CN106228386B - 一种信息推送方法及装置 - Google Patents
一种信息推送方法及装置 Download PDFInfo
- Publication number
- CN106228386B CN106228386B CN201610548918.9A CN201610548918A CN106228386B CN 106228386 B CN106228386 B CN 106228386B CN 201610548918 A CN201610548918 A CN 201610548918A CN 106228386 B CN106228386 B CN 106228386B
- Authority
- CN
- China
- Prior art keywords
- commodity
- recommended
- user
- historical record
- weight
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- 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
- G06Q30/0253—During e-commerce, i.e. online transactions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
-
- 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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0224—Discounts or incentives, e.g. coupons or rebates 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
-
- 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
- G06Q30/0282—Rating or review of business operators or products
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种信息推送方法及装置,包括:基于用户的历史行为获取第一历史记录,该第一历史记录包括第一商品集合中每个商品的历史记录,该第一商品集合为用户使用过的商品所组成的集合;根据预设策略和第一历史记录对第一商品集合进行过滤,得到第二商品集合;根据第二商品集合对应的第二历史记录和预设的相似度模型,确定第二商品集合中待推荐商品和其他商品两两之间的关联度;将待推荐商品的所有关联度中满足第一预设条件的第一关联度对应的商品确定为待推荐商品的第一相关联商品;根据第一相关联商品将待推荐商品推送出去。
Description
技术领域
本发明涉及无线通信领域中的智能应用推荐技术,尤其涉及一种信息推送方法及装置。
背景技术
随着通信技术的飞速发展,客户端的功能和智能性也越来越丰富,当用户通过客户端在进行业务应用时,如通过客户端安装的游戏应用玩游戏时,发送启动游戏请求或请求下载游戏应用的请求等等业务请求(历史使用记录),服务器会收集这些业务请求,并根据业务请求向该客户端计算并推送与该游戏应用相关联的关联信息,该客户端就可以通过关联信息智能地为用户推荐相关联的媒体信息(如某一个益智类游戏或桌面游戏等),从而方便用户选择更多感兴趣的相关媒体信息,例如,在观看视频时,视频客户端可以根据用户选择的视频类型或应用类型,通过服务器的判断实现智能推荐与其关联的视频或应用给用户,便于用户选择观看或使用。
对于上述服务器通过判断实现为用户智能推荐与用户关注或请求相关联的视频、游戏等应用而言,现有技术中,如图1所示,服务器基于物品的协同过滤算法(item-base)进行相似物品(即关联应用)的推荐,以将推荐的关联信息下发给客户端,从而实现为登录该客户端的用户进行智能推荐。通过用户和先验物品的使用关系记录(即用户先验物品记录),计算两个用户先验物品之间的相似度,形成相似矩阵,将用户先验物品记录与计算出的相似矩阵进行关联,推荐其中关联度高的用户先验物品给客户端。其中,关联度的相关公式如下所示:
其中,si,N为物品之间的相似度,Ru,N为用户对物品i(i为N中的一个)的偏好度,pu,i为与用户u使用的物品i的关联度,N为与物品i关联的物品个数。
然而,采用现有的协同过滤算法实现关联度高的物品的推荐过程中,相似度考虑的方式较为单一,导致最终的物品推荐过程很容易出现推荐过度的现象,从而出现多样性不够丰富的问题。
发明内容
为解决上述技术问题,本发明实施例期望提供一种信息推送方法及装置,能够从多方面结合进行物品相似度的实现,从而提高推荐商品的多样性和准确度。
本发明实施例的技术方案是这样实现的:
第一方面,本发明实施例提供了一种信息推送方法,包括:
基于用户的历史行为获取第一历史记录,所述第一历史记录包括第一商品集合中每个商品的历史记录,所述第一商品集合为所述用户使用过的商品所组成的集合;
根据预设策略和所述第一历史记录对所述第一商品集合进行过滤,得到第二商品集合;
根据所述第二商品集合对应的第二历史记录和预设的相似度模型,确定所述第二商品集合中待推荐商品和其他商品两两之间的关联度;
将所述待推荐商品的所有关联度中满足第一预设条件的第一关联度对应的商品确定为所述待推荐商品的第一相关联商品;
根据所述第一相关联商品将所述待推荐商品推送出去。
第二方面,本发明实施例提供了一种信息推送装置,包括:
获取单元,用于基于用户的历史行为获取第一历史记录,所述第一历史记录包括第一商品集合中每个商品的历史记录,所述第一商品集合为所述用户使用过的商品所组成的集合;
过滤单元,用于根据预设策略和所述第一历史记录对所述第一商品集合进行过滤,得到第二商品集合;
确定单元,用于根据所述第二商品集合对应的第二历史记录和预设的相似度模型,确定所述第二商品集合中待推荐商品和其他商品两两之间的关联度;以及将所述待推荐商品的所有关联度中满足第一预设条件的第一关联度对应的商品确定为所述待推荐商品的第一相关联商品;
推送单元,用于根据所述第一相关联商品将所述待推荐商品推送出去。
本发明实施例提供了一种信息推送方法及装置,其中,通过基于用户的历史行为获取第一历史记录,该第一历史记录包括第一商品集合中每个商品的历史记录,该第一商品集合为用户使用过的商品所组成的集合;根据预设策略和第一历史记录对第一商品集合进行过滤,得到第二商品集合;根据第二商品集合对应的第二历史记录和预设的相似度模型,确定第二商品集合中待推荐商品和其他商品两两之间的关联度;将待推荐商品的所有关联度中满足第一预设条件的第一关联度对应的商品确定为待推荐商品的第一相关联商品;根据第一相关联商品将待推荐商品推送出去。采用上述技术实现方案,由于服务器考虑到对第一商品集合进行筛选,过滤掉不符合预设策略的商品即除掉了与无用、无效的商品的推荐,使得服务器从多方面结合(预设策略)进行物品相似度的实现,的推荐或推送商品的多样性和准确度。
附图说明
图1为现有技术实现商品推送的框图;
图2为本发明实施例提供的一种信息推送方法基于的***架构的结构示意图;
图3为本发明实施例提供的一种信息推送方法的应用场景示意图一;
图4为本发明实施例提供的游戏盒子场景示意图;
图5为本发明实施例提供的游戏桌面猜你喜欢场景示意图;
图6为本发明实施例提供的榜单场景示意图;
图7为本发明实施例提供的无线桌面示意图;
图8为本发明实施例提供的组合关联度的示意图;
图9为本发明实施例提供的一种采用预设的后验商品池子进行过滤实现商品推荐的示意图;
图10为本发明实施例提供的一种信息推送方法的应用场景示意图二;
图11为本发明实施例提供的基于用户的偏好度进行推荐的框图;
图12为本发明实施例提供的基于用户的历史行为进行的实时推荐的框图;
图13为本发明实施例提供的实验数据示意图一;
图14为本发明实施例提供的实验数据示意图二;
图15为本发明实施例提供的一种信息推送装置的结构示意图一;
图16为本发明实施例提供的一种信息推送装置的结构示意图二;
图17为本发明实施例提供的一种信息推送装置的结构示意图三;
图18为本发明实施例提供的一种服务器的结构示意图四。
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。
电子设备管家:例如手机管家,是一款主要包含手机病毒查杀、垃圾清理、骚扰拦截、流量管理、软件管理等功能的手机管理软件。
先验商品池子:通常指用户安装的商品或者下载、浏览的商品。
后验商品池子:某个推荐场景下,只能推荐的商品池子。
如图2所示为实现本发明实施例的***架构,参照图2,其示出一个用于在终端21上进行管理各种应用程序(APP,Application)(例如,游戏应用)的客户端与服务器22的***2。其中,终端21和服务器22都可以为多个。上述***2包括一个或多个安装有客户端的终端21以及一个或多个服务器22,这些终端21和服务器22通过网络23连接。终端21中安装有可进行或管理各种应用的客户端。其中,上述客户端可以为终端21中安装的手机管家等软件。在本发明实施例提供的信息推送方法中,网络侧服务器22可以与终端21进行待推荐商品的信息的交互(终端21上传数据至服务器22),获取待推送商品,并将待推送商品推送至终端21上的客户端中,使得用户在使用与待推荐商品相关联商品时可以获取到待推荐商品,以安装或使用上述待推荐商品。
需要说明的是,本发明是基于图2提出的下列各实施例的。
本发明实施例提供了一种信息推送方法,如图3所示,该方法可以包括:
S101、基于用户的历史行为获取第一历史记录,该第一历史记录包括第一商品集合中每个商品的历史记录,该第一商品集合为用户使用过的商品所组成的集合。
需要说明的是,本发明实施例提供的一种信息推送方法的应用前提为:在用户使用终端上客户端上的各种应用或服务等的情况下。
在本发明的其他实施例中,本发明实施例中的客户端可以为手机管家等管理型应用,其中,客户端的类型或商品的类型本发明实施例不作限制。
在本发明的其他实施例中,本发明实施例中的第一商品集合中的商品可以为各种应用、工具、榜单、服务等,商品形式本发明实施例不作限制。
在本发明实施例中,将用户使用过的商品所组成的集合称为先验商品池子,例如,用户安装、下载或浏览过的应APP等。
需要说明的是,基于用户的历史行为获取的某一商品的第一历史记录可以为用户使用该商品的次数、使用时间、使用上述商品的用户的信息、上述商品的使用方式,该商品的分类信息、使用该商品的完成率等基于用户行为产生的历史信息的记录,本发明实施例不限制上述某一商品的第一历史记录。
本发明实施例中的第一商品集合中的商品可以有多个,第一商品集合中的商品的个数是通过终端反馈第一历史记录给服务器而确定的。
在本发明实施例中,服务器通过用户使用终端上的客户端中的商品后,该服务器基于用户的历史行为获取第一历史记录,该第一历史记录包括第一商品集合中每个商品的历史记录,该第一商品集合为用户使用过的商品所组成的集合。
S102、根据预设策略和第一历史记录对第一商品集合进行过滤,得到第二商品集合。
服务器基于用户的历史行为获取第一历史记录之后,由于服务器获取的第一历史记录中可能存在与待推荐商品无关,或者无用商品的历史记录,或者病毒伪装的商品的历史记录,因此,服务器通过其中预设存储的预设策略,根据上述第一历史记录对上述第一商品集合中的商品进行过滤,筛掉与待推荐商品无关,或者无用商品的历史记录,或者病毒伪装的商品(即参考性较低的商品),得到第二商品集合,相应的,在发明实施例提供的信息推送方法的后续步骤中采用的历史记录就是服务器过滤后得到的第二商品集合中的商品的第二历史记录,筛掉了与待推荐商品无关,或者无用商品的历史记录,或者病毒伪装的商品对应的历史记录了。
可以理解的是,服务器通过预设策略过滤掉参考性较低的商品,使得后续的关联度计算等后续步骤中不考虑使用该参考性较低的商品的历史记录进行关联度的计算,也就是不对该参考性较低的商品推送给终端的客户端上,提高了推荐商品的准确度。
进一步地,针对S102,本发明实施例提供的一种信息推送方法可以通过采用不同的预设策略对第一商品集合中的商品进行过了,这里,实现过程可以包括:服务器依据预设的后验商品池子进行过滤的S1021-S1022,以及服务器依据分类信息进行过滤的S1023-S1024中的至少一种方式。如下所述:
S1021、根据第一历史记录,将第一商品集合中的商品进行两两组合,得到至少一个第一商品组合对。
S1022、根据预设的后验商品池,对至少一个第一商品组合对进行过滤,过滤掉该至少一个第一商品组合对中均不属于预设的后验商品池的第一商品组合对,得到第二商品集合。
需要说明的是,服务器依据预设的后验商品池子的过滤方式是基于场景对第一商品集合中的商品进行过滤的。
示例性地,以客户端为手机管家为例进行场景的说明,手机管家推荐***的典型场景包括但不限于:
(1)、游戏盒子场景(游戏类场景);
(2)、游戏桌面猜你喜欢场景(推荐游戏类场景);
(3)、软件桌面猜你喜欢场景(推荐软件类场景);
(4)、榜单、高级工具(无线桌面)、软件管理猜你喜欢场景(软件+游戏类场景)。
需要说明的是,服务器基于场景向使用给手机管家的用户推送待推荐商品时需要满足以下几个业务点:(1)有的场景只推送游戏,有的场景只推送软件,有的场景需要游戏、软件都推送;(2)有的场景需要限制推荐的游戏种类,如限制游戏为精品游戏等。本发明实施例中将上述对最终推送的待推荐商品限制的场景的方式采用“后验商品池子”实现,服务器在进行关联度计算以及后续推送之前,依据预设的后验商品池子把与场景无关的第一商品集合中的商品对过滤掉,从而在后续的推送方法中实现基于场景的商品的推荐。
示例性地,本发明实施例应用于终端的手机管家的各个场景包括:如图4所示的游戏盒子场景、如图5所示的游戏桌面猜你喜欢场景、如图6所示的榜单、如图7所示的高级工具(无线桌面)场景等。相应的,上述个场景分别对应的预设的后验商品池子可以为图4中的“小编精选”中的游戏、图5中的“猜你喜欢”中的游戏、图6中的榜单中“猜你喜欢”中的软件和游戏等应用和图7中“每周推荐软件”中的软件和游戏等商品。
需要说明的是,本发明实施例中预设的后验商品池子是预先设置好的,可以为人为设置的,预设方式本发明实施例不作限制。本发明实施例中将服务器从终端获取的第一商品集合中可称为先验商品池子。
由于服务器需要根据用户使用商品的历史记录计算两个商品之间的关联度或相似度,因此,服务器根据第一商品集合的第一历史记录,将该第一商品集合中的商品进行两两组合,这样就得到至少一个第一商品组合对,并根据预设的后验商品池,对至少一个第一商品组合对进行过滤,由于基于场景进行信息推动时,本发明实施例提供的信息推动方法的目的是推送后验商品池子中的商品给用户的,因此,服务器应过滤掉该至少一个第一商品组合对中均不属于预设的后验商品池的第一商品组合对,得到第二商品集合,以进行后面的待推荐商品的推送。
需要说明的是,本发明实施例中的第二商品集合为第一商品组合对的集合。
示例性地,以用户安装软件序列为例,假设用户U1和U2安装序列为下面的如下安装记录(第一历史记录):
U1:itemA1,itemA2,itemB1
U2:itemA1,itemA2,itemB1,itemB2
其中,itemA1,itemA2属于先验商品池子α(全量),而只有itemB1,itemB2属于预设的后验商品池子β。本发明实施例提供的信息推送的目的是给待推荐用户只推荐池子β里面的item。
服务器将第一商品集合itemA1,itemA2、itemB1、itemB2进行两两组合配对,得到商品组合对:itemA1-itemA2、itemA1-itemB1、itemA1-itemB2、itemA2-itemB1、itemA2-itemB2、itemB1-itemB2;服务器根据预设的后验商品池子β进行过滤后,得到的第二商品集合为:itemA1-itemB1、itemA1-itemB2、itemA2-itemB1、itemA2-itemB2、itemB1-itemB2。
S1023、根据第一历史记录,确定第一商品集合中每个商品的分类信息。
S1024、按照每个商品的分类信息,将第一商品集合进行两两组合,得到至少一个第一商品组合对,该至少一个第一商品组合对组成了第二商品集合。
需要说明的是,服务器还可以依据商品的分类信息的过滤方式对第一商品集合中的商品组合进行过滤。
可以理解的是,服务器通过终端获取到第一商品集合中的商品被使用的第一历史记录时,该第一历史记录可以包括商品的分类信息,因此,这时服务器就可以依据商品的分类信息的过滤方式对第一商品集合中的商品组合进行过滤了。
在本发明的其他实施例中,商品的分类信息可以为商品对应的类型的信息,例如,对于软件而言,分类信息可以为办公、工具、娱乐、图像处理等类型;对于游戏而言,分类信息可以为益智类、棋牌类、桌面类、策略类等类型,其中,分类信息的划分本发明实施例不作限制。
由于服务器需要根据用户使用商品的历史记录计算两个商品之间的关联度或相似度,因此,服务器根据第一商品集合的第一历史记录,将该第一商品集合中的商品进行两两组合,这样就得到至少一个第一商品组合对,由于服务器还可以根据第一历史记录,确定第一商品集合中每个商品的分类信息,因此,服务器就可以根据第一历史记录中对至少一个第一商品组合对进行过滤,过滤掉该至少一个第一商品组合对中分类信息不相同的第一商品组合对,得到第二商品集合。
可以理解的是,服务器推送与第一商品集合中的商品相关联的待推荐商品时,待推荐商品的类型与其相关联的第一商品集合中的商品的类型相似或一致,可以提高信息推送的准确度。
需要说明的是,本发明实施例中的第二商品集合为商品组合对的集合。
示例性地,以用户安装软件序列为例,假设用户U1和U2安装序列为下面的如下安装记录(第一历史记录):
U1:item1:categoryC1,item2:categoryC2,item3:categoryC1,item5:categoryC2
U2:item1:categoryC1,item3:categoryC1,item4:categoryC1,item5:categoryC2,item6:categoryC2
服务器从上述第一历史记录中可以获取第一商品集合中的每个商品的分类信息categoryC1或categoryC2;服务器按照categoryC1和categoryC2将第一商品集合item1,item2、item3、item4、item5进行两两组合配对,得到第一商品组合对如下:分类categoryC1的两两组合为:item1-item3,item1-item4,item3-item4;分类categoryC2的两两组合为item2-item5,item2-item6,item5-item6;item1-item3、item1-item4、item2-item5、item2-item6、item5-item6为地位商品集合中的第一商品组合对。
需要说明的是,服务器根据每个商品的分类信息,对第一商品集合中的商品进行两两组合,得到的就是分类信息相同的第一商品组合对,这样,就将第一商品集合中商品的分类信息不相同的第一商品组合对过滤掉了。
进一步地,本发明提出的S1023-S1024的过滤方式可以单独实现本发明实施例提供的一种信息推送方法的过滤过程,也可以与S1021-S1022联合实现本发明实施例中的过滤过程。即,本发明实施例提供的一种信息推送方法中的102的实现方式可以为S1021-S1022或S1023-S1024或S1021-S1024,选用哪种过滤的实现方式可根据实际实践情况而定,本发明实施例不作限制。
S103、根据第二商品集合对应的第二历史记录和预设的相似度模型,确定该第二商品集合中待推荐商品和其他商品两两之间的关联度。
需要说明的是,第二商品集合中的对象为至少一个第一商品组合对,第二商品集合还是属于第一商品集合的,因此,服务器获取的第一历史记录中可以确定出第二商品集合中的商品组合对各自对应的第二历史记录的。
服务器在得到第二商品集合之后,该服务器可以根据第二商品集合中的每个第一商品组合对中商品各自对应的第二历史记录和预设的相似度模型,计算出每个第一商品组合对中的商品之间的关联度,由于在每个第一商品组合对可以分为待推荐商品和非待推荐商品(其他商品),因此,服务器可以根据第二商品集合对应的第二历史记录和预设的相似度模型,确定该第二商品集合中待推荐商品和其他商品两两之间的关联度,即每个第一商品组合对中的商品之间的关联度。
在本发明的其他实施例中,第二历史记录可以为用户使用该商品的次数、使用时间、使用上述商品的用户的信息、上述商品的使用方式,该商品的分类信息、使用该商品的完成率等基于用户行为产生的历史信息的记录,本发明实施例不限制商品的第二历史记录。
需要说明的是,本发明实施例中的预设相似度模型为计算两个商品之间相似度的可用公式或方法。
本发明实施例中的关联度的计算或确定方法可以采用雅克比公式、Cosine相似度公式、Pearson相似度公式、Euclidean相似度公式、基于关键词召回的关联矩阵算法和关联规则中的至少一种来实现。
进一步地,服务器若采用多种关联度算法融合实现的方式时,计算出按照每种算法的多个关联度或多个关联矩阵之后,对该多个关联度或多个关联矩阵进行加权求和,得到最终的组合关联度或组合关联矩阵,其中,每个关联度或关联矩阵的权重得设置可以是依据业务经验来确定的,权重的设置依据可以为多种方式,本发明实施例不作限制。
可以理解的是,本发明实施例通过多种召回方式形成一个融合多种因素的关联矩阵,通过加权的方式进行组合得到最终的关联矩阵的方式使得最终使用的关联矩阵更加丰富,提高了推送的多样性和准确度。
示例性地,如图8所示,以过滤方式为分类信息为例进行说明。采用5种关联度的计算方式的融合算法得到最终的组合关联度。其中,组合关联矩阵C=C1*0.3+C2*0.3+C3*0.1+C4*0.15+C5*0.15。
示例性地,下面对几种关联度算法对得到关联度的过程进行单独、简单的说明。
(1)、雅克比算法。
服务器通过前述步骤得到第二商品集合中的至少一个第一商品组合对及其对应的第二历史记录;服务器根据至少一个第一商品组合对,根据第二历史记录统计出每个第一商品组合对的共存用户数(同时使用这个第一商品组合对的中商品的用户个数)和使用第二商品集合中的每个商品的用户数;服务器根据雅克比公式(公式(1))计算出每个第一商品组合对之间的关联度(相似度)。针对第二商品中的一个商品,服务器将与包括该一个商品的所有第一商品组合对的关联度找出来,形成该一个商品的关联矩阵。其中,雅克比公式如下:
在公式(1)中,A和B表示一个第一商品组合对中的两个商品各自的用户数,于是,分子表征一个第一商品组合对中的两个商品的共存用户数,分母表征该两个商品对应的用户数之和与共存用户数的差。
例如,以用户安装软件序列和预设的后验商品池子的过滤方式为例进行说明,假设用户U1和U2安装序列为下面的如下安装记录(第一历史记录):
U1:itemA1,itemA2,itemB1
U2:itemA1,itemA2,itemB1,itemB2
其中,itemA1,itemA2属于先验商品池子α(全量),而只有itemB1,itemB2属于预设的后验商品池子β。本发明实施例提供的信息推送的目的是给待推荐用户只推荐池子β里面的item。
服务器将第一商品集合itemA1,itemA2、itemB1、itemB2进行两两组合配对,得到商品组合对:itemA1-itemA2、itemA1-itemB1、itemA1-itemB2、itemA2-itemB1、itemA2-itemB2、itemB1-itemB2;服务器根据预设的后验商品池子β进行过滤后,得到的第二商品集合为:itemA1-itemB1、itemA1-itemB2、itemA2-itemB1、itemA2-itemB2、itemB1-itemB2。于是,服务器从第一历史记录中获知的上述每个第一商品组合对对应的第二历史记录。以计算itemA1-itemB1之间的关联度为例进行说明,服务器根据第二历史记录计算出同时使用itemA1和itemB1的共存用户数为2(U1和U2),使用itemA1的用户数为2,使用itemB1的用户数为2,因此,itemA1-itemB1之间的关联度J=2/2+2-2=1。
(2)、Cosine,Pearson,Euclidean算法。
服务器根据第二历史记录计算第二商品集合中的每个商品对应用户使用情况的第一向量,根据每个第一商品组合对的中每两个商品的第一向量和Cosine,Pearson或Euclidean相似度公式计算每个第一商品组合对的中每两个商品的相似度,针对第二商品中的一个商品,服务器将与包括该一个商品的所有第一商品组合对的关联度找出来,形成该一个商品的关联矩阵。
例如,依然采用(1)中的例子进行说明,服务器根据上述U1和U2对itemA1、itemB1、itemA2、itemB2的使用记录计算出各自的第一向量:itemA1=[1,1]T,itemA2=[1,1]T,itemB1=[1,1]T,itemB2=[0,1]T,其中,0表示用户没有安装该商品,1表示用户安装了该商品。以itemA1为例进行说明,itemA1的关联度为根据itemA1=[1,1]T和Cosine,Pearson或Euclidean相似度公式计算得到。
(3)、关联规则。
服务器可以根据第二历史记录计算出第二商品集合中的每个第一商品组合对的每个商品的用户数和每两个商品的总使用次数,以及每个第一商品组合对的共存用户数;服务器根据每个第一商品组合对的共存用户数和每个第一商品组合对中的每个商品的用户数,计算每个第一商品组合对的第一置信度;服务器根据每个第一商品组合对的第一置信度、每个第一商品组合对中的每两个商品的总使用次数和每个第一商品组合对中的每个商品的用户数,利用关联规则计算每个第一商品组合对的提升度,该提升度越高,表征第一商品组合对中的两个商品的关联度越高,针对第二商品中的一个商品,服务器将与包括该一个商品的所有第一商品组合对的关联度找出来,形成该一个商品的关联矩阵。其中,置信度的计算公式为公式(2)、提升度的计算公式为公式(3),如下:
confidence(B/A)=count(A∩B)/count(A) (2)
在公式(2)中,count(A∩B)为每个第一商品组合对的共存用户数,count(A)为第一商品组合对中的一个商品的用户数,confidence(B/A)为第一置信度。
在公式(3)中,lift(A,B)表征第一商品组合对的两个商品之间的提升度,P()为现有的关联规则函数,transaction_cnt为第一商品组合对中的每两个商品的总使用次数,count(B)为第一商品组合对中的另一个商品的用户数。
S104、将待推荐商品的所有关联度中满足第一预设条件的第一关联度对应的商品确定为该待推荐商品的第一相关联商品。
S105、根据第一相关联商品将待推荐商品推送出去。
服务器确定该第二商品集合中待推荐商品和其他商品两两之间的关联度之后,由于第二商品集合中可以包括待推荐商品和非推荐商品(其他商品),服务器可以将待推荐商品与其他商品之间的所有关联度都确定出来,这样的话,该服务器就可以将待推荐商品的所有关联度中满足第一预设条件的第一关联度对应的商品确定为该待推荐商品的第一相关联商品。
在本发明的其他实施例中,第一预设条件可以为与待推荐商品之间的关联度最高的N个相关联商品(第一相关联商品),N大于等于1。
需要说明的是,在本发明实施例中待推荐商品可以有多个,待推荐商品的数量可自行设置和调整,本发明实施例不作限制。
可以理解的是,不同的待推荐商品对应的第一相关联商品可能是不同的,也可能存在相同第一相关联商品的情况,因此,一个第一相关联商品可以是多个待推荐商品的,也就是说待推荐商品中包括至少一个第一待推荐商品,该至少一个第一待推荐商品与第一相关联商品中的一个第一相关联商品对应,至少一个第一待推荐商品的数量可由实际设置和情况而定,本发明实施例不作限制。
需要说明的是,服务器将待推荐商品推送给使用过第一相关联商品,但未使用过待推荐商品的用户。
在本发明实施例中,当用户使用任意一个第一相关联商品时,服务器将与该一个第一相关联商品对应的至少一个待推荐商品通过终端上的客户端推送给用户。
需要说明的是,对于一个第一相关联商品来说,使用该一个第一相关联商品的用户可能有多个,本发明是实施例优选的是向使用该一个第一相关联商品,但未使用过至少一个第一待推荐商品的用户进行推送。
进一步地,本发明实施例提供的信息推送方法对至少一个待推荐商品的排序的预设推荐策略可以有多种,实现方式将在后续的实施例中进行说明。
示例性地,以场景推荐为例,站在被推荐了商品(第一相关联商品)的角度进行说明,如图9所示,图9中α表示先验商品池子,β表示特定场景下推荐的后验商品池子。服务器根据先验商品池子中的任意先验商品通过后续关联度计算,对先验商品计算其相关的待推荐商品,从第一商品集合(包括itemA)中只筛选出关联度高的推荐包含上述特定场景的后验池子中的至少一个商品(即待推荐商品itemB1和itemB2)。
本发明实施例提供了一种信息推送方法,如图10所示,该方法可以包括:
S201、基于用户的历史行为获取第一历史记录,该第一历史记录包括第一商品集合中每个商品的历史记录,该第一商品集合为用户使用过的商品所组成的集合。
这里,S201的实现过程可以参照前述S101的实现过程的描述。
S202、根据预设策略和第一历史记录对第一商品集合进行过滤,得到第二商品集合。
这里,S202的实现过程可以参照前述S102的实现过程的描述。
S203、根据第二商品集合对应的第二历史记录和预设的相似度模型,确定该第二商品集合中待推荐商品和其他商品两两之间的关联度。
这里,S203的实现过程可以参照前述S103的实现过程的描述。
S204、将待推荐商品的所有关联度中满足第一预设条件的第一关联度对应的商品确定为该待推荐商品的第一相关联商品。
这里,S204的实现过程可以参照前述S104的实现过程的描述。
S205、按照预设推荐策略对至少一个第一待推荐商品进行排列,上述待推荐商品中包括至少一个第一待推荐商品,该至少一个第一待推荐商品与第一相关联商品中的一个第一相关联商品对应。
服务器确定该第二商品集合中待推荐商品和其他商品两两之间的关联度之后,由于第二商品集合中可以包括待推荐商品和非推荐商品(其他商品),服务器可以将待推荐商品与其他商品之间的所有关联度都确定出来,这样的话,该服务器就可以将待推荐商品的所有关联度中满足第一预设条件的第一关联度对应的商品确定为该待推荐商品的第一相关联商品。
在本发明的其他实施例中,第一预设条件可以为与待推荐商品之间的关联度最高的N个相关联商品(第一相关联商品),N大于等于1。
可以理解的是,不同的待推荐商品对应的第一相关联商品可能是不同的,也可能存在相同第一相关联商品的情况,因此,一个第一相关联商品可以是多个待推荐商品的,也就是说待推荐商品中包括至少一个第一待推荐商品,该至少一个第一待推荐商品与第一相关联商品中的一个第一相关联商品对应,哈哈的至少一个第一待推荐商品的数量可由实际设置和情况而定,本发明实施例不作限制。
需要说明的是,服务器将待推荐商品推送给使用过第一相关联商品,但未使用过待推荐商品的用户。
在本发明实施例中,当用户使用任意一个第一相关联商品时,服务器将与该一个第一相关联商品对应的至少一个待推荐商品通过终端上的客户端推送给用户。
进一步地,服务器按照预设推荐策略对至少一个第一待推荐商品进行排列;服务器按照排列后的至少一个第一待推荐商品的顺序,根据该一个第一相关联商品推送至少一个第一待推荐商品。
需要说明的是,对于一个第一相关联商品来说,使用该一个第一相关联商品的用户可能有多个,本发明是实施例优选的是向使用该一个第一相关联商品,但未使用过至少一个第一待推荐商品的用户进行推送。
需要说明的是,本发明实施例中服务器根据预设推荐策略对至少一个第一待推荐商品进行排序的方式可以包括:基于用户反馈(偏好度)权重的推荐控制策略的推荐排序方式和基于实施推荐控制策略的推荐排序方式,推荐排序的实现可以包括:基于用户反馈(偏好度)权重的推荐控制策略的推荐排序方式S2051-S2054,以及基于实施推荐控制策略的推荐排序方式S2055-2058中的至少一种方式。如下所述:
S2051、根据预设第一权重模型和第二历史记录得到第一相关联商品对应的第一权重。
需要说明的是,这里的第二历史记录包括:服务器从终端的客户端上获取到的第一相关联商品的用户使用该商品的次数或频率等可表征用户偏好的用户使用数据。
服务器根据第二历史记录,确定第一用户对第一相关联商品的第一偏好度、第二用户对第一相关联商品的第一平均偏好度和第一用户使用第一相关联商品的第一使用标识位;该第一用户为第二用户中的任意一个,第二用户为所有使用过第一相关联商品的用户;服务器将第一偏好度、第一平均偏好度和第一使用标识位输入预设偏好权重模型,输出第一相关联商品的偏好权重;服务器将第一相关联商品中的每个第一相关联商品的偏好权重与第一相关联商品的偏好权重之和的比值输入预设第一权重模型,输出得到每个第一相关联商品的第一权重。
示例性地,假设服务器将用户的对某个第一相关联商品的偏好度归一化为0-1区间的第一权重(wj)(当然反馈信息(第二历史记录)可以影响这个第一权重)。
在本发明的其他实施例中,预设偏好权重模型可以采用公式(4)来表示:
Vu,j=y*(1+a*min(Ru,i/R′i,b)) (4);
在公式(4)中,j为第一相关联商品中的任意一个,i为至少一个第一待推荐商品中的任意一个,Vu,j第一用户u对j的偏好权重,y为第一用户使用j的第一使用标识位,Ru,i表示第一用户对j的第一偏好度,R′i表示获取的第二历史记录中的所有使用过j的第二用户对j的第一平均偏好度,a和b为初始尝试系数。
需要说明的是,本发明实施例中的a的值可以取1,b的值可以去5。
服务器根据公式(4)就可以得到每个第一相关联商品的偏好权重了。
需要说明的是,预设第一权重模型为偏好权重归一化的权重模型,服务器在进行推送或推荐的过程中,需要对反馈信息(用户偏好权重)进行归一化建模,这是由于用户偏好权重的尺度是不一致,不能满足商品的推荐要求,比如限制每个item最多推荐N(如N=5)个自己相关的item,这时,就需要服务器将这5个的用户偏好权重有一个统一的判别标准以进行排序,因此,服务器需要根据具有归一化功能的预设第一权重模型对偏好权重进行归一化处理,这样归一化后计算出的商品之间的控制相似度或关联度就能得到很好的控制,不会出现相似过度的情况发生,从而使得服务器推荐商品的结果更加的多样性,也提高了推荐商品的准确度。因此,本发明实施例设计每个用户对商品的偏好权重的归一化权重,以便达到相对多样性的推荐,充分的反映用户对商品的兴趣。
在本发明的其他实施例中,预设权重模型可以为:
wj=Vu,j/∑Vu,j (5);
其中,公式(5)中的分母表征所有的第二用户对j的偏好权重的总和。
S2052、将至少一个第一待推荐商品与第一相关联商品的第一关联度按照预设规则进行归一化,得到第二关联度。
S2053、根据第二关联度、第一权重和预设评分模型,确定至少一个第一待推荐商品的第一评分。
服务器在得到了每个第一相关联商品的归一化的第一权重之后,该服务器将每个第一相关联商品与至少一个第一待推荐商品之间的第一关联度也进行归一化处理,以便于后续对至少一个第一待推荐商品进行评分时的统一性和可比性,于是,该服务器就根据按照预设规则将第一关联度进行归一化,得到第二关联度。
需要说明的是,本发明实施例中的预设规则可以是任意可实现归一化的方式,本发明实施例不作限制。
示例性地,服务器通过对多个第一关联度或相似度矩阵归一化,并且做平滑操作处理,如图11所示,与第一相关联商品item1、item2和item3分别关联的第一待推荐商品的第一关联度归一化后的第二关联度为0.99,后续每个第一item的相似度减去0.01。最后,服务器通过本发明实施例的预设评分模型计算出至少一个第一待推荐商品的第一评分后,进行推荐,同时服务器在推荐的过程中控制与每个第一待推荐商品相关联的第一相关联商品的个数为N,也可以限制至少一个第一待推荐商品的个数。
需要说明的是,当服务器为一个用户进行至少一个第一待推荐商品的推送或推荐时,第一待推荐商品为该一个用户未使用过的商品。
在本发明的其他实施例中,上述预设评分模型采用公式(6)来表示:
pu,i=∑jsimj,i*wj (6);
在公式(6)中,pu,i为与第一待推荐商品i相关联的第一相关联商品j对该第一推荐商品i的第一评分,wj为第一权重,simj,i为j和i之间的第二关联度。
S2054、根据第一评分对至少一个第一待推荐商品进行排列。
服务器获取到一个第一相关联商品对应的至少一个第一待推荐商品中的每个第一待推荐商品的第一评分后,该服务器在用户使用该一个第一相关联商品时,根据上述第一评分将该至少一个第一待推荐商品进行排列,以使得该服务器后续可以按照上述排列顺序进行该至少一个第一待推荐商品的推送。
可以理解的是,本发明实施例重新设计了item-base对权重处理方法,将权重处理放在服务器最后的推荐步骤,并对偏好度权重提出了一种归一化的方法;有效的控制了服务器过度推荐商品和推荐商品不足的问题,从而提升了用户体验感。
S2055、按照用户的历史行为对至少一个第一待推荐商品对应的第二历史记录进行分类,得到第三历史记录。
需要说明的是,在本发明实施例中,至少一个第一待推荐商品对应的历史记录可以包括:用户使用该至少一个第一待推荐商品的使用记录,例如,浏览、下载、安装至少一个第一待推荐商品等用户的历史行为。因此,服务器可以针对上述用户的历史行为进行基于用户的历史行为的分类,最后,该服务器从第二历史记录中得到了第一待推荐商品的例如浏览详情、开始下载、下载完成、下载失败、开始安装等用户的历史行为的类型的相关记录(使用次数),即第三历史记录。
需要说明的是,至少一个第一待推荐商品对应的第三历史记录包括每个第一待推荐商品的历史记录。
S2056、根据预设的权重模型和第三历史记录设置至少一个第一待推荐商品对应的第二权重。
服务器得到每个第一待推荐商品对应的第三历史记录之后,由于该服务器基于用户的历史行为的分类对至少一个第一待推荐商品要进行排列,因此,本发明实施例以第一待推荐商品的安装成功为目的设置了一个预设的权重模型,以表征第一待推荐商品的使用活跃度。服务器可以根据预设的权重模型和第三历史记录设置至少一个第一待推荐商品对应的第二权重,该第二权重可以表征各第一待推荐商品的使用活跃度。
在本发明的其他实施例中,在本发明实施例中,预设的权重模型可以采用神经网络模型来实现,也可以采用其他逻辑回归模型,预设的权重模型的实现形式本发明实施例不作限制。
若采用神经网络模型实现预设的权重模型,服务器则选择输入变量为特征“用户+第一待推荐商品+用户的历史行为的类型”,每个用户的历史行为的类型作为一条记录,目标变量为第一待推荐商品是否“安装完成”。
示例性地,假设第一待推荐商品为软件A,针对用户1,输入变量的特征有5种:浏览软件A详情次数、开始下载软件A次数、下载完成软件A次数、下载失败软件A次数和开始安装软件A次数,输出变量为软件A是否安装完成,一个用户安装完成软件A的话,每个用户的历史行为的类型就对应产生一条记录,一共可以产生5条记录。服务器将上述5条记录通过逻辑回归求解,得到每个用户的历史行为类型占据的行为权重,即第二权重。如表1所示,服务器计算出手机管家中的软件A对应的行为权重即第二权重的值。
表1
用户的历史行为的类型 | 第二权重 |
浏览详情 | +0.312 |
开始下载 | +1.251 |
下载完成 | +0.546 |
下载失败 | -0.833 |
开始安装 | +0.382 |
需要说明的是,浏览软件A详情次数、开始下载软件A次数、下载成功软件A次数、下载安装软件A次数和开始安装软件A次数都是服务器根据第三历史记录获取到的。
S2057、采用预设时间衰减规则对第二权重进行调整,得到更新后的第三权重,第三权重与至少一个第一待推荐商品对应的实时权重。
需要说明的是,随着时间的推移,服务器对第一待推荐商品的用户行为一直在实时的发生着改变,因此,服务器根据相隔久远的时间的第三历史记录获取的第二权重的重要性和参考性下降了,而是相近时间点的用户的历史行为产生的影响较大,因此,随着时间的推移,服务器应该对第二权重进行相应的衰减调整,以提高第一待推荐商品的准确度,以更精确的反应用户近期的使用活跃的商品。
在本发明实施例中,第二历史记录可以包括:用户的历史行为(用户使用第一待推荐商品)产生时的时间信息的。
服务器根据第二历史记录,获取第一时间信息,该第一时间信息为至少一个第一待推荐商品对应的用户的历史行为产生时的时间信息;服务器获取当前的第二时间信息,该第二时间信息为当前的实时时间信息;服务器根据第一时间信息和第二时间信息,将第二权重与预设时间衰减规则相乘,得到第三权重。
在本发明的其他实施例中,预设时间规则采用牛顿冷却定律为:
e-λ*hours 公式(7);
在公式(7)中,λ为预设衰减系数,hours为所述第二时间信息与所述第一时间信息的时间差值。
在本发明的其他实施例中,λ的取值一般为0.0335,即20个小时为一个半衰期,也就是说,每20个小时用户的历史行为的重要性(第二权重)衰减一半,得到衰减后的第三权重。
需要说明的是,本发明实施例提供的预设时间规则还可以采用其他时间衰减定律和公式实现,本发明实施例不作限制。
可以理解的是,本发明实施例提出了一种商品实时推荐策略方案,服务器通过关联矩阵召回至少一个第一待推荐商品,并通过逻辑回归设计每个第一待推荐商品对应的用户的历史行为的权重,使得至少一个第一待推荐商品按照重要性(第三权重)进行的排序更为精准的反应用户近期的兴趣。
S2058、根据第三权重的大小对至少一个第一待推荐商品进行排列。
服务器在得到了至少一个第一待推荐商品分别对应的第三权重之后,由于上述第三权重表征重要性,因此,服务器可以按照第三权重的大小对至少一个第一待推荐商品进行排列,以便为用户推送重要性排列后的至少一个第一待推荐商品。
S206、按照排列后的至少一个第一待推荐商品的顺序,根据该一个第一相关联商品推送至少一个第一待推荐商品。
服务器不管基于什么方式对至少一个第一待推荐商品排列顺序,在获取排列后的至少一个第一待推荐商品的顺序之后,该服务器就可以按照排列后的至少一个第一待推荐商品的顺序,根据该一个第一相关联商品推送至少一个第一待推荐商品给未使用或安装过该至少一个第一待推荐商品的用户了。
也就是说,服务器将待推荐商品推送给使用过第一相关联商品,但未使用过至少一个第一待推荐商品的用户。
示例性地,如图12所示为服务器基于用户的历史行为(用户的实时行为)进行的实时推荐,服务器基于用户的历史行为(浏览详情、开始下载、下载完成、下载失败、开始安装和安装完成)得到至少一个第一待推荐商品,对该至少一个第一待推荐商品通过关联矩阵召回进行时间衰减调整至少一个第一待推荐商品的第三权重,并采用第三权重排列策略,得到最新的至少一个第一待推荐商品队列并推送给用户,该用户为使用第一相关联商品,但未使用过至少一个第一待推荐商品的用户。
下面通过实验数据对本发明实施例提供的一种信息推送方法的产生的效果进行说明。
(1)、以场景为桌面游戏进行过滤,利用第一权重和第三权重进行排序的方式。
假设用户量为16W,基于精品游戏进行推荐,使用偏好度+时间衰减+关联规则,达到效果为:
在一周内,第一待推荐商品的转化率(下载成功量与曝光用户数的比值):7.73%~11.49%,CMS(人工配置,即现有技术和本发明实施例的配比)为:6.47%~9.81%;
因此,如图13所示,实线为采用本发明实施例的技术方案在一周内的转化率;虚线为采用现有技术的方案在一周内的转化率,由此可知,采用本发明实施例后,转化率相对总提升了:10%+,从而得出采用本发明实施例的信息推荐方法的商业价值相对提升:100%+。
(2)、本发明实施例提供的一种信息推送方法包括:对第一商品集合的过滤(2种)和至少一个第一待推荐商品的排列(2种),当服务器融合使用上述过滤方法和排序方式时,服务器推荐商品的转化率(即推荐成功率)是最高的。
示例性地,如图14所示,以用户量为6w为例,获取2016年5月14日的不同信息推送方式下的转化率为:采用预设的后验商品池子过滤的转化率1为2.39%,采用预设的后验商品池子+分类信息过滤的转化率2为6.65%,采用预设的后验商品池子+分类信息过滤+偏好度排序的转化率3为9.61%,采用预设的后验商品池子+分类信息过滤+偏好度排序+实时推荐排序的转化率4为15.29%,由于15.29%大于9.61%大于6.65%大于2.39%,因此得出,服务器融合越多本发明实施例提供的过滤和/或排列的方式,那么推荐的商品的准确度就越高。
如图15所示,本发明实施例提供了一种信息推送装置22可以包括:
获取单元220,用于基于用户的历史行为获取第一历史记录,所述第一历史记录包括第一商品集合中每个商品的历史记录,所述第一商品集合为所述用户使用过的商品所组成的集合;
过滤单元221,用于根据预设策略和所述第一历史记录对所述第一商品集合进行过滤,得到第二商品集合;
确定单元222,用于根据所述第二商品集合对应的第二历史记录和预设的相似度模型,确定所述第二商品集合中待推荐商品和其他商品两两之间的关联度;以及将所述待推荐商品的所有关联度中满足第一预设条件的第一关联度对应的商品确定为所述待推荐商品的第一相关联商品;
推送单元223,用于根据所述第一相关联商品将所述待推荐商品推送出去。
基于图15,在本发明的其他实施例中,如图16所示,所述信息推送装置22还包括:配对单元224。
所述配对单元224,用于根据所述第一历史记录,将所述第一商品集合中的商品进行两两组合,得到至少一个第一商品组合对;
所述过滤单元221,用于根据所述预设的后验商品池,对所述至少一个第一商品组合对进行过滤,过滤掉所述至少一个第一商品组合对中均不属于所述预设的后验商品池的第一商品组合对,得到所述第二商品集合。
在本发明的其他实施例中,所述确定单元222,还用于根据所述第一历史记录,确定所述第一商品集合中每个商品的分类信息。
所述过滤单元221,还用于按照所述每个商品的分类信息,将所述第一商品集合进行两两组合,得到至少一个第一商品组合对,所述至少一个第一商品组合对组成了所述第二商品集合。
基于图16,在本发明的其他实施例中,如图17所示,所述待推荐商品中包括至少一个第一待推荐商品,所述至少一个第一待推荐商品与所述第一相关联商品中的一个第一相关联商品对应;所述信息推送装置还包括:排列单元225。
所述排列单元225,用于按照预设推荐策略对所述至少一个第一待推荐商品进行排列。
所述推送单元223,用于按照排列后的所述至少一个第一待推荐商品的顺序,根据所述一个第一相关联商品推送所述至少一个第一待推荐商品。
在本发明的其他实施例中,所述获取单元220,还用于根据预设第一权重模型和第二历史记录得到所述第一相关联商品对应的第一权重;及将所述至少一个第一待推荐商品与所述第一相关联商品的第一关联度按照预设规则进行归一化,得到第二关联度。
所述确定单元222,还用于根据所述第二关联度、第一权重和预设评分模型,确定所述至少一个第一待推荐商品的第一评分。
所述排列单元225,用于根据所述第一评分对所述至少一个第一待推荐商品进行排列。
在本发明的其他实施例中,所述获取单元220,还用于按照所述用户的历史行为对所述至少一个第一待推荐商品对应的第二历史记录进行分类,得到第三历史记录;及根据预设的权重模型和第三历史记录设置所述至少一个第一待推荐商品对应的第二权重;以及采用预设时间衰减规则对所述第二权重进行调整,得到更新后的第三权重,所述第三权重与所述至少一个第一待推荐商品对应的实时权重。
所述排列单元225,用于根据所述第三权重的大小对所述至少一个第一待推荐商品进行排列。
在本发明的其他实施例中,所述确定单元222,用于根据所述第二历史记录,确定第一用户对所述第一相关联商品的第一偏好度、第二用户对所述第一相关联商品的第一平均偏好度和所述第一用户使用所述第一相关联商品的第一使用标识位;所述第一用户为所述第二用户中的任意一个,所述第二用户为所有使用过所述第一相关联商品的用户。
所述获取单元220,还用于将所述第一偏好度、第一平均偏好度和所述第一使用标识位输入预设偏好权重模型,输出所述第一相关联商品的偏好权重;将所述第一相关联商品中的每个第一相关联商品的偏好权重与所述第一相关联商品的偏好权重之和的比值输入预设第一权重模型,输出得到所述每个第一相关联商品的所述第一权重。
在本发明的其他实施例中,所述预设评分模型为:
pu,i=∑jsimj,i*wj (6);
在公式(6)中,pu,i为与第一待推荐商品i相关联的第一相关联商品j对该第一推荐商品i的第一评分,wj为第一权重,simj,i为j和i之间的第二关联度。
在本发明的其他实施例中,所述获取单元220,还用于根据所述第二历史记录,获取第一时间信息,所述第一时间信息为所述至少一个第一待推荐商品对应的所述用户的历史行为产生时的时间信息;及获取当前的第二时间信息,所述第二时间信息为当前的实时时间信息;以及根据所述第一时间信息和所述第二时间信息,将所述第二权重与所述预设时间衰减规则相乘,得到所述第三权重。
在本发明的其他实施例中,所述预设时间规则为:
e-λ*hours (7);
在公式(7)中,λ为预设衰减系数,hours为所述第二时间信息与所述第一时间信息的时间差值。
在本发明的其他实施例中,所述推送单元223,用于将所述待推荐商品推送给使用过所述第一相关联商品,但未使用过所述待推荐商品的用户。
如图18所示,在实际应用中,上述获取单元220、过滤单元221、确定单元222、配对单元224和排列单元225都可由位于服务器上的处理器226实现,可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)或现场可编程门阵列(FPGA)等实现,上述推送单元223可由发送器227实现,该服务器还包括接收器228和存储介质229,上述接收器228可以接收终端上报的第一商品集合中的商品的使用记录,第一历史记录及其软件代码、第二历史记录及其软件代码、第三历史记录及其软件代码、本发明实施例中提出的所有预设的内容及其软件代码可以保存在存储器229中,该存储介质229、发送器227、接收器228可以通过***总线2210与处理器226连接,其中,存储介质229用于存储可执行程序代码,该程序代码包括计算机操作指令,存储介质229可能包含高速RAM存储器,也可能还包括非易失性存储器,例如,至少一个磁盘存储器。
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、***、或计算机程序产品。因此,本发明可采用硬件实施例、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和光学存储器等)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(***)、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。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (12)
1.一种信息推送方法,其特征在于,包括:
基于用户的历史行为获取第一历史记录,所述第一历史记录包括第一商品集合中每个商品的历史记录,所述第一商品集合为所述用户使用过的商品所组成的集合;
根据预设策略和所述第一历史记录对所述第一商品集合进行过滤,得到第二商品集合;
根据所述第二商品集合对应的第二历史记录和预设的相似度模型,确定所述第二商品集合中待推荐商品和其他商品两两之间的关联度;
将所述待推荐商品的所有关联度中满足第一预设条件的第一关联度对应的商品确定为所述待推荐商品的第一相关联商品;
根据所述第一相关联商品将所述待推荐商品推送出去;
所述根据预设策略和所述第一历史记录对所述第一商品集合进行过滤,得到第二商品集合,包括:
根据所述第一历史记录,将所述第一商品集合中的商品进行两两组合,得到至少一个第一商品组合对;
根据预设的后验商品池,对所述至少一个第一商品组合对进行过滤,过滤掉所述至少一个第一商品组合对中均不属于所述预设的后验商品池的第一商品组合对,得到所述第二商品集合。
2.根据权利要求1所述的方法,其特征在于,所述根据预设策略和所述第一历史记录对所述第一商品集合进行过滤,得到第二商品集合,包括:
根据所述第一历史记录,确定所述第一商品集合中每个商品的分类信息;
按照所述每个商品的分类信息,将所述第一商品集合进行两两组合,得到至少一个第一商品组合对,所述至少一个第一商品组合对组成了所述第二商品集合。
3.根据权利要求1所述的方法,其特征在于,所述待推荐商品中包括至少一个第一待推荐商品,所述至少一个第一待推荐商品与所述第一相关联商品中的一个第一相关联商品对应,所述一个第一相关联商品将所述至少一个第一待推荐商品推送出去,包括:
按照预设推荐策略对所述至少一个第一待推荐商品进行排列;
按照排列后的所述至少一个第一待推荐商品的顺序,根据所述一个第一相关联商品推送所述至少一个第一待推荐商品。
4.根据权利要求3所述的方法,其特征在于,所述按照预设推荐策略对所述至少一个第一待推荐商品进行排列,包括:
根据预设第一权重模型和第二历史记录得到所述第一相关联商品对应的第一权重;
将所述至少一个第一待推荐商品与所述第一相关联商品的第一关联度按照预设规则进行归一化,得到第二关联度;
根据所述第二关联度、第一权重和预设评分模型,确定所述至少一个第一待推荐商品的第一评分;
根据所述第一评分对所述至少一个第一待推荐商品进行排列。
5.根据权利要求3或4所述的方法,其特征在于,所述按照预设推荐策略对所述至少一个第一待推荐商品进行排列,包括:
按照所述用户的历史行为对所述至少一个第一待推荐商品对应的第二历史记录进行分类,得到第三历史记录;
根据预设的权重模型和第三历史记录设置所述至少一个第一待推荐商品对应的第二权重;
采用预设时间衰减规则对所述第二权重进行调整,得到更新后的第三权重,所述第三权重与所述至少一个第一待推荐商品对应的实时权重;
根据所述第三权重的大小对所述至少一个第一待推荐商品进行排列。
6.根据权利要求4所述的方法,其特征在于,所述根据预设第一权重模型和第二历史记录得到所述第一相关联商品对应的第一权重,包括:
根据所述第二历史记录,确定第一用户对所述第一相关联商品的第一偏好度、第二用户对所述第一相关联商品的第一平均偏好度和所述第一用户使用所述第一相关联商品的第一使用标识位;所述第一用户为所述第二用户中的任意一个,所述第二用户为所有使用过所述第一相关联商品的用户;
将所述第一偏好度、第一平均偏好度和所述第一使用标识位输入预设偏好权重模型,输出所述第一相关联商品的偏好权重;
将所述第一相关联商品中的每个第一相关联商品的偏好权重与所述第一相关联商品的偏好权重之和的比值输入预设第一权重模型,输出得到所述每个第一相关联商品的所述第一权重。
7.根据权利要求4所述的方法,其特征在于,所述预设评分模型为:
pu,i=∑jsimj,i*wj
其中,pu,i为与第一待推荐商品i相关联的第一相关联商品j对第一推荐商品i的第一评分,wj为第一权重,simj,i为j和i之间的第二关联度。
8.根据权利要求5所述的方法,其特征在于,所述采用预设时间衰减规则对所述第二权重进行调整,得到更新后的第三权重,包括:
根据所述第二历史记录,获取第一时间信息,所述第一时间信息为所述至少一个第一待推荐商品对应的所述用户的历史行为产生时的时间信息;
获取当前的第二时间信息,所述第二时间信息为当前的实时时间信息;
根据所述第一时间信息和所述第二时间信息,将所述第二权重与所述预设时间衰减规则相乘,得到所述第三权重。
9.根据权利要求8所述的方法,其特征在于,所述预设时间衰减规则为:
e-λ*hours
其中,λ为预设衰减系数,hours为所述第二时间信息与所述第一时间信息的时间差值。
10.根据权利要求1所述的方法,其特征在于,所述根据所述第一相关联商品将所述待推荐商品推送出去,包括:
将所述待推荐商品推送给使用过所述第一相关联商品,但未使用过所述待推荐商品的用户。
11.一种信息推送装置,其特征在于,包括:
获取单元,用于基于用户的历史行为获取第一历史记录,所述第一历史记录包括第一商品集合中每个商品的历史记录,所述第一商品集合为所述用户使用过的商品所组成的集合;
过滤单元,用于根据预设策略和所述第一历史记录对所述第一商品集合进行过滤,得到第二商品集合;
确定单元,用于根据所述第二商品集合对应的第二历史记录和预设的相似度模型,确定所述第二商品集合中待推荐商品和其他商品两两之间的关联度;以及将所述待推荐商品的所有关联度中满足第一预设条件的第一关联度对应的商品确定为所述待推荐商品的第一相关联商品;
推送单元,用于根据所述第一相关联商品将所述待推荐商品推送出去;
所述装置还包括:配对单元;
所述配对单元,用于根据所述第一历史记录,将所述第一商品集合中的商品进行两两组合,得到至少一个第一商品组合对;
所述过滤单元,用于根据预设的后验商品池,对所述至少一个第一商品组合对进行过滤,过滤掉所述至少一个第一商品组合对中均不属于所述预设的后验商品池的第一商品组合对,得到所述第二商品集合。
12.根据权利要求11所述的装置,其特征在于,所述确定单元,还用于根据所述第一历史记录,确定所述第一商品集合中每个商品的分类信息;
所述过滤单元,还用于按照所述每个商品的分类信息,将所述第一商品集合进行两两组合,得到至少一个第一商品组合对,所述至少一个第一商品组合对组成了所述第二商品集合。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610548918.9A CN106228386B (zh) | 2016-07-12 | 2016-07-12 | 一种信息推送方法及装置 |
PCT/CN2017/091985 WO2018010591A1 (zh) | 2016-07-12 | 2017-07-06 | 一种信息推送方法及装置、服务器、存储介质 |
US15/929,019 US11449916B2 (en) | 2016-07-12 | 2018-05-29 | Information push method and apparatus, server, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610548918.9A CN106228386B (zh) | 2016-07-12 | 2016-07-12 | 一种信息推送方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106228386A CN106228386A (zh) | 2016-12-14 |
CN106228386B true CN106228386B (zh) | 2018-09-25 |
Family
ID=57520328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610548918.9A Active CN106228386B (zh) | 2016-07-12 | 2016-07-12 | 一种信息推送方法及装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11449916B2 (zh) |
CN (1) | CN106228386B (zh) |
WO (1) | WO2018010591A1 (zh) |
Families Citing this family (75)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228386B (zh) | 2016-07-12 | 2018-09-25 | 腾讯科技(深圳)有限公司 | 一种信息推送方法及装置 |
CN108509459B (zh) * | 2017-02-28 | 2022-05-20 | 腾讯科技(北京)有限公司 | 数据处理方法和装置 |
CN108632311A (zh) * | 2017-03-20 | 2018-10-09 | 北京京东尚科信息技术有限公司 | 信息推送方法和装置 |
CN107133836A (zh) * | 2017-03-22 | 2017-09-05 | 无锡中科富农物联科技有限公司 | 一种自适应权重组合推荐算法 |
CN107169052B (zh) * | 2017-04-26 | 2019-03-05 | 北京小度信息科技有限公司 | 推荐方法及装置 |
CN108805598B (zh) * | 2017-05-05 | 2020-09-08 | 腾讯科技(深圳)有限公司 | 相似度信息确定方法、服务器及计算机可读存储介质 |
CN108874813B (zh) * | 2017-05-10 | 2022-07-29 | 腾讯科技(北京)有限公司 | 一种信息处理方法、装置及存储介质 |
CN108874838A (zh) * | 2017-05-16 | 2018-11-23 | 北京京东尚科信息技术有限公司 | 页面推送方法和装置 |
CN107172151B (zh) * | 2017-05-18 | 2020-08-07 | 百度在线网络技术(北京)有限公司 | 用于推送信息的方法和装置 |
CN107464163A (zh) * | 2017-07-28 | 2017-12-12 | 深圳前海弘稼科技有限公司 | 信息推送方法、信息推送装置 |
CN109426998B (zh) * | 2017-08-29 | 2022-01-07 | 北京京东尚科信息技术有限公司 | 信息推送方法和装置 |
CN110019943B (zh) * | 2017-09-11 | 2021-09-14 | ***通信集团浙江有限公司 | 视频推荐方法、装置、电子设备和存储介质 |
CN109872206B (zh) * | 2017-12-04 | 2022-04-12 | 北京京东尚科信息技术有限公司 | 评估参数的确定方法、装置和计算机可读存储介质 |
CN110011895B (zh) * | 2018-01-04 | 2022-04-19 | 阿里巴巴集团控股有限公司 | 会话方法、获取对象关联的链接信息的方法、电子设备 |
CN110109901B (zh) * | 2018-02-02 | 2024-05-24 | 北京京东尚科信息技术有限公司 | 筛选目标对象的方法和装置 |
CN110347905B (zh) * | 2018-03-07 | 2023-05-16 | 阿里巴巴集团控股有限公司 | 确定信息关联度、信息推荐的方法、装置和存储介质 |
CN108446963A (zh) * | 2018-03-30 | 2018-08-24 | 深圳春沐源控股有限公司 | 资源信息推荐方法及资源信息推荐*** |
CN108804517B (zh) * | 2018-04-26 | 2022-05-31 | 北京五八信息技术有限公司 | 冷启动方法、装置、计算设备及计算机可读存储介质 |
CN110555712B (zh) * | 2018-05-31 | 2024-06-18 | 北京京东尚科信息技术有限公司 | 商品关联程度确定方法及装置 |
CN110555743A (zh) * | 2018-05-31 | 2019-12-10 | 阿里巴巴集团控股有限公司 | 商品对象推荐方法、装置及电子设备 |
CN108920596B (zh) * | 2018-06-27 | 2021-10-29 | 广东亿迅科技有限公司 | 一种个性化推荐算法及终端 |
CN108921221B (zh) | 2018-07-04 | 2022-11-18 | 腾讯科技(深圳)有限公司 | 用户特征的生成方法、装置、设备及存储介质 |
CN109040795B (zh) * | 2018-07-31 | 2023-12-19 | 周向红 | 一种视频推荐方法及*** |
CN109190043B (zh) * | 2018-09-07 | 2021-04-23 | 北京三快在线科技有限公司 | 推荐方法及装置,存储介质,电子设备及推荐*** |
CN111429163B (zh) * | 2019-01-10 | 2023-08-15 | 百度在线网络技术(北京)有限公司 | 户外广告投放资源的推荐方法、装置及计算机设备 |
CN111488517A (zh) * | 2019-01-29 | 2020-08-04 | 北京沃东天骏信息技术有限公司 | 用于训练点击率预估模型的方法和装置 |
CN109902213B (zh) * | 2019-01-29 | 2021-05-18 | 武汉元光科技有限公司 | 实时公交服务线路推荐方法、装置与电子设备 |
CN110163722B (zh) * | 2019-05-13 | 2022-08-23 | 南京邮电大学 | 用于农产品精准销售的大数据分析***及分析方法 |
CN111770125A (zh) * | 2019-05-23 | 2020-10-13 | 北京沃东天骏信息技术有限公司 | 用于推送信息的方法和装置 |
CN110298725A (zh) * | 2019-05-24 | 2019-10-01 | 北京三快在线科技有限公司 | 商品组合的推荐方法、装置、电子设备及可读存储介质 |
CN110490651B (zh) * | 2019-08-14 | 2023-11-14 | 平安科技(深圳)有限公司 | 信息推送方法、装置、设备及计算机可读存储介质 |
US20210065276A1 (en) * | 2019-08-28 | 2021-03-04 | Fuji Xerox Co., Ltd. | Information processing apparatus and non-transitory computer readable medium |
CN110659417A (zh) * | 2019-09-12 | 2020-01-07 | 广东浪潮大数据研究有限公司 | 一种信息推送方法、***、电子设备及存储介质 |
CN110765310B (zh) * | 2019-10-09 | 2024-01-30 | 上海麦克风文化传媒有限公司 | 一种基于参数配置的音频专辑推荐方法及*** |
CN110807691B (zh) * | 2019-10-31 | 2022-03-04 | 深圳市云积分科技有限公司 | 一种跨商品品类的商品推荐方法和装置 |
CN111209403B (zh) * | 2019-11-22 | 2024-02-13 | 泰康保险集团股份有限公司 | 数据处理方法、装置、介质及电子设备 |
CN111104591B (zh) * | 2019-11-29 | 2023-05-12 | 支付宝(杭州)信息技术有限公司 | 一种推荐信息生成方法及装置 |
CN111007982B (zh) * | 2019-11-29 | 2021-04-20 | 珠海豹趣科技有限公司 | 一种电子白板实现方法、设备以及相关*** |
CN112995248B (zh) * | 2019-12-12 | 2023-04-07 | 阿里巴巴集团控股有限公司 | 信息推送方法、装置及设备 |
CN111161076A (zh) * | 2019-12-31 | 2020-05-15 | 中国银行股份有限公司 | 金融市场产品的推送方法及装置 |
CN111182332B (zh) * | 2019-12-31 | 2022-03-22 | 广州方硅信息技术有限公司 | 视频处理方法、装置、服务器及存储介质 |
CN111177570B (zh) * | 2020-01-13 | 2023-10-24 | 中国传媒大学 | 对象推荐方法及*** |
CN113269600A (zh) * | 2020-02-14 | 2021-08-17 | 北京沃东天骏信息技术有限公司 | 一种信息发送的方法和装置 |
CN111683143B (zh) * | 2020-06-08 | 2022-10-25 | 北京奇艺世纪科技有限公司 | 消息推送方法、装置、电子设备及计算机可读存储介质 |
CN113806622A (zh) * | 2020-06-12 | 2021-12-17 | 阿里巴巴集团控股有限公司 | 推荐方法、装置及设备 |
CN113763067A (zh) * | 2020-06-19 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种物品信息推送方法、装置、设备及存储介质 |
US11989649B2 (en) | 2020-06-26 | 2024-05-21 | Deepmind Technologies Limited | Pairwise ranking using neural networks |
CN112015975B (zh) * | 2020-07-15 | 2023-11-14 | 北京淇瑀信息科技有限公司 | 基于牛顿冷却定律的面向金融用户的信息推送方法及装置 |
CN112100483B (zh) * | 2020-08-07 | 2023-09-19 | 西安工程大学 | 一种融合用户兴趣权重的关联规则推荐方法 |
CN111681088B (zh) * | 2020-08-11 | 2020-12-11 | 北京每日优鲜电子商务有限公司 | 信息推送方法、装置、电子设备和计算机可读介质 |
CN112001776A (zh) * | 2020-08-24 | 2020-11-27 | 上海风秩科技有限公司 | 一种服务信息推送方法、装置、存储介质及电子设备 |
CN113763082A (zh) * | 2020-09-04 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种信息推送方法和装置 |
CN112116427A (zh) * | 2020-09-22 | 2020-12-22 | 深圳市分期乐网络科技有限公司 | 一种商品推荐方法、装置、电子设备及存储介质 |
CN112132659B (zh) * | 2020-09-25 | 2023-11-28 | 泰康保险集团股份有限公司 | 信息的推荐方法、装置、电子设备及计算机可读介质 |
CN112148980B (zh) * | 2020-09-28 | 2023-11-03 | 京东科技控股股份有限公司 | 基于用户点击的物品推荐方法、装置、设备和存储介质 |
CN112269926A (zh) * | 2020-10-21 | 2021-01-26 | 深圳思为科技有限公司 | 数据推送方法及相关装置 |
CN112102043B (zh) * | 2020-11-05 | 2021-03-02 | 北京每日优鲜电子商务有限公司 | 物品推荐页面生成方法、装置、电子设备和可读介质 |
CN112347361B (zh) * | 2020-11-16 | 2024-03-01 | 百度在线网络技术(北京)有限公司 | 推荐对象的方法、神经网络及其训练方法、设备和介质 |
CN112633321A (zh) * | 2020-11-26 | 2021-04-09 | 北京瑞友科技股份有限公司 | 一种人工智能推荐***及方法 |
CN112632137A (zh) * | 2020-12-18 | 2021-04-09 | 中国工商银行股份有限公司 | 业务数据的推送方法、装置和服务器 |
CN113744019A (zh) * | 2021-01-12 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种商品推荐方法、装置、设备及存储介质 |
CN112966768A (zh) * | 2021-03-19 | 2021-06-15 | 廊坊银行股份有限公司 | 用户数据的分类方法、装置、设备和介质 |
CN113034241B (zh) * | 2021-04-23 | 2024-06-11 | 中国平安人寿保险股份有限公司 | 一种产品信息推荐方法及计算机设备 |
CN113343085B (zh) * | 2021-05-27 | 2022-11-04 | 北京三快在线科技有限公司 | 一种信息推荐方法、装置、存储介质及电子设备 |
CN113569147B (zh) * | 2021-07-27 | 2023-09-26 | 北京百度网讯科技有限公司 | 信息推送方法、装置、电子设备和存储介质 |
CN113407859B (zh) * | 2021-08-20 | 2021-11-02 | 武汉卓尔数字传媒科技有限公司 | 一种资源推荐方法、装置、电子设备及存储介质 |
CN113766016B (zh) * | 2021-08-30 | 2024-04-26 | ***股份有限公司 | 一种信息推送方法及服务器 |
CN113792180B (zh) * | 2021-08-30 | 2024-02-23 | 北京百度网讯科技有限公司 | 推荐场景下的去重方法、装置、电子设备和存储介质 |
CN114168862A (zh) * | 2021-12-14 | 2022-03-11 | 平安国际智慧城市科技股份有限公司 | 基于协同过滤的产品推荐方法、装置、设备及存储介质 |
CN114238796A (zh) * | 2021-12-23 | 2022-03-25 | 河北冀联人力资源服务集团有限公司 | 一种基于用户评价的推荐方法、***与存储介质 |
CN114564655A (zh) * | 2021-12-23 | 2022-05-31 | 北京中交兴路信息科技有限公司 | 基于协同过滤的车辆推荐方法、装置、设备及存储介质 |
CN114244897B (zh) * | 2022-02-23 | 2022-08-30 | 浙江口碑网络技术有限公司 | 消息推送方法及装置 |
CN114928647B (zh) * | 2022-05-17 | 2022-11-18 | 北京时代动向广告传媒有限公司 | 一种基于大数据的应用程序推送***及方法 |
US20240119058A1 (en) * | 2022-10-10 | 2024-04-11 | Zoom Video Communications, Inc. | Contextual comparision engine for historical record search and review |
CN117899492A (zh) * | 2024-03-20 | 2024-04-19 | 成都帆点创想科技有限公司 | 一种游戏玩法场景的实时推荐方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156942A (zh) * | 2011-04-08 | 2011-08-17 | 东华大学 | 一种基于无线射频技术的商品推荐方法 |
CN102346751A (zh) * | 2010-08-03 | 2012-02-08 | 阿里巴巴集团控股有限公司 | 一种信息推送方法及设备 |
CN102411754A (zh) * | 2011-11-29 | 2012-04-11 | 南京大学 | 一种基于商品属性熵值的个性化推荐方法 |
CN102915307A (zh) * | 2011-08-02 | 2013-02-06 | 腾讯科技(深圳)有限公司 | 一种个性化信息推荐的方法、装置及信息处理*** |
CN103533390A (zh) * | 2012-11-15 | 2014-01-22 | Tcl集团股份有限公司 | 基于社交网络信息进行电视节目推荐的方法及*** |
CN104463637A (zh) * | 2014-12-23 | 2015-03-25 | 北京石油化工学院 | 一种基于电商平台的商品推荐方法、装置及服务器 |
CN104504059A (zh) * | 2014-12-22 | 2015-04-08 | 合一网络技术(北京)有限公司 | 多媒体资源推荐方法 |
CN105159910A (zh) * | 2015-07-03 | 2015-12-16 | 安一恒通(北京)科技有限公司 | 信息推荐方法和装置 |
CN105528374A (zh) * | 2014-10-21 | 2016-04-27 | 苏宁云商集团股份有限公司 | 一种电子商务中的商品推荐方法及其*** |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2512945A1 (en) * | 2004-07-23 | 2006-01-23 | Genesis Group Inc. | System and method for estimating user ratings from user behavior and providing recommendations |
US7853485B2 (en) * | 2005-11-22 | 2010-12-14 | Nec Laboratories America, Inc. | Methods and systems for utilizing content, dynamic patterns, and/or relational information for data analysis |
US8868596B2 (en) * | 2012-01-19 | 2014-10-21 | Oracle International Corporation | Set based item recommendation system |
US20150339759A1 (en) * | 2012-02-06 | 2015-11-26 | Amazon Technologies, Inc. | Detecting product attributes associated with product upgrades based on behaviors of users |
CN102880501B (zh) * | 2012-07-24 | 2016-05-25 | 北京奇虎科技有限公司 | 应用推荐的实现方法、装置和*** |
CN105205081B (zh) * | 2014-06-27 | 2019-11-05 | 华为技术有限公司 | 物品推荐方法和装置 |
US10635973B1 (en) * | 2016-06-28 | 2020-04-28 | Amazon Technologies, Inc. | Recommendation system using improved neural network |
CN106228386B (zh) * | 2016-07-12 | 2018-09-25 | 腾讯科技(深圳)有限公司 | 一种信息推送方法及装置 |
-
2016
- 2016-07-12 CN CN201610548918.9A patent/CN106228386B/zh active Active
-
2017
- 2017-07-06 WO PCT/CN2017/091985 patent/WO2018010591A1/zh active Application Filing
-
2018
- 2018-05-29 US US15/929,019 patent/US11449916B2/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346751A (zh) * | 2010-08-03 | 2012-02-08 | 阿里巴巴集团控股有限公司 | 一种信息推送方法及设备 |
CN102156942A (zh) * | 2011-04-08 | 2011-08-17 | 东华大学 | 一种基于无线射频技术的商品推荐方法 |
CN102915307A (zh) * | 2011-08-02 | 2013-02-06 | 腾讯科技(深圳)有限公司 | 一种个性化信息推荐的方法、装置及信息处理*** |
CN102411754A (zh) * | 2011-11-29 | 2012-04-11 | 南京大学 | 一种基于商品属性熵值的个性化推荐方法 |
CN103533390A (zh) * | 2012-11-15 | 2014-01-22 | Tcl集团股份有限公司 | 基于社交网络信息进行电视节目推荐的方法及*** |
CN105528374A (zh) * | 2014-10-21 | 2016-04-27 | 苏宁云商集团股份有限公司 | 一种电子商务中的商品推荐方法及其*** |
CN104504059A (zh) * | 2014-12-22 | 2015-04-08 | 合一网络技术(北京)有限公司 | 多媒体资源推荐方法 |
CN104463637A (zh) * | 2014-12-23 | 2015-03-25 | 北京石油化工学院 | 一种基于电商平台的商品推荐方法、装置及服务器 |
CN105159910A (zh) * | 2015-07-03 | 2015-12-16 | 安一恒通(北京)科技有限公司 | 信息推荐方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2018010591A1 (zh) | 2018-01-18 |
CN106228386A (zh) | 2016-12-14 |
US11449916B2 (en) | 2022-09-20 |
US20180276734A1 (en) | 2018-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106228386B (zh) | 一种信息推送方法及装置 | |
CN106604051A (zh) | 直播频道推荐方法及装置 | |
CN110442796A (zh) | 一种推荐策略分桶方法、装置及设备 | |
CN108322317A (zh) | 一种账号识别关联方法及服务器 | |
CN107808314B (zh) | 用户推荐方法及装置 | |
CN107360246A (zh) | 一种消息推送方法及装置、一种终端及存储介质 | |
CN106339507A (zh) | 流媒体消息推送方法和装置 | |
CN106658096A (zh) | 推送直播节目的方法和装置 | |
CN107871242A (zh) | 广告投放***及方法 | |
CN108985954A (zh) | 一种建立各标识的关联关系的方法以及相关设备 | |
CN113901226A (zh) | 实时直播数据处理方法及计算机存储介质 | |
CN108366012A (zh) | 一种社交关系建立方法、装置及电子设备 | |
CN109062957A (zh) | 案源获取和推荐方法及*** | |
CN101416185A (zh) | 动态交互式娱乐 | |
CN110602333B (zh) | 基于深度学习的呼叫中心应答***及方法 | |
CN115619234A (zh) | 一种投票处理方法、装置和存储介质 | |
CN109688217B (zh) | 一种消息推送方法、装置及电子设备 | |
CN112449002B (zh) | 一种待推送对象的推送方法、装置、设备及存储介质 | |
CN109120955A (zh) | 一种直播间的推荐方法以及相关设备 | |
CN110198460A (zh) | 媒体信息的选取方法和装置、存储介质、电子装置 | |
CN109086813A (zh) | 主播相似度的确定方法、装置、设备及存储介质 | |
CN109951330B (zh) | 一种自动识别设备类型的管理方法及通讯管理机 | |
CN106412796B (zh) | 一种推荐方法及*** | |
CN114611015B (zh) | 交互信息处理方法、装置和云服务器 | |
CN106341541A (zh) | 列表处理方法和装置 |
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 |