CN108108821B - 模型训练方法及装置 - Google Patents

模型训练方法及装置 Download PDF

Info

Publication number
CN108108821B
CN108108821B CN201711468861.2A CN201711468861A CN108108821B CN 108108821 B CN108108821 B CN 108108821B CN 201711468861 A CN201711468861 A CN 201711468861A CN 108108821 B CN108108821 B CN 108108821B
Authority
CN
China
Prior art keywords
target model
model
target
sample
preset
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
Application number
CN201711468861.2A
Other languages
English (en)
Other versions
CN108108821A (zh
Inventor
黄树东
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.)
Guangdong Oppo Mobile Telecommunications Corp Ltd
Original Assignee
Guangdong Oppo Mobile Telecommunications Corp 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 Guangdong Oppo Mobile Telecommunications Corp Ltd filed Critical Guangdong Oppo Mobile Telecommunications Corp Ltd
Priority to CN201711468861.2A priority Critical patent/CN108108821B/zh
Publication of CN108108821A publication Critical patent/CN108108821A/zh
Priority to PCT/CN2018/112241 priority patent/WO2019128435A1/en
Priority to US16/173,477 priority patent/US11475244B2/en
Priority to EP18204353.9A priority patent/EP3506184A1/en
Application granted granted Critical
Publication of CN108108821B publication Critical patent/CN108108821B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N5/041—Abduction
    • 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
    • G06Q30/0254—Targeted advertisements based on statistics
    • 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
    • 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
    • H04L67/535—Tracking the activity of the user
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例公开了一种模型训练方法及装置。方法包括：所述线下***获取参考训练样本；所述线下***将所述参考训练样本输入所述样本模型，得到目标训练样本；所述线下***根据所述目标训练样本训练所述目标模型，得到更新后的目标模型；所述线下***将更新后的所述目标模型发送给所述线上***，所述更新后的所述目标模型用于所述线上***处理目标推荐任务。本申请实施例有利于对样本进行去噪提纯，提高目标模型的精度。

Description

模型训练方法及装置
技术领域
本申请涉及机器学习技术领域，具体涉及模型训练方法及装置。
背景技术
机器学习建模中，包含样本、特征、模型三大要素，样本对最终效果起着决定性作用。样本来源主要有人工标注及用户行为提取两种。基于用户行为提取的样本中往往有很多噪音，如用户误操作、作弊等，直接用样本做训练对模型效果影响很大。
发明内容
本申请实施例提供了模型训练方法及装置，可以对样本进行去噪提纯，提高目标模型的精度。
第一方面，本申请实施例提供一种模型训练方法，应用于信息推荐***，所述信息推荐***包括线上***和线下***，所述线下***包括样本模型和所述目标模型，所述方法包括：
所述线下***获取参考训练样本；
所述线下***将所述参考训练样本输入所述样本模型，得到目标训练样本；
所述线下***根据所述目标训练样本训练所述目标模型，得到更新后的目标模型；
所述线下***将更新后的所述目标模型发送给所述线上***，所述更新后的所述目标模型用于所述线上***处理目标推荐任务。
第二方面，本申请实施例提供一种模型训练装置，应用于信息推荐***，所述信息推荐***包括线上***和线下***，所述线下***包括样本模型和所述目标模型，所述模型训练装置包括获取单元、处理单元、训练单元和发送单元，其中，
所述第一获取单元，用于获取参考训练样本；
所述处理单元，用于将所述参考训练样本输入所述样本模型，得到目标训练样本；
所述训练单元，用于根据所述目标训练样本训练所述目标模型，得到更新后的目标模型；
所述发送单元，用于将更新后的所述目标模型发送给所述线上***，所述更新后的所述目标模型用于所述线上***处理目标推荐任务。
第三方面，本申请实施例提供一种移动终端，包括处理器、存储器、通信接口以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行本申请实施例第一方面任一方法中的步骤的指令。
第四方面，本申请实施例提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如本申请实施例第一方面任一方法中所描述的部分或全部步骤，所述计算机包括移动终端。
第五方面，本申请实施例提供了一种计算机程序产品，其中，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如本申请实施例第一方面任一方法中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包，所述计算机包括移动终端。
可以看出，本申请实施例中，线下***首先获取参考训练样本，其次，将参考训练样本输入样本模型，得到目标训练样本，再次，根据目标训练样本训练目标模型，得到更新后的目标模型，最后，将更新后的目标模型发送给线上***，更新后的目标模型用于线上***处理目标推荐任务。可见，线下***能够通过基于机器学习算法构建的样本模型替代人工规则，通过该样本模型对参考样本数据去噪提纯，可以提升目标模型精度、提升泛化能力及可迁移能力。
附图说明
下面将对本申请实施例所涉及到的附图作简单地介绍。
图1是一种信息推荐***的***架构图；
图2是本申请实施例提供的一种模型训练方法的流程示意图；
图3是本申请实施例公开的一种模型训练方法的流程示意图；
图4是本申请实施例公开的一种模型训练方法的流程示意图；
图5是本申请实施例公开的一种移动终端的结构示意图；
图6是本申请实施例公开的一种移动终端的功能单元组成框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
示例性的，如图1所示，图1是本申请实施例提供的一种信息推荐***100的***架构图。该信息推荐***100的物理形态可以是服务器集群和/或云计算资源，此处不做唯一限定。该信息推荐***100具体包括线上***10和线下***20，线下***可以是服务器集群，线上***可以是云计算资源或者服务器集群，其中，线上***10包括训练好的目标模型11和预估器12，该训练好的目标模型11用于处理实时在线的推荐任务，预估器12用于结合训练好的目标模型11和推荐任务关联的参考特征数据生成预估先验结果，线下***20包括训练数据库21、待训练的目标模型22，线下***20会定时使用训练数据库21中的训练数据来训练待训练的目标模型22，得到训练好的目标模型11，并将该训练好的目标模型11推送给线上***10使用。
一般设计中，在互联网产品领域，推荐及点击通过率(Click-Through-Rate，CTR)预估模型构建中，一般通过用户产生的动作(action)来提取目标模型的训练样本，但该样本由于用户作弊、误操作影响，往往噪音很大。
针对上述情况，本申请实施例提出一种模型训练方法，该方法中，线下***首先获取参考训练样本，其次，将参考训练样本输入样本模型，得到目标训练样本，再次，根据目标训练样本训练目标模型，得到更新后的目标模型，最后，将更新后的目标模型发送给线上***，更新后的目标模型用于线上***处理目标推荐任务。可见，线下***能够通过基于机器学习算法构建的样本模型替代人工规则，通过该样本模型对参考样本数据去噪提纯，可以提升目标模型精度、提升泛化能力及可迁移能力。
下面结合附图对本申请实施例进行介绍。
请参阅图2，图2是本申请实施例提供了一种模型训练方法的流程示意图，应用于信息推荐***，所述信息推荐***包括线上***和线下***，所述线下***包括样本模型和所述目标模型，如图所示，本模型训练方法包括：
S201，所述线下***获取参考训练样本。
其中，参考样本数据可以是线下***从预存的用户日志中提出的样本数据，或者由开发人员预设的样本数据，或者是线上***整合采集到的用户侧的交互信息而生成的样本数据等，此处不做唯一限定。
S202，所述线下***将所述参考训练样本输入所述样本模型，得到目标训练样本。
其中，样本模型可以对参考训练样本进行选择、去噪提纯得到目标训练样本，进而将目标训练样本输入到目标模型进行训练。
S203，所述线下***根据所述目标训练样本训练所述目标模型，得到更新后的目标模型。
其中，训练所述目标模型的具体方法包括梯度下降法、拟牛顿法等，此处不做唯一限定。
S204，所述线下***将更新后的所述目标模型发送给所述线上***，所述更新后的所述目标模型用于所述线上***处理目标推荐任务。
其中，目标推荐任务为针对一个或多个目标待推荐物品的推荐任务，如浏览器应用场景中针对10个新闻展位和2个广告展位的信息的推送。
可以看出，本申请实施例中，线下***首先获取参考训练样本，其次，将参考训练样本输入样本模型，得到目标训练样本，再次，根据目标训练样本训练目标模型，得到更新后的目标模型，最后，将更新后的目标模型发送给线上***，更新后的目标模型用于线上***处理目标推荐任务。可见，线下***能够通过基于机器学习算法构建的样本模型替代人工规则，通过该样本模型对参考样本数据去噪提纯，可以提升目标模型精度、提升泛化能力及可迁移能力。
在一个可能的示例中，所述方法还包括：
所述线下***从用户日志中提取上下文行为特征；
所述线下***获取所述目标模型的损失反馈；
所述线下***根据所述上下文行为特征和所述损失反馈，构建所述样本模型。
具体实现中，所述线下***可以基于预设的机器学习算法(如逻辑回归(logisticregression，LR)、梯度提升树(Gradient Boosting Decision Tree，GBDT)、深度学习算法等)构建样本模型。
具体实现中，由于损失反馈关联目标模型的特征，该特征关联样本数据，若损失反馈较大，则说明对应的特征对目标模型的准确度影响较大，若损失反馈较小，则说明对应的特征对目标模型的准确度影响较小，如此，线下***可以根据损失反馈，筛选出对目标模型的准确度影响加大或较小的特征，并将该特征作为构建样本模型的因素之一，提高样本模型的准确度。
可见，本示例中，线下***能够线下***结合用户上下文，目标模型的损失反馈等因素，构建样本模型，通过该样本模型能高效对参考样本数据进行去噪提纯，进而提升目标模型的精度。
在本可能的示例中，所述上下文行为特征包括：
所述线上***在通过目标模型向移动终端的预设应用推荐预设信息之前，获取到的所述移动终端记录的第一交互信息；和/或，
所述线上***在通过目标模型向移动终端的预设应用推荐预设信息之前，获取到的所述移动终端记录的第二交互信息，交互信息包括操作类型、操作时长。
其中，所述预设应用可以是移动终端的浏览器、应用商店等各类***应用程序或第三方应用程序，此处不做唯一限定。
举例来说，以移动终端的浏览器应用为例，移动终端响应用户操作，开启浏览器应用，在应用主界面上会呈现推送的新闻列表，线上***基于目标模型向浏览器应用推送新闻序列，该新闻列表包括新闻信息和广告信息，同时，移动终端会采集用户点击新闻之前的交互信息，以及采集用户点击新闻之后的交互信息，并将该采集到的交互信息实时发送给线上***，再由线上***发送给线下***，作为上下文行为特征，该交互信息包括操作信息、停留时长等。
可见，本示例中，由于上下文行为特征能够准确反映用户针对已推送物品的喜好程度等信息，从而线下***基于该部分信息构建样本数据时，可以基于该上下文行为特征更为准确的筛选有效特征数据，提高样本数据的精度，以此提高目标模型的训练质量。
在一个可能的示例中，所述线下***获取所述目标模型的损失反馈，包括：
所述线下***接收来自线上***的所述目标模型处理预设推荐任务的预估先验结果，所述预设推荐任务为针对所述预设信息的推荐任务；
所述线下***获取所述目标模型处理所述预设推荐任务的实际后验结果；
所述线下***根据所述预估先验结果和所述实际后验结果，确定所述目标模型的损失反馈。
其中，所述预设推荐任务为针对目标待推荐物品的推荐任务，如浏览器应用场景中，线上***推送新闻时，有一个广告需要推送，会生成针对该广告的推荐任务。
可见，本示例中，目标模型的损失反馈是结合预估先验结果和实际后验结果确定，符合实际用户群的使用习惯，准确度高。
在一个可能的示例中，所述预估先验结果是所述线上***在获取所述目标模型处理所述预设推荐任务所需要的特征参数，并将所述特征参数和所述目标模型输入至预估器而得到；
所述线下***获取所述目标模型处理所述预设推荐任务的实际后验结果，包括：
所述线下***获取所述预设推荐任务的实际推荐的第一用户数量和反馈交互记录的第二用户数量；
所述线下***根据所述第一用户数量和所述第二用户数量，确定所述目标模型的实际后验结果。
其中，所述特征参数包括用户画像信息(如偏好、兴趣、地理位置等)，还包括待推荐物品的信息(如关键词、类别等)，还包括场景信息(如节假日、旅游等)。实际后验结果可以是交互反馈的用户数量与推荐用户的总数量的比值。
举例来说，假设目标推荐任务中的待推荐物品推荐给了100个用户，其中由10个用户点击通过，则该目标推荐任务的实际后验结果为10/100即0.1。
可见，本示例中，预估先验结果可以由线上***的预估器得到，无需实时构建计算模型进行预估，计算效率和准确度高，且实际后验结果根据用户实际交互数据得到，准确度高。
与所述图2所示的实施例一致的，请参阅图3，图3是本申请实施例提供的一种模型训练方法的流程示意图，如图所示，本模型训练方法包括：
S301，所述线下***从用户日志中提取上下文行为特征。
S302，所述线下***获取所述目标模型的损失反馈。
S303，所述线下***根据所述上下文行为特征和所述损失反馈，构建所述样本模型。
S304，所述线下***获取参考训练样本。
S305，所述线下***将所述参考训练样本输入所述样本模型，得到目标训练样本。
S306，所述线下***根据所述目标训练样本训练所述目标模型，得到更新后的目标模型。
S307，所述线下***将更新后的所述目标模型发送给所述线上***，所述更新后的所述目标模型用于所述线上***处理目标推荐任务。
可以看出，本申请实施例中，线下***首先获取参考训练样本，其次，将参考训练样本输入样本模型，得到目标训练样本，再次，根据目标训练样本训练目标模型，得到更新后的目标模型，最后，将更新后的目标模型发送给线上***，更新后的目标模型用于线上***处理目标推荐任务。可见，线下***能够通过基于机器学习算法构建的样本模型替代人工规则，通过该样本模型对参考样本数据去噪提纯，可以提升目标模型精度、提升泛化能力及可迁移能力。
此外，线下***能够线下***结合用户上下文，目标模型的损失反馈等因素，构建样本模型，通过该样本模型能高效对参考样本数据进行去噪提纯，进而提升目标模型的精度。
与所述图2所示的实施例一致的，请参阅图4，图4是本申请实施例提供的一种模型训练方法的流程示意图。如图所示，本模型训练方法包括：
S401，所述线下***从用户日志中提取上下文行为特征，所述上下文行为特征包括：所述线上***在通过目标模型向移动终端的预设应用推荐预设信息之前，获取到的所述移动终端记录的第一交互信息；和/或，
所述线上***在通过目标模型向移动终端的预设应用推荐预设信息之前，获取到的所述移动终端记录的第二交互信息，交互信息包括操作类型、操作时长。
S402，所述线下***接收来自线上***的所述目标模型处理预设推荐任务的预估先验结果，所述预设推荐任务为针对所述预设信息的推荐任务。
其中，所述预估先验结果是所述线上***在获取所述目标模型处理所述预设推荐任务所需要的特征参数，并将所述特征参数和所述目标模型输入至预估器而得到。
S403，所述线下***获取所述预设推荐任务的实际推荐的第一用户数量和反馈交互记录的第二用户数量。
S404，所述线下***根据所述第一用户数量和所述第二用户数量，确定所述目标模型的实际后验结果。
S405，所述线下***根据所述预估先验结果和所述实际后验结果，确定所述目标模型的损失反馈。
S406，所述线下***根据所述上下文行为特征和所述损失反馈，构建所述样本模型。
S407，所述线下***获取参考训练样本。
S408，所述线下***将所述参考训练样本输入所述样本模型，得到目标训练样本。
S409，所述线下***根据所述目标训练样本训练所述目标模型，得到更新后的目标模型。
S4010，所述线下***将更新后的所述目标模型发送给所述线上***，所述更新后的所述目标模型用于所述线上***处理目标推荐任务。
可以看出，本申请实施例中，线下***首先获取参考训练样本，其次，将参考训练样本输入样本模型，得到目标训练样本，再次，根据目标训练样本训练目标模型，得到更新后的目标模型，最后，将更新后的目标模型发送给线上***，更新后的目标模型用于线上***处理目标推荐任务。可见，线下***能够通过基于机器学习算法构建的样本模型替代人工规则，通过该样本模型对参考样本数据去噪提纯，可以提升目标模型精度、提升泛化能力及可迁移能力。
此外，线下***能够线下***结合用户上下文，目标模型的损失反馈等因素，构建样本模型，通过该样本模型能高效对参考样本数据进行去噪提纯，进而提升目标模型的精度。
此外，由于上下文行为特征能够准确反映用户针对已推送物品的喜好程度等信息，从而线下***基于该部分信息构建样本数据时，可以基于该上下文行为特征更为准确的筛选有效特征数据，提高样本数据的精度，以此提高目标模型的训练质量。
此外，目标模型的损失反馈是结合预估先验结果和实际后验结果确定，符合实际用户群的使用习惯，准确度高。
此外，预估先验结果可以由线上***的预估器得到，无需实时构建计算模型进行预估，计算效率和准确度高，且实际后验结果根据用户实际交互数据得到，准确度高。
与所述图2至图4所示的实施例一致的，请参阅图5，图5是本申请实施例提供的一种线下***的结构示意图，该线下***运行有一个或多个应用程序和操作***，如图所示，该线下***包括处理器、存储器、通信接口以及一个或多个程序，其中，所述一个或多个程序不同于所述一个或多个应用程序，且所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行以下步骤的指令；
获取参考训练样本；
将所述参考训练样本输入所述样本模型，得到目标训练样本；
根据所述目标训练样本训练所述目标模型，得到更新后的目标模型；
将更新后的所述目标模型发送给所述线上***，所述更新后的所述目标模型用于所述线上***处理目标推荐任务。
可以看出，本申请实施例中，线下***首先获取参考训练样本，其次，将参考训练样本输入样本模型，得到目标训练样本，再次，根据目标训练样本训练目标模型，得到更新后的目标模型，最后，将更新后的目标模型发送给线上***，更新后的目标模型用于线上***处理目标推荐任务。可见，线下***能够通过基于机器学习算法构建的样本模型替代人工规则，通过该样本模型对参考样本数据去噪提纯，可以提升目标模型精度、提升泛化能力及可迁移能力。
在一个可能的示例中，所述程序还包括用于执行以下操作的指令：从用户日志中提取上下文行为特征；以及获取所述目标模型的损失反馈；以及根据所述上下文行为特征和所述损失反馈，构建所述样本模型。
在一个可能的示例中，所述上下文行为特征包括：
所述线上***在通过目标模型向移动终端的预设应用推荐预设信息之前，获取到的所述移动终端记录的第一交互信息；和/或，
所述线上***在通过目标模型向移动终端的预设应用推荐预设信息之前，获取到的所述移动终端记录的第二交互信息，交互信息包括操作类型、操作时长。
在一个可能的示例中，在所述获取所述目标模型的损失反馈方面，所述程序中的指令具体用于执行以下操作：接收来自线上***的所述目标模型处理预设推荐任务的预估先验结果，所述预设推荐任务为针对所述预设信息的推荐任务；以及获取所述目标模型处理所述预设推荐任务的实际后验结果；以及根据所述预估先验结果和所述实际后验结果，确定所述目标模型的损失反馈。
在一个可能的示例中，所述预估先验结果是所述线上***在获取所述目标模型处理所述预设推荐任务所需要的特征参数，并将所述特征参数和所述目标模型输入至预估器而得到；
在所述获取所述目标模型处理所述预设推荐任务的实际后验结果方面，所述程序中的指令具体用于执行以下操作：获取所述预设推荐任务的实际推荐的第一用户数量和反馈交互记录的第二用户数量；以及根据所述第一用户数量和所述第二用户数量，确定所述目标模型的实际后验结果。
图6示出了所述实施例中所涉及的模型训练装置的一种可能的功能单元组成框图。模型训练装置600应用于信息推荐***，所述信息推荐***包括线上***和线下***，所述线下***包括样本模型和所述目标模型，所述模型训练装置包括第一获取单元601、处理单元602、训练单元603和发送单元604，其中，
所述第一获取单元601，用于获取参考训练样本；
所述处理单元602，用于将所述参考训练样本输入所述样本模型，得到目标训练样本；
所述训练单元603，用于根据所述目标训练样本训练所述目标模型，得到更新后的目标模型；
所述发送单元604，用于将更新后的所述目标模型发送给所述线上***，所述更新后的所述目标模型用于所述线上***处理目标推荐任务。
可以看出，本申请实施例中，线下***首先获取参考训练样本，其次，将参考训练样本输入样本模型，得到目标训练样本，再次，根据目标训练样本训练目标模型，得到更新后的目标模型，最后，将更新后的目标模型发送给线上***，更新后的目标模型用于线上***处理目标推荐任务。可见，线下***能够通过基于机器学习算法构建的样本模型替代人工规则，通过该样本模型对参考样本数据去噪提纯，可以提升目标模型精度、提升泛化能力及可迁移能力。
在一个可能的示例中，所述模型训练装置还包括提取单元、第二获取单元和构建单元，其中，
所述提取单元，用于从用户日志中提取上下文行为特征；
所述第二获取单元，用于获取所述目标模型的损失反馈；
所述构建单元，用于根据所述上下文行为特征和所述损失反馈，构建所述样本模型。
在一个可能的示例中，所述上下文行为特征包括：
所述线上***在通过目标模型向移动终端的预设应用推荐预设信息之前，获取到的所述移动终端记录的第一交互信息；和/或，
所述线上***在通过目标模型向移动终端的预设应用推荐预设信息之前，获取到的所述移动终端记录的第二交互信息，交互信息包括操作类型、操作时长。
在一个可能的示例中，在所述获取所述目标模型的损失反馈方面，所述第一获取单元601具体用于：接收来自线上***的所述目标模型处理预设推荐任务的预估先验结果，所述预设推荐任务为针对所述预设信息的推荐任务；以及获取所述目标模型处理所述预设推荐任务的实际后验结果；以及根据所述预估先验结果和所述实际后验结果，确定所述目标模型的损失反馈。
在一个可能的示例中，所述预估先验结果是所述线上***在获取所述目标模型处理所述预设推荐任务所需要的特征参数，并将所述特征参数和所述目标模型输入至预估器而得到；
在所述获取所述目标模型处理所述预设推荐任务的实际后验结果方面，所述第一获取单元601具体用于：获取所述预设推荐任务的实际推荐的第一用户数量和反馈交互记录的第二用户数量；以及根据所述第一用户数量和所述第二用户数量，确定所述目标模型的实际后验结果。
需要注意的是，本申请装置实施例所描述的模型训练装置是以功能单元的形式呈现。这里所使用的术语“单元”应当理解为尽可能最宽的含义，用于实现各个“单元”所描述功能的对象例如可以是集成电路ASIC，单个电路，用于执行一个或多个软件或固件程序的处理器(共享的、专用的或芯片组)和存储器，组合逻辑电路，和/或提供实现上述功能的其他合适的组件。
其中，所述第一获取单元601可以是接收器，所述处理单元602和所述训练单元603可以是处理器或控制器，发送单元604可以是发送器。
本申请实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如所述方法实施例中记载的任一方法的部分或全部步骤，所述计算机包括移动终端。
本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如所述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包，所述计算机包括移动终端。
需要说明的是，对于前述的各方法实施例，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，本申请并不受所描述的动作顺序的限制，因为依据本申请，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，所涉及的动作和模块并不一定是本申请所必须的。
在所述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。所述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解所述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请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申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，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申请的限制。

Claims (4)

1.一种模型训练方法，其特征在于，应用于信息推荐***，所述信息推荐***包括线上***和线下***，所述线下***包括样本模型和目标模型，所述线上***包括训练好的目标模型和预估器，所述方法包括：
所述线下***从用户日志中提取上下文行为特征，所述上下文行为特征包括：所述线上***在通过目标模型向移动终端的预设应用推荐预设信息之前，获取到的所述移动终端记录的第一交互信息；和所述线上***在通过目标模型向移动终端的预设应用推荐预设信息之后，获取到的所述移动终端记录的第二交互信息，交互信息包括操作类型、操作时长；
所述线下***接收来自线上***的所述目标模型处理预设推荐任务的预估先验结果，所述预设推荐任务为针对所述预设信息的推荐任务，所述预估先验结果是所述线上***在获取所述目标模型处理所述预设推荐任务所需要的特征参数，并将所述特征参数和所述目标模型输入至所述预估器而得到；
所述线下***获取所述预设推荐任务的实际推荐的第一用户数量和反馈交互记录的第二用户数量；所述线下***根据所述第一用户数量和所述第二用户数量，确定所述目标模型的实际后验结果；
所述线下***根据所述预估先验结果和所述实际后验结果，确定所述目标模型的损失反馈；
所述线下***根据所述上下文行为特征和所述损失反馈，构建所述样本模型；
所述线下***获取参考训练样本；
所述线下***将所述参考训练样本输入所述样本模型，得到目标训练样本；
所述线下***根据所述目标训练样本训练所述目标模型，得到更新后的目标模型；
所述线下***将更新后的所述目标模型发送给所述线上***，所述更新后的所述目标模型用于所述线上***处理目标推荐任务。
2.一种模型训练装置，其特征在于，应用于信息推荐***，所述信息推荐***包括线上***和线下***，所述线下***包括样本模型和目标模型，所述线上***包括训练好的目标模型和预估器，所述模型训练装置包括提取单元、接收单元、第二获取单元、确定单元、构建单元、第一获取单元、处理单元、训练单元和发送单元，其中，
提取单元，用于所述线下***从用户日志中提取上下文行为特征，所述上下文行为特征包括：所述线上***在通过目标模型向移动终端的预设应用推荐预设信息之前，获取到的所述移动终端记录的第一交互信息；和所述线上***在通过目标模型向移动终端的预设应用推荐预设信息之后，获取到的所述移动终端记录的第二交互信息，交互信息包括操作类型、操作时长；
接收单元，用于所述线下***接收来自线上***的所述目标模型处理预设推荐任务的预估先验结果，所述预设推荐任务为针对所述预设信息的推荐任务，所述预估先验结果是所述线上***在获取所述目标模型处理所述预设推荐任务所需要的特征参数，并将所述特征参数和所述目标模型输入至所述预估器而得到；
第二获取单元，用于所述线下***获取所述预设推荐任务的实际推荐的第一用户数量和反馈交互记录的第二用户数量；所述线下***根据所述第一用户数量和所述第二用户数量，确定所述目标模型的实际后验结果；
确定单元，用于所述线下***根据所述预估先验结果和所述实际后验结果，确定所述目标模型的损失反馈；
构建单元，用于所述线下***根据所述上下文行为特征和所述损失反馈，构建所述样本模型；
所述第一获取单元，用于获取参考训练样本；
所述处理单元，用于将所述参考训练样本输入所述样本模型，得到目标训练样本；
所述训练单元，用于根据所述目标训练样本训练所述目标模型，得到更新后的目标模型；
所述发送单元，用于将更新后的所述目标模型发送给所述线上***，所述更新后的所述目标模型用于所述线上***处理目标推荐任务。
3.一种移动终端，其特征在于，包括处理器、存储器、通信接口以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行权利要求1方法中的步骤的指令。
4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1所述的方法，所述计算机包括移动终端。
CN201711468861.2A 2017-12-29 2017-12-29 模型训练方法及装置 Active CN108108821B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201711468861.2A CN108108821B (zh) 2017-12-29 2017-12-29 模型训练方法及装置
PCT/CN2018/112241 WO2019128435A1 (en) 2017-12-29 2018-10-27 Method for training model and information recommendation system
US16/173,477 US11475244B2 (en) 2017-12-29 2018-10-29 Method for training model and information recommendation system
EP18204353.9A EP3506184A1 (en) 2017-12-29 2018-11-05 Method for training model and information recommendation system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711468861.2A CN108108821B (zh) 2017-12-29 2017-12-29 模型训练方法及装置

Publications (2)

Publication Number Publication Date
CN108108821A CN108108821A (zh) 2018-06-01
CN108108821B true CN108108821B (zh) 2022-04-22

Family

ID=62214655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711468861.2A Active CN108108821B (zh) 2017-12-29 2017-12-29 模型训练方法及装置

Country Status (4)

Country Link
US (1) US11475244B2 (zh)
EP (1) EP3506184A1 (zh)
CN (1) CN108108821B (zh)
WO (1) WO2019128435A1 (zh)

Families Citing this family (44)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108108821B (zh) * 2017-12-29 2022-04-22 Oppo广东移动通信有限公司 模型训练方法及装置
CN108833784B (zh) * 2018-06-26 2021-01-29 Oppo（重庆）智能科技有限公司 一种自适应构图方法、移动终端及计算机可读存储介质
CN109165249B (zh) * 2018-08-07 2020-08-04 阿里巴巴集团控股有限公司 数据处理模型构建方法、装置、服务器和用户端
CN109447259A (zh) * 2018-09-21 2019-03-08 北京字节跳动网络技术有限公司 多任务处理及多任务处理模型训练方法、装置和硬件装置
CN111273953B (zh) * 2018-11-19 2021-07-16 Oppo广东移动通信有限公司 模型处理方法、装置、终端及存储介质
CN109558952A (zh) * 2018-11-27 2019-04-02 北京旷视科技有限公司 数据处理方法、***、设备及存储介质
CN111401594A (zh) * 2018-12-29 2020-07-10 北京字节跳动网络技术有限公司 展示信息组合确定方法、装置、存储介质及电子设备
CN111914862B (zh) * 2019-05-09 2023-07-11 富士通株式会社 用于对多目标模型进行训练的训练装置和训练方法
CN112182359B (zh) * 2019-07-05 2024-03-15 深圳市雅阅科技有限公司 推荐模型的特征管理方法及***
CN110334131A (zh) * 2019-07-09 2019-10-15 西安点告网络科技有限公司 用于机器学习模型的特征抽取的方法和装置
CN110533634A (zh) * 2019-07-26 2019-12-03 深圳壹账通智能科技有限公司 基于人工智能的方案推荐方法、装置、计算机设备及存储介质
CN113728704B (zh) * 2019-08-30 2024-05-31 Oppo广东移动通信有限公司 信号传输方法、装置及***
CN112528131A (zh) * 2019-09-18 2021-03-19 北京达佳互联信息技术有限公司 一种聚合页推荐方法、装置、电子设备及存储介质
CN111832789A (zh) * 2019-09-24 2020-10-27 北京嘀嘀无限科技发展有限公司 位置确定方法、模型训练方法、装置、设备和存储介质
CN110796179B (zh) * 2019-10-12 2023-05-26 上海上湖信息技术有限公司 用于模型训练的样本数据处理方法及装置、存储介质、终端
CN113508378A (zh) * 2019-10-31 2021-10-15 华为技术有限公司 推荐模型的训练方法、推荐方法、装置及计算机可读介质
CN110941727B (zh) * 2019-11-29 2023-09-29 北京达佳互联信息技术有限公司 一种资源推荐方法、装置、电子设备及存储介质
CN110955470B (zh) * 2019-12-06 2024-01-19 深圳前海环融联易信息科技服务有限公司 算法模型接口化方法、装置、计算机设备及存储介质
CN111079288B (zh) * 2019-12-16 2023-03-10 上海船舶研究设计院（中国船舶工业集团公司第六0四研究院） 环境信息的数理模型确定方法及装置
CN111143685B (zh) * 2019-12-30 2024-01-26 第四范式（北京）技术有限公司 一种商品推荐方法及装置
CN111294620A (zh) * 2020-01-22 2020-06-16 北京达佳互联信息技术有限公司 视频的推荐方法及装置
US11620294B2 (en) * 2020-01-30 2023-04-04 Panasonic Avionics Corporation Dynamic media data management
CN111090756B (zh) * 2020-03-24 2020-07-17 腾讯科技（深圳）有限公司 基于人工智能的多目标推荐模型的训练方法及装置
CN111460130B (zh) * 2020-03-27 2023-07-25 咪咕数字传媒有限公司 信息推荐方法、装置、设备和可读存储介质
CN113538079A (zh) * 2020-04-17 2021-10-22 北京金山数字娱乐科技有限公司 一种推荐模型的训练方法及装置、一种推荐方法及装置
CN111681067B (zh) * 2020-04-17 2023-10-31 清华大学 基于图注意力网络的长尾商品推荐方法及***
CN111625713B (zh) * 2020-04-30 2024-06-04 平安国际智慧城市科技股份有限公司 基于大数据的资源推荐方法、装置、电子设备及介质
CN111708810B (zh) * 2020-06-17 2022-05-27 北京世纪好未来教育科技有限公司 模型优化推荐方法、装置和计算机存储介质
CN112070226B (zh) * 2020-09-02 2023-06-27 北京百度网讯科技有限公司 在线预测模型的训练方法、装置、设备及存储介质
CN113763086A (zh) * 2020-09-23 2021-12-07 北京沃东天骏信息技术有限公司 信息推荐方法及装置
CN112256966B (zh) * 2020-10-23 2023-09-12 北京交通大学 基于半监督因子分解机的物品推荐方法
CN112597356B (zh) * 2020-12-02 2023-09-05 京东科技控股股份有限公司 模型训练方法、个性化数据推荐方法、装置及电子设备
CN112417293B (zh) * 2020-12-03 2024-06-18 京东科技控股股份有限公司 信息推送方法和***、模型训练方法及相关设备
CN112883265A (zh) * 2021-02-10 2021-06-01 北京三快在线科技有限公司 信息推荐方法、装置、服务器及计算机可读存储介质
CN113095901B (zh) * 2021-02-20 2024-02-20 科大讯飞股份有限公司 推荐方法和相关模型的训练方法、电子设备、存储装置
CN112990455A (zh) * 2021-02-23 2021-06-18 北京明略软件***有限公司 网络模型的发布方法及装置、存储介质、电子设备
CN113051472A (zh) * 2021-03-23 2021-06-29 北京百度网讯科技有限公司 点击通过率预估模型的建模方法、装置、设备以及存储介质
CN115221091A (zh) * 2021-04-21 2022-10-21 华为技术有限公司 一种聚合通信的方法、***和计算机设备
CN113435126B (zh) * 2021-07-07 2024-02-02 魏天骐 知识分享处理方法、智能机器人设备、知识分享***、任务学习***
CN114021758A (zh) * 2022-01-04 2022-02-08 北京磁浮有限公司 一种基于梯度提升决策树与逻辑回归融合的运维人员智能推荐方法和装置
CN114021739B (zh) * 2022-01-06 2022-04-15 北京达佳互联信息技术有限公司 业务处理、业务处理模型训练方法、装置及电子设备
CN114707041B (zh) * 2022-04-11 2023-12-01 中国电信股份有限公司 消息推荐方法、装置、计算机可读介质及电子设备
CN115545121A (zh) * 2022-11-25 2022-12-30 北京红棉小冰科技有限公司 一种模型训练方法及装置
CN115935089B (zh) * 2023-02-06 2023-05-12 北京合思信息技术有限公司 一种基于rpa技术的上车点推荐优化方法和***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102508907A (zh) * 2011-11-11 2012-06-20 北京航空航天大学 一种基于训练集优化的推荐***的动态推荐方法
CN106503617A (zh) * 2016-09-21 2017-03-15 北京小米移动软件有限公司 模型训练方法及装置
CN107273436A (zh) * 2017-05-24 2017-10-20 北京京东尚科信息技术有限公司 一种推荐模型的训练方法和训练装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014004735A1 (en) * 2012-06-26 2014-01-03 Medio Systems, Inc. Recommendations system
US9652797B2 (en) * 2013-01-18 2017-05-16 24/7 Customer, Inc. Intent prediction based recommendation system using data combined from multiple channels
CN104239374B (zh) * 2013-06-21 2018-12-04 伊姆西公司 用于文档推荐的方法和装置
CN104090888B (zh) * 2013-12-10 2016-05-11 深圳市腾讯计算机***有限公司 一种用户行为数据的分析方法和装置
WO2016201631A1 (en) * 2015-06-17 2016-12-22 Yahoo! Inc. Systems and methods for online content recommendation
CN105975558B (zh) * 2016-04-29 2018-08-10 百度在线网络技术（北京）有限公司 建立语句编辑模型的方法、语句自动编辑方法及对应装置
CN106095942B (zh) * 2016-06-12 2018-07-27 腾讯科技（深圳）有限公司 强变量提取方法及装置
CN106548210B (zh) 2016-10-31 2021-02-05 腾讯科技（深圳）有限公司 基于机器学习模型训练的信贷用户分类方法及装置
CN108108821B (zh) * 2017-12-29 2022-04-22 Oppo广东移动通信有限公司 模型训练方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102508907A (zh) * 2011-11-11 2012-06-20 北京航空航天大学 一种基于训练集优化的推荐***的动态推荐方法
CN106503617A (zh) * 2016-09-21 2017-03-15 北京小米移动软件有限公司 模型训练方法及装置
CN107273436A (zh) * 2017-05-24 2017-10-20 北京京东尚科信息技术有限公司 一种推荐模型的训练方法和训练装置

Also Published As

Publication number Publication date
EP3506184A1 (en) 2019-07-03
WO2019128435A1 (en) 2019-07-04
US20190205701A1 (en) 2019-07-04
US11475244B2 (en) 2022-10-18
CN108108821A (zh) 2018-06-01

Similar Documents

Publication Publication Date Title
CN108108821B (zh) 模型训练方法及装置
CN105335519B (zh) 模型生成方法及装置、推荐方法及装置
CN105427129B (zh) 一种信息的投放方法及***
CN110830812B (zh) 相似主播分类模型训练方法、主播推荐方法及相关装置
CN107306355B (zh) 一种内容推荐方法及服务器
WO2015108878A1 (en) Method and apparatus of processing expression information in instant communication
US20120246302A1 (en) System and methodology for creating and using contextual user profiles
CN106339507B (zh) 流媒体消息推送方法和装置
CN110896488B (zh) 一种直播间的推荐方法以及相关设备
CN106649681B (zh) 一种数据处理方法、装置及设备
CN103870538B (zh) 针对用户进行个性化推荐的方法、用户建模设备及***
CN110139162A (zh) 媒体内容的共享方法和装置、存储介质、电子装置
CN107404656A (zh) 直播视频推荐方法、装置及服务器
CN112215238B (zh) 一种通用特征提取模型构建方法、***及装置
CN105512156B (zh) 点击模型生成方法和装置
CN104317804A (zh) 发布投票信息的方法和装置
CN107547922B (zh) 信息处理方法、装置、***及计算机可读存储介质
CN103997662A (zh) 节目推送的方法及***
JP2011227721A (ja) 関心抽出装置、関心抽出方法、及び関心抽出プログラム
CN106294601B (zh) 数据处理方法和装置
CN104811461B (zh) 数据推送方法和装置
CN112100221A (zh) 一种资讯推荐方法、装置、推荐服务器及存储介质
CN111241381A (zh) 信息推荐方法、装置、电子设备及计算机可读存储介质
CN105095258B (zh) 一种媒体信息排序方法、装置和媒体信息推荐***
CN111294620A (zh) 视频的推荐方法及装置

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1251328

Country of ref document: HK

CB02 Change of applicant information
CB02 Change of applicant information

Address after: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18

Applicant after: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd.

Address before: No.18, Wusha Haibin Road, Chang'an Town, Dongguan City, Guangdong Province

Applicant before: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd.

GR01 Patent grant
GR01 Patent grant