CN114861071B - 对象推荐方法和装置 - Google Patents
对象推荐方法和装置 Download PDFInfo
- Publication number
- CN114861071B CN114861071B CN202210763688.3A CN202210763688A CN114861071B CN 114861071 B CN114861071 B CN 114861071B CN 202210763688 A CN202210763688 A CN 202210763688A CN 114861071 B CN114861071 B CN 114861071B
- Authority
- CN
- China
- Prior art keywords
- training
- objects
- subset
- target user
- search request
- 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.)
- Active
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本公开提供了一种对象推荐方法和装置,涉及计算机技术领域,尤其涉及基于人工智能的推荐技术领域。实现方案为:获得目标用户的目标搜索请求,目标搜索请求用于从第一对象集合中搜索第一对象子集;基于目标搜索请求,从第二对象集合中获得第二对象子集,其中,第二对象子集中的每一个对象具有预测质量,预测质量指示相应对象被目标用户偏好的程度不低于第一对象子集中的每一个对象的被目标用户偏好的程度;以及将第二对象子集推荐给目标用户。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及基于人工智能的推荐技术领域。,具体涉及一种对象推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
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。
基于人工智能的推荐技术,已经渗透到各个领域。其中,基于人工智能的对象推荐,通过预测用户对对象的偏好,向用户推荐符合其偏好的对象。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种对象推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种对象推荐方法,包括:获得目标用户的目标搜索请求,所述目标搜索请求用于从第一对象集合 中请求第一对象子集;基于所述目标搜索请求,从第二对象集合中获得第二对象子集,其中,所述第二对象子集中的每一个对象具有预测质量,所述预测质量指示相应对象被所述目标用户偏好的程度不低于所述第一对象子集中的每一个对象的被所述目标用户偏好的程度;以及将所述第二对象子集推荐给所述目标用户。
根据本公开的另一方面,提供了一种对象推荐装置,包括:目标搜索请求获取单元,被配置用于获得目标用户的目标搜索请求,所述目标搜索请求用于从第一对象集合中搜索第一对象子集;第二对象子集获取单元,被配置用于基于所述目标搜索请求,从第二对象集合中获得第二对象子集,其中,所述第二对象子集中的每一个对象具有预测质量,所述预测质量指示相应对象被所述目标用户偏好的程度不低于所述第一对象子集中的每一个对象的被所述目标用户偏好的程度;以及推荐单元,被配置用于将所述第二对象子集,推荐给所述目标用户。
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根据本公开的实施例所述的方法。
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根据本公开的实施例所述的方法。
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,其中,所述计算机程序在被处理器执行时实现根据本公开的实施例所述的方法。
根据本公开的一个或多个实施例,使给目标用户推荐的是其偏好的对象,提升目标用户的用户体验。
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
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开的实施例的对象推荐方法的流程图;
图3示出了根据本公开的实施例的对象推荐方法中获得目标用户的目标搜索请求的过程的流程图;
图4示出了根据本公开的实施例的对象推荐方法中获得历史搜索请求的预测点击率的过程的流程图;
图5示出了根据本公开的实施例的对象推荐方法中基于目标搜索请求,从第二对象集合中获得第二对象子集的过程的流程图;
图6示出了根据本公开的实施例的对象推荐方法中获得第三对象子集中每一个对象的质量评价的过程的流程图;
图7示出了根据本公开的实施例的对象推荐方法中获得多个训练对象对中的每一个训练对象对的标注标签的过程的流程图;
图8示出了根据本公开的实施例的对象推荐方法中获得该训练对象对中的第一对象和第二对象之间对应于第一操作和多个第二操作中的每一个的偏序关系的过程的流程图;
图9示出了根据本公开的实施例的对象推荐方法中基于该训练对象对中的第一对象和第二对象之间对应于第一操作和多个第二操作中的每一个的偏序关系,获得该训练对象对的标注标签的过程的流程图;
图10示出了根据本公开的实施例的对象推荐装置的结构框图;以及
图11示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
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。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。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个要素与另一要素区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行对象推荐方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供其他服务或软件应用,这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来接收所推荐的对象。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统,例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS);或包括各种移动操作系统,例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120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。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如,由服务器120使用的数据库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中,由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
根据本公开的一方面,提供了一种对象推荐方法。参看图2,根据本公开的一些实施例的对象推荐方法200包括:
步骤S210:获得目标用户的目标搜索请求,所述目标搜索请求用于从第一对象集合中搜索第一对象子集;
步骤S220:基于所述目标搜索请求,从第二对象集合中获得第二对象子集,其中,所述第二对象子集中的每一个对象具有预测质量,所述预测质量指示相应对象被所述目标用户偏好的程度不低于所述第一对象子集中的每一个对象的被所述目标用户偏好的程度;以及
步骤S230:将所述第二对象子集推荐给所述目标用户。
通过获得目标用户在从第一对象集合中搜索对象的过程中所采用的目标搜索请求,并且基于该目标搜索请求从用于向目标用户推荐对象的第二对象集合中获得第二对象子集以推荐给目标用户,由于所获得的第二对象子集中的每一个对象子集的预测质量指示目标用户对其偏好程度不低于基于该目标搜索请求从第一对象集合中搜索的第一对象子集中的每一个对象,使得基于目标用户的目标搜索请求为用户推荐的第二对象子集,较目标用户基于目标搜索请求搜索的第一对象子集,更为目标用户所偏好,提升目标用户对为其推荐的对象的满意度,提升目标用户的用户体验。
在相关技术中,通过获得用户在搜索过程中的搜索请求,并基于搜索请求和待推荐的对象的相关性,确定是否将该对象推荐给用户。例如,通过计算搜索请求与待推荐的对象之间的相似度,将该相似度作为搜索请求与该对象之间的相关性的度量,以确定是否将该对象推荐给用户。上述过程,仅仅考虑了待推荐的对象与搜索请求的相关性,没有考虑用户对基于搜索请求搜索的对象和基于搜索请求向用户推荐的对象的反馈,使给用户推荐的对象往往不是用户期望的或者满意的对象,使得用户体验较低。
根据本公开的对象推荐方法,充分考虑了目标用户对基于搜索请求所请求的对象的反馈和对基于搜索请求为其推荐的对象的反馈,使基于目标搜索请求向目标用户推荐的对象是较目标用户基于该目标搜索请求所搜索的对象更为目标用户所偏好的对象,从而提升目标用户对为其推荐的对象的满意度,提升目标用户的用户体验。
根据本公开的实施例,对象可以是任何以电子数据形式存在的任何信息、资源等,例如,视频、文章、商品等。通过将对象通过网络传送给各个客户端,实现用户基于搜索请求对对象的搜索和基于用户的搜索请求对对象的推荐。
第一对象集合提供目标用户意图从其中搜索的对象。例如,第一对象集合来自于搜索应用对应的数据库,该搜索应用基于目标用户发送的搜索请求为从第一对象集合中为目标用户提供其所述搜索的对象。
第二对象集合提供意图推荐给目标用户的对象。例如,第二对象集合来自于推荐应用对应的数据库,该推荐应用通过对目标用户在搜索应用中接收的目标用户的搜索请求进行分析,以推荐第二对象集合的对象给目标用户。
可以理解,第一对象集合和第二对象集合所包括的对象范围,或者部分重叠,但不完全相同。
同时,可以理解,根据本公开的一些实施例,将目标用户在搜索应用中的偏好和行为应用于推荐应用中,使得给目标用户推荐的对象是在搜索应用中搜索过的为目标用户关注的,并且是比在搜索应用中所搜索的对象更为其所偏好的对象,因而能显著提升目标用户对在推荐应用中给其推荐的对象的满意度,进而提升目标用户的用户体验。
在一些实施例中,目标用户是从包括多个用户的用户集合中所确定的需要对其推荐对象的用户。例如,目标用户是当前正在使用推荐应用的用户。
在一些实施例中,通过从目标用户的多个历史搜索请求中,确定该目标用户的目标搜索请求。其中,多个历史搜索请求中的每一个历史搜索请求是该目标用户基于其从第一用户集合中搜索了对象的请求。
在一些实施例中,将目标用户的多个历史搜索请求分别确定为目标搜索请求,以基于其为目标用户从第二对象集合中推荐对象。
在一些实施例中,针对目标用户的多个历史请求进行筛选,以获得目标搜索请求。
在一些实施例,如图3所示,获得目标用户的目标搜索请求包括:
步骤S310:获得所述目标用户的历史搜索请求,所述历史搜索请求用于从所述第一对象集合中请求第一历史对象子集;
步骤S320:获得所述历史搜索请求的预测点击率,所述预测点击率指示基于所述搜索请求从所述第二对象集合中获得所述第二对象子集推荐给所述目标用户后,所述目标用户偏好所述第二对象子集中的至少一个对象的概率;以及
步骤S330:响应于所述预测点击率大于预设值,将所述历史搜索请求确定为所述目标搜索请求,其中,所述第一历史对象子集为所述第一对象子集。
通过分析目标用户的历史搜索请求,获得指示基于该历史搜索请求从第二对象集合中获得第二对象子集推荐给目标用户时目标用户偏好该第二对象子集中的至少一个对象的概率的预测点击率,并基于该预测点击率,将确定是否将该历史搜索请求确定为目标搜索请求,使得所确定的目标搜索请求是基于其从第二对象集合中获得推荐给目标用户的对象后,目标用户能够对所推荐的对象偏好的请求。整个过程对历史搜索请求进行筛选,避免基于所确定的目标搜索请求从第二对象集合中获得对象并且将其推荐给目标用户,目标用户对所推荐的推荐均不存在偏好,降低对所推荐的对象的满意度。
在一些实施例中,通过分析历史搜索请求的在多个类型中的对应类型,并且基于对应类型,获得历史搜索请求的预测点击率。
在一个示例中,多个类型包括:寻址类型、寻名人类型。其中,寻址类型的搜索请求例如“星星大厦地址在哪里”,寻名人类型的搜索请求例如“苏东坡事迹”。
在一个示例中,寻址类型对应的点击率小于寻名人类型对应的点击率。
在一些实施例中,如图4所示,获得所述历史搜索请求的预测点击率包括:
步骤S410:获得所述历史搜索请求的特征,其中,所述特征包括所述历史搜索请求的类型以及所述历史搜索请求所包括的至少一个分词;
步骤S420:将所述特征输入请求选择模型,以获得所述预测点击率,其中,所述请求选择模型是采用训练搜索请求训练而来的,其中,所述训练搜索请求对应有标注标签,所述标注标签指示基于所述训练搜索请求从所述第二对象集合中获得相应对象子集推荐给训练用户后,所述训练用户偏好所述相应对象子集中的至少一个对象的概率。
通过将历史搜索请求的特征输入至请求选择模型,获得预测点击率,使获得的预测点击率准确。
在一些实施例中,训练搜索请求可以是针对任意用户获得的历史搜索请求,该历史搜索请求被用于基于其从第二对象集合中获得相应对象子集推荐给该用户,该用户为训练用户。
在一些实施例中,响应于训练用户对基于训练搜索请求推荐给其的相应对象子集中的第一对象进行了操作,确定该训练用户偏好该第一对象。进一步,将训练用户偏好该相应对象子集中的对象的数量和该相应对象子集中的对象的数量的比值,确定为该训练用户偏好该相应对象子集中的至少一个对象的概率。
在一些实施例中,如图5所示,基于所述目标搜索请求,从第二对象集合中获得第二对象子集包括:
步骤S510:基于所述目标搜索请求,从所述第二对象集合中获得第三对象子集;
步骤S520:获得所述第三对象子集中每一个对象的质量评价,所述质量评价指示相应对象被所述目标用户偏好的程度高于所述第一对象子集中的每一个对象被所述目标用户偏好的程度的概率;以及
步骤S530:基于所述第三对象子集中每一个对象的预测评价,获得所述第二对象子集。
针对目标搜索请求,获得从给用户推荐的第三对象子集中各个对象的预测质量,基于预测质量获得第二对象子集,由于该质量评价指标指示相应对象被目标用户偏好的程度高于第一对象子集中每一个对象被目标用户偏好的程度,使得基于该质量评价指标可以获得被目标用户偏好的程度高于第一对象子集中的每一个对象的对象,使获得的第二对象子集准确。
在一些实施例中,从第二对象集合中获得的第三对象子集可以是基于推荐策略获得的。例如,推荐策略基于目标用户的用户画像和目标搜索请求,从第二对象集合中获得第三对象子集。推荐策略可以是预先建立的推荐模型。
在一些实施例中,第三对象子集可以包括第二对象集合中与目标搜索请求之间的相似度大于预设阈值的多个对象。
可以理解,根据本公开的方法可以针对相关技术中基于目标用户的搜索请求为目标用户推荐多个对象的过程的进一步优化,其中针对相关技术中基于目标用户的搜索请求预推荐给目标用户的第三对象子集,获得该第三对象子集中的各个对象的质量评价,并基于该质量评价,从该第三对象子集中获得多个对象(即第二对象子集所包括的多个对象),以推荐给目标用户。该过程中,由于对相关技术中获得的第三对象子集进行了优化,获得第二对象子集推荐给目标用户,使得推荐给目标用户的对象是更为目标用户所偏好的对象,进而提升目标用户的用户体验。
在一些实施例中,如图6所示,获得所述第三对象子集中每一个对象的质量评价包括:
步骤S610:获得所述目标用户的训练搜索请求对应的第一训练对象集合和第二训练对象集合,其中,所述第一训练对象集合包括所述目标用户基于所述训练搜索请求从所述第一对象集合所搜索的多个对象,所述第二训练对象集合包括基于所述训练搜索请求从第二对象集合中获得的推荐给所述目标用户的多个对象;
步骤S620:将所述第一训练对象集合中的每一个对象和所述第二训练对象集合中的每一个对象组成一个训练对象对,以获得所述目标用户对应的多个训练对象对;
步骤S630:获得所述多个训练对象对中的每一个训练对象对的标注标签,其中,所述多个训练对象对中的每一个训练对象对的标注标签指示该训练对象对中来自所述第二训练对象集合的对象被所述目标用户偏好的程度较来自所述第一训练对象集合的对象被所述目标用户偏好的程度高的程度;以及
步骤S640:基于所述多个训练对象对和所述多个训练对象对中的每一个训练对象对的标注标签,获得所述第三对象子集中的每一个对象的质量评价。
基于目标用户的训练搜索请求获得的第一训练对象集合和第二训练对象集合,获得第三对象子集中的每一个对象的质量评价,使获得的质量评价是根据基于目标用户的训练搜索请求获得的训练对象对获得的,包括目标用户对基于训练搜索请求给其推荐的多个对象的评价和对基于训练搜索请求所请求的多个推荐的评价,使所获得的第三对象子集的质量评价准确。
可以理解,根据本公开的实施例,在获得第三对象子集中的每一个对象的质量评价的过程中,是基于该目标用户的训练搜索请求获得的,也就是说,该质量评价是根据该目标用户基于训练搜索请求进行搜索时的偏好和基于该训练搜索请求为该目标用户推荐对象时获得的目标用户的偏好而获得的,使得所获得的质量评价针对目标用户的,具有针对性,因而更加准确。
例如,在步骤S610中,所获得的目标用户的训练搜索请求对应的第一训练对象集合记为M,其中,M所包括的多个对象分别记为m1、m2、m3、m4…ml,l为大于1的任意正整数;所获得的目标用户的训练搜索请求对应的第二训练对象集合记为N,其中,N所包括的多个对象分别记为n1、n2、n3、n4…ns,s为大于1的任意正整数。
在步骤S620中,将M和N中的各个对象分别组成训练对象对,则获得l×s个训练对象对。其中,该l×s个训练对象对包括:m1-n1训练对象对,m1-n2训练对象对,m1-n3训练对象对,……,m1-ns训练对象对; m2-n1训练对象对,m2-n2训练对象对,m2-n3训练对象对,……,m2-ns训练对象对;……;ml-n1训练对象对,ml-n2训练对象对,ml-n3训练对象对,……,ml-ns训练对象对。
在步骤S630中,针对在步骤S620中所获得的l×s个训练对象对中的每一个训练对象对,获得其标注标签。
在一些实施例中,如图7所示,获得所述多个训练对象对中的每一个训练对象对的标注标签包括,针对所述多个训练对象对中的每一个训练对象对,执行:
步骤S710:确定所述目标用户分别对该训练对象对中的来自所述第一训练对象集合的第一对象和对来自所述第二训练对象集合的第二对象的用户行为,所述用户行为包括第一操作和多个第二操作中的至少一个,所述第一操作指示所述目标用户是否对所述相应对象具有偏好,所述多个第二操作中的每一个第二操作指示所述目标用户对所述相应对象的偏好程度;以及
步骤S720:基于所述目标用户分别对该训练对象对中的来自所述第一训练对象集合的第一对象和对来自所述第二训练对象集合的第二对象的用户行为,获得该训练对象对中的第一对象和第二对象之间对应于所述第一操作和所述多个第二操作中的每一个的偏序关系;以及
步骤S730:基于该训练对象对中的第一对象和第二对象之间对应于所述第一操作和所述多个第二操作中的每一个的偏序关系,获得该训练对象对的标注标签。
通过获得每一个训练对象对的第一对象和第二对象之间的偏序关系获得标注标签,使标注标签的获得过程数据处理量少。
在一些实施例中,该训练对象对中的第一对象和第二对象之间对应于所述第一操作和所述多个第二操作中的每一个的偏序关系包括第一偏序值和第二偏序值,所述第一偏序值大于所述第二偏序值,如图8所示,所述获得该训练对象对中的第一对象和第二对象之间对应于所述第一操作和所述多个第二操作中的每一个的偏序关系包括:
步骤S810:响应于所述目标用户对该训练对象对中的该第二对象具有所述第一操作,而对该训练对象对中的该第一对象不具有所述第一操作,将该训练对象对中的第一对象和第二对象之间对应于所述第一操作的偏序关系确定为所述第一偏序值;以及
步骤S820:针对所述多个第二操作中的每一个第二操作,响应于确定该第二操作所指示的所述目标用户对该训练对象对中的该第二对象的偏好程度不低于该第二操作所指示的所述目标用户对该训练对象对中的该第一对象的偏好程度,将训练对象对中的第一对象和第二对象之间对应于所述第二操作的偏序关系确定为所述第一偏序值。
通过将获取偏序关系简化为第一偏序值和第二偏序值,进一步简化标注标签的获取过程,减少数据处理量。
在一些实施例中,第一偏序值设置为1,第二偏序值设置为0,进一步简化标注标签的获取过程,进一步减少数据处理量。
在一些实施例中,所述第一操作包括点击,所述多个第二操作包括观看时间、评论数量和点赞数量。
下面就在步骤S620中所获得的l×s个训练对象对中的一个训练对象对,m1-n1训练对象对,采用步骤S810和步骤S820获得标注标签的过程进行示例性说明。
例如,在步骤S810中,针对m1-n1训练对象对中的对象m1和对象n1,响应于目标用户点击了m1,而没有点击n1,将m1和n1之间对应于为点击的第一操作的偏序关系确定为1;响应于目标用户对于n1具有点击操作,将m1和n1之间对应于为点击的第一操作的偏序关系确定为0。
在步骤S820中,针对m1-n1训练对象对中的对象m1和对象n1,首先,响应于确定目标用户对m1的观看时间大于对n1的观看时间,将m1和n1之间对应于为观看时间的第二操作的偏序关系确定为1;反之,确定为0。其次,响应于确定目标用户对m1的评论数量大于对n1的评论数量,将m1和n1之间对应于为评论数量的第二操作的偏序关系确定为1;反之,确定为0。最后,响应于确定目标用户对m1的点赞数量大于对n1的点赞数量,将m1和n1之间对应于为点赞数量的第二操作的偏序关系确定为1;反之,确定为0。
可以理解,通过上述过程,可以获得m1和n1之间对应于第一操作和各个第二操作的偏序值。
在一些实施例中,如图9所示,基于该训练对象对中的第一对象和第二对象之间对应于所述第一操作和所述多个第二操作中的每一个的偏序关系,获得该训练对象对的标注标签包括:
步骤S910:获得对应于所述第一操作和所述多个第二操作中的每一个的融合系数;
步骤S920:基于所述第一操作和所述多个第二操作中的每一个对应的融合系数,对该训练对象对中的第一对象和第二对象之间对应的多个偏序关系进行融合,以获得该训练对象对的标注标签。
通过基于融合系统,对多个偏序关系进行融合,以获得标注标签,使得标注标签融合了目标用户对训练对象对的对应于第一操作和各个第二操作的多方位的评价,提升所获得的标注标签的准确性。
例如,所获得的训练对象对中的第一对象和第二对象之间对应于第一操作的偏序关系为R1,对应于多个第二操作的多个偏序关系分别为R2、R3和R4;所获得的融合系数k1、k2、k3和k4。通过公式(1)获得标注标签Label:
Label=k1×R1+ k2×R2+ k3×R3+ k4×R4 (1)。
在一些实施例中,通过设置融合系数k1、k2、k3和k4的值,使标注标签Label在0-1之间取值。
在一些实施例中,基于所述多个训练对象对和所述多个训练对象对中的每一个训练对象对的标注标签,获得所述第三对象子集中的每一个对象的质量评价的过程包括:基于该多个训练对象对和多个训练对象对中的每一个训练对象对的标注标签训练质量评价模型;以及基于经训练的质量评价模型获得第三对象子集中的每一个对象的质量评价。
在一些实施例中,质量评价模型为双塔模型,其中,一个塔对应于来自第一对象集合的对象,另一个塔对应于来自第二对象集合中的对象。在训练过程中,针对每一个训练对象对,将所包含的两个对象分别输入至相应的塔,以获得目标用户对该训练对象对中来自第二对象集合中的对象的偏好高于来自第一对象集合中的对象的偏好的概率,基于标注标签和该概率调整双塔模型的参数。
在一些实施例中,针对第三对象子集中的任一对象,相应与确定该对象的质量评价大于预设质量评价阈值,则确定该对象具有预测质量,并且将该对象添加至第二对象子集,从而推荐给目标用户。
在一些实施例中,将第二对象子集推荐给目标用户包括使目标用户的客户端显示该第二对象子集中的每一个对象。
根据本公开的另一方面,还提供了一种对象推荐装置,如图10所示,装置1000包括:目标搜索请求获取单元1010,被配置用于获得目标用户的目标搜索请求,所述目标搜索请求用于从第一对象集合中搜索第一对象子集;第二对象子集获取单元1020,被配置用于基于所述目标搜索请求,从第二对象集合中获得第二对象子集,其中,所述第二对象子集中的每一个对象具有预测质量,所述预测质量指示相应对象被所述目标用户偏好的程度不低于所述第一对象子集中的每一个对象的被所述目标用户偏好的程度;以及推荐单元1030,被配置用于将所述第二对象子集,推荐给所述目标用户。
在一些实施例中,所述目标搜索请求获取单元包括:历史搜索请求获取单元,被配置用于获得所述目标用户的历史搜索请求,所述历史搜索请求用于从所述第一对象集合中请求第一历史对象子集;预测点击率获取单元,被配置用于获得所述历史搜索请求的预测点击率,所述预测点击率指示基于所述搜索请求从所述第二对象集合中获得所述第二对象子集推荐给所述目标用户后,所述目标用户偏好所述第二对象子集中的至少一个对象的概率;以及目标搜索请求确定单元,被配置用于响应于所述预测点击率大于预设值,将所述历史搜索请求确定为所述目标搜索请求,其中,所述第一历史对象子集为所述第一对象子集。
在一些实施例中,所述预测点击率获取单元包括:特征获取单元,被配置用于获得所述历史搜索请求的特征,其中,所述特征包括所述历史搜索请求的类型以及所述历史搜索请求所包括的至少一个分词;输入单元,被配置用于将所述特征输入请求选择模型,以获得所述预测点击率,其中,所述请求选择模型是采用训练搜索请求训练而来的,其中,所述训练搜索请求对应有标注标签,所述标注标签指示基于所述训练搜索请求从所述第二对象集合中获得相应对象子集推荐给训练用户后,所述训练用户偏好所述相应对象子集中的至少一个对象的概率。
在一些实施例中,所述第二对象子集获取单元包括:第三对象子集获取单元,被配置用于基于所述目标搜索请求,从所述第二对象集合中获得第三对象子集;质量评价获取单元,被配置用于获得所述第三对象子集中每一个对象的质量评价,所述质量评价指示所述第三对象子集中的每一个对象被所述目标用户偏好的程度高于所述第一对象子集中的每一个对象被所述目标用户偏好的程度的概率;以及第二对象子集获取子单元,被配置用于基于所述第三对象子集中每一个对象的预测评价,获得所述第二对象子集。
在一些实施例中,所述质量评价获取单元包括:训练对象集合获取单元,被配置用于获得所述目标用户的训练搜索请求对应的第一训练对象集合和第二训练对象集合,其中,所述第一训练对象集合包括所述目标用户基于所述训练搜索请求从所述第一对象集合所搜索的多个对象,所述第二训练对象集合包括基于所述训练搜索请求从第二对象集合中获得的推荐给所述目标用户的多个对象;训练对象对获取单元,被配置用于将所述第一训练对象集合中的每一个对象和所述第二训练对象集合中的每一个对象组成一个训练对象对,以获得所述目标用户对应的多个训练对象对;标注标签获取单元,被配置用于获得所述多个训练对象对中的每一个训练对象对的标注标签,其中,所述多个训练对象对中的每一个训练对象对的标注标签指示该训练对象对中来自所述第二训练对象集合的对象被所述目标用户偏好的程度较来自所述第一训练对象集合的对象被所述目标用户偏好的程度高的程度;以及质量评价获取子单元,被配置用于基于所述多个训练对象对和所述多个训练对象对中的每一个训练对象对的标注标签,获得所述第三对象子集中的每一个对象的质量评价。
在一些实施例中,所述标注标签获取单元包括:用户行为获取单元,被配置用于针对所述多个训练对象对中的每一个训练对象对,确定所述目标用户分别对该训练对象对中的来自所述第一训练对象集合的第一对象和对来自所述第二训练对象集合的第二对象的用户行为,所述用户行为包括第一操作和多个第二操作中的至少一个,所述第一操作指示所述目标用户是否对所述相应对象具有偏好,所述多个第二操作中的每一个第二操作指示所述目标用户对所述相应对象的偏好程度;偏序关系获取单元,被配置用于针对所述多个训练对象对中的每一个训练对象对,基于所述目标用户分别对该训练对象对中的来自所述第一训练对象集合的第一对象和对来自所述第二训练对象集合的第二对象的用户行为,获得该训练对象对中的第一对象和第二对象之间对应于所述第一操作和所述多个第二操作中的每一个的偏序关系;以及标注标签获取子单元,被配置用于针对所述多个训练对象对中的每一个训练对象对,基于该训练对象对中的第一对象和第二对象之间对应于所述第一操作和所述多个第二操作中的每一个的偏序关系,获得该训练对象对的标注标签。
在一些实施例中,所述偏序关系获取单元包括:第一确定单元,被配置用于响应于所述目标用户对该训练对象对中的该第二对象具有所述第一操作,而对该训练对象对中的该第一对象不具有所述第一操作,将该训练对象对中的第一对象和第二对象之间对应于所述第一操作的偏序关系确定为所述第一偏序值;以及第二确定单元,被配置用于针对所述多个第二操作中的每一个第二操作,响应于确定该第二操作所指示的所述目标用户对该训练对象对中的该第二对象的偏好程度不低于该第二操作所指示的所述目标用户对该训练对象对中的该第一对象的偏好程度,将训练对象对中的第一对象和第二对象之间对应于所述第二操作的偏序关系确定为所述第一偏序值。
在一些实施例中,所述标注标签获取子单元包括:融合系数获取单元,被配置用于获得对应于所述第一操作和所述多个第二操作中的每一个的融合系数;以及融合单元,被配置用于基于所述第一操作和所述多个第二操作中的每一个对应的融合系数,对该训练对象对中的第一对象和第二对象之间对应的多个偏序关系进行融合,以获得该训练对象对的标注标签。
在一些实施例中,所述第一操作包括点击,所述多个第二操作包括观看时间、评论数量和点赞数量。
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,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。
参考图11,现将描述可以作为本公开的服务器或客户端的电子设备1100的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,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11所示,电子设备1100包括计算单元1101,其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序,来执行各种适当的动作和处理。在RAM 1103中,还可存储电子设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
电子设备1100中的多个部件连接至I/O接口1105,包括:输入单元1106、输出单元1107、存储单元1108以及通信单元1109。输入单元1106可以是能向电子设备1100输入信息的任何类型的设备,输入单元1106可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1107可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1108可以包括但不限于磁盘、光盘。通信单元1109允许电子设备1100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,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元1101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1101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1101执行上文所描述的各个方法和处理,例如方法200。例如,在一些实施例中,方法200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1108。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到电子设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时,可以执行上文描述的方法200的一个或多个步骤。备选地,在其他实施例中,计算单元1101可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200。
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、也可以顺序地或以不同的次序执行,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。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (16)
1.一种对象推荐方法,包括:
获得目标用户的目标搜索请求,所述目标搜索请求用于从第一对象集合中搜索第一对象子集;
基于所述目标搜索请求,从第二对象集合中获得第二对象子集,其中,所述第二对象子集中的每一个对象具有预测质量,所述预测质量指示相应对象被所述目标用户偏好的程度不低于所述第一对象子集中的每一个对象的被所述目标用户偏好的程度;以及
将所述第二对象子集推荐给所述目标用户,其中,所述基于所述目标搜索请求,从第二对象集合中获得第二对象子集包括:
基于所述目标搜索请求,从所述第二对象集合中获得第三对象子集;
获得所述第三对象子集中每一个对象的质量评价,所述质量评价指示相应对象被所述目标用户偏好的程度高于所述第一对象子集中的每一个对象被所述目标用户偏好的程度的概率;以及
基于所述第三对象子集中每一个对象的预测评价,获得所述第二对象子集,并且其中,所述获得所述第三对象子集中每一个对象的质量评价包括:
获得所述目标用户的训练搜索请求对应的第一训练对象集合和第二训练对象集合,其中,所述第一训练对象集合包括所述目标用户基于所述训练搜索请求从所述第一对象集合所搜索的多个对象,所述第二训练对象集合包括基于所述训练搜索请求从第二对象集合中获得的推荐给所述目标用户的多个对象;
将所述第一训练对象集合中的每一个对象和所述第二训练对象集合中的每一个对象组成一个训练对象对,以获得所述目标用户对应的多个训练对象对;
获得所述多个训练对象对中的每一个训练对象对的标注标签,其中,所述多个训练对象对中的每一个训练对象对的标注标签指示该训练对象对中来自所述第二训练对象集合的对象被所述目标用户偏好的程度较来自所述第一训练对象集合的对象被所述目标用户偏好的程度高的程度;以及
基于所述多个训练对象对和所述多个训练对象对中的每一个训练对象对的标注标签,获得所述第三对象子集中的每一个对象的质量评价。
2.根据权利要求 1 所述的方法,其中,所述获得目标用户的目标搜索请求包括:
获得所述目标用户的历史搜索请求,所述历史搜索请求用于从所述第一对象集合中请求第一历史对象子集;
获得所述历史搜索请求的预测点击率,所述预测点击率指示基于所述搜索请求从所述第二对象集合中获得所述第二对象子集推荐给所述目标用户后,所述目标用户偏好所述第二对象子集中的至少一个对象的概率;以及
响应于所述预测点击率大于预设值,将所述历史搜索请求确定为所述目标搜索请求,其中,所述第一历史对象子集为所述第一对象子集。
3. 根据权利要求2所述的方法,其中,所述获得所述历史搜索请求的预测点击率包括:
获得所述历史搜索请求的特征,其中,所述特征包括所述历史搜索请求的类型以及所述历史搜索请求所包括的至少一个分词;以及
将所述特征输入请求选择模型,以获得所述预测点击率,其中,所述请求选择模型是采用训练搜索请求训练而来的,其中,所述训练搜索请求对应有标注标签,所述标注标签指示基于所述训练搜索请求从所述第二对象集合中获得相应对象子集推荐给训练用户后,所述训练用户偏好所述相应对象子集中的至少一个对象的概率。
4.根据权利要求1所述的方法,其中,所述获得所述多个训练对象对中的每一个训练对象对的标注标签包括:
针对所述多个训练对象对中的每一个训练对象对,
确定所述目标用户分别对该训练对象对中的来自所述第一训练对象集合的第一对象和对来自所述第二训练对象集合的第二对象的用户行为,所述用户行为包括第一操作和多个第二操作中的至少一个,所述第一操作指示所述目标用户是否对所述相应对象具有偏好,所述多个第二操作中的每一个第二操作指示所述目标用户对所述相应对象的偏好程度;以及
基于所述目标用户分别对该训练对象对中的来自所述第一训练对象集合的第一对象和对来自所述第二训练对象集合的第二对象的用户行为,获得该训练对象对中的第一对象和第二对象之间对应于所述第一操作和所述多个第二操作中的每一个的偏序关系;以及
基于该训练对象对中的第一对象和第二对象之间对应于所述第一操作和所述多个第二操作中的每一个的偏序关系,获得该训练对象对的标注标签。
5.根据权利要求4所述的方法,其中,该训练对象对中的第一对象和第二对象之间对应于所述第一操作和所述多个第二操作中的每一个的偏序关系包括第一偏序值和第二偏序值,所述第一偏序值大于所述第二偏序值,所述获得该训练对象对中的第一对象和第二对象之间对应于所述第一操作和所述多个第二操作中的每一个的偏序关系包括:
响应于所述目标用户对该训练对象对中的该第二对象具有所述第一操作,而对该训练对象对中的该第一对象不具有所述第一操作,将该训练对象对中的第一对象和第二对象之间对应于所述第一操作的偏序关系确定为所述第一偏序值;以及
针对所述多个第二操作中的每一个第二操作,响应于确定该第二操作所指示的所述目标用户对该训练对象对中的该第二对象的偏好程度不低于该第二操作所指示的所述目标用户对该训练对象对中的该第一对象的偏好程度,将训练对象对中的第一对象和第二对象之间对应于所述第二操作的偏序关系确定为所述第一偏序值。
6.根据权利要求4所述的方法,其中,所述基于该训练对象对中的第一对象和第二对象之间对应于所述第一操作和所述多个第二操作中的每一个的偏序关系,获得该训练对象对的标注标签包括:
获得对应于所述第一操作和所述多个第二操作中的每一个的融合系数;
基于所述第一操作和所述多个第二操作中的每一个对应的融合系数,对该训练对象对中的第一对象和第二对象之间对应的多个偏序关系进行融合,以获得该训练对象对的标注标签。
7.根据权利要求4所述的方法,其中,所述第一操作包括点击,所述多个第二操作包括观看时间、评论数量和点赞数量。
8.一种对象推荐装置,包括:
目标搜索请求获取单元,被配置用于获得目标用户的目标搜索请求,所述目标搜索请求用于从第一对象集合中搜索第一对象子集;
第二对象子集获取单元,被配置用于基于所述目标搜索请求,从第二对象集合中获得第二对象子集,其中,所述第二对象子集中的每一个对象具有预测质量,所述预测质量指示相应对象被所述目标用户偏好的程度不低于所述第一对象子集中的每一个对象的被所述目标用户偏好的程度;以及
推荐单元,被配置用于将所述第二对象子集,推荐给所述目标用户,其中,所述第二对象子集获取单元包括:
第三对象子集获取单元,被配置用于基于所述目标搜索请求,从所述第二对象集合中获得第三对象子集;
质量评价获取单元,被配置用于获得所述第三对象子集中每一个对象的质量评价,所述质量评价指示所述第三对象子集中的每一个对象被所述目标用户偏好的程度高于所述第一对象子集中的每一个对象被所述目标用户偏好的程度的概率;以及
第二对象子集获取子单元,被配置用于基于所述第三对象子集中每一个对象的预测评价,获得所述第二对象子集,并且其中,所述质量评价获取单元包括:
训练对象集合获取单元,被配置用于获得所述目标用户的训练搜索请求对应的第一训练对象集合和第二训练对象集合,其中,所述第一训练对象集合包括所述目标用户基于所述训练搜索请求从所述第一对象集合所搜索的多个对象,所述第二训练对象集合包括基于所述训练搜索请求从第二对象集合中获得的推荐给所述目标用户的多个对象;
训练对象对获取单元,被配置用于将所述第一训练对象集合中的每一个对象和所述第二训练对象集合中的每一个对象组成一个训练对象对,以获得所述目标用户对应的多个训练对象对;
标注标签获取单元,被配置用于获得所述多个训练对象对中的每一个训练对象对的标注标签,其中,所述多个训练对象对中的每一个训练对象对的标注标签指示该训练对象对中来自所述第二训练对象集合的对象被所述目标用户偏好的程度较来自所述第一训练对象集合的对象被所述目标用户偏好的程度高的程度;以及
质量评价获取子单元,被配置用于基于所述多个训练对象对和所述多个训练对象对中的每一个训练对象对的标注标签,获得所述第三对象子集中的每一个对象的质量评价。
9. 根据权利要求 8所述的装置,其中,所述目标搜索请求获取单元包括:
历史搜索请求获取单元,被配置用于获得所述目标用户的历史搜索请求,所述历史搜索请求用于从所述第一对象集合中请求第一历史对象子集;
预测点击率获取单元,被配置用于获得所述历史搜索请求的预测点击率,所述预测点击率指示基于所述搜索请求从所述第二对象集合中获得所述第二对象子集推荐给所述目标用户后,所述目标用户偏好所述第二对象子集中的至少一个对象的概率;以及
目标搜索请求确定单元,被配置用于响应于所述预测点击率大于预设值,将所述历史搜索请求确定为所述目标搜索请求,其中,所述第一历史对象子集为所述第一对象子集。
10. 根据权利要求9所述的装置,其中,所述预测点击率获取单元包括:
特征获取单元,被配置用于获得所述历史搜索请求的特征,其中,所述特征包括所述历史搜索请求的类型以及所述历史搜索请求所包括的至少一个分词;以及
输入单元,被配置用于将所述特征输入请求选择模型,以获得所述预测点击率,其中,所述请求选择模型是采用训练搜索请求训练而来的,其中,所述训练搜索请求对应有标注标签,所述标注标签指示基于所述训练搜索请求从所述第二对象集合中获得相应对象子集推荐给训练用户后,所述训练用户偏好所述相应对象子集中的至少一个对象的概率。
11.根据权利要求8所述的装置,其中,所述标注标签获取单元包括:
用户行为获取单元,被配置用于针对所述多个训练对象对中的每一个训练对象对,确定所述目标用户分别对该训练对象对中的来自所述第一训练对象集合的第一对象和对来自所述第二训练对象集合的第二对象的用户行为,所述用户行为包括第一操作和多个第二操作中的至少一个,所述第一操作指示所述目标用户是否对所述相应对象具有偏好,所述多个第二操作中的每一个第二操作指示所述目标用户对所述相应对象的偏好程度;
偏序关系获取单元,被配置用于针对所述多个训练对象对中的每一个训练对象对,基于所述目标用户分别对该训练对象对中的来自所述第一训练对象集合的第一对象和对来自所述第二训练对象集合的第二对象的用户行为,获得该训练对象对中的第一对象和第二对象之间对应于所述第一操作和所述多个第二操作中的每一个的偏序关系;以及
标注标签获取子单元,被配置用于针对所述多个训练对象对中的每一个训练对象对,基于该训练对象对中的第一对象和第二对象之间对应于所述第一操作和所述多个第二操作中的每一个的偏序关系,获得该训练对象对的标注标签。
12.根据权利要求11所述的装置,其中,所述偏序关系获取单元包括:
第一确定单元,被配置用于响应于所述目标用户对该训练对象对中的该第二对象具有所述第一操作,而对该训练对象对中的该第一对象不具有所述第一操作,将该训练对象对中的第一对象和第二对象之间对应于所述第一操作的偏序关系确定为第一偏序值;以及
第二确定单元,被配置用于针对所述多个第二操作中的每一个第二操作,响应于确定该第二操作所指示的所述目标用户对该训练对象对中的该第二对象的偏好程度不低于该第二操作所指示的所述目标用户对该训练对象对中的该第一对象的偏好程度,将训练对象对中的第一对象和第二对象之间对应于所述第二操作的偏序关系确定为所述第一偏序值。
13. 根据权利要求11所述的装置,其中,所述标注标签获取子单元包括:
融合系数获取单元,被配置用于获得对应于所述第一操作和所述多个第二操作中的每一个的融合系数;以及
融合单元,被配置用于基于所述第一操作和所述多个第二操作中的每一个对应的融合系数,对该训练对象对中的第一对象和第二对象之间对应的多个偏序关系进行融合,以获得该训练对象对的标注标签。
14.根据权利要求11所述的装置,其中,所述第一操作包括点击,所述多个第二操作包括观看时间、评论数量和点赞数量。
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所述计算机执行根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210763688.3A CN114861071B (zh) | 2022-07-01 | 2022-07-01 | 对象推荐方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210763688.3A CN114861071B (zh) | 2022-07-01 | 2022-07-01 | 对象推荐方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114861071A CN114861071A (zh) | 2022-08-05 |
CN114861071B true CN114861071B (zh) | 2022-10-18 |
Family
ID=82625862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210763688.3A Active CN114861071B (zh) | 2022-07-01 | 2022-07-01 | 对象推荐方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114861071B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242592A (zh) * | 2018-07-19 | 2019-01-18 | 广州优视网络科技有限公司 | 一种应用的推荐方法和装置 |
CN112150227A (zh) * | 2019-06-28 | 2020-12-29 | 北京京东尚科信息技术有限公司 | 商品推荐方法、系统、设备及介质 |
CN113688304A (zh) * | 2020-05-19 | 2021-11-23 | 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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463704B (zh) * | 2017-08-16 | 2021-05-07 | 北京百度网讯科技有限公司 | 基于人工智能的搜索方法和装置 |
CN108345702A (zh) * | 2018-04-10 | 2018-07-31 | 北京百度网讯科技有限公司 | 实体推荐方法和装置 |
CN111984689B (zh) * | 2020-08-21 | 2023-07-25 | 北京百度网讯科技有限公司 | 信息检索的方法、装置、设备以及存储介质 |
-
2022
- 2022-07-01 CN CN202210763688.3A patent/CN114861071B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242592A (zh) * | 2018-07-19 | 2019-01-18 | 广州优视网络科技有限公司 | 一种应用的推荐方法和装置 |
CN112150227A (zh) * | 2019-06-28 | 2020-12-29 | 北京京东尚科信息技术有限公司 | 商品推荐方法、系统、设备及介质 |
CN113688304A (zh) * | 2020-05-19 | 2021-11-23 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN114861071A (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112579909A (zh) | 对象推荐方法及装置、计算机设备和介质 | |
CN114791982B (zh) | 对象推荐方法和装置 | |
CN114443989B (zh) | 排序方法、排序模型的训练方法、装置、电子设备及介质 | |
EP4242879A1 (en) | Ranking method and apparatus, ranking model training method and apparatus, and electronic device and medium | |
CN114723949A (zh) | 三维场景分割方法和用于训练分割模型的方法 | |
CN115269989B (zh) | 对象推荐方法、装置、电子设备和存储介质 | |
CN116304335A (zh) | 对象推荐方法、用户偏好识别方法及装置 | |
CN115578501A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
EP4184349A1 (en) | Object recommendation method and device | |
CN113722594B (zh) | 推荐模型的训练方法、推荐方法、装置、电子设备及介质 | |
CN114861071B (zh) | 对象推荐方法和装置 | |
CN115797660A (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN114998963A (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
CN115809364B (zh) | 对象推荐方法和模型训练方法 | |
CN116070711B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN113722534B (zh) | 视频推荐方法和装置 | |
CN115033782B (zh) | 推荐对象的方法、机器学习模型的训练方法、装置和设备 | |
CN113722523B (zh) | 对象推荐方法和装置 | |
CN114036389B (zh) | 对象推荐方法、推荐模型的训练方法及装置 | |
CN114780819A (zh) | 对象推荐方法和装置 | |
CN115829653A (zh) | 广告文本的相关度确定方法及装置、设备和介质 | |
CN113946498A (zh) | 兴趣点识别方法和装置、推荐方法和装置、设备及介质 | |
CN117194798A (zh) | 内容的推荐方法、装置、电子设备和介质 | |
CN116739136A (zh) | 数据预测方法、装置、电子设备和介质 | |
CN113420227A (zh) | 点击率预估模型的训练方法、预估点击率的方法、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 |