CN113360756A - 资源推荐方法、装置、电子设备和介质 - Google Patents
资源推荐方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN113360756A CN113360756A CN202110605965.3A CN202110605965A CN113360756A CN 113360756 A CN113360756 A CN 113360756A CN 202110605965 A CN202110605965 A CN 202110605965A CN 113360756 A CN113360756 A CN 113360756A
- Authority
- CN
- China
- Prior art keywords
- user
- resource
- candidate
- recommended
- current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000011156 evaluation Methods 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 44
- 238000013210 evaluation model Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 239000013598 vector Substances 0.000 description 8
- 230000006399 behavior Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000047 product Substances 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
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F16/90—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)
- 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
本公开公开了一种资源推荐方法、装置、设备、介质和产品，涉及智能推荐、深度学习等领域。资源推荐方法包括：将当前用户的用户特征和至少一个候选用户的用户特征分别进行相似度比较，得到比较结果，其中，针对每个候选用户，候选用户的用户特征是基于关联用户的用户特征得到的，关联用户与候选用户相关联；基于比较结果，从至少一个候选用户中确定目标用户；将目标用户的当前资源添加至待推荐资源集合中；向当前用户推荐待推荐资源集合中的至少一个资源。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及智能推荐、深度学习等领域，更具体地，涉及一种资源推荐方法、装置、电子设备、介质和程序产品。
背景技术
相关技术通常需要为用户推荐相关资源，资源例如包括视频、图片、文档等等。但是，相关技术的资源推荐方法，通常将热门资源推荐给用户，或者将具有特定标签的资源推荐给用户，通过相关技术的资源推荐方法所推荐的资源难以满足用户的需求。
发明内容
本公开提供了一种资源推荐方法、装置、电子设备、存储介质以及程序产品。
根据本公开的一方面，提供了一种资源推荐方法，包括：将当前用户的用户特征和至少一个候选用户的用户特征分别进行相似度比较，得到比较结果，其中，针对每个候选用户，所述候选用户的用户特征是基于关联用户的用户特征得到的，所述关联用户与所述候选用户相关联；基于所述比较结果，从所述至少一个候选用户中确定目标用户；将所述目标用户的当前资源添加至待推荐资源集合中；向所述当前用户推荐所述待推荐资源集合中的至少一个资源。
根据本公开的另一方面，提供了一种资源推荐装置，包括：比较模块、第一确定模块、添加模块以及推荐模块。比较模块，用于将当前用户的用户特征和至少一个候选用户的用户特征分别进行相似度比较，得到比较结果，其中，针对每个候选用户，所述候选用户的用户特征是基于关联用户的用户特征得到的，所述关联用户与所述候选用户相关联；第一确定模块，用于基于所述比较结果，从所述至少一个候选用户中确定目标用户；添加模块，用于将所述目标用户的当前资源添加至待推荐资源集合中；推荐模块，用于向所述当前用户推荐所述待推荐资源集合中的至少一个资源。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器和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上述的资源推荐方法。
根据本公开的另一方面，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，所述计算机指令用于使所述计算机执行上述的资源推荐方法。
根据本公开的另一方面，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实现上述的资源推荐方法。
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示意性示出了根据本公开一实施例的资源推荐方法和装置的系统架构；
图2示意性示出了根据本公开一实施例的资源推荐方法的流程图；
图3示意性示出了根据本公开一实施例的资源推荐方法的原理图；
图4示意性示出了根据本公开另一实施例的资源推荐方法的原理图；
图5示意性示出了根据本公开一实施例的资源推荐装置的框图；以及
图6是用来实现本公开实施例的用于执行资源推荐的电子设备的框图。
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。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
本公开的实施例提供了一种资源推荐方法。资源推荐方法包括：将当前用户的用户特征和至少一个候选用户的用户特征分别进行相似度比较，得到比较结果，其中，针对每个候选用户，候选用户的用户特征是基于关联用户的用户特征得到的，关联用户与候选用户相关联；基于比较结果，从至少一个候选用户中确定目标用户；将目标用户的当前资源添加至待推荐资源集合中；向当前用户推荐待推荐资源集合中的至少一个资源。
图1示意性示出了根据本公开一实施例的资源推荐方法和装置的系统架构。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示，根据该实施例的系统架构100可以包括客户端101、102、103，网络104和服务器105。网络104用以在客户端101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用客户端101、102、103通过网络104与服务器105交互，以接收或发送消息等。客户端101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
客户端101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。本公开实施例的客户端101、102、103例如可以运行应用程序。
服务器105可以是提供各种服务的服务器，例如对用户利用客户端101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给客户端。另外，服务器105还可以是云服务器，即服务器105具有云计算功能。
需要说明的是，本公开实施例所提供的资源推荐方法可以由服务器105执行。相应地，本公开实施例所提供的资源推荐装置可以设置于服务器105中。本公开实施例所提供的资源推荐方法也可以由不同于服务器105且能够与客户端101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的资源推荐装置也可以设置于不同于服务器105且能够与客户端101、102、103和/或服务器105通信的服务器或服务器集群中。
例如，当前用户可以通过客户端101、102、103发送请求，当服务器105通过网络104接收到来自客户端101、102、103的请求之后，服务器105可以基于请求确定待推荐资源，然后服务器105通过网络104将待推荐资源发送给客户端101、102、103，实现向当前用户推荐资源。
应该理解，图1中的客户端、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的客户端、网络和服务器。
本公开实施例提供了一种资源推荐方法，下面结合图1的系统架构，参考图2～图4来描述根据本公开示例性实施方式的资源推荐方法。本公开实施例的资源推荐方法例如可以由图1所示的服务器105来执行。
图2示意性示出了根据本公开一实施例的资源推荐方法的流程图。
如图2所示，本公开实施例的资源推荐方法200例如可以包括操作S210～操作S240。
在操作S210，将当前用户的用户特征和至少一个候选用户的用户特征分别进行相似度比较，得到比较结果。
在操作S220，基于比较结果，从至少一个候选用户中确定目标用户。
在操作S230，将目标用户的当前资源添加至待推荐资源集合中。
在操作S240，向当前用户推荐待推荐资源集合中的至少一个资源。
例如，当前用户为需要浏览资源的用户，候选用户为提供资源的用户。资源包括但不仅限于视频、图片、文档。当接收到当前用户的请求时，可以将当前用户的用户特征和候选用户的用户特征进行相似度比较，将相似度高的候选用户作为目标用户。
示例性的，针对每个候选用户，该候选用户的用户特征是基于关联用户的用户特征得到的，关联用户与该候选用户相关联。例如，关联用户作为候选用户的种子用户，该关联用户在过去一段时间内对该候选用户的关注度较高，即关联用户对该候选用户所提供的资源感兴趣的概率较大。
利用关联用户的用户特征来表征候选用户的用户特征，使得候选用户的用户特征隐含了对其较关注或较感兴趣的用户的特征。如果当前用户的用户特征与候选用户的用户特征之间的相似度较大，则将该候选用户作为目标用户，即当前用户对目标用户所提供的资源感兴趣的概率较大，因此可以将目标用户的资源添加至待推荐资源集合中，便于向当前用户推荐待推荐资源集合中的资源。
在本公开实施例中，从候选用户确定目标用户的方式也称为Lookalike方式，Lookalike方式是一种基于人群的扩散方式。本公开实施例中除了利用Lookalike方式将确定的目标用户的资源添加至待推荐资源集合中，还可以基于其他方式来确定待推荐资源并将所确定的待推荐资源添加至待推荐资源集合中。其他方式包括将具有特定标签的资源添加至待推荐资源集合中，或者将热门的资源添加至待推荐资源集合中。
在一种示例中，资源例如为当前正在直播的视频。该直播的视频通常没有历史观看记录，因此难以准确地获得该视频的标签，如果基于标签的方式来为当前用户召回直播的视频，将导致召回效果不佳或召回效率较低。另外，由于该直播的视频通常没有历史观看记录，因此也难以准确地确定该直播是否为热门视频，如果基于热门视频召回方式来为当前用户召回直播的视频，将导致召回效果不佳，并且难以召回中长尾的直播视频。由此可见，可通过本公开实施例提出的Lookalike方式来补充召回，使得所召回的资源更加符合当前用户的需求，从而提高了资源召回的效果，便于为当前用户推荐满足其需求的资源。
根据本公开的实施例，可以通过以下两种实施例来确定候选用户的用户特征。候选用户为提供资源的用户，例如为提供直播视频的用户(主播)。
其中一种可选实施例，通过离线计算的方式来确定候选用户的用户特征。例如，获取多个历史用户的历史记录，历史记录例如包括历史用户的行为日志、观看候选用户的历史资源的观看时长、观看候选用户的历史资源时和候选用户进行的互动行为等等。互动行为例如包括打赏行为、点赞行为、评论行为等等。
针对至少一个候选用户中的每个候选用户，基于历史记录，从多个历史用户中确定与候选用户相关联的至少一个关联用户，关联用户的历史记录指示了关联用户对候选用户的历史资源执行第一预设操作。例如，第一预设操作包括观看时长超过预设时长、对候选用户进行点赞操作等等。即，第一预设操作表征关联用户对候选用户的关注度较高，即关联用户对该候选用户所提供的资源感兴趣的概率较大。
在确定了针对候选用户的至少一个关联用户之后，可以基于至少一个关联用户的用户特征进行处理，得到候选用户的用户特征。例如，当用户特征为用户向量时，将多个关联用户的用户向量进行加权平均处理，将加权平均处理后得到的向量作为候选用户的用户向量。
根据本公开的实施例，历史资源例如为之前已经直播过的视频，历史用户可以回放已经直播过的视频。由于第一预设操作是历史用户对已经直播过的视频执行的操作，因此通过离线的方式进行计算时能够使用的数据量较大，使得确定关联用户的准确性较高，进而提高了候选用户的用户特征的准确性。
作为另一种可选的实施例，可以通过在线计算的方式来确定候选用户的用户特征。例如，针对至少一个候选用户中的每个候选用户，确定与候选用户的当前资源相关联的至少一个关联用户，关联用户对候选用户的当前资源执行第二预设操作。然后对至少一个关联用户的用户特征进行处理，得到候选用户的用户特征。
例如，候选用户的当前资源为当前正在直播的视频。第二预设操作包括观看时长超过预设时长、对候选用户进行点赞操作等等。即，第二预设操作表征关联用户对候选用户的关注度较高，即关联用户对该候选用户所提供的资源感兴趣的概率较大。
在确定了针对候选用户的至少一个关联用户之后，可以基于至少一个关联用户的用户特征进行处理，得到候选用户的用户特征。例如，当用户特征为用户向量时，将多个关联用户的用户向量进行加权平均处理，将加权平均处理后得到的向量作为候选用户的用户向量。
图3示意性示出了根据本公开一实施例的资源推荐方法的原理图。
如图3所示，针对多个历史用户，利用特征提取模型来获取每个历史用户的用户特征。多个历史用户例如可以包括当前用户和关联用户。
例如，基于多个训练用户和多个资源彼此之间的关联关系，构建关系图。在一示例中，多个训练用户例如可以包括多个历史用户和多个候选用户。关系图可以是二部图或三部图，在关系图中，将每个用户和每个资源作为节点，节点之间的连线表示节点之间有关联，例如当用户观看或者提供资源时，该用户的节点和资源的节点之间具有连线。
然后，基于关系图获取多个数据序列。例如，以关系图中的某一节点为起点，在关系图中进行游走得到一个数据序列，该数据序列中包括游走所经过的节点。每次游走可以以不同的节点作为起点。多次游走后得到多个数据序列，然后利用用户特征提取模型处理多个数据序列，得到多个历史用户的用户特征，多个历史用户的用户特征例如分别表示为A1、A2、A3、A4、A5、A6。用户特征提取模型包括但不仅限于word2vec模型。
接下来，基于历史用户对候选用户的资源执行的操作，确定针对每个候选用户的关联用户，并基于关联用户的用户特征来计算候选用户的用户特征。例如，与第一候选用户关联的关联用户的用户特征为A1、A2，与第二候选用户关联的关联用户的用户特征为A1、A3、A4，与第三候选用户关联的关联用户的用户特征为A5、A6。
示例性地，对关联用户的用户特征A1、A2进行加权平均处理，得到第一候选用户的用户特征B1。对关联用户的用户特为A1、A3、A4进行加权平均处理，得到第二候选用户的用户特征B2。对关联用户的用户特征A5、A6进行加权平均处理，得到第三候选用户的用户特征B3。
针对当前用户，当前用户例如属于多介历史用户，当前用户的用户特征例如为A1。将当前用户的用户特征A1和每个候选用户的用户特征进行相似度比较得到比较结果，基于比较结果将相似度较高的候选用户确定为目标用户，例如将第一候选用户和第二候选用户确定为目标用户，目标用户的用户特征例如为B1、B2。
在确定目标用户之后，可以将目标用户的资源添加至待推荐资源集合中。例如，第一候选用户作为目标用户，其资源为b1，第二候选用户作为目标用户，其资源为b2，将资源b1、b2添加至待推荐资源集合中。待推荐资源集合中的其他资源(例如资源b3、b4)可以是通过标签召回的方式或热门资源召回的方式获得的。
针对待推荐资源集合中的每个资源，利用评价模型对待推荐资源集合中的每个资源进行评价，得到针对每个资源的评价值。例如资源b1、b2、b3、b4的评价值分别为S1、S2、S3、S4。评价值例如为分数，分数越高，表示资源被推荐的概率越大。
接下来，基于评价值从待推荐资源集合中确定至少一个资源进行推荐。例如，目标用户包括多个目标用户，比较结果包括针对每个目标用户的相似度数据。基于相似度数据，对待推荐资源集合中目标用户的资源的评价值进行调整，例如调高待推荐资源集合中目标用户的资源的评价值(S1、S2)。然后基于调整后的评价值，从待推荐资源集合中确定至少一个资源，并将至少一个资源按照评价值进行排序以进行推荐。将至少一个资源按照评价值进行排序以进行推荐包括向当前用户推荐，当然也不排除将至少一个资源输出至应用的下游。
在本公开的实施例中，待推荐资源集合中目标用户的资源例如是利用Lookalike方式确定的，其他资源例如是通过标签召回的方式或热门资源召回的方式确定的。在资源为直播视频的情况下，通过Lookalike方式确定的资源通常较符合当前用户的需求，因此，通过比较结果中的相似度数据调高目标用户的资源的评价值，使得待推荐资源集合中目标用户的资源被推荐的概率较大。针对每个目标用户的相似度数据不同，因此需要根据各自对应的相似度数据来调整目标用户的资源的评价值。
在利用评价模型对资源进行评价时，针对待推荐资源集合中的每个资源，获取与资源相关联的输入信息，将输入信息输入评价模型中进行处理，得到针对资源的评价值。
输入信息包括以下至少一个：当前用户的用户信息、提供资源的用户的用户信息、资源的属性信息、当前用户获取资源的渠道信息。当前用户的用户信息例如包括当前用户的属性信息(性别、年龄等)。提供资源的用户的用户信息例如包括提供资源的用户的属性信息。资源的属性信息例如包括资源的点击率等，当资源为直播视频时，资源的属性信息包括直播间的点击率。当前用户获取资源的渠道信息例如包括指示渠道为WiFi渠道或非WiFi渠道的信息。
在一示例中，评价模型例如包括第一模型和第二模型。第一模型例如为双塔模型(Deep Structured Semantic Models，DSSM)，第二模型例如为深度卷积网络模型(DeepNeural Networks，DNN)。第一模型例如用于对资源进行评价并基于评价结果进行粗排序，第二模型例如用于对资源进行评价并基于评价结果进行精排序。
以待推荐资源集合中包括1000个资源为例，利用第一模型对1000个资源中的每个资源进行评价，得到每个资源的评价值，1000个资源例如按照评价值从高到低进行排序。然后，基于待推荐集合中的目标用户的资源对应的相似度数据调高目标用户的资源的评价值，然后将1000个资源按照调整后的评价值从高到低重新排序。从排序后的1000个资源中，例如选择排序在前的15个资源。
针对15个资源，利用第二模型对15个资源中的每个资源进行评价，得到每个资源的评价值，15个资源例如按照评价值从高到低进行排序。然后，基于待推荐集合中的目标用户的资源对应的相似度数据调高目标用户的资源的评价值，然后将15个资源例如按照调整后的评价值从高到低重新排序。从排序后的15个资源中选择至少一个排序在前的资源进行推荐。
示例性地，第一模型的输入例如包括当前用户的用户信息I1、提供资源的用户的用户信息I2、资源的属性信息I3、当前用户获取资源的渠道信息I4中的多个。
示例性地，第二模型的输入例如包括以下中的多个：当前用户的用户信息I1、提供资源的用户的用户信息I2、资源的属性信息I3、当前用户获取资源的渠道信息I4、I1～I4中任意多个的交叉信息。
本公开的实施例通过两个评价模型进行粗排序和精排序，对经过粗排序和精排序后的资源进行推荐，使得推荐的资源更加符合当前用户的需求。
图4示意性示出了根据本公开另一实施例的资源推荐方法的原理图。
如图4所示，针对离线阶段，从实时的数据流401中获取多个历史用户的历史记录402。基于历史记录402，从多个历史用户中确定与候选用户403关联的历史用户作为关联用户404。基于历史用户特征405确定关联用户特征406。然后，对关联用户特征406进行加权平均计算得到候选用户特征407。
针对在线阶段，针对当前用户408，当前用户408例如是多个历史用户中的一个或多个。基于历史用户特征409确定当前用户特征410，历史用户特征409例如与上述的历史用户特征405相同或类似。然后，将当前用户特征410和候选用户特征407进行相似度比较，以从候选用户中确定目标用户411。
图5示意性示出了根据本公开一实施例的资源推荐装置的框图。
如图5所示，本公开实施例的资源推荐装置500例如包括比较模块510、第一确定模块520、添加模块530以及推荐模块540。
比较模块510可以用于将当前用户的用户特征和至少一个候选用户的用户特征分别进行相似度比较，得到比较结果，其中，针对每个候选用户，候选用户的用户特征是基于关联用户的用户特征得到的，关联用户与候选用户相关联。根据本公开实施例，比较模块510例如可以执行上文参考图2描述的操作S210，在此不再赘述。
第一确定模块520可以用于基于比较结果，从至少一个候选用户中确定目标用户。根据本公开实施例，第一确定模块520例如可以执行上文参考图2描述的操作S220，在此不再赘述。
添加模块530可以用于将目标用户的当前资源添加至待推荐资源集合中。根据本公开实施例，添加模块530例如可以执行上文参考图2描述的操作S230，在此不再赘述。
推荐模块540可以用于向当前用户推荐待推荐资源集合中的至少一个资源。根据本公开实施例，推荐模块540例如可以执行上文参考图2描述的操作S240，在此不再赘述。
根据本公开的实施例，装置500还可以包括：第一获取模块、第二确定模块和第一处理模块。第一获取模块，用于获取多个历史用户的历史记录；第二确定模块，用于针对至少一个候选用户中的每个候选用户，基于历史记录，从多个历史用户中确定与候选用户相关联的至少一个关联用户，其中，关联用户的历史记录指示了关联用户对候选用户的历史资源执行第一预设操作；第一处理模块，用于对至少一个关联用户的用户特征进行处理，得到候选用户的用户特征。
根据本公开的实施例，装置500还可以包括：第三确定模块和第二处理模块。第三确定模块，用于针对至少一个候选用户中的每个候选用户，确定与候选用户的当前资源相关联的至少一个关联用户，其中，关联用户对候选用户的当前资源执行第二预设操作。第二处理模块，用于对至少一个关联用户的用户特征进行处理，得到候选用户的用户特征。
根据本公开的实施例，推荐模块540包括：评价子模块和推荐子模块。评价子模块，用于利用评价模型对待推荐资源集合中的每个资源进行评价，得到针对每个资源的评价值。推荐子模块，用于基于评价值，从待推荐资源集合中确定至少一个资源进行推荐。
根据本公开的实施例，目标用户包括多个目标用户，比较结果包括针对每个目标用户的相似度数据；推荐子模块包括：调整单元、确定单元和推荐单元。调整单元，用于基于相似度数据，对待推荐资源集合中目标用户的资源的评价值进行调整。确定单元，用于基于调整后的评价值，从待推荐资源集合中确定至少一个资源。推荐单元，用于将至少一个资源按照评价值进行排序以进行推荐。
根据本公开的实施例，评价子模块包括：获取单元和处理单元。获取单元，用于针对待推荐资源集合中的每个资源，获取与资源相关联的输入信息。处理单元，用于将输入信息输入评价模型中进行处理，得到针对资源的评价值，其中，输入信息包括以下至少一个：当前用户的用户信息、提供资源的用户的用户信息、资源的属性信息、当前用户获取资源的渠道信息。
根据本公开的实施例，针对当前用户或关联用户，装置500还可以包括：构建模块、第二获取模块和第三处理模块。构建模块，用于基于多个训练用户和多个资源彼此之间的关联关系，构建关系图。第二获取模块，用于基于关系图，获取多个数据序列。第三处理模块，用于利用用户特征提取模型处理多个数据序列，得到当前用户的用户特征或关联用户的用户特征。
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，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6是用来实现本公开实施例的用于执行资源推荐的电子设备的框图。
图6示出了可以用来实施本公开实施例的示例电子设备600的示意性框图。电子设备600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6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理，例如资源推荐方法。例如，在一些实施例中，资源推荐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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的资源推荐方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行资源推荐方法。
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、现场可编程门阵列(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 (17)
1.一种资源推荐方法，包括：
将当前用户的用户特征和至少一个候选用户的用户特征分别进行相似度比较，得到比较结果，其中，针对每个候选用户，所述候选用户的用户特征是基于关联用户的用户特征得到的，所述关联用户与所述候选用户相关联；
基于所述比较结果，从所述至少一个候选用户中确定目标用户；
将所述目标用户的当前资源添加至待推荐资源集合中；以及
向所述当前用户推荐所述待推荐资源集合中的至少一个资源。
2.根据权利要求1所述的方法，还包括：
获取多个历史用户的历史记录；
针对所述至少一个候选用户中的每个候选用户，基于所述历史记录，从所述多个历史用户中确定与所述候选用户相关联的至少一个关联用户，其中，所述关联用户的历史记录指示了所述关联用户对所述候选用户的历史资源执行第一预设操作；以及
对所述至少一个关联用户的用户特征进行处理，得到所述候选用户的用户特征。
3.根据权利要求1所述的方法，还包括：
针对所述至少一个候选用户中的每个候选用户，确定与所述候选用户的当前资源相关联的至少一个关联用户，其中，所述关联用户对所述候选用户的当前资源执行第二预设操作；以及
对所述至少一个关联用户的用户特征进行处理，得到所述候选用户的用户特征。
4.根据权利要求1所述的方法，其中，所述向所述当前用户推荐所述待推荐资源集合中的至少一个资源包括：
利用评价模型对所述待推荐资源集合中的每个资源进行评价，得到针对每个资源的评价值；以及
基于所述评价值，从所述待推荐资源集合中确定至少一个资源进行推荐。
5.根据权利要求4所述的方法，其中，所述目标用户包括多个目标用户，所述比较结果包括针对每个目标用户的相似度数据；所述基于所述评价值，从所述待推荐资源集合中确定至少一个资源进行推荐包括：
基于所述相似度数据，对所述待推荐资源集合中目标用户的资源的评价值进行调整；
基于调整后的评价值，从所述待推荐资源集合中确定至少一个资源；以及
将所述至少一个资源按照评价值进行排序以进行推荐。
6.根据权利要求4或5所述的方法，其中，所述利用评价模型对所述待推荐资源集合中的每个资源进行评价，得到针对每个资源的评价值包括：
针对所述待推荐资源集合中的每个资源，获取与所述资源相关联的输入信息；
将所述输入信息输入所述评价模型中进行处理，得到针对所述资源的评价值，
其中，所述输入信息包括以下至少一个：所述当前用户的用户信息、提供所述资源的用户的用户信息、所述资源的属性信息、所述当前用户获取资源的渠道信息。
7.根据权利要求1-6中任意一项所述的方法，还包括，针对所述当前用户或所述关联用户：
基于多个训练用户和多个资源彼此之间的关联关系，构建关系图；
基于所述关系图，获取多个数据序列；以及
利用用户特征提取模型处理所述多个数据序列，得到当前用户的用户特征或所述关联用户的用户特征。
8.一种资源推荐装置，包括：
比较模块，用于将当前用户的用户特征和至少一个候选用户的用户特征分别进行相似度比较，得到比较结果，其中，针对每个候选用户，所述候选用户的用户特征是基于关联用户的用户特征得到的，所述关联用户与所述候选用户相关联；
第一确定模块，用于基于所述比较结果，从所述至少一个候选用户中确定目标用户；
添加模块，用于将所述目标用户的当前资源添加至待推荐资源集合中；以及
推荐模块，用于向所述当前用户推荐所述待推荐资源集合中的至少一个资源。
9.根据权利要求8所述的装置，还包括：
第一获取模块，用于获取多个历史用户的历史记录；
第二确定模块，用于针对所述至少一个候选用户中的每个候选用户，基于所述历史记录，从所述多个历史用户中确定与所述候选用户相关联的至少一个关联用户，其中，所述关联用户的历史记录指示了所述关联用户对所述候选用户的历史资源执行第一预设操作；以及
第一处理模块，用于对所述至少一个关联用户的用户特征进行处理，得到所述候选用户的用户特征。
10.根据权利要求8所述的装置，还包括：
第三确定模块，用于针对所述至少一个候选用户中的每个候选用户，确定与所述候选用户的当前资源相关联的至少一个关联用户，其中，所述关联用户对所述候选用户的当前资源执行第二预设操作；以及
第二处理模块，用于对所述至少一个关联用户的用户特征进行处理，得到所述候选用户的用户特征。
11.根据权利要求8所述的装置，其中，所述推荐模块包括：
评价子模块，用于利用评价模型对所述待推荐资源集合中的每个资源进行评价，得到针对每个资源的评价值；以及
推荐子模块，用于基于所述评价值，从所述待推荐资源集合中确定至少一个资源进行推荐。
12.根据权利要求11所述的装置，其中，所述目标用户包括多个目标用户，所述比较结果包括针对每个目标用户的相似度数据；所述推荐子模块包括：
调整单元，用于基于所述相似度数据，对所述待推荐资源集合中目标用户的资源的评价值进行调整；
确定单元，用于基于调整后的评价值，从所述待推荐资源集合中确定至少一个资源；以及
推荐单元，用于将所述至少一个资源按照评价值进行排序以进行推荐。
13.根据权利要求11或12所述的装置，其中，所述评价子模块包括：
获取单元，用于针对所述待推荐资源集合中的每个资源，获取与所述资源相关联的输入信息；
处理单元，用于将所述输入信息输入所述评价模型中进行处理，得到针对所述资源的评价值，
其中，所述输入信息包括以下至少一个：所述当前用户的用户信息、提供所述资源的用户的用户信息、所述资源的属性信息、所述当前用户获取资源的渠道信息。
14.根据权利要求8-13中任意一项所述的装置，还包括，针对所述当前用户或所述关联用户：
构建模块，用于基于多个训练用户和多个资源彼此之间的关联关系，构建关系图；
第二获取模块，用于基于所述关系图，获取多个数据序列；以及
第三处理模块，用于利用用户特征提取模型处理所述多个数据序列，得到当前用户的用户特征或所述关联用户的用户特征。
15.一种电子设备，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1-7中任一项所述的方法。
16.一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权利要求1-7中任一项所述的方法。
17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110605965.3A CN113360756A (zh) | 2021-05-31 | 2021-05-31 | 资源推荐方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110605965.3A CN113360756A (zh) | 2021-05-31 | 2021-05-31 | 资源推荐方法、装置、电子设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113360756A true CN113360756A (zh) | 2021-09-07 |
Family
ID=77530738
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110605965.3A Pending CN113360756A (zh) | 2021-05-31 | 2021-05-31 | 资源推荐方法、装置、电子设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113360756A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109426985A (zh) * | 2017-09-04 | 2019-03-05 | 腾讯科技（深圳）有限公司 | 信息处理方法、装置、计算机设备和存储介质 |
| CN110825977A (zh) * | 2019-10-10 | 2020-02-21 | 平安科技（深圳）有限公司 | 一种数据推荐方法及相关设备 |
| CN111695023A (zh) * | 2019-03-11 | 2020-09-22 | 北京京东尚科信息技术有限公司 | 信息推荐方法、装置、存储介质及设备 |
-
2021
- 2021-05-31 CN CN202110605965.3A patent/CN113360756A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109426985A (zh) * | 2017-09-04 | 2019-03-05 | 腾讯科技（深圳）有限公司 | 信息处理方法、装置、计算机设备和存储介质 |
| CN111695023A (zh) * | 2019-03-11 | 2020-09-22 | 北京京东尚科信息技术有限公司 | 信息推荐方法、装置、存储介质及设备 |
| CN110825977A (zh) * | 2019-10-10 | 2020-02-21 | 平安科技（深圳）有限公司 | 一种数据推荐方法及相关设备 |
Non-Patent Citations (1)
| Title |
|---|
| 王伟军 等: "《大数据分析》", 31 May 2017, 重庆：重庆大学出版社, pages: 166 - 167 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114329201B (zh) | 深度学习模型的训练方法、内容推荐方法和装置 | |
| CN113312512B (zh) | 训练方法、推荐方法、装置、电子设备以及存储介质 | |
| CN112765478B (zh) | 用于推荐内容的方法、装置、设备、介质和程序产品 | |
| 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 | |
| CN110866040A (zh) | 用户画像生成方法、装置和系统 | |
| CN113365090B (zh) | 对象推荐方法、对象推荐装置、电子设备及可读存储介质 | |
| CN112905885A (zh) | 向用户推荐资源的方法、装置、设备、介质和程序产品 | |
| CN117573973A (zh) | 资源推荐方法、装置、电子设备以及存储介质 | |
| CN116955817A (zh) | 内容推荐方法、装置、电子设备以及存储介质 | |
| CN113722593B (zh) | 事件数据处理方法、装置、电子设备和介质 | |
| CN112632384B (zh) | 针对应用程序的数据处理方法、装置、电子设备和介质 | |
| CN114036397B (zh) | 数据推荐方法、装置、电子设备和介质 | |
| CN115168732A (zh) | 资源推荐方法、装置、设备以及存储介质 | |
| CN113365095B (zh) | 直播资源推荐方法、装置、电子设备以及存储介质 | |
| CN113656689B (zh) | 模型生成方法和网络信息的推送方法 | |
| CN113127683B (zh) | 内容推荐方法、装置、电子设备和介质 | |
| CN114880562A (zh) | 用于推荐信息的方法和装置 | |
| CN113961797A (zh) | 资源推荐方法、装置、电子设备和可读存储介质 | |
| CN113360756A (zh) | 资源推荐方法、装置、电子设备和介质 | |
| CN111984839B (zh) | 绘制用户画像的方法和装置 | |
| CN113326436A (zh) | 确定推荐资源的方法、装置、电子设备和存储介质 | |
| CN113763080A (zh) | 推荐物品的确定方法、装置、电子设备和存储介质 | |
| CN114969514B (zh) | 一种直播推荐方法、装置及电子设备 | |
| CN113343090B (zh) | 用于推送信息的方法、装置、设备、介质和产品 | |
| CN113360765B (zh) | 事件信息的处理方法、装置、电子设备和介质 |
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 |