CN116644229B - 推荐信息过度泛娱乐化预测方法、装置及服务器 - Google Patents

推荐信息过度泛娱乐化预测方法、装置及服务器 Download PDF

Info

Publication number
CN116644229B
CN116644229B CN202310545163.7A CN202310545163A CN116644229B CN 116644229 B CN116644229 B CN 116644229B CN 202310545163 A CN202310545163 A CN 202310545163A CN 116644229 B CN116644229 B CN 116644229B
Authority
CN
China
Prior art keywords
excessive
feature
entertaining
behavior data
prediction model
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
Application number
CN202310545163.7A
Other languages
English (en)
Other versions
CN116644229A (zh
Inventor
王红兵
艾政阳
李鹏霄
翟羽佳
马宏远
佟玲玲
王媛媛
项菲
段运强
段荣昌
段东圣
党中恺
赵宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Computer Network and Information Security Management Center
Original Assignee
National Computer Network and Information Security Management Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National Computer Network and Information Security Management Center filed Critical National Computer Network and Information Security Management Center
Priority to CN202310545163.7A priority Critical patent/CN116644229B/zh
Publication of CN116644229A publication Critical patent/CN116644229A/zh
Application granted granted Critical
Publication of CN116644229B publication Critical patent/CN116644229B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种推荐信息过度泛娱乐化预测方法、装置及服务器，方法应用于服务器，包括：获取用户个性化推荐场景下的待预测时刻的实时行为数据和第一历史行为数据；对待预测时刻的实时行为数据和第一历史行为数据进行特征提取，获得待输入特征；将待输入特征输入推荐信息过度泛娱乐化预测模型；获取推荐信息过度泛娱乐化预测模型的输出结果，输出结果表征用户待预测时刻是否发生推荐信息过度泛娱乐化。通过上述方式，解决了现在对过度泛娱乐化的信息推荐的预测角度的研究还存在空白的问题。

Description

推荐信息过度泛娱乐化预测方法、装置及服务器
技术领域
本申请涉及信息推荐领域，尤其涉及一种推荐信息过度泛娱乐化预测方法、装置及服务器。
背景技术
随着信息流产品影响力的增大，个性化推荐技术被越来越广泛地应用到各种平台。而随着个性化推荐技术被越来越广泛地应用到各种平台，不可避免的带来了诸多算法乱象，过度泛娱乐化就是一种算法乱象。
过度泛娱乐化是指个性化推荐的信息内容过于集中泛娱乐化的内容，如推荐给用户的内容中“娱乐”、“影视”、“综艺”、“搞笑”、“情感”、“游戏”、“音乐”、“动漫”等类别信息的占比超过50％。过度泛娱乐化的信息推荐本身就是对用户的一种不良引导，同时还会导致诸如“信息茧房”、“过度沉迷”等诸多问题。因此，需要对推荐信息过度泛娱乐化进行研究。
目前，针对过度泛娱乐化的信息推荐的研究，大部分只是从现象、机制、心理及危害角度进行阐述，在对过度泛娱乐化的信息推荐的预测角度的研究还存在空白。
发明内容
本申请提供了一种推荐信息过度泛娱乐化预测方法、装置及服务器，以解决现在对过度泛娱乐化的信息推荐的预测角度的研究还存在空白的问题。
第一方面，本申请提供了一种推荐信息过度泛娱乐化预测方法，应用于服务器，所述方法包括：
获取用户个性化推荐场景下的待预测时刻的实时行为数据和第一历史行为数据；
对所述待预测时刻的实时行为数据和第一历史行为数据进行特征提取，获得待输入特征；
将所述待输入特征输入推荐信息过度泛娱乐化预测模型；
获取推荐信息过度泛娱乐化预测模型的输出结果，所述输出结果表征用户待预测时刻是否发生推荐信息过度泛娱乐化。
可选的，生成所述推荐信息过度泛娱乐化预测模型，包括：
获取用户个性化推荐场景下的历史时刻的实时行为数据和第二历史行为数据，所述历史时刻的实时行为数据和第二历史行为数据对应于标签，所述标签表征所述历史时刻是否发生推荐信息过度泛娱乐化；
对所述历史时刻的实时行为数据和第二历史行为数据进行特征提取，获得特征组成的特征列表；
利用所述特征列表中的特征和标签作为训练集，采用随机森林算法进行模型训练，获得推荐信息过度泛娱乐化预测模型。
可选的，所述方法还包括：
基于所述推荐信息过度泛娱乐化预测模型获取特征列表中每个特征的特征重要度；
基于所述每个特征的特征重要度确定所述推荐信息过度泛娱乐化的成因。
可选的，所述获取推荐信息过度泛娱乐化预测模型的输出结果，包括：
获取推荐信息过度泛娱乐化预测模型中每一棵决策树的预测值；
将所述推荐信息过度泛娱乐化预测模型中每一棵决策树的预测值相加，作为推荐信息过度泛娱乐化预测模型的输出结果。
可选的，所述基于所述推荐信息过度泛娱乐化预测模型获取特征列表中每个特征的特征重要度，包括：
在采用随机森林算法进行模型训练达到模型训练的终止条件，得到推荐信息过度泛娱乐化预测模型的情况下，获取在所述推荐信息过度泛娱乐化预测模型中利用每个所述特征作为划分节点对样本的覆盖率；
将每个所述特征作为划分节点对样本的覆盖率作为每个所述特征的特征重要度。
可选的，所述基于每个特征的特征重要度确定所述推荐信息过度泛娱乐化的成因，包括：
基于所述每个特征的特征重要度，查找特征的特征重要度大于预设值的目标特征；
确定所述目标特征为所述推荐信息过度泛娱乐化的成因。
可选的，所述方法还包括：
在所述推荐信息过度泛娱乐化预测模型的输出结果为待预测时刻会发生推荐信息过度泛娱乐化的情况下，进行预警，以使后台管理者基于推荐信息过度泛娱乐化的成因对推荐系统进行整改。
第二方面，本申请提供了一种推荐信息过度泛娱乐化预测装置，包括：
第一数据获取单元，用于获取用户个性化推荐场景下的待预测时刻的实时行为数据和第一历史行为数据；
第一特征提取单元，用于对所述待预测时刻的实时行为数据和第一历史行为数据进行特征提取，获得待输入特征；
特征输入单元，用于将所述待输入特征输入推荐信息过度泛娱乐化预测模型；
输出结果获取单元，用于获取推荐信息过度泛娱乐化预测模型的输出结果，所述输出结果表征用户待预测时刻是否发生推荐信息过度泛娱乐化。
第三方面，本申请提供了一种服务器，包括：至少一个通信接口；与所述至少一个通信接口相连接的至少一个总线；与所述至少一个总线相连接的至少一个处理器；与所述至少一个总线相连接的至少一个存储器，其中，所述处理器通过计算机程序执行本申请上述任一项所述的推荐信息过度泛娱乐化预测的方法。
第四方面，本申请还提供了一种计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行本申请上述任一项所述推荐信息过度泛娱乐化预测的方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：本申请实施例提供的该方法，通过获取用户个性化推荐场景下的待预测时刻的实时行为数据和第一历史行为数据；对待预测时刻的实时行为数据和第一历史行为数据进行特征提取，获得待输入特征；将所述待输入特征输入推荐信息过度泛娱乐化预测模型；获取推荐信息过度泛娱乐化预测模型的输出结果，输出结果表征用户待预测时刻是否发生推荐信息过度泛娱乐化。解决现有技术中对过度泛娱乐化的信息推荐的预测角度的研究还存在空白的技术问题，实现对未来一段时间内向用户推荐的信息是否会发生过度泛娱乐化的预测。
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，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1为本申请实施例提供的一种推荐信息过度泛娱乐化预测方法的流程图；
图2为本申请实施例提供的生成推荐信息过度泛娱乐化预测模型的流程图；
图3为本申请实施例提供的获取特征的特征重要度的流程图；
图4为本申请实施例提供的一种推荐信息过度泛娱乐化预测装置的示意图；
图5为本申请实施例提供的一种服务器的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。
首先，在对本申请实施例进行描述的过程中出现的部分名词或者术语适用于如下解释：
特征工程：利用领域知识从原始数据中提取特征(特征、属性)的过程。其动机是利用这些额外的特征来提高机器学习过程的结果的质量，而不是只提供原始数据给机器学习过程。
决策树：由一个根节点、若干个内部节点和叶节点构成，其中，叶节点对应决策结果，其他节点(根节点、内部节点)对应属性判断规则，决策树本质上是一层一层地根据条件递归做判断。
个性化推荐：一种帮助人们应对“信息爆炸”、“信息过载”问题的有效工具，能够从海量信息中结合用户的历史推荐其感兴趣的内容，是目前信息流推荐产品的核心技术。个性化推荐技术可以分为基于内容的推荐、基于协同过滤的推荐和混合推荐。根据不同算法又可以将个性化推荐技术分为基于传统机器学习的推荐和基于深度学习的推荐。
随着信息流产品影响力的增大，个性化推荐技术被越来越广泛地应用到各种平台。而随着个性化推荐技术被越来越广泛地应用到各种平台，不可避免的带来了诸多算法乱象，过度泛娱乐化就是一种算法乱象。
过度泛娱乐化是指个性化推荐的信息内容过于集中泛娱乐化的内容，如推荐给用户的内容中“娱乐”、“影视”、“综艺”、“搞笑”、“情感”、“游戏”、“音乐”、“动漫”等类别信息的占比超过50％。过度泛娱乐化的信息推荐本身就是对用户的一种不良引导，同时还会导致诸如“信息茧房”、“过度沉迷”等诸多问题。因此，需要对推荐信息过度泛娱乐化进行研究。
目前，针对过度泛娱乐化的信息推荐的研究，大部分只是从现象、机制、心理及危害角度进行阐述，在对过度泛娱乐化的信息推荐的预测角度的研究还存在空白。
为了解决现有技术中对过度泛娱乐化的信息推荐的预测角度的研究还存在空白的技术问题，本申请提供了一种推荐信息过度泛娱乐化预测方法、装置及服务器，能实现对未来一段时间内向用户推荐的信息是否会发生过度泛娱乐化的预测。
图1为本申请实施例提供的一种推荐信息过度泛娱乐化预测方法的流程图。以下结合图1，对本申请实施例提供的一种推荐信息过度泛娱乐化预测方法进行描述。
如图1所示，一种推荐信息过度泛娱乐化预测方法，应用于服务器，该方法包括：
S101、获取用户个性化推荐场景下的待预测时刻的实时行为数据和第一历史行为数据；
其中，待预测时刻可以是用户访问下一个窗口的时刻，也可以是用户访问未来一周内任何一个窗口的时刻，在此不做具体限定。
以待预测时刻是用户访问下一个窗口的时刻为例，在个性化推荐场景下，获取用户访问下一个窗口的时刻的实时行为数据。需要说明的是，实时行为数据可以是访问时间数据、用户id数据等，其中，在本示例中，访问时间数据是用户访问下一个窗口的时间数据，用户id一般为固定值，不会改变。
服务器还需要获取用户访问下一个窗口的时刻之前预设时间段内的历史行为数据，也即第一历史行为数据。其中，第一历史行为数据可以包括：用户浏览内容数据、用户点击数据、用户阅读时长数据等。
需要说明的是，本申请可以将待预测时刻之前预设时间段内的历史行为数据分为6个访问窗口数据，分别为：待预测时刻之前最近一次访问窗口数据、待预测时刻之前1天内访问窗口数据、待预测时刻之前3天内访问窗口数据、待预测时刻之前7天内访问窗口数据、待预测时刻之前14天内访问窗口数据和待预测时刻之前所有历史访问窗口数据。
S102、对待预测时刻的实时行为数据和第一历史行为数据进行特征提取，获得待输入特征。
采用特征工程的方式对待预测时刻的实时行为数据和第一历史行为数据进行特征提取，获得待输入特征。该待输入特征实质上是待输入特征及对应的值，其中，待输入特征对应的值根据待预测时刻的实时行为数据和第一历史行为数据进行确定。
需要说明的是，呈现给算法的数据应该能拥有基本数据的相关结构或属性。而特征工程实质上是将数据属性转换为数据特征的过程，属性代表了数据的所有维度。在对数据建模时，如果对原始数据的所有属性进行学习，并不能很好的找到数据的潜在趋势，而通过特征工程对原始数据进行预处理，获得数据特征，对数据特征进行建模的话，算法模型能够减少受到噪声的干扰，进而能够更好的找出趋势。
特征提取是特征工程的一种方法，可以通过原始数据属性自动生成特征。
其中，待输入特征包括：依据待预测时刻的实时行为数据提取出来的特征和依据第一历史数据提取出来的特征。
其中，依据实时行为数据提取出来的特征可以是：用户id、当前访问时间戳、当前访问时间段、星期几、是否工作日、是否周末、是否节假日、距离上一次访问窗口时间等，而这些特征对应的值由待预测时刻的实时行为数据来确定。
需要说明的是，用户id为用户唯一标识；当前访问时间戳为当前访问的Unix时间戳；当前访问时间段为在将一天分为预设数量个时间段的情况下，当前访问时间所处的时间段；星期几为当前访问时间是星期几；是否工作日为当前访问时间是否处于工作日；是否周末为当前访问时间是否处于周末；是否节假日为当前访问时间是否处于节假日；距离上一次访问窗口时间为当前访问时间与上一次访问窗口时间的时间差值。
示例性地，当待预测时刻的实时行为数据为用户id数据为1，访问时间数据为2023年5月11日上午9点30分的情况下，对应提取特征对应的值为：用户id对应的数据为1，当前访问时间戳对应的值为当前访问时间的Unix时间戳，当前访问时间段为9-11点，星期几对应的值为4，是否工作日对应的值为是，是否周末对应的值为是，是否节假日对应的值为否，距离上一次访问窗口时间的值由Unix时间戳获得。
依据第一历史行为数据提取出来的特征可以是：用户总展现、用户总点击、用户总阅读时长、总窗口数、窗口平均时长、是否发生过过度泛娱乐化、发生过度泛娱乐化问题次数、发生过度泛娱乐化问题频率、用户展现类目、用户点击类目、用户阅读时长类目、过度泛娱乐化的类目、点击频率、展现频率、平均点击时间间隔、平均展现时间间隔等。可以理解的是，这些特征对应的值由待预测时刻的第一历史行为数据来确定。
由前述可知，第一历史数据包括6个访问窗口数据。可以理解的是，需要依据每一个访问窗口的数据提取上述依据第一历史数据提取出来的特征进行提取。
其中，用户总展现指的是用户的浏览记录；用户总点击指的是用户的点击记录；用户总阅读时长指的是用户的阅读时长记录；总窗口数指的是第一历史行为数据中包含的总窗口数；窗口平均时长指的是用户的阅读时长记录/总窗口数；是否发生过过度泛娱乐指的是用户的浏览记录中是否发生过过度泛娱乐；发生过度泛娱乐化问题次数指的是用户的浏览记录中发生过过度泛娱乐化问题的窗口总数；发生过度泛娱乐化问题频率指的是发生过度泛娱乐化问题次数/(最近访问时间-最早访问时间)；用户展现类目指的是用户浏览记录中展现次数排名前五的类目名称以及排名前五的类目内容是否命中过度泛娱乐类目、内容总热度以及命中过度泛娱乐类目的占比；用户点击类目指的是用户点击记录中点击次数排名前五的类目名称以及排名前五的类目内容是否命中过度泛娱乐类目、内容总热度以及命中过度泛娱乐类目的占比；用户阅读时长类目指的是用户的阅读时长记录中时长排名前五的类目名称以及排名前五的类目内容是否命中过度泛娱乐类目、内容总热度以及命中过度泛娱乐类目的占比；过度泛娱乐的类目指的是用户浏览记录中浏览次数排名前五的且属于泛娱乐概念的类目名称以及排名前五的类目内容命中过度泛娱乐类目的占比；点击频率指的是用户总点击数/(最近访问时间-最早访问时间)；展现频率指的是用户总浏览类目数/(最近访问时间-最早访问时间)；平均点击时间间隔指的是(最近访问时间-最早访问时间)/用户总点击数；平均展现时间间隔指的是(最近访问时间-最早访问时间)/用户总浏览类目数。
S103、将待输入特征输入推荐信息过度泛娱乐化预测模型。
在获得待输入的特征之后，将待输入特征输入到训练好的推荐信息过度泛娱乐化预测模型中，其实是将输入特征及对应的值输入到训练好的推荐信息过度泛娱乐化预测模型中，进而对待预测时刻是否发生推荐信息过度泛娱乐化进行预测。
S104、获取推荐信息过度泛娱乐化预测模型的输出结果。
其中，该输出结果可以表征用户待预测时刻是否发生推荐信息过度泛娱乐化。推荐信息过度泛娱乐化预测模型基于输入的待输入特征及对应的值对待预测时刻是否发生推荐信息过度泛娱乐化进行预测，获得输出结果。
本申请实施例提供一种推荐信息过度泛娱乐化预测方法，通过获取用户个性化推荐场景下的待预测时刻的实时行为数据和第一历史行为数据；对待预测时刻的实时行为数据和第一历史行为数据进行特征提取，获得待输入特征；将待输入特征输入推荐信息过度泛娱乐化预测模型；获取推荐信息过度泛娱乐化预测模型的输出结果，输出结果表征用户待预测时刻是否发生推荐信息过度泛娱乐化。解决了现在对过度泛娱乐化的信息推荐的预测角度的研究还存在空白的问题，实现了对待预测时刻是否发生推荐信息过度泛娱乐化进行预测，使得后台管理者可以基于预测结果对推荐系统进行整改，使得其减少过度泛娱乐化的推荐信息，提高用户的体验。
作为一个可选地实施例，图2示出生成推荐信息过度泛娱乐化模型的流程图，以下结合图2对生成推荐信息过度泛娱乐化预测模型的过程进行描述。
生成推荐信息过度泛娱乐化预测模型，如图2所示，包括：
S201、获取用户个性化推荐场景下的历史时刻的实时行为数据和第二历史行为数据，历史时刻的实时行为数据和第二历史行为数据对应于标签，标签表征历史时刻是否发生推荐信息过度泛娱乐化。
其中，历史时刻的实时行为数据可以包括待预测时刻之前的所有历史时刻的实时行为数据。第二历史行为数据可以包括历史时刻之前预设时间段内的历史行为数据。
可以理解的是，第二历史行为数据也分为6个访问窗口数据，分别是：历史时刻之前最近一次访问窗口数据、历史时刻之前1天内访问窗口数据、历史时刻之前3天内访问窗口数据、历史时刻之前7天内访问窗口数据、历史时刻之前14天内访问窗口数据和历史时刻之前所有历史访问窗口数据。
历史时刻的实时行为数据和历史时刻之前预设时间段内的历史行为数据对应于标签，标签表征历史时刻是否发生推荐信息过度泛娱乐化，示例性地，标签值为0，表征历史时刻未发生推荐信息过度泛娱乐化；标签值为1，表征历史时刻发生推荐信息过度泛娱乐化。
S202、对历史时刻的实时行为数据和第二历史行为数据进行特征提取，获得特征组成的特征列表。
可以理解的是，对历史时刻的实时行为数据和第二历史行为数据进行特征提取的过程与上述对待预测时刻的实时行为数据和第一历史行为数据进行特征提取的过程大致相似，在此不在赘述。
不同的是，依据历史时刻的实时行为数据提取出来的特征对应的值由历史时刻的实时行为数据进行确定。
依据第二历史行为数据提取出来的特征对应的值由第二历史行为数据进行确定。
该特征提取过程会获得历史时刻的实时行为数据和第二历史行为数据对应的标签。
需要说明的是，在对历史时刻的实时行为数据和第二历史行为数据进行特征提取后，对获得的特征进行汇总和设计，将与“过度泛娱乐化”问题相关的特征形成一个数百维的特征列表。
可以理解的是，上述对待预测时刻的实时行为数据和第一历史行为数据进行特征提取，获得的特征也形成了一个数百维的特征列表，只是特征列表中特征对应的数值不同。
S203、利用特征列表中的特征和标签作为训练集，采用随机森林算法进行模型训练，获得推荐信息过度泛娱乐化的预测模型。
其中，XGBoost是随机森林算法的一种，在本实施例中，利用XGBoost算法进行模型训练。
需要说明的是，XGBoost通过不断地添加树，不断地进行特征分裂来生长一棵树，每次添加一个树，其实是学习一个新函数，去拟合上次预测的残差。
将历史时刻的特征列表中的特征和标签作为训练集，采用XGBoost算法进行模型的训练，可以理解的是，当对模型的训练达到终止条件的情况下，获得最终的推荐信息过度泛娱乐化的预测模型。
其中，终止条件可以是该模型输出的预测值与真实值的偏差在预设范围内。
进一步需要说明的是，获取到的实时行为数据和历史行为数据都是session粒度的数据，即窗口粒度的数据。因此，利用session粒度的训练集生成的预测模型，可以用来预测用户下一个session是否会发生推荐信息过度泛娱乐化。
当然，依据session粒度向上扩展，该预测模型还可以用来预测用户未来一段时间内是否发生推荐信息过度泛娱乐化。示例性地，通过对用户未来三天内多个session进行预测，获得预测结果，可以扩展至预测用户未来三天内是否会发生推荐信息过度泛娱乐化；又一示例性地，通过对用户未来七天内多个session进行预测，获得预测结果，可以扩展至预测用户未来七天内是否会发生推荐信息过度泛娱乐化。
进一步地，使用该预测模型可以对平台的不同用户进行未来一段时间内是否发生推荐信息过度泛娱乐化进行预测。那么，该预测模型可以对平台预设数量个用户在未来一段时间内是否会发生推荐信息过度泛娱乐化进行预测，则该预测模型可以扩展至预测该平台未来一段时间内是否会发生推荐信息过度泛娱乐化。示例性地，当该预测模型预测到平台预设数量个用户在未来一段时间内会发生推荐信息过度泛娱乐化的情况下，则认为预测到该平台未来一段时间内会发生推荐信息过度泛娱乐化。
其中，预设数量个用户可以是平台一半以上的用户。
在对用户待预测时刻是否发生推荐信息过度泛娱乐化进行预测之后，后台管理者可以基于预测结果对推荐系统进行整改。可以理解的是，在预测结果为用户待预测时刻会发生推荐信息过度泛娱乐化的情况下，后台管理者一般会根据自身经验对推荐系统进行整改，使其减少过度泛娱乐化的信息的推荐。然而，如果仅凭借自身经验对推荐系统进行整改，整改的效果不好。
为解决上述整改的效果不好的问题，本申请一个可选的实施例，通过获取特征的特征重要度，并根据特征的特征重要度确定推荐信息过度泛娱乐化的成因，进而根据该成因进行分析，获得成因分析结果。根据成因分析结果针对性地对推荐系统进行整改，使得整改的效果显著。
图3示出获取特征的特征重要度的流程图，以下结合图3对获取特征的特征重要度的过程进行描述。
如图3所示，该方法还包括：
S301、基于推荐信息过度泛娱乐化预测模型获取特征列表中每个特征的特征重要度。
其中，在获得最终的推荐信息过度泛娱乐化预测模型之后，可以从该预测模型中获取到特征列表中每个特征的特征重要度。
可选的，在采用随机森林算法XGBoost进行模型训练达到模型训练的终止条件，得到推荐信息过度泛娱乐化预测模型的情况下，获取在推荐信息过度泛娱乐化预测模型中利用每个特征作为划分节点对样本的覆盖率；
可以理解的是，覆盖率指的是该特征作为分裂节点存在时，覆盖的样本数量的平均值，也即该特征下的叶子节点涵盖的样本数除以该特征用来分裂次数。
需要说明的是，XGBoost算法中利用内置的特征重要性计算方式中的cover来实现每个特征的覆盖率的计算。
将每个特征作为划分节点对样本的覆盖率作为每个特征的特征重要度。
可以理解的是，利用该特征进行分割的覆盖率越高，说明该特征的特征重要度越高。
S302、基于每个特征的特征重要度确定推荐信息过度泛娱乐化的成因。
在利用cover得到每个特征的特征重要度的情况下，根据每个特征的特征重要度的数值来确定推荐信息过度泛娱乐化的成因。
可选地，基于每个特征的特征重要度，查找特征的特征重要度大于预设值的目标特征；
其中，预设值为0，可以理解的是，特征列表中的某些特征可能不会作为分裂节点存在，那么则认为这些不会作为分裂节点存在的特征的特征重要度为0。
特征的特征重要度为0，即代表该特征与推荐信息过度泛娱乐化无关；特征的特征重要度大于0，即代表该特征与推荐信息过度泛娱乐化有关，则在特征列表中查找到该特征，并将该特征作为目标特征，可以理解的是，目标特征可以认为是推荐信息过度泛娱乐化的成因。
而根据特征的特征重要度的数值高低，还可以获知目标特征与推荐信息过度泛娱乐化相关性大小。其中，特征的特征重要度越高，说明，该特征与推荐信息过度泛娱乐化的相关性就越大。
S303、将推荐信息过度泛娱乐化的成因反馈给后台管理员，以使得后台管理员基于推荐信息过度泛娱乐化的成因进行分析，根据分析结果对推荐系统进行指导。
后台管理员接收到推荐信息过度泛娱乐化的成因，并对推荐信息过度泛娱乐化的成因进行分析，获得分析结果，根据该分析结果对推荐系统进行指导。
可以理解的是，在推荐信息过度泛娱乐化的成因中包含有与推荐系统相关的原因的情况下，后台管理员对该原因进行分析，并根据分析结果对推荐系统进行指导。示例性地，推荐信息过度泛娱乐化的成因中包括：用户展现类目，即用户浏览记录中展现次数排名前五的类目名称以及排名前五的类目内容是否命中过度泛娱乐类目、内容总热度以及命中过度泛娱乐类目的占比。说明推荐信息过度泛娱乐化的成因中包含有与推荐系统相关的原因，则后台管理员对该用户展现类目进行分析，获知用户展现类目中过度泛娱乐类目的占比过高是推荐信息过度泛娱乐化的主要原因，进而后台管理员根据该分析结果对推荐系统进行整改，使其减少推荐过度泛娱乐化的信息。
由于过度泛娱乐化的信息推荐本身就是对用户的一种不良引导，还会导致诸如“信息茧房”、“过度沉迷”等诸多问题，因此，在得到推荐信息过度泛娱乐化的成因的情况下，后台管理者就可以对推荐信息过度泛娱乐化的成因进行分析，根据分析结果对推荐系统进行一次优化，使其减少推荐过度泛娱乐化的信息。
当然，在预测模型预测到用户未来一段时间内会发生推荐信息过度泛娱乐化的情况下，后台管理者可以对推荐信息过度泛娱乐化的成因进行分析，并根据分析结果对推荐系统再次进行优化，使其继续减少推荐过度泛娱乐化的信息，优化推荐系统推荐效果，提升用户的使用体验。
本申请实施例根据成因分析结果针对性地对推荐系统进行整改，使得整改的效果显著，提升了用户的体验。
作为一种可选的实施例，获取推荐信息过度泛娱乐化预测模型的输出结果，包括：
获取推荐信息过度泛娱乐化预测模型中每一棵决策树的预测值；
将推荐信息过度泛娱乐化预测模型中每一棵决策树的预测值相加，作为推荐信息过度泛娱乐化预测模型的输出结果。
在本实施例中，待输入特征在推荐信息过度泛娱乐化预测模型每一棵决策树中会落到对应的一个叶子节点，每个叶子节点对应一个预测值，将待输入特征落到的每一个叶子节点对应的预测值相加，即可获得最终的预测值，该预测值为待预测时刻是否会发生推荐信息过度泛娱乐化的概率。当该预测值大于预设值的情况下，认为待预测时刻会发生推荐信息过度泛娱乐化，当预设值小于等于预设值的情况下，认为待预测时刻不会发生推荐信息过度泛娱乐化。示例性地，本实施例中的预设值为0.5。
作为一种可选的实施例，该方法还包括：在推荐信息过度泛娱乐化预测模型的输出结果为待预测时刻会发生推荐信息过度泛娱乐化的情况下，进行预警，以使后台管理者基于推荐信息过度泛娱乐化的成因对推荐系统进行整改。
本实施例通过特征的特征重要度确定推荐信息过度泛娱乐化的成因，进而可以深入分析推荐信息过度泛娱乐化的成因，对推荐系统优化进行指导，达到降低推荐信息过度泛娱乐化，打破信息茧房，改善推荐系统生态的效果。
根据本申请的另一实施例，提供了一种推荐信息过度泛娱乐化预测装置，如图4所示，该装置包括：
第一数据获取单元401，用于获取用户个性化推荐场景下的待预测时刻的实时行为数据和第一历史行为数据；
第一特征提取单元402，用于对待预测时刻的实时行为数据和第一历史行为数据进行特征提取，获得待输入特征；
特征输入单元403，用于将待输入特征输入推荐信息过度泛娱乐化预测模型；
输出结果获取单元404，用于获取推荐信息过度泛娱乐化预测模型的输出结果，输出结果表征用户待预测时刻是否发生推荐信息过度泛娱乐化。
需要说明的是，该实施例中的第一数据获取单元401可以用于执行本申请实施例中的步骤S101，该实施例中的第一特征提取单元402可以用于执行本申请实施例中的步骤S102，该实施例中的特征输入单元403可以用于执行本申请实施例中的步骤S103，该实施例中的输出结果获取单元404可以用于执行本申请实施例中的步骤S104。
此处需要说明的是，上述单元与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述单元作为装置的一部分可以通过软件实现，也可以通过硬件实现。
通过上述模块，可以解决了现在对过度泛娱乐化的信息推荐的预测角度的研究还存在空白的问题，进而实现对未来一段时间内向用户推荐的信息是否会发生过度泛娱乐化的预测的技术效果。
作为一种可选的实施例，所述装置还包括：推荐信息过度泛娱乐化预测模型生成单元，用于生成推荐信息过度泛娱乐化预测模型。
其中，所述推荐信息过度泛娱乐化预测模型生成单元，包括：
第二数据获取单元，用于获取用户个性化推荐场景下的历史时刻的实时行为数据和第二历史行为数据，历史时刻的实时行为数据和第二历史行为数据对应于标签，标签表征历史时刻是否发生推荐信息过度泛娱乐化；
特征列表获取单元，用于对历史时刻的实时行为数据和第二历史行为数据进行特征提取，获得特征组成的特征列表；
模型训练单元，用于利用特征列表中的特征和标签作为训练集，采用随机森林算法进行模型训练，获得推荐信息过度泛娱乐化的预测模型。
作为一种可选地实施例，该装置还包括：
特征重要度获取单元，用于基于推荐信息过度泛娱乐化的预测模型获取特征列表中每个特征的特征重要度；
成因确定单元，用于基于每个特征的特征重要度确定推荐信息过度泛娱乐化的成因。
作为一种可选地实施例，输出结果获取单元包括：
输出结果获取子单元，用于获取推荐信息过度泛娱乐化预测模型中每一棵决策树的预测值；
将推荐信息过度泛娱乐化预测模型中每一棵决策树的预测值相加，作为推荐信息过度泛娱乐化预测模型的输出结果。
作为一种可选地实施例，特征重要度获取单元，包括：
特征重要度获取子单元，用于在采用随机森林算法进行模型训练达到模型训练的终止条件，得到推荐信息过度泛娱乐化的预测模型的情况下，获取在推荐信息过度泛娱乐化的预测模型中利用每个所述特征作为划分节点对样本的覆盖率；
将每个特征作为划分节点对样本的覆盖率作为每个特征的特征重要度。
作为一种可选地实施例，成因确定单元，包括：
成因确定子单元，用于基于每个特征的特征重要度，查找特征的特征重要度大于预设值的目标特征；
确定所述目标特征为推荐信息过度泛娱乐化的成因。
作为一种可选地实施例，该装置还包括：
预警单元，用于在推荐信息过度泛娱乐化预测模型的输出结果为待预测时刻会发生推荐信息过度泛娱乐化的情况下，进行预警，以使后台管理者基于推荐信息过度泛娱乐化的成因对推荐系统进行整改。
此处需要说明的是，上述单元与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述单元作为装置的一部分可以通过软件实现，也可以通过硬件实现。
根据本申请实施例的另一个方面，还提供了一种用于实施上述推荐信息过度泛娱乐化预测方法的服务器。
图5是根据本申请实施例的一种服务器的结构框图，如图5所示，该服务器可以包括一个或多个(图5中仅示出一个)处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信，
存储器503，用于存放计算机程序；
处理器501，用于执行存储器503上所存放的程序时，实现上述方法实施例的步骤。
上述服务器提到的总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口502用于上述电子设备与其他设备之间的通信。
存储器503可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器501可以是通用处理器，包括中央处理器(Central ProcessingUnit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本领域普通技术人员可以理解，图5所示的结构仅为示意，并不对上述服务器的结构造成限定。例如，服务器还可包括比图5中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图5所示不同的配置。
本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述任意一个方法实施例的方法步骤。
可选地，在本实施例中，上述存储介质可以包括但不限于：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。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
以上所描述的装置实施例仅仅是示意性的，其中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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
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各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行，除非明确指出执行顺序。还应当理解，可以使用另外或者替代的步骤。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种推荐信息过度泛娱乐化预测方法，其特征在于，应用于服务器，所述方法包括：
获取用户个性化推荐场景下的待预测时刻的实时行为数据和第一历史行为数据；
对所述待预测时刻的实时行为数据和第一历史行为数据进行特征提取，获得待输入特征；
将所述待输入特征输入推荐信息过度泛娱乐化预测模型，其中，所述推荐信息过度泛娱乐化预测模型通过以下方式生成：获取用户个性化推荐场景下的历史时刻的实时行为数据和第二历史行为数据，所述历史时刻的实时行为数据和第二历史行为数据对应于标签，所述标签表征所述历史时刻是否发生推荐信息过度泛娱乐化；对所述历史时刻的实时行为数据和第二历史行为数据进行特征提取，获得特征组成的特征列表；利用所述特征列表中的特征和标签作为训练集，采用随机森林算法进行模型训练，获得推荐信息过度泛娱乐化预测模型；
获取推荐信息过度泛娱乐化预测模型的输出结果，所述输出结果表征用户待预测时刻是否发生推荐信息过度泛娱乐化。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述推荐信息过度泛娱乐化预测模型获取特征列表中每个特征的特征重要度；
基于所述每个特征的特征重要度确定所述推荐信息过度泛娱乐化的成因。
3.根据权利要求1所述的方法，其特征在于，所述获取推荐信息过度泛娱乐化预测模型的输出结果，包括：
获取推荐信息过度泛娱乐化预测模型中每一棵决策树的预测值；
将所述推荐信息过度泛娱乐化预测模型中每一棵决策树的预测值相加，作为推荐信息过度泛娱乐化预测模型的输出结果。
4.根据权利要求2所述的方法，其特征在于，所述基于所述推荐信息过度泛娱乐化预测模型获取特征列表中每个特征的特征重要度，包括：
在采用随机森林算法进行模型训练达到模型训练的终止条件，得到推荐信息过度泛娱乐化预测模型的情况下，获取在所述推荐信息过度泛娱乐化预测模型中利用每个所述特征作为划分节点对样本的覆盖率；
将每个所述特征作为划分节点对样本的覆盖率作为每个所述特征的特征重要度。
5.根据权利要求2所述的方法，其特征在于，所述基于所述每个特征的特征重要度确定所述推荐信息过度泛娱乐化的成因，包括：
基于所述每个特征的特征重要度，查找特征的特征重要度大于预设值的目标特征；
确定所述目标特征为所述推荐信息过度泛娱乐化的成因。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在所述推荐信息过度泛娱乐化预测模型的输出结果为待预测时刻会发生推荐信息过度泛娱乐化的情况下，进行预警，以使后台管理者基于推荐信息过度泛娱乐化的成因对推荐系统进行整改。
7.一种推荐信息过度泛娱乐化预测装置，其特征在于，包括：
第一数据获取单元，用于获取用户个性化推荐场景下的待预测时刻的实时行为数据和第一历史行为数据；
第一特征提取单元，用于对所述待预测时刻的实时行为数据和第一历史行为数据进行特征提取，获得待输入特征；
特征输入单元，用于将所述待输入特征输入推荐信息过度泛娱乐化预测模型，其中，所述推荐信息过度泛娱乐化预测模型通过以下方式生成：获取用户个性化推荐场景下的历史时刻的实时行为数据和第二历史行为数据，所述历史时刻的实时行为数据和第二历史行为数据对应于标签，所述标签表征所述历史时刻是否发生推荐信息过度泛娱乐化；对所述历史时刻的实时行为数据和第二历史行为数据进行特征提取，获得特征组成的特征列表；利用所述特征列表中的特征和标签作为训练集，采用随机森林算法进行模型训练，获得推荐信息过度泛娱乐化预测模型；
输出结果获取单元，用于获取推荐信息过度泛娱乐化预测模型的输出结果，所述输出结果表征用户待预测时刻是否发生推荐信息过度泛娱乐化。
8.一种服务器，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器通过所述计算机程序执行上述权利要求1至6任一项所述的推荐信息过度泛娱乐化预测方法的步骤。
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的推荐信息过度泛娱乐化预测方法的步骤。
CN202310545163.7A 2023-05-15 2023-05-15 推荐信息过度泛娱乐化预测方法、装置及服务器 Active CN116644229B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310545163.7A CN116644229B (zh) 2023-05-15 2023-05-15 推荐信息过度泛娱乐化预测方法、装置及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310545163.7A CN116644229B (zh) 2023-05-15 2023-05-15 推荐信息过度泛娱乐化预测方法、装置及服务器

Publications (2)

Publication Number Publication Date
CN116644229A CN116644229A (zh) 2023-08-25
CN116644229B true CN116644229B (zh) 2024-01-26

Family

ID=87614617

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310545163.7A Active CN116644229B (zh) 2023-05-15 2023-05-15 推荐信息过度泛娱乐化预测方法、装置及服务器

Country Status (1)

Country Link
CN (1) CN116644229B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111177564A (zh) * 2019-12-31 2020-05-19 北京顺丰同城科技有限公司 一种产品推荐方法及装置
CN112435064A (zh) * 2020-11-27 2021-03-02 北京沃东天骏信息技术有限公司 推荐信息的评估方法、装置、设备及计算机可读存储介质
CN115271866A (zh) * 2022-07-26 2022-11-01 联想(北京)有限公司 一种产品推荐方法、装置、电子设备及可读存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111177575B (zh) * 2020-04-07 2020-07-24 腾讯科技（深圳）有限公司 一种内容推荐方法、装置、电子设备和存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111177564A (zh) * 2019-12-31 2020-05-19 北京顺丰同城科技有限公司 一种产品推荐方法及装置
CN112435064A (zh) * 2020-11-27 2021-03-02 北京沃东天骏信息技术有限公司 推荐信息的评估方法、装置、设备及计算机可读存储介质
CN115271866A (zh) * 2022-07-26 2022-11-01 联想(北京)有限公司 一种产品推荐方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN116644229A (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
US11294891B2 (en) Interactive search experience using machine learning
US20150095267A1 (en) Techniques to dynamically generate real time frequently asked questions from forum data
US9355095B2 (en) Click noise characterization model
CN110096617B (zh) 视频分类方法、装置、电子设备及计算机可读存储介质
JP2011248831A (ja) 情報処理装置および方法、並びに、プログラム
CN110209931B (zh) 媒体内容的推送方法和装置、存储介质、电子装置
US20180300336A1 (en) Knowledge point structure-based search apparatus
CN110765348A (zh) 一种热词的推荐方法、装置、电子设备及存储介质
CN116629937A (zh) 营销策略推荐方法及装置
CN111523035A (zh) App浏览内容的推荐方法、装置、服务器和介质
CN110825974B (zh) 推荐系统内容排序方法及装置
CN112508638A (zh) 数据处理的方法、装置及计算机设备
CN110263973B (zh) 预测用户行为的方法及装置
CN113360300B (zh) 接口调用链路生成方法、装置、设备及可读存储介质
CN116701791B (zh) 基于人工智能的课程推荐方法及系统
CN116644229B (zh) 推荐信息过度泛娱乐化预测方法、装置及服务器
US11206236B2 (en) Systems and methods to prioritize chat rooms using machine learning
CN116956183A (zh) 多媒体资源推荐方法、模型训练方法、装置及存储介质
CN114580533A (zh) 特征提取模型的训练方法、装置、设备、介质及程序产品
CN114677168A (zh) 一种资源推荐方法、装置、设备及介质
CN113010795A (zh) 用户动态画像生成方法、系统、存储介质及电子设备
CN117786416B (zh) 一种模型训练方法、装置、设备、存储介质及产品
CN117786234B (zh) 一种基于两阶段对比学习的多模态资源推荐方法
CN113254501B (zh) 一种通过将连续特征离散化预测程序tad的控制方法及装置
CN110717011B (zh) 会话消息处理方法和装置

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
CB03 Change of inventor or designer information

Inventor after: Wang Hongbing

Inventor after: Duan Rongchang

Inventor after: Duan Dongsheng

Inventor after: Dang Zhongkai

Inventor after: Zhao Ning

Inventor after: Ai Zhengyang

Inventor after: Li Pengxiao

Inventor after: Zhai Yujia

Inventor after: Ma Hongyuan

Inventor after: Tong Lingling

Inventor after: Wang Yuanyuan

Inventor after: Xiang Fei

Inventor after: Duan Yunqiang

Inventor before: Ai Zhengyang

Inventor before: Duan Rongchang

Inventor before: Duan Dongsheng

Inventor before: Dang Zhongkai

Inventor before: Zhao Ning

Inventor before: Li Pengxiao

Inventor before: Zhai Yujia

Inventor before: Ma Hongyuan

Inventor before: Tong Lingling

Inventor before: Wang Hongbing

Inventor before: Wang Yuanyuan

Inventor before: Xiang Fei

Inventor before: Duan Yunqiang

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant