CN111859097B - 数据处理方法、装置、电子设备及存储介质 - Google Patents
数据处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111859097B CN111859097B CN201910364590.9A CN201910364590A CN111859097B CN 111859097 B CN111859097 B CN 111859097B CN 201910364590 A CN201910364590 A CN 201910364590A CN 111859097 B CN111859097 B CN 111859097B
- Authority
- CN
- China
- Prior art keywords
- behavior
- similarity
- feature
- user
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 19
- 230000006399 behavior Effects 0.000 claims description 400
- 239000011159 matrix material Substances 0.000 claims description 83
- 239000013598 vector Substances 0.000 claims description 30
- 230000000875 corresponding effect Effects 0.000 claims description 25
- 230000002596 correlated effect Effects 0.000 claims description 18
- 230000003542 behavioural effect Effects 0.000 claims description 16
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000004913 activation Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开是关于数据处理方法、装置、电子设备及存储介质。该方法包括：获取表示同一用户的多个行为特征，每个所述行为特征表示该用户针对对象发生的用户行为；确定所述多个行为特征的均值，作为行为特征均值；确定每个所述行为特征，与行为特征均值的相似度，作为第一相似度；确定每个所述行为特征所对应的对象的对象特征，与待推荐对象的对象特征的相似度，作为第二相似度；基于所述第一相似度和所述第二相似度，确定每个行为特征与所述待推荐对象的关联程度；从所述多个行为特征中，选取所述关联程度满足预设筛选条件的行为特征，作为目标行为特征；基于所述目标行为特征，确定所述待推荐对象的推荐度。可以有效降低计算推荐度所花费的计算资源。
Description
技术领域
本公开涉及深度学习算法技术领域，尤其涉及数据处理方法、装置、电子设备及存储介质。
背景技术
相关技术中，为准确向用户推荐用户感兴趣的对象(如文章、视频等)，可以基于授权获取到的用户行为，对用户的兴趣进行分析，以确定用户对各个对象的感兴趣程度，作为向用户推荐对象时的参考依据。其中，用户对对象的感兴趣程度，可以视为向用户推荐对象时的推荐度，推荐度可以用于判断是否向用户推荐对象，如果对象的推荐度较低，则可以不向用户推荐对象，如果对象的推荐度较高，则可以向用户推荐对象。
在对用户的兴趣进行分析的过程中，一个用户行为的贡献往往有限。为提高分析的准确性，可以通过大量的用户行为，对用户的兴趣进行分析。但是通过大量的用户行为，对用户的兴趣进行分析，可能需要花费较多的计算资源。
发明内容
为克服相关技术中存在的问题，本公开提供一数据处理方法、装置、电子设备及存储介质。
根据本公开实施例的第一方面，提供一种数据处理方法，包括：
获取表示同一用户的多个行为特征，每个所述行为特征表示该用户针对对象发生的用户行为；
确定所述多个行为特征的均值，作为行为特征均值；
确定每个所述行为特征，与行为特征均值的相似度，作为第一相似度；
确定每个所述行为特征所对应的对象的对象特征，与待推荐对象的对象特征的相似度，作为第二相似度，其中，所对应的对象为所述行为特征所表示的用户行为所针对的对象；
基于所述第一相似度和所述第二相似度，确定每个行为特征与所述待推荐对象的关联程度，所述关联程度与所述第一相似度正相关，并且与所述第二相似度正相关；
从所述多个行为特征中，选取所述关联程度满足预设筛选条件的行为特征，作为目标行为特征；
基于所述目标行为特征，确定所述待推荐对象的推荐度。
结合第一方面，在第一种可能的实现方式中，所述确定每个所述行为特征，与行为特征均值的相似度，作为第一相似度，包括：
将所述多个行为特征的特征向量，与所述多个行为特征所表示的用户行为的时间参数量化后相加，得到所述用户的行为特征矩阵，其中，所述时间参数用于表示用户行为的发生时间与当前时间的时间差；
将所述行为特征矩阵与自身进行矩阵叉乘，得到每个行为特征的第一相似度。
结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，所述确定所述每个所述行为特征，所表示的用户行为针对的对象的对象特征，与待推荐对象的对象特征的相似度，作为第二相似度，包括：
基于所述行为特征矩阵的维度，对待推荐对象的对象特征的对象特征向量的维度进行扩展，得到对象特征矩阵；
将所述行为特征矩阵，与所述对象特征矩阵进行矩阵点乘，得到第二相似度。
结合第一方面，在第三种可能的实现方式中，所述从所述多个行为特征中，选取所述关联程度满足预设筛选条件的用户行为，作为目标行为特征，包括：
从所述多个行为特征中，选取按照所述关联程度由高到低排序时位于前预设数目个的行为特征，作为目标行为特征；或者，
从所述多个行为特征中，选取所述关联程度高于预设关联程度阈值的行为特征，作为目标行为特征。
结合第一方面，在第四种可能的实现方式中，所述待推荐对象为向所述用户提供的服务内容信息，所述服务内容信息包括视频信息、书籍信息、广告信息、商品信息中的一个或多个。
结合第一方面，在第五种可能的实现方式中，所述基于所述目标行为特征，确定所述待推荐对象的推荐度，包括：
将所述目标行为特征与所述待推荐对象的对象特征，输入预先经过的训练的模型，得到所述模型的输出，作为所述待推荐对象的推荐度。
根据公开实施例的第二方面，提供了一种数据处理装置，包括：
行为获取模块，被配置为执行获取表示同一用户的多个行为特征，每个所述行为特征表示该用户针对对象发生的用户行为；
均值模块，被配置为执行确定所述多个行为特征的均值，作为行为特征均值；
第一相似度模块，被配置为执行确定每个所述行为特征，与行为特征均值的相似度，作为第一相似度；
第二相似度模块，被配置为执行确定每个所述行为特征所对应的对象的对象特征，与待推荐对象的对象特征的相似度，作为第二相似度，其中，所对应的对象为所述行为特征所表示的用户行为所针对的对象；
对象关联模块，被配置为执行基于所述第一相似度和所述第二相似度，确定每个行为特征与所述待推荐对象的关联程度，所述关联程度与所述第一相似度正相关，并且与所述第二相似度正相关；
行为筛选模块，被配置为执行从所述多个行为特征中，选取所述关联程度满足预设筛选条件的行为特征，作为目标行为特征；
对象推荐模块，被配置为执行基于所述目标行为特征，确定所述待推荐对象的推荐度。
结合第二方面，在第一可能的实现方式中，所述第一相似度模块，具体被配置为执行将所述多个行为特征的特征向量，与所述多个行为特征所表示的用户行为的时间参数量化后相加，得到所述用户的行为特征矩阵，其中，所述时间参数用于表示用户行为的发生时间与当前时间的时间差；
将所述行为特征矩阵与自身进行矩阵叉乘，得到每个行为特征的第一相似度。
结合第二方面的第一种可能的实现方式，在第二种可能的实现方式中，所述第二相似度模块，具体被配置为执行基于所述行为特征矩阵的维度，对待推荐对象的对象特征的对象特征向量的维度进行扩展，得到对象特征矩阵；
将所述行为特征矩阵，与所述对象特征矩阵进行矩阵点乘，得到第二相似度。
结合第二方面，在第三种可能的实现方式中，所述对象推荐模块，具体被配置为执行从所述多个行为特征中，选取按照所述关联程度由高到低排序时位于前预设数目个的行为特征，作为目标行为特征；或者，
从所述多个行为特征中，选取所述关联程度高于预设关联程度阈值的行为特征，作为目标行为特征。
结合第二方面，在第四种可能的实现方式中，所述待推荐对象为向所述用户提供的服务内容信息，所述服务内容信息包括视频信息、书籍信息、广告信息、商品信息中的一个或多个。
结合第二方面，在第五种可能的实现方式中，所述对象推荐模块，具体被配置执行将所述目标行为特征与所述待推荐对象的对象特征，输入预先经过的训练的模型，得到所述模型的输出，作为所述待推荐对象的推荐度。
根据本公开实施例的第三方面，提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
获取表示同一用户的多个行为特征，每个所述行为特征表示该用户针对对象发生的用户行为；
确定所述多个行为特征的均值，作为行为特征均值；
确定每个所述行为特征，与行为特征均值的相似度，作为第一相似度；
确定每个所述行为特征所对应的对象的对象特征，与待推荐对象的对象特征的相似度，作为第二相似度，其中，所对应的对象为所述行为特征所表示的用户行为所针对的对象；
基于所述第一相似度和所述第二相似度，确定每个行为特征与所述待推荐对象的关联程度，所述关联程度与所述第一相似度正相关，并且与所述第二相似度正相关；
从所述多个行为特征中，选取所述关联程度满足预设筛选条件的行为特征，作为目标行为特征；
基于所述目标行为特征，确定所述待推荐对象的推荐度。
结合第三方面，在第一种可能的实现方式中，所述处理器，具体被配置为：
将所述多个行为特征的特征向量，与所述多个行为特征所表示的用户行为的时间参数量化后相加，得到所述用户的行为特征矩阵，其中，所述时间参数用于表示用户行为的发生时间与当前时间的时间差；
将所述行为特征矩阵与自身进行矩阵叉乘，得到每个行为特征的第一相似度。
结合第三方面的第一种可能的实现方式，在第二种可能的实现方式中，所述处理器，具体被配置为：
基于所述行为特征矩阵的维度，对待推荐对象的对象特征的对象特征向量的维度进行扩展，得到对象特征矩阵；
将所述行为特征矩阵，与所述对象特征矩阵进行矩阵点乘，得到第二相似度。
结合第三方面，在第三种可能的实现方式中，所述处理器，具体被配置为：
从所述多个行为特征中，选取按照所述关联程度由高到低排序时位于前预设数目个的行为特征，作为目标行为特征；或者，
从所述多个行为特征中，选取所述关联程度高于预设关联程度阈值的行为特征，作为目标行为特征。
结合第三方面，在第四种可能的实现方式中，所述待推荐对象为向所述用户提供的服务内容信息，所述服务内容信息包括视频信息、书籍信息、广告信息、商品信息中的一个或多个。s
结合第三方面，在第五种可能的实现方式中，所述处理器，具体被配置为：
将所述目标行为特征与所述待推荐对象的对象特征，输入预先经过的训练的模型，得到所述模型的输出，作为所述待推荐对象的推荐度
根据本公开实施例的第四方面，提供了一种非临时性计算机可读存储介质，当所述存储介质中的指令由终端的处理器执行时，使得终端能够执行一种数据处理方法，所述方法包括：
获取表示同一用户的多个行为特征，每个所述行为特征表示该用户针对对象发生的用户行为；
确定所述多个行为特征的均值，作为行为特征均值；
确定每个所述行为特征，与行为特征均值的相似度，作为第一相似度；
确定每个所述行为特征所对应的对象的对象特征，与待推荐对象的对象特征的相似度，作为第二相似度，其中，所对应的对象为所述行为特征所表示的用户行为所针对的对象；
基于所述第一相似度和所述第二相似度，确定每个行为特征与所述待推荐对象的关联程度，所述关联程度与所述第一相似度正相关，并且与所述第二相似度正相关；
从所述多个行为特征中，选取所述关联程度满足预设筛选条件的行为特征，作为目标行为特征；
基于所述目标行为特征，确定所述待推荐对象的推荐度。
结合第四方面，在第一种可能的实现方式中，所述确定每个所述行为特征，与行为特征均值的相似度，作为第一相似度，包括：
将所述多个行为特征的特征向量，与所述多个行为特征所表示的用户行为的时间参数量化后相加，得到所述用户的行为特征矩阵，其中，所述时间参数用于表示用户行为的发生时间与当前时间的时间差；
将所述行为特征矩阵与自身进行矩阵叉乘，得到每个行为特征的第一相似度。
结合第四方面的第一种可能的实现方式，在第二种可能的实现方式中，所表示的用户行为针对的对象的对象特征，与待推荐对象的对象特征的相似度，作为第二相似度，包括：
基于所述行为特征矩阵的维度，对待推荐对象的对象特征的对象特征向量的维度进行扩展，得到对象特征矩阵；
将所述行为特征矩阵，与所述对象特征矩阵进行矩阵点乘，得到第二相似度。
结合第四方面，在第三种可能的实现方式中，所述从所述多个行为特征中，选取所述关联程度满足预设筛选条件的用户行为，作为目标行为特征，包括：
从所述多个行为特征中，选取按照所述关联程度由高到低排序时位于前预设数目个的行为特征，作为目标行为特征；或者，
从所述多个行为特征中，选取所述关联程度高于预设关联程度阈值的行为特征，作为目标行为特征。
结合第四方面，在第四种可能的实现方式中，所述待推荐对象为向所述用户提供的服务内容信息，所述服务内容信息包括视频信息、书籍信息、广告信息、商品信息中的一个或多个。
结合第四方面，在第五种可能的实现方式中，所述基于所述目标行为特征，确定所述待推荐对象的推荐度，包括：
将所述目标行为特征与所述待推荐对象的对象特征，输入预先经过的训练的模型，得到所述模型的输出，作为所述待推荐对象的推荐度。
根据本公开实施例的第五方面，提供一种计算机程序产品，当所述计算机程序产品由用户终端的处理器执行时，使得终端能够执行一种数据处理方法，所述方法包括：
获取表示同一用户的多个行为特征，每个所述行为特征表示该用户针对对象发生的用户行为；
确定所述多个行为特征的均值，作为行为特征均值；
确定每个所述行为特征，与行为特征均值的相似度，作为第一相似度；
确定每个所述行为特征所对应的对象的对象特征，与待推荐对象的对象特征的相似度，作为第二相似度，其中，所对应的对象为所述行为特征所表示的用户行为所针对的对象；
基于所述第一相似度和所述第二相似度，确定每个行为特征与所述待推荐对象的关联程度，所述关联程度与所述第一相似度正相关，并且与所述第二相似度正相关；
从所述多个行为特征中，选取所述关联程度满足预设筛选条件的行为特征，作为目标行为特征；
基于所述目标行为特征，确定所述待推荐对象的推荐度。
结合第五方面，在第一种可能的实现方式中，所述确定每个所述行为特征，与行为特征均值的相似度，作为第一相似度，包括：
将所述多个行为特征的特征向量，与所述多个行为特征所表示的用户行为的时间参数量化后相加，得到所述用户的行为特征矩阵，其中，所述时间参数用于表示用户行为的发生时间与当前时间的时间差；
将所述行为特征矩阵与自身进行矩阵叉乘，得到每个行为特征的第一相似度。
结合第五方面的第一种可能的实现方式，在第二种可能的实现方式中，所表示的用户行为针对的对象的对象特征，与待推荐对象的对象特征的相似度，作为第二相似度，包括：
基于所述行为特征矩阵的维度，对待推荐对象的对象特征的对象特征向量的维度进行扩展，得到对象特征矩阵；
将所述行为特征矩阵，与所述对象特征矩阵进行矩阵点乘，得到第二相似度。
结合第五方面的，在第三种可能的实现方式中，所述从所述多个行为特征中，选取所述关联程度满足预设筛选条件的用户行为，作为目标行为特征，包括：
从所述多个行为特征中，选取按照所述关联程度由高到低排序时位于前预设数目个的行为特征，作为目标行为特征；或者，
从所述多个行为特征中，选取所述关联程度高于预设关联程度阈值的行为特征，作为目标行为特征。
结合第五方面的，在第四种可能的实现方式中，所述待推荐对象为向所述用户提供的服务内容信息，所述服务内容信息包括视频信息、书籍信息、广告信息、商品信息中的一个或多个。
结合第五方面的，在第五种可能的实现方式中，所述基于所述目标行为特征，确定所述待推荐对象的推荐度，包括：
将所述目标行为特征与所述待推荐对象的对象特征，输入预先经过的训练的模型，得到所述模型的输出，作为所述待推荐对象的推荐度。
从所述多个用户行为中，选取所述关联程度最高的用户行为，作为目标用户行为。
本公开的实施例提供的技术方案可以包括以下有益效果：可以结合单次用户行为与整体用户行为的相似性(即第一相似度)，以及单次用户行为与待推荐对象的相似性(即第二相似度)，准确确定出每个行为特征所表示的用户行为与待推荐对象之间的关联程度。进而从多个行为特征中筛选出，所表示的用户行为与待推荐对象关联程度较高的的行为特征，作为目标行为特征，基于目标行为特征确定待推荐对象的推荐度，多个行为特征中的非目标行为特征可以视为与待推荐对象关联较弱的行为特征，这些行为特征对分析用户是否对待推荐对象感兴趣的贡献较低，因此即使不考虑这些行为特征，得到的推荐度也是相对准确的。因此本实施例，可以在不影响推荐度的准确性的前提下，有效降低计算推荐度所花费的计算资源。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种数据处理方法的流程图；
图2a是根据一示例性实施例示出的一种用于对象推荐的网络的模型结构示意图；
图2b是根据一示例性实施例示出的一种激活单元的结构示意图；
图3是根据一示例性实施例示出的一种用户行为聚合向量的构建方法的流程图；
图4是根据一示例性实施例示出的一种数据处理装置的结构图；图5是根据一示例性实施例示出的一种用于数据处理的电子设备的框图；
图6是根据一示例性实施例示出的另一种用于数据处理的电子设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种数据处理的流程图，如图1所示，该数据处理方法用于终端中，包括以下步骤。
在步骤S11中，获取表示同一用户的多个行为特征。
其中，每个行为特征表示授权获取到的该用户针对对象发生的用户行为，根据应用场景的不同，对象的指代可以不同，在一种实施例中，对象可以是向用户提供的服务内容信息，服务内容信息可以包括视频信息、书籍信息、广告信息、商品信息中的一个或多个。
示例性的，可以是授权获取一定时间段内，用户播放电影、评论电影、点赞电影等用户行为对应的行为特征。
在步骤S12中，确定多个行为特征的均值，作为行为特征均值。
均值的计算方式可以是直接将多个行为特征相加取平均，也可以是按照预设的权重将多个行为特征加权取平均。
在步骤S13中，确定每个所述行为特征，与行为特征均值的相似度，作为第一相似度。
可以理解的是，用户的用户行为可能是出于用户自身的兴趣，也有可能是并非出于用户自身的兴趣。示例性的，用户在视频网站点击并观看国产电影，可能出于该用户对于国产电影的兴趣，也有可能是用户随手点击该国产电影，而该用户实际对国产电影并不感兴趣。
而多个行为特征的均值，能够表示用户在历史上的多个用户行为的平均行为。可以认为用户大部分的用户行为出于用户自身的兴趣(例如，如果一个用户对国产电影感兴趣，则可以认为该用户观看国产电影的可能性，高于观看非国产电影的可能性)，因此当多个用户行为的数量足够多时，可以认为多个用户行为的平均行为能够反映出用户的兴趣。例如，假设用户对国产电影感兴趣，则用户的历史用户行为中可能存在较多的和国产电影相关的用户行为，因此该用户的用户行为的均值更倾向于表示用户对国产电影感兴趣。
因此一个行为特征与特征均值的相似度，可以视为该行为特征所表示的用户行为与用户感兴趣的行为的相似度。即，一个行为特征的第一相似度，可以视为用户对该行为特征所表示的用户行为的感兴趣程度，第一相似度越高，则可以认为用户对该行为特征所表示的用户行为的感兴趣程度越高，第一相似度越低，则可以认为用户对该行为特征所表示的用户行为的感兴趣程度越低。
在步骤S14中，确定每个所述行为特征所对应的对象的对象特征，与待推荐对象的对象特征的相似度，作为第二相似度。
其中，所对应的对象为行为特征所表示的用户行为所针对的对象。
在其他可选的实施例中，S14也可以是在S13之前执行，还可以是与S13并行执行或者交替执行，本实施例对此不做限制。一个行为特征对应的对象的对象特征为与待推荐对象的对象特征的相似度，可以用于表示该行为特征所表示的用户行为，与待推荐对象的相关性。示例性的，假设行为特征所表示的用户行为为观看导演A拍摄的、演员B主演的国产电影，对象1为导演A拍摄的、演员C为主演的国产电影，对象2为导演A拍摄的、演员B主演的国产电影，可以理解的是，该行为特征所表示的用户行为与对象2的相关性，高于该用户行为与对象1的相关性。因此一个行为特征对应的对象的对象特征为与待推荐对象的对象特征的相似度，可以用于表示该行为特征所表示的用户行为，与待推荐对象的相关性。
在步骤S15中，基于第一相似度和第二相似度，确定每个行为特征与所述待推荐对象的关联程度。
其中，关联程度可以用于表示该行为特征能够作为判断待推荐对象为用户感兴趣的对象的依据的可信度。关联程度与第一相似度正相关，并且与第二相似度正相关。即，在除第一相似度以外的，其他与关联程度相关的因素不变的情况下，一个行为特征的第一相似度越高，则该行为特征与待推荐对象的关联程度越高，一个行为特征的第一相似度越低，则该行为特征与待推荐对象的关联程度越低。并且在除第二相似度以外的，其他与关联程度相关的因素不变的情况下，一个行为特征的第二相似度越高，则该行为特征与待推荐对象的关联程度越高，一个行为特征的第二相似度越低，则该行为特征与待推荐对象的关联程度越低。
可以理解的是，第一相似度越高，则可以认为该行为特征所表示的用户行为，为用户出于自身兴趣进行的行为的可能性越高，第二相似度越高，则可以认为该用户行为与待推荐对象的相关性越高。因此，如果一个行为特征的第一相似度较高，并且第二相似度较高，可以认为该行为特征所表示的用户行为大概率为用户出于自身兴趣进行的，并且与待推荐对象具有较高相关性。而如果用户曾经出于自身兴趣进行了与待推荐对象高度相关的行为，则可以认为该用户大概率对待推荐对象感兴趣。因此，一个用户行为与待推荐对象的关联程度越高，则基于该用户行为，能够确定待推荐对象为用户感兴趣的对象的可信度越高。
在步骤S16中，从多个行为特征中，选取关联程度满足预设筛选条件的行为特征，作为目标行为特征。
其中，预设筛选条件根据应用场景的不同可以不同，示例性的，预设筛选条件可以为多个行为特征中关联程度最高的行为特征。也可以是在将多个行为特征按照关联程度由高到低的顺序进行排序的情况下，位于前预设数目个的行为特征。还可以是关联程度大于预设关联程度阈值的行为特征，本实施例对此不做限制。
在步骤S17中，基于目标行为特征，确定待推荐对象的推荐度。
可以将目标行为特征与待推荐对象的对象特征输入至预先经过训练的模型，得到该模型的输出，作为待推荐对象的推荐度。
选用该实施例，可以结合单次用户行为与整体用户行为的相似性(即第一相似度)，以及单次用户行为与待推荐对象的相似性(即第二相似度)，准确确定出每个行为特征所表示的用户行为与待推荐对象之间的关联程度。进而从多个行为特征中筛选出，所表示的用户行为与待推荐对象关联程度较高的的行为特征，作为目标行为特征，基于目标行为特征确定待推荐对象的推荐度，多个行为特征中的非目标行为特征可以视为与待推荐对象关联较弱的行为特征，这些行为特征对分析用户是否对待推荐对象感兴趣的贡献较低，因此即使不考虑这些行为特征，得到的推荐度也是相对准确的。因此本实施例，可以在不影响推荐度的准确性的前提下，有效降低计算推荐度所花费的计算资源。
可以理解的是，为更清楚的对本发明实施例提供的数据处理方法进行说明，可以参见图2，图2a是根据一示例性实施例示出的一种用于对象推荐的网络模型的结构示意图，其中，包括行为特征输入模块201、对象特征输入模块202、激活单元203、元素智能(element-wise)加法单元204，元素智能乘法单元205，连接(Concatenate)层206，深层神经网络207。
其中，特征输入模块201用于向该网络中输入授权获取的用户行为的行为特征，激活单元203用于执行本申请实施例提供的数据处理方法，以输确定所输入的各个行为特征所对应的用户行为与待推荐对象的关联程度。
深度神经网络207，用于将连接层207输出的用户行为聚合向量进行端对端映射，以确定是否向用户推荐待推荐对象(在其他可选的实施例中，根据实际需求，也可以是实现用户行为结合向量到待推荐对象的推荐程度的端对端映射)。深层神经网络的结构根据实际需求的不同可以不同，本实施例对此不做限制。
图2b是根据一示例性实施例示出的一种激活单元的结构示意图，其中包括元素智能减法单元208，用于对输入该单元的矩阵进行元素智能乘法，即将两个矩阵中位置相同的元素相减，以得到新的矩阵。全连接(FCs)层209，根据实际需求可以是多层全连接。关于激活单元所执行的计算步骤的物理含义可以参见图1所示的实施例中的相关描述，在此不再赘述。
为更清楚的对本申请实施例提供的数据处理方法进行说明，下面将结合具体的应用场景进行说明，为讨论方便假设用户的行为特征的特征向量为Ub，Time为时间参数，用于表示行为特征所对应的用户行为发生的时间距离当前时间的时间差，示例性的，假如当前时间为1月3号，行为特征所对应的用户行为发生在1月1号，则该行为特征的Time可以为2(天)，在其他可选的实施例中，也可以选用其他的量化规则，本实施例对此不做限制，对象特征的对象特征向量为I。
图3是根据一示例性实施例示出的另一种用户行为向量聚合向量的构建方法的流程图，该数据处理方法用于终端中，可以包括：
在步骤S31中，将Ub与Time相加，得到行为特征矩阵A。
在步骤S32中，将A与A进行矩阵乘法，得到第一相似度。
假设matmul表示矩阵乘法，则可以将第一相似度以matmul(A，A)的形式表示。可以理解的是，由于特征矩阵A中包含有各个行为特征的时间参数，因此在计算第一相似度时，可以考虑到不同时间发生的用户行为的行为特征对平均行为特征的贡献程度，，可以理解的是，Time越小的行为特征，对平均行为特征的贡献程度越高，Time越大的行为特征，对平均行为特征的贡献程度越低。
在步骤S33中，基于A的维度，对I的维度进行扩展，得到对象特征矩阵。
假设E表示维度扩展的运算符，则可以将对象特征矩阵以EI的形式表示。经过维度扩展得到的对象特征矩阵，维度与A的维度相同。
在步骤S34中，将A与EI进行矩阵点乘，得到第二相似度。
假设elementwisemultiply表示矩阵点乘，则可以将第二相似度以elementwisemultiply(A，EI)的形式表示。
在步骤S35中，对第一相似度和第二相似度进行矩阵乘法，得到乘积。
如前述假设，可以将乘积以matmul(elementwisemultiply(A，EI)，matmul(A，A))的形式表示。
在步骤S36中，将乘积按照矩阵的第二维进行加和合并，得到用户行为聚合向量B。
假设乘积为n*m的矩阵，则经过加和合并后变为1*m的向量，该向量中的每个元素为该n*m的矩阵中同一列的元素加和得到的。假设reduce_sum表示加和合并，则本实施例中用户行为聚合向量B的计算公式可以如下式所示：
B＝reduce_sum(matmul(elementwisemultiply(A，EI)，matmul(A，A)),asix＝1)。
选用该实施例，得到的用户行为聚合向量B中，充分考虑了用户行为反应用户实际兴趣的时效性，因此可以更准确的反映出用户实际的兴趣。
图4是根据一示例性实施例示出的一种数据处理装置的结构图，如图4所示，该装置可以包括：
行为获取模块401，被配置为执行获取表示同一用户的多个行为特征，每个所述行为特征表示该用户针对对象发生的用户行为；
均值模块402，被配置为执行确定所述多个行为特征的均值，作为行为特征均值；
第一相似度模块403，被配置为执行确定每个所述行为特征，与行为特征均值的相似度，作为第一相似度；
第二相似度模块404，被配置为执行确定每个所述行为特征所对应的对象的对象特征，与待推荐对象的对象特征的相似度，作为第二相似度，其中，所对应的对象为所述行为特征所表示的用户行为所针对的对象；
对象关联模块405，被配置为执行基于所述第一相似度和所述第二相似度，确定每个行为特征与所述待推荐对象的关联程度，所述关联程度与所述第一相似度正相关，并且与所述第二相似度正相关；
行为筛选模块406，被配置为执行从所述多个行为特征中，选取所述关联程度满足预设筛选条件的行为特征，作为目标行为特征；
对象推荐模块407，被配置为执行基于所述目标行为特征，确定所述待推荐对象的推荐度。
在一示例性实施例中，所述第一相似度模块403，具体被配置为执行将所述多个行为特征的特征向量，与所述多个行为特征所表示的用户行为的时间参数量化后相加，得到所述用户的行为特征矩阵，其中，所述时间参数用于表示用户行为的发生时间与当前时间的时间差；
将所述行为特征矩阵与自身进行矩阵叉乘，得到每个行为特征的第一相似度。
在一示例性实施例中，所述第二相似度模块404，具体被配置为执行基于所述行为特征矩阵的维度，对待推荐对象的对象特征的对象特征向量的维度进行扩展，得到对象特征矩阵；
将所述行为特征矩阵，与所述对象特征矩阵进行矩阵点乘，得到第二相似度。
在一示例性实施例中，所述对象推荐模块405，具体被配置为执行从所述多个行为特征中，选取按照所述关联程度由高到低排序时位于前预设数目个的行为特征，作为目标行为特征；或者，
从所述多个行为特征中，选取所述关联程度高于预设关联程度阈值的行为特征，作为目标行为特征。
在一示例性实施例中，所述待推荐对象为向所述用户提供的服务内容信息，所述服务内容信息包括视频信息、书籍信息、广告信息、商品信息中的一个或多个。
在一示例性实施例中，所述对象推荐模块407，具体被配置执行将所述目标行为特征与所述待推荐对象的对象特征，输入预先经过的训练的模型，得到所述模型的输出，作为所述待推荐对象的推荐度。
图5是根据一示例性实施例示出的一种用于时序平滑的电子设备500的框图。例如，电子设备500可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图5，电子设备500可以包括以下一个或多个组件：处理组件52，存储器504，电力组件406，多媒体组件508，音频组件510，输入/输出(I/O)的接口512，传感器组件514，以及通信组件516。
处理组件502通常控制电子设备500的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件502可以包括一个或多个处理器520来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件502可以包括一个或多个模块，便于处理组件502和其他组件之间的交互。例如，处理组件502可以包括多媒体模块，以方便多媒体组件508和处理组件502之间的交互。
存储器504被配置为存储各种类型的数据以支持在设备500的操作。这些数据的示例包括用于在电子设备500上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器504可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件506为电子设备500的各种组件提供电力。电源组件506可以包括电源管理系统，一个或多个电源，及其他与为电子设备500生成、管理和分配电力相关联的组件。
多媒体组件508包括在电子设备500和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件508包括一个前置摄像头和/或后置摄像头。当设备500处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件510被配置为输出和/或输入音频信号。例如，音频组件510包括一个麦克风(MIC)，当电子设备500处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器504或经由通信组件516发送。在一些实施例中，音频组件510还包括一个扬声器，用于输出音频信号。
I/O接口512为处理组件502和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件514包括一个或多个传感器，用于为电子设备500提供各个方面的状态评估。例如，传感器组件514可以检测到设备500的打开/关闭状态，组件的相对定位，例如组件为电子设备500的显示器和小键盘，传感器组件514还可以检测电子设备500或电子设备500一个组件的位置改变，用户与电子设备500接触的存在或不存在，电子设备500方位或加速/减速和电子设备500的温度变化。传感器组件514可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件514还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件514还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件516被配置为便于电子设备500和其他设备之间有线或无线方式的通信。电子设备500可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件516经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件516还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备500可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器504，上述指令可由电子设备500的处理器520执行以完成上述方法。例如，非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供了一种计算机程序产品，该计算机程序产品可以存储于计算机可读存储介质中，例如存储器504，该计算机程序产品可由500的处理器520执行以完成上述方法。
图6是根据一示例性实施例示出的一种用于数据处理的电子设备600的框图。例如，电子设备600可以被提供为一服务器。参照图6，电子设备600包括处理组件622，其进一步包括一个或多个处理器，以及由存储器632所代表的存储器资源，用于存储可由处理组件622的执行的指令，例如应用程序。存储器632中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件622被配置为执行指令，以执行上述方法。
电子设备600还可以包括一个电源组件626被配置为执行电子设备600的电源管理，一个有线或无线网络接口650被配置为将电子设备600连接到网络，和一个输入输出(I/O)接口658。电子设备600可以操作基于存储在存储器632的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种数据处理方法，其特征在于，所述方法包括：
获取表示同一用户的多个行为特征，每个所述行为特征表示该用户针对对象发生的用户行为；
确定所述多个行为特征的均值，作为行为特征均值；
确定每个所述行为特征，与行为特征均值的相似度，作为第一相似度；
确定每个所述行为特征所对应的对象的对象特征，与待推荐对象的对象特征的相似度，作为第二相似度，其中，所对应的对象为所述行为特征所表示的用户行为所针对的对象；
基于所述第一相似度和所述第二相似度，确定每个行为特征与所述待推荐对象的关联程度，所述关联程度与所述第一相似度正相关，并且与所述第二相似度正相关；
从所述多个行为特征中，选取所述关联程度满足预设筛选条件的行为特征，作为目标行为特征；
基于所述目标行为特征，确定所述待推荐对象的推荐度；
所述方法还包括：
将Ub与量化后的Time相加，得到行为特征矩阵A，其中，所述Ub为所述用户的所述行为特征的特征向量，所述Time为时间参数，其中，所述时间参数用于表示用户行为的发生时间与当前时间的时间差；
将A与A进行矩阵叉乘，得到第一相似度；
基于A的维度，对I的维度进行扩展，得到对象特征矩阵，其中，所述I为所述对象特征的对象特征向量；
将A与EI进行矩阵点乘，得到第二相似度，其中，所述EI为经过维度扩展得到的对象特征矩阵；
对第一相似度和第二相似度进行矩阵乘法，得到乘积；
将乘积按照矩阵的第二维进行加和合并，得到用户行为聚合向量B。
2.根据权利要求1所述的方法，其特征在于，所述从所述多个行为特征中，选取所述关联程度满足预设筛选条件的用户行为，作为目标行为特征，包括：
从所述多个行为特征中，选取按照所述关联程度由高到低排序时位于前预设数目个的行为特征，作为目标行为特征；或者，
从所述多个行为特征中，选取所述关联程度高于预设关联程度阈值的行为特征，作为目标行为特征。
3.根据权利要求1所述的方法，其特征在于，所述待推荐对象为向所述用户提供的服务内容信息，所述服务内容信息包括视频信息、书籍信息、广告信息、商品信息中的一个或多个。
4.根据权利要求1所述的方法，其特征在于，所述基于所述目标行为特征，确定所述待推荐对象的推荐度，包括：
将所述目标行为特征与所述待推荐对象的对象特征，输入预先经过的训练的模型，得到所述模型的输出，作为所述待推荐对象的推荐度。
5.一种数据处理装置，其特征在于，包括：
行为获取模块，被配置为执行获取表示同一用户的多个行为特征，每个所述行为特征表示该用户针对对象发生的用户行为；
均值模块，被配置为执行确定所述多个行为特征的均值，作为行为特征均值；
第一相似度模块，被配置为执行确定每个所述行为特征，与行为特征均值的相似度，作为第一相似度；
第二相似度模块，被配置为执行确定每个所述行为特征所对应的对象的对象特征，与待推荐对象的对象特征的相似度，作为第二相似度，其中，所对应的对象为所述行为特征所表示的用户行为所针对的对象；
对象关联模块，被配置为执行基于所述第一相似度和所述第二相似度，确定每个行为特征与所述待推荐对象的关联程度，所述关联程度与所述第一相似度正相关，并且与所述第二相似度正相关；
行为筛选模块，被配置为执行从所述多个行为特征中，选取所述关联程度满足预设筛选条件的行为特征，作为目标行为特征；
对象推荐模块，被配置为执行基于所述目标行为特征，确定所述待推荐对象的推荐度；
所述装置具体用于：
将Ub与量化后的Time相加，得到行为特征矩阵A，其中，所述Ub为所述用户的所述行为特征的特征向量，所述Time为时间参数，其中，所述时间参数用于表示用户行为的发生时间与当前时间的时间差；
将A与A进行矩阵叉乘，得到第一相似度；
基于A的维度，对I的维度进行扩展，得到对象特征矩阵，其中，所述I为所述对象特征的对象特征向量；
将A与EI进行矩阵点乘，得到第二相似度，其中，所述EI为经过维度扩展得到的对象特征矩阵；
对第一相似度和第二相似度进行矩阵乘法，得到乘积；
将乘积按照矩阵的第二维进行加和合并，得到用户行为聚合向量B。
6.根据权利要求5所述的装置，其特征在于，所述对象推荐模块，具体被配置为执行从所述多个行为特征中，选取按照所述关联程度由高到低排序时位于前预设数目个的行为特征，作为目标行为特征；或者，
从所述多个行为特征中，选取所述关联程度高于预设关联程度阈值的行为特征，作为目标行为特征。
7.根据权利要求5所述的装置，其特征在于，所述待推荐对象为向所述用户提供的服务内容信息，所述服务内容信息包括视频信息、书籍信息、广告信息、商品信息中的一个或多个。
8.根据权利要求5所述的装置，其特征在于，所述对象推荐模块，具体被配置执行将所述目标行为特征与所述待推荐对象的对象特征，输入预先经过的训练的模型，得到所述模型的输出，作为所述待推荐对象的推荐度。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行权利要求1~4任一项所述的数据处理方法步骤。
10.一种非临时性计算机可读存储介质，当所述存储介质中的指令由终端的处理器执行时，使得终端能够执行执行权利要求1~4任一项所述的数据处理方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910364590.9A CN111859097B (zh) | 2019-04-30 | 2019-04-30 | 数据处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910364590.9A CN111859097B (zh) | 2019-04-30 | 2019-04-30 | 数据处理方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111859097A CN111859097A (zh) | 2020-10-30 |
| CN111859097B true CN111859097B (zh) | 2024-01-05 |
Family
ID=72965118
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910364590.9A Active CN111859097B (zh) | 2019-04-30 | 2019-04-30 | 数据处理方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111859097B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113256331A (zh) * | 2020-11-24 | 2021-08-13 | 陈敏 | 基于大数据的广告推送数据处理方法及大数据平台 |
| CN112883257B (zh) * | 2021-01-11 | 2024-01-05 | 北京达佳互联信息技术有限公司 | 行为序列数据处理方法、装置、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20020060856A (ko) * | 2001-01-12 | 2002-07-19 | 주식회사 에쎄소프트 | 아이템간의 연관성을 이용한 비디오 추천 시스템 및 방법 |
| CN106485567A (zh) * | 2016-09-14 | 2017-03-08 | 北京小米移动软件有限公司 | 物品推荐方法及装置 |
| CN108647293A (zh) * | 2018-05-07 | 2018-10-12 | 广州虎牙信息科技有限公司 | 视频推荐方法、装置、存储介质和服务器 |
| CN109558535A (zh) * | 2018-11-05 | 2019-04-02 | 重庆中科云丛科技有限公司 | 基于人脸识别的个性化推送物品的方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130124298A1 (en) * | 2011-11-15 | 2013-05-16 | Huajing Li | Generating clusters of similar users for advertisement targeting |
| US10657574B2 (en) * | 2016-09-13 | 2020-05-19 | Adobe Inc. | Item recommendation techniques |
-
2019
- 2019-04-30 CN CN201910364590.9A patent/CN111859097B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20020060856A (ko) * | 2001-01-12 | 2002-07-19 | 주식회사 에쎄소프트 | 아이템간의 연관성을 이용한 비디오 추천 시스템 및 방법 |
| CN106485567A (zh) * | 2016-09-14 | 2017-03-08 | 北京小米移动软件有限公司 | 物品推荐方法及装置 |
| CN108647293A (zh) * | 2018-05-07 | 2018-10-12 | 广州虎牙信息科技有限公司 | 视频推荐方法、装置、存储介质和服务器 |
| CN109558535A (zh) * | 2018-11-05 | 2019-04-02 | 重庆中科云丛科技有限公司 | 基于人脸识别的个性化推送物品的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111859097A (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107105314B (zh) | 视频播放方法及装置 | |
| CN110598504B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
| CN107463643B (zh) | 弹幕数据的显示方法、装置及存储介质 | |
| CN109165738B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
| CN111859020A (zh) | 推荐方法、装置、电子设备及计算机可读存储介质 | |
| CN111160448B (zh) | 一种图像分类模型的训练方法及装置 | |
| US20220277204A1 (en) | Model training method and apparatus for information recommendation, electronic device and medium | |
| CN106599191B (zh) | 用户属性分析方法及装置 | |
| CN111859097B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN112148980A (zh) | 基于用户点击的物品推荐方法、装置、设备和存储介质 | |
| CN109447258B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
| CN107480773B (zh) | 训练卷积神经网络模型的方法、装置及存储介质 | |
| CN109214175B (zh) | 基于样本特征训练分类器的方法、装置及存储介质 | |
| CN113868467A (zh) | 信息处理方法、装置、电子设备及存储介质 | |
| CN112000266B (zh) | 页面展示方法、装置、电子设备及存储介质 | |
| CN112115321A (zh) | 内容推荐模型的训练方法及装置、电子设备和存储介质 | |
| CN111949808B (zh) | 一种多媒体内容相似度确定方法、装置、电子设备及存储介质 | |
| CN111179011A (zh) | 一种保险产品推荐方法及装置 | |
| CN113190725B (zh) | 对象的推荐及模型训练方法和装置、设备、介质和产品 | |
| CN113254707B (zh) | 模型确定、关联媒体资源确定方法和装置 | |
| CN112989172B (zh) | 内容推荐方法、装置、计算机设备及存储介质 | |
| CN114785852B (zh) | 一种推送内容确定方法、装置、电子设备及存储介质 | |
| CN112990240B (zh) | 一种确定车型的方法及相关装置 | |
| CN114722238B (zh) | 视频推荐方法、装置、电子设备、存储介质及程序产品 | |
| CN112711643B (zh) | 训练样本集获取方法及装置、电子设备、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 |