具体包括：
步骤S139：将每个用户的信息播放记录作为文档，每条信息作为组成该文档的词，训练得到信息的词特征向量。
其中，信息播放记录包括用户播放过的历史信息、每个历史信息的播放次数等。在获取到信息播放记录之后，可以采用现有的训练方法(例如，神经网络算法或深度神经网络算法等)训练得到每个信息的词特征向量。
步骤S1310：采用所述信息的词特征向量计算每条信息的相似信息候选集，将所述相似信息候选集加入所述信息推荐候选集。
具体的，在得到每个信息的词特征向量之后，基于每个信息，采用该信息的词特征向量与其它信息的词特征向量计算相似度，将相似度超过预设相似度的信息作为相似信息加入所述信息推荐候选集。
本实施例在确定信息推荐候选集时，考虑了信息与信息之间的关联，将相似信息加入所述信息推荐候选集，可以进一步提高推荐准确率。
在一个可选的实施例中，所述方法还包括：
步骤S14：根据信息播放记录中所有用户播放过的历史信息的播放行为确定用户和历史信息之间的偏好程度。
步骤S15：将每个用户的用户标识和所有历史信息的信息标签作为输入，将每个用户和历史信息之间的偏好程度作为输出，训练分类模型。
本实施例基于信息播放记录训练排序模型。具体的，以信息为音乐为例，首先根据用户的歌曲播放记录建立用户和歌曲之间的收听偏好，例如，使用用户的听歌时长/歌曲总时长的值作为用户对该歌曲的偏好，即用户完整收听了该歌曲则偏好值为1表示喜欢，用户收听的时间越短，表示喜欢的程度越低。然后将用户标识、歌曲的歌手、专辑、曲风、年代、上一首歌曲等歌曲播放记录作为输入特征，偏好程度作为输出，训练一个分类模型。该分类模型可以使用梯度提升迭代决策树(Gradient Boosting Decision Tree，GBDT)加蚁群聚类LF算法、因子分解机(Factor Machine,FM)算法、改进的(Field-aware FactorizationMachine，FFM)算法、基于深度学习算法等。
步骤S16：采用所述分类模型确定目标用户对所述信息推荐候选集中每条信息的偏好程度。
具体的，以信息为音乐为例，对于所述歌曲推荐候选集中，每条信息都可以基于其歌手、专辑、曲风、年代等歌曲播放记录，将其与目标用户标识相结合，作为分类模型的输入特征。所述分类模型输出目标用户对每条信息的偏好程度。
步骤S17：根据所述偏好程度对所述信息推荐候选集中的所有信息进行排序。
在一个可选的实施例中，所述方法还包括：
步骤S18：接收用户指令。
其中，以信息为音乐为例，根据用户指令可以确定以下任意一种推荐场景：用户指令的意图为播放歌曲，但是没有明确指定歌曲，且不包含其他信息；用户指定的意图为播放歌曲，没有明确指定歌曲，但是包含歌手、风格、专辑等信息；智能音箱正在播放的歌曲即将结束，用户没有指定下一条信息；用户指定播放的歌曲因版权或其他原因无法播放。
步骤S19：将所述信息推荐候选集中符合预设筛选规则的信息推荐给目标用户。
其中，以信息为音乐为例，筛选规则可以为以下至少一种：版权信息、黑名单和业务需求。具体的，在推荐时根据歌曲的版权信息、自定义黑名单、业务需求等原则，对歌曲进行一些筛选。例如排序后得到的推荐歌曲不开放播放版权，则将其过滤掉，再例如根据实际业务需求，需要增大某些歌曲的推送度和播放率，则增加该歌曲的权重。
本领域技术人员应能理解，在上述各个实施例的基础上，还可以进行明显变型(例如，对所列举的模式进行组合)或等同替换。
在上文中，虽然按照上述的顺序描述了信息推荐方法实施例中的各个步骤，本领域技术人员应清楚，本公开实施例中的步骤并不必然按照上述顺序执行，其也可以倒序、并行、交叉等其他顺序执行，而且，在上述步骤的基础上，本领域技术人员也可以再加入其他步骤，这些明显变型或等同替换的方式也应包含在本公开的保护范围之内，在此不再赘述。
下面为本公开装置实施例，本公开装置实施例可用于执行本公开方法实施例实现的步骤，为了便于说明，仅示出了与本公开实施例相关的部分，具体技术细节未揭示的，请参照本公开方法实施例。
实施例二
为了解决现有技术中推荐针对性不够强，推荐准确率有待提高的技术问题，本公开实施例提供一种信息推荐装置。该装置可以执行上述实施例一所述的信息推荐方法实施例中的步骤。如图2所示，该装置主要包括：知识库生成模块21、信息候选集生成模块22和推荐候选集确定模块23；其中，
知识库生成模块21用于根据信息相关的资源信息生成信息知识库；其中，所述资源信息包含至少一条信息，所述信息知识库包含每条信息的信息标签；
信息候选集生成模块22用于根据所述信息知识库对所述每个信息标签对应的热门信息进行排序，生成标签-信息候选集；其中，所述热门信息为播放量超过预设阈值的信息；
推荐候选集确定模块23用于根据信息播放记录和所述标签-信息候选集确定信息推荐候选集。
进一步的，所述推荐候选集确定模块23具体用于：根据信息播放记录确定用户播放过的历史信息的每个信息标签的权重；根据所述权重对信息标签进行排序，得到用户-信息标签候选集；从所述用户-信息标签候选集中选取预设个数信息标签作为目标信息标签；从所述标签-信息候选集中选取所述目标信息标签对应的热门信息加入所述信息推荐候选集。
进一步的，所述推荐候选集确定模块23具体用于：从信息播放记录中获取用户播放过的历史信息的播放次数，并将所述播放次数作为所述历史信息的每个信息标签的播放次数；将获取的所有用户的所有历史信息的每个信息标签的播放次数为所述权重。
进一步的，所述推荐候选集确定模块23具体用于：根据信息播放记录中所有用户播放过的历史信息的播放次数对所有历史信息进行排序，得到用户-信息候选集；将所有用户列表作为文档，每个用户作为组成所述文档的词，训练得到用户的词特征向量；采用所述用户的词特征向量计算每个用户的相似用户候选集；从所述用户-信息候选集中选取所述相似用户候选集中相似用户播放过的历史信息加入所述信息推荐候选集。
进一步的，所述推荐候选集确定模块23具体用于：将每个用户的信息播放记录作为文档，每条信息作为组成该文档的词，训练得到信息的词特征向量；采用所述信息的词特征向量计算每条信息的相似信息候选集，将所述相似信息候选集加入所述信息推荐候选集。
进一步的，所述装置还包括：信息排序模块24；
所述信息排序模块24用于根据信息播放记录中所有用户播放过的历史信息的播放行为确定用户和历史信息之间的偏好程度；将每个用户的用户标识和所有历史信息的信息标签作为输入，将每个用户和历史信息之间的偏好程度作为输出，训练分类模型；采用所述分类模型确定目标用户对所述信息推荐候选集中每条信息的偏好程度；根据所述偏好程度对所述信息推荐候选集中的所有信息进行排序。
进一步的，所述装置还包括：信息推荐模块25；
所述信息推荐模块25用于接收用户指令；将所述信息推荐候选集中符合预设筛选规则的信息推荐给目标用户。
有关信息推荐装置实施例的工作原理、实现的技术效果等详细说明可以参考前述信息推荐方法实施例中的相关说明，在此不再赘述。
实施例三
下面参考图3，其示出了适于用来实现本公开实施例的电子设备300的结构示意图。本公开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)、车载终端(例如车载导航终端)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3示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，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。
特别地，根据本公开的实施例，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，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态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309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上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。在本公开中，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。而在本公开中，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(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
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电子设备执行时，使得该电子设备：根据信息相关的资源信息生成信息知识库；其中，所述资源信息包含至少一条信息，所述信息知识库包含每条信息的信息标签；根据所述信息知识库对所述每个信息标签对应的热门信息进行排序，生成标签-信息候选集；其中，所述热门信息为播放量超过预设阈值的信息；根据信息播放记录和所述标签-信息候选集确定信息推荐候选集。
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公开的操作的计算机程序代码，上述程序设计语言包括但不限于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，图示了按照本公开各种实施例的系统、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。
描述于本公开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。其中，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，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开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，本公开中所涉及的公开范围，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公开构思的情况下，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。例如上述特征与本公开中公开的(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。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (8)
1.一种信息推荐方法，其特征在于，包括：
根据信息相关的资源信息生成信息知识库；其中，所述资源信息包含至少一条信息，所述信息知识库包含每条信息的信息标签；
根据所述信息知识库对每个信息标签对应的热门信息进行排序，生成标签-信息候选集；其中，所述热门信息为播放量超过预设阈值的信息；
根据信息播放记录和所述标签-信息候选集确定信息推荐候选集；
其中，所述根据信息播放记录和所述标签-信息候选集确定信息推荐候选集，包括：
根据信息播放记录确定用户播放过的历史信息的每个信息标签的权重；
根据所述权重对信息标签进行排序，得到用户-信息标签候选集；
从所述用户-信息标签候选集中选取预设个数信息标签作为目标信息标签；
从所述标签-信息候选集中选取所述目标信息标签对应的热门信息加入所述信息推荐候选集；
所述根据信息播放记录和所述标签-信息候选集确定信息推荐候选集，包括：
根据信息播放记录中所有用户播放过的历史信息的播放次数对所有历史信息进行排序，得到用户-信息候选集；
将所有用户列表作为文档，每个用户作为组成所述文档的词，训练得到用户的词特征向量；
采用所述用户的词特征向量计算每个用户的相似用户候选集；
从所述用户-信息候选集中选取所述相似用户候选集中相似用户播放过的历史信息加入所述信息推荐候选集；
其中，所述用户-信息候选集由所有用户和每个用户播放过的历史信息组成，所述用户列表包括用户信息。
2.根据权利要求1所述的方法，其特征在于，所述根据信息播放记录确定用户播放过的历史信息的每个信息标签的权重，包括：
从信息播放记录中获取用户播放过的历史信息的播放次数，并将所述播放次数作为所述历史信息的每个信息标签的播放次数；
将获取的所有用户的所有历史信息的每个信息标签的播放次数为所述权重。
3.根据权利要求1所述的方法，其特征在于，所述根据信息播放记录和所述标签-信息候选集确定信息推荐候选集，包括：
将每个用户的信息播放记录作为文档，每条信息作为组成该文档的词，训练得到信息的词特征向量；
采用所述信息的词特征向量计算每条信息的相似信息候选集，将所述相似信息候选集加入所述信息推荐候选集。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据信息播放记录中所有用户播放过的历史信息的播放行为确定用户和历史信息之间的偏好程度；
将每个用户的用户标识和所有历史信息的信息标签作为输入，将每个用户和历史信息之间的偏好程度作为输出，训练分类模型；
采用所述分类模型确定目标用户对所述信息推荐候选集中每条信息的偏好程度；
根据所述偏好程度对所述信息推荐候选集中的所有信息进行排序。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：
接收用户指令；
将所述信息推荐候选集中符合预设筛选规则的信息推荐给目标用户。
6.一种信息推荐装置，其特征在于，包括：
知识库生成模块，用于根据信息相关的资源信息生成信息知识库；其中，所述资源信息包含至少一条信息，所述信息知识库包含每条信息的信息标签；
信息候选集生成模块，用于根据所述信息知识库对每个信息标签对应的热门信息进行排序，生成标签-信息候选集；其中，所述热门信息为播放量超过预设阈值的信息；
推荐候选集确定模块，用于根据信息播放记录和所述标签-信息候选集确定信息推荐候选集；
其中，所述推荐候选集确定模块具体用于：根据信息播放记录确定用户播放过的历史信息的每个信息标签的权重；根据所述权重对信息标签进行排序，得到用户-信息标签候选集；从所述用户-信息标签候选集中选取预设个数信息标签作为目标信息标签；从所述标签-信息候选集中选取所述目标信息标签对应的热门信息加入所述信息推荐候选集；
所述推荐候选集确定模块具体用于：根据信息播放记录中所有用户播放过的历史信息的播放次数对所有历史信息进行排序，得到用户-信息候选集；将所有用户列表作为文档，每个用户作为组成所述文档的词，训练得到用户的词特征向量；采用所述用户的词特征向量计算每个用户的相似用户候选集；从所述用户-信息候选集中选取所述相似用户候选集中相似用户播放过的历史信息加入所述信息推荐候选集；
其中，所述用户-信息候选集由所有用户和每个用户播放过的历史信息组成，所述用户列表包括用户信息。
7.一种电子设备，包括：
存储器，用于存储非暂时性计算机可读指令；以及
处理器，用于运行所述计算机可读指令，使得所述处理器执行时实现根据权利要求1-5任一项所述的信息推荐方法。
8.一种计算机可读存储介质，用于存储非暂时性计算机可读指令，当所述非暂时性计算机可读指令由计算机执行时，使得所述计算机执行权利要求1-5任一项所述的信息推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010514120.9A CN111723289B (zh) | 2020-06-08 | 2020-06-08 | 信息推荐方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010514120.9A CN111723289B (zh) | 2020-06-08 | 2020-06-08 | 信息推荐方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111723289A CN111723289A (zh) | 2020-09-29 |
| CN111723289B true CN111723289B (zh) | 2024-02-02 |
Family
ID=72567227
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010514120.9A Active CN111723289B (zh) | 2020-06-08 | 2020-06-08 | 信息推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111723289B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508615B (zh) * | 2020-12-10 | 2024-08-20 | 深圳市欢太科技有限公司 | 特征提取方法、特征提取装置、存储介质与电子设备 |
| CN113821728B (zh) * | 2021-09-29 | 2023-08-25 | 平安银行股份有限公司 | 内容推荐方法和装置 |
| CN114338586B (zh) * | 2021-12-21 | 2024-05-28 | 中国农业银行股份有限公司 | 一种消息推送方法、装置、电子设备及存储介质 |
| CN116204740A (zh) * | 2023-03-08 | 2023-06-02 | 北京有竹居网络技术有限公司 | 标签确定方法、信息推荐方法、装置、设备及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103023971A (zh) * | 2012-11-15 | 2013-04-03 | 广州酷狗计算机科技有限公司 | 音乐共享电台的信息推送方法及其系统 |
| CN105930429A (zh) * | 2016-04-19 | 2016-09-07 | 乐视控股（北京）有限公司 | 一种音乐推荐的方法及装置 |
| CN107220852A (zh) * | 2017-05-26 | 2017-09-29 | 北京小度信息科技有限公司 | 用于确定目标推荐用户的方法、装置和服务器 |
| CN108363821A (zh) * | 2018-05-09 | 2018-08-03 | 深圳壹账通智能科技有限公司 | 一种信息推送方法、装置、终端设备及存储介质 |
| CN110046965A (zh) * | 2019-04-18 | 2019-07-23 | 北京百度网讯科技有限公司 | 信息推荐方法、装置、设备和介质 |
| CN110209843A (zh) * | 2019-05-31 | 2019-09-06 | 腾讯科技（深圳）有限公司 | 多媒体资源播放方法、装置、设备及存储介质 |
| CN110418200A (zh) * | 2018-04-27 | 2019-11-05 | Tcl集团股份有限公司 | 一种视频推荐方法、装置及终端设备 |
| CN110929052A (zh) * | 2019-12-03 | 2020-03-27 | 北京奇艺世纪科技有限公司 | 多媒体资源推荐方法、装置、电子设备及存储介质 |
| CN110990598A (zh) * | 2019-11-18 | 2020-04-10 | 北京声智科技有限公司 | 资源检索方法、装置、电子设备及计算机可读存储介质 |
| CN111222030A (zh) * | 2018-11-27 | 2020-06-02 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置及电子设备 |
-
2020
- 2020-06-08 CN CN202010514120.9A patent/CN111723289B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103023971A (zh) * | 2012-11-15 | 2013-04-03 | 广州酷狗计算机科技有限公司 | 音乐共享电台的信息推送方法及其系统 |
| CN105930429A (zh) * | 2016-04-19 | 2016-09-07 | 乐视控股（北京）有限公司 | 一种音乐推荐的方法及装置 |
| CN107220852A (zh) * | 2017-05-26 | 2017-09-29 | 北京小度信息科技有限公司 | 用于确定目标推荐用户的方法、装置和服务器 |
| CN110418200A (zh) * | 2018-04-27 | 2019-11-05 | Tcl集团股份有限公司 | 一种视频推荐方法、装置及终端设备 |
| CN108363821A (zh) * | 2018-05-09 | 2018-08-03 | 深圳壹账通智能科技有限公司 | 一种信息推送方法、装置、终端设备及存储介质 |
| WO2019214245A1 (zh) * | 2018-05-09 | 2019-11-14 | 深圳壹账通智能科技有限公司 | 一种信息推送方法、装置、终端设备及存储介质 |
| CN111222030A (zh) * | 2018-11-27 | 2020-06-02 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置及电子设备 |
| CN110046965A (zh) * | 2019-04-18 | 2019-07-23 | 北京百度网讯科技有限公司 | 信息推荐方法、装置、设备和介质 |
| CN110209843A (zh) * | 2019-05-31 | 2019-09-06 | 腾讯科技（深圳）有限公司 | 多媒体资源播放方法、装置、设备及存储介质 |
| CN110990598A (zh) * | 2019-11-18 | 2020-04-10 | 北京声智科技有限公司 | 资源检索方法、装置、电子设备及计算机可读存储介质 |
| CN110929052A (zh) * | 2019-12-03 | 2020-03-27 | 北京奇艺世纪科技有限公司 | 多媒体资源推荐方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 深度学习技术在智慧校园建设中的应用研究;周月鹏;卢喜利;;微型电脑应用(第12期);第134-136页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111723289A (zh) | 2020-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111723289B (zh) | 信息推荐方法及装置 | |
| US20180357312A1 (en) | Generating a playlist | |
| CN111259192B (zh) | 音频推荐方法和装置 | |
| WO2017096877A1 (zh) | 一种推荐方法和装置 | |
| CN108304441A (zh) | 网络资源推荐方法、装置、电子设备、服务器及存储介质 | |
| CN111368141B (zh) | 视频标签的扩展方法、装置、计算机设备和存储介质 | |
| CN109165302A (zh) | 多媒体文件推荐方法及装置 | |
| CN107729578B (zh) | 一种音乐推荐方法及装置 | |
| US9576050B1 (en) | Generating a playlist based on input acoustic information | |
| CN111680254A (zh) | 一种内容推荐方法及装置 | |
| CN110458360A (zh) | 热门资源的预测方法、装置、设备及存储介质 | |
| CN111611490A (zh) | 资源搜索方法、装置、设备及存储介质 | |
| TW201104466A (en) | Digital data processing method for personalized information retrieval and computer readable storage medium and information retrieval system thereof | |
| EP3539017A1 (en) | Identifying audio-visual media items having a particular audio content | |
| CN108628886B (zh) | 一种音频文件推荐方法及装置 | |
| CN111178056A (zh) | 基于深度学习的文案生成方法、装置及电子设备 | |
| WO2023016349A1 (zh) | 一种文本输入方法、装置、电子设备和存储介质 | |
| CN111324700A (zh) | 资源召回方法、装置、电子设备及计算机可读存储介质 | |
| US20130346385A1 (en) | System and method for a purposeful sharing environment | |
| CN111104599A (zh) | 用于输出信息的方法和装置 | |
| CN109189976B (zh) | 搜索音频数据的方法和装置 | |
| US20220147558A1 (en) | Methods and systems for automatically matching audio content with visual input | |
| CN111753126B (zh) | 用于视频配乐的方法和装置 | |
| CN111274819A (zh) | 资源获取方法及装置 | |
| CN115203539A (zh) | 一种媒体内容推荐方法、装置、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |