CN113779369B - 匹配方法、匹配装置、电子设备及存储介质 - Google Patents
匹配方法、匹配装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113779369B CN113779369B CN202010681339.8A CN202010681339A CN113779369B CN 113779369 B CN113779369 B CN 113779369B CN 202010681339 A CN202010681339 A CN 202010681339A CN 113779369 B CN113779369 B CN 113779369B
- Authority
- CN
- China
- Prior art keywords
- candidate
- target user
- aggregate
- objects
- common
- 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 56
- 230000006399 behavior Effects 0.000 claims description 69
- 230000002776 aggregation Effects 0.000 claims description 14
- 238000004220 aggregation Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 230000003542 behavioural effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 29
- 230000008569 process Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal 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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种匹配方法、匹配装置、电子设备及计算机可读存储介质,属于计算机技术领域。该方法包括:获取目标用户的行为数据;根据行为数据,在聚合对象中确定与目标用户关联的至少一个候选聚合对象,以及在普通对象中确定与目标用户关联的至少一个候选普通对象;将候选聚合对象与候选普通对象进行组合,得到与目标用户关联的至少一个候选对,其中,每个候选对包括一个候选聚合对象和一个候选普通对象;根据目标用户与候选聚合对象的第一匹配度,以及目标用户与候选普通对象的第二匹配度,确定目标用户与候选对的第三匹配度。本公开可以通过合理、有效的方式,确定目标用户与候选对的第三匹配度,以实现根据第三匹配度向目标用户推荐候选对。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种匹配方法、匹配装置、电子设备及计算机可读存储介质。
背景技术
在各个企业或互联网平台中,为了能够满足用户的个性化需求,为用户提供良好的服务品质,为用户进行个性化推荐是非常重要的。在很多对象推荐的场景中,被推荐的聚合对象往往与特定的普通对象组合呈现,例如电商平台中,对某一活动进行推荐时,会呈现该活动内的某一具体商品的图片等。
现有技术中,被推荐的聚合商品与普通商品的匹配方式往往是基于预先设置的规则进行的,例如在推荐某活动时,将该活动内较为优质的普通对象与该活动相匹配,生成匹配对,向用户进行推荐。然而,该匹配方式比较单一,且匹配过程粗糙,不能根据用户需求进行匹配,从而无法针对不同的用户生成个性化的匹配对。
因此,如何采用合理、有效的匹配方法,满足用户的个性化需求,是现有技术亟待解决的问题。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供了一种匹配方法、匹配装置、电子设备及计算机可读存储介质,进而至少在一定程度上克服现有技术中匹配方式不能满足用户个性化需求的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的第一方面,提供一种匹配方法,包括:获取目标用户的行为数据;根据所述行为数据,在聚合对象中确定与所述目标用户关联的至少一个候选聚合对象,以及在普通对象中确定与所述目标用户关联的至少一个候选普通对象;将所述候选聚合对象与所述候选普通对象进行组合,得到与所述目标用户关联的至少一个候选对,其中,每个候选对包括一个候选聚合对象和一个候选普通对象;根据所述目标用户与所述候选聚合对象的第一匹配度,以及所述目标用户与所述候选普通对象的第二匹配度,确定所述目标用户与所述候选对的第三匹配度。
在本公开的一种示例性实施例中,所述根据所述行为数据,在聚合对象中确定与所述目标用户关联的至少一个候选聚合对象,以及在普通对象中确定与所述目标用户关联的至少一个候选普通对象,包括:在所述行为数据中确定至少一个行为对象;在预先建立的相似对象列表中获取与所述行为对象相似的聚合对象和普通对象,以得到所述候选聚合对象和所述候选普通对象。
在本公开的一种示例性实施例中,所述相似对象列表通过以下方式建立:统计多个用户的行为数据,以得到每个对象的关联用户信息,其中,所述对象包括聚合对象和普通对象;根据所述每个对象的关联用户信息,生成每个对象的特征数据;计算不同对象的特征数据之间的相似度,以建立所述相似对象列表。
在本公开的一种示例性实施例中,所述计算不同对象的特征数据之间的相似度,以建立相似对象列表,包括:计算不同对象的特征数据之间的相似度,以作为所述不同对象之间的相似度;为每个对象确定与其相似度最高的预设数量的其他对象,以建立所述相似对象列表。
在本公开的一种示例性实施例中,所述将所述候选聚合对象与所述候选普通对象进行组合,得到与所述目标用户关联的至少一个候选对,包括:基于所述候选聚合对象的属性,确定预设组合策略;将满足所述预设组合策略的候选普通对象与所述候选聚合对象进行组合,得到与所述目标用户关联的至少一个候选对。
在本公开的一种示例性实施例中,所述至少一个候选对为多个候选对;在确定所述目标用户与所述候选对的第三匹配度之后,所述方法还包括:根据所述第三匹配度的大小,对所述多个候选对进行排序;基于排序结果,从所述多个候选对中确定目标候选对向所述目标用户进行推荐。
在本公开的一种示例性实施例中,所述根据所述第三匹配度的大小,对所述多个候选对进行排序,包括:根据所述第三匹配度大于预设阈值的候选对生成对象推荐集合;采用预先训练的评分模型对所述对象推荐集合中的候选对进行处理,得到每个所述候选对的评分结果;所述基于排序结果,从所述多个候选对中确定目标候选对向所述目标用户进行推荐,包括:选择所述评分结果前预设数量的候选对,作为目标候选对向所述目标用户进行推荐。
根据本公开的第二方面,提供一种匹配装置,包括:数据获取模块,用于获取目标用户的行为数据;对象确定模块,用于根据所述行为数据,在聚合对象中确定与所述目标用户关联的至少一个候选聚合对象,以及在普通对象中确定与所述目标用户关联的至少一个候选普通对象;对象组合模块,用于将所述候选聚合对象与所述候选普通对象进行组合,得到与所述目标用户关联的至少一个候选对,其中,每个候选对包括一个候选聚合对象和一个候选普通对象;匹配度确定模块,用于根据所述目标用户与所述候选聚合对象的第一匹配度,以及所述目标用户与所述候选普通对象的第二匹配度,确定所述目标用户与所述候选对的第三匹配度。
在本公开的一种示例性实施例中,对象确定模块,包括:行为对象确定单元,用于在所述行为数据中确定至少一个行为对象;对象获取单元,用于在预先建立的相似对象列表中获取与所述行为对象相似的聚合对象和普通对象,以得到所述候选聚合对象和所述候选普通对象。
在本公开的一种示例性实施例中,所述相似对象列表通过以下方式建立:数据统计单元,用于统计多个用户的行为数据,以得到每个对象的关联用户信息,其中,所述对象包括聚合对象和普通对象;特征数据生成单元,用于根据所述每个对象的关联用户信息,生成每个对象的特征数据;相似度计算单元,用于计算不同对象的特征数据之间的相似度,以建立所述相似对象列表。
在本公开的一种示例性实施例中,相似度计算单元,包括:相似度计算子单元,用于计算不同对象的特征数据之间的相似度,以作为所述不同对象之间的相似度;列表建立子单元,用于为每个对象确定与其相似度最高的预设数量的其他对象,以建立所述相似对象列表。
在本公开的一种示例性实施例中,对象组合模块,包括:策略确定单元,用于基于所述候选聚合对象的属性,确定预设组合策略;候选对生成单元,用于将满足所述预设组合策略的候选普通对象与所述候选聚合对象进行组合,得到与所述目标用户关联的至少一个候选对。
在本公开的一种示例性实施例中,所述至少一个候选对为多个候选对;匹配装置还包括:排序模块,用于在确定所述目标用户与所述候选对的第三匹配度之后,根据所述第三匹配度的大小,对所述多个候选对进行排序;推荐模块,用于基于排序结果,从所述多个候选对中确定目标候选对向所述目标用户进行推荐。
在本公开的一种示例性实施例中,排序模块,包括:推荐集合生成单元,用于根据所述第三匹配度大于预设阈值的候选对生成对象推荐集合;候选对处理单元,用于采用预先训练的评分模型对所述对象推荐集合中的候选对进行处理,得到每个所述候选对的评分结果;推荐模块,包括:推荐单元,用于选择所述评分结果前预设数量的候选对,作为目标候选对向所述目标用户进行推荐。
根据本公开的第三方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。
根据本公开的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的方法。
本公开的示例性实施例具有以下有益效果:
获取目标用户的行为数据;根据行为数据,在聚合对象中确定与目标用户关联的至少一个候选聚合对象,以及在普通对象中确定与目标用户关联的至少一个候选普通对象;将候选聚合对象与候选普通对象进行组合,得到与目标用户关联的至少一个候选对,其中,每个候选对包括一个候选聚合对象和一个候选普通对象;根据目标用户与候选聚合对象的第一匹配度,以及目标用户与候选普通对象的第二匹配度,确定目标用户与候选对的第三匹配度。一方面,本示例性实施例根据目标用户的行为数据,确定候选聚合对象和候选普通对象,生成与目标用户关联的候选对,不同的目标用户可以生成个性化的候选对,充分利用了用户的行为数据,增强了候选对与目标用户之间的关联性,相比于现有技术中通过主观规则确定候选对的方式,具有更好的客观性和有效性;另一方面,基于第一匹配度和第二匹配度确定第三匹配度,同时考虑目标用户对候选聚合对象和候选普通对象的关联程度,提高了第三匹配度的可信度,在多种推荐的应用场景中可以具有更好的推荐效果和较高的推荐准确性。
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。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示意性示出本示例性实施例中一种匹配方法的流程图;
图2示意性示出本示例性实施例中一种匹配方法的子流程图;
图3示意性示出本示例性实施例中另一种匹配方法的子流程图;
图4示意性示出本示例性实施例中再一种匹配方法的子流程图;
图5示意性示出本示例性实施例中一种候选对推荐方法的流程图;
图6示意性示出本示例性实施例中一种匹配装置的结构框图;
图7示意性示出本示例性实施例中一种用于实现上述方法的电子设备。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
本公开的示例性实施例首先提供了一种匹配方法,本实施例方法的应用场景可以是:在电商平台中,为用户推荐商品活动时,将与活动第三匹配度较高的商品作为引流商品,共同推荐给用户;或者信息媒体平台中,为用户推荐主题视频时,将与主题视频第三匹配度较高的视频作为封面,呈现给用户;再或者在其他搜索场景中,根据用户搜索的关键词,向用户呈现第三匹配度较高的搜索内容与搜索内容封面等,以实现针对用户需求的个性化的对象推荐。
下面结合附图1对本示例性实施例做进一步说明,如图1所示,匹配方法可以包括以下步骤S110~S140:
步骤S110,获取目标用户的行为数据。
本示例性实施例可以根据不同的用户进行个性化的匹配过程,其中目标用户即为当前需要进行对象的个性化匹配的用户。行为数据是指目标用户针对对象进行操作行为的数据,例如在电商平台中,用户对商品进行浏览、点赞、购买、收藏等行为的数据。目标用户的行为数据可以通过实时抓取用户在平台中的操作数据获取,也可以根据目标用户在预设时间内的历史记录获取等,本公开对此不做具体限定。
步骤S120,根据行为数据,在聚合对象中确定与目标用户关联的至少一个候选聚合对象,以及在普通对象中确定与目标用户关联的至少一个候选普通对象。
其中,普通对象是指一种单一的对象,例如电商平台中的某一洗衣机、某一饮料、或某一背包的单一商品等;聚合对象是指包括多个对象的对象集合,例如电商平台中的活动、店铺或主题等,用户通过点击活动、店铺或主题等聚合商品,可以看到在该聚合商品下的普通商品,如用户进入家电活动内,可以看到多种洗衣机、电冰箱或电视等普通商品。在实际应用中,为了满足不同用户的需求,平台中通常会包括大量的聚合商品和普通商品,本示例性实施例可以根据步骤S110中获取的目标用户的行为数据,从多个聚合对象中确定与目标用户具有关联的至少一个候选聚合对象,以及在多个普通对象中确定与目标用户关联的至少一个候选普通对象。其中,与目标用户具有关联的候选聚合对象是指目标用户感兴趣的聚合对象,与目标用户具有关联的普通对象是指目标用户感兴趣的普通对象,例如在电商平台中,聚合对象包括活动1、活动2、活动3时,根据用户A的行为数据,发现用户A浏览、点击或收藏了活动1,则可以确定用户A对活动1感兴趣,活动1可以作为候选聚合对象等。
在一示例性实施例中,上述步骤S120,可以包括以下步骤:
在行为数据中确定至少一个行为对象;
在预先建立的相似对象列表中获取与行为对象相似的聚合对象和普通对象,以得到候选聚合对象和候选普通对象。
通常,目标用户的行为数据中可能会涉及多个行为对象,例如在电商平台,目标用户既点击浏览了商品1,也点击浏览了商品2等,则商品1和商品2均可以视为,根据目标用户的行为数据确定的行为对象。相似对象列表是指,包括不同对象以及与不同对象对应的相似度较高的其他对象集合的映射关系表,其中,对象可以是聚合对象也可以是普通对象。当确定了某一对象时,通过相似对象列表可以确定与该对象相似的其他至少一个对象。基于此,本示例性实施例可以针对确定的每个行为对象,查找与该行为对象相似的聚合对象和普通对象。
在一示例性实施例中,如图2所示,上述相似对象列表可以通过以下方建立:
步骤S210,统计多个用户的行为数据,以得到每个对象的关联用户信息,其中,对象包括聚合对象和普通对象;
步骤S220,根据每个对象的关联用户信息,生成每个对象的特征数据;
步骤S230,计算不同对象的特征数据之间的相似度,以建立相似对象列表。
相似对象列表的建立过程可以通过收集平台中全部或部分用户的行为数据,进行离线整合得到。具体过程可以包括,获取多个用户中,每个用户的唯一标识,例如用户ID(Identity,身份标识)、账号、昵称或手机序列等,根据该唯一标识可以在平台中确定不同用户的行为数据,其中,用户的行为数据可以包括聚合对象的行为数据以及普通对象的行为数据,例如聚合商品的曝光点击数据以及普通商品的曝光点击数据等。另外,为了进行后续的数据分析,还可以获取聚合对象的相关属性,例如聚合商品的基本价格、店铺、或者类目等等。
通过整合聚合对象与普通对象的行为数据,可以确定每个对象的关联用户信息,其中,关联用户信息是指能够反映对象与用户映射关系的信息,其可以以列表或集合等形式表示。每个对象的关联用户信息可以包括对象本身以及与该对象具有关联的用户集合,例如商品1:{用户1、用户2、用户3},可以表示浏览过商品1的用户包括用户1、用户2、用户3,或者商品1的点击率较高的用户包括用户1、用户2、用户3等;商品2:{用户2、用户4、用户5},可以表示浏览过商品2的用户包括用户2、用户4、用户5,或者商品2的点击率较高的用户包括用户2、用户4、用户5等。为了便于后续计算,可以基于每个对象的关联用户信息,生成每个对象的特征数据,例如可以将每个对象对应的关联用户信息转化为向量形式。本示例性实施例可以通过计算不同对象的特征数据的余弦相似度来确定不同对象之间的相似程度,具体的,可以通过以下公式,计算不同对象的特征数据之间的相似度,以建立相似对象列表:
其中,N(i)表示根据对象i的关联用户信息,生成的特征数据,N(j)表示根据对象j的关联用户信息,生成的特征数据。如果两个对象的相似度较高,则说明这两个对象对应的关联用户信息比较相似,在电商场景中,也即说两个商品的受欢迎的用户群体较为相似,甚至用户群体相同等。
在一示例性实施例中,上述步骤S230可以包括以下步骤:
计算不同对象的特征数据之间的相似度,以作为不同对象之间的相似度;
为每个对象确定与其相似度最高的预设数量的其他对象,以建立相似对象列表。
本示例性实施例可以通过关联用户信息来表征某一对象,因此,不同对象的特征数据之间的相似度,也可以作为不同对象之间的相似度。将不同对象之间的相似度进行整理,为每个对象确定与其相似度最高的预设数量的其他对象,可以建立相似对象列表。例如根据相似度计算结果发现商品1与商品3、商品1与商品4、商品1与商品5的相似度较高,则可以确定商品1对应的与其相似度最高的其他对象为商品3、商品4与商品5,则可以将商品1-商品3、商品4、商品5的对应关系添加至相似对象列表中。
为了提高相似对象列表建立的有效性和效率,本示例性实施例还可以设定一相似度阈值,在计算出不同对象之间的相似度之后,先根据该相似度阈值进行过滤,过滤低频次的用于计算相似度的对象对,进一步再执行为每个对象确定与其相似度最高的预设数量的其他对象,以建立相似对象列表的步骤。
在本示例性实施例中,上述相似对象列表可以以键-值的形式来表示每个对象以及与其相似度最高的预设数量的其他对象,其中,键可以是聚合对象,也可以是普通对象。每个对象可以包括两个子列表,例如当键为聚合对象时,第一子列表的值可以是与该聚合对象相似的普通对象,第二子列表的值可以是与该聚合对象相似的聚合对象;当键为普通对象时,第一子列表的值可以是与该普通对象相似的普通对象,第二子列表的值可以是与该普通对象相似的聚合对象等。基于上述建立的相似对象列表,可以实现根据目标用户的行为数据确定其所感兴趣的候选普通对象和候选聚合对象。
步骤S130,将候选聚合对象与候选普通对象进行组合,得到与目标用户关联的至少一个候选对,其中,每个候选对包括一个候选聚合对象和一个候选普通对象。
候选聚合对象与候选普通对象为与目标用户具有一定关联的对象,例如电商平台中,目标用户比较感兴趣的活动与商品。因此,将候选聚合对象与候选普通对象进行组合,可以得到与目标用户可能感兴趣的候选对,即与目标用户关联的候选对。每个候选对里可以包括一个候选聚合对象和一个候选普通对象,基于感兴趣的候选对可以对用户进行有效的个性化推荐,例如在电商场景中,将用户感兴趣的商品作为活动的封面,向用户推荐活动,能够实现更好的推荐效果,满足不同用户的个性化需求。
在一示例性实施例中,如图3所示,上述步骤S130可以包括以下步骤:
步骤S310,基于候选聚合对象的属性,确定预设组合策略;
步骤S320,将满足预设组合策略的候选普通对象与候选聚合对象进行组合,得到与目标用户关联的至少一个候选对。
通常,聚合对象一般会包括多种属性,例如聚合对象为电商平台中的活动时,活动涉及哪些店铺,属于哪些类目,或者属于哪些品牌等信息。本示例性实施例为了进行个性化的匹配过程,可以基于候选聚合对象的属性,确定一预设组合策略,例如当前候选聚合商品为家电活动时,预设组合策略为“H品牌”、“电冰箱”、“三开门”等,则满足该预设组合策略的候选普通对象可以被认为是一种引流对象,与候选聚合对象进行组合,得到对应的候选对。基于预设组合策略,一个候选聚合对象可能会生成多个候选对。
步骤S140,根据目标用户与候选聚合对象的第一匹配度,以及目标用户与候选普通对象的第二匹配度,确定目标用户与候选对的第三匹配度。
其中,第一匹配度是指目标用户对候选聚合对象的感兴趣的程度,第二匹配度是指目标用户对候选普通对象的感兴趣的程度,基于第一匹配度与第二匹配对,可以确定目标用户与候选对的第三匹配度,即目标用户对候选对的感兴趣的程度。
在一示例性实施例中,第三匹配度的计算还可以考虑候选普通对象是否满足预设组合策略的因素,具体的,目标用户与候选对的第三匹配度可以通过以下公式表示:
P(候选聚合对象i,候选普通对象j)=P(候选聚合对象i)*
P(候选普通对象j)*Match(候选聚合对象i,候选普通对象j)(2)
其中,Match为预设组合策略函数,用于保证候选普通对象满足预设组合策略,可以通过以下公式表示:
P(候选聚合对象i)表示目标用户对候选聚合对象i的感兴趣程度,即兴趣分数,可以通过以下公式表示:
P(候选聚合对象i)=αk*Wi,k(4)
其中,αk表示获取的目标用户的行为数据中行为对象k的行为权重,Wi,k为候选聚合对象i与行为对象k之间的相似度,可以通过公式(1)计算得到。P(候选普通对象j)表示目标用户对候选普通对象j的感兴趣程度,与P(候选聚合对象i)的表示方式类似,在此不做赘述。
基于上述说明,在本示例性实施例中,获取目标用户的行为数据;根据行为数据,在聚合对象中确定与目标用户关联的至少一个候选聚合对象,以及在普通对象中确定与目标用户关联的至少一个候选普通对象;将候选聚合对象与候选普通对象进行组合,得到与目标用户关联的至少一个候选对,其中,每个候选对包括一个候选聚合对象和一个候选普通对象;根据目标用户与候选聚合对象的第一匹配度,以及目标用户与候选普通对象的第二匹配度,确定目标用户与候选对的第三匹配度。一方面,本示例性实施例根据目标用户的行为数据,确定候选聚合对象和候选普通对象,生成与目标用户关联的候选对,不同的目标用户可以生成个性化的候选对,充分利用了用户的行为数据,增强了候选对与目标用户之间的关联性,相比于现有技术中通过主观规则确定候选对的方式,具有更好的客观性和有效性;另一方面,基于第一匹配度和第二匹配度确定第三匹配度,同时考虑目标用户对候选聚合对象和候选普通对象的关联程度,提高了第三匹配度的可信度,在多种推荐的应用场景中可以具有更好的推荐效果和较高的推荐准确性。
在得到目标用户与候选对的第三匹配度之后,如图4所示,在一示例性实施例中,匹配方法还可以包括以下步骤:
步骤S410,根据第三匹配度的大小,对多个候选对进行排序;
步骤S420,基于排序结果,从多个候选对中确定目标候选对向目标用户进行推荐。
本示例性实施例可以应用于对象推荐的场景中,具体的,可以对由第一匹配度和第二匹配度确定的第三匹配度进行排序,根据排序结果确定用于为目标用户进行候选对推荐的目标候选对,其中,目标候选对可以是一个也可以是多个,例如在推荐时,可以将第三匹配度最高的候选对推荐给目标用户,也可以将第三匹配度前几位的候选对推荐给目标用户,推荐数量和推荐规则可以根据实际需要进行自定义设置,本公开对此不做具体限定。本示例性实施例可以为不同的用户推荐个性化的候选对中,例如对于不同的用户,在推荐同一个电商活动时,其封面显示的商品可以是不同的,从而实现了候选对的个性化推荐。
需要说明的是,生成的候选对中可能出现多个包括相同候选聚合对象的候选对,也可能出现包括不相同候选聚合对象的候选对,例如候选对1为(聚合商品1、普通商品2)、候选对2为(聚合商品1、普通商品3)、候选对3为(聚合商品4,普通商品5)、候选对4为(聚合商品4、普通商品6)、候选对5为(聚合商品4、普通商品7),在进行排序时,可以以同一候选聚合对象为基准,进行排序,例如以聚合商品1为基准,进行排序为候选对1、候选对2,以聚合商品2为基准,进行排序为候选对3、候选对4、候选对5,进一步的,向目标用户推荐不同候选聚合对象组成的候选对,例如向目标用户推荐候选对1和候选对3。或者也可以对所有候选对进行排序,根据该排序结果向目标用户进行推荐等,本公开对此不做具体限定。
在一示例性实施例中,上述步骤S410可以包括:
根据第三匹配度大于预设阈值的候选对生成对象推荐集合;
采用预先训练的评分模型对对象推荐集合中的候选对进行处理,得到每个候选对的评分结果;
进一步的,上述步骤S420可以包括:
选择评分结果前预设数量的候选对,作为目标候选对向目标用户进行推荐。
为了提高向目标用户进行候选对推荐的准确性,本示例性实施例还可以通过第三匹配度对候选对进行筛选,生成对象推荐集合后,再采用预先训练的评分模型,对其中的候选对进行再次评分,然后根据评分结果确定向目标用户推荐哪一目标候选对,例如目标候选对可以是评分结果前十位的候选对等。
图5示出了本示例性实施例中一种候选对推荐方法的流程图,具体可以包括以下步骤:
步骤S502,统计多个用户的行为数据,
步骤S504,根据多个用户的行为数据,确定每个对象的关联用户信息,其中,对象包括聚合对象和普通对象;
步骤S506,计算不同对象之间的相似度;
步骤S508,为每个对象确定与其相似度最高的预设数量的其他对象,建立相似对象列表;
步骤S510,获取目标用户的行为数据;
步骤S512,在目标用户的行为数据中确定至少一个行为对象;
步骤S514,在预先建立的相似对象列表中获取与上述行为对象相似的聚合对象和普通对象,以得到候选聚合对象和候选普通对象;
步骤S516,将候选聚合对象与候选普通对象进行组合,得到与目标用户关联的至少一个候选对,其中,每个候选对包括一个候选聚合对象和一个候选普通对象;
步骤S518,根据目标用户与候选聚合对象的第一匹配度,以及目标用户与候选普通对象的第二匹配度,确定目标用户与候选对的第三匹配度;
步骤S520,根据第三匹配度的大小,对多个候选对进行排序;
步骤S522,基于排序结果,从多个候选对中确定目标候选对向目标用户进行推荐。
本公开的示例性实施例还提供了一种匹配装置。参照图6,该装置600可以包括,数据获取模块610,用于获取目标用户的行为数据;对象确定模块620,用于根据行为数据,在聚合对象中确定与目标用户关联的至少一个候选聚合对象,以及在普通对象中确定与目标用户关联的至少一个候选普通对象;对象组合模块630,用于将候选聚合对象与候选普通对象进行组合,得到与目标用户关联的至少一个候选对,其中,每个候选对包括一个候选聚合对象和一个候选普通对象;匹配度确定模块640,用于根据目标用户与候选聚合对象的第一匹配度,以及目标用户与候选普通对象的第二匹配度,确定目标用户与候选对的第三匹配度。
在一示例性实施例中,对象确定模块,包括:行为对象确定单元,用于在行为数据中确定至少一个行为对象;对象获取单元,用于在预先建立的相似对象列表中获取与行为对象相似的聚合对象和普通对象,以得到候选聚合对象和候选普通对象。
在一示例性实施例中,相似对象列表通过以下方式建立:数据统计单元,用于统计多个用户的行为数据,以得到每个对象的关联用户信息,其中,对象包括聚合对象和普通对象;特征数据生成单元,用于根据每个对象的关联用户信息,生成每个对象的特征数据;相似度计算单元,用于计算不同对象的特征数据之间的相似度,以建立相似对象列表。
在一示例性实施例中,相似度计算单元,包括:相似度计算子单元,用于计算不同对象的特征数据之间的相似度,以作为不同对象之间的相似度;列表建立子单元,用于为每个对象确定与其相似度最高的预设数量的其他对象,以建立相似对象列表。
在一示例性实施例中,对象组合模块,包括:策略确定单元,用于基于候选聚合对象的属性,确定预设组合策略;候选对生成单元,用于将满足预设组合策略的候选普通对象与候选聚合对象进行组合,得到与目标用户关联的至少一个候选对。
在一示例性实施例中,至少一个候选对为多个候选对;匹配装置还包括:排序模块,用于在确定目标用户与候选对的第三匹配度之后,根据第三匹配度的大小,对多个候选对进行排序;推荐模块,用于基于排序结果,从多个候选对中确定目标候选对向目标用户进行推荐。
在一示例性实施例中,排序模块,包括:推荐集合生成单元,用于根据第三匹配度大于预设阈值的候选对生成对象推荐集合;候选对处理单元,用于采用预先训练的评分模型对对象推荐集合中的候选对进行处理,得到每个候选对的评分结果;推荐模块,包括:推荐单元,用于选择评分结果前预设数量的候选对,作为目标候选对向目标用户进行推荐。
上述装置中各模块/单元的具体细节在方法部分的实施例中已经详细说明,未披露的细节内容可以参见方法部分的实施例内容,因此此处不再赘述。
本公开的示例性实施例还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图7来描述根据本公开的这种示例性实施例的电子设备700。图7显示的电子设备700仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于:上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730、显示单元740。
其中,存储单元存储有程序代码,程序代码可以被处理单元710执行,使得处理单元710执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,处理单元710可以执行图1、图2、图3、图4或图5所示的步骤等。
存储单元720可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)721和/或高速缓存存储单元722,还可以进一步包括只读存储单元(ROM)723。
存储单元720还可以包括具有一组(至少一个)程序模块725的程序/实用工具724,这样的程序模块725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。
总线730可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)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(例如路由器、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750进行。并且,电子设备700还可以通过网络适配器760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760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。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开示例性实施例的方法。
本公开的示例性实施例还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
本公开的示例性实施例还提供了一种用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,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。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
计算机可读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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
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、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的示例性实施例,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
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他实施例。本申请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。
Claims (8)
1.一种匹配方法,其特征在于,包括:
获取目标用户的行为数据;
根据所述行为数据,在聚合对象中确定与所述目标用户关联的至少一个候选聚合对象,以及在普通对象中确定与所述目标用户关联的至少一个候选普通对象;所述根据所述行为数据,在聚合对象中确定与所述目标用户关联的至少一个候选聚合对象,以及在普通对象中确定与所述目标用户关联的至少一个候选普通对象,包括:在所述行为数据中确定至少一个行为对象;在预先建立的相似对象列表中获取与所述行为对象相似的聚合对象和普通对象,以得到所述候选聚合对象和所述候选普通对象;其中,统计多个用户的行为数据,以得到每个对象的关联用户信息,其中,所述对象包括聚合对象和普通对象;根据所述每个对象的关联用户信息,生成每个对象的特征数据;计算不同对象的特征数据之间的相似度,以建立所述相似对象列表;
将所述候选聚合对象与所述候选普通对象进行组合,得到与所述目标用户关联的至少一个候选对,其中,每个候选对包括一个候选聚合对象和一个候选普通对象;
根据所述目标用户与所述候选聚合对象的第一匹配度,以及所述目标用户与所述候选普通对象的第二匹配度,确定所述目标用户与所述候选对的第三匹配度;其中,第一匹配度是指所述目标用户对候选聚合对象的感兴趣的程度,第二匹配度是指所述目标用户对候选普通对象的感兴趣的程度,第三匹配度是指所述目标用户对候选对的感兴趣的程度。
2.根据权利要求1所述的方法,其特征在于,所述计算不同对象的特征数据之间的相似度,以建立相似对象列表,包括:
计算不同对象的特征数据之间的相似度,以作为所述不同对象之间的相似度;
为每个对象确定与其相似度最高的预设数量的其他对象,以建立所述相似对象列表。
3.根据权利要求1所述的方法,其特征在于,所述将所述候选聚合对象与所述候选普通对象进行组合,得到与所述目标用户关联的至少一个候选对,包括:
基于所述候选聚合对象的属性,确定预设组合策略;
将满足所述预设组合策略的候选普通对象与所述候选聚合对象进行组合,得到与所述目标用户关联的至少一个候选对。
4.根据权利要求1所述的方法,其特征在于,所述至少一个候选对为多个候选对;
在确定所述目标用户与所述候选对的第三匹配度之后,所述方法还包括:
根据所述第三匹配度的大小,对所述多个候选对进行排序;
基于排序结果,从所述多个候选对中确定目标候选对向所述目标用户进行推荐。
5.根据权利要求4所述的方法,其特征在于,所述根据所述第三匹配度的大小,对所述多个候选对进行排序,包括:
根据所述第三匹配度大于预设阈值的候选对生成对象推荐集合;
采用预先训练的评分模型对所述对象推荐集合中的候选对进行处理,得到每个所述候选对的评分结果;
所述基于排序结果,从所述多个候选对中确定目标候选对向所述目标用户进行推荐,包括:
选择所述评分结果前预设数量的候选对,作为目标候选对向所述目标用户进行推荐。
6.一种匹配装置,其特征在于,包括:
数据获取模块,用于获取目标用户的行为数据;
对象确定模块,用于根据所述行为数据,在聚合对象中确定与所述目标用户关联的至少一个候选聚合对象,以及在普通对象中确定与所述目标用户关联的至少一个候选普通对象;所述对象确定模块,被配置为:在所述行为数据中确定至少一个行为对象;在预先建立的相似对象列表中获取与所述行为对象相似的聚合对象和普通对象,以得到所述候选聚合对象和所述候选普通对象;其中,统计多个用户的行为数据,以得到每个对象的关联用户信息,其中,所述对象包括聚合对象和普通对象;根据所述每个对象的关联用户信息,生成每个对象的特征数据;计算不同对象的特征数据之间的相似度,以建立所述相似对象列表;
对象组合模块,用于将所述候选聚合对象与所述候选普通对象进行组合,得到与所述目标用户关联的至少一个候选对,其中,每个候选对包括一个候选聚合对象和一个候选普通对象;
匹配度确定模块,用于根据所述目标用户与所述候选聚合对象的第一匹配度,以及所述目标用户与所述候选普通对象的第二匹配度,确定所述目标用户与所述候选对的第三匹配度;其中,第一匹配度是指所述目标用户对候选聚合对象的感兴趣的程度,第二匹配度是指所述目标用户对候选普通对象的感兴趣的程度,第三匹配度是指所述目标用户对候选对的感兴趣的程度。
7.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-5任一项所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010681339.8A CN113779369B (zh) | 2020-07-15 | 2020-07-15 | 匹配方法、匹配装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010681339.8A CN113779369B (zh) | 2020-07-15 | 2020-07-15 | 匹配方法、匹配装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113779369A CN113779369A (zh) | 2021-12-10 |
CN113779369B true CN113779369B (zh) | 2024-05-21 |
Family
ID=78835159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010681339.8A Active CN113779369B (zh) | 2020-07-15 | 2020-07-15 | 匹配方法、匹配装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113779369B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118336A (zh) * | 2018-08-24 | 2019-01-01 | 平安科技(深圳)有限公司 | 信息推荐方法、装置、计算机设备及存储介质 |
CN109559208A (zh) * | 2019-01-04 | 2019-04-02 | 平安科技(深圳)有限公司 | 一种信息推荐方法、服务器及计算机可读介质 |
WO2019227560A1 (zh) * | 2018-05-29 | 2019-12-05 | 科大讯飞股份有限公司 | 信息推荐方法、装置、系统、设备及可读存储介质 |
CN111199428A (zh) * | 2020-01-03 | 2020-05-26 | 江苏苏宁物流有限公司 | 商品推荐方法、装置、存储介质及计算机设备 |
-
2020
- 2020-07-15 CN CN202010681339.8A patent/CN113779369B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019227560A1 (zh) * | 2018-05-29 | 2019-12-05 | 科大讯飞股份有限公司 | 信息推荐方法、装置、系统、设备及可读存储介质 |
CN109118336A (zh) * | 2018-08-24 | 2019-01-01 | 平安科技(深圳)有限公司 | 信息推荐方法、装置、计算机设备及存储介质 |
CN109559208A (zh) * | 2019-01-04 | 2019-04-02 | 平安科技(深圳)有限公司 | 一种信息推荐方法、服务器及计算机可读介质 |
CN111199428A (zh) * | 2020-01-03 | 2020-05-26 | 江苏苏宁物流有限公司 | 商品推荐方法、装置、存储介质及计算机设备 |
Non-Patent Citations (2)
Title |
---|
Resource Matching in Carrier Aggregation Enabling 5G Networks;Alam, MJ等;《WIRELESS PERSONAL COMMUNICATIONS》;20170731;全文 * |
群体偏好增强的混合群推荐方法;蔡玲;许;李奥勇;;计算机工程与应用;20170501(09);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113779369A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10868888B1 (en) | Method and apparatus for real-time personalization | |
US9838743B2 (en) | Techniques for context aware video recommendation | |
WO2017181612A1 (zh) | 个性化视频推荐方法及装置 | |
CN110335123B (zh) | 基于社交电商平台的商品推荐方法、系统、计算机可读介质以及装置 | |
CN110046301B (zh) | 对象推荐方法和装置 | |
CN111260449B (zh) | 一种模型训练的方法、商品推荐的方法、装置及存储介质 | |
CN111695960A (zh) | 一种对象推荐系统、方法、电子设备及存储介质 | |
US11430049B2 (en) | Communication via simulated user | |
Karimi et al. | Exploiting the characteristics of matrix factorization for active learning in recommender systems | |
US20150310529A1 (en) | Web-behavior-augmented recommendations | |
CN109379608A (zh) | 一种直播间的推荐方法以及相关设备 | |
CN112015986A (zh) | 数据推送方法、装置、电子设备及计算机可读存储介质 | |
CN110020910B (zh) | 对象推荐方法和装置 | |
CN110110206B (zh) | 物品间关系挖掘及推荐方法、装置、计算设备、存储介质 | |
CN112036987B (zh) | 确定推荐商品的方法和装置 | |
US20090077093A1 (en) | Feature Discretization and Cardinality Reduction Using Collaborative Filtering Techniques | |
CN111787042B (zh) | 用于推送信息的方法和装置 | |
CN113779369B (zh) | 匹配方法、匹配装置、电子设备及存储介质 | |
US10740815B2 (en) | Searching device, searching method, recording medium, and program | |
US20210357955A1 (en) | User search category predictor | |
US9330360B1 (en) | Recommendation engine rationalization | |
CN112035740A (zh) | 项目使用时长预测方法、装置、设备及存储介质 | |
CN111475737A (zh) | 用户推荐方法、装置、电子设备、存储介质 | |
CN116911912B (zh) | 一种交互对象和交互结果的预测方法及装置 | |
CN115545851A (zh) | 一种资源推荐方法、装置、电子设备和存储介质 |
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 |