CN113239284B - 推荐信息的顺序确定方法及装置 - Google Patents
推荐信息的顺序确定方法及装置 Download PDFInfo
- Publication number
- CN113239284B CN113239284B CN202110787600.7A CN202110787600A CN113239284B CN 113239284 B CN113239284 B CN 113239284B CN 202110787600 A CN202110787600 A CN 202110787600A CN 113239284 B CN113239284 B CN 113239284B
- Authority
- CN
- China
- Prior art keywords
- information
- recommendation information
- candidate recommendation
- candidate
- similarity
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9538—Presentation of query results
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种推荐信息的顺序确定方法及装置,该方法包括:获取目标用户的至少两个候选推荐信息,基于至少两个候选推荐信息初始化已选择推荐信息集合以及未选择推荐信息集合;根据目标用户、已选择推荐信息集合中的各候选推荐信息和未选择推荐信息集合中的各候选推荐信息计算信息相似度,基于信息相似度确定未选择推荐信息集合中的各候选推荐信息的整体评估值;将未选择推荐信息集合中整体评估值最大的候选推荐信息作为待选择推荐信息,将待选择推荐信息加入已选择推荐信息集合,将未选择推荐信息集合中的待选择候选推荐信息删除;将各候选推荐信息加入已选择推荐信息集合的顺序作为各候选推荐信息的推荐顺序,以对推荐信息准确排序。
Description
技术领域
本发明实施例涉及大数据技术领域,尤其涉及一种推荐信息的顺序确定方法及装置。
背景技术
在平台上,可以给用户推荐信息以使用户进行浏览。通常是推荐一些与用户历史浏览的信息相同或相关的信息,但是,这样会导致推荐信息的新颖性较差。
为了提高推荐信息的新颖性,现有技术中,通过运营规则剔除热门信息和用户历史浏览信息,来提高其他推荐信息的曝光度,以增加推荐信息的新颖性。并且,在确定推荐信息后,推荐信息的顺序与新颖性相关。但是,这样会导致大量牺牲相关性,排序靠前的推荐信息可能是用户不感兴趣的信息,导致用户的体验不佳的问题。
发明内容
本发明实施例提供了一种推荐信息的顺序确定方法及装置,以实现对推荐信息进行合理的整体度量并排序,进而提升用户体验的技术效果。
第一方面,本发明实施例提供了一种推荐信息的顺序确定方法,该方法包括:
获取目标用户的至少两个候选推荐信息,基于所述至少两个候选推荐信息初始化已选择推荐信息集合以及未选择推荐信息集合,其中,所述已选择推荐信息集合用于存储已确定推荐顺序的候选推荐信息,所述未选择推荐信息集合用于存储待确定推荐顺序的候选推荐信息;
根据所述目标用户、所述已选择推荐信息集合中的各候选推荐信息和所述未选择推荐信息集合中的各候选推荐信息计算信息相似度,基于所述信息相似度确定所述未选择推荐信息集合中的各候选推荐信息的整体评估值;
将所述未选择推荐信息集合中所述整体评估值最大的候选推荐信息作为待选择推荐信息,将所述待选择推荐信息加入所述已选择推荐信息集合,并将所述未选择推荐信息集合中的所述待选择候选推荐信息删除;
将所述各候选推荐信息加入所述已选择推荐信息集合的顺序作为所述各候选推荐信息的推荐顺序。
第二方面,本发明实施例还提供了一种推荐信息的排序装置,该装置包括:
初始化模块,用于获取目标用户的至少两个候选推荐信息,基于所述至少两个候选推荐信息初始化已选择推荐信息集合以及未选择推荐信息集合,其中,所述已选择推荐信息集合用于存储已确定推荐顺序的候选推荐信息,所述未选择推荐信息集合用于存储待确定推荐顺序的候选推荐信息;
整体评估值确定模块,用于根据所述目标用户、所述已选择推荐信息集合中的各候选推荐信息和所述未选择推荐信息集合中的各候选推荐信息计算信息相似度,基于所述信息相似度确定所述未选择推荐信息集合中的各候选推荐信息的整体评估值;
集合更新模块,用于将所述未选择推荐信息集合中所述整体评估值最大的候选推荐信息作为待选择推荐信息,将所述待选择推荐信息加入所述已选择推荐信息集合,并将所述未选择推荐信息集合中的所述待选择候选推荐信息删除;
推荐顺序确定模块,用于将所述各候选推荐信息加入所述已选择推荐信息集合的顺序作为所述各候选推荐信息的推荐顺序。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例任一所述的推荐信息的排序方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例任一所述的推荐信息的排序方法。
本发明实施例的技术方案,通过获取目标用户的至少两个候选推荐信息,基于至少两个候选推荐信息初始化已选择推荐信息集合以及未选择推荐信息集合,以用于后续确定推荐顺序,根据目标用户、已选择推荐信息集合中的各候选推荐信息和未选择推荐信息集合中的各候选推荐信息计算信息相似度,基于信息相似度确定未选择推荐信息集合中的各候选推荐信息的整体评估值,以用于确定下一个顺序的候选推荐信息,将未选择推荐信息集合中整体评估值最大的候选推荐信息作为待选择推荐信息,将待选择推荐信息加入已选择推荐信息集合,并将未选择推荐信息集合中的待选择候选推荐信息删除,以对已选择推荐信息集合和未选择推荐信息集合进行更新,将各候选推荐信息加入已选择推荐信息集合的顺序作为各候选推荐信息的推荐顺序,解决了推荐信息时相关性和新颖性难以衡量以及无法均衡的相关性和新颖性的问题,实现了对推荐信息进行合理的整体度量并排序,进而提升用户体验的技术效果。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案,下面对描述实施例中所需要用到的附图做一简单介绍。显然,所介绍的附图只是本发明所要描述的一部分实施例的附图,而不是全部的附图,对于本领域普通技术人员,在不付出创造性劳动的前提下,还可以根据这些附图得到其他的附图。
图1为本发明实施例一所提供的一种推荐信息的顺序确定方法的流程示意图;
图2为本发明实施例二所提供的一种推荐信息的顺序确定方法的流程示意图;
图3为本发明实施例二所提供的一种信息权重树的示意图;
图4为本发明实施例三所提供的一种推荐信息的顺序确定装置的结构示意图;
图5为本发明实施例四所提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一所提供的一种推荐信息的顺序确定方法的流程示意图,本实施例可适用于在对平台中的推荐信息进行排序的情况,该方法可以由推荐信息的排序装置来执行,该装置可以通过软件和/或硬件的形式实现,该硬件可以是电子设备,可选的,电子设备可以是移动终端,PC端等。
如图1所述,本实施例的方法具体包括如下步骤:
S110、获取目标用户的至少两个候选推荐信息,基于至少两个候选推荐信息初始化已选择推荐信息集合以及未选择推荐信息集合。
其中,目标用户可以是平台注册的用户,候选推荐信息可以是根据推荐算法确定出的推荐给目标用户,以使目标用户观看的信息。已选择推荐信息集合用于存储已确定推荐顺序的候选推荐信息,未选择推荐信息集合用于存储待确定推荐顺序的候选推荐信息。
具体的,可以基于推荐算法确定目标用户的候选推荐信息,将全部候选推荐信息加入未选择推荐信息集合,并将已选择推荐信息集合置空,以对已选择推荐信息集合以及未选择推荐信息集合进行初始化。
需要说明的是,推荐算法可以是协同过滤,逻辑回归等常规的算法,在本实施例中不做具体限定。
S120、根据目标用户、已选择推荐信息集合中的各候选推荐信息和未选择推荐信息集合中的各候选推荐信息计算信息相似度,基于信息相似度确定未选择推荐信息集合中的各候选推荐信息的整体评估值。
其中,信息相似度可以包括目标用户与未选择推荐信息集合中的各候选推荐信息的相似度,也可以包括目标用户与已选择推荐信息集合中的各候选推荐信息的相似度,还可以包括已选择推荐信息集合中的各候选推荐信息和未选择推荐信息集合中的各候选推荐信息的相似度。整体评估值可以是用于衡量未选择推荐信息集合中的各候选推荐信息是否适合下一个进行推荐的数值。
具体的,可以提取目标用户和各候选推荐信息的基础信息,例如:主播内容,直播时间,主播年龄等。进而,基于上述提取的基础信息可以根据相似度计算方法,确定目标用户与未选择推荐信息集合中的各候选推荐信息的相似度,目标用户与已选择推荐信息集合中的各候选推荐信息的相似度,已选择推荐信息集合中的各候选推荐信息和未选择推荐信息集合中的各候选推荐信息的相似度等。可以将上述相似度作为信息相似度,并根据信息相似度来计算确定未选择推荐信息集合中的各候选推荐信息适合进行推荐的数值,例如:整体评估值的数值越大,越适合下一个进行推荐。
需要说明的是,相似度计算方法可以是基于关键词匹配的相似度计算方法,例如:N-gram相似度计算方法,Jaccard相似度计算方法等,还可以是基于向量空间的相似度计算方法等,例如:基于欧式距离的相似度计算方法,基于曼哈顿距离的相似度计算方法,基于余弦相似度的计算方法等,也可以是基于深度学习模型进行的相似度计算等。具体使用何种相似度计算方法,可以根据实际需求进行设定,在本实施例中不作具体限定。
S130、将未选择推荐信息集合中整体评估值最大的候选推荐信息作为待选择推荐信息,将待选择推荐信息加入已选择推荐信息集合,并将未选择推荐信息集合中的待选择候选推荐信息删除。
其中,待选择推荐信息可以是未选择推荐信息集合中确定出的下一个推荐顺序的信息。
具体的,将未选择推荐信息集合中整体评估值最大的候选推荐信息作为待选择推荐信息,以将待选择推荐信息作为下一个推荐顺序的信息来推荐。由于可以确定待选择推荐信息的推荐顺序,则可以将待选择推荐信息从未选择推荐信息集合移入已选择推荐信息集合。移入方式可以是:将待选择推荐信息加入已选择推荐信息集合,并将未选择推荐信息集合中的待选择候选推荐信息删除。通过对未选择推荐信息集合和已选择推荐信息集合中的候选推荐信息的调整,可以得到两个新的信息集合,以用于确定再下一个推荐顺序的信息。
S140、将各候选推荐信息加入已选择推荐信息集合的顺序作为各候选推荐信息的推荐顺序。
其中,推荐顺序可以是候选推荐信息推荐给目标用户时的排列顺序。
具体的,在根据待选择推荐信息对未选择推荐信息集合和已选择推荐信息集合进行调整后,可以将待选择推荐信息加入已选择推荐信息集合的顺序作为待选择推荐信息的推荐顺序。针对各候选推荐信息,都可以将加入已选择推荐信息集合的顺序作为各候选推荐信息的推荐顺序。
示例性的,若未选择推荐信息集合中包括30个候选推荐信息,已选择推荐信息集合包括20个候选推荐信息,则根据待选择推荐信息对两个集合进行调整后,可得未选择推荐信息集合中包括29个候选推荐信息,已选择推荐信息集合包括21个候选推荐信息,。此时,待选择推荐信息的推荐顺序确定为21。
需要说明的是,当执行S130后,若未选择推荐信息集合中仍包括至少一个候选推荐信息,则可以根据新的未选择推荐信息集合和新的已选择推荐信息集合,重复执行S120-S130,直至未选择推荐信息集合中不存在候选推荐信息。此时,可以将各候选推荐信息加入已选择推荐信息集合的顺序作为各候选推荐信息的推荐顺序。
本发明实施例的技术方案,通过获取目标用户的至少两个候选推荐信息,基于至少两个候选推荐信息初始化已选择推荐信息集合以及未选择推荐信息集合,以用于后续确定推荐顺序,根据目标用户、已选择推荐信息集合中的各候选推荐信息和未选择推荐信息集合中的各候选推荐信息计算信息相似度,基于信息相似度确定未选择推荐信息集合中的各候选推荐信息的整体评估值,以用于确定下一个顺序的候选推荐信息,将未选择推荐信息集合中整体评估值最大的候选推荐信息作为待选择推荐信息,将待选择推荐信息加入已选择推荐信息集合,并将未选择推荐信息集合中的待选择候选推荐信息删除,以对已选择推荐信息集合和未选择推荐信息集合进行更新,将各候选推荐信息加入已选择推荐信息集合的顺序作为各候选推荐信息的推荐顺序,解决了推荐信息时相关性和新颖性难以衡量以及无法均衡的相关性和新颖性的问题,实现了对推荐信息进行合理的整体度量并排序,进而提升用户体验的技术效果。
实施例二
图2为本发明实施例二所提供的一种推荐信息的顺序确定方法的流程示意图,本实施例在上述各实施例的基础上,针对信息相似度的确定方式和整体评估值的确定方式可参见本实施例的技术方案。其中,与上述各实施例相同或相应的术语的解释在此不再赘述。
如图2所述,本实施例的方法具体包括如下步骤:
S210、获取目标用户的至少两个候选推荐信息,基于至少两个候选推荐信息初始化已选择推荐信息集合以及未选择推荐信息集合。
S220、确定目标用户和未选择推荐信息集合中的各候选推荐信息的第一相似度。
其中,第一相似度可以是目标用户和未选择推荐信息集合中的各候选推荐信息的相似度,用于判断候选推荐信息是否适合推荐给目标用户。
具体的,可以通过常用的相似度计算方法确定目标用户和未选择推荐信息集合中的各候选推荐信息的第一相似度。
可选的,为了更准确的确定第一相似度,可以基于下述步骤来计算:
步骤一、获取目标用户的至少一个历史选择信息,并确定各历史选择信息对应的时间比例以及用户数量。
其中,历史选择信息可以是目标用户在过去的一段时间内观看过的推荐信息,例如:若候选推荐信息为直播间,则历史选择信息为目标用户曾经看过的直播间。时间比例可以是过去的一段时间内,目标用户观看某一历史选择信息的时长占比,过去的一段时间可以是7天,30天等。用户数量可以是在过去的一段时间内历史选择信息的观看用户数量。
具体的,可以根据平台中的用户日志获取目标用户的至少一个历史选择信息。根据获取的历史选择信息可以确定各历史选择信息的时间比例内,以及用户数量。
示例性的,候选推荐信息为直播间,过去的一段时间为7天,在7天内目标用户观看
直播间的时长为30小时。历史选择信息,即观看过的直播间,对应的时间为5小时,此时,该
直播间的时间比例为。还可以确定,在过去的7天内,该直播间观看用户数量为10万。
步骤二、将每一个未选择推荐信息集合中的候选推荐信息分别作为当前候选推荐信息,并基于时间比例,用户数量,以及当前候选推荐信息与各历史选择信息之间的第二相似度,确定目标用户与当前候选推荐信息的第一相似度。
其中,第二相似度可以是候选推荐信息与历史选择信息之间的相似度,即推荐信息之间的相似度。第一相似度可以是目标用户与候选推荐信息之间的相似度,即用户与推荐信息之间的相似度。
具体的,针对每一个未选择推荐信息集合中的候选推荐信息都可以使用如下方式确定第一相似度。由于无法直接确定目标用户和当前候选推荐信息之间的相似度,因此,转化为目标用户的历史选择信息与当前候选推荐信息之间的第二相似度。并且,将目标用户观看各历史选择信息的时间比例作为权重,以进行加权求和来确定目标用户与当前候选推荐信息的相似度。为了避免热门直播间对目标用户观看行为的影响,可以根据历史选择信息的用户数量对相似度进行约束,进而,能够确定目标用户与当前候选推荐信息的第一相似度。
可选的,为了使第一相似度的计算更加准确,可以基于下述公式确定目标用户与当前候选推荐信息的第一相似度:
其中,表示目标用户,表示当前候选推荐信息,表示目标用户与当前候
选推荐信息的第一相似度,表示目标用户的历史选择信息集合,表示历史选择信息集
合中第个历史选择信息,表示第个历史选择信息的时间比例,表示第个历史选择信
息的用户数量,表示第个历史选择信息和当前候选推荐信息之间的第二相似度。
具体的,确定当前候选推荐信息与历史选择信息集合中的各历史选择信息之间的
第二相似度,并将各历史选择信息对应的时间比例作为权重,对第二相似度进行加权处理。
为了防止热门的历史选择信息对第一相似度计算的影响,使用对数因子来对
历史选择信息进行约束。
需要说明的是,目标用户和候选推荐信息的相似度无法直接计算,因此,转化为目
标用户看过的历史选择信息之间的第二相似度加权之和。这里的权重表示的是目标用户对
历史选择信息观看的程度,可以使用时间比例来表示。为了防止热门的历史选择信息和较
多的用户都有较高的第一相似度,因此采用了因子来对热度进行约束,即历史
观看的用户数量越多,受到的约束越大。
S230、确定未选择推荐信息集合中的各候选推荐信息与已选择推荐信息集合中的各候选推荐信息之间的第二相似度。
具体的,可以通过常用的相似度计算方法确定未选择推荐信息集合中的各候选推荐信息与已选择推荐信息集合中的各候选推荐信息的第二相似度。
可选的,为了更准确的确定第二相似度,可以基于下述步骤来计算:
步骤一、根据源候选推荐信息的基础信息以及目标候选推荐信息的基础信息构建信息权重树。
其中,源候选推荐信息是已选择推荐信息集合中的候选推荐信息,目标候选推荐信息是未选择推荐信息集合中的候选推荐信息。基础信息可以是用于衡量候选推荐信息的信息,例如:候选推荐信息包括直播间信息,基础信息可以包括分区信息和标签信息等。
具体的,基于源候选推荐信息的基础信息以及目标候选推荐信息的基础信息之间的相同或不同,确定目标候选推荐信息与源候选推荐信息在各基础信息上相同的概率和不同的概率,将这些概率作为权重信息。根据基础信息和权重信息,可以构建信息权重树。
可选的,若基础信息包括至少两个子基础信息,则可以基于下述方法构建信息权重树:
根据源候选推荐信息的各子基础信息以及目标候选推荐信息的各子基础信息确定权重信息;根据源候选推荐信息的各子基础信息和权重信息,构建信息权重树。
其中,子基础信息可以是基础信息的下一级信息,即基础信息的各具体类别。例如:子基础信息可以是基础信息中的年龄,性别等。
具体的,根据源候选推荐信息的各子基础信息和目标候选推荐信息的各子基础信息,可以确定目标候选推荐信息与源候选推荐信息具有相同子基础信息的概率和具有不同子基础信息的概率,并将上述概率作为权重信息,构建信息权重树。
可选的,候选推荐信息包括直播间信息,子基础信息包括直播间分区信息,标签信息和属性信息中的至少一种;根据源候选推荐信息的各子基础信息以及目标候选推荐信息的各子基础信息确定权重信息,包括下述公式中的至少一种:
其中,表示源直播间信息与目标直播间信息具有相同直播间分区信息时的分区
权重信息,表示源直播间信息与目标直播间信息具有不同直播间分区信息时的分区权
重信息,表示源直播间分区信息下的直播间总数,表示直播间总数,表示直播间
信息与目标直播间信息之间的标签权重信息,表示源直播间信息拥有的标签总数
量,表示源直播间信息和目标直播间信息具有相同标签的标签数量,表
示源直播间信息与目标直播间信息之间的属性权重信息,表示源直播间信息拥有的
属性总数量,表示源直播间信息和目标直播间信息具有相同属性的属性数
量。
示例性的,图3为本发明实施例二所提供的一种信息权重树的示意图。其中直播间
分区信息,可以理解为直播平台的内容区级划分,例如:英雄联盟,王者荣耀等;标签信息可
以是由运营人工标注的主播风格和具体内容相关的词语;属性信息可以包括直播间的主播
性别,主播年龄段等。源直播间信息的直播间分区信息为游戏A,标签信息为标签B,标签C,
标签D和标签E,属性信息为男性,25-30岁。该直播平台下,共有直播间数量100个,游戏A的
直播间数量20个,则可以确定,。若目标直播间的直播分区信息为游戏
A,标签信息为标签B和标签F,属性信息为女性,25-30岁,那么,,。根据
属性权重信息的计算方式可以类似的确定不同直播分区下的属性权重信息。若目标
直播间的直播分区信息为游戏X,属性信息为男性,20-25岁,那么,。根据上述权
重信息可以建立源直播间信息与目标直播间信息的信息权重树。
步骤二、根据信息权重树,确定从源候选推荐信息至目标候选推荐信息的路径信息,并根据路径信息确定源候选推荐信息和目标候选推荐信息之间的第二相似度。
其中,路径信息可以包括信息权重树中的节点信息,以及节点信息对应的权重信息和深度信息。
具体的,可以以源候选推荐信息为根节点,在信息权重树的每一层判断决定目标候选推荐信息所对应的子树的方向,直到到达叶子节点,无法继续向下搜索,则确定从根节点到达叶子节点时经过的路径信息。进而,可以根据路径信息中的权重信息和深度信息,计算得到源候选推荐信息和目标候选推荐信息之间的第二相似度。
可选的,为了准确的确定第二相似度,可以基于下述公式确定源候选推荐信息和目标候选推荐信息之间的第二相似度:
其中,表示源候选推荐信息,表示目标候选推荐信息,表示源候选推荐
信息和目标候选推荐信息之间的第二相似度,表示路径中节点对应的深度信息,表示信
息权重树的总深度信息,表示路径中深度信息为的节点,表示节点对应的权重信
息。
具体的,路径信息中深度信息越小的节点的重要性越高,因此权重信息应当越高。
因此,采用乘以的方式对权重信息进行调整。并且,采用上述公式计算第二相似度的方
式,可以在较大时,使调整后的权重之和趋向于1,使得第二相似度能够处于0到1之间。
需要说明的是,传统计算相似度的方法一般是提取特征、生成向量,再通过欧式距离或者余弦距离进行计算。这种计算方法容易造成热门候选推荐信息和其他候选推荐信息的相似度很高,即使采用一些热门惩罚的方式也很难避免这种情况,而偏冷门的候选推荐信息由于被观看的行为较少,则可能无法被计算。因此,常用的相似度计算方式存在弊端,无法将一些冷门的候选推荐信息的顺序靠前排序。在引入信息权重树的情况下,可以针对树状结构进行计算,可以充分考虑各候选推荐信息本身的基础信息,并且通过信息权重树的构建能够反映不同基础信息之间的重要性。
S240、基于第一相似度和第二相似度,确定未选择推荐信息集合中的各候选推荐信息的整体评估值。
具体的,可以根据第一相似度和第二相似度来计算确定未选择推荐信息集合中的各候选推荐信息适合进行推荐的数值,以便根据整体评估值进行集合调整。可以是,整体评估值的数值越大,越适合下一个进行推荐。
可选的,可以基于下述公式确定未选择推荐信息集合中的当前候选推荐信息的整体评估值:
其中,表示当前候选推荐信息的整体评估值,表示已选择推荐信息集合,表
示未选择推荐信息集合,表示未选择推荐信息集合中的第i个候选推荐信息,即当前候选
推荐信息,表示已选择推荐信息集合中的第j个候选推荐信息,表示目标用户与
当前候选推荐信息之间的第一相似度,表示候选推荐信息与候选推荐信息之
间的第二相似度,表示已选择推荐信息集合中候选推荐信息的数量,表示预设权重系
数,。
需要说明的是,上述公式的原理是:公式中的计算的是目标用户和未选
择推荐信息集合中的第i个候选推荐信息之间的第一相似度,用于控制推荐的相关性,即第
一相似度越大,候选推荐信息越适合被推荐。公式中的表示的是未选择推荐信
息集合中的第i个候选推荐信息与已选择推荐信息集合中各候选推荐信息之间的第二相
似度的平均值,该值越小说明候选推荐信息与已选择推荐信息集合中的各候选推荐信息
之间的差异性越大,新颖性越高,此时该项的值越小越好。并且,可以通过预设权重系数
来调节相关性和新颖性之间的关系,使得上述公式所表示的整体评估值越大,越符合推荐
标准。也就是,可以通过未选择推荐信息集合中的各候选推荐信息的整体评估值,确定整体
评估值最大的候选推荐信息作为最优的待加入已选择推荐信息集合中的候选推荐信息。
还需要说明的是,预设的权重系数的取值范围在0到1之间,用于调节推荐信息
的相关性和新颖性。权重系数的影响因素是推荐信息的相关性和新颖性。如果想要增加
冷门的候选推荐信息的点击量,那么可以适当的降低权重系数,从而调整推荐顺序,以将
新颖性高的候选推荐信息分发在前列;如果想要保持热门候选推荐信息的热度,使热门候
选推荐信息充分曝光,以维持较高的点击转化率,那么可以适当的增加权重系数。
S250、将未选择推荐信息集合中整体评估值最大的候选推荐信息作为待选择推荐信息,将待选择推荐信息加入已选择推荐信息集合,并将未选择推荐信息集合中的待选择候选推荐信息删除。
S260、将各候选推荐信息加入已选择推荐信息集合的顺序作为各候选推荐信息的推荐顺序。
示例性的,推荐信息为直播间信息,目标用户所对应的待推荐候选直播间为直
播间,直播间和直播间。进而,可以初始化得到已选择推荐信息集合,未选择推荐信
息集合。通过计算可以得到各第一相似度:,,,还可以得到各第二相似度:,,。并且,
预设权重系数。首先,当前已选择推荐信息集合,可以确定直播间对应的整体评
估值,直播间对应的整体评估值,直播间对应的整体评估值,因此,选择直播间加入已选择推荐信息集合,即直播
间的推荐顺序为1。对两个集合进行调整后,已选择推荐信息集合,未选择推荐信息
集合。进一步,当前已选择推荐信息集合,可以确定直播间对应的整体评
估值,可以确定直播间对应的整体评
估值。因此,选择直播间加入已选择
推荐信息集合,即直播间的推荐顺序为2。最后,将直播间加入已选择推荐信息集合,
即直播间的推荐顺序为3。因此,可以按照直播间,直播间和直播间的顺序进行推荐。
本实施例的技术方案,通过获取目标用户的至少两个候选推荐信息,基于至少两个候选推荐信息初始化已选择推荐信息集合以及未选择推荐信息集合,确定目标用户和未选择推荐信息集合中的各候选推荐信息的第一相似度,确定未选择推荐信息集合中的各候选推荐信息与已选择推荐信息集合中的各候选推荐信息之间的第二相似度,并基于第一相似度和第二相似度,确定未选择推荐信息集合中的各候选推荐信息的整体评估值,以准确的衡量各候选推荐信息是否适合排在下一个来推荐,将未选择推荐信息集合中整体评估值最大的候选推荐信息作为待选择推荐信息,将待选择推荐信息加入已选择推荐信息集合,并将未选择推荐信息集合中的待选择候选推荐信息删除,进而,将各候选推荐信息加入已选择推荐信息集合的顺序作为各候选推荐信息的推荐顺序,解决了无法准确的衡量推荐信息的相关性和新颖性,以及无法平衡相关性和新颖性之间关系的问题,实现了对推荐信息的整体评估,并进行合理排序,进而提高用户体验的技术效果。
实施例三
图4为本发明实施例三所提供的一种推荐信息的顺序确定装置的结构示意图,该装置包括:初始化模块310,整体评估值确定模块320,集合更新模块330和推荐顺序确定模块340。
其中,初始化模块310,用于获取目标用户的至少两个候选推荐信息,基于所述至少两个候选推荐信息初始化已选择推荐信息集合以及未选择推荐信息集合,其中,所述已选择推荐信息集合用于存储已确定推荐顺序的候选推荐信息,所述未选择推荐信息集合用于存储待确定推荐顺序的候选推荐信息;整体评估值确定模块320,用于根据所述目标用户、所述已选择推荐信息集合中的各候选推荐信息和所述未选择推荐信息集合中的各候选推荐信息计算信息相似度,基于所述信息相似度确定所述未选择推荐信息集合中的各候选推荐信息的整体评估值;集合更新模块330,用于将所述未选择推荐信息集合中所述整体评估值最大的候选推荐信息作为待选择推荐信息,将所述待选择推荐信息加入所述已选择推荐信息集合,并将所述未选择推荐信息集合中的所述待选择候选推荐信息删除;推荐顺序确定模块340,用于将所述各候选推荐信息加入所述已选择推荐信息集合的顺序作为所述各候选推荐信息的推荐顺序。
可选的,所述信息相似度包括第一相似度和第二相似度;整体评估值确定模块320,还用于确定所述目标用户和所述未选择推荐信息集合中的各候选推荐信息的第一相似度;确定所述未选择推荐信息集合中的各候选推荐信息与所述已选择推荐信息集合中的各候选推荐信息之间的第二相似度;基于所述第一相似度和所述第二相似度,确定所述未选择推荐信息集合中的各候选推荐信息的整体评估值。
可选的,整体评估值确定模块320,还用于获取所述目标用户的至少一个历史选择信息,并确定各历史选择信息对应的时间比例以及用户数量;将每一个所述未选择推荐信息集合中的候选推荐信息分别作为当前候选推荐信息,并基于所述时间比例,所述用户数量,以及所述当前候选推荐信息与所述各历史选择信息之间的第二相似度,确定所述目标用户与所述当前候选推荐信息的第一相似度。
可选的,基于下述公式确定所述目标用户与所述当前候选推荐信息的第一相似度:
其中,表示所述目标用户,表示所述当前候选推荐信息,表示所述目标
用户与所述当前候选推荐信息的第一相似度,表示所述目标用户的历史选择信息集合,表示所述历史选择信息集合中第个历史选择信息,表示第个历史选择信息的时间比
例,表示第个历史选择信息的用户数量,表示第个历史选择信息和所述当前候
选推荐信息之间的第二相似度。
可选的,整体评估值确定模块320,还用于根据源候选推荐信息的基础信息以及目标候选推荐信息的基础信息构建信息权重树;其中,所述源候选推荐信息是所述已选择推荐信息集合中的候选推荐信息,所述目标候选推荐信息是所述未选择推荐信息集合中的候选推荐信息;根据所述信息权重树,确定从所述源候选推荐信息至目标候选推荐信息的路径信息,并根据所述路径信息确定所述源候选推荐信息和所述目标候选推荐信息之间的第二相似度。
可选的,所述基础信息包括至少两个子基础信息;整体评估值确定模块320,还用于根据源候选推荐信息的各子基础信息以及目标候选推荐信息的各子基础信息确定权重信息;根据所述源候选推荐信息的各子基础信息和所述权重信息,构建信息权重树。
可选的,所述候选推荐信息包括直播间信息,所述子基础信息包括直播间分区信息,标签信息和属性信息中的至少一种;整体评估值确定模块320,还用于根据源候选推荐信息的各子基础信息以及目标候选推荐信息的各子基础信息确定权重信息,包括下述公式中的至少一种:
其中,表示源直播间信息与目标直播间信息具有相同直播间分区信息时的分区
权重信息,表示所述源直播间信息与所述目标直播间信息具有不同直播间分区信息时
的分区权重信息,表示所述源直播间分区信息下的直播间总数,表示直播间总数,表示所述源直播间信息与所述目标直播间信息之间的标签权重信息,表示所述
源直播间信息拥有的标签总数量,表示所述源直播间信息和所述目标直播
间信息具有相同标签的标签数量,表示所述源直播间信息与所述目标直播间信息之间
的属性权重信息,表示所述源直播间信息拥有的属性总数量,表示所
述源直播间信息和所述目标直播间信息具有相同属性的属性数量。
可选的,整体评估值确定模块320,还用于基于下述公式确定所述源候选推荐信息和所述目标候选推荐信息之间的第二相似度:
其中,表示所述源候选推荐信息,表示所述目标候选推荐信息,表示所
述源候选推荐信息和所述目标候选推荐信息之间的第二相似度,表示所述路径中节点对
应的深度信息,表示所述信息权重树的总深度信息,表示所述路径中深度信息为的节
点,表示节点对应的权重信息。
可选的,整体评估值确定模块320,还用于基于下述公式确定所述未选择推荐信息集合中的当前候选推荐信息的整体评估值:
其中,表示所述当前候选推荐信息的整体评估值,表示所述已选择推荐信息集
合,表示所述未选择推荐信息集合,表示所述未选择推荐信息集合中的第i个候选推
荐信息,即所述当前候选推荐信息,表示所述已选择推荐信息集合中的第j个候选推荐信
息,表示所述目标用户与所述当前候选推荐信息之间的第一相似度,表示候
选推荐信息与候选推荐信息之间的第二相似度,表示所述已选择推荐信息集合中候
选推荐信息的数量,表示预设权重系数。
本发明实施例的技术方案,通过获取目标用户的至少两个候选推荐信息,基于至少两个候选推荐信息初始化已选择推荐信息集合以及未选择推荐信息集合,以用于后续确定推荐顺序,根据目标用户、已选择推荐信息集合中的各候选推荐信息和未选择推荐信息集合中的各候选推荐信息计算信息相似度,基于信息相似度确定未选择推荐信息集合中的各候选推荐信息的整体评估值,以用于确定下一个顺序的候选推荐信息,将未选择推荐信息集合中整体评估值最大的候选推荐信息作为待选择推荐信息,将待选择推荐信息加入已选择推荐信息集合,并将未选择推荐信息集合中的待选择候选推荐信息删除,以对已选择推荐信息集合和未选择推荐信息集合进行更新,将各候选推荐信息加入已选择推荐信息集合的顺序作为各候选推荐信息的推荐顺序,解决了推荐信息时相关性和新颖性难以衡量以及无法均衡的相关性和新颖性的问题,实现了对推荐信息进行合理的整体度量并排序,进而提升用户体验的技术效果。
本发明实施例所提供的推荐信息的顺序确定装置可执行本发明任意实施例所提供的推荐信息的顺序确定方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明实施例的保护范围。
实施例四
图5为本发明实施例四所提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施例实施方式的示例性电子设备40的框图。图5显示的电子设备40仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备40以通用计算设备的形式表现。电子设备40的组件可以包括但不限于:一个或者多个处理器或者处理单元401,系统存储器402,连接不同系统组件(包括系统存储器402和处理单元401)的总线403。
总线403表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备40典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备40访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器402可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)404和/或高速缓存存储器405。电子设备40可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统406可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM, DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线403相连。系统存储器402可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块407的程序/实用工具408,可以存储在例如系统存储器402中,这样的程序模块407包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块407通常执行本发明所描述的实施例中的功能和/或方法。
电子设备40也可以与一个或多个外部设备409(例如键盘、指向设备、显示器410等)通信,还可与一个或者多个使得用户能与该电子设备40交互的设备通信,和/或与使得该电子设备40能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口411进行。并且,电子设备40还可以通过网络适配器412与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器412通过总线403与电子设备40的其它模块通信。应当明白,尽管图5中未示出,可以结合电子设备40使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元401通过运行存储在系统存储器402中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的推荐信息的顺序确定方法。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种推荐信息的顺序确定方法,该方法包括:
获取目标用户的至少两个候选推荐信息,基于所述至少两个候选推荐信息初始化已选择推荐信息集合以及未选择推荐信息集合,其中,所述已选择推荐信息集合用于存储已确定推荐顺序的候选推荐信息,所述未选择推荐信息集合用于存储待确定推荐顺序的候选推荐信息;
根据所述目标用户、所述已选择推荐信息集合中的各候选推荐信息和所述未选择推荐信息集合中的各候选推荐信息计算信息相似度,基于所述信息相似度确定所述未选择推荐信息集合中的各候选推荐信息的整体评估值;
将所述未选择推荐信息集合中所述整体评估值最大的候选推荐信息作为待选择推荐信息,将所述待选择推荐信息加入所述已选择推荐信息集合,并将所述未选择推荐信息集合中的所述待选择候选推荐信息删除;
将所述各候选推荐信息加入所述已选择推荐信息集合的顺序作为所述各候选推荐信息的推荐顺序。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (7)
1.一种推荐信息的顺序确定方法,其特征在于,包括:
获取目标用户的至少两个候选推荐信息,基于所述至少两个候选推荐信息初始化已选择推荐信息集合以及未选择推荐信息集合,其中,所述已选择推荐信息集合用于存储已确定推荐顺序的候选推荐信息,所述未选择推荐信息集合用于存储待确定推荐顺序的候选推荐信息;
根据所述目标用户、所述已选择推荐信息集合中的各候选推荐信息和所述未选择推荐信息集合中的各候选推荐信息计算信息相似度,基于所述信息相似度确定所述未选择推荐信息集合中的各候选推荐信息的整体评估值;
将所述未选择推荐信息集合中所述整体评估值最大的候选推荐信息作为待选择推荐信息,将所述待选择推荐信息加入所述已选择推荐信息集合,并将所述未选择推荐信息集合中的所述待选择候选推荐信息删除;
将所述各候选推荐信息加入所述已选择推荐信息集合的顺序作为所述各候选推荐信息的推荐顺序;
所述信息相似度包括第一相似度和第二相似度;
所述根据所述目标用户、所述已选择推荐信息集合中的各候选推荐信息和所述未选择推荐信息集合中的各候选推荐信息计算信息相似度,基于所述信息相似度确定所述未选择推荐信息集合中的各候选推荐信息的整体评估值,包括:
确定所述目标用户和所述未选择推荐信息集合中的各候选推荐信息的第一相似度;
确定所述未选择推荐信息集合中的各候选推荐信息与所述已选择推荐信息集合中的各候选推荐信息之间的第二相似度;
基于所述第一相似度和所述第二相似度,确定所述未选择推荐信息集合中的各候选推荐信息的整体评估值;
所述确定所述目标用户和所述未选择推荐信息集合中的各候选推荐信息的第一相似度,包括:
获取所述目标用户的至少一个历史选择信息,并确定各历史选择信息对应的时间比例以及用户数量;
将每一个所述未选择推荐信息集合中的候选推荐信息分别作为当前候选推荐信息,并基于所述时间比例,所述用户数量,以及所述当前候选推荐信息与所述各历史选择信息之间的第二相似度,确定所述目标用户与所述当前候选推荐信息的第一相似度;
所述基于所述时间比例,所述用户数量,以及所述当前候选推荐信息与所述各历史选择信息之间的第二相似度,确定所述目标用户与所述当前候选推荐信息的第一相似度,包括:
基于下述公式确定所述目标用户与所述当前候选推荐信息的第一相似度:
2.根据权利要求1所述的方法,其特征在于,所述确定所述未选择推荐信息集合中的各候选推荐信息与所述已选择推荐信息集合中的各候选推荐信息之间的第二相似度,包括:
根据源候选推荐信息的基础信息以及目标候选推荐信息的基础信息构建信息权重树;其中,所述源候选推荐信息是所述已选择推荐信息集合中的候选推荐信息,所述目标候选推荐信息是所述未选择推荐信息集合中的候选推荐信息;
根据所述信息权重树,确定从所述源候选推荐信息至目标候选推荐信息的路径信息,并根据所述路径信息确定所述源候选推荐信息和所述目标候选推荐信息之间的第二相似度。
3.根据权利要求2所述的方法,其特征在于,所述基础信息包括至少两个子基础信息;所述根据源候选推荐信息的基础信息以及目标候选推荐信息的基础信息构建信息权重树,包括:
根据源候选推荐信息的各子基础信息以及目标候选推荐信息的各子基础信息确定权重信息;
根据所述源候选推荐信息的各子基础信息和所述权重信息,构建信息权重树。
4.根据权利要求3所述的方法,其特征在于,所述候选推荐信息包括直播间信息,所述子基础信息包括直播间分区信息,标签信息和属性信息中的至少一种;所述根据源候选推荐信息的各子基础信息以及目标候选推荐信息的各子基础信息确定权重信息,包括下述公式中的至少一种:
6.根据权利要求1所述的方法,其特征在于,所述基于所述第一相似度和所述第二相似度,确定所述未选择推荐信息集合中的各候选推荐信息的整体评估值,包括:
基于下述公式确定所述未选择推荐信息集合中的当前候选推荐信息的整体评估值:
7.一种推荐信息的顺序确定装置,其特征在于,包括:
初始化模块,用于获取目标用户的至少两个候选推荐信息,基于所述至少两个候选推荐信息初始化已选择推荐信息集合以及未选择推荐信息集合,其中,所述已选择推荐信息集合用于存储已确定推荐顺序的候选推荐信息,所述未选择推荐信息集合用于存储待确定推荐顺序的候选推荐信息;
整体评估值确定模块,用于根据所述目标用户、所述已选择推荐信息集合中的各候选推荐信息和所述未选择推荐信息集合中的各候选推荐信息计算信息相似度,基于所述信息相似度确定所述未选择推荐信息集合中的各候选推荐信息的整体评估值;
集合更新模块,用于将所述未选择推荐信息集合中所述整体评估值最大的候选推荐信息作为待选择推荐信息,将所述待选择推荐信息加入所述已选择推荐信息集合,并将所述未选择推荐信息集合中的所述待选择候选推荐信息删除;
推荐顺序确定模块,用于将所述各候选推荐信息加入所述已选择推荐信息集合的顺序作为所述各候选推荐信息的推荐顺序;
所述信息相似度包括第一相似度和第二相似度;整体评估值确定模块,还用于确定所述目标用户和所述未选择推荐信息集合中的各候选推荐信息的第一相似度;确定所述未选择推荐信息集合中的各候选推荐信息与所述已选择推荐信息集合中的各候选推荐信息之间的第二相似度;基于所述第一相似度和所述第二相似度,确定所述未选择推荐信息集合中的各候选推荐信息的整体评估值;
整体评估值确定模块,还用于获取所述目标用户的至少一个历史选择信息,并确定各历史选择信息对应的时间比例以及用户数量;将每一个所述未选择推荐信息集合中的候选推荐信息分别作为当前候选推荐信息,并基于所述时间比例,所述用户数量,以及所述当前候选推荐信息与所述各历史选择信息之间的第二相似度,确定所述目标用户与所述当前候选推荐信息的第一相似度;
整体评估值确定模块,还用于基于下述公式确定所述目标用户与所述当前候选推荐信息的第一相似度:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110787600.7A CN113239284B (zh) | 2021-07-13 | 2021-07-13 | 推荐信息的顺序确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110787600.7A CN113239284B (zh) | 2021-07-13 | 2021-07-13 | 推荐信息的顺序确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113239284A CN113239284A (zh) | 2021-08-10 |
CN113239284B true CN113239284B (zh) | 2021-10-15 |
Family
ID=77135384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110787600.7A Active CN113239284B (zh) | 2021-07-13 | 2021-07-13 | 推荐信息的顺序确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239284B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063433A (zh) * | 2009-11-16 | 2011-05-18 | 华为技术有限公司 | 相关项推荐方法和装置 |
CN104715389A (zh) * | 2013-12-13 | 2015-06-17 | 腾讯科技(深圳)有限公司 | 一种信息处理方法、装置及系统 |
CN105868281A (zh) * | 2016-03-23 | 2016-08-17 | 西安电子科技大学 | 基于非支配排序多目标方法的位置感知推荐系统 |
US10568570B1 (en) * | 2019-02-14 | 2020-02-25 | Trungram Gyaltrul Sherpa | Methods and systems for providing a preferred fitness state of a user |
US10708370B2 (en) * | 2016-11-08 | 2020-07-07 | International Business Machines Corporation | Method and system for assigning privileges in an online community of news content readers and authors |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030140063A1 (en) * | 2001-12-17 | 2003-07-24 | Pizzorno Joseph E. | System and method for providing health care advice by diagnosing system function |
CN100581227C (zh) * | 2008-05-16 | 2010-01-13 | 华东师范大学 | 一种引入节目热门度权重的协作过滤推荐方法 |
CN102831234B (zh) * | 2012-08-31 | 2015-04-22 | 北京邮电大学 | 基于新闻内容和主题特征的个性化新闻推荐装置和方法 |
CN103258023B (zh) * | 2013-05-07 | 2016-08-31 | 百度在线网络技术(北京)有限公司 | 搜索候选词的推荐方法及搜索引擎 |
WO2015146207A1 (ja) * | 2014-03-25 | 2015-10-01 | ソニー株式会社 | サーバ、クライアント、制御方法、および記憶媒体 |
CN105335385B (zh) * | 2014-06-30 | 2019-09-17 | 珠海豹趣科技有限公司 | 一种基于项目的协同过滤推荐方法及装置 |
CN105550207B (zh) * | 2015-12-02 | 2021-02-09 | 阿里巴巴(中国)有限公司 | 一种信息推广方法及装置 |
CN105512341B (zh) * | 2015-12-31 | 2019-05-31 | 华南师范大学 | 基于大数据搜索的个性化推荐方法和系统 |
CN109961351B (zh) * | 2019-02-13 | 2023-02-07 | 平安科技(深圳)有限公司 | 信息推荐方法、装置、存储介质及计算机设备 |
-
2021
- 2021-07-13 CN CN202110787600.7A patent/CN113239284B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063433A (zh) * | 2009-11-16 | 2011-05-18 | 华为技术有限公司 | 相关项推荐方法和装置 |
CN104715389A (zh) * | 2013-12-13 | 2015-06-17 | 腾讯科技(深圳)有限公司 | 一种信息处理方法、装置及系统 |
CN105868281A (zh) * | 2016-03-23 | 2016-08-17 | 西安电子科技大学 | 基于非支配排序多目标方法的位置感知推荐系统 |
US10708370B2 (en) * | 2016-11-08 | 2020-07-07 | International Business Machines Corporation | Method and system for assigning privileges in an online community of news content readers and authors |
US10568570B1 (en) * | 2019-02-14 | 2020-02-25 | Trungram Gyaltrul Sherpa | Methods and systems for providing a preferred fitness state of a user |
Also Published As
Publication number | Publication date |
---|---|
CN113239284A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10162886B2 (en) | Embedding-based parsing of search queries on online social networks | |
US10185763B2 (en) | Syntactic models for parsing search queries on online social networks | |
US20190188285A1 (en) | Image Search with Embedding-based Models on Online Social Networks | |
CN103268317B (zh) | 对图像进行语义注释的系统和方法 | |
CN108776676B (zh) | 信息推荐方法、装置、计算机可读介质及电子设备 | |
AU2017324850A1 (en) | Similarity search using polysemous codes | |
CN110929052A (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
US20150161529A1 (en) | Identifying Related Events for Event Ticket Network Systems | |
CN109906450A (zh) | 用于通过相似性关联对电子信息排名的方法和装置 | |
WO2013138516A1 (en) | Publishing product information | |
CN110597962A (zh) | 搜索结果展示方法、装置、介质及电子设备 | |
CN110147494B (zh) | 信息搜索方法、装置,存储介质及电子设备 | |
US11874798B2 (en) | Smart dataset collection system | |
CN110765348B (zh) | 一种热词的推荐方法、装置、电子设备及存储介质 | |
CN111767738A (zh) | 一种标签校验方法、装置、设备和存储介质 | |
CN112395487A (zh) | 信息推荐方法、装置、计算机可读存储介质及电子设备 | |
CN111159563A (zh) | 用户兴趣点信息的确定方法、装置、设备及存储介质 | |
CN111209351A (zh) | 对象关系预测、对象推荐方法及装置、电子设备、介质 | |
CN116917887A (zh) | 使用基于注意力的排名系统的查询处理 | |
CN109635004B (zh) | 一种数据库的对象描述提供方法、装置及设备 | |
CN107944026A (zh) | 一种图集个性化推荐的方法、装置、服务器和存储介质 | |
CN112330387B (zh) | 一种应用于看房软件的虚拟经纪人 | |
EP3293696A1 (en) | Similarity search using polysemous codes | |
CN113239284B (zh) | 推荐信息的顺序确定方法及装置 | |
CN110727853A (zh) | 向用户呈现控制的异构数字内容 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210810 Assignee: Yidu Lehuo Network Technology Co.,Ltd. Assignor: WUHAN DOUYU YULE NETWORK TECHNOLOGY Co.,Ltd. Contract record no.: X2023980041383 Denomination of invention: Method and device for determining the order of recommended information Granted publication date: 20211015 License type: Common License Record date: 20230908 |