CN113536120B - 基于用户行为的兴趣点召回方法和装置 - Google Patents
基于用户行为的兴趣点召回方法和装置 Download PDFInfo
- Publication number
- CN113536120B CN113536120B CN202110796514.2A CN202110796514A CN113536120B CN 113536120 B CN113536120 B CN 113536120B CN 202110796514 A CN202110796514 A CN 202110796514A CN 113536120 B CN113536120 B CN 113536120B
- Authority
- CN
- China
- Prior art keywords
- interest
- points
- user
- point
- feature
- 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
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
- G06F18/24—Classification techniques
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
提供了一种基于用户行为的兴趣点召回方法和装置,涉及计算机技术领域,尤其涉及人工智能技术领域。实现方案为:获取目标用户的当前行为序列,该当前行为序列对应于多个任务类型中的一个任务类型,并且包括与该多个任务类型相对应的多个兴趣点中至少两个兴趣点,该至少两个兴趣点具有排列顺序;基于该当前行为序列,获取行为序列特征,其中,该行为序列特征与该至少两个兴趣点中的每一个兴趣点和该排列顺序相关;以及基于该行为序列特征,从该多个兴趣点中获取目标兴趣点,以推荐给该目标用户。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及人工智能技术领域,具体涉及一种用于基于用户行为的兴趣点召回方法和装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术:人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
基于人工智能的推荐技术已经渗透到各个领域。其中,基于人工智能向用户推荐兴趣点的技术,根据兴趣点的特征结合用户对兴趣点的偏好,实现向用户推荐兴趣点。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种基于用户行为的兴趣点召回方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种基于用户行为的兴趣点召回方法,包括:获取目标用户的当前行为序列,所述当前行为序列对应于多个任务类型中的一个任务类型,并且包括与所述多个任务类型相对应的多个兴趣点中至少两个兴趣点,所述至少两个兴趣点具有排列顺序;基于所述当前行为序列,获取行为序列特征,其中,所述行为序列特征与所述至少两个兴趣点中的每一个兴趣点和所述排列顺序相关;以及基于所述行为序列特征,从所述多个兴趣点中获取目标兴趣点,以推荐给所述目标用户。
根据本公开的另一方面,提供了一种基于用户行为的兴趣点召回装置,包括:第一获取单元,被配置用于获取目标用户的当前行为序列,所述当前行为序列对应于多个任务类型中的一个任务类型,并且包括与所述多个任务类型相对应的多个兴趣点中至少两个兴趣点,所述至少两个兴趣点具有排列顺序;第二获取单元,被配置用于基于所述当前行为序列,获取行为序列特征,其中,所述行为序列特征与所述至少两个兴趣点中的每一个兴趣点和所述排列顺序相关;以及推荐单元,被配置用于基于所述行为序列特征,从所述多个兴趣点中获取目标兴趣点,以推荐给所述目标用户。
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;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实现根据上述的方法。
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,其中,所述计算机指令用于使所述计算机实现根据上述的方法。
根据本公开的一个或多个实施例,基于用户的行为序列获取行为特征表示,由于该行为特征表示与行为序列中包括的至少两个兴趣点及其排列顺序相关,其与用户的实际需求(任务类型)相关,基于该行为特征表示,能够获得与用户的实际需求相关的目标兴趣点。同时,根据本公开的基于用户行为的兴趣点召回方法和装置,能够适应于用户不同任务类型的推荐过程,适用范围广。
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
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开的一些实施例的基于用户行为的兴趣点召回方法的流程图;
图3示出了根据图2的基于用户行为的兴趣点召回方法中,基于当前行为序列获取行为序列特征的过程的流程图;
图4示出了根据本公开的一些实施例的基于用户行为的兴趣点召回方法中,基于行为序列特征以及多个兴趣点中每一个兴趣点的至少一个属性特征获取目标兴趣点的过程的流程图;
图5示出了根据本公开的一些实施例的基于用户行为的兴趣点召回方法中使用的门控专家网络系统的获取用户向量表示的示意图;
图6示出了根据本公开的一些实施例的基于用户行为的兴趣点召回方法中,获取目标兴趣点的过程;
图7示出了根据本公开的一些实施例的基于用户行为的兴趣点召回方法中,多任务召回模型的架构图;
图8示出根据本公开的基于用户行为的兴趣点召回装置的结构框图;以及
图9示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
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。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。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个元件与另一元件区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行向客户端设备基于用户行为的兴趣点召回方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来基于服务器120基于用户行为召回的兴趣点,获取兴趣点。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统,例如Microsoft Windows、AppleiOS、类UNIX操作系统、Linux或类Linux操作系统(例如Google Chrome OS);或包括各种移动操作系统,例如Microsoft Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120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。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如,由服务器120使用的数据存储库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中,由服务器120使用的数据存储库可以是数据库,例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
本公开的一方面提供了一种基于用户行为的兴趣点召回方法。
参看图2,根据本公开的一些实施例的一种基于用户行为的兴趣点召回方法200包括:
步骤S210:获取目标用户的当前行为序列,所述当前行为序列对应于多个任务类型中的一个任务类型,并且包括与所述多个任务类型相对应的多个兴趣点中至少两个兴趣点,所述至少两个兴趣点具有排列顺序;
步骤S220:基于所述当前行为序列,获取行为序列特征,其中,所述行为序列特征与所述至少两个兴趣点中的每一个兴趣点和所述排列顺序相关;以及
步骤S230:基于所述行为序列特征,从所述多个兴趣点中获取目标兴趣点,以推荐给所述目标用户。
根据本公开的一个或多个实施例,基于用户的行为序列获取行为特征表示,由于该行为特征表示与行为序列中包括的至少两个兴趣点及其排列顺序相关,其与用户的实际需求(任务类型)相关,基于该行为特征表示,能够获得与用户的实际需求相关的目标兴趣点。同时,根据本公开的基于用户行为的兴趣点召回方法和装置,能够适应于用户的不同任务类型的推荐过程,适用范围广。
在相关技术中,往往将兴趣点的特征串联拼接,作为为目标用户推荐兴趣点时所采用的兴趣点的特征,由于该多个兴趣点的特征独立发挥作用,无法表征用户的真实需求,使为用户召回满足其实际需求(任务类型)的兴趣点。例如,在目标用户先后检索了[S公司]和[X酒店]的情况下,基于[S公司]和[X酒店]的各个特征为用户推荐的兴趣点可能是与[S公司]具有相同企业类型特征的其他公司和与[X酒店]具有相同的酒店特征的其他酒店。而目标用户的真实需求往往是寻找[S公司]附近的酒店,因而所推荐的兴趣点无法满足目标用户的当前实际需求。
根据本公开的实施例,基于与目标用户当前行为序列中的各个兴趣点及其排列顺序相关的行为序列特征,为目标用户推荐目标兴趣点,其不仅考虑目标用户当前行为序列中的各个兴趣点的特征还考虑了各个兴趣点在当前行为序列中的排列顺序,因而能够为目标用户推荐符合其实际需求的目标兴趣点。
例如,在目标用户先后检索了[S公司]和[X酒店]的情况下,基于目标用户的当前行为序列的行为序列特征,为用户推荐的酒店,行为序列特征不仅与[S公司]和[X酒店]各自的特征相关,还与[S公司]和[X酒店]的排列顺序相关,由于考虑了[S公司]和[X酒店]的排列顺序为[S公司]在前、[X酒店]在后,其与用户的实际需求为寻找[S公司]附近的酒店相对应,因而基于其为目标用户推荐的目标兴趣点能够符合目标用户的当前实际需求。
在一些实施例中,多个任务类型包括针对不同类型的商品的推荐,目标用户的当前行为序列包括不同检索行为所对应的对不同类型的商品及其排列顺序。在一些实施例中,多个任务类型包括针对地图上不同地点的推荐,目标用户的当前行为序列包括不同检索行为所对应的不同地点及其排列顺序。
在一些实施例中,在步骤S210中,基于目标用户在预设时间内的多个检索行为,获取目标用户的当前行为序列。例如,目标用户先后检索了[电脑]、[键盘],则该目标用户的当前行为序列包括[电脑]、[键盘]以及[电脑]和[键盘]之间的排列顺序([电脑]在[键盘]之前),该当前行为序列对应于向目标用户推荐与电脑相关的配件的任务类型。又例如,目标用户先后检索了[南锣鼓巷]、[H饭馆](南锣鼓巷中的一家餐厅),则该目标用户的当前行为序列包括[南锣鼓巷]、[H饭馆]以及[南锣鼓巷]和[H饭馆]之间的排列顺序([南锣鼓巷]在前[H饭馆]在后),该当前行为序列对应于向目标用户推荐南锣鼓巷附近的餐厅的任务类型。
在一些实施例中,在步骤S110中,对目标用户的多个检索交互行为根据时间做分割,使多个检索交互行为之间的时间间隔小于预设值,从而获得目标用户的当前行为序列。例如,目标用户在间隔时间小于5分钟的时间内先后检索了[南锣鼓巷]和[X餐厅],则将其作为目标用户的当前行为序列。
在一些实施例中,所述多个任务类型包括基于地图的多个地点推荐任务,所述多个地点推荐任务所述多个任务类型包括下列各项中的至少一项:针对景区推荐的第一任务类型,针对餐厅推荐的第二任务类型,或者针对住宿推荐的第三任务类型。
在一些实施例中,所述多个任务类型包括对应于不同商品类型的多个推荐任务。
下面以基于地图的多个地点推荐任务为示例,对根据本公开的基于用户行为的兴趣点召回方法进行示例性介绍。需要理解的是,实施例中以基于地图的多个地点推荐任务为示例介绍仅仅是示例性的,本领域技术人员应当理解,根据本公开的基于用户行为的兴趣点召回方法还适用于对应于不同商品类型、不同娱乐节目(如电影、话剧、音乐剧等)的推荐任务。
如图3所示,步骤S220、所述基于所述当前行为序列,获取行为序列特征包括:
步骤S310:获取所述至少两个兴趣点中的每一个兴趣点对应的兴趣点标识;以及
步骤S320:基于所述至少两个兴趣点中的每一个兴趣点对应的兴趣点标识和所述排列顺序在所述当前行为序列中的语义表达,获取所述行为序列特征。
基于兴趣点对应兴趣点标识和排列顺序在当前行为序列中的语义表达,获取行为序列特征,由于基于语义分析获得的行为序列特征,相较于基于兴趣点的特征和排列顺序特征的串联获得的行为序列特征,对用户需求的表达更准确,更能体现目标用户的当前真实需求,从而使基于该行为序列特征获得的目标兴趣点更符合目标用户的当前真实需求。
在一些实施例中,所述多个任务类型包括基于地图的多个地点推荐任务,所述多个兴趣点与所述地图中的多个地点一一对应,所述多个地点中的每一个地点对应有地点标识。在一些实施例中,在步骤S310中,基于目标用户在地图上的检索行为获取该检索行为对应的兴趣点的地点标识。
例如,基于目标用户在地图上的检索 “故宫”、“A广场”以及“前门”的检索行为,获取对应的兴趣点[故宫]、兴趣点[A广场]和兴趣点[前门],同时兴趣点[故宫]、兴趣点[A广场]和兴趣点[前门]对应的地点标识“故宫”,“A广场”和“前门”。
在一些实施例中,在步骤S320中,将兴趣点对应兴趣点标识和该兴趣点在当前行为序列中的排列顺序关联,并采用预训练的模型基于该与排列顺序关联的兴趣点标识,获取行为序列特征。
例如, 上述目标用户在地图上的依次检索 “故宫”、“A广场”以及“前门”的检索行为获取的兴趣点[故宫]、兴趣点[A广场]和兴趣点[前门] 对应的地点标识“故宫”,“A广场”和“前门”。将地点标识与对应的兴趣点的排列顺序关联,如地点标识“故宫”与排序1关联,地点标识“A广场”与排序2关联,以及地点标识“前门”与排序3关联。将上述关联的地点标识“故宫”与排序1,地点标识“A广场”与排序2以及地点标识“前门”与排序3输入到预训练的模型,模型输出行为序列特征。
根据一些实施例,预训练的模型采用经由多个历史行为序列训练的bert模型,其中,bert模型包括双向自注意力模块。在一个示例性中,采用多个历史行为序列训练bert模型的方法:获取多个历史行为序列,其中多个历史行为序列中包括对应于多个任务类型中的各个任务类型的任务行为序列,每个任务行为序列包括至少三个按顺序排列的兴趣点;将每个任务行为序列中各个兴趣点对应的兴趣点标识与排列顺序关联,形成训练语料;基于训练语料训练bert模型。由于bert模型采用双向自注意力模块,基于多个兴趣点标识和排列顺序的关联作为输入,获取的输出为每个兴趣点在行为序列中的向量表示,该向量表示表征了该兴趣点在行为序列中的语义表达。
训练后的bert模型,基于用户的行为序列,输出该行为序列对应的行为序列向量表示,该行为序列向量表示即为行为序列特征。
在一些实施例中,方法200还包括:
对于所述多个兴趣点中每一个兴趣点,获取该兴趣点的至少一个属性特征,所述至少一个属性特征与所述多个任务类型中的一个或多个任务类型相关;以及其中,步骤S210、基于所述行为序列特征,从与所述多个兴趣点中获取目标兴趣点,以推荐给所述目标用户包括:
基于所述行为序列特征以及所述多个兴趣点中每一个兴趣点的所述至少一个属性特征,获取所述目标兴趣点。
由于兴趣点的数量巨大,而任务类型多,兴趣点关于不同的任务类型有各种不同的特征属性,基于兴趣点关于不同任务类型的不同的属性特征,获取目标兴趣点,使同一兴趣点的与多个不同任务类型相关的多个属性特征均被考虑,相较于根据任务类型对所有兴趣点的特征进行分类,使处理的数据量小,获得稳定的跨多个不同任务类型的推荐结果。
例如,对于国家大剧院,其可以是对应于景点推荐的任务类型,也可以是对应于娱乐生活推荐的任务类型。在获取兴趣点[国家大剧院]的特征时,如果基于任务类型对该兴趣点进行分类,很难将其归为一类,而在根据本公开的实施例中,根据兴趣点[国家大剧院]的对应于景点推荐的任务类型的特征属性,“美学建筑”、“景点”,和对应于娱乐生活推荐的任务类型的特征属性,“话剧”、“歌剧”,则兴趣点[国家大剧院]可用于多种不同类型的推荐任务中,从而使获得的目标兴趣点更加准确和全面。
根据一些实施例,与前述采用预训练的模型获得当前行为序列的行为序列特征的过程一样,采用预训练的模型获取多个兴趣点中每一个兴趣点的特征。
例如,在bert模型的训练过程中,基于两个训练任务进行:屏蔽词预设任务和兴趣点属性预测任务。
在屏蔽词预测任务中,对于每一历史行为序列,屏蔽部分兴趣点对应的地点标识,根据剩下的兴趣点对应的地点标识预测被屏蔽的兴趣点。例如,根据训练语料:[故宫]/[屏蔽词]/[前门],获取该[屏蔽词]对应的兴趣点的向量表示。
在兴趣点属性预测任务中,对于每一历史行为序列,对每个兴趣点的标签、空间位置等特征,生成其特征向量表示,再根据兴趣点的特征向量表示来预测其属性特征。例如,对于历史行为序列中先后排列的兴趣点[故宫]、兴趣点[A广场] 和兴趣点[前门],获取每一个兴趣点的特征向量表示与其对应的属性特征之间的相似度。例如,对于兴趣点[故宫]的特征向量表示,获取其与5A景区、博物馆、故宫几何坐标对应的网格等属性特征之间的相似度。当相似度大于预设值时,将兴趣点的该特征向量表示作为该兴趣点的至少一个属性特征。
在根据本公开的上述获取兴趣点的属性特征的方法中,由于在获取兴趣点的至少一个属性特征的过程中,考虑了其对应的任务的需求,兴趣点的至少一个属性特征采用兴趣点的特征向量表示将与任务相关的各个属性特征嵌入其中,简化该至少一个属性特征表达。相较于相关技术中,采用对应于不同任务类型的类别特征进行区分的方法,实现兴趣点的至少一个属性特征的更有效的表达,从而实现跨多种不同任务的兴趣点的推荐。
在一些实施例中,所述至少一个属性特征包括以下各项中的一项或多项:空间位置属性,或对应于所述多个任务类型中的一个或多个任务类型的特征标签。
根据一些实施例,空间位置属性,例如可以包括地理位置、坐标位置、经纬度位置等。
基于兴趣点的空间位置属性获取目标兴趣点,可以对应于不同的任务类型推荐不同位置空间属性的兴趣点,使推荐的兴趣点更加符合用户真实需求和偏好。例如,房屋租赁推荐中,推荐距离公司附近的房子;景点附近的美食推荐中推荐距离景点近的美食
根据一些实施例,对应于所述多个任务类型中的一个或多个任务类型的特征标签,可以是根据不同的任务类型获得的特征标签。例如,对应于景点推荐的任务类型,特征标签可以包括下列各项中的一种或多种:5A级、4A级、3A级或免费等等。对应于餐厅推荐的任务类型,特征标签可以包括下列各项中的一种或多种:米其林、西餐、湘菜、川菜、鲁菜或粤菜等等。
在一些实施例中,至少一个属性特征还包括兴趣点的热度特征。例如,对应于景点推荐的任务类型中,根据该对应于不同景点的兴趣点,可以获得该兴趣点的热度特征(例如单位时间内的旅游人次),作为获取目标兴趣点的依据。
在一些实施例中,获取所述目标用户的用户特征,所述用户特征与所述目标用户的偏好相关,如图4所示、所述基于所述行为序列特征以及所述多个兴趣点中每一个兴趣点所述至少一个属性特征,获取所述目标兴趣点还包括:
步骤S410:基于所述行为序列特征和所述用户特征,获取所述目标用户与所述多个任务类型中的各个任务类型一一对应的多个用户向量表示,所述用户向量表示表示表征所所述目标用户的所述当前行为序列与对应的任务类型的相关度;
步骤S420:对于所述多个兴趣点中每一个兴趣点,基于该兴趣点的至少一个属性特征,获取该兴趣点与所述多个任务类型中的各个任务类型一一对应的多个特征表示,所述特征表示表征该兴趣点与对应的任务类型的相关度;以及
步骤S430:基于所述目标用户的对应的多个用户向量表示和所述多个兴趣点中每一个兴趣点对应的多个特征表示,获取所述目标兴趣点。
在获取目标兴趣点的过程中,还基于目标用户的用户特征,由于用户特征与目标用户的偏好相关,使获取的目标兴趣点还与用户特征相关,从而更符合用户的实际需求和偏好。
在一些实施例中,所述用户特征包括下列各项中的至少一项:所述目标用户的当前位置,所述目标用户的当前时间,或所述目标用户的用户画像。
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。
根据目标用户的当前位置,所述目标用户的当前时间,或所述目标用户的用户画像,为目标用户推荐目标兴趣点,该目标兴趣点与目标用户的当前位置、当前时间和用户画像相关,进一步使推荐的目标兴趣点符合目标用户的当前实际需求和偏好。
例如,针对推荐餐厅的任务类型,获取目标用户的当前位置,可以选择与目标用户的当前位置之间的路况好的目标餐厅作为目标兴趣点推荐给目标用户。
在一些实施例中,在步骤S410中,采用经训练的神经网络模型,基于行为序列特征和用户特征,获取目标用户与所述多个任务类型中的各个任务类型一一对应的多个用户向量表示。
根据一些实施例,经训练的神经网络模型包括由多个专家网络组成的门控混合专家网络。其中,多个专家网络包括公共专家网络和对应于多个任务类型中的每一个任务类型的任务专有专家网络,通过对应不同任务类型的门控网络得到不同的专家网络组合,使多个任务类型的各个任务类型可以通过一个门控混合专家网络中相应的专家网络组合得到对应的用户向量表示。
参看图5,根据本公开的一个实施例的门控专家网络500包括对应于任务类型A的任务专家网络520A和对应于任务类型B的任务专家网络520B,同时任务类型A和任务类型B共用公共专家网络521、公共专家网络522和公共专家网络523。门控混合专家网络500还包括对应于任务类型A的门控网络524A和对应于任务类型B的门控网络524B。门控网络524A用于在任务专家网络520A、公共专家网络521、公共专家网络522和公共专家网络523输出对应于任务类型520A的多个用户向量表示时,控制分配给任务专家网络520A、公共专家网络521、公共专家网络522和公共专家网络523中的各个网络的权重;门控网络524B用于在任务专家网络520B、公共专家网络521、公共专家网络522和公共专家网络523输出对应于任务类型520B的多个用户向量表示时,控制分配给任务专家网络520B、公共专家网络521、公共专家网络522和公共专家网络523的中的各个网络的权重。门控专家网络500在处理过程中,由输入510将获取的序列特征和用户特征分别输入至任务专家网络520A、任务专家网络520B、公共专家网络521、公共专家网络522、公共专家网络523以及门控网络524A和门控网络524B中,经过分配不同权重的不同专家组合的计算,使门控专家网络500分别获得对应于任务类型A的用户向量表示530A和对应于任务类型B的用户向量表示530B,以输出。
在一些实施例中,在步骤S420中,采用经训练的神经网络模型,兴趣点的至少一个属性特征,获取该兴趣点与多个任务类型中的各个任务类型一一对应的多个特征表示。根据一些实施例,与步骤S410一样,经训练的神经网络模型包括由多个专家网络组成的门控混合专家网络。
在一些实施例中,如图6所示、步骤S430、基于所述目标用户的对应的多个用户向量表示和所述多个兴趣点中每一个兴趣点对应的多个特征表示,获取所述目标兴趣点包括:
步骤S610:对于所述多个任务类型中的每一个任务类型,获取该任务类型对应的所述用户向量表示与所述多个兴趣点中的各个兴趣点的特征表示之间的相似度;以及
步骤S620:基于所述多个任务类型中的每一个任务类型对应的所述用户向量表示与所述多个兴趣点中的各个兴趣点的特征表示之间的相似度,获取所述目标兴趣点。
通过计算对应于各个任务类型中每一个任务类型的用户向量表示和兴趣点的特征表示之间的相似度,获得目标兴趣点,由于对应于所有任务类型均计算了相似度,其满足对应于不同任务类型的推荐。
在根据本公开的一个或多个实施例中,通过多任务召回模型实现根据本公开的基于用户行为的兴趣点召回方法。
参看图7,示出了根据本公开的一个实施例的多任务召回模型的架构示意图。
如图7所示,在输入层710,由用户模块711获取用户特征和行为序列特征,其中,行为序列特征采用预训练的模型基于用户的当前行为序列获得;以及由兴趣点模块712获取兴趣点的至少一个属性特征,至少一个属性特征由预训练的模型基于历史行为序列获得。同时,在输入层710,由对应于用户模块的特征拼接模块713将用户特征与行为序列特征进行特征拼接处理;以及由对应于兴趣点模块712的特征拼接模块714将兴趣点的属性特征与兴趣点的其他特征进行特征拼接处理。
在表示层720,采用对应于用户的门控专家网络721基于拼接后的行为序列特征和用户特征生成对应于任务类型A的用户向量表示721A和对应于任务类型B的用户向量表示721B;以及采用对应于兴趣点的门控专家网络722基于拼接后的兴趣点的属性特征和其他特征生成对应于任务类型A的兴趣点向量表示722A和对应于任务类型B的兴趣点向量表示722B。
在匹配层730,在任务A-相似度计算模块731中计算对应于任务类型A的用户向量表示和对应于任务类型A的兴趣点向量表示之间的相似度,以及在任务B-相似度计算模块732中计算对应于任务类型B的用户向量表示和对应于任务类型B的兴趣点向量表示之间的相似度;并且基于所计算的相似度获取目标兴趣点。
在一些实施例中,所述目标兴趣点包括所述多个兴趣点中的对应的相似度大于预设值的一个或多个兴趣点。
例如,将对应于多个任务类型的每一个任务类型的多个相似度中的每一个相似度与预设值进行比较,将相似度大于预设值的一个或多个兴趣点确定目标兴趣点,实现对应于多种不同任务类型的推荐。
根据本公开的另一方面,还提供一种基于用户行为的兴趣点召回装置,参看图8,该装置800包括:第一获取单元810,被配置用于获取目标用户的当前行为序列,所述当前行为序列对应于多个任务类型中的一个任务类型,并且包括与所述多个任务类型相对应的多个兴趣点中至少两个兴趣点,所述至少两个兴趣点具有排列顺序;第二获取单元820,被配置用于基于所述当前行为序列,获取行为序列特征,其中,所述行为序列特征与所述至少两个兴趣点中的每一个兴趣点和所述排列顺序相关;以及推荐单元830,被配置用于基于所述行为序列特征,从所述多个兴趣点中获取目标兴趣点,以推荐给所述目标用户。
根据一些实施例,所述多个兴趣点中的每一个兴趣点具有唯一对应的兴趣点标识,以及其中所述第二获取820单元包括:第一获取子单元,被配置用于获取所述至少两个兴趣点中的每一个兴趣点对应的兴趣点标识;以及第二获取子单元,被配置用于基于所述至少两个兴趣点中的每一个兴趣点对应的兴趣点标识和所述排列顺序在所述当前行为序列中的语义表达,获取所述行为序列特征。
根据一些实施例,所述装置800还包括:第三获取单元,被配置用于对于所述多个兴趣点中每一个兴趣点,获取该兴趣点的至少一个属性特征,所述至少一个属性特征与所述多个任务类型中的一个或多个任务类型相关;以及其中,所述推荐单元还被配置用于基于所述行为序列特征以及所述多个兴趣点中每一个兴趣点对应的多个特征表示,获取所述目标兴趣点。
根据一些实施例,所述至少一个属性特征包括以下各项中的一项或多项:空间位置属性,或对应于所述多个任务类型中的一个或多个任务类型的特征标签。
根据一些实施例,所述装置800还包括:第四获取单元,被配置用于获取所述目标用户的用户特征,所述用户特征与所述目标用户的偏好相关,以及其中,所述推荐单元还包括:第五获取单元,被配置用于基于所述行为序列特征和所述用户特征,获取所述目标用户与所述多个任务类型中的各个任务类型一一对应的多个用户向量表示,所述用户向量表示表示表征所所述目标用户的所述当前行为序列与对应的任务类型的相关度;第六获取单元,被配置用于对于所述多个兴趣点中每一个兴趣点,基于该兴趣点的至少一个属性特征,获取该兴趣点与所述多个任务类型中的各个任务类型一一对应的多个特征表示,所述特征表示表征该兴趣点与对应的任务类型的相关度;以及推荐子单元,被配置用于基于所述目标用户的对应的多个用户向量表示和所述多个兴趣点中每一个兴趣点对应的多个特征表示,获取所述目标兴趣点。
根据一些实施例,所述用户特征包括下列各项中的至少一项:所述目标用户的当前位置,所述目标用户的当前时间,或者所述目标用户的用户画像。
根据一些实施例,所述推荐子单元包括:计算单元,被配置用于对于所述多个任务类型中的每一个任务类型,获取该任务类型对应的所述用户向量表示与所述多个兴趣点中的各个兴趣点的特征表示之间的相似度;获取子单元,被配置用于基于所述多个任务类型中的每一个任务类型对应的所述用户向量表示与所述多个兴趣点中的各个兴趣点的特征表示之间的相似度,获取所述目标兴趣点。
根据一些实施例,其中,所述目标兴趣点包括所述多个兴趣点中的对应的相似度大于预设值的一个或多个兴趣点。
根据一些实施例,所述多个任务类型包括基于地图的多个地点推荐任务,所述多个地点推荐任务,所述多个任务类型包括下列各项中的至少一项:针对景区推荐的第一任务类型,针对餐厅推荐的第二任务类型,或者针对住宿推荐的第三任务类型。
根据本公开的另一方面,还提供一种电子设备,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计算机程序,所述计算机程序在被所述至少一个处理器执行时实现根据上述的方法。
根据本公开的另一方面,还提供一种存储有计算机程序的非瞬时计算机可读存储介质,其中,所述计算机程序在被处理器执行时实现根据上述的方法。
根据本公开的另一方面,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。
参考图9,现将描述可以作为本公开的服务器或客户端的电子设备900的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,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9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向设备900输入信息的任何类型的设备,输入单元906可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元907可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元908可以包括但不限于磁盘、光盘。通信单元909允许设备900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,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元901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901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901执行上文所描述的各个方法和处理,例如方法900。例如,在一些实施例中,方法200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908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM903并由计算单元901执行时,可以执行上文描述的方法200的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200。
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。
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、也可以顺序地或以不同的次序执行,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。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (16)
1.一种基于用户行为的兴趣点召回方法,包括:
获取目标用户的当前行为序列,所述当前行为序列对应于多个任务类型中的一个任务类型,并且包括与所述多个任务类型相对应的多个兴趣点中至少两个兴趣点,所述至少两个兴趣点具有排列顺序;
基于所述当前行为序列,获取行为序列特征,其中,所述行为序列特征与所述至少两个兴趣点中的每一个兴趣点和所述排列顺序相关;以及
基于所述行为序列特征,从所述多个兴趣点中获取目标兴趣点,以推荐给所述目标用户,
其中,所述多个兴趣点中的每一个兴趣点具有唯一对应的兴趣点标识,
其中,所述基于所述当前行为序列,获取行为序列特征包括:
获取所述至少两个兴趣点中的每一个兴趣点对应的兴趣点标识;以及
基于所述至少两个兴趣点中的每一个兴趣点对应的兴趣点标识和所述排列顺序在所述当前行为序列中的语义表达,获取所述行为序列特征;
其中,所述方法还包括:
对于所述多个兴趣点中每一个兴趣点,获取该兴趣点的至少一个属性特征,所述至少一个属性特征与所述多个任务类型中的一个或多个任务类型相关;并且
其中,所述基于所述行为序列特征,从与所述多个兴趣点中获取目标兴趣点,以推荐给所述目标用户包括:
基于所述行为序列特征以及所述多个兴趣点中每一个兴趣点的所述至少一个属性特征,获取所述目标兴趣点。
2.根据权利要求1所述的方法,其中,所述至少一个属性特征包括以下各项中的一项或多项:
空间位置属性,或
对应于所述多个任务类型中的一个或多个任务类型的特征标签。
3.根据权利要求1所述的方法,其中,还包括:
获取所述目标用户的用户特征,所述用户特征与所述目标用户的偏好相关,以及其中,所述基于所述行为序列特征以及所述多个兴趣点中每一个兴趣点所述至少一个属性特征,获取所述目标兴趣点还包括:
基于所述行为序列特征和所述用户特征,获取所述目标用户与所述多个任务类型中的各个任务类型一一对应的多个用户向量表示,所述用户向量表示表示表征所所述目标用户的所述当前行为序列与对应的任务类型的相关度;
对于所述多个兴趣点中每一个兴趣点,基于该兴趣点的至少一个属性特征,获取该兴趣点与所述多个任务类型中的各个任务类型一一对应的多个特征表示,所述特征表示表征该兴趣点与对应的任务类型的相关度;以及
基于所述目标用户的对应的多个用户向量表示和所述多个兴趣点中每一个兴趣点对应的多个特征表示,获取所述目标兴趣点。
4.根据权利要求3所述的方法,其中,所述用户特征包括下列的至少一项:所述目标用户的当前位置、所述目标用户的当前时间或所述目标用户的用户画像。
5.根据权利要求3所述的方法,其中,所述基于所述目标用户的对应的多个用户向量表示和所述多个兴趣点中每一个兴趣点对应的多个特征表示,获取所述目标兴趣点包括:
对于所述多个任务类型中的每一个任务类型,获取该任务类型对应的所述用户向量表示与所述多个兴趣点中的各个兴趣点的特征表示之间的相似度;以及
基于所述多个任务类型中的每一个任务类型对应的所述用户向量表示与所述多个兴趣点中的各个兴趣点的特征表示之间的相似度,获取所述目标兴趣点。
6.根据权利要求5所述的方法,其中,所述目标兴趣点包括所述多个兴趣点中的对应的相似度大于预设值的一个或多个兴趣点。
7.根据权利要求1-6任一项所述的方法,其中,所述多个任务类型包括下列各项中的至少一项:
针对景区推荐的第一任务类型,
针对餐厅推荐的第二任务类型,或
针对住宿推荐的第三任务类型。
8.一种基于用户行为的兴趣点召回装置,包括:
第一获取单元,被配置用于获取目标用户的当前行为序列,所述当前行为序列对应于多个任务类型中的一个任务类型,并且包括与所述多个任务类型相对应的多个兴趣点中至少两个兴趣点,所述至少两个兴趣点具有排列顺序;
第二获取单元,被配置用于基于所述当前行为序列,获取行为序列特征,其中,所述行为序列特征与所述至少两个兴趣点中的每一个兴趣点和所述排列顺序相关;以及
推荐单元,被配置用于基于所述行为序列特征,从所述多个兴趣点中获取目标兴趣点,以推荐给所述目标用户,
其中,所述多个兴趣点中的每一个兴趣点具有唯一对应的兴趣点标识,
其中,所述第二获取单元包括:
第一获取子单元,被配置用于获取所述至少两个兴趣点中的每一个兴趣点对应的兴趣点标识;以及
第二获取子单元,被配置用于基于所述至少两个兴趣点中的每一个兴趣点对应的兴趣点标识和所述排列顺序在所述当前行为序列中的语义表达,获取所述行为序列特征;
其中,所述装置还包括:
第三获取单元,被配置用于对于所述多个兴趣点中每一个兴趣点,获取该兴趣点的至少一个属性特征,所述至少一个属性特征与所述多个任务类型中的一个或多个任务类型相关;并且
其中,所述推荐单元还被配置用于基于所述行为序列特征以及所述多个兴趣点中每一个兴趣点对应的多个特征表示,获取所述目标兴趣点。
9.根据权利要求8所述的装置,其中,所述至少一个属性特征包括以下各项中的一项或多项:
空间位置属性,或
对应于所述多个任务类型中的一个或多个任务类型的特征标签。
10.根据权利要求8所述的装置,其中,所述装置还包括:
第四获取单元,被配置用于获取所述目标用户的用户特征,所述用户特征与所述目标用户的偏好相关,以及其中,所述推荐单元还包括:
第五获取单元,被配置用于基于所述行为序列特征和所述用户特征,获取所述目标用户与所述多个任务类型中的各个任务类型一一对应的多个用户向量表示,所述用户向量表示表示表征所所述目标用户的所述当前行为序列与对应的任务类型的相关度;
第六获取单元,被配置用于对于所述多个兴趣点中每一个兴趣点,基于该兴趣点的至少一个属性特征,获取该兴趣点与所述多个任务类型中的各个任务类型一一对应的多个特征表示,所述特征表示表征该兴趣点与对应的任务类型的相关度;以及
推荐子单元,被配置用于基于所述目标用户的对应的多个用户向量表示和所述多个兴趣点中每一个兴趣点对应的多个特征表示,获取所述目标兴趣点。
11.根据权利要求10所述的装置,其中,所述用户特征包括下列各项中的至少一项:所述目标用户的当前位置、所述目标用户的当前时间或所述目标用户的用户画像。
12.根据权利要求10所述的装置,其中,所述推荐子单元包括:
计算单元,被配置用于对于所述多个任务类型中的每一个任务类型,获取该任务类型对应的所述用户向量表示与所述多个兴趣点中的各个兴趣点的特征表示之间的相似度;
获取子单元,被配置用于基于所述多个任务类型中的每一个任务类型对应的所述用户向量表示与所述多个兴趣点中的各个兴趣点的特征表示之间的相似度,获取所述目标兴趣点。
13.根据权利要求12所述的装置,其中,所述目标兴趣点包括所述多个兴趣点中的对应的相似度大于预设值的一个或多个兴趣点。
14.根据权利要求8-13任一项所述的装置,其中,所述多个任务类型包括下列各项中的至少一项:
针对景区推荐的第一任务类型,
针对餐厅推荐的第二任务类型,或者
针对住宿推荐的第三任务类型。
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中任意一项所述的方法。
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 |
---|---|---|---|
CN202110796514.2A CN113536120B (zh) | 2021-07-14 | 2021-07-14 | 基于用户行为的兴趣点召回方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110796514.2A CN113536120B (zh) | 2021-07-14 | 2021-07-14 | 基于用户行为的兴趣点召回方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113536120A CN113536120A (zh) | 2021-10-22 |
CN113536120B true CN113536120B (zh) | 2023-08-01 |
Family
ID=78128012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110796514.2A Active CN113536120B (zh) | 2021-07-14 | 2021-07-14 | 基于用户行为的兴趣点召回方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113536120B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8645366B1 (en) * | 2011-12-30 | 2014-02-04 | Google Inc. | Generating recommendations of points of interest |
CN108509499A (zh) * | 2018-02-27 | 2018-09-07 | 北京三快在线科技有限公司 | 一种搜索方法及装置,电子设备 |
CN108509497A (zh) * | 2018-02-23 | 2018-09-07 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置和电子设备 |
CN110929162A (zh) * | 2019-12-04 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 基于兴趣点的推荐方法、装置、计算机设备和存储介质 |
CN111651685A (zh) * | 2019-09-24 | 2020-09-11 | 北京嘀嘀无限科技发展有限公司 | 一种兴趣点获取方法、装置、电子设备及存储介质 |
CN112579876A (zh) * | 2019-09-30 | 2021-03-30 | 北京京东尚科信息技术有限公司 | 基于用户兴趣的信息推送方法、装置、系统及存储介质 |
CN112612957A (zh) * | 2020-12-24 | 2021-04-06 | 北京百度网讯科技有限公司 | 兴趣点的推荐方法、兴趣点推荐模型的训练方法、装置 |
CN112818262A (zh) * | 2021-01-28 | 2021-05-18 | 上海博泰悦臻网络技术服务有限公司 | 基于用户数据的地图poi搜索方法、系统、设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11120458B2 (en) * | 2018-03-09 | 2021-09-14 | International Business Machines Corporation | Group-based sequential recommendations |
-
2021
- 2021-07-14 CN CN202110796514.2A patent/CN113536120B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8645366B1 (en) * | 2011-12-30 | 2014-02-04 | Google Inc. | Generating recommendations of points of interest |
CN108509497A (zh) * | 2018-02-23 | 2018-09-07 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置和电子设备 |
CN108509499A (zh) * | 2018-02-27 | 2018-09-07 | 北京三快在线科技有限公司 | 一种搜索方法及装置,电子设备 |
CN111651685A (zh) * | 2019-09-24 | 2020-09-11 | 北京嘀嘀无限科技发展有限公司 | 一种兴趣点获取方法、装置、电子设备及存储介质 |
CN112579876A (zh) * | 2019-09-30 | 2021-03-30 | 北京京东尚科信息技术有限公司 | 基于用户兴趣的信息推送方法、装置、系统及存储介质 |
CN110929162A (zh) * | 2019-12-04 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 基于兴趣点的推荐方法、装置、计算机设备和存储介质 |
CN112612957A (zh) * | 2020-12-24 | 2021-04-06 | 北京百度网讯科技有限公司 | 兴趣点的推荐方法、兴趣点推荐模型的训练方法、装置 |
CN112818262A (zh) * | 2021-01-28 | 2021-05-18 | 上海博泰悦臻网络技术服务有限公司 | 基于用户数据的地图poi搜索方法、系统、设备及介质 |
Non-Patent Citations (2)
Title |
---|
兴趣点推荐系统研究综述;于正一;;德州学院学报(04);58-65 * |
基于用户兴趣建模的个性化旅游信息推荐研究;李文清;;电脑知识与技术(22);161-164 * |
Also Published As
Publication number | Publication date |
---|---|
CN113536120A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7005694B2 (ja) | コンピュータによるエージェントのための合成音声の選択 | |
CN112836072B (zh) | 信息展示方法及装置、电子设备和介质 | |
WO2023245938A1 (zh) | 对象推荐方法和装置 | |
WO2023142406A1 (zh) | 排序方法、排序模型的训练方法、装置、电子设备及介质 | |
CN114723949A (zh) | 三维场景分割方法和用于训练分割模型的方法 | |
CN115114424A (zh) | 查询请求的应答方法及装置 | |
CN115269989B (zh) | 对象推荐方法、装置、电子设备和存储介质 | |
CN113868453B (zh) | 对象推荐方法和装置 | |
CN113536120B (zh) | 基于用户行为的兴趣点召回方法和装置 | |
CN116541536A (zh) | 知识增强的内容生成系统、数据生成方法、设备和介质 | |
CN115511779B (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN115797660A (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN115578501A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN114445190A (zh) | 商品推荐方法和装置 | |
CN114429678A (zh) | 模型训练方法及装置、电子设备和介质 | |
CN112100522A (zh) | 用于检索兴趣点的方法、装置、设备及介质 | |
CN115809364B (zh) | 对象推荐方法和模型训练方法 | |
CN113722523B (zh) | 对象推荐方法和装置 | |
CN114861071B (zh) | 对象推荐方法和装置 | |
CN113722534B (zh) | 视频推荐方法和装置 | |
CN116244529A (zh) | 兴趣点检索方法、装置、电子设备及存储介质 | |
CN116610875A (zh) | 地图兴趣点检索方法、装置、电子设备及存储介质 | |
CN114861658B (zh) | 地址信息解析方法及装置、设备和介质 | |
CN115019048B (zh) | 三维场景分割方法、模型训练方法、装置和电子设备 | |
CN117992675A (zh) | 内容推荐方法、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 |