CN113722588B - 资源推荐方法、装置及电子设备 - Google Patents
资源推荐方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113722588B CN113722588B CN202110925333.5A CN202110925333A CN113722588B CN 113722588 B CN113722588 B CN 113722588B CN 202110925333 A CN202110925333 A CN 202110925333A CN 113722588 B CN113722588 B CN 113722588B
- Authority
- CN
- China
- Prior art keywords
- resource
- recommended
- neural network
- target
- click probability
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/735—Filtering based on additional data, e.g. user or group profiles
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
-
- 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)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开关于一种资源推荐方法、装置及电子设备,属于计算机技术领域。其中,该方法包括:获取各待推荐资源的信息和用户的第一历史状态信息;根据每个待推荐资源的信息和第一历史状态信息,确定每个待推荐资源对应的预估展示时长;根据每个待推荐资源对应的预估展示时长,确定目标推荐资源;将目标推荐资源发送给用户客户端,以使用户客户端展示目标推荐资源。由此,通过根据各待推荐资源的信息和用户的历史状态信息,获取各待推荐资源的预估展示时长,基于各待推荐资源的预估展示时长,确定向用户推荐的资源,提高了推荐的精准性。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种资源推荐方法、装置及电子设备。
背景技术
视频消费信息流平台会有海量的视频内容,其中,直播是其中的一个新兴的视频表达载体。为了便于用户观看,平台可向用户进行推荐直播间。
相关技术中,通常是利用多个单一目标的预估结果,以一个多项式加权的方式融合多个单一目标,确定资源(如动图、视频、直播等)最终的单次展现收益,基于各个资源的单次展现收益,向用户推荐资源。但是,这种融合方式只是简单利用单一目标结果进行融合,从而会导致资源推荐的准确性降低。
发明内容
本公开提供一种资源推荐方法、装置及电子设备,以至少解决相关技术中资源推荐的准确性低问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种资源推荐方法,包括:
获取各待推荐资源的信息和用户的第一历史状态信息;
根据每个所述待推荐资源的信息和所述第一历史状态信息,确定每个所述待推荐资源对应的预估展示时长;
根据每个所述待推荐资源对应的预估展示时长,确定目标推荐资源;
将所述目标推荐资源发送给用户客户端,以使所述用户客户端展示所述目标推荐资源。
在本公开第一方面实施例的一种实现方式中,所述根据每个所述待推荐资源的信息和所述第一历史状态信息,确定每个所述待推荐资源对应的预估展示时长,包括:
利用第一神经网络模型,对每个所述待推荐资源的信息和所述第一历史状态信息进行处理,以获取每个所述待推荐资源对应的第一点击概率;
利用第二神经网络模型,对每个所述待推荐资源的信息和所述第一历史状态信息进行处理,以获取每个所述待推荐资源对应的第二点击概率;
根据所述第一点击概率和所述第二点击概率,确定每个所述待推荐资源对应的预估展示时长。
在本公开第一方面实施例的一种实现方式中,该方法还可包括:
获取训练样本集;其中,所述训练样本集包括多个资源的信息、每个所述资源对应的所述用户的第二历史状态信息及每个所述资源对应的多个标签;
根据每个所述资源对应的多个标签,确定所述用户对每个所述资源的实际点击概率;
将每个所述资源的信息及对应的第二历史状态信息输入第一初始神经网络模型,以获取每个所述资源对应的第一预测点击概率;
根据每个所述资源对应的第一预测点击概率和所述实际点击概率之间的差异,对所述第一初始神经网络模型进行修正,以生成所述第一神经网络模型。
在本公开第一方面实施例的一种实现方式中,在所述根据每个所述资源对应的多个标签,确定所述用户对每个所述资源的实际点击概率之后,还包括:
将每个所述资源的信息及对应的第二历史状态信息输入第二初始神经网络模型,以获取每个所述资源对应的第二预测点击概率;
根据每个所述资源对应的第二预测点击概率和所述实际点击概率之间的差异,确定初始损失值;
响应于任一资源对应的实际点击概率为目标值,根据所述任一资源对应的多个标签,确定所述任一资源对应的综合展示时长;
根据所述任一资源对应的初始损失值与所述综合展示时长,确定所述目标损失值;
根据所述目标损失值,对所述第二初始神经网络模型进行修正,以生成所述第二神经网络模型。
在本公开第一方面实施例的一种实现方式中,所述多个标签各对应一个子目标行为,所述根据所述任一资源对应的多个标签,确定所述任一资源对应的综合展示时长,包括:
获取每个所述子目标行为对应的展示时长和溢价系数;
根据每个所述子目标行为、每个所述子目标行为对应的展示时长及所述溢价系数,确定所述综合展示时长。
在本公开第一方面实施例的一种实现方式中,所述获取每个所述子目标行为对应的展示时长,包括:
获取所述任一资源的多个历史行为数据;
根据所述多个历史行为数据中的每个所述子目标行为,获取每个所述子目标行为对应的展示时长。
根据本公开实施例的第二方面,提供一种资源推荐装置,包括:
第一获取模块,被配置为获取各待推荐资源的信息和用户的第一历史状态信息;
第一确定模块,被配置为根据每个所述待推荐资源的信息和所述第一历史状态信息,确定每个所述待推荐资源对应的预估展示时长;
第二确定模块,被配置为根据每个所述待推荐资源对应的预估展示时长,确定目标推荐资源;
发送模块,被配置为将所述目标推荐资源发送给用户客户端,以使所述用户客户端展示所述目标推荐资源。
在本公开第二方面实施例的一种实现方式中,所述第一确定模块,包括:
第一获取单元,被配置为利用第一神经网络模型,对每个所述待推荐资源的信息和所述第一历史状态信息进行处理,以获取每个所述待推荐资源对应的第一点击概率;
第二获取单元,被配置为利用第二神经网络模型,对每个所述待推荐资源的信息和所述第一历史状态信息进行处理,以获取每个所述待推荐资源对应的第二点击概率;
第一确定单元,被配置为根据所述第一点击概率和所述第二点击概率,确定每个所述待推荐资源对应的预估展示时长。
在本公开第二方面实施例的一种实现方式中,所述装置还可包括:
第二获取模块,被配置为获取训练样本集;其中,所述训练样本集包括多个资源的信息、每个所述资源对应的所述用户的第二历史状态信息及每个所述资源对应的多个标签;
第三确定模块,被配置为根据每个所述资源对应的多个标签,确定所述用户对每个所述资源的实际点击概率;
第三获取模块,被配置为将每个所述资源的信息及对应的第二历史状态信息输入第一初始神经网络模型,以获取每个所述资源对应的第一预测点击概率;
第一训练模块,被配置为据每个所述资源对应的第一预测点击概率和所述实际点击概率之间的差异,对所述第一初始神经网络模型进行修正,以生成所述第一神经网络模型。
在本公开第二方面实施例的一种实现方式中,第四获取模块,被配置为将每个所述资源的信息及对应的第二历史状态信息输入第二初始神经网络模型,以获取每个所述资源对应的第二预测点击概率;
第四确定模块,被配置为根据每个所述资源对应的第二预测点击概率和所述实际点击概率之间的差异,确定初始损失值;
第五确定模块,被配置为响应于任一资源对应的实际点击概率为目标值,根据所述任一资源对应的多个标签,确定所述任一资源对应的综合展示时长;
第六确定模块,被配置为根据所述任一资源对应的初始损失值与所述综合展示时长,确定所述目标损失值;
第二训练模块,被配置为根据所述目标损失值,对所述第二初始神经网络模型进行修正,以生成所述第二神经网络模型。
在本公开第二方面实施例的一种实现方式中,所述多个标签各对应一个子目标行为,所述第五确定模块,包括:
第三获取单元,被配置为获取每个所述子目标行为对应的展示时长和溢价系数;
第二确定单元,被配置为根据每个所述子目标行为、每个所述子目标行为对应的展示时长及所述溢价系数,确定所述综合展示时长。
在本公开第二方面实施例的一种实现方式中,所述第二确定单元,被配置为:
获取所述任一资源的多个历史行为数据;
根据所述多个历史行为数据中的每个所述子目标行为,获取每个所述子目标行为对应的展示时长。
根据本公开实施例的第三方面,提供一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如上述第一方面实施例所述的资源推荐方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述第一方面实施例所述的资源推荐方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述第一方面实施例所述的资源推荐方法。
本公开的实施例提供的技术方案至少带来以下有益效果:通过根据各待推荐资源的信息和用户的历史行为状态信息,获取各待推荐资源的预估展示时长,基于各待推荐资源的预估展示时长,确定向用户推荐的资源,提高了推荐的精准性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种资源推荐方法的流程示意图。
图2是根据一示例性实施例示出的另一种资源推荐方法的流程示意图。
图3是根据一示例性实施例示出的另一种资源推荐方法的流程示意图。
图4是根据一示例性实施例示出的另一种资源推荐方法的流程示意图。
图5为本公开实施例提供的一种第一神经网络模型和第二神经网络模型的训练过程示意图。
图6是根据一示例性实施例示出的一种资源推荐装置框图。
图7是根据一示例性实施例示出的一种用于资源推荐的电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种资源推荐方法的流程示意图。
本公开实施例的资源推荐方法,可由本公开实施例的资源推荐装置执行,该装置可配置于电子设备中,以实现根据每个待推荐资源的预估展示时长,向用户推荐资源。
如图1所示,该资源推荐方法包括以下步骤:
在步骤101中,获取各待推荐资源的信息和用户的第一历史状态信息。
本公开中,待推荐资源可以是短视频、直播间、动图等资源。在对用户进行资源推荐时,可获取各待推荐资源的信息,比如待推荐资源为短视频,可以获取待推荐短视频的大小、发布时间、主题、发布者的用户名等,又如待推荐资源为直播间,可以获取待推荐直播间的直播时间、直播者信息、直播内容等。
在获取各待推荐资源的信息的同时,还可以获取该用户的第一历史状态信息,其中,第一历史状态信息可以包括用户的历史行为信息、用户的属性信息等。其中,用户历史行为信息,可以是过去预设时长内用户的历史行为信息,比如过去一个周内用户的历史行为信息,用户的历史行为信息可包括用户在过去预设时长内所观看的资源的信息,及对已观看资源的点击、评论、点赞、关注等行为;用户属性信息可以包括用户的性别、年龄、职业、兴趣爱好等信息,用户属性信息可以是用户在注册应用时输入的。
需要说明的是,本公开的技术方案中,所涉及的用户个人信息的获取、应用等,均符合相关法律法规的规定,并且不违背公序良俗。
在步骤102中,根据每个待推荐资源的信息和第一历史状态信息,确定每个待推荐资源对应的预估展示时长。
由于用户的第一历史状态信息可以反映用户对不同类型资源的喜欢程度,基于此,可根据每个待推荐资源的信息和用户的第一历史状态信息,确定每个待推荐资源对应的预估展示时长。其中,预估展示时长越长,说明待推荐资源曝光的时间可能越长,时长收益越高。
作为一种可能的实现方式,可以单次展示时长收益作为收益衡量尺度,在确定每个待推荐资源对应的预估展示长时,针对每个待推荐资源,可以根据每个待推荐资源的信息和用户已观看资源的信息,确定与每个待推荐资源相似的已观看资源,可以根据用户对相似的已观看资源的历史行为信息,比如点击、点赞、关注等带来的历史展示时长,确定每个待推荐资源对应的预估展示时长。
在步骤103中,根据每个待推荐资源对应的预估展示时长,确定目标推荐资源。
由于预估展示时长越长,待推荐资源的时长收益越好,在确定目标推荐资源时,可根据预估展示时长从大到小进行排序,选取预估时长较高的预设数量的待推荐资源,作为目标推荐资源。
其中,预设数量可以是一个,也可以多个,具体可根据需要设定,本公开对此不作限定。
在步骤104中,将目标推荐资源发送给用户客户端,以使用户客户端展示目标推荐资源。
在确定目标推荐资源后,电子设备可将目标推荐资源发送给对应的用户客户端,以使用户客户端展示目标推荐资源。
比如,待推荐资源为直播间,在确定向用户A推荐的直播间列表后,可将直播间列表中的各直播间的标识、直播者、直播时间等信息,发送给A所用的直播客户端,以使直播客户端展示直播间列表。
本公开实施例的资源推荐方法,可应用于用于沉浸式的视频信息流消费平台,可应用于短视频、直播、动图等的推荐。
本公开实施例的资源推荐方法,通过获取各待推荐资源的信息和用户的第一历史状态信息,根据每个待推荐资源的信息和第一历史状态信息,确定每个待推荐资源对应的预估展示时长,并根据每个待推荐资源对应的预估展示时长,确定目标推荐资源,将目标推荐资源发送给用户客户端,以使用户客户端展示目标推荐资源。由此,通过根据各待推荐资源的信息和用户的历史状态信息,确定各待推荐资源的预估展示时长,基于各待推荐资源的预估展示时长,确定向用户推荐的资源,提高了推荐的精准性。
在本公开的一个实施例中,也可采用图2所示的方式,确定每个待推荐资源对应的预估展示时长。图2是根据一示例性实施例示出的另一种资源推荐方法的流程示意图,如图2所示,上述根据每待推荐资源的信息和第一历史状态信息,确定每个待推荐资源对应的预估展示时长,可以包括以下步骤:
在步骤201中,利用第一神经网络模型,对每个待推荐资源的信息和第一历史状态信息进行处理,以获取每个待推荐资源对应的第一点击概率。
由于资源的展示时长收益依赖于资源每次曝光的点击率,只有用户发生点击行为,其他交互行为才会发生,交互行为带来的价值才能得到实现,因此,本公开中考虑用户对每个待推荐资源的点击概率。
本公开中,可将每个待推荐资源的信息和用户的第一历史状态信息输入至预先训练的第一神经网络模型中,以利用预先训练的第一神经网络模型进行特征提取,对提取的特征进行处理,以获取每个待推荐资源对应的点击概率,为了便于区分,称为第一点击概率。
其中,第一点击概率用于衡量用户对待推荐资源点击的可能性,待推荐资源的第一点击概率越大,说明用户对该推荐资源点击的可能越高。
在步骤202中,利用第二神经网络模型,对每个待推荐资源的信息和第一历史状态信息进行处理,以获取每个待推荐资源对应的第二点击概率
本公开中,可将每个待推荐资源的信息和用户的第一历史状态输入至预先训练的第二神经网络模型,利用第二神经网络模型对输入数据进行特征提取,并根据提取的特征,可得到每个待推荐资源对应的第二点击概率。
其中,第一神经网络模型与第二神经网络模型不同,第二神经网络模型可以是采用与第一神经网络模型不同的训练方式得到的,比如,可以是在训练时对正样本进行样本增强训练得到的,这里的正样本可以是指用户对已推荐过的资源具有点击行为的样本。
本公开中的第一点击概率可以认为是未增强的点击概率,第二点击概率可认为是展示时长增强后的点击概率。
在步骤203中,根据第一点击概率和第二点击概率,确定每个待推荐资源对应的预估展示时长。
在利用第一神经网络模型和第二神经网络模型,分别获取每个待推荐资源对应的第一点击概率和第二点击概率之后,可根据每个待推荐资源对应的第一点击概率和第二点击概率,确定每个待推荐资源对应的预估展示时长。比如,可采用如下公式(1)计算预估展示时长:
其中,E(B)表示预估展示时长、Pctr表示第一点击概率,Pbenefit表示第二点击概率。
本公开中,确定公式(1)的过程可以如下所示。
假定,获取N个资源对应的历史状态信息,其中,K为包含点击行为的样本量,N-K则为不包含点击行为的样本量。其中,正常的点击率预估保持原有的正负样本比例,oddsctr表示事件发生概率与事件不发生概率的比值,如下公式(2)所示
另外,假设每个点击样本对应综合展示时长为Bi,在训练时,可对第i个点击样本进行Bi倍的增强,在这种正负样本比例下,事件发生概率与事件不发生概率的比值可如下公式(3)所示。
其中,∑iBi表示增强后的点击样本的总数量,Pbenefit为展示时长增强之后的点击概率,这里记作oddsbenefit用于区分这是增强训练,以区别于oddsctr。对上述公式(3)的分子分母进行变换如下公式(4)所示。
其中,E(B)为样本的期望展示时长(针对所有样本),结合上述公式(3)和公式(4)可得到如下公式(5)
对公式(5)进行变换可得到上述公式(1):
本公开实施例中,在根据每个待推荐资源的信息和第一历史状态信息,确定每个待推荐资源对应的预估展示时长时,可通过第一神经网络模型,对每个待推荐资源的信息和第一历史状态信息进行处理,获取每个待推荐资源对应的第一点击概率,并利用第二神经网络模型,对对每个待推荐资源的信息和第一历史状态信息进行处理,获取每个待推荐资源的第二点击概率,基于第一点击概率和第二点击概率,获取每个待推荐资源对应的预估展示时长。由此,通过两个神经网络模型分别获取未增强的点击概率和展示时长增强后的点击概率,利用未增强的点击概率和展示时长增强后的点击概率,获取待推荐资源的预估展示时长,以利用预估展示时长进行资源推荐,提高了推荐的精准性。
在本公开的一个实施例中,可通过图3所示的方式,训练得到第一神经网络模型。图3是根据一示例性实施例示出的另一种资源推荐方法的流程示意图,如图3所示,该资源推荐方法还可以包括以下步骤:
在步骤301中,获取训练样本集;其中,训练样本集包括多个资源的信息、每个资源对应的用户的第二历史状态信息及每个资源对应的多个标签。
本公开中,训练样本集可以包括多个资源的信息、每个资源对应的用户的第二历史状态信息、每个资源对应的多个标签等。
其中,训练样本集中多个资源的信息可以是指向用户推荐过的资源的信息;每个资源对应的用户的第二历史状态信息是指用户观看每个资源之前的历史状态信息,第二历史状态信息可以包括用户已观看过的资源的信息、用户对已观看过的资源的历史行为信息、用户的属性信息等;每个资源对应的多个标签可以用于指示用户对每个资源的历史行为信息,每个标签可对应一种行为,比如,用户对某作品进行了点击、喜欢、关注、但没有评论,该资源对应的多个标签可以为1 1 1 0。
本公开中,每个资源的信息、每个资源对应的用户的第二历史状态信息、每个资源对应的多个标签,可以看作一个样本。也就是说,一个样本可以包括三部分内容,分别为一个资源的信息、该资源对应的第二历史状态信息、该资源对应的多个标签。其中,资源对应的多个标签中点击行为对应的标签,指示用户发生了点击行为,可以认为该资源对应的样本为正样本,否则为负样本。
需要说明的是,上述示例中标签的表示方法仅是示例,还可以用其他方式表示,比如,用户对某资源进行了关注,该关注行为对应的标签可以用“T”标签,否则,用“F”表示。也就是说,本公开对标签的表示方式不作限定,可以根据实际需要设置。
在步骤302中,根据每个资源对应的多个标签,确定用户对每个资源的实际点击概率。
在实际应用中,每个资源展现收益依赖于每次曝光的点击率,当用户发生点击行为,其他交互行为才会发生,交互行为带来的价值才能得到实现。基于此,本公开中,可以根据每个资源对应的多个标签,及标签与用户行为之间的对应关系,确定点击行为对应的标签,根据点击行为对应的标签,确定用户对每个资源的实际点击概率。
比如,某资源对应的多个标签中,点击行为对应的标签为1,可以确定用户对该资源的实际点击概率为1。也就是说,若用户对某资源发生了点击行为,可以确定用户对该资源的实际点击概率为1,若用户对某资源没有点击行为,可以确定用户对该资源的实际点击概率为0。
步骤303,将每个资源的信息及对应的第二历史状态信息输入第一初始神经网络模型,以获取每个资源对应的第一预测点击概率。
在训练时,可以将每个资源的信息及对应的第二历史状态信息,输入至第一初始神经网络模型,利用第一初始神经网络模型对每个资源的信息和第二历史状态信息进行解码和编码处理,以获取每个资源对应的第一预测点击概率。
步骤304,根据每个资源对应的第一预测点击概率和实际点击概率之间的差异,对第一初始神经网络模型进行修正,以生成第一神经网络模型。
本公开中,可以根据每个资源对应的第一预测点击概率与实际点击概率之间的差异,对第一初始神经网络模型进行修正,并利用其余资源的信息和对应的第二历史状态信息对修正后的神经网络模型继续训练,直至神经网络模型收敛,得到第一神经网络模型。
本公开实施例中,通过获取训练样本集,根据训练样本集中每个资源对应的多个标签,确定用户对每个资源的实际点击概率,并将每个资源的信息及对应的第二历史状态信息输入第一初始神经网络模型,以获取每个资源对应的第一预测点击概率,基于每个资源对应的第一预测点击概率和实际点击概率之间的差异,对第一初始神经网络模型进行修正,生成第一神经网络模型。由此,利用已推荐资源的信息、已推荐资源对应的多个标签及用户的历史状态信息,可以训练得到用于预测用户对待推荐资源的第一点击概率的神经网络模型。
在本公开的一个实施例中,可通过图4所示的方式,训练得到第二神经网络模型。图4是根据一示例性实施例示出的另一种资源推荐方法的流程示意图。
如图4所示,该资源推荐方法还可以包括以下步骤:
在步骤401中,获取训练样本集;其中,训练样本集包括多个资源的信息、每个资源对应的用户的第二历史状态信息及每个资源对应的多个标签。
在步骤402中,根据每个资源对应的多个标签,确定用户对每个资源的实际点击概率。
本公开中,步骤401-步骤402可以采用与上述步骤301-步骤302相同的实施方式,故在此不再赘述。
在步骤403中,将每个资源的信息及对应的第二历史状态信息输入第二初始神经网络模型,以获取每个资源对应的第二预测点击概率。
在确定用户对每个资源的实际点击概率之后,还可以将每个资源的信息及对应的第二历史状态信息,输入至第二初始神经网络模型,利用第二初始神经网络模型对输入内容进行编码和解码处理,以获取每个资源对应的第二预测点击概率。
本公开中,第二初始神经网络模型与第一初始神经网络模型,可以相同,也可以不同。
在步骤404中,根据每个资源对应的第二预测点击概率和实际点击概率之间的差异,确定初始损失值。
本公开中,可根据每个资源对应的第二预测点击概率与实际点击概率之间的差异,确定初始损失值。其中,初始损失值越大,说明神经网络模型的准确性越低。
在步骤405中,响应于任一资源对应的实际点击概率为目标值,根据任一资源对应的多个标签,确定任一资源对应的综合展示时长。
本公开的目标值可以用于指示用户对资源具有点击行为,比如目标值为“1”,可以响应于任一资源对应的实际点击概率为目标值,即响应于用户对资源发生了点击行为,可以根据任一资源对应的多个标签、及标签与用户行为之间的对应关系,确定任一资源对应的综合展示时长。
在确定综合展示时长时,可以根据用户对资源的每种行为对应的展示时长进行加权求和,得到综合展示时长。
本公开中资源对应的多个标签各对应一个子目标行为,比如点击、关注、点赞等均是子目标行为。在任一资源对应的综合展示时长时,可获取每个子目标行为对应的展示时长和溢价系数,根据每个子目标行为、每个子目标行为对应的展示时长及所述溢价系数,确定任一资源对应的综合展示时长。
其中,子目标行为不同对应的溢价系数可能也不相同,溢价系数可看作是每个子目标行为对应的权重,可根据每个子目标行为对用户和平台的附加价值、重要度、稀疏度等,对每个子目标行为设置一个基于统计的溢价系数。
在获取每个子目标行为对应的展示时长和溢价系数后,可根据每个子目标行为、每个子目标行为对应的展示时长及溢价系数,确定每个历史行为数据的综合展示时长。比如,可通过如下公式(6)计算综合展示时长:
Benefit=is_click*avg_click_watchtime*click_coeff+is_like*avg_like_watchtime*like_coff+is_follow*avg_follow_watchtime*follow_coeff+is_comment*avg_comment_watchtime*coment_coeff+watchtime*watchtime_coeff(6)
其中,Benefit表示综合展示时长;is_click表示点击行为对应的取值,如果存在点击行为,则取值为1,否则取值为0;avg_click_watchtime表示点击行为对应的展示时长;click_coeff表示点击行为对应的溢价系数。另外,is_like表示喜欢行为对应的取值,is_follow表示关注行为对应的展示时长,is_comment表示评论行为对应的取值,这些取值与is_click类似,故不再赘述。
本公开中,通过基于每个子目标行为对应的展示时长和溢价系数,获取综合展示时长,从而将用户历史行为数据中,所有互动行为的单次发生价值,均以用户观看资源的时长来定义,统一到一个标准度量衡。
本公开中,在确定任一资源对应的每个子目标行为的展示时长时,可先获取任一资源对应的多个历史行为数据,统计多个历史行为数据中每个子目标行为对应的展示时长之和,并计算平均值,得到每个子目标行为对应的展示时长。
这里的多个历史行为数据,可以是多个用户对任一资源的历史行为数据,每个历史行为数据包括用户对资源的操作情况,比如是否点击、是否关注等。
比如,在确定用户对资源r1的点击行为对应的展示时长时,可获取资源r1的20个历史行为数据,比如有10个历史行为数据中包含点击行为,那么可统计这10个历史行为数据中点击行为对应的展示时长之和,将展示时长之和除以10,得到的展示时长的平均值即为点击行为对应的展示时长。
由此,通过根据多个用户对资源的历史行为数据,确定每个子目标行为对应的展示时长,提高了准确性。
在步骤406中,根据任一资源对应的初始损失值与综合展示时长,确定目标损失值。
本公开中,可以将任一资源对应的初始损失值乘以综合展示时长,相乘结果作为目标损失值。由此,对于实际点击率为目标值的资源,可以通过综合展示时长加大惩罚力度。本公开中任一资源对应的综合展示时长,确定任一资源对应的权重。比如,用户对某资源发生过点击行为,对应的综合展示时长为5秒,将该资源的信息、第二历史状态信息等输入第二神经网络模型时,可以将资源对应的权重扩大5倍。
在步骤407中,根据目标损失值,对第二初始神经网络模型进行修正,以生成第二神经网络模型。
本公开中,对于实际点击率为目标值的资源,在训练时,可以利用目标损失值,对神经网络模型进行修正,并利用修正后的神经网络模型继续训练。
需要说明的是,若资源对应的实际点击率不是目标值,即用户对资源未发生点击行为,那么可以直接根据资源对应的初始损失值,对神经网络模型进行修正,并利用修正后的神经网络模型继续训练。
本公开中,在训练生成第二神经网络模型时,响应于任一资源对应的实际点击概率为目标值,可以根据任一资源对应的多个标签,确定任一资源对应的综合展示时长,根据初始损失值与综合展示时长,确定目标损失值,根据目标损失值,对初始神经网络模型进行训练。由此,若用户对某资源发生了点击行为,可基于该资源对应的综合展示时长对初始损失值进行更新,以利用新的损失值对模型进行训练,获取第二神经网络模型。
本公开实施例中,可通过获取训练样本集,并根据训练样本集中每个资源对应的多个标签,确定用户对每个资源的实际点击概率,将每个资源的信息及对应的第二历史状态信息输入第二初始神经网络模型,以获取每资源对应的第二预测点击概率,基于第二预测点击概率与实际点击概率的差值,确定初始损失值,响应于任一资源对应的实际点击概率为目标值,根据任一资源对应的多个标签,确定任一资源对应的综合展示时长,并根据初始损失值与综合展示时长,确定目标损失值,根据目标损失值,对初始神经网络模型进行训练。由此,若用户对某资源发生了点击行为,可基于该资源对应的综合展示时长对初始损失值进行更新,利用新的损失值对模型进行训练,从而可以获取能够预测增强后的点击概率的第二神经网络模型。
本公开中,可以通过训练得到第一神经网络模型,获取待推荐资源的未增强的点击概率,即第一点击概率,通过训练得到第二神经网络模型,获取待推荐资源的展示时长增强后的点击概率,即第二点击概率,基于第一点击概率和第二点击概率,得到待推荐资源的预估展示时长,提高了预测的准确性,进而提高了推荐的准确性。
图5为本公开实施例提供的一种第一神经网络模型和第二神经网络模型的训练过程示意图。如图5所示,可将训练样本集中的训练数据分别输入至第一初始神经网络模型和第二初始神经网络模型中。
对于第一神经网络模型,在训练时,针对每个资源,可根据模型输出的预测点击概率与实际点击概率之间的差异,训练初始神经网络模型,得到第一神经网络模型。
对于第二神经网络模型,在训练时,若资源对应的实际点击概率不是目标值,即用户对资源未发生点击行为,可根据模型输出的预测增强后的点击概率与实际点击概率之间的差异,训练第二初始神经网络模型。若资源对应的实际点击概率为目标值,即用户对资源未发生点击行为,可以基于资源对应的综合展示长和初始损失值,确定目标损失值,基于目标损失值,训练第二初始网络模型。
图6是根据一示例性实施例示出的一种资源推荐装置框图。如图6所示,该资源推荐装置600包括:
第一获取模块610,被配置为获取各待推荐资源的信息和用户的第一历史状态信息;
第一确定模块620,被配置为根据每个待推荐资源的信息和第一历史状态信息,确定每个待推荐资源对应的预估展示时长;
第二确定模块630,被配置为根据每个待推荐资源对应的预估展示时长,确定目标推荐资源;
发送模块640,被配置为将目标推荐资源发送给用户客户端,以使用户客户端展示目标推荐资源。
在本公开实施例一种可能的实现方式中,该第一确定模块620,包括:
第一获取单元,被配置为利用第一神经网络模型,对每个待推荐资源的信息和第一历史状态信息进行处理,以获取每个待推荐资源对应的第一点击概率;
第二获取单元,被配置为利用第二神经网络模型,对每个待推荐资源的信息和第一历史状态信息进行处理,以获取每个待推荐资源对应的第二点击概率;
第一确定单元,被配置为根据第一点击概率和第二点击概率,确定每个待推荐资源对应的预估展示时长。
在本公开实施例一种可能的实现方式中,该装置还可以包括:
第二获取模块,被配置为获取训练样本集;其中,训练样本集包括多个资源的信息、每个资源对应的用户的第二历史状态信息及每个资源对应的多个标签;
第三确定模块,被配置为根据每个资源对应的多个标签,确定用户对每个资源的实际点击概率;
第三获取模块,被配置为将每个资源的信息及对应的第二历史状态信息输入第一初始神经网络模型,以获取每个资源对应的第一预测点击概率;
第一训练模块,被配置为据每个资源对应的第一预测点击概率和实际点击概率之间的差异,对第一初始神经网络模型进行修正,以生成第一神经网络模型。
在本公开实施例一种可能的实现方式中,该装置还可以包括:
第四获取模块,被配置为将每个资源的信息及对应的第二历史状态信息输入第二初始神经网络模型,以获取每个资源对应的第二预测点击概率;
第四确定模块,被配置为根据每个资源对应的第二预测点击概率和实际点击概率之间的差异,确定初始损失值;
第五确定模块,被配置为响应于任一资源对应的实际点击概率为目标值,根据任一资源对应的多个标签,确定任一资源对应的综合展示时长;
第六确定模块,被配置为根据任一资源对应的初始损失值与综合展示时长,确定目标损失值;
第二训练模块,被配置为根据目标损失值,对第二初始神经网络模型进行修正,以生成第二神经网络模型。
在本公开实施例一种可能的实现方式中,多个标签各对应一个子目标行为,第五确定模块,包括:
第三获取单元,被配置为获取每个子目标行为对应的展示时长和溢价系数;
第二确定单元,被配置为根据每个子目标行为、每个子目标行为对应的展示时长及溢价系数,确定综合展示时长。
在本公开实施例一种可能的实现方式中,第二确定单元,被配置为:
获取任一资源的多个历史行为数据;
根据多个历史行为数据中的每个子目标行为,获取每个子目标行为对应的展示时长。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开的实施例提供的资源推荐装置,通过获取各待推荐资源的信息和用户的第一历史状态信息,根据每个待推荐资源的信息和第一历史状态信息,确定每个待推荐资源对应的预估展示时长,并根据每个待推荐资源对应的预估展示时长,确定目标推荐资源,将目标推荐资源发送给用户客户端,以使用户客户端展示目标推荐资源。由此,通过根据各待推荐资源的信息和用户的历史状态信息,确定各待推荐资源的预估展示时长,基于各待推荐资源的预估展示时长,确定向用户推荐的资源,提高了推荐的精准性。
图7是根据一示例性实施例示出的一种用于资源推荐的电子设备的框图。
如图7所示,该电子设备700包括:
存储器710及处理器720,连接不同组件(包括存储器710和处理器720)的总线730,存储器710存储有计算机程序,当处理器720执行所述程序时实现本公开实施例所述的资源推荐方法。
总线730表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备700典型地包括多种电子设备可读介质。这些介质可以是任何能够被电子设备700访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器710还可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)740和/或高速缓存存储器750。电子设备700可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统760可以用于读写不可移动的、非易失性磁介质(图7未显示,通常称为“硬盘驱动器”)。尽管图7中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线730相连。存储器710可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本公开各实施例的功能。
具有一组(至少一个)程序模块770的程序/实用工具780,可以存储在例如存储器710中,这样的程序模块770包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块770通常执行本公开所描述的实施例中的功能和/或方法。
电子设备700也可以与一个或多个外部设备790(例如键盘、指向设备、显示器791等)通信,还可与一个或者多个使得用户能与该电子设备700交互的设备通信,和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口792进行。并且,电子设备700还可以通过网络适配器793与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器793通过总线730与电子设备700的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备700使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器720通过运行存储在存储器710中的程序,从而执行各种功能应用以及数据处理。
需要说明的是,本实施例的电子设备的实施过程和技术原理参见前述对本公开实施例的资源推荐方法的解释说明,此处不再赘述。
本公开实施例提供的电子设备,可以执行如前所述的资源推荐方法,通过获取各待推荐资源的信息和用户的第一历史状态信息,根据每个待推荐资源的信息和第一历史状态信息,确定每个待推荐资源对应的预估展示时长,并根据每个待推荐资源对应的预估展示时长,确定目标推荐资源,将目标推荐资源发送给用户客户端,以使用户客户端展示目标推荐资源。由此,通过根据各待推荐资源的信息和用户的历史状态信息,确定各待推荐资源的预估展示时长,基于各待推荐资源的预估展示时长,确定向用户推荐的资源,提高了推荐的精准性。
在示例性实施例中,本公开还提供了一种包括指令的计算机可读存储介质,例如包括指令的存储器,上述指令可由电子设备的处理器执行以完成上述方法。可选地,计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
为了实现上述实施例,本公开还提供一种计算机程序产品,该计算机程序由电子设备的处理器执行时,使得电子设备能够执行如前所述的资源推荐方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (8)
1.一种资源推荐方法,其特征在于,包括:
获取各待推荐资源的信息和用户的第一历史状态信息;
利用第一神经网络模型对每个所述待推荐资源的信息和所述第一历史状态信息,进行处理,以获取每个所述待推荐资源对应的第一点击概率,利用第二神经网络模型对每个所述待推荐资源的信息和所述第一历史状态信息进行处理,以获取每个所述待推荐资源对应的第二点击概率,根据所述第一点击概率和所述第二点击概率,确定每个所述待推荐资源对应的预估展示时长,其中,获取包括多个资源的信息、每个所述资源对应的所述用户的第二历史状态信息及每个所述资源对应的多个标签的训练样本集,根据每个所述资源对应的多个标签确定所述用户对每个所述资源的实际点击概率,将每个所述资源的信息及对应的第二历史状态信息分别输入第一初始神经网络模型和第二初始神经网络模型,通过所述第一初始神经网络模型获取每个所述资源对应的第一预测点击概率,根据每个所述资源对应的第一预测点击概率和所述实际点击概率之间的差异对所述第一初始神经网络模型进行修正,以生成所述第一神经网络模型,通过所述第二初始神经网络模型获取每个所述资源对应的第二预测点击概率,根据每个所述资源对应的第二预测点击概率和所述实际点击概率之间的差异确定初始损失值,响应于任一资源对应的实际点击概率为目标值,根据所述任一资源对应的多个标签确定所述任一资源对应的综合展示时长,根据所述任一资源对应的初始损失值与所述综合展示时长确定目标损失值,根据所述目标损失值对所述第二初始神经网络模型进行修正,以生成所述第二神经网络模型;
根据每个所述待推荐资源对应的预估展示时长,确定目标推荐资源;
将所述目标推荐资源发送给用户客户端,以使所述用户客户端展示所述目标推荐资源。
2.如权利要求1所述的方法,其特征在于,所述多个标签各对应一个子目标行为,所述根据所述任一资源对应的多个标签,确定所述任一资源对应的综合展示时长,包括:
获取每个所述子目标行为对应的展示时长和溢价系数;
根据每个所述子目标行为、每个所述子目标行为对应的展示时长及所述溢价系数,确定所述综合展示时长。
3.如权利要求2所述的方法,其特征在于,所述获取每个所述子目标行为对应的展示时长,包括:
获取所述任一资源的多个历史行为数据;
根据所述多个历史行为数据中的每个所述子目标行为,获取每个所述子目标行为对应的展示时长。
4.一种资源推荐装置,其特征在于,包括:
第一获取模块,被配置为获取各待推荐资源的信息和用户的第一历史状态信息;
第一确定模块,被配置为利用第一神经网络模型对每个所述待推荐资源的信息和所述第一历史状态信息,进行处理,以获取每个所述待推荐资源对应的第一点击概率,利用第二神经网络模型对每个所述待推荐资源的信息和所述第一历史状态信息进行处理,以获取每个所述待推荐资源对应的第二点击概率,根据所述第一点击概率和所述第二点击概率,确定每个所述待推荐资源对应的预估展示时长,其中,获取包括多个资源的信息、每个所述资源对应的所述用户的第二历史状态信息及每个所述资源对应的多个标签的训练样本集,根据每个所述资源对应的多个标签确定所述用户对每个所述资源的实际点击概率,将每个所述资源的信息及对应的第二历史状态信息分别输入第一初始神经网络模型和第二初始神经网络模型,通过所述第一初始神经网络模型获取每个所述资源对应的第一预测点击概率,根据每个所述资源对应的第一预测点击概率和所述实际点击概率之间的差异对所述第一初始神经网络模型进行修正,以生成所述第一神经网络模型,通过所述第二初始神经网络模型获取每个所述资源对应的第二预测点击概率,根据每个所述资源对应的第二预测点击概率和所述实际点击概率之间的差异确定初始损失值,响应于任一资源对应的实际点击概率为目标值,根据所述任一资源对应的多个标签确定所述任一资源对应的综合展示时长,根据所述任一资源对应的初始损失值与所述综合展示时长确定目标损失值,根据所述目标损失值对所述第二初始神经网络模型进行修正,以生成所述第二神经网络模型;
第二确定模块,被配置为根据每个所述待推荐资源对应的预估展示时长,确定目标推荐资源;
发送模块,被配置为将所述目标推荐资源发送给用户客户端,以使所述用户客户端展示所述目标推荐资源。
5.如权利要求4所述的装置,其特征在于,所述装置还包括第五确定模块,所述第五确定模块,被配置为响应于任一资源对应的实际点击概率为目标值,根据任一资源对应的多个标签,确定任一资源对应的综合展示时长,所述多个标签各对应一个子目标行为,所述第五确定模块,包括:
第三获取单元,被配置为获取每个所述子目标行为对应的展示时长和溢价系数;
第二确定单元,被配置为根据每个所述子目标行为、每个所述子目标行为对应的展示时长及所述溢价系数,确定所述综合展示时长。
6.如权利要求5所述的装置,其特征在于,所述第二确定单元,被配置为:
获取所述任一资源的多个历史行为数据;
根据所述多个历史行为数据中的每个所述子目标行为,获取每个所述子目标行为对应的展示时长。
7.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至3中任一项所述的资源推荐方法。
8.一种计算机可读存储介质,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使所述电子设备能够执行如权利要求1至3中任一项所述的资源推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110925333.5A CN113722588B (zh) | 2021-08-12 | 2021-08-12 | 资源推荐方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110925333.5A CN113722588B (zh) | 2021-08-12 | 2021-08-12 | 资源推荐方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113722588A CN113722588A (zh) | 2021-11-30 |
CN113722588B true CN113722588B (zh) | 2023-09-05 |
Family
ID=78675744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110925333.5A Active CN113722588B (zh) | 2021-08-12 | 2021-08-12 | 资源推荐方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113722588B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114845126A (zh) * | 2022-03-29 | 2022-08-02 | 武汉斗鱼鱼乐网络科技有限公司 | 一种直播间的曝光控制方法、装置、介质及设备 |
CN116610873B (zh) * | 2023-07-19 | 2023-09-26 | 支付宝(杭州)信息技术有限公司 | 信息推荐方法及装置、存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304441A (zh) * | 2017-11-14 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 网络资源推荐方法、装置、电子设备、服务器及存储介质 |
CN109408724A (zh) * | 2018-11-06 | 2019-03-01 | 北京达佳互联信息技术有限公司 | 多媒体资源预估点击率的确定方法、装置及服务器 |
CN109800325A (zh) * | 2018-12-26 | 2019-05-24 | 北京达佳互联信息技术有限公司 | 视频推荐方法、装置和计算机可读存储介质 |
CN110413877A (zh) * | 2019-07-02 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法、装置及电子设备 |
CN111711828A (zh) * | 2020-05-18 | 2020-09-25 | 北京字节跳动网络技术有限公司 | 一种信息处理方法、装置和电子设备 |
CN112150184A (zh) * | 2019-06-28 | 2020-12-29 | 北京京东尚科信息技术有限公司 | 点击率预估方法及其系统、计算机系统及计算机可读介质 |
CN112966186A (zh) * | 2021-03-30 | 2021-06-15 | 北京三快在线科技有限公司 | 一种模型训练和信息推荐的方法及装置 |
-
2021
- 2021-08-12 CN CN202110925333.5A patent/CN113722588B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304441A (zh) * | 2017-11-14 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 网络资源推荐方法、装置、电子设备、服务器及存储介质 |
CN109408724A (zh) * | 2018-11-06 | 2019-03-01 | 北京达佳互联信息技术有限公司 | 多媒体资源预估点击率的确定方法、装置及服务器 |
CN109800325A (zh) * | 2018-12-26 | 2019-05-24 | 北京达佳互联信息技术有限公司 | 视频推荐方法、装置和计算机可读存储介质 |
CN112150184A (zh) * | 2019-06-28 | 2020-12-29 | 北京京东尚科信息技术有限公司 | 点击率预估方法及其系统、计算机系统及计算机可读介质 |
CN110413877A (zh) * | 2019-07-02 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法、装置及电子设备 |
CN111711828A (zh) * | 2020-05-18 | 2020-09-25 | 北京字节跳动网络技术有限公司 | 一种信息处理方法、装置和电子设备 |
CN112966186A (zh) * | 2021-03-30 | 2021-06-15 | 北京三快在线科技有限公司 | 一种模型训练和信息推荐的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113722588A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108540826B (zh) | 弹幕推送方法、装置、电子设备及存储介质 | |
CN109635155B (zh) | 为用户推送视频的方法、装置、电子设备及存储介质 | |
CN113722588B (zh) | 资源推荐方法、装置及电子设备 | |
CN111866610B (zh) | 用于生成信息的方法和装置 | |
CN108845806B (zh) | 小程序分发方法、装置、服务器和存储介质 | |
CN110889725B (zh) | 在线广告ctr预估方法、装置、设备及存储介质 | |
CN114519143A (zh) | 课程推荐模型的训练方法、课程推荐方法及装置 | |
CN113422986B (zh) | 用于直播间推荐的方法、装置、设备、介质和程序产品 | |
CN112163614A (zh) | 一种主播分类方法、装置、电子设备及存储介质 | |
CN110717597A (zh) | 利用机器学习模型获取时序特征的方法和装置 | |
CN111738766B (zh) | 用于多媒体信息的数据处理方法、装置以及服务器 | |
US8346799B1 (en) | Recent content rank adjustment with inverted decay | |
CN113297486B (zh) | 一种点击率预测方法及相关装置 | |
WO2019206038A1 (zh) | 一种关注信息的处理方法及装置、存储介质、电子设备 | |
CN114036381A (zh) | 课程推荐方法及装置、存储介质和电子设备 | |
CN112085103B (zh) | 基于历史行为的数据增强方法、装置、设备以及存储介质 | |
CN108734718B (zh) | 用于图像分割的处理方法、装置、存储介质及设备 | |
CN113377972A (zh) | 多媒体内容推荐方法、装置、计算设备和存储介质 | |
CN111680218A (zh) | 用户兴趣识别方法、装置、电子设备及存储介质 | |
CN112749327A (zh) | 内容推送方法和装置 | |
CN116362841A (zh) | 金融产品的推荐方法、装置、计算机设备及可读存储介质 | |
CN110677482A (zh) | 一种推送信息的方法、设备和计算机存储介质 | |
CN109257648B (zh) | 一种直播间相似度修正方法、装置、终端及存储介质 | |
CN110580648A (zh) | 基于人工智能的金融理财信息处理方法及装置 | |
CN114996507A (zh) | 视频推荐方法及装置 |
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 |