CN113742564A - 目标资源的推送方法和装置 - Google Patents
目标资源的推送方法和装置 Download PDFInfo
- Publication number
- CN113742564A CN113742564A CN202010474460.3A CN202010474460A CN113742564A CN 113742564 A CN113742564 A CN 113742564A CN 202010474460 A CN202010474460 A CN 202010474460A CN 113742564 A CN113742564 A CN 113742564A
- Authority
- CN
- China
- Prior art keywords
- type
- target resource
- target
- resources
- 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 42
- 239000013598 vector Substances 0.000 claims abstract description 124
- 238000013441 quality evaluation Methods 0.000 claims abstract description 70
- 238000012216 screening Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000001303 quality assessment method Methods 0.000 claims description 55
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007499 fusion processing Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 18
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种目标资源的推送方法和装置,涉及计算机技术领域。该方法包括:对第一类目标资源的特征数据进行向量化处理,以得到所述第一类目标资源的特征向量;计算所述第一类目标资源的特征向量和第二类目标资源的特征向量之间的相似度,根据所述相似度计算结果筛选出与第一类目标资源相似的第二类目标资源;根据所述与第一类目标资源相似的第二类目标资源的质量评估值,确定所述第一类目标资源的质量评估值;根据所述第一类目标资源的质量评估值进行目标资源的推送。通过以上步骤,能够提高资源推送的效果,降低资源推送对系统计算资源的占用,提高被推送者的用户体验。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种目标资源的推送方法和装置。
背景技术
随着互联网技术的发展,在线上和线下进行资源的推送(或者说投放)越来越普遍。例如,电商平台可通过多种渠道对优惠券、广告等资源进行推送,视频网站平台可通过多种渠道对视频等资源进行推送。在进行资源推送时,如何对资源的质量进行评估是一个关键问题,其往往影响到资源推送的效果。比如,对资源进行质量评估的准确性低,会导致资源推送效果不理想,不仅降低了被推送者的用户体验,而且造成进行资源推送所需的人力物力的浪费。
在现有技术中,绝大部分的资源质量评估模型采用单一的机器学习模型,且只输出一个整体的评分,并未细分到具体的渠道维度。即使将渠道维度考虑进去,现有技术中也需要根据不同的渠道,分别训练不同的质量评估模型。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:第一、在不同渠道进行资源推送时存在巨大差异,如果不考虑渠道因素,只使用一个整体的评分,会极大地降低资源质量评估的准确性,进而降低后续资源推送的效果。第二、在进行资源推送时,如果根据不同的渠道建立不同的资源质量评估模型,则需要针对不同渠道训练相应的模型,不仅占用了系统大量的计算资源,浪费了大量的人力物力资源,而且质量评估效果不理想,进而导致资源推送效果不理想。
发明内容
有鉴于此,本发明提供一种目标资源的推送方法和装置,能够提高资源推送的效果,降低资源推送对系统计算资源的占用,提高被推送者的用户体验。
为实现上述目的,根据本发明的一个方面,提供了一种目标资源的推送方法。
本发明的目标资源推送方法包括:对第一类目标资源的特征数据进行向量化处理,以得到所述第一类目标资源的特征向量;其中,所述第一类目标资源为未推送过的目标资源;计算所述第一类目标资源的特征向量和第二类目标资源的特征向量之间的相似度,根据所述相似度计算结果筛选出与第一类目标资源相似的第二类目标资源;其中,所述第二类目标资源为已推送过的目标资源;根据所述与第一类目标资源相似的第二类目标资源的质量评估值,确定所述第一类目标资源的质量评估值;根据所述第一类目标资源的质量评估值进行目标资源的推送。
可选地,所述计算所述第一类目标资源的特征向量和第二类目标资源的特征向量之间的相似度,根据所述相似度计算结果筛选出与第一类目标资源相似的第二类目标资源包括:计算所述第一类目标资源的特征向量与目标渠道下的第二类目标资源的特征向量之间的相似度;在目标渠道下的相似度最大值满足预设条件时,将与所述相似度最大值对应的第二类目标资源作为与第一类目标资源相似的第二类目标资源。
可选地,所述计算所述第一类目标资源的特征向量和第二类目标资源的特征向量之间的相似度,根据所述相似度计算结果筛选出与第一类目标资源相似的第二类目标资源还包括:在目标渠道下的相似度最大值不满足预设条件时,计算所述第一类目标资源的特征向量与全渠道下的第二类目标资源的相似度,并将所述全渠道下与相似度最大值对应的第二类目标资源作为与第一类目标资源相似的第二类目标资源。
可选地,所述根据所述与第一类目标资源相似的第二类目标资源的质量评估值,确定所述第一类目标资源的质量评估值包括:获取预先存储的与第一类目标资源相似的第二类目标资源的实际点击率或者实际转化率,并将所述实际点击率或者实际转化率作为第一类目标资源的质量评估值。
可选地,所述根据所述第一类目标资源的质量评估值进行目标资源的推送包括:根据所述第一类目标资源的质量评估值从目标资源中筛选出待推荐资源,并对所述待推荐资源进行推送;或者,根据所述第一类目标资源的质量评估值确定目标资源的展示顺序,并按照所述展示顺序对所述目标资源进行推送。
可选地,所述第一类目标资源的特征数据包括:与所述第一类目标资源相关联的物品信息;所述对第一类目标资源的特征数据进行向量化处理,以得到所述第一类目标资源的特征向量包括:基于词嵌入模型对与所述第一类目标资源相关联的物品信息进行向量化处理,以得到与所述第一类目标资源相关联的各个物品信息的特征向量;对与所述第一类目标资源相关联的各个物品信息的特征向量进行融合处理,以得到所述第一类目标资源的特征向量。
可选地,所述方法还包括:在所述第一类目标资源被推送以后,根据其在目标渠道下的实际点击率或者实际转化率对其质量评估值进行更新。
为实现上述目的,根据本发明的另一个方面,提供了一种目标资源的推送装置。
本发明的目标资源的推送装置包括:向量化处理模块,用于对第一类目标资源的特征数据进行向量化处理,以得到所述第一类目标资源的特征向量;其中,所述第一类目标资源为未推送过的目标资源;筛选模块,用于计算所述第一类目标资源的特征向量和第二类目标资源的特征向量之间的相似度,根据所述相似度计算结果筛选出与第一类目标资源相似的第二类目标资源;其中,所述第二类目标资源为已推送过的目标资源;确定模块,用于根据所述与第一类目标资源相似的第二类目标资源的质量评估值,确定所述第一类目标资源的质量评估值;推送模块,用于根据所述第一类目标资源的质量评估值进行目标资源的推送。
为实现上述目的,根据本发明的再一个方面,提供了一种电子设备。
本发明的电子设备,包括:一个或多个处理器;以及,存储装置,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明的目标资源的推送方法。
为实现上述目的,根据本发明的又一个方面,提供了一种计算机可读介质。
本发明的计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明的目标资源的推送方法。
上述发明中的一个实施例具有如下优点或有益效果:通过对第一类目标资源的特征数据进行向量化处理,以得到所述第一类目标资源的特征向量,计算所述第一类目标资源的特征向量和第二类目标资源的特征向量之间的相似度,根据所述相似度计算结果筛选出与第一类目标资源相似的第二类目标资源,根据所述与第一类目标资源相似的第二类目标资源的质量评估值确定所述第一类目标资源的质量评估值,根据所述第一类目标资源的质量评估值进行目标资源的推送这些步骤,能够提高资源推送的效果,降低资源推送对系统计算资源的占用,提高被推送者的用户体验。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明第一实施例的目标资源的推送方法的主要流程示意图;
图2是根据本发明第二实施例的目标资源的推送方法的主要流程示意图;
图3是根据本发明第三实施例的优惠券的推送方法的主要流程示意图;
图4是根据本发明第四实施例的目标资源的推送装置的主要模块示意图;
图5是本发明实施例可以应用于其中的示例性系统架构图;
图6是适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明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,而不会背离本发明的范围和精神。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。
需要指出的是,在不影响本发明实施的情况下,本发明中的各个实施例以及实施例中的技术特征可以相互组合。
图1是根据本发明第一实施例的目标资源的推送方法的主要流程示意图。如图1所示,本发明实施例的目标资源的推送方法包括:
步骤S101:对第一类目标资源的特征数据进行向量化处理,以得到所述第一类目标资源的特征向量。
其中,第一类目标资源为未推送过的目标资源。具体实施时,在不同的应用场景下,所述目标资源的含义不同。例如,在优惠券推送场景中,所述目标资源可以为优惠券,相应地,第一类目标资源可以为未推送过的优惠券;在广告推送场景下,所述目标资源可以为广告;在文章推送场景下,所述目标资源可以为文章;在短视频推送场景下,所述目标资源可以为短视频。
示例性地,在步骤S101中,可基于神经网络模型对第一类目标资源的特征数据进行向量化处理,以得到第一类目标资源的特征向量。具体实施时,在不同的应用场景下,所述目标资源的特征数据也可能不同。例如,在优惠券推送场景下,可将优惠券所适用的物品信息作为目标资源的特征数据;在文章推送场景下,可将文章的语料信息作为目标资源的特征数据。
步骤S102:计算所述第一类目标资源的特征向量和第二类目标资源的特征向量之间的相似度,根据所述相似度计算结果筛选出与第一类目标资源相似的第二类目标资源。
其中,所述第二类目标资源为已推送过的目标资源。例如,在优惠券推送场景中,第一类目标资源可以为新的、未推送过的优惠券,第二类目标资源可以为现有的、已推送过的优惠券;在广告推送场景下,所述第一类目标资源可以为新的、未推送过的广告,所述第二类目标资源可以为现有的、已推送过的广告;在文章推送场景下,所述第一类目标资源可以为新的、未推送过的文章,第二类目标资源可以为现有的、已推送过的文章;在短视频推送场景下,所述第一类目标资源可以为新的、未推送过的短视频,所述第二类目标资源可以为现有的、已推送过的短视频。
在一个可选示例中,可采用余弦相似度计算公式计算第一类目标资源的特征向量和第二类目标资源的特征向量之间的相似度:
其中,y表示余弦相似度,Ai表示第一类目标资源的特征向量中的第i个元素,Bi表示第二类目标资源的特征向量中的第i个元素。
需要指出的是,在不影响本发明实施的情况下,也可采用其他方式计算第一类目标资源的特征向量和第二类目标资源的特征向量之间的相似度。比如,还可采用两个向量间的欧式距离表征两个向量的相似度,进而基于欧式距离公式计算第一类目标资源的特征向量和第二类目标资源的特征向量之间的相似度。
在一个可选示例中,在计算出第一类目标资源的特征向量与目标渠道下各个第二类目标资源的特征向量之间的相似度之后,可将相似度最大值对应的第二类目标资源的特征向量作为与第一类目标资源相似的第二类目标资源。例如,假设对于第一类目标资源(比如目标资源A)的特征向量来说,其与第二类目标资源(比如目标资源F)的特征向量之间的相似度最大,则将目标资源F作为与目标资源A相似的第二类目标资源。
步骤S103:根据所述与第一类目标资源相似的第二类目标资源的质量评估值,确定所述第一类目标资源的质量评估值。
在一个可选示例中,可预先存储各个第二类目标资源的质量评估值,比如,可将其存储在数据库表中。进而,在该步骤中,可根据与第一类目标资源相似的第二类目标资源的标识查询数据库表,以获取到与第一类目标资源相似的第二类目标资源的质量评估值。之后,可将获取的与第一类目标资源相似的第二类目标资源的质量评估值作为第一类目标资源的质量评估值。
其中,所述质量评估值可以为目标资源的点击率、转化率、或者其他质量表征指标。例如,当质量评估值为目标资源的点击率时,在步骤S103中,可获取预先存储的与第一类目标资源相似的第二类目标资源的实际点击率,并将所述实际点击率作为第一类目标资源的质量评估值。
在另一个可选示例中,也可实时计算与第一类目标资源相似的第二类目标资源的质量评估值,并将该质量评估值作为第一类目标资源的质量评估值。
步骤S104:根据所述第一类目标资源的质量评估值进行目标资源的推送。
在一个可选示例中,步骤S104包括:根据所述第一类目标资源的质量评估值从目标资源中筛选出待推荐资源,并对所述待推荐资源进行推送。具体地,在该可选示例中,对于由多个第一类目标资源构成的集合,或者由部分第一类目标资源和部分第二类目标资源构成的集合来说,可将集合中质量评估值最大的前M个目标资源、或者质量评估值大于预设门限值的目标资源作为待推荐资源,并对所述待推荐资源进行推送。
在另一个可选示例中,步骤S104包括:根据所述第一类目标资源的质量评估值确定目标资源的展示顺序,并按照所述展示顺序对所述目标资源进行推送。具体地,在该可选示例中,对于由多个第一类目标资源构成的集合,或者由部分第一类目标资源和部分第二类目标资源构成的集合来说,可按照质量评估值对集合中的目标资源进行排序,并将所述排序结果作为目标资源的展示顺序,然后在推送时按照所述展示顺序对所述目标资源进行展示。
在本发明实施例中,通过以上步骤克服了现有技术中采用回归模型对资源进行质量评估的缺陷,提高了资源推送的效果,降低了资源推送对系统计算资源的占用,提高了被推送者的用户体验。
图2是根据本发明第二实施例的目标资源的推送方法的主要流程示意图。如图2所示,本发明实施例的目标资源的推送方法包括:
步骤S201:对第一类目标资源的特征数据进行向量化处理,以得到所述第一类目标资源的特征向量。
其中,第一类目标资源为未推送过的目标资源。具体实施时,在不同的应用场景下,所述目标资源的含义不同。例如,在优惠券推送场景中,所述目标资源可以为优惠券,相应地,第一类目标资源可以为未推送过的优惠券;在广告推送场景下,所述目标资源可以为广告;在文章推送场景下,所述目标资源可以为文章;在短视频推送场景下,所述目标资源可以为短视频。
示例性地,当所述第一类目标资源的特征数据包括与所述第一类目标资源相关联的物品信息时,步骤S201具体包括:基于词嵌入模型对与所述第一类目标资源相关联的物品信息进行向量化处理,以得到与所述第一类目标资源相关联的各个物品信息的特征向量;对与所述第一类目标资源相关联的各个物品信息的特征向量进行融合处理,以得到所述第一类目标资源的特征向量。
其中,所述词嵌入模型可以为word2vec算法模型或者其他可将一个单词或词组映射为实数域上的向量的模型。
其中,所述对与所述第一类目标资源相关联的各个物品信息的特征向量(其中,“物品信息的特征向量”又可简称为“物品特征向量”)进行的融合处理可以为:对各个物品特征向量中对应维度的元素进行求和或者取平均值等处理。
具体实施时,在不同的应用场景下,所述目标资源的特征数据也可能不同。例如,在优惠券推送场景下,可将优惠券所适用的物品信息作为目标资源的特征数据;在文章推送场景下,可将文章的语料信息作为目标资源的特征数据。
步骤S202:计算所述第一类目标资源的特征向量与目标渠道下的第二类目标资源的特征向量之间的相似度。
在对目标资源进行推送或者说投放时,会涉及各种推送渠道。例如,当目标资源为优惠券时,其推送渠道包括电商平台上的“支付结算页渠道”、“清空购物车渠道”、“会员频道”渠道、以及视频直播等其他可用于优惠券推送的渠道。
在本发明实施例中,针对各种推送渠道,构建了相应渠道下的数据池,用于存储该渠道下已推送过的目标资源的信息,即该渠道下的第二类目标资源的信息。例如,构建的相应渠道下的数据池包括:渠道1对应的数据池、渠道2对应的数据池、以及渠道3对应的数据池。另外,在本发明实施例中,还构建了全渠道下的数据池,用于存储所有渠道下已推送过的目标资源的信息,即所有渠道下第二类目标资源的信息。其中,数据池存储的第二类目标资源的信息可包括:第二类目标资源的特征数据,和/或,第二类目标资源的特征向量。
在本发明实施例中,为了减少计算量,可首先确定第一类目标资料的目标渠道具体为哪个渠道,然后计算所述第一类目标资源的特征向量与目标渠道下的数据池中各个第二类目标资源的特征向量之间的相似度。
步骤S203:判断目标渠道下的相似度最大值是否满足预设条件。
示例性地,所述预设条件可以为:相似度最大值大于或等于预设阈值。其中,所述预设阈值可根据应用场景进行灵活设置。例如,可将预设阈值设为0.6或者其他值。在步骤S203的判断结果为是的情况下,执行步骤S204;在步骤S203的判断结果为否的情况下,执行步骤S205。
步骤S204:将与所述相似度最大值对应的第二类目标资源作为与第一类目标资源相似的第二类目标资源。
进一步,在步骤S204之后,可执行步骤S206。
步骤S205:计算所述第一类目标资源的特征向量与全渠道下的第二类目标资源的相似度,并将所述全渠道下的相似度最大值对应的第二类目标资源作为与第一类目标资源相似的第二类目标资源。
进一步,在步骤S205之后,可执行步骤S206。
步骤S206:根据所述与第一类目标资源相似的第二类目标资源的质量评估值,确定所述第一类目标资源的质量评估值。
其中,所述质量评估值可以为目标资源的点击率、转化率(比如购买转化率)、或者其他质量表征指标。例如,当质量评估值为目标资源的点击率时,在步骤S206中,可获取预先存储的与第一类目标资源相似的第二类目标资源的实际点击率,并将所述实际点击率作为第一类目标资源的质量评估值。例如,当质量评估值为目标资源的转化率时,在步骤S206中,可获取预先存储的与第一类目标资源相似的第二类目标资源的实际转化率,并将所述实际转化率作为第一类目标资源的质量评估值。
步骤S207:根据所述第一类目标资源的质量评估值进行目标资源的推送。
在一个可选示例中,步骤S207包括:根据所述第一类目标资源的质量评估值从目标资源中筛选出待推荐资源,并对所述待推荐资源进行推送。具体地,在该可选示例中,对于由多个第一类目标资源构成的集合,或者由部分第一类目标资源和部分第二类目标资源构成的集合来说,可将集合中质量评估值最大的前M个目标资源、或者质量评估值大于预设门限值的目标资源作为待推荐资源,并对所述待推荐资源向用户进行推送。
在另一个可选示例中,步骤S207包括:根据所述第一类目标资源的质量评估值确定目标资源的展示顺序,并按照所述展示顺序对所述目标资源进行推送。具体地,在该可选示例中,对于由多个第一类目标资源构成的集合,或者由部分第一类目标资源和部分第二类目标资源构成的集合来说,可按照质量评估值对集合中的目标资源进行排序,并将所述排序结果作为目标资源的展示顺序,然后在向用户推送时按照所述展示顺序对所述目标资源进行展示。
进一步,本发明实施例的方法还可包括以下步骤:在所述第一类目标资源被推送以后,根据其在目标渠道下的实际点击率或者实际转化率对其质量评估值进行更新。通过该步骤,使得质量评估值能精准地体现目标资源当前的质量,进而有助于提高目标资源的推送效果。
在本发明实施例中,通过以上步骤克服了现有技术中采用回归模型对资源进行质量评估所存在的准确性低、耗费系统计算资源等缺陷,以及由此导致的资源推送效果差、用户体验低等缺陷,提高了资源推送的效果,降低了资源推送对系统计算资源的占用,提高了被推送者的用户体验。
图3是根据本发明第三实施例的优惠券的推送方法的主要流程示意图。如图3所示,本发明实施例的优惠券的推送方法包括:
步骤S301:基于word2vec算法对用户浏览过的物品进行向量化处理,以得到各物品对应的特征向量。
示例性地,在该步骤中,可选用一段时间(比如近一年、或者近半年等等)内网站上用户浏览过的物品序列,并基于word2vec算法(一种词嵌入模型)对序列中的各个物品进行向量化处理,以得到各物品对应的特征向量。
步骤S302:对新优惠券适用的物品所对应的特征向量进行融合处理,以得到所述新优惠券的特征向量。
其中,所述融合处理可以为:对新优惠券适用的各个物品的特征向量中对应维度的元素进行求和或者取平均值等处理。例如,假设新优惠券可适用于物品1、物品2和物品3,且物品1的特征向量表示为sku1=[x11,x12,…,x1j],物品2的特征向量表示为sku2=[x21,x22,…,x2j],物品3的特征向量表示为sku3=[x31,x32,…,x3j],则可对这三个特征向量进行取平均值处理,进而得到新优惠券的特征向量,其可表示为coupon=[avg(x11+x21+x31),avg(x12+x22+x32),…avg(x1j+x2j+x3j)]。
进一步,在对新优惠券适用的物品所对应的特征向量进行融合处理之前,还可按照物品的销量对新优惠券适用的物品进行过滤处理,并保留销量高的物品。例如,可保留新优惠券适用的所有物品中销量最高的前Q个物品,然后对这前Q个物品的特征向量进行融合处理,以得到新优惠券的特征向量。
步骤S303:计算所述新优惠券的特征向量与目标渠道下的现有优惠券的特征向量之间的相似度。
在对优惠券进行推送或者说投放时,会涉及各种推送渠道。例如,优惠券的推送渠道可包括电商平台上的“支付结算页渠道”、“清空购物车渠道”、“会员频道”渠道、以及视频直播等其他可用于优惠券推送的渠道。
在本发明实施例中,针对各种推送渠道,构建了相应渠道下的数据池,用于存储该渠道下现有、已推送过的优惠券的信息,即该渠道下的第二类优惠券的信息。例如,构建的相应渠道下的数据池包括:渠道1对应的数据池、渠道2对应的数据池、以及渠道3对应的数据池。另外,在本发明实施例中,还构建了全渠道下的数据池,用于存储所有渠道下已推送过的优惠券的信息,即所有渠道下第二类优惠券的信息。其中,数据池存储的第二类优惠券的信息可包括:第二类优惠券的特征数据,和/或,第二类优惠券的特征向量。
在本发明实施例中,为了减少计算量,可首先确定新优惠券的目标渠道具体为哪个渠道,然后计算所述新优惠券的特征向量与目标渠道下的数据池中各个现有优惠券的特征向量之间的相似度。
步骤S304:判断相似度最大值是否大于预设阈值。
其中,所述预设阈值可根据应用场景进行灵活设置。例如,可将预设阈值设为0.6或者其他值。在步骤S304的判断结果为是的情况下,执行步骤S305;在步骤S304的判断结果为否的情况下,执行步骤S306和步骤S307。
步骤S305:根据目标渠道下相似度最大值对应的现有优惠券的质量评估值,确定新优惠券的质量评估值。
在一个可选示例中,可预先存储各个现有优惠券的质量评估值,比如,可将其存储在数据库表中。进而,在该步骤中,可根据目标渠道下相似度最大值对应的现有优惠券的标识查询数据库表,以获取到与新优惠券最相似的现有优惠券的质量评估值。之后,可将获取的与新优惠券最相似的现有优惠券的质量评估值作为第一类目标资源的质量评估值。
其中,所述质量评估值可以为目标资源的点击率、转化率、或者其他质量表征指标。例如,当质量评估值为目标资源的点击率时,在步骤S305中,可获取预先存储的目标渠道下相似度最大值对应的现有优惠券的实际点击率,并将所述实际点击率作为新优惠券的质量评估值。
在另一个可选示例中,也可实时计算目标渠道下与新优惠券最相似的现有优惠券的质量评估值,并将该质量评估值作为新优惠券的质量评估值。
进一步,在步骤S305之后,可执行步骤S308。
步骤S306:计算所述新优惠券的特征向量与全渠道下的现有优惠券的特征向量之间的相似度。
步骤S307:根据全渠道下相似度最大值对应的现有优惠券的质量评估值确定新优惠券的质量评估值。
进一步,在步骤S307之后,可执行步骤S308。
步骤S308:根据新优惠券的质量评估值对优惠券进行推送。
在一个可选示例中,可根据新优惠券的质量评估值从优惠券中筛选出待推荐优惠券,并对所述待推荐优惠券进行推送。具体地,在该可选示例中,对于由多个新优惠券构成的集合,或者由部分新优惠券和部分现有优惠券构成的集合来说,可将集合中质量评估值最大的前M个优惠券、或者质量评估值大于预设门限值的优惠券作为待推荐优惠券,并对所述待推荐优惠券向用户进行推送。此外,在对所述待推荐优惠券进行推送时,还可根据质量评估值确定待推荐优惠券的展示顺序,并按照所述展示顺序对优惠券进行推送。
在另一个可选示例中,可根据所述新优惠券的质量评估值确定优惠券的展示顺序,并按照所述展示顺序对优惠券进行推送。具体地,在该可选示例中,对于由多个新优惠券构成的集合,或者由部分新优惠券和部分现有优惠券构成的集合来说,可按照质量评估值对集合中的优惠券进行排序,并将所述排序的结果作为优惠券的展示顺序,然后在向用户推送时按照所述展示顺序对所述优惠券进行展示。例如,可按照质量评估值由大到小的顺序对优惠券进行排序,并将所述排序的结果作为优惠券的先后展示顺序。
进一步,本发明实施例的方法还可包括以下步骤:在新优惠券被推送以后,根据其在目标渠道下的实际点击率或者实际转化率对其质量评估值进行更新。
本发明实施例所提供的优惠券推送方法,与现有技术相比,至少具有以下优点:
1、与现有采用单一的机器学习模型对目标资源进行质量评估不同,在本发明实施例中,通过NLP领域处理文本的word2vec算法对新优惠券的特征数据进行向量化,并通过融合处理得到新优惠券的特征向量,然后通过计算新优惠券与现有优惠券的特征向量的相似度等步骤来确定新优惠券的质量评估值,从而有助于克服现有技术中采用回归模型对优惠券进行质量评估所存在的准确性低、耗费系统计算资源等缺陷,以及由此导致的优惠券推送效果差、用户体验低等缺陷,提高了优惠券推送的效果,降低了优惠券推送对系统计算资源的占用,提高了被推送者的用户体验。
2、在发明实施例中,通过保留销量最高的前Q个物品来代表优惠券,并借鉴NLP领域用词向量生成句向量的方法,对每张优惠券对应的物品向量求均值,最终得到优惠券的特征向量值。这样不仅解决了优惠券特征向量的来源问题,还极大提高了优惠券特征向量的代表性和取值的准确性。
3、通过划分单渠道优惠券池和全渠道优惠券池(或者称为“全量优惠券池”),并结合优惠券相似度模型,解决了渠道维度优惠券质量评估模型的建模问题。并且,只需开发一个模型即可对各个渠道下的优惠券进行质量评估,无需根据不同的渠道开发不同的质量评估模型。
4、在新优惠券投放之后,通过定期用优惠券在目标渠道的实际转化率(或者称为“真实转化率”)或者实际点击率(或者称为“真实点击率”)更新其质量评估值,使得质量评估值能精准地体现优惠券当前的质量,进而有助于提高优惠券的推送效果。
图4是根据本发明第四实施例的目标资源的推送装置的主要模块示意图。如图4所示,本发明实施例的目标资源的推送装置400包括:向量化处理模块401、筛选模块402、确定模块403、推送模块404。
向量化处理模块401,用于对第一类目标资源的特征数据进行向量化处理,以得到所述第一类目标资源的特征向量。
其中,第一类目标资源为未推送过的目标资源。具体实施时,在不同的应用场景下,所述目标资源的含义不同。例如,在优惠券推送场景中,所述目标资源可以为优惠券,相应地,第一类目标资源可以为未推送过的优惠券;在广告推送场景下,所述目标资源可以为广告;在文章推送场景下,所述目标资源可以为文章;在短视频推送场景下,所述目标资源可以为短视频。
示例性地,向量化处理模块401可基于神经网络模型对第一类目标资源的特征数据进行向量化处理,以得到第一类目标资源的特征向量。具体实施时,在不同的应用场景下,所述目标资源的特征数据也可能不同。例如,在优惠券推送场景下,可将优惠券所适用的物品信息作为目标资源的特征数据;在文章推送场景下,可将文章的语料信息作为目标资源的特征数据。
筛选模块402,用于计算所述第一类目标资源的特征向量和第二类目标资源的特征向量之间的相似度,根据所述相似度计算结果筛选出与第一类目标资源相似的第二类目标资源。
其中,所述第二类目标资源为已推送过的目标资源。例如,在优惠券推送场景中,第一类目标资源可以为新的、未推送过的优惠券,第二类目标资源可以为现有的、已推送过的优惠券;在广告推送场景下,所述第一类目标资源可以为新的、未推送过的广告,所述第二类目标资源可以为现有的、已推送过的广告;在文章推送场景下,所述第一类目标资源可以为新的、未推送过的文章,第二类目标资源可以为现有的、已推送过的文章;在短视频推送场景下,所述第一类目标资源可以为新的、未推送过的短视频,所述第二类目标资源可以为现有的、已推送过的短视频。
在一个可选示例中,筛选模块402可采用余弦相似度计算公式计算第一类目标资源的特征向量和第二类目标资源的特征向量之间的相似度:
其中,y表示余弦相似度,Ai表示第一类目标资源的特征向量中的第i个元素,Bi表示第二类目标资源的特征向量中的第i个元素。
需要指出的是,在不影响本发明实施的情况下,筛选模块402也可采用其他方式计算第一类目标资源的特征向量和第二类目标资源的特征向量之间的相似度。比如,还可采用两个向量间的欧式距离表征两个向量的相似度,进而基于欧式距离公式计算第一类目标资源的特征向量和第二类目标资源的特征向量之间的相似度。
在一个可选示例中,在计算出第一类目标资源的特征向量与目标渠道下各个第二类目标资源的特征向量之间的相似度之后,筛选模块402可将相似度最大值对应的第二类目标资源的特征向量作为与第一类目标资源相似的第二类目标资源。例如,假设对于第一类目标资源(比如目标资源A)的特征向量来说,其与第二类目标资源(比如目标资源F)的特征向量之间的相似度最大,则将目标资源F作为与目标资源A相似的第二类目标资源。
确定模块403,用于根据所述与第一类目标资源相似的第二类目标资源的质量评估值,确定所述第一类目标资源的质量评估值。
在一个可选示例中,可预先存储各个第二类目标资源的质量评估值,比如,可将其存储在数据库表中。进而,确定模块403可根据与第一类目标资源相似的第二类目标资源的标识查询数据库表,以获取到与第一类目标资源相似的第二类目标资源的质量评估值。之后,确定模块403可将获取的与第一类目标资源相似的第二类目标资源的质量评估值作为第一类目标资源的质量评估值。
其中,所述质量评估值可以为目标资源的点击率、转化率、或者其他质量表征指标。例如,当质量评估值为目标资源的点击率时,确定模块403可获取预先存储的与第一类目标资源相似的第二类目标资源的实际点击率,并将所述实际点击率作为第一类目标资源的质量评估值。
在另一个可选示例中,确定模块403也可实时计算与第一类目标资源相似的第二类目标资源的质量评估值,并将该质量评估值作为第一类目标资源的质量评估值。
推送模块404,用于根据所述第一类目标资源的质量评估值进行目标资源的推送。
在一个可选示例中,推送模块404可根据所述第一类目标资源的质量评估值从目标资源中筛选出待推荐资源,并对所述待推荐资源进行推送。具体地,在该可选示例中,对于由多个第一类目标资源构成的集合,或者由部分第一类目标资源和部分第二类目标资源构成的集合来说,可将集合中质量评估值最大的前M个目标资源、或者质量评估值大于预设门限值的目标资源作为待推荐资源,并对所述待推荐资源进行推送。
在另一个可选示例中,推送模块404可根据所述第一类目标资源的质量评估值确定目标资源的展示顺序,并按照所述展示顺序对所述目标资源进行推送。具体地,在该可选示例中,对于由多个第一类目标资源构成的集合,或者由部分第一类目标资源和部分第二类目标资源构成的集合来说,可按照质量评估值对集合中的目标资源进行排序,并将所述排序结果作为目标资源的展示顺序,然后在推送时按照所述展示顺序对所述目标资源进行展示。
在本发明实施例中,通过以上装置克服了现有技术中采用回归模型对资源进行质量评估的缺陷,提高了资源推送的效果,降低了资源推送对系统计算资源的占用,提高了被推送者的用户体验。
图5示出了可以应用本发明实施例的目标资源的推送方法或目标资源的推送装置的示例性系统架构500。
如图5所示,系统架构500可以包括终端设备501、502、503,网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504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501、502、503通过网络504与服务器505交互,以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、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501、502、503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、膝上型便携计算机和台式计算机等等。
服务器505可以是提供各种服务的服务器,例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对目标资源进行质量评估处理,并根据质量评估值向终端设备进行目标资源的推送。
需要说明的是,本发明实施例所提供的目标资源的推送方法可以由服务器505执行,相应地,目标资源的推送装置设置于服务器505中。
应该理解,图5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。
下面参考图6,其示出了适于用来实现本发明实施例的电子设备的计算机系统600的结构示意图。图6示出的计算机系统仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括向量化处理模块、筛选模块、确定模块和推送模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,向量化处理模块还可以被描述为“对第一类目标资源的特征数据进行向量化处理的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:对第一类目标资源的特征数据进行向量化处理,以得到所述第一类目标资源的特征向量;其中,所述第一类目标资源为未推送过的目标资源;计算所述第一类目标资源的特征向量和第二类目标资源的特征向量之间的相似度,根据所述相似度计算结果筛选出与第一类目标资源相似的第二类目标资源;其中,所述第二类目标资源为已推送过的目标资源;根据所述与第一类目标资源相似的第二类目标资源的质量评估值,确定所述第一类目标资源的质量评估值;根据所述第一类目标资源的质量评估值对第一类目标资源进行推送。
根据本发明实施例的技术方案,能够提高资源推送的效果,降低资源推送对系统计算资源的占用,提高被推送者的用户体验。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种目标资源的推送方法,其特征在于,所述方法包括:
对第一类目标资源的特征数据进行向量化处理,以得到所述第一类目标资源的特征向量;其中,所述第一类目标资源为未推送过的目标资源;
计算所述第一类目标资源的特征向量和第二类目标资源的特征向量之间的相似度,根据所述相似度计算结果筛选出与第一类目标资源相似的第二类目标资源;其中,所述第二类目标资源为已推送过的目标资源;
根据所述与第一类目标资源相似的第二类目标资源的质量评估值,确定所述第一类目标资源的质量评估值;
根据所述第一类目标资源的质量评估值进行目标资源的推送。
2.根据权利要求1所述的方法,其特征在于,所述计算所述第一类目标资源的特征向量和第二类目标资源的特征向量之间的相似度,根据所述相似度计算结果筛选出与第一类目标资源相似的第二类目标资源包括:
计算所述第一类目标资源的特征向量与目标渠道下的第二类目标资源的特征向量之间的相似度;在目标渠道下的相似度最大值满足预设条件时,将与所述相似度最大值对应的第二类目标资源作为与第一类目标资源相似的第二类目标资源。
3.根据权利要求2所述的方法,其特征在于,所述计算所述第一类目标资源的特征向量和第二类目标资源的特征向量之间的相似度,根据所述相似度计算结果筛选出与第一类目标资源相似的第二类目标资源还包括:
在目标渠道下的相似度最大值不满足预设条件时,计算所述第一类目标资源的特征向量与全渠道下的第二类目标资源的相似度,并将所述全渠道下与相似度最大值对应的第二类目标资源作为与第一类目标资源相似的第二类目标资源。
4.根据权利要求1所述的方法,其特征在于,所述根据所述与第一类目标资源相似的第二类目标资源的质量评估值,确定所述第一类目标资源的质量评估值包括:
获取预先存储的与第一类目标资源相似的第二类目标资源的实际点击率或者实际转化率,并将所述实际点击率或者实际转化率作为第一类目标资源的质量评估值。
5.根据权利要求1所述的方法,其特征在于,所述根据所述第一类目标资源的质量评估值进行目标资源的推送包括:
根据所述第一类目标资源的质量评估值从目标资源中筛选出待推荐资源,并对所述待推荐资源进行推送;或者,
根据所述第一类目标资源的质量评估值确定目标资源的展示顺序,并按照所述展示顺序对所述目标资源进行推送。
6.根据权利要求1至5任一所述的方法,其特征在于,所述第一类目标资源的特征数据包括:与所述第一类目标资源相关联的物品信息;所述对第一类目标资源的特征数据进行向量化处理,以得到所述第一类目标资源的特征向量包括:
基于词嵌入模型对与所述第一类目标资源相关联的物品信息进行向量化处理,以得到与所述第一类目标资源相关联的各个物品信息的特征向量;对与所述第一类目标资源相关联的各个物品信息的特征向量进行融合处理,以得到所述第一类目标资源的特征向量。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述第一类目标资源被推送以后,根据其在目标渠道下的实际点击率或者实际转化率对其质量评估值进行更新。
8.一种目标资源的推送装置,其特征在于,所述装置包括:
向量化处理模块,用于对第一类目标资源的特征数据进行向量化处理,以得到所述第一类目标资源的特征向量;其中,所述第一类目标资源为未推送过的目标资源;
筛选模块,用于计算所述第一类目标资源的特征向量和第二类目标资源的特征向量之间的相似度,根据所述相似度计算结果筛选出与第一类目标资源相似的第二类目标资源;其中,所述第二类目标资源为已推送过的目标资源;
确定模块,用于根据所述与第一类目标资源相似的第二类目标资源的质量评估值,确定所述第一类目标资源的质量评估值;
推送模块,用于根据所述第一类目标资源的质量评估值进行目标资源的推送。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010474460.3A CN113742564A (zh) | 2020-05-29 | 2020-05-29 | 目标资源的推送方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010474460.3A CN113742564A (zh) | 2020-05-29 | 2020-05-29 | 目标资源的推送方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113742564A true CN113742564A (zh) | 2021-12-03 |
Family
ID=78724594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010474460.3A Pending CN113742564A (zh) | 2020-05-29 | 2020-05-29 | 目标资源的推送方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113742564A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115619427A (zh) * | 2022-09-07 | 2023-01-17 | 中国电信股份有限公司 | 目标对象质量评估方法及装置、存储介质、电子设备 |
CN115619427B (zh) * | 2022-09-07 | 2024-06-07 | 中国电信股份有限公司 | 目标对象质量评估方法及装置、存储介质、电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751007A (zh) * | 2015-04-16 | 2015-07-01 | 百度在线网络技术(北京)有限公司 | 基于建筑物价值评估的计算方法和装置 |
CN105843876A (zh) * | 2016-03-18 | 2016-08-10 | 合网络技术(北京)有限公司 | 多媒体资源的质量评估方法和装置 |
WO2019085856A1 (zh) * | 2017-10-31 | 2019-05-09 | 北京国双科技有限公司 | 文本资源的推送方法、装置、存储介质及处理器 |
CN109993568A (zh) * | 2018-01-03 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 信息推送的方法和装置 |
CN110163705A (zh) * | 2018-02-13 | 2019-08-23 | 北京京东尚科信息技术有限公司 | 用于推送信息的方法和装置 |
CN110213660A (zh) * | 2019-05-27 | 2019-09-06 | 广州荔支网络技术有限公司 | 节目的分发方法、系统、计算机设备和存储介质 |
CN110334356A (zh) * | 2019-07-15 | 2019-10-15 | 腾讯科技(深圳)有限公司 | 文章质量的确定方法、文章筛选方法、以及相应的装置 |
US20190364123A1 (en) * | 2017-04-13 | 2019-11-28 | Tencent Technology (Shenzhen) Company Limited | Resource push method and apparatus |
-
2020
- 2020-05-29 CN CN202010474460.3A patent/CN113742564A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751007A (zh) * | 2015-04-16 | 2015-07-01 | 百度在线网络技术(北京)有限公司 | 基于建筑物价值评估的计算方法和装置 |
CN105843876A (zh) * | 2016-03-18 | 2016-08-10 | 合网络技术(北京)有限公司 | 多媒体资源的质量评估方法和装置 |
US20190364123A1 (en) * | 2017-04-13 | 2019-11-28 | Tencent Technology (Shenzhen) Company Limited | Resource push method and apparatus |
WO2019085856A1 (zh) * | 2017-10-31 | 2019-05-09 | 北京国双科技有限公司 | 文本资源的推送方法、装置、存储介质及处理器 |
CN109993568A (zh) * | 2018-01-03 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 信息推送的方法和装置 |
CN110163705A (zh) * | 2018-02-13 | 2019-08-23 | 北京京东尚科信息技术有限公司 | 用于推送信息的方法和装置 |
CN110213660A (zh) * | 2019-05-27 | 2019-09-06 | 广州荔支网络技术有限公司 | 节目的分发方法、系统、计算机设备和存储介质 |
CN110334356A (zh) * | 2019-07-15 | 2019-10-15 | 腾讯科技(深圳)有限公司 | 文章质量的确定方法、文章筛选方法、以及相应的装置 |
Non-Patent Citations (1)
Title |
---|
章成志;顾晓雪;: "区分标签质量的机器生成标签聚类研究", 现代图书情报技术, no. 10, 25 October 2015 (2015-10-25) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115619427A (zh) * | 2022-09-07 | 2023-01-17 | 中国电信股份有限公司 | 目标对象质量评估方法及装置、存储介质、电子设备 |
CN115619427B (zh) * | 2022-09-07 | 2024-06-07 | 中国电信股份有限公司 | 目标对象质量评估方法及装置、存储介质、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522483B (zh) | 用于推送信息的方法和装置 | |
US20200250732A1 (en) | Method and apparatus for use in determining tags of interest to user | |
CN107944481B (zh) | 用于生成信息的方法和装置 | |
US20190050396A1 (en) | Method, apparatus and device for recognizing text type | |
CN107908662B (zh) | 搜索系统的实现方法和实现装置 | |
CN110084658B (zh) | 物品匹配的方法和装置 | |
CN113592535B (zh) | 一种广告推荐方法、装置、电子设备和存储介质 | |
CN107798622B (zh) | 一种识别用户意图的方法和装置 | |
CN113393306A (zh) | 产品推荐方法、装置、电子设备及计算机可读介质 | |
CN110866625A (zh) | 促销指标信息生成方法和装置 | |
CN108512674B (zh) | 用于输出信息的方法、装置和设备 | |
CN112749323A (zh) | 一种构建用户画像的方法和装置 | |
CN109978594B (zh) | 订单处理方法、装置及介质 | |
CN112102043B (zh) | 物品推荐页面生成方法、装置、电子设备和可读介质 | |
CN107291923B (zh) | 信息处理方法和装置 | |
CN109255563B (zh) | 物品的储位区域的确定方法和装置 | |
CN110852057A (zh) | 一种计算文本相似度的方法和装置 | |
CN113778979A (zh) | 一种直播点击率的确定方法和装置 | |
CN111125502B (zh) | 用于生成信息的方法和装置 | |
CN115563942A (zh) | 一种合同生成方法、装置、电子设备及计算机可读介质 | |
CN115238676A (zh) | 招标需求热点识别方法、装置、存储介质及电子设备 | |
CN110827101A (zh) | 一种店铺推荐的方法和装置 | |
CN114066603A (zh) | 贷后风险预警方法、装置、电子设备和计算机可读介质 | |
CN114780847A (zh) | 一种对象信息处理、信息推送方法、装置和系统 | |
CN109857838B (zh) | 用于生成信息的方法和装置 |
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 |