CN112084413A - 一种信息推荐的方法、装置及存储介质 - Google Patents
一种信息推荐的方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112084413A CN112084413A CN202010970836.XA CN202010970836A CN112084413A CN 112084413 A CN112084413 A CN 112084413A CN 202010970836 A CN202010970836 A CN 202010970836A CN 112084413 A CN112084413 A CN 112084413A
- Authority
- CN
- China
- Prior art keywords
- information
- user
- cloud server
- recommendation
- indication information
- 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 66
- 238000003860 storage Methods 0.000 title abstract description 41
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 27
- 238000004364 calculation method Methods 0.000 abstract description 13
- 230000008569 process Effects 0.000 description 16
- 230000006399 behavior Effects 0.000 description 14
- 238000013473 artificial intelligence Methods 0.000 description 11
- 230000003068 static effect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 4
- 238000012821 model calculation Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013526 transfer learning 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
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
本申请提供一种信息推荐的方法、装置及存储介质,涉及云技术,涉及计算机技术领域,用以降低云端的计算压力和存储压力。终端设备根据用户特征,确定第一指示信息,其中第一指示信息用于表征用户对用户特征对应的历史浏览记录中内容标签的偏好度;终端设备将第一指示信息发送给云服务器;终端设备接收云服务器返回的目标推荐信息,其中目标推荐信息是云服务器根据第一指示信息确定的。在信息推荐时,云服务器无需对海量的用户特征进行存储,无需从海量用户特征中确定信息推荐请求中的用户身份ID对应的用户特征,且无需根据用户侧推荐模型确定用户特征对应的第一指示信息,降低了云服务器的存储压力和计算压力。
Description
技术领域
本申请涉及计算机技术领域,提供一种信息推荐的方法、装置及存储介质。
背景技术
随着互联网技术的发展,终端设备的普及,用户可在终端设备中浏览各种类型的信息,因此用于为用户推荐感兴趣的信息的信息推荐方法应运而生。
对于信息推荐,主要是云服务器在接收到终端设备的信息推荐请求后,获取信息推荐请求中的用户身份ID对应的用户特征,根据用户特征,对内容资源池中的待目标推荐信息进行打分,并根据打分结果向用户进行信息推荐,以使用户获得感兴趣的信息。
综上,云服务器中需要存储各个终端设备的用户特征,且针对各个用户的信息推荐请求查找对应的用户特征,并执行信息推荐的计算过程,导致云服务器的计算压力和存储压力大。
发明内容
本申请实施例提供一种信息推荐的方法、装置及存储介质,用以降低云端的计算压力和存储压力。
第一方面,本申请提供一种信息推荐的方法,该方法包括:
终端设备根据用户特征,确定第一指示信息,其中第一指示信息用于表征用户对用户特征对应的历史浏览记录中内容标签的偏好度;
终端设备将第一指示信息发送给云服务器;
终端设备接收云服务器返回的目标推荐信息,其中目标推荐信息是云服务器根据第一指示信息确定的。
第二方面,本申请实施例提供一种信息推荐的方法,该方法包括:
云服务器接收终端设备发送的第一指示信息,第一指示信息是根据用户特征确定的,且用于表征用户对用户特征对应的历史浏览记录内容标签的偏好度;
云服务器根据第一指示信息,确定目标推荐信息;
云服务器将目标推荐信息发送给终端设备。
第三方面,本申请提供一种信息推荐的装置,该装置包括:第一确定模块、第一发送模块和第一接收模块,其中:
第一确定模块,用于根据用户特征,确定第一指示信息,其中第一指示信息用于表征用户对用户特征对应的历史浏览记录中内容标签的偏好度;
第一发送模块,用于将第一指示信息发送给云服务器;
第一接收模块,用于接收云服务器返回的目标推荐信息,其中目标推荐信息是云服务器根据第一指示信息确定的。
在一种可能的实现方式中,第一确定模块通过如下方式确定第一指示信息:
终端设备将用户特征输入已训练的用户侧推荐模型中,获取已训练的用户侧推荐模型输出的第一指示信息;
其中,已训练的用户侧推荐模型是云服务器根据用户特征离线训练后加载到终端设备中的。
在一种可能的实现方式中,该装置还包括:更新模块,其中:
第一发送模块,用于周期性的将用户特征发送给云服务器,以使云服务器根据用户特征重新训练用户侧推荐模型;
第一接收模块,用于接收云服务器返回的模型增量数据参数,模型增量数据参数是根据重新训练的用户侧推荐模型确定的;
更新模块,用于根据模型增量数据参数,更新已训练的用户侧推荐模型。
第四方面,本申请实施例提供一种信息推荐的装置,该装置包括:第二接收模块、第二确定模块和第二发送模块,其中:
第二接收模块,用于接收终端设备发送的第一指示信息,第一指示信息是根据用户特征确定的,且用于表征用户对用户特征对应的历史浏览记录内容标签的偏好度;
第二确定模块,用于根据第一指示信息,确定目标推荐信息;
第二发送模块,用于将目标推荐信息发送给终端设备。
在一种可能的实现方式中,该装置还包括离线训练模块;
第二接收模块,还用于周期性的接收终端设备发送的用户特征;
离线训练模块,用于根据用户特征,重新训练用户侧推荐模型;
第二发送模块,用于将重新训练的用户侧推荐模型的模型增量数据参数发送给终端设备,以使终端设备更新已训练的用户侧推荐模型。
在一种可能的实现方式中,第二确定模块,具体用于将第一指示信息和内容特征对应的第二指示信息,输入已训练的打分模型中,获得已训练的打分模型输出的打分结果;
云服务器根据打分结果由高到低的排列规则,确定目标推荐信息;
其中,第二指示信息是云服务器针对待推荐信息,基于已训练的内容侧推荐模型确定的,用于表征待推荐信息中内容标签的得分。
第五方面,本申请实施例提供一种计算装置,包括至少一个处理器、以及至少一个存储器,其中,存储器中存储有程序代码,处理器用于读取存储器中存储的程序代码,并执行如第一方面和第二方面中的信息推荐的方法。
第六方面,本申请实施例提供一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令被处理器执行时实现本申请实施例提供的第一方面及第二方面中的信息推荐的方法。
本申请有益效果如下:
本申请提供一种信息推荐的方法、装置及存储介质,终端设备在接收到信息推荐请求后,将获取的用户特征输入已训练的用户侧推荐模型中,确定用户特征对应的第一指示信息,并将第一指示信息发送给云服务器,云服务器根据第一指示信息,确定目标推荐信息,并将确定的目标推荐信息返回给终端设备,其中已训练的用户侧推荐模型是云服务器根据用户特征离线训练后加载到终端设备中的。因此确定用户特征对应的第一指示信息的过程在终端设备中执行,云服务器无需对海量的用户特征进行存储,无需从海量用户特征中确定信息推荐请求中的用户身份ID对应的用户特征,且无需根据用户侧推荐模型确定用户特征对应的第一指示信息,降低了云服务器的存储压力和计算压力。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域的普通技术人员来讲,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为本申请实施例提供的一种应用场景示意图;
图2为本申请实施例提供的一种信息推荐的架构图;
图3为本申请实施例提供的一种信息推荐的整体方法流程图;
图4为本申请实施例提供的一种信息推荐的方法流程图;
图5为本申请实施例提供的另一种信息推荐的方法流程图;
图6为本申请实施例提供的一种信息推荐的装置结构图;
图7为本申请实施例提供的另一种信息推荐的装置结构图;
图8为本申请实施例提供的一种计算装置的结构图。
具体实施方式
为了使本申请的目的、技术方案及有益效果更加清楚明白,以下将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,并不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本发明实施例中术语“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
以下对本申请实施例中的部分用于进行解释说明,以便于本领域技术人员理解。
1、云技术:
云技术(Cloud technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、储存、处理和共享的一种托管技术。
云技术(Cloud technology)基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称,可以组成资源池,按需所用,灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源,如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用,将来每个物品都有可能存在自己的识别标志,都需要传输到后台系统进行逻辑处理,不同程度级别的数据将会分开处理,各类行业数据皆需要强大的系统后盾支撑,只能通过云计算来实现。
2、人工智能:
人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
其中,ML(Machine Learning,机器学习)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
3、边缘计算:
边缘计算是指在靠近物或数据源头的一侧,采用网络、计算、存储、应用核心能力为一体的开放平台,就近提供最近端服务。其应用程序在边缘侧发起,产生更快的网络服务响应,满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。边缘计算处于物理实体和工业连接之间,或处于物理实体的顶端。且云服务器仍然可以访问边缘计算的历史数据。
4、用户静态属性特征:
静态属性主要从用户的基本信息进行用户的划分。静态属性是用户画像建立的基础,最基本的用户信息记录。如性别、年龄、学历、角色、收入、地域、婚姻等。
5、用户行为:
用户对浏览信息的操作行为,比如评论、点赞、点击等操作行为。
下面对本申请实施例的设计思想进行简要介绍。
随着互联网技术的发展,终端设备逐渐成为用户获取信息的重要平台。比如,用户通过终端设备中的各种推荐应用浏览信息。且在用户浏览信息的过程中,还会根据用户的浏览日志为用户推荐感兴趣的信息,信息可以是但不限于文章、图片、视频。
相关技术中,向终端设备进行信息推荐时,由云服务器基于用户侧推荐模型、内容侧推荐模型和打分模型确定目标推荐信息后,将目标推荐信息推荐给相应的终端设备。
具体过程如下:
云服务器接收终端设备发送的信息推荐请求,信息推荐请求中包含有用户身份ID;
云服务器根据用户身份ID查找对应的用户特征,并将用户特征输入到已训练的用户侧推荐模型中,确定用户特征对应的第一指示信息;
同时,云服务器从内容资源池中获取待推荐信息,并确定待推荐信息对应的内容特征,将内容特征输入到已训练的内容侧推荐模型中,确定内容特征对应的第二指示信息;
将第一指示信息和第二指示信息输入到已训练的打分模型中,并根据打分模型输出的打分结果确定目标推荐信息,并将目标推荐信息发送给终端设备,由终端设备通过推荐应用显示给用户。因此用户可以浏览感兴趣的内容,提升用户浏览体验。
