CN113987353A - 书籍推荐方法、计算设备及存储介质 - Google Patents

书籍推荐方法、计算设备及存储介质 Download PDF

Info

Publication number
CN113987353A
CN113987353A CN202111275151.4A CN202111275151A CN113987353A CN 113987353 A CN113987353 A CN 113987353A CN 202111275151 A CN202111275151 A CN 202111275151A CN 113987353 A CN113987353 A CN 113987353A
Authority
CN
China
Prior art keywords
book
recommendation
books
index data
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.)
Granted
Application number
CN202111275151.4A
Other languages
English (en)
Other versions
CN113987353B (zh
Inventor
王海璐
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.)
Zhangyue Technology Co Ltd
Original Assignee
Zhangyue 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 Zhangyue Technology Co Ltd filed Critical Zhangyue Technology Co Ltd
Priority to CN202111275151.4A priority Critical patent/CN113987353B/zh
Publication of CN113987353A publication Critical patent/CN113987353A/zh
Application granted granted Critical
Publication of CN113987353B publication Critical patent/CN113987353B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种书籍推荐方法、计算设备及存储介质，其中，书籍推荐方法包括：获取各个用户针对书籍集合中的书籍的交互行为数据，根据交互行为数据生成各个书籍的书籍质量指标数据；获取至少一个书籍推荐模型针对待推荐用户输出的各个书籍对应的推荐得分；针对每个书籍，根据该书籍的书籍质量指标数据以及至少一个书籍推荐模型输出的该书籍对应的推荐得分，计算该书籍对应的融合推荐得分；依据各个书籍对应的融合推荐得分，从各个书籍中为待推荐用户选择待推荐书籍进行书籍推荐。该方案实现了对至少一个书籍推荐模型对应的推荐目标以及书籍质量指标数据的充分融合，使得书籍推荐能够兼顾推荐目标和书籍质量，优化了书籍推荐方式。

Description

书籍推荐方法、计算设备及存储介质
技术领域
本发明涉及信息处理技术领域，具体涉及一种书籍推荐方法、计算设备及存储介质。
背景技术
电子书形式的书籍由于具有获取方便等优势，受到了大量用户的喜爱。书籍阅读平台通常会为用户进行书籍推荐。现有技术中，根据书籍推荐场景不同的业务需求会采用不同的书籍推荐模型来确定待推荐书籍。每个书籍推荐模型通常是以单一的推荐目标进行训练而得到的。例如，某个书籍推荐模型是以点击率为推荐目标进行训练得到的，将其所确定的待推荐书籍推荐给用户后将可能获得较高的点击率。然而，这种书籍推荐方式无法很好地融合多个推荐目标来进行书籍推荐，无法满足同时具有多个推荐目标的推荐需求。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的书籍推荐方法、计算设备及存储介质。
根据本发明的一个方面，提供了一种书籍推荐方法，包括：
获取各个用户针对书籍集合中的书籍的交互行为数据，根据交互行为数据生成各个书籍的书籍质量指标数据；
获取至少一个书籍推荐模型针对待推荐用户输出的各个书籍对应的推荐得分；
针对每个书籍，根据该书籍的书籍质量指标数据以及至少一个书籍推荐模型输出的该书籍对应的推荐得分，计算该书籍对应的融合推荐得分；
依据各个书籍对应的融合推荐得分，从各个书籍中为待推荐用户选择待推荐书籍进行书籍推荐。
根据本发明的另一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；
存储器用于存放至少一可执行指令，可执行指令使处理器执行以下操作：
获取各个用户针对书籍集合中的书籍的交互行为数据，根据交互行为数据生成各个书籍的书籍质量指标数据；
获取至少一个书籍推荐模型针对待推荐用户输出的各个书籍对应的推荐得分；
针对每个书籍，根据该书籍的书籍质量指标数据以及至少一个书籍推荐模型输出的该书籍对应的推荐得分，计算该书籍对应的融合推荐得分；
依据各个书籍对应的融合推荐得分，从各个书籍中为待推荐用户选择待推荐书籍进行书籍推荐。
根据本发明实施例的又一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行如上述书籍推荐方法对应的操作。
根据本发明提供的技术方案，基于针对书籍的交互行为数据能够便捷、精准地确定用于反映书籍质量的书籍质量指标数据；充分利用现有的书籍推荐模型所得到的各个书籍对应的推荐得分作为数据基础，根据书籍的书籍质量指标数据以及书籍对应的推荐得分来计算书籍对应的融合推荐得分，实现了对至少一个书籍推荐模型对应的推荐目标以及书籍质量指标数据的充分融合，使得书籍推荐能够兼顾推荐目标和书籍质量，增加优质书籍的曝光度，优化了书籍推荐方式，有助于获得更好的书籍推荐效果。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了根据本发明实施例一的一种书籍推荐方法的流程示意图；
图2示出了根据本发明实施例二的一种书籍推荐方法的流程示意图；
图3示出了根据本发明实施例四的一种计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例一
图1示出了根据本发明实施例一的一种书籍推荐方法的流程示意图，如图1所示，该方法包括如下步骤：
步骤S101，获取各个用户针对书籍集合中的书籍的交互行为数据，根据交互行为数据生成各个书籍的书籍质量指标数据。
各个用户可为书籍阅读平台中的用户，这里所述的各个用户可以为书籍阅读平台中的所有用户，也可以为部分用户，此处不做具体限定。书籍集合中包含有书籍阅读平台提供的多个书籍。用户针对书籍的交互行为数据为用于描述用户与书籍之间发生交互的数据，具体可包括：用户针对书籍的付费行为数据、书籍阅读数据、书籍评论数据等。在步骤S101中，可从书籍阅读平台中获取其存储的各个用户针对书籍的交互行为数据。通过交互行为数据可反映出书籍的书籍质量。
在获取了交互行为数据之后，根据交互行为数据生成各个书籍的书籍质量指标数据。其中，书籍质量指标数据具体可包括：书籍热销指标数据、书籍营收指标数据和/或书籍阅读转化指标数据等。本领域技术人员还可根据实际需要设置书籍质量指标数据包括其他能够反映书籍质量的指标数据，此处不做具体限定。
步骤S102，获取至少一个书籍推荐模型针对待推荐用户输出的各个书籍对应的推荐得分。
其中，至少一个书籍推荐模型可为预先得到的已有的一个或多个书籍推荐模型。通常每个书籍推荐模型是以单一的推荐目标进行训练而得到的。当需要针对待推荐用户进行书籍推荐时，可将待推荐用户的用户特征等输入至至少一个书籍推荐模型中，利用至少一个书籍推荐模型计算各个书籍对应的推荐得分。
步骤S103，针对每个书籍，根据该书籍的书籍质量指标数据以及至少一个书籍推荐模型输出的该书籍对应的推荐得分，计算该书籍对应的融合推荐得分。
为了在筛选待推荐书籍的过程中能够在至少一个书籍推荐模型所依据的推荐目标的基础上更好地融合书籍质量指标数据，可针对每个书籍，根据该书籍的书籍质量指标数据构建加权系数，然后将至少一个书籍推荐模型输出的该书籍对应的推荐得分与加权系数进行加权运算，从而得到该书籍对应的融合推荐得分。该融合推荐得分为充分融合了至少一个书籍推荐模型对应的推荐目标以及书籍质量指标数据所得到的最终得分。
步骤S104，依据各个书籍对应的融合推荐得分，从各个书籍中为待推荐用户选择待推荐书籍进行书籍推荐。
在计算得到各个书籍对应的融合推荐得分之后，即可从各个书籍中选择融合推荐得分较高的书籍作为待推荐书籍，将待推荐书籍推荐给待推荐用户。
利用本实施例提供的书籍推荐方法，基于针对书籍的交互行为数据能够便捷、精准地确定用于反映书籍质量的书籍质量指标数据；充分利用现有的书籍推荐模型所得到的各个书籍对应的推荐得分作为数据基础，根据书籍的书籍质量指标数据以及书籍对应的推荐得分来计算书籍对应的融合推荐得分，实现了对至少一个书籍推荐模型对应的推荐目标以及书籍质量指标数据的充分融合，使得书籍推荐能够兼顾推荐目标和书籍质量，增加优质书籍的曝光度，优化了书籍推荐方式，有助于获得更好的书籍推荐效果。
实施例二
图2示出了根据本发明实施例二的一种书籍推荐方法的流程示意图，如图2所示，该方法包括如下步骤：
步骤S201，获取各个用户针对书籍集合中的书籍的交互行为数据，根据交互行为数据生成各个书籍的书籍质量指标数据。
其中，可从书籍阅读平台中获取各个用户针对书籍集合中的书籍的交互行为数据，交互行为数据可包括付费行为数据，交互行为数据还可包括用户与书籍之间发生交互的其他的数据，此处不做限定。付费行为数据至少包含：用户ID、用户所支付的书籍ID、支付时间、支付金额等数据。具体地，用户ID为用于标识用户身份的标识信息，可为用户在书籍阅读平台中的账号，例如手机号、用户名、邮箱、微信号等第三方平台账号。书籍ID为用于标识书籍的标识信息。
在获取了交互行为数据之后，根据交互行为数据生成各个书籍的书籍质量指标数据。其中，书籍质量指标数据具体可包括：书籍热销指标数据和/或书籍营收指标数据等。书籍热销指标数据为基于用户付费情况而表征的书籍销量热度，具体可根据书籍在第一预设时长内的付费总金额用时间做权重累加而获得；书籍营收指标数据为基于用户付费情况而表征的书籍付费能力，具体可根据在第二预设时长内的每用户平均支付金额而获得。
具体地，针对每个书籍，对该书籍对应的付费行为数据进行数据分析，得到各个用户在第一预设时长内在预设维度下针对该书籍所支付的总金额以及在第二预设时长内的每用户平均支付金额；依据各个用户在第一预设时长内在预设维度下针对该书籍所支付的总金额以及预设时间系数，计算书籍热销指标数据；依据在第二预设时长内的每用户平均支付金额，计算书籍营收指标数据。第一预设时长和第二预设时长可以相同也可以不同，此处不做限定。例如第一预设时长和第二预设时长可以为一个月。书籍热销指标数据和书籍营收指标数据的取值范围具体可为0-1。
可采用如下方式计算书籍热销指标数据：依据各个用户在第一预设时长内在预设维度下针对该书籍所支付的总金额，确定在各个单位时长内在预设维度下针对该书籍所支付的总金额；其中，各个单位时长是按照预设时间粒度对第一预设时长进行划分得到的；将在各个单位时长内在预设维度下针对该书籍所支付的总金额与各个单位时长对应的预设时间系数进行加权运算，得到书籍热销指标数据。
在实际应用中，预设维度可包括增量维度和存量维度。增量维度和存量维度用于反映为该书籍付费的用户在之前是否交互过该书籍。若为该书籍付费的用户在之前未交互过该书籍，则属于增量维度；若为该书籍付费的用户在之前交互过该书籍，则属于存量维度。以第一预设时长为一个月，单位时长为一天为例，假设某用户在3月11号第一次看了书籍1且为书籍1支付了5元，3月12号为书籍1继续支付了10元，那么5元属于在3月11号内在增量维度下针对书籍1所支付的金额，10元则属于在3月12号内在存量维度下针对书籍1所支付的金额。通过上述处理方式，依次确定一个月内的每天在增量维度下针对每个书籍所支付的总金额以及一个月内的每天在存量维度下针对每个书籍所支付的总金额。
考虑到时间越新的代表热度越高，为了更为精准地确定书籍热销指标数据，可为各个单位时长设置对应的预设时间系数，具体地，距离当前时间越近的单位时长所对应的预设时间系数越大。另外，针对增量维度为各个单位时长所设置的预设时间系数与针对存量维度为各个单位时长所设置的预设时间系数可以相同也可以不同，本领域技术人员可根据具体业务需求进行设置。那么针对每个书籍，将所确定的一个月内的每天在增量维度下针对该书籍所支付的总金额与在增量维度下的各个单位时长所对应的预设时间系数进行加权运算，得到第一结果；将所确定的一个月内的每天在存量维度下针对该书籍所支付的总金额与在存量维度下的各个单位时长所对应的预设时间系数进行加权运算，得到第二结果；然后将第一结果和第二结果进行相加处理，得到书籍热销指标数据。书籍热销指标数据可采用下列公式计算：
Figure BDA0003329196140000061
其中，Q_ch表示书籍热销指标数据，pay_inci表示在第i天内在增量维度下针对该书籍所支付的总金额，weight_inci表示在增量维度下第i天所对应的预设时间系数，pay_stoi表示在第i天内在存量维度下针对该书籍所支付的总金额，weight_stoi表示在存量维度下第i天所对应的预设时间系数，N＝30。
对于书籍营收指标数据的计算，主要针对的是网文类型的书籍，这类书籍通常包含有多个章节，为了获得这类书籍的各章节的阅读权限，需要用户按章节支付一定的费用。在本实施例中，可计算增量用户(即第一次与该书籍进行交互的用户)在第二预设时长内为该书籍所支付费用的平均值作为在第二预设时长内的每用户平均支付金额，然后依据每用户平均支付金额，计算书籍营收指标数据。某个书籍对应的每用户平均支付金额越高，其书籍营收指标数据越大，表示其营收能力越强。具体地，针对每个书籍，可将该书籍对应的每用户平均支付金额与预设系数相乘，或者将每用户平均支付金额代入至预设公式中进行计算，将所得到的结果作为书籍营收指标数据。
步骤S202，获取至少一个书籍推荐模型针对待推荐用户输出的各个书籍对应的推荐得分。
至少一个书籍推荐模型可为预先得到的已有的一个或多个书籍推荐模型。通常每个书籍推荐模型是以单一的推荐目标进行训练而得到的。例如，至少一个书籍推荐模型可包括以下模型中的一个或多个：以点击率(Click-Through-Rate，CTR)为推荐目标的书籍推荐模型、以书籍阅读转化率(Conversion Rate，CVR)为推荐目标的书籍推荐模型、以书籍阅读时长为推荐目标的书籍推荐模型、以书籍营收额为推荐目标的书籍推荐模型、以多个推荐目标训练得到的单个书籍推荐模型。以多个推荐目标训练得到的单个书籍推荐模型具体可称为多目标模型，例如MMOE(Multi-gate Mixture-of-Experts)模型等，其中，多目标模型可以包括多个任务网络，每个任务网络用于以单个推荐目标进行处理。多目标模型可输出多个推荐得分，单个推荐得分与单个推荐目标相对应。多目标模型的推荐目标可包括以下目标中的至少两项：点击率、书籍阅读转化率、书籍阅读时长、书籍营收额等。本领域技术人员还可根据实际需要设置推荐目标包括其他内容，此处不做限定。
当需要针对待推荐用户进行书籍推荐时，利用现有的至少一个书籍推荐模型对各个书籍对应的推荐得分进行计算，在步骤S202中获取至少一个书籍推荐模型针对待推荐用户输出的各个书籍对应的推荐得分。
步骤S203，针对每个书籍，利用该书籍的书籍质量指标数据，为至少一个书籍推荐模型构建对应的加权系数，将至少一个书籍推荐模型输出的该书籍对应的推荐得分与对应的加权系数进行加权运算，得到该书籍对应的融合推荐得分。
在得到了该书籍的书籍质量指标数据之后，可依据该书籍的书籍质量指标数据构建加权系数。例如，依据书籍质量指标数据中的书籍热销指标数据所构建的加权系数可为(log(Q_ch)+b_ch)q_ch，依据书籍质量指标数据中的书籍营收指标数据所构建的加权系数可为(log(Q_inc)+b_inc)q_inc，其中，Q_ch表示书籍热销指标数据，Q_inc表示书籍营收指标数据，b_ch、b_inc、q_ch和q_inc为预设参数。
当书籍推荐模型为多个时，可为其中的一个书籍推荐模型构建对应的加权系数，也可以为多个书籍推荐模型都构建对应的加权系数，本领域技术人员可根据实际需要选择为一个还是为多个书籍推荐模型构建对应的加权系数，此处不做限定。若为多个书籍推荐模型都构建对应的加权系数，可根据实际需要对每个书籍推荐模型对应的加权系数中的b_ch、b_inc、q_ch和q_inc进行设置。另外，在实际应用中，本领域技术人员还可根据具体业务需求从书籍质量指标数据中选择一个或多个指标数据为书籍推荐模型构建对应的加权系数，此处不做限定。例如，可只依据书籍质量指标数据中的书籍热销指标数据或者书籍营收指标数据为书籍推荐模型构建对应的加权系数；也可依据书籍热销指标数据和书籍营收指标数据来为书籍推荐模型构建对应的加权系数。
假设在某一书籍推荐场景中，书籍推荐模型的数量为n个，只需为第1个书籍推荐模型构建对应的加权系数，那么该书籍对应的融合推荐得分可采用下列公式进行计算：
Figure BDA0003329196140000081
其中，V表示该书籍对应的融合推荐得分，score1至scoren分别表示第1个书籍推荐模型至第n个书籍推荐模型输出的该书籍对应的推荐得分，Q_ch表示书籍热销指标数据，Q_inc表示书籍营收指标数据，b1至bn、q1至qn、b_ch、b_inc、q_ch和q_inc为预设参数。本领域技术人员可根据实际需要对上述预设参数的具体数值进行设置，例如可设置为1，2，0.5等。该融合推荐得分为充分融合了n个书籍推荐模型对应的推荐目标、书籍热销指标数据以及书籍营收指标数据所得到的最终得分。
步骤S204，按照从高到低的顺序对各个书籍对应的融合推荐得分进行排列，从排列结果中选择排列靠前的预设数量的书籍作为待推荐书籍。
在得到了每个书籍对应的融合推荐得分之后，可按照融合推荐得分从高到低的顺序对各个书籍对应的融合推荐得分进行排列，得到排列结果，然后从排列结果中选择排列靠前的预设数量的书籍作为待推荐书籍。具体地，预设数量可为10个等。
步骤S205，将待推荐书籍推荐至待推荐用户。
具体地，可在待推荐用户的书架页面、客户端主页面或者客户端各级页面等中向待推荐用户展现待推荐书籍。
利用本实施例提供的书籍推荐方法，基于针对书籍的交互行为数据能够便捷、精准地确定用于反映书籍质量的书籍热销指标数据和书籍营收指标数据；在现有的书籍推荐模型所得到的各个书籍对应的推荐得分的基础上，引入了利用书籍热销指标数据和书籍营收指标数据所构建的加权系数对原有的推荐得分进行融合，使得书籍推荐既能够兼顾多个书籍推荐模型的推荐目标，又能够兼顾书籍营收，同时增加优质书籍的曝光度；经过试验，在采用本方案进行书籍推荐后，可在保证提升各项推荐目标的基础上，同时使得书籍阅读平台的书籍营收也获得提升，从而获得了更好的书籍推荐效果。
实施例三
本发明实施例三提供了一种非易失性存储介质，存储介质存储有至少一可执行指令，该可执行指令可执行上述任意方法实施例中的书籍推荐方法。
可执行指令具体可以用于使得处理器执行以下操作：获取各个用户针对书籍集合中的书籍的交互行为数据，根据交互行为数据生成各个书籍的书籍质量指标数据；获取至少一个书籍推荐模型针对待推荐用户输出的各个书籍对应的推荐得分；针对每个书籍，根据该书籍的书籍质量指标数据以及至少一个书籍推荐模型输出的该书籍对应的推荐得分，计算该书籍对应的融合推荐得分；依据各个书籍对应的融合推荐得分，从各个书籍中为待推荐用户选择待推荐书籍进行书籍推荐。
在一种可选的实施方式中，交互行为数据包括：付费行为数据；书籍质量指标数据包括：书籍热销指标数据和/或书籍营收指标数据。
在一种可选的实施方式中，可执行指令进一步使处理器执行以下操作：针对每个书籍，对该书籍对应的付费行为数据进行数据分析，得到各个用户在第一预设时长内在预设维度下针对该书籍所支付的总金额以及在第二预设时长内的每用户平均支付金额；依据各个用户在第一预设时长内在预设维度下针对该书籍所支付的总金额以及预设时间系数，计算书籍热销指标数据；依据在第二预设时长内的每用户平均支付金额，计算书籍营收指标数据。
在一种可选的实施方式中，可执行指令进一步使处理器执行以下操作：依据各个用户在第一预设时长内在预设维度下针对该书籍所支付的总金额，确定在各个单位时长内在预设维度下针对该书籍所支付的总金额；其中，各个单位时长是按照预设时间粒度对第一预设时长进行划分得到的；将在各个单位时长内在预设维度下针对该书籍所支付的总金额与各个单位时长对应的预设时间系数进行加权运算，得到书籍热销指标数据。
在一种可选的实施方式中，可执行指令进一步使处理器执行以下操作：利用该书籍的书籍质量指标数据，为至少一个书籍推荐模型构建对应的加权系数；将至少一个书籍推荐模型输出的该书籍对应的推荐得分与对应的加权系数进行加权运算，得到该书籍对应的融合推荐得分。
在一种可选的实施方式中，可执行指令进一步使处理器执行以下操作：按照从高到低的顺序对各个书籍对应的融合推荐得分进行排列，从排列结果中选择排列靠前的预设数量的书籍作为待推荐书籍；将待推荐书籍推荐至待推荐用户。
在一种可选的实施方式中，至少一个书籍推荐模型包括以下模型中的一个或多个：以点击率为推荐目标的书籍推荐模型、以书籍阅读转化率为推荐目标的书籍推荐模型、以书籍阅读时长为推荐目标的书籍推荐模型、以书籍营收额为推荐目标的书籍推荐模型、以多个推荐目标训练得到的单个书籍推荐模型。
实施例四
图3示出了根据本发明实施例四的一种计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
如图3所示，该计算设备可以包括：处理器(processor)302、通信接口(Communications Interface)304、存储器(memory)306、以及通信总线308。
其中：
处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。
通信接口304，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器302，用于执行程序310，具体可以执行上述书籍推荐方法实施例中的相关步骤。
具体地，程序310可以包括程序代码，该程序代码包括计算机操作指令。
处理器302可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器306，用于存放程序310。存储器306可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序310具体可以用于使得处理器302执行以下操作：获取各个用户针对书籍集合中的书籍的交互行为数据，根据交互行为数据生成各个书籍的书籍质量指标数据；获取至少一个书籍推荐模型针对待推荐用户输出的各个书籍对应的推荐得分；针对每个书籍，根据该书籍的书籍质量指标数据以及至少一个书籍推荐模型输出的该书籍对应的推荐得分，计算该书籍对应的融合推荐得分；依据各个书籍对应的融合推荐得分，从各个书籍中为待推荐用户选择待推荐书籍进行书籍推荐。
在一种可选的实施方式中，交互行为数据包括：付费行为数据；书籍质量指标数据包括：书籍热销指标数据和/或书籍营收指标数据。
在一种可选的实施方式中，程序310进一步使得处理器302执行以下操作：针对每个书籍，对该书籍对应的付费行为数据进行数据分析，得到各个用户在第一预设时长内在预设维度下针对该书籍所支付的总金额以及在第二预设时长内的每用户平均支付金额；依据各个用户在第一预设时长内在预设维度下针对该书籍所支付的总金额以及预设时间系数，计算书籍热销指标数据；依据在第二预设时长内的每用户平均支付金额，计算书籍营收指标数据。
在一种可选的实施方式中，程序310进一步使得处理器302执行以下操作：依据各个用户在第一预设时长内在预设维度下针对该书籍所支付的总金额，确定在各个单位时长内在预设维度下针对该书籍所支付的总金额；其中，各个单位时长是按照预设时间粒度对第一预设时长进行划分得到的；将在各个单位时长内在预设维度下针对该书籍所支付的总金额与各个单位时长对应的预设时间系数进行加权运算，得到书籍热销指标数据。
在一种可选的实施方式中，程序310进一步使得处理器302执行以下操作：利用该书籍的书籍质量指标数据，为至少一个书籍推荐模型构建对应的加权系数；将至少一个书籍推荐模型输出的该书籍对应的推荐得分与对应的加权系数进行加权运算，得到该书籍对应的融合推荐得分。
在一种可选的实施方式中，程序310进一步使得处理器302执行以下操作：按照从高到低的顺序对各个书籍对应的融合推荐得分进行排列，从排列结果中选择排列靠前的预设数量的书籍作为待推荐书籍；将待推荐书籍推荐至待推荐用户。
在一种可选的实施方式中，至少一个书籍推荐模型包括以下模型中的一个或多个：以点击率为推荐目标的书籍推荐模型、以书籍阅读转化率为推荐目标的书籍推荐模型、以书籍阅读时长为推荐目标的书籍推荐模型、以书籍营收额为推荐目标的书籍推荐模型、以多个推荐目标训练得到的单个书籍推荐模型。
程序310中各步骤的具体实现可以参见上述书籍推荐实施例中的相应步骤对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。
通过本实施例提供的方案，充分利用现有的书籍推荐模型所得到的各个书籍对应的推荐得分作为数据基础，根据书籍的书籍质量指标数据以及书籍对应的推荐得分来计算书籍对应的融合推荐得分，实现了对至少一个书籍推荐模型对应的推荐目标以及书籍质量指标数据的充分融合，使得书籍推荐能够兼顾推荐目标和书籍质量。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
本发明公开了：A1.一种书籍推荐方法，包括：
获取各个用户针对书籍集合中的书籍的交互行为数据，根据所述交互行为数据生成各个书籍的书籍质量指标数据；
获取至少一个书籍推荐模型针对待推荐用户输出的各个书籍对应的推荐得分；
针对每个书籍，根据该书籍的书籍质量指标数据以及至少一个书籍推荐模型输出的该书籍对应的推荐得分，计算该书籍对应的融合推荐得分；
依据各个书籍对应的融合推荐得分，从各个书籍中为所述待推荐用户选择待推荐书籍进行书籍推荐。
A2.根据A1所述的方法，所述交互行为数据包括：付费行为数据；所述书籍质量指标数据包括：书籍热销指标数据和/或书籍营收指标数据。
A3.根据A2所述的方法，所述根据所述交互行为数据生成各个书籍的书籍质量指标数据进一步包括：
针对每个书籍，对该书籍对应的付费行为数据进行数据分析，得到各个用户在第一预设时长内在预设维度下针对该书籍所支付的总金额以及在第二预设时长内的每用户平均支付金额；
依据各个用户在第一预设时长内在预设维度下针对该书籍所支付的总金额以及预设时间系数，计算书籍热销指标数据；
依据在第二预设时长内的每用户平均支付金额，计算书籍营收指标数据。
A4.根据A3所述的方法，所述依据各个用户在第一预设时长内在预设维度下针对该书籍所支付的总金额以及预设时间系数，计算书籍热销指标数据进一步包括：
依据各个用户在第一预设时长内在预设维度下针对该书籍所支付的总金额，确定在各个单位时长内在预设维度下针对该书籍所支付的总金额；其中，各个单位时长是按照预设时间粒度对所述第一预设时长进行划分得到的；
将在各个单位时长内在预设维度下针对该书籍所支付的总金额与各个单位时长对应的预设时间系数进行加权运算，得到书籍热销指标数据。
A5.根据A1-A4任一项所述的方法，所述针对每个书籍，根据该书籍的书籍质量指标数据以及至少一个书籍推荐模型输出的该书籍对应的推荐得分，计算该书籍对应的融合推荐得分进一步包括：
利用该书籍的书籍质量指标数据，为至少一个书籍推荐模型构建对应的加权系数；
将至少一个书籍推荐模型输出的该书籍对应的推荐得分与对应的加权系数进行加权运算，得到该书籍对应的融合推荐得分。
A6.根据A1-A5任一项所述的方法，所述依据各个书籍对应的融合推荐得分，从各个书籍中为所述待推荐用户选择待推荐书籍进行书籍推荐进一步包括：
按照从高到低的顺序对各个书籍对应的融合推荐得分进行排列，从排列结果中选择排列靠前的预设数量的书籍作为待推荐书籍；
将所述待推荐书籍推荐至所述待推荐用户。
A7.根据A1-A6任一项所述的方法，所述至少一个书籍推荐模型包括以下模型中的一个或多个：
以点击率为推荐目标的书籍推荐模型、以书籍阅读转化率为推荐目标的书籍推荐模型、以书籍阅读时长为推荐目标的书籍推荐模型、以书籍营收额为推荐目标的书籍推荐模型、以多个推荐目标训练得到的单个书籍推荐模型。
B8.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行以下操作：
获取各个用户针对书籍集合中的书籍的交互行为数据，根据所述交互行为数据生成各个书籍的书籍质量指标数据；
获取至少一个书籍推荐模型针对待推荐用户输出的各个书籍对应的推荐得分；
针对每个书籍，根据该书籍的书籍质量指标数据以及至少一个书籍推荐模型输出的该书籍对应的推荐得分，计算该书籍对应的融合推荐得分；
依据各个书籍对应的融合推荐得分，从各个书籍中为所述待推荐用户选择待推荐书籍进行书籍推荐。
B9.根据B8所述的计算设备，所述交互行为数据包括：付费行为数据；所述书籍质量指标数据包括：书籍热销指标数据和/或书籍营收指标数据。
B10.根据B9所述的计算设备，所述可执行指令进一步使所述处理器执行以下操作：
针对每个书籍，对该书籍对应的付费行为数据进行数据分析，得到各个用户在第一预设时长内在预设维度下针对该书籍所支付的总金额以及在第二预设时长内的每用户平均支付金额；
依据各个用户在第一预设时长内在预设维度下针对该书籍所支付的总金额以及预设时间系数，计算书籍热销指标数据；
依据在第二预设时长内的每用户平均支付金额，计算书籍营收指标数据。
B11.根据B10所述的计算设备，所述可执行指令进一步使所述处理器执行以下操作：
依据各个用户在第一预设时长内在预设维度下针对该书籍所支付的总金额，确定在各个单位时长内在预设维度下针对该书籍所支付的总金额；其中，各个单位时长是按照预设时间粒度对所述第一预设时长进行划分得到的；
将在各个单位时长内在预设维度下针对该书籍所支付的总金额与各个单位时长对应的预设时间系数进行加权运算，得到书籍热销指标数据。
B12.根据B8-B11任一项所述的计算设备，所述可执行指令进一步使所述处理器执行以下操作：
利用该书籍的书籍质量指标数据，为至少一个书籍推荐模型构建对应的加权系数；
将至少一个书籍推荐模型输出的该书籍对应的推荐得分与对应的加权系数进行加权运算，得到该书籍对应的融合推荐得分。
B13.根据B8-B12任一项所述的计算设备，所述可执行指令进一步使所述处理器执行以下操作：
按照从高到低的顺序对各个书籍对应的融合推荐得分进行排列，从排列结果中选择排列靠前的预设数量的书籍作为待推荐书籍；
将所述待推荐书籍推荐至所述待推荐用户。
B14.根据B8-B13任一项所述的计算设备，所述至少一个书籍推荐模型包括以下模型中的一个或多个：
以点击率为推荐目标的书籍推荐模型、以书籍阅读转化率为推荐目标的书籍推荐模型、以书籍阅读时长为推荐目标的书籍推荐模型、以书籍营收额为推荐目标的书籍推荐模型、以多个推荐目标训练得到的单个书籍推荐模型。
C15.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如A1-A7中任一项所述的书籍推荐方法对应的操作。

Claims (10)

1.一种书籍推荐方法，包括：
获取各个用户针对书籍集合中的书籍的交互行为数据，根据所述交互行为数据生成各个书籍的书籍质量指标数据；
获取至少一个书籍推荐模型针对待推荐用户输出的各个书籍对应的推荐得分；
针对每个书籍，根据该书籍的书籍质量指标数据以及至少一个书籍推荐模型输出的该书籍对应的推荐得分，计算该书籍对应的融合推荐得分；
依据各个书籍对应的融合推荐得分，从各个书籍中为所述待推荐用户选择待推荐书籍进行书籍推荐。
2.根据权利要求1所述的方法，所述交互行为数据包括：付费行为数据；所述书籍质量指标数据包括：书籍热销指标数据和/或书籍营收指标数据。
3.根据权利要求2所述的方法，所述根据所述交互行为数据生成各个书籍的书籍质量指标数据进一步包括：
针对每个书籍，对该书籍对应的付费行为数据进行数据分析，得到各个用户在第一预设时长内在预设维度下针对该书籍所支付的总金额以及在第二预设时长内的每用户平均支付金额；
依据各个用户在第一预设时长内在预设维度下针对该书籍所支付的总金额以及预设时间系数，计算书籍热销指标数据；
依据在第二预设时长内的每用户平均支付金额，计算书籍营收指标数据。
4.根据权利要求3所述的方法，所述依据各个用户在第一预设时长内在预设维度下针对该书籍所支付的总金额以及预设时间系数，计算书籍热销指标数据进一步包括：
依据各个用户在第一预设时长内在预设维度下针对该书籍所支付的总金额，确定在各个单位时长内在预设维度下针对该书籍所支付的总金额；其中，各个单位时长是按照预设时间粒度对所述第一预设时长进行划分得到的；
将在各个单位时长内在预设维度下针对该书籍所支付的总金额与各个单位时长对应的预设时间系数进行加权运算，得到书籍热销指标数据。
5.根据权利要求1-4任一项所述的方法，所述针对每个书籍，根据该书籍的书籍质量指标数据以及至少一个书籍推荐模型输出的该书籍对应的推荐得分，计算该书籍对应的融合推荐得分进一步包括：
利用该书籍的书籍质量指标数据，为至少一个书籍推荐模型构建对应的加权系数；
将至少一个书籍推荐模型输出的该书籍对应的推荐得分与对应的加权系数进行加权运算，得到该书籍对应的融合推荐得分。
6.根据权利要求1-5任一项所述的方法，所述依据各个书籍对应的融合推荐得分，从各个书籍中为所述待推荐用户选择待推荐书籍进行书籍推荐进一步包括：
按照从高到低的顺序对各个书籍对应的融合推荐得分进行排列，从排列结果中选择排列靠前的预设数量的书籍作为待推荐书籍；
将所述待推荐书籍推荐至所述待推荐用户。
7.根据权利要求1-6任一项所述的方法，所述至少一个书籍推荐模型包括以下模型中的一个或多个：
以点击率为推荐目标的书籍推荐模型、以书籍阅读转化率为推荐目标的书籍推荐模型、以书籍阅读时长为推荐目标的书籍推荐模型、以书籍营收额为推荐目标的书籍推荐模型、以多个推荐目标训练得到的单个书籍推荐模型。
8.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行以下操作：
获取各个用户针对书籍集合中的书籍的交互行为数据，根据所述交互行为数据生成各个书籍的书籍质量指标数据；
获取至少一个书籍推荐模型针对待推荐用户输出的各个书籍对应的推荐得分；
针对每个书籍，根据该书籍的书籍质量指标数据以及至少一个书籍推荐模型输出的该书籍对应的推荐得分，计算该书籍对应的融合推荐得分；
依据各个书籍对应的融合推荐得分，从各个书籍中为所述待推荐用户选择待推荐书籍进行书籍推荐。
9.根据权利要求8所述的计算设备，所述交互行为数据包括：付费行为数据；所述书籍质量指标数据包括：书籍热销指标数据和/或书籍营收指标数据。
10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的书籍推荐方法对应的操作。
CN202111275151.4A 2021-10-29 2021-10-29 书籍推荐方法、计算设备及存储介质 Active CN113987353B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111275151.4A CN113987353B (zh) 2021-10-29 2021-10-29 书籍推荐方法、计算设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111275151.4A CN113987353B (zh) 2021-10-29 2021-10-29 书籍推荐方法、计算设备及存储介质

Publications (2)

Publication Number Publication Date
CN113987353A true CN113987353A (zh) 2022-01-28
CN113987353B CN113987353B (zh) 2022-08-09

Family

ID=79744693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111275151.4A Active CN113987353B (zh) 2021-10-29 2021-10-29 书籍推荐方法、计算设备及存储介质

Country Status (1)

Country Link
CN (1) CN113987353B (zh)

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140046939A1 (en) * 2012-08-08 2014-02-13 Tencent Technology (Shenzhen) Company Limited; User recommendation method and a user recommendation system using the same
US20140188865A1 (en) * 2012-12-28 2014-07-03 Telefónica, S.A. Method and system of optimizing a ranked list of recommended items
CN104424247A (zh) * 2013-08-28 2015-03-18 北京闹米科技有限公司 一种产品信息过滤推荐方法和装置
CN105488233A (zh) * 2016-01-25 2016-04-13 广东顺德中山大学卡内基梅隆大学国际联合研究院 阅读信息推荐方法和系统
CN107402961A (zh) * 2017-06-16 2017-11-28 北京三快在线科技有限公司 一种推荐方法及装置，电子设备
CN107423442A (zh) * 2017-08-07 2017-12-01 火烈鸟网络(广州)股份有限公司 基于用户画像行为分析的应用推荐方法及系统，储存介质及计算机设备
CN107729542A (zh) * 2017-10-31 2018-02-23 咪咕音乐有限公司 一种信息评分方法及装置和存储介质
CN108520076A (zh) * 2018-04-19 2018-09-11 掌阅科技股份有限公司 电子书推荐方法、电子设备及计算机存储介质
CN108960961A (zh) * 2018-06-01 2018-12-07 北京万维之道信息技术有限公司 一种书籍推荐方法和书籍推荐系统
CN109697636A (zh) * 2018-12-27 2019-04-30 拉扎斯网络科技（上海）有限公司 一种商户推荐方法、商户推荐装置、电子设备和介质
CN110458668A (zh) * 2019-08-15 2019-11-15 中国银行股份有限公司 确定产品推荐算法的方法及装置
CN111626863A (zh) * 2020-06-02 2020-09-04 北京比财数据科技有限公司 一种金融产品的智能推荐方法
CN111724238A (zh) * 2020-06-23 2020-09-29 中国平安人寿保险股份有限公司 产品推荐准确度评价方法、装置、设备及存储介质
CN111881365A (zh) * 2020-07-23 2020-11-03 苏州跃盟信息科技有限公司 内容推荐方法及装置
CN112015990A (zh) * 2020-08-31 2020-12-01 广州市百果园信息技术有限公司 待推荐网络资源的确定方法、装置、计算机设备及介质
CN112445978A (zh) * 2020-12-15 2021-03-05 掌阅科技股份有限公司 电子书的推送方法、电子设备及存储介质
CN112464101A (zh) * 2020-12-15 2021-03-09 掌阅科技股份有限公司 电子书的排序推荐方法、电子设备及存储介质
CN112785397A (zh) * 2021-03-09 2021-05-11 中国工商银行股份有限公司 一种产品推荐方法、装置及存储介质

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140046939A1 (en) * 2012-08-08 2014-02-13 Tencent Technology (Shenzhen) Company Limited; User recommendation method and a user recommendation system using the same
US20140188865A1 (en) * 2012-12-28 2014-07-03 Telefónica, S.A. Method and system of optimizing a ranked list of recommended items
CN104424247A (zh) * 2013-08-28 2015-03-18 北京闹米科技有限公司 一种产品信息过滤推荐方法和装置
CN105488233A (zh) * 2016-01-25 2016-04-13 广东顺德中山大学卡内基梅隆大学国际联合研究院 阅读信息推荐方法和系统
CN107402961A (zh) * 2017-06-16 2017-11-28 北京三快在线科技有限公司 一种推荐方法及装置，电子设备
CN107423442A (zh) * 2017-08-07 2017-12-01 火烈鸟网络(广州)股份有限公司 基于用户画像行为分析的应用推荐方法及系统，储存介质及计算机设备
CN107729542A (zh) * 2017-10-31 2018-02-23 咪咕音乐有限公司 一种信息评分方法及装置和存储介质
CN108520076A (zh) * 2018-04-19 2018-09-11 掌阅科技股份有限公司 电子书推荐方法、电子设备及计算机存储介质
CN108960961A (zh) * 2018-06-01 2018-12-07 北京万维之道信息技术有限公司 一种书籍推荐方法和书籍推荐系统
CN109697636A (zh) * 2018-12-27 2019-04-30 拉扎斯网络科技（上海）有限公司 一种商户推荐方法、商户推荐装置、电子设备和介质
CN110458668A (zh) * 2019-08-15 2019-11-15 中国银行股份有限公司 确定产品推荐算法的方法及装置
CN111626863A (zh) * 2020-06-02 2020-09-04 北京比财数据科技有限公司 一种金融产品的智能推荐方法
CN111724238A (zh) * 2020-06-23 2020-09-29 中国平安人寿保险股份有限公司 产品推荐准确度评价方法、装置、设备及存储介质
CN111881365A (zh) * 2020-07-23 2020-11-03 苏州跃盟信息科技有限公司 内容推荐方法及装置
CN112015990A (zh) * 2020-08-31 2020-12-01 广州市百果园信息技术有限公司 待推荐网络资源的确定方法、装置、计算机设备及介质
CN112445978A (zh) * 2020-12-15 2021-03-05 掌阅科技股份有限公司 电子书的推送方法、电子设备及存储介质
CN112464101A (zh) * 2020-12-15 2021-03-09 掌阅科技股份有限公司 电子书的排序推荐方法、电子设备及存储介质
CN112785397A (zh) * 2021-03-09 2021-05-11 中国工商银行股份有限公司 一种产品推荐方法、装置及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
QU C 等: "Contextual Re-Ranking with Behavior Aware Transformers", 《PROCEEDINGS OF THE 43RD INTERNATIONAL ACM SIGIR CONFERENCE ON RESEARCH AND DEVELOPMENT IN INFORMATION RETRIEVAL》 *
逄娇娜: "融合用户上下文和时序信息的协同过滤推荐算法", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
郑伟 等: "融合偏好交互的组推荐算法模型", 《小型微型计算机系统》 *

Also Published As

Publication number Publication date
CN113987353B (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
CN108520076B (zh) 电子书推荐方法、电子设备及计算机存储介质
US20200234344A1 (en) Integrated Architecture for Performing Online Advertising Allocations
CN110796477A (zh) 广告展示方法、装置、电子设备及可读存储介质
CN104965844A (zh) 信息处理方法及装置
US20100257058A1 (en) Advertising bids based on user interactions
US8538848B1 (en) Revenue allocation for bundled intellectual property transactions
CN110413870A (zh) 商品推荐方法、装置及服务器
KR102109489B1 (ko) 트랜잭션 처리 방법 및 장치
CN110827138A (zh) 一种推送信息确定方法及装置
US20230259959A1 (en) Multi-target prediction method and apparatus, device, storage medium and program product
CN108074084A (zh) 一种延迟处理请求的方法、装置及服务器
CN110689425A (zh) 基于收益进行额度定价的方法、装置和电子设备
CN110175883A (zh) 一种排序方法、装置、电子设备和非易失性存储介质
KR101312406B1 (ko) 온라인 기부 방법, 및 그 시스템
CN113987353B (zh) 书籍推荐方法、计算设备及存储介质
US20160314525A1 (en) Net Offer Bidding Platform
Emmerling et al. To accept or not to accept: Optimal strategy for sellers in real estate
CN116266323A (zh) 云场景下的智能计费方法及装置
KR102600069B1 (ko) 금융 서비스 제공 방법 및 시스템
KR102158983B1 (ko) 가상 화폐 거래 추천 시스템 및 방법
CN112613897A (zh) 一种基于毛利率的实时自动出价方法及系统
KR101139961B1 (ko) 온라인 기부 방법, 및 그 시스템
CN116485477B (zh) 一种广告估值的处理方法、装置和电子设备
CN110674412A (zh) 资源的推荐信息推送方法及装置、电子设备
CN108510071A (zh) 数据的特征提取方法、装置及计算机可读存储介质

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
GR01 Patent grant
GR01 Patent grant