CN112632359B - 信息推荐方法、装置、电子设备和存储介质 - Google Patents
信息推荐方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112632359B CN112632359B CN202011615920.6A CN202011615920A CN112632359B CN 112632359 B CN112632359 B CN 112632359B CN 202011615920 A CN202011615920 A CN 202011615920A CN 112632359 B CN112632359 B CN 112632359B
- Authority
- CN
- China
- Prior art keywords
- historical
- information
- target user
- recommendation information
- recommendation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012163 sequencing technique Methods 0.000 claims abstract description 59
- 238000004364 calculation method Methods 0.000 claims description 97
- 238000011156 evaluation Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 description 21
- 238000004091 panning Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000009193 crawling Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
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
- G06F16/951—Indexing; Web crawling techniques
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种信息推荐方法、装置、电子设备和存储介质。其中，所述方法包括：获取目标用户的浏览记录信息；基于所述浏览记录信息，确定与所述浏览记录信息对应的各推荐信息的排序结果；基于各所述推荐信息的排序结果，确定目标推荐信息，并将所述目标推荐信息推荐给所述目标用户。以实现根据用户的喜好，将用户所需的信息推荐给用户，满足用户的个性化需求，提高用户体验。
Description
技术领域
本发明实施例涉及计算机技术，尤其涉及一种信息推荐方法、装置、电子设备和存储介质。
背景技术
随着互联网技术的不断发展，不同类型数据规模呈爆炸式增长，各个行业应用的数据量越来越庞大，海量数据的有效呈现成为前所未有的挑战。在数据的检索方面，广泛应用了以弹性搜索(Elasticsearch，ES)和企业级搜索应用服务器Solr等检索引擎作为查询入口，类似HBase等非结构化查询语言(Not Only Structured Query Language，NoSQL)数据库作为底层存储的架构设计。
在传统ES或Solr的使用方法中，一般采用相关度排序，具体的是根据用户的在检索时使用的检索词，以及用户对检索结果的一个评价，来对与用户检索的内容进行一个打分，根据打分进行排序，然后将排序后的检索结果推荐给用户。
从传统ES或Solr的使用过程中可以看出，上述信息推荐的方式得到的结果比较固化，无法将用户真正需要的检索结果在系统位于靠前的位置展示，导致用户体验不佳。
发明内容
本发明实施例提供一种信息推荐方法、装置、电子设备和存储介质，以实现根据用户的喜好，将用户所需的信息推荐给用户，满足用户的个性化需求，提高用户体验。
第一方面，本发明实施例提供了一种信息推荐方法，该方法包括：
获取目标用户的浏览记录信息；
基于所述浏览记录信息，确定与所述浏览记录信息对应的各推荐信息的排序结果；
基于各所述推荐信息的排序结果，确定目标推荐信息，并将所述目标推荐信息推荐给所述目标用户。
第二方面，本发明实施例还提供了一种信息推荐装置，该装置包括：
浏览记录信息获取模块，用于获取目标用户的浏览记录信息；
排序结果确定模块，用于基于所述浏览记录信息，确定与所述浏览记录信息对应的各推荐信息的排序结果；
目标推荐信息确定模块，用于基于各所述推荐信息的排序结果，确定目标推荐信息，并将所述目标推荐信息推荐给所述目标用户。
第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例中任一所述的信息推荐方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行本发明实施例中任一所述的信息推荐方法。
本发明实施例的技术方案，通过根据获取的目标用户的浏览记录信息，确定出与浏览记录信息对应的各推荐信息的排序结果，将排序结果中目标用户感兴趣的推荐信息推荐给目标用户，这样实现了可根据目标用户的喜好，将目标用户所需的信息推荐给目标用户，满足目标用户的个性化需求，提高用户体验。
附图说明
图1是现有技术中的实现信息推荐方法的系统框架结构图；
图2是本发明实施例一中的信息推荐方法的流程图；
图3是本发明实施例二中的信息推荐方法的流程图；
图4是本发明实施例三中的实现信息推荐方法的系统框架结构图；
图5是本发明实施例四中的信息推荐装置的结构示意图；
图6是本发明实施例五中的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在介绍本发明实施例的技术方案之前，首先介绍一下现有技术中的推荐信息的确定方式，参考图1所示的实现信息推荐方法的系统框架结构图：
客户端接收用户输入的用户名、网页网址和用户评价等用户信息，ES/Solr等检索系统根据用户名、网页网址和用户评价等用户信息返回用户信息的行键Rowkey至用户端，用户端将Rowkey发送至HBase，HBase可根据Rowkey返回排序后的推荐信息，具体的可以是将得到与用户感兴趣程度高的推荐信息排在靠前的位置推荐给用户。这样只能根据用户名、网页网址和用户评价来得到推荐信息，这样推荐的信息比较固化，没有借鉴用户的所有浏览信息，导致推荐的信息可能不太精确。
实施例一
图2为本发明实施例一提供的信息推荐方法的流程图，本实施例可适用于向用户推荐其需要的信息的情况，该方法可以由信息推荐装置来执行，该信息推荐装置可以由软件和/或硬件来实现，该信息推荐装置可以配置在电子计算设备上，具体包括如下步骤：
S110、获取目标用户的浏览记录信息。
示例性的，目标用户可以是需要向其推荐信息的用户。
浏览记录信息可以是目标用户在当前时刻之前，目标用户所浏览的信息。
具体的例如，若目标用户在当前时刻之前，有浏览过淘宝，则这里的浏览记录信息可以是目标用户在浏览淘宝的过程中的信息，例如可以是目标用户输入的检索词、目标用户的用户名和目标用户浏览的根据检索词所检索到的检索结果的详细信息等
可选的，这里的浏览记录信息可以包括显式反馈信息。
在本发明实施例中，显式反馈信息可以是目标用户在网站上自然浏览或者使用网站以外，显式地提供反馈信息。
在本发明实施例中，可选的，所述显式反馈信息至少包括：所述目标用户在检索时使用的检索词、所述目标用户的用户名、所述目标用户浏览过的网页地址，以及所述目标用户对与所述检索词对应的各检索结果的评价。
示例性的，目标用户对与检索词对应的各检索结果的评价可以是目标用户对基于检索词所检索出的各检索结果的明确的评价。
具体的例如，以目标用户浏览的网页是淘宝为例。目标用户在使用淘宝时，首先会输入其想要检索的物品的关键词，这里的关键词即为检索词，根据该检索词进行搜索，即可得到与检索词对应的各检索结果(即与检索词对应的各物品)，待用户对其想要的物品下单，然后收到物品后，可对物品进行评价，具体的可以是对检索结果的评分，例如给几颗星，或者是给多少分。
在另一实施例中，具体的对目标用户对与检索词对应的各检索结果的评价还可以通过有用、点赞、踩等形式对各检索结果进行主观评价，然后统计各检索结果得到了多少用户认可或否定。
需要说明的是，上述的两种目标用户对与检索词对应的各检索结果的评价方式只是示例说明本发明实施例的技术方案，并不代表本发明实施例中目标用户对与检索词对应的各检索结果的评价的方式只有上述两种。任何对基于检索词所检索出的各检索结果的明确的主观的评价方式均属于本发明实施例的保护范围。
在本发明实施例中，显式反馈信息能准确地反映目标用户对各检索结果的真实评价，但需要目标用户付出额外的代价(即目标用户需要对各检索结果进行直接的评价)。
可选的，当浏览记录信息为显式反馈信息时，所述获取目标用户的浏览记录信息，包括：基于爬虫组件得到待爬取的目标用户浏览过的网页地址所对应的页面数据；基于爬虫组件，从页面数据中提取出目标用户在检索时使用的检索词、目标用户的用户名、目标用户对与检索词对应的各检索结果的评价，以及待继续爬取的二级网页地址。
示例性的，爬虫组件可以是基于Python语言的Scrapy爬取框架中的爬虫组件。
二级网页地址可以是目标用户需继续进行浏览的下一级别的网页地址。例如，以目标用户浏览的网页是淘宝为例。当目标用户在使用淘宝时，首先会输入其想要检索的物品的关键词，这里的关键词即为检索词，根据该检索词进行搜索，即可得到与检索词对应的各检索结果(即与检索词对应的各物品)，这里的目标用户访问淘宝这个网页地址可以是一级网页地址，得到与检索词所对应的各检索结果，当用户对某一检索结果进行详细查看时，需要点击该检索结果，即可跳转到该检索结果所对应的页面，则该检索结果所对应的网页地址即为待继续爬取的二级网页地址。
在本发明实施例中，可以利用爬虫组件发起爬取请求，并将需要爬取的网页地址传入调度器中，爬取引擎控制下载器访问网页地址执行下载，得到各检索结果，各检索结果例如可以是一个XML文件。并将各检索结果回传至爬取引擎，由爬取引擎将各检索结果交由爬虫组件进行特定内容提取，提取实体项和需要继续爬取的二级网页地址，将提取实体项和需要继续爬取的二级网页地址提交至爬取引擎。爬取引擎控制实体管道(例如可以是Item pipeline)进行持久化存储。
需要说明的是，本发明实施例中的爬虫组件支持Xpath、正则表达式等多种方式解析各检索结果，本发明实施例中采用自定义正则表达式提取各检索结果文件中的实体项。提取的实体项包含：检索的检索词(也可以称之为词元，可来自于Solr/ES分词器)、目标用户的用户名、目标用户的类型和目标用户对与检索词对应的各检索结果的评价等。
需要说明的是，这里的目标用户的用户类型可以是目标用户所属类别。具体的可以是，对于内部业务系统，目标用户的类型具体可以是该目标用户的用户名所属的岗位、职位等。对于外部业务系统，目标用户的类型具体可以是目标用户的用户名的账号类型，例如可以是新用户、老用户等。
这样设置的好处在于，可直接利用爬虫组件可直接爬取到显式反馈信息，避免了利用其它设备来获取显式反馈信息，提高了显式反馈信息获取的效率。且以便后续可基于该显式反馈信息来确定目标用户感兴趣的信息。
可选的，这里的浏览记录信息还可以包括隐式反馈信息。
在本发明实施例中，隐式反馈信息可以是目标用户在使用网站时产生的数据，隐式地反映了目标用户对检索结果的评价。
在本发明实施例中，可选的，所述隐式反馈信息至少包括：所述目标用户在检索时使用的检索词、所述目标用户的用户名、所述目标用户在与所述检索词对应的各检索结果的页面的停留时间，以及所述目标用户访问下载的与所述检索词对应的各检索结果的附件。
可选的，目标用户访问下载的与检索词对应的各检索结果的附件可以是目标用户访问下载的与检索词对应的检索结果的附件信息。
具体的，以目标用户浏览的网页是淘宝为例。目标用户在使用淘宝时，首先会输入其想要检索的物品的关键词，这里的关键词即为检索词，根据该检索词进行搜索，即可得到与检索词对应的各检索结果(即与检索词对应的各物品)，目标用户在查看各检索结果的详情时，根据目标用户在与检索词对应的各检索结果的页面的停留时间，可以分析出目标用户对该检索结果的感兴趣程度。
在目标用户访问各检索结果时，目标用户可对各检索结果的附件进行下载，具体的例如，目标用户可对淘宝中的各物品的图片、详情等进行下载。
在本发明实施例中，隐式反馈信息无法直接反映出目标用户的感兴趣程序，需对隐式反馈信息进行一些分析和处理后，才可反映目标用户的偏好。
需要说明的是，在隐式反馈信息中，可以通过选择正确的行为特征，这样隐式反馈信息也能得到很好的效果，只是行为特征的选择可能在不同的应用中有很大的不同。这需要根据实际应用场景来选取不同的行为特征来得到目标用户的偏好。
可选的，当浏览记录信息为隐式反馈信息时，所述获取目标用户的浏览记录信息，包括：在浏览器中注入记账功能代码，基于记账功能代码记录目标用户每一次访问网页时的用户名、目标用户在检索时使用的检索词、目标用户在与检索词对应的各检索结果的页面的停留时间，以及目标用户访问下载的与检索词对应的各检索结果的附件。
示例性的，记账功能代码可以是用于记录目标用户在访问网页过程中的所有操作数据的代码。
对于隐式反馈信息，可以在浏览器中注入记账功能代码，即在前端注入记账功能代码，利用该记账功能代码来记录隐式反馈信息。
在本发明实施例中，记账功能代码可以理解为用于将目标用户在访问网页过程中的所有操作数据记录下来的代码，例如可以是将目标用户在访问网页过程中的所有操作数据形成日志，对日志进行分析处理，即可得到隐式反馈信息。
在本发明实施例中，获取显式反馈信息和隐式反馈信息时，是基于协同过滤算法，分别根据爬虫组件和记账功能代码来获取的。
这样设置的好处在于，在没有显式反馈信息时，还可利用可记账功能代码得到目标用户访问网站时的隐式反馈信息，确保了可及时获取到目标用户的反馈信息。且以便后续在没有显式反馈信息可直接反映目标用户的偏好的情况下，还可以利用隐式反馈信息来确定目标用户感兴趣的信息。
S120、基于浏览记录信息，确定与浏览记录信息对应的各推荐信息的排序结果。
示例性的，推荐信息可以是根据目标用户的浏览记录信息确定的目标用户可能感兴趣的信息。
各推荐信息的排序结果可以是将各推荐信息进行排序后的结果。例如，可以是将各推荐信息按其所得到的目标用户对其感兴趣的程度高低来进行排序。
具体的例如，推荐信息一共有5条，目标用户对各推荐信息感兴趣的程度分别为10分、8分、7分、4分和2分(其中，分值越高，表示目标用户对该推荐信息越感兴趣)，则可根据该分值，对各推荐信息进行排序，具体的可以是将各分值由高到低进行排序，形成排序结果。
需要说明的是，上述进行排序时，还可以是由低到高进行排序，这里不做限定，只要可将各推荐信息按用户需求按一定规则进行排序，均属于本发明实施例的保护范围。
需要说明的是，上述目标用户对各推荐信息的感兴趣程度是以分值的形式来进行描述的，但本发明实施例中，并不限于上述的一种方式，任何可将目标用户对各推荐信息的感兴趣程度进行区分的方式均属于本发明实施例的保护范围。
S130、基于各推荐信息的排序结果，确定目标推荐信息，并将目标推荐信息推荐给目标用户。
示例性的，目标推荐信息可以是从各推荐信息的排序结果中选取出的要推荐给目标用户的推荐信息。
在本发明实施例中，可从各推荐信息中选取某一个或某几个推荐信息作为目标推荐信息，推荐给目标用户。具体的可以是将确定的各推荐信息中，目标用户最感兴趣的某一个或某几个推荐信息作为目标推荐信息推荐给目标用户。
可选的，所述基于各推荐信息的排序结果，确定目标推荐信息，包括：将各推荐信息的排序结果中排序靠前的预设数量的推荐信息确定为目标推荐信息。
示例性的，预设数量可以是预先设置的数量。
若各推荐信息是按目标用户对其的感兴趣程度从高到低进行排序的，则可将排序靠前的一个或几个作为目标推荐信息推荐给目标用户。
这样设置的好处在于，可根据目标用户的浏览记录信息确定出目标用户感兴趣的推荐信息，然后将目标用户感兴趣的推荐信息推荐给目标用户，这样实现了可根据目标用户的喜好，将目标用户所需的信息推荐给目标用户，满足目标用户的个性化需求，提高用户体验。
本发明实施例的技术方案，通过根据获取的目标用户的浏览记录信息，确定出与浏览记录信息对应的各推荐信息的排序结果，将排序结果中目标用户感兴趣的推荐信息推荐给目标用户，这样实现了可根据目标用户的喜好，将目标用户所需的信息推荐给目标用户，满足目标用户的个性化需求，提高用户体验。
实施例二
图3为本发明实施例二提供的信息推荐方法的流程图，本发明实施例与上述实施例中各个可选方案可以结合。在本发明实施例中，可选的，所述基于所述浏览记录信息，确定与浏览记录信息对应的各推荐信息的排序结果，包括：将浏览记录信息输入训练好的权重计算模型中，基于权重计算模型，确定与浏览记录信息对应的各推荐信息的排序结果。
如图3所示，本发明实施例的方法具体包括如下步骤：
S210、获取目标用户的浏览记录信息。
S220、将浏览记录信息输入训练好的权重计算模型中，基于权重计算模型，确定与浏览记录信息对应的各推荐信息的排序结果。
示例性的，权重计算模型可以是根据浏览记录信息所得到的与浏览记录信息所对应的各推荐信息的排序结果的模型。
在本发明实施例中，权重计算模型可以是基于离线分析引擎所训练的模型，例如该权重计算模型可以是基于深度学习的神经网络模型等。
在本发明实施例中，可选的，权重计算模型可以是基于历史浏览记录信息，以及与所述历史浏览记录信息对应的目标用户所需的各历史推荐信息的历史排序结果训练得到。
示例性的，历史浏览记录信息可以是目标用户之前的浏览记录信息。
历史推荐信息可以是与历史浏览信息对应的目标用户所需的推荐信息。例如，在根据历史浏览信息，系统推荐的一些信息，比如推荐了10条信息，其中有5条是目标用户明确所需要的，则这5条可以是历史推荐信息。
历史排序结果可以是对各历史推荐信息进行排序后的结果。例如，可以是将各历史推荐信息按目标用户对其的感兴趣程度进行排序的结果。
可选的，所述历史浏览记录信息包括：历史显式反馈信息和历史隐式反馈信息；对应的，各所述历史推荐信息包括：与所述历史显式反馈信息所对应的各第一历史推荐信息，以及与所述历史隐式反馈信息所对应的各第二历史推荐信息。
示例性的，历史显式反馈信息可以是历史浏览记录中的显式反馈信息。
历史隐式反馈信息可以是历史浏览记录中的隐式反馈信息。
第一历史推荐信息可以是与历史显式反馈信息所对应的推荐信息，即可以是根据历史显式反馈信息所确定出的推荐信息。
第二历史推荐信息可以是与历史隐式反馈信息所对应的推荐信息，即可以是根据历史隐式反馈信息所确定出的推荐信息。
可选的，所述权重计算模型的训练方法包括：获取目标用户的历史浏览记录信息，以及与历史浏览记录信息对应的目标用户所需的各历史推荐信息的历史排序结果；将目标用户的历史浏览记录信息，以及与历史浏览记录信息对应的目标用户所需的各历史推荐信息的历史排序结果输入到待训练的权重计算模型中，得到与历史显式反馈信息所对应的目标用户所需的各第一历史推荐信息的第一权重，以及与历史隐式反馈信息所对应的目标用户所需的各第二历史推荐信息的第二权重；基于各第一历史推荐信息、各第一历史推荐信息的第一权重、各第二历史推荐信息和各第二历史推荐信息的第二权重，确定与历史浏览记录信息所对应的各历史推荐信息的历史计算排序结果；基于历史计算排序结果和历史排序结果，确定权重计算模型的损失函数；当损失函数小于等于预设损失阈值时，确定权重计算模型训练完成。
示例性的，第一权重可以是与历史显式反馈信息所对应的目标用户所需的各第一历史推荐信息的权重。
第二权重可以是与历史隐式反馈信息所对应的目标用户所需的各第二历史推荐信息的权重。
历史计算排序结果可以是根据各第一历史推荐信息、各第一历史推荐信息的第一权重、各第二历史推荐信息和各第二历史推荐信息的第二权重，待训练的权重计算模型所输出的与历史浏览记录信息所对应的各历史推荐信息的排序结果。
预设损失阈值可以是预先设置的待训练的权重计算模型的损失函数的阈值。
当对权重计算模型进行训练时，将获取到的目标用户的历史浏览记录信息，以及与历史浏览记录信息对应的目标用户所需的各历史推荐信息的历史排序结果输入到待训练的权重计算模型中，该待训练的权重计算模型可基于历史浏览记录信息，得到与历史显式反馈信息所对应的目标用户所需的各第一历史推荐信息的第一权重，以及与历史隐式反馈信息所对应的目标用户所需的各第二历史推荐信息的第二权重。
根据各第一历史推荐信息、各第一历史推荐信息的第一权重、各第二历史推荐信息和各第二历史推荐信息的第二权重，待训练的权重计算模型可输出与历史浏览记录信息所对应的各历史推荐信息的历史计算排序结果。将历史计算排序结果和历史排序结果进行计算，可确定待训练的权重计算模型的损失函数；当损失函数小于等于预设损失阈值时，则确定待训练的权重计算模型训练完成。
这样设置的好处在于，可得到训练好的权重计算模型，以便可根据该训练好的权重计算模型来得到与目标用户的浏览记录信息所对应的推荐信息，提高了推荐信息的获取效率。
可选的，所述基于各第一历史推荐信息、各第一历史推荐信息的第一权重、各第二历史推荐信息和各第二历史推荐信息的第二权重，确定与历史浏览记录信息所对应的各历史推荐信息的历史计算排序结果，包括：基于各第一历史推荐信息，以及各第一历史推荐信息的第一权重，确定各第一历史推荐信息的第一评分，将第一评分按从高到低的顺序从前往后进行排序，得到各第一历史推荐信息的第一历史计算排序结果；基于各第二历史推荐信息，以及各第二历史推荐信息的第二权重，确定各第二历史推荐信息的第二评分，将第二评分按从高到低的顺序从前往后进行排序，得到各第二历史推荐信息的第二历史计算排序结果；基于第一历史计算排序结果和第二历史计算排序结果，确定与历史浏览记录信息所对应的各历史推荐信息的历史计算排序结果。
示例性的，第一评分可以是基于各第一历史推荐信息，以及各第一历史推荐信息的第一权重，确定的各第一历史推荐信息的评分。
第一历史计算排序结果可以是将第一评分按从高到低的顺序从前往后进行排序后所形成的排序结果。
第二评分可以是基于各第二历史推荐信息，以及各第二历史推荐信息的第二权重，确定的各第二历史推荐信息的评分。
第二历史计算排序结果可以是将第二评分按从高到低的顺序从前往后进行排序后所形成的排序结果。
当确定了各第一历史推荐信息的第一权重后，可将各第一历史推荐信息，以及各第一历史推荐信息的第一权重进行对应计算，可得到各第一历史推荐信息的第一评分。将该各第一评分按从高到低的顺序进行排序，可得到第一历史计算排序结果。
在另一实施例中，还可以是将各第一评分按从低到高的顺序进行排序，得到第一历史计算排序结果。具体各第一评分的排序，可根据用户需求自行设定，这里不做限定。
需要说明的是，本发明实施例中的第一历史计算排序结果可以是基于交替最小二乘(Alternating least square，ALS)算法建立的显性反馈模型，根据显式反馈信息所得到的。
当确定了各第二历史推荐信息的第一权重后，可将各第二历史推荐信息，以及各第二历史推荐信息的第二权重进行对应计算，可得到各第二历史推荐信息的第二评分。将该各第二评分按从高到低的顺序进行排序，可得到第二历史计算排序结果。
在另一实施例中，还可以是将各第二评分按从低到高的顺序进行排序，得到第二历史计算排序结果。具体各第二评分的排序，可根据用户需求自行设定，这里不做限定。
需要说明的是，本发明实施例中的第二历史计算排序结果也可以是基于ALS算法建立的隐性反馈模型，根据隐式反馈信息所得到的。
在得到第一历史排序结果和第二历史排序结果后，根据各历史排序结果的评分，对第一历史排序结果和第二历史排序结果进行重新排序，具体的可以是将各第一评分和各第二评分综合重新按从高到低的顺序进行排序，得到历史计算排序结果。
在另一实施例中，还可以是将各第一评分和各第二评分重新按从低到高的顺序进行排序，得到历史计算排序结果。具体各第一评分和各第二评分综合排序方式，可根据用户需求自行设定，这里不做限定。
这样设置的好处在于，这样可得到历史显式反馈信息所对应的第一历史推荐信息和历史隐式反馈信息所对应的第二历史推荐信息，综合的排序结果。这样得到的历史推荐信息更精确，不会遗漏目标用户的其他历史浏览记录信息。
在本发明实施例中，以将各第一历史推荐信息，以及各第一历史推荐信息的第一权重进行对应计算，得到各第一历史推荐信息的第一评分为例进行说明，对应的将各第二历史推荐信息，以及各第二历史推荐信息的第二权重进行对应计算，得到各第二历史推荐信息的第二评分的方式等同：
例如，第一历史推荐信息共有A、B和C这3个，其权重分别为1、4和5，则将A*1可得到A这个历史推荐信息的第一评分；将B*4可得到B这个历史推荐信息的第一评分；将C*5可得到C这个历史推荐信息的第一评分。
S230、基于各推荐信息的排序结果，确定目标推荐信息，并将目标推荐信息推荐给目标用户。
本发明实施例的技术方案，通过将浏览记录信息输入训练好的权重计算模型中，基于权重计算模型，确定与浏览记录信息对应的各推荐信息的排序结果，这样根据训练好的权重计算模型可直接得到与浏览记录信息对应的各推荐信息的排序结果，提高了与浏览记录信息对应的各推荐信息的排序结果的获取效率，同时也提高了获取的与浏览记录信息对应的各推荐信息的排序结果的准确性。
实施例三
图4为本发明实施例三提供的实现信息推荐方法的系统框架结构图，本发明实施例与上述实施例中各个可选方案可以结合。在本发明实施例中，可选的，在将浏览记录信息输入训练好的权重计算模型中之前，还可以利用实时排序器来将浏览记录信息进行整理，以形成权重计算模型可接受形式的浏览记录信息。具体如图4所示：
客户端接收用户输入的用户名、网页网址和用户评价等用户信息，分别利用爬虫组件和记账功能代码可对应获取到显式反馈信息和隐式反馈信息。将显式反馈信息和隐式反馈信息输入到ES/Solr等检索系统中，ES/Solr等检索系统根据显式反馈信息和隐式反馈信息返回显式反馈信息和隐式反馈信息的行键Rowkey至实时排序器，实时排序器可将显式反馈信息和隐式反馈信息的行键Rowkey进行预设规则的处理，以将显式反馈信息和隐式反馈信息的行键Rowkey处理成权重计算模型所能接受的形式，例如可以是将显式反馈信息和隐式反馈信息的行键Rowkey的格式处理成权重计算模型所能接受的格式。
实时排序器将处理后的显式反馈信息和隐式反馈信息的行键Rowkey发送至权重计算模型，权重计算模型可基于显式反馈信息和隐式反馈信息的行键Rowkey，得到综合显式反馈信息和隐式反馈信息后的推荐信息的排序结果，并将排序结果发送至实时排序器，实时排序器再将排序结果发送至客户端，客户端接收到排序结果后，将排序结果发送至HBase，HBase可根据排序结果返回排序后的推荐信息，具体的可以是将得到与用户感兴趣程度高的推荐信息排在靠前的位置推荐给用户。
需要说明的是，在本发明实施例中，若当前次检索不是第一次检索，则实时排序器还可以是接收ES/Solr等检索系统返回的在当前次检索之前，目标用户所得到的历史检索信息。例如，若当前次检索是目标用户的第二次检索，则实时排序器还可以接收ES/Solr等检索系统返回的第一检索时，根据检索词所得到的推荐信息。然后将历史检索结果与当前次获取到的显式反馈信息和隐式反馈信息进行结合，得到综合后的行键Rowkey，并根据该综合后的行键Rowkey进行处理，以得到权重计算模型可接受形式的行键Rowkey。
实时排序器将处理后的综合后的行键Rowkey发送至权重计算模型，权重计算模型可基于处理后的综合后的行键Rowkey，得到与处理后的综合后的行键Rowkey对应的推荐信息的排序结果(即重新排序后的Rowkey)，并将重新排序后的Rowkey发送至实时排序器，实时排序器再将重新排序后的Rowkey发送至客户端，客户端接收到重新排序后的Rowkey后，将重新排序后的Rowkey发送至HBase，HBase可根据重新排序后的Rowkey返回排序后的推荐信息，具体的可以是将得到与用户感兴趣程度高的推荐信息排在靠前的位置推荐给用户。
需要说明的是，若当前次检索为第一次检索，则不需实时排序器接收显式反馈信息和隐式反馈信息即可。
这样设置的好处在于，可以获取更多的目标用户的检索信息，以得到更加精确的推荐信息。
需要说明的是，在本发明实施例中，经实时排序器处理后的信息可借助SparkSQL数据处理方式写入Hive中，以对处理后的信息进行存储。
本发明实施例的技术方案，通过利用实时排序器来将浏览记录信息进行整理，这样以形成权重计算模型可接受形式的浏览记录信息，避免因输入权重计算模型中的浏览记录信息的形式不符合权重计算模型的要求，而无法得到与浏览记录信息对应的各推荐信息的排序结果的问题。
实施例四
图5为本发明实施例四提供的信息推荐装置的结构示意图，如图5所示，该装置包括：浏览记录信息获取模块31、排序结果确定模块32和目标推荐信息确定模块33。
其中，浏览记录信息获取模块31，用于获取目标用户的浏览记录信息；
排序结果确定模块32，用于基于所述浏览记录信息，确定与所述浏览记录信息对应的各推荐信息的排序结果；
目标推荐信息确定模块33，用于基于各所述推荐信息的排序结果，确定目标推荐信息，并将所述目标推荐信息推荐给所述目标用户。
可选的，所述浏览记录信息包括显式反馈信息；所述显式反馈信息至少包括：所述目标用户在检索时使用的检索词、所述目标用户的用户名、所述目标用户浏览过的网页地址，以及所述目标用户对与所述检索词对应的各检索结果的评价。
在本发明实施例的技术方案的基础上，浏览记录信息获取模块31包括：
第一浏览记录信息获取单元，用于基于爬虫组件得到待爬取的所述目标用户浏览过的网页地址所对应的页面数据；基于所述爬虫组件，从所述页面数据中提取出所述目标用户在检索时使用的检索词、所述目标用户的用户名、所述目标用户对与所述检索词对应的各检索结果的评价，以及待继续爬取的二级网页地址。
可选的，所述浏览记录信息包括隐式反馈信息；所述隐式反馈信息至少包括：所述目标用户在检索时使用的检索词、所述目标用户的用户名、所述目标用户在与所述检索词对应的各检索结果的页面的停留时间，以及所述目标用户访问下载的与所述检索词对应的各检索结果的附件。
在本发明实施例的技术方案的基础上，浏览记录信息获取模块31包括：
第一浏览记录信息获取单元，用于在浏览器中注入记账功能代码，基于所述记账功能代码记录所述目标用户每一次访问网页时的用户名、所述目标用户在检索时使用的检索词、所述目标用户在与所述检索词对应的各检索结果的页面的停留时间，以及所述目标用户访问下载的与所述检索词对应的各检索结果的附件。
在本发明实施例的技术方案的基础上，排序结果确定模块32包括：
排序结果确定单元，用于将所述浏览记录信息输入训练好的权重计算模型中，基于所述权重计算模型，确定与所述浏览记录信息对应的各推荐信息的排序结果；其中，所述权重计算模型基于历史浏览记录信息，以及与所述历史浏览记录信息对应的目标用户所需的各历史推荐信息的历史排序结果训练得到。
可选的，所述历史浏览记录信息包括：历史显式反馈信息和历史隐式反馈信息；对应的，各所述历史推荐信息包括：与所述历史显式反馈信息所对应的各第一历史推荐信息，以及与所述历史隐式反馈信息所对应的各第二历史推荐信息。
在本发明实施例的技术方案的基础上，该装置还包括：
历史信息获取模块，用于获取所述目标用户的历史浏览记录信息，以及与所述历史浏览记录信息对应的目标用户所需的各历史推荐信息的历史排序结果；
权重确定模块，用于将所述目标用户的历史浏览记录信息，以及与所述历史浏览记录信息对应的目标用户所需的各历史推荐信息的历史排序结果输入到待训练的权重计算模型中，得到与所述历史显式反馈信息所对应的目标用户所需的各第一历史推荐信息的第一权重，以及与所述历史隐式反馈信息所对应的目标用户所需的各第二历史推荐信息的第二权重；
历史计算排序结果确定模块，用于基于各所述第一历史推荐信息、各所述第一历史推荐信息的所述第一权重、各所述第二历史推荐信息和各所述第二历史推荐信息的所述第二权重，确定与所述历史浏览记录信息所对应的各历史推荐信息的历史计算排序结果；
损失函数确定模块，用于基于所述历史计算排序结果和所述历史排序结果，确定所述权重计算模型的损失函数；
权重计算模型训练完成确定模块，用于当所述损失函数小于等于预设损失阈值时，确定所述权重计算模型训练完成。
在本发明实施例的技术方案的基础上，历史计算排序结果确定模块包括：
第一历史计算排序结果确定单元，用于基于各所述第一历史推荐信息，以及各所述第一历史推荐信息的所述第一权重，确定各所述第一历史推荐信息的第一评分，将所述第一评分按从高到低的顺序从前往后进行排序，得到各所述第一历史推荐信息的第一历史计算排序结果；
第二历史计算排序结果确定单元，用于基于各所述第二历史推荐信息，以及各所述第二历史推荐信息的所述第二权重，确定各所述第二历史推荐信息的第二评分，将所述第二评分按从高到低的顺序从前往后进行排序，得到各所述第二历史推荐信息的第二历史计算排序结果；
历史计算排序结果确定单元，用于基于所述第一历史计算排序结果和所述第二历史计算排序结果，确定与所述历史浏览记录信息所对应的各历史推荐信息的历史计算排序结果。
在本发明实施例的技术方案的基础上，目标推荐信息确定模块33具体用于：
将各所述推荐信息的排序结果中排序靠前的预设数量的所述推荐信息确定为所述目标推荐信息，并将所述目标推荐信息推荐给所述目标用户。
本发明实施例所提供的信息推荐装置可执行本发明任意实施例所提供的信息推荐方法，具备执行方法相应的功能模块和有益效果。
实施例五
图6为本发明实施例五提供的一种电子设备的结构示意图，如图6所示，该电子设备包括处理器70、存储器71、输入装置72和输出装置73；电子设备中处理器70的数量可以是一个或多个，图6中以一个处理器70为例；电子设备中的处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接，图6中以通过总线连接为例。
存储器71作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的信息推荐方法对应的程序指令/模块(例如，浏览记录信息获取模块31、排序结果确定模块32和目标推荐信息确定模块33)。处理器70通过运行存储在存储器71中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的信息推荐方法。
存储器71可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器71可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器71可进一步包括相对于处理器70远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。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。
输入装置72可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示设备。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种信息推荐方法。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的信息推荐方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机电子设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述信息推荐装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种信息推荐方法，其特征在于，包括：
获取目标用户的浏览记录信息；
基于所述浏览记录信息，确定与所述浏览记录信息对应的各推荐信息的排序结果；
基于各所述推荐信息的排序结果，确定目标推荐信息，并将所述目标推荐信息推荐给所述目标用户；
所述基于所述浏览记录信息，确定与所述浏览记录信息对应的各推荐信息的排序结果，包括：
将所述浏览记录信息输入训练好的权重计算模型中，基于所述权重计算模型，确定与所述浏览记录信息对应的各推荐信息的排序结果；其中，所述权重计算模型基于历史浏览记录信息，以及与所述历史浏览记录信息对应的目标用户所需的各历史推荐信息的历史排序结果训练得到；
所述历史浏览记录信息包括：历史显式反馈信息和历史隐式反馈信息；对应的，各所述历史推荐信息包括：与所述历史显式反馈信息所对应的各第一历史推荐信息，以及与所述历史隐式反馈信息所对应的各第二历史推荐信息；
所述权重计算模型的训练方法包括：
获取所述目标用户的历史浏览记录信息，以及与所述历史浏览记录信息对应的目标用户所需的各历史推荐信息的历史排序结果；
将所述目标用户的历史浏览记录信息，以及与所述历史浏览记录信息对应的目标用户所需的各历史推荐信息的历史排序结果输入到待训练的权重计算模型中，得到与所述历史显式反馈信息所对应的目标用户所需的各第一历史推荐信息的第一权重，以及与所述历史隐式反馈信息所对应的目标用户所需的各第二历史推荐信息的第二权重；
基于各所述第一历史推荐信息、各所述第一历史推荐信息的所述第一权重、各所述第二历史推荐信息和各所述第二历史推荐信息的所述第二权重，确定与所述历史浏览记录信息所对应的各历史推荐信息的历史计算排序结果；
基于所述历史计算排序结果和所述历史排序结果，确定所述权重计算模型的损失函数；
当所述损失函数小于等于预设损失阈值时，确定所述权重计算模型训练完成。
2.根据权利要求1所述的方法，其特征在于，所述浏览记录信息包括显式反馈信息；所述显式反馈信息至少包括：所述目标用户在检索时使用的检索词、所述目标用户的用户名、所述目标用户浏览过的网页地址，以及所述目标用户对与所述检索词对应的各检索结果的评价；
所述获取目标用户的浏览记录信息，包括：
基于爬虫组件得到待爬取的所述目标用户浏览过的网页地址所对应的页面数据；
基于所述爬虫组件，从所述页面数据中提取出所述目标用户在检索时使用的检索词、所述目标用户的用户名、所述目标用户对与所述检索词对应的各检索结果的评价，以及待继续爬取的二级网页地址。
3.根据权利要求1所述的方法，其特征在于，所述浏览记录信息包括隐式反馈信息；所述隐式反馈信息至少包括：所述目标用户在检索时使用的检索词、所述目标用户的用户名、所述目标用户在与所述检索词对应的各检索结果的页面的停留时间，以及所述目标用户访问下载的与所述检索词对应的各检索结果的附件；
所述获取目标用户的浏览记录信息，包括：
在浏览器中注入记账功能代码，基于所述记账功能代码记录所述目标用户每一次访问网页时的用户名、所述目标用户在检索时使用的检索词、所述目标用户在与所述检索词对应的各检索结果的页面的停留时间，以及所述目标用户访问下载的与所述检索词对应的各检索结果的附件。
4.根据权利要求1所述的方法，其特征在于，所述基于各所述第一历史推荐信息、各所述第一历史推荐信息的所述第一权重、各所述第二历史推荐信息和各所述第二历史推荐信息的所述第二权重，确定与所述历史浏览记录信息所对应的各历史推荐信息的历史计算排序结果，包括：
基于各所述第一历史推荐信息，以及各所述第一历史推荐信息的所述第一权重，确定各所述第一历史推荐信息的第一评分，将所述第一评分按从高到低的顺序从前往后进行排序，得到各所述第一历史推荐信息的第一历史计算排序结果；
基于各所述第二历史推荐信息，以及各所述第二历史推荐信息的所述第二权重，确定各所述第二历史推荐信息的第二评分，将所述第二评分按从高到低的顺序从前往后进行排序，得到各所述第二历史推荐信息的第二历史计算排序结果；
基于所述第一历史计算排序结果和所述第二历史计算排序结果，确定与所述历史浏览记录信息所对应的各历史推荐信息的历史计算排序结果。
5.根据权利要求1所述的方法，其特征在于，所述基于各所述推荐信息的排序结果，确定目标推荐信息，包括：
将各所述推荐信息的排序结果中排序靠前的预设数量的所述推荐信息确定为所述目标推荐信息。
6.一种信息推荐装置，其特征在于，包括：
浏览记录信息获取模块，用于获取目标用户的浏览记录信息；
排序结果确定模块，用于基于所述浏览记录信息，确定与所述浏览记录信息对应的各推荐信息的排序结果；
目标推荐信息确定模块，用于基于各所述推荐信息的排序结果，确定目标推荐信息，并将所述目标推荐信息推荐给所述目标用户；
所述排序结果确定模块包括：
排序结果确定单元，用于将所述浏览记录信息输入训练好的权重计算模型中，基于所述权重计算模型，确定与所述浏览记录信息对应的各推荐信息的排序结果；其中，所述权重计算模型基于历史浏览记录信息，以及与所述历史浏览记录信息对应的目标用户所需的各历史推荐信息的历史排序结果训练得到；
所述历史浏览记录信息包括：历史显式反馈信息和历史隐式反馈信息；对应的，各所述历史推荐信息包括：与所述历史显式反馈信息所对应的各第一历史推荐信息，以及与所述历史隐式反馈信息所对应的各第二历史推荐信息；
所述权重计算模型的训练方法包括：
获取所述目标用户的历史浏览记录信息，以及与所述历史浏览记录信息对应的目标用户所需的各历史推荐信息的历史排序结果；
将所述目标用户的历史浏览记录信息，以及与所述历史浏览记录信息对应的目标用户所需的各历史推荐信息的历史排序结果输入到待训练的权重计算模型中，得到与所述历史显式反馈信息所对应的目标用户所需的各第一历史推荐信息的第一权重，以及与所述历史隐式反馈信息所对应的目标用户所需的各第二历史推荐信息的第二权重；
基于各所述第一历史推荐信息、各所述第一历史推荐信息的所述第一权重、各所述第二历史推荐信息和各所述第二历史推荐信息的所述第二权重，确定与所述历史浏览记录信息所对应的各历史推荐信息的历史计算排序结果；
基于所述历史计算排序结果和所述历史排序结果，确定所述权重计算模型的损失函数；
当所述损失函数小于等于预设损失阈值时，确定所述权重计算模型训练完成。
7.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的信息推荐方法。
8.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-5中任一所述的信息推荐方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011615920.6A CN112632359B (zh) | 2020-12-30 | 2020-12-30 | 信息推荐方法、装置、电子设备和存储介质 |
| PCT/CN2021/120242 WO2022142519A1 (zh) | 2020-12-30 | 2021-09-24 | 信息推荐方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011615920.6A CN112632359B (zh) | 2020-12-30 | 2020-12-30 | 信息推荐方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112632359A CN112632359A (zh) | 2021-04-09 |
| CN112632359B true CN112632359B (zh) | 2023-11-07 |
Family
ID=75287138
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011615920.6A Active CN112632359B (zh) | 2020-12-30 | 2020-12-30 | 信息推荐方法、装置、电子设备和存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112632359B (zh) |
| WO (1) | WO2022142519A1 (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112632359B (zh) * | 2020-12-30 | 2023-11-07 | 北京锐安科技有限公司 | 信息推荐方法、装置、电子设备和存储介质 |
| CN113592589B (zh) * | 2021-07-27 | 2024-03-29 | 上海致景信息科技有限公司 | 纺织原料推荐方法、装置及处理器 |
| CN114037233A (zh) * | 2021-10-28 | 2022-02-11 | 重庆川南环保科技有限公司 | 一种家电维修服务推荐方法 |
| CN114780882B (zh) * | 2022-03-26 | 2023-12-05 | 深圳市安睿信科技有限公司 | 一种互联网网页显示管理方法、设备及计算机存储介质 |
| CN115079903A (zh) * | 2022-06-29 | 2022-09-20 | 上海掌门科技有限公司 | 一种选项卡显示方法、计算机设备及计算机可读存储介质 |
| CN116662639B (zh) * | 2022-11-14 | 2023-11-28 | 荣耀终端有限公司 | 一种内容推送方法、电子设备和通信系统 |
| CN116471323B (zh) * | 2023-06-19 | 2023-08-22 | 广推科技(北京)有限公司 | 一种基于时间序列特征的线上人群行为预测方法及系统 |
| CN116610873B (zh) * | 2023-07-19 | 2023-09-26 | 支付宝(杭州)信息技术有限公司 | 信息推荐方法及装置、存储介质 |
| CN117495458B (zh) * | 2023-12-29 | 2024-03-26 | 河北华糖云商营销传播股份有限公司 | 一种基于用户画像的广告在线推送方法 |
| CN117539638B (zh) * | 2024-01-04 | 2024-03-22 | 江西拓荒者科技有限公司 | 一种用于工业大数据平台的数据处理方法及系统 |
| CN118094017B (zh) * | 2024-04-23 | 2024-07-05 | 江西科技学院 | 一种基于大数据的活动推荐方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103258020A (zh) * | 2013-05-02 | 2013-08-21 | 华南师范大学 | 一种结合sns和搜索引擎技术的推荐系统与方法 |
| CN105512183A (zh) * | 2015-11-24 | 2016-04-20 | 中国科学院重庆绿色智能技术研究院 | 一种基于用户自主选择的个性化推荐方法和系统 |
| CN111782943A (zh) * | 2020-06-24 | 2020-10-16 | 中国平安财产保险股份有限公司 | 基于历史数据记录的信息推荐方法、装置、设备及介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150235294A1 (en) * | 2014-02-20 | 2015-08-20 | Mogan Global Online Shopping Inc. | Network searching system and searching method thereof |
| CN104978368A (zh) * | 2014-04-14 | 2015-10-14 | 百度在线网络技术（北京）有限公司 | 一种用于提供推荐信息的方法和装置 |
| CN107341162B (zh) * | 2016-05-03 | 2022-11-25 | 北京搜狗科技发展有限公司 | 网页处理方法和装置、用于网页处理的装置 |
| CN106779922A (zh) * | 2016-11-30 | 2017-05-31 | 广州市万表科技股份有限公司 | 推荐方法及装置 |
| CN112632359B (zh) * | 2020-12-30 | 2023-11-07 | 北京锐安科技有限公司 | 信息推荐方法、装置、电子设备和存储介质 |
-
2020
- 2020-12-30 CN CN202011615920.6A patent/CN112632359B/zh active Active
-
2021
- 2021-09-24 WO PCT/CN2021/120242 patent/WO2022142519A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103258020A (zh) * | 2013-05-02 | 2013-08-21 | 华南师范大学 | 一种结合sns和搜索引擎技术的推荐系统与方法 |
| CN105512183A (zh) * | 2015-11-24 | 2016-04-20 | 中国科学院重庆绿色智能技术研究院 | 一种基于用户自主选择的个性化推荐方法和系统 |
| CN111782943A (zh) * | 2020-06-24 | 2020-10-16 | 中国平安财产保险股份有限公司 | 基于历史数据记录的信息推荐方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022142519A1 (zh) | 2022-07-07 |
| CN112632359A (zh) | 2021-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112632359B (zh) | 信息推荐方法、装置、电子设备和存储介质 | |
| US12001490B2 (en) | Systems for and methods of finding relevant documents by analyzing tags | |
| CN105912669B (zh) | 用于补全搜索词及建立个体兴趣模型的方法及装置 | |
| US8538989B1 (en) | Assigning weights to parts of a document | |
| US8301514B1 (en) | System, method, and computer readable medium for providing recommendations based on purchase phrases | |
| CN111708740A (zh) | 基于云平台的海量搜索查询日志计算分析系统 | |
| US20140195893A1 (en) | Method and Apparatus for Generating Webpage Content | |
| US20100306249A1 (en) | Social network systems and methods | |
| US20160179818A1 (en) | Determining search result rankings based on trust level values associated with sellers | |
| US20120150861A1 (en) | Highlighting known answers in search results | |
| US20150215271A1 (en) | Generating suggested domain names by locking slds, tokens and tlds | |
| CN108205572A (zh) | 一种搜索方法、装置及设备 | |
| CN104636407B (zh) | 参数取值训练及搜索请求处理方法和装置 | |
| CN110298029A (zh) | 基于用户语料的好友推荐方法、装置、设备及介质 | |
| CN111506831A (zh) | 一种协同过滤的推荐模块、方法、电子设备及存储介质 | |
| CN112579854A (zh) | 信息处理方法、装置、设备和存储介质 | |
| US20150347423A1 (en) | Methods for completing a user search | |
| Kantorski et al. | Automatic filling of hidden web forms: A survey | |
| KR20190055963A (ko) | 키워드검색 분석을 통한 온라인 쇼핑몰의 상품 노출 시스템 및 그 운영방법 | |
| KR100901134B1 (ko) | 형태소 분석과 소스코드 분석을 통한 추천 태그 표시시스템 | |
| US20120005182A1 (en) | Methods and systems for search engine results based on dynamic experiential usage by users | |
| CN117593089A (zh) | 信用卡推荐方法、装置、设备、存储介质及程序产品 | |
| CN111859138A (zh) | 搜索方法及装置 | |
| CN105975508A (zh) | 个性化元搜索引擎检索结果合成排序方法 | |
| EP3731108A1 (en) | Search system, search method, and program |
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 |