CN112528164A - 一种用户协同过滤召回方法及装置 - Google Patents

一种用户协同过滤召回方法及装置 Download PDF

Info

Publication number
CN112528164A
CN112528164A CN202011465765.4A CN202011465765A CN112528164A CN 112528164 A CN112528164 A CN 112528164A CN 202011465765 A CN202011465765 A CN 202011465765A CN 112528164 A CN112528164 A CN 112528164A
Authority
CN
China
Prior art keywords
user
recalled
embedding
product
cluster
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
Application number
CN202011465765.4A
Other languages
English (en)
Other versions
CN112528164B (zh
Inventor
许娜娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Construction Bank Corp
Original Assignee
CCB Finetech Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CCB Finetech Co Ltd filed Critical CCB Finetech Co Ltd
Priority to CN202011465765.4A priority Critical patent/CN112528164B/zh
Publication of CN112528164A publication Critical patent/CN112528164A/zh
Application granted granted Critical
Publication of CN112528164B publication Critical patent/CN112528164B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Finance (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Accounting & Taxation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请提供一种用户协同过滤召回方法及装置，所述方法包括：基于用户的历史行为数据训练得到待召回产品的Embedding值；根据所述待召回产品的Embedding值计算用户的Embedding值；根据所述用户的Embedding值得到用户聚类；根据待推荐用户的用户基础信息数据、所述用户聚类及所述待召回产品的Embedding值构建待召回产品推荐列表，以向待推荐用户推荐待召回产品。本申请能够基于用户的历史行为数据以及用户基础信息数据，确定用户所属用户聚类，并据此构建待召回产品推荐列表，完成向待推荐用户进行待召回产品推荐。

Description

一种用户协同过滤召回方法及装置
技术领域
本申请涉及大数据及人工智能领域，具体是一种用户协同过滤召回方法及装置。
背景技术
在金融及电子商务等领域中，时常需根据用户的基础信息数据为其推荐适合其自身的产品，也就是进行智能营销。在智能营销应用场景中，营销系统可以基于用户的历史行为数据等去匹配最适合该用户的产品，对该产品进行推荐。此种方法的应用范围较广，很多情况下是采用基于用户协同过滤召回的方法进行的。
基于用户协同过滤召回的方法，简单来说，就是利用兴趣相投，拥有共同经验的群体的喜好来向待推荐用户推荐其感兴趣的产品。当一个用户需要进行个性化推荐时，营销系统可以先找到与其有相似兴趣的其他用户，然后将这些其他用户喜欢而该用户可能没有接触过的产品推荐给该用户。而召回则是指从全量信息集合中触发尽可能多的正确结果，并将结果返回给“推荐列表”。
然而，现有的基于用户协同过滤召回方法针对某一热门物品，对其有过历史行为的用户会非常多，原始数据集合会相对较大，而对于冷门物品的发现能力不足。且在现有的基于用户协同过滤召回方法，往往只能基于有过用户行为的产品进行推荐，而无法将新产品推荐给用户。因此，由于以上两种情况，在应用现有的基于用户协同过滤召回方法构建产品矩阵时，产品矩阵的数据量往往较大且非常稀疏，这样，一方面难以找到最近邻居用户集，另一方面在进行相似性计算时算力耗费也会较大，同时也难以发现用户隐藏的兴趣点。
发明内容
针对现有技术中的问题，本申请提供一种用户协同过滤召回方法及装置，能够基于用户的历史行为数据以及用户基础信息数据，确定用户所属用户聚类，并据此构建待召回产品推荐列表，完成向待推荐用户进行待召回产品推荐。
为解决上述技术问题，本申请提供以下技术方案：
第一方面，本申请提供一种用户协同过滤召回方法，包括：
基于用户的历史行为数据训练得到待召回产品的Embedding值；
根据所述待召回产品的Embedding值计算用户的Embedding值；
根据所述用户的Embedding值得到用户聚类；
根据待推荐用户的用户基础信息数据、所述用户聚类及所述待召回产品的Embedding值构建待召回产品推荐列表，以向待推荐用户推荐待召回产品。
进一步地，所述基于用户的历史行为数据训练得到待召回产品的Embedding值，包括：
对待召回产品的基础特征数据进行数字化处理；
根据用户基础信息数据、用户针对所述待召回产品的历史行为数据及数字化处理后的待召回产品的基础特征数据建立训练数据集；
基于所述训练数据集对逻辑回归模型进行训练，得到待召回产品的Embedding值。
进一步地，所述根据所述待召回产品的Embedding值计算用户的Embedding值，包括：
针对每一用户，根据对应的历史行为数据生成行为漏斗数据；
根据所述行为漏斗数据计算不同历史行为数据对应的行为权重；
基于所述行为权重，对所述待召回产品的Embedding值进行加权求和，得到用户的Embedding值。
进一步地，所述根据所述用户的Embedding值得到用户聚类，包括：
根据预设的用户聚类数量随机选择K个用户，并分别确定所述K个用户各自对应的用户聚类中心；其中，K为预设的用户聚类数量；
计算待聚类用户的Embedding值到所述用户聚类中心的距离，并将所述待聚类用户划入其Embedding值到所述用户聚类中心的距离最小的用户聚类；
更新划入所述待聚类用户后的用户聚类的用户聚类中心。
进一步地，所述基于所述训练数据集对逻辑回归模型进行训练，得到待召回产品的Embedding值，包括：
基于所述训练数据集对所述逻辑回归模型进行训练，得到待召回产品中各特征的Embedding值；
根据待召回产品中各特征的Embedding值的维度对所述待召回产品中各特征进行分类；
将相同分类下的各特征的Embedding值相加，得到各分类的Embedding值之和；
根据各分类的Embedding值之和生成待召回产品的Embedding值。
进一步地，所述根据待推荐用户的用户基础信息数据、所述用户聚类及所述待召回产品的Embedding值构建待召回产品推荐列表，以向待推荐用户推荐待召回产品，包括：
基于所述待推荐用户的Embedding值对所述待推荐用户进行用户聚类划分；
将所述待推荐用户所属的用户聚类中各用户的Embedding值相加，得到所述待推荐用户所属的用户聚类的Embedding值；
根据所述待推荐用户所属的用户聚类的Embedding值，计算所述待推荐用户所属的用户聚类的Embedding值与该用户聚类下每一待召回产品的Embedding值的相似度；
根据所述相似度生成构建待召回产品推荐列表。
第二方面，本申请提供一种用户协同过滤召回装置，包括：
产品Embedding值确定单元，用于基于用户的历史行为数据训练得到待召回产品的Embedding值；
用户Embedding值确定单元，用于根据所述待召回产品的Embedding值计算用户的Embedding值；
用户聚类生成单元，用于根据所述用户的Embedding值得到用户聚类；
推荐列表构建单元，用于根据待推荐用户的用户基础信息数据、所述用户聚类及所述待召回产品的Embedding值构建待召回产品推荐列表，以向待推荐用户推荐待召回产品。
进一步地，所述用户聚类生成单元，包括：
用户聚类建立模块，用于根据预设的用户聚类数量随机选择K个用户，并分别确定所述K个用户各自对应的用户聚类中心；其中，K为预设的用户聚类数量；
用户聚类划入模块，用于计算待聚类用户的Embedding值到所述用户聚类中心的距离，并将所述待聚类用户划入其Embedding值到所述用户聚类中心的距离最小的用户聚类；
用户聚类中心更新模块，用于更新划入所述待聚类用户后的用户聚类的用户聚类中心。
进一步地，所述推荐列表构建单元，包括：
用户聚类划分模块，用于基于所述待推荐用户的Embedding值对所述待推荐用户进行用户聚类划分；
用户聚类Embedding值确定模块，用于将所述待推荐用户所属的用户聚类中各用户的Embedding值相加，得到所述待推荐用户所属的用户聚类的Embedding值；
相似度计算模块，用于根据所述待推荐用户所属的用户聚类的Embedding值，计算所述待推荐用户所属的用户聚类的Embedding值与该用户聚类下每一待召回产品的Embedding值的相似度；
推荐列表构建模块，用于根据所述相似度生成构建待召回产品推荐列表。
第三方面，本申请提供一种电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述用户协同过滤召回方法的步骤。
第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述用户协同过滤召回方法的步骤。
针对现有技术中的问题，本申请提供的用户协同过滤召回方法及装置，能够基于用户的历史行为数据以及用户基础信息数据，确定用户所属用户聚类，并据此构建待召回产品推荐列表，完成向待推荐用户进行待召回产品推荐。通过分别计算用户的Embedding及待召回产品的Embedding，能够对用户及待召回产品的关系进行描述，从而更好地发现两者之间的潜在关系。采用本申请提供的用户协同过滤召回方法及装置，即使遇到用户历史行为较少的待召回产品也可能被优先召回。
附图说明
图1为本申请实施例中用户协同过滤召回方法的流程图；
图2为本申请实施例中得到待召回产品的Embedding值的流程图之一；
图3为本申请实施例中计算用户的Embedding值的流程图；
图4为本申请实施例中得到用户聚类的流程图；
图5为本申请实施例中得到待召回产品的Embedding值的流程图之二；
图6为本申请实施例中构建待召回产品推荐列表的流程图；
图7为本申请实施例中用户协同过滤召回装置的结构图；
图8为本申请实施例中用户聚类生成单元；
图9为本申请实施例中推荐列表构建单元；
图10为本申请实施例中的电子设备的结构示意图。
具体实施方式
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，所描述的实施例仅是本申请一部分实施例，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，都属于本申请保护的范围。
参见图1，为了能够基于用户的历史行为数据以及用户基础信息数据，确定用户所属用户聚类，并据此构建待召回产品推荐列表，完成向待推荐用户进行待召回产品推荐，本申请提供一种用户协同过滤召回方法，包括：
S101：基于用户的历史行为数据训练得到待召回产品的Embedding值；
S102：根据所述待召回产品的Embedding值计算用户的Embedding值；
S103：根据所述用户的Embedding值得到用户聚类；
S104：根据待推荐用户的用户基础信息数据、所述用户聚类及所述待召回产品的Embedding值构建待召回产品推荐列表，以向待推荐用户推荐待召回产品。
可以理解的是，本申请实施例基于用户的历史行为数据可以训练得到待召回产品的Embedding值。训练过程采用因子分解算法进行，因子分解算法是一种基于矩阵分解的机器学习算法。在训练模型的过程中，会得到待召回产品的Embedding值。在传统的待召回产品推荐领域中，一个重要的问题就是如何针对没有发生过历史行为或者很少发生过历史行为的待召回产品进行推荐。本申请所提供的用户协同过滤召回方法能够解决这一问题，具体参见S201～S203。有了待召回产品的Embedding值可以计算得到用户的Embedding值，核心就是要生成用户的行为漏斗数据，具体参见S301～S303。由于各待召回物所述领域可能差异很大，且用户针对各待召回物的历史行为也不尽相同，可以据此将不同用户划分为不同聚类，以便按照聚类分别将聚类下的待推荐物推荐给对应聚类下的待推荐客户，以便获得更好地推荐结果，其中，用户聚类的依据是用户的Embedding值，具体参见S401～S403。最后，根据待推荐用户的用户基础信息数据、所述用户聚类及所述待召回产品的Embedding值构建待召回产品推荐列表，以向待推荐用户推荐待召回产品，具体参见S601～S604。
从上述描述可知，本申请提供的用户协同过滤召回方法，能够基于用户的历史行为数据以及用户基础信息数据，确定用户所属用户聚类，并据此构建待召回产品推荐列表，完成向待推荐用户进行待召回产品推荐。通过分别计算用户的Embedding及待召回产品的Embedding，能够对用户及待召回产品的关系进行描述，从而更好地发现两者之间的潜在关系。采用本申请提供的用户协同过滤召回方法及装置，即使遇到用户历史行为较少的待召回产品也可能被优先召回。
参见图2，所述基于用户的历史行为数据训练得到待召回产品的Embedding值，包括：
S201：对待召回产品的基础特征数据进行数字化处理；
S202：根据用户基础信息数据、用户针对所述待召回产品的历史行为数据及数字化处理后的待召回产品的基础特征数据建立训练数据集；
可以理解的是，为了基于用户的历史行为数据对逻辑回归模型进行训练，首先需进行训练数据集的准备。训练数据集需要包括三部分的数据：包括用户基础信息数据，比如用户的标识、年龄、性别、国籍等；待召回产品的基础特征数据，比如产品标识及类别等；此外，还需要收集历史一段时间内用户对待召回产品的历史行为数据，比如用户对待召回产品的点击、浏览、收藏及购买等历史行为数据。通过对历史行为数据进行初步清洗后，可以剔除一些明显不合理的历史行为数据，然后再对基础特征数据进行one-hot处理。所谓one-hot处理，是指将分类变量作为二进制向量进行表示。例如，“国籍”这一基础特征数据征有三个取值，分别为【“中国”，“美国”，“法国”】，经过one-hot处理后就变成三个特征【“是否中国”，“是否美国”，“是否法国”】。如果这一特征的取值为“中国”，则二进制向量表示为【1，0，0】。对于连续数值类基础特征数据，需先对其做离散化后，再做one-hot处理。对于本身就是离散类型的基础特征数据，可以直接进行one-hot处理。处理完成之后可以得到训练数据集。举例而言，数据的形式可以为：
Figure BDA0002834116830000061
Figure BDA0002834116830000071
其中，userId和itemId分别为用户及待召回产品的唯一标识。x1～xn为构建的特征数据的二进制表示，为进行one-hot处理之后的特征。例如x1代表用户是否收藏过该待召回产品。当x1值为1时，表示是。x1值为0时，表示否。最后一列label表示要预测的目标，通常代表用户是否将要选择该待召回产品。当label为1时，代表是正样本，当label为0时，代表是负样本。
S203：基于所述训练数据集对逻辑回归模型进行训练，得到待召回产品的Embedding值。
可以理解的是，基于训练数据集，可以训练FM因子分解模型，训练的原始模型为LR逻辑回归模型。FM因子分解模型是相对于传统的LR逻辑回归模型的改进。传统的LR逻辑回归模型定义如下：
LR：
Figure BDA0002834116830000072
在LR逻辑回归模型中，未考虑到特征的两两交叉关系。比如，x1表示用户是否收藏过某待召回产品，x2表示用户是否为女性，那么<x1,x2>就可以表示收藏该待召回产品的是否为女性。这样的特征与label之间可能具有更高的正向关联性。因此，本申请的FM因子分解模型模型定义如下：
FM：
Figure BDA0002834116830000073
模型的前半部分是传统的LR逻辑回归模型，后半部分是特征组合交叉项。相比于LR逻辑回归模型，FM因子分解模型的拟合能力更强。
从公式中可以看到，特征组合交叉项的参数一共有1/2n(n-1)个，任意两个参数之间都是相互独立的。在数据稀疏性普遍存在的情况下，二次项的训练是非常困难的，为了解决这个问题，采用了矩阵分解的思路。
FM因子分解模型对于每个特征可以学习一个大小为k的一维向量，于是，两个特征xi和xj的特征组合的权重值可以通过特征对应的向量vi和vj的内积＜vi,vj＞来表示。这本质上是对特征进行Embedding化表示。在FM因子分解模型训练完成之后，就可以得到每个特征对应的Embedding值。
在得到特征的Embedding值之后，由于每个待召回产品由各特征组成，因此可以基于特征的Embedding值得到待召回产品的Embedding值。假设待召回产品有如下特征【“x1:是否男性”，“x2:是否女性”，“x3:是否是鞋类”，“x4:是否是服装类”，“x5:是否是化妆品类”】，对于每一个特征，此前都得到了一个对应的Embedding值。因此就可以对特征的Embedding值进行拼接，得到待召回产品的Embedding值。Embedding值的位数直接决定了其所传递的信息量的大小。Embedding值的位数越长，它所能表达的信息越多，相应的，所需要的存储空间越大，计算复杂度越高。不同的特征包含的信息量不同，比如对于性别特征，只有“是否男”和“是否女”，它所需要的Embedding值的位数比较少就可以加以区分。而对于类别特征，由于待召回产品的品类非常多，因此可能需要更长的Embedding值来加以区分。为了在保证信息量的同时，降低时空消耗，本申请实施例可以将特征分成不同的类别，同一个类别之下的特征的Embedding值的位数是一样的，即k一样。在得到特征的Embedding值之后，具体计算待召回产品的Embedding值的方法如下：
首先，假设所有的特征被分成M个类，每个类别对应的Embedding值的长度为(m1,m2,...mM)。以第k个类为例，该类别下共有N个特征，每个特征的Embedding值表示为
Figure BDA0002834116830000081
所有特征的Embedding值相加：
Figure BDA0002834116830000082
在得到各个类别的Embedding值之后，再将所有的Embedding值进行拼接，得到E＝＜E1,E2,...EM＞，最终待召回产品的Embedding值的长度为
Figure BDA0002834116830000083
从上述描述可知，本申请提供的用户协同过滤召回方法能够基于用户的历史行为数据训练得到待召回产品的Embedding值。
参见图3，所述根据所述待召回产品的Embedding值计算用户的Embedding值，包括：
S301：针对每一用户，根据对应的历史行为数据生成行为漏斗数据；
S302：根据所述行为漏斗数据计算不同历史行为数据对应的行为权重；
S303：基于所述行为权重，对所述待召回产品的Embedding值进行加权求和，得到用户的Embedding值。
可以理解的是，在得到待召回产品的Embedding值之后，就可以基于用户的历史行为数据计算得到每个用户的Embedding值了。具体步骤如下：
第一步，统计用户的历史行为数据。获取用户过去一段时间，比如7天内对待召回产品的行为记录。以电商行为为例，用户在过去7天内线上线下的行为漏斗如下：点击->收藏->加购物车->购买。
第二步，计算不同行为的权重。用户不同的行为体现的是对不同待召回产品的喜好程度。对于产生购买行为的待召回产品，用户的偏好度是最高的，而对于只有点击行为的待召回产品，用户的喜好程度相对最低。因此，在基于待召回产品的Embedding生成用户的Embedding的时候，需要考虑不同行为类型的权重影响。通过统计该时间段内所有用户的各历史行为的数量，可以得到一个转化比例，作为各个阶段的行为权重。比如，点击(0.2)->收藏(0.5)->加购物车(0.8)->购买(1.0)。
第三步，用户的Embedding值则由该用户产生历史行为的待召回产品的Embedding乘以对应历史行为的权重后加和得到。
从上述描述可知，本申请提供的用户协同过滤召回方法能够根据所述待召回产品的Embedding值计算用户的Embedding值。
参见图4，所述根据所述用户的Embedding值得到用户聚类，包括：
S401：根据预设的用户聚类数量随机选择K个用户，并分别确定所述K个用户各自对应的用户聚类中心；其中，K为预设的用户聚类数量；
S402：计算待聚类用户的Embedding值到所述用户聚类中心的距离，并将所述待聚类用户划入其Embedding值到所述用户聚类中心的距离最小的用户聚类；
S403：更新划入所述待聚类用户后的用户聚类的用户聚类中心。
可以理解的是，基于用户的Embedding值使用K-means算法可以对用户进行聚类。K-means是一种无监督的聚类算法。它的基本思想是：对于给定的样本集合，按照样本之间距离的大小，将样本划分为K个簇。距离体现为样本之间的相似度。让簇内的样本点尽量紧密地连在一起，而簇之间的距离尽量大。使用K-means进行聚类的一般方法为：
1)假设最终要将用户划分成K个类簇。每个类簇表示为Ci(i＝1,2,...K)。先随机选择k个用户，作为初始k个类簇的中心点。被选到的用户的Embedding值就是该类簇当前的Embedding值，各类簇的中心点表示为μj(j＝1,2,...k)。
2)对于待被划分类簇的所有用户，逐一计算各个用户的Embedding值xi到该k个中心点之间的距离。距离的计算公式为：
dij＝||xi-μj||2
其中，dij为距离，xi为用户的Embedding值。
根据计算结果，可以将用户划分到与其距离最小的那一个类簇中。
3)更新全部K个类簇的中心点，每个类簇的中心点Embedding值表示为这个类簇下全部用户的Embedding的均值。更新公式为：
Figure BDA0002834116830000101
其中，Cj表示
4)重复以上过程直到聚类的中心点不再发生变化或达到指定的轮次，聚类完成。
从上述描述可知，本申请提供的用户协同过滤召回方法能够根据所述用户的Embedding值得到用户聚类。
参见图5，所述基于所述训练数据集对逻辑回归模型进行训练，得到待召回产品的Embedding值，包括：
S501：基于所述训练数据集对所述逻辑回归模型进行训练，得到待召回产品中各特征的Embedding值；
S502：根据待召回产品中各特征的Embedding值的维度对所述待召回产品中各特征进行分类；
S503：将相同分类下的各特征的Embedding值相加，得到各分类的Embedding值之和；
S504：根据各分类的Embedding值之和生成待召回产品的Embedding值。
可以理解的是，S501～S504是S203的具体阐述，因此可以对应前述S203的阐述进行理解。
从上述描述可知，本申请提供的用户协同过滤召回方法能够基于所述训练数据集对逻辑回归模型进行训练，得到待召回产品的Embedding值。
参见图6，所述根据待推荐用户的用户基础信息数据、所述用户聚类及所述待召回产品的Embedding值构建待召回产品推荐列表，以向待推荐用户推荐待召回产品，包括：
S601：基于所述待推荐用户的Embedding值对所述待推荐用户进行用户聚类划分；
S602：将所述待推荐用户所属的用户聚类中各用户的Embedding值相加，得到所述待推荐用户所属的用户聚类的Embedding值；
S603：根据所述待推荐用户所属的用户聚类的Embedding值，计算所述待推荐用户所属的用户聚类的Embedding值与该用户聚类下每一待召回产品的Embedding值的相似度；
S604：根据所述相似度生成构建待召回产品推荐列表。
可以理解的是，当一个用户到来之后，首先可以获取该用户所属的聚类及其该用户聚类对应的Embedding值，计算其与各待召回产品的Embedding值的相似度，产出相似度最大的K个待召回产品，得到各个用户聚类TopK推荐列表。具体可以参见S601～S604的描述。
从上述描述可知，本申请提供的用户协同过滤召回方法能够根据待推荐用户的用户基础信息数据、所述用户聚类及所述待召回产品的Embedding值构建待召回产品推荐列表，以向待推荐用户推荐待召回产品。
基于同一发明构思，本申请实施例还提供了一种用户协同过滤召回装置，可以用于实现上述实施例所描述的方法，如下面的实施例所述。由于用户协同过滤召回装置解决问题的原理与用户协同过滤召回方法相似，因此用户协同过滤召回装置的实施可以参见基于软件性能基准确定方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
参见图7，为了能够基于用户的历史行为数据以及用户基础信息数据，确定用户所属用户聚类，并据此构建待召回产品推荐列表，完成向待推荐用户进行待召回产品推荐，本申请提供一种用户协同过滤召回装置，包括：产品Embedding值确定单元701、用户Embedding值确定单元702、用户聚类生成单元703及推荐列表构建单元704。
产品Embedding值确定单元701，用于基于用户的历史行为数据训练得到待召回产品的Embedding值；
用户Embedding值确定单元702，用于根据所述待召回产品的Embedding值计算用户的Embedding值；
用户聚类生成单元703，用于根据所述用户的Embedding值得到用户聚类；
推荐列表构建单元704，用于根据待推荐用户的用户基础信息数据、所述用户聚类及所述待召回产品的Embedding值构建待召回产品推荐列表，以向待推荐用户推荐待召回产品。
参见图8，所述用户聚类生成单元703，包括：用户聚类建立模块801、用户聚类划入模块802及用户聚类中心更新模块803。
用户聚类建立模块801，用于根据预设的用户聚类数量随机选择K个用户，并分别确定所述K个用户各自对应的用户聚类中心；其中，K为预设的用户聚类数量；
用户聚类划入模块802，用于计算待聚类用户的Embedding值到所述用户聚类中心的距离，并将所述待聚类用户划入其Embedding值到所述用户聚类中心的距离最小的用户聚类；
用户聚类中心更新模块803，用于更新划入所述待聚类用户后的用户聚类的用户聚类中心。
参见图9，所述推荐列表构建单元704，包括：用户聚类划分模块901、用户聚类Embedding值确定模块902、相似度计算模块903及推荐列表构建模块904。
用户聚类划分模块901，用于基于所述待推荐用户的Embedding值对所述待推荐用户进行用户聚类划分；
用户聚类Embedding值确定模块902，用于将所述待推荐用户所属的用户聚类中各用户的Embedding值相加，得到所述待推荐用户所属的用户聚类的Embedding值；
相似度计算模块903，用于根据所述待推荐用户所属的用户聚类的Embedding值，计算所述待推荐用户所属的用户聚类的Embedding值与该用户聚类下每一待召回产品的Embedding值的相似度；
推荐列表构建模块904，用于根据所述相似度生成构建待召回产品推荐列表。
从硬件层面来说，为了能够基于用户的历史行为数据以及用户基础信息数据，确定用户所属用户聚类，并据此构建待召回产品推荐列表，完成向待推荐用户进行待召回产品推荐，本申请提供一种用户协同过滤召回方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：
处理器(Processor)、存储器(Memory)、通讯接口(Communications Interface)和总线；其中，所述处理器、存储器、通讯接口通过所述总线完成相互间的通讯；所述通讯接口用于实现所述用户协同过滤召回装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输；该逻辑控制器可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该逻辑控制器可以参照实施例中的用户协同过滤召回方法的实施例，以及用户协同过滤召回装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
可以理解的是，所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中，用户协同过滤召回方法的部分可以在如上述内容所述的电子设备侧执行，也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通讯模块(即通讯单元)，可以与远程的服务器进行通讯连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通讯链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。
图10为本申请实施例的电子设备9600的系统构成的示意框图。如图10所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图10是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
一实施例中，用户协同过滤召回方法功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：
S101：基于用户的历史行为数据训练得到待召回产品的Embedding值；
S102：根据所述待召回产品的Embedding值计算用户的Embedding值；
S103：根据所述用户的Embedding值得到用户聚类；
S104：根据待推荐用户的用户基础信息数据、所述用户聚类及所述待召回产品的Embedding值构建待召回产品推荐列表，以向待推荐用户推荐待召回产品。
从上述描述可知，本申请提供的用户协同过滤召回方法及装置，能够基于用户的历史行为数据以及用户基础信息数据，确定用户所属用户聚类，并据此构建待召回产品推荐列表，完成向待推荐用户进行待召回产品推荐。通过分别计算用户的Embedding及待召回产品的Embedding，能够对用户及待召回产品的关系进行描述，从而更好地发现两者之间的潜在关系。采用本申请提供的用户协同过滤召回方法及装置，即使遇到用户历史行为较少的待召回产品也可能被优先召回。
在另一个实施方式中，用户协同过滤召回装置可以与中央处理器9100分开配置，例如可以将数据复合传输装置用户协同过滤召回装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现用户协同过滤召回方法的功能。
如图10所示，该电子设备9600还可以包括：通讯模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图10中所示的所有部件；此外，电子设备9600还可以包括图10中没有示出的部件，可以参考现有技术。
如图10所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器9140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通讯功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通讯模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通讯模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通讯终端的情况相同。
基于不同的通讯技术，在同一电子设备中，可以设置有多个通讯模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通讯模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的用户协同过滤召回方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的用户协同过滤召回方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
S101：基于用户的历史行为数据训练得到待召回产品的Embedding值；
S102：根据所述待召回产品的Embedding值计算用户的Embedding值；
S103：根据所述用户的Embedding值得到用户聚类；
S104：根据待推荐用户的用户基础信息数据、所述用户聚类及所述待召回产品的Embedding值构建待召回产品推荐列表，以向待推荐用户推荐待召回产品。
从上述描述可知，本申请提供的用户协同过滤召回方法及装置，能够基于用户的历史行为数据以及用户基础信息数据，确定用户所属用户聚类，并据此构建待召回产品推荐列表，完成向待推荐用户进行待召回产品推荐。通过分别计算用户的Embedding及待召回产品的Embedding，能够对用户及待召回产品的关系进行描述，从而更好地发现两者之间的潜在关系。采用本申请提供的用户协同过滤召回方法及装置，即使遇到用户历史行为较少的待召回产品也可能被优先召回。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (11)

1.一种用户协同过滤召回方法，其特征在于，包括：
基于用户的历史行为数据训练得到待召回产品的Embedding值；
根据所述待召回产品的Embedding值计算用户的Embedding值；
根据所述用户的Embedding值得到用户聚类；
根据待推荐用户的用户基础信息数据、所述用户聚类及所述待召回产品的Embedding值构建待召回产品推荐列表，以向待推荐用户推荐待召回产品。
2.根据权利要求1所述的用户协同过滤召回方法，其特征在于，所述基于用户的历史行为数据训练得到待召回产品的Embedding值，包括：
对待召回产品的基础特征数据进行数字化处理；
根据用户基础信息数据、用户针对所述待召回产品的历史行为数据及数字化处理后的待召回产品的基础特征数据建立训练数据集；
基于所述训练数据集对逻辑回归模型进行训练，得到待召回产品的Embedding值。
3.根据权利要求1所述的用户协同过滤召回方法，其特征在于，所述根据所述待召回产品的Embedding值计算用户的Embedding值，包括：
针对每一用户，根据对应的历史行为数据生成行为漏斗数据；
根据所述行为漏斗数据计算不同历史行为数据对应的行为权重；
基于所述行为权重，对所述待召回产品的Embedding值进行加权求和，得到用户的Embedding值。
4.根据权利要求2所述的用户协同过滤召回方法，其特征在于，所述根据所述用户的Embedding值得到用户聚类，包括：
根据预设的用户聚类数量随机选择K个用户，并分别确定所述K个用户各自对应的用户聚类中心；其中，K为预设的用户聚类数量；
计算待聚类用户的Embedding值到所述用户聚类中心的距离，并将所述待聚类用户划入其Embedding值到所述用户聚类中心的距离最小的用户聚类；
更新划入所述待聚类用户后的用户聚类的用户聚类中心。
5.根据权利要求2所述的用户协同过滤召回方法，其特征在于，所述基于所述训练数据集对逻辑回归模型进行训练，得到待召回产品的Embedding值，包括：
基于所述训练数据集对所述逻辑回归模型进行训练，得到待召回产品中各特征的Embedding值；
根据待召回产品中各特征的Embedding值的维度对所述待召回产品中各特征进行分类；
将相同分类下的各特征的Embedding值相加，得到各分类的Embedding值之和；
根据各分类的Embedding值之和生成待召回产品的Embedding值。
6.根据权利要求2所述的用户协同过滤召回方法，其特征在于，所述根据待推荐用户的用户基础信息数据、所述用户聚类及所述待召回产品的Embedding值构建待召回产品推荐列表，以向待推荐用户推荐待召回产品，包括：
基于所述待推荐用户的Embedding值对所述待推荐用户进行用户聚类划分；
将所述待推荐用户所属的用户聚类中各用户的Embedding值相加，得到所述待推荐用户所属的用户聚类的Embedding值；
根据所述待推荐用户所属的用户聚类的Embedding值，计算所述待推荐用户所属的用户聚类的Embedding值与该用户聚类下每一待召回产品的Embedding值的相似度；
根据所述相似度生成构建待召回产品推荐列表。
7.一种用户协同过滤召回装置，其特征在于，包括：
产品Embedding值确定单元，用于基于用户的历史行为数据训练得到待召回产品的Embedding值；
用户Embedding值确定单元，用于根据所述待召回产品的Embedding值计算用户的Embedding值；
用户聚类生成单元，用于根据所述用户的Embedding值得到用户聚类；
推荐列表构建单元，用于根据待推荐用户的用户基础信息数据、所述用户聚类及所述待召回产品的Embedding值构建待召回产品推荐列表，以向待推荐用户推荐待召回产品。
8.根据权利要求7所述的用户协同过滤召回装置，其特征在于，所述用户聚类生成单元，包括：
用户聚类建立模块，用于根据预设的用户聚类数量随机选择K个用户，并分别确定所述K个用户各自对应的用户聚类中心；其中，K为预设的用户聚类数量；
用户聚类划入模块，用于计算待聚类用户的Embedding值到所述用户聚类中心的距离，并将所述待聚类用户划入其Embedding值到所述用户聚类中心的距离最小的用户聚类；
用户聚类中心更新模块，用于更新划入所述待聚类用户后的用户聚类的用户聚类中心。
9.根据权利要求8所述的用户协同过滤召回装置，其特征在于，所述推荐列表构建单元，包括：
用户聚类划分模块，用于基于所述待推荐用户的Embedding值对所述待推荐用户进行用户聚类划分；
用户聚类Embedding值确定模块，用于将所述待推荐用户所属的用户聚类中各用户的Embedding值相加，得到所述待推荐用户所属的用户聚类的Embedding值；
相似度计算模块，用于根据所述待推荐用户所属的用户聚类的Embedding值，计算所述待推荐用户所属的用户聚类的Embedding值与该用户聚类下每一待召回产品的Embedding值的相似度；
推荐列表构建模块，用于根据所述相似度生成构建待召回产品推荐列表。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至6任一项所述的用户协同过滤召回方法的步骤。
11.一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权利要求1至6任一项所述的用户协同过滤召回方法的步骤。
CN202011465765.4A 2020-12-14 2020-12-14 一种用户协同过滤召回方法及装置 Active CN112528164B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011465765.4A CN112528164B (zh) 2020-12-14 2020-12-14 一种用户协同过滤召回方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011465765.4A CN112528164B (zh) 2020-12-14 2020-12-14 一种用户协同过滤召回方法及装置

Publications (2)

Publication Number Publication Date
CN112528164A true CN112528164A (zh) 2021-03-19
CN112528164B CN112528164B (zh) 2023-02-03

Family

ID=74999509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011465765.4A Active CN112528164B (zh) 2020-12-14 2020-12-14 一种用户协同过滤召回方法及装置

Country Status (1)

Country Link
CN (1) CN112528164B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114268836A (zh) * 2021-11-16 2022-04-01 上海视九信息科技有限公司 电视小程序的冷启动推荐方法和系统
CN114880580A (zh) * 2022-06-15 2022-08-09 北京百度网讯科技有限公司 信息推荐方法及装置、电子设备和介质
WO2022247671A1 (zh) * 2021-05-24 2022-12-01 百果园技术(新加坡)有限公司 用户召回方法、装置、计算机设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008375A (zh) * 2019-03-22 2019-07-12 广州新视展投资咨询有限公司 推荐视频召回方法和装置
CN111008321A (zh) * 2019-11-18 2020-04-14 广东技术师范大学 基于逻辑回归推荐方法、装置、计算设备、可读存储介质
CN111080413A (zh) * 2019-12-20 2020-04-28 深圳市华宇讯科技有限公司 电商平台商品的推荐方法、装置、服务器和存储介质
CN111709812A (zh) * 2020-06-19 2020-09-25 山东财经大学 基于用户动态分类的电商平台商品推荐方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008375A (zh) * 2019-03-22 2019-07-12 广州新视展投资咨询有限公司 推荐视频召回方法和装置
CN111008321A (zh) * 2019-11-18 2020-04-14 广东技术师范大学 基于逻辑回归推荐方法、装置、计算设备、可读存储介质
CN111080413A (zh) * 2019-12-20 2020-04-28 深圳市华宇讯科技有限公司 电商平台商品的推荐方法、装置、服务器和存储介质
CN111709812A (zh) * 2020-06-19 2020-09-25 山东财经大学 基于用户动态分类的电商平台商品推荐方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022247671A1 (zh) * 2021-05-24 2022-12-01 百果园技术(新加坡)有限公司 用户召回方法、装置、计算机设备和存储介质
CN114268836A (zh) * 2021-11-16 2022-04-01 上海视九信息科技有限公司 电视小程序的冷启动推荐方法和系统
CN114880580A (zh) * 2022-06-15 2022-08-09 北京百度网讯科技有限公司 信息推荐方法及装置、电子设备和介质

Also Published As

Publication number Publication date
CN112528164B (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
CN112528164B (zh) 一种用户协同过滤召回方法及装置
CN106651542B (zh) 一种物品推荐的方法及装置
CN111444428A (zh) 基于人工智能的信息推荐方法、装置、电子设备及存储介质
CN109903103B (zh) 一种推荐物品的方法和装置
CN109471978B (zh) 一种电子资源推荐方法及装置
WO2021155691A1 (zh) 用户画像生成方法、装置、存储介质及设备
CN107786943A (zh) 一种用户分群方法及计算设备
CN110781407A (zh) 用户标签生成方法、装置及计算机可读存储介质
CN111177579B (zh) 集成多样性增强的极深因子分解机模型的应用方法
CN114036398B (zh) 内容推荐和排序模型训练方法、装置、设备以及存储介质
CN110555753A (zh) 基于推荐的排序控制方法、装置、计算机设备及存储介质
Gan et al. R-RNN: Extracting user recent behavior sequence for click-through rate prediction
CN110598120A (zh) 基于行为数据的理财推荐方法及装置、设备
CN110852785A (zh) 用户分级方法、装置及计算机可读存储介质
CN113656699B (zh) 用户特征向量确定方法、相关设备及介质
CN111767953B (zh) 用于训练物品编码模型的方法和装置
CN112464106B (zh) 对象推荐方法及装置
CN113704620A (zh) 基于人工智能的用户标签更新方法、装置、设备及介质
CN111368205B (zh) 数据推荐方法、装置、计算机设备及存储介质
CN113688306A (zh) 一种基于强化学习的推荐策略生成方法及装置
CN115439770A (zh) 一种内容召回方法、装置、设备及存储介质
CN113450167A (zh) 一种商品推荐方法和装置
CN115795156A (zh) 物料召回和神经网络训练方法、装置、设备及存储介质
CN113516524B (zh) 用于推送信息的方法和装置
CN112418929A (zh) 一种数据共享方法及装置

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20221104

Address after: 25 Financial Street, Xicheng District, Beijing 100033

Applicant after: CHINA CONSTRUCTION BANK Corp.

Address before: 12 / F, 15 / F, No. 99, Yincheng Road, Shanghai pilot Free Trade Zone, 200120

Applicant before: Jianxin Financial Science and Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant