CN105959374A - 一种数据推荐方法及其设备 - Google Patents

一种数据推荐方法及其设备 Download PDF

Info

Publication number
CN105959374A
CN105959374A CN201610316826.8A CN201610316826A CN105959374A CN 105959374 A CN105959374 A CN 105959374A CN 201610316826 A CN201610316826 A CN 201610316826A CN 105959374 A CN105959374 A CN 105959374A
Authority
CN
China
Prior art keywords
business
business datum
data
attribute
recommendation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610316826.8A
Other languages
English (en)
Other versions
CN105959374B (zh
Inventor
黄安埠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201610316826.8A priority Critical patent/CN105959374B/zh
Publication of CN105959374A publication Critical patent/CN105959374A/zh
Priority to PCT/CN2017/083524 priority patent/WO2017193897A1/zh
Priority to US16/049,352 priority patent/US10706363B2/en
Application granted granted Critical
Publication of CN105959374B publication Critical patent/CN105959374B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • 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
    • G06Q30/0282—Rating or review of business operators or products
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/2866—Architectures; Arrangements
    • H04L67/30—Profiles
    • H04L67/306—User profiles
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/55—Push-based network services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Information Transfer Between Computers (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开一种数据推荐方法及其设备，其中方法包括：获取用户终端的终端标识对应的定时业务属性以及终端标识对应的实时业务属性，定时业务属性为根据终端标识在第一预设时间段内上传的针对目标业务的第一业务操作，所计算得到终端标识对应的第一标签属性；实时业务属性为根据终端标识实时上传的针对目标业务的第二业务操作，所计算得到的终端标识对应的第二标签属性；根据定时业务属性和实时业务属性在目标业务对应的业务数据集合中选取至少一个推荐业务数据；将至少一个推荐业务数据发送至用户终端。采用本发明，可以基于离线层和实时层提供的业务属性，实时生成推荐业务数据，提高推荐的业务数据的更新效率，提升业务数据推荐的效果。

Description

一种数据推荐方法及其设备
技术领域
本发明涉及计算机技术领域，尤其涉及一种数据推荐方法及其设备。
背景技术
随着计算机技术不断的开发和完善，在使用终端应用的过程中，后台服务器除了保证终端应用的正常运行外，还会对相关业务数据进行推荐，例如：音乐应用中推荐每日精选歌曲、购物应用中推荐热卖商品等，提升了用户体验。
现有的推荐架构是由离线层和实时层两部分组成，离线层负责统计一段时间内用户针对当前业务的行为操作，从而计算每个用户的标签属性、相似数据等定时业务属性，同时还需要负责对推荐业务数据的选取；实时层则负责对推荐业务数据的再筛选，并将筛选后的业务数据输出至用户终端中，同时还需要根据用户针对当前业务的实时行为操作进行反馈学习，以生成每个用户的实时的标签属性等实时业务属性。由于离线层计算负担较大，容易影响推荐的业务数据的更新效率，并且由于离线层产生推荐的业务数据的周期较长，而实时层实时反馈学习所得到的业务属性往往需要等待离线层在下一次选取推荐的业务数据时才能生效，因此导致无法实时调整所推荐的业务数据，进而影响了业务数据推荐的效果。
发明内容
本发明实施例提供一种数据推荐方法及其设备，可以基于离线层和实时层提供的业务属性，实时生成推荐业务数据，提高推荐的业务数据的更新效率，提升业务数据推荐的效果。
本发明实施例第一方面提供了一种数据推荐方法，可包括：
获取用户终端的终端标识对应的定时业务属性以及所述终端标识对应的实时业务属性，所述定时业务属性为根据所述终端标识在第一预设时间段内上传的针对目标业务的第一业务操作，所计算得到所述终端标识对应的第一标签属性；所述实时业务属性为根据所述终端标识实时上传的针对所述目标业务的第二业务操作，所计算得到的所述终端标识对应的第二标签属性；
根据所述定时业务属性和所述实时业务属性在所述目标业务对应的业务数据集合中选取至少一个推荐业务数据；
将所述至少一个推荐业务数据发送至所述用户终端。
本发明实施例第二方面提供了一种数据推荐设备，可包括：
属性获取单元，用于获取用户终端的终端标识对应的定时业务属性以及所述终端标识对应的实时业务属性，所述定时业务属性为根据所述终端标识在第一预设时间段内上传的针对目标业务的第一业务操作，所计算得到所述终端标识对应的第一标签属性；所述实时业务属性为根据所述终端标识实时上传的针对所述目标业务的第二业务操作，所计算得到的所述终端标识对应的第二标签属性；
推荐数据选取单元，用于根据所述定时业务属性和所述实时业务属性在所述目标业务对应的业务数据集合中选取至少一个推荐业务数据；
数据发送单元，用于将所述至少一个推荐业务数据发送至所述用户终端。
在本发明实施例中，通过获取离线层的定时业务属性以及实时层的实时业务属性，在业务数据集合中实时选取推荐业务数据，并推送至用户终端。实现了基于离线层和实时层提供的业务属性，实时生成推荐业务数据的过程，提高了推荐的业务数据的更新效率，提升了业务数据推荐的效果，同时分担了离线层的业务数据选取以及实时层的业务数据推荐的工作，进而提升了业务数据推荐的工作效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种数据推荐方法的流程示意图；
图2是本发明实施例提供的另一种数据推荐方法的流程示意图；
图3是本发明实施例提供的一种数据推荐方法的***举例示意图；
图4是本发明实施例提供的一种数据推荐设备的结构示意图；
图5是本发明实施例提供的推荐数据选取单元的结构示意图；
图6是本发明实施例提供的数据发送单元的结构示意图；
图7是本发明实施例提供的另一种数据推荐设备的结构示意图。
具体实施方式
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，都属于本发明保护的范围。
本发明实施例提供的数据推荐方法可以应用于音乐数据推荐的场景，例如：数据推荐设备获取用户终端的终端标识在音乐应用中对应的定时音乐标签属性以及所述终端标识对应的实时音乐标签属性，所述数据推荐设备根据所述定时音乐标签属性和所述实时音乐标签属性在所述音乐数据集合中选取至少一个推荐音乐数据，所述数据推荐设备将所述至少一个推荐音乐数据发送至所述用户终端的场景；还可以应用于商品数据推荐的场景，例如：数据推荐设备获取用户终端的终端标识在线上购物应用中对应的定时商品标签属性以及所述终端标识对应的实时商品标签属性，所述数据推荐设备根据所述定时商品标签属性和所述实时商品标签属性在所述线上购物应用对应的商品数据集合中选取至少一个推荐商品数据，所述数据推荐设备将所述至少一个推荐商品数据发送至所述用户终端的场景等。实现了基于离线层和实时层提供的业务属性，实时生成推荐业务数据的过程，提高了推荐的业务数据的更新效率，提升了业务数据推荐的效果，同时分担了离线层的业务数据选取以及实时层的业务数据推荐的工作，进而提升了业务数据推荐的工作效率。
本发明实施例涉及的数据推荐设备可以为目标业务对应的后台服务设备，用于根据用户终端的终端标识对应的不同维度的标签属性，生成对应的推荐业务数据并推送至用户终端；所述用户终端可以包括平板电脑、智能手机、掌上电脑以及移动互联网设备(MID)等具备支持目标业务等功能在内的终端设备；所述目标业务优选为提供具体业务需求的应用，例如：音乐应用、电影应用、线上购物应用等。
下面将结合附图1和附图2，对本发明实施例提供的数据推荐方法进行详细介绍。
请参见图1，为本发明实施例提供了一种数据推荐方法的流程示意图。如图1所示，本发明实施例的所述方法可以包括以下步骤S101-步骤S103。
S101，获取用户终端的终端标识对应的定时业务属性以及所述终端标识对应的实时业务属性；
具体的，数据推荐设备可以获取用户终端的终端标识针对在目标业务中对应的定时业务属性以及所述终端标识对应的实时业务属性，需要说明的是，所述用户终端的终端标识可以为所述用户终端的唯一识别码，或者可以为预先对所述目标业务进行用户注册，并使用所述用户终端登录所述目标业务的唯一业务标识，例如：音乐应用的应用账号、线上购物应用的应用账号等。
在本发明实施例中，所述定时业务属性为根据所述终端标识在第一预设时间段内上传的针对所述目标业务的第一业务操作，所计算得到所述终端标识对应的第一标签属性，进一步的，所述定时业务属性具体可以为基于记录的所述终端标识在第一预设时间段内上传的针对目标业务的第一业务操作，并采用预设的推荐算法模型计算得到的所述终端标识对应的第一标签属性，优选的，第一标签属性为离线层通过计算得到的，例如：针对音乐应用，获取所述终端标识在1个月内上传的针对音乐应用中的歌曲的第一业务操作，包括下载、跳过、删除、收藏等操作，所述离线层可以采用预设的推荐算法模型，例如User-Based和Item-Based的协同过滤算法模型、Content-Based推荐算法模型、受限玻尔兹曼机(Restricted Boltzmann Machine，RBM)模型、循环神经网络(Recurrent NeuralNetworks，RNN)模型等，并根据该终端标识下的第一操作计算出该终端标识对应的第一标签属性，包括1个月内的综合的音乐流派、歌手偏好、年代偏好等，还可以计算与该终端标识下的音乐列表的其它相似的音乐数据等；
所述实时业务属性为根据所述终端标识实时上传的针对所述目标业务的第二业务操作，所计算得到的所述终端标识对应的第二标签属性，进一步的，所述实时业务属性具体可以为基于记录的所述终端标识在第二预设时间段内上传的针对目标业务的第二业务操作，并采用预设的置信模型计算得到的所述终端标识对应的第二标签属性，所述第一预设时间段大于所述第二预设时间段，优选的，第二标签属性为实时层通过计算得到的，例如：针对音乐应用中的每日精选等相对静态的应用场景，获取所述终端标识在1天内上传的针对音乐应用中的音乐数据的第二业务操作，包括下载、跳过、删除、收藏等操作。所述实时层可以采用预设的置信模型，例如：随机梯度下降(Stochastic Gradient Descent，SGD)算法模型、FTRL(Follow The Regularized Leader)算法模型等，并根据该终端标识下的第二业务操作计算出该终端标识对应的第二标签属性，包括1天内的综合的音乐流派、歌手偏好、年代偏好等。
可选的，所述实时业务属性具体可以为基于记录的所述终端标识对历史推荐业务数据的第二业务操作，并采用预设的置信模型计算得到的所述终端标识对应的实时业务属性，所述历史推荐业务数据为基于本次推荐业务数据的上一批推荐业务数据，例如：针对音乐应用中的猜你喜欢等动态的应用场景，可以一次性选取15首音乐数据作为一批推荐业务数据，并分3次，每次5首进行推送，因此可以获取所述终端标识上传的对本批推荐业务数据(即历史推荐业务数据)的第二业务操作，包括下载、跳过、删除、收藏等操作。所述实时层同样可以采用预设的置信模型，并根据该终端标识下的第二业务操作计算出该终端标识对应的第二标签属性，包括对本批推荐业务数据的第二业务操作所体现的音乐流派、歌手偏好、年代偏好等。
需要说明的是，所述第一业务操作和所述第二业务操作可以为相同的业务操作，采用第一和第二进行区分仅为了说明定时和实时的区别。
S102，根据所述定时业务属性和所述实时业务属性在所述目标业务对应的业务数据集合中选取至少一个推荐业务数据；
具体的，所述数据推荐设备可以根据所述定时业务属性和所述实时业务属性在所述目标业务对应的业务数据集合中选取至少一个推荐业务数据，优选的，所述业务数据集合包括至少一个业务数据，所述至少一个业务数据中每个业务数据均存在所述每个业务数据对应的第三标签属性，例如：针对音乐应用，音乐库中的每一首音乐数据都对应有音乐流派、歌手、年代等第三标签属性，所述数据推荐设备可以在所述至少一个业务数据中获取第三标签属性满足所述定时业务属性和所述实时业务属性的至少一个目标业务数据，所述数据推荐设备可以在所述业务数据集合中将所述第三标签属性满足定时业务属性和所述实时业务属性的所有业务数据选取出来，所述至少一个目标业务数据表示根据所述定时业务属性和所述实时业务属性在所述业务数据集合中选取的所有业务数据。所述数据推荐设备根据定时业务属性和所述实时业务属性并采用预设评分模型，所述预设评分模型优选为迭代决策树(Gradient Boosting Decision Tree，GBDT)算法模型，获取所述至少一个目标业务数据中每个目标业务数据的评分数值，所述数据推荐设备按照每个目标业务数据的评分数值的大小，在所述至少一个目标业务数据中获取至少一个推荐业务数据。
S103，将所述至少一个推荐业务数据发送至所述用户终端；
具体的，所述数据推荐设备可以将所述至少一个推荐业务数据发送至所述终端标识对应的所述用户终端，优选的，针对上述相对静态的应用场景，所述数据推荐设备可以在接收到所述用户终端发送的携带有所述终端标识的业务数据推荐请求时，查找所述终端标识对应的所述至少一个推荐业务数据，并将所述至少一个推荐业务数据发送至所述用户终端；针对上述动态的应用场景，所述数据推荐设备可以依据所述至少一个推荐业务数据中每个推荐业务数据的评分数值，对所述至少一个推荐业务数据进行排序处理，并在排序处理后，对所述至少一个推荐业务数据进行划分处理，划分为至少一个推荐业务数据集合，所述至少一个推荐业务数据集合中每个推荐业务数据集合包含预设数量的推荐业务数据，例如：针对音乐应用，一共选取15首音乐数据作为一批推荐业务数据，并分3次，每次5首进行推送等，当接收用户终端针对目标业务发送的携带有所述终端标识的业务数据推荐请求时，所述数据推荐设备可以依次将所述至少一个推荐业务数据集合发送至所述用户终端，优选的，可以每接收一次业务数据推荐请求，发送一个推荐业务数据集合；或者，可以接收一次业务数据推荐请求后，每隔一段时间发送一个推荐业务数据集合，可以理解的是，本次发送的推荐业务数据集合区别于历史发送的推荐业务数据集合。当然，接收业务数据推荐请求的步骤也可以在获取用户终端的终端标识对应的定时业务属性以及所述终端标识对应的实时业务属性的步骤之前执行，即接收到业务数据推荐请求，才执行推荐业务数据的选取过程。以上接收业务数据推荐请求的执行顺序具体可以根据不同的目标业务的业务需求进行决定。
在本发明实施例中，通过获取离线层的定时业务属性以及实时层的实时业务属性，在业务数据集合中实时选取推荐业务数据，并推送至用户终端。实现了基于离线层和实时层提供的业务属性，实时生成推荐业务数据的过程，提高了推荐的业务数据的更新效率，提升了业务数据推荐的效果，同时分担了离线层的业务数据选取以及实时层的业务数据推荐的工作，进而提升了业务数据推荐的工作效率。
请参见图2，为本发明实施例提供了另一种数据推荐方法的流程示意图。如图2所示，本发明实施例的所述方法可以包括以下步骤S201-步骤S207。
S201，获取用户终端的终端标识对应的定时业务属性以及所述终端标识对应的实时业务属性；
具体的，数据推荐设备可以获取用户终端的终端标识针对在目标业务中对应的定时业务属性以及所述终端标识对应的实时业务属性，需要说明的是，所述用户终端的终端标识可以为所述用户终端的唯一识别码，或者可以为预先对所述目标业务进行用户注册，并使用所述用户终端登录所述目标业务的唯一业务标识，例如：音乐应用的应用账号、线上购物应用的应用账号等。
在本发明实施例中，所述定时业务属性为根据所述终端标识在第一预设时间段内上传的针对所述目标业务的第一业务操作，所计算得到所述终端标识对应的第一标签属性，进一步的，所述定时业务属性具体可以为基于记录的所述终端标识在第一预设时间段内上传的针对目标业务的第一业务操作，并采用预设的推荐算法模型计算得到的所述终端标识对应的第一标签属性，优选的，第一标签属性为离线层通过计算得到的，例如：针对音乐应用，获取所述终端标识在1个月内上传的针对音乐应用中的歌曲的第一业务操作，包括下载、跳过、删除、收藏等操作，所述离线层可以采用预设的推荐算法模型，例如User-Based和Item-Based的协同过滤算法模型、Content-Based推荐算法模型、RBM模型、RNN模型等，并根据该终端标识下的第一操作计算出该终端标识对应的第一标签属性，包括1个月内的综合的音乐流派、歌手偏好、年代偏好等，还可以计算与该终端标识下的音乐列表的其它相似的音乐数据等；
所述实时业务属性为根据所述终端标识实时上传的针对所述目标业务的第二业务操作，所计算得到的所述终端标识对应的第二标签属性，进一步的，所述实时业务属性具体可以为基于记录的所述终端标识在第二预设时间段内上传的针对目标业务的第二业务操作，并采用预设的置信模型计算得到的所述终端标识对应的第二标签属性，所述第一预设时间段大于所述第二预设时间段，优选的，第二标签属性为实时层通过计算得到的，例如：针对音乐应用中的每日精选等相对静态的应用场景，获取所述终端标识在1天内上传的针对音乐应用中的音乐数据的第二业务操作，包括下载、跳过、删除、收藏等操作。所述实时层可以采用预设的置信模型，例如：SGD算法模型、FTRL算法模型等，并根据该终端标识下的第二业务操作计算出该终端标识对应的第二标签属性，包括1天内的综合的音乐流派、歌手偏好、年代偏好等。
可选的，所述实时业务属性具体可以为基于记录的所述终端标识对历史推荐业务数据的第二业务操作，并采用预设的置信模型计算得到的所述终端标识对应的实时业务属性，所述历史推荐业务数据为基于本次推荐业务数据的上一批推荐业务数据，例如：针对音乐应用中的猜你喜欢等动态的应用场景，可以一次性选取15首音乐数据作为一批推荐业务数据，并分3次，每次5首进行推送，因此可以获取所述终端标识上传的对本批推荐业务数据(即历史推荐业务数据)的第二业务操作，包括下载、跳过、删除、收藏等操作。所述实时层同样可以采用预设的置信模型，并根据该终端标识下的第二业务操作计算出该终端标识对应的第二标签属性，包括对本批推荐业务数据的第二业务操作所体现的音乐流派、歌手偏好、年代偏好等。
需要说明的是，所述第一业务操作和所述第二业务操作可以为相同的业务操作，采用第一和第二进行区分仅为了说明定时和实时的区别。
S202，在所述至少一个业务数据中获取第三标签属性满足所述定时业务属性和所述实时业务属性的至少一个目标业务数据；
具体的，所述业务数据集合包括至少一个业务数据，所述至少一个业务数据中每个业务数据均存在所述每个业务数据对应的第三标签属性，例如：针对音乐应用，音乐库中的每一首音乐数据都对应有音乐流派、歌手、年代等第三标签属性，所述数据推荐设备可以在所述至少一个业务数据中获取第三标签属性满足所述定时业务属性和所述实时业务属性的至少一个目标业务数据，所述数据推荐设备可以在所述业务数据集合中将第三标签属性满足所述定时业务属性和所述实时业务属性的所有业务数据选取出来，所述至少一个目标业务数据表示根据所述定时业务属性和所述实时业务属性在所述业务数据集合中选取的所有业务数据。
优选的，所述数据推荐设备可以在所述至少一个业务数据中获取与所述定时业务属性匹配的第三标签属性对应的第一候选业务数据，例如：针对音乐应用，在音乐数据集合中存在A音乐数据，其第三标签属性可以为XX流派、YY歌手、ZZ年代，存在B音乐数据，其第三标签属性可以为OO流派、PP歌手、QQ年代，存在C音乐数据，其第三标签属性可以为DD流派、EE歌手、FF年代，所述定时业务属性为XX流派和QQ年代，则所述数据推荐设备可以将A音乐数据和B音乐数据作为第一候选业务数据。所述数据推荐设备在所述至少一个业务数据中获取与所述实时业务属性匹配的第三标签属性对应的第二候选业务数据，依据上述举例，若实时层检测到所述终端标识执行的第二业务操作包括连续对EE歌手的音乐数据进行收藏，则所述数据推荐设备可以将C音乐数据作为第二候选业务数据。所述数据推荐设备将所述第一候选业务数据和所述第二候选业务数据确定为至少一个目标业务数据。
可选的，所述数据推荐设备还可以在所述至少一个业务数据中获取与所述定时业务属性匹配的第三标签属性对应的第三候选业务数据，例如：针对音乐应用，在音乐数据集合中存在A音乐数据，其第三标签属性可以为XX流派、YY歌手、ZZ年代，存在B音乐数据，其第三标签属性可以为OO流派、PP歌手、QQ年代，存在C音乐数据，其第三标签属性可以为DD流派、EE歌手、FF年代，所述定时业务属性为XX流派、PP歌手和FF年代，则所述数据推荐设备可以将A音乐数据、B音乐数据和C音乐数据作为第三候选业务数据。所述数据推荐设备在第三候选业务数据中删除与所述实时业务属性匹配的第三标签属性对应的第四候选业务数据，依据上述举例，若实时层检测到所述终端标识执行的第二业务操作包括连续对PP歌手的音乐数据进行删除，则所述数据推荐设备可以将B音乐数据作为第四候选业务数据，所述数据推荐设备根据删除了所述第四候选业务数据的第三候选业务数据生成至少一个目标业务数据。
S203，根据定时业务属性和所述实时业务属性并采用预设评分模型，获取所述至少一个目标业务数据中每个目标业务数据的评分数值；
具体的，所述数据推荐设备根据定时业务属性和所述实时业务属性并采用预设评分模型，所述预设评分模型优选为GBDT算法模型，获取所述至少一个目标业务数据中每个目标业务数据的评分数值，进一步的，所述数据推荐设备可以将所述定时业务属性和所述实时业务属性作为所述预设评分模型的权重参数，计算所述至少一个目标业务数据中每个目标业务数据的评分数值。
S204，按照每个目标业务数据的评分数值的大小，在所述至少一个目标业务数据中获取至少一个推荐业务数据；
具体的，所述数据推荐设备按照每个目标业务数据的评分数值的大小，在所述至少一个目标业务数据中获取至少一个推荐业务数据，优选的，所述数据推荐设备可以按照所述每个目标业务数据的评分数值的大小，对所述至少一个目标业务数据进行排序，并在排序后的至少一个目标业务数据中选取预设数量的且评分数值最高的目标业务数据作为至少一个推荐业务数据。
进一步的，所述数据推荐设备还可以基于预设的筛选规则对选取的预设数量的且评分数值最高的目标业务数据进行再筛选，得到所述至少一个推荐业务数据，所述筛选规则可以为开发人员基于所述目标业务的业务特性设定的筛选规则，例如：针对音乐应用，所述筛选规则可以规定选取的预设数量的且评分数值最高的音乐数据中不能存在相同歌手的标签属性等。
在本发明实施例中，所述数据推荐设备可以将所述至少一个推荐业务数据发送至所述终端标识对应的所述用户终端，优选的，针对上述相对静态的应用场景，所述数据推荐设备可以在接收到所述用户终端发送的携带有所述终端标识的业务数据推荐请求时，查找所述终端标识对应的所述至少一个推荐业务数据，并将所述至少一个推荐业务数据发送至所述用户终端；而针对上述动态的应用场景，可以参见本发明实施例的以下步骤S205-S207：
S205，按照所述至少一个推荐业务数据中每个推荐业务数据的评分数值，对所述至少一个推荐业务数据进行排序处理；
S206，根据排序处理后的至少一个推荐业务数据，将所述至少一个推荐业务数据划分为至少一个推荐业务数据集合；
S207，当接收用户终端针对目标业务发送的携带有所述终端标识的业务数据推荐请求时，依次将所述至少一个推荐业务数据集合发送至所述用户终端；
具体的，所述数据推荐设备可以依据所述至少一个推荐业务数据中每个推荐业务数据的评分数值，对所述至少一个推荐业务数据进行排序处理，并在排序处理后，对所述至少一个推荐业务数据进行划分处理，划分为至少一个推荐业务数据集合，所述至少一个推荐业务数据集合中每个推荐业务数据集合包含预设数量的推荐业务数据，例如：针对音乐应用，一共选取15首音乐数据作为一批推荐业务数据，并分3次，每次5首进行推送等，当接收用户终端针对目标业务发送的携带有所述终端标识的业务数据推荐请求时，所述数据推荐设备可以依次将所述至少一个推荐业务数据集合发送至所述用户终端，优选的，可以每接收一次业务数据推荐请求，发送一个推荐业务数据集合；或者，可以接收一次业务数据推荐请求后，每隔一段时间发送一个推荐业务数据集合，可以理解的是，本次发送的推荐业务数据集合区别于历史发送的推荐业务数据集合。当然，接收业务数据推荐请求的步骤也可以在获取用户终端的终端标识对应的定时业务属性以及所述终端标识对应的实时业务属性的步骤之前执行，即接收到业务数据推荐请求，才执行推荐业务数据的选取过程。以上接收业务数据推荐请求的执行顺序具体可以根据不同的目标业务的业务需求进行决定。
优选的，所述数据推荐设备可以将所述业务数据推荐请求添加至采用分布式内存队列***所构建的请求队列中等待处理，可以理解的是，采用分布式内存队列***构建的请求队列具有轻量级、高性能、易使用、多队列、持久化、分布式容错以及超时控制等特性，当然，也可以采用其它的内存队列***进行请求队列的构建，例如：RabbitMQ、Kafka、Memcacheq或Fqueue等。
在本发明实施例中，通过获取离线层的定时业务属性以及实时层的实时业务属性，在业务数据集合中实时选取推荐业务数据，并推送至用户终端。实现了基于离线层和实时层提供的业务属性，实时生成推荐业务数据的过程，提高了推荐的业务数据的更新效率，提升了业务数据推荐的效果，同时分担了离线层的业务数据选取以及实时层的业务数据推荐的工作，进而提升了业务数据推荐的工作效率；通过基于定时业务属性以及实时业务属性实现推荐业务数据的选取，满足了不同的静态以及动态的应用场景，提升了用户体验；通过采用分布式内存队列***构建请求队列，可以使得请求队列具备轻量级、高性能、易使用、多队列、持久化、分布式容错以及超时控制等特性。
请参见图3，为本发明实施例提供了一种数据推荐方法的***举例示意图。如图3所示，执行数据推荐方法的***中可以包括离线层、离线数据存储、中间层以及实时层，可以理解的是，离线层、离线数据存储、中间层以及实时层具体可以部署在同一个服务器中的不同数据块中，也可以在不同的服务器中进行部署。其中，中间层具体用于执行上述数据推荐设备所执行的方法步骤。
针对离线层，流水数据存储服务器用于存储各终端标识在预设时间段内针对目标业务执行的第一业务操作，并分别输出至流水服务器中进行处理，得到第一业务操作对应的操作信息，例如：生成相应的数组矩阵，作为推荐算法模型的输入数据，所述推荐算法模型可以包括User-Based和Item-Based的协同过滤算法模型、Content-Based推荐算法模型、RBM模型、RNN模型等，由所述推荐算法模型输出对应的定时属性标签，可以理解的是，每个终端标识均具备各自的定时属性标签，所述离线层可以将定时属性标签存放至离线数据存储。所述离线层还可以计算与该终端标识下的已有的业务数据的其它相似的业务数据等，所述离线层同样可以将每个终端标识的相似的业务数据存放至离线数据存储。
针对离线数据存储，可以存储由目标业务对应的业务数据集合，所述业务数据集合可以包括至少一个业务数据，所述至少一个业务数据中每个业务数据均存在所述每个业务数据对应的第三标签属性，因此所述离线数据存储中还存储有第三标签属性集合，所述离线数据存储中还存储有每个终端标识各自的定时属性标签以及相似的业务数据。
针对中间层，用户终端可以向公共网关接口(Common Gateway Interface，CGI)发送携带有所述用户终端的终端标识的业务数据推荐请求，所述CGI可以将所述业务数据推荐请求传输至分布式内存队列***，中间层可以在离线数据存储中拉取业务数据集合、第三标签属性集合以及所述终端标识对应的定时业务属性，所述中间层还可以从实时层中拉取所述终端标识的实时业务属性，所述中间层可以根据所述定时业务属性和所述实时业务属性、以及第三标签属性集合和所述终端标识的相似的业务数据，并采用预设评分模型在所述目标业务对应的业务数据集合中选取推荐业务数据，所述预设评分模型优选为GBDT算法模型，优选的，所述中间层还可以基于预设的筛选规则对选取的预设数量的且评分数值最高的目标业务数据进行再筛选，得到所述推荐业务数据，所述筛选规则可以为开发人员基于所述目标业务的业务特性设定的筛选规则，所述中间层将所述推荐业务数据发送至所述用户终端。
针对实时层，实时层可以实时获取用户终端的终端标识对应的第二业务操作，传输至第二业务操作获取服务器，通过置信模型计算得到每个终端标识对应的实时业务属性，所述置信模型可以包括SGD算法模型、FTRL算法模型等。
下面将结合附图4-附图6，对本发明实施例提供的数据推荐设备进行详细介绍。需要说明的是，附图4-附图6所示的通信连接设备，用于执行本发明图1-图3所示实施例的方法，为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明图1-图3所示的实施例。
请参见图4，为本发明实施例提供了一种数据推荐设备的结构示意图。如图4所示，本发明实施例的所述数据推荐设备1可以包括：属性获取单元11、推荐数据选取单元12和数据发送单元13。
属性获取单元11，用于获取用户终端的终端标识对应的定时业务属性以及所述终端标识对应的实时业务属性；
具体实现中，所述属性获取单元11可以获取用户终端的终端标识针对在目标业务中对应的定时业务属性以及所述终端标识对应的实时业务属性，需要说明的是，所述用户终端的终端标识可以为所述用户终端的唯一识别码，或者可以为预先对所述目标业务进行用户注册，并使用所述用户终端登录所述目标业务的唯一业务标识，例如：音乐应用的应用账号、线上购物应用的应用账号等。
在本发明实施例中，所述定时业务属性为根据所述终端标识在第一预设时间段内上传的针对所述目标业务的第一业务操作，所计算得到所述终端标识对应的第一标签属性，进一步的，所述定时业务属性具体可以为基于记录的所述终端标识在第一预设时间段内上传的针对目标业务的第一业务操作，并采用预设的推荐算法模型计算得到的所述终端标识对应的第一标签属性，优选的，第一标签属性为离线层通过计算得到的，例如：针对音乐应用，获取所述终端标识在1个月内上传的针对音乐应用中的歌曲的第一业务操作，包括下载、跳过、删除、收藏等操作，所述离线层可以采用预设的推荐算法模型，例如User-Based和Item-Based的协同过滤算法模型、Content-Based推荐算法模型、RBM模型、RNN模型等，并根据该终端标识下的第一操作计算出该终端标识对应的第一标签属性，包括1个月内的综合的音乐流派、歌手偏好、年代偏好等，还可以计算与该终端标识下的音乐列表的其它相似的音乐数据等；
所述实时业务属性为根据所述终端标识实时上传的针对所述目标业务的第二业务操作，所计算得到的所述终端标识对应的第二标签属性，进一步的，所述实时业务属性具体可以为基于记录的所述终端标识在第二预设时间段内上传的针对目标业务的第二业务操作，并采用预设的置信模型计算得到的所述终端标识对应的第二标签属性，所述第一预设时间段大于所述第二预设时间段，优选的，第二标签属性为实时层通过计算得到的，例如：针对音乐应用中的每日精选等相对静态的应用场景，获取所述终端标识在1天内上传的针对音乐应用中的音乐数据的第二业务操作，包括下载、跳过、删除、收藏等操作。所述实时层可以采用预设的置信模型，例如：SGD算法模型、FTRL算法模型等，并根据该终端标识下的第二业务操作计算出该终端标识对应的第二标签属性，包括1天内的综合的音乐流派、歌手偏好、年代偏好等。
可选的，所述实时业务属性具体可以为基于记录的所述终端标识对历史推荐业务数据的第二业务操作，并采用预设的置信模型计算得到的所述终端标识对应的实时业务属性，所述历史推荐业务数据为基于本次推荐业务数据的上一批推荐业务数据，例如：针对音乐应用中的猜你喜欢等动态的应用场景，可以一次性选取15首音乐数据作为一批推荐业务数据，并分3次，每次5首进行推送，因此可以获取所述终端标识上传的对本批推荐业务数据(即历史推荐业务数据)的第二业务操作，包括下载、跳过、删除、收藏等操作。所述实时层同样可以采用预设的置信模型，并根据该终端标识下的第二业务操作计算出该终端标识对应的第二标签属性，包括对本批推荐业务数据的第二业务操作所体现的音乐流派、歌手偏好、年代偏好等。
需要说明的是，所述第一业务操作和所述第二业务操作可以为相同的业务操作，采用第一和第二进行区分仅为了说明定时和实时的区别。
推荐数据选取单元12，用于根据所述定时业务属性和所述实时业务属性在所述目标业务对应的业务数据集合中选取至少一个推荐业务数据；
具体实现中，所述推荐数据选取单元12可以根据所述定时业务属性和所述实时业务属性在所述目标业务对应的业务数据集合中选取至少一个推荐业务数据，优选的，所述业务数据集合包括至少一个业务数据，所述至少一个业务数据中每个业务数据均存在所述每个业务数据对应的第三标签属性，例如：针对音乐应用，音乐库中的每一首音乐数据都对应有音乐流派、歌手、年代等第三标签属性，所述推荐数据选取单元12可以在所述至少一个业务数据中获取第三标签属性满足所述定时业务属性和所述实时业务属性的至少一个目标业务数据，所述推荐数据选取单元12可以在所述业务数据集合中将所述第三标签属性满足定时业务属性和所述实时业务属性的所有业务数据选取出来，所述至少一个目标业务数据表示根据所述定时业务属性和所述实时业务属性在所述业务数据集合中选取的所有业务数据。所述推荐数据选取单元12根据定时业务属性和所述实时业务属性并采用预设评分模型，所述预设评分模型优选为GBDT算法模型，获取所述至少一个目标业务数据中每个目标业务数据的评分数值，所述推荐数据选取单元12按照每个目标业务数据的评分数值的大小，在所述至少一个目标业务数据中获取至少一个推荐业务数据。
具体的，请一并参见图5，为本发明实施例提供了推荐数据选取单元的结构示意图。如图5所示，所述推荐数据选取单元12可以包括：
目标数据获取子单元121，用于在所述至少一个业务数据中获取第三标签属性满足所述定时业务属性和所述实时业务属性的至少一个目标业务数据；
具体实现中，所述业务数据集合包括至少一个业务数据，所述至少一个业务数据中每个业务数据均存在所述每个业务数据对应的第三标签属性，例如：针对音乐应用，音乐库中的每一首音乐数据都对应有音乐流派、歌手、年代等第三标签属性，所述目标数据获取子单元121可以在所述至少一个业务数据中获取第三标签属性满足所述定时业务属性和所述实时业务属性的至少一个目标业务数据，所述目标数据获取子单元121可以在所述业务数据集合中将第三标签属性满足所述定时业务属性和所述实时业务属性的所有业务数据选取出来，所述至少一个目标业务数据表示根据所述定时业务属性和所述实时业务属性在所述业务数据集合中选取的所有业务数据。
优选的，所述目标数据获取子单元121可以在所述至少一个业务数据中获取与所述定时业务属性匹配的第三标签属性对应的第一候选业务数据，例如：针对音乐应用，在音乐数据集合中存在A音乐数据，其第三标签属性可以为XX流派、YY歌手、ZZ年代，存在B音乐数据，其第三标签属性可以为OO流派、PP歌手、QQ年代，存在C音乐数据，其第三标签属性可以为DD流派、EE歌手、FF年代，所述定时业务属性为XX流派和QQ年代，则所述目标数据获取子单元121可以将A音乐数据和B音乐数据作为第一候选业务数据。所述目标数据获取子单元121在所述至少一个业务数据中获取与所述实时业务属性匹配的第三标签属性对应的第二候选业务数据，依据上述举例，若实时层检测到所述终端标识执行的第二业务操作包括连续对EE歌手的音乐数据进行收藏，则所述目标数据获取子单元121可以将C音乐数据作为第二候选业务数据。所述目标数据获取子单元121将所述第一候选业务数据和所述第二候选业务数据确定为至少一个目标业务数据。
可选的，所述目标数据获取子单元121还可以在所述至少一个业务数据中获取与所述定时业务属性匹配的第三标签属性对应的第三候选业务数据，例如：针对音乐应用，在音乐数据集合中存在A音乐数据，其第三标签属性可以为XX流派、YY歌手、ZZ年代，存在B音乐数据，其第三标签属性可以为OO流派、PP歌手、QQ年代，存在C音乐数据，其第三标签属性可以为DD流派、EE歌手、FF年代，所述定时业务属性为XX流派、PP歌手和FF年代，则所述目标数据获取子单元121可以将A音乐数据、B音乐数据和C音乐数据作为第三候选业务数据。所述目标数据获取子单元121在第三候选业务数据中删除与所述实时业务属性匹配的第三标签属性对应的第四候选业务数据，依据上述举例，若实时层检测到所述终端标识执行的第二业务操作包括连续对PP歌手的音乐数据进行删除，则所述目标数据获取子单元121可以将B音乐数据作为第四候选业务数据，所述目标数据获取子单元121根据删除了所述第四候选业务数据的第三候选业务数据生成至少一个目标业务数据。
数值获取子单元122，用于根据定时业务属性和所述实时业务属性并采用预设评分模型，获取所述至少一个目标业务数据中每个目标业务数据的评分数值；
具体实现中，所述数值获取子单元122根据定时业务属性和所述实时业务属性并采用预设评分模型，所述预设评分模型优选为GBDT算法模型，获取所述至少一个目标业务数据中每个目标业务数据的评分数值，进一步的，所述数值获取子单元122可以将所述定时业务属性和所述实时业务属性作为所述预设评分模型的权重参数，计算所述至少一个目标业务数据中每个目标业务数据的评分数值。
推荐数据获取子单元123，用于按照每个目标业务数据的评分数值的大小，在所述至少一个目标业务数据中获取至少一个推荐业务数据；
具体实现中，所述推荐数据获取子单元123按照每个目标业务数据的评分数值的大小，在所述至少一个目标业务数据中获取至少一个推荐业务数据，优选的，所述推荐数据获取子单元123可以按照所述每个目标业务数据的评分数值的大小，对所述至少一个目标业务数据进行排序，并在排序后的至少一个目标业务数据中选取预设数量的且评分数值最高的目标业务数据作为至少一个推荐业务数据。
进一步的，所述推荐数据获取子单元123还可以基于预设的筛选规则对选取的预设数量的且评分数值最高的目标业务数据进行再筛选，得到所述至少一个推荐业务数据，所述筛选规则可以为开发人员基于所述目标业务的业务特性设定的筛选规则，例如：针对音乐应用，所述筛选规则可以规定选取的预设数量的且评分数值最高的音乐数据中不能存在相同歌手的标签属性等。
数据发送单元13，用于将所述至少一个推荐业务数据发送至所述用户终端；
具体实现中，所述数据发送单元13可以将所述至少一个推荐业务数据发送至所述终端标识对应的所述用户终端。优选的，针对上述相对静态的应用场景，所述数据发送单元13可以在接收到所述用户终端发送的携带有所述终端标识的业务数据推荐请求时，查找所述终端标识对应的所述至少一个推荐业务数据，并将所述至少一个推荐业务数据发送至所述用户终端。
而针对上述动态的应用场景，请一并参见图6，为本发明实施例提供了数据发送单元的结构示意图。如图6所示，所述数据发送单元13可以包括：
数据排序子单元131，用于按照所述至少一个推荐业务数据中每个推荐业务数据的评分数值，对所述至少一个推荐业务数据进行排序处理；
数据集合划分子单元132，用于根据排序处理后的至少一个推荐业务数据，将所述至少一个推荐业务数据划分为至少一个推荐业务数据集合；
数据集合发送子单元133，用于当接收用户终端针对目标业务发送的携带有所述终端标识的业务数据推荐请求时，依次将所述至少一个推荐业务数据集合发送至所述用户终端；
具体实现中，所述数据排序子单元131可以依据所述至少一个推荐业务数据中每个推荐业务数据的评分数值，对所述至少一个推荐业务数据进行排序处理，所述数据集合划分子单元132在排序处理后，对所述至少一个推荐业务数据进行划分处理，划分为至少一个推荐业务数据集合，所述至少一个推荐业务数据集合中每个推荐业务数据集合包含预设数量的推荐业务数据，例如：针对音乐应用，一共选取15首音乐数据作为一批推荐业务数据，并分3次，每次5首进行推送等，当接收用户终端针对目标业务发送的携带有所述终端标识的业务数据推荐请求时，所述数据集合发送子单元133可以依次将所述至少一个推荐业务数据集合发送至所述用户终端，优选的，可以每接收一次业务数据推荐请求，发送一个推荐业务数据集合；或者，可以接收一次业务数据推荐请求后，每隔一段时间发送一个推荐业务数据集合，可以理解的是，本次发送的推荐业务数据集合区别于历史发送的推荐业务数据集合。当然，接收业务数据推荐请求的步骤也可以在获取用户终端的终端标识对应的定时业务属性以及所述终端标识对应的实时业务属性的步骤之前执行，即接收到业务数据推荐请求，才执行推荐业务数据的选取过程。以上接收业务数据推荐请求的执行顺序具体可以根据不同的目标业务的业务需求进行决定。
优选的，所述数据推荐设备1可以将所述业务数据推荐请求添加至采用分布式内存队列***所构建的请求队列中等待处理，可以理解的是，采用分布式内存队列***构建的请求队列具有轻量级、高性能、易使用、多队列、持久化、分布式容错以及超时控制等特性，当然，也可以采用其它的内存队列***进行请求队列的构建，例如：RabbitMQ、Kafka、Memcacheq或Fqueue等。
在本发明实施例中，通过获取离线层的定时业务属性以及实时层的实时业务属性，在业务数据集合中实时选取推荐业务数据，并推送至用户终端。实现了基于离线层和实时层提供的业务属性，实时生成推荐业务数据的过程，提高了推荐的业务数据的更新效率，提升了业务数据推荐的效果，同时分担了离线层的业务数据选取以及实时层的业务数据推荐的工作，进而提升了业务数据推荐的工作效率；通过基于定时业务属性以及实时业务属性实现推荐业务数据的选取，满足了不同的静态以及动态的应用场景，提升了用户体验；通过采用分布式内存队列***构建请求队列，可以使得请求队列具备轻量级、高性能、易使用、多队列、持久化、分布式容错以及超时控制等特性。
请参见图7，为本发明实施例提供了另一种数据推荐设备的结构示意图。如图7所示，所述数据推荐设备1000可以包括：至少一个处理器1001，例如CPU，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。其中，用户接口1003可以包括显示屏(Display)、键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图7所示，作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及数据推荐应用程序。
在图7所示的数据推荐设备1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；网络接口1004用于与用户终端相连接，获取用户终端的数据；而处理器1001可以用于调用存储器1005中存储的数据推荐应用程序，并具体执行以下操作：
获取用户终端的终端标识对应的定时业务属性以及所述终端标识对应的实时业务属性，所述定时业务属性为根据所述终端标识在第一预设时间段内上传的针对目标业务的第一业务操作，所计算得到所述终端标识对应的第一标签属性；所述实时业务属性为根据所述终端标识实时上传的针对所述目标业务的第二业务操作，所计算得到的所述终端标识对应的第二标签属性；
根据所述定时业务属性和所述实时业务属性在所述目标业务对应的业务数据集合中选取至少一个推荐业务数据；
将所述至少一个推荐业务数据发送至所述用户终端。
在一个实施例中，所述处理器1001在执行获取用户终端的终端标识对应的定时业务属性以及所述终端标识对应的实时业务属性时，具体执行以下操作：
获取基于记录的所述终端标识在第一预设时间段内上传的针对目标业务的第一业务操作，并采用预设的推荐算法模型计算得到的所述终端标识对应的定时业务属性；
获取基于记录的所述终端标识在第二预设时间段内上传的针对目标业务的第二业务操作，并采用预设的置信模型计算得到的所述终端标识对应的实时业务属性；
其中，所述第一预设时间段大于所述第二预设时间段。
在一个实施例中，所述处理器1001在执行获取用户终端的终端标识对应的定时业务属性以及所述终端标识对应的实时业务属性时，具体执行以下操作：
获取基于记录的所述终端标识在第一预设时间段内上传的针对目标业务的第一业务操作，并采用预设的推荐算法模型计算得到的所述终端标识对应的定时业务属性；
获取基于记录的所述终端标识对历史推荐业务数据的第二业务操作，并采用预设的置信模型计算得到的所述终端标识对应的实时业务属性。
在一个实施例中，所述业务数据集合包括至少一个业务数据，所述至少一个业务数据中每个业务数据均存在所述每个业务数据对应的第三标签属性；
所述处理器1001在执行根据所述定时业务属性和所述实时业务属性在所述目标业务对应的业务数据集合中选取至少一个推荐业务数据时，具体执行以下操作：
在所述至少一个业务数据中获取第三标签属性满足所述定时业务属性和所述实时业务属性的至少一个目标业务数据；
根据定时业务属性和所述实时业务属性并采用预设评分模型，获取所述至少一个目标业务数据中每个目标业务数据的评分数值；
按照每个目标业务数据的评分数值的大小，在所述至少一个目标业务数据中获取至少一个推荐业务数据。
在一个实施例中，所述处理器1001在执行在所述至少一个业务数据中获取第三标签属性满足所述定时业务属性和所述实时业务属性的至少一个目标业务数据时，具体执行以下操作：
在所述至少一个业务数据中获取与所述定时业务属性匹配的第三标签属性对应的第一候选业务数据；
在所述至少一个业务数据中获取与所述实时业务属性匹配的第三标签属性对应的第二候选业务数据；
将所述第一候选业务数据和所述第二候选业务数据确定为至少一个目标业务数据。
在一个实施例中，所述处理器1001在执行在所述至少一个业务数据中获取第三标签属性满足所述定时业务属性和所述实时业务属性的至少一个目标业务数据时，具体执行以下操作：
在所述至少一个业务数据中获取与所述定时业务属性匹配的第三标签属性对应的第三候选业务数据；
在第三候选业务数据中删除与所述实时业务属性匹配的第三标签属性对应的第四候选业务数据；
根据删除了所述第四候选业务数据的第三候选业务数据生成至少一个目标业务数据。
在一个实施例中，所述处理器1001在执行将所述至少一个推荐业务数据发送至所述用户终端时，具体执行以下操作：
按照所述至少一个推荐业务数据中每个推荐业务数据的评分数值，对所述至少一个推荐业务数据进行排序处理；
根据排序处理后的至少一个推荐业务数据，将所述至少一个推荐业务数据划分为至少一个推荐业务数据集合，所述至少一个推荐业务数据集合中每个推荐业务数据集合包含预设数量的推荐业务数据；
当接收用户终端针对目标业务发送的携带有所述终端标识的业务数据推荐请求时，依次将所述至少一个推荐业务数据集合发送至所述用户终端。
在本发明实施例中，通过获取离线层的定时业务属性以及实时层的实时业务属性，在业务数据集合中实时选取推荐业务数据，并推送至用户终端。实现了基于离线层和实时层提供的业务属性，实时生成推荐业务数据的过程，提高了推荐的业务数据的更新效率，提升了业务数据推荐的效果，同时分担了离线层的业务数据选取以及实时层的业务数据推荐的工作，进而提升了业务数据推荐的工作效率；通过基于定时业务属性以及实时业务属性实现推荐业务数据的选取，满足了不同的静态以及动态的应用场景，提升了用户体验。
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，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一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的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (14)

1.一种数据推荐方法，其特征在于，包括：
获取用户终端的终端标识对应的定时业务属性以及所述终端标识对应的实时业务属性，所述定时业务属性为根据所述终端标识在第一预设时间段内上传的针对目标业务的第一业务操作，所计算得到所述终端标识对应的第一标签属性；所述实时业务属性为根据所述终端标识实时上传的针对所述目标业务的第二业务操作，所计算得到的所述终端标识对应的第二标签属性；
根据所述定时业务属性和所述实时业务属性在所述目标业务对应的业务数据集合中选取至少一个推荐业务数据；
将所述至少一个推荐业务数据发送至所述用户终端。
2.根据权利要求1所述的方法，其特征在于，所述获取用户终端的终端标识对应的定时业务属性以及所述终端标识对应的实时业务属性，包括：
获取基于记录的所述终端标识在第一预设时间段内上传的针对目标业务的第一业务操作，并采用预设的推荐算法模型计算得到的所述终端标识对应的定时业务属性；
获取基于记录的所述终端标识在第二预设时间段内上传的针对目标业务的第二业务操作，并采用预设的置信模型计算得到的所述终端标识对应的实时业务属性；
其中，所述第一预设时间段大于所述第二预设时间段。
3.根据权利要求1所述的方法，其特征在于，所述获取用户终端的终端标识对应的定时业务属性以及所述终端标识对应的实时业务属性，包括：
获取基于记录的所述终端标识在第一预设时间段内上传的针对目标业务的第一业务操作，并采用预设的推荐算法模型计算得到的所述终端标识对应的定时业务属性；
获取基于记录的所述终端标识对历史推荐业务数据的第二业务操作，并采用预设的置信模型计算得到的所述终端标识对应的实时业务属性。
4.根据权利要求1所述的方法，其特征在于，所述业务数据集合包括至少一个业务数据，所述至少一个业务数据中每个业务数据均存在对应的第三标签属性；
所述根据所述定时业务属性和所述实时业务属性在所述目标业务对应的业务数据集合中选取至少一个推荐业务数据，包括：
在所述至少一个业务数据中获取第三标签属性满足所述定时业务属性和所述实时业务属性的至少一个目标业务数据；
根据定时业务属性和所述实时业务属性并采用预设评分模型，获取所述至少一个目标业务数据中每个目标业务数据的评分数值；
按照每个目标业务数据的评分数值的大小，在所述至少一个目标业务数据中获取至少一个推荐业务数据。
5.根据权利要求4所述的方法，其特征在于，所述在所述至少一个业务数据中获取第三标签属性满足所述定时业务属性和所述实时业务属性的至少一个目标业务数据，包括：
在所述至少一个业务数据中获取与所述定时业务属性匹配的第三标签属性对应的第一候选业务数据；
在所述至少一个业务数据中获取与所述实时业务属性匹配的第三标签属性对应的第二候选业务数据；
将所述第一候选业务数据和所述第二候选业务数据确定为至少一个目标业务数据。
6.根据权利要求4所述的方法，其特征在于，所述在所述至少一个业务数据中获取第三标签属性满足所述定时业务属性和所述实时业务属性的至少一个目标业务数据，包括：
在所述至少一个业务数据中获取与所述定时业务属性匹配的第三标签属性对应的第三候选业务数据；
在第三候选业务数据中删除与所述实时业务属性匹配的第三标签属性对应的第四候选业务数据；
根据删除了所述第四候选业务数据的第三候选业务数据生成至少一个目标业务数据。
7.根据权利要求4所述的方法，其特征在于，所述将所述至少一个推荐业务数据发送至所述用户终端，包括：
按照所述至少一个推荐业务数据中每个推荐业务数据的评分数值，对所述至少一个推荐业务数据进行排序处理；
根据排序处理后的至少一个推荐业务数据，将所述至少一个推荐业务数据划分为至少一个推荐业务数据集合，所述至少一个推荐业务数据集合中每个推荐业务数据集合包含预设数量的推荐业务数据；
当接收用户终端针对目标业务发送的携带有所述终端标识的业务数据推荐请求时，依次将所述至少一个推荐业务数据集合发送至所述用户终端。
8.一种数据推荐设备，其特征在于，包括：
属性获取单元，用于获取用户终端的终端标识对应的定时业务属性以及所述终端标识对应的实时业务属性，所述定时业务属性为根据所述终端标识在第一预设时间段内上传的针对目标业务的第一业务操作，所计算得到所述终端标识对应的第一标签属性；所述实时业务属性为根据所述终端标识实时上传的针对所述目标业务的第二业务操作，所计算得到的所述终端标识对应的第二标签属性；
推荐数据选取单元，用于根据所述定时业务属性和所述实时业务属性在所述目标业务对应的业务数据集合中选取至少一个推荐业务数据；
数据发送单元，用于将所述至少一个推荐业务数据发送至所述用户终端。
9.根据权利要求8所述的设备，其特征在于，所述属性获取单元具体用于：
获取基于记录的所述终端标识在第一预设时间段内上传的针对目标业务的第一业务操作，并采用预设的推荐算法模型计算得到的所述终端标识对应的定时业务属性；
获取基于记录的所述终端标识在第二预设时间段内上传的针对目标业务的第二业务操作，并采用预设的置信模型计算得到的所述终端标识对应的实时业务属性；
其中，所述第一预设时间段大于所述第二预设时间段。
10.根据权利要求8所述的设备，其特征在于，所述属性获取单元具体用于：
获取基于记录的所述终端标识在第一预设时间段内上传的针对目标业务的第一业务操作，并采用预设的推荐算法模型计算得到的所述终端标识对应的定时业务属性；
获取基于记录的所述终端标识对历史推荐业务数据的第二业务操作，并采用预设的置信模型计算得到的所述终端标识对应的实时业务属性。
11.根据权利要求8所述的设备，其特征在于，所述业务数据集合包括至少一个业务数据，所述至少一个业务数据中每个业务数据均存在所述每个业务数据对应的第三标签属性；
所述推荐数据选取单元包括：
目标数据获取子单元，用于在所述至少一个业务数据中获取第三标签属性满足所述定时业务属性和所述实时业务属性的至少一个目标业务数据；
数值获取子单元，用于根据定时业务属性和所述实时业务属性并采用预设评分模型，获取所述至少一个目标业务数据中每个目标业务数据的评分数值；
推荐数据获取子单元，用于按照每个目标业务数据的评分数值的大小，在所述至少一个目标业务数据中获取至少一个推荐业务数据。
12.根据权利要求11所述的设备，其特征在于，所述目标数据获取子单元具体用于：
在所述至少一个业务数据中获取与所述定时业务属性匹配的第三标签属性对应的第一候选业务数据；
在所述至少一个业务数据中获取与所述实时业务属性匹配的第三标签属性对应的第二候选业务数据；
将所述第一候选业务数据和所述第二候选业务数据确定为至少一个目标业务数据。
13.根据权利要求11所述的设备，其特征在于，所述目标数据获取子单元具体用于：
在所述至少一个业务数据中获取与所述定时业务属性匹配的第三标签属性对应的第三候选业务数据；
在第三候选业务数据中删除与所述实时业务属性匹配的第三标签属性对应的第四候选业务数据；
根据删除了所述第四候选业务数据的第三候选业务数据生成至少一个目标业务数据。
14.根据权利要求11所述的设备，其特征在于，所述数据发送单元包括：
数据排序子单元，用于按照所述至少一个推荐业务数据中每个推荐业务数据的评分数值，对所述至少一个推荐业务数据进行排序处理；
数据集合划分子单元，用于根据排序处理后的至少一个推荐业务数据，将所述至少一个推荐业务数据划分为至少一个推荐业务数据集合，所述至少一个推荐业务数据集合中每个推荐业务数据集合包含预设数量的推荐业务数据；
数据集合发送子单元，用于当接收用户终端针对目标业务发送的携带有所述终端标识的业务数据推荐请求时，依次将所述至少一个推荐业务数据集合发送至所述用户终端。
CN201610316826.8A 2016-05-12 2016-05-12 一种数据推荐方法及其设备 Active CN105959374B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201610316826.8A CN105959374B (zh) 2016-05-12 2016-05-12 一种数据推荐方法及其设备
PCT/CN2017/083524 WO2017193897A1 (zh) 2016-05-12 2017-05-08 一种数据推荐方法及其设备、存储介质
US16/049,352 US10706363B2 (en) 2016-05-12 2018-07-30 Data recommendation method and device, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610316826.8A CN105959374B (zh) 2016-05-12 2016-05-12 一种数据推荐方法及其设备

Publications (2)

Publication Number Publication Date
CN105959374A true CN105959374A (zh) 2016-09-21
CN105959374B CN105959374B (zh) 2019-05-03

Family

ID=56912619

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610316826.8A Active CN105959374B (zh) 2016-05-12 2016-05-12 一种数据推荐方法及其设备

Country Status (3)

Country Link
US (1) US10706363B2 (zh)
CN (1) CN105959374B (zh)
WO (1) WO2017193897A1 (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017193897A1 (zh) * 2016-05-12 2017-11-16 腾讯科技（深圳）有限公司 一种数据推荐方法及其设备、存储介质
CN108197327A (zh) * 2018-02-07 2018-06-22 腾讯音乐娱乐（深圳）有限公司 歌曲推荐方法、装置及存储介质
CN108304429A (zh) * 2017-05-16 2018-07-20 腾讯科技（深圳）有限公司 信息推荐方法、装置和计算机设备
CN108696457A (zh) * 2018-04-11 2018-10-23 北京三快在线科技有限公司 基于时间窗口的业务流量分发方法及装置，电子设备
CN109067838A (zh) * 2018-06-29 2018-12-21 聚好看科技股份有限公司 一种数据的推送方法和装置
CN109522337A (zh) * 2018-10-19 2019-03-26 中国平安人寿保险股份有限公司 电子装置、数据整理推送方法和计算机可读存储介质
CN110162518A (zh) * 2019-04-16 2019-08-23 平安科技（深圳）有限公司 数据分组方法、装置、电子设备及存储介质
CN110197331A (zh) * 2019-05-24 2019-09-03 深圳前海微众银行股份有限公司 业务数据处理方法、装置、设备及计算机可读存储介质
CN110309360A (zh) * 2019-06-13 2019-10-08 山东大学 一种短视频的话题标签个性化推荐方法及***
CN110555135A (zh) * 2018-03-27 2019-12-10 优酷网络技术（北京）有限公司 内容推荐方法、内容推荐装置和电子设备
CN110555157A (zh) * 2018-03-27 2019-12-10 优酷网络技术（北京）有限公司 内容推荐方法、内容推荐装置和电子设备
CN110555131A (zh) * 2018-03-27 2019-12-10 优酷网络技术（北京）有限公司 内容推荐方法、内容推荐装置和电子设备
CN111861605A (zh) * 2019-04-28 2020-10-30 阿里巴巴集团控股有限公司 业务对象推荐方法
CN112182358A (zh) * 2019-07-05 2021-01-05 百度在线网络技术（北京）有限公司 一种多媒体推送计划的创建方法和创建***
CN112306953A (zh) * 2020-01-14 2021-02-02 深圳新阳蓝光能源科技股份有限公司 一种智慧城市数据归档方法、装置和电子设备
CN113536115A (zh) * 2021-06-21 2021-10-22 浙江吉利控股集团有限公司 一种网约车信息推送方法、装置及平台

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10862811B1 (en) * 2018-06-08 2020-12-08 West Corporation Message brokering for asynchronous status updates
US11030493B2 (en) * 2018-09-20 2021-06-08 International Business Machines Corporation Estimating sequential blood-sugar levels using images of meals
CN111724187A (zh) * 2019-03-21 2020-09-29 上海晶赞融宣科技有限公司 Dmp受众数据实时处理方法及装置、计算机可读存储介质
CN111914159B (zh) * 2019-05-10 2024-03-12 招商证券股份有限公司 一种信息推荐方法及终端
CN110852830A (zh) * 2019-09-30 2020-02-28 口碑(上海)信息技术有限公司 一种目标用户信息的获取方法与一种服务订阅***
CN111026969B (zh) * 2019-12-18 2023-10-03 腾讯科技（深圳）有限公司 一种内容推荐方法、装置及存储介质和服务器
CN111737344B (zh) * 2020-05-20 2023-08-25 时时同云科技(成都)有限责任公司 一种针对标签式称重设备的数据同步方法及装置
CN111723287B (zh) * 2020-06-03 2021-03-05 开普云信息科技股份有限公司 一种基于大规模机器学习的内容和服务推荐方法及其***
CN111913996B (zh) * 2020-07-14 2023-07-18 中国联合网络通信集团有限公司 数据处理方法、装置、设备及存储介质
CN113010536B (zh) * 2021-04-21 2024-02-06 中国平安人寿保险股份有限公司 基于流式数据处理的用户标签获取方法及装置
CN113139833B (zh) * 2021-04-29 2022-10-18 杭州弧途科技有限公司 一种基于用户活跃时区预测和流量分发优化的推荐方法
US11663216B2 (en) * 2021-07-28 2023-05-30 Bank Of America Corporation Delta database data provisioning

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120066393A1 (en) * 2010-09-15 2012-03-15 Core Mobile Networks, Inc. System and method for real time delivery of context based content from the cloud to mobile devices
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
CN103905507A (zh) * 2012-12-28 2014-07-02 ***通信集团公司 一种业务信息推荐***及业务信息推荐方法
CN104090894A (zh) * 2013-12-18 2014-10-08 深圳市腾讯计算机***有限公司 在线并行计算推荐信息的方法、装置及服务器

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010028662A1 (en) * 2000-01-18 2001-10-11 Hunt Paul M. Method and system of real-time optimization and implementation of content and advertising programming decisions for broadcasts and narrowcasts
EP1156424A2 (en) * 2000-05-17 2001-11-21 Matsushita Electric Industrial Co., Ltd. Information recommendation apparatus and information recommendation system
US20040193938A1 (en) * 2003-03-28 2004-09-30 Shah Rasiklal Punjalal Complex system serviceability method and apparatus
US20120173370A1 (en) * 2005-09-14 2012-07-05 Adam Soroca System for retrieving mobile communication facility user data from a plurality of providers
US20090163183A1 (en) * 2007-10-04 2009-06-25 O'donoghue Hugh Recommendation generation systems, apparatus and methods
US20110125585A1 (en) * 2009-11-20 2011-05-26 Rovi Technologies Corporation Content recommendation for a content system
US20120310770A1 (en) * 2011-06-01 2012-12-06 Universidade Da Coruna (Otri) Recommendation method and system
US9390181B1 (en) * 2011-06-09 2016-07-12 Amazon Technologies, Inc. Personalized landing pages
WO2014004735A1 (en) * 2012-06-26 2014-01-03 Medio Systems, Inc. Recommendations system
US20150006294A1 (en) * 2013-06-28 2015-01-01 Linkedln Corporation Targeting rules based on previous recommendations
US20150006286A1 (en) * 2013-06-28 2015-01-01 Linkedin Corporation Targeting users based on categorical content interactions
CN104424210B (zh) * 2013-08-22 2017-11-14 腾讯科技（深圳）有限公司 一种信息推荐方法、***及服务器
US11809501B2 (en) * 2014-08-28 2023-11-07 Ebay Inc. Systems, apparatuses, and methods for providing a ranking based recommendation
US11675833B2 (en) * 2015-12-30 2023-06-13 Yahoo Assets Llc Method and system for recommending content
US20170289202A1 (en) * 2016-03-31 2017-10-05 Microsoft Technology Licensing, Llc Interactive online music experience
CN105959374B (zh) * 2016-05-12 2019-05-03 腾讯科技（深圳）有限公司 一种数据推荐方法及其设备
US9779443B1 (en) * 2016-05-27 2017-10-03 Blueshift Labs, Inc. Event-based personalized merchandising schemes and applications in messaging
US10943263B2 (en) * 2016-12-21 2021-03-09 Meru Cab Company Private Limited System, method, and computer-readable medium for providing optimal dynamic content of a service to a user

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120066393A1 (en) * 2010-09-15 2012-03-15 Core Mobile Networks, Inc. System and method for real time delivery of context based content from the cloud to mobile devices
CN103905507A (zh) * 2012-12-28 2014-07-02 ***通信集团公司 一种业务信息推荐***及业务信息推荐方法
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
CN104090894A (zh) * 2013-12-18 2014-10-08 深圳市腾讯计算机***有限公司 在线并行计算推荐信息的方法、装置及服务器

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017193897A1 (zh) * 2016-05-12 2017-11-16 腾讯科技（深圳）有限公司 一种数据推荐方法及其设备、存储介质
US10706363B2 (en) 2016-05-12 2020-07-07 Tencent Technology (Shenzhen) Company Limited Data recommendation method and device, and storage medium
CN108304429A (zh) * 2017-05-16 2018-07-20 腾讯科技（深圳）有限公司 信息推荐方法、装置和计算机设备
CN108197327A (zh) * 2018-02-07 2018-06-22 腾讯音乐娱乐（深圳）有限公司 歌曲推荐方法、装置及存储介质
CN108197327B (zh) * 2018-02-07 2020-07-31 腾讯音乐娱乐（深圳）有限公司 歌曲推荐方法、装置及存储介质
CN110555131A (zh) * 2018-03-27 2019-12-10 优酷网络技术（北京）有限公司 内容推荐方法、内容推荐装置和电子设备
CN110555135A (zh) * 2018-03-27 2019-12-10 优酷网络技术（北京）有限公司 内容推荐方法、内容推荐装置和电子设备
CN110555157A (zh) * 2018-03-27 2019-12-10 优酷网络技术（北京）有限公司 内容推荐方法、内容推荐装置和电子设备
CN108696457A (zh) * 2018-04-11 2018-10-23 北京三快在线科技有限公司 基于时间窗口的业务流量分发方法及装置，电子设备
WO2019196495A1 (zh) * 2018-04-11 2019-10-17 北京三快在线科技有限公司 基于时间窗口的业务流量分发
CN109067838A (zh) * 2018-06-29 2018-12-21 聚好看科技股份有限公司 一种数据的推送方法和装置
CN109067838B (zh) * 2018-06-29 2021-10-19 聚好看科技股份有限公司 一种数据的推送方法和装置
CN109522337A (zh) * 2018-10-19 2019-03-26 中国平安人寿保险股份有限公司 电子装置、数据整理推送方法和计算机可读存储介质
CN110162518A (zh) * 2019-04-16 2019-08-23 平安科技（深圳）有限公司 数据分组方法、装置、电子设备及存储介质
CN110162518B (zh) * 2019-04-16 2023-10-31 平安科技（深圳）有限公司 数据分组方法、装置、电子设备及存储介质
CN111861605A (zh) * 2019-04-28 2020-10-30 阿里巴巴集团控股有限公司 业务对象推荐方法
CN110197331A (zh) * 2019-05-24 2019-09-03 深圳前海微众银行股份有限公司 业务数据处理方法、装置、设备及计算机可读存储介质
CN110309360A (zh) * 2019-06-13 2019-10-08 山东大学 一种短视频的话题标签个性化推荐方法及***
CN110309360B (zh) * 2019-06-13 2021-09-28 山东大学 短视频标签标注方法及***
CN112182358A (zh) * 2019-07-05 2021-01-05 百度在线网络技术（北京）有限公司 一种多媒体推送计划的创建方法和创建***
CN112182358B (zh) * 2019-07-05 2024-04-30 百度在线网络技术（北京）有限公司 一种多媒体推送计划的创建方法和创建***
CN112306953A (zh) * 2020-01-14 2021-02-02 深圳新阳蓝光能源科技股份有限公司 一种智慧城市数据归档方法、装置和电子设备
CN113536115A (zh) * 2021-06-21 2021-10-22 浙江吉利控股集团有限公司 一种网约车信息推送方法、装置及平台

Also Published As

Publication number Publication date
US10706363B2 (en) 2020-07-07
US20180365577A1 (en) 2018-12-20
CN105959374B (zh) 2019-05-03
WO2017193897A1 (zh) 2017-11-16

Similar Documents

Publication Publication Date Title
CN105959374A (zh) 一种数据推荐方法及其设备
WO2021027256A1 (zh) 处理交互序列数据的方法及装置
CN111079015B (zh) 一种推荐方法、装置、计算机设备和存储介质
CN108292206A (zh) 具有易于使用特征的工作流开发***
CN106708821A (zh) 基于用户个性化购物行为进行商品推荐的方法
CN106067080A (zh) 提供可配置工作流能力
CN105183772A (zh) 投放信息点击率预估方法及装置
CN105160545A (zh) 投放信息样式确定方法及装置
CN109155041A (zh) 提供与社交图相关联的基于旅行或促销的推荐
CN111090822A (zh) 业务对象的推送方法及装置
CN102279960A (zh) 一种包含用户元素的广告发布控制方法以及***
CN109829098A (zh) 搜索结果优化方法、装置及服务器
CN112559896A (zh) 信息推荐方法、装置、设备及计算机可读存储介质
CN105631052A (zh) 基于人工智能的检索方法和装置
CN112925973A (zh) 数据处理方法和装置
CN115423555A (zh) 一种商品推荐方法、装置、电子设备及存储介质
CN113220974A (zh) 点击率预测模型训练、搜索召回方法、装置、设备及介质
US20180285793A1 (en) Patron presence based workforce capacity notification
CN110659920B (zh) 一种业务对象的推荐方法和装置
CN115062676B (zh) 数据处理方法、装置及计算机可读存储介质
CN110895781A (zh) 菜品类别推荐方法、装置、电子设备及存储介质
CN116634008A (zh) 信息推送方法、装置、计算机设备和存储介质
CN110119784A (zh) 一种订单推荐方法及装置
CN114611022A (zh) 推送展示信息的方法、装置、设备和存储介质
US20160335696A1 (en) Process for locationally sorting and categorizing mobile applications at a geographical level, utilizing gps

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant