CN113360773A - 推荐方法、装置、存储介质及电子设备 - Google Patents
推荐方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113360773A CN113360773A CN202110768830.9A CN202110768830A CN113360773A CN 113360773 A CN113360773 A CN 113360773A CN 202110768830 A CN202110768830 A CN 202110768830A CN 113360773 A CN113360773 A CN 113360773A
- Authority
- CN
- China
- Prior art keywords
- entity
- recommended
- occurrence
- candidate
- determining
- 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
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0263—Targeted advertisements based upon Internet or website rating
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0277—Online advertisement
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种推荐方法、装置、存储介质及电子设备,所述方法包括:获取待推荐实体的推荐请求,所述推荐请求携带有用户特征和所述待推荐实体的实体特征,该实体特征包括共现特征,所述共现特征表征在预设历史时间段内所述待推荐实体和与该待推荐实体被执行过同一行为的实体之间的相似性;将所述用户特征和所述待推荐实体的实体特征,输入至训练好的推荐模型,得到所述待推荐实体的所有被推荐实体的排序结果;根据所述排序结果,对所述待推荐实体进行推荐,由于共现特征能很好的捕捉待推荐实体和其他实体的相似性,进而确定其他实体中能成为待推荐实体的被推荐实体,提高了对用户实体推荐的准确性。
Description
技术领域
本公开涉及信息处理技术领域,具体地,涉及一种推荐方法、装置、存储介质及电子设备。
背景技术
推荐是为用户提供建议,从而帮助用户发现其感兴趣的信息的一系列操作。
在相关技术中,通常采用纯列表类或数值类特征,例如,一个APP(应用程序,Application的缩写)曾经被什么用户看过、有多少用户看过,难以捕捉APP之间的相似性,进而造成推荐不准确等问题。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开提供一种推荐方法,所述方法包括:
获取待推荐实体的推荐请求,所述推荐请求携带有用户特征和所述待推荐实体的实体特征,该实体特征包括共现特征,所述共现特征表征在预设历史时间段内所述待推荐实体和与该待推荐实体被执行过同一行为的实体之间的相似性;
将所述用户特征和所述待推荐实体的实体特征,输入至训练好的推荐模型,得到所述待推荐实体的所有被推荐实体的排序结果;
根据所述排序结果,对所述待推荐实体进行推荐。
第二方面,本公开提供一种推荐装置,所述装置包括:
获取模块,用于获取待推荐实体的推荐请求,所述推荐请求携带有用户特征和所述待推荐实体的实体特征,该实体特征包括共现特征,所述共现特征表征在预设历史时间段内所述待推荐实体和与该待推荐实体被执行过同一行为的实体之间的相似性;
排序模块,用于将所述用户特征和所述待推荐实体的实体特征,输入至训练好的推荐模型,得到所述待推荐实体的所有被推荐实体的排序结果;
推荐模块,用于根据所述排序结果,对所述待推荐实体进行推荐。
第三方面,本公开提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现上述第一方面中任一所述推荐方法的步骤。
第四方面,本公开提供一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现上述第一方面中任一所述推荐方法的步骤。
通过上述技术方案,通过待推荐实体的用户特征和包括共现特征的实体特征确定待推荐实体的所有被推荐实体的排序结果,并根据排序结果,对待推荐实体进行推荐,由于共现特征表征在预设历史时间段内待推荐实体和与该待推荐实体被执行过同一行为的实体之间的相似性,因此,能很好的捕捉待推荐实体和其他实体的相似性,进而确定其他实体中能成为待推荐实体的被推荐实体,提高了对用户实体推荐的准确性,同时,在某些实体推荐中也为平台提高了转化率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1是根据本公开一示例性实施例示出的一种推荐方法的流程图。
图2是根据本公开一示例性实施例示出的一种共现矩阵的示例图。
图3是根据本公开一示例性实施例示出的一种推荐装置的框图。
图4是根据本公开一示例性实施例示出的一种电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
正如背景技术所言,相关技术中,通常采用纯列表类或数值类特征,例如,一个APP(应用程序,Application的缩写)曾经被什么用户看过、有多少用户看过,难以捕捉APP之间的相似性,进而造成推荐不准确等问题。
有鉴于此,本公开实施例提供一种推荐方法、装置、存储介质及电子设备,能很好的捕捉待推荐实体和其他实体的相似性,进而确定其他实体中能成为待推荐实体的被推荐实体,提高了对用户实体推荐的准确性,同时,在某些实体推荐中也为平台提高了转化率。
图1是根据本公开一示例性实施例示出的一种推荐方法的流程图。参照图1,该推荐方法可以包括:
步骤101,获取待推荐实体的推荐请求,推荐请求携带有用户特征和待推荐实体的实体特征,该实体特征包括共现特征,共现特征表征在预设历史时间段内待推荐实体和与该待推荐实体被执行过同一行为的实体之间的相似性。
步骤102,将用户特征和待推荐实体的实体特征,输入至训练好的推荐模型,得到待推荐实体的所有被推荐实体的排序结果。
步骤103,根据排序结果,对待推荐实体进行推荐。
示例地,待推荐实体可以包括广告、APP、商品、文章等。
示例地,用户特征是使用生成推荐请求的终端的用户的特征,用户特征可以包括用户地域特征、性别特征、历史行为特征等,其中,历史行为特征包括历史观看特征、历史电机特征、历史购买特征等。
示例地,用户特征可以从用户对终端的历史操作中进行获取,例如,从对下载的某一APP中填写的注册信息中获取用户地域特征、性别特征。
示例地,实体特征可以包括共现特征、实体品牌特征、实体类别特征、实体指标的总数量与平均数量,该指标可以是注册指标、购买指标等。且需要说明的是,实体的共现特征表征为由与该实体在预设历史时间段内均发生过同一行为的实体的相关性,在预设历史时间段内均发生过同一行为称之为共现行为,该共现行为可以包括点击、购买、浏览、注册等。
示例地,预设历史时间段可以是一天,一周、或一个月,本实施例对此不作限定。
在本公开中,推荐模型用于预测待推荐实体的所有被推荐实体的排序结果,可以理解的是,该排序结果可以是相似性从高到低的排序结果,也可以是相似性从低到高的排序结果。相似性排位的高低对应表征被推荐实体与待推荐实体的相似性的高低,可以理解的是,排位高的被推荐实体与待推荐实体的相似性越高。
推荐模型可以通过以下方式训练得到:获取多个训练样本,每个训练样本包括历史用户特征、历史实体特征和标准标签,其中,历史实体特征包括历史共现特征;将预设模型的模型参数进行初始化;将训练样本输入至所述预设模型,得到预测排序结果;依次确定预测排序结果和与对应的训练样本中的标准标签所对应的结果的差值;根据差值调整预设模型的模型参数,在差值不再有显著地降低时,输出训练好的模型作为推荐模型。
需要说明的是,训练样本中的历史用户特征、历史实体特征可以与上述图1中提到的用户特征和实体特征相似,本实施在此不作限定。
需要说明的是,利用共现特征训练的得到的推荐模型在上线进行应用时,新输入的待推荐实体的特征更容易被历史的待推荐实体的特征所泛化,如此,便可减少推荐模型的冷启动时间,推荐模型的训练效果也会提高。
在可能的方式中,在排序结果是相似性从高到低的排序结果的情况下,图1所示步骤103可以包括:将排序结果前预设数量的被推荐实体推荐至用户使用的终端,以帮助用户发现其感兴趣的被推荐实体。其中,前预设数量可以是前3个,也可以是前5个,本实施例对此不作限定。
通过上述方式,通过待推荐实体的用户特征和包括共现特征的实体特征确定待推荐实体的所有被推荐实体的排序结果,并根据排序结果,对待推荐实体进行推荐,由于共现特征表征在预设历史时间段内待推荐实体和与该待推荐实体被执行过同一行为的实体之间的相似性,因此,能很好的捕捉待推荐实体和其他实体的相似性,进而确定其他实体中能成为待推荐实体的被推荐实体,提高了对用户实体推荐的准确性,同时,在某些实体推荐中也为平台提高了转化率,例如在APP推荐的过程中,本公开可以有效地提高用户注册率,如此,便能提高该APP用户的转化率。
以下将以待推荐实体为广告、且行为包括点击对本公开进行进一步解释说明。
在可能的方式中,共现特征是依据各实体在预设历史时间段内发生过的行为所构建的共现矩阵确定的,该共现矩阵包括针对每两个实体,用户在预设历史时间段被执行过同一行为的用户数量。
图2是根据本公开一示例性实施例示出的一种共现矩阵的示例图,参照图2,图2所示的ad1,ad2,ad3,ad4,ad5,ad6,ad7,ad8,ad9,ad10,ad11为不同的广告,每两项广告对应的交叉方格中的数量表征在预设历史时间段内均点击过这两项广告的用户数量。示例地,以图2所示第二行第四列对应格子中的数据3为例,在预设历史时间内,共有3个用户在预设历史时间内点击过ad3和ad8。
在可能的方式中,共现特征可以通过下方式确定:基于共现矩阵,确定待推荐实体和候选实体之间的相似性,其中,候选实体是与待推荐实体在预设历史时间段内被执行过同一行为的用户数量超过预设数值的实体;将所有相似性中位于前预设个数的相似性确定为目标相似性;按照目标相似性的大小,对每一目标相似性设置相应的权重大小,并将设置权重大小的目标相似性进行向量转换得到与每个目标相似性对应的向量特征;将所有向量特征确定为待推荐实体对应的共现特征。
需要说明的是,预设数值是大于且等于零的正整数。以图2所示的共现矩阵为例,在待推荐实体为ad1,且预设数值为0时,ad1的候选实体为ad9,ad10。在待推荐实体为ad6,且预设数值为2时,ad6的候选实体为ad10,ad11。
在本公开中,预设个数可以根据共现矩阵的大小进行设定,共现矩阵越大,预设个数越大。示例地,在预设个数为5时,则可以将所有相似性中位于前5的相似性确定为目标相似性。
可以理解是,由于候选实体与待推荐实体的相似性越高,表征候选实体与待推荐实体相似度越高,因此,基于该相似性的高低,可以为不同高低的相似性手语不同的权重,即不同的重要性,以便于后续被推荐实体的预测结果更准确。
在可能的方式中,基于共现矩阵,确定所述待推荐实体和候选实体之间的相似性可以通过以下方式确定:基于共现矩阵,确定待推荐实体和每一候选实体之间的TF-IDF值;针对每一候选实体的TF-IDF值,将该候选实体的TF-IDF值确定为待推荐实体与该候选实体之间的相似性。
需要说明的是,TF-IDF是一种用于信息检索与数据挖掘的常用加权技术,通常应用于自然语言处理领域中。具体来讲,TF-IDF值包括TF和IDF两种值,其中,TF是词频(TermFrequency),表征一个词在一个文章中出现的频率,且TF越高,则表征该词对该文章越重要。IDF是逆文本频率指数(Inverse Document Frequency),其表征的含义是,若一个单词在文本库(包括多个文章)在越多的文章中出现,则表征该单词对某文章越不重要,比如,英语单词中的“the”。
需要说明的是,描述TF-IDF中TF和IDF的公式有很多,本实施例对此不作限定。
通过上述方式,采用TF-IDF来描述实体之间的相似性,也就是说采用TF-IDF来对实体之间的共现进行刻画,这样,在为待推荐实体捕捉相似实体进行推荐的同时,避免热点高的实体对推荐造成的影响,有效地提高了推荐的准确性。
需要说明的是,还可以采取其他相似度计算的方式来确定待推荐实体与候选实体之间的相关性,也可以采取模型训练的方式来得到相似度模型,进而依据该相似度模型来确定待推荐实体与候选实体之间的相关性。
以下采用一种TF-IDF的计算公式对本公开中基于共现矩阵,确定待推荐实体和每一候选实体之间的TF-IDF值进行进一步解释说明。具体地,包括以下步骤:
首先,针对每一候选实体,根据该候选实体与待推荐实体在预设历史时间段被执行过同一行为的用户数量和待推荐实体与所有候选实体在预设历史时间段被执行过同一行为的用户数量,确定第一相关性值。
其次,根据爬取到的与所述待推荐实体属于同类型的所有实体的数量和与该候选实体在预设历史时间段被执行过同一行为的实体的数量,确定第二相关性值。
然后,根据第一相关性值和第二相关性值,确定待推荐实体与该候选实体之间的TF-IDF值。
示例地,以待推荐实体是广告为例,爬取到的与该待推荐实体属于同类型的实体应为能在网络上爬取到的所有广告。
在上述示例中,第一相关性值为TF值,通过以下公式确定TF值:
TF=Cooccur(co_clk_ad,ad)/∑co_clk_ad′Cooccur(co_clk_ad′,ad);
其中,ad为待推荐实体,co_clk_ad为需要计算TF-IDF值的候选实体,以下简称目标候选实体,co_clk_ad′表征所有候选实体中的一个,Cooccur(co_clk_ad,ad)为目标候选实体与待推荐实体在预设历史时间段被执行过同一行为的用户数量,∑co_clk_ad′Cooccur(co_clk_ad′,ad)为待推荐实体与所有候选实体在预设历史时间段被执行过同一行为的用户数量之和。
第二相关性值为IDF值,通过以下公式确定IDF值:
其中,∑ad′1为爬取到的与待推荐实体属于同类型的所有实体的数量,∑ad′Cooccur(co_clk_ad,ad′)为与目标候选实体在预设历史时间段被执行过同一行为的实体的数量之和。
在上述示例中,第一相关性值和第二相关性值的乘积即可以作为该候选实体的TF-IDF值。
在可能的方式中,所述方法还包括:对共现矩阵中的元素进行压缩存储,以保留共现矩阵中非零元素的行下标、列下标和值。在此情况下,基于共现矩阵,确定待推荐实体和每一所述候选实体之间的TF-IDF值,包括基于压缩存储后的共现矩阵,确定待推荐实体和每一候选实体之间的TF-IDF值。
考虑到共现矩阵的稀疏性,大量实体之间在预设历史时间段内是不会发生共现行为的,如图2所示中存在大量0元素,也就是说只有少量的实体之间才会有用户在预设历史时间段内对这些实体执行同一行为,在共现矩阵较大的情况下,会有更多的0元素,因此,若将0元素也记录在共现矩阵中,则会存在大量无效数据占据了设备的存储空间,因此,通过上述方式,对共现矩阵进行压缩存储,通过记录的行下标、列下标和值来对共现矩阵进行映射,解决了大量无效数据占据设备存储空间的问题。
本公开实施例还提供一种推荐装置,该推荐装置可以通过软件、硬件或者两者结合的方式成为电子设备的部分或全部。参照图3,该推荐装置300包括:
获取模块301,用于获取待推荐实体的推荐请求,所述推荐请求携带有用户特征和所述待推荐实体的实体特征,该实体特征包括共现特征,所述共现特征表征在预设历史时间段内所述待推荐实体和与该待推荐实体被执行过同一行为的实体之间的相似性;
排序模块302,用于将所述用户特征和所述待推荐实体的实体特征,输入至训练好的推荐模型,得到所述待推荐实体的所有被推荐实体的排序结果;
推荐模块303,用于根据所述排序结果,对所述待推荐实体进行推荐。
可选地,所述共现特征是依据各所述实体在所述预设历史时间段内发生过的行为所构建的共现矩阵确定的,该共现矩阵包括针对每两个所述实体,用户在所述预设历史时间段被执行过同一行为的用户数量,所述装置300还包括以下模块:
第一确定模块,用于基于所述共现矩阵,确定所述待推荐实体和候选实体之间的相似性,其中,所述候选实体是与所述待推荐实体在所述预设历史时间段内被执行过同一行为的用户数量超过预设数值的实体;
第二确定模块,用于将所有所述相似性中位于前预设个数的相似性确定为目标相似性;
向量模块,用于按照所述目标相似性的大小,对每一所述目标相似性设置相应的权重大小,并将设置权重大小的目标相似性进行向量转换得到与每个所述目标相似性对应的向量特征;
第三确定模块,用于将所有向量特征确定为所述待推荐实体对应的共现特征。
可选地,所述第一确定模块包括:
TF-IDF值确定子模块,用于基于所述共现矩阵,确定所述待推荐实体和每一所述候选实体之间的TF-IDF值;
相似性确定子模块,用于针对每一所述候选实体的TF-IDF值,将该候选实体的TF-IDF值确定为所述待推荐实体与该候选实体之间的相似性。
可选地,所述TF-IDF值确定子模块具体用于针对每一所述候选实体,根据该候选实体与所述待推荐实体在所述预设历史时间段被执行过同一行为的用户数量和所述待推荐实体与所有所述候选实体在所述预设历史时间段被执行过同一行为的用户数量,确定第一相关性值;
根据爬取到的与所述待推荐实体属于同类型的所有实体的数量和与该候选实体在所述预设历史时间段被执行过同一行为的实体的数量,确定第二相关性值;
根据所述第一相关性值和所述第二相关性值,确定所述待推荐实体与该候选实体之间的TF-IDF值。
可选地,所述装置300还包括:
压缩模块,用于对所述共现矩阵中的元素进行压缩存储,以保留所述共现矩阵中非零元素的行下标、列下标和值;
所述TF-IDF值确定子模块具体用于基于压缩存储后的共现矩阵,确定所述待推荐实体和每一所述候选实体之间的TF-IDF值。
可选地,所述装置300还包括以下模块:
样本获取模块,用于获取多个训练样本,每个训练样本包括历史用户特征、历史实体特征和标准标签,其中,所述历史实体特征包括历史共现特征;
初始化模块,用于将预设模型的模型参数进行初始化;
样本结果预测模块,用于将所述训练样本输入至所述预设模型,得到预测排序结果;
差值确定模块,用于依次确定所述预测排序结果和与对应的训练样本中的标准标签所对应的结果的差值;
调整模块,用于根据所述差值调整所述预设模型的模型参数。
可选地,所述行为包括点击、购买、注册、浏览中的至少一种。
下面参考图4,其示出了适于用来实现本公开实施例的电子设备(例如图1中的终端设备或服务器)400的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的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或者是上述两者的任意组合。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可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本公开中,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。而在本公开中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取待推荐实体的推荐请求,所述推荐请求携带有用户特征和所述待推荐实体的实体特征,该实体特征包括共现特征,所述共现特征表征在预设历史时间段内所述待推荐实体和与该待推荐实体被执行过同一行为的实体之间的相似性;将所述用户特征和所述待推荐实体的实体特征,输入至训练好的推荐模型,得到所述待推荐实体的所有被推荐实体的排序结果;根据所述排序结果,对所述待推荐实体进行推荐。
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公开的操作的计算机程序代码,上述程序设计语言包括但不限于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)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,第一获取模块还可以被描述为“获取至少两个网际协议地址的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
根据本公开的一个或多个实施例,示例1提供了一种推荐方法,包括获取待推荐实体的推荐请求,所述推荐请求携带有用户特征和所述待推荐实体的实体特征,该实体特征包括共现特征,所述共现特征表征在预设历史时间段内所述待推荐实体和与该待推荐实体被执行过同一行为的实体之间的相似性;将所述用户特征和所述待推荐实体的实体特征,输入至训练好的推荐模型,得到所述待推荐实体的所有被推荐实体的排序结果;根据所述排序结果,对所述待推荐实体进行推荐。
根据本公开的一个或多个实施例,示例2提供了示例1的方法,所述共现特征是依据各所述实体在所述预设历史时间段内发生过的行为所构建的共现矩阵确定的,该共现矩阵包括每两个所述实体在所述预设历史时间段被执行过同一行为的用户数量,所述共现特征通过以下方式确定:基于所述共现矩阵,确定所述待推荐实体和候选实体之间的相似性,其中,所述候选实体是与所述待推荐实体在所述预设历史时间段内被执行过同一行为的用户数量超过预设数值的实体;将所有所述相似性中位于前预设个数的相似性确定为目标相似性;按照所述目标相似性的大小,对每一所述目标相似性设置相应的权重大小,并将设置权重大小的目标相似性进行向量转换得到与每个所述目标相似性对应的向量特征;将所有向量特征确定为所述待推荐实体对应的共现特征。
根据本公开的一个或多个实施例,示例3提供了示例2的方法,所述基于所述共现矩阵,确定所述待推荐实体和候选实体之间的相似性,包括:基于所述共现矩阵,确定所述待推荐实体和每一所述候选实体之间的TF-IDF值;针对每一所述候选实体的TF-IDF值,将该候选实体的TF-IDF值确定为所述待推荐实体与该候选实体之间的相似性。
根据本公开的一个或多个实施例,示例4提供了示例3的方法,所述基于所述共现矩阵,确定所述待推荐实体和每一所述候选实体之间的TF-IDF值,包括:针对每一所述候选实体,根据该候选实体与所述待推荐实体在所述预设历史时间段被执行过同一行为的用户数量和所述待推荐实体与所有所述候选实体在所述预设历史时间段被执行过同一行为的用户数量,确定第一相关性值;根据爬取到的与所述待推荐实体属于同类型的所有实体的数量和与该候选实体在所述预设历史时间段被执行过同一行为的实体的数量,确定第二相关性值;根据所述第一相关性值和所述第二相关性值,确定所述待推荐实体与该候选实体之间的TF-IDF值。
根据本公开的一个或多个实施例,示例5提供了示例3的方法,所述方法还包括:对所述共现矩阵中的元素进行压缩存储,以保留所述共现矩阵中非零元素的行下标、列下标和值;所述基于所述共现矩阵,确定所述待推荐实体和每一所述候选实体之间的TF-IDF值,包括:基于压缩存储后的共现矩阵,确定所述待推荐实体和每一所述候选实体之间的TF-IDF值。
根据本公开的一个或多个实施例,示例6提供了示例1-5的方法,所述推荐模型通过以下方式训练得到:获取多个训练样本,每个训练样本包括历史用户特征、历史实体特征和标准标签,其中,所述历史实体特征包括历史共现特征;将预设模型的模型参数进行初始化;将所述训练样本输入至所述预设模型,得到预测排序结果;依次确定所述预测排序结果和与对应的训练样本中的标准标签所对应的结果的差值;根据所述差值调整所述预设模型的模型参数。
根据本公开的一个或多个实施例,示例7提供了示例1的方法,所述行为包括点击、购买、注册、浏览中的至少一种。
根据本公开的一个或多个实施例,示例8提供了一种推荐装置,所述装置包括:获取模块,用于获取待推荐实体的推荐请求,所述推荐请求携带有用户特征和所述待推荐实体的实体特征,该实体特征包括共现特征,所述共现特征表征在预设历史时间段内所述待推荐实体和与该待推荐实体被执行过同一行为的实体之间的相似性;排序模块,用于将所述用户特征和所述待推荐实体的实体特征,输入至训练好的推荐模型,得到所述待推荐实体的所有被推荐实体的排序结果;推荐模块,用于根据所述排序结果,对所述待推荐实体进行推荐。
根据本公开的一个或多个实施例,示例9提供了示例8的装置,所述共现特征是依据各所述实体在所述预设历史时间段内发生过的行为所构建的共现矩阵确定的,该共现矩阵包括每两个所述实体在所述预设历史时间段被执行过同一行为的用户数量,所述装置300还包括以下模块:第一确定模块,用于基于所述共现矩阵,确定所述待推荐实体和候选实体之间的相似性,其中,所述候选实体是与所述待推荐实体在所述预设历史时间段内被执行过同一行为的用户数量超过预设数值的实体;第二确定模块,用于将所有所述相似性中位于前预设个数的相似性确定为目标相似性;向量模块,用于按照所述目标相似性的大小,对每一所述目标相似性设置相应的权重大小,并将设置权重大小的目标相似性进行向量转换得到与每个所述目标相似性对应的向量特征;第三确定模块,用于将所有向量特征确定为所述待推荐实体对应的共现特征。
根据本公开的一个或多个实施例,示例10提供了示例9的装置,所述第一确定模块包括:TF-IDF值确定子模块,用于基于所述共现矩阵,确定所述待推荐实体和每一所述候选实体之间的TF-IDF值;相似性确定子模块,用于针对每一所述候选实体的TF-IDF值,将该候选实体的TF-IDF值确定为所述待推荐实体与该候选实体之间的相似性。
根据本公开的一个或多个实施例,示例11提供了示例10的装置,所述TF-IDF值确定子模块具体用于针对每一所述候选实体,根据该候选实体与所述待推荐实体在所述预设历史时间段被执行过同一行为的用户数量和所述待推荐实体与所有所述候选实体在所述预设历史时间段被执行过同一行为的用户数量,确定第一相关性值;根据爬取到的与所述待推荐实体属于同类型的所有实体的数量和与该候选实体在所述预设历史时间段被执行过同一行为的实体的数量,确定第二相关性值;根据所述第一相关性值和所述第二相关性值,确定所述待推荐实体与该候选实体之间的TF-IDF值。
根据本公开的一个或多个实施例,示例12提供了示例10的装置,所述装置300还包括:压缩模块,用于对所述共现矩阵中的元素进行压缩存储,以保留所述共现矩阵中非零元素的行下标、列下标和值;所述TF-IDF值确定子模块具体用于基于压缩存储后的共现矩阵,确定所述待推荐实体和每一所述候选实体之间的TF-IDF值。
根据本公开的一个或多个实施例,示例13提供了示例8-12的装置,可选地,所述装置还包括以下模块:样本获取模块,用于获取多个训练样本,每个训练样本包括历史用户特征、历史实体特征和标准标签,其中,所述历史实体特征包括历史共现特征;初始化模块,用于将预设模型的模型参数进行初始化;样本结果预测模块,用于将所述训练样本输入至所述预设模型,得到预测排序结果;差值确定模块,用于依次确定所述预测排序结果和与对应的训练样本中的标准标签所对应的结果的差值;调整模块,用于根据所述差值调整所述预设模型的模型参数。
根据本公开的一个或多个实施例,示例14提供了示例8的装置,所述行为包括点击、购买、注册、浏览中的至少一种。
根据本公开的一个或多个实施例,示例15提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现示例1至7任一项所述方法的步骤。
根据本公开的一个或多个实施例,示例16提供了一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现示例1至7任一项所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
Claims (10)
1.一种推荐方法,其特征在于,所述方法包括:
获取待推荐实体的推荐请求,所述推荐请求携带有用户特征和所述待推荐实体的实体特征,该实体特征包括共现特征,所述共现特征表征在预设历史时间段内所述待推荐实体和与该待推荐实体被执行过同一行为的实体之间的相似性;
将所述用户特征和所述待推荐实体的实体特征,输入至训练好的推荐模型,得到所述待推荐实体的所有被推荐实体的排序结果;
根据所述排序结果,对所述待推荐实体进行推荐。
2.根据权利要求1所述的方法,其特征在于,所述共现特征是依据各所述实体在所述预设历史时间段内发生过的行为所构建的共现矩阵确定的,该共现矩阵包括针对每两个所述实体,用户在所述预设历史时间段被执行过同一行为的用户数量,所述共现特征通过以下方式确定:
基于所述共现矩阵,确定所述待推荐实体和候选实体之间的相似性,其中,所述候选实体是与所述待推荐实体在所述预设历史时间段内被执行过同一行为的用户数量超过预设数值的实体;
将所有所述相似性中位于前预设个数的相似性确定为目标相似性;
按照所述目标相似性的大小,对每一所述目标相似性设置相应的权重大小,并将设置权重大小的目标相似性进行向量转换得到与每个所述目标相似性对应的向量特征;
将所有向量特征确定为所述待推荐实体对应的共现特征。
3.根据权利要求2所述的方法,其特征在于,所述基于所述共现矩阵,确定所述待推荐实体和候选实体之间的相似性,包括:
基于所述共现矩阵,确定所述待推荐实体和每一所述候选实体之间的TF-IDF值;
针对每一所述候选实体的TF-IDF值,将该候选实体的TF-IDF值确定为所述待推荐实体与该候选实体之间的相似性。
4.根据权利要求3所述的方法,其特征在于,所述基于所述共现矩阵,确定所述待推荐实体和每一所述候选实体之间的TF-IDF值,包括:
针对每一所述候选实体,根据该候选实体与所述待推荐实体在所述预设历史时间段被执行过同一行为的用户数量和所述待推荐实体与所有所述候选实体在所述预设历史时间段被执行过同一行为的用户数量,确定第一相关性值;
根据爬取到的与所述待推荐实体属于同类型的所有实体的数量和与该候选实体在所述预设历史时间段被执行过同一行为的实体的数量,确定第二相关性值;
根据所述第一相关性值和所述第二相关性值,确定所述待推荐实体与该候选实体之间的TF-IDF值。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:
对所述共现矩阵中的元素进行压缩存储,以保留所述共现矩阵中非零元素的行下标、列下标和值;
所述基于所述共现矩阵,确定所述待推荐实体和每一所述候选实体之间的TF-IDF值,包括:
基于压缩存储后的共现矩阵,确定所述待推荐实体和每一所述候选实体之间的TF-IDF值。
6.根据权利要求1-5任一所述的方法,其特征在于,所述推荐模型通过以下方式训练得到:
获取多个训练样本,每个训练样本包括历史用户特征、历史实体特征和标准标签,其中,所述历史实体特征包括历史共现特征;
将预设模型的模型参数进行初始化;
将所述训练样本输入至所述预设模型,得到预测排序结果;
依次确定所述预测排序结果和与对应的训练样本中的标准标签所对应的结果的差值;
根据所述差值调整所述预设模型的模型参数。
7.根据权利要求1所述的方法,其特征在于,所述行为包括点击、购买、注册、浏览中的至少一种。
8.一种推荐装置,其特征在于,所述装置包括:
获取模块,用于获取待推荐实体的推荐请求,所述推荐请求携带有用户特征和所述待推荐实体的实体特征,该实体特征包括共现特征,所述共现特征表征在预设历史时间段内所述待推荐实体和与该待推荐实体被执行过同一行为的实体之间的相似性;
排序模块,用于将所述用户特征和所述待推荐实体的实体特征,输入至训练好的推荐模型,得到所述待推荐实体的所有被推荐实体的排序结果;
推荐模块,用于根据所述排序结果,对所述待推荐实体进行推荐。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110768830.9A CN113360773B (zh) | 2021-07-07 | 2021-07-07 | 推荐方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110768830.9A CN113360773B (zh) | 2021-07-07 | 2021-07-07 | 推荐方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113360773A true CN113360773A (zh) | 2021-09-07 |
CN113360773B CN113360773B (zh) | 2023-07-04 |
Family
ID=77538591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110768830.9A Active CN113360773B (zh) | 2021-07-07 | 2021-07-07 | 推荐方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113360773B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113963234A (zh) * | 2021-10-25 | 2022-01-21 | 北京百度网讯科技有限公司 | 数据标注处理方法、装置、电子设备和介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045901A (zh) * | 2015-08-05 | 2015-11-11 | 百度在线网络技术(北京)有限公司 | 搜索关键词的推送方法和装置 |
CN108345702A (zh) * | 2018-04-10 | 2018-07-31 | 北京百度网讯科技有限公司 | 实体推荐方法和装置 |
CN108629665A (zh) * | 2018-05-08 | 2018-10-09 | 北京邮电大学 | 一种个性化商品推荐方法和系统 |
CN109241403A (zh) * | 2018-08-03 | 2019-01-18 | 腾讯科技(深圳)有限公司 | 项目推荐方法、装置、机器设备和计算机可读存储介质 |
CN110084671A (zh) * | 2019-04-17 | 2019-08-02 | 上海拉扎斯信息科技有限公司 | 信息处理方法、信息处理装置、存储介质和电子设备 |
CN110309427A (zh) * | 2018-05-31 | 2019-10-08 | 腾讯科技(深圳)有限公司 | 一种对象推荐方法、装置及存储介质 |
CN111523010A (zh) * | 2019-02-03 | 2020-08-11 | 阿里巴巴集团控股有限公司 | 推荐方法、装置、终端设备及计算机存储介质 |
CN111553279A (zh) * | 2020-04-28 | 2020-08-18 | 北京百度网讯科技有限公司 | 兴趣点的表征学习、识别方法、装置、设备及存储介质 |
CN111754278A (zh) * | 2019-03-27 | 2020-10-09 | 北京京东尚科信息技术有限公司 | 物品推荐方法、装置、计算机存储介质和电子设备 |
CN112001776A (zh) * | 2020-08-24 | 2020-11-27 | 上海风秩科技有限公司 | 一种服务信息推送方法、装置、存储介质及电子设备 |
CN112418956A (zh) * | 2020-12-16 | 2021-02-26 | 国网雄安金融科技集团有限公司 | 一种金融产品的推荐方法及装置 |
CN112836128A (zh) * | 2021-02-10 | 2021-05-25 | 脸萌有限公司 | 信息推荐方法、装置、设备和存储介质 |
-
2021
- 2021-07-07 CN CN202110768830.9A patent/CN113360773B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045901A (zh) * | 2015-08-05 | 2015-11-11 | 百度在线网络技术(北京)有限公司 | 搜索关键词的推送方法和装置 |
CN108345702A (zh) * | 2018-04-10 | 2018-07-31 | 北京百度网讯科技有限公司 | 实体推荐方法和装置 |
CN108629665A (zh) * | 2018-05-08 | 2018-10-09 | 北京邮电大学 | 一种个性化商品推荐方法和系统 |
CN110309427A (zh) * | 2018-05-31 | 2019-10-08 | 腾讯科技(深圳)有限公司 | 一种对象推荐方法、装置及存储介质 |
CN109241403A (zh) * | 2018-08-03 | 2019-01-18 | 腾讯科技(深圳)有限公司 | 项目推荐方法、装置、机器设备和计算机可读存储介质 |
CN111523010A (zh) * | 2019-02-03 | 2020-08-11 | 阿里巴巴集团控股有限公司 | 推荐方法、装置、终端设备及计算机存储介质 |
CN111754278A (zh) * | 2019-03-27 | 2020-10-09 | 北京京东尚科信息技术有限公司 | 物品推荐方法、装置、计算机存储介质和电子设备 |
CN110084671A (zh) * | 2019-04-17 | 2019-08-02 | 上海拉扎斯信息科技有限公司 | 信息处理方法、信息处理装置、存储介质和电子设备 |
CN111553279A (zh) * | 2020-04-28 | 2020-08-18 | 北京百度网讯科技有限公司 | 兴趣点的表征学习、识别方法、装置、设备及存储介质 |
CN112001776A (zh) * | 2020-08-24 | 2020-11-27 | 上海风秩科技有限公司 | 一种服务信息推送方法、装置、存储介质及电子设备 |
CN112418956A (zh) * | 2020-12-16 | 2021-02-26 | 国网雄安金融科技集团有限公司 | 一种金融产品的推荐方法及装置 |
CN112836128A (zh) * | 2021-02-10 | 2021-05-25 | 脸萌有限公司 | 信息推荐方法、装置、设备和存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113963234A (zh) * | 2021-10-25 | 2022-01-21 | 北京百度网讯科技有限公司 | 数据标注处理方法、装置、电子设备和介质 |
CN113963234B (zh) * | 2021-10-25 | 2024-02-23 | 北京百度网讯科技有限公司 | 数据标注处理方法、装置、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113360773B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111414498B (zh) | 多媒体信息推荐方法、装置及电子设备 | |
US11194822B2 (en) | Search ranking method and apparatus, electronic device and storage medium | |
CN111125574B (zh) | 用于生成信息的方法和装置 | |
CN110298716B (zh) | 信息推送方法和装置 | |
CN110634047B (zh) | 一种推荐房源的方法、装置、电子设备及存储介质 | |
CN111368185A (zh) | 数据展示方法、装置、存储介质及电子设备 | |
CN113592535B (zh) | 一种广告推荐方法、装置、电子设备和存储介质 | |
CN114443897B (zh) | 一种视频推荐方法、装置、电子设备和存储介质 | |
CN113688310B (zh) | 一种内容推荐方法、装置、设备及存储介质 | |
CN111291258A (zh) | 搜索热词的推荐方法、装置、电子设备及可读介质 | |
CN111488517B (zh) | 用于训练点击率预估模型的方法和装置 | |
CN111897950A (zh) | 用于生成信息的方法和装置 | |
CN110659389A (zh) | 排序方法、装置、电子设备和计算机可读存储介质 | |
CN112328889A (zh) | 推荐搜索词确定方法、装置、可读介质及电子设备 | |
CN112836128A (zh) | 信息推荐方法、装置、设备和存储介质 | |
CN115018552A (zh) | 产品点击率确定方法 | |
CN113610582A (zh) | 广告推荐方法、装置、存储介质及电子设备 | |
US20230281696A1 (en) | Method and apparatus for detecting false transaction order | |
CN113360773B (zh) | 推荐方法、装置、存储介质及电子设备 | |
CN111126649A (zh) | 用于生成信息的方法和装置 | |
US20160162930A1 (en) | Associating Social Comments with Individual Assets Used in a Campaign | |
CN111125502B (zh) | 用于生成信息的方法和装置 | |
CN111026849A (zh) | 数据处理方法和装置 | |
CN112214665A (zh) | 内容展示方法、装置、电子设备及计算机可读存储介质 | |
CN110634024A (zh) | 一种用户属性标记方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |