CN114491249A - 一种对象推荐方法、装置、设备以及存储介质 - Google Patents
一种对象推荐方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN114491249A CN114491249A CN202210067653.6A CN202210067653A CN114491249A CN 114491249 A CN114491249 A CN 114491249A CN 202210067653 A CN202210067653 A CN 202210067653A CN 114491249 A CN114491249 A CN 114491249A
- Authority
- CN
- China
- Prior art keywords
- sample
- user
- objects
- target
- recommendation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012549 training Methods 0.000 claims description 110
- 230000006399 behavior Effects 0.000 claims description 88
- 230000003993 interaction Effects 0.000 claims description 31
- 238000006243 chemical reaction Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 21
- 238000012216 screening Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012512 characterization method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 5
- 230000009469 supplementation Effects 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 238000009827 uniform distribution Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000002452 interceptive effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- G06F16/9538—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种对象推荐方法、装置、设备以及存储介质,涉及计算机技术领域,尤其涉及深度学习技术领域。具体实现方案为:确定待进行对象推荐的目标用户;获取所述目标用户的指定特征;其中,所述指定特征包括历史访问特征;其中,任一用户的历史访问特征为基于该用户所访问过的落地页和/或列表页中的对象,所构建的特征;确定待利用的推荐模型;基于所述目标用户的指定特征和各个候选对象的对象特征,利用所述推荐模型对各个候选对象进行分析,得到各个候选对象对应的输出结果;基于各个候选对象对应的输出结果,在所述目标用户当前访问的落地页中对所述目标用户进行对象推荐。可见,通过本方案,可以提升用户对推荐结果的满意度。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及深度学习技术领域,具体涉及一种对象推荐方法、装置、设备以及存储介质。
背景技术
新业务场景下,推荐系统一般会存在冷启问题,需要在没有大量用户数据的情况下提升用户对推荐结果的满意度。其中,针对用户冷启动而言,用于解决如何给轻度用户做个性化推荐的问题,也就是,当用户第一次来到新的业务场景时,推荐系统在无法借历史数据的情况下,如何提升用户对推荐结果的满意度。
相关技术中,在针对落地页场景的对象推荐过程中,所利用的推荐模型是基于通过落地页形式展示的样本对象的训练数据,训练得到的。
发明内容
本公开提供了一种对象推荐方法、装置、设备以及存储介质。
根据本公开的一方面,提供了一种对象推荐方法,包括:
确定待进行对象推荐的目标用户;
获取所述目标用户的指定特征;其中,所述指定特征包括历史访问特征;其中,任一用户的历史访问特征为基于该用户所访问过的落地页和/或列表页中的对象,所构建的特征;
确定待利用的推荐模型;其中,所述推荐模型为基于样本集合训练得到的模型,所述样本集合中包含展示给各个样本用户的样本对象的训练数据,各个样本对象包括利用落地页形式所展示出的对象以及利用列表页形式所展示出的对象,任一样本对象的训练数据包括该样本对象所展示于的样本用户的指定特征,以及该样本对象的对象特征,且每一样本对象具有相同类型的标签;
基于所述目标用户的指定特征和各个候选对象的对象特征,利用所述推荐模型对各个候选对象进行分析,得到各个候选对象对应的输出结果;
基于各个候选对象对应的输出结果,在所述目标用户当前访问的落地页中对所述目标用户进行对象推荐。
根据本公开的另一方面,提供了一种对象推荐装置,包括:
第一确定模块,用于确定待进行对象推荐的目标用户;
获取模块,用于获取所述目标用户的指定特征;其中,所述指定特征包括历史访问特征;其中,任一用户的历史访问特征为基于该用户所访问过的落地页和/或列表页中的对象,所构建的特征;
第二确定模块,用于确定待利用的推荐模型;其中,所述推荐模型为基于样本集合训练得到的模型,所述样本集合中包含展示给各个样本用户的样本对象的训练数据,各个样本对象包括利用落地页形式所展示出的对象以及利用列表页形式所展示出的对象,任一样本对象的训练数据包括该样本对象所展示于的样本用户的指定特征,以及该样本对象的对象特征,且每一样本对象具有相同类型的标签;
分析模块,用于基于所述目标用户的指定特征和各个候选对象的对象特征,利用所述推荐模型对各个候选对象进行分析,得到各个候选对象对应的输出结果;
推荐模块,用于基于各个候选对象对应的输出结果,在所述目标用户当前访问的落地页中对所述目标用户进行对象推荐。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的对象推荐方法的步骤。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行上述的对象推荐方法的步骤。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述的对象推荐方法的步骤。
通过本方案,能够解决用户冷启动问题,保证针对进入落地页场景的各个用户的对象推荐准确度。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开一种对象推荐方法的流程图;
图2是根据本公开一种对访问数据流进行特征抽取的示意图;
图3是根据本公开一种推荐模型的训练过程的示意图;
图4是根据本公开一种推荐模型的应用过程的示意图;
图5是根据本公开一种对象推荐装置的结构示意图;
图6是用来实现本公开实施例的对象推荐方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
下面,首先对本公开所涉及的术语进行介绍:
列表页:信息聚合展示的页面,具体用于展示关于各个对象的列表,例如:各个对象的标题列表。并且,列表页与落地页的关系为一级页面与二级页面的关系,也就是,通过点击列表页所展示的列表中的任一对象,可以进入到落地页。上述的对象可以为音频、视频,等等。
落地页:当用户点击列表页所展示列表中的任一对象后,可以进入的界面,该界面中展示有用户所点击的对象对应的对象内容,例如:视频内容、音频内容;并且,该界面中可以展示有向用户推荐的感兴趣的各个对象的标识信息,例如:标题。也就是说,落地页可以用于展示具体的对象内容,以及用于向用户进行对象推荐。
新业务场景下,推荐系统一般会存在冷启问题,也就是,需要在没有大量用户数据的情况下提升用户对推荐结果的满意度。冷启一般分为用户冷启动和物品冷启动。其中,用户冷启动主要用于解决如何给轻度用户做个性化推荐的问题,也就是,解决如下问题:当用户第一次来到某一业务场景时,推荐系统无法借历史数据给用户做个性化推荐。物品冷启主要解决如何将某一场景下新的物品推荐给可能对它感兴趣的用户这一问题。
相关技术中,在针对落地页场景的对象推荐过程中,所利用的推荐模型是基于通过落地页形式展示的样本对象的训练数据,训练得到的。示例性的,对象推荐过程的触发方式可以是:用户在落地页中进行界面下拉操作,或者,用户进入落地页。另外,训练数据可以利用用户在当前落地页场景下的展现数据,例如:用户在当前场景下的视频观看时长、互动等反馈信号,作为样本对象的标签,对推荐模型进行训练,以学习用户不同的反馈行为。
但是,当用户第一次来到落地页场景时,由于缺少落地页场景下的历史数据,存在模型学习不充分导致推荐效果不佳的问题。可见,现有技术无法有效完成用户冷启动,从而无法保证针对进入落地页场景的各种用户的对象推荐准确度。
基于上述内容,为了有效完成用户冷启动,从而保证针对进入落地页场景的各个用户的对象推荐准确度,本公开实施例提供了一种对象推荐方法、装置、设备以及存储介质。
下面首先对本公开实施例所提供的一种对象推荐方法进行介绍。
本公开实施例所提供的一种对象推荐方法可以应用于电子设备。在具体应用中,该电子设备可以为服务器,也可以为终端设备,这都是合理的。在实际应用中,该终端设备可以是:智能手机、平板电脑、台式电脑等等。
具体而言,该对象推荐方法的执行主体可以为对象推荐装置。示例性的,当对象推荐方法应用于终端设备时,该对象推荐装置可以为运行于终端设备中的功能软件,例如:短视频播放软件、音频播放软件,等等;当然,该对象推荐装置也可以为现有客户端中的插件,例如:短视频播放软件中的视频推荐插件。示例性的,当该对象推荐方法应用于服务器时,该对象推荐装置可以为运行于服务器中的计算机程序,该计算机程序可以用于实现落地页场景的视频推荐。
其中,本公开实施例所提供的一种对象推荐方法,可以包括如下步骤:
确定待进行对象推荐的目标用户;
获取所述目标用户的指定特征;其中,所述指定特征包括历史访问特征;其中,任一用户的历史访问特征为基于该用户所访问过的落地页和/或列表页中的对象,所构建的特征;
确定待利用的推荐模型;其中,所述推荐模型为基于样本集合训练得到的模型,所述样本集合中包含展示给各个样本用户的样本对象的训练数据,各个样本对象包括利用落地页形式所展示出的对象以及利用列表页形式所展示出的对象,任一样本对象的训练数据包括该样本对象所展示于的样本用户的指定特征,以及该样本对象的对象特征,且每一样本对象具有相同类型的标签;
基于所述目标用户的指定特征和各个候选对象的对象特征,利用所述推荐模型对各个候选对象进行分析,得到各个候选对象对应的输出结果;
基于各个候选对象对应的输出结果,在所述目标用户当前访问的落地页中对所述目标用户进行对象推荐。
本公开提供方案中,用于对象推荐的推荐模型在训练时,所利用的各个样本对象不但包括利用落地页展示出的对象,而且还包括利用列表页形式展示出的对象,这样,由于在模型训练时增加了关于列表页的相关数据,能够提升模型学习的全面性,为针对首次进入落地页场景的用户进行对象推荐提供实现基础;进而,在采用该推荐模型进行对象推荐时,基于目标用户的历史访问特征进行对象推荐,使得无论目标用户是否为首次进入落地页场景,均可以存在针对目标用户的历史数据。因此,通过本方案,能够有效完成用户冷启动,从而保证针对进入落地页场景的各个用户的对象推荐准确度。
下面结合附图,对本公开实施例所提供的对象推荐方法进行介绍。
如图1所示,本公开实施例所提供的对象推荐方法,可以包括如下步骤:
S101,确定待进行对象推荐的目标用户;
本实施例中,待进行对象推荐的目标用户可以是进入到落地页且进入到推荐模式的用户。示例性的,在一种实现方式中,用户点击进入到落地页时,则表明进入到推荐模式,此时,目标用户可以为进入落地页的任一用户;在另一实现方式中,用户点击进入到落地页后,若执行预定的操作,例如:界面下拉操作或界面上滑操作,则进入到推荐模型,此时,目标用户可以为进入落地页且执行预定的操作的用户。另外,示例性的,该待进行对象推荐的对象可以是视频对象或者音频对象,当然并不局限于此。
S102,获取该目标用户的指定特征;其中,该指定特征包括历史访问特征;其中,任一用户的历史访问特征为基于该用户所访问过的落地页和/或列表页中的对象,所构建的特征;
本实施例中,指定特征可以包括历史访问特征,历史访问特征可以是对象id、对象是否完播、对象播放时长等用于表征历史访问对象的特征,该历史访问特征可以从目标用户在落地页和/或列表页场景中的历史访问信息中获取,该历史访问信息可以是目标用户访问的历史日志信息。示例性的,获取目标用户的历史访问特征的方式,可以是:获取目标用户在落地页和/或列表页场景中的历史访问信息,从该历史访问信息中确定出该目标用户所访问过的落地页和/或列表页中的对象,基于该目标用户所访问过的对象构建历史访问特征。另外,指定特征还可以包括用户特征,用于根据用户特征为该目标用户做更精准的对象推荐,该用户特征可以是用户id、用户画像数据等。
可以理解的是,为了针对落地页场景下的目标用户进行对象推荐,往往需要结合该目标用户在落地页场景中的历史访问信息,从该目标用户的历史访问信息中分析该目标用户可能会感兴趣对象,对该目标用户进行对象推荐,以达到一个较好的推荐结果。但是,针对目标用户首次来到该落地页场景而言,由于无法获得该目标用户在落地页场景中的历史访问信息,而列表页作为落地页的上一级页面,目标用户在列表页中的历史访问信息在也可以一定程度上反映该目标用户可能感兴趣的对象,因此,可以进一步对列表页中的历史访问信息进行分析。
在一种实现方式中,对于目标用户首次来到该落地页场景而言,可以基于列表页中的历史访问信息分析该目标用户可能感兴趣的对象,从而实现在落地页场景下的用户冷启动;对于目标用户非首次来到该落地页场景而言,可以基于落地页和列表页中的历史访问信息分析该目标用户可能感兴趣的对象,从而进一步提升用户对推荐结果的满意度。
S103,确定待利用的推荐模型;其中,该推荐模型为基于样本集合训练得到的模型,该样本集合中包含展示给各个样本用户的样本对象的训练数据,各个样本对象包括利用落地页形式所展示出的对象以及利用列表页形式所展示出的对象,任一样本对象的训练数据包括该样本对象所展示于的样本用户的指定特征,以及该样本对象的对象特征,且每一样本对象具有相同类型的标签;
可以理解的是,在步骤S102获取到目标用户的指定特征后,为了挖掘出目标用户的指定特征与候选对象之间的潜在关联关系,可以确定一个推荐模型,并利用该推荐模型对该指定特征进行处理,以充分利用目标用户的指定特征中所包含的信息,对目标用户可能感兴趣的对象进行推荐。
本实施例中,该推荐模型可以是神经网络模型,例如:DNN(Deep NeuralNetworks,深度神经网络)、MMOE(Multi-gate Mixture-of-Experts,多任务学习)模型,或者,该推荐模型还可以是回归网络模型,例如:LR(Logistic Regression,逻辑回归)模型,等等。为了得到较为准确的模型输出结果,需要基于样本集合对初始的推荐模型进行训练,通过最小化样本集合中的各个样本对象的标签和模型输出结果之间的差异,对模型的参数进行调整,以得到满足需求的推荐模型,该满足需求的推荐模型作为待利用的推荐模型。其中,针对任一样本对象而言,该样本对象的对象特征、样本用户的指定特征作为输入数据,输入该推荐模型时,可以直接将该样本对象的对象特征、样本用户的指定特征输入该推荐模型;也可以将该样本对象的对象特征、样本用户的指定特征中的任意多个特征进行组合,得到交叉特征,从而将该样本对象的对象特征、样本用户的指定特征和交叉特征输入至推荐模型。为了方案清楚与布局清晰,将在下文中对推荐模型的训练过程进行介绍,这里不再赘述。
需要说明的是,样本集合中包括多个样本对象的训练数据,各个样本对象包括利用落地页形式所展示出的对象以及利用列表页形式所展示出的对象,即在落地页场景和列表页场景中所展示出的对象。任一样本对象的训练数据包括该样本对象所展示于样本用户的指定特征,以及该样本对象的对象特征。其中,样本对象的对象特征,可以是样本对象id、样本对象时长等用于表征样本对象自身信息的特征,该样本对象时长可以为该样本对象的完整时长,例如:一个完整时长为1分钟的短视频对象,该对象的时长为1分钟。另外,每一样本对象具有相同类型的标签,标签的数量可以为一个或多个,标签的类型可以是:完播、播放时长、互动,等等,互动可以是点赞、评论,等等。
S104,基于该目标用户的指定特征和各个候选对象的对象特征,利用该推荐模型对各个候选对象进行分析,得到各个候选对象对应的输出结果;
本实施例中,各个候选对象为针对落地页场景待进行推荐的对象,各个候选对象可以是经过粗排模型所初步筛选的多个对象,其中,粗排模型用于对海量的对象库里快速召回的一小部分用户潜在感兴趣的对象,进行粗略的排序和进一步筛选对象的模型。各个候选对象的对象特征,可以是对象id、对象时长等用于表征对象自身信息的特征。
在通过步骤S103确定待利用的推荐模型后,可以利用该推荐模型对目标用户进行各个候选对象的推荐,也就是,将每一候选对象的对象特征、目标用户的用户特征以及历史访问特征作为输入数据,输入该推荐模型,获得各个候选对象对应的输出结果。可以理解的是,由于推荐模型是基于样本对象(对应于应用过程中的候选对象)的对象特征、样本对象对应的访问用户的用户特征、该访问用户的历史访问特征,以及样本对象的标签进行训练得到的,利用该推荐模型对目标用户的指定特征和各个候选对象的对象特征进行处理,即可得到各个候选对象对应的输出结果。
S105,基于各个候选对象对应的输出结果,在该目标用户当前访问的落地页中对该目标用户进行对象推荐。
需要说明的是,各个候选对象对应的输出结果为与样本对象的标签类型相匹配的输出结果。示例性的,若样本对象的标签类型为播放时长,则每一候选对象对应的输出结果为该候选对象的预测播放时长,例如:2分钟。此时,对该各个候选对象进行推荐时,可以根据各个候选对象的输出结果,即预测播放时长的长短对目标用户进行推荐,例如:推荐由大到小排序的前十个输出结果对应的候选对象。示例性的,若样本对象的标签类型为播放时长、完播、互动,则每一候选对象对应的输出结果为该候选对象的预测播放时长、预测是否完播以及预测是否互动,例如:预测播放时长为2分钟,预测未完播,预测发生互动。此时,对该各个候选对象进行推荐时,可以根据各个候选对象的预测播放时长、预测是否完播以及预测是否互动的综合评判结果,对目标用户进行推荐。
可以理解的是,在通过步骤S104得到各个候选对象对应的输出结果后,由于各个候选对象的输出结果表征了基于目标用户在落地页和/或列表页中的历史访问特征,对该候选对象进行分析的结果,因此该候选对象输出结果,为对目标用户的兴趣点学习充分后所输出的结果,根据该结果在落地页中对该目标用户进行对象推荐,可以给用户推荐到感兴趣的候选对象,从而可以提升用户对推荐结果的满意度。
可选地,在一种实现方式中,基于各个候选对象对应的输出结果,在该目标用户当前访问的落地页中对该目标用户进行对象推荐,包括步骤A1-A3:
A1,针对每一候选对象,根据该候选对象对应的输出结果,生成在向该目标用户推荐该候选对象时,该候选对象的推荐分值;
可以理解的是,由于各个候选对象对应的输出结果为与样本对象的标签类型相匹配的输出结果,例如:预测播放时长为2分钟,预测未完播,预测发生互动。根据该输出结果对候选对象进行推荐时,可以进一步对输出结果进行处理,生成各个候选对象的推荐分值,从而,可以在对象推荐时,基于该各个候选对象的推荐分值对目标用户进行推荐。
示例性的,生成各个候选对象的推荐分值的方式,可以是为输出结果中的各个类型,即预测播放时长、预测是否完播以及预测是否互动分别设置相应的权值,并为该各个类型进行打分得到相应的分值,将该各个类型对应的权值乘以其分值,得到该候选对象的推荐分值。
A2,利用各个候选对象的推荐分值,从各个候选对象中,选取待推荐的候选对象;
可以理解的是,在对各个候选对象的输出结果进行打分时,其输出结果中的预测播放时长越长、表征完播和表征发生互动时,对应的打分分值越高,表示更加推荐该输出结果对应的候选对象。因此,再利用各个候选对象的推荐分值对目标用户进行对象推荐时,可以选取推荐分值较高的对象进行推荐,以提升目标用户对推荐结果的满意度。
示例性的,选取待推荐的候选对象的方式可以是:从各个候选对象中选取高于某一分数阈值的对象,作为待推荐的候选对象,其中,该分数阈值可以是相关技术人员所预设的数值;或者,将各个推荐分值按照由高到低进行排序,选取排位靠前的多个候选对象,作为待推荐的候选对象,等等。
A3,在该目标用户当前访问的落地页中,展示该待推荐的候选对象。
可以理解的是,在通过步骤A2选取完待推荐的候选对象后,将该待推荐的候选对象展示到该目标用户当前访问的落地页中,即可向目标用户推荐其感兴趣的对象。
本公开提供方案中,用于对象推荐的推荐模型在训练时,所利用的各个样本对象不但包括利用落地页展示出的对象,而且还包括利用列表页形式展示出的对象,这样,由于在模型训练时增加了关于列表页的相关数据,能够提升模型学习的全面性,为针对首次进入落地页场景的用户进行对象推荐提供实现基础;进而,在采用该推荐模型进行对象推荐时,基于目标用户的历史访问特征进行对象推荐,使得无论目标用户是否为首次进入落地页场景,均可以存在针对目标用户的历史数据。因此,通过本方案,能够有效完成用户冷启动,从而保证针对进入落地页场景的各个用户的对象推荐准确度。
可选地,在本公开的一种实现方式中,推荐模型的训练过程可以包括步骤B1-B4:
B1,获取样本集合;
在对推荐模型进行训练时,需要获取用于训练该推荐模型的训练数据,即样本集合,该样本集合的数量可以为一个或多个,样本集合中包含展示给各个样本用户的样本对象的训练数据。
可选地,在一种实现方式中,样本集合的数量为多个;其中,多个样本集合的构建过程可以包括步骤B11-B14:
B11,生成多个初始集合;其中,每一初始集合对应于第一时间段的一个子时段,且每一初始集合中包含有:在所对应子时段内,利用落地页形式向各个样本用户展示出的各个样本对象的训练数据;
可以理解的是,在对目标用户当前访问的落地页中进行对象推荐时,可以利用推荐模型基于该目标用户在该落地页中的历史访问特征,对目标用户进行对象推荐。相应的,在该推荐模型的训练过程中,可以利用落地页形式向各个样本用户展示出的各个样本对象的训练数据,对该推荐模型进行训练。
其中,第一时间段可以是该样本用户访问该落地页的某一指定时间段,各个子时段为对该第一时间段进行划分得到的子时段,示例性的,该第一时间段可以是样本用户某次访问该落地页的同一天,若落地页数据是按照小时级别更新的,那么,该各个子时段可以是该天中的各个小时。并且,利用落地页形式向各个用户展示出的各个样本对象的训练数据,可以基于各个样本对象所展示于的落地页的访问数据流,来进行确定,示例性的,访问数据流可以为日志访问信息。
B12,确定在第二时间段内,利用列表页形式向各个样本用户展示出的各个样本对象;其中,该第二时间段为该第一时间段之前的时间段;
可以理解的是,为了使训练的推荐模型可以充分对用户的兴趣点进行学习,在利用落地页中的历史访问特征对该推荐模型进行训练的基础上,可以进一步利用以列表页形式向各个样本用户展示出的各个样本对象,使得模型训练效果更好。
另外,由于落地页中的对象的更新以及列表页中对象的更新的时间粒度不同,例如:落地页中的对象的更新按照小时级别,而列表页中的对象的更新是按照天级别的,因此,在使用落地页和列表页的样本对象对模型进行同步训练的训练成本较大,为了不影响线上模型的时效性,同时兼顾列表页中样本对象的训练效果,可以采用异步训练方式,也就是,利用第二时间段内以列表页形式向各个样本用户展示出的各个样本对象对推荐模型进行训练。示例性的,该第二时间段可以为第一时间段的前一天、前两天,等等。
B13,生成所确定的各个样本对象的训练数据,作为待分配的训练数据;
可以理解的是,在通过步骤B12确定出用于训练推荐模型的列表页中的各个样本对象后,需要确定该各个样本对象的训练数据。该各个样本对象的训练数据可以包括:该各个样本对象所展示于的样本用户的指定特征、该各个样本对象的对象特征。
由于针对列表页中的对象的访问行为与针对落地页中的对象的访问行为有所不同,例如:列表页中存在点击行为,即点击列表页中的某个标题可以跳转到落地页,该列表页中的点击行为可以在一定程度上反映用户可能存在的兴趣点,因此,该点击行为可以用于构建列表页的样本对象的指定特征。
B14,基于该待分配的训练数据,对各个初始集合进行训练数据补充,得到多个样本集合。
也就是,将各个待分配的训练数据,分配到各个初始集合中,生成多个新的样本集合,作为该推荐模型进行训练时所利用的样本集合。示例性的,在进行分配时,可以将该各个待分配的训练数据进行随机打乱,然后补充到各个初始集合中。可以理解的是,通过将待分配的训练数据补充到初始集合中得到样本集合,可以使得用于训练推荐模型的样本集合中,增加了关于列表页的相关数据,从而能够提升模型学习的全面性。
示例性的,在一种具体的实现方式中,基于该待分配的训练数据,对各个初始集合进行训练数据补充,得到多个样本集合,包括:按照均匀分配的方式,将待分配的训练数据,分配至每一初始集合,得到多个样本集合。可以理解的是,通过将待分配的训练数据,均匀分配至每一初始集合,可以保证各个初始集合补充到相同数量的待分配的训练数据,从而可以保证模型训练的稳定性。
B2,将该样本集合中的各个样本对象的训练数据分别作为输入内容,输入至待训练的推荐模型中,得到每一样本对象对应的预测结果;
需要说明的是,每一样本对象对应的预测结果为与该样本对象的标签相匹配的预测结果。
B3,基于每一样本对象对应的标签和预测结果,确定模型损失值;
也就是,基于每一样本对象对应的标签和预测结果之间的差值,确定模型的损失值。本公开实施例,并不对计算损失值所利用的损失函数进行限定。
B4,基于所述模型损失值,判断所述推荐模型是否收敛,若收敛,则训练结束,得到训练完成的推荐模型,否则,返回执行所述获取所述样本集合的步骤。
可以理解的是,在模型训练时,可以设置一个模型损失值的阈值,若模型损失值大于该阈值,利用该模型损失值反向传播不断调整该模型的参数,直到模型损失值小于该阈值为止,从而可以训练出满足需求的推荐模型。
可见,通过本方案对推荐模型进行训练,可以训练出推荐效果更佳的推荐模型,从而利用该推荐模型对目标用户进行对象推荐,可以提升用户对推荐结果的满意度。
可选地,在一种实现方式中,每一样本对象所具有的标签的确定方式,可以包括步骤C1-C2:
C1,针对每一样本对象,若该样本对象为利用列表页形式所展示出的对象,确定目标样本用户针对该样本对象的访问行为数据;其中,所述目标样本用户为该样本对象所展示至的样本用户;
本实现方式中,目标样本用户针对利用列表页形式所展示出样本对象的访问行为数据,可以为是否发生点击行为、播放时长和互动信息,等等。其中,该点击行为为用于触发该样本对象进行播放的行为,若该样本对象未发生点击行为,则该样本对象的播放时长为0。
另外,可以理解的是,针对每一样本对象,若该样本对象为利用落地页形式所展示出的对象,可以确定目标样本用户针对该样本对象的访问行为数据,直接从所确定出的访问行为数据中,提取指定类型的信息,得到该样本对象的标签。例如:若标签包括:关于是否完播的表征数据、关于播放时长的表征数据和关于互动行为的表征数据,则从目标样本用户针对该样本对象的访问行为数据中,提取关于是否完播的表征数据、关于播放时长的表征数据和关于互动行为的表征数据,从而得到标签。
C2,按照预定的标签转化策略,对目标样本用户针对该样本对象的访问行为数据,进行标签转化,得到该样本对象的标签。
可以理解的是,为了使列表页和落地页中的各个样本对象具有相同类型的标签,可以按照预定的标签转化策略,对各个样本对象的访问行为数据进行标签转化,以得到样本对象的标签。其中,该预定的标签转化策略可以是相关技术人员根据经验所设置的。
示例性的,在一种具体的实现方式中,每一对象的类型可以为视频类型或者音频类型;任一样本对象的标签包括:关于是否完播的表征数据、关于播放时长的表征数据和关于互动行为的表征数据;
相应的,上述步骤C1中确定目标样本用户针对该样本对象的访问行为数据,可以包括:确定该目标样本用户针对该样本对象是否存在点击行为、目标样本用户播放该样本对象的播放时长以及目标样本用户针对该样本对象发出的互动行为。例如:存在点击行为,视频播放时长为2分钟,产生了点赞行为。
相应的,步骤C2中按照预定的标签转化策略,对目标样本用户针对该样本对象的访问行为数据,进行标签转化,得到该样本对象的标签,可以包括:将目标样本用户针对该样本对象是否存在点击行为,转化为关于是否完播的表征数据,并且将所述目标样本用户播放该样本对象的播放时长,转化为关于播放时长的表征数据,将所述目标样本用户针对该样本对象发出的互动行为,转化为关于互动行为的表征数据,得到该样本对象的标签。
可以理解的是,由于列表页的样本对象的访问行为数据可以是:是否点击、播放时长、互动行为,而落地页的样本对象的访问行为数据可以是:是否完播、播放时长、互动行为,因此,在进行标签转化时,可以将列表页中的表征为是否存在点击行为的标签转化为是否完播的标签,也就是,将列表页中存在点击行为映射到落地页中的完播行为,然后,将列表页中的播放时长、互动行为与落地页中的播放时长、互动行为的标签进行一一对应,从而得到具有相同类型的标签的各个样本对象。
也就是,为了对推荐模型进行训练,用于训练的列表页中的各个样本对象与落地页中的各个样本对象需具有相同类型的标签。为了使列表页中各个样本对象的标签与落地页中各个样本对象的标签一一对应,可以对列表页中的各个样本对象的访问行为数据进行处理,即将列表页的各个样本对象的访问行为数据进行跨域样本迁移,将用户在列表页中的访问行为迁移到落地页中进行学习,以提高模型训练的准确性。
可见,通过本方案对标签进行转化,可以获得具有相同类型的标签的各个样本对象,便于后续利用列表页中的训练数据与落地页中的训练数据一起对推荐模型进行训练,以提高模型训练的准确性。
可选地,在一种实现方式中,确定在第二时间段内,利用列表页形式向各个样本用户展示出的各个样本对象,可以包括步骤D1-D3:
D1,获取针对目标列表页的访问数据流,作为待分析数据流;其中,该目标列表页为在第二时间段内,向各个样本用户展示出的列表页;
可以理解的是,为了对当前用户所在的落地页进行对象推荐,可以利用的列表页数据为对应于该落地页的上一级页面中的数据,该落地页的上一级页面即为目标列表页。为了确定第二时间段内目标列表页中的各个样本对象,可以首先获取针对该列表页的访问数据流,通过对该访问数据流进行分析,确定该各个样本对象。其中,访问数据流可以为日志访问信息。
D2,从该待分析数据流中,识别各个样本用户发生访问的对象,以及未发生访问的对象;
可以理解的是,由于通过步骤D1获取到的目标列表页的访问数据流中具有大量的对象数据,且该大量的对象数据中存在众多的未发生过点击行为的对象数据,对该种数据进行处理不仅浪费计算资源且学习的价值不高,因此,为了进一步对该待分析数据流中的对象数据进行筛选,本实现方式中对该待分析数据流中的各个对象进行识别,以识别出各个样本用户发生访问的对象,以及未发生访问的对象。
也就是说,列表页作为落地页的入口场景,会产生大量数据,如果实时接入所有的列表页数据,需要耗费大量的存储和计算资源,同时也需要在提取各个特征时,改造数据流格式。另外,列表页数据里包含大量未点击的展现样本对象,这部分数据的价值有限。考虑到以上情况,本公开所提供方案中,通过离线计算的方式对列表页数据进行统计,在用户id粒度选取最有价值的点击样本,也就是,针对样本用户,选取以列表页形式展示的样本对象。为了样本之间的可比性,所谓的高价值可以以播放时长为标准,即选取用户每天点击后播放时长最长的3条样本对象作为正样本对象。为了平衡正负样本比例,又随机选取用户当天2条未点击的展现样本对象作为负样本对象。
D3,分别从用户发生访问的对象和未发生访问的对象中确定第一数量、第二数量的对象,得到各个样本对象。
可以理解的是,为了从待分析数据流中筛选出具有较高学习价值的对象,可以从用户发生访问的对象中确定第一数量的对象作为样本对象。另外,为了平衡正负样本的比例,还可以从未发生访问的对象中确定第二数量的对象,作为样本对象。其中,第一数量可以高于第二数量,示例性的,第一数量可以为3个,第二数量可以为2个。
需要说明的是,是否具有高学习价值的评判标准可以是:播放时长、点击次数,等等。示例性的,若评判标准为播放时长,则样本对象播放时长越长,该样本对象的学习价值越高。
示例性的,在一种具体的实现方式中,分别从用户发生访问的对象和从未发生访问的对象中确定第一数量、第二数量的对象,得到各个样本对象,可以包括:从用户发生访问的对象中选取第一数量的、符合指定筛选条件的对象;其中,该指定筛选条件为基于访问过程中的表征兴趣程度的访问行为所设定的条件;从用户未发生访问的对象中选取第二数量的对象;将该第一数量和第二数量的对象,作为各个样本对象。
示例性的,该指定筛选条件可以是基于上述的高学习价值的评判标准所确定的筛选条件,例如:点击次数达到50次,播放时长超过10分钟,等等。
可见,通过本方案,可以从访问数据流中的众多对象中,筛选出更具学习价值的样本对象对推荐模型进行训练,从而可以在保证模型收敛性的情况下,减少训练时所耗费的计算资源。
为了更好的阐述本公开实施例的内容,下面结合一个具体的示例对本公开中的推荐模型进行介绍。
目前落地页场景精排模型(对应于上文中的对象推荐方法的推荐模型)的主要问题是:不少用户在列表页的行为信息(对应于上文中的点击行为、播放时长、互动行为)比较充分,并且这些信息具有很高的学习价值,精排模型没有充分利用这些信息可能导致模型对用户兴趣点学习不充分;另外,由于缺少列表页的分发数据,现有模型在视频粒度上的预估空间受限,无法较好的分发列表页的优质视频。
为了在落地页场景中更加精准的对目标用户进行对象推荐,需要结合列表页中的行为信息对对精排模型进行训练,训练过程可以包括如下步骤:
(1)获取落地页和列表页中的各个样本对象;
获取用户在落地页和列表页中的历史访问信息,并从该历史访问信息中确定出用户所访问过的落地页和列表页中的对象,将该用户所访问过的落地页中的对象和经过高价值筛选的列表页中的对象,作为各个样本对象。其中,高价值筛选的过程如下:
对于所获取的列表页中的对象进行高价值筛选,筛选出第一数量的发生访问的样本对象,以及第二数量的未发生访问的样本对象。例如:以样本对象的播放时长为高价值的评判标准,筛选出播放时长最长的3个对象作为正样本对象,为了平衡正负样本比例,再随机选取2条播放时长为0的对象作为负样本对象。
(2)从样本对象中抽取出通用的特征,作为训练数据;
其中,通用的特征,对应于上文中的对象特征和用户特征,如:视频id、用户id、视频作者id,等等。通用的标签可以是:完播、播放时长、互动行为,等等。如图2所示,将所获取的列表页中的各个样本对象的访问数据流,作为列表页数据流,将所获取的落地页中的各个样本对象的访问数据流,作为落地页数据流,分别输入特征抽取模块,抽取出对应于该列表页数据流和落地页数据流中的通用特征和标签,得到列表页样本和落地页样本,该列表页样本中包括列表页中的样本对象的训练数据和标签,落地页样本中包括落地页中的样本对象的训练数据和标签。
(3)利用步骤(2)得到的训练数据,训练精排模型;
如图3所示,将图中右侧的落地页行为和经过高价值筛选后的列表页行为,输入图中左侧的精排模型进行训练,该精排模型为MMOE(Multi-gate Mixture-of-Experts,多任务学习)模型。该模型的输入特征包括user/request Feature(用户/需求特征)、itemFeature(项目特征)、cross Feature(交叉特征)。其中,user/request Feature可以是上文中的用户特征及历史访问特征;item Feature可以是上文中的对象特征;cross Feature可以是将user/request Feature和item Feature通过隐式交叉网络或用户兴趣网络进行特征交叉、融合后获得的特征。该输入特征通过expert(专家)层利用n个并行神经网络将输入特征抽象成n个高维的抽象特征,接着,通过一个简单的神经网络去学习每个目标在n个高维特征上的权重,最终将加权后的n个高维特征经过目标tower(塔)输出最终的预测值,该预测值包括:完播预测值(对应于上文中的是否完播的预测结果)、时长预测值(对应于上文中的播放时长的预测结果)和互动预测值(对应于上文中的互动行为的预测结果)。
其中,图中的落地页行为、列表页行为为各个用户在落地页中的历史访问行为和各个用户在列表页中的历史访问行为,通过列表页行为和落地页行为,可以确定出用户所访问过的落地页和列表页中的对象;对列表页行为进行高价值筛选即对列表页中的对象进行高价值筛选;进而,在高价值筛选后,可以用于构建各个样本集合的各个样本对象。对列表页和落地页中的各个样本对象进行样本处理,可以为:针对每一样本对象,生成该样本对象的训练数据。在进行模型训练的时候,输入数据可以是训练数据中包括的用户特征、历史访问特征、对象特征,还可以增加在将该各个特征进行交叉后所形成交叉特征,用于模型训练。
(4)利用训练好的精排模型,在线进行对象推荐。
如图4所示,针对推荐对象为视频对象而言,可以获取用户在列表页和落地页中访问的视频信息,并提取出视频特征(对应于上文中的对象特征和历史访问特征),接着,获取在列表页和落地页中发生访问的用户信息,并提取出用户特征,接着,将视频特征、用户特征以及后验反馈(对应于上文中的标签),作为训练样本和各个样本的标签,对精排模型进行离线训练,然后使用该精排模型在线预估,即在当前落地页场景中进行视频推荐。
可以理解的是,在进行对象推荐时,推荐系统一般包含四个环节,分别是召回、粗排、精排和重排。本方案中结合用户在列表页中的行为数据,对精排模型进行训练,并使用训练好的精排模型替换原有的精排模型,从而完成了推荐系统的冷启动,且提升了用户对推荐结果的满意度。
可见,通过本方案,有效完成业务场景下的用户冷启,通过利用用户在其他域的行为,提高了模型的泛化能力;同时模型结合多个域的行为反馈,也提升了推荐结果与用户偏好的匹配程度。
基于上述方法的实施例,本公开实施例还提供了一种对象推荐装置,如图5所示,所述装置包括:
第一确定模块510,用于确定待进行对象推荐的目标用户;
获取模块520,用于获取所述目标用户的指定特征;其中,所述指定特征包括历史访问特征;其中,任一用户的历史访问特征为基于该用户所访问过的落地页和/或列表页中的对象,所构建的特征;
第二确定模块530,用于确定待利用的推荐模型;其中,所述推荐模型为基于样本集合训练得到的模型,所述样本集合中包含展示给各个样本用户的样本对象的训练数据,各个样本对象包括利用落地页形式所展示出的对象以及利用列表页形式所展示出的对象,任一样本对象的训练数据包括该样本对象所展示于的样本用户的指定特征,以及该样本对象的对象特征,且每一样本对象具有相同类型的标签;
分析模块540,用于基于所述目标用户的指定特征和各个候选对象的对象特征,利用所述推荐模型对各个候选对象进行分析,得到各个候选对象对应的输出结果;
推荐模块550,用于基于各个候选对象对应的输出结果,在所述目标用户当前访问的落地页中对所述目标用户进行对象推荐。
可选地,所述推荐模块,包括:
生成子模块,用于针对每一候选对象,根据该候选对象对应的输出结果,生成在向所述目标用户推荐该候选对象时,该候选对象的推荐分值;
选取子模块,用于利用各个候选对象的推荐分值,从各个候选对象中,选取待推荐的候选对象;
展示子模块,用于在所述目标用户当前访问的落地页中,展示所述待推荐的候选对象。
可选地,每一样本对象所具有的标签的确定方式包括:
针对每一样本对象,若该样本对象为利用列表页形式所展示出的对象,确定目标样本用户针对该样本对象的访问行为数据;其中,所述目标样本用户为该样本对象所展示至的样本用户;
按照预定的标签转化策略,对所述目标样本用户针对该样本对象的访问行为数据,进行标签转化,得到该样本对象的标签。
可选地,每一对象的类型为视频类型/音频类型;任一样本对象的标签包括:关于是否完播的表征数据、关于播放时长的表征数据和关于互动行为的表征数据;
所述确定目标样本用户针对该样本对象的访问行为数据,包括:
确定所述目标样本用户针对该样本对象是否存在点击行为、所述目标样本用户播放该样本对象的播放时长以及所述目标样本用户针对该样本对象发出的互动行为;
所述按照预定的标签转化策略,对所述目标样本用户针对该样本对象的访问行为数据,进行标签转化,得到该样本对象的标签,包括:
将所述目标样本用户针对该样本对象是否存在点击行为,转化为关于是否完播的表征数据,并且将所述目标样本用户播放该样本对象的播放时长,转化为关于播放时长的表征数据,将所述目标样本用户针对该样本对象发出的互动行为,转化为关于互动行为的表征数据,得到该样本对象的标签。
可选地,所述样本集合的数量为多个;
其中,多个样本集合的构建过程包括:
生成多个初始集合;其中,每一初始集合对应于第一时间段的一个子时段,且每一初始集合中包含有:在所对应子时段内,利用落地页形式向各个样本用户展示出的各个样本对象的训练数据;
确定在第二时间段内,利用列表页形式向各个样本用户展示出的各个样本对象;其中,所述第二时间段为所述第一时间段之前的时间段;生成所确定的各个样本对象的训练数据,作为待分配的训练数据;
基于所述待分配的训练数据,对各个初始集合进行训练数据补充,得到多个样本集合。
可选地,所述基于所述待分配的训练数据,对各个初始集合进行训练数据补充,得到多个样本集合,包括:
按照均匀分配的方式,将待分配的训练数据,分配至每一初始集合,得到多个样本集合。
可选地,所述确定在第二时间段内,利用列表页形式向各个样本用户展示出的各个样本对象,包括:
获取针对目标列表页的访问数据流,作为待分析数据流;其中,所述目标列表页为在第二时间段内,向各个样本用户展示出的列表页;
从所述待分析数据流中,识别各个样本用户发生访问的对象,以及未发生访问的对象;
分别从用户发生访问的对象和未发生访问的对象中确定第一数量、第二数量的对象,得到各个样本对象。
可选地,所述分别从用户发生访问的对象和从未发生访问的对象中确定第一数量、第二数量的对象,得到各个样本对象,包括:
从用户发生访问的对象中选取第一数量的、符合指定筛选条件的对象;其中,所述指定筛选条件为基于访问过程中的表征兴趣程度的访问行为所设定的条件;
从用户未发生访问的对象中选取第二数量的对象;
将所述第一数量和第二数量的对象,作为各个样本对象。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
本公开所提供的一种电子设备,可以包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的对象推荐方法的步骤。
本公开所提供的一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一对象推荐方法的步骤。
在本公开提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一对象推荐方法的步骤。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如对象推荐方法。例如,在一些实施例中,对象推荐方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的对象推荐方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行对象推荐方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (19)
1.一种对象推荐方法,包括:
确定待进行对象推荐的目标用户;
获取所述目标用户的指定特征;其中,所述指定特征包括历史访问特征;其中,任一用户的历史访问特征为基于该用户所访问过的落地页和/或列表页中的对象,所构建的特征;
确定待利用的推荐模型;其中,所述推荐模型为基于样本集合训练得到的模型,所述样本集合中包含展示给各个样本用户的样本对象的训练数据,各个样本对象包括利用落地页形式所展示出的对象以及利用列表页形式所展示出的对象,任一样本对象的训练数据包括该样本对象所展示于的样本用户的指定特征,以及该样本对象的对象特征,且每一样本对象具有相同类型的标签;
基于所述目标用户的指定特征和各个候选对象的对象特征,利用所述推荐模型对各个候选对象进行分析,得到各个候选对象对应的输出结果;
基于各个候选对象对应的输出结果,在所述目标用户当前访问的落地页中对所述目标用户进行对象推荐。
2.根据权利要求1所述的方法,其中,所述基于各个候选对象对应的输出结果,在所述目标用户当前访问的落地页中对所述目标用户进行对象推荐,包括:
针对每一候选对象,根据该候选对象对应的输出结果,生成在向所述目标用户推荐该候选对象时,该候选对象的推荐分值;
利用各个候选对象的推荐分值,从各个候选对象中,选取待推荐的候选对象;
在所述目标用户当前访问的落地页中,展示所述待推荐的候选对象。
3.根据权利要求1或2所述的方法,其中,每一样本对象所具有的标签的确定方式包括:
针对每一样本对象,若该样本对象为利用列表页形式所展示出的对象,确定目标样本用户针对该样本对象的访问行为数据;其中,所述目标样本用户为该样本对象所展示至的样本用户;
按照预定的标签转化策略,对所述目标样本用户针对该样本对象的访问行为数据,进行标签转化,得到该样本对象的标签。
4.根据权利要求3所述的方法,其中,每一对象的类型为视频类型/音频类型;任一样本对象的标签包括:关于是否完播的表征数据、关于播放时长的表征数据和关于互动行为的表征数据;
所述确定目标样本用户针对该样本对象的访问行为数据,包括:
确定所述目标样本用户针对该样本对象是否存在点击行为、所述目标样本用户播放该样本对象的播放时长以及所述目标样本用户针对该样本对象发出的互动行为;
所述按照预定的标签转化策略,对所述目标样本用户针对该样本对象的访问行为数据,进行标签转化,得到该样本对象的标签,包括:
将所述目标样本用户针对该样本对象是否存在点击行为,转化为关于是否完播的表征数据,并且将所述目标样本用户播放该样本对象的播放时长,转化为关于播放时长的表征数据,将所述目标样本用户针对该样本对象发出的互动行为,转化为关于互动行为的表征数据,得到该样本对象的标签。
5.根据权利要求1-4任一项所述的方法,其中,所述样本集合的数量为多个;
其中,多个样本集合的构建过程包括:
生成多个初始集合;其中,每一初始集合对应于第一时间段的一个子时段,且每一初始集合中包含有:在所对应子时段内,利用落地页形式向各个样本用户展示出的各个样本对象的训练数据;
确定在第二时间段内,利用列表页形式向各个样本用户展示出的各个样本对象;其中,所述第二时间段为所述第一时间段之前的时间段;
生成所确定的各个样本对象的训练数据,作为待分配的训练数据;
基于所述待分配的训练数据,对各个初始集合进行训练数据补充,得到多个样本集合。
6.根据权利要求5所述的方法,其中,所述基于所述待分配的训练数据,对各个初始集合进行训练数据补充,得到多个样本集合,包括:
按照均匀分配的方式,将待分配的训练数据,分配至每一初始集合,得到多个样本集合。
7.根据权利要求5所述的方法,其中,所述确定在第二时间段内,利用列表页形式向各个样本用户展示出的各个样本对象,包括:
获取针对目标列表页的访问数据流,作为待分析数据流;其中,所述目标列表页为在第二时间段内,向各个样本用户展示出的列表页;
从所述待分析数据流中,识别各个样本用户发生访问的对象,以及未发生访问的对象;
分别从用户发生访问的对象和未发生访问的对象中确定第一数量、第二数量的对象,得到各个样本对象。
8.根据权利要求7所述的方法,其中,所述分别从用户发生访问的对象和从未发生访问的对象中确定第一数量、第二数量的对象,得到各个样本对象,包括:
从用户发生访问的对象中选取第一数量的、符合指定筛选条件的对象;其中,所述指定筛选条件为基于访问过程中的表征兴趣程度的访问行为所设定的条件;
从用户未发生访问的对象中选取第二数量的对象;
将所述第一数量和第二数量的对象,作为各个样本对象。
9.一种对象推荐装置,包括:
第一确定模块,用于确定待进行对象推荐的目标用户;
获取模块,用于获取所述目标用户的指定特征;其中,所述指定特征包括历史访问特征;其中,任一用户的历史访问特征为基于该用户所访问过的落地页和/或列表页中的对象,所构建的特征;
第二确定模块,用于确定待利用的推荐模型;其中,所述推荐模型为基于样本集合训练得到的模型,所述样本集合中包含展示给各个样本用户的样本对象的训练数据,各个样本对象包括利用落地页形式所展示出的对象以及利用列表页形式所展示出的对象,任一样本对象的训练数据包括该样本对象所展示于的样本用户的指定特征,以及该样本对象的对象特征,且每一样本对象具有相同类型的标签;
分析模块,用于基于所述目标用户的指定特征和各个候选对象的对象特征,利用所述推荐模型对各个候选对象进行分析,得到各个候选对象对应的输出结果;
推荐模块,用于基于各个候选对象对应的输出结果,在所述目标用户当前访问的落地页中对所述目标用户进行对象推荐。
10.根据权利要求9所述的装置,其中,所述推荐模块,包括:
生成子模块,用于针对每一候选对象,根据该候选对象对应的输出结果,生成在向所述目标用户推荐该候选对象时,该候选对象的推荐分值;
选取子模块,用于利用各个候选对象的推荐分值,从各个候选对象中,选取待推荐的候选对象;
展示子模块,用于在所述目标用户当前访问的落地页中,展示所述待推荐的候选对象。
11.根据权利要求9或10所述的装置,其中,每一样本对象所具有的标签的确定方式包括:
针对每一样本对象,若该样本对象为利用列表页形式所展示出的对象,确定目标样本用户针对该样本对象的访问行为数据;其中,所述目标样本用户为该样本对象所展示至的样本用户;
按照预定的标签转化策略,对所述目标样本用户针对该样本对象的访问行为数据,进行标签转化,得到该样本对象的标签。
12.根据权利要求11所述的装置,其中,每一对象的类型为视频类型/音频类型;任一样本对象的标签包括:关于是否完播的表征数据、关于播放时长的表征数据和关于互动行为的表征数据;
所述确定目标样本用户针对该样本对象的访问行为数据,包括:
确定所述目标样本用户针对该样本对象是否存在点击行为、所述目标样本用户播放该样本对象的播放时长以及所述目标样本用户针对该样本对象发出的互动行为;
所述按照预定的标签转化策略,对所述目标样本用户针对该样本对象的访问行为数据,进行标签转化,得到该样本对象的标签,包括:
将所述目标样本用户针对该样本对象是否存在点击行为,转化为关于是否完播的表征数据,并且将所述目标样本用户播放该样本对象的播放时长,转化为关于播放时长的表征数据,将所述目标样本用户针对该样本对象发出的互动行为,转化为关于互动行为的表征数据,得到该样本对象的标签。
13.根据权利要求9-12任一项所述的装置,其中,所述样本集合的数量为多个;
其中,多个样本集合的构建过程包括:
生成多个初始集合;其中,每一初始集合对应于第一时间段的一个子时段,且每一初始集合中包含有:在所对应子时段内,利用落地页形式向各个样本用户展示出的各个样本对象的训练数据;
确定在第二时间段内,利用列表页形式向各个样本用户展示出的各个样本对象;其中,所述第二时间段为所述第一时间段之前的时间段;
生成所确定的各个样本对象的训练数据,作为待分配的训练数据;
基于所述待分配的训练数据,对各个初始集合进行训练数据补充,得到多个样本集合。
14.根据权利要求13所述的装置,其中,所述基于所述待分配的训练数据,对各个初始集合进行训练数据补充,得到多个样本集合,包括:
按照均匀分配的方式,将待分配的训练数据,分配至每一初始集合,得到多个样本集合。
15.根据权利要求13所述的装置,其中,所述确定在第二时间段内,利用列表页形式向各个样本用户展示出的各个样本对象,包括:
获取针对目标列表页的访问数据流,作为待分析数据流;其中,所述目标列表页为在第二时间段内,向各个样本用户展示出的列表页;
从所述待分析数据流中,识别各个样本用户发生访问的对象,以及未发生访问的对象;
分别从用户发生访问的对象和未发生访问的对象中确定第一数量、第二数量的对象,得到各个样本对象。
16.根据权利要求15所述的装置,其中,所述分别从用户发生访问的对象和从未发生访问的对象中确定第一数量、第二数量的对象,得到各个样本对象,包括:
从用户发生访问的对象中选取第一数量的、符合指定筛选条件的对象;其中,所述指定筛选条件为基于访问过程中的表征兴趣程度的访问行为所设定的条件;
从用户未发生访问的对象中选取第二数量的对象;
将所述第一数量和第二数量的对象,作为各个样本对象。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210067653.6A CN114491249B (zh) | 2022-01-20 | 2022-01-20 | 一种对象推荐方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210067653.6A CN114491249B (zh) | 2022-01-20 | 2022-01-20 | 一种对象推荐方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114491249A true CN114491249A (zh) | 2022-05-13 |
CN114491249B CN114491249B (zh) | 2024-03-01 |
Family
ID=81472621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210067653.6A Active CN114491249B (zh) | 2022-01-20 | 2022-01-20 | 一种对象推荐方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114491249B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114662007A (zh) * | 2022-05-25 | 2022-06-24 | 太平金融科技服务(上海)有限公司深圳分公司 | 数据推荐方法、装置、计算机设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111159564A (zh) * | 2019-12-31 | 2020-05-15 | 联想(北京)有限公司 | 信息推荐方法、装置、存储介质及计算机设备 |
CN111192108A (zh) * | 2019-12-16 | 2020-05-22 | 北京淇瑀信息科技有限公司 | 一种用于产品推荐的排序方法、装置和电子设备 |
CN112258260A (zh) * | 2020-08-14 | 2021-01-22 | 北京沃东天骏信息技术有限公司 | 基于用户特征的页面展示方法、装置、介质及电子设备 |
CN113434755A (zh) * | 2021-06-15 | 2021-09-24 | 北京百度网讯科技有限公司 | 页面的生成方法、装置、电子设备及存储介质 |
WO2021233199A1 (zh) * | 2020-05-19 | 2021-11-25 | 华为技术有限公司 | 搜索推荐模型的训练方法、搜索结果排序的方法及装置 |
-
2022
- 2022-01-20 CN CN202210067653.6A patent/CN114491249B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111192108A (zh) * | 2019-12-16 | 2020-05-22 | 北京淇瑀信息科技有限公司 | 一种用于产品推荐的排序方法、装置和电子设备 |
CN111159564A (zh) * | 2019-12-31 | 2020-05-15 | 联想(北京)有限公司 | 信息推荐方法、装置、存储介质及计算机设备 |
WO2021233199A1 (zh) * | 2020-05-19 | 2021-11-25 | 华为技术有限公司 | 搜索推荐模型的训练方法、搜索结果排序的方法及装置 |
CN112258260A (zh) * | 2020-08-14 | 2021-01-22 | 北京沃东天骏信息技术有限公司 | 基于用户特征的页面展示方法、装置、介质及电子设备 |
CN113434755A (zh) * | 2021-06-15 | 2021-09-24 | 北京百度网讯科技有限公司 | 页面的生成方法、装置、电子设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114662007A (zh) * | 2022-05-25 | 2022-06-24 | 太平金融科技服务(上海)有限公司深圳分公司 | 数据推荐方法、装置、计算机设备和存储介质 |
CN114662007B (zh) * | 2022-05-25 | 2022-09-02 | 太平金融科技服务(上海)有限公司深圳分公司 | 数据推荐方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114491249B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112084404B (zh) | 内容推荐方法、装置、设备和介质 | |
WO2020135535A1 (zh) | 一种推荐模型训练方法及相关装置 | |
CN111143686B (zh) | 资源推荐方法及装置 | |
CN111090756B (zh) | 基于人工智能的多目标推荐模型的训练方法及装置 | |
CN114265979B (zh) | 确定融合参数的方法、信息推荐方法和模型训练方法 | |
US9269057B1 (en) | Using specialized workers to improve performance in machine learning | |
EP4083857A1 (en) | Information prediction model training method and apparatus, information prediction method and apparatus, storage medium, and device | |
US11809505B2 (en) | Method for pushing information, electronic device | |
CN112632403A (zh) | 推荐模型的训练方法、推荐方法、装置、设备和介质 | |
CN111460384A (zh) | 策略的评估方法、装置和设备 | |
CN112749330A (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
CN111597446A (zh) | 基于人工智能的内容推送方法、装置、服务器和存储介质 | |
CN114461919A (zh) | 信息推荐的模型训练方法及装置 | |
CN114491249B (zh) | 一种对象推荐方法、装置、设备以及存储介质 | |
CN112269943B (zh) | 一种信息推荐系统及方法 | |
CN113190746A (zh) | 推荐模型的评估方法、装置及电子设备 | |
CN114817692A (zh) | 确定推荐对象的方法、装置和设备及计算机存储介质 | |
CN117235371A (zh) | 视频推荐方法、模型训练方法及装置 | |
CN115878891A (zh) | 直播内容生成方法、装置、设备以及计算机存储介质 | |
CN114491093B (zh) | 多媒体资源推荐、对象表征网络的生成方法及装置 | |
CN115827841A (zh) | 搜索方法及装置 | |
CN117132323A (zh) | 推荐内容的分析方法、装置、设备、介质及程序产品 | |
CN111078972B (zh) | 提问行为数据的获取方法、装置和服务器 | |
CN113987260A (zh) | 一种视频推送方法、装置、电子设备及存储介质 | |
CN113762324A (zh) | 虚拟对象检测方法、装置、设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |