CN113312513A - 对象的推荐方法和装置、电子设备和存储介质 - Google Patents
对象的推荐方法和装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113312513A CN113312513A CN202110853630.3A CN202110853630A CN113312513A CN 113312513 A CN113312513 A CN 113312513A CN 202110853630 A CN202110853630 A CN 202110853630A CN 113312513 A CN113312513 A CN 113312513A
- Authority
- CN
- China
- Prior art keywords
- information
- preference
- recommended
- user
- objects
- 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 65
- 239000011159 matrix material Substances 0.000 claims description 81
- 238000012545 processing Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 48
- 238000010438 heat treatment Methods 0.000 description 9
- 238000005034 decoration Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/735—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/738—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
- 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
- G06F16/957—Browsing optimisation, e.g. caching or content distillation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例公开了一种对象的推荐方法和装置、电子设备和存储介质,其中,方法包括:获取用户对视频直播模式的展示空间内所展示历史对象的偏好对象信息,其中,偏好对象信息为根据用户基于视频直播模式的展示空间的历史行为数据获得;根据偏好对象信息和待推荐的至少一个推荐对象的基本属性数据,构建用户对至少一个推荐对象的倾向对象信息;根据倾向对象信息,向用户提供至少一个推荐对象中倾向对象的对象推荐者在视频直播模式的展示空间内的对象展示信息,以供用户根据对象展示信息观看对象推荐者在视频直播模式的展示空间内所提供的展示内容。本公开实施例实现了直播模式的推荐可靠性和推荐效率的提高。
Description
技术领域
本公开涉及数据处理技术,尤其是一种对象的推荐方法和装置、电子设备和存储介质。
背景技术
随着城市规模的不断发展,城市内的找房、租房、用房的需求在不断增加,为了对用户进行更好的服务,引入了直播模式以辅助用户进行房源的选择。直播模式作为一种新兴的房源推荐方式,可以大大节省经纪人(即对象推荐者)带看用户的成本。
然而,随着直播模式的推荐数量的日益增多,用户很难从中选择出符合预期的直播,从而导致用户对直播的满意度较低,无法达到直播推荐的预期效果。因此,亟需提高直播模式的推荐可靠性和推荐效率。通过直播模式展示产品技术、项目咨询、产品买卖等其他对象也存在类似问题。
发明内容
本公开实施例提供一种对象的推荐方法和装置、电子设备和存储介质,以提高直播模式的推荐可靠性和推荐效率。
本公开实施例的一个方面,提供的一种对象的推荐方法,包括:
获取用户对视频直播模式的展示空间内所展示历史对象的偏好对象信息,其中,所述偏好对象信息为根据所述用户基于所述视频直播模式的展示空间的历史行为数据获得;
根据所述偏好对象信息和待推荐的至少一个推荐对象的基本属性数据,构建所述用户对所述至少一个推荐对象的倾向对象信息;
根据所述倾向对象信息,向所述用户提供所述至少一个推荐对象中倾向对象的对象推荐者在所述视频直播模式的展示空间内的对象展示信息,以供所述用户根据所述对象展示信息观看所述对象推荐者在所述视频直播模式的展示空间内所提供的展示内容。
在基于本公开上述方法的任一实施例中,所述方法还包括:
获取所述用户基于所述视频直播模式的展示空间的历史行为数据;
根据所述历史行为数据,获得所述用户对所述视频直播模式的展示空间内所展示历史对象中各历史对象的偏好信息,以作为所述偏好对象信息。
在基于本公开上述方法的任一实施例中,所述根据所述历史行为数据,获得所述用户对所述视频直播模式的展示空间内所展示历史对象中各历史对象的偏好信息,以作为所述偏好对象信息,包括:
根据所述历史行为数据,生成所述用户的行为矩阵;
对所述用户的行为矩阵进行归一化处理,以获得归一化矩阵;
根据所述归一化矩阵,获得所述用户对所述视频直播模式的展示空间内所展示历史对象中各历史对象的偏好信息;
根据所述各历史对象的偏好信息,选择第一指定数量的历史对象,以作为偏好对象;
根据所述偏好对象的偏好信息,获得所述偏好对象信息。
在基于本公开上述方法的任一实施例中,所述根据所述各历史对象的偏好信息,选择第一指定数量的历史对象,以作为偏好对象,包括:
根据所述各历史对象的偏好信息,对所述各历史对象进行筛选处理,以选择所述第一指定数量的历史对象作为所述偏好对象。
在基于本公开上述方法的任一实施例中,所述根据所述偏好对象信息和待推荐的至少一个推荐对象的基本属性数据,构建所述用户对所述至少一个推荐对象的倾向对象信息,包括:
根据所述偏好对象信息,获得所述偏好对象信息所对应的历史对象的基本属性数据;
根据所述偏好对象信息、所述偏好对象信息所对应的历史对象的基本属性数据和待推荐的至少一个推荐对象的基本属性数据,获得所述至少一个推荐对象中各推荐对象与所述偏好对象信息所对应的各历史对象之间的一个相似性参数;
根据所述相似性参数,构建所述用户对所述至少一个推荐对象的倾向对象信息。
在基于本公开上述方法的任一实施例中,所述根据所述偏好对象信息、所述偏好对象信息所对应的历史对象的基本属性数据和待推荐的至少一个推荐对象的基本属性数据,获得所述至少一个推荐对象中各推荐对象与所述偏好对象信息所对应的各历史对象之间的一个相似性参数,包括:
根据所述偏好对象信息所对应的历史对象的基本属性数据,生成所述偏好对象信息所对应的历史对象的属性矩阵;
根据所述至少一个推荐对象的基本属性数据,生成所述至少一个推荐对象的属性矩阵;
根据所述偏好对象信息、所述偏好对象信息所对应的历史对象的属性矩阵和所述至少一个推荐对象的属性矩阵,获得所述至少一个推荐对象中各推荐对象与所述偏好对象信息所对应的各历史对象之间的一个相似性参数。
在基于本公开上述方法的任一实施例中,所述根据所述相似性参数,构建所述用户对所述至少一个推荐对象的倾向对象信息,包括:
根据所述相似性参数,选择第二指定数量的推荐对象,以作为所述倾向对象;
根据所述倾向对象的相似性参数,获得所述倾向对象信息。
在基于本公开上述方法的任一实施例中,所述根据所述倾向对象信息,向所述用户提供所述至少一个推荐对象中倾向对象的对象推荐者在所述视频直播模式的展示空间内的对象展示信息,包括:
根据所述倾向对象信息,对所述至少一个推荐对象中倾向对象进行排序处理,以获得经过排序的倾向对象;
根据经过排序的倾向对象,对提供所述倾向对象的对象推荐者进行排序处理,以获得经过排序的对象推荐者;
向所述用户提供经过排序的对象推荐者在所述视频直播模式的展示空间内的对象展示信息。
在基于本公开上述方法的任一实施例中,所述根据经过排序的倾向对象,对提供所述倾向对象的对象推荐者进行排序处理,以获得经过排序的对象推荐者,包括:
根据提供所述倾向对象的对象推荐者在所述视频直播模式的展示空间内的对象展示信息,确定提供所述倾向对象的对象推荐者的直播时间信息、直播状态信息、历史直播信息以及当前直播信息中的至少一项;
根据经过排序的倾向对象和提供所述倾向对象的对象推荐者的直播时间信息、直播状态信息、历史直播信息以及当前直播信息中的至少一项,对提供所述倾向对象的对象推荐者进行排序处理,以获得经过排序的对象推荐者。
本公开实施例的另一个方面,提供的一种对象的推荐装置,包括:
偏好单元,用于获取用户对视频直播模式的展示空间内所展示历史对象的偏好对象信息,其中,所述偏好对象信息为根据所述用户基于所述视频直播模式的展示空间的历史行为数据获得;
构建单元,用于根据所述偏好对象信息和待推荐的至少一个推荐对象的基本属性数据,构建所述用户对所述至少一个推荐对象的倾向对象信息;
输出单元,用于根据所述倾向对象信息,向所述用户提供所述至少一个推荐对象中倾向对象的对象推荐者在所述视频直播模式的展示空间内的对象展示信息,以供所述用户根据所述对象展示信息观看所述对象推荐者在所述视频直播模式的展示空间内所提供的展示内容。
在基于本公开上述装置的任一实施例中,所述偏好单元,具体用于:
获取所述用户基于所述视频直播模式的展示空间的历史行为数据;以及
根据所述历史行为数据,获得所述用户对所述视频直播模式的展示空间内所展示历史对象中各历史对象的偏好信息,以作为所述偏好对象信息。
在基于本公开上述装置的任一实施例中,所述偏好单元,具体用于:
根据所述历史行为数据,生成所述用户的行为矩阵;
对所述用户的行为矩阵进行归一化处理,以获得归一化矩阵;
根据所述归一化矩阵,获得所述用户对所述视频直播模式的展示空间内所展示历史对象中各历史对象的偏好信息;
根据所述各历史对象的偏好信息,选择第一指定数量的历史对象,以作为偏好对象;以及
根据所述偏好对象的偏好信息,获得所述偏好对象信息。
在基于本公开上述装置的任一实施例中,所述偏好单元,具体用于:
根据所述各历史对象的偏好信息,对所述各历史对象进行筛选处理,以选择所述第一指定数量的历史对象作为所述偏好对象。
在基于本公开上述装置的任一实施例中,所述构建单元,具体用于:
根据所述偏好对象信息,获得所述偏好对象信息所对应的历史对象的基本属性数据;
根据所述偏好对象信息、所述偏好对象信息所对应的历史对象的基本属性数据和待推荐的至少一个推荐对象的基本属性数据,获得所述至少一个推荐对象中各推荐对象与所述偏好对象信息所对应的各历史对象之间的一个相似性参数;以及
根据所述相似性参数,构建所述用户对所述至少一个推荐对象的倾向对象信息。
在基于本公开上述装置的任一实施例中,所述构建单元,具体用于:
根据所述偏好对象信息所对应的历史对象的基本属性数据,生成所述偏好对象信息所对应的历史对象的属性矩阵;
根据所述至少一个推荐对象的基本属性数据,生成所述至少一个推荐对象的属性矩阵;以及
根据所述偏好对象信息、所述偏好对象信息所对应的历史对象的属性矩阵和所述至少一个推荐对象的属性矩阵,获得所述至少一个推荐对象中各推荐对象与所述偏好对象信息所对应的各历史对象之间的一个相似性参数。
在基于本公开上述装置的任一实施例中,所述输出单元,具体用于:
根据所述倾向对象信息,对所述至少一个推荐对象中倾向对象进行排序处理,以获得经过排序的倾向对象;
根据经过排序的倾向对象,对提供所述倾向对象的对象推荐者进行排序处理,以获得经过排序的对象推荐者;以及
向所述用户提供经过排序的对象推荐者在所述视频直播模式的展示空间内的对象展示信息。
在基于本公开上述装置的任一实施例中,所述输出单元,具体用于:
根据提供所述倾向对象的对象推荐者在所述视频直播模式的展示空间内的对象展示信息,确定提供所述倾向对象的对象推荐者的直播时间信息、直播状态信息、历史直播信息以及当前直播信息中的至少一项;以及
根据经过排序的倾向对象和提供所述倾向对象的对象推荐者的直播时间信息、直播状态信息、历史直播信息以及当前直播信息中的至少一项,对提供所述倾向对象的对象推荐者进行排序处理,以获得经过排序的对象推荐者。
本公开实施例的又一个方面,提供一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述存储器中存储的计算机程序,且所述计算机程序被执行时,实现本公开上述任一实施例所述的方法。
本公开实施例的再一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现本公开上述任一实施例所述的方法。
基于本公开上述实施例提供的对象的推荐方法和装置、电子设备和存储介质,通过获取用户对视频直播模式的展示空间内所展示历史对象的偏好对象信息,其中,所述偏好对象信息为根据所述用户基于所述视频直播模式的展示空间的历史行为数据获得,进而,根据所述偏好对象信息和待推荐的至少一个推荐对象的基本属性数据,构建所述用户对所述至少一个推荐对象的倾向对象信息,使得能够根据所述倾向对象信息,向所述用户提供所述至少一个推荐对象中倾向对象的对象推荐者在所述视频直播模式的展示空间内的对象展示信息,以供所述用户根据所述对象展示信息观看所述对象推荐者在所述视频直播模式的展示空间内所提供的展示内容。本公开实施例可以综合基于用户基于视频直播模式的展示空间的历史行为数据所获得的用户对视频直播模式的展示空间内所展示历史对象的偏好对象信息和对象推荐者在所述视频直播模式的展示空间内所提供的展示内容,来为用户推荐相应的视频直播模式的展示空间内的对象展示信息,从而实现了用户根据所述对象展示信息观看所述对象推荐者在所述视频直播模式的展示空间内所提供的展示内容,从而提高了直播模式的推荐可靠性和推荐效率。
下面通过附图和实施例,对本公开的技术方案做进一步的详细描述。
附图说明
构成说明书的一部分的附图描述了本公开的实施例,并且连同描述一起用于解释本公开的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本公开,其中:
图1为本公开对象的推荐方法一个实施例的流程图;
图2为本公开对象的推荐装置一个实施例的结构示意图;
图3为本公开电子设备一个应用实施例的结构示意图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
本领域技术人员可以理解,本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等,既不代表任何特定技术含义,也不表示它们之间的必然逻辑顺序。
还应理解,在本公开实施例中,“多个”可以指两个或两个以上,“至少一个”可以指一个、两个或两个以上。
还应理解,对于本公开实施例中提及的任一部件、数据或结构,在没有明确限定或者在前后文给出相反启示的情况下,一般可以理解为一个或多个。
另外,本公开中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本公开中字符“/”,一般表示前后关联对象是一种“或”的关系。
还应理解,本公开对各个实施例的描述着重强调各个实施例之间的不同之处,其相同或相似之处可以相互参考,为了简洁,不再一一赘述。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备,其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境,等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
图1为本公开对象的推荐方法一个实施例的流程图。如图1所示,该实施例对象的推荐方法包括:
101、获取用户对视频直播模式的展示空间内所展示历史对象的偏好对象信息,其中,所述偏好对象信息为根据所述用户基于所述视频直播模式的展示空间的历史行为数据获得。
其中,所述视频直播模式的展示空间,是指以视频直播模式向用户进行对象展示的网络直播活动,例如,直播间、直播平台等。
所述偏好对象信息,是指用户对视频直播模式的展示空间内所展示历史对象的偏好程度信息,例如,商品、房屋等对象的偏好程度信息,可以包括但不限于历史对象的标识信息及其所对应的偏好程度参数如权重,本实施例对此不进行特别限定。
本公开实施例中,历史行为数据是在使用公开实施例的具体业务上用户过去的操作行为的操作数据。
102、根据所述偏好对象信息和待推荐的至少一个推荐对象的基本属性数据,构建所述用户对所述至少一个推荐对象的倾向对象信息。
所述倾向对象信息,是指用户对各推荐对象感兴趣的倾向程度信息,可以包括但不限于推荐对象的标识信息及其所对应的倾向程度参数如相似度参数,本实施例对此不进行特别限定。
103、根据所述倾向对象信息,向所述用户提供所述至少一个推荐对象中倾向对象的对象推荐者在所述视频直播模式的展示空间内的对象展示信息,以供所述用户根据所述对象展示信息观看所述对象推荐者在所述视频直播模式的展示空间内所提供的展示内容。
所述对象展示信息,是指对象已经展示的展示信息和/或对象将要展示的展示信息,其中,展示信息可以包括但不限于视频直播模式的展示空间的标识信息、展示时间信息、对象推荐者的标识信息、展示说明信息等,本实施例对此不进行特别限定。
需要说明的是,101~103的执行主体的部分或全部可以为位于本地终端的应用,或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(SoftwareDevelopment Kit,SDK)等功能单元,或者还可以为位于网络侧服务器中的处理引擎,或者还可以为位于网络侧的分布式系统,例如,网络侧的文本处理平台中的处理引擎或者分布式系统等,本实施例对此不进行特别限定。
可以理解的是,所述应用可以是安装在本地终端上的本地程序(nativeApp),或者还可以是本地终端上的浏览器的一个网页程序(webApp),本实施例对此不进行限定。
本公开实施例可以用于任意业务领域的推荐服务,例如产品技术业务、项目咨询服务、产品买卖业务、产品租赁业务等等,本公开实施例对此不做限制。
基于本公开上述实施例提供的对象的推荐方法,通过获取用户对视频直播模式的展示空间内所展示历史对象的偏好对象信息,其中,所述偏好对象信息为根据所述用户基于所述视频直播模式的展示空间的历史行为数据获得,进而,根据所述偏好对象信息和待推荐的至少一个推荐对象的基本属性数据,构建所述用户对所述至少一个推荐对象的倾向对象信息,使得能够根据所述倾向对象信息,向所述用户提供所述至少一个推荐对象中倾向对象的对象推荐者在所述视频直播模式的展示空间内的对象展示信息,以供所述用户根据所述对象展示信息观看所述对象推荐者在所述视频直播模式的展示空间内所提供的展示内容。本公开实施例可以综合基于用户基于视频直播模式的展示空间的历史行为数据所获得的用户对视频直播模式的展示空间内所展示历史对象的偏好对象信息和对象推荐者在所述视频直播模式的展示空间内所提供的展示内容,来为用户推荐相应的视频直播模式的展示空间内的对象展示信息,从而实现了用户根据所述对象展示信息观看所述对象推荐者在所述视频直播模式的展示空间内所提供的展示内容,从而提高了直播模式的推荐可靠性和推荐效率。
下面对上述实施例中的各步骤进行详细描述。首先结合实施例对上述步骤101即“获取用户对视频直播模式的展示空间内所展示历史对象的偏好对象信息,其中,所述偏好对象信息为根据所述用户基于所述视频直播模式的展示空间的历史行为数据获得”之前的步骤进行详细描述。
可选地,在其中一些可能的实现方式中,本公开实施例还可以进一步获取所述用户基于所述视频直播模式的展示空间的历史行为数据,进而,则可以根据所述历史行为数据,获得所述用户对所述视频直播模式的展示空间内所展示历史对象中各历史对象的偏好信息,以作为所述偏好对象信息。
具体地,具体可以根据所述历史行为数据,生成所述用户的行为矩阵,进而,则可以对所述用户的行为矩阵进行归一化处理,以获得归一化矩阵。然后,则可以根据所述归一化矩阵,获得所述用户对所述视频直播模式的展示空间内所展示历史对象中各历史对象的偏好信息,进而,可以进一步根据所述各历史对象的偏好信息,选择第一指定数量的历史对象,以作为偏好对象。然后,则可以根据所述偏好对象的偏好信息,获得所述偏好对象信息。
例如,具体可以根据所述各历史对象的偏好信息,对所述各历史对象进行筛选处理,以选择所述第一指定数量的历史对象作为所述偏好对象。
在这些可能的实现方式中,具体可以收集用户在视频直播模式的展示空间内的历史行为数据。例如,本公开实施例用于房屋买卖、租赁等业务时,可以以直播间作为视频直播模式的展示空间的举例,可以以房屋作为历史对象的举例,所收集的历史行为数据可以包括但不限于开始观看直播间的时间、直播间的观看时长、在直播间内评论的次数、是否咨询过直播间的主播等用户在直播间的历史行为数据,本实施例对此不进行特别限定。开始观看直播间的时间点距离当前时间越近、直播间的观看时长越长、在直播间内评论的次数越多、咨询过直播间的主播,则用户对该历史对象的偏好则越大。这样,通过考虑开始观看直播间的时间作为计算用户对直播间内所展示的各历史房屋的偏好信息的因素,使得能够提高用户近期的历史行为数据的影响程度,从而进一步提高了直播模式的推荐可靠性,尤其能够较好地解决冷启动问题。
在这些可能的实现方式中,所述用户的行为矩阵具体可以使用矩阵X来表示,矩阵X的每一行表示一个历史对象,每一列对应一个历史行为数据,矩阵X中的矩阵元素表示第i个历史对象的第j个历史行为数据。例如,矩阵X中的矩阵元素 的取值为历史行为数据的取值,如在直播间内评论的次数:8,是否咨询过直播间的主播:1(一个布尔值对应一种结果,如1表示是,2表示否)。
例如,可以采用如下公式,对用户的行为矩阵X进行归一化处理,以获得归一化矩阵X'。即
在获得归一化矩阵X'之后,则可以根据所述归一化矩阵中的各矩阵元素,获得用户对视频直播模式的展示空间内所展示历史对象中各历史对象的偏好信息,以作为所述偏好对象信息即向量W。向量W中的向量元素表示第i个历史对象的偏好信息,还可以称为第i个历史对象的权重。
下面结合实施例对上述步骤102即“根据所述偏好对象信息和待推荐的至少一个推荐对象的基本属性数据,构建所述用户对所述至少一个推荐对象的倾向对象信息”进行详细描述。
可选地,在其中一些可能的实现方式中,本公开实施例中的102具体可以根据所述偏好对象信息,获得所述偏好对象信息所对应的历史对象的基本属性数据,进而,则可以根据所述偏好对象信息、所述偏好对象信息所对应的历史对象的基本属性数据和待推荐的至少一个推荐对象的基本属性数据,获得所述至少一个推荐对象中各推荐对象与所述偏好对象信息所对应的各历史对象之间的一个相似性参数。然后,则可以根据所述相似性参数,构建所述用户对所述至少一个推荐对象的倾向对象信息。
具体地,具体可以根据所述偏好对象信息所对应的历史对象的基本属性数据,生成所述偏好对象信息所对应的历史对象的属性矩阵,以及根据所述至少一个推荐对象的基本属性数据,生成所述至少一个推荐对象的属性矩阵,进而,则可以根据所述偏好对象信息、所述偏好对象信息所对应的历史对象的属性矩阵和所述至少一个推荐对象的属性矩阵,获得所述至少一个推荐对象中各推荐对象与所述偏好对象信息所对应的各历史对象之间的一个相似性参数。
例如,具体可以根据所述相似性参数,选择第二指定数量的推荐对象,以作为所述倾向对象,进而,则可以根据所述倾向对象的相似性参数,获得所述倾向对象信息。
在这些可能的实现方式中,具体可以分别获取所述偏好对象信息所对应的历史对象的基本属性数据,以及待推荐的至少一个推荐对象的基本属性数据。例如,本公开实施例用于房屋买卖、租赁等业务时,可以以房屋作为历史对象以及推荐对象的举例,所获取的所述偏好对象信息所对应的历史对象的基本属性数据,以及待推荐的至少一个推荐对象的基本属性数据可以包括但不限于房屋的区域信息、价格信息、面积信息、房型信息、朝向信息、楼层信息、楼龄信息、装修信息、电梯信息、供暖信息、权属信息、类型信息以及房源特色信息等信息,本实施例对此不进行特别限定。
下面给出每种房屋的基本属性数据的含义,以及具体量化方式:
所述区域信息如北京的海淀区、朝阳区等;在具体实现时,会预先为每个区域设置一个类型值来量化区域信息,如海淀区设置为2,朝阳区设置为5等。
所述价格信息,指房屋标注的预期卖房价格,如500(万)等。
所述面积信息,指房屋的实际面积,如100(平米)等。
所述房型信息,指房屋的实际房型,如一室一厅,两室一厅三室一厅等,在具体实现时,会预先为每种房型设置一个类型值来量化房型信息,如一室一厅设置1,两室一厅设置2,三室一厅设置3。
所述朝向信息,指房屋的朝向,如南向、东南向,西北向等,在具体实现时,预先为每种朝向设置一个朝向值来量化朝向信息,如南向设为1,西北向设置2等。
所述楼层信息,指房屋所在楼层,即具体层数即可。
所述楼龄信息,指房屋的房本所显示的建成年限,如可以为1998年,也可以与当前时间折算所述房屋已建成的时间,如可以为22年。
所述装修信息,指房屋的装修情况,如精装修、简装、毛胚等,具体实现时,也可以分别设置一个装置值来量化装修信息,如精装修设置为11,简装设置为12,毛胚设置为13等。
所述电梯信息,指房屋是否有电梯,针对有无分别设置具体的数值来量化电梯信息,如1、2,也可以为1、0等。
所述供暖信息,指所述房屋是否有供暖,也可以进步细分,有供暖是集体供暖还是自己供暖等;针对不同情况分别设置不同的值即可,如无供暖为1,集体供暖为2,自己供暖为3等。
所述权属信息,指是否具有所述房屋的所有权,分别设置不同的值对有无进行量化即可。
所述类型信息,指所述房屋的所有权,如公房、商品房、商住两用房等,分别设置不同的值进行量化即可。
所述房屋特色信息,指房屋比较有特点的信息,如近地铁、学区房、VR看房等,分别设置不同的值进行量化即可。
在这些可能的实现方式中,所述至少一个历史对象的属性矩阵具体可以使用矩阵Y表示,矩阵Y的每一行表示一个历史对象,每一列对应一个基本属性数据,矩阵Y中的矩阵元素表示第i个历史对象的第j个基本属性数据。例如,矩阵Y中的矩阵元素的取值为基本属性数据的取值,如区域信息:,价格信息:200万,房型信息:1(一个枚举值对应一种房型,如1表示一室一厅,2表示两室一厅,3表示三室一厅等)。
在这些可能的实现方式中,所述至少一个推荐对象的属性矩阵具体可以使用矩阵A表示,矩阵A的每一行表示一个推荐对象,每一列对应一个基本属性数据,矩阵A中的矩阵元素表示第k个推荐对象的第j个基本属性数据。例如,矩阵A中的矩阵元素的取值为基本属性数据的取值,如区域信息:,价格信息:200万,房型信息:1(一个枚举值对应一种房型,如1表示一室一厅,2表示两室一厅,3表示三室一厅等)。
在这些可能的实现方式中,具体可以根据用户对视频直播模式的展示空间内所展示历史对象中偏好对象信息所对应的各历史对象的权重、以及用户对视频直播模式的展示空间内所展示历史对象中偏好对象信息所对应的各历史对象所对应的矩阵元素和所述至少一个推荐对象的属性矩阵中的各推荐对象所对应的矩阵元素,获得各推荐对象与偏好对象信息所对应的各历史对象之间的一个相似性参数。
其中,矩阵A中的矩阵元素为第k个推荐对象的第j个基本属性数据的取值,矩阵Y中的矩阵元素为第i个历史对象的第j个基本属性数据的取值,m为属性矩阵的列数,N为偏好对象的数量。越小,则表示推荐对象是用户所偏爱的对象的可能性越大。例如,根据偏好信息对历史对象进行筛选,选择10个历史对象作为偏好对象,则参与计算相似性参数dk的历史对象个数N为10。
在这些可能的实现方式中,还可以进一步根据从小到大的顺序,对推荐对象进行排序,选择前M如100个推荐对象作为用户偏好的推荐对象,可以称为倾向对象。在获得至少一个推荐对象中的倾向对象之后,则可以根据所述倾向对象的相似性参数,获得所述倾向对象信息。
下面结合实施例对上述步骤103即“根据所述倾向对象信息,向所述用户提供所述至少一个推荐对象中倾向对象的对象推荐者在所述视频直播模式的展示空间内的对象展示信息,以供所述用户根据所述对象展示信息观看所述对象推荐者在所述视频直播模式的展示空间内所提供的展示内容”进行详细描述。
可选地,在其中一些可能的实现方式中,本公开实施例中的103具体可以根据所述倾向对象信息,对所述至少一个推荐对象中倾向对象进行排序处理,以获得经过排序的倾向对象,进而,则可以根据经过排序的倾向对象,对提供所述倾向对象的对象推荐者进行排序处理,以获得经过排序的对象推荐者。然后,则可以向所述用户提供经过排序的对象推荐者在所述视频直播模式的展示空间内的对象展示信息。
在这些可能的实现方式中,具体可以收集对象推荐者在视频直播模式的展示空间内所提供的展示内容,可以包括但不限于已经展示的对象展示信息和将要展示的对象展示信息。例如,本公开实施例用于房屋买卖、租赁等业务时,可以以直播间作为视频直播模式的展示空间的举例,可以以房屋作为推荐对象的举例,所收集的对象推荐者在视频直播模式的展示空间内所提供的展示内容可以包括房屋经纪人(即直播间的主播)已经展示的房屋信息和房屋经纪人将要展示的房屋信息,即房屋经纪人的房屋带看记录信息。
在收集了对象推荐者在视频直播模式的展示空间内所提供的展示内容之后,则可以根据所收集的对象推荐者在视频直播模式的展示空间内所提供的展示内容,确定出提供所述倾向对象的对象推荐者。然后,则可以根据预先设置的排序策略,对对象推荐者进行排序。
在这些可能的实现方式中,具体可以根据提供所述倾向对象的对象推荐者在所述视频直播模式的展示空间内的对象展示信息,确定提供所述倾向对象的对象推荐者的直播时间信息、直播状态信息、历史直播信息以及当前直播信息中的至少一项。进而,则可以根据经过排序的倾向对象和提供所述倾向对象的对象推荐者的直播时间信息、直播状态信息、历史直播信息以及当前直播信息中的至少一项,对提供所述倾向对象的对象推荐者进行排序处理,以获得经过排序的对象推荐者。
例如,直播时间距离当前时间越近,对象推荐者的排列顺序越靠前。
或者,再例如,直播中状态的对象推荐者的排列顺序大于直播结束的对象推荐者的排列顺序,直播结束的对象推荐者的排列顺序大于直播未开始的对象推荐者的排列顺序。
或者,再例如,当前直播中包含的直播对象的相似性参数越小,对象推荐者的排列顺序越靠前。
在这些可能的实现方式中,在向所述用户提供经过排序的对象推荐者在所述视频直播模式的展示空间内的对象展示信息之前,还可以进一步对各对象推荐者在所述视频直播模式的展示空间内的对象展示信息进行排序处理,使得能够向所述用户提供经过排序的对象推荐者在所述视频直播模式的展示空间内的经过排序的对象展示信息。
例如,可以根据对象展示信息所对应的直播对象的优先级信息,对对象展示信息进行排序处理。优先级越高的直播对象所对应的对象展示信息的排列顺序越靠前。
或者,再例如,还可以根据用户对视频直播模式的展示空间内所展示历史对象中各历史对象的权重、以及用户对视频直播模式的展示空间内所展示历史对象中各历史对象所对应的矩阵元素和对象展示信息所对应的直播对象的属性矩阵中的各对象所对应的矩阵元素,获得各推荐对象与对象展示信息所对应的各对象之间的相似性参数。相似性参数的具体描述可以参见对各推荐对象的基本属性数据与各历史对象的基本属性数据进行相似度计算的相关内容,计算各推荐对象与对象展示信息所对应的各对象之间的相似性参数。
本公开实施例用于房屋买卖、租赁等业务时,可以以直播间作为视频直播模式的展示空间的举例,可以以房屋作为历史对象和推荐对象的举例。
采用本公开实施例所提供的技术方案,还需要进一步预先收集用户的开始观看直播间的时间、直播间的观看时长、在直播间内评论的次数、是否咨询过直播间的主播等用户在直播间的历史行为数据,以及直播间的主播在直播间已经展示的房屋信息和直播间的主播在直播间将要展示的房屋信息,即房屋经纪人的房屋带看记录信息。通过收集用户的开始观看直播间的时间、直播间的观看时长、在直播间内评论的次数、是否咨询过直播间的主播等用户在直播间的历史行为数据,分析出预设数量(如10)的用户所偏好的房屋。开始观看直播间的时间点距离当前时间越近、直播间的观看时长越长、在直播间内评论的次数越多、咨询过直播间的主播,则用户对该房屋象的偏好权重则越大,该房屋则越可能成为用户所偏好的房屋。
在分析出用户所偏好的房屋之后,则可以根据用户所偏好的房屋,从待推荐的房屋中,匹配出与用户所偏好的房屋相似的待推荐的房屋。然后,根据匹配出的与用户所偏好的房屋相似的待推荐的房屋,从所收集的房屋经纪人房屋带看记录信息中,确定展示过上述匹配出的待推荐的房屋的房屋经纪人,进而,向用户提供这些房屋经纪人的直播信息,例如,直播间的名称和访问标识、展示时间信息、主播的名称和个人介绍、直播内容的简要说明等,以供用户基于所收到的直播信息,进入直播间观看他们的直播。
由于在分析用户所偏好的房屋时考虑了用户开始观看直播间的时间,使得用户近期的历史行为数据能够对最终的分析结果起到较为重要的作用,能够更加准确地反映用户近期的偏好,使得基于用户近期的偏好所进行的后续房屋匹配和房屋经纪人的直播信息推荐的可靠性更高,进而向用户所提供的直播内容成为用户感兴趣的内容的可能性就更大,从而使得直播模式的推荐可靠性和推荐效率的大幅提升。
本公开实施例中,可以对指定用户周期性地执行101~102,以确定该用户对至少一个推荐对象的倾向对象信息,需要推荐时,再执行103,根据倾向对象信息,直接向用户提供可能感兴趣的对象推荐者在所述视频直播模式的展示空间内的对象展示信息,或者还可以在需要推荐的时候,再开始执行101~103,以向用户提供可能感兴趣的对象推荐者在所述视频直播模式的展示空间内的对象展示信息,本实施例对此不进行特别限定。
本公开实施例可以综合基于用户基于视频直播模式的展示空间的历史行为数据所获得的用户对视频直播模式的展示空间内所展示历史对象的偏好对象信息和对象推荐者在所述视频直播模式的展示空间内所提供的展示内容,来为用户推荐相应的视频直播模式的展示空间内的对象展示信息,从而实现了用户根据所述对象展示信息观看所述对象推荐者在所述视频直播模式的展示空间内所提供的展示内容,从而提高了直播模式的推荐可靠性和推荐效率。
本公开实施例同时还可以降低带看成本和周期,并提高了用户体验度。
本公开实施例提供的任一种对象的推荐方法可以由任意适当的具有数据处理能力的设备执行,包括但不限于:终端设备和服务器等。或者,本公开实施例提供的任一种对象的推荐方法可以由处理器执行,如处理器通过调用存储器存储的相应指令来执行本公开实施例提及的任一种对象的推荐方法。下文不再赘述。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
图2为本公开对象的推荐装置一个实施例的结构示意图。本公开实施例的对象的推荐装置可用于实现本公开上述各对象的推荐方法实施例。如图2所示,其中一个实施例的对象的推荐装置包括偏好单元21、构建单元22和输出单元23。其中,偏好单元21,用于获取用户对视频直播模式的展示空间内所展示历史对象的偏好对象信息,其中,所述偏好对象信息为根据所述用户基于所述视频直播模式的展示空间的历史行为数据获得;构建单元22,用于根据所述偏好对象信息和待推荐的至少一个推荐对象的基本属性数据,构建所述用户对所述至少一个推荐对象的倾向对象信息;输出单元23,用于根据所述倾向对象信息,向所述用户提供所述至少一个推荐对象中倾向对象的对象推荐者在所述视频直播模式的展示空间内的对象展示信息,以供所述用户根据所述对象展示信息观看所述对象推荐者在所述视频直播模式的展示空间内所提供的展示内容。
需要说明的是,本公开实施例所提供的对象的推荐装置的部分或全部可以为位于本地终端的应用,或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(Software Development Kit,SDK)等功能单元,或者还可以为位于网络侧服务器中的处理引擎,或者还可以为位于网络侧的分布式系统,例如,网络侧的文本处理平台中的处理引擎或者分布式系统等,本实施例对此不进行特别限定。
可以理解的是,所述应用可以是安装在本地终端上的本地程序(nativeApp),或者还可以是本地终端上的浏览器的一个网页程序(webApp),本实施例对此不进行限定。
本公开实施例可以用于任意业务领域的推荐服务,例如产品技术业务、项目咨询服务、产品买卖业务、产品租赁业务等等,本公开实施例对此不做限制。
可选地,在其中一些可能的实现方式中,所述偏好单元21,具体可以用于获取所述用户基于所述视频直播模式的展示空间的历史行为数据;以及根据所述历史行为数据,获得所述用户对所述视频直播模式的展示空间内所展示历史对象中各历史对象的偏好信息,以作为所述偏好对象信息。
具体地,所述偏好单元21,具体可以用于根据所述历史行为数据,生成所述用户的行为矩阵;对所述用户的行为矩阵进行归一化处理,以获得归一化矩阵;根据所述归一化矩阵,获得所述用户对所述视频直播模式的展示空间内所展示历史对象中各历史对象的偏好信息;根据所述各历史对象的偏好信息,选择第一指定数量的历史对象,以作为偏好对象;以及根据所述偏好对象的偏好信息,获得所述偏好对象信息。
例如,偏好单元21,具体可以用于根据所述各历史对象的偏好信息,对所述各历史对象进行筛选处理,以选择所述第一指定数量的历史对象作为所述偏好对象。
可选地,在其中一些可能的实现方式中,所述构建单元22,具体可以用于根据所述偏好对象信息,获得所述偏好对象信息所对应的历史对象的基本属性数据;根据所述偏好对象信息、所述偏好对象信息所对应的历史对象的基本属性数据和待推荐的至少一个推荐对象的基本属性数据,获得所述至少一个推荐对象中各推荐对象与所述偏好对象信息所对应的各历史对象之间的一个相似性参数;以及根据所述相似性参数,构建所述用户对所述至少一个推荐对象的倾向对象信息。
具体地,所述构建单元22,具体可以用于根据所述偏好对象信息所对应的历史对象的基本属性数据,生成所述偏好对象信息所对应的历史对象的属性矩阵;根据所述至少一个推荐对象的基本属性数据,生成所述至少一个推荐对象的属性矩阵;以及根据所述偏好对象信息、所述偏好对象信息所对应的历史对象的属性矩阵和所述至少一个推荐对象的属性矩阵,获得所述至少一个推荐对象中各推荐对象与所述偏好对象信息所对应的各历史对象之间的一个相似性参数。
可选地,在其中一些可能的实现方式中,所述输出单元23,具体可以用于根据所述倾向对象信息,对所述至少一个推荐对象中倾向对象进行排序处理,以获得经过排序的倾向对象;根据经过排序的倾向对象,对提供所述倾向对象的对象推荐者进行排序处理,以获得经过排序的对象推荐者;以及向所述用户提供经过排序的对象推荐者在所述视频直播模式的展示空间内的对象展示信息。
具体地,所述输出单元23,具体可以用于根据提供所述倾向对象的对象推荐者在所述视频直播模式的展示空间内的对象展示信息,确定提供所述倾向对象的对象推荐者的直播时间信息、直播状态信息、历史直播信息以及当前直播信息中的至少一项;以及根据经过排序的倾向对象和提供所述倾向对象的对象推荐者的直播时间信息、直播状态信息、历史直播信息以及当前直播信息中的至少一项,对提供所述倾向对象的对象推荐者进行排序处理,以获得经过排序的对象推荐者。
基于本公开上述实施例提供的对象的推荐装置,可以通过偏好单元获取用户对视频直播模式的展示空间内所展示历史对象的偏好对象信息,其中,所述偏好对象信息为根据所述用户基于所述视频直播模式的展示空间的历史行为数据获得,进而,由构建单元根据所述偏好对象信息和待推荐的至少一个推荐对象的基本属性数据,构建所述用户对所述至少一个推荐对象的倾向对象信息,使得提供单元能够根据所述倾向对象信息,向所述用户提供所述至少一个推荐对象中倾向对象的对象推荐者在所述视频直播模式的展示空间内的对象展示信息,以供所述用户根据所述对象展示信息观看所述对象推荐者在所述视频直播模式的展示空间内所提供的展示内容。本公开实施例可以综合基于用户基于视频直播模式的展示空间的历史行为数据所获得的用户对视频直播模式的展示空间内所展示历史对象的偏好对象信息和对象推荐者在所述视频直播模式的展示空间内所提供的展示内容,来为用户推荐相应的视频直播模式的展示空间内的对象展示信息,从而实现了用户根据所述对象展示信息观看所述对象推荐者在所述视频直播模式的展示空间内所提供的展示内容,从而提高了直播模式的推荐可靠性和推荐效率。
另外,本公开实施例还提供了一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述存储器中存储的计算机程序,且所述计算机程序被执行时,实现本公开任一实施例所述的对象的推荐方法。
下面,参考图3来描述根据本公开实施例的一个电子设备。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备,该单机设备可以与第一设备和第二设备进行通信,以从它们接收所采集到的输入信号。
图3为本公开电子设备一个应用实施例的结构示意图。如图3所示,电子设备包括一个或多个处理器和存储器。
处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备中的其他组件以执行期望的功能。
存储器可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器可以运行所述程序指令,以实现上文所述的本公开的各个实施例的对象的推荐方法以及/或者其他期望的功能。
在一个示例中,电子装置还可以包括:输入装置和输出装置,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
此外,该输入装置还可以包括例如键盘、鼠标等等。
该输出装置可以向外部输出各种信息,包括确定出的距离信息、方向信息等。该输出装置可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出装置等等。
当然,为了简化,图3中仅示出了该电子设备中与本公开有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备还可以包括任何其他适当的组件。
除了上述方法和设备以外,本公开的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述部分中描述的根据本公开各种实施例的对象的推荐方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本公开的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指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述部分中描述的根据本公开各种实施例的对象的推荐方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。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。
以上结合具体实施例描述了本公开的基本原理,但是,需要指出的是,在本公开中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本公开为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言,由于其与方法实施例基本对应,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。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
可能以许多方式来实现本公开的方法和装置。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明,本公开的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本公开实施为记录在记录介质中的程序,这些程序包括用于实现根据本公开的方法的机器可读指令。因而,本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
还需要指出的是,在本公开的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此,本公开不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种对象的推荐方法,其特征在于,包括:
获取用户对视频直播模式的展示空间内所展示历史对象的偏好对象信息,其中,所述偏好对象信息为根据所述用户基于所述视频直播模式的展示空间的历史行为数据获得;
根据所述偏好对象信息和待推荐的至少一个推荐对象的基本属性数据,构建所述用户对所述至少一个推荐对象的倾向对象信息;
根据所述倾向对象信息,向所述用户提供所述至少一个推荐对象中倾向对象的对象推荐者在所述视频直播模式的展示空间内的对象展示信息,以供所述用户根据所述对象展示信息观看所述对象推荐者在所述视频直播模式的展示空间内所提供的展示内容。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述用户基于所述视频直播模式的展示空间的历史行为数据;
根据所述历史行为数据,获得所述用户对所述视频直播模式的展示空间内所展示历史对象中各历史对象的偏好信息,以作为所述偏好对象信息。
3.根据权利要求2所述的方法,其特征在于,所述根据所述历史行为数据,获得所述用户对所述视频直播模式的展示空间内所展示历史对象中各历史对象的偏好信息,以作为所述偏好对象信息,包括:
根据所述历史行为数据,生成所述用户的行为矩阵;
对所述用户的行为矩阵进行归一化处理,以获得归一化矩阵;
根据所述归一化矩阵,获得所述用户对所述视频直播模式的展示空间内所展示历史对象中各历史对象的偏好信息;
根据所述各历史对象的偏好信息,选择第一指定数量的历史对象,以作为偏好对象;
根据所述偏好对象的偏好信息,获得所述偏好对象信息。
4.根据权利要求3所述的方法,其特征在于,所述根据所述各历史对象的偏好信息,选择第一指定数量的历史对象,以作为偏好对象,包括:
根据所述各历史对象的偏好信息,对所述各历史对象进行筛选处理,以选择所述第一指定数量的历史对象作为所述偏好对象。
5.根据权利要求1所述的方法,其特征在于,所述根据所述偏好对象信息和待推荐的至少一个推荐对象的基本属性数据,构建所述用户对所述至少一个推荐对象的倾向对象信息,包括:
根据所述偏好对象信息,获得所述偏好对象信息所对应的历史对象的基本属性数据;
根据所述偏好对象信息、所述偏好对象信息所对应的历史对象的基本属性数据和待推荐的至少一个推荐对象的基本属性数据,获得所述至少一个推荐对象中各推荐对象与所述偏好对象信息所对应的各历史对象之间的一个相似性参数;
根据所述相似性参数,构建所述用户对所述至少一个推荐对象的倾向对象信息。
6.根据权利要求5所述的方法,其特征在于,所述根据所述偏好对象信息、所述偏好对象信息所对应的历史对象的基本属性数据和待推荐的至少一个推荐对象的基本属性数据,获得所述至少一个推荐对象中各推荐对象与所述偏好对象信息所对应的各历史对象之间的一个相似性参数,包括:
根据所述偏好对象信息所对应的历史对象的基本属性数据,生成所述偏好对象信息所对应的历史对象的属性矩阵;
根据所述至少一个推荐对象的基本属性数据,生成所述至少一个推荐对象的属性矩阵;
根据所述偏好对象信息、所述偏好对象信息所对应的历史对象的属性矩阵和所述至少一个推荐对象的属性矩阵,获得所述至少一个推荐对象中各推荐对象与所述偏好对象信息所对应的各历史对象之间的一个相似性参数。
7.根据权利要求5所述的方法,其特征在于,所述根据所述相似性参数,构建所述用户对所述至少一个推荐对象的倾向对象信息,包括:
根据所述相似性参数,选择第二指定数量的推荐对象,以作为所述倾向对象;
根据所述倾向对象的相似性参数,获得所述倾向对象信息。
8.根据权利要求1-7任一所述的方法,其特征在于,所述根据所述倾向对象信息,向所述用户提供所述至少一个推荐对象中倾向对象的对象推荐者在所述视频直播模式的展示空间内的对象展示信息,包括:
根据所述倾向对象信息,对所述至少一个推荐对象中倾向对象进行排序处理,以获得经过排序的倾向对象;
根据经过排序的倾向对象,对提供所述倾向对象的对象推荐者进行排序处理,以获得经过排序的对象推荐者;
向所述用户提供经过排序的对象推荐者在所述视频直播模式的展示空间内的对象展示信息。
9.根据权利要求8所述的方法,其特征在于,所述根据经过排序的倾向对象,对提供所述倾向对象的对象推荐者进行排序处理,以获得经过排序的对象推荐者,包括:
根据提供所述倾向对象的对象推荐者在所述视频直播模式的展示空间内的对象展示信息,确定提供所述倾向对象的对象推荐者的直播时间信息、直播状态信息、历史直播信息以及当前直播信息中的至少一项;
根据经过排序的倾向对象和提供所述倾向对象的对象推荐者的直播时间信息、直播状态信息、历史直播信息以及当前直播信息中的至少一项,对提供所述倾向对象的对象推荐者进行排序处理,以获得经过排序的对象推荐者。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时,实现上述权利要求1-9任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853630.3A CN113312513B (zh) | 2021-07-28 | 2021-07-28 | 对象的推荐方法和装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853630.3A CN113312513B (zh) | 2021-07-28 | 2021-07-28 | 对象的推荐方法和装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113312513A true CN113312513A (zh) | 2021-08-27 |
CN113312513B CN113312513B (zh) | 2021-11-09 |
Family
ID=77382360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110853630.3A Active CN113312513B (zh) | 2021-07-28 | 2021-07-28 | 对象的推荐方法和装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113312513B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115086700A (zh) * | 2022-06-15 | 2022-09-20 | 北京有竹居网络技术有限公司 | 推送处理方法、装置、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592233A (zh) * | 2011-12-20 | 2012-07-18 | 姚武杰 | 一种导游、导览、导购的方法和平台 |
CN102663627A (zh) * | 2012-04-26 | 2012-09-12 | 焦点科技股份有限公司 | 个性化推荐方法 |
US20140025540A1 (en) * | 2009-05-19 | 2014-01-23 | Bradley Marshall Hendrickson | System and Methods for Storing Customer Purchasing and Preference Data, Enabling a Customer to Pre-Register Orders and Events, and for Vendors to Market to the Customers Using the Customers' Profiles and GPS Location |
US20160019625A1 (en) * | 2014-07-18 | 2016-01-21 | DecisionGPS, LLC | Determination of a Purchase Recommendation |
CN107220852A (zh) * | 2017-05-26 | 2017-09-29 | 北京小度信息科技有限公司 | 用于确定目标推荐用户的方法、装置和服务器 |
CN109409998A (zh) * | 2018-10-18 | 2019-03-01 | 徐碧远 | 一种推荐系统 |
CN109951724A (zh) * | 2017-12-20 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 直播推荐方法、主播推荐模型训练方法及相关设备 |
CN110363617A (zh) * | 2019-06-03 | 2019-10-22 | 北京三快在线科技有限公司 | 一种推荐方法、装置、电子设备及可读存储介质 |
-
2021
- 2021-07-28 CN CN202110853630.3A patent/CN113312513B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140025540A1 (en) * | 2009-05-19 | 2014-01-23 | Bradley Marshall Hendrickson | System and Methods for Storing Customer Purchasing and Preference Data, Enabling a Customer to Pre-Register Orders and Events, and for Vendors to Market to the Customers Using the Customers' Profiles and GPS Location |
CN102592233A (zh) * | 2011-12-20 | 2012-07-18 | 姚武杰 | 一种导游、导览、导购的方法和平台 |
CN102663627A (zh) * | 2012-04-26 | 2012-09-12 | 焦点科技股份有限公司 | 个性化推荐方法 |
US20160019625A1 (en) * | 2014-07-18 | 2016-01-21 | DecisionGPS, LLC | Determination of a Purchase Recommendation |
CN107220852A (zh) * | 2017-05-26 | 2017-09-29 | 北京小度信息科技有限公司 | 用于确定目标推荐用户的方法、装置和服务器 |
CN109951724A (zh) * | 2017-12-20 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 直播推荐方法、主播推荐模型训练方法及相关设备 |
CN109409998A (zh) * | 2018-10-18 | 2019-03-01 | 徐碧远 | 一种推荐系统 |
CN110363617A (zh) * | 2019-06-03 | 2019-10-22 | 北京三快在线科技有限公司 | 一种推荐方法、装置、电子设备及可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115086700A (zh) * | 2022-06-15 | 2022-09-20 | 北京有竹居网络技术有限公司 | 推送处理方法、装置、设备及介质 |
CN115086700B (zh) * | 2022-06-15 | 2024-10-11 | 北京有竹居网络技术有限公司 | 推送处理方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113312513B (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11315155B2 (en) | Method and system for exposing data used in ranking search results | |
US8359285B1 (en) | Generating item recommendations | |
US11127032B2 (en) | Optimizing and predicting campaign attributes | |
CN111353862B (zh) | 商品的推荐方法和装置、电子设备和存储介质 | |
JP2009265747A (ja) | マーケティング支援システム、マーケティング支援方法、マーケティング支援プログラム及びコンピュータ読み取り可能な媒体 | |
CN112598472B (zh) | 产品推荐方法、装置、系统、介质和程序产品 | |
US20180232794A1 (en) | Method for collaboratively filtering information to predict preference given to item by user of the item and computing device using the same | |
CN110674391A (zh) | 基于大数据的产品数据推送方法、系统和计算机设备 | |
US20150120634A1 (en) | Information processing device, information processing method, and program | |
CN112035749A (zh) | 用户行为特征分析方法、推荐方法及相应装置 | |
CN113312513B (zh) | 对象的推荐方法和装置、电子设备和存储介质 | |
KR20110023750A (ko) | 오브젝트 커스터마이제이션 및 관리 시스템 | |
CN110197317B (zh) | 目标用户确定方法及装置、电子设备及存储介质 | |
US9967297B1 (en) | Generating item suggestions from a profile-based group | |
CN112116393B (zh) | 用于实现事件用户维护的方法、装置和设备 | |
CN113778979A (zh) | 一种直播点击率的确定方法和装置 | |
CN113298555A (zh) | 推广策略生成方法、装置及电子设备 | |
CN112395517A (zh) | 房源搜索展示方法、装置及计算机可读存储介质 | |
CN111898022A (zh) | 商标类别推荐方法和装置、以及存储介质和电子设备 | |
CN115169983A (zh) | 线上房源带看请求的抢单方法、装置及存储介质 | |
Lian et al. | Two-tier stochastic frontier analysis using Stata | |
CN110555135A (zh) | 内容推荐方法、内容推荐装置和电子设备 | |
CN112861018A (zh) | 内容发布方法、装置、计算机可读存储介质及电子设备 | |
CN110955837A (zh) | 一种产品数据的查看方法、装置、设备及存储介质 | |
US20240029089A1 (en) | Information processing apparatus and information processing method |
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 |