CN112818227B - 内容推荐方法、装置、电子设备及存储介质 - Google Patents
内容推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112818227B CN112818227B CN202110126882.6A CN202110126882A CN112818227B CN 112818227 B CN112818227 B CN 112818227B CN 202110126882 A CN202110126882 A CN 202110126882A CN 112818227 B CN112818227 B CN 112818227B
- Authority
- CN
- China
- Prior art keywords
- user
- content
- item
- determining
- data
- 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 48
- 230000006399 behavior Effects 0.000 claims abstract description 80
- 239000013598 vector Substances 0.000 claims description 48
- 238000013145 classification model Methods 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 9
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 17
- 238000004590 computer program Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000003416 augmentation Effects 0.000 description 7
- 230000003796 beauty Effects 0.000 description 7
- 210000004709 eyebrow Anatomy 0.000 description 6
- 238000002372 labelling Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000002537 cosmetic Substances 0.000 description 2
- 238000012407 engineering method Methods 0.000 description 2
- 239000013604 expression vector Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了内容推荐方法、装置、电子设备及存储介质,涉及计算机技术领域,具体涉及智能推荐、深度学习等人工智能技术领域。具体实现方案:获取用户的访问行为数据和人脸特征数据;根据访问行为数据和人脸特征数据,确定用户的用户画像数据;根据访问行为数据、人脸特征数据,以及用户画像数据确定用户访问意图;确定与用户访问意图对应的内容项目类别;以及确定与用户访问意图和内容项目类别对应的目标推荐内容,能够准确地识别出用户访问意图,并且还确定了与用户访问意图相对应的内容项目类别,以及结合用户访问意图和内容项目类别以确定目标推荐内容,从而有效提升推荐内容匹配的准确性,有效地提升内容推荐效果。
Description
技术领域
本申请涉及计算机技术领域,具体涉及智能推荐、深度学习等人工智能技术领域,尤其涉及内容推荐方法、装置、电子设备及存储介质。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
在一些医疗美容平台的应用场景中,可以采用词表穷举法,或者是规则模板解析方法以识别用户的医美意图(医美意图,即用户的医疗美容相关的意图),从而辅助向用户推荐医疗美容内容。
发明内容
提供了一种内容推荐方法、装置、电子设备、存储介质及计算机程序产品。
根据第一方面,提供了一种内容推荐方法,包括:获取用户的访问行为数据和人脸特征数据;根据所述访问行为数据和所述人脸特征数据,确定所述用户的用户画像数据;根据所述访问行为数据、所述人脸特征数据,以及所述用户画像数据确定用户访问意图;确定与所述用户访问意图对应的内容项目类别;以及确定与所述用户访问意图和所述内容项目类别对应的目标推荐内容。
根据第二方面,提供了一种内容推荐装置,包括:获取模块,用于获取用户的访问行为数据和人脸特征数据;第一确定模块,用于根据所述访问行为数据和所述人脸特征数据,确定所述用户的用户画像数据;第二确定模块,用于根据所述访问行为数据、所述人脸特征数据,以及所述用户画像数据确定用户访问意图;第三确定模块,用于确定与所述用户访问意图对应的内容项目类别;以及推荐模块,用于确定与所述用户访问意图和所述内容项目类别对应的目标推荐内容。
根据第三方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请实施例的内容推荐方法。
根据第四方面,提出了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本申请实施例公开的内容推荐方法。
根据第五方面,提出了一种计算机程序产品,包括计算机程序,当所述计算机程序由处理器执行时实现本申请实施例公开的内容推荐方法。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请第一实施例的示意图;
图2是根据本申请第二实施例的示意图;
图3是根据本申请第三实施例的示意图;
图4是根据本申请第四实施例的示意图;
图5是根据本申请第五实施例的示意图;
图6是根据本申请第六实施例的示意图;
图7是根据本申请第七实施例的示意图;
图8是用来实现本申请实施例的内容推荐方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本申请第一实施例的示意图。
其中,需要说明的是,本实施例的内容推荐方法的执行主体为内容推荐装置,该装置可以由软件和/或硬件的方式实现,该装置可以配置在电子设备中,电子设备可以包括但不限于终端、服务器端等。
本申请实施例涉及智能推荐、深度学习等人工智能技术领域。
其中,人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。
智能推荐,即通过对用户行为及业务特征的深入挖掘,针对不同场景提供实时、精准的推荐服务,快速提升用户活跃度及点击转化率。
如图1所示,该内容推荐方法包括:
S101:获取用户的访问行为数据和人脸特征数据。
其中,访问行为数据是能够用于表征用户使用偏好的行为数据,访问行为数据具体例如:用户点击历史、用户收藏历史、用户近一周浏览记录等等。
假设本申请实施例中可以应用在医疗美容平台中,该医疗美容平台可以运行于电子设备中,则可以获取用户历史使用该医疗美容平台中的相应功能的点击、操作、浏览、标记、消费等数据,并作为用户的访问行为数据,还可以获取用户使用该电子设备中所运行的其它平台的行为数据(比如在其它平台保留的一些表征用户使用偏好的行为数据),作为用户的访问行为数据,对此不做限制。
另外一些实施例中,也可以确定用户属性(比如年龄、性别、职业等),从而从预设行为数据集合中确定与用户属性相匹配的行为数据并作为用户的访问行为数据,或者,也可以采用其它任意可能的方式以收集用户的访问行为数据,对此不做限制。
上述的人脸特征数据,能够用于表征用户的人脸特征,比如用户的脸型、肤色、眼部特征等,对此不做限制。
一些实施例中,在获取用户的人脸特征数据时,可以启动电子设备的摄像头模组,结构光模组,从而基于摄像头模组,结构光模组以捕获用户的人脸图像,而后进行人脸识别,以得到用户的人脸特征数据,或者,也可以是向用户提供人脸特征录入接口,接收用户基于该人脸特征录入接口输入的人脸特征并作为人脸特征数据,对此不做限制。
S102:根据访问行为数据和人脸特征数据,确定用户的用户画像数据。
上述在获取用户的访问行为数据和人脸特征数据,可以根据访问行为数据和人脸特征数据,确定用户的用户画像数据。
该用户画像数据,可以是一些能够用于描述用户属性特征的数据,属性特征比如性别、年龄、职业、收入、学历等,也可以是一些能够同时描述用户属性特征以及用户医美意图倾向(比如该用户倾向于的医美意图(医美意图例如隆鼻意图,美容意图))的数据。
本申请实施例在具体应用的过程中,为了实现基于上述的用户画像数据能够准确地辅助确定出用户访问意图,可以配置上述的用户画像数据与具体的内容推荐的应用场景相关联。
以应用场景是医美内容推荐场景进行示例,用户画像数据可以包含:用户属性,以及该用户倾向于的医美意图(例如隆鼻,热玛吉,内眼角宽度,脸型,眉毛等),或者,以应用场景是医疗内容推荐场景进行示例,用户画像数据可以包含:用户属性,以及该用户倾向于的医疗意图(例如手术、问药等),对此不做限制。
本申请下述实施例中,针对应用场景是医美内容推荐场景进行示例说明。
一些实施例中,在根据访问行为数据和人脸特征数据,确定用户的用户画像数据,比如可以采用一些人工智能模型匹配的方式确定,或者,也可以采用规则模板解析方法确定,又或者,也可以采用工程的方法确定,对此不做限制。
举例而言,根据访问行为数据和人脸特征数据,可以从网络中确定出候选文本,而后根据文本中的文本数据等,通过调用自然语言处理模型中的关键词提取模型和篇章关注点分析模型,从文本数据中识别出与访问行为数据和人脸特征数据匹配的候选关键词和与候选关键词对应的匹配评分,而后,融合关键词提取模型和篇章关注点分析模型识别出候选关键词,并对候选关键词结合匹配评分进行去重操作,以及通过医美词表进行关键词的过滤,保留与用户的医疗美容意图相关的关键词,从而根据相关的关键词和候选文本的上下文信息生成用户的用户画像数据,对此不做限制。
本申请实施例中,还可以采用规则模板解析方法和工程的方法之中的算法处理逻辑分析访问行为数据和人脸特征数据,以确定用户的用户画像数据,对此不做限制。
S103:根据访问行为数据、人脸特征数据,以及用户画像数据确定用户访问意图。
上述在访问行为数据、人脸特征数据,以及用户画像数据之后,可以综合各种数据的特征,以确定用户访问意图,由此,本申请实施例中采用了更全面的数据来确定用户访问意图,能够有效保障用户访问意图确定的准确性,提升用户访问意图的可参考性。
一些实施例中,如图2所示,图2是根据本申请第二实施例的示意图,其中,根据访问行为数据、人脸特征数据,以及用户画像数据确定用户访问意图,包括:
S201:根据访问行为数据生成对应的行为表示向量。
S202:根据人脸特征数据生成对应的特征表示向量。
S203:根据用户画像数据生成对应的画像表示向量。
针对S201-S203的说明如下:
上述的行为表示向量能够用于表征访问行为数据在向量维度的特征表现,特征表示向量能够用于表征人脸特征数据在向量维度的特征表现,画像表示向量能够用于表征用户画像数据在向量维度的特征表现,由此,当将各种类型的数据转换为对应的向量维度的特征表现,可以将各种类型的数据便捷地与人工智能中的模型融合计算,从而有效提升访问行为数据、人脸特征数据,以及用户画像数据的融合计算效果,辅助准确地识别出用户访问意图。
上述在确定各种数据对应的表示向量时,可以采用任意可能的向量计算算法,或者,也可以采用深度学习领域中用来产生词向量的相关模型来计算得到与各种数据对应的表示向量,对此不做限制。
S204:根据行为表示向量、特征表示向量、以及画像表示向量,确定用户访问意图。
上述在根据访问行为数据生成对应的行为表示向量,根据人脸特征数据生成对应的特征表示向量,以及根据用户画像数据生成对应的画像表示向量之后,可以融合计算行为表示向量、特征表示向量、以及画像表示向量,以确定用户访问意图,比如,采用加权融合的方式,对各个表示向量进行加权融合,并将加权融合后的表征向量输入至预训练的访问意图识别模型当中,以获取该访问意图识别模型输入的用户访问意图。
也即是说,本申请实施例中,首先是对各种类型的数据进行向量空间维度的映射,得到相应的向量维度的特征表现,而后,融合各个向量维度的特征表现以识别用户访问意图,从而能够综合学习到多种数据的向量空间特征,以辅助准确地确定出用户访问意图,将各种类型的数据便捷地与人工智能中的模型融合计算,从而有效提升访问行为数据、人脸特征数据,以及用户画像数据的融合计算效果,提升用户访问意图识别的准确性和可参考性。
而在另外一些实施例中,也可以采用其它任意可能的融合计算方法,融合访问行为数据、人脸特征数据,以及用户画像数据,从而确定用户访问意图,比如,可以将各种类型的数据分别输入至对应的分类模型中,得到各个分类模型输出的行为类别、特征类别,以及画像类别,而后依据行为类别、特征类别,以及画像类别来确定用户访问意图,对此不做限制。
S104:确定与用户访问意图对应的内容项目类别。
其中,内容项目类别,用于描述推荐内容所划分至的项目对应的类别,也即是说,可以预先对海量的推荐内容进行项目划分,将各个推荐内容划分至一个匹配的项目之中,而后总结该项目下所包含的推荐内容的特征,从而基于特征对该项目添加项目类别标签,作为项目对应的类别,对此不做限制。
举例而言,以应用场景是医美内容推荐场景进行示例,用户倾向于的医美意图(例如隆鼻,热玛吉,内眼角宽度,脸型,眉毛等),则相应的,推荐内容可以例如为与隆鼻相关的内容,与热玛吉相关的内容,与内眼角相关的内容,与脸型相关的内容,与眉毛相关的内容,则可以对前述内容进行项目划分,比如针对隆鼻、内眼角、脸型所进行的项目通常是手术类项目,针对热玛吉、眉毛所进行的项目通常是轻医美类项目(轻医美类项目通常的操作复杂度较手术类项目的操作复杂度低,本申请后续实施例中,可以操作项目等级来区分不同操作复杂度的项目),则可以将手术类项目和轻医美类项目配置为候选的内容项目类别。
则上述确定与用户访问意图对应的内容项目类别时,可以是依据用户访问意图,从多个候选的内容项目类别之中确定出与用户访问意图对应的内容项目类别(与用户访问意图对应的内容项目类别,例如是手术类项目或者是轻医美类项目),本申请实施例上述对内容项目类别的划分方式仅是示例,在实际应用的过程中,可以根据实际的应用场景进行多种维度的划分,对此不做限制。
S105:确定与用户访问意图和内容项目类别对应的目标推荐内容。
上述在确定与用户访问意图对应的内容项目类别之后,可以进一步地,确定与用户访问意图和内容项目类别对应的目标推荐内容。
举例而言,用户访问意图为:用户属性、倾向的医美意图是隆鼻,而与用户访问意图对应的内容项目类别是轻医美类项目,则进一步地,可以从轻医美类项目下的推荐内容中确定出与用户属性和隆鼻相对应的推荐内容,作为目标推荐内容。
又例如,用户访问意图为:用户属性、倾向的医美意图是脸型,而与用户访问意图对应的内容项目类别是手术类项目,则进一步地,可以从手术类项目下的推荐内容中确定出与用户属性和脸型相对应的推荐内容,作为目标推荐内容。
本实施例中,通过获取用户的访问行为数据和人脸特征数据,并根据访问行为数据和人脸特征数据,确定用户的用户画像数据,根据访问行为数据、人脸特征数据,以及用户画像数据确定用户访问意图,确定与用户访问意图对应的内容项目类别,以及确定与用户访问意图和内容项目类别对应的目标推荐内容,能够准确地识别出用户访问意图,并且还确定了与用户访问意图相对应的内容项目类别,以及结合用户访问意图和内容项目类别以确定目标推荐内容,从而有效提升推荐内容匹配的准确性,有效地提升内容推荐效果。
图3是根据本申请第三实施例的示意图。
如图3所示,该内容推荐方法包括:
S301:获取用户的访问行为数据和人脸特征数据。
S302:根据访问行为数据和人脸特征数据,确定用户的用户画像数据。
S303:根据访问行为数据、人脸特征数据,以及用户画像数据确定用户访问意图。
S304:确定与用户访问意图对应的内容项目类别。
S301-S304的描述说明,可以具体参见上述实施例,在此不再赘述。
S305:如果内容项目类别为领域知识项目类别,则从领域知识库中识别出与用户访问意图对应的领域知识,并将领域知识作为目标推荐内容。
本实施例中,实现了根据实际的应用场景对候选的内容项目类别进行多种维度的划分,例如,候选的内容项目类别可以包括:领域知识项目类别、操作项目类别,该操作项目类别,即可以用于描述能够作用于隆鼻,热玛吉,内眼角,脸型,眉毛等的操作项目,而领域知识项目类别,则表示能够向用户提供的一些医美类的知识介绍。
