CN114817695A - 信息推荐方法、装置、电子设备及存储介质 - Google Patents

信息推荐方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114817695A
CN114817695A CN202110118341.9A CN202110118341A CN114817695A CN 114817695 A CN114817695 A CN 114817695A CN 202110118341 A CN202110118341 A CN 202110118341A CN 114817695 A CN114817695 A CN 114817695A
Authority
CN
China
Prior art keywords
information
transfer
search information
target
interest
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
Application number
CN202110118341.9A
Other languages
English (en)
Other versions
CN114817695B (zh
Inventor
陈凯
李宣平
马晨超
孟攀飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN202110118341.9A priority Critical patent/CN114817695B/zh
Publication of CN114817695A publication Critical patent/CN114817695A/zh
Application granted granted Critical
Publication of CN114817695B publication Critical patent/CN114817695B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9027—Trees
    • 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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/194—Calculation of difference between files
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开关于一种信息推荐方法、装置、电子设备及存储介质，该方法包括获取目标对象的目标搜索信息和目标行为信息；将目标搜索信息输入兴趣转移模型进行兴趣转移识别，得到目标对象的转移搜索信息集和转移搜索信息集中每个转移搜索信息的转移指标；将目标行为信息输入兴趣识别模型进行兴趣识别，得到目标对象的目标兴趣点；从基于多种类目下的兴趣点与对应的关联搜索信息构建的预设兴趣树中确定目标兴趣点对应的目标关联搜索信息；基于目标关联搜索信息和转移指标对转移搜索信息集进行搜索信息过滤，得到目标转移搜索信息；基于目标搜索信息和目标转移搜索信息向目标对象进行信息推荐。利用本公开实施例可以提升召回的推荐信息的精准性和有效性。

Description

信息推荐方法、装置、电子设备及存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及信息推荐方法、装置、电子设备及存储介质。
背景技术
随着互联网技术的发展，大量信息推荐平台也在不断的升级，涌现出大批以信息生产+推荐为核心业务的产品。众所周知，个性化推荐产品，对用户兴趣的精准刻画是最核心的技术之一。
相关技术中，用户兴趣刻画主要是基于用户行为，例如：用户消费过的视频、关注过的作者、搜索过的关键词等几大维度来刻画，并结合深度学习模型来学习到用户和用户行为的关系，实现对用户兴趣的表征，在进行信息推荐时，可以结合用户兴趣对基于搜索信息召回的信息进行筛选。但上述相关技术中基于深度学习模型学习的兴趣表征，可解释性比较差，无法准确反映用户真实兴趣，导致召回的推荐信息精准性和有效性差。
发明内容
本公开提供一种信息推荐方法、装置、电子设备及存储介质，以至少解决相关技术中召回的推荐信息精准性和有效性差的问题。本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种信息推荐方法，包括：
获取目标对象的目标搜索信息和目标行为信息；
将所述目标搜索信息输入兴趣转移模型进行兴趣转移识别，得到所述目标对象的转移搜索信息集和所述转移搜索信息集中每个转移搜索信息的转移指标；
将所述目标行为信息输入兴趣识别模型进行兴趣识别，得到所述目标对象的目标兴趣点；
从预设兴趣树中确定所述目标兴趣点对应的目标关联搜索信息，所述预设兴趣树为基于多种类目下的兴趣点与对应的关联搜索信息构建的；
基于所述目标关联搜索信息和所述转移指标对所述转移搜索信息集进行搜索信息过滤，得到目标转移搜索信息；
基于所述目标搜索信息和所述目标转移搜索信息向所述目标对象进行信息推荐。
可选的，所述方法还包括：
获取第一预设时间段内的样本对象对应的搜索转移序列，所述搜索转移序列包括按照所述样本对象对应的搜索切换顺序排列的多个样本搜索信息和相邻两个样本搜索信息间的转移指标标注；
将每个样本搜索信息的下一样本搜索信息作为所述每个样本搜索信息的目标样本转移搜索信息；
将所述每个样本搜索信息与所述每个样本搜索信息的下一样本搜索信息间的转移指标标注作为所述下一样本搜索信息对应的目标转移指标；
将所述多个样本搜索信息输入第一预设神经网络进行兴趣转移识别，得到每个样本搜索信息对应的预测转移搜索信息和所述预测转移搜索信息对应的预期转移指标；
根据所述预设转移搜索信息、所述目标样本转移搜索信息、所述预期转移指标和所述目标转移指标，确定兴趣转移识别损失；
基于所述兴趣转移识别损失训练所述第一预设神经网络，得到所述兴趣转移模型。
可选的，所述样本对象包括多个对象，所述获取第一预设时间段内的样本对象对应的搜索转移序列包括：
获取所述多个对象在所述第一预设时间段内各自的搜索行为信息；
确定每个对象的搜索行为信息中的多个样本搜索信息、所述多个样本搜索信息间的搜索切换顺序，以及相邻两个样本搜索信息间的转移反馈信息，所述转移反馈信息表征所述每个对象由所述相邻两个样本搜索信息中的前一个样本搜索信息切换到后一个样本搜索信息的切换意图；
基于所述多个样本搜索信息间的搜索切换顺序和相邻两个样本搜索信息间的转移反馈信息，将所述多个对象对应的多个样本搜索信息进行排序组合，得到所述搜索转移序列；
其中，所述搜索转移序列中的所述相邻两个样本搜索信息间的转移指标标注为基于所述相邻两个样本搜索信息对应的至少一个对象对应的转移反馈信息确定的。
可选的，所述根据所述预设转移搜索信息、所述目标样本转移搜索信息、所述预期转移指标和所述目标转移指标，确定兴趣转移识别损失包括：
根据所述预设转移搜索信息与所述目标样本转移搜索信息，确定搜索信息损失；
根据所述预期转移指标与所述目标转移指标，确定转移损失；
根据所述搜索信息损失和所述转移损失，确定所述兴趣转移识别损失。
可选的，所述方法还包括：
获取预设类目知识图谱和第二预设时间段内的搜索信息集，所述预设类目知识图谱包括多种类目下的兴趣点；
确定所述搜索信息集中每个搜索信息的文本特征信息和所述多种类目下的兴趣点的文本特征信息；
计算所述每个所述搜索信息的文本特征信息与所述多种类目下的兴趣点的文本特征信息间的第一相似度；
根据所述第一相似度，确定所述多种类目下的兴趣点各自对应的关联搜索信息；
在所述多种类目下的兴趣点下挂载对应的关联搜索信息，得到所述预设兴趣树。
可选的，所述方法还包括：
获取第三预设时间段内的推荐信息集和发布所述推荐信息集中每个推荐信息的对象信息；
提取所述推荐信息集中每个推荐信息的文本信息；
确定所述每个推荐信息的文本信息的文本特征信息；
计算所述每个推荐信息的文本信息的文本特征信息和所述多种类目下的兴趣点的文本特征信息间的第二相似度；
根据所述第二相似度，确定所述多种类目下的兴趣点对应的关联推荐信息；
在所述多种类目下的兴趣点下挂载对应的关联推荐信息和发布所述关联推荐信息的对象信息，得到更新后的预设兴趣树。
可选的，所述方法还包括：
获取所述目标对象在第四预设时间段内的行为信息，所述行为信息包括所述目标对象在所述第四预设时间段内的搜索信息、关注的对象信息和搜索的推荐信息；
计算所述第四预设时间段内的行为信息与所述预设兴趣树中多种类目下的兴趣点下挂载的关联行为信息间的第三相似度，所述关联行为信息包括所述兴趣点对应的关联搜索信息、关联推荐信息和关联推荐信息的对象信息；
根据所述第三相似度，从所述预设兴趣树中确定所述目标对象对应的历史兴趣点；
将所述第四预设时间段内的行为信息输入第二预设神经网络进行兴趣识别，得到预测兴趣点；
根据所述预设兴趣点和所述历史兴趣点，确定兴趣识别损失；
基于所述兴趣识别损失训练所述第二预设神经网络，得到所述兴趣识别模型。
可选的，所述从预设兴趣树中确定所述目标兴趣点对应的目标关联搜索信息包括：
确定所述预设兴趣树中与所述目标兴趣点匹配的兴趣点；
将所述匹配的兴趣点下挂载的关联搜索信息作为所述目标兴趣点对应的目标关联搜索信息。
可选的，所述基于所述目标关联搜索信息和所述转移指标对所述转移搜索信息集进行搜索信息过滤，得到目标转移搜索信息包括：
根据所述转移指标对所述转移搜索信息集进行搜索信息过滤，得到第一初选转移搜索信息；
根据所述目标关联搜索信息对所述第一初选转移搜索信息进行搜索信息过滤，得到所述目标转移搜索信息；
或；
根据所述目标关联搜索信息对所述转移搜索信息集进行搜索信息过滤，得到第二初选转移搜索信息；
根据所述转移指标对所述第二初选转移搜索信息进行搜索信息过滤，得到目标转移搜索信息。
可选的，所述基于所述目标搜索信息和所述目标转移搜索信息向所述目标对象进行信息推荐包括：
根据所述目标搜索信息进行推荐信息召回，得到第一推荐信息；
根据所述目标转移搜索信息进行推荐信息召回，得到第二推荐信息；
将所述第一推荐信息和所述第二推荐信息推荐给所述目标对象。
根据本公开实施例的第二方面，提供一种信息推荐装置，包括：
第一信息获取模块，被配置为执行获取目标对象的目标搜索信息和目标行为信息；
第一兴趣转移识别模块，被配置为执行将所述目标搜索信息输入兴趣转移模型进行兴趣转移识别，得到所述目标对象的转移搜索信息集和所述转移搜索信息集中每个转移搜索信息的转移指标；
第一兴趣识别模块，被配置为执行将所述目标行为信息输入兴趣识别模型进行兴趣识别，得到所述目标对象的目标兴趣点；
目标搜索信息确定模块，被配置为执行从预设兴趣树中确定所述目标兴趣点对应的目标关联搜索信息，所述预设兴趣树为基于多种类目下的兴趣点与对应的关联搜索信息构建的；
搜索信息过滤模块，被配置为执行基于所述目标关联搜索信息和所述转移指标对所述转移搜索信息集进行搜索信息过滤，得到目标转移搜索信息；
信息推荐模块，被配置为执行基于所述目标搜索信息和所述目标转移搜索信息向所述目标对象进行信息推荐。
可选的，所述装置还包括：
搜索转移序列获取模块，被配置为执行获取第一预设时间段内的样本对象对应的搜索转移序列，所述搜索转移序列包括按照所述样本对象对应的搜索切换顺序排列的多个样本搜索信息和相邻两个样本搜索信息间的转移指标标注；
目标样本转移搜索信息确定模块，被配置为执行将每个样本搜索信息的下一样本搜索信息作为所述每个样本搜索信息的目标样本转移搜索信息；
目标转移指标确定模块，被配置为执行将所述每个样本搜索信息与所述每个样本搜索信息的下一样本搜索信息间的转移指标标注作为所述下一样本搜索信息对应的目标转移指标；
第二兴趣转移识别模块，被配置为执行将所述多个样本搜索信息输入第一预设神经网络进行兴趣转移识别，得到每个样本搜索信息对应的预测转移搜索信息和所述预测转移搜索信息对应的预期转移指标；
兴趣转移识别损失确定模块，被配置为执行根据所述预设转移搜索信息、所述目标样本转移搜索信息、所述预期转移指标和所述目标转移指标，确定兴趣转移识别损失；
兴趣转移模型确定模块，被配置为执行基于所述兴趣转移识别损失训练所述第一预设神经网络，得到所述兴趣转移模型。
可选的，所述样本对象包括多个对象，所述搜索转移序列获取模块包括：
搜索行为信息获取单元，被配置为执行获取所述多个对象在所述第一预设时间段内各自的搜索行为信息；
信息确定单元，被配置为执行确定每个对象的搜索行为信息中的多个样本搜索信息、所述多个样本搜索信息间的搜索切换顺序，以及相邻两个样本搜索信息间的转移反馈信息，所述转移反馈信息表征所述每个对象由所述相邻两个样本搜索信息中的前一个样本搜索信息切换到后一个样本搜索信息的切换意图；
排序组合单元，被配置为执行基于所述多个样本搜索信息间的搜索切换顺序和相邻两个样本搜索信息间的转移反馈信息，将所述样本对象对应的多个样本搜索信息进行排序组合，得到所述搜索转移序列；
其中，所述搜索转移序列中的所述相邻两个样本搜索信息间的转移指标标注为基于所述相邻两个样本搜索信息对应的至少一个对象对应的转移反馈信息确定的。
可选的，所述兴趣转移识别损失确定模块包括：
搜索信息损失确定单元，被配置为执行根据所述预设转移搜索信息与所述目标样本转移搜索信息，确定搜索信息损失；
转移损失确定单元，被配置为执行根据所述预期转移指标与所述目标转移指标，确定转移损失；
兴趣转移识别损失确定单元，被配置为执行根据所述搜索信息损失和所述转移损失，确定所述兴趣转移识别损失。
可选的，所述装置还包括：
第二信息获取模块，被配置为执行获取预设类目知识图谱和第二预设时间段内的搜索信息集，所述预设类目知识图谱包括多种类目下的兴趣点；
第一文本特征信息确定模块，被配置为执行确定所述搜索信息集中每个搜索信息的文本特征信息和所述多种类目下的兴趣点的文本特征信息；
第一相似度计算模块，被配置为执行计算所述每个所述搜索信息的文本特征信息与所述多种类目下的兴趣点的文本特征信息间的第一相似度；
关联搜索信息确定模块，被配置为执行根据所述第一相似度，确定所述多种类目下的兴趣点各自对应的关联搜索信息；
第一信息挂载模块，被配置为执行在所述多种类目下的兴趣点下挂载对应的关联搜索信息，得到所述预设兴趣树。
可选的，所述装置还包括：
第三信息获取模块，被配置为执行获取第三预设时间段内的推荐信息集和发布所述推荐信息集中每个推荐信息的对象信息；
文本信息提取模块，被配置为执行提取所述推荐信息集中每个推荐信息的文本信息；
第二文本特征信息确定模块，被配置为执行确定所述每个推荐信息的文本信息的文本特征信息；
第二相似度计算模块，被配置为执行计算所述每个推荐信息的文本信息的文本特征信息和所述多种类目下的兴趣点的文本特征信息间的第二相似度；
关联推荐信息确定模块，被配置为执行根据所述第二相似度，确定所述多种类目下的兴趣点对应的关联推荐信息；
第二信息挂载模块，被配置为执行在所述多种类目下的兴趣点下挂载对应的关联推荐信息和发布所述关联推荐信息的对象信息，得到更新后的预设兴趣树。
可选的，所述装置还包括：
第四信息获取模块，被配置为执行获取所述目标对象在第四预设时间段内的行为信息，所述行为信息包括所述目标对象在所述第四预设时间段内的搜索信息、关注的对象信息和搜索的推荐信息；
第三相似度计算模块，被配置为执行计算所述第四预设时间段内的行为信息与所述预设兴趣树中多种类目下的兴趣点下挂载的关联行为信息间的第三相似度，所述关联行为信息包括所述兴趣点对应的关联搜索信息、关联推荐信息和关联推荐信息的对象信息；
历史兴趣点确定模块，被配置为执行根据所述第三相似度，从所述预设兴趣树中确定所述目标对象对应的历史兴趣点；
第二兴趣识别模块，被配置为执行将所述第四预设时间段内的行为信息输入第二预设神经网络进行兴趣识别，得到预测兴趣点；
兴趣识别损失确定模块，被配置为执行根据所述预设兴趣点和所述历史兴趣点，确定兴趣识别损失；
兴趣识别模型确定模块，被配置为执行基于所述兴趣识别损失训练所述第二预设神经网络，得到所述兴趣识别模型。
可选的，所述目标搜索信息确定模块包括：
兴趣点确定单元，被配置为执行确定所述预设兴趣树中与所述目标兴趣点匹配的兴趣点；
目标搜索信息确定单元，被配置为执行将所述匹配的兴趣点下挂载的关联搜索信息作为所述目标兴趣点对应的目标关联搜索信息。
可选的，所述搜索信息过滤模块包括：
第一搜索信息过滤单元，被配置为执行根据所述转移指标对所述转移搜索信息集进行搜索信息过滤，得到第一初选转移搜索信息；
第二搜索信息过滤单元，被配置为执行根据所述目标关联搜索信息对所述第一初选转移搜索信息进行搜索信息过滤，得到所述目标转移搜索信息；
或；
第三搜索信息过滤单元，被配置为执行根据所述目标关联搜索信息对所述转移搜索信息集进行搜索信息过滤，得到第二初选转移搜索信息；
第四搜索信息过滤单元，被配置为执行根据所述转移指标对所述第二初选转移搜索信息进行搜索信息过滤，得到目标转移搜索信息。
可选的，所述信息推荐模块包括：
第一推荐信息召回单元，被配置为执行根据所述目标搜索信息进行推荐信息召回，得到第一推荐信息；
第二推荐信息召回单元，被配置为执行根据所述目标转移搜索信息进行推荐信息召回，得到第二推荐信息；
目标推荐信息确定单元，被配置为执行将所述第一推荐信息和所述第二推荐信息推荐给所述目标对象。
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，以实现如上述第一方面中任一项所述的方法。
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本公开实施例的第一方面中任一所述方法。
根据本公开实施例的第五方面，提供一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行本公开实施例的第一方面中任一所述方法。
本公开的实施例提供的技术方案至少带来以下有益效果：
在信息推荐过程中通过兴趣识别模型可以快速识别目标对象的目标兴趣点，并结合基于多种类目下的兴趣点与对应的关联搜索信息构建的预设兴趣树，确定目标兴趣点对应的目标关联搜索信息，可以保证确定出的目标关联搜索信息为现实世界实体类目下的搜索信息；并结合兴趣转移模型，进行目标对象的兴趣转移识别，可以得到转移搜索信息集和转移搜索信息集中每个转移搜索信息的转移指标，可以丰富用于召回推荐信息的搜索信息，且结合转移搜索信息集能够刻画对象的长期兴趣转移行为，提升了对目标对象兴趣点刻画的精准性。接着，结合现实世界中目标关联搜索信息与转移指标对转移搜索信息集进行搜索信息过滤，可以在保证目标转移搜索信息可以有效反映目标对象真实搜索意图的基础上，提升目标关联搜索信息与现实世界的关联性，进而提升召回的推荐信息的精准性和有效性。
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信息推荐方法的流程图；
图2是根据一示例性实施例示出的一种兴趣转移模型训练方法的流程图；
图3是根据一示例性实施例示出的一种预设兴趣树的示意图；
图4是根据一示例性实施例示出的一种预设兴趣树的构建方法的流程示意图；
图5是根据一示例性实施例示出的一种预设兴趣树的示意图；
图6是根据一示例性实施例示出的一种基于推荐信息集和发布推荐信息集中推荐信息的对象信息进行预设兴趣树更新方法的流程图；
图7是根据一示例性实施例示出的一种兴趣识别模型训练方法的流程图；
图8是根据一示例性实施例示出的一种信息推荐装置框图；
图9是根据一示例性实施例示出的一种用于信息推荐的电子设备的框图。
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。
图1是根据一示例性实施例示出的一种信息推荐方法的流程图，如图1所示，该信息推荐方法用于服务器、终端、边缘计算节点等电子设备中，包括以下步骤。
在步骤S101中，获取目标对象的目标搜索信息和目标行为信息。
本说明书实施例中，目标对象可以为信息推荐的对象，可选的，目标对象可以为信息推荐平台中的单个用户，也可以为某一群体、或某一平台等。
在一个可选的实施例中，在一些平台被动推荐场景中，即用户当前输入了某些搜索信息的情况下，目标搜索信息可以为当前输入的搜索信息；
在一个可选的实施例中，在一些平台主动推荐场景，即在用户当前未输入搜索词的情况下，目标搜索信息可以为预设时间段内的用户输入的搜索信息；可选的，这里预设时间段可以结合实际应用需求进行预设设置，例如当前时间点之前的三天、一周内等。
在一个具体的实施例中，搜索信息可以为搜索关键词。
本说明书实施例中，目标行为信息可以为目标对象在预设时间段内的行为信息，可选的，这里的预设时间段可以结合实际应用需求进行预设设置，例如当前时间点之前的一天、一周等。在一个具体的实施例中，行为信息可以包括但不限于搜索行为信息、反馈行为信息和关注对象行为信息等。具体的，搜索行为信息可以包括：搜索信息，反馈行为信息可以包括：浏览、点击、消费基于搜索信息召回的推荐信息(例如文章、视频等)、关注对象行为信息可以包括关注的对象信息(例如对象标识等)。
在步骤S103中，将目标搜索信息输入兴趣转移模型进行兴趣转移识别，得到目标对象的转移搜索信息集和转移搜索信息集中每个转移搜索信息的转移指标。
在一个具体的实施例，兴趣转移模型可以为预先结合样本对象对应的搜索转移序列对第一预设神经网络进行兴趣转移训练得到。在一个具体的实施例中，如图2所示，训练兴趣转移模型可以包括如下步骤：
在步骤S201中，获取第一预设时间段内的样本对象对应的搜索转移序列。
在一个可选的实施例中，搜索转移序列可以包括按照样本对象对应的搜索切换顺序排列的多个样本搜索信息和相邻两个样本搜索信息间的转移指标标注。在实际应用中，对象在搜索过程中，常常由一个搜索信息切换到另一个搜索信息以进行进一步的搜索，相应的，搜索切换顺序可以表征样本对象在搜索过程中搜索的多个样本搜索信息间的搜索先后顺序。在一个具体的实施例中，转移指标标注可以表征对象是否期望从相邻两个样本搜索信息中的前一个样本搜索信息切换成后一个样本搜索信息。可选的，转移指标标注可以为0或1，其中，在转移指标标注为0的情况下，对象不期望从相邻两个样本搜索信息中的前一个样本搜索信息切换成后一个样本搜索信息；在转移指标标注为1的情况下，对象期望从相邻两个样本搜索信息中的前一个样本搜索信息切换成后一个样本搜索信息。
在一个具体的实施例中，样本对象包括多个对象，相应的，获取第一预设时间段内的样本对象对应的搜索转移序列可以包括：获取多个对象在第一预设时间段内各自的搜索行为信息；确定每个对象的搜索行为信息中的多个样本搜索信息、多个样本搜索信息间的搜索切换顺序，以及相邻两个样本搜索信息间的转移反馈信息；基于多个样本搜索信息间的搜索切换顺序和相邻两个样本搜索信息间的转移反馈信息，将多个对象对应的多个样本搜索信息进行排序组合，得到搜索转移序列。
在一个具体的实施例中，第一预设时间段可以为结合实际应用中兴趣转移模型的更新周期确定的时间段，例如更新周期为一周，可以每隔一周获取之前一周内的多个对象的搜索行为信息，并重新训练兴趣转移模型。
具体的，上述样本搜索信息可以为对象在第一预设时间段内的搜索信息。具体的，每个对象第一预设时间段内的搜索行为信息可以包括多个搜索信息信息，每个搜索行为信息可以表征对象在预设连续间段内的多次搜索行为涉及的信息，具体的，可以包括对象在该预设连续间段内至少一次搜索行为的搜索信息，还可以包括该预设连续间段内每次搜索行为的搜索信息的搜索先后顺序，还可以包括基于搜索信息召回的推荐信息，以及对象对召回的推荐信息的点击、浏览、消费等反馈信息。具体的，预设连续间段可以结合实际应用进行设置，例如连续20分钟内的多次搜索行为涉及的信息可以作为一条搜索行为信息。
在一个具体的实施例中，可以结合每个对象的搜索行为信息，提取对应的多个样本搜索信息，并结合搜索行为信息中样本搜索信息的搜索先后顺序提取多个样本搜索信息间的搜索切换顺序，以及结合对象对召回的推荐信息的点击、浏览、消费等反馈信息确定相邻两个样本搜索信息间的转移反馈信息。
在一个具体的实施例中，上述转移反馈信息可以表征每个对象由相邻两个样本搜索信息中的前一个样本搜索信息切换到后一个样本搜索信息的切换意图；在实际应用中，即使某一对象由一个样本搜索信息切换到另一个样本搜索信息，但可以结合切换后对基于后一个样本搜索信息召回的推荐信息的浏览、点击、消费等情况，来确认对象由相邻两个样本搜索信息中的前一个样本搜索信息切换到后一个样本搜索信息的切换意图，可选的，切换意图可以包括正反馈切换意图和负反馈切换意图。其中，正反馈切换意图表征对象期望从相邻两个样本搜索信息中的前一个样本搜索信息切换成后一个样本搜索信息；反之，负反馈切换意图表征对象不期望从相邻两个样本搜索信息中的前一个样本搜索信息切换成后一个样本搜索信息。
在一个具体的实施例中，假设对象由样本搜索信息“手机”，切换到样本搜索信息“A品牌手机”，且该对象基于A品牌手机召回的A品牌手机的购买链接(推荐信息)进行了A品牌手机的购买，相应的，由样本搜索信息“手机”切换到样本搜索信息“A品牌手机”的切换意图为正反馈切换意图。
在另一个具体的实施例中，假设对象由样本搜索信息“女装”，切换到样本搜索信息“B品牌女装”，且该对象基于B品牌女装召回的B品牌女装的购买链接(推荐信息)未进行了B品牌女装的购买，相应的，可以由样本搜索信息“女装”切换到样本搜索信息“B品牌女装”的切换意图为负反馈切换意图。
在一个具体的实施例中，转移反馈信息可以是一个与正反馈切换意图成正比的数值。在一些情况下，转移反馈信息可能不是数值，而是只是程度或者趋势的字符化表征，这种情况下，可以通过预设的规则使得该字符化表征的内容量化为与正反馈切换意图成正比的一特定值。进而，后续可以利用该量化的值作为相邻两个样本搜索信息间的转移反馈信息。在一个普通的例子当中，可能某个维度的值为“中”，则可以量化该字符为其ASCII码的二进制值或十六进制值，本说明书实施例转移反馈信息并不以上述为限。在一个具体的实施例中，正反馈切换意图可以为正值，负反馈切换意图可以为负值，正反馈切换意图的切换意图越大，对应的量化值越大，反之，负反馈意图越大(即正反馈意图越小)，对应量化值越小。
在一个具体的实施例中，在将多个对象对应的多个样本搜索信息进行排序组合过程中，可以将多个对象对应的多个样本搜索信息按照对应的搜索切换顺序组合为一个序列，同时，基于相邻两个样本搜索信息间的转移反馈信息确定转移指标标注；可选的，在排序组合过程中，多个对象对应的多个样本搜索信息中存在相同的相邻两个样本搜索信息的情况下，可以将不同对象对应的相同的相邻两个样本搜索信息间的转移反馈信息进行叠加，根据叠加后的转移反馈信息，确定上述相同的相邻两个样本搜索信息间转移指标标注。在一个具体的实施例中，可以预先结合实际应用情况设置一个阈值，在相邻两个样本搜索信息的转移反馈信息对应的数值大于该阈值的情况下，对应的转移标注信息可以为1；反之，在相邻两个样本搜索信息的转移反馈信息对应的数值小于等于该阈值的情况下，对应的转移标注信息可以为1。
在一个具体的实施例中，如图3所示，图3是根据一示例性实施例示出的一种预设兴趣树的示意图。假设上述多个对象包括对象1、对象2、对象3，结合图3a可知，对象1在第一预设时间段内某一搜索行为信息对应的多个样本搜索信息按照搜索切换顺序排序后，依次为：v1、v2、v4、v3；对象2在第一预设时间段内某一搜索行为信息对应的多个样本搜索信息按照搜索切换顺序排序后，依次为：v2、v5、v6、v7；对象3在第一预设时间段内某一搜索行为信息对应的多个样本搜索信息按照搜索切换顺序排序后，依次为：v5、v4、v3、v6。相应的，进行排序组合后，可以得到如图3b所示的按照多个对象的对应的搜索切换顺序排列的多个样本搜索信息，另外，由于对象1和对象3的多个样本搜索信息中均包括相邻的两个样本搜索信息v4、v3；相应的，在排序组合过程中，v4、v3间的转移指标标注可以结合对象1由v4切换到v3的切换意图(转移反馈信息)和对象3由v4切换到v3的切换意图(转移反馈信息)。
在步骤S203中，将每个样本搜索信息的下一样本搜索信息作为每个样本搜索信息的目标样本转移搜索信息。
在步骤S205中，将每个样本搜索信息与每个样本搜索信息的下一样本搜索信息间的转移指标标注作为下一样本搜索信息对应的目标转移指标。
在实际应用中，存在一个样本搜索信息对应的下一样本搜索信息有多个的情况，相应的，可以将每一个样本搜索信息和其对应的一个下一样本搜索信息作为一组训练数据。
在步骤S207中，将多个样本搜索信息输入第一预设神经网络进行兴趣转移识别，得到每个样本搜索信息对应的预测转移搜索信息和对应的预期转移指标。
在步骤S209中，根据预设转移搜索信息、目标样本转移搜索信息、预期转移指标和目标转移指标，确定兴趣转移识别损失。
在一个具体的实施例中，上述根据预设转移搜索信息、目标样本转移搜索信息、预期转移指标和目标转移指标，确定兴趣转移识别损失可以包括：根据预设转移搜索信息与目标样本转移搜索信息，确定搜索信息损失；根据预期转移指标与目标转移指标，确定转移损失；根据搜索信息损失和转移损失，确定兴趣转移识别损失。
具体的，由于一个样本搜索信息可能出现在多组训练数据中，相应的，可以结合预设损失函数，依次针对每一组训练数据中的样本搜索信息的预设转移搜索信息和目标样本转移搜索信息，进行搜索信息损失以及对应的预期转移指标与目标转移指标间的转移损失的计算。
本说明书实施例中，预设损失函数可以包括但不限于交叉熵损失函数、逻辑损失函数、Hinge(铰链)损失函数、指数损失函数等，本说明书实施例并不以上述为限。且用于计算转移损失和搜索信息损失的损失函数可以相同，也可以不同。
在一个具体的实施例中，在得到每组训练数据对应的转移损失和搜索信息损失之后，可以对每组训练数据对应的转移损失和搜索信息损失进行加权计算，得到每组训练数据对应的兴趣转移识别损失，并将多组训练数据对应的兴趣转移识别损失之和作为第一预设神经网络的整体的兴趣转移识别损失。具体的，转移损失和搜索信息损失的权重可以结合实际应用需求进行设置。
在步骤S211中，基于兴趣转移识别损失训练第一预设神经网络，得到兴趣转移模型。
在一个具体的实施例中，基于兴趣转移识别损失训练第一预设神经网络，得到兴趣转移模型可以包括判断兴趣转移识别损失是否满足第一预设条件，在兴趣转移识别损失不满足第一预设条件的情况下，更新第一预设神经网络中的网络参数；基于更新后第一预设神经网络更新兴趣转移识别损失，至兴趣转移识别损失满足第一预设条件，将当前的第一预设神经网络作为兴趣转移模型。
在一个可选的实施例中，兴趣转移识别损失满足第一预设条件可以为兴趣转移识别损失小于等于指定阈值，或前后两次训练过程中对应的兴趣转移识别损失与上一次训练学习后对应的兴趣转移识别损失间的差值小于一定阈值。本说明书实施例中，指定阈值和一定阈值可以为结合实际训练需求进行设置。
上述实施例中，通过一段时间内样本对象对应的搜索转移序列进行兴趣转移模型的训练，训练出的兴趣转移模型可以有效刻画信息推荐平台中对象的长期兴趣转移行为，进而可以提升对对象兴趣刻画的精准性。
在一个具体的实施例中，在得到兴趣转移模型之后，将目标搜索信息输入该兴趣转移模型进行兴趣转移识别，可以得到目标对象的转移搜索信息集和转移搜索信息集中每个转移搜索信息的转移指标。具体的，任一转移搜索信息的转移指标可以表征目标对象搜索的信息由目标搜索信息转为该任一转移搜索信息的概率。
在步骤S105中，将目标行为信息输入兴趣识别模型进行兴趣识别，得到目标对象的目标兴趣点。
在一个具体的实施例中，兴趣识别模型可以为预先基于目标对象在第四预设时间段内的行为信息和结合预设兴趣树确定的历史兴趣点对第二预设神经网络进行训练得到的。
本说明书实施例中，可以预先构建兴趣树。在一个可选的实施例中，预设兴趣树可以为基于多种类目下的兴趣点与对应的关联搜索信息构建的。具体的，如图4所示，预设兴趣树的构建可以包括如下步骤：
在步骤S401中，获取预设类目知识图谱和第二预设时间段内的搜索信息集。
在一个具体的实施例中，预设类目知识图谱可以包括多种类目下的兴趣点，还可以包括预先设置包括多级类目的通用类目知识图谱，具体的，多级类目下的兴趣点可以为推荐信息的主题词等实体(一般的实体可以为现实世界的人物、物体等)。可以预先通过对主题词的类目识别，将主题词挂载到通用类目知识图谱中对应类目的最后一级类目下。具体的，主题词的类目识别可以结合预先训练好的类目识别模型。可选的，该类目识别模型可以为基于具有类目标注信息的样本主题词对待训练模型进行训练得到的。
在一个具体的实施例中，第二预设时间段内的搜索信息集可以为第二预设时间段内信息推荐平台中搜索信息。第二预设时间段可以为基于搜索信息集构建预设兴趣树的更新周期确定的时间段，例如更新周期为一年，可以每隔一年获取之前一年内信息推荐平台中的搜索信息，并重新构建预设兴趣树。
在步骤S403中，确定搜索信息集中每个搜索信息的文本特征信息和多种类目下的兴趣点的文本特征信息。
在一个具体的实施例中，文本特征信息可以为词向量。具体的，可以预先基于预设训练文本信息对预设词向量模型进行训练得到的词向量表征模型，可选的，预设训练文本信息可以为信息推荐平台中的文本信息。
可选的，在进行词向量表征模型训练过程中，可以将预设训练文本信息进行分词处理，将分词处理后的分次信息输入预设词向量模型进行训练，在训练过程中可以将每个词语映射成K维实数向量，得到词向量表征模型的同时可以得到表征词语之间的语义相似度的词向量集合。以某一系统中的预设训练文本信息对预设词向量模型进行训练，得到的词向量表征模型，可以有效表征该系统中词语之间的语义相似度。
可选的，在训练好词向量表征模型之后，可以将搜索信息进行分词后输入该词向量表征模型，该词向量表征模型可以基于词向量集合中的词向量确定上述搜索信息对应的分词信息的词向量。进一步的，在搜索信息对应的分词信息有多个词的情况下，可以取这多个词的词向量的均值，作为搜索信息的文本特征信息；在搜索信息对应的分词信息有一个词的情况下，可以将这个词的词向量作为搜索信息的文本特征信息。
具体的，确定多种类目下的兴趣点的文本特征信息可以参见上述确定搜索信息的文本特征信息的相关细化步骤，在此不再赘述。
本说明书实施例中，预设词向量模型可以包括但不限于word2vec、BERT、glove等模型。
此外，需要说明书的是，文本特征信息并不仅限于基于上述对应分词的词向量确定的形式，例如，搜索信息的文本特征信息还可以为结合搜索信息召回的推荐信息来进行表征。
在步骤S405中，计算每个搜索信息的文本特征信息与多种类目下的兴趣点的文本特征信息间的第一相似度；
本说明书实施例中，搜索信息的文本特征信息与兴趣点的文本特征信息间的第一相似度可以为搜索信息对应的词向量与兴趣点对应的词向量间的相似度。在实际应用中，两个词向量间的相似度可以表征两个词向量对应的词之间语义的相似程度；具体的，两个词向量间的相似度越高，两个词向量对应的词之间语义的相似程度越高；反之，两个词向量间的相似度越低两个词向量对应的词之间语义的相似程度越低。相应的，若第一相似度越高，相应的搜索信息与兴趣点间的语义相似程度越高，反之，若第一相似度越低，相应的搜索信息与兴趣点间的语义相似程度越低。
可选的，两个词向量间的相似度可以包括但不限于两个词向量间的余弦距离、欧式距离、曼哈顿距离。
在步骤S407中，根据第一相似度，确定多种类目下的兴趣点各自对应的关联搜索信息。
在一个具体的实施例中，可以将与每个兴趣点的文本特征信息的第一相似度大于等于第一预设阈值的文本特征信息所对应的搜索信息作为该兴趣点对应的关联搜索信息。
在另一个具体的实施例中，可将与每个兴趣点的文本特征信息的第一相似度排序(假设按照第一相似度数值大小降序排序)前第一预设数量个文本特征信息所对应的搜索信息作为该兴趣点对应的关联搜索信息。
本说明书实施例中，第一预设阈值和第一预设数量可以预先结合实际应用对每个兴趣点对应的关联搜索信息与其相似程度的需求进行设置。
在步骤S409中，在多种类目下的兴趣点下挂载对应的关联搜索信息，得到预设兴趣树。
在一个具体的实施例中，可以将每个兴趣点对应的关联搜索信息作为该兴趣点的子节点，以实现关联搜索信息的挂载，进而得到预设兴趣树。
在一个具体的实施例中，如图5所示，图5是根据一示例性实施例示出的一种预设兴趣树的示意图。结合图5，预设兴趣树可以包括三级类目、兴趣点和关联搜索信息。
上述实施例中，在包括兴趣点的预设类目知识图谱中加入了搜索场景中用户的搜索信息做修正，可以建立兴趣点与搜索信息间的映射关系，可以更好的反映搜索场景中搜索信息所属类目，且可以有效反映现实世界的实体关系，提升后续信息推荐的有效性。
在一个具体的实施例中，如图6所示，上述方法还可以包括：基于推荐信息集和发布推荐信息集中推荐信息的对象信息进行预设兴趣树更新的步骤，具体的，可以包括：
S601：获取第三预设时间段内的推荐信息集和发布推荐信息集中每个推荐信息的对象信息；
在一个具体的实施例中，第三预设时间段内的推荐信息集可以为第三预设时间段内的信息推荐平台中推荐信息。第三预设时间段可以为基于推荐信息集和对象信息构建预设兴趣树的更新周期确定的时间段，例如更新周期为三个月，可以每隔三个月获取之前三个月内信息推荐平台中的推荐信息，并进行预设兴趣树的更新。可选的，对象信息可以包括但不限于对象的账号信息等标识信息。
S603：提取推荐信息集中每个推荐信息的文本信息。
在一个可选的实施例中，在推荐信息本身为文本信息的情况下，可以将推荐信息作为文本信息。可选的，在推荐信息为视频的情况下，推荐信息的文本信息可以包括视频中语音信息对应的文本信息、视频封面的文本信息、视频的标题信息、视频中提取的实体文本(实体可以为人物、物体等)以及视频的搜索信息(即在信息推荐平台中可以基于该搜索信息召回该视频)。
S605：确定每个推荐信息的文本信息的文本特征信息。
在一个具体的实施例中，推荐信息的文本信息的文本特征信息可以为推荐信息的文本信息对应的词向量，相应的，确定推荐信息的文本信息的文本特征信息的具体细化可以参见上述相关步骤，在此不再赘述。
S607：计算每个推荐信息的文本信息的文本特征信息和多种类目下的兴趣点的文本特征信息间的第二相似度。
在一个具体的实施例中，计算第二相似度的具体细化，可以参见上述计算第一相似度的具体细化，在此不再赘述。
S609：根据第二相似度，确定多种类目下的兴趣点对应的关联推荐信息。
在一个具体的实施例中，可以将与每个兴趣点的文本特征信息的第二相似度大于等于第二预设阈值的文本特征信息所对应的推荐信息作为该兴趣点对应的关联推荐信息。
在另一个具体的实施例中，可将与每个兴趣点的文本特征信息的第二相似度排序(假设按照第二相似度数值大小降序排序)前第二预设数量个文本特征信息所对应的推荐信息作为该兴趣点对应的关联推荐信息。
本说明书实施例中，第二预设阈值和第二预设数量可以预先结合实际应用对每个兴趣点对应的关联推荐信息与其相似程度的需求进行设置。
S611：在多种类目下的兴趣点下挂载对应的关联推荐信息和发布关联推荐信息的对象信息，得到更新后的预设兴趣树。
在一个具体的实施例中，可以将每个兴趣点对应的关联推荐信息和发布该关联推荐信息的对象信息作为该兴趣点的子节点，以实现关联推荐信息和发布该关联推荐信息的对象信息的挂载，进而得到更新后的预设兴趣树。
上述实施例中，通过将推荐信息集和发布推荐信息的对象信息等可以反映对象长期行为的信息挂载在预设兴趣树中，建立兴趣点与对象长期行为间的关联，进而可以更好的刻画对象的兴趣，便于后续结合兴趣点和对象信息进行用户的长期兴趣点的挖掘。
在一个具体的实施例中，上述方法还可以包括：训练兴趣识别模型的步骤，如图7所示，训练兴趣识别模型可以包括以下步骤：
S701：获取目标对象在第四预设时间段内的行为信息。
在一个具体的实施例中，上述行为信息可以包括目标对象在第四预设时间段内的搜索信息、关注的对象信息和搜索的推荐信息。
在一个具体的实施例中，第四预设时间段可以结合实际应用中兴趣识别模型的更新周期确定的时间段，例如更新周期为一周，可以每隔一周获取之前一周内的目标对象的行为信息，并重新训练兴趣识别模型。
此外，需要说明的是，本说明书实施例中，第一预设时间段、第二预设时间段、第三预设时间段和第四预设时间段可以为相同的时间段，也可以为不同的时间段。
S703：计算第四预设时间段内的行为信息与预设兴趣树中多种类目下的兴趣点下挂载的关联行为信息间的第三相似度。
在一个具体的实施例中，每一兴趣点下挂载的关联行为信息可以包括该兴趣点对应的关联搜索信息、关联推荐信息和关联推荐信息的对象信息。
在一个具体的实施例中，任一行为信息与任一兴趣点下挂载的关联行为信息间的第三相似度可以结合行为信息中搜索信息与关联行为信息中关联搜索信息间的文本特征信息间的相似度，行为信息中关注的对象信息与关联行为信息中关联推荐信息的对象信息间的文本特征信息间的相似度，以及行为信息中搜索的推荐信息与关联行为信息中关联推荐信息间的文本特征信息间的相似度来确定，具体的，可以通过对上述三个相似度进行加权的方式确定任一行为信息与任一兴趣点下挂载的关联行为信息间的第三相似度。
具体的，计算上述三个相似度的具体细化，可参见上述相关步骤，在此不再赘述。
S705：根据第三相似度，从预设兴趣树中确定目标对象对应的历史兴趣点。
在实际应用中，目标对象在第四预设时间段内的行为信息可以为多个，相应的，可以具有大量行为信息，结合这大量行为信息与多种类目下的兴趣点下挂载的关联行为信息间的第三相似度，在一个具体的实施例中，可以为每一行为信息选取与其第三相似度大于等于第三预设阈值的兴趣点作为目标对象的该行为信息对应的历史兴趣点。
在另一个具体的实施例中，可为每一行为信息选取与其第三相似度排序(假设按照第三相似度数值大小降序排序)前第三预设数量个兴趣点作为目标对象的该行为信息对应的历史兴趣点。
本说明书实施例中，第三预设阈值和第三预设数量可以预先结合实际应用对行为信息与对应的历史兴趣点间的相似程度的需求进行设置。
S707：将第四预设时间段内的行为信息输入第二预设神经网络进行兴趣识别，得到预测兴趣点；
S709：根据预设兴趣点和历史兴趣点，确定兴趣识别损失；
在一个具体的实施例中，兴趣识别损失的具体细化可以参见上述计算转移损失和搜索信息损失的具体细化，在此不再赘述。
S711：基于兴趣识别损失训练第二预设神经网络，得到兴趣识别模型。
在一个具体的实施例中，基于兴趣识别损失训练第二预设神经网络，得到兴趣识别模的具体细化可以参见上述基于兴趣转移识别损失训练第一预设神经网络，得到兴趣转移模型的具体细化，在此不再赘述。
在一个具体的实施例中，在得到兴趣识别模型之后，将目标行为信息输入该兴趣识别模型进行兴趣识别，可以得到目标对象的目标兴趣点。
上述实施例中，结合预设兴趣树中大量对象长期的行为信息与单个对象的行为信息间的匹配，可以实现对单个用户的历史兴趣点识别，进而识别出的历史兴趣点来训练单个对象的兴趣识别模型，便于后续可以直接基于兴趣识别模型来识别单个对象的兴趣点。
在步骤S107中，从预设兴趣树中确定目标兴趣点对应的目标关联搜索信息。
在一个具体的实施例中，从预设兴趣树中确定目标兴趣点对应的目标关联搜索信息可以包括：确定预设兴趣树中与目标兴趣点匹配的兴趣点；将匹配的兴趣点下挂载的关联搜索信息作为目标兴趣点对应的目标关联搜索信息。具体的，可以将预设兴趣树中与目标兴趣点相同的的兴趣点作为与目标兴趣点匹配的兴趣点。
上述实施例中，从基于多种类目下的兴趣点与对应的关联搜索信息构建的预设兴趣树中确定目标兴趣点对应的目标关联搜索信息，可以保证确定出的目标关联搜索信息为现实世界的实体类目下的搜索信息，保证了目标关联搜索信息与现实世界间的联系。
在步骤S109中，基于目标关联搜索信息和转移指标对转移搜索信息集进行搜索信息过滤，得到目标转移搜索信息；
在一个可选的实施例中，上述基于目标关联搜索信息和转移指标对转移搜索信息集进行搜索信息过滤，得到目标转移搜索信息可以包括：根据转移指标对转移搜索信息集进行搜索信息过滤，得到第一初选转移搜索信息；根据目标关联搜索信息对第一初选转移搜索信息进行搜索信息过滤，得到目标转移搜索信息。
在一个可选的实施例中，可以结合转移指标的数值大小，过滤掉转移指标小于等于第一预设转移指标阈值的转移搜索信息，得到第一初选转移搜索信息；并将第一初选转移搜索信息与目标关联搜索信息进行匹配，将第一初选转移搜索信息中与目标关联搜索信息(一般的，目标关联搜索信息中包括多个关联搜索信息)相匹配的转移搜索信息作为目标转移搜索信息。具体的，转移搜索信息与目标关联搜索信息相匹配可以为目标关联搜索信息中包括转移搜索信息。
在一个可选的实施例中，可以结合转移指标的数值大小对转移搜索信息进行升序排序，过滤掉转移指标排序前第四预设数量的转移搜索信息，得到第一初选转移搜索信息；并将第一初选转移搜索信息与目标关联搜索信息进行匹配，将第一初选转移搜索信息中与目标关联搜索信息相匹配的转移搜索信息作为目标转移搜索信息。
本说明书实施例中，第四预设数量和第一预设转移指标阈值可以预先结合实际应用中对召回信息的精准性进行设置。
在另一个可选的实施例中，上述基于目标关联搜索信息和转移指标对转移搜索信息集进行搜索信息过滤，得到目标转移搜索信息可以包括：根据目标关联搜索信息对转移搜索信息集进行搜索信息过滤，得到第二初选转移搜索信息；根据转移指标对第二初选转移搜索信息进行搜索信息过滤，得到目标转移搜索信息。
在一个可选的实施例中，可以将转移搜索信息集中与目标关联搜索信息(一般的，目标关联搜索信息中包括多个关联搜索信息)相匹配的转移搜索信息作为第二初选转移搜索信息；然后，结合转移指标的数值大小，过滤掉第二初选转移搜索信息中转移指标小于等于第二预设转移指标阈值的转移搜索信息，得到目标转移搜索信息。可选的，可以结合转移指标的数值大小对转移搜索信息进行升序排序，过滤掉第二初选转移搜索信息中转移指标排序前第五预设数量的转移搜索信息，得到目标转移搜索信息。
本说明书实施例中，第五预设数量和第二预设转移指标阈值可以预先结合实际应用中对召回信息的精准性进行设置。
上述实施例中，结合现实世界中目标关联搜索信息与能够表征目标对象搜索的信息由目标搜索信息转为转移搜索信息概率的转移指标对可以刻画对象的长期兴趣转移行为的转移搜索信息集进行搜索信息过滤，可以在保证目标转移搜索信息可以有效反映目标对象真实搜索意图的基础上，提升目标关联搜索信息与现实世界的关联性，进而提升基于目标关联搜索信息召回的推荐信息的精准性。
在步骤S111中，基于目标搜索信息和目标转移搜索信息向目标对象进行信息推荐。
在一个具体的实施例中，基于目标搜索信息和目标转移搜索信息向目标对象进行信息推荐可以包括：根据目标搜索信息进行推荐信息召回，得到第一推荐信息；根据目标转移搜索信息进行推荐信息召回，得到第二推荐信息；将第一推荐信息和第二推荐信息推荐给目标对象。
上述实施例中，在基于能够反映用户主动表达的需求的目标搜索信息的基础上，结合目标转移搜索信息一起进行推荐信息的召回，丰富了用于召回推荐信息的搜索信息，且大大提升召回的推荐信息的精准性和有效性。
由以上本说明书实施例提供的技术方案可见，本说明书在信息推荐过程中通过兴趣识别模型可以快速识别目标对象的目标兴趣点，并结合基于多种类目下的兴趣点与对应的关联搜索信息构建的预设兴趣树，确定目标兴趣点对应的目标关联搜索信息，可以保证确定出的目标关联搜索信息为现实世界实体类目下的搜索信息；并结合兴趣转移模型，进行目标对象的兴趣转移识别，可以得到转移搜索信息集和转移搜索信息集中每个转移搜索信息的转移指标，可以丰富用于召回推荐信息的搜索信息，且结合转移搜索信息集能够刻画对象的长期兴趣转移行为，提升了对目标对象兴趣点刻画的精准性。接着，结合现实世界中目标关联搜索信息与转移指标对转移搜索信息集进行搜索信息过滤，可以在保证目标转移搜索信息可以有效反映目标对象真实搜索意图的基础上，提升目标关联搜索信息与现实世界的关联性，进而提升召回的推荐信息的精准性和有效性。
图8是根据一示例性实施例示出的一种信息推荐装置框图。参照图8，该装置包括：
第一信息获取模块810，被配置为执行获取目标对象的目标搜索信息和目标行为信息；
第一兴趣转移识别模块820，被配置为执行将目标搜索信息输入兴趣转移模型进行兴趣转移识别，得到目标对象的转移搜索信息集和转移搜索信息集中每个转移搜索信息的转移指标；
第一兴趣识别模块830，被配置为执行将目标行为信息输入兴趣识别模型进行兴趣识别，得到目标对象的目标兴趣点；
目标搜索信息确定模块840，被配置为执行从预设兴趣树中确定目标兴趣点对应的目标关联搜索信息，预设兴趣树为基于多种类目下的兴趣点与对应的关联搜索信息构建的；
搜索信息过滤模块850，被配置为执行基于目标关联搜索信息和转移指标对转移搜索信息集进行搜索信息过滤，得到目标转移搜索信息；
信息推荐模块860，被配置为执行基于目标搜索信息和目标转移搜索信息向目标对象进行信息推荐。
可选的，上述装置还包括：
搜索转移序列获取模块，被配置为执行获取第一预设时间段内的样本对象对应的搜索转移序列，搜索转移序列包括按照样本对象对应的搜索切换顺序排列的多个样本搜索信息和相邻两个样本搜索信息间的转移指标标注；
目标样本转移搜索信息确定模块，被配置为执行将每个样本搜索信息的下一样本搜索信息作为每个样本搜索信息的目标样本转移搜索信息；
目标转移指标确定模块，被配置为执行将每个样本搜索信息与每个样本搜索信息的下一样本搜索信息间的转移指标标注作为下一样本搜索信息对应的目标转移指标；
第二兴趣转移识别模块，被配置为执行将多个样本搜索信息输入第一预设神经网络进行兴趣转移识别，得到每个样本搜索信息对应的预测转移搜索信息和预测转移搜索信息对应的预期转移指标；
兴趣转移识别损失确定模块，被配置为执行根据预设转移搜索信息、目标样本转移搜索信息、预期转移指标和目标转移指标，确定兴趣转移识别损失；
兴趣转移模型确定模块，被配置为执行基于兴趣转移识别损失训练第一预设神经网络，得到兴趣转移模型。
可选的，所述样本对象包括多个对象，搜索转移序列获取模块包括：
搜索行为信息获取单元，被配置为执行获取多个对象在第一预设时间段内各自的搜索行为信息；
信息确定单元，被配置为执行确定每个对象的搜索行为信息中的多个样本搜索信息、多个样本搜索信息间的搜索切换顺序，以及相邻两个样本搜索信息间的转移反馈信息，转移反馈信息表征每个对象由相邻两个样本搜索信息中的前一个样本搜索信息切换到后一个样本搜索信息的切换意图；
排序组合单元，被配置为执行基于多个样本搜索信息间的搜索切换顺序和相邻两个样本搜索信息间的转移反馈信息，将多个对象对应的多个样本搜索信息进行排序组合，得到搜索转移序列；
搜索转移序列中的所述相邻两个样本搜索信息间的转移指标标注为基于所述相邻两个样本搜索信息对应的至少一个对象对应的转移反馈信息确定的。
可选的，兴趣转移识别损失确定模块包括：
搜索信息损失确定单元，被配置为执行根据预设转移搜索信息与目标样本转移搜索信息，确定搜索信息损失；
转移损失确定单元，被配置为执行根据预期转移指标与目标转移指标，确定转移损失；
兴趣转移识别损失确定单元，被配置为执行根据搜索信息损失和转移损失，确定兴趣转移识别损失。
可选的，上述装置还包括：
第二信息获取模块，被配置为执行获取预设类目知识图谱和第二预设时间段内的搜索信息集，预设类目知识图谱包括多种类目下的兴趣点；
第一文本特征信息确定模块，被配置为执行确定搜索信息集中每个搜索信息的文本特征信息和多种类目下的兴趣点的文本特征信息；
第一相似度计算模块，被配置为执行计算每个搜索信息的文本特征信息与多种类目下的兴趣点的文本特征信息间的第一相似度；
关联搜索信息确定模块，被配置为执行根据第一相似度，确定多种类目下的兴趣点各自对应的关联搜索信息；
第一信息挂载模块，被配置为执行在多种类目下的兴趣点下挂载对应的关联搜索信息，得到预设兴趣树。
可选的，上述装置还包括：
第三信息获取模块，被配置为执行获取第三预设时间段内的推荐信息集和发布推荐信息集中每个推荐信息的对象信息；
文本信息提取模块，被配置为执行提取推荐信息集中每个推荐信息的文本信息；
第二文本特征信息确定模块，被配置为执行确定每个推荐信息的文本信息的文本特征信息；
第二相似度计算模块，被配置为执行计算每个推荐信息的文本信息的文本特征信息和多种类目下的兴趣点的文本特征信息间的第二相似度；
关联推荐信息确定模块，被配置为执行根据第二相似度，确定多种类目下的兴趣点对应的关联推荐信息；
第二信息挂载模块，被配置为执行在多种类目下的兴趣点下挂载对应的关联推荐信息和发布关联推荐信息的对象信息，得到更新后的预设兴趣树。
可选的，上述装置还包括：
第四信息获取模块，被配置为执行获取目标对象在第四预设时间段内的行为信息，行为信息包括目标对象在第四预设时间段内的搜索信息、关注的对象信息和搜索的推荐信息；
第三相似度计算模块，被配置为执行计算第四预设时间段内的行为信息与预设兴趣树中多种类目下的兴趣点下挂载的关联行为信息间的第三相似度，关联行为信息包括兴趣点对应的关联搜索信息、关联推荐信息和关联推荐信息的对象信息；
历史兴趣点确定模块，被配置为执行根据第三相似度，从预设兴趣树中确定目标对象对应的历史兴趣点；
第二兴趣识别模块，被配置为执行将第四预设时间段内的行为信息输入第二预设神经网络进行兴趣识别，得到预测兴趣点；
兴趣识别损失确定模块，被配置为执行根据预设兴趣点和历史兴趣点，确定兴趣识别损失；
兴趣识别模型确定模块，被配置为执行基于兴趣识别损失训练第二预设神经网络，得到兴趣识别模型。
可选的，目标搜索信息确定模块包括：
兴趣点确定单元，被配置为执行确定预设兴趣树中与目标兴趣点匹配的兴趣点；
目标搜索信息确定单元，被配置为执行将匹配的兴趣点下挂载的关联搜索信息作为目标兴趣点对应的目标关联搜索信息。
可选的，搜索信息过滤模块包括：
第一搜索信息过滤单元，被配置为执行根据转移指标对转移搜索信息集进行搜索信息过滤，得到第一初选转移搜索信息；
第二搜索信息过滤单元，被配置为执行根据目标关联搜索信息对第一初选转移搜索信息进行搜索信息过滤，得到目标转移搜索信息；
或；
第三搜索信息过滤单元，被配置为执行根据目标关联搜索信息对转移搜索信息集进行搜索信息过滤，得到第二初选转移搜索信息；
第四搜索信息过滤单元，被配置为执行根据转移指标对第二初选转移搜索信息进行搜索信息过滤，得到目标转移搜索信息。
可选的，信息推荐模块包括：
第一推荐信息召回单元，被配置为执行根据目标搜索信息进行推荐信息召回，得到第一推荐信息；
第二推荐信息召回单元，被配置为执行根据目标转移搜索信息进行推荐信息召回，得到第二推荐信息；
目标推荐信息确定单元，被配置为执行将第一推荐信息和第二推荐信息推荐给目标对象。
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是根据一示例性实施例示出的一种用于信息推荐的电子设备的框图，该电子设备可以是服务器，其内部结构图可以如图9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信息推荐方法。
本领域技术人员可以理解，图9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，还提供了一种电子设备，包括：处理器；用于存储该处理器可执行指令的存储器；其中，该处理器被配置为执行该指令，以实现如本公开实施例中的信息推荐方法。
在示例性实施例中，还提供了一种计算机可读存储介质，当该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信息推荐方法。可选地，计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中，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，使得计算机执行本公开实施例中的信息推荐方法。
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。
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)

1.一种信息推荐方法，其特征在于，包括：
获取目标对象的目标搜索信息和目标行为信息；
将所述目标搜索信息输入兴趣转移模型进行兴趣转移识别，得到所述目标对象的转移搜索信息集和所述转移搜索信息集中每个转移搜索信息的转移指标；
将所述目标行为信息输入兴趣识别模型进行兴趣识别，得到所述目标对象的目标兴趣点；
从预设兴趣树中确定所述目标兴趣点对应的目标关联搜索信息，所述预设兴趣树为基于多种类目下的兴趣点与对应的关联搜索信息构建的；
基于所述目标关联搜索信息和所述转移指标对所述转移搜索信息集进行搜索信息过滤，得到目标转移搜索信息；
基于所述目标搜索信息和所述目标转移搜索信息向所述目标对象进行信息推荐。
2.根据权利要求1所述的信息推荐方法，其特征在于，所述方法还包括：
获取第一预设时间段内的样本对象对应的搜索转移序列，所述搜索转移序列包括按照所述样本对象对应的搜索切换顺序排列的多个样本搜索信息和相邻两个样本搜索信息间的转移指标标注；
将每个样本搜索信息的下一样本搜索信息作为所述每个样本搜索信息的目标样本转移搜索信息；
将所述每个样本搜索信息与所述每个样本搜索信息的下一样本搜索信息间的转移指标标注作为所述下一样本搜索信息对应的目标转移指标；
将所述多个样本搜索信息输入第一预设神经网络进行兴趣转移识别，得到每个样本搜索信息对应的预测转移搜索信息和所述预测转移搜索信息对应的预期转移指标；
根据所述预设转移搜索信息、所述目标样本转移搜索信息、所述预期转移指标和所述目标转移指标，确定兴趣转移识别损失；
基于所述兴趣转移识别损失训练所述第一预设神经网络，得到所述兴趣转移模型。
3.根据权利要求2所述的信息推荐方法，其特征在于，所述样本对象包括多个对象，所述获取第一预设时间段内的样本对象对应的搜索转移序列包括：
获取所述多个对象在所述第一预设时间段内各自的搜索行为信息；
确定每个对象的搜索行为信息中的多个样本搜索信息、所述多个样本搜索信息间的搜索切换顺序，以及相邻两个样本搜索信息间的转移反馈信息，所述转移反馈信息表征所述每个对象由所述相邻两个样本搜索信息中的前一个样本搜索信息切换到后一个样本搜索信息的切换意图；
基于所述多个样本搜索信息间的搜索切换顺序和相邻两个样本搜索信息间的转移反馈信息，将所述多个对象对应的多个样本搜索信息进行排序组合，得到所述搜索转移序列；
其中，所述搜索转移序列中的所述相邻两个样本搜索信息间的转移指标标注为基于所述相邻两个样本搜索信息对应的至少一个对象对应的转移反馈信息确定的。
4.根据权利要求2所述的信息推荐方法，其特征在于，所述根据所述预设转移搜索信息、所述目标样本转移搜索信息、所述预期转移指标和所述目标转移指标，确定兴趣转移识别损失包括：
根据所述预设转移搜索信息与所述目标样本转移搜索信息，确定搜索信息损失；
根据所述预期转移指标与所述目标转移指标，确定转移损失；
根据所述搜索信息损失和所述转移损失，确定所述兴趣转移识别损失。
5.根据权利要求1所述的信息推荐方法，其特征在于，所述方法还包括：
获取预设类目知识图谱和第二预设时间段内的搜索信息集，所述预设类目知识图谱包括多种类目下的兴趣点；
确定所述搜索信息集中每个搜索信息的文本特征信息和所述多种类目下的兴趣点的文本特征信息；
计算所述每个所述搜索信息的文本特征信息与所述多种类目下的兴趣点的文本特征信息间的第一相似度；
根据所述第一相似度，确定所述多种类目下的兴趣点各自对应的关联搜索信息；
在所述多种类目下的兴趣点下挂载对应的关联搜索信息，得到所述预设兴趣树。
6.根据权利要求5所述的信息推荐方法，其特征在于，所述方法还包括：
获取第三预设时间段内的推荐信息集和发布所述推荐信息集中每个推荐信息的对象信息；
提取所述推荐信息集中每个推荐信息的文本信息；
确定所述每个推荐信息的文本信息的文本特征信息；
计算所述每个推荐信息的文本信息的文本特征信息和所述多种类目下的兴趣点的文本特征信息间的第二相似度；
根据所述第二相似度，确定所述多种类目下的兴趣点对应的关联推荐信息；
在所述多种类目下的兴趣点下挂载对应的关联推荐信息和发布所述关联推荐信息的对象信息，得到更新后的预设兴趣树。
7.一种信息推荐装置，其特征在于，包括：
第一信息获取模块，被配置为执行获取目标对象的目标搜索信息和目标行为信息；
第一兴趣转移识别模块，被配置为执行将所述目标搜索信息输入兴趣转移模型进行兴趣转移识别，得到所述目标对象的转移搜索信息集和所述转移搜索信息集中每个转移搜索信息的转移指标；
第一兴趣识别模块，被配置为执行将所述目标行为信息输入兴趣识别模型进行兴趣识别，得到所述目标对象的目标兴趣点；
目标搜索信息确定模块，被配置为执行从预设兴趣树中确定所述目标兴趣点对应的目标关联搜索信息，所述预设兴趣树为基于多种类目下的兴趣点与对应的关联搜索信息构建的；
搜索信息过滤模块，被配置为执行基于所述目标关联搜索信息和所述转移指标对所述转移搜索信息集进行搜索信息过滤，得到目标转移搜索信息；
信息推荐模块，被配置为执行基于所述目标搜索信息和所述目标转移搜索信息向所述目标对象进行信息推荐。
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中任一项所述的信息推荐方法。
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，使得电子设备能够执行如权利要求1至6中任一项所述的信息推荐方法。
10.一种计算机程序产品，包括计算机指令，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中任一项所述的信息推荐方法。
CN202110118341.9A 2021-01-28 2021-01-28 信息推荐方法、装置、电子设备及存储介质 Active CN114817695B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110118341.9A CN114817695B (zh) 2021-01-28 2021-01-28 信息推荐方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110118341.9A CN114817695B (zh) 2021-01-28 2021-01-28 信息推荐方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN114817695A true CN114817695A (zh) 2022-07-29
CN114817695B CN114817695B (zh) 2024-09-20

Family

ID=82525421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110118341.9A Active CN114817695B (zh) 2021-01-28 2021-01-28 信息推荐方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114817695B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101821688A (zh) * 2007-09-14 2010-09-01 费舍-柔斯芒特系统股份有限公司 个人化的工厂资产数据表示和搜索系统
CN103853831A (zh) * 2014-03-10 2014-06-11 中国电子科技集团公司第二十八研究所 一种基于用户兴趣的个性化搜索实现方法
CN104063383A (zh) * 2013-03-19 2014-09-24 北京三星通信技术研究有限公司 信息推荐方法及装置
US20150006286A1 (en) * 2013-06-28 2015-01-01 Linkedin Corporation Targeting users based on categorical content interactions
CN105243143A (zh) * 2015-10-14 2016-01-13 湖南大学 基于即时语音内容检测的推荐方法及系统
CN107967352A (zh) * 2017-12-15 2018-04-27 四川汉科计算机信息技术有限公司 信息知识智慧推荐方法
CN110427554A (zh) * 2019-07-26 2019-11-08 北京达佳互联信息技术有限公司 兴趣点的推荐方法、装置、智能终端、服务器和存储介质
US20190354604A1 (en) * 2018-05-18 2019-11-21 Yandex Europe Ag Method of and system for recommending fresh search query suggestions on search engine
CN111460327A (zh) * 2020-03-10 2020-07-28 口口相传(北京)网络技术有限公司 兴趣地搜索方法及装置、存储介质、计算机设备
CN111651685A (zh) * 2019-09-24 2020-09-11 北京嘀嘀无限科技发展有限公司 一种兴趣点获取方法、装置、电子设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101821688A (zh) * 2007-09-14 2010-09-01 费舍-柔斯芒特系统股份有限公司 个人化的工厂资产数据表示和搜索系统
CN104063383A (zh) * 2013-03-19 2014-09-24 北京三星通信技术研究有限公司 信息推荐方法及装置
US20150006286A1 (en) * 2013-06-28 2015-01-01 Linkedin Corporation Targeting users based on categorical content interactions
CN103853831A (zh) * 2014-03-10 2014-06-11 中国电子科技集团公司第二十八研究所 一种基于用户兴趣的个性化搜索实现方法
CN105243143A (zh) * 2015-10-14 2016-01-13 湖南大学 基于即时语音内容检测的推荐方法及系统
CN107967352A (zh) * 2017-12-15 2018-04-27 四川汉科计算机信息技术有限公司 信息知识智慧推荐方法
US20190354604A1 (en) * 2018-05-18 2019-11-21 Yandex Europe Ag Method of and system for recommending fresh search query suggestions on search engine
CN110427554A (zh) * 2019-07-26 2019-11-08 北京达佳互联信息技术有限公司 兴趣点的推荐方法、装置、智能终端、服务器和存储介质
CN111651685A (zh) * 2019-09-24 2020-09-11 北京嘀嘀无限科技发展有限公司 一种兴趣点获取方法、装置、电子设备及存储介质
CN111460327A (zh) * 2020-03-10 2020-07-28 口口相传(北京)网络技术有限公司 兴趣地搜索方法及装置、存储介质、计算机设备

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
DURGA CHOUDHARY等: "Adaptive Query Recommendation Techniques for Log Files Mining to Analysis User\'s Session Pattern", 《INTERNATIONAL JOURNAL OF COMPUTER APPLICATIONS 》, vol. 133, no. 17, 31 January 2016 (2016-01-31), pages 22 - 27 *
PAOLO BOLDI等: "Query suggestions using query-flow graphs", 《WSCD \'09: PROCEEDINGS OF THE 2009 WORKSHOP ON WEB SEARCH CLICK DATA》, 9 February 2009 (2009-02-09), pages 56 - 63, XP058088589, DOI: 10.1145/1507509.1507518 *
PRAJAKTA SHINDE等: "Efficient Query Suggestion System using Users Search History", 《2018 INTERNATIONAL CONFERENCE ON INFORMATION , COMMUNICATION, ENGINEERING AND TECHNOLOGY (ICICET)》, 15 November 2018 (2018-11-15), pages 1 - 6 *
张晓娟;彭琳;李倩;: "查询推荐研究综述", 情报学报, no. 04, 24 April 2019 (2019-04-24), pages 102 - 116 *
蒋丹阳: "面向个性化信息服务的查询词自动推荐方法研究", 《中国博士学位论文全文数据库 (社会科学Ⅰ辑)》, 15 January 2021 (2021-01-15), pages 112 - 2 *
蔡飞: "面向信息精准服务的信息检索与查询推荐方法研究", 《中国博士学位论文全文数据库 (信息科技辑)》, 15 December 2017 (2017-12-15), pages 138 - 121 *

Also Published As

Publication number Publication date
CN114817695B (zh) 2024-09-20

Similar Documents

Publication Publication Date Title
CN112632385B (zh) 课程推荐方法、装置、计算机设备及介质
CN108829822B (zh) 媒体内容的推荐方法和装置、存储介质、电子装置
CN110147551B (zh) 多类别实体识别模型训练、实体识别方法、服务器及终端
CN109800307B (zh) 产品评价的分析方法、装置、计算机设备及存储介质
CN111444428A (zh) 基于人工智能的信息推荐方法、装置、电子设备及存储介质
CN111444344B (zh) 实体分类方法、装置、计算机设备和存储介质
CN108846097B (zh) 用户的兴趣标签表示方法、文章推荐方法、及装置、设备
CN110263235A (zh) 信息推送对象更新方法、装置和计算机设备
CN111914159B (zh) 一种信息推荐方法及终端
CN112819023A (zh) 样本集的获取方法、装置、计算机设备和存储介质
CN110321437B (zh) 一种语料数据处理方法、装置、电子设备及介质
CN112948575B (zh) 文本数据处理方法、装置和计算机可读存储介质
CN113342958B (zh) 问答匹配方法、文本匹配模型的训练方法和相关设备
CN112699945A (zh) 数据标注方法及装置、存储介质及电子装置
CN112380421A (zh) 简历的搜索方法、装置、电子设备及计算机存储介质
CN112148994A (zh) 信息推送效果评估方法、装置、电子设备及存储介质
CN112287215A (zh) 一种智能就业推荐方法和装置
CN111813941A (zh) 结合rpa和ai的文本分类方法、装置、设备及介质
CN116910357A (zh) 一种数据处理方法及相关装置
CN110929526A (zh) 样本生成方法、装置以及电子设备
CN114817695B (zh) 信息推荐方法、装置、电子设备及存储介质
CN114513578A (zh) 外呼方法、装置、计算机设备及存储介质
CN114707510A (zh) 资源推荐信息推送方法、装置、计算机设备及存储介质
CN115099344A (zh) 模型训练方法和装置、用户画像生成方法和装置、设备
CN112988699B (zh) 模型训练方法、数据标签的生成方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant