CN111859136B - 个性化推荐方法、装置、设备及可读存储介质 - Google Patents
个性化推荐方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN111859136B CN111859136B CN202010720709.4A CN202010720709A CN111859136B CN 111859136 B CN111859136 B CN 111859136B CN 202010720709 A CN202010720709 A CN 202010720709A CN 111859136 B CN111859136 B CN 111859136B
- Authority
- CN
- China
- Prior art keywords
- data
- recommendation
- recommended
- equipment
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000013598 vector Substances 0.000 claims description 139
- 239000011159 matrix material Substances 0.000 claims description 97
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 description 22
- 238000004364 calculation method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010801 machine learning 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
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种个性化推荐方法、装置、设备及可读存储介质,所述个性化推荐方法包括:获取待推荐设备对应的第一推荐数据和设备数据,并确定所述待推荐设备对应的账号关联设备,获取所述账号关联设备对应的第二推荐数据,并确定所述待推荐设备和所述账号关联设备之间的关联推荐模型,基于所述关联推荐模型,联合所述第一推荐数据、所述第二推荐数据和所述设备数据,生成与所述待推荐设备对应的目标用户相匹配的目标推荐数据,以对所述目标用户进行个性化推荐。本申请解决了个性化推荐准确性低的技术问题。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种个性化推荐方法、装置、设备及可读存储介质。
背景技术
随着金融科技,尤其是互联网科技金融的不断发展,越来越多的技术(如分布式、区块链Blockchain、人工智能等)应用在金融领域,但金融业也对技术提出了更高的要求,如对金融业对应待办事项的分发也有更高的要求。
随着计算机软件和人工智能的不断发展,机器学习模型在个性化推荐中应用广泛,目前,通常基于用户账号,对用户进行个性化推荐,也即,在基于用户账号,统一收集用户信息,进而基于神经网络模型对统一收集的用户信息的评分,生成用户对应的推荐列表,并基于推荐列表在用户账号对应的设备上进行个性化推荐。但是,由于用户账号通常为多设备共享账号,例如,视频VIP账号通常由多个家庭成员的手机共享,或者视频VIP账号由手机端和PC端共享等,进而基于用户账号收集的用户信息通常为多设备信息,而在进行个性化推荐时,通常对正在使用用户设备的单设备用户进行推荐,进而导致基于多设备信息确定的推荐列表与单设备用户的匹配度不高,进而导致个性化推荐的准确性较低。
发明内容
本申请的主要目的在于提供一种个性化推荐方法、装置、设备及可读存储介质,旨在解决现有技术中个性化推荐准确性低的技术问题。
为实现上述目的,本申请提供一种个性化推荐方法,所述个性化推荐方法应用于个性化推荐设备,所述个性化推荐方法包括:
获取待推荐设备对应的第一推荐数据和设备数据,并确定所述待推荐设备对应的账号关联设备;
获取所述账号关联设备对应的第二推荐数据,并确定所述待推荐设备和所述账号关联设备之间的关联推荐模型;
基于所述关联推荐模型,联合所述第一推荐数据、所述第二推荐数据和所述设备数据,生成与所述待推荐设备对应的目标用户相匹配的目标推荐数据,以对所述目标用户进行个性化推荐。
可选地,所述第一推荐数据包括第一数据矩阵,所述第二推荐数据至少包括一个第二数据矩阵,所述设备数据包括设备向量,
所述基于所述关联推荐模型,联合所述第一推荐数据和所述第二推荐数据,生成与所述待推荐设备对应的目标用户相匹配的目标推荐数据的步骤包括:
将所述第一数据矩阵、各所述第二数据矩阵和所述设备向量进行拼接,获得联合推荐矩阵;
将所述联合推荐矩阵输入针对于所述目标用户优化的所述关联推荐模型,对所述联合推荐矩阵对应的各待推荐物品进行评分,获得所述目标推荐数据。
可选地,所述待推荐物品包括第一待推荐物品和第二待推荐物品,
所述对所述联合推荐矩阵对应各待推荐物品进行评分,获得所述目标推荐数据的步骤包括:
分别生成所述设备向量对应的用户特征表示、所述第一数据矩阵对应的各第一物品特征表示和所述第二数据矩阵对应的各第二物品特征表示;
基于所述用户特征表示与各所述第一物品特征表示,计算各所述第一待推荐物品对应的第一评分;
基于所述用户特征表示与各所述第二物品特征表示,计算各所述第二待推荐物品对应的第二评分;
基于各所述第一评分和各所述第二评分,生成所述目标推荐数据。
可选地,所述目标推荐数据包括目标物品推荐列表,
所述基于各所述第一评分和各所述第二评分,生成所述目标推荐数据的步骤包括:
对各所述第一评分和各所述第二评分进行排序,获得排序列表;
基于所述评分排序列表,生成各所述第一待推荐物品和各所述第二待推荐物品共同对应的所述目标物品推荐列表。
可选地,所述待推荐物品包括第一待推荐物品和第二待推荐物品,所述第一数据矩阵至少包括一个第一数据向量,所述第二数据矩阵至少包括一个第二数据向量,
所述对所述联合推荐矩阵对应各待推荐物品进行评分,获得所述目标推荐数据的步骤包括:
分别计算所述设备向量和各所述第一数据向量之间的第一相似度,获得各所述第一待推荐物品对应的第三评分;
分别计算所述设备向量和各所述第二数据向量之间的第二相似度,获得各所述第二待推荐物品对应的第四评分;
基于各所述第三评分和各所述第四评分,生成所述目标推荐数据。
可选地,所述关联推荐模型包括所述待推荐设备对应的第一权重和所述账号关联设备对应的至少一个第二权重,
所述基于所述关联推荐模型,联合所述第一推荐数据、所述第二推荐数据和所述设备数据,生成与所述待推荐设备对应的目标用户相匹配的目标推荐数据的步骤包括:
基于所述第一权重,生成所述第一推荐数据对应的第一加权数据;
基于各所述第二权重,生成所述第二推荐数据对应的第二加权数据;
基于所述第一加权数据和所述第二加权数据,生成所述目标推荐数据。
可选地,所述获取待推荐设备对应的第一推荐数据的步骤包括:
获取所述待推荐设备对应的待推荐物品数据,并确定所述待推荐设备对应的评分模型;
将所述待推荐物品数据输入所述评分模型,对所述待推荐物品数据对应的待推荐物品进行评分,获得所述第一推荐数据。
本申请还提供一种个性化推荐装置,所述个性化推荐装置为虚拟装置,且所述个性化推荐装置应用于个性化推荐设备,所述个性化推荐装置包括:
第一确定模块,用于获取待推荐设备对应的第一推荐数据和设备数据,并确定所述待推荐设备对应的账号关联设备;
第二确定模块,用于获取所述账号关联设备对应的第二推荐数据,并确定所述待推荐设备和所述账号关联设备之间的关联推荐模型;
生成模块,用于基于所述关联推荐模型,联合所述第一推荐数据、所述第二推荐数据和所述设备数据,生成与所述待推荐设备对应的目标用户相匹配的目标推荐数据,以对所述目标用户进行个性化推荐。
可选地,所述生成模块包括:
拼接子模块,用于将所述第一数据矩阵、各所述第二数据矩阵和所述设备向量进行拼接,获得联合推荐矩阵;
第一评分子模块,用于将所述联合推荐矩阵输入针对于所述目标用户优化的所述关联推荐模型,对所述联合推荐矩阵对应的各待推荐物品进行评分,获得所述目标推荐数据。
可选地,所述评分子模块包括:
第一生成单元,用于分别生成所述设备向量对应的用户特征表示、所述第一数据矩阵对应的各第一物品特征表示和所述第二数据矩阵对应的各第二物品特征表示;
第一计算单元,用于基于所述用户特征表示与各所述第一物品特征表示,计算各所述第一待推荐物品对应的第一评分;
第二计算单元,用于基于所述用户特征表示与各所述第二物品特征表示,计算各所述第二待推荐物品对应的第二评分;
第二生成单元,用于基于各所述第一评分和各所述第二评分,生成所述目标推荐数据。
可选地,所述第二生成单元包括:
排序子单元,用于对各所述第一评分和各所述第二评分进行排序,获得排序列表;
生成子单元,用于基于所述评分排序列表,生成各所述第一待推荐物品和各所述第二待推荐物品共同对应的所述目标物品推荐列表。
可选地,所述评分子模块还包括:
第三计算单元,用于分别计算所述设备向量和各所述第一数据向量之间的第一相似度,获得各所述第一待推荐物品对应的第三评分;
第四计算单元,用于分别计算所述设备向量和各所述第二数据向量之间的第二相似度,获得各所述第二待推荐物品对应的第四评分;
第三生成单元,用于基于各所述第三评分和各所述第四评分,生成所述目标推荐数据。
可选地,所述生成模块还包括:
第一加权子模块,用于基于所述第一权重,生成所述第一推荐数据对应的第一加权数据;
第二加权子模块,用于基于各所述第二权重,生成所述第二推荐数据对应的第二加权数据;
生成子模块,用于基于所述第一加权数据和所述第二加权数据,生成所述目标推荐数据。
可选地,所述第一确定模块包括:
确定子模块,用于获取所述待推荐设备对应的待推荐物品数据,并确定所述待推荐设备对应的评分模型;
第二评分子模块,用于将所述待推荐物品数据输入所述评分模型,对所述待推荐物品数据对应的待推荐物品进行评分,获得所述第一推荐数据。
本申请还提供一种个性化推荐设备,所述个性化推荐设备为实体设备,所述个性化推荐设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述个性化推荐方法的程序,所述个性化推荐方法的程序被处理器执行时可实现如上述的个性化推荐方法的步骤。
本申请还提供一种可读存储介质,所述可读存储介质上存储有实现个性化推荐方法的程序,所述个性化推荐方法的程序被处理器执行时实现如上述的个性化推荐方法的步骤。
本申请提供了一种个性化推荐方法、装置、设备及可读存储介质,相比于现有技术采用的基于用户账号收集的用户信息,对用户进行个性化推荐的技术手段,本申请在目标用户对应的待推荐设备和各账号关联设备上分别获取第一推荐数据和第二条件数据,也即,在用户对应的用户设备上分别收集用户信息,并生成各用户设备对应的推荐数据,进而基于所述待推荐设备与各所述关联设备之间的关联推荐模型,生成所述第一推荐数据和各所述第二推荐数据共同对应的目标推荐数据,使得目标推荐数据与所述目标用户相匹配,进而提高了推荐数据与设备用户之间的匹配度,克服了现有技术中由于用户账号为多设备共享账号,而导致推荐列表与设备用户的匹配度不高,进而导致个性化推荐的准确性低的技术缺陷,进而提高了个性化推荐的准确性。
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,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请个性化推荐方法第一实施例的流程示意图;
图2为本申请个性化推荐方法第二实施例的流程示意图;
图3为本申请实施例方案涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本申请实施例提供一种个性化推荐方法,在本申请个性化推荐方法的第一实施例中,参照图1,所述个性化推荐方法包括:
步骤S10,获取待推荐设备对应的第一推荐数据和设备数据,并确定所述待推荐设备对应的账号关联设备;
在本实施例中,需要说明的是,所述账号关联设备为与所述待推荐设备共享用户账号的设备,所述待推荐设备为进行个性化推荐的目标设备,所述待推荐设备包括手机、电脑等,例如,假设目标用户A正在使用设备a,则需要向设备a发送推荐消息,以向目标用户A推荐物品,则设备a即为所述待推荐设备。
所述第一推荐数据为所述待推荐设备对应的推荐列表,所述设备数据为在所述待推荐设备上收集的用户特征数据,且所述设备数据可设备向量进行表示,例如,假设目标用户在待推荐设备上对物品x的点击率为80%,对物品y的点击率为50%,对物品z的点击率为30%,进而所述设备向量为(0.8,0.5,0.3)。
另外地,需要说明的是,所述推荐列表为基于用户对物品的评分进行排列的物品推荐列表,其中,用户对物品的评分可表示为用户对应物品的点击率,例如,用户对物品的购买概率或者用户对物品的浏览概率等。
获取待推荐设备对应的第一推荐数据和设备数据,并确定所述待推荐设备对应的账号关联设备,具体地,获取所述待推荐设备上收集的待推荐物品特征数据和设备数据,其中,所述待推荐物品特征数据为表示物品特征的物品特征向量,其中,物品特征包括物品类型、物品被用户的点击率等,例如,假设待推荐物品特征数据为向量(1,0.7),则1表示物品的物品类型为家电,0.7表示物品被用户A购买的概率为70%等,进而基于所述设备数据和所述待推荐物品特征数据,确定所述第一推荐数据,并基于所述待推荐设备对应的用户账号信息,确定所述待推荐设备对应的账号关联设备,其中,所述用户账号信息为用户登录待推荐设备上的应用的登录用户信息,例如,应用为视频APP,则用户账号信息作为视频APP的VIP用户登录信息等。
另外地,在一种可实施的方案中,所述待推荐物品特征数据包括各本地用户对所述待推荐物品特征数据对应的待推荐物品的本地点击率,所述第一推荐数据包括所述待推荐设备对待推荐物品的目标点击率。
所述基于所述设备数据和所述待推荐物品特征数据,确定所述第一推荐数据步骤包括:
获取所述待推荐物品特征数据对应的各本地设备数据,其中,所述本地设备数据为本地用户在与所述待推荐设备相同类型的设备上的用户特征数据,进而计算所述本地设备数据和所述设备数据之间的相似度,获得设备相似度,例如,相似度可通过计算所述本地设备数据和所述设备数据之间的向量距离进行确定,且向量距离越小,则相似度越高,进而基于所述设备相似度与所述本地点击率,确定所述待推荐设备对所述待推荐物品的目标点击率,例如,将所述设备相似度与所述本地点击率的乘积作为所述目标点击率,例如,假设设备A对待推荐物品a的本地点击率为80%,设备A与待推荐设备之间的设备相似度为80%,则待推荐设备对待推荐物品a的目标点击率为64%。
其中,所述确定所述待推荐设备对应的账号关联设备的步骤包括:
所述获取待推荐设备对应的第一推荐数据的步骤包括:
步骤S11,获取所述待推荐设备对应的待推荐物品特征数据,并确定所述待推荐设备对应的评分模型;
在本实施例中,需要说明的是,所述待推荐物品特征数据可用待推荐物品特征表示矩阵进行表示,其中,所述待推荐物品特征表示矩阵的每一行均对应一待推荐物品特征,所述待推荐物品特征表示矩阵的每一行均对应一待推荐物品,所述评分模型为训练好的神经网络模型,其中,所述评分模型对应的训练数据从所述待推荐设备或者与所述待推荐设备的设备类型相同的设备中进行收集。
步骤S12,将所述待推荐物品数据输入所述评分模型,对所述待推荐物品数据对应的待推荐物品进行评分,获得所述第一推荐数据。
在本实施例中,将所述待推荐物品数据输入所述评分模型,对所述待推荐物品数据对应的待推荐物品进行评分,获得所述第一推荐数据,具体地,将所述待推荐物品数据对应的待推荐物品特征表示矩阵输入所述评分模型,对所述待推荐物品特征表示矩阵进行数据处理,其中,所述数据处理包括卷积、池化和全连接等,获得所述待推荐物品特征表示矩阵对应的评分向量,其中,所述评分向量中的每一比特位上的数值均对应一所述待推荐物品对应的评分,进而基于所述评分向量中各所述待推荐物品对应的评分,对各所述待推荐物品进行排序,获得各所述待推荐物品对应的推荐列表,也即,获得所述第一推荐数据。
步骤S20,获取所述账号关联设备对应的第二推荐数据,并确定所述待推荐设备和所述账号关联设备之间的关联推荐模型;
在本实施例中,需要说明的是,所述账号关联设备至少包括一个关联设备,所述第二推荐数据至少包括一个所述关联设备对应的关联推荐数据,其中,所述关联推荐数据为所述关联设备对应的推荐列表,所述关联推荐模型为基于所述第一推荐数据和各所述关联推荐数据对所述待推荐设备进行全局个性化推荐的模型。
步骤S30,基于所述关联推荐模型,联合所述第一推荐数据、所述第二推荐数据和所述设备数据,生成与所述待推荐设备对应的目标用户相匹配的目标推荐数据,以对所述目标用户进行个性化推荐。
在本实施例中,基于所述关联推荐模型,联合所述第一推荐数据、所述第二推荐数据和所述设备数据,生成与所述待推荐设备对应的目标用户相匹配的目标推荐数据,以对所述目标用户进行个性化推荐,具体地,对所述第一推荐数据、各所述关联推荐数据和所述设备数据求并集,获得模型输入数据集,并将所述模型输入数据集输入所述关联推荐模型,对所述模型输入数据集进行数据处理,以对所述第一推荐数据中元素和所述第二推荐数据中的元素进行加权排序,也即,将所述第二推荐数据中的元素乘以所述设备数据包括的预设权重,获得加权第二推荐数据,并对所述第一推荐数据和所述第二推荐数据进行排序,进而生成与所述待推荐设备对应的目标用户相匹配的目标推荐数据,进而将所述目标推荐数据发送至所述目标用户,以对所述目标用户进行个性化推荐,例如,假设所述第一推荐数据包括数据A对应的点击率为90%,数据B对应的点击率为70%,第二推荐数据包括数据C对应的点击率为80%,所述预设权重为0.8,进而所述加权第二推荐数据包括加权数据C对应的点击率为64%,进而若要选取2个数据进行推荐,则选取数据A和数据B,而若待推荐设备对应的用户为父亲,账号关联设备的用户为母亲,若以原先的方式进行整体排序,则推荐数据包括数据A与数据C,而数据C对应的并不是父亲的高点击率物品,进而数据A与数据C与父亲的匹配程度不高,而数据A与数据B则为父亲的高点击率物品,也即为父亲点击率不小于70%的物品,进而提高了父亲与推荐数据的匹配程度,也即提高了目标用户与推荐列表之间的匹配程度。
其中,所述关联推荐模型包括所述待推荐设备对应的第一权重和所述账号关联设备对应的至少一个第二权重,
所述基于所述关联推荐模型,联合所述第一推荐数据、所述第二推荐数据和所述设备数据,生成与所述待推荐设备对应的目标用户相匹配的目标推荐数据的步骤包括:
步骤S31,基于所述第一权重,生成所述第一推荐数据对应的第一加权数据;
在本实施例中,需要说明的是,所述第一数据向量包括所述待推荐设备对所述第一数据向量对应的第一待推荐物品的第一点击率,所述第二数据向量包括所述关联设备对所述第二数据向量对应的第二待推荐物品的第二点击率。
基于所述第一权重,生成所述第一推荐数据对应的第一加权数据,具体地,确定各所述第一数据向量对应的第一点击率,并分别计算各所述第一点击率和所述第一权重的乘积,获得各所述第一点击率对应的第一加权点击率,也即,获得所述第一加权数据,其中,所述第一加权数据至少包括一个所述第一加权点击率。
步骤S32,基于各所述第二权重,生成所述第二推荐数据对应的第二加权数据;
基于各所述第二权重,生成所述第二推荐数据对应的第二加权数据,具体地,对于每一所述第二权重,均执行以下步骤:
确定所述第二权重对应的各所述第一数据向量对应的第二点击率,并分别计算各所述第二点击率和所述第二权重的乘积,获得各所述第二点击率对应的第二加权点击率,进而获得所述第二加权数据,其中,所述第二加权数据至少包括一所述第二权重对应的一第二加权点击率,其中,一所述第二权重至少对应一个所述第二加权点击率。
步骤S33,基于所述第一加权数据和所述第二加权数据,生成所述目标推荐数据。
在本实施例中,基于所述第一加权数据和所述第二加权数据,生成所述目标推荐数据,具体地,基于各所述第一加权点击率和各所述第二加权点击率,对各所述第一数据向量和各所述第二数据向量进行排序,获得排序列表,并在所述排序列表中选取预设数量的向量组成目标推荐列表,获得所述目标推荐数据,例如,假设所述排序列表中包括向量A对应的点击率为80%,向量B对应的点击率为70%,向量C对应的点击率为60%,进而排序列表为(A,B,C),则在选取点击率更高的向量A和向量B,生成目标推荐列表为(A,B)。
本实施例提供了一种个性化推荐方法,相比于现有技术采用的基于用户账号收集的用户信息,对用户进行个性化推荐的技术手段,本实施例在目标用户对应的待推荐设备和各账号关联设备上分别获取第一推荐数据和第二条件数据,也即,在用户对应的用户设备上分别收集用户信息,并生成各用户设备对应的推荐数据,进而基于所述待推荐设备与各所述关联设备之间的关联推荐模型,生成所述第一推荐数据和各所述第二推荐数据共同对应的目标推荐数据,使得目标推荐数据与所述目标用户相匹配,进而提高了推荐数据与设备用户之间的匹配度,克服了现有技术中由于用户账号为多设备共享账号,而导致推荐列表与设备用户的匹配度不高,进而导致个性化推荐的准确性低的技术缺陷,进而提高了个性化推荐的准确性。
进一步地,参照图2,基于本申请中第一实施例,在本申请的另一实施例中,其中,所述第一推荐数据包括第一数据矩阵,所述第二推荐数据至少包括一个第二数据矩阵,所述设备数据包括设备向量,
所述基于所述关联推荐模型,联合所述第一推荐数据和所述第二推荐数据,生成与所述待推荐设备对应的目标用户相匹配的目标推荐数据的步骤包括:
步骤A10,将所述第一数据矩阵、各所述第二数据矩阵和所述设备向量进行拼接,获得联合推荐矩阵;
在本实施例中,需要说明的是,所述第一数据矩阵为所述第一推荐数据对应的矩阵表示形式,所述第二数据矩阵为所述关联推荐数据的矩阵表示形式,所述设备向量为所述设备数据的向量表示形式,其中,所述第一数据矩阵至少包括一个第一数据向量,且所述第一数据向量为在所述待推荐设备处收集的待推荐物品的物品特征表示向量,所述第二数据矩阵至少包括一个第二数据向量,且所述第二数据向量为在所述关联设备处收集的待推荐物品的物品特征表示向量。
将所述第一数据矩阵、各所述第二数据矩阵和所述设备向量进行拼接,获得联合推荐矩阵,具体地,基于预设向量排列顺序,将所述第一数据矩阵、各所述第二数据矩阵和所述设备向量拼接为联合推荐矩阵,例如,假设所述第一数据矩阵为(V11,V12,…,V1N),其中,V11至V1N均为所述第一数据向量,所述第二数据矩阵M为(V21,V22,…,V2N),其中,V21至V2N均为M的所述第二数据向量,所述第二数据矩阵N为(V31,V32,…,V3N),其中,V31至V3N均为N的所述第二数据向量,所述设备向量为K1,进而所述联合推荐矩阵为(K1,V11,V12,…,V1N,V21,V22,…,V2N,V31,V32,…,V3N)。
步骤A20,将所述联合推荐矩阵输入针对于所述目标用户优化的所述关联推荐模型,对所述联合推荐矩阵对应的各待推荐物品进行评分,获得所述目标推荐数据。
在本实施例中,需要说明的是,所述关联推荐模型的训练数据包括训练联合推荐矩阵和训练评分标签,其中,所述训练评分标签为所述目标用户对各训练物品的真实评分向量,其中,所述训练物品为所述训练联合推荐矩阵中的训练物品向量对应的物品,且所述训练联合推荐矩阵至少包括一个训练物品向量和一个设备向量,进而将所述训练联合推荐矩阵输入待训练的所述关联推荐模型,对各所述训练物品进行评分,获得输出评分向量,进而计算所述输出评分向量和所述真实评分向量之间的训练距离,并将训练距离作为训练模型损失,进而基于所述训练模型损失,计算关于待训练的所述关联推荐模型的训练梯度信息,进而基于所述训练梯度信息,优化待训练的所述关联推荐模型,直至待训练的关联推荐模型满足预设训练结束条件,获得训练好的所述关联推荐模型,其中,所述预设训练结束条件包括模型损失收敛和达到最大迭代次数阀值等,进而所述关联推荐模型对物品的评分将趋近于所述目标用户对物品的真实评分,所述关联推荐模型对物品的评分总能与所述目标用户相匹配,进而基于所述关联推荐模型,对物品评分,可提高目标用户与通过评分获得的推荐数据之间的匹配程度。
将所述联合推荐矩阵输入针对于所述目标用户优化的所述关联推荐模型,对所述联合推荐矩阵对应的各待推荐物品进行评分,获得所述目标推荐数据,具体地,将所述联合推荐矩阵输入针对于所述目标用户优化的所述关联推荐模型,对所述联合推荐矩阵进行联合数据处理,其中,所述联合数据处理包括加权求和、卷积、池化或者全连接等,以对所述联合推荐矩阵对应的各待推荐物品进行评分,获得联合评分向量,其中,所述联合评分向量包括各所述待推荐物品对应的联合评分,进而基于所述联合评分,对各所述评分向量进行排序,获得排序结果,进而基于所述排序结果,对各所述数据向量和各所述第二数据向量进行排序,获得所述目标推荐数据。
其中,所述待推荐物品包括第一待推荐物品和第二待推荐物品,
所述对所述联合推荐矩阵对应各待推荐物品进行评分,获得所述目标推荐数据的步骤包括:
步骤A21,分别生成所述设备向量对应的用户特征表示、所述第一数据矩阵对应的各第一物品特征表示和所述第二数据矩阵对应的各第二物品特征表示;
在本实施例中,需要说明的是,所述设备向量为用户特征数据的稀疏向量表示,所述用户特征表示为所述设备向量对应的高阶表示,其中,所述用户特征表示为稠密向量,例如,假设所述设备向量为独热编码(0,1,0,0,0,1,0),用于表示待推荐设备的特征A和特征B,则所述设备向量对应的用户特征表示为(a,b),其中,特征值a用于表示特征A,特征值b用于表示特征b。
同样地,需要说明的是,所述第一数据矩阵至少包括一第一数据向量,所述第一数据向量为所述第一待推荐物品对应的第一物品特征数据的稀疏向量表示,所述第一物品特征表示为所述第一物品特征数据的高阶表示,所述第二数据矩阵至少包括一第二数据向量,所述第二数据向量为所述第二待推荐物品对应的第二物品特征数据的稀疏向量表示,所述第二物品特征表示为所述第二物品特征数据的高阶表示。
分别生成所述设备向量对应的用户特征表示、所述第一数据矩阵对应的各第一物品特征表示和所述第二数据矩阵对应的各第二物品特征表示,具体地,分别对所述设备向量、各第一数据向量和各第二数据向量进行高阶表示转化,以将所述设备向量、各第一数据向量和各第二数据向量分别映射至预设向量空间,获得所述设备向量对应的用户特征表示、各所述第一数据向量对应的第一物品特征表示和各所述第二数据向量对应的第二物品特征表示。
步骤A22,基于所述用户特征表示与各所述第一物品特征表示,计算各所述第一待推荐物品对应的第一评分;
在本实施例中,基于所述用户特征表示与各所述第一物品特征表示,计算各所述第一待推荐物品对应的第一评分,具体地,分别计算所述用户特征表示和各所述第一物品特征表示之间的第一乘积,并将各所述第一乘积作为分别对应的各所述第一待推荐物品的第一评分。
步骤A23,基于所述用户特征表示与各所述第二物品特征表示,计算各所述第二待推荐物品对应的第二评分;
在本实施例中,基于所述用户特征表示与各所述第二物品特征表示,计算各所述第二待推荐物品对应的第二评分,具体地,分别计算所述用户特征表示和各所述第二物品特征表示之间的第二乘积,并将各所述第二乘积作为分别对应的各所述第二待推荐物品的第二评分。
步骤A24,基于各所述第一评分和各所述第二评分,生成所述目标推荐数据。
在本实施例中,基于各所述第一评分和各所述第二评分,生成所述目标推荐数据,具体地,基于各所述第一评分和各所述第二评分,对各所述第一数据向量和各所述第二数据向量进行排序,获得所述目标推荐数据。
其中,所述目标推荐数据包括目标物品推荐列表,
所述基于各所述第一评分和各所述第二评分,生成所述目标推荐数据的步骤包括:
步骤A241,对各所述第一评分和各所述第二评分进行排序,获得评分排序列表;
在本实施例中,对各所述第一评分和各所述第二评分进行排序,获得评分排序列表,具体地,将各所述第一评分和各所述第二评分以从大至小的顺序进行排列,获得所述评分排序列表。
步骤A242,基于所述评分排序列表,生成各所述第一待推荐物品和各所述第二待推荐物品共同对应的所述目标物品推荐列表。
在本实施例中,基于所述评分排序列表,生成各所述第一待推荐物品和各所述第二待推荐物品共同对应的所述目标物品推荐列表,具体地,基于所述评分排序列表,在各所述第一数据向量和各所述第二数据向量中选取评分大小大于预设评分大小阀值的目标,并以各目标向量对应的评分对各所述目标向量进行排列,获得所述目标推荐列表。
其中,所述待推荐物品包括第一待推荐物品和第二待推荐物品,所述第一数据矩阵至少包括一个第一数据向量,所述第二数据矩阵至少包括一个第二数据向量,
所述对所述联合推荐矩阵对应各待推荐物品进行评分,获得所述目标推荐数据的步骤包括:
步骤B10,分别计算所述设备向量和各所述第一数据向量之间的第一相似度,获得各所述第一待推荐物品对应的第三评分;
在本实施例中,分别计算所述设备向量和各所述第一数据向量之间的第一相似度,获得各所述第一待推荐物品对应的第三评分,具体地,分别计算所述设备向量与各所述第一数据向量之间的第一夹角余弦值,并将各所述第一夹角余弦值作为对应的各所述第一数据向量对应的第一相似度,也即,获得各所述第一待推荐物品对应的第三评分,其中,一所述第一数据向量对应一所述第一待推荐物品,其中,所述夹角余弦值的计算方法如下所示:
其中,Cosθ为所述第一夹角余弦值,为所述设备向量,/>为所述第一数据向量。
步骤B20,分别计算所述设备向量和各所述第二数据向量之间的第二相似度,获得各所述第二待推荐物品对应的第四评分;
在本实施例中,分别计算所述设备向量和各所述第二数据向量之间的第二相似度,获得各所述第二待推荐物品对应的第四评分,具体地,分别计算所述设备向量与各所述第二数据向量之间的第二夹角余弦值,并将各所述第二夹角余弦值作为对应的各所述第二数据向量对应的第二相似度,也即,获得各所述第二待推荐物品对应的第四评分,其中,一所述第二数据向量对应一所述第二待推荐物品。
步骤B30,基于各所述第三评分和各所述第四评分,生成所述目标推荐数据。
在本实施例中,基于各所述第三评分和各所述第四评分,生成所述目标推荐数据,具体地,对各所述第三评分和各所述第四评分进行排序,获得第二评分排序列表,进而基于所述第二排序列表,在各所述第一数据向量和各所述第二数据向量中选取评分大小大于预设第二评分大小阀值的第二目标向量,进而基于各所述第二目标向量对应的评分大小,对各所述第二目标向量进行排序,获得所述目标推荐数据。
本实施例提供了一种基于神经网络模型生成与所述目标用户相匹配的目标推荐数据的方法,与现有技术采用的基于用户账号,对用户进行个性化推荐的技术手段相比,本申请首先获取所述联合推荐矩阵,进而将所述联合推荐矩阵输入针对于所述目标用户优化的关联推荐模型,对各所述待推荐物品进行评分,使得通过评分获得的推荐列表更趋近于所述目标用户对各待推荐物品的真实评分,获得所述目标推荐数据,进而提高了目标推荐数据和所述目标用户之间的匹配程度,克服了现有技术中由于用户账号为多设备共享账号,而导致推荐列表与设备用户的匹配度不高,进而导致个性化推荐的准确性低的技术缺陷,进而提高了个性化推荐的准确性。
参照图3,图3是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
如图3所示,该个性化推荐设备可以包括:处理器1001,例如CPU,存储器1005,通信总线1002。其中,通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地,该个性化推荐设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard),可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解,图3中示出的个性化推荐设备结构并不构成对个性化推荐设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图3所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块以及个性化推荐方法程序。操作系统是管理和控制个性化推荐设备硬件和软件资源的程序,支持个性化推荐方法程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信,以及与个性化推荐方法系统中其它硬件和软件之间通信。
在图3所示的个性化推荐设备中,处理器1001用于执行存储器1005中存储的个性化推荐方法程序,实现上述任一项所述的个性化推荐方法的步骤。
本申请个性化推荐设备具体实施方式与上述个性化推荐方法各实施例基本相同,在此不再赘述。
本申请实施例还提供一种个性化推荐装置,所述个性化推荐装置应用于个性化推荐设备,所述个性化推荐装置包括:
第一确定模块,用于获取待推荐设备对应的第一推荐数据和设备数据,并确定所述待推荐设备对应的账号关联设备;
第二确定模块,用于获取所述账号关联设备对应的第二推荐数据,并确定所述待推荐设备和所述账号关联设备之间的关联推荐模型;
生成模块,用于基于所述关联推荐模型,联合所述第一推荐数据、所述第二推荐数据和所述设备数据,生成与所述待推荐设备对应的目标用户相匹配的目标推荐数据,以对所述目标用户进行个性化推荐。
可选地,所述生成模块包括:
拼接子模块,用于将所述第一数据矩阵、各所述第二数据矩阵和所述设备向量进行拼接,获得联合推荐矩阵;
第一评分子模块,用于将所述联合推荐矩阵输入针对于所述目标用户优化的所述关联推荐模型,对所述联合推荐矩阵对应的各待推荐物品进行评分,获得所述目标推荐数据。
可选地,所述评分子模块包括:
第一生成单元,用于分别生成所述设备向量对应的用户特征表示、所述第一数据矩阵对应的各第一物品特征表示和所述第二数据矩阵对应的各第二物品特征表示;
第一计算单元,用于基于所述用户特征表示与各所述第一物品特征表示,计算各所述第一待推荐物品对应的第一评分;
第二计算单元,用于基于所述用户特征表示与各所述第二物品特征表示,计算各所述第二待推荐物品对应的第二评分;
第二生成单元,用于基于各所述第一评分和各所述第二评分,生成所述目标推荐数据。
可选地,所述第二生成单元包括:
排序子单元,用于对各所述第一评分和各所述第二评分进行排序,获得排序列表;
生成子单元,用于基于所述评分排序列表,生成各所述第一待推荐物品和各所述第二待推荐物品共同对应的所述目标物品推荐列表。
可选地,所述评分子模块还包括:
第三计算单元,用于分别计算所述设备向量和各所述第一数据向量之间的第一相似度,获得各所述第一待推荐物品对应的第三评分;
第四计算单元,用于分别计算所述设备向量和各所述第二数据向量之间的第二相似度,获得各所述第二待推荐物品对应的第四评分;
第三生成单元,用于基于各所述第三评分和各所述第四评分,生成所述目标推荐数据。
可选地,所述生成模块还包括:
第一加权子模块,用于基于所述第一权重,生成所述第一推荐数据对应的第一加权数据;
第二加权子模块,用于基于各所述第二权重,生成所述第二推荐数据对应的第二加权数据;
生成子模块,用于基于所述第一加权数据和所述第二加权数据,生成所述目标推荐数据。
可选地,所述第一确定模块包括:
确定子模块,用于获取所述待推荐设备对应的待推荐物品数据,并确定所述待推荐设备对应的评分模型;
第二评分子模块,用于将所述待推荐物品数据输入所述评分模型,对所述待推荐物品数据对应的待推荐物品进行评分,获得所述第一推荐数据。
本申请个性化推荐装置的具体实施方式与上述个性化推荐方法各实施例基本相同,在此不再赘述。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利处理范围内。
Claims (8)
1.一种个性化推荐方法,其特征在于,所述个性化推荐方法包括:
获取待推荐设备对应的第一推荐数据和设备数据,并确定所述待推荐设备对应的账号关联设备,其中,所述账号关联设备为与所述待推荐设备共享用户账号的设备,所述第一推荐数据为所述待推荐设备对应的推荐列表,所述推荐列表为基于用户对物品的评分进行排列的物品推荐列表,所述设备数据为在所述待推荐设备上收集的用户特征数据;
获取所述账号关联设备对应的第二推荐数据,并确定所述待推荐设备和所述账号关联设备之间的关联推荐模型,其中,所述第二推荐数据至少包括一个所述关联设备对应的关联推荐数据,所述关联推荐数据为所述关联设备对应的推荐列表;
基于所述关联推荐模型,联合所述第一推荐数据、所述第二推荐数据和所述设备数据,生成与所述待推荐设备对应的目标用户相匹配的目标推荐数据,以对所述目标用户进行个性化推荐;
所述获取待推荐设备对应的第一推荐数据的步骤包括:
获取所述待推荐设备对应的待推荐物品数据,并确定所述待推荐设备对应的评分模型;
将所述待推荐物品数据输入所述评分模型,对所述待推荐物品数据对应的待推荐物品进行评分,获得所述第一推荐数据;
所述第一推荐数据包括第一数据矩阵,所述第二推荐数据至少包括一个第二数据矩阵,所述设备数据包括设备向量,所述基于所述关联推荐模型,联合所述第一推荐数据和所述第二推荐数据,生成与所述待推荐设备对应的目标用户相匹配的目标推荐数据的步骤包括:
将所述第一数据矩阵、各所述第二数据矩阵和所述设备向量进行拼接,获得联合推荐矩阵;
将所述联合推荐矩阵输入针对于所述目标用户优化的所述关联推荐模型,对所述联合推荐矩阵对应的各待推荐物品进行评分,获得所述目标推荐数据。
2.如权利要求1所述个性化推荐方法,其特征在于,所述待推荐物品包括第一待推荐物品和第二待推荐物品,
所述对所述联合推荐矩阵对应各待推荐物品进行评分,获得所述目标推荐数据的步骤包括:
分别生成所述设备向量对应的用户特征表示、所述第一数据矩阵对应的各第一物品特征表示和所述第二数据矩阵对应的各第二物品特征表示;
基于所述用户特征表示与各所述第一物品特征表示,计算各所述第一待推荐物品对应的第一评分;
基于所述用户特征表示与各所述第二物品特征表示,计算各所述第二待推荐物品对应的第二评分;
基于各所述第一评分和各所述第二评分,生成所述目标推荐数据。
3.如权利要求2所述个性化推荐方法,其特征在于,所述目标推荐数据包括目标物品推荐列表,
所述基于各所述第一评分和各所述第二评分,生成所述目标推荐数据的步骤包括:
对各所述第一评分和各所述第二评分进行排序,获得排序列表;
基于所述评分排序列表,生成各所述第一待推荐物品和各所述第二待推荐物品共同对应的所述目标物品推荐列表。
4.如权利要求1所述个性化推荐方法,其特征在于,所述待推荐物品包括第一待推荐物品和第二待推荐物品,所述第一数据矩阵至少包括一个第一数据向量,所述第二数据矩阵至少包括一个第二数据向量,
所述对所述联合推荐矩阵对应各待推荐物品进行评分,获得所述目标推荐数据的步骤包括:
分别计算所述设备向量和各所述第一数据向量之间的第一相似度,获得各所述第一待推荐物品对应的第三评分;
分别计算所述设备向量和各所述第二数据向量之间的第二相似度,获得各所述第二待推荐物品对应的第四评分;
基于各所述第三评分和各所述第四评分,生成所述目标推荐数据。
5.如权利要求1所述个性化推荐方法,其特征在于,所述关联推荐模型包括所述待推荐设备对应的第一权重和所述账号关联设备对应的至少一个第二权重,
所述基于所述关联推荐模型,联合所述第一推荐数据、所述第二推荐数据和所述设备数据,生成与所述待推荐设备对应的目标用户相匹配的目标推荐数据的步骤包括:
基于所述第一权重,生成所述第一推荐数据对应的第一加权数据;
基于各所述第二权重,生成所述第二推荐数据对应的第二加权数据;
基于所述第一加权数据和所述第二加权数据,生成所述目标推荐数据。
6.一种个性化推荐装置,其特征在于,所述个性化推荐装置包括:
第一确定模块,用于获取待推荐设备对应的第一推荐数据和设备数据,并确定所述待推荐设备对应的账号关联设备,其中,所述账号关联设备为与所述待推荐设备共享用户账号的设备,所述第一推荐数据为所述待推荐设备对应的推荐列表,所述推荐列表为基于用户对物品的评分进行排列的物品推荐列表,所述设备数据为在所述待推荐设备上收集的用户特征数据,所述第一推荐数据包括第一数据矩阵,所述设备数据包括设备向量;
第二确定模块,用于获取所述账号关联设备对应的第二推荐数据,并确定所述待推荐设备和所述账号关联设备之间的关联推荐模型,其中,所述第二推荐数据至少包括一个所述关联设备对应的关联推荐数据,所述关联推荐数据为所述关联设备对应的推荐列表,所述第二推荐数据至少包括一个第二数据矩阵;
生成模块,用于基于所述关联推荐模型,联合所述第一推荐数据、所述第二推荐数据和所述设备数据,生成与所述待推荐设备对应的目标用户相匹配的目标推荐数据,以对所述目标用户进行个性化推荐;
其中,所述第一确定模块包括:
确定子模块,用于获取所述待推荐设备对应的待推荐物品数据,并确定所述待推荐设备对应的评分模型;
第二评分子模块,用于将所述待推荐物品数据输入所述评分模型,对所述待推荐物品数据对应的待推荐物品进行评分,获得所述第一推荐数据;
所述生成模块包括:
拼接子模块,用于将所述第一数据矩阵、各所述第二数据矩阵和所述设备向量进行拼接,获得联合推荐矩阵;
第一评分子模块,用于将所述联合推荐矩阵输入针对于所述目标用户优化的所述关联推荐模型,对所述联合推荐矩阵对应的各待推荐物品进行评分,获得所述目标推荐数据。
7.一种个性化推荐设备,其特征在于,所述个性化推荐设备包括:存储器、处理器以及存储在存储器上的用于实现所述个性化推荐方法的程序,
所述存储器用于存储实现个性化推荐方法的程序;
所述处理器用于执行实现所述个性化推荐方法的程序,以实现如权利要求1至5中任一项所述个性化推荐方法的步骤。
8.一种可读存储介质,其特征在于,所述可读存储介质上存储有实现个性化推荐方法的程序,所述实现个性化推荐方法的程序被处理器执行以实现如权利要求1至5中任一项所述个性化推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010720709.4A CN111859136B (zh) | 2020-07-23 | 2020-07-23 | 个性化推荐方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010720709.4A CN111859136B (zh) | 2020-07-23 | 2020-07-23 | 个性化推荐方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111859136A CN111859136A (zh) | 2020-10-30 |
CN111859136B true CN111859136B (zh) | 2024-03-15 |
Family
ID=72950356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010720709.4A Active CN111859136B (zh) | 2020-07-23 | 2020-07-23 | 个性化推荐方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111859136B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100505B (zh) * | 2020-11-04 | 2022-02-08 | 腾讯科技(深圳)有限公司 | 内容推送方法、装置、计算机设备和存储介质 |
CN113569136B (zh) * | 2021-07-02 | 2024-03-05 | 北京达佳互联信息技术有限公司 | 视频推荐方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105959208A (zh) * | 2016-05-26 | 2016-09-21 | 珠海市魅族科技有限公司 | 话题推荐方法、装置和服务器 |
CN106202117A (zh) * | 2015-05-07 | 2016-12-07 | 深圳市腾讯计算机系统有限公司 | 数据处理方法、装置和服务器 |
CN106294794A (zh) * | 2016-08-15 | 2017-01-04 | 乐视控股(北京)有限公司 | 一种内容推荐方法及装置 |
CN106603672A (zh) * | 2016-12-19 | 2017-04-26 | 北京五八信息技术有限公司 | 数据推荐方法、服务器及终端 |
WO2017101317A1 (zh) * | 2015-12-14 | 2017-06-22 | 乐视控股(北京)有限公司 | 智能推荐的全端显示方法及装置 |
CN110784556A (zh) * | 2020-01-02 | 2020-02-11 | 南京创维信息技术研究院有限公司 | 基于数据互通的车载系统的兴趣点推荐方法及系统 |
CN111079022A (zh) * | 2019-12-20 | 2020-04-28 | 深圳前海微众银行股份有限公司 | 基于联邦学习的个性化推荐方法、装置、设备及介质 |
-
2020
- 2020-07-23 CN CN202010720709.4A patent/CN111859136B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202117A (zh) * | 2015-05-07 | 2016-12-07 | 深圳市腾讯计算机系统有限公司 | 数据处理方法、装置和服务器 |
WO2017101317A1 (zh) * | 2015-12-14 | 2017-06-22 | 乐视控股(北京)有限公司 | 智能推荐的全端显示方法及装置 |
CN105959208A (zh) * | 2016-05-26 | 2016-09-21 | 珠海市魅族科技有限公司 | 话题推荐方法、装置和服务器 |
CN106294794A (zh) * | 2016-08-15 | 2017-01-04 | 乐视控股(北京)有限公司 | 一种内容推荐方法及装置 |
CN106603672A (zh) * | 2016-12-19 | 2017-04-26 | 北京五八信息技术有限公司 | 数据推荐方法、服务器及终端 |
CN111079022A (zh) * | 2019-12-20 | 2020-04-28 | 深圳前海微众银行股份有限公司 | 基于联邦学习的个性化推荐方法、装置、设备及介质 |
CN110784556A (zh) * | 2020-01-02 | 2020-02-11 | 南京创维信息技术研究院有限公司 | 基于数据互通的车载系统的兴趣点推荐方法及系统 |
Non-Patent Citations (2)
Title |
---|
User Identification within a Shared Account:Improving IP-TV Recommender Performance;zhijin Wang等;《Advances in Database and Information Systems(ADBIS 2014)》;第8716卷;第219-233页 * |
视频网站个性化推荐服务模式研究;袁雅倩;《中国优秀硕士学位论文全文数据库信息科技辑》(第08期);第I143-58页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111859136A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079022B (zh) | 基于联邦学习的个性化推荐方法、装置、设备及介质 | |
TWI718422B (zh) | 對模型預測值進行融合的方法、裝置和設備 | |
CN109903103B (zh) | 一种推荐物品的方法和装置 | |
CN108304354B (zh) | 一种预测模型训练方法及装置、存储介质、电子设备 | |
US11875241B2 (en) | Aspect pre-selection using machine learning | |
CN111859136B (zh) | 个性化推荐方法、装置、设备及可读存储介质 | |
US11748452B2 (en) | Method for data processing by performing different non-linear combination processing | |
CN109816196A (zh) | 预测模型的评价值计算方法、装置、设备及可读存储介质 | |
CN111695960A (zh) | 一种对象推荐系统、方法、电子设备及存储介质 | |
CN112036981B (zh) | 一种用于提供目标对比商品的方法、装置、设备及介质 | |
US20210073871A1 (en) | Search Result-Based Listing Generation In A Single View | |
CN112907334A (zh) | 一种对象推荐方法及装置 | |
TW201931253A (zh) | 資料處理方法、裝置、設備及電腦可讀儲存媒體 | |
CN111291273A (zh) | 推荐系统优化方法、装置、设备及可读存储介质 | |
CN115168711A (zh) | 兴趣点选择方法、装置、电子设备及存储介质 | |
CN113378067B (zh) | 基于用户挖掘的消息推荐方法、设备、介质 | |
CN106651410B (zh) | 一种应用管理方法及装置 | |
JP2020177695A (ja) | 情報提供システム、および情報提供方法 | |
CN115270005B (zh) | 一种信息推荐方法、装置、设备以及存储介质 | |
US12019671B2 (en) | Locally constrained self-attentive sequential recommendation | |
CN116975427A (zh) | 确定对象对资源信息的感兴趣程度的方法、装置和计算设备 | |
CN112100507B (zh) | 对象推荐的方法、计算设备和计算机可读存储介质 | |
CN114385714A (zh) | 基于反馈的多排序融合方法、装置、设备及可读存储介质 | |
CN111861635B (zh) | 一种针对商品分享时的好友推荐方法、装置及设备 | |
CN113763098B (zh) | 用于确定物品的方法和装置 |
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 |