CN112417216B - 一种对象推荐方法、装置、服务器及存储介质 - Google Patents
一种对象推荐方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN112417216B CN112417216B CN201910786657.8A CN201910786657A CN112417216B CN 112417216 B CN112417216 B CN 112417216B CN 201910786657 A CN201910786657 A CN 201910786657A CN 112417216 B CN112417216 B CN 112417216B
- Authority
- CN
- China
- Prior art keywords
- recommended
- feature vector
- target
- target user
- index
- 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
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
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- 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)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种对象推荐方法、装置、服务器及存储介质,通过获取目标用户的特征向量组;利用目标用户的特征向量组,按照预先设定的索引序列建立规则,生成目标用户的索引序列;在预先建立的待推荐对象的索引序列中,将与目标用户的索引序列相同的待推荐对象的索引序列作为目标索引序列,将目标索引序列对应的待推荐对象作为目标推荐对象,将目标推荐对象推荐给目标用户。待推荐对象的特征标签与目标用户的特征标签的种类以及数量都是相同的,而且,目标用户的索引序列的建立规则与待推荐对象的索引序列的建立规则相同,从预先建立的待推荐对象的索引序列中,获取的目标推荐对象的特征更加符合目标用户的特征,从而提高对象推荐结果的准确性。
Description
技术领域
本发明涉及数据处理技术领域,更具体的说,是涉及一种对象推荐方法、装置、服务器及存储介质。
背景技术
随着互联网通信技术的发展,互联网用户数量越来越多,互联网上的资源对象数量也呈海量增长,互联网用户要想在海量的资源对象中寻找到自己所需要的资源对象变得越来越困难。为了帮助用户在海量的资源对象中准确找到符合自己需求或兴趣的资源对象,推荐方法便应运而生。
但由于用户数量的繁多,不同用户所具有的特征种类的繁多、不同资源所具有的特征种类的繁多,都影响着对象推荐结果的准确性,基于此,如何提高对象推荐结果的准确性,是目前需要解决的技术问题。
发明内容
有鉴于此,本发明提供了一种对象推荐方法、装置、服务器及存储介质,以提高对象推荐结果的准确性。
为实现上述目的,本发明提供如下技术方案:
为实现上述目的,一方面,本申请提供了一种对象推荐方法,所述方法包括:
获取目标用户的特征标签,计算所述目标用户的特征标签对应的目标用户特征向量,得到所述目标用户的特征向量组;
利用所述目标用户的特征向量组,按照预先设定的索引序列建立规则,生成所述目标用户的索引序列;
在预先建立的待推荐对象的索引序列中,将与目标用户的索引序列相同的待推荐对象的索引序列作为目标索引序列,并将目标索引序列对应的待推荐对象作为目标推荐对象,其中,所述待推荐对象的索引序列为依据所述预先设定的索引序列建立规则,对至少一个待推荐对象的特征向量组进行处理后得到的索引序列,所述待推荐对象的特征向量组与所述目标用户的特征向量组的维度相同,目标用户的特征向量组中各个位置的目标用户特征向量的种类与待推荐对象的特征向量组中相应位置的待推荐对象特征向量的种类相同;
将所述目标推荐对象推荐给目标用户。
又一方面,本申请还提供了一种对象推荐装置,所述装置包括:
特征向量组获取单元,用于获取目标用户的特征标签,计算所述目标用户的特征标签对应的目标用户特征向量,得到所述目标用户的特征向量组;
索引序列生成单元,用于利用所述目标用户的特征向量组,按照预先设定的索引序列建立规则,生成所述目标用户的索引序列;
目标推荐对象获取单元,用于在预先建立的待推荐对象的索引序列中,将与目标用户的索引序列相同的待推荐对象的索引序列作为目标索引序列,并将目标索引序列对应的待推荐对象作为目标推荐对象,其中,所述待推荐对象的索引序列为依据所述预先设定的索引序列建立规则,对至少一个待推荐对象的特征向量组进行处理后得到的索引序列,所述待推荐对象的特征向量组与所述目标用户的特征向量组的维度相同,目标用户的特征向量组中各个位置的目标用户特征向量的种类与待推荐对象的特征向量组中相应位置的待推荐对象特征向量的种类相同;
目标推荐对象推荐单元,用于将所述目标推荐对象推荐给目标用户。
又一方面,本申请还提供了一种服务器,所述服务器包括:
处理器和存储器;
所述处理器,用于调用并执行所述存储器中存储的程序;
所述存储器用于存储所述程序,所述程序至少用于:
获取目标用户的特征标签,计算所述目标用户的特征标签对应的目标用户特征向量,得到所述目标用户的特征向量组;
利用所述目标用户的特征向量组,按照预先设定的索引序列建立规则,生成所述目标用户的索引序列;
在预先建立的待推荐对象的索引序列中,将与目标用户的索引序列相同的待推荐对象的索引序列作为目标索引序列,并将目标索引序列对应的待推荐对象作为目标推荐对象,其中,所述待推荐对象的索引序列为依据所述预先设定的索引序列建立规则,对至少一个待推荐对象的特征向量组进行处理后得到的索引序列,所述待推荐对象的特征向量组与所述目标用户的特征向量组的维度相同,目标用户的特征向量组中各个位置的目标用户特征向量的种类与待推荐对象的特征向量组中相应位置的待推荐对象特征向量的种类相同;
将所述目标推荐对象推荐给目标用户。
又一方面,本申请还提供了一种存储介质,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现如上所述的对象推荐方法。
经由上述的技术方案可知,与现有技术相比,本发明提供了一种对象推荐方法、装置、服务器及存储介质,通过获取目标用户的特征标签,计算所述目标用户的特征标签对应的目标用户特征向量,得到所述目标用户的特征向量组;利用所述目标用户的特征向量组,按照预先设定的索引序列建立规则,生成所述目标用户的索引序列;在预先建立的待推荐对象的索引序列中,将与目标用户的索引序列相同的待推荐对象的索引序列作为目标索引序列,并将目标索引序列对应的待推荐对象作为目标推荐对象,其中,所述待推荐对象的索引序列为依据所述预先设定的索引序列建立规则,对至少一个待推荐对象的特征向量组进行处理后得到的索引序列,所述待推荐对象的特征向量组与所述目标用户的特征向量组的维度相同,目标用户的特征向量组中各个位置的目标用户特征向量的种类与待推荐对象的特征向量组中相应位置的待推荐对象特征向量的种类相同;将所述目标推荐对象推荐给目标用户。由于待推荐对象的特征向量组与所述目标用户的特征向量组的维度相同,目标用户的特征向量组中各个位置的目标用户特征向量的种类与待推荐对象的特征向量组中相应位置的待推荐对象特征向量的种类相同,也就是说,待推荐对象的特征标签与目标用户的特征标签的种类以及数量都是相同的,而且,目标用户的索引序列的建立规则与待推荐对象的索引序列的建立规则相同,目标用户的索引序列与目标用户的特征向量相关,待推荐对象的索引序列与待推荐对象的特征向量相关,因此,获取的目标推荐对象的特征向量与目标用户的特征向量相似度较高,即目标推荐对象的特征更加符合目标用户的特征,从而提高对象推荐结果的准确性。
附图说明
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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的服务器的一种组成结构示意图;
图2为本发明实施例提供的一种对象推荐方法的流程图;
图3为本发明实施例提供的另一种对象推荐方法的流程图;
图4为本发明实施例提供的一种利用目标用户的特征向量组,按照预先设定的索引序列建立规则,生成目标用户的索引序列的方法流程图;
图5为本发明实施例提供的用户索引表示意图;
图6为本发明实施例提供的待推荐文章索引表示意图;
图7为本发明实施例提供的一种对象推荐装置的一种组成结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本申请中的对象推荐方法可以应用于互联网上的资源搜索场景和/或资源推荐场景中,本申请中的对象可以指的是用户,还可以指的物品,而物品的种类可以依据不同的场景设定而不同,例如:物品可以指的是任意种类的商品、或者任意种类的消息、新闻资讯等,例如向用户推荐感兴趣的好友、商品、或新闻资讯等,本申请实施例不做具体限定。利用本申请中的对象推荐方法从预先建立的待推荐对象的索引序列中,获取的与目标用户的索引序列对应的目标推荐对象的特征向量与目标用户的特征向量相似度较高,即目标推荐对象的特征更加符合目标用户的特征,从而提高对象推荐结果的准确性。
本申请的方案可以适用于服务器。
为了便于理解,先对本申请实施例的对象推荐方法所适用的服务器进行介绍。如图1所示,其示出了本申请的方案所适用的服务器的一种组成结构示意图。在图1中,该服务器100可以包括:处理器101和存储器102。
该服务器100还可以包括:通信接口103、输入单元104和显示器105和通信总线106。
处理器101、存储器102、通信接口103、输入单元104、显示器105、均通过通信总线106完成相互间的通信。
在本申请实施例中,该处理器101,可以为中央处理器(Central ProcessingUnit,CPU),现成可编程门阵列(FPGA)或者其他可编程逻辑器件等。
该处理器可以调用存储器102中存储的程序,具体的,可以处理器可以执行以下方法实施例中终端侧所执行的操作。
存储器102中用于存放一个或者一个以上程序,程序可以包括程序代码,所述程序代码包括计算机操作指令,在本申请实施例中,该存储器中至少存储有用于实现以下功能的程序:
获取目标用户的特征标签,计算所述目标用户的特征标签对应的目标用户特征向量,得到所述目标用户的特征向量组;
利用所述目标用户的特征向量组,按照预先设定的索引序列建立规则,生成所述目标用户的索引序列;
在预先建立的待推荐对象的索引序列中,将与目标用户的索引序列相同的待推荐对象的索引序列作为目标索引序列,并将目标索引序列对应的待推荐对象作为目标推荐对象,其中,所述待推荐对象的索引序列为依据所述预先设定的索引序列建立规则,对至少一个待推荐对象的特征向量组进行处理后得到的索引序列,所述待推荐对象的特征向量组与所述目标用户的特征向量组的维度相同,目标用户的特征向量组中各个位置的目标用户特征向量的种类与待推荐对象的特征向量组中相应位置的待推荐对象特征向量的种类相同;
将所述目标推荐对象推荐给目标用户。
在一种可能的实现方式中,该存储器102可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、以上所提到的程序等;存储数据区可存储根据终端的使用过程中所创建的数据。
此外,存储器102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等。该通信接口103可以为通信模块的接口,如GSM模块的接口。该输入单元可以包括感应触摸显示面板上的触摸事件的触摸感应单元、键盘等等。该显示器105包括显示面板,如触摸显示面板等。
当然,图1所示的服务器结构并不构成对本申请实施例中服务器的限定,在实际应用中服务器可以包括比图1所示的更多或更少的部件,或者组合某些部件。
结合以上内容,对本申请的对象推荐方法进行介绍。
如图2,其示出了本申请一种对象推荐方法一个实施例的流程示意图,本实施例应用于如上所提到的服务器,本实施例包括:
S200、获取目标用户的特征标签,计算所述目标用户的特征标签对应的目标用户特征向量,得到所述目标用户的特征向量组;
需要说明的是,本申请实施例中可以利用预先训练的用户特征向量训练模型,获取目标用户的特征标签,并计算所述目标用户的特征标签对应的目标用户特征向量;利用向量线性组合方式,将目标用户特征向量映射到预先设置的基向量的向量空间下,得到所述目标用户的特征向量组。
目标用户的特征标签为标识目标用户特征的信息,特征标签的种类可以通过预先训练的用户特征向量训练模型得到,每个特征标签对应一个特征向量,特征向量为对特征标签进行特征量化得到的结果,特征向量为具体的数值,可选的,特征向量可以为0-1之间的任意数值,特征向量的大小表明了用户与该特征向量对应的特征标签的相关性的大小,特征向量的数值越大,表明用户与该特征向量对应的特征标签的相关性越大,特征向量的数值越小,表明用户与该特征向量对应的特征标签的相关性越小。
需要说明的是,本申请实施例中的用户特征向量训练模型为依据不同用户对应的特征向量值样本进行训练得到。
可选的,本申请实施例可以通过利用海量数据,通过模型训练的方式计算出N维基向量e,具体可以利用embedding训练模型,依据不同用户对应的特征标签样本进行训练得到。本申请可以通过向量线性组合方式,将目标用户特征向量映射到预先设置的基向量的向量空间下,得到所述目标用户的特征向量组,目标用户的特征向量组与基向量e具有相同的维数。
S210、利用所述目标用户的特征向量组,按照预先设定的索引序列建立规则,生成所述目标用户的索引序列;
需要说明的是,本申请中的目标用户的索引序列为目标用户存储位置的索引序列,利用索引序列即可确定目标用户所在的存储位置,具有同一索引序列的不同用户存储在相同的存储位置,由于本申请中的述目标用户的索引序列是依据目标用户的特征向量组而建立的,因此,具有同一索引序列的不同用户所具有的特征向量的数值接近,也就是说,具有同一索引序列的不同用户所具有的特征相近,具有同一索引序列的不同用户相似度较高。
可选的,本申请可以将目标用户存储到索引表中,每个索引表中包含了不同级别个子索引表,索引表与每个不同级别的子索引表之间是层层嵌套的关系。索引序列为由至少一个级别的索引表的索引组成的序列,索引序列中的索引按照最外层索引表的索引到最内层子索引表的索引的顺序排列。
需要说明的是,本申请可以依据所述目标用户的特征向量组中包含的特征向量值的大小以及特征向量值的数量,生成所述目标用户的索引序列,所述目标用户的索引序列中包含N-1级索引,索引序列中每级索引的索引标识,与按照预设排列顺序排列的前N-1个目标用户的特征向量值在目标用户的特征向量组中的位置相对应,N为目标用户的特征向量组中包含的特征向量值的数量。
可选的,本申请中预先建立了每级索引的索引标识与按照预设排列顺序排列的前N-1个目标用户的特征向量值在目标用户的特征向量组中的位置的对应关系。
可选的,索引序列中按照第一级索引到第N-1级索引的顺序,每级索引的索引标识,与按照预设排列顺序排列的前N-1个目标用户的特征向量值在目标用户的特征向量组中的位置相对应。从第一级索引到第N-1级索引的关系为逐级嵌套的方式:第一级索引中包含第二级索引,第二级索引中包含第三级索引…依次类推,第N-2级索引中包含第N-1级索引。
S220、在预先建立的待推荐对象的索引序列中,将与目标用户的索引序列相同的待推荐对象的索引序列作为目标索引序列,并将目标索引序列对应的待推荐对象作为目标推荐对象,其中,所述待推荐对象的索引序列为依据所述预先设定的索引序列建立规则,对至少一个待推荐对象的特征向量组进行处理后得到的索引序列,所述待推荐对象的特征向量组与所述目标用户的特征向量组的维度相同,目标用户的特征向量组中各个位置的目标用户特征向量的种类与待推荐对象的特征向量组中相应位置的待推荐对象特征向量的种类相同;
由于所述待推荐对象的索引序列为依据所述预先设定的索引序列建立规则,对至少一个待推荐对象的特征向量组进行处理后得到的索引序列,本申请待推荐对象的特征向量组与目标用户的特征向量组都是在同一个基向量的基础上得到的,因此,所述待推荐对象的特征向量组与所述目标用户的特征向量组的维度相同,目标用户的特征向量组中各个位置的目标用户特征向量的种类与待推荐对象的特征向量组中相应位置的待推荐对象特征向量的种类相同,目标用户的特征标签的种类与数量,与待推荐对象的特征标签的种类与数量相同,本申请中特征向量的种类即特征标签的种类。
本申请实施例公开了一种待推荐对象的特征向量组的建立过程:
利用预先训练的对象特征向量训练模型,获取待推荐对象的特征标签,并计算所述待推荐对象的特征标签对应的待推荐对象特征向量;利用向量线性组合方式,将待推荐对象特征向量映射到预先设置的基向量的向量空间下,得到所述待推荐对象的特征向量组。
由于本申请实施例中待推荐对象的索引序列的建立规则与目标用户的索引序列的建立规则相同,因此得到的关于包含所有用户对应的索引序列的索引表与包含所有待推荐对象对应的索引序列的索引表的结构是完全一样的,因此,本申请实施例中可以在预先建立的待推荐对象的索引序列中,获取与目标用户的索引序列相同的待推荐对象的索引序列,并将其作为目标索引序列,然后将目标索引序列对应的待推荐对象作为目标推荐对象,与目标用户的索引序列具有相同索引序列的待推荐对象的特征向量与目标用户的特征向量相近。
基于此,本申请实施例公开了待推荐对象的索引序列的建立过程包括:
依据所述待推荐对象的特征向量组中包含的特征向量值的大小以及特征向量值的数量,生成所述待推荐对象的索引序列,所述待推荐对象的索引序列中包含N-1级索引,索引序列中每级索引的索引标识,与按照预设排列顺序排列的前N-1个待推荐对象的特征向量值在待推荐对象的特征向量组中的位置相对应,N为待推荐对象的特征向量组中包含的特征向量值的数量。
需要说明的是,对于待推荐对象的特征向量值对应的预设排列顺序与目标用户的特征向量值对应的预设排列顺序相同。
S230、将所述目标推荐对象推荐给目标用户。
本发明实施例通过获取目标用户的特征标签,计算所述目标用户的特征标签对应的目标用户特征向量,得到所述目标用户的特征向量组;利用所述目标用户的特征向量组,按照预先设定的索引序列建立规则,生成所述目标用户的索引序列;在预先建立的待推荐对象的索引序列中,将与目标用户的索引序列相同的待推荐对象的索引序列作为目标索引序列,并将目标索引序列对应的待推荐对象作为目标推荐对象,其中,所述待推荐对象的索引序列为依据所述预先设定的索引序列建立规则,对至少一个待推荐对象的特征向量组进行处理后得到的索引序列,所述待推荐对象的特征向量组与所述目标用户的特征向量组的维度相同,目标用户的特征向量组中各个位置的目标用户特征向量的种类与待推荐对象的特征向量组中相应位置的待推荐对象特征向量的种类相同;将所述目标推荐对象推荐给目标用户。由于待推荐对象的特征向量组与所述目标用户的特征向量组的维度相同,目标用户的特征向量组中各个位置的目标用户特征向量的种类与待推荐对象的特征向量组中相应位置的待推荐对象特征向量的种类相同,也就是说,待推荐对象的特征标签与目标用户的特征标签的种类以及数量都是相同的,而且,目标用户的索引序列的建立规则与待推荐对象的索引序列的建立规则相同,目标用户的索引序列与目标用户的特征向量相关,待推荐对象的索引序列与待推荐对象的特征向量相关,因此,目标推荐对象的特征向量与目标用户的特征向量相似度较高,即目标推荐对象的特征更加符合目标用户的特征,从而提高对象推荐结果的准确性。
而且,本申请将用户和待推荐对象等向量空间、等维度表示,便于计算用户和待推荐对象的空间相似度,并且直接匹配用户与待推荐对象的相似度,计算效率较高,通过向量统一索引方法加速度了搜索待推荐对象的搜索效率。
下面,为了进一步详细说明本申请公开的对象推荐方法,如图3,其示出了本申请提供的另一种对象推荐方法的一个实施例的流程示意图,本实施例应用于如上所提到的服务器,本实施例包括:
S300、获取目标用户的特征标签,计算所述目标用户的特征标签对应的目标用户特征向量,得到所述目标用户的特征向量组;
需要说明的是,为了使得目标用户的特征向量组中的特征向量更加符合目标用户的特征,本申请实施例还依据业务场景的不同,确定目标用户的每个特征标签的权重值,然后将目标用户的特征标签按照权重值由大到小的顺序排列,并从中选取前N个目标用户的特征标签,N可以由技术人员进行设定,本申请不做具体限定。筛选出的前N个目标用户的特征标签都是权重值比较高的特征标签,能够更加符合目标用户的特征。
进一步的,然后确定出前N个目标用户的特征标签各自对应的特征向量,然后针对每个特征向量,结合每个特征向量的权重值(即为特征标签的权重值),对每个特征向量执行加权求和,再利用加权求和的结果对每个特征向量做归一化处理,将归一化结果作为目标用户特征向量,得到所述目标用户的特征向量组。
S310、依据目标用户的特征向量组中包含的特征向量值的大小以及特征向量值的数量,生成目标用户的索引序列;
在本申请实施例中,所述目标用户的索引序列中包含N-1级索引,索引序列中每级索引的索引标识,与按照由大到小顺序排列的目标用户的前N-1个特征向量值在目标用户的特征向量组中的位置相对应,N为目标用户的特征向量组中包含的特征向量值的数量。
本申请实施例中将目标用户的所有特征向量值按照数值由大到小的顺序排列,然后分别确定由大到小的顺序排列的前N-1个特征向量值在目标用户的特征向量组中的位置,然后按照索引序列中每级索引的排列顺序,建立每级索引的索引标识与由大到小的顺序排列的前N-1个特征向量值在目标用户的特征向量组中的位置的对应关系。其中,当本申请实施例中的索引序列为索引表时,索引序列中每级索引的排列顺序为按照最外层索引表的索引到最内层子索引表的索引的顺序排列。
S320、在预先建立的待推荐对象的索引序列中,将与目标用户的索引序列相同的待推荐对象的索引序列作为目标索引序列,并将目标索引序列对应的待推荐对象作为目标推荐对象,其中,所述待推荐对象的索引序列为依据所述预先设定的索引序列建立规则,对至少一个待推荐对象的特征向量组进行处理后得到的索引序列,所述待推荐对象的特征向量组与所述目标用户的特征向量组的维度相同,目标用户的特征向量组中各个位置的目标用户特征向量的种类与待推荐对象的特征向量组中相应位置的待推荐对象特征向量的种类相同;
待推荐对象的特征向量组的建立过程可以参照上述目标对象的特征向量组的建立过程:
确定待推荐对象的每个特征标签的权重值,然后将待推荐对象的特征标签按照权重值由大到小的顺序排列,并从中选取前N个待推荐对象的特征标签,N可以由技术人员进行设定,本申请不做具体限定。筛选出的前N个待推荐对象的特征标签都是权重值比较高的特征标签,能够更加符合待推荐对象的特征。进一步的,确定出前N个待推荐对象的特征标签各自对应的特征向量,然后针对每个特征向量,结合每个特征向量的权重值(即为特征标签的权重值),对每个特征向量执行加权求和,再利用加权求和的结果对每个特征向量做归一化处理,将归一化结果作为待推荐对象特征向量,得到所述待推荐对象的特征向量组。
其中,所述待推荐对象的索引序列为依据所述预先设定的索引序列建立规则,对至少一个待推荐对象的特征向量组进行处理后得到的索引序列,所述待推荐对象的特征向量组与所述目标用户的特征向量组的维度相同,目标用户的特征向量组中各个位置的目标用户特征向量的种类与待推荐对象的特征向量组中相应位置的待推荐对象特征向量的种类相同。
需要说明的是,本申请实施例中待推荐对象的索引序列的建立过程可以为:
依据所述待推荐对象的特征向量组中包含的特征向量值的大小以及特征向量值的数量,生成所述待推荐对象的索引序列,所述待推荐对象的索引序列中包含N-1级索引,索引序列中每级索引的索引标识,与按照由大到小顺序排列的待推荐对象的前N-1个特征向量值在待推荐对象的特征向量组中的位置相对应,N为待推荐对象的特征向量组中包含的特征向量值的数量。
本申请实施例中将待推荐对象的所有特征向量值按照数值由大到小的顺序排列,然后分别确定由大到小的顺序排列的前N-1个特征向量值在待推荐对象的特征向量组中的位置,然后按照索引序列中每级索引的排列顺序,建立每级索引的索引标识与由大到小的顺序排列的前N-1个特征向量值在待推荐对象的特征向量组中的位置的对应关系。其中,当本申请实施例中的索引序列为索引表时,索引序列中每级索引的排列顺序为按照最外层索引表的索引到最内层子索引表的索引的顺序排列。
由于本申请实施例中待推荐对象的索引序列的建立规则与目标用户的索引序列的建立规则相同,因此得到的关于包含所有用户对应的索引序列的索引表与包含所有待推荐对象对应的索引序列的索引表的结构是完全一样的,因此,本申请实施例中可以在预先建立的待推荐对象的索引序列中,获取与目标用户的索引序列相同的待推荐对象的索引序列,并将其作为目标索引序列,然后将目标索引序列对应的待推荐对象作为目标推荐对象,与目标用户的索引序列具有相同索引序列的待推荐对象的特征向量与目标用户的特征向量相近。
S330、利用预先设置的相似度计算规则,分别计算每个目标推荐对象的特征向量组与目标用户的特征向量组的相似度;
需要说明的是,本申请可以利用向量内积法来计算每个目标推荐对象的特征向量组与目标用户的特征向量组的相似度,本申请实施例还可以采用其他方法来计算每个目标推荐对象的特征向量组与目标用户的特征向量组的相似度,此处不做具体限定。
S340、将相似度符合预设阈值的目标推荐对象作为最终目标推荐对象;
例如可以将相似度大于预设阈值的目标推荐对象作为最终目标推荐对象,本申请中的预设阈值可以由本领域技术人员设定,在此不做具体限定。
S350、将最终目标推荐对象推荐给目标用户。
本申请实施例可以将最终目标推荐对象生成倒排表,并打入redis,推荐给目标用户。
本申请实施例中由于待推荐对象的特征向量组与所述目标用户的特征向量组的维度相同,目标用户的特征向量组中各个位置的目标用户特征向量的种类与待推荐对象的特征向量组中相应位置的待推荐对象特征向量的种类相同,也就是说,待推荐对象的特征标签与目标用户的特征标签的种类以及数量都是相同的,而且,目标用户的索引序列的建立规则与待推荐对象的索引序列的建立规则相同,目标用户的索引序列与目标用户的特征向量相关,待推荐对象的索引序列与待推荐对象的特征向量相关,因此,获取的目标推荐对象的特征向量与目标用户的特征向量相似度较高,即目标推荐对象的特征更加符合目标用户的特征,从而提高对象推荐结果的准确性。
并且,本申请中在得到多个目标推荐对象之后,利用预先设置的相似度计算规则,分别计算每个目标推荐对象的特征向量组与目标用户的特征向量组的相似度,将相似度符合预设阈值的目标推荐对象作为最终目标推荐对象,筛选出与目标用户的特征向量相似度更高的最终目标推荐对象,进一步提高了对象推荐结果的准确性。
为了进一步说明索引序列的建立过程,下面以目标用户的索引序列建立过程为例来说明,本申请实施例提供一种利用目标用户的特征向量组,按照预先设定的索引序列建立规则,生成目标用户的索引序列的方法流程图,具体请参见图4。
如图4所示,该方法包括:
S400、从目标用户的特征向量组中选取数值最大的特征向量值作为用户目标向量值;
S410、确定用户目标向量值在目标用户的特征向量组中的位置;
用户目标向量值在目标用户的特征向量组中的位置可以采用用户目标向量值在目标用户的特征向量组中所在的行、列序号表示,在目标用户的特征向量组为行向量组的情况下,用户目标向量值在目标用户的特征向量组中的位置为用户目标向量值在目标用户的特征向量组中的列序号;在目标用户的特征向量组为列向量组的情况下,用户目标向量值在目标用户的特征向量组中的位置为用户目标向量值在目标用户的特征向量组中的行序号。
S420、按照预先设置的索引标识与特征向量值在目标用户的特征向量组中的位置的对应关系,确定用户目标向量值在目标用户的特征向量组中的位置对应的一级索引的索引标识;
本申请中预先建立了索引标识与特征向量值在目标用户的特征向量组中的行、列序号的对应关系。
在本申请实施例中的索引序列为索引表形式的情况下,本申请中一级索引为最外层索引表的索引,本申请实施例中的索引表由最外层索引表到每级子索引表的层层嵌套而成,索引标识可以采用数字的形式表示、也可以采用字母的形式表示,只要是能够唯一区分一个索引即可。
S430、按照特征向量值的数值由大到小顺序,依次从目标用户的特征向量组中选取特征向量值作为用户目标向量值,并按照以上处理方式依次得到N-2级索引的索引标识;
每一个用户目标向量值都对应一级索引的索引标识。
S440、将一级索引的索引标识与N-2级索引的索引标识按照索引的生成顺序进行组合,得到目标用户的索引序列。
按照索引标识的生成顺序,将一级索引的索引标识与N-2级索引的索引标识按照索引的生成顺序进行组合,得到目标用户的索引序列,索引序列中每级索引的排列顺序为按照最外层索引表的索引到最内层子索引表的索引的顺序排列。
相应的,待推荐对象的索引序列的建立方式可以为:
从待推荐对象的特征向量组中选取数值最大的特征向量值作为对象目标向量值;确定对象目标向量值在待推荐对象的特征向量组中的位置;按照预先设置的索引标识与特征向量值在待推荐对象的特征向量组中的位置的对应关系,确定对象目标向量值在待推荐对象的特征向量组中的位置对应的一级索引的索引标识;按照特征向量值的数值由大到小顺序,依次从待推荐对象的特征向量组中选取特征向量值作为对象目标向量值,并按照以上处理方式依次得到N-2级索引的索引标识;将一级索引的索引标识与N-2级索引的索引标识按照索引的生成顺序进行组合,得到待推荐对象的索引序列。
由于目标用户的索引序列的建立方式与待推荐对象的索引序列的建立方式相同,待推荐对象的索引序列的建立的具体细节内容请参照目标用户的索引序列的建立方式的具体内容,本申请实施例不做详细解释。
为了便于理解本申请的方案,下面以具体的给用户A推荐感兴趣的文章场景为例对本申请的方案进行介绍:
1、获取用户A的特征标签:{学生、数码、影视、旅游},计算所述用户A的特征标签{学生、数码、影视、旅游}对应的用户特征向量{0.8、0.7、0.5、0.3},得到用户A的特征向量组{0.8、0.5、0.7、0.3};
2、利用用户A的特征向量组,按照预先设定的索引序列建立规则,生成用户A的索引序列:
确定用户A的特征向量组中最大的特征向量0.8的列序号为1,对应索引序列中的一级索引的索引标识为1;确定用户A的特征向量组中第二最大的特征向量0.7的列序号为3,对应索引序列中的二级索引的索引标识为3;确定用户A的特征向量组中第三最大的特征向量0.5的列序号为2,对应索引序列中的二级索引的索引标识为2;对应得到的用户A的索引序列为1-3-2;
假设用户B的特征向量组{0.9、0.7、0.4、0.3},则相应的,得到用户B的索引序列为1-2-3;假设用户C的特征向量组{0.5、0.9、0.4、0.3},则相应的,得到用户C的索引序列为2-1-3;
用户A、B、C在用户索引表的存储位置如图5所示用户索引表示意图。
3、从预先建立的待推荐文章的索引序列中,将与所述用户A的索引序列相同的待推荐文章的索引序列作为目标文章索引序列,并将目标文章索引序列对应的待推荐文章,作为目标推荐文章。
待推荐文章的特征标签同样为:{学生、数码、影视、旅游};
待推荐文章的索引序列与用户A索引序列的形式相同,待推荐文章索引表与用户索引表的形式相同,利用用户A的索引序列为1-3-2,在预先建立的待推荐文章的索引序列中查找与用户A的索引序列相同的待推荐文章索引序列,并将与用户A的索引序列相同的待推荐文章索引序列对应的待推荐文章作为目标推荐文章,参照图6待推荐文章索引表示意图中,查找的与用户A的索引序列1-3-2对应的目标推荐文章为a,目标推荐文章a的特征向量组{0.9、0.4、0.8、0.1}。
4、将目标推荐文章a推荐给用户A。
对应本申请的一种对象推荐方法,本申请还提供了一种对象推荐装置。如图7所示,其示出了本申请一种对象推荐装置的一种组成结构示意图,本实施例的装置可以应用于前面提到的服务器,该装置可以包括:
特征向量组获取单元100,用于获取目标用户的特征标签,计算所述目标用户的特征标签对应的目标用户特征向量,得到所述目标用户的特征向量组;
索引序列生成单元110,用于利用所述目标用户的特征向量组,按照预先设定的索引序列建立规则,生成所述目标用户的索引序列;
目标推荐对象获取单元120,用于在预先建立的待推荐对象的索引序列中,将与目标用户的索引序列相同的待推荐对象的索引序列作为目标索引序列,并将目标索引序列对应的待推荐对象作为目标推荐对象,其中,所述待推荐对象的索引序列为依据所述预先设定的索引序列建立规则,对至少一个待推荐对象的特征向量组进行处理后得到的索引序列,所述待推荐对象的特征向量组与所述目标用户的特征向量组的维度相同,目标用户的特征向量组中各个位置的目标用户特征向量的种类与待推荐对象的特征向量组中相应位置的待推荐对象特征向量的种类相同;
目标推荐对象推荐单元130,用于将所述目标推荐对象推荐给目标用户。
可选的,所述特征向量组获取单元包括:
特征向量计算单元,用于利用预先训练的用户特征向量训练模型,获取目标用户的特征标签,并计算所述目标用户的特征标签对应的目标用户特征向量;
映射单元,用于利用向量线性组合方式,将目标用户特征向量映射到预先设置的基向量的向量空间下,得到所述目标用户的特征向量组。
可选的,索引序列生成单元包括:
第一索引序列生成子单元,用于依据所述目标用户的特征向量组中包含的特征向量值的大小以及特征向量值的数量,生成所述目标用户的索引序列,所述目标用户的索引序列中包含N-1级索引,索引序列中每级索引的索引标识,与按照预设排列顺序排列的前N-1个目标用户的特征向量值在目标用户的特征向量组中的位置相对应,N为目标用户的特征向量组中包含的特征向量值的数量。
可选的,索引序列生成单元包括:
第二索引序列生成子单元,用于依据所述目标用户的特征向量组中包含的特征向量值的大小以及特征向量值的数量,生成所述目标用户的索引序列,所述目标用户的索引序列中包含N-1级索引,索引序列中每级索引的索引标识,与按照由大到小顺序排列的目标用户的前N-1个特征向量值在目标用户的特征向量组中的位置相对应,N为目标用户的特征向量组中包含的特征向量值的数量。
可选的,索引序列生成单元包括:
用户目标向量值选取单元,用于从目标用户的特征向量组中选取数值最大的特征向量值作为用户目标向量值;
位置确定单元,用于确定用户目标向量值在目标用户的特征向量组中的位置;
索引标识确定单元,用于按照预先设置的索引标识与特征向量值在目标用户的特征向量组中的位置的对应关系,确定用户目标向量值在目标用户的特征向量组中的位置对应的一级索引的索引标识;
目标用户索引序列获取单元,用于按照特征向量值的数值由大到小顺序,依次从目标用户的特征向量组中选取特征向量值作为用户目标向量值,并按照以上处理方式依次得到N-2级索引的索引标识;将一级索引的索引标识与N-2级索引的索引标识按照索引的生成顺序进行组合,得到目标用户的索引序列。
本申请中的对象推荐装置还包括:
待推荐对象索引序列建立单元,用于依据所述待推荐对象的特征向量组中包含的特征向量值的大小以及特征向量值的数量,生成所述待推荐对象的索引序列,所述待推荐对象的索引序列中包含N-1级索引,索引序列中每级索引的索引标识,与按照预设排列顺序排列的前N-1个待推荐对象的特征向量值在待推荐对象的特征向量组中的位置相对应,N为待推荐对象的特征向量组中包含的特征向量值的数量。
本申请中的对象推荐装置还包括:
相似度计算单元,用于利用预先设置的相似度计算规则,分别计算每个目标推荐对象的特征向量组与目标用户的特征向量组的相似度;
最终目标推荐对象确定单元,用于将相似度符合预设阈值的目标推荐对象作为最终目标推荐对象。
相应的,所述目标推荐对象推荐单元具体用于:将最终目标推荐对象推荐给目标用户。
另一方面,本申请还提供了一种存储介质,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现如上所述的对象推荐方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,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发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种对象推荐方法,其特征在于,所述方法包括:
获取目标用户的特征标签,计算所述目标用户的特征标签对应的目标用户特征向量,得到所述目标用户的特征向量组;
利用所述目标用户的特征向量组,按照预先设定的索引序列建立规则,生成所述目标用户的索引序列;
在预先建立的待推荐对象的索引序列中,将与目标用户的索引序列相同的待推荐对象的索引序列作为目标索引序列,并将目标索引序列对应的待推荐对象作为目标推荐对象,其中,所述待推荐对象的索引序列为依据所述预先设定的索引序列建立规则,对至少一个待推荐对象的特征向量组进行处理后得到的索引序列,所述待推荐对象的特征向量组与所述目标用户的特征向量组的维度相同,目标用户的特征向量组中各个位置的目标用户特征向量的种类与待推荐对象的特征向量组中相应位置的待推荐对象特征向量的种类相同;
将所述目标推荐对象推荐给目标用户。
2.根据权利要求1所述的方法,其特征在于,所述获取目标用户的特征标签,计算所述目标用户的特征标签对应的目标用户特征向量,得到所述目标用户的特征向量组的过程包括:
利用预先训练的用户特征向量训练模型,获取目标用户的特征标签,并计算所述目标用户的特征标签对应的目标用户特征向量;
利用向量线性组合方式,将目标用户特征向量映射到预先设置的基向量的向量空间下,得到所述目标用户的特征向量组。
3.根据权利要求1所述的方法,其特征在于,所述利用所述目标用户的特征向量组,按照预先设定的索引序列建立规则,生成所述目标用户的索引序列的过程包括:
依据所述目标用户的特征向量组中包含的特征向量值的大小以及特征向量值的数量,生成所述目标用户的索引序列,所述目标用户的索引序列中包含N-1级索引,索引序列中每级索引的索引标识,与按照预设排列顺序排列的前N-1个目标用户的特征向量值在目标用户的特征向量组中的位置相对应,N为目标用户的特征向量组中包含的特征向量值的数量。
4.根据权利要求1所述的方法,其特征在于,所述利用所述目标用户的特征向量组,按照预先设定的索引序列建立规则,生成所述目标用户的索引序列的过程包括:
依据所述目标用户的特征向量组中包含的特征向量值的大小以及特征向量值的数量,生成所述目标用户的索引序列,所述目标用户的索引序列中包含N-1级索引,索引序列中每级索引的索引标识,与按照由大到小顺序排列的目标用户的前N-1个特征向量值在目标用户的特征向量组中的位置相对应,N为目标用户的特征向量组中包含的特征向量值的数量。
5.根据权利要求1所述的方法,其特征在于,所述利用所述目标用户的特征向量组,按照预先设定的索引序列建立规则,生成所述目标用户的索引序列的过程包括:
从目标用户的特征向量组中选取数值最大的特征向量值作为用户目标向量值;
确定用户目标向量值在目标用户的特征向量组中的位置;
按照预先设置的索引标识与特征向量值在目标用户的特征向量组中的位置的对应关系,确定用户目标向量值在目标用户的特征向量组中的位置对应的一级索引的索引标识;
按照特征向量值的数值由大到小顺序,依次从目标用户的特征向量组中选取特征向量值作为用户目标向量值,并按照以上处理方式依次得到N-2级索引的索引标识;
将一级索引的索引标识与N-2级索引的索引标识按照索引的生成顺序进行组合,得到目标用户的索引序列。
6.根据权利要求1所述的方法,其特征在于,所述待推荐对象的索引序列的建立过程包括:
依据所述待推荐对象的特征向量组中包含的特征向量值的大小以及特征向量值的数量,生成所述待推荐对象的索引序列,所述待推荐对象的索引序列中包含N-1级索引,索引序列中每级索引的索引标识,与按照预设排列顺序排列的前N-1个待推荐对象的特征向量值在待推荐对象的特征向量组中的位置相对应,N为待推荐对象的特征向量组中包含的特征向量值的数量。
7.根据权利要求1所述的方法,其特征在于,在获取的目标推荐对象为多个的情况下,在预先建立的待推荐对象的索引序列中,将与目标用户的索引序列相同的待推荐对象的索引序列作为目标索引序列,并将目标索引序列对应的待推荐对象作为目标推荐对象之后,还包括:
利用预先设置的相似度计算规则,分别计算每个目标推荐对象的特征向量组与目标用户的特征向量组的相似度;
将相似度符合预设阈值的目标推荐对象作为最终目标推荐对象;
相应的,所述将所述目标推荐对象推荐给目标用户包括:
将所述最终目标推荐对象推荐给目标用户。
8.一种对象推荐装置,其特征在于,所述装置包括:
特征向量组获取单元,用于获取目标用户的特征标签,计算所述目标用户的特征标签对应的目标用户特征向量,得到所述目标用户的特征向量组;
索引序列生成单元,用于利用所述目标用户的特征向量组,按照预先设定的索引序列建立规则,生成所述目标用户的索引序列;
目标推荐对象获取单元,用于在预先建立的待推荐对象的索引序列中,将与目标用户的索引序列相同的待推荐对象的索引序列作为目标索引序列,并将目标索引序列对应的待推荐对象作为目标推荐对象,其中,所述待推荐对象的索引序列为依据所述预先设定的索引序列建立规则,对至少一个待推荐对象的特征向量组进行处理后得到的索引序列,所述待推荐对象的特征向量组与所述目标用户的特征向量组的维度相同,目标用户的特征向量组中各个位置的目标用户特征向量的种类与待推荐对象的特征向量组中相应位置的待推荐对象特征向量的种类相同;
目标推荐对象推荐单元,用于将所述目标推荐对象推荐给目标用户。
9.一种服务器,其特征在于,所述服务器包括:
处理器和存储器;
所述处理器,用于调用并执行所述存储器中存储的程序;
所述存储器用于存储所述程序,所述程序至少用于:
获取目标用户的特征标签,计算所述目标用户的特征标签对应的目标用户特征向量,得到所述目标用户的特征向量组;
利用所述目标用户的特征向量组,按照预先设定的索引序列建立规则,生成所述目标用户的索引序列;
在预先建立的待推荐对象的索引序列中,将与目标用户的索引序列相同的待推荐对象的索引序列作为目标索引序列,并将目标索引序列对应的待推荐对象作为目标推荐对象,其中,所述待推荐对象的索引序列为依据所述预先设定的索引序列建立规则,对至少一个待推荐对象的特征向量组进行处理后得到的索引序列,所述待推荐对象的特征向量组与所述目标用户的特征向量组的维度相同,目标用户的特征向量组中各个位置的目标用户特征向量的种类与待推荐对象的特征向量组中相应位置的待推荐对象特征向量的种类相同;
将所述目标推荐对象推荐给目标用户。
10.一种存储介质,其特征在于,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现如上权利要求1至7任一项所述的对象推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910786657.8A CN112417216B (zh) | 2019-08-23 | 2019-08-23 | 一种对象推荐方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910786657.8A CN112417216B (zh) | 2019-08-23 | 2019-08-23 | 一种对象推荐方法、装置、服务器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112417216A CN112417216A (zh) | 2021-02-26 |
CN112417216B true CN112417216B (zh) | 2023-09-22 |
Family
ID=74779032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910786657.8A Active CN112417216B (zh) | 2019-08-23 | 2019-08-23 | 一种对象推荐方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112417216B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326442A (zh) * | 2020-11-17 | 2021-08-31 | 崔海燕 | 基于大数据定位的推荐素材推送方法、系统及云计算中心 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102054003A (zh) * | 2009-11-04 | 2011-05-11 | 北京搜狗科技发展有限公司 | 网络信息推荐、建立网络资源索引的方法及系统 |
CN103885975A (zh) * | 2012-12-21 | 2014-06-25 | 腾讯科技(深圳)有限公司 | 进行推荐信息素引的方法及索引服务器 |
CN107492008A (zh) * | 2017-08-09 | 2017-12-19 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置、服务器及计算机存储介质 |
CN108874813A (zh) * | 2017-05-10 | 2018-11-23 | 腾讯科技(北京)有限公司 | 一种信息处理方法、装置及存储介质 |
CN109408729A (zh) * | 2018-12-05 | 2019-03-01 | 广州市百果园信息技术有限公司 | 推荐物料确定方法、装置、存储介质和计算机设备 |
CN109670114A (zh) * | 2018-12-24 | 2019-04-23 | 成都四方伟业软件股份有限公司 | 制图规则推荐方法及装置 |
CN109740068A (zh) * | 2019-01-29 | 2019-05-10 | 腾讯科技(北京)有限公司 | 媒体数据推荐方法、装置及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868422B (zh) * | 2016-06-21 | 2019-07-23 | 东北大学 | 一种基于弹性维特征向量优化抽取的协同过滤推荐方法 |
CN108062573A (zh) * | 2017-12-29 | 2018-05-22 | 广东欧珀移动通信有限公司 | 模型训练方法及装置 |
-
2019
- 2019-08-23 CN CN201910786657.8A patent/CN112417216B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102054003A (zh) * | 2009-11-04 | 2011-05-11 | 北京搜狗科技发展有限公司 | 网络信息推荐、建立网络资源索引的方法及系统 |
CN103885975A (zh) * | 2012-12-21 | 2014-06-25 | 腾讯科技(深圳)有限公司 | 进行推荐信息素引的方法及索引服务器 |
CN108874813A (zh) * | 2017-05-10 | 2018-11-23 | 腾讯科技(北京)有限公司 | 一种信息处理方法、装置及存储介质 |
CN107492008A (zh) * | 2017-08-09 | 2017-12-19 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置、服务器及计算机存储介质 |
CN109408729A (zh) * | 2018-12-05 | 2019-03-01 | 广州市百果园信息技术有限公司 | 推荐物料确定方法、装置、存储介质和计算机设备 |
CN109670114A (zh) * | 2018-12-24 | 2019-04-23 | 成都四方伟业软件股份有限公司 | 制图规则推荐方法及装置 |
CN109740068A (zh) * | 2019-01-29 | 2019-05-10 | 腾讯科技(北京)有限公司 | 媒体数据推荐方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112417216A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107506495B (zh) | 信息推送方法和装置 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN110909182A (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
CN112488863B (zh) | 一种在用户冷启动场景下的险种推荐方法及相关设备 | |
CN110489574B (zh) | 一种多媒体信息推荐方法、装置和相关设备 | |
CN109829073B (zh) | 一种图像搜索的方法及装置 | |
CN111159563A (zh) | 用户兴趣点信息的确定方法、装置、设备及存储介质 | |
CN110059172B (zh) | 基于自然语言理解的推荐答案的方法和装置 | |
CN112417216B (zh) | 一种对象推荐方法、装置、服务器及存储介质 | |
CN104216945A (zh) | 4k图片管理平台、信息管理方法及下载管理方法 | |
CN113742578A (zh) | 一种数据推荐方法、装置、电子设备及存储介质 | |
CN115730217A (zh) | 模型的训练方法、物料的召回方法及装置 | |
US11409821B1 (en) | Recommending content to subscribers | |
CN114840762A (zh) | 推荐内容确定方法、装置和电子设备 | |
CN106933848B (zh) | 一种信息发送方法和装置 | |
CN115048593A (zh) | 空间数据的检索方法、装置、存储介质和设备 | |
CN110059272B (zh) | 一种页面特征识别方法和装置 | |
CN114661958A (zh) | 一种树形结构数据搜索方法、装置、电子设备及存储介质 | |
CN106446261B (zh) | 一种基于多平台接口的内容搜索方法和装置 | |
CN111783453A (zh) | 文本的情感信息处理方法及装置 | |
CN110807118A (zh) | 图像评论的生成方法、装置及电子设备 | |
CN113987360B (zh) | 对象推荐方法、装置、电子设备及存储介质 | |
CN113409106B (zh) | 基于用户价值的商品推荐方法、装置、设备及存储介质 | |
CN113656697B (zh) | 对象推荐方法、装置、电子设备、存储介质 | |
CN112000821B (zh) | 多媒体信息推送方法、装置、服务器及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |