CN107545491A - 一种推荐信息的数据处理方法和装置 - Google Patents
一种推荐信息的数据处理方法和装置 Download PDFInfo
- Publication number
- CN107545491A CN107545491A CN201710751911.1A CN201710751911A CN107545491A CN 107545491 A CN107545491 A CN 107545491A CN 201710751911 A CN201710751911 A CN 201710751911A CN 107545491 A CN107545491 A CN 107545491A
- Authority
- CN
- China
- Prior art keywords
- recommendation
- information
- recommendation information
- characteristic attribute
- bar
- 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.)
- Pending
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种推荐信息的数据处理方法和装置,所述方法包括:获取用户信息;针对所述用户信息筛选预设数量的m条推荐信息;其中,所述各条推荐信息具有特征属性;根据所述特征属性对所述m条推荐信息进行排序;展现所述排序后的m条推荐信息;本发明实施例中,根据多个特征属性对推荐信息进行排序,可以辅助用户直观地进行决策,与现有的需要反复查看推荐信息的过程相比,提高了用户决策效率,提高用户体验。
Description
技术领域
本发明涉及移动终端的技术领域,特别是涉及一种推荐信息的数据处理方法和一种推荐信息的展现装置。
背景技术
在日常生活中,用户会经常遇到需要及时反馈需求的场景,如就近选择一家餐厅就餐或者一家酒店住宿。用户在决策的时候一般都会综合考虑多个维度的信息,如价格、环境、口味等。许多运行在移动终端上的应用程序都可以提供美食、酒店等推荐信息。
现有技术中,可以利用单个维度信息对商品进行比较排序,如,用户在某个电子商务平台上指定对比A品牌和B品牌的所有凉鞋;在电子商务平台选择按售出量进行排序时,将A品牌和B品牌的所有凉鞋按照售出量由高到低的顺序依次显示,但是,用户每次只能查看一个维度的若干家商家的推荐信息,不利于提高用户决策效率及增加用户粘性。
发明内容
本发明实施例提供一种推荐信息的数据处理方法和相应的一种推荐信息的展现装置、一种电子设备、一种计算机可读存储介质,以解决查看相关推荐信息时,用户决策效率不高的上述问题。
为了解决上述问题,本发明实施例公开了一种推荐信息的数据处理方法,所述方法包括:
获取用户信息;
针对所述用户信息筛选预设数量的m条推荐信息;其中,所述各条推荐信息具有特征属性;
根据所述特征属性对所述m条推荐信息进行排序;
展现所述排序后的m条推荐信息。
优选地,所述展现所述排序后的m条推荐信息的步骤包括:
将按照所述特征属性排序后的m条推荐信息分别组织为相应的推荐子表;
按需展现所述推荐子表。
优选地,所述方法包括:
获取针对所述特征属性设置的权重参数;
依据所述特征属性的权重参数将所述m条推荐信息组织为推荐总表;
展现所述推荐总表。
优选地,所述推荐信息为推荐的商家信息;所述特征属性包括商家位置信息和/或周边环境信息和/或食物口味信息和/或人均消费信息。
优选地,所述用户信息包括用户定位信息和用户个性化信息。
优选地,所述特征属性包括特征属性值,所述依据所述特征属性的权重参数将所述m条推荐信息组织为推荐总表的步骤包括:
按照所述权重参数对所述特征属性值进行加权平均计算,获得加权结果参数;
按照所述加权结果参数对所述m条推荐信息进行排序,生成推荐总表。
优选地,所述方法还包括:
接收针对所述推荐总表或推荐子表中推荐信息的点击指令;
响应所述点击指令输出所述推荐信息对应的导航页面。
为了解决上述问题,本发明实施例还公开了一种推荐信息的数据处理装置,所述装置包括:
用户信息获取模块,用于获取用户信息;
推荐信息筛选模块,用于针对所述用户信息筛选预设数量的m条推荐信息;其中,所述各条推荐信息具有特征属性;
排序模块,用于根据所述特征属性对所述m条推荐信息进行排序;
展现模块,用于展现所述排序后的m条推荐信息。
优选地,所述展现模块包括:
推荐子表组织子模块,用于将按照所述特征属性排序后的m条推荐信息分别组织为相应的推荐子表;
