CN112487297A - 信息推送方法、装置、电子设备和存储介质 - Google Patents
信息推送方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112487297A CN112487297A CN202011430093.3A CN202011430093A CN112487297A CN 112487297 A CN112487297 A CN 112487297A CN 202011430093 A CN202011430093 A CN 202011430093A CN 112487297 A CN112487297 A CN 112487297A
- Authority
- CN
- China
- Prior art keywords
- user
- product
- information
- comment
- users
- 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 84
- 238000012552 review Methods 0.000 claims description 50
- 238000004590 computer program Methods 0.000 claims description 13
- 230000000875 corresponding effect Effects 0.000 description 30
- 239000013598 vector Substances 0.000 description 8
- 239000003795 chemical substances by application Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/535—Tracking the activity of the user
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开实施例公开了一种信息推送方法、装置、电子设备和存储介质。该信息推送方法包括:确定目标用户的邻居集,其中,上述邻居集中的用户与目标用户的偏好相似;基于上述邻居集中的用户发布的产品评论信息,从候选产品信息集合中确定目标产品信息;向目标用户推送目标产品信息。本公开实施例可以基于邻居集中的用户发布的产品评论信息,确定用以推送至目标用户的目标产品信息,从而丰富了产品信息的确定方式,可以提高产品信息推送的准确度。
Description
技术领域
本发明涉及计算机技术领域技术,尤其是一种信息推送方法、装置、电子设备和存储介质。
背景技术
信息推送,是采用一定的技术标准或协议,通过互联网向用户提供其所需要的信息的技术。
现有技术中,通常可以根据用户搜索的关键词、用户的浏览历史等数据,确定用户感兴趣的对象,并向用户推送其感兴趣的对象、相关或类似对象的信息。例如,在现有的房源信息推送领域,往往向用户推送其浏览或者关注的房源的相关信息、或者其评分较高的房源的信息。由于现有技术中向用户推送对象只考虑了用户关注、评分等较少量的信息,由此导致用户对所推送的信息缺乏兴趣,信息推送的准确度较低的问题。
发明内容
本公开实施例提供一种信息推送方法、装置、电子设备和存储介质,以提高产品信息推送的准确度。
根据本公开实施例的一个方面,提供的一种信息推送方法,包括:
确定目标用户的邻居集,其中,所述邻居集中的用户与目标用户的偏好相似;
基于所述邻居集中的用户发布的产品评论信息,从所述候选产品信息集合中确定目标产品信息;
向目标用户推送所述目标产品信息。
可选地,在本公开任一实施例的方法中,所述确定目标用户的邻居集包括:
获取应用的至少两个用户分别发布的产品评论信息,其中,所述至少两个用户包括目标用户;
基于所获取的产品评论信息,从所述至少两个用户中确定目标用户的邻居集。
可选地,在本公开任一实施例的方法中,所述基于所获取的产品评论信息,从所述至少两个用户中确定目标用户的邻居集,包括:
基于所获取的产品评论信息,确定所述至少两个用户中的用户与目标用户之间的用户相似度,其中,用户相似度表征两个用户的评论倾向之间的相似程度;
基于所确定出的用户相似度,从所述至少两个用户中确定目标用户的邻居集。
可选地,在本公开任一实施例的方法中,所述基于所获取的产品评论信息,确定所述至少两个用户中的用户与目标用户之间的用户相似度,包括:
针对所述至少两个用户中的用户,基于该用户发布的产品评论信息中的第一类评论词和第二类评论词,确定该用户的评论分值,其中,评论分值表征发布产品评论信息的用户的评论倾向;
基于所确定出的评论分值,确定所述至少两个用户中的用户与目标用户之间的用户相似度。
可选地,在本公开任一实施例的方法中,所述基于该用户发布的产品评论信息中的第一类评论词和第二类评论词,确定该用户的评论分值,包括:
分别确定该用户发布的产品评论信息中的第一类评论词和第二类评论词,得到第一类评论词集合和第二类评论词集合;
针对所述第一类评论词集合中的第一类评论词,从预先确定的第一类别集合中,确定该第一类评论词所属的类别,其中,所述第一类别集合中的类别对应预先确定的数值;
将所述第一类评论词集合中的第一类评论词所属的类别对应的数值之和,作为第一结果;
针对所述第二类评论词集合中的第二类评论词,从预先确定的第二类别集合中,确定该第二类评论词所属的类别,其中,所述第二类别集合中的类别对应预先确定的数值;
将所述第二类评论词集合中的第二类评论词所属的类别对应的数值之和,作为第二结果;
将所述第一结果和所述第二结果的乘积,确定为该用户的评论分值。
可选地,在本公开任一实施例的方法中,所述基于所述邻居集中的用户发布的产品评论信息,从所述候选产品信息集合中确定目标产品信息,包括:
针对所述候选产品信息集合中的产品信息,基于所述邻居集中的用户发布的产品评论信息,确定目标用户对该产品信息指示的产品的兴趣程度值;
基于所得到的兴趣程度值,从所述候选产品信息集合中确定目标产品信息。
可选地,在本公开任一实施例的方法中,所述基于所获取的产品评论信息,确定所述至少两个用户中的用户与目标用户之间的用户相似度,包括:
基于所获取的产品评论信息的时间权重以及所获取的产品评论信息,确定所述至少两个用户中的用户与目标用户之间的用户相似度,其中,时间权重基于发布产品评论信息的时间段设置,时间权重与发布产品评论信息的时间段与当前时间之间的时长呈负相关。
可选地,在本公开任一实施例的方法中,所述基于所述邻居集中的用户发布的产品评论信息,确定目标用户对该产品信息指示的产品的兴趣程度值,包括:
确定针对该产品信息发布过产品评论信息的用户与所述邻居集的交集,得到目标用户集合;
基于目标用户集合中的用户与目标用户之间的用户相似度,确定目标用户对该产品信息指示的产品的兴趣程度值。
可选地,在本公开任一实施例的方法中,所述基于所述邻居集中的用户发布的产品评论信息,确定目标用户对该产品信息指示的产品的兴趣程度值,包括:
确定针对该产品信息发布过产品评论信息的用户与所述邻居集的交集,得到目标用户集合;
基于目标用户集合中的用户对该产品信息指示的产品的评论分值,确定目标用户对该产品信息指示的产品的兴趣程度值。
可选地,在本公开任一实施例的方法中,在基于目标用户集合中的用户对该产品信息指示的产品的评论分值,确定目标用户对该产品信息指示的产品的兴趣程度值之前,所述方法还包括:
针对目标用户集合中的用户,基于该用户针对该产品信息发布的产品评论信息中的第一类评论词和第二类评论词,确定该用户对该产品信息指示的产品的评论分值,其中,用户对产品信息指示的产品的评论分值表征用户对产品信息指示的产品的评论倾向。
可选地,在本公开任一实施例的方法中,所述基于所述邻居集中的用户发布的产品评论信息,确定目标用户对该产品信息指示的产品的兴趣程度值,包括:
确定针对该产品信息发布过产品评论信息的用户与所述邻居集的交集,得到目标用户集合;
基于目标用户集合中的用户与目标用户之间的用户相似度,以及目标用户集合中的用户对该产品信息指示的产品的评论分值,确定目标用户对该产品信息指示的产品的兴趣程度值。
可选地,在本公开任一实施例的方法中,所述基于目标用户集合中的用户与目标用户之间的用户相似度,以及目标用户集合中的用户对该产品信息指示的产品的评论分值,确定目标用户对该产品信息指示的产品的兴趣程度值,包括:
针对目标用户集合中的用户,计算该用户与目标用户之间的用户相似度与目标用户集合中的用户对该产品信息指示的产品的评论分值的乘积;
将所计算得到的乘积之和,确定为目标用户对该产品信息指示的产品的兴趣程度值。
可选地,在本公开任一实施例的方法中,所述基于所得到的兴趣程度值,从所述候选产品信息集合中确定目标产品信息,包括:
按照所对应的兴趣程度值由大到小的顺序,从所述候选产品信息集合中选取目标数量个产品信息,将所选取的产品信息作为目标产品信息。
可选地,在本公开任一实施例的方法中,所述基于所述邻居集中的用户发布的产品评论信息,从候选产品信息集合中确定目标产品信息,包括:
基于目标用户的关注信息,以及所述邻居集中的用户发布的产品评论信息,从候选产品信息集合中确定目标产品信息。
根据本公开实施例的第二个方面,提供的一种信息推送装置,包括:
第一确定单元,被配置成确定目标用户的邻居集,其中,所述邻居集中的用户与目标用户的偏好相似;
第二确定单元,被配置成基于所述邻居集中的用户发布的产品评论信息,从所述候选产品信息集合中确定目标产品信息;
第一推送单元,被配置成向目标用户推送所述目标产品信息。
可选地,在本公开任一实施例的装置中,所述装置还包括:
第二获取单元,被配置成获取应用的至少两个用户分别发布的产品评论信息,其中,所述至少两个用户包括目标用户;
第三确定单元,被配置成基于所获取的产品评论信息,从所述至少两个用户中确定目标用户的邻居集。
可选地,在本公开任一实施例的装置中,所述第三确定单元包括:
第一确定子单元,被配置成基于所获取的产品评论信息,确定所述至少两个用户中的用户与目标用户之间的用户相似度,其中,用户相似度表征两个用户的评论倾向之间的相似程度;
第二确定子单元,被配置成基于所确定出的用户相似度,从所述至少两个用户中确定目标用户的邻居集。
可选地,在本公开任一实施例的装置中,所述第一确定子单元包括:
第一确定模块,被配置成针对所述至少两个用户中的用户,基于该用户发布的产品评论信息中的第一类评论词和第二类评论词,确定该用户的评论分值,其中,评论分值表征发布产品评论信息的用户的评论倾向;
第二确定模块,被配置成基于所确定出的评论分值,确定所述至少两个用户中的用户与目标用户之间的用户相似度。
可选地,在本公开任一实施例的装置中,所述第一确定模块包括:
第一确定子模块,被配置成分别确定该用户发布的产品评论信息中的第一类评论词和第二类评论词,得到第一类评论词集合和第二类评论词集合;
第二确定子模块,被配置成针对所述第一类评论词集合中的第一类评论词,从预先确定的第一类别集合中,确定该第一类评论词所属的类别,其中,所述第一类别集合中的类别对应预先确定的数值;
第三确定子模块,被配置成将所述第一类评论词集合中的第一类评论词所属的类别对应的数值之和,作为第一结果;
第四确定子模块,被配置成针对所述第二类评论词集合中的第二类评论词,从预先确定的第二类别集合中,确定该第二类评论词所属的类别,其中,所述第二类别集合中的类别对应预先确定的数值;
第五确定子模块,被配置成将所述第二类评论词集合中的第二类评论词所属的类别对应的数值之和,作为第二结果;
第六确定子模块,被配置成将所述第一结果和所述第二结果的乘积,确定为该用户的评论分值。
可选地,在本公开任一实施例的装置中,所述第一确定子单元进一步被配置成:
基于所获取的产品评论信息的时间权重以及所获取的产品评论信息,确定所述至少两个用户中的用户与目标用户之间的用户相似度,其中,时间权重基于发布产品评论信息的时间段设置,时间权重与发布产品评论信息的时间段与当前时间之间的时长呈负相关。
可选地,在本公开任一实施例的装置中,所述第二确定单元包括:
第三确定子单元,被配置成针对所述候选产品信息集合中的产品信息,基于所述邻居集中的用户发布的产品评论信息,确定目标用户对该产品信息指示的产品的兴趣程度值;
第四确定子单元,被配置成基于所得到的兴趣程度值,从所述候选产品信息集合中确定目标产品信息。
可选地,在本公开任一实施例的装置中,所述第三确定子单元包括:
第三确定模块,被配置成确定针对该产品信息发布过产品评论信息的用户与所述邻居集的交集,得到目标用户集合;
第四确定模块,被配置成基于目标用户集合中的用户与目标用户之间的用户相似度,确定目标用户对该产品信息指示的产品的兴趣程度值。
可选地,在本公开任一实施例的装置中,所述第三确定子单元包括:
第五确定模块,被配置成确定针对该产品信息发布过产品评论信息的用户与所述邻居集的交集,得到目标用户集合;
第六确定模块,被配置成基于目标用户集合中的用户对该产品信息指示的产品的评论分值,确定目标用户对该产品信息指示的产品的兴趣程度值。
可选地,在本公开任一实施例的装置中,所述装置还包括:
第四确定单元,被配置成针对目标用户集合中的用户,基于该用户针对该产品信息发布的产品评论信息中的第一类评论词和第二类评论词,确定该用户对该产品信息指示的产品的评论分值,其中,用户对产品信息指示的产品的评论分值表征用户对产品信息指示的产品的评论倾向。
可选地,在本公开任一实施例的装置中,所述第三确定子单元包括:
第七确定模块,被配置成确定针对该产品信息发布过产品评论信息的用户与所述邻居集的交集,得到目标用户集合;
第八确定模块,被配置成基于目标用户集合中的用户与目标用户之间的用户相似度,以及目标用户集合中的用户对该产品信息指示的产品的评论分值,确定目标用户对该产品信息指示的产品的兴趣程度值。
可选地,在本公开任一实施例的装置中,所述第八确定模块包括:
计算子单元,被配置成针对目标用户集合中的用户,计算该用户与目标用户之间的用户相似度与目标用户集合中的用户对该产品信息指示的产品的评论分值的乘积;
第五确定子单元,被配置成将所计算得到的乘积之和,确定为目标用户对该产品信息指示的产品的兴趣程度值。
可选地,在本公开任一实施例的装置中,所述第四确定子单元包括:
选取模块,被配置成按照所对应的兴趣程度值由大到小的顺序,从所述候选产品信息集合中选取目标数量个产品信息,将所选取的产品信息作为目标产品信息。
可选地,在本公开任一实施例的装置中,所述第一确定单元包括:
第二推送单元,被配置成基于目标用户的关注信息,以及所述邻居集中的用户发布的产品评论信息,从候选产品信息集合中确定目标产品信息。
根据本公开实施例的第三个方面,提供的一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述存储器中存储的计算机程序,且所述计算机程序被执行时,实现本公开上述第一方面的信息推送方法中任一实施例的方法。
根据本公开实施例的第四个方面,提供的一种计算机可读介质,该计算机程序被处理器执行时,实现如上述第一方面的信息推送方法中任一实施例的方法。
基于本公开上述实施例提供的信息推送方法、装置、电子设备和存储介质,可以确定目标用户的邻居集,其中,邻居集中的用户与目标用户的偏好相似;基于上述邻居集中的用户发布的产品评论信息,从候选产品信息集合中确定目标产品信息;向目标用户推送目标产品信息,由此,可以通过与目标用户具有相似偏好的邻居集中的用户发布的产品评论信息,来确定用以向上述目标用户进行推送的产品信息,这样,丰富了产品信息的确定方式,可以提高产品信息推送的准确度。
下面通过附图和实施例,对本公开的技术方案做进一步的详细描述。
附图说明
构成说明书的一部分的附图描述了本公开的实施例,并且连同描述一起用于解释本公开的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本公开,其中:
图1为本公开信息推送方法一个实施例的流程图。
图2A-图2C为针对图1的实施例的一个应用场景的示意图。
图3为本公开信息推送方法的另一个实施例的流程图。
图4为本公开信息推送方法的又一个实施例的流程图。
图5为本公开信息推送装置一个实施例的结构示意图。
图6为本公开一示例性实施例提供的电子设备的结构图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
本领域技术人员可以理解,本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等,既不代表任何特定技术含义,也不表示它们之间的必然逻辑顺序。
还应理解,在本公开实施例中,“多个”可以指两个或两个以上,“至少一个”可以指一个、两个或两个以上。
还应理解,对于本公开实施例中提及的任一部件、数据或结构,在没有明确限定或者在前后文给出相反启示的情况下,一般可以理解为一个或多个。
另外,本公开中术语“和/或”,仅仅是一种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。另外,本公开中字符“/”,一般表示前后关联对象是一种“或”的关系。
还应理解,本公开对各个实施例的描述着重强调各个实施例之间的不同之处,其相同或相似之处可以相互参考,为了简洁,不再一一赘述。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本公开的实施例可以应用于终端设备、计算机系统和服务器中的至少一种电子设备,其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统和服务器中的至少一种电子设备一起使用的众所周知的计算系统、环境和/或配置的例子包括但不限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境,等等。
终端设备、计算机系统和服务器中的至少一种电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
请参考图1,示出了根据本公开的信息推送方法的一个实施例的流程100。该信息推送方法,包括:
101,确定目标用户的邻居集。
在本实施例中,信息推送方法的执行主体(例如服务器)可以确定目标用户的邻居集。
其中,上述邻居集可以是与上述目标用户具有类似偏好的用户的集合。例如邻居集中的用户可以与上述目标用户浏览、关注或者购买过相同或类似的产品。每个用户可以对应一个用户标识(例如用户账号),由此,上述执行主体可以基于每个用户通过其用户账号而生成的用户数据,来确定其邻居集。示例性的,用户数据可以包括但不限于以下至少一项:评论信息、关注信息、购买记录、浏览记录等等。
实践中,可以从上述目标用户使用的应用或者与该应用共享数据库的应用中的全部或部分已注册的用户、最近预设时间段内登录过的用户,或者发布过评论信息的用户中,确定该用户的邻居集。
在本实施例中,上述应用可以包括但不限于以下应用中的至少一项:购物类软件、房屋买卖平台、房屋租赁网站、车辆交易软件等。可以理解,上述应用可以是应用程序(Application,App),也可以是小程序,还可以是网页应用等等。在一些情况下,不同应用各自的用户集合、候选产品信息集合等后台数据相互独立,然而,在另一些情况下,两个或者多个应用的用户集合、候选产品信息集合等后台数据也可以共享。例如,具有相同或类似功能的网页版应用、应用程序、小程序可以共享后台数据。
上述候选产品信息集合可以是预先确定的多个产品信息的集合;也可以是预先确定的多个产品信息的集合中,符合预设条件的产品信息的集合。示例性的,上述预设条件可以包括但不限于以下至少一项:用户在预设时间段内浏览、关注或者购买过的产品的产品信息,与用户浏览、关注或者购买过的产品具有相同属性(例如颜色、位置、结构等)的产品的产品信息。
实践中,该应用可以安装于各个用户终端上,每个用户终端供一个用户使用,由此,上述执行主体(例如用于为应用提供支持的服务器)可以通过用户终端上安装的应用,向该用户终端推送信息(例如产品信息)。例如,如果应用为提供二手房租赁、买卖等服务的应用,那么,上述执行主体可以通过用户终端上安装的应用,向该用户终端推送房源信息(产品信息的一种)。
这里,用于推送的产品信息(例如候选产品信息集合)可以存储于预设存储设备(例如上述执行主体或者以上述执行主体通信连接的电子设备)中,技术人员或者产品信息管理方可以对该预设存储设备中存储的产品信息进行更新。
102,基于上述邻居集中的用户发布的产品评论信息,从候选产品信息集合中确定目标产品信息。
在本实施例中,上述执行主体可以基于上述邻居集中的各个用户通过应用以及与该应用共享数据的应用发布的产品评论信息,从候选产品信息集合中确定目标产品信息。其中,目标产品信息可以是上述初始产品信息中,用以推送至上述用户终端的产品信息。
作为一种示例,可以采用如下方式从候选产品信息集合中确定目标产品信息:
针对候选产品信息集合中的每个产品信息,若该产品信息被上述邻居集中的至少一个用户通过应用以及与该应用共享数据的应用评论过(即发布过产品评论信息),则将该产品信息作为目标产品信息。
作为又一种示例,还可以采用如下方式从候选产品信息集合中确定目标产品信息:
针对候选产品信息集合中的每个产品信息,若该产品信息被上述邻居集中的至少一个用户评论过(即发布过产品评论信息),并且,所评论的产品评论信息表征用户对该产品评论信息指示的产品满意,则将该产品信息作为目标产品信息。实践中,可以采用机器学习等算法,对产品评论信息进行分类,从而确定用户对产品评论信息指示的产品是否满意。
在本实施例的一些可选的实现方式中,上述执行主体也可以基于目标用户的关注信息,以及邻居集中的各个用户发布的产品评论信息,从候选产品信息集合中确定目标产品信息。其中,关注信息可以用于指示用户所关注的产品。作为示例,关注信息可以包括但不限于以下至少一项:浏览过的产品信息、评论过的产品信息、购买过的产品信息、对其进行过评分的信息等等。
作为示例,上述执行主体可以将候选产品信息集合中,上述关注信息指示的产品,与邻居集中的各个用户发布的产品评论信息指示的产品的交集对应的产品信息,作为目标产品信息。
作为又一示例,上述执行主体还可以首先确定上述关注信息指示的产品,与邻居集中的各个用户发布的产品评论信息指示的产品的产品相似度,然后将候选产品信息集合中,产品相似度较大的预设数量个产品信息作为目标产品信息。其中,产品相似度可以采用协同过滤算法计算得到。
可以理解,除仅基于邻居集中的各个用户发布的产品评论信息,从候选产品信息集合中确定目标产品信息之外,还可以结合目标用户的关注信息,以及邻居集中的各个用户发布的产品评论信息,从候选产品信息集合中确定目标产品信息,这样可以进一步提高目标产品信息推送的准确度。
此外,本领域的技术人员应当理解,可以在现有的确定目标产品信息的产品信息推送方法的基础上,进一步结合邻居集中的各个用户发布的产品评论信息确定目标产品信息,由此提高目标产品信息推送的准确度。
103,向目标用户推送目标产品信息。
在本实施例中,上述执行主体可以向目标用户推送目标产品信息。
在这里,上述执行主体可以向登录有目标用户的用户账号的用户终端推送所确定的全部或部分目标产品信息。可以理解,在向目标用户推送目标产品信息之后,用户终端可以通过应用呈现目标产品信息,以便用户浏览。
在本实施例的一些可选的实现方式中,上述执行主体还可以向目标用户推送目标产品信息以及针对目标产品信息的产品介绍信息,以供用户终端通过应用呈现目标产品信息和产品介绍信息。
在这里,上述针对目标产品信息的产品介绍信息可以是针对目标产品信息预先确定的,也可以是根据目标产品信息生成的。
作为示例,在二手房租赁、买卖等应用场景中,可以采用上述实施例提供的信息推送方法,向目标用户推送目标产品信息。请参考图2A-图2C,图2A-图2C为针对图1的实施例的一个应用场景的示意图。
在图2A中,服务器(例如图2B所示的服务器22)首先确定用户终端(例如图2C中的用户终端23)的用户的邻居集,这里,邻居集包括图2A中终端设备21的用户。其中,用户终端21的用户(即邻居集中的用户)针对产品信息201发布了产品评论信息“阳台采光不好,其它地方很满意”。之后,请参考图2B,服务器22获取用于推送的候选产品信息集合,这里,候选产品信息集合包括产品信息201、202、203、204、205、206。然后,服务器22基于上述产品评论信息“阳台采光不好,其它地方很满意”,从候选产品信息集合中确定目标产品信息包括产品信息202、203、204、205。最后,请参考图2C,服务器22向用户终端23推送了产品信息202、203、204、205。
可以发现,用户终端21的用户属于用户终端23的用户的邻居集,用户终端21的用户与用户终端23的用户具有类似偏好(例如较为关注房屋采光)。现有技术中,通常可以将具有相似偏好的两个用户中任一用户感兴趣的产品的产品信息(例如该用户浏览、关注、评论、购买等的产品的产品信息),推送至另一用户的用户终端。然而,在上述应用场景中,由于用户终端21的用户(即邻居集中的用户)针对产品信息201发布了产品评论信息“阳台采光不好,其它地方很满意”,表明用户终端21的用户对房源的整体评分较高,但对阳台采光度不满意,因此,服务器22未向用户终端23推送该产品信息201。
本公开的上述实施例提供的信息推送方法,可以首先确定目标用户的邻居集,然后,基于上述邻居集中的各个用户发布的产品评论信息,从候选产品信息集合中确定目标产品信息,最后,向目标用户推送目标产品信息,由此,可以基于邻居集中的各个用户通过应用以及与该应用共享数据的应用发布的产品评论信息来确定用以向上述用户终端推送的目标产品信息,通过与目标用户具有相似偏好的邻居集中的用户发布的产品评论信息,来确定用以向上述目标用户进行推送的产品信息,这样,丰富了产品信息的确定方式,可以提高产品信息推送的准确度。
请继续参考图3,图3是本公开的信息推送另一个实施例的流程图。该信息推送流程300,包括:
301,获取至少两个用户分别发布的产品评论信息。
在本实施例中,信息推送方法的执行主体(例如服务器)可以获取应用的至少两个用户通过该应用或者与该应用共享数据的应用发布的产品评论信息。其中,上述至少两个用户中包括目标用户,上述至少两个用户可以是上述应用或者与上述应用共享数据库的应用的全部或部分已注册的用户、最近预设时间段内登录过的用户,或者发布过评论信息的至少两个用户。
在本实施例中,上述应用可以包括但不限于以下应用:购物类软件、房屋买卖平台、房屋租赁网站、车辆交易软件等。可以理解,上述应用可以是应用程序(Application,App),也可以是小程序,还可以是网页应用等等。在一些情况下,不同应用各自的用户集合、候选产品信息集合等后台数据相互独立,然而,在另一些情况下,两个或者多个应用的用户集合、候选产品信息集合等后台数据也可以共享。例如,具有相同或类似功能的网页版应用、应用程序、小程序可以共享后台数据。
上述候选产品信息集合可以是预先确定的多个产品信息的集合,也可以是预先确定的多个产品信息的集合中,符合预设条件的产品信息的集合。示例性的,上述预设条件可以包括但不限于以下至少一项:用户在预设时间段内浏览、关注或者购买过的产品的产品信息,与用户浏览、关注或者购买过的产品具有相同属性(例如颜色、位置、结构等)的产品的产品信息。
实践中,该应用可以安装于各个用户终端上,由此,用于为应用提供支持的服务器,可以通过用户终端上安装的应用,向该用户终端推送信息。例如,如果应用为提供二手房租赁、买卖等服务的应用,那么,用于为应用提供支持的服务器可以通过用户终端上安装的应用,向该用户终端推送房源信息(产品信息的一种)。
这里,用于推送的产品信息可以存储于预设存储设备(例如上述执行主体或者以上述执行主体通信连接的存储设备)中,技术人员或者产品信息管理方可以对该预设存储设备中存储的产品信息进行更新。
作为示例,获取应用的每个用户通过该应用分别发布的全部或部分产品评论信息,也可以获取应用的全部或部分(数量大于2)用户对应用推送的每个产品信息发布的产品评论信息。
302,基于所获取的产品评论信息,从至少两个用户中确定目标用户的邻居集。
在本实施例中,上述执行主体可以基于所获取的产品评论信息,从至少两个用户中确定目标用户的邻居集。
其中,上述邻居集可以是与上述目标用户具有类似偏好的用户的集合。例如邻居集中的用户可以与上述目标用户浏览、关注或者购买过相同的产品。
作为第一种示例,上述执行主体可以采用如下方式从至少两个用户中确定目标用户的邻居集:
第一,基于所获取的产品评论信息,确定至少两个用户中的各个用户与目标用户之间的用户相似度。其中,用户相似度表征两个用户的评论倾向之间的相似程度。
在这里,首先可以基于产品评论信息,确定用户评论的特征向量。例如,将产品评论信息直接作为用户评论的特征向量,或者,从产品评论信息中提取形容词和副词,将提取出的形容词和副词作为用户评论的特征向量。然后,可以将两个用户评论的特征向量的余弦相似性、皮尔森系数或者调整余弦相似性,作为两个用户之间的用户相似度。
在上述第一种示例的一些应用场景下,上述执行主体还可以采用如下方式确定各个用户与目标用户之间的用户相似度:
步骤一,针对至少两个用户中的每个用户,基于该用户通过应用以及与该应用共享数据的其他应用发布的产品评论信息中的第一类评论词和第二类评论词,确定该用户的评论分值。其中,评论分值表征发布产品评论信息的用户的评论倾向。
这里,第一类评论词可以是形容词,第二类评论词可以是副词。可选的,第一类评论词也可以是名词,第二类评论词也可以是形容词和副词。可以理解,技术人员可以根据实际需求,对第一类评论词和第二类评论词进行设定,在此不作限定。
可选的,上述执行主体可以采用如下方式确定用户的评论分值:
第一步骤,分别确定该用户通过应用以及与该应用共享数据的其他应用发布的产品评论信息中的第一类评论词和第二类评论词,得到第一类评论词集合和第二类评论词集合。
第二步骤,针对第一类评论词集合中的每个第一类评论词,从预先确定的第一类别集合中,确定该第一类评论词所属的类别。其中,第一类别集合中的每个类别对应预先确定的数值。
第三步骤,将第一类评论词集合中的各个第一类评论词所属的类别对应的数值之和,作为第一结果。
第四步骤,针对第二类评论词集合中的每个第二类评论词,从预先确定的第二类别集合中,确定该第二类评论词所属的类别,其中,第二类别集合中的每个类别对应预先确定的数值。
第五步骤,将第二类评论词集合中的各个第二类评论词所属的类别对应的数值之和,作为第二结果。
第六步骤,将第一结果和第二结果的乘积,确定为该用户的评论分值。
在这里,可以根据实际需求,对第一类别集合中的类别的数量、第二类别集合中的类别的数量进行设定,在此不作限定。此外,还可以根据实际需求,对第一类别集合中的每个类别对应的数值、第二类别集合中的每个类别对应的数值进行设定,在此不作限定。
作为示例,当第一类评论词为形容词时,可以将第一类评论词划分为正向形容词、中性形容词和负面形容词。其中,正向形容词可以表征用户对产品信息指示的产品满意。例如正向形容词可以包括但不限于:好、不错、可以、满意、还行。负面形容词可以表征用户对产品信息指示的产品不满意。例如负面形容词可以包括但不限于:不好、差、光线暗。中性形容词可以包括除正向形容词、负面形容词之外的所有形容词。示例性的,正向形容词对应的数值可以是1,中性形容词对应的数值可以是0,负面形容词对应的数值可以是-1。
当第二类评论词为副词时,可以根据第二类评论词表征的程度,对第二类评论词进行分类。例如,可以将第二类评论词表征的程度按照由高到低(或由低到高)的顺序将第二类评论词划分为5类。其中,第一类副词可以包括“极端”以及与“极端”表征相同程度的副词;第二类副词可以包括“特别”以及与“特别”表征相同程度的副词;第三类副词可以包括“相当”以及与“相当”表征相同程度的副词;第四类副词可以包括“很”以及与“很”表征相同程度的副词;第五类副词可以包括“一点”以及与“一点”表征相同程度的副词。示例性的,第一类副词对应的数值可以是5,第二类副词对应的数值可以是4,第三类副词对应的数值可以是3,第四类副词对应的数值可以是2,第五类副词对应的数值可以是1。通常副词程度越大,其所对应的数值越大。
实践中,还可以首先对所获取的产品评论信息进行预处理。
作为示例,可以使用结束含义标点符号对评论进行分句,采用SCWS(SimpleChinese Words Segmentation,简易中文分词系统)分词系统对评论数据进行分词并对词性进行标注,获取到所有第一类评论词(例如形容词)和第二类评论词(例如副词)。
之后,通过计算第一类评论词或第二类评论词在产品评论信息中出现的频率,与相应的第一类评论词或第二类评论词的逆词频的乘积,得到每个第一类评论词或第二类评论词的TF-IDF(term frequency–inverse document frequency)值。
然后,将所有第一类评论词和第二类评论词按照TF-IDF值排序,提取评论特征,筛选TF-IDF值最高的预定数量个第一类评论词或第二类评论词作为用户评论的特征向量。
随后,可以将特征向量中第一类评论词的集合作为第一类评论词集合。将特征向量中第二类评论词的集合作为第二类评论词集合。采用上述第一步骤至第六步骤,来计算用户的评论分值。
可以理解,上述可选的实现方式中,通过为不同类别的第一类评论词、第二类评论词设定对应的数值,来计算用户的评论分值,这样得到的评论分值可以更为准确地表征用户的评论倾向,进而通过后续步骤可以进一步提高产品信息推送的准确度。
可选的,上述执行主体还可以采用如下方式确定用户的评论分值:
针对至少两个用户中的每个用户,将该用户通过应用以及与该应用共享数据的其他应用发布的产品评论信息中的第一类评论词和第二类评论词输入至预先训练的分值确定模型,得到该用户的评论分值。其中,分值确定模型可以是采用机器学习算法训练得到的神经网络模型,也可以是关联存储有第一类评论词、第二类评论,以及评论分值的二维表或数据库。
可选的,在确定用户的评论分值时,上述执行主体还可以针对每个用户对每个产品的产品信息,确定出一个评论分值,从而得到该用户的多个评论分值,每个评论分值可以分别基于一个产品的产信息得到。
具体而言,可以采用如下步骤计算针对每个用户对每个产品的产品信息,确定一个评论分值:
子步骤一,分别确定该用户针对该产品信息通过应用以及与该应用共享数据的其他应用发布的产品评论信息中的第一类评论词和第二类评论词,得到第一类评论词集合和第二类评论词集合。
子步骤二,针对第一类评论词集合中的每个第一类评论词,从预先确定的第一类别集合中,确定该第一类评论词所属的类别。其中,第一类别集合中的每个类别对应预先确定的数值。
子步骤三,将第一类评论词集合中的各个第一类评论词所属的类别对应的数值之和,作为第一结果。
子步骤四,针对第二类评论词集合中的每个第二类评论词,从预先确定的第二类别集合中,确定该第二类评论词所属的类别,其中,第二类别集合中的每个类别对应预先确定的数值。
子步骤五,将第二类评论词集合中的各个第二类评论词所属的类别对应的数值之和,作为第二结果。
子步骤六,将第一结果和第二结果的乘积,确定为该用户针对该产品信息的评论分值。
步骤二,基于所确定出的各个评论分值,确定至少两个用户中的各个用户与目标用户之间的用户相似度。
作为示例,当对于每个用户得到一个评论分值时,可以将两个用户分别对应的评论分值的差的绝对值,作为该两个用户之间的用户相似度;也可以将两个用户分别对应的评论分值的商,作为该两个用户之间的用户相似度。当针对每个用户对每个产品信息的产品评论信息得到一个评论分值时,可以采用以下公式,计算该两个用户之间的用户相似度:
其中,COSik表征用户i和用户k之间的用户相似度,Rij表征用户i对产品j信息指示的产品的评论分值,Iik表征用户通过应用以及与该应用共享数据的其他应用发布的全部产品评论信息对应的全部产品的集合。
第二,基于所确定出的用户相似度,从至少两个用户中确定目标用户的邻居集。
在这里,可以按照上述目标用户与其他用户之间的用户相似度由大到小的顺序,从至少两个用户中选取预设数量个用户,将所选取的用户的集合作为目标用户的邻居集。
可选的,还可以按照上述目标用户与其他用户之间的用户相似度由大到小的顺序,从至少两个用户中选取预设百分比(例如10%)数量的用户,将所选取的用户的集合作为目标用户的邻居集。
可以理解,上述示例中,通过确定用户之间的用户相似度,确定目标用户的邻居集,可以更为准确地确定出与上述目标用户具有类似偏好的邻居集,由此通过后续步骤可以进一步提高产品信息推送的准确度。
可选的,上述执行主体还可以采用如下方式确定各个用户与目标用户之间的用户相似度:
基于所获取的产品评论信息的时间权重以及所获取的产品评论信息,确定至少两个用户中的各个用户与上述目标用户之间的用户相似度。其中,时间权重基于发布产品评论信息的时间段设置,时间权重与发布产品评论信息的时间段与当前时间之间的时长呈负相关。
作为示例,上述执行主体可以针对至少两个用户中的每个用户,确定所获取的、该用户发布的各个产品评论信息的时间权重之和,将时间权重之和与采用以上所描述的方式计算得到评论分值的和或者乘积,作为该用户与上述目标用户之间的用户相似度。
可以理解,上述可选的实现方式可以根据所获取的产品评论信息的时间权重得到用户相似度,通常,在其他因素相同的情况下,发布的产品评论信息距离当前时间越接近,该用户与上述目标用户之间的用户相似度往往越大。由此,可以通过距离当前时间更近的用户的偏好,确定用以推送给上述用户终端的目标产品信息,从而提高了信息推送的准确度。
303,基于上述邻居集中的用户通过应用以及与该应用共享数据的其他应用发布的产品评论信息,从候选产品信息集合中确定目标产品信息。
在本实施例中,上述执行主体可以基于上述邻居集中的各个用户发布的产品评论信息,从候选产品信息集合中确定目标产品信息。
304,向目标用户推送目标产品信息。
在本实施例中,上述执行主体可以向目标用户推送目标产品信息
在本实施例中,303-304的相关描述可以分别参考图1对应实施例中的102-103,这里不再赘述。
需要说明的是,除上面所记载的内容外,本申请实施例还可以包括与图1对应的实施例相同或类似的特征、效果,在此不再赘述。
从图3中可以看出,本实施例中的信息推送方法的流程300中,可以通过产品评论信息来确定邻居集,从而更为准确地确定出与上述目标用户具有类似偏好的邻居集,由此可以进一步提高产品信息推送的准确度。
请继续参考图4,图4是本公开的信息推送又一个实施例的流程图。该信息推送流程400,包括:
401,确定目标用户的邻居集。
在本实施例中,信息推送方法的执行主体(例如服务器)可以确定目标用户的邻居集。其中,上述邻居集可以是与上述目标用户具有类似偏好的用户的集合。例如邻居集中的用户可以与上述目标用户浏览、关注或者购买过相同的产品。
402,针对候选产品信息集合中的产品信息,基于邻居集中的用户发布的产品评论信息,确定目标用户对该产品信息指示的产品的兴趣程度值。
在本实施例中,针对候选产品信息集合中的每个产品信息,上述执行主体可以基于邻居集中的各个用户通过应用以及与该应用共享数据的其他应用发布的产品评论信息,确定目标用户对该产品信息指示的产品的兴趣程度值。
作为第一种示例,上述执行主体可以采用如下方式,确定目标用户对该产品信息指示的产品的兴趣程度值:
步骤一,确定通过应用以及与该应用共享数据的其他应用针对该产品信息发布过产品评论信息的用户与邻居集的交集,得到目标用户集合。
步骤二,基于目标用户集合中的用户与目标用户之间的用户相似度,确定目标用户对该产品信息指示的产品的兴趣程度值。
作为示例,可以采用多种方式确定兴趣程度值。例如,将目标用户集合中的每个用户与目标用户之间的用户相似度的和或者积,作为目标用户对该产品信息指示的产品的兴趣程度值。
这里,确定用户与目标用户之间的用户相似度的具体方法可以参考图3中的相关描述,在此不再赘述。
可以理解,上述示例中,可以参考针对该产品信息发布过产品评论信息的用户与邻居集中的各个用户之间的用户相似度来确定用以推送至目标用户的目标产品信息,从而可以进一步提高产品信息推送的准确度。
作为第二种示例,上述执行主体也可以采用如下方式,确定目标用户对该产品信息指示的产品的兴趣程度值:
步骤一,确定针对该产品信息发布过产品评论信息的用户与邻居集的交集,得到目标用户集合。
步骤二,基于目标用户集合中的用户对该产品信息指示的产品的评论分值,确定目标用户对该产品信息指示的产品的兴趣程度值。
作为示例,可以采用多种方式确定兴趣程度值。例如,将目标用户集合中的用户对该产品信息指示的产品的各个评论分值的和或者积,作为目标用户对该产品信息指示的产品的兴趣程度值。
这里,确定用户对产品的评论分值的具体方法可以参考图3中的相关描述,在此不再赘述。
可以理解,上述示例中,可以参考针对该产品信息发布过产品评论信息的用户与邻居集中的各个用户对的产品的评论分值来确定用以推送至目标用户的目标产品信息,从而可以进一步提高产品信息推送的准确度。
在一些情况下,在基于目标用户集合中的用户对该产品信息指示的产品的评论分值,确定目标用户对该产品信息指示的产品的兴趣程度值之前,上述执行主体还可以:
针对目标用户集合中的每个用户,基于该用户针对该产品信息发布的产品评论信息中的第一类评论词和第二类评论词,确定该用户对该产品信息指示的产品的评论分值。其中,用户对产品信息指示的产品的评论分值表征用户对产品信息指示的产品的评论倾向。
作为第三种示例,上述执行主体也可以采用如下方式,确定目标用户对该产品信息指示的产品的兴趣程度值:
步骤一,确定针对该初产品信息发布过产品评论信息的用户与邻居集的交集,得到目标用户集合。
步骤二,基于目标用户集合中的用户与目标用户之间的用户相似度,以及目标用户集合中的用户对该产品信息指示的产品的评论分值,确定目标用户对该产品信息指示的产品的兴趣程度值。
这里,确定用户相似度、用户对产品的评论分值的具体方法可以参考图3中的相关描述,在此不再赘述。
具体而言,可以采用以下公式确定产品的兴趣程度值:
其中,Interestui表征用户u对产品信息i指示的产品的兴趣程度值,S表征目标用户集合,COSuv为用户u和用户v之间的用户相似度,Rvi表征用户v对产品信息i指示的产品的评论分值。
可以理解,上述示例中,可以参考针对该产品信息发布过产品评论信息的用户与邻居集中的各个用户对的产品的评论分值,以及用户相似度,来确定用以推送至目标用户的目标产品信息,从而可以进一步提高产品信息推送的准确度。
在该示例的一些场景下,上述基于目标用户集合中的用户与目标用户之间的用户相似度,以及目标用户集合中的用户对该产品信息指示的产品的评论分值,确定目标用户对该产品信息指示的产品的兴趣程度值,具体可以包括:
首先,针对目标用户集合中的每个用户,计算该用户与目标用户之间的用户相似度与目标用户集合中的用户对该产品信息指示的产品的评论分值的乘积。
然后,将所计算得到的各个乘积之和,确定为目标用户对该产品信息指示的产品的兴趣程度值。
这里,确定用户与目标用户之间的用户相似度的具体方法可以参考图3中的相关描述,在此不再赘述。
可以理解,上述场景下,将所计算得到的各个乘积之和,确定为用户对产品的兴趣程度值,相较于其他计算兴趣程度值的方式,该方式计算得到的兴趣程度值可以更准确地表征用户的兴趣程度,从而可以进一步提高产品信息推送的准确度。
403,基于所得到的兴趣程度值,从候选产品信息集合中确定目标产品信息。
在本实施例中,上述执行主体可以基于所得到的各个兴趣程度值,从候选产品信息集合中确定目标产品信息。
在本实施例的一些可选的实现方式中,可以通过如下步骤确定目标产品信息:
按照所对应的兴趣程度值由大到小的顺序,从候选产品信息集合中选取目标数量个产品信息,将所选取的产品信息作为目标产品信息。其中,目标数量可以是预先确定的数值,也可以是候选产品信息集合中的产品信息的数量的预设百分比。
可以理解,上述可选的实现方式通过按照所对应的兴趣程度值由大到小的顺序,从候选产品信息集合中选取目标产品信息,从而提高了目标用户对目标产品信息指示的产品的感兴趣程度,进而提高了产品信息推送的准确度。
可选的,上述执行主体还可以通过如下步骤确定目标产品信息:
按照所对应的兴趣程度值由小到大的顺序,从候选产品信息集合中排除目标数量个产品信息,将剩余的产品信息作为目标产品信息。其中目标数量可以是预先确定的数值,也可以是候选产品信息集合中的产品信息的数量的预设百分比。
404,向目标用户推送目标产品信息。
在本实施例中,上述执行主体可以向目标用户推送目标产品信息。
在本实施例中,401、402、404中的相关描述可以分别参考图1对应实施例中的101、102、103,这里不再赘述。
此外,在一些情况下,上述执行主体可以结合在线计算系统和离线计算系统来实现本公开的实施例。其中,离线计算系统可以用于获取产品评论信息、对产品评论信息进行预处理、提取用户评论的特征向量、计算用户相似度、确定用户的邻居集、计算评论评分,此外,离线计算系统还可以将上述计算结果进行存储。在需要向用户终端推送产品信息的情况下,将已存储的上述计算结果提供给在线系统,以便在线系统基于产品信息集合确定目标产品信息。由于在线系统对实时性要求较高,因而可以将在线系统计算得到的数据直接存在内存中,从而加速推荐速度。
需要说明的是,除上面所记载的内容外,本申请实施例还可以包括与图1对应的实施例相同或类似的特征、效果,在此不再赘述。
从图4中可以看出,本实施例中的信息推送方法的流程400中,可以基于产品评论信息获得用户对该产品信息指示的产品的兴趣程度值,进而确定出目标产品信息,由此可以进一步提高产品信息推送的准确度。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种信息推送装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,除下面所记载的特征外,该装置实施例还可以包括与图1所示的方法实施例相同或相应的特征,以及产生与图1所示的方法实施例相同或相应的效果。该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的信息推送装置500包括:第一确定单元501、第二确定单元502和第一推送单元503。其中,第一确定单元501被配置成确定目标用户的邻居集,其中,所述邻居集中的用户与目标用户的偏好相似;第二确定单元502被配置成基于上述邻居集中的各个用户发布的产品评论信息,从候选产品信息集合中确定目标产品信息;第一推送单元503被配置成向目标用户推送目标产品信息。
在本实施例中,第一确定单元501可以确定目标用户的邻居集。其中,上述邻居集可以是与上述目标用户具有类似偏好的用户的集合。例如邻居集中的用户可以与上述目标用户浏览、关注或者购买过相同的产品。
在本实施例中,第二确定单元502可以基于上述邻居集中的各个用户发布的产品评论信息,从候选产品信息集合中确定目标产品信息。
在本实施例中,第一推送单元503可以向目标用户推送目标产品信息。
在本实施例的一些可选的实现方式中,该装置500还包括:
第二获取单元(图中未示出)被配置成获取应用的至少两个用户分别发布的产品评论信息,其中,至少两个用户包括目标用户;
第三确定单元(图中未示出)被配置成基于所获取的产品评论信息,从至少两个用户中确定目标用户的邻居集。
在本实施例的一些可选的实现方式中,第三确定单元包括:
第一确定子单元(图中未示出)被配置成基于所获取的产品评论信息,确定至少两个用户中的各个用户与目标用户之间的用户相似度,其中,用户相似度表征两个用户的评论倾向之间的相似程度;
第二确定子单元(图中未示出)被配置成基于所确定出的用户相似度,从至少两个用户中确定目标用户的邻居集。
在本实施例的一些可选的实现方式中,第一确定子单元包括:
第一确定模块(图中未示出)被配置成针对至少两个用户中的每个用户,基于该用户发布的产品评论信息中的第一类评论词和第二类评论词,确定该用户的评论分值,其中,评论分值表征发布产品评论信息的用户的评论倾向;
第二确定模块(图中未示出)被配置成基于所确定出的各个评论分值,确定至少两个用户中的各个用户与目标用户之间的用户相似度。
在本实施例的一些可选的实现方式中,第一确定模块包括:
第一确定子模块(图中未示出)被配置成分别确定该用户发布的产品评论信息中的第一类评论词和第二类评论词,得到第一类评论词集合和第二类评论词集合;
第二确定子模块(图中未示出)被配置成针对第一类评论词集合中的每个第一类评论词,从预先确定的第一类别集合中,确定该第一类评论词所属的类别,其中,第一类别集合中的每个类别对应预先确定的数值;
第三确定子模块(图中未示出)被配置成将第一类评论词集合中的各个第一类评论词所属的类别对应的数值之和,作为第一结果;
第四确定子模块(图中未示出)被配置成针对第二类评论词集合中的每个第二类评论词,从预先确定的第二类别集合中,确定该第二类评论词所属的类别,其中,第二类别集合中的每个类别对应预先确定的数值;
第五确定子模块(图中未示出)被配置成将第二类评论词集合中的各个第二类评论词所属的类别对应的数值之和,作为第二结果;
第六确定子模块(图中未示出)被配置成将第一结果和第二结果的乘积,确定为该用户的评论分值。
在本实施例的一些可选的实现方式中,第一确定子单元进一步被配置成:
基于所获取的产品评论信息的时间权重以及所获取的产品评论信息,确定至少两个用户中的各个用户与目标用户之间的用户相似度,其中,时间权重基于发布产品评论信息的时间段设置,时间权重与发布产品评论信息的时间段与当前时间之间的时长呈负相关。
在本实施例的一些可选的实现方式中,第二确定单元502包括:
第三确定子单元(图中未示出)被配置成针对候选产品信息集合中的每个产品信息,基于邻居集中的各个用户发布的产品评论信息,确定目标用户对该产品信息指示的产品的兴趣程度值;
第四确定子单元(图中未示出)被配置成基于所得到的各个兴趣程度值,从候选产品信息集合中确定目标产品信息。
在本实施例的一些可选的实现方式中,第三确定子单元包括:
第三确定模块(图中未示出)被配置成确定针对该产品信息发布过产品评论信息的用户与邻居集的交集,得到目标用户集合;
第四确定模块(图中未示出)被配置成基于目标用户集合中的用户与目标用户之间的用户相似度,确定目标用户对该产品信息指示的产品的兴趣程度值。
在本实施例的一些可选的实现方式中,第三确定子单元包括:
第五确定模块(图中未示出)被配置成确定针对该产品信息发布过产品评论信息的用户与邻居集的交集,得到目标用户集合;
第六确定模块(图中未示出)被配置成基于目标用户集合中的用户对该产品信息指示的产品的评论分值,确定目标用户对该产品信息指示的产品的兴趣程度值。
在本实施例的一些可选的实现方式中,该装置500还包括:
第四确定单元(图中未示出)被配置成针对目标用户集合中的每个用户,基于该用户针对该产品信息发布的产品评论信息中的第一类评论词和第二类评论词,确定该用户对该产品信息指示的产品的评论分值,其中,用户对产品信息指示的产品的评论分值表征用户对产品信息指示的产品的评论倾向。
在本实施例的一些可选的实现方式中,第三确定子单元包括:
第七确定模块(图中未示出)被配置成确定针对该产品信息发布过产品评论信息的用户与邻居集的交集,得到目标用户集合;
第八确定模块(图中未示出)被配置成基于目标用户集合中的用户与目标用户之间的用户相似度,以及目标用户集合中的用户对该产品信息指示的产品的评论分值,确定目标用户对该产品信息指示的产品的兴趣程度值。
在本实施例的一些可选的实现方式中,第八确定模块包括:
计算子单元(图中未示出)被配置成针对目标用户集合中的每个用户,计算该用户与目标用户之间的用户相似度与目标用户集合中的用户对该产品信息指示的产品的评论分值的乘积;
第五确定子单元(图中未示出)被配置成将所计算得到的各个乘积之和,确定为目标用户对该产品信息指示的产品的兴趣程度值。
在本实施例的一些可选的实现方式中,第四确定子单元包括:
选取模块(图中未示出)被配置成按照所对应的兴趣程度值由大到小的顺序,从候选产品信息集合中选取目标数量个产品信息,将所选取的产品信息作为目标产品信息。
在本实施例的一些可选的实现方式中,第四确定子单元包括:
第二推送单元(图中未示出)被配置成向目标用户推送目标产品信息以及针对目标产品信息的产品介绍信息,以供用户终端呈现目标产品信息和产品介绍信息。
在本实施例的一些可选的实现方式中,第一确定单元包括:
第二推送单元,被配置成基于目标用户的关注信息,以及邻居集中的各个用户发布的产品评论信息,从候选产品信息集合中确定目标产品信息。
本公开的上述实施例提供的信息推送装置中,第一确定单元501可以确定目标用户的邻居集,其中,所述邻居集中的用户与目标用户的偏好相似,之后,第二确定单元502可以基于上述邻居集中的各个用户发布的产品评论信息,从候选产品信息集合中确定目标产品信息,最后,第一推送单元503可以向目标用户推送目标产品信息。由此,上述实施例提供的信息推送装置可以基于邻居集中的各个用户发布的产品评论信息来确定用以向上述用户终端推送的目标产品信息,通过与目标用户具有相似偏好的邻居集中的用户发布的产品评论信息,来确定用以向上述目标用户进行推送的产品信息,这样,丰富了产品信息的确定方式,可以提高产品信息推送的准确度。
下面,参考图6来描述根据本公开实施例的电子设备。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备,该单机设备可以与第一设备和第二设备进行通信,以从它们接收所采集到的输入信号。
图6图示了根据本公开实施例的电子设备的框图。
如图6所示,电子设备6包括一个或多个处理器601和存储器602。
处理器601可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备中的其他组件以执行期望的功能。
存储器602可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器601可以运行所述程序指令,以实现上文所述的本公开的各个实施例的信息推送方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中,电子设备还可以包括:输入装置603和输出装置604,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
例如,在该电子设备是第一设备或第二设备时,该输入装置603可以是上述的麦克风或麦克风阵列,用于捕捉声源的输入信号。在该电子设备是单机设备时,该输入装置603可以是通信网络连接器,用于从第一设备和第二设备接收所采集的输入信号。
此外,该输入装置603还可以包括例如键盘、鼠标等等。该输出装置604可以向外部输出各种信息,包括确定出的距离信息、方向信息等。该输出装置604可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图6中仅示出了该电子设备中与本公开有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备还可以包括任何其他适当的组件。
除了上述方法和设备以外,本公开的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的信息推送方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本公开的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的信息推送方法中的步骤。
所述计算机可读存储介质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包括但不限于电、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。
以上结合具体实施例描述了本公开的基本原理,但是,需要指出的是,在本公开中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本公开为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言,由于其与方法实施例基本对应,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:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言,由于其与方法实施例基本对应,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。
可能以许多方式来实现本公开的方法和装置。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明,本公开的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本公开的实施为记录在记录介质中的程序,这些程序包括用于实现根据本公开的方法的机器可读指令。因而,本公开的实施例还覆盖存储用于执行根据本公开的实施例的方法的程序的记录介质。
本公开中的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本公开的实施例限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的实施例的原理和实际应用,并且使本领域的普通技术人员能够理解本公开的实施例从而设计适于特定用途的带有各种修改的各种实施例。
Claims (10)
1.一种信息推送方法,其特征在于,包括:
确定目标用户的邻居集,其中,所述邻居集中的用户与目标用户的偏好相似;
基于所述邻居集中的用户发布的产品评论信息,从候选产品信息集合中确定目标产品信息;
向目标用户推送所述目标产品信息。
2.根据权利要求1所述的方法,其特征在于,所述确定目标用户的邻居集包括:
获取至少两个用户分别发布的产品评论信息,其中,所述至少两个用户包括目标用户;
基于所获取的产品评论信息,从所述至少两个用户中确定目标用户的邻居集。
3.根据权利要求2所述的方法,其特征在于,所述基于所获取的产品评论信息,从所述至少两个用户中确定目标用户的邻居集,包括:
基于所获取的产品评论信息,确定所述至少两个用户中的用户与目标用户之间的用户相似度,其中,用户相似度表征两个用户的评论倾向之间的相似程度;
基于所确定出的用户相似度,从所述至少两个用户中确定目标用户的邻居集。
4.根据权利要求3所述的方法,其特征在于,所述基于所获取的产品评论信息,确定所述至少两个用户中的用户与目标用户之间的用户相似度,包括:
针对所述至少两个用户中的用户,基于该用户发布的产品评论信息中的第一类评论词和第二类评论词,确定该用户的评论分值,其中,评论分值表征发布产品评论信息的用户的评论倾向;
基于所确定出的评论分值,确定所述至少两个用户中的用户与目标用户之间的用户相似度。
5.根据权利要求4所述的方法,其特征在于,所述基于该用户发布的产品评论信息中的第一类评论词和第二类评论词,确定该用户的评论分值,包括:
分别确定该用户发布的产品评论信息中的第一类评论词和第二类评论词,得到第一类评论词集合和第二类评论词集合;
针对所述第一类评论词集合中的第一类评论词,从预先确定的第一类别集合中,确定该第一类评论词所属的类别,其中,所述第一类别集合中的类别对应预先确定的数值;
将所述第一类评论词集合中的第一类评论词所属的类别对应的数值之和,作为第一结果;
针对所述第二类评论词集合中的第二类评论词,从预先确定的第二类别集合中,确定该第二类评论词所属的类别,其中,所述第二类别集合中的类别对应预先确定的数值;
将所述第二类评论词集合中的第二类评论词所属的类别对应的数值之和,作为第二结果;
将所述第一结果和所述第二结果的乘积,确定为该用户的评论分值。
6.根据权利要求3-5之一所述的方法,其特征在于,所述基于所获取的产品评论信息,确定所述至少两个用户中的用户与目标用户之间的用户相似度,包括:
基于所获取的产品评论信息的时间权重以及所获取的产品评论信息,确定所述至少两个用户中的用户与目标用户之间的用户相似度,其中,时间权重基于发布产品评论信息的时间段设置,时间权重与发布产品评论信息的时间段与当前时间之间的时长呈负相关。
7.根据权利要求1-6之一所述的方法,其特征在于,所述基于所述邻居集中的用户发布的产品评论信息,从候选产品信息集合中确定目标产品信息,包括:
针对所述候选产品信息集合中的产品信息,基于所述邻居集中的用户发布的产品评论信息,确定目标用户对该产品信息指示的产品的兴趣程度值;
基于所得到的兴趣程度值,从所述候选产品信息集合中确定目标产品信息。
8.一种信息推送装置,其特征在于,包括:
第一确定单元,被配置成确定目标用户的邻居集,其中,所述邻居集中的用户与目标用户的偏好相似;
第二确定单元,被配置成基于所述邻居集中的用户发布的产品评论信息,从候选产品信息集合中确定目标产品信息;
第一推送单元,被配置成向目标用户推送所述目标产品信息。
9.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述存储器中存储的计算机程序,且所述计算机程序被执行时,实现上述权利要求1-7任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时,实现上述权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011430093.3A CN112487297A (zh) | 2020-12-09 | 2020-12-09 | 信息推送方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011430093.3A CN112487297A (zh) | 2020-12-09 | 2020-12-09 | 信息推送方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112487297A true CN112487297A (zh) | 2021-03-12 |
Family
ID=74940029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011430093.3A Pending CN112487297A (zh) | 2020-12-09 | 2020-12-09 | 信息推送方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112487297A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254028A (zh) * | 2011-07-22 | 2011-11-23 | 青岛理工大学 | 一种集成属性和结构相似性的个性化商品推荐方法和系统 |
CN108241667A (zh) * | 2016-12-26 | 2018-07-03 | 百度在线网络技术(北京)有限公司 | 用于推送信息的方法和装置 |
CN108876536A (zh) * | 2018-06-15 | 2018-11-23 | 天津大学 | 基于最近邻信息的协同过滤推荐方法 |
CN109376301A (zh) * | 2018-10-09 | 2019-02-22 | 新乡学院 | 一种融合社交信息的个性化推荐方法 |
CN109522487A (zh) * | 2018-12-21 | 2019-03-26 | 北京工业大学 | 一种基于评论的餐厅个性化推荐方法 |
CN111061962A (zh) * | 2019-11-25 | 2020-04-24 | 上海海事大学 | 一种基于用户评分分析的推荐方法 |
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
- 2020-12-09 CN CN202011430093.3A patent/CN112487297A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254028A (zh) * | 2011-07-22 | 2011-11-23 | 青岛理工大学 | 一种集成属性和结构相似性的个性化商品推荐方法和系统 |
CN108241667A (zh) * | 2016-12-26 | 2018-07-03 | 百度在线网络技术(北京)有限公司 | 用于推送信息的方法和装置 |
CN108876536A (zh) * | 2018-06-15 | 2018-11-23 | 天津大学 | 基于最近邻信息的协同过滤推荐方法 |
CN109376301A (zh) * | 2018-10-09 | 2019-02-22 | 新乡学院 | 一种融合社交信息的个性化推荐方法 |
CN109522487A (zh) * | 2018-12-21 | 2019-03-26 | 北京工业大学 | 一种基于评论的餐厅个性化推荐方法 |
CN111061962A (zh) * | 2019-11-25 | 2020-04-24 | 上海海事大学 | 一种基于用户评分分析的推荐方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10748164B2 (en) | Analyzing sentiment in product reviews | |
Shen et al. | Sentiment based matrix factorization with reliability for recommendation | |
CN107908740B (zh) | 信息输出方法和装置 | |
CN108829808B (zh) | 一种页面个性化排序方法、装置及电子设备 | |
CN112074857A (zh) | 组合机器学习和社交数据以生成个性化推荐 | |
Vosecky et al. | Collaborative personalized twitter search with topic-language models | |
CN108694647B (zh) | 一种商户推荐理由的挖掘方法及装置,电子设备 | |
JP2013517563A (ja) | ユーザ通信の解析システムおよび方法 | |
CN109325121B (zh) | 用于确定文本的关键词的方法和装置 | |
WO2015188349A1 (en) | Recommending of an item to a user | |
CN111090739A (zh) | 信息处理方法、装置以及电子设备、存储介质 | |
TW201814556A (zh) | 資訊匹配方法及相關裝置 | |
KR101712291B1 (ko) | 오피니언 마이닝을 기반으로 한 사용자 맞춤형 명소 정보 추천 시스템 및 구동 방법 | |
CN110827115A (zh) | 基于注意力机制的产品推荐方法和系统 | |
CN113407854A (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
CN111429214A (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
WO2019242453A1 (zh) | 信息处理方法及装置、存储介质、电子装置 | |
Borges et al. | A survey on recommender systems for news data | |
CN117593089A (zh) | 信用卡推荐方法、装置、设备、存储介质及程序产品 | |
CN112163415A (zh) | 针对反馈内容的用户意图识别方法、装置及电子设备 | |
Huang et al. | A time-aware hybrid approach for intelligent recommendation systems for individual and group users | |
Latha et al. | Product recommendation using enhanced convolutional neural network for e-commerce platform | |
Suryana et al. | Dynamic convolutional neural network for eliminating item sparse data on recommender system. | |
CN112487297A (zh) | 信息推送方法、装置、电子设备和存储介质 | |
CN114329206A (zh) | 标题生成方法和装置、电子设备、计算机可读介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210312 |