CN113761379B - 商品推荐方法及装置、电子设备和介质 - Google Patents
商品推荐方法及装置、电子设备和介质 Download PDFInfo
- Publication number
- CN113761379B CN113761379B CN202111094947.XA CN202111094947A CN113761379B CN 113761379 B CN113761379 B CN 113761379B CN 202111094947 A CN202111094947 A CN 202111094947A CN 113761379 B CN113761379 B CN 113761379B
- Authority
- CN
- China
- Prior art keywords
- commodity
- cluster
- click
- parameters
- similarity
- 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 70
- 238000005070 sampling Methods 0.000 claims abstract description 58
- 239000013598 vector Substances 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000004590 computer program Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 10
- 238000006243 chemical reaction Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing 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
- 230000000007 visual effect Effects 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种商品推荐方法及装置、电子设备和存储介质，涉及人工智能领域，尤其涉及推荐系统领域。实现方案为：对目标商品集合中的多个商品进行聚类，以获得至少一个商品聚类簇，每个商品聚类簇包括簇中心；获取每个商品聚类簇的点击参数；获取用户的目标搜索信息；计算所述目标搜索信息和所述商品聚类簇的簇中心之间的相似度；针对每个商品聚类簇，基于所述目标搜索信息和该商品聚类簇的簇中心之间的相似度以及该商品聚类簇的点击参数，确定该商品聚类簇的采样概率；以及基于相应的采样概率，对所述商品聚类簇进行商品采样，获得待推荐的商品列表，每个商品聚类簇中每个商品的采样概率相同。
Description
技术领域
本公开涉及人工智能领域，尤其涉及推荐系统领域，具体涉及一种商品推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术。人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
在推荐系统中，通过向用户推荐符合其个性化需求的商品列表，可以有效提升用户体验。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种商品推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面，提供了一种商品推荐方法，包括：对目标商品集合中的多个商品进行聚类，以获得至少一个商品聚类簇，每个商品聚类簇包括簇中心；获取所述至少一个商品聚类簇中每个商品聚类簇的点击参数；获取用户的目标搜索信息；计算所述目标搜索信息和所述至少一个商品聚类簇的簇中心之间的相似度；针对所述至少一个商品聚类簇中的每个商品聚类簇，基于所述目标搜索信息和该商品聚类簇的簇中心之间的相似度以及该商品聚类簇的点击参数，确定该商品聚类簇的采样概率；以及基于相应的采样概率，对所述至少一个商品聚类簇进行商品采样，获得待推荐的商品列表，并且每个商品聚类簇中每个商品的采样概率相同。
根据本公开的另一方面，提供了一种商品推荐装置，包括：聚类单元，被配置用于对目标商品集合中的多个商品进行聚类，以获得至少一个商品聚类簇，每个商品聚类簇包括簇中心；第一获取单元，被配置用于获取所述至少一个商品聚类簇中每个商品聚类簇的点击参数；第二获取单元，被配置用于获取用户的目标搜索信息；计算单元，被配置用于计算所述目标搜索信息和所述至少一个商品聚类簇的簇中心之间的相似度；确定单元，被配置用于针对所述至少一个商品聚类簇中的每个商品聚类簇，基于所述目标搜索信息和该商品聚类簇的簇中心之间的相似度以及该商品聚类簇的点击参数，确定该商品聚类簇的采样概率；采样单元，被配置用于基于相应的采样概率，对所述至少一个商品聚类簇进行商品采样，以获得待推荐的商品列表，并且每个商品聚类簇中每个商品的采样概率相同。
根据本公开的另一方面，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上述商品推荐方法。
根据本公开的另一方面，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上述商品推荐方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述商品推荐方法。
根据本公开的一个或多个实施例，能够得到兼顾商品相关性和商品点击率的推荐商品列表，能够提高推荐商品列表的多样性和转化率，提升用户体验，并且减少占用的计算资源。
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
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开示例性实施例的商品推荐方法的流程图；
图2示出了根据本公开示例性实施例的商品推荐方法的流程图；
图3示出了根据本公开示例性实施例的商品推荐装置的结构框图；
图4示出了能够用于实现本公开实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示例性实施例做出说明，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。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。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
相关技术中，在推荐机制中可以根据商品点击次数计算推荐参数，并基于推荐参数的排序得到待推荐商品列表。发明人发现这种方式无法实现推荐商品列表的多样化，同时，这种基于评分-排序的机制需要在线对所有商品进行计算和排序，消耗的计算资源较多，工程效率较低，导致用户体验较差。
为解决上述问题，本公开提供了一种商品推荐方法，通过兼顾商品相关性和商品点击参数计算采样概率，并基于相应采样概率经过采样得到具有相关性、多样性和高点击率的推荐商品列表，有效提高推荐的多样性和转化率，提升用户体验，并且减少占用的计算资源。
以下将结合附图详细描述本公开的实施例。
图1示出了根据本公开示例性实施例的商品推荐方法的流程图。如图1所示，所述商品推荐方法可以包括：步骤S101、对目标商品集合中的多个商品进行聚类，以获得至少一个商品聚类簇，每个商品聚类簇包括簇中心；步骤S102、获取所述至少一个商品聚类簇中每个商品聚类簇的点击参数；步骤S103、获取用户的目标搜索信息；步骤S104、计算所述目标搜索信息和所述至少一个商品聚类簇的簇中心之间的相似度；步骤S105、针对所述至少一个商品聚类簇中的每个商品聚类簇，基于所述目标搜索信息和该商品聚类簇的簇中心之间的相似度以及该商品聚类簇的点击参数，确定该商品聚类簇的采样概率；S106、基于相应的采样概率，对所述至少一个商品聚类簇进行商品采样，获得待推荐的商品列表，并且每个商品聚类簇中的每个商品的采样概率相同。由此，能够在满足用户个性化需求的基础上提升商品转化率，同时提升了推荐商品列表的多样性。同时，通过采样得到推荐商品列表，从而只需要对推荐商品列表进行计算和排序，相对相关推荐技术中需要对所有商品进行计算和排序，能够减少推荐过程中的计算量，减少占用的计算资源，提高推荐效率，进而能够有效地优化用户体验。
其中，所述目标商品集合是根据实际业务场景确定的，例如，可以是电商平台中同一个店铺内的全部或部分商品。
根据一些实施例，步骤S101中，对目标商品集合中的多个商品进行聚类，以获得至少一个商品聚类簇。在这种情况下，步骤S101可以包括：确定所述至少一个商品聚类簇的目标数量；获取所述多个商品的商品名称的商品向量表示；确定至少一个簇中心，包括：基于至少一个商品向量确定一个簇中心；计算所述多个商品向量各自与该簇中心的距离；以及以该簇中心为基准，基于距离该簇中心最远的至少一个商品向量确定另一簇中心，并且以该另一簇中心为基准重复该步骤，直至所确定的至少一个簇中心的数量达到所述目标数量；以及基于相应的商品向量表示和簇中心，确定所述多个商品各自所属的商品聚类簇，其中，所有商品的商品向量表示与各自所属商品聚类簇的簇中心的距离的总和最小。由此，可以有效地基于商品名称的相关性对目标商品集合中的多个商品进行合理聚类。在没有进行聚类时，推荐算法需要针对目标商品集合中的所有商品计算推荐所需的参数，通过聚类，可以仅针对商品聚类簇计算推荐所需的参数，减少推荐过程中需要的计算量，实现效率优化，提升用户体验。
示例性的，基于至少一个商品向量确定一个簇中心，可以是随机选择一个商品向量，将其确定为一个簇中心，但不局限于此，例如，还可以是人工指定一个商品向量，将其确定为一个簇中心。
示例性的，计算所述多个商品向量各自与该簇中心的距离，可以是计算多个商品向量各自与该簇中心的余弦相似度，但不局限于此，例如，还可以是计算多个商品向量各自与该簇中心的欧氏距离。
根据一些实施例，上述步骤S101的实施方法中，确定所述至少一个商品聚类簇的目标数量，包括：统计目标商品集合中商品的数量；确定所述待推荐的商品列表中商品的数量；将目标商品集合中商品的数量除以所述待推荐的商品列表中商品的数量，得到所述至少一个商品聚类簇的目标数量。由此，可以合理地限定聚类簇的数量，在聚类时给定合理的初值，实现算法优化，得到更合理的聚类结果。
可以理解的，所述至少一个商品聚类簇的目标数量，也可以通过其他方式确定，例如，还可以人工指定商品聚类簇的目标数量。
上述步骤S101的具体实施方法仅仅是对步骤S101的实施方法的示例，而非对本公开所述的商品推荐方法的限制。步骤S101中，对目标商品集合中的多个商品进行聚类，获得至少一个商品聚类簇，也可以通过其他聚类方法进行，例如，也可以基于商品图像的相关性来进行聚类(即商品向量为商品图像的向量表示)，进一步地也可以基于商品向量而采用其它具体聚类算法来进行聚类，例如通过层次聚类法、密度聚类法等方法来进行聚类。
根据一些实施例，步骤S102中，获取所述至少一个商品聚类簇中每个商品聚类簇的点击参数，包括：获取该商品聚类簇中每个商品的点击参数；基于该商品聚类簇中每个商品的点击参数，确定该商品聚类簇的点击参数。由此，可以确保每个商品聚类簇的点击参数的合理性，使商品聚类簇的点击参数能够反映该商品聚类簇中每个商品的点击参数特征，由此，能够在推荐算法仅针对商品聚类簇计算推荐所需的参数同时，保证推荐的准确性，从而有效地减少推荐过程中所需的计算量，实现效率优化。
示例性的，可以基于该商品聚类簇中每个商品的点击参数，计算其平均数，确定该商品聚类簇的点击参数。可以理解的，基于该商品聚类簇中每个商品的点击参数，也可以通过其他计算方式，确定该商品聚类簇的点击参数，例如，计算该商品聚类簇中每个商品的点击参数加权和，以获得该商品聚类簇的点击参数。只要该商品聚类簇的点击参数与该商品聚类簇中每个商品的点击参数相关即可，对此不作限定。
根据一些实施例，获取该商品聚类簇中每个商品的点击参数包括：获取每个商品在预设的历史时间段内的历史点击次数和历史推荐次数；针对每个商品，至少基于所述历史点击次数和历史推荐次数，确定该商品的点击参数。由此，可以得到能够反映商品转化率特征的商品的点击参数，通过在计算机制中引入商品转化率特征，能够实现推荐商品列表转化率的提升。
示例性的，可以将历史点击次数除以历史推荐次数，确定该商品的点击参数。可以理解的，基于所述历史点击次数和历史推荐次数，也可以通过其他计算方式，确定该商品的点击参数。同时，也可以基于除所述历史点击次数和历史推荐次数以外的参数，确定该商品的点击参数，例如，基于历史点击次数、历史推荐次数和历史销量，确定该商品的点击参数。
在一个示例中，获取该商品聚类簇中每个商品的点击参数包括：基于所述目标商品集合中每个商品的所述历史点击次数和历史推荐次数，获取所述目标商品集合中所有商品在预设的历史时间段内的点击次数平均值和推荐次数平均值；对该商品的所述历史点击次数和所述目标商品集合中所有商品的点击次数平均值进行加权计算，以得到平滑冷启动的商品点击次数；对该商品的所述历史推荐次数和所述目标商品集合中所有商品的推荐次数平均值进行加权计算，以得到平滑冷启动的商品推荐次数；以及将平滑冷启动的商品点击次数除以平滑冷启动的商品推荐次数，得到该商品的点击参数。
上述获取该商品聚类簇中每个商品的点击参数的方法，可以但不限于采用如下公式实现：
式中，cvr为商品点击参数，v为商品的历史点击次数，p为商品的历史推荐次数，a为目标商品集合中所有商品在预设的历史时间段内的点击次数平均值，b为目标商品集合中所有商品在预设的历史时间段内的推荐次数平均值。
上述技术方案中，通过引入目标商品集合中所有商品在预设的历史时间段内的点击次数平均值和推荐次数平均值，可以解决冷启动商品的点击次数和推荐次数数据不足的问题。所述冷启动商品指尚未进行推荐的新上架商品或者相应的点击次数为零的商品。
可以理解的，解决冷启动商品的点击次数和推荐次数数据不足的问题的方式并不局限于此，也可以通过其他方式实现，例如，引入与所述冷启动商品最相似的商品在预设的历史时间段内的点击次数平均值和推荐次数平均值，通过加权计算得出冷启动商品的点击参数。
根据一些实施例，步骤S103中，获取用户的目标搜索信息，包括：获取用户的历史搜索信息；以及基于用户的历史搜索信息，确定用户的目标搜索信息。示例性的，用户的目标搜索信息可以是用户的最近一次历史搜索信息。可以理解的，基于用户的历史搜索信息，确定用户的目标搜索信息的方式不局限于以上一种，例如，用户的目标搜索信息还可以是用户的历史搜索信息中出现频次最高的搜索信息，对此不作限定。目标搜索信息可以为文本、图片、音频中的至少其中之一。由此，通过获取用户的目标搜索信息，可以获得用户的个性化需求，以向用户推荐符合其个性化需求的商品列表，可以有效提升用户体验。
示例性的，步骤S104中，计算所述目标搜索信息和所述至少一个商品聚类簇中心之间的相似度，可以是基于所述目标搜索信息获得所述目标搜索信息向量，计算所述目标搜索信息向量与所述至少一个商品聚类簇中心的向量距离。可以理解的，计算所述目标搜索信息和所述至少一个商品聚类簇中心之间的相似度也可以通过其他方式实施，对此不作限制。
根据一些实施例，步骤S105中，针对所述至少一个商品聚类簇中的每个商品聚类簇，基于所述目标搜索信息和该商品聚类簇的簇中心之间的相似度以及该商品聚类簇的点击参数，确定该商品聚类簇的采样概率，包括：基于相应的权重，对所述目标搜索信息和商品聚类簇的簇中心之间的相似度，与该商品聚类簇的点击参数进行加权计算，以得到该商品聚类簇的采样概率。由此，可以实现对商品相关性和商品转化率的兼顾，在满足用户个性化需求、保证用户体验的前提下提升商品转化率。
上述确定该商品聚类簇的采样概率的方法，可以但不局限于采用如下公式来实现：
Psample＝α×cvr+β×d
式中，Psample为簇采样概率，α为该商品聚类簇的点击参数对应的权重，cvr为该商品聚类簇的点击参数，β为所述目标搜索信息和商品聚类簇的簇中心之间的相似度对应的权重，d为所述目标搜索信息和商品聚类簇的簇中心之间的相似度。
可以理解的，基于目标搜索信息和该商品聚类簇的簇中心之间的相似度以及该商品聚类簇的点击参数，也可以通过其他加权计算方式来确定该商品聚类簇的采样概率，只要该商品聚类簇的采样概率与目标搜索信息和该商品聚类簇的簇中心之间的相似度相关，并且与该商品聚类簇的点击参数相关即可，即令商品聚类簇的采样概率能够兼顾商品相关性和商品转化率即可，对此不作限定。
示例性的，步骤S106中，基于相应的采样概率，对所述至少一个商品聚类簇进行商品采样，获得待推荐的商品列表，并且每个商品聚类簇中每个商品的采样概率相同，可以是先按照商品聚类簇的采样概率对所述至少一个商品聚类簇进行采样，得到一个商品聚类簇，再按照相等的采样概率对该商品聚类簇中的商品进行采样，得到一个商品，并将其添加进待推荐的商品列表。重复上述步骤，就可以得到需要的待推荐的商品列表。
上述技术方案中，通过采样获得待推荐的商品列表，能够使待推荐的商品列表中包含的商品有更多可能的组合方式，有效地提升待推荐的商品列表的多样性，优化用户体验。可以理解的，上述步骤S106的具体实施方法仅仅是对步骤S106的实施方法的示例，而非对本公开所述的商品推荐方法的限制。
根据一些实施例，所述至少一个商品聚类簇可以包括多个商品聚类簇，相应地，上述确定该商品聚类簇的采样概率的方法还包括：在确定商品聚类簇的采样概率前，对目标搜索信息和所述多个商品聚类簇的簇中心之间的相似度进行归一化处理，以得到目标搜索信息和所述多个商品聚类簇的簇中心之间的归一化相似度，以及对所述多个商品聚类簇的点击参数进行归一化处理，以得到所述多个商品聚类簇的归一化点击参数。其中，针对所述至少一个商品聚类簇中的每个商品聚类簇，基于所述目标搜索信息和该商品聚类簇的簇中心之间的归一化相似度以及该商品聚类簇的归一化点击参数，确定该商品聚类簇的采样概率。由此，能够简化商品聚类簇的采样概率的计算过程，得到更合理的商品聚类簇的采样概率。
在一个示例中，对目标搜索信息和所述多个商品聚类簇的簇中心之间的相似度以及所述多个商品聚类簇的点击参数进行归一化处理，包括：获取目标搜索信息和所述多个商品聚类簇的簇中心之间的相似度中的最大相似度和最小相似度；获取所述多个商品聚类簇的点击参数中的最大点击参数和最小点击参数；计算最大相似度和最小相似度的差值；计算最大点击参数和最小点击参数的差值；计算目标搜索信息与所述多个商品聚类簇的簇中心的相似度和最小相似度的差值；计算所述多个商品聚类簇的点击参数和最小点击参数的差值；将目标搜索信息与所述多个商品聚类簇的簇中心的相似度和最小相似度的差值除以最大相似度和最小相似度的差值，得到目标搜索信息与所述多个商品聚类簇的簇中心的归一化相似度；将所述多个商品聚类簇的点击参数和最小点击参数的差值除以最大点击参数和最小点击参数的差值，得到所述多个商品聚类簇的归一化点击参数。
由此，能够实现目标搜索信息和所述多个商品聚类簇的簇中心之间的相似度以及所述多个商品聚类簇的点击参数的数值范围匹配，简化簇采样概率的计算过程，得到更合理的商品聚类簇的采样概率。
上述对目标搜索信息和所述多个商品聚类簇的簇中心之间的相似度以及所述多个商品聚类簇的点击参数进行归一化处理的方法，可以但不限于采用如下公式来实现：
式中，xi为目标搜索信息与所述多个商品聚类簇的簇中心的相似度，x′i为目标搜索信息与所述多个商品聚类簇的簇中心的归一化相似度，xi_max为目标搜索信息和所述多个商品聚类簇的簇中心之间的相似度中的最大相似度，xi_min为目标搜索信息和所述多个商品聚类簇的簇中心之间的相似度中的最小相似度；yi为所述多个商品聚类簇的点击参数，y′i为目标搜索信息与所述多个商品聚类簇的归一化点击参数，yi_max为所述多个商品聚类簇的点击参数中的最大点击参数，yi_min为所述多个商品聚类簇的点击参数中的最小点击参数。
例如，当目标搜索信息与所述多个商品聚类簇的簇中心的相似度为10，目标搜索信息和所述多个商品聚类簇的簇中心之间的相似度中的最大相似度为20，目标搜索信息和所述多个商品聚类簇的簇中心之间的相似度中的最小相似度为8，所述多个商品聚类簇的点击参数为0.15，所述多个商品聚类簇的点击参数中的最大点击参数为0.2，所述多个商品聚类簇的点击参数中的最小点击参数为0.12，则可以得出：
