WO2019080662A1 - 信息推荐方法及装置、设备 - Google Patents

信息推荐方法及装置、设备

Info

Publication number
WO2019080662A1
WO2019080662A1 PCT/CN2018/105205 CN2018105205W WO2019080662A1 WO 2019080662 A1 WO2019080662 A1 WO 2019080662A1 CN 2018105205 W CN2018105205 W CN 2018105205W WO 2019080662 A1 WO2019080662 A1 WO 2019080662A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
user
condition
target
target service
Prior art date
Application number
PCT/CN2018/105205
Other languages
English (en)
French (fr)
Inventor
钟淑娜
季军威
Original Assignee
阿里巴巴集团控股有限公司
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 阿里巴巴集团控股有限公司 filed Critical 阿里巴巴集团控股有限公司
Publication of WO2019080662A1 publication Critical patent/WO2019080662A1/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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Definitions

  • the embodiments of the present disclosure relate to the field of machine learning technologies, and in particular, to an information recommendation method, apparatus, and device.
  • a website or application provides a page for a user to display a list of information, and the user usually needs to filter out the information he needs from the list of information.
  • the page in order to facilitate screening, the page usually includes some parameters for the user to set (such as: commodity price, product category, etc.), the user can manually set the value of each parameter to complete the information screening process. It can be seen that since the current information screening method relies on the user's own screening operation, it is obviously not efficient and not intelligent enough.
  • the embodiments of the present disclosure provide a method, device, and device for information recommendation.
  • an information recommendation method includes:
  • the recommendation information that meets the information screening condition is filtered out from the information set corresponding to the target service and provided to the target user.
  • an information recommendation method includes:
  • the server Receiving, by the server, the information screening condition returned by the server, where the information screening condition is predicted based on user data corresponding to the target user identifier and a condition prediction model corresponding to the target service;
  • an information recommendation apparatus includes:
  • the collecting unit collects user data of the target user, where the user data includes behavior data generated by the target user accessing the information providing page of the target service;
  • condition obtaining unit that determines an input value of a condition prediction model corresponding to the target service based on the user data and inputs the condition value into the condition prediction model, and outputs an information screening condition
  • the information recommendation unit filters the recommendation information that meets the information screening condition from the information set corresponding to the target service and provides the recommendation information to the target user.
  • an information recommendation apparatus includes:
  • condition display unit configured to receive and display information filtering conditions returned by the server, where the information screening condition is predicted based on user data corresponding to the target user identifier and a condition prediction model corresponding to the target service;
  • the recommendation information display unit receives and displays the recommendation information that is filtered by the server and is filtered out from the information set corresponding to the target service and meets the information screening condition.
  • an electronic device that includes:
  • a memory for storing processor executable instructions
  • the processor is configured to:
  • the recommendation information that meets the information screening condition is filtered out from the information set corresponding to the target service and provided to the target user.
  • an electronic device that includes:
  • a memory for storing processor executable instructions
  • the processor is configured to:
  • the server Receiving, by the server, the information screening condition returned by the server, where the information screening condition is predicted based on user data corresponding to the target user identifier and a condition prediction model corresponding to the target service;
  • condition prediction model corresponding to the target service is obtained by machine learning training in advance, and after the user data of the target user is collected, the target is predicted based on the user data and the condition prediction model.
  • the information filtering condition corresponding to the user finally automatically filters out the recommendation information that meets the filtering condition of the information and provides the recommendation information to the target user. It can be seen that the above process improves the information screening efficiency because the user does not need to perform operations.
  • FIG. 1 is a flowchart of a method for recommending information applied on a server side according to an exemplary embodiment
  • FIG. 2 is a schematic diagram of a user interface provided by an exemplary embodiment
  • FIG. 3 is a flowchart of a method for recommending information applied to a client according to an exemplary embodiment
  • FIG. 4 is a block diagram showing an information recommendation apparatus applied to a server according to an exemplary embodiment
  • FIG. 5 is a block diagram of an information recommendation apparatus applied to a client device according to an exemplary embodiment
  • FIG. 6 shows a structure of an electronic device provided by an exemplary embodiment.
  • FIG. 1 is a flowchart of a method for recommending information applied on a server side according to an exemplary embodiment. As shown in FIG. 1, in an embodiment, the method includes steps 101 to 105, wherein:
  • step 101 user data of the target user is collected, wherein the user data includes behavior data generated by the target user accessing the information providing page of the target service.
  • an app or a website can contain one or more businesses.
  • the business of an app includes: clothing business, wealth management product business, insurance business, etc.
  • the target service may be one of the services provided by the platform.
  • the platform provides a page for providing information corresponding to each service to the user, and these information providing pages are available to display various product information.
  • the behavior data may include, but is not limited to, the user viewing the product information in the page, or the frequency of viewing a certain product information, or the duration of staying on a certain product information page, or the user viewing the recommended information of the platform. The duration of the time, etc.
  • the above behavior data may be data generated within a set period of time (such as the last 3 days).
  • the user data may include, but is not limited to, the user's personal basic information (eg, age, gender, work, etc.).
  • the user data may be pre-collected and stored in a database, and the required user data is extracted from the database when needed.
  • the required user data is extracted from the database when needed.
  • it can also be recorded on the terminal device used by the user, and obtained from the terminal device when needed.
  • step 102 an input value of a conditional prediction model corresponding to the target service is determined based on the user data and input into the conditional prediction model, and an information screening condition is output.
  • condition prediction model is obtained by training in advance by Machine Learning (ML) algorithm.
  • ML Machine Learning
  • the method originally used to train the model includes the following steps a to e, wherein:
  • Step a determining an initial information screening condition corresponding to the target service, where a user group that matches the initial information screening condition is the largest under the target service.
  • the initial platform will obtain the demand target of each user in the user group of the wealth management product service, and the demand target is the information screening condition corresponding to each user, and the information screening condition may be one Or a plurality of conditions, for example: Condition 1: Low risk, Condition 2: The amount is below 100,000.
  • Condition 1 Low risk
  • Condition 2 The amount is below 100,000.
  • the user After obtaining the information screening condition corresponding to each user, the user may be clustered according to the same information filtering condition, thereby obtaining the number of user groups after clustering corresponding to each information screening condition, and selecting the number of users.
  • the most user groups, and finally the information filtering conditions corresponding to the selected user groups are used as the initial information screening conditions.
  • Step b Filter out initial recommendation information that meets the initial information screening condition from the information set corresponding to the target service and provide the user group to the target service.
  • the information collection is a collection of wealth management product information (for example, information about 100 wealth management products), and the initial information screening condition is “low risk + quota below 100,000”, Automatically filter out all product information (ie, initial recommendation information) that meets the “low risk + quota below 100,000” and can be displayed to the user in the form of a list.
  • the purpose of the above steps a and b is to show a small number of screening results to new users of the target service, thereby reducing the operation of most users in the process of filtering information.
  • Step c Determine, according to the selection of the initial recommendation information by each user, a personalized screening condition corresponding to each user.
  • the initial recommendation information filtered by the platform according to the initial information screening condition does not meet the requirements of all users, and some users need to perform further selection based on the initial recommendation information, for example, the initial recommendation information includes 10 kinds of product information,
  • the user picks out the five types that he or she needs.
  • a personalized screening condition that matches the user's real demand goal can be determined.
  • the initial information screening condition is “low risk + quota below 100,000”.
  • the user can determine that the corresponding personalized screening condition is: low risk + quota below 100,000 + investment period is 6 Within a month.
  • Step d Collect user data of each user.
  • the user data includes, but is not limited to, behavior data generated by the user accessing the information providing page of the target service, personal basic information of the user, and the like.
  • Step e Based on the user data of each user and the personalized screening condition corresponding to each user, the machine learning algorithm is used to train the condition prediction model of the target service.
  • each user can be used as a training sample, user data and personalized screening conditions as sample data.
  • user data and personalized screening conditions usually vectors
  • the mathematical expression corresponding to the user data is used as the input of the conditional prediction model, and the mathematical expression corresponding to the personalized screening condition is expected as the conditional prediction model.
  • the output is finally trained to obtain the conditional prediction model.
  • the accuracy of the conditional prediction model originally trained may be less precise, which can be continually optimized during subsequent use.
  • Machine learning algorithms are common in the art and will not be described here.
  • the input value (ie, vectorized representation) of the conditional prediction model may be determined according to the user data collected in step 101, and input into the model. Finally, the prediction may be determined according to the model output. Information filtering conditions (in accordance with the target user's demand target).
  • step 103 recommendation information that meets the information screening condition is filtered out from the information set corresponding to the target service and provided to the target user.
  • a condition prediction model corresponding to the target service is obtained by machine learning training in advance, and after the user data of the target user is collected, the information corresponding to the target user is predicted based on the user data and the condition prediction model.
  • the screening conditions finally automatically filter out the recommendation information that meets the filtering conditions of the information and provide the target information to the target user. It can be seen that the above process improves the information screening efficiency and is more intelligent because the user does not need to perform operations.
  • step 104 the information screening condition corresponding to the target user is updated according to the selection operation of the recommendation information by the target user.
  • the information screening condition predicted by the model may not be consistent with the target user's real demand target.
  • some users can selectively perform the recommended information displayed, such as further selecting information of true interest based on the recommended information, and adding other information of interest to the same page based on the recommended information. Re-enter the filter criteria and obtain the corresponding information, or the like, by completely discarding the information recommended by the platform.
  • the above operations are consistent with the target user's real demand goal, so the user's preferred information filtering condition can be updated according to the operation performed by the user.
  • step 105 the conditional prediction model is optimized by using a machine learning algorithm based on the user data of the target user and the information filtering condition updated by the target user.
  • the user data may be generated by the target user in a certain collection period, and may be further used for training by processing the collected user data and the updated information screening condition into mathematical expressions.
  • the condition predicts the model such that the accuracy of the model is continuously optimized.
  • the prediction process of the subsequent information screening conditions can be performed based on the model obtained after the latest optimization, and the accuracy of the model can be continuously improved by the continuous precipitation of the data.
  • the above steps 104 and 105 may be omitted.
  • the method may further include:
  • the information screening condition output by the condition prediction model is presented to the target user.
  • the recommendation information that meets the information screening condition is filtered out from the information set corresponding to the target service and provided to the target user.
  • FIG. 2 is a schematic diagram of a user interface provided by an exemplary embodiment.
  • the back end (server side) can predict and obtain according to the user data of the user and the condition prediction model.
  • the information corresponding to the user is filtered and fed back to the client device used by the user.
  • the client device After receiving the information filtering condition, the client device will display it to the user.
  • the advantage of this is that the user clearly knows what kind of conditions the platform information filtering process is based on, and the user can intuitively see the information filtering condition. Understand whether it is in line with itself, so as to enhance the trust of users.
  • the interface can also provide a confirmation button for the user to click.
  • the user interface further provides the user with the function of further adjusting the recommendation information, such as providing a plurality of dimensions (eg, quota, period, etc.), and the user can select based on the dimension, thereby filtering out information that is more in line with the needs of the user.
  • a plurality of dimensions eg, quota, period, etc.
  • the user can select based on the dimension, thereby filtering out information that is more in line with the needs of the user.
  • the form of the user interface is not limited to this.
  • FIG. 3 is a flowchart of an information recommendation method applied to a client (ie, a client device) according to an exemplary embodiment. As shown in FIG. 3, in an embodiment, the method includes steps 201 to 203, where:
  • a request for obtaining recommendation information corresponding to the target service is sent to the server, where the request carries a target user identifier (eg, an ID registered by the user in the App).
  • a target user identifier eg, an ID registered by the user in the App.
  • the target service is a financial wealth management service under an App.
  • the terminal device that installs the App sends a request to the server.
  • step 202 the information screening condition returned by the server is received and displayed, wherein the information screening condition is predicted based on user data corresponding to the target user identifier and a condition prediction model corresponding to the target service. of.
  • step 203 the recommendation information that is filtered by the server and selected from the information set corresponding to the target service and that meets the information screening condition is received and displayed.
  • an information recommendation device is also provided herein, which can be implemented by software code.
  • an information recommendation apparatus 300 is applied to a server, and the apparatus 300 includes:
  • the collecting unit 301 is configured to: collect user data of the target user, where the user data includes behavior data generated by the target user accessing the information providing page of the target service;
  • the condition obtaining unit 303 is configured to: determine an input value of the condition prediction model corresponding to the target service based on the user data, and input the condition value into the condition prediction model, and output an information screening condition;
  • the information recommendation unit 305 is configured to: filter out recommendation information that meets the information screening condition from the information set corresponding to the target service, and provide the recommendation information to the target user.
  • the apparatus 300 further includes:
  • condition update unit which updates an information screening condition corresponding to the target user according to the selection operation of the recommended information by the target user
  • the model optimization unit optimizes the condition prediction model by using a machine learning algorithm based on the user data of the target user and the information filtering condition updated by the target user.
  • the apparatus 300 further includes:
  • the condition display unit displays the information screening condition output by the condition prediction model to the target user.
  • the information recommendation unit 305 can be configured to:
  • the recommendation information that meets the information screening condition is filtered out from the information set corresponding to the target service and provided to the target user.
  • an information recommendation apparatus 400 is applied to a user terminal, and the apparatus 400 includes:
  • the request sending unit 401 is configured to: send a request for acquiring the recommendation information corresponding to the target service to the server, where the request carries the target user identifier.
  • the condition display unit 403 is configured to: receive and display information filtering conditions returned by the server, where the information filtering condition is based on user data corresponding to the target user identifier and a condition prediction model corresponding to the target service. Predicted by.
  • the recommendation information display unit 405 is configured to: receive and display the recommendation information that is filtered by the server and that is filtered out from the information set corresponding to the target service and meets the information screening condition.
  • an electronic device such as a server or a client device
  • a processor may include a processor, an internal bus, a network interface, and a memory (including memory and non- Volatile memory), of course, may also include the hardware required for other services.
  • the processor can be one or more of a central processing unit (CPU), a processing unit, a processing circuit, a processor, an application specific integrated circuit (ASIC), a microprocessor, or other processing logic of executable instructions.
  • the processor reads the corresponding program from the non-volatile memory into memory and then runs.
  • one or more embodiments of the present specification do not exclude other implementation manners, such as a logic device or a combination of software and hardware, etc., that is, the execution body of the following processing flow is not limited to each.
  • a logical unit which can also be a hardware or logic device.
  • the processor can be configured to:
  • the recommendation information that meets the information screening condition is filtered out from the information set corresponding to the target service and provided to the target user.
  • the processor can be configured to:
  • the server Receiving, by the server, the information screening condition returned by the server, where the information screening condition is predicted based on user data corresponding to the target user identifier and a condition prediction model corresponding to the target service;
  • the system, device, module or unit illustrated in the above embodiments may be implemented by a computer chip or an entity, or by a product having a certain function.
  • a typical implementation device is a computer, and the specific form of the computer may be a personal computer, a laptop computer, a cellular phone, a camera phone, a smart phone, a personal digital assistant, a media player, a navigation device, an email transceiver, and a game control.
  • embodiments of the present invention can be provided as a method, system, or computer program product. Accordingly, the present invention may take the form of an entirely hardware embodiment, an entirely software embodiment, or a combination of software and hardware. Moreover, the invention can take the form of a computer program product embodied on one or more computer-usable storage media (including but not limited to disk storage, CD-ROM, optical storage, etc.) including computer usable program code.
  • computer-usable storage media including but not limited to disk storage, CD-ROM, optical storage, etc.
  • the computer program instructions can also be stored in a computer readable memory that can direct a computer or other programmable data processing device to operate in a particular manner, such that the instructions stored in the computer readable memory produce an article of manufacture comprising the instruction device.
  • the apparatus implements the functions specified in one or more blocks of a flow or a flow and/or block diagram of the flowchart.
  • These computer program instructions can also be loaded onto a computer or other programmable data processing device such that a series of operational steps are performed on a computer or other programmable device to produce computer-implemented processing for execution on a computer or other programmable device.
  • the instructions provide steps for implementing the functions specified in one or more of the flow or in a block or blocks of a flow diagram.
  • a computing device includes one or more processors (CPUs), input/output interfaces, network interfaces, and memory.
  • processors CPUs
  • input/output interfaces network interfaces
  • memory volatile and non-volatile memory
  • the memory may include non-persistent memory, random access memory (RAM), and/or non-volatile memory, such as read only memory (ROM) or flash memory (flashRAM), in a computer readable medium.
  • RAM random access memory
  • ROM read only memory
  • flashRAM flash memory
  • Memory is an example of a computer readable medium.
  • Computer readable media includes both permanent and non-persistent, removable and non-removable media.
  • Information storage can be implemented by any method or technology.
  • the information can be computer readable instructions, data structures, modules of programs, or other data.
  • Examples of computer storage media include, but are not limited to, phase change memory (PRAM), static random access memory (SRAM), dynamic random access memory (DRAM), other types of random access memory (RAM), read only memory. (ROM), electrically erasable programmable read only memory (EEPROM), flash memory or other memory technology, compact disk read only memory (CD-ROM), digital versatile disk (DVD) or other optical storage, Magnetic tape cartridges, magnetic tape storage or other magnetic storage devices or any other non-transportable media can be used to store information that can be accessed by a computing device.
  • computer readable media does not include temporary storage computer readable media, such as modulated data signals and carrier waves.
  • embodiments of one or more embodiments of the present disclosure can be provided as a method, system, or computer program product.
  • one or more embodiments of the present specification can take the form of an entirely hardware embodiment, an entirely software embodiment or a combination of software and hardware.
  • one or more embodiments of the present specification can employ a computer program embodied on one or more computer usable storage media (including but not limited to disk storage, CD-ROM, optical storage, etc.) having computer usable program code embodied therein. The form of the product.
  • One or more embodiments of the present specification can be described in the general context of computer-executable instructions executed by a computer, such as a program module.
  • program modules include routines, programs, objects, components, data structures, and the like that perform particular tasks or implement particular abstract data types.
  • One or more embodiments of the present specification may also be practiced in distributed computing environments where tasks are performed by remote processing devices that are connected through a communication network.
  • program modules can be located in both local and remote computer storage media including storage devices.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例提供了一种信息推荐方法及装置、设备。其中，所述信息推荐方法包括：采集目标用户的用户数据，所述用户数据包括该目标用户访问目标业务的信息提供页面产生的行为数据；基于所述用户数据确定与所述目标业务对应的条件预测模型的输入值并输入到所述条件预测模型中，输出信息筛选条件；从与所述目标业务对应的信息集合中筛选出符合所述信息筛选条件的推荐信息并提供给所述目标用户。

Description

信息推荐方法及装置、设备 技术领域
本说明书实施例涉及机器学习技术领域，尤其涉及一种信息推荐方法及装置、设备。
背景技术
目前，网站或应用(Application,App)向用户提供用来展示信息列表的页面，用户通常需要从信息列表中筛选出自身所需的信息。在相关技术中，为方便筛选，页面内通常包含一些供用户设定的参数(如：商品价格、商品类别等)，用户可以通过手动设定各个参数的值来完成信息筛选过程。可见，由于目前的信息筛选方式比较依赖用户自身的筛选操作，显然效率不高也不够智能。
发明内容
有鉴于此，本说明书实施例提供一种信息推荐方法及装置、设备。
为实现上述目的，本说明书实施例提供的技术方案如下：
在一个方面，提供的一种信息推荐方法包括：
采集目标用户的用户数据，所述用户数据包括该目标用户访问目标业务的信息提供页面产生的行为数据；
基于所述用户数据确定与所述目标业务对应的条件预测模型的输入值并输入到所述条件预测模型中，输出信息筛选条件；
从与所述目标业务对应的信息集合中筛选出符合所述信息筛选条件的推荐信息并提供给所述目标用户。
在另一个方面，提供的一种信息推荐方法包括：
向服务器发送获取与目标业务对应的推荐信息的请求，所述请求携带目标用户标识；
接收所述服务器返回的信息筛选条件并显示，所述信息筛选条件是基于与所述目标用户标识对应的用户数据及与所述目标业务对应的条件预测模型来预测获得的；
接收所述服务器返回的从与所述目标业务对应的信息集合中筛选出的符合所述信息筛选条件的推荐信息并显示。
在另一个方面，提供的一种信息推荐装置包括：
采集单元，采集目标用户的用户数据，所述用户数据包括该目标用户访问目标业务的信息提供页面产生的行为数据；
条件获得单元，基于所述用户数据确定与所述目标业务对应的条件预测模型的输入值并输入到所述条件预测模型中，输出信息筛选条件；
信息推荐单元，从与所述目标业务对应的信息集合中筛选出符合所述信息筛选条件的推荐信息并提供给所述目标用户。
在另一个方面，提供的一种信息推荐装置包括：
请求发送单元，向服务器发送获取与目标业务对应的推荐信息的请求，所述请求携带目标用户标识；
条件显示单元，接收所述服务器返回的信息筛选条件并显示，所述信息筛选条件是基于与所述目标用户标识对应的用户数据及与所述目标业务对应的条件预测模型来预测获得的；
推荐信息显示单元，接收所述服务器返回的从与所述目标业务对应的信息集合中筛选出的符合所述信息筛选条件的推荐信息并显示。
在又一个方面，提供的一种电子设备包括：
处理器；
用于存储处理器可执行指令的存储器；
所述处理器被配置为：
采集目标用户的用户数据，所述用户数据包括该目标用户访问目标业务的信息提供页面产生的行为数据；
基于所述用户数据确定与所述目标业务对应的条件预测模型的输入值并输入到所述条件预测模型中，输出信息筛选条件；
从与所述目标业务对应的信息集合中筛选出符合所述信息筛选条件的推荐信息并提供给所述目标用户。
在又一个方面，提供的一种电子设备包括：
处理器；
用于存储处理器可执行指令的存储器；
所述处理器被配置为：
向服务器发送获取与目标业务对应的推荐信息的请求，所述请求携带目标用户标识；
接收所述服务器返回的信息筛选条件并显示，所述信息筛选条件是基于与所述目标用户标识对应的用户数据及与所述目标业务对应的条件预测模型来预测获得的；
接收所述服务器返回的从与所述目标业务对应的信息集合中筛选出的符合所述信息筛选条件的推荐信息并显示。
通过以上技术方案可见，通过预先通过机器学习训练获得一个与所述目标业务对应的条件预测模型，在采集到目标用户的用户数据后，基于所述用户数据以及所述条件预测模型预测出该目标用户对应的信息筛选条件，最终自动筛选出符合所述信息筛选条件的推荐信息并提供给所述目标用户，可见，上述过程由于不需要用户进行操作，提升了信息筛选效率。
附图说明
图1示出了一示例性实施例提供的一种应用在服务器端的信息推荐方法的流程图；
图2示出了一示例性实施例提供的用户界面示意图；
图3示出了一示例性实施例提供的一种应用在用户端的信息推荐方法的流程图；
图4示出了一示例性实施例提供的一种应用在服务器的信息推荐装置的模块图；
图5示出了一示例性实施例提供的一种应用在用户端设备的信息推荐装置的模块图；
图6示出了一示例性实施例提供的一种电子设备的结构。
具体实施方式
图1示出了一示例性实施例提供的一种应用在服务器端的信息推荐方法的流程图。如图1所示，在一实施例中，该方法包括步骤101～步骤105，其中：
在步骤101中，采集目标用户的用户数据，其中，所述用户数据包括该目标用户访问目标业务的信息提供页面产生的行为数据。
通常，对于一款应用App或一个网站而言，其可以包含一个或多个业务。例如，某款App涉及的业务包括：服装业务、理财产品业务、保险业务等。所述目标业务可以是平台所提供业务中的一个。对于不同的业务，平台会分别提供与每一种业务对应的信息提供页面给用户，这些信息提供页面可用以展示各类产品信息。相应地，所述行为数据可以包括但不限于：用户在页面内查看了那些商品信息，或查看某一商品信息的频率，或在某一商品信息页面的停留时长，或用户查看平台所推荐信息的持续时长等。当然，上述行为数据可以是一设定时间段(如最近3天)内产生的数据。除了行为数据之外，用户数据还可包括但不限于：用户的个人基本信息(如：年龄、性别、工作等)。
其中，用户数据可以是预先采集到并存放在数据库中，在需要时从该数据库中提取出所需的用户数据。当然，也可以被记录在用户使用的终端设备，需要时从该终端设备上获得。
在步骤102中，基于所述用户数据确定与所述目标业务对应的条件预测模型的输入值并输入到所述条件预测模型中，输出信息筛选条件。
其中，所述条件预测模型是预先通过机器学习(Machine Learning,ML)算法训练获得的。在一实施例中，对于指定的目标业务而言，最初用来训练该模型(该模型需要在后续不断被优化)的方法包括如下步骤a～e，其中：
步骤a：确定所述目标业务对应的初始信息筛选条件，其中所述目标业务下的与所述初始信息筛选条件匹配的用户群体最大。
例如，目标业务为理财产品业务，则最初平台会获取该理财产品业务的用户群中每一用户的需求目标，该需求目标即是每一用户对应的信息筛选条件，该信息筛选条件可以由一个或多个条件组成，例如：条件1：低风险，条件2：额度在10万以下。其中，为了获得最初用来训练模型的数据，需要预先根据该目标业务下的大部分用户的需求目标(少量用户的需求目标不予考虑)，确定出初始信息筛选条件。其中，在获得每一用户对应的信息筛选条件之后，可以按照相同信息筛选条件对用户进行聚类，从而获得在每一种信息筛选条件对应的聚类后用户群体的人数，并从中挑出人数最多的用户群体，最终将被选出的用户群体对应的信息筛选条件作为上述初始信息筛选条件。
步骤b：从与所述目标业务对应的信息集合中筛选出符合所述初始信息筛选条件的初始推荐信息并提供给所述目标业务的用户群。
例如，目标业务为理财产品业务，则信息集合为理财产品信息的集合(如：100种 理财产品的相关信息)，假设初始信息筛选条件为“低风险+额度在10万以下”，则从中可以自动筛选出符合“低风险+额度在10万以下”的所有产品信息(即初始推荐信息)，并可以列表的形式展示给用户。上述步骤a和步骤b的目的旨在向目标业务的新用户展示少量的筛选结果，从而减少大部分用户在筛选信息过程中的操作。
步骤c：根据每一用户对所述初始推荐信息的选择，确定每一用户对应的个性化筛选条件。
通常，平台根据初始信息筛选条件筛选出的初始推荐信息并不符合所有用户的需求，某些用户需要基于所述初始推荐信息进行进一步的选择，如：初始推荐信息包含了10种商品信息，该用户从中挑选出自身需要的5种。在用户选择之后，便可以确定与该用户的真实需求目标符合的个性化筛选条件。例如：初始信息筛选条件为“低风险+额度在10万以下”，当某用户进一步选择之后，可以确定该用户对应的个性化筛选条件为：低风险+额度在10万以下+投资期限在6个月之内。
步骤d：采集每一用户的用户数据。
如上所述，用户数据包括但不限于：用户访问目标业务的信息提供页面产生的行为数据以及用户的个人基本信息等。
步骤e：基于每一用户的用户数据和每一用户对应的个性化筛选条件，采用机器学习算法训练该目标业务的条件预测模型。
本申请实施例中，可以将每一用户作为训练样本，用户数据和个性化筛选条件作为样本数据。通过对用户数据和个性化筛选条件进行数学化表达(通常为向量)，将用户数据对应的数学化表达作为条件预测模型的输入，将个性化筛选条件对应的数学化表达作为条件预测模型所期望的输出，最终训练获得该条件预测模型。当然，最初训练出的条件预测模型的准确性可能不太精准，这可在后续使用过程中不断优化。关于机器学习算法属于本领域的常见技术，在此不予以赘述。
在有了上述条件预测模型之后，则可以根据步骤101中采集到的用户数据确定条件预测模型的输入值(即向量化表示)，并输入到该模型中，最终，可根据模型输出来确定预测到的信息筛选条件(与目标用户的需求目标符合)。
在步骤103中，从与所述目标业务对应的信息集合中筛选出符合所述信息筛选条件的推荐信息并提供给所述目标用户。
可见，通过预先通过机器学习训练获得一个与所述目标业务对应的条件预测模型， 在采集到目标用户的用户数据后，基于所述用户数据以及所述条件预测模型预测出该目标用户对应的信息筛选条件，最终自动筛选出符合所述信息筛选条件的推荐信息并提供给所述目标用户，可见，上述过程由于不需要用户进行操作，提升了信息筛选效率，并且更加智能化。
在步骤104中，根据所述目标用户对所述推荐信息的选择操作，更新所述目标用户对应的信息筛选条件。
在本申请实施例中，由于训练出的条件预测模型的精度需要不断优化，故有该模型预测出的信息筛选条件可能与目标用户的真实需求目标不符合。为此，有些用户可以对所展示的推荐信息进行选择性操作，如在所推荐信息的基础上进一步选择真真感兴趣的信息，在所推荐信息的基础上增加其他感兴趣的信息到同一页面内，或者完全舍弃平台推荐的信息而重新输入筛选条件并获得对应的信息，等等。以上操作都是与该目标用户的真实需求目标相符合的，故可以根据用户所做的操作对该用户偏好的信息筛选条件进行更新。
在步骤105中，基于所述目标用户的用户数据和该目标用户更新后的所述信息筛选条件，采用机器学习算法优化所述条件预测模型。
如上所述，所述用户数据可以是该目标用户在一定的采集周期内所产生的，通过将采集到的用户数据和更新后的所述信息筛选条件处理为数学化表达，可以进一步用来训练所述条件预测模型，从而使得该模型的准确性不断被优化。
在该步骤105之后，后续的信息筛选条件的预测过程均可以基于最新被优化后所得的模型来进行，通过数据的不断沉淀，可以使得模型精度不断提高。当然，在可实现的实施例中，上述步骤104和步骤105可以省去。
本申请一实施例中，所述方法还可以包括：
将所述条件预测模型输出的信息筛选条件展示给所述目标用户。
若所述目标用户对所展示的信息筛选条件进行确认，从与所述目标业务对应的信息集合中筛选出符合所述信息筛选条件的推荐信息并提供给所述目标用户。
图2示出了一示例性实施例提供的用户界面示意图，结合图2所示，用户在进入信息推荐页面之后，后端(服务器端)可以根据该用户的用户数据以及条件预测模型，预测获得该用户对应的信息筛选条件并反馈给用户使用的客户端设备。客户端设备在接收到信息筛选条件后会展示给用户看，这样做的好处在于使得用户清楚知道平台的信息筛 选过程是基于什么样的条件来进行的，用户看到信息筛选条件后可以直观地明白是否与自身符合，从而可以提升用户的信任度。此后，该界面还可以提供一个确认按键给用户点击，当用户点击后，表明其对预测出的信息筛选条件无异议，则随后将基于这些条件筛选出的推荐信息展示给用户。其中，该用户界面还向用户提供对推荐信息进一步调整的功能，如提供很多个维度(如：额度、周期等)，用户可以基于维度进行选择，从而筛选出跟自身需求更符合的信息进行查看。当然，用户界面的形式并不局限此。
图3示出了一示例性实施例提供的一种应用在用户端(即客户端设备)的信息推荐方法的流程图。如图3所示，在一实施例中，该方法包括步骤201～步骤203，其中：
在步骤201中，向服务器发送获取与目标业务对应的推荐信息的请求，其中，所述请求携带目标用户标识(如：用户在App注册的ID)。
例如，目标业务为某款App下的金融理财业务，当用户点击进入某个用来展示推荐信息的页面之后，安装该App的终端设备便向服务器端发送请求。
在步骤202中，接收所述服务器返回的信息筛选条件并显示，其中，所述信息筛选条件是基于与所述目标用户标识对应的用户数据及与所述目标业务对应的条件预测模型来预测获得的。
在步骤203中，接收所述服务器返回的从与所述目标业务对应的信息集合中筛选出的符合所述信息筛选条件的推荐信息并显示。
该方法可以参照上述图1所示的方法的内容，在此不予以赘述。
与上述方法对应，本文还提供了一种信息推荐装置，该装置可以通过软件代码来实现。
如图4所示，在一实施例中，一种信息推荐装置300，应用在服务器，该装置300包括：
采集单元301，被配置为：采集目标用户的用户数据，所述用户数据包括该目标用户访问目标业务的信息提供页面产生的行为数据；
条件获得单元303，被配置为：基于所述用户数据确定与所述目标业务对应的条件预测模型的输入值并输入到所述条件预测模型中，输出信息筛选条件；
信息推荐单元305，被配置为：从与所述目标业务对应的信息集合中筛选出符合所述信息筛选条件的推荐信息并提供给所述目标用户。
在一实施例中，该装置300还包括：
条件更新单元，根据所述目标用户对所述推荐信息的选择操作，更新所述目标用户对应的信息筛选条件；
模型优化单元，基于所述目标用户的用户数据和该目标用户更新后的所述信息筛选条件，采用机器学习算法优化所述条件预测模型。
在一实施例中，该装置300还包括：
条件展示单元，将所述条件预测模型输出的信息筛选条件展示给所述目标用户。
在一实施例中，所述信息推荐单元305可被配置为：
若所述目标用户对所展示的信息筛选条件进行确认，从与所述目标业务对应的信息集合中筛选出符合所述信息筛选条件的推荐信息并提供给所述目标用户。
如图5所示，在一实施例中，一种信息推荐装置400，应用在用户端，该装置400包括：
请求发送单元401，被配置为：向服务器发送获取与目标业务对应的推荐信息的请求，其中，所述请求携带目标用户标识。
条件显示单元403，被配置为：接收所述服务器返回的信息筛选条件并显示，所述信息筛选条件是基于与所述目标用户标识对应的用户数据及与所述目标业务对应的条件预测模型来预测获得的。
推荐信息显示单元405，被配置为：接收所述服务器返回的从与所述目标业务对应的信息集合中筛选出的符合所述信息筛选条件的推荐信息并显示。
如图6所示，本说明书一个或多个实施例提供了一种电子设备(如：服务器或客户端设备)，该电子设备可以包括处理器、内部总线、网络接口、存储器(包括内存以及非易失性存储器)，当然还可能包括其他业务所需要的硬件。处理器可为中央处理单元(CPU)、处理单元、处理电路、处理器、专用集成电路(ASIC)、微处理器或可执行指令的其他处理逻辑中的一个或多个实例。处理器从非易失性存储器中读取对应的程序到内存中然后运行。当然，除了软件实现方式之外，本说明书一个或多个实施例并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在一实施例中，对于服务器而言，所述处理器可以被配置为：
采集目标用户的用户数据，所述用户数据包括该目标用户访问目标业务的信息提供页面产生的行为数据；
基于所述用户数据确定与所述目标业务对应的条件预测模型的输入值并输入到所述条件预测模型中，输出信息筛选条件；
从与所述目标业务对应的信息集合中筛选出符合所述信息筛选条件的推荐信息并提供给所述目标用户。
在一实施例中，对于客户端设备(如手机或电脑等)而言，所述处理器可以被配置为：
向服务器发送获取与目标业务对应的推荐信息的请求，所述请求携带目标用户标识；
接收所述服务器返回的信息筛选条件并显示，所述信息筛选条件是基于与所述目标用户标识对应的用户数据及与所述目标业务对应的条件预测模型来预测获得的；
接收所述服务器返回的从与所述目标业务对应的信息集合中筛选出的符合所述信息筛选条件的推荐信息并显示。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同/相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例、装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代 码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于 存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书一个或多个实施例的实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
以上所述仅为本说明书一个或多个实施例的实施例而已，并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说，本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的权利要求范围之内。

Claims (13)

  1. 一种信息推荐方法，包括：
    采集目标用户的用户数据，所述用户数据包括该目标用户访问目标业务的信息提供页面产生的行为数据；
    基于所述用户数据确定与所述目标业务对应的条件预测模型的输入值并输入到所述条件预测模型中，输出信息筛选条件；
    从与所述目标业务对应的信息集合中筛选出符合所述信息筛选条件的推荐信息并提供给所述目标用户。
  2. 根据权利要求1所述的方法，还包括：
    根据所述目标用户对所述推荐信息的选择操作，更新所述目标用户对应的信息筛选条件；
    基于所述目标用户的用户数据和该目标用户更新后的所述信息筛选条件，采用机器学习算法优化所述条件预测模型。
  3. 根据权利要求1所述的方法，还包括：
    将所述条件预测模型输出的信息筛选条件展示给所述目标用户。
  4. 根据权利要求3所述的方法，所述筛选符合所述信息筛选条件的推荐信息并提供给所述目标用户包括：
    若所述目标用户对所展示的信息筛选条件进行确认，从与所述目标业务对应的信息集合中筛选出符合所述信息筛选条件的推荐信息并提供给所述目标用户。
  5. 根据权利要求1所述的方法，所述条件预测模型的训练过程包括：
    确定所述目标业务对应的初始信息筛选条件，其中所述目标业务下的与所述初始信息筛选条件匹配的用户群体最大；
    从与所述目标业务对应的信息集合中筛选出符合所述初始信息筛选条件的初始推荐信息并提供给所述目标业务的用户群；
    根据每一用户对所述初始推荐信息的选择，确定每一用户对应的个性化筛选条件；
    采集每一用户的用户数据；
    基于每一用户的用户数据和每一用户对应的个性化筛选条件，采用机器学习算法训练该目标业务的条件预测模型。
  6. 一种信息推荐方法，包括：
    向服务器发送获取与目标业务对应的推荐信息的请求，所述请求携带目标用户标识；
    接收所述服务器返回的信息筛选条件并显示，所述信息筛选条件是基于与所述目标用户标识对应的用户数据及与所述目标业务对应的条件预测模型来预测获得的；
    接收所述服务器返回的从与所述目标业务对应的信息集合中筛选出的符合所述信息筛选条件的推荐信息并显示。
  7. 一种信息推荐装置，包括：
    采集单元，采集目标用户的用户数据，所述用户数据包括该目标用户访问目标业务的信息提供页面产生的行为数据；
    条件获得单元，基于所述用户数据确定与所述目标业务对应的条件预测模型的输入值并输入到所述条件预测模型中，输出信息筛选条件；
    信息推荐单元，从与所述目标业务对应的信息集合中筛选出符合所述信息筛选条件的推荐信息并提供给所述目标用户。
  8. 根据权利要求7所述的装置，还包括：
    条件更新单元，根据所述目标用户对所述推荐信息的选择操作，更新所述目标用户对应的信息筛选条件；
    模型优化单元，基于所述目标用户的用户数据和该目标用户更新后的所述信息筛选条件，采用机器学习算法优化所述条件预测模型。
  9. 根据权利要求7所述的装置，还包括：
    条件展示单元，将所述条件预测模型输出的信息筛选条件展示给所述目标用户。
  10. 根据权利要求9所述的装置，所述信息推荐单元被配置为：
    若所述目标用户对所展示的信息筛选条件进行确认，从与所述目标业务对应的信息集合中筛选出符合所述信息筛选条件的推荐信息并提供给所述目标用户。
  11. 一种信息推荐装置，包括：
    请求发送单元，向服务器发送获取与目标业务对应的推荐信息的请求，所述请求携带目标用户标识；
    条件显示单元，接收所述服务器返回的信息筛选条件并显示，所述信息筛选条件是基于与所述目标用户标识对应的用户数据及与所述目标业务对应的条件预测模型来预测获得的；
    推荐信息显示单元，接收所述服务器返回的从与所述目标业务对应的信息集合中筛选出的符合所述信息筛选条件的推荐信息并显示。
  12. 一种电子设备，包括：
    处理器；
    用于存储处理器可执行指令的存储器；
    所述处理器被配置为：
    采集目标用户的用户数据，所述用户数据包括该目标用户访问目标业务的信息提供页面产生的行为数据；
    基于所述用户数据确定与所述目标业务对应的条件预测模型的输入值并输入到所述条件预测模型中，输出信息筛选条件；
    从与所述目标业务对应的信息集合中筛选出符合所述信息筛选条件的推荐信息并提供给所述目标用户。
  13. 一种电子设备，包括：
    处理器；
    用于存储处理器可执行指令的存储器；
    所述处理器被配置为：
    向服务器发送获取与目标业务对应的推荐信息的请求，所述请求携带目标用户标识；
    接收所述服务器返回的信息筛选条件并显示，所述信息筛选条件是基于与所述目标用户标识对应的用户数据及与所述目标业务对应的条件预测模型来预测获得的；
    接收所述服务器返回的从与所述目标业务对应的信息集合中筛选出的符合所述信息筛选条件的推荐信息并显示。
PCT/CN2018/105205 2017-10-27 2018-09-12 信息推荐方法及装置、设备 WO2019080662A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201711021629.4 2017-10-27
CN201711021629.4A CN107885796B (zh) 2017-10-27 2017-10-27 信息推荐方法及装置、设备

Publications (1)

Publication Number Publication Date
WO2019080662A1 true WO2019080662A1 (zh) 2019-05-02

Family

ID=61782671

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/105205 WO2019080662A1 (zh) 2017-10-27 2018-09-12 信息推荐方法及装置、设备

Country Status (3)

Country Link
CN (1) CN107885796B (zh)
TW (1) TW201923675A (zh)
WO (1) WO2019080662A1 (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107885796B (zh) * 2017-10-27 2020-04-17 阿里巴巴集团控股有限公司 信息推荐方法及装置、设备
CN110659920B (zh) * 2018-06-28 2023-04-18 阿里巴巴集团控股有限公司 一种业务对象的推荐方法和装置
CN110766493B (zh) * 2018-07-26 2023-04-28 阿里巴巴集团控股有限公司 业务对象提供方法、服务器、电子设备、存储介质
CN110955823B (zh) * 2018-09-26 2023-04-25 阿里巴巴集团控股有限公司 信息推荐方法、装置
CN111368181A (zh) * 2018-12-25 2020-07-03 阿里巴巴集团控股有限公司 信息推荐方法、信息显示方法及装置
CN111415181A (zh) * 2019-01-07 2020-07-14 北京字节跳动网络技术有限公司 展示信息的异常排查方法、装置、电子设备及可读介质
CN111460269B (zh) * 2019-01-18 2023-09-01 北京字节跳动网络技术有限公司 信息推送方法和装置
CN110163713B (zh) * 2019-01-28 2024-08-27 腾讯科技（深圳）有限公司 一种业务数据处理方法、装置以及相关设备
CN110213325B (zh) * 2019-04-02 2021-09-24 腾讯科技（深圳）有限公司 数据处理方法以及数据推送方法
CN113412481B (zh) * 2019-06-20 2024-05-03 深圳市欢太科技有限公司 资源推送方法、装置、服务器以及存储介质
CN112580840A (zh) * 2019-09-27 2021-03-30 北京国双科技有限公司 一种数据分析方法及装置
CN112929751B (zh) * 2019-12-06 2022-11-18 北京达佳互联信息技术有限公司 用于确定动作执行的系统、方法及终端
CN111144990B (zh) * 2019-12-27 2022-08-05 蚂蚁胜信(上海)信息技术有限公司 推荐方法以及系统
CN111429171B (zh) * 2020-03-04 2022-09-23 支付宝(杭州)信息技术有限公司 一种信息展示方法、服务器、装置及系统
CN112116411A (zh) * 2020-08-10 2020-12-22 第四范式（北京）技术有限公司 一种用于商品推荐的排序模型的训练方法、装置及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7676400B1 (en) * 2005-06-03 2010-03-09 Versata Development Group, Inc. Scoring recommendations and explanations with a probabilistic user model
CN103118111A (zh) * 2013-01-31 2013-05-22 北京百分点信息科技有限公司 一种基于多个数据交互中心的数据进行信息推送的方法
CN106251174A (zh) * 2016-07-26 2016-12-21 北京小米移动软件有限公司 信息推荐方法及装置
CN106485562A (zh) * 2015-09-01 2017-03-08 苏宁云商集团股份有限公司 一种基于用户历史行为的商品信息推荐方法及系统
CN106708821A (zh) * 2015-07-21 2017-05-24 广州市本真网络科技有限公司 基于用户个性化购物行为进行商品推荐的方法
CN107885796A (zh) * 2017-10-27 2018-04-06 阿里巴巴集团控股有限公司 信息推荐方法及装置、设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7836004B2 (en) * 2006-12-11 2010-11-16 International Business Machines Corporation Using data mining algorithms including association rules and tree classifications to discover data rules
CN103473291B (zh) * 2013-09-02 2017-01-18 中国科学院软件研究所 一种基于隐语义概率模型的个性化服务推荐系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7676400B1 (en) * 2005-06-03 2010-03-09 Versata Development Group, Inc. Scoring recommendations and explanations with a probabilistic user model
CN103118111A (zh) * 2013-01-31 2013-05-22 北京百分点信息科技有限公司 一种基于多个数据交互中心的数据进行信息推送的方法
CN106708821A (zh) * 2015-07-21 2017-05-24 广州市本真网络科技有限公司 基于用户个性化购物行为进行商品推荐的方法
CN106485562A (zh) * 2015-09-01 2017-03-08 苏宁云商集团股份有限公司 一种基于用户历史行为的商品信息推荐方法及系统
CN106251174A (zh) * 2016-07-26 2016-12-21 北京小米移动软件有限公司 信息推荐方法及装置
CN107885796A (zh) * 2017-10-27 2018-04-06 阿里巴巴集团控股有限公司 信息推荐方法及装置、设备

Also Published As

Publication number Publication date
TW201923675A (zh) 2019-06-16
CN107885796A (zh) 2018-04-06
CN107885796B (zh) 2020-04-17

Similar Documents

Publication Publication Date Title
WO2019080662A1 (zh) 信息推荐方法及装置、设备
EP3244312B1 (en) A personal digital assistant
US11670415B2 (en) Data driven analysis, modeling, and semi-supervised machine learning for qualitative and quantitative determinations
TW201939400A (zh) 目標用戶群體的確定方法和裝置
CN105320724A (zh) 用于优化用于学习排序的非凸函数的新探索
CN105069036A (zh) 一种信息推荐方法及装置
US20150278907A1 (en) User Inactivity Aware Recommendation System
US9779460B2 (en) Systems, methods and non-transitory computer readable storage media for tracking and evaluating predictions regarding relationships
CN113850416A (zh) 广告推广合作对象确定方法和装置
CN111177562B (zh) 一种目标对象的推荐排序处理方法、装置及服务器
US11301879B2 (en) Systems and methods for quantifying customer engagement
WO2018223993A1 (zh) 一种应用软件搜索方法、装置及服务器
US20220382803A1 (en) Syndication of Secondary Digital Assets with Photo Library
US20150170067A1 (en) Determining analysis recommendations based on data analysis context
CN114925275A (zh) 产品推荐方法、装置、计算机设备及存储介质
US20200142937A1 (en) Enrichment of User Specific Information
CN109408716B (zh) 用于推送信息的方法和设备
CN109785178A (zh) 用于生成信息的方法和装置
US11669424B2 (en) System and apparatus for automated evaluation of compatibility of data structures and user devices based on explicit user feedback
US20150046439A1 (en) Determining Recommendations In Data Analysis
CN117519871A (zh) 金融服务应用操作版面的配置方法、装置、设备
CN116861071A (zh) 资讯推送方法、装置、计算机设备、存储介质和程序产品
CN118195783A (zh) 产品推荐方法、装置、设备、存储介质及程序产品
CN117289840A (zh) 基于画像标签的菜单确定方法、装置、设备、介质和产品
CN116775186A (zh) 页面数据处理方法、装置、计算机设备及存储介质

Legal Events

Date Code Title Description
NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18871004

Country of ref document: EP

Kind code of ref document: A1