CN113190702B - 用于生成信息的方法和装置 - Google Patents
用于生成信息的方法和装置 Download PDFInfo
- Publication number
- CN113190702B CN113190702B CN202110501285.7A CN202110501285A CN113190702B CN 113190702 B CN113190702 B CN 113190702B CN 202110501285 A CN202110501285 A CN 202110501285A CN 113190702 B CN113190702 B CN 113190702B
- Authority
- CN
- China
- Prior art keywords
- information
- house
- target user
- preference
- room source
- 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 54
- 239000013598 vector Substances 0.000 claims abstract description 53
- 238000013210 evaluation model Methods 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 16
- 238000013145 classification model Methods 0.000 claims description 15
- 230000003993 interaction Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction 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
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/532—Query formulation, e.g. graphical querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- 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
- G06F16/9532—Query formulation
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了用于生成信息的方法和装置，涉及计算机技术领域，尤其涉及人工智能技术和推荐系统技术领域。具体实现方案为：获取目标用户的属性信息和房源偏好信息，其中，该房源偏好信息用于表征该目标用户偏好的房屋的特点；根据该目标用户的属性信息和房源偏好信息，生成该目标用户的偏好特征向量；将该目标用户的偏好特征向量输入至预先训练的用户评估模型，生成该目标用户的用户评分；基于该用户评分从该预设的房源信息库中选取匹配的房源信息，生成推荐房源信息集合。本公开丰富了房源信息的推荐方式，提高了信息推送的有效性，节约了网络资源。
Description
技术领域
本公开涉及计算机技术领域，特别涉及人工智能技术和推荐系统技术，尤其涉及一种用于生成信息的方法和装置。
背景技术
随着计算机技术的飞速发展，利用人工智能技术的推荐系统也取得了越来越广泛的应用。
例如，现有技术在面对租房或购房需求时，往往会根据用户输入的检索词对已有的房源信息进行筛选，选取匹配的房源信息进行推送。
发明内容
本公开提供了一种用于生成信息的方法、装置、电子设备、存储介质和计算机程序产品。
根据第一方面，提供了一种用于生成信息的方法，该方法包括：获取目标用户的属性信息和房源偏好信息，其中，房源偏好信息用于表征目标用户偏好的房屋的特点；根据目标用户的属性信息和房源偏好信息，生成目标用户的偏好特征向量；将目标用户的偏好特征向量输入至预先训练的用户评估模型，生成目标用户的用户评分；基于用户评分从预设的房源信息库中选取匹配的房源信息，生成推荐房源信息集合。
根据第二方面，提供了一种用于生成信息的装置，该装置包括：获取单元，被配置成获取目标用户的属性信息和房源偏好信息，其中，房源偏好信息用于表征目标用户偏好的房屋的特点；向量生成单元，被配置成根据目标用户的属性信息和房源偏好信息，生成目标用户的偏好特征向量；评分生成单元，被配置成将目标用户的偏好特征向量输入至预先训练的用户评估模型，生成目标用户的用户评分；推荐单元，被配置成基于用户评分从预设的房源信息库中选取匹配的房源信息，生成推荐房源信息集合。
根据第三方面，提供了一种电子设备，该电子设备包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，存储器存储有可被上述至少一个处理器执行的指令，上述指令被至少一个处理器执行，以使上述至少一个处理器能够执行如第一方面中任一实现方式所描述的方法。
根据第四方面，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能够执行如第一方面中任一实现方式所描述的方法。
根据第五方面，提供了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如第一方面中任一实现方式所描述的方法。
根据本公开的技术通过首先根据用户的属性信息和房源偏好信息生成与用户对应的用户评分，再基于所生成的用户评分从房源信息库中选取匹配的房源信息，从而实现了采用多维信息为用户画像的方式进行房源信息的匹配，丰富了房源信息的推荐方式，提高了信息推送的有效性，节约了网络资源。
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
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开第一实施例的示意图；
图2是根据本公开第二实施例的示意图；
图3是可以实现本公开实施例的用于生成信息的方法的一个应用场景的示意图；
图4是根据本公开实施例的用于生成信息的装置的示意图；
图5是用来实现本公开实施例的用于生成信息的方法的电子设备的框图。
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。
图1是示出了根据本公开第一实施例的示意图100。该用于生成信息的方法包括以下步骤：
S101，获取目标用户的属性信息和房源偏好信息。
在本实施例中，用于生成信息的执行主体可以通过各种方式获取目标用户的属性信息和房源偏好信息。其中，上述属性信息可以包括各种与用户关联的信息，例如在用户注册时填写的信息或在不同平台中记录的用户的相关信息。作为示例，上述属性信息可以包括年龄、地区、教育程度、职业信息、兴趣爱好中的至少一项。作为又一示例，上述属性信息还可以包括收入情况、贷款情况、个人征信等。上述房源偏好信息可以用于表征上述目标用户偏好的房屋的特点。作为示例，上述房源偏好信息可以包括目标用户所关注的商圈、小区，喜爱的户型、楼层，接受的价格区间等等。
作为示例，上述执行主体可以从本地获取上述目标用户的属性信息和房源偏好信息。或通信连接的电子设备获取上述目标用户的属性信息和房源偏好信息。
S102，根据目标用户的属性信息和房源偏好信息，生成目标用户的偏好特征向量。
在本实施例中，根据步骤S101所获取的目标用户的属性信息和房源偏好信息，上述执行主体可以通过各种方式生成目标用户的偏好特征向量。其中，上述执行主体可以按照预设的编码方式，将上述步骤S101所获取的目标用户的属性信息和房源偏好信息所对应的编码进行组合，从而生成上述目标用户的偏好特征向量。其中，上述编码方式例如可以是采用word2vec模型进行向量化。
S103，将目标用户的偏好特征向量输入至预先训练的用户评估模型，生成目标用户的用户评分。
在本实施例中，上述执行主体可以将步骤S102所生成的目标用户的偏好特征向量输入至预先训练的用户评估模型，生成目标用户的用户评分。其中，上述用户评分可以用于表征用户购买或承租所推荐的房源的可能性。上述用户评估模型可以包括各种采用机器学习方式训练的回归模型或分类模型。例如，上述训练样本可以为已经购买或承租房屋的用户的相关数据。上述用户评估模型可以是BP(Back-propagation，反向传播)神经网络。作为示例，上述用户评估模型可以包括用于生成购买意愿评分的回归模型。作为又一示例，上述用户评估模型可以包括用于生成指示用户是否具有房屋购买资质的信息的分类模型。例如，用“1”表示具有房屋购买资质；用“0”表示不具有房屋购买资质。作为再一示例，上述用户评估模型可以包括用于生成表征用户经济条件的回归模型。
需要说明的是，上述不同的用户评估模型可以对应不同的输入，在将目标用户的偏好特征向量输入至相应的用户评估模型时可以进行相应的预处理，例如空位补0等操作。
S104，基于用户评分从预设的房源信息库中选取匹配的房源信息，生成推荐房源信息集合。
在本实施例中，基于步骤S103所生成的用户评分，上述执行主体可以通过各种方式从预设的房源信息库中选取匹配的房源信息，将所选取生成推荐房源信息集合。作为示例，基于上述S103所生成的诸如购买意愿评分、房屋购买资质信息、经济条件评分等用户评分，上述执行主体可以从预设的房源信息库中选取匹配的房源信息，从而生成推荐房源信息集合。
本公开的上述实施例提供的方法，通过首先根据用户的属性信息和房源偏好信息生成与用户对应的用户评分，再基于所生成的用户评分从房源信息库中选取匹配的房源信息，从而通过采用多维信息为用户画像的方式进行房源信息的匹配，丰富了房源信息的推荐方式，提高了信息推送的有效性，节约了网络资源。
在本实施例的一些可选的实现方式中，上述执行主体可以按照如下步骤获取目标用户的属性信息和房源偏好信息：
第一步，获取目标用户在至少两个信息检索平台的检索信息集合。
在这些实现方式中，上述执行主体可以通过各种方式获取目标用户在至少两个信息检索平台的检索信息集合。其中，上述信息检索平台不仅可以包括房源信息检索平台，也可以包括其他综合类搜索引擎或各类应用程序(application，APP)。
第二步，将检索信息集合中的检索信息输入至预先训练的关联模型，生成对应的标签信息。
在这些实现方式中，上述执行主体可以将上述第一步所获取的检索信息集合中的检索信息输入至预先训练的关联模型，生成对应的标签信息。其中，上述标签信息可以用于指示检索信息是否与房屋偏好相关联。上述关联模型可以包括各种利用机器学习方式训练得到的二分类模型，例如TextCNN(Text Convolutional Neural Networks，文本卷积神经网络)模型。
第三步，从检索信息集合中选取用于指示检索信息与房屋偏好相关联的标签信息对应的检索信息，生成关联检索信息集合。
在这些实现方式中，上述执行主体可以从上述第二步所生成的检索信息集合中选取用于指示检索信息与房屋偏好相关联的标签信息对应的检索信息，从而生成关联检索信息集合。
第四步，基于关联检索信息集合，生成目标用户的房源偏好信息。
在这些实现方式中，基于上述第三步所生成的关联检索信息集合，上述执行主体可以通过各种方式生成目标用户的房源偏好信息。作为示例，上述执行主体可以将上述关联检索信息集合中的检索信息进行聚类，根据聚类结果生成上述目标用户的房源偏好信息。
基于上述可选的实现方式，本方案可以利用跨平台的检索信息挖掘用户潜在的偏好，例如在日常内容搜索过程中无意中流露的对房屋风格等的喜好，从而可以使得房源偏好信息更为准确、全面地反映用户的真实需求，为提升房源推荐的有效性提供基础，并且可以提升检索信息的二次利用率。
基于上述可选的实现方式，可选地，上述房源偏好信息可以包括房屋用途信息。基于关联检索信息集合，上述执行主体可以按照如下步骤生成目标用户的房源偏好信息：
S1、从关联检索信息集合中提取文字信息。
在这些实现方式中，上述执行主体可以从上述第三步所生成的关联检索信息集合中提取文字信息。其中，上述文字信息可以包括搜索文本和图片描述文本。上述搜索文本可以包括用户输入的关键词，也可以包括用户点击的反馈的检索结果中所包括的关键词。上述图片描述文本可以包括图片标题，也可以包括用户检索的图像经图像识别后得到的关键字，还可以包括用户所点击的反馈的图像的描述信息。
S2、将文字信息输入至预先训练的房屋用途分类模型，生成对应的至少一个房屋用途信息。
在这些实现方式中，上述房屋用途分类模型可以包括各种利用机器学习方式训练得到的文本分类模型，例如ELECTRA(Efficiently Learning an Encoder thatClassifies Token Replacements Accurately)模型。上述房屋用途信息例如可以包括度假房、学区房、养老房、通勤房等。
基于上述可选的实现方式，本方案可以利用用户检索的文字信息生成房源偏好信息，从而丰富了房源偏好信息的生成方式。
基于上述可选的实现方式，可选地，上述房源偏好信息可以包括房屋特征。基于关联检索信息集合，上述执行主体可以按照如下步骤生成目标用户的房源偏好信息：
S1、从关联检索信息集合中提取目标用户历史交互过程中涉及的图像作为目标图像。
在这些实现方式中，上述执行主体可以通过各种方式从上述第三步所生成的关联检索信息集合中提取目标用户历史交互过程中涉及的图像作为目标图像。其中，上述目标用户历史交互过程中涉及的图像可以包括用户作为检索依据的上传的图像，也可以包括用户点击或收藏的反馈的检索结果所包括的图像。
S2、将目标图像输入至预先训练的房屋特征分类模型，生成对应的至少一个房屋特征。
在这些实现方式中，上述房屋特征分类模型可以包括各种利用机器学习方式训练得到的图像分类模型，例如VGG模型。上述房屋特征例如可以包括loft、洋房、普通住宅、别墅等。
基于上述可选的实现方式，本方案可以利用用户交互过的图像生成房源偏好信息，从而丰富了房源偏好信息的生成方式。
在本实施例的一些可选的实现方式中，基于用户评分从预设的房源信息库中选取匹配的房源信息，上述执行主体可以按照如下步骤生成推荐房源信息集合：
第一步，基于关联检索信息集合和目标用户的属性信息，生成用户特征向量。
在这些实现方式中，上述执行主体可以将上述第三步所生成的关联检索信息集合中的检索信息和上述步骤S101所获取的目标用户的属性信息通过各种方式进行编码，从而生成用户特征向量。其中，上述编码的方式例如可以是采用双向门控循环单元(GateRecurrent Unit)进行向量化。
第二步，基于用户特征向量与预设的房源信息库中对应的预设特征向量的相似度，选取第一数目个匹配的预设特征向量对应的房源信息作为预推荐房源信息集合。
在这些实现方式中，上述房源信息库中可以包括预设特征向量与待推荐的房源信息之间的对应关系。其中，上述预设特征向量可以是已购房的用户或已承租房屋的用户对应的特征向量。
第三步，将目标用户的属性信息、房源偏好信息和用户评分输入至预先训练的房源有效推荐概率模型，得到目标用户接受预推荐房源信息集合中所指示的房源信息的概率。
在这些实现方式中，上述执行主体可以将目标用户的属性信息、房源偏好信息和用户评分输入至预先训练的房源有效推荐概率模型，得到目标用户接受上述预推荐房源信息集合中所指示的房源信息的概率。其中，所得到的概率的数目通常与上述预推荐房源信息集合中的房源信息的数目一致。上述房源有效推荐概率模型可以包括特征处理网络、sigmoid激活函数和交叉熵损失函数。
第四步，根据所得到的概率，从预推荐房源信息集合中选取第二数目个房源信息作为推荐房源信息集合。
在这些实现方式中，根据上述第三步所得到的概率，上述执行主体可以通过各种方式从预推荐房源信息集合中选取第二数目个房源信息作为推荐房源信息集合。其中，上述第二数目通常小于上述第一数目。作为示例，上述执行主体可以从上述预推荐房源信息集合中选取对应的概率值最大的5个房源信息，形成推荐房源信息集合。
基于上述可选的实现方式，本方案可以基于目标用户的属性信息进一步生成用户特征向量，并根据用户特征向量与预设的房源信息库中的用户的特征向量的相似度选取推荐的房源信息，从而丰富了房源信息的推荐方式。
在本实施例的一些可选的实现方式中，上述预设的房源信息库可以按照如下步骤生成：
第一步，获取初始房源信息集合。
在这些实现方式中，上述执行主体可以通过各种方式获取初始房源信息集合。其中，上述初始房源信息集合中的房源信息通常为非结构化的。
第二步，将初始房源信息集合中的房源信息输入至预先训练的实体抽取模型，生成与房源信息对应的至少两个实体。
在这些实现方式中，上述实体抽取模型可以包括各种用于实体抽取的自然语言处理模型。作为示例，上述实体抽取模型可以包括预训练模型和条件随机场(conditionalrandom field，CRF)。其中，上述预训练模型可以为ERNIE(Enhanced Representationthrough Knowledge Integration)模型。上述ERNIE模型可以预测出上述房源信息中每一个字(token)属于不同标签的概率。通过上述ERNIE模型的输出层与CRF之间的配合，能够使模型考虑标签之间的相关性，从而提高实体抽取的准确性。
第三步，将所生成的至少两个实体和初始房源信息集合中对应的房源信息输入至预先训练的关系抽取模型，得到所生成的至少两个实体之间的关系。
在这些实现方式中，上述关系抽取模型可以输出上述第二步所生成的至少一个离散的实体之间的关联关系，从而形成网状的知识结构。其中，上述关系抽取模型可以为图卷积网络(Attention Guided Graph Convolutional Networks,AGGCNs)模型。上述图卷积网络可以包括注意引导层、密集连接层和线性组合层。由于上述图卷积网络的注意力机制可以更大程度地渗透到图卷积网络中，因此AGGCNs模型能够更好地完成关系抽取。
第四步，根据所生成的至少两个实体和至少两个实体之间的关系，生成房源信息库。
在这些实现方式中，上述执行主体可以根据上述第二步所生成的至少两个实体和上述第三步所生成的上述实体之间的关系所体现的结构化信息进行存储，生成房源信息库。其中，上述所生成的房源信息库中的房源信息包括结构化存储的实体和实体间关联的信息。作为示例，上述房源信息库中的房源信息可以包括地理位置、总价、均价、附近学校、附近医院、地铁等信息。
基于上述可选的实现方式，本方案可以利用信息抽取技术从非结构化的初始房源信息得到结构化的房源信息库，从而为房源信息的推荐提供数据基础。
继续参见图2，图2是根据本公开第二实施例的示意图200。该用于优化位置信息的方法包括以下步骤：
S201，获取目标用户的属性信息和房源偏好信息。
S202，根据目标用户的属性信息和房源偏好信息，生成目标用户的偏好特征向量。
S203，将目标用户的偏好特征向量输入至预先训练的用户评估模型，生成目标用户的用户评分。
S204，基于用户评分从预设的房源信息库中选取匹配的房源信息，生成推荐房源信息集合。
上述S201、S202、S203和S204可以分别与前述实施例中的S101、S102、S103和S104及其可选的实现方式一致，上文针对S101、S102、S103和S104及其可选的实现方式的描述也适用于S201、S202、S203和S204，此处不再赘述。
S205，获取目标用户的房源偏好变化信息。
在本实施例中，用于生成信息的方法的执行主体可以通过各种方式获取目标用户的房源偏好变化信息。其中，上述房源偏好变化信息可以用于表征目标用户搜索内容随时间的变化。例如，若上述目标用户在最近一周内，检索“洋房”、“近海”等关键词的次数超过预设阈值，则上述执行主体可以生成指示用户偏好近海豪宅的信息。
S206，获取推荐房源信息集合中房源信息所指示的价格变动信息。
在本实施例中，上述执行主体可以获取上述步骤S204所生成的推荐房源信息集合中房源信息所指示的价格变动信息。其中，上述价格变动信息例如可以是降价信息或涨价房源数目超过预设阈值。
S207，根据房源偏好变化信息和价格变动信息，确定房源推荐时机。
在本实施例中，根据上述步骤S205所获取的房源偏好变化信息和步骤S206所获取的价格变动信息，上述执行主体可以通过各种方式确定房源推荐时机。作为示例，根据所获取的指示用户偏好近海豪宅的房源偏好变化信息，上述执行主体可以将所推荐房源信息集合中的近海豪宅的房源信息出现价格变动的时机确定为房源推荐时机。
S208，根据房源推荐时机，从推荐房源信息集合中选取房源信息进行信息推送。
在本实施例中，上述执行主体可以在上述步骤S207所指示的房源推荐时机，将上述推荐房源信息集合中的房源信息推送至上述目标用户所使用的用户端。作为示例，上述执行主体可以将价格变动所指示的房源推送至上述用户端。作为又一示例，上述执行主体也可以将上述推荐房源信息集合中的所有房源信息推送至上述用户端。
从图2中可以看出，本实施例中的用于生成信息的方法的流程200体现了根据房源偏好变化信息和价格变动信息，确定房源推荐时机的步骤以及根据房源推荐时机，从推荐房源信息集合中选取房源信息进行信息推送的步骤。由此，本实施例描述的方案可以实现在恰当的时机推送相匹配的房源信息，从而进一步提升房源信息推荐的有效性。
继续参见图3，图3是根据本公开的实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中，服务器301可以从用户302使用的终端303获取“年龄32，程序员”和“X小区、三居”作为用户302的属性信息和房源偏好信息304。根据用户302的属性信息和房源偏好信息304，服务器301可以生成用户302的偏好特征向量305。而后，服务器301可以将上述偏好特征向量305输入至预先训练的用户评估模型，生成评估结果“86”作为表征用户302的经济条件的用户评分306。基于用户评分306，服务器301可以从预设的房源信息库307中选取匹配的房源信息，生成推荐房源信息集合308。可选地，服务器301还可以将所生成的推荐房源信息集合308发送至终端303。
目前，现有技术之一通常是根据用户输入的检索词对已有的房源信息进行筛选，选取匹配的房源信息进行推送，由于此种方式是对房源信息进行被动的筛选，并且检索词通常难以全面、准确地体现用户的需求，从而导致推荐的房源信息的匹配度不高。而本公开的上述实施例提供的方法，通过首先根据用户的属性信息和房源偏好信息生成与用户对应的用户评分，再基于所生成的用户评分从房源信息库中选取匹配的房源信息，从而通过采用多维信息为用户画像的方式进行房源信息的匹配，丰富了房源信息的推荐方式，提高了信息推送的有效性，节约了网络资源。
进一步参考图4，作为对上述各图所示方法的实现，本公开提供了用于生成信息的装置的一个实施例，该装置实施例与图1或图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例提供的用于生成信息的装置400包括获取单元401、向量生成单元402、评分生成单元403和推荐单元404。其中，获取单元401，被配置成获取目标用户的属性信息和房源偏好信息，其中，房源偏好信息用于表征目标用户偏好的房屋的特点；向量生成单元402，被配置成根据目标用户的属性信息和房源偏好信息，生成目标用户的偏好特征向量；评分生成单元403，被配置成将目标用户的偏好特征向量输入至预先训练的用户评估模型，生成目标用户的用户评分；推荐单元404，被配置成基于用户评分从预设的房源信息库中选取匹配的房源信息，生成推荐房源信息集合。
在本实施例中，用于生成信息的装置400中：获取单元401、向量生成单元402、评分生成单元403和推荐单元404的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤S101、S102、S103和S104的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，上述获取单元401可以包括：获取模块(图中未示出)，被配置成获取目标用户在至少两个信息检索平台的检索信息集合；第一生成模块(图中未示出)，被配置成将检索信息集合中的检索信息输入至预先训练的关联模型，生成对应的标签信息，其中，标签信息用于指示检索信息是否与房屋偏好相关联；第二生成模块(图中未示出)，被配置成从检索信息集合中选取用于指示检索信息与房屋偏好相关联的标签信息对应的检索信息，生成关联检索信息集合；第三生成模块(图中未示出)，被配置成基于关联检索信息集合，生成目标用户的房源偏好信息。
在本实施例的一些可选的实现方式中，上述房源偏好信息可以包括房屋用途信息。上述第三生成模块可以被进一步配置成：从关联检索信息集合中提取文字信息，其中，文字信息包括搜索文本和图片描述文本；将文字信息输入至预先训练的房屋用途分类模型，生成对应的至少一个房屋用途信息。
在本实施例的一些可选的实现方式中，上述房源偏好信息可以包括房屋特征。上述第三生成模块可以被进一步配置成：从关联检索信息集合中提取目标用户历史交互过程中涉及的图像作为目标图像；将目标图像输入至预先训练的房屋特征分类模型，生成对应的至少一个房屋特征。
在本实施例的一些可选的实现方式中，上述推荐单元404可以被进一步配置成：基于关联检索信息集合和目标用户的属性信息，生成用户特征向量；基于用户特征向量与预设的房源信息库中对应的预设特征向量的相似度，选取第一数目个匹配的预设特征向量对应的房源信息作为预推荐房源信息集合，其中，房源信息库中包括预设特征向量与房源信息之间的对应关系；将目标用户的属性信息、房源偏好信息和用户评分输入至预先训练的房源有效推荐概率模型，得到目标用户接受预推荐房源信息集合中所指示的房源信息的概率；根据所得到的概率，从预推荐房源信息集合中选取第二数目个房源信息作为推荐房源信息集合。
在本实施例的一些可选的实现方式中，上述推荐单元还用于：获取初始房源信息集合；将初始房源信息集合中的房源信息输入至预先训练的实体抽取模型，生成与房源信息对应的至少两个实体；将所生成的至少两个实体和初始房源信息集合中对应的房源信息输入至预先训练的关系抽取模型，得到所生成的至少两个实体之间的关系；根据所生成的至少两个实体和至少两个实体之间的关系，生成房源信息库。
在本实施例的一些可选的实现方式中，上述用于生成信息的装置还可以包括：偏好变化获取单元(图中未示出)，被配置成获取目标用户的房源偏好变化信息；变动获取单元(图中未示出)，被配置成获取推荐房源信息集合中房源信息所指示的价格变动信息；确定单元(图中未示出)，被配置成根据房源偏好变化信息和价格变动信息，确定房源推荐时机；推送单元(图中未示出)，被配置成根据房源推荐时机，从推荐房源信息集合中选取房源信息进行信息推送。
本公开的上述实施例提供的装置，通过评分生成单元403首先根据获取单元401获取的用户的属性信息和房源偏好信息生成与用户对应的用户评分，再通过推荐单元404基于所生成的用户评分从房源信息库中选取匹配的房源信息，从而通过采用多维信息为用户画像的方式进行房源信息的匹配，丰富了房源信息的推荐方式，提高了信息推送的有效性，节约了网络资源。
本公开的技术方案中，所涉及的用户个人信息的获取、存储和应用等，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
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5示出了可以用来实施本公开的实施例的示例电子设备500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5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元505加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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501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501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501执行上文所描述的各个方法和处理，例如用于生成信息的方法。例如，在一些实施例中，用于生成信息的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508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的用于生成信息的方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于生成信息的方法。
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，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 (12)
1.一种用于生成信息的方法，包括：
获取目标用户的属性信息和房源偏好信息，包括：获取所述目标用户在至少两个信息检索平台的检索信息集合；将所述检索信息集合中的检索信息输入至预先训练的关联模型，生成对应的标签信息，其中，所述标签信息用于指示检索信息是否与房屋偏好相关联；从所述检索信息集合中选取用于指示检索信息与房屋偏好相关联的标签信息对应的检索信息，生成关联检索信息集合；基于所述关联检索信息集合，生成所述目标用户的房源偏好信息，其中，所述房源偏好信息用于表征所述目标用户偏好的房屋的特点；
根据所述目标用户的属性信息和房源偏好信息，生成所述目标用户的偏好特征向量；
将所述目标用户的偏好特征向量输入至预先训练的用户评估模型，生成所述目标用户的用户评分；
基于所述用户评分从预设的房源信息库中选取匹配的房源信息，生成推荐房源信息集合，包括：基于所述关联检索信息集合和所述目标用户的属性信息，生成用户特征向量；基于所述用户特征向量与所述预设的房源信息库中对应的预设特征向量的相似度，选取第一数目个匹配的预设特征向量对应的房源信息作为预推荐房源信息集合，其中，所述房源信息库中包括预设特征向量与房源信息之间的对应关系；将所述目标用户的属性信息、房源偏好信息和所述用户评分输入至预先训练的房源有效推荐概率模型，得到所述目标用户接受所述预推荐房源信息集合中所指示的房源信息的概率；根据所得到的概率，从所述预推荐房源信息集合中选取第二数目个房源信息作为所述推荐房源信息集合。
2.根据权利要求1所述的方法，其中，所述房源偏好信息包括房屋用途信息；以及
所述基于所述关联检索信息集合，生成所述目标用户的房源偏好信息，包括：
从所述关联检索信息集合中提取文字信息，其中，所述文字信息包括搜索文本和图片描述文本；
将所述文字信息输入至预先训练的房屋用途分类模型，生成对应的至少一个房屋用途信息。
3.根据权利要求1所述的方法，其中，所述房源偏好信息包括房屋特征；以及
所述基于所述关联检索信息集合，生成所述目标用户的房源偏好信息，包括：
从所述关联检索信息集合中提取所述目标用户历史交互过程中涉及的图像作为目标图像；
将所述目标图像输入至预先训练的房屋特征分类模型，生成对应的至少一个房屋特征。
4.根据权利要求1所述的方法，其中，所述预设的房源信息库按照如下步骤生成：
获取初始房源信息集合；
将所述初始房源信息集合中的房源信息输入至预先训练的实体抽取模型，生成与房源信息对应的至少两个实体；
将所生成的至少两个实体和所述初始房源信息集合中对应的房源信息输入至预先训练的关系抽取模型，得到所生成的至少两个实体之间的关系；
根据所生成的至少两个实体和至少两个实体之间的关系，生成房源信息库。
5.根据权利要求1-4之一所述的方法，其中，所述方法还包括：
获取所述目标用户的房源偏好变化信息；
获取所述推荐房源信息集合中房源信息所指示的价格变动信息；
根据所述房源偏好变化信息和所述价格变动信息，确定房源推荐时机；
根据所述房源推荐时机，从所述推荐房源信息集合中选取房源信息进行信息推送。
6.一种用于生成信息的装置，包括：
获取单元，被配置成获取目标用户的属性信息和房源偏好信息，其中，所述房源偏好信息用于表征所述目标用户偏好的房屋的特点，所述获取单元包括：获取模块，被配置成获取所述目标用户在至少两个信息检索平台的检索信息集合；第一生成模块，被配置成将所述检索信息集合中的检索信息输入至预先训练的关联模型，生成对应的标签信息，其中，所述标签信息用于指示检索信息是否与房屋偏好相关联；第二生成模块，被配置成从所述检索信息集合中选取用于指示检索信息与房屋偏好相关联的标签信息对应的检索信息，生成关联检索信息集合；第三生成模块，被配置成基于所述关联检索信息集合，生成所述目标用户的房源偏好信息；
向量生成单元，被配置成根据所述目标用户的属性信息和房源偏好信息，生成所述目标用户的偏好特征向量；
评分生成单元，被配置成将所述目标用户的偏好特征向量输入至预先训练的用户评估模型，生成所述目标用户的用户评分；
推荐单元，被配置成基于所述用户评分从预设的房源信息库中选取匹配的房源信息，生成推荐房源信息集合，所述推荐单元被进一步配置成：基于所述关联检索信息集合和所述目标用户的属性信息，生成用户特征向量；基于所述用户特征向量与所述预设的房源信息库中对应的预设特征向量的相似度，选取第一数目个匹配的预设特征向量对应的房源信息作为预推荐房源信息集合，其中，所述房源信息库中包括预设特征向量与房源信息之间的对应关系；将所述目标用户的属性信息、房源偏好信息和所述用户评分输入至预先训练的房源有效推荐概率模型，得到所述目标用户接受所述预推荐房源信息集合中所指示的房源信息的概率；根据所得到的概率，从所述预推荐房源信息集合中选取第二数目个房源信息作为所述推荐房源信息集合。
7.根据权利要求6所述的装置，其中，所述房源偏好信息包括房屋用途信息；以及
所述第三生成模块被进一步配置成：
从所述关联检索信息集合中提取文字信息，其中，所述文字信息包括搜索文本和图片描述文本；
将所述文字信息输入至预先训练的房屋用途分类模型，生成对应的至少一个房屋用途信息。
8.根据权利要求6所述的装置，其中，所述房源偏好信息包括房屋特征；以及
所述第三生成模块被进一步配置成：
从所述关联检索信息集合中提取所述目标用户历史交互过程中涉及的图像作为目标图像；
将所述目标图像输入至预先训练的房屋特征分类模型，生成对应的至少一个房屋特征。
9.根据权利要求6所述的装置，其中，所述推荐单元还用于：
获取初始房源信息集合；
将所述初始房源信息集合中的房源信息输入至预先训练的实体抽取模型，生成与房源信息对应的至少两个实体；
将所生成的至少两个实体和所述初始房源信息集合中对应的房源信息输入至预先训练的关系抽取模型，得到所生成的至少两个实体之间的关系；
根据所生成的至少两个实体和至少两个实体之间的关系，生成房源信息库。
10.根据权利要求6-9之一所述的装置，其中，所述装置还包括：
偏好变化获取单元，被配置成获取所述目标用户的房源偏好变化信息；
变动获取单元，被配置成获取所述推荐房源信息集合中房源信息所指示的价格变动信息；
确定单元，被配置成根据所述房源偏好变化信息和所述价格变动信息，确定房源推荐时机；
推送单元，被配置成根据所述房源推荐时机，从所述推荐房源信息集合中选取房源信息进行信息推送。
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 |
|---|---|---|---|
| CN202110501285.7A CN113190702B (zh) | 2021-05-08 | 2021-05-08 | 用于生成信息的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110501285.7A CN113190702B (zh) | 2021-05-08 | 2021-05-08 | 用于生成信息的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113190702A CN113190702A (zh) | 2021-07-30 |
| CN113190702B true CN113190702B (zh) | 2023-07-25 |
Family
ID=76984482
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110501285.7A Active CN113190702B (zh) | 2021-05-08 | 2021-05-08 | 用于生成信息的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113190702B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114358836A (zh) * | 2021-12-30 | 2022-04-15 | 北京有竹居网络技术有限公司 | 户型报告的显示方法、装置、可读存储介质和电子设备 |
| CN115187150B (zh) * | 2022-09-13 | 2023-04-18 | 绿城科技产业服务集团有限公司 | 一种基于智慧园区管理平台的人才公寓分配方法及系统 |
| CN116501993B (zh) * | 2023-06-29 | 2023-11-10 | 深圳须弥云图空间科技有限公司 | 房源数据推荐方法及装置 |
| CN117217877B (zh) * | 2023-09-13 | 2024-06-25 | 青岛仁科信息技术有限公司 | 一种房屋租赁推荐方法、介质及系统 |
| CN117557348B (zh) * | 2023-11-14 | 2024-10-08 | 青岛仁科信息技术有限公司 | 一种保障性租赁房人房匹配方法、介质及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20020078588A (ko) * | 2001-04-06 | 2002-10-19 | 엘지전자 주식회사 | 홈 네트워크 시스템 |
| CN106649774A (zh) * | 2016-12-27 | 2017-05-10 | 北京百度网讯科技有限公司 | 基于人工智能的对象推送方法及装置 |
| CN107993126A (zh) * | 2017-11-30 | 2018-05-04 | 武汉理工大学 | 一种基于挖掘评论修正用户评分的改进协同过滤方法 |
| CN108960966A (zh) * | 2018-06-07 | 2018-12-07 | 重庆邮电大学 | 一种基于用户偏好的矩阵分解推荐方法 |
| CN109242534A (zh) * | 2018-08-07 | 2019-01-18 | 桂林电子科技大学 | 一种基于用户评论动态分析的用户评分预测方法 |
| CN110555132A (zh) * | 2019-08-13 | 2019-12-10 | 北京工业大学 | 一种基于注意力模型的降噪自编码器推荐方法 |
| CN111080407A (zh) * | 2019-12-04 | 2020-04-28 | 青梧桐有限责任公司 | 房屋信息推荐方法、装置、电子设备及可读存储介质 |
| CN111159561A (zh) * | 2019-12-31 | 2020-05-15 | 青梧桐有限责任公司 | 根据用户行为和用户画像构建推荐引擎的方法 |
| CN111291258A (zh) * | 2020-01-20 | 2020-06-16 | 北京无限光场科技有限公司 | 搜索热词的推荐方法、装置、电子设备及可读介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10223359B2 (en) * | 2016-10-10 | 2019-03-05 | The Directv Group, Inc. | Determining recommended media programming from sparse consumption data |
-
2021
- 2021-05-08 CN CN202110501285.7A patent/CN113190702B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20020078588A (ko) * | 2001-04-06 | 2002-10-19 | 엘지전자 주식회사 | 홈 네트워크 시스템 |
| CN106649774A (zh) * | 2016-12-27 | 2017-05-10 | 北京百度网讯科技有限公司 | 基于人工智能的对象推送方法及装置 |
| CN107993126A (zh) * | 2017-11-30 | 2018-05-04 | 武汉理工大学 | 一种基于挖掘评论修正用户评分的改进协同过滤方法 |
| CN108960966A (zh) * | 2018-06-07 | 2018-12-07 | 重庆邮电大学 | 一种基于用户偏好的矩阵分解推荐方法 |
| CN109242534A (zh) * | 2018-08-07 | 2019-01-18 | 桂林电子科技大学 | 一种基于用户评论动态分析的用户评分预测方法 |
| CN110555132A (zh) * | 2019-08-13 | 2019-12-10 | 北京工业大学 | 一种基于注意力模型的降噪自编码器推荐方法 |
| CN111080407A (zh) * | 2019-12-04 | 2020-04-28 | 青梧桐有限责任公司 | 房屋信息推荐方法、装置、电子设备及可读存储介质 |
| CN111159561A (zh) * | 2019-12-31 | 2020-05-15 | 青梧桐有限责任公司 | 根据用户行为和用户画像构建推荐引擎的方法 |
| CN111291258A (zh) * | 2020-01-20 | 2020-06-16 | 北京无限光场科技有限公司 | 搜索热词的推荐方法、装置、电子设备及可读介质 |
Non-Patent Citations (3)
| Title |
|---|
| Jian Wang 等.User Latent Preference Model for Better Downside Management in Recommender Systems.WWW '15: Proceedings of the 24th International Conference on World Wide Web.2015,全文. * |
| 个性化房地产信息检索与推荐技术研究;徐伟雷;中国优秀硕士学位论文全文数据库;全文 * |
| 基于卷积神经网络与约束概率矩阵分解的推荐算法;马海江;;计算机科学(第S1期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113190702A (zh) | 2021-07-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113190702B (zh) | 用于生成信息的方法和装置 | |
| CN109376222A (zh) | 问答匹配度计算方法、问答自动匹配方法及装置 | |
| CN114861889B (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
| CN113051911B (zh) | 提取敏感词的方法、装置、设备、介质及程序产品 | |
| CN114036398A (zh) | 内容推荐和排序模型训练方法、装置、设备以及存储介质 | |
| CN110826327A (zh) | 情感分析方法、装置、计算机可读介质及电子设备 | |
| CN112632227A (zh) | 简历匹配方法、装置、电子设备、存储介质和程序产品 | |
| CN110309281A (zh) | 基于知识图谱的问答方法、装置、计算机设备及存储介质 | |
| CN114119123A (zh) | 信息推送的方法和装置 | |
| CN116796730A (zh) | 基于人工智能的文本纠错方法、装置、设备及存储介质 | |
| CN113887214B (zh) | 基于人工智能的意愿推测方法、及其相关设备 | |
| CN114037059A (zh) | 预训练模型、模型的生成方法、数据处理方法及装置 | |
| CN113392920A (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
| CN113239215B (zh) | 多媒体资源的分类方法、装置、电子设备及存储介质 | |
| CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 | |
| CN114780809A (zh) | 基于强化学习的知识推送方法、装置、设备及存储介质 | |
| CN114254028A (zh) | 事件属性抽取方法、装置、电子设备和存储介质 | |
| CN113240304B (zh) | 特征构建方法、装置、设备以及存储介质 | |
| CN113822057B (zh) | 地点信息确定方法、装置、电子设备以及存储介质 | |
| CN114330345B (zh) | 命名实体识别方法、训练方法、装置、电子设备及介质 | |
| CN116911304B (zh) | 一种文本推荐方法及装置 | |
| CN113377921B (zh) | 用于匹配信息的方法、装置、电子设备以及介质 | |
| CN114564558B (zh) | 地震影响范围评估方法及相关设备 | |
| CN116244432B (zh) | 语言模型的预训练方法、装置及电子设备 | |
| CN118133168A (zh) | 数据处理方法和装置、电子设备、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 |