WO2018137420A1 - 一种信息推荐列表的生成方法及装置 - Google Patents

一种信息推荐列表的生成方法及装置 Download PDF

Info

Publication number
WO2018137420A1
WO2018137420A1 PCT/CN2017/115551 CN2017115551W WO2018137420A1 WO 2018137420 A1 WO2018137420 A1 WO 2018137420A1 CN 2017115551 W CN2017115551 W CN 2017115551W WO 2018137420 A1 WO2018137420 A1 WO 2018137420A1
Authority
WO
WIPO (PCT)
Prior art keywords
recommended
feature data
objects
recommendation
value
Prior art date
Application number
PCT/CN2017/115551
Other languages
English (en)
French (fr)
Inventor
董振华
刘志容
唐睿明
何秀强
李彦杰
Original Assignee
华为技术有限公司
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 华为技术有限公司 filed Critical 华为技术有限公司
Publication of WO2018137420A1 publication Critical patent/WO2018137420A1/zh

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9535Search customisation based on user profiles and personalisation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0481Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance

Definitions

  • the present application relates to the field of communications technologies, and in particular, to a method and an apparatus for generating an information recommendation list.
  • Mobile phone users can connect with friends and relatives through mobile phones, read books, view information, plan outbound trips, or play games.
  • Mobile phone users can download corresponding applications (applications, referred to as APP) through mobile phone application market to obtain corresponding information.
  • the mobile phone recommendation system can recommend the APP to be downloaded for the mobile phone user on the information recommendation platform such as the mobile application market.
  • the application provides a method and a device for generating an information recommendation list, which can improve the correlation between the recommendation value of the object to be recommended and the feature data of the object to be recommended, and improve the selection accuracy of the recommendation object and the resource utilization rate of the recommendation list.
  • the present application provides a method for generating a information recommendation list, which may include:
  • the terminal acquires feature data of each object to be recommended in the to-be-recommended object set, where the to-be-recommended object set includes S1 objects to be recommended, and S1 is an integer greater than 1.
  • the terminal acquires a preset feature data set, where the preset feature data set includes feature data of the S2 recommended objects, and the feature data of the S2 recommended objects includes feature data of the specified recommended object, and S2 is less than or equal to S1. ;
  • the terminal calculates a recommended value of each of the to-be-recommended objects according to the preset feature data set and the feature data of the S1 to-be-recommended objects;
  • the terminal selects a target recommendation object according to the recommended value of each of the S1 to-be-recommended objects, and adds the target recommendation object to a specified display position in the recommendation list.
  • the recommended values of each object to be recommended may be calculated according to the feature data of each object to be recommended and the preset feature data set.
  • the feature data of the specified recommended object may also be added to the calculation of the recommended value of the object to be recommended to be determined, and the determination of the specified recommended object may be determined according to the actual application scenario, and the operation is more flexible.
  • the recommended value of the recommended object is more accurate, and the algorithm complexity of generating the recommendation list is improved, and the applicability is stronger.
  • the implementation described in this application is specified
  • the feature data of the recommended object determines the object to be recommended to be determined, and can more flexibly control the correlation between the objects to be recommended, and improve the utilization rate of the display list of the recommended list.
  • the specified recommended object includes a recommended object that has been determined to be added to the recommended list, and the feature similarity between the specified recommended object and the target recommended object Less than the preset similarity threshold.
  • the application can flexibly select the specified recommendation object, add the feature data of the specified recommendation object to the calculation of the recommendation value of the object to be recommended to be determined, and flexibly control the correlation between the objects to be recommended added to the recommendation list.
  • the specified recommendation object may include the recommendation object that has been determined to be added to the recommendation list, which may reduce the probability of occurrence of the replaceable object to be recommended, further improve the effective utilization of the display position of the recommendation list, and improve resource utilization.
  • the terminal calculates, according to the preset feature data set and feature data of the S1 to-be-recommended objects
  • the recommended values of the i-th object to be recommended include:
  • the terminal calculates, as the input value of the preset recommended value calculation model, the feature data set of the preset feature data set and the ith target object to be recommended, and calculates the ith to be recommended by using the recommended value calculation model.
  • the recommended value of the object is
  • the application can calculate the recommended value of each object to be recommended by the recommended value calculation model, and can improve the calculation accuracy and calculation efficiency of the recommended value of the object to be recommended, and the applicability is higher.
  • the terminal selects, according to the recommended value of each object to be recommended in the S1 to-be-recommended objects Target recommendations include:
  • the terminal selects a to-be-recommended object that meets a predefined selection rule from the S1 to-be-recommended objects, and selects a to-be-recommended object with the largest recommended value from the to-be-recommended object that meets the predefined selection rule as the target recommendation object.
  • the present application can select a target recommendation object by using a predefined selection rule and a recommendation value of each object to be recommended, further improving the selection controllability of each recommendation object in the recommendation list, and improving resource utilization of the recommendation list.
  • the fourth possible implementation after the target recommendation object is added to the specified display position in the recommendation list, the method also includes:
  • the present invention can improve the selection controllability of each recommended object in the recommendation list by updating the feature data in the preset feature data set according to the selected target recommendation object, and reduce the occurrence probability of the replaceable object to be recommended in the recommendation list. Increase the resource utilization of the recommendation list.
  • the to-be-recommended object includes: an application APP, audio and video data, a webpage, and news information. At least one of them.
  • the implementation provided by the present application can be applied to the selection of more recommended forms of the object to be recommended, improves the diversity of the information recommendation list, and enhances the applicability of the method for generating the information recommendation list.
  • the feature data includes: an identity ID, a category attribute, an applicable platform, a number of times of viewing, and a click At least one of pass rate, number of downloads, and data size.
  • the present application can select a target recommendation object by using a predefined selection rule and a recommendation value of each object to be recommended, thereby further improving the selection effectiveness of each recommendation object in the recommendation list, and improving the resource utilization rate of the recommendation list.
  • the recommendation value calculation of the object to be recommended determined in the latter 1 refers to the feature data of the previously selected recommended object, and thus the objects to be recommended are enhanced.
  • the feature association between the two can reduce the probability of occurrence of replaceable recommended objects in the recommendation list and improve the resource utilization of the recommended list.
  • the manners of updating the foregoing F1, F2, and F3 and the preset feature data set may participate in the implementation manners described in the related steps in the foregoing embodiments, and details are not described herein again.
  • the corresponding data set may be updated until all the objects to be recommended are sorted, or the number of sorted recommended objects meets a predefined number requirement. Then, the recommendation list is finally generated and output to the user operation interface for presentation to the user.
  • the computing module 32 is configured to:
  • the selection module 33 is configured to:
  • the processor 42 may be one or more central processing units (CPUs). In the case where the processor 42 is a CPU, the CPU may be a single core CPU or a multi-core CPU.
  • CPUs central processing units
  • the processor 42 is configured to read the program code stored in the memory 41 and perform the following operations:
  • the specified recommendation object includes a recommendation object that has been determined to be added to the recommendation list, and the feature similarity of the specified recommendation object and the target recommendation object is less than a preset similarity threshold.
  • the processor 42 is configured to:
  • the object to be recommended that meets the predefined selection rule is selected from the S1 objects to be recommended, and the object to be recommended with the largest recommendation value is selected as the target recommendation object from the object to be recommended that meets the predefined selection rule.
  • the processor 42 is further configured to:
  • the object to be recommended includes at least one of an application APP, audio and video data, a webpage, and news information.
  • the program can be stored in a computer readable storage medium, when the program is executed
  • the flow of the method embodiments as described above may be included.
  • the foregoing storage medium includes various media that can store program codes, such as a ROM or a random access memory RAM, a magnetic disk, or an optical disk.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请的实施例公开了一种信息推荐列表的生成方法及装置,所述方法包括:终端获取待推荐对象集合中各个待推荐对象的特征数据,所述待推荐对象集合中包括S1个待推荐对象;终端获取预设特征数据集合,所述预设特征数据集合中包括S2个推荐对象的特征数据,S2个推荐对象的特征数据中包括指定推荐对象的特征数据,S2小于或者等于S1;终端根据所述预设特征数据集合和S1个待推荐对象的特征数据,计算各个所述待推荐对象的推荐值;终端根据S1个待推荐对象中各个待推荐对象的推荐值选取目标推荐对象,并将目标推荐对象添加至推荐列表中的指定展示位。采用本申请的实施例,具有可提高推荐对象的选择准确性,提高推荐列表的资源利用率的优点。

Description

一种信息推荐列表的生成方法及装置 技术领域
本申请涉及通信技术领域,尤其涉及一种信息推荐列表的生成方法及装置。
背景技术
当前随着手机的日益普及,手机与手机用户的日常生活需求的关系日益密切。手机用户可通过手机与亲友联系、读书、查看资讯、策划外出行程,或者玩游戏等,手机用户可通过手机应用市场下载相应的应用程序(application,简称APP)等方式获取相应的信息。手机推荐系统可在手机应用市场等信息推荐平台上为手机用户推荐待下载的APP等。
现有技术中,手机推荐系统可根据手机用户已经下载的APP向用户推荐更多相关的APP等资讯。现有技术通过预测手机用户对某些物品的喜好程度,将预测喜好程度较高的APP推荐给手机用户。然而,现有技术的推荐方式只是考虑了用户感兴趣的APP等资讯,并未考虑已有的APP等资讯与推荐的APP等资讯之间的可替代性等相关性,适用性差。例如,若手机用户下载了一个旅游类的APP,现有技术将以此预测的用户喜好程度较高的APP将包括更多的旅游类的APP,因此推荐列表中将较多相同类别的可替换APP。用户需要的旅游类APP只需要一个时,其他相关的旅游类的APP将占用了较多的推荐展示位,浪费了推荐列表资源,适用性差。
发明内容
本申请提供一种信息推荐列表的生成方法及装置,可提高待推荐对象的推荐值与待推荐对象的特征数据的相关性,提高推荐对象的选择准确性以及推荐列表的资源利用率。
第一方面,本申请提供了一种信息推荐列表的生成方法,其可包括:
终端获取待推荐对象集合中各个待推荐对象的特征数据,所述待推荐对象集合中包括S1个待推荐对象,S1为大于1的整数;
所述终端获取预设特征数据集合,所述预设特征数据集合中包括S2个推荐对象的特征数据,所述S2个推荐对象的特征数据中包括指定推荐对象的特征数据,S2小于或者等于S1;
所述终端根据所述预设特征数据集合和所述S1个待推荐对象的特征数据,计算各个所述待推荐对象的推荐值;
所述终端根据所述S1个待推荐对象中各个待推荐对象的推荐值选取目标推荐对象,并将所述目标推荐对象添加至推荐列表中的指定展示位。
在本申请提供的实现方式中,可根据各个待推荐对象的特征数据,以及预设特征数据集合计算各个待推荐对象的推荐值。计算各个待推荐对象的推荐值时可将指定推荐对象的特征数据也将加入到待确定的待推荐对象的推荐值的计算中,指定推荐对象的确定可根据实际应用场景确定,操作更灵活,待推荐对象的推荐值的计算准确性更高,提高了生成推荐列表的算法复杂度可控性,适用性更强。进一步的,本申请所描述的实现方式根据指定 推荐对象的特征数据确定待确定的待推荐对象,可更加灵活的控制各个待推荐对象之间的相关性,提高推荐列表的展示位利用率。
结合第一方面,在第一种可能的实现方式中,所述指定推荐对象包括已经确定添加至所述推荐列表中的推荐对象,且所述指定推荐对象与所述目标推荐对象的特征相似度小于预设相似度阈值。
本申请可灵活选定指定推荐对象,将指定推荐对象的特征数据添加至待确定的待推荐对象的推荐值的计算中,可灵活控制添加至推荐列表的各个待推荐对象之间的相关性。其中,指定推荐对象可包括已经确定添加至推荐列表的推荐对象,可降低可替换的待推荐对象的出现概率,进一步提高推荐列表的展示位的有效利用率,提高资源利用率。
结合第一方面或第一方面第一种可能的实现方式,在第二种可能的实现方式中,所述终端根据所述预设特征数据集合和所述S1个待推荐对象的特征数据,计算第i个所述待推荐对象的推荐值包括:
所述终端将所述预设特征数据集合和所述第i个待推荐对象的特征数据作为预置的推荐值计算模型的输入值,通过所述推荐值计算模型计算所述第i个待推荐对象的推荐值。
本申请可通过推荐值计算模型计算各个待推荐对象的推荐值,可提高待推荐对象的推荐值的计算准确性和计算效率,适用性更高。
结合第一方面至第一方面第二种可能的实现方式中任一种,在第三种可能的实现方式中,所述终端根据所述S1个待推荐对象中各个待推荐对象的推荐值选取目标推荐对象包括:
所述终端从所述S1个待推荐对象中选取符合预定义选取规则的待推荐对象,并从所述符合预定义选取规则的待推荐对象中选取推荐值最大的待推荐对象为目标推荐对象。
本申请可通过预定义选取规则和各个待推荐对象的推荐值选取目标推荐对象,进一步提高了推荐列表中各个推荐对象的选取可控性,提高推荐列表的资源利用率。
结合第一方面至第一方面第三种可能的实现方式中任一种,在第四种可能的实现方式中,所述将所述目标推荐对象添加至推荐列表中的指定展示位之后,所述方法还包括:
将所述目标推荐对象的特征数据从所述待推荐对象集合中剔除,并将所述目标推荐对象的特征数据添加至所述预设特征数据集合中。
本申请可通过根据已选取的目标推荐对象更新预设特征数据集合中的特征数据,提高了推荐列表中各个推荐对象的选取可控性,降低推荐列表中可替换的待推荐对象的出现概率,提高推荐列表的资源利用率。
结合第一方面至第一方面第四种可能的实现方式中任一种,在第五种可能的实现方式中,所述待推荐对象包括:应用程序APP、音视频数据、网页以及新闻资讯中的至少一种。
本申请提供的实现方式可适用于更多表现形式的待推荐对象的选取,提高了信息推荐列表的多样性,增强信息推荐列表的生成方法的适用性。
结合第一方面至第一方面第五种可能的实现方式中任一种,在第六种可能的实现方式中,所述特征数据包括:身份标识ID、类别属性、适用平台、查阅次数、点击通过率、下载次数以及数据大小中的至少一种。
本申请提供的实现方式中,待推荐对象的特征数据以及预设特征数据集合中的特征数 据可包括多种类型的数据,可提高待推荐对象的选取准确性,增强推荐列表的有效性。
结合第一方面至第一方面第三种可能的实现方式中任一种,在第七种可能的实现方式中,所述预定义规则包括:特征相同或者相近的待推荐对象的数目不大于M1,或者待推荐对象的版本更新日期不晚于预定义日期。
本申请可通过预定义选取规则和各个待推荐对象的推荐值选取目标推荐对象,进一步提高了推荐列表中各个推荐对象的选取有效性,提高推荐列表的资源利用率。
第二方面,本申请提供了一种信息推荐列表的生成装置,其可包括:
获取模块,用于获取待推荐对象集合中各个待推荐对象的特征数据,所述待推荐对象集合中包括S1个待推荐对象,S1为大于1的整数;
所述获取模块,还用于获取预设特征数据集合,所述预设特征数据集合中包括S2个推荐对象的特征数据,所述S2个推荐对象的特征数据中包括指定推荐对象的特征数据,S2小于或者等于S1;
计算模块,用于根据所述获取模块获取的所述预设特征数据集合和所述S1个待推荐对象的特征数据,计算各个所述待推荐对象的推荐值;
选取模块,用于根据所述计算模块计算得到的所述S1个待推荐对象中各个待推荐对象的推荐值选取目标推荐对象,并将所述目标推荐对象添加至推荐列表中的指定展示位。
结合第二方面,在第一种可能的实现方式中,所述获取模块获取的所述指定推荐对象包括已经确定添加至所述推荐列表中的推荐对象,且所述指定推荐对象与所述目标推荐对象的特征相似度小于预设相似度阈值。
结合第二方面或第二方面第一种可能的实现方式,在第二种可能的实现方式中,所述计算模块用于:
将所述预设特征数据集合和所述第i个待推荐对象的特征数据作为预置的推荐值计算模型的输入值,通过所述推荐值计算模型计算所述第i个待推荐对象的推荐值。
结合第二方面至第二方面第二种可能的实现方式中任一种,在第三种可能的实现方式中,所述选取模块用于:
从所述获取模块获取的所述S1个待推荐对象中选取符合预定义选取规则的待推荐对象,并从所述符合预定义选取规则的待推荐对象中,选取所述计算模块计算得到的推荐值最大的待推荐对象为目标推荐对象。
结合第二方面至第二方面第三种可能的实现方式中任一种,在第四种可能的实现方式中,所述获取模块还用于:
将所述目标推荐对象的特征数据从所述待推荐对象集合中剔除,并将所述目标推荐对象的特征数据添加至所述预设特征数据集合中。
结合第二方面至第二方面第四种可能的实现方式中任一种,在第五种可能的实现方式中,所述待推荐对象包括:应用程序APP、音视频数据、网页以及新闻资讯中的至少一种。
结合第二方面至第二方面第五种可能的实现方式中任一种,在第六种可能的实现方式中,所述特征数据包括:身份标识ID、类别属性、适用平台、查阅次数、点击通过率、下载次数以及数据大小中的至少一种。
第三方面,本申请提供了一种终端设备,其可包括:存储器和处理器;
所述存储器用于存储一组程序代码;
所述处理器用于调用所述存储器中存储的程序代码执行上述第一方面提供的方法。
在本申请提供的实现方式中,可根据各个待推荐对象的特征数据,以及预设特征数据集合计算各个待推荐对象的推荐值,其中,已经确定推荐的待推荐对象的特征数据也将加入到下一个待确定的待推荐对象的推荐值的计算中,推荐值的计算准确性更高,提高了生成推荐列表的算法复杂度可控性,适用性更强。进一步的,本申请所描述的实现方式根据已经确定的待推荐对象的特征数据确定待确定的待推荐对象,可更加灵活的控制各个待推荐对象之间的相关性,降低可替换的待推荐对象的出现概率,提高推荐列表的展示位利用率。
附图说明
为了更清楚地说明本申请的实施例中的技术方案,下面将对本申请的实施例中所需要使用的附图进行说明。
图1是本申请的实施例提供的信息推荐列表的生成方法的一流程示意图;
图2是本申请的实施例提供的信息推荐列表的生成方法的另一流程示意图;
图3是本申请的实施例提供的信息推荐列表的生成装置的一结构示意图;
图4是本申请的实施例提供的信息推荐列表的生成装置的另一结构示意图。
具体实施方式
下面结合本申请的实施例中的附图对本申请的实施例进行描述。
具体实现中,本申请的实施例中所描述的终端包括:手机(mobile phone)、平板电脑(Pad)、可穿戴设备以及个人计算机助理等,具体可根据实际应用场景确定,在此不做限制。下面将以手机为例进行说明。
本申请的实施例提供的信息推荐列表的生成方法及装置所适用的应用平台包括但不限于手机应用市场、手机音乐、手机视频、手机阅读、手机新闻资讯以及手机网页等。例如,以应用市场为例,本申请的实施例提供的信息推荐列表的生成方法及装置可适用于华为应用市场、百度应用市场、360应用市场以及小米应用市场等。本申请的实施例所描述的信息推荐列表可包括但不限于:APP推荐列表、音视频数据推荐列表、网页推荐列表以及新闻资讯推荐列表等。即,本申请所描述的待推荐对象可包括但不限于:APP、音视频数据、网页和新闻资讯等,下面将以APP为例进行说明。
在手机推荐系统中,信息推荐列表的生成包括预测和推荐等过程。其中,预测所需要解决的是预测手机用户对每个推荐对象的喜好程度。推荐则是根据预测的结果将推荐对象进行排序,例如根据预测的喜好程度,按照喜好程度高到低的顺序进行排序。排序学习(learning to rank)领域提出的排序策略中包括point-wise(单点优化)策略和list-wise(列表优化)策略等。其中,上述point-wise策略是按照待推荐对象中各个待推荐对象的预测推荐值,例如点击通过率(click-through-rate,CTR),从大到小的顺序进行排序。在point-wise策略中,各个待推荐对象的排序是根据各个待推荐对象的用户喜好程度,从 高到低的喜好程度进行排序,并未考虑各个待推荐对象之间的可替代性等相关性,适用性差。
list-wise排序策略则是直接将所有推荐对象进行排序得到一个整体序列,进而以该整体系列作为一个样本,直接优化该整体系列得到一个优化后的序列,将所有推荐对象按照优化后的序列进行排序得到推荐列表。该排序策略的难点在于如何对推荐列表进行标注,并且需要计算所有排序组合的概率,实现难度大。若推荐对象有n个,则该排序策略所需的时间复杂度将高达O(n*n!),其中,O()为时间复杂度的表达式。n越大,则该排序序列所需的时间复杂度越高,无法直接应用于解决工业界的问题,适用性差。
本申请的实施例提供一种信息推荐列表的生成方法及装置,可根据各个待推荐对象的特征,以及已排序的推荐对象的特征,依次选取目标推荐对象添加至推荐列表中的指定展示位中。本申请的实施例提供的实现方式可考虑各个推荐对象之间的可替换性等相关性,避免可替换性较高的推荐对象过多的占用推荐列表的展示位,提高推荐列表的资源利用率,提高信息推荐列表的生成的适用性。
参见图1,是本申请的实施例提供的信息推荐列表的生成方法的一流程示意图。本申请的实施例提供的方法包括:
S101,手机获取待推荐对象集合中各个待推荐对象的特征数据。
在一些可行的实施方式中,手机可首先从应用市场等平台获取待推荐对象的特征数据,并根据获取得到的所有待推荐对象的特征数据得到待推荐对象集合F1。其中,上述F1中包括的待推荐对象数目可设定为S1,S1为大于1的整数。手机生成APP推荐列表(以下简称推荐列表)时可根据上述各个待推荐对象的特征数据确定各个待推荐对象的推荐值,进而可根据各个待推荐对象的推荐值选取目标推荐对象,并输出至推荐列表的指定展示位。
在一些可行的实施方式中,手机生成APP推荐列表(以下简称推荐列表)之前,可先将推荐列表进行初始化,将推荐列表(list)初始化为空。进一步的,手机执行推荐列表的初始化操作时,可设定用于计算各个待推荐对象的推荐值所需的初始特征集合F2,还可设定已排序对象集合F3。其中,上述F2中包括用于计算各个待推荐对象的推荐值的初始特征数据,上述初始特征数据包括:上述获取的S1个待推荐对象中各个待推荐对象的特征数据、用户特征数据以及上述各个待推荐对象的特征数据与所述用户特征数据的组合特征等,具体可根据实际应用场景或者应用平台确定,在此不做限制。其中,上述各个待推荐对象的特征数据可包括但不限于:身份标识(identity,ID)、产品属性、类别属性、适用平台、查阅次数、点击通过率、下载次数以及数据大小等,对此本申请不做限制。上述用户特征数据可包括但不限于:用户ID、用户选定APP、以及历史下载数据或者历史浏览数据等,对此本申请不做限制。
进一步的,初始化完成时上述F3为空,手机每处理得到一个推荐对象并将其排序至推荐列表的指定展示位之后,则可将已排序的推荐对象添加至F3中,进而可根据F3中包括的待推荐对象(即已排序对象)的数目确定是否需要选取新的目标推荐对象。若F3中包括的已排序对象的数目大于或者等于预定义数目,则不再选取新的目标推荐对象,并根据已排序的对象生成推荐列表。
S102,手机获取预设特征数据集合。
在一些可行的实施方式中,手机确定推荐列表的第一个目标推荐对象时,获取的预设特征数据集合可为上述初始化得到的初始特征集合F2。即,在该应用场景中,预设特征数据集合所包括的特征数据与上述初始特征集合F2中包括的特征数据相同。
进一步的,在一些可行的实施方式中,手机确定推荐列表的其他目标推荐对象时,获取的预设特征数据集合的特征数据可包括上述F2中包括的特征数据,以及已经确定的一个或者多个(设为S2个)推荐对象的特征数据。其中,上述S2大于1并且小于或者等于S1。
S103,手机根据所述预设特征数据集合和所述S1个待推荐对象的特征数据,计算各个所述待推荐对象的推荐值。
在一些可行的实施方式中,手机计算上述F1对应的待推荐对象中任一待推荐对象(设为待推荐对象1)的推荐值时,可将上述获取的预设特征数据集合中包括的特征数据以及上述待推荐对象1的特征数据,计算待推荐对象1的推荐值。具体实现中,手机可将待推荐对象1的特征数据以及上述预设特征数据集合中包括的特征数据作为预置的推荐值计算模型的输入值,通过推荐值计算模型计算待推荐对象1的推荐值。同理,手机可计算得到上述F1中包括的其他待推荐对象的推荐值。
需要说明的是,本申请所描述的推荐值计算模型可包括但不限于:逻辑回归(logistic regression)模型,决策树模型,深度学习模型,因式分解机模型,域感知因式分解机模型以及上述任意多个模型的组合模型等。具体可根据实际应用场景需求确定,在此不做限制。上述推荐值计算模型的作用是确定待推荐对象的推荐分数(即推荐值)。上述推荐值计算模型可由历史推荐列表的生成数据通过机器学习算法训练得到。其中,上述历史推荐列表的生成数据可包括但不限于标签(label)、历史推荐列表及其包括的推荐对象的特征数据等。其中,上述label为待推荐对象的用户操作行为,例如购买或未购买,被点击或未被点击等。
具体实现中,手机可将上述待推荐对象1的特征数据与预设特征数据集合中的特征数据进行组合以得到组合特征,进而可根据组合特征计算待推荐对象1的推荐值。其中,上述特征数据的组合方式可包括笛卡尔积的特征组合方式等。需要说明的是,上述预设特征数据集合可包括已经确定推荐的待推荐对象(即指定推荐对象,设为待推荐对象2)的特征数据。手机计算待推荐对象1的推荐值时,可将待推荐对象2的特征数据与待推荐对象1以及F1中的特征数据进行组合,根据组合得到的特征数据计算待推荐对象1的推荐值。
在一些可行的实施方式中,手机通过推荐值计算模型计算各个待推荐对象的特征数据之后,还可预定义待推荐对象的推荐值调整规则。其中,上述推荐值调整规则可为:若待推荐对象1与已确定的推荐对象(即已排序的推荐对象)的特征相似度大于或者等于预设相似度阈值,则将待推荐对象1的推荐值下调;若待推荐对象1与已排序的推荐对象的特征相似度小于预设相似度阈值,则将待推荐对象1的推荐值上调。例如,若待推荐对象1与待推荐对象2的特征相似度大于或者等于预设相似度阈值,则可确定待推荐对象1和待推荐对象2为相似对象,此时计算得到的待推荐对象1的推荐值可调整为较小值。若待推荐对象1和待推荐对象2的特征相似度小于预设相似度阈值,则可确定待推荐对象1和待推荐对象2并未相似对象,此时计算得到的待推荐对象1的推荐值可调整为较大值。其中,上述特征相似度可包括:类别相似度、信息类型相似度或者适用平台相似度等。
S104,手机根据所述S1个待推荐对象中各个待推荐对象的推荐值选取目标推荐对象,并将所述目标推荐对象添加至推荐列表中的指定展示位。
在一些可行的实施方式中,手机计算得到F1中各个待推荐对象的推荐值之后,则可从各个待推荐对象的推荐值中选取推荐值最大的目标推荐对象,并将该目标推荐对象添加至推荐列表中的指定展示位。其中,上述指定展示位具体可为推荐列表中的最后一位。即,手机每次选取的目标推荐对象均放置在推荐列表的最后一位,若选取的目标推荐对象的数目等于预定义推荐数目,则可生成输出至用户操作界面上的推荐列表。
需要说明的是,在本申请所描述的实现方式中,在后1确定的待推荐对象的推荐值计算都会参照在前确定的已排序的推荐对象的特征数据,进而可增强各个待推荐对象之间的特征关联,可降低推荐列表中出现可替换推荐对象的概率,提高推荐列表的资源利用率。
进一步的,在一些可行的实施方式中,手机从各个待推荐对象中选择目标推荐对象时,还可根据预定义选取规则进一步筛选输出至推荐列表的推荐对象。其中,上述预定义选取规则可包括:
规则1:特征相同或者相近的待推荐对象的数目不大于M1。
其中,M1可根据实际应用场景定义,在此不做限制。例如,假设M1为2,并且预定义选取规则为推荐列表中类别相同或者相近的待推荐对象的数目不大于2时,若已排序的推荐对象中类别A的推荐对象已经有2了,则根据推荐值选取目标推荐对象时,即使类别为A的待推荐对象的推荐值最大也不将其选定为目标推荐对象。此时,手机可将类别为B并且推荐值仅小于最大推荐值的待推荐对象确定为目标推荐对象。进而可避免相同或者相近的待推荐对象过多的占用推荐列表的展示位资源,提高推荐列表的资源利用率。
规则2:待推荐对象的上线日期不晚于预定义日期。
例如,若预定义选取规则规定,推荐列表的第三个展示位展示的推荐对象只能是最近一周内上线的对象,则手机确定第三个目标推荐对象,可从还未被排序的待推荐对象中选取最近一周内上线的待推荐对象,再从选取的待推荐对象中确定出推荐值最大的目标推荐对象作为第三个目标推荐对象。进而可避免过低版本的待推荐对象过多占用推荐列表的展示位资源,提高推荐列表的信息有效性,增强推荐列表的适用性。
进一步的,在一些可行的实施方式中,手机确定了目标推荐对象之后,则可将目标推荐对象从上述F1中剔除并添加至F3中,进而将目标推荐对象的特征数据添加至F2中,以作为确定下一个目标推荐对象的参考特征数据。若已排序的推荐对象的数量大于或者等于预定义推荐数目或者上述F1为空,则可根据已排序的推荐对象生成推荐列表,并将推荐列表输出至用户操作界面。
参见图2,是本申请的实施例提供的信息推荐列表的生成方法的另一流程图。本申请的实施例提供的信息推荐列表的生成方法的循环过程包括:
S201,数据初始化。
具体实现中,上述数据初始化过程包括上述F1、F2、F3、推荐列表、预设特征数据集合上述推荐值调整规则以及上述目标推荐对象的预定义选取规则等数据的初始化。
S202,通过推荐值计算模型计算各个待推荐对象的推荐值。
具体实现中,上述各个待推荐对象的推荐值的计算方式可参见上述实施例中各个步骤 所描述的实现方式,在此不再赘述。
S203,根据推荐值调整规则或者目标推荐对象的预定义选取规则确定目标推荐对象。
具体实现中,上述目标推荐对象的确定方式可参见上述实施例中各个步骤所描述的实现方式,在此不再赘述。
S204,更新F1、F2、F3以及预设特征数据集合。
具体实现中,上述F1、F2、F3以及预设特征数据集合的更新方式可参加上述实施例中相关步骤所描述的实现方式,在此不再赘述。
S205,确定F1是否为空或者F3中待推荐对象的数目是否满足要求。
若F1为空或者F3中已排序的推荐对象的数目满足要求,则执行步骤S206,否则执行步骤S202。
S206,生成推荐列表并输出至用户操作界面。
在本申请所描述的实现方式中,手机每确定一个目标推荐对象,则可更新相应的数据集合,直至所有的待推荐对象均排序完成,或者已排序的推荐对象的数目满足预定义数目要求,则可最终生成推荐列表输出至用户操作界面,以展现给用户。
需要说明的是,若上述信息推荐列表为网页推荐列表,则本申请所描述的待推荐对象的特征数据还可包括但不限于:网页标题、网页主域名、网页中的词语权重以及网页类别等,具体可根据实际应用场景确定,在此不做限制。
在本申请所描述的实现方式中,已经确定的待推荐对象的特征数据将加入到下一个待确定的待推荐对象的推荐值的计算中,推荐值的计算准确性更高,提高了生成推荐列表的算法复杂度可控性,适用性更强。进一步的,本申请所描述的实现方式根据已经确定的待推荐对象的特征数据确定待确定的待推荐对象,可更加灵活的控制各个待推荐对象之间的相关性,降低可替换的待推荐对象的出现概率,提高推荐列表的展示位利用率。
参见图3,是本申请的实施例提供的信息推荐列表的生成装置的一结构示意图。本申请的实施例提供的信息推荐列表的生成装置具体可为上述实施例中的终端设备,例如手机等,在此不做限制。其中,上述信息推荐列表的生成装置(以下简称终端)可包括:
获取模块31,用于获取待推荐对象集合中各个待推荐对象的特征数据,所述待推荐对象集合中包括S1个待推荐对象,S1为大于1的整数。
所述获取模块31,还用于获取预设特征数据集合,所述预设特征数据集合中包括S2个推荐对象的特征数据,所述S2个推荐对象的特征数据中包括指定推荐对象的特征数据,S2小于或者等于S1。
计算模块32,用于根据所述获取模块获取的所述预设特征数据集合和所述S1个待推荐对象的特征数据,计算各个所述待推荐对象的推荐值。
选取模块33,用于根据所述计算模块计算得到的所述S1个待推荐对象中各个待推荐对象的推荐值选取目标推荐对象,并将所述目标推荐对象添加至推荐列表中的指定展示位。
在一些可行的实施方式中,上述获取模块31获取的所述指定推荐对象包括已经确定添加至所述推荐列表中的推荐对象,且所述指定推荐对象与所述目标推荐对象的特征相似度小于预设相似度阈值。
在一些可行的实施方式中,上述计算模块32用于:
将所述预设特征数据集合和所述第i个待推荐对象的特征数据作为预置的推荐值计算模型的输入值,通过所述推荐值计算模型计算所述第i个待推荐对象的推荐值。
在一些可行的实施方式中,上述选取模块33用于:
从所述获取模块31获取的所述S1个待推荐对象中选取符合预定义选取规则的待推荐对象,并从所述符合预定义选取规则的待推荐对象中,选取所述计算模块32计算得到的推荐值最大的待推荐对象为目标推荐对象。
在一些可行的实施方式中,上述获取模块31还用于:
将所述目标推荐对象的特征数据从所述待推荐对象集合中剔除,并将所述目标推荐对象的特征数据添加至所述预设特征数据集合中。
在一些可行的实施方式中,上述待推荐对象包括:应用程序APP、音视频数据、网页以及新闻资讯中的至少一种。
在一些可行的实施方式中,上述特征数据包括:身份标识ID、类别属性、适用平台、查阅次数、点击通过率、下载次数以及数据大小中的至少一种。
具体实现中,本申请所提供的终端可通过其所包括的各个模块执行上述实施例中各个步骤所描述的实现方式,在此不再赘述。
参见图4,是本申请的实施例提供的信息推荐列表的生成装置的另一结构示意图。本申请的实施例所提供的信息推荐列表的生成装置可为上述实施例中的终端,其可包括存储器41和处理器42,其中存储器41和处理器42可通过总线连接。
存储器41包括但不限于是随机存储记忆体(random access memory,RAM)、只读存储器(read-only memory,ROM)、可擦除可编程只读存储器(erasable programmable read only memory,EPROM)、或便携式只读存储器(compact disc read-only memory,CD-ROM),该存储器41用于相关指令及数据。
处理器42可以是一个或多个中央处理器(central processing unit,CPU),在处理器42是一个CPU的情况下,该CPU可以是单核CPU,也可以是多核CPU。
上述处理器42用于读取存储器41中存储的程序代码,执行以下操作:
获取待推荐对象集合中各个待推荐对象的特征数据,所述待推荐对象集合中包括S1个待推荐对象,S1为大于1的整数;
获取预设特征数据集合,所述预设特征数据集合中包括S2个推荐对象的特征数据,所述S2个推荐对象的特征数据中包括指定推荐对象的特征数据,S2小于或者等于S1;
根据所述预设特征数据集合和所述S1个待推荐对象的特征数据,计算各个所述待推荐对象的推荐值;
根据所述S1个待推荐对象中各个待推荐对象的推荐值选取目标推荐对象,并将所述目标推荐对象添加至推荐列表中的指定展示位。
在一些可行的实施方式中,上述指定推荐对象包括已经确定添加至所述推荐列表中的推荐对象,且所述指定推荐对象与所述目标推荐对象的特征相似度小于预设相似度阈值。
在一些可行的实施方式中,上述处理器42用于:
将所述预设特征数据集合和所述第i个待推荐对象的特征数据作为预置的推荐值计算模型的输入值,通过所述推荐值计算模型计算所述第i个待推荐对象的推荐值。
在一些可行的实施方式中,上述处理器42用于:
从所述S1个待推荐对象中选取符合预定义选取规则的待推荐对象,并从所述符合预定义选取规则的待推荐对象中选取推荐值最大的待推荐对象为目标推荐对象。
在一些可行的实施方式中,上述处理器42还用于:
将所述目标推荐对象的特征数据从所述待推荐对象集合中剔除,并将所述目标推荐对象的特征数据添加至所述预设特征数据集合中。
在一些可行的实施方式中,上述待推荐对象包括:应用程序APP、音视频数据、网页以及新闻资讯中的至少一种。
在一些可行的实施方式中,上述特征数据包括:身份标识ID、类别属性、适用平台、查阅次数、点击通过率、下载次数以及数据大小中的至少一种。
在本申请提供的实现方式中,可根据各个待推荐对象的特征数据,以及预设特征数据集合计算各个待推荐对象的推荐值,其中,已经确定推荐的待推荐对象的特征数据也将加入到下一个待确定的待推荐对象的推荐值的计算中,推荐值的计算准确性更高,提高了生成推荐列表的算法复杂度可控性,适用性更强。进一步的,本申请所描述的实现方式根据已经确定的待推荐对象的特征数据确定待确定的待推荐对象,可更加灵活的控制各个待推荐对象之间的相关性,降低可替换的待推荐对象的出现概率,提高推荐列表的展示位利用率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,该流程可以由计算机程序来指令相关的硬件完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。而前述的存储介质包括:ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。

Claims (10)

  1. 一种信息推荐列表的生成方法,其特征在于,包括:
    终端获取待推荐对象集合中各个待推荐对象的特征数据,所述待推荐对象集合中包括S1个待推荐对象,S1为大于1的整数;
    所述终端获取预设特征数据集合,所述预设特征数据集合中包括S2个推荐对象的特征数据,所述S2个推荐对象的特征数据中包括指定推荐对象的特征数据,S2小于或者等于S1;
    所述终端根据所述预设特征数据集合和所述S1个待推荐对象的特征数据,计算各个所述待推荐对象的推荐值;
    所述终端根据所述S1个待推荐对象中各个待推荐对象的推荐值选取目标推荐对象,并将所述目标推荐对象添加至推荐列表中的指定展示位。
  2. 如权利要求1所述的方法,其特征在于,所述指定推荐对象包括已经确定添加至所述推荐列表中的推荐对象,且所述指定推荐对象与所述目标推荐对象的特征相似度小于预设相似度阈值。
  3. 如权利要求1或2所述的方法,其特征在于,所述终端根据所述预设特征数据集合和所述S1个待推荐对象的特征数据,计算第i个所述待推荐对象的推荐值包括:
    所述终端将所述预设特征数据集合和所述第i个待推荐对象的特征数据作为预置的推荐值计算模型的输入值,通过所述推荐值计算模型计算所述第i个待推荐对象的推荐值。
  4. 如权利要求1-3任一项所述的方法,其特征在于,所述终端根据所述S1个待推荐对象中各个待推荐对象的推荐值选取目标推荐对象包括:
    所述终端从所述S1个待推荐对象中选取符合预定义选取规则的待推荐对象,并从所述符合预定义选取规则的待推荐对象中选取推荐值最大的待推荐对象为目标推荐对象。
  5. 如权利要求1-4任一项所述的方法,其特征在于,所述将所述目标推荐对象添加至推荐列表中的指定展示位之后,所述方法还包括:
    将所述目标推荐对象的特征数据从所述待推荐对象集合中剔除,并将所述目标推荐对象的特征数据添加至所述预设特征数据集合中。
  6. 一种信息推荐列表的生成装置,其特征在于,包括:
    获取模块,用于获取待推荐对象集合中各个待推荐对象的特征数据,所述待推荐对象集合中包括S1个待推荐对象,S1为大于1的整数;
    所述获取模块,还用于获取预设特征数据集合,所述预设特征数据集合中包括S2个推荐对象的特征数据,所述S2个推荐对象的特征数据中包括指定推荐对象的特征数据,S2小于或者等于S1;
    计算模块,用于根据所述获取模块获取的所述预设特征数据集合和所述S1个待推荐对象的特征数据,计算各个所述待推荐对象的推荐值;
    选取模块,用于根据所述计算模块计算得到的所述S1个待推荐对象中各个待推荐对象的推荐值选取目标推荐对象,并将所述目标推荐对象添加至推荐列表中的指定展示位。
  7. 如权利要求6所述的生成装置,其特征在于,所述获取模块获取的所述指定推荐对象包括已经确定添加至所述推荐列表中的推荐对象,且所述指定推荐对象与所述目标推荐对象的特征相似度小于预设相似度阈值。
  8. 如权利要求6或7所述的生成装置,其特征在于,所述计算模块用于:
    将所述预设特征数据集合和所述第i个待推荐对象的特征数据作为预置的推荐值计算模型的输入值,通过所述推荐值计算模型计算所述第i个待推荐对象的推荐值。
  9. 如权利要求6-8任一项所述的生成装置,其特征在于,所述选取模块用于:
    从所述获取模块获取的所述S1个待推荐对象中选取符合预定义选取规则的待推荐对象,并从所述符合预定义选取规则的待推荐对象中,选取所述计算模块计算得到的推荐值最大的待推荐对象为目标推荐对象。
  10. 如权利要求6-9任一项所述的生成装置,其特征在于,所述获取模块还用于:
    将所述目标推荐对象的特征数据从所述待推荐对象集合中剔除,并将所述目标推荐对象的特征数据添加至所述预设特征数据集合中。
PCT/CN2017/115551 2017-01-25 2017-12-12 一种信息推荐列表的生成方法及装置 WO2018137420A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710056067.0A CN108345419B (zh) 2017-01-25 2017-01-25 一种信息推荐列表的生成方法及装置
CN201710056067.0 2017-01-25

Publications (1)

Publication Number Publication Date
WO2018137420A1 true WO2018137420A1 (zh) 2018-08-02

Family

ID=62962843

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2017/115551 WO2018137420A1 (zh) 2017-01-25 2017-12-12 一种信息推荐列表的生成方法及装置

Country Status (2)

Country Link
CN (1) CN108345419B (zh)
WO (1) WO2018137420A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110827109B (zh) * 2018-08-14 2022-07-29 中国移动通信集团浙江有限公司 一种短信营销方法及装置
CN110152298B (zh) * 2018-11-22 2022-03-15 腾讯科技(深圳)有限公司 实现虚拟角色的装备推荐方法、装置及计算机设备
CN109408729B (zh) * 2018-12-05 2022-02-08 广州市百果园信息技术有限公司 推荐物料确定方法、装置、存储介质和计算机设备
CN111401594A (zh) * 2018-12-29 2020-07-10 北京字节跳动网络技术有限公司 展示信息组合确定方法、装置、存储介质及电子设备
CN111026934A (zh) * 2019-12-20 2020-04-17 中科寒武纪科技股份有限公司 智能推荐方法及相关设备
CN115329208A (zh) * 2022-10-18 2022-11-11 平安银行股份有限公司 一种息费减免方案推荐方法、装置、电子设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080196064A1 (en) * 2007-02-14 2008-08-14 Kabushiki Kaisha Toshiba Apparatus and method of providing a recommended broadcast program
CN102831234A (zh) * 2012-08-31 2012-12-19 北京邮电大学 基于新闻内容和主题特征的个性化新闻推荐装置和方法
CN104636419A (zh) * 2013-11-11 2015-05-20 国际商业机器公司 信息处理装置、信息处理方法
CN105608117A (zh) * 2015-12-14 2016-05-25 微梦创科网络科技(中国)有限公司 一种信息推荐方法及装置
CN105989122A (zh) * 2015-02-12 2016-10-05 广东欧珀移动通信有限公司 一种应用推荐方法及装置
CN106326431A (zh) * 2016-08-25 2017-01-11 乐视控股(北京)有限公司 一种信息推荐方法和装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010231771A (ja) * 2009-03-05 2010-10-14 Fujifilm Corp データ再生装置、コンテンツ配信システムおよび配信方法
CN103473244A (zh) * 2012-06-08 2013-12-25 富士通株式会社 用于推荐应用组合中使用的应用的设备和方法
US20140310304A1 (en) * 2013-04-12 2014-10-16 Ebay Inc. System and method for providing fashion recommendations
CN103744966B (zh) * 2014-01-07 2018-06-22 Tcl集团股份有限公司 一种物品推荐方法、装置
CN105469263A (zh) * 2014-09-24 2016-04-06 阿里巴巴集团控股有限公司 一种商品推荐方法及装置
US10944707B2 (en) * 2014-09-26 2021-03-09 Line Corporation Method, system and recording medium for providing video contents in social platform and file distribution system
CN105812937B (zh) * 2014-12-30 2019-05-24 Tcl集团股份有限公司 一种电视节目推荐方法和电视节目推荐装置
US9864803B2 (en) * 2015-07-22 2018-01-09 TCL Research America Inc. Method and system for multimodal clue based personalized app function recommendation
CN105843953A (zh) * 2016-04-12 2016-08-10 乐视控股(北京)有限公司 多媒体推荐方法及装置
CN105930429A (zh) * 2016-04-19 2016-09-07 乐视控股(北京)有限公司 一种音乐推荐的方法及装置
CN106021485B (zh) * 2016-05-19 2019-05-14 中国传媒大学 一种多元属性电影数据可视化系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080196064A1 (en) * 2007-02-14 2008-08-14 Kabushiki Kaisha Toshiba Apparatus and method of providing a recommended broadcast program
CN102831234A (zh) * 2012-08-31 2012-12-19 北京邮电大学 基于新闻内容和主题特征的个性化新闻推荐装置和方法
CN104636419A (zh) * 2013-11-11 2015-05-20 国际商业机器公司 信息处理装置、信息处理方法
CN105989122A (zh) * 2015-02-12 2016-10-05 广东欧珀移动通信有限公司 一种应用推荐方法及装置
CN105608117A (zh) * 2015-12-14 2016-05-25 微梦创科网络科技(中国)有限公司 一种信息推荐方法及装置
CN106326431A (zh) * 2016-08-25 2017-01-11 乐视控股(北京)有限公司 一种信息推荐方法和装置

Also Published As

Publication number Publication date
CN108345419B (zh) 2021-06-08
CN108345419A (zh) 2018-07-31

Similar Documents

Publication Publication Date Title
WO2018137420A1 (zh) 一种信息推荐列表的生成方法及装置
US11927926B2 (en) Determining causal models for controlling environments
CN109062919B (zh) 一种基于深度强化学习的内容推荐方法及装置
US8843427B1 (en) Predictive modeling accuracy
US20200341976A1 (en) Interactive search experience using machine learning
US20150324868A1 (en) Query Categorizer
US9864951B1 (en) Randomized latent feature learning
CN106251174A (zh) 信息推荐方法及装置
CN110008973B (zh) 一种模型训练方法、基于模型确定目标用户的方法及装置
TW201923675A (zh) 資訊推薦方法及裝置、設備
CN108431832A (zh) 利用外部存储器扩增神经网络
CN112508609B (zh) 人群扩量的预测方法、装置、设备及存储介质
CA2985257A1 (en) System and method for ranking search results
US11443202B2 (en) Real-time on the fly generation of feature-based label embeddings via machine learning
CN108121814B (zh) 搜索结果排序模型生成方法和装置
CN111275205A (zh) 虚拟样本的生成方法、终端设备及存储介质
CN109408714B (zh) 一种多模型融合的推荐系统和方法
CN110766513A (zh) 信息排序方法、装置、电子设备及可读存储介质
CN110969184A (zh) 使用迭代人工智能通过通信决策树的有向轨迹
CN110516164B (zh) 一种信息推荐方法、装置、设备及存储介质
CN114912030A (zh) 权益模型训练方法、推荐方法及电子终端和计算机介质
CN118043802A (zh) 一种推荐模型训练方法及装置
US10579752B2 (en) Generating a model based on input
US11227122B1 (en) Methods, mediums, and systems for representing a model in a memory of device
CN108241643B (zh) 关键词的指标数据分析方法及装置

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: 17893558

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: 17893558

Country of ref document: EP

Kind code of ref document: A1