CN112052402A - 信息推荐方法、装置、电子设备及存储介质 - Google Patents
信息推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112052402A CN112052402A CN202010909203.8A CN202010909203A CN112052402A CN 112052402 A CN112052402 A CN 112052402A CN 202010909203 A CN202010909203 A CN 202010909203A CN 112052402 A CN112052402 A CN 112052402A
- Authority
- CN
- China
- Prior art keywords
- users
- user
- target
- network
- candidate
- 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 51
- 239000013598 vector Substances 0.000 claims abstract description 130
- 238000012549 training Methods 0.000 claims description 60
- 230000015654 memory Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了信息推荐方法、装置、电子设备及存储介质,涉及人工智能、信息处理、用户识别、信息推荐等领域。具体实现方案为:基于目标用户在N个类目中的历史点击记录以及目标网络,生成所述目标用户在所述N个类目的向量表示;其中,N为大于等于1的整数;基于所述目标用户在N个类目的向量表示,确定所述目标用户在所述N个类目分别对应的相似用户;基于所述目标用户在所述N个类目分别对应的相似用户以及全领域相似用户,确定针对所述目标用户的推荐内容。
Description
技术领域
本申请涉及计算机技术领域。本申请尤其涉及人工智能、信息处理、用户识别、信息推荐等领域。
背景技术
Usercf(User Collaboration Filter,基于用户的协同过滤算法)是一种基于用户的协同推荐算法,其核心思想是利用给定用户相似用户的行为,为该用户推荐条目。然而,如何为用户提供更加精细以及全面的兴趣覆盖,则成为用户推荐信息的处理中需要考虑的问题。
发明内容
本公开提供了一种信息推荐方法、装置、电子设备及存储介质。
根据本公开的第一方面,提供了一种信息推荐方法,包括:
基于目标用户在N个类目中的历史点击记录以及目标网络,生成所述目标用户在所述N个类目的向量表示;其中,N为大于等于1的整数;
基于所述目标用户在N个类目的向量表示,确定所述目标用户在所述N个类目分别对应的相似用户;
基于所述目标用户在所述N个类目分别对应的相似用户以及全领域相似用户,确定针对所述目标用户的推荐内容。
根据本公开的第二方面,提供了一种信息推荐装置,包括:
第一处理模块,用于基于目标用户在N个类目中的历史点击记录以及目标网络,生成所述目标用户在所述N个类目的向量表示;其中,N为大于等于1的整数;
第一检索模块,用于基于所述目标用户在N个类目的向量表示,确定所述目标用户在所述N个类目分别对应的相似用户;
推荐模块,用于基于所述目标用户在所述N个类目分别对应的相似用户以及全领域相似用户,确定针对所述目标用户的推荐内容。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行前述方法。
根据本申请的技术,可以通过目标网络得到目标用户在N个类目中的向量表示,根据将N个类目的向量表示进行检索得到N个类目中对应的相似用户,将该N个类目的相似用户与全领域的相似用户进行合并得到目标用户的推荐内容。如此,可以使得目标用户匹配到的相似用户覆盖范围更加精细并充分,进而使得内容推荐可以更能表征用户的兴趣并更加准确。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请实施例的信息推荐方法流程示意图一;
图2是根据本申请实施例的信息推荐方法流程中第一模型的处理示意图;
图3是根据本申请实施例的信息推荐方法流程中第二模型的处理示意图;
图4是根据本申请实施例的信息推荐方法流程示意图二;
图5是根据本申请实施例的信息推荐装置组成结构示意图一;
图6是根据本申请实施例的信息推荐装置组成结构示意图二;
图7是用来实现本申请实施例的信息推荐方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本申请实施例提供了一种信息推荐方法,如图1所示,包括:
S101:基于目标用户在N个类目中的历史点击记录以及目标网络,生成所述目标用户在所述N个类目的向量表示;其中,N为大于等于1的整数;
S102:基于所述目标用户在N个类目的向量表示,确定所述目标用户在所述N个类目分别对应的相似用户;
S103:基于所述目标用户在所述N个类目分别对应的相似用户以及全领域相似用户,确定针对所述目标用户的推荐内容。
本实施例可以应用于电子设备中,比如,可以为终端设备,或者服务器。
执行S101之前,所述方法还包括:将M个类目下候选用户的历史点击记录输入所述目标网络,得到所述目标网络输出的候选用户的向量表示;基于所述候选用户的向量表示,构建所述M个类目分别对应的候选用户向量索引;其中,M为大于等于N的整数。
这里,M个类目可以包含前述N个类目。M个类目可以为当前的全部类目。
针对所述M个类目中的第i个类目进行说明,可以包括:
获取所述M个类目中第i个类目下的候选用户及所述候选用户的历史点击记录;其中,i为大于等于1且小于等于M的整数;
将所述第i个类目下的所述候选用户的历史点击记录输入所述目标网络,得到所述目标网络输出的所述候选用户的向量表示;
构建所述第i个类目下的候选用户的向量表示组成的集合所对应的所述候选用户向量索引。
这里,所述第i个类目为全部类目(或所述M个类目,或全领域)中的任意一个,针对全部类目中的每一个类目均可以执行以上处理,从而可以得到全部类目中的各个类目下的全部候选用户所对应的向量表示。
所述类目可以根据实际情况进行设置,比如可以设置新闻类、娱乐类等等。
获取第i个类目下的候选用户,可以是:将在第i个类目下存在历史点击记录的用户均作为所述第i个类目下的候选用户。第i个类目下的候选用户的数量可以为一个或多个。
所述候选用户的历史点击记录可以为第三预设时长内的在第i个类目中每一个候选用户的历史点击记录。所述第三预设时长可以根据实际情况进行设置,比如,可以为1个月,3个月,或者可以为半年等等。
需要指出的是,不同类目的候选用户可能相同也可以不同,也就是某一个用户可以在不同类目中进行点击,但是该用户可能存在从来不会点击的其他类目。可以对每一个候选用户的历史点击记录进行类目划分,得到每一个候选用户在不同类目中的历史点击记录。这里,并不代表候选用户在全部类目中都会有历史点击记录,仅将候选用户在其存在历史操作记录的类目的历史点击记录提取出来即可。
举例来说,M个类目可以包含2个,其中第1个类目中有10个候选用户,第2个类目中有20个候选用户,第1个类目的候选用户与第2个类目中的候选用户可以部分相同,或者完全不同。
上述构建所述第i个类目中所述候选用户的向量表示组成的集合所对应的所述候选用户向量索引,可以为:将第i个类目下全部候选用户的向量表示组成一个集合,为第i个类目下全部候选用户的向量表示组成的集合构建对应的一个向量索引。
所述目标网络可以为孪生网络中的一个网络。
关于孪生网络可以如图2所示,在本实施例使用孪生网络,可以仅使用孪生网络中的一侧,或者可以使用孪生网络的两侧,但是仅提取其中某一个塔侧输出的向量作为用户向量。以仅使用其中一侧为例,将某一个类目下的某一个候选用户的历史点击记录输入到左塔侧,经过处理之后得到该候选用户的用户特征(如图中虚线框所示)作为该候选用户的向量表示。
S101中,目标用户可以为所要进行内容推荐的用户。
所述在N个类目中的历史点击记录,可以预先将目标用户的历史点击记录进行不同类目的划分,确定目标用户对应的N个类目中每一个类目的历史点击记录。其中,N个类目可以为全部类目中的一个或多个,也就是所述N个类目可以为全部也可以为部分类目。
其中,所述历史点击记录可以为第二预设时长内的历史点击记录,比如,可以为一个月、或2个月或更长或更短,这里不做穷举。
所述目标网络与前述实施例相同,可以为孪生网络,也就是通过孪生网络分别根据目标用户在N个类目中每一个类目下的历史点击记录,确定目标用户在每一个类目下的向量表示。即通过S101的处理,可以得到目标用户在第二预设时长内发生过历史点击的N个类目中,每一个类目下的向量表示。
S102,具体可以为:基于所述目标用户在N个类目中第j个类目的向量表示以及所述第j个类目对应的候选用户向量索引,从所述候选用户向量索引所对应的所述候选用户的向量表示组成的集合中选取与所述目标用户在第j个类目的向量表示相似度最高的候选用户;将所述相似度最高的候选用户作为所述目标用户在第j个类目中的相似用户;其中,j为大于等于1且小于等于N的整数。
这里,所述第j个类目可以为N个类目中的任意一个,也就是针对N个类目中的每一个类目均可以作为第j个类目,从而可以得到N个类目中每一个类目下的所述目标用户对应的相似用户,即最终得到目标用户对应的N个类目中每一个类目的相似用户。
需要指出的是,在第j个类目中的相似用户的数量可以为一个也可以为多个,比如,可以是相似度最高的1个候选用户作为对应类目下的相似用户,当然可以为预设数量个相似度最高的候选用户作为对第j个类目下的相似用户。另外,N个类目中不同的类目得到的相似用户的数量可以相同也可以不同,比如,可以为在每一个类目中均确定一个与所述目标用户相似度最高的一个用户作为该类目中的目标对象的相似用户;或者,可以在不同类目中确定不同数量个相似度最高的相似用户。本实施例不对其进行穷举。
由于本实施例预先构建了候选用户向量索引,因此在查找相似用户的时候,可以根据每一个类目所对应的向量索引快速的确定对应的向量表示的集合,进而基于目标用户的向量表示与该集合中各个候选用户进行相似度比对,从而快速的确定各个类目下的相似用户。
S103之前,还可以包括:基于目标用户的第一预设时长内的历史点击记录以及所述目标网络,生成所述目标用户的全领域向量表示;基于所述目标用户的全领域向量表示,确定所述目标用户的全领域相似用户。
这里,所述全领域可以包括全部类目,在确定全领域相似用户的时候,不对类目进行划分以及限定,而是可以将第一预设时长内不论在哪个类目中出现过的点击操作历史均作为所述目标用户的历史点击记录。
其中,所述第一预设时长可以较长,比如可以为2年或1年。
需要理解的是,确定所述目标用户的全领域相似用户的处理,可以在S101之前或S102之前或S103之前,只要在执行S103之前预先确定即可,不对其具体实施时间进行限定。
其中,所述基于所述目标用户的全领域向量表示,确定所述目标用户的全领域相似用户,包括:
基于所述目标用户的全领域向量表示,从全领域内的候选用户中选取与所述目标用户的全领域向量表示相似度最高的候选用户,将所述相似度最高的候选用户作为所述目标用户的全领域相似用户。
所述相似度最高的候选用户的数量可以为一个或多个。
在其之前,还可以包括:
获取全领域内的候选用户的历史点击记录;
基于所述目标网络以及所述全领域内的候选用户的历史点击记录,确定所述候选用户的全领域向量表示。
这里,历史点击记录的记录时长可以为第四预设时长内的历史点击记录,也就是预先可以获取全部用户(即将全部用户均作为候选用户)在第四预设时长内的全部历史点击记录。其中,所述第四预设时长可以根据实际情况进行设置,比如可以为1年或半年。然后利用目标网络即孪生网络对每一个候选用户的历史点击记录进行分析,得到每一个候选用户的全领域向量表示。
S103中,所述推荐内容可以包括:N个类目中每一个类目分别对应的推荐内容,以及全领域内的推荐内容。
具体的,可以根据N个类目中每一个类目的相似用户,在对应的类目中确定针对目标用户的推荐内容;以及基于全领域相似用户从多个类目中确定对应的推荐内容;将两部分推荐内容作为最终推荐给目标用户的推荐内容。
比如,N个类目包括新闻类以及娱乐类,那么可以分别从娱乐类确定相似用户的点击最多的一个或多个条目作为该娱乐类中的推荐内容,从新闻类确定相似用户点击最多的一个或多个条目作为该新闻类的推荐内容。然后基于全领域相似用户在全部类目中点击最终的一个或多个条目作为全领域的推荐内容。最终将N个类目的推荐内容以及全领域的推荐内容作为所述目标用户的推荐内容。
通过采用以上方案,可以更精细的刻画用户兴趣,通过为每个类目生成对应用户索引,提供更精细的相似用户社群;进行分类目召回以及全领域召回相似用户,可以更精细并充分的覆盖用户兴趣。
结合图3,以目标网络为孪生网络中的一个网络为例,对本实施例提供的以上方案进行说明:
首先分类目构建用户索引,具体的:根据各一级类目下的候选用户(或称为候选用户),通过孪生网络产生每一个候选用户的用户向量,基于每一个类目中每一个候选用户的用户向量,分类目构建候选用户向量索引。
然后执行近线分类目召回,可以包括:根据目标用户的近期历史点击记录通过孪生网络对用户进行分类目表示每一个类目中的向量表示,结合预先构建的分类目的候选用户向量索引分类目检索对应的相似用户进行召回,考虑实际性价比该过程可以在DeepUCF近线模块实现。
具体可以如图3左侧所示:
(1)获取目标用户的用户历史点击记录,具体可以为获取目标用户在N个类目的历史点击记录。以N为3为例,如图3中所示可以包括目标用户的类目1的历史点击记录,类目2的历史点击记录以及类目3的历史点击记录。
(2)将N个类目的历史点击记录输入孪生网络进行模型预估。
(3)得到所述孪生网络输出的用户分类目向量表示。如图3所示,得到类目1、2、3中的目标用户的向量表示。
(4)-(5)基于目标用户的分类目向量表示、以及各个类目的候选用户向量索引,从各个类目中选取相似度最高的一个或多个候选用户作为所述目标用户在各个类目的相似用户。
(6)将各个类目的相似用户进行缓存。
全领域召回(或可以称为在线全领域召回),具体可以(由DeepUCF在线模块执行)根据目标用户长期历史点击记录通过孪生网络生成目标用户的全领域向量表示,检索全领域相似用户。
最后如图3右侧所示,可以将目标用户的各个类目的相似用户、以及全领域相似用户进行合并,基于所述各个类目的相似用户、以及全领域相似用户得到所述目标用户的推荐内容作为最终的结果。
针对本申请训练目标网络进行说明:所述目标网络为孪生网络中的一个网络;
基于训练数据对所述目标网络进行训练,得到训练后的目标网络;
其中,所述训练数据中包含正样本以及负样本;所述正样本包含两个相似用户以及用户的点击条目;所述负样本包含两个非相似用户以及用户的点击条目;所述负样本为采用相似度满足预设条件的用户及其点击条目构造的;所述用户的点击条目中包含点击频次低的条目。
具体的,所述负样本为采用基于向量距离的加权负采样构造的。本申请实施例将孪生网络作为目标网络,对孪生网络的训练中,将相似度大于一定第一门限值的用户作为正样本;将相似度大于第一门限值且小于第二门限值的用户样本作为负样本;其中,第一门限值大于第二门限值;将相似度小于第二门限值的用户样本作为负样本,对孪生网络进行训练。其中,主要是针对相似度较大但是又不够大的用户样本作为负样本进行了训练,以使得孪生网络能够更加准确的对相似度进行识别。举例来说,将相似度大于80%的用户作为相似用户即正样本;将相似度小于80%的用户作为非相似用户即负样本。其中,由于相似度过小的用户明显可以被识别为非相似用户,因此这部分负样本的数量可以不做变动或变少;相似度比较大但是又不够大,比如相似度60%-80%之间的这部分用户,通过本次训练需要被识别为非相似用户,那么可扩充这部分用户对应的负样本。
具体来说,孪生模型的等概率随机负采样生成的负样本中,两个用户明显不相似,或相似度较低,模型很轻易就能判别,会导致训练中模型改进自身动力不足。为了提升模型的判别能力,本实施例如图4所示,孪生模型实现小批量内基于向量距离的加权负采样构造负样本,可以称为“Semi-Hard”负样本。向量距离越近的负样本与正样本区分的难度越大,与左塔顶层cosine向量距离越近的右塔向量被采成负样本的概率越大,但对于距离太近的向量则以较小概率被采到,保证难度合理。
另外,本实施例还增加了点击频次低的条目的训练数据。这里,点击较少的样本通常不会被采集作为训练样本,而本实施例将这部分样本的数量增加,从而可以提升孪生网络的识别的准确度。由于一些点击较少的条目的底层Embedding(Embedding是一个将离散变量转为连续向量表示的一个方式)学习很不准确。为增强本实施例训练孪生网络的精度,本实施例扩充了包含点击频次低的条目的样本数量,点击较少的条目占比越高样本扩充倍数越大。每次扩充都会伴有后续的点击较少的条目的特征重新随机切分成两半的过程,单塔内的点击较少的条目的特征组合是全新的,因此这个过程不会导致过拟合。
关于点击频次低的条目的选取方式可以根据实际情况进行选取,比如,通过观察发现某些条目只有很少一部分人会点击,比如生物进化类、文字分析类的条目等等,本实施例通过扩充这部分条目的样本数量,来提升孪生网络(或目标网络)识别的准确度。
具体来说,
所述目标网络为孪生网络中的一个网络;其中,所述孪生网络包括结构相同的两个网络,其中,所述两个网络中每一个网络的输入为点击条目,输出为用户的向量表示;所述孪生网络用于基于所述两个网络得到的用户的向量表示确定用户是否相似;
所述基于训练数据对所述目标网络进行训练,得到训练后的目标网络,包括:
基于所述训练数据对所述孪生网络进行训练,得到训练后的孪生网络;
将所述训练后的孪生网络中的一个网络作为所述目标网络。
其中,基于所述训练数据对所述孪生网络进行训练,得到训练后的孪生网络,包括:
提取所述训练数据中的所述正样本以及负样本的点击条目;
将所述正样本中两个用户的点击条目分别作为所述孪生网络的两个网络的输入,将所述正样本的两个用户所对应的相似标签作为所述孪生网络的输出,对所述孪生网络进行训练;以及将所述负样本中两个非用户的点击条目分别作为所述孪生网络的两个网络的输入,将所述负样本的两个用户所对应的非相似标签作为所述孪生网络的输出,对所述孪生网络进行训练;直至得到训练后的孪生网络。
由于本申请中负样本以及正样本的构建对相似度比较高但又不是非常高的部分用户作为负样本,因此基于这样的正样本以及负样本对孪生网络进行训练可以使得孪生网络更加准确的识别用户是否相似。进而,将孪生网络中的一个网络作为本实施例中的目标网络,也可以使得用户的向量表示更加准确。
在训练孪生网络的处理中,将正样本以及负样本分别多次输入至孪生网络进行训练。比如,从正样本的一对用户的点击记录中,从一个用户的点击条目随机选取(可以选取一定数量,不做限定)输入孪生网络的一个网络,另一个用户的点击条目随机选取(可以选取一定数量,不做限定)输入孪生网络的另一个网络,并且设置输出的标签为相似,对孪生网络进行一次训练。从负样本的一对用户的点击条目中,从一个用户的点击条目中随机选取(可以选取一定数量,不做限定)输入孪生网络的一个网络,另一个用户的点击条目随机选取(可以选取一定数量,不做限定)输入孪生网络的另一个网络,并且设置输出的标签为不相似,对孪生网络进行一次训练。如此,多次采用多个正样本以及多个负样本进行孪生网络的训练直至完成训练得到训练后的孪生网络。
从训练后的孪生网络中任意选取一个网络作为前述目标网络使用。
需要理解的是,完成孪生网络训练的确定方式可以是,根据孪生网络的损失函数的损失值是否小于预设门限值来确定,或者,根据孪生网络的训练迭代次数来确定等等,这里不做穷举。
如此,通过有监督的孪生模型,替换无监督的Word2Vec模型,提升用户表示的准确度。
usercf推荐算法的准确性很大程度上取决于用户间相似度计算的准确性。当前线上用户相似度的计算是基于用户点击的条目(Item)叠加得到用户表示。一方面,由于用户的表示通过点击叠加获取,信息损失较多不够精确,会造成部分结果与用户相关度低。另一方面由于每个用户只有一个全领域的表示,无法精确的刻画用户在多领域的兴趣偏好。本实施例通过以上方案,可以通过目标网络得到目标用户在N个类目中的向量表示,根据将N个类目的向量表示进行检索得到N个类目中对应的相似用户,将该N个类目的相似用户与全领域的相似用户进行合并得到目标用户的推荐内容。如此,可以使得目标用户匹配到的相似用户覆盖范围更加精细并充分,进而使得内容推荐可以更能表征用户的兴趣并更加准确。
本申请的另一实施例提供一种信息推荐装置,如图5所示,包括:
第一处理模块51,用于基于目标用户在N个类目中的历史点击记录以及目标网络,生成所述目标用户在所述N个类目的向量表示;其中,N为大于等于1的整数;
第一检索模块52,用于基于所述目标用户在N个类目的向量表示,确定所述目标用户在所述N个类目分别对应的相似用户;
推荐模块53,用于基于所述目标用户在所述N个类目分别对应的相似用户以及全领域相似用户,确定针对所述目标用户的推荐内容。
所述第一检索模块52,用于将M个类目下候选用户的历史点击记录输入所述目标网络,得到所述目标网络输出的候选用户的向量表示;基于所述候选用户的向量表示,构建所述M个类目分别对应的候选用户向量索引;其中,M为大于等于N的整数;所述M个类目中包含所述N个类目。
所述第一检索模块52,用于获取所述M个类目中第i个类目下的候选用户及所述候选用户的历史点击记录;其中,i为大于等于1且小于等于M的整数;将所述第i个类目下的所述候选用户的历史点击记录输入所述目标网络,得到所述目标网络输出的所述候选用户的向量表示;构建所述第i个类目下的候选用户的向量表示组成的集合所对应的所述候选用户向量索引。
所述第一检索模块52,用于基于所述目标用户在N个类目中第j个类目的向量表示以及所述第j个类目对应的候选用户向量索引,从所述候选用户向量索引所对应的所述候选用户的向量表示组成的集合中选取与所述目标用户在第j个类目的向量表示相似度最高的候选用户;将所述相似度最高的候选用户作为所述目标用户在第j个类目中的相似用户;其中,j为大于等于1且小于等于N的整数。
如图6所示,所述装置还包括:
第二处理模块54,用于基于目标用户在第一预设时长内的历史点击记录以及目标网络,生成所述目标用户的全领域向量表示;
第二检索模块55,用于基于所述目标用户的全领域向量表示,确定所述目标用户的全领域相似用户。
所述第二检索模块55,用于基于所述目标用户的全领域向量表示,从全领域内的候选用户中选取与所述目标用户的全领域向量表示相似度最高的候选用户,将所述相似度最高的候选用户作为所述目标用户的全领域相似用户。
所述装置还包括:
训练模块56,用于基于训练数据对所述目标网络进行训练,得到训练后的目标网络;
其中,所述训练数据中包含正样本以及负样本;所述负样本包含两个非相似用户以及用户的点击条目;所述负样本为采用基于向量距离的加权负采样构造的;所述用户的点击条目中包含点击频次低的条目。
所述目标网络为孪生网络中的一个网络;其中,所述孪生网络包括结构相同的两个网络,其中,所述两个网络中每一个网络的输入为点击条目,输出为用户的向量表示;所述孪生网络用于基于所述两个网络得到的用户的向量表示确定用户是否相似;
训练模块56,用于基于所述训练数据对所述孪生网络进行训练,得到训练后的孪生网络;将所述训练后的孪生网络中的一个网络作为所述目标网络。
训练模块56,用于提取所述训练数据中的所述正样本以及负样本的点击条目;将所述正样本中两个用户的点击条目分别作为所述孪生网络的两个网络的输入,将所述正样本的两个用户所对应的相似标签作为所述孪生网络的输出,对所述孪生网络进行训练;以及将所述负样本中两个非用户的点击条目分别作为所述孪生网络的两个网络的输入,将所述负样本的两个用户所对应的非相似标签作为所述孪生网络的输出,对所述孪生网络进行训练;直至得到训练后的孪生网络。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图7所示,是根据本申请实施例的信息推荐方法的电子设备的框图。该电子设备可以为前述服务器或终端。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示,该电子设备包括:一个或多个处理器801、存储器802,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的信息推荐方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的信息推荐方法。
存储器802作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的信息推荐方法对应的程序指令/模块(例如,附图6所示的第一处理模块、第二处理模块、第一检索模块、第二检索模块、推荐模块、训练模块)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的信息推荐方法。
存储器802可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器802可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器802可选包括相对于处理器801远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
信息推荐方法的电子设备还可以包括:输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例提供的技术方案,可以通过目标网络得到目标用户在N个类目中的向量表示,根据将N个类目的向量表示进行检索得到N个类目中对应的相似用户,将该N个类目的相似用户与全领域的相似用户进行合并得到目标用户的推荐内容。如此,可以使得目标用户匹配到的相似用户覆盖范围更加精细并充分,进而使得内容推荐可以更能表征用户的兴趣并更加准确。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (20)
1.一种信息推荐方法,包括:
基于目标用户在N个类目中的历史点击记录以及目标网络,生成所述目标用户在所述N个类目的向量表示;其中,N为大于等于1的整数;
基于所述目标用户在N个类目的向量表示,确定所述目标用户在所述N个类目分别对应的相似用户;
基于所述目标用户在所述N个类目分别对应的相似用户以及全领域相似用户,确定针对所述目标用户的推荐内容。
2.根据权利要求1所述的方法,其中,所述方法还包括:
将M个类目下候选用户的历史点击记录输入所述目标网络,得到所述目标网络输出的候选用户的向量表示;基于所述候选用户的向量表示,构建所述M个类目分别对应的候选用户向量索引;其中,M为大于等于N的整数。
3.根据权利要求2所述的方法,其中,所述方法还包括:获取所述M个类目中第i个类目下的候选用户及所述候选用户的历史点击记录;其中,i为大于等于1且小于等于M的整数;
所述将M个类目下候选用户的历史点击记录输入所述目标网络,得到所述目标网络输出的候选用户的向量表示;基于所述候选用户的向量表示,构建所述M个类目分别对应的候选用户向量索引,包括:
将所述第i个类目下的所述候选用户的历史点击记录输入所述目标网络,得到所述目标网络输出的所述候选用户的向量表示,构建所述第i个类目下的候选用户的向量表示组成的集合所对应的所述候选用户向量索引。
4.根据权利要求3所述的方法,其中,所述基于所述目标用户在N个类目的向量表示,确定所述目标用户在所述N个类目分别对应的相似用户,包括:
基于所述目标用户在N个类目中第j个类目的向量表示以及所述第j个类目对应的候选用户向量索引,从所述候选用户向量索引所对应的所述候选用户的向量表示组成的集合中选取与所述目标用户在第j个类目的向量表示相似度最高的候选用户;将所述相似度最高的候选用户作为所述目标用户在第j个类目中的相似用户;其中,j为大于等于1且小于等于N的整数。
5.根据权利要求1所述的方法,其中,所述方法还包括:
基于目标用户在第一预设时长内的历史点击记录以及目标网络,生成所述目标用户的全领域向量表示;
基于所述目标用户的全领域向量表示,确定所述目标用户的全领域相似用户。
6.根据权利要求5所述的方法,其中,所述基于所述目标用户的全领域向量表示,确定所述目标用户的全领域相似用户,包括:
基于所述目标用户的全领域向量表示,从全领域内的候选用户中选取与所述目标用户的全领域向量表示相似度最高的候选用户,将所述相似度最高的候选用户作为所述目标用户的全领域相似用户。
7.根据权利要求1-6任一项所述的方法,其中,所述方法还包括:
基于训练数据对所述目标网络进行训练,得到训练后的目标网络;
其中,所述训练数据中包含正样本以及负样本;所述负样本包含两个非相似用户以及用户的点击条目;所述负样本为基于相似度满足预设条件的用户及其点击条目构建的;所述用户的点击条目中包含点击频次低的条目。
8.根据权利要求7所述的方法,其中,所述目标网络为孪生网络中的一个网络;其中,所述孪生网络包括结构相同的两个网络,其中,所述两个网络中每一个网络的输入为点击条目,输出为用户的向量表示;所述孪生网络用于基于所述两个网络得到的用户的向量表示确定用户是否相似;
所述基于训练数据对所述目标网络进行训练,得到训练后的目标网络,包括:
基于所述训练数据对所述孪生网络进行训练,得到训练后的孪生网络;
将所述训练后的孪生网络中的一个网络作为所述目标网络。
9.根据权利要求8所述的方法,其中,基于所述训练数据对所述孪生网络进行训练,得到训练后的孪生网络,包括:
提取所述训练数据中的所述正样本以及负样本的点击条目;
将所述正样本中两个用户的点击条目分别作为所述孪生网络的两个网络的输入,将所述正样本的两个用户所对应的相似标签作为所述孪生网络的输出,对所述孪生网络进行训练;以及将所述负样本中两个非用户的点击条目分别作为所述孪生网络的两个网络的输入,将所述负样本的两个用户所对应的非相似标签作为所述孪生网络的输出,对所述孪生网络进行训练;直至得到训练后的孪生网络。
10.一种信息推荐装置,包括:
第一处理模块,用于基于目标用户在N个类目中的历史点击记录以及目标网络,生成所述目标用户在所述N个类目的向量表示;其中,N为大于等于1的整数;
第一检索模块,用于基于所述目标用户在N个类目的向量表示,确定所述目标用户在所述N个类目分别对应的相似用户;
推荐模块,用于基于所述目标用户在所述N个类目分别对应的相似用户以及全领域相似用户,确定针对所述目标用户的推荐内容。
11.根据权利要求10所述的装置,其中,所述第一检索模块,用于将M个类目下候选用户的历史点击记录输入所述目标网络,得到所述目标网络输出的候选用户的向量表示;基于所述候选用户的向量表示,构建所述M个类目分别对应的候选用户向量索引;其中,M为大于等于N的整数;所述M个类目中包含所述N个类目。
12.根据权利要求11所述的装置,其中,所述第一检索模块,用于获取所述M个类目中第i个类目下的候选用户及所述候选用户的历史点击记录;其中,i为大于等于1且小于等于M的整数;将所述第i个类目下的所述候选用户的历史点击记录输入所述目标网络,得到所述目标网络输出的所述候选用户的向量表示;构建所述第i个类目下的候选用户的向量表示组成的集合所对应的所述候选用户向量索引。
13.根据权利要求12所述的装置,其中,所述第一检索模块,用于基于所述目标用户在N个类目中第j个类目的向量表示以及所述第j个类目对应的候选用户向量索引,从所述候选用户向量索引所对应的所述候选用户的向量表示组成的集合中选取与所述目标用户在第j个类目的向量表示相似度最高的候选用户;将所述相似度最高的候选用户作为所述目标用户在第j个类目中的相似用户;其中,j为大于等于1且小于等于N的整数。
14.根据权利要求10所述的装置,其中,所述装置还包括:
第二处理模块,用于基于目标用户在第一预设时长内的历史点击记录以及目标网络,生成所述目标用户的全领域向量表示;
第二检索模块,用于基于所述目标用户的全领域向量表示,确定所述目标用户的全领域相似用户。
15.根据权利要求14所述的装置,其中,所述第二检索模块,用于基于所述目标用户的全领域向量表示,从全领域内的候选用户中选取与所述目标用户的全领域向量表示相似度最高的候选用户,将所述相似度最高的候选用户作为所述目标用户的全领域相似用户。
16.根据权利要求10-15任一项所述的装置,其中,所述装置还包括:
训练模块,用于基于训练数据对所述目标网络进行训练,得到训练后的目标网络;
其中,所述训练数据中包含正样本以及负样本;所述负样本包含两个非相似用户以及用户的点击条目;所述负样本为基于相似度满足预设条件的用户及其点击条目构建的;所述用户的点击条目中包含点击频次低的条目。
17.根据权利要求16所述的装置,其中,所述目标网络为孪生网络中的一个网络;其中,所述孪生网络包括结构相同的两个网络,其中,所述两个网络中每一个网络的输入为点击条目,输出为用户的向量表示;所述孪生网络用于基于所述两个网络得到的用户的向量表示确定用户是否相似;
所述训练模块,用于基于所述训练数据对所述孪生网络进行训练,得到训练后的孪生网络;将所述训练后的孪生网络中的一个网络作为所述目标网络。
18.根据权利要求17所述的装置,其中,所述训练模块,用于提取所述训练数据中的所述正样本以及负样本的点击条目;将所述正样本中两个用户的点击条目分别作为所述孪生网络的两个网络的输入,将所述正样本的两个用户所对应的相似标签作为所述孪生网络的输出,对所述孪生网络进行训练;以及将所述负样本中两个非用户的点击条目分别作为所述孪生网络的两个网络的输入,将所述负样本的两个用户所对应的非相似标签作为所述孪生网络的输出,对所述孪生网络进行训练;直至得到训练后的孪生网络。
19.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010909203.8A CN112052402B (zh) | 2020-09-02 | 2020-09-02 | 信息推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010909203.8A CN112052402B (zh) | 2020-09-02 | 2020-09-02 | 信息推荐方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112052402A true CN112052402A (zh) | 2020-12-08 |
CN112052402B CN112052402B (zh) | 2024-03-01 |
Family
ID=73606779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010909203.8A Active CN112052402B (zh) | 2020-09-02 | 2020-09-02 | 信息推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052402B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784929A (zh) * | 2021-03-14 | 2021-05-11 | 西北工业大学 | 一种基于双元组扩充的小样本图像分类方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678431A (zh) * | 2013-03-26 | 2014-03-26 | 南京邮电大学 | 一种基于标准标签和项目评分的推荐方法 |
CN104156436A (zh) * | 2014-08-13 | 2014-11-19 | 福州大学 | 一种社交云媒体协同过滤推荐方法 |
CN106126669A (zh) * | 2016-06-28 | 2016-11-16 | 北京邮电大学 | 基于标签的用户协同过滤内容推荐方法及装置 |
WO2017096832A1 (zh) * | 2015-12-09 | 2017-06-15 | 乐视控股(北京)有限公司 | 媒体数据推荐方法及服务器 |
CN108388630A (zh) * | 2018-02-13 | 2018-08-10 | 北京奇虎科技有限公司 | 一种购物信息推送方法、装置及电子设备 |
CN110851713A (zh) * | 2019-11-06 | 2020-02-28 | 腾讯科技(北京)有限公司 | 信息处理方法、推荐方法及相关设备 |
CN111523055A (zh) * | 2020-04-28 | 2020-08-11 | 安徽农业大学 | 一种基于农产品特征属性评论倾向的协同推荐方法及系统 |
-
2020
- 2020-09-02 CN CN202010909203.8A patent/CN112052402B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678431A (zh) * | 2013-03-26 | 2014-03-26 | 南京邮电大学 | 一种基于标准标签和项目评分的推荐方法 |
CN104156436A (zh) * | 2014-08-13 | 2014-11-19 | 福州大学 | 一种社交云媒体协同过滤推荐方法 |
WO2017096832A1 (zh) * | 2015-12-09 | 2017-06-15 | 乐视控股(北京)有限公司 | 媒体数据推荐方法及服务器 |
CN106126669A (zh) * | 2016-06-28 | 2016-11-16 | 北京邮电大学 | 基于标签的用户协同过滤内容推荐方法及装置 |
CN108388630A (zh) * | 2018-02-13 | 2018-08-10 | 北京奇虎科技有限公司 | 一种购物信息推送方法、装置及电子设备 |
CN110851713A (zh) * | 2019-11-06 | 2020-02-28 | 腾讯科技(北京)有限公司 | 信息处理方法、推荐方法及相关设备 |
CN111523055A (zh) * | 2020-04-28 | 2020-08-11 | 安徽农业大学 | 一种基于农产品特征属性评论倾向的协同推荐方法及系统 |
Non-Patent Citations (2)
Title |
---|
LUISA F. P.等: "Learning Fashion Compatibility Across Apparel Categories for Outfit Recommendation", 2019 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP) * |
周亦敏: "基于卷积神经网络的学术合作者推荐研究", 智能计算机与应用 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784929A (zh) * | 2021-03-14 | 2021-05-11 | 西北工业大学 | 一种基于双元组扩充的小样本图像分类方法及装置 |
CN112784929B (zh) * | 2021-03-14 | 2023-03-28 | 西北工业大学 | 一种基于双元组扩充的小样本图像分类方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112052402B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111984689B (zh) | 信息检索的方法、装置、设备以及存储介质 | |
CN112507715A (zh) | 确定实体之间关联关系的方法、装置、设备和存储介质 | |
CN111967262A (zh) | 实体标签的确定方法和装置 | |
CN111104514A (zh) | 文档标签模型的训练方法及装置 | |
CN111274397B (zh) | 建立实体关系检测模型的方法以及装置 | |
CN111708876A (zh) | 生成信息的方法和装置 | |
CN111259222A (zh) | 物品推荐方法、系统、电子设备及存储介质 | |
CN114549874A (zh) | 多目标图文匹配模型的训练方法、图文检索方法及装置 | |
CN111091006A (zh) | 一种实体意图体系的建立方法、装置、设备和介质 | |
CN112287121A (zh) | 推送信息的生成方法、装置 | |
CN112507091A (zh) | 检索信息的方法、装置、设备以及存储介质 | |
CN112148881A (zh) | 用于输出信息的方法和装置 | |
CN112052397B (zh) | 用户特征生成方法、装置、电子设备及存储介质 | |
CN112328798A (zh) | 文本分类方法以及装置 | |
CN111563198B (zh) | 一种物料召回方法、装置、设备及存储介质 | |
CN112579750A (zh) | 相似病案的检索方法、装置、设备及存储介质 | |
CN114860913B (zh) | 智能问答系统构建方法、问答处理方法及装置 | |
CN114417194A (zh) | 推荐系统排序方法、参数预测模型训练方法及装置 | |
CN112818230A (zh) | 内容推荐方法、装置、电子设备和存储介质 | |
CN112380847A (zh) | 兴趣点处理方法、装置、电子设备及存储介质 | |
CN111966782A (zh) | 多轮对话的检索方法、装置、存储介质及电子设备 | |
CN111310058A (zh) | 资讯主题的推荐方法、装置、终端及存储介质 | |
CN113516491A (zh) | 推广信息展示方法、装置、电子设备及存储介质 | |
CN114547244A (zh) | 用于确定信息的方法和装置 | |
CN114328800A (zh) | 文本处理方法、装置、电子设备和计算机可读存储介质 |
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 |