CN108304441A - 网络资源推荐方法、装置、电子设备、服务器及存储介质 - Google Patents
网络资源推荐方法、装置、电子设备、服务器及存储介质 Download PDFInfo
- Publication number
- CN108304441A CN108304441A CN201711120052.2A CN201711120052A CN108304441A CN 108304441 A CN108304441 A CN 108304441A CN 201711120052 A CN201711120052 A CN 201711120052A CN 108304441 A CN108304441 A CN 108304441A
- Authority
- CN
- China
- Prior art keywords
- information
- internet resources
- sample
- target user
- user
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/435—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/63—Querying
- G06F16/635—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/735—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种网络资源推荐方法、装置、电子设备、服务器及存储介质,属于网络技术领域。本发明通过利用由网络资源信息、用户的功能使用行为信息以及用户的历史使用信息训练得到的资源推荐模型,来对待推荐的用户进行喜好预测并推荐,由于在模型训练时所采集的样本数据的来源更加多样化,因此,该资源推荐模型能够从不同角度描述用户和所喜欢网络资源之间的关系,从而准确地表示用户对网络资源的喜欢程度,使得向用户推荐其喜欢的网络资源的准确率较高,为商业运营等提供了有力依据。
Description
技术领域
本发明涉及网络技术领域,特别涉及一种网络资源推荐方法、装置、电子设备、服务器及存储介质。
背景技术
随着网络技术的发展,网络产品所能够提供的表现形式越来越丰富。网络产品在为用户提供服务时,可以提供如图片、歌曲、视频等多种形式的网络资源等的在线或离线服务。
对于用户来说,网络资源服务器所提供的数据量过于庞大,要想从这海量数据中找到自己感兴趣的网络资源,会耗费很多时间和流量,因此,目前,网络资源服务器会提供网络资源推荐功能,以网络资源为歌曲、网络资源服务器为歌曲服务器为例,歌曲服务器可以根据用户的历史播放歌单中已播放过的歌曲,来找到与该历史播放歌单的歌曲相似的歌曲,并推荐给用户。
然而,这种推荐方法参考的信息单一,并不一定能够代表用户的实际兴趣,使得推荐的准确率很低。
发明内容
为了解决现有技术的问题,本发明实施例提供了一种网络资源推荐方法、装置、电子设备、服务器及存储介质。所述技术方案如下:
第一方面,提供了一种网络资源推荐方法,所述方法包括:
获取待推荐的目标用户的功能使用行为信息,所述功能使用行为信息用于表示所述目标用户对网络资源服务器的至少一种功能的使用行为;
根据所述目标用户的功能使用行为信息,获取所述目标用户的偏好特征;
根据所述目标用户的偏好特征、待推荐的网络资源以及资源推荐模型,确定所述目标用户对所述网络资源的偏好程度;
当所述目标用户对所述网络资源的偏好程度满足预设推荐条件时,向所述目标用户推荐所述网络资源;
其中,所述资源推荐模型由所述网络资源服务器所提供的网络资源信息、多个样本用户的功能使用行为信息以及所述多个样本用户的历史使用信息训练得到。
第二方面,提供了一种网络资源推荐装置,所述装置包括:
第一获取模块,用于获取待推荐的目标用户的功能使用行为信息,所述功能使用行为信息用于表示所述目标用户对网络资源服务器的至少一种功能的使用行为;
第二获取模块,用于根据所述目标用户的功能使用行为信息,获取所述目标用户的偏好特征;
确定模块,用于根据所述目标用户的偏好特征、待推荐的网络资源以及资源推荐模型,确定所述目标用户对所述网络资源的偏好程度;
推荐模块,用于当所述目标用户对所述网络资源的偏好程度满足预设推荐条件时,向所述目标用户推荐所述网络资源;
其中,所述资源推荐模型由所述网络资源服务器所提供的网络资源信息、多个样本用户的功能使用行为信息以及所述多个样本用户的历史使用信息训练得到。
第三方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述第一方面所述的网络资源推荐方法。
第四方面,提供了一种服务器,所述服务器包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述第一方面所述的网络资源推荐方法。
第五方面,一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述第一方面所述的网络资源推荐方法。
本发明实施例提供的技术方案带来的有益效果是:
通过利用由网络资源信息、目标用户的功能使用行为信息以及目标用户的历史使用信息训练得到的资源推荐模型,来对待推荐的目标用户进行喜好预测并推荐,由于模型使用的相关特征的来源更加多样化,因此,该资源推荐模型能够从不同角度描述用户和所喜欢网络资源之间的关系,从而准确地表示用户对网络资源的喜欢程度,使得向用户推荐其喜欢的网络资源的准确率较高,为商业运营等提供了有力依据。
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是本发明实施例提供的一种网络资源推荐方法的实施环境示意图;
图2是本发明实施例提供的一种网络资源推荐方法的流程图;
图3是本发明实施例提供的以多媒体资源是歌曲为例的一种网络资源推荐方法的流程框图;
图4是本发明实施例提供的一种网络资源推荐的界面示意图;
图5是本发明实施例提供的一种网络资源推荐装置的结构示意图;
图6是本发明实施例提供的一种电子设备的结构框图;
图7是本发明实施例提供的一种服务器的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
图1是本发明实施例提供的一种网络资源推荐方法的实施环境示意图。在该实施环境中包括至少一个终端101、网络资源服务器102。
终端101的用户可以通过客户端来访问网络资源服务器102,从而使用网络资源服务器102所提供的网络服务。例如,该终端101可以通过视频应用客户端来访问网络资源服务器102,还可以通过浏览器客户端来访问网络资源服务器102的门户网站。当目标用户通过上述方法访问客户端时,可以通过客户端使用对网络资源发布、搜索等功能,使用这些功能产生的信息,如对网络资源搜索产生的记录信息等,就是功能使用行为信息。而目标用户使用网络资源后,这些网络资源的信息会被记录下来,形成该目标用户的历史使用信息,例如,当某目标用户播放某首歌曲后,该歌曲的信息就会被记录到该目标用户的历史使用信息中。
其中,网络资源可以是多媒体资源,多媒体资源可以是视频,也可以是音频。当多媒体资源是视频时,视频可以是电影、电视剧、自拍小视频等,基于多媒体资源信息提取的多媒体特征信息可以是视频热度、视频的语种和视频类型等。其中,视频热度可以为视频的播放次数、视频的被点赞次数、视频的被评论次数等,视频类型可以为动作类型、喜剧类型、恐怖类型等。
当多媒体资源是音频时,音频可以是歌曲等,基于多媒体资源信息提取的多媒体特征信息可以是音频热度、音频的语言和音频类型等。其中,音频热度可以是音频的播放次数、音频的被点赞次数、音频的被分享次数等,音频类型可以是民谣、电子音乐、流行乐等。
网络资源服务器102用于提供网络服务,该网络服务可以是指视频服务、音频服务、图片服务、阅读服务以及问答服务等。以网络资源服务器为视频服务器为例,其所提供的视频服务可以包括视频直播、视频在线播放、视频下载等服务,并且,对于网络资源服务器来说,其所提供的服务可以不是单一服务,例如,对于视频服务器来说,其可以不仅限于视频服务,而是还提供例如音频服务等其他类型的网络服务,而对于音频服务器来说,其可以不仅限于音频服务,还可以提供例如视频服务等更多类型的网络服务,如K歌服务、音频下载等。
当然,该网络资源服务器还可以提供转发、评论等功能,本发明实施例对此不做具体限定。在线视频播放服务可以是指将某部电影转化为视频数据流,并将视频数据流通过视频客户端或门户网站提供给终端101进行在线播放或离线下载等操作。
对于网络资源服务器102来说,该网络资源服务器102还可以具有至少一种数据库,用以存储网络资源特征信息、样本用户的历史使用信息以及样本用户的功能使用行为信息等等。
其中,网络资源特征信息可以包括网络资源的热度、网络资源的语言和网络资源类型等。例如,当网络资源是多媒体资源,且多媒体资源是视频时,多媒体特征信息可以是视频热度、视频的语种和视频类型等,当多媒体资源是音频时,多媒体特征信息可以是音频热度、音频的语言和音频类型等。
样本用户可以是指由网络资源服务器提供服务的用户,样本用户的历史使用信息可以包括样本用户使用网络资源的次数等信息。
样本用户的功能使用行为信息可以包括网络资源列表信息、网络资源发布信息、网络资源搜索点击信息、网络资源的社交分享信息、样本用户对网络资源的互动信息等。
针对不同的网络资源类型,其样本用户的功能使用行为信息可以不同,例如,当网络资源是多媒体资源,且多媒体资源是视频时,多个样本用户的功能使用行为信息包括下述至少一项信息:
1、用户注册信息,如用户名、年龄、性别、喜欢的视频类型等。
2、视频列表信息,如样本用户的视频收藏列表信息,或样本用户创建的视频列表信息等。
3、视频上传信息,如样本用户上传的自己拍摄的小视频等。
4、视频搜索点击信息,用于表示样本用户想要搜索某视频,通过视频应用客户端或浏览器客户端,在搜索框中输入视频名称或视频作者名字等其它相关信息进行搜索时,搜索记录数据库中记录的该视频的信息。
5、视频的社交网络分享信息,可以是在视频应用客户端中分享的次数,也可以是分享到其它客户端,如社交应用客户端的次数。
6、对任一视频的互动信息,例如对某视频的评论、点赞等。
当网络资源是多媒体资源,且多媒体资源是音频时,以多媒体资源是歌曲为例,多个样本用户的功能使用行为信息包括下述至少一项信息:
1、用户注册信息,如用户名、年龄、性别、喜欢的音乐类型等。
2、歌曲列表信息,例如样本用户的歌曲收藏列表信息、样本用户自己创建的歌单信息或样本用户收藏的歌单信息等。
3、K歌信息,表示样本用户通过音乐客户端使用K歌功能时,向多媒体资源服务器上传的歌曲信息等。
4、歌曲搜索点击信息,用于表示样本用户想要搜索某歌曲,通过音乐客户端或浏览器客户端,在搜索框中输入歌曲名称或歌手名字等其它相关信息进行搜索时,搜索记录数据库中记录的该歌曲的信息。
5、歌曲的社交网络分享信息,可以是将某歌曲在音乐客户端中分享的次数,也可以是分享到其它客户端,如社交应用客户端的次数。
6、对任一歌曲的互动信息,例如对某歌曲的评论、点赞等。
需要说明的是,上述样本用户的功能使用行为信息均可以由网络资源服务器在需要进行模型训练时从功能使用行为信息数据库中得到。
图2是本发明实施例提供的一种网络资源推荐方法的流程图,参见图2,该图2所示的流程具体包括两部分,第一部分为基于样本用户的功能使用行为信息和样本用户的历史使用信息的模型训练过程,第二部分为基于推荐模型的预测过程。在通过步骤201至202训练得到资源推荐模型后,即可在需要进行预测时直接使用该资源推荐模型,如步骤203至206,而无需再次进行训练或复杂计算。本实施例中,以网络资源是多媒体资源为例,则方法执行主体是多媒体资源服务器,结合图2对各个步骤进行详述:
201、对样本原始数据进行筛选和特征提取,得到多个正样本的特征信息和多个负样本的特征信息,样本原始数据包括样本用户的功能使用行为信息和多个样本用户的历史使用信息。
其中,正样本是指停留时长大于或等于预设时长的多媒体资源与样本用户的集合,负样本数据是指停留时长小于所述预设时长的多媒体资源与样本用户的集合。例如,对于音频或视频来说,该停留时长可以是指播放时长,而对于网页资源等来说,该停留时长可以是浏览时长。
发明人认识到,结合用户的功能使用行为信息和多媒体资源的多媒体特征信息,对用户喜欢的多媒体资源进行预测时,由于参考的信息更全面,且从多角度分析用户对多媒体资源的喜好,使得对用户的多媒体资源的喜欢程度的预测准确性更高。
基于多媒体资源服务器所提供的多媒体资源信息,多媒体资源服务器可以提取多媒体特征信息、用户的功能使用行为信息和用户的历史使用信息,并将提取到的上述信息存储在多媒体资源服务器的对应数据库中,以供后续进行特征提取使用。以多媒体资源是歌曲为例,多媒体资源服务器基于曲库中的歌曲信息,可以提取到歌曲特征信息、用户的功能使用行为信息和用户的听歌历史信息,并将提取到的信息存储在多媒体资源服务器的对应数据库中。
在训练模型前,需要对样本信息进行处理,预处理的过程包括:样本筛选过程、评价参考偏好程度过程、正负样本分类过程、特征来源筛选过程、特征提取过程,下面对每个过程进行详细介绍。
样本筛选过程
多媒体资源服务器获取到多个待筛选的样本用户的功能使用行为信息和历史使用信息后,可以对待筛选的样本用户进行筛选,确定样本用户后,然后针对每一个样本用户,选取合适的多媒体资源特征信息。
在对待筛选的样本用户进行筛选时,可以根据待筛选的样本用户的功能使用行为信息中的社交网络分享信息、对多媒体资源的互动信息、播放多媒体资源累积时长等进行筛选,预先设置功能使用行为信息阈值,当待筛选的样本用户的社交网络分享信息中,分享多媒体资源的次数大于功能使用行为信息阈值时,或待筛选的样本用户对多媒体资源的互动信息中,对多媒体资源的互动次数大于功能使用行为信息阈值时,将该样本用户选出来,并确定其为样本用户。或者,预先设置播放多媒体资源阈值,当待筛选的样本用户播放多媒体资源累计时长大于播放多媒体资源阈值,将该样本用户选出来,并确定其为样本用户。这样筛选样本用户,可以使筛选后得到的样本用户更具有代表性,使得训练得到的模型更具有代表性。
评价参考偏好程度过程
得到筛选后的样本用户后,由于样本包括样本用户和多媒体资源,因此需要对多媒体资源服务器提供的多媒体资源评价参考偏好程度。多媒体资源服务器可以根据样本用户的历史使用信息中多媒体资源的历史停留时长进行评价,得到多媒体资源的参考偏好程度,该参考偏好程度可以用分值的形式表示。
以多媒体资源是歌曲为例,如果将分值的范围设置为[0,1],先确定需要评分的歌曲,然后确定该样本用户对应该歌曲的历史停留时长将该历史停留时长除以该歌曲整首时长,得到的结果即为该歌曲对应该样本用户的分值。另外,也可以根据样本用户的历史使用信息和功能使用行为信息共同进行评分,例如按照上述处理方式,根据历史使用信息得到一个子评分,然后按照上述类似的处理方式,根据该歌曲的K歌时长得到一个子评分,计算两个子评分的平均值,作为该歌曲对应该样本用户的分值。
上述评价参考偏好程度过程中,评价参考偏好程度的多媒体资源可以是原始的多媒体资源,也可以是经过筛选后的多媒体资源,本实施例在此不做限定。
正负样本分类过程
通过上述评价参考偏好程度过程得到多媒体资源的参考偏好程度后,根据多媒体资源的参考偏好程度,将样本区分为正样本以及负样本。在对样本进行分类时,多媒体资源服务器可以获取样本数据中多媒体资源的参考偏好程度,然后按照预先设置的分类方法,将样本分成两类,分别是正样本和负样本。
其中,预先设置的分类方法可以是,参考偏好程度用分值的形式表示,分值大于预设阈值的样本为正样本,分值小于或等于预设阈值的样本为负样本。例如,分值大于0.5的样本成为正样本,分值小于或等于0.5的样本成为负样本。
特征来源筛选过程
因为多媒体资源特征信息的一个数据来源是歌单,因此可以对样本用户的歌单进行筛选,这样可以保证选出来的样本用户以及多媒体资源特征信息更具有代表性,使训练得到的模型更具有普遍适用性。在对多媒体资源特征信息进行筛选时,当多媒体资源特征信息的来源是歌单时,可以根据歌单的热度进行筛选,也可以根据歌单中歌曲的歌手或专辑进行筛选。
以多媒体资源是歌曲为例,当多媒体资源服务器根据歌单的热度进行筛选时,可以根据歌单的播放次数、被点赞次数、被分享次数进行筛选,预先设置热度阈值,当歌单的热度大于该热度阈值时,则将该歌单筛选出来,确定其为一个特征来源。以被点赞次数为例,预设的热度阈值为100,当某歌单的被点赞次数大于100时,将该歌单筛选出来,确定其为一个特征来源,其他热度类型可以同理处理,在此不做赘述。这样筛选多媒体资源特征信息的来源,可以留下更具有代表性的数据提供特征,可以防止噪声。
当多媒体资源服务器根据歌单中歌曲的歌手或专辑进行筛选时,可以根据歌单中歌曲的歌手或专辑的相同程度进行筛选,预先设置相同程度阈值。以歌单中歌曲的歌手为例,预设的相同程度阈值为0.6,当歌单中有30首歌曲,且其中20首歌曲都是由同一个歌手演唱时,计算相同程度的数值为0.66,该相同程度小于预设的相同程度阈值,则可以将该歌单筛选出来,确定其为一个特征来源。这样筛选歌单,可以避免所选的歌单太单一,使得从歌单中提取歌曲特征信息时,提取到的歌曲特征信息不准确。
上述筛选的具体过程仅以歌曲为例进行说明,对于其他类型的多媒体资源也可以同理处理,在此不做赘述。
特征提取过程
得到筛选后的特征源数据后,可以根据样本用户的历史使用信息和功能使用行为信息,获取样本用户的偏好特征。具体过程可以如下述步骤1至步骤3:
步骤1:对样本用户的历史使用信息以及功能使用行为信息所包括的多个多媒体资源信息进行向量特征提取,得到基于多媒体资源的用户向量、基于标签的用户向量、以及多媒体资源的特征信息。
在实施中,以多媒体资源是歌曲为例,确定上述筛选后得到的所有歌单信息,以及歌单信息中的所有歌曲标识,将这些歌曲标识提取出来,将每一个歌曲标识作为一个词语,然后将一个歌单中的所有歌曲标识形成一个句子,多个歌单形成多个句子,将这些句子作为语料,然后采用向量提取算法,如word2vector等,提取其歌曲向量。然后,根据样本用户的听歌历史信息以及歌曲向量,可得到基于歌曲的用户向量。
然后,根据歌曲向量以及基于歌曲的用户向量,可以计算上述向量间的距离,该距离可以用来指示该样本用户对该首歌曲的喜欢程度。
确定上述筛选后得到的所有歌单信息,以及歌单信息中的所有标签信息,将这些标签信息提取出来,将每一个标签作为一个词语,然后将一个歌单中的所有标签形成一个句子,多个歌单形成多个句子,将这些句子作为语料,然后采用向量提取算法,如word2vector等,提取其标签向量。然后,根据样本用户的听歌历史信息以及标签向量,可得到基于标签的用户向量。
然后,根据标签向量以及基于标签的用户向量,计算向量间的距离,该距离可以用来指示该样本用户对不同标签的歌曲的喜欢程度。
步骤2:对样本用户的历史使用信息进行协同过滤特征提取,得到样本用户的基于多媒体资源的协同过滤特征和基于样本用户的协同过滤特征。
在实施中,获取基于歌曲的协同过滤特征的过程可以如下:
根据所有样本用户的历史使用信息,计算各歌曲之间的相似度,该相似度越大,两首歌曲被同一个样本用户喜欢的可能性越大。在一个样本用户的历史听歌信息中获取所有歌曲,然后针对其中一首歌曲,在曲库所有歌曲的范围内,生成一个与该歌曲的相似的歌曲相似度列表,根据该歌曲相似度列表以及样本用户的听歌列表,对该样本用户生成一个基于歌曲的协同过滤特征向量,该协同过滤特征向量中的每一位可以代表该位数对应的样本用户喜欢该歌曲的可能性。
获取基于样本用户的协同过滤特征的过程可以如下:根据所有样本用户的历史使用信息,计算各样本用户之间的相似度,相似度越大的两个样本用户,喜欢同一首歌曲的可能性越大。然后针对每一个样本用户,均生成一个与其他样本用户的相似度的列表,根据该相似度列表中的与其他样本用户的相似度,以及其它样本用户可能喜欢的歌曲,对该样本用户生成一个基于样本用户的协同过滤特征向量,该协同过滤特征向量中的每一位,代表该样本用户喜欢歌曲列表中该位数对应的歌曲的可能性。
步骤3:对根据样本用户的历史使用信息和功能使用行为信息进行样本用户特征提取,得到样本用户的用户画像特征。
当样本用户的功能使用行为信息中包含用户注册信息时,可以对用户注册信息进行用户特征提取,将提取到的用户名、性别、年龄等特征形成一个样本用户身份特征子向量,该样本用户身份特征子向量可以用于指示样本用户的身份信息。
根据样本用户的历史使用信息以及其他功能使用行为信息,如用户注册信息中的样本用户喜欢的歌曲类型信息等,提取样本用户可能喜欢的歌曲类型、歌手、歌曲语言等特征,将这些特征形成一个样本用户喜好子向量,该样本用户喜好子向量可以用于指示样本用户喜欢的歌曲特征。
将上述样本用户身份特征子向量和样本用户喜好子向量按顺序合成一个样本用户的用户画像特征向量,该样本用户的用户画像特征向量可以用于指示样本用户的身份信息和喜欢的歌曲特征。
需要说明的是,可以根据所获取到的功能使用行为信息具体包含的信息,来确定上述获取样本用户的偏好特征的过程中,到底包括上述步骤1至步骤3中哪几个步骤。例如,当获取到的功能使用行为信息包括功能使用行为信息中的所有信息,即获取到用户注册信息、歌曲列表信息、K歌信息、歌曲搜索点击信息、歌曲的社交网络分享信息、对任一歌曲的互动信息时,则可以同时执行上述功步骤1至步骤3。当获取到的功能使用行为信息仅包括歌曲列表信息和对任一歌曲的互动信息,则可以仅执行上述步骤1。
202、基于多个正样本的特征信息、多个负样本的特征信息、正负样本的参考偏好程度以及各个多媒体资源的多媒体特征信息进行模型训练,得到资源推荐模型。
将多个正样本的特征信息、多个负样本的特征信息、正负样本的参考偏好程度以及各个多媒体资源的多媒体特征信息,一起输入待训练的资源推荐模型中,步骤202可以包括以下步骤1至步骤2:
步骤1:将多个正样本的特征信息、多个负样本的特征信息、正负样本的参考偏好程度以及各个多媒体资源的多媒体特征信息输入当前推荐模型,输出样本用户对多个样本数据的预测偏好程度。
在实施中,推荐模型可以是FTRL(Follow the regularized Leader,逻辑回归算法)在线学习算法模型,将多个正样本的特征信息、多个负样本的特征信息、正负样本的参考偏好程度以及各个多媒体资源的多媒体特征信息输入当前推荐模型,样本的特征信息中包含每个样本用户的偏好特征和多媒体资源的多媒体特征信息以及对应的多媒体资源参考偏好程度,其中,样本用户的偏好特征可能包含多个向量形式计算出的偏好特征。通过赋予各偏好特征的初始权重,然后计算预测偏好程度,该预测偏好程度可以表示成分值的形式,该预测分值的范围可以是[0,1],用于表示当前推荐模型预测该样本用户对该多媒体资源的喜欢程度,预测分值越高,该样本用户对推荐的多媒体资源的喜欢程度越高。
步骤2:根据预测偏好程度和样本数据的参考偏好程度,调整当前推荐模型中的各特征的权重,得到预设推荐模型。
在实施中,得到多个模型输出的预测偏好程度后,将每个预测偏好程度和输入样本中该多媒体资源对应的参考偏好程度进行比较,计算两者之间的误差。
根据得到的误差,不断调整当前推荐模型中的各特征的权重,将最终得到的模型的各特征的权重作为资源推荐模型的权重,从而得到训练好的资源推荐模型。训练好的资源推荐模型可以准确地预测用户对多媒体资源的喜欢程度,可以提高向用户推荐喜欢多媒体资源的准确率。
需要说明的是,上述过程仅是资源推荐模型训练过程的一个示例,在起到相同作用的情况下,可以由其它模型或算法代替上述过程中的模型和算法,如矩阵分解算法模型、深度学习算法模型等,本发明对此不作限定。
需要说明的是,上述的模型训练过程和预测用户对多媒体资源的喜欢程度的过程可以是在同一个设备上实现,例如,均可由服务器进行,在服务器侧进行模型训练,并基于模型训练得到的资源推荐模型进行识别,或者,还可以由服务器侧进行模型训练后,将训练所得到的资源推荐模型下发至其他电子设备,而由其他电子设备基于该资源推荐模型进行识别,本发明实施例对具体由哪些电子设备参与上述过程不做限定。
图3是本发明实施例提供的以多媒体资源是歌曲为例的一种网络资源推荐方法的流程框图。结合图3,以多媒体资源是歌曲为例,对上述各个步骤进行简单总结:
多媒体资源服务器从相应的数据库中,获取曲库歌曲信息、样本用户的功能使用行为信息和样本用户的听歌历史信息,然后,对样本用户进行筛选。根据筛选后的样本用户对应的听歌历史信息,对歌曲进行评分,得到各歌曲的分值。然后,根据该分值将样本分成正负样本。然后,多媒体资源服务器对样本用户的功能使用信息以及样本用户的听歌历史信息进行特征提取,得到样本用户的偏好特征。样本用户的偏好特征包括基于特征的用户向量、协同过滤特征和用户画像特征。基于特征的用户向量包括基于歌曲的用户向量和基于标签的用户向量,协同过滤特征包括基于歌曲的协同过滤特征和基于用户的协同过滤特征,用户画像特征包括用户身份特征和用户喜好特征。
然后,获取歌曲的特征信息,歌曲的特征信息包括歌曲热度、歌曲语言、歌曲类型。最后,多媒体资源服务器将上述得到的歌曲的特征信息、样本用户的偏好特征、以及歌曲的分值输入到模型中进行训练。训练好模型后,就可以使用该模型预测用户对歌曲的喜欢程度。
下面对基于资源推荐模型预测用户对多媒体资源的喜欢程度的过程进行说明。
203、获取待推荐的目标用户的功能使用行为信息。
在实施中,根据待推荐的目标用户的功能使用行为信息和多媒体资源信息,就可以预测目标用户对多媒体资源的喜爱程度,目标用户的历史使用信息不是必须的信息,这样,如果目标用户在客户端上没有播放过多媒体资源,或没有历史使用信息,也可以通过目标用户的功能使用行为信息准确地预测目标用户对多媒体资源的喜爱程度,并向目标用户进行推荐,可以避免没有历史使用信息就无法进行预测而造成冷启动的问题。
204、根据目标用户的功能使用行为信息,获取目标用户的偏好特征。
在实施中,获取到目标用户的功能使用行为信息后,根据上述步骤201的处理方式,对目标用户的功能使用行为信息进行特征提取并形成向量形式的特征信息,得到的向量形式的特征信息构成目标用户的偏好特征。
205、根据目标用户的偏好特征、待推荐的多媒体资源以及资源推荐模型,确定目标用户对多媒体资源的偏好程度。
需要说明的是,如果待推荐的多媒体资源是预先存储在多媒体资源服务器中的,则多媒体资源服务器可以从多媒体特征信息数据库中获取多媒体资源特征信息;如果待推荐的多媒体资源不是预先存储在多媒体资源数据库中的,则多媒体资源服务器对待推荐的多媒体资源进行特征提取,得到多媒体资源特征信息。
当需要预测目标用户对多媒体资源的喜欢程度时,可以将多媒体资源特征信息和目标用户的偏好特征一同输入资源推荐模型。也可以是将待推荐的多媒体资源和目标用户的功能使用行为信息一同进行处理,待推荐的多媒体资源生成多媒体资源特征信息,目标用户的功能使用行为信息生成目标用户的偏好特征,然后将多媒体资源特征信息和目标用户的偏好特征输入资源推荐模型。
将多媒体资源特征信息和目标用户的偏好特征输入资源推荐模型中,得到目标用户对多媒体资源的偏好程度,该偏好程度表示目标用户对歌曲的喜欢程度。该偏好程度可以用分值的形式表现,该分值越大,表示目标用户对歌曲的喜欢程度越大。
其中,资源推荐模型由多媒体资源服务器所提供的多媒体资源信息、多个样本用户的功能使用行为信息以及多个样本用户的历史使用信息训练得到。
206、当目标用户对多媒体资源的偏好程度满足预设推荐条件时,向目标用户推荐多媒体资源。
将上述步骤205得到的目标用户对多媒体资源的偏好程度与预设推荐条件进行比较,如果该偏好程度满足预设推荐条件,则将该偏好程度对应的多媒体资源确定为初始待推荐的多媒体资源。其中,预设推荐条件可以是偏好程度的数值大于预设分值,预设分值为技术人员根据多媒体资源的分值范围选取的一个界限值,例如,多媒体资源的偏好程度的数值范围是[0,1],则预设分值可以设置为0.5。
需要说明的是,确定初始待推荐的多媒体资源后,需要判断初始待推荐的多媒体资源是否满足预设补充条件,如果满足预设补充条件,则向目标用户进行推荐,否则不向目标用户进行推荐。预设补充条件可以如下:
条件一:目标用户的历史使用信息中不包含多媒体资源。或,当目标用户的历史使用信息中包含多媒体资源时,且多媒体资源的停留时间与当前时间的时间间隔大于或等于预设时长。
在实施中,可以查询目标用户的历史使用信息中是否包含初始待推荐的多媒体资源,若不包含,可以将该多媒体资源确定为待推荐的多媒体资源,推荐给目标用户;若包含,则需要查询到该多媒体资源的停留时间,如果停留时间与当前时间的时间间隔大于或等于预设时长,即该多媒体资源不是在近期播放过的,则可以将该多媒体资源推荐给目标用户,否则不向目标用户推荐该多媒体资源。这样可以避免将目标用户近期播放的多媒体资源推荐给目标用户,避免推荐成功率由此被降低,实际上提高了推荐成功率。
条件二:多媒体资源的评分大于预设评分。
其中,多媒体资源的评分是指在相关的客户端上,所有目标用户对该多媒体资源的评分,例如在应用客户端或浏览器客户端上目标用户对某电影的评分等。
多媒体资源服务器查询待推荐的多媒体资源的评分后,将待推荐的多媒体资源的评分与预先设置的评分进行比较,如果多媒体资源的评分大于预设评分,则可以向目标用户推荐该多媒体资源,否则不向目标用户推荐该多媒体资源。这样可以避免向目标用户推荐差评的多媒体资源,使目标用户的体验更好。其中,预设评分为技术人员基于多个实验结果选取的一个评分。
条件三:与已确定的待推荐多媒体资源具有不同的多媒体资源名称。
将待推荐的多媒体资源进行去重,例如在待推荐的歌曲中,存在某一首歌曲的三个版本,该三个版本由三位不同的歌手演唱,在这种情况下,选择三个版本中歌曲评分最高的版本,确定为待推荐的歌曲,另外两个版本则不向目标用户进行推荐,这样可以避免对推荐机会造成浪费。
需要说明的是,上述条件可以单独使用,也可以两种条件组合使用,也可以三种条件组合使用。例如,条件一与条件二可以组合使用,即用户的历史使用信息中不包含多媒体资源。或,当目标用户的历史使用信息中包含多媒体资源时,且多媒体资源的停留时间与当前时间的时间间隔大于或等于预设时长;且多媒体资源的评分大于预设评分。在这种情况下,本条件的处理可以按照上述条件一和条件二进行处理,去除掉不符合条件的多媒体资源,将剩下的多媒体资源推荐给目标用户。
需要说明的是,按照上述条件确定了待推荐的多媒体资源后,可以向目标用户进行推荐,推荐时可以进行如下处理:按照目标用户对多媒体资源的偏好程度在已确定的待推荐多媒体资源中的排序位置,将多媒体资源显示在与排序位置对应的页面位置。
将待推荐的多媒体资源按照目标用户对其偏好程度进行排序,然后将待推荐的多媒体资源显示在该多媒体资源的排序顺序对应的页面位置。例如,如图4所示,某用户打开某音乐客户端时,可以看到客户端推荐页面上推荐的10首歌曲,其中,3首歌曲的歌手图片可以在页面顶端循环显示,7首歌曲在下边页面的“今日歌曲推荐”中显示。客户端确定向该用户推荐的歌曲后,将歌曲按照目标用户对其偏好程度进行排序,选择其中偏好程度的数值最高的前10首歌曲,将该数值最高的前3首歌曲按顺序在客户端页面顶端循环显示,将剩下的7首歌曲按顺序显示在“今日歌曲推荐”中。该用户可以最先看到循环显示的3首他最可能感兴趣的歌曲,在浏览页面时也可以看到在“今日歌曲推荐”中显示的他可能很感兴趣的歌曲。再例如,某用户打开某音乐客户端想要搜索某歌曲时,打开搜索页面,用户在搜索框中输入想要搜索的关键词时,搜索框下边可以显示与关键词相关的被推荐的歌曲,以及与该用户相关的被推荐的歌曲。这样可以使用户根据推荐轻易地找到自己喜欢的多媒体资源,使得推荐的准确率提高,提高了用户的体验度。
本实施例以上述处理方式为例,还可以有其它处理方式,如按照目标用户对多媒体资源的偏好程度,在已确定的待推荐多媒体资源中的排序位置,将多媒体资源显示在与排序位置对应的显示批次中等,在此不做赘述。
本实施例以上述多媒体资源为例,网络资源还可以是其他资源,如新闻信息、购物信息,如商品链接等。以新闻信息为例,基于新闻信息对资源推荐模型进行训练,得到的资源推荐模型可以用于向目标用户推荐新闻信息,其他网络资源也可以进行同理的模型训练和推荐,本发明对此不作限定。
本发明实施例提供的方法,通过利用由网络资源信息、用户的功能使用行为信息以及用户的历史使用信息训练得到的资源推荐模型,来对待推荐的用户进行喜好预测并推荐,由于在模型训练时所采集的样本数据的来源更加多样化,因此,该资源推荐模型能够从不同角度描述用户和所喜欢网络资源之间的关系,从而准确地表示用户对网络资源的喜欢程度,使得向用户推荐其喜欢的网络资源的准确率较高,为商业运营等提供了有力依据。
图5是本发明实施例提供的一种网络资源推荐装置的结构示意图。参见图5,所述装置包括:
第一获取模块501,用于获取待推荐的目标用户的功能使用行为信息,所述功能使用行为信息用于表示所述目标用户对网络资源服务器的至少一种功能的使用行为;
第二获取模块502,用于根据所述目标用户的功能使用行为信息,获取所述目标用户的偏好特征;
确定模块503,用于根据所述目标用户的偏好特征、待推荐的网络资源以及资源推荐模型,确定所述目标用户对所述网络资源的偏好程度;
推荐模块504,用于当所述目标用户对所述网络资源的偏好程度满足预设推荐条件时,向所述目标用户推荐所述网络资源;
其中,所述预设推荐模型由所述网络资源服务器所提供的网络资源信息、多个样本用户的功能使用行为信息以及所述多个样本用户的历史使用信息训练得到。
在任一种可能实现方式中,多个样本用户的功能使用行为信息包括下述至少一项信息:用户注册信息、网络列表信息、网络发布信息、搜索点击信息、社交网络分享信息、对任一网络资源的互动信息。
在任一种可能实现方式中,所述装置还包括:
处理模块,用于对样本原始数据进行筛选和特征提取,得到多个正样本的特征信息和多个负样本的特征信息,所述样本原始数据包括样本用户的功能使用行为信息和所述多个样本用户的历史使用信息;
资源推荐模型训练模块,用于基于多个正样本的特征信息、多个负样本的特征信息、正负样本的参考偏好程度以及所述各个网络资源的网络资源特征信息进行模型训练,得到所述资源推荐模型;
其中,正样本是指停留时长大于或等于预设时长的网络资源与样本用户的集合,负样本数据是指停留时长小于所述预设时长的网络资源与样本用户的集合。
在任一种可能实现方式中,所述资源推荐模型训练模块用于:
将所述多个样本数据输入当前推荐模型,输出所述多个样本数据的预测偏好程度;
根据所述预测偏好程度和所述样本数据的参考偏好程度,调整所述当前推荐模型中的各特征的权重,得到所述预设推荐模型。
在任一种可能实现方式中,所述第二获取模块用于:
对所述目标用户的历史使用信息以及所述功能使用行为信息所包括的多个网络资源信息进行向量特征提取,得到基于网络资源的用户向量、基于标签的用户向量、以及网络资源的特征信息;
对所述目标用户的历史使用信息进行协同过滤特征提取,得到所述目标用户的基于网络资源的协同过滤特征和基于用户的协同过滤特征;
对所述根据所述目标用户的历史使用信息和所述功能使用行为信息进行用户特征提取,得到所述目标用户的用户画像特征。
在任一种可能实现方式中,所述推荐模块用于:
当所述目标用户对所述网络资源的偏好程度满足预设推荐条件且满足多项预设补充条件中的至少一项,向所述目标用户推荐所述网络资源;
其中,所述多项预设补充条件包括:
所述目标用户的历史使用信息中不包含所述网络资源;或,当所述目标用户的历史使用信息中包含所述网络资源时,且所述网络资源的停留时间与当前时间的时间间隔大于或等于预设时长;
和/或,
所述网络资源的评分大于预设评分;
和/或,
与已确定的待推荐网络资源具有不同的网络资源名称。
在任一种可能实现方式中,所述推荐模块用于:
按照所述目标用户对所述网络资源的偏好程度在已确定的待推荐网络资源中的排序位置,将所述网络资源显示在与所述排序位置对应的页面位置。
本发明实施例提供的方法,通过利用由网络资源信息、用户的功能使用行为信息以及用户的历史使用信息训练得到的资源推荐模型,来对待推荐的用户进行喜好预测并推荐,由于在模型训练时所采集的样本数据的来源更加多样化,因此,该资源推荐模型能够从不同角度描述用户和所喜欢网络资源之间的关系,从而准确地表示用户对网络资源的喜欢程度,使得向用户推荐其喜欢的网络资源的准确率较高,为商业运营等提供了有力依据。
图6是本发明实施例提供的一种电子设备的结构框图。该电子设备600可以是便携式移动电子设备,比如:智能手机、平板电脑、MP3播放器(Moving Picture Experts GroupAudio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture ExpertsGroup Audio Layer IV,动态影像专家压缩标准音频层面4)播放器。电子设备600还可能被称为用户设备、便携式电子设备等其他名称。
通常,电子设备600包括有:处理器601和存储器602。
处理器601可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器601可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器601也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器601可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器601还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器602可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是有形的和非暂态的。存储器602还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器602中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器601所执行以实现本申请中提供的网络资源推荐方法。
在一些实施例中,电子设备600还可选包括有:***设备接口603和至少一个***设备。具体地,***设备包括:射频电路604、触摸显示屏605、摄像头606、音频电路607、定位组件608和电源609中的至少一种。
***设备接口603可被用于将I/O(Input/Output,输入/输出)相关的至少一个***设备连接到处理器601和存储器602。在一些实施例中,处理器601、存储器602和***设备接口603被集成在同一芯片或电路板上;在一些其他实施例中,处理器601、存储器602和***设备接口603中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路604用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路604通过电磁信号与通信网络以及其他通信设备进行通信。射频电路604将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路604包括:天线***、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路604可以通过至少一种无线通信协议来与其它电子设备进行通信。该无线通信协议包括但不限于:万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路604还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
触摸显示屏605用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。触摸显示屏605还具有采集在触摸显示屏605的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器601进行处理。触摸显示屏605用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,触摸显示屏605可以为一个,设置电子设备600的前面板;在另一些实施例中,触摸显示屏605可以为至少两个,分别设置在电子设备600的不同表面或呈折叠设计;在再一些实施例中,触摸显示屏605可以是柔性显示屏,设置在电子设备600的弯曲表面上或折叠面上。甚至,触摸显示屏605还可以设置成非矩形的不规则图形,也即异形屏。触摸显示屏605可以采用LCD(Liquid Crystal Display,液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件606用于采集图像或视频。可选地,摄像头组件606包括前置摄像头和后置摄像头。通常,前置摄像头用于实现视频通话或自拍,后置摄像头用于实现照片或视频的拍摄。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能,主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能。在一些实施例中,摄像头组件606还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路607用于提供用户和电子设备600之间的音频接口。音频电路607可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器601进行处理,或者输入至射频电路604以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在电子设备600的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器601或射频电路604的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路607还可以包括耳机插孔。
定位组件608用于定位电子设备600的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。定位组件608可以是基于美国的GPS(GlobalPositioning System,全球定位***)、中国的北斗***或俄罗斯的伽利略***的定位组件。
电源609用于为电子设备600中的各个组件进行供电。电源609可以是交流电、直流电、一次性电池或可充电电池。当电源609包括可充电电池时,该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池,无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
在一些实施例中,电子设备600还包括有一个或多个传感器610。该一个或多个传感器610包括但不限于:加速度传感器611、陀螺仪传感器612、压力传感器613、指纹传感器614、光学传感器615以及接近传感器616。
加速度传感器611可以检测以电子设备600建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器611可以用于检测重力加速度在三个坐标轴上的分量。处理器601可以根据加速度传感器611采集的重力加速度信号,控制触摸显示屏605以横向视图或纵向视图进行用户界面的显示。加速度传感器611还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器612可以检测电子设备600的机体方向及转动角度,陀螺仪传感器612可以与加速度传感器611协同采集用户对电子设备600的3D动作。处理器601根据陀螺仪传感器612采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器613可以设置在电子设备600的侧边框和/或触摸显示屏605的下层。当压力传感器613设置在电子设备600的侧边框时,可以检测用户对电子设备600的握持信号,根据该握持信号进行左右手识别或快捷操作。当压力传感器613设置在触摸显示屏605的下层时,可以根据用户对触摸显示屏605的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器614用于采集用户的指纹,以根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器601授权该用户执行相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器614可以被设置电子设备600的正面、背面或侧面。当电子设备600上设置有物理按键或厂商Logo时,指纹传感器614可以与物理按键或厂商Logo集成在一起。
光学传感器615用于采集环境光强度。在一个实施例中,处理器601可以根据光学传感器615采集的环境光强度,控制触摸显示屏605的显示亮度。具体地,当环境光强度较高时,调高触摸显示屏605的显示亮度;当环境光强度较低时,调低触摸显示屏605的显示亮度。在另一个实施例中,处理器601还可以根据光学传感器615采集的环境光强度,动态调整摄像头组件606的拍摄参数。
接近传感器616,也称距离传感器,通常设置在电子设备600的正面。接近传感器616用于采集用户与电子设备600的正面之间的距离。在一个实施例中,当接近传感器616检测到用户与电子设备600的正面之间的距离逐渐变小时,由处理器601控制触摸显示屏605从亮屏状态切换为息屏状态;当接近传感器616检测到用户与电子设备600的正面之间的距离逐渐变大时,由处理器601控制触摸显示屏605从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图6中示出的结构并不构成对电子设备600的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
图7是本发明实施例提供的一种服务器的结构框图。参照图7,服务器700包括处理组件722,其进一步包括一个或多个处理器,以及由存储器732所代表的存储器资源,用于存储可由处理组件722的执行的指令,例如应用程序。存储器732中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件722被配置为执行指令,以执行上述图2、3所示实施例提供的网络资源推荐方法。
服务器700还可以包括一个电源组件726被配置为执行服务器700的电源管理,一个有线或无线网络接口750被配置为将服务器700连接到网络,和一个输入输出(I/O)接口758。服务器700可以操作基于存储在存储器732的操作***,例如Windows ServerTM,Mac OSXTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种计算机可读存储介质,存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述实施例中的网络资源推荐方法。例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (15)
1.一种网络资源推荐方法,其特征在于,所述方法包括:
获取目标用户的功能使用行为信息,所述功能使用行为信息用于表示所述目标用户对网络资源服务器的至少一种功能的使用行为;
根据所述目标用户的功能使用行为信息,获取所述目标用户的偏好特征;
根据所述目标用户的偏好特征、待推荐的网络资源以及资源推荐模型,确定所述目标用户对所述网络资源的偏好程度;
当所述目标用户对所述网络资源的偏好程度满足预设推荐条件时,向所述目标用户推荐所述网络资源;
其中,所述资源推荐模型由所述网络资源服务器所提供的网络资源信息、多个样本用户的功能使用行为信息以及所述多个样本用户的历史使用信息训练得到。
2.根据权利要求1所述的方法,其特征在于,多个样本用户的功能使用行为信息包括下述至少一项信息:
用户注册信息、网络资源列表信息、网络资源发布信息、搜索点击信息、社交网络分享信息、对任一网络资源的互动信息。
3.根据权利要求1所述的方法,其特征在于,所述资源推荐模型的训练方法如下述过程:
对样本原始数据进行筛选和特征提取,得到多个正样本的特征信息和多个负样本的特征信息,所述样本原始数据包括样本用户的功能使用行为信息和所述多个样本用户的历史使用信息;
基于多个正样本的特征信息、多个负样本的特征信息、正负样本的参考偏好程度以及所述各个网络资源的网络资源特征信息进行模型训练,得到所述资源推荐模型;
其中,正样本是指停留时长大于或等于预设时长的网络资源与样本用户的集合,负样本数据是指停留时长小于所述预设时长的网络资源与样本用户的集合。
4.根据权利要求3所述的方法,其特征在于,所述基于所述多个正样本数据、所述多个负样本数据以及所述各个网络资源的网络资源特征信息进行模型训练,得到所述资源推荐模型包括:
将所述多个样本数据输入当前推荐模型,输出所述样本用户对所述多个样本数据的预测偏好程度;
根据所述预测偏好程度和所述样本数据的参考偏好程度,调整所述当前推荐模型中的各特征的权重,得到所述资源推荐模型。
5.根据权利要求1所述的方法,其特征在于,所述根据所述目标用户的历史使用信息和所述功能使用行为信息,获取所述目标用户的偏好特征包括:
对所述目标用户的历史使用信息以及所述功能使用行为信息所包括的多个网络资源信息进行向量特征提取,得到基于网络资源的用户向量、基于标签的用户向量、以及网络资源的特征信息;
对所述目标用户的历史使用信息进行协同过滤特征提取,得到所述目标用户的基于网络资源的协同过滤特征和基于用户的协同过滤特征;
对所述目标用户的历史使用信息和所述功能使用行为信息进行用户特征提取,得到所述目标用户的用户画像特征。
6.根据权利要求1所述的方法,其特征在于,所述当所述目标用户对所述网络资源的偏好程度满足预设推荐条件时,向所述目标用户推荐所述网络资源包括:
当所述目标用户对所述网络资源的偏好程度满足预设推荐条件且满足多项预设补充条件中的至少一项,向所述目标用户推荐所述网络资源;
其中,所述多项预设补充条件包括:
所述目标用户的历史使用信息中不包含所述网络资源;或,当所述目标用户的历史使用信息中包含所述网络资源时,且所述网络资源的停留时间与当前时间的时间间隔大于或等于预设时长;
和/或,
所述网络资源的评分大于预设评分;
和/或,
与已确定的待推荐网络资源具有不同的网络资源名称。
7.根据权利要求1所述的方法,其特征在于,所述向所述目标用户推荐所述网络资源包括:
按照所述目标用户对所述网络资源的偏好程度在已确定的待推荐网络资源中的排序位置,将所述网络资源显示在与所述排序位置对应的页面位置。
8.一种网络资源推荐装置,其特征在于,所述装置包括:
第一获取模块,用于获取待推荐的目标用户的功能使用行为信息,所述功能使用行为信息用于表示所述目标用户对网络资源服务器的至少一种功能的使用行为;
第二获取模块,用于根据所述目标用户的功能使用行为信息,获取所述目标用户的偏好特征;
确定模块,用于根据所述目标用户的偏好特征、待推荐的网络资源以及资源推荐模型,确定所述目标用户对所述网络资源的偏好程度;
推荐模块,用于当所述目标用户对所述网络资源的偏好程度满足预设推荐条件时,向所述目标用户推荐所述网络资源;
其中,所述资源推荐模型由所述网络资源服务器所提供的网络资源信息、多个样本用户的功能使用行为信息以及所述多个样本用户的历史使用信息训练得到。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
处理模块,用于对样本原始数据进行筛选和特征提取,得到多个正样本的特征信息和多个负样本的特征信息,所述样本原始数据包括样本用户的功能使用行为信息和所述多个样本用户的历史使用信息;
资源推荐模型训练模块,用于基于多个正样本的特征信息、多个负样本的特征信息、正负样本的参考偏好程度以及所述各个网络资源的网络资源特征信息进行模型训练,得到所述资源推荐模型;
其中,正样本是指停留时长大于或等于预设时长的网络资源与样本用户的集合,负样本数据是指停留时长小于所述预设时长的网络资源与样本用户的集合。
10.根据权利要求9所述的装置,其特征在于,所述资源推荐模型训练模块用于:
将所述多个样本数据输入当前推荐模型,输出所述样本用户对所述多个样本数据的预测偏好程度;
根据所述预测偏好程度和所述样本数据的参考偏好程度,调整所述当前推荐模型中的各特征的权重,得到所述资源推荐模型。
11.根据权利要求8所述的装置,其特征在于,所述第二获取模块用于:
对所述目标用户的历史使用信息以及所述功能使用行为信息所包括的多个网络资源信息进行向量特征提取,得到基于网络资源的用户向量、基于标签的用户向量、以及网络资源的特征信息;
对所述目标用户的历史使用信息进行协同过滤特征提取,得到所述目标用户的基于网络资源的协同过滤特征和基于用户的协同过滤特征;
对所述根据所述目标用户的历史使用信息和所述功能使用行为信息进行用户特征提取,得到所述目标用户的用户画像特征。
12.根据权利要求8所述的装置,其特征在于,所述推荐模块用于:
当所述目标用户对所述网络资源的偏好程度满足预设推荐条件且满足多项预设补充条件中的至少一项,向所述目标用户推荐所述网络资源;
其中,所述多项预设补充条件包括:
所述目标用户的历史使用信息中不包含所述网络资源;或,当所述目标用户的历史使用信息中包含所述网络资源时,且所述网络资源的停留时间与当前时间的时间间隔大于或等于预设时长;
和/或,
所述网络资源的评分大于预设评分;
和/或,
与已确定的待推荐网络资源具有不同的网络资源名称。
13.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至7任一所述的网络资源推荐方法。
14.一种服务器,其特征在于,所述服务器包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至7任一所述的网络资源推荐方法。
15.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至7任一所述的网络资源推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711120052.2A CN108304441B (zh) | 2017-11-14 | 2017-11-14 | 网络资源推荐方法、装置、电子设备、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711120052.2A CN108304441B (zh) | 2017-11-14 | 2017-11-14 | 网络资源推荐方法、装置、电子设备、服务器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108304441A true CN108304441A (zh) | 2018-07-20 |
CN108304441B CN108304441B (zh) | 2022-04-26 |
Family
ID=62869590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711120052.2A Active CN108304441B (zh) | 2017-11-14 | 2017-11-14 | 网络资源推荐方法、装置、电子设备、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108304441B (zh) |
Cited By (65)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271550A (zh) * | 2018-07-27 | 2019-01-25 | 华南理工大学 | 一种基于深度学习的音乐个性化分类推荐方法 |
CN109284445A (zh) * | 2018-12-11 | 2019-01-29 | 北京达佳互联信息技术有限公司 | 网络资源的推荐方法、装置、服务器及存储介质 |
CN109299314A (zh) * | 2018-11-13 | 2019-02-01 | 百度在线网络技术(北京)有限公司 | 音乐检索与推荐的方法、装置、存储介质和终端设备 |
CN109344314A (zh) * | 2018-08-20 | 2019-02-15 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置及服务器 |
CN109408724A (zh) * | 2018-11-06 | 2019-03-01 | 北京达佳互联信息技术有限公司 | 多媒体资源预估点击率的确定方法、装置及服务器 |
CN109408714A (zh) * | 2018-10-15 | 2019-03-01 | 上海基分文化传播有限公司 | 一种多模型融合的推荐***和方法 |
CN109447622A (zh) * | 2018-09-30 | 2019-03-08 | 中国银行股份有限公司 | 交易类型推荐方法及***、智能交易终端 |
CN109508426A (zh) * | 2018-12-21 | 2019-03-22 | 深圳市智搜信息技术有限公司 | 一种基于物理环境的智能推荐方法及其***与存储介质 |
CN109547814A (zh) * | 2018-12-13 | 2019-03-29 | 北京达佳互联信息技术有限公司 | 视频推荐方法、装置、服务器及存储介质 |
CN109697258A (zh) * | 2018-12-27 | 2019-04-30 | 丹翰智能科技(上海)有限公司 | 一种用于确定目标用户的定制财经信息的方法与设备 |
CN109740056A (zh) * | 2018-12-28 | 2019-05-10 | 丹翰智能科技(上海)有限公司 | 一种用于向用户提供定制财经信息的方法与设备 |
CN109885719A (zh) * | 2019-01-24 | 2019-06-14 | 广州小鹏汽车科技有限公司 | 一种歌曲推荐方法、***、终端及存储介质 |
CN109994000A (zh) * | 2019-03-28 | 2019-07-09 | 掌阅科技股份有限公司 | 一种伴读方法、电子设备及计算机存储介质 |
CN110134820A (zh) * | 2019-04-26 | 2019-08-16 | 湖南大学 | 一种基于特征递增的混合型个性化音乐推荐方法 |
CN110147882A (zh) * | 2018-09-03 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 神经网络模型的训练方法、人群扩散方法、装置及设备 |
CN110287418A (zh) * | 2019-06-26 | 2019-09-27 | 拉扎斯网络科技(上海)有限公司 | 数据处理及倾向特征值识别方法、装置、电子设备 |
CN110297848A (zh) * | 2019-07-09 | 2019-10-01 | 深圳前海微众银行股份有限公司 | 基于联邦学习的推荐模型训练方法、终端及存储介质 |
CN110297939A (zh) * | 2019-06-21 | 2019-10-01 | 山东科技大学 | 一种融合用户行为和文化元数据的音乐个性化*** |
CN110413837A (zh) * | 2019-05-30 | 2019-11-05 | 腾讯科技(深圳)有限公司 | 视频推荐方法和装置 |
CN110442790A (zh) * | 2019-08-07 | 2019-11-12 | 腾讯科技(深圳)有限公司 | 推荐多媒体数据的方法、装置、服务器和存储介质 |
CN110704739A (zh) * | 2019-09-30 | 2020-01-17 | 汉海信息技术(上海)有限公司 | 资源推荐方法、装置及计算机存储介质 |
CN110796505A (zh) * | 2018-08-03 | 2020-02-14 | 阿里巴巴集团控股有限公司 | 一种业务对象推荐方法以及装置 |
CN110830812A (zh) * | 2019-10-31 | 2020-02-21 | 广州市网星信息技术有限公司 | 相似主播分类模型训练方法、主播推荐方法及相关装置 |
CN110851706A (zh) * | 2019-10-10 | 2020-02-28 | 百度在线网络技术(北京)有限公司 | 用户点击模型的训练方法、装置、电子设备及存储介质 |
CN110866180A (zh) * | 2019-10-12 | 2020-03-06 | 平安国际智慧城市科技股份有限公司 | 资源推荐方法、服务器及存储介质 |
CN110874639A (zh) * | 2018-08-31 | 2020-03-10 | 珠海格力电器股份有限公司 | 操作信息的获取方法及装置 |
CN110874767A (zh) * | 2019-11-19 | 2020-03-10 | 山东爱城市网信息技术有限公司 | 一种基于协同过滤的营业厅精准营销方法 |
CN110889020A (zh) * | 2019-11-22 | 2020-03-17 | 百度在线网络技术(北京)有限公司 | 站点资源挖掘方法、装置以及电子设备 |
CN110910209A (zh) * | 2019-11-12 | 2020-03-24 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置以及计算机可读存储介质 |
CN111159435A (zh) * | 2019-12-27 | 2020-05-15 | 北大方正集团有限公司 | 多媒体资源处理方法、***、终端及计算机可读存储介质 |
CN111274472A (zh) * | 2018-12-04 | 2020-06-12 | 北京嘀嘀无限科技发展有限公司 | 信息推荐方法、装置、服务器及可读存储介质 |
CN111556366A (zh) * | 2020-04-02 | 2020-08-18 | 北京达佳互联信息技术有限公司 | 一种多媒体资源的展示方法、装置、终端、服务器及*** |
CN111625713A (zh) * | 2020-04-30 | 2020-09-04 | 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 |
CN111737573A (zh) * | 2020-06-17 | 2020-10-02 | 北京三快在线科技有限公司 | 资源推荐方法、装置、设备及存储介质 |
CN111753124A (zh) * | 2019-03-29 | 2020-10-09 | Tcl集团股份有限公司 | 一种音乐推荐方法及服务器 |
CN111753182A (zh) * | 2019-03-28 | 2020-10-09 | 北京达佳互联信息技术有限公司 | 多媒体信息推荐方法、装置、电子设备及可读存储介质 |
CN111814051A (zh) * | 2020-07-08 | 2020-10-23 | 北京奇艺世纪科技有限公司 | 一种资源类型确定方法及装置 |
CN111858970A (zh) * | 2019-04-30 | 2020-10-30 | 北京达佳互联信息技术有限公司 | 多媒体内容推荐方法、装置、电子设备及可读存储介质 |
CN111898018A (zh) * | 2019-05-06 | 2020-11-06 | 北京达佳互联信息技术有限公司 | 一种虚拟资源的发送方法、装置、电子设备及存储介质 |
CN112000819A (zh) * | 2019-05-27 | 2020-11-27 | 北京达佳互联信息技术有限公司 | 多媒体资源推荐方法、装置、电子设备及存储介质 |
CN112148964A (zh) * | 2019-06-29 | 2020-12-29 | 阿里巴巴集团控股有限公司 | 信息处理、推荐方法、***及设备 |
CN112182460A (zh) * | 2019-07-04 | 2021-01-05 | 腾讯科技(北京)有限公司 | 资源的推送方法和装置、存储介质及电子装置 |
CN112200639A (zh) * | 2020-10-30 | 2021-01-08 | 杭州时趣信息技术有限公司 | 一种信息流模型构建方法、装置及介质 |
CN112199022A (zh) * | 2020-10-23 | 2021-01-08 | Oppo广东移动通信有限公司 | 内容展示方法、装置、电子设备及存储介质 |
CN112241327A (zh) * | 2019-07-17 | 2021-01-19 | 腾讯科技(深圳)有限公司 | 分享信息处理方法、装置、存储介质与电子设备 |
CN112507163A (zh) * | 2020-12-02 | 2021-03-16 | 北京奇艺世纪科技有限公司 | 时长预测模型训练方法、推荐方法、装置、设备及介质 |
CN112765470A (zh) * | 2021-01-25 | 2021-05-07 | 腾讯科技(深圳)有限公司 | 内容推荐模型的训练方法、内容推荐方法、装置及设备 |
CN112804566A (zh) * | 2019-11-14 | 2021-05-14 | 中兴通讯股份有限公司 | 节目推荐方法、设备及计算机可读存储介质 |
CN113205183A (zh) * | 2021-04-23 | 2021-08-03 | 北京达佳互联信息技术有限公司 | 物品推荐网络训练方法、装置、电子设备及存储介质 |
CN113344647A (zh) * | 2021-07-14 | 2021-09-03 | 杭州网易云音乐科技有限公司 | 一种信息推荐的方法及装置 |
CN113360803A (zh) * | 2021-06-01 | 2021-09-07 | 平安银行股份有限公司 | 基于用户行为的数据缓存方法、装置、设备及存储介质 |
CN113365115A (zh) * | 2020-03-03 | 2021-09-07 | 北京达佳互联信息技术有限公司 | 特征编码的确定方法、装置、服务器和存储介质 |
CN113382289A (zh) * | 2021-08-11 | 2021-09-10 | 北京达佳互联信息技术有限公司 | 直播间投放方法、装置、电子设备及存储介质 |
CN113495985A (zh) * | 2020-03-18 | 2021-10-12 | 北京达佳互联信息技术有限公司 | 物品推荐方法及装置、短视频推荐方法及装置和服务器 |
CN113535991A (zh) * | 2020-04-14 | 2021-10-22 | 北京达佳互联信息技术有限公司 | 一种多媒体资源推荐方法、装置、电子设备及存储介质 |
CN113539457A (zh) * | 2021-07-16 | 2021-10-22 | 挂号网(杭州)科技有限公司 | 医疗资源的推荐方法及装置、电子设备、存储介质 |
CN113722745A (zh) * | 2021-07-13 | 2021-11-30 | 苏州柯里特信息科技有限公司 | eCTD通用技术文档递交管理方法及*** |
CN113760521A (zh) * | 2020-09-22 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种虚拟资源的分配方法和装置 |
CN113836390A (zh) * | 2020-06-24 | 2021-12-24 | 北京达佳互联信息技术有限公司 | 资源推荐方法、装置、计算机设备及存储介质 |
CN114071119A (zh) * | 2020-07-31 | 2022-02-18 | 北京达佳互联信息技术有限公司 | 资源的测试方法、装置、电子设备及存储介质 |
CN114077701A (zh) * | 2020-08-13 | 2022-02-22 | 北京达佳互联信息技术有限公司 | 资源信息的确定方法、装置、计算机设备及存储介质 |
CN114779999A (zh) * | 2022-04-27 | 2022-07-22 | 北京达佳互联信息技术有限公司 | 信息显示方法、装置、电子设备及存储介质 |
CN115079908A (zh) * | 2021-03-12 | 2022-09-20 | 北京字节跳动网络技术有限公司 | 媒体内容收藏方法、装置、电子设备及计算机可读存储介质 |
WO2023121631A1 (en) * | 2021-12-22 | 2023-06-29 | Turkcell Teknoloji Arastirma Ve Gelistirme Anonim Sirketi | A system for creating personalized song |
CN113722588B (zh) * | 2021-08-12 | 2023-09-05 | 北京达佳互联信息技术有限公司 | 资源推荐方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102402625A (zh) * | 2011-12-28 | 2012-04-04 | 深圳市五巨科技有限公司 | 一种音乐推荐的方法及*** |
CN102523511A (zh) * | 2011-11-09 | 2012-06-27 | 中国传媒大学 | 一种网络节目聚合及节目推荐***和方法 |
CN104021233A (zh) * | 2014-06-30 | 2014-09-03 | 电子科技大学 | 一种基于社区发现的社交网络好友推荐方法 |
CN105868254A (zh) * | 2015-12-25 | 2016-08-17 | 乐视网信息技术(北京)股份有限公司 | 信息推荐方法及装置 |
CN106874522A (zh) * | 2017-03-29 | 2017-06-20 | 珠海习悦信息技术有限公司 | 信息推荐方法、装置、存储介质及处理器 |
-
2017
- 2017-11-14 CN CN201711120052.2A patent/CN108304441B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102523511A (zh) * | 2011-11-09 | 2012-06-27 | 中国传媒大学 | 一种网络节目聚合及节目推荐***和方法 |
CN102402625A (zh) * | 2011-12-28 | 2012-04-04 | 深圳市五巨科技有限公司 | 一种音乐推荐的方法及*** |
CN104021233A (zh) * | 2014-06-30 | 2014-09-03 | 电子科技大学 | 一种基于社区发现的社交网络好友推荐方法 |
CN105868254A (zh) * | 2015-12-25 | 2016-08-17 | 乐视网信息技术(北京)股份有限公司 | 信息推荐方法及装置 |
CN106874522A (zh) * | 2017-03-29 | 2017-06-20 | 珠海习悦信息技术有限公司 | 信息推荐方法、装置、存储介质及处理器 |
Cited By (99)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271550B (zh) * | 2018-07-27 | 2022-05-24 | 华南理工大学 | 一种基于深度学习的音乐个性化分类推荐方法 |
CN109271550A (zh) * | 2018-07-27 | 2019-01-25 | 华南理工大学 | 一种基于深度学习的音乐个性化分类推荐方法 |
CN110796505A (zh) * | 2018-08-03 | 2020-02-14 | 阿里巴巴集团控股有限公司 | 一种业务对象推荐方法以及装置 |
CN110796505B (zh) * | 2018-08-03 | 2023-07-04 | 淘宝(中国)软件有限公司 | 一种业务对象推荐方法以及装置 |
CN109344314B (zh) * | 2018-08-20 | 2021-11-16 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置及服务器 |
CN109344314A (zh) * | 2018-08-20 | 2019-02-15 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置及服务器 |
CN110874639A (zh) * | 2018-08-31 | 2020-03-10 | 珠海格力电器股份有限公司 | 操作信息的获取方法及装置 |
CN110147882A (zh) * | 2018-09-03 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 神经网络模型的训练方法、人群扩散方法、装置及设备 |
CN110147882B (zh) * | 2018-09-03 | 2023-02-10 | 腾讯科技(深圳)有限公司 | 神经网络模型的训练方法、人群扩散方法、装置及设备 |
CN109447622A (zh) * | 2018-09-30 | 2019-03-08 | 中国银行股份有限公司 | 交易类型推荐方法及***、智能交易终端 |
CN109447622B (zh) * | 2018-09-30 | 2022-02-08 | 中国银行股份有限公司 | 交易类型推荐方法及***、智能交易终端 |
CN109408714B (zh) * | 2018-10-15 | 2021-02-05 | 上海趣蕴网络科技有限公司 | 一种多模型融合的推荐***和方法 |
CN109408714A (zh) * | 2018-10-15 | 2019-03-01 | 上海基分文化传播有限公司 | 一种多模型融合的推荐***和方法 |
CN109408724A (zh) * | 2018-11-06 | 2019-03-01 | 北京达佳互联信息技术有限公司 | 多媒体资源预估点击率的确定方法、装置及服务器 |
CN109299314A (zh) * | 2018-11-13 | 2019-02-01 | 百度在线网络技术(北京)有限公司 | 音乐检索与推荐的方法、装置、存储介质和终端设备 |
CN109299314B (zh) * | 2018-11-13 | 2019-12-27 | 百度在线网络技术(北京)有限公司 | 音乐检索与推荐的方法、装置、存储介质和终端设备 |
CN111274472A (zh) * | 2018-12-04 | 2020-06-12 | 北京嘀嘀无限科技发展有限公司 | 信息推荐方法、装置、服务器及可读存储介质 |
CN109284445A (zh) * | 2018-12-11 | 2019-01-29 | 北京达佳互联信息技术有限公司 | 网络资源的推荐方法、装置、服务器及存储介质 |
CN109547814A (zh) * | 2018-12-13 | 2019-03-29 | 北京达佳互联信息技术有限公司 | 视频推荐方法、装置、服务器及存储介质 |
CN109508426A (zh) * | 2018-12-21 | 2019-03-22 | 深圳市智搜信息技术有限公司 | 一种基于物理环境的智能推荐方法及其***与存储介质 |
CN109697258A (zh) * | 2018-12-27 | 2019-04-30 | 丹翰智能科技(上海)有限公司 | 一种用于确定目标用户的定制财经信息的方法与设备 |
CN109740056A (zh) * | 2018-12-28 | 2019-05-10 | 丹翰智能科技(上海)有限公司 | 一种用于向用户提供定制财经信息的方法与设备 |
CN109885719A (zh) * | 2019-01-24 | 2019-06-14 | 广州小鹏汽车科技有限公司 | 一种歌曲推荐方法、***、终端及存储介质 |
CN111753182B (zh) * | 2019-03-28 | 2024-05-17 | 北京达佳互联信息技术有限公司 | 多媒体信息推荐方法、装置、电子设备及可读存储介质 |
CN111753182A (zh) * | 2019-03-28 | 2020-10-09 | 北京达佳互联信息技术有限公司 | 多媒体信息推荐方法、装置、电子设备及可读存储介质 |
CN109994000B (zh) * | 2019-03-28 | 2021-10-19 | 掌阅科技股份有限公司 | 一种伴读方法、电子设备及计算机存储介质 |
CN109994000A (zh) * | 2019-03-28 | 2019-07-09 | 掌阅科技股份有限公司 | 一种伴读方法、电子设备及计算机存储介质 |
CN111753124A (zh) * | 2019-03-29 | 2020-10-09 | Tcl集团股份有限公司 | 一种音乐推荐方法及服务器 |
CN110134820A (zh) * | 2019-04-26 | 2019-08-16 | 湖南大学 | 一种基于特征递增的混合型个性化音乐推荐方法 |
CN111858970B (zh) * | 2019-04-30 | 2024-01-02 | 北京达佳互联信息技术有限公司 | 多媒体内容推荐方法、装置、电子设备及可读存储介质 |
CN111858970A (zh) * | 2019-04-30 | 2020-10-30 | 北京达佳互联信息技术有限公司 | 多媒体内容推荐方法、装置、电子设备及可读存储介质 |
CN111898018B (zh) * | 2019-05-06 | 2024-05-14 | 北京达佳互联信息技术有限公司 | 一种虚拟资源的发送方法、装置、电子设备及存储介质 |
CN111898018A (zh) * | 2019-05-06 | 2020-11-06 | 北京达佳互联信息技术有限公司 | 一种虚拟资源的发送方法、装置、电子设备及存储介质 |
CN112000819B (zh) * | 2019-05-27 | 2023-07-11 | 北京达佳互联信息技术有限公司 | 多媒体资源推荐方法、装置、电子设备及存储介质 |
CN112000819A (zh) * | 2019-05-27 | 2020-11-27 | 北京达佳互联信息技术有限公司 | 多媒体资源推荐方法、装置、电子设备及存储介质 |
CN110413837B (zh) * | 2019-05-30 | 2023-07-25 | 腾讯科技(深圳)有限公司 | 视频推荐方法和装置 |
CN110413837A (zh) * | 2019-05-30 | 2019-11-05 | 腾讯科技(深圳)有限公司 | 视频推荐方法和装置 |
CN110297939A (zh) * | 2019-06-21 | 2019-10-01 | 山东科技大学 | 一种融合用户行为和文化元数据的音乐个性化*** |
CN110287418A (zh) * | 2019-06-26 | 2019-09-27 | 拉扎斯网络科技(上海)有限公司 | 数据处理及倾向特征值识别方法、装置、电子设备 |
CN110287418B (zh) * | 2019-06-26 | 2021-10-19 | 拉扎斯网络科技(上海)有限公司 | 数据处理及倾向特征值识别方法、装置、电子设备 |
CN112148964A (zh) * | 2019-06-29 | 2020-12-29 | 阿里巴巴集团控股有限公司 | 信息处理、推荐方法、***及设备 |
CN112182460A (zh) * | 2019-07-04 | 2021-01-05 | 腾讯科技(北京)有限公司 | 资源的推送方法和装置、存储介质及电子装置 |
CN112182460B (zh) * | 2019-07-04 | 2024-03-15 | 深圳市雅阅科技有限公司 | 资源的推送方法和装置、存储介质及电子装置 |
CN110297848A (zh) * | 2019-07-09 | 2019-10-01 | 深圳前海微众银行股份有限公司 | 基于联邦学习的推荐模型训练方法、终端及存储介质 |
CN110297848B (zh) * | 2019-07-09 | 2024-02-23 | 深圳前海微众银行股份有限公司 | 基于联邦学习的推荐模型训练方法、终端及存储介质 |
CN112241327A (zh) * | 2019-07-17 | 2021-01-19 | 腾讯科技(深圳)有限公司 | 分享信息处理方法、装置、存储介质与电子设备 |
CN110442790B (zh) * | 2019-08-07 | 2024-05-10 | 深圳市雅阅科技有限公司 | 推荐多媒体数据的方法、装置、服务器和存储介质 |
CN110442790A (zh) * | 2019-08-07 | 2019-11-12 | 腾讯科技(深圳)有限公司 | 推荐多媒体数据的方法、装置、服务器和存储介质 |
CN110704739A (zh) * | 2019-09-30 | 2020-01-17 | 汉海信息技术(上海)有限公司 | 资源推荐方法、装置及计算机存储介质 |
CN110851706A (zh) * | 2019-10-10 | 2020-02-28 | 百度在线网络技术(北京)有限公司 | 用户点击模型的训练方法、装置、电子设备及存储介质 |
US11838377B2 (en) | 2019-10-10 | 2023-12-05 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, apparatus, electronic device and storage medium for training user click model |
CN110866180B (zh) * | 2019-10-12 | 2022-07-29 | 平安国际智慧城市科技股份有限公司 | 资源推荐方法、服务器及存储介质 |
CN110866180A (zh) * | 2019-10-12 | 2020-03-06 | 平安国际智慧城市科技股份有限公司 | 资源推荐方法、服务器及存储介质 |
CN110830812A (zh) * | 2019-10-31 | 2020-02-21 | 广州市网星信息技术有限公司 | 相似主播分类模型训练方法、主播推荐方法及相关装置 |
CN110830812B (zh) * | 2019-10-31 | 2021-11-30 | 广州市网星信息技术有限公司 | 相似主播分类模型训练方法、主播推荐方法及相关装置 |
CN110910209B (zh) * | 2019-11-12 | 2024-05-31 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置以及计算机可读存储介质 |
CN110910209A (zh) * | 2019-11-12 | 2020-03-24 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置以及计算机可读存储介质 |
CN112804566A (zh) * | 2019-11-14 | 2021-05-14 | 中兴通讯股份有限公司 | 节目推荐方法、设备及计算机可读存储介质 |
CN110874767A (zh) * | 2019-11-19 | 2020-03-10 | 山东爱城市网信息技术有限公司 | 一种基于协同过滤的营业厅精准营销方法 |
CN110889020B (zh) * | 2019-11-22 | 2022-08-23 | 百度在线网络技术(北京)有限公司 | 站点资源挖掘方法、装置以及电子设备 |
CN110889020A (zh) * | 2019-11-22 | 2020-03-17 | 百度在线网络技术(北京)有限公司 | 站点资源挖掘方法、装置以及电子设备 |
CN111159435A (zh) * | 2019-12-27 | 2020-05-15 | 北大方正集团有限公司 | 多媒体资源处理方法、***、终端及计算机可读存储介质 |
CN111159435B (zh) * | 2019-12-27 | 2023-09-05 | 新方正控股发展有限责任公司 | 多媒体资源处理方法、***、终端及计算机可读存储介质 |
CN113365115B (zh) * | 2020-03-03 | 2022-11-04 | 北京达佳互联信息技术有限公司 | 特征编码的确定方法、装置、服务器和存储介质 |
CN113365115A (zh) * | 2020-03-03 | 2021-09-07 | 北京达佳互联信息技术有限公司 | 特征编码的确定方法、装置、服务器和存储介质 |
CN113495985A (zh) * | 2020-03-18 | 2021-10-12 | 北京达佳互联信息技术有限公司 | 物品推荐方法及装置、短视频推荐方法及装置和服务器 |
CN113495985B (zh) * | 2020-03-18 | 2024-03-19 | 北京达佳互联信息技术有限公司 | 物品推荐方法及装置、短视频推荐方法及装置和服务器 |
CN111556366A (zh) * | 2020-04-02 | 2020-08-18 | 北京达佳互联信息技术有限公司 | 一种多媒体资源的展示方法、装置、终端、服务器及*** |
CN113535991A (zh) * | 2020-04-14 | 2021-10-22 | 北京达佳互联信息技术有限公司 | 一种多媒体资源推荐方法、装置、电子设备及存储介质 |
CN113535991B (zh) * | 2020-04-14 | 2024-01-26 | 北京达佳互联信息技术有限公司 | 一种多媒体资源推荐方法、装置、电子设备及存储介质 |
CN111625713A (zh) * | 2020-04-30 | 2020-09-04 | 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 |
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 |
CN111737573A (zh) * | 2020-06-17 | 2020-10-02 | 北京三快在线科技有限公司 | 资源推荐方法、装置、设备及存储介质 |
CN113836390B (zh) * | 2020-06-24 | 2023-10-27 | 北京达佳互联信息技术有限公司 | 资源推荐方法、装置、计算机设备及存储介质 |
CN113836390A (zh) * | 2020-06-24 | 2021-12-24 | 北京达佳互联信息技术有限公司 | 资源推荐方法、装置、计算机设备及存储介质 |
CN111814051B (zh) * | 2020-07-08 | 2023-07-28 | 北京奇艺世纪科技有限公司 | 一种资源类型确定方法及装置 |
CN111814051A (zh) * | 2020-07-08 | 2020-10-23 | 北京奇艺世纪科技有限公司 | 一种资源类型确定方法及装置 |
CN114071119B (zh) * | 2020-07-31 | 2024-03-19 | 北京达佳互联信息技术有限公司 | 资源的测试方法、装置、电子设备及存储介质 |
CN114071119A (zh) * | 2020-07-31 | 2022-02-18 | 北京达佳互联信息技术有限公司 | 资源的测试方法、装置、电子设备及存储介质 |
CN114077701A (zh) * | 2020-08-13 | 2022-02-22 | 北京达佳互联信息技术有限公司 | 资源信息的确定方法、装置、计算机设备及存储介质 |
CN113760521A (zh) * | 2020-09-22 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种虚拟资源的分配方法和装置 |
CN112199022A (zh) * | 2020-10-23 | 2021-01-08 | Oppo广东移动通信有限公司 | 内容展示方法、装置、电子设备及存储介质 |
CN112200639A (zh) * | 2020-10-30 | 2021-01-08 | 杭州时趣信息技术有限公司 | 一种信息流模型构建方法、装置及介质 |
CN112507163A (zh) * | 2020-12-02 | 2021-03-16 | 北京奇艺世纪科技有限公司 | 时长预测模型训练方法、推荐方法、装置、设备及介质 |
CN112765470B (zh) * | 2021-01-25 | 2022-02-22 | 腾讯科技(深圳)有限公司 | 内容推荐模型的训练方法、内容推荐方法、装置及设备 |
CN112765470A (zh) * | 2021-01-25 | 2021-05-07 | 腾讯科技(深圳)有限公司 | 内容推荐模型的训练方法、内容推荐方法、装置及设备 |
CN115079908A (zh) * | 2021-03-12 | 2022-09-20 | 北京字节跳动网络技术有限公司 | 媒体内容收藏方法、装置、电子设备及计算机可读存储介质 |
CN113205183B (zh) * | 2021-04-23 | 2024-05-14 | 北京达佳互联信息技术有限公司 | 物品推荐网络训练方法、装置、电子设备及存储介质 |
CN113205183A (zh) * | 2021-04-23 | 2021-08-03 | 北京达佳互联信息技术有限公司 | 物品推荐网络训练方法、装置、电子设备及存储介质 |
CN113360803A (zh) * | 2021-06-01 | 2021-09-07 | 平安银行股份有限公司 | 基于用户行为的数据缓存方法、装置、设备及存储介质 |
CN113722745B (zh) * | 2021-07-13 | 2024-02-06 | 苏州柯里特信息科技有限公司 | eCTD通用技术文档递交管理方法及*** |
CN113722745A (zh) * | 2021-07-13 | 2021-11-30 | 苏州柯里特信息科技有限公司 | eCTD通用技术文档递交管理方法及*** |
CN113344647A (zh) * | 2021-07-14 | 2021-09-03 | 杭州网易云音乐科技有限公司 | 一种信息推荐的方法及装置 |
CN113539457A (zh) * | 2021-07-16 | 2021-10-22 | 挂号网(杭州)科技有限公司 | 医疗资源的推荐方法及装置、电子设备、存储介质 |
CN113382289A (zh) * | 2021-08-11 | 2021-09-10 | 北京达佳互联信息技术有限公司 | 直播间投放方法、装置、电子设备及存储介质 |
CN113382289B (zh) * | 2021-08-11 | 2021-11-02 | 北京达佳互联信息技术有限公司 | 直播间投放方法、装置、电子设备及存储介质 |
CN113722588B (zh) * | 2021-08-12 | 2023-09-05 | 北京达佳互联信息技术有限公司 | 资源推荐方法、装置及电子设备 |
WO2023121631A1 (en) * | 2021-12-22 | 2023-06-29 | Turkcell Teknoloji Arastirma Ve Gelistirme Anonim Sirketi | A system for creating personalized song |
CN114779999A (zh) * | 2022-04-27 | 2022-07-22 | 北京达佳互联信息技术有限公司 | 信息显示方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108304441B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304441A (zh) | 网络资源推荐方法、装置、电子设备、服务器及存储介质 | |
CN109740068B (zh) | 媒体数据推荐方法、装置及存储介质 | |
US11540019B2 (en) | Video recommendation method and device, computer device and storage medium | |
CN110110203B (zh) | 资源信息推送方法及服务器、资源信息展示方法及终端 | |
CN108197327B (zh) | 歌曲推荐方法、装置及存储介质 | |
EP3757995A1 (en) | Music recommendation method and apparatus, and computing device and medium | |
CN109918669B (zh) | 实体确定方法、装置及存储介质 | |
CN110020140A (zh) | 推荐内容显示方法、装置及*** | |
CN110199276A (zh) | 用方面标记查询 | |
CN106355429A (zh) | 图像素材的推荐方法及装置 | |
CN109657236B (zh) | 引导信息获取方法、装置、电子装置及存储介质 | |
CN105701254A (zh) | 一种信息处理方法和装置、一种用于信息处理的装置 | |
CN111611490A (zh) | 资源搜索方法、装置、设备及存储介质 | |
CN112163428A (zh) | 语义标签的获取方法、装置、节点设备及存储介质 | |
CN107562939A (zh) | 垂直领域新闻推荐方法、装置及可读储存介质 | |
CN111897996A (zh) | 话题标签推荐方法、装置、设备及存储介质 | |
CN109784351A (zh) | 数据分类方法、分类模型训练方法及装置 | |
CN110246110A (zh) | 图像评估方法、装置及存储介质 | |
CN111291200A (zh) | 多媒体资源展示方法、装置、计算机设备及存储介质 | |
CN112116391A (zh) | 多媒体资源投放方法、装置、计算机设备及存储介质 | |
CN107622074A (zh) | 一种数据处理方法、装置和计算设备 | |
CN111428522A (zh) | 翻译语料生成方法、装置、计算机设备及存储介质 | |
CN111831917A (zh) | 内容推荐方法、装置、设备及介质 | |
CN113987326B (zh) | 资源推荐方法、装置、计算机设备及介质 | |
CN110929137B (zh) | 文章推荐方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |