CN114036397A - 数据推荐方法、装置、电子设备和介质 - Google Patents

数据推荐方法、装置、电子设备和介质 Download PDF

Info

Publication number
CN114036397A
CN114036397A CN202111428416.XA CN202111428416A CN114036397A CN 114036397 A CN114036397 A CN 114036397A CN 202111428416 A CN202111428416 A CN 202111428416A CN 114036397 A CN114036397 A CN 114036397A
Authority
CN
China
Prior art keywords
data
target object
content
tag
feature
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
CN202111428416.XA
Other languages
English (en)
Other versions
CN114036397B (zh
Inventor
董大祥
王莉
孙江伟
忻舟
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202111428416.XA priority Critical patent/CN114036397B/zh
Publication of CN114036397A publication Critical patent/CN114036397A/zh
Priority to US17/993,775 priority patent/US20230085684A1/en
Priority to EP22209296.7A priority patent/EP4134885A3/en
Application granted granted Critical
Publication of CN114036397B publication Critical patent/CN114036397B/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
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • 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
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Abstract

本公开提供了一种数据推荐方法、装置、设备、介质和产品，涉及人工智能技术领域，具体为深度学习、自然语言处理、智能推荐等技术领域。数据推荐方法包括：获取操作对象的操作数据，其中，操作数据与第一内容数据和第一目标对象数据相关联；基于操作数据，确定操作对象特征、内容特征和目标对象特征；基于操作对象特征和内容特征，确定融合特征；基于融合特征和目标对象特征，关联地推荐第二内容数据和第二目标对象数据。

Description

数据推荐方法、装置、电子设备和介质
技术领域
本公开涉及人工智能技术领域，具体为深度学习、自然语言处理、智能推荐等技术领域，更具体地，涉及一种数据推荐方法、装置、电子设备、介质和程序产品。
背景技术
相关技术中，通常可以将内容和目标对象进行关联推荐，目标对象可以包括商品。但是，由于内容和目标对象之间的关联关系不够准确导致推荐效果较差。
发明内容
本公开提供了一种数据推荐方法、装置、电子设备、存储介质以及程序产品。
根据本公开的一方面，提供了一种数据推荐方法，包括：获取操作对象的操作数据，其中，所述操作数据与第一内容数据和第一目标对象数据相关联；基于所述操作数据，确定操作对象特征、内容特征和目标对象特征；基于所述操作对象特征和所述内容特征，确定融合特征；基于所述融合特征和所述目标对象特征，关联地推荐第二内容数据和第二目标对象数据。
根据本公开的另一方面，提供了一种数据推荐装置，包括：第一获取模块、第一确定模块、第二确定模块以及第一推荐模块。第一获取模块，用于获取操作对象的操作数据，其中，所述操作数据与第一内容数据和第一目标对象数据相关联；第一确定模块，用于基于所述操作数据，确定操作对象特征、内容特征和目标对象特征；第二确定模块，用于基于所述操作对象特征和所述内容特征，确定融合特征；第一推荐模块，用于基于所述融合特征和所述目标对象特征，关联地推荐第二内容数据和第二目标对象数据。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器和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上述的数据推荐方法。
根据本公开的另一方面，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，所述计算机指令用于使所述计算机执行上述的数据推荐方法。
根据本公开的另一方面，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上述的数据推荐方法。
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示意性示出了根据本公开一实施例的数据推荐和装置的系统架构；
图2示意性示出了根据本公开一实施例的数据推荐方法的流程图；
图3示意性示出了根据本公开另一实施例的数据推荐方法的流程图；
图4示意性示出了根据本公开另一实施例的关联图数据的示意图；
图5示意性示出了根据本公开再一实施例的数据推荐方法的流程图；
图6示意性示出了根据本公开一实施例的数据推荐方法的原理图；
图7示意性示出了根据本公开一实施例的数据推荐装置的框图；以及
图8是用来实现本公开实施例的用于执行数据推荐的电子设备的框图。
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结构的描述。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
本公开的实施例提供了一种数据推荐方法，包括：获取操作对象的操作数据，其中，操作数据与第一内容数据和第一目标对象数据相关联。然后，基于操作数据，确定操作对象特征、内容特征和目标对象特征，基于操作对象特征和内容特征，确定融合特征。接下来，基于融合特征和目标对象特征，关联地推荐第二内容数据和第二目标对象数据。
图1示意性示出了根据本公开一实施例的数据推荐和装置的系统架构。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示，根据该实施例的系统架构100可以包括客户端101、102、103，网络104和服务器105。网络104用以在客户端101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用客户端101、102、103通过网络104与服务器105交互，以接收或发送消息等。客户端101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
客户端101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。本公开实施例的客户端101、102、103例如可以运行应用程序。
服务器105可以是提供各种服务的服务器，例如对用户利用客户端101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给客户端。另外，服务器105还可以是云服务器，即服务器105具有云计算功能。
需要说明的是，本公开实施例所提供的数据推荐方法可以由服务器105执行。相应地，本公开实施例所提供的数据推荐装置可以设置于服务器105中。本公开实施例所提供的数据推荐方法也可以由不同于服务器105且能够与客户端101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的数据推荐装置也可以设置于不同于服务器105且能够与客户端101、102、103和/或服务器105通信的服务器或服务器集群中。
在一种示例中，服务器105可以通过网络104获取来自客户端101、102、103的操作数据，并基于操作数据确定操作对象特征、内容特征和目标对象特征，然后，基于操作对象特征和内容特征，确定融合特征，最后基于融合特征和目标对象特征，关联地推荐内容数据和目标对象数据，例如将内容数据和目标对象数据关联地发送至客户端101、102、103。
应该理解，图1中的客户端、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的客户端、网络和服务器。
本公开实施例提供了一种数据推荐方法，下面结合图1的系统架构，参考图2～图6来描述根据本公开示例性实施方式的数据推荐方法。本公开实施例的数据推荐方法例如可以由图1所示的服务器来执行，图1所示的服务器例如以下文的电子设备相同或类似。
图2示意性示出了根据本公开一实施例的数据推荐方法的流程图。
如图2所示，本公开实施例的数据推荐方法200例如可以包括操作S210～操作S240。
在操作S210，获取操作对象的操作数据，操作数据与第一内容数据和第一目标对象数据相关联。
在操作S220，基于操作数据，确定操作对象特征、内容特征和目标对象特征。
在操作S230，基于操作对象特征和内容特征，确定融合特征。
在操作S240，基于融合特征和目标对象特征，关联地推荐第二内容数据和第二目标对象数据。
示例性地，第一内容数据或第二内容数据例如包括文章、新闻等数据。第一目标对象数据或第二目标对象数据例如包括商品、产品等数据。在本文中，如果没有特别说明，内容数据可以指第一内容数据、第二内容数据、第三内容数据(参见下文)或历史内容数据(参见下文)，目标对象数据可以指第一目标对象数据、第二目标对象数据、第三目标对象数据(参见下文)或历史目标对象数据(参见下文)。通常来说，可以关联地推荐内容数据和目标对象数据。例如，在推荐内容数据时，可以将与内容数据关联的目标对象数据也一并进行推荐。由于内容数据和目标对象数据相关联，因此操作对象在浏览内容数据时，通常也比较关注目标对象数据。
操作对象的操作数据例如是针对关联推荐的第一内容数据或第一目标对象数据的，操作数据例如包括点击数据、浏览数据、对第一目标对象数据执行资源转移生成的数据等等。
由于操作数据表征了操作对象、第一内容数据、第一目标对象数据之间的内在联系，因此可以基于操作数据确定操作对象特征、内容特征和目标对象特征，操作对象特征、内容特征和目标对象特征彼此之间例如相互关联。
接下来，将操作对象特征和内容特征进行融合得到融合特征，基于融合特征和目标对象特征之间的相似度来关联地推荐第二内容数据和第二目标对象数据，所推荐的第二内容数据与内容特征对应，所推荐的第二目标对象数据与目标对象特征对应。
根据本公开的实施例，基于操作数据确定操作对象特征、内容特征和目标对象特征，然后再基于操作对象特征和内容特征确定融合特征，并基于融合特征和目标对象特征之间的相似度，关联地推荐第二内容数据和第二目标对象数据。可以理解，基于操作数据可以得到更加丰富的关联的融合特征和目标对象特征，使得基于关联的融合特征和目标对象特征来推荐第二内容数据和第二目标对象数据，提高了推荐数据的丰富程度和推荐效果。另外，操作对象在浏览所推荐的第二内容数据时，也会关注与第二内容数据关联的第二目标对象数据，提高了目标对象的被关注度。
图3示意性示出了根据本公开另一实施例的数据推荐方法的流程图。
如图3所示，本公开实施例的数据推荐方法300例如可以包括操作S301～操作S308。
在操作S301，获取至少一个内容标签和至少一个目标对象标签。
示例性地，针对存储于内容库中的至少一个历史内容数据，利用第一自然语言处理模型和第二深度学习模型中的至少一个，对至少一个历史内容数据进行数据处理，得到与至少一个历史内容数据一一对应的至少一个内容标签。
例如，以历史内容数据包括文章为例，利用第一自然语言处理模型对每个文章的标题、正文、简介信息进行标签抽取，得到结构化数据，结构化数据例如包括文章标题、文章发表时间、作者姓名、文章类别等等。另外，还可以利用第二深度学习模型对文章的内容、文章中的图像、文章的评论数据等进行处理，得到针对文章的描述数据。将结构化数据和描述数据作为与文章对应的内容标签。
示例性地，针对存储于目标对象库中的至少一个历史目标对象数据，利用第二自然语言处理模型和第三深度学习模型中的至少一个，对至少一个历史目标对象数据进行数据处理，得到与至少一个历史目标对象数据一一对应的至少一个目标对象标签。
例如，以历史目标对象数据包括商品数据为例，利用第二自然语言处理模型对每个商品数据的名称、创意信息、品类信息进行标签抽取，得到结构化数据，结构化数据例如包括商品的颜色、价格、品牌等等。另外，还可以利用第三深度学习模型对商品的图像、商品的评论数据等进行处理，得到针对商品的描述数据。将结构化数据和描述数据作为与商品数据对应的目标对象标签。
在操作S302，基于至少一个内容标签与至少一个目标对象标签之间的第一相似度，确定第一相似度满足第一相似度条件的相关联内容标签和目标对象标签。
例如，可以将每个内容标签和每个目标对象标签转换为向量，然后通过语义匹配方式计算每个内容标签的向量和每个目标对象标签的向量之间的距离，向量的距离表征内容标签和目标对象标签的第一相似度。然后，基于向量距离确定相似度较高的内容标签和目标对象标签，将相似度高的内容标签和目标对象标签作为相关联内容标签和目标对象标签。
在操作S303，基于相关联内容标签和目标对象标签，关联地推荐第三内容数据和第三目标对象数据。
示例性地，第三内容数据例如是历史内容数据中的至少部分，第三目标对象数据例如是历史目标对象数据中的至少部分。
例如，相关联内容标签和目标对象标签表征了对应的第三内容数据和第三目标对象数据之间在较大概率上具有关联，因此，关注第三内容数据的操作对象在较大概率上也会关注第三目标对象数据。由此，可以基于相关联内容标签和目标对象标签，关联地推荐第三内容数据和第三目标对象数据。例如，在推荐第三内容数据时，同时推荐关联的第三目标对象数据，提高了浏览第三内容数据的操作对象对第三目标对象数据的关注度。
在操作S304，获取操作对象的操作数据。
在操作S305，从关联推荐的第三内容数据和第三目标对象数据中，确定操作数据针对的关联第一内容数据和第一目标对象数据。
示例性地，第一内容数据例如为第三内容数据中的至少部分，第一目标对象数据例如为第三目标对象数据中的至少部分。操作数据例如表征了操作对象对第一内容数据或第一目标对象数据执行的点击、浏览、转移虚拟资源等操作。因此，可以从关联推荐的第三内容数据和第三目标对象数据中确定操作数据所针对的关联第一内容数据和第一目标对象数据。
基于操作数据来确定关联第一内容数据和第一目标对象数据，使得关注第一内容数据的操作对象在较大概率上对第一目标对象数据也比较感兴趣，因此，所确定的第一内容数据和第一目标对象数据之间的关联性更加准确。
在操作S306，基于操作数据针对的关联第一内容数据和第一目标对象数据，确定与操作对象相关联的内容标签和与操作对象相关联的目标对象标签。
例如，相关联的第一内容标签和第一目标对象标签可以以“内容标签-目标对象标签对”来表示。在上述的操作S302中确定出多个相似度较高的“内容标签-目标对象标签对”之后，基于多个相似度较高的“内容标签-目标对象标签对”关联地推荐第三内容数据和第三目标对象数据。操作对象可以对关联推荐的第三内容数据和第三目标对象数据中的部分(即，第一内容数据和第一目标对象数据)进行操作从而生成操作数据，基于操作数据可以确定操作对象所关注的部分“内容标签-目标对象标签对”。
在操作S307，基于与操作对象相关联的内容标签和与操作对象相关联的目标对象标签，确定操作对象标签。
在操作S308，基于操作对象标签、与操作对象相关联的内容标签和与操作对象相关联的目标对象标签，确定关联图数据。
针对操作对象关注的部分“内容标签-目标对象标签对”，可以将操作对象所关注的内容标签和目标对象标签作为操作对象标签。然后，基于操作对象标签、操作对象关注的内容标签、操作对象关注的目标对象标签确定关联图数据。
图4示意性示出了根据本公开另一实施例的关联图数据的示意图。
如图4所示，利用知识图谱技术，基于操作对象的操作数据，构建“操作对象标签-内容标签”、“操作对象标签-目标对象标签”的二部图，该二部图即为关联图。
例如，“内容标签2-目标对象标签1对”所对应的第三内容数据和第三目标对象数据被关联地推荐，操作对象标签1对应的操作对象对该关联推荐的第三内容数据和第三目标对象数据执行操作，表示操作对象标签1对应的操作对象关注所推荐的第三内容数据和第三目标对象数据，可以将操作对象所关注的关联第三内容数据和第三目标对象数据，确定为关联第一内容数据和第一目标对象数据。因此可以将内容标签2和目标对象标签1作为操作对象标签1。以此类推得到多个操作对象标签。然后，基于操作对象标签、内容标签、目标对象标签构建二部图(关联图)。由二部图可知，操作对象标签1与内容标签2和目标对象标签1关联。
根据本公开的实施例，通过关联图得到特征数据，提高了特征数据的准确性，从而提高了基于特征数据进行数据推荐的效果。
图5示意性示出了根据本公开再一实施例的数据推荐方法的流程图。
如图5所示，在图3公开的实施例的基础上，本公开实施例的数据推荐方法500例如还可以包括操作S509～操作S513。操作S509～操作S513例如在图3所示的操作S308之后执行。
在操作S509，将关联图数据输入第一深度学习模型中，得到操作对象特征、内容特征和目标对象特征。
由于内容标签、目标对象标签、操作对象标签是基于语义得到的，因此标签在一定程度上可能难以表示内容、目标对象、操作对象之间的内在关联。有鉴于此，可以将关联图数据输入经训练的第一深度学习模型中进行识别，第一深度学习模型可以识别得到关联图数据之间的内在联系，从而得到操作对象特征、内容特征和目标对象特征。操作对象特征、内容特征和目标对象特征例如为特征向量。第一深度学习模型例如包括图神经网络。
操作对象特征例如表征了操作对象与内容、目标对象之间的内在联系，内容特征例如表征了内容与操作对象、目标对象之间的内在联系，目标对象特征例如表征了目标对象与内容、操作对象之间的内在联系。
在操作S510，基于操作对象特征和内容特征，确定融合特征。
在操作S511，确定融合特征和目标对象特征之间的第二相似度。
例如，将操作对象特征和内容特征进行融合得到融合特征。在一示例中，可以将操作对象特征对应的向量和内容特征对应的向量相加得到融合特征。
在第二相似度满足第二相似度条件的情况下，针对与融合特征关联的内容特征，将与内容特征对应的第二内容数据和第二目标对象数据进行关联推荐。
例如，第二相似度以向量之间的距离来表征，当融合特征和目标对象特征之间的相似度较高时，表示内容特征对应的第二内容数据与目标对象特征对应的第二目标对象数据在较大程度上是关联的，关注第二内容数据的操作对象同时也比较关注第二目标对象数据。因此，可以关联地推荐操作对象所关注的第二内容数据和第二目标对象数据。
在本公开的实施例中，基于语义得到的“内容标签-目标对象标签对”的数量较少，并且可能难以深层次地体现内容数据和目标对象数据的内在关联。因此，通过关联图数据可以确定相似度较高的大量的融合特征和目标对象特征，基于大量关联的融合特征和目标对象特征来推荐关联的第二内容数据和第二目标对象数据，提高了第二目标对象数据的推荐效果和被关注度。
在另一示例中，还可以针对操作对象进行数据推荐。具体参见操作S512～操作S513。
在操作S512，确定与融合特征关联的操作对象特征所对应的候选操作对象。
在操作S513，将与内容特征对应的第二内容数据和第二目标对象数据，关联地推荐给候选操作对象。
由于融合特征是基于内容特征和操作对象特征得到的，因此针对与融合特征对应的操作对象特征，可以将操作对象特征对应的操作对象作为候选操作对象。
然后，在关联推荐第二内容数据和第二目标对象数据时，可以将其推荐给候选操作对象。
根据本公开的实施例，由于融合特征与操作对象特征关联，因此在基于融合特征和目标对象特征的相似度推荐关联的第二内容数据和第二目标对象数据时，可以将数据推荐给候选操作对象，提高了数据推荐的针对性。
图6示意性示出了根据本公开一实施例的数据推荐方法的原理图。
如图6所示，本公开的实施例例如包括操作S601～操作S612。
在操作S601，针对存储于目标对象库中的历史目标对象数据，通过目标对象标签提取模块处理历史目标对象数据，得到目标对象标签。目标对象标签提取模块例如包括自然语言处理模型和深度学习模型。
在操作S602，将提取的目标对象标签存储至目标对象标签库中。
在操作S603，针对存储于内容库中的历史内容数据，通过内容标签提取模块处理历史内容数据，得到内容标签。内容标签提取模块例如包括自然语言处理模型和深度学习模型。
在操作S604，将提取的内容标签存储至内容标签库中。
在操作S605，基于语义匹配模块处理目标对象标签和内容标签，得到关联的“内容标签-目标对象标签对”。
语义匹配模块例如包括经训练的语义匹配模型，语义匹配模型例如包括两个功能。一个功能是将目标对象标签和内容标签进行向量化，另一个功能是将目标对象标签对应的向量和内容标签对应的向量进行相似度匹配，将相似度较高的内容标签和目标对象标签作为“内容标签-目标对象标签对”，此时的“内容标签-目标对象标签对”是基于语义进行关联的。
在操作S606，将关联的“内容标签-目标对象标签对”存储至关联库中。
在操作S607，基于关联库中的“内容标签-目标对象标签对”，关联地推荐第三内容数据和第三目标对象数据。
在操作S608，接收操作对象针对关联推荐的第一内容数据和第一目标对象数据的操作。
例如，第一内容数据为第三内容数据中的至少部分，第一目标对象数据为第三目标对象数据中的至少部分。
在操作S609，基于操作对象针对推荐数据的操作得到操作数据。
在操作S610，将操作数据发送给兴趣匹配模块。
在操作S611，兴趣匹配模块基于操作数据、目标对象标签、内容标签，得到关联的融合特征和目标对象特征。
例如，针对操作数据所针对的关联第一内容数据和第一目标对象数据，基于内容特征和目标对象标签确定操作对象标签。然后，基于操作对象标签、与操作对象标签关联的内容标签、与操作对象关联的目标对象标签确定关联图数据。然后，基于关联图数据得到操作对象特征、内容特征和目标对象特征，基于操作对象特征和内容特征确定融合特征。其中，操作对象特征表征了操作对象对内容和目标对象的兴趣信息。
在操作S612，将关联的融合特征和目标对象特征存储至关联库，以便基于关联的融合特征和目标对象特征关联地推荐第二内容数据和第二目标对象数据。
示例性地，将关联的融合特征和目标对象特征存储至关联库，丰富了关联库的内容，提高了数据推荐的效果。例如，基于融合特征和目标对象特征之间的相似度，确定与融合特征关联的操作对象特征所对应的候选操作对象，并将内容数据和目标对象数据关联地推荐给候选操作对象，提高了数据推荐的针对性。
图7示意性示出了根据本公开一实施例的数据推荐装置的框图。
如图7所示，本公开实施例的数据推荐装置700例如包括第一获取模块710、第一确定模块720、第二确定模块730以及第一推荐模块740。
第一获取模块710可以用于获取操作对象的操作数据，其中，操作数据与第一内容数据和第一目标对象数据相关联。根据本公开实施例，第一获取模块710例如可以执行上文参考图2描述的操作S210，在此不再赘述。
第一确定模块720可以用于基于操作数据，确定操作对象特征、内容特征和目标对象特征。根据本公开实施例，第一确定模块720例如可以执行上文参考图2描述的操作S220，在此不再赘述。
第二确定模块730可以用于基于操作对象特征和内容特征，确定融合特征。根据本公开实施例，第二确定模块730例如可以执行上文参考图2描述的操作S230，在此不再赘述。
第一推荐模块740可以用于基于融合特征和目标对象特征，关联地推荐第二内容数据和第二目标对象数据。根据本公开实施例，第一推荐模块740例如可以执行上文参考图2描述的操作S240，在此不再赘述。
根据本公开实施例，装置700还可以包括：第二获取模块，用于获取至少一个内容标签和至少一个目标对象标签。其中，第一确定模块720包括：第一确定子模块、第二确定子模块、第三确定子模块和输入子模块。第一确定子模块，用于基于操作数据，从至少一个内容标签和至少一个目标对象标签中确定与操作对象相关联的内容标签和与操作对象相关联的目标对象标签；第二确定子模块，用于基于与操作对象相关联的内容标签和目标对象标签，确定操作对象标签；第三确定子模块，用于基于操作对象标签、与操作对象相关联的内容标签和与操作对象相关联的目标对象标签，确定关联图数据；输入子模块，用于将关联图数据输入第一深度学习模型中，得到操作对象特征、内容特征和目标对象特征。
根据本公开实施例，装置700还可以包括：第三确定模块和第二推荐模块。第三确定模块，用于基于至少一个内容标签与至少一个目标对象标签之间的第一相似度，确定第一相似度满足第一相似度条件的相关联内容标签和目标对象标签；第二推荐模块，用于基于相关联内容标签和目标对象标签，关联地推荐第三内容数据和第三目标对象数据，其中，第一内容数据为第三内容数据中的至少部分，第一目标对象数据为第三目标对象数据中的至少部分。
根据本公开实施例，第一确定子模块包括：第一确定单元和第二确定单元。第一确定单元，用于从关联推荐的第三内容数据和第三目标对象数据中，确定操作数据针对的关联第一内容数据和第一目标对象数据；第二确定单元，用于基于操作数据针对的关联第一内容数据和第一目标对象数据，确定与操作对象相关联的内容标签和与操作对象相关联的目标对象标签。
根据本公开实施例，第一推荐模块740包括：第四确定子模块和推荐子模块。第四确定子模块，用于确定融合特征和目标对象特征之间的第二相似度；推荐子模块，用于响应于第二相似度满足第二相似度条件，针对与融合特征关联的内容特征，将与内容特征对应的第二内容数据和第二目标对象数据进行关联推荐。
根据本公开实施例，推荐子模块包括：第三确定单元和推荐单元。第三确定单元，用于确定与融合特征关联的操作对象特征所对应的候选操作对象；推荐单元，用于将与内容特征对应的第二内容数据和第二目标对象数据，关联地推荐给候选操作对象。
根据本公开实施例，第二获取模块包括：第一处理子模块和第二处理子模块。第一处理子模块，用于利用第一自然语言处理模型和第二深度学习模型中的至少一个，对至少一个历史内容数据进行数据处理，得到与各个历史内容数据对应的至少一个内容标签；第二处理子模块，用于利用第二自然语言处理模型和第三深度学习模型中的至少一个，对至少一个历史目标对象数据进行数据处理，得到与各个历史目标对象数据对应的至少一个目标对象标签。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，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。
图8是用来实现本公开实施例的用于执行数据推荐的电子设备的框图。
图8示出了可以用来实施本公开实施例的示例电子设备800的示意性框图。电子设备800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8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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801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801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801执行上文所描述的各个方法和处理，例如数据推荐方法。例如，在一些实施例中，数据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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的数据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801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行数据推荐方法。
本文中以上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、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(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数据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。程序代码可以完全在机器上执行、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，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 (17)

1.一种数据推荐方法，包括：
获取操作对象的操作数据，其中，所述操作数据与第一内容数据和第一目标对象数据相关联；
基于所述操作数据，确定操作对象特征、内容特征和目标对象特征；
基于所述操作对象特征和所述内容特征，确定融合特征；以及
基于所述融合特征和所述目标对象特征，关联地推荐第二内容数据和第二目标对象数据。
2.根据权利要求1所述的方法，还包括：
获取至少一个内容标签和至少一个目标对象标签；
其中，所述基于所述操作数据，确定操作对象特征、内容特征和目标对象特征包括：
基于操作数据，从所述至少一个内容标签和所述至少一个目标对象标签中确定与所述操作对象相关联的内容标签和与所述操作对象相关联的目标对象标签；
基于与所述操作对象相关联的内容标签和与所述操作对象相关联的目标对象标签，确定操作对象标签；
基于所述操作对象标签、与所述操作对象相关联的内容标签和与所述操作对象相关联的目标对象标签，确定关联图数据；以及
将所述关联图数据输入第一深度学习模型中，得到所述操作对象特征、所述内容特征和所述目标对象特征。
3.根据权利要求2所述的方法，在所述获取操作对象的操作数据之前，还包括：
基于所述至少一个内容标签与所述至少一个目标对象标签之间的第一相似度，确定第一相似度满足第一相似度条件的相关联内容标签和目标对象标签；以及
基于相关联内容标签和目标对象标签，关联地推荐第三内容数据和第三目标对象数据，其中，所述第一内容数据为所述第三内容数据中的至少部分，所述第一目标对象数据为所述第三目标对象数据中的至少部分。
4.根据权利要求2或3所述的方法，其中，所述基于操作数据，从所述至少一个内容标签和所述至少一个目标对象标签中确定与所述操作对象相关联的内容标签和与所述操作对象相关联的目标对象标签包括：
从关联推荐的第三内容数据和第三目标对象数据中，确定所述操作数据针对的关联第一内容数据和第一目标对象数据；以及
基于所述操作数据针对的关联第一内容数据和第一目标对象数据，确定与所述操作对象相关联的内容标签和与所述操作对象相关联的目标对象标签。
5.根据权利要求1所述的方法，其中，所述基于所述融合特征和所述目标对象特征，关联地推荐第二内容数据和第二目标对象数据包括：
确定所述融合特征和所述目标对象特征之间的第二相似度；以及
响应于所述第二相似度满足第二相似度条件，针对与所述融合特征关联的内容特征，将与所述内容特征对应的第二内容数据和第二目标对象数据进行关联推荐。
6.根据权利要求5所述的方法，其中，所述将与所述内容特征对应的第二内容数据和第二目标对象数据进行关联推荐包括：
确定与所述融合特征关联的操作对象特征所对应的候选操作对象；以及
将与所述内容特征对应的第二内容数据和第二目标对象数据，关联地推荐给所述候选操作对象。
7.根据权利要求2所述的方法，其中，所述获取至少一个内容标签和至少一个目标对象标签包括：
利用第一自然语言处理模型和第二深度学习模型中的至少一个，对至少一个历史内容数据进行数据处理，得到与各个历史内容数据对应的至少一个内容标签；以及
利用第二自然语言处理模型和第三深度学习模型中的至少一个，对至少一个历史目标对象数据进行数据处理，得到与各个历史目标对象数据对应的至少一个目标对象标签。
8.一种数据推荐装置，包括：
第一获取模块，用于获取操作对象的操作数据，其中，所述操作数据与第一内容数据和第一目标对象数据相关联；
第一确定模块，用于基于所述操作数据，确定操作对象特征、内容特征和目标对象特征；
第二确定模块，用于基于所述操作对象特征和所述内容特征，确定融合特征；以及
第一推荐模块，用于基于所述融合特征和所述目标对象特征，关联地推荐第二内容数据和第二目标对象数据。
9.根据权利要求8所述的装置，还包括：
第二获取模块，用于获取至少一个内容标签和至少一个目标对象标签；
其中，所述第一确定模块包括：
第一确定子模块，用于基于操作数据，从所述至少一个内容标签和所述至少一个目标对象标签中确定与所述操作对象相关联的内容标签和与所述操作对象相关联的目标对象标签；
第二确定子模块，用于基于与所述操作对象相关联的内容标签和与所述操作对象相关联的目标对象标签，确定操作对象标签；
第三确定子模块，用于基于所述操作对象标签、与所述操作对象相关联的内容标签和与所述操作对象相关联的目标对象标签，确定关联图数据；以及
输入子模块，用于将所述关联图数据输入第一深度学习模型中，得到所述操作对象特征、所述内容特征和所述目标对象特征。
10.根据权利要求9所述的装置，还包括：
第三确定模块，用于基于所述至少一个内容标签与所述至少一个目标对象标签之间的第一相似度，确定第一相似度满足第一相似度条件的相关联内容标签和目标对象标签；以及
第二推荐模块，用于基于相关联内容标签和目标对象标签，关联地推荐第三内容数据和第三目标对象数据，其中，所述第一内容数据为所述第三内容数据中的至少部分，所述第一目标对象数据为所述第三目标对象数据中的至少部分。
11.根据权利要求9或10所述的装置，其中，所述第一确定子模块包括：
第一确定单元，用于从关联推荐的第三内容数据和第三目标对象数据中，确定所述操作数据针对的关联第一内容数据和第一目标对象数据；以及
第二确定单元，用于基于所述操作数据针对的关联第一内容数据和第一目标对象数据，确定与所述操作对象相关联的内容标签和与所述操作对象相关联的目标对象标签。
12.根据权利要求8所述的装置，其中，所述第一推荐模块包括：
第四确定子模块，用于确定所述融合特征和所述目标对象特征之间的第二相似度；以及
推荐子模块，用于响应于所述第二相似度满足第二相似度条件，针对与所述融合特征关联的内容特征，将与所述内容特征对应的第二内容数据和第二目标对象数据进行关联推荐。
13.根据权利要求12所述的装置，其中，所述推荐子模块包括：
第三确定单元，用于确定与所述融合特征关联的操作对象特征所对应的候选操作对象；以及
推荐单元，用于将与所述内容特征对应的第二内容数据和第二目标对象数据，关联地推荐给所述候选操作对象。
14.根据权利要求9所述的装置，其中，所述第二获取模块包括：
第一处理子模块，用于利用第一自然语言处理模型和第二深度学习模型中的至少一个，对至少一个历史内容数据进行数据处理，得到与各个历史内容数据对应的至少一个内容标签；以及
第二处理子模块，用于利用第二自然语言处理模型和第三深度学习模型中的至少一个，对至少一个历史目标对象数据进行数据处理，得到与各个历史目标对象数据对应的至少一个目标对象标签。
15.一种电子设备，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1-7中任一项所述的方法。
16.一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1-7中任一项所述的方法。
17.一种计算机程序产品，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1-7中任一项所述的方法。
CN202111428416.XA 2021-11-26 2021-11-26 数据推荐方法、装置、电子设备和介质 Active CN114036397B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202111428416.XA CN114036397B (zh) 2021-11-26 2021-11-26 数据推荐方法、装置、电子设备和介质
US17/993,775 US20230085684A1 (en) 2021-11-26 2022-11-23 Method of recommending data, electronic device, and medium
EP22209296.7A EP4134885A3 (en) 2021-11-26 2022-11-24 Method and apparatus of recommending data, electronic device, and medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111428416.XA CN114036397B (zh) 2021-11-26 2021-11-26 数据推荐方法、装置、电子设备和介质

Publications (2)

Publication Number Publication Date
CN114036397A true CN114036397A (zh) 2022-02-11
CN114036397B CN114036397B (zh) 2023-08-01

Family

ID=80139038

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111428416.XA Active CN114036397B (zh) 2021-11-26 2021-11-26 数据推荐方法、装置、电子设备和介质

Country Status (3)

Country Link
US (1) US20230085684A1 (zh)
EP (1) EP4134885A3 (zh)
CN (1) CN114036397B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116108282B (zh) * 2023-04-12 2023-08-29 荣耀终端有限公司 一种信息推荐模型的训练方法、信息推荐方法及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010113557A (ja) * 2008-11-07 2010-05-20 Nippon Telegr & Teleph Corp <Ntt> レコメンデーション装置、レコメンデーション方法およびレコメンデーションプログラム
CN106202317A (zh) * 2016-07-01 2016-12-07 传线网络科技（上海）有限公司 基于视频的商品推荐方法及装置
CN109241420A (zh) * 2018-08-24 2019-01-18 北京金山安全软件有限公司 应用首页内容推荐方法、装置、计算机设备和存储介质
CN111291266A (zh) * 2020-02-13 2020-06-16 腾讯科技（北京）有限公司 基于人工智能的推荐方法、装置、电子设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376309B (zh) * 2018-12-28 2022-05-17 北京百度网讯科技有限公司 基于语义标签的文档推荐方法和装置
CN111382352B (zh) * 2020-03-02 2021-03-26 腾讯科技（深圳）有限公司 数据推荐方法、装置、计算机设备以及存储介质
CN111708964B (zh) * 2020-05-27 2023-06-20 北京百度网讯科技有限公司 多媒体资源的推荐方法、装置、电子设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010113557A (ja) * 2008-11-07 2010-05-20 Nippon Telegr & Teleph Corp <Ntt> レコメンデーション装置、レコメンデーション方法およびレコメンデーションプログラム
CN106202317A (zh) * 2016-07-01 2016-12-07 传线网络科技（上海）有限公司 基于视频的商品推荐方法及装置
CN109241420A (zh) * 2018-08-24 2019-01-18 北京金山安全软件有限公司 应用首页内容推荐方法、装置、计算机设备和存储介质
CN111291266A (zh) * 2020-02-13 2020-06-16 腾讯科技（北京）有限公司 基于人工智能的推荐方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
EP4134885A3 (en) 2023-05-24
US20230085684A1 (en) 2023-03-23
EP4134885A2 (en) 2023-02-15
CN114036397B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN109460513B (zh) 用于生成点击率预测模型的方法和装置
CN109522483B (zh) 用于推送信息的方法和装置
CN107506495B (zh) 信息推送方法和装置
CN109947788B (zh) 数据查询方法和装置
CN107679217B (zh) 基于数据挖掘的关联内容提取方法和装置
CN108984554B (zh) 用于确定关键词的方法和装置
CN113590776A (zh) 基于知识图谱的文本处理方法、装置、电子设备及介质
CN111782785B (zh) 自动问答方法、装置、设备以及存储介质
CN111339406A (zh) 个性化推荐方法、装置、设备及存储介质
CN112818111A (zh) 文档推荐方法、装置、电子设备和介质
CN110059172B (zh) 基于自然语言理解的推荐答案的方法和装置
EP4134885A2 (en) Method and apparatus of recommending data, electronic device, and medium
CN107291923B (zh) 信息处理方法和装置
CN113590756A (zh) 信息序列生成方法、装置、终端设备和计算机可读介质
CN110827101B (zh) 一种店铺推荐的方法和装置
CN111782850A (zh) 一种基于手绘图的物品搜索方法和装置
CN113722593B (zh) 事件数据处理方法、装置、电子设备和介质
CN116048463A (zh) 基于标签管理的需求项内容智能推荐方法及装置
CN113656689B (zh) 模型生成方法和网络信息的推送方法
CN113360672B (zh) 用于生成知识图谱的方法、装置、设备、介质和产品
CN114048315A (zh) 确定文档标签的方法、装置、电子设备和存储介质
CN111680508B (zh) 文本的处理方法和装置
CN113239273A (zh) 用于生成文本的方法、装置、设备以及存储介质
CN113743973A (zh) 分析市场热点趋势的方法和装置
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
GR01 Patent grant
GR01 Patent grant