CN115297367B - 一种推荐方法、推荐装置、电子设备和存储介质 - Google Patents
一种推荐方法、推荐装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115297367B CN115297367B CN202210797972.2A CN202210797972A CN115297367B CN 115297367 B CN115297367 B CN 115297367B CN 202210797972 A CN202210797972 A CN 202210797972A CN 115297367 B CN115297367 B CN 115297367B
- Authority
- CN
- China
- Prior art keywords
- evaluation
- index
- decision matrix
- scoring
- objects
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000011156 evaluation Methods 0.000 claims abstract description 428
- 239000011159 matrix material Substances 0.000 claims description 115
- 238000012545 processing Methods 0.000 claims description 48
- 239000013598 vector Substances 0.000 claims description 42
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241000219109 Citrullus Species 0.000 description 1
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/21—Server components or server architectures
- H04N21/218—Source of audio or video content, e.g. local disk arrays
- H04N21/2187—Live feed
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/47—End-user applications
- H04N21/478—Supplemental services, e.g. displaying phone caller identification, shopping application
- H04N21/4788—Supplemental services, e.g. displaying phone caller identification, shopping application communicating with other users, e.g. chatting
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开是关于一种推荐方法、推荐装置、电子设备和存储介质。该推荐方法包括:获取多个评价对象中不同评价指标对应的指标数据;其中,所述指标数据包括:将所述评价对象的云服务网络应用于短视频平台时的视频指标数据;基于所述评价指标对应的指标数据和预设所述评价指标对应的权重,对多个所述评价对象进行评分,得到多个所述评价对象的评分结果;基于多个所述评价对象的评分结果,从多个所述评价对象中选择目标对象,并推荐所述目标对象。通过本公开实施例提出的推荐方法,能够为短视频平台推荐合适的开发内容分发网络的对象。
Description
技术领域
本公开涉及一种计算机技术及网络服务领域,尤其涉及一种推荐方法、推荐装置、电子设备和存储介质。
背景技术
内容分发网络(Content Delivery Network,CDN)是构建在现有网络基础之上的智能虚拟网络,依靠部署在各地的边缘服务器,通过中心平台的负载均衡、内容分发、调度等功能模块,使用户就近获取所需内容,降低网络拥塞,提高用户访问响应速度和命中率。
当下绝大多数企业在选择一个接入CDN服务时,主要会根据厂商提供的多个CDN服务指标数据通过人工综合评估选择出适合的CDN厂商,这种人工评估方式不仅效率低下,评估结果不够客观,并且在业务快速扩张,产品快速迭代升级的互联网模式下,无法根据实际业务情况快速调整CDN解决方案。
并且,当下短视频爆火,例如抖音、快手、西瓜视频、火山小视频等拥有巨大用户流量的短视频平台,为了保障短视频业务网络稳定性,提高用户体验,大多数企业都会选择接入CDN厂商提供的CDN服务,为业务网络提速。
目前在市场上不同CDN厂商的服务价格、以及针对不同业务场景的服务能力都各不相同,为此,短视频企业如何在众多的厂商中用最低的成本找到最适合自身短视频业务的CDN服务变得尤为重要。
发明内容
为克服相关技术中存在的问题,本公开提供一种推荐方法、推荐装置、电子设备和存储介质。通过本公开实施例提出的推荐方法,能够为短视频平台推荐合适的开发内容分发网络的对象。
根据本公开实施例的第一方面,提供一种推荐方法,至少包括:
获取多个评价对象中不同评价指标对应的指标数据;其中,所述指标数据包括:将所述评价对象的云服务网络应用于短视频平台时的视频指标数据;
基于所述评价指标对应的指标数据和预设所述评价指标对应的权重,对多个所述评价对象进行评分,得到多个所述评价对象的评分结果;
基于多个所述评价对象的评分结果,从多个所述评价对象中选择目标对象,并推荐所述目标对象。
在一些实施例中,所述获取多个评价对象中不同评价指标对应的指标数据,包括:
在所述短视频平台进行视频播放时,分别接入不同所述评价对象的云服务网络;
对不同所述评价对象的云服务网络进行网络测试,得到所述视频指标数据。
在一些实施例中,所述评价指标对应的指标数据,包括以下至少之一:
评价指标为视频播放成功率对应的视频播放成功率值;
评价指标为1.5秒首帧播放成功率对应的首帧播放成功率值;
评价指标为视频卡顿率对应的卡顿率值;
评价指标为视频内容下载时间对应的下载时间值;
评价指标为所述云服务网络的接入成本对应的成本值。
