CN116737917B - 文本推荐信息生成方法、电子设备和计算机可读介质 - Google Patents
文本推荐信息生成方法、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN116737917B CN116737917B CN202310994979.8A CN202310994979A CN116737917B CN 116737917 B CN116737917 B CN 116737917B CN 202310994979 A CN202310994979 A CN 202310994979A CN 116737917 B CN116737917 B CN 116737917B
- Authority
- CN
- China
- Prior art keywords
- information
- initial
- information weight
- weight
- target
- 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 37
- 239000013598 vector Substances 0.000 claims abstract description 162
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 44
- 230000004044 response Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 abstract description 19
- 230000006870 function Effects 0.000 description 20
- 230000008569 process Effects 0.000 description 8
- 239000002699 waste material Substances 0.000 description 8
- 239000004973 liquid crystal related substance Substances 0.000 description 7
- 230000015654 memory Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
- G06F16/337—Profile generation, learning or modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/338—Presentation of query results
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开的实施例公开了文本推荐信息生成方法、电子设备和计算机可读介质。该方法的一具体实施方式包括:第一节点终端将第一用户基本信息输入至预先训练的第一信息权重生成模型中,得到第一信息权重向量集;第二节点终端将第二用户基本信息输入至预先训练的第二信息权重生成模型中,得到第二信息权重集;第二节点终端对第一信息权重向量集和第二信息权重集进行加权求和处理,以生成目标信息权重向量;第二节点终端对目标信息权重向量对应的非排序文本集进行排序处理,以生成推荐信息序列;目标用户终端将点击信息发送至第二节点终端;第二节点终端将点击信息对应的信息发送至目标用户终端。该实施方式可以减少浪费通信资源。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及文本推荐信息生成方法、电子设备和计算机可读介质。
背景技术
向用户终端发送推荐信息序列,可以使得用户能够通过用户终端查看到想要查看的信息,可以提高用户终端的使用率。目前,生成推荐信息序列,通常采用的方式为:将历史的信息直接作为当前的推荐信息序列,或者根据信息被用户点击的概率等单一维度生成推荐信息序列,或者通过静态融合的方式对不同指标的赋予预先设定的权重以进行加权求和处理生成推荐信息序列。
然而,采用上述方式通常存在以下技术问题:
第一,将历史的信息直接作为当前的推荐信息序列,容易导致推荐信息序列的准确度较低,向用户终端发送的推荐信息序列的准确度较低,与用户终端进行通信时会将冗余信息发送至用户终端,导致浪费了通信资源;
第二,生成的推荐信息序列只考虑点击概率,未考虑到评论概率、转发概率等指标,生成的推荐信息序列的准确度较低,与用户终端进行通信时会将冗余信息发送至用户终端,导致浪费了通信资源;
第三,由于静态融合赋予的权重是预先设定的权重,未考虑到用户对不同时间段的信息的存在不同的关注度,导致向用户终端发送的通过预先设定的权重生成的推荐信息序列的准确度较低,导致用户终端会存储冗余信息,从而导致浪费了用户终端的存储资源。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了文本推荐信息生成方法、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种文本推荐信息生成方法,该方法包括:第一节点终端获取目标用户终端的第一用户基本信息;第二节点终端获取上述目标用户终端的第二用户基本信息;上述第一节点终端将上述第一用户基本信息输入至预先训练的第一信息权重生成模型中,得到第一信息权重向量集,以及将上述第一信息权重向量集发送至上述第二节点终端;上述第二节点终端将上述第二用户基本信息输入至预先训练的第二信息权重生成模型中,得到第二信息权重集;上述第二节点终端响应于接收到上述第一节点终端发送的第一信息权重向量集,对上述第一信息权重向量集和上述第二信息权重集进行加权求和处理,以生成目标信息权重向量;上述第二节点终端对上述目标信息权重向量对应的非排序文本集进行排序处理,以生成推荐信息序列,以及将上述推荐信息序列发送至上述目标用户终端;上述目标用户终端响应于接收到上述第二节点终端发送的推荐信息序列,将上述推荐信息序列存储至数据库中,以及将点击信息发送至上述第二节点终端;上述第二节点终端响应于接收到上述目标用户终端发送的点击信息,将上述点击信息对应的信息发送至上述目标用户终端。
第二方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第三方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的文本推荐信息生成方法,可以减少浪费通信资源。具体来说,导致浪费了通信资源的原因在于:将历史的信息直接作为当前的推荐信息序列,容易导致推荐信息序列的准确度较低,向用户终端发送的推荐信息序列的准确度较低,与用户终端进行通信时会将冗余信息发送至用户终端。基于此,本公开的一些实施例的文本推荐信息生成方法,首先,第一节点终端获取目标用户终端的第一用户基本信息。其次,第二节点终端获取上述目标用户终端的第二用户基本信息。接着,上述第一节点终端将上述第一用户基本信息输入至预先训练的第一信息权重生成模型中,得到第一信息权重向量集,以及将上述第一信息权重向量集发送至上述第二节点终端。由此,可以通过预先训练的第一信息权重生成模型,得到考虑了不同指标信息的较为准确的第一信息权重向量集,以便后续生成目标信息权重向量。紧接着,上述第二节点终端将上述第二用户基本信息输入至预先训练的第二信息权重生成模型中,得到第二信息权重集。由此,可以通过预先训练的第二信息权重生成模型,得到较为准确的对应第一信息权重向量集的权重的第二信息权重集,以便后续生成目标信息权重向量。然后,上述第二节点终端响应于接收到上述第一节点终端发送的第一信息权重向量集,对上述第一信息权重向量集和上述第二信息权重集进行加权求和处理,以生成目标信息权重向量。由此,考虑到第二信息权重集,可以得到较为准确的目标信息权重向量,以便后续生成推荐信息序列。再然后,上述第二节点终端对上述目标信息权重向量对应的非排序文本集进行排序处理,以生成推荐信息序列,以及将上述推荐信息序列发送至上述目标用户终端。由此,可以根据较为准确的目标信息权重向量,得到较为准确的推荐信息序列,可以减少将冗余信息发送至目标用户终端。之后,上述目标用户终端响应于接收到上述第二节点终端发送的推荐信息序列,将上述推荐信息序列存储至数据库中,以及将点击信息发送至上述第二节点终端。由此,目标用户终端接收到推荐信息序列后,目标用户可以存储推荐信息序列以及可以通过点击想要查看的推荐信息来通过目标用户终端查看推荐信息。最后,上述第二节点终端响应于接收到上述目标用户终端发送的点击信息,将上述点击信息对应的信息发送至上述目标用户终端。由此,可以将目标用户想要查看的推荐信息对应的完成信息发送至目标用户终端以供目标用户进行查看。从而,可以提高向用户终端发送的推荐信息序列的准确度,与目标用户终端进行通信时向目标用户终端发送的冗余信息较少。进而,可以减少浪费通信资源。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是根据本公开的文本推荐信息生成方法的一些实施例的流程图;
图2是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
参考图1,示出了根据本公开的文本推荐信息生成方法的一些实施例的流程100。该文本推荐信息生成方法,包括以下步骤:
步骤101,第一节点终端获取目标用户终端的第一用户基本信息。
在一些实施例中,第一节点终端可以通过有线连接或无线连接的方式从终端设备中获取目标用户终端的第一用户基本信息。其中,第一节点终端可以是用于处理第一用户基本信息的进程。目标用户终端可以是用于显示推荐信息的终端。第一用户基本信息可以包括但不限于以下至少一项:目标用户基本信息、非排序文本集。目标用户基本信息可以包括但不限于以下至少一项:目标用户标识、目标用户名、目标用户性别、目标用户出生日期、目标用户地址。目标用户标识可以唯一确定一个目标用户。目标用户可以是通过上述目标用户终端查看推荐信息的用户。目标用户地址可以表征目标用户当前在地图坐标系中的位置。非排序文本集中的非排序文本可以表征需要向目标用户终端发送的信息。非排序文本集可以表征当前时间需要向目标用户终端发送的各个信息。例如,非排序文本集中的非排序文本可以包括但不限于以下至少一项:信息标识、信息标题、信息用户名。信息标识可以唯一确定一个非排序文本。信息标题可以是非排序文本的标题。信息用户名可以撰写非排序文本的用户的用户名。
步骤102,第二节点终端获取目标用户终端的第二用户基本信息。
在一些实施例中,第二节点终端可以通过有线连接或无线连接的方式从终端设备中获取上述目标用户终端的第二用户基本信息。其中,第二节点终端可以是用于生成对应上述非排序文本集中非排序文本的权重以对非排序文本集进行排序的进程。第二用户基本信息可以包括但不限于:历史排序文本集。历史排序文本集中的历史排序文本可以是在第一预设时间段内向目标用户终端发送的信息。历史排序文本集中的历史排序文本可以包括但不限于:历史排序权重。历史排序权重可以表征目标用户终端对历史排序文本的关注程度。例如,第一预设时间段可以是从当前时间的前一周到当前时间的时间段。
步骤103,第一节点终端将第一用户基本信息输入至预先训练的第一信息权重生成模型中,得到第一信息权重向量集,以及将第一信息权重向量集发送至第二节点终端。
在一些实施例中,上述第一节点终端可以将上述第一用户基本信息输入至预先训练的第一信息权重生成模型中,得到第一信息权重向量集,以及可以将上述第一信息权重向量集发送至上述第二节点终端。其中,上述第一信息权重生成模型可以是以第一用户基本信息为输入,以第一信息权重向量集为输出的神经网络模型。上述第一信息权重向量集中的第一信息权重向量可以表征通过第一信息权重生成模型生成的对应非排序文本集的权重。第一信息权重向量集中的第一信息权重向量可以对应指标集中的指标。指标集中的指标可以是但不限于:点击概率、评论概率、转发概率。点击概率可以是目标用户点击非排序文本集中的非排序文本的概率。评论概率可以是目标用户对非排序文本集中的非排序文本进行评论的概率。转发概率可以是目标用户对非排序文本集中的非排序文本进行转发的概率。
可选地,预先训练的第一信息权重生成模型是通过以下训练步骤训练得到的:
第一步,获取训练样本集。
在一些实施例中,上述第一节点终端可以通过有线连接或无线连接的方式从终端设备中获取训练样本集。其中,上述训练样本集中的训练样本包括:样本第一用户基本信息和样本第一信息权重向量集。这里,样本第一信息权重向量集可以是样本第一用户基本信息对应的标签。
第二步,确定初始第一信息权重生成模型。
在一些实施例中,上述第一节点终端可以确定初始第一信息权重生成模型。其中,上述初始第一信息权重生成模型可以包括:初始权重生成模型序列和初始参数值序列集。这里,上述初始权重生成模型序列中的初始权重生成模型可以是预先训练好的以样本第一用户基本信息为输入,以初始权重向量为输出的神经网络模型。初始权重向量可以表征通过初始权重生成模型生成的对应非排序文本集的权重。初始权重向量可以对应上述指标集中指标。例如,初始权重生成模型序列中的初始权重生成模型可以是但不限于:MLP(Multi-Layer Perceptron,多层感知器)模型、DeepFM(Deep Factor Machine,深度因子分解机)模型、DIN(Deep Interest Network,深度兴趣网络)模型、DIEN(Deep Interest EvolutionNetwork,深度兴趣进化网络)模型。上述初始参数值序列集中的初始参数值可以表征初始权重生成模型序列中初始权重生成模型的权重。初始参数值序列集中的初始参数值序列可以对应初始权重生成模型序列。
第三步,从上述训练样本集中选取训练样本。
在一些实施例中,上述第一节点终端可以从上述训练样本集中选取训练样本。实践中,上述第一节点终端可以随机从上述训练样本集中选取训练样本。
第四步,将上述训练样本包括的样本第一用户基本信息输入至上述初始权重生成模型序列中的每个初始权重生成模型,以生成初始权重向量,得到初始权重向量序列。
在一些实施例中,上述第一节点终端可以将上述训练样本包括的样本第一用户基本信息输入至上述初始权重生成模型序列中的每个初始权重生成模型,以生成初始权重向量,得到初始权重向量序列。其中,上述初始权重向量序列可以对应上述初始参数值序列集中的初始参数值序列。上述初始权重向量序列中的初始权重向量可以对应上述初始参数值序列集中的初始参数值。
第五步,对于上述初始参数值序列集中的每个初始参数值序列,执行如下确定步骤:
第一确定步骤,对于上述初始参数值序列中的每个初始参数值,将上述初始参数值与对应上述初始参数值的初始权重向量的乘积确定为初始第一信息权重乘积向量。
在一些实施例中,对于上述初始参数值序列中的每个初始参数值,上述第一节点终端可以将上述初始参数值与对应上述初始参数值的初始权重向量的乘积确定为初始第一信息权重乘积向量。
第二确定步骤,将所确定的各个初始第一信息权重乘积向量的和确定为初始第一信息权重向量。
在一些实施例中,上述第一节点终端可以将所确定的各个初始第一信息权重乘积向量的和确定为初始第一信息权重向量。
第六步,将所生成的各个初始第一信息权重向量确定为初始第一信息权重向量集。
在一些实施例中,上述第一节点终端可以将所生成的各个初始第一信息权重向量确定为初始第一信息权重向量集。
第七步,基于预设的第一损失函数,确定上述初始第一信息权重向量集和上述训练样本包括的样本第一信息权重向量集的第一差异值。
在一些实施例中,基于预设的第一损失函数,上述第一节点终端可以确定上述初始第一信息权重向量集和上述训练样本包括的样本第一信息权重向量集的第一差异值。其中,预设的第一损失函数可以是但不限于:均方误差损失函数(MSE)、合页损失函数(SVM)、交叉熵损失函数(CrossEntropy)、0-1损失函数、绝对值损失函数、log对数损失函数、平方损失函数、指数损失函数等。
第八步,响应于确定上述第一差异值大于等于第一预设差异值,调整上述初始第一信息权重生成模型包括的初始参数值序列集中的初始参数值。
在一些实施例中,响应于确定上述第一差异值大于等于第一预设差异值,上述第一节点终端可以调整上述初始第一信息权重生成模型包括的初始参数值序列集中的初始参数值。实践中,响应于确定上述第一差异值大于等于第一预设差异值,上述第一节点终端可以通过预设的调参算法,调整上述初始第一信息权重生成模型包括的初始参数值序列集中的初始参数值。例如,预设的调参算法可以是贝叶斯算法。第一预设差异值可以是0.1。
步骤103中的可选的技术内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“导致浪费了通信资源”。导致浪费了通信资源的因素往往如下:生成的推荐信息序列只考虑点击概率,未考虑到评论概率、转发概率等指标,生成的推荐信息序列的准确度较低,与用户终端进行通信时会将冗余信息发送至用户终端。如果解决了上述因素,就能达到可以减少通信资源的浪费的效果。为了达到这一效果,首先,获取训练样本集。其次,确定初始第一信息权重生成模型。其中,上述初始第一信息权重生成模型包括:初始权重生成模型序列和初始参数值序列集。由此,可以确定初始第一信息权重生成模型,每个初始权重生成模型均对应一个指标集中的指标,考虑到了不同的指标。接着,从上述训练样本集中选取训练样本。紧接着,将上述训练样本包括的样本第一用户基本信息输入至上述初始权重生成模型序列中的每个初始权重生成模型,以生成初始权重向量,得到初始权重向量序列。由此,可以通过初始权重生成模型序列得到不同指标对应的初始权重向量序列。然后,对于上述初始参数值序列集中的每个初始参数值序列,执行如下确定步骤:第一,对于上述初始参数值序列中的每个初始参数值,将上述初始参数值与对应上述初始参数值的初始权重向量的乘积确定为初始第一信息权重乘积向量。第二,将所确定的各个初始第一信息权重乘积向量的和确定为初始第一信息权重向量。由此,可以将通过不同的初始权重生成模型得到的不同的初始权重向量通过不同的权重进行加权求和处理,可以得到较为准确的初始第一信息权重向量。再然后,将所生成的各个初始第一信息权重向量确定为初始第一信息权重向量集。之后,基于预设的第一损失函数,确定上述初始第一信息权重向量集和上述训练样本包括的样本第一信息权重向量集的第一差异值。由此,可以根据预设的第一损失函数得到第一差异值,以便后续调整初始第一信息权重模型包括的初始参数值序列集。最后,响应于确定上述第一差异值大于等于第一预设差异值,调整上述初始第一信息权重生成模型包括的初始参数值序列集中的初始参数值。由此,可以根据第一差异值不断的调整初始第一信息权重生成模型包括的初始参数值序列集,以便得到较为准确的第一信息权重向量集,以便后续生成较为准确的推荐信息序列。从而,可以通过第一信息权重生成模型得到考虑了不同指标的较为准确的第一信息权重向量集。进而,可以得到较为准确的推荐信息序列。从而,与用户终端进行通信时向用户终端发送的冗余信息较少。因此,可以减少通信资源的浪费。
可选地,响应于确定上述第一差异值小于第一预设差异值,将上述初始第一信息权重生成模型确定为训练后的第一信息权重生成模型。
在一些实施例中,上述第一节点终端可以响应于确定上述第一差异值小于第一预设差异值,将上述初始第一信息权重生成模型确定为训练后的第一信息权重生成模型。
步骤104,第二节点终端将第二用户基本信息输入至预先训练的第二信息权重生成模型中,得到第二信息权重集。
在一些实施例中,上述第二节点终端可以将上述第二用户基本信息输入至预先训练的第二信息权重生成模型中,得到第二信息权重集。其中,上述第二信息权重集中的第二信息权重可以是通过预先训练的第二信息权重生成模型生成的对应第一信息权重向量集中的第一信息权重向量的权重。上述第二信息权重生成模型可以是预先训练的以第二用户基本信息为输入,以第二信息权重集为输出的神经网络模型。
可选地,预先训练的第二信息权重生成模型可以是通过以下步骤训练得到的:
第一步,获取训练样本集。
在一些实施例中,上述第二节点终端可以通过有线连接或无线连接的方式从终端设备中获取训练样本集。其中,上述训练样本集中的训练样本包括:样本第二用户基本信息和样本权重值。这里,样本权重值可以是预先设定的对应样本第二用户基本信息的期望权重值。
第二步,从上述训练样本集中选取训练样本。
在一些实施例中,上述第二节点终端可以从上述训练样本集中选取训练样本。实践中,上述第二节点终端可以随机从上述训练样本集中选取训练样本。
第三步,将上述训练样本包括的样本第二用户基本信息输入至初始第二信息权重生成模型中,得到初始第二信息权重集。
在一些实施例中,上述第二节点终端可以将上述训练样本包括的样本第二用户基本信息输入至初始第二信息权重生成模型中,得到初始第二信息权重集。其中,上述初始第二信息权重生成模型可以是预先训练好的以样本第二用户基本信息为输入,以初始第二信息权重集为输出的神经网络模型。初始第二信息权重集中的初始第二信息权重可以表征通过初始第二信息权重生成模型生成的对应第一信息权重向量集中的第一信息权重向量的权重。例如,初始第二信息权重生成模型可以是但不限于:LSTM(Long-Short Term Memory,长短期记忆网络)模型、Attention(注意力)模型、Transformer(转换)模型。
第四步,将上述初始第二信息权重集对应的初始推荐信息序列发送至相关联的用户终端,以及接收上述相关联的用户终端发送的初始目标信息权重集。
在一些实施例中,上述第二节点终端可以将上述初始第二信息权重集对应的初始推荐信息序列发送至相关联的用户终端,以及接收上述相关联的用户终端发送的初始目标信息权重集。其中,相关联的用户终端可以是用于显示上述初始推荐信息序列的终端。
实践中,上述第二节点终端可以通过以下子步骤将上述初始第二信息权重集对应的初始推荐信息序列发送至相关联的用户终端,以及接收上述相关联的用户终端发送的初始目标信息权重集:
第一子步骤,响应于接收到上述第一节点终端发送的第一信息权重向量集,对于上述第一信息权重向量集中的每个第一信息权重向量,将上述第一信息权重向量与对应上述第一信息权重向量的初始第二信息权重的乘积确定为初始目标信息权重乘积向量。其中,上述第一信息权重向量集中的第一信息权重向量对应上述初始第二信息权重集中的初始第二信息权重。
第二子步骤,将所确定的各个初始目标信息权重乘积向量的和确定为初始目标信息权重向量。
第三子步骤,对上述初始目标信息权重向量对应的样本第二用户基本信息包括的信息进行排序处理,以生成初始推荐信息序列。其中,上述初始目标信息权重向量可以包括初始目标信息权重。上述初始目标信息权重向量包括的初始目标信息权重可以对应样本第二用户基本信息包括的信息。实践中,根据上述初始目标信息权重向量包括的初始目标信息权重从大到小的排列顺序,上述第二节点终端可以对上述样本第二用户基本信息包括的信息进行排序处理,将排序后的各个样本第二用户基本信息包括的信息确定为初始推荐信息序列。
第四子步骤,将上述初始推荐信息序列发送至相关联的用户终端以生成初始目标信息权重集,以及从上述用户终端接收上述初始目标信息权重集。其中,上述初始目标信息权重集中的初始目标信息权重可以表征对初始推荐信息序列中的初始推荐信息的对应的权重。上述初始目标信息权重集中的初始目标信息权重越高可以表征上述用户终端对应的用户越想要查看初始推荐信息。
第五步,基于上述训练样本包括的样本第二用户基本信息、样本权重值和上述初始目标信息权重集,确定第二差异值。
在一些实施例中,基于上述训练样本包括的样本第二用户基本信息、样本权重值和上述初始目标信息权重集,上述第二节点终端可以确定第二差异值。
实践中,基于上述训练样本包括的样本第二用户基本信息、样本权重值和上述初始目标信息权重集,上述第二节点终端可以通过以下子步骤确定第二差异值。
第一子步骤,获取目标第二用户基本信息和目标用户基本信息权重集。其中,上述目标第二用户基本信息可以包括在第二预设时间段内向用户终端发送的各个信息。目标用户基本信息权重集中的目标用户基本信息权重可以表征对应目标第二用户基本信息包括的信息的权重。例如,第二预设时间段可以是当前时间的前一个月到当前时间的前一周的时间段。这里,上述目标第二用户基本信息包括的信息可以对应上述样本第二用户基本信息包括的信息。实践中,上述第二节点终端可以通过有线连接或无线连接的方式从终端设备中获取用户终端的目标第二用户基本信息和目标用户基本信息权重集。
第二子步骤,基于上述样本第二用户基本信息、上述目标第二用户基本信息和上述目标用户基本信息权重集,确定用户信息相似度。这里,上述用户信息相似度可以通过以下公式生成:
。
其中,表示上述用户信息相似度。/>表示上述样本第二用户基本信息包括的信息。/>表示样本第二用户基本信息包括的信息对应的样本目标信息权重。/>表示目标第二用户基本信息包括的信息对应的目标用户基本信息权重。
第三子步骤,基于上述初始目标信息权重集,确定初始权重值。其中,初始权重值可以是通过第二信息权重生成模型得到的对应样本第二用户基本信息的实际权重值。这里,上述初始权重值可以通过以下公式生成:
。
其中,表示上述初始权重值。/>表示序号。/>表示初始目标信息权重集中初始目标信息权重的数量。/>表示预设的衰减因子。例如,/>可以是0.8。/>表示/>的/>次方。/>表示初始目标信息权重集中第/>个初始目标信息权重。
第四子步骤,将上述初始权重值和上述样本权重值的差值确定为权重差异值。
第五子步骤,基于上述用户信息相似度和上述权重差异值,确定第二差异值。这里,上述第二差异值可以通过以下公式生成:
。
其中,表示上述第二差异值。/>表示上述权重差异值。/>表示上述用户信息相似度。/>和/>均表示预先设定的参数。例如,/>可以是0.1。/>可以是0.5。
上述公式及其相关内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题三“导致浪费了用户终端的存储资源”。导致浪费了用户终端的存储资源的因素往往如下:由于静态融合赋予的权重是预先设定的权重,未考虑到用户对不同时间段的信息的存在不同的关注度,导致向用户终端发送的通过预先设定的权重生成的推荐信息序列的准确度较低,导致用户终端会存储冗余信息。如果解决了上述因素,就能达到可以减少浪费用户终端的存储资源的效果。为了达到这一效果,首先,获取目标第二用户基本信息和目标用户基本信息权重集。其次,基于上述样本第二用户基本信息、上述目标第二用户基本信息和上述目标用户基本信息权重集,确定用户信息相似度。由此,可以通过上述公式确定用户信息相似度,可以确定不同时间段的样本第二用户基本信息和目标第二用户基本信息之间的相似度。然后,基于上述初始目标信息权重集,确定初始权重值。由此,可以通过上述公式确定初始权重值,可以得到通过第二信息权重生成模型输出的初始目标信息权重集对应的初始权重值,以便后续确定权重差异值。之后,将上述初始权重值和上述样本权重值的差值确定为权重差异值。由此,可以得到权重差异值,以便后续确定第二差异值。最后,基于上述用户信息相似度和上述权重差异值,确定第二差异值。由此,可以得到考虑了用户信息相似度的第二差异值。从而,考虑了不同时间段的样本第二用户基本信息和目标第二用户基本信息之间的用户信息相似度,可以得到较为准确的第二差异值。进而,可以通过较为准确的第二差异值,得到较为准确的第二信息权重生成模型。从而,可以通过第二信息权重生成模型生成较为准确的第二信息权重集。因此,可以通过较为准确的第二信息权重集生成较为准确的推荐信息序列。由此,可以向用户终端发送较为准确的推荐信息序列,可以减少用户终端存储冗余信息。因此,可以较少浪费用户终端的存储资源。
第六步,响应于确定上述第二差异值大于等于第二预设差异值,调整上述初始第二信息权重生成模型的网络参数。
在一些实施例中,响应于确定上述第二差异值大于等于第二预设差异值,上述第二节点终端可以调整上述初始第二信息权重生成模型的网络参数。例如,可以对上述第二差异值和第二预设差异值求差值。在此基础上,利用反向传播、随机梯度下降等方法将误差值从模型的最后一层向前传递,以调整每一层的参数。当然根据需要,也可以采用网络冻结(dropout)的方法,对其中的一些层的网络参数保持不变,不进行调整,对此,不做任何限定。其中,对于第二预设差异值的设定,不作限定,例如,第二预设差异值可以是0.1。
可选地,响应于确定上述第二差异值小于第二预设差异值,将上述初始第二信息权重生成模型确定为训练后的第二信息权重生成模型。
在一些实施例中,上述第二节点终端可以响应于确定上述第二差异值小于第二预设差异值,将上述初始第二信息权重生成模型确定为训练后的第二信息权重生成模型。
步骤105,第二节点终端响应于接收到第一节点终端发送的第一信息权重向量集,对第一信息权重向量集和第二信息权重集进行加权求和处理,以生成目标信息权重向量。
在一些实施例中,上述第二节点终端可以响应于接收到上述第一节点终端发送的第一信息权重向量集,对上述第一信息权重向量集和上述第二信息权重集进行加权求和处理,以生成目标信息权重向量。
实践中,上述第二节点终端可以通过以下步骤对上述第一信息权重向量集和上述第二信息权重集进行加权求和处理,以生成目标信息权重向量:
第一步,对于上述第一信息权重向量集中的每个第一信息权重向量,将上述第一信息权重向量与对应上述第一信息权重向量的第二信息权重的乘积确定为目标信息权重乘积向量。其中,上述第一信息权重向量集中的第一信息权重向量对应上述第二信息权重集中的第二信息权重。
第二步,将所确定的各个目标信息权重乘积向量的和确定为目标信息权重向量。其中,上述目标信息权重向量可以对应上述第一用户基本信息包括的非排序文本集。
步骤106,第二节点终端对目标信息权重向量对应的非排序文本集进行排序处理,以生成推荐信息序列,以及将推荐信息序列发送至目标用户终端。
在一些实施例中,上述第二节点终端对上述目标信息权重向量对应的非排序文本集进行排序处理,以生成推荐信息序列,以及将上述推荐信息序列发送至上述目标用户终端。其中,上述目标信息权重向量可以包括目标信息权重。上述目标信息权重向量包括的目标信息权重可以对应非排序文本集中的非排序文本。实践中,根据上述目标信息权重向量包括的目标信息权重从大到小的排列顺序,上述第二节点终端可以对非排序文本集中的非排序文本进行排序处理,将排序后的各个非排序文本确定为推荐信息序列。
步骤107,目标用户终端响应于接收到第二节点终端发送的推荐信息序列,将推荐信息序列存储至数据库中,以及将点击信息发送至第二节点终端。
在一些实施例中,上述目标用户终端可以响应于接收到上述第二节点终端发送的推荐信息序列,将上述推荐信息序列存储至数据库中,以及将点击信息发送至上述第二节点终端。其中,上述点击信息可以表征目标用户终端对应的目标用户点击的推荐信息。由此,目标用户可以通过目标用户终端从推荐信息序列中点击想要查看的推荐信息。
步骤108,第二节点终端响应于接收到目标用户终端发送的点击信息,将点击信息对应的信息发送至目标用户终端。
在一些实施例中,上述第二节点终端响应于接收到上述目标用户终端发送的点击信息,将上述点击信息对应的信息发送至上述目标用户终端。其中,上述点击信息对应的信息可以对应推荐信息序列中的推荐信息。上述点击信息对应的信息可以包括但不限于以下至少一项:目标信息标识、目标信息标题、目标信息用户名、详细信息。目标信息标识可以唯一确定一个点击信息对应的信息。目标信息标题可以是点击信息对应的信息对应的标题。目标信息用户名可以是撰写点击信息对应的信息的用户的用户名。详细信息可以表征点击信息对应的信息对应的详细内容。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的文本推荐信息生成方法,可以减少浪费通信资源。具体来说,导致浪费了通信资源的原因在于:将历史的信息直接作为当前的推荐信息序列,容易导致推荐信息序列的准确度较低,向用户终端发送的推荐信息序列的准确度较低,与用户终端进行通信时会将冗余信息发送至用户终端。基于此,本公开的一些实施例的文本推荐信息生成方法,首先,第一节点终端获取目标用户终端的第一用户基本信息。其次,第二节点终端获取上述目标用户终端的第二用户基本信息。接着,上述第一节点终端将上述第一用户基本信息输入至预先训练的第一信息权重生成模型中,得到第一信息权重向量集,以及将上述第一信息权重向量集发送至上述第二节点终端。由此,可以通过预先训练的第一信息权重生成模型,得到考虑了不同指标信息的较为准确的第一信息权重向量集,以便后续生成目标信息权重向量。紧接着,上述第二节点终端将上述第二用户基本信息输入至预先训练的第二信息权重生成模型中,得到第二信息权重集。由此,可以通过预先训练的第二信息权重生成模型,得到较为准确的对应第一信息权重向量集的权重的第二信息权重集,以便后续生成目标信息权重向量。然后,上述第二节点终端响应于接收到上述第一节点终端发送的第一信息权重向量集,对上述第一信息权重向量集和上述第二信息权重集进行加权求和处理,以生成目标信息权重向量。由此,考虑到第二信息权重集,可以得到较为准确的目标信息权重向量,以便后续生成推荐信息序列。再然后,上述第二节点终端对上述目标信息权重向量对应的非排序文本集进行排序处理,以生成推荐信息序列,以及将上述推荐信息序列发送至上述目标用户终端。由此,可以根据较为准确的目标信息权重向量,得到较为准确的推荐信息序列,可以减少将冗余信息发送至目标用户终端。之后,上述目标用户终端响应于接收到上述第二节点终端发送的推荐信息序列,将上述推荐信息序列存储至数据库中,以及将点击信息发送至上述第二节点终端。由此,目标用户终端接收到推荐信息序列后,目标用户可以存储推荐信息序列以及可以通过点击想要查看的推荐信息来通过目标用户终端查看推荐信息。最后,上述第二节点终端响应于接收到上述目标用户终端发送的点击信息,将上述点击信息对应的信息发送至上述目标用户终端。由此,可以将目标用户想要查看的推荐信息对应的完成信息发送至目标用户终端以供目标用户进行查看。从而,可以提高向用户终端发送的推荐信息序列的准确度,与目标用户终端进行通信时向目标用户终端发送的冗余信息较少。进而,可以减少浪费通信资源。
下面参考图2,其示出了适于用来实现本公开的一些实施例的电子设备(例如第一节点终端、第二节点终端、目标用户终端)200的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图2示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图2所示,电子设备200可以包括处理装置(例如中央处理器、图形处理器等)201,其可以根据存储在只读存储器(ROM)202中的程序或者从存储装置208加载到随机访问存储器(RAM)203中的程序而执行各种适当的动作和处理。在RAM203中,还存储有电子设备200操作所需的各种程序和数据。处理装置201、ROM202以及RAM 203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。
通常,以下装置可以连接至I/O接口205:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置206;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置207;包括例如磁带、硬盘等的存储装置208;以及通信装置209。通信装置209可以允许电子设备200与其他设备进行无线或有线通信以交换数据。虽然图2示出了具有各种装置的电子设备200,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图2中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置209从网络上被下载和安装,或者从存储装置208被安装,或者从ROM202被安装。在该计算机程序被处理装置201执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:第一节点终端获取目标用户终端的第一用户基本信息;第二节点终端获取上述目标用户终端的第二用户基本信息;上述第一节点终端将上述第一用户基本信息输入至预先训练的第一信息权重生成模型中,得到第一信息权重向量集,以及将上述第一信息权重向量集发送至上述第二节点终端;上述第二节点终端将上述第二用户基本信息输入至预先训练的第二信息权重生成模型中,得到第二信息权重集;上述第二节点终端响应于接收到上述第一节点终端发送的第一信息权重向量集,对上述第一信息权重向量集和上述第二信息权重集进行加权求和处理,以生成目标信息权重向量;上述第二节点终端对上述目标信息权重向量对应的非排序文本集进行排序处理,以生成推荐信息序列,以及将上述推荐信息序列发送至上述目标用户终端;上述目标用户终端响应于接收到上述第二节点终端发送的推荐信息序列,将上述推荐信息序列存储至数据库中,以及将点击信息发送至上述第二节点终端;上述第二节点终端响应于接收到上述目标用户终端发送的点击信息,将上述点击信息对应的信息发送至上述目标用户终端。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (4)
1.一种文本推荐信息生成方法,包括:
第一节点终端获取目标用户终端的第一用户基本信息,所述第一用户基本信息包括非排序文本集;
第二节点终端获取所述目标用户终端的第二用户基本信息,所述第二用户基本信息包括历史排序文本集;
所述第一节点终端将所述第一用户基本信息输入至预先训练的第一信息权重生成模型中,得到第一信息权重向量集,以及将所述第一信息权重向量集发送至所述第二节点终端;
所述第二节点终端将所述第二用户基本信息输入至预先训练的第二信息权重生成模型中,得到第二信息权重集;
所述第二节点终端响应于接收到所述第一节点终端发送的第一信息权重向量集,对所述第一信息权重向量集和所述第二信息权重集进行加权求和处理,以生成目标信息权重向量;
所述第二节点终端对所述目标信息权重向量对应的非排序文本集进行排序处理,以生成推荐信息序列,以及将所述推荐信息序列发送至所述目标用户终端;
所述目标用户终端响应于接收到所述第二节点终端发送的推荐信息序列,将所述推荐信息序列存储至数据库中,以及将点击信息发送至所述第二节点终端,其中,所述点击信息表征目标用户终端对应的目标用户点击的推荐信息,目标用户通过目标用户终端从推荐信息序列中点击想要查看的推荐信息;
所述第二节点终端响应于接收到所述目标用户终端发送的点击信息,将所述点击信息对应的信息发送至所述目标用户终端;
其中,预先训练的第二信息权重生成模型是通过以下训练步骤训练得到的:
获取训练样本集,其中,所述训练样本集中的训练样本包括:样本第二用户基本信息和样本权重值;
从所述训练样本集中选取训练样本;
将所述训练样本包括的样本第二用户基本信息输入至初始第二信息权重生成模型中,得到初始第二信息权重集;
将所述初始第二信息权重集对应的初始推荐信息序列发送至相关联的用户终端,以及接收所述相关联的用户终端发送的初始目标信息权重集;
基于所述训练样本包括的样本第二用户基本信息、样本权重值和所述初始目标信息权重集,确定第二差异值;
响应于确定所述第二差异值大于等于第二预设差异值,调整所述初始第二信息权重生成模型的网络参数;
其中,所述方法还包括:
响应于确定所述第二差异值小于第二预设差异值,将所述初始第二信息权重生成模型确定为训练后的第二信息权重生成模型;
其中,所述将所述初始第二信息权重集对应的初始推荐信息序列发送至相关联的用户终端,以及接收所述相关联的用户终端发送的初始目标信息权重集,包括:
响应于接收到所述第一节点终端发送的第一信息权重向量集,对于所述第一信息权重向量集中的每个第一信息权重向量,将所述第一信息权重向量与对应所述第一信息权重向量的初始第二信息权重的乘积确定为初始目标信息权重乘积向量,其中,所述第一信息权重向量集中的第一信息权重向量对应所述初始第二信息权重集中的初始第二信息权重;
将所确定的各个初始目标信息权重乘积向量的和确定为初始目标信息权重向量;
对所述初始目标信息权重向量对应的样本第二用户基本信息包括的信息进行排序处理,以生成初始推荐信息序列;
将所述初始推荐信息序列发送至相关联的用户终端以生成初始目标信息权重集,以及从所述用户终端接收所述初始目标信息权重集。
2.根据权利要求1所述的方法,其中,所述对所述第一信息权重向量集和所述第二信息权重集进行加权求和处理,以生成目标信息权重向量,包括:
对于所述第一信息权重向量集中的每个第一信息权重向量,将所述第一信息权重向量与对应所述第一信息权重向量的第二信息权重的乘积确定为目标信息权重乘积向量,其中,所述第一信息权重向量集中的第一信息权重向量对应所述第二信息权重集中的第二信息权重;
将所确定的各个目标信息权重乘积向量的和确定为目标信息权重向量。
3.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-2中任一所述方法。
4.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-2中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310994979.8A CN116737917B (zh) | 2023-08-09 | 2023-08-09 | 文本推荐信息生成方法、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310994979.8A CN116737917B (zh) | 2023-08-09 | 2023-08-09 | 文本推荐信息生成方法、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116737917A CN116737917A (zh) | 2023-09-12 |
CN116737917B true CN116737917B (zh) | 2023-10-27 |
Family
ID=87901528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310994979.8A Active CN116737917B (zh) | 2023-08-09 | 2023-08-09 | 文本推荐信息生成方法、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116737917B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113204577A (zh) * | 2021-04-15 | 2021-08-03 | 北京沃东天骏信息技术有限公司 | 信息推送方法、装置、电子设备和计算机可读介质 |
CN113536105A (zh) * | 2020-11-05 | 2021-10-22 | 腾讯科技(深圳)有限公司 | 推荐模型训练方法和装置 |
WO2023065859A1 (zh) * | 2021-10-20 | 2023-04-27 | 华为技术有限公司 | 物品推荐方法、装置及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062573A (zh) * | 2017-12-29 | 2018-05-22 | 广东欧珀移动通信有限公司 | 模型训练方法及装置 |
-
2023
- 2023-08-09 CN CN202310994979.8A patent/CN116737917B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536105A (zh) * | 2020-11-05 | 2021-10-22 | 腾讯科技(深圳)有限公司 | 推荐模型训练方法和装置 |
CN113204577A (zh) * | 2021-04-15 | 2021-08-03 | 北京沃东天骏信息技术有限公司 | 信息推送方法、装置、电子设备和计算机可读介质 |
WO2023065859A1 (zh) * | 2021-10-20 | 2023-04-27 | 华为技术有限公司 | 物品推荐方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116737917A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10671680B2 (en) | Content generation and targeting using machine learning | |
CN110781373B (zh) | 榜单更新方法、装置、可读介质和电子设备 | |
CN112836128A (zh) | 信息推荐方法、装置、设备和存储介质 | |
CN116129440B (zh) | 异常用户端告警方法、装置、电子设备和介质 | |
CN111798251A (zh) | 房源数据的验证方法、装置和电子设备 | |
CN116737917B (zh) | 文本推荐信息生成方法、电子设备和计算机可读介质 | |
CN112860999B (zh) | 信息推荐方法、装置、设备和存储介质 | |
CN112734522B (zh) | 信息展示方法、装置、电子设备和计算机可读介质 | |
CN113220922B (zh) | 图像搜索方法、装置和电子设备 | |
CN115391661A (zh) | 训练推荐模型的方法、推荐资源的方法及其装置 | |
CN114926234A (zh) | 物品信息推送方法、装置、电子设备和计算机可读介质 | |
CN116800834B (zh) | 虚拟礼物合并方法、装置、电子设备和计算机可读介质 | |
CN111563797A (zh) | 房源信息的处理方法、装置、可读介质及电子设备 | |
CN111680754A (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN116739789B (zh) | 虚拟物品回测信息发送方法、装置、电子设备和介质 | |
CN113283115B (zh) | 图像模型生成方法、装置和电子设备 | |
CN116645211B (zh) | 推荐用户信息生成方法、装置、设备和计算机可读介质 | |
CN116862319B (zh) | 电力指标信息生成方法、装置、电子设备和介质 | |
CN112200643B (zh) | 物品信息推送方法、装置、电子设备和计算机可读介质 | |
CN116843800B (zh) | 动画信息发送方法、装置、电子设备和计算机可读介质 | |
CN117591048B (zh) | 任务信息处理方法、装置、电子设备和计算机可读介质 | |
CN114792258B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN117112936A (zh) | 信息展示方法、装置、介质及电子设备 | |
CN115817163A (zh) | 车辆轮速调整方法、装置、电子设备和计算机可读介质 | |
CN117333246A (zh) | 物品信息发送方法、模型生成方法、装置、设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |