CN113961797A - 资源推荐方法、装置、电子设备和可读存储介质 - Google Patents
资源推荐方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN113961797A CN113961797A CN202111091865.XA CN202111091865A CN113961797A CN 113961797 A CN113961797 A CN 113961797A CN 202111091865 A CN202111091865 A CN 202111091865A CN 113961797 A CN113961797 A CN 113961797A
- Authority
- CN
- China
- Prior art keywords
- target
- resource
- interest point
- resources
- point cluster
- 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
- 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种资源推荐方法、装置、电子设备和可读存储介质,涉及大数据、智能推荐、数据流等技术领域。资源推荐方法包括:获取至少一个目标历史资源,确定所述至少一个目标历史资源对应的兴趣点簇;根据位于相同兴趣点簇中的目标历史资源的特征向量,分别生成各兴趣点簇的目标向量;根据各兴趣点簇的目标向量确定目标资源,将所述目标资源作为推荐结果。本公开能够提升资源推荐时的准确性与多样性。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及大数据、智能推荐、数据流等技术领域。提供了一种资源推荐方法、装置、电子设备和可读存储介质。
背景技术
随着网络技术的飞速发展,用户可通过应用程序(Application,APP)来浏览网络上的不同资源,如新闻、资讯、视频、图片等。随着资源的快速增长,在向用户推荐资源时,需要从海量的资源中找到合适的资源来推荐给用户。
但是现有技术在进行资源推荐时,通常仅会根据用户的特征向量与资源的特征向量这两部分内容,来确定推荐给用户的资源,导致所推荐的资源较为单一、资源推荐的准确性较低的技术问题。
发明内容
根据本公开的第一方面,提供了一种资源推荐方法,包括:获取至少一个目标历史资源,确定所述至少一个目标历史资源对应的兴趣点簇;根据位于相同兴趣点簇中的目标历史资源的特征向量,分别生成各兴趣点簇的目标向量;根据各兴趣点簇的目标向量确定目标资源,将所述目标资源作为推荐结果。
根据本公开的第二方面,提供了一种资源推荐装置,包括:获取单元,用于获取至少一个目标历史资源,确定所述至少一个目标历史资源对应的兴趣点簇;处理单元,用于根据位于相同兴趣点簇中的目标历史资源的特征向量,分别生成各兴趣点簇的目标向量;推荐单元,用于根据各兴趣点簇的目标向量确定目标资源,将所述目标资源作为推荐结果。
根据本公开的第三方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行如上所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的方法。
由以上技术方案可以看出,本实施例能够结合点击历史,根据目标历史资源对应的兴趣点簇所生成的目标向量来进行目标资源的确定,避免了所推荐的资源较为单一的技术问题,提升了资源推荐时的准确性与多样性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是根据本公开第三实施例的示意图;
图4是根据本公开第四实施例的示意图;
图5是根据本公开第五实施例的示意图;
图6是用来实现本公开实施例的资源推荐方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和机构的描述。
图1是根据本公开第一实施例的示意图。如图1所示,本实施例的资源推荐方法,具体包括如下步骤:
S101、获取至少一个目标历史资源,确定所述至少一个目标历史资源对应的兴趣点簇;
S102、根据位于相同兴趣点簇中的目标历史资源的特征向量,分别生成各兴趣点簇的目标向量;
S103、根据各兴趣点簇的目标向量确定目标资源,将所述目标资源作为推荐结果。
本实施例的资源推荐方法,在获取至少一个目标历史资源之后,首先确定每个目标历史资源的兴趣点簇,然后再根据位于相同兴趣点簇中的目标历史资源的特征向量,分别生成各兴趣点簇的目标向量,最后根据各兴趣点簇的目标向量来确定目标资源,进而将所确定的目标资源作为推荐结果返回给用户,本实施例能够结合点击历史,根据目标历史资源对应的兴趣点簇所生成的目标向量来进行目标资源的确定,避免了所推荐的资源较为单一的技术问题,提升了资源推荐时的准确性与多样性。
本实施例执行S101获取的至少一个目标历史资源,为当前终端在浏览资源时已进行点击过的资源,本实施例中的资源可以为新闻、视频等。
本实施例在执行S101获取至少一个目标历史资源时,可以根据当前当前终端的日志数据,获取当前终端在预设时段内点击过的资源作为目标历史资源,例如将当前终端在30天内点击过的资源作为目标历史资源。
本实施例在执行S101获取至少一个目标历史资源时,还可以包含以下内容:在接收到当前终端发出的资源推荐的请求之后,获取至少一个目标历史资源,即本实施例可以根据当前终端的触发来进行资源推荐。本实施例也可以在不获取资源推荐的请求的情况下,自动地进行资源推荐。
本实施例在执行S101获取了至少一个目标历史资源之后,对所获取的至少一个目标历史资源的兴趣点簇进行确定;其中,本实施例所确定的兴趣点簇中包含多个资源与多个资源的特征向量,全部的兴趣点簇构成资源库。
本实施例在执行S101确定目标历史资源的兴趣点簇时,可以将包含目标历史资源的兴趣点簇,作为该目标历史资源对应的兴趣点簇。
本实施例在执行S101确定了至少一个目标历史资源的兴趣点簇之后,执行S102根据位于相同兴趣点簇中的目标历史资源的特征向量,分别生成各兴趣点簇的目标向量;其中,本实施例执行S102所生成的目标向量,为表示当前终端对应的用户在不同兴趣下的向量。
具体地,本实施例在执行S102根据位于相同兴趣点簇中的目标历史资源的特征向量,分别生成各兴趣点簇的目标向量时,可以采用的可选实现方式为:针对每个兴趣点簇,确定位于该兴趣点簇中的目标历史资源;使用预设方法对所确定的目标历史资源的特征向量进行处理,将处理结果作为该兴趣点簇的目标向量,本实施例中的预设方法可以为池化处理、相加处理等方法。
也就是说,本实施例根据位于同一兴趣点簇的目标历史资源的特征向量,来得到表示对应不同兴趣的目标向量,避免了使用单一的向量进行资源的推荐,提升了所推荐的目标资源的多样性。
本实施例在执行S102分别生成各兴趣点簇的目标向量之后,执行S103根据各兴趣点簇的目标向量确定目标资源,将所确定的目标资源作为推荐结果。
本实施例在执行S103根据各兴趣点簇的目标向量确定目标资源时,可以直接计算目标向量与兴趣点簇中各资源的特征向量之间的相似度,进而将相似度计算结果满足预设要求的资源作为目标资源。
为了提升在确定目标资源时的效率与所确定的目标资源的准确性,本实施例在执行S103根据各兴趣点簇的目标向量确定目标资源时,可以采用的可选实现方式为:根据兴趣点簇中包含的目标历史资源的数量,确定目标兴趣点簇,例如选取包含目标历史资源的数量排在前N位的兴趣点簇,N为大于等于1的正整数;根据目标兴趣点簇的目标向量确定目标资源,例如将目标兴趣点簇中与目标向量之间的相似度满足预设要求的资源作为目标资源。
也就是说,本实施例通过筛选兴趣点簇的方式,根据筛选得到的目标兴趣点簇以及目标兴趣点簇的目标向量来确定目标资源,能够对目标资源的确定范围进行限定,从而提升在确定目标资源时的效率与准确性。
本实施例在执行S103将所确定的目标资源作为推荐结果时,还可以包含以下内容:在确定目标资源与至少一个目标历史资源不相同的情况下,将所确定的目标资源作为推荐结果,从而避免相同资源的重复推荐,提升资源推荐的准确性。
图2是根据本公开第二实施例的示意图。如图2所示,本实施例的生成兴趣点簇的方法,具体包括如下步骤:
S201、获取资源点击数据;
S202、根据所述资源点击数据中的标识信息与资源,得到每个资源的特征向量;
S203、使用资源的特征向量对资源进行聚类,根据聚类结果得到多个兴趣点簇。
也就是说,本实施例通过获取的资源点击数据,来将资源库中的资源划分为多个兴趣点簇,进而实现根据所划分的兴趣点簇来进行资源的推荐,能够提升资源推荐的准确性与多样性。
本实施例执行S201所获取的资源点击数据,为不同终端在浏览资源时所产生的点击数据;本实施例可以根据不同终端的日志数据来获取资源点击数据。
本实施例执行S201获取的资源点击数据中,包含标识信息与资源;其中,标识信息对应于不同的终端,标识信息可以为终端ID、终端UID等;资源则为不同的终端在进行资源的浏览时进行点击过的资源。
本实施例在执行S202根据所获取的资源点击数据中的标识信息与资源,得到每个资源的特征向量时,可以采用的可选实现方式为:将标识信息与资源作为节点,将标识信息与资源之间的关系作为边,构建图网络;在所构建的图网络上进行游走,得到多条游走路径;根据所得到的多条游走路径,得到每个资源的特征向量。
也就是说,本实施例通过构建图网络的方式来得到资源的特征向量,由于所构建的图网络中包含标识信息、资源、以及标识信息与资源之间的关系,因此能够提升所得到的资源的特征向量的准确性。
其中,本实施例在执行S202构建图网络时,标识信息与资源之间的关系为资源点击关系,用于表示不同的资源由哪个终端进行了点击。
举例来说,若本实施例执行S201获取的资源点击数据中包含终端1、终端2、资源1、资源2与资源3,若终端1对资源1、资源2进行了点击,终端2对资源1、资源3进行了点击,则本实施例执行S202构建的图网络中,建立终端1与资源1之间的边、终端1与资源2之间的边、终端2与资源1之间的边以及终端2与资源3之间的边。
本实施例在执行S202根据所得到的多条游走路径,得到每个资源的特征向量时,可以基于协同过滤的图神经网络模型,使用word2vec的方法来训练多条游走路径,根据训练结果得到图网络中每个节点的节点表示结果,进而将资源节点的节点表示结果作为资源的特征向量。
本实施例在执行S203使用资源的特征向量对资源进行聚类,根据聚类结果得到多个兴趣点簇时,可以使用K-means的聚类算法,根据各资源的特征向量来将各资源划分为多个兴趣点簇,所得到的每个兴趣点簇中包含多个资源与多个资源的特征向量,多个兴趣点簇构成整个资源库。
另外,本实施例在执行S203根据资源的特征向量对资源进行聚类时,还可以根据资源的类型,确定所得到的兴趣点簇的数量,例如使用所设置的轮廓系数来将不同类型的资源划分为预设数量的兴趣点簇。
图3是根据本公开第三实施例的示意图。图3中示出了本实施例在进行资源推荐时的流程图:若用户通过终端所点击的目标历史资源分别位于兴趣点簇1、兴趣点簇2与兴趣点簇3中,首先根据位于相同兴趣点簇中的目标历史资源的特征向量得到各兴趣点簇的目标向量,然后再根据兴趣点簇的目标向量在各兴趣点簇中确定召回资源集,召回资源集中包括的资源即为推荐给用户的目标资源。
图4是根据本公开第四实施例的示意图。图4中示出了本实施例的资源推荐的架构图:根据资源点击数据,使用图神经网络模型得到各资源的特征向量;根据资源的特征向量,将资源划分为多个兴趣点簇,如兴趣点簇1、兴趣点簇2与兴趣点簇3;根据目标历史资源来确定兴趣点簇,根据所确定的兴趣点簇中包含的目标历史资源得到各兴趣点簇的目标向量;根据目标向量来确定兴趣点簇中的目标资源。
图5是根据本公开第五实施例的示意图。如图5所示,本实施例的资源推荐装置500,包括:
获取单元501、用于获取至少一个目标历史资源,确定所述至少一个目标历史资源对应的兴趣点簇;
处理单元502、用于根据位于相同兴趣点簇中的目标历史资源的特征向量,分别生成各兴趣点簇的目标向量;
推荐单元503、用于根据各兴趣点簇的目标向量确定目标资源,将所述目标资源作为推荐结果。
获取单元501获取的至少一个目标历史资源,为当前终端在浏览资源时已进行点击过的资源,本实施例中的资源可以为新闻、视频等。
获取单元501在获取至少一个目标历史资源时,可以根据当前当前终端的日志数据,获取当前终端在预设时段内点击过的资源作为目标历史资源,例如将当前终端在30天内点击过的资源作为目标历史资源。
获取单元501在获取至少一个目标历史资源时,还可以包含以下内容:在接收到当前终端发出的资源推荐的请求之后,获取至少一个目标历史资源,即获取单元501可以根据当前终端的触发来进行资源推荐。获取单元501也可以在不获取资源推荐的请求的情况下,自动地进行资源推荐。
获取单元501在获取了至少一个目标历史资源之后,对所获取的至少一个目标历史资源的兴趣点簇进行确定;其中,获取单元501确定的兴趣点簇中包含多个资源与多个资源的特征向量,全部的兴趣点簇构成资源库。
获取单元501在确定目标历史资源的兴趣点簇时,可以将包含目标历史资源的兴趣点簇,作为该目标历史资源对应的兴趣点簇。
本实施例在由获取单元501确定了至少一个目标历史资源的兴趣点簇之后,由处理单元502根据位于相同兴趣点簇中的目标历史资源的特征向量,分别生成各兴趣点簇的目标向量;其中,处理单元502所生成的目标向量,为表示当前终端对应的用户在不同兴趣下的向量。
具体地,处理单元502在根据位于相同兴趣点簇中的目标历史资源的特征向量,分别生成各兴趣点簇的目标向量时,可以采用的可选实现方式为:针对每个兴趣点簇,确定位于该兴趣点簇中的目标历史资源;使用预设方法对所确定的目标历史资源的特征向量进行处理,将处理结果作为该兴趣点簇的目标向量。
也就是说,处理单元502根据位于同一兴趣点簇的目标历史资源的特征向量,来得到表示对应不同兴趣的目标向量,避免了使用单一的向量进行资源的推荐,提升了所推荐的目标资源的多样性。
本实施例在由处理单元502分别生成各兴趣点簇的目标向量之后,由推荐单元503根据各兴趣点簇的目标向量确定目标资源,将所确定的目标资源作为推荐结果。
推荐单元503在根据各兴趣点簇的目标向量确定目标资源时,可以直接计算目标向量与兴趣点簇中各资源的特征向量之间的相似度,进而将相似度计算结果满足预设要求的资源作为目标资源。
为了提升在确定目标资源时的效率与所确定的目标资源的准确性,推荐单元503在根据各兴趣点簇的目标向量确定目标资源时,可以采用的可选实现方式为:根据兴趣点簇中包含的目标历史资源的数量,确定目标兴趣点簇;根据目标兴趣点簇的目标向量确定目标资源。
也就是说,推荐单元503通过筛选兴趣点簇的方式,根据筛选得到的目标兴趣点簇以及目标兴趣点簇的目标向量来确定目标资源,能够对目标资源的确定范围进行限定,从而提升在确定目标资源时的效率与准确性。
推荐单元503在将所确定的目标资源作为推荐结果时,还可以包含以下内容:在确定目标资源与至少一个目标历史资源不相同的情况下,将所确定的目标资源作为推荐结果,从而避免相同资源的重复推荐,提升资源推荐的准确性。
本实施例的资源推荐装置500还可以包含生成单元504,生成单元504在生成兴趣点簇时,可以采用以下方式:获取资源点击数据;根据所获取的资源点击数据中的标识信息与资源,得到每个资源的特征向量;使用资源的特征向量对资源进行聚类,根据聚类结果得到多个兴趣点簇。
生成单元504所获取的资源点击数据,为不同终端在浏览资源时所产生的点击数据;生成单元504可以根据不同终端的日志数据来获取资源点击数据。
生成单元504获取的资源点击数据中,包含标识信息与资源;其中,标识信息对应于不同的终端,标识信息可以为终端ID、终端UID等;资源则为不同的终端在进行资源的浏览时进行点击过的资源。
生成单元504在根据所获取的资源点击数据中的标识信息与资源,得到每个资源的特征向量时,可以采用的可选实现方式为:将标识信息与资源作为节点,将标识信息与资源之间的关系作为边,构建图网络;在所构建的图网络上进行游走,得到多条游走路径;根据所得到的多条游走路径,得到每个资源的特征向量。
其中,生成单元504在构建图网络时,标识信息与资源之间的关系为资源点击关系,用于表示不同的资源由哪个终端进行了点击。
生成单元504在根据所得到的多条游走路径,得到每个资源的特征向量时,可以基于协同过滤的图神经网络模型,使用word2vec的方法来训练多条游走路径,根据训练结果得到图网络中每个节点的节点表示结果,进而将资源节点的节点表示结果作为资源的特征向量。
生成单元504在使用资源的特征向量对资源进行聚类,根据聚类结果得到多个兴趣点簇时,可以使用K-means的聚类算法,根据各资源的特征向量来将各资源划分为多个兴趣点簇,所得到的每个兴趣点簇中包含多个资源与多个资源的特征向量,多个兴趣点簇构成整个资源库。
另外,生成单元504使用资源的特征向量对资源进行聚类时,还可以根据资源的类型,确定所得到的兴趣点簇的数量,例如使用所设置的轮廓系数来将不同类型的资源划分为预设数量的兴趣点簇。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图6所示,是根据本公开实施例的资源推荐方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如资源推荐方法。例如,在一些实施例中,资源推荐方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。
在一些实施例中,计算机程序的部分或者全部可以经由ROM602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的资源推荐方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行资源推荐方法。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程资源推荐装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(“Virtual Private Server”,或简称“VPS”)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (13)
1.一种资源推荐方法,包括:
获取至少一个目标历史资源,确定所述至少一个目标历史资源对应的兴趣点簇;
根据位于相同兴趣点簇中的目标历史资源的特征向量,分别生成各兴趣点簇的目标向量;
根据各兴趣点簇的目标向量确定目标资源,将所述目标资源作为推荐结果。
2.根据权利要求1所述的方法,还包括,生成所述兴趣点簇:
获取资源点击数据;
根据所述资源点击数据中的标识信息与资源,得到每个资源的特征向量;
使用资源的特征向量对资源进行聚类,根据聚类结果得到多个兴趣点簇。
3.根据权利要求2所述的方法,其中,所述根据所述资源点击数据中的标识信息与资源,得到每个资源的特征向量包括:
将所述标识信息与所述资源作为节点,将所述标识信息与所述资源之间的关系作为边,构建图网络;
在所述图网络上进行游走,得到多条游走路径;
根据所述多条游走路径,得到每个资源的特征向量。
4.根据权利要求1所述的方法,其中,所述根据位于相同兴趣点簇中的目标历史资源的特征向量,分别生成各兴趣点簇的目标向量包括:
针对每个兴趣点簇,确定位于该兴趣点簇中的目标历史资源;
使用预设方法对所述目标历史资源的特征向量进行处理,将处理结果作为该兴趣点簇的目标向量。
5.根据权利要求1所述的方法,其中,所述根据各兴趣点簇的目标向量确定目标资源包括:
根据兴趣点簇中包含的目标历史资源的数量,确定目标兴趣点簇;
根据所述目标兴趣点簇的目标向量确定目标资源。
6.一种资源推荐装置,包括:
获取单元,用于获取至少一个目标历史资源,确定所述至少一个目标历史资源对应的兴趣点簇;
处理单元,用于根据位于相同兴趣点簇中的目标历史资源的特征向量,分别生成各兴趣点簇的目标向量;
推荐单元,用于根据各兴趣点簇的目标向量确定目标资源,将所述目标资源作为推荐结果。
7.根据权利要求6所述的装置,还包括生成单元,用于生成所述兴趣点簇:
获取资源点击数据;
根据所述资源点击数据中的标识信息与资源,得到每个资源的特征向量;
使用资源的特征向量对资源进行聚类,根据聚类结果得到多个兴趣点簇。
8.根据权利要求7所述的装置,其中,所述生成单元在根据所述资源点击数据中的标识信息与资源,得到每个资源的特征向量时,具体执行:
将所述标识信息与所述资源作为节点,将所述标识信息与所述资源之间的关系作为边,构建图网络;
在所述图网络上进行游走,得到多条游走路径;
根据所述多条游走路径,得到每个资源的特征向量。
9.根据权利要求6所述的装置,其中,所述处理单元在根据位于相同兴趣点簇中的目标历史资源的特征向量,分别生成各兴趣点簇的目标向量时,具体执行:
针对每个兴趣点簇,确定位于该兴趣点簇中的目标历史资源;
使用预设方法对所述目标历史资源的特征向量进行处理,将处理结果作为该兴趣点簇的目标向量。
10.根据权利要求6所述的装置,其中,所述推荐单元在根据各兴趣点簇的目标向量确定目标资源时,具体执行:
根据兴趣点簇中包含的目标历史资源的数量,确定目标兴趣点簇;
根据所述目标兴趣点簇的目标向量确定目标资源。
11.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
13.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111091865.XA CN113961797A (zh) | 2021-09-17 | 2021-09-17 | 资源推荐方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111091865.XA CN113961797A (zh) | 2021-09-17 | 2021-09-17 | 资源推荐方法、装置、电子设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113961797A true CN113961797A (zh) | 2022-01-21 |
Family
ID=79461865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111091865.XA Pending CN113961797A (zh) | 2021-09-17 | 2021-09-17 | 资源推荐方法、装置、电子设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113961797A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114926234A (zh) * | 2022-05-10 | 2022-08-19 | 南京数睿数据科技有限公司 | 物品信息推送方法、装置、电子设备和计算机可读介质 |
-
2021
- 2021-09-17 CN CN202111091865.XA patent/CN113961797A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114926234A (zh) * | 2022-05-10 | 2022-08-19 | 南京数睿数据科技有限公司 | 物品信息推送方法、装置、电子设备和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113342345A (zh) | 深度学习框架的算子融合方法、装置 | |
CN110427436B (zh) | 实体相似度计算的方法及装置 | |
CN112559631A (zh) | 分布式图数据库的数据处理方法、装置以及电子设备 | |
CN107291835B (zh) | 一种搜索词的推荐方法和装置 | |
CN113627536A (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN113961797A (zh) | 资源推荐方法、装置、电子设备和可读存储介质 | |
CN112989170A (zh) | 应用于信息搜索的关键词匹配方法、信息搜索方法及装置 | |
CN112508115A (zh) | 建立节点表示模型的方法、装置、设备和计算机存储介质 | |
CN111177479A (zh) | 获取关系网络图中节点的特征向量的方法以及装置 | |
CN116309002B (zh) | 图数据存储、访问、处理方法、训练方法、设备及介质 | |
CN112887426B (zh) | 信息流的推送方法、装置、电子设备以及存储介质 | |
CN115203564A (zh) | 信息流推荐方法、装置及计算机程序产品 | |
CN113032251B (zh) | 应用程序服务质量的确定方法、设备和存储介质 | |
CN114969444A (zh) | 数据的处理方法、装置、电子设备和存储介质 | |
CN114817845A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN114328855A (zh) | 文档查询方法、装置、电子设备和可读存储介质 | |
CN113656689A (zh) | 模型生成方法和网络信息的推送方法 | |
US11748453B2 (en) | Converting unstructured computer text to domain-specific groups using graph datastructures | |
CN113934931A (zh) | 信息推荐方法、装置、设备、存储介质及程序产品 | |
CN114565402A (zh) | 信息推荐方法、装置以及电子设备 | |
CN118035557A (zh) | 资源推送方法、装置、电子设备、存储介质及程序产品 | |
CN112541103A (zh) | 一种数据聚类方法和装置 | |
CN114219067A (zh) | 推荐方法、装置、电子设备及可读存储介质 | |
CN115033823A (zh) | 用于处理数据的方法、装置、设备、介质和产品 | |
CN118051670A (zh) | 业务推荐方法、装置、设备和介质 |
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 |