CN114139046A - 对象推荐方法、装置、电子设备及存储介质 - Google Patents
对象推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114139046A CN114139046A CN202111271777.8A CN202111271777A CN114139046A CN 114139046 A CN114139046 A CN 114139046A CN 202111271777 A CN202111271777 A CN 202111271777A CN 114139046 A CN114139046 A CN 114139046A
- Authority
- CN
- China
- Prior art keywords
- sequence
- index
- recommendation
- information
- recall
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开关于对象推荐方法、装置、电子设备及存储介质,涉及推荐技术领域,该方法包括:响应于对象推荐请求,获取多个召回对象和多个指标组合,指标组合包括多个推荐指标;基于各指标组合中的多个推荐指标,从多个召回对象中确定与各指标组合对应的对象序列;分别将各对象序列的序列信息输入指标预测模型,进行多指标的预测处理,得到各对象序列中各召回对象对应的指标预测信息;根据各对象序列中各召回对象对应的指标预测信息,确定各对象序列的序列推荐预测信息;根据各对象序列的序列推荐预测信息,从多个对象序列中确定目标对象序列;将目标对象序列发送至对象推荐请求对应的终端。利用本公开提供的技术方案可以提升以序列为整体的推荐效果。
Description
技术领域
本公开涉及推荐技术领域,尤其涉及一种对象推荐方法、装置、电子设备及存储介质。
背景技术
推荐系统是一个信息过滤系统,通过召回、排序、重排序等过程从海量的物料中逐级过滤,选取用户感兴趣的内容进行推荐。相关技术中,无论是召回阶段还是排序阶段,推荐系统通常都是以单个推荐对象的粒度进行预估,而发送至用户终端的则是推荐对象序列,导致序列整体的推荐效果不佳。
发明内容
本公开提供对象推荐方法、装置、电子设备及存储介质,以至少解决相关技术中序列推荐效果不佳的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种对象推荐方法,包括:
响应于对象推荐请求,获取多个召回对象以及多个指标组合,所述指标组合包括多个推荐指标;
基于各指标组合中的多个所述推荐指标,从所述多个召回对象中确定与各指标组合对应的对象序列;
分别将各对象序列的序列信息输入指标预测模型,进行多指标的预测处理,得到各对象序列中各召回对象对应的指标预测信息;所述指标预测信息表征所述召回对象在全量的推荐指标下的推荐效果预测信息;
根据各对象序列中各召回对象对应的指标预测信息,确定各对象序列的序列推荐预测信息;
根据所述各对象序列的序列推荐预测信息,从多个所述对象序列中确定目标对象序列;
将所述目标对象序列发送至所述对象推荐请求对应的终端。
可选的,所述基于各指标组合中的多个所述推荐指标,从所述多个召回对象中确定与各指标组合对应的对象序列,包括:
确定所述多个召回对象在各所述推荐指标下的排序信息;
获取每个所述指标组合中各所述推荐指标的权重信息;
根据每个所述指标组合中各所述推荐指标的权重信息和所述排序信息,从所述多个召回对象中,筛选出与每个所述指标组合匹配的至少一个召回对象,作为每个所述指标组合对应的对象序列。
可选的,所述根据每个所述指标组合中各所述推荐指标的权重信息和所述排序信息,从所述多个召回对象中,筛选出与每个所述指标组合匹配的至少一个召回对象,作为每个所述指标组合对应的对象序列包括:
根据在每个所述指标组合下的所述目标排序信息,对所述多个召回对象进行排列,得到每个所述指标组合对应的候选对象序列;
从所述候选对象序列中依次选取预设数量的召回对象,作为每个所述指标组合对应的对象序列。
可选的,所述方法还包括:
获取所述对象序列中的至少一个召回对象的对象信息;
获取与所述对象推荐请求对应的用户信息和对应的系统上下文信息;
根据所述对象信息、所述用户信息和所述系统上下文信息,得到所述对象序列的序列信息。
可选的,所述根据各对象序列中各召回对象对应的指标预测信息,确定各对象序列的序列推荐预测信息,包括:
将各对象序列中各召回对象的指标预测信息进行加权求和,得到各对象序列的序列推荐预测信息,所述序列推荐预测信息为数值。
可选的,所述方法还包括:
获取初始化的所述指标预测模型和训练序列样本;所述训练序列样本为历史对象序列,所述历史对象序列包括一个或多个历史推荐对象;
确定所述训练序列样本的序列信息;
基于所述全量的推荐指标,根据系统日志信息确定所述训练序列样本中各历史推荐对象的指标值;
根据各历史推荐对象的指标值和对应的推荐指标权重,确定所述训练序列样本的的样本标签;
根据所述训练序列样本的序列信息和对应的所述样本标签,对初始化的所述指标预测模型进行训练,得到训练后的所述指标预测模型。
可选的,所述获取多个指标组合,包括:
获取指标集,所述指标集包括全量的推荐指标;
对所述指标集中的推荐指标进行组合,得到多个候选指标组合;
基于预设业务配置信息,从所述多个候选指标组合中获取多个指标组合。
根据本公开实施例的第二方面,提供一种对象推荐装置,包括:
对象召回和指标获取模块,被配置为执行响应于对象推荐请求,获取多个召回对象以及多个指标组合,所述指标组合包括多个推荐指标;
对象序列确定模块,被配置为执行基于各指标组合中的多个所述推荐指标,从所述多个召回对象中确定与各指标组合对应的对象序列;
模型预测模块,被配置为执行分别将各对象序列的序列信息输入指标预测模型,进行多指标的预测处理,得到各对象序列中各召回对象对应的指标预测信息;所述指标预测信息表征所述召回对象在全量的推荐指标下的推荐效果预测信息;
序列推荐预测信息确定模块,被配置为执行根据各对象序列中各召回对象对应的指标预测信息,确定各对象序列的序列推荐预测信息;
目标对象序列确定模块,被配置为执行根据所述各对象序列的序列推荐预测信息,从多个所述对象序列中确定目标对象序列;
序列发送模块,被配置为执行将所述目标对象序列发送至所述对象推荐请求对应的终端。
可选的,所述对象序列确定模块包括:
排序信息确定单元,被配置为执行确定所述多个召回对象在各所述推荐指标下的排序信息;
权重信息确定单元,被配置为执行获取每个所述指标组合中各所述推荐指标的权重信息;
对象序列确定单元,被配置为执行根据每个所述指标组合中各所述推荐指标的权重信息和所述排序信息,从所述多个召回对象中,筛选出与每个所述指标组合匹配的至少一个召回对象,作为每个所述指标组合对应的对象序列。
可选的,所述对象序列确定单元包括:
目标排序信息确定子单元,被配置为执行根据每个所述指标组合中各所述推荐指标的权重信息和所述排序信息,确定所述多个召回对象在每个所述指标组合下的目标排序信息;
召回对象排列子单元,被配置为执行根据在每个所述指标组合下的所述目标排序信息,对所述多个召回对象进行排列,得到每个所述指标组合对应的候选对象序列;
对象序列组合子单元,被配置为执行从所述候选对象序列中依次选取预设数量的召回对象,作为每个所述指标组合对应的对象序列。
可选的,所述装置还包括:
第一信息获取单元,被配置为执行获取所述对象序列中的至少一个召回对象的对象信息;
第二信息获取单元,被配置为执行获取与所述对象推荐请求对应的用户信息和对应的系统上下文信息;
序列信息确定单元,被配置为执行根据所述对象信息、所述用户信息和所述系统上下文信息,得到所述对象序列的序列信息。
可选的,所述序列推荐预测信息确定模块包括:
序列推荐预测信息计算单元,被配置为执行将各对象序列中各召回对象的指标预测信息进行加权求和,得到各对象序列的序列推荐预测信息,所述序列推荐预测信息为数值。
可选的,所述装置还包括:
模型和样本获取单元,被配置为执行获取初始化的所述指标预测模型和训练序列样本;所述训练序列样本为历史对象序列,所述历史对象序列包括一个或多个历史推荐对象;
样本序列信息确定单元,被配置为执行确定所述训练序列样本的序列信息;
对象指标确定单元,被配置为执行基于所述全量的推荐指标,根据系统日志信息确定所述训练序列样本中各历史推荐对象的指标值
样本标签确定单元,被配置为执行根据各历史推荐对象的指标值和对应的推荐指标权重,确定所述训练序列样本的的样本标签;
模型训练单元,被配置为执行根据所述训练序列样本的序列信息和对应的所述样本标签,对初始化的所述指标预测模型进行训练,得到训练后的所述指标预测模型。
可选的,所述对象召回和指标获取模块包括:
指标集获取单元,被配置为执行获取指标集,所述指标集包括全量的推荐指标;
指标组合单元,被配置为执行对所述指标集中的推荐指标进行组合,得到多个候选指标组合;
指标组合获取单元,被配置为执行基于预设业务配置信息,从所述多个候选指标组合中获取多个指标组合。
根据本公开实施例的第三方面,提供一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为执行所述指令,以实现本公开实施例第一方面中任一项所述的对象推荐方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如本公开实施例第一方面中任一项所述的对象推荐方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,包括计算机指令,所述计算机指令被处理器执行时实现如本公开实施例第一方面中任一项所述的对象推荐方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
在本公开实施例中,响应于对象推荐请求,首先根据多个召回对象和多个指标组合,确定与各指标组合对应的对象序列,其中指标组合包括多个推荐指标;其次分别将各对象序列的序列信息输入指标预测模型,进行多指标的预测处理,得到各对象序列中各召回对象对应的指标预测信息,进而可以确定各对象序列的序列推荐预测信息;最后,基于各对象序列的序列推荐预测信息,从多个对象序列中确定目标对象序列,作为响应于对象推荐请求而发送至终端的结果。在本公开的实施例提供的技术方案中,每一个指标组合中包含了多个推荐指标,多个推荐指标可以对召回对象的推荐效果进行多维度的衡量,进而使得根据指标组合中各推荐指标生成的对象序列具有更多元的推荐效果,也提升了对象序列的内容质量;此外,不同的指标组合包含的推荐指标可以不相同,也即不同的指标组合可以表征不同侧重方向的综合推荐效果,故利用多个指标组合可以提供在不同侧重方向上具有良好推荐效果的多个对象序列,进一步提升了对象序列的整体质量;同时利用指标预测模型对对象序列中的召回对象进行多指标的预测时以对象序列为输入,能够将召回对象在对象序列中的位置纳入考量,选出具有更好的内容结构的目标对象序列以推荐给用户,有效提升以序列为整体的推荐效果。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种应用环境的示意图。
图2是根据一示例性实施例示出的一种对象推荐方法的流程图。
图3是根据一示例性实施例示出的一种获取多个指标组合的流程图。
图4是根据一示例性实施例示出的一种确定与各指标组合对应的对象序列的流程图。
图5是根据一示例性实施例示出的一种根据多个召回对象中生成与指标组合对应的对象序列的流程图。
图6是根据一示例性实施例示出的一种具体应用场景下的生成指标组合对应的对象序列的示意图。
图7是根据一示例性实施例示出的一种确定对象序列的序列信息的流程图。
图8是根据一示例性实施例示出的一种指标预测模型的训练流程图。
图9是根据一示例性实施例示出的一种具体应用场景下执行对象推荐方法的流程框图。
图10是根据一示例性实施例示出的一种对象推荐装置的框图。
图11是根据一示例性实施例示出的一种用于确定对象序列的电子设备的框图。
图12是根据一示例性实施例示出的另一种用于确定对象序列的电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
需要说明的是,本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习、深度学习等几大方向。
近年来,随着人工智能技术研究和进步,人工智能技术在多个领域得到广泛应用,本申请实施例提供的方案涉及机器学习/深度学习等技术,具体通过如下实施例进行说明:
请参阅图1,图1是根据一示例性实施例示出的一种应用环境的示意图,如图1所示,该应用环境可以包括服务器01和终端02。
在一个可选的实施例中,服务器01可以用于对象序列的确定。具体的,服务器01可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。
在一个可选的实施例中,终端02可以用于发送推荐请求和展示被推荐的目标对象序列。具体的,终端02可以包括但不限于智能手机、台式计算机、平板电脑、笔记本电脑、智能音箱、数字助理、增强现实(augmentedreality,AR)/虚拟现实(virtual reality,VR)设备、智能可穿戴设备等类型的电子设备。可选的,电子设备上运行的操作系统可以包括但不限于安卓系统、IOS系统、Linux、Windows等。
此外,需要说明的是,图1所示的仅仅是本公开提供的对象推荐方法的一种应用环境。本说明书实施例中,上述服务器01以及终端02可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
图2是根据一示例性实施例示出的一种对象推荐方法的流程图,如图2所示,该对象推荐方法用于信息推荐业务中,可以包括以下步骤:
在步骤S201中,响应于对象推荐请求,获取多个召回对象以及多个指标组合,指标组合包括多个推荐指标。
在本公开实施例中,响应于对象推荐请求,首先获取多个召回对象作为候选推荐对象,为了从多个召回对象中生成多个候选的对象序列以及从多个候选的对象序列中确定最终推荐给用户的目标对象序列,还需要获取多个指标组合,每个指标组合中包括多个推荐指标,推荐指标或指标组合可以用于衡量召回对象的推荐效果。
在本公开的一个实施例中,对象可以在互联网应用平台中被推荐给用户,对象可以是短视频、新闻资讯、文章、广告等。用户可以通过下拉、点击等预设操作触发对象推荐请求,终端将对象推荐请求发送至服务器,对象推荐请求中可以携带用户标识,也可以携带请求的上下文信息,如请求的时间信息和终端的地理位置信息等,以在服务器中生成日志信息。
在本公开的一个实施例中,互联网应用平台中的推荐系统响应于终端发送的对象推荐请求,首先获取多个召回对象,召回对象是推荐系统初步筛选出的候选对象。可以理解的是,推荐系统相当于是一个过滤系统或筛选系统,通过召回、排序、重排序等过程从海量对象中选取用户可能会感兴趣的对象进行推荐,而本公开实施例主要是对推荐流程中的排序和重排序进行改进。
在本公开的一个实施例中,每个指标组合可以包括多个推荐指标,推荐指标可以用来衡量对象的推荐效果,多个推荐指标的指标组合则可以从多个维度衡量对象的推荐效果,从用户角度而言推荐指标也可以表征用户对该对象的偏好程度。示例性,对于视频这一类对象,按用户行为类型可以将推荐指标大致分为两类,分别是时长类和互动类,时长类可以包括但不限于完整播放、长播放、有效播放等,互动类可以包括但不限于点赞、转发、关注等,同时,推荐指标也可以是交叉性的指标,如点赞且完整播放。指标组合可以根据不同的应用类型、业务需求而设定,不同的指标组合所包含的推荐指标可以不相同,所包含的推荐指标的数量也可以不相同。图3是根据一示例性实施例示出的一种获取多个指标组合的流程图,如图3所示,步骤S201可以包括以下步骤:
在步骤S2011中,获取指标集,指标集包括全量的推荐指标。
在步骤S2013中,对指标集中的推荐指标进行组合,得到多个候选指标组合。
在步骤S2015中,基于预设业务配置信息,从多个候选指标组合中获取多个指标组合。
在一种可行的实施方式中,预设业务配置信息中可以指定一个或多个特定的推荐指标为必备的推荐指标,或者可以排除一个或多个特定的推荐指标,从而可以从多个候选指标组合中筛选出满足业务需求的多个指标组合。预设业务配置信息可以根据推荐对象的类型、互联网应用类型、实时的业务需求设定或选取,本公开实施例对此不做限制。
在另一种可行的实施方式中,也可以基于预设业务配置信息先从指标集中选取多个候选推荐指标,并对多个候选推荐指标进行排列组合,得到多个指标组合,各指标组合中推荐指标的数量可以不相同,也可以相同。
在上述实施例中,根据预设的业务配置信息,对全量的推荐指标进行组合、筛选,得到多个指标组合,以便后续多维度地衡量召回对象的推荐效果以及对召回对象进行排序,同时对于不同的推荐业务可以选取不同的指标组合,从而可以满足各类推荐业务需求,此外还能够随着推荐业务的需求变化而适应性地调整配置信息和指标组合。
在步骤S202中,基于各指标组合中的多个推荐指标,从多个召回对象中确定与各指标组合对应的对象序列。
在本公开实施例中,对于每一个指标组合,生成与该指标组合对应的对象序列,该对象序列中可以包括多个召回对象中的部分或全部召回对象,在该对象序列中,所包含的召回对象按次序排列。多个指标组合则相应地生成多个对象序列,多个对象序列中各对象序列所包含的召回对象可以不完全相同,所包含的召回对象的数量也可以不同,本公开实施例对此不作限定。
具体地,对于每一个指标组合,根据该指标组合中的多个推荐指标,对多个召回对象进行排序和筛选,最终生成该指标组合对应的对象序列。图4是根据一示例性实施例示出的一种确定与各指标组合对应的对象序列的流程图,如图4所示,步骤S202可以包括以下步骤:
在步骤S2021中,确定多个召回对象在各推荐指标下的排序信息。
具体地,对于任一项推荐指标,确定多个召回对象中各召回对象在该推荐指标下的指标值,并根据各召回对象在该推荐指标下的指标值对多个召回对象进行排序,从而得到多个召回对象中各召回对象在该推荐指标下的排序信息,该排序信息可以是次序数值。示例的,以点赞这一推荐指标为例,首先确定多个召回对象中各召回对象的点赞量,可知点赞量越高的召回对象在历史推荐中推荐效果越好。其次根据各召回对象的点赞量,由高到低对各召回对象进行排序,最终得到在点赞这一推荐指标下的各召回对象的排序信息。在有多个推荐指标的情况下,对于每一个召回对象,分别确定召回对象在各个推荐指标下的排序信息。
在步骤S2023中,获取每个指标组合中各推荐指标的权重信息。
推荐指标的权重信息可以表征该推荐指标在其所在的指标组合中的重要程度。示例性的,可以通过推荐指标在推荐系统日志中出现的频率,并基于一定运算规则如归一化运算确定各推荐指标的权重信息。
在步骤S2025中,根据每个指标组合中各推荐指标的权重信息和排序信息,从多个召回对象中,筛选出与每个指标组合匹配的至少一个召回对象,作为每个指标组合对应的对象序列。
在上述实施例中,每一个指标组合中包含了多个推荐指标,多个推荐指标可以对召回对象的推荐效果进行多维度的衡量,进而使得根据指标组合中各推荐指标的权重信息以及各召回对象在各推荐指标下的排序信息得到的与指标组合对应的对象序列,具有更多元的推荐效果;此外,不同的指标组合包含的推荐指标可以不相同,也即不同的指标组合可以表征不同侧重方向的综合推荐效果,故利用多个指标组合可以提升多个对象序列的整体质量;同时,基于多个指标组合生成了多个对象序列,为后续借助模型确定最终推荐给用户的目标对象序列提供了充足的数据基础。
对于每一个指标组合,可以根据该指标组合所包含的各推荐指标的权重信息以及多个召回对象中各召回对象在该指标组合所包含的各推荐指标下的排序信息,对多个召回对象进行再次排序,并按照再次排序的结果进行召回对象的筛选,从而生成该指标组合对应的一个对象序列。图5是根据一示例性实施例示出的一种根据多个召回对象中生成与指标组合对应的对象序列的流程图,如图5所示,步骤S2025可以包括以下步骤:
在步骤S20251中,根据每个指标组合中各推荐指标的权重信息和排序信息,确定多个召回对象在每个指标组合下的目标排序信息。
也即,对于任意一个指标组合,对该指标组合所包括的各推荐指标的权重信息,以及多个召回对象中各召回对象在该指标组合所包含的各推荐指标下的排序信息,做加权求和计算,得到多个召回对象中各召回对象在该指标组合下的目标排序信息,所述目标排序信息的大小可以用于确定召回对象在该指标组合下的相对次序位置。在该指标组合所表征的多维度推荐效果方面,排序靠前的召回对象的推荐效果表现优于排序靠后的召回对象。
在步骤S20253中,根据在每个指标组合下的目标排序信息,对多个召回对象进行排列,得到每个指标组合对应的候选对象序列。
在步骤S20255中,从候选对象序列中依次选取预设数量的召回对象,作为每个指标组合对应的对象序列。
在一种可行的实施方式中,候选对象序列中均包含该多个召回对象,从所述候选对象序列中中按次序选取top K个召回对象,作为与该指标组合匹配的召回对象,并按照在候选对象序列中的顺序组成该指标组合对应的对象序列,其中K为正整数,且K不大于多个召回对象的总数量值。此外,不同指标组合所匹配到的召回对象可以不相同,召回对象的个数也可以不一致。
图6是根据一示例性实施例示出的一种具体应用场景下的生成指标组合对应的对象序列的示意图,如图6所示,以视频这一类对象为例,获取到的召回对象有n个,分别为X1、X2......Xn,n为正整数,所选取的指标组合分别为:指标组合A和指标组合B,其中指标组合A包括点赞和转发两项推荐指标,指标组合B包括点赞、转发和完播三项推荐指标,根据点赞、转发和完播这三项推荐指标在推荐系统日志中出现的频率计算得到这三项推荐指标的权重,分别为W1、W2和W3。
首先确定n个召回对象分别在点赞、转发和评论这三项推荐指标下的排序信息,根据各召回对象的点赞量由高到低对X1、X2......Xn进行排序,召回对象Xi对应的次序值为Si1,其中1≤i≤n,i为整数,根据各召回对象的转发量由高到低对X1、X2......Xn进行排序,召回对象Xi对应的次序值为Si2,根据各召回对象的完播度由高到低对X1、X2......Xn进行排序,召回对象Xi对应的次序值为Si3,1≤Si1、Si2、Si3≤n,且为整数;
其次,根据点赞、转发和完播这三项推荐指标的权重(点赞的权重为W1,转发的权重为W2,评论的权重为W3)以及任一召回对象Xi分别在这三个推荐指标下的排序信息Si1、Si2、Si3,通过加权计算得到召回对象Xi在指标组合A和指标组合B下的目标排序信息,其中召回对象Xi在指标组合A下的目标排序信息QAi=W1*Si1+W2*Si2,召回对象Xi在指标组合B下的目标排序信息QBi=W1*Si1+W2*Si2+W3*Si3;
接着,可以通过比较同一指标组合下各召回对象的目标排序信息,对召回对象进行再次排序和筛选。例如对于指标组合A,根据任一召回对象Xi的目标排序信息QAi,对n个召回对象进行再次排序,可以设定为根据QAi的数值,由低到高地对n个召回对象进行排序,选取位于序列前部的K个召回对象,并按次序排列、组成指标组合A对应的视频序列1。同理,可以得到指标组合B对应的视频序列2。
在上述实施例中,在生成对象序列的过程中,根据每个指标组合中各推荐指标的权重信息和排序信息,确定多个召回对象在每个指标组合下的目标排序信息,并根据在每个指标组合下的目标排序信息,对多个召回对象进行重新排序和选取,改善了对象序列的内容结构,提升了对象序列的内容质量。
在步骤S203中,分别将各对象序列的序列信息输入指标预测模型,进行多指标的预测处理,得到各对象序列中各召回对象对应的指标预测信息;指标预测信息表征召回对象在全量的推荐指标下的推荐效果预测信息。
在本公开实施例中,多个对象序列为候选的序列,还需要从该多个对象序列中选取一对象序列作为最终推荐给用户的目标对象序列。本公开实施例借助预测模型进行序列的筛选。具体地,首先确定对象序列的序列信息,序列信息可以表征以序列为整体的对象特征;其次将对象序列的序列信息输入至指标预测模型,进行多指标的预测,从而得到该对象序列所包含的各个召回对象对应的指标预测信息,该指标预测信息可以表征召回对象在全量的推荐指标下的推荐效果预测信息,也即借助指标预测模型预测用户对该对象序列中各召回对象的偏好程度,例如是否会点赞、转发、评论等。在指标预测模型中输入的是以对象序列为整体的序列信息,在对其中的各个召回对象进行多指标预测时,能够将召回对象在对象序列中所处的位置纳入考量,使得对召回对象的预测推荐效果更为精细。
在本公开的一个实施例中,对象序列包括多个召回对象中的至少一个召回对象,该对象序列的序列信息可以由至少一个召回对象的对象信息进行拼接后得到。图7是根据一示例性实施例示出的一种确定对象序列的序列信息的流程图,如图7所示,步骤S203可以包括以下步骤:
在步骤S2031中,获取对象序列中至少一个召回对象的对象信息。
示例性的,可以从推荐系统的日志中抽取每个对象序列中所包括的各召回对象的属性信息和用户偏好信息。以视频为例,视频的属性信息可以包括但不限于视频的时长、上传时间、上传用户信息等,用户偏好信息可以包括但不限于观看用户的点赞量、转发量等。
在步骤S2033中,获取与对象推荐请求对应的用户信息和对应的系统上下文信息。
示例性的,对象推荐请求可以携带用户标识,以便于确定推荐的用户,对于该推荐的用户,可以从推荐系统的日志信息中抽取该用户本身的属性信息和该用户的历史行为信息,用户属性信息可以包括但不限于性别、年龄、所处城市等,历史行为信息可以包括但不限于所观看的视频、所点赞的视频等。系统上下文信息可以是基于对象推荐请求确定的请求时间信息和终端的地理位置信息。
在步骤S2035中,根据对象信息、用户信息和系统上下文信息,得到对象序列的序列信息。
示例性的,将至少一个召回对象的对象信息进行拼接,结合用户信息和系统上下文信息,得到对应的对象序列的序列信息。
在上述实施例中,可以从推荐系统的日志信息中抽取各部分信息并构成对象序列的序列新,充分利用了推荐系统的日志信息,不依赖人工标注数据,节省人力成本。
图8是根据一示例性实施例示出的一种指标预测模型的训练流程图,如图8所示,在实施对象推荐方法之前,还可以包括以下步骤:
在步骤S301中,获取初始化的指标预测模型和训练序列样本;训练序列样本为历史对象序列,历史对象序列包括一个或多个历史推荐对象。
在一种可行的实施方式中,初始化的指标预测模型的结构可以采用如递归神经网络等可以是以序列样本为输入的模型。历史对象序列为已向不同用户推荐过的对象序列。
在步骤S303中,确定训练序列样本的序列信息。
在一种可行的实施方式中,在训练时可以采取本公开实施例中步骤S2031-S2035中的方法,确定训练序列样本也即历史对象序列的序列信息,此处不做赘述。
在步骤S305中,基于全量的推荐指标,根据系统日志信息确定训练序列样本中各历史推荐对象的指标值。
在步骤S307中,根据各历史推荐对象的指标值和对应的推荐指标权重,确定训练序列样本的的样本标签。
示例性,对于视频这一类对象,按用户行为类型可以将推荐指标大致分为两类,分别是时长类和互动类,时长类可以包括但不限于完整播放、长播放、有效播放等,互动类可以包括但不限于点赞、转发、关注等,同时,推荐指标也可以是交叉性的指标,如点赞且完整播放;此外还可以将推荐指标分为正向推荐指标和负向推荐指标,正向推荐指标可以包括但不限于完整播放、长播放、点赞、转发、关注等,负向推荐指标可以包括但不限于屏蔽、拉黑、取关、举报等。训练序列样本的样本标签可以表征历史对象序列多维度的历史推荐效果,根据推荐指标的正向或负向,也可以将样本标签设置为正向或负向标签。示例性的,如果一个样本标签中出现了负向的推荐指标,则该样本标签为负向,如果一个样本标签均为正向的推荐指标,则该样本标签为正向,若既无正向的推荐指标也无负向的推荐指标,也可以将该样本标签记为负向。
在步骤S309中,根据训练序列样本的序列信息和对应的样本标签,对初始化的指标预测模型进行训练,得到训练后的指标预测模型。
初始化的指标预测模型可以是循环神经网络模型的结构,将训练序列样本的序列信息输入至初始化的指标预测模型,根据指标预测模型输出的训练序列样本中各历史推荐对象在各推荐指标上的推荐效果预测值和对应的样本标签计算得到损失值,并基于损失值调整指标预测模型的参数。
在一种可行的实施方式中,训练序列样本的样本标签可以包括该训练序列样本中所包含的各历史推荐对象的样本标签,利用训练序列样本的序列信息和改训练序列样本中各历史推荐对象的样本标签,分别对初始化的指标预测模型进行训练的,最终得到训练后的指标预测模型。
在上述实施例中,采用历史对象序列的序列信息和多维度的样本标签对机器学习模型进行训练,使得训练后得到的指标预测模型在对单个召回对象进行多指标的预测时能够将召回对象在对象序列中的位置纳入考量,使得对召回对象的多指标预测更加精细,提升模型预测推荐效果的准确性。
在步骤S204中,根据各对象序列中各召回对象对应的指标预测信息,确定各对象序列的序列推荐预测信息。
在本公开的一个实施例中,根据各对象序列中各召回对象对应的指标预测信息,确定各对象序列的序列推荐预测信息,包括:
将各对象序列中各召回对象的指标预测信息进行加权求和,得到各对象序列的序列推荐预测信息,所述序列推荐预测信息为数值。
进一步地,基于各召回对象在全量推荐指标下的指标预测信息,还可以根据业务需求,选取多个目标推荐指标下的指标预测信息,进而将各召回对象在该多个目标推荐指标下的指标预测信息进行加权求和,得到对象序列在该多个目标推荐指标下的序列推荐预测信息。
在上述实施例中,利用对象序列中各召回对象的指标预测信息,确定该对象序列的序列推荐信息,能够有效地体现以序列为整体的预估推荐效果,同时也为对象序列的筛选提供了数据依据。
在步骤S205中,根据各对象序列的序列推荐预测信息,从多个对象序列中确定目标对象序列。
具体地,可以从多个对象序列中选取序列推荐预测信息所指示的预估推荐效果最好的作为目标对象序列,将该目标对象序列作为最终的推荐结果。
在步骤S206中,将目标对象序列发送至对象推荐请求对应的终端。
可行的,将目标对象序列中的召回对象发送至对应的终端,以使在该终端中有序展示该目标对象序列中的召回对象。
图9是根据一示例性实施例示出的一种具体应用场景下执行对象推荐方法的流程框图,如图9所示,用户的历史的行为和推荐系统的历史推荐会存储在推荐日志中,通过对日志进行预处理,得到训练序列样本和样本标签,进而对机器学习模型进行训练,得到训练后的指标预测模型。当一用户触发对象推荐请求时,推荐系统根据召回的多个召回对象和指标组合生成对象序列,并将对象序列的序列信息输入至指标预测模型进行预估,选择更优的目标对象序列以反馈给用户,完成对用户请求的响应。其中具体实施过程可参照上述实施例,此处不再赘述。
由以上本公开实施例提供的技术方案可见,在本公开实施例中,响应于对象推荐请求,首先根据多个召回对象和多个指标组合,确定与各指标组合对应的对象序列,其中指标组合包括多个推荐指标;其次分别将各对象序列的序列信息输入指标预测模型,进行多指标的预测处理,得到各对象序列中各召回对象对应的指标预测信息,进而可以确定各对象序列的序列推荐预测信息;最后,基于各对象序列的序列推荐预测信息,从多个对象序列中确定目标对象序列,作为响应于对象推荐请求而发送至终端的结果。在本公开的实施例提供的技术方案中,每一个指标组合中包含了多个推荐指标,多个推荐指标可以对召回对象的推荐效果进行多维度的衡量,进而使得根据指标组合中各推荐指标生成的对象序列具有更多元的推荐效果,也提升了对象序列的内容质量;此外,不同的指标组合包含的推荐指标可以不相同,也即不同的指标组合可以表征不同侧重方向的综合推荐效果,故利用多个指标组合可以提供在不同侧重方向上具有良好推荐效果的多个对象序列,进一步提升了对象序列的整体质量;同时利用指标预测模型对对象序列中的召回对象进行多指标的预测时以对象序列为输入,能够将召回对象在对象序列中的位置纳入考量,选出具有更好的内容结构的目标对象序列以推荐给用户,有效提升以序列为整体的推荐效果。
图10是根据一示例性实施例示出的一种对象推荐装置的框图。参照图10,该装置1000可以包括:
对象召回和指标获取模块1010,被配置为执行响应于对象推荐请求,获取多个召回对象以及多个指标组合,所述指标组合包括多个推荐指标;
对象序列确定模块1020,被配置为执行基于各指标组合中的多个所述推荐指标,从所述多个召回对象中确定与各指标组合对应的对象序列;
模型预测模块1030,被配置为分别将各对象序列的序列信息输入指标预测模型,进行多指标的预测处理,得到各对象序列中各召回对象对应的指标预测信息;所述指标预测信息表征所述召回对象在全量的推荐指标下的推荐效果预测信息;
序列推荐预测信息确定模块1040,被配置为执行根据各对象序列中各召回对象对应的指标预测信息,确定各对象序列的序列推荐预测信息;
目标对象序列确定模块1050,被配置为执行根据所述各对象序列的序列推荐预测信息,从多个所述对象序列中确定目标对象序列;
序列发送模块1060,被配置为执行将所述目标对象序列发送至所述对象推荐请求对应的终端。
在一种可能的实现方式中,对象序列确定模块1020可以包括:
排序信息确定单元,被配置为执行确定所述多个召回对象在各所述推荐指标下的排序信息;
权重信息确定单元,被配置为执行获取每个所述指标组合中各所述推荐指标的权重信息;
对象序列确定单元,被配置为执行根据每个所述指标组合中各所述推荐指标的权重信息和所述排序信息,从所述多个召回对象中,筛选出与每个所述指标组合匹配的至少一个召回对象,作为每个所述指标组合对应的对象序列
在一种可能的实现方式中,对象序列确定单元可以包括:
目标排序信息确定子单元,被配置为执行根据每个所述指标组合中各所述推荐指标的权重信息和所述排序信息,确定所述多个召回对象在每个所述指标组合下的目标排序信息;
召回对象排列子单元,被配置为执行根据在每个所述指标组合下的所述目标排序信息,对所述多个召回对象进行排列,得到每个所述指标组合对应的候选对象序列;
对象序列组合子单元,被配置为执行从所述候选对象序列中依次选取预设数量的召回对象,作为每个所述指标组合对应的对象序列。
在一种可能的实现方式中,所述装置1000还可以包括:
第一信息获取单元,被配置为执行获取所述对象序列中的至少一个召回对象的对象信息;
第二信息获取单元,被配置为执行获取与所述对象推荐请求对应的用户信息和对应的系统上下文信息;
序列信息确定单元,被配置为执行根据所述对象信息、所述用户信息和所述系统上下文信息,得到所述对象序列的序列信息。
在一种可能的实现方式中,所述序列推荐预测信息确定模块1040可以包括:
序列推荐预测信息计算单元,被配置为执行将各对象序列中各召回对象的指标预测信息进行加权求和,得到各对象序列的序列推荐预测信息,所述序列推荐预测信息为数值。
在一种可能的实现方式中,所述装置1000还可以包括:
模型和样本获取单元,被配置为执行获取初始化的所述指标预测模型和训练序列样本;所述训练序列样本为历史对象序列,所述历史对象序列包括一个或多个历史推荐对象;
样本序列信息确定单元,被配置为执行确定所述训练序列样本的序列信息;
对象指标确定单元,被配置为执行基于所述全量的推荐指标,根据系统日志信息确定所述训练序列样本中各历史推荐对象的指标值
样本标签确定单元,被配置为执行根据各历史推荐对象的指标值和对应的推荐指标权重,确定所述训练序列样本的的样本标签;
模型训练单元,被配置为执行根据所述训练序列样本的序列信息和对应的所述样本标签,对初始化的所述指标预测模型进行训练,得到训练后的所述指标预测模型。
在一种可能的实现方式中,所述对象召回和指标获取模块1010可以包括:
指标集获取单元,被配置为执行获取指标集,所述指标集包括全量的推荐指标;
指标组合单元,被配置为执行对所述指标集中的推荐指标进行组合,得到多个候选指标组合;
指标组合获取单元,被配置为执行基于预设业务配置信息,从所述多个候选指标组合中获取多个指标组合。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图11是根据一示例性实施例示出的一种用于确定对象序列的电子设备的框图,该电子设备可以是终端,其内部结构图可以如图11所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种对象推荐方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该电子设备的输入装置可以是显示屏上覆盖的触摸层,也可以是电子设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
图12是根据一示例性实施例示出的一种用于确定对象序列的电子设备的框图,该电子设备可以是服务器,其内部结构图可以如图12所示。该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种对象推荐方法。
本领域技术人员可以理解,图11和图12中示出的结构,仅仅是与本公开方案相关的部分结构的框图,并不构成对本公开方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在示例性实施例中,还提供了一种包括指令的计算机可读存储介质,当计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行本公开实施例中的对象推荐方法。
在示例性实施例中,还提供一种计算机程序产品,包括计算机指令,计算机指令被处理器执行时实现本公开实施例中的对象推荐方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种对象推荐方法,其特征在于,所述方法包括:
响应于对象推荐请求,获取多个召回对象以及多个指标组合,所述指标组合包括多个推荐指标;
基于各指标组合中的多个所述推荐指标,从所述多个召回对象中确定与各指标组合对应的对象序列;
分别将各对象序列的序列信息输入指标预测模型,进行多指标的预测处理,得到各对象序列中各召回对象对应的指标预测信息;所述指标预测信息表征所述召回对象在全量的推荐指标下的推荐效果预测信息;
根据各对象序列中各召回对象对应的指标预测信息,确定各对象序列的序列推荐预测信息;
根据所述各对象序列的序列推荐预测信息,从多个所述对象序列中确定目标对象序列;
将所述目标对象序列发送至所述对象推荐请求对应的终端。
2.根据权利要求1所述的对象推荐方法,其特征在于,所述基于各指标组合中的多个所述推荐指标,从所述多个召回对象中确定与各指标组合对应的对象序列,包括:
确定所述多个召回对象在各所述推荐指标下的排序信息;
获取每个所述指标组合中各所述推荐指标的权重信息;
根据每个所述指标组合中各所述推荐指标的权重信息和所述排序信息,从所述多个召回对象中,筛选出与每个所述指标组合匹配的至少一个召回对象,作为每个所述指标组合对应的对象序列。
3.根据权利要求2所述的对象推荐方法,其特征在于,所述根据每个所述指标组合中各所述推荐指标的权重信息和所述排序信息,从所述多个召回对象中,筛选出与每个所述指标组合匹配的至少一个召回对象,作为每个所述指标组合对应的对象序列,包括:
根据每个所述指标组合中各所述推荐指标的权重信息和所述排序信息,确定所述多个召回对象在每个所述指标组合下的目标排序信息;
根据在每个所述指标组合下的所述目标排序信息,对所述多个召回对象进行排列,得到每个所述指标组合对应的候选对象序列;
从所述候选对象序列中依次选取预设数量的召回对象,作为每个所述指标组合对应的对象序列。
4.根据权利要求1所述的对象推荐方法,其特征在于,所述方法还包括:
获取所述对象序列中的至少一个召回对象的对象信息;
获取与所述对象推荐请求对应的用户信息和对应的系统上下文信息;
根据所述对象信息、所述用户信息和所述系统上下文信息,得到所述对象序列的序列信息。
5.根据权利要求1所述的对象推荐方法,其特征在于,所述根据各对象序列中各召回对象对应的指标预测信息,确定各对象序列的序列推荐预测信息,包括:
将各对象序列中各召回对象的指标预测信息进行加权求和,得到各对象序列的序列推荐预测信息,所述序列推荐预测信息为数值。
6.根据权利要求1所述的对象推荐方法,其特征在于,所述方法还包括:
获取初始化的所述指标预测模型和训练序列样本;所述训练序列样本为历史对象序列,所述历史对象序列包括一个或多个历史推荐对象;
确定所述训练序列样本的序列信息;
基于所述全量的推荐指标,根据系统日志信息确定所述训练序列样本中各历史推荐对象的指标值;
根据各历史推荐对象的指标值和对应的推荐指标权重,确定所述训练序列样本的的样本标签;
根据所述训练序列样本的序列信息和对应的所述样本标签,对初始化的所述指标预测模型进行训练,得到训练后的所述指标预测模型。
7.一种对象推荐装置,其特征在于,所述装置包括:
对象召回和指标获取模块,被配置为执行响应于对象推荐请求,获取多个召回对象以及多个指标组合,所述指标组合包括多个推荐指标;
对象序列确定模块,被配置为执行基于各指标组合中的多个所述推荐指标,从所述多个召回对象中确定与各指标组合对应的对象序列;
模型预测模块,被配置为执行分别将各对象序列的序列信息输入指标预测模型,进行多指标的预测处理,得到各对象序列中各召回对象对应的指标预测信息;所述指标预测信息表征所述召回对象在全量的推荐指标下的推荐效果预测信息;
序列推荐预测信息确定模块,被配置为执行根据各对象序列中各召回对象对应的指标预测信息,确定各对象序列的序列推荐预测信息;
目标对象序列确定模块,被配置为执行根据所述各对象序列的序列推荐预测信息,从多个所述对象序列中确定目标对象序列;
序列发送模块,被配置为执行将所述目标对象序列发送至所述对象推荐请求对应的终端。
8.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至6中任一项所述的对象推荐方法。
9.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如权利要求1至6中任一项所述的对象推荐方法。
10.一种计算机程序产品,包括计算机程指令,其特征在于,所述计算机指令被处理器执行时实现权利要求1至6中任一项所述的对象推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111271777.8A CN114139046B (zh) | 2021-10-29 | 2021-10-29 | 对象推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111271777.8A CN114139046B (zh) | 2021-10-29 | 2021-10-29 | 对象推荐方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114139046A true CN114139046A (zh) | 2022-03-04 |
CN114139046B CN114139046B (zh) | 2023-03-24 |
Family
ID=80394972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111271777.8A Active CN114139046B (zh) | 2021-10-29 | 2021-10-29 | 对象推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114139046B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114785852A (zh) * | 2022-04-07 | 2022-07-22 | 北京达佳互联信息技术有限公司 | 一种推送内容确定方法、装置、电子设备及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018097459A (ja) * | 2016-12-09 | 2018-06-21 | 株式会社日立製作所 | 行動推薦システム及び行動推薦方法 |
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 |
CN111310040A (zh) * | 2020-02-11 | 2020-06-19 | 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 |
US20200286024A1 (en) * | 2019-03-04 | 2020-09-10 | InsideSales.com, Inc. | Automated structured workflow recommendation system |
CN111814056A (zh) * | 2020-07-31 | 2020-10-23 | 平安金融管理学院(中国·深圳) | 基于信息处理的供应商推荐方法及相关设备 |
CN112685633A (zh) * | 2020-12-30 | 2021-04-20 | 杭州智聪网络科技有限公司 | 一种基于召回模型和预测模型的信息推荐方法及系统 |
CN112733043A (zh) * | 2021-03-30 | 2021-04-30 | 腾讯科技(深圳)有限公司 | 评论推荐方法及装置 |
CN112785196A (zh) * | 2021-02-03 | 2021-05-11 | 叮当快药科技集团有限公司 | 商品自动推荐方法及装置 |
CN112801760A (zh) * | 2021-03-30 | 2021-05-14 | 南京蓝鲸人网络科技有限公司 | 一种内容个性化推荐系统的排序优化方法及系统 |
CN112860997A (zh) * | 2021-02-09 | 2021-05-28 | 挂号网(杭州)科技有限公司 | 医疗资源推荐方法、装置、设备及存储介质 |
WO2021108053A1 (en) * | 2019-11-27 | 2021-06-03 | Microsoft Technology Licensing, Llc | Automatic recommendation of analysis for dataset |
US20210326674A1 (en) * | 2019-05-13 | 2021-10-21 | Tencent Technology (Shenzhen) Company Limited | Content recommendation method and apparatus, device, and storage medium |
CN113536104A (zh) * | 2020-10-10 | 2021-10-22 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
-
2021
- 2021-10-29 CN CN202111271777.8A patent/CN114139046B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018097459A (ja) * | 2016-12-09 | 2018-06-21 | 株式会社日立製作所 | 行動推薦システム及び行動推薦方法 |
US20200286024A1 (en) * | 2019-03-04 | 2020-09-10 | InsideSales.com, Inc. | Automated structured workflow recommendation system |
US20210326674A1 (en) * | 2019-05-13 | 2021-10-21 | Tencent Technology (Shenzhen) Company Limited | Content recommendation method and apparatus, device, and storage medium |
WO2021108053A1 (en) * | 2019-11-27 | 2021-06-03 | Microsoft Technology Licensing, Llc | Automatic recommendation of analysis for dataset |
CN111310040A (zh) * | 2020-02-11 | 2020-06-19 | 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 |
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 |
CN111814056A (zh) * | 2020-07-31 | 2020-10-23 | 平安金融管理学院(中国·深圳) | 基于信息处理的供应商推荐方法及相关设备 |
CN113536104A (zh) * | 2020-10-10 | 2021-10-22 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
CN112685633A (zh) * | 2020-12-30 | 2021-04-20 | 杭州智聪网络科技有限公司 | 一种基于召回模型和预测模型的信息推荐方法及系统 |
CN112785196A (zh) * | 2021-02-03 | 2021-05-11 | 叮当快药科技集团有限公司 | 商品自动推荐方法及装置 |
CN112860997A (zh) * | 2021-02-09 | 2021-05-28 | 挂号网(杭州)科技有限公司 | 医疗资源推荐方法、装置、设备及存储介质 |
CN112801760A (zh) * | 2021-03-30 | 2021-05-14 | 南京蓝鲸人网络科技有限公司 | 一种内容个性化推荐系统的排序优化方法及系统 |
CN112733043A (zh) * | 2021-03-30 | 2021-04-30 | 腾讯科技(深圳)有限公司 | 评论推荐方法及装置 |
Non-Patent Citations (3)
Title |
---|
NANTHAPHAT KOETPHROM等: "Comparing Filtering Techniques in Restaurant Recommendation System", 《2018 2ND INTERNATIONAL CONFERENCE ON ENGINEERING INNOVATION (ICEI)》 * |
常雨竹: "个性化推荐算法平台指标分析系统设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
焦诗佳: "高影响力文献的预测与推荐研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114785852A (zh) * | 2022-04-07 | 2022-07-22 | 北京达佳互联信息技术有限公司 | 一种推送内容确定方法、装置、电子设备及存储介质 |
CN114785852B (zh) * | 2022-04-07 | 2024-04-09 | 北京达佳互联信息技术有限公司 | 一种推送内容确定方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114139046B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921221B (zh) | 用户特征的生成方法、装置、设备及存储介质 | |
CN109284417A (zh) | 视频推送方法、装置、计算机设备和存储介质 | |
CN112307344B (zh) | 对象推荐模型、对象推荐方法、装置及电子设备 | |
CN112633962B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN111460290B (zh) | 信息的推荐方法、装置、设备和存储介质 | |
CN111797320A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN114330752A (zh) | 排序模型训练方法和排序方法 | |
CN112883257A (zh) | 行为序列数据处理方法、装置、电子设备及存储介质 | |
CN114461869B (zh) | 业务特征数据处理方法、装置、电子设备及存储介质 | |
CN113641835B (zh) | 多媒体资源推荐方法、装置、电子设备及介质 | |
CN114139046B (zh) | 对象推荐方法、装置、电子设备及存储介质 | |
CN111177500A (zh) | 数据对象分类方法、装置、计算机设备和存储介质 | |
CN113157898B (zh) | 候选问题的推荐方法、装置、计算机设备及存储介质 | |
CN113918738A (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
CN110933504B (zh) | 视频推荐方法、装置、服务器和存储介质 | |
CN114491093B (zh) | 多媒体资源推荐、对象表征网络的生成方法及装置 | |
CN113836388A (zh) | 信息推荐方法、装置、服务器及存储介质 | |
CN112925723B (zh) | 测试服务推荐方法、装置、计算机设备及存储介质 | |
CN114510627A (zh) | 对象推送方法、装置、电子设备及存储介质 | |
CN114697725A (zh) | 直播间中的业务提问、回答处理方法、装置及电子设备 | |
CN114048392B (zh) | 多媒体资源推送方法、装置、电子设备及存储介质 | |
CN112860878A (zh) | 业务数据推荐方法、存储介质及设备 | |
CN110874612B (zh) | 时段预测方法、装置、计算机设备和存储介质 | |
CN116523546B (zh) | 智能读者行为分析预测系统数据采集分析的方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |