CN113836413A - 一种推荐信息确定方法、装置、电子设备及存储介质 - Google Patents
一种推荐信息确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113836413A CN113836413A CN202111121962.9A CN202111121962A CN113836413A CN 113836413 A CN113836413 A CN 113836413A CN 202111121962 A CN202111121962 A CN 202111121962A CN 113836413 A CN113836413 A CN 113836413A
- Authority
- CN
- China
- Prior art keywords
- information
- user
- candidate recommended
- recommended text
- text information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000011218 segmentation Effects 0.000 claims abstract description 97
- 238000004891 communication Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 abstract description 21
- 238000010586 diagram Methods 0.000 description 6
- 230000007774 longterm Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
Abstract
本发明实施例提供了一种推荐信息确定方法、装置、电子设备及存储介质,上述方法包括:获取用户的用户画像标签;确定用户画像标签的语义特征;按照预设的拆分规则对每个候选推荐文本信息进行拆分,得到每个候选推荐文本信息对应的至少一个分词信息;并从预设的语义特征库中获取各个分词信息的语义特征;根据用户画像标签的语义特征和各个候选推荐文本信息对应的各个分词信息的语义特征,确定每个候选推荐文本信息与用户之间的相关度;基于每个候选推荐文本信息与用户之间的相关度的大小,从多个候选推荐文本信息中确定出至少一个目标推荐文本信息。采用上述方法提高了推荐信息的推荐效果。
Description
技术领域
本发明涉及信息推荐技术领域,特别是涉及一种推荐信息确定方法、装置、电子设备及存储介质。
背景技术
目前,各类应用软件都会向用户进行信息推荐,以提高用户的使用体验。例如,视频软件可以向用户推荐用户感兴趣的视频。
常用的确定推荐信息的方法是:先从大量的信息中召回用户可能感性趣的多个候选推荐信息,然后利用DIN(Deep Interest Network,深度兴趣网络)模型,通过多个候选推荐信息的特征与用户历史搜索信息的特征,确定出多个候选推荐信息与用户之间的相关性,然后根据相关性从多个候选推荐信息中选出推荐信息并推荐给用户。其中,候选推荐信息的特征和用户历史搜索信息的特征均可以从存储信息特征的特征库中获得。其中,特征库中的特征是基于海量用户行为信息学习得到的。
然而现有的利用用户历史搜索信息确定推荐信息的方式,很难在推荐信息中体现出用户的长期兴趣。例如,一些中长尾的候选推荐信息由于被搜索次数较少,导致其对应的特征效果不佳,进一步导致在利用用户历史搜索信息确定推荐信息时,这些中长尾的候选推荐信息与用户相关性表征的效果较差。因此现有的推荐信息的推荐效果仍有待提高。
发明内容
本发明实施例的目的在于提供一种推荐信息确定方法、装置、电子设备及存储介质,以提高推荐信息的推荐效果。
在本发明实施的第一方面,首先提供了一种推荐信息确定方法,包括:
获取用户的用户画像标签;
确定所述用户画像标签的语义特征;
按照预设的拆分规则对每个候选推荐文本信息进行拆分,得到每个候选推荐文本信息对应的至少一个分词信息;并从预设的语义特征库中获取各个分词信息的语义特征;
根据所述用户画像标签的语义特征和各个候选推荐文本信息对应的各个分词信息的语义特征,确定每个候选推荐文本信息与用户之间的相关度;
基于每个候选推荐文本信息与用户之间的相关度的大小,从多个候选推荐文本信息中确定出至少一个目标推荐文本信息。
可选的,所述确定所述用户画像标签的语义特征,包括:
按照预设的拆分规则对所述用户画像标签进行拆分,得到所述用户画像标签对应的至少一个分词标签;
从预设的语义特征库中获取各个分词标签的语义特征;
所述根据所述用户画像标签的语义特征和各个候选推荐文本信息对应的各个分词信息的语义特征,确定每个候选推荐文本信息与用户之间的相关度,包括:
根据所述用户画像标签对应的各个分词标签,和各个候选推荐文本信息对应的各个分词信息的语义特征,确定每个候选推荐文本信息与用户之间的相关度。
可选的,所述根据所述用户画像标签对应的各个分词标签,和各个候选推荐文本信息对应的各个分词信息的语义特征,确定每个候选推荐文本信息与用户之间的相关度,包括:
根据每个候选推荐文本信息对应的各个分词信息的语义特征,和所述用户画像标签对应的各个分词标签的语义特征,确定每个候选推荐文本信息与所述用户画像标签之间的相关度;
基于每个候选推荐文本信息与所述用户画像标签之间的相关度,确定每个候选推荐文本信息与用户之间的相关度。
可选的,所述根据每个候选推荐文本信息对应的各个分词信息的语义特征,和所述用户画像标签对应的各个分词标签的语义特征,确定每个候选推荐文本信息与所述用户画像标签之间的相关度,包括:
根据各个分词标签的语义特征和各个分词信息的语义特征,确定每个分词标签与每个分词信息的相关度;
针对每个候选推荐文本信息,基于该候选推荐文本信息对应的各个分词信息与所述用户画像标签各个分词标签之间的相关度,确定该候选推荐文本信息与所述用户画像标签之间的相关度。
可选的,所述按照预设的拆分规则对所述用户画像标签进行拆分,包括:
按照最小的词组拆分规则,对所述用户画像标签进行拆分;
所述按照预设的拆分规则对每个候选推荐文本信息进行拆分,包括:
按照最小的词组拆分规则,对每个候选推荐文本信息进行拆分。
可选的,所述按照预设的拆分规则对所述用户画像标签进行拆分,包括:
判断是否能从预设的语义特征库中查找到所述用户画像标签对应的语义特征;
如果否,按照预设的拆分规则对所述用户画像标签进行拆分。
在本发明实施的第二方面,还提供了一种推荐信息确定装置,包括:
标签获取模块,用于获取用户的用户画像标签;并确定所述用户画像标签的语义特征;
特征确定模块,用于确定所述用户画像标签的语义特征;
拆分模块,用于按照预设的拆分规则对每个候选推荐文本信息进行拆分,得到每个候选推荐文本信息对应的至少一个分词信息;并从预设的语义特征库中获取各个分词信息的语义特征;
相关度确定模块,用于根据所述用户画像标签的语义特征和各个候选推荐文本信息对应的各个分词信息的语义特征,确定每个候选推荐文本信息与用户之间的相关度;
推荐信息确定模块,用于基于每个候选推荐文本信息与用户之间的相关度的大小,从多个候选推荐文本信息中确定出至少一个目标推荐文本信息。
可选的,所述特征确定模块,具体用于按照预设的拆分规则对所述用户画像标签进行拆分,得到所述用户画像标签对应的至少一个分词标签;从预设的语义特征库中获取各个分词标签的语义特征;
所述相关度确定模块,具体用于根据所述用户画像标签对应的各个分词标签,和各个候选推荐文本信息对应的各个分词信息的语义特征,确定每个候选推荐文本信息与用户之间的相关度。
第三方面,本发明实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一所述的推荐信息确定方法步骤。
第四方面,本发明实施例提供了一种计算机可读缓存介质,所述计算机可读缓存介质内缓存有计算机程序,所述计算机程序被处理器执行时实现上述任一所述的推荐信息确定方法步骤。
第五方面,本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的推荐信息确定方法步骤。
采用本发明实施例提供的方法,通过获取用户的用户画像标签;确定用户画像标签的语义特征;按照预设的拆分规则对每个候选推荐文本信息进行拆分,得到每个候选推荐文本信息对应的至少一个分词信息;并从预设的语义特征库中获取各个分词信息的语义特征;根据用户画像标签的语义特征和各个候选推荐文本信息对应的各个分词信息的语义特征,确定每个候选推荐文本信息与用户之间的相关度;基于每个候选推荐文本信息与用户之间的相关度的大小,可以从多个候选推荐文本信息中确定出目标推荐文本信息,推荐给用户。本发明实施例提供的方法,由于用户画像中包括的各种用户画像标签可以反映用户各种各样的兴趣,利用用户画像信息确定出的候选推荐信息也更能体现出用户的长期兴趣,因此,采用本发明实施例提供的方法提高了推荐信息的推荐效果。并且,本发明实施例提供的方法可以针对由于被搜索次数较少导致对应的特征效果不佳的候选推荐文本信息进行分词,获取分词信息的语义特征用于确定推荐信息。由于分词信息相比候选推荐文本信息被搜索的可能像更高,对应的特征效果更好,因此分词信息的语义特征用于确定推荐信息可以提高确定候选推荐信息与用户之间的相关度的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例提供的推荐信息确定方法的一种流程图;
图2为本发明实施例提供的推荐信息确定方法的另一种流程图;
图3为确定每个候选推荐文本信息与用户之间的相关度的一种流程图;
图4为确定候选推荐文本信息与用户画像标签之间的相关度的一种示意图;
图5为确定每个候选推荐文本信息与用户画像标签之间的相关度的一种流程图;
图6为本发明实施例提供的推荐信息确定装置的一种结构示意图;
图7为本发明实施例提供的推荐信息确定装置的另一种结构示意图;
图8为本发明实施例提供的电子设备的结构示意图。
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描述。
为了能够提高推荐信息的推荐效果,本发明实施例提供了一种推荐信息确定方法、装置、电子设备、计算机可读存储介质以及计算机程序产品。下面对本发明实施例所提供的推荐信息确定方法进行介绍。
本发明实施例所提供的推荐信息确定方法可以应用于任意需要进行信息推荐的电子设备,例如可以为服务器、处理器、电脑等电子设备,在此不做具体限定。
本发明实施例提供的推荐信息确定方法可以应用于任何需要进行信息推荐的应用场景,例如可以应用于视频信息推荐场景、搜索词条推荐场景和产品信息推荐场景等,在此不做具体限定。
图1为本发明实施例提供的推荐信息确定方法的一种流程,如图1所示,所述方法包括如下步骤:
步骤101,获取用户的用户画像标签。
步骤102,确定用户画像标签的语义特征。
步骤103,按照预设的拆分规则对每个候选推荐文本信息进行拆分,得到每个候选推荐文本信息对应的至少一个分词信息;并从预设的语义特征库中获取各个分词信息的语义特征。
步骤104,根据用户画像标签的语义特征和各个候选推荐文本信息对应的各个分词信息的语义特征,确定每个候选推荐文本信息与用户之间的相关度。
步骤105,基于每个候选推荐文本信息与用户之间的相关度的大小,从多个候选推荐文本信息中确定出至少一个目标推荐文本信息。
采用本发明实施例提供的方法,通过获取目标用户的用户画像标签;确定用户画像标签的语义特征;按照预设的拆分规则对每个候选推荐文本信息进行拆分,得到每个候选推荐文本信息对应的至少一个分词信息;并从预设的语义特征库中获取各个分词信息的语义特征;根据用户画像标签的语义特征和各个候选推荐文本信息对应的各个分词信息的语义特征,确定每个候选推荐文本信息与用户之间的相关度;基于每个候选推荐文本信息与用户之间的相关度的大小,可以从多个候选推荐文本信息中确定出目标推荐文本信息,推荐给用户。本发明实施例提供的方法,由于用户画像中包括的各种用户画像标签可以反映用户各种各样的兴趣,利用用户画像信息确定出的候选推荐信息也更能体现出用户的长期兴趣,因此,采用本发明实施例提供的方法提高了推荐信息的推荐效果。并且,本发明实施例提供的方法可以针对由于被搜索次数较少导致对应的特征效果不佳的候选推荐文本信息进行分词,获取分词信息的语义特征用于确定推荐信息。由于分词信息相比候选推荐文本信息被搜索的可能像更高,对应的特征效果更好,因此分词信息的语义特征用于确定推荐信息可以提高确定候选推荐信息与用户之间的相关度的准确度。
本发明实施例中,可以从海量用户的用户行为信息中召回多个候选推荐文本信息。以视频软件为用户推荐视频信息的应用场景为例,电子设备可以从视频软件的海量的用户所搜索过的文本信息以及用户观看的视频对应的文本信息中,召回多个候选推荐文本信息。其中,召回方法可以采用现有的如基于热度的召回方式、协同过滤召回方式和基于用户画像的召回方式等,在此不做具体限定。
图2为本发明实施例提供的推荐信息确定方法的另一种流程,如图2所示,所述方法包括如下步骤:
步骤201,获取用户的用户画像标签。
本发明实施例中,可以针对需要进行信息推荐的用户,获取用户的用户画像标签。用户画像标签可以包括一个标签或多个标签。用户画像标签可以反映用户各种各样的兴趣。具体的,以视频推荐应用场景为例,用户画像标签可以反映:用户观看过的视频、用户发过的弹幕、用户发过的评论、用户点赞过的视频及评论、用户搜索过的信息和用户收藏过的视频等等。以产品信息推荐应用场景为例,用户画像标签可以反映:用户购买过的产品、用户浏览过的产品、用户评价过的产品和用户收藏的产品等。
步骤202,按照预设的拆分规则对用户画像标签进行拆分,得到用户画像标签对应的至少一个分词标签;并从预设的语义特征库中获取各个分词标签的语义特征。
在信息推荐技术领域,可以利用文本预训练模型,如fasttext(一个开源的词向量计算和文本分类工具)模型,针对海量用户的用户行为确定出的文本信息,如用户所搜索过的文本信息和用户观看的视频对应的文本信息等,提取文本信息的语义特征。针对将文本信息进行拆分后得到的分词,Fasttext模型可以提取每个分词的语义特征,并将所提取的语义特征均存储到预设的语义特征库中。本发明实施例中,每个用户画像标签可以拆分出至少一个分词标签,可以语义特征库中查找到每个分词标签对应的语义特征。
本发明实施例中,可以按照最小的词组拆分规则,对每个用户画像标签进行拆分。也就是说,可以将每个用户画像标签拆分成一个或多个最小词组。例如,可以将用户画像标签“学习PPT”拆分为两个最小词组“学习”和“PPT”。若用户画像标签本身即为最小词组,则拆分后得到的分词标签仍然为用户画像标签本身,例如,若用户画像标签为“PPT”,则拆分后的最小词组仍然为“PPT”。
本发明实施例中,也可以按照单字拆分规则,对每个用户画像标签进行拆分。例如,可以将用户画像标签“天空”拆分为两个单字“天”和“空”。
本步骤中,可以优先按照最小的词组拆分规则,对每个用户画像标签进行拆分。
步骤203,按照预设的拆分规则对每个候选推荐文本信息进行拆分,得到每个候选推荐文本信息对应的至少一个分词信息;并从预设的语义特征库中获取各个分词信息的语义特征。
本发明实施例中,可以按照最小的词组拆分规则,对每个候选推荐文本信息进行拆分。即可以将每个候选推荐文本信息拆分成一个或多个最小词组。例如,可以将候选推荐文本信息“EXCEL教程”拆分为两个最小词组“EXCEL”和“教程”。
本发明实施例中,也可以按照单字拆分规则,对每个候选推荐文本信息进行拆分。例如,可以将候选推荐文本信息“美好”拆分为两个单字“美”和“好”。
本发明实施例中,针对拆分后得到的各个分词信息,可以从预设的语义特征库中查找每个分词信息的语义特征。
本步骤中,可以优先按照最小的词组拆分规则,对每个候选推荐文本信息进行拆分。
步骤204,根据用户画像标签对应的各个分词标签,和各个候选推荐文本信息对应的各个分词信息的语义特征,确定每个候选推荐文本信息与用户之间的相关度。
本发明实施例中,针对每个候选推荐文本信息,可以将每个用户画像标签和该候选推荐文本信息之间的相关度所组成的矩阵输入DIN模型的全连接层,确定出对应的输出值,作为用户与该候选推荐文本信息之间的相关度。
步骤205,基于每个候选推荐文本信息与用户之间的相关度的大小,从多个候选推荐文本信息中确定出至少一个目标推荐文本信息。
本发明实施例中,可以依据每个候选推荐信息与用户之间的相关度从大到小的顺序,对各个候选推荐信息进行排序,然后依据排序从多个候选推荐信息选出相关度高的预设数量个目标推荐文本信息。其中,预设数量可以设定为3或5等,此处不做具体限定。
本发明实施例中,在确定出目标推荐文本信息后,可以直接将目标推荐文本信息推荐给用户。针对视频推荐应用场景,可以直接将目标推荐文本信息推荐给用户,也可以将视频标题、视频标签或视频评论中包含有目标推荐文本信息的视频推荐给用户。
采用本发明实施例提供的方法,根据每个候选推荐文本信息与用户之间的相关度,可以从多个候选推荐文本信息中确定出目标推荐文本信息,推荐给用户。对于一些特征效果欠佳的用户画像标签,可以通过对其进行拆分得到分词标签用于确定推荐信息,提高了对用户推荐信息的推荐效果,也提高了确定候选推荐信息与用户之间的相关度的准确度。
图3为确定每个候选推荐文本信息与用户之间的相关度的一种流程,参见图3,上述步骤204中根据用户画像标签对应的各个分词标签,和各个候选推荐文本信息对应的各个分词信息的语义特征,确定每个候选推荐文本信息与用户之间的相关度,可以包括:
步骤301,根据每个候选推荐文本信息对应的各个分词信息的语义特征,和用户画像标签对应的各个分词标签的语义特征,确定每个候选推荐文本信息与用户画像标签之间的相关度。
步骤302,基于每个候选推荐文本信息与用户画像标签之间的相关度,确定每个候选推荐文本信息与用户之间的相关度。
具体的,确定每个候选推荐文本信息与用户画像标签之间的相关度可以包括如下步骤A1-A2:
步骤A1:根据各个分词标签的语义特征和各个分词信息的语义特征,确定每个分词标签与每个分词信息的相关度;
步骤A2:针对每个候选推荐文本信息,基于该候选推荐文本信息对应的各个分词信息与用户画像标签各个分词标签之间的相关度,确定该候选推荐文本信息与所述用户画像标签之间的相关度。
本发明实施例中可以根据各个分词标签的语义特征和各个分词信息的语义特征,计算每个分词标签与每个分词信息之间的余弦相似度,作为每个分词标签与每个分词信息之间的相关度。具体的,可以采用如下公式计算余弦相似度:
其中,Similarity(x,y)表示分词标签和分词信息之间的余弦相似度,即相关度;表示分词标签的语义特征的向量,表示分词信息的语义特征的向量;表示分词标签的语义特征的向量的各个分量,表示分词信息的语义特征的向量的各个分量;n为任一语义特征的向量的分量数。
进一步的,针对每个候选推荐文本信息,可以将该候选推荐文本信息对应的各个分词信息与每个用户画像标签对应的各个分词标签之间的相关度拼接成一个多维的拼接向量(维度数与每个用户画像标签对应的分词标签的数量相同),并可以将该拼接向量输入DIN模型的全连接层,确定出对应的输出值,作为该候选推荐文本信息与每个用户画像标签之间的相关度。
进一步的,针对每个候选推荐文本信息,可以将每个用户画像标签和该候选推荐文本信息之间的相关度所组成的矩阵输入DIN模型的全连接层,确定出对应的输出值,作为用户与候选推荐文本信息之间的相关度。进而可以依据每个候选推荐信息与用户之间的相关度从大到小的顺序,对各个候选推荐信息进行排序,然后依据排序从多个候选推荐信息选出相关度高的预设数量个目标推荐文本信息,并可以将目标推荐文本信息推荐给用户。
举例说明,以视频推荐应用场景为例,针对视频软件X的用户A,可以获取用户A用户画像标签:“学习ppt”和“学习excel”。现在的候选推荐文本信息包括:“excel教程”。可以按照最小的词组拆分规则,对用户画像标签“学习ppt”进行拆分,得到两个分词标签[“学习”、“ppt”],对用户画像标签“学习excel”进行拆分,得到两个分词标签[“学习”、“excel”]。以及,可以按照最小的词组拆分规则对候选推荐文本信息“excel教程”进行拆分,得到两个分词信息[“excel”、“教程”]。
可以从语义特征库中查找各个分词标签和各个分词信息的语义特征:“学习”的语义特征为[-1,4,5,-6]、“ppt”的语义特征为[1,2,3,4],“excel”的语义特征为[1.1,1.9,3,4.1]、“教程”的语义特征为[1,1.5,2.6,4]。
进一步的,可以采用上述余弦相似度的计算公式计算每个分词标签和每个分词信息之间的余弦相似度,作为相关度:
基于同样的方法可以计算出:
用户画像标签“学习PPT”中的分词标签“PPT”和候选推荐信息“EXCEL教程”中的分词信息“EXCEL”之间的相关度Similarity(PPT,EXCEL);
用户画像标签“学习PPT”中的分词标签“学习”和候选推荐信息“EXCEL教程”中的分词信息“教程”之间的相关度Similarity(学习,教程);
用户画像标签“学习PPT”中的分词标签“PPT”和候选推荐信息“EXCEL教程”中的分词信息“教程”之间的相关度Similarity(PPT,教程);
用户画像标签“学习EXCEL”中的分词标签“学习”和候选推荐信息“EXCEL教程”中的分词信息“EXCEL”之间的相关度Similarity(学习,EXCEL);
用户画像标签“学习EXCEL”中的分词标签“EXCEL”和候选推荐信息“EXCEL教程”中的分词信息“EXCEL”之间的相关度Similarity(EXCEL,EXCEL);
用户画像标签“学习EXCEL”中的分词标签“学习”和候选推荐信息“EXCEL教程”中的分词信息“教程”之间的相关度Similarity(学习,教程);
用户画像标签“学习EXCEL”中的分词标签“EXCEL”和候选推荐信息“EXCEL教程”中的分词信息“教程”之间的相关度Similarity(EXCEL,教程)。
进一步的,针对候选推荐文本信息“EXCEL教程”,可以将“EXCEL教程”对应的各个分词信息与用户画像标签“学习PPT”对应的各个分词标签之间的相关度拼接成4维的拼接向量[Similarity(学习,EXCEL)Similarity(学习,教程)Similarity(PPT,EXCEL)Similarity(PPT,教程)],并可以将该拼接向量输入DIN模型的全连接层,确定出对应的输出值,作为候选推荐文本信息“EXCEL教程”与用户画像标签“学习PPT”之间的相关度。同样的,可以将“EXCEL教程”对应的各个分词信息与用户画像标签“学习EXCEL”对应的各个分词标签之间的相关度拼接成4维的拼接向量[Similarity(学习,EXCEL)Similarity(学习,教程)Similarity(EXCEL,EXCEL)Similarity(EXCEL,教程)],并可以将该拼接向量输入DIN模型的全连接层,确定出对应的输出值,作为候选推荐文本信息“EXCEL教程”与用户画像标签“学习EXCEL”之间的相关度。
进一步的,基于每个用户画像标签“学习PPT”和候选推荐文本信息“EXCEL教程”之间的相关度,与“学习EXCEL”和候选推荐文本信息“EXCEL教程”之间的相关度所组成的矩阵输入DIN模型的全连接层,确定出对应的输出值,作为用户A与候选推荐文本信息“EXCEL教程”之间的相关度。
可以依据每个候选推荐信息与用户A之间的相关度从大到小的顺序,对各个候选推荐信息进行排序,然后依据排序从多个候选推荐信息选出相关度高的预设数量个目标推荐文本信息,并可以将目标推荐文本信息给用户A,或者将包含有目标推荐文本信息的视频推荐给用户A。
再举一例进行说明,图4为确定候选推荐文本信息与用户画像标签之间的相关度的一种示意图,视频推荐应用场景为例,如图4所示,针对视频软件X的用户B,可以获取用户B用户画像标签:“学习”、“ppt”和“excel”,候选推荐文本信息包括:“excel教程”。可以按照最小的词组拆分规则,对用户画像标签“学习”、“ppt”和“excel”分别进行拆分,拆分后得到的仍然是用户画像标签“学习”、“ppt”和“excel”本身。以及,可以按照最小的词组拆分规则对候选推荐文本信息“excel教程”进行拆分,得到两个分词信息[“excel”、“教程”]。
可以从语义特征库中查找各个用户画像标签和各个分词信息的语义特征:“学习”的语义特征为[-1,4,5,-6]、“ppt”的语义特征为[1,2,3,4],“excel”的语义特征为[1.1,1.9,3,4.1]、“教程”的语义特征为[1,1.5,2.6,4]。
进一步的,可以采用上述余弦相似度的计算公式计算每个用户画像标签和每个分词信息之间的余弦相似度,作为相关度:
基于同样的方法可以计算出:
用户画像标签“ppt”和候选推荐信息“EXCEL教程”中的分词信息“EXCEL”之间的相关度Similarity(PPT,EXCEL);
用户画像标签“excel”和候选推荐信息“EXCEL教程”中的分词信息“EXCEL”之间的相关度Similarity(EXCEL,EXCEL);
用户画像标签“学习”和候选推荐信息“EXCEL教程”中的分词信息“教程”之间的相关度Similarity(学习,教程);
用户画像标签“ppt”和候选推荐信息“EXCEL教程”中的分词信息“教程”之间的相关度Similarity(PPT,教程);
用户画像标签“excel”和候选推荐信息“EXCEL教程”中的分词信息“教程”之间的相关度Similarity(EXCEL,教程)。
进一步的,针对候选推荐文本信息“EXCEL教程”,可以将“EXCEL教程”对应的各个分词信息与用户画像标签“学习”之间的相关度拼接成2维的拼接向量[Similarity(学习,EXCEL)Similarity(学习,教程)],并可以将该拼接向量输入DIN模型的全连接层,确定出对应的输出值,作为候选推荐文本信息“EXCEL教程”与用户画像标签“学习”之间的相关度score1。
同样的,可以将“EXCEL教程”对应的各个分词信息与用户画像标签“ppt”之间的相关度拼接成2维的拼接向量[Similarity(PPT,EXCEL)Similarity(PPT,教程)],并可以将该拼接向量输入DIN模型的全连接层,确定出对应的输出值,作为候选推荐文本信息“EXCEL教程”与用户画像标签“ppt”之间的相关度score2。
同样的,可以将“EXCEL教程”对应的各个分词信息与用户画像标签“excel”之间的相关度拼接成2维的拼接向量[Similarity(EXCEL,EXCEL)Similarity(EXCEL,教程)],并可以将该拼接向量输入DIN模型的全连接层,确定出对应的输出值,作为候选推荐文本信息“EXCEL教程”与用户画像标签“ppt”之间的相关度score3。
进一步的,基于用户画像标签“学习”和候选推荐文本信息“EXCEL教程”之间的相关度、用户画像标签“ppt”和候选推荐文本信息“EXCEL教程”之间的相关度,以及用户画像标签“excel”和候选推荐文本信息“EXCEL教程”之间的相关度,所组成的矩阵输入DIN模型的全连接层,确定出对应的输出值,作为用户B与候选推荐文本信息“EXCEL教程”之间的相关度。可以依据每个候选推荐信息与用户B之间的相关度从大到小的顺序,对各个候选推荐信息进行排序,然后依据排序从多个候选推荐信息选出相关度高的预设数量个目标推荐文本信息,并可以将目标推荐文本信息给用户B,或者将包含有目标推荐文本信息的视频推荐给用户B。
图5为确定每个候选推荐文本信息与用户画像标签之间的相关度的一种流程,参见图5,上述步骤204中根据用户画像标签对应的各个分词标签,和各个候选推荐文本信息对应的各个分词信息的语义特征,确定每个候选推荐文本信息与用户之间的相关度,还可以包括:
步骤501,根据每个用户画像标签对应的各个分词标签的语义特征确定每个用户画像标签的语义特征;以及,根据每个候选推荐文本信息对应的各个分词信息的语义特征确定每个候选推荐文本信息的语义特征。
本步骤中,针对每个用户画像标签,可以将该用户画像标签对应的各个分词标签的语义特征求平均,将确定出的平均值作为该用户画像标签的语义特征。
同样的,针对每个候选推荐文本信息,可以将该候选推荐文本信息对应的各个分词信息的语义特征求平均,将确定出的平均值作为该候选推荐文本信息的语义特征。
步骤502,基于每个用户画像标签的语义特征和每个候选推荐文本信息的语义特征,确定每个候选推荐文本信息与每个用户画像标签之间的相关度。
本步骤中,可以采用余弦相似度公式(如上述提及的余弦相似度公式),基于每个用户画像标签的语义特征和每个候选推荐文本信息的语义特征,计算出每个候选推荐文本信息与每个用户画像标签之间的余弦相似度,作为每个候选推荐文本信息与每个用户画像标签之间的相关度。
在一种可能的实施方法中,所述按照预设的拆分规则对每个用户画像标签进行拆分的步骤,具体可以包括:
步骤A1:判断是否能从预设的语义特征库中查找到每个用户画像标签对应的语义特征;
步骤A2:如果否,按照预设的拆分规则对每个用户画像标签进行拆分。
当在预设的语义特征库中不能查找到每个用户画像标签对应的语义特征时,才需要按照预设的拆分规则对每个用户画像标签进行拆分。
采用本发明实施例提供的方法,根据每个候选推荐文本信息与用户之间的相关度,可以从多个候选推荐文本信息中确定出目标推荐文本信息,推荐给用户。对于一些特征效果欠佳的用户画像标签,可以通过对其进行拆分得到分词标签用于确定推荐信息,提高了对用户推荐信息的推荐效果,也提高了确定候选推荐信息与用户之间的相关度的准确度。
基于同一发明构思,根据本发明上述实施例提供的推荐信息确定方法,相应地,本发明另一实施例还提供了一种推荐信息确定装置,其结构示意图如图6所示,具体包括:
标签获取模块601,用于获取用户的用户画像标签;
特征确定模块602,用于确定所述用户画像标签的语义特征;
拆分模块603,用于按照预设的拆分规则对每个候选推荐文本信息进行拆分,得到每个候选推荐文本信息对应的至少一个分词信息;并从预设的语义特征库中获取各个分词信息的语义特征;
相关度确定模块604,用于根据所述用户画像标签的语义特征和各个候选推荐文本信息对应的各个分词信息的语义特征,确定每个候选推荐文本信息与用户之间的相关度;
推荐信息确定模块605,用于基于每个候选推荐文本信息与用户之间的相关度的大小,从多个候选推荐文本信息中确定出至少一个目标推荐文本信息。
采用本发明实施例提供的装置,通过获取用户的用户画像标签;确定用户画像标签的语义特征;按照预设的拆分规则对每个候选推荐文本信息进行拆分,得到每个候选推荐文本信息对应的至少一个分词信息;并从预设的语义特征库中获取各个分词信息的语义特征;根据用户画像标签的语义特征和各个候选推荐文本信息对应的各个分词信息的语义特征,确定每个候选推荐文本信息与用户之间的相关度;基于每个候选推荐文本信息与用户之间的相关度的大小,可以从多个候选推荐文本信息中确定出目标推荐文本信息,推荐给用户。本发明实施例提供的方法,由于用户画像中包括的各种用户画像标签可以反映用户各种各样的兴趣,利用用户画像信息确定出的候选推荐信息也更能体现出用户的长期兴趣,因此,采用本发明实施例提供的方法提高了推荐信息的推荐效果。并且,本发明实施例提供的装置可以针对由于被搜索次数较少导致对应的特征效果不佳的候选推荐文本信息进行分词,获取分词信息的语义特征用于确定推荐信息。由于分词信息相比候选推荐文本信息被搜索的可能像更高,对应的特征效果更好,因此分词信息的语义特征用于确定推荐信息可以提高确定候选推荐信息与用户之间的相关度的准确度。
可选的,所述特征确定模块602,具体用于按照预设的拆分规则对所述用户画像标签进行拆分,得到所述用户画像标签对应的至少一个分词标签;从预设的语义特征库中获取各个分词标签的语义特征;
所述相关度确定模块604,具体用于根据所述用户画像标签对应的各个分词标签,和各个候选推荐文本信息对应的各个分词信息的语义特征,确定每个候选推荐文本信息与用户之间的相关度。
可选的,参见图7,所述相关度确定模块604,包括:
第一相关度确定子模块701,用于根据每个候选推荐文本信息对应的各个分词信息的语义特征,和所述用户画像标签对应的各个分词标签的语义特征,确定每个候选推荐文本信息与所述用户画像标签之间的相关度;
第二相关度确定子模块702,基于每个候选推荐文本信息与所述用户画像标签之间的相关度,确定每个候选推荐文本信息与用户之间的相关度。
可选的,所述第一相关度确定子模块701,具体用于根据各个分词标签的语义特征和各个分词信息的语义特征,确定每个分词标签与每个分词信息的相关度;针对每个候选推荐文本信息,基于该候选推荐文本信息对应的各个分词信息与所述用户画像标签各个分词标签之间的相关度,确定该候选推荐文本信息与所述用户画像标签之间的相关度。
可选的,所述特征确定模块602,用于按照最小的词组拆分规则,对所述用户画像标签进行拆分;
所述拆分模块603,用于按照最小的词组拆分规则,对每个候选推荐文本信息进行拆分。
可选的,所述特征确定模块602,用于判断是否能从预设的语义特征库中查找到所述用户画像标签对应的语义特征;如果否,按照预设的拆分规则对所述用户画像标签进行拆分。
采用本发明实施例提供的装置,根据每个候选推荐文本信息与用户之间的相关度,可以从多个候选推荐文本信息中确定出目标推荐文本信息,推荐给用户。对于一些特征效果欠佳的用户画像标签,可以通过对其进行拆分得到分词标签用于确定推荐信息,提高了对用户推荐信息的推荐效果,也提高了确定候选推荐信息与用户之间的相关度的准确度。
本发明实施例还提供了一种电子设备,如图8所示,包括处理器801、通信接口802、存储器803和通信总线804,其中,处理器801,通信接口802,存储器803通过通信总线804完成相互间的通信,
存储器803,用于存放计算机程序;
处理器801,用于执行存储器803上所存放的程序时,实现如下步骤:
获取用户的用户画像标签;
确定所述用户画像标签的语义特征;
按照预设的拆分规则对每个候选推荐文本信息进行拆分,得到每个候选推荐文本信息对应的至少一个分词信息;并从预设的语义特征库中获取各个分词信息的语义特征;
根据所述用户画像标签的语义特征和各个候选推荐文本信息对应的各个分词信息的语义特征,确定每个候选推荐文本信息与用户之间的相关度;
基于每个候选推荐文本信息与用户之间的相关度的大小,从多个候选推荐文本信息中确定出至少一个目标推荐文本信息。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述实施例中任一所述的推荐信息确定方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的推荐信息确定方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备及存储介质而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种推荐信息确定方法,其特征在于,包括:
获取用户的用户画像标签;
确定所述用户画像标签的语义特征;
按照预设的拆分规则对每个候选推荐文本信息进行拆分,得到每个候选推荐文本信息对应的至少一个分词信息;并从预设的语义特征库中获取各个分词信息的语义特征;
根据所述用户画像标签的语义特征和各个候选推荐文本信息对应的各个分词信息的语义特征,确定每个候选推荐文本信息与用户之间的相关度;
基于每个候选推荐文本信息与用户之间的相关度的大小,从多个候选推荐文本信息中确定出至少一个目标推荐文本信息。
2.根据权利要求1所述的方法,其特征在于,所述确定所述用户画像标签的语义特征,包括:
按照预设的拆分规则对所述用户画像标签进行拆分,得到所述用户画像标签对应的至少一个分词标签;
从预设的语义特征库中获取各个分词标签的语义特征;
所述根据所述用户画像标签的语义特征和各个候选推荐文本信息对应的各个分词信息的语义特征,确定每个候选推荐文本信息与用户之间的相关度,包括:
根据所述用户画像标签对应的各个分词标签,和各个候选推荐文本信息对应的各个分词信息的语义特征,确定每个候选推荐文本信息与用户之间的相关度。
3.根据权利要求2所述的方法,其特征在于,所述根据所述用户画像标签对应的各个分词标签,和各个候选推荐文本信息对应的各个分词信息的语义特征,确定每个候选推荐文本信息与用户之间的相关度,包括:
根据每个候选推荐文本信息对应的各个分词信息的语义特征,和所述用户画像标签对应的各个分词标签的语义特征,确定每个候选推荐文本信息与所述用户画像标签之间的相关度;
基于每个候选推荐文本信息与所述用户画像标签之间的相关度,确定每个候选推荐文本信息与用户之间的相关度。
4.根据权利要求3所述的方法,其特征在于,所述根据每个候选推荐文本信息对应的各个分词信息的语义特征,和所述用户画像标签对应的各个分词标签的语义特征,确定每个候选推荐文本信息与所述用户画像标签之间的相关度,包括:
根据各个分词标签的语义特征和各个分词信息的语义特征,确定每个分词标签与每个分词信息的相关度;
针对每个候选推荐文本信息,基于该候选推荐文本信息对应的各个分词信息与所述用户画像标签各个分词标签之间的相关度,确定该候选推荐文本信息与所述用户画像标签之间的相关度。
5.根据权利要求2所述的方法,其特征在于,所述按照预设的拆分规则对所述用户画像标签进行拆分,包括:
按照最小的词组拆分规则,对所述用户画像标签进行拆分;
所述按照预设的拆分规则对每个候选推荐文本信息进行拆分,包括:
按照最小的词组拆分规则,对每个候选推荐文本信息进行拆分。
6.根据权利要求2所述的方法,其特征在于,所述按照预设的拆分规则对所述用户画像标签进行拆分,包括:
判断是否能从预设的语义特征库中查找到所述用户画像标签对应的语义特征;
如果否,按照预设的拆分规则对所述用户画像标签进行拆分。
7.一种推荐信息确定装置,其特征在于,包括:
标签获取模块,用于获取用户的用户画像标签;
特征确定模块,用于确定所述用户画像标签的语义特征;
拆分模块,用于按照预设的拆分规则对每个候选推荐文本信息进行拆分,得到每个候选推荐文本信息对应的至少一个分词信息;并从预设的语义特征库中获取各个分词信息的语义特征;
相关度确定模块,用于根据所述用户画像标签的语义特征和各个候选推荐文本信息对应的各个分词信息的语义特征,确定每个候选推荐文本信息与用户之间的相关度;
推荐信息确定模块,用于基于每个候选推荐文本信息与用户之间的相关度的大小,从多个候选推荐文本信息中确定出至少一个目标推荐文本信息。
8.根据权利要求7所述的装置,其特征在于,所述特征确定模块,具体用于按照预设的拆分规则对所述用户画像标签进行拆分,得到所述用户画像标签对应的至少一个分词标签;从预设的语义特征库中获取各个分词标签的语义特征;
所述相关度确定模块,具体用于根据所述用户画像标签对应的各个分词标签,和各个候选推荐文本信息对应的各个分词信息的语义特征,确定每个候选推荐文本信息与用户之间的相关度。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-6任一所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111121962.9A CN113836413A (zh) | 2021-09-24 | 2021-09-24 | 一种推荐信息确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111121962.9A CN113836413A (zh) | 2021-09-24 | 2021-09-24 | 一种推荐信息确定方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113836413A true CN113836413A (zh) | 2021-12-24 |
Family
ID=78969899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111121962.9A Pending CN113836413A (zh) | 2021-09-24 | 2021-09-24 | 一种推荐信息确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113836413A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200210468A1 (en) * | 2018-12-28 | 2020-07-02 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Document recommendation method and device based on semantic tag |
CN112825089A (zh) * | 2019-11-21 | 2021-05-21 | 腾讯科技(北京)有限公司 | 文章推荐方法、装置、设备及存储介质 |
CN113032589A (zh) * | 2021-03-29 | 2021-06-25 | 北京奇艺世纪科技有限公司 | 多媒体文件推荐方法、装置、电子设备及可读存储介质 |
-
2021
- 2021-09-24 CN CN202111121962.9A patent/CN113836413A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200210468A1 (en) * | 2018-12-28 | 2020-07-02 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Document recommendation method and device based on semantic tag |
CN112825089A (zh) * | 2019-11-21 | 2021-05-21 | 腾讯科技(北京)有限公司 | 文章推荐方法、装置、设备及存储介质 |
CN113032589A (zh) * | 2021-03-29 | 2021-06-25 | 北京奇艺世纪科技有限公司 | 多媒体文件推荐方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111767461B (zh) | 数据处理方法及装置 | |
CN106874492B (zh) | 搜索方法和装置 | |
CN106649316B (zh) | 一种视频推送方法及装置 | |
CN108304512B (zh) | 一种视频搜索引擎粗排序方法、装置及电子设备 | |
CN110598157B (zh) | 目标信息识别方法、装置、设备及存储介质 | |
WO2011080899A1 (ja) | 情報推薦方法 | |
CN112364204B (zh) | 视频搜索方法、装置、计算机设备及存储介质 | |
CN110851712B (zh) | 书籍信息的推荐方法、设备以及计算机可读介质 | |
US20170228378A1 (en) | Extracting topics from customer review search queries | |
CN112163149B (zh) | 推荐消息的方法及装置 | |
CN109819002B (zh) | 数据推送方法和装置、存储介质及电子装置 | |
CN112328889A (zh) | 推荐搜索词确定方法、装置、可读介质及电子设备 | |
CN112989118B (zh) | 视频召回方法及装置 | |
CN109597934B (zh) | 确定点击推荐词的方法、装置、存储介质及电子设备 | |
CN108563648B (zh) | 数据显示方法和装置、存储介质及电子装置 | |
CN113220974A (zh) | 点击率预测模型训练、搜索召回方法、装置、设备及介质 | |
CN111400516B (zh) | 标签确定方法、电子设备及存储介质 | |
CN112836126A (zh) | 基于知识图谱的推荐方法、装置、电子设备及存储介质 | |
CN111767457B (zh) | 推荐方法及装置 | |
CN113987159A (zh) | 一种推荐信息确定方法、装置、电子设备及存储介质 | |
CN113836413A (zh) | 一种推荐信息确定方法、装置、电子设备及存储介质 | |
CN110825847B (zh) | 目标人物间亲密度识别方法、装置、电子设备及存储介质 | |
CN113836412A (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
CN113536138A (zh) | 一种网络资源推荐方法、装置、电子设备及可读存储介质 | |
CN113837836A (zh) | 模型推荐方法、装置、设备及存储介质 |
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 |