WO2017121244A1 - 信息推荐方法、系统以及存储介质 - Google Patents

信息推荐方法、系统以及存储介质 Download PDF

Info

Publication number
WO2017121244A1
WO2017121244A1 PCT/CN2016/112988 CN2016112988W WO2017121244A1 WO 2017121244 A1 WO2017121244 A1 WO 2017121244A1 CN 2016112988 W CN2016112988 W CN 2016112988W WO 2017121244 A1 WO2017121244 A1 WO 2017121244A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
item
vector
target
user attribute
Prior art date
Application number
PCT/CN2016/112988
Other languages
English (en)
French (fr)
Inventor
周琦
张小鹏
尹程果
袁林
Original Assignee
腾讯科技（深圳）有限公司
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 腾讯科技（深圳）有限公司 filed Critical 腾讯科技（深圳）有限公司
Publication of WO2017121244A1 publication Critical patent/WO2017121244A1/zh

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
    • 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

Definitions

  • the present invention relates to the field of computer data processing technologies, and in particular, to an information recommendation method, system, and storage medium.
  • Some existing network systems need to use recommended algorithms to recommend items to users.
  • the commonly used recommendation algorithms are mostly based on collaborative filtering methods.
  • the neighborhood-based algorithms commonly used in collaborative filtering methods fall into two main categories: one is a user-based collaborative filtering algorithm (UserCF), and the other is an item-based collaborative filtering algorithm (ItemCF).
  • UserCF recommends to users the items that users like to have the same interests, and the recommendation results focus on small groups of hotspots that are similar to user interests. This recommendation is more social and reflects some items in a particular group.
  • the popularity ItemCF recommends to the user something similar to the item he liked before, and the recommendation results focus on maintaining the user's historical interest. The recommendation is more personalized, reflecting the user's own interest.
  • the currently recommended recommendation algorithm is difficult to handle a recommendation scenario where only item information has no behavior data.
  • the embodiment of the present application provides an information recommendation method, a system, and a storage medium, so that information recommendation can be performed on a user when the user's operation behavior data is not obtained, so as to solve the cold start problem of the recommendation system.
  • An embodiment of the present application provides a method for recommending information, including: constructing a vector space according to operation behavior data of a user on item information in a historical data, where the vector space includes a user attribute vector for representing a user attribute of the user, and The item label of the item label indicating the item information Obtaining the user attribute of the target user, the corresponding user attribute vector in the vector space, and the item label vector corresponding to the item label of the target item information in the vector space, and obtaining the user of the target user by calculating the similarity between the vectors An association relationship between the attribute and the item tag of the target item information; and recommending the item information to the target user according to the association relationship.
  • An embodiment of the present application provides an information recommendation system, including: one or more processors and a storage medium storing operation instructions, when executing an operation instruction in the storage medium, the processor performs the following steps: according to history a user constructs a vector space in the data for the operation behavior data of the item information, the vector space including a vector for representing the user attribute of the user and a vector for indicating the item tag of the item information; and acquiring the user of the target user Obtaining a corresponding user attribute vector in the vector space and an item label vector corresponding to the item label of the target item information in the vector space, obtaining a user attribute of the target user and the target by calculating similarity between vectors An association relationship of the item tags of the item information; and recommending the item information to the target user according to the association relationship.
  • the embodiment of the present application provides a non-transitory computer readable storage medium having stored thereon computer executable instructions.
  • the executable instructions When the executable instructions are run in a computer, the following steps are performed: operating the item information according to the user in the historical data.
  • the behavior data constructs a vector space including a vector for representing a user attribute of the user and a vector for indicating an item tag of the item information; and acquiring a user attribute of the target user corresponding to the vector space
  • the user attribute vector and the item tag of the target item information are corresponding to the item tag vector in the vector space, and the relationship between the user attribute of the target user and the item tag of the target item information is obtained by calculating the similarity between the vectors. And recommending item information to the target user based on the association relationship.
  • a vector space is constructed according to user action data of the item information in the historical data, the vector space including a user attribute vector for representing user information and an item label vector for indicating item information.
  • the vector space by using the vector space of the target user and the corresponding tag of the object tag of the target item information in the vector space, the user attribute and the target item information of the target user can be obtained by calculating the similarity between the vectors.
  • the association relationship of the item tags can be recommended based on the relationship.
  • FIG. 1 is a schematic flowchart of a method for recommending information provided by an embodiment of the present application
  • FIG. 2 is a schematic diagram of a training basic training corpus mapping vector space
  • FIG. 3 is a schematic structural diagram of an information recommendation system according to an embodiment of the present application.
  • FIG. 4 is a schematic structural diagram of a computer device according to an embodiment of the present invention.
  • the embodiment of the present invention provides an information recommendation method and system, which are respectively described in detail by using specific embodiments.
  • an embodiment of the present application provides a method for information recommendation, which may be deployed on a computer device or distributed in a computer network.
  • the method may include steps 110 to 130 .
  • a vector space is constructed based on the user's operational behavior data for the item information in the historical data, and the vector space includes a user attribute vector for representing the user attribute of the user and an item tag vector for indicating the item tag of the item information.
  • a vector space of a user attribute and an item tag may be constructed according to the historical data, and the vector space includes a user attribute vector for representing a user attribute of the user and an item tag vector indicating the item information.
  • the item may be a physical item such as a mobile phone or a pen, or may be a virtual item such as an advertisement or a video, and this article does not limit this.
  • the user attribute of the user and the item label of the item information may be acquired.
  • the item information can be obtained from the operational behavior data.
  • the title information can be obtained by means of a word segmentation of the item information. Mapping the obtained user attributes and item tags into the same vector space, wherein each user attribute is represented by a user attribute vector in the vector space, and each item tag is represented by an item tag vector in the vector space.
  • the user attribute and the item label may be mapped into the same vector space by using the word2vec algorithm, which is not limited in the embodiment of the present invention.
  • the user attributes may include occupational attributes, age attributes, height attributes, gender attributes, etc.
  • the item labels include, for example, the item's name, category, origin, material, price, and the like.
  • the step of mapping the acquired user attribute and the item label into the same vector space by using, for example, the word2vec algorithm may include steps 210 to 230.
  • the user's operation behavior data of the item information in the historical data may be converted into the operation attribute data of the user attribute to the item tag.
  • the operation behavior data of the user Q purchase item P is converted into the operation behavior data of the user attributes Y1, Y2, Y3 to the item labels B1, B2, B3, wherein the user attribute Y1 may be, for example, a youth user, and Y2 may for example It refers to a fashion user.
  • the item label B1 can be referred to as a domestic product, for example, B2 can be a mobile phone, etc., and will not be enumerated here.
  • the conversion converts the behavior of the user's information on the item information represented by the operation behavior data into the operation behavior data of the user attribute on the item label, and the obtained operation behavior data reduces the granularity of the feature, and the user feature is represented by the user attribute, and
  • the item features are represented by an item tag, which can be referred to as a fine-grained conversion.
  • fine-grained conversion the information obtained is no longer limited to representing a user or an item, but can be applied to all users and all items through user attributes and item labels.
  • the user attribute and the item tag may be extracted from the converted operation behavior data to form a basic training corpus; wherein the user attribute and the item tag are extracted in each piece of operation behavior data, and the user attributes and the item tag are performed.
  • Disrupt can be randomly disrupted to form a basic training corpus.
  • a plurality of user attributes such as Y1, Y2, Y3, Y4, Y5, and a plurality of item labels such as B1, B2, B3, B4, B5 may be extracted.
  • B6, and then random scrambling the basic training corpus after the disruption can be [B1, Y5, Y3, B4, Y1, B5, Y2, B2, Y4, B6, B3].
  • step 230 using the word2vec algorithm to learn the acquired basic training corpus, a user attribute vector characterizing each user attribute and an item label vector of each item label can be obtained, thereby The implementation maps each user attribute and each item label into the same vector space.
  • word2vec is a two-layer neural network model proposed by Tomas Mikolov et al., which uses a large amount of text content to text according to the context of the text (ie, assuming each word is close to the words around it). Any word in the character is represented as a vector of the same vector space. The similarity of two words can be calculated by the similarity calculation in vector space. The output word vector can do some natural language processing tasks, such as clustering words, finding synonyms, and so on. In 2013, google launched the open source word2vec code, which has been widely used.
  • the original design of the word2vec algorithm is to train the ordered text. Using the word2vec algorithm to train the text, you can get the vector of each word in the text. However, the word2vec algorithm is generally used for longer texts such as some articles.
  • the corpus used for training in the present invention is usually a short text, which is a combination of several item labels and user attributes. In order to achieve a better training effect, these user attributes and item labels can be mixed and scrambled.
  • the user attribute and the item tag are scrambled to process the training data, and the user attribute or the item tag acquired online does not need to be disturbed.
  • step 120 the user attribute vector and the item tag vector corresponding to the object tag of the target user and the item tag of the target item information in the vector space are obtained, and the user attribute and the target item information of the target user are obtained by calculating the similarity between the vectors.
