CN114861059A - 资源推荐方法、装置、电子设备及存储介质 - Google Patents
资源推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114861059A CN114861059A CN202210545968.7A CN202210545968A CN114861059A CN 114861059 A CN114861059 A CN 114861059A CN 202210545968 A CN202210545968 A CN 202210545968A CN 114861059 A CN114861059 A CN 114861059A
- Authority
- CN
- China
- Prior art keywords
- processed
- recommended
- resource
- user
- resources
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Computational Linguistics (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了资源推荐方法、装置、电子设备及存储介质,涉及自然语言处理、知识图谱以及深度学习等人工智能领域,其中的方法可包括:从待处理用户的历史行为信息中抽取预定类型的实体,作为待处理实体,所述预定类型为待推荐资源的资源类型;分别获取各待处理实体的表示向量;对获取到的各表示向量进行聚类,根据聚类结果确定出待处理用户的兴趣点;从待推荐资源中确定出与待处理用户的兴趣点相匹配的待推荐资源,并推荐给待处理用户。应用本公开所述方案,可实现针对不同用户的个性化推荐,并提升推荐结果的准确性等。
Description
技术领域
本公开涉及人工智能技术领域,特别涉及自然语言处理、知识图谱以及深度学习等领域的资源推荐方法、装置、电子设备及存储介质。
背景技术
目前,在进行资源推荐时,如进行商品推荐时,通常基于确定出的推荐热点来为用户推荐商品,各用户的推荐结果雷同,且往往不符合用户的实际需求,准确性较差。
发明内容
本公开提供了资源推荐方法、装置、电子设备及存储介质。
一种资源推荐方法,包括:
从待处理用户的历史行为信息中抽取预定类型的实体,作为待处理实体,所述预定类型为待推荐资源的资源类型;
分别获取各待处理实体的表示向量;
对获取到的各表示向量进行聚类,根据聚类结果确定出所述待处理用户的兴趣点;
从所述待推荐资源中确定出与所述待处理用户的兴趣点相匹配的待推荐资源,并推荐给所述待处理用户。
一种资源推荐装置,包括:信息抽取模块、第一获取模块、第二获取模块以及资源推荐模块;
所述信息抽取模块,用于从待处理用户的历史行为信息中抽取预定类型的实体,作为待处理实体,所述预定类型为待推荐资源的资源类型;
所述第一获取模块,用于分别获取各待处理实体的表示向量;
所述第二获取模块,用于对获取到的各表示向量进行聚类,根据聚类结果确定出所述待处理用户的兴趣点;
所述资源推荐模块,用于从所述待推荐资源中确定出与所述待处理用户的兴趣点相匹配的待推荐资源,并推荐给所述待处理用户。
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如以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行如以上所述的方法。
一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现如以上所述的方法。
上述公开中的一个实施例具有如下优点或有益效果:可基于用户的历史行为信息,通过待推荐资源类型的实体抽取、获取实体的表示向量以及对表示向量进行聚类等操作确定出用户的兴趣点,相应地,可为用户推荐与其兴趣点相匹配的待推荐资源,从而实现了针对不同用户的个性化推荐,并提升了推荐结果的准确性等。
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为本公开所述资源推荐方法第一实施例的流程图;
图2为本公开所述资源推荐方法第二实施例的流程图;
图3为本公开所述资源推荐装置第一实施例300的组成结构示意图;
图4为本公开所述资源推荐装置第二实施例400的组成结构示意图;
图5示出了可以用来实施本公开的实施例的电子设备500的示意性框图。
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。
另外,应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1为本公开所述资源推荐方法第一实施例的流程图。如图1所示,包括以下具体实现方式。
在步骤101中,从待处理用户的历史行为信息中抽取预定类型的实体,作为待处理实体,所述预定类型为待推荐资源的资源类型。
在步骤102中,分别获取各待处理实体的表示向量。
在步骤103中,对获取到的各表示向量进行聚类,根据聚类结果确定出待处理用户的兴趣点。
在步骤104中,从待推荐资源中确定出与待处理用户的兴趣点相匹配的待推荐资源,并推荐给待处理用户。
采用上述方法实施例所述方案,可基于用户的历史行为信息,通过待推荐资源类型的实体抽取、获取实体的表示向量以及对表示向量进行聚类等操作确定出用户的兴趣点,相应地,可为用户推荐与其兴趣点相匹配的待推荐资源,从而实现了针对不同用户的个性化推荐,并提升了推荐结果的准确性等。
本公开的一个实施例中,所述历史行为信息可以是指最近预定时长内浏览的文本信息,如最近一周。
通常来说,距离当前时间越近的历史行为信息越能够反映用户当前的兴趣点,因此,可获取待处理用户最近预定时长内浏览的文本信息。
另外,本公开的一个实施例中,所述历史行为信息可为推荐给用户的文本信息。比如,推荐给待处理用户的新闻信息,即基于用户-新闻推荐模式推荐给待处理用户的新闻信息。
基于用户-新闻推荐模式,可积累大量的用户新闻浏览数据,基于这些数据,可挖掘出用户的兴趣点,进而可基于用户的兴趣点来实现本公开所述方案中的个性化推荐,从而实现了对于原有资源的整合。
针对历史行为信息,可从中抽取预定类型的实体,所述预定类型为待推荐资源的资源类型,比如,待推荐资源为商品,那么则从历史行为信息中抽取商品实体。
可利用实体抽取技术从历史行为信息中抽取预定类型的实体,比如,可采用基于转换器的双向编码表示(BERT,Bidirectional Encoder Representation fromTransformers)的文本实体抽取模型来从历史行为信息中抽取预定类型的实体。
可将抽取出的实体作为待处理实体,并可分别获取各待处理实体的表示向量。
本公开的一个实施例中,可预先分别获取各用户的历史行为信息,并可从中抽取所述预定类型的实体及实体属性信息,之后可根据抽取出的实体及实体属性信息构建知识图谱,进而可通过嵌入方法分别确定出知识图谱中的各实体的表示向量。
本公开的一个实施例中,所述历史行为信息可包括:最近预定时长内浏览的文本信息,所述文本信息可包括:推荐给用户的文本信息。
即针对大量的用户,可分别获取其最近预定时长内浏览的文本信息,即获取大量用户的历史行为信息,针对每条历史行为信息,可分别对其进行所述预定类型的实体及实体属性信息的抽取,在实际应用中,可能只抽取到实体,也可能同时抽取到实体及实体属性信息,另外,可采用基于BERT的文本实体抽取模型来抽取所述预定类型的实体及实体属性信息。
之后,可基于知识图谱构建技术,根据抽取出的实体及实体属性信息构建出知识图谱,并可基于知识图谱的嵌入方法(嵌入技术)分别确定出知识图谱中的各实体的表示向量。所述嵌入方法具体为何种方法不作限制,比如,可为翻译嵌入(TransE,TranslatingEmbedding)方法。
借助于知识图谱,可建立不同实体间的关联关系,相应地,可基于所述关联关系,分别确定出知识图谱中的各实体的表示向量。
针对各待处理实体,可基于所述知识图谱分别确定出各待处理实体的表示向量。以待处理实体为商品为例,由于结合了大量用户的历史行为信息,因此知识图谱中会包括几乎所有的商品,也就是说,待处理实体也会包括其中,因此可直接确定出待处理实体的表示向量。
通过上述方式,可高效准确地获取到各待处理实体的表示向量,从而为后续处理奠定了良好的基础。
在分别获取到各待处理实体的表示向量后,可对获取到的各表示向量进行聚类,并可根据聚类结果确定出待处理用户的兴趣点。
比如,可采用最近邻聚类算法对获取到的各表示向量进行聚类,从而得到聚类结果,即一个或多个集合,通常为多个集合。
本公开的一个实施例中,可将聚类得到的各集合分别作为待处理集合,根据待处理集合确定出待处理用户的兴趣点,或者,响应于确定聚类得到的任一集合中包括的表示向量的数量小于第一阈值,可过滤掉该集合,将剩余集合作为待处理集合,根据待处理集合确定出待处理用户的兴趣点。
即可以直接将聚类得到的各集合均作为待处理集合,根据待处理集合确定出待处理用户的兴趣点,也可以先对聚类得到的各集合进行过滤,从中过滤掉包括的表示向量的数量小于第一阈值的集合,第一阈值的具体取值可根据实际需要而定,进而可将剩余的集合作为待处理集合,根据待处理集合确定出待处理用户的兴趣点。
具体采用上述哪种方式可根据实际需要而定,非常的灵活方便,另外,对于某一集合来说,如果其中包括的表示向量的数量很少,那么说明对应的实体用户关注的比较少,不是用户的兴趣点,因此可提前过滤掉,以减少后续处理的工作量等。
本公开的一个实施例中,在根据待处理集合确定出待处理用户的兴趣点时,针对每个待处理集合,可分别进行以下处理:获取该待处理集合中包括的表示向量的均值,将所述均值作为待处理用户的兴趣点的表征向量。
通过聚类操作,可挖掘出关联较为紧密的实体,利用关联较为紧密的实体组成不同的集合,比如,以商品为例,减肥和健身类商品关联较为紧密,对应的表示向量可被聚类到一个集合中,鼠标和键盘类商品关联较为紧密,对应的表示向量可被聚类到另一集合中,对于每个集合,可分别通过求均值的方式,结合其中的多个实体的表示向量确定出用户的兴趣点的表征向量,从而能够更为准确的表征用户的兴趣点,进而提升了后续的推荐结果的准确性等。
假设共得到两个待处理集合,分别为待处理集合1和待处理集合2,其中,待处理集合1中包括20个表示向量,那么可计算这20个表示向量的均值,将所述均值作为待处理用户的一个兴趣点的表征向量,假设待处理集合2中包括15个表示向量,那么可计算这15个表示向量的均值,将所述均值作为待处理用户的另一个兴趣点的表征向量。
进一步地,可从待推荐资源中确定出与待处理用户的兴趣点相匹配的待推荐资源,并推荐给待处理用户。
本公开的一个实施例中,可基于知识图谱确定出各待推荐资源的表示向量,并可根据各待推荐资源的表示向量以及待处理用户的兴趣点的表征向量,从待推荐资源中确定出与待处理用户的兴趣点相匹配的待推荐资源。
具体地,本公开的一个实施例中,响应于确定任一待推荐资源的表示向量与任一表征向量之间的相似度大于第二阈值,将该待推荐资源作为所述相匹配的待推荐资源。第二阈值的具体取值可根据实际需要而定。
假设共存在两个表征向量,分别表征向量1和表征向量2,针对每个待推荐资源,可首先计算该待推荐资源的表示向量与表征向量1之间的相似度,若大于第二阈值,则可将该待推荐资源作为所述相匹配的待推荐资源,推荐给待处理用户,否则,可进一步计算该待推荐资源的表示向量与表征向量2之间的相似度,若大于第二阈值,也可将该待推荐资源作为所述相匹配的待推荐资源,推荐给待处理用户。
基于待推荐资源的表示向量以及待处理用户的兴趣点的表征向量,可快速准确地确定出推荐给待处理用户的待推荐资源,而且,得到的推荐结果符合用户的兴趣点,即更为符合用户的实际需求。
结合前述介绍,图2为本公开所述资源推荐方法第二实施例的流程图。假设本实施例中的实体为商品,并假设本实施例中的历史行为信息为历史浏览新闻信息,那么如图2所示,可包括以下具体实现方式。
在步骤201中,分别获取各用户最近预定时长内的历史浏览新闻信息,从中抽取商品及商品属性信息。
在步骤202中,根据抽取出的商品及商品属性信息构建知识图谱,并通过嵌入方法分别确定出知识图谱中的各商品的表示向量。
在步骤203中,获取待处理用户最近预定时长内的历史浏览新闻信息,从中抽取出商品,作为待处理商品。
在步骤204中,基于所述知识图谱,分别确定出各待处理商品的表示向量。
在步骤205中,对各待处理商品的表示向量进行聚类。
在步骤206中,从聚类得到的各集合中过滤掉包括的表示向量的数量小于第一阈值的集合。
在步骤207中,将剩余集合作为待处理集合,针对每个待处理集合,分别获取该待处理集合中包括的表示向量的均值,将所述均值作为待处理用户的兴趣点的表征向量。
在步骤208中,根据各待推荐资源的表示向量以及待处理用户的兴趣点的表征向量,从待推荐资源中确定出与待处理用户的兴趣点相匹配的待推荐资源,并推荐给待处理用户。
其中,可基于知识图谱分别确定出各待推荐资源的表示向量。
另外,对于任一待推荐资源,若确定该待推荐资源的表示向量与任一表征向量之间的相似度大于第二阈值,则可将该待推荐资源作为所述相匹配的待推荐资源。
需要说明的是,对于前述的各方法实施例,为了简单描述,将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本公开所必须的。另外,某个实施例中没有详述的部分,可以参见其它实施例中的相关说明。
总之,采用本公开方法实施例所述方案,可实现针对不同用户的个性化推荐,并提升了推荐结果的准确性,而且,可利用积累的大量历史行为信息来构建知识图谱和挖掘用户的兴趣点,从而实现了对原有资源的整合,另外,所述待推荐资源可为任意资源,不限于上述的商品,具有广泛适用性。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方案进行进一步说明。
图3为本公开所述资源推荐装置第一实施例300的组成结构示意图。如图3所示,包括:信息抽取模块301、第一获取模块302、第二获取模块303以及资源推荐模块304。
信息抽取模块301,用于从待处理用户的历史行为信息中抽取预定类型的实体,作为待处理实体,所述预定类型为待推荐资源的资源类型。
第一获取模块302,用于分别获取各待处理实体的表示向量。
第二获取模块303,用于对获取到的各表示向量进行聚类,根据聚类结果确定出待处理用户的兴趣点。
资源推荐模块304,用于从待推荐资源中确定出与待处理用户的兴趣点相匹配的待推荐资源,并推荐给待处理用户。
采用上述装置实施例所述方案,可基于用户的历史行为信息,通过待推荐资源类型的实体抽取、获取实体的表示向量以及对表示向量进行聚类等操作确定出用户的兴趣点,相应地,可为用户推荐与其兴趣点相匹配的待推荐资源,从而实现了针对不同用户的个性化推荐,并提升了推荐结果的准确性等。
图4为本公开所述资源推荐装置第二实施例400的组成结构示意图。如图4所示,包括:信息抽取模块301、第一获取模块302、第二获取模块303、资源推荐模块304以及预处理模块305。
其中,信息抽取模块301、第一获取模块302、第二获取模块303以及资源推荐模块304与图3所示实施例中相同。
预处理模块305,用于分别获取各用户的历史行为信息,从中抽取预定类型的实体及实体属性信息,根据抽取出的实体及实体属性信息构建知识图谱,并通过嵌入方法分别确定出知识图谱中的各实体的表示向量。
本公开的一个实施例中,所述历史行为信息可以是指最近预定时长内浏览的文本信息,如最近一周,另外,所述历史行为信息可为推荐给用户的文本信息,比如,推荐给待处理用户的新闻信息。
信息抽取模块301和预处理模块305可采用实体抽取技术对历史行为信息进行抽取。
针对信息抽取模块301抽取出的实体,可将其作为待处理实体,并可由第一获取模块302分别获取各待处理实体的表示向量,本公开的一个实施例中,可基于所述知识图谱确定出各待处理实体的表示向量。
在分别获取到各待处理实体的表示向量后,第二获取模块303可对获取到的各表示向量进行聚类,并可根据聚类结果确定出待处理用户的兴趣点。
比如,可采用最近邻聚类算法对获取到的各表示向量进行聚类,从而得到聚类结果,即一个或多个集合,通常为多个集合。
本公开的一个实施例中,第二获取模块303可将聚类得到的各集合分别作为待处理集合,根据待处理集合确定出待处理用户的兴趣点,或者,响应于确定聚类得到的任一集合中包括的表示向量的数量小于第一阈值,可过滤掉该集合,将剩余集合作为待处理集合,根据待处理集合确定出待处理用户的兴趣点。
本公开的一个实施例中,在根据待处理集合确定出待处理用户的兴趣点时,第二获取模块303可针对每个待处理集合,分别进行以下处理:获取该待处理集合中包括的表示向量的均值,将所述均值作为待处理用户的兴趣点的表征向量。
进一步地,资源推荐模块304可从待推荐资源中确定出与待处理用户的兴趣点相匹配的待推荐资源,并推荐给待处理用户。
本公开的一个实施例中,资源推荐模块304可基于知识图谱确定出各待推荐资源的表示向量,并可根据各待推荐资源的表示向量以及待处理用户的兴趣点的表征向量,从待推荐资源中确定出与待处理用户的兴趣点相匹配的待推荐资源。
具体地,本公开的一个实施例中,资源推荐模块304响应于确定任一待推荐资源的表示向量与任一表征向量之间的相似度大于第二阈值,可将该待推荐资源作为所述相匹配的待推荐资源。
图3和图4所示装置实施例的具体工作流程可参照前述方法实施例中的相关说明,不再赘述。
总之,采用本公开装置实施例所述方案,可实现针对不同用户的个性化推荐,并提升了推荐结果的准确性,而且,可利用积累的大量历史行为信息来构建知识图谱和挖掘用户的兴趣点,从而实现了对原有资源的整合,另外,所述待推荐资源可为任意资源,不限于上述的商品,具有广泛适用性。
本公开所述方案可应用于人工智能领域,特别涉及自然语言处理、知识图谱以及深度学习等领域。人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术,人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术,人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
本公开所述实施例中的历史行为信息并不是针对某一特定用户的,并不能反映出某一特定用户的个人信息,另外,本公开所述方法的执行主体可以通过各种公开、合法合规的方式获取所述历史行为信息,如经过了用户的授权从用户处获取等。
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。
图5示出了可以用来实施本公开的实施例的电子设备500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、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,个人数字助理、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5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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501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501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501执行上文所描述的各个方法和处理,例如本公开所述的方法。例如,在一些实施例中,本公开所述的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508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行本公开所述的方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行本公开所述的方法。
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,本发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 (17)
1.一种资源推荐方法,包括:
从待处理用户的历史行为信息中抽取预定类型的实体,作为待处理实体,所述预定类型为待推荐资源的资源类型;
分别获取各待处理实体的表示向量;
对获取到的各表示向量进行聚类,根据聚类结果确定出所述待处理用户的兴趣点;
从所述待推荐资源中确定出与所述待处理用户的兴趣点相匹配的待推荐资源,并推荐给所述待处理用户。
2.根据权利要求1所述的方法,还包括:
分别获取各用户的历史行为信息,从中抽取所述预定类型的实体及实体属性信息;
根据所述实体及实体属性信息构建知识图谱,并通过嵌入方法分别确定出所述知识图谱中的各实体的表示向量;
其中,所述分别获取各待处理实体的表示向量包括:基于所述知识图谱确定出各待处理实体的表示向量。
3.根据权利要求1或2所述的方法,其中,
所述历史行为信息包括:最近预定时长内浏览的文本信息;
所述文本信息包括:推荐给用户的文本信息。
4.根据权利要求2所述的方法,其中,所述根据聚类结果确定出所述待处理用户的兴趣点包括:
将聚类得到的各集合分别作为待处理集合,根据所述待处理集合确定出所述待处理用户的兴趣点;
或者,响应于确定聚类得到的任一集合中包括的表示向量的数量小于第一阈值,过滤掉所述集合,将剩余集合作为所述待处理集合,根据所述待处理集合确定出所述待处理用户的兴趣点。
5.根据权利要求4所述的方法,其中,所述根据所述待处理集合确定出所述待处理用户的兴趣点包括:
针对每个待处理集合,分别进行以下处理:获取所述待处理集合中包括的表示向量的均值,将所述均值作为所述待处理用户的兴趣点的表征向量。
6.根据权利要求5所述的方法,其中,所述从所述待推荐资源中确定出与所述待处理用户的兴趣点相匹配的待推荐资源包括:
基于所述知识图谱确定出各待推荐资源的表示向量;
根据各待推荐资源的表示向量以及所述表征向量,从所述待推荐资源中确定出与所述待处理用户的兴趣点相匹配的待推荐资源。
7.根据权利要求6所述的方法,其中,所述从所述待推荐资源中确定出与所述待处理用户的兴趣点相匹配的待推荐资源包括:
响应于确定任一待推荐资源的表示向量与任一表征向量之间的相似度大于第二阈值,将所述待推荐资源作为所述相匹配的待推荐资源。
8.一种资源推荐装置,包括:信息抽取模块、第一获取模块、第二获取模块以及资源推荐模块;
所述信息抽取模块,用于从待处理用户的历史行为信息中抽取预定类型的实体,作为待处理实体,所述预定类型为待推荐资源的资源类型;
所述第一获取模块,用于分别获取各待处理实体的表示向量;
所述第二获取模块,用于对获取到的各表示向量进行聚类,根据聚类结果确定出所述待处理用户的兴趣点;
所述资源推荐模块,用于从所述待推荐资源中确定出与所述待处理用户的兴趣点相匹配的待推荐资源,并推荐给所述待处理用户。
9.根据权利要求8所述的装置,还包括:预处理模块;
所述预处理模块,用于分别获取各用户的历史行为信息,从中抽取所述预定类型的实体及实体属性信息,根据所述实体及实体属性信息构建知识图谱,并通过嵌入方法分别确定出所述知识图谱中的各实体的表示向量;
所述第一获取模块基于所述知识图谱确定出各待处理实体的表示向量。
10.根据权利要求8或9所述的装置,其中,
所述历史行为信息包括:最近预定时长内浏览的文本信息;
所述文本信息包括:推荐给用户的文本信息。
11.根据权利要求9所述的装置,其中,
所述第二获取模块将聚类得到的各集合分别作为待处理集合,根据所述待处理集合确定出所述待处理用户的兴趣点,或者,响应于确定聚类得到的任一集合中包括的表示向量的数量小于第一阈值,过滤掉所述集合,将剩余集合作为所述待处理集合,根据所述待处理集合确定出所述待处理用户的兴趣点。
12.根据权利要求11所述的装置,其中,
所述第二获取模块针对每个待处理集合,分别进行以下处理:获取所述待处理集合中包括的表示向量的均值,将所述均值作为所述待处理用户的兴趣点的表征向量。
13.根据权利要求12所述的装置,其中,
所述资源推荐模块基于所述知识图谱确定出各待推荐资源的表示向量,根据各待推荐资源的表示向量以及所述表征向量,从所述待推荐资源中确定出与所述待处理用户的兴趣点相匹配的待推荐资源。
14.根据权利要求13所述的装置,其中,
所述资源推荐模块响应于确定任一待推荐资源的表示向量与任一表征向量之间的相似度大于第二阈值,将所述待推荐资源作为所述相匹配的待推荐资源。
15.一种电子设备,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1-7中任一项所述的方法。
16.一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计算机执行权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210545968.7A CN114861059A (zh) | 2022-05-18 | 2022-05-18 | 资源推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210545968.7A CN114861059A (zh) | 2022-05-18 | 2022-05-18 | 资源推荐方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114861059A true CN114861059A (zh) | 2022-08-05 |
Family
ID=82639249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210545968.7A Pending CN114861059A (zh) | 2022-05-18 | 2022-05-18 | 资源推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114861059A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115098650A (zh) * | 2022-08-25 | 2022-09-23 | 华扬联众数字技术股份有限公司 | 基于历史数据模型的评论信息分析方法及相关装置 |
CN116628339A (zh) * | 2023-06-09 | 2023-08-22 | 国信蓝桥教育科技股份有限公司 | 一种基于人工智能的教育资源推荐方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063188A (zh) * | 2018-08-28 | 2018-12-21 | 国信优易数据有限公司 | 一种实体推荐方法和装置 |
CN113407834A (zh) * | 2021-06-18 | 2021-09-17 | 北京工业大学 | 一种基于知识图谱辅助的用户多维度兴趣抽取方法 |
CN113592607A (zh) * | 2021-08-12 | 2021-11-02 | 脸萌有限公司 | 产品推荐方法、装置、存储介质及电子设备 |
CN114297509A (zh) * | 2022-01-26 | 2022-04-08 | 上海鱼尔网络科技有限公司 | 用户兴趣向量生成方法、产品推荐方法、装置、设备、介质 |
-
2022
- 2022-05-18 CN CN202210545968.7A patent/CN114861059A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063188A (zh) * | 2018-08-28 | 2018-12-21 | 国信优易数据有限公司 | 一种实体推荐方法和装置 |
CN113407834A (zh) * | 2021-06-18 | 2021-09-17 | 北京工业大学 | 一种基于知识图谱辅助的用户多维度兴趣抽取方法 |
CN113592607A (zh) * | 2021-08-12 | 2021-11-02 | 脸萌有限公司 | 产品推荐方法、装置、存储介质及电子设备 |
CN114297509A (zh) * | 2022-01-26 | 2022-04-08 | 上海鱼尔网络科技有限公司 | 用户兴趣向量生成方法、产品推荐方法、装置、设备、介质 |
Non-Patent Citations (1)
Title |
---|
蔡圆媛: "《大数据环境下基于知识整合的语义计算技术与应用》", 31 August 2018 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115098650A (zh) * | 2022-08-25 | 2022-09-23 | 华扬联众数字技术股份有限公司 | 基于历史数据模型的评论信息分析方法及相关装置 |
CN116628339A (zh) * | 2023-06-09 | 2023-08-22 | 国信蓝桥教育科技股份有限公司 | 一种基于人工智能的教育资源推荐方法及系统 |
CN116628339B (zh) * | 2023-06-09 | 2023-11-17 | 国信蓝桥教育科技股份有限公司 | 一种基于人工智能的教育资源推荐方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114861059A (zh) | 资源推荐方法、装置、电子设备及存储介质 | |
CN113407850B (zh) | 一种虚拟形象的确定和获取方法、装置以及电子设备 | |
CN113343803A (zh) | 模型训练方法、装置、设备和存储介质 | |
CN114548110A (zh) | 语义理解方法、装置、电子设备及存储介质 | |
CN113590776A (zh) | 基于知识图谱的文本处理方法、装置、电子设备及介质 | |
CN113360711A (zh) | 视频理解任务的模型训练和执行方法、装置、设备及介质 | |
CN113360700A (zh) | 图文检索模型的训练和图文检索方法、装置、设备和介质 | |
CN112528641A (zh) | 建立信息抽取模型的方法、装置、电子设备和可读存储介质 | |
CN112580666A (zh) | 图像特征的提取方法、训练方法、装置、电子设备及介质 | |
CN112528146B (zh) | 内容资源推荐方法、装置、电子设备及存储介质 | |
CN113191261A (zh) | 图像类别的识别方法、装置和电子设备 | |
CN113033179B (zh) | 知识获取方法、装置、电子设备及可读存储介质 | |
CN114818736A (zh) | 文本处理方法、用于短文本的链指方法、装置及存储介质 | |
CN114707638A (zh) | 模型训练、对象识别方法及装置、设备、介质和产品 | |
CN114492370A (zh) | 网页识别方法、装置、电子设备和介质 | |
CN114078274A (zh) | 人脸图像检测方法、装置、电子设备以及存储介质 | |
CN113408632A (zh) | 提高图像分类准确性的方法、装置、电子设备及存储介质 | |
CN114490969A (zh) | 基于表格的问答方法、装置以及电子设备 | |
CN113704256A (zh) | 数据识别方法、装置、电子设备及存储介质 | |
CN114119972A (zh) | 模型获取及对象处理方法、装置、电子设备及存储介质 | |
CN112632999A (zh) | 命名实体识别模型获取及命名实体识别方法、装置及介质 | |
CN113792876A (zh) | 骨干网络的生成方法、装置、设备以及存储介质 | |
CN113641724A (zh) | 知识标签挖掘方法、装置、电子设备及存储介质 | |
CN113590774A (zh) | 事件查询方法、装置以及存储介质 | |
CN112817463A (zh) | 输入法获取音频数据的方法、设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220805 |
|
RJ01 | Rejection of invention patent application after publication |