CN115391659A - 新闻推荐方法、装置、电子设备及计算机可读存储介质 - Google Patents
新闻推荐方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN115391659A CN115391659A CN202211071901.0A CN202211071901A CN115391659A CN 115391659 A CN115391659 A CN 115391659A CN 202211071901 A CN202211071901 A CN 202211071901A CN 115391659 A CN115391659 A CN 115391659A
- Authority
- CN
- China
- Prior art keywords
- data
- news
- news data
- triple
- distance
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种新闻推荐方法、装置、电子设备及计算机可读存储介质。其中,该方法包括:接收车端发送的新闻推荐请求,获取目标对象的静态属性数据,已点击新闻数据,候选新闻数据;将静态属性数据,已点击新闻数据与候选新闻数据输入至目标推荐模型中的向量关系表示模块,输出第一三元组,第二三元组,第三三元组;将第一三元组,第二三元组,第三三元组输入至目标推荐模型中的距离确定模块,输出第一距离与第二距离;将第一距离与第二距离输入至目标推荐模型中的推荐模块,输出推荐新闻数据,将推荐新闻数据反馈至车端。本发明解决了相关技术中依据车端内存储的历史浏览新闻数据为用户推荐新闻时,存在推荐新闻的难以符合用户偏好的技术问题。
Description
技术领域
本发明涉及自动驾驶领域,具体而言,涉及一种新闻推荐方法、装置、电子设备及计算机可读存储介质。
背景技术
目前,用户在车内收听新闻的需求越来越多,向用户推荐新闻是必不可少的,但在相关技术中,主要依据车端内存储的历史浏览新闻数据为用户推荐新闻,然而依据该方法进行新闻推荐时,存在推荐的新闻难以符合用户偏好的问题,因此,如何推荐符合用户偏好的新闻是新闻推荐领域面临的一个难题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种新闻推荐方法、装置、电子设备及计算机可读存储介质,以至少解决相关技术中依据车端内存储的历史浏览新闻数据为用户推荐新闻时,存在推荐新闻的难以符合用户偏好的技术问题。
根据本发明实施例的一个方面,提供了一种新闻推荐方法,包括:接收车端发送的基于目标对象的新闻推荐请求,获取所述目标对象的静态属性数据,所述目标对象在第一预定历史时间段内的已点击新闻数据,以及第二预定历史时间段内的候选新闻数据;将所述静态属性数据,所述已点击新闻数据与所述候选新闻数据输入至目标推荐模型中的向量关系表示模块,输出与所述静态属性数据对应的第一三元组,与所述已点击新闻数据对应的第二三元组,以及与所述候选新闻数据对应的第三三元组;将所述第一三元组,所述第二三元组与所述第三三元组输入至所述目标推荐模型中的距离确定模块,输出第一距离与第二距离,其中,所述第一距离为所述第一三元组中初始实体与所述第三三元组中初始实体之间的路径距离,所述第二距离为所述第二三元组中初始实体与所述第三三元组中初始实体之间的路径距离;将所述第一距离与所述第二距离输入至所述目标推荐模型中的推荐模块,输出推荐新闻数据,并将所述推荐新闻数据反馈至所述车端,其中,所述推荐新闻数据为从所述候选新闻数据中确定出的数据。
可选地,所述将所述静态属性数据,所述已点击新闻数据与所述候选新闻数据输入至目标推荐模型中的向量关系表示模块,输出与所述静态属性数据对应的第一三元组,与所述已点击新闻数据对应的第二三元组,以及与所述候选新闻数据对应的第三三元组,包括:确定在预定时间内所述已点击新闻数据的第一点击频次,以及在所述预定时间内所述候选新闻数据的第二点击频次;将所述静态属性数据,所述已点击新闻数据,所述候选新闻数据,所述第一点击频次,以及所述第二点击频次输入至所述目标推荐模型中的所述向量关系表示模块,输出所述第一三元组,所述第二三元组,所述第三三元组,所述第二三元组中初始实体的第一权重值,以及所述第三三元组中初始实体的第二权重值。
可选地,所述将所述静态属性数据,所述已点击新闻数据与所述候选新闻数据输入至目标推荐模型中的向量关系表示模块,输出与所述静态属性数据对应的第一三元组,与所述已点击新闻数据对应的第二三元组,以及与所述候选新闻数据对应的第三三元组,包括:在所述向量关系表示模块中,确定与所述静态属性数据对应的第一初始三元组,与所述已点击新闻数据对应的第二初始三元组,以及与所述候选新闻数据对应的第三初始三元组;在所述向量关系表示模块中,依据实体关系Transh算法,分别将所述第一初始三元组,所述第二初始三元组与所述第三初始三元组投影到预定平面,得到所述第一三元组,所述第二三元组与所述第三三元组。
可选地,所述将所述静态属性数据,所述已点击新闻数据与所述候选新闻数据输入至目标推荐模型中的向量关系表示模块,输出与所述静态属性数据对应的第一三元组,与所述已点击新闻数据对应的第二三元组,以及与所述候选新闻数据对应的第三三元组之前,还包括:确定所述目标推荐模型,其中,所述目标推荐模型为依据多组样本数据训练得到的,所述样本数据包括样本对象的样本静态属性数据,所述样本对象的样本已点击新闻数据,样本候选新闻数据以及样本推荐新闻数据。
可选地,所述方法还包括:采用以下方式对所述多组样本数据进行训练,得到所述目标推荐模型:获取初始推荐模型,以及构造用于模型训练的损失函数,其中,所述损失函数用于保证与输入数据对应的三元组的准确性;基于所述损失函数,采用所述多组样本数据对所述初始推荐模型进行训练,得到所述目标推荐模型。
可选地,所述构造用于模型训练的损失函数,包括:获取输入数据对应的三元组,其中,所述三元组包括初始实体,关系与目标实体;确定所述初始实体与所述关系的和向量;确定所述和向量与所述目标实体的差向量;依据所述差向量,构建损失函数项;基于所述损失函数项,构建所述损失函数。
可选地,将所述第一距离与所述第二距离输入至所述目标推荐模型中的推荐模块,输出推荐新闻数据,其中,所述推荐新闻数据为从所述候选新闻数据中确定出的数据,包括:在所述推荐模块中,依据所述第一距离与所述第二距离,确定所述候选新闻数据中任意一条新闻数据的点击概率;在所述推荐模块中,依据所述候选新闻数据中任意一条新闻数据的所述点击概率,输出所述推荐新闻数据。
根据本发明实施例的一个方面,提供了一种新闻推荐装置,包括:接收模块,用于接收移动端发送的基于目标对象的新闻推荐请求,获取所述目标对象的静态属性数据,所述目标对象在第一预定历史时间段内的已点击新闻数据,以及第二预定历史时间段内的候选新闻数据;向量确定模块,用于将所述静态属性数据,所述已点击新闻数据与所述候选新闻数据输入至目标推荐模型中的向量关系表示模块,输出与所述静态属性数据对应的第一三元组,与所述已点击新闻数据对应的第二三元组,以及与所述候选新闻数据对应的第三三元组;距离确定模块,用于将所述第一三元组,所述第二三元组与所述第三三元组输入至所述目标推荐模型中的距离确定模块,输出第一距离与第二距离,其中,所述第一距离为所述第一三元组中初始实体与所述第三三元组中初始实体之间的路径距离,所述第二距离为所述第二三元组中初始实体与所述第三三元组中初始实体之间的路径距离;推荐模块,用于将所述第一距离与所述第二距离输入至所述目标推荐模型中的推荐模块,输出推荐新闻数据,并将所述推荐新闻数据反馈至所述移动端,其中,所述推荐新闻数据为从所述候选新闻数据中确定出的数据。
根据本发明实施例的一个方面,提供了一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为执行所述指令,以实现上述任一项所述的新闻推荐方法。
根据本发明实施例的一个方面,提供了一种计算机可读存储介质,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述任一项所述的新闻推荐方法。
在本发明实施例中,通过接收车端发送的基于目标对象的新闻推荐请求,获取目标对象的静态属性数据,目标对象在第一预定历史时间段内的已点击新闻数据,以及第二预定历史时间段内的候选新闻数据;将静态属性数据,已点击新闻数据与候选新闻数据输入至目标推荐模型中的向量关系表示模块,输出与静态属性数据对应的第一三元组,与已点击新闻数据对应的第二三元组,以及与候选新闻数据对应的第三三元组;将第一三元组,第二三元组与第三三元组输入至目标推荐模型中的距离确定模块,输出第一距离与第二距离;将第一距离与第二距离输入至目标推荐模型中的推荐模块,输出推荐新闻数据,并将推荐新闻数据反馈至车端。由于最终确定出的推荐新闻数据是基于目标对象的静态属性数据、在第一预定历史时间段内的已点击新闻数据以及第二预定历史时间段内的候选新闻数据确定的,由于考虑了目标对象的静态属性,以及目标对象历史点击的新闻数据,因此,使得最终从候选新闻数据中确定出的目标新闻数据是符合用户的历史习惯与偏好的,进而解决了相关技术中依据车端内存储的历史浏览新闻数据为用户推荐新闻时,存在推荐新闻的难以符合用户偏好的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的新闻推荐方法的流程图;
图2是本发明提供的三元组示例;
图3是根据本发明实施例的新闻推荐装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种新闻推荐方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的新闻推荐方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,接收车端发送的基于目标对象的新闻推荐请求,获取目标对象的静态属性数据,目标对象在第一预定历史时间段内的已点击新闻数据,以及第二预定历史时间段内的候选新闻数据;
步骤S104,将静态属性数据,已点击新闻数据与候选新闻数据输入至目标推荐模型中的向量关系表示模块,输出与静态属性数据对应的第一三元组,与已点击新闻数据对应的第二三元组,以及与候选新闻数据对应的第三三元组;
步骤S106,将第一三元组,第二三元组与第三三元组输入至目标推荐模型中的距离确定模块,输出第一距离与第二距离,其中,第一距离为第一三元组中初始实体与第三三元组中初始实体之间的路径距离,第二距离为第二三元组中初始实体与第三三元组中初始实体之间的路径距离;
步骤S108,将第一距离与第二距离输入至目标推荐模型中的推荐模块,输出推荐新闻数据,并将推荐新闻数据反馈至车端,其中,推荐新闻数据为从候选新闻数据中确定出的数据。
通过上述步骤,通过接收车端发送的基于目标对象的新闻推荐请求,获取目标对象的静态属性数据,目标对象在第一预定历史时间段内的已点击新闻数据,以及第二预定历史时间段内的候选新闻数据;将静态属性数据,已点击新闻数据与候选新闻数据输入至目标推荐模型中的向量关系表示模块,输出与静态属性数据对应的第一三元组,与已点击新闻数据对应的第二三元组,以及与候选新闻数据对应的第三三元组;将第一三元组,第二三元组与第三三元组输入至目标推荐模型中的距离确定模块,输出第一距离与第二距离;将第一距离与第二距离输入至目标推荐模型中的推荐模块,输出推荐新闻数据,并将推荐新闻数据反馈至车端。由于最终确定出的推荐新闻数据是基于目标对象的静态属性数据、在第一预定历史时间段内的已点击新闻数据以及第二预定历史时间段内的候选新闻数据确定的,由于考虑了目标对象的静态属性,以及目标对象历史点击的新闻数据,因此,使得最终从候选新闻数据中确定出的目标新闻数据是符合用户的历史习惯与偏好的,进而解决了相关技术中依据车端内存储的历史浏览新闻数据为用户推荐新闻时,存在推荐新闻的难以符合用户偏好的技术问题。
首先需要说明的是,在本申请中,三元组包括初始实体,关系与目标实体,三元组为向量的形式。图2是本发明提供的三元组示例,如图2所示,在输入数据为新闻A时,确定新闻A的初始实体为新闻A关键词,确定新闻A的关系为类别,在类别为关系的情况下,确定新闻A关键词的类别属于体育,即,新闻A的目标实体为体育。其中,新闻A还可以有多种其他的关系,以及与该关系对应的目标实体,即,一个初始实体可以与多个目标实体通过不同的关系相连,此处只是列举一个。下面对本申请进行具体说明。
作为一种可选的实施例,接收车端发送的基于目标对象的新闻推荐请求,例如,可以将目标对象确定为驾驶员,车端发送新闻推荐请求的时机可以为多种,例如,可以当驾驶员坐在驾驶座上时,车端发送新闻推荐请求;也可以当驾驶员触摸车上的与新闻推荐对应的控件时,车端发送新闻推荐请求,等等,在此不做限定。当接收车端发送的基于目标对象的新闻推荐请求后,获取目标对象的静态属性数据,目标对象在第一预定历史时间段内的已点击新闻数据,以及第二预定历史时间段内的候选新闻数据。静态属性数据可以包括目标对象的性别、年龄、职业等基础信息,依据目标对象的静态属性数据进行处理,能够保证后续得到的推荐新闻数据是符合用户设定的。需要说明的是,获取静态属性数据是在经过目标对象授权同意的情况下进行获取的。目标对象在第一预定历史时间段内的已点击新闻数据,即为目标对象历史点击的新闻数据,第二预定历史时间段内的候选新闻数据可以是过去一段时间社会或世界或各种领域上发生的新闻数据,上述第一预定历史时间段与第二历史时间段可以根据实际的应用与场景进行自定义的设定。由于第一时间段是目标对象已点击历史新闻数据的时间段,因此,可以设定的时间较长,例如,可以把第一预定历史时间段设定为一个月,半个月等等。第二时间段是候选新闻数据的历史时间段,是要从中确定出目标新闻数据的,因此,可以把第二预定历史时间段确定为两小时,保证新闻是较为新鲜的新闻。通过获取静态属性数据、已点击新闻数据和候选新闻数据,可以确定出推荐新闻数据的范围,并且该范围考虑了目标对象的偏好,即,在该范围内确定推荐新闻数据,可以快速地确定出符合目标对象偏好的推荐新闻数据。
作为一种可选的实施例,在将静态属性数据,已点击新闻数据与候选新闻数据输入至目标推荐模型中的向量关系表示模块之前,可以先确定目标推荐模型,其中,目标推荐模型为依据多组样本数据训练得到的,样本数据包括样本对象的样本静态属性数据,样本对象的样本已点击新闻数据,样本候选新闻数据以及样本推荐新闻数据。由于目标推荐模型训练时是包括样本对象的样本静态属性数据,样本对象的样本已点击新闻数据,样本候选新闻数据以及样本推荐新闻数据,因而能够找到与目标对象更为相关的推荐新闻数据,在训练的过程中,能够训练地更全面,使得最终确定出的模型更精准。因此,后续采用训练得到的目标推荐模型得到推荐新闻数据时,能够降低误推送率,提升了确定推荐新闻数据效率与准确率。
作为一种可选的实施例,可以采用以下方式对多组样本数据进行训练,得到目标推荐模型:获取初始推荐模型,以及构造用于模型训练的损失函数,其中,损失函数用于保证与输入数据对应的三元组的准确性,即能够使得得到的三元组是正确的,误差尽可能小的;基于损失函数,采用多组样本数据对初始推荐模型进行训练,得到目标推荐模型。通过这种方式确定出的目标推荐模型更准确,尤其是在目标推荐模型的向量关系表示模块中,可以使三元组确定的更加精准。
作为一种可选的实施例,构造用于模型训练的损失函数时可以采用如下步骤:获取输入数据对应的三元组,确定三元组中初始实体与关系的和向量,确定和向量与目标实体的差向量,依据差向量,构建损失函数项。如,d(初始实体,关系,目标实体)=||初始实体+关系-目标实体||。由于损失函数项是初始实体加上关系,减去目标实体得到的,在最佳状态下,损失函数项为0,即使得初始实体加上关系就能够得到目标实体,因此,基于损失函数项构建损失函数对初始推荐模型进行训练,能够使得依据输入数据得到的三元组更加准确。
通过上述,即得到了目标推荐模型,得到目标推荐模型后,可以执行本申请中的其他方法步骤。
作为一种可选的实施例,将静态属性数据,已点击新闻数据与候选新闻数据输入至目标推荐模型中的向量关系表示模块,输出与静态属性数据对应的第一三元组,与已点击新闻数据对应的第二三元组,以及与候选新闻数据对应的第三三元组。需要说明的是,确定第一三元组、第二三元组和第三三元组都在向量关系表示模块中进行。由于之前确定出的目标推荐模型具有准确性,因此,目标推荐模型中的向量关系表示模块输出的第一三元组、第二三元组和第三三元组具有准确性。
作为一种可选的实施例,将静态属性数据,已点击新闻数据与候选新闻数据输入至目标推荐模型中的向量关系表示模块的过程中,还可以输入新闻的点击数据,例如,可以通过如下方式,确定在预定时间内已点击新闻数据的第一点击频次,以及在预定时间内候选新闻数据的第二点击频次,点击频次为所有用户点击的次数,预定时间可以为出现对应新闻后的两小时,一天等等,在此不做限定。将静态属性数据,已点击新闻数据,候选新闻数据,第一点击频次,以及第二点击频次输入至目标推荐模型中的向量关系表示模块,输出第一三元组,第二三元组,第三三元组,第二三元组中初始实体的第一权重值,以及第三三元组中初始实体的第二权重值。其中,第一权重值依据第一点击频次确定,第一点击频次越多,第一权重值越大,同样,第二权重值也依据第二点击频次确定,第二点击频次越多,第二权重值越大,通过这种方式可以确定出第一权重值和第二权重值。通过权重能够表达出新闻对于所有用户的吸引力,也是一个很重要标准,能够结合目标对象的偏好和习惯,为目标对象推荐相关性更强,更热点的新闻。不仅使得目标对象接收到的新闻是符合自身偏好的,而且也是实时热点的,提升目标对象的使用体验感。表1是初始实体与权重值的对应关系,如表1所示:
表1
初始实体 | 权重值 |
实体1 | 0.2 |
实体2 | 1.6 |
实体3 | 2 |
作为一种可选的实施例,在将静态属性数据,已点击新闻数据与候选新闻数据输入至目标推荐模型中的向量关系表示模块,输出与静态属性数据对应的第一三元组,与已点击新闻数据对应的第二三元组,以及与候选新闻数据对应的第三三元组的过程中,还可以包括低维向量映射的操作,使得三元组处于更加低维的向量中,有利于快速、准确地运算。例如,可以通过如下方式,在向量关系表示模块中,确定与静态属性数据对应的第一初始三元组,与已点击新闻数据对应的第二初始三元组,以及与候选新闻数据对应的第三初始三元组。在向量关系表示模块中,依据实体关系Transh算法,分别将第一初始三元组,第二初始三元组与第三初始三元组投影到预定平面,得到第一三元组,第二三元组与第三三元组。其中,TransH算法就是要将头实体w和尾实体y向量通过p矩阵投影到预定平面得到向量wl和yl,例如,通过如下方式得到,wl=w-pT wp,yl=y-pT yp,在这个平面上存在一个表现向量r满足wl+r≈yl,由此,三元组能够映射成一个低维向量,降低运算工作量,且初始实体与关系的和能够接近于目标实体。
作为一种可选的实施例,将第一三元组,第二三元组与第三三元组输入至目标推荐模型中的距离确定模块,输出第一距离与第二距离,其中,第一距离为第一三元组中初始实体与第三三元组中初始实体之间的路径距离,第二距离为第二三元组中初始实体与第三三元组中初始实体之间的路径距离。因为确定了第一距离与第二距离,第一距离体现了目标对象属性数据与候选新闻数据之间的关系,第二距离体现了目标对象已点击新闻数据与候选新闻数据之间的关系。通过两者距离,可以体现出不同数据之间的关系,距离越近,表示偏好度越大,相似度越大,因此,通过计算距离的方式能够更加准确地进行新闻的推荐。
需要说明的是,在输入包括点击频次的情况下,由于输出了权重值,在确定第一距离与第二距离时,也可以应用权重值。例如,其中,R为权重值,n为权重总值,x、y、z为不同维度下两个初始实体之间的向量距离。由此,可以基于权重值,计算出距离,使得确定出的这一信息能够考虑到热点新闻,使得热点新闻的距离相较于普通新闻能够更近一些,能够更容易为目标对象推送符合自身偏好且热点的新闻数据。
作为一种可选的实施例,将第一距离与第二距离输入至目标推荐模型中的推荐模块,输出推荐新闻数据,并将推荐新闻数据反馈至车端,其中,推荐新闻数据为从候选新闻数据中确定出的数据,即,依据第一距离和第二距离,确定推荐新闻数据并反馈给车端,以使目标对象能够接收到推荐的新闻数据。通过计算距离的方式能够更加准确地进行新闻的推荐。
作为一种可选的实施例,将第一距离与第二距离输入至目标推荐模型中的推荐模块,输出推荐新闻数据的过程中,可以先依据第一距离与第二距离,确定候选新闻数据中任意一条新闻数据的点击概率。依据候选新闻数据中任意一条新闻数据的点击概率,输出推荐新闻数据,例如,可以输出点击概率由高到低的预定数量条新闻数据作为推荐新闻数据,通过这种方式可以推荐给目标对象最符合其偏好的新闻,提升目标对象观感。
需要说明的是,对于前述的各方法实施例,为了简单描述,故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,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。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发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例的方法。
实施例2
根据本发明实施例,还提供了一种用于实施上述新闻推荐方法的装置,图3是根据本发明实施例的新闻推荐装置的结构框图,如图3所示,该装置包括:接收模块302,向量确定模块304,距离确定模块306和推荐模块308,下面对该装置进行详细说明。
接收模块302,用于接收移动端发送的基于目标对象的新闻推荐请求,获取目标对象的静态属性数据,目标对象在第一预定历史时间段内的已点击新闻数据,以及第二预定历史时间段内的候选新闻数据;向量确定模块304,连接于上述接收模块302,用于将静态属性数据,已点击新闻数据与候选新闻数据输入至目标推荐模型中的向量关系表示模块,输出与静态属性数据对应的第一三元组,与已点击新闻数据对应的第二三元组,以及与候选新闻数据对应的第三三元组;距离确定模块306,连接于上述向量确定模块304,用于将第一三元组,第二三元组与第三三元组输入至目标推荐模型中的距离确定模块,输出第一距离与第二距离,其中,第一距离为第一三元组中初始实体与第三三元组中初始实体之间的路径距离,第二距离为第二三元组中初始实体与第三三元组中初始实体之间的路径距离;推荐模块308,连接于上述距离确定模块306,用于将第一距离与第二距离输入至目标推荐模型中的推荐模块,输出推荐新闻数据,并将推荐新闻数据反馈至移动端,其中,推荐新闻数据为从候选新闻数据中确定出的数据。
此处需要说明的是,上述接收模块302,向量确定模块304,距离确定模块306和推荐模块308对应于实施新闻推荐方法中的步骤S102至步骤S108,多个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。
实施例3
根据本发明实施例的另外一个方面,还提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器,其中,处理器被配置为执行指令,以实现上述任一项的新闻推荐方法。
实施例4
根据本发明实施例的另外一个方面,还提供了一种计算机可读存储介质,当计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述任一项的新闻推荐方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种新闻推荐方法,其特征在于,包括:
接收车端发送的基于目标对象的新闻推荐请求,获取所述目标对象的静态属性数据,所述目标对象在第一预定历史时间段内的已点击新闻数据,以及第二预定历史时间段内的候选新闻数据;
将所述静态属性数据,所述已点击新闻数据与所述候选新闻数据输入至目标推荐模型中的向量关系表示模块,输出与所述静态属性数据对应的第一三元组,与所述已点击新闻数据对应的第二三元组,以及与所述候选新闻数据对应的第三三元组;
将所述第一三元组,所述第二三元组与所述第三三元组输入至所述目标推荐模型中的距离确定模块,输出第一距离与第二距离,其中,所述第一距离为所述第一三元组中初始实体与所述第三三元组中初始实体之间的路径距离,所述第二距离为所述第二三元组中初始实体与所述第三三元组中初始实体之间的路径距离;
将所述第一距离与所述第二距离输入至所述目标推荐模型中的推荐模块,输出推荐新闻数据,并将所述推荐新闻数据反馈至所述车端,其中,所述推荐新闻数据为从所述候选新闻数据中确定出的数据。
2.根据权利要求1所述的方法,其特征在于,所述将所述静态属性数据,所述已点击新闻数据与所述候选新闻数据输入至目标推荐模型中的向量关系表示模块,输出与所述静态属性数据对应的第一三元组,与所述已点击新闻数据对应的第二三元组,以及与所述候选新闻数据对应的第三三元组,包括:
确定在预定时间内所述已点击新闻数据的第一点击频次,以及在所述预定时间内所述候选新闻数据的第二点击频次;
将所述静态属性数据,所述已点击新闻数据,所述候选新闻数据,所述第一点击频次,以及所述第二点击频次输入至所述目标推荐模型中的所述向量关系表示模块,输出所述第一三元组,所述第二三元组,所述第三三元组,所述第二三元组中初始实体的第一权重值,以及所述第三三元组中初始实体的第二权重值。
3.根据权利要求1所述的方法,其特征在于,所述将所述静态属性数据,所述已点击新闻数据与所述候选新闻数据输入至目标推荐模型中的向量关系表示模块,输出与所述静态属性数据对应的第一三元组,与所述已点击新闻数据对应的第二三元组,以及与所述候选新闻数据对应的第三三元组,包括:
在所述向量关系表示模块中,确定与所述静态属性数据对应的第一初始三元组,与所述已点击新闻数据对应的第二初始三元组,以及与所述候选新闻数据对应的第三初始三元组;
在所述向量关系表示模块中,依据实体关系Transh算法,分别将所述第一初始三元组,所述第二初始三元组与所述第三初始三元组投影到预定平面,得到所述第一三元组,所述第二三元组与所述第三三元组。
4.根据权利要求1所述的方法,其特征在于,所述将所述静态属性数据,所述已点击新闻数据与所述候选新闻数据输入至目标推荐模型中的向量关系表示模块,输出与所述静态属性数据对应的第一三元组,与所述已点击新闻数据对应的第二三元组,以及与所述候选新闻数据对应的第三三元组之前,还包括:
确定所述目标推荐模型,其中,所述目标推荐模型为依据多组样本数据训练得到的,所述样本数据包括样本对象的样本静态属性数据,所述样本对象的样本已点击新闻数据,样本候选新闻数据以及样本推荐新闻数据。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:采用以下方式对所述多组样本数据进行训练,得到所述目标推荐模型:
获取初始推荐模型,以及构造用于模型训练的损失函数,其中,所述损失函数用于保证与输入数据对应的三元组的准确性;
基于所述损失函数,采用所述多组样本数据对所述初始推荐模型进行训练,得到所述目标推荐模型。
6.根据权利要求5所述的方法,其特征在于,所述构造用于模型训练的损失函数,包括:
获取输入数据对应的三元组,其中,所述三元组包括初始实体,关系与目标实体;
确定所述初始实体与所述关系的和向量;
确定所述和向量与所述目标实体的差向量;
依据所述差向量,构建损失函数项;
基于所述损失函数项,构建所述损失函数。
7.根据权利要求1至6中任意一项所述的方法,其特征在于,将所述第一距离与所述第二距离输入至所述目标推荐模型中的推荐模块,输出推荐新闻数据,其中,所述推荐新闻数据为从所述候选新闻数据中确定出的数据,包括:
在所述推荐模块中,依据所述第一距离与所述第二距离,确定所述候选新闻数据中任意一条新闻数据的点击概率;
在所述推荐模块中,依据所述候选新闻数据中任意一条新闻数据的所述点击概率,输出所述推荐新闻数据。
8.一种新闻推荐装置,其特征在于,包括:
接收模块,用于接收移动端发送的基于目标对象的新闻推荐请求,获取所述目标对象的静态属性数据,所述目标对象在第一预定历史时间段内的已点击新闻数据,以及第二预定历史时间段内的候选新闻数据;
向量确定模块,用于将所述静态属性数据,所述已点击新闻数据与所述候选新闻数据输入至目标推荐模型中的向量关系表示模块,输出与所述静态属性数据对应的第一三元组,与所述已点击新闻数据对应的第二三元组,以及与所述候选新闻数据对应的第三三元组;
距离确定模块,用于将所述第一三元组,所述第二三元组与所述第三三元组输入至所述目标推荐模型中的距离确定模块,输出第一距离与第二距离,其中,所述第一距离为所述第一三元组中初始实体与所述第三三元组中初始实体之间的路径距离,所述第二距离为所述第二三元组中初始实体与所述第三三元组中初始实体之间的路径距离;
推荐模块,用于将所述第一距离与所述第二距离输入至所述目标推荐模型中的推荐模块,输出推荐新闻数据,并将所述推荐新闻数据反馈至所述移动端,其中,所述推荐新闻数据为从所述候选新闻数据中确定出的数据。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至7中任一项所述的新闻推荐方法。
10.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1至7中任一项所述的新闻推荐方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211071901.0A CN115391659A (zh) | 2022-09-02 | 2022-09-02 | 新闻推荐方法、装置、电子设备及计算机可读存储介质 |
PCT/CN2023/094623 WO2024045694A1 (zh) | 2022-09-02 | 2023-05-16 | 新闻推荐方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211071901.0A CN115391659A (zh) | 2022-09-02 | 2022-09-02 | 新闻推荐方法、装置、电子设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115391659A true CN115391659A (zh) | 2022-11-25 |
Family
ID=84123799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211071901.0A Pending CN115391659A (zh) | 2022-09-02 | 2022-09-02 | 新闻推荐方法、装置、电子设备及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115391659A (zh) |
WO (1) | WO2024045694A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024045694A1 (zh) * | 2022-09-02 | 2024-03-07 | 中国第一汽车股份有限公司 | 新闻推荐方法、装置、电子设备及计算机可读存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109559208B (zh) * | 2019-01-04 | 2022-05-03 | 平安科技(深圳)有限公司 | 一种信息推荐方法、服务器及计算机可读介质 |
CN111061856B (zh) * | 2019-06-06 | 2022-05-27 | 北京理工大学 | 一种基于知识感知的新闻推荐方法 |
CN112307214A (zh) * | 2019-07-26 | 2021-02-02 | 株式会社理光 | 一种基于深度强化学习的推荐方法及推荐装置 |
CN111198988B (zh) * | 2019-12-25 | 2023-05-02 | 中国平安财产保险股份有限公司 | 业务推荐方法、训练方法、装置、计算机设备和存储介质 |
CN115391659A (zh) * | 2022-09-02 | 2022-11-25 | 中国第一汽车股份有限公司 | 新闻推荐方法、装置、电子设备及计算机可读存储介质 |
-
2022
- 2022-09-02 CN CN202211071901.0A patent/CN115391659A/zh active Pending
-
2023
- 2023-05-16 WO PCT/CN2023/094623 patent/WO2024045694A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024045694A1 (zh) * | 2022-09-02 | 2024-03-07 | 中国第一汽车股份有限公司 | 新闻推荐方法、装置、电子设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2024045694A1 (zh) | 2024-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110941740B (zh) | 视频推荐方法及计算机可读存储介质 | |
EP3690768A1 (en) | User behavior prediction method and apparatus, and behavior prediction model training method and apparatus | |
CN110162693B (zh) | 一种信息推荐的方法以及服务器 | |
WO2020048084A1 (zh) | 资源推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN108710634B (zh) | 一种协议文件的推送方法及终端设备 | |
CN109242612B (zh) | 一种产品推荐的方法及设备 | |
US11605111B2 (en) | Heuristic clustering | |
US10949000B2 (en) | Sticker recommendation method and apparatus | |
CN109168047B (zh) | 视频推荐方法、装置、服务器及存储介质 | |
EP3543941A1 (en) | Time-factor fusion collaborative filtering method, device, server and storage medium | |
CN111553754A (zh) | 行为预测系统的更新方法及装置 | |
WO2015148422A1 (en) | Recommendation system with dual collaborative filter usage matrix | |
US10162868B1 (en) | Data mining system for assessing pairwise item similarity | |
CN110674391B (zh) | 基于大数据的产品数据推送方法、系统和计算机设备 | |
WO2013059904A1 (en) | Factor-graph based matching systems and methods | |
CN110766489B (zh) | 请求内容及提供内容的方法和相应设备 | |
CN111090810A (zh) | 一种应用消息的推送方法、装置及电子设备 | |
CN111078997B (zh) | 一种资讯推荐方法及装置 | |
CN115391659A (zh) | 新闻推荐方法、装置、电子设备及计算机可读存储介质 | |
CN105260458A (zh) | 一种用于显示装置的视频推荐方法及显示装置 | |
CN111738754A (zh) | 对象推荐方法及装置、存储介质、计算机设备 | |
WO2014093621A2 (en) | Proposing objects to a user to efficiently discover demographics from item ratings | |
CN109450963A (zh) | 消息推送方法及终端设备 | |
CN116028708A (zh) | 推荐模型的训练方法及装置 | |
CN108509459B (zh) | 数据处理方法和装置 |
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 |