CN113626707A - 一种兴趣描述信息获得方法、装置、电子设备及存储介质 - Google Patents
一种兴趣描述信息获得方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113626707A CN113626707A CN202110918608.2A CN202110918608A CN113626707A CN 113626707 A CN113626707 A CN 113626707A CN 202110918608 A CN202110918608 A CN 202110918608A CN 113626707 A CN113626707 A CN 113626707A
- Authority
- CN
- China
- Prior art keywords
- interest
- level
- parent
- intensity
- user
- 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 46
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 230000006399 behavior Effects 0.000 claims description 125
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 10
- 238000005065 mining Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3346—Query execution using probabilistic model
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种兴趣描述信息获得方法、装置、电子设备及存储介质,涉及大数据处理技术领域,尤其涉及信息挖掘技术领域。具体方案为:获得用户的多个行为信息;确定各个行为信息对应的不同层级的兴趣领域,所述兴趣领域包括父级兴趣领域和子级兴趣领域,每一父级兴趣领域包含至少一子级兴趣领域;针对每一父级兴趣领域,利用对应于该父级兴趣领域的行为信息,确定所述用户对该父级兴趣领域下各个子级兴趣领域的兴趣强度,获得所确定的各个兴趣强度的统计结果,作为所述用户对该父级兴趣领域的兴趣描述信息。应用本公开的方案可以提高兴趣描述信息的准确度。
Description
技术领域
本公开涉及大数据处理技术领域,尤其涉及信息挖掘技术领域。
背景技术
在内容推荐场景中,为了向用户推荐其感兴趣的内容,通常需要挖掘用户所感兴趣的兴趣领域。
相关技术中,一般根据用户的行为确定用户所感兴趣的兴趣领域,并根据用户的行为确定用户对上述兴趣领域的兴趣强度,作为上述兴趣领域的兴趣描述信息。这样所获得的兴趣描述信息仅包含了用户对某一兴趣领域的兴趣强度,所包含的信息较为片面,在面对比较宽泛的兴趣领域时,所得到的兴趣描述信息难以准确反映用户真实感兴趣的兴趣领域。
发明内容
本公开提供了一种兴趣描述信息获得方法、装置、电子设备及存储介质。
根据本公开的第一方面,提供了一种兴趣描述信息获得方法,包括:
获得用户的多个行为信息;
确定各个行为信息对应的不同层级的兴趣领域,其中,所述兴趣领域包括父级兴趣领域和子级兴趣领域,每一父级兴趣领域包含至少一子级兴趣领域;
针对每一父级兴趣领域,利用对应于该父级兴趣领域的行为信息,确定所述用户对该父级兴趣领域下各个子级兴趣领域的兴趣强度,获得所确定的各个兴趣强度的统计结果,作为所述用户对该父级兴趣领域的兴趣描述信息。
根据本公开的第二方面,提供了一种兴趣描述信息获得装置,包括:
行为信息获得模块,用于获得用户的多个行为信息;
兴趣领域确定模块,用于确定各个行为信息对应的不同层级的兴趣领域,其中,所述兴趣领域包括父级兴趣领域和子级兴趣领域,每一父级兴趣领域包含至少一子级兴趣领域;
兴趣描述信息获得模块,用于针对每一父级兴趣领域,利用对应于该父级兴趣领域的行为信息,确定所述用户对该父级兴趣领域下各个子级兴趣领域的兴趣强度,获得所确定的各个兴趣强度的统计结果,作为所述用户对该父级兴趣领域的兴趣描述信息。
根据本公开的第三方面,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能够执行第一方面任一项所述的方法。
根据本公开的第四方面,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执行根据第一方面任一项所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据第一方面任一项所述的方法。
本公开可以提高兴趣描述信息的准确度。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为本公开实施例提供的一种兴趣描述信息获得方法的流程示意图;
图2为本公开提供的一种不同层级的兴趣领域的示意图;
图3为本公开实施例提供的一种数据推荐方法的流程示意图;
图4为本公开实施例提供的一种兴趣描述信息获得装置的结构示意图;
图5为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
为了提高兴趣描述信息的准确度,本公开提供了一种兴趣描述信息获得方法、装置、电子设备及存储介质,下面进行详细介绍。
本公开的一个实施例中,提供了一种兴趣描述信息获得方法,包括:
获得用户的多个行为信息;
确定各个行为信息对应的不同层级的兴趣领域,其中,兴趣领域包括父级兴趣领域和子级兴趣领域,每一父级兴趣领域包含至少一子级兴趣领域;
针对每一父级兴趣领域,利用对应于该父级兴趣领域的行为信息,确定用户对该父级兴趣领域下各个子级兴趣领域的兴趣强度,获得所确定的各个兴趣强度的统计结果,作为用户对该父级兴趣领域的兴趣描述信息。
这样可以将兴趣领域划分为父级兴趣领域和子级兴趣领域,针对每一父级兴趣领域,可以获得用户对该父级兴趣领域下各个子级兴趣领域的兴趣强度,然后将上述多个兴趣强度的统计结果作为该父级兴趣领域的兴趣描述信息,从而使得兴趣描述信息所包含的信息更加丰富。由此可见,应用本公开提供的方案可以提高兴趣描述信息的准确度。
下面对上述兴趣描述信息获得方法进行详细介绍。
参见图1,图1为本公开实施例提供的一种兴趣描述信息获得方法的流程示意图,该方法可以应用于服务器、电子计算机、手机等电子设备。如图1所示,兴趣描述信息获得方法包括如下步骤S101-S103:
S101,获得用户的多个行为信息。
其中,上述行为信息能够表征用户所产生的行为,上述行为可以是观看短视频、浏览新闻、查询商品信息、搜索词条等,上述行为信息可以包括:行为时间、行为类型、行为对象、行为持续时长等信息中的一个或多个。
上述行为时间指的是用户产生行为的时间,例如,假设用户在20:00访问搜索平台,则行为时间为20:00。
上述行为类型指的是用户的行为所属的类型,上述类型可以是支付、点赞、收藏、关注、下单、分享等。
上述行为对象指的是用户的行为所针对的对象,例如,假设用户在视频平台点击了体育比赛录像,则该用户的行为对象为上述体育比赛录像。
上述行为持续时长指的是用户所产生的行为所持续的时长,例如,假设用户在新闻平台上阅读了10分钟新闻,则阅读新闻的行为持续时长为10分钟。
具体的,在获得授权的情况下,可以获得用户历史上所产生的行为的行为信息。
本公开的一个实施例中,可以检测用户所产生的行为,基于检测结果获得用户的行为信息;除此之外,也可以获得用户的访问日志,基于上述访问日志获得用户的行为信息。
本公开的一个实施例中,可以获得用户最近预设时间段内的行为信息,上述预设时间段可以是一周、一个月、半年、一年等;
除此之外,也可以获得用户最近预设数量次行为的行为信息,上述预设数量可以是100、300、2000等,本公开实施例并不对此进行限定。
上述实施例提供的方案中,可以获得用户最近所产生的行为的行为信息,后续可以利用最近的行为信息获得该用户所感兴趣的兴趣领域的描述信息,所得到的描述信息能够反映用户最近感兴趣的兴趣领域。
本公开的技术方案中,所涉及的用户个人行为信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
S102,确定各个行为信息对应的不同层级的兴趣领域。
其中,兴趣领域包括父级兴趣领域和子级兴趣领域,每一父级兴趣领域包含至少一子级兴趣领域。
每一行为信息对应的兴趣领域为:该行为信息所表征的行为反映的用户感兴趣的领域。
上述兴趣领域可以划分为不同层级,相邻层级的兴趣领域中,上一层级的兴趣领域称为父级兴趣领域,下一层级的兴趣领域称为子级兴趣领域,每一父级兴趣领域中包含一个或多个子级兴趣领域。
例如,参见图2,图2为本公开提供的一种不同层级的兴趣领域的示意图。第一层级的兴趣领域包括:电影、电视剧、综艺节目、少儿节目等,其中电影可以作为一父级兴趣领域,电影的子级兴趣领域包括:恐怖片、喜剧片、科幻片等,上述电视剧也可以作为一父级兴趣领域,电视剧的子级兴趣领域包括:抗战剧、都市剧、校园剧等,进一步的,虽然恐怖片是电影的子级兴趣领域,但是恐怖片也可以作为一父级兴趣领域,这种情况下恐怖片的子级兴趣领域可以包括:华语电影、欧美电影、日韩电影等。
具体的,针对所获得的用户的每一行为信息,可以确定该行为信息所表征的行为反映的该用户感兴趣的不同层级的兴趣领域。
在确定行为信息对应的兴趣领域时,可以按照下述方式进行确定。
本公开的一个实施例中,可以预先设定各个业务数据所属的不同层级的兴趣领域的对应关系,这样在获得行为信息后,可以确定该行为信息中的行为对象,该行为对象为:用户所浏览的业务数据,然后从上述对应关系中查找该行为对象对应的不同层级的兴趣领域,作为该行为信息对应的不同层级的兴趣领域。
例如,假设业务数据《变形金刚》所属的不同层级的兴趣领域分别为电影、科幻电影、欧美电影。则当所获得的用户的行为信息为“观看《变形金刚》”时,可以按照上述对应关系确定该行为信息对应的不同层级的兴趣领域分别为电影、科幻电影、欧美电影。
除此之外,也可以获得各个行为信息中行为对象的对象信息,对所获得的对象信息进行语义分析,基于分析结果确定该对象信息所属的不同层级的兴趣领域,作为该对象信息对应的不同层级的兴趣领域。其中,上述对象信息可以是标题信息、简介信息、出品信息等。
S103,针对每一父级兴趣领域,利用对应于该父级兴趣领域的行为信息,确定用户对该父级兴趣领域下各个子级兴趣领域的兴趣强度,获得所确定的各个兴趣强度的统计结果,作为用户对该父级兴趣领域的兴趣描述信息。
其中,上述兴趣强度用于表征用户对兴趣领域感兴趣的程度。
具体的,针对每一父级兴趣领域,由于该父级兴趣领域中可能包含多个子级兴趣领域,因此可以从所获得的行为信息中,确定所表征的行为反映用户对该父级兴趣领域感兴趣的行为信息,然后利用所确定的行为信息确定用户对该父级兴趣领域下各个子级兴趣领域的兴趣强度,对所确定的多个兴趣强度进行统计,得到统计结果,作为用户对该父级兴趣领域的兴趣描述信息。
本公开的一个实施例中,针对每一子级兴趣领域,在确定用户对该子级兴趣领域的兴趣强度时,可以利用所表征的行为反映用户对该子级兴趣领域感兴趣的行为信息,确定每一行为信息反映的用户对该子级兴趣领域的兴趣强度,然后获得各个行为信息所反映的兴趣强度的数学统计值,作为用户对该子级兴趣领域的兴趣强度。
其中,上述数学统计值可以是算数平均值、加权平均值、和值等。
针对每一行为信息,在确定该行为信息反映的用户对子级兴趣领域的兴趣强度时,可以根据该行为信息中行为类型、行为时间、行为持续时长等信息,确定用户对该子级兴趣领域感兴趣的程度,作为该行为信息反映的用户对子级兴趣领域的兴趣强度。
例如,可以预先设定不同行为类型对应的强度值、不同行为持续时长对应的第一权重值,计算行为时间距离当前时间的间隔时长,确定上述间隔时长对应的第二权重值,然后计算行为信息中行为类型对应的强度值与行为持续时长对应的第一权重值、上述第二权重值的乘积,作为该行为信息反映的用户对子级兴趣领域的兴趣强度。
最后可以将各个行为信息反映的用户对该子级兴趣领域的兴趣强度相加,将上述和值作为用户对该子级兴趣领域的兴趣强度。
这样可以将兴趣领域划分为父级兴趣领域和子级兴趣领域,针对每一父级兴趣领域,可以获得用户对该父级兴趣领域下各个子级兴趣领域的兴趣强度,然后将上述多个兴趣强度的统计结果作为该父级兴趣领域的兴趣描述信息,从而使得兴趣描述信息所包含的信息更加丰富。由此可见,应用本公开提供的方案可以提高兴趣描述信息的准确度。
下面通过具体的实施例来说明本公开实施例的有益效果。
例如,假设父级兴趣领域为动漫领域,每一部动漫作品对应于一个子级兴趣领域。若用户A、B、C都存在10次观看动漫的行为,但具体情况不同,其中用户A的10次观看动漫行为都是观看同一部动漫;用户B的10次观看动漫行为分别观看了10部不同的动漫;用户C的10次观看动漫行为中有5次观看了同一部动漫、另外5次分别观看了5部不同的动漫。这种情况下,用户A、B、C所感兴趣的父级兴趣领域虽然为同一领域,即动漫领域,但在由于不同用户在子级兴趣领域上的表现不同,因此应用本公开实施例分别得到的用户A、B、C对动漫领域的兴趣描述信息不同,能够反映不同用户所真正感兴趣的领域。
本公开的一个实施例中,上述步骤S103中的统计结果包括以下结果中的至少一个:
各个兴趣强度之间的强度均值、方差、所在的强度区间、以及满足不同强度标准的子级兴趣领域的个数。
具体的,在确定用户对父级兴趣领域下各个子级兴趣领域的兴趣强度后,可以计算上述各个兴趣强度之间的均值、方差、所在的强度区间等,并统计满足不同的强度标准的子级兴趣领域的个数,将上述均值、方差、强度区间、个数等信息中的一个或多个信息作为用户对该父级兴趣领域的兴趣描述信息。
例如,假设所获得的兴趣强度分别为10、20、8、25、32,统计结果包括强度均值、方差、所在的强度区间、以及满足不同强度标准的子级兴趣领域的个数,不同的强度标准分别为:15、25。计算可得上述各个兴趣强度的强度均值为19,方差为81.6,所在的强度区间为[8,32],满足不同的强度标准的子级兴趣领域的个数分别为3、2。因此可以将上述强度均值19、方差81.6、强度区间[8,32]、满足不同的强度标准的子级兴趣领域的个数3和2作为用户对该父级兴趣领域的兴趣描述信息。
这样所得到的统计结果能够表征的信息更加全面,进而所得到的兴趣描述信息所包含的信息更加丰富,可以提高兴趣描述信息的准确度。
本公开的一个实施例中,可以通过以下方式确定强度标准:
针对每一父级兴趣领域,获得多个用户对该父级兴趣领域下各个子级兴趣领域的兴趣强度,基于不同兴趣强度对应的用户的数量,确定满足不同的预设用户数量分布条件的兴趣强度范围,作为该父级兴趣领域对应的强度标准。
其中,每一兴趣强度对应的用户为:对所感兴趣的子级兴趣领域的兴趣强度为该兴趣强度的用户。
上述预设用户数量分布条件可以为:数量占30%的用户、数量占50%的用户等。
具体的,不同的父级兴趣领域对应于不同的强度标准。针对每一父级兴趣领域,可以获得多个用户对该父级兴趣领域下各个子级兴趣领域的兴趣强度,然后统计具有不同兴趣强度的用户的数量,基于上述统计结果,确定满足不同的预设用户数量分布条件的兴趣强度范围,作为该父级兴趣领域对应的强度标准。这样由多个用户的兴趣强度范围确定得到的强度标准,适用于对不同用户对子级兴趣领域的兴趣强度进行划分。
例如,在统计具有不同兴趣强度的用户的数量后,可以确定数量占50%的用户的兴趣强度范围、数量占50%的用户的兴趣强度范围,将所确定的兴趣强度范围作为强度标准。
除此之外,本公开的一个实施例中,还可以通过以下方式确定强度标准:
根据所确定的各个兴趣强度的最大值、最小值,确定用户对各个子级兴趣领域的兴趣强度所在的强度区间,将所确定的强度区间划分为预设数量个子区间,确定所划分的子区间的分割点为强度标准。
具体的,在获得用户对每一父级兴趣领域下各个子级兴趣领域的兴趣强度后,可以确定上述兴趣强度中的最大值、最小值,将上述最大值、最小值作为上述兴趣强度所在的强度区间的边界,从而得到强度区间,然后将上述强度区间划分为多个子区间,将相邻子区间之间的分割点表征的兴趣强度,作为强度标准,从而得到多个强度标准。
本公开的一个实施例中,在划分子区间时,可以将强度区间等分为预设数量个子区间,也可以按照预设的长度比例,将上述强度区间划分为预设数量个子区间。
例如,假设所获得的用户对父级兴趣领域下各个子级兴趣领域的兴趣强度分别为18、21、36、45,其中最大值为45,最小值为18,可以得知强度区间为[18,45],预设数量为3,则可以将上述强度区间[18,45]等分为3个子区间,分别为[18,27]、[27,36]和[36,45],其中相邻子区间的分割点所反映的兴趣强度分别为27和36,因此可以得到强度标准分别为27和36。
在利用上述方法得到兴趣描述信息后,还可以利用该兴趣描述信息训练推荐模型,下面进行详细介绍。
本公开的一个实施例中,还可以获得用户实际选中的业务数据所属的子级兴趣领域;以兴趣描述信息为输入数据、所获得的子级兴趣领域为标注信息,对预设的推荐模型进行训练,得到训练后的推荐模型。
具体的,在得到用户对各个父级兴趣领域的兴趣描述信息后,还可以获得用户实际选中的业务数据所属的子级兴趣领域,作为标准信息。然后将上述兴趣描述信息输入待训练的推荐模型,利用模型预测用户真正感兴趣的子级兴趣领域,得到模型输出结果,计算该模型输出结果相对标准信息的损失,利用该损失对上述模型进行参数调整,重复上述步骤对模型进行训练,最终得到训练后的推荐模型。
在训练得到上述推荐模型后,后续可以利用上述模型向用户推荐数据,下面进行详细介绍。
参见图3,图3为本公开实施例提供的一种数据推荐方法的流程示意图,该方法包括如下步骤S301-S303:
S301,获得待推荐用户的多个历史行为信息,确定各个历史行为信息对应的不同层级的兴趣领域。
其中,兴趣领域包括父级兴趣领域和子级兴趣领域,每一父级兴趣领域包含至少一子级兴趣领域,每一历史行为信息对应的兴趣领域为:该历史行为信息所表征的行为反映的待推荐用户感兴趣的领域。
具体的,针对待推荐用户,可以获得该用户的多个历史行为信息,然后针对每一历史行为信息,判断该历史行为信息对应的不同层级的兴趣领域。
S302,针对每一父级兴趣领域,利用对应于该父级兴趣领域的历史行为信息,确定待推荐用户对该父级兴趣领域下各个子级兴趣领域的目标兴趣强度,获得所确定的各个目标兴趣强度的统计结果,作为待推荐用户对该父级兴趣领域的目标兴趣描述信息。
具体的,针对每一父级兴趣领域,由于该父级兴趣领域中可能包含多个子级兴趣领域,因此可以从所获得的历史行为信息中,确定所表征的行为反映待推荐用户对该父级兴趣领域感兴趣的历史行为信息,然后利用所确定的历史行为信息确定待推荐用户对该父级兴趣领域下各个子级兴趣领域的目标兴趣强度,然后对所确定的多个目标兴趣强度进行统计,得到统计结果,作为待推荐用户对该父级兴趣领域的目标兴趣描述信息。
S303,将目标兴趣描述信息输入推荐模型,得到推荐模型输出的子级兴趣领域,选择属于该子级兴趣领域的业务数据,作为推荐数据推荐至待推荐用户。
具体的,可以将上述目标兴趣描述信息输入训练后的推荐模型,利用模型预测待推荐用户真正感兴趣的子级兴趣领域,然后选择属于该子级兴趣领域的业务数据,将该业务数据推荐给用户。
这样可以利用训练后的推荐模型预测用户真正感兴趣的子级兴趣领域,便于后续根据该子级兴趣领域向用户推荐业务数据,提高所推荐的数据的准确度。
上述实施例提供的兴趣描述信息获得方案中,可以获得用户的多个行为信息;确定各个行为信息对应的不同层级的兴趣领域,其中,兴趣领域包括父级兴趣领域和子级兴趣领域,每一父级兴趣领域包含至少一子级兴趣领域;针对每一父级兴趣领域,利用对应于该父级兴趣领域的行为信息,确定用户对该父级兴趣领域下各个子级兴趣领域的兴趣强度,获得所确定的各个兴趣强度的统计结果,作为用户对该父级兴趣领域的兴趣描述信息。这样可以将兴趣领域划分为父级兴趣领域和子级兴趣领域,针对每一父级兴趣领域,可以获得用户对该父级兴趣领域下各个子级兴趣领域的兴趣强度,然后将上述多个兴趣强度的统计结果作为该父级兴趣领域的兴趣描述信息,从而使得兴趣描述信息所包含的信息更加丰富。由此可见,应用上述实施例提供的方案可以提高兴趣描述信息的准确度。
与上述兴趣描述信息获得方法相对应地,本公开还提供了一种兴趣描述信息获得装置,下面进行详细介绍。
参见图4,图4为本公开实施例提供的一种兴趣描述信息获得装置的结构示意图,包括:
行为信息获得模块401,用于获得用户的多个行为信息;
兴趣领域确定模块402,用于确定各个行为信息对应的不同层级的兴趣领域,其中,所述兴趣领域包括父级兴趣领域和子级兴趣领域,每一父级兴趣领域包含至少一子级兴趣领域;
兴趣描述信息获得模块403,用于针对每一父级兴趣领域,利用对应于该父级兴趣领域的行为信息,确定所述用户对该父级兴趣领域下各个子级兴趣领域的兴趣强度,获得所确定的各个兴趣强度的统计结果,作为所述用户对该父级兴趣领域的兴趣描述信息。
本公开的一个实施例中,所述统计结果包括以下结果中的至少一个:
各个兴趣强度之间的强度均值、方差、所在的强度区间、以及满足不同强度标准的子级兴趣领域的个数。
本公开的一个实施例中,所述装置还包括强度标准获得模块,用于通过以下方式确定所述强度标准:
针对每一父级兴趣领域,获得多个用户对该父级兴趣领域下各个子级兴趣领域的兴趣强度,基于不同兴趣强度对应的用户的数量,确定满足不同的预设用户数量分布条件的兴趣强度范围,作为该父级兴趣领域对应的强度标准,其中,每一兴趣强度对应的用户为:对所感兴趣的子级兴趣领域的兴趣强度为该兴趣强度的用户。
本公开的一个实施例中,所述装置还包括强度标准获得模块,用于通过以下方式确定所述强度标准:
根据所确定的各个兴趣强度的最大值、最小值,确定所述用户对各个子级兴趣领域的兴趣强度所在的强度区间,将所确定的强度区间划分为预设数量个子区间,确定所划分的子区间的分割点为所述强度标准。
本公开的一个实施例中,所述装置还包括模型训练模块,用于:
获得所述用户实际选中的业务数据所属的子级兴趣领域;
以所述兴趣描述信息为输入数据、所获得的子级兴趣领域为标注信息,对预设的推荐模型进行训练,得到训练后的推荐模型。
本公开的一个实施例中,所述装置还包括数据推荐模块,用于:
获得待推荐用户的多个历史行为信息,确定各个历史行为信息对应的不同层级的兴趣领域;
针对每一父级兴趣领域,利用对应于该父级兴趣领域的历史行为信息,确定所述待推荐用户对该父级兴趣领域下各个子级兴趣领域的目标兴趣强度,获得所确定的各个目标兴趣强度的统计结果,作为所述待推荐用户对该父级兴趣领域的目标兴趣描述信息;
将所述目标兴趣描述信息输入所述推荐模型,得到所述推荐模型输出的子级兴趣领域,选择属于该子级兴趣领域的业务数据,作为推荐数据推荐至所述待推荐用户。
上述实施例提供的兴趣描述信息获得方案中,可以获得用户的多个行为信息;确定各个行为信息对应的不同层级的兴趣领域,其中,兴趣领域包括父级兴趣领域和子级兴趣领域,每一父级兴趣领域包含至少一子级兴趣领域;针对每一父级兴趣领域,利用对应于该父级兴趣领域的行为信息,确定用户对该父级兴趣领域下各个子级兴趣领域的兴趣强度,获得所确定的各个兴趣强度的统计结果,作为用户对该父级兴趣领域的兴趣描述信息。这样可以将兴趣领域划分为父级兴趣领域和子级兴趣领域,针对每一父级兴趣领域,可以获得用户对该父级兴趣领域下各个子级兴趣领域的兴趣强度,然后将上述多个兴趣强度的统计结果作为该父级兴趣领域的兴趣描述信息,从而使得兴趣描述信息所包含的信息更加丰富。由此可见,应用上述实施例提供的方案可以提高兴趣描述信息的准确度。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
本公开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能够执行兴趣描述信息获得方法。
本公开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执行兴趣描述信息获得方法。
本公开提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现兴趣描述信息获得方法。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501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501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501执行上文所描述的各个方法和处理,例如兴趣描述信息获得方法。例如,在一些实施例中,兴趣描述信息获得方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的兴趣描述信息获得方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行兴趣描述信息获得方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种兴趣描述信息获得方法,包括:
获得用户的多个行为信息;
确定各个行为信息对应的不同层级的兴趣领域,其中,所述兴趣领域包括父级兴趣领域和子级兴趣领域,每一父级兴趣领域包含至少一子级兴趣领域;
针对每一父级兴趣领域,利用对应于该父级兴趣领域的行为信息,确定所述用户对该父级兴趣领域下各个子级兴趣领域的兴趣强度,获得所确定的各个兴趣强度的统计结果,作为所述用户对该父级兴趣领域的兴趣描述信息。
2.根据权利要求1所述的方法,其中,所述统计结果包括以下结果中的至少一个:
各个兴趣强度之间的强度均值、方差、所在的强度区间、以及满足不同强度标准的子级兴趣领域的个数。
3.根据权利要求2所述的方法,通过以下方式确定所述强度标准:
针对每一父级兴趣领域,获得多个用户对该父级兴趣领域下各个子级兴趣领域的兴趣强度,基于不同兴趣强度对应的用户的数量,确定满足不同的预设用户数量分布条件的兴趣强度范围,作为该父级兴趣领域对应的强度标准,其中,每一兴趣强度对应的用户为:对所感兴趣的子级兴趣领域的兴趣强度为该兴趣强度的用户。
4.根据权利要求2所述的方法,通过以下方式确定所述强度标准:
根据所确定的各个兴趣强度的最大值、最小值,确定所述用户对各个子级兴趣领域的兴趣强度所在的强度区间,将所确定的强度区间划分为预设数量个子区间,确定所划分的子区间的分割点为所述强度标准。
5.根据权利要求1-4中任一项所述的方法,所述方法还包括:
获得所述用户实际选中的业务数据所属的子级兴趣领域;
以所述兴趣描述信息为输入数据、所获得的子级兴趣领域为标注信息,对预设的推荐模型进行训练,得到训练后的推荐模型。
6.根据权利要求5所述的方法,所述方法还包括:
获得待推荐用户的多个历史行为信息,确定各个历史行为信息对应的不同层级的兴趣领域;
针对每一父级兴趣领域,利用对应于该父级兴趣领域的历史行为信息,确定所述待推荐用户对该父级兴趣领域下各个子级兴趣领域的目标兴趣强度,获得所确定的各个目标兴趣强度的统计结果,作为所述待推荐用户对该父级兴趣领域的目标兴趣描述信息;
将所述目标兴趣描述信息输入所述推荐模型,得到所述推荐模型输出的子级兴趣领域,选择属于该子级兴趣领域的业务数据,作为推荐数据推荐至所述待推荐用户。
7.一种兴趣描述信息获得装置,包括:
行为信息获得模块,用于获得用户的多个行为信息;
兴趣领域确定模块,用于确定各个行为信息对应的不同层级的兴趣领域,其中,所述兴趣领域包括父级兴趣领域和子级兴趣领域,每一父级兴趣领域包含至少一子级兴趣领域;
兴趣描述信息获得模块,用于针对每一父级兴趣领域,利用对应于该父级兴趣领域的行为信息,确定所述用户对该父级兴趣领域下各个子级兴趣领域的兴趣强度,获得所确定的各个兴趣强度的统计结果,作为所述用户对该父级兴趣领域的兴趣描述信息。
8.根据权利要求7所述的装置,其中,所述统计结果包括以下结果中的至少一个:
各个兴趣强度之间的强度均值、方差、所在的强度区间、以及满足不同强度标准的子级兴趣领域的个数。
9.根据权利要求8所述的装置,所述装置还包括强度标准获得模块,用于通过以下方式确定所述强度标准:
针对每一父级兴趣领域,获得多个用户对该父级兴趣领域下各个子级兴趣领域的兴趣强度,基于不同兴趣强度对应的用户的数量,确定满足不同的预设用户数量分布条件的兴趣强度范围,作为该父级兴趣领域对应的强度标准,其中,每一兴趣强度对应的用户为:对所感兴趣的子级兴趣领域的兴趣强度为该兴趣强度的用户。
10.根据权利要求8所述的装置,所述装置还包括强度标准获得模块,用于通过以下方式确定所述强度标准:
根据所确定的各个兴趣强度的最大值、最小值,确定所述用户对各个子级兴趣领域的兴趣强度所在的强度区间,将所确定的强度区间划分为预设数量个子区间,确定所划分的子区间的分割点为所述强度标准。
11.根据权利要求7-10中任一项所述的装置,所述装置还包括模型训练模块,用于:
获得所述用户实际选中的业务数据所属的子级兴趣领域;
以所述兴趣描述信息为输入数据、所获得的子级兴趣领域为标注信息,对预设的推荐模型进行训练,得到训练后的推荐模型。
12.根据权利要求11所述的装置,所述装置还包括数据推荐模块,用于:
获得待推荐用户的多个历史行为信息,确定各个历史行为信息对应的不同层级的兴趣领域;
针对每一父级兴趣领域,利用对应于该父级兴趣领域的历史行为信息,确定所述待推荐用户对该父级兴趣领域下各个子级兴趣领域的目标兴趣强度,获得所确定的各个目标兴趣强度的统计结果,作为所述待推荐用户对该父级兴趣领域的目标兴趣描述信息;
将所述目标兴趣描述信息输入所述推荐模型,得到所述推荐模型输出的子级兴趣领域,选择属于该子级兴趣领域的业务数据,作为推荐数据推荐至所述待推荐用户。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110918608.2A CN113626707A (zh) | 2021-08-11 | 2021-08-11 | 一种兴趣描述信息获得方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110918608.2A CN113626707A (zh) | 2021-08-11 | 2021-08-11 | 一种兴趣描述信息获得方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113626707A true CN113626707A (zh) | 2021-11-09 |
Family
ID=78384400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110918608.2A Pending CN113626707A (zh) | 2021-08-11 | 2021-08-11 | 一种兴趣描述信息获得方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113626707A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114329230A (zh) * | 2021-12-30 | 2022-04-12 | 北京百度网讯科技有限公司 | 信息生成方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110457576A (zh) * | 2019-07-08 | 2019-11-15 | 深圳壹账通智能科技有限公司 | 账户分类方法、装置、计算机设备和存储介质 |
US20200402019A1 (en) * | 2019-06-18 | 2020-12-24 | Capital One Services, Llc | Techniques to apply machine learning to schedule events of interest |
US20210092195A1 (en) * | 2019-09-20 | 2021-03-25 | Baidu Online Network Technology (Beijing) Co., Ltd. | Information push method and device |
CN112632380A (zh) * | 2020-12-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 兴趣点推荐模型的训练方法和推荐兴趣点的方法 |
CN113076487A (zh) * | 2021-04-30 | 2021-07-06 | 北京爱奇艺科技有限公司 | 一种用户兴趣表征及内容推荐方法、装置和设备 |
-
2021
- 2021-08-11 CN CN202110918608.2A patent/CN113626707A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200402019A1 (en) * | 2019-06-18 | 2020-12-24 | Capital One Services, Llc | Techniques to apply machine learning to schedule events of interest |
CN110457576A (zh) * | 2019-07-08 | 2019-11-15 | 深圳壹账通智能科技有限公司 | 账户分类方法、装置、计算机设备和存储介质 |
US20210092195A1 (en) * | 2019-09-20 | 2021-03-25 | Baidu Online Network Technology (Beijing) Co., Ltd. | Information push method and device |
CN112632380A (zh) * | 2020-12-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 兴趣点推荐模型的训练方法和推荐兴趣点的方法 |
CN113076487A (zh) * | 2021-04-30 | 2021-07-06 | 北京爱奇艺科技有限公司 | 一种用户兴趣表征及内容推荐方法、装置和设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114329230A (zh) * | 2021-12-30 | 2022-04-12 | 北京百度网讯科技有限公司 | 信息生成方法和装置 |
CN114329230B (zh) * | 2021-12-30 | 2023-01-31 | 北京百度网讯科技有限公司 | 信息生成方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9208503B2 (en) | Information processing apparatus, information processing method, information processing program, and recording medium | |
CN114265979B (zh) | 确定融合参数的方法、信息推荐方法和模型训练方法 | |
EP4198775A1 (en) | Abnormal user auditing method and apparatus, electronic device, and storage medium | |
CN116541610B (zh) | 一种推荐模型的训练方法及装置 | |
CN110866040A (zh) | 用户画像生成方法、装置和系统 | |
CN113765873A (zh) | 用于检测异常访问流量的方法和装置 | |
CN116028730A (zh) | 搜索资源异常识别方法、装置及电子设备 | |
CN112925978A (zh) | 一种推荐系统评测方法、装置、电子设备和存储介质 | |
CN115935185A (zh) | 一种推荐模型的训练方法及装置 | |
CN113626707A (zh) | 一种兴趣描述信息获得方法、装置、电子设备及存储介质 | |
CN113205189B (zh) | 训练预测模型的方法、预测方法及装置 | |
CN113361956A (zh) | 资源生产方的资源质量评价方法、装置、设备及存储介质 | |
CN115168732A (zh) | 资源推荐方法、装置、设备以及存储介质 | |
CN114862479A (zh) | 信息推送方法、装置、电子设备和介质 | |
CN111951011B (zh) | 监控系统阈值确定方法及装置 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN114036391A (zh) | 数据推送方法、装置、电子设备和存储介质 | |
CN114021642A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN113961797A (zh) | 资源推荐方法、装置、电子设备和可读存储介质 | |
CN112632384A (zh) | 针对应用程序的数据处理方法、装置、电子设备和介质 | |
CN113326436A (zh) | 确定推荐资源的方法、装置、电子设备和存储介质 | |
CN109218411B (zh) | 数据处理方法及装置、计算机可读存储介质、电子设备 | |
CN113365095B (zh) | 直播资源推荐方法、装置、电子设备以及存储介质 | |
CN113934932A (zh) | 推荐列表生成方法和装置 | |
CN116521977A (zh) | 一种产品推荐方法、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 |