CN111753151A - 一种基于互联网用户行为的服务推荐方法 - Google Patents
一种基于互联网用户行为的服务推荐方法 Download PDFInfo
- Publication number
- CN111753151A CN111753151A CN202010588883.8A CN202010588883A CN111753151A CN 111753151 A CN111753151 A CN 111753151A CN 202010588883 A CN202010588883 A CN 202010588883A CN 111753151 A CN111753151 A CN 111753151A
- Authority
- CN
- China
- Prior art keywords
- text
- article
- labels
- user
- new user
- 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
- G06F16/903—Querying
- G06F16/9032—Query formulation
- G06F16/90332—Natural language query formulation or dialogue systems
-
- 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
- G06F16/906—Clustering; Classification
-
- 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
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/247—Thesauruses; Synonyms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- 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)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于互联网用户行为的服务推荐方法,具体步骤如下:步骤A:建立网络爬虫爬取IP浏览文章的历史数据,并对全量的文章提取关键字标签,将所有标签作为元素进入Apriori模型生成关联事务;步骤B:制作数据队列,对新用户的搜素关键词和点击浏览文章进行采集存储;步骤C:对爬取的全量文章词汇进行word2vec提取,从用户的行为轨迹文本中匹配近似近义词汇,作为新用户的文本标签;步骤D:将新用户的文本标签通过步骤A中生成的关联事务关联起来,形成新的用户文本标签,根据新的用户文本标签进行文章推荐。
Description
技术领域
本发明涉及智能推荐技术领域,尤其涉及一种基于互联网用户行为的服务推荐方法。
背景技术
目前的文章推荐方法主要有两种,一种是根据人工规则筛选出文章并进行推荐,例如:将热点新闻或者整体点击率更高的非个性化的文章推荐给用户,但是根据人工规则向用户推荐的文章不具备个性化,导致文章点击率下跌,故存在第二种方法,根据用户历史行为推荐文章,但是该方法,虽然优于第一种,但是却只能向用户推荐与历史行为中存在的偏好相关的文章,难以向用户推荐与历史行为中不存在的偏好相关的文章,导致无法推荐用户潜在兴趣但不熟悉的文章,因此无法挖掘用户的潜在兴趣从而降低推荐效率。
发明内容
本发明的目的在于针对背景技术中的缺陷,提出一种基于互联网用户行为的服务推荐方法,通过对用户关注信息的主题的关联关系进行建立,同时提升对于用户搜索文本的辨识能力,利用爬虫对特定IP历史浏览的文章文本数据进行爬取,建立接口获取用户的搜索痕迹,并使其具有时效性,实现文章推荐的效果。
为达此目的,本发明采用以下技术方案:
一种基于互联网用户行为的服务推荐方法,具体步骤如下:
步骤A:建立网络爬虫爬取IP浏览文章的历史数据,并对全量的文章提取关键字标签,将所有标签作为元素进入Apriori模型生成关联事务;
步骤B:制作数据队列,对新用户的搜素关键词和点击浏览文章进行采集存储;
步骤C:对爬取的全量文章词汇进行word2vec提取,从用户的行为轨迹文本中匹配近似近义词汇,作为新用户的文本标签;
步骤D:将新用户的文本标签通过步骤A中生成的关联事务关联起来,形成新的用户文本标签,根据新的用户文本标签进行文章推荐。
优选的,在步骤A中,具体包括:
步骤A1:根据埋点数据,获取不同IP地址点击过的文章标题;
步骤A2:利用请求接口对根据文章标题构建成的url进行请求,返回jsonp格式数据体;
步骤A3:对jsonp格式数据体进行解析,获取其中的标题对应的文章内容;
步骤A4:对IP的阅读历史进行聚合,同时对所有文章内容进行关键词提取,使关键词聚合到IP上,形成每个IP的标签;
步骤A5:将IP及其标签放到Apriori模型中进行拟合,获取所有关键词的关联事务。
优选的,在步骤B中,具体包括:
步骤B1:通过埋点采集IP对应搜索引擎的关键字;
步骤B2:将采集的关键字形成文本队列。
优选的,在步骤C中,具体包括:
步骤C1:对文本进行分词处理;
步骤C2:去除文本中的停用词;
步骤C3:以文章作为向量形成文本矩阵,进行word2vec处理;
步骤C4:对所有经过word2vec处理训练的文章内的词汇进行向量嵌入之后,通过求解词向量的余弦相似度,从步骤A中关联起来的关键词中匹配近义词。
优选的,在步骤D中,具体包括:
步骤D1:提取当前用户的文本标签,对文本队列进行文本处理,去除停用词和进行分词处理;
步骤D2:计算词频权重,通过结合历史阅读的文章文本,计算文本队列中词汇的tfidf权重;
步骤D3:对整个文本队列进行时效性修正,包括将所有队列中的文本乘以修正值,所述修正值的取值范围为(0,1),文本队列中越靠前的词汇的修正值越小;
步骤D4:将经过步骤D2和D3加权之后取权重最大的若干词汇,来更新用户的文本标签;
步骤D5:将步骤D4中更新的用户的文本标签,执行步骤C求取近义词,再通过步骤A生成关联事务进行关联,返回的新的文本标签及其近义词为新的用户文本标签;
步骤D6:以步骤D5中新的用户文本标签作为推荐文章的关键词进行推荐。
有益效果:
本发明通过对用户关注信息的主题的关联关系进行建立,同时提升对于用户搜索文本的辨识能力,定时动态爬取不同IP的浏览文本作为请求,并实时更新主题关联图谱,更新近义库的匹配,同时有时效性地捕捉用户的访问痕迹,让推荐具有时效性。
附图说明
图1是本发明其中一个实施例的文章推荐流程图;
图2是本发明其中一个实施例的文章推荐的模型结构图;
图3是本发明其中一个实施例的CBOW算法的哈弗曼树图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
在本发明的描述中,需要理解的是,术语“上”、“下”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
本发明的一种基于互联网用户行为的服务推荐方法,如图1和图2所示,具体步骤如下:
步骤A:建立网络爬虫爬取特定IP浏览文章的历史数据,并对全量的文本文章提取关键字标签,将所有标签作为元素进入Apriori模型生成关联关系。
步骤A1:根据埋点数据,获得不同IP点击过的标题
步骤A2:利用python.request对根据文章标题构建成的url进行请求,返回jsonp格式数据体
步骤A3:对jsonp进行解析,获取其中的标题对应的文章内容
步骤A4:利用python.pandas.groupby对IP的阅读历史进行聚合,同时使用python.slearn.TfidfVectorize对所有文章进行关键词提取。例如某个IP层点击阅读关于N篇文章,这若干篇文章的关键词便可以通过上述办法聚合到此IP上,形成每个IP的标签;
每个用户都有一个访问IP的地址,按照这个IP地址进行聚合操作,聚合后的每一行,都是这个用户的所有访问数据,聚合后方便用于对单个用户进行数据统计和分析。
步骤A5:将上述的IP极其标签放到Apriori模型进行拟合,求解所有的主题关键词的关联事项。
步骤B:制作数据队列,对新用户的搜索关键词,点击浏览文章记录进行采集储存(新进旧出,使得用户的行为痕迹具有时效性)
步骤B1:通过埋点采集IP对应搜索引擎的关键字,与点击文章标题同理
步骤B2:形成文本队列,对列规则如下:仅储存近6项文本,同一时间段的阅读标题会比搜索词汇更加靠前(即搜索内容的优先级更高),同时队列为新进旧出(即旧的文本回本新的顶出,体现文本时效性)
步骤C:对爬取的全量文章词汇进行Word2Vec提取,从用户的行为轨迹文本(搜索关键词,浏览的文章标题关键词)中匹配近似近义词汇(通过词向量的预先相似度匹配)作为新用户的文本标签。
步骤C1:对文本进行分词处理,由于文章类型比较广泛,无法一次性提供过多的专业词汇,故使用python.jieba进行统一分词处理
步骤C2:去除停用词,包括常见的符号、无意义术语。
步骤C3:以文章作为向量形成文本矩阵,进行word2vec处理。
步骤C4:对所有进行训练的词汇进行向量嵌入之后,前面步骤A中关联起来的关键词所对应的近义词,求近义词通过求解词向量的余弦相似度。
Word2Vec算法是在为文本中的词寻找适合表示的唯一数值向量的一种方式。
Word2Vec的计算方式为CBOW,CBOW是对文本中根据划定窗口的大小圈定的词作为输入,推测文本中曾出现过的一个词。
所谓的Word2Vec本质上属于简化的神经网络,一般而言,神经网络在对输入层输入的向量进行线性变换后,在经过激活函数进行非线性变换,随后传入隐藏层,而Word2Vec只有简单的线性变换(即所有词的one-hot向量求和取平均)便传入隐藏层词向量,将隐藏层得到的词向量生成通过softmax生成HuffMan树,通过上升梯度迭代更新Huffman树的极大似然估计,求取最终预测的词向量。关于神经网络,再次不在赘述。
具体的,如图3所示,包括:
步骤一:对文本中所有词汇进行one-hot向量编码,按照划定好的窗口,将每个词的上下文相关词汇对的one-hot向量作为输入向量。有X1,X2,...,Xv表示输入向量。
步骤二:计算所有词汇词频,同过词频构建HuffMan树(最大权重位于根节点,通过从根节点出发寻求最大概率路径)
其中,w为权重向量,C为检测窗口大小,即该词上下文相关的词个数,X为词one-hot编码向量,i为第i个样本。
步骤四:通过根节点寻找目标词向量的最大概率路径,求所有经过节点的概率极大似然估计。
步骤五:假设期望得到J维词向量,通过梯度上升法迭代求解节点的二分逻辑回归参数以及新的Xi。
其中:w为目标词,θ为逻辑回归权重,j为第j次迭代,η为迭代步长,d为Huffman对应该词的编码,X为当前词向量,T表示矩阵转置,σ为逻辑回归sigmoid函数。
其中,w为目标词w,θ为逻辑回归权重,j为第j次迭代,η为迭代步长,d为Huffman对应该词的编码,X为当前词向量,i表示第i次迭代,l表示迭代次数,T表示矩阵转置,σ为逻辑回归sigmoid函数;
步骤六:梯度收敛,则停止迭代。迭代结束后向量θ为我们所求的词向量。
步骤D:将新用户的文本标签通过步骤A中生成的关联事务关联起来,形成新的用户文本标签,文章推荐将根据新的用户文本标签进行推荐。
步骤D1:提取目前用户的文本标签,对所有用户的步骤B中的文本队列进行文本处理,去除停用词,分词.
步骤D2:计算词频权重,通过结合历史文章文本,计算文本序列中词汇的tfidf权重
步骤D3:对整个文本序列进行时效性修正,所有序列中的文本均乘以一个因数(小于1大于0),越靠前的文本的因数越小。
步骤D4:通过步骤D2和D3双重加权之后取权重最大的若干词汇(本次为top2,可手动调整)来更新用户的文本标签
步骤D5:同过步骤D4中的用户文本标签,用步骤C中的方法求的近义词,在通过步骤A中生成关联事项进行关联,返回的新的文本标签极其近义词为新的用户文本标签
步骤D5:以新的文本标签作为推荐文章的关键词进行推荐。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理,而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式,这些方式都将落入本发明的保护范围之内。
Claims (5)
1.一种基于互联网用户行为的服务推荐方法,其特征在于:具体步骤如下:
步骤A:建立网络爬虫爬取IP浏览文章的历史数据,并对全量的文章提取关键字标签,将所有标签作为元素进入Apriori模型生成关联事务;
步骤B:制作数据队列,对新用户的搜素关键词和点击浏览文章进行采集存储;
步骤C:对爬取的全量文章词汇进行word2vec提取,从用户的行为轨迹文本中匹配近似近义词汇,作为新用户的文本标签;
步骤D:将新用户的文本标签通过步骤A中生成的关联事务关联起来,形成新的用户文本标签,根据新的用户文本标签进行文章推荐。
2.根据权利要求1所述一种基于互联网用户行为的服务推荐方法,其特征在于:
在步骤A中,具体包括:
步骤A1:根据埋点数据,获取不同IP地址点击过的文章标题;
步骤A2:利用请求接口对根据文章标题构建成的url进行请求,返回jsonp格式数据体;
步骤A3:对jsonp格式数据体进行解析,获取其中的标题对应的文章内容;
步骤A4:对IP的阅读历史进行聚合,同时对所有文章内容进行关键词提取,使关键词聚合到IP上,形成每个IP的标签;
步骤A5:将IP及其标签放到Apriori模型中进行拟合,获取所有关键词的关联事务。
3.根据权利要求1所述一种基于互联网用户行为的服务推荐方法,其特征在于:
在步骤B中,具体包括:
步骤B1:通过埋点采集IP对应搜索引擎的关键字;
步骤B2:将采集的关键字形成文本队列。
4.根据权利要求3所述一种基于互联网用户行为的服务推荐方法,其特征在于:
在步骤C中,具体包括:
步骤C1:对文本进行分词处理;
步骤C2:去除文本中的停用词;
步骤C3:以文章作为向量形成文本矩阵,进行word2vec处理;
步骤C4:对所有经过word2vec处理训练的文章内的词汇进行向量嵌入之后,通过求解词向量的余弦相似度,从步骤A中关联起来的关键词中匹配近义词。
5.根据权利要求4所述一种基于互联网用户行为的服务推荐方法,其特征在于:
在步骤D中,具体包括:
步骤D1:提取当前用户的文本标签,对文本队列进行文本处理,去除停用词和进行分词处理;
步骤D2:计算词频权重,通过结合历史阅读的文章文本,计算文本队列中词汇的tfidf权重;
步骤D3:对整个文本队列进行时效性修正,包括将所有队列中的文本乘以修正值,所述修正值的取值范围为(0,1),文本队列中越靠前的词汇的修正值越小;
步骤D4:将经过步骤D2和D3加权之后取权重最大的若干词汇,来更新用户的文本标签;
步骤D5:将步骤D4中更新的用户的文本标签,执行步骤C求取近义词,再通过步骤A生成关联事务进行关联,返回的新的文本标签及其近义词为新的用户文本标签;
步骤D6:以步骤D5中新的用户文本标签作为推荐文章的关键词进行推荐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010588883.8A CN111753151B (zh) | 2020-06-24 | 2020-06-24 | 一种基于互联网用户行为的服务推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010588883.8A CN111753151B (zh) | 2020-06-24 | 2020-06-24 | 一种基于互联网用户行为的服务推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111753151A true CN111753151A (zh) | 2020-10-09 |
CN111753151B CN111753151B (zh) | 2023-09-15 |
Family
ID=72677152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010588883.8A Active CN111753151B (zh) | 2020-06-24 | 2020-06-24 | 一种基于互联网用户行为的服务推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753151B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139834A (zh) * | 2021-04-29 | 2021-07-20 | 北京沃东天骏信息技术有限公司 | 信息处理方法、装置、电子设备和存储介质 |
CN114925273A (zh) * | 2022-05-23 | 2022-08-19 | 天津众群科技有限公司 | 基于大数据分析的用户行为预测方法及ai预测分析系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017157146A1 (zh) * | 2016-03-15 | 2017-09-21 | 平安科技(深圳)有限公司 | 基于用户画像的个性化推荐方法、装置、服务器及存储介质 |
CN109255126A (zh) * | 2018-09-10 | 2019-01-22 | 百度在线网络技术(北京)有限公司 | 文章推荐方法及装置 |
CN110020189A (zh) * | 2018-06-29 | 2019-07-16 | 武汉掌游科技有限公司 | 一种基于中文相似性计算的文章推荐方法 |
CN110472016A (zh) * | 2019-08-16 | 2019-11-19 | 腾讯科技(北京)有限公司 | 文章推荐方法、装置、电子设备及存储介质 |
-
2020
- 2020-06-24 CN CN202010588883.8A patent/CN111753151B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017157146A1 (zh) * | 2016-03-15 | 2017-09-21 | 平安科技(深圳)有限公司 | 基于用户画像的个性化推荐方法、装置、服务器及存储介质 |
CN110020189A (zh) * | 2018-06-29 | 2019-07-16 | 武汉掌游科技有限公司 | 一种基于中文相似性计算的文章推荐方法 |
CN109255126A (zh) * | 2018-09-10 | 2019-01-22 | 百度在线网络技术(北京)有限公司 | 文章推荐方法及装置 |
CN110472016A (zh) * | 2019-08-16 | 2019-11-19 | 腾讯科技(北京)有限公司 | 文章推荐方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
刘展;: "TFIDF算法在文章推荐系统的应用", 电脑知识与技术, no. 07, pages 17 - 20 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139834A (zh) * | 2021-04-29 | 2021-07-20 | 北京沃东天骏信息技术有限公司 | 信息处理方法、装置、电子设备和存储介质 |
CN114925273A (zh) * | 2022-05-23 | 2022-08-19 | 天津众群科技有限公司 | 基于大数据分析的用户行为预测方法及ai预测分析系统 |
CN114925273B (zh) * | 2022-05-23 | 2023-01-10 | 厦门亿加网络科技有限公司 | 基于大数据分析的用户行为预测方法及ai预测分析系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111753151B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492157B (zh) | 基于rnn、注意力机制的新闻推荐方法及主题表征方法 | |
CN107220365B (zh) | 基于协同过滤与关联规则并行处理的精准推荐系统及方法 | |
US7580926B2 (en) | Method and apparatus for representing text using search engine, document collection, and hierarchal taxonomy | |
WO2016161976A1 (zh) | 选择数据内容向终端推送的方法和装置 | |
CN111444394B (zh) | 获取实体间关系表达的方法、系统和设备、广告召回系统 | |
CN110633366B (zh) | 一种短文本分类方法、装置和存储介质 | |
CN107885793A (zh) | 一种微博热点话题分析预测方法及系统 | |
CN110765277B (zh) | 一种基于知识图谱的移动端的在线设备故障诊断方法 | |
CN112434151A (zh) | 一种专利推荐方法、装置、计算机设备及存储介质 | |
CN111159341B (zh) | 基于用户投资理财偏好的资讯推荐方法及装置 | |
CN101404015A (zh) | 自动生成词条层次 | |
CN114238573B (zh) | 基于文本对抗样例的信息推送方法及装置 | |
CN111460251A (zh) | 数据内容个性化推送冷启动方法、装置、设备和存储介质 | |
CN109684548B (zh) | 一种基于用户图谱的数据推荐方法 | |
CN103886020A (zh) | 一种房地产信息快速搜索方法 | |
CN110795613B (zh) | 商品搜索方法、装置、系统及电子设备 | |
CN114090861A (zh) | 一种基于知识图谱的教育领域搜索引擎构建方法 | |
CN111753151B (zh) | 一种基于互联网用户行为的服务推荐方法 | |
CN112100372A (zh) | 头版新闻预测分类方法 | |
CN111429161B (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
CN116431919A (zh) | 基于用户意图特征的智能新闻推荐方法和系统 | |
CN110083766B (zh) | 一种基于元路径引导嵌入的查询推荐方法及装置 | |
CN116975615A (zh) | 基于视频多模态信息的任务预测方法和装置 | |
CN111444424A (zh) | 一种信息推荐方法和信息推荐系统 | |
CN114328800A (zh) | 文本处理方法、装置、电子设备和计算机可读存储介质 |
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 |