CN112818219A - 解释推荐效果的方法、系统、电子设备及可读存储介质 - Google Patents
解释推荐效果的方法、系统、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN112818219A CN112818219A CN202110086740.1A CN202110086740A CN112818219A CN 112818219 A CN112818219 A CN 112818219A CN 202110086740 A CN202110086740 A CN 202110086740A CN 112818219 A CN112818219 A CN 112818219A
- Authority
- CN
- China
- Prior art keywords
- user
- recommendation
- data
- behavior
- track
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013486 operation strategy Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 15
- 239000000463 material Substances 0.000 claims abstract description 12
- 230000006399 behavior Effects 0.000 claims description 117
- 238000004590 computer program Methods 0.000 claims description 12
- 239000013589 supplement Substances 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 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
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
- G06F16/9562—Bookmark 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
本发明公开了一种解释推荐效果的方法、系统、电子设备及可读存储介质，上述方法包括：获取用户的相关数据，包括用户数据、物料数据与用户行为数据；根据相关数据训练模型；基于训练好的模型结合运营策略和用户实时行为针对不同的用户返回不同的推荐结果；根据推荐结果记录用户的行为轨迹，包括在返回推荐结果之前用户产生的历史行为数据与在返回推荐结果之后用户针对推荐结果的主动操作行为数据；设置限定条件，根据所述限定条件在前端界面展示用户行为轨迹。客户可以通过此内容理解推荐算法的推荐依据并可以验证运营策略生效情况，还可以发现隐藏的关联关系进而补充算法的特征或完善运营策略。
Description
技术领域
本发明涉及数据分析技术领域，尤其涉及一种基于用户行为轨迹解释推荐效果的方法、系统、电子设备及可读存储介质。
背景技术
随着网络发展的迅速，信息的迅速膨胀，用户行为节奏的加快，越来越需要能快速获取用户直接需求或者潜在需求的信息，在这种需求下推荐系统的应用越来越广泛。
当前的推荐效果的实现是通过模型或者运营策略或者两者结合的方式进行推荐结果的推送，后续的优化主要是通过累计数据进行模型的更新迭代或者增加更多的特征，客户对于效果的查看往往是通过曝光、点击、转化率等基本指标，为了满足客户希望更直观的查看推荐效果以及洞察出行为特征，提供导致用户被推荐的行为以及推荐后的行为。
当前现有技术是在推荐位对应的数据报告中，展示不同行为(例如曝光、点击、购买、点赞等)的数据指标。此技术缺点是数据指标的表格必须在时间上完全对应，并且无法展示出行为序列特征及关联关系。割裂查看行为数据可能对数据现象产生遗漏，或者得出错误的结论。
另一现有技术是将用户本身特性及行为转化成标签，展示单个标签或者多个标签的各维度数据。缺点是标签与标签之间没有时间顺序或者关联关系的展示，并且无法在数据显示上层层递进，产生从单一维度向下分析的效果。
发明内容
本发明针对上述的用户行为展示具有局限性的技术问题，提出一种基于用户行为轨迹解释推荐效果的方法、系统、电子设备及可读存储介质。
第一方面，本申请实施例提供了一种基于用户行为轨迹解释推荐效果的方法，包括：
数据获取步骤：获取用户的相关数据；
模型训练步骤：根据所述相关数据训练模型；
推荐步骤：基于训练好的所述模型结合运营策略和用户实时行为针对不同的所述用户返回不同的推荐结果；
轨迹记录步骤：根据所述推荐结果记录所述用户的行为轨迹；
轨迹展示步骤：在前端界面展示所述行为轨迹。
上述基于用户行为轨迹解释推荐效果的方法，其中，所述相关数据包括：用户数据、物料数据与用户行为数据。
上述基于用户行为轨迹解释推荐效果的方法，其中，所述行为轨迹包括：在返回所述推荐结果之前，所述用户产生的历史行为数据与在返回所述推荐结果之后，所述用户针对所述推荐结果的主动操作行为数据。
上述基于用户行为轨迹解释推荐效果的方法，其中，所述轨迹展示步骤还包括：
条件设置步骤：设置限定条件，根据所述限定条件展示所述行为轨迹。
第二方面，本申请实施例提供了一种基于用户行为轨迹解释推荐效果的系统，包括：
数据获取模块：获取用户的相关数据；
模型训练模块：根据所述相关数据训练模型；
推荐模块：基于训练好的所述模型结合运营策略和用户实时行为针对不同的所述用户返回不同的推荐结果；
轨迹记录模块：根据所述推荐结果记录所述用户的行为轨迹；
轨迹展示模块：在前端界面展示所述行为轨迹。
上述基于用户行为轨迹解释推荐效果的系统，其中，所述相关数据包括：用户数据、物料数据与用户行为数据。
上述基于用户行为轨迹解释推荐效果的系统，其中，所述行为轨迹包括：在返回所述推荐结果之前，所述用户产生的历史行为数据与在返回所述推荐结果之后，所述用户针对所述推荐结果的主动操作行为数据。
上述基于用户行为轨迹解释推荐效果的系统，其中，所述轨迹展示模块还包括：
条件设置单元：设置限定条件，根据所述限定条件展示所述行为轨迹。
第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的基于用户行为轨迹解释推荐效果的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的基于用户行为轨迹解释推荐效果的方法。
与现有技术相比，本发明的优点和积极效果在于：
本发明可以看到用户一段时间内的重点行为的行为轨迹，包括被推荐前后的行为及推荐节点，可以直观的查看到用户行为和推荐结果的关系，以及推荐结果引导用户产生的一些主动的转化行为，客户可以通过此内容更好的理解推荐算法的推荐依据，并且可以验证运营策略生效情况，还可以发现隐藏的关联关系进而补充算法的特征或完善运营策略。
附图说明
图1为本发明提供的一种基于用户行为轨迹解释推荐效果方法的步骤示意图；
图2为本发明提供的一种基于用户行为轨迹解释推荐效果方法一实施例流程示意图；
图3为本发明提供的用户行为轨迹展示示例图；
图4为本发明提供的一种基于用户行为轨迹解释推荐效果系统的框架图；
图5为根据本申请实施例的计算机设备的框架图。
其中，附图标记为：
11、数据获取模块；12、模型训练模块；13、推荐模块；14、轨迹记录模块；15、轨迹展示模块；151、条件设置单元；81、处理器；82、存储器；83、通信接口；80、总线。
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，对本申请进行描述和说明。应当理解，此处所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。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的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。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
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。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“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模块(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，而是可以还包括没有列出的步骤或单元，或可以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。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。
在详细阐述本发明各个实施例之前，对本发明的核心发明思想予以概述，并通过下述若干实施例予以详细阐述。
本发明通过训练出可用的模型，自动结合用户行为数据和运营策略，输出用户行为轨迹，包括被推荐前后的行为及推荐节点，通过此内容理解推荐算法的推荐依据并可以验证运营策略的生效情况。
实施例一：
图1为本发明提供的一种基于用户行为轨迹解释推荐效果方法的步骤示意图。如图1所示，本实施例揭示了一种基于用户行为轨迹解释推荐效果方法(以下简称“方法”)的具体实施方式。
具体而言，本实施例所揭示的方法主要包括以下步骤：
步骤S1：获取用户的相关数据。
具体而言，用户的相关数据包括：用户数据、物料数据与用户行为数据，并可以根据实际情况进行更新，例如，其中用户行为数据一般为实时更新，用户每更新一条行为就会通过API发送到推荐系统，或者是直接对接SDK采集日志；物料数据是当客户需要新增推荐物料的时候，或者是推荐物料需要下架的时候通过API进行更新；用户数据的更新过程可能为每有一个新增用户的时候，便将新增用户的数据更新过来，也可能累计一段时间的用户数据再进行更新。
步骤S2：根据所述相关数据训练模型。
具体而言，基于上述的用户数据、物料数据与用户行为数据构建并训练出可应用的模型。
步骤S3：基于训练好的所述模型结合运营策略和用户实时行为针对不同的所述用户返回不同的推荐结果。
具体而言，运营策略包括但不限于：置顶、必推、权重等，基于上述训练好的模型，结合推荐位设置的运营策略与用户的实时行为数据，对不同的用户返回与之对应的不同的推荐结果。
步骤S4：根据所述推荐结果记录所述用户的行为轨迹。
具体而言，记录用户的行为轨迹包括记录用户的历史行为数据与记录用户推荐之后的主动操作行为数据，历史行为数据为用户累积的数据，即针对于用户此次推荐行为之前用户产生的一些行为数据；主动操作行为数据为在返回用户推荐结果之后，用户针对于推荐结果进行的例如购买、点击等主动操作行为数据。
步骤S5：在前端界面展示所述行为轨迹。
其中，步骤S5还包括步骤S51：设置限定条件，根据所述限定条件展示所述行为轨迹。
具体而言，为了有针对的展示用户的行为轨迹，并且由于用户的行为数据的量较大，前端展示会存在加载慢的问题，所以设置限定条件来展示，例如，可以限定时间范围，仅展示在设置的时间段内的行为轨迹；或者限定展示某个推荐位上用户的行为轨迹；或者限定用户的行为类别，例如仅展示购买行为等，同时在前端界面对设置的限定条件进行注明。
具体而言，上述行为轨迹的展示可以针对于指定推荐位进行展示，也可以进行全局展示。
以下，请参照图2至图3。图2为本发明提供的一种基于用户行为轨迹解释推荐效果方法一实施例流程示意图，结合图2，具体说明本方法的应用流程如下：
1、根据客户提供的初始用户、物料、用户行为训练模型；
2、结合推荐位设置的运营策略(例如置顶、必推、权重等)和用户的实时行为针对于不同用户返回不同的推荐结果；
3、记录用户的历史数据以及针对于推荐结果的购买、点击等主动操作行为；
4、根据一些设定条件在前端界面展示个别用户的行为轨迹，并注明(可针对于指定推荐位展示也可以全局展示)，例如图3所示，图3为本发明提供的用户行为轨迹展示示例图。
本方法前期构建并训练出可应用的模型后，能自动结合用户行为数据，输出存储用户行为轨迹，提取关键维度，针对于关键维度进行汇总统计；并且能够分不同维度展示重点实体关联关系，并可以圈定不同维度的范围进行细化的查看分析。
实施例二：
结合实施例一所揭示的一种基于用户行为轨迹解释推荐效果方法，本实施例揭示了一种基于用户行为轨迹解释推荐效果的系统(以下简称“系统”)的具体实施示例。
参照图4所示，所述系统包括：
数据获取模块11：获取用户的相关数据；
模型训练模块12：根据所述相关数据训练模型；
推荐模块13：基于训练好的所述模型结合运营策略和用户实时行为针对不同的所述用户返回不同的推荐结果；
轨迹记录模块14：根据所述推荐结果记录所述用户的行为轨迹；
轨迹展示模块15：在前端界面展示所述行为轨迹。
具体而言，在数据获取模块11中的相关数据包括：用户数据、物料数据与用户行为数据。
具体而言，在轨迹记录模块14与轨迹展示模块15中进行记录并展示的用户的行为轨迹包括：在返回所述推荐结果之前，所述用户产生的历史行为数据与在返回所述推荐结果之后，所述用户针对所述推荐结果的主动操作行为数据。
具体而言，所述轨迹展示模块15还包括：
条件设置单元151：设置限定条件，根据所述限定条件展示所述行为轨迹。
本实施例所揭示的一种基于用户行为轨迹解释推荐效果的系统与实施例一所揭示的一种基于用户行为轨迹解释推荐效果方法中其余相同部分的技术方案，请参实施例一所述，在此不再赘述。
实施例三：
结合图5所示，本实施例揭示了一种计算机设备的一种具体实施方式。计算机设备可以包括处理器81以及存储有计算机程序指令的存储器82。
具体地，上述处理器81可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器82可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器82可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器82可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器82可在数据处理装置的内部或外部。在特定实施例中，存储器82是非易失性(Non-Volatile)存储器。在特定实施例中，存储器82包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(RandomAccess Memory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory，简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory，简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-Access Memory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。
存储器82可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器81所执行的可能的计算机程序指令。
处理器81通过读取并执行存储器82中存储的计算机程序指令，以实现上述实施例中的任意一种解释推荐效果的方法。
在其中一些实施例中，计算机设备还可包括通信接口83和总线80。其中，如图5所示，处理器81、存储器82、通信接口83通过总线80连接并完成相互间的通信。
通信接口83用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信端口83还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线80包括硬件、软件或两者，将计算机设备的部件彼此耦接在一起。总线80包括但不限于以下至少之一：数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制，总线80可包括图形加速接口(Accelerated Graphics Port，简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，简称为EISA)总线、前端总线(Front Side Bus，简称为FSB)、超传输(Hyper Transport，简称为HT)互连、工业标准架构(Industry Standard Architecture，简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count，简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture，简称为MCA)总线、外围组件互连(Peripheral Component Interconnect，简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment，简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线80可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
另外，结合上述实施例中的解释推荐效果方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种解释推荐效果方法。
以上所述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。
综上所述，基于本发明的有益效果在于，本发明可以看到用户一段时间内的重点行为的行为轨迹，包括被推荐前后的行为及推荐节点，可以直观的查看到用户行为和推荐结果的关系，以及推荐结果引导用户产生的一些主动的转化行为，客户可以通过此内容更好的理解推荐算法的推荐依据，并且可以验证运营策略生效情况，还可以发现隐藏的关联关系进而补充算法的特征或完善运营策略。
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 (10)
1.一种解释推荐效果的方法，其特征在于，基于用户行为轨迹，包括：
数据获取步骤：获取用户的相关数据；
模型训练步骤：根据所述相关数据训练模型；
推荐步骤：基于训练好的所述模型结合运营策略和用户实时行为针对不同的所述用户返回不同的推荐结果；
轨迹记录步骤：根据所述推荐结果记录所述用户的行为轨迹；
轨迹展示步骤：在前端界面展示所述行为轨迹。
2.根据权利要求1所述的一种解释推荐效果的方法，其特征在于，所述相关数据包括：用户数据、物料数据与用户行为数据。
3.根据权利要求1所述的一种解释推荐效果的方法，其特征在于，所述行为轨迹包括：在返回所述推荐结果之前，所述用户产生的历史行为数据与在返回所述推荐结果之后，所述用户针对所述推荐结果的主动操作行为数据。
4.根据权利要求1所述的一种解释推荐效果的方法，其特征在于，所述轨迹展示步骤还包括：
条件设置步骤：设置限定条件，根据所述限定条件展示所述行为轨迹。
5.一种解释推荐效果的系统，其特征在于，基于用户行为轨迹，包括：
数据获取模块：获取用户的相关数据；
模型训练模块：根据所述相关数据训练模型；
推荐模块：基于训练好的所述模型结合运营策略和用户实时行为针对不同的所述用户返回不同的推荐结果；
轨迹记录模块：根据所述推荐结果记录所述用户的行为轨迹；
轨迹展示模块：在前端界面展示所述行为轨迹。
6.根据权利要求5所述的一种解释推荐效果的系统，其特征在于，所述相关数据包括：用户数据、物料数据与用户行为数据。
7.根据权利要求5所述的一种解释推荐效果的系统，其特征在于，所述行为轨迹包括：在返回所述推荐结果之前，所述用户产生的历史行为数据与在返回所述推荐结果之后，所述用户针对所述推荐结果的主动操作行为数据。
8.根据权利要求5所述的一种解释推荐效果的系统，其特征在于，所述轨迹展示模块还包括：
条件设置单元：设置限定条件，根据所述限定条件展示所述行为轨迹。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的解释推荐效果的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4中任一项所述的解释推荐效果的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110086740.1A CN112818219A (zh) | 2021-01-22 | 2021-01-22 | 解释推荐效果的方法、系统、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110086740.1A CN112818219A (zh) | 2021-01-22 | 2021-01-22 | 解释推荐效果的方法、系统、电子设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112818219A true CN112818219A (zh) | 2021-05-18 |
Family
ID=75858759
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110086740.1A Pending CN112818219A (zh) | 2021-01-22 | 2021-01-22 | 解释推荐效果的方法、系统、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112818219A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113627188A (zh) * | 2021-08-16 | 2021-11-09 | 上海明略人工智能(集团)有限公司 | 基于时序点过程的新品发现方法、系统、设备及存储介质 |
| CN114331209A (zh) * | 2022-01-10 | 2022-04-12 | 北京蓝莓时节科技有限公司 | 推荐策略数据追踪方法、装置、系统和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107273436A (zh) * | 2017-05-24 | 2017-10-20 | 北京京东尚科信息技术有限公司 | 一种推荐模型的训练方法和训练装置 |
| CN110287420A (zh) * | 2019-06-28 | 2019-09-27 | 深圳前海微众银行股份有限公司 | 一种信息推荐系统的训练方法及装置 |
| CN111460292A (zh) * | 2020-03-30 | 2020-07-28 | 百度在线网络技术（北京）有限公司 | 模型评估方法、装置、设备和介质 |
| 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 |
| CN112218126A (zh) * | 2020-10-12 | 2021-01-12 | 广州欢网科技有限责任公司 | 基于终端的内容推荐效果反馈方法、系统及设备 |
-
2021
- 2021-01-22 CN CN202110086740.1A patent/CN112818219A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107273436A (zh) * | 2017-05-24 | 2017-10-20 | 北京京东尚科信息技术有限公司 | 一种推荐模型的训练方法和训练装置 |
| 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 |
| CN110287420A (zh) * | 2019-06-28 | 2019-09-27 | 深圳前海微众银行股份有限公司 | 一种信息推荐系统的训练方法及装置 |
| CN111460292A (zh) * | 2020-03-30 | 2020-07-28 | 百度在线网络技术（北京）有限公司 | 模型评估方法、装置、设备和介质 |
| CN112218126A (zh) * | 2020-10-12 | 2021-01-12 | 广州欢网科技有限责任公司 | 基于终端的内容推荐效果反馈方法、系统及设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113627188A (zh) * | 2021-08-16 | 2021-11-09 | 上海明略人工智能(集团)有限公司 | 基于时序点过程的新品发现方法、系统、设备及存储介质 |
| CN114331209A (zh) * | 2022-01-10 | 2022-04-12 | 北京蓝莓时节科技有限公司 | 推荐策略数据追踪方法、装置、系统和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104067282B (zh) | 状态机晶格中的计数器操作 | |
| US7415444B2 (en) | Determining compliance rates for probabilistic requests | |
| US10592672B2 (en) | Testing insecure computing environments using random data sets generated from characterizations of real data sets | |
| CN109670837A (zh) | 债券违约风险的识别方法、装置、计算机设备和存储介质 | |
| CN107220094A (zh) | 页面加载方法、装置和电子设备 | |
| CN103902533B (zh) | 一种搜索直达的方法和装置 | |
| US11366757B2 (en) | File pre-fetch scheduling for cache memory to reduce latency | |
| US20130173655A1 (en) | Selective fetching of search results | |
| CN112818219A (zh) | 解释推荐效果的方法、系统、电子设备及可读存储介质 | |
| CN103927356A (zh) | 广告拦截方法及装置 | |
| CN113987387A (zh) | 页面展示方法、电子设备及计算机存储介质 | |
| CN108171189A (zh) | 一种视频编码方法、视频编码装置及电子设备 | |
| WO2017107679A1 (zh) | 一种历史信息展示方法及装置 | |
| CN104484104A (zh) | 页面显示的方法及装置 | |
| CN109558468B (zh) | 资源的处理方法、装置、设备和存储介质 | |
| US20170169044A1 (en) | Property retrieval apparatus, method and system | |
| CN109324838B (zh) | 单片机程序的执行方法、执行装置及终端 | |
| CN113112084B (zh) | 一种教练机后机身研发流程优化方法及装置 | |
| CN107436918B (zh) | 数据库实现方法、装置和设备 | |
| CN104657397B (zh) | 一种信息处理方法及终端 | |
| CN111491198B (zh) | 一种小视频搜索方法和装置 | |
| CN106547906A (zh) | 页面内容生成方法、装置以及终端 | |
| CN111400522B (zh) | 一种交通标志识别方法、训练方法及设备 | |
| US10693494B2 (en) | Reducing a size of multiple data sets | |
| US9356849B2 (en) | Population category hierarchies |
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 |