CN111797257B - 基于词向量的图片推荐方法及相关设备 - Google Patents

基于词向量的图片推荐方法及相关设备 Download PDF

Info

Publication number
CN111797257B
CN111797257B CN202010611569.7A CN202010611569A CN111797257B CN 111797257 B CN111797257 B CN 111797257B CN 202010611569 A CN202010611569 A CN 202010611569A CN 111797257 B CN111797257 B CN 111797257B
Authority
CN
China
Prior art keywords
picture
neural network
network model
sequence
recommended
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
Application number
CN202010611569.7A
Other languages
English (en)
Other versions
CN111797257A (zh
Inventor
梁天新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN202010611569.7A priority Critical patent/CN111797257B/zh
Publication of CN111797257A publication Critical patent/CN111797257A/zh
Application granted granted Critical
Publication of CN111797257B publication Critical patent/CN111797257B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/535—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/355—Class or cluster creation or modification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—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
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • 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
    • G06F40/30—Semantic analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Library & Information Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了一种基于词向量的图片推荐方法及相关设备，包括：获取当前图片的图片信息；根据所述当前图片的图片信息，调用基于词向量的推荐算法模型，确定推荐图片；其中，所述基于词向量的推荐算法模型用于生成所述当前图片的词向量并基于所述当前图片的词向量确定所述推荐图片；输出所述推荐图片。本公开提供基于词向量的图片推荐方法及相关设备，能够较好地进行图片推荐。

Description

基于词向量的图片推荐方法及相关设备
技术领域
本公开涉及机器学习技术领域，特别是指一种基于词向量的图片推荐方法及相关设备。
背景技术
用户在使用展示图片的设备时，希望能够基于当前展示的图片或自身的喜好来获得下一张图片，这种方式即为图片推荐。
但是，现有的图片推荐方法要么仅依赖于用户对图片的描述信息，要么仅依赖于图片间的关联关系，推荐效果一般。
发明内容
有鉴于此，本公开实施例的目的之一在于，提出一种基于词向量的图片推荐方法及相关设备，以在一定程度上解决推荐效果不好的问题。
基于上述目的，本公开实施例提供的基于词向量的图片推荐方法，包括：
获取当前图片的图片信息；
根据所述当前图片的图片信息，调用基于词向量的推荐算法模型，确定推荐图片；其中，所述基于词向量的推荐算法模型用于生成所述当前图片的词向量并基于所述当前图片的词向量确定所述推荐图片；
输出所述推荐图片。
可选地，所述方法还包括：
若接收到冷启动消息，则输出标签页，所述标签页中包括多个图片标签；
接收用户点击所述图片标签的信息；
根据所述用户点击图片标签的信息，调用所述基于词向量的推荐算法模型，确定推荐图片；
输出所述推荐图片。
可选地，所述基于词向量的推荐算法模型的训练方法包括：
确定图片数据集，并根据所述图片数据集构建知识图谱；
按照所述知识图谱中的分类，对所述图片数据集中的图片分别构建对应的第一序列；
对所述图片数据集中的图片随机构建第二序列；
创建第一初始神经网络模型和第二初始神经网络模型；
利用包括所述第一序列的第一训练集训练所述第一初始神经网络模型，利用包括所述第二序列构成的第二训练集训练所述第二初始神经网络模型；
当损失函数达到预设目标时，训练得到的第一神经网络模型和第二神经网络模型即为所述基于词向量的推荐算法模型；
其中，所述第一神经网络模型和第二神经网络模型共享权重。
可选地，所述基于词向量的推荐算法模型的训练方法，还包括：根据用户的点击数据，构建第三序列；
利用包括所述第一序列的第一训练集训练所述第一初始神经网络模型，包括：利用包括所述第一序列和第三序列的第一训练集训练所述第一初始神经网络模型。
可选地，所述方法还包括：获取用户的点击指令，根据所述点击指令确定推荐图片；
根据用户的点击数据，构建第三序列，包括：
收集根据所述点击指令确定的推荐图片的序列；
根据所述推荐图片的序列，构建所述第三序列。
可选地，当损失函数达到预设目标时，训练得到的第一神经网络模型和第二神经网络模型即为所述基于词向量的推荐算法模型，包括：
当所述第一初始神经网络模型和第二初始神经网络模型的目标函数之差处于预设差值范围内时，训练得到的第一神经网络模型和第二神经网络模型即为所述基于词向量的推荐算法模型。
可选地，按照所述知识图谱中的分类，对所述图片数据集中的图片分别构建对应的第一序列，包括：
按照所述知识图谱中的某一分类随机排列该分类下的各实体；
对各实体中包括的图片随机地进行排序，进而完成所述图片数据集中每幅图片的排序；
对于排序完成的图片，按照预定个数为一组进行分组，得到多个所述第一序列；
对于所述知识图谱中的每个分类，均采用以上步骤进行处理，得到多个所述第一序列。
本公开实施例提供了一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如下方法：
获取当前图片的图片信息；
根据所述当前图片的图片信息，调用基于词向量的推荐算法模型，确定推荐图片；其中，所述基于词向量的推荐算法模型用于生成所述当前图片的词向量并基于所述当前图片的词向量确定所述推荐图片；
输出所述推荐图片。
可选地，所述至少一个处理器还能够执行如下方法：
若接收到冷启动消息，则输出标签页，所述标签页中包括多个图片标签；
接收用户点击所述图片标签的信息；
根据所述用户点击图片标签的信息，调用所述基于词向量的推荐算法模型，确定推荐图片；
输出所述推荐图片。
可选地，所述至少一个处理器还能够执行如下方法：
确定图片数据集，并根据所述图片数据集构建知识图谱；
按照所述知识图谱中的分类，对所述图片数据集中的图片分别构建对应的第一序列；
对所述图片数据集中的图片随机构建第二序列；
创建第一初始神经网络模型和第二初始神经网络模型；
利用包括所述第一序列的第一训练集训练所述第一初始神经网络模型，利用包括所述第二序列构成的第二训练集训练所述第二初始神经网络模型；
当损失函数达到预设目标时，训练得到的第一神经网络模型和第二神经网络模型即为所述基于词向量的推荐算法模型；
其中，所述第一神经网络模型和第二神经网络模型共享权重。
可选地，所述至少一个处理器还能够执行如下方法：
根据用户的点击数据，构建第三序列；
利用包括所述第一序列和第三序列的第一训练集训练所述第一初始神经网络模型。
可选地，所述至少一个处理器还能够执行如下方法：
获取用户的点击指令，根据所述点击指令确定推荐图片；
收集根据所述点击指令确定的推荐图片的序列；
根据所述推荐图片的序列，构建所述第三序列。
可选地，所述至少一个处理器还能够执行如下方法：
当所述第一初始神经网络模型和第二初始神经网络模型的目标函数之差处于预设差值范围内时，训练得到的第一神经网络模型和第二神经网络模型即为所述基于词向量的推荐算法模型。
可选地，所述至少一个处理器还能够执行如下方法：
按照所述知识图谱中的某一分类随机排列该分类下的各实体；
对各实体中包括的图片随机地进行排序，进而完成所述图片数据集中每幅图片的排序；
对于排序完成的图片，按照预定个数为一组进行分组，得到多个所述第一序列；
对于所述知识图谱中的每个分类，均采用以上步骤进行处理，得到多个所述第一序列。
本公开实施例提供了一种存储有计算机程序的计算机非瞬态可读存储介质，其中，所述计算机程序在由处理器执行时实现所述的方法的步骤。
从上面所述可以看出，本公开实施例提供的基于词向量的图片推荐方法及相关设备，通过利用推荐算法模型提取当前画作的词向量，并基于所述词向量得到与当前画作相关的推荐画作并输出，使得推荐算法是基于当前画作的词向量的算法模型，可以在用户浏览画作时向其推荐更符合用户欣赏风格的画作。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本公开的一些实施例，而非对本公开的限制。
图1为本公开实施例提供的基于词向量的图片推荐方法的一个实施例的流程示意图；
图2A为本公开实施例中训练模型的实施例的流程示意图；
图2B为本公开实施例中知识图谱的一种示意图；
图2C为本公开实施例中知识图谱的另一种示意图；
图2D为本公开实施例中模型的结构示意图；
图3为本公开实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”、“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
图片推荐的一种推荐方式是基于点播式的推荐算法，即依靠用户给图片标注的标签来描述图片，进而基于用户标注的标签将用户与图片进行联系。但是这种推荐方式的缺点在于：1)点播式的推荐算法过度依赖于用户信息的反馈，如果没有前期埋点并不容易获得。2)点播式没有有效利用被推荐物品的内在联系，缺少将知识图谱信息利用起来的方式。
图片推荐的另一种推荐方式是基于知识图谱的推荐方法。但是这种推荐方式的缺点在于：1)基于知识图谱的推荐方法，往往是依赖图结构，选择同一个节点相关性进行推荐，忽视了多纬度上的相似性，多纬度上的相似性只能依靠分布式(embedding)来构建。2)知识图谱需要编写众多查询语句才能得到相关推荐条目，而基于分布式(embedding)的方式不需要查询，可以通过计算直接得到相关推荐条目的ID。
基于此，本公开提供了一种基于词向量的图片推荐方法的一个实施例。图1示出了本公开实施例提供的基于词向量的图片推荐方法的一个实施例的流程示意图。
如图1所示，所述基于词向量的图片推荐方法，包括：
步骤102：获取当前图片的图片信息。
本步骤中，所述当前图片指的是当前正在展示的图片，展示图片的设备可以是图片展示终端。
可选地，若所述基于词向量的图片推荐方法应用于服务器，则所述图片信息需要服务器从图片展示终端中获取，若所述基于词向量的图片推荐方法的应用于图片展示终端，则所述图片信息可从本地调取。
可选地，所述图片信息可包括所述图片的来源、类型等等。在一些实施例中，所述图片信息可以是能够唯一确定所述当前图片的信息。
作为一个可选实施例，所述图片可以是画作，例如梵高的星空，张大千的桃源图等等。所述图片信息则可以是画家的名字、画作的名称等等。
步骤104：根据所述当前图片的图片信息，调用基于词向量的推荐算法模型，确定推荐图片；其中，所述基于词向量的推荐算法模型用于生成所述当前图片的词向量并基于所述当前图片的词向量确定所述推荐图片。
一般地，由于词向量具有良好的语义特性，是表示词语特征的常用方式。在文本分析中，词向量的每一维的值代表一个具有一定的语义和语法上解释的特征。所以，可以将词向量的每一维称为一个词语特征。词向量具有多种形式，分布式表征(distributedrepresentation)是其中一种。一个distributed representation是一个稠密、低维的实值向量。distributed representation的每一维表示词语的一个潜在特征，该特征捕获了有用的句法和语义特性。可见，distributed representation中的distributed一词体现了词向量这样一个特点：将词语的不同句法和语义特征分布到它的每一个维度去表示。
本公开的一个或多个实施例中，借鉴了词向量的这种特性，但本公开的一个或多个实施例中，所述词向量表征的不是词语的特征，而是图片的特征。通过调用所述基于词向量的推荐算法模型，可以生成相应图片的词向量，并利用该词向量计算与其相似度最高的其他图片作为推荐图片。
作为一个可选实施例，如图2A所示，所述基于词向量的推荐算法模型的训练方法包括：
步骤202：确定图片数据集，并根据所述图片数据集构建知识图谱，参考图2B和图2C所示。
本步骤中，所述构建知识图谱的步骤可以是在任意时刻依据图片数据集的图片来构建的。可选地，本步骤中的知识图谱还可以是已有的neo4j知识图谱。
步骤204：按照所述知识图谱中的分类，对所述图片数据集中的图片分别构建对应的第一序列。
本步骤中，所述知识图谱中的分类可以是作者、流派、画作内容、天气、室内外、年代、作者国家等分类类目。可选地，所述第一序列是以所述分类作为中心点来构建所述第一序列。
作为一个可选实施例，按照所述知识图谱中的分类，对所述图片数据集中的图片分别构建对应的第一序列的步骤，可具体包括以下步骤：
按照所述知识图谱中的某一分类(例如作者姓名)随机排列该分类下的各实体；例如，所述图片数据集中包括5个作者的图片，将这5个作者随机排列为作者1、作者2、作者3、作者4、作者5共五个实体；
对各实体中包括的图片随机地进行排序，进而完成所述图片数据集中每幅图片的排序；例如，所述图片数据集中包括作者1的10张图片，所述图片数据集中包括作者2的10张图片，则作者1的10张图片随机按照1～10进行排序，对于作者2的10张图片，则随机按照11～20进行排序，依次类推，当5个作者的图片都排序完成后，所述图片数据集中每张图片都被分配了一个序号，并且，同一个作者的图片的序号是相邻的(除了排在首尾的图片)；
对于排序完成的图片，按照预定个数为一组进行分组，得到多个所述第一序列；本步骤中，所述预定个数根据需要进行设置，例如可以设置为10，这样，在前一步骤的例子中，作者1的10张图片被分为了一组，并且按照每张图片各自被分配的序号形成了一个图片序列(即第一序列)，作者2的10张图片被分为了第二组，并且按照每张图片各自被分配的序号形成了一个图片序列(即第一序列)，依次类推，得到多个第一序列，且这多个序列是以作者姓名为中心点构建的；
接着，对于所述知识图谱中的每个分类(例如流派、画作内容、天气、室内外、年代、作者国家等)，均采用以上步骤进行处理，得到以各分类为中心点的多个所述第一序列。
这样，就构建得到了在多个维度下的以预定个数为一组的多个第一序列，作为上下文语料。
作为一个可选实施例，所述基于词向量的推荐算法模型的训练方法，还包括：根据用户的点击数据，构建第三序列。
可选地，所述基于词向量的图片推荐方法还包括：获取用户的点击指令，根据所述点击指令确定推荐图片；这里，所述用户的点击指令可以是指用户在图片展示终端(例如画屏或打开了相应APP的手机)中点击某些对象而发出的指令，被点击的对象可以是图片、图片标签、指令按钮(如下一幅、上一幅、第三幅，等等)；
所述根据用户的点击数据，构建第三序列，具体包括：
收集根据所述点击指令确定的推荐图片的序列；本步骤中，每次点击指令使得当前展示的图片发生了更改，则更改后的图片即为所述推荐图片，并且，将在一段时间内的点击指令对应发生更改而得到的图片按照点击时间的先后顺序形成图片序列；
根据所述推荐图片的序列，构建所述第三序列；本步骤中，可选地，以超过预定时间间隔(例如3分钟)没有连续点击为间隔，按照该间隔形成所述第三序列；例如，在一段时间内用户点击了三次并相应推荐了三张图片，此后超过了预定时间间隔没有接收到点击指令，则将这三张图片按照先后顺序形成图片序列，即为所述第三序列，此后再次接收到点击指令，则再次记录相应的推荐图片，直至再次出现超过了预定时间间隔没有接收到点击指令的情况，则再次形成一段新的第三序列，以此类推。将这样形成的第三序列也作为上下文语料。
可选地，若所述基于词向量的图片推荐方法应用于服务器，则所述点击数据需要服务器从图片展示终端中获取，若所述基于词向量的图片推荐方法的应用于图片展示终端，则所述点击数据可从本地调取。
可选地，所述图片展示终端可以有多种表现形式，例如画屏或打开了相应APP的手机，在实施时可以把这些终端中点击数据均进行收集。
这样，将第一序列和第三序列均用于后续训练模型，使得推荐算法模型中采用了知识图谱的图网络信息和用户点击信息等多纬度数据来构建词向量，推荐效果能够更好。
步骤206：对所述图片数据集中的图片随机构建第二序列。
本步骤中，不再按照根据中心点进行序列构建的方式，而是随机地构建第二序列。可选地，一个第二序列中图片的个数可以根据需要设定，例如可以跟前述第一序列的预定个数相同，也可以不同。
可选地，在单个的第二序列中所有图片是完全不相关(例如，没有任何一个分类是相同的)或者基本不相关(至少)的，这些图片随机组合在一起构成第二序列。
步骤208：创建第一初始神经网络模型和第二初始神经网络模型。
可选地，所述第一初始神经网络模型和第二初始神经网络模型是共享权重的。可选地，所述第一初始神经网络模型和第二初始神经网络模型均为单隐层神经网络，即只包含一层隐藏层(hidden layer)的神经网络。
步骤210：利用包括所述第一序列的第一训练集训练所述第一初始神经网络模型，利用包括所述第二序列构成的第二训练集训练所述第二初始神经网络模型。
可选地，利用包括所述第一序列的第一训练集训练所述第一初始神经网络模型，包括：利用包括所述第一序列和第三序列的第一训练集训练所述第一初始神经网络模型。
本步骤中，所述第一训练集由所有构建的第一序列和第三序列构成，所述第二训练集由所有构建的第二序列构成。所述第一训练集中的第一序列为模型的相似性输入，第三序列为模型的相关性输入，所述第二训练集中的第二序列为模型的随机性输入。
模型的输入分为两部分：第一部分即第一训练集，C＝{c1,c2,c3,…cn:Θ},在序列C中所有的c都是第一序列和第三序列组成，其中包括相似性输入和相关性输入，用于训练第一初始神经网络模型；第二部分为第二训练集，S＝{s1,s2,s3,…sn:Θ},在序列S中所有的s都是随机组合在一起图片构成的，其中包括的是随机性输入(或称非相似性输入)，用于训练第二初始神经网络模型。
可选地，所述第一训练集和第二训练集中的图片序列在输入模型之前，还可以进行相应地预处理，或者在模型中专门设置一层用于对图片序列进行预处理的层，用于将图片处理为特征向量，例如，将图片处理为onehot形式的特征向量，再通过embedding算法处理为低维特征，然后再输入到神经网络中进行训练。
可选地，整个训练过程为无监督训练，训练时，按照每次5个步长移动的方式进行训练。
步骤212：当损失函数达到预设目标时，训练得到的第一神经网络模型和第二神经网络模型即为所述基于词向量的推荐算法模型，如图2D所示。
可选地，所述第一神经网络模型和第二神经网络模型是共享权重的。可选地，所述第一神经网络模型和第二神经网络模型均为单隐层神经网络，即只包含一层隐藏层(hidden layer)的神经网络。
作为一个可选实施例，当损失函数达到预设目标时，训练得到的第一神经网络模型和第二神经网络模型即为所述基于词向量的推荐算法模型，包括：
当所述第一初始神经网络模型和第二初始神经网络模型的目标函数之差处于预设差值范围内时，训练得到的第一神经网络模型和第二神经网络模型即为所述基于词向量的推荐算法模型。
可选地，所述第一神经网络模型的目标函数为L1(C)＝ΣlogP(ci|c1,..cn)，其中ci为c1到cn中的第i个条目；所述第二神经网络模型的目标函数为L1(S)＝ΣlogP(si|s1,..sn)，其中si为s1到sn中的第i个条目；
最终的损失函数为：Loss＝min(L1(C)-L1(S))，即L1(C)与L1(S)之差达到最小时，训练结束。
训练完成后，模型的输出目标为：
其中，hL为隐藏层权重向量，We T为神经网络权重矩阵。
此时，训练完成的基于词向量的推荐算法模型的神经网络权重矩阵We T就是期望得到的模型参数，这样，任何一个图片输入到该基于词向量的推荐算法模型之后均可以据此得到相应图片的词向量，进而通过输出层生成相应的推荐结果。
本实施例中，采用了正负两种目标函数来构建最终的损失函数，让相似的条目靠近，而不相似的条目远离，使得推荐效果能够更好。
步骤106：输出所述推荐图片。
可选地，若所述基于词向量的图片推荐方法应用于服务器，则所述输出所述推荐图片是指服务器将推荐图片输出给图片展示终端，进而由图片展示终端对所述推荐图片进行展示；若所述基于词向量的图片推荐方法的应用于图片展示终端，则所述推荐图片可从图片展示终端输出，例如在图片展示终端上进行显示。
本实施例提供的基于词向量的图片推荐方法，通过利用推荐算法模型提取当前画作的词向量，并基于所述词向量得到与当前画作相关的推荐画作并输出，使得推荐算法是基于当前画作的词向量的算法模型，可以在用户浏览画作时向其推荐更符合用户欣赏风格的画作。
在一些实施方式中，所述推荐对象是画作，图片展示终端可以是手机或画屏，这样，当用户需要切换一副图片的时候，无论是手机端还是画屏端，都会依靠词向量下的相似度算法推荐一个最接近的画作。
可选地，所述推荐图片的推荐维度还可以事先设定，比如按照年代权重比较大的方法推荐，或者，按照流派权重比较大的方式进行推荐，等等。
本公开的一个或多个实施例中，所述基于词向量的图片推荐方法，还包括：
若接收到冷启动消息，则输出标签页，所述标签页中包括多个图片标签；可选地，一个所述图片标签指代的是某个实体，例如，针对流派这个分类，其相应的图片标签可以是抽象派，针对作家姓名这个分类，其相应的图片标签可以是梵高、张大千等等；
接收用户点击所述图片标签的信息；
根据所述用户点击图片标签的信息，调用所述基于词向量的推荐算法模型，确定推荐图片；本步骤中，可以根据用户点击图片标签的信息生成相应的特征向量，然后输入到模型中得到相应的词向量，并依据该词向量确定相应的推荐图片；
输出所述推荐图片。
可选地，当用户第一次接触画屏或相应的手机APP时，输出所述标签页以请求用户点击几个标签，再依靠用户的标签映射为词向量找到同这个标签最接近的画作进行推荐。
本公开的一个或多个实施例主要是利用了词向量的文本相似性属性。传统词向量利用上下文关系构建语言模型或作为自然语言处理的基础，例如Google的word2vec算法；但这些主要用在英文和中文的词向量构建上。本公开的一个或多个实施例受到词向量系统的启发，通过对图片构建词向量的方式，找到其多个维度的相似性，并通过词向量相似性作为推荐系统的基础。
本公开的一个或多个实施例使用的是结合知识图谱、用户过去的观看序列等方式构建的分布式词向量模型。本公开的一个或多个实施例采用全新的损失函数训练词向量，保证推荐序列相似性的同时，也让不相似画作在推荐距离上更加遥远。
本公开的一个或多个实施例解决了画屏、APP端的新用户冷启动和相似画作的推荐两类问题。本公开的一个或多个实施例受到分布式词向量(embedding)具有多维度相似性的启发，利用多个维度的信息，将画作构成序列，通过自定义的训练方式对全体画作条目进行训练。将每一幅画作，通过不同维度，如流派，年代，内容，风格，作者等等向超空间映射，形成画作的分布式词向量。这样，在冷启动时可以根据用户的选择对其进行连续推送，同时，可以在用户浏览画作时向其推荐更符合用户欣赏风格的画作。
本公开的一个或多个实施例提出了一种基于item2vec的画作推荐方法，通过知识图谱的某类联系如国籍，流派等，截取固定长度的条目(item)序列,以及用户查看序列，以画作为单元构建上下文语料库，并对上下文语料库进行相似和非相似的联合无监督训练，最终得到具有明显多纬度相似性的画作推荐序列。
本公开还提供了一种电子设备的实施例。
所述电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如下方法：
获取当前图片的图片信息；
根据所述当前图片的图片信息，调用基于词向量的推荐算法模型，确定推荐图片；其中，所述基于词向量的推荐算法模型用于生成所述当前图片的词向量并基于所述当前图片的词向量确定所述推荐图片；
输出所述推荐图片。
可选地，所述至少一个处理器还能够执行如下方法：
若接收到冷启动消息，则输出标签页，所述标签页中包括多个图片标签；
接收用户点击所述图片标签的信息；
根据所述用户点击图片标签的信息，调用所述基于词向量的推荐算法模型，确定推荐图片；
输出所述推荐图片。
可选地，所述至少一个处理器还能够执行如下方法：
确定图片数据集，并根据所述图片数据集构建知识图谱；
按照所述知识图谱中的分类，对所述图片数据集中的图片分别构建对应的第一序列；
对所述图片数据集中的图片随机构建第二序列；
创建第一初始神经网络模型和第二初始神经网络模型；
利用包括所述第一序列的第一训练集训练所述第一初始神经网络模型，利用包括所述第二序列构成的第二训练集训练所述第二初始神经网络模型；
当损失函数达到预设目标时，训练得到的第一神经网络模型和第二神经网络模型即为所述基于词向量的推荐算法模型；
其中，所述第一神经网络模型和第二神经网络模型共享权重。
可选地，所述至少一个处理器还能够执行如下方法：
根据用户的点击数据，构建第三序列；
利用包括所述第一序列和第三序列的第一训练集训练所述第一初始神经网络模型。
可选地，所述至少一个处理器还能够执行如下方法：
获取用户的点击指令，根据所述点击指令确定推荐图片；
收集根据所述点击指令确定的推荐图片的序列；
根据所述推荐图片的序列，构建所述第三序列。
可选地，所述至少一个处理器还能够执行如下方法：
当所述第一初始神经网络模型和第二初始神经网络模型的目标函数之差处于预设差值范围内时，训练得到的第一神经网络模型和第二神经网络模型即为所述基于词向量的推荐算法模型。
可选地，所述至少一个处理器还能够执行如下方法：
按照所述知识图谱中的某一分类随机排列该分类下的各实体；
对各实体中包括的图片随机地进行排序，进而完成所述图片数据集中每幅图片的排序；
对于排序完成的图片，按照预定个数为一组进行分组，得到多个所述第一序列；
对于所述知识图谱中的每个分类，均采用以上步骤进行处理，得到多个所述第一序列。
图3示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器301、存储器302、输入/输出接口303、通信接口304和总线305。其中处理器301、存储器302、输入/输出接口303和通信接口304通过总线305实现彼此之间在设备内部的通信连接。
处理器301可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器302可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器302可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器302中，并由处理器301来调用执行。
输入/输出接口303用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口304用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线305包括一通路，在设备的各个组件(例如处理器301、存储器302、输入/输出接口303和通信接口304)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器301、存储器302、输入/输出接口303、通信接口304以及总线305，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
需要说明的是，所述电子设备的各实施例，其技术效果与前述任意方法的对应实施例相同或者类似，在此不再赘述。
本公开实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的列表项操作的处理方法。所述非暂态计算机存储介质的实施例，其技术效果与前述任意方法实施例相同或者类似。
最后需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。所述计算机程序的实施例，其技术效果与前述任意方法实施例相同或者类似。
此外，典型地，本公开所述的装置、设备等可为各种电子终端设备，例如手机、个人数字助理(PDA)、平板电脑(PAD)、智能电视等，也可以是大型终端设备，如服务器等，因此本公开的保护范围不应限定为某种特定类型的装置、设备。本公开所述的客户端可以是以电子硬件、计算机软件或两者的组合形式应用于上述任意一种电子终端设备中。
此外，根据本公开的方法还可以被实现为由CPU执行的计算机程序，该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被CPU执行时，执行本公开的方法中限定的上述功能。
此外，上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。
此外，应该明白的是，本文所述的计算机可读存储介质(例如，存储器)可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的，非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM)，该RAM可以充当外部高速缓存存储器。作为例子而非限制性的，RAM可以以多种形式获得，比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)以及直接RambusRAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现所述的功能，但是这种实现决定不应被解释为导致脱离本公开的范围。
结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里所述功能的下列部件来实现或执行：通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器，但是可替换地，处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP核、或任何其它这种配置。
结合这里的公开所描述的方法或算法的步骤可以直接包含在硬件中、由处理器执行的软件模块中或这两者的组合中。软件模块可以驻留在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域已知的任何其它形式的存储介质中。示例性的存储介质被耦合到处理器，使得处理器能够从该存储介质中读取信息或向该存储介质写入信息。在一个替换方案中，所述存储介质可以与处理器集成在一起。处理器和存储介质可以驻留在ASIC中。ASIC可以驻留在用户终端中。在一个替换方案中，处理器和存储介质可以作为分立组件驻留在用户终端中。
在一个或多个示例性设计中，所述功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现，则可以将所述功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质，该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的，该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备，或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外，任何连接都可以适当地称为计算机可读介质。例如，如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件，则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外先、无线电和微波的无线技术均包括在介质的定义。如这里所使用的，磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘，其中磁盘通常磁性地再现数据，而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。
公开的示例性实施例，但是应当注公开的示例性实施例，但是应当注意，在不背离权利要求限定的本公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本公开的元素可以以个体形式描述或要求，但是也可以设想多个，除非明确限制为单数。
应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”(“a”、“an”、“the”)旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本公开实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上所述的本公开实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本公开实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开实施例的保护范围之内。

Claims (13)

1.一种基于词向量的图片推荐方法，包括：
获取当前图片的图片信息；
根据所述当前图片的图片信息，调用基于词向量的推荐算法模型，确定推荐图片；其中，所述基于词向量的推荐算法模型用于生成所述当前图片的词向量并基于所述当前图片的词向量确定所述推荐图片；
输出所述推荐图片；
其中，所述基于词向量的推荐算法模型的训练方法进一步包括：
确定图片数据集，并根据所述图片数据集构建知识图谱；
按照所述知识图谱中的分类，对所述图片数据集中的图片分别构建对应的第一序列；
对所述图片数据集中的图片随机构建第二序列；
创建第一初始神经网络模型和第二初始神经网络模型；
利用包括所述第一序列的第一训练集训练所述第一初始神经网络模型，利用包括所述第二序列构成的第二训练集训练所述第二初始神经网络模型；
当损失函数达到预设目标时，训练得到的第一神经网络模型和第二神经网络模型即为所述基于词向量的推荐算法模型；
其中，所述第一神经网络模型和第二神经网络模型共享权重。
2.根据权利要求1所述的方法，其中，所述方法还包括：
若接收到冷启动消息，则输出标签页，所述标签页中包括多个图片标签；
接收用户点击所述图片标签的信息；
根据用户点击所述图片标签的信息，调用所述基于词向量的推荐算法模型，确定推荐图片；
输出所述推荐图片。
3.根据权利要求1所述的方法，其中，所述基于词向量的推荐算法模型的训练方法，还包括：根据用户的点击数据，构建第三序列；
利用包括所述第一序列的第一训练集训练所述第一初始神经网络模型，包括：利用包括所述第一序列和第三序列的第一训练集训练所述第一初始神经网络模型。
4.根据权利要求3所述的方法，其中，所述方法还包括：获取用户的点击指令，根据所述点击指令确定推荐图片；
根据用户的点击数据，构建第三序列，包括：收集根据所述点击指令确定的推荐图片的序列；根据所述推荐图片的序列，构建所述第三序列。
5.根据权利要求1所述的方法，其中，当损失函数达到预设目标时，训练得到的第一神经网络模型和第二神经网络模型即为所述基于词向量的推荐算法模型，包括：
当所述第一初始神经网络模型和第二初始神经网络模型的目标函数之差处于预设差值范围内时，训练得到的第一神经网络模型和第二神经网络模型即为所述基于词向量的推荐算法模型。
6.根据权利要求1所述的方法，其中，按照所述知识图谱中的分类，对所述图片数据集中的图片分别构建对应的第一序列，包括：
按照所述知识图谱中的某一分类随机排列该分类下的各实体；
对各实体中包括的图片随机地进行排序，进而完成所述图片数据集中每幅图片的排序；
对于排序完成的图片，按照预定个数为一组进行分组，得到多个所述第一序列；
对于所述知识图谱中的每个分类，均采用以上步骤进行处理，得到多个所述第一序列。
7.一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如下方法：
获取当前图片的图片信息；
根据所述当前图片的图片信息，调用基于词向量的推荐算法模型，确定推荐图片；其中，所述基于词向量的推荐算法模型用于生成所述当前图片的词向量并基于所述当前图片的词向量确定所述推荐图片；
输出所述推荐图片；
其中，所述至少一个处理器还能够执行如下方法：
确定图片数据集，并根据所述图片数据集构建知识图谱；
按照所述知识图谱中的分类，对所述图片数据集中的图片分别构建对应的第一序列；
对所述图片数据集中的图片随机构建第二序列；
创建第一初始神经网络模型和第二初始神经网络模型；
利用包括所述第一序列的第一训练集训练所述第一初始神经网络模型，利用包括所述第二序列构成的第二训练集训练所述第二初始神经网络模型；
当损失函数达到预设目标时，训练得到的第一神经网络模型和第二神经网络模型即为所述基于词向量的推荐算法模型；
其中，所述第一神经网络模型和第二神经网络模型共享权重。
8.根据权利要求7所述的电子设备，其中，所述至少一个处理器还能够执行如下方法：
若接收到冷启动消息，则输出标签页，所述标签页中包括多个图片标签；
接收用户点击所述图片标签的信息；根据用户点击所述图片标签的信息，调用所述基于词向量的推荐算法模型，确定推荐图片；
输出所述推荐图片。
9.根据权利要求7所述的电子设备，其中，所述至少一个处理器还能够执行如下方法：
根据用户的点击数据，构建第三序列；
利用包括所述第一序列和第三序列的第一训练集训练所述第一初始神经网络模型。
10.根据权利要求9所述的电子设备，其中，所述至少一个处理器还能够执行如下方法：
获取用户的点击指令，根据所述点击指令确定推荐图片；
收集根据所述点击指令确定的推荐图片的序列；
根据所述推荐图片的序列，构建所述第三序列。
11.根据权利要求7所述的电子设备，其中，所述至少一个处理器还能够执行如下方法：
当所述第一初始神经网络模型和第二初始神经网络模型的目标函数之差处于预设差值范围内时，训练得到的第一神经网络模型和第二神经网络模型即为所述基于词向量的推荐算法模型。
12.根据权利要求7所述的电子设备，其中，所述至少一个处理器还能够执行如下方法：
按照所述知识图谱中的某一分类随机排列该分类下的各实体；
对各实体中包括的图片随机地进行排序，进而完成所述图片数据集中每幅图片的排序；
对于排序完成的图片，按照预定个数为一组进行分组，得到多个所述第一序列；
对于所述知识图谱中的每个分类，均采用以上步骤进行处理，得到多个所述第一序列。
13.一种存储有计算机程序的计算机非瞬态可读存储介质，其中，所述计算机程序在由处理器执行时实现权利要求1-6中任一项所述的方法的步骤。
CN202010611569.7A 2020-06-29 2020-06-29 基于词向量的图片推荐方法及相关设备 Active CN111797257B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010611569.7A CN111797257B (zh) 2020-06-29 2020-06-29 基于词向量的图片推荐方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010611569.7A CN111797257B (zh) 2020-06-29 2020-06-29 基于词向量的图片推荐方法及相关设备

Publications (2)

Publication Number Publication Date
CN111797257A CN111797257A (zh) 2020-10-20
CN111797257B true CN111797257B (zh) 2024-02-23

Family

ID=72810754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010611569.7A Active CN111797257B (zh) 2020-06-29 2020-06-29 基于词向量的图片推荐方法及相关设备

Country Status (1)

Country Link
CN (1) CN111797257B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017088497A1 (zh) * 2015-11-25 2017-06-01 百度在线网络技术（北京）有限公司 一种实体推荐方法、装置、设备及计算机存储介质
CN107833082A (zh) * 2017-09-15 2018-03-23 广州唯品会研究院有限公司 一种商品图片的推荐方法和装置
CN109858528A (zh) * 2019-01-10 2019-06-07 平安科技（深圳）有限公司 推荐系统训练方法、装置、计算机设备及存储介质
CN111339338A (zh) * 2020-02-29 2020-06-26 西安理工大学 基于深度学习的文本图片匹配推荐方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017088497A1 (zh) * 2015-11-25 2017-06-01 百度在线网络技术（北京）有限公司 一种实体推荐方法、装置、设备及计算机存储介质
CN107833082A (zh) * 2017-09-15 2018-03-23 广州唯品会研究院有限公司 一种商品图片的推荐方法和装置
CN109858528A (zh) * 2019-01-10 2019-06-07 平安科技（深圳）有限公司 推荐系统训练方法、装置、计算机设备及存储介质
CN111339338A (zh) * 2020-02-29 2020-06-26 西安理工大学 基于深度学习的文本图片匹配推荐方法

Also Published As

Publication number Publication date
CN111797257A (zh) 2020-10-20

Similar Documents

Publication Publication Date Title
US10726208B2 (en) Consumer insights analysis using word embeddings
JP6745384B2 (ja) 情報をプッシュするための方法及び装置
US20180336193A1 (en) Artificial Intelligence Based Method and Apparatus for Generating Article
US10366171B1 (en) Optimizing machine translations for user engagement
US10685183B1 (en) Consumer insights analysis using word embeddings
US11182806B1 (en) Consumer insights analysis by identifying a similarity in public sentiments for a pair of entities
CN112313697A (zh) 用于生成描述角度增强的可解释的基于描述的推荐的系统和方法
US20180137589A1 (en) Contextual personalized list of recommended courses
US20150169710A1 (en) Method and apparatus for providing search results
US10558759B1 (en) Consumer insights analysis using word embeddings
JP6361351B2 (ja) 発話ワードをランク付けする方法、プログラム及び計算処理システム
US11120093B1 (en) System and method for providing a content item based on computer vision processing of images
US10509863B1 (en) Consumer insights analysis using word embeddings
US10803248B1 (en) Consumer insights analysis using word embeddings
CN107704560B (zh) 一种信息推荐的方法、装置及设备
CN114564666B (zh) 百科信息展示方法、装置、设备和介质
JP2019514120A (ja) ユーザ中心の文書要約のための技術
US9129216B1 (en) System, method and apparatus for computer aided association of relevant images with text
WO2020215977A1 (zh) 用于展示信息的系统、方法及装置
CN116821475B (zh) 基于客户数据的视频推荐方法、装置及计算机设备
US11062371B1 (en) Determine product relevance
US10685184B1 (en) Consumer insights analysis using entity and attribute word embeddings
US20180137587A1 (en) Contextual personalized list of recommended courses
US20180137588A1 (en) Contextual personalized list of recommended courses
US20180089284A1 (en) Ranking courses for a presentation

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