CN113240465A - 信息生成方法和装置 - Google Patents
信息生成方法和装置 Download PDFInfo
- Publication number
- CN113240465A CN113240465A CN202110509914.0A CN202110509914A CN113240465A CN 113240465 A CN113240465 A CN 113240465A CN 202110509914 A CN202110509914 A CN 202110509914A CN 113240465 A CN113240465 A CN 113240465A
- Authority
- CN
- China
- Prior art keywords
- label
- feature
- tag
- user
- prediction
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 230000006399 behavior Effects 0.000 claims description 39
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 230000008859 change Effects 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 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
- 230000018109 developmental process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—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
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了信息生成方法和装置,具体实现方案为:获取用户行为数据,对用户行为数据进行标注,确定用户行为数据对应的标签集;初始化标签集中各个标签的特征集,其中,特征集中的特征至少包括:标签的词频和标签所表征的物品的价值变现数据;将各个标签的特征集输入至预先训练的标签预测模型,生成预测后的各个标签的特征集和与预测后的各个标签的特征集对应的排序后的各个目标标签;基于各个目标标签与用户的历史操作的比对结果,生成与各个目标标签对应的用户的榜单信息。该方案实现了一种针对不同用户生成个性化榜单信息的方法。
Description
技术领域
本申请的实施例涉及计算机技术领域,具体涉及数据处理技术领域,尤其涉及信息生成方法和装置。
背景技术
随着计算机技术的发展,利用计算机技术和互联网技术提供的服务越来越丰富。热点营销通过整合资源,制造“热点新闻效应”的事件,以吸引媒体和社会公众的兴趣和注意,达到促进产品或服务销售的目的,越来越被广泛重视。目前主要通过手动配置近期的热点营销方案,并且主要根据当前各种品类的热点销售数据来设计方案,存在人工运营成本过重的问题,并且没有考虑到用户的个性化特征,无法向用户动态的展示当前的热点信息。
发明内容
本申请提供了一种信息生成方法、装置、设备以及存储介质。
根据本申请的第一方面,提供了一种信息生成方法,该方法包括:获取用户行为数据,对用户行为数据进行标注,确定用户行为数据对应的标签集,其中,标签集用于表征用户感兴趣的各个物品;初始化标签集中各个标签的特征集,其中,特征集中的特征至少包括:标签的词频和标签所表征的物品的价值变现数据;将各个标签的特征集输入至预先训练的标签预测模型,生成预测后的各个标签的特征集和与预测后的各个标签的特征集对应的排序后的各个目标标签,其中,标签预测模型包括:特征预测子模型和标签预测子模型,特征预测子模型用于表征基于当前标签的特征集中各个特征与历史数据中相应标签的各个特征之间的关系,对当前标签的特征集中各个特征的特征值进行预测,标签预测子模型用于表征基于预测后的各个标签特征集中的词频和相应价值变现数据,利用模型预测算法对用户感兴趣的热门物品进行预测,模型预测算法基于当前标签与相似标签在变换趋势上的关系而确定;基于各个目标标签与用户的历史操作的比对结果,生成与各个目标标签对应的用户的榜单信息。
在一些实施例中,标签预测子模型包括:第一子模型和第二子模型;将各个标签的特征集输入至预先训练的标签预测模型,生成预测后的各个标签的特征集和与预测后的各个标签的特征集对应的排序后的各个目标标签,包括:将各个标签的特征集输入至特征预测子模型,生成预测后的各个标签的特征集;将预测后的各个标签的特征集输入至第一子模型,生成与预测后的各个标签的特征集对应的各个预测标签,其中,第一子模型用于表征基于预测后的各个标签特征集中的词频和相应价值变现数据,利用第二模型预测算法对用户感兴趣的物品进行预测;将各个预测标签输入至第二子模型,生成与各个预测标签对应的排序后的各个目标标签,其中,第二子模型用于表征基于各个预测标签对应的价值变现数据值的排序对各个预测标签进行选取并对选取后的各个标签进行排序。
在一些实施例中,基于各个目标标签与用户的历史操作的比对结果,生成与各个目标标签对应的用户的榜单信息,包括:基于各个目标标签,对用户的历史操作进行聚类,提取历史操作中的各个兴趣特征标签,其中,提取用于表征基于用户偏好对历史操作中的各个特征标签进行选取;根据各个目标标签和各个兴趣特征标签,生成与各个目标标签和各个兴趣特征标签对应的用户的榜单信息,其中,榜单信息通过对与各个目标标签和各个兴趣特征标签对应榜单的类目进行扩展而生成。
在一些实施例中,在初始化标签集中各个标签的特征集之后,还包括:对标签集进行处理,得到处理后的标签集中各个标签的特征集,其中,处理用于表征从标签集的各个标签中选取同质标签。
在一些实施例中,方法还包括:将用户的榜单信息发送至客户端,以使用户在榜单信息对应的展示页面中触发下单指令。
在一些实施例中,用户的历史操作基于各个标签的特征集与历史操作的匹配结果而更新。
在一些实施例中,方法还包括:基于用户的榜单信息与产品的相关性,优化产品的结构和/或产品策略。
根据本申请的第二方面,提供了一种信息生成装置,装置包括:确定单元,被配置成获取用户行为数据,对用户行为数据进行标注,确定用户行为数据对应的标签集,其中,标签集用于表征用户感兴趣的各个物品;初始化单元,被配置成初始化标签集中各个标签的特征集,其中,特征集中的特征至少包括:标签的词频和标签所表征的物品的价值变现数据;预测单元,被配置成将各个标签的特征集输入至预先训练的标签预测模型,生成预测后的各个标签的特征集和与预测后的各个标签的特征集对应的排序后的各个目标标签,其中,标签预测模型包括:特征预测子模型和标签预测子模型,特征预测子模型用于表征基于当前标签的特征集中各个特征与历史数据中相应标签的各个特征之间的关系,对当前标签的特征集中各个特征的特征值进行预测,标签预测子模型用于表征基于预测后的各个标签特征集中的词频和相应价值变现数据,利用模型预测算法对用户感兴趣的热门物品进行预测,模型预测算法基于当前标签与相似标签在变换趋势上的关系而确定;生成单元,被配置成基于各个目标标签与用户的历史操作的比对结果,生成与各个目标标签对应的用户的榜单信息。
在一些实施例中,预测单元中的标签预测子模型包括:第一子模型和第二子模型;预测单元,包括:特征预测模块,被配置成将各个标签的特征集输入至特征预测子模型,生成预测后的各个标签的特征集;标签预测模块,被配置成将预测后的各个标签的特征集输入至第一子模型,生成与预测后的各个标签的特征集对应的各个预测标签,其中,第一子模型用于表征基于预测后的各个标签特征集中的词频和相应价值变现数据,利用第二模型预测算法对用户感兴趣的物品进行预测;标签选取模块,被配置成将各个预测标签输入至第二子模型,生成与各个预测标签对应的排序后的各个目标标签,其中,第二子模型用于表征基于各个预测标签对应的价值变现数据值的排序对各个预测标签进行选取并对选取后的各个标签进行排序。
在一些实施例中,生成单元,包括:提取模块,被配置成基于各个目标标签,对用户的历史操作进行聚类,提取历史操作中的各个兴趣特征标签,其中,提取用于表征基于用户偏好对历史操作中的各个特征标签进行选取;生成模块,被配置成根据各个目标标签和各个兴趣特征标签,生成与各个目标标签和各个兴趣特征标签对应的用户的榜单信息,其中,榜单信息通过对与各个目标标签和各个兴趣特征标签对应榜单的类目进行扩展而生成。
在一些实施例中,装置还包括:处理单元,被配置成对标签集进行处理,得到处理后的标签集中各个标签的特征集,其中,处理用于表征从标签集的各个标签中选取同质标签。
在一些实施例中,装置还包括:发送单元,被配置成将用户的榜单信息发送至客户端,以使用户在榜单信息对应的展示页面中触发下单指令。
在一些实施例中,用户的历史操作基于各个标签的特征集与历史操作的匹配结果而更新。
在一些实施例中,装置还包括:优化单元,被配置成基于用户的榜单信息与产品的相关性,优化产品的结构和/或产品策略。
根据本申请的第三方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,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如第一方面中任一实现方式描述的方法。
根据本申请的第四方面,本申请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,其特征在于,计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
根据本申请的技术采用获取用户行为数据,对用户行为数据进行标注,确定用户行为数据对应的标签集,初始化标签集中各个标签的特征集,其中,特征集中的特征至少包括:标签的词频和标签所表征的物品的价值变现数据,将各个标签的特征集输入至预先训练的标签预测模型,生成预测后的各个标签的特征集和与预测后的各个标签的特征集对应的排序后的各个目标标签,其中,标签预测模型包括:特征预测子模型和标签预测子模型,特征预测子模型用于表征基于当前标签的特征集中各个特征与历史数据中相应标签的各个特征之间的关系,对当前标签的特征集中各个特征的特征值进行预测,标签预测子模型用于表征基于预测后的各个标签特征集中的词频和相应价值变现数据,利用模型预测算法对用户感兴趣的热门物品进行预测,模型预测算法基于当前标签与相似标签在变换趋势上的关系而确定,基于各个目标标签与用户的历史操作的比对结果,生成与各个目标标签对应的用户的榜单信息,通过将用户感兴趣的物品转化为标签,基于标签特征,预测目标标签(即热门物品)排行,最终生成热门物品对应的用户榜单信息,实现了一种针对不同用户生成个性化榜单信息的方法。基于当前标签与相似标签在变换趋势上的关系来确定标签预测子模型的模型算法,提高了模型预测的效率。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。
图1是根据本申请的信息生成方法的第一实施例的示意图;
图2是可以实现本申请实施例的信息生成方法的场景图;
图3是根据本申请的信息生成方法的第二实施例的示意图;
图4是根据本申请的信息生成装置的一个实施例的结构示意图;
图5是用来实现本申请实施例的信息生成方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了根据本申请的信息生成方法的第一实施例的示意图100。该信息生成方法,包括以下步骤:
步骤101,获取用户行为数据,对用户行为数据进行标注,确定用户行为数据对应的标签集。
在本实施例中,执行主体可以通过有线连接或无线连接的方式从本地或远端实时地获取用户行为数据,对用户行为数据对应文本进行分词,对分词后的用户行为数据进行标注,确定用户行为数据对应的标签集。用户行为数据用于表征用户浏览物品时产生的各种行为数据,标签集用于表征用户感兴趣的各个物品的集合。需要指出的是,上述无线连接方式可以包括但不限于3G、4G、5G连接、WiFi连接、蓝牙连接、WiMAX连接、 Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
在本实施例的一些可选的实现方式中,方法还包括:对标签集进行处理,处理包括:将同义标签进行合并,进行统一标签处理,去除标签中与产品特点无关的无意义的词语。此方法整体提升了系统处理效率。
步骤102,初始化标签集中各个标签的特征集。
在本实施例中,执行主体可以基于步骤101生成的标签集,获取标签集中各个标签的特征集,并对各个标签的特征集中各个特征值进行初始化,特征集中的特征至少包括:标签的词频和标签所表征的物品的价值变现数据。价值变现数据可以为标签总体销量、标签平均销量(即单个物品销量)、标签销量比中的一种或几种。
在本实施例的一些可选的实现方式中,在初始化标签集中各个标签的特征集之后,还包括:对标签集进行处理,得到处理后的标签集中各个标签的特征集,其中,处理用于表征从标签集的各个标签中选取同质标签。根据同质标签进行数据处理,提高了数据处理的准确性和效率。
步骤103,将各个标签的特征集输入至预先训练的标签预测模型,生成预测后的各个标签的特征集和与预测后的各个标签的特征集对应的排序后的各个目标标签。
在本实施例中,执行主体可以将各个标签的特征集输入至预先训练的标签预测模型,生成预测后的各个标签的特征集和与预测后的各个标签的特征集对应的排序后的各个目标标签。标签预测模型包括:特征预测子模型和标签预测子模型,特征预测子模型用于表征基于当前标签的特征集中各个特征与历史数据中相应标签的各个特征之间的关系,对当前标签的特征集中各个特征的特征值进行预测,例如特征预测子模型为差分整合移动平均自回归模型,ARIMA模型,标签预测子模型用于表征基于预测后的各个标签特征集中的词频和相应价值变现数据,利用模型预测算法对用户感兴趣的热门物品进行预测,目标标签用于表征用户感兴趣的热门物品,模型预测算法基于当前标签与相似标签在变换趋势上的关系而确定。相似标签可以表征历史数据中与当前标签特征集中各个特征相似度最高的标签。当前标签的特征集中各个特征与历史数据中相应标签的各个特征之间的关系可以通过对用户所属人群进行划分来完成。标签预测模型除了基于标签的词频和价值变现数据以外,还可以从其他多个维度、多个渠道对目标标签进行预测。多维度可以指标签的频次、标签的销量比、标签的平均价格等。多渠道可以指数据来源的多渠道,这里的数据来源可以包括订单、曝光埋点、后台库、标签库等来源。
在本实施例的一些可选的实现方式中,标签预测子模型包括:第一子模型和第二子模型;将各个标签的特征集输入至预先训练的标签预测模型,生成预测后的各个标签的特征集和与预测后的各个标签的特征集对应的排序后的各个目标标签,包括:将各个标签的特征集输入至特征预测子模型,生成预测后的各个标签的特征集;将预测后的各个标签的特征集输入至第一子模型,生成与预测后的各个标签的特征集对应的各个预测标签,其中,第一子模型用于表征基于预测后的各个标签特征集中的词频和相应价值变现数据,利用第二模型预测算法对用户感兴趣的物品进行预测;将各个预测标签输入至第二子模型,生成与各个预测标签对应的排序后的各个目标标签,其中,第二子模型用于表征基于各个预测标签对应的价值变现数据值的排序对各个预测标签进行选取并对选取后的各个标签进行排序。通过将预测过程拆分后、分步有序地进行预测,提高了模型预测的精度和效率。
进一步举例说明,根据ARIMA模型算法,便利历史数据中与当前标签特征相同的标签,通过相似标签的历史变化特点预测当前标签特征集中各个特征的特征值,然后通过判断预测时间点的标签数据变化趋势,得到标签预测结果,即各个预测标签,最后根据标签预测结果,选出标签对应的物品销量靠前的n个标签,作为目标标签,即热门标签。
需要说明的是,上述执行主体可以存储有标签预测模型、特征预测子模型、标签预测子模型、第一子模型和第二子模型,标签预测模型、特征预测子模型、标签预测子模型、第一子模型和第二子模型可以基于历史数据预先训练得到,该标签预测模型、特征预测子模型、标签预测子模型、第一子模型和第二子模型例如可以是数据表或计算公式等,本实施例不对此方面内容做任何限定。技术人员可以根据实际需求,自行设定上述标签预测模型、特征预测子模型、标签预测子模型、第一子模型和第二子模型的模型结构,本公开的实施例对此不做限定。
步骤104,基于各个目标标签与用户的历史操作的比对结果,生成与各个目标标签对应的用户的榜单信息。
在本实施例中,执行主体可以基于各个目标标签与用户的历史操作的比对结果,生成与各个目标标签对应的用户的榜单信息。榜单信息用于表征向用户推荐的热门物品信息,各个物品的目标标签与用户的历史操作的比对结果可以通过对用户的所属人群进行划分来完成。历史操作数据包预先存储。例如,历史操作数据包中包括:近7天内,用户浏览过的任一物品SKU;近90天内,用户关注过任一物品SKU;用户对SKU所属品牌是偏好关系的各个物品;用户对SKU所属二级分类是偏好关系的各个物品;e、用户最近三个月内加入购物车的各个物品。在历史操作数据包中对以上各种物品进行加权排序。
在本实施例的一些可选的实现方式中,方法还包括:将用户的榜单信息发送至客户端,以使用户在榜单信息对应的展示页面中触发下单指令。用户点击榜单信息对应的展示页面,进行产品下单,从榜单到榜单进去的营销页面,形成了一个立体化沉浸式的营销场景,带入用户一种立体感的场景,增强用户的真实体验,更好的完成业务对用户的触达,运营价值更高。
在本实施例的一些可选的实现方式中,用户的历史操作基于各个标签的特征集与历史操作的匹配结果而更新。使历史操作数据始终保持最新状态,提高了更新之后信息生成的精准度。
在本实施例的一些可选的实现方式中,方法还包括:基于用户的榜单信息与产品的相关性,优化产品的结构和/或产品策略。根据榜单信息所产生的各种商品的销量,可以帮助商家优化产品结构及备货情况,降低运营成本,提高仓库使用效率。
继续参见图2,本实施例的信息生成方法200运行于服务器201中。当服务器201获取到用户行为数据,对用户行为数据进行标注,确定用户行为数据对应的标签集202,接着服务器201初始化标签集中各个标签的特征集203,然后服务器201将各个标签的特征集输入至预先训练的标签预测模型,生成预测后的各个标签的特征集和与预测后的各个标签的特征集对应的排序后的各个目标标签204,最后服务器201基于各个目标标签与用户的历史操作的比对结果,生成与各个目标标签对应的用户的榜单信息205。其中,特征集中的特征至少包括:标签的词频和标签所表征的物品的价值变现数据。标签预测模型包括:特征预测子模型和标签预测子模型,特征预测子模型用于表征基于当前标签的特征集中各个特征与历史数据中相应标签的各个特征之间的关系,对当前标签的特征集中各个特征的特征值进行预测,标签预测子模型用于表征基于预测后的各个标签特征集中的词频和相应价值变现数据,利用模型预测算法对用户感兴趣的热门物品进行预测,模型预测算法基于当前标签与相似标签在变换趋势上的关系而确定。
本申请的上述实施例提供的信息生成方法采用获取用户行为数据,对用户行为数据进行标注,确定用户行为数据对应的标签集,初始化标签集中各个标签的特征集,其中,特征集中的特征至少包括:标签的词频和标签所表征的物品的价值变现数据,将各个标签的特征集输入至预先训练的标签预测模型,生成预测后的各个标签的特征集和与预测后的各个标签的特征集对应的排序后的各个目标标签,其中,标签预测模型包括:特征预测子模型和标签预测子模型,特征预测子模型用于表征基于当前标签的特征集中各个特征与历史数据中相应标签的各个特征之间的关系,对当前标签的特征集中各个特征的特征值进行预测,标签预测子模型用于表征基于预测后的各个标签特征集中的词频和相应价值变现数据,利用模型预测算法对用户感兴趣的热门物品进行预测,模型预测算法基于当前标签与相似标签在变换趋势上的关系而确定,基于各个目标标签与用户的历史操作的比对结果,生成与各个目标标签对应的用户的榜单信息,通过将用户感兴趣的物品转化为标签,基于标签特征,预测目标标签(即热门物品)排行,最终生成热门物品对应的用户榜单信息,实现了一种针对不同用户生成个性化榜单信息的方法。基于当前标签与相似标签在变换趋势上的关系来确定标签预测子模型的模型算法,提高了模型预测的效率。
进一步参考图3,其示出了信息生成方法的第二实施例的示意图300。该方法的流程包括以下步骤:
步骤301,获取用户行为数据,对用户行为数据进行标注,确定用户行为数据对应的标签集。
步骤302,初始化标签集中各个标签的特征集。
步骤303,将各个标签的特征集输入至预先训练的标签预测模型,生成预测后的各个标签的特征集和与预测后的各个标签的特征集对应的排序后的各个目标标签。
步骤304,基于各个目标标签,对用户的历史操作进行聚类,提取历史操作中的各个兴趣特征标签。
在本实施例中,执行主体可以基于各个目标标签,对用户的历史操作进行聚类,提取历史操作中的各个兴趣特征标签。提取用于表征基于用户偏好对历史操作中的各个特征标签进行选取。
步骤305,根据各个目标标签和各个兴趣特征标签,生成与各个目标标签和各个兴趣特征标签对应的用户的榜单信息。
在本实施例中,执行主体可以根据各个目标标签和各个兴趣特征标签,生成与各个目标标签和各个兴趣特征标签对应的用户的榜单信息。榜单信息通过对与各个目标标签和各个兴趣特征标签对应榜单的类目进行扩展而生成,比如,榜单信息对与各个目标标签和各个兴趣特征标签对应榜单进行关联类目扩展,同时结合运营侧计划投放的一些活动,抽取设置榜单条目标题,设置条目对应的运营活动跳转链接、无链接设置标签对应的搜索词,形成榜单信息。
在本实施例中,步骤301~303的具体操作与图1所示的实施例中的步骤101~103的操作基本相同,在此不再赘述。
从图3中可以看出,与图1对应的实施例相比,本实施例中的信息生成方法的示意图300采用基于各个目标标签,对用户的历史操作进行聚类,提取历史操作中的各个兴趣特征标签,根据各个目标标签和各个兴趣特征标签,生成与各个目标标签和各个兴趣特征标签对应的用户的榜单信息。结合用户兴趣生成个性化的热点榜单,使得热点营销更加精准而富有针对性,增加用户粘性。通过聚类分析得到用户兴趣特征和兴趣分布,丰富了用户画像。
进一步参考图4,作为对上述图1~3所示方法的实现,本申请提供了一种信息生成装置的一个实施例,该装置实施例与图1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,本实施例的信息生成装置400包括:确定单元401、初始化单元402、预测单元403和生成单元404,其中,确定单元,被配置成获取用户行为数据,对用户行为数据进行标注,确定用户行为数据对应的标签集,其中,标签集用于表征用户感兴趣的各个物品;初始化单元,被配置成初始化标签集中各个标签的特征集,其中,特征集中的特征至少包括:标签的词频和标签所表征的物品的价值变现数据;预测单元,被配置成将各个标签的特征集输入至预先训练的标签预测模型,生成预测后的各个标签的特征集和与预测后的各个标签的特征集对应的排序后的各个目标标签,其中,标签预测模型包括:特征预测子模型和标签预测子模型,特征预测子模型用于表征基于当前标签的特征集中各个特征与历史数据中相应标签的各个特征之间的关系,对当前标签的特征集中各个特征的特征值进行预测,标签预测子模型用于表征基于预测后的各个标签特征集中的词频和相应价值变现数据,利用模型预测算法对用户感兴趣的热门物品进行预测,模型预测算法基于当前标签与相似标签在变换趋势上的关系而确定;生成单元,被配置成基于各个目标标签与用户的历史操作的比对结果,生成与各个目标标签对应的用户的榜单信息。
在本实施例中,信息生成装置400的确定单元401、初始化单元402、预测单元403和生成单元404的具体处理及其所带来的技术效果可分别参考图1对应的实施例中的步骤101到步骤104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,预测单元中的标签预测子模型包括:第一子模型和第二子模型;预测单元,包括:特征预测模块,被配置成将各个标签的特征集输入至特征预测子模型,生成预测后的各个标签的特征集;标签预测模块,被配置成将预测后的各个标签的特征集输入至第一子模型,生成与预测后的各个标签的特征集对应的各个预测标签,其中,第一子模型用于表征基于预测后的各个标签特征集中的词频和相应价值变现数据,利用第二模型预测算法对用户感兴趣的物品进行预测;标签选取模块,被配置成将各个预测标签输入至第二子模型,生成与各个预测标签对应的排序后的各个目标标签,其中,第二子模型用于表征基于各个预测标签对应的价值变现数据值的排序对各个预测标签进行选取并对选取后的各个标签进行排序。
在本实施例的一些可选的实现方式中,生成单元,包括:提取模块,被配置成基于各个目标标签,对用户的历史操作进行聚类,提取历史操作中的各个兴趣特征标签,其中,提取用于表征基于用户偏好对历史操作中的各个特征标签进行选取;生成模块,被配置成根据各个目标标签和各个兴趣特征标签,生成与各个目标标签和各个兴趣特征标签对应的用户的榜单信息,其中,榜单信息通过对与各个目标标签和各个兴趣特征标签对应榜单的类目进行扩展而生成。
在本实施例的一些可选的实现方式中,装置还包括:处理单元,被配置成对标签集进行处理,得到处理后的标签集中各个标签的特征集,其中,处理用于表征从标签集的各个标签中选取同质标签。
在本实施例的一些可选的实现方式中,装置还包括:发送单元,被配置成将用户的榜单信息发送至客户端,以使用户在榜单信息对应的展示页面中触发下单指令。
在本实施例的一些可选的实现方式中,用户的历史操作基于各个标签的特征集与历史操作的匹配结果而更新。
在本实施例的一些可选的实现方式中,装置还包括:优化单元,被配置成基于用户的榜单信息与产品的相关性,优化产品的结构和/或产品策略。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图5所示,是根据本申请实施例的信息生成方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示,该电子设备包括:一个或多个处理器501、存储器502,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501 为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的信息生成方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的信息生成方法。
存储器502作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的信息生成方法对应的程序指令/模块(例如,附图4所示的确定单元401、初始化单元402、预测单元403和生成单元404)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及信息生成,即实现上述方法实施例中的信息生成方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据信息生成电子设备的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器502 可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至信息生成电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
信息生成方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与信息生成电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如, LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处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、专用ASIC(专用集成电路)、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。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和 /或数据提供给可编程处理器的任何信号。
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。
根据本申请实施例的技术方案采用获取用户行为数据,对用户行为数据进行标注,确定用户行为数据对应的标签集,初始化标签集中各个标签的特征集,其中,特征集中的特征至少包括:标签的词频和标签所表征的物品的价值变现数据,将各个标签的特征集输入至预先训练的标签预测模型,生成预测后的各个标签的特征集和与预测后的各个标签的特征集对应的排序后的各个目标标签,其中,标签预测模型包括:特征预测子模型和标签预测子模型,特征预测子模型用于表征基于当前标签的特征集中各个特征与历史数据中相应标签的各个特征之间的关系,对当前标签的特征集中各个特征的特征值进行预测,标签预测子模型用于表征基于预测后的各个标签特征集中的词频和相应价值变现数据,利用模型预测算法对用户感兴趣的热门物品进行预测,模型预测算法基于当前标签与相似标签在变换趋势上的关系而确定,基于各个目标标签与用户的历史操作的比对结果,生成与各个目标标签对应的用户的榜单信息,通过将用户感兴趣的物品转化为标签,基于标签特征,预测目标标签(即热门物品)排行,最终生成热门物品对应的用户榜单信息,实现了一种针对不同用户生成个性化榜单信息的方法。基于当前标签与相似标签在变换趋势上的关系来确定标签预测子模型的模型算法,提高了模型预测的效率。
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,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (12)
1.一种信息生成方法,所述方法包括:
获取用户行为数据,对所述用户行为数据进行标注,确定所述用户行为数据对应的标签集,其中,所述标签集用于表征所述用户感兴趣的各个物品;
初始化所述标签集中各个标签的特征集,其中,所述特征集中的特征至少包括:标签的词频和标签所表征的物品的价值变现数据;
将所述各个标签的特征集输入至预先训练的标签预测模型,生成预测后的所述各个标签的特征集和与预测后的所述各个标签的特征集对应的排序后的各个目标标签,其中,所述标签预测模型包括:特征预测子模型和标签预测子模型,所述特征预测子模型用于表征基于当前标签的特征集中各个特征与历史数据中相应标签的各个特征之间的关系,对当前标签的特征集中各个特征的特征值进行预测,所述标签预测子模型用于表征基于预测后的各个标签特征集中的所述词频和相应所述价值变现数据,利用模型预测算法对所述用户感兴趣的热门物品进行预测,所述模型预测算法基于当前标签与相似标签在变换趋势上的关系而确定;
基于所述各个目标标签与所述用户的历史操作的比对结果,生成与所述各个目标标签对应的所述用户的榜单信息。
2.根据权利要求1所述方法,其中,所述标签预测子模型包括:第一子模型和第二子模型;所述将所述各个标签的特征集输入至预先训练的标签预测模型,生成预测后的所述各个标签的特征集和与预测后的所述各个标签的特征集对应的排序后的各个目标标签,包括:
将所述各个标签的特征集输入至特征预测子模型,生成预测后的所述各个标签的特征集;
将预测后的所述各个标签的特征集输入至第一子模型,生成与预测后的所述各个标签的特征集对应的各个预测标签,其中,所述第一子模型用于表征基于预测后的各个标签特征集中的所述词频和相应所述价值变现数据,利用第二模型预测算法对所述用户感兴趣的物品进行预测;
将所述各个预测标签输入至第二子模型,生成与所述各个预测标签对应的排序后的各个目标标签,其中,所述第二子模型用于表征基于所述各个预测标签对应的价值变现数据值的排序对所述各个预测标签进行选取并对选取后的各个标签进行排序。
3.根据权利要求1所述方法,其中,所述基于所述各个目标标签与所述用户的历史操作的比对结果,生成与所述各个目标标签对应的所述用户的榜单信息,包括:
基于所述各个目标标签,对所述用户的历史操作进行聚类,提取所述历史操作中的各个兴趣特征标签,其中,所述提取用于表征基于所述用户偏好对所述历史操作中的各个特征标签进行选取;
根据所述各个目标标签和所述各个兴趣特征标签,生成与所述各个目标标签和所述各个兴趣特征标签对应的所述用户的榜单信息,其中,所述榜单信息通过对与所述各个目标标签和所述各个兴趣特征标签对应榜单的类目进行扩展而生成。
4.根据权利要求1所述方法,其中,在所述初始化所述标签集中各个标签的特征集之后,还包括:
对所述标签集进行处理,得到处理后的所述标签集中各个标签的特征集,其中,所述处理用于表征从所述标签集的各个标签中选取同质标签。
5.根据权利要求1所述方法,还包括:
将所述用户的榜单信息发送至所述客户端,以使所述用户在所述榜单信息对应的展示页面中触发下单指令。
6.根据权利要求1所述方法,其中,所述用户的历史操作基于所述各个标签的特征集与所述历史操作的匹配结果而更新。
7.根据权利要求1所述方法,还包括:
基于所述用户的榜单信息与产品的相关性,优化产品的结构和/或产品策略。
8.一种信息生成装置,所述装置包括:
确定单元,被配置成获取用户行为数据,对所述用户行为数据进行标注,确定所述用户行为数据对应的标签集,其中,所述标签集用于表征所述用户感兴趣的各个物品;
初始化单元,被配置成初始化所述标签集中各个标签的特征集,其中,所述特征集中的特征至少包括:标签的词频和标签所表征的物品的价值变现数据;
预测单元,被配置成将所述各个标签的特征集输入至预先训练的标签预测模型,生成预测后的所述各个标签的特征集和与预测后的所述各个标签的特征集对应的排序后的各个目标标签,其中,所述标签预测模型包括:特征预测子模型和标签预测子模型,所述特征预测子模型用于表征基于当前标签的特征集中各个特征与历史数据中相应标签的各个特征之间的关系,对当前标签的特征集中各个特征的特征值进行预测,所述标签预测子模型用于表征基于预测后的各个标签特征集中的所述词频和相应所述价值变现数据,利用模型预测算法对所述用户感兴趣的热门物品进行预测,所述模型预测算法基于当前标签与相似标签在变换趋势上的关系而确定;
生成单元,被配置成基于所述各个目标标签与所述用户的历史操作的比对结果,生成与所述各个目标标签对应的所述用户的榜单信息。
9.根据权利要求8所述装置,其中,所述预测单元中的所述标签预测子模型包括:第一子模型和第二子模型;所述预测单元,包括:
特征预测模块,被配置成将所述各个标签的特征集输入至特征预测子模型,生成预测后的所述各个标签的特征集;
标签预测模块,被配置成将预测后的所述各个标签的特征集输入至第一子模型,生成与预测后的所述各个标签的特征集对应的各个预测标签,其中,所述第一子模型用于表征基于预测后的各个标签特征集中的所述词频和相应所述价值变现数据,利用第二模型预测算法对所述用户感兴趣的物品进行预测;
标签选取模块,被配置成将所述各个预测标签输入至第二子模型,生成与所述各个预测标签对应的排序后的各个目标标签,其中,所述第二子模型用于表征基于所述各个预测标签对应的价值变现数据值的排序对所述各个预测标签进行选取并对选取后的各个标签进行排序。
10.根据权利要求8所述装置,其中,所述生成单元,包括:
提取模块,被配置成基于所述各个目标标签,对所述用户的历史操作进行聚类,提取所述历史操作中的各个兴趣特征标签,其中,所述提取用于表征基于所述用户偏好对所述历史操作中的各个特征标签进行选取;
生成模块,被配置成根据所述各个目标标签和所述各个兴趣特征标签,生成与所述各个目标标签和所述各个兴趣特征标签对应的所述用户的榜单信息,其中,所述榜单信息通过对与所述各个目标标签和所述各个兴趣特征标签对应榜单的类目进行扩展而生成。
11.一种电子设备,其特征在于,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。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110509914.0A CN113240465B (zh) | 2021-05-11 | 2021-05-11 | 信息生成方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110509914.0A CN113240465B (zh) | 2021-05-11 | 2021-05-11 | 信息生成方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113240465A true CN113240465A (zh) | 2021-08-10 |
CN113240465B CN113240465B (zh) | 2024-07-19 |
Family
ID=77133426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110509914.0A Active CN113240465B (zh) | 2021-05-11 | 2021-05-11 | 信息生成方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240465B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729937A (zh) * | 2017-10-12 | 2018-02-23 | 北京京东尚科信息技术有限公司 | 用于确定用户兴趣标签的方法及装置 |
US10002375B1 (en) * | 2014-06-10 | 2018-06-19 | Amazon Technologies, Inc. | Hashtag shopping and rating |
CN108230009A (zh) * | 2017-11-30 | 2018-06-29 | 北京三快在线科技有限公司 | 一种用户偏好的预测方法及装置,电子设备 |
CN109389182A (zh) * | 2018-10-31 | 2019-02-26 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
US20200151748A1 (en) * | 2018-11-14 | 2020-05-14 | Walmart Apollo, Llc | Feature-based item similarity and forecasting system |
CN112200601A (zh) * | 2020-09-11 | 2021-01-08 | 深圳市法本信息技术股份有限公司 | 物品推荐方法、装置及可读存储介质 |
CN112288483A (zh) * | 2020-10-29 | 2021-01-29 | 北京沃东天骏信息技术有限公司 | 用于训练模型的方法和装置、用于生成信息的方法和装置 |
CN112328896A (zh) * | 2020-11-26 | 2021-02-05 | 北京百度网讯科技有限公司 | 用于输出信息的方法、装置、电子设备和介质 |
CN112330382A (zh) * | 2020-05-28 | 2021-02-05 | 北京沃东天骏信息技术有限公司 | 物品推荐方法、装置、计算设备和介质 |
-
2021
- 2021-05-11 CN CN202110509914.0A patent/CN113240465B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10002375B1 (en) * | 2014-06-10 | 2018-06-19 | Amazon Technologies, Inc. | Hashtag shopping and rating |
CN107729937A (zh) * | 2017-10-12 | 2018-02-23 | 北京京东尚科信息技术有限公司 | 用于确定用户兴趣标签的方法及装置 |
CN108230009A (zh) * | 2017-11-30 | 2018-06-29 | 北京三快在线科技有限公司 | 一种用户偏好的预测方法及装置,电子设备 |
CN109389182A (zh) * | 2018-10-31 | 2019-02-26 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
US20200151748A1 (en) * | 2018-11-14 | 2020-05-14 | Walmart Apollo, Llc | Feature-based item similarity and forecasting system |
CN112330382A (zh) * | 2020-05-28 | 2021-02-05 | 北京沃东天骏信息技术有限公司 | 物品推荐方法、装置、计算设备和介质 |
CN112200601A (zh) * | 2020-09-11 | 2021-01-08 | 深圳市法本信息技术股份有限公司 | 物品推荐方法、装置及可读存储介质 |
CN112288483A (zh) * | 2020-10-29 | 2021-01-29 | 北京沃东天骏信息技术有限公司 | 用于训练模型的方法和装置、用于生成信息的方法和装置 |
CN112328896A (zh) * | 2020-11-26 | 2021-02-05 | 北京百度网讯科技有限公司 | 用于输出信息的方法、装置、电子设备和介质 |
Non-Patent Citations (2)
Title |
---|
朱雨晗;: "基于用户兴趣标签的混合推荐方法", 电子制作, no. 22 * |
郭雪梅;: "基于社会化标签的用户标注行为和时间因素的个性化推荐方法研究", 情报科学, no. 02 * |
Also Published As
Publication number | Publication date |
---|---|
CN113240465B (zh) | 2024-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6967612B2 (ja) | 情報検索方法、装置及びシステム | |
CN109918662B (zh) | 一种电子资源的标签确定方法、装置和可读介质 | |
CN112261423B (zh) | 用于推送信息的方法、装置、设备以及存储介质 | |
CN105718184A (zh) | 一种数据处理方法和装置 | |
CN111339406B (zh) | 个性化推荐方法、装置、设备及存储介质 | |
CN112163676A (zh) | 多任务服务预测模型训练方法、装置、设备以及存储介质 | |
CN111800493A (zh) | 信息内容推送方法、装置、电子设备和存储介质 | |
WO2015187661A1 (en) | Systems and methods for serving product recommendations | |
US20140123001A1 (en) | User displays using n-way paginated merge of information from diverse sources | |
US10614101B2 (en) | Virtual agent for improving item identification using natural language processing and machine learning techniques | |
CN111787042B (zh) | 用于推送信息的方法和装置 | |
CN112765478A (zh) | 用于推荐内容的方法、装置、设备、介质和程序产品 | |
CN113781149A (zh) | 信息推荐方法、装置、计算机可读存储介质及电子设备 | |
CN111563198A (zh) | 一种物料召回方法、装置、设备及存储介质 | |
CN112541145B (zh) | 一种页面展现方法、装置、设备及存储介质 | |
US12062060B2 (en) | Method and device for processing user interaction information | |
CN111753195A (zh) | 标签体系构建方法、装置、设备以及存储介质 | |
CN113240465B (zh) | 信息生成方法和装置 | |
US12008054B2 (en) | Systems and methods for determining and utilizing search token importance using machine learning architectures | |
CN112559853B (zh) | 用户标签的生成方法和装置 | |
US11361044B2 (en) | Event-based search engine | |
CN112906399A (zh) | 确定情绪状态的方法、装置、设备和存储介质 | |
CN111199287A (zh) | 一种特征工程实时推荐方法、装置及电子设备 | |
CN113763098B (zh) | 用于确定物品的方法和装置 | |
CN111316309A (zh) | 电子清单用户接口 |
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 |