CN113821596A - 信息推荐方法、装置、计算机设备及存储介质 - Google Patents

信息推荐方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN113821596A
CN113821596A CN202110941924.1A CN202110941924A CN113821596A CN 113821596 A CN113821596 A CN 113821596A CN 202110941924 A CN202110941924 A CN 202110941924A CN 113821596 A CN113821596 A CN 113821596A
Authority
CN
China
Prior art keywords
buried point
word vector
word
cluster
target object
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
Application number
CN202110941924.1A
Other languages
English (en)
Inventor
刘杨
熊焕卫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Donson Times Information Technology Co ltd
Original Assignee
Donson Times Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Donson Times Information Technology Co ltd filed Critical Donson Times Information Technology Co ltd
Priority to CN202110941924.1A priority Critical patent/CN113821596A/zh
Publication of CN113821596A publication Critical patent/CN113821596A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种信息推荐方法、装置、计算机设备及介质，包括：通过获取目标对象的注册数据，并基于注册数据生成目标对象的初始化标签；采集目标对象的行为数据，并根据行为数据确定目标对象的兴趣词；基于初始化标签和兴趣词进行聚类处理，得到至少两个聚类簇，以及，每个聚类簇中包含的词向量对应的关键词；分别获取聚类簇和关键词在预设埋点集合中对应的埋点，作为一级埋点和二级埋点；基于一级埋点和二级埋点，生成动态埋点，并基于动态埋点，对目标对象进行信息推荐，采用本发明提高了信息推荐的准确性和效率。

Description

信息推荐方法、装置、计算机设备及存储介质
技术领域
本发明涉及数据处理领域，尤其涉及一种信息推荐方法、装置、计算机设备及介质。
背景技术
互联网能够给用户提供丰富的信息资源，随着互联网技术的飞速发展，越来越多的用户通过互联网获取信息，不同人群，其感兴趣的目标对象不一样，为给用户进行精准地信息推荐，需要获取用户的兴趣偏好。
在当前，获取用户兴趣偏好主要是通过埋点的方式，即统计用户点击各个埋点应用的频率来确定用户偏好，但这种方式受到埋点应用本身的数量和分布限制，具有一定的局限性，在埋点数量设置较多时，后台需要同时对大量埋点消息进行监控，占用较多资源，同时，也使得其中混杂太多用户不感兴趣的内容，使得信息推荐的针对性不强，在埋点数量较少时，容易遗漏用户的偏好信息，导致信息推荐不够精准。
发明内容
本发明实施例提供一种信息推荐方法、装置、计算机设备和存储介质，以提高当前信息推荐的精准程度。
为了解决上述技术问题，本申请实施例提供一种信息推荐方法，包括：
获取目标对象的注册数据，并基于所述注册数据生成所述目标对象的初始化标签；
采集所述目标对象的行为数据，并根据所述行为数据确定所述目标对象的兴趣词；
基于所述初始化标签和所述兴趣词进行聚类处理，得到至少两个聚类簇，以及，每个所述聚类簇中包含的词向量对应的关键词；
分别获取所述聚类簇和所述关键词在预设埋点集合中对应的埋点，作为一级埋点和二级埋点；
基于所述一级埋点和所述二级埋点，生成动态埋点，并基于所述动态埋点，对所述目标对象进行信息推荐。
可选地，所述根据所述行为数据确定所述目标对象的兴趣词包括：
对所述行为数据进行分析过滤，得到用户关键字；
采用词向量的方式对所述用户关键字进行训练，得到初始词向量；
针对每个所述初始词向量，分别计算所述初始词向量到每个预设兴趣词对应的词向量的欧式距离，并将值最小的欧式距离对应的预设兴趣词，作为所述目标对象的兴趣词。
可选地，所述基于所述初始化标签和所述兴趣词进行聚类处理，得到至少两个聚类簇，以及，每个所述聚类簇中包含的词向量对应的关键词包括：
将所述初始化标签转化为词向量，得到第一词向量，并将所述兴趣词进行转化为词向量，得到第二词向量；
获取预设的权重信息，并基于所述预设的权重信息，分别对所述第一词向量和所述第二词向量进行加权处理，得到更新后的第一词向量和更新后的第二词向量；
采用K-Means聚合算法，对所述更新后的第一词向量和所述更新后的第二词向量进行聚类，得到至少两个聚类簇，以及，每个所述聚类簇中包含的词向量对应的关键词。
可选地，所述分别获取所述聚类簇和所述关键词在预设埋点集合中对应的埋点，作为一级埋点和二级埋点包括：
将每个所述聚类簇在预设埋点集合中对应的埋点，均作为一级埋点，将每个所述关键词在预设埋点集合中对应的埋点，均作为初始二级埋点；
针对每个所述一级埋点，基于所述一级埋点对应的聚类簇中关键词的距离，采用iframe的方式，生成埋点信息热力图；
基于所述埋点信息热力图和预设选取方式，对所述初始二级埋点进行甄选，得到所述二级埋点。
可选地，所述基于所述一级埋点和所述二级埋点，生成动态埋点包括：
构建所述一级埋点和所述二级埋点的映射关系，并将所述一级埋点的可视属性设置成可视，将所述二级埋点的可视属性设置为不可视；
在检测到任一所述一级埋点被触发时，将被触发的一级埋点作为目标一级埋点；
基于所述映射关系，获取所述目标一级埋点对应的二级埋点，作为目标二级埋点；
将所述目标二级埋点的可视属性更新为可视，以使所述目标二级埋点在客户端被渲染显示。
为了解决上述技术问题，本申请实施例还提供一种信息推荐装置，包括：
标签获取模块，用于获取目标对象的注册数据，并基于所述注册数据生成所述目标对象的初始化标签；
兴趣词确定模块，用于采集所述目标对象的行为数据，并根据所述行为数据确定所述目标对象的兴趣词；
聚类处理模块，用于基于所述初始化标签和所述兴趣词进行聚类处理，得到至少两个聚类簇，以及，每个所述聚类簇中包含的词向量对应的关键词；
埋点分层模块，用于分别获取所述聚类簇和所述关键词在预设埋点集合中对应的埋点，作为一级埋点和二级埋点；
信息推荐模块，用于基于所述一级埋点和所述二级埋点，生成动态埋点，并基于所述动态埋点，对所述目标对象进行信息推荐。
可选地，所述兴趣词确定模块包括：
数据分析单元，用于对所述行为数据进行分析过滤，得到用户关键字；
词向量生成单元，用于采用词向量的方式对所述用户关键字进行训练，得到初始词向量；
兴趣词确定单元，用于针对每个所述初始词向量，分别计算所述初始词向量到每个预设兴趣词对应的词向量的欧式距离，并将值最小的欧式距离对应的预设兴趣词，作为所述目标对象的兴趣词。
可选地，聚类处理模块包括：
词向量转化单元，用于将所述初始化标签转化为词向量，得到第一词向量，并将所述兴趣词进行转化为词向量，得到第二词向量；
词向量更新单元，用于获取预设的权重信息，并基于所述预设的权重信息，分别对所述第一词向量和所述第二词向量进行加权处理，得到更新后的第一词向量和更新后的第二词向量；
聚类单元，用于采用K-Means聚合算法，对所述更新后的第一词向量和所述更新后的第二词向量进行聚类，得到至少两个聚类簇，以及，每个所述聚类簇中包含的词向量对应的关键词。
可选地，所述埋点分层模块包括：
埋点初选模块，用于将每个所述聚类簇在预设埋点集合中对应的埋点，均作为一级埋点，将每个所述关键词在预设埋点集合中对应的埋点，均作为初始二级埋点；
热力图生成模块，用于针对每个所述一级埋点，基于所述一级埋点对应的聚类簇中关键词的距离，采用iframe的方式，生成埋点信息热力图；
二级埋点确定模块，用于基于所述埋点信息热力图和预设选取方式，对所述初始二级埋点进行甄选，得到所述二级埋点。
可选地，所述信息推荐模块包括：
映射单元，用于构建所述一级埋点和所述二级埋点的映射关系，并将所述一级埋点的可视属性设置成可视，将所述二级埋点的可视属性设置为不可视；
触发检测单元，用于在检测到任一所述一级埋点被触发时，将被触发的一级埋点作为目标一级埋点；
目标确定单元，用于基于所述映射关系，获取所述目标一级埋点对应的二级埋点，作为目标二级埋点；
属性更新单元，用于将所述目标二级埋点的可视属性更新为可视，以使所述目标二级埋点在客户端被渲染显示。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，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信息推荐方法的步骤。
为了解决上述技术问题，本申请实施例还提供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信息推荐方法的步骤。
本发明实施例提供的信息推荐方法、装置、计算机设备及存储介质，通过获取目标对象的注册数据，并基于注册数据生成目标对象的初始化标签；采集目标对象的行为数据，并根据行为数据确定目标对象的兴趣词；基于初始化标签和兴趣词进行聚类处理，得到至少两个聚类簇，以及，每个聚类簇中包含的词向量对应的关键词；分别获取聚类簇和关键词在预设埋点集合中对应的埋点，作为一级埋点和二级埋点；基于一级埋点和二级埋点，生成动态埋点，并基于动态埋点，对目标对象进行信息推荐，实现快速进行用户个性化精准信息推荐，提高了信息推荐的准确性和效率。
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是本申请可以应用于其中的示例性系统架构图；
图2是本申请的信息推荐方法的一个实施例的流程图；
图3是根据本申请的信息推荐装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
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。
请参阅图1，如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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101、102、103通过网络104与服务器105交互，以接收或发送消息等。
终端设备101、102、103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、电子书阅读器、MP3播放器(Moving Picture EpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureEperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的信息推荐方法由服务器执行，相应地，信息推荐装置设置于服务器中。
应该理解，图1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，本申请实施例中的终端设备101、102、103具体可以对应的是实际生产中的应用系统。
请参阅图2，图2示出本发明实施例提供的一种信息推荐方法，以该方法应用在图1中的服务端为例进行说明，详述如下：
S201：获取目标对象的注册数据，并基于注册数据生成目标对象的初始化标签。
具体地，目标对象(也即客户端的用户)在进行注册时，根据注册信息生成注册数据，根据注册数据中包含的用户基本资料、用户注册目的、用户个人的偏好类别、用户的职业等信息，对用户进行画像，并生出初始化的标签。
S202：采集目标对象的行为数据，并根据行为数据确定目标对象的兴趣词。
S203：基于初始化标签和兴趣词进行聚类处理，得到至少两个聚类簇，以及，每个聚类簇中包含的词向量对应的关键词。
具体可参考后续实施例的描述，为避免重复，此处不再赘述。
S204：分别获取聚类簇和关键词在预设埋点集合中对应的埋点，作为一级埋点和二级埋点。
具体地，服务端预先选取一些相对于目标用户具有针对性的埋点，构成预设埋点集合，一级埋点和二级埋点属于不同层级，一个一级埋点下面包括一个或多个二级埋点。
S205：基于一级埋点和二级埋点，生成动态埋点，并基于动态埋点，对目标对象进行信息推荐。
具体地，通过构建一级埋点和二级埋点的映射关系，进而将一级埋点设置为可视，二级埋点设置为不可视，在某个一级埋点被触发后，基于映射关系，将被触发的一级埋点对应的二级埋点的可视属性设置为可视，以使该二级埋点在客户端被渲染显示。
本实施例中，通过获取目标对象的注册数据，并基于注册数据生成目标对象的初始化标签；采集目标对象的行为数据，并根据行为数据确定目标对象的兴趣词；基于初始化标签和兴趣词进行聚类处理，得到至少两个聚类簇，以及，每个聚类簇中包含的词向量对应的关键词；分别获取聚类簇和关键词在预设埋点集合中对应的埋点，作为一级埋点和二级埋点；基于一级埋点和二级埋点，生成动态埋点，并基于动态埋点，对目标对象进行信息推荐，实现快速进行用户个性化精准信息推荐，提高了信息推荐的准确性和效率。
在一具体可选实施方式中，步骤S202中，根据行为数据确定目标对象的兴趣词包括：
对行为数据进行分析过滤，得到用户关键字；
采用词向量的方式对用户关键字进行训练，得到初始词向量；
针对每个初始词向量，分别计算初始词向量到每个预设兴趣词对应的词向量的欧式距离，并将值最小的欧式距离对应的预设兴趣词，作为目标对象的兴趣词。
具体地，服务器从后台数据库获取记录用户历史行为的日志信息，通过对日志的提取，得到用户的行为数据。
其中，用户历史行为是指用户在登录网站平台后的全部操作行为，该操作行为被记录在服务器后台数据库的日志信息中。
行为数据包括但不限于：历史搜索记录、历史点击记录、历史浏览记录。
历史搜索记录包括但不限于：用户信息、搜索时间和检索关键词。用户信息包括用户的基本信息，如姓名、性别、年龄等，搜索时间是指检测到检索操作的具体时间，检索关键词是指检索时间输入并进行查询的关键词。
例如，在一具体实施方式中，历史搜索记录为：“(张三，男，23)，2018-01-29 20:46:50，洗衣机”，其中，“张三，男，23”为用户信息，“2018年1月29日20:46:50”为搜索时间，“洗衣机”为搜索关键字。
历史点击记录包括但不限于：用户信息、点击时间和点击超链接的身份识别符(Identification，ID)，点击时间是指检测到点击操作的具体时间，点击超链接的ID是指点击操作的对象的ID，进一步地，点击历史记录还记录了该产品是在搜索结果中点击的还是推荐结果中点击的。
例如，在一具体实施方式中，历史点击记录为：“(张三，男，23)，2018-01-29 20:51:50，65936，S”，其中，“65936”为后台数据库中对应的一国产的洗衣机的具体介绍的页面的超链接的ID，“S”为该所点击的超链接的ID为根据搜索的方式得到的超链接的ID。
历史浏览记录包括但不限于：用户信息、浏览时间和浏览数据，其中，浏览是用户在浏览产品信息的产生的浏览记录，一次点击查看的页面会记录多条浏览数据，该数据是采样数据。
进一步地，通过对行为数据中的搜索关键字、点击超链接的ID所对应的页面信息和浏览的页面信息进行关键信息提取分析，获取目标对象(也即用户)的初始关键字。
其中，点击超链接的ID所对应的页面信息是指点击操作的对象的ID在后台数据库中对应的页面信息。
例如，在用户点击超链接ID为“NZ_5263”的超链接后，通过在后台数据库中查询获知超链接ID为“NZ_5263”的超链接所对应的页面为“https://miaosha.xxxxxx.com/#1892018”，进而提取该页面的产品标题，产品基本信息等，得到初始用户关键字：“精美奢华亮钻刺绣可媲美XXX知名品牌秋冬新款韩版针织衫”。
进一步地，对用户初始关键字中的干扰词汇进行剔除，得到用户关键字。
具体地，对用户初始关键字中的干扰词汇进行剔除的实现方式为：
根据预设字典对初始用户关键字进行分词处理，得到初始用户关键字的多个分词；
对各个分词按照该分词的词性进行词语分类，例如，按照词性将这些分词分为主观词汇和客观词汇；
获取符合预设词性条件的分词作为用户关键字。
例如，在一具体实施方式中，提取到的用户初始关键字为“精美奢华亮钻刺绣可媲美XXX知名品牌秋冬新款韩版针织衫”，在进行分词处理时，可将“精美奢华亮钻刺绣可媲美XXX知名品牌秋冬新款韩版针织衫”的产品标题分割为“精美奢华”、“亮钻刺绣”、“可媲美”、“XXX知名品牌”、“秋冬”、“新款”、“韩版”、“针织衫”七个关键词汇，而“精美奢华”、“亮钻刺绣”、“可媲美”三个词均为主观词汇，可予剔除，“XXX知名品牌”、“秋冬”、“新款”、“韩版”、和“针织衫”为能反应用户需求的产品特征的词汇，则最后得到的五个关键词为：“XXX知名品牌”、“秋冬”、“新款”、“韩版”和“针织衫”。
可选地，在行为信息较长时，可对行为信息进行分词和关键词提取。分词可采用第三方分词工具或者分词算法来实现。
其中，常见的第三方分词工具包括但不限于：Stanford NLP分词器、ICTClAS分词系统、ansj分词工具和HanLP中文分词工具等。
其中，分词算法包括但不限于：最大正向匹配(Maximum Matching，MM)算法、逆向最大匹配(ReverseDirectionMaximum Matching Method，RMM)算法、双向最大匹配(Bi-directction Matching method，BM)算法、隐马尔科夫模型(Hidden Markov Model，HMM)和N-gram模型等。
进一步地，生成行为信息对应的词向量，具体实现为：将每个生成行为信息对应的关键词按照预设的语料库映射到向量中，将这些向量联系在一起，形成一个词向量空间，每个向量相当于是这个空间中的一个点，将每个向量作为一个空间词向量。
在一具体可选实施方式中，步骤S203中，基于初始化标签和兴趣词进行聚类处理，得到至少两个聚类簇，以及，每个聚类簇中包含的词向量对应的关键词包括：
将初始化标签转化为词向量，得到第一词向量，并将兴趣词进行转化为词向量，得到第二词向量；
获取预设的权重信息，并基于预设的权重信息，分别对第一词向量和第二词向量进行加权处理，得到更新后的第一词向量和更新后的第二词向量；
采用K-Means聚合算法，对更新后的第一词向量和更新后的第二词向量进行聚类，得到至少两个聚类簇，以及，每个聚类簇中包含的词向量对应的关键词。
其中，K-means算法是基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。
其中，预设的权重信息可以根据实际需求进行设定，初始化标签对应的预设权重信息和兴趣词对应的预设权重信息可以相同也可以不相同，此处不做具体限定。
在本实施例中，使用K-Means聚合算法对更新后的第一词向量和更新后的第二词向量进行聚类分析详叙如下：
初始化m个聚类中心，m为预设聚类中心数量；
针对每个更新后的第一词向量和每个更新后的第二词向量，计算该空间词向量与当前每个聚类中心之间的第一距离，将该空间词向量放入最小第一距离对应的聚类中心所在的聚类中，得到m个临时聚类；
针对每个临时聚类，计算该临时聚类的均值，以及该临时聚类中每个空间词向量和该均值之间的第二距离，选取最小第二距离对应的该空间词向量作为该临时聚类的新的聚类中心，得到更新后的m个临时聚类；
按照如下公式计算每个更新后的临时聚类的标准差：
Figure BDA0003215226700000131
其中，σ为标准差，Ai为更新后的临时聚类中第i个空间词向量，n为更新后的临时聚类中空间词向量的数量，μ为空间词向量Ai所在的更新后的临时聚类的平均值，i∈[1，n]，且i和n为正整数；
若m个更新后的临时聚类的标准差中至少存在一个标准差大于或者等于预设的标准差阈值，则返回执行针对有效评价中的每个空间词向量，计算该空间词向量与当前每个聚类中心之间的第一距离，将该空间词向量放入最小第一距离对应的聚类中心所在的聚类中，得到m个临时聚类的步骤；
若m个更新后的临时聚类的标准差均小于标准差阈值，则将该m个更新后的临时聚类的聚类中心作为聚类分析结果，该聚类结果中包括至少m个聚类簇，以及，每个聚类簇中包含的词向量对应的关键词。
在一具体可选实施方式中，步骤S204中，分别获取聚类簇和关键词在预设埋点集合中对应的埋点，作为一级埋点和二级埋点包括：
将每个聚类簇在预设埋点集合中对应的埋点，均作为一级埋点，将每个关键词在预设埋点集合中对应的埋点，均作为初始二级埋点；
针对每个一级埋点，基于一级埋点对应的聚类簇中关键词的距离，采用iframe的方式，生成埋点信息热力图；
基于埋点信息热力图和预设选取方式，对初始二级埋点进行甄选，得到二级埋点。
其中，IFRAME是HTML标签，作用是文档中的文档，或者浮动的框架(FRAME)。iframe元素会创建包含另外一个文档的内联框架。
其中，热力图是数据可视化项目中，比较常用的显示方式，通过颜色变化程度，直观反应出热点分布，区域聚集等数据信息。本实施例通过采用埋点信息热力图，快速获取热门或者关注度比较高的二级埋点，在二级埋点较多时，优先推荐热门或者关注度比较高的二级埋点，有利于提高推荐的精准性。
在一具体可选实施方式中，步骤S205中，基于一级埋点和二级埋点，生成动态埋点包括：
构建一级埋点和二级埋点的映射关系，并将一级埋点的可视属性设置成可视，将二级埋点的可视属性设置为不可视；
在检测到任一一级埋点被触发时，将被触发的一级埋点作为目标一级埋点；
基于映射关系，获取目标一级埋点对应的二级埋点，作为目标二级埋点；
将目标二级埋点的可视属性更新为可视，以使目标二级埋点在客户端被渲染显示。
其中，一级埋点被触发时，生成埋点触发信息，埋点触发信息具体可以是写入到后台日志文件中，并定时从后台日志文件中获取，也可以是在埋点被触发时，生成包含埋点触发信息的触发消息，并反馈给服务端。
其中，可视属性是指在客户端是否可以被显示出来，包括可视和不可视，在可视属性为可视时，该埋点可以被客户端渲染显示，在可视属性为不可视时，该埋点无法被客户端渲染显示。
本实施例中，通过一级埋点和二级埋点，生成动态埋点，提高对用户偏好进行定位准确性，有利于提高信息推荐的精准程度。
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。
图3示出与上述实施例信息推荐方法一一对应的信息推荐装置的原理框图。如图3所示，该信息推荐装置包括标签获取模块31、兴趣词确定模块32、聚类处理模块33、埋点分层模块34和信息推荐模块35。各功能模块详细说明如下：
标签获取模块31，用于获取目标对象的注册数据，并基于注册数据生成目标对象的初始化标签；
兴趣词确定模块32，用于采集目标对象的行为数据，并根据行为数据确定目标对象的兴趣词；
聚类处理模块33，用于基于初始化标签和兴趣词进行聚类处理，得到至少两个聚类簇，以及，每个聚类簇中包含的词向量对应的关键词；
埋点分层模块34，用于分别获取聚类簇和关键词在预设埋点集合中对应的埋点，作为一级埋点和二级埋点；
信息推荐模块35，用于基于一级埋点和二级埋点，生成动态埋点，并基于动态埋点，对目标对象进行信息推荐。
可选地，兴趣词确定模块32包括：
数据分析单元，用于对行为数据进行分析过滤，得到用户关键字；
词向量生成单元，用于采用词向量的方式对用户关键字进行训练，得到初始词向量；
兴趣词确定单元，用于针对每个初始词向量，分别计算初始词向量到每个预设兴趣词对应的词向量的欧式距离，并将值最小的欧式距离对应的预设兴趣词，作为目标对象的兴趣词。
可选地，聚类处理模块33包括：
词向量转化单元，用于将初始化标签转化为词向量，得到第一词向量，并将兴趣词进行转化为词向量，得到第二词向量；
词向量更新单元，用于获取预设的权重信息，并基于预设的权重信息，分别对第一词向量和第二词向量进行加权处理，得到更新后的第一词向量和更新后的第二词向量；
聚类单元，用于采用K-Means聚合算法，对更新后的第一词向量和更新后的第二词向量进行聚类，得到至少两个聚类簇，以及，每个聚类簇中包含的词向量对应的关键词。
可选地，埋点分层模块34包括：
埋点初选模块，用于将每个聚类簇在预设埋点集合中对应的埋点，均作为一级埋点，将每个关键词在预设埋点集合中对应的埋点，均作为初始二级埋点；
热力图生成模块，用于针对每个一级埋点，基于一级埋点对应的聚类簇中关键词的距离，采用iframe的方式，生成埋点信息热力图；
二级埋点确定模块，用于基于埋点信息热力图和预设选取方式，对初始二级埋点进行甄选，得到二级埋点。
可选地，信息推荐模块35包括：
映射单元，用于构建一级埋点和二级埋点的映射关系，并将一级埋点的可视属性设置成可视，将二级埋点的可视属性设置为不可视；
触发检测单元，用于在检测到任一一级埋点被触发时，将被触发的一级埋点作为目标一级埋点；
目标确定单元，用于基于映射关系，获取目标一级埋点对应的二级埋点，作为目标二级埋点；
属性更新单元，用于将目标二级埋点的可视属性更新为可视，以使目标二级埋点在客户端被渲染显示。
关于信息推荐装置的具体限定可以参见上文中对于信息推荐方法的限定，在此不再赘述。上述信息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。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件连接存储器41、处理器42、网络接口43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或D界面显示存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如电子文件的控制的程序代码等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的程序代码或者处理数据，例如运行电子文件的控制的程序代码。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供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界面显示程序，所述界面显示程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的信息推荐方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种信息推荐方法，其特征在于，所述信息推荐方法包括：
获取目标对象的注册数据，并基于所述注册数据生成所述目标对象的初始化标签；
采集所述目标对象的行为数据，并根据所述行为数据确定所述目标对象的兴趣词；
基于所述初始化标签和所述兴趣词进行聚类处理，得到至少两个聚类簇，以及，每个所述聚类簇中包含的词向量对应的关键词；
分别获取所述聚类簇和所述关键词在预设埋点集合中对应的埋点，作为一级埋点和二级埋点；
基于所述一级埋点和所述二级埋点，生成动态埋点，并基于所述动态埋点，对所述目标对象进行信息推荐。
2.如权利要求1所述的信息推荐方法，其特征在于，所述根据所述行为数据确定所述目标对象的兴趣词包括：
对所述行为数据进行分析过滤，得到用户关键字；
采用词向量的方式对所述用户关键字进行训练，得到初始词向量；
针对每个所述初始词向量，分别计算所述初始词向量到每个预设兴趣词对应的词向量的欧式距离，并将值最小的欧式距离对应的预设兴趣词，作为所述目标对象的兴趣词。
3.如权利要求1所述的信息推荐方法，其特征在于，所述基于所述初始化标签和所述兴趣词进行聚类处理，得到至少两个聚类簇，以及，每个所述聚类簇中包含的词向量对应的关键词包括：
将所述初始化标签转化为词向量，得到第一词向量，并将所述兴趣词进行转化为词向量，得到第二词向量；
获取预设的权重信息，并基于所述预设的权重信息，分别对所述第一词向量和所述第二词向量进行加权处理，得到更新后的第一词向量和更新后的第二词向量；
采用K-Means聚合算法，对所述更新后的第一词向量和所述更新后的第二词向量进行聚类，得到至少两个聚类簇，以及，每个所述聚类簇中包含的词向量对应的关键词。
4.如权利要求1所述的信息推荐方法，其特征在于，所述分别获取所述聚类簇和所述关键词在预设埋点集合中对应的埋点，作为一级埋点和二级埋点包括：
将每个所述聚类簇在预设埋点集合中对应的埋点，均作为一级埋点，将每个所述关键词在预设埋点集合中对应的埋点，均作为初始二级埋点；
针对每个所述一级埋点，基于所述一级埋点对应的聚类簇中关键词的距离，采用iframe的方式，生成埋点信息热力图；
基于所述埋点信息热力图和预设选取方式，对所述初始二级埋点进行甄选，得到所述二级埋点。
5.如权利要求1至4任一项所述的信息推荐方法，其特征在于，所述基于所述一级埋点和所述二级埋点，生成动态埋点包括：
构建所述一级埋点和所述二级埋点的映射关系，并将所述一级埋点的可视属性设置成可视，将所述二级埋点的可视属性设置为不可视；
在检测到任一所述一级埋点被触发时，将被触发的一级埋点作为目标一级埋点；
基于所述映射关系，获取所述目标一级埋点对应的二级埋点，作为目标二级埋点；
将所述目标二级埋点的可视属性更新为可视，以使所述目标二级埋点在客户端被渲染显示。
6.一种信息推荐装置，其特征在于，所述信息推荐装置包括：
标签获取模块，用于获取目标对象的注册数据，并基于所述注册数据生成所述目标对象的初始化标签；
兴趣词确定模块，用于采集所述目标对象的行为数据，并根据所述行为数据确定所述目标对象的兴趣词；
聚类处理模块，用于基于所述初始化标签和所述兴趣词进行聚类处理，得到至少两个聚类簇，以及，每个所述聚类簇中包含的词向量对应的关键词；
埋点分层模块，用于分别获取所述聚类簇和所述关键词在预设埋点集合中对应的埋点，作为一级埋点和二级埋点；
信息推荐模块，用于基于所述一级埋点和所述二级埋点，生成动态埋点，并基于所述动态埋点，对所述目标对象进行信息推荐。
7.如权利要求6所述的信息推荐装置，其特征在于，所述兴趣词确定模块包括：
数据分析单元，用于对所述行为数据进行分析过滤，得到用户关键字；
词向量生成单元，用于采用词向量的方式对所述用户关键字进行训练，得到初始词向量；
兴趣词确定单元，用于针对每个所述初始词向量，分别计算所述初始词向量到每个预设兴趣词对应的词向量的欧式距离，并将值最小的欧式距离对应的预设兴趣词，作为所述目标对象的兴趣词。
8.如权利要求6所述的信息推荐装置，其特征在于，所述
聚类处理模块包括：
词向量转化单元，用于将所述初始化标签转化为词向量，得到第一词向量，并将所述兴趣词进行转化为词向量，得到第二词向量；
词向量更新单元，用于获取预设的权重信息，并基于所述预设的权重信息，分别对所述第一词向量和所述第二词向量进行加权处理，得到更新后的第一词向量和更新后的第二词向量；
聚类单元，用于采用K-Means聚合算法，对所述更新后的第一词向量和所述更新后的第二词向量进行聚类，得到至少两个聚类簇，以及，每个所述聚类簇中包含的词向量对应的关键词。
9.一种计算机设备，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5任一项所述的信息推荐方法。
10.一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5任一项所述的信息推荐方法。
CN202110941924.1A 2021-08-17 2021-08-17 信息推荐方法、装置、计算机设备及存储介质 Pending CN113821596A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110941924.1A CN113821596A (zh) 2021-08-17 2021-08-17 信息推荐方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110941924.1A CN113821596A (zh) 2021-08-17 2021-08-17 信息推荐方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN113821596A true CN113821596A (zh) 2021-12-21

Family

ID=78923086

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110941924.1A Pending CN113821596A (zh) 2021-08-17 2021-08-17 信息推荐方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN113821596A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114662007A (zh) * 2022-05-25 2022-06-24 太平金融科技服务(上海)有限公司深圳分公司 数据推荐方法、装置、计算机设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114662007A (zh) * 2022-05-25 2022-06-24 太平金融科技服务(上海)有限公司深圳分公司 数据推荐方法、装置、计算机设备和存储介质
CN114662007B (zh) * 2022-05-25 2022-09-02 太平金融科技服务(上海)有限公司深圳分公司 数据推荐方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN110825957B (zh) 基于深度学习的信息推荐方法、装置、设备及存储介质
CN109086394B (zh) 搜索排序方法、装置、计算机设备和存储介质
CN109634698B (zh) 菜单显示方法、装置、计算机设备及存储介质
CN107657048B (zh) 用户识别方法及装置
CN104216881A (zh) 一种个性化标签的推荐方法及装置
CN107784092A (zh) 一种推荐热词的方法、服务器及计算机可读介质
US20150169710A1 (en) Method and apparatus for providing search results
CN110827112B (zh) 深度学习的商品推荐方法、装置、计算机设备及存储介质
CN113822067A (zh) 关键信息提取方法、装置、计算机设备及存储介质
CN112395506A (zh) 一种资讯推荐方法、装置、电子设备和存储介质
CN107958042B (zh) 一种目标专题的推送方法及移动终端
CN109918555B (zh) 用于提供搜索建议的方法、装置、设备和介质
CN107209905A (zh) 针对个性化和任务完成服务而对应用去主题归类
CN105512180B (zh) 一种搜索推荐方法及装置
CN107911448B (zh) 一种内容推送方法及装置
CN105677780A (zh) 可拓展的用户意图挖掘方法及其系统
CN113032682A (zh) 基于协同过滤的产品推荐方法、装置、设备及存储介质
CN113220734A (zh) 课程推荐方法、装置、计算机设备及存储介质
CN111538931A (zh) 基于大数据的舆情监控方法、装置、计算机设备及介质
CN113032668A (zh) 基于用户画像的产品推荐方法、装置、设备及存储介质
CN104050183A (zh) 浏览器输入框的内容匹配结果提示方法及装置
CN113569118B (zh) 自媒体推送方法、装置、计算机设备及存储介质
CN108470289B (zh) 基于电商购物平台的虚拟物品发放方法及设备
CN113869063A (zh) 数据推荐方法、装置、电子设备及存储介质
CN113407818A (zh) 自动信息检索

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