CN113919895A - 排序方法、装置、设备和存储介质 - Google Patents
排序方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113919895A CN113919895A CN202010646272.4A CN202010646272A CN113919895A CN 113919895 A CN113919895 A CN 113919895A CN 202010646272 A CN202010646272 A CN 202010646272A CN 113919895 A CN113919895 A CN 113919895A
- Authority
- CN
- China
- Prior art keywords
- query
- commodities
- information
- items
- user
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种排序方法、装置、设备和存储介质。该方法包括:获取目标用户对多个商品的用户行为信息,用户行为信息包括与多个商品相关联的多个查询项;根据多个查询项与目标用户的相似度,确定目标用户的召回查询项;对召回查询项的权重进行排序,并将召回查询项中满足预设权重阈值的偏好查询项进行展示。本发明实施例能够先基于推荐商品的查询项进行筛选,得到召回查询项,然后再根据召回查询项的权重筛选召回查询项,并将召回查询项中满足预设权重阈值的偏好查询项对应的商品推荐给用户,从而能够实现对商品的准确推荐,提高用户体验度。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种排序方法、装置、设备和存储介质。
背景技术
目前,通过推荐系统来实现商品的推荐已在工业界广泛应用。
通常,推荐系统在向用户推荐商品之前,会根据用户对商品历史操作记录进行分析和计算,并以计算结果为依据,对大量商品进行排序,从而向推荐用户需求的商品。但是,推荐商品对应的商品的数量往往是很庞大的,如果仅仅按照上述的排序条件,则会存在向用户推荐大量商品的情况,从而不能向用户准确推荐商品,导致用户体验度较差。
发明内容
本发明实施例提供一种排序方法、装置、设备和存储介质,可以实现对商品的准确推荐。
根据本发明实施例的一方面,提供一种排序方法,该排序方法包括:
获取目标用户对多个商品的用户行为信息,用户行为信息包括与多个商品相关联的多个查询项;
根据多个查询项与目标用户的相似度,确定目标用户的召回查询项;
对召回查询项的权重进行排序,并将召回查询项中满足预设权重阈值的偏好查询项进行展示。
根据本发明实施例的另一方面,提供一种排序装置,该排序装置包括:
获取模块,用于获取目标用户对多个商品的用户行为信息,用户行为信息包括与多个商品相关联的多个查询项;
确定模块,用于根据多个查询项与目标用户的相似度,确定目标用户的召回查询项;
排序模块,用于对召回查询项的权重进行排序,并将召回查询项中满足预设权重阈值的偏好查询项进行展示。
根据本发明实施例的再一方面,提供了一种电子设备,该电子设备包括:处理器;以及存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现如上述第一方面所述的排序方法。
根据本发明实施例的再一方面,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包括指令,当所述指令在计算机上运行时,使得计算机执行第一方面所述的排序方法。
根据本发明实施例中的排序方法、装置、设备和存储介质,通过计算用户行为信息包括与目标用户相关联的多个查询项,以及目标用户的相似度,确定目标用户的召回查询项;然后再根据召回查询项的权重,对召回查询项的权重进行排序,从而得到满足预设权重阈值的偏好查询项。本发明实施例能够先基于推荐商品的查询项进行筛选,得到召回查询项,然后再根据召回查询项的权重筛选召回查询项,并将召回查询项中满足预设权重阈值的偏好查询项对应的商品推荐给用户,从而能够实现对商品的准确推荐,提高用户体验度。
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中所需要使用的附图作简单地介绍,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为本说明书的一个示例的互联网访问系统架构图;
图2为本发明实施例提供的一种排序方法的流程图;
图3为本发明实施例提供的一种元路径的示意图;
图4示出了根据本发明一实施例提供的GRU-Attention机制的示意图;
图5示出了根据本发明一实施例提供的排序模型的结构示意图;
图6示出了根据本发明一实施例提供的推荐系统的结构示意图;
图7示出了根据本发明一实施例提供的排序装置的结构示意图;
图8示出了根据发明实施例的计算设备的硬件结构800示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
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……”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。
图1为本说明书的一个示例的互联网访问系统架构图。如图1所示,该互联网访问系统包括用户终端100、用户终端200、用户终端300和服务器400,在图1中仅以三个用户终端为示例。当用户分别操作用户终端110、用户终端120和用户终端130时,会在用户终端110、用户终端120和用户终端130上产生的用户行为信息,该用户行为信息包括与多个商品相关联的多个查询项;服务器400,用于获取用户行为信息,并基于多个查询项与目标用户的相似度,从多个查询项中确定目标用户的召回查询项;然后对召回查询项的权重进行排序,并将召回查询项中满足预设权重阈值的偏好查询项进行展示。为了能够充分利用这些获取的用户特征信息对实现对商品的准确推荐,本说明书提供了一种用于排序方法。
在本说明书中,用户终端具体可以是手机、平板电脑、个人电脑等。服务器可以是一种高性能的电子计算器,用于存储和处理数据,在本说明书中,服务器可以存储多个资源,以为用户终端提供资源对应的后台服务。
图2为本发明实施例提供的一种排序方法的流程图。如图2所示,该排序方法包括:
步骤201:获取目标用户对商品的用户行为信息,用户行为信息包括与多个商品相关联的多个查询项;
步骤202:根据多个查询项与目标用户的相似度,确定目标用户的召回查询项;
步骤203:对召回查询项的权重进行排序,并将召回查询项中满足预设权重阈值的偏好查询项进行展示。
根据本发明实施例中的排序方法、装置、设备和存储介质,通过计算用户行为信息包括与目标用户相关联的多个查询项,以及目标用户的相似度,确定目标用户的召回查询项;然后再根据召回查询项的权重,对召回查询项的权重进行排序,从而得到满足预设权重阈值的偏好查询项。本发明实施例能够先基于推荐商品的查询项进行筛选,得到召回查询项,然后再根据召回查询项的权重筛选召回查询项,并将召回查询项中满足预设权重阈值的偏好查询项对应的商品推荐给用户,从而能够实现对商品的准确推荐,提高用户体验度。
在本发明的一个实施例中,根据多个查询项与目标用户的相似度,确定目标用户的召回查询项,包括:
以目标用户的节点作为元路径的源节点,从异构网络中获取元路径对应的所有候选路径,进而获取与各候选路径的结束节点对应的候选查询项;
确定目标用户与每个候选查询项的相似度;
将相似度大于对应的相似度阈值的候选查询项作为召回查询项。
其中,相似度阈值可以基于召回的精度进行设置,在此不再赘述。
其中,根据多个查询项与目标用户的相似度,确定目标用户的召回查询项,是指基于元路径,在异构网络中,从大型查询池中生成数百个查询候选项。其中,查询项是指通过该查询项在用户终端上显示对应商品的查询项,可以是一个词,也可以多个词;在多个词的情况下,每个词表示不同的查询条件,例如,季节、大小、成人、行为的类型信息、时间信息等查询条件。
对应的,在该示例中,从大型查询池中生成数百个查询候选项,具体包括:
步骤一:将用户行为信息转化为异构网络,异构网络包括由顶点数据和边数据组成的路径数据,顶点数据包括用户、与用户操作行为相关联的商品,以及与商品相关联的查询项,边数据包括顶点数据之间的关联关系;
步骤二:设置顶点数据和边数据的元路径(mete-path),且元路径以用户为开始顶点数据,以查询项为结束顶点数据;
步骤三:根据元路径计算得到目标用户与查询项的关系权重。
其中,关联关系可以包括,用户、商品,以及查询项之间的关系。例如用户购买或搜索了商品后(用户购买或搜索行为数据),用户与商品之间的购买关联关系或搜索关联关系。
此外,需要说明的是,本发明实施例中所述顶点数据之间的关联关系并不仅限于上述的购买关联关系或搜索关联关系,在实际应用中,还可以根据顶点数据之间的实际关联情况包括其他的关联关系,商品与商品之间的相似关联关系等。
在图3中,分别以U2I2Q(即图3中的第1元路径)、U2I2S2Q(即图3中的第2元路径)、U2I2C2Q(即图3中的第3元路径)元路径为例进行说明。其中,U为“用户(User)”,I为“项目(Item)”,S为“Scenario”,C为“category”,Q为“query”。元路径的权重表示U与Q之间的关系权重Metescore(q)如下:
其中,U2I2Q:可以量化成P(q/i),P(q/i)表示给定商品i,生成查询项(q)的概率,其中,P(q/i)如下:
其中,count(q/i)是通过搜索q检索到的i的记录数据,count(i)是检索到的所有的记录数量。
U2I2S2Q:可以量化成P(s/i)*P(q/s),P(s/i)表示给定商品i,激活场景S的概率,P(q/s)表示给定场景(s),生成查询项(q)的概率,*表示乘法;其中,S可以为标题和商品的类别。
U2I2C2Q:可以量化成P(c/i)*P(q/c),P(s/i)表示给定商品i,c的概率,P(q/c)表示(c),生成查询项(q)的概率,*表示乘法,c可以为商品的类别。
需要说明的是,用户(user),商品(item)和查询项(query)是三种类型的顶点数据,这三种类型顶点数据之间又有不同的交互关系,比如,user直接点击item,user通过查询query进入搜索,并在搜索里发生item的操作等。
在本发明的一个实施例中,用户行为信息还包括多个商品的特征信息、与多个商品相关联的第一历史行为的类型信息,以及与多个商品相关联的时间信息,在对召回查询项的权重进行排序,并将召回查询项中满足预设权重阈值的偏好查询项进行展示之前,方法还包括:
根据多个商品的特征信息、与多个商品相关联的第一历史行为的类型信息、与多个商品相关联的时间信息,以及召回查询项,确定召回查询项的权重。
在该示例中,根据多个商品的特征信息、与多个商品相关联的第一历史行为的类型信息、与多个商品相关联的时间信息,以及召回查询项,确定召回查询项的权重,包括:
根据多个商品的特征信息、与多个商品相关联的第一历史行为的类型信息,以及与多个商品相关联的时间信息,确定第一历史行为特征信息;
计算召回查询项与第一历史行为特征信息的相似度;
基于相似度确定召回查询项的权重。
在图4中,将输入序列x=(x1,x2,xk,...,xn)输入Attention-GRU模型的,得到第一历史行为特征信息h′k=f(hk,Al,Δtk);将h′k和Q(即图3中的查询候选项)通过Attention机制,计算权重α1k。
在该示例中,根据多个商品的特征信息、与多个商品相关联的第一历史行为的类型信息,以及与多个商品相关联的时间信息,确定第一历史行为特征信息,包括:
将所述多个商品的特征信息、与所述多个商品相关联的第一历史行为的类型信息,以及与所述多个商品相关联的时间信息输入第一隐藏层,得到所述多个商品的特征信息对应的隐含状态向量、所述第一历史行为的类型信息对应的隐含状态向量,以及所述时间信息对应的隐含状态向量;
将所述多个商品的特征信息对应的隐含状态向量、所述第一历史行为的类型信息对应的隐含状态向量,以及所述时间信息对应的隐含状态向量输入所述第二隐藏层,得到所述第一历史行为特征信息。
其中,在一个示例中,多个商品的特征信息是指识别商品的特征信息,可以确定该商品的类别;例如,识别围脖对应的特征信息,确定为围脖。
与多个商品相关联的第一历史行为的类型信息是指针对该商品的操作类型,例如,点击、浏览、收藏、购买等操作类型。
与多个商品相关联的时间信息是指该商品的购买时间与当前时间的时间差,时间差越大,对应的查询项参考性角度,即近期沟通的商品才能表征用户实际对商品的需求。
在图4中,Attention-GRU模型的输入序列x=(x1,x2,xk,...,xn),输入序列经过第一隐藏层,得到h=(h1,h2,hk,...,hn),即隐含状态向量,接下来通过第二隐藏层对h=(h1,h2,hk,...,hn)进行转换,得到第一历史行为特征信息h′k:
h′k=f(hk,Al,Δtk)
其中,f为转换函数,hk为隐含状态向量,Al为第一历史行为的类型信息,Δtk为时间信息。
此外,本发明实施例通过引入Attention机制,即注意力机制,来进一步确定查询项中每个查询词(即查询条件)那些因素是最终影响推荐精度的,进而确定系查询项中每个查询词的权重。
Attention机制是自然语言处理中常常用到的一个概念。在进行自然语言处理,需要理解一个词或一句话的意思的时候,上下文的信息非常关键,可以帮助理解一个词或一句话的准确意思。然而,不同位置的上下文对当前要处理的词句的影响作用并不相同,要投入的“注意力”也就不同,并且对当前词句最有影响的上下文的位置并不固定,因为它可能出现在当前词句之前或之后,距离也不确定。因此就需要Attention机制解决这样的问题。
在本发明的一个或多个实施例中,借鉴Attention机制的思路,对召回的多个查询项中每个查询项中的对推荐结果其重要影响的查询词赋予高的权重,进而能够提高推荐精度。
在本发明的一个实施例中,神经网络包括GRU神经网络,循环神经网络RNN神经网络,或长短期记忆网络LSTM神经网络。
在本发明的一个示例中,用户行为信息还包括:用户基本特征信息和环境特征信息,对召回查询项的权重进行排序,包括:
根据用户基本特征信息、环境特征信息,第一历史行为特征信息,以及,召回查询项,确定召回查询项的权重对应的次序;
根据召回查询项的权重对应的次序,对召回查询项的权重进行排序。
具体地,通过用户基本特征信息、环境特征信息,以及第一历史行为特征信息,确定每个查询项对应的次序;然后基于查询项的权重对应的次序,对召回查询项的权重进行排序。例如,对每个查询项的每个查询词的权重进行求和,或者按照不同的预设比例对每个查询词的权重进行求和,得到每个查询项对应的次序。
在本发明的一个示例中,训练样本的特征信息还包括:环境特征,该环境特征具体包括:季节、节日等。
在图5中,将用户基本特征信息、环境特征信息,以及第一历史行为特征信息和召回查询项依次输入全连接层和softmax网络层,最后通过和标签(即次序信息)计算损失函数来进行训练,直至损失函数满足预设条件,得到最终的排序模型,该排序模型用于对每个召回查询项进行排序。
在本发明的一个示例中,在对召回查询项的权重进行排序,并将召回查询项中满足预设权重阈值的偏好查询项进行展示之后,该排序方法还包括:
接收目标用户对偏好查询项中目标查询项的选择操作;
根据选择操作向目标用户推荐目标查询项对应的商品。
具体地,在对召回查询项进行精排之后,在用户终端上显示目标查询项,然后用户就可以选择想要操作的查询项,在用户选择该查询项之后,在用户终端上显示该查询项对应的商品。
根据本发明实施例,结合了多个商品的用户行为信息,让推荐系统更了解目标用户的需求,另一方面,只需要一次交互,就可以实现对商品的快速推荐;进而实现对商品既快又准的推荐,提高用户体验。
图6示出了根据本发明一实施例提供的推荐系统的结构示意图。如图6所示,推荐系统包括:
问题生成模块601,用于将问题生成任务转换为查询推荐任务,例如,向用户推荐四个商品查询“帽子(Hat)”、“围巾(scarf)”、“手套(glove)”和“袜子(socks)”,相应的问题是“你想要买一个帽子或围巾或手套或袜子”。
用户反馈模块602,用于用户点击、浏览、购买等操作来回答用户是否需要该项目,例如,用户点击“scarf”,则确定用户偏好“scarf”;
项目推进模块603,用于根据用户点击和用户行为推荐项目。
在本发明实施例中,在用户在推荐系统中浏览项目时,推荐系统会生成一个问题,向用户咨询用户的兴趣是什么(即问题生成模块601)。一旦得到用户的反馈(即用户反馈模块602),系统就会根据用户的操作方式推荐关联的项目,即检索到的结果确保与用户的反馈(即查询)密切相关,进而实现准确的推荐(即项目推进模块603)。
图7示出了根据本发明一实施例提供的排序模型的训练装置的结构示意图。如图7所示,排序模型的训练装置700包括:
获取模块701,用于获取目标用户对多个商品的用户行为信息,用户行为信息包括与多个商品相关联的多个查询项;
确定模块702,用于根据多个查询项与目标用户的相似度,确定目标用户的召回查询项;
排序模块703,用于对召回查询项的权重进行排序,并将召回查询项中满足预设权重阈值的偏好查询项进行展示。
根据本发明实施例中的排序方法、装置、设备和存储介质,通过计算用户行为信息包括与目标用户相关联的多个查询项,以及目标用户的相似度,确定目标用户的召回查询项;然后再根据召回查询项的权重,对召回查询项的权重进行排序,从而得到满足预设权重阈值的偏好查询项。本发明实施例能够先基于推荐商品的查询项进行筛选,得到召回查询项,然后再根据召回查询项的权重筛选召回查询项,并将召回查询项中满足预设权重阈值的偏好查询项对应的商品推荐给用户,从而能够实现对商品的准确推荐,提高用户体验度。
可选的,确定模块702,还用于:
以目标用户的节点作为元路径的源节点,从异构网络中获取元路径对应的所有候选路径,进而获取与各候选路径的结束节点对应的候选查询项;
确定目标用户与每个候选查询项的相似度;
将相似度大于对应的相似度阈值的候选查询项作为召回查询项。
可选的,用户行为信息还包括多个商品的特征信息、与多个商品相关联的第一历史行为的类型信息,以及与多个商品相关联的时间信息,确定模块702,还用于:
根据多个商品的特征信息、与多个商品相关联的第一历史行为的类型信息、与多个商品相关联的时间信息,以及召回查询项,确定召回查询项的权重。
可选的,确定模块702,还用于:
根据多个商品的特征信息、与多个商品相关联的第一历史行为的类型信息,以及与多个商品相关联的时间信息,确定第一历史行为特征信息;
计算召回查询项与第一历史行为特征信息的相似度;
基于相似度确定召回查询项的权重。
可选的,确定模块702,还用于:
将多个商品的特征信息、与多个商品相关联的第一历史行为的类型信息,以及与多个商品相关联的时间信息输入第一隐藏层,得到多个商品的特征信息对应的隐含状态向量、第一历史行为的类型信息对应的隐含状态向量,以及时间信息对应的隐含状态向量;
将多个商品的特征信息对应的隐含状态向量、第一历史行为的类型信息对应的隐含状态向量,以及时间信息对应的隐含状态向量输入第二隐藏层,得到第一历史行为特征信息。
可选的,用户行为信息还包括:用户基本特征信息和环境特征信息,排序模块703,还用于:
根据用户基本特征信息、环境特征信息、第一历史行为特征信息,以及召回查询项的权重,确定召回查询项的权重对应的次序;
根据召回查询项的权重对应的次序,对召回查询项的权重进行排序。
可选的,该排序装置还包括:
接收模块,用于接收目标用户对偏好查询项中目标查询项的选择操作;
推荐模块,用于根据选择操作向目标用户推荐目标查询项对应的商品。
图8是示出根据发明实施例的计算设备的硬件结构800示意图。
如图8所示,计算设备800包括输入设备801、输入接口802、中央处理器803、存储器804、输出接口805、以及输出设备806。其中,输入接口802、中央处理器803、存储器804、以及输出接口805通过总线86相互连接,输入设备801和输出设备806分别通过输入接口802和输出接口805与总线86连接,进而与计算设备800的其他组件连接。
具体地,输入设备801接收来自外部的输入信息,并通过输入接口802将输入信息传送到中央处理器803;中央处理器803基于存储器804中存储的计算机可执行指令对输入信息进行处理以生成输出信息,将输出信息临时或者永久地存储在存储器804中,然后通过输出接口805将输出信息传送到输出设备806;输出设备806将输出信息输出到计算设备800的外部供用户使用。
也就是说,图8所示的计算设备也可以被实现为包括:存储有计算机可执行指令的存储器;以及处理器,该处理器在执行计算机可执行指令时可以实现结合图2、图7描述的方法和装置。
本发明实施例还提供一种计算机存储介质,该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现本发明实施例提供的信息处理方法。
以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (16)
1.一种排序方法,所述方法包括:
获取目标用户对多个商品的用户行为信息,所述用户行为信息包括与所述多个商品相关联的多个查询项;
根据所述多个查询项与所述目标用户的相似度,确定所述目标用户的召回查询项;
对所述召回查询项的权重进行排序,并将所述召回查询项中满足预设权重阈值的偏好查询项进行展示。
2.根据权利要求1所述的方法,其中,所述根据所述多个查询项与所述目标用户的相似度,确定所述目标用户的召回查询项,包括:
以所述目标用户的节点作为元路径的源节点,从异构网络中获取元路径对应的所有候选路径,进而获取与各候选路径的结束节点对应的候选查询项;
确定所述目标用户与每个候选查询项的相似度;
将所述相似度大于对应的相似度阈值的候选查询项作为所述召回查询项。
3.根据权利要求1所述的方法,其中,所述用户行为信息还包括多个商品的特征信息、与所述多个商品相关联的第一历史行为的类型信息,以及与所述多个商品相关联的时间信息,在对所述召回查询项的权重进行排序,并将所述召回查询项中满足预设权重阈值的偏好查询项进行展示之前,所述方法还包括:
根据所述多个商品的特征信息、与所述多个商品相关联的第一历史行为的类型信息、与所述多个商品相关联的时间信息,以及所述召回查询项,确定所述召回查询项的权重。
4.根据权利要求3所述的方法,其中,所述根据所述多个商品的特征信息、与所述多个商品相关联的第一历史行为的类型信息、与所述多个商品相关联的时间信息,以及所述召回查询项,确定所述召回查询项的权重,包括:
根据所述多个商品的特征信息、与所述多个商品相关联的第一历史行为的类型信息,以及与所述多个商品相关联的时间信息,确定第一历史行为特征信息;
计算所述召回查询项与所述第一历史行为特征信息的相似度;
基于所述相似度确定所述召回查询项的权重。
5.根据权利要求4所述的方法,其中,所述根据所述多个商品的特征信息、与所述多个商品相关联的第一历史行为的类型信息,以及与所述多个商品相关联的时间信息,确定第一历史行为特征信息,包括:
将所述多个商品的特征信息、与所述多个商品相关联的第一历史行为的类型信息,以及与所述多个商品相关联的时间信息输入第一隐藏层,得到所述多个商品的特征信息对应的隐含状态向量、所述第一历史行为的类型信息对应的隐含状态向量,以及所述时间信息对应的隐含状态向量;
将所述多个商品的特征信息对应的隐含状态向量、所述第一历史行为的类型信息对应的隐含状态向量,以及所述时间信息对应的隐含状态向量输入所述第二隐藏层,得到所述第一历史行为特征信息。
6.根据权利要求1-5任一项所述的方法,其中,用户行为信息还包括:用户基本特征信息和环境特征信息,对所述召回查询项的权重进行排序,包括:
根据所述用户基本特征信息、环境特征信息、第一历史行为特征信息,确定所述召回查询项的权重对应的次序;
根据所述召回查询项的权重对应的次序,对所述召回查询项的权重进行排序。
7.根据权利要求1所述的方法,其中,在对所述召回查询项的权重进行排序,并将所述召回查询项中满足预设权重阈值的偏好查询项进行展示之后,所述方法还包括:
接收目标用户对所述偏好查询项中目标查询项的选择操作;
根据所述选择操作向所述目标用户推荐所述目标查询项对应的商品。
8.一种排序装置,所述装置包括:
获取模块,用于获取目标用户对多个商品的用户行为信息,所述用户行为信息包括与所述多个商品相关联的多个查询项;
确定模块,用于根据所述多个查询项与所述目标用户的相似度,确定所述目标用户的召回查询项;
排序模块,用于对所述召回查询项的权重进行排序,并将所述召回查询项中满足预设权重阈值的偏好查询项进行展示。
9.根据权利要求8所述的装置,其中,所述确定模块,还用于:
以所述目标用户的节点作为元路径的源节点,从异构网络中获取元路径对应的所有候选路径,进而获取与各候选路径的结束节点对应的候选查询项;
确定所述目标用户与每个候选查询项的相似度;
将所述相似度大于对应的相似度阈值的候选查询项作为所述召回查询项。
10.根据权利要求8所述的装置,其中,所述用户行为信息还包括多个商品的特征信息、与所述多个商品相关联的第一历史行为的类型信息,以及与所述多个商品相关联的时间信息,所述确定模块,还用于:
根据所述多个商品的特征信息、与所述多个商品相关联的第一历史行为的类型信息、与所述多个商品相关联的时间信息,以及所述召回查询项,确定所述召回查询项的权重。
11.根据权利要求10所述的装置,其中,所述确定模块,还用于:
根据所述多个商品的特征信息、与所述多个商品相关联的第一历史行为的类型信息,以及与所述多个商品相关联的时间信息,确定第一历史行为特征信息;
计算所述召回查询项与所述第一历史行为特征信息的相似度;
基于所述相似度确定所述召回查询项的权重。
12.根据权利要求11所述的装置,其中,所述确定模块,还用于:
将所述多个商品的特征信息、与所述多个商品相关联的第一历史行为的类型信息,以及与所述多个商品相关联的时间信息输入第一隐藏层,得到所述多个商品的特征信息对应的隐含状态向量、所述第一历史行为的类型信息对应的隐含状态向量,以及所述时间信息对应的隐含状态向量;
将所述多个商品的特征信息对应的隐含状态向量、所述第一历史行为的类型信息对应的隐含状态向量,以及所述时间信息对应的隐含状态向量输入所述第二隐藏层,得到所述第一历史行为特征信息。
13.根据权利要求8-12任一项所述的装置,其中,用户行为信息还包括:用户基本特征信息和环境特征信息,排序模块,还用于:
根据所述用户基本特征信息、环境特征信息、第一历史行为特征信息,以及召回查询项的权重,确定所述召回查询项的权重对应的次序;
根据所述召回查询项的权重对应的次序,对所述召回查询项的权重进行排序。
14.根据权利要求8所述的装置,其中,所述装置还包括:
接收模块,用于接收目标用户对所述偏好查询项中目标查询项的选择操作;
推荐模块,用于根据所述选择操作向所述目标用户推荐所述目标查询项对应的商品。
15.一种计算设备,其中,所述计算设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-7任意一项所述的方法。
16.一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包括指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1-7所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010646272.4A CN113919895A (zh) | 2020-07-07 | 2020-07-07 | 排序方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010646272.4A CN113919895A (zh) | 2020-07-07 | 2020-07-07 | 排序方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113919895A true CN113919895A (zh) | 2022-01-11 |
Family
ID=79231293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010646272.4A Pending CN113919895A (zh) | 2020-07-07 | 2020-07-07 | 排序方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113919895A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114564496A (zh) * | 2022-03-01 | 2022-05-31 | 北京有竹居网络技术有限公司 | 一种内容推荐方法及装置 |
CN115016873A (zh) * | 2022-05-05 | 2022-09-06 | 上海乾臻信息科技有限公司 | 前端数据交互方法、系统、电子设备及可读存储介质 |
CN117455631A (zh) * | 2023-12-20 | 2024-01-26 | 浙江口碑网络技术有限公司 | 信息展示方法及系统 |
-
2020
- 2020-07-07 CN CN202010646272.4A patent/CN113919895A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114564496A (zh) * | 2022-03-01 | 2022-05-31 | 北京有竹居网络技术有限公司 | 一种内容推荐方法及装置 |
CN114564496B (zh) * | 2022-03-01 | 2023-09-19 | 北京有竹居网络技术有限公司 | 一种内容推荐方法及装置 |
CN115016873A (zh) * | 2022-05-05 | 2022-09-06 | 上海乾臻信息科技有限公司 | 前端数据交互方法、系统、电子设备及可读存储介质 |
CN117455631A (zh) * | 2023-12-20 | 2024-01-26 | 浙江口碑网络技术有限公司 | 信息展示方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113919895A (zh) | 排序方法、装置、设备和存储介质 | |
CN101661487B (zh) | 对信息项进行搜索的方法和系统 | |
CN102799591B (zh) | 一种提供推荐词的方法及装置 | |
CN111523976A (zh) | 商品推荐方法、装置、电子设备及存储介质 | |
CN109063104B (zh) | 推荐信息的刷新方法、装置、存储介质和终端设备 | |
CN108320171A (zh) | 热销商品预测方法、系统及装置 | |
CN110020171B (zh) | 数据处理方法、装置、设备及计算机可读存储介质 | |
CN113781149B (zh) | 信息推荐方法、装置、计算机可读存储介质及电子设备 | |
JP2019125257A (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
CN115544242B (zh) | 基于大数据的同类商品选型推荐方法 | |
US20240112097A1 (en) | Information processing system and method of information processing | |
CN108959550B (zh) | 用户关注点挖掘方法、装置、设备及计算机可读介质 | |
CN111914188A (zh) | 推荐目标用户的选择方法、系统、设备及存储介质 | |
CN113627995A (zh) | 商品推荐列表更新方法及其装置、设备、介质、产品 | |
CN112825182A (zh) | 一种确定推荐商品的方法和装置 | |
CN113450172B (zh) | 一种商品推荐方法和装置 | |
CN116383458B (zh) | 信息推送的方法及装置 | |
CN116342228B (zh) | 一种基于有向图神经网络的相关推荐的方法 | |
CN116823404A (zh) | 商品组合推荐方法及其装置、设备、介质 | |
CN115618126A (zh) | 搜索处理方法、系统、计算机可读存储介质及计算机设备 | |
US20220414169A1 (en) | Identifying search results using deep query understanding | |
US20240104623A1 (en) | Method and apparatus for pushing information | |
CN114254204A (zh) | 数据处理方法、装置、介质及电子设备 | |
CN113204705A (zh) | 文章推荐方法、装置、电子设备和计算机介质 | |
CN111339124A (zh) | 显示数据方法、装置、电子设备和计算机可读介质 |
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 |