可以理解的，对目标搜索信息和所述多个商品聚类簇的簇中心之间的相似度以及所述多个商品聚类簇的点击参数进行归一化处理，并不局限于以上一种方式，例如，还可以将目标搜索信息和所述多个商品聚类簇的簇中心之间的相似度以及所述多个商品聚类簇的点击参数与一定的系数相乘，得到目标搜索信息与所述多个商品聚类簇的簇中心的归一化相似度以及所述多个商品聚类簇的归一化点击参数。
根据一些实施例，上述根据本公开实施例的商品推荐方法还包括：在对目标商品集合中的多个商品进行聚类，以获得至少一个商品聚类簇，每个商品聚类簇包括簇中心；以及获取所述至少一个商品聚类簇中每个商品聚类簇的点击参数之后，将每个商品聚类簇的簇中心和点击参数存入数据库中，所述商品聚类簇的簇中心和点击参数从所述数据库中获得。在这种情况下，可以通过读取数据库中商品聚类簇的相关信息，省去每一次推荐过程中对目标商品集合中的多个商品进行聚类，获取商品聚类簇的簇中心和点击参数的步骤，有效减少在线推荐的计算量，提高推荐效率，能够更快得到推荐商品列表，从而进一步提升用户体验。
根据一些实施例，所述数据库中存储的所述目标商品集合中商品聚类簇的簇中心与该商品聚类簇的点击参数按照预设周期进行更新。预设周期例如可以为一个月、一个季度或者半年等等，根据具体的应用场景和需求来设定。由此，针对电商平台应用场景，可以适应电商平台的大波动性特点，保证数据的可用性。
在一个示例中，所述数据库为键-值数据库。可以理解的，所述数据库的类型不局限于这一种，例如，所述数据库还可以是关系数据库。由此，可以更高效地查询、提取信息。
图2示出了根据本公开示例性实施例的商品推荐方法的流程图。如图2所示，所述商品推荐方法可以包括：步骤S211、获取用户最近一次的目标搜索信息；步骤S212、从数据库中获取每个商品聚类簇的簇中心和点击参数；S213、计算所述目标搜索信息和所述至少一个商品聚类簇的簇中心之间的相似度；S214、针对所述至少一个商品聚类簇中的每个商品聚类簇，基于所述目标搜索信息和该商品聚类簇的簇中心之间的相似度以及该商品聚类簇的点击参数，确定该商品聚类簇的采样概率；S215、基于相应的采样概率，对所述至少一个商品聚类簇进行商品采样，获得待推荐的商品列表，并且每个商品聚类簇中的每个商品的采样概率相同。其中，所述数据库的配置可以包括：S221、对目标商品集合中的多个商品进行聚类，以获得至少一个商品聚类簇，每个商品聚类簇包括簇中心；S222、获取所述至少一个商品聚类簇中每个商品聚类簇的点击参数；S223、将每个商品聚类簇的簇中心和点击参数存入数据库中。
根据本公开的另一方面，提供了一种商品推荐装置。如图3所示，商品推荐装置300可以包括：聚类单元301，被配置用于对目标商品集合中的多个商品进行聚类，以获得至少一个商品聚类簇，每个商品聚类簇包括簇中心；第一获取单元302，被配置用于获取所述至少一个商品聚类簇中每个商品聚类簇的点击参数；第二获取单元303，被配置用于获取用户的目标搜索信息；计算单元304，被配置用于计算所述目标搜索信息和所述至少一个商品聚类簇的簇中心之间的相似度；确定单元305，被配置用于针对所述至少一个商品聚类簇中的每个商品聚类簇，基于所述目标搜索信息和该商品聚类簇的簇中心之间的相似度以及该商品聚类簇的点击参数，确定该商品聚类簇的采样概率；采样单元306，被配置用于基于相应的采样概率，对所述至少一个商品聚类簇进行商品采样，以获得待推荐的商品列表，并且每个商品聚类簇中每个商品的采样概率相同。
商品推荐装置300的单元301-单元306的操作与前面描述的步骤S101-步骤S106的操作类似，在此不做赘述。
根据本公开的另一方面，还提供一种电子设备，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上述的商品推荐的方法。
根据本公开的另一方面，还提供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上述的商品推荐的方法。
根据本公开的另一方面，还提供一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现上述的商品推荐的方法。
参考图4，现将描述可以作为本公开的服务器或客户端的电子设备400的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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4所示，设备400包括计算单元401，其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序，来执行各种适当的动作和处理。在RAM 403中，还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405，包括：输入单元406、输出单元407、存储单元408以及通信单元409。输入单元406可以是能向设备400输入信息的任何类型的设备，输入单元406可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元407可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元408可以包括但不限于磁盘、光盘。通信单元409允许设备400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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元401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401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401执行上文所描述的各个方法和处理，例如商品推荐方法。例如，在一些实施例中，商品推荐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408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时，可以执行上文描述的商品推荐方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行商品推荐方法。
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。
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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，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。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (14)
1.一种商品推荐方法，包括：
对目标商品集合中的多个商品进行聚类，以获得至少一个商品聚类簇，每个商品聚类簇包括簇中心；
获取所述至少一个商品聚类簇中每个商品聚类簇的点击参数；
获取用户的目标搜索信息；
计算所述目标搜索信息和所述至少一个商品聚类簇的簇中心之间的相似度；
针对所述至少一个商品聚类簇中的每个商品聚类簇，基于所述目标搜索信息和该商品聚类簇的簇中心之间的相似度以及该商品聚类簇的点击参数，确定该商品聚类簇的采样概率；以及
基于相应的采样概率，对所述至少一个商品聚类簇进行商品采样，获得待推荐的商品列表，并且每个商品聚类簇中每个商品的采样概率相同，
其中，所述获取所述至少一个商品聚类簇中每个商品聚类簇的点击参数包括：
获取该商品聚类簇中每个商品的点击参数，所述每个商品的点击参数是基于该商品在预设的历史时间段内的历史点击次数和历史推荐次数确定的；
基于该商品聚类簇中每个商品的点击参数，确定该商品聚类簇的点击参数。
2.根据权利要求1所述的方法，其中，基于所述目标搜索信息和该商品聚类簇的簇中心之间的相似度以及该商品聚类簇的点击参数，确定该商品聚类簇的采样概率，包括：
基于相应的权重，对所述目标搜索信息和商品聚类簇的簇中心之间的相似度，与该商品聚类簇的点击参数进行加权计算，以得到该商品聚类簇的采样概率。
3.根据权利要求1所述的方法，其中，对目标商品集合中的多个商品进行聚类，以获得至少一个商品聚类簇，包括：
确定所述至少一个商品聚类簇的目标数量；
获取所述多个商品的商品名称的商品向量表示；
确定至少一个簇中心，包括：
基于至少一个商品向量确定一个簇中心；
计算所述多个商品向量各自与该簇中心的距离；以及
以该簇中心为基准，基于距离该簇中心最远的至少一个商品向量确定另一簇中心，并且以该另一簇中心为基准重复该步骤，直至所确定的至少一个簇中心的数量达到所述目标数量；以及
基于相应的商品向量表示和簇中心，确定所述多个商品各自所属的商品聚类簇，其中，所有商品的商品向量表示与各自所属商品聚类簇的簇中心的距离的总和最小。
4.根据权利要求3所述的方法，其中，确定所述至少一个商品聚类簇的目标数量，包括：
统计目标商品集合中商品的数量；
确定所述待推荐的商品列表中商品的数量；
将目标商品集合中商品的数量除以所述待推荐的商品列表中商品的数量，得到所述至少一个商品聚类簇的目标数量。
5.根据权利要求1所述的方法，其中，获取该商品聚类簇中每个商品的点击参数包括：
基于所述目标商品集合中每个商品的所述历史点击次数和历史推荐次数，获取所述目标商品集合中所有商品在预设的历史时间段内的点击次数平均值和推荐次数平均值，
并且其中，针对每个商品，至少基于所述历史点击次数和历史推荐次数，确定该商品的点击参数包括：
对该商品的所述历史点击次数和所述目标商品集合中所有商品的点击次数平均值进行加权计算，以得到平滑冷启动的商品点击次数；
对该商品的所述历史推荐次数和所述目标商品集合中所有商品的推荐次数平均值进行加权计算，以得到平滑冷启动的商品推荐次数；以及
将平滑冷启动的商品点击次数除以平滑冷启动的商品推荐次数，得到该商品的点击参数。
6.根据权利要求1所述的方法，其中，获取用户的目标搜索信息，包括：
获取用户的历史搜索信息；以及
基于用户的历史搜索信息，确定用户的目标搜索信息。
7.根据权利要求1或2所述的方法，其中，所述至少一个商品聚类簇包括多个商品聚类簇，所述方法还包括：
在确定商品聚类簇的采样概率前，对目标搜索信息和所述多个商品聚类簇的簇中心之间的相似度进行归一化处理，以得到目标搜索信息和所述多个商品聚类簇的簇中心之间的归一化相似度，以及对所述多个商品聚类簇的点击参数进行归一化处理，以得到所述多个商品聚类簇的归一化点击参数，
其中，针对所述至少一个商品聚类簇中的每个商品聚类簇，基于所述目标搜索信息和该商品聚类簇的簇中心之间的归一化相似度以及该商品聚类簇的归一化点击参数，确定该商品聚类簇的采样概率。
8.根据权利要求7所述的方法，其中，对目标搜索信息和所述多个商品聚类簇的簇中心之间的相似度以及所述多个商品聚类簇的点击参数进行归一化处理，包括：
获取目标搜索信息和所述多个商品聚类簇的簇中心之间的相似度中的最大相似度和最小相似度；
获取所述多个商品聚类簇的点击参数中的最大点击参数和最小点击参数；
计算最大相似度和最小相似度的差值；
计算最大点击参数和最小点击参数的差值；
计算目标搜索信息与所述多个商品聚类簇的簇中心的相似度和最小相似度的差值；
计算所述多个商品聚类簇的点击参数和最小点击参数的差值；
将目标搜索信息与所述多个商品聚类簇的簇中心的相似度和最小相似度的差值除以最大相似度和最小相似度的差值，得到目标搜索信息与所述多个商品聚类簇的簇中心的归一化相似度；
将所述多个商品聚类簇的点击参数和最小点击参数的差值除以最大点击参数和最小点击参数的差值，得到所述多个商品聚类簇的归一化点击参数。
9.根据权利要求1所述的方法，还包括：
将每个商品聚类簇的簇中心和点击参数存入数据库中，
其中，每个商品聚类簇的簇中心和点击参数是从所述数据库中获得的。
10.根据权利要求9所述的方法，其中，所述数据库中存储的所述目标商品集合中商品聚类簇的簇中心与该商品聚类簇的点击参数按照预设周期进行更新。
11.根据权利要求9或10所述的方法，其中，所述数据库为键-值数据库。
12.一种商品推荐装置，包括：
聚类单元，被配置用于对目标商品集合中的多个商品进行聚类，以获得至少一个商品聚类簇，每个商品聚类簇包括簇中心；
第一获取单元，被配置用于获取所述至少一个商品聚类簇中每个商品聚类簇的点击参数；
第二获取单元，被配置用于获取用户的目标搜索信息；
计算单元，被配置用于计算所述目标搜索信息和所述至少一个商品聚类簇的簇中心之间的相似度；
确定单元，被配置用于针对所述至少一个商品聚类簇中的每个商品聚类簇，基于所述目标搜索信息和该商品聚类簇的簇中心之间的相似度以及该商品聚类簇的点击参数，确定该商品聚类簇的采样概率；
采样单元，被配置用于基于相应的采样概率，对所述至少一个商品聚类簇进行商品采样，以获得待推荐的商品列表，并且每个商品聚类簇中每个商品的采样概率相同，
其中，所述第一获取单元被配置为：
获取该商品聚类簇中每个商品的点击参数，所述每个商品的点击参数是基于该商品在预设的历史时间段内的历史点击次数和历史推荐次数确定的；
基于该商品聚类簇中每个商品的点击参数，确定该商品聚类簇的点击参数。
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1-11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1-11中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111094947.XA CN113761379B (zh) | 2021-09-17 | 2021-09-17 | 商品推荐方法及装置、电子设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111094947.XA CN113761379B (zh) | 2021-09-17 | 2021-09-17 | 商品推荐方法及装置、电子设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113761379A CN113761379A (zh) | 2021-12-07 |
| CN113761379B true CN113761379B (zh) | 2024-04-16 |
Family
ID=78796324
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111094947.XA Active CN113761379B (zh) | 2021-09-17 | 2021-09-17 | 商品推荐方法及装置、电子设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113761379B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114840762B (zh) * | 2022-05-19 | 2024-08-23 | 马上消费金融股份有限公司 | 推荐内容确定方法、装置和电子设备 |
| CN117725275A (zh) * | 2023-09-26 | 2024-03-19 | 书行科技(北京)有限公司 | 一种资源推荐方法、装置、计算机设备、介质及产品 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008121872A1 (en) * | 2007-03-30 | 2008-10-09 | Amazon Technologies, Inc. | Cluster-based assessment of user interests |
| CN112860626A (zh) * | 2021-02-04 | 2021-05-28 | 北京百度网讯科技有限公司 | 一种文档排序方法、装置及电子设备 |
-
2021
- 2021-09-17 CN CN202111094947.XA patent/CN113761379B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008121872A1 (en) * | 2007-03-30 | 2008-10-09 | Amazon Technologies, Inc. | Cluster-based assessment of user interests |
| CN112860626A (zh) * | 2021-02-04 | 2021-05-28 | 北京百度网讯科技有限公司 | 一种文档排序方法、装置及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 基于网络日志的用户查询推荐;王静;;河南科技(07);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113761379A (zh) | 2021-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113761379B (zh) | 商品推荐方法及装置、电子设备和介质 | |
| CN114494784A (zh) | 深度学习模型的训练方法、图像处理方法和对象识别方法 | |
| CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
| US11593740B1 (en) | Computing system for automated evaluation of process workflows | |
| CN112784861B (zh) | 相似度的确定方法、装置、电子设备和存储介质 | |
| CN115269989B (zh) | 对象推荐方法、装置、电子设备和存储介质 | |
| CN113704494B (zh) | 基于知识图谱的实体检索方法、装置、设备以及存储介质 | |
| CN115203564A (zh) | 信息流推荐方法、装置及计算机程序产品 | |
| CN114328123A (zh) | 异常确定方法、训练方法、装置、电子设备以及存储介质 | |
| CN113961797A (zh) | 资源推荐方法、装置、电子设备和可读存储介质 | |
| CN113239273A (zh) | 用于生成文本的方法、装置、设备以及存储介质 | |
| CN114066278B (zh) | 物品召回的评估方法、装置、介质及程序产品 | |
| CN112558842B (zh) | 推荐群组成员的方法、装置、电子设备和介质 | |
| CN113821722B (zh) | 数据处理方法、推荐方法、装置、电子设备以及介质 | |
| US12038989B2 (en) | Methods for community search, method for training community search model, and electronic device | |
| CN114565402A (zh) | 信息推荐方法、装置以及电子设备 | |
| CN115829653A (zh) | 广告文本的相关度确定方法及装置、设备和介质 | |
| CN113011920A (zh) | 转化率预估模型的训练方法、装置及电子设备 | |
| CN114021650A (zh) | 数据处理方法、装置、电子设备和介质 | |
| CN118364179A (zh) | 资源的推荐方法、资源推荐模型的训练方法、装置、电子设备和介质 | |
| CN118035557A (zh) | 资源推送方法、装置、电子设备、存储介质及程序产品 | |
| CN114254092A (zh) | 一种答主的匹配方法、装置、电子设备以及存储介质 | |
| CN117934104A (zh) | 商品组合的生成方法及装置、设备和介质 | |
| CN118628207A (zh) | 目标用户的确定方法、装置、电子设备及存储介质 | |
| CN117668209A (zh) | 一种文档推荐方法、装置、设备以及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |