CN113010809A - 一种信息推荐的方法及装置 - Google Patents

一种信息推荐的方法及装置 Download PDF

Info

Publication number
CN113010809A
CN113010809A CN202110265835.XA CN202110265835A CN113010809A CN 113010809 A CN113010809 A CN 113010809A CN 202110265835 A CN202110265835 A CN 202110265835A CN 113010809 A CN113010809 A CN 113010809A
Authority
CN
China
Prior art keywords
information
client
displayed
user
recommendation information
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
Application number
CN202110265835.XA
Other languages
English (en)
Inventor
祝升
汤彪
刘哲
张敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN202110265835.XA priority Critical patent/CN113010809A/zh
Publication of CN113010809A publication Critical patent/CN113010809A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/9538—Presentation of query results
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本说明书公开了一种信息推荐的方法及装置，客户端可以接收用户输入的搜索信息，并通过该搜索信息，从服务器中获取到该搜索信息对应的至少部分推荐信息进行展示。而后，客户端可以获取用户针对搜索信息对应的已展示推荐信息的行为数据，并通过该行为数据以及客户端本地部署的预先训练的重排模型，对搜索信息对应的未展示推荐信息进行排序，得到针对未展示推荐信息的排序结果，以及按照该排序结果，将未展示推荐信息展示给用户,从而提高了对用户进行信息推荐的准确性。

Description

一种信息推荐的方法及装置
技术领域
本说明书涉及计算机技术领域，尤其涉及一种信息推荐的方法及装置。
背景技术
随着互联网技术的飞速发展，用户可以在线上执行各种各样的业务，为了便于用户能够查找到自己需要执行的业务，用户可以通过服务平台进行信息搜索，从而找到感兴趣的业务进行执行。
例如，在第三方点评网站中包含有若干商家的信息，用户可以通过第三方点评网站进行信息搜索，如搜索“商场”，第三方点评网站可以根据“商场”这一搜索信息，确定需要推荐给用户的商家。在现有技术中，用户通过终端进行信息搜索后，服务平台可以接收到终端发送的信息搜索请求，并对需要推荐给用户的信息进行排序，将排序结果返回给终端。
对于上述这种方式，服务平台只能简单的通过用户输入的搜索信息以及用户所处位置等信息，来对需要推荐给用户的信息进行排序，这样一来，服务平台无法确定出用户的实时意图，来对用户进行信息推荐，因此，向用户进行的信息推荐较为不准确。
所以，如何提高对用户进行信息推荐的准确性，则是一个亟待解决的问题。
发明内容
本说明书提供一种信息推荐的方法及装置，以部分地解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种信息推荐的方法，包括：
客户端接收用户输入的搜索信息；
通过所述搜索信息，从服务器中获取到所述搜索信息对应的至少部分推荐信息进行展示；
获取所述用户针对所述搜索信息对应的已展示推荐信息的行为数据；
通过所述行为数据以及所述客户端本地部署的预先训练的重排模型，对所述搜索信息对应的未展示推荐信息进行排序，得到针对所述未展示推荐信息的排序结果；
按照所述排序结果，将所述未展示推荐信息展示给所述用户。
可选地，通过所述行为数据以及所述客户端本地部署的预先训练的重排模型，对所述搜索信息对应的未展示推荐信息进行排序，得到针对所述未展示推荐信息的排序结果，具体包括：
从所述服务器中获取到所述未展示推荐信息对应的综合特征向量，以及确定所述行为数据对应的行为特征向量；
将所述综合特征向量以及所述行为特征向量输入到所述重排模型中，得到针对所述未展示推荐信息的排序结果。
可选地，从所述服务器中获取到所述未展示推荐信息对应的综合特征向量，具体包括：
将所述用户的用户信息以及所述搜索信息发送给所述服务器，以使所述服务器根据所述用户信息对应的特征向量、所述搜索信息对应的特征向量以及所述未展示推荐信息对应的特征向量，确定所述综合特征向量，并将所述综合特征向量返回给所述客户端。
可选地，在将所述综合特征向量以及所述行为特征向量输入到所述重排模型中之前，所述方法还包括：
确定所述已展示推荐信息与所述未展示推荐信息在各预设维度下的关联信息，并确定所述关联信息对应的关联特征向量；
将所述综合特征向量以及所述行为特征向量输入到所述重排模型中，得到针对所述未展示推荐信息的排序结果，具体包括：
将所述综合特征向量、所述行为特征向量以及所述关联特征向量输入到所述重排模型中，得到针对所述未展示推荐信息的排序结果。
本说明书提供了一种信息推荐的方法，包括：
服务器接收客户端发送的搜索信息，所述搜索信息是用户在所述客户端中输入的；
将所述搜索信息对应的至少部分推荐信息返回给所述客户端进行展示，以使所述客户端获取所述用户针对所述搜索信息对应的已展示推荐信息的行为数据，以及通过所述行为数据和所述客户端本地部署的预先训练的重排模型，对所述搜索信息对应的未展示推荐信息进行排序，得到针对所述未展示推荐信息的排序结果，并按照所述排序结果，将所述未展示推荐信息展示给所述用户。
可选地，训练所述重排模型，具体包括：
获取训练样本；
通过预设的基础排序模型，确定所述训练样本中包含的历史推荐信息对应的综合特征向量，所述历史推荐信息对应的综合特征向量是所述基础排序模型通过所述历史推荐信息、所述历史推荐信息对应的历史搜索信息以及所述历史搜索信息对应用户的用户信息确定出的，所述基础排序模型用于根据接收到的搜索信息进行信息推荐；
将所述历史推荐信息对应的综合特征向量以及所述训练样本中包含的历史行为数据对应的行为特征向量输入到所述重排模型中，得到针对所述历史推荐信息的预测排序结果；
以最小化所述预测排序结果与所述训练样本中包含的标注结果之间的偏差为优化目标，对所述重排模型进行训练，并将训练后的所述重排模型发送给所述客户端进行部署。
可选地，将训练后的所述重排模型发送给所述客户端进行部署，具体包括：
确定所述客户端对应的系统数据格式；
按照所述系统数据格式，将训练后的所述重排模型进行数据格式转化，得到转化后的重排模型；
将所述转化后的重排模型发送给所述客户端进行部署。
可选地，将训练后的所述重排模型发送给所述客户端进行部署，具体包括：
确定训练后的所述重排模型中包含的各模型参数；
针对每个模型参数，从该模型参数中截取预设位数，得到该模型参数对应的有效参数；
根据各模型参数对应的有效参数，调整训练后的所述重排模型，得到调整后的重排模型，并将所述调整后的重排模型发送给所述客户端进行部署。
本说明书提供了一种信息推荐的装置，包括：
接收模块，用于所述装置接收用户输入的搜索信息；
第一展示模块，用于通过所述搜索信息，从服务器中获取到所述搜索信息对应的至少部分推荐信息进行展示；
获取模块，用于获取所述用户针对所述搜索信息对应的已展示推荐信息的行为数据；
排序模块，用于通过所述行为数据以及所述客户端本地部署的预先训练的重排模型，对所述搜索信息对应的未展示推荐信息进行排序，得到针对所述未展示推荐信息的排序结果；
第二展示模块，按照所述排序结果，将所述未展示推荐信息展示给所述用户。
本说明书提供了一种信息推荐的装置，包括：
接收模块，用于所述装置接收客户端发送的搜索信息，所述搜索信息是用户在所述客户端中输入的；
返回模块，用于将所述搜索信息对应的至少部分推荐信息返回给所述客户端进行展示，以使所述客户端获取所述用户针对所述搜索信息对应的已展示推荐信息的行为数据，以及通过所述行为数据和所述客户端本地部署的预先训练的重排模型，对所述搜索信息对应的未展示推荐信息进行排序，得到针对所述未展示推荐信息的排序结果，并按照所述排序结果，将所述未展示推荐信息展示给所述用户。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述信息推荐的方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述信息推荐的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
在本说明书提供的信息推荐的方法中，客户端可以接收用户输入的搜索信息，并通过该搜索信息，从服务器中获取到该搜索信息对应的至少部分推荐信息进行展示。而后，客户端可以获取用户针对搜索信息对应的已展示推荐信息的行为数据，并通过该行为数据以及客户端本地部署的预先训练的重排模型，对搜索信息对应的未展示推荐信息进行排序，得到针对未展示推荐信息的排序结果，以及按照该排序结果，将未展示推荐信息展示给用户。
从上述方法中可以看出，客户端可以根据用户实时针对已向其展示的推荐信息的操作，来对未向其展示的推荐信息进行排序，由于对未展示推荐信息的排序是通过部署在客户端侧的重排模型来确定的，所以可以实时改变未展示给用户的推荐信息的顺序，因此，本方法能够考虑到用户实时的意图，从而提高对用户进行信息推荐的准确性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书中一种信息推荐的方法的流程示意图；
图2为本说明书提供的一种客户端向用户展示推荐信息的示意图；
图3为本说明书中一种信息推荐的方法的流程示意图；
图4为本说明书中一种信息推荐的装置的示意图；
图5为本说明书中一种信息推荐的装置的示意图；
图6为本说明书提供的对应于图1或图3的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中一种信息推荐的方法的流程示意图，具体包括以下步骤：
S101：客户端接收用户输入的搜索信息。
S102：通过所述搜索信息，从服务器中获取到所述搜索信息对应的至少部分推荐信息进行展示。
在实际应用中，用户可以在客户端中输入搜索信息，以通过客户端进行信息搜索，客户端接收到搜索信息后可以将该搜索信息发送给服务器。服务器可以根据该搜索信息确定出需要推荐给用户的信息，即，确定出该搜索信息对应的推荐信息，客户端可以从服务器中获取到该搜索信息对应的至少部分推荐信息展示给用户。
例如，若客户端为第三方点评网站所提供的客户端，用户通过该客户端所输入的搜索信息为“自助”，客户端可以将该搜索信息发送给第三方点评网站的服务器，服务器可以确定出该搜索信息对应的需要推荐给用户的推荐信息，如，确定出用户所处地理位置一定范围内各自助餐厅的商家信息。客户端可以获取部分商家信息对用户进行初步地信息推荐，也可以获取所有的商家信息，向用户展示部分商家信息。除了商家信息外，多种不同业务场景下，推荐信息还可以有多种，如，在推荐商品的业务场景中推荐信息可以是商品信息、在推荐新闻的业务场景中，推荐信息可以是新闻信息等，本说明书不对具体的业务场景进行限定。
S103：获取所述用户针对所述搜索信息对应的已展示推荐信息的行为数据。
S104：通过所述行为数据以及所述客户端本地部署的预先训练的重排模型，对所述搜索信息对应的未展示推荐信息进行排序，得到针对所述未展示推荐信息的排序结果。
客户端获取到该搜索信息对应的至少部分推荐信息后，可以获取用户针对该搜索信息对应的已展示推荐信息的行为数据。这里提到的已展示推荐信息是指客户端接收到的推荐信息中已经展示给用户的推荐信息。这里提到的行为数据可以有多种。例如，若客户端为第三方点评网站的客户端来说，客户端展示的推荐信息包括商家信息以及商家链接，则行为数据可以包括记录用户是否点击了商家链接的数据。再例如，若客户端为购物网站的客户端，客户端展示的推荐信息包括商品信息及商品链接，行为数据可以包括用户是否点击商品链接以及购买商品的数据。
客户端可以通过获取到的行为数据以及客户端本地部署的预先训练的重排模型，对搜索信息对应的未展示推荐信息进行排序，得到针对未展示推荐信息的排序结果。也就是说，客户端可以根据用户针对已展示给其的推荐信息的行为，来推测用户更需要的推荐信息，从而对未展示出的推荐信息排序。这里提到的未展示推荐信息是指搜索信息对应的推荐信息中未展示给用户的推荐信息。以客户端为第三方点评网站的客户端为例，客户端可以确定出用户点击了哪些商家的商家链接，以及确定出未点击哪些商家的商家链接，而后通过这些商家的商家信息，确定出用户的行为特征向量，该行为特征向量中不仅可以表示用户点击的商家的商家信息、未点击的商家的商家信息，还可以表示用户点击的商家的平均信息，如与用户的平均位置差、平均的人均消费金额等。
其中，重排模型对未展示推荐信息的排序不仅仅可以参考用户针对已展示推荐信息的行为数据，还可以参考其他数据。例如，客户端可以从服务器获取各未展示推荐信息对应的综合特征向量，以及确定出行为数据对应的行为特征向量，将该综合特征向量以及该行为特征向量输入到重排模型中，以通过重排模型确定出针对未展示推荐信息的排序结果。
这里提到的各未展示推荐信息对应的综合特征向量可以通过服务器确定出，客户端可以将用户的用户信息以及搜索信息发送给服务器，服务器可以根据用户信息对应的特征向量、搜索信息对应的特征向量以及未展示推荐信息对应的特征向量，确定综合特征向量，并将该综合特征向量返回给客户端。这里提到的用户信息可以包括用户的年龄、性别、该用户历史上针对历史推荐信息的行为数据等。历史推荐信息是指历史上推荐给该用户的推荐信息，并不是指这里的已展示推荐信息。搜索信息是指用户进行信息搜索时在客户端中输入的信息，如上述例子中的“自助”一词。
可以看出，这里提到的综合特征向量不仅能够表征未展示推荐信息的特点，还能够表征搜索信息的意义以及用户的特点。当然，该综合特征向量所表征的信息可以通过实际需求来设定，即，除了用户信息、搜索信息以及未展示推荐信息外，综合特征向量还可以表征出其他维度下的信息。如，用户当前所处的地理位置、当前时间等。
除了综合特征向量以及行为特征向量所表征的信息外，重排模型还可以参考其他信息，如，客户端可以确定已展示推荐信息与未展示推荐信息在各预设维度下的关联信息，并确定关联信息对应的关联特征向量，将该关联特征向量与综合特征向量以及行为特征向量一并输入到重排模型中，确定出针对未展示推荐信息的排序结果。
这里提到的各预设维度可以根据实际需求进行预先确定。依然以推荐信息为商家信息为例进行说明，商家信息中包括商家和用户之间的距离、商家对应的人均消费金额等，各预设维度下的关联信息可以包括：未展示商家信息对应的特征向量与已展示商家信息对应的特征向量之间的相似度、未展示商家和用户之间的距离与已展示商家和用户之间的距离的距离差、未展示商家的人均消费金额与已展示商家的人均消费金额之间的差值等。
从上述说明可以看出，部署在客户端本地的重排模型可以参考多种信息来对未展示推荐信息进行排序，即，上述提到的用户针对已展示推荐信息的行为数据、各未展示推荐信息的特征信息、用户自身的信息、各已展示推荐信息与各未展示推荐信息之间相关的一些信息等。这样一来，重排模型能够通过用户的实时行为以及预先得到的信息(如未展示推荐信息的特征信息等)，对未展示推荐信息进行排序，从而，客户端能够更准确地将用户需要的推荐信息进行优先展示。
S105：按照所述排序结果，将所述未展示推荐信息展示给所述用户。
客户端通过重排模型确定出针对未展示推荐信息的排序结果后，可以根据该排序结果将未展示推荐信息展示给用户，也就是说，客户端需要按照该排序结果中将各未展示推荐信息展示给用户，如图2所示。
图2为本说明书提供的一种客户端向用户展示推荐信息的示意图。
在图2中，推荐信息为商家信息，客户端获取到至少部分推荐信息时，这些推荐信息已被服务器进行了初步的排序，因此客户端可以向用户先按照这一排序展示一些推荐信息，这些推荐信息可以作为已展示推荐信息。假设客户端为手机客户端，用户查看完这些推荐信息后向上滑动屏幕可以浏览未展示推荐信息，在用户查看已展示推荐信息时，客户端可以收集用户针对已展示推荐信息的行为数据，并通过这些行为数据以及服务器传给客户端的各未展示推荐信息的综合特征向量等信息，针对未展示推荐信息进行重新排序，在用户滑动屏幕后，客户端可以按照重新排序的顺序向用户展示未展示推荐信息。客户端可以不断地收集用户针对已展示推荐信息的行为数据，并根据这些行为数据，对未展示推荐信息进行重新排序。
其中，客户端从服务器获取推荐信息时，可以获取部分推荐信息，也可以获取全部推荐信息。若客户端获取部分推荐信息，那么可以将排序结果发送给服务器，使服务器按照该排序结果对未展示推荐信息进行排序，客户端获取到的未展示推荐信息已按照该排序结果排序完成，客户端只需要将未展示推荐信息按顺序进行展示，当然，客户端也可以在后续接收到未展示推荐信息后按照确定出的排序结果将各未展示推荐信息进行展示。然而，若客户端已获取到全部推荐信息，则客户端需要将各未展示推荐信息按照该排序结果进行排序并展示给用户。
需要说明的是，上述大部分是以推荐商品信息为例来对本说明书提供的信息推荐的方法进行说明的，但在实际应用中，本说明书提供的信息推荐的方法还可以应用于多种业务场景，例如，推荐商品信息，推荐新闻信息等，具体实施的方式与推荐商品信息的业务场景类似。
以上是站在客户端的角度来对本说明书提供的信息推荐的方法进行说明，下面在服务器的角度对该信息推荐的方法进行说明，如图3所示。
图3为本说明书中一种信息推荐的方法的流程示意图，具体包括以下步骤：
S301：服务器接收客户端发送的搜索信息，所述搜索信息是用户在所述客户端中输入的。
S302：将所述搜索信息对应的至少部分推荐信息返回给所述客户端进行展示，以使所述客户端获取所述用户针对所述搜索信息对应的已展示推荐信息的行为数据，以及通过所述行为数据和所述客户端本地部署的预先训练的重排模型，对所述搜索信息对应的未展示推荐信息进行排序，得到针对所述未展示推荐信息的排序结果，并按照所述排序结果，将所述未展示推荐信息展示给所述用户。
用户在客户端输入搜索信息并进行信息搜索后，客户端可以将该搜索信息发送给服务器，服务器接收客户端发送的搜索信息后，可以确定出该搜索信息对应的推荐信息，并将至少部分推荐信息返回给客户端，使客户端展示给用户，客户端可以获取用户针对搜索信息对应的已展示推荐信息的行为数据，以及通过该行为数据和客户端本地部署的预先训练的重排模型，对搜索信息对应的未展示推荐信息进行排序，得到针对未展示推荐信息的排序结果，并按照排序结果，将未展示推荐信息展示给用户。
在本说明书中，重排模型被部署在客户端本地，但该重排模型需要在服务器侧进行预先的有监督训练。具体的，服务器可以获取训练样本，通过预设的基础排序模型，确定该训练样本中包含的历史推荐信息对应的综合特征向量，并将该历史推荐信息对应的综合特征向量以及训练样本中包含的历史行为数据对应的行为特征向量输入到重排模型中，得到针对历史推荐信息的预测排序结果，以最小化预测排序结果与训练样本中包含的标注结果之间的偏差为优化目标，对重排模型进行训练，并将训练后的重排模型发送给客户端进行部署，训练样本中包含的标注结果为对各历史推荐信息进行标注的排序结果。
其中，历史推荐信息对应的综合特征向量是基础排序模型通过历史推荐信息、历史推荐信息对应的历史搜索信息以及历史搜索信息对应用户的用户信息确定出的，该基础排序模型用于根据接收到的搜索信息进行信息推荐。也就是说，该基础排序模型为服务器确定出各推荐信息后，对推荐信息进行初步排序的模型。客户端接收到至少部分推荐信息后，可以按照服务器通过基础排序模型针对这些推荐信息确定出的顺序，向用户初步进行这些推荐信息的展示，而后，通过重排模型将未展示推荐信息进行重新排序。
需要说明的是，在服务侧进行训练的重排模型可能会与客户端对应的系统不兼容，则服务器可以确定出客户端对应的系统数据格式，按照该系统数据格式，将训练后的重排模型进行数据格式转化，得到转化后的重排模型发送给客户端进行部署，这里提到的系统数据格式是指模型的数据格式。
例如，若客户端对应的系统为安卓系统，该系统所需的系统数据格式可以是TensorFlow Lite计算框架下的格式，服务器可以根据TensorFlow Lite计算框架，将重排模型进行格式转化并将转化后的重排模型发送给客户端进行部署。再例如，若客户端对应的系统为iOS系统，该系统所需的系统数据格式可以是Core ML计算框架下的格式，服务器可以根据Core ML计算框架，将重排模型进行格式转化并将转化后的重排模型发送给客户端进行部署，其他数据转化方式在此就不再进行赘述了。
还需说明的是，通过服务器训练出的重排模型体量较大，为了部署在客户端中的重排模型能够快速针对未展示推荐信息进行排序，服务器可以对重排模型进行压缩，以降低重排模型的体量。其中，服务器可以确定训练后的重排模型中包含的各模型参数，并针对每个模型参数，从该模型参数中截取预设位数，得到该模型参数对应的有效参数。而后，服务器可以根据各模型参数对应的有效参数，调整训练后的重排模型，得到调整后的重排模型，并将调整后的重排模型发送给客户端进行部署。
也就是说，对重排模型进行训练时，通常会针对该重排模型的模型参数设置一个较大的精度，而为了降低该重排模型的体量，可以将训练后的重排的模型的模型参数的精度降低，得到有效参数来调整重排模型，从而使调整后的重排模型的体量小于调整前的重排模型。例如，假设训练后的重排模型的模型参数均为32位浮点数，服务器可以将各模型参数从小数点后第8位进行截取，得到格式为8位浮点数的各有效参数，这样一来，调整后的重排模型的模型参数为8位浮点数，使得调整后的重排模型体量小于调整前的重排模型。当然，除了这种方式，还可以通过其他方式缩小重排模型的体量，例如对重排模型进行模型剪枝。
从上述方法中可以看出，本方案能够通过客户端中部署的重排模型参考用户对已展示推荐信息的行为，来对未展示推荐信息进行排序，也就是说，客户端能够确定出用户实时的喜好，来对即将展示给用户的推荐信息进行排序，从而能够在一定程度上提高对用户进行信息推荐的准确性，提高用户的业务执行效率，给用户带来一定的便利。
以上为本说明书的一个或多个实施例提供的信息推荐的方法，基于同样的思路，本说明书还提供了相应的信息推荐的装置，如图4、5所示。
图4为本说明书提供的一种信息推荐的装置示意图，具体包括：
接收模块401，用于所述装置接收用户输入的搜索信息；
第一展示模块402，用于通过所述搜索信息，从服务器中获取到所述搜索信息对应的至少部分推荐信息进行展示；
获取模块403，用于获取所述用户针对所述搜索信息对应的已展示推荐信息的行为数据；
排序模块404，用于通过所述行为数据以及所述装置本地部署的预先训练的重排模型，对所述搜索信息对应的未展示推荐信息进行排序，得到针对所述未展示推荐信息的排序结果；
第二展示模块405，按照所述排序结果，将所述未展示推荐信息展示给所述用户。
可选地，所述排序模块404具体用于，从所述服务器中获取到所述未展示推荐信息对应的综合特征向量，以及确定所述行为数据对应的行为特征向量；将所述综合特征向量以及所述行为特征向量输入到所述重排模型中，得到针对所述未展示推荐信息的排序结果。
可选地，所述排序模块404具体用于，将所述用户的用户信息以及所述搜索信息发送给所述服务器，以使所述服务器根据所述用户信息对应的特征向量、所述搜索信息对应的特征向量以及所述未展示推荐信息对应的特征向量，确定所述综合特征向量，并将所述综合特征向量返回给所述客户端。
可选地，所述排序模块404将所述综合特征向量以及所述行为特征向量输入到所述重排模型中之前，所述排序模块404具体用于，确定所述已展示推荐信息与所述未展示推荐信息在各预设维度下的关联信息，并确定所述关联信息对应的关联特征向量；
所述排序模块404具体用于，将所述综合特征向量、所述行为特征向量以及所述关联特征向量输入到所述重排模型中，得到针对所述未展示推荐信息的排序结果。
图5为本说明书提供的一种信息推荐的装置示意图，具体包括：
接收模块501，用于所述装置接收客户端发送的搜索信息，所述搜索信息是用户在所述客户端中输入的；
返回模块502，用于将所述搜索信息对应的至少部分推荐信息返回给所述客户端进行展示，以使所述客户端获取所述用户针对所述搜索信息对应的已展示推荐信息的行为数据，以及通过所述行为数据和所述客户端本地部署的预先训练的重排模型，对所述搜索信息对应的未展示推荐信息进行排序，得到针对所述未展示推荐信息的排序结果，并按照所述排序结果，将所述未展示推荐信息展示给所述用户。
可选地，所述装置还包括：
训练模块503，用于获取训练样本；通过预设的基础排序模型，确定所述训练样本中包含的历史推荐信息对应的综合特征向量，所述历史推荐信息对应的综合特征向量是所述基础排序模型通过所述历史推荐信息、所述历史推荐信息对应的历史搜索信息以及所述历史搜索信息对应用户的用户信息确定出的，所述基础排序模型用于根据接收到的搜索信息进行信息推荐；将所述历史推荐信息对应的综合特征向量以及所述训练样本中包含的历史行为数据对应的行为特征向量输入到所述重排模型中，得到针对所述历史推荐信息的预测排序结果；以最小化所述预测排序结果与所述训练样本中包含的标注结果之间的偏差为优化目标，对所述重排模型进行训练，并将训练后的所述重排模型发送给所述客户端进行部署。
可选地，所述训练模块503具体用于，确定所述客户端对应的系统数据格式；按照所述系统数据格式，将训练后的所述重排模型进行数据格式转化，得到转化后的重排模型；将所述转化后的重排模型发送给所述客户端进行部署。
可选地，所述训练模块503具体用于，确定训练后的所述重排模型中包含的各模型参数；针对每个模型参数，从该模型参数中截取预设位数，得到该模型参数对应的有效参数；根据各模型参数对应的有效参数，调整训练后的所述重排模型，得到调整后的重排模型，并将所述调整后的重排模型发送给所述客户端进行部署。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1或图3所示的信息推荐的方法。
本说明书还提供了图6所示的电子设备的示意结构图。如图6所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1或图3所述的信息推荐的方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (12)

1.一种信息推荐的方法，其特征在于，包括：
客户端接收用户输入的搜索信息；
通过所述搜索信息，从服务器中获取到所述搜索信息对应的至少部分推荐信息进行展示；
获取所述用户针对所述搜索信息对应的已展示推荐信息的行为数据；
通过所述行为数据以及所述客户端本地部署的预先训练的重排模型，对所述搜索信息对应的未展示推荐信息进行排序，得到针对所述未展示推荐信息的排序结果；
按照所述排序结果，将所述未展示推荐信息展示给所述用户。
2.如权利要求1所述的方法，其特征在于，通过所述行为数据以及所述客户端本地部署的预先训练的重排模型，对所述搜索信息对应的未展示推荐信息进行排序，得到针对所述未展示推荐信息的排序结果，具体包括：
从所述服务器中获取到所述未展示推荐信息对应的综合特征向量，以及确定所述行为数据对应的行为特征向量；
将所述综合特征向量以及所述行为特征向量输入到所述重排模型中，得到针对所述未展示推荐信息的排序结果。
3.如权利要求2所述的方法，其特征在于，从所述服务器中获取到所述未展示推荐信息对应的综合特征向量，具体包括：
将所述用户的用户信息以及所述搜索信息发送给所述服务器，以使所述服务器根据所述用户信息对应的特征向量、所述搜索信息对应的特征向量以及所述未展示推荐信息对应的特征向量，确定所述综合特征向量，并将所述综合特征向量返回给所述客户端。
4.如权利要求2所述的方法，其特征在于，在将所述综合特征向量以及所述行为特征向量输入到所述重排模型中之前，所述方法还包括：
确定所述已展示推荐信息与所述未展示推荐信息在各预设维度下的关联信息，并确定所述关联信息对应的关联特征向量；
将所述综合特征向量以及所述行为特征向量输入到所述重排模型中，得到针对所述未展示推荐信息的排序结果，具体包括：
将所述综合特征向量、所述行为特征向量以及所述关联特征向量输入到所述重排模型中，得到针对所述未展示推荐信息的排序结果。
5.一种信息推荐的方法，其特征在于，包括：
服务器接收客户端发送的搜索信息，所述搜索信息是用户在所述客户端中输入的；
将所述搜索信息对应的至少部分推荐信息返回给所述客户端进行展示，以使所述客户端获取所述用户针对所述搜索信息对应的已展示推荐信息的行为数据，以及通过所述行为数据和所述客户端本地部署的预先训练的重排模型，对所述搜索信息对应的未展示推荐信息进行排序，得到针对所述未展示推荐信息的排序结果，并按照所述排序结果，将所述未展示推荐信息展示给所述用户。
6.如权利要求5所述的方法，其特征在于，训练所述重排模型，具体包括：
获取训练样本；
通过预设的基础排序模型，确定所述训练样本中包含的历史推荐信息对应的综合特征向量，所述历史推荐信息对应的综合特征向量是所述基础排序模型通过所述历史推荐信息、所述历史推荐信息对应的历史搜索信息以及所述历史搜索信息对应用户的用户信息确定出的，所述基础排序模型用于根据接收到的搜索信息进行信息推荐；
将所述历史推荐信息对应的综合特征向量以及所述训练样本中包含的历史行为数据对应的行为特征向量输入到所述重排模型中，得到针对所述历史推荐信息的预测排序结果；
以最小化所述预测排序结果与所述训练样本中包含的标注结果之间的偏差为优化目标，对所述重排模型进行训练，并将训练后的所述重排模型发送给所述客户端进行部署。
7.如权利要求6所述的方法，其特征在于，将训练后的所述重排模型发送给所述客户端进行部署，具体包括：
确定所述客户端对应的系统数据格式；
按照所述系统数据格式，将训练后的所述重排模型进行数据格式转化，得到转化后的重排模型；
将所述转化后的重排模型发送给所述客户端进行部署。
8.如权利要求6所述的方法，其特征在于，将训练后的所述重排模型发送给所述客户端进行部署，具体包括：
确定训练后的所述重排模型中包含的各模型参数；
针对每个模型参数，从该模型参数中截取预设位数，得到该模型参数对应的有效参数；
根据各模型参数对应的有效参数，调整训练后的所述重排模型，得到调整后的重排模型，并将所述调整后的重排模型发送给所述客户端进行部署。
9.一种信息推荐的装置，其特征在于，包括：
接收模块，用于所述装置接收用户输入的搜索信息；
第一展示模块，用于通过所述搜索信息，从服务器中获取到所述搜索信息对应的至少部分推荐信息进行展示；
获取模块，用于获取所述用户针对所述搜索信息对应的已展示推荐信息的行为数据；
排序模块，用于通过所述行为数据以及所述装置本地部署的预先训练的重排模型，对所述搜索信息对应的未展示推荐信息进行排序，得到针对所述未展示推荐信息的排序结果；
第二展示模块，按照所述排序结果，将所述未展示推荐信息展示给所述用户。
10.一种信息推荐的装置，其特征在于，包括：
接收模块，用于所述装置接收客户端发送的搜索信息，所述搜索信息是用户在所述客户端中输入的；
返回模块，用于将所述搜索信息对应的至少部分推荐信息返回给所述客户端进行展示，以使所述客户端获取所述用户针对所述搜索信息对应的已展示推荐信息的行为数据，以及通过所述行为数据和所述客户端本地部署的预先训练的重排模型，对所述搜索信息对应的未展示推荐信息进行排序，得到针对所述未展示推荐信息的排序结果，并按照所述排序结果，将所述未展示推荐信息展示给所述用户。
11.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～4或5～8任一项所述的方法。
12.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现上述权利要求1～4或5～8任一项所述的方法。
CN202110265835.XA 2021-03-11 2021-03-11 一种信息推荐的方法及装置 Pending CN113010809A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110265835.XA CN113010809A (zh) 2021-03-11 2021-03-11 一种信息推荐的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110265835.XA CN113010809A (zh) 2021-03-11 2021-03-11 一种信息推荐的方法及装置

Publications (1)

Publication Number Publication Date
CN113010809A true CN113010809A (zh) 2021-06-22

Family

ID=76405282

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110265835.XA Pending CN113010809A (zh) 2021-03-11 2021-03-11 一种信息推荐的方法及装置

Country Status (1)

Country Link
CN (1) CN113010809A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343131A (zh) * 2021-06-30 2021-09-03 北京三快在线科技有限公司 一种模型训练的方法、信息展示的方法及装置
CN115545720A (zh) * 2022-11-29 2022-12-30 支付宝(杭州)信息技术有限公司 一种模型训练的方法、业务风控的方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440335A (zh) * 2013-09-06 2013-12-11 北京奇虎科技有限公司 视频推荐方法及装置
JP2014197292A (ja) * 2013-03-29 2014-10-16 大日本印刷株式会社 人物推薦装置、人物推薦方法、およびプログラム
CN107423355A (zh) * 2017-05-26 2017-12-01 北京三快在线科技有限公司 信息推荐方法及装置、电子设备
CN111241381A (zh) * 2018-11-28 2020-06-05 北京奇虎科技有限公司 信息推荐方法、装置、电子设备及计算机可读存储介质
CN112418920A (zh) * 2020-11-11 2021-02-26 北京三快在线科技有限公司 信息推荐模型的训练方法、信息推荐方法以及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014197292A (ja) * 2013-03-29 2014-10-16 大日本印刷株式会社 人物推薦装置、人物推薦方法、およびプログラム
CN103440335A (zh) * 2013-09-06 2013-12-11 北京奇虎科技有限公司 视频推荐方法及装置
CN107423355A (zh) * 2017-05-26 2017-12-01 北京三快在线科技有限公司 信息推荐方法及装置、电子设备
CN111241381A (zh) * 2018-11-28 2020-06-05 北京奇虎科技有限公司 信息推荐方法、装置、电子设备及计算机可读存储介质
CN112418920A (zh) * 2020-11-11 2021-02-26 北京三快在线科技有限公司 信息推荐模型的训练方法、信息推荐方法以及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343131A (zh) * 2021-06-30 2021-09-03 北京三快在线科技有限公司 一种模型训练的方法、信息展示的方法及装置
CN113343131B (zh) * 2021-06-30 2022-08-26 北京三快在线科技有限公司 一种模型训练的方法、信息展示的方法及装置
CN115545720A (zh) * 2022-11-29 2022-12-30 支付宝(杭州)信息技术有限公司 一种模型训练的方法、业务风控的方法及装置
CN115545720B (zh) * 2022-11-29 2023-03-10 支付宝(杭州)信息技术有限公司 一种模型训练的方法、业务风控的方法及装置

Similar Documents

Publication Publication Date Title
CN107341173B (zh) 一种信息处理方法及装置
CN110674408A (zh) 业务平台、训练样本的实时生成方法及装置
CN114202370A (zh) 一种信息推荐方法和装置
CN107506367B (zh) 确定应用展示内容的方法、装置及服务器
CN111144974B (zh) 一种信息展示方法及装置
CN108848244B (zh) 一种分页显示的方法及装置
CN112966186A (zh) 一种模型训练和信息推荐的方法及装置
CN110717536A (zh) 一种生成训练样本的方法及装置
CN113688313A (zh) 一种预测模型的训练方法、信息推送的方法及装置
CN110599307A (zh) 一种商品推荐的方法及装置
CN113010809A (zh) 一种信息推荐的方法及装置
CN111191132B (zh) 一种信息推荐方法、装置及电子设备
CN112435094A (zh) 一种信息交互的方法、装置、存储介质及电子设备
CN113010640A (zh) 一种业务执行的方法及装置
CN114882311A (zh) 一种训练集的生成方法及装置
CN115048577A (zh) 一种模型训练方法、装置、设备及存储介质
CN113641894A (zh) 一种信息推荐的方法及装置
CN112966577B (zh) 一种模型训练以及信息提供的方法及装置
CN113343095A (zh) 一种模型训练以及信息推荐方法及装置
CN111046304A (zh) 数据搜索方法及装置
CN114331602A (zh) 一种基于迁移学习的模型训练方法、信息推荐方法及装置
CN113343085B (zh) 一种信息推荐方法、装置、存储介质及电子设备
CN114861043A (zh) 一种模型训练以及推荐位置确定方法及装置
CN114119139A (zh) 一种信息推荐方法、装置、存储介质及电子设备
CN114996570A (zh) 一种信息推荐的方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210622

RJ01 Rejection of invention patent application after publication