CN114116816A - 一种推荐方法及装置 - Google Patents
一种推荐方法及装置 Download PDFInfo
- Publication number
- CN114116816A CN114116816A CN202111371783.0A CN202111371783A CN114116816A CN 114116816 A CN114116816 A CN 114116816A CN 202111371783 A CN202111371783 A CN 202111371783A CN 114116816 A CN114116816 A CN 114116816A
- Authority
- CN
- China
- Prior art keywords
- elements
- determining
- click rate
- recommendation
- types
- 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书公开了一种推荐方法及装置,通过推荐请求中携带的用户数据和元素数据,确定各元素的元素特征,进而基于各元素特征,通过预先训练好的点击率预估模型,确定各元素分别对应的点击率,针对每类元素,根据该类元素中各元素分别对应的点击率,确定该类元素对应的候选推荐元素,并依次针对每个其他类型,根据该其他类型中各元素分别与该候选推荐元素的相关度,以及该其他类型中各元素分别对应的点击率,确定候选推荐内容,并基于各候选推荐内容,确定推荐内容进行推荐。本方案在确定推荐内容时,不仅考虑到了各元素的点击率,还考虑到了各元素之间的相关度,则在向用户进行推荐时,确定出的推荐内容准确,推荐精度较高。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种推荐方法及装置。
背景技术
目前,随着计算机技术的发展,如何从海量信息中选择有价值的信息,进而向用户推荐合适的内容,已经成为服务提供方需要解决的问题之一。而推荐方法由于可以基于用户的历史行为向用户推荐合适的内容的特性,被广泛应用于服务提供方为用户提供服务的场景中。
在现有技术中,一种常用的推荐方法是基于构成推荐内容的各元素的元素类型实现的。具体的,可首先确定构成推荐内容的各元素的元素类型,如,图片、标题等。然后,针对每种类型,训练得到该类型对应的打分模型,进而基于该打分模型,对该类型包含的每个元素进行打分。最后,根据打分结果,将各类型中得分最高的元素进行组合,并将组合结果进行推荐。
但是,现有技术忽略了各元素的语义之间的相关性,使得确定出的推荐内容包含的元素虽然在各元素类型中得分最高,但彼此之间可能并不相关,甚至互斥。则在向用户进行推荐时,确定出的推荐内容不准确,推荐精度较低。
发明内容
本说明书提供一种推荐方法及装置,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供一种推荐方法,包括:
根据接收到的推荐请求,确定所述推荐请求对应的用户数据和元素数据;
对各元素进行特征提取,确定各元素特征,并将各元素特征分别作为输入,输入到预先训练好的点击率预估模型中,确定各元素分别对应的点击率;
针对每类元素,根据该类元素中各元素分别对应的点击率,确定该类元素对应的候选推荐元素,并依次针对每个其他类型,根据所述候选推荐元素与该其他类型中各元素的相关度,以及该其他类型中各元素分别对应的点击率,确定候选推荐内容;
根据确定出的各候选推荐内容,确定推荐内容。
可选地,根据接收到的推荐请求,确定所述推荐请求对应的用户数据和元素数据,具体包括:
根据接收到的推荐请求,确定所述推荐请求中携带的用户标识;
根据所述用户标识,确定所述用户标识对应的用户数据;
确定用于推荐的元素标识,并根据所述元素标识,从预存的各数据中,确定用于推荐的各元素,作为元素数据。
可选地,对各元素进行特征提取,确定各元素特征,具体包括:
针对每类元素中的每个元素,根据其他类型的各元素的特征和该元素的特征,确定其他类型的各元素分别与该元素的之间的相关度;
根据其他类型的各元素分别对应的特征及其与该元素的相关度,以及该元素的特征,确定该元素对应的元素特征。
可选地,根据其他类型的各元素分别对应的特征及其与该元素的相关度,以及该元素的特征,确定该元素对应的元素特征,具体包括:
根据其他类型的各元素分别与该元素的相关度,确定其他类型的各元素分别对应的权重;
根据其他类型的各元素分别对应的特征及其权重,进行加权求和,确定该元素的辅助特征;
将所述辅助特征和该元素的特征进行融合,确定该元素的元素特征。
可选地,根据该类元素中各元素分别对应的点击率,确定该类元素对应的候选推荐元素,具体包括:
根据该类元素中各元素分别对应的点击率,对各元素进行排序;
从所述排序中,选择指定排位前的元素,作为候选推荐元素。
可选地,依次针对每个其他类元素,根据所述候选推荐元素与其他类元素中各元素的相关度,以及其他类元素中各元素分别对应的点击率,确定候选推荐内容,具体包括:
依次针对每个其他类型,将所述候选推荐元素与该其他类型中的各元素分别进行组合,得到各组合结果;
根据所述候选推荐元素与该其他类型中各元素的相关度,以及该其他类型中各元素分别对应的点击率,确定各组合结果分别对应的点击率;
根据各组合结果分别对应的点击率,对各组合结果进行排序;
根据所述排序,选择指定排位前的组合结果,作为候选推荐内容。
可选地,根据确定出的各候选推荐内容,确定推荐内容,具体包括:
针对每个候选推荐内容,确定构成该候选推荐内容的各元素,并确定各元素分别对应的约束条件,所述约束条件为所述元素的元素数据中携带的;
根据各候选推荐内容分别对应的约束条件,对各候选推荐内容的点击率进行更新;
根据更新后的各候选推荐内容的点击率,确定推荐内容。
本说明书提供一种推荐装置,包括:
第一确定模块,用于根据接收到的推荐请求,确定所述推荐请求对应的用户数据和元素数据;
点击率确定模块,用于对各元素进行特征提取,确定各元素特征,并将各元素特征分别作为输入,输入到预先训练好的点击率预估模型中,确定各元素分别对应的点击率;
第二确定模块,用于针对每类元素,根据该类元素中各元素分别对应的点击率,确定该类元素对应的候选推荐元素,并依次针对每个其他类型,根据所述候选推荐元素与该其他类型中各元素的相关度,以及该其他类型中各元素分别对应的点击率,确定候选推荐内容;
推荐模块,用于根据确定出的各候选推荐内容,确定推荐内容。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述推荐方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述推荐方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的推荐方法中,通过推荐请求中携带的用户数据和元素数据,确定各元素的元素特征,进而基于各元素特征,通过预先训练好的点击率预估模型,确定各元素分别对应的点击率,针对每类元素,根据该类元素中各元素分别对应的点击率,确定该类元素对应的候选推荐元素,并依次针对每个其他类型,根据该其他类型中各元素分别与该候选推荐元素的相关度,以及该其他类型中各元素分别对应的点击率,确定候选推荐内容,并基于各候选推荐内容,确定推荐内容进行推荐。
从上述方法中可以看出,本方案在确定推荐内容时,不仅考虑到了各元素的点击率,还考虑到了各元素之间的相关度,则在向用户进行推荐时,确定出的推荐内容准确,推荐精度较高。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书提供的推荐方法的流程示意图;
图2为本说明书提供的确定候选推荐内容的示意图;
图3为本说明书提供的推荐装置;
图4为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的推荐方法的流程示意图,具体包括以下步骤:
S100:根据接收到的推荐请求,确定所述推荐请求对应的用户数据和元素数据。
一般的,在内容推荐领域,可通过推荐方法,基于接收到的推荐请求中的用户数据,从组成推荐内容的各类元素中,选择能够吸引用户点击的各元素进行组合,并将组合结果展示给用户,向用户进行推荐。基于此,可首先接收用户发送的推荐请求。其中,针对每类元素,可从该元素中确定一个元素用于构成该推荐内容。
在本说明书提供的一个或多个实施例中,该推荐方法针对的是用户点击到含有推荐位的界面中,由服务提供方确定向用户展示的推荐内容,并将推荐内容进行展示的场景。且该推荐方法具体可由服务器执行。
具体的,该服务器可接收用户发送的推荐请求,其中,该推荐请求中携带有该用户的用户数据。
其次,该服务器可根据该推荐请求,确定该用户的用户数据。
然后,该服务器可随机确定用于向用户推荐的商户,并确定该商户的商户标识。
最后,该服务器可根据该商户标识,确定该商户对应的创意元素池,并将该创意元素池中包含的各元素,作为用于确定推荐内容的各元素数据。
其中,该创意元素池中的各元素,可为服务提供方提供的,也可为商户上传的。当然,各元素可包括服务提供方提供的各元素和该商户上传的各元素。
需要说明的是,上述用户数据还可为推荐请求中携带有用户标识,由服务器根据用户标识确定该用户对应的用户数据。其中,该用户数据包括用户的画像信息和用户的历史行为信息等。
S102:对各元素进行特征提取,确定各元素特征,并将各元素特征作为输入,输入到预先训练好的点击率预估模型中,确定各元素分别对应的点击率。
区别于现有技术中针对每类元素,训练该类元素对应的打分模型,并基于该类型的打分模型,从该类元素中的各元素中,选择得分最高的元素,与其他类元素中的得分最高的元素进行组合,确定组合结果为推荐内容进行推荐,忽略了各元素的语义之间的联系。本说明书提供一种新的推荐方法,在基于语义相近的元素组成的推荐内容的点击率较高的假设的基础上可针对每种类型中的每个元素,根据该元素的特征与其他类型的各元素的相关度,以及其他类型的各元素的点击率,确定候选推荐内容,进而基于各候选推荐内容,确定推荐内容。考虑到了不同元素的语义之间的关系,以及各元素是否相关。
基于此,该服务器可首先确定各元素分别对应的点击率。
在本说明书提供的一个或多个实施例中,由于各元素类型对应的元素大小不一,如,通常图像元素对应的数据量比标题元素对应的数据量大。而一般情况下,输入模型的元素的尺寸需要保持一致,因此,该服务器可对各元素进行特征提取,确定各元素的特征。
具体的,针对每个元素,该服务器可将步骤S100中确定出的用户数据,以及该元素,输入到预先训练好的特征提取模型,得到该特征提取模型输出的元素特征。其中,该特征提取模型可为全连接层,也可为其他的能够提取图像特征的模型,可接收不同维度的输入,且能够输出相同维度的特征。具体通过何种特征提取模型提取图像的特征可根据需要进行设置,本说明书对此不做限制。
然后,该服务器可将各元素特征分别作为输入,输入到预先训练哈珀的点击率预估模型中,得到各元素分别对应的点击率。
其中,该点击率预估模型,具体可采用下述方法训练得到:
获取各用户的历史点击日志,并从确定出的各历史点击日志中,确定各用户已点击的推荐内容和各用户未点击的推荐内容。
该服务器可将各推荐内容进行拆分,确定各元素,作为各训练样本,并将组成用户已点击的推荐内容的各元素确定为正样本,即,将其标注确定为已点击。将组成用户未点击的推荐内容的各元素确定为负样本,即,将其标注确定为未点击。当然,该已点击和未点击可用数字来进行表示,如,已点击为1,未点击为0。
之后,该服务器可将各训练样本分别作为输入,输入到待训练的点击率预估模型中,确定各训练样本分别对应的点击率,并根据各训练样本的点击率及其标注,对该点击率预估模型进行训练。
S104:针对每类元素,根据该类元素中各元素分别对应的点击率,确定该类元素对应的候选推荐元素,并依次针对每个其他类型,根据所述候选推荐元素和该其他类型中各元素的相关度,以及该其他类型中各元素分别对应的点击率,确定候选推荐内容。
在本说明书提供的一个或多个实施例中,为了避免将各类元素分别进行组合,确定出的组合数量过多,使得确定推荐内容的时间过长。因此,针对每类元素,该服务器可首先确定该类元素对应的候选推荐元素。
具体的,该服务器可针对每类元素,首先确定该类元素中,各元素分别对应的点击率。
然后,该服务器可根据各点击率,对各元素进行排序。
最后,该服务器可根据该排序,从该排序中,选择指定排位前的元素,作为候选推荐元素。其中,该指定排位具体可根据需要进行设置,如,选择排序中最高的元素,选择排序中最高和次高的元素等,本说明书对此不做限制。
进一步的,在确定出该类元素的候选推荐元素后,该服务器可依次针对每个其他类型,根据该候选推荐元素与该其他类型中各元素之间的相关度,确定候选推荐内容。
具体的,首先,该服务器可依次针对每个其他类型,将该候选推荐元素与该类型中的各元素分别进行组合,确定各组合结果。
其次,该服务器可确定该候选推荐元素与该其他类型中各元素之间的相关度。其中,该相关度可为两两元素的元素特征之间的内积、欧氏距离、余弦距离等,具体的相关度确定方式可根据需要进行设置,本说明书对此不做限制。
然后,该服务器可根据确定出的该候选推荐元素和该其他类型中各元素之间的相关度,该候选推荐元素的点击率,以及该其他类型中各元素分别对应的点击率,确定各组合结果分别对应的点击率。
最后,该服务器可针对根据各点击率,对各组合结果进行排序,并选择指定排位前的组合结果,作为候选推荐内容。
当然,由于在确定点击率时,针对每个候选推荐元素,该元素组成的组合结果中,该候选推荐元素对应的点击率是相同的,因此,在确定组合结果对应的点击率时,可仅根据确定出的该候选推荐元素和该其他类型中各元素之间的相关度,以及该其他类型中各元素分别对应的点击率确定。
更进一步的,由于组成推荐内容的元素类型可能有多个,因此,该服务器可依次针对每个其他类型,确定该其他类型对应的候选推荐组合,并将该候选推荐组合作为候选推荐元素,继续确定各其他类型的候选推荐组合,直至该候选推荐组合中的元素类型包含各类型为止,则该服务器可将该确定出的候选推荐组合,作为候选推荐内容。如图2所示。
图2为本说明书提供的确定候选推荐内容的示意图。图中,组成推荐内容的元素有三类,分别为图片、标题和内容,且各类元素中的元素个数分别为4个,如图中的图片1、2、3、4,标题1、2、3、4,内容1、2、3、4所示。其中,图片1、2、3、4对应的点击率分别为0.1、0.9、0.2、0.4。以候选推荐元素的数量为1为例,则图片2为候选推荐元素。图中虚线框中,表示点击率最高的元素/组合。箭头表示候选推荐元素/组合与其他类型的元素中各元素进行组合。箭头对应的数字表示相关度。元素下方的数字为各元素分别对应的点击率。显然,根据上述内容,可确定图片对应的候选推荐内容,即,图片作为候选推荐元素确定的候选推荐内容,为图片2、标题1、内容1组合成的候选推荐内容。
当然,分别以标题和内容作为推荐候选元素,均能确定候选推荐内容,在依次针对每个其他类型,确定候选推荐内容时,其他类型的选择为随机确定的,当然,也可为预设的,具体如何确定依次针对的每个其他类型、候选推荐内容的确定方式以及确定出的候选推荐内容的数量可根据需要进行设置,本说明书对此不做限制。
S106:根据确定出的各候选推荐内容,确定推荐内容。
在本说明书提供的一个或多个实施例中,由于针对类元素,都可确定候选推荐内容,因此,在确定出各候推荐内容后,该服务器可根据各候选推荐内容分别对应的点击率,对各候选推荐内容进行排序,并根据该排序,确定推荐内容。
进一步的,在本说明书提供的一个或多个实施例中,针对每个类型,该类型中的各元素往往存在约束条件。以图片和主标题为例,图片类型中,每张图片中能够允许放置的主标题的文字长度可能不同,因此,该服务器在确定推荐内容时,还可根据各候选元素的约束条件确定。
具体的,该服务器可针对每个候选推荐内容,确定构成该候选推荐内容的各元素,并确定各元素对应的约束条件,作为该候选推荐内容的约束推哦啊见。其中,该约束条件为元素数据中携带的。
然后,该服务器可根据各约束条件,选择满足约束条件的候选推荐内容,作为推荐内容。
当然,该服务器也可对各约束条件分别预设负向权重,当候选推荐内容不满足约束条件时,根据候选推荐内容不满足的约束条件对应的权重,将该候选推荐内容对应的点击率进行更新。并根据更新后的各待推荐内容的点击率,确定推荐内容。
基于图1的推荐方法,通过推荐请求中携带的用户数据和元素数据,确定各元素的元素特征,进而基于各元素特征,通过预先训练好的点击率预估模型,确定各元素分别对应的点击率,针对每类元素,根据该类元素中各元素分别对应的点击率,确定该类元素对应的候选推荐元素,并依次针对每个其他类型,根据该其他类型中各元素分别与该候选推荐元素的相关度,以及该其他类型中各元素分别对应的点击率,确定候选推荐内容,并基于各候选推荐内容,确定推荐内容进行推荐。本方案在确定推荐内容时,不仅考虑到了各元素的点击率,还考虑到了各元素之间的相关度,则在向用户进行推荐时,确定出的推荐内容准确,推荐精度较高。
进一步的,为了确定出包含语义关系更接近的元素的候选推荐内容,该服务器可针对每个元素,用其他类元素的特征来辅助表征该元素,以使语义关系接近的元素的相似度更高,语义关系较远的元素的相似度更低。则该服务器在确定各元素的元素特征时,可针对每个类型中的每个元素,根据该元素和其他类型的各元素的相关度,确定该元素的重构特征,作为元素特征。
具体的,该服务器可针对每类元素中的每个元素,确定其他类型的各元素与该元素之间的相关度。
然后,该服务器可根据其他类型的各元素分别对应的特征及其与该元素的相关度,以及该元素的特征,确定该元素对应的元素特征。
其中,在确定该元素的元素特征时,该服务器可首先根据其他类型的各元素分别与该元素的相关度,确定其他类型的各元素分别对应的权重。
然后,该服务器可根据其他类型的各元素分别对应的特征及其权重,进行加权求和,确定该元素的辅助特征。
最后,该服务器可将所述辅助特征和该元素的特征进行融合,确定该元素的重构特征,作为元素特征。其中,该融合方式可为拼接、相加等方式,具体的两特征之间进行融合确定融合特征的方式可根据需要进行设置,本说明书对此不做限制。
进一步的,为了使得上述重构向量能够更好地表征其他类的元素对于该元素的影响,因此,该服务器还可通过自注意力机制,确定该元素的重构特征。
具体的,针对每个类型中的每个元素,该服务器可首先确定该元素的特征,以及其他类型的各元素的第一特征和第二特征,所述第一特征用于确定该元素和所述其他元素的相关度。
然后,该服务器可将该推荐内容和其他各元素的特征作为输入,输入注意力模型,确定其他各元素相对于该元素的权重,并根据其他各元素相对于该元素的权重,以及各元素的第二特征,确定该元素的辅助特征。
最后,该服务器可将该元素对应的特征和该辅助特征进行融合,确定元素特征。
另外,在本说明书提供的一个或多个实施例中,在步骤S102中,训练点击率预估模型时,针对每个训练样本,该训练样本对应的损失可不仅根据该训练样本的损失进行确定,还可根据其他的训练样本进行确定。
其中,针对每类元素,该类元素对应的损失,可为针对该类元素对应的每个训练样本,根据该训练样本对应的点击率和该类元素对应的各点击率之和的比值确定。也就是说,该点击率预估模型的目标是,是针对每类元素,使该类元素中的某元素的点击率为1,其他点击率为0。
另外,在训练点击率预估模型时,通常会使用GRU单元进行训练。具体的,该服务器可将各训练样本作为输入,输入到待训练的点击率预估模型的GRU单元中,确定各训练样本分别对应的第三特征和第四特征,并确定该第三特征和第四特征的权重。并针对每类元素,将该元素对应的训练样本进行连接,并根据连接结果,确定各训练样本分别对应的点击率。
以上为本说明书的一个或多个实施例提供的推荐方法和关键词提取方法,基于同样的思路,本说明书还提供了相应的推荐装置和关键词提取装置,如图所示。
图3为本说明书提供的推荐装置,包括:
第一确定模块200,用于根据接收到的推荐请求,确定所述推荐请求对应的用户数据和元素数据。
点击率确定模块202,用于对各元素进行特征提取,确定各元素特征,并将各元素特征分别作为输入,输入到预先训练好的点击率预估模型中,确定各元素分别对应的点击率。
第二确定模块204,用于针对每类元素,根据该类元素中各元素分别对应的点击率,确定该类元素对应的候选推荐元素,并依次针对每个其他类型,根据所述候选推荐元素与该其他类型中各元素的相关度,以及该其他类型中各元素分别对应的点击率,确定候选推荐内容。
推荐模块206,用于根据确定出的各候选推荐内容,确定推荐内容。
可选地,所述第一确定模块200,用于根据接收到的推荐请求,确定所述推荐请求中携带的用户标识,根据所述用户标识,确定所述用户标识对应的用户数据,确定用于推荐的元素标识,并根据所述元素标识,从预存的各数据中,确定用于推荐的各元素,作为元素数据。
可选地,所述点击率确定模块202,用于针对每类元素中的每个元素,根据其他类型的各元素的特征和该元素的特征,确定其他类型的各元素分别与该元素的之间的相关度,根据其他类型的各元素分别对应的特征及其与该元素的相关度,以及该元素的特征,确定该元素对应的元素特征。
可选地,所述点击率确定模块202,用于根据其他类型的各元素分别与该元素的相关度,确定其他类型的各元素分别对应的权重,根据其他类型的各元素分别对应的特征及其权重,进行加权求和,确定该元素的辅助特征,将所述辅助特征和该元素的特征进行融合,确定该元素的元素特征。
可选地,所述第二确定模块204,用于根据该类元素中各元素分别对应的点击率,对各元素进行排序,从所述排序中,选择指定排位前的元素,作为候选推荐元素。
可选地,所述第二确定模块204,用于依次针对每个其他类型,将所述候选推荐元素与该其他类型中的各元素分别进行组合,得到各组合结果,根据所述候选推荐元素与该其他类型中各元素的相关度,以及该其他类型中各元素分别对应的点击率,确定各组合结果分别对应的点击率,根据各组合结果分别对应的点击率,对各组合结果进行排序,根据所述排序,选择指定排位前的组合结果,作为候选推荐内容。
可选地,推荐模块206,用于针对每个候选推荐内容,确定构成该候选推荐内容的各元素,并确定各元素分别对应的约束条件,所述约束条件为所述元素的元素数据中携带的,根据各候选推荐内容分别对应的约束条件,对各候选推荐内容的点击率进行更新,根据更新后的各候选推荐内容的点击率,确定推荐内容。
本说明书还提供了图4所示的电子设备的示意结构图。如图4所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的推荐方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种推荐方法,其特征在于,包括:
根据接收到的推荐请求,确定所述推荐请求对应的用户数据和元素数据;
对各元素进行特征提取,确定各元素特征,并将各元素特征分别作为输入,输入到预先训练好的点击率预估模型中,确定各元素分别对应的点击率;
针对每类元素,根据该类元素中各元素分别对应的点击率,确定该类元素对应的候选推荐元素,并依次针对每个其他类型,根据所述候选推荐元素与该其他类型中各元素的相关度,以及该其他类型中各元素分别对应的点击率,确定候选推荐内容;
根据确定出的各候选推荐内容,确定推荐内容。
2.如权利要求1所述的方法,其特征在于,根据接收到的推荐请求,确定所述推荐请求对应的用户数据和元素数据,具体包括:
根据接收到的推荐请求,确定所述推荐请求中携带的用户标识;
根据所述用户标识,确定所述用户标识对应的用户数据;
确定用于推荐的元素标识,并根据所述元素标识,从预存的各数据中,确定用于推荐的各元素,作为元素数据。
3.如权利要求1所述的方法,其特征在于,对各元素进行特征提取,确定各元素特征,具体包括:
针对每类元素中的每个元素,根据其他类型的各元素的特征和该元素的特征,确定其他类型的各元素分别与该元素之间的相关度;
根据其他类型的各元素分别对应的特征及其与该元素的相关度,以及该元素的特征,确定该元素对应的元素特征。
4.如权利要求3所述的方法,其特征在于,根据其他类型的各元素分别对应的特征及其与该元素的相关度,以及该元素的特征,确定该元素对应的元素特征,具体包括:
根据其他类型的各元素分别与该元素的相关度,确定其他类型的各元素分别对应的权重;
根据其他类型的各元素分别对应的特征及其权重,进行加权求和,确定该元素的辅助特征;
将所述辅助特征和该元素的特征进行融合,确定该元素的元素特征。
5.如权利要求1所述的方法,其特征在于,根据该类元素中各元素分别对应的点击率,确定该类元素对应的候选推荐元素,具体包括:
根据该类元素中各元素分别对应的点击率,对各元素进行排序;
从所述排序中,选择指定排位前的元素,作为候选推荐元素。
6.如权利要求1所述的方法,其特征在于,依次针对每个其他类型,根据所述候选推荐元素与该其他类型中各元素的相关度,以及该其他类型中各元素分别对应的点击率,确定候选推荐内容,具体包括:
依次针对每个其他类型,将所述候选推荐元素与该其他类型中的各元素分别进行组合,得到各组合结果;
根据所述候选推荐元素与该其他类型中各元素的相关度,以及该其他类型中各元素分别对应的点击率,确定各组合结果分别对应的点击率;
根据各组合结果分别对应的点击率,对各组合结果进行排序;
根据所述排序,选择指定排位前的组合结果,作为候选推荐内容。
7.如权利要求1所述的方法,其特征在于,根据确定出的各候选推荐内容,确定推荐内容,具体包括:
针对每个候选推荐内容,确定构成该候选推荐内容的各元素,并确定各元素分别对应的约束条件,所述约束条件为所述元素的元素数据中携带的;
根据各候选推荐内容分别对应的约束条件,对各候选推荐内容的点击率进行更新;
根据更新后的各候选推荐内容的点击率,确定推荐内容。
8.一种推荐装置,其特征在于,所述装置包括:
第一确定模块,用于根据接收到的推荐请求,确定所述推荐请求对应的用户数据和元素数据;
点击率确定模块,用于对各元素进行特征提取,确定各元素特征,并将各元素特征分别作为输入,输入到预先训练好的点击率预估模型中,确定各元素分别对应的点击率;
第二确定模块,用于针对每类元素,根据该类元素中各元素分别对应的点击率,确定该类元素对应的候选推荐元素,并依次针对每个其他类型,根据所述候选推荐元素与该其他类型中各元素的相关度,以及该其他类型中各元素分别对应的点击率,确定候选推荐内容;
推荐模块,用于根据确定出的各候选推荐内容,确定推荐内容。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~7任一项所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111371783.0A CN114116816A (zh) | 2021-11-18 | 2021-11-18 | 一种推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111371783.0A CN114116816A (zh) | 2021-11-18 | 2021-11-18 | 一种推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114116816A true CN114116816A (zh) | 2022-03-01 |
Family
ID=80397744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111371783.0A Pending CN114116816A (zh) | 2021-11-18 | 2021-11-18 | 一种推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114116816A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094529A (zh) * | 2023-10-16 | 2023-11-21 | 浙江挚典科技有限公司 | 一种钢筋避让方案推荐方法 |
-
2021
- 2021-11-18 CN CN202111371783.0A patent/CN114116816A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094529A (zh) * | 2023-10-16 | 2023-11-21 | 浙江挚典科技有限公司 | 一种钢筋避让方案推荐方法 |
CN117094529B (zh) * | 2023-10-16 | 2024-02-13 | 浙江挚典科技有限公司 | 一种钢筋避让方案推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113688313A (zh) | 一种预测模型的训练方法、信息推送的方法及装置 | |
CN109388801B (zh) | 相似词集合的确定方法、装置和电子设备 | |
CN113010640B (zh) | 一种业务执行的方法及装置 | |
CN112733024A (zh) | 一种信息推荐的方法及装置 | |
CN113641896A (zh) | 一种模型训练以及推荐概率预测方法及装置 | |
CN114332873A (zh) | 一种识别模型的训练方法及装置 | |
CN113887206B (zh) | 一种模型训练及关键词提取方法及装置 | |
CN112966577B (zh) | 一种模型训练以及信息提供的方法及装置 | |
CN114116816A (zh) | 一种推荐方法及装置 | |
CN113641894A (zh) | 一种信息推荐的方法及装置 | |
CN112948449A (zh) | 一种信息推荐的方法及装置 | |
CN112699307A (zh) | 一种信息的生成方法及装置 | |
CN113010562A (zh) | 一种信息推荐的方法以及装置 | |
CN111639269A (zh) | 一种地点推荐方法及装置 | |
CN116662657A (zh) | 一种模型训练和信息推荐的方法、装置、存储介质及设备 | |
CN113887234B (zh) | 一种模型训练以及推荐方法及装置 | |
CN113343085B (zh) | 一种信息推荐方法、装置、存储介质及电子设备 | |
CN114996570A (zh) | 一种信息推荐的方法及装置 | |
CN115017905A (zh) | 一种模型训练和信息推荐的方法及装置 | |
CN113344078B (zh) | 一种模型训练的方法及装置 | |
CN114331602A (zh) | 一种基于迁移学习的模型训练方法、信息推荐方法及装置 | |
CN115130621A (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN114676257A (zh) | 一种对话主题确定方法及装置 | |
CN114861043A (zh) | 一种模型训练以及推荐位置确定方法及装置 | |
CN113344590A (zh) | 一种模型训练以及投诉率预估的方法及装置 |
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 |