CN112685648A - 一种资源推荐方法、电子设备及计算机可读存储介质 - Google Patents
一种资源推荐方法、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112685648A CN112685648A CN202110083642.2A CN202110083642A CN112685648A CN 112685648 A CN112685648 A CN 112685648A CN 202110083642 A CN202110083642 A CN 202110083642A CN 112685648 A CN112685648 A CN 112685648A
- Authority
- CN
- China
- Prior art keywords
- recommended
- resource
- similarity
- resources
- behavior
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000006399 behavior Effects 0.000 claims description 96
- 239000013598 vector Substances 0.000 claims description 46
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 18
- 101150053844 APP1 gene Proteins 0.000 description 13
- 101100189105 Homo sapiens PABPC4 gene Proteins 0.000 description 13
- 102100039424 Polyadenylate-binding protein 4 Human genes 0.000 description 13
- 102100038359 Xaa-Pro aminopeptidase 3 Human genes 0.000 description 12
- 101710081949 Xaa-Pro aminopeptidase 3 Proteins 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 101100055496 Arabidopsis thaliana APP2 gene Proteins 0.000 description 5
- 101100016250 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) GYL1 gene Proteins 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241001108921 Asclepias asperula Species 0.000 description 1
- DWDGSKGGUZPXMQ-UHFFFAOYSA-N OPPO Chemical compound OPPO DWDGSKGGUZPXMQ-UHFFFAOYSA-N 0.000 description 1
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种资源推荐方法、电子设备及计算机可读存储介质，其中，资源推荐方法包括：在至少一个待推荐资源中，确定每一待推荐资源与其他待推荐资源的内容相似度、以及确定每一待推荐资源与其他待推荐资源的行为相似度；其中，行为相似度是基于用户使用资源顺序确定的资源间的关联程度；根据内容相似度和行为相似度，确定每一待推荐资源与其他待推荐资源的综合相似度；在获取到基于待推荐资源中的目标资源的搜索指令时，根据目标资源与其他待推荐资源的综合相似度进行资源推荐。通过上述方式，本申请能够提升资源推荐的准确率。
Description
技术领域
本申请涉及数据处理技术领域，特别是涉及一种资源推荐方法、电子设备及计算机可读存储介质。
背景技术
随着移动终端(例如智能手机、平板电脑等)及移动互联网技术的发展，网络资源也日益丰富，例如应用商店内的应用程序、淘宝网上的商品以及浏览器上的网页资源等等。以应用商店内的应用程序为例，应用商店中提供了大量的应用程序，方便用户快熟查找和下载需要的应用程序，减少用户查找应用程序的时间。
目前，应用商店在按照应用分类(视频、音乐、导航和社交)显示不同应用提供商提供的移动终端应用同时，可根据用户的触发操作为用户显示推荐的应用程序，但是，目前主要是根据应用程序使用人数的数量为用户进行推荐，推荐方式较为片面，从而导致推荐的准确性较低。
发明内容
本申请实施例第一方面提供了一种资源推荐方法，包括：在至少一个待推荐资源中，确定每一待推荐资源与其他待推荐资源的内容相似度、以及确定每一待推荐资源与其他待推荐资源的行为相似度；其中，行为相似度是基于用户使用资源顺序确定的资源间的关联程度；根据内容相似度和行为相似度，确定每一待推荐资源与其他待推荐资源的综合相似度；在获取到基于待推荐资源中的目标资源的搜索指令时，根据目标资源与其他待推荐资源的综合相似度进行资源推荐。
本申请实施例第二方面提供了一种电子设备，该电子设备包括处理器以及与处理器连接的存储器，存储器用于存储程序数据，处理器用于执行程序数据以实现前述的方法。
本申请实施例第三方面提供了一种计算机可读存储介质，该计算机可读存储介质中存储有程序数据，程序数据在被处理器执行时，用以实现前述的方法。
本申请的有益效果是：区别于现有技术的情况，本申请通过在至少一个待推荐资源中，确定每一待推荐资源与其他待推荐资源的内容相似度、以及确定每一待推荐资源与其他待推荐资源的行为相似度，其中，行为相似度是基于用户使用资源顺序确定的资源间的关联程度，然后根据内容相似度和行为相似度，确定每一待推荐资源与其他待推荐资源的综合相似度，在获取到基于待推荐资源中的目标资源的搜索指令时，根据目标资源与其他待推荐资源的综合相似度进行资源推荐，其中，不仅考虑了资源本身内容的相似度，还考虑了基于用户使用资源顺序确定的资源间的关联程度，通过将内容相似度和行为相似度融合进行资源推荐，使得资源推荐的结果既符合用户的兴趣，又能够根据与目标资源关联程度进行推荐，从而能够提升资源推荐的准确率。
附图说明
为了更清楚地说明本申请中的技术方案，下面将对实施例描述中所需要的附图作简单的介绍，显而易见地，下面描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：
图1是本申请提供的资源推荐方法一实施例的流程示意图；
图2是本申请提供的资源推荐方法一应用场景的示意图；
图3是本申请提供的资源推荐方法另一应用场景的示意图；
图4是本申请提供的内容相似度计算方法的一实施例的流程示意图；
图5是本申请提供的多层级结构的资源层级标签一实施例的示意图；
图6是本申请提供的资源的三层编码信息的示意图；
图7是本申请提供的行为相似度计算方法的一实施例的流程示意图；
图8是word2vec算法中的CBOW模型和Skip-gram模型的示意图；
图9是本申请提供的行为相似度计算方法的另一实施例的流程示意图；
图10是本申请用户资源使用顺序的序列信息转化的有向有权图的一实施例的示意图；
图11是本申请提供的资源推荐方法另一实施例的流程示意图；
图12是图11中步骤S31的一实施例的流程示意图；
图13是图11中步骤S32的一实施例的流程示意图；
图14是本申请提供的资源推荐方法另一实施例的另一流程示意图；
图15是本申请提供的电子设备一实施例的框架示意图；
图16是本申请提供的计算机存储介质一实施例的框架示意图。
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的一部分实施例，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。
本申请中的术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
请参阅图1至图3，图1是本申请提供的资源推荐方法一实施例的流程示意图，图2是本申请提供的资源推荐方法一应用场景的示意图，图3是本申请提供的资源推荐方法另一应用场景的示意图。
具体而言，资源推荐方法可以包括以下步骤：
步骤S11：在至少一个待推荐资源中，确定每一待推荐资源与其他待推荐资源的内容相似度、以及确定每一待推荐资源与其他待推荐资源的行为相似度；其中，行为相似度是基于用户使用资源顺序确定的资源间的关联程度。
其中，资源可以但不限于包括应用程序、标签、广告、网页和商品中的至少一者。
具体地，应用程序(Application，APP)指为完成某项或多项特定工作的计算机程序，它运行在用户模式，可以和用户进行交互，具有可视的用户界面。随着应用程序日益丰富，移动终端制造商、移动运营商及互联网厂商等相继推出了包含其提供的应用程序的应用商店，如OPPO公司的软件商店、Apple公司提供的App Store、百度提供的百度手机助手等，一般地，软件商店按照应用分类(视频、音乐、导航和社交)显示不同应用提供商提供的应用程序。
在一些实施方式中，用户可以点击移动终端显示的一个目标应用程序的名称或直接输入目标应用程序的名称，对应地，移动终端响应于用户的指令，显示目标应用程序的相关信息，以及目标应用程序对应的推荐资源，具体地，推荐应用程序可以在目标应用程序之后按顺序排列显示。
如图2所示，在一个应用场景中，手机20包括显示屏21，显示屏21用于与用户进行交互，其中显示屏21显示有搜索框211和搜索按钮212，用户首先在搜索框211内输入的目标应用程序的名称为“王者荣耀”，然后点击搜索按钮212，进行目标应用程序的搜索，其搜索结果包括目标应用程序和推荐应用程序的信息(例如应用程序的简介、安装包所占内存和评分，这里图未示)，以及与每个应用程序对应的安装按钮213，用户通过点击安装按钮213，可以下载并自动安装对应的应用程序。在此场景中，对于广告主来说，广告主可以通过竟品(产品在同领域的竞争对手)的应用程序，选择需要圈选的人群，从而实现应用程序的有效推荐；对于用户来说，可以通过用户搜索的目标应用程序，从而理解用户的搜索意图和兴趣，其次根据至少一个用户登录APP的序列信息，可以为户推荐与目标APP关联程度较大的APP，然后基于内容和行为相似APP的推荐来提升APP推荐准确率，同时也提升了广告的转化效率。
如图3所示，在另一个应用场景中，手机30包括显示屏31，显示屏31用于与用户进行交互，其中显示屏31显示有搜索框311和搜索按钮312，用户首先在搜索框中输入目标商品的名称为“口罩”，然后点击搜索按钮312，进行目标商品的搜索，其搜索结果包括目标商品和推荐商品的信息(例如商品的标签、价格、出售量，这里图未示)，每个商品都显示有对应的购买按钮313，用户通过点击购买按钮313，可以进行该商品的购买页面，从而可以实现商品的购买。在此场景中，广告主可以根据竞品的商品，选择需要圈选的人群，从而实现准确的商品推荐，其次，通过用户输入的目标商品的名称可以获得用户的搜索意图，从而为用户推荐内容相似的商品，其次根据至少一个用户查看商品的序列信息(例如大多用户在查看商品A之后，继续查看了商品B，则说明商品A和B的关联程度较大)，为用户推荐与目标商品关联程度较大的商品，然后基于内容和行为相似商品的推荐来提升商品推荐准确率，同时也提升了商品的购买率。类似地，当资源为标签、广告、网页时，也可以用于本申请的推荐方法，此处不做赘述。
本实施例中，结合了目标资源与待推荐资源的内容相似度和行为相似度进行资源推荐，在考虑了用户当前搜索的目标资源表达出的用户意图和兴趣的同时，还考虑了用户使用资源顺序反映的目标资源与待推荐资源的关联程度，从两个维度进行资源推荐，能够提升资源推荐的准确性。
其中，内容相似度用于反映每一待推荐资源与其他待推荐资源的内容语义的相似程度。内容相似度具体可以根据待推荐资源的相关信息进行计算。可选地，待推荐资源的相关信息可以不限于包括：资源名称、资源描述、资源广告文案、资源层级标签和资源关键词中的至少一者。其中，资源描述中记载的内容用于用户初步了解资源，一般用户点击资源的详情页可以看到；资源的广告文案一般为资源提供商提供，由标题、正文、广告词和符文组成的，本实施例中，通过将资源描述和资源广告文案也添加至相关信息能够提供更加丰富准确的相关信息，从而能够提升内容相似度的计算准确性。资源的资源层级标签一般可以通过人工标注或机器学习的方法获得，通过资源层级标签可以将资源进行分类，具体可以分为一类和二类，父类和子类等多层级的类目，可以呈树状层级结构，例如资源层级标签可以为游戏-传奇-APP1。资源的关键词也可以通过人工标注或机器学习的方法获得，例如王者荣耀的关键词可以包括王者、游戏、防御塔等等。
其中，行为相似度用于反映用户使用资源顺序确定的资源间的关联程度，这里的行为指的是用户使用资源的行为。以APP为例，用户使用资源的顺序可以是用户打开APP的顺序或登录APP的顺序，当用户代开APP或登录APP即表示用户正在使用该APP；以标签为例，用户使用资源的顺序可以是用户选择(点击)标签的顺序，可以理解的，广告、网页和商品的使用顺序类似，此处不做赘述。
可选地，内容相似度与行为相似度的取值范围可以根据实际情况进行设置，例如为0～1或0～100。一般地，若两个待推荐资源的相关信息越相似，则这两个待推荐资源的内容相似度越大；若两个待推荐资源的相关信息差别越大，则这两个待推荐资源的内容相似度越小。可以理解的，待推荐资源A与待推荐资源B的内容相似度和待推荐资源B与待推荐资源A的内容相似度相同，对应地，两个待推荐资源的行为相似度也类似。
步骤S12：根据内容相似度和行为相似度，确定每一待推荐资源与其他待推荐资源的综合相似度。
在一些实施方式中，可以采用线性回归的方式将内容相似度和行为相似度进行融合，以确定每一待推荐资源与其他待推荐资源的综合相似度。在本实施例中，在线性回归的自变量为内容相似度和行为相似度，因变量为综合相似度。
具体地，可以将内容相似度和行为相似度求和，将结果作为综合相似度。
步骤S13：在获取到基于待推荐资源中的目标资源的搜索指令时，根据目标资源与其他待推荐资源的综合相似度进行资源推荐。
在一些实施方式中，搜索指令可以是点击预设按钮、识别到与搜索相关的语音信息、检测到搜索框中存在输入内容。如图2所示，搜索框211中的内容为目标资源，当手机20检测到用户点击搜索按钮212时，即可以获取到基于待推荐资源中的目标资源的搜索指令，从而可以根据目标资源与其他待推荐资源的综合相似度进行资源推荐。在其他实施方式中，并不一定是搜索指令，也可以是在获取到基于待推荐资源中的目标资源的其他指令时，根据目标资源与其他待推荐资源的综合相似度进行资源推荐，指令可以根据不同的场景进行设置，此处不做限定。
具体地，利用综合相似度的推荐规则，可以是将综合相似度按照预设推荐顺序进行排序，如由大到小的顺序，然后选取排序靠前的预设数量个综合相似度对应的待推荐资源，作为目标资源的推荐资源，并进行资源推荐。其中，综合相似度越大的待推荐资源与目标资源更相似。
可选地，预设数量的数值可以根据实际情况进行设置，如5～10个。
在一些实施方式中，在对推荐资源进行显示时，可以将综合相似度较大的资源靠前显示，将综合相似度较小的资源靠后显示，从而用户能够更容易发现其他感兴趣的资源，进而能够提升推荐效果。
本实施例中，通过在至少一个待推荐资源中，确定每一待推荐资源与其他待推荐资源的内容相似度、以及确定每一待推荐资源与其他待推荐资源的行为相似度，其中，行为相似度是基于用户使用资源顺序确定的资源间的关联程度，然后根据内容相似度和行为相似度，确定每一待推荐资源与其他待推荐资源的综合相似度，在获取到基于待推荐资源中的目标资源的搜索指令时，根据目标资源与其他待推荐资源的综合相似度进行资源推荐，其中，不仅考虑了资源本身内容的相似度，还考虑了基于用户使用资源顺序确定的资源间的关联程度，通过将内容相似度和行为相似度融合进行资源推荐，使得资源推荐的结果既符合用户的兴趣，又能够根据与目标资源关联程度进行推荐，从而能够提升资源推荐的准确率。
请参阅图4至图5，图4是本申请提供的资源推荐方法另一实施例的流程示意图，图5是本申请提供的多层级结构的资源层级标签一实施例的示意图，图6是本申请提供的资源的三层编码信息的示意图，图7是本申请提供的行为相似度计算方法的一实施例的流程示意图，图8是word2vec算法中的CBOW模型和Skip-gram模型的示意图，图9是本申请提供的行为相似度计算方法的另一实施例的流程示意图，图10是本申请用户资源使用顺序的序列信息转化的有向有权图的一实施例的示意图。
本实施例中，通过将待推荐资源的相关信息和使用序列信息转化为机器可以运算的向量，从而可以将每一待推荐资源与其他待推荐资源对应的向量进行运算，以获得每一待推荐资源与其他待推荐资源的内容相似度和行为相似度。具体而言，上述步骤S11可以包括以下步骤：
具体地，如图4所示，确定每一待推荐资源与其他待推荐资源的内容相似度可以包括子步骤S210～S212：
步骤S210：获取至少一个待推荐资源的相关信息。
其中，待推荐资源的相关信息可以包括资源名称、资源描述、资源广告文案、资源层级标签和资源关键词中的至少一者。
在本实施例中，资源层级标签包括待推荐资源的当前层级的类目信息和父级层级的类目信息。其中，待推荐资源的当前层级的类目信息为待推荐资源所在多级层级中的最末层级的类目信息，而父级层级的类目信息为待推荐资源所在多级层级中最末层之上的至少一层级的类目信息。例如，图5所示，APP1的最末层级的类目信息为传奇，其上只包括一个层级为游戏，所以其父级层级的类目信息为游戏，若传奇之上还包括其他层级如动作冒险，则其父级层级的类目信息为动作冒险-游戏，以此类推。
具体地，可以将当前层级的类目信息和父级层级的类目信息进行拼接，以得到资源层级标签。其中，当前层级的类目信息可以在拼接在父级层级的类目信息之前，也可以拼接在父级层级的类目信息之后。
如图5所示，图5列举出了多层级结构的资源层级标签一实施方式，其中一级类目包括游戏、汽车、教育、旅游、医疗健康和金融，进一步游戏、医疗健康和金融的二级类目进行了举例，具体地，游戏的二级类目包括传奇、东方仙侠、捕鱼、西方魔幻和西游，医疗健康的二级类目包括保健养生、减肥健身、植发和美容整形，金融的二级类目包括银行、理财、贷款和彩票，例如应用商店中只有4个APP(APP1～APP4)，其中，APP1和APP2对应的当前层级的类目信息为传奇，其父级层级的类目信息为游戏，从而APP1和APP2的资源层级标签为游戏-传奇；APP3对应的当前层级的类目信息为西方魔幻，其父级层级的类目信息也为游戏，从而APP3的资源层级标签为游戏-西方魔幻；另外，APP4对应的当前层级的类目信息为银行，其父级层级的类目信息也为金融，从而APP4的资源层级标签为金融-银行。
在一些实施方式中，若资源层级标签仅包括当前层级的类目信息，即最末层级的类目信息，则图5中的APP1和APP2的资源层级标签均为传奇，APP3的资源层级标签为西方魔幻，APP4的资源层级标签为银行，后续在利用资源层级标签计算内容相似度时，APP1和APP2的内容相似度较高，而APP1和APP3、APP4的内容相似度区别不大，例如都为0.6，但是实际情况是APP1和APP3的一级类目均属于游戏，APP4一级类目属于金融，而游戏和金融属于不同的大类，所以APP1和APP3的内容相似度应该明显大于APP1和APP4的内容相似度，对此，为了提升内容相似性的准确性，本实施例将资源的父级层级的类目信息也加入至资源层级标签中，从而利用加入了父级层级的类目信息的资源层级标签进行内容相似度的计算，可以得到APP1和APP3的内容相似度为0.6，而APP1和APP4的内容相似程度为0.4，甚至更少，从而有更大的可能性为用户推荐实际内容相似程度更高的APP3。
步骤S211：对至少一个待推荐资源的相关信息进行处理，以生成每一待推荐资源对应的第一向量。
在获取到至少一个待推荐资源的相关信息之后，需要将相关信息处理成机器能够理解的形式，这里采用文本预处理技术将文本信息转化为向量信息，具体可以转化为内嵌(embedding)向量信息。
具体地，可以对至少一个待推荐资源的相关信息进行文本预处理，以将至少一个待推荐资源的相关信息转化为编码信息，然后利用Transformer模型作为特征抽取器对编码信息进行处理，以生成每一待推荐资源对应的第一向量。
其中，编码信息具体可以包括词编码信息、句子对关系编码信息和位置编码信息中的至少一者。
以应用程序为例，待推荐应用的相关信息可以包括APP名称、APP描述、APP广告文案、APP层级标签和APP关键词中的至少一者，在将待推荐应用的相关信息进行拼接之后，输入RoBERTa(A Robustly Optimized BERT Pretraining)模型中以获得待推荐应用的相关信息对应的语义信息。其中，RoBERTa是一种强力训练的BERT(Bidirectional EncoderRepresentation from Transformers)模型。这里，待推荐应用的相关信息的形式不限于为文本信息，对于非文本信息也可以转化成自然语言处理的问题，通过ROBERTA获取特征信息。
如图6所示，具体地，采用预处理技术将拼接好的待推荐应用的相关信息转化为三层embedding编码信息，即词编码信息、句子对关系编码信息和位置编码信息，然后，采用Transformer模型作为特征抽取器对三层embedding编码信息进行处理，以生成每一待推荐资源对应的第一向量。这里，相比于深度学习中传统的特征抽取器CNN和RNN来说，Transformer模型被认为当前公认的最好的特征抽取器，通过注意力机制可以更好的获取特征。在另一些实施方式中，也可以采用CNN和RNN作为特征抽取器对编码信息进行处理，此处不做限定。
步骤S212：在至少一个待推荐资源中，计算每一待推荐资源与其他待推荐资源对应的第一向量之间的内容相似度。
在获取到至少一个待推荐资源中的每一个待推荐资源对应的第一向量之后，可以利用余弦相似度(cosine)函数计算每一待推荐资源与其他待推荐资源对应的第一向量的相似程度，以作为内容相似度。其中，两个待推荐资源的语义越相似，这对应的两个第一向量的距离也就越近，从而内容相似度就越大。在其他实施方式中，第一向量的相似度计算方法还可以采用皮尔逊相关系数(Pearson correlation coefficient)、曼哈顿距离(Manhattan distance)、欧氏距离(Euclidean)、杰卡德相似系数(Jaccard距离)以及斯皮尔曼(等级)相关系数(Spearman Rank Correlation)等。
本实施例中，提供了两种计算行为相似度的实施方式，分别是基于Item2vec算法和Node2vec图模型计算每一待推荐资源与其他待推荐资源的行为相似度，以通过用户使用资源顺序的关系挖掘相似资源，其中，行为相似度可以包括第一行为相似度和第二行为相似度中的至少一者，具体计算方法请参见下文。
一种实施方式，如图7所示，确定每一待推荐资源与其他待推荐资源的行为相似度可以包括子步骤S213～S215：
步骤S213：获取预设时间范围内至少一个用户使用资源的序列信息。
可选地，预设时间范围可以根据实际情况进行设置。在一些实施方式中，预设时间范围可以为一个月，具体可以的时间段可以选取一天中的6小时，例如9:00至13:00，或17:00至23:00，例如可以选择获取一个月中时间段在17:00至23:00内至少一个用户使用资源的序列信息。以应用程序为例，用户1在17:00至23:00范围内先后登录了APP1、APP3、APP5、APP9，则可以获得用户使用应用程序的序列信息APP1-APP3-APP5-APP9，以此类推可以获得不同用户使用应用程序的序列信息，从而可以根据大数据计算出应用程序与其他应用程序的关联程度。
步骤S214：将至少一个用户使用资源的序列信息中的单个资源进行训练，以获得每一待推荐资源对应的第二向量。
本实施方式可以采用Item2vec算法，其中Item2vec算法主要参考的是谷歌的word2vec方法。如图8所示，word2vec主要包含两种模型CBOW和Skip-gram模型。CBOW模型类似完形填空，假如有一句话“w(t-2)、w(t-1)、w(t)、w(t+1)、w(t+2)”,CBOW模型的输入是“w(t-2)、w(t-1)、w(t+1)、w(t+2)”，也就是w(t)词的周边词，模型需要预测输出w(t)。而Skip-gram模型则刚好相反，输入是“w(t)”，需要去预测w(t)词的周边词。而本实施例采用的Item2vec算法就是基于word2vec中的Skip-gram模型，通过将至少一个用户使用资源的序列信息中的单个资源作为一句话里面的词进行预训练，从而可以得到每个资源对应的第二向量。具体地，第二向量为嵌入(embedding)向量。
以应用程序为例，Item2vec算法将用户使用APP的序列信息作为一句话中的词进行预训练，从而得到序列信息中每个APP对应embedding向量。
步骤S215：在至少一个待推荐资源中，计算每一待推荐资源与其他待推荐资源对应的第二向量之间的第一行为相似度。
在获取到至少一个待推荐资源中的每一个待推荐资源对应的第二向量之后，可以利用余弦相似度(cosine)函数计算每一待推荐资源与其他待推荐资源对应的第二向量的相似程度，以作为第一行为相似度。其中，用户使用资源的行为中，两个待推荐资源关联程度越大，对应的两个第二向量的距离也就越近，从而第一行为相似度也就越大。在其他实施方式中，第二向量的相似度计算方法与第一向量类似，请参见上述步骤S212中的阐述，此处不再赘述。
另一种实施方式，如图9所示，确定每一待推荐资源与其他待推荐资源的行为相似度可以包括子步骤S216～S219：
步骤S216：获取预设时间范围内至少一个用户使用资源的序列信息。
本步骤请参见上述步骤S213，此处不做赘述。
步骤S217：基于至少一个用户使用资源的序列信息，构建至少一个待推荐资源对应的有向有权图。
具体地，将至少一个用户使用资源的序列信息转化为图结构，图中的节点为资源，节点与节点之间的边，则代表资源使用的序列关系。
以应用程序为例进行举例说明，在预设时间范围内，用户1先后登录了APP1、APP3和APP4，用户2先后登录了APP2、APP3、APP4，用户3先后登录了APP3、APP5，这里也可以选择时间段为6小时，，模型中称为session域，然后将上述3个用户的登录APP的序列转化为有向有权图，如图10所示，其中的方向代表了登录的先后顺序，权重则代表了登录的次数，这里统计的次数是APP登录序列对的维度。
步骤S218：利用预设游走策略对至少一个待推荐资源对应的有向有权图进行处理，以获得每一待推荐资源对应的第二向量。
在得到有向有权图之后，可以采用预设游走策略对至少一个待推荐资源对应的有向有权图进行处理，以获得每一待推荐资源对应的第二向量。其中，预设游走策略可以但不限于包括深度优先搜索(Depth First Search，DFS)和广度优先搜索(Breadth FirstSearch，BFS)中的至少一种。深度优先搜索会倾向于距离当前节点较远的APP，从而深度优先搜索得到的各个节点的第二向量能够从内容方面区分APP，进而能够基于已有分类的APP找到距离相近的APP，而广度优先搜索会倾向于搜索当前节点附近的APP，通过搜索各节点的第二向量能够很好地区分流行APP和冷门APP。在一些实施方式中，可以采用广度优先搜索或深度优先搜索来进行游走，或者可以采用广度优先搜索和深度优先搜索结合的方式进行游走，以获得每一待推荐资源对应的第二向量。
步骤S219：在至少一个待推荐资源中，计算每一待推荐资源与其他待推荐资源对应的第二向量之间的第二行为相似度。
本步骤请参见上述步骤S215，此处不做赘述。
本实施例中，步骤S12可以包括为内容相似度设置第一权重和为行为相似度设置第二权重，将每一待推荐资源与其他待推荐资源的内容相似度和行为相似度进行加权求和，作为每一待推荐资源与其他待推荐资源的综合相似度。
其中，第一权重和第二权重之和为1。在一些实施方式中，第一权重为0.6，第二权重为0.4。
本实施例中，通过将资源的父级层级的类目信息也加入至资源层级标签中，从而利用加入了父级层级的类目信息的资源层级标签进行内容相似度的计算，能够提升内容相似度计算的准确性。
请参阅图11至14，图11是本申请提供的资源推荐方法另一实施例的流程示意图，图12是图11中步骤S31的一实施例的流程示意图，图13是图11中步骤S32的一实施例的流程示意图，图14是本申请提供的资源推荐方法另一实施例的另一流程示意图。
具体而言，资源推荐方法可以包括以下步骤：
步骤S31：在至少一个待推荐资源中，确定每一待推荐资源与其他待推荐资源的内容相似度、以及确定每一待推荐资源与其他待推荐资源的第一行为相似度和第二行为相似度；其中，行为相似度是基于用户使用资源顺序确定的资源间的关联程度。
不同的是，本实施例中，同时采用了两种不同的算法计算行为相似度，并将得到的两个行为相似度交叉与内容相似度融合计算综合相似度，从而获得基于不同行为相似度算法计算得到两个综合相似度，进一步根据两个综合相似度，得到两个待推荐资源集合，然后选取集合的交集，作为推荐资源，以提升资源推荐的准确性。
具体地，如图12所示，确定每一待推荐资源与其他待推荐资源的行为相似度可以包括以下步骤：
步骤S311：利用第一预设算法在至少一个待推荐资源中，确定每一待推荐资源与其他待推荐资源的第一行为相似度。
步骤S312：利用第二预设算法在至少一个待推荐资源中，确定每一待推荐资源与其他待推荐资源的第二行为相似度。
可以理解的，步骤S311与步骤S12之间并无一定的先后关系，可以先后执行或同时执行。
在一些实施方式中，第一预设算法为Item2vec算法，第二预设算法为Node2vec算法。
步骤S311具体可以包括：获取预设时间范围内至少一个用户使用资源的序列信息；将至少一个用户使用资源的序列信息中的单个资源进行训练，以获得每一待推荐资源对应的第二向量；在至少一个待推荐资源中，计算每一待推荐资源与其他待推荐资源对应的第二向量之间的第一行为相似度。上述步骤具体可以参见上述步骤S213～S215，此处不做赘述。
步骤S312具体可以包括：获取预设时间范围内至少一个用户使用资源的序列信息；基于至少一个用户使用资源的序列信息，构建至少一个待推荐资源对应的有向有权图；利用预设游走策略对至少一个待推荐资源对应的有向有权图进行处理，以获得每一待推荐资源对应的第二向量；在至少一个待推荐资源中，计算每一待推荐资源与其他待推荐资源对应的第二向量之间的第二行为相似度。上述步骤具体可以参见上述S216～S219，此处不做赘述。
步骤S32：根据内容相似度和第一行为相似度，确定每一待推荐资源与其他待推荐资源的第一综合相似度，以及根据内容相似度和第二行为相似度，确定每一待推荐资源与其他待推荐资源的第二综合相似度。
具体地，利用线性回归的方式分别计算每一待推荐资源与其他待推荐资源的内容相似度与第一行为相似度的第一综合相似度，以及内容相似度与第二行为相似度的第二综合相似度。
在一些实施方式中，如图13所示，步骤S32还可以包括以下步骤：
S321：为内容相似度设置第一权重，为第一行为相似度和第二行为相似度设置第二权重。
其中，第一权重和第二权重之和为1。第一权重和第二权重的具体数值可以根据实际情况进行设置，此处不做赘述。
在一些实施方式中，第一行为相似度和第二行为相似度可以设置不同的权重，例如第一行为相似度设置第二权重，第二行为相似度设置第三权重。
S322：利用线性回归的方式分别计算每一待推荐资源与其他待推荐资源的内容相似度与第一行为相似度加权后的第一综合相似度，以及内容相似度与第二行为相似度加权后的第二综合相似度。
具体地，可以将每一待推荐资源与其他待推荐资源的内容相似度与第一行为相似度进行加权求和，以得到的第一综合相似度，以及将内容相似度与第二行为相似度进行加权求和，以得到的第二综合相似度。
步骤S33：在获取到基于待推荐资源中的目标资源的搜索指令时，根据目标资源与其他待推荐资源的第一综合相似度和第二综合相似度进行资源推荐。
在获取到基于待推荐资源中的目标资源的搜索指令时，按照预设顺序分别将第一综合相似度和第二综合相似度进行排序，并分别选取排序靠前的预设数量个综合相似度对应的待推荐资源，以分别形成第一待推荐资源集合和第二待推荐资源集合，然后获取第一待推荐资源集合和第二待推荐资源集合相交的至少一个待推荐资源，作为目标资源的推荐资源，并进行资源推荐。其中，推荐资源的数量小于或等于第一待推荐资源集合或第二待推荐资源集合中待推荐资源的数量。
举例说明，通过内容相似度和第一行为相似度组合的第一策略可以得到包含M个待推荐资源的第一待推荐资源集合，通过内容相似度和第二行为相似度组合的第二策略可以得到包含M个待推荐资源的第二待推荐资源集合，其中，第一待推荐资源集合和第二待推荐资源集合中可能有相同的待推荐资源，也可能没有相同的待推荐资源，即两集合的交集为空集。在一些实施方式中，因为广告位有限，可以预设选择交集中的top N个待推荐资源作为目标资源的推荐资源，若交集中的待推荐资源不足N个时，则可以选取第一待推荐资源集合和/或第二待推荐资源集合中其他待推荐资源作为推荐资源，或者仍只选择交集中的待推荐资源作为推荐资源。当两集合的交集为空集时，可以选取第一待推荐资源集合和/或第二待推荐资源集合中待推荐资源作为推荐资源。
本实施例提供的资源推荐方法可以包括四个层(输入层、表示层、融合层和输出层)，其中输入层用户输入资源的相关信息和用户使用资源顺序的序列信息，表示层用于将资源的相关信息和用户使用资源顺序的序列信息分别转化为第一向量和第二向量，融合层用于利用COS函数分别计算每一待推荐资源与其他待推荐资源的内容相识度和行为相似度，并为内容相识度和行为相似度赋予不同的权重，输出层则负责利用线性回归的方式计算每一待推荐资源与其他待推荐资源的第一综合相似度和第二综合相似度，然后分别将第一综合相似度和第二综合相似度进行排序，分别选取top M个待推荐资源，并取两者交集中的top N个待推荐资源作为推荐资源，为用户进行资源推荐。
在APP场景中，如图14所示，输入层主要包括APP相关信息和用户使用APP序列，APP相关信息包括APP名称、APP描述、APP广告文案、APP层级标签和APP关键词，然后表示层用于基于BERT获取将APP相关信息转化为语义特征embedding(第一向量)，以及用于基于item2vec，获取每一APP的embedding(第二向量)，还用于基于Node2vec获取每一APP的graph embedding(第二向量)，然后融合层分别基于BERT+item2vec的融合，以及BERT+Node2vec的融合，用于利用COS函数分别计算每一待推荐APP与其他待推荐APP的内容相识度和行为相似度，并为内容相识度和行为相似度赋予不同的权重，输出层则负责利用线性回归的方式计算每一待推荐APP与其他待推荐APP的第一综合相似度和第二综合相似度，然后分别将第一综合相似度和第二综合相似度进行排序，分别选取top M个待推荐APP，并取两者交集中的top N个待推荐APP作为推荐APP，为用户进行APP推荐。
本实施例中，使用不同的算法对用户使用资源的序列信息进行计算，得到第一行为相似度和第二行为相似度，然后将第一行为相似度和第二行为相似度分别于内容相似度融合，得到第一综合相似度和第二综合相似度，最后分别基于第一综合相似度和第二综合相似度得到不同的第一待推荐资源集合和第二待推荐资源集合，取两个集合的交集作为推荐资源，其中由于使用了不同的算法从不同方面得到推荐结果，将两种推荐策略进行了融合，实现了更好的资源推荐效果。
请参阅图15，图15是本申请提供的电子设备一实施例的框架示意图。
电子设备400包括：处理器410以及与处理器410连接的存储器420，存储器420用于存储程序数据，处理器410用于执行程序数据以实现上述任一方法实施例中的步骤。
电子设备400包括但不限于为电视机、桌面型计算机、膝上型计算机、手持计算机、可穿戴设备、头戴式显示器、阅读器设备、便携式音乐播放器、便携式游戏机、笔记本电脑、超级移动个人计算机(ultra-mobilepersonal computer，简称：UMPC)、上网本，以及蝉窝电话、个人数字助理(personaldigital assistant，简称：PDA)、增强现实(augmentedreality，简称：AR)、虚拟现实(virtual reality，简称：VR)设备。
具体而言，处理器410用于控制其自身以及存储器420以实现上述任一方法实施例中的步骤。处理器410还可以称为CPU(Central Processing Unit，中央处理单元)。处理器410可能是一种集成电路芯片，具有信号的处理能力。处理器410还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器410可以由多个集成电路芯片共同实现。
请参阅图16，图16是本申请提供的计算机存储介质一实施例的框架示意图。
计算机可读存储介质500存储有程序数据510，程序数据510被处理器执行时，用以实现上述任一方法实施例中的步骤。
计算机可读存储介质500具体可以为U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等可以存储计算机程序的介质，或者也可以为存储有该计算机程序的服务器，该服务器可将存储的计算机程序发送给其他设备运行，或者也可以自运行该存储的计算机程序。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (14)
1.一种资源推荐方法，其特征在于，所述方法包括：
在至少一个待推荐资源中，确定每一所述待推荐资源与其他待推荐资源的内容相似度、以及确定每一所述待推荐资源与其他待推荐资源的行为相似度；其中，所述行为相似度是基于用户使用资源顺序确定的资源间的关联程度；
根据所述内容相似度和所述行为相似度，确定每一所述待推荐资源与其他待推荐资源的综合相似度；
在获取到基于所述待推荐资源中的目标资源的搜索指令时，根据所述目标资源与其他待推荐资源的综合相似度进行资源推荐。
2.根据权利要求1中所述的方法，其特征在于，
所述在至少一个待推荐资源中，确定每一所述待推荐资源与其他待推荐资源的内容相似度，包括：
获取至少一个所述待推荐资源的相关信息；
对至少一个所述待推荐资源的相关信息进行处理，以生成每一所述待推荐资源对应的第一向量；
在至少一个所述待推荐资源中，计算每一所述待推荐资源与其他待推荐资源对应的第一向量之间的内容相似度。
3.根据权利要求2中所述的方法，其特征在于，
所述对至少一个所述待推荐资源的相关信息进行处理，以生成每一所述待推荐资源对应的第一向量，包括：
对至少一个待推荐资源的相关信息进行文本预处理，以将至少一个所述待推荐资源的相关信息转化为编码信息；
利用Transformer模型作为特征抽取器对所述编码信息进行处理，以生成每一所述待推荐资源对应的第一向量。
4.根据权利要求2中所述的方法，其特征在于，
所述待推荐资源的相关信息包括资源名称、资源描述、资源广告文案、资源层级标签和资源关键词中的至少一者。
5.根据权利要求4中所述的方法，其特征在于，
所述资源层级标签包括所述待推荐资源的当前层级的类目信息和父级层级的类目信息。
6.根据权利要求1中所述的方法，其特征在于，
所述在至少一个待推荐资源中，确定每一所述待推荐资源与其他待推荐资源的行为相似度，包括：
利用第一预设算法在至少一个所述待推荐资源中，确定每一所述待推荐资源与其他待推荐资源的第一行为相似度；
利用第二预设算法在至少一个所述待推荐资源中，确定每一所述待推荐资源与其他待推荐资源的第二行为相似度。
7.根据权利要求6中所述的方法，其特征在于，所述第一预设算法为Item2vec算法，
所述利用第一预设算法在至少一个所述待推荐资源中，确定每一所述待推荐资源与其他待推荐资源的第一行为相似度，包括：
获取预设时间范围内至少一个用户使用资源的序列信息；
将至少一个所述用户使用资源的序列信息中的单个资源进行训练，以获得每一所述待推荐资源对应的第二向量；
在至少一个所述待推荐资源中，计算每一所述待推荐资源与其他待推荐资源对应的第二向量之间的第一行为相似度。
8.根据权利要求6中所述的方法，其特征在于，所述第二预设算法为Node2vec算法，
所述利用第二预设算法在至少一个所述待推荐资源中，确定每一所述待推荐资源与其他待推荐资源的第二行为相似度，包括：
获取预设时间范围内至少一个用户使用资源的序列信息；
基于至少一个所述用户使用资源的序列信息，构建至少一个所述待推荐资源对应的有向有权图；
利用预设游走策略对至少一个所述待推荐资源对应的有向有权图进行处理，以获得每一所述待推荐资源对应的第二向量；
在至少一个所述待推荐资源中，计算每一所述待推荐资源与其他待推荐资源对应的第二向量之间的第二行为相似度。
9.根据权利要求6中所述的方法，其特征在于，
所述根据所述内容相似度和所述行为相似度，确定每一所述待推荐资源与其他待推荐资源的综合相似度，包括：
利用线性回归的方式分别计算每一所述待推荐资源与其他待推荐资源的所述内容相似度与所述第一行为相似度的第一综合相似度，以及所述内容相似度与所述第二行为相似度的第二综合相似度。
10.根据权利要求9中所述的方法，其特征在于，
所述根据所述内容相似度和所述行为相似度，确定每一所述待推荐资源与其他待推荐资源的综合相似度，包括：
为所述内容相似度设置第一权重，为所述第一行为相似度和第二行为相似度设置第二权重，其中，所述第一权重和第二权重之和为1；
利用线性回归的方式分别计算每一所述待推荐资源与其他待推荐资源的所述内容相似度与所述第一行为相似度加权后的第一综合相似度，以及所述内容相似度与所述第二行为相似度加权后的第二综合相似度。
11.根据权利要求9中所述的方法，其特征在于，
所述在获取到基于所述待推荐资源中的目标资源的搜索指令时，根据所述目标资源与其他待推荐资源的综合相似度进行资源推荐，包括：
在获取到基于所述待推荐资源中的目标资源的搜索指令时，按照预设顺序分别将所述第一综合相似度和第二综合相似度进行排序，并分别选取排序靠前的预设数量个综合相似度对应的待推荐资源，以分别形成第一待推荐资源集合和第二待推荐资源集合；
获取所述第一待推荐资源集合和所述第二待推荐资源集合相交的至少一个所述待推荐资源，作为所述目标资源的推荐资源，并进行资源推荐。
12.根据权利要求1中所述的方法，其特征在于，
所述资源包括应用程序、标签、广告、网页和商品中的至少一者。
13.一种电子设备，其特征在于，所述电子设备包括处理器以及与所述处理器连接的存储器，
所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如权利要求1-12任一项所述的方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序数据，所述程序数据在被处理器执行时，用以实现如权利要求1-12任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110083642.2A CN112685648A (zh) | 2021-01-21 | 2021-01-21 | 一种资源推荐方法、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110083642.2A CN112685648A (zh) | 2021-01-21 | 2021-01-21 | 一种资源推荐方法、电子设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112685648A true CN112685648A (zh) | 2021-04-20 |
Family
ID=75458893
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110083642.2A Withdrawn CN112685648A (zh) | 2021-01-21 | 2021-01-21 | 一种资源推荐方法、电子设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112685648A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112989209A (zh) * | 2021-05-10 | 2021-06-18 | 腾讯科技（深圳）有限公司 | 内容推荐方法、装置和存储介质 |
| CN113496432A (zh) * | 2021-07-06 | 2021-10-12 | 北京爱笔科技有限公司 | 待推荐实体的挖掘方法、装置、设备及存储介质 |
| CN113570432A (zh) * | 2021-07-28 | 2021-10-29 | 北京达佳互联信息技术有限公司 | 资源推荐确定方法、装置、设备及存储介质 |
| CN113821723A (zh) * | 2021-09-22 | 2021-12-21 | 广州博冠信息科技有限公司 | 搜索方法、装置及电子设备 |
| CN114840762A (zh) * | 2022-05-19 | 2022-08-02 | 马上消费金融股份有限公司 | 推荐内容确定方法、装置和电子设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110569447A (zh) * | 2019-09-12 | 2019-12-13 | 腾讯音乐娱乐科技（深圳）有限公司 | 一种网络资源的推荐方法、装置及存储介质 |
| CN111143684A (zh) * | 2019-12-30 | 2020-05-12 | 腾讯科技（深圳）有限公司 | 基于人工智能的泛化模型的训练方法及装置 |
-
2021
- 2021-01-21 CN CN202110083642.2A patent/CN112685648A/zh not_active Withdrawn
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110569447A (zh) * | 2019-09-12 | 2019-12-13 | 腾讯音乐娱乐科技（深圳）有限公司 | 一种网络资源的推荐方法、装置及存储介质 |
| CN111143684A (zh) * | 2019-12-30 | 2020-05-12 | 腾讯科技（深圳）有限公司 | 基于人工智能的泛化模型的训练方法及装置 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112989209A (zh) * | 2021-05-10 | 2021-06-18 | 腾讯科技（深圳）有限公司 | 内容推荐方法、装置和存储介质 |
| CN113496432A (zh) * | 2021-07-06 | 2021-10-12 | 北京爱笔科技有限公司 | 待推荐实体的挖掘方法、装置、设备及存储介质 |
| CN113570432A (zh) * | 2021-07-28 | 2021-10-29 | 北京达佳互联信息技术有限公司 | 资源推荐确定方法、装置、设备及存储介质 |
| CN113821723A (zh) * | 2021-09-22 | 2021-12-21 | 广州博冠信息科技有限公司 | 搜索方法、装置及电子设备 |
| CN113821723B (zh) * | 2021-09-22 | 2024-04-12 | 广州博冠信息科技有限公司 | 搜索方法、装置及电子设备 |
| CN114840762A (zh) * | 2022-05-19 | 2022-08-02 | 马上消费金融股份有限公司 | 推荐内容确定方法、装置和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11334635B2 (en) | Domain specific natural language understanding of customer intent in self-help | |
| CN112685648A (zh) | 一种资源推荐方法、电子设备及计算机可读存储介质 | |
| CA3083723C (en) | Method and apparatus for providing personalized self-help experience | |
| CN111898031B (zh) | 一种获得用户画像的方法及装置 | |
| CN112307344B (zh) | 对象推荐模型、对象推荐方法、装置及电子设备 | |
| CN106452809B (zh) | 一种数据处理方法和装置 | |
| CN111292168B (zh) | 数据处理方法、装置及设备 | |
| US11966687B2 (en) | Modifying a document content section of a document object of a graphical user interface (GUI) | |
| Assi et al. | FeatCompare: Feature comparison for competing mobile apps leveraging user reviews | |
| Guarino et al. | A machine learning-based approach to identify unlawful practices in online terms of service: analysis, implementation and evaluation | |
| CN111625715A (zh) | 信息提取方法、装置、电子设备及存储介质 | |
| CN112417133A (zh) | 排序模型的训练方法和装置 | |
| CN115147130A (zh) | 问题预测方法、设备、存储介质及程序产品 | |
| CN116823410B (zh) | 数据处理方法、对象处理方法、推荐方法及计算设备 | |
| CN118113901A (zh) | 多模态大语言模型训练方法、相关性计算及标签生成方法 | |
| CN112347365A (zh) | 一种目标搜索信息确定方法及装置 | |
| CN116975426A (zh) | 业务数据处理方法、装置、设备以及介质 | |
| CN115618126A (zh) | 搜索处理方法、系统、计算机可读存储介质及计算机设备 | |
| WO2022147746A1 (en) | Intelligent computer search engine removal of search results | |
| CN110442767A (zh) | 一种确定内容互动平台标签的方法、装置及可读存储介质 | |
| CN116628236B (zh) | 多媒体信息的投放方法、装置、电子设备及存储介质 | |
| CN111797257B (zh) | 基于词向量的图片推荐方法及相关设备 | |
| CN111291263B (zh) | 数据推送方法、装置、系统及存储介质 | |
| CN117473038A (zh) | 实体推荐方法、装置、存储介质及电子设备 | |
| CN118350894A (zh) | 商品推荐方法、装置及电子设备 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210420 |