CN114297478A - 一种页面推荐方法、装置、设备以及存储介质 - Google Patents
一种页面推荐方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN114297478A CN114297478A CN202111522046.6A CN202111522046A CN114297478A CN 114297478 A CN114297478 A CN 114297478A CN 202111522046 A CN202111522046 A CN 202111522046A CN 114297478 A CN114297478 A CN 114297478A
- Authority
- CN
- China
- Prior art keywords
- page
- access
- historical
- access duration
- starting period
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开关于一种页面推荐方法、装置、设备以及存储介质,涉及计算机技术领域。本公开实施例至少解决相关技术中,无法向用户推荐最优页面的技术问题。该方法包括:获取用户账户的特征信息以及应用程序中各预设页面的页面特征;特征信息包括用户账户在应用程序中的历史行为数据;将特征信息以及各预设页面的页面特征输入预先训练好的预测模型,得到各预设页面的预测访问时长;预测模型的训练标签中,每个样本访问时长为根据历史启动周期内用户账户在应用程序各预设页面中的访问时长,以及历史启动周期之后的目标历史启动周期内用户账户在应用程序各预设页面中的访问时长确定得到的;基于预测访问时长,从各预设页面中确定待推荐页面。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种页面推荐方法、装置、设备以及存储介质。
背景技术
目前移动互联网应用程序(Application,APP)站内通常都包含有多个不同的内容区域,多以标签tab页进行切换呈现,以丰富用户账户体验、拓展业务边界,进而提升用户账户的留存粘性。用户账户打开APP时,首次呈现的页面直接决定最初的用户账户体验,对于用户账户的持续访问至关重要。相关技术中在确定APP首次呈现的页面的过程中,通常根据用户账户在历史阶段内登录或访问APP时,在各个页面中的历史行为数据,向用户账户推荐首次呈现的页面。
但是,在上述页面推荐方法中,由于采用历史阶段内各页面内的历史行为数据作为依据,只考虑短期内的用户账户停留时长或者粘性,较难从长远预测用户账户的留存粘性,进而可能导致向用户账户推荐的页面不是最优的。
发明内容
本公开提供一种页面推荐方法、装置、设备以及存储介质,以至少解决相关技术中,无法向用户账户推荐最优页面的技术问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种页面推荐方法,包括:获取用户账户的特征信息以及应用程序中各预设页面的页面特征;特征信息包括用户账户在应用程序中的历史行为数据;将特征信息以及各预设页面的页面特征输入预先训练好的预测模型进行访问时长的预测,得到各预设页面的预测访问时长;预测模型的训练标签包括多个样本访问时长;每个样本访问时长为根据历史启动周期内用户账户在应用程序各预设页面中的访问时长,以及历史启动周期之后的目标历史启动周期内用户账户在应用程序各预设页面中的访问时长确定得到的;基于预测访问时长,从各预设页面中确定待推荐页面。
可选的,上述方法还包括:对于多个历史启动周期中的每个历史启动周期,获取每个历史启动周期内用户账户在应用程序中各预设页面的访问时长,得到每个历史启动周期对应的访问时长;基于每个历史启动周期对应的访问时长,确定每个历史启动周期的独立访问时长;独立访问时长用于指示每个历史启动周期内用户账户在应用程序的各预设页面内的总访问时长;基于多个历史启动周期的启动时间顺序,从多个历史启动周期中确定每个历史启动周期之后的目标历史启动周期,并获取目标历史启动周期的独立访问时长;根据每个历史启动周期的独立访问时长,以及目标历史启动周期的独立访问时长,确定每个历史启动周期对应的样本访问时长,得到多个样本访问时长;将多个样本访问时长作为训练标签,将多个历史启动周期内样本用户账户的特征信息以及各预设页面的页面特征作为样本特征,训练预设神经网络模型,得到预测模型。
可选的,上述基于每个历史启动周期对应的访问时长,确定每个历史启动周期的独立访问时长,包括:从每个历史启动周期对应的访问时长中确定有效访问时长以及无效访问时长;有效访问时长为大于第一阈值的访问时长;无效访问时长为小于第二阈值的访问时长;第一阈值大于或者等于第二阈值;基于有效访问时长,确定每个历史启动周期的有效综合时长;有效综合时长用于表征有效访问时长的总和;基于无效访问时长,确定每个历史启动周期的无效综合时长;无效综合时长用于表征无效访问时长的总和;基于每个历史启动周期的有效综合时长以及无效综合时长,确定每个历史启动周期的独立访问时长。
可选的,上述根据每个历史启动周期的独立访问时长,以及目标历史启动周期的独立访问时长,确定每个历史启动周期对应的样本访问时长,得到多个样本访问时长,包括:基于每个历史启动周期的独立访问时长、目标历史启动周期的独立访问时长以及访问参数,确定每个历史启动周期对应的样本访问时长,得到多个样本访问时长;访问参数包括衰减因子,衰减因子用于指示目标历史启动周期的独立访问时长对每个历史启动周期对应的样本访问时长的影响逐渐减小。
可选的,上述基于每个历史启动周期的独立访问时长、目标历史启动周期的独立访问时长以及访问参数,确定每个历史启动周期对应的样本访问时长,得到多个样本访问时长,包括:基于每个历史启动周期的独立访问时长、目标历史启动周期的独立访问时长以及衰减因子,确定每个历史启动周期的综合访问时长,并将每个历史启动周期的综合访问时长确定为每个历史启动周期对应的样本访问时长。
可选的,上述访问参数还包括第三阈值;基于每个历史启动周期的独立访问时长、目标历史启动周期的独立访问时长以及访问参数,确定每个历史启动周期对应的样本访问时长,得到多个样本访问时长,包括:基于每个历史启动周期的独立访问时长、目标历史启动周期的独立访问时长以及衰减因子,确定每个历史启动周期的综合访问时长;基于每个历史启动周期的综合访问时长以及第三阈值,从多个历史启动周期内确定多个样本启动周期,并将多个样本启动周期的综合访问时长确定为多个样本访问时长;每个样本启动周期的综合访问时长大于第三阈值。
可选的,上述基于每个历史启动周期的独立访问时长、目标历史启动周期的独立访问时长以及衰减因子,确定每个历史启动周期的综合访问时长,包括:根据目标历史启动周期的独立访问时长以及衰减因子,确定目标历史启动周期的累计影响时长;累计影响时长包括各目标历史启动周期的独立访问时长,按照衰减因子影响每个历史启动周期的独立访问时长的影响时长之和;确定每个历史启动周期的独立访问时长,与目标历史启动周期的累计影响时长之和,为每个历史启动周期的综合访问时长。
可选的,上述基于预测访问时长,从各预设页面中确定待推荐页面,包括:基于各预设页面的预测访问时长以及各预设页面的页面点击信息,从各预设页面中确定待推荐页面;页面点击信息为基于预设的贝塔分布函数确定到的,页面点击信息用于表征页面被用户账户点击的概率。
根据本公开实施例的第二方面,提供一种页面推荐装置,包括获取单元、预测单元以及确定单元;获取单元,用于获取用户账户的特征信息以及应用程序中各预设页面的页面特征;特征信息包括用户账户在应用程序中的历史行为数据;预测单元,用于将特征信息以及各预设页面的页面特征输入预先训练好的预测模型进行访问时长的预测,得到各预设页面的预测访问时长;预测模型的训练标签包括多个样本访问时长;每个样本访问时长为根据历史启动周期内用户账户在应用程序各预设页面中的访问时长,以及历史启动周期之后的目标历史启动周期内用户账户在应用程序各预设页面中的访问时长确定得到的;确定单元,用于基于预测访问时长,从各预设页面中确定待推荐页面。
可选的,上述装置还包括训练单元;获取单元,还用于对于多个历史启动周期中的每个历史启动周期,获取每个历史启动周期内用户账户在应用程序中各预设页面的访问时长,得到每个历史启动周期对应的访问时长;确定单元,还用于基于每个历史启动周期对应的访问时长,确定每个历史启动周期的独立访问时长;独立访问时长用于指示每个历史启动周期内用户账户在应用程序的各预设页面内的总访问时长;确定单元,还用于基于多个历史启动周期的启动时间顺序,从多个历史启动周期中确定每个历史启动周期之后的目标历史启动周期,并获取目标历史启动周期的独立访问时长;确定单元,还用于根据每个历史启动周期的独立访问时长,以及目标历史启动周期的独立访问时长,确定每个历史启动周期对应的样本访问时长,得到多个样本访问时长;训练单元,用于将多个样本访问时长作为训练标签,将多个历史启动周期内样本用户账户的特征信息以及各预设页面的页面特征作为样本特征,训练预设神经网络模型,得到预测模型。
可选的,上述确定单元,具体用于:从每个历史启动周期对应的访问时长中确定有效访问时长以及无效访问时长;有效访问时长为大于第一阈值的访问时长;无效访问时长为小于第二阈值的访问时长;第一阈值大于或者等于第二阈值;基于有效访问时长,确定每个历史启动周期的有效综合时长;有效综合时长用于表征有效访问时长的总和;基于无效访问时长,确定每个历史启动周期的无效综合时长;无效综合时长用于表征无效访问时长的总和;基于每个历史启动周期的有效综合时长以及无效综合时长,确定每个历史启动周期的独立访问时长。
可选的,上述确定单元,具体用于:基于每个历史启动周期的独立访问时长、目标历史启动周期的独立访问时长以及访问参数,确定每个历史启动周期对应的样本访问时长,得到多个样本访问时长;访问参数包括衰减因子,衰减因子用于指示目标历史启动周期的独立访问时长对每个历史启动周期对应的样本访问时长的影响逐渐减小。
可选的,上述确定单元,具体用于:基于每个历史启动周期的独立访问时长、目标历史启动周期的独立访问时长以及衰减因子,确定每个历史启动周期的综合访问时长,并将每个历史启动周期的综合访问时长确定为每个历史启动周期对应的样本访问时长。
可选的,上述访问参数还包括第三阈值;上述确定单元,具体用于:基于每个历史启动周期的独立访问时长、目标历史启动周期的独立访问时长以及衰减因子,确定每个历史启动周期的综合访问时长;基于每个历史启动周期的综合访问时长以及第三阈值,从多个历史启动周期内确定多个样本启动周期,并将多个样本启动周期的综合访问时长确定为多个样本访问时长;每个样本启动周期的综合访问时长大于第三阈值。
可选的,上述确定单元,具体用于:根据目标历史启动周期的独立访问时长以及衰减因子,确定目标历史启动周期的累计影响时长;累计影响时长包括各目标历史启动周期的独立访问时长,按照衰减因子影响每个历史启动周期的独立访问时长的影响时长之和;确定每个历史启动周期的独立访问时长,与目标历史启动周期的累计影响时长之和,为每个历史启动周期的综合访问时长。
可选的,上述确定单元,具体用于:基于各预设页面的预测访问时长以及各预设页面的页面点击信息,从各预设页面中确定待推荐页面;页面点击信息为基于预设的贝塔分布函数确定到的,页面点击信息用于表征页面被用户账户点击的概率。
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、用于存储处理器可执行的指令的存储器;其中,处理器被配置为执行指令,以实现如第一方面及其任一种可能的设计方式所提供的页面推荐方法。
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如第一方面及其任一种可能的设计方式所提供的页面推荐方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,该计算机程序产品包括计算机指令,当计算机指令在电子设备上运行时,使得该电子设备执行如第一方面及其任一种可能的设计方式所提供的页面推荐方法。
本公开提供的技术方案至少带来以下有益效果:由于在训练过程中,训练标签中的每个样本访问时长为根据历史启动周期内用户账户在应用程序各预设页面中的访问时长,以及历史启动周期之后的目标历史启动周期内用户账户在应用程序各预设页面中的访问时长确定得到的。这样一来,基于上述预测模型预测得到的预测访问时长,包括有不同启动周期内的访问时长之间的影响,能够表征出长远的用户账户留存粘性,进而可以基于全局以及长期的收益考虑,确定得到最优的待推荐页面。
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多页面推荐系统的结构示意图;
图2是根据一示例性实施例示出的一种页面推荐方法的流程示意图之一;
图3是根据一示例性实施例示出的一种页面推荐方法的流程示意图之二;
图4是根据一示例性实施例示出的一种页面推荐方法的流程示意图之三;
图5是根据一示例性实施例示出的一种页面推荐方法的流程示意图之四;
图6是根据一示例性实施例示出的一种页面推荐方法的流程示意图之五;
图7是根据一示例性实施例示出的一种页面推荐方法的流程示意图之六;
图8是根据一示例性实施例示出的一种页面推荐装置的结构示意图;
图9是根据一示例性实施例示出的一种电子设备的结构示意图。
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。
另外,在本公开实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B。本文中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,在本公开实施例的描述中,“多个”是指两个或多于两个。
本公开实施例提供的一种页面推荐方法可以适用于页面推荐系统。图1示出了该页面推荐系统的一种结构示意图。如图1所示,页面推荐系统10用于解决相关技术中,无法向用户账户推荐最优页面的技术问题。页面推荐系统10包括页面推荐装置11以及电子设备12。页面推荐装置11与电子设备12连接,页面推荐装置11与电子设备12之间可以采用有线方式连接,也可以采用无线方式连接,本公开实施例对此不作限定。
电子设备12用于接收用户账户请求登录应用程序的登录请求,并获取用户账户的用户账户信息、历史行为数据、应用程序中页面的上下文信息等,并将获取到的信息发送至页面推荐装置。
页面推荐装置11可以用于与电子设备12进行数据交互,例如,页面推荐装置11可以从电子设备12中获取用户账户的用户账户信息、用户账户的历史行为数据以及应用程序中页面的上下文信息等。
页面推荐装置11还可以执行本公开实施例中的页面推荐方法,例如,将获取到的特征信息以及每个预设页面的页面特征输入预先训练好的预测模型,以预测得到每个预设页面的预测访问时长,并根据预测得到的预测访问时长,确定用于向用户账户推荐的待推荐页面。
需要说明的,页面推荐装置11和电子设备12可以为相互独立的设备,也可以集成于同一设备中,本发明对此不作具体限定。上述电子设备12可以为安装有应用程序的终端,也可以为用于开发、测试、搭载应用程序的服务器、服务器集群。
当页面推荐装置11和电子设备12集成于同一设备时,页面推荐装置11和电子设备12之间的通信方式为该设备内部模块之间的通信。这种情况下,二者之间的通信流程与“页面推荐装置11和电子设备12之间相互独立的情况下,二者之间的通信流程”相同。
在本发明提供的以下实施例中,本发明以页面推荐装置11和电子设备12相互独立设置为例进行说明。
在实际应用中,本发明实施例提供的页面推荐方法可以应用于页面推荐装置,也可以应用于包括页面推荐装置的电子设备或者其他类似设备,下面结合附图,以页面推荐方法应用于页面推荐装置为例,对本发明实施例提供的页面推荐方法进行描述。
如图2所示,本公开实施例提供的页面推荐方法包括下述S201-S203。
S201、页面推荐装置获取用户账户的特征信息以及应用程序中各预设页面的页面特征。
其中,特征信息包括用户账户在应用程序中的历史行为数据。页面特征用于标识应用程序中各预设页面的上下文信息。
作为一种可能的实现方式,页面推荐装置可以从电子设备中获取用户账户在应用程序中的历史行为数据,和/或,用户账户的账户信息,并将获取到的历史行为数据,和/或用户账户信息转换为特征信息。
需要说明的,特征信息还包括用户账户的账户信息。
示例性的,用户账户在应用程序中的历史行为数据,包括用户账户在应用程序中每个预设页面中的访问时长、播放视频时长、点赞、关注以及添加好友等行为操作记录。用户账户的账户信息,包括用户账户的年龄、性别、所在区域、分组等信息。预设页面的上下文信息包括预设页面的类型、所在场景、显示时间段、网络信息等。
S202、页面推荐装置将特征信息以及各预设页面的页面特征输入预先训练好的预测模型进行访问时长的预测,得到各预设页面的预测访问时长。
其中,预测模型的训练标签包括多个样本访问时长。每个样本访问时长为根据历史启动周期内用户账户在应用程序各预设页面中的访问时长,以及历史启动周期之后的目标历史启动周期内用户账户在应用程序各预设页面中的访问时长确定得到的。预测访问时长包括在将预设页面作为首个显示页面的情况下,用户账户在应用程序中的累计访问时长。
作为一种可能的实现方式,页面推荐装置将特征信息以及各预设页面的页面特征输入预测模型,并将预测模型输出的预测结果确定为各预设页面的预测访问时长。
作为一种示例,上述预测模型可以为双深度学习(double Deep Q Network,double DQN)模型。
S203、页面推荐装置基于预测访问时长,从各预设页面中确定待推荐页面。
作为一种可能的实现方式,页面推荐装置根据预测得到的预测访问时长,确定预测访问时长最大的预设页面为待推荐页面。
此步骤的其他实现方式,具体可以参照本公开实施例的后续描述,此处不再进行赘述。
本公开提供的技术方案至少带来以下有益效果:由于在训练过程中,训练标签中的每个样本访问时长为根据历史启动周期内用户账户在应用程序各预设页面中的访问时长,以及历史启动周期之后的目标历史启动周期内用户账户在应用程序各预设页面中的访问时长确定得到的。这样一来,基于上述预测模型预测得到的预测访问时长,包括有不同启动周期内的访问时长之间的影响,能够表征出长远的用户账户留存粘性,进而可以基于全局以及长期的收益考虑,确定得到最优的待推荐页面。
在一种设计中,为了能够基于多个样本访问时长训练得到预测模型,如图3所示,本公开实施例提供的页面推荐方法,还包括下述S301-S306。
S301、对于多个历史启动周期中的每个历史启动周期,页面推荐装置获取每个历史启动周期内用户账户在应用程序中各预设页面的访问时长,得到每个历史启动周期对应的访问时长。
其中,历史启动周期为用户账户在历史阶段启动应用程序并在应用程序中停留的时间段。
作为一种可能的实现方式,页面推荐装置确定多个历史启动周期,并获取每个历史启动周期内,用户账户在应用程序的各预设页面中的访问时长。
需要说明的,访问时长可以为用户账户在预设页面中的停留时长。
示例性的,应用程序中包括有5个页面,对于任意一个历史启动周期,页面推荐装置获取用户账户在5个页面中的停留时长,分别作为用户账户在5个页面中的访问时长。
S302、页面推荐装置基于每个历史启动周期对应的访问时长,确定每个历史启动周期的独立访问时长。
其中,独立访问时长用于指示每个历史启动周期内用户账户在应用程序的各预设页面内的总访问时长。
作为一种可能的实现方式,对于任意一个历史启动周期,页面推荐装置计算该历史启动周期内,用户账户在每个预设页面中的访问时长之和,作为该历史启动周期的独立访问时长。
此步骤的具体实现方式,还可以参照本公开实施例的后续描述,此处不再进行赘述。
S303、页面推荐装置基于多个历史启动周期的启动时间顺序,从多个历史启动周期中确定每个历史启动周期之后的目标历史启动周期。
作为一种可能的实现方式,对于任意一个历史启动周期,页面推荐装置基于该历史启动周期在多个历史启动周期中的时间顺序,确定位于该历史启动周期之后的目标历史启动周期。
示例性的,多个历史启动周期的数量为10个,对于第5个历史启动周期,第5个历史启动周期对应的目标历史启动周期为第6个历史启动周期至第10个历史启动周期。
S304、页面推荐装置获取目标历史启动周期的独立访问时长。
作为一种可能的实现方式,页面推荐装置根据目标历史启动周期的标识,从S302中多个历史启动周期中每个历史启动周期的独立访问时长中获取每个目标历史启动周期的独立访问时长。
S305、页面推荐装置根据每个历史启动周期的独立访问时长,以及目标历史启动周期的独立访问时长,确定每个历史启动周期对应的样本访问时长,得到多个样本访问时长。
作为一种可能的实现方式,对于任意一个历史启动周期,页面推荐装置计算该历史启动周期的独立访问时长与目标历史启动周期的独立访问时长的和,作为该历史启动周期对应的样本访问时长。进一步的,页面推荐装置将所有历史启动周期对应的样本访问时长作为多个样本访问时长。
此步骤的具体实现方式,还可以参照本公开实施例的后续描述,此处不再进行赘述。
S306、页面推荐装置将多个样本访问时长作为训练标签,将多个历史启动周期内样本用户账户的特征信息以及各预设页面的页面特征作为样本特征,训练预设神经网络模型,得到预测模型。
作为一种可能的实现方式,页面推荐装置将多个样本访问时长作为训练样本中的样本标签,将每个样本访问时长对应的用户账户的历史行为数据,和/或,用户账户的用户账户信息,以及每个预设页面的页面特征作为训练样本中的样本特征,对预设神经网络模型进行有监督训练,以训练得到预测模型。
此步骤中,对初始预测模型进行训练的实现方式,可以参照现有技术,此处不再进行赘述。
本公开提供的技术方案至少带来以下有益效果:能够按照历史启动周期为单位,确定每个历史启动周期对应的独立访问时长以及目标启动周期的独立访问时长,并基于确定到的独立访问时长,确定用于表征用户账户在应用程序中的累计访问时长的多个样本访问时长。进一步的,将确定到的多个样本访问时长作为样本标签,能够训练得到上述预测模型,同时以保证预测模型能够预测用户账户在应用程序中的预测访问时长。
在一种设计中,应用程序中每个预设页面的类型不同,例如包括商品显示页面,以及视频播放页面,对于不同类型的预设页面,用户账户在每个预设页面的访问时长之间具有不同的可比性,这样可能会导致确定到的独立访问时长不够准确,因此,为了确保确定到的独立访问时长的准确性,如图4所示,本公开实施例提供的上述S302,可以包括下述S401-S404。
S401、页面推荐装置从每个历史启动周期对应的访问时长中确定有效访问时长以及无效访问时长。
其中,有效访问时长为大于第一阈值的访问时长。无效访问时长为小于第二阈值的访问时长。第一阈值大于或者等于第二阈值。
作为一种可能的实现方式,对于任意一个历史启动周期中应用程序所包括的预设页面,页面推荐装置根据每个预设页面的访问时长,确定访问时长大于第一阈值的预设页面为有效页面,并确定该有效页面的访问时长为有效访问时长。
同时,页面推荐装置还确定访问时长小于第二阈值的预设页面为无效页面,并确定该无效页面的访问时长为无效时长。
需要说明的,第一阈值以及第二阈值可以由页面推荐系统的运维人员预先在页面推荐装置中设置。
示例性的,第一阈值可以为7秒,第二阈值也可以为7秒。
S402、页面推荐装置基于有效访问时长,确定每个历史启动周期的有效综合时长。
其中,有效综合时长用于表征有效访问时长的总和。
作为一种可能的实现方式,对于任意一个历史启动周期,页面推荐装置确定该历史启动周期对应的所有有效访问时长之和为该历史启动周期的有效综合时长。
作为另外一种可能的实现方式,对于任意一个历史启动周期,页面推荐装置将该历史启动周期对应的所有有效访问时长进行加权,以得到该历史启动周期的有效综合时长。
此步骤中,不同预设页面的有效时长对应的权重也不同,示例性的,商品显示页面对应的权重大于视频播放页面的权重。
可以理解的,由于视频播放页面的页面特性为播放视频,用户账户在该类型预设页面中的停留时间较长,因此为了统一不同类型预设页面的访问时长的可比性,为不同类型的预设页面设置不同的权重,能够实现不同类型预设页面的访问时长的可比性。
S403、页面推荐装置基于确定到的无效访问时长,确定每个历史启动周期的无效综合时长。
其中,无效综合时长用于表征无效访问时长的总和。
作为一种可能的实现方式,对于任意一个历史启动周期,页面推荐装置确定该历史启动周期对应的所有无效访问时长之和为该历史启动周期的无效综合时长。
作为另外一种可能的实现方式,对于任意一个历史启动周期,页面推荐装置将该历史启动周期对应的所有无效访问时长进行加权,以得到该历史启动周期的无效综合时长。
此步骤中,不同页面的无效时长对应的权重也不同,示例性的,商品显示页面对应的权重大于视频播放页面的权重。
可以理解的,由于视频播放页面的页面特性为播放视频,用户账户在该类型预设页面中的停留时间较长,因此为了统一不同类型页面的访问时长的可比性,为不同类型的预设页面设置不同的权重,能够实现不同类型预设页面的访问时长的可比性。
需要说明的,在实际应用过程中,可以先执行S402,后执行S403,也可以先执行S403,后执行S402,还可以同时执行S402以及S403。
S404、页面推荐装置基于每个历史启动周期的有效综合时长以及无效综合时长,确定每个历史启动周期的独立访问时长。
作为一种可能的实现方式,对于任意一个历史启动周期,页面推荐装置可以将该历史启动周期对应的有效综合时长以及无效综合时长求和,并将计算结果作为该历史启动周期的独立访问时长。
作为另外一种可能的实现方式,页面推荐装置还可以将该历史启动周期的有效综合时长以及无效综合时长进行加权,以得到该历史启动周期的独立访问时长。
需要说明的,有效综合时长的权重大于无效综合时长的权重。
本公开提供的技术方案至少带来以下有益效果:为不同类型的预设页面的有效访问时长设置不同的权重,以及为不同类型的无效访问时长设置不同的权重,能够使得不同预设页面类型对应的访问时长之间具有可比性,使得确定得到的独立访问时长更加准确。同时,将有效综合时长以及无效综合时长进行加权,并且对其设置不同的权重,能够进一步的确保计算得到的独立访问时长更加准确。
在一种设计中,为了能够得到多个样本访问时长,如图5所示,本公开实施例提供的S305,具体可以包括下述S501。
S501、页面推荐装置基于每个历史启动周期的独立访问时长、目标历史启动周期的独立访问时长以及访问参数,确定每个历史启动周期对应的样本访问时长,得到多个样本访问时长。
其中,访问参数包括衰减因子,衰减因子用于指示目标历史启动周期的独立访问时长对每个历史启动周期对应的样本访问时长的影响逐渐减小。
作为一种可能的实现方式,页面推荐装置可以基于每个历史启动周期的独立访问时长、目标历史启动周期的独立访问时长以及衰减因子,确定每个历史启动周期的综合访问时长,并将每个历史启动周期的综合访问时长确定为每个历史启动周期对应的样本访问时长。
在一些实施例中,为了能够计算得到每个历史启动周期的综合访问时长,本公开实施例提供的页面推荐方法中,上述确定综合访问时长的步骤具体可以包括下述S1-S2。
S1、页面推荐装置根据目标历史启动周期的独立访问时长以及衰减因子,确定目标历史启动周期的累计影响时长。
其中,累计影响时长包括各目标历史启动周期的独立访问时长,按照衰减因子影响每个历史启动周期的独立访问时长的影响时长之和。
作为一种可能的实现方式,目标历史启动周期的累计影响时长满足以下公式:
其中,T累计影响为目标启动周期的累计访问时长,a为衰减因子,j为目标历史启动周期的序次,T独立j为第j次历史启动周期的独立访问时长。
S2、页面推荐装置确定每个历史启动周期的独立访问时长,与目标历史启动周期的累计影响时长之和,为每个历史启动周期的综合访问时长。
可以理解的,结合上述S1-S2,每个历史启动周期的综合访问时长,满足以下公式:
其中,T综合i为第i个历史启动周期的综合访问时长,T独立i为第i个历史启动周期的独立访问时长,a为衰减因子,j为目标历史启动周期的序次,T独立j为第j次历史启动周期的独立访问时长。
本公开提供的技术方案至少带来以下有益效果:在确定多个样本访问时长的过程中,由于每个样本访问时长包括有目标历史启动周期的独立访问时长对样本访问时长的影响,因此可以确保确定得到的样本访问时长能够真实的表征用户账户在应用程序内的累计访问时长。同时,将每个历史启动周期的综合访问时长作为样本访问时长,可以进一步的确保确定到的样本访问时长的准确性。进一步的,采用上述公式,提供了一种确定历史启动周期的综合访问时长的实现方式。
在一种设计中,由于确定到的综合访问时长中可能存在一定数量的噪声数据,因此,为了能够进一步保证样本数据的准确性,如图6所示,本公开实施例提供的S501,具体还可以包括下述S601-S603。
S601、页面推荐装置基于每个历史启动周期的独立访问时长、目标历史启动周期的独立访问时长以及衰减因子,确定每个历史启动周期的综合访问时长。
需要说明的,此步骤的具体实现方式,可以参照本公开该实施例提供的上述S1-S2中的公式,此处不再进行赘述。
S602、页面推荐装置基于每个历史启动周期的综合访问时长以及第三阈值,从多个历史启动周期内确定多个样本启动周期。
其中,第三阈值位于访问参数中,每个样本启动周期的综合访问时长大于第三阈值。
作为一种可能的实现方式,页面推荐装置根据第三阈值,从确定到的多个历史启动周期的综合访问时长中,确定综合访问时长大于第三阈值的历史启动周期为样本启动周期。
需要说明的,第三阈值可以由运维人员预先在页面推荐装置中设置,第三阈值也可以由页面推荐装置将确定到的多个综合访问时长从大到小进行排序,并基于排序结果以及预设的取样数量,确定取样数量个综合访问时长中的最小值为第三阈值。
示例性的,大于第三阈值的综合访问时长可以为正样本,小于第三阈值的综合访问时长可以为负样本。
S603、页面推荐装置将多个样本启动周期的综合访问时长确定为多个样本访问时长。
本公开提供的技术方案至少带来以下有益效果:从确定到的综合访问时长中确定正样本,并将确定到的正样本作为多个样本访问时长,能够去除样本数据中的噪声数据,进而确保训练得到的预测模型的准确性。
在一种设计中,本公开实施例提供的页面推荐方法中,为了使得确定到的待推荐页面更加符合用户账户的行为方式,如图7所示,本公开实施例提供的上述S203,具体可以包括S701-S702。
S701、页面推荐装置获取各预设页面的页面点击信息。
页面点击信息为基于预设的贝塔分布函数确定到的,页面点击信息用于表征页面被用户账户点击的概率。
作为一种可能的实现方式,页面推荐装置可以从其存储器中获取每个预设页面的页面点击信息。
需要说明的,页面推荐装置中维护有每个预设页面的贝塔分布函数。每个预设页面的贝塔分布函数中包括有第一参数以及第二参数。第一参数用于指示该预设页面被击中的次数,第二参数用于指示该预设页面未被击中的次数。
在一些实施例中,当页面推荐装置确定任意一个预设页面被用户账户点击、关注、收藏、或者浏览时长大于预设阈值时,将第一参数加一。相反的,若任意一个预设页面未被用户账户点击、关注、收藏或者浏览时长小于预设阈值,页面推荐装置将第二参数加一。
进一步的,页面推荐装置根据包括更新后的第一参数以及第二参数的贝塔分布函数,确定每个预设页面的页面点击信息,并将每个预设页面的页面点击信息进行存储。
S702、页面推荐装置基于各预设页面的预测访问时长以及各预设页面的页面点击信息,从各预设页面中确定待推荐页面。
作为一种可能的实现方式,页面推荐装置将预测访问时长以及页面点击信息中的点击概率进行加权,并根据加权结果的大小,将加权结果的最大值对应的预设页面确定为待推荐页面。
本公开提供的技术方案至少带来以下有益效果:在确定待推荐页面的过程中,能够基于贝塔分布函数维护每个预设页面的页面点击信息,并考虑到页面点击信息对推荐结果的影响,能够在一定程度上避免了推荐结果的收敛,同时还能够保证推荐结果具有一定的探索性。
图8是根据一示例性实施例示出的一种页面推荐装置的结构示意图。参照图8所示,本公开实施例提供的页面推荐装置80,包括获取单元801、预测单元802以及确定单元803。
获取单元801,用于获取用户账户的特征信息以及应用程序中各预设页面的页面特征。特征信息包括用户账户在应用程序中的历史行为数据。
预测单元802,用于将特征信息以及各预设页面的页面特征输入预先训练好的预测模型进行访问时长的预测,得到各预设页面的预测访问时长。预测模型的训练标签包括多个样本访问时长。每个样本访问时长为根据历史启动周期内用户账户在应用程序各预设页面中的访问时长,以及历史启动周期之后的目标历史启动周期内用户账户在应用程序各预设页面中的访问时长确定得到的。
确定单元803,用于基于预测访问时长,从各预设页面中确定待推荐页面。
可选的,如图8所示,本公开实施例提供的装置80还包括训练单元804。
获取单元801,还用于对于多个历史启动周期中的每个历史启动周期,获取每个历史启动周期内用户账户在应用程序中各预设页面的访问时长,得到每个历史启动周期对应的访问时长。
确定单元803,还用于基于每个历史启动周期对应的访问时长,确定每个历史启动周期的独立访问时长。独立访问时长用于指示每个历史启动周期内用户账户在应用程序的各预设页面内的总访问时长。
确定单元803,还用于基于多个历史启动周期的启动时间顺序,从多个历史启动周期中确定每个历史启动周期之后的目标历史启动周期,并获取目标历史启动周期的独立访问时长。
确定单元803,还用于根据每个历史启动周期的独立访问时长,以及目标历史启动周期的独立访问时长,确定每个历史启动周期对应的样本访问时长,得到多个样本访问时长。
训练单元804,用于将多个样本访问时长作为训练标签,将多个历史启动周期内样本用户账户的特征信息以及各预设页面的页面特征作为样本特征,训练预设神经网络模型,得到预测模型。
可选的,如图8所示,本公开实施例提供的确定单元803,具体用于:
从每个历史启动周期对应的访问时长中确定有效访问时长以及无效访问时长。有效访问时长为大于第一阈值的访问时长。无效访问时长为小于第二阈值的访问时长。第一阈值大于或者等于第二阈值。
基于有效访问时长,确定每个历史启动周期的有效综合时长。有效综合时长用于表征有效访问时长的总和。
基于无效访问时长,确定每个历史启动周期的无效综合时长。无效综合时长用于表征无效访问时长的总和。
基于每个历史启动周期的有效综合时长以及无效综合时长,确定每个历史启动周期的独立访问时长。
可选的,如图8所示,本公开实施例提供的确定单元803,具体用于:
基于每个历史启动周期的独立访问时长、目标历史启动周期的独立访问时长以及访问参数,确定每个历史启动周期对应的样本访问时长,得到多个样本访问时长。访问参数包括衰减因子,衰减因子用于指示目标历史启动周期的独立访问时长对每个历史启动周期对应的样本访问时长的影响逐渐减小。
可选的,如图8所示,本公开实施例提供的确定单元803,具体用于:
基于每个历史启动周期的独立访问时长、目标历史启动周期的独立访问时长以及衰减因子,确定每个历史启动周期的综合访问时长,并将每个历史启动周期的综合访问时长确定为每个历史启动周期对应的样本访问时长。
可选的,如图8所示,本公开实施例提供的访问参数还包括第三阈值。确定单元803,具体用于:
基于每个历史启动周期的独立访问时长、目标历史启动周期的独立访问时长以及衰减因子,确定每个历史启动周期的综合访问时长。
基于每个历史启动周期的综合访问时长以及第三阈值,从多个历史启动周期内确定多个样本启动周期,并将多个样本启动周期的综合访问时长确定为多个样本访问时长。每个样本启动周期的综合访问时长大于第三阈值。
可选的,如图8所示,本公开实施例提供的确定单元803,具体用于:
根据目标历史启动周期的独立访问时长以及衰减因子,确定目标历史启动周期的累计影响时长。累计影响时长包括各目标历史启动周期的独立访问时长,按照衰减因子影响每个历史启动周期的独立访问时长的影响时长之和。
确定每个历史启动周期的独立访问时长,与目标历史启动周期的累计影响时长之和,为每个历史启动周期的综合访问时长。
可选的,如图8所示,本公开实施例提供的确定单元803,具体用于:
基于各预设页面的预测访问时长以及各预设页面的页面点击信息,从各预设页面中确定待推荐页面。页面点击信息为基于预设的贝塔分布函数确定到的,页面点击信息用于表征页面被用户账户点击的概率。
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9是本公开提供的一种电子设备的结构示意图。该电子设备可以为上述第一节点或者第二节点。如图9,该电子设备90可以包括至少一个处理器901以及用于存储处理器可执行指令的存储器903。其中,处理器901被配置为执行存储器903中的指令,以实现上述实施例中的页面推荐方法。
另外,电子设备90还可以包括通信总线902以及至少一个通信接口904。
处理器901可以是一个处理器(central processing units,CPU),微处理单元,ASIC,或一个或多个用于控制本公开方案程序执行的集成电路。
通信总线902可包括一通路,在上述组件之间传送信息。
通信接口904,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN)等。
存储器903可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线与处理单元相连接。存储器也可以和处理单元集成在一起。
其中,存储器903用于存储执行本公开方案的指令,并由处理器901来控制执行。处理器901用于执行存储器903中存储的指令,从而实现本公开方法中的功能。
作为一个示例,结合图8,页面推荐装置80中的获取单元801、预测单元802、确定单元803以及训练单元804实现的功能与图9中的处理器901的功能相同。
在具体实现中,作为一种实施例,处理器901可以包括一个或多个CPU,例如图9中的CPU0和CPU1。
在具体实现中,作为一种实施例,电子设备90可以包括多个处理器,例如图9中的处理器901和处理器907。这些处理器中的每一个可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
在具体实现中,作为一种实施例,电子设备90还可以包括输出设备905和输入设备906。输出设备905和处理器901通信,可以以多种方式来显示信息。例如,输出设备905可以是液晶显示器(liquid crystal display,LCD),发光二级管(light emitting diode,LED)显示设备,阴极射线管(cathode ray tube,CRT)显示设备,或投影仪(projector)等。输入设备906和处理器901通信,可以以多种方式接受用户账户的输入。例如,输入设备906可以是鼠标、键盘、触摸屏设备或传感设备等。
本领域技术人员可以理解,图9中示出的结构并不构成对电子设备90的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
另外,本公开还提供一种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如上述实施例所提供的页面推荐方法。
另外,本公开还提供一种计算机程序产品,包括计算机指令,当计算机指令在电子设备上运行时,使得电子设备执行如上述实施例所提供的页面推荐方法。
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。本公开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权利要求指出。
Claims (10)
1.一种页面推荐方法,其特征在于,包括:
获取用户账户的特征信息以及应用程序中各预设页面的页面特征;所述特征信息包括所述用户账户在所述应用程序中的历史行为数据;
将所述特征信息以及各所述预设页面的所述页面特征输入预先训练好的预测模型进行访问时长的预测,得到各所述预设页面的预测访问时长;所述预测模型的训练标签包括多个样本访问时长;每个样本访问时长为根据历史启动周期内所述用户账户在所述应用程序各所述预设页面中的访问时长,以及所述历史启动周期之后的目标历史启动周期内所述用户账户在所述应用程序各所述预设页面中的访问时长确定得到的;
基于所述预测访问时长,从各所述预设页面中确定待推荐页面。
2.根据权利要求1所述的页面推荐方法,其特征在于,所述方法还包括:
对于多个历史启动周期中的每个历史启动周期,获取所述每个历史启动周期内所述用户账户在所述应用程序中各所述预设页面的访问时长,得到所述每个历史启动周期对应的访问时长;
基于所述每个历史启动周期对应的访问时长,确定所述每个历史启动周期的独立访问时长;所述独立访问时长用于指示所述每个历史启动周期内所述用户账户在所述应用程序的各所述预设页面内的总访问时长;
基于所述多个历史启动周期的启动时间顺序,从所述多个历史启动周期中确定所述每个历史启动周期之后的所述目标历史启动周期,并获取所述目标历史启动周期的所述独立访问时长;
根据所述每个历史启动周期的独立访问时长,以及所述目标历史启动周期的所述独立访问时长,确定所述每个历史启动周期对应的所述样本访问时长,得到所述多个样本访问时长;
将所述多个样本访问时长作为训练标签,将所述多个历史启动周期内样本用户账户的所述特征信息以及各所述预设页面的所述页面特征作为样本特征,训练预设神经网络模型,得到所述预测模型。
3.根据权利要求2所述的页面推荐方法,其特征在于,所述基于所述每个历史启动周期对应的访问时长,确定所述每个历史启动周期的独立访问时长,包括:
从所述每个历史启动周期对应的访问时长中确定有效访问时长以及无效访问时长;所述有效访问时长为大于第一阈值的所述访问时长;所述无效访问时长为小于第二阈值的所述访问时长;所述第一阈值大于或者等于所述第二阈值;
基于所述有效访问时长,确定所述每个历史启动周期的有效综合时长;所述有效综合时长用于表征所述有效访问时长的总和;
基于所述无效访问时长,确定所述每个历史启动周期的无效综合时长;所述无效综合时长用于表征所述无效访问时长的总和;
基于所述每个历史启动周期的所述有效综合时长以及所述无效综合时长,确定所述每个历史启动周期的所述独立访问时长。
4.根据权利要求2所述的页面推荐方法,其特征在于,所述根据所述每个历史启动周期的独立访问时长,以及所述目标历史启动周期的所述独立访问时长,确定所述每个历史启动周期对应的所述样本访问时长,得到所述多个样本访问时长,包括:
基于所述每个历史启动周期的所述独立访问时长、所述目标历史启动周期的所述独立访问时长以及访问参数,确定所述每个历史启动周期对应的所述样本访问时长,得到所述多个样本访问时长;所述访问参数包括衰减因子,所述衰减因子用于指示所述目标历史启动周期的所述独立访问时长对所述每个历史启动周期对应的所述样本访问时长的影响逐渐减小。
5.根据权利要求4所述的页面推荐方法,其特征在于,所述基于所述每个历史启动周期的所述独立访问时长、所述目标历史启动周期的所述独立访问时长以及访问参数,确定所述每个历史启动周期对应的所述样本访问时长,得到所述多个样本访问时长,包括:
基于所述每个历史启动周期的所述独立访问时长、所述目标历史启动周期的所述独立访问时长以及所述衰减因子,确定所述每个历史启动周期的综合访问时长,并将所述每个历史启动周期的所述综合访问时长确定为所述每个历史启动周期对应的所述样本访问时长。
6.根据权利要求4所述的页面推荐方法,其特征在于,所述访问参数还包括第三阈值;所述基于所述每个历史启动周期的所述独立访问时长、所述目标历史启动周期的所述独立访问时长以及访问参数,确定所述每个历史启动周期对应的所述样本访问时长,得到所述多个样本访问时长,包括:
基于所述每个历史启动周期的所述独立访问时长、所述目标历史启动周期的所述独立访问时长以及所述衰减因子,确定所述每个历史启动周期的综合访问时长;
基于所述每个历史启动周期的所述综合访问时长以及所述第三阈值,从所述多个历史启动周期内确定多个样本启动周期,并将所述多个样本启动周期的所述综合访问时长确定为所述多个样本访问时长;每个样本启动周期的所述综合访问时长大于所述第三阈值。
7.一种页面推荐装置,其特征在于,包括:获取单元、预测单元以及确定单元;
所述获取单元,用于获取用户账户的特征信息以及应用程序中各预设页面的页面特征;所述特征信息包括所述用户账户在所述应用程序中的历史行为数据;
所述预测单元,用于将所述特征信息以及各所述预设页面的所述页面特征输入预先训练好的预测模型进行访问时长的预测,得到各所述预设页面的预测访问时长;所述预测模型的训练标签包括多个样本访问时长;每个样本访问时长为根据历史启动周期内所述用户账户在所述应用程序各所述预设页面中的访问时长,以及所述历史启动周期之后的目标历史启动周期内所述用户账户在所述应用程序各所述预设页面中的访问时长确定得到的;
所述确定单元,用于基于所述预测访问时长,从各所述预设页面中确定待推荐页面。
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的指令的存储器;其中,所述处理器被配置为执行指令,以实现所述权利要求1-6中任一项所述的页面推荐方法。
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1-6中任一项所述的页面推荐方法。
10.一种计算机程序产品,包括指令,其特征在于,所述计算机程序产品包括计算机指令,当所述计算机指令在电子设备上运行时,使得所述电子设备执行如权利要求1-6中任意一项所述的页面推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111522046.6A CN114297478A (zh) | 2021-12-13 | 2021-12-13 | 一种页面推荐方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111522046.6A CN114297478A (zh) | 2021-12-13 | 2021-12-13 | 一种页面推荐方法、装置、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114297478A true CN114297478A (zh) | 2022-04-08 |
Family
ID=80966656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111522046.6A Pending CN114297478A (zh) | 2021-12-13 | 2021-12-13 | 一种页面推荐方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114297478A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115412759A (zh) * | 2022-09-14 | 2022-11-29 | 北京字跳网络技术有限公司 | 信息显示方法、装置、设备、计算机可读存储介质及产品 |
CN117217852A (zh) * | 2023-08-03 | 2023-12-12 | 广州兴趣岛信息科技有限公司 | 一种基于行为识别购买意愿度预测方法及装置 |
-
2021
- 2021-12-13 CN CN202111522046.6A patent/CN114297478A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115412759A (zh) * | 2022-09-14 | 2022-11-29 | 北京字跳网络技术有限公司 | 信息显示方法、装置、设备、计算机可读存储介质及产品 |
CN117217852A (zh) * | 2023-08-03 | 2023-12-12 | 广州兴趣岛信息科技有限公司 | 一种基于行为识别购买意愿度预测方法及装置 |
CN117217852B (zh) * | 2023-08-03 | 2024-02-27 | 广州兴趣岛信息科技有限公司 | 一种基于行为识别购买意愿度预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11868375B2 (en) | Method, medium, and system for personalized content delivery | |
US11694109B2 (en) | Data processing apparatus for accessing shared memory in processing structured data for modifying a parameter vector data structure | |
CN109074607B (zh) | 学得模型提供方法和学得模型提供装置 | |
KR101888919B1 (ko) | 사용자 영향력 기반의 광고 마케팅 방법 및 그를 위한 장치 | |
RU2720905C2 (ru) | Способ и система для расширения поисковых запросов с целью ранжирования результатов поиска | |
US9064212B2 (en) | Automatic event categorization for event ticket network systems | |
US8504558B2 (en) | Framework to evaluate content display policies | |
RU2720954C1 (ru) | Способ и система построения поискового индекса с использованием алгоритма машинного обучения | |
US11238132B2 (en) | Method and system for using existing models in connection with new model development | |
CN110119477B (zh) | 一种信息推送方法、装置和存储介质 | |
US11809505B2 (en) | Method for pushing information, electronic device | |
CN111563158B (zh) | 文本排序方法、排序装置、服务器和计算机可读存储介质 | |
CN111405030A (zh) | 一种消息推送方法、装置、电子设备和存储介质 | |
CN116362359A (zh) | 基于ai大数据的用户满意度预测方法、装置、设备及介质 | |
WO2014020076A1 (en) | A method and appararus for providing a response to a query | |
CN115018552A (zh) | 产品点击率确定方法 | |
JP7041299B1 (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
CN114297478A (zh) | 一种页面推荐方法、装置、设备以及存储介质 | |
KR102368043B1 (ko) | 사용자 정의 토픽 모델링을 활용한 사용자 관심 뉴스 추천 장치 및 그 방법 | |
Gezici et al. | Neural sentiment analysis of user reviews to predict user ratings | |
Voronov et al. | Forecasting popularity of news article by title analyzing with BN-LSTM network | |
CN114219663A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN113254761A (zh) | 特定行为信息智能预警系统及方法 | |
CN112200602A (zh) | 用于广告推荐的神经网络模型训练方法及装置 | |
JP7043648B1 (ja) | 情報処理装置、情報処理方法および情報処理プログラム |
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 |