在一些实施例中,所述基于所述评价指标对应的指标数据和预设所述评价指标对应的权重,对多个所述评价对象进行评分,得到多个所述评价对象的评分结果,包括:
基于不同所述评价指标对应的指标数据构建决策矩阵;其中,所述决策矩阵的行数表示为所述评价对象的个数,所述决策矩阵的列数表示为所述评价指标的个数;
对所述决策矩阵进行数据转换,得到转换后的决策矩阵;
基于预设所述评价指标对应的权重,对所述转换后的决策矩阵中不同所述评价指标对应的决策数据进行加权处理,得到加权后的决策矩阵;
基于所述加权后的决策矩阵,得到每个所述评价对象的评分结果。
在一些实施例中,所述对所述决策矩阵进行数据转换,得到转换后的决策矩阵,包括:
确定不同所述评价指标对应的指标类型;
基于不同所述评价指标对应的指标类型,确定不同所述评价指标的正向化处理模型;
基于所述决策矩阵中不同所述评价指标对应的决策数据和不同所述评价指标对应的正向化处理模型,得到转化后的决策矩阵。
在一些实施例中,所述基于所述加权后的决策矩阵,得到每个所述评价对象的评分结果,包括:
获取所述加权后的决策矩阵的极值解向量;
基于所述极值解向量、所述加权后的决策矩阵中不同所述评价指标对应的决策数据和所述评价指标对应的权重,得到每个所述评价对象与所述极值解向量之间的相关度结果;
基于所述相关度结果,得到每个所述评价对象的评分结果。
在一些实施例中,所述方法还包括:
基于所述指标数据得到不同所述评价指标的信息熵;
基于所述不同评价指标的信息熵,更新预设所述评价指标对应的权重。
在一些实施例中,所述基于多个所述评价对象的评分结果,从多个所述评价对象中选择目标对象,包括:
对多个所述评价对象的评分结果进行排序,将排序后的评分结果中最高的评分结果所对应的所述评价对象作为所述目标对象。
根据本公开实施例的第二方面,提供一种推荐装置,至少包括:
获取模块,被配置为获取多个评价对象中不同评价指标对应的指标数据;其中,所述指标数据包括:将所述评价对象的云服务网络应用于短视频平台时的视频指标数据;
评分模块,被配置为基于所述评价指标对应的指标数据和预设所述评价指标对应的权重,对多个所述评价对象进行评分,得到多个所述评价对象的评分结果;
推荐模块,被配置为基于多个所述评价对象的评分结果,从多个所述评价对象中选择目标对象,并推荐所述目标对象。
在一些实施例中,所述获取模块,还被配置为在所述短视频平台进行视频播放时,分别接入不同所述评价对象的云服务网络;对不同所述评价对象的云服务网络进行网络测试,得到所述视频指标数据。
在一些实施例中,所述评价指标对应的指标数据,包括以下至少之一:
评价指标为视频播放成功率对应的视频播放成功率值;
评价指标为1.5秒首帧播放成功率对应的首帧播放成功率值;
评价指标为视频卡顿率对应的卡顿率值;
评价指标为视频内容下载时间对应的下载时间值;
评价指标为所述云服务网络的接入成本对应的成本值。
在一些实施例中,所述评分模块,包括:
构建单元,被配置为基于不同所述评价指标对应的指标数据构建决策矩阵;其中,所述决策矩阵的行数表示为所述评价对象的个数,所述决策矩阵的列数表示为所述评价指标的个数;
数据转换单元,被配置为对所述决策矩阵进行数据转换,得到转换后的决策矩阵;
加权处理单元,被配置为基于预设所述评价指标对应的权重,对所述转换后的决策矩阵中不同所述评价指标对应的决策数据进行加权处理,得到加权后的决策矩阵;
评分单元,基于所述加权后的决策矩阵,得到每个所述评价对象的评分结果。
在一些实施例中,所述数据转换单元,还被配置为确定不同所述评价指标对应的指标类型;基于不同所述评价指标对应的指标类型,确定不同所述评价指标的正向化处理模型;基于所述决策矩阵中不同所述评价指标对应的决策数据和不同所述评价指标对应的正向化处理模型,得到转化后的决策矩阵。
在一些实施例中,所述评分单元,还被配置为获取所述加权后的决策矩阵的极值解向量;基于所述极值解向量、所述加权后的决策矩阵中不同所述评价指标对应的决策数据和所述评价指标对应的权重,得到每个所述评价对象与所述极值解向量之间的相关度结果;基于所述相关度结果,得到每个所述评价对象的评分结果。
在一些实施例中,所述获取模块还被配置为基于所述指标数据得到不同所述评价指标的信息熵;所述装置还包括:
权重更新模块,被配置为基于所述不同评价指标的信息熵,更新预设所述评价指标对应的权重。
在一些实施例中,所述推荐模块还被配置为对多个所述评价对象的评分结果进行排序,将排序后的评分结果中最高的评分结果所对应的所述评价对象作为所述目标对象。
根据本公开实施例的第三方面,提供一种电子设备,至少包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令,实现如上述第一方面所述的推荐方法。
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,存储有可执行指令,用于引起处理器执行时,实现如上述第一方面中的推荐方法。
本公开的实施例提供的技术方案可以包括以下有益效果:
通过本公开实施例提出的推荐方法,基于将评价对象的云服务网络应用于短视频平台时的视频指标数据,对多个评价对象进行评分,并根据评分结果向短视频台推荐目标对象,以帮助短视频企业选择更合适的CDN厂商,相较于人工评估方式,减少了人力资源的浪费,评价结果更客观准确,且提高了对CDN厂商选择的效率;在云服务网络高速发展变化的趋势下,能够高速、有效的调整对CDN厂商的选择,提高短视频产品的迭代效率和使用质量。
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。
图1是根据一示例性实施例示出的一种推荐方法的流程图一;
图2是根据一示例性实施例示出的一种推荐方法的流程图二;
图3是根据一示例性实施例示出的一种推荐装置的结构示意图;
图4是根据一示例性实施例示出的电子设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。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。
除非另有定义,本文所使用的所有的技术和科学术语与属于本公开的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本公开实施例的目的,不是旨在限制本公开。
内容分发网络CDN由CDN厂商提供,CDN厂商在游戏、企业办公、社交、生活、视频等领域为企业提供CDN服务,为用户提供流畅且稳定的网络体验;目前,市面上常见的CDN厂商有:阿里云、腾讯云、华为云、网宿科技、三快云、网宿科技、帝联科技等。
CDN服务主要是通过反向代理实现。具体的反向代理方式是:以代理服务器作为桥梁,代理服务器接收网络连接请求,将该网络连接请求转发给内部网络的服务器,并将从内部网络的服务器得到的内容返回给发送网络连接请求的客户端,此时代理服务器表现为节点服务器,通过在网络各处放置节点服务器,构成多节点内容分发网络。
在本公开中,当短视频平台的客户端请求短视频播放时,向CDN网络请求接入网络,CDN实时地根据网络流量和各节点的连接、负载状况以及到客户端的距离和响应时间等综合信息将用户的请求重新导向离用户最近的节点服务器上,为客户端进行内容分发,使得客户端能够进行短视频播放。
在实际应用时,不同厂商的CDN网络的服务节点数量、厂商知名度、接入成本、服务稳定性等方面都不同,短视频平台需要根据使用需求来选择合适的CDN厂商。
图1是根据一示例性实施例示出的一种推荐方法的流程图一;如图1所示,该推荐方法包括以下步骤:
S101、获取多个评价对象中不同评价指标对应的指标数据;其中,指标数据包括:将评价对象的云服务网络应用于短视频平台时的视频指标数据;
S102、基于评价指标对应的指标数据和预设评价指标对应的权重,对多个评价对象进行评分,得到多个评价对象的评分结果;
S103、基于多个评价对象的评分结果,从多个评价对象中选择目标对象,并推荐目标对象。
这里,评价对象包括云服务网络的厂商,用于开发并提供云服务网络供用户连接和使用。云服务网络是集成多个服务器的服务器集群,例如:因特网、万维网、CDN等。示例性的,评价对象是本公开中的CDN厂商,云服务网络是本公开中的内容分发网络CDN。
为了给短视频平台推荐合适的评价对象,预先设置多个不同的评价指标,不同的评价指标反映该评价对象的从不同方面的使用价值,在将评价对象的云服务网络应用于短视频平台时,不同的评价指标所表征的优劣效果各不相同。具体的,不同的评价指标涵盖了多个方面;例如:网络服务质量方面、实际收益方面、短视频需求方面等;在网络服务质量方面,评价指标可以是节点服务器连接速率、网络延时率等;在实际收益方面,评价指标可以是评价对象知名度、评价对象接入成本等;在短视频播放效率方面,评价指标可以是打开短视频的缓冲时间、短视频丢帧次数等,本公开对此不作限制。
这里,不同评价指标对应的评价指标数据可以从评价对象处实时获取,也可以从短视频平台处实时获取;每个评价指标的指标数据可以是一条数据或者多条数据,以用于根据多个评价指标对应的指标数据对多个评价对象进行评分,并从多个评价对象中得到目标对象。
本公开实施例中,步骤S102中的方法可以通过评分模型实现。评分模型是利用大量的不同评价指标对应的指标数据训练得到的,用于评估多个评价对象,以确定最优评价对象和最劣评价对象。评分模型的输入数据是针对评价对象的不同评价指标对应的指标数据,输出结果是对于多个评价对象所对应的评分结果。这里,评价模型可以是层次分析法模型、插值与拟合模型等,本公开对此不作限制。
需要说明的是,本公开中,权重是指某一因素或指标相对于某一事物的重要程度,其不同于一般的比重,体现的不仅仅是某一因素或指标所占的百分比,强调的是因素或指标的相对重要程度,倾向于贡献度或重要性;确认权重的方法可以是专家根据短视频平台实际的视频播放需求进行评估得到,也可以是利用权重确认算法得到,本公开对此不做限制。
通过本公开实施例提出的推荐方法,基于将评价对象的云服务网络应用于短视频平台时的视频指标数据,对多个评价对象进行评分,并根据评分结果向短视频台推荐目标对象,以帮助短视频企业选择更合适的CDN厂商,相较于人工评估方式,减少了人力资源的浪费,评价结果更客观准确,且提高了对CDN厂商选择的效率;在云服务网络高速发展变化的趋势下,能够高速、有效的调整对CDN厂商的选择,提高短视频产品的迭代效率和使用质量。
在一些实施例中,步骤S101中的方法可以通过以下具体的方式实现:
在短视频平台进行视频播放时,分别接入不同评价对象的云服务网络;
对不同评价对象的云服务网络进行网络测试,得到视频指标数据。
这里,在对不同评价对象的云服务网络进行网络测试时,需要在相同的测试时间内、相同的短视频视频源下进行测试,并依次针对评价对象的每种评价指标获取相同数量的指标数据,以克服客观因素的不可抗力引起的数据误差,提高对评价对象评分结果的准确度。
这里,视频指标数据可以是与短视频播放效率有关的数据,例如:打开短视频的缓冲时间、短视频丢帧次数、视频卡顿率、视频内容下载时间等。
通过在短视频平台接入不同的内容分发网络获取视频指标数据,能够有效分析短视频业务特点对CDN的性能要求,并通过科学合理的评分方法,确定适合短视频业务的CDN厂商。
本公开实施例中,步骤S101中的方法还可以通过以下的具体方式实现:
实时获取多个评价对象提供的与每个评价对象对应的云服务网络的网络指标数据。
需要说明的是,在获取网络指标数据时,需要确定多个评价指标,并从评价对象处实时获取最新的与多个评价指标所对应的网络指标数据。
在一些实施例中,评价指标对应的指标数据,包括以下至少之一:
评价指标为视频播放成功率对应的视频播放成功率值;
评价指标为1.5秒首帧播放成功率对应的首帧播放成功率值;
评价指标为视频卡顿率对应的卡顿率值;
评价指标为视频内容下载时间对应的下载时间值;
评价指标为云服务网络的接入成本对应的成本值。
这里,视频播放成功率对应的视频播放成功率值,1.5秒首帧播放成功率对应的首帧播放成功率值,视频卡顿率对应的卡顿率值、视频内容下载时间对应的下载时间值是与短视频播放紧密关联的数据,从短视频平台获得,能够直接反映接入不同评价对象提供的云服务网络时,短视频播放的性能优劣。
示例性的,视频播放成功率直接反映了短视频平台接入CDN后,视频是否播放成功,若经过多次测试后,视频播放成功率所对应的成功率值整体低于50%,说明此时选择的评价对象不适宜短视频播放,有碍短视频播放成功,影响短视频播放的性能。
本公开中,从短视频平台获取得到的指标数据还可以包括:打开短视频的缓冲时间对应的缓冲时间值和短视频丢帧次数对应的次数值等。
这里,云服务网络的接入成本对应的成本值是与短视频选择评价对象的性价比紧密关联的数据,能够从CDN厂商获取,能够用于计算短视频平台的收益。
示例性的,若云服务网络的接入成本已经超过短视频平台实际产生的客户端下载及播放收益,此时短视频平台将不适宜选择该云服务网络对应的评价对象。
同时,从CDN厂商获取的与云服务网络有关的网络指标数据还可以包括以下至少之一:
评价指标为节点服务器连接速率对应的速率值;评价指标为域名解析时间对应的时间值;评价指标为网络延时率对应的延时率值;评价指标为丢包率对应的丢包率值。
通过获取网络指标数据和视频指标数据,并将这些数据输入评分模型,对多个评价对象进行评分,能够快速、客观、准确的得到对短视频企业最合适的评价对象。
在一些实施例中,图2是根据一示例性实施例示出的一种推荐方法的流程图二;参见图2,步骤S102中的方法可以通过以下具体的方式实现:
S1021、基于不同评价指标对应的指标数据构建决策矩阵;其中,决策矩阵的行数表示为评价对象的个数,决策矩阵的列数表示为评价指标的个数;
S1022、对决策矩阵进行数据转换,得到转换后的决策矩阵;
S1023、基于预设评价指标对应的权重,对转换后的决策矩阵中不同评价指标对应的决策数据进行加权处理,得到加权后的决策矩阵;
S1024、基于加权后的决策矩阵,得到每个评价对象的评分结果。
这里,步骤S1021至步骤S1024中的方法,可以通过本公开上文所述的评分模型实现。
本公开实施例中,在步骤S1021之前,对获取到的指标数据进行预处理。
对获取到的指标数据进行预处理包括:对获取到的指标数据进行均值化处理;具体的,对获取的指标数据进行均值化处理包括:
针对每项评价指标,对在该项评价指标下获取的多个指标数据排序;根据指标数据的排序结果,除去指标数据中的极大值和极小值;计算剩余的指标数据的均值结果,并将该均值数据确定为该项评价指标对应的指标数据。
示例性的,对获取的指标数据进行均值化处理可通过以下的公式实现:
这里,X为某个评价对应的均值结果,Di为该项评价指标的第i个数据,D为排序后的该项评价指标下多个指标数据,l为集合D的数据长度。
通过对获取到的指标数据进行均值化处理,避免异常指标数据带来的不合理化影响,提高对评价对象评分的准确性。
决策矩阵,是表示决策方案与有关因素之间相互关系的矩阵表式;本公开中,决策矩阵的决策矩阵的行数表示为评价对象的个数,决策矩阵的列数表示为评价指标的个数,决策矩阵中的数据表示为不同评价对象的不同评价指标的评价数据值,反应了不同评价指标与评价对象的关系。
示例性的,构建决策矩阵K,如以下公式所示:
这里,将短视频平台考虑接入的CDN厂商作为评价对象,确定n个评价对象;对于评价对象,确定m个评价指标,将n个评价对象的评价指标排列后得到n×m的决策矩阵K。
其中,Tnm表示第n个评价对象的第m个指标数据;需要说明的是,构建决策矩阵的指标数据是经过均值化处理后得到的指标数据。
加权处理,是在给评价对象评分时,根据不同评价指标的重要程度,在不同评价指标对应的指标数据上加入相应评价指标的权重。
示例性的,评价指标包括:1.5秒首帧播放成功率e、视频卡顿率f、云服务网络的接入成本g。对于评价CDN厂商来说,1.5秒首帧播放成功率的权重为0.2,视频卡顿率的权重为0.5,云服务网络的接入成本的权重为0.3,加权处理的结果为:0.2e+0.5f+0.3g。
通过对决策矩阵进行数据转换、加权处理,并通过处理后的决策矩阵得到评价对象的评分结果,能够客观、高效的得到每个评价对象在短视频领域的优劣结果,方便为短视频企业推荐更合适的CDN厂商。
在一些实施例中,步骤S1022中的方法对决策矩阵进行数据转换,得到转换后的决策矩阵,可以通过以下具体的方式实现:
确定不同评价指标对应的指标类型;
基于不同评价指标对应的指标类型,确定不同评价指标的正向化处理模型;
基于决策矩阵中不同评价指标对应的决策数据和不同评价指标对应的正向化处理模型,得到转化后的决策矩阵。
这里,不同评价指标对应的指标类型包括极大型指标、极小型指标、中间型指标和区间型指标。极大型指标表现为该项评价指标所对应的数据越大越好;极小型指标表现为该项评价指标所对应的数据越小越好,中间型指标表现为该项评价指标所对应的数据越接近预设值越好;区间型指标表现为该项评价指标所对应的数据落入预设区间最好。
示例的,极大型指标可以是:本公开上述实施例提出的节点服务器连接速率、视频播放成功率和1.5秒首帧播放成功率等评价指标,这些评价指标所对应的数据值越高,表征接入相应的CDN网络时短视频播放的性能越优;极小型指标可以是:本公开上述实施例提出的网络延时率、丢包率、域名解析时间、视频卡顿率、视频内容下载时间、打开短视频的缓冲时间和短视频丢帧次数等评价指标,这些评价指标所对应的数据值越小,表征接入相应的CDN网络时短视频播放的性能越优;并且,本公开上述实施例提出的云服务网络的接入成本也属于极小型指标。
本公开实施例中,基于不同指标类型对应的正向化处理模型,对每个评价指标所对应的指标数据进行正向化处理,可以通过以下具体的公式实现。
对于极大型指标的指标数据的正向化处理可以通过以下公式实现:
需要说明的是,Ti′表示对某项评价指标(决策矩阵K中的某一列)中的第i项指标数据Ti的正向化处理得到的决策数据,n表示为该评价指标下的指标数据是第n个评价对象所对应的指标数据,下文将不再赘述。
这里,Tmin是该项评价指标下的指标数据的最小值,Tmax是该项评价指标下的指标数据的最大值。
对于极小型指标的指标数据的正向化处理可以通过公式实现:
这里,Tmin是该项评价指标下的指标数据的最小值,Tmax是该项评价指标下的指标数据的最大值。
对于中间型指标的指标数据的正向化处理可以通过公式实现:
Tbest是该项评价指标下的指标数据的预设值,表现为该项评价指标下的最优值。
对于区间型指标,确定预设区间为[a,b],且该区间下存在最优值M:
M=max{a-min{Ti},max{Ti}-b} i=1,2,3,…,n
如此,该项评价指标的指标数据的正向化处理可以通过以下公式实现:
如此,对于决策矩阵中的m个评价指标,基于该项评价指标所对应的正向化模型对该项评价指标的数据进行正向化处理,得到正向化处理后的决策矩阵。
本公开通过对决策矩阵中的指标数据进行正向化处理,使不同类型的指标数据都趋向为越大越好,有利于加快数据处理的精度和速度。
本公开实施例中,基于决策矩阵中不同评价指标对应的决策数据和不同评价指标对应的正向化处理模型,得到转换后的决策矩阵,包括:基于决策矩阵中不同评价指标对应的决策数据和不同评价指标对应的正向化处理模型,得到正向化处理后的决策矩阵;对正向化处理后的决策矩阵进行标准化处理,得到转换后的决策矩阵。
需要说明的是,标准化处理是数据挖掘中一项基本的工作,不同评价指标往往具有不同的量纲和量纲单位,这样的情况会影响到数据分析的结果,标准化处理是将数据按比例进行缩放以去除数据之间的限制,将其转化为无量纲的数据,保证数据指标之间的可比性。
具体的,对正向化处理后的决策矩阵进行标准化处理,可以通过公式实现:
这里,Ti′表示正向化处理后的第i个决策数据,Si表示标准化处理后的第i个决策数据。
对正向化处理后的决策矩阵中的每个决策数据Si进行标准化处理后得到数据转换后的决策矩阵Sn×m,如以下公式所示:
本公开实施例的步骤S1023中,基于预设评价指标对应的权重,对转换后的决策矩阵中不同所述评价指标对应的决策数据进行加权处理可以通过以下具体的方式实施:
首先,获取m个评价指标所对应的权重向量W,如以下公式所示:
W=(w1,w2...,wm)
其次,将权重向量W与转换后的决策矩阵Sn×m相乘得到加权决策矩阵R,如以下公式所示:
R=(rij)n×m
rij=Sij×wj i=1,2,3…,n;j=1,2,3,…,m
这里,rij是加权决策矩阵R中第i行、第j列的决策数据。
在一些实施例中,步骤S1024中的方法可以通过以下具体的方式实现:
获取加权后的决策矩阵的极值解向量;
基于极值解向量、加权后的决策矩阵中不同评价指标对应的决策数据和评价指标对应的权重,得到每个评价对象与极值解向量之间的相关度结果;
基于相关度结果,得到每个评价对象的评分结果。
这里,加权后的决策矩阵R的极值解向量包括最优解向量Z+和最劣解向量Z-;具体的,取加权后的决策矩阵R每列最大值即构成最优解向量Z+,并取加权后的决策矩阵R每列最小值即构成劣解向量Z-,如以下公式所示:
这里,最优解向量表示该加权后的决策矩阵R的最优参照结果,最劣解向量表示该加权后的决策矩阵R的最劣参照结果。相关度结果是用于评价每个评价对象所对应的向量与极值解向量的距离;若每个评价对象所对应的向量与最优解向量的距离越小,则与最优参照结果的相关度越高,如此说明该项评价对象的评分结果更高,该项评价对象的云服务网络更适合推荐给短视频平台;若每个评价对象所对应的向量与最小极值解向量的距离越小,则与最优参照结果的相关度越高,说明该项评价对象的评分结果更低,该项评价对象的云服务网络不适合推荐给短视频平台。
需要说明的是,本公开对于相关度结果的确定方式不限,可以是基于皮尔逊相关系数、基于余弦相似度或者基于欧式距离等。
以本公开提出的相关度结果的确定方式为基于欧式距离确定为例,本公开实施例提出的:基于极值解向量、加权后的决策矩阵中不同评价指标对应的决策数据和评价指标对应的权重,得到每个评价对象与极值解向量之间的相关度结果,可以通过以下方式实施:
根据最优解向量Z+和最劣解向量Z-对n个评价对象进行评分,得到每个评价对象的评分结果;
基于欧式距离优化每个评价对象的评分结果,得到每个评价对象的最优距离和最劣距离。
具体的,根据最优解向量Z+和最劣解向量Z-对n个评价对象进行评分,得到每个评价对象的评分结果Y,如以下公式所示:
这里,评分结果Y能够表征每个评价对象的优劣程度,评分结果高时,该评价对象适合推荐。
本公开中,计算欧式距离能够对上述评分结果Y进行优化,得到更精确的评价结果,具体的:
确定每个评价对象的最优距离和最劣距离,如以下公式所示:
这里,d+表示为最优距离,和d-表示为最劣距离,wj为第j个评价指标对应的权重。
需要说明的是,的值越大,表示评价对象距离最优数据越远,/>的值越小,表示评价对象距离最优数据越近。/>的值越大,表示评价对象距离最劣数据越远,/>值越小,表示评价对象距离最劣数据越近。
本公开实施例中,将最优距离和最劣距离作为相关度结果。
本公开实施例中,基于相关度结果,得到每个评价对象的评分结果,可以通过以下方式实施:
基于每个评价对象的最优距离和最劣距离,确定每个评价对象的优劣值。
具体的,每个评价对象的优劣值U=可以通过以下公式表示:
这里,0≤Ui≤1,当Ui越趋近于1时,评价对象的评分结果越高,相应的,当Ui越趋近于0时,评价对象的评分结果越差。
通过确定每个评价对象与极值解向量的相关度结果确定评价对象的评分,能够有效判断每个评价对象的价值,便于为短视频平台推荐合适的评价对象;同时,基于评价指标对应的权重来确定相关度结果,能够减少误差,使得相关度结果更加合理准确。
在一些实施例中,本公开提出的推荐方法还包括:
基于指标数据得到不同评价指标的信息熵;
基于不同评价指标的信息熵,更新预设评价指标对应的权重。
这里,信息熵能够检验评价指标对应的指标数据的变异程度。具体的,数据的变异程度越小,所反映的信息量也越少,其对应的熵值也越低。例如,视频播放成功率的成功率值一直为100%,此时视频播放成功率这一评价指标的信息熵很低,若视频播放成功率的成功率值陡降为0%,此时,视频播放成功率这一评价指标的信息熵很高。
本公开实施例中,基于指标数据得到不同评价指标的信息熵包括:判断决策矩阵中是否存在负数,若存在负数,则将矩阵中的指标数据标准化到非负区间;计算某个指标数据在该项评价指标的指标数据中所占的比重,将其作为该指标数据的概率结果;根据该指标数据的概率结果,计算相对应的指评价标的信息熵。这里,信息熵反映了该项评价指标对应的指标数据的变异程度。
相应的,基于不同评价指标的信息熵,更新预设评价指标对应的权重,可以通过以下具体的方式实施:
将信息熵高的评价指标对应的权重增加,将信息熵低的评价指标的权重减少。
本公开实施例中,基于指标数据客观的计算信息熵以得到评价指标的权重,指标赋权公正,使得评价结果真实、科学、可信。
在一些实施例中,步骤S103中的方法:基于多个评价对象的评分结果,从多个评价对象中选择目标对象,可以通过以下具体的方式实现:
对多个评价对象的评分结果进行排序,将排序后的评分结果中最高的评分结果所对应的评价对象作为目标对象。
示例性的,对评价对象的优劣值U进行排序,评价对象的优劣值Ui为最大值时,则当前第i个评价对象作为目标对象,如此,当前的CDN厂商即是最合适的CDN厂商。
根据排序结果确定目标对象,能够高效的为短视频平台实时的选择CDN厂商。
步骤S103中的方法:基于多个评价对象的评分结果,从多个评价对象中选择目标对象,还可以通过以下具体的方式实现:
对多个评价对象的评分结果进行排序,将排序后的评分结果中排在预设位次之前的评分结果所对应的评价对象作为目标对象。
这里,预设位次可以是第三名,相应的,将评价对象中评分最高的三个评价对象作为目标对象,并将三个目标对象推荐给短视频平台。
根据排序结果确定目标对象,能够高效的为短视频平台实时的选择CDN厂商。
参见图3,图3是根据一示例性实施例示出的一种推荐装置的结构示意图,推荐装置300包括:
获取模块301,被配置为获取多个评价对象中不同评价指标对应的指标数据;其中,指标数据包括:将评价对象的云服务网络应用于短视频平台时的视频指标数据;
评分模块302,被配置为基于评价指标对应的指标数据和预设评价指标对应的权重,对多个评价对象进行评分,得到多个评价对象的评分结果;
推荐模块303,被配置为基于多个评价对象的评分结果,从多个评价对象中选择目标对象,并推荐目标对象。
在一些实施例中,获取模块301,还被配置为在短视频平台进行视频播放时,分别接入不同评价对象的云服务网络;对不同评价对象的云服务网络进行网络测试,得到视频指标数据。
在一些实施例中,评价指标对应的指标数据,包括以下至少之一:
评价指标为视频播放成功率对应的视频播放成功率值;
评价指标为1.5秒首帧播放成功率对应的首帧播放成功率值;
评价指标为视频卡顿率对应的卡顿率值;
评价指标为视频内容下载时间对应的下载时间值;
评价指标为云服务网络的接入成本对应的成本值。
在一些实施例中,评分模块302,包括:
构建单元,被配置为基于不同评价指标对应的指标数据构建决策矩阵;其中,决策矩阵的行数表示为评价对象的个数,决策矩阵的列数表示为评价指标的个数;
数据转换单元,被配置为对决策矩阵进行数据转换,得到转换后的决策矩阵;
加权处理单元,被配置为基于预设评价指标对应的权重,对转换后的决策矩阵中不同评价指标对应的决策数据进行加权处理,得到加权后的决策矩阵;
评分单元,基于加权后的决策矩阵,得到每个评价对象的评分结果。
在一些实施例中,数据转换单元,还被配置为确定不同评价指标对应的指标类型;基于不同评价指标对应的指标类型,确定不同评价指标的正向化处理模型;基于决策矩阵中不同评价指标对应的决策数据和不同评价指标对应的正向化处理模型,得到转化后的决策矩阵。
在一些实施例中,评分单元,还被配置为获取加权后的决策矩阵的极值解向量;基于极值解向量、加权后的决策矩阵中不同评价指标对应的决策数据和评价指标对应的权重,得到每个评价对象与极值解向量之间的相关度结果;基于相关度结果,得到每个评价对象的评分结果。
在一些实施例中,获取模块还被配置为基于指标数据得到不同评价指标的信息熵;该推荐装置还包括:
权重更新模块,被配置为基于不同评价指标的信息熵,更新预设评价指标对应的权重。
在一些实施例中,推荐模块303,还被配置为对多个评价对象的评分结果进行排序,将排序后的评分结果中最高的评分结果所对应的评价对象作为目标对象。
图4是根据一示例性实施例示出的电子设备的框图。参照图4,电子设备400包括处理组件422,其进一步包括一个或多个处理器,以及由存储器432所代表的存储器资源,用于存储可由处理组件422的执行的指令,例如应用程序。存储器432中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件422被配置为执行指令,以执行上述推荐方法。
电子设备400还可以包括一个电源组件426被配置为执行电子设备400的电源管理,一个有线或无线网络接口450被配置为将电子设备400连接到网络,和一个输入输出(I/O)接口458。电子设备400可以操作基于存储在存储器432的操作系统,例如WindowsServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器432,上述指令可由电子设备400的处理组件422执行以完成上述方法。例如,所述非临时性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。
一种非临时性计算机可读存储介质,存储有可执行指令,用于引起电子设备中的处理器执行时,实现一种推荐方法,所述方法包括:
获取多个评价对象中不同评价指标对应的指标数据;其中,指标数据包括:将评价对象的云服务网络应用于短视频平台时的视频指标数据;
基于评价指标对应的指标数据和预设评价指标对应的权重,对多个评价对象进行评分,得到多个评价对象的评分结果;
基于多个评价对象的评分结果,从多个评价对象中选择目标对象,并推荐目标对象。
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。本公开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 (18)
1.一种推荐方法,其特征在于,包括:
在相同的测试时间内获取多个评价对象中不同评价指标对应的指标数据;其中,所述指标数据包括:将所述评价对象的云服务网络应用于短视频平台时的视频指标数据、所述评价对象的知名度对应的数据和所述评价对象的云服务网络接入成本对应的数据;
基于所述评价指标对应的指标数据和预设所述评价指标对应的权重,对多个所述评价对象进行评分,得到多个所述评价对象的评分结果;
基于多个所述评价对象的评分结果,从多个所述评价对象中选择目标对象,并推荐所述目标对象。
2.根据权利要求1所述的方法,其特征在于,所述获取多个评价对象中不同评价指标对应的指标数据,包括:
在所述短视频平台进行视频播放时,分别接入不同所述评价对象的云服务网络;
对不同所述评价对象的云服务网络进行网络测试,得到所述视频指标数据。
3.根据权利要求1所述的方法,其特征在于,所述评价指标对应的指标数据,还包括以下至少之一:
评价指标为视频播放成功率对应的视频播放成功率值;
评价指标为1.5秒首帧播放成功率对应的首帧播放成功率值;
评价指标为视频卡顿率对应的卡顿率值;
评价指标为视频内容下载时间对应的下载时间值。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述基于所述评价指标对应的指标数据和预设所述评价指标对应的权重,对多个所述评价对象进行评分,得到多个所述评价对象的评分结果,包括:
基于不同所述评价指标对应的指标数据构建决策矩阵;其中,所述决策矩阵的行数表示为所述评价对象的个数,所述决策矩阵的列数表示为所述评价指标的个数;
对所述决策矩阵进行数据转换,得到转换后的决策矩阵;
基于预设所述评价指标对应的权重,对所述转换后的决策矩阵中不同所述评价指标对应的决策数据进行加权处理,得到加权后的决策矩阵;
基于所述加权后的决策矩阵,得到每个所述评价对象的评分结果。
5.根据权利要求4所述的方法,其特征在于,所述对所述决策矩阵进行数据转换,得到转换后的决策矩阵,包括:
确定不同所述评价指标对应的指标类型;
基于不同所述评价指标对应的指标类型,确定不同所述评价指标的正向化处理模型;
基于所述决策矩阵中不同所述评价指标对应的决策数据和不同所述评价指标对应的正向化处理模型,得到转化后的决策矩阵。
6.根据权利要求4所述的方法,其特征在于,所述基于所述加权后的决策矩阵,得到每个所述评价对象的评分结果,包括:
获取所述加权后的决策矩阵的极值解向量;
基于所述极值解向量、所述加权后的决策矩阵中不同所述评价指标对应的决策数据和所述评价指标对应的权重,得到每个所述评价对象与所述极值解向量之间的相关度结果;
基于所述相关度结果,得到每个所述评价对象的评分结果。
7.根据权利要求1至3任一项所述的方法,其特征在于,所述方法还包括:
基于所述指标数据得到不同所述评价指标的信息熵;
基于所述不同评价指标的信息熵,更新预设所述评价指标对应的权重。
8.根据权利要求1至3任一项所述的方法,其特征在于,所述基于多个所述评价对象的评分结果,从多个所述评价对象中选择目标对象,包括:
对多个所述评价对象的评分结果进行排序,将排序后的评分结果中最高的评分结果所对应的所述评价对象作为所述目标对象。
9.一种推荐装置,其特征在于,包括:
获取模块,被配置为在相同的测试时间内获取多个评价对象中不同评价指标对应的指标数据;其中,所述指标数据包括:将所述评价对象的云服务网络应用于短视频平台时的视频指标数据、所述评价对象的知名度对应的数据和所述评价对象的云服务网络接入成本对应的数据;
评分模块,被配置为基于所述评价指标对应的指标数据和预设所述评价指标对应的权重,对多个所述评价对象进行评分,得到多个所述评价对象的评分结果;
推荐模块,被配置为基于多个所述评价对象的评分结果,从多个所述评价对象中选择目标对象,并推荐所述目标对象。
10.根据权利要求9所述的装置,其特征在于,所述获取模块,还被配置为在所述短视频平台进行视频播放时,分别接入不同所述评价对象的云服务网络;对不同所述评价对象的云服务网络进行网络测试,得到所述视频指标数据。
11.根据权利要求9所述的装置,其特征在于,所述评价指标对应的指标数据,还包括以下至少之一:
评价指标为视频播放成功率对应的视频播放成功率值;
评价指标为1.5秒首帧播放成功率对应的首帧播放成功率值;
评价指标为视频卡顿率对应的卡顿率值;
评价指标为视频内容下载时间对应的下载时间值。
12.根据权利要求9至11任一项所述的装置,其特征在于,所述评分模块,包括:
构建单元,被配置为基于不同所述评价指标对应的指标数据构建决策矩阵;其中,所述决策矩阵的行数表示为所述评价对象的个数,所述决策矩阵的列数表示为所述评价指标的个数;
数据转换单元,被配置为对所述决策矩阵进行数据转换,得到转换后的决策矩阵;
加权处理单元,被配置为基于预设所述评价指标对应的权重,对所述转换后的决策矩阵中不同所述评价指标对应的决策数据进行加权处理,得到加权后的决策矩阵;
评分单元,基于所述加权后的决策矩阵,得到每个所述评价对象的评分结果。
13.根据权利要求12所述的装置,其特征在于,所述数据转换单元,还被配置为确定不同所述评价指标对应的指标类型;基于不同所述评价指标对应的指标类型,确定不同所述评价指标的正向化处理模型;基于所述决策矩阵中不同所述评价指标对应的决策数据和不同所述评价指标对应的正向化处理模型,得到转化后的决策矩阵。
14.根据权利要求12所述的装置,其特征在于,所述评分单元,还被配置为获取所述加权后的决策矩阵的极值解向量;基于所述极值解向量、所述加权后的决策矩阵中不同所述评价指标对应的决策数据和所述评价指标对应的权重,得到每个所述评价对象与所述极值解向量之间的相关度结果;基于所述相关度结果,得到每个所述评价对象的评分结果。
15.根据权利要求9至11任一项所述的装置,其特征在于,所述获取模块还被配置为基于所述指标数据得到不同所述评价指标的信息熵;所述装置还包括:
权重更新模块,被配置为基于所述不同评价指标的信息熵,更新预设所述评价指标对应的权重。
16.根据权利要求9至11任一项所述的装置,其特征在于,所述推荐模块还被配置为对多个所述评价对象的评分结果进行排序,将排序后的评分结果中最高的评分结果所对应的所述评价对象作为所述目标对象。
17.一种电子设备,其特征在于,包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令,实现权利要求1至8任一项所述的推荐方法。
18.一种计算机可读存储介质,其特征在于,存储有可执行指令,用于引起处理器执行时,实现权利要求1至8任一项所述的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210797972.2A CN115297367B (zh) | 2022-07-06 | 2022-07-06 | 一种推荐方法、推荐装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210797972.2A CN115297367B (zh) | 2022-07-06 | 2022-07-06 | 一种推荐方法、推荐装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115297367A CN115297367A (zh) | 2022-11-04 |
CN115297367B true CN115297367B (zh) | 2024-02-09 |
Family
ID=83822111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210797972.2A Active CN115297367B (zh) | 2022-07-06 | 2022-07-06 | 一种推荐方法、推荐装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115297367B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106100883A (zh) * | 2016-03-12 | 2016-11-09 | 浙江工商大学 | 一种云服务评价方法及装置 |
CN108270828A (zh) * | 2016-12-30 | 2018-07-10 | 北京国双科技有限公司 | 一种内容分发网络系统推荐方法及装置 |
CN110944061A (zh) * | 2019-12-06 | 2020-03-31 | 北京博睿宏远数据科技股份有限公司 | 内容分发网络调度方法、装置、计算机设备及存储介质 |
JP2021068435A (ja) * | 2019-10-17 | 2021-04-30 | 株式会社日立製作所 | サプライヤー評価装置及びサプライヤー評価方法 |
CN112765484A (zh) * | 2020-12-31 | 2021-05-07 | 北京达佳互联信息技术有限公司 | 短视频推送方法、装置、电子设备及存储介质 |
CN113220557A (zh) * | 2021-06-01 | 2021-08-06 | 上海明略人工智能(集团)有限公司 | 冷启动推荐模型评估方法、系统、计算机设备及存储介质 |
CN114266443A (zh) * | 2021-11-29 | 2022-04-01 | 于施洋 | 数据评估方法和装置、电子设备、存储介质 |
-
2022
- 2022-07-06 CN CN202210797972.2A patent/CN115297367B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106100883A (zh) * | 2016-03-12 | 2016-11-09 | 浙江工商大学 | 一种云服务评价方法及装置 |
CN108270828A (zh) * | 2016-12-30 | 2018-07-10 | 北京国双科技有限公司 | 一种内容分发网络系统推荐方法及装置 |
JP2021068435A (ja) * | 2019-10-17 | 2021-04-30 | 株式会社日立製作所 | サプライヤー評価装置及びサプライヤー評価方法 |
CN110944061A (zh) * | 2019-12-06 | 2020-03-31 | 北京博睿宏远数据科技股份有限公司 | 内容分发网络调度方法、装置、计算机设备及存储介质 |
CN112765484A (zh) * | 2020-12-31 | 2021-05-07 | 北京达佳互联信息技术有限公司 | 短视频推送方法、装置、电子设备及存储介质 |
CN113220557A (zh) * | 2021-06-01 | 2021-08-06 | 上海明略人工智能(集团)有限公司 | 冷启动推荐模型评估方法、系统、计算机设备及存储介质 |
CN114266443A (zh) * | 2021-11-29 | 2022-04-01 | 于施洋 | 数据评估方法和装置、电子设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115297367A (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020135535A1 (zh) | 一种推荐模型训练方法及相关装置 | |
KR101721338B1 (ko) | 검색 엔진 및 그의 구현 방법 | |
AU2009347535B2 (en) | Co-selected image classification | |
US8620929B2 (en) | Context based resource relevance | |
CN106372249B (zh) | 一种点击率预估方法、装置及电子设备 | |
CN103473291A (zh) | 一种基于隐语义概率模型的个性化服务推荐系统及方法 | |
CN109635206B (zh) | 融合隐式反馈和用户社会地位的个性化推荐方法及系统 | |
KR20100086676A (ko) | 컨텐츠에 대한 선호도 예측 방법 및 장치와, 샘플 컨텐츠 선정 방법 및 장치 | |
US10346453B2 (en) | Multi-tiered information retrieval training | |
CN108665148B (zh) | 一种电子资源质量评价方法、装置和存储介质 | |
CN105512465B (zh) | 基于改进vikor法的云平台安全性量化评估方法 | |
US20180247247A1 (en) | Method and system for search provider selection based on performance scores with respect to each search query | |
Li et al. | A location and reputation aware matrix factorization approach for personalized quality of service prediction | |
CN111695084A (zh) | 模型生成方法、信用评分生成方法、装置、设备及存储介质 | |
CN115767596A (zh) | 边缘计算中面向用户移动性与偏好的边缘协同缓存方法 | |
KR20110096488A (ko) | 최적화된 도메인간 정보 퀄리티 평가를 갖는 협동적 네트워킹 | |
CN112328865B (zh) | 信息处理和推荐方法、装置、设备及存储介质 | |
Németh et al. | A snapshot of the frontiers of client selection in federated learning | |
CN115297367B (zh) | 一种推荐方法、推荐装置、电子设备和存储介质 | |
CN113742578A (zh) | 一种数据推荐方法、装置、电子设备及存储介质 | |
JP7098204B2 (ja) | エッジネットワーク環境におけるランダムフォレストアルゴリズムに基づくvodサービスキャッシュ置き換え方法 | |
CN112231299A (zh) | 一种特征库动态调整的方法和装置 | |
CN109299351B (zh) | 内容推荐方法和装置、电子设备及计算机可读介质 | |
CN106294487B (zh) | 基于互联网的自适应搜索方法、设备和系统 | |
CN114462506A (zh) | 一种支持偏好策略的通信网络辅助规划方法及其应用 |
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 |