CN112685635A - 基于分类标签的项目推荐方法、装置、服务器和存储介质 - Google Patents
基于分类标签的项目推荐方法、装置、服务器和存储介质 Download PDFInfo
- Publication number
- CN112685635A CN112685635A CN202011602485.3A CN202011602485A CN112685635A CN 112685635 A CN112685635 A CN 112685635A CN 202011602485 A CN202011602485 A CN 202011602485A CN 112685635 A CN112685635 A CN 112685635A
- Authority
- CN
- China
- Prior art keywords
- item
- user
- similar
- items
- preference
- 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 47
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000005065 mining Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012958 reprocessing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种基于分类标签的项目推荐方法、装置、服务器和存储介质。所述方法包括:从业务数据中提取多个用户画像;根据所述用户画像与历史项目信息之间的关联关系,确定用户相似度以及不同用户对不同项目类别的偏好程度;按照所述用户相似度以及所述偏好程度,从项目库中获取用户偏好项目表;根据所述不同项目类别之间的类别相似度和所述偏好程度,从所述项目库中获取相似项目表;在所述项目库中,基于所述不同项目类别所对应的项目内容的分类标签,以及所述项目内容之间的关联信息获取待推荐项目表;从所述用户偏好项目表、所述相似项目表和所述待推荐项目表中,选取目标项目进行推荐。采用本方法能够提高项目推荐的准确性。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种基于分类标签的项目推荐方法、装置、服务器和存储介质。
背景技术
传统的推荐方案中,通常采用用户-评分矩阵的方式进行推荐,具体如下:项目提供方、第三方或用户本人对需要推荐的项目进行标注,然后根据用户对某些项目进行过交互(如获取或浏览)的行为确定用户对某类项目的评分,基于评分向用户进行推荐相应的项目。采用上述推荐方案时,在对需要推荐的项目进行标注的过程中,可能会采用出现同类的项目采用不同的标签(如同义标签)进行标注,或者同一个标签标注了不同类的项目,从而影响推荐的准确性。
发明内容
基于此,有必要针对上述技术问题,提供一种基于分类标签的项目推荐方法、装置、服务器和存储介质,能够提高项目推荐的准确性。
一种基于分类标签的项目推荐方法,所述方法包括:
从业务数据中提取多个用户画像;
根据所述用户画像与历史项目信息之间的关联关系,确定用户相似度以及不同用户对不同项目类别的偏好程度;
按照所述用户相似度以及所述偏好程度,从项目库中获取用户偏好项目表;
根据所述不同项目类别之间的类别相似度和所述偏好程度,从所述项目库中获取相似项目表;
在所述项目库中,基于所述不同项目类别所对应的项目内容的分类标签,以及所述项目内容之间的关联信息获取待推荐项目表;
从所述用户偏好项目表、所述相似项目表和所述待推荐项目表中,选取目标项目进行推荐。
在其中的一个实施例中,所述从业务数据中提取多个用户画像包括:
从业务数据中提取不同用户的基础数据;
从所述基础数据中获取用户标签和用户特征;
根据所述用户标签和所述用户特征组成不同用户的用户画像。
在其中的一个实施例中,所述根据所述用户画像与历史项目信息之间的关联关系,确定用户相似度以及不同用户对不同项目类别的偏好程度包括:
根据所述用户画像查找存在关联关系的历史项目信息;
根据所述用户画像与所述历史项目信息之间的关联关系,确定用户相似度;
获取不同用户对不同所述项目类别下的所述历史项目信息进行操作的频次;
根据所述操作的频次确定不同用户对不同所述项目类别的偏好程度。
在其中的一个实施例中,所述按照所述用户相似度以及所述偏好程度,从项目库中获取用户偏好项目表包括:
将所述用户相似度以及所述偏好程度输入基于用户关系的第一推荐模型;
通过所述第一推荐模型,基于所述用户相似度从项目库中获取用户候选偏好项目,从所述用户候选偏好项目中选取与所述偏好程度匹配的用户偏好项目;
根据所述用户偏好项目生成用户偏好项目表。
在其中的一个实施例中,所述根据所述不同项目类别之间的类别相似度和所述偏好程度,从所述项目库中获取相似项目表包括:
确定所述不同项目类别之间的类别相似度;
将所述类别相似度和所述偏好程度输入基于项目关系的第二推荐模型;
通过所述第二推荐模型,从所述项目库中按照所述类别相似度选取相似类别下的候选相似项目,在所述候选相似项目中选取与所述偏好程度匹配的相似项目;
根据所述相似项目生成相似项目表。
在其中的一个实施例中,所述从所述项目库中按照所述类别相似度选取相似类别下的候选相似项目之前,所述方法还包括:
基于相似权重值对所述项目库中相似类别下的各相似项目进行加权处理;所述相似权重值为大于一的加权值;
所述从所述项目库中按照所述类别相似度选取相似类别下的候选相似项目包括:
对所述项目库中相似类别下的各项目进行降序排序,得到各所述相似类别对应的项目序列;
从所述项目序列中选取排序名次达到第一排名阈值的项目;
将选取的项目作为候选相似项目。
在其中的一个实施例中,所述在所述项目库中,基于所述不同项目类别所对应的项目内容的分类标签,以及所述项目内容之间的关联信息获取待推荐项目表包括:
将所述不同项目类别所对应的项目内容的分类标签,以及所述项目内容之间的关联信息输入基于标签关系的第三推荐模型;
通过所述第三推荐模型,基于所述分类标签和所述关联信息对所述项目库中的项目进行分类,得到项目分类结果;
根据所述项目分类结果生成待推荐项目表。
在其中的一个实施例中,所述从所述用户偏好项目表、所述相似项目表和所述待推荐项目表中,选取目标项目进行推荐包括:
计算所述用户偏好项目表与所述相似项目表之间的交集;
将所述交集与所述待推荐项目表之间的交集部分作为目标项目;
向所述不同用户推荐所述目标项目。
在其中的一个实施例中,所述从所述用户偏好项目表、所述相似项目表和所述待推荐项目表中,选取目标项目进行推荐包括:
将所述用户偏好项目表、所述相似项目表和所述待推荐项目表中的项目进行去重处理,得到去重后的候选项目;
计算所述候选项目分别与参考项目之间的距离;
按照计算出的距离对所述候选项目进行排序;
从所述候选项目中选择排序名次达到第二排名阈值的项目;
将选择出的项目作为目标项目向所述不同用户进行推荐。
一种基于分类标签的项目推荐装置,所述装置包括:
提取模块,用于从业务数据中提取多个用户画像;
确定模块,用于根据所述用户画像与历史项目信息之间的关联关系,确定用户相似度以及不同用户对不同项目类别的偏好程度;
第一获取模块,用于按照所述用户相似度以及所述偏好程度,从项目库中获取用户偏好项目表;
第二获取模块,用于根据所述不同项目类别之间的类别相似度和所述偏好程度,从所述项目库中获取相似项目表;
第三获取模块,用于在所述项目库中,基于所述不同项目类别所对应的项目内容的分类标签,以及所述项目内容之间的关联信息获取待推荐项目表;
推荐模块,用于从所述用户偏好项目表、所述相似项目表和所述待推荐项目表中,选取目标项目进行推荐。
在其中的一个实施例中,所述提取模块,还用于从业务数据中提取不同用户的基础数据;从所述基础数据中获取用户标签和用户特征;根据所述用户标签和所述用户特征组成不同用户的用户画像。
在其中的一个实施例中,所述确定模块,还用于根据所述用户画像查找存在关联关系的历史项目信息;根据所述用户画像与所述历史项目信息之间的关联关系,确定用户相似度;获取不同用户对不同所述项目类别下的所述历史项目信息进行操作的频次;根据所述操作的频次确定不同用户对不同所述项目类别的偏好程度。
在其中的一个实施例中,所述第一获取模块,还用于将所述用户相似度以及所述偏好程度输入基于用户关系的第一推荐模型;通过所述第一推荐模型,基于所述用户相似度从项目库中获取用户候选偏好项目,从所述用户候选偏好项目中选取与所述偏好程度匹配的用户偏好项目;根据所述用户偏好项目生成用户偏好项目表。
在其中的一个实施例中,所述第二获取模块,还用于确定所述不同项目类别之间的类别相似度;将所述类别相似度和所述偏好程度输入基于项目关系的第二推荐模型;通过所述第二推荐模型,从所述项目库中按照所述类别相似度选取相似类别下的候选相似项目,在所述候选相似项目中选取与所述偏好程度匹配的相似项目;根据所述相似项目生成相似项目表。
在其中的一个实施例中,所述装置还包括:
加权模块,用于基于相似权重值对所述项目库中相似类别下的各相似项目进行加权处理;所述相似权重值为大于一的加权值;
所述第二获取模块,还用于对所述项目库中相似类别下的各项目进行降序排序,得到各所述相似类别对应的项目序列;从所述项目序列中选取排序名次达到第一排名阈值的项目;将选取的项目作为候选相似项目。
在其中的一个实施例中,所述第三获取模块,还用于将所述不同项目类别所对应的项目内容的分类标签,以及所述项目内容之间的关联信息输入基于标签关系的第三推荐模型;通过所述第三推荐模型,基于所述分类标签和所述关联信息对所述项目库中的项目进行分类,得到项目分类结果;根据所述项目分类结果生成待推荐项目表。
在其中的一个实施例中,所述推荐模块,还用于计算所述用户偏好项目表与所述相似项目表之间的交集;将所述交集与所述待推荐项目表之间的交集部分作为目标项目;向所述不同用户推荐所述目标项目。
在其中的一个实施例中,所述推荐模块,还用于将所述用户偏好项目表、所述相似项目表和所述待推荐项目表中的项目进行去重处理,得到去重后的候选项目;计算所述候选项目分别与参考项目之间的距离;按照计算出的距离对所述候选项目进行排序;从所述候选项目中选择排序名次达到第二排名阈值的项目;将选择出的项目作为目标项目向所述不同用户进行推荐。
一种服务器,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
从业务数据中提取多个用户画像;
根据所述用户画像与历史项目信息之间的关联关系,确定用户相似度以及不同用户对不同项目类别的偏好程度;
按照所述用户相似度以及所述偏好程度,从项目库中获取用户偏好项目表;
根据所述不同项目类别之间的类别相似度和所述偏好程度,从所述项目库中获取相似项目表;
在所述项目库中,基于所述不同项目类别所对应的项目内容的分类标签,以及所述项目内容之间的关联信息获取待推荐项目表;
从所述用户偏好项目表、所述相似项目表和所述待推荐项目表中,选取目标项目进行推荐。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
从业务数据中提取多个用户画像;
根据所述用户画像与历史项目信息之间的关联关系,确定用户相似度以及不同用户对不同项目类别的偏好程度;
按照所述用户相似度以及所述偏好程度,从项目库中获取用户偏好项目表;
根据所述不同项目类别之间的类别相似度和所述偏好程度,从所述项目库中获取相似项目表;
在所述项目库中,基于所述不同项目类别所对应的项目内容的分类标签,以及所述项目内容之间的关联信息获取待推荐项目表;
从所述用户偏好项目表、所述相似项目表和所述待推荐项目表中,选取目标项目进行推荐。
上述基于分类标签的项目推荐方法、装置、服务器和存储介质,从业务数据中提取多个用户画像;根据用户画像与历史项目信息之间的关联关系,确定用户相似度以及不同用户对不同项目类别的偏好程度;按照用户相似度以及偏好程度,从项目库中获取用户偏好项目表,从而可以得到各相似用户对应的偏好项目,扩展了偏好项目的来源。根据不同项目类别之间的类别相似度和偏好程度,从项目库中获取相似项目表,避免了只获取某一类项目而忽略了相似项目,从而导致获取的项目出现遗漏。在项目库中,基于不同项目类别所对应的项目内容的分类标签,以及项目内容之间的关联信息获取待推荐项目表;从用户偏好项目表、相似项目表和待推荐项目表中,选取目标项目进行推荐。通过综合考虑用户偏好项目表、相似项目表和待推荐项目表来选取目标项目,可以避免因同类的项目采用不同的标签(如同义标签)进行标注,或者同一个标签标注了不同类的项目而影响推荐的准确性,从而可以有效提高项目推荐的准确性。
附图说明
图1为一个实施例中基于分类标签的项目推荐方法的应用环境图;
图2为一个实施例中基于分类标签的项目推荐方法的流程示意图;
图3为一个实施例中通过第一推荐模型得到用户偏好项目表的示意图;
图4为一个实施例中通过第一推荐模型得到相似项目表的示意图;
图5为一个实施例中通过各项目表的共同交集来选取目标项目的示意图;
图6为一个实施例中通过计算各项目之间的距离来选取目标项目的示意图;
图7为一个实施例中对通过第一推荐模型、第二推荐模型和第三推荐模型所得的用户偏好项目表、相似项目表和待推荐项目表求交集得到目标项目的示意图;
图8为一个实施例中基于分类标签的项目推荐装置的结构框图;
图9为另一个实施例中基于分类标签的项目推荐装置的结构框图;
图10为一个实施例中服务器的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别类似的对象,例如用于区别不同的相似项目表,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本申请提供的基于分类标签的项目推荐方法,可以应用于如图1所示的应用环境中。在该应用环境中,包括终端102、服务器104数据库106。服务器104从存储于数据库106的业务数据中提取多个用户画像;根据用户画像与历史项目信息之间的关联关系,确定用户相似度以及不同用户对不同项目类别的偏好程度;按照用户相似度以及偏好程度,从项目库中获取用户偏好项目表;根据不同项目类别之间的类别相似度和偏好程度,从项目库中获取相似项目表;在项目库中,基于不同项目类别所对应的项目内容的分类标签,以及项目内容之间的关联信息获取待推荐项目表;从用户偏好项目表、相似项目表和待推荐项目表中,选取目标项目向终端102进行推荐。
其中,终端102可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。
服务器104可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群,可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
终端102、服务器104和数据库106之间可以通过蓝牙、USB(Universal SerialBus,通用串行总线)或者网络等通讯连接方式进行连接,本申请在此不做限制。
在一个实施例中,如图2所示,提供了一种基于分类标签的项目推荐方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
S202,从业务数据中提取多个用户画像。
其中,业务数据可以是企业在生产过程中形成的关于企业各部门成员(以下称为用户)的个人数据以及项目数据,此外还可以包括用户在工作过程中产生的其它工作数据。用户画像可以是用于描述用户的特点和/或行为的数据。服务器向某个用户推荐项目时,除了可以提取该用户对应的用户画像,还可以提取其他相似用户对应的用户画像。例如,服务器向用户a推荐项目时,可以获取用户a对应的用户画像,以及与用户a相似的用户对应的用户画像。
在一个实施例中,服务器从业务数据库中获取业务数据,然后从业务数据中提取不同用户的基础数据;从基础数据中获取用户标签和用户特征;根据用户标签和用户特征组成不同用户的用户画像。
其中,该业务数据可以是从企业的基础信息库和项目库中提取的数据,并将该提取的数据进行结构化处理,然后存储于业务数据库。
S204,根据用户画像与历史项目信息之间的关联关系,确定用户相似度以及不同用户对不同项目类别的偏好程度。
其中,项目信息可以指关于项目的各种信息,如项目的简介信息、项目文件以及项目中涉及的用户信息等。历史项目信息可以指关于历史完成的项目所对应的项目信息。
关联关系可以表示用户历史是否参与或关注某个项目,若是,则表示该用户对应的用户画像与历史项目信息之间存在关联关系。
项目类别可以指项目所属的类别,如家庭安全监控项目和交通监控项目属于监控类别。
用户相似度可以用于描述不同用户是否参与或关注过同一个项目或相似项目,以及参与或关注过相同或相似项目的数量;或者,不同用户是否搜索和/或浏览历史项目信息,以及搜索和/或浏览历史项目信息的次数。此外,用户相似度还可以描述用户是否在同一个企业部门或同一个项目组。例如,在不同的业务部门或项目组中,用户所参与或关注的项目可能不相同。
在一个实施例中,S204具体可以包括:服务器根据用户画像查找存在关联关系的历史项目信息;根据用户画像与历史项目信息之间的关联关系,确定用户相似度;获取不同用户对不同项目类别下的历史项目信息进行操作的频次;根据操作的频次确定不同用户对不同项目类别的偏好程度。
其中,上述的操作可以指用户历史参与或关注一个或多个项目,或者搜索和/或浏览历史项目信息。
具体地,服务器根据用户画像与历史项目信息判断不同用户历史是否参与或关注了相同的项目,根据判断结果确定不同用户之间的用户相似度。或者,当确定不同用户历史参与或关注了相同的项目时,确定参与或关注相同项目的数据,根据参与或关注相同项目的数据确定不同用户之间的用户相似度。
此外,服务器还可以根据用户画像与历史项目信息判断不同用户历史是否参与或关注了某个项目,然后获取该项目所对应的项目类别,从而可以确定不同用户分别对不同项目类别的偏好程度。或者,用户参与或关注了多个项目,然后确定该多个项目所属的项目类别,根据该项目类别下项目的数量确定不同用户分别对不同项目类别的偏好程度。例如,假设用户a参与了项目b1~b10,其中,项目b1属于项目类别1,项目b2~b8属于项目类别2,项目b9~b10属于项目类别3,则可以根据项目类别1~3中项目的数量确定偏好程度,即用户a对项目类别2的偏好程度最大。
需要指出的是,服务器也可以根据不同用户是否搜索和/或浏览历史项目信息,以及搜索和/或浏览历史项目信息的次数来确定用户相似度和偏好程度,具体步骤可以参考上述的实施例,这里不再进行赘述。
在一个实施例中,服务器可以通过对企业的预算部门或预算单位建立基于项目的单位属性文件、对项目建立基于项目标签的项目属性文件,然后根据单位属性文件、项目属性文件和各个项目标签的权重计算出偏好矩阵,该偏好矩阵中包含各用户对不同项目类别的偏好程度。
S206,按照用户相似度以及偏好程度,从项目库中获取用户偏好项目表。
在一个实施例中,S206具体可以包括:服务器将用户相似度以及偏好程度输入基于用户关系的第一推荐模型;通过第一推荐模型,基于用户相似度从项目库中获取用户候选偏好项目,从用户候选偏好项目中选取与偏好程度匹配的用户偏好项目;根据用户偏好项目生成用户偏好项目表。
其中,用户关系指的是用户与用户之间的关系,在项目申报时填报的项目分类及一些标签可以反映用户对项目的兴趣,因此不同用户对相同项目是否具有兴趣,从而可以确定用户关系。
第一推荐模型可以是用于推荐相似项目的网络模型,该网络模型可以是基于内容的推荐算法、协同过滤推荐算法或基于知识的推荐算法所构建的模型。
对于用户候选偏好项目的获取,由于用户相似度高的用户所偏好的项目相似,可以根据用户相似度从项目库中获取相似用户所偏好的项目,将获取的项目作为用户候选偏好项目。
具体地,上述通过第一推荐模型,基于用户相似度从项目库中获取用户候选偏好项目的步骤,具体可以包括:服务器通过第一推荐模型提取项目信息以及企业职能标识并进行向量化,然后对用户相似度、向量化的项目信息以及企业职能标识进行特征交叉处理,得到交叉特征,根据交叉特征确定用户候选偏好项目。
例如,如图3所示,服务器从业务数据库中抽取预算单位的业务数据,该业务数据中包含用户的基础数据和预算执行信息,从该业务数据的基础数据中提取不同用户的用户特征,并为该不同用户进行标注得到用户标签,该用户标签和用户特征组成用户画像。根据基础数据和三定方案去匹配历史项目信息,得到用户相似度;对历史填报的数据进行挖掘,得到用户对项目类别的偏好程度,具体挖掘步骤可以包括:历史项目信息中包含不同用户参与或关注项目时记录的用户信息,通过挖掘该用户信息可以确定用户对项目类别的偏好程度。最后,将对项目的偏好程度和用户相似度输入第一推荐模型,从而得到一组相似项目表。
S208,根据不同项目类别之间的类别相似度和偏好程度,从项目库中获取相似项目表。
在一个实施例中,S208具体可以包括:服务器确定不同项目类别之间的类别相似度;将类别相似度和偏好程度输入基于项目关系的第二推荐模型;通过第二推荐模型,从项目库中按照类别相似度选取相似类别下的候选相似项目,在候选相似项目中选取与偏好程度匹配的相似项目;根据相似项目生成相似项目表。
其中,项目关系指的是项目与项目之间的关系。预算单位在填报项目时,服务器可以根据该项目关系向预算单位提供相似的项目供用户参考,这样可以减轻“信息迷向”的问题。项目与项目之间的关系可以来源于共有项目信息的预算单位以及项目标签。
如图4所示,从业务数据库中获取到项目内容时,对项目内容进行语义分析,得到各项目的关键词,然后将这些关键词进行清洗和分类,得到分类的有效关键词;根据各有效关键词确定各项目所属的项目类别,并确定不同项目类别之间的类别相似度,一方面将对应的关键词、项目类别、类别相似度和对应的偏好程度进行存储,另一方面将类别相似度和偏好程度输入第二推荐模型,以输出相似项目表。
在一个实施例中,上述从项目库中按照类别相似度选取相似类别下的候选相似项目之前,该方法还包括:服务器基于相似权重值对项目库中相似类别下的各相似项目进行加权处理;相似权重值为大于一的加权值。上述从项目库中按照类别相似度选取相似类别下的候选相似项目的步骤,具体可以包括:服务器对项目库中相似类别下的各项目进行降序排序,得到各相似类别对应的项目序列;从项目序列中选取排序名次达到第一排名阈值的项目;将选取的项目作为候选相似项目。
S210,在项目库中,基于不同项目类别所对应的项目内容的分类标签,以及项目内容之间的关联信息获取待推荐项目表。
在一个实施例中,S208具体可以包括:服务器将不同项目类别所对应的项目内容的分类标签,以及项目内容之间的关联信息输入基于标签关系的第三推荐模型;通过第三推荐模型,基于分类标签和关联信息对项目库中的项目进行分类,得到项目分类结果;根据项目分类结果生成待推荐项目表。
其中,标签关系指的是标签与标签之间的关系,如相似标签之间存在相似关系。当用户根据标签进行检索时,可以充分地检索相关项目。
S212,从用户偏好项目表、相似项目表和待推荐项目表中,选取目标项目进行推荐。
对于目标项目的选取,可以通过各项目表的共同交集来选取目标项目,还可以通过计算各项目之间的距离来选取目标项目,具体方式如下:
方式1,通过各项目表的共同交集来选取目标项目。
在一个实施例中,服务器计算用户偏好项目表与相似项目表之间的交集;将交集与待推荐项目表之间的交集部分作为目标项目;向不同用户推荐目标项目。如图5所示,图中箭头所指向的区域为三个项目表共同的交集部分,该部分的项目即为向用户推荐的目标项目。
方式2,通过计算各项目之间的距离来选取目标项目。
在一个实施例中,服务器将用户偏好项目表、相似项目表和待推荐项目表中的项目进行去重处理,得到去重后的候选项目;计算候选项目分别与参考项目之间的距离;按照计算出的距离对候选项目进行排序;从候选项目中选择排序名次达到第二排名阈值的项目;将选择出的项目作为目标项目向不同用户进行推荐。
其中,上述的距离可以是欧式距离,距离越大表示与参考项目的相似性越小,被推荐的概率越小;距离越小表示与参考项目的相似性越大,被推荐的概率越大。去重处理指的是将重复的项目去除掉,从而得到不重复的项目,例如,用户偏好项目表中有项目a和项目b,相似项目表中有项目b和项目b’,待推荐项目表中有项目a和项目c,在进行去重处理之前,具有项目a、项目a、项目b、项目b、项目b’和项目c;进行去重处理后,即可得到项目a、项目b、项目b’和项目c。
参考项目也可以称为虚拟的最优项目,是根据用户偏好项目表、相似项目表和待推荐项目表这三个表中的项目计算中心点所得的项目。例如,将用户偏好项目表、相似项目表和待推荐项目表这三个表中的项目向量化,即对这三个表中项目的关键词向量化,得到对应的向量或矩阵,然后根据所得的向量或矩阵中的元素计算中心点,该中心点即为最优项目。
如图6所示,图中的a点表示最优项目,其它点表示三个项目表中经去重处理之后的项目,然后计算a点与其它各点之间的距离,然后按照距离对相应的项目进行排序,然后选取排名靠前的几个项目作为目标项目进行推荐。
在一个实施例中,服务器在计算出的距离之后,按照计算出的距离对所述候选项目进行升序排列,即距离小的排在前面,距离大的排在后面;然后从前往后进行选取,直至选取项目的排名名次达到第二排名阈值时停止选取,得到目标项目。此外,服务器也可以采用降序排列的方式,此时可以从后往前开始进行选择,直至选择项目的排名名次达到第二排名阈值时停止选择,得到目标项目。
上述实施例中,从业务数据中提取多个用户画像;根据用户画像与历史项目信息之间的关联关系,确定用户相似度以及不同用户对不同项目类别的偏好程度;按照用户相似度以及偏好程度,从项目库中获取用户偏好项目表,从而可以得到各相似用户对应的偏好项目,扩展了偏好项目的来源。根据不同项目类别之间的类别相似度和偏好程度,从项目库中获取相似项目表,避免了只获取某一类项目而忽略了相似项目,从而导致获取的项目出现遗漏。在项目库中,基于不同项目类别所对应的项目内容的分类标签,以及项目内容之间的关联信息获取待推荐项目表;从用户偏好项目表、相似项目表和待推荐项目表中,选取目标项目进行推荐。通过综合考虑用户偏好项目表、相似项目表和待推荐项目表来选取目标项目,可以避免因同类的项目采用不同的标签(如同义标签)进行标注,或者同一个标签标注了不同类的项目而影响推荐的准确性,从而可以有效提高项目推荐的准确性。
作为一个示例,将基于分类标签的项目推荐方法应用于财政领域,具体内容如下所述:
为解决传统二维推荐系统中因信息过载和信息迷向而导致推荐不准确的问题,本申请对三维的标签系统进行逐步分析降维,这样二维推荐系统可以顺利地基于项目分类标签进行推荐。上述两维推荐系统可以基于用户-用户关系、项目-项目关系、标签-标签关系进行构建,以得到可以预测需要向用户推荐项目的三个推荐系统。
用户-用户关系,指的是用户与用户之间的关系,在项目申报时填报的项目分类及一些标签可以反映用户对项目的兴趣,因此不同用户对相同项目是否具有兴趣,从而可以确定用户关系。
例如,预算单位在进行项目申报时,填报的项目分类及一些标签反映了预算单位对项目的兴趣,因此通过对预算单位用户建立基于项目的单位属性文件、对项目建立基于项目标签的项目属性文件,并综合考虑各个标签的权重,计算预算单位项目支出偏好矩阵。
项目-项目关系,即项目与项目的关系,预算单位在填报项目的时,系统可以向单位提供相似的项目供用户参考,这样可以减轻“信息迷向"问题。在系统中项目与项目的关系主要来源于它们共有的预算单位与项目标签。在计算项目的相似度时综合考虑这两种情况,使用基于项目的协同过滤推荐算法。
标签-标签关系,研究项目分类及标签定制,当用户根据标签进行检索的时候,可以充分的检索相关项目。
接下来介绍基于用户-用户关系、项目-项目关系和标签-标签关系分别得到待推荐的项目表,具体如下所述:
(一)基于用户-用户关系获得待推荐的项目列表,其步骤包括:获取用户画像、计算用户相似度、计算项目类别偏好和预测推荐结果。其中,上述步骤的具体内容如下:
1)获取用户画像首先,预算单位用户的基础资料、预算执行等信息提取生成用户画像;
2)根据基础资料、三定方案去匹配历史项目信息等得到相似预算单位的行为向量;
3)对历史填报数据处理挖掘得到对项目类别的偏好;
4)最后将项目偏好和相似度等输入产生一组推荐列表(即为上述的用户偏好项目表)。
(二)基于用户-用户关系获得待推荐的项目列表。
因填报的项目类别具有较大随意性,利用聚类、神经网络等算法对历史项目数据做归类推理规则,从而获得规律,再运用规律对项目类别进行识别预测。基本流程如下:
1)标注,利用人工对一批项目进行了准确分类,以作为训练集(进行机器学习的材料);
2)训练,从这些文档中挖掘出一些能够有效分类的规则,生成分类器(总结出的规则集合);
3)分类,将生成的分类器应用在有待分类的项目集合中,获取项目的分类结果。
在基于用户-用户关系的推荐模型中推导出用户对每个项目类别的偏好程度,因此再基于项目-项目关系的推荐模型中可直接使用,然后根据项目关联规则及用户对项目类别的偏好程度,对每两个类别相似的项目赋予相似权重,然后根据已知类别偏好和类别相似度模块,预测出相似项目表。
(三)根据标签-标签关系,对项目的基本信息等填报内容进行标签化处理,根据项目内容标签和项目内容之间的关联信息预测出待推荐的项目列表(即上述实施例中的待推荐项目表)。
(四)用k-means算法对推荐结果进行再处理。
通过定义虚拟的最优项目,并计算上述三个项目表中的每个项目与最优项目计算距离(如欧式距离),如图6所示。然后,根据计算的距离对上述三个项目表中的每个项目进行排序,取排名比较靠前的多个项目组成相似项目推荐列表,然后向用户进行推荐。
此外,如图7所示,还可以计算上述三个项目表共同的交集部分,然后将交集部分的项目组成相似项目推荐列表,然后向用户进行推荐。
通过上述实施例,可以具有以下技术效果:
1)通过定义新的相似度计算步骤及推荐结果再处理等步骤,从而提高寻找相似项目的准确度,进而提高相似项目的推荐准确率;
2)避免了项目类别划分随意性问题;
3)减少了项目申报过程中的人工耗用;
4)为项目支出标准化奠定了基础。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,提供了一种基于分类标签的项目推荐装置,该装置可以采用软件模块或硬件模块,或者是二者的结合成为服务器的一部分,该装置具体包括:提取模块802、确定模块804、第一获取模块806、第二获取模块808、第三获取模块810和推荐模块812,其中:
提取模块802,用于从业务数据中提取多个用户画像;
确定模块804,用于根据用户画像与历史项目信息之间的关联关系,确定用户相似度以及不同用户对不同项目类别的偏好程度;
第一获取模块806,用于按照用户相似度以及偏好程度,从项目库中获取用户偏好项目表;
第二获取模块808,用于根据不同项目类别之间的类别相似度和偏好程度,从项目库中获取相似项目表;
第三获取模块810,用于在项目库中,基于不同项目类别所对应的项目内容的分类标签,以及项目内容之间的关联信息获取待推荐项目表;
推荐模块812,用于从用户偏好项目表、相似项目表和待推荐项目表中,选取目标项目进行推荐。
在其中的一个实施例中,提取模块802,还用于从业务数据中提取不同用户的基础数据;从基础数据中获取用户标签和用户特征;根据用户标签和用户特征组成不同用户的用户画像。
在其中的一个实施例中,确定模块804,还用于根据用户画像查找存在关联关系的历史项目信息;根据用户画像与历史项目信息之间的关联关系,确定用户相似度;获取不同用户对不同项目类别下的历史项目信息进行操作的频次;根据操作的频次确定不同用户对不同项目类别的偏好程度。
在其中的一个实施例中,第一获取模块806,还用于将用户相似度以及偏好程度输入基于用户关系的第一推荐模型;通过第一推荐模型,基于用户相似度从项目库中获取用户候选偏好项目,从用户候选偏好项目中选取与偏好程度匹配的用户偏好项目;根据用户偏好项目生成用户偏好项目表。
在其中的一个实施例中,第二获取模块808,还用于确定不同项目类别之间的类别相似度;将类别相似度和偏好程度输入基于项目关系的第二推荐模型;通过第二推荐模型,从项目库中按照类别相似度选取相似类别下的候选相似项目,在候选相似项目中选取与偏好程度匹配的相似项目;根据相似项目生成相似项目表。
在其中的一个实施例中,如图9所示,该装置还包括:
加权模块814,用于基于相似权重值对项目库中相似类别下的各相似项目进行加权处理;相似权重值为大于一的加权值;
第二获取模块808,还用于对项目库中相似类别下的各项目进行降序排序,得到各相似类别对应的项目序列;从项目序列中选取排序名次达到第一排名阈值的项目;将选取的项目作为候选相似项目。
在其中的一个实施例中,第三获取模块810,还用于将不同项目类别所对应的项目内容的分类标签,以及项目内容之间的关联信息输入基于标签关系的第三推荐模型;通过第三推荐模型,基于分类标签和关联信息对项目库中的项目进行分类,得到项目分类结果;根据项目分类结果生成待推荐项目表。
在其中的一个实施例中,推荐模块812,还用于计算用户偏好项目表与相似项目表之间的交集;将交集与待推荐项目表之间的交集部分作为目标项目;向不同用户推荐目标项目。
在其中的一个实施例中,推荐模块812,还用于将用户偏好项目表、相似项目表和待推荐项目表中的项目进行去重处理,得到去重后的候选项目;计算候选项目分别与参考项目之间的距离;按照计算出的距离对候选项目进行排序;从候选项目中选择排序名次达到第二排名阈值的项目;将选择出的项目作为目标项目向不同用户进行推荐。
上述实施例中,从业务数据中提取多个用户画像;根据用户画像与历史项目信息之间的关联关系,确定用户相似度以及不同用户对不同项目类别的偏好程度;按照用户相似度以及偏好程度,从项目库中获取用户偏好项目表,从而可以得到各相似用户对应的偏好项目,扩展了偏好项目的来源。根据不同项目类别之间的类别相似度和偏好程度,从项目库中获取相似项目表,避免了只获取某一类项目而忽略了相似项目,从而导致获取的项目出现遗漏。在项目库中,基于不同项目类别所对应的项目内容的分类标签,以及项目内容之间的关联信息获取待推荐项目表;从用户偏好项目表、相似项目表和待推荐项目表中,选取目标项目进行推荐。通过综合考虑用户偏好项目表、相似项目表和待推荐项目表来选取目标项目,可以避免因同类的项目采用不同的标签(如同义标签)进行标注,或者同一个标签标注了不同类的项目而影响推荐的准确性,从而可以有效提高项目推荐的准确性。
关于基于分类标签的项目推荐装置的具体限定可以参见上文中对于基于分类标签的项目推荐方法的限定,在此不再赘述。上述基于分类标签的项目推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于服务器中的处理器中,也可以以软件形式存储于服务器中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种服务器,其内部结构图可以如图Y所示。该服务器包括通过系统总线连接的处理器、存储器和网络接口。其中,该服务器的处理器用于提供计算和控制能力。该服务器的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该服务器的数据库用于存储项目数据和个人的基础数据。该服务器的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于分类标签的项目推荐方法。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的服务器的限定,具体的服务器可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种服务器,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,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各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。服务器的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该服务器执行上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (12)
1.一种基于分类标签的项目推荐方法,其特征在于,所述方法包括:
从业务数据中提取多个用户画像;
根据所述用户画像与历史项目信息之间的关联关系,确定用户相似度以及不同用户对不同项目类别的偏好程度;
按照所述用户相似度以及所述偏好程度,从项目库中获取用户偏好项目表;
根据所述不同项目类别之间的类别相似度和所述偏好程度,从所述项目库中获取相似项目表;
在所述项目库中,基于所述不同项目类别所对应的项目内容的分类标签,以及所述项目内容之间的关联信息获取待推荐项目表;
从所述用户偏好项目表、所述相似项目表和所述待推荐项目表中,选取目标项目进行推荐。
2.根据权利要求1所述的方法,其特征在于,所述从业务数据中提取多个用户画像包括:
从业务数据中提取不同用户的基础数据;
从所述基础数据中获取用户标签和用户特征;
根据所述用户标签和所述用户特征组成不同用户的用户画像。
3.根据权利要求1所述的方法,其特征在于,所述根据所述用户画像与历史项目信息之间的关联关系,确定用户相似度以及不同用户对不同项目类别的偏好程度包括:
根据所述用户画像查找存在关联关系的历史项目信息;
根据所述用户画像与所述历史项目信息之间的关联关系,确定用户相似度;
获取不同用户对不同所述项目类别下的所述历史项目信息进行操作的频次;
根据所述操作的频次确定不同用户对不同所述项目类别的偏好程度。
4.根据权利要求1所述的方法,其特征在于,所述按照所述用户相似度以及所述偏好程度,从项目库中获取用户偏好项目表包括:
将所述用户相似度以及所述偏好程度输入基于用户关系的第一推荐模型;
通过所述第一推荐模型,基于所述用户相似度从项目库中获取用户候选偏好项目,从所述用户候选偏好项目中选取与所述偏好程度匹配的用户偏好项目;
根据所述用户偏好项目生成用户偏好项目表。
5.根据权利要求1所述的方法,其特征在于,所述根据所述不同项目类别之间的类别相似度和所述偏好程度,从所述项目库中获取相似项目表包括:
确定所述不同项目类别之间的类别相似度;
将所述类别相似度和所述偏好程度输入基于项目关系的第二推荐模型;
通过所述第二推荐模型,从所述项目库中按照所述类别相似度选取相似类别下的候选相似项目,在所述候选相似项目中选取与所述偏好程度匹配的相似项目;
根据所述相似项目生成相似项目表。
6.根据权利要求5所述的方法,其特征在于,所述从所述项目库中按照所述类别相似度选取相似类别下的候选相似项目之前,所述方法还包括:
基于相似权重值对所述项目库中相似类别下的各相似项目进行加权处理;所述相似权重值为大于一的加权值;
所述从所述项目库中按照所述类别相似度选取相似类别下的候选相似项目包括:
对所述项目库中相似类别下的各项目进行降序排序,得到各所述相似类别对应的项目序列;
从所述项目序列中选取排序名次达到第一排名阈值的项目;
将选取的项目作为候选相似项目。
7.根据权利要求1所述的方法,其特征在于,所述在所述项目库中,基于所述不同项目类别所对应的项目内容的分类标签,以及所述项目内容之间的关联信息获取待推荐项目表包括:
将所述不同项目类别所对应的项目内容的分类标签,以及所述项目内容之间的关联信息输入基于标签关系的第三推荐模型;
通过所述第三推荐模型,基于所述分类标签和所述关联信息对所述项目库中的项目进行分类,得到项目分类结果;
根据所述项目分类结果生成待推荐项目表。
8.根据权利要求1至7任一项所述的方法,其特征在于,所述从所述用户偏好项目表、所述相似项目表和所述待推荐项目表中,选取目标项目进行推荐包括:
计算所述用户偏好项目表与所述相似项目表之间的交集;
将所述交集与所述待推荐项目表之间的交集部分作为目标项目;
向所述不同用户推荐所述目标项目。
9.根据权利要求1至7任一项所述的方法,其特征在于,所述从所述用户偏好项目表、所述相似项目表和所述待推荐项目表中,选取目标项目进行推荐包括:
将所述用户偏好项目表、所述相似项目表和所述待推荐项目表中的项目进行去重处理,得到去重后的候选项目;
计算所述候选项目分别与参考项目之间的距离;
按照计算出的距离对所述候选项目进行排序;
从所述候选项目中选择排序名次达到第二排名阈值的项目;
将选择出的项目作为目标项目向所述不同用户进行推荐。
10.一种基于分类标签的项目推荐装置,其特征在于,所述装置包括:
提取模块,用于从业务数据中提取多个用户画像;
确定模块,用于根据所述用户画像与历史项目信息之间的关联关系,确定用户相似度以及不同用户对不同项目类别的偏好程度;
第一获取模块,用于按照所述用户相似度以及所述偏好程度,从项目库中获取用户偏好项目表;
第二获取模块,用于根据所述不同项目类别之间的类别相似度和所述偏好程度,从所述项目库中获取相似项目表;
第三获取模块,用于在所述项目库中,基于所述不同项目类别所对应的项目内容的分类标签,以及所述项目内容之间的关联信息获取待推荐项目表;
推荐模块,用于从所述用户偏好项目表、所述相似项目表和所述待推荐项目表中,选取目标项目进行推荐。
11.一种服务器,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的方法的步骤。
12.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011602485.3A CN112685635A (zh) | 2020-12-29 | 2020-12-29 | 基于分类标签的项目推荐方法、装置、服务器和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011602485.3A CN112685635A (zh) | 2020-12-29 | 2020-12-29 | 基于分类标签的项目推荐方法、装置、服务器和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112685635A true CN112685635A (zh) | 2021-04-20 |
Family
ID=75454416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011602485.3A Pending CN112685635A (zh) | 2020-12-29 | 2020-12-29 | 基于分类标签的项目推荐方法、装置、服务器和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112685635A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113886711A (zh) * | 2021-10-29 | 2022-01-04 | 北京达佳互联信息技术有限公司 | 内容推荐方法、装置、服务器及存储介质 |
CN114707074A (zh) * | 2022-06-06 | 2022-07-05 | 深圳尚米网络技术有限公司 | 一种内容推荐方法、设备和系统 |
CN114880473A (zh) * | 2022-04-29 | 2022-08-09 | 支付宝(杭州)信息技术有限公司 | 一种标签分类方法、装置、存储介质及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100076867A1 (en) * | 2008-08-08 | 2010-03-25 | Nikon Corporation | Search supporting system, search supporting method and search supporting program |
US20150073931A1 (en) * | 2013-09-06 | 2015-03-12 | Microsoft Corporation | Feature selection for recommender systems |
CN109543111A (zh) * | 2018-11-28 | 2019-03-29 | 广州虎牙信息科技有限公司 | 推荐信息筛选方法、装置、存储介质及服务器 |
CN111027838A (zh) * | 2019-12-04 | 2020-04-17 | 杨剑峰 | 一种众包任务推送方法、装置、设备及其存储介质 |
CN111861760A (zh) * | 2020-06-22 | 2020-10-30 | 中国平安财产保险股份有限公司 | 产品推荐方法、装置、设备及存储介质 |
-
2020
- 2020-12-29 CN CN202011602485.3A patent/CN112685635A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100076867A1 (en) * | 2008-08-08 | 2010-03-25 | Nikon Corporation | Search supporting system, search supporting method and search supporting program |
US20150073931A1 (en) * | 2013-09-06 | 2015-03-12 | Microsoft Corporation | Feature selection for recommender systems |
CN109543111A (zh) * | 2018-11-28 | 2019-03-29 | 广州虎牙信息科技有限公司 | 推荐信息筛选方法、装置、存储介质及服务器 |
CN111027838A (zh) * | 2019-12-04 | 2020-04-17 | 杨剑峰 | 一种众包任务推送方法、装置、设备及其存储介质 |
CN111861760A (zh) * | 2020-06-22 | 2020-10-30 | 中国平安财产保险股份有限公司 | 产品推荐方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
陈彬;张荣梅;: "智能推荐系统研究综述", 河北省科学院学报, no. 03, 15 September 2018 (2018-09-15) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113886711A (zh) * | 2021-10-29 | 2022-01-04 | 北京达佳互联信息技术有限公司 | 内容推荐方法、装置、服务器及存储介质 |
CN114880473A (zh) * | 2022-04-29 | 2022-08-09 | 支付宝(杭州)信息技术有限公司 | 一种标签分类方法、装置、存储介质及电子设备 |
CN114707074A (zh) * | 2022-06-06 | 2022-07-05 | 深圳尚米网络技术有限公司 | 一种内容推荐方法、设备和系统 |
CN114707074B (zh) * | 2022-06-06 | 2022-11-04 | 深圳尚米网络技术有限公司 | 一种内容推荐方法、设备和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107391687B (zh) | 一种面向地方志网站的混合推荐系统 | |
CN108874992B (zh) | 舆情分析方法、系统、计算机设备和存储介质 | |
CN110866181B (zh) | 资源推荐的方法、装置及存储介质 | |
CN109582876B (zh) | 旅游行业用户画像构造方法、装置和计算机设备 | |
CN110263235B (zh) | 信息推送对象更新方法、装置和计算机设备 | |
Li et al. | News recommendation via hypergraph learning: encapsulation of user behavior and news content | |
CN109492180A (zh) | 资源推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN111461637A (zh) | 简历筛选方法、装置、计算机设备和存储介质 | |
CN106844407B (zh) | 基于数据集相关性的标签网络产生方法和系统 | |
CN112685635A (zh) | 基于分类标签的项目推荐方法、装置、服务器和存储介质 | |
CN108491511A (zh) | 基于图数据的数据挖掘方法和装置、模型训练方法和装置 | |
CN111898031A (zh) | 一种获得用户画像的方法及装置 | |
CN111178949A (zh) | 服务资源匹配参考数据确定方法、装置、设备和存储介质 | |
CN112529665A (zh) | 基于组合模型的产品推荐方法、装置及计算机设备 | |
CN115712780A (zh) | 一种基于云计算和大数据的信息推送方法及装置 | |
CN111488385A (zh) | 基于人工智能的数据处理方法、装置和计算机设备 | |
CN114223012A (zh) | 推送对象确定方法、装置、终端设备及存储介质 | |
Yigit et al. | Extended topology based recommendation system for unidirectional social networks | |
CN114154078A (zh) | 信息推荐方法及装置、电子设备、存储介质 | |
CN113327132A (zh) | 多媒体推荐方法、装置、设备及存储介质 | |
CN109656433A (zh) | 类目信息处理方法、装置、计算机设备和存储介质 | |
CN116501979A (zh) | 信息推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN110610378A (zh) | 产品需求分析方法、装置、计算机设备和存储介质 | |
CN115827990A (zh) | 搜索方法及装置 | |
CN113822691B (zh) | 用户账号的识别方法、装置、系统和介质 |
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 |