CN113869943A - 物品推荐方法、装置、设备以及存储介质 - Google Patents
物品推荐方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN113869943A CN113869943A CN202111085728.5A CN202111085728A CN113869943A CN 113869943 A CN113869943 A CN 113869943A CN 202111085728 A CN202111085728 A CN 202111085728A CN 113869943 A CN113869943 A CN 113869943A
- Authority
- CN
- China
- Prior art keywords
- user
- article
- recommendation
- articles
- behavior sequence
- 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
Images
Classifications
-
- 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
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0253—During e-commerce, i.e. online transactions
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
- G06Q30/0256—User search
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0264—Targeted advertisements based upon schedule
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种物品推荐方法、装置、设备以及存储介质,属于计算机技术领域。通过本申请实施例提供的技术方案,计算机设备能够根据表示用户和物品的历史交互情况以及交互时间的历史行为序列以及当前时间,来确定用户在此时此刻的偏好信息,根据该偏好信息向用户进行物品推荐,通过这种方式确定的用户偏好信息能够反映时间对用户偏好的影响,因此,这种方法能够提高物品推荐的准确性。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种物品推荐方法、装置、设备以及存储介质。
背景技术
网络与人们的生活密切相关,网络平台会提供各种服务以满足用户的需求,为了促进商业目标增长,网络平台会提供推荐服务,推荐服务是指向用户推荐用户可能偏好的物品。
相关技术中,在物品推荐过程中,网络平台根据用户和物品的历史交互情况,构建历史行为序列,根据该历史行为序列确定用户的用户偏好信息,根据该用户偏好信息对候选物品进行筛选,将筛选出的物品推荐给用户。
但是,用户偏好是不断变化的,基于上述物品推荐方法,会出现为用户推荐的物品不符合用户在当前时间的偏好的情况,因此,这种物品推荐方法的准确性不高。
发明内容
本申请实施例提供了一种物品推荐方法、装置、设备以及存储介质,通过本申请实施例提供的技术方案,提高了物品推荐的准确性。所述技术方案如下:
一方面,提供了一种物品推荐方法,该方法包括:
基于用户的历史行为序列,获取多个物品的权重参数,该历史行为序列包括该多个物品和该用户与每个该物品交互的时间,每个该权重参数用于表示对应的物品对于该用户进行物品推荐的影响程度;
基于该用户的历史行为序列、该多个物品的权重参数、该多个物品的类型、当前时间、该历史行为序列中的最大时间以及该多个物品对应的时间敏感参数,获取该多个物品的类型对应的第一推荐参数,每个该第一推荐参数表示该用户在该当前时间对每个该物品的类型的偏好程度,该时间敏感参数用于表示对应物品对时间间隔的敏感程度;
基于该多个物品的类型对应的第一推荐参数、每个该物品的权重参数以及该历史行为序列,对该用户进行物品推荐。
在一种可能实施方式中,该基于用户的历史行为序列,获取多个物品的权重参数包括:
基于该历史行为序列,获取每个该物品的交互事件编码,每个该物品的交互事件编码包括对应物品的编码和对应物品的位置编码,该位置编码用于表示对应物品在该历史行为序列中的位置;
通过注意力机制,基于每个该物品的交互事件编码,获取该多个物品的权重参数。
在一种可能实施方式中,该基于该用户的历史行为序列、该多个物品的权重参数、该多个物品的类型、当前时间、该历史行为序列中的最大时间以及该多个物品的类型对应的时间敏感参数,获取该多个物品的类型对应的第一推荐参数包括:
基于该多个物品的权重参数以及该多个物品的交互事件编码,获取历史向量;
基于该历史向量、该多个物品的类型、当前时间、该历史行为序列中的最大时间以及该多个物品对应的时间敏感参数,获取多个第一函数值,每个该第一函数值表示当前时间该用户对每个该物品的类型的原始偏好程度;
基于该多个第一函数值以及多个目标用户群体的偏好信息,获取该多个第一推荐参数,每个该目标用户群体的偏好信息表示目标用户群体对每个该物品的类型对应的偏好程度。
在一种可能实施方式中,该基于该多个物品的类型对应的第一推荐参数、每个该物品的权重参数以及该历史行为序列,对该用户进行物品推荐包括:
基于该多个物品的类型对应的第一推荐参数、每个该物品的权重参数以及该历史行为序列,获取该用户的用户偏好信息;
基于该用户偏好信息,从多个候选物品中获取与该用户偏好信息匹配的目标物品;
向该用户推荐该目标物品。
在一种可能实施方式中,该基于该用户偏好信息,从多个候选物品中获取与该用户偏好信息匹配的目标物品包括:
基于该用户偏好信息,确定该多个候选物品的第二推荐参数,该第二推荐参数用于表示该用户偏好信息与对应候选物品之间的相似程度;
将该第二推荐参数符合推荐条件的物品作为该目标物品。
一方面,提供了一种物品推荐装置,该装置包括:
权重参数获取模块,用于基于用户的历史行为序列,获取多个物品的权重参数,该历史行为序列包括该多个物品和该用户与每个该物品交互的时间,每个该权重参数用于表示对应的物品对于该用户进行物品推荐的影响程度;
推荐参数获取模块,用于基于该用户的历史行为序列、该多个物品的权重参数、该多个物品的类型、当前时间、该历史行为序列中的最大时间以及该多个物品对应的时间敏感参数,获取该多个物品的类型对应的第一推荐参数,每个该第一推荐参数表示该用户在该当前时间对每个该物品的类型的偏好程度,该时间敏感参数用于表示对应物品对时间间隔的敏感程度;
推荐模块,用于基于该多个物品的类型对应的第一推荐参数、每个该物品的权重参数以及该历史行为序列,对该用户进行物品推荐。
在一种可能实施方式中,该权重参数获取模块,用于:
基于该历史行为序列,获取每个该物品的交互事件编码,每个该物品的交互事件编码包括对应物品的编码和对应物品的位置编码,该位置编码用于表示对应物品在该历史行为序列中的位置;
通过注意力机制,基于每个该物品的交互事件编码,获取该多个物品的权重参数。
在一种可能实施方式中,该推荐参数获取模块,用于:
基于该多个物品的权重参数以及该多个物品的交互事件编码,获取历史向量;
基于该历史向量、该多个物品的类型、当前时间、该历史行为序列中的最大时间以及该多个物品对应的时间敏感参数,获取多个第一函数值,每个该第一函数值表示当前时间该用户对每个该物品的类型的原始偏好程度;
基于该多个第一函数值以及多个目标用户群体的偏好信息,获取该多个第一推荐参数,每个该目标用户群体的偏好信息表示目标用户群体对每个该物品的类型对应的偏好程度。
在一种可能实施方式中,该推荐模块,包括:
获取单元,用于基于该多个物品的类型对应的第一推荐参数、每个该物品的权重参数以及该历史行为序列,获取该用户的用户偏好信息;
匹配单元,用于基于该用户偏好信息,从多个候选物品中获取与该用户偏好信息匹配的目标物品;
推荐单元,用于向该用户推荐该目标物品。
在一种可能实施方式中,该匹配单元,用于:
基于该用户偏好信息,确定该多个候选物品的第二推荐参数,该第二推荐参数用于表示该用户偏好信息与对应候选物品之间的相似程度;
将该第二推荐参数符合推荐条件的物品作为该目标物品。
一方面,提供了一种计算机设备,该计算机设备包括一个或多个处理器和一个或多个存储器,该一个或多个存储器中存储有至少一条计算机程序,该计算机程序由该一个或多个处理器加载并执行以实现该物品推荐方法。
一方面,提供了一种计算机可读存储介质,该计算机可读存储介质中存储有至少一条计算机程序,该计算机程序由处理器加载并执行以实现该物品推荐方法。
一方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括程序代码,该程序代码存储在计算机可读存储介质中,计算机设备的处理器从计算机可读存储介质读取该程序代码,处理器执行该程序代码,使得该计算机设备执行上述物品推荐方法。
通过本申请实施例提供的技术方案,计算机设备能够根据表示用户和物品的历史交互情况以及交互时间的历史行为序列以及当前时间,来确定用户在此时此刻的偏好信息,根据该偏好信息向用户进行物品推荐,通过这种方式确定的用户偏好信息能够反映时间对用户偏好的影响,因此,这种方法能够提高物品推荐的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,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是本申请实施例提供的一种物品推荐方法的实施环境示意图;
图2是本申请实施例提供的一种物品推荐方法的流程图;
图3是本申请实施例提供的一种物品推荐方法的流程图;
图4是本申请实施例提供的一种用户偏好情况变化示意图;
图5是本申请实施例提供的一种物品推荐装置结构示意图;
图6是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
本申请中术语“第一”“第二”等字样用于对作用和功能基本相同的相同项或相似项进行区分,应理解,“第一”、“第二”、“第n”之间不具有逻辑或时序上的依赖关系,也不对数量和执行顺序进行限定。
本申请中术语“至少一个”是指一个或多个,“多个”的含义是指两个或两个以上,例如,多个物品是指两个或两个以上的物品。
归一化处理:将取值范围不同的数列映射到(0,1)区间上,便于数据的处理。在一些情况下,归一化后的数值可以直接被实现为概率。
嵌入编码(Embedded Coding):是一种用低维度的向量对数据进行编码的编码方式,这种编码方式能够体现出数据间的相关性。
注意力权重:应用于自注意力机制中,该注意力权重能够反映在对输入的某个数据进行编码时,对输入的其他数据的关注程度,该注意力权重的值越高,说明输入的其他数据与正在进行编码的数据的相关性越强。
图1是本申请实施例提供的一种物品推荐方法的实施环境示意图,参见图1,该实施环境中可以包括终端110和服务器120。
可选地,终端110为平板电脑、笔记本电脑、台式计算机等,但并不局限于此。用户能够通过该终端110对网络进行访问。
可选地,服务器120是独立的物理服务器,或者是多个物理服务器构成的服务器集群或者分布式系统,或者是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、分发网络(Content Delivery Network,CDN)以及大数据和人工智能平台等基础云计算服务的云服务器。
该终端110能够与服务器120进行通信,从而使用服务器120所提供的物品推荐功能,例如,用户使用终端110,终端110将用户信息发送给服务器120,服务器120根据用户信息进行物品推荐,并向终端110返回待推荐的目标物品信息。需要说明的是,上文是以服务器执行该物品推荐方法为例进行阐述,而本申请实施例提供的物品推荐方法既能够由终端执行,也能够由服务器执行,本申请实施例对此不做限定。
可选地,上述终端110以及服务器120能够作为区块链系统上的节点,用以储存物品推荐的相关数据。
在介绍完本申请实施例的实施环境之后,下面将结合上述实施环境,对本申请实施例的应用场景进行介绍。需要说明的是,在下述说明过程中,本申请实施例提供的物品推荐方法能够应用于购物应用程序(Application,APP)的推荐场景下,当用户使用购物APP时,购物APP能够通过本申请实施例提供的物品推荐方法,更精准的推荐用户可能偏好的物品。例如,用户在购物APP上购买过物品A,且物品A对应的物品类型对时间比较敏感,物品A的使用寿命为一周,则一周之内,会减少为该用户推荐与物品A类型相同的物品的内容。
另外,本申请实施例提供的物品推荐方法也能够应用在其他推荐场景下,比如应用在外卖APP、视频APP、金融APP、出行APP、新闻APP的推荐场景下,本申请实施例对此不做限定。
在介绍完本申请实施例的实施环境和应用场景之后,下面对本申请实施例提供的物品推荐方法进行说明。图2是本申请实施例提供的一种物品推荐方法的流程图,以执行主体为计算机设备为例,参见图2,该方法包括:
201、计算机设备基于用户的历史行为序列,获取多个物品的权重参数,该历史行为序列包括该多个物品和该用户与每个该物品交互的时间,每个该权重参数用于表示对应的物品对于该用户进行物品推荐的影响程度。
其中,该历史行为序列用于记录用户与物品的历史交互情况。
在一些实施例中,该用户与物品之间的交互行为包括:点击、收藏、分享、点赞等,根据不同的交互行为,每个用户可以对应多个历史行为序列,本申请实施例对此不作限定。
202、计算机设备基于该用户的历史行为序列、该多个物品的权重参数、该多个物品的类型、当前时间、该历史行为序列中的最大时间以及该多个物品对应的时间敏感参数,获取该多个物品的类型对应的第一推荐参数,每个该第一推荐参数表示该用户在该当前时间对每个该物品的类型的偏好程度,该时间敏感参数用于表示对应物品对时间间隔的敏感程度。
其中,该物品的类型是根据物品的功能、用途等信息,对物品进行分类得到的。该当前时间为进行物品推荐的时间,该最大时间为历史行为序列中的交互时间的最大值,该时间敏感参数是预设参数,每个物品的类型对应不同的时间敏感参数。
203、计算机设备基于该多个物品的类型对应的第一推荐参数、每个该物品的权重参数以及该历史行为序列,对该用户进行物品推荐。
其中,该多个物品的类型对应的第一推荐参数用于对每个该物品的权重参数进行修正,因此,修正后的该权重参数能够体现出在该当前时间对应的物品对于该用户进行物品推荐的影响程度。
通过本申请实施例提供的技术方案,计算机设备能够根据表示用户和物品的历史交互情况以及交互时间的历史行为序列以及当前时间,来确定用户在此时此刻的偏好信息,根据该偏好信息向用户进行物品推荐,通过这种方式确定的用户偏好信息能够反映时间对用户偏好的影响,因此,这种方法能够提高物品推荐的准确性。
需要说明的是,上述步骤201-203是本申请实施例提供的物品推荐方法的简单介绍,下面将结合一些例子,对本申请实施例提供的物品推荐方法进行更加详细的说明。图3是本申请实施例提供的一种物品推荐方法的流程图,以执行主体为计算机设备为例,参见图3,方法包括:
301、计算机设备获取用户的历史行为序列,该历史行为序列包括多个物品和该用户与每个该物品交互的时间。
在一些实施例中,该历史行为序列的获取步骤包括:计算机设备获取用户的用户标识,基于该用户标识,获取用户与多个物品的交互记录,按照用户与该物品交互的时间从早到晚的顺序,生成用户的历史行为序列。
在一些实施例中,该多个物品,在历史行为序列中以物品标识的形式表示。
在一些实施例中,该用户与每个物品交互的时间,在历史行为序列中以实数的形式表示,实数递增表示时间的增加,例如,规定2021年1月1日0时用0表示,时间每增加1小时,数字对应增加1,则2021年1月1日12时用12表示。
302、计算机设备基于该历史行为序列,获取每个该物品的交互事件编码,每个该物品的交互事件编码包括对应物品的编码和对应物品的位置编码,该位置编码用于表示对应物品在该历史行为序列中的位置。
在本申请实施例中,计算机设备基于该历史行为序列,获取每个该物品的交互事件编码包括:基于该历史行为序列中物品的物品标识,从嵌入词典中检索出该物品标识对应的编码,基于该历史行为序列中对应物品在历史行为序列中的位置以及该历史行为序列的长度,确定对应物品的位置编码。其中,该嵌入词典包括多个物品的物品标识和对应的编码,该编码能够体现出物品之间的联系,两个物品的编码越相似,则这两个物品间的关联度越高。例如,物品A和物品B的编码越相似,则物品A和物品B越可能为互为替代品。相比于直接采用独热编码,该编码的维度更低、表达能力更强、更适合深度学习模型进行处理。
在一些实施例中,通过下述公式(1)获取该对应物品的位置编码。
其中,Yi[j]为历史行为序列中第i个物品在第j维上的位置编码,L表示历史行为序列的长度,i、j、L为正整数,且i≤L,j≤L。
303、计算机设备基于该每个物品的交互事件编码以及预设的第一矩阵、第二矩阵和第三矩阵,获取查询矩阵、键矩阵以及值矩阵。
在一些实施例中,计算机设备获取查询矩阵、键矩阵以及值矩阵包括:获取编码矩阵,将该编码矩阵分别与该第一矩阵、第二矩阵、第三矩阵相乘,得到该查询矩阵、该键矩阵以及该值矩阵。其中,该编码矩阵由每个物品的交互事件编码构成,该编码矩阵表示为:Z=[Z1 … ZL]T,
304、计算机基于该查询矩阵以及该键矩阵,获取该多个物品的权重参数,每个该权重参数用于表示对应的物品对于该用户进行物品推荐的影响程度。
其中,该查询矩阵的每一行为每个物品对应的查询向量,该键矩阵中的每一行为每个物品对应的键向量。每一个查询向量分别与所有的键向量点乘的结果,能够反映出在基于该查询向量对应的物品进行编码时,对历史行为序列中每个物品的关注程度,每一个权重参数是通过对该点乘的结果进行进一步处理得到的,因此,该权重参数能够反映某个物品与历史行为序列中其他物品之间的相关性。在进行物品推荐的过程中,需要根据物品之间的关联进行判断,因此,该权重参数能够表示对应的物品对于该用户进行物品推荐的影响程度。
在一些实施例中,通过公式(2)获取该多个物品的权重参数。
其中,w为该多个物品的权重参数,q为该查询矩阵的最后一行,KT为该键矩阵的转置,d为该查询矩阵的列数,softmax函数用于进行归一化处理,该softmax函数的表达式如公式(3)所示。
需要说明的是,上述步骤301至步骤304是计算机设备基于用户的历史行为序列,获取多个物品的权重参数的过程的一种实现方式,在上述实现方式中基于注意力机制,获取到了各个注意力权重,该注意力权重能够体现历史行为序列中的每个物品与该权重参数对应的物品的相关性。在一些实施例中,该过程还可以采用其他实现方式,本申请实施例对此不做限定。
305、计算机设备基于该多个物品的权重参数以及该多个物品的交互事件编码,获取历史向量。
其中,该历史向量是基于该多个物品的权重参数和该值矩阵获取的,该历史向量能够体现出每个物品在该历史行为序列中的影响。
在一些实施例中,通过下述公式(4)获取历史向量。
其中,h表示该历史向量,w表示该权重参数,该权重参数为向量的形式,该权重参数的每一个元素为历史行为序列中的每个物品对应的权重,wi表示该权重参数中的第i个元素,即该权重参数中的第i个权重,V为该值矩阵,Vi表示该编码向量中的第i行,L表示该编码矩阵的行数,i为正整数,且i≤L。
306、计算机设备获取当前时间、多个物品的类型以及该历史行为序列中的最大时间。
其中,该当前时间的表示方式,应与该历史行为序列中时间的表示方式保持一致,例如,若该历史行为序列中将2021年1月1日0时表示为0,时间增加1小时,数字对应增加1,当前时间为2021年1月3日0时,则当前时间表示为48。
在一些实施例中,获取该多个物品的类型包括:基于该物品的物品标识,在数据库中进行检索,得到该物品的类型。其中,该数据库中存储有物品的标识、物品的类型以及物品的其他信息等内容。
307、计算机设备基于该历史向量、该多个物品的类型、该当前时间、该最大时间以及该多个物品对应的时间敏感参数,获取多个第一函数值,该时间敏感参数用于表示对应物品对时间间隔的敏感程度,每个该第一函数值表示该当前时间该用户对每个该物品的类型的原始偏好程度。
其中,该当前时间和该最大时间用于确定当前推荐时刻与所参考的历史行为之间的时间间隔,基于该时间敏感参数和该时间间隔,确定对应物品的类型受时间间隔的影响程度。不同类型的物品对应的时间敏感参数不同,该时间敏感参数表示该类型的物品对两次交互之间的时间间隔的敏感程度,该时间敏感参数可以在物品推荐模型的训练过程中得到。
在一些实施例中,通过下述公式(5)获取多个第一函数值。
其中,gk(t)表示该第一函数值,k表示物品的类型,h表示该历史向量,t表示该当前时间,tL表示该最大时间,为预设参数,用于表示历史行为对物品的类型的影响情况,为该时间敏感参数,σ表示sigmoid函数,该sigmoid函数用于进行归一化处理,该sigmoid函数采用下述公式(6)表示。
308、计算机设备获取多个目标用户群体的偏好信息,每个该目标用户群体的偏好信息表示目标用户群体对每个该物品的类型对应的偏好程度。
其中,目标用户群体是基于用户的用户信息,根据目标条件对用户进行筛选所得到的用户集合。
在一些实施例中,计算机设备获取多个目标用户群体的偏好信息包括:获取目标用户群体中的多个用户的用户标识,基于该用户标识,获取多个用户的历史行为序列,基于该多个历史行为序列,获取多个用户对多个物品的类型的偏好信息,基于该多个用户对多个物品的类型的偏好信息,获取多个该目标用户群体对该多个物品的类型对应的偏好信息。
309、计算机设备基于该多个第一函数值以及多个目标用户群体的偏好信息,获取多个第一推荐参数,每个该第一推荐参数表示该用户在该当前时间对每个该物品的类型的偏好程度。
其中,该计算机设备获取多个第一推荐参数的过程,是基于该目标用户群体的偏好信息,对该第一函数值进行调整的过程。
在一些实施例中,通过下述公式(7)获取多个第一推荐参数。
其中,λk(t)表示该第一推荐参数,k表示物品的类型,t表示该当前时间,gk(t)表示该第一函数值,μk表示该目标用户群体对第k类物品的偏好程度,为预设参数,f表示Softplus函数,该Softplus函数用于进行归一化处理,该Softplus函数采用下述公式(8)表示。
其中,φk为预设参数,用于调节函数图像的陡峭程度,log表示进行对数计算。
需要说明的是,上述步骤305至步骤309是计算机设备基于该用户的历史行为序列、该多个物品的权重参数、该多个物品的类型、当前时间、该历史行为序列中的最大时间以及该多个物品对应的时间敏感参数,获取该多个物品的类型对应的第一推荐参数的过程的一种实现方式,在上述实现方式中,基于多元时序点过程,获取多个该第一函数值,每个该第一函数值表示该当前时间该用户对每个该物品的类型的原始偏好程度,然后基于目标用户群体的偏好信息和该第一函数值,获取第一推荐参数,该第一推荐参数表示用户在该当前时间对每个该物品的类型的偏好程度。在一些实施例中,该过程还可以采用其他实现方式,例如,基于该第一函数值,直接获取该第一推荐参数,也即是,上述步骤的执行过程中,不执行步骤308,在步骤309中仅使用该第一函数值,获取该第一推荐参数,本申请实施例对此不做限定。
310、计算机设备基于该多个物品的类型对应的第一推荐参数、每个该物品的权重参数以及该值矩阵,获取该用户的用户偏好信息。
在本申请实施例中,计算机设备获取该用户的用户偏好信息包括:基于该第一推荐参数、该权重参数以及该值矩阵,获取该用户的用户偏好信息。其中,该第一推荐参数用于对每个该物品的权重参数进行修正。
在一些实施例中,通过下述公式(9)获取该用户的用户偏好信息。
其中,h(t)表示该用户偏好信息,L表示该历史行为序列的长度,i表示历史行为序列中的第i个物品,L、i为正整数,且i≤L,k表示该物品的类型,λk(t)表示该物品的类型对应的该第一推荐参数,w表示上述步骤305中的权重向量,wi表示该权重向量中的第i个元素,也即为第i个物品对应的权重,V表示该值矩阵,Vi表示值矩阵中的第i行,也即为第i个物品对应的值向量。
311、计算机设备基于该用户偏好信息,确定该多个候选物品的第二推荐参数,该第二推荐参数用于表示该用户偏好信息与对应候选物品之间的相似程度。
在一些实施例中,计算机设备基于该用户偏好信息,确定该多个候选物品的第二推荐参数包括:基于该多个候选物品的物品标识,从嵌入词典中检索到该多个候选物品对应的编码,基于该编码与该用户偏好信息,获取该第二推荐参数。
在一些实施例中,通过下述公式(10)获取该第二推荐参数。
Scorei=Xih(t) (10)
其中,Scorei表示该第二推荐参数,h(t)表示该用户偏好信息,Xi表示第i个候选物品的编码,i为正整数,Xi为行向量,该h(t)为列向量。
在一些实施例中,上述步骤301至步骤311通过物品推荐模型来执行。在一些实施例中,该物品推荐模型包括嵌入层、自注意力层、自调制层以及预测层。其中,该嵌入层用于将该历史行为序列进行编码,也即是执行上述步骤301和步骤302,该自注意力层用于获取物品在历史行为序列中的影响,也即是执行上述步骤303至步骤305,该自调制层用于获取用户偏好与时间的关系,也即是用于执行上述步骤306至步骤309,该预测层用于预测用户对物品的偏好情况,也即是用于执行上述步骤310至311。该物品推荐模型的训练过程包括多次参数迭代更新过程,每次参数迭代更新过程是指基于多个用户的样本历史行为序列对物品推荐模型的模型参数进行一次更新的过程。下面仅以一次参数迭代更新过程为例,对该物品推荐模型的训练过程进行说明:计算机设备获取多个用户的样本历史行为序列,对每一个样本历史行为序列进行下述操作:将该样本历史行为序列输入嵌入层,得到该样本历史行为序列中每个物品的样本交互事件编码,将该样本交互事件编码输入自注意力层,得到该样本交互事件编码对应的值矩阵、该权重参数以及样本历史向量。遍历该样本历史行为序列中的物品,进行下述操作:以该物品的历史交互时间作为本次推荐时间,以该物品在序列中的前一位物品的历史交互时间作为本次最大时间,将该样本历史向量、本次推荐时间以及本次最大时间输入该自调制层,得到该第一样本推荐参数,将该第一样本推荐参数、该值矩阵、该权重参数以及该样本交互时间编码输入该预测层,得到第二样本推荐参数,基于该第一样本推荐参数、第二样本推荐参数,获取该物品对应的损失函数的第一损失函数值。对该样本历史行为序列中的多个物品的第一损失函数值进行求和,得到该样本历史行为序列对应的第二损失函数值。基于多个样本历史行为序列的第二损失函数值,获取该多个用户的样本历史行为序列对应的总损失函数值。基于该总损失函数值,更新该物品推荐模型中的网络参数,并进行下一次参数迭代更新。该网络参数包括该时间敏感参数,该损失函数采用下述公式(11)表示。
其中,表示在给定的m个样本历史行为序列进行训练时,取本损失函数的最小值对网络参数进行优化,R为包括m个用户和n个物品的基础矩阵,为预测矩阵,该预测矩阵包括该第二样本推荐参数,Θ代表该网络参数,l为用于获取该基础矩阵和该预测矩阵的接近程度的函数,该函数需满足利普希茨连续条件,γ为正则化参数,E表示期望,u表示用户,R(Θ,u)为观察到用户u的样本历史行为序列的似然,采用下述公式(12)表示。
其中,即包括用户u的样本历史行为序列中的交互时间ti及其对应的物品pi,L为样本历史行为序列的长度,kj表示对应物品的类型,表示当该用户u的样本历史行为序列中包括1至j-1个物品时,第kj类物品的该第一样本推荐参数,表示当该用户u的样本历史行为序列中包括1至j-1个物品时,该样本历史行为序列中所有的物品类型对应的第一样本推荐参数的和。
312、计算机设备将第二推荐参数符合推荐条件的物品作为目标物品。
其中,该推荐条件可以根据实际情况进行设置。举例来说,该推荐条件为第二推荐参数从大到小排列在前预设位数。在一些实施例中,该推荐条件为:第二推荐参数大于目标阈值。本申请实施例对此不作限定。
313、计算机设备向该用户推荐该目标物品。
需要说明的是,上述步骤311至313为计算机设备基于该多个物品的类型对应的第一推荐参数、每个该物品的权重参数以及该历史行为序列,对该用户进行物品推荐的过程的一种实现方式,在上述实现方式中,基于该用户偏好信息,获取第二推荐参数,该第二推荐参数用于表示用户偏好信息与候选物品之间的相似程度,基于一定的推荐条件,筛选出目标物品,然后向用户推荐该目标物品,在一些实施例中,该过程还可以采用其他的实现方式,本申请实施例对此不作限定。
通过本申请实施例提供的技术方案,计算机设备能够根据表示用户和物品的历史交互情况以及交互时间的历史行为序列以及当前时间,来确定用户在此时此刻的偏好信息,根据该偏好信息向用户进行物品推荐,通过这种方式确定的用户偏好信息能够反映时间对用户偏好的影响,因此,这种方法能够提高物品推荐的准确性。
下面将对本申请实施例提供的物品推荐方法的效果进行展示,参见下表1,表1是本申请实施例提供的一种物品推荐方法的效果表,基于三个公开的数据集,分别对本申请实施例的物品推荐方法进行了测试,并使用命中率(Hits Ratio,HR)和正规化的累计收益折扣(Normalized Discounted Cumulative Gain,NDCG)两种算法评价指标,分别对本申请实施例提供的物品推荐方法以及三种现有的推荐方法进行评价,评价结果为本申请实施例提供的物品推荐方法的效果优于其他三种现有的推荐方法。其中,HR和NDCG两种评价指标均为得到的值越大,算法效果越好。
表1
下面将以一个公开数据集中的数据为例,对用户对不同物品的类型的偏好随时间变化的情况进行展示,参见图4,图4中的横坐标为序列中的时间,纵坐标为物品的类型,图标中的每一个矩形的灰度表示用户在该时间对该物品的类型的偏好情况,该矩形的灰度值越小,即颜色越黑,代表用户在该时间越偏好该物品的类型,该矩形的灰度值越大,即颜色越白,代表用户在该时间越不偏好该物品的类型。
图5是本申请实施例提供的一种物品推荐装置结构示意图,参见图5,装置包括:权重参数获取模块501、推荐参数获取模块502以及推荐模块503。
权重参数获取模块501,用于基于用户的历史行为序列,获取多个物品的权重参数,该历史行为序列包括该多个物品和该用户与每个该物品交互的时间,每个该权重参数用于表示对应的物品对于该用户进行物品推荐的影响程度;
推荐参数获取模块502,用于基于该用户的历史行为序列、该多个物品的权重参数、该多个物品的类型、当前时间、该历史行为序列中的最大时间以及该多个物品对应的时间敏感参数,获取该多个物品的类型对应的第一推荐参数,每个该第一推荐参数表示该用户在该当前时间对每个该物品的类型的偏好程度,该时间敏感参数用于表示对应物品对时间间隔的敏感程度;
推荐模块503,用于基于该多个物品的类型对应的第一推荐参数、每个该物品的权重参数以及该历史行为序列,对该用户进行物品推荐。
在一种可能实施方式中,该权重参数获取模块501,用于:
基于该历史行为序列,获取每个该物品的交互事件编码,每个该物品的交互事件编码包括对应物品的编码和对应物品的位置编码,该位置编码用于表示对应物品在该历史行为序列中的位置;
通过注意力机制,基于每个该物品的交互事件编码,获取该多个物品的权重参数。
在一种可能实施方式中,该推荐参数获取模块502,用于:
基于该多个物品的权重参数以及该多个物品的交互事件编码,获取历史向量;
基于该历史向量、该多个物品的类型、当前时间、该历史行为序列中的最大时间以及该多个物品对应的时间敏感参数,获取多个第一函数值,每个该第一函数值表示当前时间该用户对每个该物品的类型的原始偏好程度;
基于该多个第一函数值以及多个目标用户群体的偏好信息,获取该多个第一推荐参数,每个该目标用户群体的偏好信息表示目标用户群体对每个该物品的类型对应的偏好程度。
在一种可能实施方式中,该推荐模块503,包括:
获取单元,用于基于该多个物品的类型对应的第一推荐参数、每个
该物品的权重参数以及该历史行为序列,获取该用户的用户偏好信息;
匹配单元,用于基于该用户偏好信息,从多个候选物品中获取与该用户偏好信息匹配的目标物品;
推荐单元,用于向该用户推荐该目标物品。
在一种可能实施方式中,该匹配单元,用于:
基于该用户偏好信息,确定该多个候选物品的第二推荐参数,该第二推荐参数用于表示该用户偏好信息与对应候选物品之间的相似程度;
将该第二推荐参数符合推荐条件的物品作为该目标物品。
需要说明的是:上述实施例提供的物品推荐装置在进行物品推荐时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将计算机设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的物品推荐装置与物品推荐方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
上述计算机设备还可以实现为服务器,下面对服务器的结构进行介绍:
图6是本申请实施例提供的一种服务器的结构示意图,该服务器600可因配置或性能不同而产生比较大的差异,可以包括一个或多个处理器601和一个或多个的存储器602,其中,该一个或多个存储器602中存储有至少一条计算机程序,该至少一条计算机程序由该一个或多个处理器601加载并执行以实现上述各个方法实施例提供的方法。当然,该服务器600还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该服务器600还可以包括其他用于实现设备功能的部件,在此不做赘述。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括计算机程序的存储器,上述计算机程序可由处理器执行以完成上述实施例中的物品推荐方法。例如,该计算机可读存储介质可以是只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括程序代码,该程序代码存储在计算机可读存储介质中,计算机设备的处理器从计算机可读存储介质读取该程序代码,处理器执行该程序代码,使得该计算机设备执行上述物品推荐方法。
在一些实施例中,本申请实施例所涉及的计算机程序可被部署在一个计算机设备上执行,或者在位于一个地点的多个计算机设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算机设备上执行,分布在多个地点且通过通信网络互连的多个计算机设备可以组成区块链系统。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
上述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (12)
1.一种物品推荐方法,其特征在于,所述方法包括:
基于用户的历史行为序列,获取多个物品的权重参数,所述历史行为序列包括所述多个物品和所述用户与每个所述物品交互的时间,每个所述权重参数用于表示对应的物品对于所述用户进行物品推荐的影响程度;
基于所述用户的历史行为序列、所述多个物品的权重参数、所述多个物品的类型、当前时间、所述历史行为序列中的最大时间以及所述多个物品对应的时间敏感参数,获取所述多个物品的类型对应的第一推荐参数,每个所述第一推荐参数表示所述用户在所述当前时间对每个所述物品的类型的偏好程度,所述时间敏感参数用于表示对应物品对时间间隔的敏感程度;
基于所述多个物品的类型对应的第一推荐参数、每个所述物品的权重参数以及所述历史行为序列,对所述用户进行物品推荐。
2.根据权利要求1所述的方法,其特征在于,所述基于用户的历史行为序列,获取多个物品的权重参数包括:
基于所述历史行为序列,获取每个所述物品的交互事件编码,每个所述物品的交互事件编码包括对应物品的编码和对应物品的位置编码,所述位置编码用于表示对应物品在所述历史行为序列中的位置;
通过注意力机制,基于每个所述物品的交互事件编码,获取所述多个物品的权重参数。
3.根据权利要求2所述的方法,其特征在于,所述基于所述用户的历史行为序列、所述多个物品的权重参数、所述多个物品的类型、当前时间、所述历史行为序列中的最大时间以及所述多个物品对应的时间敏感参数,获取所述多个物品的类型对应的第一推荐参数包括:
基于所述多个物品的权重参数以及所述多个物品的交互事件编码,获取历史向量;
基于所述历史向量、所述多个物品的类型、当前时间、所述历史行为序列中的最大时间以及所述多个物品对应的时间敏感参数,获取多个第一函数值,每个所述第一函数值表示当前时间所述用户对每个所述物品的类型的原始偏好程度;
基于所述多个第一函数值以及多个目标用户群体的偏好信息,获取所述多个第一推荐参数,每个所述目标用户群体的偏好信息表示目标用户群体对每个所述物品的类型对应的偏好程度。
4.根据权利要求1所述的方法,其特征在于,所述基于所述多个物品的类型对应的第一推荐参数、每个所述物品的权重参数以及所述历史行为序列,对所述用户进行物品推荐包括:
基于所述多个物品的类型对应的第一推荐参数、每个所述物品的权重参数以及所述历史行为序列,获取所述用户的用户偏好信息;
基于所述用户偏好信息,从多个候选物品中获取与所述用户偏好信息匹配的目标物品;
向所述用户推荐所述目标物品。
5.根据权利要求4所述的方法,其特征在于,所述基于所述用户偏好信息,从多个候选物品中获取与所述用户偏好信息匹配的目标物品包括:
基于所述用户偏好信息,确定所述多个候选物品的第二推荐参数,所述第二推荐参数用于表示所述用户偏好信息与对应候选物品之间的相似程度;
将所述第二推荐参数符合推荐条件的物品作为所述目标物品。
6.一种物品推荐装置,其特征在于,所述装置包括:
权重参数获取模块,用于基于用户的历史行为序列,获取多个物品的权重参数,所述历史行为序列包括所述多个物品和所述用户与每个所述物品交互的时间,每个所述权重参数用于表示对应的物品对于所述用户进行物品推荐的影响程度;
推荐参数获取模块,用于基于所述用户的历史行为序列、所述多个物品的权重参数、所述多个物品的类型、当前时间、所述历史行为序列中的最大时间以及所述多个物品对应的时间敏感参数,获取所述多个物品的类型对应的第一推荐参数,每个所述第一推荐参数表示所述用户在所述当前时间对每个所述物品的类型的偏好程度,所述时间敏感参数用于表示对应物品对时间间隔的敏感程度;
推荐模块,用于基于所述多个物品的类型对应的第一推荐参数、每个所述物品的权重参数以及所述历史行为序列,对所述用户进行物品推荐。
7.根据权利要求6所述的装置,其特征在于,所述权重参数获取模块,用于:
基于所述历史行为序列,获取每个所述物品的交互事件编码,每个所述物品的交互事件编码包括对应物品的编码和对应物品的位置编码,所述位置编码用于表示对应物品在所述历史行为序列中的位置;
通过注意力机制,基于每个所述物品的交互事件编码,获取所述多个物品的权重参数。
8.根据权利要求7所述的装置,其特征在于,所述推荐参数获取模块,用于:
基于所述多个物品的权重参数以及所述多个物品的交互事件编码,获取历史向量;
基于所述历史向量、所述多个物品的类型、当前时间、所述历史行为序列中的最大时间以及所述多个物品对应的时间敏感参数,获取多个第一函数值,每个所述第一函数值表示当前时间所述用户对每个所述物品的类型的原始偏好程度;
基于所述多个第一函数值以及多个目标用户群体的偏好信息,获取所述多个第一推荐参数,每个所述目标用户群体的偏好信息表示目标用户群体对每个所述物品的类型对应的偏好程度。
9.根据权利要求6所述的装置,其特征在于,所述推荐模块,包括:
获取单元,用于基于所述多个物品的类型对应的第一推荐参数、每个所述物品的权重参数以及所述历史行为序列,获取所述用户的用户偏好信息;
匹配单元,用于基于所述用户偏好信息,从多个候选物品中获取与所述用户偏好信息匹配的目标物品;
推荐单元,用于向所述用户推荐所述目标物品。
10.根据权利要求9所述的装置,其特征在于,所述匹配单元,用于:
基于所述用户偏好信息,确定所述多个候选物品的第二推荐参数,所述第二推荐参数用于表示所述用户偏好信息与对应候选物品之间的相似程度;
将所述第二推荐参数符合推荐条件的物品作为所述目标物品。
11.一种计算机设备,其特征在于,所述计算机设备包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条计算机程序,所述计算机程序由所述一个或多个处理器加载并执行以实现如权利要求1至权利要求5任一项所述的物品推荐方法。
12.一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中存储有至少一条计算机程序,所述计算机程序由处理器加载并执行以实现如权利要求1至权利要求5任一项所述的物品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111085728.5A CN113869943A (zh) | 2021-09-16 | 2021-09-16 | 物品推荐方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111085728.5A CN113869943A (zh) | 2021-09-16 | 2021-09-16 | 物品推荐方法、装置、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113869943A true CN113869943A (zh) | 2021-12-31 |
Family
ID=78996348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111085728.5A Pending CN113869943A (zh) | 2021-09-16 | 2021-09-16 | 物品推荐方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113869943A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023221661A1 (zh) * | 2022-05-19 | 2023-11-23 | 北京沃东天骏信息技术有限公司 | 用户喜好物品信息生成方法、装置、电子设备和介质 |
WO2023246954A1 (zh) * | 2022-06-24 | 2023-12-28 | 顺丰科技有限公司 | 物品推荐方法、装置、电子设备及存储介质 |
-
2021
- 2021-09-16 CN CN202111085728.5A patent/CN113869943A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023221661A1 (zh) * | 2022-05-19 | 2023-11-23 | 北京沃东天骏信息技术有限公司 | 用户喜好物品信息生成方法、装置、电子设备和介质 |
WO2023246954A1 (zh) * | 2022-06-24 | 2023-12-28 | 顺丰科技有限公司 | 物品推荐方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111538912B (zh) | 内容推荐方法、装置、设备及可读存储介质 | |
CN110717098B (zh) | 基于元路径的上下文感知用户建模方法、序列推荐方法 | |
CN110516160B (zh) | 基于知识图谱的用户建模方法、序列推荐方法 | |
CN111966914B (zh) | 基于人工智能的内容推荐方法、装置和计算机设备 | |
CN112487199B (zh) | 一种基于用户购买行为的用户特征预测方法 | |
CN110110233B (zh) | 信息处理方法、装置、介质和计算设备 | |
Bhuyan et al. | Explainable machine learning for data extraction across computational social system | |
CN113869943A (zh) | 物品推荐方法、装置、设备以及存储介质 | |
CN113221019B (zh) | 基于即时学习的个性化推荐方法和系统 | |
CN114358657B (zh) | 一种基于模型融合的岗位推荐方法及装置 | |
CN112380449B (zh) | 信息推荐方法、模型训练方法及相关装置 | |
CN113515690A (zh) | 内容召回模型的训练方法、内容召回方法、装置及设备 | |
CN113656699B (zh) | 用户特征向量确定方法、相关设备及介质 | |
CN113536105A (zh) | 推荐模型训练方法和装置 | |
CN114371946B (zh) | 基于云计算和大数据的信息推送方法及信息推送服务器 | |
CN112819024A (zh) | 模型处理方法、用户数据处理方法及装置、计算机设备 | |
US11144938B2 (en) | Method and system for predictive modeling of consumer profiles | |
CN112989182B (zh) | 信息处理方法、装置、信息处理设备及存储介质 | |
CN115455276A (zh) | 推荐对象的方法、装置、计算机设备和存储介质 | |
CN111177657B (zh) | 需求确定方法、系统、电子设备及存储介质 | |
CN118043802A (zh) | 一种推荐模型训练方法及装置 | |
CN113094584A (zh) | 推荐学习资源的确定方法和装置 | |
CN111860870A (zh) | 交互行为确定模型的训练方法、装置、设备及介质 | |
CN112700277B (zh) | 用户行为数据的处理方法和多行为序列转化模型训练方法 | |
CN117540791B (zh) | 一种对抗训练的方法及装置 |
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 |