CN113536138A - 一种网络资源推荐方法、装置、电子设备及可读存储介质 - Google Patents
一种网络资源推荐方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN113536138A CN113536138A CN202110936030.3A CN202110936030A CN113536138A CN 113536138 A CN113536138 A CN 113536138A CN 202110936030 A CN202110936030 A CN 202110936030A CN 113536138 A CN113536138 A CN 113536138A
- Authority
- CN
- China
- Prior art keywords
- sample
- recommended
- network
- network resource
- resource
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000006399 behavior Effects 0.000 claims description 60
- 239000011159 matrix material Substances 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 38
- 238000004891 communication Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种网络资源推荐方法、装置、电子设备及可读存储介质,涉及互联网技术领域,方法包括:获取目标用户的目标用户描述特征、各待推荐网络资源各自的资源描述特征,以及各待推荐网络资源各自的已上线时长;针对每一待推荐网络资源,基于该待推荐网络资源的资源描述特征、已上线时长,以及目标用户描述特征,计算目标用户浏览该待推荐网络资源的第一预测概率;基于第一预测概率,向目标用户推荐所述待推荐网络资源。基于上述处理,能够提高新上线的网络资源的曝光率,以及减少无效推荐。
Description
技术领域
本发明涉及互联网技术领域,特别是涉及一种网络资源推荐方法、装置、电子设备及可读存储介质。
背景技术
随着互联网技术的快速发展,用户可以通过客户端浏览各种网络资源。例如,用户可以通过客户端浏览视频。
针对视频浏览的场景,相关技术中,为了提高用户体验,可以基于用户的用户描述特征(例如,用户的年龄、性别等)和视频网络资源的资源描述特征(例如,视频网络资源的类型、视频网络资源的标题等),确定向用户推荐的视频网络资源。例如,可以计算用户的用户描述特征,分别与各视频网络资源的资源描述特征的相似度,进而,可以向用户推荐相似度较高的视频网络资源。
发明内容
本发明实施例的目的在于提供一种网络资源推荐方法、装置、电子设备及可读存储介质,以提高新上线的网络资源的曝光率,且减少无效推荐。具体技术方案如下:
在本发明实施的第一方面,首先提供了一种网络资源推荐方法,所述方法包括:
获取目标用户的目标用户描述特征、各待推荐网络资源各自的资源描述特征,以及所述各待推荐网络资源各自的已上线时长;
针对每一待推荐网络资源,基于该待推荐网络资源的资源描述特征、已上线时长,以及所述目标用户描述特征,计算所述目标用户浏览该待推荐网络资源的第一预测概率;
基于所述第一预测概率,向所述目标用户推荐所述待推荐网络资源。
可选的,所述针对每一待推荐网络资源,基于该待推荐网络资源的资源描述特征、已上线时长,以及所述目标用户描述特征,计算所述目标用户浏览该待推荐网络资源的第一预测概率,包括:
针对每一待推荐网络资源,基于对该待推荐网络资源的资源描述特征、已上线时长、所述目标用户描述特征进行拼接,得到目标特征矩阵;
将所述目标特征矩阵输入至预先训练的浏览预测网络模型;
基于所述浏览预测网络模型的模型参数所表示的该待推荐网络资源的资源描述特征、已上线时长、所述目标用户描述特征各自对输出结果的贡献度,对所述目标特征矩阵进行处理,得到所述目标用户浏览该待推荐网络资源的第一预测概率;
其中,所述浏览预测网络模型为基于预设训练样本进行训练得到的;所述预设训练样本包括:样本用户的样本用户描述特征、样本网络资源的样本资源描述特征、向所述样本用户推荐所述样本网络资源时所述样本网络资源的已上线时长,以及向所述样本用户推荐所述样本网络资源时所述样本用户浏览所述样本网络资源的真实概率。
可选的,所述样本网络资源包括以下至少一项:
已上线时长大于预设时长,且在第一历史时间段内不存在用户浏览行为的网络资源;
在第二历史时间段内向所述样本用户推荐的次数大于第一阈值,且所述样本用户未浏览的网络资源;
在历史时刻向所述样本用户推荐,且所述样本用户未浏览,且所述样本用户在所述历史时刻之前已浏览的网络资源。
可选的,所述预设训练样本还包括针对所述样本网络资源的历史行为特征;
所述针对每一待推荐网络资源,基于对该待推荐网络资源的资源描述特征、已上线时长、所述目标用户描述特征进行拼接,得到目标特征矩阵,包括:
针对每一待推荐网络资源,对该待推荐网络资源的资源描述特征、已上线时长、所述目标用户描述特征,以及针对该待推荐网络资源的历史行为特征进行拼接,得到目标特征矩阵;
所述基于所述浏览预测网络模型的模型参数所表示的该待推荐网络资源的资源描述特征、已上线时长、所述目标用户描述特征各自对输出结果的贡献度,对所述目标特征矩阵进行处理,得到所述目标用户浏览该待推荐网络资源的第一预测概率,包括:
基于所述浏览预测网络模型的模型参数所表示的该待推荐网络资源的资源描述特征、已上线时长、所述目标用户描述特征,以及针对该待推荐网络资源的历史行为特征各自对输出结果的贡献度,对所述目标特征矩阵进行处理,得到所述目标用户浏览该待推荐网络资源的第一预测概率。
可选的,所述针对该待推荐网络资源的历史行为特征,包括以下至少一项:
距离当前时刻最近的,且存在针对该待推荐网络资源的浏览行为的目标单位时间段,与当前时刻之间的时长;
所述目标单位时间段内浏览该待推荐网络资源的用户的总数目;
所述目标用户最近一次浏览该待推荐网络资源的时间,与当前时刻之间的时长。
可选的,所述浏览预测网络模型通过以下步骤训练:
对所述样本用户描述特征、样本资源描述特征、向所述样本用户推荐所述样本网络资源时所述样本网络资源的已上线时长,以及针对所述样本网络资源的历史行为特征进行拼接,得到样本特征矩阵;
基于待训练的浏览预测网络模型的模型参数所表示的所述样本用户描述特征、样本资源描述特征、向所述样本用户推荐所述样本网络资源时所述样本网络资源的已上线时长,以及针对所述样本网络资源的历史行为特征各自对输出结果的贡献度,对所述样本特征矩阵进行处理,得到所述样本用户浏览所述样本网络资源的概率,作为第二预测概率;
基于所述第二预测概率,以及向所述样本用户推荐所述样本网络资源时所述样本用户浏览所述样本网络资源的真实概率,调整所述浏览预测网络网络模型的模型参数,继续训练,直到所述浏览预测网络模型收敛。
在本发明实施的第二方面,还提供了一种网络资源推荐装置,所述装置包括:
特征获取模块,用于获取目标用户的目标用户描述特征、各待推荐网络资源各自的资源描述特征,以及所述各待推荐网络资源各自的已上线时长;
第一预测概率获取模块,用于针对每一待推荐网络资源,基于该待推荐网络资源的资源描述特征、已上线时长,以及所述目标用户描述特征,计算所述目标用户浏览该待推荐网络资源的第一预测概率;
推荐模块,用于基于所述第一预测概率,向所述目标用户推荐所述待推荐网络资源。
可选的,所述第一预测概率获取模块,包括:
目标特征矩阵获取子模块,用于针对每一待推荐网络资源,基于对该待推荐网络资源的资源描述特征、已上线时长、所述目标用户描述特征进行拼接,得到目标特征矩阵;
输入子模块,用于将所述目标特征矩阵输入至预先训练的浏览预测网络模型;
第一预测概率获取子模块,用于基于所述浏览预测网络模型的模型参数所表示的该待推荐网络资源的资源描述特征、已上线时长、所述目标用户描述特征各自对输出结果的贡献度,对所述目标特征矩阵进行处理,得到所述目标用户浏览该待推荐网络资源的第一预测概率;
其中,所述浏览预测网络模型为基于预设训练样本进行训练得到的;所述预设训练样本包括:样本用户的样本用户描述特征、样本网络资源的样本资源描述特征、向所述样本用户推荐所述样本网络资源时所述样本网络资源的已上线时长,以及向所述样本用户推荐所述样本网络资源时所述样本用户浏览所述样本网络资源的真实概率。
可选的,所述样本网络资源包括以下至少一项:
已上线时长大于预设时长,且在第一历史时间段内不存在用户浏览行为的网络资源;
在第二历史时间段内向所述样本用户推荐的次数大于第一阈值,且所述样本用户未浏览的网络资源;
在历史时刻向所述样本用户推荐,且所述样本用户未浏览,且所述样本用户在所述历史时刻之前已浏览的网络资源。
可选的,所述预设训练样本还包括针对所述样本网络资源的历史行为特征;
所述目标特征矩阵获取子模块,具体用于针对每一待推荐网络资源,对该待推荐网络资源的资源描述特征、已上线时长、所述目标用户描述特征,以及针对该待推荐网络资源的历史行为特征进行拼接,得到目标特征矩阵;
所述第一预测概率获取子模块,具体用于基于所述浏览预测网络模型的模型参数所表示的该待推荐网络资源的资源描述特征、已上线时长、所述目标用户描述特征,以及针对该待推荐网络资源的历史行为特征各自对输出结果的贡献度,对所述目标特征矩阵进行处理,得到所述目标用户浏览该待推荐网络资源的第一预测概率。
可选的,所述针对该待推荐网络资源的历史行为特征,包括以下至少一项:
距离当前时刻最近的,且存在针对该待推荐网络资源的浏览行为的目标单位时间段,与当前时刻之间的时长;
所述目标单位时间段内浏览该待推荐网络资源的用户的总数目;
所述目标用户最近一次浏览该待推荐网络资源的时间,与当前时刻之间的时长。
可选的,所述装置还包括:
训练模块,用于对所述样本用户描述特征、样本资源描述特征、向所述样本用户推荐所述样本网络资源时所述样本网络资源的已上线时长,以及针对所述样本网络资源的历史行为特征进行拼接,得到样本特征矩阵;
基于待训练的浏览预测网络模型的模型参数所表示的所述样本用户描述特征、样本资源描述特征、向所述样本用户推荐所述样本网络资源时所述样本网络资源的已上线时长,以及所述样本网络资源的历史行为特征各自对输出结果的贡献度,对所述样本特征矩阵进行处理,得到所述样本用户浏览所述样本网络资源的概率,作为第二预测概率;
基于所述第二预测概率,以及向所述样本用户推荐所述样本网络资源时所述样本用户浏览所述样本网络资源的真实概率,调整所述浏览预测网络网络模型的模型参数,继续训练,直到所述浏览预测网络模型收敛。
在本发明实施的又一方面,还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第一方面任一所述的网络资源推荐方法。
在本发明实施的又一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一所述的网络资源推荐方法。
在本发明实施的又一方面,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的网络资源推荐方法。
本发明实施例提供的网络资源推荐方法,可以获取目标用户的目标用户描述特征、各待推荐网络资源各自的资源描述特征,以及各待推荐网络资源各自的已上线时长;针对每一待推荐网络资源,基于该待推荐网络资源的资源描述特征、已上线时长,以及目标用户描述特征,计算目标用户浏览该待推荐网络资源的第一预测概率;基于第一预测概率,向目标用户推荐待推荐网络资源。
基于上述处理,在推荐网络资源时,由于结合了网络资源的已上线时长,因此,能够实现及时向用户推荐新上线的网络资源,提高新上线网络资源的曝光率。另外,针对已上线很久的网络资源,也能够减少推荐的次数,进而,减少无效推荐。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例中提供的一种网络资源推荐方法的流程图;
图2为本发明实施例中提供的另一种网络资源推荐方法的流程图;
图3为本发明实施例中提供的另一种网络资源推荐方法的流程图;
图4为本发明实施例提供的一种浏览预测网络模型的训练方法的流程图;
图5为本发明实施例提供的一种基于浏览预测网络模型计算预测概率的示意图;
图6为本发明实施例中提供的一种网络资源推荐装置的结构图;
图7为本发明实施例中提供的一种电子设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行描述。
本发明实施例提供了一种网络资源推荐方法,该方法可以应用于电子设备,本发明实施例以应用于电子设备为例进行说明,但并不限于此。该电子设备可以为客户端,或者,也可以为服务器。
一种实现方式中,该电子设备为客户端,示例性的,该客户端可以为手机、电脑中安装的应用程序。用户在电子设备中可以输入网络资源请求指令,相应的,电子设备则可以接收网络资源请求指令,并基于本发明实施例提供的网络资源推荐方法,向用户推荐网络资源。
另一种实现方式中,该电子设备为服务器,示例性的,该电子设备可以为手机、电脑中安装的应用程序对应的服务器。用户在客户端中可以输入网络资源请求指令,相应的,客户端可以向电子设备转发网络资源请求指令。电子设备则可以基于本发明实施例提供的网络资源推荐方法,向用户推荐网络资源。
或者,电子设备也可以基于本发明实施例提供的网络资源推荐方法,主动向用户推荐网络资源。例如,电子设备可以在用户每次上线时,向用户推荐网络资源。
参见图1,图1为本发明实施例提供的一种网络资源推荐方法的流程图,该方法可以包括以下步骤:
S101:获取目标用户的目标用户描述特征、各待推荐网络资源各自的资源描述特征,以及各待推荐网络资源各自的已上线时长。
S102:针对每一待推荐网络资源,基于该待推荐网络资源的资源描述特征、已上线时长,以及目标用户描述特征,计算目标用户浏览该待推荐网络资源的第一预测概率。
S103:基于第一预测概率,向目标用户推荐待推荐网络资源。
基于本发明实施例提供的方法,在推荐网络资源时,由于结合了网络资源的已上线时长,因此,能够实现及时向用户推荐新上线的网络资源,提高新上线网络资源的曝光率。另外,针对已上线很久的网络资源,也能够减少推荐的次数,进而,减少无效推荐。
针对步骤S101,本发明实施例中所提到的网络资源可以为视频、新闻等网络资源。目标用户的用户描述特征(即目标用户描述特征),可以包括以下至少一项:目标用户的年龄、性别、物理位置、职业、学历、历史浏览行为和历史搜索行为。例如,历史浏览行为可以用目标用户在历史时刻浏览的网络资源表示、历史搜索行为可以用目标用户在历史时刻搜索的网络资源表示。一种实现方式中,电子设备可以基于目标用户的注册信息,以及目标用户在历史时刻的行为,生成目标用户的用户描述特征。
待推荐网络资源的资源描述特征,可以包括以下至少一项:待推荐网络资源的关键词、标题和类型等。另外,还可以包括历史时间段内用户针对待推荐网络资源的搜索和观看行为。例如,该待推荐网络资源的搜索量、观看量。
本发明实施例中,用户的用户描述特征,以及网络资源的资源描述特征可以分别用各自对应的特征矩阵表示。例如,电子设备可以分别对用户描述特征和资源描述特征进行字嵌入(Emdedding)转换,得到对应的特征矩阵。
待推荐网络资源的已上线时长,也就是,待推荐网络资源的上线时刻与当前时刻之间的时长。
针对步骤S102,电子设备可以基于不同的方式,计算第一预测概率。
一种实现方式中,针对每一待推荐网络资源,电子设备可以基于该待推荐网络资源的资源描述特征、已上线时长,以及目标用户描述特征,计算该待推荐网络资源与目标用户的相似度,将该相似度作为目标用户浏览该待推荐网络资源的预测概率(即第一预测概率)。
例如,电子设备可以计算该待推荐网络资源的资源描述特征与目标用户描述特征之间的相似度(可以称为第一相似度)。进而,电子设备可以计算该第一相似度,与该待推荐网络资源的已上线时长的倒数的总和值,作为该待推荐网络资源与目标用户的相似度。
或者,电子设备可以计算该第一相似度,与该待推荐网络资源的已上线时长的比值,作为该待推荐网络资源与目标用户的相似度。
针对步骤S103,电子设备可以向目标用户推荐第一预测概率较大的,前预设数目个待推荐网络资源。
或者,电子设备也可以向目标用户推荐第一预测概率大于预设概率阈值的待推荐网络资源。
在一种实现方式中,为了提高网络资源推荐的准确度,进一步提高用户体验,电子设备还可以基于网络模型,计算目标用户浏览该待推荐网络资源的第一预测概率。
在一个实施例中,参见图2,上述步骤S102可以包括以下步骤:
S1021:针对每一待推荐网络资源,基于对该待推荐网络资源的资源描述特征、已上线时长、目标用户描述特征进行拼接,得到目标特征矩阵。
S1022:将目标特征矩阵输入至预先训练的浏览预测网络模型。
S1023:基于浏览预测网络模型的模型参数所表示的该待推荐网络资源的资源描述特征、已上线时长、目标用户描述特征各自对输出结果的贡献度,对目标特征矩阵进行处理,得到目标用户浏览该待推荐网络资源的第一预测概率。
其中,浏览预测网络模型为基于预设训练样本进行训练得到的。预设训练样本包括:样本用户的样本用户描述特征、样本网络资源的样本资源描述特征、向样本用户推荐样本网络资源时样本网络资源的已上线时长,以及向样本用户推荐样本网络资源时样本用户浏览样本网络资源的真实概率。
一种实现方式中,浏览预测网络模型可以为深度学习网络模型,具体的,可以为MLP(Multilayer Perceptron,多层感知器)网络模型。
在本发明实施例中,电子设备可以确定向样本用户推荐样本网络资源时样本网络资源的已上线时长。另外,电子设备还可以基于用户的历史浏览行为,确定向样本用户推荐样本网络资源时,样本用户是否浏览该样本网络资源的真实概率,也就是该样本用户的标签。该标签也就是在对浏览预测网络模型训练时,设置的与该样本用户和样本网络资源对应的输出数据,用于对浏览预测网络模型的模型参数进行调整。
一种实现方式中,针对每一待推荐网络资源,电子设备可以对该待推荐网络资源的资源描述特征、已上线时长、目标用户描述特征进行拼接,拼接结果作为目标特征矩阵。进而,电子设备可以将目标特征矩阵输入至浏览预测网络模型,以基于浏览预测网络模型的模型参数对上述特征进行处理。
由于对浏览预测网络模型进行训练时采用了样本用户描述特征、样本资源描述特征、样本网络资源的已上线时长,以及样本用户浏览样本网络资源的真实概率。因此,训练好的浏览预测网络模型,能够学习到用户描述特征、资源描述特征、资源的已上线时长,与用户浏览网络资源的概率之间的关联关系,即,能够得到用户描述特征、资源描述特征和网络资源的已上线时长,对输出结果(即用户浏览网络资源的概率)的贡献度。也就是说,浏览预测网络模型的模型参数可以表示各特征的贡献度。
例如,浏览预测网络模型为MLP网络模型,则该MLP网络模型中各全连接层的参数表示上述各个特征对输出结果的贡献度。
一种实现方式中,可以基于上述各个特征对浏览预测网络模型的模型参数(即各特征的贡献度)进行调整,使得预测网络模型输出的预测概率趋向于训练样本对应的真实概率。例如,若针对一个训练样本,样本网络资源的已上线时长较小,对应的真实概率为1,则可以调整已上线时长的贡献度,使得输出的预测概率趋向于1;若针对一个训练样本,样本网络资源的已上线时长较大,对应的真实概率为0,则可以调整已上线时长的贡献度,使得输出的预测概率趋向于0。进而,在进行预测时,针对已上线时长较大的网络资源,则输出的预测概率趋向于0,也就可以不向用户推荐该网络资源;针对已上线时长较小的网络资源,则输出的预测概率趋向于1,也就可以向用户推荐该网络资源。
一种实现方式中,上述预设训练样本包括正样本数据,正样本数据表示电子设备向样本用户推荐样本网络资源,且该样本用户浏览了该样本网络资源。
在一个实施例中,为了进一步减少无效推荐,提高推荐的准确度,上述预设训练样本还可以包含负样本数据。负样本数据表示电子设备向样本用户推荐样本网络资源,且该样本用户未浏览该样本网络资源。
例如,电子设备向样本用户推荐样本网络资源时,样本用户浏览了样本网络资源,则该样本用户也就是正样本用户,其标签可以用“1”表示;电子设备向样本用户推荐样本网络资源时,样本用户未浏览该样本网络资源,则该样本用户也就是负样本用户,其标签可以用“0”表示。
在一个实施例中,样本网络资源包括以下至少一项:
已上线时长大于预设时长,且在第一历史时间段内不存在用户浏览行为的网络资源;
在第二历史时间段内向样本用户推荐的次数大于第一阈值,且样本用户未浏览的网络资源;
在历史时刻向样本用户推荐,且样本用户未浏览,且样本用户在历史时刻之前已浏览的网络资源。
在本发明实施例中,电子设备可以确定负样本数据对应的样本网络资源。
负样本数据对应的样本网络资源,可以为已上线时长大于预设时长,且在第一历史时间段内不存在用户浏览行为的网络资源。即,已上线很久,且第一历史时间段内没有用户浏览的网络资源。第一历史时间段可以为当前时刻之前的时间段,例如,可以为当前时刻之前的一个星期,或者,也可以为当前时刻之前的一个月,但并不限于此。
负样本数据对应的样本网络资源,也可以为在第二历史时间段内向样本用户推荐的次数大于第一阈值,且样本用户未浏览的网络资源。即,已频繁向用户推荐,且用户未浏览的网络资源。第二历史时间段可以为当前时刻之前的时间段,可以与上述第一历史时间段相同,也可以不同。
负样本数据对应的样本网络资源,也可以为在历史时刻向样本用户推荐,且样本用户未浏览,且样本用户在历史时刻之前已浏览的网络资源。即,用户已浏览,且再次向用户推荐时,该用户未浏览的网络资源。
另外,负样本数据对应的样本网络资源,还可以为未向用户推荐过,且用户也不感兴趣的网络资源。
上述确定出的网络资源表示需要退场的网络资源,也就是说,当前用户对该网络资源的热度较小,可以减少向用户推荐该类网络资源的次数,以减少无效推荐。
进而,电子设备可以获取针对这类网络资源的历史推荐数据,并确定历史时间段内已推荐这类网络资源,且未浏览该类网络资源的样本用户,获取向该样本用户推荐这类网络资源的相关数据,作为负样本数据,用于对浏览预测网络模型进行训练。
另一种实现方式中,为了进一步提高推荐资源的准确度,还可以结合网络资源的历史行为特征,计算第一预测概率。
在一个实施例中,预设训练样本还包括针对样本网络资源的历史行为特征,相应的,参见图3,在图2的基础上,上述步骤S1021可以包括以下步骤:
S10211:针对每一待推荐网络资源,对该待推荐网络资源的资源描述特征、已上线时长、目标用户描述特征,以及针对该待推荐网络资源的历史行为特征进行拼接,得到目标特征矩阵。
上述步骤S1023可以包括以下步骤:
S10231:基于浏览预测网络模型的模型参数所表示的该待推荐网络资源的资源描述特征、已上线时长、目标用户描述特征,以及针对该待推荐网络资源的历史行为特征各自对输出结果的贡献度,对目标特征矩阵进行处理,得到目标用户浏览该待推荐网络资源的第一预测概率。
在本发明实施例中,针对网络资源的历史行为特征,能够体现历史时间段内,用户针对该网络资源的感兴趣程度,因此,结合历史行为特征,能够提高计算出的第一预测概率的准确度,进而,能够提高推荐资源的准确度。
由于对浏览预测网络模型进行训练时采用了样本用户描述特征、样本资源描述特征、样本网络资源的已上线时长、针对样本网络资源的历史行为特征,以及样本用户浏览样本网络资源的真实概率。因此,训练好的浏览预测网络模型,能够学习到用户描述特征、资源描述特征、资源的已上线时长、针对样本网络资源的历史行为特征,与用户浏览网络资源的概率之间的关联关系,即,能够得到用户描述特征、资源描述特征、网络资源的已上线时长和针对网络资源的历史行为特征,对输出结果(即用户浏览网络资源的概率)的贡献度。
在一个实施例中,针对该待推荐网络资源的历史行为特征,包括以下至少一项:
距离当前时刻最近的,且存在针对该待推荐网络资源的浏览行为的目标单位时间段,与当前时刻之间的时长。
目标单位时间段内浏览该待推荐网络资源的用户的总数目。
目标用户最近一次浏览该待推荐网络资源的时间,与当前时刻之间的时长。
可以理解的是,与针对待推荐网络资源的历史行为特征相对应,针对样本网络资源的历史行为特征包括以下至少一项:
距离本次向样本用户推荐样本网络资源的时刻最近的,且存在针对该样本网络资源的浏览行为的单位时间段,与本次向该样本用户推荐样本网络资源的时刻之间的时长;该单位时间段内浏览该样本网络资源的用户的总数目;该样本用户最近一次浏览该样本网络资源的时间,与本次向该样本用户推荐样本网络资源的时刻之间的时长。
一种实现方式中,电子设备可以对时间进行划分,得到单位时间段。例如,可以以一天为单位对时间进行划分,或者,也可以以两天为单位对时间进行划分,或者,也可以以一个星期为单位对时间进行划分。
针对每一待推荐网络资源,电子设备可以确定距离当前时刻最近的一个单位时间段,且该单位时间段内存在针对该待推荐网络资源的浏览行为,进而,电子设备可以计算该单位时间段与当前时刻之间的时长(可以称为第一时长)。
例如,电子设备以一天为单位对时间进行划分,并确定距离当前时刻最近的,且存在针对该待推荐网络资源的浏览行为的时间段为前天,则电子设备可以确定第一时长为两天。然后,电子设备还可以确定前天浏览该待推荐网络资源的用户的总数目。
样本用户最近一次浏览该样本网络资源的时间,与本次向该样本用户推荐样本网络资源的时刻之间的时长,可以称为第二时长。
一种实现方式中,由于电子设备向负样本用户推荐样本网络资源时,负样本用户未浏览该样本网络资源,因此,针对负样本用户,电子设备可以确定该负样本用户对应的第二时长大于指定时长。例如,若电子设备以一天为单位对时间进行划分,则指定时长可以为100天,或者,也可以为200天;若电子设备以一个星期为单位对时间进行划分,则指定时长可以为20个星期,或者,也可以为30个星期。也就说,电子设备可以将负样本用户对应的第二时长设置为较大的数值。
同样,针对目标用户,在计算第一预测概率时,电子设备也可以将目标用户最近一次浏览该待推荐网络资源的时间,与当前时刻之间的时长,设置为指定时长。
参见图4,图4为本发明实施例提供的一种浏览预测网络模型的训练方法的流程图,该方法可以包括以下步骤:
S401:对样本用户描述特征、样本资源描述特征、向样本用户推荐样本网络资源时样本网络资源的已上线时长,以及针对样本网络资源的历史行为特征进行拼接,得到样本特征矩阵。
S402:基于待训练的浏览预测网络模型的模型参数所表示的样本用户描述特征、样本资源描述特征、向样本用户推荐样本网络资源时样本网络资源的已上线时长,以及针对样本网络资源的历史行为特征各自对输出结果的贡献度,对样本特征矩阵进行处理,得到样本用户浏览样本网络资源的概率,作为第二预测概率。
S403:基于第二预测概率,以及向样本用户推荐样本网络资源时样本用户浏览样本网络资源的真实概率,调整浏览预测网络网络模型的模型参数,继续训练,直到浏览预测网络模型收敛。
上述步骤S401和S402,可以分别参考上述步骤S10211和S10231的相关介绍。
在本发明实施例中,电子设备基于第二预测概率和对应的标签,可以计算损失值,并基于损失值调整浏览预测网络模型的模型参数。例如,可以采用预设损失函数计算损失值,并采用梯度下降法调整模型参数。预设损失函数可以为交叉熵损失函数,并不限于此。
参见图5,图5为本发明实施例提供的一种基于浏览预测网络模型计算预测概率的示意图。
图5中,针对每一待推荐网络资源,电子设备可以将目标用户的用户描述特征、该待推荐网络资源的资源描述特征、已上线时长,以及针对该待推荐网络资源的历史行为特征,输入预先训练的浏览预测网络模型,得到对应的预测概率。进而,电子设备可以从各个待推荐网络资源中,确定对应的预测概率大于预设概率阈值的网络资源,并向目标用户推荐。
基于相同的发明构思,本发明实施例还提供了一种网络资源推荐装置,参见图6,图6为本发明实施例提供的一种网络资源推荐装置的结构图,该装置可以包括:
特征获取模块601,用于获取目标用户的目标用户描述特征、各待推荐网络资源各自的资源描述特征,以及所述各待推荐网络资源各自的已上线时长;
第一预测概率获取模块602,用于针对每一待推荐网络资源,基于该待推荐网络资源的资源描述特征、已上线时长,以及所述目标用户描述特征,计算所述目标用户浏览该待推荐网络资源的第一预测概率;
推荐模块603,用于基于所述第一预测概率,向所述目标用户推荐所述待推荐网络资源。
可选的,所述第一预测概率获取模块602,包括:
目标特征矩阵获取子模块,用于针对每一待推荐网络资源,基于对该待推荐网络资源的资源描述特征、已上线时长、所述目标用户描述特征进行拼接,得到目标特征矩阵;
输入子模块,用于将所述目标特征矩阵输入至预先训练的浏览预测网络模型;
第一预测概率获取子模块,用于基于所述浏览预测网络模型的模型参数所表示的该待推荐网络资源的资源描述特征、已上线时长、所述目标用户描述特征各自对输出结果的贡献度,对所述目标特征矩阵进行处理,得到所述目标用户浏览该待推荐网络资源的第一预测概率;
其中,所述浏览预测网络模型为基于预设训练样本进行训练得到的;所述预设训练样本包括:样本用户的样本用户描述特征、样本网络资源的样本资源描述特征、向所述样本用户推荐所述样本网络资源时所述样本网络资源的已上线时长,以及向所述样本用户推荐所述样本网络资源时所述样本用户浏览所述样本网络资源的真实概率。
可选的,所述样本网络资源包括以下至少一项:
已上线时长大于预设时长,且在第一历史时间段内不存在用户浏览行为的网络资源;
在第二历史时间段内向所述样本用户推荐的次数大于第一阈值,且所述样本用户未浏览的网络资源;
在历史时刻向所述样本用户推荐,且所述样本用户未浏览,且所述样本用户在所述历史时刻之前已浏览的网络资源。
可选的,所述预设训练样本还包括针对所述样本网络资源的历史行为特征;
所述目标特征矩阵获取子模块,具体用于针对每一待推荐网络资源,对该待推荐网络资源的资源描述特征、已上线时长、所述目标用户描述特征,以及针对该待推荐网络资源的历史行为特征进行拼接,得到目标特征矩阵;
所述第一预测概率获取子模块,具体用于基于所述浏览预测网络模型的模型参数所表示的该待推荐网络资源的资源描述特征、已上线时长、所述目标用户描述特征,以及针对该待推荐网络资源的历史行为特征各自对输出结果的贡献度,对所述目标特征矩阵进行处理,得到所述目标用户浏览该待推荐网络资源的第一预测概率。
可选的,所述针对该待推荐网络资源的历史行为特征,包括以下至少一项:
距离当前时刻最近的,且存在针对该待推荐网络资源的浏览行为的目标单位时间段,与当前时刻之间的时长;
所述目标单位时间段内浏览该待推荐网络资源的用户的总数目;
所述目标用户最近一次浏览该待推荐网络资源的时间,与当前时刻之间的时长。
可选的,所述装置还包括:
训练模块,用于对所述样本用户描述特征、样本资源描述特征、向所述样本用户推荐所述样本网络资源时所述样本网络资源的已上线时长,以及针对所述样本网络资源的历史行为特征进行拼接,得到样本特征矩阵;
基于待训练的浏览预测网络模型的模型参数所表示的所述样本用户描述特征、样本资源描述特征、向所述样本用户推荐所述样本网络资源时所述样本网络资源的已上线时长,以及针对所述样本网络资源的历史行为特征各自对输出结果的贡献度,对所述样本特征矩阵进行处理,得到所述样本用户浏览所述样本网络资源的概率,作为第二预测概率;
基于所述第二预测概率,以及向所述样本用户推荐所述样本网络资源时所述样本用户浏览所述样本网络资源的真实概率,调整所述浏览预测网络网络模型的模型参数,继续训练,直到所述浏览预测网络模型收敛。
本发明实施例还提供了一种电子设备,如图7所示,包括处理器701、通信接口702、存储器703和通信总线704,其中,处理器701,通信接口702,存储器703通过通信总线704完成相互间的通信,
存储器703,用于存放计算机程序;
处理器701,用于执行存储器703上所存放的程序时,实现如下步骤:
接收目标用户输入的网络资源请求指令;
获取目标用户的目标用户描述特征、各待推荐网络资源各自的资源描述特征,以及所述各待推荐网络资源各自的已上线时长;
针对每一待推荐网络资源,基于该待推荐网络资源的资源描述特征、已上线时长,以及所述目标用户描述特征,计算所述目标用户浏览该待推荐网络资源的第一预测概率;
基于所述第一预测概率,向所述目标用户推荐所述待推荐网络资源。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图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。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)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。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述实施例中任一所述的网络资源推荐方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的网络资源推荐方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、计算机可读存储介质以及计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种网络资源推荐方法,其特征在于,所述方法包括:
获取目标用户的目标用户描述特征、各待推荐网络资源各自的资源描述特征,以及所述各待推荐网络资源各自的已上线时长;
针对每一待推荐网络资源,基于该待推荐网络资源的资源描述特征、已上线时长,以及所述目标用户描述特征,计算所述目标用户浏览该待推荐网络资源的第一预测概率;
基于所述第一预测概率,向所述目标用户推荐所述待推荐网络资源。
2.根据权利要求1所述的方法,其特征在于,所述针对每一待推荐网络资源,基于该待推荐网络资源的资源描述特征、已上线时长,以及所述目标用户描述特征,计算所述目标用户浏览该待推荐网络资源的第一预测概率,包括:
针对每一待推荐网络资源,基于对该待推荐网络资源的资源描述特征、已上线时长、所述目标用户描述特征进行拼接,得到目标特征矩阵;
将所述目标特征矩阵输入至预先训练的浏览预测网络模型;
基于所述浏览预测网络模型的模型参数所表示的该待推荐网络资源的资源描述特征、已上线时长、所述目标用户描述特征各自对输出结果的贡献度,对所述目标特征矩阵进行处理,得到所述目标用户浏览该待推荐网络资源的第一预测概率;
其中,所述浏览预测网络模型为基于预设训练样本进行训练得到的;所述预设训练样本包括:样本用户的样本用户描述特征、样本网络资源的样本资源描述特征、向所述样本用户推荐所述样本网络资源时所述样本网络资源的已上线时长,以及向所述样本用户推荐所述样本网络资源时所述样本用户浏览所述样本网络资源的真实概率。
3.根据权利要求2所述的方法,其特征在于,所述样本网络资源包括以下至少一项:
已上线时长大于预设时长,且在第一历史时间段内不存在用户浏览行为的网络资源;
在第二历史时间段内向所述样本用户推荐的次数大于第一阈值,且所述样本用户未浏览的网络资源;
在历史时刻向所述样本用户推荐,且所述样本用户未浏览,且所述样本用户在所述历史时刻之前已浏览的网络资源。
4.根据权利要求2所述的方法,其特征在于,所述预设训练样本还包括针对所述样本网络资源的历史行为特征;
所述针对每一待推荐网络资源,基于对该待推荐网络资源的资源描述特征、已上线时长、所述目标用户描述特征进行拼接,得到目标特征矩阵,包括:
针对每一待推荐网络资源,对该待推荐网络资源的资源描述特征、已上线时长、所述目标用户描述特征,以及针对该待推荐网络资源的历史行为特征进行拼接,得到目标特征矩阵;
所述基于所述浏览预测网络模型的模型参数所表示的该待推荐网络资源的资源描述特征、已上线时长、所述目标用户描述特征各自对输出结果的贡献度,对所述目标特征矩阵进行处理,得到所述目标用户浏览该待推荐网络资源的第一预测概率,包括:
基于所述浏览预测网络模型的模型参数所表示的该待推荐网络资源的资源描述特征、已上线时长、所述目标用户描述特征,以及针对该待推荐网络资源的历史行为特征各自对输出结果的贡献度,对所述目标特征矩阵进行处理,得到所述目标用户浏览该待推荐网络资源的第一预测概率。
5.根据权利要求4所述的方法,其特征在于,所述针对该待推荐网络资源的历史行为特征,包括以下至少一项:
距离当前时刻最近的,且存在针对该待推荐网络资源的浏览行为的目标单位时间段,与当前时刻之间的时长;
所述目标单位时间段内浏览该待推荐网络资源的用户的总数目;
所述目标用户最近一次浏览该待推荐网络资源的时间,与当前时刻之间的时长。
6.根据权利要求4所述的方法,其特征在于,所述浏览预测网络模型通过以下步骤训练:
对所述样本用户描述特征、样本资源描述特征、向所述样本用户推荐所述样本网络资源时所述样本网络资源的已上线时长,以及针对所述样本网络资源的历史行为特征进行拼接,得到样本特征矩阵;
基于待训练的浏览预测网络模型的模型参数所表示的所述样本用户描述特征、样本资源描述特征、向所述样本用户推荐所述样本网络资源时所述样本网络资源的已上线时长,以及针对所述样本网络资源的历史行为特征各自对输出结果的贡献度,对所述样本特征矩阵进行处理,得到所述样本用户浏览所述样本网络资源的概率,作为第二预测概率;
基于所述第二预测概率,以及向所述样本用户推荐所述样本网络资源时所述样本用户浏览所述样本网络资源的真实概率,调整所述浏览预测网络网络模型的模型参数,继续训练,直到所述浏览预测网络模型收敛。
7.一种网络资源推荐装置,其特征在于,所述装置包括:
特征获取模块,用于获取目标用户的目标用户描述特征、各待推荐网络资源各自的资源描述特征,以及所述各待推荐网络资源各自的已上线时长;
第一预测概率获取模块,用于针对每一待推荐网络资源,基于该待推荐网络资源的资源描述特征、已上线时长,以及所述目标用户描述特征,计算所述目标用户浏览该待推荐网络资源的第一预测概率;
推荐模块,用于基于所述第一预测概率,向所述目标用户推荐所述待推荐网络资源。
8.根据权利要求7所述的装置,其特征在于,所述第一预测概率获取模块,包括:
目标特征矩阵获取子模块,用于针对每一待推荐网络资源,基于对该待推荐网络资源的资源描述特征、已上线时长、所述目标用户描述特征进行拼接,得到目标特征矩阵;
输入子模块,用于将所述目标特征矩阵输入至预先训练的浏览预测网络模型;
第一预测概率获取子模块,用于基于所述浏览预测网络模型的模型参数所表示的该待推荐网络资源的资源描述特征、已上线时长、所述目标用户描述特征各自对输出结果的贡献度,对所述目标特征矩阵进行处理,得到所述目标用户浏览该待推荐网络资源的第一预测概率;
其中,所述浏览预测网络模型为基于预设训练样本进行训练得到的;所述预设训练样本包括:样本用户的样本用户描述特征、样本网络资源的样本资源描述特征、向所述样本用户推荐所述样本网络资源时所述样本网络资源的已上线时长,以及向所述样本用户推荐所述样本网络资源时所述样本用户浏览所述样本网络资源的真实概率。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,所述处理器,所述通信接口,所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现权利要求1-6任一所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110936030.3A CN113536138A (zh) | 2021-08-16 | 2021-08-16 | 一种网络资源推荐方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110936030.3A CN113536138A (zh) | 2021-08-16 | 2021-08-16 | 一种网络资源推荐方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113536138A true CN113536138A (zh) | 2021-10-22 |
Family
ID=78091144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110936030.3A Pending CN113536138A (zh) | 2021-08-16 | 2021-08-16 | 一种网络资源推荐方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113536138A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117253624A (zh) * | 2023-11-02 | 2023-12-19 | 银川童宜棠互联网医院有限公司 | 一种基于人工智能的医学健康知识普及方法、装置及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875022A (zh) * | 2018-06-20 | 2018-11-23 | 北京奇艺世纪科技有限公司 | 一种视频推荐方法及装置 |
CN111523976A (zh) * | 2020-04-23 | 2020-08-11 | 京东数字科技控股有限公司 | 商品推荐方法、装置、电子设备及存储介质 |
-
2021
- 2021-08-16 CN CN202110936030.3A patent/CN113536138A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875022A (zh) * | 2018-06-20 | 2018-11-23 | 北京奇艺世纪科技有限公司 | 一种视频推荐方法及装置 |
CN111523976A (zh) * | 2020-04-23 | 2020-08-11 | 京东数字科技控股有限公司 | 商品推荐方法、装置、电子设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117253624A (zh) * | 2023-11-02 | 2023-12-19 | 银川童宜棠互联网医院有限公司 | 一种基于人工智能的医学健康知识普及方法、装置及介质 |
CN117253624B (zh) * | 2023-11-02 | 2024-03-05 | 银川童宜棠互联网医院有限公司 | 一种基于人工智能的医学健康知识普及方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9734261B2 (en) | Context aware query selection | |
CN109872242B (zh) | 信息推送方法和装置 | |
CN110321422A (zh) | 在线训练模型的方法、推送方法、装置以及设备 | |
CN110110139B (zh) | 一种对推荐结果进行解释的方法、装置及电子设备 | |
CN111159563B (zh) | 用户兴趣点信息的确定方法、装置、设备及存储介质 | |
CN108062418B (zh) | 一种数据搜索方法、装置及服务器 | |
CN112669078A (zh) | 一种行为预测模型训练方法、装置、设备及存储介质 | |
CN113742572B (zh) | 一种数据的推荐方法、装置、电子设备及存储介质 | |
CN112328889A (zh) | 推荐搜索词确定方法、装置、可读介质及电子设备 | |
CN111080349B (zh) | 识别同一用户的多个设备的方法、装置、服务器及介质 | |
CN109886300A (zh) | 一种用户聚类方法、装置及设备 | |
CN111597380B (zh) | 一种推荐视频确定方法、装置、电子设备及存储介质 | |
CN114428910A (zh) | 资源推荐方法、装置、电子设备、产品及介质 | |
CN113536138A (zh) | 一种网络资源推荐方法、装置、电子设备及可读存储介质 | |
CN113641855A (zh) | 一种视频推荐方法、装置、设备及存储介质 | |
CN110245313B (zh) | 基于数据分析的请求发送方法、装置及终端 | |
KR102372432B1 (ko) | 클릭 및 노출 정보를 활용한 추천 콘텐츠 제공 방법, 장치 및 시스템 | |
CN111814051A (zh) | 一种资源类型确定方法及装置 | |
CN116777529B (zh) | 一种对象推荐的方法、装置、设备、存储介质及程序产品 | |
CN118332196B (zh) | 基于用户兴趣标签的信息推送方法、设备与介质 | |
CN113886695B (zh) | 一种资源推荐方法及装置 | |
CN113836413A (zh) | 一种推荐信息确定方法、装置、电子设备及存储介质 | |
CN116361505A (zh) | 一种内容召回、内容推荐方法、装置、设备以及存储介质 | |
CN113946763A (zh) | 一种推荐信息排序方法、装置、电子设备及介质 | |
CN117150257A (zh) | 序列生成、模型训练、视频推荐方法、装置、设备及介质 |
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 |