CN113407851B - 基于双塔模型的确定推荐信息的方法、装置、设备和介质 - Google Patents
基于双塔模型的确定推荐信息的方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN113407851B CN113407851B CN202110803747.0A CN202110803747A CN113407851B CN 113407851 B CN113407851 B CN 113407851B CN 202110803747 A CN202110803747 A CN 202110803747A CN 113407851 B CN113407851 B CN 113407851B
- Authority
- CN
- China
- Prior art keywords
- vector
- feature
- sub
- information
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000013598 vector Substances 0.000 claims abstract description 208
- 238000000605 extraction Methods 0.000 claims abstract description 120
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 230000009977 dual effect Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006870 function 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
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 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
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 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
- 238000002360 preparation method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种确定推荐信息的方法、装置、设备和介质。涉及人工智能领域,更具体地涉及自然语言处理领域、深度学习领域和智能推荐领域。该方法包括:以目标对象的第一特征数据作为双塔模型中第一特征提取网络的输入,得到第一特征向量;将多个待推荐信息中每个待推荐信息的第二特征数据作为双塔模型中第二特征提取网络的输入,得到每个待推荐信息的第二特征向量;以第一特征向量和每个待推荐信息的第二特征向量作为双塔模型中特征匹配网络的输入,得到针对每个待推荐信息的匹配结果;基于该匹配结果,确定针对目标对象的推荐信息。其中,第一特征提取网络为全连接网络,第二特征提取网络包括序列模型。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及自然语言处理领域、深度学习领域和智能推荐领域,更具体地涉及一种基于双塔模型的确定推荐信息的方法、装置、设备和介质。
背景技术
随着网络技术的发展,向用户进行个性化信息推荐的场景越来越多。在进行个性化信息推荐时,通常需要从海量信息中针对性地召回信息,以满足用户的个性化需求,提高用户体验。
例如可以基于信息之间的相关性、用户之间的关联性和信息与用户之间的关联性等进行信息的召回。
发明内容
本公开提供了一种提高模型精度的基于双塔模型的确定推荐信息的方法、装置、设备和介质。
根据本公开的一个方面,提供了一种基于双塔模型的确定推荐信息的方法,其中,双塔模型包括第一特征提取网络、第二特征提取网络和特征匹配网络;该方法包括:以目标对象的第一特征数据作为第一特征提取网络的输入,得到第一特征向量;针对多个待推荐信息中的每个待推荐信息,以每个待推荐信息的第二特征数据作为第二特征提取网络的输入,得到每个待推荐信息的第二特征向量;以第一特征向量和每个待推荐信息的第二特征向量作为特征匹配网络的输入,得到针对每个待推荐信息的匹配结果;以及基于针对每个待推荐信息的匹配结果,确定多个待推荐信息中针对目标对象的推荐信息,其中,第一特征提取网络包括全连接模型,第二特征提取网络包括序列模型。
根据本公开的另一方面,提供了一种基于双塔模型的确定推荐信息的装置,其中,双塔模型包括第一特征提取网络、第二特征提取网络和特征匹配网络;该装置包括:第一向量获得模块,用于以目标对象的第一特征数据作为第一特征提取网络的输入,得到第一特征向量;第二向量获得模块,用于针对多个待推荐信息中的每个待推荐信息,以每个待推荐信息的第二特征数据作为第二特征提取网络的输入,得到每个待推荐信息的第二特征向量;匹配结果获得模块,用于以第一特征向量和每个待推荐信息的第二特征向量作为特征匹配网络的输入,得到针对每个待推荐信息的匹配结果;推荐信息确定模块,用于基于针对每个待推荐信息的匹配结果,确定多个待推荐信息中针对目标对象的推荐信息,其中,第一特征提取网络包括全连接模型,第二特征提取网络包括序列模型。
根据本公开的另一个方面,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本公开提供的基于双塔模型的确定推荐信息的方法。
根据本公开的另一个方面,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,其中,计算机指令用于使计算机执行本公开提供的基于双塔模型的确定推荐信息的方法。
根据本公开的另一个方面,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本公开提供的基于双塔模型的确定推荐信息的方法。
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是根据本公开实施例的基于双塔模型的确定推荐信息的方法和装置的应用场景示意图;
图2是根据本公开实施例的基于双塔模型的确定推荐信息的方法的流程示意图;
图3是根据本公开实施例的基于双塔模型的确定推荐信息的原理示意图;
图4是根据本公开实施例的获得第二特征向量的原理示意图;
图5是根据本公开另一实施例的获得第二特征向量的原理示意图;
图6是根据本公开实施例的基于双塔模型的确定推荐信息的装置的结构框图;以及
图7是用来实施本公开实施例的基于双塔模型的确定推荐信息的方法的电子设备的框图。
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。
本公开提供了一种基于双塔模型的确定推荐信息的方法,其中,双塔模型包括第一特征提取网络、第二特征提取网络和特征匹配网络。该方法包括特征向量获得阶段、匹配结果获得阶段和推荐信息确定阶段。在特征向量获得阶段中,以目标对象的第一特征数据作为第一特征提取网络的输入,得到第一特征向量;针对多个待推荐信息中的每个待推荐信息,以每个待推荐信息的第二特征数据作为第二特征提取网络的输入,得到每个待推荐信息的第二特征向量。在匹配结果获得阶段中,以第一特征向量和每个待推荐信息的第二特征向量作为特征匹配网络的输入,得到针对每个待推荐信息的匹配结果。在推荐信息确定阶段中,用于基于针对每个待推荐信息的匹配结果,确定多个待推荐信息中针对目标对象的推荐信息。其中,第一特征提取网络包括全连接模型,第二特征提取网络包括序列模型。
以下将结合图1对本公开提供的方法和装置的应用场景进行描述。
图1是根据本公开实施例的基于双塔模型的确定推荐信息的方法和装置的应用场景示意图。
如图1所示,该实施例的场景100可以包括用户110、终端设备120和服务器130。终端设备120例如可以通过网络与服务器130通信连接,网络可以包括有线或无线通信链路。
终端设备120可以为具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机和服务器等等。该电子设备上例如可以安装有各种客户端应用,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)。
其中,用户110例如可以通过终端设备120与服务器130进行交互,以接收或发送消息等。服务器130可以是提供各种服务的服务器,例如对用户110利用终端设备120所浏览的网站提供支持的后台管理服务器(仅为示例)。例如,服务器130可以响应于终端设备120发送的用户信息140,并根据该用户信息140确定与用户匹配的推荐信息150,并将该推荐信息150反馈给终端设备120,以由终端设备120将该推荐信息150展示给用户110。
在一实施例中,如图1所示,该应用场景100还可以包括数据库160,服务器130例如可以从数据库160中召回与用户匹配的推荐信息150。其中,数据库160中可以维护有海量的信息。
服务器130例如可以基于信息之间的相关性、用户之间的关联性和信息与用户之间的关联性等来进行信息的召回。其中,基于信息之间的相关性进行信息的召回包括:基于用户的兴趣、历史浏览信息等,从数据库160中召回与用户的兴趣、历史浏览信息等匹配的信息。基于用户之间的关联性进行信息的召回包括协同过滤召回,例如可以先找到与该用户具有相似兴趣的其他用户,随后召回该其他用户感兴趣的信息,作为向该用户推荐的信息。基于信息与用户之间的关联性进行信息的召回包括:采用模型学习用户和信息的兴趣向量,并通过内积来计算用户和信息之间的相似性,从而得到与用户相似的信息。其中,模型例如可以包括双塔模型等。
需要说明的是,本公开实施例所提供的基于双塔模型的确定推荐信息的方法一般可以由服务器130执行。本公开实施例所提供的确定推荐信息的装置可以设置于服务器130中。
应该理解,图1中的终端设备、服务器和数据库的数目和类型仅仅是示意性的。根据实现需要,可以具有任意数目和类型的终端设备、服务器和数据库。
以下将结合图1,通过以下图2~图5对本公开提供的基于双塔模型的确定推荐信息的方法进行详细描述。
如图2所示,该实施例的基于双塔模型的确定推荐信息的方法200可以包括操作S210~操作S240。其中,双塔模型包括第一特征提取网络、第二特征提取网络和特征匹配网络。特征匹配网络与第一特征提取网络和第二特征提取网络均连接,且第一特征提取网络和第二特征提取网络的输出信息可以作为特征匹配网络的输入信息。
在操作S210,以目标对象的第一特征数据作为第一特征提取网络的输入,得到第一特征向量。
其中,目标对象可以为用户。例如,在知识论坛场景中,该目标对象可以为对提问进行解答的用户。在线上购物场景中,该目标对象可以为访问线上购物商城的用户。在新闻推荐场景中,该目标对象可以为浏览新闻资讯的用户等。本公开对该用户所在的场景不做限定。
其中,目标对象的第一特征数据例如可以包括目标对象标识、目标对象的关注领域信息、目标对象的历史操作信息等。例如,若该目标对象为对提问进行解答的用户,该第一特征数据可以包括已解答的问题的特征、历史解答数量、解答内容的质量评估结果或解答效率等。
根据本公开的实施例,第一特征提取网络可以包括全连接模型,例如,该第一特征提取网络可以由多个依次连接的全连接层构成。通过训练,该第一特征提取网络可以学习到目标对象的特征数据与第一特征向量之间的关联关系。
在操作S220,针对多个待推荐信息中的每个待推荐信息,以每个待推荐信息的第二特征数据作为第二特征提取网络的输入,得到每个待推荐信息的第二特征向量。
根据本公开的实施例,待推荐信息可以根据具体场景进行设定,本公开对此不做限定。例如,在知识论坛场景中,该待推荐信息可以为待解答的问题信息。在线上购物场景中,该待推荐信息可以为物品。在新闻推荐场景中,该待推荐信息可以为新闻资讯等。
第二特征数据可以包括待推荐信息的标签信息、分类信息等。若待推荐信息为物品,该第二特征数据例如还可以包括物品的销量、物品的价格等。若待推荐信息为待解答的问题信息,该第二特征数据例如还可以包括待推荐信息的语义特征等。
在一实施例中,该第二特征数据可以为由目标对象的多个特征构成的特征序列。第二特征提取网络例如可以为序列模型,例如卷积神经网络(CNN,Convolutional NeuralNetworks)模型、循环神经网络(Recurrent Neural Network,RNN)模型或者自注意力网络(Self-Attention)模型等。其中,循环神经网络例如可以为长短期记忆(Long Short-TermMemory,LSTM)网络模型等,自注意力网络模型可以为基于Transformer构建的语以表示模型,例如基于transformer的双向编码表现模型(Bidirectional Encoder Representationfrom Transformers,BERT)等。
例如,第二特征提取网络可以采用卷积神经网络模型,该卷积神经网络模型可以包括至少一个卷积层,以此有效提取滑动窗口的上下文特征,通过卷积操作保留第二特征数据中各数据的位置信息。在一实施例中,该卷积神经网络例如还可以包括池化层,该池化层与卷积层连接,卷积层的输出作为池化层的输入,以此提取第二特征数据的全局的上下文信息。通过采用该卷积神经网络模型,可以使得特征数据的上下文信息得到较为有效的保留,同时保留了运算高效的优点。
例如,第二特征提取网络可以采用循环神经网络模型,具体可以采用LSTM。以此捕捉间隔较远的特征数据的上下文信息,提高提取得到的第二特征向量对第二特征数据的语义信息的表达能力。在一实施例中,该第二特征提取网络可以在LSTM之后设置全连接层,以此使得获得的第二特征向量的维度与第一特征向量相同,便于对第一特征向量和第二特征向量进行匹配。
在操作S230,以第一特征向量和每个待推荐信息的第二特征向量作为特征匹配网络的输入,得到针对每个待推荐信息的匹配结果。
根据本公开的实施例,特征匹配网络可以计算第一特征向量和第二特征向量之间的相似度,将该相似度作为匹配结果。其中,向量之间的相似度例如可以由以下任意一种参数表示:余弦相似度、欧式距离、曼哈顿距离、皮尔逊相关系数、杰卡德相似系数等。
在操作S240,基于针对每个待推荐信息的匹配结果,确定多个待推荐信息中针对目标对象的推荐信息。
根据本公开的实施例,在得到针对多个待推荐信息的匹配结果后,可以将与第一特征向量之间的相似度较大的预定数量个待推荐信息作为针对目标对象的推荐信息。其中,预定数量可以根据实际需求进行设定,本公开对此不做限定。
本公开实施例通过在采用包括全连接模型的第一特征提取网络来提取用户特征的基础上,采用包括序列模型的第二特征提取网络来提取待推荐信息的特征,可以实现计算效率与匹配结果准确性的有效权衡。具体地,通过采用全连接网络提取目标对象特征数据的特征向量,可以有效减少数据的计算量,同时保证特征提取的准确性。通过采用序列模型来提取待推荐信息的特征向量,可以使得提取到的特征向量能够充分表达待推荐信息特征数据的语义信息。
例如,在知识论坛场景下,用户可以为答主,待推荐信息可以为向答主推荐的问题。通过采用该实施例的确定推荐信息的方法,可以提高推荐的问题与答主的匹配准确率,并因此便于提高答主解答问题的积极性,提高用户体验,提高知识的传播。
图3是根据本公开实施例的基于双塔模型的确定推荐信息的原理示意图。
根据本公开的实施例,前述第一特征数据例如可以包括多个数据,该多个数据中可以包括有稠密特征数据和稀疏特征数据。在提取第一特征数据的特征向量时,例如可以采用不同的编码方式来对稠密特征数据和稀疏特征数据进行编码,以此使得编码得到的第一特征数据的向量更为精准,便于提高提取得到的第一特征向量的准确性。具体地,可以采用独热编码方法来对稠密特征数据进行编码,采用嵌入(Embedding)方法来对稀疏特征数据进行编码,以将稀疏特征数据投射到稠密向量维度,以便于特征提取,使得双塔模型能够更为有效地完成参数的学习。
例如,如图3所示,在该实施例300中,第一特征提取网络可以包括第一输入子网络310和第一提取子网络320。其中,第一输入子网络310包括有第一独热编码层311、第一嵌入层312和第一拼接层313。在得到第一特征向量时,可以将第一特征数据301中的稀疏特征数据303作为第一嵌入层312的输入,经由该第一嵌入层312将稀疏特征数据303编码为第一子向量。同时,可以将第一特征数据301中的稠密特征数据302作为第一独热编码层311的输入,经由该第一独热编码层311将稠密特征数据302编码为第二子向量。随后,以该第一子向量和第二子向量作为第一拼接层313的输入,经由该第一拼接层313拼接后得到第一拼接向量。将该第一拼接向量输入到第一提取子网络320中,即可经由该第一提取子网络320处理后得到第一特征向量。其中,第一提取子网络320可以由前文描述的全连接模型构成,包括多个依次连接的全连接层。
其中,第一特征数据301中的稠密特征数据302例如可以包括目标对象的ID、目标对象的关注领域信息等容易区分的特征数据。第一特征数据301中的稀疏特征数据303例如可以包括目标对象浏览的历史信息的文本内容等不易区分、数据间具有关联关系的特征数据。例如,在知识论坛场景下,稠密特征数据302可以包括历史回答量、回答质量等,稀疏特征数据303可以包括答复的历史问题的语义信息等。可以理解的是,上述稠密特征数据和稀疏特征数据仅作为示例以利于理解本公开,本公开对此不做限定。
类似地,前述第二特征数据例如可以包括多个数据,该多个数据中可以包括有稠密特征数据和稀疏特征数据。在提取第二特征数据的特征向量时,例如可以采用不同的编码方式来对第二特征数据中的稠密特征数据和稀疏特征数据分别进行编码,以此使得编码得到的第二特征数据的向量更为精准,便于提高提取得到的第二特征向量的准确性。
例如,如图3所示,在该实施例300中,第二特征提取网络可以包括第二输入子网络330和第二提取子网络340。其中,第二输入子网络330包括有第二独热编码层331、第二嵌入层332和第二拼接层333。在得到第二特征向量时,可以将第二特征数据304中的稀疏特征数据306作为第二嵌入层332的输入,经由该第二嵌入层332将稀疏特征数据306编码为第三子向量。同时,可以将第二特征数据304中的稠密特征数据305作为第二独热编码层331的输入,经由该第二独热编码层331将稠密特征数据305编码为第四子向量。随后,以该第三子向量和第四子向量作为第二拼接层333的输入,经由该第二拼接层333拼接后得到第二拼接向量。将该第二拼接向量输入到第二提取子网络340中,即可经由该第二提取子网络340处理后得到第二特征向量。其中,第二提取子网络340可以包括前文描述的序列模型。
其中,第二特征数据304中的稠密特征数据305例如可以包括待推荐信息的标签数据、待推荐信息的分类信息、待推荐信息的关键词等。第二特征数据304中的稀疏特征数据306例如可以包括待推荐信息的语义特征数据等。可以理解的是,上述稠密特征数据和稀疏特征数据仅作为示例以利于理解本公开,本公开对此不做限定。
如图3所示,在得到第一特征向量和第二特征向量后,该实施例可以将第一特征向量和第二特征向量作为双塔模型中特征匹配网络350的输入,经由该特征匹配网络350处理,可以得到第一特征向量和第二特征向量之间的相似度,并基于该相似度得到目标对象与待推荐信息之间的匹配结果307。
综上可知,本公开实施例通过采用不同的编码方法来对稀疏特征数据和稠密特征数据进行编码,可以提高提取得到的特征向量的准确性,并因此便于提高最终得到的匹配结果的准确性。
图4是根据本公开实施例的获得第二特征向量的原理示意图。
根据本公开的实施例,在第二提取子网络中,可以设置有重建层,以对第二拼接向量进行维度转换,使得维度转换后得到的向量更为符合特征提取所采用模型的需求。
例如,如图4所示,该实施例400中,第二特征提取网络可以包括第二输入子网络410和第二提取子网络420。其中,第二输入子网络与前文描述的类似,包括第二独热编码层411、第二嵌入层412和第二拼接层413,以采用不同的编码方法来对第二特征数据401中的稠密特征数据402和稀疏特征数据403进行编码,并通过拼接两部分特征数据的编码向量,得到第二拼接向量。第二提取子网络420可以包括重建层421和特征提取层422。在得到第二特征向量时,可以将该第二拼接向量作为重建层421的输入,以经由该重建层421进行维度变化,得到特征待提取向量。随后将该特征提取向量作为特征提取层422的输入,获得第二特征向量404。
例如,可以将特征提取层422的输出数据直接作为第二特征向量。或者,如图4所示,该实施例400中,第二提取子网络420还可以包括全连接层423,设置于特征提取层422之后,用于对特征提取层422输出的数据映射至预定维度,从而得到第二特征向量。其中,该预定维度可以与前文中第一特征向量的维度相同,以此便于计算该第二特征向量和第一特征向量之间的相似度。
其中,特征提取层422可以由前文描述的序列模型构成。例如,该特征提取层422可以由CNN模型构成,或者可以由LSTM模型构成。
综上可知,本公开实施例通过在第二提取子网络中设置重建层,可以为序列模型提取特征做好准备工作,便于提高提取得到的第二特征向量的精度和表达能力。
图5是根据本公开另一实施例的获得第二特征向量的原理示意图。
根据本公开的实施例,对于文本信息,可以采用字序列作为第二特征提取网络的输入,以此减少第二特征向量的精度对文本信息切词质量的依赖,提高整个双塔模型的泛化能力。这是由于每个字所能表达的语义是可以复用的。
示例性地,若待推荐信息为文本信息,可以在将待推荐信息的第二特征数据输入到第二特征提取网络之前,先对该文本信息进行单字切分,得到表示文本信息的字序列。并将该字序列作为待推荐信息的第二特征数据。具体地,如图5所示,该实施例500在获得第二特征向量时,可以先采用切词工具510对文本信息501进行单字切分,得到字序列。
其中,切词工具510例如可以采用BERT模型中的Word Piece模块等,本公开对此不做限定。
根据本公开的实施例,在得到字序列后,可以将该字序列及待推荐信息的其他特征数据构成第二特征数据,并将该第二特征数据作为第二特征提取网络的输入,得到第二特征向量。
根据本公开的实施例,如图5所示,在第二特征数据502包括稠密特征数据503和稀疏特征数据504的情况下,该单字切分得到的字序列可以作为稀疏特征数据504的一部分。如此,在后续特征提取过程中,可以采用与前文描述的方法类似的方法,分别经由第二输入子网络520中的第二独热编码层521和第二嵌入层522一一对应的对稠密特征数据503和稀疏特征数据进行编码,并经由第二拼接层523得到第二拼接向量。该第二拼接向量依次经由第二提取子网络530中的重建层531、特征提取层532和全连接层533处理后,得到第二特征向量505。
基于本公开提供的基于双塔模型的确定推荐信息的方法,本公开还提供了一种基于双塔模型的确定推荐信息的装置。以下将结合图6对该装置进行详细描述。
图6是根据本公开实施例的基于双塔模型的确定推荐信息的装置的结构框图。
如图6所示,该实施例的基于双塔模型的确定推荐信息的装置600可以包括第一向量获得模块610、第二向量获得模块620、匹配结果获得模块630和推荐信息确定模块640。其中,双塔模型包括第一特征提取网络、第二特征提取网络和特征匹配网络。
第一向量获得模块610用于以目标对象的第一特征数据作为第一特征提取网络的输入,得到第一特征向量。其中,第一特征提取网络包括全连接模型。在一实施例中,该第一向量获得模块610例如可以用于执行前文描述的操作S210,在此不再赘述。
第二向量获得模块620用于针对多个待推荐信息中的每个待推荐信息,以每个待推荐信息的第二特征数据作为第二特征提取网络的输入,得到每个待推荐信息的第二特征向量。其中,第二特征提取网络包括序列模型。在一实施例中,该第二向量获得模块620例如可以用于执行前文描述的操作S220,在此不再赘述。
匹配结果获得模块630用于以第一特征向量和每个待推荐信息的第二特征向量作为特征匹配网络的输入,得到针对每个待推荐信息的匹配结果。在一实施例中,该匹配结果获得模块630例如可以用于执行前文描述的操作S230,在此不再赘述。
推荐信息确定模块640用于基于针对每个待推荐信息的匹配结果,确定多个待推荐信息中针对目标对象的推荐信息。
根据本公开的实施例,第一特征提取网络包括第一输入子网络和第一提取子网络,该第一输入子网络包括第一独热编码层、第一嵌入层和第一拼接层。上述第一向量获得模块610可以包括第一子向量获得子模块、第二子向量获得子模块、第一拼接向量获得子模块和第一特征向量获得子模块。第一子向量获得子模块用于以第一特征数据中的稀疏特征数据作为第一嵌入层的输入,得到第一子向量。第二子向量获得子模块用于以第一特征数据中的稠密特征数据作为第一独热编码层的输入,得到第二子向量。第一拼接向量获得子模块用于以第一子向量和第二子向量作为第一拼接层的输入,得到第一拼接向量。第一特征向量获得子模块用于以第一拼接向量作为第一提取子网络的输入,得到第一特征向量。
根据本公开的实施例,第二特征提取网络包括第二输入子网络和第二提取子网络,第二输入子网络包括第二独热编码层、第二嵌入层和第二拼接层。上述第二向量获得模块620可以包括第三子向量获得子模块、第四子向量获得子模块、第二拼接向量获得子模块和第二特征向量获得子模块。第三子向量获得子模块用于以第二特征数据中的稀疏特征数据作为第二嵌入层的输入,得到第三子向量。第四子向量获得子模块用于以第二特征数据中的稠密特征数据作为第二独热编码层的输入,得到第四子向量。第二拼接向量获得子模块用于以第三子向量和第四子向量作为第二拼接层的输入,得到第二拼接向量。第二特征向量获得子模块用于以第二拼接向量作为第二提取子网络的输入,得到每个待推荐信息的第二特征向量。
根据本公开的实施例,第二特征提取子网络包括重建层和特征提取层。前速第二特征向量获得子模块可以包括向量重建单元和特征提取单元。向量重建单元用于以第二拼接向量作为重建层的输入,得到特征待提取向量。特征提取单元用于以特征待提取向量作为特征提取层的输入,获得第二特征向量。
根据本公开的实施例,每个待推荐信息包括文本信息。上述基于双塔模型的确定推荐信息的装置600还可以包括字序列获得模块,用于对文本信息进行单字切分,得到表示文本信息的字序列。其中,每个待推荐信息的第二特征数据包括该字序列。
根据本公开的实施例,序列模型包括以下模型中的任意一种:卷积神经网络模型、循环神经网络模型、自注意力网络模型。
需要说明的是,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7示出了可以用来实施本公开实施例的基于双塔模型的确定推荐信息的方法的示例电子设备700的示意性框图。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/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理,例如基于双塔模型的确定推荐信息的方法。例如,在一些实施例中,基于双塔模型的确定推荐信息的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708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的基于双塔模型的确定推荐信息的方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基于双塔模型的确定推荐信息的方法。
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、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。其中,服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(″Virtual Private Server″,或简称″VPS″)中,存在的管理难度大,业务扩展性弱的缺陷。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,本发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 (14)
1.一种基于双塔模型的确定推荐信息的方法,其中,所述双塔模型包括第一特征提取网络、第二特征提取网络和特征匹配网络;所述方法包括:
以目标对象的第一特征数据作为所述第一特征提取网络的输入,得到第一特征向量;
针对多个待推荐信息中的每个待推荐信息,以所述每个待推荐信息的第二特征数据作为所述第二特征提取网络的输入,得到所述每个待推荐信息的第二特征向量;
以所述第一特征向量和所述每个待推荐信息的第二特征向量作为所述特征匹配网络的输入,得到针对所述每个待推荐信息的匹配结果;以及
基于针对所述每个待推荐信息的匹配结果,确定所述多个待推荐信息中针对所述目标对象的推荐信息,
其中,所述第一特征提取网络包括全连接模型,所述第二特征提取网络包括序列模型。
2.根据权利要求1所述的方法,其中,所述第一特征提取网络包括第一输入子网络和第一提取子网络,所述第一输入子网络包括第一独热编码层、第一嵌入层和第一拼接层;得到所述第一特征向量包括:
以所述第一特征数据中的稀疏特征数据作为所述第一嵌入层的输入,得到第一子向量;
以所述第一特征数据中的稠密特征数据作为所述第一独热编码层的输入,得到第二子向量;
以所述第一子向量和所述第二子向量作为所述第一拼接层的输入,得到第一拼接向量;以及
以所述第一拼接向量作为所述第一提取子网络的输入,得到所述第一特征向量。
3.根据权利要求1所述的方法,其中,所述第二特征提取网络包括第二输入子网络和第二提取子网络,所述第二输入子网络包括第二独热编码层、第二嵌入层和第二拼接层;得到所述每个待推荐信息的第二特征向量包括:
以所述第二特征数据中的稀疏特征数据作为所述第二嵌入层的输入,得到第三子向量;
以所述第二特征数据中的稠密特征数据作为所述第二独热编码层的输入,得到第四子向量;
以所述第三子向量和所述第四子向量作为所述第二拼接层的输入,得到第二拼接向量;以及
以所述第二拼接向量作为所述第二提取子网络的输入,得到所述每个待推荐信息的第二特征向量。
4.根据权利要求3所述的方法,其中,所述第二提取子网络包括重建层和特征提取层;所述以所述第二拼接向量作为所述第二提取子网络的输入,得到所述第二特征向量包括:
以所述第二拼接向量作为所述重建层的输入,得到特征待提取向量;以及
以所述特征待提取向量作为所述特征提取层的输入,获得所述第二特征向量。
5.根据权利要求1所述的方法,其中,所述每个待推荐信息包括文本信息;所述方法还包括在得到所述每个待推荐信息的第二特征向量之前:
对所述文本信息进行单字切分,得到表示所述文本信息的字序列,
其中,所述每个待推荐信息的第二特征数据包括所述字序列。
6.根据权利要求1所述的方法,其中,所述序列模型包括以下模型中的任意一种:卷积神经网络模型、循环神经网络模型、自注意力网络模型。
7.一种基于双塔模型的确定推荐信息的装置,其中,所述双塔模型包括第一特征提取网络、第二特征提取网络和特征匹配网络;所述装置包括:
第一向量获得模块,用于以目标对象的第一特征数据作为所述第一特征提取网络的输入,得到第一特征向量;
第二向量获得模块,用于针对多个待推荐信息中的每个待推荐信息,以所述每个待推荐信息的第二特征数据作为所述第二特征提取网络的输入,得到所述每个待推荐信息的第二特征向量;
匹配结果获得模块,用于以所述第一特征向量和所述每个待推荐信息的第二特征向量作为所述特征匹配网络的输入,得到针对所述每个待推荐信息的匹配结果;以及
推荐信息确定模块,用于基于针对所述每个待推荐信息的匹配结果,确定所述多个待推荐信息中针对所述目标对象的推荐信息,
其中,所述第一特征提取网络包括全连接模型,所述第二特征提取网络包括序列模型。
8.根据权利要求7所述的装置,其中,所述第一特征提取网络包括第一输入子网络和第一提取子网络,所述第一输入子网络包括第一独热编码层、第一嵌入层和第一拼接层;所述第一向量获得模块包括:
第一子向量获得子模块,用于以所述第一特征数据中的稀疏特征数据作为所述第一嵌入层的输入,得到第一子向量;
第二子向量获得子模块,用于以所述第一特征数据中的稠密特征数据作为所述第一独热编码层的输入,得到第二子向量;
第一拼接向量获得子模块,用于以所述第一子向量和所述第二子向量作为所述第一拼接层的输入,得到第一拼接向量;以及
第一特征向量获得子模块,用于以所述第一拼接向量作为所述第一提取子网络的输入,得到所述第一特征向量。
9.根据权利要求7所述的装置,其中,所述第二特征提取网络包括第二输入子网络和第二提取子网络,所述第二输入子网络包括第二独热编码层、第二嵌入层和第二拼接层;所述第二向量获得模块包括:
第三子向量获得子模块,用于以所述第二特征数据中的稀疏特征数据作为所述第二嵌入层的输入,得到第三子向量;
第四子向量获得子模块,用于以所述第二特征数据中的稠密特征数据作为所述第二独热编码层的输入,得到第四子向量;
第二拼接向量获得子模块,用于以所述第三子向量和所述第四子向量作为所述第二拼接层的输入,得到第二拼接向量;以及
第二特征向量获得子模块,用于以所述第二拼接向量作为所述第二提取子网络的输入,得到所述每个待推荐信息的第二特征向量。
10.根据权利要求9所述的装置,其中,所述第二提取子网络包括重建层和特征提取层;所述第二特征向量获得子模块包括:
向量重建单元,用于以所述第二拼接向量作为所述重建层的输入,得到特征待提取向量;以及
特征提取单元,用于以所述特征待提取向量作为所述特征提取层的输入,获得所述第二特征向量。
11.根据权利要求7所述的装置,其中,所述每个待推荐信息包括文本信息;所述装置还包括:
字序列获得模块,用于对所述文本信息进行单字切分,得到表示所述文本信息的字序列,
其中,所述每个待推荐信息的第二特征数据包括所述字序列。
12.根据权利要求7所述的装置,其中,所述序列模型包括以下模型中的任意一种:卷积神经网络模型、循环神经网络模型、自注意力网络模型。
13.一种电子设备,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1~6中任一项所述的方法。
14.一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根据权利要求1~6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110803747.0A CN113407851B (zh) | 2021-07-15 | 2021-07-15 | 基于双塔模型的确定推荐信息的方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110803747.0A CN113407851B (zh) | 2021-07-15 | 2021-07-15 | 基于双塔模型的确定推荐信息的方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113407851A CN113407851A (zh) | 2021-09-17 |
CN113407851B true CN113407851B (zh) | 2024-05-03 |
Family
ID=77686670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110803747.0A Active CN113407851B (zh) | 2021-07-15 | 2021-07-15 | 基于双塔模型的确定推荐信息的方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113407851B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114168845B (zh) * | 2021-11-24 | 2023-08-15 | 电子科技大学 | 一种基于多任务学习的序列化推荐方法 |
CN117150145B (zh) * | 2023-10-31 | 2024-01-02 | 成都企软数字科技有限公司 | 一种基于大语言模型的个性化新闻推荐方法及系统 |
CN117473168A (zh) * | 2023-12-27 | 2024-01-30 | 中电数据产业有限公司 | 智能特征推荐方法、装置、设备以及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112579889A (zh) * | 2020-12-07 | 2021-03-30 | 北京百度网讯科技有限公司 | 物品推荐方法、装置、电子设备及存储介质 |
KR20210040868A (ko) * | 2020-08-21 | 2021-04-14 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 정보 검색 방법, 장치, 기기, 저장 매체 및 컴퓨터 프로그램 |
CN112765482A (zh) * | 2020-12-23 | 2021-05-07 | 微民保险代理有限公司 | 产品投放方法、装置、设备及计算机可读介质 |
CN112785391A (zh) * | 2021-02-02 | 2021-05-11 | 微民保险代理有限公司 | 推荐处理方法、装置及智能设备、存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11176330B2 (en) * | 2019-07-22 | 2021-11-16 | Advanced New Technologies Co., Ltd. | Generating recommendation information |
-
2021
- 2021-07-15 CN CN202110803747.0A patent/CN113407851B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210040868A (ko) * | 2020-08-21 | 2021-04-14 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 정보 검색 방법, 장치, 기기, 저장 매체 및 컴퓨터 프로그램 |
CN112579889A (zh) * | 2020-12-07 | 2021-03-30 | 北京百度网讯科技有限公司 | 物品推荐方法、装置、电子设备及存储介质 |
CN112765482A (zh) * | 2020-12-23 | 2021-05-07 | 微民保险代理有限公司 | 产品投放方法、装置、设备及计算机可读介质 |
CN112785391A (zh) * | 2021-02-02 | 2021-05-11 | 微民保险代理有限公司 | 推荐处理方法、装置及智能设备、存储介质 |
Non-Patent Citations (2)
Title |
---|
基于协同过滤的旅游景点推荐;侯新华;文益民;;计算技术与自动化(04);全文 * |
基于图书语义信息的推荐方法研究;严凡;张霁月;;图书馆学研究(21);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113407851A (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113407851B (zh) | 基于双塔模型的确定推荐信息的方法、装置、设备和介质 | |
US11062089B2 (en) | Method and apparatus for generating information | |
CN111797210A (zh) | 基于用户画像的信息推荐方法、装置、设备及存储介质 | |
CN114549874B (zh) | 多目标图文匹配模型的训练方法、图文检索方法及装置 | |
CN114861889B (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
CN113282736B (zh) | 对话理解及模型训练方法、装置、设备和存储介质 | |
CN111368551A (zh) | 一种确定事件主体的方法和装置 | |
CN112560461A (zh) | 新闻线索的生成方法、装置、电子设备及存储介质 | |
CN110059172B (zh) | 基于自然语言理解的推荐答案的方法和装置 | |
JP2023544925A (ja) | データ評価方法、トレーニング方法および装置、電子機器、記憶媒体、コンピュータプログラム | |
CN112528146B (zh) | 内容资源推荐方法、装置、电子设备及存储介质 | |
CN111506717B (zh) | 问题答复方法、装置、设备及存储介质 | |
CN115169489B (zh) | 数据检索方法、装置、设备以及存储介质 | |
CN116597443A (zh) | 素材标签处理方法、装置、电子设备及介质 | |
CN116226533A (zh) | 基于关联性预测模型的新闻关联推荐方法、装置及介质 | |
CN114139052B (zh) | 用于智能推荐的排序模型训练方法、智能推荐方法及装置 | |
CN113239215B (zh) | 多媒体资源的分类方法、装置、电子设备及存储介质 | |
CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 | |
CN114490969A (zh) | 基于表格的问答方法、装置以及电子设备 | |
CN112308016A (zh) | 表情图像获取方法、装置、电子设备及存储介质 | |
CN113011490B (zh) | 模型训练方法、装置及电子设备 | |
CN116383491B (zh) | 信息推荐方法、装置、设备、存储介质和程序产品 | |
CN113743077B (zh) | 一种确定文本相似度的方法和装置 | |
CN113572679B (zh) | 账户亲密度的生成方法、装置、电子设备和存储介质 | |
CN117131197B (zh) | 一种招标书的需求类别处理方法、装置、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 |