CN113742576B - 基于跨平台的内容推荐方法、装置、设备及存储介质 - Google Patents
基于跨平台的内容推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113742576B CN113742576B CN202110915845.3A CN202110915845A CN113742576B CN 113742576 B CN113742576 B CN 113742576B CN 202110915845 A CN202110915845 A CN 202110915845A CN 113742576 B CN113742576 B CN 113742576B
- Authority
- CN
- China
- Prior art keywords
- platform
- cross
- recommendation
- data
- result
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000008451 emotion Effects 0.000 claims abstract description 37
- 230000006399 behavior Effects 0.000 claims description 53
- 230000009193 crawling Effects 0.000 claims description 51
- 238000005516 engineering process Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000019633 pungent taste Nutrition 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及智能推荐技术领域，本发明公开了一种基于跨平台的内容推荐方法、装置、设备及存储介质，所述方法包括：通过获取用户的用户数据；基于用户标识在若干个跨平台中进行跨平台查询，得到与用户标识关联的跨平台数据；根据用户数据和跨平台数据，得到总关注集数据和总发表数据；在本平台以及所有跨平台中确定出对象推荐清单；对行为轨迹数据进行日志画像，得到第一推荐结果，并对总发表数据进行情感预测，得到第二推荐结果，以及对所有对象推荐清单进行推荐汇总，得到第三推荐结果；确定出最终推荐结果，在推荐池中获取个性化内容并推荐。因此，本发明实现了通过跨平台的喜好以及发表文本的情感预测，精准地预测出用户的真正喜好。
Description
技术领域
本发明涉及智能推荐技术领域，尤其涉及一种基于跨平台的内容推荐方法、装置、设备及存储介质。
背景技术
随着互联网技术的强势发展以及网络信息的大范围覆盖，更好的向用户推荐精准的营销产品，就会增加与用户的粘性，从而提升了营销影响力，因此，根据用户可能的兴趣点向用户推荐信息(例如：商品、经济、体育方面的信息)的个性化信息推荐方法应运而生。
根据现有的信息推荐技术，大部分为获取用户的行为日志，通过对用户的历史行为进行分析确定最终推荐哪些信息，但是该方案存在两个方面的不足，一方面，用户行为属于隐式的用户反馈，基于用户行为确定最终哪些信息进行推荐，并不能准确地匹配用户兴趣(例如，根据用户对新闻的点击行为很难确定用户是因为该新闻热门还是因为感兴趣而进行点击)；另一方面，对于没有或者很少历史行为的用户，就根本无法采用现有技术进行准确的信息推荐。
发明内容
本发明提供一种基于跨平台的内容推荐方法、装置、计算机设备及存储介质，实现了通过跨平台的喜好以及发表文本的情感预测，精准地预测出用户的真正喜好，从而推荐最为匹配的个性化内容，以达到精准推送的效果，提高了用户的体验满意度。
一种基于跨平台的内容推荐方法，包括：
获取用户的用户数据；所述用户数据包括在本平台的用户标识、行为轨迹数据、本平台发表数据和本平台关注集数据；
基于所述用户标识在若干个跨平台中进行跨平台查询，得到与所述用户标识关联的跨平台数据；所述跨平台数据包括跨平台发表数据和跨平台关注集数据；
将所述本平台关注集数据和所述跨平台关注集数据进行合并，得到总关注集数据，以及将所述本平台发表数据和所述跨平台发表数据进行汇合，得到总发表数据；
在所述本平台以及所有所述跨平台中确定出与关注对象关联的对象推荐清单；其中，所述总关注集数据包括所述关注对象；
对所述行为轨迹数据进行日志画像，得到第一推荐结果，并对所述总发表数据进行情感预测，得到第二推荐结果，以及对所有所述对象推荐清单进行推荐汇总，得到第三推荐结果；
根据所述第一推荐结果、所述第二推荐结果和所述三推荐结果，确定出最终推荐结果，在推荐池中获取与所述最终推荐结果匹配的个性化内容，并向所述用户推荐所述个性化内容。
一种基于跨平台的内容推荐装置，包括：
获取模块，用于获取用户的用户数据；所述用户数据包括在本平台的用户标识、行为轨迹数据、本平台发表数据和本平台关注集数据；
查询模块，用于基于所述用户标识在若干个跨平台中进行跨平台查询，得到与所述用户标识关联的跨平台数据；所述跨平台数据包括跨平台发表数据和跨平台关注集数据；
合并模块，用于将所述本平台关注集数据和所述跨平台关注集数据进行合并，得到总关注集数据，以及将所述本平台发表数据和所述跨平台发表数据进行汇合，得到总发表数据；
确定模块，用于在所述本平台以及所有所述跨平台中确定出与关注对象关联的对象推荐清单；其中，所述总关注集数据包括所述关注对象；
画像模块，用于对所述行为轨迹数据进行日志画像，得到第一推荐结果，并对所述总发表数据进行情感预测，得到第二推荐结果，以及对所有所述对象推荐清单进行推荐汇总，得到第三推荐结果；
推荐模块，用于根据所述第一推荐结果、所述第二推荐结果和所述三推荐结果，确定出最终推荐结果，在推荐池中获取与所述最终推荐结果匹配的个性化内容，并向所述用户推荐所述个性化内容。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于跨平台的内容推荐方法的步骤。
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程序，所述计算机程序被处理器执行时实现上述基于跨平台的内容推荐方法的步骤。
本发明提供的基于跨平台的内容推荐方法、装置、计算机设备及存储介质，该方法通过获取用户的用户数据；基于所述用户标识在若干个跨平台中进行跨平台查询，得到与所述用户标识关联的跨平台数据；所述跨平台数据包括跨平台发表数据和跨平台关注集数据；将所述本平台关注集数据和所述跨平台关注集数据进行合并，得到总关注集数据，以及将所述本平台发表数据和所述跨平台发表数据进行汇合，得到总发表数据；在所述本平台以及所有所述跨平台中确定出与关注对象关联的对象推荐清单；其中，所述总关注集数据包括所述关注对象；对所述行为轨迹数据进行日志画像，得到第一推荐结果，并对所述总发表数据进行情感预测，得到第二推荐结果，以及对所有所述对象推荐清单进行推荐汇总，得到第三推荐结果；根据所述第一推荐结果、所述第二推荐结果和所述三推荐结果，确定出最终推荐结果，在推荐池中获取与所述最终推荐结果匹配的个性化内容，并向所述用户推荐所述个性化内容，如此，能够通过跨平台获取用户相关的跨平台数据，和基于跨平台关注集数据和本平台关注集数据合并出中关注集数据，以及汇总本平台发表数据和跨平台出总发表数据，通过对行为轨迹数据进行日志画像得出第一推荐结果，通过情感预测技术预测出总发表数据的第二推荐结果，以及通过推荐聚类技术，得到所有对象推荐清单的第三推荐结果，结合第一推荐结果、第二推荐结果和第三推荐结果从推荐池中匹配出个性化内容，并推荐该个性化内容，因此，能够通过跨平台的喜好以及发表文本的情感预测，精准地预测出用户的真正喜好，从而推荐最为匹配的个性化内容，以达到精准推送的效果，提高了用户的体验满意度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中基于跨平台的内容推荐方法的应用环境示意图；
图2是本发明一实施例中基于跨平台的内容推荐方法的流程图；
图3是本发明一实施例中基于跨平台的内容推荐装置的原理框图；
图4是本发明一实施例中基于跨平台的内容推荐装置的查询模块的原理框图；
图5是本发明一实施例中基于跨平台的内容推荐装置的确定模块的原理框图；
图6是本发明一实施例中计算机设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供的基于跨平台的内容推荐方法，可应用在如图1的应用环境中，其中，客户端(计算机设备或终端)通过网络与服务器进行通信。其中，客户端(计算机设备或终端)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种基于跨平台的内容推荐方法，其技术方案主要包括以下步骤S10-S60：
S10，获取用户的用户数据；所述用户数据包括在本平台的用户标识、行为轨迹数据、本平台发表数据和本平台关注集数据。
可理解地，在本平台需要对所述用户进行个性化的内容进行推荐时，获取该用户的所述用户数据，所述用户数据为在所述本平台中与所述用户相关的数据，所述用户数据包括所述用户标识、所述行为轨迹数据、所述本平台发表数据和所述本平台关注集数据，所述用户标识为所述用户在所述本平台中赋予的唯一标识，该用户标识的格式可以根据需求设定，比如唯一编号等，所述行为轨迹数据为所述用户在所述本平台的访问路径的日志记录和点击记录等，所述本平台发表数据为所述用户在所述本平台发表的内容的集合，所述本平台关注集数据为所述用户在所述本平台感兴趣的对象的集合，感兴趣的对象包括感兴趣的其他用户的用户标识码、感兴趣的公众号和感兴趣的收藏事件等等。
其中，所述本平台为所述用户访问的当前平台，即所述用户通过终端的应用程序软件接入的平台，所述用户为在所述本平台已注册且经过认证后的用户，在本平台需要对所述用户进行个性化的内容进行推荐之前，通过无感知认证方式，对所述用户进行认证，所述无感知认证方式为所述用户注册所述本平台时，通过对所述用户的终端的MAC地址进行查询，获取所述用户的终端的MAC地址，对该MAC地址进行判断，判断是否为已绑定以及是否在黑名单中，若判断为不可绑定的MAC地址，就进入人脸或者/和声纹注册处理，增加人脸或者/和声纹的注册条件和认证，将该MAC地址、人脸或者/和声纹的认证结果与该用户注册的账号及密码进行绑定；若判断为可绑定的MAC地址，将该MAC地址与该用户注册的账号及密码进行绑定，在下一次登录所述本平台时，只需要MAC地址或/和人脸或/和声纹，就可以登录所述本平台，无需输入账号和密码的方式。
S20，基于所述用户标识在若干个跨平台中进行跨平台查询，得到与所述用户标识关联的跨平台数据；所述跨平台数据包括跨平台发表数据和跨平台关注集数据。
可理解地，所述跨平台查询的过程为根据所述用户标识，在其他若干个所述跨平台中查找与所述用户标识相关的所述跨平台数据的过程，所述跨平台查询的过程可以为首先，获取与所述用户标识关联的关键属性所对应的属性值，并运用爬虫技术，在各所述跨平台中爬取与所述用户标识或所述属性值匹配的结果；其次，根据爬取的结果，确定出与爬取的结果对应的跨平台标识；在各所述跨平台中查找与各所述跨平台所对应的所述跨平台标识关联的所述跨平台数据的过程。
其中，所述跨平台为与本平台不同的其他平台，所述跨平台数据为在所述跨平台中与所述用户标识相关的数据，所述跨平台数据包括跨平台发表数据和跨平台关注集数据，所述跨平台发表数据为所述用户在其他平台发表的内容的集合，所述跨平台关注集数据为所述用户在其他平台感兴趣的对象的集合。
在一实施例中，所述步骤S20中，即所述基于所述用户标识在若干个跨平台中进行跨平台查询，得到与所述用户标识关联的跨平台数据，包括：
获取与所述用户标识关联的关键属性所对应的属性值。
可理解地，所述本平台中包含有多个关键属性，其中，所述关键属性为在所述本平台中的所有属性中能够体现唯一性的相关属性，所述关键属性可以根据需求设定，比如关键属性为身份证号、电话号码、手机号码、驾驶证号和用户名等等，一个所述关键属性对应一个所述属性值，所述属性值为与其对应的所述关键属性赋予的与所述用户标识专属的值。
运用爬虫技术，在各所述跨平台中爬取与所述用户标识匹配的第一爬取结果，以及爬取与所述属性值匹配的第二爬取结果。
可理解地，所述爬虫技术为一种运用文本相似算法或者字符串匹配算法，按照预设规则自动地抓取所有所述跨平台中的与预设的内容相匹配的程序或者脚本的技术，通过所述爬虫技术，可以从所有所述跨平台中爬取与所述用户标识或所述属性值的信息匹配的相关内容，即在每一个所述跨平台中运用所述爬虫技术爬取与所述用户标识的相似度大于预设阈值的属性值或者内容，将爬取出的与所述用户标识的相似度大于预设阈值的属性值或者内容记录为所述第一爬取结果，同时爬取与所述属性值的相似度大于所述预设值的属性值或者内容，将爬取出的与所述属性值的相似度大于所述预设值的属性值或者内容记录为所述第二爬取结果。
其中，所述文本相似算法为将两个文本进行词嵌入(word embeddings)转换处理，在词嵌入转换处理过程中根据具有权重的关键词进行同等权重的转换，将处理后的两个文本进行相似度计算，得到两文本之间的相似度值的算法，所述字符串匹配算法为运用RK(Rabin-Karp)算法将包含字符串的所述属性值与所述跨平台中的各属性中的值进行比较，通过哈希值衡量两个字符串的相似度的算法。
根据所述第一爬取结果和所述第二爬取结果，确定出在各所述跨平台中与所述用户标识关联的跨平台标识。
可理解地，对相同的所述跨平台爬取得到的所述第一爬取结果和所述第二爬取结果进行汇总，对汇总的所述第一爬取结果和所述第二爬取结果中的各个属性值或者内容进行查询，查询与其对应的用户的唯一标识，将查询到的所有用户的唯一标识中最高重复率所对应的用户的唯一标识确定为在该跨平台中与所述用户标识关联的所述跨平台标识，如此，可以确定出每个所述跨平台中与所述用户标识关联的所述跨平台标识，所述跨平台标识为用户在所述跨平台中唯一标识。
在各所述跨平台中查找与各所述跨平台所对应的所述跨平台标识关联的数据，将查找到的数据记录为与所述用户标识关联的所述跨平台数据。
可理解地，在所述跨平台中查找与该跨平台对应的所述跨平台标识关联的相关数据，将其确定为与所述用户标识关联的在该跨平台中的所述跨平台数据。
本发明实现了通过获取与所述用户标识关联的关键属性所对应的属性值；运用爬虫技术，在各所述跨平台中爬取与所述用户标识匹配的第一爬取结果，以及爬取与所述属性值匹配的第二爬取结果；根据所述第一爬取结果和所述第二爬取结果，确定出在各所述跨平台中与所述用户标识关联的跨平台标识；在各所述跨平台中查找与各所述跨平台所对应的所述跨平台标识关联的数据，将查找到的数据记录为与所述用户标识关联的所述跨平台数据，如此，能够运用爬虫技术，基于所述用户标识从各个跨平台中爬取出第一爬取结果，以及根据关键属性所对应的属性值，从各个跨平台中爬取出最为匹配的第二爬取结果，识别出第一爬取结果和第二爬取结果的交集，确定出跨平台标识，查找与跨平台标识相关的跨平台数据，能够准确地识别出跨平台与用户相关的跨平台数据，无需从各个跨平台中获取跨平台标识进行查询，自动基于本平台中的用户标识查询相应的跨平台标识，为后续的内容推荐提供准确的数据基础。
S30，将所述本平台关注集数据和所述跨平台关注集数据进行合并，得到总关注集数据，以及将所述本平台发表数据和所述跨平台发表数据进行汇合，得到总发表数据。
可理解地，所述本平台关注集数据和所述跨平台关注集数据的合并过程中会做去重处理，即将相同的关注对象进行去重保留唯一的关注对象，所述总关注集数据为所述用户在所述本平台和所有所述跨平台中关注或者感兴趣的对象的集合，所述总发表数据为所述用户在所述本平台和所有所述跨平台中发表的内容的集合。
S40，在所述本平台以及所有所述跨平台中确定出与关注对象关联的对象推荐清单；其中，所述总关注集数据包括所述关注对象。
可理解地，所述总关注集数据包括所述关注对象，所述关注对象为关注或者感兴趣的对象，即所述总关注集数据中包含多个所述关注对象，所述在所述本平台以及所有所述跨平台中确定出与关注对象关联的对象推荐清单的过程为获取与各所述关注对象关联的对象行为轨迹和对象属性，分别对关联的对象行为轨迹和所述对象属性进行预测及分析，得到对象推荐清单的过程。
在一实施例中，所述步骤S40中，即所述在所述本平台以及所有所述跨平台中确定出与关注对象关联的对象推荐清单，包括：
获取与所述关注对象关联的对象行为轨迹和对象属性。
可理解地，在所述本平台和所有所述跨平台中查找与一个所述关注对象关联的所述对象行为轨迹和所述对象属性，获取查找到的与所述关注对象关联的所述对象行为轨迹和所述对象属性，所述对象行为轨迹为所述关注对象的在所述本平台和所有所述跨平台中的访问日志或者推送的内容的标签，所述对象属性为与所述关注对象相关的属性，所述对象属性从各个维度描述所述关注对象。
通过聚类推荐模型对所有所述对象属性进行推荐预测，得到第一对象推荐结果，以及通过用户画像模型对所有所述对象行为轨迹进行客户画像，得到第二对象推荐结果。
可理解地，所述聚类推荐模型为训练完成的聚类模型，所述聚类推荐模型用于对所有所述对象属性按照K-mean聚类方式进行聚类，从而预测出喜好标签，所述喜好标签体现了喜好的类别，所述推荐预测的过程为将所有所述对象属性进行One-Hot转换，转换成相同维度的一维数组，再将转换后的一维数组融合成一个多维数组，将该多维数组输入所述聚类推荐模型中，运用K-mean聚类方式进行聚类处理，从而预测出多个所述喜好标签，将预测出的所有所述喜好标签记录为所述第一对象推荐结果，所述用户画像模型为训练完成的用于基于行为轨迹刻画出用户的喜好标签的画像模型，所述客户画像的过程为通过所述用户画像模型对每个所述对象行为轨迹进行喜好特征提取，根据提取的喜好特征进行画像，得到每个所述对象行为轨迹的喜好标签，汇总所有所述对象行为轨迹的喜好标签，去重后获得所述第二对象推荐结果，所述喜好特征为与喜好标签相关的特征，其中，所述聚类推荐模型和所述用户画像模型中推荐的所述喜好标签的集合相同。
对所述第一对象推荐结果和所述第二对象推荐结果进行分析，得到所述对象推荐清单。
可理解地，所述分析过程为计算所述第一对象推荐结果和所述第二对象推荐结果中各个喜好标签的重复率，对每个喜好标签的重复率进行降序排序，获取序列靠前的三个喜好标签的过程，将分析后的三个喜好标签确定为该关注对象的所述对象推荐清单。
本实施例实现了通过用户关注的对象所关联的行为轨迹和对象属性，自动聚类出第一对象推荐结果，以及通过对所有行为轨迹进行客户画像，画像出第二对象推荐结果，结合第一对象推荐结果和第二对象推荐结果进行分析，得到所述推荐清单，因此，能够通过用户关注的对象的相关喜好进行预测，间接地预测出用户未来的喜好，从而预测出未来的喜好推荐清单，自动预测出未来的喜好方向作出相应的推荐清单，提高了内容推荐的准确性。
S50，对所述行为轨迹数据进行日志画像，得到第一推荐结果，并对所述总发表数据进行情感预测，得到第二推荐结果，以及对所有所述对象推荐清单进行推荐汇总，得到第三推荐结果。
可理解地，所述日志画像的过程为根据所述行为轨迹数据中的访问日志频次及访问时长，画像出所述用户标识所对应的群体，再根据该群体映射出与其对应的喜好标签，从而得到所述第一推荐结果的过程，所述情感预测的过程为通过实体识别模型识别出所述总发表数据中的关注实体，再通过情感分析模型对识别出的关注实体相邻的上下文语义进行预测，从而预测出对关注实体喜好的过程，将情感预测后得到的关注实体和关注实体的喜好进行分析，分析出符合关注实体相关的喜好标签，从而得到所述第二推荐结果，所述推荐聚类的过程为对所有所述对象推荐清单中的喜好标签进行统计汇总，按照统计汇总的重复率进行降序排序，获取排序后的序列靠前五的喜好标签作为所述推荐结果。
其中，所述第一对象推荐结果、所述第二对象推荐结果、所述第一推荐结果、所述第二推荐结果和所述第三推荐结果涉及相同的所有喜好标签，将所述第一对象推荐结果、所述第二对象推荐结果、所述第一推荐结果、所述第二推荐结果和所述第三推荐结果的喜好标签落入同一中维度。
在一实施例中，所述步骤S50中，即所述对所述总发表数据进行情感预测，得到第二推荐结果，包括：
通过实体识别模型对所述总发表数据进行实体识别，得到实体结果。
可理解地，所述实体识别模型为运用命名实体识别(Named Entity Recognition，NER)算法，通过需要关注的实体相关的命名实体进行训练完成获得的模型，所述实体识别为从所述总发表数据中提取出需要关注的关注实体的过程，从而将从提取出的所述关注实体进行汇总，得到所述实体结果，所述关注实体为需要关注的实体相关的名称。
通过情感分析模型对所述实体结果中的关注实体所相邻的上下文语义进行预测，得到与所述关注实体一一对应的情感结果。
可理解地，所述情感分析模型为训练完成的用于预测文本内容中的关注实体是否喜好的神经网络模型，所述对所述实体结果中的关注实体所相邻的上下文语义进行预测的过程为提取所述关注实体向量的上下文语义的情感特征，根据提取的情感特征对该关注实体的喜好进行分类，得到该关注实体的情感结果，所述情感结果体现了每个关注实体所对应的喜好。对所述实体结果和所述情感结果进行喜好聚类，得到所述第二推荐结果。
可理解地，所述喜好聚类为根据所述实体结果和所述情感结果进行喜好标签的K-mean聚类，即将所述关注实体和与所述关注实体对应的所述情感结果距离各个喜好标签的距离，评估出所述用户标签在关注实体上体现的喜好标签的过程，将喜好聚类后的喜好标签集合记录为所述第二推荐结果。
本实施例实现了通过实体识别模型对所述总发表数据进行实体识别，得到实体结果；通过情感分析模型对所述实体结果中的关注实体所相邻的上下文语义进行预测，得到与所述关注实体一一对应的情感结果；对所述实体结果和所述情感结果进行喜好聚类，得到所述第二推荐结果，如此，实现了通过实体识别模型识别出实体结果，以及通过情感分析模型对关注实体的上下文语义预测出实体结果所对应的情感结果，从而确定出对各个关注实体的喜好，并聚类出第二推荐结果，提高了内容推荐的准确性。
在一实施例中，所述步骤S50中，即所述对所述行为轨迹数据进行日志画像，得到第一推荐结果，包括：
运用深度学习技术，通过客户画像模型对所述行为轨迹数据进行客户分群，得到与所述用户标识对应的多个分群标签。
可理解地，所述深度学习(DL，Deep Learning)是学习样本数据的内在规律和表示层次，通过学习过程中获得行为轨迹数据之间相似性或者共性的特征从而识别出喜好标签的复杂的机器学习算法，所述客户画像模型为训练完成的神经网络模型，所述客户画像模型基于历史收集的历史的用户的历史行为轨迹数据进行训练的模型，用于对用户进行客户分群的识别，识别所述用户属于哪一个群体类型，给所述用标注一个分群标签，所述客户画像模型的网络结构可以为KNN、贝叶斯、CNN的网络结构，所述客户分群的过程为提取人群特征，并且根据提取的人群特征进行分类，输出用户的分群标签，所述人群特征为提取出人群的分类的相关特征，所述人群特征提取为提取出人群之间差异的特征的过程。
获取与各所述分群标签关联的推荐子清单。
可理解地，分群标签管理中心为管理分群标签与推荐子清单之间映射关系的中心，所述分区标签管理中心中的所述分群标签与所述推荐子清单存在一一映射关联关系，从所述分群标签管理中心中查询与所述用户标识对应的各个所述分群标签关联的所述推荐子清单，所述推荐子清单为与其对应的所述分群标签相对应的喜好标签的集合。
对所有所述推荐子清单进行评分，得到所述第一推荐结果。
可理解地，对获取的所有所述推荐子清单中的各个喜好标签进行评分，所述评分的过程为对所有所述推荐子清单中的各个喜好标签出现的频次以及两两喜好标签之间的欧式差距(每个喜好标签都赋予一个喜好维度和程度维度的衡量数值，组成一个喜好-程度组，通过不同喜好标签的两个喜好-程度组，运用欧式距离公式可以计算出两个喜好标签之间的欧式距离)进行综合评分出分值，对得到的所有分值进行提取，可为提取分值由大到小的顺序中靠前五的分值对应的喜好标签作为所述第一推荐结果。
本实施例实现了运用深度学习技术，通过客户画像模型对所述行为轨迹数据进行客户分群，得到与所述用户标识对应的多个分群标签；获取与各所述分群标签关联的推荐子清单；对所有所述推荐子清单进行评分，得到所述第一推荐结果，如此，通过深度学习技术，在本平台基于行为轨迹数据进行客户分群，确定出用户的多个分群标签，根据各个分群标签所关联的推荐子清单，对各个推荐资清单中的推荐项进行评分，得到第一推荐结果，因此，能够准确地识别出用户在历史访问过程中的喜好，为后续的内容推荐提供了数据基础，以及提高了内容推荐的准确性。
S60，根据所述第一推荐结果、所述第二推荐结果和所述三推荐结果，确定出最终推荐结果，在推荐池中获取与所述最终推荐结果匹配的个性化内容，并向所述用户推荐所述个性化内容。
可理解地，综合所述第一推荐结果、所述第二推荐结果和所述三推荐结果，即将所述第一推荐结果、所述第二推荐结果和所述第三推荐结果中的喜好标签进行汇总，将出现次数最高的喜好标签确定为所述最终推荐结果，所述最终推荐结果为体现了综合所述用户从用户的行为轨迹、关注或者感兴趣的对象以及发表的喜好内容的唯一喜好标签，所述推荐池为实时收集的当前消息的内容的存储池，不断将当前消息进行收集，在所述推荐池中获取与所述最终推荐结果的喜好标签匹配的所述个性化内容，所述个性化内容为与所述最终推荐结果中的喜好标签完全匹配的最新的当前消息的内容，每个当前消息都会赋予标签类别，通过标签类别和喜好标签进行文本匹配以获得与所述最终推荐结果中的喜好标签完全匹配的最新的当前消息，将获取的所述个性化内容向所述用户进行推荐。
本发明实现了通过获取用户的用户数据；基于所述用户标识在若干个跨平台中进行跨平台查询，得到与所述用户标识关联的跨平台数据；所述跨平台数据包括跨平台发表数据和跨平台关注集数据；将所述本平台关注集数据和所述跨平台关注集数据进行合并，得到总关注集数据，以及将所述本平台发表数据和所述跨平台发表数据进行汇合，得到总发表数据；在所述本平台以及所有所述跨平台中确定出与关注对象关联的对象推荐清单；其中，所述总关注集数据包括所述关注对象；对所述行为轨迹数据进行日志画像，得到第一推荐结果，并对所述总发表数据进行情感预测，得到第二推荐结果，以及对所有所述对象推荐清单进行推荐汇总，得到第三推荐结果；根据所述第一推荐结果、所述第二推荐结果和所述三推荐结果，确定出最终推荐结果，在推荐池中获取与所述最终推荐结果匹配的个性化内容，并向所述用户推荐所述个性化内容，如此，能够通过跨平台获取用户相关的跨平台数据，和基于跨平台关注集数据和本平台关注集数据合并出中关注集数据，以及汇总本平台发表数据和跨平台出总发表数据，通过对行为轨迹数据进行日志画像得出第一推荐结果，通过情感预测技术预测出总发表数据的第二推荐结果，以及通过推荐聚类技术，得到所有对象推荐清单的第三推荐结果，结合第一推荐结果、第二推荐结果和第三推荐结果从推荐池中匹配出个性化内容，并推荐该个性化内容，因此，能够通过跨平台的喜好以及发表文本的情感预测，精准地预测出用户的真正喜好，从而推荐最为匹配的个性化内容，以达到精准推送的效果，提高了用户的体验满意度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种基于跨平台的内容推荐装置，该基于跨平台的内容推荐装置与上述实施例中基于跨平台的内容推荐方法一一对应。如图3所示，该基于跨平台的内容推荐装置包括获取模块11、查询模块12、合并模块13、确定模块14、画像模块15和推荐模块16。各功能模块详细说明如下：
获取模块11，用于获取用户的用户数据；所述用户数据包括在本平台的用户标识、行为轨迹数据、本平台发表数据和本平台关注集数据；
查询模块12，用于基于所述用户标识在若干个跨平台中进行跨平台查询，得到与所述用户标识关联的跨平台数据；所述跨平台数据包括跨平台发表数据和跨平台关注集数据；
合并模块13，用于将所述本平台关注集数据和所述跨平台关注集数据进行合并，得到总关注集数据，以及将所述本平台发表数据和所述跨平台发表数据进行汇合，得到总发表数据；
确定模块14，用于在所述本平台以及所有所述跨平台中确定出与关注对象关联的对象推荐清单；其中，所述总关注集数据包括所述关注对象；
画像模块15，用于对所述行为轨迹数据进行日志画像，得到第一推荐结果，并对所述总发表数据进行情感预测，得到第二推荐结果，以及对所有所述对象推荐清单进行推荐汇总，得到第三推荐结果；
推荐模块16，用于根据所述第一推荐结果、所述第二推荐结果和所述三推荐结果，确定出最终推荐结果，在推荐池中获取与所述最终推荐结果匹配的个性化内容，并向所述用户推荐所述个性化内容。
在一实施例中，如图4所示，所述查询模块12包括：
第一获取单元21，用于获取与所述用户标识关联的关键属性所对应的属性值；
爬取单元22，用于运用爬虫技术，在各所述跨平台中爬取与所述用户标识匹配的第一爬取结果，以及爬取与所述属性值匹配的第二爬取结果；
确定单元23，用于根据所述第一爬取结果和所述第二爬取结果，确定出在各所述跨平台中与所述用户标识关联的跨平台标识；
查找单元24，用于在各所述跨平台中查找与各所述跨平台所对应的所述跨平台标识关联的数据，将查找到的数据记录为与所述用户标识关联的所述跨平台数据。
在一实施例中，如图5所示，所述确定模块14包括：
第二获取单元41，用于获取与各所述关注对象关联的对象行为轨迹和对象属性；
预测单元42，用于通过聚类推荐模型对所有所述对象属性进行推荐预测，得到第一对象推荐结果，以及通过用户画像模型对所有所述对象行为轨迹进行客户画像，得到第二对象推荐结果；
分析单元43，用于对所述第一推荐结果和所述第二推荐结果进行分析，得到所述对象推荐清单。
关于基于跨平台的内容推荐装置的具体限定可以参见上文中对于基于跨平台的内容推荐方法的限定，在此不再赘述。上述基于跨平台的内容推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是客户端或者服务端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括可读存储介质、内存储器。该可读存储介质存储有操作系统、计算机程序和数据库。该内存储器为可读存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于跨平台的内容推荐方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中基于跨平台的内容推荐方法。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中基于跨平台的内容推荐方法。
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，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例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同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于跨平台的内容推荐方法，其特征在于，包括：
获取用户的用户数据；所述用户数据包括在本平台的用户标识、行为轨迹数据、本平台发表数据和本平台关注集数据；
基于所述用户标识在若干个跨平台中进行跨平台查询，得到与所述用户标识关联的跨平台数据；所述跨平台数据包括跨平台发表数据和跨平台关注集数据；
将所述本平台关注集数据和所述跨平台关注集数据进行合并，得到总关注集数据，以及将所述本平台发表数据和所述跨平台发表数据进行汇合，得到总发表数据；
在所述本平台以及所有所述跨平台中确定出与关注对象关联的对象推荐清单；其中，所述总关注集数据包括所述关注对象；
对所述行为轨迹数据进行日志画像，得到第一推荐结果，并对所述总发表数据进行情感预测，得到第二推荐结果，以及对所有所述对象推荐清单进行推荐汇总，得到第三推荐结果；
根据所述第一推荐结果、所述第二推荐结果和所述三推荐结果，确定出最终推荐结果，在推荐池中获取与所述最终推荐结果匹配的个性化内容，并向所述用户推荐所述个性化内容；
所述基于所述用户标识在若干个跨平台中进行跨平台查询，得到与所述用户标识关联的跨平台数据，包括：
获取与所述用户标识关联的关键属性所对应的属性值；
运用爬虫技术，在各所述跨平台中爬取与所述用户标识匹配的第一爬取结果，以及爬取与所述属性值匹配的第二爬取结果；
根据所述第一爬取结果和所述第二爬取结果，确定出在各所述跨平台中与所述用户标识关联的跨平台标识；包括：对相同的所述跨平台爬取得到的所述第一爬取结果和所述第二爬取结果进行汇总，对汇总的所述第一爬取结果和所述第二爬取结果中的各个属性值或者内容进行查询，查询与其对应的用户的唯一标识，将查询到的所有用户的唯一标识中最高重复率所对应的用户的唯一标识确定为在该跨平台中与所述用户标识关联的所述跨平台标识；
在各所述跨平台中查找与各所述跨平台所对应的所述跨平台标识关联的数据，将查找到的数据记录为与所述用户标识关联的所述跨平台数据。
2.如权利要求1所述的基于跨平台的内容推荐方法，其特征在于，所述在所述本平台以及所有所述跨平台中确定出与关注对象关联的对象推荐清单，包括：
获取与所述关注对象关联的对象行为轨迹和对象属性；
通过聚类推荐模型对所有所述对象属性进行推荐预测，得到第一对象推荐结果，以及通过用户画像模型对所有所述对象行为轨迹进行客户画像，得到第二对象推荐结果；
对所述第一对象推荐结果和所述第二对象推荐结果进行分析，得到所述对象推荐清单。
3.如权利要求2所述的基于跨平台的内容推荐方法，其特征在于，所述对所述总发表数据进行情感预测，得到第二推荐结果，包括：
通过实体识别模型对所述总发表数据进行实体识别，得到实体结果；
通过情感分析模型对所述实体结果中的关注实体所相邻的上下文语义进行预测，得到与所述关注实体一一对应的情感结果；
对所述实体结果和所述情感结果进行喜好聚类，得到所述第二推荐结果。
4.如权利要求1所述的基于跨平台的内容推荐方法，其特征在于，所述对所述行为轨迹数据进行日志画像，得到第一推荐结果，包括：
运用深度学习技术，通过客户画像模型对所述行为轨迹数据进行客户分群，得到与所述用户标识对应的多个分群标签；
获取与各所述分群标签关联的推荐子清单；
对所有所述推荐子清单进行评分，得到所述第一推荐结果。
5.一种基于跨平台的内容推荐装置，其特征在于，包括：
获取模块，用于获取用户的用户数据；所述用户数据包括在本平台的用户标识、行为轨迹数据、本平台发表数据和本平台关注集数据；
查询模块，用于基于所述用户标识在若干个跨平台中进行跨平台查询，得到与所述用户标识关联的跨平台数据；所述跨平台数据包括跨平台发表数据和跨平台关注集数据；
合并模块，用于将所述本平台关注集数据和所述跨平台关注集数据进行合并，得到总关注集数据，以及将所述本平台发表数据和所述跨平台发表数据进行汇合，得到总发表数据；
确定模块，用于在所述本平台以及所有所述跨平台中确定出与关注对象关联的对象推荐清单；其中，所述总关注集数据包括所述关注对象；
画像模块，用于对所述行为轨迹数据进行日志画像，得到第一推荐结果，并对所述总发表数据进行情感预测，得到第二推荐结果，以及对所有所述对象推荐清单进行推荐汇总，得到第三推荐结果；
推荐模块，用于根据所述第一推荐结果、所述第二推荐结果和所述三推荐结果，确定出最终推荐结果，在推荐池中获取与所述最终推荐结果匹配的个性化内容，并向所述用户推荐所述个性化内容；
所述查询模块包括：
第一获取单元，用于获取与所述用户标识关联的关键属性所对应的属性值；
爬取单元，用于运用爬虫技术，在各所述跨平台中爬取与所述用户标识匹配的第一爬取结果，以及爬取与所述属性值匹配的第二爬取结果；
确定单元，用于根据所述第一爬取结果和所述第二爬取结果，确定出在各所述跨平台中与所述用户标识关联的跨平台标识；包括：对相同的所述跨平台爬取得到的所述第一爬取结果和所述第二爬取结果进行汇总，对汇总的所述第一爬取结果和所述第二爬取结果中的各个属性值或者内容进行查询，查询与其对应的用户的唯一标识，将查询到的所有用户的唯一标识中最高重复率所对应的用户的唯一标识确定为在该跨平台中与所述用户标识关联的所述跨平台标识；
查找单元，用于在各所述跨平台中查找与各所述跨平台所对应的所述跨平台标识关联的数据，将查找到的数据记录为与所述用户标识关联的所述跨平台数据。
6.如权利要求5所述的基于跨平台的内容推荐装置，其特征在于，所述确定模块包括：
第二获取单元，用于获取与各所述关注对象关联的对象行为轨迹和对象属性；
预测单元，用于通过聚类推荐模型对所有所述对象属性进行推荐预测，得到第一对象推荐结果，以及通过用户画像模型对所有所述对象行为轨迹进行客户画像，得到第二对象推荐结果；
分析单元，用于对所述第一对象推荐结果和所述第二对象推荐结果进行分析，得到所述对象推荐清单。
7.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述基于跨平台的内容推荐方法。
8.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述基于跨平台的内容推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110915845.3A CN113742576B (zh) | 2021-08-10 | 2021-08-10 | 基于跨平台的内容推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110915845.3A CN113742576B (zh) | 2021-08-10 | 2021-08-10 | 基于跨平台的内容推荐方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113742576A CN113742576A (zh) | 2021-12-03 |
| CN113742576B true CN113742576B (zh) | 2024-04-26 |
Family
ID=78730663
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110915845.3A Active CN113742576B (zh) | 2021-08-10 | 2021-08-10 | 基于跨平台的内容推荐方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113742576B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103365867A (zh) * | 2012-03-29 | 2013-10-23 | 腾讯科技（深圳）有限公司 | 一种对用户评价进行情感分析的方法和装置 |
| CN109447731A (zh) * | 2018-09-18 | 2019-03-08 | 平安科技（深圳）有限公司 | 跨平台产品推荐方法、装置、计算机设备和存储介质 |
| CN109543086A (zh) * | 2018-11-23 | 2019-03-29 | 北京信息科技大学 | 一种面向多数据源的网络数据采集与展示方法 |
| CN110046293A (zh) * | 2019-03-01 | 2019-07-23 | 清华大学 | 一种用户身份关联方法及装置 |
| CN110674410A (zh) * | 2019-10-08 | 2020-01-10 | 北京物灵科技有限公司 | 用户画像构建、内容推荐方法、装置及设备 |
| CN111859076A (zh) * | 2020-07-31 | 2020-10-30 | 平安健康保险股份有限公司 | 数据爬取方法、装置、计算机设备及计算机可读存储介质 |
| CN112435067A (zh) * | 2020-11-30 | 2021-03-02 | 翼果（深圳）科技有限公司 | 跨电商平台与社交平台的智能广告投放方法及系统 |
| CN113094578A (zh) * | 2021-03-16 | 2021-07-09 | 平安普惠企业管理有限公司 | 基于深度学习的内容推荐方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11531916B2 (en) * | 2018-12-07 | 2022-12-20 | Paypal, Inc. | System and method for obtaining recommendations using scalable cross-domain collaborative filtering |
-
2021
- 2021-08-10 CN CN202110915845.3A patent/CN113742576B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103365867A (zh) * | 2012-03-29 | 2013-10-23 | 腾讯科技（深圳）有限公司 | 一种对用户评价进行情感分析的方法和装置 |
| CN109447731A (zh) * | 2018-09-18 | 2019-03-08 | 平安科技（深圳）有限公司 | 跨平台产品推荐方法、装置、计算机设备和存储介质 |
| CN109543086A (zh) * | 2018-11-23 | 2019-03-29 | 北京信息科技大学 | 一种面向多数据源的网络数据采集与展示方法 |
| CN110046293A (zh) * | 2019-03-01 | 2019-07-23 | 清华大学 | 一种用户身份关联方法及装置 |
| CN110674410A (zh) * | 2019-10-08 | 2020-01-10 | 北京物灵科技有限公司 | 用户画像构建、内容推荐方法、装置及设备 |
| CN111859076A (zh) * | 2020-07-31 | 2020-10-30 | 平安健康保险股份有限公司 | 数据爬取方法、装置、计算机设备及计算机可读存储介质 |
| CN112435067A (zh) * | 2020-11-30 | 2021-03-02 | 翼果（深圳）科技有限公司 | 跨电商平台与社交平台的智能广告投放方法及系统 |
| CN113094578A (zh) * | 2021-03-16 | 2021-07-09 | 平安普惠企业管理有限公司 | 基于深度学习的内容推荐方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 多样性数据推荐算法研究;胡玲;薛质;严栋孜;;信息技术;20170825(08) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113742576A (zh) | 2021-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110765275B (zh) | 搜索方法、装置、计算机设备和存储介质 | |
| US11526675B2 (en) | Fact checking | |
| CN111078994B (zh) | 基于画像的医学科普文章推荐方法及系统 | |
| WO2021047326A1 (zh) | 信息推荐方法、装置、计算机设备和存储介质 | |
| WO2019214245A1 (zh) | 一种信息推送方法、装置、终端设备及存储介质 | |
| CN112347244B (zh) | 基于混合特征分析的涉黄、涉赌网站检测方法 | |
| CN109376237B (zh) | 客户稳定性的预测方法、装置、计算机设备和存储介质 | |
| CN110880006B (zh) | 用户分类方法、装置、计算机设备和存储介质 | |
| CN114238573B (zh) | 基于文本对抗样例的信息推送方法及装置 | |
| CN103631787A (zh) | 网页类型识别方法以及网页类型识别装置 | |
| CN115098650B (zh) | 基于历史数据模型的评论信息分析方法及相关装置 | |
| CN114416998A (zh) | 文本标签的识别方法、装置、电子设备及存储介质 | |
| CN112989179A (zh) | 模型训练、多媒体内容推荐方法和装置 | |
| US10346856B1 (en) | Personality aggregation and web browsing | |
| CN114372532A (zh) | 标签标注质量的确定方法、装置、设备、介质及产品 | |
| CN113742576B (zh) | 基于跨平台的内容推荐方法、装置、设备及存储介质 | |
| CN112685618A (zh) | 用户特征识别方法、装置、计算设备及计算机存储介质 | |
| KR102381181B1 (ko) | 인공지능을 활용한 디지털 정보 추적 분석 시스템 및 방법 | |
| CN115186240A (zh) | 基于关联性信息的社交网络用户对齐方法、装置、介质 | |
| CN115062200A (zh) | 基于人工智能的用户行为挖掘方法及系统 | |
| CN116822491A (zh) | 日志解析方法及装置、设备、存储介质 | |
| CN114528908A (zh) | 网络请求数据分类模型训练方法、分类方法及存储介质 | |
| Wang et al. | A location-aware TV show recommendation with localized sementaic analysis | |
| CN112187768B (zh) | 不良信息网站的检测方法、装置、设备及可读存储介质 | |
| Le et al. | Developing a model semantic‐based image retrieval by combining KD‐Tree structure with ontology |
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 |