推荐子表展现子模块,用于按需展现所述推荐子表。
优选地,所述装置包括:
权重参数获取模块,用于获取针对所述特征属性设置的权重参数;
推荐总表组织模块,用于依据所述特征属性的权重参数将所述m条推荐信息组织为推荐总表;
推荐总表展现模块,用于展现所述推荐总表。
优选地,所述推荐信息为推荐的商家信息;所述特征属性包括商家位置信息和/或周边环境信息和/或食物口味信息和/或人均消费信息。
优选地,所述用户信息包括用户定位信息和用户个性化信息。
优选地,所述特征属性包括特征属性值,所述推荐总表组织模块包括:
加权结果参数获得子模块,用于按照所述权重参数对所述特征属性值进行加权平均计算,获得加权结果参数;
推荐总表生成子模块,用于按照所述加权结果参数对所述m条推荐信息进行排序,生成推荐总表。
优选地,所述装置还包括:
点击指令接收模块,用于接收针对所述推荐总表或推荐子表中推荐信息的点击指令;
导航页面输出模块,用于响应所述点击指令输出所述推荐信息对应的导航页面。
为了解决上述问题,本发明实施例公开了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任意一项方法的步骤。
为了解决上述问题,本发明实施例公开了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现上述任意一项方法的步骤。
本发明实施例包括以下优点:
本发明实施例中,获取用户信息;针对所述用户信息筛选预设数量的m条推荐信息;其中,所述各条推荐信息具有特征属性;根据所述特征属性对所述m条推荐信息进行排序;展现所述排序后的m条推荐信息;本发明实施例中,根据多个特征属性对推荐信息进行排序,可以辅助用户直观地进行决策,与现有的需要反复查看推荐信息的过程相比,提高了用户决策效率,提高用户体验。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是本发明实施例的一种推荐信息的数据处理方法实施例一的步骤流程图;
图2是本发明实施例中的一种推荐信息的数据处理方法的流程图;
图3是本发明实施例的一种推荐信息的数据处理方法实施例二的步骤流程图;
图4是本发明实施例中的另一种推荐信息的数据处理方法的流程图;
图5是本发明实施例的一种推荐信息的数据处理装置实施例三的结构框图。
具体实施方式
为了使本发明实施例所解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明实施例进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,示出了本发明实施例的一种推荐信息的数据处理方法实施例一的步骤流程图,具体可以包括如下步骤:
步骤101,获取用户信息;
在具体实现中,本发明实施例可以应用在移动终端中,例如,手机、平板电脑、个人数字助理、穿戴设备(如眼镜、手表等)等等。
在本发明实施例中,移动终端的操作***可以包括Android(安卓)、IOS、WindowsPhone、Windows等等。
具体到本发明实施例中,该用户信息可以包括用户位置信息及用户个性化信息,具体地,可以通过移动终端的GPS(Global Positioning System,全球定位***)芯片获得用户位置信息,还可以通过计算移动终端与基站之间的距离(因为基站的位置是固定的),获取到用户位置信息,本发明实施例对此不作限制;进一步地,该用户个性化信息可以包括用户年龄信息、收入信息、工作信息、家庭信息、用户场景信息、兴趣信息、生活习惯信息、消费行为信息等,本发明实施例对用户个性化信息的种类不作具体地限制。
步骤102,针对所述用户信息筛选预设数量的m条推荐信息;其中,所述各条推荐信息具有特征属性;
实际应用到本发明实施例中,采用该用户信息筛选出预设数量的m条推荐信息,其中,所述各条推荐信息具有特征属性;具体地,可以将该用户信息输入到预置的推荐信息反馈模型中,获得由该推荐信息反馈模型输出的预设数量的m条推荐信息。
需要说明的是,该推荐信息反馈模型是经过数据训练后获得的,可以首先设置用户特征向量及推荐信息特征向量,该用户特征向量可以包括用户信息对应的特征向量,该推荐信息特征向量可以包括原始推荐信息对应的特征向量,而该原始推荐信息可以包括特征属性(如位置信息和/或周边环境信息和/或食物口味信息和/或人均消费信息),还可以包括商户名称等商家本身的信息,本发明实施例对此不作限制。
设置所述用户特征向量及推荐信息特征向量后,便可以针对该推荐信息反馈模型进行训练,需要说明的是,该推荐信息反馈模型可以包括GBDT(Gradient BoostingDecision Tree,迭代决策树)模型、DNN(Deep Neural Network,深度神经网络)模型、FM(Factorization Machine,因子分解机)模型、FFM(Field-aware Factorization Machine,场感知分解机器)模型、MLR(Multiple Linear Regression,多元线性回归)模型等,本发明实施例对模型的种类不作具体的限制。
在模型训练的步骤中,设置点击率(Click Through Rate)为标签,本发明实施例中,将训练后的推荐信息反馈模型预置在移动终端上,通过调用数据接口可以接收用户信息,经过预置的推荐信息反馈模型生成预设数量的m条推荐信息,其中,该推荐信息可以以点击率的大小进行排序,进一步展现给用户;需要说明的是,推荐信息即在用户的一定距离范围内的经过排序后的原始推荐信息。
步骤103,根据所述特征属性对所述m条推荐信息进行排序;
具体应用到本发明实施例中,根据特征属性对m条推荐信息进行排序,举例而言,该特征属性可以包括商家位置信息和/或周边环境信息和/或食物口味信息和/或人均消费信息,移动终端可以针对每种特征属性将所述推荐信息进行排序,生成推荐子表。
步骤104,展现所述排序后的m条推荐信息。
作为本发明实施例的一种优选实施例中,该排序后的m条推荐信息可以以及表格的形式在移动终端呈现;参照图2,示出了本发明实施例的一种推荐信息的数据处理方法的流程图,如图2所示,推荐信息反馈模型首先根据用户信息获得预设数量的m条推荐信息,将按照所述特征属性排序后的m条推荐信息分别组织为相应的推荐子表,该推荐子表如图2中所示的“人均消费排行榜”、“距离远近排行榜”、“环境评分排行榜”、“口味评分排行榜”等。
具体到本发明实施例中,还可以在移动终端的屏幕上按需展现所述推荐子表,此时,用户可以直接决策,选择上述推荐子表中的推荐信息选择某一家店,如店E,直接输出该店E对应的导航页面;具体而言,所述方法还包括:接收针对推荐子表中推荐信息的点击指令;响应所述点击指令输出所述推荐信息对应的导航页面。
本发明实施例中,获取用户信息;针对所述用户信息筛选预设数量的m条推荐信息;其中,所述各条推荐信息具有特征属性;根据所述特征属性对所述m条推荐信息进行排序;展现所述排序后的m条推荐信息;本发明实施例中,根据多个特征属性对推荐信息进行排序,可以辅助用户直观地进行决策,与现有的需要反复查看推荐信息的过程相比,提高了用户决策效率,提高用户体验。
参照图3,示出了本发明实施例的一种推荐信息的数据处理方法实施例二的步骤流程图,具体可以包括如下步骤:
步骤201,获取用户信息;
本发明实施例中,所述方法可以应用于移动终端,该移动终端可以采集用户信息,该用户信息可以包括用户位置信息及用户个性化信息,用户个性化信息可以包括“用户画像”中的个人信息,如用户年龄信息、收入信息、工作信息、家庭信息、用户场景信息、兴趣信息、生活习惯信息、消费行为信息等,本发明实施例对此不作限制。
步骤202,针对所述用户信息筛选预设数量的m条推荐信息;其中,所述各条推荐信息具有特征属性;
进一步地,移动终端采集到用户信息后,可以将该用户信息输入到预置的推荐信息反馈模型中,筛选出预设数量的m条推荐信息,需要说明的是,该预置的推荐信息反馈模型是训练后的模型,设置用户特征向量及推荐信息特征向量后,可以对该推荐信息反馈模型进行训练,在模型训练的步骤中,设置点击率(Click Through Rate)为标签,进一步地,将训练后的推荐信息反馈模型预置在移动终端上,通过调用数据接口可以接收用户信息,经过预置的推荐信息反馈模型筛选出m条推荐信息,其中,m为正整数。
具体而言,所述推荐信息为推荐的商家信息;所述特征属性包括商家位置信息和/或周边环境信息和/或食物口味信息和/或人均消费信息等等。
步骤203,根据所述特征属性对所述m条推荐信息进行排序;
具体应用到本发明实施例中,根据特征属性对m条推荐信息进行排序,举例而言,该特征属性可以包括商家位置信息和/或周边环境信息和/或食物口味信息和/或人均消费信息,移动终端可以针对每种特征属性将所述推荐信息进行排序,即生成推荐子表。
步骤204,展现所述排序后的m条推荐信息;
具体应用到本发明实施例中,可以在移动终端的屏幕中以多个列表的形式展现该m条推荐信息,即以图2所示的推荐子表的形式呈现于用户,需要说明的是,该推荐子表中的推荐信息可以以特征属性对应的特征属性值从高至低进行排列。
步骤205,获取针对所述特征属性设置的权重参数;
进一步地,当移动终端展现该m条推荐信息后,可以接收针对每条推荐信息的特征属性设置的权重参数,用户可以在特征属性“人均消费信息”、“商家位置信息”、“周边环境信息”、“食物口味信息”,分别输入权重参数:0.4、0.2、0.2、0.1。
步骤206,依据所述特征属性的权重参数将所述m条推荐信息组织为推荐总表;
本发明实施例的一种优选实施例中,所述特征属性包括特征属性值,所述依据所述特征属性的权重参数将所述m条推荐信息组织为推荐总表的步骤包括:按照所述权重参数对所述特征属性值进行加权平均计算,获得加权结果参数;按照所述加权结果参数对所述m条推荐信息进行排序,生成推荐总表。
将上述的“人均消费排行榜”、“距离远近排行榜”、“环境评分排行榜”、“口味评分排行榜”的数据转化为特征属性值,举例而言,可以将“距离远近排行榜”中的距离值,以一个特征属性值范围进行标定。
举例而言,该特征属性值范围可以为按照“上述排行榜”中的排序位置而设定的特征属性值范围,如店A排在“距离远近排行榜”的第1位时特征属性值即为10,店B排在第2位时特征属性值即为9,店C排在第3位时特征属性值即为8······店J排在第10位时特征属性值即为1,距离越远,特征属性值越低,因为距离越远代表用户的消费意愿越小,获得所有特征属性下的排序位置下的特征属性值,按照该权重参数及排序位置下的特征属性值对特征属性的进行加权平均计算,获得加权结果参数,依据该加权结果参数及对该推荐信息进行排序,获得最终结果。
如店A的4个特征属性的特征属性值为:“人均消费信息:3”、“商家位置信息:1”、“周边环境信息:4”、“食物口味信息:5”,则可以计算得到该店A的加权结果参数为3*0.4+1*0.2+4*0.2+5*0.1=2.7,该加权结果参数越小,则对应的推荐信息排序越靠后,可以得到多个推荐信息的加权结果参数;按照所述加权结果参数对所述m条推荐信息进行排序,生成推荐总表。
具体到本发明实施例,按照加权结果参数对所述推荐信息进行排序,举例而言,推荐信息为店A、店B及店C,其加权结果参数分别为2.7、1.5、6.3;则按照加权结果参数从大至小进行排序,如店C:6.3、店A:2.7、店B:1.5,当然,上述的举例而为本发明实施例的枚举之一,任何不脱离在本发明实施例的核心构思都应当落入本发明实施例的保护范围。
参照图4,示出了本发明实施例的一种推荐信息的数据处理方法的流程图,如图4所示,移动终端接收用户针对特征属性输入权重参数后,则可以计算每条推荐信息的加权结果参数,对推荐信息进行排序,获得推荐总表;即图4中的“综合排行榜”。
步骤207,展现所述推荐总表。
实际应用到本发明实施例中,移动终端可以在屏幕上展现该推荐总表,接收用户针对某个推荐信息的点击指令,输出该推荐信息对的导航页面。
具体而言,本发明实施例的一种优选实施例中,所述方法还包括:接收针对所述推荐总表中推荐信息的点击指令;响应所述点击指令输出所述推荐信息对应的导航页面。
本发明实施例中,获取用户信息;针对所述用户信息筛选预设数量的m条推荐信息;其中,所述各条推荐信息具有特征属性;根据所述特征属性对所述m条推荐信息进行排序;展现所述排序后的m条推荐信息,获取针对所述特征属性设置的权重参数,依据所述特征属性的权重参数将所述m条推荐信息组织为推荐总表;展现所述推荐总表,本发明实施例中,根据多个特征属性对推荐信息进行排序,可以辅助用户直观地进行决策,与现有的需要反复查看推荐信息的过程相比,提高了用户决策效率,提高用户体验;此外,用户还可以自定义特征属性的权重参数,对多个特征属性的重要性进行量化,通过加权处理的方式为用户提供个性化的推荐结果,在用户需要更精准推荐的情况下,用量化的指标为用户提供更为直观的决策依据,提高用户的个性化体验。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
参照图5,示出了本发明实施例的一种推荐信息的数据处理装置实施例三的结构框图,具体可以包括如下模块:
用户信息获取模块301,用于获取用户信息;
推荐信息筛选模块302,用于针对所述用户信息筛选预设数量的m条推荐信息;其中,所述各条推荐信息具有特征属性;
排序模块303,用于根据所述特征属性对所述m条推荐信息进行排序;
展现模块304,用于展现所述排序后的m条推荐信息。
优选地,所述展现模块包括:
推荐子表组织子模块,用于将按照所述特征属性排序后的m条推荐信息分别组织为相应的推荐子表;
推荐子表展现子模块,用于按需展现所述推荐子表。
优选地,所述装置包括:
权重参数获取模块,用于获取针对所述特征属性设置的权重参数;
推荐总表组织模块,用于依据所述特征属性的权重参数将所述m条推荐信息组织为推荐总表;
推荐总表展现模块,用于展现所述推荐总表。
优选地,所述推荐信息为推荐的商家信息;所述特征属性包括商家位置信息和/或周边环境信息和/或食物口味信息和/或人均消费信息。
优选地,所述用户信息包括用户定位信息和用户个性化信息。
优选地,所述特征属性包括特征属性值,所述推荐总表组织模块包括:
加权结果参数获得子模块,用于按照所述权重参数对所述特征属性值进行加权平均计算,获得加权结果参数;
推荐总表生成子模块,用于按照所述加权结果参数对所述m条推荐信息进行排序,生成推荐总表。
优选地,所述装置还包括:
点击指令接收模块,用于接收针对所述推荐总表或推荐子表中推荐信息的点击指令;
导航页面输出模块,用于响应所述点击指令输出所述推荐信息对应的导航页面。
本发明实施例中,获取用户信息;针对所述用户信息筛选预设数量的m条推荐信息;其中,所述各条推荐信息具有特征属性;根据所述特征属性对所述m条推荐信息进行排序;展现所述排序后的m条推荐信息,获取针对所述特征属性设置的权重参数,依据所述特征属性的权重参数将所述m条推荐信息组织为推荐总表;展现所述推荐总表,本发明实施例中,根据多个特征属性对推荐信息进行排序,可以辅助用户直观地进行决策,与现有的需要反复查看推荐信息的过程相比,提高了用户决策效率,提高用户体验;此外,用户还可以自定义特征属性的权重参数,对多个特征属性的重要性进行量化,通过加权处理的方式为用户提供个性化的推荐结果,在用户需要更精准推荐的情况下,用量化的指标为用户提供更为直观的决策依据,提高用户的个性化体验。
本发明实施例提供了一种电子设备和一种计算机可读存储介质,所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
获取用户信息;
针对所述用户信息筛选预设数量的m条推荐信息;其中,所述各条推荐信息具有特征属性;
根据所述特征属性对所述m条推荐信息进行排序;
展现所述排序后的m条推荐信息。
优选地,所述展现所述排序后的m条推荐信息的步骤包括:
将按照所述特征属性排序后的m条推荐信息分别组织为相应的推荐子表;
按需展现所述推荐子表。
优选地,所述方法包括:
获取针对所述特征属性设置的权重参数;
依据所述特征属性的权重参数将所述m条推荐信息组织为推荐总表;
展现所述推荐总表。
优选地,所述推荐信息为推荐的商家信息;所述特征属性包括商家位置信息和/或周边环境信息和/或食物口味信息和/或人均消费信息。
优选地,所述用户信息包括用户定位信息和用户个性化信息。
优选地,所述特征属性包括特征属性值,所述依据所述特征属性的权重参数将所述m条推荐信息组织为推荐总表的步骤包括:
按照所述权重参数对所述特征属性值进行加权平均计算,获得加权结果参数;
按照所述加权结果参数对所述m条推荐信息进行排序,生成推荐总表。
优选地,所述方法还包括:
接收针对所述推荐总表或推荐子表中推荐信息的点击指令;
响应所述点击指令输出所述推荐信息对应的导航页面。
所述计算机可读存储介质存储有计算机程序,该程序被处理器执行时可以实现如下步骤:
获取用户信息;
针对所述用户信息筛选预设数量的m条推荐信息;其中,所述各条推荐信息具有特征属性;
根据所述特征属性对所述m条推荐信息进行排序;
展现所述排序后的m条推荐信息。
优选地,所述展现所述排序后的m条推荐信息的步骤包括:
将按照所述特征属性排序后的m条推荐信息分别组织为相应的推荐子表;
按需展现所述推荐子表。
优选地,所述方法包括:
获取针对所述特征属性设置的权重参数;
依据所述特征属性的权重参数将所述m条推荐信息组织为推荐总表;
展现所述推荐总表。
优选地,所述推荐信息为推荐的商家信息;所述特征属性包括商家位置信息和/或周边环境信息和/或食物口味信息和/或人均消费信息。
优选地,所述用户信息包括用户定位信息和用户个性化信息。
优选地,所述特征属性包括特征属性值,所述依据所述特征属性的权重参数将所述m条推荐信息组织为推荐总表的步骤包括:
按照所述权重参数对所述特征属性值进行加权平均计算,获得加权结果参数;
按照所述加权结果参数对所述m条推荐信息进行排序,生成推荐总表。
优选地,所述方法还包括:
接收针对所述推荐总表或推荐子表中推荐信息的点击指令;
响应所述点击指令输出所述推荐信息对应的导航页面。
对于装置实施例而言,由于其与方法实施例基本相似,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。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明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,本发明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。
本发明实施例是参照根据本发明实施例的方法、终端设备(***)、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终端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终端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终端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终端设备上,使得在计算机或其他可编程终端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终端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。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种推荐信息的数据处理方法和一种推荐信息的数据处理装置,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种推荐信息的数据处理方法,其特征在于,所述方法包括:
获取用户信息;
针对所述用户信息筛选预设数量的m条推荐信息;其中,所述各条推荐信息具有特征属性;
根据所述特征属性对所述m条推荐信息进行排序;
展现所述排序后的m条推荐信息。
2.根据权利要求1所述的方法,其特征在于,所述展现所述排序后的m条推荐信息的步骤包括:
将按照所述特征属性排序后的m条推荐信息分别组织为相应的推荐子表;
按需展现所述推荐子表。
3.根据权利要求1所述的方法,其特征在于,所述方法包括:
获取针对所述特征属性设置的权重参数;
依据所述特征属性的权重参数将所述m条推荐信息组织为推荐总表;
展现所述推荐总表。
4.根据权利要求1所述的方法,其特征在于,所述推荐信息为推荐的商家信息;所述特征属性包括商家位置信息和/或周边环境信息和/或食物口味信息和/或人均消费信息。
5.根据权利要求1所述的方法,其特征在于,所述用户信息包括用户定位信息和用户个性化信息。
6.根据权利要求3所述的方法,其特征在于,所述特征属性包括特征属性值,所述依据所述特征属性的权重参数将所述m条推荐信息组织为推荐总表的步骤包括:
按照所述权重参数对所述特征属性值进行加权平均计算,获得加权结果参数;
按照所述加权结果参数对所述m条推荐信息进行排序,生成推荐总表。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
接收针对所述推荐总表或推荐子表中推荐信息的点击指令;
响应所述点击指令输出所述推荐信息对应的导航页面。
8.一种推荐信息的数据处理装置,其特征在于,所述装置包括:
用户信息获取模块,用于获取用户信息;
推荐信息筛选模块,用于针对所述用户信息筛选预设数量的m条推荐信息;其中,所述各条推荐信息具有特征属性;
排序模块,用于根据所述特征属性对所述m条推荐信息进行排序;
展现模块,用于展现所述排序后的m条推荐信息。
9.一种电子设备,所述设备包括有存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序时执行上述权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行上述权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710751911.1A CN107545491A (zh) | 2017-08-28 | 2017-08-28 | 一种推荐信息的数据处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710751911.1A CN107545491A (zh) | 2017-08-28 | 2017-08-28 | 一种推荐信息的数据处理方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107545491A true CN107545491A (zh) | 2018-01-05 |
Family
ID=60957532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710751911.1A Pending CN107545491A (zh) | 2017-08-28 | 2017-08-28 | 一种推荐信息的数据处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107545491A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108650166A (zh) * | 2018-03-19 | 2018-10-12 | 安徽锐欧赛智能科技有限公司 | 一种及时通讯数据分析及消息推送管理*** |
CN108804646A (zh) * | 2018-06-06 | 2018-11-13 | 重庆邮电大学 | 一种融合深度学习和因子分解机的兴趣点签到预测方法 |
CN110659362A (zh) * | 2019-09-17 | 2020-01-07 | 武汉鼎森电子科技有限公司 | 一种自动调节候选范围的推荐方法和*** |
CN110909267A (zh) * | 2019-11-29 | 2020-03-24 | 口碑(上海)信息技术有限公司 | 实体对象端的展示方法、装置、电子设备及存储介质 |
CN111368150A (zh) * | 2018-12-25 | 2020-07-03 | 北京奇虎科技有限公司 | 预测模型的训练方法、装置及电子设备 |
CN113283960A (zh) * | 2021-05-18 | 2021-08-20 | 武汉畅来电子商务有限公司 | 基于大数据分析和云计算的垂直电商平台商品智能推荐方法和云服务平台 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799593A (zh) * | 2011-05-24 | 2012-11-28 | 一零四资讯科技股份有限公司 | 个人化搜寻排序方法以及*** |
CN103390031A (zh) * | 2013-07-01 | 2013-11-13 | 招商银行股份有限公司 | 智能推荐方法及装置 |
CN103886090A (zh) * | 2014-03-31 | 2014-06-25 | 北京搜狗科技发展有限公司 | 基于用户喜好的内容推荐方法及装置 |
CN104881807A (zh) * | 2015-06-26 | 2015-09-02 | 陆健 | 一种推荐商品信息的方法及装置 |
CN107016595A (zh) * | 2017-03-16 | 2017-08-04 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法、装置和*** |
-
2017
- 2017-08-28 CN CN201710751911.1A patent/CN107545491A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799593A (zh) * | 2011-05-24 | 2012-11-28 | 一零四资讯科技股份有限公司 | 个人化搜寻排序方法以及*** |
CN103390031A (zh) * | 2013-07-01 | 2013-11-13 | 招商银行股份有限公司 | 智能推荐方法及装置 |
CN103886090A (zh) * | 2014-03-31 | 2014-06-25 | 北京搜狗科技发展有限公司 | 基于用户喜好的内容推荐方法及装置 |
CN104881807A (zh) * | 2015-06-26 | 2015-09-02 | 陆健 | 一种推荐商品信息的方法及装置 |
CN107016595A (zh) * | 2017-03-16 | 2017-08-04 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法、装置和*** |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108650166A (zh) * | 2018-03-19 | 2018-10-12 | 安徽锐欧赛智能科技有限公司 | 一种及时通讯数据分析及消息推送管理*** |
CN108804646A (zh) * | 2018-06-06 | 2018-11-13 | 重庆邮电大学 | 一种融合深度学习和因子分解机的兴趣点签到预测方法 |
CN108804646B (zh) * | 2018-06-06 | 2021-05-11 | 重庆邮电大学 | 一种融合深度学习和因子分解机的兴趣点签到预测方法 |
CN111368150A (zh) * | 2018-12-25 | 2020-07-03 | 北京奇虎科技有限公司 | 预测模型的训练方法、装置及电子设备 |
CN111368150B (zh) * | 2018-12-25 | 2024-04-02 | 北京奇虎科技有限公司 | 预测模型的训练方法、装置及电子设备 |
CN110659362A (zh) * | 2019-09-17 | 2020-01-07 | 武汉鼎森电子科技有限公司 | 一种自动调节候选范围的推荐方法和*** |
CN110909267A (zh) * | 2019-11-29 | 2020-03-24 | 口碑(上海)信息技术有限公司 | 实体对象端的展示方法、装置、电子设备及存储介质 |
CN113283960A (zh) * | 2021-05-18 | 2021-08-20 | 武汉畅来电子商务有限公司 | 基于大数据分析和云计算的垂直电商平台商品智能推荐方法和云服务平台 |
CN113283960B (zh) * | 2021-05-18 | 2022-08-19 | 河南中钢网科技集团股份有限公司 | 基于大数据分析和云计算的垂直电商平台商品智能推荐方法和云服务平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107545491A (zh) | 一种推荐信息的数据处理方法和装置 | |
US10402917B2 (en) | Color-related social networking recommendations using affiliated colors | |
US9043351B1 (en) | Determining search query specificity | |
US20170364522A1 (en) | Real-Time Search Tuning | |
US9208202B1 (en) | Systems and methods for determining interest in an item or category of items | |
CN109313542A (zh) | 识别缺失的浏览节点 | |
CA3028710A1 (en) | Systems and methods for automated object recognition | |
CN106651544B (zh) | 最少用户交互的会话式推荐*** | |
CN107220852A (zh) | 用于确定目标推荐用户的方法、装置和服务器 | |
US20130024449A1 (en) | Method and apparatus for allowing users to augment searches | |
CN109447713A (zh) | 一种基于知识图谱的推荐方法及装置 | |
CN105718184A (zh) | 一种数据处理方法和装置 | |
CN108510373A (zh) | 画作推荐方法、画作推荐装置、设备及存储介质 | |
CN109597973A (zh) | 一种文案信息的推荐、生成方法和装置 | |
CN105677846A (zh) | 推荐***及其构建方法 | |
CN107332910A (zh) | 信息推送方法和装置 | |
US20100049707A1 (en) | System And Method For The Structured Display Of Items | |
CN109872796A (zh) | 一种菜谱推荐方法和装置 | |
CN107786943A (zh) | 一种用户分群方法及计算设备 | |
CN112256977B (zh) | 组件化商品推荐方法、计算设备和计算机存储介质 | |
CN110852785B (zh) | 用户分级方法、装置及计算机可读存储介质 | |
US20210090105A1 (en) | Technology opportunity mapping | |
US20130166416A1 (en) | Dynamic catalogs on mobile wireless devices | |
CN110427564A (zh) | 将深度学习集成到广义加性混合效应(game)框架中 | |
CN109840788A (zh) | 用于分析用户行为数据的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |