CN111859126A - 推荐项目确定方法、装置、设备及存储介质 - Google Patents
推荐项目确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111859126A CN111859126A CN202010658808.4A CN202010658808A CN111859126A CN 111859126 A CN111859126 A CN 111859126A CN 202010658808 A CN202010658808 A CN 202010658808A CN 111859126 A CN111859126 A CN 111859126A
- Authority
- CN
- China
- Prior art keywords
- item
- sequence
- items
- recall
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000006399 behavior Effects 0.000 claims description 23
- 238000001914 filtration Methods 0.000 claims description 11
- 230000001737 promoting effect Effects 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000007499 fusion processing Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 abstract description 11
- 238000009792 diffusion process Methods 0.000 description 12
- 230000008901 benefit Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 101100425816 Dictyostelium discoideum top2mt gene Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 101150082896 topA gene Proteins 0.000 description 2
- 101100537633 Dictyostelium discoideum top2 gene Proteins 0.000 description 1
- 241001669573 Galeorhinus galeus Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 101150026236 topB gene Proteins 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F16/95—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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了推荐项目确定方法、装置、设备及存储介质。其中，该方法包括：针对项目库中的每个项目集合，根据目标用户对应的目标用户特征数据和与当前项目集合对应的召回模型，确定对应的召回项目序列，其中，项目库中包含至少三个对应不同热度等级的项目集合，对召回项目序列中的项目进行评分排序，并确定第一候选项目序列，对第一候选项目序列中的对应第一预设热度等级的目标项目进行分数提升处理，得到第二候选项目序列，其中，第一预设热度等级包括最低热度等级，根据第二候选项目序列确定与目标用户对应的目标推荐项目序列。本发明实施例提供的技术方案，可合理准确地提升低热度项目的展现频率。
Description
技术领域
本发明实施例涉及计算机技术领域，尤其涉及推荐项目确定方法、装置、设备及存储介质。
背景技术
现代社会，随着信息技术的快速发展，移动互联网的普及，信息过载已越来越成为人们生活中的挑战。推荐系统的出现，通过学习用户的历史行为，预测用户对其他内容的喜好程度，一方面方便了用户快速获取自己喜好的内容，同时满足了平台选择合适的用户展现自己的物品或资源等(可统称为项目)，极大地缓解了用户与平台中间沟通的难题，促进了平台与用户的交互性。
长期来看，良好的推荐系统需要不断有新项目进来进行补充，从而淘汰掉历史的尾部项目，形成推荐系统的一个良性循环。但对于新项目来说，往往还没有用户行为或用户行为较少，推荐系统很难判断用户的偏好度，无法进行精准推荐，而盲目分发新项目，很可能伤害到用户，甚至造成用户流失。目前，上述问题可概括为推荐系统的冷启动问题或推荐系统中的探索与利用(Exploration and Exploitation，E&E或EE)问题，而现有的为解决冷启动问题所形成的推荐项目确定方案仍不够完善，需要改进。
发明内容
本发明实施例提供了推荐项目确定方法、装置、设备及存储介质，可以优化现有的推荐项目确定方案。
第一方面，本发明实施例提供了一种推荐项目确定方法，该方法包括：
针对项目库中的每个项目集合，根据目标用户对应的目标用户特征数据和与当前项目集合对应的召回模型，确定对应的召回项目序列，其中，所述项目库中包含至少三个对应不同热度等级的项目集合；
对所述召回项目序列中的项目进行评分排序，并确定第一候选项目序列；
对所述第一候选项目序列中的对应第一预设热度等级的目标项目进行分数提升处理，得到第二候选项目序列，其中，所述第一预设热度等级包括最低热度等级；
根据所述第二候选项目序列确定与所述目标用户对应的目标推荐项目序列。
第二方面，本发明实施例提供了一种推荐项目确定装置，该装置包括：
召回项目序列确定模块，用于针对项目库中的每个项目集合，根据目标用户对应的目标用户特征数据和与当前项目集合对应的召回模型，确定对应的召回项目序列，其中，所述项目库中包含至少三个对应不同热度等级的项目集合；
评分排序模块，用于对所述召回项目序列中的项目进行评分排序，并确定第一候选项目序列；
分数提升模块，用于对所述第一候选项目序列中的对应第一预设热度等级的目标项目进行分数提升处理，得到第二候选项目序列，其中，所述第一预设热度等级包括最低热度等级；
目标推荐项目确定模块，用于根据所述第二候选项目序列确定与所述目标用户对应的目标推荐项目序列。
第三方面，本发明实施例提供了一种计算机设备，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计算机程序时实现如本发明实施例提供的推荐项目确定方法。
第四方面，本发明实施例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实现如本发明实施例提供的推荐项目确定方法。
本发明实施例中提供的推荐项目确定方案，针对项目库中的每个项目集合，根据目标用户对应的目标用户特征数据和与当前项目集合对应的召回模型，确定对应的召回项目序列，其中，项目库中包含至少三个对应不同热度等级的项目集合，对召回项目序列中的项目进行评分排序，并确定第一候选项目序列，对第一候选项目序列中的对应第一预设热度等级的目标项目进行分数提升处理，得到第二候选项目序列，其中，第一预设热度等级包括最低热度等级，根据第二候选项目序列确定与目标用户对应的目标推荐项目序列。通过采用上述技术方案，针对至少三个对应不同热度等级的项目集合分别根据对应的召回模型确定召回项目序列，可以对项目所处的热度阶段进行更细致的划分，从而利用更加符合其所对应的热度阶段的召回模型来确定召回项目序列，使得召回项目序列更加有针对性以及更加准确，在对召回项目序列中的项目进行评分排序后，针对包含最低热度等级项目的目标项目进行分数提升处理，可有效提升低热度项目的展现频率，也即使冷项目得到更加合理的分发。
附图说明
图1为本发明实施例提供的一种推荐项目确定方法的流程示意图；
图2为本发明实施例提供的又一种推荐项目确定方法的流程示意图；
图3为本发明实施例提供的一种推荐视频确定方法的流程示意图；
图4为本发明实施例提供的一种召回模型配置示意图；
图5为本发明实施例提供的一种推荐项目确定装置的结构框图；
图6为本发明实施例提供的一种计算机设备的结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。此外，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
图1为本发明实施例提供的一种推荐项目确定方法的流程示意图，该方法可以由推荐项目确定装置执行，其中该装置可由软件和/或硬件实现，一般可集成在服务器等计算机设备中。如图1所示，该方法包括：
步骤101、针对项目库中的每个项目集合，根据目标用户对应的目标用户特征数据和与当前项目集合对应的召回模型，确定对应的召回项目序列，其中，所述项目库中包含至少三个对应不同热度等级的项目集合。
示例性的，本发明实施例中的项目可以包括在互联网(可体现为各种平台)上发布的物品(如在线商城中的商品或二手交易网站上的物品等等)或资源(如短视频平台中的短视频或推荐引擎中的新闻等等)，具体类型不做限定。一般的，用户可通过平台对应的客户端浏览平台推荐的项目，平台对应的后端服务器等可以根据用户的特点有针对性的进行项目推荐。推荐的时机可根据平台的实际情况进行设计，如用户打开平台时、用户刷新页面时、或用户切换页面时等等，又如还可以是定时推荐(如20秒推荐一次)等。
示例性的，目标用户可以理解为当前需要被推荐项目的用户。目标用户特征数据可以理解为能够体现目标用户自身特点的属性或行为等相关数据。用户特征数据例如可包括用户名称、用户性别、用户所在区域或用户职业等固有属性数据，还可包括用户等级、用户社交关系以及用户历史操作行为等其他相关数据。可选的，在本步骤之前，还可包括确定目标用户，并获取目标用户对应的目标用户特征数据。
示例性的，项目库可理解为平台中可用于推荐的项目构成的库，具体存在形式或存储位置等不做限定。热度等级可理解为项目对应的一种动态属性，随着时间的推移，一个项目对应的热度等级可以发生变化，对于一个新发布的项目来说，热度等级最低，经过一段时间后，用于评价热度等级的一些因素可能发生变化，该项目对应的热度等级就会发生变化。热度等级的评价标准可根据实际需求进行设定，例如，热度等级可基于项目发布时间、项目展现次数和/或频率、以及项目对应的用户行为数据量中的至少一个确定。举例而言，热度等级可从低至高依次分为起量阶段、扩散阶段、承接阶段和热门阶段，其中，承接阶段和热门阶段也可合并为一个阶段。根据热度等级的不同，项目库中的项目可归属于不同的项目集合，对于当前时刻的某个项目来说，所属的项目集合是一定的，但对于后续的某个时刻来说，该项目可能因对应的热度等级发生变化而转入其他项目集合。需要说明的是，这里为了便于说明，采用了集合的概念进行描述，但在实际的存储空间内各项目并不一定以集合的方式进行存储，一般会因当前所对应的热度等级不同而被输入至不同的召回模型，进而有机会进入相应的召回项目序列。
相关技术中，推荐系统一般只使用一种召回模型，导致在数据粒度和算法上都比较单一，无法提供更加精准以及个性化的推荐服务，尤其对于热度较低的冷项目来说，很容易被淹没在大量项目内，无法得到合理的扩散。本发明实施例中，设置了多个热度等级，对于不同的热度等级，分别设置了对应的召回模型，也即对于不同热度等级的项目来说，所采用的召回模型可以是不同的，因此，能够更加有针对性的设计召回模型，提升项目召回的针对性和准确度，也使得进入召回项目序列的项目更加合理。各项目集合分别对应的召回模型本发明实施例不做限定，可根据实际需求进行设置。
示例性的，可以将目标用户特征数据和当前项目集合对应的项目信息输入到对应的召回模型中，根据召回模型的输出结果确定对应的召回项目序列。其中，项目信息可包括各项目分别对应的属性或特征等相关数据。召回项目序列中的项目的数量可根据实际需求进行设置，不同召回项目序列对应的项目数量可以相同也可以不同。可选的，每个召回项目序列中包含的项目数量为对应的设定数量，存在至少两个不相等的设定数量，也即，可存在至少两个包含项目数量不等的召回项目序列，实现更有针对性地召回。可选的，若召回项目序列中包含的项目数量相同，也可在后续操作中按照预设的配置比例等分别进行截取，具体的截取步骤执行位置不做限定。
步骤102、对所述召回项目序列中的项目进行评分排序，并确定第一候选项目序列。
示例性的，可对多个召回项目序列中的所有不同热度等级的项目进行统一的评分，并按照评分结果由高至低进行排序，按照一定的数量要求截取排名在前(如topA，其中，top指排序在前的，A指排名序号，topA指排名序号1至A)的项目，得到第一候选项目序列。
步骤103、对所述第一候选项目序列中的对应第一预设热度等级的目标项目进行分数提升处理，得到第二候选项目序列，其中，所述第一预设热度等级包括最低热度等级。
示例性的，由于前述步骤中不同热度等级的项目混合在一起参与统一的评分排序，因此，对于热度等级较低的项目来说，一般得分会较低，排序位置也相对靠后，对包含最低热度等级在内的第一预设热度等级的项目对应的得分进行提升处理，可以提升其对用户展现概率或频率，使得新项目能够得到有效的扩散。在经过分数提升处理后，可重新按照分数进行排序，得到第二候选项目序列。
步骤104、根据所述第二候选项目序列确定与所述目标用户对应的目标推荐项目序列。
示例性的，可按照目标推荐项目序列对应的项目数量要求，从第二候选项目序列中截取出分数较高(如topB，其中，B小于A)的项目序列，得到与所述目标用户对应的目标推荐项目序列。
本发明实施例中提供的推荐项目确定方法，针对项目库中的每个项目集合，根据目标用户对应的目标用户特征数据和与当前项目集合对应的召回模型，确定对应的召回项目序列，其中，项目库中包含至少三个对应不同热度等级的项目集合，对召回项目序列中的项目进行评分排序，并确定第一候选项目序列，对第一候选项目序列中的对应第一预设热度等级的目标项目进行分数提升处理，得到第二候选项目序列，其中，第一预设热度等级包括最低热度等级，根据第二候选项目序列确定与目标用户对应的目标推荐项目序列。通过采用上述技术方案，针对至少三个对应不同热度等级的项目集合分别根据对应的召回模型确定召回项目序列，可以对项目所处的热度阶段进行更细致的划分，从而利用更加符合其所对应的热度阶段的召回模型来确定召回项目序列，使得召回项目序列更加有针对性以及更加准确，在对召回项目序列中的项目进行评分排序后，针对包含最低热度等级项目的目标项目进行分数提升处理，可有效提升低热度项目的展现频率，也即使冷项目得到更加合理的分发。
在一些实施例中，存在至少一个所对应的召回模型的数量为至少两个的项目集合，也即存在至少一个目标项目集合，所述目标项目集合所对应的召回模型的数量为至少两个；相应的，每个召回模型分别对应一个召回项目序列。这样设置的好处在于，对于同一个热度等级的项目来说，可以采用多样的召回模型(一个召回模型可理解为一个召回通道)进行召回，不同的召回模型可以有自己的特点，利用各自特有的优势来实现互相补充，共同起作用，有利于挖掘更多的优质内容，提高召回项目的多样性。可选的，所对应的召回模型的数量为至少两个的项目集合可包括对应最低热度等级的项目集合，最低热度等级的项目可以理解为处于推荐系统的起步阶段，一般用户交互数据较少，若采用单一的常规的召回模型，一般无法在人群中进行很好的扩散，采用多通道可以更好地展示冷启项目。
可选的，对应最低热度等级的项目集合所对应的召回模型中包含以下至少一个：基于社交关系的冷启动召回模型、基于地理位置的冷启动召回模型、基于用户兴趣的冷启动召回模型以及基于个性化的冷启动召回模型。其中，各召回模型的具体结构以及相关参数不做限定，可根据实际需求进行设置。下面对上述几种召回模型做示意性说明。
基于社交关系的冷启动召回模型，基本策略可以是将与目标用户存在预设社交关系(如好友关系，关注或被关注关系，或者同处于一个通信群组等)的项目发布者发布的新项目(对应最低热度等级)推荐给目标用户，对于这些项目发布者发布的新项目来说，可以采用第一预设策略进行排序，第一预设策略可基于与目标用户的亲密度以及目标用户是否正在关注对应的展位等因素来设定。示例性的，以短视频为例，可理解为通过社交关系或关注展位等进行起量，当目标用户在平台进行浏览时，平台可以根据目标用户的社交关系，按一定的配比，将其好友发布的新视频推荐给用户，当用户浏览关注展位时，平台也可以根据该关注展位视频对应的发布者与目标用户的亲密度向目标用户推荐项目。
基于地理位置的冷启动召回模型，基本策略可以是将所在地理位置与目标用户当前地理位置之间距离处于预设距离范围内的项目发布者发布的新项目(对应最低热度等级)推荐给目标用户。示例性的，以短视频为例，可理解为通过获取目标用户的地理位置，将其附近用户发布的新视频推荐给目标用户。
基于用户兴趣的冷启动召回模型，基本策略可以是基于目标用户的历史行为确定目标用户对不同项目发布者的兴趣程度，将兴趣程度高于预设兴趣阈值的项目发布者确定为感兴趣项目发布者，将与感兴趣项目发布者相似度满足预设相似度需求的项目发布者发布的新项目(对应最低热度等级)推荐给目标用户。示例性的，以短视频为例，构建拍客-用户兴趣打分矩阵，对打分矩阵进行分解，得到拍客间的相似程度，当目标用户再次来平台进行浏览时，根据其历史喜好的拍客，搜索最近邻未知拍客，将该拍客发布的新视频推荐给目标用户，实现视频冷启目的。
基于个性化的冷启动召回模型，基本策略可以是采用预设模型基于新项目(对应最低热度等级)的属性和其他用户的行为数据计算新项目的特征向量，用户访问平台时，用相同的预设模型计算目标用户的特征向量，再通过目标用户的特征向量和新项目的特征向量计算兴趣打分，根据得分向目标用户推荐新项目。示例性的，以短视频为例，将新视频的基本属性和少量的行为作为特征输入，经训练好的深度神经网络(Deep Neural Networks，DNN)模型计算新视频特征向量，目标用户访问平台时，用相同DNN模型计算目标用户特征向量，再计算目标用户特征向量和新视频特征向量的距离，进行兴趣打分，根据兴趣分向目标用户推荐topC的新视频进行冷启。
可选的，对应第二低热度等级的项目集合所对应的召回模型中包含以下至少一个：基于用户的协同过滤算法的召回模型和基于跟随动作的召回模型。对于第二低热度等级的项目，虽然积累的用户行为不是很多，但相比最低热度等级项目来说，用户行为相对多一些，可以采用其他的更多参考用户行为的召回模型进行召回。其中，各召回模型的具体结构以及相关参数不做限定，可根据实际需求进行设置。下面对上述两种召回模型做示意性说明。
基于用户的协同过滤算法的召回模型(User Collaboration Filter，UserCF)，基本思想是指众多的用户可以齐心协力，通过不断地和平台互动，使自己的推荐列表能够不断过滤掉自己不感兴趣的项目，从而越来越满足自己的需求。而基于用户可以是指通过分析用户对项目的行为(如浏览、收藏、点赞以及转发等)计算出哪些用户是兴趣相似的，然后把兴趣相似的用户所关注的项目进行相互推荐。基本策略可以是获取目标用户的特征向量，根据该特征向量计算与目标用户的相似度满足预设相似度要求的多个种子用户，以多个种子用户为种子，获取种子用户针对项目集合中产生的行为数据，根据行为数据对项目集合中的各项目进行打分排序，得到召回项目序列。示例性的，以短视频为例，通过DNN模型获取目标用户的特征向量，根据特征向量计算与其最相似的topD用户，将这些相似用户作为种子，搜索种子用户的点赞、关注、分享、下载以及完播等行为的冷门视频(第二低热度等级的项目)，根据不同行为进行加权打分，最终返回topE视频对用户进行推荐。
基于跟随动作的召回模型(follow action)，基本策略可以是获取目标用户的关注列表，将关注列表中用户发生正向行为的项目推荐给目标用户。示例性的，以短视频为例，获取用户的关注列表，将关注用户发生正向行为的视频加权打分后推荐给用户，其中，正向行为例如可包括点赞、关注、分享、下载以及完播等行为。
在一些实施例中，对于其他热度等级的项目集合来说，可以采用主流的召回模型。例如，可包括youtube DNN模型以及基于项目的协同过滤算法的召回模型(ItemCF)等等。
在一些实施例中，所述对所述召回项目序列中的项目进行评分排序，并确定第一候选项目序列，包括：利用预设排序打分模型对所述召回项目序列中的项目进行评分，得到对应的排序分；根据所述排序分对所述召回项目序列中的项目进行由高至低的排序，得到第一序列；获取所述第一序列中排序在前的预设数量的项目，并根据所获取的项目确定第一候选项目序列。其中，预设排序打分模型的具体数量和类型不做限定，例如可包括用于粗略排序的第一排序打分模型和用于精细排序的第二排序打分模型，排序打分模型例如可以是深度兴趣模型(Deep Interest Network，DIN)。
在一些实施例中，所述获取排序在前的预设数量的项目，得到第一候选项目序列，包括：获取排序在前的预设数量的项目，并根据所获取的项目确定第二序列；将处于所述第一序列中且未处于所述第二序列中的第二预设热度等级的项目，添加至所述第二序列之后，得到第一候选项目序列，其中，所述第二预设热度等级包括最低热度等级。这样设置的好处在于，在选取第二序列时，热度等级较低的项目可能因排序分较低并未入选，但若经过后续的分数提升处理后，可能有机会进入第二候选项目序列，因此，可提高热度较低的项目的展现概率。其中，被添加的项目的添加顺序可参照第一序列中的顺序确定，也即对于被添加到第二序列中的第一项目和第二项目来说，若在第一序列中第一项目相对第二项目更靠前，则在第一候选项目序列中，第一项目相对第二项目依然更靠前。
在一些实施例中，所述对所述第一候选项目序列中的对应第一预设热度等级的目标项目进行分数提升处理，得到第二候选项目序列，包括：针对所述第一候选项目序列中的对应第一预设热度等级的每个目标项目，基于当前目标项目的展现次数对所述当前目标项目对应的排序分进行提升处理，得到对应的新的排序分；重新根据排序分对所述第一候选项目序列中的项目进行排序，得到第二候选项目序列。这样设置的好处在于，可以基于目标项目的展现次数进行有针对性的分数提升处理。可选的，展现次数越小，对应的提升幅度越大。
在一些实施例中，所述基于当前目标项目的展现次数对所述当前目标项目对应的排序分进行提升处理，得到对应的新的排序分，包括：利用上置信界(Upper ConfidenceBound，UCB)算法基于当前目标项目的展现次数对所述当前目标项目对应的排序分进行提升处理，得到对应的新的排序分，其中，所述UCB算法对应的第一项中包含所述排序分，所述UCB算法对应的第二项中包含所述展现次数的倒数。这样设置的好处在于，UCB算法中包含排序部分和提权部分，但排序部分算法比较简单，精度不足，采用本发明中设计的排序结果替换UCB算法中的提权部分，而利用UCB算法中的提权部分对目标项目的排序分进行提升处理，实现对UCB算法的改进，可以得到更理想的最终排序结果。
在一些实施例中，所述重新根据排序分对所述第一候选项目序列中的项目进行排序，得到第二候选项目序列，包括：重新根据排序分对所述第一候选项目序列中的项目进行排序，得到第三序列；针对所述第三序列中包含的第三预设热度等级的目标项目进行首次展示位置调节和/或相邻展示位置间隔调节，得到第二候选项目序列，其中，所述第三预设热度等级包括最低热度等级。展示位置也可理解为在第二候选项目序列中的排序位置。这样设置的好处在于，在得到按照经过分数提升处理的新的排序分重新排序的第三序列后，可针对低热度等级的项目进行展示位置的进一步控制，防止冷项目首次展示位置过于靠前或冷项目展示位置过于密集，引起用户的不适，降低对用户的负面影响。
在一些实施例中，所述对所述召回项目序列中的项目进行评分排序，并确定第一候选项目序列，包括：对所述召回项目序列中的项目进行相同项目融合处理和/或违规项目过滤处理，得到待排序项目序列；对所述待排序项目序列中的项目进行评分排序，并确定第一候选项目序列。其中，相同项目融合处理可理解为去重处理，当一个项目集合对应多个召回模型时，同一个项目可能存在于两个以上的召回项目序列中，可进行去重处理。另外，可以在排序之前对项目进行审核处理，过滤掉非合规项目，保证平台的健康环境。可选的，对于召回项目序列中出现次数大于或等于2次的项目，也可进行标识，在计算排序分时，可考虑对带有标识的项目适当提升排序分。
在一些实施例中，在所述根据所述第二候选项目序列确定与所述目标用户对应的目标推荐项目序列之后，还包括：将所述目标推荐项目序列中的项目推荐给所述目标用户。其中，可按照预设推荐策略进行推荐，预设推荐策略可根据实际需求设置，例如可包括推荐时间点以及在界面中的推荐位置等。
图2为本发明实施例提供的又一种推荐项目确定方法的流程示意图，如图2所示，该方法可包括：
步骤201、获取目标用户对应的目标用户特征数据。
步骤202、针对项目库中的每个项目集合，根据目标用户特征数据和与当前项目集合对应的召回模型，确定对应的召回项目序列。
其中，项目库中包含至少三个对应不同热度等级的项目集合。热度等级基于项目发布时间、项目展现次数和/或频率、以及项目对应的用户行为数据量确定。存在至少一个所对应的召回模型的数量为至少两个的项目集合，每个召回模型分别对应一个召回项目序列，存在至少两个包含项目数量不等的召回项目序列。
步骤203、对召回项目序列中的项目进行相同项目融合处理和/或违规项目过滤处理，得到待排序项目序列。
步骤204、利用预设排序打分模型对待排序项目序列中的项目进行评分，得到对应的排序分。
示例性的，采用DIN模型来计算待排序项目序列中的每个项目对应的排序分。
步骤205、根据排序分对待排序项目序列中的项目进行由高至低的排序，得到第一序列。
步骤206、获取第一序列中排序在前的第一预设数量的项目，并根据所获取的项目确定第二序列。
步骤207、将处于第一序列中且未处于第二序列中的第二预设热度等级的项目，添加至第二序列之后，得到第一候选项目序列。
其中，所述第二预设热度等级包括最低热度等级。
步骤208、针对第一候选项目序列中的对应第一预设热度等级的每个目标项目，利用UCB算法基于当前目标项目的展现次数对当前目标项目对应的排序分进行提升处理，得到对应的新的排序分。
其中，所述第一预设热度等级包括最低热度等级。
示例性的，记新的排序分为score，原排序分为rank_score(也即步骤204中的排序分)，可基于如下变形后的UCB算法公式来计算score：
score＝rank_score+boost_score/Tbeta
其中，T表示项目的展现次数(也即当前目标项目的当前展现数)，boost_score为第一预设数值(可以是经验值或通过实验调出的固定值，一般取值范围为1到10)，beta为第二预设数值(可以是经验值或通过实验调出的固定值，一般取值范围为0到1)。
步骤209、重新根据排序分对第一候选项目序列中的项目进行排序，得到第三序列。
步骤210、针对第三序列中包含的第三预设热度等级的目标项目进行首次展示位置调节和/或相邻展示位置间隔调节，得到第二候选项目序列。
其中，所述第三预设热度等级包括最低热度等级。第一预设热度等级、第二预设热度等级和第三预设热度等级可以相同，也可不同。
步骤211、获取第二候选项目序列中排序在前的第二预设数量的项目，得到与目标用户对应的目标推荐项目序列。
步骤212、按照预设推荐策略将目标推荐项目序列中的项目推荐给目标用户。
本发明实施例中提供的推荐项目确定方法，针对至少三个对应不同热度等级的项目集合分别根据对应的召回模型确定召回项目序列，其中，某个或某些项目集合可以对应不同的召回模型，可以利用更加符合不同热度阶段的多样化的召回模型来确定多个召回项目序列，使得召回项目序列更加有针对性、更加准确以及更加丰富，对UCB算法进行改进，利用预设排序打分模型计算项目序列的排序分，并基于展现次数的倒数对热度等级较低的项目进行分数提升处理，并对低热度项目的展示位置进行有效控制，在有效提升低热度项目的展现频率的同时控制冷项目对用户产生的负面影响，从而更加合理的解决推荐系统中的E&E问题。
图3为本发明实施例提供的一种推荐视频确定方法的流程示意图，以短视频推荐场景为例进行说明，可基于视频发布时间、视频展现次数和/或频率、以及视频对应的用户行为数据量等将短视频对应的热度等级设定为起量阶段、扩散阶段、承接阶段和热门阶段。
示例性的，该方法可包括：
步骤301、获取目标用户对应的目标用户特征数据。
步骤302、针对视频库中的每个视频集合，根据目标用户特征数据和与当前视频集合对应的召回模型，确定对应的召回视频序列。
其中，视频库中包含四个对应不同热度等级的视频集合。每个召回模型可以视为一个召回通道。
对于起量阶段，所对应的召回模型中包括基于社交关系的冷启动召回模型、基于地理位置的冷启动召回模型、基于用户兴趣的冷启动召回模型以及基于个性化的冷启动召回模型。起量阶段的这几个召回通道各有独特的优势，在资源冷启时互相补充，共同起作用，视频资源在推荐系统的起步阶段，由于没有足够的用户交互数据，一般不能通过单一的、常规的渠道在人群中进行很好的扩散。通过多通道、多形式地向用户展现冷启资源，有利于挖掘更多的优质内容，促进系统生态良好发展。同时，多通道冷启的方式提高了资源的多样性。
对于扩散阶段，所对应的召回模型中包括基于用户的协同过滤算法的召回模型和基于跟随动作的召回模型。当新视频进行一定起量阶段，已经具有了一些行为后，可通过上述通道进行扩散。
对于承接阶段和热门阶段，视频已经达到一定分发量或已经火起来，可以采用主流召回通道进行建库召回。
图4为本发明实施例提供的一种召回模型配置示意图。如图4所示，起量阶段可以采用的召回模型包括基于社交关系(relationship)和跟随(follow)展位的冷启动召回模型、基于地理位置的冷启动召回模型(nearby)、基于用户兴趣的冷启动召回模型(PosterCP)以及基于个性化的冷启动召回模型(DNN_cold)；扩散阶段可以采用的召回模型包括基于用户的协同过滤算法的召回模型(UserCF)和基于跟随动作的召回模型(followaction)；承接阶段可以采用的召回模型包括DNN召回模型和基于DNN的冷启系统推荐召回模型(DNN EE)；热门阶段可以采用的召回模型包括基于热门视频组成的召回模型(hot，例如常见的热门排行榜)、基于项目的协同过滤算法的召回模型(ItemCF)和youtube DNN模型。当然，上述仅为举例说明，在实际应用时，可采用其他召回模型替换其中的任意一个召回模型，也可采用相比于图4中更少或更多的召回模型，各个召回模型所对应的热度等级也可自由设置，本发明实施例均不做限定。
可选的，每个召回模型，也即每个召回通道，分别输出一个召回视频序列，每个召回视频序列的大小(也即包含的视频数量)可以相等。在进行后续步骤之前，可以按照每个通道配置的比例进行截断处理，得到处理后的召回视频序列。这样设置的好处在于，当某个召回模型对应的召回视频序列大小需要发生变化时，不需要对召回模型进行改动，直接调整对应的比例，即可实现快速准确的调整序列大小，避免出错。当然，这种方式同样适用于视频以外的其他项目。
步骤303、对召回视频序列中的视频进行相同视频融合处理和违规视频过滤处理，得到待排序视频序列。
步骤304、利用预设排序打分模型对待排序视频序列中的视频进行评分，得到对应的排序分。
步骤305、根据排序分对待排序视频序列中的视频进行由高至低的排序，得到第一序列。
步骤306、获取第一序列中排序在前的第一预设数量的视频，并根据所获取的视频确定第二序列。
示例性的，可获取topN的视频，得到第二序列，N例如可以是1000。
步骤307、将处于第一序列中且未处于第二序列中的起量阶段和扩散阶段的视频，添加至第二序列之后，得到第一候选视频序列。
步骤308、针对第一候选视频序列中的对应起量阶段和扩散阶段的每个目标视频，利用UCB算法基于当前目标视频的展现次数对当前目标视频对应的排序分进行提升处理，得到对应的新的排序分。
示例性的，记新的排序分为score，排序分为rank_score，可基于如下变形后的UCB算法公式来计算score：
score＝rank_score+boost_score/VVbeta
其中，VV表示视频的展现次数(也即当前目标视频的当前展现数)，boost_score为第一预设数值(可以是经验值或通过实验调出的固定值，一般取值范围为1到10)，beta为第二预设数值(可以是经验值或通过实验调出的固定值，一般取值范围为0到1)。
步骤309、重新根据排序分对第一候选视频序列中的视频进行排序，得到第三序列。
步骤310、针对第三序列中包含的起量阶段和扩散阶段的目标视频进行首次展示位置调节和相邻展示位置间隔调节，得到第二候选视频序列。
其中，针对起量阶段和扩散阶段的目标视频的调整方式可以不同，例如，起量阶段的目标视频的首次展现位置与扩散阶段的目标视频相比可以更加靠后一些，起量阶段的目标视频的相邻展示位置间隔与扩散阶段的目标视频相比可以更加大一些等等。
步骤311、获取第二候选项目序列中排序在前的第二预设数量的项目，得到与目标用户对应的目标推荐视频序列。
示例性的，可获取topM的视频，得到目标推荐视频序列，M例如可以是20。
步骤312、按照预设推荐策略将目标推荐视频序列中的视频推荐给目标用户。
本发明实施例中提供的推荐视频确定方法，针对四不同热度等级的视频集合分别根据对应的召回模型确定召回视频序列，每个热度等级均设置有多个召回模型，也即设置了多路召回通道，这些通道相互补充，又分管不同职能，多阶段多通道的架构，可以满足视频不同冷启程度的需求，共同完成冷视频流转分发，可以快速感知用户反馈，筛选出优质视频，提高冷启效率，也即当用户在平台上发布新视频时，可以快速得到扩散分发，从而打造出的良好生态体系，对UCB算法进行改进，利用预设排序打分模型计算视频序列的排序分，并结合UCB boost提权的方式，基于展现次数的倒数对热度等级较低的视频进行分数提升处理，并控制冷视频的下发密度减轻对用户的负面影响，在满足一定个性化需求的前提下，有效提升低热度视频的展现频率的同时控制冷视频对用户产生的负面影响，从而更加合理的解决视频推荐系统中的E&E问题。
图5为本发明实施例提供的一种推荐项目确定装置的结构框图，该装置可由软件和/或硬件实现，一般可集成在计算机设备中，可通过执行推荐项目确定方法来确定待推荐的项目。如图5所示，该装置包括：
召回项目序列确定模块501，用于针对项目库中的每个项目集合，根据目标用户对应的目标用户特征数据和与当前项目集合对应的召回模型，确定对应的召回项目序列，其中，所述项目库中包含至少三个对应不同热度等级的项目集合；
评分排序模块502，用于对所述召回项目序列中的项目进行评分排序，并确定第一候选项目序列；
分数提升模块503，用于对所述第一候选项目序列中的对应第一预设热度等级的目标项目进行分数提升处理，得到第二候选项目序列，其中，所述第一预设热度等级包括最低热度等级；
目标推荐项目确定模块504，用于根据所述第二候选项目序列确定与所述目标用户对应的目标推荐项目序列。
本发明实施例提供的推荐项目确定装置，针对项目库中的每个项目集合，根据目标用户对应的目标用户特征数据和与当前项目集合对应的召回模型，确定对应的召回项目序列，其中，项目库中包含至少三个对应不同热度等级的项目集合，对召回项目序列中的项目进行评分排序，并确定第一候选项目序列，对第一候选项目序列中的对应第一预设热度等级的目标项目进行分数提升处理，得到第二候选项目序列，其中，第一预设热度等级包括最低热度等级，根据第二候选项目序列确定与目标用户对应的目标推荐项目序列。通过采用上述技术方案，针对至少三个对应不同热度等级的项目集合分别根据对应的召回模型确定召回项目序列，可以对项目所处的热度阶段进行更细致的划分，从而利用更加符合其所对应的热度阶段的召回模型来确定召回项目序列，使得召回项目序列更加有针对性以及更加准确，在对召回项目序列中的项目进行评分排序后，针对包含最低热度等级项目的目标项目进行分数提升处理，可有效提升低热度项目的展现频率，也即使冷项目得到更加合理的分发。
本发明实施例提供了一种计算机设备，该计算机设备中可集成本发明实施例提供的推荐项目确定装置。图6为本发明实施例提供的一种计算机设备的结构框图。计算机设备600包括存储器601、处理器602及存储在存储器601上并可在处理器602上运行的计算机程序，所述处理器602执行所述计算机程序时实现本发明实施例提供的推荐项目确定方法。
本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行本发明实施例提供的推荐项目确定方法。
上述实施例中提供的推荐项目确定装置、设备以及存储介质可执行本发明任意实施例所提供的推荐项目确定方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的推荐项目确定方法。
注意，上述仅为本发明的较佳实施例。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由权利要求范围决定。
Claims (14)
1.一种推荐项目确定方法，其特征在于，包括：
针对项目库中的每个项目集合，根据目标用户对应的目标用户特征数据和与当前项目集合对应的召回模型，确定对应的召回项目序列，其中，所述项目库中包含至少三个对应不同热度等级的项目集合；
对所述召回项目序列中的项目进行评分排序，并确定第一候选项目序列；
对所述第一候选项目序列中的对应第一预设热度等级的目标项目进行分数提升处理，得到第二候选项目序列，其中，所述第一预设热度等级包括最低热度等级；
根据所述第二候选项目序列确定与所述目标用户对应的目标推荐项目序列。
2.根据权利要求1所述的方法，其特征在于，所述热度等级基于项目发布时间、项目展现次数和/或频率、以及项目对应的用户行为数据量中的至少一个确定。
3.根据权利要求1所述的方法，其特征在于，存在至少一个目标项目集合，所述目标项目集合所对应的召回模型的数量为至少两个；
相应的，每个召回模型分别对应一个召回项目序列。
4.根据权利要求3所述的方法，其特征在于，对应最低热度等级的项目集合所对应的召回模型中包含以下至少一个：
基于社交关系的冷启动召回模型、基于地理位置的冷启动召回模型、基于用户兴趣的冷启动召回模型以及基于个性化的冷启动召回模型。
5.根据权利要求3所述的方法，其特征在于，对应第二低热度等级的项目集合所对应的召回模型中包含以下至少一个：
基于用户的协同过滤算法的召回模型和基于跟随动作的召回模型。
6.根据权利要求1所述的方法，其特征在于，所述对所述召回项目序列中的项目进行评分排序，并确定第一候选项目序列，包括：
利用预设排序打分模型对所述召回项目序列中的项目进行评分，得到对应的排序分；
根据所述排序分对所述召回项目序列中的项目进行由高至低的排序，得到第一序列；
获取所述第一序列中排序在前的预设数量的项目，并根据所获取的项目确定第一候选项目序列。
7.根据权利要求6所述的方法，其特征在于，所述获取排序在前的预设数量的项目，得到第一候选项目序列，包括：
获取排序在前的预设数量的项目，并根据所获取的项目确定第二序列；
将处于所述第一序列中且未处于所述第二序列中的第二预设热度等级的项目，添加至所述第二序列之后，得到第一候选项目序列，其中，所述第二预设热度等级包括最低热度等级。
8.根据权利要求6所述的方法，其特征在于，所述对所述第一候选项目序列中的对应第一预设热度等级的目标项目进行分数提升处理，得到第二候选项目序列，包括：
针对所述第一候选项目序列中的对应第一预设热度等级的每个目标项目，基于当前目标项目的展现次数对所述当前目标项目对应的排序分进行提升处理，得到对应的新的排序分；
重新根据排序分对所述第一候选项目序列中的项目进行排序，得到第二候选项目序列。
9.根据权利要求8所述的方法，其特征在于，所述基于当前目标项目的展现次数对所述当前目标项目对应的排序分进行提升处理，得到对应的新的排序分，包括：
利用上置信界UCB算法基于当前目标项目的展现次数对所述当前目标项目对应的排序分进行提升处理，得到对应的新的排序分，其中，所述UCB算法对应的第一项中包含所述排序分，所述UCB算法对应的第二项中包含所述展现次数的倒数。
10.根据权利要求8所述的方法，其特征在于，所述重新根据排序分对所述第一候选项目序列中的项目进行排序，得到第二候选项目序列，包括：
重新根据排序分对所述第一候选项目序列中的项目进行排序，得到第三序列；
针对所述第三序列中包含的第三预设热度等级的目标项目进行首次展示位置调节和/或相邻展示位置间隔调节，得到第二候选项目序列，其中，所述第三预设热度等级包括最低热度等级。
11.根据权利要求1所述的方法，其特征在于，所述对所述召回项目序列中的项目进行评分排序，并确定第一候选项目序列，包括：
对所述召回项目序列中的项目进行相同项目融合处理和/或违规项目过滤处理，得到待排序项目序列；
对所述待排序项目序列中的项目进行评分排序，并确定第一候选项目序列。
12.一种推荐项目确定装置，其特征在于，包括：
召回项目序列确定模块，用于针对项目库中的每个项目集合，根据目标用户对应的目标用户特征数据和与当前项目集合对应的召回模型，确定对应的召回项目序列，其中，所述项目库中包含至少三个对应不同热度等级的项目集合；
评分排序模块，用于对所述召回项目序列中的项目进行评分排序，并确定第一候选项目序列；
分数提升模块，用于对所述第一候选项目序列中的对应第一预设热度等级的目标项目进行分数提升处理，得到第二候选项目序列，其中，所述第一预设热度等级包括最低热度等级；
目标推荐项目确定模块，用于根据所述第二候选项目序列确定与所述目标用户对应的目标推荐项目序列。
13.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-11任一项所述的方法。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-11中任一所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010658808.4A CN111859126B (zh) | 2020-07-09 | 2020-07-09 | 推荐项目确定方法、装置、设备及存储介质 |
| PCT/CN2021/095567 WO2022007520A1 (zh) | 2020-07-09 | 2021-05-24 | 推荐项目确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010658808.4A CN111859126B (zh) | 2020-07-09 | 2020-07-09 | 推荐项目确定方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111859126A true CN111859126A (zh) | 2020-10-30 |
| CN111859126B CN111859126B (zh) | 2024-05-14 |
Family
ID=73152660
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010658808.4A Active CN111859126B (zh) | 2020-07-09 | 2020-07-09 | 推荐项目确定方法、装置、设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111859126B (zh) |
| WO (1) | WO2022007520A1 (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112231576A (zh) * | 2020-11-05 | 2021-01-15 | 中国联合网络通信集团有限公司 | 一种目标用户的确定方法及装置 |
| CN112328906A (zh) * | 2020-11-04 | 2021-02-05 | 中国平安人寿保险股份有限公司 | 内容项推荐方法、装置、设备及存储介质 |
| CN112650931A (zh) * | 2021-01-04 | 2021-04-13 | 杭州情咖网络技术有限公司 | 一种内容推荐方法 |
| CN112667895A (zh) * | 2020-12-28 | 2021-04-16 | 百果园技术(新加坡)有限公司 | 推荐项目队列确定方法、装置、设备及存储介质 |
| CN113010790A (zh) * | 2021-03-30 | 2021-06-22 | 广州酷狗计算机科技有限公司 | 内容推荐方法、装置、服务器及存储介质 |
| CN113221014A (zh) * | 2021-06-09 | 2021-08-06 | 中国银行股份有限公司 | 应用功能的个性化推荐方法及系统 |
| CN113343102A (zh) * | 2021-06-28 | 2021-09-03 | 平安信托有限责任公司 | 基于特征筛选的数据推荐方法、装置、电子设备及介质 |
| CN113553509A (zh) * | 2021-07-29 | 2021-10-26 | 北京达佳互联信息技术有限公司 | 一种内容推荐方法、装置、电子设备及存储介质 |
| CN113744016A (zh) * | 2020-11-04 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种对象推荐方法及装置、设备、存储介质 |
| WO2022007520A1 (zh) * | 2020-07-09 | 2022-01-13 | 百果园技术(新加坡)有限公司 | 推荐项目确定方法、装置、设备及存储介质 |
| CN114547434A (zh) * | 2021-12-30 | 2022-05-27 | 北京达佳互联信息技术有限公司 | 对象推荐方法、装置、电子设备及存储介质 |
| CN115474070A (zh) * | 2022-08-10 | 2022-12-13 | 武汉斗鱼鱼乐网络科技有限公司 | 一种展示新内容的方法、装置、介质及设备 |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114302242B (zh) * | 2022-01-25 | 2023-10-31 | 聚好看科技股份有限公司 | 一种媒资推荐方法、显示设备及服务器 |
| CN114564496B (zh) * | 2022-03-01 | 2023-09-19 | 北京有竹居网络技术有限公司 | 一种内容推荐方法及装置 |
| CN114785852B (zh) * | 2022-04-07 | 2024-04-09 | 北京达佳互联信息技术有限公司 | 一种推送内容确定方法、装置、电子设备及存储介质 |
| CN114676851B (zh) * | 2022-04-08 | 2024-03-29 | 中国科学技术大学 | 召回和排序模型的联合训练方法、设备和存储介质 |
| CN115033782B (zh) * | 2022-05-18 | 2023-03-28 | 百度在线网络技术（北京）有限公司 | 推荐对象的方法、机器学习模型的训练方法、装置和设备 |
| CN115150668B (zh) * | 2022-06-13 | 2024-07-02 | 咪咕文化科技有限公司 | 视频提示方法、装置、设备以及计算机存储介质 |
| CN115099323B (zh) * | 2022-06-17 | 2024-08-02 | 抖音视界(北京)有限公司 | 内容小组确定方法、装置、介质及电子设备 |
| CN115062184B (zh) * | 2022-06-29 | 2024-05-28 | 四川长虹电器股份有限公司 | 一种语音召回场景下的影片排序方法 |
| CN115563394B (zh) * | 2022-11-24 | 2023-03-28 | 腾讯科技（深圳）有限公司 | 搜索召回方法、召回模型训练方法、装置和计算机设备 |
| CN118175348A (zh) * | 2022-12-09 | 2024-06-11 | 北京字跳网络技术有限公司 | 视频模板的推送方法、装置、介质及设备 |
| CN115587261B (zh) * | 2022-12-09 | 2023-04-07 | 思创数码科技股份有限公司 | 政务资源目录推荐方法及系统 |
| CN117455579B (zh) * | 2023-12-25 | 2024-04-09 | 深圳市智岩科技有限公司 | 商品推荐干预方法、装置以及介质和设备 |
| CN118113685B (zh) * | 2024-04-22 | 2024-06-28 | 长春设备工艺研究所 | 一种基于大数据的模型数据库管理系统及方法 |
| CN118193850B (zh) * | 2024-04-26 | 2024-10-01 | 中国标准化研究院 | 一种基于知识图谱的舆情信息推荐方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160212494A1 (en) * | 2013-09-06 | 2016-07-21 | Beijing Qihoo Technology Company Limited | Video recommendation method and device |
| CN110019945A (zh) * | 2017-12-28 | 2019-07-16 | 飞狐信息技术（天津）有限公司 | 视频推荐方法及装置、存储介质及电子设备 |
| CN110659388A (zh) * | 2019-10-10 | 2020-01-07 | 北京奇艺世纪科技有限公司 | 一种待推荐信息筛选方法、装置、电子设备及存储介质 |
| CN111008278A (zh) * | 2019-11-22 | 2020-04-14 | 厦门美柚股份有限公司 | 内容推荐方法及装置 |
| CN111339416A (zh) * | 2020-02-25 | 2020-06-26 | 咪咕文化科技有限公司 | 热度召回方法、装置、电子设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111859126B (zh) * | 2020-07-09 | 2024-05-14 | 有半岛(北京)信息科技有限公司 | 推荐项目确定方法、装置、设备及存储介质 |
-
2020
- 2020-07-09 CN CN202010658808.4A patent/CN111859126B/zh active Active
-
2021
- 2021-05-24 WO PCT/CN2021/095567 patent/WO2022007520A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160212494A1 (en) * | 2013-09-06 | 2016-07-21 | Beijing Qihoo Technology Company Limited | Video recommendation method and device |
| CN110019945A (zh) * | 2017-12-28 | 2019-07-16 | 飞狐信息技术（天津）有限公司 | 视频推荐方法及装置、存储介质及电子设备 |
| CN110659388A (zh) * | 2019-10-10 | 2020-01-07 | 北京奇艺世纪科技有限公司 | 一种待推荐信息筛选方法、装置、电子设备及存储介质 |
| CN111008278A (zh) * | 2019-11-22 | 2020-04-14 | 厦门美柚股份有限公司 | 内容推荐方法及装置 |
| CN111339416A (zh) * | 2020-02-25 | 2020-06-26 | 咪咕文化科技有限公司 | 热度召回方法、装置、电子设备及存储介质 |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022007520A1 (zh) * | 2020-07-09 | 2022-01-13 | 百果园技术(新加坡)有限公司 | 推荐项目确定方法、装置、设备及存储介质 |
| CN112328906A (zh) * | 2020-11-04 | 2021-02-05 | 中国平安人寿保险股份有限公司 | 内容项推荐方法、装置、设备及存储介质 |
| CN112328906B (zh) * | 2020-11-04 | 2024-08-27 | 中国平安人寿保险股份有限公司 | 内容项推荐方法、装置、设备及存储介质 |
| CN113744016B (zh) * | 2020-11-04 | 2024-05-24 | 北京沃东天骏信息技术有限公司 | 一种对象推荐方法及装置、设备、存储介质 |
| CN113744016A (zh) * | 2020-11-04 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种对象推荐方法及装置、设备、存储介质 |
| WO2022095701A1 (zh) * | 2020-11-04 | 2022-05-12 | 北京沃东天骏信息技术有限公司 | 一种对象推荐方法及装置、设备、存储介质 |
| CN112231576A (zh) * | 2020-11-05 | 2021-01-15 | 中国联合网络通信集团有限公司 | 一种目标用户的确定方法及装置 |
| CN112231576B (zh) * | 2020-11-05 | 2023-06-06 | 中国联合网络通信集团有限公司 | 一种目标用户的确定方法及装置 |
| CN112667895A (zh) * | 2020-12-28 | 2021-04-16 | 百果园技术(新加坡)有限公司 | 推荐项目队列确定方法、装置、设备及存储介质 |
| CN112650931B (zh) * | 2021-01-04 | 2023-05-30 | 杭州情咖网络技术有限公司 | 一种内容推荐方法 |
| CN112650931A (zh) * | 2021-01-04 | 2021-04-13 | 杭州情咖网络技术有限公司 | 一种内容推荐方法 |
| CN113010790A (zh) * | 2021-03-30 | 2021-06-22 | 广州酷狗计算机科技有限公司 | 内容推荐方法、装置、服务器及存储介质 |
| CN113221014A (zh) * | 2021-06-09 | 2021-08-06 | 中国银行股份有限公司 | 应用功能的个性化推荐方法及系统 |
| CN113343102A (zh) * | 2021-06-28 | 2021-09-03 | 平安信托有限责任公司 | 基于特征筛选的数据推荐方法、装置、电子设备及介质 |
| CN113553509A (zh) * | 2021-07-29 | 2021-10-26 | 北京达佳互联信息技术有限公司 | 一种内容推荐方法、装置、电子设备及存储介质 |
| CN113553509B (zh) * | 2021-07-29 | 2024-03-01 | 北京达佳互联信息技术有限公司 | 一种内容推荐方法、装置、电子设备及存储介质 |
| CN114547434A (zh) * | 2021-12-30 | 2022-05-27 | 北京达佳互联信息技术有限公司 | 对象推荐方法、装置、电子设备及存储介质 |
| CN115474070A (zh) * | 2022-08-10 | 2022-12-13 | 武汉斗鱼鱼乐网络科技有限公司 | 一种展示新内容的方法、装置、介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022007520A1 (zh) | 2022-01-13 |
| CN111859126B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111859126A (zh) | 推荐项目确定方法、装置、设备及存储介质 | |
| US10853415B2 (en) | Systems and methods of classifying content items | |
| US20210382609A1 (en) | Method and device for displaying multimedia resource | |
| CN105960640B (zh) | 自适应音乐和视频推荐 | |
| CN105893609B (zh) | 一种基于加权混合的移动app推荐方法 | |
| US9369514B2 (en) | Systems and methods of selecting content items | |
| WO2017071251A1 (zh) | 信息推送方法和装置 | |
| US20150081797A1 (en) | System and Method for Continuous Social Communication | |
| US11379528B2 (en) | Tag-based, user-directed media recommendations | |
| WO2020238502A1 (zh) | 物品推荐方法及装置、电子设备及存储介质 | |
| Zhang et al. | Hotel recommendation based on user preference analysis | |
| US11048771B1 (en) | Method and system for providing organized content | |
| US20190278819A1 (en) | Systems and methods of providing recommendations of content items | |
| Hornung et al. | Evaluating hybrid music recommender systems | |
| CN107798012B (zh) | 阅读资源评论推送方法和系统 | |
| CN104572915B (zh) | 一种基于内容环境增强的用户事件相关度计算方法 | |
| Luo et al. | Towards communication efficient and fair federated personalized sequential recommendation | |
| WO2020023140A1 (en) | Personalized whole search page organization and relevance | |
| KR20170123660A (ko) | 임의의 텍스트 질의들에 대한 알고리즘 라디오 | |
| CN105659232A (zh) | 用于呈现媒体项目的着陆页 | |
| CN106682216B (zh) | 一种基于多源信息进行候选集排序的方法和设备 | |
| US20240152512A1 (en) | Machine learning for dynamic information retrieval in a cold start setting | |
| Pichl | Multi-Context-Aware Recommender Systems: A Study on Music Rfecommendation | |
| CN117994002A (zh) | 多路召回方法及设备 | |
| Suvarna et al. | Context Aware Service Information Extraction from Bigdata |
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 |