CN112131456A - 一种信息推送方法、装置、设备及存储介质 - Google Patents
一种信息推送方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112131456A CN112131456A CN201910547432.7A CN201910547432A CN112131456A CN 112131456 A CN112131456 A CN 112131456A CN 201910547432 A CN201910547432 A CN 201910547432A CN 112131456 A CN112131456 A CN 112131456A
- Authority
- CN
- China
- Prior art keywords
- information
- recall
- target user
- portrait
- recall 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000004927 fusion Effects 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000007499 fusion processing Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 2
- 230000008707 rearrangement Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification 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送方法、装置、设备及存储介质，所述方法包括：获取目标用户的画像信息集；基于所述画像信息集，确定与所述目标用户对应的召回信息集；获取每个召回信息对应的多个召回属性特征；对所述每个召回信息对应的多个召回属性特征进行融合处理，得到与所述召回信息对应的融合属性特征；将得到的每个召回信息对应的融合属性特征输入点击预测模型进行信息点击预测处理，得到所述目标用户点击每个召回信息的结果；基于所述目标用户点击每个召回信息的结果，确定与所述目标用户对应的候选信息集；将候选信息推送给所述目标用户。本申请实现了以用户为中心，向用户推送感兴趣的信息，提高信息推送的准确性，同时缓解系统压力。
Description
技术领域
本申请属于互联网技术领域，具体涉及一种信息推送方法、装置、设备及存储介质。
背景技术
随着互联网技术的发展，数以百万计的信息能够借由互联网被推送给用户，例如，用户通过某新闻软件阅读某条新闻时，可以向用户推荐与该条新闻内容相近的资讯或用户感兴趣的资讯。
现有的信息推荐方式均是以信息为中心的，即以信息召回用户，比如，新闻编辑人员每编辑一条新闻，就会将该新闻的画像与所有用户画像逐一进行匹配，并将用户画像与该新闻画像相匹配的目标用户作为该新闻的目标用户，接着将该新闻推送给该目标用户。然而，以信息召回文章的方式无法宏观上把控用户的召回信息，只能在召回的时候根据某些条件(比如设置阈值)来决定是否召回，同时，由于信息是流式的，以信息召回用户的方式，在信息池增大的情况下，会出现拥堵情况，严重时甚至会导致系统性的故障，此外，一旦信息，比如新闻画像出现偏差，那通过新闻画像所确定出的目标用户也会出现偏差，这将导致无法准确地进行新闻推送。
发明内容
为了实现以用户为中心，向用户推送其感兴趣的信息，提高信息推送的准确性，同时缓解系统压力，本申请提出了一种信息推送方法、装置、设备及存储介质。
一方面，本申请提出了一种信息推送方法，所述方法包括：
获取目标用户的画像信息集；
基于所述画像信息集，确定与所述目标用户对应的召回信息集；
获取每个召回信息对应的多个召回属性特征；
对所述每个召回信息对应的多个召回属性特征进行融合处理，得到与所述召回信息对应的融合属性特征；
将得到的每个召回信息对应的融合属性特征输入点击预测模型进行信息点击预测处理，得到所述目标用户点击每个召回信息的结果；
基于所述目标用户点击每个召回信息的结果，确定与所述目标用户对应的候选信息集；
将候选信息推送给所述目标用户。
另一方面，本申请提出了一种信息推送装置，所述装置包括：
第一获取模块，用于获取目标用户的画像信息集；
第一确定模块，用于基于所述画像信息集，确定与所述目标用户对应的召回信息集；
第二获取模块，用于获取每个召回信息对应的多个召回属性特征；
融合模块，用于对所述每个召回信息对应的多个召回属性特征进行融合处理，得到与所述召回信息对应的融合属性特征；
预测模块，用于将得到的每个召回信息对应的融合属性特征输入点击预测模型进行信息点击预测处理，得到所述目标用户点击每个召回信息的结果；
第二确定模块，用于基于所述目标用户点击每个召回信息的结果，确定与所述目标用户对应的候选信息集；
推送模块，用于将候选信息推送给所述目标用户。
另一方面，本申请提出了一种设备，所述设备包括：处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述所述的信息推送方法。
另一方面，本申请提出了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述所述的信息推送方法。
本申请提出的一种信息推送方法、装置、设备及存储介质，根据目标用户的画像信息集，通过不同的召回方式，即通过多画像源和多召回理由，获取与该目标用户对应的召回信息集，接着获取每个召回信息对应的多个召回属性特征，并对每个召回信息对应的多个召回属性特征进行融合处理，得到与所述召回信息对应的融合属性特征，然后将得到的每个召回信息对应的融合属性特征输入点击预测模型进行信息点击预测处理，得到该目标用户点击每个召回信息的结果，最后基于该目标用户点击每个召回信息的结果，确定与该目标用户对应的候选信息集，并将候选信息推送给该目标用户，实现以用户为中心对信息进行召回，能够对用户召回信息做灵活处理和宏观把控，契合用户个性化阅读这一产品定位，同时，通过多画像源和多召回属性特征，能够深层次理解和满足用户阅读需求，向用户推荐用户感兴趣的信息，增强个性化，再者，通过对多个召回属性特征进行融合，以融合后的融合属性特征为基础，使用预测模型对每个召回信息被点击的结果进行预测，预测结果更加准确可靠，此外，以用户为中心召回信息对于文章池的扩量也是十分友好的，并不会带来系统上的压力。
附图说明
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和优点，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的介绍，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它附图。
图1是本申请实施例提供的一种信息推送方法的实施环境示意图。
图2是本申请实施例提供的一种信息推送方法的流程示意图。
图3是本申请实施例提供的对所述每个召回信息对应的多个召回属性特征进行融合处理，得到与所述召回信息对应的融合属性特征的一种流程示意图。
图4是本申请实施例提供的基于所述目标用户点击每个召回信息的结果，确定与所述目标用户对应的候选信息集的一种流程示意图。
图5是本申请实施例提供的向用户推送与体育相关的新闻的终端展示示意图。
图6是本申请实施例提供的一种信息推送方法的应用场景图。
图7是本申请实施例提供的一种信息推送装置的结构示意图。
图8是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面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的实施例，而不是全部的实施例。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，都应当属于本申请保护的范围。
需要说明的是，本申请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，以便这里描述的本申请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。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1，图1是本申请实施例提供的一种信息推送方法的实施环境示意图，如图1所示，该实施环境可以至少包括服务器01和客户端02，所述服务器01与所述客户端02通过有线或无线建立连接，以通过此网络实现服务器01和客户端02之间的数据传输。例如，所传输的数据包括被推荐的候选信息。
本说明书实施例中，所述服务器01可以包括一个独立运行的服务器，或者分布式服务器，或者由多个服务器组成的服务器集群。服务器01可以包括网络通信单元、处理器和存储器等等。具体的，所述服务器01可以为上述客户端02提供后台服务，例如后台服务包括多媒体推荐服务。
本说明书实施例中，客户端02可以包括智能手机、台式电脑、平板电脑、笔记本电脑、数字助理、智能可穿戴设备、车载、音箱、电视、机器人等类型的实体设备，也可以包括运行于实体设备中的软体，例如虚拟机等。
本说明书实施例中，通过服务器01和客户端02的交互，客户端02将向服务器01发送信息推荐请求，进而由服务器01提供多媒体推荐服务，将被推荐的候选信息推送至客户端02，以向用户展示被推荐的候选信息。
以下介绍本申请的一种信息推送方法，图2是本申请实施例提供的一种信息推送方法的流程示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示，所述方法可以包括：
S201.获取目标用户的画像信息集。
本说明书实施例中的信息推送方式是基于用户的自动化push，push即推送的意思，所谓自动化push是指结合用户画像，从兴趣队列信息池召回用户感兴趣的信息，并从中选出合适的信息最终下发给用户。
本说明书实施例中，目标用户是需要向其推送信息的用户。目标用户可根据实际需求确定。比如，目标用户可包括应用程序的所有已登记用户，应用程序的后台记录有用户标识的用户即为已登记用户，用户标识可用于唯一标识用户，比如身份标识号码(Identification，ID)，以某一新闻应用程序为例，假设其总共有N1个已登记用户，则可将这N1个已登记用户作为目标用户。再比如，目标用户也可包括应用程序的所有已登记用户中满足用户筛选条件的部分用户，用户筛选条件可根据实际需求设定，比如用户筛选条件可包括用户状态为活跃状态，以某一新闻应用程序为例，假设N1个已登记用户中存在N2个活跃用户，则可筛选出这N2个活跃用户作为目标用户。
在一个可行的实施例中，在确定目标用户之后，还可以包括对目标用户进行划分或分组的步骤，所述对目标用户进行划分或分组的步骤可以如下：可以将确定的目标用户哈希到N个桶，每个桶分配M个用户，比如以目标用户有5.5亿为例进行说明，可以将这5.5亿用户哈希到100个桶，每个桶约550万用户，每个桶会有一个任务对这些用户进行召回，任务每半小时启动一次，这些任务彼此独立，降低了系统风险，每个任务的单次执行时间为5-7分钟，性能上足以达到要求，而且为未来信息池的扩展以及更大规模的用户增长保留了空间。
本说明书实施例中，所述画像是根据目标用户的历史用户行为数据抽象出的用户偏好描述信息，其可用于表征目标用户对各预定信息类别及各预定信息标签的偏好程度。
在一些实施例中，自动化push使用到的画像至少可以包括push画像、要闻画像、七天画像、视频画像、外部画像、微信插件画像等。Push画像是指通过用户push点击行为生成的画像；要闻画像是指用户在要闻频道点击累计的画像；七天画像是指用户在最近7天通过push点击和要闻点击生成的画像；视频画像是指用户在视频频道点击累计的画像；外部画像是指从当前应用程序的外部引入的画像，以某一新闻应用程序(application，app)为例，从该新闻app外部，比如浏览器、服务器等各种渠道引入的画像统称为外部画像；微信插件画像是指通过微信插件点击累计的画像。在实际应用中，每个画像的重要程度不一，而每个画像的重要程度也将作为挑选召回信息的重要依据。
在一个可行的实施例中，在加载画像的时候，还会加载用户的实验信息(如用户的实验号、实验参数)来进行实验的迭代优化，该试验信息将用于验证本说明书实施例中提供的信息推送方法的准确性。
在一个可行的实施例中，可以获取目标用户的push画像、要闻画像、七天画像、视频画像、外部画像、微信插件画像等多个画像信息，并将获取多的多个画像信息合并到一起，以形成目标用户的画像信息集。
S203.基于所述画像信息集，确定与所述目标用户对应的召回信息集。
本说明书实施例中，召回具体可以为从全量信息集合中触发尽可能多的正确结果，并将结果返回。
本说明书实施例中，所述基于所述画像信息集，确定与所述目标用户对应的召回信息集，可以包括：
按照不同的召回理由，将所述画像信息集中的画像信息与信息池中的待推送信息进行相似度匹配处理，得到多个匹配召回信息。
将所述多个匹配召回信息确定为与所述目标用户对应的召回信息集。
在一个可行的实施例中，可以按照不同的召回理由，比如，一级类召回、二级类召回、tag召回、topic召回、ItemCF召回、相关新闻召回、热门召回等，将所述画像信息集中的画像信息与信息池中的待推送信息进行相似度匹配处理，得到多个匹配召回特征。其中，一级类召回和二级类召回是一种基于目录结构的分类方法，一级类可以包括“时政”、“军事”、“科技”、“体育”、“娱乐”、“教育”、“旅游”、“美食”、“健康”等，二级类是对一级类的细分等，比如一级类“体育”可以细分为“足球”、“篮球”、“游泳”、“跳水”等二级类。tag表示标签，tag召回是一种基于标签分类的召回方式，topic召回是一种基于主题分类的召回方式，ItemCF召回，简称为ICF召回，是一种基于物品的协同过滤召回方式。
在一个可行的实施例中，比如，通过一级类召回，将画像信息与信息池中的待推送信息的一级标题(体育、科技等)进行相似度匹配，得到第一匹配召回信息，通过二级类召回，将画像信息与信息池中的待推送信息的二级标题(足球、篮球等)进行相似度匹配，得到第二匹配召回信息，通过tag召回将画像信息中的tag与信息池中的待推送信息中的tag进行相似度匹配，得到第三匹配召回信息，通过ItemCF召回将画像信息与信息池中的待推送信息进行相似度匹配，得到第四匹配召回信息等。接着将通过不同召回理由得到的第一匹配召回信息、第二匹配召回信息、第三匹配召回信息、第四匹配召回信息等进行合并，从而得到与所述目标用户对应的召回信息集。而通过多画像源、多召回理由对信息进行召回，召回方式更加多样化，可以沿袭Feed流中的各种召回方法并结合push的特定业务场景做个性化召回，所谓Feed流是指持续更新并呈现给用户内容的信息流，同时，可以深层次理解和满足用户阅读需求，增强个性化，此外，上述各种召回理由都是基于用户维度的，能够对用户召回文章做灵活处理和宏观把控，其方式契合用户个性化阅读这一产品定位。
在一个可行的实施例中，所述待推送信息包括但不限于文本信息、视频信息、音频信息、图片信息等。本说明书实施例并不限定所述待推送信息的类型。相应地，候选信息的不同类型可对应于不同的应用场景，例如，文本信息可对应新闻阅读场景，视频信息可对应于用户点播影视节目场景，音频信息可对应于用户点播歌曲场景，图片信息则对应于用户浏览图片场景，因此，本实施例提供的信息推荐方法可根据候选信息的不同类型而适用于不同的应用场景，应用范围更广。
在一个可行的实施例中，自动化push信息池的信息都是一般是实时性不强的信息，所谓实时性不强的信息具体是指非正在直播的信息，比如，正在直播的篮球比赛，可以认定是实时性强的信息。编辑每发布一条信息，该信息都会进入信息池，每条信息都有过期时间，一旦信息过期就不再下发，也不会被召回，每路召回理由可自行设定自己的信息池。
在一个可行的实施例中，所述基于所述画像信息集，确定与所述目标用户对应的召回信息集之后，所述方法还可以包括：
对每个召回信息进行排重过滤处理或地域过滤处理。
对召回信息进行过滤处理可以便于挑选优质的召回结果，有效提高信息推送的准确性，降低信息误推送的概率。
S205.获取每个召回信息对应的多个召回属性特征。
本说明书实施例中，在通过不同的召回理由对召回信息进行召回的时候，系统会自动记录下每个召回信息对应的多个召回属性特征。其中，每个召回信息对应的多个召回属性特征包括每个召回信息对应的多个召回理由、每个召回信息对应的多个召回画像以及每个召回信息对应的多个召回得分。所述召回画像表征所述画像信息集中的至少一个画像信息，所述召回理由表征获取所述召回信息的方式，所述召回得分表征所述目标用户的画像信息与所述待推送信息的匹配度。
在一个可行的实施例中，以信息为新闻信息，场景为新闻阅读场景为例，若通过S203获得了N篇新闻文章，文章1是基于push画像、要闻画像和七天画像，并通过一级类召回方式获得的，文章1通过一级类召回的匹配得分为90％，那在得到该文章1的时候，系统会自动记录文章1的召回理由为一级类召回，召回画像为push画像、要闻画像和七天画像，召回得分为90％，文章2是基于push画像、外部画像和微信插件画像，并通过tag召回方式获得的，文章2通过tag召回的匹配得分为95％，那在得到该文章2的时候，系统会自动记录文章2的召回理由为tag召回，召回画像为push画像、外部画像和微信插件画像，召回得分为95％，以此类推，就可以得到每个召回信息对应的多个召回属性特征。
在实际应用中，有可能一篇文章会出现被多次召回的情况，以上述文章1为例，即文章1除了被上述方式召回外，还可以基于视频画像、外部画像和微信画像，通过热门召回方式进行召回，召回匹配度为90％，则系统会自动记录每个召回方式相对应的召回属性特征。
本说明书实施例中，基于大量数据分析，利用多画像源、多召回理由、召回分等特征，并可结合增量扩展文章、地域文章，深层次理解和满足用户阅读需求，增强个性化。
S207.对所述每个召回信息对应的多个召回属性特征进行融合处理，得到与所述召回信息对应的融合属性特征。
本说明书实施例中，在得到每个召回信息对应的多个召回属性特征后，可以对得到的多个召回属性特征进行融合处理，以得到与每个召回信息对应的融合属性特征。
在一个可行的实施例中，考虑到点击预测模型的压力，可以选取较少的特征进行后续的点击预测处理，经过大量的试验验证，可以采用召回理由、召回画像、召回理由+召回得分、召回理由+召回画像这四个特征作为点击预测模型预测的特征，原因在于，这四个特征不仅非常精炼，对不同召回的重要性、不同画像源的重要性、用户和信息的匹配情况均能体现出来。
在一个可行的实施例中，如图3所示，所述对所述每个召回信息对应的多个召回属性特征进行融合处理，得到与所述召回信息对应的融合属性特征，可以包括：
S301.对每个召回信息对应的多个召回理由进行或运算，得到所述召回信息对应的第一融合属性特征。
在一个可行的实施例中，针对每个召回信息，可以给每个召回定义一个2的指数级的整数值作为召回路由，召回理由是可叠加和反解析的，即如果一篇信息被多次召回，其召回理由可以通过“或运算”叠加到一起形成与每个召回信息对应的第一融合属性特征，同时通过该第一融合属性特征可以反解析出信息是被哪些召回所召回的。
在一个可行的实施例中，以信息为新闻信息，场景为新闻阅读场景为了进行说明，若通过S203获得了N篇新闻文章，文章1被一级类召回、二级类召回和tag召回这三种召回方式同时召回，经上述整数值定义后，一级类召回的召回理由为1，二级类召回的召回理由为2，tag召回的召回理由为4，则通过“或运算”叠加后，最终的召回理由，即第一融合特征为7，通过该第一融合特征，可以反解析出该文章1是被哪些召回所召回的。
在一个可行的实施例中，除了采用2的指数以数字形式叠加以外，还可以采用字符串的形式对召回理由进行叠加，本说明书实施例并不限定召回理由叠加的具体方式。
在实际应用中，召回理由叠加越丰富，整体的点击率就越高。
S303.对每个召回信息对应的多个召回画像进行或运算，得到所述召回信息对应的第二融合属性特征。
本说明书实施例中，与召回理由类似，针对每个召回画像，可以定义一个2的指数级的整数值作为召回画像，召回画像也是可叠加和反解析的。
在一个可行的实施例中，除了采用2的指数以数字形式叠加，还可以采用字符串的形式对召回画像进行叠加，本说明书实施例并不限定召回画像叠加的具体方式。
在实际应用中，画像叠加越丰富，整体的点击率就越高。
S305.计算每个召回信息对应的多个召回理由以及所述召回信息对应的多个召回得分的并集，得到所述召回信息对应的第三融合属性特征。
本说明书实施例中，第三融合属性特征即“召回理由+召回得分”组合的特征，计算每个召回信息对应的多个召回理由以及所述召回信息对应的多个召回得分的并集具体是指，对于每个召回信息，将该召回信息对应的多个召回理由以及所述召回信息对应的多个召回得分进行合并。
本说明书实施例中，用户画像中不论是一级类还是tag等都进行了归一化，由于一级类召回和tag召回在描述用户兴趣的粒度上不一致，造成画像中的权重无法以统一的标准去衡量，一般粒度细的描述特征，其权重相对偏低。为了解决上述问题，可以采用“召回理由和召回得分”的组合特征来刻画用户与信息的匹配情况。需要说明的是，“召回理由和召回得分”的组合特征中的召回理由是尚未叠加前的，这一组合特征保留了召回的原始信息。此外，不同用户在兴趣的广泛度方面差异巨大，特别对于兴趣较多的用户来说，其权重较为分散，特征中的召回会相对偏低，但这不会对后续的点击预测模型的最终预测产生影响。对于点击预测模型来说，召回得分越高，特征的权重就越高，本说明书实施例的目的是选出与给目标用户对应的候选信息，不会进行用户间的比较。因此，用召回得分作特征是合理的。
S307.对每个召回信息对应的多个召回理由以及所述召回信息对应的多个召回画像进行或运算，得到所述召回信息对应的第四融合属性特征。
本说明书实施例中，第四融合特征是“召回理由+召回画像”组合的特征，针对每一个召回信息，可以对该召回信息对应的召回理由以及对应的召回画像进行或运算，得到与该召回信息对应的第四融合属性特征。
S209.将得到的每个召回信息对应的融合属性特征输入点击预测模型进行信息点击预测处理，得到所述目标用户点击每个召回信息的结果。
本说明书实施例中，为了考虑多画像源、多召回方法的协同作用，便于挑选优质的召回结果，在得到上述四个融合属性特征之后，可以将这四个融合属性特征输入预选训练好的点击预测模型进行点击预测处理，从而得到所述目标用户点击每个召回信息的结果。
本说明书实施例中，所述点击预测模型的训练过程可以如下：
获取样本用户的样本画像信息集；
基于所述样本画像信息集，确定与所述样本用户对应的样本召回信息集；
获取每个样本召回信息对应的多个样本召回属性特征；
对所述每个样本召回信息对应的多个样本召回属性特征进行融合处理，得到与所述样本召回信息对应的样本融合属性特征；
将所述样本融合属性特征输入深度学习模型进行信息点击预测训练处理，并将训练得到的模型确定为所述点击预测模型。
本说明书实施例中，所述点击预测模型可以包括极端梯度提升模型(eXtremeGradient Boosting，XGBoost)、因子分解机(Factorization Machine，FM)、场感知分解机(Field-aware Factorization Machine，FFM)、DeepFM模型中的中的任意一种。其中，DeepFM模型，是集成FM模型和深度神经网络模型。DeepFM模型结合了广度和深度模型的优点，联合训练FM模型和深度神经网络模型，从而同时学习低阶特征组合和高阶特征组合。
下面，以所述点击预测模型为FM模型为例进行说明，FM相对于一般线性模型，可以自动实现特征交叉，会考虑的特征的组合效应，有着更强的表达能力，本说明书实施例采用的是二元交叉的FM模型，其目标函数如下：
其中，wo和wi是FM模型的参数，i、j为变量，xi为第i个特征的值，vi是xi的隐向量，vj是xj的隐向量。
在一个可行的实施例中，所述将得到的每个召回信息对应的融合属性特征输入点击预测模型进行信息点击预测处理，得到所述目标用户点击每个召回信息的结果，可以包括：
将每个召回信息对应的第一融合属性特征、每个召回信息对应的第二融合属性特征、每个召回信息对应的第三融合属性特征以及每个召回信息对应的第四融合属性特征输入FM模型进行信息点击预测处理，得到所述目标用户点击每个召回信息的概率。
S2011.基于所述目标用户点击每个召回信息的结果，确定与所述目标用户对应的候选信息集。
本说明书实施例中，如图4所示，所述基于所述目标用户点击每个召回信息的结果，确定与所述目标用户对应的候选信息集，可以包括：
S401.基于所述目标用户点击每个召回信息的概率，对每个召回信息进行降序排列，得到召回信息候选序列。
S403.将所述召回信息候选序列中的前N个召回信息作为候选信息集，其中，N为大于或等于1的正整数。
在一个可行的实施例中，以信息为新闻信息，场景为新闻阅读场景为例进行说明，若得到了5篇新闻文章，通过FM模型预测出文章1被用户点击的概率为80％，文章2被用户点击的概率为90％，文章3被用户点击的概率为95％，文章4被用户点击的概率为85％，文章5被用户点击的概率为75％，则召回信息候选序列为：文章3-文章2-文章4-文章1-文章5。将该序列中的前3篇文章，即文章3、文章2和文章4作为候选信息集。
S2013.将候选信息推送给所述目标用户。
本说明书实施例中，在得到候选信息集后，可以将候选信息集中的候选进行推荐给所述目标用户，比如将上述排名前3的文章推送给目标用户。
本说明书实施例中，通过将融合好的融合属性特征输入点击预测模型进行点击预测处理，同时严格控制信息下发数量，既考虑到召回数量的限制，也考虑到了多画像源、多召回方法的协同作用，更便于挑选优质的召回结果，从而实现不仅可以向用户展示优质召回文章，召回质量更高，还可以通过融合处理和模型预测的共同作用，建立了多次挑选机制，降低了下发文章偏离用户兴趣的风险。
在一个可行的实施例中，针对模型的优化目标，可选用AUC(Area Under Curve)这一模型评价指标。其中，AUC被定义为ROC(Receiver Operating Characteristic)曲线下面区域的面积，可用于评价二值分类器的优劣。试验表明，采用本说明书实施例中的新推送方法，FM模型在离线测试中，其AUC达到0.89左右，在线上对于效果的提升也是明显的，且从线上效果来看，日活跃用户数量(Daily Active User，DAU)提升了22万。
在一个可行的实施例中，以信息为新闻，场景为新闻阅读场景为例，如果所述目标用户对体育新闻比较感兴趣，则会向用户推送与体育相关的3篇新闻文章，具体的终端展示示意图如图5所示。
本申请实施例中的自动化push实现了从“文章找人”到“人找文章”这一方式的改变，这一改变为丰富召回方法、扩展信息池、召回的深度优化打下了基础。随着很多的召回融入自动化push这一框架，信息的挑选更加精细，召回质量更高。
图6所示为本说明书实施例提供的一种信息推送方法的应用场景图，该应用场景为新闻阅读场景，信息为新闻文章，如图6所示，当需要向目标用户推送新闻时，首先加载该目标用户的push画像、视频画像、外部画像、七天画像等，生成该目标用户的画像信息集，同时加载新闻文章到文章池中，采用不同的召回方式，将目标用户的画像信息与文章池中的文章进行匹配，从而得到与该目标用户对应的多篇召回文章并记录每篇召回文章对应的召回理由、召回画像和召回得分，对得到的多篇新闻文章进行排重过滤或地域处理，接着对每篇召回文章对应的召回理由、召回画像和召回得分进行融合，得到与每篇召回文章对应的融合属性特征，将该融合属性特征输入FM模型进行点击预测处理，得到排名前3的召回文章，最后将排名前3的召回文章推送给用户，一方面，实现以用户为中心对新闻进行召回，能够对用户召回信息做灵活处理和宏观把控，契合用户个性化阅读这一产品定位，另一方面，可以沿袭Feed流中的各种召回方法并结合push的特定业务场景做个性化召回，另一方面，基于大量数据分析，利用多画像源、多召回理由、召回得分等特征，并结合增量扩展文章、地域文章，深层次理解和满足用户阅读需求，向用户推荐用户感兴趣的新闻，增强个性化，另一方面，在深层次理解和满足用户阅读需求，增强个性化的基础上，可以优先提高用户使用数量，另一方面，以融合属性特征为基础，使用预测模型对每个召回信息被点击的结果进行预测，预测结果更加准确可靠，另一方面，以用户为中心召回信息对于文章池的扩量也是十分友好的，并不会带来系统上的压力，可以从容应对5.5亿以及未来可能继续增长的用户规模。
如图7所示，本申请实施例还提供了一种信息推送装置，所述装置包括：
第一获取模块701，用于获取目标用户的画像信息集。
第一确定模块703，用于基于所述画像信息集，确定与所述目标用户对应的召回信息集。
第二获取模块705，用于获取每个召回信息对应的多个召回属性特征。
融合模块707，用于对所述每个召回信息对应的多个召回属性特征进行融合处理，得到与所述召回信息对应的融合属性特征。
预测模块709，用于将得到的每个召回信息对应的融合属性特征输入点击预测模型进行信息点击预测处理，得到所述目标用户点击每个召回信息的结果。
第二确定模块7011，用于基于所述目标用户点击每个召回信息的结果，确定与所述目标用户对应的候选信息集。
推送模块7013，用于将候选信息推送给所述目标用户。
在一些实施例中，所述第一确定模块703可以进一步包括：
匹配召回信息获取单元，用于按照不同的召回理由，将所述画像信息集中的画像信息与信息池中的待推送信息进行相似度匹配处理，得到多个匹配召回信息。
召回信息确定单元，用于将所述多个匹配召回信息确定为与所述目标用户对应的召回信息集。
在一些实施例中，所述第二获取模块705可以进一步包括：
获取每个召回信息对应的多个召回理由、每个召回信息对应的多个召回画像以及每个召回信息对应的多个召回得分。
其中，所述召回画像表征所述画像信息集中的至少一个画像信息，所述召回理由表征获取所述召回信息的方式，所述召回得分表征所述目标用户的画像信息与所述待推送信息的匹配度。
在一些实施例中，所述融合模块707可以进一步包括：
第一融合属性特征获取单元，用于对每个召回信息对应的多个召回理由进行或运算，得到所述召回信息对应的第一融合属性特征。
第二融合属性特征获取单元，用于对每个召回信息对应的多个召回画像进行或运算，得到所述召回信息对应的第二融合属性特征。
第三融合属性特征获取单元，用于计算每个召回信息对应的多个召回理由以及所述召回信息对应的多个召回得分的并集，得到所述召回信息对应的第三融合属性特征。
第四融合属性特征获取单元，用于对每个召回信息对应的多个召回理由以及所述召回信息对应的多个召回画像进行或运算，得到所述召回信息对应的第四融合属性特征。
在一些实施例中，所述预测模块709可以进一步用于：
将每个召回信息对应的第一融合属性特征、每个召回信息对应的第二融合属性特征、每个召回信息对应的第三融合属性特征以及每个召回信息对应的第四融合属性特征输入所述点击预测模型进行信息点击预测处理，得到所述目标用户点击每个召回信息的概率；其中，所述点击预测模型通过机器学习训练获得。
在一些实施例中，所述第二确定模块7011可以进一步包括：
召回信息候选序列获取单元，用于基于所述目标用户点击每个召回信息的概率，对每个召回信息进行降序排列，得到召回信息候选序列。
候选信息集确定单元，用于将所述召回信息候选序列中的前N个召回信息作为候选信息集，其中，N为大于或等于1的正整数。
在一些实施例中，所述装置还可以包括过滤模块，所述过滤模块用于对每个召回信息进行排重过滤处理或地域过滤处理。
需要说明的是，本说明书实施例中提供的信息推送装置与上述信息推送方法属于相同的发明构思。
本申请实施例还提供了一种信息推送的设备，该设备包括处理器和存储器，该存储器中存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现如上述方法实施例所提供的信息推送方法。
本申请的实施例还提供了一种存储介质，所述存储介质可设置于终端之中以保存用于实现方法实施例中一种信息推送方法相关的至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述方法实施例提供的信息推送方法。
可选地，在本说明书实施例中，存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书实施例所述存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可主要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、功能所需的应用程序等；存储数据区可存储根据所述设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供处理器对存储器的访问。
本申请实施例所提供的信息推送方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图8是本申请实施例提供的一种信息推送方法的服务器的硬件结构框图。如图8所示，该服务器800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(Central Processing Units，CPU)810(处理器810可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器830，一个或一个以上存储应用程序823或数据822的存储介质820(例如一个或一个以上海量存储设备)。其中，存储器830和存储介质820可以是短暂存储或持久存储。存储在存储介质820的程序可以包括一个或一个以上模块，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器810可以设置为与存储介质820通信，在服务器800上执行存储介质820中的一系列指令操作。服务器800还可以包括一个或一个以上电源860，一个或一个以上有线或无线网络接口850，一个或一个以上输入输出接口840，和/或，一个或一个以上操作系统821，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM等等。
输入输出接口840可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器800的通信供应商提供的无线网络。在一个实例中，输入输出接口840包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，输入输出接口840可以为射频(RadioFrequency，RF)模块，其用于通过无线方式与互联网进行通讯。
本领域普通技术人员可以理解，图8所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器800还可包括比图8中所示更多或者更少的组件，或者具有与图8所示不同的配置。
需要说明的是：上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置和服务器实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种信息推送方法，其特征在于，所述方法包括：
获取目标用户的画像信息集；
基于所述画像信息集，确定与所述目标用户对应的召回信息集；
获取每个召回信息对应的多个召回属性特征；
对所述每个召回信息对应的多个召回属性特征进行融合处理，得到与所述召回信息对应的融合属性特征；
将得到的每个召回信息对应的融合属性特征输入点击预测模型进行信息点击预测处理，得到所述目标用户点击每个召回信息的结果；
基于所述目标用户点击每个召回信息的结果，确定与所述目标用户对应的候选信息集；
将候选信息推送给所述目标用户。
2.根据权利要求1所述的方法，其特征在于，所述基于所述画像信息集，确定与所述目标用户对应的召回信息集，包括：
按照不同的召回理由，将所述画像信息集中的画像信息与信息池中的待推送信息进行相似度匹配处理，得到多个匹配召回信息；
将所述多个匹配召回信息确定为与所述目标用户对应的召回信息集。
3.根据权利要求2所述的方法，其特征在于，所述获取每个召回信息对应的多个召回属性特征，包括：
获取每个召回信息对应的多个召回理由、每个召回信息对应的多个召回画像以及每个召回信息对应的多个召回得分；
其中，所述召回画像表征所述画像信息集中的至少一个画像信息，所述召回理由表征获取所述召回信息的方式，所述召回得分表征所述目标用户的画像信息与所述待推送信息的匹配度。
4.根据权利要求3所述的方法，其特征在于，所述对所述每个召回信息对应的多个召回属性特征进行融合处理，得到与所述召回信息对应的融合属性特征，包括：
对每个召回信息对应的多个召回理由进行或运算，得到所述召回信息对应的第一融合属性特征；
对每个召回信息对应的多个召回画像进行或运算，得到所述召回信息对应的第二融合属性特征；
计算每个召回信息对应的多个召回理由以及所述召回信息对应的多个召回得分的并集，得到所述召回信息对应的第三融合属性特征；
对每个召回信息对应的多个召回理由以及所述召回信息对应的多个召回画像进行或运算，得到所述召回信息对应的第四融合属性特征。
5.根据权利要求4所述的方法，其特征在于，所述将得到的每个召回信息对应的融合属性特征输入点击预测模型进行信息点击预测处理，得到所述目标用户点击每个召回信息的结果，包括：
将每个召回信息对应的第一融合属性特征、每个召回信息对应的第二融合属性特征、每个召回信息对应的第三融合属性特征以及每个召回信息对应的第四融合属性特征输入所述点击预测模型进行信息点击预测处理，得到所述目标用户点击每个召回信息的概率；其中，所述点击预测模型通过机器学习训练获得。
6.根据权利要求5所述的方法，其特征在于，所述基于所述目标用户点击每个召回信息的结果，确定与所述目标用户对应的候选信息集，包括：
基于所述目标用户点击每个召回信息的概率，对每个召回信息进行降序排列，得到召回信息候选序列；
将所述召回信息候选序列中的前N个召回信息作为候选信息集，其中，N为大于或等于1的正整数。
7.根据权利要求1所述的方法，其特征在于，所述基于所述画像信息集，确定与所述目标用户对应的召回信息集之后，所述方法还包括：
对每个召回信息进行排重过滤处理或地域过滤处理。
8.一种信息推送装置，其特征在于，所述装置包括：
第一获取模块，用于获取目标用户的画像信息集；
第一确定模块，用于基于所述画像信息集，确定与所述目标用户对应的召回信息集；
第二获取模块，用于获取每个召回信息对应的多个召回属性特征；
融合模块，用于对所述每个召回信息对应的多个召回属性特征进行融合处理，得到与所述召回信息对应的融合属性特征；
预测模块，用于将得到的每个召回信息对应的融合属性特征输入点击预测模型进行信息点击预测处理，得到所述目标用户点击每个召回信息的结果；
第二确定模块，用于基于所述目标用户点击每个召回信息的结果，确定与所述目标用户对应的候选信息集；
推送模块，用于将候选信息推送给所述目标用户。
9.一种设备，其特征在于，所述设备包括：处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-7任一所述的信息推送方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-7任一所述的信息推送方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910547432.7A CN112131456A (zh) | 2019-06-24 | 2019-06-24 | 一种信息推送方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910547432.7A CN112131456A (zh) | 2019-06-24 | 2019-06-24 | 一种信息推送方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112131456A true CN112131456A (zh) | 2020-12-25 |
Family
ID=73849192
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910547432.7A Pending CN112131456A (zh) | 2019-06-24 | 2019-06-24 | 一种信息推送方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112131456A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112685633A (zh) * | 2020-12-30 | 2021-04-20 | 杭州智聪网络科技有限公司 | 一种基于召回模型和预测模型的信息推荐方法及系统 |
| CN112817442A (zh) * | 2021-01-20 | 2021-05-18 | 北京理工大学 | 基于ffm的多任务情况下态势信息分类推荐系统及方法 |
| CN113515696A (zh) * | 2021-05-17 | 2021-10-19 | 上海众源网络有限公司 | 推荐方法、装置、电子设备及存储介质 |
| CN113689232A (zh) * | 2021-07-27 | 2021-11-23 | 阿里巴巴（中国）有限公司 | 对人群召回服务进行检测的方法、装置及电子设备 |
| CN114036391A (zh) * | 2021-11-17 | 2022-02-11 | 北京百度网讯科技有限公司 | 数据推送方法、装置、电子设备和存储介质 |
| CN114330519A (zh) * | 2021-12-20 | 2022-04-12 | 北京达佳互联信息技术有限公司 | 数据确定方法、装置、电子设备及存储介质 |
| CN114547434A (zh) * | 2021-12-30 | 2022-05-27 | 北京达佳互联信息技术有限公司 | 对象推荐方法、装置、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108804443A (zh) * | 2017-04-27 | 2018-11-13 | 安徽富驰信息技术有限公司 | 一种基于多特征融合的司法类案搜索方法 |
| CN109408703A (zh) * | 2018-09-03 | 2019-03-01 | 腾讯科技（深圳）有限公司 | 信息推荐方法及其系统、装置、电子设备、存储介质 |
| CN109684554A (zh) * | 2018-12-26 | 2019-04-26 | 腾讯科技（深圳）有限公司 | 新闻的潜在用户的确定方法及新闻推送方法 |
| US20190182059A1 (en) * | 2017-12-12 | 2019-06-13 | Facebook, Inc. | Utilizing machine learning from exposed and non-exposed user recall to improve digital content distribution |
-
2019
- 2019-06-24 CN CN201910547432.7A patent/CN112131456A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108804443A (zh) * | 2017-04-27 | 2018-11-13 | 安徽富驰信息技术有限公司 | 一种基于多特征融合的司法类案搜索方法 |
| US20190182059A1 (en) * | 2017-12-12 | 2019-06-13 | Facebook, Inc. | Utilizing machine learning from exposed and non-exposed user recall to improve digital content distribution |
| CN109408703A (zh) * | 2018-09-03 | 2019-03-01 | 腾讯科技（深圳）有限公司 | 信息推荐方法及其系统、装置、电子设备、存储介质 |
| CN109684554A (zh) * | 2018-12-26 | 2019-04-26 | 腾讯科技（深圳）有限公司 | 新闻的潜在用户的确定方法及新闻推送方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112685633A (zh) * | 2020-12-30 | 2021-04-20 | 杭州智聪网络科技有限公司 | 一种基于召回模型和预测模型的信息推荐方法及系统 |
| CN112817442A (zh) * | 2021-01-20 | 2021-05-18 | 北京理工大学 | 基于ffm的多任务情况下态势信息分类推荐系统及方法 |
| CN113515696A (zh) * | 2021-05-17 | 2021-10-19 | 上海众源网络有限公司 | 推荐方法、装置、电子设备及存储介质 |
| CN113689232A (zh) * | 2021-07-27 | 2021-11-23 | 阿里巴巴（中国）有限公司 | 对人群召回服务进行检测的方法、装置及电子设备 |
| CN113689232B (zh) * | 2021-07-27 | 2023-07-28 | 阿里巴巴华北技术有限公司 | 对人群召回服务进行检测的方法、装置及电子设备 |
| CN114036391A (zh) * | 2021-11-17 | 2022-02-11 | 北京百度网讯科技有限公司 | 数据推送方法、装置、电子设备和存储介质 |
| CN114330519A (zh) * | 2021-12-20 | 2022-04-12 | 北京达佳互联信息技术有限公司 | 数据确定方法、装置、电子设备及存储介质 |
| CN114547434A (zh) * | 2021-12-30 | 2022-05-27 | 北京达佳互联信息技术有限公司 | 对象推荐方法、装置、电子设备及存储介质 |
| CN114547434B (zh) * | 2021-12-30 | 2024-07-09 | 北京达佳互联信息技术有限公司 | 对象推荐方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112131456A (zh) | 一种信息推送方法、装置、设备及存储介质 | |
| CN108921221B (zh) | 用户特征的生成方法、装置、设备及存储介质 | |
| WO2021042826A1 (zh) | 一种视频播放完整度预测方法及装置 | |
| CN107832437B (zh) | 音/视频推送方法、装置、设备及存储介质 | |
| CN106326391B (zh) | 多媒体资源推荐方法及装置 | |
| US20170169349A1 (en) | Recommending method and electronic device | |
| CN111368141B (zh) | 视频标签的扩展方法、装置、计算机设备和存储介质 | |
| CN106131601A (zh) | 视频推荐方法及装置 | |
| US10482142B2 (en) | Information processing device, information processing method, and program | |
| CN111191133B (zh) | 业务搜索处理方法、装置及设备 | |
| WO2022247220A1 (zh) | 界面处理方法及装置 | |
| CN111597446B (zh) | 基于人工智能的内容推送方法、装置、服务器和存储介质 | |
| US9325754B2 (en) | Information processing device and information processing method | |
| CN109511015A (zh) | 多媒体资源推荐方法、装置、存储介质及设备 | |
| WO2016115943A1 (zh) | 一种音乐推荐方法及装置 | |
| JP2012129979A (ja) | 区間作成装置、区間作成方法、及び区間作成プログラム | |
| CN103984690A (zh) | 创建播放列表 | |
| CN111104583A (zh) | 一种直播间推荐方法、存储介质、电子设备及系统 | |
| CN108470057B (zh) | 整合资讯的生成、推送方法、装置、终端、服务器及介质 | |
| CN113535991A (zh) | 一种多媒体资源推荐方法、装置、电子设备及存储介质 | |
| CN115329131A (zh) | 素材标签推荐方法、装置、电子设备及存储介质 | |
| CN111954017B (zh) | 直播间搜索方法、装置、服务器及存储介质 | |
| CN112163163B (zh) | 多算法融合的信息推荐方法、装置和设备 | |
| CN107644094B (zh) | 构建精品资源库的方法、装置、服务器及存储介质 | |
| CN113742578A (zh) | 一种数据推荐方法、装置、电子设备及存储介质 |
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 |