CN114329280A - 用于资源推荐的方法及装置、存储介质及电子设备 - Google Patents
用于资源推荐的方法及装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114329280A CN114329280A CN202111665405.3A CN202111665405A CN114329280A CN 114329280 A CN114329280 A CN 114329280A CN 202111665405 A CN202111665405 A CN 202111665405A CN 114329280 A CN114329280 A CN 114329280A
- Authority
- CN
- China
- Prior art keywords
- resource
- target
- resources
- attribute data
- cache
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000005457 optimization Methods 0.000 claims abstract description 37
- 238000005314 correlation function Methods 0.000 claims description 33
- 230000005540 biological transmission Effects 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 230000014509 gene expression Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 58
- 238000010586 diagram Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本公开提供了一种用于资源推荐的方法、装置、电子设备及存储介质。该方法包括:接收客户端发送的目标用户对目标资源的资源获取请求;当目标资源未存储于边缘缓存服务器的资源数据库中时,获取目标用户的历史浏览数据、目标资源的资源属性数据,以及资源数据库中已存储的缓存资源的资源属性数据;基于历史浏览数据、目标资源的资源属性数据和缓存资源的资源属性数据,构建用户体验效用优化问题的目标函数和约束条件,在约束条件下对目标函数进行求解,以从缓存资源中选出目标推荐资源;根据目标推荐资源生成资源推荐集合,进而将资源推荐集合发送至客户端。该方法可以在未找到用户所请求的资源时,基于用户习惯为其推荐资源,优化用户体验。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种用于资源推荐的方法及装置、存储介质及电子设备。
背景技术
随着通信技术的发展,用户可以在客户端向服务器请求资源(如图片、视频、音频等)用以浏览。以视频资源为例,当IPTV网络负载过高时,容易导致用户浏览视频时出现加载过慢、卡顿等现象,因此为改善用户体验,通常在离用户更近的位置,如网络边缘,部署边缘缓存服务器以方便更快地响应用户的资源请求。
由于边缘缓存服务器空间有限,所以用户所请求的资源可能未存储于边缘缓存服务器中,该情况下,相关技术中通常是向用户返回请求失败的消息,从而导致用户体验较差。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种用于资源推荐的方法、装置、电子设备及存储介质,以解决上述相关技术中的一个或多个问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种用于资源推荐的方法,该方法应用于边缘缓存服务器,包括:接收客户端发送的目标用户对目标资源的资源获取请求;当目标资源未存储于边缘缓存服务器的资源数据库中时,获取目标用户的历史浏览数据、目标资源的资源属性数据,以及资源数据库中已存储的缓存资源的资源属性数据;基于历史浏览数据、目标资源的资源属性数据和缓存资源的资源属性数据,构建用户体验效用优化问题的目标函数和约束条件,在约束条件下对目标函数进行求解,以从缓存资源中选出目标推荐资源;根据目标推荐资源生成资源推荐集合,进而将资源推荐集合发送至客户端。
在本公开一个实施例中,获取目标用户的历史浏览数据、目标资源的资源属性数据,以及资源数据库中已存储的缓存资源的资源属性数据的步骤,包括:获取目标用户在预设时段内浏览的历史资源集合;根据历史资源集合中各历史资源的类型信息确定历史浏览数据;获取目标资源的评分信息,根据目标资源的评分信息确定目标资源的资源属性数据;获取缓存资源的评分信息和类型信息,根据缓存资源的评分信息和类型信息确定缓存资源的资源属性数据。
在本公开一个实施例中,目标函数的优化变量是从缓存资源中选出的待推荐资源;基于历史浏览数据、目标资源的资源属性数据和缓存资源的资源属性数据,构建用户体验效用优化问题的目标函数和约束条件,在约束条件下对目标函数进行求解,以从缓存资源中选出目标推荐资源的步骤,包括:根据历史浏览数据和缓存资源的资源属性数据构建用户偏好相关性函数,用户偏好相关性函数用于表征历史浏览数据和待推荐资源在类型维度的相关性;根据目标资源的资源属性数据和缓存资源的资源属性数据构建资源评分相关性函数,资源评分相关性函数用于表征目标资源和待推荐资源在评分维度的相关性;根据缓存资源的资源属性数据构建推荐类型多样性函数,推荐类型多样性函数用于表征待推荐资源在类型维度的多样性;根据用户偏好相关性函数、资源评分相关性函数和推荐类型多样性函数构建用户体验效用函数;将用户体验效用函数最大作为目标函数,并获取待推荐资源的数量阈值以确定约束条件;在满足约束条件的情况下基于目标函数获得优化变量的解集,进而根据解集确定目标推荐资源。
在本公开一个实施例中,根据历史浏览数据和缓存资源的资源属性数据构建用户偏好相关性函数的步骤,包括:根据历史浏览数据中各历史资源的类型信息确定历史浏览数据的第一类型特征;根据缓存资源的资源属性数据中的类型信息确定待推荐资源所构成的集合的第二类型特征;根据第一类型特征和第二类型特征,基于向量距离算法确定历史浏览数据和待推荐资源在类型维度的向量距离表达式;根据向量距离表达式确定历史浏览数据和待推荐资源的用户偏好相关性函数。
在本公开一个实施例中,根据目标资源的资源属性数据和缓存资源的资源属性数据构建资源评分相关性函数的步骤,包括:根据目标资源的资源属性数据中的评分信息确定目标资源的评分特征;根据缓存资源的资源属性数据中的评分信息确定各待推荐资源的评分特征;根据目标资源的评分特征和各待推荐资源的评分特征,基于相似度算法确定目标资源与各待推荐资源在评分维度的相似度表达式;根据所有相似度表达式确定资源评分相关性函数。
在本公开一个实施例中,根据缓存资源的资源属性数据构建推荐类型多样性函数的步骤,包括:根据缓存资源的资源属性数据中的类型信息,确定待推荐资源所构成的集合对应的类型数量;获取预设置的资源类型总数,进而根据类型数量和资源类型总数确定推荐类型多样性函数。
在本公开一个实施例中,还包括:当目标资源存储于边缘缓存服务器的资源数据库中时,根据目标资源生成资源推荐列表。
根据本公开实施例的第二方面,一种用于资源缓存的方法,该方法应用于边缘缓存服务器集群,包括:确定边缘缓存服务器集群中各边缘缓存服务器对应的用户群;获取用户群的类型偏好信息、源服务器中各资源的资源属性数据;基于类型偏好信息和各资源的资源属性数据,确定用户群中各用户请求资源后生成的资源推荐集合以及资源推荐集合相应的用户体验效用函数;其中,资源推荐集合是边缘缓存服务器集群中的一个边缘缓存服务器生成的;资源推荐集合是根据上述实施例所述的用于资源推荐的方法确定的;获取各边缘缓存服务器之间的第一传输时延、各边缘缓存服务器与资源的源服务器之间的第二传输时延;基于第一传输时延、第二传输时延、资源推荐集合以及资源推荐集合相应的用户体验效用函数,构建总传输时延优化问题的时延目标函数和时延优化约束条件,在时延优化约束条件下对时延目标函数进行求解,以确定各边缘缓存服务器中的待存储资源。
根据本公开实施例的第三方面,提供一种用于资源推荐的装置,包括:接收模块,用于接收客户端发送的目标用户对目标资源的资源获取请求;获取模块,用于当目标资源未存储于边缘缓存服务器的资源数据库中时,获取目标用户的历史浏览数据、目标资源的资源属性数据,以及资源数据库中已存储的缓存资源的资源属性数据;确定模块,用于基于历史浏览数据、目标资源的资源属性数据和缓存资源的资源属性数据,构建用户体验效用优化问题的目标函数和约束条件,在约束条件下对目标函数进行求解,以从缓存资源中选出目标推荐资源;发送模块,用于根据目标推荐资源生成资源推荐集合,进而将资源推荐集合发送至客户端。
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,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述实施例所述的用于资源推荐的方法或用于资源缓存的方法。
根据本公开实施例的第五方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述实施例所述的用于资源推荐的方法或用于资源缓存的方法。
本公开的实施例所提供的用于资源推荐的方法,能够在边缘缓存服务器中的缓存内容预先存储好的情况下,当目标用户请求的目标资源未存储于边缘缓存服务器时,获取目标用户的历史浏览数据、目标资源的资源属性数据,以及资源数据库中已存储的缓存资源的资源属性数据,进而从已缓存的缓存资源中选出目标推荐资源生成资源推荐集合进而推荐给用户,并且能够通过构建用户体验效用优化问题的目标函数和约束条件使得选出的目标推荐资源满足用户体验效用的优化目标,达到优化用户体验的效果。
进一步,本公开实施例所提供的用于资源推荐的方法中,可以根据用户偏好相关性、资源评分相关性和推荐类型多样性三个维度构建上述目标函数,因此可以使得生成的资源推荐集合在上述三个维度上优化用户体验。
本公开的实施例所提供的用于资源缓存的方法,能够基于本公开提供的用于资源推荐的方法,结合多个边缘缓存服务器之间的传输延迟构建总传输时延优化问题的时延目标函数和时延优化约束条件,进而求解出各边缘缓存服务器中的待存储资源,以作为一种对应于整个边缘缓存服务器集群的缓存方案,并且该缓存方案可以在时延维度满足优化目标,进一步优化用户体验。
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。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本公开一个实施例的用于资源推荐的方法的流程图;
图2示出了本公开一个实施例的用于资源推荐的方法中构建目标函数以确定目标推荐资源的流程图;
图3示出了本公开一个实施例的用于资源缓存的方法的流程图;
图4示出了本公开一个实施例的用于资源缓存的方法和用于资源推荐的方法的示意图;
图5示出了本公开一个实施例的用于资源推荐的装置的框图;和
图6示出了本公开一个实施例的电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
下面,将结合附图及实施例对本公开示例实施例中的用于资源推荐的方法的各个步骤进行更详细的说明。
图1示出了本公开一个实施例的用于资源推荐的方法的流程图。本公开实施例提供的方法可以由边缘缓存服务器执行,但本公开并不限定于此。
在下面的举例说明中,以边缘缓存服务器为执行主体进行示例说明。
如图1所示,本公开实施例提供的用于资源推荐的方法可以包括以下步骤:
步骤S101,接收客户端发送的目标用户对目标资源的资源获取请求;
步骤S103,当目标资源未存储于边缘缓存服务器的资源数据库中时,获取目标用户的历史浏览数据、目标资源的资源属性数据,以及资源数据库中已存储的缓存资源的资源属性数据;
步骤S105,基于历史浏览数据、目标资源的资源属性数据和缓存资源的资源属性数据,构建用户体验效用优化问题的目标函数和约束条件,在约束条件下对目标函数进行求解,以从缓存资源中选出目标推荐资源;
步骤S107,根据目标推荐资源生成资源推荐集合,进而将资源推荐集合发送至客户端。
通过本公开提供的用于资源推荐的方法,能够在边缘缓存服务器中的缓存内容预先存储好的情况下,当目标用户请求的目标资源未存储于边缘缓存服务器时,获取目标用户的历史浏览数据、目标资源的资源属性数据,以及资源数据库中已存储的缓存资源的资源属性数据,进而从已缓存的缓存资源中选出目标推荐资源生成资源推荐集合进而推荐给用户,并且能够通过构建用户体验效用优化问题的目标函数和约束条件使得选出的目标推荐资源满足用户体验效用的优化目标,达到优化用户体验的效果。
下面,将结合图1及实施例对本示例性实施例中的用于资源推荐的方法的步骤S101~S107进行更详细的说明。
步骤S101,接收客户端发送的目标用户对目标资源的资源获取请求。
在一些实际应用中,边缘缓存服务器可以对应于一个用户区域范围,本实施例中的客户端可以是该用户区域范围中的一个。
步骤S103,当目标资源未存储于边缘缓存服务器的资源数据库中时,获取目标用户的历史浏览数据、目标资源的资源属性数据,以及资源数据库中已存储的缓存资源的资源属性数据。
在一些实施例中,步骤S103中获取目标用户的历史浏览数据、目标资源的资源属性数据,以及资源数据库中已存储的缓存资源的资源属性数据的步骤,可以包括:获取目标用户在预设时段内浏览的历史资源集合;根据历史资源集合中各历史资源的类型信息确定历史浏览数据;获取目标资源的评分信息,根据目标资源的评分信息确定目标资源的资源属性数据;获取缓存资源的评分信息和类型信息,根据缓存资源的评分信息和类型信息确定缓存资源的资源属性数据。
其中,可以获取网络日志,从中查询到目标用户在预设时段内浏览的历史资源集合;预设时段可以是预定一个数据,例如可以是最近一周、最近一个月等时段。评分信息可以是用户对于资源的评分反馈,例如用户可以对资源的一个或多个维度(如清晰度、音效、喜欢程度等)上进行数值打分。类型信息可以表征资源归属于的一个或多个类型,例如,可以预定义多种类型(如电影、电视剧、演唱会、喜剧、悲剧、生活、励志、爱情等),一个资源的类型信息可以是电影、喜剧、励志这三种类型,又一个资源的类型信息可以是演唱会这一种类型。
此外,在一些实施例中,当目标资源存储于边缘缓存服务器的资源数据库中时,可以根据目标资源生成资源推荐列表。例如,可以直接将目标资源作为资源推荐列表中的内容,进而返回给用户。也可以获取一些其他资源,例如可以是热门资源、相似资源或者其他类型的资源,然后将这些其他资源与目标资源共同作为资源推荐列表中的内容,返回给用户。
步骤S105,基于历史浏览数据、目标资源的资源属性数据和缓存资源的资源属性数据,构建用户体验效用优化问题的目标函数和约束条件,在约束条件下对目标函数进行求解,以从缓存资源中选出目标推荐资源。
在一些实施例中,目标函数的优化变量可以是从缓存资源中选出的待推荐资源;图2示出了本公开一个实施例的用于资源推荐的方法中构建目标函数以确定目标推荐资源的流程图,如图2所示,图1实施例中的步骤S105可以进一步包括以下步骤S201~S211:
S201,根据历史浏览数据和缓存资源的资源属性数据构建用户偏好相关性函数,用户偏好相关性函数用于表征历史浏览数据和待推荐资源在类型维度的相关性。
在一些实施例中,步骤S201中根据历史浏览数据和缓存资源的资源属性数据构建用户偏好相关性函数的步骤,可以包括:根据历史浏览数据中各历史资源的类型信息确定历史浏览数据的第一类型特征;根据缓存资源的资源属性数据中的类型信息确定待推荐资源所构成的集合的第二类型特征;根据第一类型特征和第二类型特征,基于向量距离算法确定历史浏览数据和待推荐资源在类型维度的向量距离表达式;根据向量距离表达式确定历史浏览数据和待推荐资源的用户偏好相关性函数。
以下以资源为视频举例说明:
在一些实际应用中,可以预定义m个视频类型,可以使用i表示视频类型标识,i∈{1,2,...,m};
对于第一类型特征,可以使用表示,可以是用户观看过的历史视频集合Wu中所有视频在各个视频类型上的强度分布,中可以包含其中可以表示历史视频集合Wu中所有视频在第i个视频类型上的强度分布;的表达式可以如下所示:
其中,Wu表示根据用户观看视频的历史数据确定的历史视频集合;v′表示历史视频集合Wu中的任一视频;i,j表示视频类型标识(即第i,j个视频类型),i,j∈{1,2,...,m};
类似地,值为1或0;值为1可以表示视频v′含有类型j,为0可以表示视频v′不含有类型j;能够表示Wu中对应于第j个视频类型的视频的数量,可见,的表达式中分母可以表示i,∈{1,2,...,m}中的最大值。
其中,γuv表示目标用户u请求目标视频v时生成的待推荐缓存视频所构成的集合;v′表示推荐列表γuv中的任一视频;i,j表示视频类型标识(即第i,j个视频类型),i,j∈{1,2,...,m};
类似地,值为1或0;值为1可以表示视频v′含有类型j,为0可以表示视频v′不含有类型j;能够表示γuv中对应于第j个视频类型的视频的数量,可见,的表达式中分母可以表示i,∈{1,2,...,m}中的最大值。
可见,可以通过历史视频集合中各历史视频的类型和各待推荐缓存视频的类型确定用户偏好相关性函数。其中,当历史视频集合中的类型强度分布与待推荐缓存视频所构成的集合中的类型强度分布越相似,会使得第一类型特征和第二类型特征越相似,进而会使得向量距离表达式对应的值越小,即表示历史浏览数据和待推荐资源在类型维度的相关性越高。
S203,根据目标资源的资源属性数据和缓存资源的资源属性数据构建资源评分相关性函数,资源评分相关性函数用于表征目标资源和待推荐资源在评分维度的相关性。
在一些实施例中,步骤S203中根据目标资源的资源属性数据和缓存资源的资源属性数据构建资源评分相关性函数的步骤,可以包括:根据目标资源的资源属性数据中的评分信息确定目标资源的评分特征;根据缓存资源的资源属性数据中的评分信息确定各待推荐资源的评分特征;根据目标资源的评分特征和各待推荐资源的评分特征,基于相似度算法确定目标资源与各待推荐资源在评分维度的相似度表达式;根据所有相似度表达式确定资源评分相关性函数。
在一些实际应用中,相似度算法例如可以是余弦相似度算法、欧氏距离算法、皮尔逊系数算法等,也可以使用机器学习的方式基于评分信息计算出两个视频之间的相似度,本公开对此不做限定。
以下以资源为视频举例说明:
在获取到目标资源的评分特征以及待推荐缓存视频的评分特征后,可以使用相似度算法确定出目标视频和待推荐缓存视频之间的相似度simv,v′,其中v表示目标用户u所请求的目标视频,v′表示待推荐缓存视频。
得到各个待推荐缓存视频与目标视频之间的相似度后,可以确定出资源评分相关性函数,例如,可以如下所示:
可见,可以通过各个待推荐缓存视频与目标视频的相似度共同表达资源评分相关性函数。其中,当待推荐缓存视频与目标视频的相似度越高,和/或与目标视频的相似度高的待推荐缓存视频的数量越多,会使得资源评分相关性函数对应的值越大,可以认为待推荐缓存视频所构成的集合与目标视频在评分维度的相似性越高。
S205,根据缓存资源的资源属性数据构建推荐类型多样性函数,推荐类型多样性函数用于表征待推荐资源在类型维度的多样性。
在一些实施例中,步骤S205中根据缓存资源的资源属性数据构建推荐类型多样性函数的步骤,包括:根据缓存资源的资源属性数据中的类型信息,确定待推荐资源所构成的集合对应的类型数量;获取预设置的资源类型总数,进而根据类型数量和资源类型总数确定推荐类型多样性函数。
可以使用如下公式表示推荐类型多样性函数:
其中,γuv表示目标用户u请求目标视频v时生成的待推荐缓存视频所构成的集合;整体为示性函数,与i相关联,若待推荐缓存视频所构成的集合中包含视频类型i,则值为1,否则为0。例如:若预设置的资源类型总数为10,待推荐缓存视频所构成的集合为{A,B,C},其中A视频具有a、b两个类型,B视频具有a、b、c三个类型,C视频具有a这一个类型,则计算{A,B,C}的推荐类型多样性函数所对应的值为3/10,其中重复出现的a、b类型并不会重复计算次数。
可见,求和之后,Cγuv的分子部分即可以表示待推荐缓存视频所构成的集合中所具有的视频类型的数量,因此Cγuv可以表示所推荐类型的多样性。
需要说明的是,本公开中对于步骤S201、步骤S203、步骤S205的执行顺序不做限定,可以不分先后,也可以同时执行。
S207,根据用户偏好相关性函数、资源评分相关性函数和推荐类型多样性函数构建用户体验效用函数。
在一些实际应用中,用户体验效用函数可以如下所示:
可见,当目标资源未存储于边缘缓存服务器的资源数据库中时,所生成的γuv中的待推荐资源与目标用户的历史浏览数据中的历史资源在类型上越接近和/或在评分上越接近和/或待推荐资源所对应的类型个数越多,可以使得η(u,v,γuv)值越大,可以认为此时所生成的γuv被用户接受的概率更高。
S209,将用户体验效用函数最大作为目标函数,并获取待推荐资源的数量阈值以确定约束条件;
目标函数以及约束条件可以如下所示:
其中,k可以表示待推荐资源的数量阈值。
S211,在满足约束条件的情况下基于目标函数获得优化变量的解集,进而根据解集确定目标推荐资源。
可以通过求解步骤S209中的公式,可以得到基于多样化的解集,以作为目标推荐资源。
在一些实际应用中,可以基于贪婪的DR算法(Diverse recommendation基于多样性的推荐算法)对上述优化问题进行求解。
以资源是视频为例进行说明,在DR算法中,可以输入3个参数,分别是用户u,正在被请求的视频v,预先缓存好的视频集合X,最终输出推荐列表γuv。具体的计算过程可以如下:首先生成一个空的推荐列表γuv,然后检查被请求的视频v是否存在于当前视频集合X中,如果存在,可以直接将v添加到γuv中并返回给用户。视频v不存在于当前视频集合X中,算法将进入while循环中,逐个从边缘缓存服务器中选择一个缓存视频添加到推荐列表。在每轮迭代过程中,DR算法通过求解步骤S209中的公式,计算将新的视频加入到推荐列表后的效益,然后选择收益最大的视频加入到γuv中。持续迭代直到推荐列表的长度达到k,以此时得到的k个缓存视频作为目标推荐资源。
在有一些实际应用中,也可以每次都取不同的k个视频计算用户体验效用函数的值,全部情况迭代完成后,可以直接将用户体验效用函数的值最高时所对应的k个缓存视频作为解集,以确定目标推荐资源。
步骤S107,根据目标推荐资源生成资源推荐集合,进而将资源推荐集合发送至客户端。
在一些实际应用中,可以设置缓存推荐模块实现本公开中用于资源推荐的方法。
图3示出了本公开一个实施例的用于资源缓存的方法的流程图。本公开实施例提供的方法可以由边缘缓存服务器集群执行,但本公开并不限定于此。
在下面的举例说明中,以边缘缓存服务器集群为执行主体进行示例说明。
如图3所示,本公开实施例提供的用于资源缓存的方法可以包括以下步骤:
步骤S301,确定边缘缓存服务器集群中各边缘缓存服务器对应的用户群;
步骤S303,获取用户群的类型偏好信息、源服务器中各资源的资源属性数据;
步骤S305,基于类型偏好信息和各资源的资源属性数据,确定用户群中各用户请求资源后生成的资源推荐集合以及资源推荐集合相应的用户体验效用函数;其中,资源推荐集合是边缘缓存服务器集群中的一个边缘缓存服务器生成的;资源推荐集合是根据上述实施例所述的用于资源推荐的方法确定的;
步骤S307,获取各边缘缓存服务器之间的第一传输时延、各边缘缓存服务器与资源的源服务器之间的第二传输时延;
步骤S309,基于第一传输时延、第二传输时延、资源推荐集合以及资源推荐集合相应的用户体验效用函数,构建总传输时延优化问题的时延目标函数和时延优化约束条件,在时延优化约束条件下对时延目标函数进行求解,以确定各边缘缓存服务器中的待存储资源。
通过本公开实施例所提供的用于资源缓存的方法,能够基于本公开提供的用于资源推荐的方法,结合多个边缘缓存服务器之间的传输延迟构建总传输时延优化问题的时延目标函数和时延优化约束条件,进而求解出各边缘缓存服务器中的待存储资源,以作为一种对应于整个边缘缓存服务器集群的缓存方案,并且该缓存方案可以在时延维度满足优化目标,进一步优化用户体验。
以资源是视频举例说明,在一些实际应用中,可以设置缓存决策模块实现本公开中用于资源缓存的方法。缓存决策模块可以利用用户偏好信息、视频数据信息以及视频请求数据等信息,通过上述缓存推荐模块的协助进行视频存储的决策,并将决策的结果交由存储空间管理模块执行。
本公开可以适用于多缓存节点协同的资源缓存场景,为所有的缓存节点(即边缘缓存服务器)确定出一个整体的缓存向量来最小化所有用户的平均传输时延。对于单独的缓存节点g及其所服务的用户来说,如果用户请求能够直接命中本地节点中缓存内容或者接受推荐结果,那么视频传输时延为0;如果用户能够从邻近缓存节点g′直接获取所需的视频或者接受来自邻近节点的推荐结果,那么视频传输时延是dgg′;否则用户需要从视频源服务器获取视频文件,产生大小为dg的传输时延。所有用户获取视频产生的总传输时延的计算方式可以如下所示:
D(X)=∑g∈G∑u∈U∑v∈Vλgpv·[1-η(u,v,γuvg)]·min(dg,ming′∈G(Dgg′));
Dgg′=η(u,v,γuvg′)·dgg′+[1-η(u,v,γuvg′)]·dg′;
其中,Dgg′可以表示节点g中的用户从邻近节点g′获取所需内容时所产生的平均时延,λg可以表示访问节点g对应的用户数量,pv可以表示视频v的流行度,G可以表示缓存节点的集合(即边缘缓存服务器集群)。
本公开可以提出如下优化问题:
其中,约束条件分别是节点g推荐列表中的内容来自于缓存空间Xg,以及推荐列表的长度不超过k。通过求解上述公式,可以得到各个缓存节点的缓存内容X。
具体地,本公开中可以使用基于贪婪的DRC算法对上述优化问题进行求解。在DRC算法中,可以输入5个参数来对缓存内容进行求解,包括所有用户的偏好矩阵P,各个缓存空间容量c,视频之间的相似度simv,v′,内容流行度pv,以及推荐列表的长度k,最终输出缓存列表X。算法的具体工作流程如下:首先初始化一个空的缓存列表X,然后进入while循环以迭代的方式逐个添加视频到缓存当中。在每轮迭代过程中会创建一个矩阵向量ut={ut1,ut2,...,utN}用以记录各个视频加入到缓存列表后的传输时延。对于每一个不在缓存列表中的视频l,DRC算法都可以利用DR算法求解推荐列表,并更新将视频l加入到X后的时延utl。然后从中选择时延最低的视频加入到缓存列表当中,持续迭代直到缓存空间存满。其中,内容流行度可以是被浏览次数的体现或是视频受欢迎的程度。
图4示出了本公开一个实施例的用于资源缓存和用于资源推荐的系统示意图;如图4所示,包括:
视频传输模块、资源信息管理模块、缓存推荐模块、缓存决策模块以及存储空间管理模块;其中,
资源信息管理模块主要是用于记录用户偏好信息、视频数据信息以及视频请求数据,其中用户偏好信息被记录在用户属性文件中,视频数据信息被记录在视频属性文件中,视频请求数据被记录在历史日志文件。
缓存推荐模块主要用于当用户请求的内容未存储于缓存服务器时,从已缓存的视频文件中按照本发明所描述的算法选择部分视频推荐给用户,同时协助缓存决策模块进行视频存储的决策。
缓存决策模块主要利用用户偏好信息、视频数据信息以及视频请求数据等信息,通过缓存推荐模块的协助,进行视频存储的决策,并将决策的结果交由存储空间管理模块执行。
视频传输模块主要负责用户请求的接收、视频文件的发送与接收以及向视频源服务器发送请求。存储空间管理模块则负责视频文件的存储与检索。
需要注意的是,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
图5示出了本公开一个实施例的用于资源推荐的装置500;如图5所示,包括:
接收模块501,用于接收客户端发送的目标用户对目标资源的资源获取请求;获取模块502,用于当目标资源未存储于边缘缓存服务器的资源数据库中时,获取目标用户的历史浏览数据、目标资源的资源属性数据,以及资源数据库中已存储的缓存资源的资源属性数据;确定模块503,用于基于历史浏览数据、目标资源的资源属性数据和缓存资源的资源属性数据,构建用户体验效用优化问题的目标函数和约束条件,在约束条件下对目标函数进行求解,以从缓存资源中选出目标推荐资源;发送模块504,用于根据目标推荐资源生成资源推荐集合,进而将资源推荐集合发送至客户端。
图5实施例的其它内容可以参照上述其它实施例。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本公开的这种实施例的电子设备600。需要说明的是,图示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图2中所示的方法。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
根据本发明实施方式的用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
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所附的权利要求指出。
Claims (11)
1.一种用于资源推荐的方法,其特征在于,所述方法应用于边缘缓存服务器,包括:
接收客户端发送的目标用户对目标资源的资源获取请求;
当所述目标资源未存储于所述边缘缓存服务器的资源数据库中时,获取所述目标用户的历史浏览数据、所述目标资源的资源属性数据,以及所述资源数据库中已存储的缓存资源的资源属性数据;
基于所述历史浏览数据、所述目标资源的资源属性数据和所述缓存资源的资源属性数据,构建用户体验效用优化问题的目标函数和约束条件,在所述约束条件下对所述目标函数进行求解,以从所述缓存资源中选出目标推荐资源;
根据所述目标推荐资源生成资源推荐集合,进而将所述资源推荐集合发送至所述客户端。
2.根据权利要求1所述的方法,其特征在于,所述获取所述目标用户的历史浏览数据、所述目标资源的资源属性数据,以及所述资源数据库中已存储的缓存资源的资源属性数据的步骤,包括:
获取所述目标用户在预设时段内浏览的历史资源集合;根据所述历史资源集合中各历史资源的类型信息确定所述历史浏览数据;
获取所述目标资源的评分信息,根据所述目标资源的评分信息确定所述目标资源的资源属性数据;
获取所述缓存资源的评分信息和类型信息,根据所述缓存资源的评分信息和类型信息确定所述缓存资源的资源属性数据。
3.根据权利要求2所述的方法,其特征在于,所述目标函数的优化变量是从缓存资源中选出的待推荐资源;
所述基于所述历史浏览数据、所述目标资源的资源属性数据和所述缓存资源的资源属性数据,构建用户体验效用优化问题的目标函数和约束条件,在所述约束条件下对所述目标函数进行求解,以从缓存资源中选出目标推荐资源的步骤,包括:
根据所述历史浏览数据和所述缓存资源的资源属性数据构建用户偏好相关性函数,所述用户偏好相关性函数用于表征所述历史浏览数据和所述待推荐资源在类型维度的相关性;
根据所述目标资源的资源属性数据和所述缓存资源的资源属性数据构建资源评分相关性函数,所述资源评分相关性函数用于表征所述目标资源和所述待推荐资源在评分维度的相关性;
根据所述缓存资源的资源属性数据构建推荐类型多样性函数,所述推荐类型多样性函数用于表征所述待推荐资源在类型维度的多样性;
根据所述用户偏好相关性函数、所述资源评分相关性函数和所述推荐类型多样性函数构建所述用户体验效用函数;
将所述用户体验效用函数最大作为所述目标函数,并获取所述待推荐资源的数量阈值以确定所述约束条件;
在满足所述约束条件的情况下基于所述目标函数获得所述优化变量的解集,进而根据所述解集确定所述目标推荐资源。
4.根据权利要求3所述的方法,其特征在于,所述根据所述历史浏览数据和所述缓存资源的资源属性数据构建用户偏好相关性函数的步骤,包括:
根据所述历史浏览数据中各历史资源的类型信息确定所述历史浏览数据的第一类型特征;
根据所述缓存资源的资源属性数据中的类型信息确定所述待推荐资源所构成的集合的第二类型特征;
根据所述第一类型特征和所述第二类型特征,基于向量距离算法确定所述历史浏览数据和所述待推荐资源在类型维度的向量距离表达式;
根据所述向量距离表达式确定所述历史浏览数据和所述待推荐资源的用户偏好相关性函数。
5.根据权利要求3所述的方法,其特征在于,所述根据所述目标资源的资源属性数据和所述缓存资源的资源属性数据构建资源评分相关性函数的步骤,包括:
根据所述目标资源的资源属性数据中的评分信息确定所述目标资源的评分特征;
根据所述缓存资源的资源属性数据中的评分信息确定各待推荐资源的评分特征;
根据所述目标资源的评分特征和所述各待推荐资源的评分特征,基于相似度算法确定所述目标资源与各待推荐资源在评分维度的相似度表达式;
根据所有相似度表达式确定所述资源评分相关性函数。
6.根据权利要求3所述的方法,其特征在于,所述根据所述缓存资源的资源属性数据构建推荐类型多样性函数的步骤,包括:
根据所述缓存资源的资源属性数据中的类型信息,确定所述待推荐资源所构成的集合对应的类型数量;
获取预设置的资源类型总数,进而根据所述类型数量和所述资源类型总数确定所述推荐类型多样性函数。
7.根据权利要求1所述的方法,其特征在于,还包括:当所述目标资源存储于所述边缘缓存服务器的资源数据库中时,根据所述目标资源生成所述资源推荐列表。
8.一种用于资源缓存的方法,其特征在于,所述方法应用于边缘缓存服务器集群,包括:
确定边缘缓存服务器集群中各边缘缓存服务器对应的用户群;
获取所述用户群的类型偏好信息、源服务器中各资源的资源属性数据;
基于所述类型偏好信息和所述各资源的资源属性数据,确定所述用户群中各用户请求资源后生成的资源推荐集合以及所述资源推荐集合相应的用户体验效用函数;其中,所述资源推荐集合是所述边缘缓存服务器集群中的一个边缘缓存服务器生成的;所述资源推荐集合是根据权利要求1至7任一项所述的用于资源推荐的方法确定的;
获取各边缘缓存服务器之间的第一传输时延、各边缘缓存服务器与资源的源服务器之间的第二传输时延;
基于所述第一传输时延、所述第二传输时延、所述资源推荐集合以及所述资源推荐集合相应的用户体验效用函数,构建总传输时延优化问题的时延目标函数和时延优化约束条件,在所述时延优化约束条件下对所述时延目标函数进行求解,以确定各边缘缓存服务器中的待存储资源。
9.一种用于资源推荐的装置,其特征在于,包括:
接收模块,用于接收客户端发送的目标用户对目标资源的资源获取请求;
获取模块,用于当所述目标资源未存储于所述边缘缓存服务器的资源数据库中时,获取所述目标用户的历史浏览数据、所述目标资源的资源属性数据,以及所述资源数据库中已存储的缓存资源的资源属性数据;
确定模块,用于基于所述历史浏览数据、所述目标资源的资源属性数据和所述缓存资源的资源属性数据,构建用户体验效用优化问题的目标函数和约束条件,在所述约束条件下对所述目标函数进行求解,以从所述缓存资源中选出目标推荐资源;
发送模块,用于根据所述目标推荐资源生成资源推荐集合,进而将所述资源推荐集合发送至所述客户端。
10.一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如权利要求1至7任一项所述的方法或者如权利要求8所述的方法。
11.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至7任一项所述的方法或者如权利要求8所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111665405.3A CN114329280A (zh) | 2021-12-31 | 2021-12-31 | 用于资源推荐的方法及装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111665405.3A CN114329280A (zh) | 2021-12-31 | 2021-12-31 | 用于资源推荐的方法及装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114329280A true CN114329280A (zh) | 2022-04-12 |
Family
ID=81021773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111665405.3A Pending CN114329280A (zh) | 2021-12-31 | 2021-12-31 | 用于资源推荐的方法及装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114329280A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116955736A (zh) * | 2023-09-15 | 2023-10-27 | 北京南天智联信息科技股份有限公司 | 数据标准中数据约束条件推荐方法及系统 |
CN117010554A (zh) * | 2023-07-03 | 2023-11-07 | 同济大学 | 应用于电商推荐系统的动态多目标优化方法以及装置 |
-
2021
- 2021-12-31 CN CN202111665405.3A patent/CN114329280A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117010554A (zh) * | 2023-07-03 | 2023-11-07 | 同济大学 | 应用于电商推荐系统的动态多目标优化方法以及装置 |
CN116955736A (zh) * | 2023-09-15 | 2023-10-27 | 北京南天智联信息科技股份有限公司 | 数据标准中数据约束条件推荐方法及系统 |
CN116955736B (zh) * | 2023-09-15 | 2023-12-01 | 北京南天智联信息科技股份有限公司 | 数据标准中数据约束条件推荐方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11244326B2 (en) | Analytical precursor mining for personalized recommendation | |
US11488028B2 (en) | Collaborative personalization via simultaneous embedding of users and their preferences | |
US10915524B1 (en) | Scalable distributed data processing and indexing | |
US11882198B2 (en) | Methods and systems for communicating relevant content | |
CN114329280A (zh) | 用于资源推荐的方法及装置、存储介质及电子设备 | |
JP2020042784A (ja) | インテリジェント端末操作用の方法及び装置 | |
CN103348342A (zh) | 基于用户话题简档的个人内容流 | |
US9129213B2 (en) | Inner passage relevancy layer for large intake cases in a deep question answering system | |
CN108540508B (zh) | 用于推送信息的方法、装置和设备 | |
Yue et al. | LlamaRec: Two-stage recommendation using large language models for ranking | |
RU2494450C2 (ru) | Способ, устройство и компьютерный программный продукт для преобразования и использования данных на основе полиномов | |
US9176993B2 (en) | Efficiently identifying images, videos, songs or documents most relevant to the user using binary search trees on attributes for guiding relevance feedback | |
JP7512351B2 (ja) | ターゲティングおよびその他の設定を改善するためのコンテンツプロバイダの推薦 | |
US20200175022A1 (en) | Data retrieval | |
KR20210059845A (ko) | 딥러닝 기반의 상황인지 컨텐츠 추천을 위한 장치 및 이를 위한 방법 | |
CN108959450A (zh) | 一种热门评论确定系统、方法、装置和可读介质 | |
US11023440B1 (en) | Scalable distributed data processing and indexing | |
CN113705683B (zh) | 推荐模型的训练方法、装置、电子设备及存储介质 | |
US20150373064A1 (en) | Enabling digital asset reuse through dynamically curated shared personal collections with eminence propagation | |
JP6921925B2 (ja) | パラメータ調整方法、装置、サーバ、コンピュータ可読記憶媒体及びコンピュータプログラム | |
Gu et al. | The least-used key selection method for information retrieval in large-scale Cloud-based service repositories | |
CN113536138A (zh) | 一种网络资源推荐方法、装置、电子设备及可读存储介质 | |
CN112395510A (zh) | 基于活跃度确定目标用户的方法和装置 | |
CN114331486A (zh) | 一种用户画像更新方法、装置、设备和介质 | |
De Meester et al. | Towards robust and reliable multimedia analysis through semantic integration of services |
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 |