CN112989146B - 向目标用户推荐资源的方法、装置、设备、介质和程序产品 - Google Patents
向目标用户推荐资源的方法、装置、设备、介质和程序产品 Download PDFInfo
- Publication number
- CN112989146B CN112989146B CN202110190483.6A CN202110190483A CN112989146B CN 112989146 B CN112989146 B CN 112989146B CN 202110190483 A CN202110190483 A CN 202110190483A CN 112989146 B CN112989146 B CN 112989146B
- Authority
- CN
- China
- Prior art keywords
- resource
- user
- resources
- feature
- users
- 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 77
- 238000012549 training Methods 0.000 claims description 38
- 230000003993 interaction Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 14
- 230000009471 action Effects 0.000 claims description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000013528 artificial neural network 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
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002730 additional effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 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
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Abstract
本公开公开了基于资源库向目标用户推荐资源的方法和装置,涉及人工智能领域,尤其涉及内容推荐、特征工程和深度学习领域。根据一种实施例的具体实现方案为:从资源库中的一组资源召回多个资源;针对多个资源中的资源,确定用于表示向目标用户推荐资源的顺序的排序特征,确定排序特征包括基于与资源相关的历史访问数据,确定曾经访问过资源的关联用户;以及至少基于目标用户的目标用户特征、关联用户的关联用户特征、以及资源的资源特征,生成排序特征;以及基于多个资源的相应的多个排序特征,对多个资源进行排序以确定将要向目标用户推荐的推荐资源。以此方式,能够精准地向目标用户推送资源。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及内容推荐、特征工程和深度学习领域。更具地,涉及基于资源库向目标用户推荐资源的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
在信息时代,针对用户的个性化推荐技术成为关注的焦点。推荐系统需要在海量的资源中,为用户推荐其感兴趣的资源、从而提高用户体验并且提高资源的分发效率。推荐系统在面临海量资源的推荐分发时,可以应用各种不同类型的模型,以选取用户可能感兴趣的有限数目个资源以用于向用户推荐。然而,现有推荐机制可能因为各种因素而导致针对用户的推荐精准度不高。
发明内容
本公开提供了一种基于资源库向目标用户推荐资源的方法、装置、设备、存储介质以及计算机程序。
根据本公开的第一方面,提供了一种基于资源库向目标用户推荐资源的方法,该方法包括从资源库中的一组资源召回多个资源;针对多个资源中的资源,确定用于表示向目标用户推荐资源的顺序的排序特征,确定排序特征包括基于与资源相关的历史访问数据,确定曾经访问过资源的关联用户;以及至少基于目标用户的目标用户特征、关联用户的关联用户特征、以及资源的资源特征,生成排序特征;以及基于多个资源的相应的多个排序特征,对多个资源进行排序以确定将要向目标用户推荐的推荐资源。
根据本公开的第二方面,提供了一种获取用于资源排序的推荐模型的方法,该推荐模型用于基于从资源库的一组资源召回的多个资源,向用户推荐资源,该方法包括分别确定资源库的一组用户中的用户的用户特征。该方法还包括确定资源库中的多个资源中的资源的资源特征。该方法还包括基于资源库的历史访问数据,确定一组用户中的曾经访问资源的关联用户。该方法还包括至少基于用户特征、关联用户的关联用户特征、资源特征以及用户对于资源的交互特征,训练推荐模型以用于对多个资源进行排序。
根据本公开的第三方面,提供了一种基于资源库向目标用户推荐资源的装置,该装置包括资源召回模块,被配置为从所述资源库中的一组资源召回多个资源;排序特征确定模块,被配置为针对所述资源库中的多个资源中的资源,确定用于表示向所述目标用户推荐所述资源的顺序的排序特征。排序特征确定模块包括关联用户确定子模块,被配置为基于与所述资源相关的历史访问数据,确定曾经访问过所述资源的关联用户。排序特征确定模块还包括排序特征生成子模块,被配置为至少基于所述目标用户的目标用户特征、所述关联用户的关联用户特征、以及所述资源的资源特征,生成所述排序特征。该装置还包括推荐资源确定模块,被配置为基于所述多个资源的相应的多个排序特征,对所述多个资源进行排序以确定将要向所述目标用户推荐的推荐资源。
根据本公开的第四方面,提供了一种用于获取推荐模型的装置,推荐模型用于基于从资源库的一组资源召回的多个资源,向用户推荐资源。该装置包括用户特征确定模块,被配置为分别确定资源库的一组用户中的用户的用户特征。该装置还包括资源特征确定模块,被配置为确定资源库中的多个资源中的资源的资源特征。该装置还包括关联用户确定模块,被配置为基于资源库的历史访问数据,确定一组用户中的曾经访问资源的关联用户。该装置还包括推荐模型训练模块,被配置为至少基于用户特征、关联用户的关联用户特征、资源特征以及用户对于资源的交互特征,训练推荐模型以用于对所述多个资源进行排序。
根据本公开的第五方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,该存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器能够执行根据本公开的第一方面或第二方面所述的方法。
根据本公开的第六方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行根据本公开的第一方面或第二方面所述的方法。
根据本公开的第七方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时,实现根据本公开的第一方面或第二方面所述的方法。
根据本公开的方案能够精准地向目标用户推送资源。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开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
结合附图并参考以下详细说明,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。附图用于更好地理解本方案,不构成对本公开的限定。在附图中,相同或相似的附图标注表示相同或相似的元素,其中:
图1是示出了本公开的多个实施例能够在其中实现的示例环境的示意图。
图2示出了根据本公开的一些实施例的用于获取推荐模型的方法的流程图。
图3示出了根据本公开的一些实施例的推荐模型的示意图。
图4示出了根据本公开的一些实施例的基于资源库向目标用户推荐资源的方法的流程图。
图5示出了根据本公开的实施例的用于获取推荐模型的装置的示意框图。
图6示出了根据本公开的实施例的用于推荐资源的装置的示意框图。
图7示出了能够实施本公开的多个实施例的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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。
在本公开的实施例的描述中,术语“包括”及其类似用语应当理解为开放性包含,即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
在本公开的实施例的描述中,术语“模型”可以从训练数据中学习到相应的输入与输出之间的关联,从而在训练完成后基于训练得到的参数集对给定的输入进行处理以生成对应的输出。“模型”有时也可以被称为“神经网络”、“学习模型”、“学习网络”或“网络”。这些术语在本文中可互换地使用。
术语“特征”可以指代用于表示资源或用户的特性的特征向量或矩阵(有时候也被称为特征表示)。特征表示的性质使距离相近的向量所对应的对象有相近的含义。例如,诸如汽车和数码产品的两个对象都属于科技类物品,则汽车的特征表示和数码产品的特征表示在空间上距离可以是比较接近。再例如,用户A和用户B均对娱乐类信息感兴趣,则用户A和用户B的特征表示在空间上距离比较接近。通过利用“特征”,能够用低维向量对对象进行编码同时能保留其含义,这非常适合深度学习。
如上所讨论的,现有推荐机制可能因为各种因素而导致针对用户的推荐精准度不高。例如,传统的推荐机制通常先采用资源召回过程,从海量资源中筛选出若干(例如,数千)资源,然后再采用资源排序过程对所筛选的若干资源进行排序,从而确定向用户推荐的推荐资源,例如,排名最靠前的预定数目个资源。然而,该推荐机制没有充分考虑用户本身的特征,因而难以向用户推荐感兴趣的资源。
目前已经提出了在资源召回过程中应用协同过滤技术,该技术能够分析用户兴趣,在一组用户中找到与指定用户相似的用户(例如,兴趣或偏好相同或相似)。然后基于这些用户对资源的评价,对资源进行筛选。因此,协同过滤较为准确地预测用户可能感兴趣的内容,并将包括这样的内容的资源筛选出来。已经提出了将与协同过滤技术相似的信息应用在资源排序过程中,从而提升最终向用户推荐的推荐资源的精准度,进而提升用户访问所推荐的推荐资源的可能性,改进用户体验并增加用户粘性。
可以在资源排序过程所使用的推荐模型(例如,用于资源排序的推荐模型)中,引入协同相似度(包括但不限于目标用户与其他用户之间的相似度、不同资源之间的相似度、以及用户与资源之间的相似度)来改进资源排序的效果。然而,这样显式的相似度仅为一个或多个值,其会丢失许多与用户和/或资源有关的信息,进而使得资源排序不能基于较全面的信息而进行的。因此,这种方案对推荐模型所推荐的推荐资源的精准度改进有限。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个问题,本公开的实施例提出了一种能够基于关联用户(诸如高频用户,也即使用某种应用较为频繁的用户)的特征向目标用户推荐资源的技术方案。以此方式,可以确保用户特征的分析更为准确。具体地,可以基于机器学习技术,来生成训练推荐模型并且继而使用经训练的推荐模型来执行推荐。
在训练阶段中,通过至少利用用户的特征向量、(一个或多个)关联用户的特征、以及资源的特征、以及用户与资源之间的交互,来生成用于训练推荐模型的一个样本的特征。可以以类似的方式生成包括多个样本的样本集,基于包括(多个)关联用户的特征的样本集对推荐模型进行训练,可以通过包含丰富信息的高频用户的特征,来改进经训练的推荐模型的推荐精准度和泛化能力。
在使用阶段,将通过至少利用目标用户的特征向量、(多个)关联用户的特征、以及资源的特征所生成的输入特征,输入到经训练的推荐模型中进行预测以获得预测结果。进一步,基于所获得的预测结果能够对候选资源进行优化的排序,以用于将最符合目标用户需求的资源推荐给目标用户。
在下文中,首先参见图1描述本公开的环境。图1是示出了本公开的多个实施例能够在其中实现的示例环境100的示意图。如图1所示,环境100包括目标用户110、计算设备120、推荐模型130、资源库150。资源库150可以包括一组资源。利用资源召回技术,计算设备120可以从一组资源中确定多个资源155。所召回的多个资源155是目标用户110可能感兴趣的内容,但这些资源实际并没有融合到一起,而是处于一种乱序的状态。在一些实施例中,所召回的多个资源155的数量级可以是千或万。
因此,需要将这些资源进行排序来进一步确定将要推荐给目标用户的推荐资源。例如,排序过程可以是基于目标用户的诸如偏好(其有时也被称为兴趣,其可以通过对目标用户的各种特征信息以及历史行为进行分析而获得)的特征,对每个资源的内容进行评估(例如,计算其与目标用户之间的相似度得分)的过程,从而预测目标用户对多个资源155中的每个资源的感兴趣程度。在一些实施例中,用户的偏好可以通过对用户加诸如兴趣标签的标签的方式来实现。
计算设备120可以被配置为基于推荐模型130、以及输入到推荐模型中与多个资源155相关联的排序特征140,确定针对多个资源155中的每个资源的预测结果。针对资源的预测结果可以指示目标用户110将要与该资源进行交互的可能性。基于预测结果,计算设备120可以对多个资源155进行进一步地排序和筛选,以确定最终将向目标用户110推荐的推荐资源。在一些实施例中,推荐模型130是用于对所召回的多个资源155进行排序的模型。
以此方式,可以确定多个资源155中的预定数目的(例如,10个或者其他数量)资源以便向目标用户110进行推荐。目标用户110可以选择访问所推荐的资源中的其感兴趣的资源。可以理解的是,用户的访问行为也可以实时地进一步用于对目标用户的特征进行更新。
排序特征140可以包括目标用户特征160,资源的资源特征。排序特征还可以包括关联用户特征170。关联用户特征170可以是与目标用户相关联的关联用户的特征,关联用户可以具有与目标用户相似的特征,诸如,性别、年龄、职业、所在地、收入等,特别是具有与目标用户相似的偏好。利用以这样方式构建的排序特征对推荐模型进行训练,能够使所训练的模型的精准度和泛化能力得以改进,进而在使用这样的推荐模型时,向目标用户推荐的推荐资源能够更匹配该目标用户。
目标用户110可以是各种类型的应用的用户,该应用可以是包括推荐系统的应用,包括但不限于购物应用、短视频应用、音乐应用、婚恋交友应用、新闻应用、贴吧应用、云盘存储应用、搜索应用等。本公开在此不做限制。
多个资源155可以包括上述应用中的商品、直播间、短视频、图片、音乐、文章等。资源有时也可以被称为内容。目标用户110在上述应用中接收被推荐的、与相关资源库150中的多个资源155相关联的视频、图片、文字、语音或其组合。例如,目标用户110进入新闻应用后,可以在显示界面中收到推荐的新闻的封面图片、新闻头条文字信息或视频信息等。
计算设备120可以是任何具有计算能力的设备。作为非限制性示例,计算设备120可以是任意类型的固定计算设备、移动计算设备或便携式计算设备,包括但不限于台式计算机、膝上型计算机、笔记本计算机、上网本计算机、平板计算机、多媒体计算机、移动电话等;计算设备120的全部组件或一部分组件可以分布在云端。计算设备120至少包含处理器、存储器以及其他通常存在于通用计算机中的组件,以便实现计算、存储、通信、控制等功能。
在一些实施例中,计算设备120还可以选取合适的初始模型进行训练以获取推荐模型。初始训练模型包括但不限于支持向量机(SVM)模型,贝叶斯模型,随机森林模型,各种深度学习/神经网络模型,诸如卷积神经网络(CNN)、循环神经网络(RNN)、深度神经网络(DNN)、深度强化学习网路(DQN)等。
应当理解,仅出于示例性的目的描述环境100中的架构和功能,而不暗示对本公开的范围的任何限制。本公开的实施例还可以被应用到具有不同的结构和/或功能的涉及业务授权的环境中。虽然仅仅图示为一个用户和一个推荐资源,但数目仅仅是示例性的。还可以同时存在多个用户和多个推荐资源,并且对于一个用户也可以推荐多个推荐资源,本公开在此不做限制。
下文将结合图2至图5详细描述根据本公开实施例的方法。为了便于理解,在下文描述中提及的具体数据均是示例性的,并不用于限定本公开的保护范围。为了便于描述,以下结合图1所示的示例性环境100来描述根据本公开实施例的方法。根据本公开实施例的方法可以在图1中示出的计算设备120或其他适当的设备中实现。应当理解,根据本公开实施例的方法还可以包括未示出的附加动作和/或可以省略所示出的动作,本公开的范围在此方面不受限制。
图2示出了根据本公开的一些实施例的获取用于资源排序的推荐模型的方法200的流程图。在202,计算设备120可以分别确定资源库的一组用户中的用户的用户特征。具体地,用户特征可以包括以下至少任一项:性别、年龄、职业、所在地、收入、偏好以及用户标识符。用户特征还可以包括其他特征。
可以理解的是,随着对用户使用行为的持续性收集,用户特征中所包括的信息可以随时间而更为丰富,并且可以动态实时地更新。例如,响应于检测到用户所在地的变化,用户特征可以被更新以包括新的所在地信息。响应于检测到用户最近的偏好变化,用户特征也可以被更新以体现新的偏好。
在一些实施例中,用户特征可以被存储在包括用户特征库的参数服务器中,该用户特征库动态地维护一组用户的一组用户标识符与该一组用户的一组用户特征。换言之,该用户特征库中的用户特征可能随着推荐模型的训练、或推荐模型的使用过程而更新。因此,基于用户的用户标识符,可以从该参数服务器的用户特征库中获取相应用户的特征,以保证所获取的用户特征的实时性和准确性。
在204,计算设备120可以确定资源库中的多个资源中的资源的资源特征。具体地,资源特征包括以下至少任一项:资源标识符、分类、作者、发布时间、字数、所包含图片的数目以及资源内容标签。资源特征还可以包括其他特征。多个资源可以是如上文参考图1所描述的资源,在此不再赘述。
在206,计算设备120可以基于资源库的历史访问数据,确定一组用户中的曾经访问资源的关联用户。具体地,资源库可以配置有一监控器,以实时监控并记录(例如,应用的)一组用户的对其中的资源的访问行为,并据此生成或更新历史访问数据。历史访问数据例如可以针对每个资源来记录访问过该资源的用户的用户标识符(ID)、访问时间、该访问所采用的终端类型(移动终端或固定终端)、该用户访问次数等信息。在一些实施例中,可以根据历史访问数据对用户特征进行更新。
在一些实施例中,为了确定关联用户,计算设备120可以基于历史访问数据,确定一组用户中的曾经访问过资源的多个用户。例如,可以基于对历史访问数据的检索来确定曾经访问过该资源的全部或者部分用户。继而,可以按照各个用户的使用频次,从多个用户中确定预定数目个用户。在此,使用频次是指各个用户使用用于推荐资源的应用的使用频次。如果某个用户的使用频次大于阈值使用频次,则可以选择该用户。继而,可以从预定数目个用户中,确定关联用户。
例如,计算设备120可以从曾经访问过该资源的多个用户中,确定出使用频次排名靠前的关联用户,这样的关联用户有时也被称为高频用户或重度用户。由于这些用户对应用的使用频次较高,这样的关联用户的用户画像也更为准确和/或包括更多的信息。采用这样的信息,可以对目标用户将对推荐资源实施的动作进行更为准确的预测。类似于用户特征,关联用户特征也可以包括以下至少任一项:性别、年龄、职业、所在地、收入、偏好以及用户标识符。在此不再赘述。
在208,计算设备120可以至少基于用户特征、关联用户的关联用户特征、资源特征以及用户对于资源的交互特征,训练推荐模型以用于对所述多个资源进行排序。为了便于理解,下面将结合图3来详细描述训练过程。图3示出了根据本公开的一些实施例的推荐模型的示意图300。
如图3所示,在训练过程的初始阶段,推荐模型330是待训练的模型,随着训练过程的执行,推荐模型330将会逐步被训练进而称为经训练的推荐模型。推荐模型330可以使用端到端的模型。在一些实施例中,推荐模型330可以是用于对资源进行排序的排序模型。推荐模型330可以包括输入340(即,训练样本的样本特征)和输出385(其可以用于获取针对训练样本的预测结果,进而用于确定推荐资源)。输出385可以是Q值(Quality of anaction),其可以指示用户与该资源进行交互(例如,访问)的可能性。训练的目标是使得Q值更为准确。将理解的是,虽然图3中仅图示了一个样本(即,一个用户对一个资源),但用于训练的训练集可以包括多个样本。
输入340中的每个训练样本的样本特征可以包括用户的(一个或多个)用户特征360、资源的(一个或多个)资源特征365、(一个或多个)关联用户371-1、371-2和371-3相应的关联用户特征370-1、370-2和370-3、以及用户与资源的交互特征375。交互特征可以表征用户与资源之间的交互行为和偏好,例如,男性用户可能更偏好军事新闻,并对军事新闻的访问次数更多。
关联用户371-1、371-2和371-3均可以是曾经访问资源355的用户,相应的关联用户特征370-1、370-2和370-3可以例如通过关联用户371-1、371-2和371-3的用户ID,从用户特征库中取回。在一些实施例中,关联用户371-1、371-2和371-3是曾经访问过资源355的多个用户中的、使用频次排名靠前的用户。对使用频次的统计可以例如基于用户对资源库中的所有资源的访问次数来实现。
此处,关联用户特征370-1、370-2和370-3可以按特征向量的形式来表示。因此,通过隐式的特征向量而非显示的协同相似度,能够最大程度地保留与关联用户371-1、371-2和371-3相关的所有信息,进而利用这样丰富的信息使得所训练得到的模型更为精准且泛化能力更强。
根据本公开的一个实施例,每个训练样本的样本特征还可以包括(多个)其他特征,其他特征包括但不限于:由样本用户在用于推荐资源的应用中所发起的请求的请求特征、以及与请求和用户的动作相关联的样本会话特征。请求特征可以例如表示与请求相关的各种信息,例如,请求所发起的终端的终端类型、该终端的网络状况等,采用该特征可以促进推荐模型选择更为适合的推荐资源。会话特征可以例如包括与用户在应用的会话进行交互时的各种特征,例如,用户通过操作加载了几页的推荐资源,用户对已经向用户推荐并呈现过的推荐资源的交互动作(例如,点击、访问、或者停留以观看描述信息等),采用该特征可以对后续资源的推荐进行实时地更新,以使其更符合用户的当前期望。计算设备120可以将上述各种特征中的至少一些或全部进行组合,以生成样本特征。
计算设备120例如可以基于输入340和推荐模型330,获取输出385(例如,Q值),并确定该输出385与真值(用户与资源之间的交互,例如,点击、或者未点击)之间的误差。接着计算设备120将该误差沿着从相反的方向(即从待训练模型的输出层到输入层的方向)传播。在反向传播过程中,可以依赖梯度下降算法,调整待训练模型中各个层的参数的值。可以迭代地进行训练,使得待训练模型的预测与实际值之间的误差变小,直到模型收敛,训练过程完成。由此,计算设备120得到经训练的推荐模型330。
通过将用户、资源、以及关联用户的上述特征纳入模型训练,可以在准确地表示用户、资源、以及关联用户间复杂的非线性关系的同时,不损失与关联用户相关的协同信息。因此,可以提升待训练的推荐模型的精准性和泛化性。
上面已经参考图2至图3描述了用于资源排序的推荐模型的训练过程,下文将结合图4进一步描述使用该推荐模型来执行推荐的过程。图4示出了根据本公开的一些实施例的基于资源库向目标用户110推荐资源的方法400的流程图。可以理解的是,该方法400中所使用的推荐模型的输入与输出均类似于参考图3所描述的那些。
在401,计算设备120可以从所述资源库中的一组资源召回多个资源。资源召回可以采用任意适用的资源召回技术,包括但不限于协同过滤技术。对所召回的多个资源,需要对其进行进一步排序,以筛选出将用于向用户呈现的推荐资源。该多个资源的数目仍然较多,需要例如进行排序过程来确定向目标用户110推荐的预定数量(例如,10个)的推荐资源。
在402,针对资源库中的多个资源中的资源,计算设备120可以确定用于表示向目标用户110推荐资源的顺序的排序特征。针对资源库中的多个资源中的资源,计算设备120可以基于与资源相关的历史访问数据,确定曾经访问过资源的关联用户。计算设备120可以至少基于目标用户110的目标用户特征、关联用户的关联用户特征、以及资源的资源特征,生成排序特征。以此方式,不必针对资源库中的全部资源执行方法400,而是可以仅针对召回过程返回的一部分资源执行方法400。由此,可以降低推荐过程涉及的数据处理量,进而提高推荐效率。
在一些实施例中,关联用户可以不同于目标用户110,并且计算设备120可以针对每个资源确定关联用户。具体地,基于历史访问数据,确定曾经访问过某个资源的多个用户。类似于上文描述的训练过程,可以从多个用户中确定预定数目个用户。在此,预定数目个用户使用用于推荐资源的应用的使用频次大于阈值使用频次。继而,基于预定数目个用户,确定关联用户。
在一些实施例中,关联用户特征和目标用户特征均包括以下至少任一项:性别、年龄、职业、所在地、收入、偏好以及用户标识符。在一些实施例中,资源特征包括以下至少任一项:资源标识符、分类、作者、发布时间、字数、所包含图片的数目以及资源内容标签。
在一些实施例中,可以在参数服务器的用户特征库动态地维护一组用户的一组标识符以及一组用户的一组用户特征。计算设备120可以基于目标用户110的标识符以及关联用户的标识符,分别从用户特征库中获取目标用户特征和关联用户特征,并且组合目标用户特征、关联用户特征以及资源特征,以生成排序特征。
在一些实施例中,计算设备120可以基于以下至少任一项来生成排序特征:目标用户110与资源的交互特征、由目标用户110在用于推荐资源的应用中所发起的请求的请求特征、以及与请求和目标用户110的动作相关联的会话特征。以此方式,可以向排序特征中加入更为丰富的信息,进而使得推荐结果可以更加匹配于目标用户的期望。
排序特征的生成过程与上文参考图2和图3描述的用于训练推荐模型的样本特征的生成过程类似。例如,针对目标用户110和一个资源而言,所生成的排序特征的格式可以类似图3中的输入340。排序特征可以包括(一个或多个)目标用户特征、(一个或多个)资源特征、(一个或多个)关联用户特征、(一个或多个)交互特征以及(一个或多个)其他特征。因此,在上文参考图2和图3所描述过的有关样本特征的具体实现方式和细节也同样适用于本实施例,在此不再赘述。
在404,基于多个资源的相应的多个排序特征,计算设备120可以对多个资源进行排序,以确定将要向目标用户110推荐的推荐资源。计算设备120可以例如获取与资源库相关联的推荐模型(例如,参见图2和图3描述的推荐模型330)。该推荐模型基于包括至少一个关联用户特征的训练样本而被预先确定。在一些实施例中,该推荐模型至少描述以下各项之间的关联关系:样本用户的样本用户特征、曾经访问过样本资源的关联用户的关联用户特征、样本资源的样本资源特征、以及样本用户与样本资源之间的交互。在一些实施例中,计算设备120可以按照上文参见图2和图3所描述的方案,针对目标用户110与多个资源中的资源,获取与资源库相关联的推荐模型。
计算设备120可以基于多个排序特征以及所获取的推荐模型,确定多个预测结果。在此,多个预测结果分别指示目标用户110将要与多个资源进行交互的可能性。在一些实施例中,该可能性可以基于相似度而给出。基于多个预测结果,计算设备120可以从多个资源中选择推荐资源。为了选择推荐资源,可以基于多个预测结果对多个资源进行排序。继而,可以基于经排序的多个资源,选择推荐资源。例如,可以将相似度最高的预定数目个资源推荐给用户。
在一些实施例中,基于用户所执行的用于呈现更多推荐资源的操作(例如,触摸屏上的下滑操作或点击下一页的按钮),计算设备120可以再次确定(例如,通过重新排序)与上述预定数目个资源不同的预定数目个其他推荐资源,以用于推荐给目标用户。在这样的实施例中,计算设备120可以收集用户的交互数据,并进一步基于该交互数据来更新诸如会话特征的特征,并据此确定其他推荐资源。
在一些实施例中,如果目标用户是新用户,则用户特征库中可能不存在相应的用户特征。在这种情况下,可以首先按照传统方式向用户推荐资源,并且基于用户与所推荐的资源的交互,确定目标用户特征进而更新用户特征库。然后,在用户下一次访问应用和/或用户执行的用于呈现更多推荐资源的操作的情况下,计算设备120可以采用方法400来确定推荐资源,从而能够以近乎在线的方式向新的目标用户推荐资源。
以此方式,通过将用户、资源、以及关联用户的上述特征纳入到推荐模型的输入中,可以在准确地表示用户、资源、以及关联用户间复杂的非线性关系的同时,而不损失与关联用户相关的协同信息,因此,通过利用根据本公开的实施例训练的推荐模型,可以利用完整且全面的与目标用户相关联的协同信息,来精准地向用户推荐资源,用户与推荐资源进行交互的可能性更高,并由此能够提供良好的用户体验,增强用户粘性。
图5示出了根据本公开的实施例的用于获取推荐模型的装置500的示意框图,其中推荐模型用于从资源库的一组资源召回的多个资源,向用户推荐资源。如图5所示,装置500包括用户特征确定模块502,被配置为分别确定资源库的一组用户中的用户的用户特征。装置500还包括资源特征确定模块504,被配置为确定资源库中的多个资源中的资源的资源特征。装置500还包括关联用户确定模块506,被配置为基于资源库的历史访问数据,确定一组用户中的曾经访问资源的关联用户。装置500还包括推荐模型训练模块508,被配置为至少基于用户特征、关联用户的关联用户特征、资源特征以及用户对于资源的交互特征,训练推荐模型以用于对所述多个资源进行排序。
在一些实施例中,关联用户确定模块506进一步被配置为:基于历史访问数据,确定一组用户中的曾经访问过资源的多个用户;从多个用户中确定预定数目个用户,预定数目个用户使用用于推荐资源的应用的使用频次大于阈值使用频次;以及基于预定数目个用户,确定关联用户。
在一些实施例中,用户特征和关联用户特征均包括以下至少任一项:性别、年龄、职业、所在地、收入、偏好以及用户标识符。在一些实施例中,资源特征包括以下至少任一项:资源标识符、分类、作者、发布时间、字数、所包含图片的数目以及资源内容标签。
在一些实施例中,用户特征确定模块502进一步被配置为:基于用户的标识符,从用户特征库中获取用户特征,用户特征库动态地维护一组用户的一组标识符以及一组用户的一组用户特征。
在一些实施例中,推荐模型训练模块508包括:样本特征生成子模块,被配置为组合用户特征、关联用户特征、资源特征以及用户对于资源的交互特征,以生成样本特征;以及训练子模块,被配置为基于样本特征来训练推荐模型。
在一些实施例中,样本特征生成子模块进一步被配置为组合以下至少任一项来生成样本特征:由样本用户在用于推荐资源的应用中所发起的请求的请求特征、以及与请求和用户的动作相关联的样本会话特征。
图6示出了根据本公开的实施例的基于资源库向目标用户推荐资源的装置600的示意框图。如图6所示,装置600包括资源召回模块601,被配置为从资源库中的一组资源召回多个资源。装置600包括还排序特征确定模块602,被配置为针对资源库中的多个资源中的资源,确定用于表示向目标用户推荐资源的顺序的排序特征。排序特征确定模块602还包括关联用户确定子模块604,被配置为基于与资源相关的历史访问数据,确定曾经访问过资源的关联用户。排序特征确定模块602还包括排序特征生成子模块606,被配置为至少基于目标用户的目标用户特征、关联用户的关联用户特征、以及资源的资源特征,生成排序特征。装置600还包括推荐资源确定模块608,被配置为基于多个资源的相应的多个排序特征,对多个资源进行排序以确定将要向目标用户推荐的推荐资源。
在一些实施例中,关联用户确定子模块604被进一步配置为:基于历史访问数据,确定曾经访问过资源的多个用户;从多个用户中确定预定数目个用户,预定数目个用户使用用于推荐资源的应用的使用频次大于阈值使用频次;以及基于预定数目个用户,确定关联用户。
在一些实施例中,推荐资源确定模块608包括:推荐模型获取子模块,被配置为获取与资源库相关联的推荐模型,推荐模型基于包括至少一个关联用户特征的训练样本而被预先确定,被配置为基于多个排序特征以及推荐模型,确定多个预测结果,多个预测结果分别指示目标用户将要与多个资源进行交互的可能性;以及推荐资源选择子模块,被配置为基于多个预测结果,从多个资源中选择推荐资源。
在一些实施例中,推荐资源选择子模块进一步被配置为:基于多个预测结果对多个资源进行排序;以及基于经排序的多个资源,选择推荐资源。
在一些实施例中,关联用户特征和目标用户特征均包括以下至少任一项:性别、年龄、职业、所在地、收入、偏好以及用户标识符。在一些实施例中,资源特征包括以下至少任一项:资源标识符、分类、作者、发布时间、字数、所包含图片的数目以及资源内容标签。
在一些实施例中,排序特征生成子模块606进一步被配置为:基于目标用户的标识符以及关联用户的标识符,分别从用户特征库中获取目标用户特征和关联用户特征,用户特征库动态地维护一组用户的一组标识符以及一组用户的一组用户特征;以及组合目标用户特征、关联用户特征以及资源特征,以生成排序特征。
在一些实施例中,排序特征生成子模块606进一步被配置为基于以下至少任一项来生成排序特征:目标用户与资源的交互特征、由目标用户在用于推荐资源的应用中所发起的请求的请求特征、以及与请求和目标用户的动作相关联的会话特征。
在一些实施例中,其中关联用户不同于目标用户。在一些实施例中,装置600进一步包括资源召回模块,被配置为基于资源召回过程,从资源库中的一组资源中确定多个资源。
根据本公开的实施例,本公开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7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。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/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理,例如方法200和400。例如,在一些实施例中,方法200和400中的任一个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708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的方法200和400中的任一个的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200和400中的任一个。
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。
用于实施本公开的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。
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)和互联网。
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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (17)
1.一种基于资源库向目标用户推荐资源的方法,所述方法包括:
从所述资源库中的一组资源召回多个资源;
针对所述多个资源中的资源,确定用于表示向所述目标用户推荐所述资源的顺序的排序特征,包括:
基于与所述资源相关的历史访问数据,确定曾经访问过所述资源的关联用户;
至少基于所述目标用户的目标用户特征、所述关联用户的关联用户特征、以及所述资源的资源特征,生成所述排序特征;以及
基于所述多个资源的相应的多个排序特征,对所述多个资源进行排序以确定将要向所述目标用户推荐的推荐资源;
其中确定所述推荐资源包括:
获取与所述资源库相关联的用于资源排序的推荐模型,所述推荐模型至少基于包括至少一个关联用户特征的训练样本而被预先确定;
基于所述多个排序特征以及所述推荐模型,确定多个预测结果,所述多个预测结果分别指示所述目标用户将要与所述多个资源进行交互的可能性;以及
基于所述多个预测结果,从所述多个资源中选择所述推荐资源;
其中生成所述排序特征包括:
基于所述目标用户的标识符以及所述关联用户的标识符,分别从用户特征库中获取所述目标用户特征和所述关联用户特征,所述用户特征库动态地维护一组用户的一组标识符以及所述一组用户的一组用户特征;以及
组合所述目标用户特征、所述关联用户特征以及所述资源特征,以生成所述排序特征;
其中生成所述排序特征还包括基于以下至少任一项来生成所述排序特征:所述目标用户与所述资源的交互特征、由所述目标用户在用于推荐所述资源的应用中所发起的请求的请求特征、以及与所述请求和所述目标用户的动作相关联的会话特征。
2.根据权利要求1所述的方法,其中选择所述推荐资源包括:
基于所述多个预测结果对所述多个资源进行排序;以及
基于经排序的所述多个资源,选择所述推荐资源。
3.根据权利要求1所述的方法,其中:
所述关联用户特征和所述目标用户特征均包括以下至少任一项:性别、年龄、职业、所在地、收入、偏好以及用户标识符;以及
所述资源特征包括以下至少任一项:资源标识符、分类、作者、发布时间、字数、所包含图片的数目以及资源内容标签。
4.根据权利要求1所述的方法,其中确定所述关联用户包括:
基于所述历史访问数据,确定曾经访问过所述资源的多个用户;
从所述多个用户中确定预定数目个用户,所述预定数目个用户使用用于推荐所述资源的应用的使用频次大于阈值使用频次;以及
基于所述预定数目个用户,确定所述关联用户。
5.一种获取用于资源排序的推荐模型的方法,所述推荐模型用于基于从资源库的一组资源召回的多个资源,向用户推荐资源,所述方法包括:
分别确定所述资源库的一组用户中的用户的用户特征;
确定所述资源库中的多个资源中的资源的资源特征;
基于所述资源库的历史访问数据,确定所述一组用户中的曾经访问所述资源的关联用户;以及
至少基于所述用户特征、所述关联用户的关联用户特征、所述资源特征以及所述用户对于所述资源的交互特征,训练所述推荐模型以用于对所述多个资源进行排序;
其中确定所述用户特征包括:基于所述用户的标识符,从用户特征库中获取所述用户特征,所述用户特征库动态地维护一组用户的一组标识符以及所述一组用户的一组用户特征;
其中训练所述推荐模型包括:
组合所述用户特征、所述关联用户特征、所述资源特征以及所述用户对于所述资源的交互特征,以生成样本特征;以及
基于所述样本特征来训练所述推荐模型;
其中生成所述样本特征还包括组合以下至少任一项来生成所述样本特征:由样本用户在用于推荐所述资源的应用中所发起的请求的请求特征、以及与所述请求和所述用户的动作相关联的样本会话特征。
6.根据权利要求5所述的方法,其中确定所述关联用户包括:
基于所述历史访问数据,确定所述一组用户中的曾经访问过所述资源的多个用户;
从所述多个用户中确定预定数目个用户,所述预定数目个用户使用用于推荐所述资源的应用的使用频次大于阈值使用频次;以及
基于所述预定数目个用户,确定所述关联用户。
7.根据权利要求5所述的方法,其中:
所述用户特征和所述关联用户特征均包括以下至少任一项:性别、年龄、职业、所在地、收入、偏好以及用户标识符;以及
所述资源特征包括以下至少任一项:资源标识符、分类、作者、发布时间、字数、所包含图片的数目以及资源内容标签。
8.一种基于资源库向目标用户推荐资源的装置,包括:
资源召回模块,被配置为从所述资源库中的一组资源召回多个资源;
排序特征确定模块,被配置为针对所述多个资源中的资源,确定用于表示向所述目标用户推荐所述资源的顺序的排序特征,所述排序特征确定模块还包括:
关联用户确定子模块,被配置为基于与所述资源相关的历史访问数据,确定曾经访问过所述资源的关联用户;以及
排序特征生成子模块,被配置为至少基于所述目标用户的目标用户特征、所述关联用户的关联用户特征、以及所述资源的资源特征,生成所述排序特征;以及
推荐资源确定模块,被配置为基于所述多个资源的相应的多个排序特征,对所述多个资源进行排序以确定将要向所述目标用户推荐的推荐资源;
其中所述推荐资源确定模块包括:
推荐模型获取子模块,被配置为获取与所述资源库相关联的用于资源排序的推荐模型,所述推荐模型基于包括至少一个关联用户特征的训练样本而被预先确定;
预测结果确定子模块,被配置为基于所述多个排序特征以及所述推荐模型,确定多个预测结果,所述多个预测结果分别指示所述目标用户将要与所述多个资源进行交互的可能性;以及
推荐资源选择子模块,被配置为基于所述多个预测结果,从所述多个资源中选择所述推荐资源;
其中所述排序特征生成子模块进一步被配置为:
基于所述目标用户的标识符以及所述关联用户的标识符,分别从用户特征库中获取所述目标用户特征和所述关联用户特征,所述用户特征库动态地维护一组用户的一组标识符以及所述一组用户的一组用户特征;以及
组合所述目标用户特征、所述关联用户特征以及所述资源特征,以生成所述排序特征;
其中所述排序特征生成子模块进一步被配置为基于以下至少任一项来生成所述排序特征:所述目标用户与所述资源的交互特征、由所述目标用户在用于推荐所述资源的应用中所发起的请求的请求特征、以及与所述请求和所述目标用户的动作相关联的会话特征。
9.根据权利要求8所述的装置,其中所述推荐资源选择子模块进一步被配置为:
基于所述多个预测结果对所述多个资源进行排序;以及
基于经排序的所述多个资源,选择所述推荐资源。
10.根据权利要求8所述的装置,其中:
所述关联用户特征和所述目标用户特征均包括以下至少任一项:性别、年龄、职业、所在地、收入、偏好以及用户标识符;以及
所述资源特征包括以下至少任一项:资源标识符、分类、作者、发布时间、字数、所包含图片的数目以及资源内容标签。
11.根据权利要求8所述的装置,其中所述关联用户确定子模块被进一步配置为:
基于所述历史访问数据,确定曾经访问过所述资源的多个用户;
从所述多个用户中确定预定数目个用户,所述预定数目个用户使用用于推荐所述资源的应用的使用频次大于阈值使用频次;以及
基于所述预定数目个用户,确定所述关联用户。
12.一种获取用于资源排序的推荐模型的装置,所述推荐模型用于基于从资源库的一组资源召回的多个资源,向用户推荐资源,所述装置包括:
用户特征确定模块,被配置为分别确定所述资源库的一组用户中的用户的用户特征;
资源特征确定模块,被配置为确定所述资源库中的多个资源中的资源的资源特征;
关联用户确定模块,被配置为基于所述资源库的历史访问数据,确定所述一组用户中的曾经访问所述资源的关联用户;以及
推荐模型训练模块,被配置为至少基于所述用户特征、所述关联用户的关联用户特征、所述资源特征以及所述用户对于所述资源的交互特征,训练所述推荐模型以用于对所述多个资源进行排序;
其中所述用户特征确定模块进一步被配置为:基于所述用户的标识符,从用户特征库中获取所述用户特征,所述用户特征库动态地维护一组用户的一组标识符以及所述一组用户的一组用户特征;
其中所述推荐模型训练模块包括:
样本特征生成子模块,被配置为组合所述用户特征、所述关联用户特征、所述资源特征以及所述用户对于所述资源的交互特征,以生成样本特征;以及
训练子模块,被配置为基于所述样本特征来训练所述推荐模型;
其中所述样本特征生成子模块进一步被配置为组合以下至少任一项来生成所述样本特征:由样本用户在用于推荐所述资源的应用中所发起的请求的请求特征、以及与所述请求和所述用户的动作相关联的样本会话特征。
13.根据权利要求12所述的装置,其中所述关联用户确定模块进一步被配置为:
基于所述历史访问数据,确定所述一组用户中的曾经访问过所述资源的多个用户;
从所述多个用户中确定预定数目个用户,所述预定数目个用户使用用于推荐所述资源的应用的使用频次大于阈值使用频次;以及
基于所述预定数目个用户,确定所述关联用户。
14.根据权利要求12所述的装置,其中:
所述用户特征和所述关联用户特征均包括以下至少任一项:性别、年龄、职业、所在地、收入、偏好以及用户标识符;以及
所述资源特征包括以下至少任一项:资源标识符、分类、作者、发布时间、字数、所包含图片的数目以及资源内容标签。
15.一种电子设备,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1-7中任一项所述的方法。
16.一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计算机执行根据权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时,实现根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110190483.6A CN112989146B (zh) | 2021-02-18 | 2021-02-18 | 向目标用户推荐资源的方法、装置、设备、介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110190483.6A CN112989146B (zh) | 2021-02-18 | 2021-02-18 | 向目标用户推荐资源的方法、装置、设备、介质和程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112989146A CN112989146A (zh) | 2021-06-18 |
CN112989146B true CN112989146B (zh) | 2024-04-23 |
Family
ID=76393483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110190483.6A Active CN112989146B (zh) | 2021-02-18 | 2021-02-18 | 向目标用户推荐资源的方法、装置、设备、介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112989146B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378093A (zh) * | 2021-06-25 | 2021-09-10 | 北京百度网讯科技有限公司 | 资源发布策略的确定方法、装置、电子设备及存储介质 |
CN113792212B (zh) * | 2021-08-31 | 2023-09-01 | 北京百度网讯科技有限公司 | 多媒体资源推荐方法、装置、设备以及存储介质 |
CN114139052B (zh) * | 2021-11-19 | 2022-10-21 | 北京百度网讯科技有限公司 | 用于智能推荐的排序模型训练方法、智能推荐方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110413877A (zh) * | 2019-07-02 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法、装置及电子设备 |
CN111143686A (zh) * | 2019-12-30 | 2020-05-12 | 北京百度网讯科技有限公司 | 资源推荐方法及装置 |
CN111191142A (zh) * | 2018-11-14 | 2020-05-22 | 腾讯科技(深圳)有限公司 | 一种电子资源推荐方法、装置和可读介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108763314B (zh) * | 2018-04-26 | 2021-01-19 | 深圳市腾讯计算机系统有限公司 | 一种兴趣推荐方法、装置、服务器及存储介质 |
US11310257B2 (en) * | 2019-02-27 | 2022-04-19 | Microsoft Technology Licensing, Llc | Anomaly scoring using collaborative filtering |
-
2021
- 2021-02-18 CN CN202110190483.6A patent/CN112989146B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191142A (zh) * | 2018-11-14 | 2020-05-22 | 腾讯科技(深圳)有限公司 | 一种电子资源推荐方法、装置和可读介质 |
CN110413877A (zh) * | 2019-07-02 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法、装置及电子设备 |
CN111143686A (zh) * | 2019-12-30 | 2020-05-12 | 北京百度网讯科技有限公司 | 资源推荐方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于协同过滤的高校图书馆纸本资源智能推荐方法实证研究;关芳;高一弘;林强;;情报探索(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112989146A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10958748B2 (en) | Resource push method and apparatus | |
CN110321422B (zh) | 在线训练模型的方法、推送方法、装置以及设备 | |
CN112989146B (zh) | 向目标用户推荐资源的方法、装置、设备、介质和程序产品 | |
US20170250930A1 (en) | Interactive content recommendation personalization assistant | |
CN108776676B (zh) | 信息推荐方法、装置、计算机可读介质及电子设备 | |
GB2567712A (en) | Global vector recommendations based on implicit interaction and profile data | |
KR20130014581A (ko) | 관심사항 클라우드에 포함된 관심사항 태그에 기초한 콘텐츠 선택 | |
CN109993627B (zh) | 推荐方法、推荐模型的训练方法、装置和存储介质 | |
US20120084657A1 (en) | Providing content to a user from multiple sources based on interest tag(s) that are included in an interest cloud | |
CN109992715B (zh) | 信息展示方法、装置、介质和计算设备 | |
CN114036398B (zh) | 内容推荐和排序模型训练方法、装置、设备以及存储介质 | |
CN112765478B (zh) | 用于推荐内容的方法、装置、设备、介质和程序产品 | |
US20170177739A1 (en) | Prediction using a data structure | |
CN115455280A (zh) | 一种推荐列表确定方法和服务器 | |
US10262379B2 (en) | Displaying social networking information based on identified entity | |
US10678800B2 (en) | Recommendation prediction based on preference elicitation | |
CN112650942A (zh) | 产品推荐方法、装置、计算机系统和计算机可读存储介质 | |
CN112905885B (zh) | 向用户推荐资源的方法、装置、设备、介质和程序产品 | |
CN113590914B (zh) | 信息处理方法、装置、电子设备和存储介质 | |
CN109299351B (zh) | 内容推荐方法和装置、电子设备及计算机可读介质 | |
CN113094584A (zh) | 推荐学习资源的确定方法和装置 | |
CN113515701A (zh) | 信息推荐方法及装置 | |
CN113327147A (zh) | 一种物品信息展示的方法及装置 | |
CN111861635B (zh) | 一种针对商品分享时的好友推荐方法、装置及设备 | |
CN116911912B (zh) | 一种交互对象和交互结果的预测方法及装置 |
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 |