本申请实施例中,在根据访问行为数据、人脸特征数据,以及用户画像数据确定用户访问意图之后,可以将用户访问意图输入至一个预先训练的分类模型之中,并根据该分类模型对用户访问意图进行划分,确定该用户访问意图对应的内容项目类别是领域知识项目类别,还是操作项目类别。
上述的分类模型可以是预先训练的,比如可以采集海量的样本用户访问意图、样本标注项目类别,而后,分析各个样本用户访问意图对应的意图特征,将多个意图特征输入至初始的人工智能模型中,得到该初始的人工智能模型输出的预测项目类别,进一步确定预测项目类别和标注项目类别之间的损失值,直至该损失值满足设定的条件,将训练得到的人工智能模型作为分类模型。
本实施例中,上述在确定出与用户访问意图对应的内容项目类别之后,可以触发结合用户访问意图和与其对应的内容项目类别,以确定目标推荐内容。
也即是说,根据用户访问意图和与其对应的内容项目类别确定出的匹配程度较高的推荐内容,可以被称为目标推荐内容。
本实施例中,针对不同的内容项目类别,提供了不同的确定目标推荐内容的方式,如果内容项目类别为领域知识项目类别,则从领域知识库中识别出与用户访问意图对应的领域知识,并将领域知识作为目标推荐内容,其中的领域知识项目类别,则表示能够向用户提供的一些医美类的知识介绍。
而领域知识库可以是预先建立的,比如可以预先从海量的互联网数据确定出医疗美容相关的领域知识,或者,从医疗美容专家库中确定出医疗美容相关的领域知识,从而可以采用前述的医疗美容相关的领域知识构建领域知识库,而后,还可以对领域知识库中的各项医疗美容相关的领域知识进行分类标记,例如可以采用候选的用户意图对各项领域知识进行标记,当确定出用户访问意图之后,可以从领域知识库中识别出与用户访问意图对应的领域知识,并将领域知识作为目标推荐内容,对此不做限制。
S306:如果内容项目类别是操作项目类别,则将用户访问意图输入至预训练的项目分类模型中,以得到项目分类模型输出的操作项目等级。
其中,操作项目类别,即可以用于描述能够作用于隆鼻,热玛吉,内眼角,脸型,眉毛等的操作项目,而操作项目类别可以细分为的手术类项目和轻医美类项目,通常的操作复杂度不相同,因此,本实施例中,还可以采用操作项目等级来区分不同操作复杂度的项目,比如,可以赋予手术类项目和轻医美类项目不同的操作项目等级,具体例如,手术类项目的操作项目等级为第一级,而轻医美类项目的操作项目等级为第二级,该“第一级”“第二级”可以是用于标识不同细分项目的操作复杂度,也可以采用其它内容标识,另外,也可以采用任意可能的标识来区分具有不同细分类别的操作项目,对此不做限制。
本实施例中,如果内容项目类别是操作项目类别,则将用户访问意图输入至预训练的项目分类模型中,以得到项目分类模型输出的操作项目等级,该预训练的项目分类模型,可以是一个预先训练的二分类模型,从而基于该预先训练的二分类模型确定与用户访问意图和操作项目类别相匹配的操作项目等级,对此不做限制。
上述的项目分类模型可以是预先训练的,比如可以采集海量的样本用户访问意图、样本标注项目等级,而后,分析各个样本用户访问意图对应的意图特征,将多个意图特征输入至初始的人工智能模型(该初始的人工智能模型可以是顺序连接的长短期记忆网络(Long Short Term Memory,LSTM)模型、注意力模型)中,得到该初始的人工智能模型输出的预测项目等级,进一步确定预测项目等级和标注项目等级之间的损失值,直至该损失值满足设定的条件,将训练得到的人工智能模型作为项目分类模型,对此不做限制。
S307:确定与操作项目等级对应的多个候选项目内容。
举例而言,如果上述项目分类模型输出的操作项目等级是“第一级”的手术类项目,则可以直接触发获取与手术类项目对应的多个候选项目内容,如果上述项目分类模型输出的操作项目等级是“第二级”的轻医美类项目,则可以直接触发获取与轻医美类项目对应的多个候选项目内容,对此不做限制。
S308:根据用户访问意图,从多个候选项目内容之中确定出目标项目内容,并将目标项目内容作为目标推荐内容。
上述在确定与操作项目等级对应的多个候选项目内容之后,可以进一步地,根据用户访问意图,从多个候选项目内容之中确定出目标项目内容,并将目标项目内容作为目标推荐内容。
举例而言,由于用户访问意图,是预先融合了用户属性,以及该用户倾向于的医疗意图,用户访问行为数据,以及用户的人脸特征数据得到的,从而该用户访问意图中也携带了用户的个性化特征(例如用户属性的特征,用户人脸特征),则在确定出与操作项目等级对应的多个候选项目内容之后,可以直接解析用户访问意图中所携带的个性化特征,并根据个性化特征从多个候选项目内容之中匹配出目标项目内容。
上述在内容项目类别为领域知识项目类别时,可以从领域知识库中识别出与用户访问意图对应的领域知识,并将领域知识作为目标推荐内容,从而实现向具有获取领域知识意图的用户提供匹配的领域知识,有效地提升用户的使用体验度。
而上述在内容项目类别是操作项目类别,则将用户访问意图输入至预训练的项目分类模型中,以得到项目分类模型输出的操作项目等级,实现针对操作项目类别进一步的类别细分,并确定与操作项目等级对应的多个候选项目内容,以及根据用户访问意图,从多个候选项目内容之中确定出目标项目内容,并将目标项目内容作为目标推荐内容,能够实现针对不同的内容项目类别,提供了不同的确定目标推荐内容的方式,能够有效地提升目标推荐内容匹配的灵活性,使得目标推荐内容能够精准地与用户访问意图相适配。
本实施例中,能够准确地识别出用户访问意图,并且还确定了与用户访问意图相对应的内容项目类别,以及结合用户访问意图和内容项目类别以确定目标推荐内容,从而有效提升推荐内容匹配的准确性,有效地提升内容推荐效果;实现向具有获取领域知识意图的用户提供匹配的领域知识,有效地提升用户的使用体验度;实现针对操作项目类别进一步的类别细分,能够实现针对不同的内容项目类别,提供了不同的确定目标推荐内容的方式,能够有效地提升目标推荐内容匹配的灵活性,使得目标推荐内容能够精准地与用户访问意图相适配。
图4是根据本申请第四实施例的示意图。
如图4所示,该内容推荐方法包括:
S401:获取用户的访问行为数据和人脸特征数据。
S402:根据访问行为数据和人脸特征数据,确定用户的用户画像数据。
S403:根据访问行为数据、人脸特征数据,以及用户画像数据确定用户访问意图。
S401-S403的描述说明,可以具体参见上述实施例,在此不再赘述。
S404:将用户访问意图,与多个候选的内容项目类别分别进行匹配,以生成对应的多个匹配评分值。
本实施例中,可以预先提供多个候选的内容项目类别,例如,领域知识项目类别、操作项目类别、其它任意可能的候选的内容项目类别1、候选的内容项目类别2等。
则在确定与用户访问意图对应的内容项目类别时,可以首先将用户访问意图分别与上述的领域知识项目类别、操作项目类别、候选的内容项目类别1、候选的内容项目类别2进行相似度匹配,得到与各个候选的内容项目类别对应的匹配评分值。
在确定匹配评分值时,可以将用户访问意图,与各个候选的内容项目类别输入至评分模型中,以得到评分模型输出的匹配评分值,并触发后续步骤。
S405:将多个匹配评分值之中,分值最高的匹配评分值对应的候选的内容项目类别作为对应的内容项目类别。
上述在获取到多个匹配评分值后,可以将多个匹配评分值之中,分值最高的匹配评分值对应的候选的内容项目类别作为对应的内容项目类别,从而能够辅助快速地确定出与用户访问意图对应的内容项目类别,有效提升内容项目类别识别的准确性和时效性。
S406:如果内容项目类别是操作项目类别,则将用户访问意图输入至预训练的项目分类模型中,以得到项目分类模型输出的操作项目等级。
S407:确定与操作项目等级对应的多个候选项目内容。
S406-S407的描述说明,可以具体参见上述实施例,在此不再赘述。
S408:根据用户访问意图和用户画像数据,确定用户价值。
本实施例中,如果内容项目类别是操作项目类别,则确定出与用户访问意图对应的操作项目等级,并确定与操作项目等级对应的多个候选项目内容,在从多个候选项目内容中选取出目标项目内容时,还可以对结合用户价值以确定,其中,该用户价值,可以用于表征该用户的消费能力和收入水平,从而使得后续根据用户价值所选取的目标项目内容,不仅能够与用户访问意图相适配,还能够与用户的消费能力和收入水平相适配,能够较大程度地提升目标项目内容的匹配准确性,实现向用户提供优质的项目内容。
举例而言,上述根据用户访问意图和用户画像数据,确定用户价值,可以是根据用户访问意图和用户画像数据,对用户价值进行估计,从而得到相应的用户的消费能力和收入水平,并作为用户价值。
另外一些实施例中,也可以通过分析该用户针对医疗美容平台的使用率来确定用户价值,对此不做限制。
S409:根据用户价值,从多个候选项目内容之中确定出目标项目内容。
上述在根据用户访问意图和用户画像数据,确定用户价值之后,可以根据用户价值,从多个候选项目内容之中确定出目标项目内容。
一些实施例中,可以将用户价值与各个候选项目内容输入至预训练的内容推荐模型之中,以得到该内容推荐模型输出的目标项目内容,由于预训练的内容推荐模型,是结合海量的样本数据训练得到的,从而能够有效地提升目标项目内容的识别效果和识别即时性。
上述的内容推荐模型可以是预先训练的,比如可以采集海量的样本用户价值、样本候选项目内容,以及标注相似度,而后,分析各个样本用户价值对应的价值特征,将多个价值特征结合样本候选项目内容输入至初始的人工智能模型(该初始的人工智能模型可以是顺序连接的循环神经网络(Recurrent Neural Network,RNN)模型、注意力模型)中,得到该初始的人工智能模型输出的预测相似度,进一步确定预测相似度和标注相似度之间的损失值,直至该损失值满足设定的条件,将训练得到的人工智能模型作为内容推荐模型,对此不做限制。
另外一些实施例中,也可以采用其它任意可能的方式以根据用户价值,从多个候选项目内容之中确定出目标项目内容,例如可以采用似然概率估计方法、或者采用工程模拟方法,对此不做限制。
本实施例中,能够准确地识别出用户访问意图,并且还确定了与用户访问意图相对应的内容项目类别,以及结合用户访问意图和内容项目类别以确定目标推荐内容,从而有效提升推荐内容匹配的准确性,有效地提升内容推荐效果。在从多个候选项目内容中选取出目标项目内容时,还可以对结合用户价值以确定,从而使得后续根据用户价值所选取的目标项目内容,不仅能够与用户访问意图相适配,还能够与用户的消费能力和收入水平相适配,能够较大程度地提升目标项目内容的匹配准确性,实现向用户提供优质的项目内容。
如图5所示,图5是根据本申请第五实施例的示意图。在图5中,可以将访问行为数据、人脸特征数据、用户画像数据输入至向量生成模型中,以将前述数据处理为对应的特征表示向量,并将各个特征表示向量输入至意图分类模型之中,以得到意图分类模型输出的用户访问意图,由于根据用户访问意图可以确定相应的内容项目类别,则实际上根据不同的用户访问意图能够匹配不同的内容推荐方法。
例如,如果用户访问意图指示:内容项目类别是领域知识项目类别,则将领域知识作为目标推荐内容。
又例如,如果用户访问意图指示:内容项目类别是操作项目类别,则结合项目分类模型得到操作项目等级,操作项目等级例如可以包括:手术类项目和轻医美类项目。
又例如,如果用户访问意图指示:内容项目类别是操作项目类别,且结合项目分类模型得到操作项目等级,操作项目等级例如可以包括:手术类项目和轻医美类项目,则可以进一步地,根据用户访问意图和用户画像数据,确定用户价值,从而结合用户价值,从与操作项目等级对应的多个候选项目内容中确定目标项目内容。
图6是根据本申请第六实施例的示意图。
如图6所示,该内容推荐装置60,包括:
获取模块601,用于获取用户的访问行为数据和人脸特征数据。
第一确定模块602,用于根据访问行为数据和人脸特征数据,确定用户的用户画像数据。
第二确定模块603,用于根据访问行为数据、人脸特征数据,以及用户画像数据确定用户访问意图。
第三确定模块604,用于确定与用户访问意图对应的内容项目类别。
推荐模块605,用于确定与用户访问意图和内容项目类别对应的目标推荐内容。
在本申请的一些实施例中,如图7所示,图7是根据本申请第七实施例的示意图,该内容推荐装置70,包括:获取模块701、第一确定模块702、第二确定模块703、第三确定模块704、推荐模块705,其中,推荐模块705,包括:
识别子模块7051,用于在内容项目类别为领域知识项目类别时,从领域知识库中识别出与用户访问意图对应的领域知识,并将领域知识作为目标推荐内容。
在本申请的一些实施例中,如图7所示,其中,推荐模块705,包括:
第一确定子模块7052,用于在内容项目类别是操作项目类别时,将用户访问意图输入至预训练的项目分类模型中,以得到项目分类模型输出的操作项目等级。
第二确定子模块7053,用于确定与操作项目等级对应的多个候选项目内容。
推荐子模块7054,用于根据用户访问意图,从多个候选项目内容之中确定出目标项目内容,并将目标项目内容作为目标推荐内容。
在本申请的一些实施例中,其中,推荐子模块7054,具体用于:
根据用户访问意图和用户画像数据,确定用户价值;
根据用户价值,从多个候选项目内容之中确定出目标项目内容。
在本申请的一些实施例中,其中,推荐子模块7054,具体用于:
将用户价值与各个候选项目内容输入至预训练的内容推荐模型之中,以得到内容推荐模型输出的目标项目内容。
在本申请的一些实施例中,其中,第二确定模块703,具体用于:
根据访问行为数据生成对应的行为表示向量;
根据人脸特征数据生成对应的特征表示向量;
根据用户画像数据生成对应的画像表示向量;以及
根据行为表示向量、特征表示向量、以及画像表示向量,确定用户访问意图。
在本申请的一些实施例中,其中,第三确定模块704,具体用于:
将用户访问意图,与多个候选的内容项目类别分别进行匹配,以生成对应的多个匹配评分值;
将多个匹配评分值之中,分值最高的匹配评分值对应的候选的内容项目类别作为对应的内容项目类别。
可以理解的是,本实施例附图7中的内容推荐装置70与上述实施例中的内容推荐装置60,获取模块701与上述实施例中的获取模块601,第一确定模块702与上述实施例中的第一确定模块602,第二确定模块703与上述实施例中的第二确定模块603,第三确定模块704与上述实施例中的第三确定模块604、推荐模块705与上述实施例中的推荐模块605,可以具有相同的功能和结构。
需要说明的是,前述对内容推荐方法的解释说明也适用于本实施例的内容推荐装置,此处不再赘述。
本实施例中,通过获取用户的访问行为数据和人脸特征数据,并根据访问行为数据和人脸特征数据,确定用户的用户画像数据,根据访问行为数据、人脸特征数据,以及用户画像数据确定用户访问意图,确定与用户访问意图对应的内容项目类别,以及确定与用户访问意图和内容项目类别对应的目标推荐内容,能够准确地识别出用户访问意图,并且还确定了与用户访问意图相对应的内容项目类别,以及结合用户访问意图和内容项目类别以确定目标推荐内容,从而有效提升推荐内容匹配的准确性,有效地提升内容推荐效果。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8是用来实现本申请实施例的内容推荐方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如,内容推荐方法。
例如,在一些实施例中,内容推荐方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM803并由计算单元801执行时,可以执行上文描述的内容推荐方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行内容推荐方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的内容推荐方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,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。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网及区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (12)
1.一种内容推荐方法,包括:
获取用户的访问行为数据和人脸特征数据;
根据所述访问行为数据和所述人脸特征数据,确定所述用户的用户画像数据;
根据所述访问行为数据、所述人脸特征数据,以及所述用户画像数据确定用户访问意图;
确定与所述用户访问意图对应的内容项目类别;以及
确定与所述用户访问意图和所述内容项目类别对应的目标推荐内容;
其中,所述确定与所述用户访问意图和所述内容项目类别对应的目标推荐内容,包括:
如果所述内容项目类别是操作项目类别,则将所述用户访问意图输入至预训练的项目分类模型中,以得到所述项目分类模型输出的操作项目等级;
确定与所述操作项目等级对应的多个候选项目内容;
根据所述用户访问意图和所述用户画像数据,确定用户价值;
根据所述用户价值,从所述多个候选项目内容之中确定出目标项目内容。
2.根据权利要求1所述的方法,其中,所述确定与所述用户访问意图和所述内容项目类别对应的目标推荐内容,包括:
如果所述内容项目类别为领域知识项目类别,则从领域知识库中识别出与所述用户访问意图对应的领域知识,并将所述领域知识作为所述目标推荐内容。
3.根据权利要求1所述的方法,其中,所述根据所述用户价值,从所述多个候选项目内容之中确定出目标项目内容,包括:
将所述用户价值与各个所述候选项目内容输入至预训练的内容推荐模型之中,以得到所述内容推荐模型输出的所述目标项目内容。
4.根据权利要求1所述的方法,其中,所述根据所述访问行为数据、所述人脸特征数据,以及所述用户画像数据确定用户访问意图,包括:
根据所述访问行为数据生成对应的行为表示向量;
根据所述人脸特征数据生成对应的特征表示向量;
根据所述用户画像数据生成对应的画像表示向量;以及
根据所述行为表示向量、所述特征表示向量、以及所述画像表示向量,确定所述用户访问意图。
5.根据权利要求1所述的方法,其中,所述确定与所述用户访问意图对应的内容项目类别,包括:
将所述用户访问意图,与多个候选的内容项目类别分别进行匹配,以生成对应的多个匹配评分值;
将所述多个匹配评分值之中,分值最高的匹配评分值对应的候选的内容项目类别作为所述对应的内容项目类别。
6.一种内容推荐装置,包括:
获取模块,用于获取用户的访问行为数据和人脸特征数据;
第一确定模块,用于根据所述访问行为数据和所述人脸特征数据,确定所述用户的用户画像数据;
第二确定模块,用于根据所述访问行为数据、所述人脸特征数据,以及所述用户画像数据确定用户访问意图;
第三确定模块,用于确定与所述用户访问意图对应的内容项目类别;以及
推荐模块,用于确定与所述用户访问意图和所述内容项目类别对应的目标推荐内容;
其中,所述推荐模块,包括:
第一确定子模块,用于在所述内容项目类别是操作项目类别时,将所述用户访问意图输入至预训练的项目分类模型中,以得到所述项目分类模型输出的操作项目等级;
第二确定子模块,用于确定与所述操作项目等级对应的多个候选项目内容;
推荐子模块,用于根据所述用户访问意图和所述用户画像数据,确定用户价值,再根据所述用户价值,从所述多个候选项目内容之中确定出目标项目内容。
7.根据权利要求6所述的装置,其中,所述推荐模块,包括:
识别子模块,用于在所述内容项目类别为领域知识项目类别时,从领域知识库中识别出与所述用户访问意图对应的领域知识,并将所述领域知识作为所述目标推荐内容。
8.根据权利要求6所述的装置,其中,所述推荐子模块,具体用于:
将所述用户价值与各个所述候选项目内容输入至预训练的内容推荐模型之中,以得到所述内容推荐模型输出的所述目标项目内容。
9.根据权利要求6所述的装置,其中,所述第二确定模块,具体用于:
根据所述访问行为数据生成对应的行为表示向量;
根据所述人脸特征数据生成对应的特征表示向量;
根据所述用户画像数据生成对应的画像表示向量;以及
根据所述行为表示向量、所述特征表示向量、以及所述画像表示向量,确定所述用户访问意图。
10.根据权利要求6所述的装置,其中,所述第三确定模块,具体用于:
将所述用户访问意图,与多个候选的内容项目类别分别进行匹配,以生成对应的多个匹配评分值;
将所述多个匹配评分值之中,分值最高的匹配评分值对应的候选的内容项目类别作为所述对应的内容项目类别。
11. 一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110126882.6A CN112818227B (zh) | 2021-01-29 | 2021-01-29 | 内容推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110126882.6A CN112818227B (zh) | 2021-01-29 | 2021-01-29 | 内容推荐方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112818227A CN112818227A (zh) | 2021-05-18 |
CN112818227B true CN112818227B (zh) | 2024-03-19 |
Family
ID=75860279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110126882.6A Active CN112818227B (zh) | 2021-01-29 | 2021-01-29 | 内容推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112818227B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298321B (zh) * | 2021-06-22 | 2022-03-11 | 深圳市查策网络信息技术有限公司 | 一种基于多数据融合的用户意图预测方法 |
CN113392420A (zh) * | 2021-07-06 | 2021-09-14 | 山东电力工程咨询院有限公司 | 一种智慧化项目数据管理方法及系统 |
CN113569108B (zh) * | 2021-09-23 | 2022-08-16 | 南京国睿信维软件有限公司 | 基于项目计划内容和用户行为的知识推荐方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190044A (zh) * | 2018-09-10 | 2019-01-11 | 北京百度网讯科技有限公司 | 个性化推荐方法、装置、服务器和介质 |
CN110929158A (zh) * | 2019-11-29 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 一种内容推荐方法、系统及存储介质和终端设备 |
-
2021
- 2021-01-29 CN CN202110126882.6A patent/CN112818227B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190044A (zh) * | 2018-09-10 | 2019-01-11 | 北京百度网讯科技有限公司 | 个性化推荐方法、装置、服务器和介质 |
CN110929158A (zh) * | 2019-11-29 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 一种内容推荐方法、系统及存储介质和终端设备 |
Non-Patent Citations (1)
Title |
---|
基于人工智能的移动终端内容推荐;闫宇;蔡琨;叶秀泳;郑正广;林立言;;信息与电脑(理论版)(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112818227A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112818227B (zh) | 内容推荐方法、装置、电子设备及存储介质 | |
CN112270196B (zh) | 实体关系的识别方法、装置及电子设备 | |
CN112541122A (zh) | 推荐模型的训练方法、装置、电子设备及存储介质 | |
CN112749344A (zh) | 信息推荐方法、装置、电子设备、存储介质及程序产品 | |
CN113361363B (zh) | 人脸图像识别模型的训练方法、装置、设备及存储介质 | |
CN112579727B (zh) | 文档内容的提取方法、装置、电子设备及存储介质 | |
CN113656587B (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN113836268A (zh) | 文档理解方法及装置、电子设备和介质 | |
CN112580666A (zh) | 图像特征的提取方法、训练方法、装置、电子设备及介质 | |
CN113553961A (zh) | 人脸识别模型的训练方法、装置、电子设备和存储介质 | |
CN113827240B (zh) | 情绪分类方法和情绪分类模型的训练方法、装置及设备 | |
CN113204643B (zh) | 一种实体对齐方法、装置、设备及介质 | |
CN115248890B (zh) | 用户兴趣画像的生成方法、装置、电子设备以及存储介质 | |
CN113947189A (zh) | 图像生成模型的训练方法、装置、电子设备及存储介质 | |
CN113177466A (zh) | 基于人脸图像的身份识别方法、装置、电子设备及介质 | |
CN113191261A (zh) | 图像类别的识别方法、装置和电子设备 | |
US9940319B2 (en) | Information analysis system, information analysis method, and information analysis program | |
CN114972910B (zh) | 图文识别模型的训练方法、装置、电子设备及存储介质 | |
JP6178480B1 (ja) | データ分析システム、その制御方法、プログラム、及び、記録媒体 | |
CN113590774B (zh) | 事件查询方法、装置以及存储介质 | |
JP6026036B1 (ja) | データ分析システム、その制御方法、プログラム、及び、記録媒体 | |
CN113110782B (zh) | 图像的识别方法、装置、计算机设备及存储介质 | |
CN111582404B (zh) | 内容分类方法、装置及可读存储介质 | |
CN113643283A (zh) | 一种人体衰老状况的检测方法、装置、设备及存储介质 | |
CN113821687A (zh) | 一种内容检索方法、装置和计算机可读存储介质 |
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 |