CN113495989B - 一种对象推荐方法、装置、计算设备及存储介质 - Google Patents
一种对象推荐方法、装置、计算设备及存储介质 Download PDFInfo
- Publication number
- CN113495989B CN113495989B CN202010252139.0A CN202010252139A CN113495989B CN 113495989 B CN113495989 B CN 113495989B CN 202010252139 A CN202010252139 A CN 202010252139A CN 113495989 B CN113495989 B CN 113495989B
- Authority
- CN
- China
- Prior art keywords
- user
- recommendation
- information
- recommended
- target
- 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 62
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 100
- 238000012549 training Methods 0.000 claims description 56
- 230000003993 interaction Effects 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 11
- 230000008569 process Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012876 topography Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000002537 cosmetic Substances 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 235000008452 baby food Nutrition 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Abstract
本公开关于一种对象推荐方法、装置、计算设备及存储介质,属于计算机技术领域,所述方法包括:在获得用户的对象推荐请求之后,可以根据用户位置所属的目标地理区域从中目标地理区域对应的多个区域中确定目标区域,再利用预先训练好的对象推荐模型,根据目标区域对应的区域位置信息得到用户特征向量,以及得到各个候选对象的对象特征向量,再结合用户特征向量和各个候选对象的对象特征向量,通过对象推荐模型得到目标对象向用户进行对象推荐。这样,利用同一区域内的用户群体的兴趣相似性对用户进行对象的快速推荐,提高推荐效率,将用户的位置信息与地域属性相结合,考虑了不同地理区域之间的差异性,提升对象的推荐效果。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种对象推荐方法、装置、计算设备及存储介质。
背景技术
在一些推荐场景中,例如在视频推荐、资讯推荐等推荐场景中,待推荐的对象较多,如果无目的地向用户推荐,可能会出现所推荐对象的受众与被推荐用户不相符的情况,这样被推荐用户对所推荐对象的满意度较低,导致用户的使用体验较差。
为了使得推荐的对象与用户相匹配,相关技术中一般是根据用户的喜好对用户进行推荐,例如,用户喜欢观看美妆类视频,推荐系统就为该用户推荐美妆类视频。然而,随着平台上数据量的增加,这样的推荐方式推荐的效率较低,而且,基于用户喜好向用户推荐,会形成信息茧房,长此以往,这种推荐方式推荐的信息单一,从而导致推荐的信息与用户的匹配度降低。
发明内容
本公开提供一种对象推荐方法、装置、计算设备及存储介质,用以提高对象推荐的推荐效率和准确性,提升对象推荐效果。
本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种对象推荐方法,所述方法包括:
获取用户的对象推荐请求;
响应所述对象推荐请求,获取所述用户的用户位置,并根据所述用户位置所属的目标地理区域的地域属性从所述目标地理区域对应的多个区域中确定目标区域,其中,所述多个区域是根据与所述目标地理区域的地理属性对应的划分粒度信息对所述目标地理区域进行区域划分得到的,不同地理属性的地理区域的划分粒度信息不同;
将所述目标区域对应的目标位置信息输入预先训练的对象推荐模型,以得到用户特征向量,其中,所述对象推荐模型是根据多个推荐样本训练得到的,每个推荐样本包括被推荐用户的位置信息、为所述被推荐用户推荐的已推荐对象的对象描述信息以及所述被推荐用户与所述已推荐对象之间的互动信息;
根据所述用户特征向量与各个候选对象的对象特征向量,确定目标对象,其中,每个候选对象的对象特征向量是根据该候选对象的对象描述信息和所述对象推荐模型确定的;
根据所述目标对象向所述用户进行对象推荐。
在一种可能的实现方式中,所述方法还包括:
获取所述目标地理区域对应的区域划分粒度范围,其中,不同地域属性的地理区域的区域划分粒度范围不同;
根据所述目标地理区域的地域描述信息,从所述目标地理区域对应的区域划分粒度范围中确定目标区域划分粒度,其中,所述地域描述信息包括人口分布信息和地形信息中的至少一种;
按照所述目标区域划分粒度对所述目标地理区域进行区域划分,以得到所述目标地理区域对应的多个区域。
在一种可能的实现方式中,所述对象推荐模型按照以下方式训练得到:
获得所述多个推荐样本;
根据每个推荐样本包括的被推荐用户的位置信息确定各个推荐样本对应的用户侧训练向量,以及根据每个推荐样本包括的已推荐对象的对象描述信息确定各个推荐样本对应的对象侧训练向量;
根据各个推荐样本对应的用户侧训练向量和对象侧训练向量,按照各个推荐样本包括的互动信息对初始推荐模型进行训练,得到训练后的对象推荐模型。
在一种可能的实现方式中,每个推荐样本还包括对应的被推荐用户的用户个性化信息,将所述目标区域对应的目标位置信息输入预先训练的对象推荐模型,以得到用户特征向量,包括:
将所述目标位置信息和所述用户个性化信息输入所述对象推荐模型,以得到所述用户特征向量。
在一种可能的实现方式中,每个推荐样本的对象描述信息包括对象属性信息和对象位置信息中的至少一种;则,按照以下方式确定各个候选对象的对象特征向量:
确定各个候选对象对应的对象描述信息,其中,各个候选对象对应的对象描述信息包括该候选对象的对象描述信息和对象位置信息中的至少一种;
将各个候选对象对应的对象描述信息输入所述对象推荐模型,以得到各个候选对象对应的对象特征向量。
在一种可能的实现方式中,在所述对象推荐请求用于请求推荐的对象为多媒体资源时,所述对象位置信息用于指示多媒体资源的发布位置、制作地、对象所指示事件的发生地中的至少一种;
在所述对象推荐请求用于请求推荐虚拟物品交换平台中的虚拟物品时,所述对象位置信息用于指示虚拟物品的源产地、库存地、适用区域中的至少一种。
在一种可能的设计中,所述地理属性包括城市等级、城市人口密度、地理覆盖范围、城市行政级别中的任意一种。
根据本公开实施例的第二方面,提供一种对象推荐装置,所述装置包括:
获取单元,被配置为执行获取用户的对象推荐请求;
响应单元,被配置为执行响应所述对象推荐请求,获取所述用户的用户位置,并根据所述用户位置所属的目标地理区域的地域属性从所述目标地理区域对应的多个区域中确定目标区域,其中,所述多个区域是根据与所述目标地理区域的地域属性对应的划分粒度信息对所述目标地理区域进行区域划分得到的,不同地域属性的地理区域的划分粒度信息不同;
第一确定单元,被配置为执行将所述目标区域对应的目标位置信息输入预先训练的对象推荐模型,以得到用户特征向量,其中,所述对象推荐模型是根据多个推荐样本训练得到的,每个推荐样本包括被推荐用户的位置信息、向所述被推荐用户推荐的已推荐对象的对象描述信息以及所述被推荐用户与所述已推荐对象之间的互动信息;
第二确定单元,被配置为执行根据所述用户特征向量与各个候选对象的对象特征向量,确定目标对象,其中,每个候选对象的对象特征向量是根据该候选对象的对象描述信息和所述对象推荐模型确定的;
推荐单元,被配置为执行根据所述目标对象向所述用户进行对象推荐。
在一种可能的实现方式中,所述装置还包括第三确定单元,被配置为执行:
获取所述目标地理区域对应的区域划分粒度范围,其中,不同地域属性的地理区域的区域划分粒度范围不同;
根据所述目标地理区域的地域描述信息,从所述目标地理区域对应的区域划分粒度范围中确定目标区域划分粒度,其中,所述地域描述信息包括人口分布信息和地形信息中的至少一种;
按照所述目标区域划分粒度对所述目标地理区域进行区域划分,以得到所述目标地理区域对应的多个区域。
在一种可能的实现方式中,所述装置还包括训练单元,被配置为执行:
获得所述多个推荐样本;
根据每个推荐样本包括的被推荐用户的位置信息确定各个推荐样本对应的用户侧训练向量,以及根据每个推荐样本包括的已推荐对象的对象描述信息确定各个推荐样本对应的对象侧训练向量;
根据各个推荐样本对应的用户侧训练向量和对象侧训练向量,按照各个推荐样本包括的互动信息对初始推荐模型进行训练,得到训练后的对象推荐模型。
在一种可能的实现方式中,每个推荐样本还包括对应的被推荐用户的用户个性化信息,所述第一确定单元被配置为执行:
将所述目标位置信息和所述用户个性化信息输入所述对象推荐模型,以得到所述用户特征向量。
在一种可能的实现方式中,每个推荐样本的对象描述信息包括对象属性信息和对象位置信息中的至少一种,所述装置还包括第四确定单元,被配置为执行:
确定各个候选对象对应的对象描述信息,其中,各个候选对象对应的对象描述信息包括该候选对象的对象属性信息和对象位置信息中的至少一种;
将各个候选对象对应的对象描述信息输入所述对象推荐模型,以得到各个候选对象对应的对象特征向量。
在一种可能的实现方式中,在所述对象推荐请求用于请求推荐的对象为多媒体资源时,所述对象位置信息用于指示对象的发布位置、制作地、对象所指示事件的发生地中的至少一种;
在所述对象推荐请求用于请求推荐虚拟物品交换平台中的虚拟物品时,所述对象位置信息用于指示虚拟物品的源产地、库存地、适用区域中的至少一种。
在一种可能的实现方式中,所述地域属性包括城市等级、城市人口密度、地理覆盖范围、城市行政级别中的任意一种。
根据本公开实施例的第三方面,提供一种计算设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,处理器被配置为执行指令以实现第一方面中任一项的对象推荐方法。
根据本公开实施例的第四方面,提供一种存储介质,当存储介质中的指令由计算设备的处理器执行时,使得计算设备能够执行第一方面中任一项的对象推荐方法。
根据本公开实施例的第五方面,提供一种包含指令的计算机程序产品,当所述计算机程序产品在计算机上运行时,使得计算机执行上述各种可能的实现方式中所描述的对象推荐方法包括的步骤。
本公开的实施例提供的技术方案至少带来以下有益效果:
在获得用户的对象推荐请求之后,可以根据用户位置从用户所在地理区域(例如用户所在城市)对应的多个区域中确定目标区域,进而利用预先训练好的对象推荐模型,根据目标区域对应的区域位置信息得到用户特征向量,以及得到各个候选对象的对象特征向量,再结合用户特征向量和各个候选对象的对象特征向量,通过对象推荐模型得到目标对象向用户进行对象推荐。也就是说,利用了通过深度学习得到的对象推荐模型来进行对象的智能推荐,通过AI技术领域中的大数据分析,将用户所在地理区域中的其他受众的兴趣同化给该用户,利用同一区域内的用户群体的兴趣相似性对用户进行对象的快速推荐,这样可以在一定程度上提高推荐效率,并且可以将其他用户的兴趣分享给该用户,而其他用户的兴趣可能正好是该用户还未发掘的另一兴趣点,这样可以在一定程度上挖掘用户的潜在喜好,增加对象推荐的惊喜性,将同一区域内各个用户的兴趣进行共享,发掘和弥补各个用户的兴趣点,以实现同一区域内用户兴趣点之间的相互弥补,准确地对用户进行对象推荐,提高用户对所推荐的对象的满意程度,增强了对象推荐的有效性,提升了推荐系统的推荐效果。
其次,对于不同地域属性的地理区域以不同的划分粒度信息进行差异化的区域划分,这样在进行区域划分时,将用户的位置信息与地域属性(例如城市等级)相结合,考虑了不同地理区域之间的差异性,使得区域划分更为合理,精度更高,有助于提升同区域内对象的推荐效果。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的训练对象推荐模型的流程示意图;
图2是根据一示例性实施例示出的一种对象推荐方法的流程示意图;
图3是根据一示例性实施例示出的对象推荐方法的另一流程示意图;
图4a是根据一示例性实施例示出的一种对象推荐装置的结构框图;
图4b是根据一示例性实施例示出的一种对象推荐装置的另一结构框图;
图5是根据一示例性实施例示出的一种计算设备的结构示意图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互任意组合。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”和“第二”是用于区别不同对象,而非用于描述特定顺序。此外,术语“包括”以及它们任何变形,意图在于覆盖不排他的保护。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
本公开涉及的用户设备信息(如,设备上存储的信息等)、用户个人信息(如用户生物信息、用户姓名、昵称、地理位置等)、与第三方软件交互的信息、以及用户的操作行为信息等,均是经用户授权而采集并进行后续处理或分析的。
本公开中的“多个”、“若干个”的含义是指两个或两个以上,即表示至少两个,例如可以是两个、三个或者更多个,本申请实施例不做限制。
本文中术语“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,本文中字符“/”,在不做特别说明的情况下,一般表示前后关联对象是一种“或”的关系。
如前所述的,相关技术中的推荐机制的推荐效率较低,并且推荐效果较差,鉴于此,本公开提供一种对象推荐方法,利用通过深度学习得到的对象推荐模型来进行对象的智能推荐,将用户所在区域中的其他受众的兴趣同化给该用户,利用同一区域内的用户群体的兴趣相似性对用户进行对象的快速推荐,这样可以在一定程度上提高推荐效率,并且可以将其他用户的兴趣分享给该用户,而其他用户的兴趣也可能正好时该用户还未发掘的另一兴趣点,这样可以在一定程度上挖掘用户的潜在喜好,增加对象推荐的惊喜性,增强对用户进行对象推荐的满意度,提升推荐效果。其次,对于不同地域属性的城市以不同的划分粒度信息进行差异化的区域划分,这样在进行区域划分时,将用户的位置信息与地域属性相结合,考虑了不同发展水平的地理区域之间的差异性,使得区域划分更为合理,精度更高,有助于提升推荐效果。
上述提到的对象推荐模型是预先训练得到的,为便于理解,在介绍本公开实施例的对象推荐方法之前,以下先对该对象推荐方法中涉及到的上述对象推荐模型的训练过程进行介绍,具体请参见图1所示的流程。
步骤S101,获取多个推荐样本。
本公开实施例中将多个推荐样本作为训练样本来训练对象推荐模型,每个推荐样本包括被推荐用户的区域位置信息、为该被推荐用户推荐的已推荐对象的对象描述信息以及该被推荐用户与该已推荐对象之间的互动信息。也就是说,可以利用推荐系统的历史推荐信息,在人工智能(Artificial Intelligence,AI)技术蓬勃发展的趋势下,通过深度学习技术来学习得到对象推荐模型,以实现对对象的精确推荐。
推荐样本包括的被推荐用户的区域位置信息,是指该被推荐用户所处的区域对应的位置信息,具体来说例如是经纬度坐标,在本公开实施例中,可以利用经纬度坐标的不同精度从不同描述维度来区分地理区域对应的位置和区域这两个特征。例如,当经纬度坐标的精度取小数点后8位时所定位的地点称作位置,例如某个经纬度坐标(123.23455667,67.24598156)定位出的位置为光明大厦(具体的位置),而当同样的经纬度坐标的精度取小数点后3位时所定位的地点则可以称作区域,例如经纬度坐标(123.234,67.245)所定位的区域为富强广场,而光明大厦则位于富强广场内。也就是说,本公开实施例中的区域对应的范围是要大于位置对应的范围的,例如可以将位置理解为一个点,而将区域理解为一个面,即包括多个点的范围。
在本公开实施例中,可以将各个地理区域均划分为多个区域,其中的地理区域是指一定的地理范围,例如可以将一个城市或者一个县城理解为是一个地理区域,或者可以将一个国家或者一个城市按照地理覆盖范围划分为多个地理区域,例如东方区域、东北区域、西南区域、西北区域,等等。地理区域具有地域属性,地域属性是用于描述地理区域的描述性信息,地域属性可以包括多个维度,例如地域属性例如可以是城市等级、城市人口密度、地理覆盖范围或者城市行政级别,同一地理区域可以包括多种类型的地域属性,即,同一地理区域可以不同维度的地域属性来进行描述。
可以依据地域属性对待划分的地理区域进行归类分组,采用不同维度的地域属性划分地理区域所采用的划分标准不一样,例如可以按照人口密度来进行划分,或者可以按照地理覆盖范围来划分,或者可以按照工业发展程度来划分,等等,并且采用不同维度的地理属性划分得到的地理区域的名称一般也不同,具体地,在同一个维度的地理属性下,对待划分的地理区域进行划分后的分组可以称作第一类地理区域、第二类地理区域、第三类地理区域,等等。例如,可以按照城市等级这个维度将待划分的城市划分为一线城市、二线城市、三线城市、四线城市和五线城市(还包括农村地区)这五类地理区域;又例如,可以按照城市人口密度这个维度将待划分的城市划分为高人口密度城市、中人口密度城市和低人口密度城市这三类地理区域;再例如,可以按照地理覆盖范围这个维度将待划分的城市划分为特大面积城市、大面积城市、较大面积城市、小面积城市和特小面积城市这五类地理区域;再例如,可以按照城市行政级别这个维度将待划分的城市划分为正部级(又称正省级)城市、副部级(又称副省级)城市、计划单列市城市和准副省级城市这四类地理区域。
在通过地域属性将待划分的地理区域归类分组之后,可以得到多个地理区域组。进一步地,可以依据划分粒度信息对各个地理区域进行区域划分,划分粒度信息例如是划分半径,具体来说,不同地理区域组(即划分后的不同类的地理区域)的划分粒度信息可以不同,以此来体现不同地理属性的地理区域之间的差异。例如,待划分的地理区域包括地理区域1、地理区域2、地理区域3地理区域4、地理区域5、地理区域6、地理区域7、地理区域8,依据某个维度的地理属性将这些地理区域划分得到了第一类地理区域、第二列地理区域、第三类地理区域这三类地理区域,其中,地理区域1、地理区域3、地理区域5属于第一类地理区域,地理区域2、地理区域7属于第二类地理区域,地理区域4、地理区域6、地理区域8属于第三类地理区域,这些地理区域与对应配置的划分粒度信息之间是如下对应的:
1、第一类地理区域(包括地理区域1、地理区域3、地理区域5):第一划分粒度信息;
2、第二类地理区域(包括地理区域2、地理区域7):第二划分粒度信息;
3、第一类地理区域(包括地理区域4、地理区域6、地理区域8):第三划分粒度信息。
其中,第一划分粒度信息、第二划分粒度信息、第三划分粒度信息互不相同,即,不同类的地理区域之间(类间)的划分粒度信息不同,而同一类的地理区域(类内)的划分粒度信息是相同的。
具体地,以地理区域是城市为例,可以对具有不同地域属性的城市以不同的划分粒度信息进行区域划分,这样,可以充分考虑不同城市的差异性,例如考虑城市的地理覆盖范围或者人口密度的差异,进而采用不同的划分粒度信息对不同城市进行差异划分,使得对各个地理区域的划分更合理。以地域属性为城市等级为例,如前所述的,将城市划分为一线城市、二线城市、三线城市、四线城市和五线城市这五类城市,那么,相同城市等级的城市可以采用相同的划分粒度信息进行区域划分,而不同城市等级的城市则可以采用不同的划分粒度信息进行区域划分,具体来说,考虑到不同城市等级对应的人口密度,可以为城市等级靠前的人口密度较大的城市规划较小的区域划分半径,以及为城市等级靠后的人口密度较小的城市规划较大的区域划分半径,具体如下:
1、一线城市的区域划分半径:1公里;
2、二线城市的区域划分半径:3公里;
3、三线城市的区域划分半径:5公里;
4、四线城市的区域划分半径:7公里;
5、五线城市的区域划分半径:10公里。
在一种实施方式中,划分粒度信息可以是如上的固定的划分半径,那么在按照如上的划分粒度信息对各个城市进行区域划分时,得到的各个区域的面积是完全相等或者近似相等的,但是由于对不同地域属性的城市以不同的划分粒度信息进行差异划分,这样可以将各个城市的人口密度分布等实际情况考虑在内,这样可以确保所划分出的区域中的聚集人群是尽量均衡的,并且这样可以更好的以区域为单位对用户群体进行小区域聚集和划分。
在另一种实施方式中,划分粒度信息也可以是一个区域划分粒度范围,即一个半径区间,而不同地域属性(例如城市等级)的区域划分粒度范围不同,如下所示:
1、一线城市的区域划分半径:1公里-2公里;
2、二线城市的区域划分半径:3公里-4公里;
3、三线城市的区域划分半径:5公里-6公里;
4、四线城市的区域划分半径:7公里-8公里;
5、五线城市的区域划分半径:10公里-11公里。
若划分粒度信息是区域划分粒度范围,在对城市进行区域划分时,可以先获取该城市对应的区域划分粒度范围,再根据该城市的地域描述信息,从该城市对应的区域划分粒度范围中确定目标区域划分粒度,进而在按照确定出的目标区域划分粒度对该城市进行区域划分以得到对应的多个区域。其中,地域描述信息可以包括人口分布信息和城市的地形信息中的至少一种。人口分布信息是用于指示人口分布情况的信息例如通过人口分布信息表明城市的城东和城南的人口分布较多,而城西和城北的人口分布较少,那么在确定目标区域划分粒度时,则可以为城东和城南配置较小一点的划分半径,而为城西和城北配置较大一点的划分半径;地形信息是用于指示城市地形地貌的信息,例如指示城市是环形或者是长条形或者是其它形状,可以通过不同城市的实际地形而以不同的划分半径进行区域划分,以尽量消除各个城市的差异化情况。
也就是说,在对各个地理区域进行区域划分时,在预定好的区域划分粒度范围的基础上,可以结合各个地理区域的地域描述信息来进一步地细粒度地确定各个地理区域甚至是每个地理区域的各个区域的划分半径,这样,相同等级的地理区域的划分半径虽然是属于一个大范围,但是具体的划分半径还是可以有一些差别,使得对于各个地理区域的区域划分能够尽量考虑各个地理区域的自身人口分布和地形地貌等城市特征,以尽量减弱各个地理区域的差异化特征的影响,提高区域划分的精度和灵活性。
推荐样本包括的已推荐对象是指在一次推荐过程中,推荐系统已经为被推荐用户推荐的对象,在一次推荐过程中,推荐对象可以为用户推荐一个或多个对象。对象的对象描述信息是指能够用于描述对象的相关信息,对象描述信息可以包括对象属性信息和对象位置信息中的至少一种,其中,对象属性信息是用于客观描述对象的本质属性的信息,对象位置信息是用于指示与对象相关的位置信息。
在一种可能的实施方式中,若用户请求推荐的对象为多媒体资源(例如短视频、资讯)时,对象位置信息可以用于指示多媒体资源的发布位置、制作地、对象所指事件的发生地中的至少一种;在另一种可能的实施方式中,若用户请求推荐的是虚拟物品交换平台中的物品时,对象位置信息可以用于指示虚拟物品的源产地、库存地、适用区域中的至少一种。
以推荐的对象是短视频为例,对象属性信息例如可以是视频标识(例如视频ID或者视频链接地址)、视频时长、视频类型(例如美妆类、幼儿辅食类、宠物类、家居装修类)等信息,对象位置信息例可以是视频的发布位置(即发布视频的位置)、视频的制作地(即拍摄视频或者制作视频的位置)、视频所指事件的发生地(例如视频中的演唱会事件发生在成都省体中心)等信息;再以推荐的对象是虚拟物品交换平台中的待交换的虚拟物品为例,对象属性信息例如可以是物品名称、物品尺寸、物品颜色、物品功效等,对象位置信息例如可以是物品的源产地(即生产地)、库存地(即当前存放的地点,可以认为是销售地点)、适用区域(即适合什么区域使用)等信息,需要说明的是,本公开实施例中提到的虚拟物品是指在交换平台中可供交换的物品,可以包括例如食物、衣服、器具等实体物品,也可以包括例如充值、电子资源等网络虚拟物品。
被推荐用户与已推荐对象之间的互动信息,是指在推荐系统向用户推荐对象之后,用户针对该对象进行操作所产生的交互信息。以对象是短视频为例,互动信息可以是用户对短视频进行点击观看、点赞、评论、转发、关注、下载等操作所产生的交互信息,还可以是查看短视频的时长和查看次数等交互信息。通过交互信息,可以表明用户对所推荐对象的关注程度,进而确定出用户对所推荐对象的喜欢程度。
步骤S102,根据每个推荐样本包括的被推荐用户的区域位置信息确定各个推荐样本对应的用户侧训练向量,以及根据每个推荐样本包括的已推荐对象的对象描述信息确定各个推荐样本对应的对象侧训练向量。
针对各个推荐样本,可以确定对应的被推荐用户的用户位置,在推荐过程中,例如可以通过用户使用的应用(Application,APP)主动上报用户位置,或者推荐系统可以向终端请求用户的位置。需要说明的是,无论是推荐系统主动获取用户位置还是APP主动上报,均需要用户预先授权,即预先授予推荐系统能够获取用户位置的权限,这样可以避免用户的位置信息被恶意获取,提高对用户个人信息的有效保护。
在获取用户的用户位置之后,进而可以根据用户位置确定用户当前所在的地理区域,再在前述介绍的以该地理区域对应的划分粒度信息所划分的多个区域中查找出用户当前所在的区域,以得到该区域对应的区域位置信息,进而通过得到的区域位置信息训练推荐神经网络(可以理解为是初始推荐模型),以得到用户的嵌入层参数矩阵,即用户侧训练向量。
在另一种可能的实施方式中,在训练用户侧训练向量时,除了用到用户的区域位置信息,还可以结合用户自身的用户个性化信息,例如用户年龄、性别、职业、偏好(例如喜欢观看亲子类视频和家居装修类视频)等用户的个人信息,这样,得到的用户侧训练向量不仅包含了用户侧的地域特征,还同时包含用户的个体特征,这样可以满足不同用户的个性化推荐,对于同一区域中的不同用户可以进行差异化的对象推荐,以尽量满足各个用户的差异化需求。
以及,针对各个推荐样本,通过已推荐对象的对象描述信息对推荐神经网络进行训练,以得到对象的嵌入层参数矩阵,即对象侧训练向量。如前所述的,对象描述信息可以包括对象属性信息和对象位置信息中的至少一种,在其包括对象位置信息时,可以同时考虑用户位置和对象位置,在考虑不同地域用户的兴趣差异的同时还可以考虑不同位置的对象的不同受众,这样可以提升对象的精准推荐和投放,进而提升推荐效果。
步骤S103,根据各个推荐样本对应的用户侧训练向量和对象侧训练向量,按照各个推荐样本包括的互动信息对初始推荐模型进行训练,得到训练后的对象推荐模型。
即,根据得到的用户侧训练向量和对象侧训练向量,按照各个推荐样本包括的互动信息,例如根据是否点击视频观看、是否点赞、是否评论等互动信息对推荐神经网络进行收敛训练,进而可以得到相似性计算网络对应的相似计算网络参数,进而得到训练后的对象推荐模型。例如对于一个推荐样本,在得到该推荐样本对应的用户侧训练向量和对象侧训练向量之后,根据被推荐用户和已推荐对象之间的互动信息进行相似性的收敛学习,这样,用户侧训练向量和对应的对象侧训练向量的相似性越大则表明被推荐用户对该已推荐对象的喜欢程度越大,所以,可以通过相似性计算网络来对待推荐用户进行对象推荐,提高推荐的准确性。
需要说明的是,训练得到的对象推荐模型又可以作为下一次训练的初始训练模型,也就是说,对象推荐模型的训练过程可以是多次反复进行的,相当于是对对象推荐模型的更新训练,以对对象推荐模型进行更新和升级。
也就是说,本公开实施例利用推荐系统的历史推荐信息,通过深度学习技术对各个区域的用户兴趣进行学习,以分析出各个区域的用户群体的共同兴趣,这样得到的对象推荐模型在进行模型推荐时能够根据当前具有对象推荐需求的用户所处区域的其它用户的兴趣进行类似推荐,使得处以同一区域中的群体受众能够得到大致相同的对象推荐,因为同一区域中的用户群体是聚集在特定环境条件的同一地理位置中,同一区域中的用户群体的认知能力、生活习惯一般不会相差太大,例如学校区域、白领工作区域等等,所以,为同一区域中的用户群体进行对象的相似推荐可以尽量满足用户的使用需求,提高推荐效率的同时还可以提高推荐满意度。
图2是根据一示例性实施例示出的一种对象推荐方法的流程示意图,该对象推荐方法可以应用于任何推荐对象的设备中,例如终端设备或者服务器设备,本公开不做限制。如图2所示,本公开中的对象推荐方法包括以下步骤:
步骤S201,获取用户的对象推荐请求。
本公开实施例的对象推荐方法可以应用于多种推荐场景,例如视频推荐、资讯推荐、虚拟物品交换平台的物品推荐、各种个人阅读(例如小说或者漫画)推荐,等等。对应于不同的推荐场景,推荐系统向用户推荐的对象也不同,例如在视频推荐场景中,推荐的对象可以是短视频、视频直播、电影、剧集、综艺节目等;又例如在资讯推荐场景中,推荐的对象可以是资讯;例如在物品推荐场景中,推荐的对象可以是物品交换平台中销售的各种实体物品或者虚拟物品。
在具体实施过程中,推荐系统的推荐功能可以集成在APP中,当用户在应用中进行了特定的推荐触发操作(例如点击了推荐按钮或者在打开应用)时,则可以认为检测到了用户的对象推荐请求,该对象推荐请求用于请求推荐系统为用户进行对象推荐,进而设备可以将推荐系统推荐的对象展示给用户,以满足用户的推荐需求。
步骤S202,响应对象推荐请求,获取用户的用户位置,并根据用户位置所属的目标地理区域的地域属性从该目标地理区域对应的多个区域中确定目标区域。
其中,多个区域是根据与目标地理区域的地域属性对应的划分粒度信息对目标地理区域进行区域划分得到的,而不同地域属性的地理区域的划分粒度信息可以不同,对于目标地理区域的区域划分以及从划分的多个区域中确定目标区域,可以参照前述图1中的步骤S101中对地理区域的区域划分进行理解,这里就不重复介绍了。
步骤S203,将目标区域对应的目标位置信息输入预先训练的对象推荐模型,以得到用户特征向量。
其中的对象推荐模型是按照前述的图1介绍的过程进行训练得到的,所以,在得到目标区域对应的位置信息(即目标位置信息)之后,根据对象推荐模型中的用户嵌入层参数矩阵即可得到用户向量表示,并将得到的用户向量表示输入到对象推荐模型中的相似性计算网络。
此外,在获得用户向量表示时,除了用户的结合城市等级对经纬度精度进行取舍后的目标位置信息,还可以同时考虑用户的用户年龄、性别、历史行为(例如喜欢观看美妆类视频)等用户个性化信息,以得到更为全面的用户向量表示,这样在进行对象推荐时,除了考虑用户的区域信息,即可以为同一区域中的用户推荐大致相同的对象,进一步地可以考虑该区域中各个用户的自身差异化以进行个性化的差异推荐,提高对象推荐的精度和准确性。
步骤S204,获取各个候选对象的对象特征向量。
其中,每个候选对象的对象特征向量是根据该候选对象的对象描述信息和前述的预先训练好的对象推荐模型确定的,而对象描述信息可以包括对象属性信息和对象位置中的至少一种,当对象描述信息同时包括对象属性信息和对象位置时,这是在考虑不同地域用户的兴趣差异的同时考虑不同位置的对象的不同受众,将对象和受众进行双向考虑,可以提高对象推荐效果。
步骤S205,根据用户特征向量与各个候选对象的对象特征向量,确定目标对象。
在将用户特征向量和各个候选对象的对象特征向量一同输入到相似性计算网络之后,即可得到各个候选对象的分数,候选对象的得分越高,表明用户喜欢该候选对象的可能性越大,所以,可以选择得分较高(例如得分高于一定阈值)的对象作为目标对象进行后续的对象推荐。
步骤S206,根据目标对象向用户进行对象推荐。
具体来说,可以根据推荐系统设置的推荐机制进行推荐,例如推荐机制是每次推荐10个对象,若步骤S205中得到的目标对象较多,则可以按照得分从高到低的顺序选择10个得到较高的目标对象推荐给用户。
为便于理解,以下以推荐的对象是短视频为例再结合图3对本公开实施例中的方案进行说明。
步骤S301,获取用户经纬度信息。
其中,用户的经纬度信息,即是用户的用户位置的经纬度表示。
步骤S302,结合城市等级对用户经纬度信息精度进行取舍,确定用户在所属城市中的区域。
步骤S303,获取用户年龄、性别、历史行为等用户个性化信息。
步骤S304,根据用户所在区域和用户个性化信息,得到用户嵌入层参数矩阵。
步骤S305,根据用户嵌入层参数矩阵,得到用户向量表示。
在获取到用户的短视频推荐请求之后,即可执行以上步骤S301-步骤S305来得到用户向量表示,在此过程中,同时考虑了用户位置和用户个性化信息,这样在基于同一区域进行短视频的推荐的同时可以充分考虑各个用户的个体化差异,以便于最终的推荐能够是同区域内用户自身也较为喜欢的短视频。
步骤S306,获取候选短视频经纬度信息。
其中,候选短视频的经纬度信息,即是候选短视频的位置的经纬度表示。
步骤S307,结合城市等级对短视频经纬度信息精度进行取舍,确定候选短视频所在的区域。
步骤S308,获取候选短视频的视频属性信息。
步骤S309,根据候选短视频所在的区域和视频属性信息,得到候选短视频嵌入层参数矩阵。
步骤S310,根据候选短视频嵌入层参数矩阵,得到候选短视频向量表示。
以上步骤S306-步骤S310是计算候选短视频的向量表示,在具体实施过程中,针对每个候选短视频均可以采用该方式计算其向量表示。并且需要说明的是,针对候选短视频的向量表示的计算过程,可以是在获取到用户发起的短视频请求之前就执行的,这样在推荐过程中可以直接获取到各个候选短视频的向量表示,无需临时计算,效率较高;或者也可以是在获取到用户发起的短视频请求之后执行的,例如与前述的计算用户向量表示的过程并行执行,或者也可以在前述的计算用户向量表示的过程之前或者之后执行,这样针对性较强。
步骤S311,将用户向量表示和候选短视频向量表示输入相似性计算网络,对候选短视频进行推荐打分。
步骤S312,得到候选短视频的推荐得分。
具体来说,针对每个候选短视频均可以进行上述步骤S311和步骤S312,以得到每个候选短视频对应的推荐得分。用户向量表示和候选短视频向量表示这两个向量之间的相似性越大,推荐得分越高,表明用户喜欢该候选短视频的可能性就越大。
步骤S312,根据候选短视频的推荐得分进行推荐处理。
例如,当候选短视频的推荐得分低于阈值时,则放弃推荐,当候选短视频的推荐得分大于或等于该阈值时,就可以推荐给用户。
本公开实施例中,在进行对象推荐时,将用户的位置信息与地域属性(例如城市等级)相结合,考虑了不同发展水平的地理区域之间的差异性,有助于提升推荐效果;其次,还可以将用户位置信息与用户个性化信息相结合,满足不同区域用户的用户个性化推荐的同时,能满足同一区域内用差异化推荐;另外,还同时考虑用户位置信息与对象位置信息,在考虑不同地域用户的兴趣差异的同时考虑了不同位置的对象的不同受众,提升了更精准的推荐和投放,提升了推荐效果。
基于上述本公开实施例相同的发明构思,图4a是根据一示例性实施例示出的一种对象推荐装置的结构框图,如图4a所示,该对象推荐装置包括获取单元401、响应单元402、第一确定单元403、第二确定单元404和推荐单元405。其中:
获取单元401,被配置为执行获取用户的对象推荐请求;
响应单元402,被配置为执行响应对象推荐请求,获取用户的用户位置,并根据用户位置所属的目标地理区域的地域属性从目标地理区域对应的多个区域中确定目标区域,其中,多个区域是根据与目标地理区域的地域属性对应的划分粒度信息对目标地理区域进行区域划分得到的,不同地域属性的地理区域的划分粒度信息不同;
第一确定单元403,被配置为执行将目标区域对应的目标位置信息输入预先训练的对象推荐模型,以得到用户特征向量,其中,对象推荐模型是根据多个推荐样本训练得到的,每个推荐样本包括被推荐用户的位置信息、向被推荐用户推荐的已推荐对象的对象描述信息以及被推荐用户与已推荐对象之间的互动信息;
第二确定单元404,被配置为执行根据用户特征向量与各个候选对象的对象特征向量,确定目标对象,其中,每个候选对象的对象特征向量是根据该候选对象的对象描述信息和对象推荐模型确定的;
推荐单元405,被配置为执行根据目标对象向用户进行对象推荐。
在一种可能的实施方式中,地域属性包括城市等级和城市人口密度中的任意一种。
在一种可能的实施方式中,请参见图4b所示,本公开实施例中的对象推荐装置还包括第三确定单元406,被配置为执行:
获取目标地理区域对应的区域划分粒度范围,其中,不同地域属性的地理区域的区域划分粒度范围不同;
根据目标地理区域的地域描述信息,从目标地理区域对应的区域划分粒度范围中确定目标区域划分粒度,其中,地域描述信息包括人口分布信息和地形信息中的至少一种;
按照目标区域划分粒度对目标地理区域进行区域划分,以得到目标地理区域对应的多个区域。
在一种可能的实施方式中,请参见图4b所示,本公开实施例中的对象推荐装置还包括训练单元407,被配置为执行:
获得多个推荐样本;
根据每个推荐样本包括的被推荐用户的位置信息确定各个推荐样本对应的用户侧训练向量,以及根据每个推荐样本包括的已推荐对象的对象描述信息确定各个推荐样本对应的对象侧训练向量;
根据各个推荐样本对应的用户侧训练向量和对象侧训练向量,按照各个推荐样本包括的互动信息对初始推荐模型进行训练,得到训练后的对象推荐模型。
在一种可能的实施方式中,每个推荐样本还包括对应的被推荐用户的用户个性化信息,第一确定单元403被配置为执行:
将目标位置信息和用户个性化信息输入对象推荐模型,以得到用户特征向量。
在一种可能的实施方式中,每个推荐样本的对象描述信息包括对象属性信息和对象位置信息中的至少一种,请参见图4b所示,本公开实施例中的对象推荐装置还包括第四确定单元408,被配置为执行:
确定各个候选对象对应的对象描述信息,其中,各个候选对象对应的对象描述信息包括该候选对象的对象属性信息和对象位置信息中的至少一种;
将各个候选对象对应的对象描述信息输入对象推荐模型,以得到各个候选对象对应的对象特征向量。
在一种可能的实施方式中,在对象推荐请求用于请求推荐的对象为多媒体资源时,对象位置信息用于指示多媒体资源的发布位置、制作地、对象所指示事件的发生地中的至少一种;在对象推荐请求用于请求推荐虚拟物品交换平台中的虚拟物品时,对象位置信息用于指示虚拟物品的源产地、库存地、适用区域中的至少一种。
在一种可能的实施方式中,地域属性包括城市等级、城市人口密度、地理覆盖范围、城市行政级别中的任意一种。
前述的对象推荐方法的实施例中涉及的各步骤的所有相关内容均可以援引到本公开实施例中的对象推荐装置所对应的功能模块的功能描述,在此不再赘述。
本公开实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,另外,在本公开各个实施例中的各功能模块可以集成在一个处理器中,也可以是单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
基于同一发明构思,本公开实施例还提供一种计算设备,该计算设备例如是终端设备或者服务器设备,该计算设备能够执行前述图1-图3中所描述的方法的步骤。如图5所示,本公开实施例中的计算设备包括至少一个处理器501,以及与至少一个处理器501连接的存储器502和通信接口503,本公开实施例中不限定处理器501与存储器502之间的具体连接介质,图5中是以处理器501和存储器502之间通过总线500连接为例,总线500在图5中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。总线500可以分为地址总线、数据总线、控制总线等,为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
在本公开实施例中,存储器502存储有可被至少一个处理器501执行的指令,至少一个处理器501通过执行存储器502存储的指令,可以执行前述的对象推荐方法中所包括的步骤。
其中,处理器501是计算设备的控制中心,可以利用各种接口和线路连接整个终端设备的各个部分,通过运行或执行存储在存储器502内的指令以及调用存储在存储器502内的数据,终端设备的各种功能和处理数据,从而对终端设备进行整体监控。可选的,处理器501可包括一个或多个处理单元,处理器501可集成应用处理器和调制解调处理器,其中,处理器501主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器501中。在一些实施例中,处理器501和存储器502可以在同一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
处理器501可以是通用处理器,例如中央处理器(CPU)、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本公开实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器502作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器502可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器502是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本公开实施例中的存储器502还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
通信接口503是能够用于进行通信的传输接口,例如可以通过通信接口503接收数据或者发送数据。
该计算设备还包括帮助计算设备内的各个器件之间传输信息的基本输入/输出系统(I/O系统)504、用于存储操作系统505、应用程序506和其他程序模块507的大容量存储设备508。
基本输入/输出系统504包括有用于显示信息的显示器509和用于用户输入信息的诸如鼠标、键盘之类的输入设备510。其中显示器509和输入设备510都通过连接到系统总线500的基本输入/输出系统504连接到处理器501。所述基本输入/输出系统504还可以包括输入输出控制器以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备508通过连接到系统总线500的大容量存储控制器(未示出)连接到处理器501。所述大容量存储设备508及其相关联的计算机可读介质为该服务器包提供非易失性存储。也就是说,大容量存储设备508可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
根据本公开的各种实施例,该计算设备包还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即该计算设备可以通过连接在所述系统总线500上的通信接口503连接到网络511,或者说,也可以使用通信接口503来连接到其他类型的网络或远程计算机系统(未示出)。
基于同一发明构思,本公开还提供一种存储介质,该存储介质可以是计算机可读存储介质,该存储介质中存储有计算机指令,当该计算机指令在计算机上运行时,使得计算机执行如前述的对象推荐方法的步骤。
基于同一发明构思,本公开还提供一种芯片系统,该芯片系统包括处理器,还可以包括存储器,用于实现如前述的对象推荐方法的步骤。该芯片系统可以由芯片构成,也可以包含芯片和其他分立器件。
在一些可能的实施方式中,本公开提供的对象推荐方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在计算机上运行时,所述程序代码用于使所述计算机执行前文所描述的根据本公开各种示例性实施方式的对象推荐方法中的步骤。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (16)
1.一种对象推荐方法,其特征在于,所述方法包括:
获取用户的对象推荐请求;
响应所述对象推荐请求,获取所述用户的用户位置,并根据所述用户位置所属的目标地理区域的地域属性从所述目标地理区域对应的多个区域中确定目标区域,其中,所述多个区域是根据与所述目标地理属性的地域属性对应的划分粒度信息对所述目标地理区域进行区域划分得到的,不同地域属性的地理区域的划分粒度信息不同;
将所述目标区域对应的目标区域位置信息输入预先训练的对象推荐模型,以得到用户特征向量,其中,所述对象推荐模型是根据多个推荐样本训练得到的,每个推荐样本包括被推荐用户的区域位置信息、为所述被推荐用户推荐的已推荐对象的对象描述信息以及所述被推荐用户与所述已推荐对象之间的互动信息;
根据所述用户特征向量与各个候选对象的对象特征向量,确定目标对象,其中,每个候选对象的对象特征向量是根据该候选对象的对象描述信息和所述对象推荐模型确定的;
根据所述目标对象向所述用户进行对象推荐。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述目标地理区域对应的区域划分粒度范围,其中,不同地域属性的地理区域的区域划分粒度范围不同;
根据所述目标地理区域的地域描述信息,从所述目标地理区域对应的区域划分粒度范围中确定目标区域划分粒度,其中,所述地域描述信息包括人口分布信息和地形信息中的至少一种;
按照所述目标区域划分粒度对所述目标地理区域进行区域划分,以得到所述目标地理区域对应的多个区域。
3.如权利要求1所述的方法,其特征在于,所述对象推荐模型按照以下方式训练得到:
获得所述多个推荐样本;
根据每个推荐样本包括的被推荐用户的区域位置信息确定各个推荐样本对应的用户侧训练向量,以及根据每个推荐样本包括的已推荐对象的对象描述信息确定各个推荐样本对应的对象侧训练向量;
根据各个推荐样本对应的用户侧训练向量和对象侧训练向量,按照各个推荐样本包括的互动信息对初始推荐模型进行训练,得到训练后的对象推荐模型。
4.如权利要求1-3任一所述的方法,其特征在于,每个推荐样本还包括对应的被推荐用户的用户个性化信息,将所述目标区域对应的目标位置信息输入预先训练的对象推荐模型,以得到用户特征向量,包括:
将所述目标位置信息和所述用户个性化信息输入所述对象推荐模型,以得到所述用户特征向量。
5.如权利要求1-3任一所述的方法,其特征在于,每个推荐样本的对象描述信息包括对象属性信息和对象位置信息中的至少一种;则,按照以下方式确定各个候选对象的对象特征向量:
确定各个候选对象对应的对象描述信息,其中,各个候选对象对应的对象描述信息包括该候选对象的对象属性信息和对象位置信息中的至少一种;
将各个候选对象对应的对象描述信息输入所述对象推荐模型,以得到各个候选对象对应的对象特征向量。
6.如权利要求5所述的方法,其特征在于,在所述对象推荐请求用于请求推荐的对象为多媒体资源时,所述对象位置信息用于指示多媒体资源的发布位置、制作地、对象所指示事件的发生地中的至少一种;
在所述对象推荐请求用于请求推荐虚拟物品交换平台中的虚拟物品时,所述对象位置信息用于指示虚拟物品的源产地、库存地、适用区域中的至少一种。
7.如权利要求1-3任一所述的方法,其特征在于,所述地域属性包括城市等级、城市人口密度、地理覆盖范围、城市行政级别中的任意一种。
8.一种对象推荐装置,其特征在于,所述装置包括:
获取单元,被配置为执行获取用户的对象推荐请求;
响应单元,被配置为执行响应所述对象推荐请求,获取所述用户的用户位置,并根据所述用户位置所属的目标地理区域的地域属性从所述目标地理区域对应的多个区域中确定目标区域,其中,所述多个区域是根据与所述目标地理区域的地理属性对应的划分粒度信息对所述目标地理区域进行区域划分得到的,不同地理属性的地理区域的划分粒度信息不同;
第一确定单元,被配置为执行将所述目标区域对应的目标位置信息输入预先训练的对象推荐模型,以得到用户特征向量,其中,所述对象推荐模型是根据多个推荐样本训练得到的,每个推荐样本包括被推荐用户的位置信息、向所述被推荐用户推荐的已推荐对象的对象描述信息以及所述被推荐用户与所述已推荐对象之间的互动信息;
第二确定单元,被配置为执行根据所述用户特征向量与各个候选对象的对象特征向量,确定目标对象,其中,每个候选对象的对象特征向量是根据该候选对象的对象描述信息和所述对象推荐模型确定的;
推荐单元,被配置为执行根据所述目标对象向所述用户进行对象推荐。
9.如权利要求8所述的装置,其特征在于,所述装置还包括第三确定单元,被配置为执行:
获取所述目标地理区域对应的区域划分粒度范围,其中,不同地域属性的地理区域的区域划分粒度范围不同;
根据所述目标地理区域的地域描述信息,从所述目标地理区域对应的区域划分粒度范围中确定目标区域划分粒度,其中,所述地域描述信息包括人口分布信息和地形信息中的至少一种;
按照所述目标区域划分粒度范围对所述目标地理区域进行区域划分,以得到所述目标地理区域对应的多个区域。
10.如权利要求8所述的装置,其特征在于,所述装置还包括训练单元,被配置为执行:
获得所述多个推荐样本;
根据每个推荐样本包括的被推荐用户的区域位置信息确定各个推荐样本对应的用户侧训练向量,以及根据每个推荐样本包括的已推荐对象的对象描述信息确定各个推荐样本对应的对象侧训练向量;
根据各个推荐样本对应的用户侧训练向量和对象侧训练向量,按照各个推荐样本包括的互动信息对初始推荐模型进行训练,得到训练后的对象推荐模型。
11.如权利要求8-10任一所述的装置,其特征在于,每个推荐样本还包括对应的被推荐用户的用户个性化信息,所述第一确定单元被配置为执行:
将所述目标位置信息和所述用户个性化信息输入所述对象推荐模型,以得到所述用户特征向量。
12.如权利要求8-10任一所述的装置,其特征在于,每个推荐样本的对象描述信息包括对象属性信息和对象位置信息中的至少一种,所述装置还包括第四确定单元,被配置为执行:
确定各个候选对象对应的对象描述信息,其中,各个候选对象对应的对象描述信息包括该候选对象的对象属性信息和对象位置信息中的至少一种;
将各个候选对象对应的对象描述信息输入所述对象推荐模型,以得到各个候选对象对应的对象特征向量。
13.如权利要求12所述的装置,其特征在于,在所述对象推荐请求用于请求推荐的对象为多媒体资源时,所述对象位置信息用于指示多媒体资源的发布位置、制作地、对象所指示事件的发生地中的至少一种;
在所述对象推荐请求用于请求推荐虚拟物品交换平台中的虚拟物品时,所述对象位置信息用于指示虚拟物品的源产地、库存地、适用区域中的至少一种。
14.如权利要求8-10任一所述的装置,其特征在于,所述地域属性包括城市等级、城市人口密度、地理覆盖范围、城市行政级别中的任意一种。
15.一种计算设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令以实现如权利要求1-7中任一项所述的对象推荐方法。
16.一种存储介质,其特征在于,当所述存储介质中的指令由计算设备的处理器执行时,使得所述计算设备能够执行如权利要求1-7中任一项所述的对象推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010252139.0A CN113495989B (zh) | 2020-04-01 | 一种对象推荐方法、装置、计算设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010252139.0A CN113495989B (zh) | 2020-04-01 | 一种对象推荐方法、装置、计算设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113495989A CN113495989A (zh) | 2021-10-12 |
CN113495989B true CN113495989B (zh) | 2024-07-12 |
Family
ID=
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108763314A (zh) * | 2018-04-26 | 2018-11-06 | 深圳市腾讯计算机系统有限公司 | 一种兴趣推荐方法、装置、服务器及存储介质 |
CN110162700A (zh) * | 2019-04-23 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 信息推荐及模型的训练方法、装置、设备以及存储介质 |
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108763314A (zh) * | 2018-04-26 | 2018-11-06 | 深圳市腾讯计算机系统有限公司 | 一种兴趣推荐方法、装置、服务器及存储介质 |
CN110162700A (zh) * | 2019-04-23 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 信息推荐及模型的训练方法、装置、设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11188950B2 (en) | Audience expansion for online social network content | |
CN108090208A (zh) | 融合数据处理方法及装置 | |
US20180307733A1 (en) | User characteristic extraction method and apparatus, and storage medium | |
WO2020093289A1 (zh) | 资源推荐方法、装置、电子设备及存储介质 | |
CN110233879A (zh) | 智能推送界面方法、装置、计算机设备及存储介质 | |
CN111680228B (zh) | 基于地理位置融合和类别流行度的兴趣点推荐方法 | |
US20150073932A1 (en) | Strength Based Modeling For Recommendation System | |
CN111722766A (zh) | 多媒体资源的展示方法及装置 | |
CN105956086B (zh) | 多媒体资源的推荐方法和装置 | |
CN112883257A (zh) | 行为序列数据处理方法、装置、电子设备及存储介质 | |
CN112989169A (zh) | 目标对象识别方法、信息推荐方法、装置、设备及介质 | |
CN113254804A (zh) | 一种基于用户属性和行为特征的社会关系推荐方法及系统 | |
CN104823212A (zh) | 提供包括从社交网络得到的信息的内容的系统和方法 | |
CN114461869A (zh) | 业务特征数据处理方法、装置、电子设备及存储介质 | |
CN112463994B (zh) | 一种多媒体资源显示方法、装置、系统及存储介质 | |
CN113495989B (zh) | 一种对象推荐方法、装置、计算设备及存储介质 | |
CN114491093B (zh) | 多媒体资源推荐、对象表征网络的生成方法及装置 | |
JP6960838B2 (ja) | 情報提供装置、情報提供方法、およびプログラム | |
Yang | Reality-creating technologies as a global phenomenon | |
CN116957678A (zh) | 一种数据处理方法和相关装置 | |
CN110717094A (zh) | 信息推荐方法、装置、计算机设备和存储介质 | |
CN112967044B (zh) | 一种支付业务的处理方法及装置 | |
CN113495989A (zh) | 一种对象推荐方法、装置、计算设备及存储介质 | |
CN112396441B (zh) | 一种数据处理方法、装置以及可读存储介质 | |
CN113869951A (zh) | 推荐内容确定方法、推荐方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |