CN112052394B - 专业内容信息的推荐方法、系统、终端设备和存储介质 - Google Patents
专业内容信息的推荐方法、系统、终端设备和存储介质 Download PDFInfo
- Publication number
- CN112052394B CN112052394B CN202010949517.0A CN202010949517A CN112052394B CN 112052394 B CN112052394 B CN 112052394B CN 202010949517 A CN202010949517 A CN 202010949517A CN 112052394 B CN112052394 B CN 112052394B
- Authority
- CN
- China
- Prior art keywords
- content information
- professional content
- information
- piece
- click
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000006870 function Effects 0.000 claims description 32
- 230000003247 decreasing effect Effects 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 4
- 235000019633 pungent taste Nutrition 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- BIJNHUAPTJVVNQ-UHFFFAOYSA-N 1-Hydroxypyrene Chemical compound C1=C2C(O)=CC=C(C=C3)C2=C2C3=CC=CC2=C1 BIJNHUAPTJVVNQ-UHFFFAOYSA-N 0.000 description 1
- 241001123248 Arma Species 0.000 description 1
- 108020005124 DNA Adducts Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 101150055214 cyp1a1 gene Proteins 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000010197 meta-analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000000651 prodrug Substances 0.000 description 1
- 229940002612 prodrug Drugs 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002269 spontaneous 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9538—Presentation of query results
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种专业内容信息的推荐方法、系统、终端设备和存储介质,方法包括:根据专业内容信息自发布后每一时刻的总点击数,生成各专业内容信息对应的点击量新增趋势曲线;根据各专业内容信息的发布时长、点击量新增趋势曲线以及各专业内容信息在当前时间对应的总点击数,计算得到各专业内容信息在当前时刻对应的信息热度值;根据各信息热度值生成当前时刻对应的信息推荐序列,根据信息推荐序列进行专业内容信息的推荐显示。本发明基于用户的浏览内容和浏览历史,为专业内容类网站的信息排序提供精准排序方法,排序更合理,动态调整推荐策略。
Description
技术领域
本发明涉及信息的推荐、引导领域,尤指一种专业内容信息的推荐方法、系统、终端设备和存储介质。
背景技术
随着通信技术和互联网技术的发展,网络逐渐成为人们获取信息的重要来源,用户既是网站内容的浏览者、传播者,也是网站内容的制造者。用户在网络上发表文字,分享照片、视频等,网络信息量呈指数式增长。
众所周知,互联网的信息存在生命周期,用户都喜欢看最新的信息,仅用点击量随时间变化的数据虽然能够反映互联网上信息的热度,但是由于专业内容不同于刻意吸引流量的新闻,无法采取夸张的标题、甚至与内容几乎无关的标题来吸引读者,导致专业内容的相关信息的热度也不能靠类似自媒体这类平台用搜索量或点击量来排序推荐,因此,对专业内容进行精准排序推荐是本领域技术人员亟需解决的技术问题。
发明内容
本发明的目的是提供专业内容信息的推荐方法、系统、终端设备和存储介质,基于用户的浏览内容和浏览历史,为专业内容类网站的信息排序提供精准排序方法,排序更合理,动态调整推荐策略。
本发明提供的技术方案如下:
本发明提供一种专业内容信息的推荐方法,包括步骤:
根据专业内容信息自发布后每一时刻的总点击数,生成各专业内容信息对应的点击量新增趋势曲线;
根据各专业内容信息的发布时长、所述点击量新增趋势曲线以及各专业内容信息在当前时间对应的总点击数,计算得到各专业内容信息在当前时刻对应的信息热度值;
根据各信息热度值生成当前时刻对应的信息推荐序列,根据所述信息推荐序列进行专业内容信息的推荐显示。
进一步的,所述根据专业内容信息自发布后每一时刻的总点击数,生成各专业内容信息对应的点击量新增趋势曲线包括步骤:
获取各专业内容信息自发布后每一时刻的总点击数;
根据所述总点击数获取各专业内容信息自发布后每一时刻的新增点击量;
根据所述各专业内容信息自发布后每一时刻的新增点击量,按照时间先后顺序进行排列得到各专业内容信息对应的时间-新增点击量序列;
分别根据所述时间-新增点击量序列进行分析得到对应的目标模型,对各目标模型分别进行曲线拟合生成各专业内容信息对应的点击量新增趋势曲线。
进一步的,所述根据各专业内容信息的发布时长、所述点击量新增趋势曲线以及各专业内容信息在当前时间对应的总点击数,计算得到各专业内容信息在当前时刻对应的信息热度值包括步骤:
根据所述当前时刻与各专业内容信息的发布时刻进行差值计算得到各专业内容信息的发布时长;
计算获取点击量新增趋势曲线所属目标模型对应函数方程的一阶导数;
计算各点击量新增趋势曲线对应一阶导数在各时刻的计算数值,确定绝对值最大的计算数值为对应点击量新增趋势曲线的最大斜率值;
根据所述一阶导数对各点击量新增趋势曲线进行分段得到分段曲线,并分析获取各分段曲线在其对应区间范围内的增减类型;
根据各点击量新增趋势曲线对应的最大斜率值、当前时刻所属的目标分段曲线的增减类型、各专业内容信息的发布时长和在当前时刻对应的总点击数,生成各专业内容信息在当前时刻的信息热度值。
进一步的,所述根据各点击量新增趋势曲线对应的最大斜率值、当前时刻所属的目标分段曲线的增减类型、各专业内容信息的发布时长和在当前时刻对应的总点击数,生成各专业内容信息在当前时刻的信息热度值包括步骤:
若所述目标分段曲线的增减类型为递增时,将对应于专业内容信息的最大斜率值、发布时长和总点击数代入第一预设公式中计算得到各专业内容信息在当前时刻的信息热度值;所述第一预设公式为
若所述目标分段曲线的增减类型为递减时,将对应于专业内容信息的最大斜率值、发布时长和总点击数代入第二预设公式中计算得到各专业内容信息在当前时刻的信息热度值;所述第二预设公式为
其中,f(t)为专业内容信息在当前时刻的信息热度值,p为专业内容信息在当前时刻的总点击数,β为专业内容信息所对应点击量新增趋势曲线的最大斜率值,t为发布时长。
进一步的,所述根据各信息热度值生成当前时刻对应的信息推荐序列,根据所述信息推荐序列进行专业内容信息的推荐显示包括步骤:
将各专业内容信息在当前时刻对应的信息热度值进行大小比较,根据比较结果生成信息推荐序列;
根据所述信息推荐序列的先后顺序依次推荐显示对应的专业内容信息。
本发明还提供一种专业内容信息的推荐系统,包括:
曲线拟合模块,用于根据专业内容信息自发布后每一时刻的总点击数,生成各专业内容信息对应的点击量新增趋势曲线;
计算模块,用于根据各专业内容信息的发布时长、所述点击量新增趋势曲线以及各专业内容信息在当前时间对应的总点击数,计算得到各专业内容信息在当前时刻对应的信息热度值;
处理模块,用于根据各信息热度值生成当前时刻对应的信息推荐序列,根据所述信息推荐序列进行专业内容信息的推荐显示。
进一步的,所述曲线拟合模块包括:
获取单元,用于获取各专业内容信息自发布后每一时刻的总点击数;
计算单元,用于根据所述总点击数获取各专业内容信息自发布后每一时刻的新增点击量;
排序生成单元,用于根据所述各专业内容信息自发布后每一时刻的新增点击量,按照时间先后顺序进行排列得到各专业内容信息对应的时间-新增点击量序列;
曲线拟合单元,用于分别根据所述时间-新增点击量序列进行分析得到对应的目标模型,对各目标模型分别进行曲线拟合生成各专业内容信息对应的点击量新增趋势曲线。
进一步的,所述计算模块包括:
间隔计算单元,用于根据所述当前时刻与各专业内容信息的发布时刻进行差值计算得到各专业内容信息的发布时长;
导数计算单元,用于计算获取点击量新增趋势曲线所属目标模型对应函数方程的一阶导数;
斜率获取单元,用于计算各点击量新增趋势曲线对应一阶导数在各时刻的计算数值,确定绝对值最大的计算数值为对应点击量新增趋势曲线的最大斜率值;
曲线分段单元,用于根据所述一阶导数对各点击量新增趋势曲线进行分段得到分段曲线,并分析获取各分段曲线在其对应区间范围内的增减类型;
热度计算单元,用于根据各点击量新增趋势曲线对应的最大斜率值、当前时刻所属的目标分段曲线的增减类型、各专业内容信息的发布时长和在当前时刻对应的总点击数,生成各专业内容信息在当前时刻的信息热度值。
进一步的,所述热度计算单元包括:
第一计算子单元,用于若所述目标分段曲线的增减类型为递增时,将对应于专业内容信息的最大斜率值、发布时长和总点击数代入第一预设公式中计算得到各专业内容信息在当前时刻的信息热度值;所述第一预设公式为
第二计算子单元,用于若所述目标分段曲线的增减类型为递减时,将对应于专业内容信息的最大斜率值、发布时长和总点击数代入第二预设公式中计算得到各专业内容信息在当前时刻的信息热度值;所述第二预设公式为
其中,f(t)为专业内容信息在当前时刻的信息热度值,p为专业内容信息在当前时刻的总点击数,β为专业内容信息所对应点击量新增趋势曲线的最大斜率值,t为发布时长。
进一步的,所述处理模块包括:
比较单元,用于将各专业内容信息在当前时刻对应的信息热度值进行大小比较;
处理单元,用于根据比较结果生成信息推荐序列,根据所述信息推荐序列的先后顺序依次推荐显示对应的专业内容信息。
本发明还提供一种终端设备,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器,用于执行所述存储器上所存放的计算机程序,实现如所述的专业内容信息的推荐方法所执行的操作。
本发明还提供一种存储介质,所述存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现如所述的专业内容信息的推荐方法所执行的操作。
本发明的专业内容信息的推荐方法和系统,能够基于用户的浏览内容和浏览历史,为专业内容类网站的信息排序提供精准排序方法,排序更合理,动态调整推荐策略。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对一种YY的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明的一种专业内容信息的推荐方法的一个实施例的流程图;
图2是本发明的一种专业内容信息的推荐方法的另一个实施例的流程图;
图3是本发明的一种专业内容信息的推荐方法的获取总点击数的流程示意图;
图4是本发明一种专业内容信息的推荐方法的分段区间示意图;
图5是本发明的一种专业内容信息的推荐方法中文章甲的时序变化曲线和点击量新增趋势曲线的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其他实施例中也可以实现本申请。在其他情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所述描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其他特征、整体、步骤、操作、元素、组件和/或集合的存在或添加。
为使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
另外,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
本发明的一个实施例,如图1所示,一种专业内容信息的推荐方法,包括:
S100根据专业内容信息自发布后每一时刻的总点击数,生成各专业内容信息对应的点击量新增趋势曲线;
具体的,专业内容信息的内容性质可能是新闻性信息、教育性信息、文艺性信息、军事性信息或者各专业领域(例如医疗、化工等等)信息。信息发布方根据自身需求在相关网页所对应的服务器地址处发布专业内容信息。在信息发布方发布专业内容信息后开始,服务器统计专业内容信息自发布后每一时刻的总点击数。
服务器统计得到当前专业内容信息自发布后每一时刻的总点击数后,根据总点击数生成当前专业内容信息对应的点击量新增趋势曲线。以此类推,服务器可生成所有已发布专业内容信息对应的点击量新增趋势曲线。
S200根据各专业内容信息的发布时长、点击量新增趋势曲线以及各专业内容信息在当前时间对应的总点击数,计算得到各专业内容信息在当前时刻对应的信息热度值;
S300根据各信息热度值生成当前时刻对应的信息推荐序列,根据信息推荐序列进行专业内容信息的推荐显示。
具体的,服务器根据上述方式生成点击量新增趋势曲线后,根据各专业内容信息的发布时长、点击量新增趋势曲线以及各专业内容信息在当前时间对应的总点击数,计算得到各专业内容信息在当前时刻对应的信息热度值。然后,服务器根据各专业内容信息在当前时刻的信息热度值生成对应的信息推荐序列,以便服务器根据信息推荐序列推荐显示对应的专业内容信息。
本实施例中,专业内容信息不同于刻意吸引流量的新闻,不可能采取夸张的标题、甚至与内容几乎无关的标题来吸引读者,其热度也不能靠类似自媒体这类平台用搜索量或点击量大小来排序推荐,因此,通过发布时长、点击量新增趋势曲线以及各专业内容信息在当前时间对应的总点击数,计算得到各专业内容信息在当前时刻对应的信息热度值,为专业内容类网站的信息排序提供精准排序方法,排序更合理。
本发明的一个实施例,如图2所示,一种专业内容信息的推荐方法,包括:
S110获取各专业内容信息自发布后每一时刻的总点击数;
具体的,假设当前时刻为Tk,发布时刻为T0,设定发布时刻的总点击数为零,则每一时刻集合为{T0,T1,T2,……,Tk-2,Tk-1,Tk}。在当前时刻为T1时,则上一时刻为发布时刻T0,在当前时刻为T2时,则上一时刻为发布时刻T1。依次类推,在当前时刻为Tk时,上一时刻为Tk-1。即当前时刻是相对于下一时刻的上一时刻。服务器可统计获取各专业内容信息自发布后每一时刻的总点击数。
如图3所示,专业内容信息的点击数据通过手机或者电脑等用户所使用的移动设备传递到数据库中进行数据提取,提取后的数据经过数据处理计算得到总点击数,最后存储到数据库,通过SQL进行数据查询,统计每个专业内容信息自发布后的总点击数。
S120根据总点击数获取各专业内容信息自发布后每一时刻的新增点击量;
具体的,专业内容信息自发布后每一时刻的新增点击量=当前时刻的总点击数-上一时刻的总点击数。服务器根据当前专业内容信息自发布后每一时刻的总点击数,进行差值计算得到当前专业内容信息自发布后每一时刻的新增点击量,如此类推计算得到各专业内容信息分别自发布后每一时刻的新增点击量。
S130根据各专业内容信息自发布后每一时刻的新增点击量,按照时间先后顺序进行排列得到各专业内容信息对应的时间-新增点击量序列;
具体的,服务器根据上述方式计算得到当前专业内容信息自发布后每一时刻的新增点击量后,根据新增点击量所属时刻按照时间先后顺序进行排列得到当前专业内容信息对应的时间-新增点击量序列,依次类推获取各专业内容信息对应的时间-新增点击量序列。
示例性的,新增点击量(newly increased click rate,下面缩写为NICR)。某一专业内容信息A在T0、T1,T2,……,Tk-2,Tk-1,Tk时刻的新增点击量分别为NICR0,NICR1,NICR2,……,NICRk-2,NICRk-1,NICRk,则根据专业内容信息的各新增点击量对应的时刻,按照时间先后顺序进行排序得到专业内容信息A的时间-新增点击量序列x={(T0,NICR0),(T1,NICR1),(T2,NICR2),……,(Tk-2,NICRk-2),(Tk-1,NICRk-1),(Tk,NICRk)}。
S140分别根据时间-新增点击量序列进行分析得到对应的目标模型,对各目标模型分别进行曲线拟合生成各专业内容信息对应的点击量新增趋势曲线;
具体的,由于新增点击量是随机事件,服务器通过上述方式按照时间顺序将当前专业内容信息的新增点击量的变化发展过程记录下来,构成了当前专业内容信息的一个时间-新增点击量序列。依次类推能够获取所有专业内容信息对应的时间-新增点击量序列。
服务器获取各专业内容信息对应的时间-新增点击量序列后,对各专业内容信息对应的时间-新增点击量序列分别进行观察分析,通常采用时间序列分析(Time seriesanalysis)进行统计分析,时间序列分析是一种动态数据处理的统计方法。
时间-新增点击量序列是按时间顺序的一组数字序列。时间序列分析就是利用这组数列,应用数理统计方法加以处理分析。具体为服务器根据当前专业内容信息对应的时间-新增点击量序列,通过曲线拟合和参数估计方法(如非线性最小二乘法)来获取得到对应的目标模型,一般采用曲线拟合和参数估计进行。具体步骤为:
时间序列建模基本步骤是:
①获取当前专业内容信息W1对应的时间-新增点击量序列S1。
②根据时间-新增点击量序列S1绘制生成对应的时序变化曲线,根据时序变化曲线进行相关分析求函数模型对应的函数方程。时序变化曲线能显示出变化的趋势和周期,并能发现跳点和拐点。跳点是指与其他数据不一致的观测值。如果跳点是正确的观测值,在建模时应考虑进去,如果是反常现象,则应把跳点调整到期望值。拐点则是指时间序列从上升趋势突然变为下降趋势的点。如果存在拐点,则在建模生成点击量新增趋势曲线时必须用不同的模型去分段拟合该时间序列,例如采用门限回归模型。
③辨识合适的函数模型得到目标模型,这个目标模型的函数方程与时间-新增点击量序列S1中的坐标数据重合度最高,然后根据这个目标模型进行曲线拟合生成点击量新增趋势曲线。示例性的,可采用SAS程序对时间-新增点击量序列S1进行ARMA模型拟合或者线性拟合,为了直观的看出拟合效果,可以根据函数模型进行赋值绘制得函数图,将函数图与时序变化曲线进行比较两图之间的重合度。当然,还可以将时序变化曲线和对函数模型赋值联合作图,由作图结果直观观察函数模型生成的函数图与时序变化曲线进行比较两图之间的重合度。
④服务器将各函数模型进行赋值绘制得函数图分别与时序变化曲线进行比较,查找出重合度最高的函数模型就是目标模型,这样,服务器对目标模型进行曲线拟合生成当前专业内容信息W1对应的点击量新增趋势曲线L1。
服务器依据上述流程可以获取各专业内容信息分别对应的点击量新增趋势曲线,在此不再一一赘述。
S210根据当前时刻与各专业内容信息的发布时刻进行差值计算得到各专业内容信息的发布时长;
S220计算获取点击量新增趋势曲线所属目标模型对应函数方程的一阶导数;
具体的,服务器通过上述方式获取到当前点击量新增趋势曲线所属的当前目标模型对应的函数方程后,对当前目标模型对应函数方程进行一阶求导计算,可计算得到当前目标模型对应函数方程的一阶导数。依次类推,计算获取各个点击量新增趋势曲线所属目标模型对应函数方程的一阶导数。
S230计算各点击量新增趋势曲线对应一阶导数在各时刻的计算数值,确定绝对值最大的计算数值为对应点击量新增趋势曲线的最大斜率值;
具体的,当函数定义域和取值都在实数域中的时候,当前一阶导数可以表示当前点击量新增趋势曲线上的切线斜率。假设当前目标模型对应的函数方程生成的当前点击量新增趋势曲线L1所对应的当前一阶导数为l1,当前一阶导数为l1对应的曲线L′1如下图4所示,则将各时刻代入当前一阶导数为l1对应的方程式中,计算得到当前一阶导数为l1在各时刻的计算数值,比较各时刻的计算数值的绝对值,确定绝对值最大的计算数值为当前点击量新增趋势曲线L1的最大斜率值。依次类推,可计算得到其他点击量新增趋势曲线的最大斜率值。
S240根据一阶导数对各点击量新增趋势曲线进行分段得到分段曲线,并分析获取各分段曲线在其对应区间范围内的增减类型;
具体的,由于一阶导数可代表点击量新增趋势曲线在不同区间范围对应的增减类型,即一阶导数在当前区间范围的数值大于零,则点击量新增趋势曲线在当前区间范围为递增,一阶导数在当前区间范围的数值小于零,则点击量新增趋势曲线在当前区间范围为递减。根据当前一阶导数对当前点击量新增趋势曲线进行分段,得到当前点击量新增趋势曲线对应的若干个分段曲线,可分析获取当前点击量新增趋势曲线对应的各分段曲线的增减类型。依次类推,服务器可以获取到各个点击量新增趋势曲线在不同区间范围内对应的分段曲线及其增减类型。此处的区间范围为时间段。
示例性的,如图4所示,根据当前点击量新增趋势曲线L1的一阶导数对应的曲线L′1可知,当前点击量新增趋势曲线L在[T0,T1]区间范围内对应的分段曲线为递减,在[T1,T3]区间范围内对应的分段曲线为递增。
S250根据各点击量新增趋势曲线对应的最大斜率值、当前时刻所属的目标分段曲线的增减类型、各专业内容信息的发布时长和在当前时刻对应的总点击数,生成各专业内容信息在当前时刻的信息热度值;
具体的,分段曲线在当前区间范围的增减类型,与点击量新增趋势曲线在当前区间范围的增减类型相同。服务器获取到当前点击量新增趋势曲线在不同区间范围对应的增减类型后,服务器查找当前时刻所属的目标区间范围及其目标分段曲线,进而能够根据当前点击量新增趋势曲线在目标区间范围的增减类型获知目标分段曲线的增减类型。然后,服务器根据当前专业内容信息的发布时长、当前专业内容信息所对应点击量新增趋势曲线的最大斜率值和目标分段曲线的增减类型,以及当前专业内容信息在当前时刻对应的总点击数,生成当前专业内容信息在当前时刻的信息热度值。依次类推,计算得到各专业内容信息在当前时刻的信息热度值。
S300根据各信息热度值生成当前时刻对应的信息推荐序列,根据信息推荐序列进行专业内容信息的推荐显示。
本实施例中,专业内容信息不同于刻意吸引流量的新闻,不可能采取夸张的标题、甚至与内容几乎无关的标题来吸引读者,其热度也不能靠类似自媒体这类平台用搜索量或点击量大小来排序推荐,因此,通过发布时长、点击量新增趋势曲线以及各专业内容信息在当前时间对应的总点击数,计算得到各专业内容信息在当前时刻对应的信息热度值,为专业内容类网站的信息排序提供精准排序方法,排序更合理,而且为专业用户提供准确的推荐信息,推荐更合理。此外,通过本发明还可进行站内搜索,站内搜索的信息按此规则排序,提供相对于时间排序或点击量排序更合理的搜索结果,给专业用户的推荐方式更为准确、有效。
本发明的一个实施例,一种专业内容信息的推荐方法,包括:
S110获取各专业内容信息自发布后每一时刻的总点击数;
S120根据总点击数获取各专业内容信息自发布后每一时刻的新增点击量;
S130根据各专业内容信息自发布后每一时刻的新增点击量,按照时间先后顺序进行排列得到各专业内容信息对应的时间-新增点击量序列;
S140分别根据时间-新增点击量序列进行分析得到对应的目标模型,对各目标模型分别进行曲线拟合生成各专业内容信息对应的点击量新增趋势曲线;
S210根据当前时刻与各专业内容信息的发布时刻进行差值计算得到各专业内容信息的发布时长;
S220计算获取点击量新增趋势曲线所属目标模型对应函数方程的一阶导数;
S230计算各点击量新增趋势曲线对应一阶导数在各时刻的计算数值,确定绝对值最大的计算数值为对应点击量新增趋势曲线的最大斜率值;
S240根据一阶导数对各点击量新增趋势曲线进行分段得到分段曲线,并分析获取各分段曲线在其对应区间范围内的增减类型;
具体的,本实施例是上述实施例的优化实施例,相同的部分参见上述实施例,在此不再一一赘述。
S251若目标分段曲线的增减类型为递增时,将对应于专业内容信息的最大斜率值、发布时长和总点击数代入第一预设公式中计算得到各专业内容信息在当前时刻的信息热度值;第一预设公式为
S252若目标分段曲线的增减类型为递减时,将对应于专业内容信息的最大斜率值、发布时长和总点击数代入第二预设公式中计算得到各专业内容信息在当前时刻的信息热度值;第二预设公式为
其中,f(t)为专业内容信息在当前时刻的信息热度值,p为专业内容信息在当前时刻的总点击数,β为专业内容信息所对应点击量新增趋势曲线的最大斜率值,t为发布时长。
具体的,服务器判断目标分段曲线的增减类型是何种类型,如果目标分段曲线的增减类型为递增时,将当前专业内容信息所对应的发布时长、当前专业内容信息的总点击数,以及当前专业内容信息的点击量新增趋势曲线的最大斜率值代入第一预设公式中计算得到当前专业内容信息在当前时刻的信息热度值。
如果目标分段曲线的增减类型为递减时,将当前专业内容信息所对应的发布时长、当前专业内容信息的总点击数,以及当前专业内容信息的点击量新增趋势曲线的最大斜率值代入第二预设公式中计算得到当前专业内容信息在当前时刻的信息热度值。依次类推,计算得到各个专业内容信息在当前时刻的信息热度值。
S310将各专业内容信息在当前时刻对应的信息热度值进行大小比较,根据比较结果生成信息推荐序列;
S320根据信息推荐序列的先后顺序依次推荐显示对应的专业内容信息。
具体的,服务器可将各专业内容信息在当前时刻对应的信息热度值进行大小比较,根据各信息热度值在当前时刻的大小比较结果,按照从大到小的顺序生成各专业内容信息在当前时刻对应的信息推荐序列,此时,专业内容信息对应信息热度值的大小与专业内容信息在信息推荐序列的先后顺序成正比。然后,服务器根据信息推荐序列的先后顺序依次推荐显示对应的专业内容信息。当然,服务器还可按照从小到大的顺序生成各专业内容信息在当前时刻对应的信息推荐序列,此时,专业内容信息对应信息热度值的大小与专业内容信息在信息推荐序列的先后顺序成反比。
优选的,通过对专业内容信息进行分类,如将网站上的专业内容信息分成新闻、医疗、文章、图片、动画等类型,每一种类型称为一个统计粒度。并按照这些类型对网站进行规划,使网站的呈现多粒度的组织结构,将用户所点击的网站上的专业内容信息的地址记录到该专业内容信息所属类型对应的点击数据表中,如用户所点击的文章信息,则该文章信息的地址被记录到点击数据表中文章所属类型的目录中,再对点击数据表中的点击量进行统计。清楚、准确统计出各种类型的专业内容信息的点击量,即实现多粒度统计,使网站经营者或者医疗商准确地对站点访问情况进行详细分析,能帮助企业更好地作出商务决策,且本发明将用户所点击的专业内容信息和用户信息联系起来,可以统计出目标信息的用户群,有很好的商业价值。
本发明能够给用户提供更具体、更准确、更专业的推荐排序方式,增强用户对搜索体验效果的信任,提高用户的满意度。
本发明的一个实施例,一种专业内容信息的推荐系统,包括:
曲线拟合模块,用于根据专业内容信息自发布后每一时刻的总点击数,生成各专业内容信息对应的点击量新增趋势曲线;
计算模块,用于根据各专业内容信息的发布时长、所述点击量新增趋势曲线以及各专业内容信息在当前时间对应的总点击数,计算得到各专业内容信息在当前时刻对应的信息热度值;
处理模块,用于根据各信息热度值生成当前时刻对应的信息推荐序列,根据所述信息推荐序列进行专业内容信息的推荐显示。
具体的,本实施例是上述方法实施例对应的系统实施例,具体效果参见上述方法实施例,在此不再一一赘述。
基于前述实施例,所述曲线拟合模块包括:
获取单元,用于获取各专业内容信息自发布后每一时刻的总点击数;
计算单元,用于根据所述总点击数获取各专业内容信息自发布后每一时刻的新增点击量;
排序生成单元,用于根据所述各专业内容信息自发布后每一时刻的新增点击量,按照时间先后顺序进行排列得到各专业内容信息对应的时间-新增点击量序列;
曲线拟合单元,用于分别根据所述时间-新增点击量序列进行分析得到对应的目标模型,对各目标模型分别进行曲线拟合生成各专业内容信息对应的点击量新增趋势曲线。
具体的,本实施例是上述方法实施例对应的系统实施例,具体效果参见上述方法实施例,在此不再一一赘述。
基于前述实施例,所述计算模块包括:
间隔计算单元,用于根据所述当前时刻与各专业内容信息的发布时刻进行差值计算得到各专业内容信息的发布时长;
导数计算单元,用于计算获取点击量新增趋势曲线所属目标模型对应函数方程的一阶导数;
斜率获取单元,用于计算各点击量新增趋势曲线对应一阶导数在各时刻的计算数值,确定绝对值最大的计算数值为对应点击量新增趋势曲线的最大斜率值;
曲线分段单元,用于根据所述一阶导数对各点击量新增趋势曲线进行分段得到分段曲线,并分析获取各分段曲线在其对应区间范围内的增减类型;
热度计算单元,用于根据各点击量新增趋势曲线对应的最大斜率值、当前时刻所属的目标分段曲线的增减类型、各专业内容信息的发布时长和在当前时刻对应的总点击数,生成各专业内容信息在当前时刻的信息热度值。
具体的,本实施例是上述方法实施例对应的系统实施例,具体效果参见上述方法实施例,在此不再一一赘述。
基于前述实施例,所述热度计算单元包括:
第一计算子单元,用于若所述目标分段曲线的增减类型为递增时,将对应于专业内容信息的最大斜率值、发布时长和总点击数代入第一预设公式中计算得到各专业内容信息在当前时刻的信息热度值;所述第一预设公式为
第二计算子单元,用于若所述目标分段曲线的增减类型为递减时,将对应于专业内容信息的最大斜率值、发布时长和总点击数代入第二预设公式中计算得到各专业内容信息在当前时刻的信息热度值;所述第二预设公式为
其中,f(t)为专业内容信息在当前时刻的信息热度值,p为专业内容信息在当前时刻的总点击数,β为专业内容信息所对应点击量新增趋势曲线的最大斜率值,t为发布时长。
具体的,本实施例是上述方法实施例对应的系统实施例,具体效果参见上述方法实施例,在此不再一一赘述。
基于前述实施例,所述处理模块包括:
比较单元,用于将各专业内容信息在当前时刻对应的信息热度值进行大小比较;
处理单元,用于根据各信息热度值在当前时刻的大小比较结果,按照从大到小的顺序生成各专业内容信息在当前时刻对应的信息推荐序列;
处理单元,用于根据所述信息推荐序列的先后顺序依次推荐显示对应的专业内容信息。
具体的,本实施例是上述方法实施例对应的系统实施例,具体效果参见上述方法实施例,在此不再一一赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述或记载的部分,可以参见其他实施例的相关描述。
示例性的,某医疗公司在网页上投递发布“靶向PD-L1的前体治疗药物CX-072”文章(下面简称文章甲)和“CYP1A1基因多态性与1-羟基芘和DNA加合物关联的meta分析”文章(下面简称文章乙),医疗公司所使用的服务器需要统计文章甲和文章乙的总点击数。其中,文章甲属于医药类型,文章乙属于化工类型。服务器可利用SparkStructuredStreaming和RedisStream进行总点击数的统计。如图3所示,文章甲和文章乙的点击数据通过手机或者电脑等用户所使用的移动设备传递到数据库中进行数据提取,提取后的数据经过数据处理计算得到总点击数,最后存储到数据库,通过SQL进行数据查询,统计文章甲和文章乙分别对应的总点击数。
服务器将信息按网站栏目分类;例如,将文章甲属于医药类型,文章乙属于化工类型。服务器记录文章甲和文章乙自发布后的每个时间点的(时间间隔可以是秒、小时等,实例按秒计算)总点击数分别为P甲和P乙,并记录文章甲和文章乙所在栏目分类下每个时间点分别对应新增点击量NICR甲和NICR乙得到。然后,服务器对每个时间点分别对应新增点击量NICR甲和NICR乙建立时间序列的非线性模型,拟合生成得到文章甲对应的点击量新增趋势曲线l甲以及文章乙对应的点击量新增趋势曲线l乙。
服务器获取到文章甲对应的点击量新增趋势曲线l甲以及文章乙对应的点击量新增趋势曲线l乙后,分别计算点击量新增趋势曲线l甲和l乙的一阶导数为f甲和f乙,了解点击量新增趋势曲线l甲以及点击量新增趋势曲线l乙的变化率。然后,服务器分别计算一阶导数f甲和f乙在各时间点的值,取绝对值后比较绝对值大小,找出一阶导数为f甲中绝对值最大的点击量新增趋势曲线l甲的最大斜率值β甲,以及找出一阶导数为f乙中绝对值最大的点击量新增趋势曲线l乙的最大斜率值β乙。服务器使用特定的算法作为排序规则,设文章甲发布时间到当前时间的距离为△T甲,文章乙发布时间到当前时间的距离为△T乙。如果拟合出来的点击量新增趋势曲线是一个降函数,则算法规则为:
如果拟合出来的曲线是一个增函数(一般不是这种情况,也有这样的情况),则算法规则为:
示例性,如图5所示为文章甲根据其新增点击量与时间相关的时序变化曲线R甲以及仿真模拟生成的点击量新增趋势曲线l甲,服务器将信息排序规则函数置于ES搜索引擎中,作为该类别的信息排序法则,按照f(t)的数值从大到小排序。其中,f(t)代表每条信息的点击量随时间变化(一般都是衰减),但是时间的影响并不是唯一的和决定性的,所以对时间计算开平方,弱化时间的影响。β为专业内容信息所对应点击量新增趋势曲线的最大斜率值,β值用于表征本栏目分类中的信息新增点击量,本栏目每条专业内容信息的新增点击量随时间变化都不相同,β是一个无量纲的值,它反映了本栏目所有专业内容信息新增点击量的总量。基于以上两点,f(t)表示了本栏目分类中各条专业内容信息在同一时间点的热度,专业内容信息越大信息热度越高,推荐排序越靠前。
通过本发明专业内容不同于刻意吸引流量的新闻,不可能采取夸张的标题、甚至与内容几乎无关的标题来吸引读者。其热度也不能靠类似自媒体这类平台用搜索量或点击量来排序,本发明根据信息的相应类别,通过以往在该类别中信息按天排列,记录每天信息在信息发布后每日新增阅读量的数据,这个曲线会信息发布随时间延长,逐步减低的,通过建立时间序列的非线性回归模型,拟合为平滑曲线得到点击量新增趋势曲线,根据点击量新增趋势曲线的斜率,计算不同类别回归模型的参数。然后在该类别中,根据单条信息在当前时刻的总点击数,信息自发布时刻到当前时刻的时间间隔,以及该类别的β值,根据对应的预设公式作为排序规则,放在ES搜索引擎中,作为该类别的信息排序法则。对专业内容进行精准排序,需要新的方式。为专业内容类网站的信息排序提供方法,排序更合理;为专业用户提供推荐信息,推荐更合理;可以用于站内搜索,站内搜索的信息按此规则排序,提供更合理的搜索结果(相对于时间排序或点击量排序更合理的结果)。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其他的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性、机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可能集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序121发送指令给相关的硬件完成,所述的计算机程序121可存储于一存储介质中,该计算机程序121在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序121可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述存储介质可以包括:能够携带所述计算机程序121的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如:在某些司法管辖区,根据立法和专利实践,计算机可读的存储介质不包括电载波信号和电信信号。
应当说明的是,上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种专业内容信息的推荐方法,其特征在于,包括步骤:
根据专业内容信息自发布后每一时刻的总点击数,生成各专业内容信息对应的点击量新增趋势曲线;
根据各专业内容信息的发布时长、所述点击量新增趋势曲线以及各专业内容信息在当前时间对应的总点击数,计算得到各专业内容信息在当前时刻对应的信息热度值;
根据各信息热度值生成当前时刻对应的信息推荐序列,根据所述信息推荐序列进行专业内容信息的推荐显示;
所述根据专业内容信息自发布后每一时刻的总点击数,生成各专业内容信息对应的点击量新增趋势曲线包括步骤:
获取各专业内容信息自发布后每一时刻的总点击数;
根据所述总点击数获取各专业内容信息自发布后每一时刻的新增点击量;
根据所述各专业内容信息自发布后每一时刻的新增点击量,按照时间先后顺序进行排列得到各专业内容信息对应的时间-新增点击量序列;
分别根据所述时间-新增点击量序列进行分析得到对应的目标模型,对各目标模型分别进行曲线拟合生成各专业内容信息对应的点击量新增趋势曲线;
所述根据各专业内容信息的发布时长、所述点击量新增趋势曲线以及各专业内容信息在当前时间对应的总点击数,计算得到各专业内容信息在当前时刻对应的信息热度值包括步骤:
根据所述当前时刻与各专业内容信息的发布时刻进行差值计算得到各专业内容信息的发布时长;
计算获取点击量新增趋势曲线所属目标模型对应函数方程的一阶导数;
计算各点击量新增趋势曲线对应一阶导数在各时刻的计算数值,确定绝对值最大的计算数值为对应点击量新增趋势曲线的最大斜率值;
根据所述一阶导数对各点击量新增趋势曲线进行分段得到分段曲线,并分析获取各分段曲线在其对应区间范围内的增减类型;
根据各点击量新增趋势曲线对应的最大斜率值、当前时刻所属的目标分段曲线的增减类型、各专业内容信息的发布时长和在当前时刻对应的总点击数,生成各专业内容信息在当前时刻的信息热度值;
所述根据各点击量新增趋势曲线对应的最大斜率值、当前时刻所属的目标分段曲线的增减类型、各专业内容信息的发布时长和在当前时刻对应的总点击数,生成各专业内容信息在当前时刻的信息热度值包括步骤:
若所述目标分段曲线的增减类型为递增时,将对应于专业内容信息的最大斜率值、发布时长和总点击数代入第一预设公式中计算得到各专业内容信息在当前时刻的信息热度值;所述第一预设公式为;
若所述目标分段曲线的增减类型为递减时,将对应于专业内容信息的最大斜率值、发布时长和总点击数代入第二预设公式中计算得到各专业内容信息在当前时刻的信息热度值;所述第二预设公式为;
其中,为专业内容信息在当前时刻的信息热度值,/>为专业内容信息在当前时刻的总点击数,/>为专业内容信息所对应点击量新增趋势曲线的最大斜率值,/>为发布时长。
2.根据权利要求1所述的专业内容信息的推荐方法,其特征在于,所述根据各信息热度值生成当前时刻对应的信息推荐序列,根据所述信息推荐序列进行专业内容信息的推荐显示包括步骤:
将各专业内容信息在当前时刻对应的信息热度值进行大小比较,根据比较结果生成信息推荐序列;
根据所述信息推荐序列的先后顺序依次推荐显示对应的专业内容信息。
3.一种专业内容信息的推荐系统,其特征在于,包括:
曲线拟合模块,用于根据专业内容信息自发布后每一时刻的总点击数,生成各专业内容信息对应的点击量新增趋势曲线;
计算模块,用于根据各专业内容信息的发布时长、所述点击量新增趋势曲线以及各专业内容信息在当前时间对应的总点击数,计算得到各专业内容信息在当前时刻对应的信息热度值;
处理模块,用于根据各信息热度值生成当前时刻对应的信息推荐序列,根据所述信息推荐序列进行专业内容信息的推荐显示;
所述曲线拟合模块包括:
获取单元,用于获取各专业内容信息自发布后每一时刻的总点击数;
计算单元,用于根据所述总点击数获取各专业内容信息自发布后每一时刻的新增点击量;
排序生成单元,用于根据所述各专业内容信息自发布后每一时刻的新增点击量,按照时间先后顺序进行排列得到各专业内容信息对应的时间-新增点击量序列;
曲线拟合单元,用于分别根据所述时间-新增点击量序列进行分析得到对应的目标模型,对各目标模型分别进行曲线拟合生成各专业内容信息对应的点击量新增趋势曲线;
所述计算模块包括:
间隔计算单元,用于根据所述当前时刻与各专业内容信息的发布时刻进行差值计算得到各专业内容信息的发布时长;
导数计算单元,用于计算获取点击量新增趋势曲线所属目标模型对应函数方程的一阶导数;
斜率获取单元,用于计算各点击量新增趋势曲线对应一阶导数在各时刻的计算数值,确定绝对值最大的计算数值为对应点击量新增趋势曲线的最大斜率值;
曲线分段单元,用于根据所述一阶导数对各点击量新增趋势曲线进行分段得到分段曲线,并分析获取各分段曲线在其对应区间范围内的增减类型;
热度计算单元,用于根据各点击量新增趋势曲线对应的最大斜率值、当前时刻所属的目标分段曲线的增减类型、各专业内容信息的发布时长和在当前时刻对应的总点击数,生成各专业内容信息在当前时刻的信息热度值;
所述热度计算单元包括:
第一计算子单元,用于若所述目标分段曲线的增减类型为递增时,将对应于专业内容信息的最大斜率值、发布时长和总点击数代入第一预设公式中计算得到各专业内容信息在当前时刻的信息热度值;所述第一预设公式为;
第二计算子单元,用于若所述目标分段曲线的增减类型为递减时,将对应于专业内容信息的最大斜率值、发布时长和总点击数代入第二预设公式中计算得到各专业内容信息在当前时刻的信息热度值;所述第二预设公式为;
其中,为专业内容信息在当前时刻的信息热度值,/>为专业内容信息在当前时刻的总点击数,/>为专业内容信息所对应点击量新增趋势曲线的最大斜率值,/>为发布时长。
4.根据权利要求3所述的专业内容信息的推荐系统,其特征在于,所述处理模块包括:
比较单元,用于将各专业内容信息在当前时刻对应的信息热度值进行大小比较,根据比较结果生成信息推荐序列;
处理单元,用于根据所述信息推荐序列的先后顺序依次推荐显示对应的专业内容信息。
5.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器,用于执行所述存储器上所存放的计算机程序,实现如权利要求1至权利要求2任一项所述的专业内容信息的推荐方法所执行的操作。
6.一种存储介质,其特征在于,所述存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现如权利要求1至权利要求2任一项所述的专业内容信息的推荐方法所执行的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010949517.0A CN112052394B (zh) | 2020-09-10 | 2020-09-10 | 专业内容信息的推荐方法、系统、终端设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010949517.0A CN112052394B (zh) | 2020-09-10 | 2020-09-10 | 专业内容信息的推荐方法、系统、终端设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112052394A CN112052394A (zh) | 2020-12-08 |
CN112052394B true CN112052394B (zh) | 2023-11-21 |
Family
ID=73610943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010949517.0A Active CN112052394B (zh) | 2020-09-10 | 2020-09-10 | 专业内容信息的推荐方法、系统、终端设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052394B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112650752A (zh) * | 2020-12-22 | 2021-04-13 | 深圳壹账通智能科技有限公司 | 热点key的确定方法、装置、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 |
CN113589159A (zh) * | 2021-07-30 | 2021-11-02 | 沈阳铁路信号有限责任公司 | 一种用于铁路信号继电器多维度特征参数相关性分析方法 |
CN114051167B (zh) * | 2021-10-28 | 2023-09-26 | 北京金堤科技有限公司 | 视频处理方法、装置及处理器 |
CN116401435B (zh) * | 2023-02-22 | 2023-11-10 | 北京麦克斯泰科技有限公司 | 一种日活跃栏目热度计算及调度方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103164481A (zh) * | 2011-12-16 | 2013-06-19 | 盛乐信息技术(上海)有限公司 | 最大上升趋势视频的推荐方法及系统 |
WO2017080169A1 (zh) * | 2015-11-13 | 2017-05-18 | 乐视控股(北京)有限公司 | 视频平台监控分析系统 |
CN107103028A (zh) * | 2017-03-03 | 2017-08-29 | 北京小度信息科技有限公司 | 一种信息处理方法及装置 |
CN107273508A (zh) * | 2017-06-20 | 2017-10-20 | 北京百度网讯科技有限公司 | 基于人工智能的信息处理方法和装置 |
CN109544028A (zh) * | 2018-11-30 | 2019-03-29 | 北京网梯科技发展有限公司 | 基于用户空间的个性化教学数据分析方法及系统 |
-
2020
- 2020-09-10 CN CN202010949517.0A patent/CN112052394B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103164481A (zh) * | 2011-12-16 | 2013-06-19 | 盛乐信息技术(上海)有限公司 | 最大上升趋势视频的推荐方法及系统 |
WO2017080169A1 (zh) * | 2015-11-13 | 2017-05-18 | 乐视控股(北京)有限公司 | 视频平台监控分析系统 |
CN107103028A (zh) * | 2017-03-03 | 2017-08-29 | 北京小度信息科技有限公司 | 一种信息处理方法及装置 |
CN107273508A (zh) * | 2017-06-20 | 2017-10-20 | 北京百度网讯科技有限公司 | 基于人工智能的信息处理方法和装置 |
CN109544028A (zh) * | 2018-11-30 | 2019-03-29 | 北京网梯科技发展有限公司 | 基于用户空间的个性化教学数据分析方法及系统 |
Non-Patent Citations (2)
Title |
---|
"个性化新闻推荐系统的设计与实现";王豪;《中国优秀硕士学位论文全文数据库 信息科技辑》(第8期);全文 * |
Cheng-Hung Tsai,et al.."Personal Recommendation Engine of User Behavior Pattern and Analysis on Social Networks".《IEEE:2015 International Conference on Computational Science and Computational Intelligence》.2015,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112052394A (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112052394B (zh) | 专业内容信息的推荐方法、系统、终端设备和存储介质 | |
US20220122097A1 (en) | Method and system for providing business intelligence based on user behavior | |
US7822720B2 (en) | Method and system of detecting keyword whose input number is rapidly increased in real time | |
US10108979B2 (en) | Advertisement effectiveness measurements | |
US20180047071A1 (en) | System and methods for aggregating past and predicting future product ratings | |
US10417650B1 (en) | Distributed and automated system for predicting customer lifetime value | |
US7890451B2 (en) | Computer program product and method for refining an estimate of internet traffic | |
US8135833B2 (en) | Computer program product and method for estimating internet traffic | |
US7941383B2 (en) | Maintaining state transition data for a plurality of users, modeling, detecting, and predicting user states and behavior | |
US9043302B1 (en) | Campaign and competitive analysis and data visualization based on search interest data | |
TWI539395B (zh) | Determine the user groups, information query and recommended methods and systems | |
CN109840782B (zh) | 点击率预测方法、装置、服务器以及存储介质 | |
US20160285672A1 (en) | Method and system for processing network media information | |
CN110413870B (zh) | 商品推荐方法、装置及服务器 | |
JP5633944B1 (ja) | 評価方法、評価装置、およびプログラム | |
CN109753601B (zh) | 推荐信息点击率确定方法、装置及电子设备 | |
CN104615741B (zh) | 一种基于云计算的冷启动项目推荐的方法及装置 | |
CN107908616B (zh) | 预测趋势词的方法和装置 | |
WO2009064741A1 (en) | Systems and methods for normalizing clickstream data | |
CN111815375B (zh) | 广告投放中的用户画像方法及装置 | |
JP2011227721A (ja) | 関心抽出装置、関心抽出方法、及び関心抽出プログラム | |
JP5061999B2 (ja) | 解析装置、解析方法及び解析プログラム | |
KR20130033506A (ko) | 아이템 추천 방법 및 장치 | |
US20150142782A1 (en) | Method for associating metadata with images | |
US20190205341A1 (en) | Systems and methods for measuring collected content significance |
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 |