  • any user attribute and any item tag are mapped into the same vector space, and each user attribute and item tag can be respectively represented by the user attribute vector and the item tag vector in the space, and thus, Without obtaining the operational behavior data of the target user, the vector space can be utilized for the target user and the target item, and the relationship between the user attribute of the target user and the item tag of the target item information can be obtained by calculating the similarity between the vectors.
  • the specific process of obtaining the association relationship may include steps 01 to 02.
  • step 01 the user attribute of the target user and the item tag of the target item information are obtained, and obtained The corresponding user attribute vector of the target user in the vector space and the item label vector corresponding to the item label of the target item information in the vector space are taken.
  • step 02 the similarity between the user attribute vector of the target user in the vector space and the item tag vector of the target item information is calculated, and the degree of association between the user attribute of the target user and the item tag of the target item information is obtained, and the target user is established.
  • the association relationship between the user attribute and the item tag of the target item information, and the association relationship can be represented by the degree of association.
  • the cosine similarity between the user attribute vector of the target user in the vector space and the item label vector of the target item information can be calculated, and the cosine similarity has a simple calculation. advantage.
  • the result obtained by the cosine similarity is a value between 0 and 1, and no further normalization or the like is required. The larger the value of the cosine similarity, the greater the degree of association between the vector of the user attribute and the vector of the item tag. The higher.
  • Other methods may be used to calculate the similarity between the vectors, which is not limited in the embodiment of the present invention.
  • the degree of association between the user attribute of the target user and the item tag of the target item information is obtained by calculating the similarity between the vectors, and the association relationship between the target user and the target item information is established.
  • step 130 the target item is recommended to the target user based on the association relationship.
  • the degree of association between user attributes and item tags can be an important indicator of recommendation. This degree of association reflects the degree to which the item tag and the user attribute co-occur, and the more similar the vector, the more similar the user attribute and the item tag are.
  • a threshold may be set, and for any target user, an item indicated by one or more item labels whose degree of association with the user attribute of the target user exceeds a set threshold is recommended to the target user.
  • the following example shows:
  • the recommendation system when the recommendation system has a part of new users, a pool of items to be recommended.
  • the item information in the item pool can be converted into usable item labels, which can be the category of the item information, or the title word segmentation and the like.
  • the user attribute, the item tag, and the vector space trained according to the user attribute and the item tag are obtained, and the item can be recommended to the user.
  • the recommendation process includes: by using the respective user attribute vectors in the vector space to perform cosine correlation calculation with each item tag vector, the degree of association between any user attribute and any item tag can be obtained. Therefore, the recommendation system can recommend the items in the item pool to any new user, thereby solving the cold start problem of the recommendation system.
  • a user attribute of a user is a mobile phone model, assuming that the mobile phone model is P1, assuming that an item label of a mobile phone case is a protective cover type, assuming that the protective cover type is T1, if the T1 type mobile phone protection If the degree of association with the P1 model mobile phone exceeds a threshold, the T1 type mobile phone case can be recommended as the item to be recommended to the user. It can be seen that this recommendation method does not need to know the historical operation behavior data of the target user.
  • any user attribute and item label can be represented by only one k-dimensional vector, and k is a natural number.
  • the vector space model constructed by the embodiment of the present invention may represent the user attributes by
  • ) ⁇ k parameters can be used to represent the entire user attribute and item label. It can be seen that the embodiment of the present invention establishes a vector space model that is simple, reliable, has few parameters, and can be extended with the relationship between the user and the item.
  • the user's operation of the item information may include: the user's click behavior on the item information, or the user's likes, ratings, purchases, etc. of the item information.
  • the items mentioned have a wide range of meanings, including not only items in e-commerce, but also advertisements, articles, videos, and so on.
  • the calculation of vector similarity is not limited to cosine similarity, and other similarity calculation methods can also be utilized.
  • an information recommendation method may construct a user attribute vector including a user attribute for representing user information according to operation behavior data of a user on item information in historical data.
  • the association relationship between the user attribute of the target user and the item tag of the target item information, and the item information recommendation can be performed according to the association relationship.
  • the information recommendation method establishes the association relationship between the user attribute and the item tag to perform the item information recommendation, the recommendation is no longer directly dependent on the relationship between the user and the item information, and therefore, the behavior data of the target user does not need to be acquired, and only based on the historical data. Operational behavior data of other users in the Information recommendation can be implemented to solve the cold start problem of the recommendation system.
  • an information recommendation system 300 which may include:
  • the building module 310 is configured to construct a vector space according to the operation behavior data of the user information on the item information in the historical data, where the vector space includes a user attribute vector for representing the user information and an item label vector for indicating the item information;
  • the association module 320 is configured to acquire a user attribute vector and an item label vector corresponding to the object label of the target user and the item label of the target item information in the vector space, and obtain the user attribute and the target item of the target user by calculating the similarity between the vectors.
  • the recommendation module 330 is configured to recommend item information to the target user according to the association relationship.
  • the building module 310 may be specifically configured to: obtain an item label of the user attribute and the item information of the user according to the operation behavior data of the item information in the historical data, and obtain the user attribute and the item.
  • the tags are mapped into the same vector space, where each user attribute is represented by a user attribute vector in the vector space, and each item tag is represented by an item tag vector in the vector space.
  • the building module 310 may include:
  • the obtaining unit 3101 is configured to acquire the user attribute of the user and the item label of the item information according to the operation behavior data of the user on the item information in the historical data;
  • the converting unit 3102 is configured to convert the operation behavior data of the user to the item information in the historical data into the operation behavior data of the user attribute to the item label;
  • the extracting unit 3103 is configured to extract a user attribute and an item label from the user behavior attribute data of the item label, and scramble the extracted user attribute and the item label to form a basic training corpus;
  • the mapping unit 3104 is configured to learn the acquired basic training corpus, and obtain a user attribute vector for each user attribute and an item label vector for each item label.
  • the mapping unit 3104 can learn the obtained basic corpus by using the word2vec algorithm, and obtain a user attribute vector for each user attribute and an item label vector for each item label.
  • the association module 320 may include:
  • the obtaining unit 3201 is configured to acquire a user attribute vector and an item label vector corresponding to each of the item tags of the user attribute and the target item information of the target user in the vector space;
  • the calculating unit 3202 is configured to calculate the similarity between the user attribute vector of the target user in the vector space and the item tag vector of the target item information, and obtain the degree of association between the user attribute of the target user and the item tag of the target item information.
  • the calculating unit 3202 may be specifically configured to calculate cosine similarity between the user attribute vector of the target user in the vector space and the item label vector of the target item information.
  • the establishing unit 3203 may be specifically configured to establish an association relationship between the target user and the target item information according to the vector space when the target user does not have the operational behavior data for the target item information.
  • the recommendation module 330 may be specifically configured to target, for any target user, target item information represented by one or more item labels whose degree of association with the user attribute of the target user exceeds a set threshold. Recommended for this target user.
  • a vector space including a user attribute vector for representing user information and an item label vector for indicating item information may be constructed according to operation behavior data of the user on the item information in the historical data.
  • the vector space by obtaining the corresponding vector of the object attribute of the target user and the item tag of the target item information in the vector space, the user attribute of the target user and the item tag of the target item information can be obtained by calculating the similarity between the vectors.
  • the association relationship can be based on the association information.
  • the information recommendation is established by establishing the relationship between the user attribute and the item tag, the recommendation is no longer directly dependent on the relationship between the user and the item information, and therefore, the behavior data of the target user does not need to be acquired, and only based on other data in the historical data.
  • the user's operational behavior data can implement information recommendation, which can solve the cold start problem of the recommendation system.
  • an embodiment of the present invention further provides a computer device 400;
  • the computer device 400 can include a processor 401 and a memory 402 for storing a program 403, the processor 401 being coupled to the memory 402 via a bus 404, when the computer When the device 400 is running, the processor 401 executes the program 403 stored in the memory 402, so that the computer device 400 performs the information recommendation method described in the embodiment of the present application.
  • the embodiment of the invention further provides a computer storage medium, wherein the computer storage medium can store a program, and the program includes some or all of the steps of the information recommendation method described in the foregoing method embodiment.
  • the program may be stored in a computer readable storage medium, and the storage medium may include: ROM, RAM, disk or CD.

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

提供一种信息推荐方法、系统以及存储介质。该方法包括：根据历史数据中用户对物品信息的操作行为数据构建向量空间，所述向量空间中包括用于表示所述用户的用户属性的向量和用于表示所述物品信息的物品标签的向量（110）；获取目标用户的用户属性在所述向量空间中对应的用户属性向量和目标物品信息的物品标签在所述向量空间中对应的物品标签向量，通过计算向量间的相似性获得所述目标用户的用户属性与所述目标物品信息的物品标签的关联关系（120）；以及根据所述关联关系向所述目标用户推荐物品信息（130）。

Description

信息推荐方法、系统以及存储介质
本申请要求于2016年1月12日提交中国专利局、申请号为201610017994.7、发明名称为“一种信息推荐方法及系统”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本发明涉及计算机数据处理技术领域，具体涉及一种信息推荐方法、系统以及存储介质。
背景技术
现有的一些网络系统需要利用推荐算法向用户推荐物品。目前常用推荐算法多为基于协同过滤方法。在协同过滤方法中常用的基于邻域的算法主要分为两大类：一类是基于用户的协同过滤算法(UserCF)，另一类是基于物品的协同过滤算法(ItemCF)。UserCF给用户推荐那些和他有同样兴趣爱好的用户喜欢的物品，其推荐结果着重于反映和用户兴趣相似的小群体的热点，这种推荐显得更社会化，反映了某一个特定群体中一些物品的热门程度。ItemCF给用户推荐那些和他之前喜欢的物品类似的物品，其推荐结果着重于维系用户的历史兴趣，这中推荐更加个性化，反映了用户自己的兴趣传承。
但是，目前常用的推荐算法难以处理只有物品信息没有行为数据的推荐场景。
发明内容
本申请实施例提供一种信息推荐方法、系统以及存储介质，以便在没有获得用户的操作行为数据时也可以对用户进行信息推荐，以解决推荐系统的冷启动问题。
本申请实施例提供一种信息推荐方法，包括：根据历史数据中用户对物品信息的操作行为数据构建向量空间，所述向量空间中包括用于表示所述用户的用户属性的用户属性向量和用于表示所述物品信息的物品标签的物品标签向 量；获取目标用户的用户属性在所述向量空间中对应的用户属性向量和目标物品信息的物品标签在向量空间中对应的物品标签向量，通过计算向量间的相似性获得所述目标用户的用户属性与所述目标物品信息的物品标签的关联关系；以及根据所述关联关系向所述目标用户推荐物品信息。
本申请实施例提供一种信息推荐系统，包括：一个或多个处理器和存储有操作指令的存储介质，当运行所述存储介质中的操作指令时，所述处理器执行如下步骤：根据历史数据中用户对物品信息的操作行为数据构建向量空间，所述向量空间中包括用于表示所述用户的用户属性的向量和用于表示所述物品信息的物品标签的向量；获取目标用户的用户属性在所述向量空间中对应的用户属性向量和目标物品信息的物品标签在所述向量空间中对应的物品标签向量，通过计算向量间的相似性获得所述目标用户的用户属性与所述目标物品信息的物品标签的关联关系；以及根据所述关联关系向所述目标用户推荐物品信息。
本申请实施例提供一种非瞬时性的计算机可读存储介质，其上存储有计算机可执行指令，当计算机中运行这些可执行指令时，执行如下步骤：根据历史数据中用户对物品信息的操作行为数据构建向量空间，所述向量空间中包括用于表示所述用户的用户属性的向量和用于表示所述物品信息的物品标签的向量；获取目标用户的用户属性在所述向量空间中对应的用户属性向量和目标物品信息的物品标签在所述向量空间中对应的物品标签向量，通过计算向量间的相似性获得所述目标用户的用户属性与所述目标物品信息的物品标签的关联关系；以及根据所述关联关系向所述目标用户推荐物品信息。
在本发明的一些可行的实施方式中，根据历史数据中用户对物品信息的操作行为数据构建向量空间，该向量空间包括用于表示用户信息的用户属性向量和用于表示物品信息的物品标签向量的向量空间，利用该向量空间，通过获取目标用户的用户属性和目标物品信息的物品标签在向量空间中各自对应的向量，可以通过计算向量间的相似性获得目标用户的用户属性与目标物品信息的物品标签的关联关系，根据该关联关系就可以进行信息推荐。
附图说明
图1是本申请实施例提供的一种信息推荐方法的流程示意图；
图2是训练基础训练语料映射向量空间的示意图；
图3是本申请实施例提供的一种信息推荐系统的结构示意图；以及
图4是本发明一个实施例提供的一种计算机设备的结构示意图。
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。
本发明实施例技术方案应用于推荐系统，该推荐系统可以部署于计算机设备或分布式部署于计算机网络中。针对现有技术中推荐系统的冷启动问题，本发明实施例提供一种信息推荐方法及系统，下面通过具体实施例，分别进行详细的说明。
请参考图1，本申请实施例提供了一种信息推荐方法，该方法可以部署于计算机设备或分布式部署于计算机网络中，该方法可包括步骤110至步骤130。
在步骤110中，根据历史数据中用户对物品信息的操作行为数据构建向量空间，向量空间中包括用于表示用户的用户属性的用户属性向量和用于表示物品信息的物品标签的物品标签向量。
针对庞大的用户群体对物品信息的大量点击行为，一些网络服务提供商会存储有大量的历史数据，历史数据中包括了用户对物品信息的操作行为数据。本发明实施例中，可以根据该历史数据构建出一个用户属性和物品标签的向量空间，向量空间中包括用于表示用户的用户属性的用户属性向量和表示物品信息的物品标签向量。其中，物品可以是手机，钢笔等实物商品，也可以是广告，视频等虚拟物品，本文对此不作限制。
在本申请一实施例中，根据历史数据中的用户对物品信息的操作行为数据，例如从某用户购买某物品的操作行为数据中，可以获取该用户的用户属性以及该物品信息的物品标签。可选的，可以从操作行为数据中获取物品信息的 标题信息，可通过对物品信息的标题分词等手段，得到物品标签。将获取的用户属性和物品标签映射到同一个向量空间中，其中，每个用户属性用向量空间中的一个用户属性向量表示，每个物品标签用向量空间中的一个物品标签向量表示，在本申请一实施例中，可采用word2vec算法将用户属性和物品标签映射到同一个向量空间中，本发明实施例对此不作限制。
举例来说，用户属性可以包括职业属性，年龄属性，身高属性，性别属性等等，物品标签例如包括物品的名称，类别，产地，材质，价格等等。
请参考图2，在本申请一实施例中，利用例如word2vec算法将获取的用户属性和物品标签映射到同一个向量空间中的步骤可以包括步骤210至步骤230。
在步骤210中，基于获取用户属性以及物品标签，可以将历史数据中用户对物品信息的操作行为数据，转换为用户属性对物品标签的操作行为数据。例如，将用户Q购买物品P的操作行为数据，转换为用户属性Y1，Y2，Y3对物品标签B1，B2，B3的操作行为数据，其中，用户属性Y1例如可以是指青年用户，Y2例如可以是指时尚型用户，物品标签B1例如可以是指国产，B2例如可以是指手机，等等，此处不再一一列举。这种转换将操作行为数据表示的用户对物品信息的行为，转换为用户属性对物品标签的操作行为数据，得到的操作行为数据中，降低了特征的粒度，将用户特征采用用户属性表示，将物品特征采用物品标签表示，该转换可以称为细粒度转换。通过细粒度转换，得到的信息就不再局限于表示某个用户或者某个物品，而是通过用户属性和物品标签可以适用于所有的用户和所有的物品。
在步骤220中，从转换后的操作行为数据中可以提取用户属性和物品标签组成基础训练语料；其中，在每一条操作行为数据中提取用户属性和物品标签，并将这些用户属性和物品标签进行打乱(可以是随机打乱)，组成一条基础训练语料。举例来说，一条某用户对某物品信息的操作行为数据中，可以提取得到多个用户属性例如Y1，Y2，Y3，Y4，Y5，以及多个物品标签例如B1，B2，B3，B4，B5，B6，然后进行随机打乱，打乱后的基础训练语料如可以是【B1，Y5，Y3，B4，Y1，B5，Y2，B2，Y4，B6，B3】。
在步骤230中，利用word2vec算法对获取的基础训练语料进行学习，可以得到表征每个用户属性的用户属性向量和每个物品标签的物品标签向量，从而 实现将每个用户属性和每个物品标签分别映射为同一个向量空间中。
需要说明的是，word2vec是Tomas Mikolov等人提出的一种两层的神经网络模型，该模型根据文本的上下文(即假设每个词与其周围的词比较接近)，利用大量的文本内容，将文本中的任意词表征为同一个向量空间的向量。通过向量空间上的相似度计算，可以计算出两个词的相似性。输出的词向量可以做一些自然语言处理的工作，如将词聚类，找同义词等等。2013年google推出了开源的word2vec的代码，得到了广泛的应用。
word2vec算法的设计初衷是对有序的文本来训练，利用word2vec算法对文本进行训练，就可以得到表征文本中的每次词的向量，但是，word2vec算法一般用于对较长的文本例如一些文章等进行训练，训练学习时会考虑到上下文词语的含义，不考虑紧邻的若干个词之间的关联关系。而本发明中用于训练的语料通常是短文本，只是几个物品标签和用户属性的组合，为了达到较好的训练效果，可以将这些用户属性和物品标签进行混合打乱。
通过实验，将用户属性和商品标签进行混合打乱确实可以得到比较好的训练效果。一个原因是，本文训练的短文本只是几个物品标签和用户属性的组合，短文本下word2vec的窗口可以覆盖整个训练的基础训练语料的一部分。另一个原因是，大量数据下可以从随机打乱的短文本语料获取信息。
其中，打乱用户属性和物品标签是处理训练数据的，对于在线获取的用户属性或物品标签则不需要打乱。
在步骤120中，获取目标用户的用户属性和目标物品信息的物品标签在向量空间中各自对应的用户属性向量和物品标签向量，通过计算向量间的相似性获得目标用户的用户属性与目标物品信息的物品标签的关联关系。
在步骤110中，任意用户属性和任意物品标签都被映射到了同一个向量空间当中，每个用户属性和物品标签都分别可以通过该空间中的用户属性向量和物品标签向量进行表示，于是，在没有获得目标用户的操作行为数据等情况下，针对目标用户和目标物品，就可以利用该向量空间，通过计算向量间的相似性获得目标用户的用户属性与目标物品信息的物品标签的关联关系。
在本申请一实施例中，获得关联关系的具体过程可包括步骤01至步骤02。
在步骤01中，获取目标用户的用户属性和目标物品信息的物品标签，并获 取目标用户的用户属性在向量空间中对应的用户属性向量和目标物品信息的物品标签在向量空间中对应的物品标签向量。
在步骤02中，计算向量空间中的目标用户的用户属性向量与目标物品信息的物品标签向量的相似性，得到目标用户的用户属性与目标物品信息的物品标签的关联度，建立起目标用户的用户属性到目标物品信息的物品标签的关联关系，该关联关系可以用关联度表示。
计算向量间相似性的方法有多种，在本申请一实施例中，可以计算向量空间中目标用户的用户属性向量与目标物品信息的物品标签向量的余弦相似性，余弦相似性具有计算简单的优点。并且，余弦相似性得到的结果是一个介于0～1之间的值，不需要再进行归一化等处理，余弦相似性的值越大表示用户属性的向量与物品标签的向量的关联度越高。计算向量间相似性还可以采用其他方法，本发明实施例对此不作限制。
本发明实施例中，通过计算向量间的相似性获得目标用户的用户属性与目标物品信息的物品标签的关联度，建立起目标用户到目标物品信息的关联关系。
在步骤130中，根据关联关系向目标用户推荐目标物品。
在推荐系统中，用户属性和物品标签的关联度可以作为推荐的一个重要指标。这个关联度体现了物品标签和用户属性共现的程度，向量越相似，说明用户属性和物品标签更相似。
进行信息推荐时，可以设定一个阈值，对于任一目标用户，将与该目标用户的用户属性的关联度超过设定阈值的一种或多种物品标签表示的物品推荐给该目标用户。
下面举例说明：在线推荐的场景中，当推荐系统拥有一部分新用户，一个待推荐的物品池。其中，知道新用户的一些基础的用户属性，如年龄、性别、地域、学历等。并且，可将物品池中的物品信息转换为可用的物品标签，这些物品标签可以为物品信息的类目，或标题分词等。获取了用户属性，物品标签，以及根据用户属性和物品标签训练得到的向量空间，可以给用户推荐物品。推荐过程包括：通过使用该向量空间中的各个用户属性向量与各个物品标签向量进行余弦关联度计算，可以获得任意用户属性与任意物品标签之间的关联度。 从而推荐系统就可以给任意新用户推荐物品池中的物品了，从而解决了推荐系统的冷启动过问题。
举例来说，某用户的一个用户属性是手机型号，假设该手机型号为P1，假设某手机保护套的一个物品标签为保护套类型，假设该保护套类型为T1，如果该T1类型的手机保护套与该P1型号的手机的关联度超过阈值，则可以把该T1类型的手机保护套作为待推荐物品推荐给该用户。可见，该种推荐方法不需要知道目标用户的历史操作行为数据。
本发明实施例中，任意用户属性和物品标签只需要一个k维向量就可以表示，k为一个自然数。若推荐系统含有|U|个用户属性和|I|个物品标签，那么本发明实施例构建的向量空间模型，可以通过|U|×k个参数表示用户属性，可以通过|I|×k个参数表示物品标签，一共只需要(|U|+|I|)×k个参数就可以表征整个全部用户属性和物品标签。可见，本发明实施例建立了一种简单，可靠，参数少，可扩展的泛关联用户和物品关系的向量空间模型。
上述方法的某些过程存在多种可能的替代方案。例如，用户对物品信息的操作行可以包括：用户对物品信息的点击行为，也可以是用户对物品信息的点赞，评分，购买等行为。本文中，所说的物品含义广泛，不仅包括电商中的物品，还可以包含广告，文章，视频等。另外，向量相似性的计算不限于余弦相似性，还可以利用其它相似性计算方法。
可以理解，本申请实施例中上述方案例如可以在计算机设备具体实施。
在本申请的一些可行的实施方式中，提供了一种信息推荐方法，该方法可以根据历史数据中用户对物品信息的操作行为数据，构建包括用于表示用户信息的用户属性的用户属性向量和用于表示物品信息的物品标签向量的向量空间，利用该向量空间，通过获取目标用户的用户属性和目标物品信息的物品标签在向量空间中各自对应的向量，可以通过计算向量间的相似性获得目标用户的用户属性与目标物品信息的物品标签的关联关系，根据该关联关系就可以进行物品信息推荐。
由于该信息推荐方法建立了用户属性与物品标签的关联关系进行物品信息推荐，不再是直接依赖于用户和物品信息的关系进行推荐，因而，不需要获取目标用户的行为数据，仅仅基于历史数据中的其它用户的操作行为数据，就 可以实现信息推荐，从而可以解决推荐系统的冷启动问题。
为了更好的实施本发明实施例的上述方案，下面还提供用于配合实施上述方案的相关系统。
请参考图3，本发明一个实施例提供一种信息推荐系统300，该系统300可包括：
构建模块310，用于根据历史数据中用户对物品信息的操作行为数据构建向量空间，向量空间中包括用于表示用户信息的用户属性向量和用于表示物品信息的物品标签向量；
关联模块320，用于获取目标用户的用户属性和目标物品信息的物品标签在向量空间中各自对应的用户属性向量和物品标签向量，通过计算向量间的相似性获得目标用户的用户属性与目标物品信息的物品标签的关联关系；
推荐模块330，用于根据关联关系向目标用户推荐物品信息。
在本申请一实施例中，构建模块310可以具体用于：根据历史数据中用户对物品信息的操作行为数据，获取所述用户的用户属性和物品信息的物品标签，将获取的用户属性和物品标签映射到同一个向量空间中，其中，每个用户属性用向量空间中的一个用户属性向量表示，每个物品标签用向量空间中的一个物品标签向量表示。
在本申请一实施例中，所述构建模块310可以包括：
获取单元3101，用于根据历史数据中用户对物品信息的操作行为数据，获取所述用户的用户属性和所述物品信息的物品标签；
转换单元3102，用于将历史数据中用户对物品信息的操作行为数据，转换为用户属性对物品标签的操作行为数据；
提取单元3103，用于从用户属性对物品标签的操作行为数据中提取用户属性和物品标签，并将提取的用户属性和物品标签打乱，组成基础训练语料；
映射单元3104，用于对获取的基础训练语料进行学习，得到表征每个用户属性的用户属性向量和每个物品标签的物品标签向量。其中，映射单元3104可以利用word2vec算法对获取的基础语料进行学习，并得到表征每个用户属性的用户属性向量和每个物品标签的物品标签向量。
在本申请一实施例中，所述关联模块320可以包括：
获取单元3201，用于获取目标用户的用户属性和目标物品信息的物品标签在向量空间中各自对应的用户属性向量和物品标签向量；
计算单元3202，用于计算向量空间中的目标用户的用户属性向量与目标物品信息的物品标签向量的相似性，得到目标用户的用户属性与目标物品信息的物品标签的关联度。
在本申请一实施例中，计算单元3202，可以具体用于计算向量空间中的目标用户的用户属性向量与目标物品信息的物品标签向量的余弦相似性。
在本申请一实施例中，建立单元3203，可以具体用于在目标用户没有针对目标物品信息的操作行为数据时，根据向量空间建立目标用户到目标物品信息的关联关系。
在本申请一实施例中，推荐模块330，可以具体用于对于任一目标用户，将与该目标用户的用户属性的关联度超过设定阈值的一种或多种物品标签表示的目标物品信息推荐给该目标用户。
可以理解，本发明实施例系统的各个功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可参照上述方法实施例中的相关描述，此处不再赘述。
在本申请的一些可行的实施方式中，可以根据历史数据中用户对物品信息的操作行为数据，构建包括用于表示用户信息的用户属性向量和用于表示物品信息的物品标签向量的向量空间，利用该向量空间，通过获取目标用户的用户属性和目标物品信息的物品标签在向量空间中各自对应的向量，就可以通过计算向量间的相似性获得目标用户的用户属性与目标物品信息的物品标签的关联关系，根据该关联关系就可以进行物品信息推荐。
可见，由于建立了用户属性与物品标签的关联关系进行信息推荐，不再是直接依赖于用户和物品信息的关系进行推荐，因而，不需要获取目标用户的行为数据，仅仅基于历史数据中的其它用户的操作行为数据，就可以实现信息推荐，从而可以解决推荐系统的冷启动问题。
请参考图4，本发明实施例还提供一种计算机设备400；
该计算机设备400可包括：处理器401和存储器402，所述存储器402用于存储程序403，所述处理器401与所述存储器402通过总线404连接，当所述计算机 设备400运行时，所述处理器401执行所述存储器402存储的所述程序403，以使所述计算机设备400执行本申请实施例所述的信息推荐方法。
本发明实施例还提供一种计算机存储介质，该计算机存储介质可存储有程序，该程序执行时包括上述方法实施例中记载的信息推荐方法的部分或全部步骤。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
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动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。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。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
以上对本发明实施例所提供的信息推荐方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (13)

  1. 一种信息推荐方法，包括：
    根据历史数据中用户对物品信息的操作行为数据构建向量空间，所述向量空间中包括用于表示所述用户的用户属性的用户属性向量和用于表示所述物品信息的物品标签的物品标签向量；
    获取目标用户的用户属性在所述向量空间中对应的用户属性向量和目标物品信息的物品标签在所述向量空间中对应的物品标签向量，通过计算向量间的相似性获得所述目标用户的用户属性与所述目标物品信息的物品标签的关联关系；以及
    根据所述关联关系向所述目标用户推荐目标物品信息。
  2. 根据权利要求1所述的方法，所述根据历史数据中用户对物品信息的操作行为数据构建向量空间包括：
    根据所述历史数据中所述用户对物品信息的操作行为数据，获取所述用户的用户属性和所述物品信息的物品标签；以及
    将所述用户属性和物品标签映射到所述向量空间中，其中，所述用户属性用所述向量空间中的一个用户属性向量表示，所述物品标签用所述向量空间中的一个物品标签向量表示。
  3. 根据权利要求2所述的方法，所述将所述用户属性和物品标签映射到所述向量空间中包括：
    将所述历史数据中所述用户对所述物品信息的操作行为数据，转换为所述用户属性对所述物品标签的操作行为数据；
    从所述用户属性对所述物品标签的操作行为数据中提取用户属性和物品标签，将所述用户属性和物品标签打乱，作为基础训练语料；以及
    对所述基础训练语料进行学习，得到所述向量空间，所述向量空间包括分别用于表示所述用户的用户属性的用户属性向量和用于表示所述物品信息的物品标签的物品标签向量。
  4. 根据权利要求2所述的方法，所述通过计算向量间的相似性获得所述目标用户的用户属性与所述目标物品信息的物品标签的关联关系包括：
    计算所述向量空间中的所述目标用户的用户属性向量与所述目标物品信息的物品标签向量的相似性，得到所述目标用户的用户属性与所述目标物品信息的物品标签的关联度。
  5. 根据权利要求4所述的方法，所述计算所述向量空间中的所述目标用户的用户属性向量与所述目标物品信息的物品标签向量的相似性包括：
    计算所述向量空间中的所述目标用户的用户属性向量与所述目标物品信息的物品标签向量的余弦相似性。
  6. 根据权利要求4所述的方法，所述根据所述关联关系向所述目标用户推荐所述目标物品信息包括：
    将与所述目标用户的用户属性的关联度超过设定阈值的物品标签表示的目标物品信息推荐给所述目标用户。
  7. 一种信息推荐系统，包括：一个或多个处理器和存储有操作指令的存储介质，当运行所述存储介质中的操作指令时，所述处理器执行如下步骤：
    根据历史数据中用户对物品信息的操作行为数据构建向量空间，所述向量空间中包括用于表示所述用户的用户属性的向量和用于表示所述物品信息的物品标签的向量；
    获取目标用户的用户属性在所述向量空间中对应的用户属性向量和目标物品信息的物品标签在所述向量空间中对应的物品标签向量，通过计算向量间的相似性获得所述目标用户的用户属性与所述目标物品信息的物品标签的关联关系；以及
    根据所述关联关系向所述目标用户推荐物品信息。
  8. 根据权利要求7所述的系统，所述处理器执行：
    根据所述历史数据中所述用户对物品信息的操作行为数据，获取所述用户的用户属性和所述物品信息的物品标签；以及
    将所述用户属性和物品标签映射到所述向量空间中，其中，所述用户属性用所述向量空间中的一个用户属性向量表示，所述物品标签用所述向量空间中的一个物品标签向量表示。
  9. 根据权利要求8所述的系统，所述处理器执行：
    将所述历史数据中所述用户对所述物品信息的操作行为数据，转换为所述用户属性对所述物品标签的操作行为数据；
    从所述用户属性对所述物品标签的操作行为数据中提取用户属性和物品标签，将所述用户属性和物品标签打乱，作为基础训练语料；以及
    对所述基础训练语料进行学习，得到表征每个用户属性和每个物品标签的向量。
  10. 根据权利要求8所述的系统，所述处理器执行：
    计算所述向量空间中的所述目标用户的用户属性向量与所述目标物品信息的物品标签向量的相似性，得到所述目标用户的用户属性与所述目标物品信息的物品标签的关联度。
  11. 根据权利要求10所述的系统，所述处理器执行：
    计算所述向量空间中的所述目标用户的用户属性向量与所述目标物品信息的物品标签向量的余弦相似性。
  12. 根据权利要求10中任一所述的系统，所述处理器执行：
    将与所述目标用户的用户属性的关联度超过设定阈值的物品标签表示的物品信息推荐给所述目标用户。
  13. 一种非瞬时性的计算机可读存储介质，其上存储有计算机可执行指令，当计算机中运行这些可执行指令时，执行如下步骤：
    根据历史数据中用户对物品信息的操作行为数据构建向量空间，所述向量空间中包括用于表示所述用户的用户属性的向量和用于表示所述物品信息的物品标签的向量；
    获取目标用户的用户属性在所述向量空间中对应的用户属性向量和目标物品信息的物品标签在所述向量空间中对应的物品标签向量，通过计算向量间的相似性获得所述目标用户的用户属性与所述目标物品信息的物品标签的关联关系；以及
    根据所述关联关系向所述目标用户推荐物品信息。
PCT/CN2016/112988 2016-01-12 2016-12-29 信息推荐方法、系统以及存储介质 WO2017121244A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201610017994.7A CN106959966A (zh) 2016-01-12 2016-01-12 一种信息推荐方法及系统
CN201610017994.7 2016-01-12

Publications (1)

Publication Number Publication Date
WO2017121244A1 true WO2017121244A1 (zh) 2017-07-20

Family

ID=59310763

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2016/112988 WO2017121244A1 (zh) 2016-01-12 2016-12-29 信息推荐方法、系统以及存储介质

Country Status (2)

Country Link
CN (1) CN106959966A (zh)
WO (1) WO2017121244A1 (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109840321A (zh) * 2017-11-29 2019-06-04 腾讯科技（深圳）有限公司 文本推荐方法、装置及电子设备
CN110033097A (zh) * 2019-03-07 2019-07-19 阿里巴巴集团控股有限公司 基于多个数据域确定用户与物品的关联关系的方法及装置
CN110298386A (zh) * 2019-06-10 2019-10-01 成都积微物联集团股份有限公司 一种基于图像内容的标签自动化定义方法
CN110955831A (zh) * 2019-11-25 2020-04-03 北京三快在线科技有限公司 物品推荐方法、装置、计算机设备及存储介质
CN111125420A (zh) * 2019-12-25 2020-05-08 腾讯科技（深圳）有限公司 基于人工智能的对象推荐方法、装置及电子设备
CN111178949A (zh) * 2019-12-18 2020-05-19 北京文思海辉金信软件有限公司 服务资源匹配参考数据确定方法、装置、设备和存储介质
CN111461175A (zh) * 2020-03-06 2020-07-28 西北大学 自注意与协同注意机制的标签推荐模型构建方法及装置
WO2020207074A1 (zh) * 2019-04-09 2020-10-15 中国科学院深圳先进技术研究院 一种信息推送的方法及设备
CN111797204A (zh) * 2020-07-01 2020-10-20 北京三快在线科技有限公司 文本匹配方法、装置、计算机设备及存储介质
CN112417260A (zh) * 2019-08-20 2021-02-26 腾讯科技（深圳）有限公司 本地化推荐方法、装置及存储介质
CN112750004A (zh) * 2019-10-31 2021-05-04 深圳云天励飞技术有限公司 一种跨领域商品的冷启动推荐方法、装置和电子设备
CN113626704A (zh) * 2021-08-10 2021-11-09 平安国际智慧城市科技股份有限公司 基于word2vec模型的推荐信息方法、装置及设备

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107577660B (zh) * 2017-07-21 2020-07-03 阿里巴巴集团控股有限公司 类目信息识别方法、装置及服务器
CN110020109B (zh) * 2017-09-12 2021-12-07 北京京东尚科信息技术有限公司 用于信息推广的方法及装置
CN107748998A (zh) * 2017-10-13 2018-03-02 北京奇艺世纪科技有限公司 广告推荐的方法及系统
CN108009847B (zh) * 2017-11-30 2021-06-15 西安电子科技大学 外卖场景下店铺embedding特征提取的方法
CN109919699B (zh) * 2017-12-12 2022-03-04 北京京东尚科信息技术有限公司 项目推荐方法、项目推荐系统以及计算机可读介质
CN108320185A (zh) * 2018-02-02 2018-07-24 深圳市喂车科技有限公司 一种油站非油品推荐方法、装置及可读存储介质
CN110633197B (zh) * 2018-06-22 2024-04-12 北京京东尚科信息技术有限公司 一种过度绘制的检测方法和装置
CN110428295A (zh) * 2018-08-01 2019-11-08 北京京东尚科信息技术有限公司 商品推荐方法和系统
CN109460512B (zh) * 2018-10-25 2022-04-22 腾讯科技（北京）有限公司 推荐信息处理方法、装置、设备及存储介质
CN109710853B (zh) * 2018-12-27 2021-05-04 深圳铁盒子文化科技发展有限公司 一种人工智能分类匹配方法及系统
CN110162700A (zh) * 2019-04-23 2019-08-23 腾讯科技（深圳）有限公司 信息推荐及模型的训练方法、装置、设备以及存储介质
CN110059271B (zh) * 2019-06-19 2020-01-10 达而观信息科技（上海）有限公司 运用标签知识网络的搜索方法及装置
CN111191112A (zh) * 2019-07-12 2020-05-22 腾讯科技（深圳）有限公司 一种电子读物数据处理方法、装置及存储介质
CN110827112B (zh) * 2019-09-16 2023-02-03 中国平安人寿保险股份有限公司 深度学习的商品推荐方法、装置、计算机设备及存储介质
CN113052647B (zh) * 2019-12-27 2024-04-09 腾讯科技（深圳）有限公司 一种用于冷启动的推荐方法、装置及计算机可读存储介质
CN112596712A (zh) * 2020-12-28 2021-04-02 上海风秩科技有限公司 冷启动接口设计方法、系统、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030236708A1 (en) * 2002-06-19 2003-12-25 Marsh David J. Electronic program guides utilizing demographic stereotypes
US7743059B2 (en) * 2007-03-30 2010-06-22 Amazon Technologies, Inc. Cluster-based management of collections of items
CN103440341A (zh) * 2013-09-09 2013-12-11 广州品唯软件有限公司 信息推荐方法及装置
CN103744966A (zh) * 2014-01-07 2014-04-23 Tcl集团股份有限公司 一种物品推荐方法、装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8326760B2 (en) * 2010-09-13 2012-12-04 Cybersource Corporation Computer-based collective intelligence recommendations for transaction review
JP5207088B2 (ja) * 2010-11-24 2013-06-12 株式会社Ｊｖｃケンウッド アイテム選択装置、アイテム選択方法およびコンピュータプログラム
CN103514239B (zh) * 2012-11-26 2016-12-21 Tcl美国研究所 一种集成用户行为和物品内容的推荐方法及系统
CN103400286B (zh) * 2013-08-02 2016-12-28 世纪禾光科技发展（北京）有限公司 一种基于用户行为进行物品特征标注的推荐系统及方法
CN104063589B (zh) * 2014-06-16 2018-01-16 百度移信网络技术（北京）有限公司 一种推荐方法以及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030236708A1 (en) * 2002-06-19 2003-12-25 Marsh David J. Electronic program guides utilizing demographic stereotypes
US7743059B2 (en) * 2007-03-30 2010-06-22 Amazon Technologies, Inc. Cluster-based management of collections of items
CN103440341A (zh) * 2013-09-09 2013-12-11 广州品唯软件有限公司 信息推荐方法及装置
CN103744966A (zh) * 2014-01-07 2014-04-23 Tcl集团股份有限公司 一种物品推荐方法、装置

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109840321A (zh) * 2017-11-29 2019-06-04 腾讯科技（深圳）有限公司 文本推荐方法、装置及电子设备
CN110033097A (zh) * 2019-03-07 2019-07-19 阿里巴巴集团控股有限公司 基于多个数据域确定用户与物品的关联关系的方法及装置
WO2020207074A1 (zh) * 2019-04-09 2020-10-15 中国科学院深圳先进技术研究院 一种信息推送的方法及设备
CN110298386A (zh) * 2019-06-10 2019-10-01 成都积微物联集团股份有限公司 一种基于图像内容的标签自动化定义方法
CN112417260B (zh) * 2019-08-20 2023-08-18 腾讯科技（深圳）有限公司 本地化推荐方法、装置及存储介质
CN112417260A (zh) * 2019-08-20 2021-02-26 腾讯科技（深圳）有限公司 本地化推荐方法、装置及存储介质
CN112750004A (zh) * 2019-10-31 2021-05-04 深圳云天励飞技术有限公司 一种跨领域商品的冷启动推荐方法、装置和电子设备
CN110955831A (zh) * 2019-11-25 2020-04-03 北京三快在线科技有限公司 物品推荐方法、装置、计算机设备及存储介质
CN110955831B (zh) * 2019-11-25 2023-04-14 北京三快在线科技有限公司 物品推荐方法、装置、计算机设备及存储介质
CN111178949A (zh) * 2019-12-18 2020-05-19 北京文思海辉金信软件有限公司 服务资源匹配参考数据确定方法、装置、设备和存储介质
CN111125420A (zh) * 2019-12-25 2020-05-08 腾讯科技（深圳）有限公司 基于人工智能的对象推荐方法、装置及电子设备
CN111125420B (zh) * 2019-12-25 2021-05-07 腾讯科技（深圳）有限公司 基于人工智能的对象推荐方法、装置及电子设备
CN111461175A (zh) * 2020-03-06 2020-07-28 西北大学 自注意与协同注意机制的标签推荐模型构建方法及装置
CN111461175B (zh) * 2020-03-06 2023-02-10 西北大学 自注意与协同注意机制的标签推荐模型构建方法及装置
CN111797204A (zh) * 2020-07-01 2020-10-20 北京三快在线科技有限公司 文本匹配方法、装置、计算机设备及存储介质
CN113626704A (zh) * 2021-08-10 2021-11-09 平安国际智慧城市科技股份有限公司 基于word2vec模型的推荐信息方法、装置及设备

Also Published As

Publication number Publication date
CN106959966A (zh) 2017-07-18

Similar Documents

Publication Publication Date Title
WO2017121244A1 (zh) 信息推荐方法、系统以及存储介质
WO2022041979A1 (zh) 一种信息推荐模型的训练方法和相关装置
KR102220273B1 (ko) 상품 추천 방법 및 이를 이용하는 서버
Zhao et al. We know what you want to buy: a demographic-based system for product recommendation on microblogs
JP2018142294A (ja) マイクロブログ投稿から購入ステージを識別するために深層学習を使用するシステムおよび方法、プログラム、サーバ装置
WO2018068648A1 (zh) 一种信息匹配方法及相关装置
CN108959323B (zh) 视频分类方法和装置
US11599822B1 (en) Generation and use of literary work signatures reflective of entity relationships
US9906588B2 (en) Server and method for extracting content for commodity
Dong et al. Further experiments in opinionated product recommendation
US10832283B1 (en) System, method, and computer program for providing an instance of a promotional message to a user based on a predicted emotional response corresponding to user characteristics
CN110633464A (zh) 一种语义识别方法、装置、介质及电子设备
WO2016048355A1 (en) Item recommendation
CN111967924A (zh) 商品推荐方法、商品推荐装置、计算机设备和介质
Lo et al. Identifying the high-value social audience from Twitter through text-mining methods
KR20200140588A (ko) 이미지 기반 제품 매매 서비스 제공 시스템 및 방법
CN112446214A (zh) 广告关键词的生成方法、装置、设备及存储介质
Mane et al. Complementary-similarity learning using quadruplet network
US20140164097A1 (en) Method and system for facilitating the creation of a product data set for a product on a website
CN115964520A (zh) 元数据标签识别
Ahsan et al. Complementary Recommendations Using Deep Multi-modal Embeddings For Online Retail
Bhamre et al. Aspect rating analysis based product ranking
CN112559853A (zh) 用户标签的生成方法和装置
Kanchanadevi et al. Co-extortion of sentiment and recurrence of the aspects from online reviews for Co-Ranking
US11769175B2 (en) System for assisting in marketing

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16884795

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 16884795

Country of ref document: EP

Kind code of ref document: A1