CN112734462B - 一种信息推荐方法、装置、设备及介质 - Google Patents
一种信息推荐方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112734462B CN112734462B CN202011613919.XA CN202011613919A CN112734462B CN 112734462 B CN112734462 B CN 112734462B CN 202011613919 A CN202011613919 A CN 202011613919A CN 112734462 B CN112734462 B CN 112734462B
- Authority
- CN
- China
- Prior art keywords
- information
- recommendation model
- order
- 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 53
- 238000011156 evaluation Methods 0.000 claims abstract description 104
- 238000012549 training Methods 0.000 claims abstract description 93
- 238000006243 chemical reaction Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 238000012797 qualification Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 208000012260 Accidental injury Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013145 classification model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
- G06F16/2379—Updates performed during online database operations; commit processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例公开了一种信息推荐方法、装置、存储介质及电子设备,其中方法包括:获取订单信息,并将所述订单信息进行存储;获取评价信息,在存储的订单信息中确定与所述评价信息相匹配的订单信息,基于所述评价信息与所述相匹配的订单信息形成训练样本;基于所述训练样本对当前信息推荐模型进行训练,得到更新信息推荐模型;基于所述当前信息推荐模型的上一信息推荐模型、所述当前信息推荐模型或所述更新信息推荐模型中的任一项进行信息推荐。通过信息推荐模块确定各信息的好评概率,向用户推荐预测好评概率的信息,提高用户对推荐信息的满意度,同时避免因推荐原因导致信息被差评的问题。
Description
技术领域
本公开实施例涉及数据处理技术领域,尤其涉及一种信息展示方法、装置、存储介质及电子设备。
背景技术
电子商务是指以信息网络技术为手段,以商品交换为中心的商务活动,随着互联网技术的发展和普及,电子商务系统在人们生活中正在扮演者越来越重要的角色。
电商评价的好评率是一个产品核心的指标,标志着用户对于产品的满意度。目前在向用户进行信息推荐时,一般是通过信息当前的好评率进行推荐,但是当前的好评率仅是基于信息或商品的片面信息,误伤率会比较高,比如一个好评率比较低并不能代表商品和商家的服务质量就不好,直接根据好评率一刀切,会使得很多好的商品和商家被误伤,推荐精度差。
发明内容
本公开实施例提供了一种实时信息推荐方法、装置、设备及介质,以实现提高信息推荐的准确度,以及推荐信息的好评率。
第一方面,本公开实施例提供了一种信息推荐方法,包括:
获取订单信息,并将所述订单信息进行存储;
获取评价信息,在存储的订单信息中确定与所述评价信息相匹配的订单信息,基于所述评价信息与所述相匹配的订单信息形成训练样本;
基于所述训练样本对当前信息推荐模型进行训练,得到更新信息推荐模型;
基于所述当前信息推荐模型的上一信息推荐模型、所述当前信息推荐模型或所述更新信息推荐模型中的任一项进行信息推荐,其中,所述当前信息推荐模型的上一信息推荐模型通过实时形成的训练样本对初始信息推荐模型训练得到。
第二方面,本公开实施例还提供了一种信息推荐装置,包括:
订单信息存储模块,用于获取订单信息,并将所述订单信息进行存储;
训练样本确定模块,用于获取评价信息,在存储的订单信息中确定与所述评价信息相匹配的订单信息,基于所述评价信息与所述相匹配的订单信息形成训练样本;
模型训练模块,用于基于所述训练样本对当前信息推荐模型进行训练,得到更新信息推荐模型;
信息推荐模型,用于基于所述当前信息推荐模型的上一信息推荐模型、所述当前信息推荐模型或所述更新信息推荐模型中的任一项进行信息推荐,其中,所述当前信息推荐模型的上一信息推荐模型通过实时形成的训练样本对初始信息推荐模型训练得到。
第三方面,本公开实施例还提供了一种电子设备,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本公开实施例任一所述的信息推荐方法。
第四方面,本公开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如本公开实施例任一所述的信息推荐方法。
本公开实施例的技术方案,通过设置具有好评预测功能的信息推荐模块,对于用户的搜索操作,通过信息推荐模块确定各信息的好评概率,向用户推荐预测好评概率的信息,提高用户对推荐信息的满意度,同时避免因推荐原因导致信息被差评的问题。进一步的,通过实时采集并存储订单信息,并将实时采集的评价信息与存储的订单信息组合形成相匹配的训练样本,对已训练的信息推荐模块进行实时更新,通过实时流数据不断提高信息推荐模型的精度,并基于当前信息推荐模型的上一信息推荐模型、所述当前信息推荐模型或所述更新信息推荐模型中的任一项实现信息推荐,保证信息推荐的不间断执行,以及实现了信息推荐模型的无间断更新。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1为本公开实施例一所提供的一种信息推荐方法流程示意图;
图2是本发明实施例提供的应用场景的示意图;
图3是本发明实施例提供的信息推荐方法的流程示意图;
图4为本公开实施例二所提供的一种信息推荐方法流程示意图;
图5是本发明实施例提供的一种信息推荐方法的流程示意图;
图6是本公开实施例五所提供的一种信息推荐装置结构示意图;
图7是本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
实施例一
图1为本公开实施例一所提供的一种信息推荐方法流程示意图,本公开实施例适用于向用户准确推荐高好评率的信息的情形,该方法可以由信息推荐装置来执行,该装置可以通过软件和/或硬件的形式实现,可选的,通过电子设备来实现,该电子设备可以是移动终端、PC端或服务器等。示例性的,参见图2,图2是本发明实施例提供的应用场景的示意图。其中,诸如计算机101(例如笔记本电脑、台式机电脑)、手机102和平板电脑103等的移动终端通过网络通信方式与诸如服务器集群的电子设备104进行信息传输。其中,移动终端通过无线传输105向电子设备104发送信息搜索指令,电子设备104通过执行本发明实施例的技术方式确定推荐信息,将推荐信息发送至移动终端,移动终端将推荐信息展示给用户。同时,移动终端采集用户的订单信息与评价信息中的一种一项,将采集的订单信息和/或评价信息发送至电子设备104。
如图1,本实施例的方法包括:
S110、获取订单信息,并将所述订单信息进行存储。
S120、获取评价信息,在存储的订单信息中确定与所述评价信息相匹配的订单信息,基于所述评价信息与所述相匹配的订单信息形成训练样本。
S130、基于所述训练样本对当前信息推荐模型进行训练,得到更新信息推荐模型。
S140、基于所述当前信息推荐模型的上一信息推荐模型、所述当前信息推荐模型或所述更新信息推荐模型中的任一项进行信息推荐。
本实施例中通过训练信息推荐模型对用户进行信息推荐,该信息推荐模型用于评估各信息的预测好评率,即用于预测用户对推荐信息进行好评的概率,并基于该好评概率向用户进行信息推荐,无需基于已有好评率对信息或商品进行划分,避免了已有好评率的片面性影响推荐精度的问题。
其中,进行推荐的信息可以是电商平台中的各商品、网络课程、视频、音频或者文章等。订单信息为对上述信息进行订阅、购买等下单操作对应的信息,示例性的,订单信息可以是基于对电商平台上各商品、网络课程等的下单操作产生的,还可以是对诸如视频、音频或者文章进行订阅操作产生的。在一些实施例中,订单信息包括订单数据和订单属性信息,其中订单数据为下单操作或订阅操作对应的信息数据,例如,诸如商品名称等的商品信息、网络课程内容等的网络课程信息等待。订单属性信息可以是下单操作或订阅操作对应的信息,例如包括但不限于订单号、下单时间、下单价格、下单数量等。
本实施例中,在用户进行下单操作时,触发生成下单事件,移动终端将上述下单事件发生至电子设备,电子设备通过预先设置的事件监听器监听下单事件,以获取下单时间对应的订单信息,将订单信息进行存储,例如可以是存储在预先设置的存储空间。需要说明的是,由于在电子商务场景中,上述订单信息可实时得到,但订单的评价信息具有滞后性的特征,例如可以是在订单成交滞后的3天、7天等的时间之后得到,因此,将实时采集的订单信息进行存储,便于在后续采集到评价信息后,组合形成训练信息推荐模型的样本数据。
在上述实施例的基础上,用户在对成交的订单进行评价时,生成评价事件,移动终端将上述评价事件发生至电子设备,电子设备通过设置评价事件监听器,实时监听用户的评价事件,以获取用户反馈的评价信息,其中,评价信息中包括评价内容和至少一个订单属性信息,例如评价内容包括评价等级和/或评价文本,评价等级可以是但不限于“好评”、“中评”以及“差评”等,或者一星、二星、三星等。
在一些实施例中,当评价信息仅包括评价文本时,通过预先设置的评价等级识别模块对评价文本进行处理,得到该评价文本对应的评价文本等级,其中,该评价等级识别模块可以是神经网络模型或者分类模型等。在一些实施例中,当评价信息中同时包括评价等级和评价文本时,可以是基于评价等级与对应的订单信息形成训练样本,无需对评价文本进行处理,检索数据处理量。在一些实施例中,当评价信息中同时包括评价等级和评价文本时,还可以是确定评价文本对应的评价文本等级,基于评价文本等级和评价信息中评价等级确定目标评价等级,示例性的,可以是将评价文本等级和评价等级进行加权处理,得到目标评价等级,其中,评价文本等级和评价等级可以是通过数值标识,例如等级越高,数值越高,评价文本等级和评价等级的权重可以是预先设置的,例如可以是1:1、1:2或2:1等,对此不作限制,不同目标评价等级对应不同的数值范围,通过不同的数值范围确定目标评价等级。
评价信息中携带的订单属性信息可以是订单号、下单时间、下单价格以及下单数量等,便于与预先存储的订单信息进行匹配,经匹配成功评价信息与订单信息形成样本数据。
具体的,在存储的订单信息中确定与所述评价信息相匹配的订单信息,包括:基于所述评价信息对应的订单属性信息在所述存储的订单信息中进行匹配,确定匹配成功的订单信息。在一些实施例中,将匹配成功的订单信息从存储空间中删除,以减少对存储空间的内存占用。
本实施例中,实时接收各移动终端反馈的评价信息,基于该评价信息以及对应的订单信息形成训练样本。基于该训练数据对信息推荐模型进行实施例训练。其中信息推荐模型可以是但不限于DeepFM(Deep Factorization-Machine,深度因子分解机)模型、DIN(Deep Interest Network,深度兴趣网络)模型以及梯度提示决策树模型。其中,当前信息推荐模型为通过在当前时刻之前形成的训练样本训练得到的信息推荐模型。在形成新的训练样本后,基于该新的训练样本对当前信息推荐模型进行训练,以更新该当前信息推荐模型,得到更新信息推荐模型。本实施例中,根据实时形成的训练样本对信息推荐模型进行训练,提供信息推荐模型的推荐精度,满足用户用户需求。
可选的,对当前信息推荐模型的训练过程可以是:根据当前信息推荐模型的输入信息的需求对订单信息进行预处理,该预处理可以是将订单信息转换为向量数据,以及将该向量数据转换为预设维度的向量数据。将该订单信息或预处理后的订单数据输入至当前信息推荐模型中,得到该当前信息推荐模型输出的该订单数据的预测好评概率,基于该预测好评概率与样本数据中的评价信息生成损失函数,将该损失函数反向输入至当前信息推荐模型中,调节当前信息推荐模型中的网络参数,得到更新信息推荐模型。其中,对上述损失函数不作限定,可根据用户需求设置。
本实施例中,经过训练得到的上一信息推荐模型、当前信息推荐模型或所述更新信息推荐模型均具有信息推荐功能,即均能预测信息的好评概率,因此,使用上述的上一信息推荐模型、当前信息推荐模型或更新信息推荐模型中的任一项进行信息推荐,其中,该当前信息推荐模型的上一信息推荐模型通过实时形成的训练样本对初始信息推荐模型训练得到。例如,初始信息推荐模型每经过一次训练得到一个信息推荐模型,经过实时形成的训练样本对初始信息推荐模型进行迭代训练得到上一信息推荐模型,上一信息推荐模型在经过训练样本的训练后可得到当前信息推荐模型,当前信息推荐模型在经过训练样本的训练后可得到更新信息推荐模型。
在一些实施例中,基于所述当前信息推荐模型的上一信息推荐模型、所述当前信息推荐模型或所述更新信息推荐模型中的任一项进行信息推荐,包括:基于处于可用状态的所述当前信息推荐模型的上一信息推荐模型、所述当前信息推荐模型和所述更新信息推荐模型中的任一项进行信息推荐。其中,处于可用状态表明信息推荐模型以训练完成,未处于正在训练状态。示例性的,在基于训练样本对当前信息推荐模型进行训练之前,上一信息推荐模型和当前信息推荐模型均处于可用状态;当基于训练样本对当前信息推荐模型进行训练的过程中,该当前信息推荐模型处于训练状态,更新信息推荐模型未训练完成,即仅上一信息推荐模型处于训练状态。当基于训练样本对当前信息推荐模型进行训练后,上一信息推荐模型、当前信息推荐模型和更新信息推荐模型均处于可用状态。
本实施例中,通过同时存储上一信息推荐模型、当前信息推荐模型和更新信息推荐模型,并处于可用状态的信息推荐模型进行信息推荐,在实现信息推荐模型实时训练的同时,实现对用户进行信息推荐,避免在信息推荐模型更新过程中无法实现信息推荐的问题,实现了更新信息推荐模型的无缝衔接。
在一些实施例中,当更新信息推荐模型训练完成后,可删除上一信息推荐模型,避免大量信息推荐模型存储导致的内存占用。
在上述实施例的基础上,处于可用状态的所述当前信息推荐模型的上一信息推荐模型、所述当前信息推荐模型或所述更新信息推荐模型的使用优先级依次升高。在接收到用户的信息搜索指令时,确定处于可用状态的信息推荐模型,基于处于可用状态的信息推荐模型的优先级,使用进行信息推荐的信息推荐模型。示例性的,当上一信息推荐模型、当前信息推荐模型和更新信息推荐模型均处于可用状态时,使用更新信息推荐模型进行信息推荐,以提高信息推荐的准确度。
在一些实施例中,基于处于可用状态的所述当前信息推荐模型的上一信息推荐模型、所述当前信息推荐模型和所述更新信息推荐模型中的任一项进行信息推荐,包括:获取信息搜索指令,确定所述信息搜索指令对应的候选信息;基于被使用的信息推荐模型确定各所述候选信息的好评概率,基于所述好评概率确定所述信息搜索指令对应的推荐信息。
其中,信息搜索指令中包括搜索关键词(例如信息名称关键词,信息类型关键词、信息商家关键词、信息地址关键词等)等的搜索信息,基于搜索信息在已存储信息中进行匹配,确定多个候选信息,将各候选信息分别输入被使用的信息推荐模型,输出各候选信息的好评概率,基于好评概率对各候选信息进行排序,基于排序确定各候选信息的推荐顺序。其中,将候选信息和推荐顺序发送至移动终端,以使移动终端基于推荐顺序将各候选信息进行展示。
可选的,基于好评概率从候选信息中筛选推荐信息。在一些实施例中,所述基于所述好评概率确定所述信息搜索指令对应的推荐信息,包括:基于各所述候选信息的好评概率对各所述候选信息进行排序(从高到低排序),将预设排序范围的候选信息确定为推荐信息。其中,预设排序范围可以是排序的前预设数量的范围,例如排序的前十名,其中,预设排序范围对应的信息数量可以是预先设置的。
在一些实施例中,基于所述好评概率确定所述信息搜索指令对应的推荐信息,包括:将所述好评概率大于预设概率阈值的候选信息确定为推荐信息。其中,预设概率阈值可以是预先设置的,例如80%。可选的,将确定的推荐信息以及对应的好评概率发送至移动终端,以使移动终端显示上述推荐信息。进一步的,可以是基于好评概况对推荐信息进行排序,并基于排序对推荐信息继续显示。
需要说明的是,步骤S110-S130以及S140之间的执行顺序可以是顺序执行,还可以是同步执行,以及还可以是先执行步骤S140在执行步骤S110-S130,对此不作限定。
本公开实施例的技术方案,通过设置具有好评预测功能的信息推荐模块,对于用户的搜索操作,通过信息推荐模块确定各信息的好评概率,向用户推荐预测好评概率的信息,提高用户对推荐信息的满意度,同时避免因推荐原因导致推荐信息被差评的问题。进一步的,通过实时采集并存储订单信息,并将实时采集的评价信息与存储的订单信息组合形成相匹配的训练样本,对已训练的信息推荐模块进行实时更新,通过实时流数据不断提高信息推荐模型的精度,并基于当前信息推荐模型的上一信息推荐模型、所述当前信息推荐模型或所述更新信息推荐模型中的任一项实现信息推荐,保证信息推荐的不间断执行,以及实现了信息推荐模型的无间断更新。
示例性的,参见图3,图3是本发明实施例提供的信息推荐方法的流程示意图。图3中移动终端向电子设备实时发送反馈数据,该反馈数据配置为评价数据,电子设备采集实时流数据,例如可以是基于Flink实时计算框架采集实时流数据。基于反馈数据进行历史数据溯源,即确定该反馈数据对应的订单数据,对反馈数据进行实时计算,即对反馈数据进行预处理,得到符合要求的反馈数据,其中,对反馈数据进行预处理例如可以是将评价文本转换为评价等级。基于反馈数据和订单数据形成样本数据,基于样本数据对当前信息推荐模型进行在线学习,得到更新信息推荐模型,同时基于上一信息推荐模型、当前信息推荐模型或更新信息推荐模型中的任一项进行信息好评概率的实时预估,以实现信息推荐。
实施例二
图4为本公开实施例二所提供的一种信息推荐方法流程示意图。本实施例以前述实施例为基础进行了优化,如图2所示,所述方法包括:
S210、获取订单信息,并将所述订单信息进行存储。
S220、获取评价信息,在存储的订单信息中确定与所述评价信息相匹配的订单信息,基于所述评价信息与所述相匹配的订单信息形成训练样本。
S230、基于所述训练样本对当前信息推荐模型进行训练,得到更新信息推荐模型。
S240、获取信息搜索指令,确定所述信息搜索指令对应的候选信息。
S250、基于被使用的信息推荐模型确定各所述候选信息的好评概率,其中,被使用的信息推荐模型为处于可用状态的所述当前信息推荐模型的上一信息推荐模型、所述当前信息推荐模型和所述更新信息推荐模型中的任一项。
S260、获取各候选信息的点击率和/或订单转化率,基于各所述候选信息的所述点击率和订单转化率的至少一项以及所述好评概率,确定推荐信息。
其中,候选信息的点击率可以是基于候选信息的点击次数确定,例如可以是候选信息的点击次数与同类型信息总点击次数的比例,或者候选信息的点击次数全部信息的总点击次数的比例,对此不作限定。订单转化率为候选信息的点单量与点击次数的比例。
本实施例中,通过获取各候选信息的点击率和/或订单转化率,辅助候选信息的好评概率进行信息推荐,以提高信息推荐的精度。
可选的,基于各候选信息的所述点击率和订单转化率的至少一项以及所述好评概率,确定推荐信息,包括:将各所述候选信息的所述点击率和订单转化率的至少一项以及所述好评概率进行加权处理,得到各所述候选信息的推荐指数;基于各所述候选信息的推荐指数确定推荐信息。其中,点击率、订单转化率以及好评概率的权重可以是预先设置的。
可选的,基于推荐指数将各候选信息进行排序,筛选预设排序范围的候选信息作为推荐信息,或者将推荐指数满足预设指数要求(例如大于预设阈值)的候选信息确定为推荐信息。
在一些实施例中,获取各候选信息的点击率、订单转化率和好评概率,对各候选信息的点击率、订单转化率和好评概率进行加权处理,得到各所述候选信息的推荐指数。可选的,各候选信息的点击率和订单转化率可以是各候选信息的当前点击率和点前订单转化率。在另一些实施例中,各候选信息的点击率和订单转化率还可以是通过预估得到。示例性的,参见图5,图5是本发明实施例提供的一种信息推荐方法的流程示意图。图5中,通过好评预估、点击率预估和转化率预估确定各候选信息的总体预估,并基于总体预估对推荐类目(候选信息或推荐信息)进行排序,确定推荐信息,并将推荐信息反馈至移动终端。
其中,图5中的点击率预估和转化率预估可以是通过预先设置的预估模型确定,该预估模型可以分别为点击率预估模型和转化率预估模型,可以是诸如神经网络模型的机器学习模型,具有点击率预测和转化率预测的功能。
本实施例提供的技术方案,在通过信息推荐模型确定各候选信息的好评概率的基础上,进一步获取各候选信息的点击率和/或订单转化率,基于各所述候选信息的所述点击率和订单转化率的至少一项以及所述好评概率,确定推荐信息,提高了信息推荐的精度。
实施例三
图6是本公开实施例五所提供的一种信息推荐装置结构示意图。如图6所示,所述装置包括:订单信息存储模块310、训练样本确定模块320、模型训练模块330以及信息推荐模型340。其中,
订单信息存储模块310,用于获取订单信息,并将所述订单信息进行存储;
训练样本确定模块320,用于获取评价信息,在存储的订单信息中确定与所述评价信息相匹配的订单信息,基于所述评价信息与所述相匹配的订单信息形成训练样本;
模型训练模块330,用于基于所述训练样本对当前信息推荐模型进行训练,得到更新信息推荐模型;
信息推荐模型340,用于基于所述当前信息推荐模型的上一信息推荐模型、所述当前信息推荐模型或所述更新信息推荐模型中的任一项进行信息推荐,其中,所述当前信息推荐模型的上一信息推荐模型通过实时形成的训练样本对初始信息推荐模型训练得到。
本公开实施例的技术方案,通过设置具有好评预测功能的信息推荐模块,对于用户的搜索操作,通过信息推荐模块确定各信息的好评概率,向用户推荐预测好评概率的信息,提高用户对推荐信息的满意度,同时避免因推荐原因导致信息被差评的问题。进一步的,通过实时采集并存储订单信息,并将实时采集的评价信息与存储的订单信息组合形成相匹配的训练样本,对已训练的信息推荐模块进行实时更新,通过实时流数据不断提高信息推荐模型的精度,并基于当前信息推荐模型的上一信息推荐模型、所述当前信息推荐模型或所述更新信息推荐模型中的任一项实现信息推荐,保证信息推荐的不间断执行,以及实现了信息推荐模型的无间断更新。
在上述技术方案的基础上,所述订单信息包括订单数据和订单属性信息。
在上述技术方案的基础上,训练样本确定模块320用于:
基于所述评价信息对应的订单属性信息在所述存储的订单信息中进行匹配,确定匹配成功的订单信息。
在上述技术方案的基础上,信息推荐模型340用于:
基于处于可用状态的所述当前信息推荐模型的上一信息推荐模型、所述当前信息推荐模型和所述更新信息推荐模型中的任一项进行信息推荐。
在上述技术方案的基础上,所述处于可用状态的所述当前信息推荐模型的上一信息推荐模型、所述当前信息推荐模型或所述更新信息推荐模型的使用优先级依次升高。
在上述技术方案的基础上,信息推荐模型340包括:
候选信息确定单元,用于获取信息搜索指令,确定所述信息搜索指令对应的候选信息;
推荐信息确定单元,用于基于被使用的信息推荐模型确定各所述候选信息的好评概率,基于所述好评概率确定所述信息搜索指令对应的推荐信息。
在上述技术方案的基础上,推荐信息确定单元用于:
基于各所述候选信息的好评概率对各所述候选信息进行排序,将预设排序范围的候选信息确定为推荐信息;
或者,
将所述好评概率大于预设概率阈值的候选信息确定为推荐信息。
在上述技术方案的基础上,该装置还包括:
信息参数获取单元,用于获取各候选信息的点击率和/或订单转化率;
相应的,推荐信息确定单元用于:
基于各所述候选信息的所述点击率和订单转化率的至少一项以及所述好评概率,确定推荐信息。
本公开实施例所提供的装置可执行本公开任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述装置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,并不用于限制本公开实施例的保护范围。
实施例四
下面参考图7,其示出了适于用来实现本公开实施例的电子设备(例如图7中的终端设备或服务器)400的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM402被安装。在该计算机程序被处理装置401执行时,执行本公开实施例的方法中限定的上述功能。
本公开实施例提供的电子设备与上述实施例提供的信息推荐方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且本实施例与上述实施例具有相同的有益效果。
实施例五
本公开实施例提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述实施例所提供的信息推荐方法。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
获取订单信息,并将所述订单信息进行存储;
获取评价信息,在存储的订单信息中确定与所述评价信息相匹配的订单信息,基于所述评价信息与所述相匹配的订单信息形成训练样本;
基于所述训练样本对当前信息推荐模型进行训练,得到更新信息推荐模型;
基于所述当前信息推荐模型的上一信息推荐模型、所述当前信息推荐模型或所述更新信息推荐模型中的任一项进行信息推荐,其中,所述当前信息推荐模型的上一信息推荐模型通过实时形成的训练样本对初始信息推荐模型训练得到。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元/模块的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,【示例一】提供了一种信息推荐方法,该方法包括:
获取订单信息,并将所述订单信息进行存储;
获取评价信息,在存储的订单信息中确定与所述评价信息相匹配的订单信息,基于所述评价信息与所述相匹配的订单信息形成训练样本;
基于所述训练样本对当前信息推荐模型进行训练,得到更新信息推荐模型;
基于所述当前信息推荐模型的上一信息推荐模型、所述当前信息推荐模型或所述更新信息推荐模型中的任一项进行信息推荐,其中,所述当前信息推荐模型的上一信息推荐模型通过实时形成的训练样本对初始信息推荐模型训练得到。
根据本公开的一个或多个实施例,【示例二】提供了一种信息推荐方法,还包括:
可选的,所述订单信息包括订单数据和订单属性信息。
根据本公开的一个或多个实施例,【示例三】提供了一种信息推荐方法,还包括:
可选的,所述在存储的订单信息中确定与所述评价信息相匹配的订单信息,包括:基于所述评价信息对应的订单属性信息在所述存储的订单信息中进行匹配,确定匹配成功的订单信息。
根据本公开的一个或多个实施例,【示例四】提供了一种信息推荐方法,还包括:
可选的,所述基于所述当前信息推荐模型的上一信息推荐模型、所述当前信息推荐模型或所述更新信息推荐模型中的任一项进行信息推荐,包括:基于处于可用状态的所述当前信息推荐模型的上一信息推荐模型、所述当前信息推荐模型和所述更新信息推荐模型中的任一项进行信息推荐。
根据本公开的一个或多个实施例,【示例五】提供了一种信息推荐方法,还包括:
可选的,所述处于可用状态的所述当前信息推荐模型的上一信息推荐模型、所述当前信息推荐模型或所述更新信息推荐模型的使用优先级依次升高。
根据本公开的一个或多个实施例,【示例六】提供了一种信息推荐方法,还包括:
可选的,基于处于可用状态的所述当前信息推荐模型的上一信息推荐模型、所述当前信息推荐模型和所述更新信息推荐模型中的任一项进行信息推荐,包括:获取信息搜索指令,确定所述信息搜索指令对应的候选信息;基于被使用的信息推荐模型确定各所述候选信息的好评概率,基于所述好评概率确定所述信息搜索指令对应的推荐信息。
根据本公开的一个或多个实施例,【示例七】提供了一种信息推荐方法,还包括:
可选的,所述基于所述好评概率确定所述信息搜索指令对应的推荐信息,包括:基于各所述候选信息的好评概率对各所述候选信息进行排序,将预设排序范围的候选信息确定为推荐信息;或者,将所述好评概率大于预设概率阈值的候选信息确定为推荐信息。
根据本公开的一个或多个实施例,【示例八】提供了一种信息推荐方法,还包括:
可选的,在基于所述好评概率确定所述信息搜索指令对应的推荐信息之前,所述方法还包括:获取各候选信息的点击率和/或订单转化率;
相应的,所述基于所述好评概率确定所述信息搜索指令对应的推荐信息,包括:基于各所述候选信息的所述点击率和订单转化率的至少一项以及所述好评概率,确定推荐信息。
根据本公开的一个或多个实施例,【示例九】提供了一种信息推荐方法,还包括:
可选的,所述基于各候选信息的所述点击率和订单转化率的至少一项以及所述好评概率,确定推荐信息,包括:将各所述候选信息的所述点击率和订单转化率的至少一项以及所述好评概率进行加权处理,得到各所述候选信息的推荐指数;基于各所述候选信息的推荐指数确定推荐信息。
根据本公开的一个或多个实施例,【示例十】提供了一种信息推荐装置,该装置包括:
订单信息存储模块,用于获取订单信息,并将所述订单信息进行存储;
训练样本确定模块,用于获取评价信息,在存储的订单信息中确定与所述评价信息相匹配的订单信息,基于所述评价信息与所述相匹配的订单信息形成训练样本;
模型训练模块,用于基于所述训练样本对当前信息推荐模型进行训练,得到更新信息推荐模型;
信息推荐模型,用于基于所述当前信息推荐模型的上一信息推荐模型、所述当前信息推荐模型或所述更新信息推荐模型中的任一项进行信息推荐,其中,所述当前信息推荐模型的上一信息推荐模型通过实时形成的训练样本对初始信息推荐模型训练得到。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (9)
1.一种信息推荐方法,其特征在于,包括:
获取实时订单信息,并将所述订单信息进行存储;
获取实时评价信息,在存储的订单信息中确定与所述评价信息相匹配的订单信息,基于所述评价信息与所述相匹配的订单信息形成实时的训练样本;
基于所述训练样本对当前信息推荐模型进行训练,得到更新信息推荐模型;
基于处于可用状态的所述当前信息推荐模型的上一信息推荐模型、所述当前信息推荐模型和所述更新信息推荐模型中的任一项进行信息推荐,其中,所述当前信息推荐模型的上一信息推荐模型通过实时形成的训练样本对初始信息推荐模型训练得到;
其中,所述订单信息包括订单数据和订单属性信息;
所述在存储的订单信息中确定与所述评价信息相匹配的订单信息,包括:
基于所述评价信息对应的订单属性信息在所述存储的订单信息中进行匹配,确定匹配成功的订单信息。
2.根据权利要求1所述的方法,其特征在于,所述处于可用状态的所述当前信息推荐模型的上一信息推荐模型、所述当前信息推荐模型或所述更新信息推荐模型的使用优先级依次升高。
3.根据权利要求1所述的方法,其特征在于,基于处于可用状态的所述当前信息推荐模型的上一信息推荐模型、所述当前信息推荐模型和所述更新信息推荐模型中的任一项进行信息推荐,包括:
获取信息搜索指令,确定所述信息搜索指令对应的候选信息;
基于被使用的信息推荐模型确定各所述候选信息的好评概率,基于所述好评概率确定所述信息搜索指令对应的推荐信息。
4.根据权利要求3所述的方法,其特征在于,所述基于所述好评概率确定所述信息搜索指令对应的推荐信息,包括:
基于各所述候选信息的好评概率对各所述候选信息进行排序,将预设排序范围的候选信息确定为推荐信息;
或者,
将所述好评概率大于预设概率阈值的候选信息确定为推荐信息。
5.根据权利要求3所述的方法,其特征在于,在基于所述好评概率确定所述信息搜索指令对应的推荐信息之前,所述方法还包括:
获取各候选信息的点击率和/或订单转化率;
相应的,所述基于所述好评概率确定所述信息搜索指令对应的推荐信息,包括:
基于各所述候选信息的所述点击率和订单转化率的至少一项以及所述好评概率,确定推荐信息。
6.根据权利要求5所述的方法,其特征在于,所述基于各候选信息的所述点击率和订单转化率的至少一项以及所述好评概率,确定推荐信息,包括:
将各所述候选信息的所述点击率和订单转化率的至少一项以及所述好评概率进行加权处理,得到各所述候选信息的推荐指数;
基于各所述候选信息的推荐指数确定推荐信息。
7.一种信息推荐装置,其特征在于,包括:
订单信息存储模块,用于获取实时订单信息,并将所述订单信息进行存储;
训练样本确定模块,用于获取实时评价信息,在存储的订单信息中确定与所述评价信息相匹配的订单信息,基于所述评价信息与所述相匹配的订单信息形成实时的训练样本;
模型训练模块,用于基于所述训练样本对当前信息推荐模型进行训练,得到更新信息推荐模型;
信息推荐模型,用于基于处于可用状态的所述当前信息推荐模型的上一信息推荐模型、所述当前信息推荐模型和所述更新信息推荐模型中的任一项进行信息推荐,其中,所述当前信息推荐模型的上一信息推荐模型通过实时形成的训练样本对初始信息推荐模型训练得到;
其中,所述订单信息包括订单数据和订单属性信息;
所述训练样本确定模块具体用于基于所述评价信息对应的订单属性信息在所述存储的订单信息中进行匹配,确定匹配成功的订单信息。
8.一种电子设备,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1-6中任一所述的信息推荐方法。
9.一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如权利要求1-6中任一所述的信息推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011613919.XA CN112734462B (zh) | 2020-12-30 | 2020-12-30 | 一种信息推荐方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011613919.XA CN112734462B (zh) | 2020-12-30 | 2020-12-30 | 一种信息推荐方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112734462A CN112734462A (zh) | 2021-04-30 |
CN112734462B true CN112734462B (zh) | 2024-04-05 |
Family
ID=75611109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011613919.XA Active CN112734462B (zh) | 2020-12-30 | 2020-12-30 | 一种信息推荐方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734462B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1588400A (zh) * | 2004-10-21 | 2005-03-02 | 上海交通大学 | 电子商务中推荐商品的方法 |
CN107392718A (zh) * | 2017-07-26 | 2017-11-24 | 四川长虹电器股份有限公司 | 商品推荐方法 |
CN110264301A (zh) * | 2019-05-10 | 2019-09-20 | 拉扎斯网络科技(上海)有限公司 | 推荐方法、装置、电子设备和非易失性存储介质 |
CN110674406A (zh) * | 2019-09-29 | 2020-01-10 | 百度在线网络技术(北京)有限公司 | 推荐方法、装置、电子设备及存储介质 |
CN110910180A (zh) * | 2019-12-02 | 2020-03-24 | 北京嘀嘀无限科技发展有限公司 | 信息推送方法、装置、电子设备和存储介质 |
CN111192108A (zh) * | 2019-12-16 | 2020-05-22 | 北京淇瑀信息科技有限公司 | 一种用于产品推荐的排序方法、装置和电子设备 |
CN111738805A (zh) * | 2020-07-20 | 2020-10-02 | 北京每日优鲜电子商务有限公司 | 基于行为日志的搜索推荐模型生成方法、设备和存储介质 |
CN111833078A (zh) * | 2019-04-15 | 2020-10-27 | 泰康保险集团股份有限公司 | 基于区块链的推荐方法、装置、介质及电子设备 |
WO2020233432A1 (zh) * | 2019-05-20 | 2020-11-26 | 阿里巴巴集团控股有限公司 | 一种信息推荐方法及装置 |
-
2020
- 2020-12-30 CN CN202011613919.XA patent/CN112734462B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1588400A (zh) * | 2004-10-21 | 2005-03-02 | 上海交通大学 | 电子商务中推荐商品的方法 |
CN107392718A (zh) * | 2017-07-26 | 2017-11-24 | 四川长虹电器股份有限公司 | 商品推荐方法 |
CN111833078A (zh) * | 2019-04-15 | 2020-10-27 | 泰康保险集团股份有限公司 | 基于区块链的推荐方法、装置、介质及电子设备 |
CN110264301A (zh) * | 2019-05-10 | 2019-09-20 | 拉扎斯网络科技(上海)有限公司 | 推荐方法、装置、电子设备和非易失性存储介质 |
WO2020233432A1 (zh) * | 2019-05-20 | 2020-11-26 | 阿里巴巴集团控股有限公司 | 一种信息推荐方法及装置 |
CN110674406A (zh) * | 2019-09-29 | 2020-01-10 | 百度在线网络技术(北京)有限公司 | 推荐方法、装置、电子设备及存储介质 |
CN110910180A (zh) * | 2019-12-02 | 2020-03-24 | 北京嘀嘀无限科技发展有限公司 | 信息推送方法、装置、电子设备和存储介质 |
CN111192108A (zh) * | 2019-12-16 | 2020-05-22 | 北京淇瑀信息科技有限公司 | 一种用于产品推荐的排序方法、装置和电子设备 |
CN111738805A (zh) * | 2020-07-20 | 2020-10-02 | 北京每日优鲜电子商务有限公司 | 基于行为日志的搜索推荐模型生成方法、设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
Application of improved collaborative filtering in the recommendation of e-commerce commodities;D Chang,等;International Journal of Computers Communications & Control;20190805;第14卷(第4期);第1页 * |
基于LDA模型的餐厅推荐方法研究;张晓阳;秦贵和;邹密;孙铭会;高庆洋;;计算机科学(07);第180-184、214页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112734462A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110619076B (zh) | 一种搜索词推荐方法、装置、计算机及存储介质 | |
CN111414543B (zh) | 用于生成评论信息序列的方法、装置、电子设备和介质 | |
CN112650841A (zh) | 信息处理方法、装置和电子设备 | |
CN113592535B (zh) | 一种广告推荐方法、装置、电子设备和存储介质 | |
CN112836128A (zh) | 信息推荐方法、装置、设备和存储介质 | |
CN112395022B (zh) | 信息显示方法、装置、电子设备及计算机可读存储介质 | |
CN116541610A (zh) | 一种推荐模型的训练方法及装置 | |
WO2022001887A1 (zh) | 用于训练物品编码模型的方法和装置 | |
CN110795554A (zh) | 目标信息分析方法、装置、设备及存储介质 | |
CN113934938A (zh) | 信息展示的方法、装置、可读介质和电子设备 | |
CN111262744B (zh) | 多媒体信息发送方法、备份服务器及介质 | |
CN116109374A (zh) | 资源位展示方法、装置、电子设备和计算机可读介质 | |
CN112734462B (zh) | 一种信息推荐方法、装置、设备及介质 | |
CN114625876B (zh) | 作者特征模型的生成方法、作者信息处理方法和装置 | |
CN112860999B (zh) | 信息推荐方法、装置、设备和存储介质 | |
CN115129997A (zh) | 一种内容检测方法、装置及设备 | |
CN111339770B (zh) | 用于输出信息的方法和装置 | |
CN114926234A (zh) | 物品信息推送方法、装置、电子设备和计算机可读介质 | |
CN111339124B (zh) | 显示数据方法、装置、电子设备和计算机可读介质 | |
CN116416018A (zh) | 内容输出方法、装置、计算机可读介质及电子设备 | |
CN112364232A (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN116823407B (zh) | 产品信息推送方法、装置、电子设备和计算机可读介质 | |
CN113283115B (zh) | 图像模型生成方法、装置和电子设备 | |
CN113177174B (zh) | 特征构建方法、内容显示方法及相关装置 | |
CN116800834B (zh) | 虚拟礼物合并方法、装置、电子设备和计算机可读介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |