CN113590968A - 资源推荐方法、装置、计算机设备及存储介质 - Google Patents
资源推荐方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113590968A CN113590968A CN202110915036.2A CN202110915036A CN113590968A CN 113590968 A CN113590968 A CN 113590968A CN 202110915036 A CN202110915036 A CN 202110915036A CN 113590968 A CN113590968 A CN 113590968A
- Authority
- CN
- China
- Prior art keywords
- resource information
- resource
- recommendation
- marked
- data
- 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
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
- 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
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例属于大数据领域,应用于智慧社区领域中,涉及一种资源推荐方法、装置、计算机设备及存储介质,包括爬取多个第一资源的资源信息,作为待标记资源信息;基于用户对待标记资源信息的确认,标记待标记资源信息,获得目标标记资源信息;在目标标记资源信息满足预设条件时,将目标标记资源信息作为训练样本,基于训练样本训练预测模型,获得训练后的预测模型;爬取多个第二资源的资源信息,作为待识别资源信息,待识别资源信息携带下载链接,将待识别资源信息输入至训练后的预测模型中,获得推荐结果;在推荐结果属于建议推荐时,将待识别资源信息和下载链接发送至用户。训练后的预测模型可存储于区块链中。本申请能够对用户个性化推荐。
Description
技术领域
本申请涉及大数据技术领域,尤其涉及资源推荐方法、装置、计算机设备及存储介质。
背景技术
如今,随着计算机的普及与发展,自建家庭影院的人越来越多,大部分用户下载了远程迅雷、虚拟机迅雷等方式,但是都需要用户提供下载链接才能够进行批量下载。对于用户来说,在筛选所需要的资源,如电影、图片等,都会消耗大量的时间。同时这些资源的下载渠道也会消耗大量的时间去搜寻。而若不进行筛选,选择全量下载,则会导致家庭影院成本骤增,例如存储成本,对机器性能要求增加等。
目前,存在能够一键下载资源的套件,但是这些套件依然无法对用户进行个性化的资源推荐,同时无法提供对应资源的下载链接。
发明内容
本申请实施例的目的在于提出一种资源推荐方法、装置、计算机设备及存储介质,能够对用户进行个性化推荐。
为了解决上述技术问题,本申请实施例提供一种资源推荐方法,采用了如下所述的技术方案:
一种资源推荐方法,包括下述步骤:
爬取多个第一资源的资源信息,分别作为待标记资源信息;
将所述待标记资源信息展示给用户,基于用户对每个待标记资源信息的确认,分别对所述待标记资源信息进行标记,获得目标标记资源信息;
识别所述目标标记资源信息是否满足预设条件,在所述目标标记资源信息满足预设条件时,将所述目标标记资源信息作为训练样本,基于所述训练样本训练预设的预测模型,获得训练后的预测模型;
爬取多个第二资源的资源信息,分别作为待识别资源信息,其中,所述待识别资源信息携带有下载链接,并将所述待识别资源信息分别输入至所述训练后的预测模型中,获得输出的推荐结果;
判断所述推荐结果是否属于建议推荐,在所述推荐结果属于建议推荐时,将所述待识别资源信息和所述下载链接发送至用户。
进一步的,所述爬取多个第二资源的资源信息,作为待识别资源信息包括:
确定是否存在历史爬取时间戳,在存在所述历史爬取时间戳时,基于所述历史爬取时间戳获得历史爬取时间,将在所述历史爬取时间之后产生的页面作为新增页面,并获取所述新增页面的页面名称和页面地址;
获取数据库中存储的页面列表,其中,所述页面列表包括历史爬取页面的历史页面名称和历史页面地址;
确定所述页面列表中是否同时存在所述新增页面的页面名称和页面地址,在所述页面列表中未存在所述新增页面的页面名称和页面地址时,将所述新增页面的页面名称和页面地址添加进所述页面列表中,并基于所述页面地址爬取所述新增页面中的所述资源信息,作为所述待识别资源信息。
进一步的,所述爬取多个第二资源的资源信息,作为待识别资源信息包括:
获取用户在预设的前端页面中选择的资源分类;
确定属于所述资源分类的资源作为目标资源;
定时爬取所述目标资源的资源信息,作为所述待识别资源信息。
进一步的,所述爬取多个第一资源的资源信息,分别作为待标记资源信息包括:
获取预先配置的在线库中各网页的网页文件代码,作为待清洗字符串;
获取预先配置的清洗函数和正则表达式,基于所述清洗函数对所述待清洗字符串进行初步清洗操作,获得目标字符串;
基于所述正则表达式匹配所述目标字符串,获得所述待标记资源信息。
进一步的,所述识别所述目标标记资源信息是否满足预设条件包括:
识别所述目标标记资源信息的数据量是否达到数据量阈值,在所述目标标记资源信息的数据量达到数据量阈值时,确认所述目标标记资源信息满足预设条件。
进一步的,所述每个所述待标记资源信息包括多个第一标签数据,每个所述待识别资源信息包括多个第二标签数据;所述基于用户对每个待标记资源信息的确认,分别对所述待标记资源信息进行标记,获得目标标记资源信息包括:
基于用户对每个待标记资源信息的确认,分别对所述待标记资源信息标记为喜欢或者不喜欢,获得所述目标标记资源信息;
所述基于所述训练样本训练预设的预测模型,获得训练后的预测模型的步骤包括:
获取标记为喜欢的所述训练样本携带的第一标签数据,基于每种所述第一标签数据出现的频次对所述第一标签数据的权重进行参数调整操作,得到训练后的预测模型;
所述将所述待识别资源输入至所述训练后的预测模型中,获得输出的推荐结果的步骤包括:
获取所述待识别资源携带的第二标签数据,分别确定每个所述第二标签数据是否与任意所述第一标签数据相同,在所述第二标签数据与所述第一标签数据相同时,将所述第一标签数据的权重赋予所述第二标签数据,作为所述第二标签数据的目标权重;
所述预测模型基于所述第二标签数据的目标权重计算所述待识别资源的总体评分,基于所述总体评分确定所述待识别资源的推荐结果。
进一步的,在所述将所述待识别资源信息分别输入至所述训练后的预测模型中,获得输出的推荐结果之后,还包括:
识别所述推荐结果是否属于建议推荐,在所述推荐结果属于建议推荐时,将所述推荐结果与所述待识别资源信息相关联,获得推荐数据,并将所述推荐数据存储至数据库中;
定期获取数据库中的推荐数据,作为待用户确认数据;
向用户发送数据确认信号,所述数据确认信号携带有所述待用户确认数据;
接收用户发送的数据响应信号,获取所述数据响应信号携带的确认结果,将所述确认结果替换所述推荐数据关联的推荐结果,获得标记数据,其中,所述数据响应信号与所述数据确认信息相对应;
将所述标记数据加入至所述训练样本中,生成目标训练样本;
基于所述目标训练样本训练所述训练后的预测模型,获得目标预测模型。
为了解决上述技术问题,本申请实施例还提供一种资源推荐装置,采用了如下所述的技术方案:
一种资源推荐装置,包括:
爬取模块,用于爬取多个第一资源的资源信息,分别作为待标记资源;
标记模块,用于将所述待标记资源展示给用户,基于用户对每个待标记资源的确认,分别对所述待标记资源进行标记,获得目标标记资源;
识别模块,用于识别所述目标标记资源是否满足预设条件,在所述目标标记资源满足预设条件时,将所述目标标记资源作为训练样本,基于所述训练样本训练预设的预测模型,获得训练后的预测模型;
输入模块,用于爬取多个第二资源的资源信息,分别作为待识别资源,其中,所述待识别资源携带有下载链接,并将所述待识别资源分别输入至所述训练后的预测模型中,获得输出的推荐结果;
发送模块,用于判断所述推荐结果是否属于建议推荐,在所述推荐结果属于建议推荐时,将对应的所述待识别资源和对应的所述下载链接发送至用户。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现上述的资源推荐方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现上述的资源推荐方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请通过根据用户对待标记资源信息的确认获得目标标记资源信息,并基于目标标记资源信息训练预测模型,获得训练后的预测模型。通过训练后的预测模型对爬取的待识别资源信息进行预测,从而确认是否要将该待识别资源推荐信息给用户。实现基于用户的自身兴趣个性化提供对应的资源。同时,在推荐结果属于建议推荐时,将待识别资源信息和下载链接发送至用户,无需用户提供对所需要的资源的下载链接,计算机能够自动针对用户输出推荐结果,并根据推荐结果远程直接下载用户喜欢的资源。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的资源推荐方法的一个实施例的流程图;
图3是根据本申请的资源推荐装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
附图标记:200、计算机设备;201、存储器;202、处理器;203、网络接口;300、资源推荐装置;301、爬取模块;302、标记模块;303、识别模块;304、输入模块;305、发送模块。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的资源推荐方法一般由服务器/终端设备执行,相应地,资源推荐装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的资源推荐方法的一个实施例的流程图。所述的资源推荐方法,包括以下步骤:
S1:爬取多个第一资源的资源信息,分别作为待标记资源信息。
在本实施例中,本申请的爬取过程以预先匹配的在线库中的内容为爬取对象。主要爬取在线库中的各个网页中每个资源的各种参数,例如名称、预览图、本身已有的各种标签以及下载链接。即对于一个资源信息,其包括对应资源的名称、预览图本身已有的各种标签以及该资源的下载链接。上述资源信息的来源是通过浏览器获得的,通过浏览器获取到一系列的文件,其中,这些文件包含有HTML格式部分、CSS样式部分以及JavaScript执行层部分。浏览器自动将加载、理解分析和过滤这些文件的代码,并通过渲染就得到了最终显示的资源信息,实现对图片和文字的爬取。本申请定时爬取最新资源信息,然后可以对资源进行打标(标示是否喜欢),打标的资源到一定数量可以进行训练并生成模型。此后就可以基于此模型自动对下载的资源进行预测是否喜欢,可以过滤掉大量不喜欢的资源,也减少搜寻下载链接所花费的心力,节约了大量的时间。
具体的,在步骤S1中,即爬取多个第一资源的资源信息,分别作为待标记资源信息包括:
获取预先配置的在线库中各网页的网页文件代码,作为待清洗字符串;
获取预先配置的清洗函数和正则表达式,基于所述清洗函数对所述待清洗字符串进行初步清洗操作,获得目标字符串;
基于所述正则表达式匹配所述目标字符串,获得所述待标记资源信息。
本实施例中,爬下来的原始数据都不是清洁的,且大都是字符串的形式,需要进行清洗操作。具体的,通过预设的清洗函数对字符串进行清洗,比如通过strip()函数去掉首尾不需要的字符或者换行符等,通过replace()函数将指定部分替换成需要的部分,通过split()函数在指定部分分割然后截取一部分。最后通过正则表达式获取目标字符串中的资源信息。
需要说明的是,本申请的后续爬取多个第二资源的资源信息,分别作为待识别资源信息的具体爬取步骤与上述爬取多个第一资源的资源信息,分别作为待标记资源信息的具体爬取步骤相同,此处不再赘述。
S2:将所述待标记资源信息展示给用户,基于用户对每个待标记资源信息的确认,分别对所述待标记资源信息进行标记,获得目标标记资源信息。
在本实施例中,本申请还包括对待标记资源打标的步骤,通过对待标记资源标注为喜欢和不喜欢,获得标记后的待标记资源,基于当前所有标记后的待标记资源训练模型。获得训练后的预测模型,训练后的预测模型能够自动预测判断待识别资源用户是否喜欢。
S3:识别所述目标标记资源信息是否满足预设条件,在所述目标标记资源信息满足预设条件时,将所述目标标记资源信息作为训练样本,基于所述训练样本训练预设的预测模型,获得训练后的预测模型。
在本实施例中,预测模型为KNN(K-Nearest Neighbor,最邻近分类)模型,相对于其他的预测模型,KNN模型应用于本申请中的准确率较高,召回率较低。
具体的,在步骤S3中,即所述识别所述目标标记资源信息是否满足预设条件包括:
识别所述目标标记资源信息的数据量是否达到数据量阈值,在所述目标标记资源信息的数据量达到数据量阈值时,确认所述目标标记资源信息满足预设条件。
在本实施例中,打标数据量超过数据量阈值时,例如超过300个,则确认所述目标标记资源信息满足预设条件。后续推荐的资源由训练后的预测模型自动化推荐。
S4:爬取多个第二资源的资源信息,分别作为待识别资源信息,其中,所述待识别资源信息携带有下载链接,并将所述待识别资源信息分别输入至所述训练后的预测模型中,获得输出的推荐结果。
在本实施例中,推荐结果即为喜欢或不喜欢。在推荐结果为喜欢时,则属于建议推荐,将该待识别资源推荐给用户,在推荐结果为不喜欢时,则属于不建议推荐,不推荐该待识别资源给用户。此外,上述打标也可以由用户自行上传打标数据。即用户直接输入喜欢的影片或者上传喜欢的图片,作为训练样本。本申请能够根据最终输出的推荐结果生成资源的名称和对应下载磁力链接。或将推荐结果为喜欢的资源推送至NAS实现自动下载。其中,NAS(Network Attached Storage:网络附属存储)为连接在网络上,具备资料存储功能的装置,因此也称为“网络存储器”,是一种专用数据存储服务器。
具体的,在步骤S4中,即所述爬取多个第二资源的资源信息,作为待识别资源信息包括:
确定是否存在历史爬取时间戳,在存在所述历史爬取时间戳时,基于所述历史爬取时间戳获得历史爬取时间,将在所述历史爬取时间之后产生的页面作为新增页面,并获取所述新增页面的页面名称和页面地址;
获取数据库中存储的页面列表,其中,所述页面列表包括历史爬取页面的历史页面名称和历史页面地址;
确定所述页面列表中是否同时存在所述新增页面的页面名称和页面地址,在所述页面列表中未存在所述新增页面的页面名称和页面地址时,将所述新增页面的页面名称和页面地址添加进所述页面列表中,并基于所述页面地址爬取所述新增页面中的所述资源信息,作为所述待识别资源信息。
在本实施例中,本申请从更新时间出发,读取上次爬取的时间戳后,对新产生的页面进行增量爬取。对识别资源信息的获取是通过请求新增页面的页面地址(URL)实现的。其中,新增页面是指根据已经爬取过的历史页面名称(ID)和历史页面地址(URL)进行判断的。同时,本申请将新增页面的页面名称和页面地址一并存储至数据库(SQL)中的页面列表。便于下一次爬取数据时,用于确认上一次爬取过的内容,无需每次重新爬取历史页面名称(ID),实现增量爬取。
此外,在步骤S4中,即所述爬取多个第二资源的资源信息,作为待识别资源信息包括:
获取用户在预设的前端页面中选择的资源分类;
确定属于所述资源分类的资源作为目标资源;
定时爬取所述目标资源的资源信息,作为所述待识别资源信息。
在本实施例中,用户选择资源分类,如电源、图片等。系统自动匹配在线库,自动定时爬取用户选择的资源分类下的资源信息供用户打标。其中,爬取的在线库的是获取历史在线库或者由用户自定义导入在线库。
需要说明的是,本申请的上述爬取多个第二资源的资源信息,分别作为待识别资源信息的具体过程,同时可以用于本申请的爬取多个第一资源的资源信息,分别作为待标记资源信息的过程中,本申请此处不再赘述。
作为本申请的另一实施例,所述每个所述待标记资源信息包括多个第一标签数据,每个所述待识别资源信息包括多个第二标签数据;所述基于用户对每个待标记资源信息的确认,分别对所述待标记资源信息进行标记,获得目标标记资源信息包括:
基于用户对每个待标记资源信息的确认,分别对所述待标记资源信息标记为喜欢或者不喜欢,获得所述目标标记资源信息;
所述基于所述训练样本训练预设的预测模型,获得训练后的预测模型的步骤包括:
获取标记为喜欢的所述训练样本携带的第一标签数据,基于每种所述第一标签数据出现的频次对所述第一标签数据的权重进行参数调整操作,得到训练后的预测模型;
所述将所述待识别资源输入至所述训练后的预测模型中,获得输出的推荐结果的步骤包括:
获取所述待识别资源携带的第二标签数据,分别确定每个所述第二标签数据是否与任意所述第一标签数据相同,在所述第二标签数据与所述第一标签数据相同时,将所述第一标签数据的权重赋予所述第二标签数据,作为所述第二标签数据的目标权重;
所述预测模型基于所述第二标签数据的目标权重计算所述待识别资源的总体评分,基于所述总体评分确定所述待识别资源的推荐结果。
在本实施例中,本申请的模型使用了多种标签数据,比如影片分类、影片的导演、影片的演员等。在训练样本中出现频次高的标签数据,说明其聚合度高,则赋予其更高的权重。在预测模型的训练过程中,会训练出对于每一向第一标签数据的分值和权重。在预测模型的应用过程中,通过该分值和权重对所述待识别资源进行打分,获得总体评分,打分超过分数阈值,则推荐结果为喜欢,进而建议推荐。打分低于分数阈值,则推荐结果为不喜欢,进而不建议推荐。
S5:判断所述推荐结果是否属于建议推荐,在所述推荐结果属于建议推荐时,将所述待识别资源信息和所述下载链接发送至用户。
在本实施例中,通过将下载链接发送至用户,用户对于喜欢的待识别资源信息无需费心力查找下载的渠道,直接通过附带的下载链接即可实现下载。提升用户体验。
在本实施例中,资源推荐方法运行于其上的电子设备(例如图1所示的服务器/终端设备)可以通过有线连接方式或者无线连接方式发送所述待识别资源信息和所述下载链接至用户。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
在本实施例的一些可选的实现方式中,在步骤S4,即在所述将所述待识别资源信息分别输入至所述训练后的预测模型中,获得输出的推荐结果之后,上述电子设备还可以执行以下步骤:
识别所述推荐结果是否属于建议推荐,在所述推荐结果属于建议推荐时,将所述推荐结果与所述待识别资源信息相关联,获得推荐数据,并将所述推荐数据存储至数据库中;
定期获取数据库中的推荐数据,作为待用户确认数据;
向用户发送数据确认信号,所述数据确认信号携带有所述待用户确认数据;
接收用户发送的数据响应信号,获取所述数据响应信号携带的确认结果,将所述确认结果替换所述推荐数据关联的推荐结果,获得标记数据,其中,所述数据响应信号与所述数据确认信息相对应;
将所述标记数据加入至所述训练样本中,生成目标训练样本;
基于所述目标训练样本训练所述训练后的预测模型,获得目标预测模型。
在本实施例中,本申请同时还将推荐数据进行存储,定期将存储的推荐数据发送给用户进行确认,经过确认后,推荐数据转为打标的标记数据,然后重新训练预测模型,打标的标记数据越多,预测模型的效果越好。
本申请的上述处理过程采用Docker镜像一键运行,省去新手配置项目的麻烦。Docker镜像能够一次同时加载多个文件系统,但从外面看起来,只能看到一个文件系统,联合加载会把各层文件系统叠加起来,这样最终的文件系统会包含所有底层的文件和目录。其中,镜像是一种轻量级、可执行的独立软件包,用来打包软件运行环境和基于运行环境开发的软件,它包含运行某个软件所需的所有内容,包括代码、运行时、库、环境变量和配置文件。
需要强调的是,为进一步保证上述训练后的预测模型的私密和安全性,上述训练后的预测模型还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请可应用于智慧社区领域中,从而推动智慧城市的建设。
本申请通过根据用户对待标记资源信息的确认获得目标标记资源信息,并基于目标标记资源信息训练预测模型,获得训练后的预测模型。通过训练后的预测模型对爬取的待识别资源信息进行预测,从而确认是否要将该待识别资源推荐信息给用户。实现基于用户的自身兴趣个性化提供对应的资源。同时,在推荐结果属于建议推荐时,将待识别资源信息和下载链接发送至用户,无需用户提供对所需要的资源的下载链接,计算机能够自动针对用户输出推荐结果,并根据推荐结果远程直接下载用户喜欢的资源。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种资源推荐装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的资源推荐装置300包括:爬取模块301、标记模块302、识别模块303、输入模块304以及发送模块305。其中:爬取模块301,用于爬取多个第一资源的资源信息,分别作为待标记资源;标记模块302,用于将所述待标记资源展示给用户,基于用户对每个待标记资源的确认,分别对所述待标记资源进行标记,获得目标标记资源;识别模块303,用于识别所述目标标记资源是否满足预设条件,在所述目标标记资源满足预设条件时,将所述目标标记资源作为训练样本,基于所述训练样本训练预设的预测模型,获得训练后的预测模型;输入模块304,用于爬取多个第二资源的资源信息,分别作为待识别资源,其中,所述待识别资源携带有下载链接,并将所述待识别资源分别输入至所述训练后的预测模型中,获得输出的推荐结果;发送模块305,用于判断所述推荐结果是否属于建议推荐,在所述推荐结果属于建议推荐时,将对应的所述待识别资源和对应的所述下载链接发送至用户。
在本实施例中,本申请通过根据用户对待标记资源信息的确认获得目标标记资源信息,并基于目标标记资源信息训练预测模型,获得训练后的预测模型。通过训练后的预测模型对爬取的待识别资源信息进行预测,从而确认是否要将该待识别资源推荐信息给用户。实现基于用户的自身兴趣个性化提供对应的资源。同时,在推荐结果属于建议推荐时,将待识别资源信息和下载链接发送至用户,无需用户提供对所需要的资源的下载链接,计算机能够自动针对用户输出推荐结果,并根据推荐结果远程直接下载用户喜欢的资源。
爬取模块301包括获取子模块、清洗子模块和匹配子模块。其中,获取子模块用于获取预先配置的在线库中各网页的网页文件代码,作为待清洗字符串;清洗子模块用于获取预先配置的清洗函数和正则表达式,基于所述清洗函数对所述待清洗字符串进行初步清洗操作,获得目标字符串;匹配子模块用于基于所述正则表达式匹配所述目标字符串,获得所述待标记资源信息。
在本实施例的一些可选的实现方式中,上述识别模块303进一步用于:识别所述目标标记资源信息的数据量是否达到数据量阈值,在所述目标标记资源信息的数据量达到数据量阈值时,确认所述目标标记资源信息满足预设条件。
输入模块304包括确定子模块、页面列表获取子模块和爬取子模块。其中,确定子模块用于确定是否存在历史爬取时间戳,在存在所述历史爬取时间戳时,基于所述历史爬取时间戳获得历史爬取时间,将在所述历史爬取时间之后产生的页面作为新增页面,并获取所述新增页面的页面名称和页面地址;页面列表获取子模块用于获取数据库中存储的页面列表,其中,所述页面列表包括历史爬取页面的历史页面名称和历史页面地址;爬取子模块用于确定所述页面列表中是否同时存在所述新增页面的页面名称和页面地址,在所述页面列表中未存在所述新增页面的页面名称和页面地址时,将所述新增页面的页面名称和页面地址添加进所述页面列表中,并基于所述页面地址爬取所述新增页面中的所述资源信息,作为所述待识别资源信息。
输入模块304还包括资源分类获取子模块、目标资源确定子模块和定时子模块。资源分类获取子模块用于获取用户在预设的前端页面中选择的资源分类;目标资源确定子模块用于确定属于所述资源分类的资源作为目标资源;定时子模块用于定时爬取所述目标资源的资源信息,作为所述待识别资源信息。
在本实施例的一些可选的实现方式中,所述每个所述待标记资源信息包括多个第一标签数据,每个所述待识别资源信息包括多个第二标签数据;标记模块302进一步用于:基于用户对每个待标记资源信息的确认,分别对所述待标记资源信息标记为喜欢或者不喜欢,获得所述目标标记资源信息;识别模块303进一步用于:获取标记为喜欢的所述训练样本携带的第一标签数据,基于每种所述第一标签数据出现的频次对所述第一标签数据的权重进行参数调整操作,得到训练后的预测模型;输入模块304进一步用于:获取所述待识别资源携带的第二标签数据,分别确定每个所述第二标签数据是否与任意所述第一标签数据相同,在所述第二标签数据与所述第一标签数据相同时,将所述第一标签数据的权重赋予所述第二标签数据,作为所述第二标签数据的目标权重,所述预测模型基于所述第二标签数据的目标权重计算所述待识别资源的总体评分,基于所述总体评分确定所述待识别资源的推荐结果。
在本实施例的一些可选的实现方式中,上述装置300还包括:目标预测模型生成模块,用于识别所述推荐结果是否属于建议推荐,在所述推荐结果属于建议推荐时,将所述推荐结果与所述待识别资源信息相关联,获得推荐数据,并将所述推荐数据存储至数据库中;定期获取数据库中的推荐数据,作为待用户确认数据;向用户发送数据确认信号,所述数据确认信号携带有所述待用户确认数据;接收用户发送的数据响应信号,获取所述数据响应信号携带的确认结果,将所述确认结果替换所述推荐数据关联的推荐结果,获得标记数据,其中,所述数据响应信号与所述数据确认信息相对应;将所述标记数据加入至所述训练样本中,生成目标训练样本;基于所述目标训练样本训练所述训练后的预测模型,获得目标预测模型。
本申请通过根据用户对待标记资源信息的确认获得目标标记资源信息,并基于目标标记资源信息训练预测模型,获得训练后的预测模型。通过训练后的预测模型对爬取的待识别资源信息进行预测,从而确认是否要将该待识别资源推荐信息给用户。实现基于用户的自身兴趣个性化提供对应的资源。同时,在推荐结果属于建议推荐时,将待识别资源信息和下载链接发送至用户,无需用户提供对所需要的资源的下载链接,计算机能够自动针对用户输出推荐结果,并根据推荐结果远程直接下载用户喜欢的资源。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备200包括通过系统总线相互通信连接存储器201、处理器202、网络接口203。需要指出的是,图中仅示出了具有组件201-203的计算机设备200,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器201至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器201可以是所述计算机设备200的内部存储单元,例如该计算机设备200的硬盘或内存。在另一些实施例中,所述存储器201也可以是所述计算机设备200的外部存储设备,例如该计算机设备200上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器201还可以既包括所述计算机设备200的内部存储单元也包括其外部存储设备。本实施例中,所述存储器201通常用于存储安装于所述计算机设备200的操作系统和各类应用软件,例如资源推荐方法的计算机可读指令等。此外,所述存储器201还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器202在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器202通常用于控制所述计算机设备200的总体操作。本实施例中,所述处理器202用于运行所述存储器201中存储的计算机可读指令或者处理数据,例如运行所述资源推荐方法的计算机可读指令。
所述网络接口203可包括无线网络接口或有线网络接口,该网络接口203通常用于在所述计算机设备200与其他电子设备之间建立通信连接。
在本实施例中,实现基于用户的自身兴趣个性化提供对应的资源。同时,在推荐结果属于建议推荐时,将待识别资源信息和下载链接发送至用户,无需用户提供对所需要的资源的下载链接,计算机能够自动针对用户输出推荐结果,并根据推荐结果远程直接下载用户喜欢的资源。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的资源推荐方法的步骤。
在本实施例中,实现基于用户的自身兴趣个性化提供对应的资源。同时,在推荐结果属于建议推荐时,将待识别资源信息和下载链接发送至用户,无需用户提供对所需要的资源的下载链接,计算机能够自动针对用户输出推荐结果,并根据推荐结果远程直接下载用户喜欢的资源。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种资源推荐方法,其特征在于,包括下述步骤:
爬取多个第一资源的资源信息,分别作为待标记资源信息;
将所述待标记资源信息展示给用户,基于用户对每个待标记资源信息的确认,分别对所述待标记资源信息进行标记,获得目标标记资源信息;
识别所述目标标记资源信息是否满足预设条件,在所述目标标记资源信息满足预设条件时,将所述目标标记资源信息作为训练样本,基于所述训练样本训练预设的预测模型,获得训练后的预测模型;
爬取多个第二资源的资源信息,分别作为待识别资源信息,其中,所述待识别资源信息携带有下载链接,并将所述待识别资源信息分别输入至所述训练后的预测模型中,获得输出的推荐结果;
判断所述推荐结果是否属于建议推荐,在所述推荐结果属于建议推荐时,将所述待识别资源信息和所述下载链接发送至用户。
2.根据权利要求1所述的资源推荐方法,其特征在于,所述爬取多个第二资源的资源信息,作为待识别资源信息包括:
确定是否存在历史爬取时间戳,在存在所述历史爬取时间戳时,基于所述历史爬取时间戳获得历史爬取时间,将在所述历史爬取时间之后产生的页面作为新增页面,并获取所述新增页面的页面名称和页面地址;
获取数据库中存储的页面列表,其中,所述页面列表包括历史爬取页面的历史页面名称和历史页面地址;
确定所述页面列表中是否同时存在所述新增页面的页面名称和页面地址,在所述页面列表中未存在所述新增页面的页面名称和页面地址时,将所述新增页面的页面名称和页面地址添加进所述页面列表中,并基于所述页面地址爬取所述新增页面中的所述资源信息,作为所述待识别资源信息。
3.根据权利要求1所述的资源推荐方法,其特征在于,所述爬取多个第二资源的资源信息,作为待识别资源信息包括:
获取用户在预设的前端页面中选择的资源分类;
确定属于所述资源分类的资源作为目标资源;
定时爬取所述目标资源的资源信息,作为所述待识别资源信息。
4.根据权利要求1所述的资源推荐方法,其特征在于,所述爬取多个第一资源的资源信息,分别作为待标记资源信息包括:
获取预先配置的在线库中各网页的网页文件代码,作为待清洗字符串;
获取预先配置的清洗函数和正则表达式,基于所述清洗函数对所述待清洗字符串进行初步清洗操作,获得目标字符串;
基于所述正则表达式匹配所述目标字符串,获得所述待标记资源信息。
5.根据权利要求1所述的资源推荐方法,其特征在于,所述识别所述目标标记资源信息是否满足预设条件包括:
识别所述目标标记资源信息的数据量是否达到数据量阈值,在所述目标标记资源信息的数据量达到数据量阈值时,确认所述目标标记资源信息满足预设条件。
6.根据权利要求1所述的资源推荐方法,其特征在于,所述每个所述待标记资源信息包括多个第一标签数据,每个所述待识别资源信息包括多个第二标签数据;所述基于用户对每个待标记资源信息的确认,分别对所述待标记资源信息进行标记,获得目标标记资源信息包括:
基于用户对每个待标记资源信息的确认,分别对所述待标记资源信息标记为喜欢或者不喜欢,获得所述目标标记资源信息;
所述基于所述训练样本训练预设的预测模型,获得训练后的预测模型的步骤包括:
获取标记为喜欢的所述训练样本携带的第一标签数据,基于每种所述第一标签数据出现的频次对所述第一标签数据的权重进行参数调整操作,得到训练后的预测模型;
所述将所述待识别资源输入至所述训练后的预测模型中,获得输出的推荐结果的步骤包括:
获取所述待识别资源携带的第二标签数据,分别确定每个所述第二标签数据是否与任意所述第一标签数据相同,在所述第二标签数据与所述第一标签数据相同时,将所述第一标签数据的权重赋予所述第二标签数据,作为所述第二标签数据的目标权重;
所述预测模型基于所述第二标签数据的目标权重计算所述待识别资源的总体评分,基于所述总体评分确定所述待识别资源的推荐结果。
7.根据权利要求1所述的资源推荐方法,其特征在于,在所述将所述待识别资源信息分别输入至所述训练后的预测模型中,获得输出的推荐结果之后,还包括:
识别所述推荐结果是否属于建议推荐,在所述推荐结果属于建议推荐时,将所述推荐结果与所述待识别资源信息相关联,获得推荐数据,并将所述推荐数据存储至数据库中;
定期获取数据库中的推荐数据,作为待用户确认数据;
向用户发送数据确认信号,所述数据确认信号携带有所述待用户确认数据;
接收用户发送的数据响应信号,获取所述数据响应信号携带的确认结果,将所述确认结果替换所述推荐数据关联的推荐结果,获得标记数据,其中,所述数据响应信号与所述数据确认信息相对应;
将所述标记数据加入至所述训练样本中,生成目标训练样本;
基于所述目标训练样本训练所述训练后的预测模型,获得目标预测模型。
8.一种资源推荐装置,其特征在于,包括:
爬取模块,用于爬取多个第一资源的资源信息,分别作为待标记资源信息;
标记模块,用于将所述待标记资源信息展示给用户,基于用户对每个待标记资源信息的确认,分别对所述待标记资源信息进行标记,获得目标标记资源信息;
识别模块,用于识别所述目标标记资源信息是否满足预设条件,在所述目标标记资源信息满足预设条件时,将所述目标标记资源信息作为训练样本,基于所述训练样本训练预设的预测模型,获得训练后的预测模型;
输入模块,用于爬取多个第二资源的资源信息,分别作为待识别资源信息,其中,所述待识别资源信息携带有下载链接,并将所述待识别资源信息分别输入至所述训练后的预测模型中,获得输出的推荐结果;
发送模块,用于判断所述推荐结果是否属于建议推荐,在所述推荐结果属于建议推荐时,将所述待识别资源信息和所述下载链接发送至用户。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的资源推荐方法的步骤。
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上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的资源推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110915036.2A CN113590968A (zh) | 2021-08-10 | 2021-08-10 | 资源推荐方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110915036.2A CN113590968A (zh) | 2021-08-10 | 2021-08-10 | 资源推荐方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113590968A true CN113590968A (zh) | 2021-11-02 |
Family
ID=78256874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110915036.2A Pending CN113590968A (zh) | 2021-08-10 | 2021-08-10 | 资源推荐方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113590968A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114117206A (zh) * | 2021-11-09 | 2022-03-01 | 北京达佳互联信息技术有限公司 | 推荐模型处理方法、装置、电子设备及存储介质 |
CN114357292A (zh) * | 2021-12-29 | 2022-04-15 | 阿里巴巴(中国)有限公司 | 模型训练方法、设备和存储介质 |
CN114650436A (zh) * | 2022-03-15 | 2022-06-21 | 平安国际智慧城市科技股份有限公司 | 基于后台服务的遥控方法、装置、设备及介质 |
CN115099239A (zh) * | 2022-06-16 | 2022-09-23 | 北京百度网讯科技有限公司 | 一种资源识别方法、装置、设备以及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751448A (zh) * | 2009-07-22 | 2010-06-23 | 中国科学院自动化研究所 | 一种基于情景信息的个性化资源信息的推荐方法 |
CN104281622A (zh) * | 2013-07-11 | 2015-01-14 | 华为技术有限公司 | 一种社交媒体中的信息推荐方法和装置 |
CN107547912A (zh) * | 2017-09-01 | 2018-01-05 | 深圳创维数字技术有限公司 | 一种全媒资的资源处理方法、系统和存储介质 |
CN109800350A (zh) * | 2018-12-21 | 2019-05-24 | 中国电子科技集团公司信息科学研究院 | 一种个性化新闻推荐方法及系统、存储介质 |
CN112015987A (zh) * | 2020-08-28 | 2020-12-01 | 青岛格兰德信用管理咨询有限公司 | 一种基于企业标签的潜在客户推荐系统及推荐方法 |
-
2021
- 2021-08-10 CN CN202110915036.2A patent/CN113590968A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751448A (zh) * | 2009-07-22 | 2010-06-23 | 中国科学院自动化研究所 | 一种基于情景信息的个性化资源信息的推荐方法 |
CN104281622A (zh) * | 2013-07-11 | 2015-01-14 | 华为技术有限公司 | 一种社交媒体中的信息推荐方法和装置 |
WO2015003480A1 (zh) * | 2013-07-11 | 2015-01-15 | 华为技术有限公司 | 一种社交媒体中的信息推荐方法和装置 |
CN107547912A (zh) * | 2017-09-01 | 2018-01-05 | 深圳创维数字技术有限公司 | 一种全媒资的资源处理方法、系统和存储介质 |
CN109800350A (zh) * | 2018-12-21 | 2019-05-24 | 中国电子科技集团公司信息科学研究院 | 一种个性化新闻推荐方法及系统、存储介质 |
CN112015987A (zh) * | 2020-08-28 | 2020-12-01 | 青岛格兰德信用管理咨询有限公司 | 一种基于企业标签的潜在客户推荐系统及推荐方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114117206A (zh) * | 2021-11-09 | 2022-03-01 | 北京达佳互联信息技术有限公司 | 推荐模型处理方法、装置、电子设备及存储介质 |
CN114117206B (zh) * | 2021-11-09 | 2023-05-30 | 北京达佳互联信息技术有限公司 | 推荐模型处理方法、装置、电子设备及存储介质 |
CN114357292A (zh) * | 2021-12-29 | 2022-04-15 | 阿里巴巴(中国)有限公司 | 模型训练方法、设备和存储介质 |
CN114357292B (zh) * | 2021-12-29 | 2023-10-13 | 杭州溢六发发电子商务有限公司 | 模型训练方法、设备和存储介质 |
CN114650436A (zh) * | 2022-03-15 | 2022-06-21 | 平安国际智慧城市科技股份有限公司 | 基于后台服务的遥控方法、装置、设备及介质 |
CN114650436B (zh) * | 2022-03-15 | 2023-11-28 | 平安国际智慧城市科技股份有限公司 | 基于后台服务的遥控方法、装置、设备及介质 |
CN115099239A (zh) * | 2022-06-16 | 2022-09-23 | 北京百度网讯科技有限公司 | 一种资源识别方法、装置、设备以及存储介质 |
CN115099239B (zh) * | 2022-06-16 | 2023-10-31 | 北京百度网讯科技有限公司 | 一种资源识别方法、装置、设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110825957B (zh) | 基于深度学习的信息推荐方法、装置、设备及存储介质 | |
CN109819284B (zh) | 一种短视频推荐方法、装置、计算机设备及存储介质 | |
CN113590968A (zh) | 资源推荐方法、装置、计算机设备及存储介质 | |
US10936645B2 (en) | Method and apparatus for generating to-be-played multimedia content | |
US10878044B2 (en) | System and method for providing content recommendation service | |
US20150169710A1 (en) | Method and apparatus for providing search results | |
JP6806762B2 (ja) | 情報をプッシュするための方法及び装置 | |
CN110825956A (zh) | 一种信息流推荐方法、装置、计算机设备及存储介质 | |
CN103339623A (zh) | 涉及因特网搜索的方法和设备 | |
CN105224554A (zh) | 推荐搜索词进行搜索的方法、系统、服务器和智能终端 | |
CN103618774A (zh) | 一种基于网络行为的资源推荐方法及装置、系统 | |
US20170185653A1 (en) | Predicting Knowledge Types In A Search Query Using Word Co-Occurrence And Semi/Unstructured Free Text | |
CN113220734A (zh) | 课程推荐方法、装置、计算机设备及存储介质 | |
US20130089273A1 (en) | Platform for providing interactive applications on a digital content platform | |
CN111797297B (zh) | 页面数据处理方法、装置、计算机设备及存储介质 | |
CN108563648B (zh) | 数据显示方法和装置、存储介质及电子装置 | |
CN107368923B (zh) | 景点热度预测方法及装置 | |
KR102602936B1 (ko) | 인공 지능을 통해 수집한 데이터를 기반으로 숏폼을 자동으로 생성하는 전자 장치 및 이를 이용한 방법 | |
CN112685115A (zh) | 国际提示语生成方法、系统、计算机设备及存储介质 | |
CN112418443A (zh) | 基于迁移学习的数据处理方法、装置、设备及存储介质 | |
CN112559866A (zh) | 大学图书阅读推荐方法、装置、设备及存储介质 | |
CN111143568A (zh) | 一种论文分类时的缓冲方法、装置、设备及存储介质 | |
KR102372432B1 (ko) | 클릭 및 노출 정보를 활용한 추천 콘텐츠 제공 방법, 장치 및 시스템 | |
CN115795158A (zh) | 物料排序和神经网络训练方法、装置、设备及存储介质 | |
CN113268695B (zh) | 数据埋点处理方法、装置及相关设备 |
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 |