基于上述内容可知:云服务器中存储着各个用户身份ID对应的用户特征,每次接收到信息推荐请求后,需要从海量的用户特征中获取推荐请求中用户身份ID对应的用户特征,然后通过已训练的用户侧推荐模型确定用户特征对应的第一指示信息;
云服务器的内容资源池中的待推荐信息对应的内容特征也存储在云服务器中,并且通过已训练的内容侧推荐模型确定内容特征对应的第二指示信息;之后将用户特第一指示信息和第二指示信息输入到已训练的打分模型中,输出打分结果,根据打分结果进行推荐。
因此相关技术中将存在以下问题:
问题1:云服务器的计算压力大。
云服务器至少需要加载用户侧推荐模型、内容侧推荐模型和打分模型,共三个模型。除去操作系统和服务本身的计算资源占用,需要对请求所包含的特征进行三次模型计算,然后将确定的目标推荐信息传输给终端设备。
问题2:云端服务网络流量开销大。
每个用户每次向云服务器发送信息推荐请求,都必须将当前用户特征通过信息推荐请求发送到云服务器进行模型计算。随着用户数量和各个用户的用户行为的不断增加,请求量和每次请求的数据量也会不断增加,从而导致云服务器的网络流量开销增大。
问题3:用户特征存储资源占用大。
用户侧推荐模型在云服务器中加载计算,所有的用户特征都要在云服务器中存储。随着终端设备用户数量的增加,云服务器中存储的用户特征也会相应增加,造成云服务器的存储资源随着用户业务量的增加而增加,而且随着存储资源的大量增加,根据用户身份ID查询用户特征的速度将会变慢,造成服务耗时增加。
因此,本申请实施例提供一种信息推荐的方法、装置及存储介质,在本申请中:终端设备在确定需要进行信息推荐时,获取用户特征,并将用户特征输入已训练的用户侧推荐模型中,获得用户侧推荐模型输出的用户特征对应的第一指示信息,将第一指示信息发送给云服务器,以获取云服务返回的目标推荐信息,其中终端设备中的已训练的用户侧推荐模型是云服务器根据用户特征离线训练后加载到终端设备中的,第一指示信息用于表征用户对用户特征对应的历史浏览记录中内容标签的偏好度。
在本申请中,将用户侧推荐模型加载到终端设备中,由终端设备执行用户侧推荐模型的计算过程,并将计算结果发送给云服务器;此时云服务器只需要基于已训练的打分模型,对用户侧推荐模型和内容侧推荐模型的模型计算结果进行最终的计算,并输出打分结果,云服务器进一步根据打分结果确定目标推荐信息;在本申请的信息推荐过程中,云服务器无需执行根据用户身份ID查找用户特征,基于用户侧推荐模型计算用户特征对应的第一指示信息等过程,极大地减轻了云服务器的计算压力,减少了云服务器的网络流量开销,且在用户数大幅度增加的情况下,也不会出对云服务器产生较大的负载压力。
在介绍完本申请实施例的设计思想之后,下面对本申请设置的应用场景进行简要说明。
如图1所示,为本申请实施例提供的一种信息推荐的方法的应用场景示意图。该应用场景中包括终端设备10和服务器11。
其中,终端设备10为支持推荐应用安装,且能够运行推荐应用的硬件设备,可以是个人电脑(Personal Computer,PC)、平板电脑、个人数字助理(Personal DigitalAssistant,PDA)、笔记本和手机等终端设备,也可以是具有移动终端设备的计算机,包括各种便携式、袖珍式、手持式、计算机内置的或者车载的移动装置,它们能够向用户提供语音、数据或语音和数据连通性的设备,以及与无线接入网交换语音、数据或语音和数据。
服务器11是用于提供信息推荐服务的服务器,可以是独立的,也可以是任何能够提供互联网服务的单个后台运行设备或者多个后台运行设备构成的集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的设备。
在实际应用中,终端设备10和服务器11进行通信连接,如图1所示,终端设备可包括终端设备101和终端设备102等,服务器11是由至少一台服务器组成的云服务器,其中终端设备102通过无线接入点12或因特网与服务器11进行通信连接,获取所需的服务或内容。
如下,以视频播放过程中,根据用户特征进行视频推荐的场景,对本申请进行举例说明:
终端设备10中安装有用于视频播放的推荐应用;服务器11包含有内容资源池,内容资源池中包含有待推荐信息。
终端设备10响应用户触发的视频推荐请求,获取用户的行为特征和用户静态属性特征,并根据用户行为和用户静态属性特征确定用户特征,之后将用户特征输入到已训练的用户侧推荐模型中,获得输出的用户特征对应的第一指示信息,并将第一指示信息发送给服务器11;其中终端设备10中存储的已训练的用户侧推荐模型是由云服务器根据用户特征离线训练,并加载到终端设备中的;
服务器11将接收到的用户特征对应的第一指示信息与内容特征对应的第二指示信息,输入到已训练的打分模型中,获得输出的打分结果,进一步根据打分结果由高到低的排列规则,确定目标推荐信息,向终端设备10返回目标推荐信息;其中内容特征对应的第二指示信息可以是在接收到用户特征对应的第一指示信息后,将内容资源池中存储的待推荐信息输入到内容侧推荐模型中,获得的;或是预先将内容资源池中的待推荐信息输入到内容侧推荐模型中获得的。
在一种可能的应用场景中,本申请中的内容资源池的待推荐信息可以采用云存储技术进行存储。云存储(cloud storage)是在云计算概念上延伸和发展出来的一个新的概念,分布式云存储系统(以下简称存储系统)是指通过集群应用、网格技术以及分布存储文件系统等功能,将网络中大量各种不同类型的存储设备(存储设备也称之为存储节点)通过应用软件或应用接口集合起来协同工作,共同对外提供数据存储和业务访问功能的一个存储系统。
在一种可能的应用场景中,本申请实施例提供的技术方案,借助于AI(ArtificialIntelligence,人工智能)领域中的机器学习技术,实现信息推荐,减少信息推荐的耗时,提高信息推荐的效率。
在一种可能的应用场景中,为了便于降低通信时延,可以在各个地区部署服务器11,或为了负载均衡,可以由不同的服务器11分别去服务各个终端设备10对应的地区。多个服务器11以通过区块链实现数据的共享,多个服务器11相当于多个服务器11组成的数据共享系统。例如终端设备10位于地点a,与服务器11之间进行通信连接,终端设备10位于地点b,与其他服务器11之间通信连接。
对于数据共享系统中的每个服务器11,均具有与该服务器11对应的节点标识,数据共享系统中的每个服务器11均可以存储有数据共享系统中其他服务器11的节点标识,以便后续根据其他服务器11的节点标识,将生成的区块广播至数据共享系统中的其他服务器11。每个服务器11中可维护一个如下表所示的节点标识列表,将服务器11名称和节点标识对应存储至该节点标识列表中。其中,节点标识可为IP(Internet Protocol,网络之间互联的协议)地址以及其他任一种能够用于标识该节点的信息,表1中仅以IP地址为例进行说明。
表1
服务器名称 | 节点标识 |
节点1 | 119.115.151.174 |
节点2 | 118.116.189.145 |
… | … |
节点N | 119.124.789.258 |
下面结合上述描述的应用场景,参考附图来描述本申请示例性实施方式提供的信息推荐的方法,需要注意的是,上述应用场景仅是为了便于理解本申请的精神和原理而示出,本申请的实施方式在此方面不受任何限制。
在本申请中,为了降低云服务器的存储压力和计算压力,将云服务器根据用户特征离线训练的用户侧推荐模型加载到终端设备中,由终端设备基于已训练的用户侧推荐模型,执行确定用户特征对应的第一指示信息的模型计算过程。
因此,在信息推荐过程中,云服务器应先训练信息推荐过程中使用的模型,其中在信息推荐过程中使用的模型包括用户侧推荐模型,内容侧推荐模型和打分模型;之后将用户侧推荐模型加载到终端设备中。由终端设备使用已训练的用户侧推荐模型,云服务器使用内容侧推荐模型和打分模型,共同进行信息推荐的过程。
如图2所示,为本申请实施例提供的一种信息推荐的框架图,从图2中可知,信息推荐的方法应用于终端设备和云服务器中。终端设备20中主要包括采集模块200、第一预测模块201和显示模块202;云服务器21中包含有离线服务中的模型训练模块210,在线服务中的第二预测模块211和打分模块212,以及内容资源池213。
其中,采集模块200,用采集用户静态属性特征和用户行为,并根据用户静态属性特征和用户行为,确定用户特征;
其中,用户行为是采集模块200根据用户在显示模块202中的历史浏览记录确定的。
第一预测模块201中包含有用户侧推荐模型,用户侧推荐模型用于确定采集模块200中的用户特征对应的第一指示信息,其中第一指示信息用于表征用户对用户特征对应的历史浏览记录中内容标签的偏好度。
显示模块202,用于显示云服务器返回的目标推荐信息。
模型训练模块210,用于对根据采集模块200发送的用户特征进行用户侧推荐模型训练,并将训练的用户侧推荐模型加载到终端设备20的第一预测模块201中,还用于对打分模型和用户侧推荐模型进行训练,并将训练的打分模型和用户侧推荐模型分别加载到在线服务器的第二预测模块211和打分模块212中。
内容资源池213,用于存储待推荐信息。
第二预测模块211,用于确定内容资源池213中的待推荐信息对应的内容特征对应的第二指示信息,第二指示信息用于表征待推荐信息中内容标签的得分。
打分模块212,用于根据第一预测模块201输出的第一指示信息,和第二预测模块211输出的第二指示信息,确定打分结果,以根据打分结果确定目标推荐信息。
如图3所示,为本申请实施例提供的一种信息推荐的方法流程图,包括如下步骤:
步骤S300,终端设备获取用户特征。
在本申请中,终端设备存储用户静态属性特征和用户行为;其中,用户静态属性特征根据用户社会属性、生活习惯和消费行为等信息确定的,可以用于表征用户的喜好;用户行为是用户在推荐应用中触发的各种操作,记录了用户已经查看或点击过的内容,可以是历史浏览记录。
用户静态属性特征和用户行为用于表征用户特征。因此,确定了用户静态属性信息和用户行为,即确定了用户特征。
步骤S301,终端设备将用户特征发送给云服务器。
在本申请中,用户侧推荐模型是云服务器根据用户特征进行训练的,因此需要将确定的用户特征发送给云服务器,以使云服务器根据用户特征训练用户侧推荐模型。
在一种可能的实现方式中,用户的喜好会发生变化,若一直使用同一用户侧推荐模型确定用户特征对应的第一指示信息,则会出现因当前喜欢浏览的信息,与历史浏览记录中喜欢浏览的信息不同,使用根据历史浏览记录生成的用户侧推荐模型确定当前用户特征对应的第一指示信息时,导致用户特征对应的第一指示信息不准确的问题。因此,终端设备周期性的获取用户特征,并将获取到的用户特征发送给云服务器,以使云服务器重新训练用户侧推荐模型,并将重新训练的用户侧推荐模型的模型增量数据参数发送给终端设备,进一步终端设备对用户侧推荐模型进行更新,以提高用户特征对应的第一指示信息的准确性。
步骤S302,云服务器根据接收的用户特征,离线训练用户侧推荐模型。
在本申请中,用户侧推荐模型中包括有ReLU神经网络层和/或Softmax层。将获取的用户特征输入用户侧推荐模型中,以训练用户侧推荐模型。
在一种可能的实现方式中,云服务器周期性的接收终端设备发送的用户特征,并根据接收到的用户特征重新训练用户侧推荐模型,并将重新训练的用户侧推荐模型的模型增量数据参数发送给终端设备,以使终端设备根据接收到的模型增量数据参数更新用户侧推荐模型。
其中,发送给终端设备的模型增量数据参数是与之前训练的用户侧推荐模型中的区别参数,区别参数可以是新增的数据参数、减少的数据参数、需要修改的数据参数中的之一或组合。
在一种可能的实现方式中,还可以将重新训练的用户侧推荐模型的模型参数全部发送给终端设备。
步骤S303,云服务器将已训练的用户侧推荐模型加载在终端设备中。
在本申请中,采用边缘计算技术将已训练的用户侧推荐模型加载到终端设备中,以使终端设备根据用户侧推荐模型确定用户特征对应的第一指示信息。
步骤S304,终端设备接收到用户触发的信息推荐请求后,获取用户特征。
其中,用户触发的信息推荐请求是根据用户触发开启推荐应用的操作生成的;或根据用户刷新推荐应用的操作生成的。
需要说明的是,步骤S304获取用户特征对应的方式与步骤S300获取用户特征对应的方式类似,在此不再赘述。
步骤S305,终端设备将获取的用户特征输入到已训练的用户侧推荐模型中,获得用户特征对应的第一指示信息。
其中,第一指示信息用于表征用户对用户特征对应的历史浏览记录中内容标签的偏好度。
在本申请中,第一指示信息可以是对内容标签的打分,即第一指示信息采用分数的形式表示,此时分数值越高则说明用户对该内容标签的偏好度越高;或第一指示信息可以是对内容标签的评级,即第一指示信息采用等级的形式表示,此时等级对应的数值越低,说明等级越高,用户对该内容标签的偏好度越高;第一指示信息还可以是内容标签对应的内容向量,由于用户关注过,则表示用户对此内容标签的内容感兴趣,因此确定该内容标签对应的内容向量。
在本申请中,用户特征对应的第一指示信息是已训练的用户侧推荐模型,根据用户特征对内容标签进行计算得到的。
用户侧推荐模型的结构不同,确定的第一指示信息则不同;比如用户侧推荐模型中包含有Softmax层,则第一指示信息为分数或等级;用户侧推荐模型中不包含有Softmax层,则第一指示信息为内容标签对应的内容向量。
以第一指示信息为分数进行说明,为了保证信息推荐的准确性,根据用户特征设置多个内容标签,内容标签可以为视频、娱乐、搞笑、动漫等多种。
在本申请中,第一指示信息用于表示用户对至少一个内容标签的偏好度,如表2所示,第一指示信息用于表示用户对多个内容标签的偏好度,偏好度采用分数的形式表示,分数越高则说明越喜欢。
表2
内容标签 | 分数 |
视频 | 7 |
娱乐 | 8 |
搞笑 | 4 |
动漫 | 3 |
步骤S306,终端设备将用户特征对应的第一指示信息发送给云服务器。
步骤S307,云服务器将用户特征对应的第一指示信息和待推荐内容对应的第二指示信息输入到已训练的打分模型中,获得打分结果。
本申请中,内容特征对应的第二指示信息是云服务器根据内容资源池中的待推荐信息的内容特征,基于已训练的用户侧推荐模型获得的,第二指示信息用于表征待推荐信息中内容标签的得分。
需要说明的是,第二指示信息与第一指示信息相同,可以采用分数、等级或向量的形式,其中分数值越高则说明待推荐内容对应的内容标签为该内容标签的概率越大;或等级对应的数值越低,说明等级越高,待推荐内容对应的内容标签为该内容标签的概率越大。
其中,已训练的内容侧推荐模型是云服务器预先训练的,内容侧推荐模型同用户侧推荐模型,包括有ReLU神经网络层和/或Softmax层。当包括有Softmax层时,第二指示信息为分数或等级的形式;当未包括Softmax层,第二指示信息为待推荐信息的内容向量。
因此,将内容资源池中的待推荐内容输入到已训练的内容推荐模型后,根据预先设置的内容标签,确定待推荐信息中内容标签的得分,如表3所示,确定了各个待推荐内容为各个内容标签的概率。
表3
视频 | 娱乐 | 搞笑 | 动漫 | |
待推荐内容1 | 10 | 7 | 3 | 0 |
待推荐内容2 | 0 | 8 | 9 | 2 |
…… | …… | …… | …… | …… |
待推荐内容N | 10 | 7 | 8 | 0 |
在一种可能的实现方式中,第二指示信息是云服务器预先基于已训练的用户侧推荐模型获得的;或在云服务器接收到第一指示信息后,将内容资源池中的待目标推荐信息输入到已训练的内容侧推荐模型中获得的。
由于确定第一指示信息的用户侧推荐模型,和确定第二指示信息的内容侧推荐模型中包含相同的内容标签,因此根据第一指示信息与第二指示信息,可以确定出内容特征与用户特征之间的匹配度,即打分结果。
根据表2和表3的数据,用户喜欢视频标签和娱乐标签的内容,待推荐信息1中视频标签和娱乐标签的评分比较高,而搞笑标签和动漫标签评分比较低,因此待推荐内容1的内容特征和用户特征的匹配度比较高,即打分结果比较高。
在本申请中,打分结果用于表征内容资源池中的待推荐信息被推荐给用户的可能性,进一步,该打分结果还可以表征内容资源池中的待推荐信息与用户的匹配程度。
在一种可能的实现方式中,若第一指示信息为用户浏览内容的内容特征向量,第二指示信息为待推荐内容的内容特征向量,在进行打分时,将两个特征向量输入到已训练的打分模型中,确定相似度,相似度越高,打分结果越高,说明匹配度越高。
步骤S308,云服务器根据打分结果,确定目标推荐信息。
打分结果对应的分数越高,则说明该打分结果对应的内容特征与用户的匹配程度越高,也就是说该打分结果对应的待推荐信息是用户感兴趣的信息,即目标推荐信息。
在本申请中,根据打分结果,确定目标推荐信息时:确定打分结果对应的分数大于预设值的打分结果,并将该打分结果对应的待推荐信息作为目标推荐信息;或将打分结果按照由高到低的排列规则进行排列,选择排列名次大于预设值的打分结果,并将该打分结果对应的待推荐信息作为目标推荐信息。
步骤S309,云服务器将目标推荐信息发送给终端设备。
步骤S310,终端设备显示获取到的目标推荐信息。
终端设备将云服务器返回的信息显示在推荐应用中,以使用户浏览自己感兴趣的信息。
需要说明的是,步骤S300~步骤S303是用户侧推荐模型的训练过程,步骤S304~步骤S310是使用用户侧推荐模型进行信息推荐的过程。
如图4所示,为本申请实施例提供的一种信息推荐的方法流程图,包括如下步骤:
步骤S400,终端设备根据用户特征,确定第一指示信息,其中第一指示信息用于表征用户对用户特征对应的历史浏览记录中内容标签的偏好度;
步骤S401,终端设备将第一指示信息发送给云服务器;
步骤S402,终端设备接收云服务器返回的目标推荐信息,其中目标推荐信息是云服务器根据第一指示信息确定的。
在一种可能的实现方式中,终端设备通过如下方式确定第一指示信息:
终端设备将用户特征输入已训练的用户侧推荐模型中,获取已训练的用户侧推荐模型输出的第一指示信息;
其中,已训练的用户侧推荐模型是云服务器根据用户特征离线训练后加载到终端设备中的。
在一种可能的实现方式中,终端设备周期性的将用户特征发送给云服务器,以使云服务器根据用户特征重新训练用户侧推荐模型;
终端设备接收云服务器返回的模型增量数据参数,模型增量数据参数是根据重新训练的用户侧推荐模型确定的;
终端设备根据模型增量数据参数,更新已训练的用户侧推荐模型。
如图5所示,为本申请实施例提供的另一种信息推荐的方法流程图,包括如下步骤:
步骤S500,云服务器接收终端设备发送的第一指示信息,第一指示信息是根据用户特征确定的,且用于表征用户对用户特征对应的历史浏览记录内容标签的偏好度;
步骤S501,云服务器根据第一指示信息,确定目标推荐信息;
步骤S502,云服务器将目标推荐信息发送给终端设备。
在一种可能的实现方式中,该方法还包括:
云服务器周期性的接收终端设备发送的用户特征;
云服务器根据用户特征,重新训练用户侧推荐模型;
云服务器将重新训练的用户侧推荐模型的模型增量数据参数发送给终端设备,以使终端设备更新已训练的用户侧推荐模型。
在一种可能的实现方式中,云服务器根据第一指示信息,确定目标推荐信息,包括:
云服务器将第一指示信息和内容特征对应的第二指示信息,输入已训练的打分模型中,获得已训练的打分模型输出的打分结果;
云服务器根据打分结果由高到低的排列规则,确定目标推荐信息;
其中,第二指示信息是云服务器针对待推荐信息,基于已训练的内容侧推荐模型确定的,用于表征待推荐信息中内容标签的得分。
基于同一发明构思,本申请实施例还提供了一种信息推荐的装置600,如图6所示,该装置600包括:第一确定模块601、第一发送模块602和第一接收模块603,其中:
第一确定模块601,用于根据用户特征,确定第一指示信息,其中第一指示信息用于表征用户对用户特征对应的历史浏览记录中内容标签的偏好度;
第一发送模块602,用于将第一指示信息发送给云服务器;
第一接收模块603,用于接收云服务器返回的目标推荐信息,其中目标推荐信息是云服务器根据第一指示信息确定的。
在一种可能的实现方式中,第一确定模块601通过如下方式确定第一指示信息:
终端设备将用户特征输入已训练的用户侧推荐模型中,获取已训练的用户侧推荐模型输出的第一指示信息;
其中,已训练的用户侧推荐模型是云服务器根据用户特征离线训练后加载到终端设备中的。
在一种可能的实现方式中,该装置还包括:更新模块604,其中:
第一发送模块602,用于周期性的将用户特征发送给云服务器,以使云服务器根据用户特征重新训练用户侧推荐模型;
第一接收模块603,用于接收云服务器返回的模型增量数据参数,模型增量数据参数是根据重新训练的用户侧推荐模型确定的;
更新模块604,用于根据模型增量数据参数,更新已训练的用户侧推荐模型。
基于同一发明构思,本申请实施例还提供了另一种信息推荐的装置700,如图7所示,该装置700包括:第二接收模块701、第二确定模块702和第二发送模块703,其中:
第二接收模块701,用于接收终端设备发送的第一指示信息,第一指示信息是根据用户特征确定的,且用于表征用户对用户特征对应的历史浏览记录内容标签的偏好度;
第二确定模块702,用于根据第一指示信息,确定目标推荐信息;
第二发送模块703,用于将目标推荐信息发送给终端设备。
在一种可能的实现方式中,该装置还包括离线训练模块704;
第二接收模块701,还用于周期性的接收终端设备发送的用户特征;
离线训练模块704,用于根据用户特征,重新训练用户侧推荐模型;
第二发送模块703,用于将重新训练的用户侧推荐模型的模型增量数据参数发送给终端设备,以使终端设备更新已训练的用户侧推荐模型。
在一种可能的实现方式中,第二确定模块702,具体用于:
将第一指示信息和内容特征对应的第二指示信息,输入已训练的打分模型中,获得已训练的打分模型输出的打分结果;根据打分结果由高到低的排列规则,确定目标推荐信息;
其中,第二指示信息是云服务器针对待推荐信息,基于已训练的内容侧推荐模型确定的,用于表征待推荐信息中内容标签的得分。
为了描述的方便,以上各部分按照功能划分为各单元(或模块)分别描述。当然,在实施本申请时可以把各单元(或模块)的功能在同一个或多个软件或硬件中实现。
在介绍了本申请示例性实施方式信息推荐的方法和装置及对应的终端设备和服务器之后,接下来,介绍根据本申请的另一示例性实施方式的信息推荐过程中的计算装置。
所属技术领域的技术人员能够理解,本申请的各个方面可以实现为系统、方法或程序产品。因此,本申请的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
在一种可能的实现方式中,本申请实施例提供的计算装置可以至少包括处理器和存储器。其中,存储器存储有程序代码,当程序代码被处理器执行时,使得处理器执行本申请中各种示例性实施方式的信息推荐的方法中的任一步骤。
在一些可能的实施方式中,本申请实施例还提供一种计算机可读存储介质,其包括程序代码,当程序产品在电子设备上运行时,程序代码用于使电子设备执行上述实施例中任一种信息推荐的方法的步骤。
下面参照图8来描述根据本申请的这种实施方式的计算装置800。图8的计算装置800仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图8,计算装置800以通用计算装置的形式表现。计算装置800的组件可以包括但不限于:上述至少一个处理器801、上述至少一个存储单元802、连接不同系统组件(包括存储单元802和处理器801)的总线803。
总线803表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储单元802可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)8021和/或高速缓存存储单元8022,还可以进一步包括只读存储器(ROM)8023。
存储单元802还可以包括具有一组(至少一个)程序模块8024的程序/实用工具8025,这样的程序模块8024包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
计算装置800也可以与一个或多个外部设备804(例如键盘、指向设备等)通信,还可与一个或者多个使得用户能与计算装置800交互的设备通信,和/或与使得该计算装置800能与一个或多个其它计算装置进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口805进行。并且,计算装置800还可以通过网络适配器806与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器806通过总线803与用于计算装置800的其它模块通信。应当理解,尽管图中未示出,可以结合计算装置800使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中,本申请提供的信息推荐的方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在计算机设备上运行时,程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的信息推荐的方法中的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上参照示出根据本申请实施例的方法、装置(系统)和/或计算机程序产品的框图和/或流程图描述本申请。应理解,可以通过计算机程序指令来实现框图和/或流程图示图的一个块以及框图和/或流程图示图的块的组合。可以将这些计算机程序指令提供给通用计算机、专用计算机的处理器和/或其它可编程数据处理装置,以产生机器,使得经由计算机处理器和/或其它可编程数据处理装置执行的指令创建用于实现框图和/或流程图块中所指定的功能/动作的方法。
相应地,还可以用硬件和/或软件(包括固件、驻留软件、微码等)来实施本申请。更进一步地,本申请可以采取计算机可使用或计算机可读存储介质上的计算机程序产品的形式,其具有在介质中实现的计算机可使用或计算机可读程序代码,以由指令执行系统来使用或结合指令执行系统而使用。在本申请上下文中,计算机可使用或计算机可读介质可以是任意介质,其可以包含、存储、通信、传输、或传送程序,以由指令执行系统、装置或设备使用,或结合指令执行系统、装置或设备使用。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种信息推荐的方法,其特征在于,该方法包括:
终端设备根据用户特征,确定第一指示信息,其中所述第一指示信息用于表征用户对所述用户特征对应的历史浏览记录中内容标签的偏好度;
所述终端设备将所述第一指示信息发送给云服务器;
所述终端设备接收所述云服务器返回的目标推荐信息,其中所述目标推荐信息是所述云服务器根据所述第一指示信息确定的。
2.如权利要求1所述的方法,其特征在于,所述终端设备通过如下方式确定所述第一指示信息:
所述终端设备将所述用户特征输入已训练的用户侧推荐模型中,获取所述已训练的用户侧推荐模型输出的第一指示信息;
其中,所述已训练的用户侧推荐模型是云服务器根据用户特征离线训练后加载到所述终端设备中的。
3.如权利要求2所述的方法,其特征在于,该方法还包括:
所述终端设备周期性的将用户特征发送给所述云服务器,以使所述云服务器根据所述用户特征重新训练用户侧推荐模型;
所述终端设备接收所述云服务器返回的模型增量数据参数,所述模型增量数据参数是根据所述重新训练的用户侧推荐模型确定的;
所述终端设备根据所述模型增量数据参数,更新所述已训练的用户侧推荐模型。
4.一种信息推荐的方法,其特征在于,该方法包括:
云服务器接收终端设备发送的第一指示信息,所述第一指示信息是根据用户特征确定的,且用于表征用户对所述用户特征对应的历史浏览记录内容标签的偏好度;
所述云服务器根据所述第一指示信息,确定目标推荐信息;
所述云服务器将所述目标推荐信息发送给所述终端设备。
5.如权利要求4所述的方法,其特征在于,该方法还包括:
所述云服务器周期性的接收所述终端设备发送的用户特征;
所述云服务器根据所述用户特征,重新训练所述用户侧推荐模型;
所述云服务器将重新训练的用户侧推荐模型的模型增量数据参数发送给所述终端设备,以使所述终端设备更新已训练的用户侧推荐模型。
6.如权利要求1所述的方法,其特征在于,所述云服务器根据所述第一指示信息,确定目标推荐信息,包括:
所述云服务器将所述第一指示信息和内容特征对应的第二指示信息,输入已训练的打分模型中,获得所述已训练的打分模型输出的打分结果;
所述云服务器根据所述打分结果由高到低的排列规则,确定所述目标推荐信息;
其中,所述第二指示信息是所述云服务器针对待推荐信息,基于已训练的内容侧推荐模型确定的,用于表征所述待推荐信息中内容标签的得分。
7.一种信息推荐的装置,其特征在于,该装置包括:第一确定模块、第一发送模块和第一接收模块,其中:
所述第一确定模块,用于根据用户特征,确定第一指示信息,其中所述第一指示信息用于表征用户对所述用户特征对应的历史浏览记录中内容标签的偏好度;
所述第一发送模块,用于将所述第一指示信息发送给云服务器;
所述第一接收模块,用于接收所述云服务器返回的目标推荐信息,其中所述目标推荐信息是所述云服务器根据所述第一指示信息确定的。
8.一种信息推荐的装置,其特征在于,该装置包括:第二接收模块、第二确定模块和第二发送模块,其中:
所述第二接收模块,用于接收终端设备发送的第一指示信息,所述第一指示信息是根据用户特征确定的,且用于表征用户对所述用户特征对应的历史浏览记录内容标签的偏好度;
所述第二确定模块,用于根据所述第一指示信息,确定目标推荐信息;
所述第二发送模块,用于将所述目标推荐信息发送给所述终端设备。
9.一种计算装置,其特征在于,包括至少一个处理器、以及至少一个存储器,其中,所述存储器存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器执行权利要求1~3或者4~6任一权利要求所述方法的步骤。
10.一种计算机可读介质,其特征在于,其存储有可由计算设备执行的计算机程序,当所述程序在计算设备上运行时,使得所述计算设备执行权利要求1~3或者4~6任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010970836.XA CN112084413B (zh) | 2020-09-16 | 2020-09-16 | 一种信息推荐的方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010970836.XA CN112084413B (zh) | 2020-09-16 | 2020-09-16 | 一种信息推荐的方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112084413A true CN112084413A (zh) | 2020-12-15 |
CN112084413B CN112084413B (zh) | 2024-02-13 |
Family
ID=73736894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010970836.XA Active CN112084413B (zh) | 2020-09-16 | 2020-09-16 | 一种信息推荐的方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112084413B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966182A (zh) * | 2021-03-09 | 2021-06-15 | 中国民航信息网络股份有限公司 | 一种项目推荐方法及相关设备 |
CN113746913A (zh) * | 2021-08-31 | 2021-12-03 | 上海明略人工智能(集团)有限公司 | 一种信息推荐方法及系统、设备和存储介质 |
CN114662006A (zh) * | 2022-05-23 | 2022-06-24 | 阿里巴巴达摩院(杭州)科技有限公司 | 端云协同推荐系统、方法以及电子设备 |
CN116610873A (zh) * | 2023-07-19 | 2023-08-18 | 支付宝(杭州)信息技术有限公司 | 信息推荐方法及装置、存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109033103A (zh) * | 2017-06-09 | 2018-12-18 | 华为技术有限公司 | 内容推荐方法和系统 |
CN111177563A (zh) * | 2019-12-31 | 2020-05-19 | 北京顺丰同城科技有限公司 | 一种信息推荐方法、装置、电子设备和存储介质 |
-
2020
- 2020-09-16 CN CN202010970836.XA patent/CN112084413B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109033103A (zh) * | 2017-06-09 | 2018-12-18 | 华为技术有限公司 | 内容推荐方法和系统 |
CN111177563A (zh) * | 2019-12-31 | 2020-05-19 | 北京顺丰同城科技有限公司 | 一种信息推荐方法、装置、电子设备和存储介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966182A (zh) * | 2021-03-09 | 2021-06-15 | 中国民航信息网络股份有限公司 | 一种项目推荐方法及相关设备 |
CN112966182B (zh) * | 2021-03-09 | 2024-02-09 | 中国民航信息网络股份有限公司 | 一种项目推荐方法及相关设备 |
CN113746913A (zh) * | 2021-08-31 | 2021-12-03 | 上海明略人工智能(集团)有限公司 | 一种信息推荐方法及系统、设备和存储介质 |
CN114662006A (zh) * | 2022-05-23 | 2022-06-24 | 阿里巴巴达摩院(杭州)科技有限公司 | 端云协同推荐系统、方法以及电子设备 |
CN114662006B (zh) * | 2022-05-23 | 2022-09-02 | 阿里巴巴达摩院(杭州)科技有限公司 | 端云协同推荐系统、方法以及电子设备 |
WO2023226947A1 (zh) * | 2022-05-23 | 2023-11-30 | 阿里巴巴达摩院(杭州)科技有限公司 | 端云协同推荐系统、方法以及电子设备 |
CN116610873A (zh) * | 2023-07-19 | 2023-08-18 | 支付宝(杭州)信息技术有限公司 | 信息推荐方法及装置、存储介质 |
CN116610873B (zh) * | 2023-07-19 | 2023-09-26 | 支付宝(杭州)信息技术有限公司 | 信息推荐方法及装置、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112084413B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
CN112084413B (zh) | 一种信息推荐的方法、装置及存储介质 | |
CN108595494B (zh) | 答复信息的获取方法及装置 | |
Peng et al. | Retweet modeling using conditional random fields | |
CN110597962B (zh) | 搜索结果展示方法、装置、介质及电子设备 | |
CN109471978B (zh) | 一种电子资源推荐方法及装置 | |
US20200193330A1 (en) | Method and system for using existing models in connection with new model development | |
CN111970335B (zh) | 一种信息推荐的方法、装置及存储介质 | |
CN107368521B (zh) | 一种基于大数据和深度学习的知识推介方法及系统 | |
CN111259263A (zh) | 一种物品推荐方法、装置、计算机设备及存储介质 | |
CN111666415A (zh) | 话题聚类方法、装置、电子设备及存储介质 | |
CN113392317A (zh) | 一种标签配置方法、装置、设备及存储介质 | |
CN111831924A (zh) | 内容推荐方法、装置、设备及可读存储介质 | |
CN111563156A (zh) | 一种知识点智能诊断的方法、装置、电子设备及存储介质 | |
CN110866119A (zh) | 一种文章质量的确定方法、装置、电子设备及存储介质 | |
CN111563158A (zh) | 文本排序方法、排序装置、服务器和计算机可读存储介质 | |
US20170011095A1 (en) | Processing search queries for open education resources | |
CN117726884A (zh) | 对象类别识别模型的训练方法、对象类别识别方法及装置 | |
CN110069686A (zh) | 用户行为分析方法、装置、计算机装置及存储介质 | |
CN115131052A (zh) | 一种数据处理方法、计算机设备和存储介质 | |
Wang et al. | Expert finding in CQA based on topic professional level model | |
CN114357242A (zh) | 基于召回模型的训练评估方法及装置、设备、存储介质 | |
CN115309865A (zh) | 基于双塔模型的交互式检索方法、装置、设备及存储介质 | |
Liu | Survey of Intelligent Recommendation of Academic Information in University Libraries Based on Situational Perception Method. | |
JP2022111020A (ja) | 文書類似度学習に基づくディープラーニングモデルの転移学習方法およびコンピュータ装置 |
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 |