CN112559901B - 资源推荐的方法、装置、电子设备、存储介质及计算机程序产品 - Google Patents
资源推荐的方法、装置、电子设备、存储介质及计算机程序产品 Download PDFInfo
- Publication number
- CN112559901B CN112559901B CN202011460528.9A CN202011460528A CN112559901B CN 112559901 B CN112559901 B CN 112559901B CN 202011460528 A CN202011460528 A CN 202011460528A CN 112559901 B CN112559901 B CN 112559901B
- Authority
- CN
- China
- Prior art keywords
- resource
- user
- vector
- seed
- resources
- 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
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
- 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
- G06F16/9538—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种资源推荐的方法、装置、电子设备、存储介质及计算机程序产品,涉及人工智能领域。具体方案为:响应于用户的请求,确定与用户相关联的用户向量,其中用户向量指示用户的潜在兴趣点;针对资源集合中的每条资源,分别计算用户向量与资源的资源向量之间的相似度得分,其中资源的资源向量是基于与资源相关联的多个种子用户而确定的,资源向量反映多个种子用户的共有潜在兴趣点;对资源按照相似度得分从高到低进行排序;以及将排序在前第一数目的资源推送给用户。利用相似人群扩展方法隐式地刻画用户的潜在兴趣点,从而向用户推荐更符合用户需要的资源。
Description
技术领域
本申请涉及计算机领域,具体而言,涉及计算机应用技术。
背景技术
随着计算机技术的发展,互联网得到了飞速发展,通过互联网能够为用户提供越来越多的网络服务。例如,用户可以通过互联网浏览视频、收听音乐、阅读、购物等。在互联网平台上,用户可以通过搜索功能搜索自己需要的资源。同时,为了方便用户获取信息,互联网平台还可以主动向用户推荐资源。随着互联网上信息的爆炸式增长,如何向用户推荐更符合用户需要的资源已经成为当前的一个关注热点。
发明内容
本公开提供了一种资源推荐的方法、装置、电子设备、存储介质以及计算机程序产品,利用相似人群扩展(lookalike)方法隐式刻画用户和资源的相关度,从而向用户推荐更符合用户需要的资源。
根据本公开的第一方面,提供了一种资源推荐的方法。该方法包括响应于用户的请求,确定与用户相关联的用户向量,其中用户向量指示用户的潜在兴趣点;针对资源集合中的每条资源,分别计算用户向量与资源的资源向量之间的相似度得分,其中资源的资源向量是基于与资源相关联的多个种子用户而确定的,资源向量反映多个种子用户的共有潜在兴趣点;对资源按照相似度得分从高到低进行排序;以及将排序在前第一数目的资源推送给用户。
根据本公开的第二方面,提供了一种资源推荐的装置。该装置包括用户向量确定模块,用于响应于用户的请求,确定与用户相关联的用户向量,其中用户向量指示用户的潜在兴趣点;相似度得分计算模块,用于针对资源集合中的每条资源,分别计算用户向量与资源的资源向量之间的相似度得分,其中资源的资源向量是基于与资源相关联的多个种子用户而确定的,资源向量反映多个种子用户的共有潜在兴趣点;排序模块,用于对资源按照相似度得分从高到低进行排序;以及资源推送模块,用于将排序在前第一数目的资源推送给用户。
根据本公开的第三方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被一个处理器执行,以使至少一个处理器能够执行根据本公开的第一方面的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,计算机指令用于使计算机执行根据本公开的第一方面的方法。
在本公开的第五方面中,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时,执行根据本公开的第一方面的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开的上述以及其它目的、特征和优势将变得更加明显。在附图中,相同或相似的附图标注表示相同或相似的元素,其中:
图1示出了本公开的多个实施例的资源推荐的示例环境的示意图;
图2示出了根据本公开的一些实施例的资源推荐的方法的流程图;
图3示出了根据本公开的一些实施例的图协同过滤模型的训练过程的示意图;
图4示出了根据本公开的一些实施例的确定资源向量的方法的流程图;
图5示出了根据本公开实施例的资源推荐的装置的示意性框图;以及
图6示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本申请的实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示例性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开的实施例的描述中,术语“包括”及其类似用语应当理解为开放性包含,即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如本文中所使用的,术语“资源”指的是采用文字、图片、表情、音频和视频中的至少一项来组成的信息集合。资源的示例包括网页、电视剧和音乐,等等。术语“相似人群扩展(lookalike)”是基于种子用户,通过一定的算法评估模型,找到更多拥有潜在关联性的相似人群的技术。值得注意是,lookalike不是某一种特定的算法,而是一类方法的统称,这类方法综合运用多种技术,比如协同过滤、node2vec等,最终达到用户扩展的目的。
术语“协同过滤”是指是利用某兴趣相投、拥有共同经验的群体的喜好来推荐用户感兴趣的信息,其是通过映射用户(或物品)的已存在的特征(例如,ID)来获得用户(或物品即项目)的嵌入向量,这种方法只使用描述性特征(例如ID和属性)来构建嵌入函数,用户-物品交互中潜在的协作信号没有被编码到嵌入向量中。术语“图协同过滤”是指利用用户-物品图结构在框架上进行嵌入传播,在构建嵌入函数时还考虑了用户-物品的交互。
如以上提及的,当前互联网平台可以向用户推荐资源。现有的资源推荐方案分为热门资源挖掘、候选资源确定和资源排序。热门资源挖掘通常借助于用户的查询量、累积点击量等数据,离线挖掘出一批热门资源,计算热门资源的资源热度,根据资源热度将资源划分为全局热门资源、领域热门资源和一般热门资源。全局热门资源是指大众普遍关心的资源,例如关于新冠肺炎有关的内容;领域热门资源是指热度不如全局热门资源,但在某个领域下热度比较高的资源,例如关于娱乐圈的新闻;一般热门资源是指热度不如全局热门资源和领域热门资源的资源。当用户发起资源请求时,通常根据以下策略来确定候选推荐资源:所有的全局热门资源;与用户领域偏好相匹配的领域热门资源;以及与用户兴趣点相匹配的一般热门资源,其中用户偏好领域和用户兴趣点是通过统计用户对与各个领域和兴趣点相关联的资源的操作(例如,点击、浏览或收藏等)而获得的。然后,利用用户对资源的后验操作信息、资源热度和相关性因子等对候选推荐资源进行排序,其中相关性因子包括领域偏好因子和兴趣点偏好因子。进而将符合规则的候选推荐资源推荐给用户。
由此可见,对于资源热度达不到全局热门资源和领域热门资源的一般热门资源而言,在候选推荐资源确定和资源排序阶段都依赖于用户兴趣点的表达,但是对兴趣点的刻画通常采用一种基于标签建模的显式方法,通过提取用户所点击或浏览的资源中的关键词来显式地确定不同的标签以预测用户的兴趣点。这种显式的方法粒度比较粗,对用户真实的兴趣点的刻画存在局限性,从而限制了某些资源的推荐。因此,期望一种对用户的潜在兴趣点的隐式刻画,其能够准确全面地表达用户的兴趣点,从而向用户推荐与用户兴趣点相符的资源。
根据本公开的实施例,提出了一种资源推荐的方案。在该方案中,基于相似人群扩展方法的思想,隐式地刻画目标用户的潜在兴趣点,从而确定与用户兴趣点相符的资源。具体地,可以基于与资源相关联的一组种子用户,通过相似人群扩展方法的思想,确定目的用户的用户向量以及资源的资源向量,计算用户相量与资源向量之间的相关度。以此方式,可以基于相似人群扩展方法的思想,来精确刻画用户和资源的隐式相关度,提升了热门资源的分发,从而提高了用户的满意度。
以下将参照附图来具体描述本公开的实施例。
图1示出了本公开的多个实施例的资源推荐的示例环境100的示意图。应当理解,图1所示出的环境100仅仅是示例性的,而不应当构成对本公开所描述的实现的功能和范围的任何限制。如图1所示,示例环境100包括用户设备120、服务器130以及存储装置140,其中用户设备120可以与用户110进行交互。
在一些实施例中,用户110可以通过用户设备120向服务器130请求资源。例如,用户设备120可以装有与服务器130中的资源相关联的应用,用户110可以基于对该应用的特定操作(例如,新打开应用、刷新应用、切换应用栏目等)来向服务器130发起对资源的请求。在一些实施例中,该请求可以规定需要请求的资源数目。例如,这个数目可以取决于用户设备120的首屏中能够呈现资源的条数。在一些实施例中,服务器130也可以主动地向用户设备120推送资源。例如,服务器130可以定时地向用户设备120推送预定数目的资源。
在一些实施例中,响应于服务器130接收到用户110对资源的请求,或者服务器130确定需要主动向用户设备120推送资源时,服务器130可以从存储装置140中获取待推送给用户110的资源集合,并将该资源集合发送到用户设备120。该资源的示例包括但不限于:新闻、广告、音乐、视频、商品、和应用等。在一些实施例中,存储装置140可以是独立于服务器130,也可以被继承在服务器130中。
在一些实施例中,用户设备120可以接收服务器130所发送的资源集合,并向用户110进行呈现该资源集合。在一些实施例中,用户设备120诸如是任何类型的移动终端、固定终端或便携式终端,包括移动手机、多媒体计算机、多媒体平板、互联网节点、通信器、台式计算机、膝上型计算机、笔记本计算机、上网本计算机、平板计算机、个人通信系统(PCS)设备、个人导航设备、个人数字助理(PDA)、音频/视频播放器、数码相机/摄像机、定位设备、电视接收器、无线电广播接收器、电子书设备、游戏设备或者其任意组合,包括这些设备的配件和外设或者其任意组合。还可预见到的是,用户设备120能够支持任何类型的针对用户的接口(诸如“可佩戴”电路等)。
在一些实施例中,用户110可以通过用户设备120对可以推送的资源集合进行操作,用户设备120可以记录用户110所进行的操作,并将操作信息发送到服务器130。服务器130可以将该操作信息与该用户110相关联地存储。例如,以新闻为例,用户设备120可以记录用户110是否点击打开了特定新闻,是否转发了特定新闻,是否收藏了特定新闻等。
以下将结合图2-图6来描述根据本公开实施例的用于资源推荐的方法。图2图示了根据本公开的实施例的资源推荐的方法200的流程图。方法200可以由图1中的服务器130来实施以向用户设备120推送用户110所需要的资源。
在框210,响应于用户110的请求,服务器130可以确定与用户110相关联的用户向量,其中该用户向量指示用户的潜在兴趣点。在一些实施例中,用户向量可以利用相似人群扩展方法来确定。在一些实施例中,用户向量可以利用人工智能模型来确定。例如,图协同过滤模型。
在一些实施例中,服务器130可以利用图协同过滤模型确定与用户110相关联的用户向量,其中图协同过滤模型是基于用户110对资源的操作信息进行训练的,以使得用户向量指示用户110的潜在兴趣点。图协同过滤模型是指利用用户-物品图结构作为样本数据对模型进行训练,因此在模型训练过程中还考虑了用户-物品的交互。
以下将结合图3来描述对图协同过滤模型进行训练的过程。图3示出了根据本公开的一些实施例的图协同过滤模型的确定用户向量训练过程300的示意图。
由于图协同过滤模型使用的是用户-物品图结构作为样本数据,因此,在训练过程300中首先需要建立用户-物品的图结构。通常统计一段时间内现网中的所有用户对所有资源的操作信息,例如统计30天内用户对资源的操作信息,然后基于该操作信息来构建用户-物品(即,资源)图结构。在图3中以用户110-1、110-2、110-3、110-4、110-5、110-6(为了方便描述,下文统称为用户110)和物品310-1、310-2、310-3、310-4、310-5(为了方便描述,下文统称为物品310)为例,用户110与物品310之间的连线指示用户110对物品310进行过操作,例如,点击、浏览或收藏等。由此,形成了能够反映现网中的用户110与物品310的交互信息的图结构。然后,遍历图中的用户节点和物品节点,按照用户节点与物品节点之间的连线,产生多个体现用户节点与物品节点的交互操作的样本序列。例如,以用户110-1为起点,用户110-1点击过物品310-2,而用户110-2也点击过物品310-2,并且用户110-2还点击过物品310-3,因此可以产生体现用户节点与物品节点的交互操作的样本序列340。在一些实施例中,在产生样本序列340时,还可以考虑用户110对物品310操作行为发生的时间,如果是用户110近期对物品310的操作行为,则可以优先出现在样本序列340中,也就是说,行为发生地越近期,则用户节点或物品节点出现在样本序列340中的概率越大。将所生成的样本序列作为样本输入到图协同过滤模型320中,可以产生输出结果360,即针对每个用户110生成与相应用户110相对应的用户向量,例如用户110-1的用户向量330-1、用户110-2的用户向量330-2、用户110-3的用户向量330-3等等(为了方便描述,下文统称为用户向量330),也可以针对每个物品310生成与相应物品310相对应的物品向量,例如物品310-1的物品向量350-1、物品310-2的物品向量350-2、物品310-3的物品向量350-3等。由此,图协同过滤模型320的训练过程300完成。可以理解,图3中的用户110和物品310的数目仅作为示例示出,本领域技术人员容易理解可能存在任何数目的用户110和物品310。
在使用图协同过滤模型320进行资源推荐时,可以通过用户身份信息来进行查找,找到与用户身份信息相对应的用户向量330,从而确定与用户110相关联的用户向量330。在一些实施例中,可以周期性地(例如,每小时)执行图协同过滤模型320的训练过程,从而使得当有新用户或者新资源时,也可以利用图协同过滤模型320确定新用户的用户向量或者新物品的物品向量。可以理解,可以采用任何合适的训练周期来对图协同过滤模型320进行训练。
由于图协同过滤模型在模型训练过程中还考虑了用户-物品(例如,资源)的交互,因此,所生成的用户向量330能够隐式地指示用户的潜在兴趣点。利用图协同过滤模型所生成的用户向量330进行资源推荐,能够提升资源的推送粒度,从而进一步提高用户的满意度。
继续参考图2,在一些实施例中,服务器130可以从用户设备120接收该请求,该请求可以包括用户设备120所登录的用户110的身份信息。在一些实施例中,该请求可以响应于服务器130需要定时地向用户设备120推送内容而产生,此时服务器130可以确定待推送内容的用户设备120中所登录的用户110的身份信息。在一些实施例中,用户110的身份信息可以是能够唯一标识用户身份的任意一项或多项信息,其示例包括但不限于,用户名称、手机号码、身份证号码、与用户110关联的用户设备120的IMEI号等。由此,服务器130可以通过用户110的身份信息确定与用户110相关联的用户向量330。
在框220,针对资源集合中的每条资源,服务器130可以分别计算用户向量与资源的资源向量之间的相似度得分,其中资源的资源向量是基于与资源相关联的多个种子用户而确定的,该资源向量反映多个种子用户的共有潜在兴趣点。在一些实施例中,服务器130可以针对现网中的每个资源确定该资源的资源向量。在一些实施例中,服务器130可以利用图协同过滤模型320来确定资源的资源向量。以下结合图4来详细说明确定资源向量的操作。图4示出了根据本公开的一些实施例的确定资源向量的方法400的流程图。
在框410,服务器130可以基于资源确定与资源相关联的多个种子用户。在一些实施例中,服务器130可以基于用户对资源的操作历史,确定与该资源相关联的多个种子用户。如上文所述,用户设备120可以记录用户110所进行的操作,并将操作信息发送到服务器130,服务器130可以将该操作信息与该用户110相关联地存储。因此,服务器130可以针对每个资源,确定对该资源进行过操作的多个种子用户。在一些实施例中,服务器130可以将对资源进行操作的用户确定为种子用户。在一些实施例中,服务器130可以取操作过该资源的前预定数目的用户作为种子用户,也可以随机选择操作过该资源的预定数目的用户。操作的示例可以是点击、转发、收藏或者浏览过该资源等。可以理解,本领领域技术人员可以采用任何合适的方式选择任何合适数目的操作过该资源的一组用户作为该资源的种子用户。
在框420,针对每个种子用户,服务器130可以利用图协同过滤模型确定与种子用户相关联的种子用户向量,其中图协同过滤模型是基于用户对资源的操作信息进行训练的,以使得种子用户向量指示种子用户的潜在兴趣点。在一些实施例中,服务器130可以针对每个种子用户,基于种子用户的身份信息利用图协同过滤模型确定与种子用户相关联的种子用户向量。图协同过滤模型的训练过程与图3中的过程300相似,在此不再赘述。由于与该资源相关联的多个种子用户都对该资源进行过操作,因此通过图协同过滤模型而确定的种子用户向量在某个维度上具有较高的数值,其指示了种子用户的潜在兴趣点。
在框430,基于与资源相关联的种子用户的种子用户向量,计算资源的资源向量。在一些实施例中,服务器130可以对与资源相关联的所有种子用户的种子用户向量进行处理以获得资源的资源向量。在一些实施例中,服务器130可以将与资源相关联的所有种子用户的种子用户向量相加;或者将与资源相关联的所有种子用户的种子用户向量相加求平均;或者将与资源相关联的所有种子用户的种子用户向量加权相加。由于与该资源相关联的多个种子用户都对该资源进行过操作,因此,所有种子用户的种子用户向量之和能够反映多个种子用户的共有潜在兴趣点,即能够反映资源的特征。
继续参考图2,在框220,在确定了与种子用户相关联的种子用户向量之后,针对资源集合中的每条资源,服务器130可以分别计算用户向量与资源的资源向量之间的相似度得分。在一些实施例中,服务器130可以计算用户向量与资源的资源向量之间的向量距离。在一些实施例中,服务器130可以计算用户向量与资源的资源向量之间的夹角的余弦。应当理解,还可以采用其他方法来其计算用户向量与资源的资源向量之间的相似度得分。
通过这种方式,可以基于相似人群扩展方法的思想,采用图协同过滤方式来隐式地刻画用户的潜在兴趣点,改善了对用户真实偏好的刻画。
然后,在框230,服务器130可以对资源按照相似度得分从高到低进行排序,并且在框240,服务器130可以将排序在前预定数目的资源推送给用户。在一些实施例中,服务器130可以从现网资源中确定出比较热门的资源组成资源集合。这样,在框220、框230和框240中对资源的操作限制为对热门资源的操作。
在一些实施例中,服务器130可以对资源集合进行周期性地更新,以使得资源集合中的资源的资源热度高于阈值。在一些实施例中,服务器130可以获得资源的发布信息、用户110对资源的查询信息以及用户110对资源的操作信息。其中资源的发布信息是指发布资源的作者对资源进行发布的信息,用户110对资源的查询信息是指用户110通过搜索关键词来查询该资源,用户110对资源的操作信息是指用户110与资源产生的互动,例如点击、浏览或者收藏等。然后,服务器130可以基于发布信息、查询信息以及操作信息,确定资源的资源热度,并且对资源按照资源热度从高到低进行排序,使用排序在前预定数目的资源周期性地替换资源集合中的所述资源。以此方式,可以保证资源集合中都是资源热度比较高的热门资源。可以理解,还可以采用其他合适的方式以及任何合适的周期来对资源集合进行更新。
通过这种方式,通过采用图协同过滤方式来隐式精确地刻画用户和资源的隐式相关度,提升了热门资源的分发,从而提高了用户的满意度。
在一些实施例中,服务器130可以将本文中的基于相似人群扩展方法的资源推荐方法与其他资源推荐方法相结合,综合用户对资源的后验操作记录、资源热度以及相关性因子进行排序,从而确定向用户推荐的资源。在一些实施例中,相关性因子可以是按照本文所提出的方法计算得出的用户向量与资源的资源向量之间的相似度得分。
由此,进一步提高了资源推荐的准确性和用户的满意度。
图5示出了根据本公开实施例的资源推荐的装置500的示意性框图。如图5所示,装置500包括:用户向量确定模块510,用于响应于用户的请求,确定与用户相关联的用户向量,其中用户向量指示用户的潜在兴趣点;相似度得分计算模块520,用于针对资源集合中的每条资源,分别计算用户向量与资源的资源向量之间的相似度得分,其中资源的资源向量是基于与资源相关联的多个种子用户而确定的,资源向量反映多个种子用户的共有潜在兴趣点;排序模块530,用于对资源按照相似度得分从高到低进行排序;以及资源推送模块540,用于将排序在前第一数目的资源推送给用户。
在一些实施例中,用户向量确定模块被配置为:利用图协同过滤模型确定与用户相关联的用户向量,其中图协同过滤模型是基于用户对资源的操作信息进行训练的,以使得用户向量指示用户的潜在兴趣点
在一些实施例中,确定资源向量包括:基于资源确定与资源相关联的多个种子用户;针对每个种子用户,利用图协同过滤模型确定与种子用户相关联的种子用户向量,其中图协同过滤模型是基于用户对资源的操作信息进行训练的,以使得种子用户向量指示种子用户的潜在兴趣点;以及基于与资源相关联的种子用户的种子用户向量,计算资源的资源向量。
在一些实施例中,基于与资源相关联的种子用户的种子用户向量,计算资源的资源向量包括:将与资源相关联的所有种子用户的种子用户向量相加;或者将与资源相关联的所有种子用户的种子用户向量相加求平均。
在一些实施例中,基于资源确定与资源相关联的多个种子用户包括:基于用户对资源的操作历史,确定与资源相关联的多个种子用户。
在一些实施例中,基于资源确定与资源相关联的多个种子用户还包括:将对资源进行操作的用户确定为种子用户。
在一些实施例中,相似度得分计算模块包括:余弦计算单元,用于计算用户向量与资源的资源向量之间的夹角的余弦。
在一些实施例中,还包括:资源集合更新单元,用于对资源集合进行周期性地更新,以使得资源集合中的资源的资源热度高于阈值。
在一些实施例中,资源集合更新单元包括:资源信息获取单元,用于获得资源的发布信息、用户对资源的查询信息以及用户对资源的操作信息;资源热度确定单元,用于基于发布信息、查询信息以及操作信息,确定资源的资源热度;排序单元,用于对资源按照资源热度从高到低进行排序;以及资源替换单元,用于使用排序在前第二数目的资源周期性地替换资源集合中的资源。
根据本公开的实施例,本公开还提供了一种电子设备和一种可读存储介质。
如图6所示,是根据本公开实施例的资源推荐的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器601、存储器602,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本公开所提供的图像处理的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本公开所提供的图像处理的方法。
存储器602作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本公开实施例中的图像处理的方法对应的程序指令/模块(例如,附图5所示的用户向量确定模块510、相似度得分计算模块520、排序模块530和资源推送模块540)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的图像处理的方法。
存储器602可以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、至少一个功能所需要的应用程序;存储数据区可存储根据图像处理的电子设备的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至图像处理的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图像处理的方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与图像处理的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (14)
1.一种资源推荐的方法,包括:
响应于用户的请求,确定与所述用户相关联的用户向量,其中所述用户向量指示所述用户的潜在兴趣点;
针对资源集合中的每条资源,分别计算所述用户向量与所述资源的资源向量之间的相似度得分,其中资源的资源向量是基于对与所述资源相关联的多个种子用户的种子用户向量进行相加或相加求平均而确定的,所述资源向量反映所述多个种子用户的共有潜在兴趣点;
对所述资源按照所述相似度得分从高到低进行排序;以及
将排序在前第一数目的所述资源推送给所述用户;
对所述资源集合进行更新,以使得所述资源集合中的资源的资源热度高于阈值;
其中对所述资源集合进行更新包括:
获得资源的发布信息、所述用户对资源的查询信息或所述用户对资源的操作信息;
基于所述发布信息、查询信息或操作信息,确定所述资源的资源热度;
对所述资源按照所述资源热度从高到低进行排序;以及
使用排序在前第二数目的资源替换所述资源集合中的所述资源。
2.根据权利要求1所述的方法,其中确定与所述用户相关联的所述用户向量包括:
利用图协同过滤模型确定与所述用户相关联的用户向量,其中所述图协同过滤模型是基于用户对资源的操作信息进行训练的,以使得所述用户向量指示所述用户的潜在兴趣点。
3.根据权利要求1所述的方法,其中确定所述资源向量包括:
基于所述资源确定与所述资源相关联的多个种子用户;
针对每个种子用户,利用图协同过滤模型确定与所述种子用户相关联的种子用户向量,其中所述图协同过滤模型是基于用户对资源的操作信息进行训练的,以使得种子用户向量指示所述种子用户的潜在兴趣点;以及
基于与所述资源相关联的所述种子用户的所述种子用户向量,计算所述资源的所述资源向量。
4.根据权利要求3所述的方法,其中基于所述资源确定与所述资源相关联的多个种子用户包括:
基于用户对所述资源的操作历史,确定与所述资源相关联的多个种子用户。
5.根据权利要求4所述的方法,其中基于所述资源确定与所述资源相关联的多个种子用户还包括:
将对资源进行操作的用户确定为所述种子用户。
6.根据权利要求1所述的方法,其中计算所述用户向量与所述资源的资源向量之间的相似度得分包括:
计算所述用户向量与所述资源的所述资源向量之间的夹角的余弦。
7.一种资源推荐的装置,包括:
用户向量确定模块,用于响应于用户的请求,确定与所述用户相关联的用户向量,其中所述用户向量指示所述用户的潜在兴趣点;
相似度得分计算模块,用于针对资源集合中的每条资源,分别计算所述用户向量与所述资源的资源向量之间的相似度得分,其中资源的资源向量是基于对与所述资源相关联的多个种子用户的种子用户向量进行相加或相加求平均而确定的,所述资源向量反映所述多个种子用户的共有潜在兴趣点;
排序模块,用于对所述资源按照所述相似度得分从高到低进行排序;以及
资源推送模块,用于将排序在前第一数目的所述资源推送给所述用户;
资源集合更新单元,用于对所述资源集合进行更新,以使得所述资源集合中的资源的资源热度高于阈值;
其中所述资源集合更新单元包括:
资源信息获取单元,用于获得资源的发布信息、所述用户对资源的查询信息或所述用户对资源的操作信息;
资源热度确定单元,用于基于所述发布信息、查询信息或操作信息,确定所述资源的资源热度;
排序单元,用于对所述资源按照所述资源热度从高到低进行排序;以及
资源替换单元,用于使用排序在前第二数目的资源替换所述资源集合中的所述资源。
8.根据权利要求7所述的装置,其中用户向量确定模块被配置为:
利用图协同过滤模型确定与所述用户相关联的用户向量,其中所述图协同过滤模型是基于用户对资源的操作信息进行训练的,以使得所述用户向量指示所述用户的潜在兴趣点。
9.根据权利要求7所述的装置,其中确定所述资源向量包括:
基于所述资源确定与所述资源相关联的多个种子用户;
针对每个种子用户,利用图协同过滤模型确定与所述种子用户相关联的种子用户向量,其中所述图协同过滤模型是基于用户对资源的操作信息进行训练的,以使得种子用户向量指示所述种子用户的潜在兴趣点;以及
基于与所述资源相关联的所述种子用户的所述种子用户向量,计算所述资源的所述资源向量。
10.根据权利要求9所述的装置,其中基于所述资源确定与所述资源相关联的多个种子用户包括:
基于用户对所述资源的操作历史,确定与所述资源相关联的多个种子用户。
11.根据权利要求10所述的装置,其中基于所述资源确定与所述资源相关联的多个种子用户还包括:
将对资源进行操作的用户确定为所述种子用户。
12.根据权利要求7所述的装置,其中所述相似度得分计算模块包括:
余弦计算单元,用于计算所述用户向量与所述资源的所述资源向量之间的夹角的余弦。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011460528.9A CN112559901B (zh) | 2020-12-11 | 2020-12-11 | 资源推荐的方法、装置、电子设备、存储介质及计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011460528.9A CN112559901B (zh) | 2020-12-11 | 2020-12-11 | 资源推荐的方法、装置、电子设备、存储介质及计算机程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112559901A CN112559901A (zh) | 2021-03-26 |
CN112559901B true CN112559901B (zh) | 2022-02-08 |
Family
ID=75062508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011460528.9A Active CN112559901B (zh) | 2020-12-11 | 2020-12-11 | 资源推荐的方法、装置、电子设备、存储介质及计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112559901B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326450B (zh) * | 2021-05-31 | 2024-01-12 | 北京百度网讯科技有限公司 | 一种兴趣点召回方法、装置、电子设备和存储介质 |
CN113468421A (zh) * | 2021-06-29 | 2021-10-01 | 平安信托有限责任公司 | 基于向量匹配技术的产品推荐方法、装置、设备及介质 |
CN113538108A (zh) * | 2021-07-27 | 2021-10-22 | 北京沃东天骏信息技术有限公司 | 一种资源信息确定方法、装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281622A (zh) * | 2013-07-11 | 2015-01-14 | 华为技术有限公司 | 一种社交媒体中的信息推荐方法和装置 |
CN110162703A (zh) * | 2019-05-13 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 内容推荐方法、训练方法、装置、设备及存储介质 |
CN110704739A (zh) * | 2019-09-30 | 2020-01-17 | 汉海信息技术(上海)有限公司 | 资源推荐方法、装置及计算机存储介质 |
CN110837577A (zh) * | 2019-11-04 | 2020-02-25 | 上海喜马拉雅科技有限公司 | 一种视频推荐方法、装置、设备及存储介质 |
CN110866181A (zh) * | 2019-10-12 | 2020-03-06 | 平安国际智慧城市科技股份有限公司 | 资源推荐的方法、装置及存储介质 |
CN111143662A (zh) * | 2018-10-16 | 2020-05-12 | 北京默契破冰科技有限公司 | 一种内容推荐的方法、设备和计算机存储介质 |
CN111143686A (zh) * | 2019-12-30 | 2020-05-12 | 北京百度网讯科技有限公司 | 资源推荐方法及装置 |
CN111159563A (zh) * | 2019-12-31 | 2020-05-15 | 广州市百果园信息技术有限公司 | 用户兴趣点信息的确定方法、装置、设备及存储介质 |
CN111444428A (zh) * | 2020-03-27 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2632132C1 (ru) * | 2016-07-07 | 2017-10-02 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и устройство для создания рекомендаций содержимого в системе рекомендаций |
CN106802915B (zh) * | 2016-12-09 | 2020-07-28 | 宁波大学 | 一种基于用户行为的学术资源推荐方法 |
CN106815297B (zh) * | 2016-12-09 | 2020-04-10 | 宁波大学 | 一种学术资源推荐服务系统与方法 |
US10757218B2 (en) * | 2017-03-29 | 2020-08-25 | Alibaba Group Holding Limited | Method and apparatus for generating push notifications |
CN110532473A (zh) * | 2019-08-30 | 2019-12-03 | 车智互联(北京)科技有限公司 | 一种内容推荐方法及计算设备 |
-
2020
- 2020-12-11 CN CN202011460528.9A patent/CN112559901B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281622A (zh) * | 2013-07-11 | 2015-01-14 | 华为技术有限公司 | 一种社交媒体中的信息推荐方法和装置 |
CN111143662A (zh) * | 2018-10-16 | 2020-05-12 | 北京默契破冰科技有限公司 | 一种内容推荐的方法、设备和计算机存储介质 |
CN110162703A (zh) * | 2019-05-13 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 内容推荐方法、训练方法、装置、设备及存储介质 |
CN110704739A (zh) * | 2019-09-30 | 2020-01-17 | 汉海信息技术(上海)有限公司 | 资源推荐方法、装置及计算机存储介质 |
CN110866181A (zh) * | 2019-10-12 | 2020-03-06 | 平安国际智慧城市科技股份有限公司 | 资源推荐的方法、装置及存储介质 |
CN110837577A (zh) * | 2019-11-04 | 2020-02-25 | 上海喜马拉雅科技有限公司 | 一种视频推荐方法、装置、设备及存储介质 |
CN111143686A (zh) * | 2019-12-30 | 2020-05-12 | 北京百度网讯科技有限公司 | 资源推荐方法及装置 |
CN111159563A (zh) * | 2019-12-31 | 2020-05-15 | 广州市百果园信息技术有限公司 | 用户兴趣点信息的确定方法、装置、设备及存储介质 |
CN111444428A (zh) * | 2020-03-27 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112559901A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11714816B2 (en) | Information search method and apparatus, device and storage medium | |
CN111782965B (zh) | 意图推荐方法、装置、设备及存储介质 | |
CN112559901B (zh) | 资源推荐的方法、装置、电子设备、存储介质及计算机程序产品 | |
Qian et al. | Social media based event summarization by user–text–image co-clustering | |
CN109471978B (zh) | 一种电子资源推荐方法及装置 | |
CN112650907A (zh) | 搜索词的推荐方法、目标模型的训练方法、装置及设备 | |
CN111246257B (zh) | 视频推荐方法、装置、设备及存储介质 | |
CN111259222A (zh) | 物品推荐方法、系统、电子设备及存储介质 | |
CN112446727B (zh) | 广告触发的方法、装置、设备及计算机可读存储介质 | |
CN112163676A (zh) | 多任务服务预测模型训练方法、装置、设备以及存储介质 | |
US10990620B2 (en) | Aiding composition of themed articles about popular and novel topics and offering users a navigable experience of associated content | |
CN111339406B (zh) | 个性化推荐方法、装置、设备及存储介质 | |
CN112818224B (zh) | 信息推荐方法、装置、电子设备及可读存储介质 | |
CN111522940A (zh) | 用于处理评论信息的方法和装置 | |
CN111506803A (zh) | 内容推荐方法、装置、电子设备及存储介质 | |
CN111563198B (zh) | 一种物料召回方法、装置、设备及存储介质 | |
CN111460296B (zh) | 用于更新事件集合的方法和装置 | |
CN111753195B (zh) | 标签体系构建方法、装置、设备以及存储介质 | |
CN113111216B (zh) | 广告推荐方法、装置、设备和存储介质 | |
CN111241225A (zh) | 常驻区域变更的判断方法、装置、设备及存储介质 | |
CN113010767A (zh) | 搜索方法、装置、设备和存储介质 | |
CN112328892B (zh) | 信息推荐方法、装置、设备及计算机存储介质 | |
CN115878874A (zh) | 多模态检索方法、设备和存储介质 | |
CN112100522B (zh) | 用于检索兴趣点的方法、装置、设备及介质 | |
JP6700146B2 (ja) | 評価値に基づいて推奨するコンテンツを決定するシステム |
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 |