CN114840759A - 一种推荐方法、装置及计算机可读存储介质 - Google Patents
一种推荐方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114840759A CN114840759A CN202210510559.3A CN202210510559A CN114840759A CN 114840759 A CN114840759 A CN 114840759A CN 202210510559 A CN202210510559 A CN 202210510559A CN 114840759 A CN114840759 A CN 114840759A
- Authority
- CN
- China
- Prior art keywords
- model
- recommendation
- commodity
- target user
- client
- 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 67
- 238000012545 processing Methods 0.000 claims abstract description 41
- 230000008447 perception Effects 0.000 claims description 70
- 238000012549 training Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013140 knowledge distillation Methods 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 244000141353 Prunus domestica Species 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011160 research Methods 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种推荐方法、装置及计算机可读存储介质,属于计算机技术领域。该方法由服务端将第一推荐模型拆分为输入层模型和感知层模型,并将所述感知层模型发送至客户端,以使所述客户端根据所述感知层模型确定所述目标用户的待推荐商品;服务端从客户端获取目标用户的历史操作数据之后,将所述历史操作数据和数据库中的商品特征信息输入至第二推荐模型中进行预测处理,得到所述目标用户对应的候选商品集合,并将所述候选商品集合发送至所述客户端,以使所述客户端根据所述候选商品集合和所述待推荐商品确定推荐结果。本发明可以提升客户端的推荐效率。
Description
技术领域
本发明属于计算机技术领域,特别是涉及一种推荐方法、装置及计算机可读存储介质。
背景技术
随着互联网技术的不断发展,如何实时准确地捕获用户所需的内容,为用户做精准的推荐服务,例如商品推荐、个性化素材推荐,成为了热门研究项目。
现有的内容推荐方法,一般都是基于机器学习模型确定推荐内容。然而,基于模型的推荐方法,推荐精度受模型复杂程度影响较大,模型结构越复杂,推荐精度越高。但是,复杂的大型机器学习模型对运行环境的要求较高,一般的用户设备无法为大型机器学习模型提供满足条件的运行环境,导致大型机器学习模型的应用场景受限,影响用户设备的推荐效率。
发明内容
本发明提供一种推荐方法、装置及计算机可读存储介质,可以通过在客户端中运行轻量级的感知层模型,可以突破运行环境对大型机器学习模型的限制,提高客户端的推荐效率。
依据本发明的第一方面,提供了一种推荐方法,应用于服务端,所述方法包括:
将第一推荐模型拆分为输入层模型和感知层模型,并将所述感知层模型发送至客户端,以使所述客户端根据所述感知层模型确定所述目标用户的待推荐商品;
从所述客户端中获取目标用户的历史操作数据;
将所述历史操作数据和数据库中的商品特征信息输入至第二推荐模型中进行预测处理,得到所述目标用户对应的候选商品集合;
将所述候选商品集合发送至所述客户端,以使所述客户端根据所述候选商品集合和所述待推荐商品确定推荐结果。
依据本发明的第二方面,提供了另一种推荐方法,应用于客户端,所述方法包括:
根据目标用户的实时操作数据确定所述目标用户的用户特征信息;
接收服务端发送的感知层模型和候选商品集合,所述感知层模型由服务端对第一推荐模型进行拆分得到;所述候选商品集合由所述服务端基于第二推荐模型对所述目标用户的历史操作数据和数据库中的商品特征信息进行预测处理得到;
将所述用户特征信息和所述商品特征信息输入至所述感知层模型中进行预测处理,得到所述目标用户的待推荐商品;
根据所述待推荐商品更新所述候选商品集合,得到推荐结果并展示。
依据本发明的第三方面,提供了一种推荐装置,应用于服务端,所述装置包括:
模型拆分模块,用于将第一推荐模型拆分为输入层模型和感知层模型,并将所述感知层模型发送至客户端,以使所述客户端根据所述感知层模型确定所述目标用户的待推荐商品;
数据获取模块,用于从所述客户端中获取目标用户的历史操作数据;
候选商品确定模块,用于将所述历史操作数据和数据库中的商品特征信息输入至第二推荐模型中进行预测处理,得到所述目标用户对应的候选商品集合;
候选商品发送模块,用于将所述候选商品集合发送至所述客户端,以使所述客户端根据所述候选商品集合和所述待推荐商品确定推荐结果。
依据本发明的第四方面,提供了另一种推荐装置,应用于客户端,所述装置包括:
特征确定模块,用于根据目标用户的实时操作数据确定所述目标用户的用户特征信息;
数据接收模块,用于接收服务端发送的感知层模型和候选商品集合,所述感知层模型由服务端对第一推荐模型进行拆分得到;所述候选商品集合由所述服务端基于第二推荐模型对所述目标用户的历史操作数据和数据库中的商品特征信息进行预测处理得到;
推荐商品确定模块,用于将所述用户特征信息和所述商品特征信息输入至所述感知层模型中进行预测处理,得到所述目标用户的待推荐商品;
更新模块,用于根据所述待推荐商品更新所述候选商品集合,得到推荐结果并展示。
依据本发明的第五方面,提供了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如第一方面中任一所述的推荐方法。
针对在先技术,本发明具备如下优点:
本发明提供的推荐方法,由服务端将第一推荐模型拆分为输入层模型和感知层模型,并将所述感知层模型发送至客户端,以使所述客户端根据所述感知层模型确定所述目标用户的待推荐商品;服务端从客户端获取目标用户的历史操作数据之后,将所述历史操作数据和数据库中的商品特征信息输入至第二推荐模型中进行预测处理,得到所述目标用户对应的候选商品集合,并将所述候选商品集合发送至所述客户端,以使所述客户端根据所述候选商品集合和所述待推荐商品确定推荐结果。在本发明实施例中,客户端中运行的是轻量级的感知层模型,对第一推荐模型进行拆分得到的感知层模型对运行环境的要求不高,且模型性能与第一推荐模型的模型性能相同,能够在客户端中正常运行,从而有利于提升客户端的推荐效率。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是本发明实施例提供的一种推荐方法的步骤流程图;
图2是本发明实施例提供的一种推荐方法的应用场景架构图;
图3是本发明实施例提供的另一种推荐方法的步骤流程图;
图4是本发明实施例提供的又一种推荐方法的步骤流程图;
图5是本发明实施例提供的一种推荐装置的框图;
图6是本发明实施例提供的另一种推荐装置的框图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
图1是本发明实施例提供的一种推荐方法的步骤流程图,如图1所示,该方法可以包括:
步骤101、服务端将第一推荐模型拆分为输入层模型和感知层模型,并将所述感知层模型发送至客户端。
步骤102、服务端从所述客户端中获取目标用户的历史操作数据。
步骤103、服务端将所述历史操作数据和数据库中的商品特征信息输入至第二推荐模型中进行预测处理,得到所述目标用户对应的候选商品集合。
步骤104、服务端将所述候选商品集合发送至所述客户端。
步骤105、客户端根据目标用户的实时操作数据确定所述目标用户的用户特征信息。
步骤106、客户端接收服务端发送的感知层模型和候选商品集合。
步骤107、客户端将所述用户特征信息和所述商品特征信息输入至所述感知层模型中进行预测处理,得到所述目标用户的待推荐商品。
步骤108、客户端根据所述待推荐商品更新所述候选商品集合,得到推荐结果并展示。
本发明实施例提供的推荐方法,可以应用于服务端和客户端。参照图2,示出了本发明实施例提供的推荐方法的应用场景架构图。如图2所示,本发明实施例的应用场景可以包括服务端201和客户端202。服务端201与客户端202之间通过无线或有限网络连接。服务端201可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以提供云服务、云数据库、云计算、云函数、云存储、云通信、网络服务、中间件服务、内容分发网络(Content Delivery Network,CDN),以及大数据和人工智能平台等基础云计算服务的云服务器。在一种可选实施例中,服务端201可以是客户端202对应的应用程序的后台服务器。
客户端202可以是为用户提供推荐/搜索服务的应用程序、网页等,推荐/搜索服务可以包括以下至少一项:美食、电影、酒店、旅游、线上商品等。需要说明的是,本发明实施例中提及的商品(候选商品/待推荐商品),包括外卖餐品、线下商店的商品/商品券、电影票、酒店的客房信息、旅游景点门票、线上商品等,只要是能够在客户端中以商品的形式进行展示的内容,都属于本发明实施例涵盖的内容。客户端202可以运行在终端设备中,该终端设备可以包括但不限于手机、智能机器人、AI人工客服、移动电脑、平板电脑等电子设备。
在一种可能的应用场景下,用户与客户端进行交互,客户端根据用户的操作数据确定用户的用户特征信息并存储。服务端将第一推荐模型拆分为输入层模型和感知层模型,并通过网络连接从客户端中获取目标用户的历史操作数据,将该目标用户的历史操作数据和数据库中的商品特征信息输入至第二推荐模型中进行预测处理,确定该目标用户对应的候选商品集合。然后,服务端将候选商品集合和拆分得到的感知层模型发送至客户端。客户端接收服务端发送的感知层模型和候选商品集合之后,根据目标用户的实时操作数据确定目标用户的特征信息,然后将目标用户的用户特征信息和商品特征信息输入至感知层模型中进行预测处理,得到针对该目标用户的待推荐商品。最后,客户端根据确定的待推荐商品更新候选商品集合,得到针对目标用户的推荐结果并展示。
需要说明的是,在本发明实施例中,目标用户的操作数据,可以包括但不限于用户的浏览操作数据、搜索操作数据、点击操作数据、分享操作数据、评论内容、下单数据等。目标用户的历史操作数据,可以是目标用户在历史时间段内的操作数据,例如,目标用户在过去一年、一个月内的操作数据。历史操作数据主要用于反映目标用户在过去一段时间内的偏好、习惯等。目标用户的实时操作数据,指目标用户在最近一段时间内的操作数据,例如,目标用户在最近两天、一周内的操作数据,等等。相比于历史操作数据,实时操作数据能够反映目标用户当前阶段对商品的偏好、需求等。
客户端根据目标用户的实时操作数据,确定出该目标用户的用户特征信息,以便根据目标用户的用户特征信息,确定目标用户当前阶段的习惯、偏好。
本发明中的第一推荐模型以用户特征信息和商品特征信息为输入,以商品名称/商品标识为输出,用于根据用户信息和商品特征信息,预测用户偏好的商品。其中,第一推荐模型可以是深度神经网络(Deep Neural Networks,DNN)模型、卷积神经网络(Convolutional Neural Networks,CNN)模型、循环神经网络模型(Recurrent NeuralNetworks,RNN)模型等,在此不做限制。
在本发明实施例中,服务端将第一推荐模型拆分为输入层模型和感知层模型。具体的,可以对第一推荐模型的计算图进行拆分,将第一推荐模型的计算图中用于处理输入数据、提取输入数据特征,生成输入数据对应的特征向量/特征矩阵的部分作为输入层模型;将第一推荐模型的计算图中用于基于输入数据对应的特征向量/特征矩阵进行分析、计算,生成计算结果的部分作为感知层模型。服务端对第一推荐模型进行拆分,得到感知层模型之后,向客户端发送感知层模型之前,还可以对感知层模型进行量化、剪枝等处理,以便对感知层模型进行压缩,降低模型复杂度,以保证客户端能够正常运行感知层模型。
本发明实施例中的第二推荐模型用于根据目标用户的历史操作数据和商品特征信息,确定目标用户对应的候选商品集合。需要说明的是,在本发明实施例中,第一推荐模型、第二推荐模型可以为同一个模型,也可以将第二推荐模型作为教师模型,对第二推荐模型进行压缩处理得到第一推荐模型,优化第一推荐模型的量级和模型性能,使得客户端接收到的感知层模型的量级更小、性能更佳。
客户端在接收到服务端发送的感知层模型和候选商品集合之后,先将目标用户的用户特征信息和商品特征信息输入到感知层模型中进行预测处理,得到该目标用户对应的待推荐商品。具体的,可以将目标用户的用户特征信息和数据库中的商品特征信息同时输入至感知层模型中,由感知层模型确定用户特征信息与每个商品特征信息之间的匹配度,并根据匹配度确定待推荐商品。作为一种示例,可以预先设定一个阈值,将与目标用户的匹配度大于阈值的商品确定为待推荐商品;或者,可以按照每个商品与目标用户之间的匹配度,对数据库中的各个商品进行降序排列,根据排序结果确定待推荐商品。最后,客户端根据确定出的待推荐商品,对候选商品集合进行更新,以进一步优化第二推荐模型的预测结果,得到最终的推荐结果并展示。
综上所述,在本发明实施例中,客户端中运行的是轻量级的感知层模型,对第一推荐模型进行拆分得到的感知层模型对运行环境的要求不高,且模型性能与第一推荐模型的模型性能相同,能够在客户端中正常运行,从而有利于提升客户端的推荐效率。
并且,本发明先在服务端中基于第二推荐模型对目标用户的历史操作数据进行处理,确定目标用户对应的候选商品集合,然后再由客户端根据感知层模型对目标用户的实时操作数据对应的用户特征信息进行处理,得到待推荐商品,并利用得到的待推荐商品对所述候选商品集合进行更新,得到最终的推荐结果,换言之,本发明分别通过感知层模型和第二推荐模型对目标用户的偏好商品进行了两次预测,并利用基于目标用户的实时操作数据得到的预测结果对基于目标用户的历史操作数据得到的预测结果进行了调整,使得最终得到的推荐结果更加符合目标用户现阶段的偏好和需求,提升了推荐结果的准确度。
图3是本发明实施例提供的另一种推荐方法的步骤流程图,应用于服务端,如图3所示,该方法可以包括:
步骤301、将第一推荐模型拆分为输入层模型和感知层模型,并将所述感知层模型发送至客户端,以使所述客户端根据所述感知层模型确定所述目标用户的待推荐商品。
步骤302、从所述客户端中获取目标用户的历史操作数据。
步骤303、将所述历史操作数据和数据库中的商品特征信息输入至第二推荐模型中进行预测处理,得到所述目标用户对应的候选商品集合。
步骤304、将所述候选商品集合发送至所述客户端,以使所述客户端根据所述候选商品集合和所述待推荐商品确定推荐结果。
需要说明的是,本发明实施例提供的推荐方法,可以应用于服务端,该服务端可以为图2所示的应用场景架构图中的服务端201。服务端201可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以提供云服务、云数据库、云计算、云函数、云存储、云通信、网络服务、中间件服务、内容分发网络(Content DeliveryNetwork,CDN),以及大数据和人工智能平台等基础云计算服务的云服务器。在一种可选实施例中,服务端201可以是客户端202对应的应用程序的后台服务器。
在本发明实施例中,服务端将第一推荐模型拆分为输入层模型和感知层模型,并通过网络连接从客户端中获取目标用户的历史操作数据,将该目标用户的历史操作数据和数据库中的商品特征信息输入至第二推荐模型中进行预测处理,确定该目标用户对应的候选商品集合。然后,服务端将候选商品集合和拆分得到的感知层模型发送至客户端。客户端接收服务端发送的感知层模型和候选商品集合之后,将目标用户的用户特征信息输入至感知层模型中进行预测处理,得到针对该目标用户的待推荐商品,并根据确定的待推荐商品更新候选商品集合,得到针对目标用户的推荐结果并展示。
其中,服务端从客户端获取到的目标用户的历史操作数据,是客户端根据目标用户在历史时间段内的操作数据确定的。例如,目标用户与客户端进行交互,通过客户端浏览商品、评价商品、购买商品等,客户端在遵循所在地国家相应的数据保护法规政策的前提下,并获得目标用户给予授权的情况下,基于目标用户通过客户端执行的各种操作,采集目标用户的在过去一年内、一个月内的浏览操作数据、搜索操作数据、点击操作数据、分享操作数据、评论内容、下单数据等,得到该目标用户的历史操作数据。
本发明中的第一推荐模型以用户特征信息和商品特征信息为输入,以商品名称/商品标识为输出,用于根据用户特征信息和商品特征信息以及用户操作数据,预测用户偏好的商品。其中,第一推荐模型可以是深度神经网络(Deep Neural Networks,DNN)模型、卷积神经网络(Convolutional Neural Networks,CNN)模型、循环神经网络模型(RecurrentNeural Networks,RNN)模型等,在此不做限制。
作为一种示例,服务端可以对第一推荐模型的计算图进行拆分,将第一推荐模型的计算图中用于处理输入数据、提取输入数据特征,生成输入数据对应的特征向量/特征矩阵的部分作为输入层模型;将第一推荐模型的计算图中用于基于输入数据对应的特征向量/特征矩阵进行分析、计算,生成计算结果的部分作为感知层模型。
本发明实施例中的第二推荐模型用于根据目标用户的历史操作数据和商品特征信息,确定目标用户对应的候选商品集合。需要说明的是,在本发明实施例中,第一推荐模型、第二推荐模型可以为同一个模型,也可以将第二推荐模型作为教师模型,对第二推荐模型进行知识蒸馏处理得到第一推荐模型,优化第一推荐模型的量级和模型性能,使得客户端接收到的感知层模型的量级更小、性能更佳。
在本发明的一种可选实施例中,步骤301所述将第一推荐模型拆分为输入层模型和感知层模型,并将所述感知层模型发送至客户端,包括:
步骤S11、将第一推荐模型拆分为输入层模型和感知层模型;
步骤S12、对所述感知层模型进行压缩处理,得到压缩后的感知层模型;
步骤S13、将压缩后的感知层模型发送至客户端。
在本发明实施例中,服务端对第一推荐模型进行拆分,得到感知层模型之后,向客户端发送感知层模型之前,还可以对感知层模型进行压缩处理,例如对感知层模型进行量化、剪枝等处理,以实现感知层模型的稀疏与压缩,降低模型复杂度,缩短感知层模型的推理延迟,以保证客户端接收到的感知层模型为轻量级的模型,提升感知层模型在客户端中的运行流畅度和推理效率。
在本发明的一种可选实施例中,所述方法还包括:
步骤S21、根据所述输入层模型,生成特征嵌入向量数据表并存储;
步骤S22、配置针对所述特征嵌入向量数据表的查询接口,以供所述客户端基于查询信息获取感知层输入参数,并根据所述感知层输入参数确定所述目标用户的待推荐商品。
其中,所述特征嵌入向量数据表包括用户特征信息和商品特征信息的向量信息,所述输入层模型用于对客户端输入的用户特征信息和商品特征信息进行预处理,并根据预处理后的用户特征信息和商品特征信息获取相应的向量信息,根据获取的向量信息构造感知层输入参数。
需要说明的是,在本发明实施例中,服务端将第一推荐模型拆分为输入层模型和感知层模型。其中,输入层模型用于对输入的用户特征信息和商品特征信息进行数据预处理,例如,数据筛选、数据标准化、归一化、数据增强等等。示例性地,对输入的用户特征信息和/或商品特征信息进行数据标准化(normalization)处理,可以将输入的用户特征信息和/或商品特征信息按比例缩放,使之落入一个小的特定区间,以保证神经网络的收敛速度;对输入的用户特征信息和/或商品特征信息进行归一化处理,从而在一定程度上消除因数据质量不佳或噪声等各种原因对模型权值更新的影响;对输入的用户特征信息和/或商品特征信息进行数据增强,以增加第一推荐模型的训练数据,避免过拟合,从而提升第一推荐模型的准确率。输入层模型的输出数据,为感知层模型的输入数据,也即本发明中的感知层输入参数。感知层模型对感知层输入参数进行分析、计算,输出针对目标用户的预测结果。
在拆分之前,对于第一推荐模型而言,其输入数据为商品特征信息和目标用户的用户特征信息,输出数据为商品名称/商品标识。服务端对第一推荐模型进行拆分之后,仅将感知层模型发送至客户端,客户端无法通过感知层模型对商品特征信息和用户特征信息直接进行处理,以得到目标用户的待推荐商品。因此,为了提高客户端对针对目标用户的待推荐商品的预测效率,本发明实施例可以基于输入层模型生成特征嵌入向量数据表。该特征嵌入向量数据表中记录有用户特征信息的向量信息,以及商品特征信息的向量信息。并且,服务端中配置有针对特征嵌入向量数据表的查询接口。客户端在确定目标用户的待推荐商品时,可以通过访问服务端中针对特征嵌入向量数据表配置的查询接口,根据用户特征信息和商品特征信息查询该目标用户对应的感知层输入参数,从而无需再对用户特征信息和商品特征信息进行进一步处理,将查询的感知层输入参数输入至感知层模型中,就可以确定出该目标用户的待推荐商品。
在本发明的一种可选实施例中,步骤301所述将第一推荐模型拆分为输入层模型和感知层模型之前,所述方法还包括:
步骤S31、基于预先获取的训练样本集对第二推荐模型进行训练,得到训练好的第二推荐模型;
步骤S32、对训练好的第二推荐模型进行压缩处理,得到第一推荐模型。
在本发明实施例中,第一推荐模型、第二推荐模型可以为同一个模型。或者,第二推荐模型可以增加更多的特征或使用更复杂的网络,以优化预测效果。为了简化模型处理过程,可以直接对第二推荐模型进行压缩处理,得到第一推荐模型。
作为一种示例,可以将第二推荐模型作为教师模型,对训练好的第二推荐模型进行知识蒸馏处理得到第一推荐模型,优化第一推荐模型的量级和模型性能,使得客户端接收到的感知层模型的量级更小、性能更佳。
作为另一种示例,可以使用模型裁剪、量化、特征筛选等方法对第二推荐模型进行压缩处理,在尽量保持预测效果的情况下,压缩第二推荐模型的模型体积和纯熟,以得到轻量级的第一推荐模型。
在本发明的一种可选实施例中,步骤301所述将第一推荐模型拆分为输入层模型和感知层模型,包括:
步骤S41、获取所述目标用户的历史推荐数据;
步骤S42、根据所述历史推荐数据对第一推荐模型进行调整,得到调整后的第一推荐模型;
步骤S43、将调整后的第一推荐模型拆分为输入层模型和感知层模型。
在本发明实施例中,可以直接选用本领域擅长进行用户推荐的神经网络模型作为本发明中的第一推荐模型,如深度神经网络模型、卷积神经网络模型、循环神经网络模型等。
为了进一步提升第一推荐模型的准确度,在本发明实施例中,可以根据目标用户的历史推荐数据对第一推荐模型进行调整,得到针对目标用户的第一推荐模型。具体的,可以先获取目标用户的历史推荐数据,该历史推荐数据可以为客户端针对该目标用户确定的历史推荐结果,或者,在生成本次推荐结果之前的历史推荐过程中,客户端基于感知层模型确定的针对目标用户的待推荐商品,等等;然后,基于目标用户的历史推荐数据,对第一推荐模型进行优化训练,并在每一轮训练过程中损失值调整第一推荐模型的模型参数,直至损失值满足模型收敛条件得到调整后的第一推荐模型。其中,收敛条件可以为损失值小于预设阈值,或者,训练次数大于预设训练次数,等等。最后,服务端将调整后的第一推荐模型拆分为输入层模型和感知层模型。该感知层模型为针对目标用户的个性化模型,其预测结果更加符合目标用户的个性化需求。
综上所述,本发明实施例提供的推荐方法,由服务端将第一推荐模型拆分为输入层模型和感知层模型,并将所述感知层模型发送至客户端,客户端中运行的是轻量级的感知层模型,对第一推荐模型进行拆分得到的感知层模型对运行环境的要求不高,且模型性能与第一推荐模型的模型性能相同,能够在客户端中正常运行,从而有利于提升客户端的推荐效率。
图4是本发明实施例提供的又一种推荐方法的步骤流程图,应用于客户端,如图4所示,该方法可以包括:
步骤401、根据目标用户的实时操作数据确定所述目标用户的用户特征信息。
步骤402、接收服务端发送的感知层模型和候选商品集合,所述感知层模型由服务端对第一推荐模型进行拆分得到;所述候选商品集合由所述服务端基于第二推荐模型对所述目标用户的历史操作数据和数据库中的商品特征信息进行预测处理得到。
步骤403、将所述用户特征信息和所述商品特征信息输入至所述感知层模型中进行预测处理,得到所述目标用户的待推荐商品。
步骤404、根据所述待推荐商品更新所述候选商品集合,得到推荐结果并展示。
需要说明的是,本发明实施例提供的推荐方法,可以应用于客户端,该客户端可以为图2所示的应用场景架构图中的客户端202。客户端202可以是为用户提供推荐/搜索服务的应用程序、网页等,推荐/搜索服务可以包括以下至少一项:美食、电影、酒店、旅游、线上商品等。需要说明的是,本发明实施例中提及的商品(候选商品/待推荐商品),包括外卖餐品、线下商店的商品/商品券、电影票、酒店的客房信息、旅游景点门票、线上商品等,只要是能够在客户端中以商品的形式进行展示的内容,都属于本发明实施例涵盖的内容。客户端202可以运行在终端设备中,该终端设备可以包括但不限于手机、智能机器人、AI人工客服、移动电脑、平板电脑等电子设备。
客户端根据目标用户的实时操作数据确定目标用户的用户特征信息。具体的,目标用户与客户端进行交互,通过客户端浏览商品、评价商品、购买商品等,客户端在遵循所在地国家相应的数据保护法规政策的前提下,并获得目标用户给予授权的情况下,基于目标用户通过客户端执行的各种操作,实时采集目标用户的操作数据,并对采集的操作数据进行分析、处理,得到目标用户的用户特征信息。示例性地,在本发明实施例中,目标用户的实时操作数据,可以包括但不限于用户在最近一段时间内,如最近两天、一周内的浏览数据、用户搜索数据、用户点击数据、用户分享数据、用户评论数据、用户下单数据等。目标用户的实时操作数据能够反映目标用户当前阶段对商品的偏好、需求等。
在本发明实施例中,服务端将第一推荐模型拆分为输入层模型和感知层模型,并通过网络连接从客户端中获取目标用户的历史操作数据,将该目标用户的历史操作数据和数据库中的商品特征信息输入至第二推荐模型中进行预测处理,确定该目标用户对应的候选商品集合。然后,服务端将候选商品集合和拆分得到的感知层模型发送至客户端。需要说明的是,在本发明实施例中,目标用户的历史操作数据主要用于反映目标用户在过去一段时间内的偏好、习惯等。
客户端接收到服务端发送的感知层模型和候选商品集合之后,将目标用户的用户特征信息和商品特征信息输入至感知层模型中进行预测处理,得到针对该目标用户的待推荐商品,并根据确定的待推荐商品更新候选商品集合,得到针对目标用户的推荐结果并展示。
作为一种示例,客户端判断候选商品集合中是否存在与待推荐商品相同或相似的商品,若存在,则保留候选商品集合中的商品;若不存在,则将待推荐商品添加至候选商品集合中,得到针对目标用户的推荐结果。
作为另一种示例,客户端可以计算候选商品集合中的各个商品与目标用户的用户特征信息之间的匹配度;然后,用待推荐商品替换候选商品集合中与用户特征信息的匹配度较低的商品,得到针对目标用户的推荐结果。
本发明先在服务端中基于第二推荐模型对目标用户的历史操作数据进行处理,确定目标用户对应的候选商品集合,然后再由客户端根据感知层模型对目标用户的实时操作数据对应的用户特征信息进行处理,得到待推荐商品,并利用得到的待推荐商品对所述候选商品集合进行更新,得到最终的推荐结果,换言之,本发明分别通过感知层模型和第二推荐模型对目标用户的偏好商品进行了两次预测,并利用基于目标用户的实时操作数据得到的预测结果对基于目标用户的历史操作数据得到的预测结果进行了调整,使得最终得到的推荐结果更加符合目标用户现阶段的偏好和需求,提升了推荐结果的准确度。
在本发明的一种可选实施例中,步骤403所述将所述用户特征信息和所述商品特征信息输入至所述感知层模型中进行预测处理,得到所述目标用户的待推荐商品,包括:
步骤S51、访问所述服务端中针对特征嵌入向量数据表的查询接口,根据所述目标用户的特征信息和所述商品特征信息查询所述目标用户对应的感知层输入参数;
步骤S52、将所述感知层输入参数输入至所述感知层模型中进行预测处理,得到所述目标用户的待推荐商品。
在本发明实施例中,服务端将第一推荐模型拆分为输入层模型和感知层模型。其中,输入层模型的输入数据为商品特征信息和目标用户的用户特征信息,输出数据为感知层模型的输入数据,也即本发明中的感知层输入参数。感知层模型对感知层输入参数进行分析、计算,输出针对目标用户的预测结果。
在拆分之前,对于第一推荐模型而言,其输入数据为商品特征信息和目标用户的用户特征信息,输出数据为商品名称/商品标识。服务端对第一推荐模型进行拆分之后,仅将感知层模型发送至客户端,客户端无法通过感知层模型对商品特征信息和用户特征信息直接进行处理,以得到目标用户的待推荐商品。
因此,为了解决这一问题,提高客户端对针对目标用户的待推荐商品的预测效率,本发明在服务端中配置有针对特征嵌入向量数据表的查询接口,该特征嵌入向量数据表中记录有用户特征信息的向量信息,以及商品特征信息的向量信息。客户端在确定目标用户的待推荐商品时,可以通过访问服务端中针对特征嵌入向量数据表配置的查询接口,根据用户特征信息和商品特征信息查询该目标用户对应的感知层输入参数,从而无需再对用户特征信息和商品特征信息进行进一步处理,将查询的感知层输入参数输入至感知层模型中,就可以确定出该目标用户的待推荐商品。
综上所述,在本发明实施例中,客户端中运行的是轻量级的感知层模型,对第一推荐模型进行拆分得到的感知层模型对运行环境的要求不高,且模型性能与第一推荐模型的模型性能相同,能够在客户端中正常运行,从而有利于提升客户端的推荐效率。并且,本发明分别通过感知层模型和第二推荐模型对目标用户的偏好商品进行了两次预测,并利用基于目标用户的实时操作数据得到的预测结果对基于目标用户的历史操作数据得到的预测结果进行了调整,使得最终得到的推荐结果更加符合目标用户现阶段的偏好和需求,提升了推荐结果的准确度。
图5是本发明实施例提供的一种推荐装置的框图,应用于服务端,如图5所示,该装置50可以包括:
模型拆分模块501,用于将第一推荐模型拆分为输入层模型和感知层模型,并将所述感知层模型发送至客户端,以使所述客户端根据所述感知层模型确定所述目标用户的待推荐商品;
数据获取模块502,用于从所述客户端中获取目标用户的历史操作数据;
候选商品确定模块503,用于将所述历史操作数据和数据库中的商品特征信息输入至第二推荐模型中进行预测处理,得到所述目标用户对应的候选商品集合;
候选商品发送模块504,用于将所述候选商品集合发送至所述客户端,以使所述客户端根据所述候选商品集合和所述待推荐商品确定推荐结果。
可选地,所述将第一推荐模型拆分为输入层模型和感知层模型,并将所述感知层模型发送至客户端,包括:
将第一推荐模型拆分为输入层模型和感知层模型;
对所述感知层模型进行压缩处理,得到压缩后的感知层模型;
将压缩后的感知层模型发送至客户端。
可选地,所述装置还包括:
数据表生成模块,用于根据所述输入层模型,生成特征嵌入向量数据表并存储,所述特征嵌入向量数据表包括用户特征信息和商品特征信息的向量信息,所述输入层模型用于对客户端输入的用户特征信息和商品特征信息进行预处理,并根据预处理后的用户特征信息和商品特征信息获取相应的向量信息,根据获取的向量信息构造感知层输入参数;
接口配置模块,用于配置针对所述特征嵌入向量数据表的查询接口,以供所述客户端基于用户特征信息和商品特征信息获取感知层输入参数,并根据所述感知层输入参数确定所述目标用户的待推荐商品。
可选地,所述装置还包括:
模型训练模块,用于基于预先获取的训练样本集对第二推荐模型进行训练,得到训练好的第二推荐模型;
模型压缩模块,用于对训练好的第二推荐模型进行压缩处理,得到第一推荐模型。
可选地,所述模型拆分模块,包括:
历史数据获取子模块,用于获取所述目标用户的历史推荐数据;
模型调整子模块,用于根据所述历史推荐数据对第一推荐模型进行调整,得到调整后的第一推荐模型;
模型拆分子模块,用于将调整后的第一推荐模型拆分为输入层模型和感知层模型。
图6是本发明实施例提供的另一种推荐装置的框图,应用于客户端,如图6所示,该装置60可以包括:
特征确定模块601,用于根据目标用户的实时操作数据确定所述目标用户的用户特征信息;
数据接收模块602,用于接收服务端发送的感知层模型和候选商品集合,所述感知层模型由服务端对第一推荐模型进行拆分得到;所述候选商品集合由所述服务端基于第二推荐模型对所述目标用户的历史操作数据和数据库中的商品特征信息进行预测处理得到;
推荐商品确定模块603,用于将所述用户特征信息和所述商品特征信息输入至所述感知层模型中进行预测处理,得到所述目标用户的待推荐商品;
更新模块604,用于根据所述待推荐商品更新所述候选商品集合,得到推荐结果并展示。
可选地,所述推荐商品确定模块,包括:
参数查询子模块,用于访问所述服务端中针对特征嵌入向量数据表的查询接口,根据所述目标用户的特征信息和所述商品特征信息查询所述目标用户对应的感知层输入参数;
推荐商品确定子模块,用于将所述感知层输入参数输入至所述感知层模型中进行预测处理,得到所述目标用户的待推荐商品。
可选地,所述操作数据包括用户点击数据、用户浏览数据、用户下单数据、用户评论数据中的至少一项。
对于上述装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
另外,本发明实施例还提供一种终端,包括处理器,存储器,存储在存储器上并可在所述处理器上运行的计算机程序,该计算机程序被处理器执行时实现上述方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域技术人员易于想到的是:上述各个实施例的任意组合应用都是可行的,故上述各个实施例之间的任意组合都是本发明的实施方案,但是由于篇幅限制,本说明书在此就不一一详述了。
在此提供的推荐方法不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造具有本发明方案的系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的操作执行方法中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种推荐方法,其特征在于,应用于服务端,所述方法包括:
将第一推荐模型拆分为输入层模型和感知层模型,并将所述感知层模型发送至客户端,以使所述客户端根据所述感知层模型确定所述目标用户的待推荐商品;
从所述客户端中获取目标用户的历史操作数据;
将所述历史操作数据和数据库中的商品特征信息输入至第二推荐模型中进行预测处理,得到所述目标用户对应的候选商品集合;
将所述候选商品集合发送至所述客户端,以使所述客户端根据所述候选商品集合和所述待推荐商品确定推荐结果。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述输入层模型,生成特征嵌入向量数据表并存储,所述特征嵌入向量数据表包括用户特征信息和商品特征信息的向量信息,所述输入层模型用于对客户端输入的用户特征信息和商品特征信息进行预处理,并根据预处理后的用户特征信息和商品特征信息获取相应的向量信息,根据获取的向量信息构造感知层输入参数;
配置针对所述特征嵌入向量数据表的查询接口,以供所述客户端基于用户特征信息和商品特征信息获取感知层输入参数,并根据所述感知层输入参数确定所述目标用户的待推荐商品。
3.根据权利要求1所述的方法,其特征在于,所述将第一推荐模型拆分为输入层模型和感知层模型之前,所述方法还包括:
基于预先获取的训练样本集对第二推荐模型进行训练,得到训练好的第二推荐模型;
对训练好的第二推荐模型进行压缩处理,得到第一推荐模型。
4.根据权利要求1所述的方法,其特征在于,所述将第一推荐模型拆分为输入层模型和感知层模型,包括:
获取所述目标用户的历史推荐数据;
根据所述历史推荐数据对第一推荐模型进行调整,得到调整后的第一推荐模型;
将调整后的第一推荐模型拆分为输入层模型和感知层模型。
5.一种推荐方法,其特征在于,应用于客户端,所述方法包括:
根据目标用户的实时操作数据确定所述目标用户的用户特征信息;
接收服务端发送的感知层模型和候选商品集合,所述感知层模型由服务端对第一推荐模型进行拆分得到;所述候选商品集合由所述服务端基于第二推荐模型对所述目标用户的历史操作数据和数据库中的商品特征信息进行预测处理得到;
将所述用户特征信息和所述商品特征信息输入至所述感知层模型中进行预测处理,得到所述目标用户的待推荐商品;
根据所述待推荐商品更新所述候选商品集合,得到推荐结果并展示。
6.根据权利要求5所述的方法,其特征在于,所述将所述用户特征信息和所述商品特征信息输入至所述感知层模型中进行预测处理,得到所述目标用户的待推荐商品,包括:
访问所述服务端中针对特征嵌入向量数据表的查询接口,根据所述目标用户的用户特征信息和所述商品特征信息查询所述目标用户对应的感知层输入参数;
将所述感知层输入参数输入至所述感知层模型中进行预测处理,得到所述目标用户的待推荐商品。
7.一种推荐装置,其特征在于,应用于服务端,所述装置包括:
模型拆分模块,用于将第一推荐模型拆分为输入层模型和感知层模型,并将所述感知层模型发送至客户端,以使所述客户端根据所述感知层模型确定所述目标用户的待推荐商品;
数据获取模块,用于从所述客户端中获取目标用户的历史操作数据;
候选商品确定模块,用于将所述历史操作数据和数据库中的商品特征信息输入至第二推荐模型中进行预测处理,得到所述目标用户对应的候选商品集合;
候选商品发送模块,用于将所述候选商品集合发送至所述客户端,以使所述客户端根据所述候选商品集合和所述待推荐商品确定推荐结果。
8.一种推荐装置,其特征在于,应用于客户端,所述装置包括:
特征确定模块,用于根据目标用户的实时操作数据确定所述目标用户的用户特征信息;
数据接收模块,用于接收服务端发送的感知层模型和候选商品集合,所述感知层模型由服务端对第一推荐模型进行拆分得到;所述候选商品集合由所述服务端基于第二推荐模型对所述目标用户的历史操作数据和数据库中的商品特征信息进行预测处理得到;
推荐商品确定模块,用于将所述用户特征信息和所述商品特征信息输入至所述感知层模型中进行预测处理,得到所述目标用户的待推荐商品;
更新模块,用于根据所述待推荐商品更新所述候选商品集合,得到推荐结果并展示。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6中任一所述的推荐方法。
10.一种电子设备,其特征在于,包括:处理器和存储器,所述处理器用于执行所述存储器中存储的数据处理程序,以实现权利要求1至6任一所述的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210510559.3A CN114840759A (zh) | 2022-05-11 | 2022-05-11 | 一种推荐方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210510559.3A CN114840759A (zh) | 2022-05-11 | 2022-05-11 | 一种推荐方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114840759A true CN114840759A (zh) | 2022-08-02 |
Family
ID=82569199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210510559.3A Pending CN114840759A (zh) | 2022-05-11 | 2022-05-11 | 一种推荐方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114840759A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628348A (zh) * | 2023-07-19 | 2023-08-22 | 支付宝(杭州)信息技术有限公司 | 业务推荐的系统、方法、装置、电子设备及存储介质 |
-
2022
- 2022-05-11 CN CN202210510559.3A patent/CN114840759A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628348A (zh) * | 2023-07-19 | 2023-08-22 | 支付宝(杭州)信息技术有限公司 | 业务推荐的系统、方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023061087A1 (zh) | 信息推荐方法、装置、电子设备、计算机可读存储介质及计算机程序产品 | |
CN111008332B (zh) | 内容项推荐方法、装置、服务器以及存储介质 | |
US20230088171A1 (en) | Method and apparatus for training search recommendation model, and method and apparatus for sorting search results | |
CN110019943B (zh) | 视频推荐方法、装置、电子设备和存储介质 | |
CN107644036B (zh) | 一种数据对象推送的方法、装置及系统 | |
CN112348629A (zh) | 一种商品信息推送方法和装置 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN108230007A (zh) | 一种用户意图的识别方法、装置、电子设备及存储介质 | |
CN113946754A (zh) | 基于用户画像的权益推荐方法、装置、设备及存储介质 | |
WO2024041483A1 (zh) | 一种推荐方法及相关装置 | |
CN113919923B (zh) | 直播推荐模型训练方法、直播推荐方法及相关设备 | |
CN115879508A (zh) | 一种数据处理方法及相关装置 | |
CN113705698B (zh) | 基于点击行为预测的信息推送方法及装置 | |
WO2023050143A1 (zh) | 一种推荐模型训练方法及装置 | |
CN114840759A (zh) | 一种推荐方法、装置及计算机可读存储介质 | |
CN112269943B (zh) | 一种信息推荐系统及方法 | |
CN117251619A (zh) | 一种数据处理方法及相关装置 | |
US20220383125A1 (en) | Machine learning aided automatic taxonomy for marketing automation and customer relationship management systems | |
CN116204709A (zh) | 一种数据处理方法及相关装置 | |
CN117009621A (zh) | 信息搜索方法、装置、电子设备、存储介质及程序产品 | |
CN115392361A (zh) | 一种智能排序方法、装置、计算机设备及存储介质 | |
CN114330519A (zh) | 数据确定方法、装置、电子设备及存储介质 | |
CN111860870A (zh) | 交互行为确定模型的训练方法、装置、设备及介质 | |
CN113379482B (zh) | 一种物品推荐方法、计算设备以及存储介质 | |
CN117633165B (zh) | 一种智能ai客服对话引导方法 |
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 |