CN111782940B - 基于自然流量选择的推荐方法、装置、电子设备及介质 - Google Patents
基于自然流量选择的推荐方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN111782940B CN111782940B CN202010525816.1A CN202010525816A CN111782940B CN 111782940 B CN111782940 B CN 111782940B CN 202010525816 A CN202010525816 A CN 202010525816A CN 111782940 B CN111782940 B CN 111782940B
- Authority
- CN
- China
- Prior art keywords
- item
- weight
- target classification
- under
- click
- 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 53
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 9
- 230000006399 behavior Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012549 training Methods 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
- G06F16/90—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
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9538—Presentation of query results
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书实施例公开了一种基于自然流量选择的推荐方法,在目标分类下项目集合中的项目展示过程中,实时获取每个项目的点击曝光权重,所述目标分类为用户分类集中的任意一个分类;在所述目标分类下,根据实时获取的每个项目的点击曝光权重,调整每个项目的当前权重;在所述目标分类下,利用调整后的每个项目的当前权重,确定出每个项目的调整特征值;在接收到用户请求时,若所述用户请求的用户属于所述目标分类,则根据每个项目的调整特征值的排序进行项目展示。
Description
技术领域
本说明书实施例涉及区块链处理技术领域,尤其涉及一种基于自然流量选择的推荐方法、装置、电子设备及介质。
背景技术
随着电子设备的飞速发展,使得电子设备上的应用也越来越多,而使得用户也越来越多的使用应用,而应用中项目也越来越多,例如电子商务平台上的销售产品数以万计;如此,使得用户在应用中搜索时,通常会根据搜索的关键词来呈现相应的项目,。
现有技术中在根据搜索的关键词来呈现相应的项目时,需要对项目排序后输出,此时,对项目进行排序通常会使用Wide&deep模型来确定项目排序,其需要采集大量的用户特征并进行模型训练。
发明内容
本说明书实施例提供了一种基于自然流量选择的推荐方法、装置、电子设备及介质,能够提高实时性,用户的点击率和推荐的精确度。
本说明书实施例第一方面提供了一种基于自然流量选择的推荐方法,包括:
在目标分类下项目集合中的项目展示过程中,实时获取每个项目的点击曝光权重,所述目标分类为用户分类集中的任意一个分类;
在所述目标分类下,根据实时获取的每个项目的点击曝光权重,调整每个项目的当前权重;
在所述目标分类下,利用调整后的每个项目的当前权重,确定出每个项目的调整特征值;
在所述目标分类下接收到用户请求时,根据每个项目的调整特征值的排序进行项目展示。
本说明书实施例第二方面提供了一种基于自然流量选择的推荐装置,包括:
点击曝光权重获取单元,用于在目标分类下项目集合中的项目展示过程中,实时获取每个项目的点击曝光权重,所述目标分类为用户分类集中的任意一个分类;
项目权重调整单元,用于在所述目标分类下,根据实时获取的每个项目的点击曝光权重,调整每个项目的当前权重;
特征值调整单元,用于在所述目标分类下,利用调整后的每个项目的当前权重,确定出每个项目的调整特征值;
展示单元,用于在所述目标分类下接收到用户请求时,根据每个项目的调整特征值的排序进行项目展示。
本说明书实施例第三方面还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述基于自然流量选择的推荐方法的步骤。
本说明书实施例第四方面还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时上述基于自然流量选择的推荐方法的步骤。
本说明书实施例的有益效果如下:
基于上述技术方案,在所述目标分类下所述项目集合中的项目展示过程中,实时获取每个项目的点击曝光权重;根据每个项目的点击曝光权重,调整每个项目的当前权重;再利用调整后的每个项目的当前权重,确定出每个项目的调整特征值;最后根据每个项目的调整特征值的排序进行项目展示;如此,使得在目标分类下项目的当前权重会随用户的曝光点击量变化而不断的变化,在某个项目的当前权重越大,其对应的特征值变大的概率也会越高,在特征值越大的情况下该项目的排序也会越靠前,如此,使得在目标分类下每个项目的展示排序会根据用户的点击率而调整,由于每个项目的展示排序是根据用户的曝光点击量而调整的,促使项目的展示排序与用户的匹配度更高,能够有效提高实时性,点击转化率,并确保项目的推荐精确度。
附图说明
图1为本说明书实施例中基于自然流量选择的推荐方法的方法流程图;
图2为本说明书实施例中基于自然流量选择的推荐方法的整体流程图;
图3为本说明书实施例中基于自然流量选择的推荐装置的结构示意图;
图4为本说明书实施例中电子设备的结构示意图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本说明书实施例的技术方案做详细的说明,应当理解本说明书实施例以及实施例中的具体特征是对本说明书实施例技术方案的详细的说明,而不是对本说明书技术方案的限定,在不冲突的情况下,本说明书实施例以及实施例中的技术特征可以相互组合。
第一方面,如图1所示,本说明书实施例提供一种基于自然流量选择的推荐方法,包括:
S102、在目标分类下项目集合中的项目展示过程中,实时获取每个项目的点击曝光权重,目标分类为用户分类集中的任意一个分类;
S104、在目标分类下,根据实时获取的每个项目的点击曝光权重,调整每个项目的当前权重;
S106、在目标分类下,利用调整后的每个项目的当前权重,确定出每个项目的调整特征值;
S108、在目标分类下接收到用户请求时,根据每个项目的调整特征值的排序进行项目展示。
在执行步骤S102之前,还需预先获取项目集合,在选取项目集合时通常需要根据应用场景来选取,例如在电子商务场景下,项目集合中的项目可以是销售的各种产品;例如在捐赠场景下,项目集合中的项目可以是各个捐赠对象;又例如在应用的任务场景下,项目集合中的项目可以是各种任务。
本说明书实施例中项目集合中包含的项目通常是多个。当然,项目集合中包含的项目也可以是一个,例如在电子商务场景下,可以获取在电子商务平台上销售的产品A1,产品A2,产品A3和产品A4,根据A1、A2、A3和A4组成项目集合。
在获取项目集合之后,可以对项目集合中的项目进行个性化排序,以提高点击转化率,其中,可以使用贝叶斯个性化排序方法对项目集合中的项目进行个性化排序。
以及在对项目集合中的项目进行个性化排序之后,根据个性化排序中所使用的每个用户,筛选出与项目集合有关联的用户特征行为,以用户行为特征对人群进行无监督聚类,得到聚类后的每个用户分类组成的用户分类集。
当然,也可以在获取项目集合之后,获取项目集合对应的历史使用用户,再根据历史使用用户,筛选出与项目集合有关联的用户特征行为,以用户行为特征对人群进行无监督聚类,得到聚类后的每个用户分类组成的用户分类集。
本说明书实施例中,无监督聚类可以是K-means聚类,分层聚类,基于密度的扫描聚类和高斯聚类模型等。
具体地,用户特征行为根据应用场景而选择,例如在电子商务场景下,用户特征行为可以是用户偏好,用户浏览记录,用户学历,用户所属年龄段和用户性别等;例如在捐赠场景下,用户特征行为可以是用户银行记录,用户收入记录,用户所属年龄段,用户家庭情况和用户性别等。
例如,在电子商务场景下,项目集合包括A1、A2、A3和A4,此时,可以采集大量用户的用户行为特征,利用K-means聚类算法对大量用户的用户行为特征进行聚类,若K-means聚类算法预先设置了4个类簇,则会得到4个用户分类依次为B1、B2、B3和B4,此时,由B1、B2、B3和B4组成用户分类集。
以及,在获取到项目集合和用户分类集之后,执行步骤S102。
在步骤S102中,若接收到用户请求,且用户请求的用户属于目标分类,则在目标分类下项目集合中的项目进行展示,如此,在目标分类下项目集合中项目进行展示过程中,实时获取每个项目的点击曝光权重,目标分类为用户分类集中的任意一个分类。
具体地,若在目标分类下首次接收到用户请求,则获取在所述目标分类下项目集合中每个项目的初始权重;根据在目标分类下项目集合中每个项目的初始权重,确定出在目标分类下每个项目的原始特征值,并根据每个项目的原始特征值的排序进行项目展示。
具体地,在首次接收到用户请求时,可以是接收目标用户操作用户终端发送的用户请求,在接收到用户请求之后,获取目标用户的用户特征行为,再根据目标用户的特征行为,从用户分类集中获取目标用户所属的目标分类。
具体来讲,在获取目标用户的用户特征行为时,需要根据应用场景,获取用户目标用户的用户特征行为;例如在电子商务场景下,需要目标用户的用户偏好,用户浏览记录,用户学历,用户所属年龄段和用户性别等作为目标用户的用户特征行为。
以及,在获取目标用户的用户特征行为之后,根据目标用户的用户特征行为,计算目标用户与用户分类集中每个用户分类之间的相似度;根据目标用户与每个用户分类之间的相似度,从用户分类集中确定出目标用户所属的目标分类。
具体来讲,在根据目标用户的用户特征行为,计算目标用户与用户分类集中每个用户分类之间的相似度时,可以根据目标用户的用户特征行为,计算目标用户与每个用户分类的聚类中心之间的距离;根据目标用户与每个用户分类的聚类中心之间的距离,确定目标用户与每个用户分类之间的相似度,此时,可以将目标用户与每个用户分类的聚类中心之间的距离,作为目标用户与每个用户分类之间的相似度;也可以将目标用户与每个用户分类的聚类中心之间的距离进行转换,将转换后的结果作为目标用户与每个用户分类之间的相似度,下面具体以目标用户与每个用户分类的聚类中心之间的距离,作为目标用户与每个用户分类之间的相似度为例。
本说明书实施例中,若目标用户与某个用户分类的聚类中心之间的距离越小,则目标用户与该用户分类越相似;若目标用户与某个用户分类的聚类中心之间的距离越大,则目标用户与该用户分类越不相似。
具体地,在计算目标用户与每个用户分类的聚类中心之间的距离时,可以使用相似度算法进行计算,相似度算法例如可以是余弦距离,欧式距离和曼哈顿距离等。以及,在根据目标用户与每个用户分类之间的相似度,从用户分类集中确定出目标用户所属的目标分类时,可以选取与目标用户之间的相似度最小的一个用户分类作为目标分类;以及若某个用户分类与目标用户之间的相似度大于预设相似度,则可以将该用户分类作为目标分类。
本说明书实施例中,预设相似度可以由人工或设备自行设定,也可以根据实际需求进行设定,预设相似度例如可以为不小于60%的值,例如为85%和95%等。
例如,以目标用户为C1为例,获取C1的用户特征行为用C11表示,然后使用欧式距离计算出C11与用户分类B1、B2、B3和B4中的每个聚类中心之间的距离,依次为D1,D2,D3和D4,若D4>D3>D1>D2,则确定出D2最小,从而可以确定D2对应的B2作为C1的目标分类。
在确定目标分类之后,获取在目标分类下项目集合中每个项目的初始权重,再根据每个项目的初始权重,确定在目标分类下每个项目的原始特征值。
具体来讲,在目标分类下对每个项目的权重进行初始化,得到在目标分类下项目集合中每个项目的初始权重;当然,在目标分类下对每个项目的权重进行初始化,并对初始化后的权重进行归一化,从而得到在目标分类下项目集合中每个项目的初始权重,本说明书不作具体限制。以及每个项目的初始权重可以均相同,也可以不同,本说明书实施例不作具体限制。
具体地,在进行权重初始化之后,将每个项目的初始权重输入到概率加权的随机抽样算法中,得到在目标分类下每个项目的原始特征值。
本说明书实施例中,概率加权的随机抽样算法可以为A-Res算法,如此,可以将每个项目的初始权重输入到A-Res算法中,得到在目标分类下每个项目的原始特征值;以及,在得到在目标分类下每个项目的原始特征值之后,根据原始特征值的排序,确定每个项目的展示排序;某个项目的原始特征值越大,其项目越靠前展示。
具体来讲,在A-Res算法中计算项目的特征值的公式具体如下:
ki=ui (1/wi) 公式1
其中,公式1中,ui=rand(0,1),wi表示项目i的权重,ki表示项目i的特征值,其中,rand(0,1)是指每次计算时都将返回一个新的随机实数,返回新的随机实数大于等于0且小于1。
例如,以目标用户为C1为例,其目标分类为B2,则在B2下对A1、A2、A3和A4的权重进行初始化和归一化,确定出A1、A2、A3和A4的权重均为1/4;然后将每个项目的权重输入到公式1中,得到A1的原始特征值为k1=u1 (4),A2的原始特征值为k2=u2 (4),A3的原始特征值为k3=u3 (4),以及A4的原始特征值为k4=u4 (4),在确定出k1,k2,k3和k4;再根据k1,k2,k3和k4的排序,确定A1、A2、A3和A4的展示排序。例如,若k4>k2>k1>k3,确定A1、A2、A3和A4的展示排序依次为A4,A2,A1和A3;若k2>k1>k3>k4,确定A1、A2、A3和A4的展示排序依次为A2,A1,A3和A4。
在根据每个项目的原始特征值对项目进行展示的过程中,执行步骤S102。当然,也可以通过其它排序方式展示项目集合中的项目,以及在项目集合中的项目展示过程中,执行步骤S102。下面具有以在根据每个项目的原始特征值对项目进行展示的过程中为例。
具体来讲,在目标分类下,实时获取在展示过程中每个项目的曝光点击量,对实时获取的每个项目的曝光点击量进行归一化处理,实时得到每个项目的点击曝光权重。
具体地,在项目展示过程中,在使用用户自然流量的情况下,实时获取在目标分类下每个项目的曝光点击量;并对实时获取的每个项目的曝光点击量进行归一化处理,进而实时得到每个项目的点击曝光权重。
具体地,在属于目标分类的用户每次请求时,目标分类下的项目集中的项目会进行展示,此时,获取用户点击目标分类下的项目的点击数据,以及获取目标分类下的项目集中的项目的展示数据,展示数据包含展示次数;再根据点击数据和展示数据,实时获取到目标分类下每个项目的曝光点击量;以及对实时获取的每个项目的曝光点击量进行归一化处理,进而实时得到每个项目的点击曝光权重。
具体地,在根据点击数据和展示数据,实时获取到目标分类下每个项目的曝光点击量时,若根据点击数据和展示数据,获取到目标分类下某个项目的曝光点击量;如此,针对目标分类下每个项目执行上述操作,得到目标分类下每个项目的曝光点击量。
本说明书实施例中,曝光点击量可以是点击量与曝光量的比值,也可以是包含曝光量和点击量,下面具体以点击量与曝光量的比值为例。
例如,以项目集包括A1、A2、A3和A4为例,若在项目集中项目展示过程中,总展示数据包含的展示次数为1000次,以及点击数据中A1、A2、A3和A4的点击量依次为122,225,277和93,由此可知,A1的曝光点击量为122/1000,A2的曝光点击量225/1000,A3的曝光点击量为277/1000,以及A4的曝光点击量为A4/1000。
以及在实时获取每个项目的点击曝光权重之后,执行步骤S104。
在步骤S104中,在获取到每个项目的点击曝光权重之后,针对每个项目,获取项目的当前权重,根据项目的当前权重和点击曝光权重,确定出是否需要调整项目的当前权重;若确定出需要调整项目的当前权重,则根据项目的当前权重和点击曝光权重,调整项目的当前权重。
具体来讲,针对每个项目,获取项目的当前权重,此时,在项目的权重未被调整时,项目的当前权重为初始权重;若项目的权重已调整,则项目的当前权重为调整后的权重。
具体地,在获取到每个项目的初始权重并进行展示过程中,每个项目的当前权重均为初始权重;在获取到某个项目的点击曝光权重之后,根据该项目的点击曝光权重和初始权重,确定出是否调整该项目的当前权重;则根据项目的当前权重和点击曝光权重,调整该项目的当前权重,获取调整后的权重;使得该项目的当前权重为调整后的权重;如此,根据获取的该项目的点击曝光权重,使得该项目的当前权重不断的迭代,促使该项目的当前权重随用户的点击率的变化而变化;而在该项目的当前权重变化时,使得该项目的特征值也会随之调整,促使该项目的展示排序也会随之调整,促使该项目的展示排序会根据用户的点击率而调整,从而使得该项目的推荐准确度提高。
如此,针对每个项目执行上述操作,使得每个项目的当前权重随用户的点击率的变化而变化;而在每个项目的当前权重变化时,使得每个项目的特征值也会随之调整,促使该每个项目的展示排序也会随之调整,如此,会使得每个项目的展示排序会根据用户的点击率而调整,由于每个项目的展示排序是根据用户的点击率而调整的,促使项目的展示排序与用户的匹配度更高,实时性也会更高,能够有效提高点击转化率,并确保项目的推荐精确度。
以及,在针对每个项目,根据项目的当前权重和点击曝光权重,确定出是否调整该项目的当前权重时,针对每个项目,获取项目的点击曝光权重与当前权重之间的权重比值,若项目的权重比值不小于预设比值,则确定出需要调整项目的当前权重;若项目的权重比值小于预设比值,则确定出不需要调整项目的当前权重。
本说明书实施例中预设比值可以有人工或设备进行设定,也可以根据实际需求进行设定,预设比值例如可以为1%,2%和3%等。
具体地,在针对每个项目,根据项目的当前权重和点击曝光权重,调整项目的当前权重过程中,针对每个项目,可以直接根据项目的当前权重和点击曝光权重,调整项目的当前权重,此时,项目调整后的权重为项目的当前权重和点击曝光权重的二分之一,四份之三和四分之一等比值。例如,以A1为例,A1的当前权重为D1,点击曝光权重为D2,且由于D2/D1不小于预设比值,从而调整A1的当前权重,使得调整后的权重为(D1+D2)/2,由此,使得A1的当前权重变成了(D1+D2)/2。
以及,在针对每个项目,根据项目的当前权重和点击曝光权重,调整项目的当前权重过程中,针对每个项目,可以根据项目的当前权重,点击曝光权重和上次调整权重,调整项目的当前权重,此时,项目调整后的权重为项目的当前权重,点击曝光权重和上次调整权重之和的三分之一,四份之三和四分之一等比值。例如,以A1为例,1的当前权重为D1,点击曝光权重为D2,以及上次调整权重为D3,且由于D2/D1不小于预设比值,从而调整A1的当前权重,使得调整后的权重为(D1+D2+D3)/3,由此,使得A1的当前权重变成了(D1+D2+D3)/3;如此,在目标分类下,针对每个项目执行上述操作,进而获取到在目标分类下每个项目的当前权重。
例如,以A1为例,A1在T1时刻的当前权重为D1,在T1之后的T2时刻当前权重发生了调整,使得A1在T2时刻的当前权重为D4,以及A1在T2之后的T3时刻的当前权重为D5;如此,在T3时刻,A1的上次调整权重为D4,当前权重为D5。
在获取到在目标分类下每个项目的当前权重之后,执行步骤S106。
在步骤S106,在目标分类下,将调整后的每个项目的当前权重输入到到概率加权的随机抽样算法中,确定出每个项目的调整特征值。
具体地,可以将调整后的每个项目的当前权重输入到A-Res算法中,确定出每个项目的调整特征值。其具体实施过程可以参考上述步骤S104中的叙述,为了说明书的简洁,在此就不再赘述了。
具体地,在目标分类下,通过实时获取的每个项目的曝光点击权重,调整每个项目的当前权重;再根据调整后的每个项目的当前权重,对每个项目的特征值进行调整,得到每个项目的调整特征值。
在确定出目标分类下每个项目的调整特征值之后,执行步骤S108。
在步骤S108中,在目标分类下,根据每个项目的调整特征值的排序,确定每个项目的展示排序;某个项目的调整特征值越大,其项目越靠前展示,某个项目的调整特征值越小,其项目越靠后展示;此时,在接收到用户请求时,获取用户请求的用户的用户特征行为,再根据该用户的特征行为,从用户分类集中获取该用户所属的分类;若获取到该用户所属的分类为目标分类,则可以确定出用户请求在目标分类下。即,在目标分类接收到了用户请求,此时,根据每个项目的调整特征值的排序进行项目展示。
例如,以目标用户为C1为例,其目标分类为B2,使用A-Res算法计算出A1、A2、A3和A4的原始特征值依次为k1,k2,k3和k4且k4>k2>k1>k3,如此,确定A1、A2、A3和A4的展示排序依次为A4,A2,A1和A3;在根据展示排序展示A4,A2,A1和A3过程中,实时获取到A1、A2、A3和A4的曝光点击量依次为1/100,15/100,70/100和8/100。
此时,可以获取A1的权重比值为(1/100)/(1/4)=4%,A2的权重比值为(15/100)/(1/4)=60%,A3的权重比值为(70/100)/(1/4)=280%,A4的权重比值为(8/100)/(1/4)=32%。若预设比值为12%,由于280%>60%>32%>12%>4%,如此,调整A2、A3和A4的权重,并禁止调整A1的权重,此时,A1的当前权重仍为初始权重即为1/4。
以及在调整A2、A3和A4的权重过程中,由于A2、A3和A4的权重均是初始权重未被调整,从而可以确定A2、A3和A4上次更新权重不存在即为0;当然,此时,也可以将初始权重作为A2、A3和A4的上次更新权重,下面具体以上次更新权重不存在即为0为例。
如此,可知A2更新后的权重为(1/4+15/100+0)/3=13.3%,A3更新后的权重为(1/4+70/100+0)/3=31.7%,以及A4更新后的权重为(1/4+8/100+0)/3=11%,由此可知,A1,A2,A3和A4的当前权重依次为25%,13.3%,31.7%和11%;然后将25%,13.3%,31.7%和11%输入到公式1中,得到A1,A2,A3和A4的调整特征值依次为k11,k21,k31和k41;若检测到k31>k11>k21>k41,则确定出A1,A2,A3和A4的展示排序为A3,A1,A2和A4。
以及,在B2下展示排序为A3,A1,A2和A4过程中,继续获取在自然流量下针对A1,A2,A3和A4的点击曝光权重依次为12/100,15/100,30/100和20/100;然后针对A1,A2,A3和A4执行上述操作,获取到A1,A2,A3和A4的调整特征值依次为k12,k22,k32和k42;若检测到k32>k41>k21>k11,则确定出A1,A2,A3和A4的展示排序为A3,A4,A2和A1。
如此,通过不断的迭代,使得在目标分类下项目的当前权重会随用户的曝光点击量变化而不断的变化,在某个项目的当前权重越大,其对应的特征值变大的概率也会越高,在特征值越大的情况下该项目的排序也会越靠前,如此,使得在目标分类下每个项目的展示排序会根据用户的点击率而调整,由于每个项目的展示排序是根据用户的曝光点击量而调整的,促使项目的展示排序与用户的匹配度更高,能够有效提高点击转化率,并确保项目的推荐精确度。
如此,针对用户分类集中的每个用户分类均可以执行上述操作,使得在每个用户分类下,项目集合中的项目排序会随用户的曝光点击量的变化而随之调整,由于每个项目的展示排序是根据用户的曝光点击量而调整的,促使在每个用户分类下项目的展示排序与用户的匹配度更高,能够有效提高点击转化率,并确保项目的推荐精确度。
如图2所示,为本说明书实施例中基于自然流量选择的推荐方法的整体流程图。首先执行步骤20、获取用户请求;接下来执行步骤21,求分组,取权重;具体地,首先确定用户请求对应的目标分类,然后再获取在目标分类下项目集合中每个项目的权重;接下来执行步骤22,计算特征值,并对项目集中项目进行排序;接下来执行步骤23,根据项目排序输出展示;在输出展示过程中,执行步骤24,在目标分类下获取曝光点击权重;在执行步骤24之后执行步骤25,在目标分类下调整项目的权重,并将调整后的项目的权重输入到步骤21中;如此,通过不断迭代进而不断的调整项目的权重,进而促使在目标分类下项目的展示排序也会随用户的曝光点击量而调整,其实时性较高。
本说明书实施例中,在用户分类集中的分类数量为多个时,可以针对用户分类集中的每个分类执行步骤S102-S108,以使得用户分类集中每个分类下项目集中项目的展示排序也会随用户的曝光点击量而调整。
第二方面,基于相同的技术构思,本说明书实施例提供一种基于自然流量选择的推荐装置,如图3所示,包括:
点击曝光权重获取单元301,用于在目标分类下项目集合中的项目展示过程中,实时获取每个项目的点击曝光权重,所述目标分类为用户分类集中的任意一个分类;
项目权重调整单元302,用于在所述目标分类下,根据实时获取的每个项目的点击曝光权重,调整每个项目的当前权重;
特征值调整单元303,用于在所述目标分类下,利用调整后的每个项目的当前权重,确定出每个项目的调整特征值;
展示单元304,用于在所述目标分类下接收到用户请求,则根据每个项目的调整特征值的排序进行项目展示。
在一种可选实施方式中,展示单元304,用于在目标分类下项目集合中的项目展示过程中,若在目标分类下项目集合中的项目展示过程中,若在所述目标分类下首次接收到用户请求,则获取在所述目标分类下项目集合中每个项目的初始权重;根据在所述目标分类下项目集合中每个项目的初始权重,确定出在所述目标分类下每个项目的原始特征值,并根据每个项目的原始特征值的排序进行项目展示。
在一种可选实施方式中,展示单元304还包括:
特征值获取单元,用于在所述目标分类下对每个项目的权重进行初始化,得到在所述目标分类下每个项目的初始权重;将每个项目的初始权重输入到概率加权的随机抽样算法中,得到在所述目标分类下每个项目的原始特征值。
在一种可选实施方式中,点击曝光权重获取单元301,用于在所述目标分类下,实时获取在展示过程中每个项目的曝光点击量;对实时获取的每个项目的曝光点击量进行归一化处理,得到每个项目的点击曝光权重。
在一种可选实施方式中,项目权重调整单元302,用于在所述目标分类下,实时获取到每个项目的点击曝光权重之后,针对每个项目,获取项目的当前权重;根据项目的当前权重和点击曝光权重,确定出是否需要调整项目的当前权重;若确定出需要调整项目的当前权重,则根据项目的当前权重和点击曝光权重,调整项目的当前权重。
在一种可选实施方式中,项目权重调整单元302,用于针对每个项目,若确定出需要调整项目的当前权重,则根据项目的当前权重,点击曝光权重和上次调整权重,调整项目的当前权重。
在一种可选实施方式中,特征值调整单元303,用于在所述目标分类下,将调整后的每个项目的当前权重输入到所述概率加权的随机抽样算法中,确定出每个项目的调整特征值。
第三方面,基于与前述实施例中基于自然流量选择的推荐方法同样的发明构思,本说明书实施例还提供一种电子设备,如图4所示,包括存储器404、处理器402及存储在存储器404上并可在处理器402上运行的计算机程序,所述处理器402执行所述程序时实现前文所述基于自然流量选择的推荐方法的任一方法的步骤。
其中,在图4中,总线架构(用总线400来代表),总线400可以包括任意数量的互联的总线和桥,总线400将包括由处理器402代表的一个或多个处理器和存储器404代表的存储器的各种电路链接在一起。总线400还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口405在总线400和接收器401和发送器403之间提供接口。接收器401和发送器403可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器402负责管理总线400和通常的处理,而存储器404可以被用于存储处理器402在执行操作时所使用的数据。
第四方面,基于与前述实施例中基于自然流量选择的推荐方法的发明构思,本说明书实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前文所述基于自然流量选择的推荐方法的任一方法的步骤。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的设备。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令设备的制造品,该指令设备实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本说明书的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本说明书范围的所有变更和修改。
显然,本领域的技术人员可以对本说明书进行各种改动和变型而不脱离本说明书的精神和范围。这样,倘若本说明书的这些修改和变型属于本说明书权利要求及其等同技术的范围之内,则本说明书也意图包含这些改动和变型在内。
Claims (12)
1.一种基于自然流量选择的推荐方法,包括:
在目标分类下项目集合中的项目展示过程中,实时获取每个项目的点击曝光权重,所述目标分类为用户分类集中的任意一个分类;
在所述目标分类下,根据实时获取的每个项目的点击曝光权重,调整每个项目的当前权重;
在所述目标分类下,利用调整后的每个项目的当前权重,确定出每个项目的调整特征值;
在所述目标分类下接收到用户请求时,根据每个项目的调整特征值的排序进行项目展示;
在目标分类下项目集合中的项目展示过程中,所述方法包括:
若在所述目标分类下首次接收到用户请求,则获取在所述目标分类下项目集合中每个项目的初始权重;
根据在所述目标分类下项目集合中每个项目的初始权重,确定出在所述目标分类下每个项目的原始特征值,并根据每个项目的原始特征值的排序进行项目展示;
所述根据在所述目标分类下项目集合中每个项目的初始权重,确定出在所述目标分类下每个项目的原始特征值,包括:
在所述目标分类下对每个项目的权重进行初始化,得到在所述目标分类下每个项目的初始权重;
将每个项目的初始权重输入到概率加权的随机抽样算法中,得到在所述目标分类下每个项目的原始特征值。
2.如权利要求1所述的方法,所述在所述目标分类下所述项目集合中的项目展示过程中,实时获取每个项目的点击曝光权重,包括:
在所述目标分类下,实时获取在展示过程中每个项目的曝光点击量;
对实时获取的每个项目的曝光点击量进行归一化处理,得到每个项目的点击曝光权重。
3.如权利要求1-2任一项所述的方法,所述在所述目标分类下,根据实时获取的每个项目的点击曝光权重,调整每个项目的当前权重,包括:
在所述目标分类下,实时获取到每个项目的点击曝光权重之后,针对每个项目,获取项目的当前权重;根据项目的当前权重和点击曝光权重,确定出是否需要调整项目的当前权重;若确定出需要调整项目的当前权重,则根据项目的当前权重和点击曝光权重,调整项目的当前权重。
4.如权利要求3所述的方法,所述针对每个项目,若确定出需要调整项目的当前权重,则根据项目的当前权重和点击曝光权重,调整项目的当前权重,包括:
针对每个项目,若确定出需要调整项目的当前权重,则根据项目的当前权重,点击曝光权重和上次调整权重,调整项目的当前权重。
5.如权利要求4所述的方法,所述在所述目标分类下,利用调整后的每个项目的当前权重,确定出每个项目的调整特征值,包括:
在所述目标分类下,将调整后的每个项目的当前权重输入到所述概率加权的随机抽样算法中,确定出每个项目的调整特征值。
6.一种基于自然流量选择的推荐装置,包括:
点击曝光权重获取单元,用于在目标分类下项目集合中的项目展示过程中,实时获取每个项目的点击曝光权重,所述目标分类为用户分类集中的任意一个分类;
项目权重调整单元,用于在所述目标分类下,根据实时获取的每个项目的点击曝光权重,调整每个项目的当前权重;
特征值调整单元,用于在所述目标分类下,利用调整后的每个项目的当前权重,确定出每个项目的调整特征值;
展示单元,用于在所述目标分类下接收到用户请求时,根据每个项目的调整特征值的排序进行项目展示;
所述展示单元,用于在目标分类下项目集合中的项目展示过程中,若在目标分类下项目集合中的项目展示过程中,若在所述目标分类下首次接收到用户请求,则获取在所述目标分类下项目集合中每个项目的初始权重;根据在所述目标分类下项目集合中每个项目的初始权重,确定出在所述目标分类下每个项目的原始特征值,并根据每个项目的原始特征值的排序进行项目展示;
所述展示单元,还包括:
特征值获取单元,用于在所述目标分类下对每个项目的权重进行初始化,得到在所述目标分类下每个项目的初始权重;将每个项目的初始权重输入到概率加权的随机抽样算法中,得到在所述目标分类下每个项目的原始特征值。
7.如权利要求6所述的装置,所述点击曝光权重获取单元,用于在所述目标分类下,实时获取在展示过程中每个项目的曝光点击量;对实时获取的每个项目的曝光点击量进行归一化处理,得到每个项目的点击曝光权重。
8.如权利要求6-7任一项所述的装置,所述项目权重调整单元,用于在所述目标分类下,实时获取到每个项目的点击曝光权重之后,针对每个项目,获取项目的当前权重;根据项目的当前权重和点击曝光权重,确定出是否需要调整项目的当前权重;若确定出需要调整项目的当前权重,则根据项目的当前权重和点击曝光权重,调整项目的当前权重。
9.如权利要求8所述的装置,所述项目权重调整单元,用于针对每个项目,若确定出需要调整项目的当前权重,则根据项目的当前权重,点击曝光权重和上次调整权重,调整项目的当前权重。
10.如权利要求9所述的装置,所述特征值调整单元,用于在所述目标分类下,将调整后的每个项目的当前权重输入到所述概率加权的随机抽样算法中,确定出每个项目的调整特征值。
11.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1-5任一项所述方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现权利要求1-5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010525816.1A CN111782940B (zh) | 2020-06-10 | 2020-06-10 | 基于自然流量选择的推荐方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010525816.1A CN111782940B (zh) | 2020-06-10 | 2020-06-10 | 基于自然流量选择的推荐方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111782940A CN111782940A (zh) | 2020-10-16 |
CN111782940B true CN111782940B (zh) | 2024-04-23 |
Family
ID=72757432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010525816.1A Active CN111782940B (zh) | 2020-06-10 | 2020-06-10 | 基于自然流量选择的推荐方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111782940B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937549A (zh) * | 2010-10-09 | 2011-01-05 | 姚建 | 网络购物导航系统 |
WO2014056408A1 (zh) * | 2012-10-08 | 2014-04-17 | 腾讯科技(深圳)有限公司 | 推荐信息的方法、装置和服务器 |
CN108230058A (zh) * | 2016-12-09 | 2018-06-29 | 阿里巴巴集团控股有限公司 | 产品推荐方法及系统 |
CN109241403A (zh) * | 2018-08-03 | 2019-01-18 | 腾讯科技(深圳)有限公司 | 项目推荐方法、装置、机器设备和计算机可读存储介质 |
CN109492153A (zh) * | 2018-10-18 | 2019-03-19 | 平安科技(深圳)有限公司 | 一种产品推荐方法和装置 |
CN109918574A (zh) * | 2019-03-28 | 2019-06-21 | 北京卡路里信息技术有限公司 | 项目推荐方法、装置、设备及存储介质 |
CN110838043A (zh) * | 2019-11-05 | 2020-02-25 | 智者四海(北京)技术有限公司 | 商品推荐方法及装置 |
-
2020
- 2020-06-10 CN CN202010525816.1A patent/CN111782940B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937549A (zh) * | 2010-10-09 | 2011-01-05 | 姚建 | 网络购物导航系统 |
WO2014056408A1 (zh) * | 2012-10-08 | 2014-04-17 | 腾讯科技(深圳)有限公司 | 推荐信息的方法、装置和服务器 |
CN108230058A (zh) * | 2016-12-09 | 2018-06-29 | 阿里巴巴集团控股有限公司 | 产品推荐方法及系统 |
CN109241403A (zh) * | 2018-08-03 | 2019-01-18 | 腾讯科技(深圳)有限公司 | 项目推荐方法、装置、机器设备和计算机可读存储介质 |
CN109492153A (zh) * | 2018-10-18 | 2019-03-19 | 平安科技(深圳)有限公司 | 一种产品推荐方法和装置 |
CN109918574A (zh) * | 2019-03-28 | 2019-06-21 | 北京卡路里信息技术有限公司 | 项目推荐方法、装置、设备及存储介质 |
CN110838043A (zh) * | 2019-11-05 | 2020-02-25 | 智者四海(北京)技术有限公司 | 商品推荐方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111782940A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12038986B2 (en) | Recommendation model training method, recommendation method, apparatus, and computer-readable medium | |
US11567989B2 (en) | Media unit retrieval and related processes | |
CN107451894B (zh) | 数据处理方法、装置和计算机可读存储介质 | |
WO2018041168A1 (zh) | 信息推送方法、存储介质和服务器 | |
EP4181026A1 (en) | Recommendation model training method and apparatus, recommendation method and apparatus, and computer-readable medium | |
CN109408665A (zh) | 一种信息推荐方法及装置、存储介质 | |
CN106547887B (zh) | 基于人工智能的搜索推荐方法和装置 | |
CN104090919B (zh) | 推荐广告的方法及广告推荐服务器 | |
US8924314B2 (en) | Search result ranking using machine learning | |
CN102799591B (zh) | 一种提供推荐词的方法及装置 | |
EP2860672A2 (en) | Scalable cross domain recommendation system | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN109087178A (zh) | 商品推荐方法和装置 | |
CN108021708B (zh) | 内容推荐方法、装置与计算机可读存储介质 | |
CN111861605B (zh) | 业务对象推荐方法 | |
CN111159563A (zh) | 用户兴趣点信息的确定方法、装置、设备及存储介质 | |
CN107093122B (zh) | 对象分类方法及装置 | |
CN113536105A (zh) | 推荐模型训练方法和装置 | |
CN111124676A (zh) | 资源分配方法、装置、可读存储介质和电子设备 | |
CN109146606B (zh) | 一种品牌推荐方法、电子设备、存储介质及系统 | |
CN118043802A (zh) | 一种推荐模型训练方法及装置 | |
CN116823410B (zh) | 数据处理方法、对象处理方法、推荐方法及计算设备 | |
CN113704620A (zh) | 基于人工智能的用户标签更新方法、装置、设备及介质 | |
CN111177564B (zh) | 一种产品推荐方法及装置 | |
CN111782940B (zh) | 基于自然流量选择的推荐方法、装置、电子设备及介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40039075 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |