CN109062994A - 推荐方法、装置、计算机设备和存储介质 - Google Patents
推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109062994A CN109062994A CN201810725366.3A CN201810725366A CN109062994A CN 109062994 A CN109062994 A CN 109062994A CN 201810725366 A CN201810725366 A CN 201810725366A CN 109062994 A CN109062994 A CN 109062994A
- Authority
- CN
- China
- Prior art keywords
- user
- recommended
- generalization bounds
- preset
- current
- 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.)
- Withdrawn
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种推荐方法、装置、计算机设备和存储介质。所述方法包括：获取当前用户作用于终端的当前操作行为集合，当前操作行为集合中的各个操作行为作用于对应的内容实体；从预设的推荐策略集合中选择与内容实体相适配的至少一个推荐策略，根据选择的推荐策略得到内容实体对应的待推荐对象；根据内容实体对应的待推荐对象更新推荐策略对应的当前推荐列表；从预设的推荐策略集合中各个推荐策略对应的更新后的当前推荐列表中选取待推荐对象，根据选取的待推荐对象得到目标推荐列表。采用本方法可以高待推荐对象与用户需求的匹配度。
Description
技术领域
本申请涉及互联网技术领域，特别是涉及一种推荐方法、装置、计算机设备和存储介质。
背景技术
随着互联网技术的飞速发展，用户可通过互联网方便快捷地选购商品。但是海量商品信息及海量用户的同时出现，一方面令用户难以发现自己的目标商品，同时也造成大量商品的无人问津，使得信息利用率低；另一方面，用户访问量的增加造成原始日志文件的增加。为了有针对性的向用户提供其所需要的商品信息，进而出现了用于向用户推荐相关商品信息的推荐方法。
然而，现有的推荐方法通常是基于单一的推荐算法，如，基于内容的推荐，基于协同过滤的推荐，这些算法各自都有局限性，导致待推荐对象与用户需求的匹配度不高，无法满足用户的需求。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高待推荐对象与用户需求的匹配度的推荐方法、装置、计算机设备和存储介质。
一种推荐方法，所述方法包括：
获取当前用户作用于终端的当前操作行为集合，所述当前操作行为集合中的各个操作行为作用于对应的内容实体；
从预设的推荐策略集合中选择与所述内容实体相适配的至少一个推荐策略，根据选择的所述推荐策略得到所述内容实体对应的待推荐对象；
根据所述内容实体对应的待推荐对象更新所述推荐策略对应的当前推荐列表；
从所述预设的推荐策略集合中各个推荐策略对应的更新后的当前推荐列表中选取待推荐对象，根据选取的所述待推荐对象得到目标推荐列表。
在其中一个实施例中，所述根据选择的所述推荐策略得到所述内容实体对应的待推荐对象，包括：
对所述内容实体进行分词，得到分词结果；
从所述分词结果中提取关键词，得到关键词集合；
从预设的中心词集合中查找各个所述关键词集合中各个关键词对应的中心词，得到中心词集合，将所述中心词集合中各个中心词作为所述当前用户对应的第一用户标签；
计算所述第一用户标签对应的关键词在所述内容实体中的词频，根据所述词频得到所述第一用户标签对应的权重；
根据所述第一用户标签及所述第一用户标签对应的权重生成所述当前用户对应的用户画像，根据所述当前用户对应的用户画像得到所述内容实体对应的待推荐对象。
在其中一个实施例中，所述内容实体包括商品信息，所述根据选择的所述推荐策略得到所述内容实体对应的待推荐对象，包括：
获取所述商品信息对应的商品编号，根据所述商品编号查找对应的商品类目，根据所述商品类目获取对应的历史权重；
根据所述当前操作行为集合计算所述商品类目对应的当前浏览次数，将所述当前浏览次数标准化；
根据所述历史权重和标准化的所述当前浏览次数计算所述商品类目对应的当前权重；
根据所述当前权重对所述商品类目进行排序，根据排序结果获取预设数量的商品类目作为目标商品类目，将所述目标商品类目作为所述当前用户对应的第二用户标签，根据所述第二用户标签及对应的权重生成当前用户对应的用户画像；
根据所述当前用户对应的用户画像得到所述内容实体对应的待推荐对象。
在其中一个实施例中，所述根据所述当前用户对应的用户画像得到所述内容实体对应的待推荐对象，包括：
获取满足预设规则的参考用户集合；
根据所述当前用户对应的用户画像计算所述当前用户与所述参考用户集合中各个参考用户的相似度；
获取相似度大于预设阈值的参考用户作为目标参考用户；
获取所述目标参考用户对应的历史操作行为集合，根据所述目标参考用户对应的历史操作行为集合得到所述内容实体对应的待推荐对象。
在其中一个实施例中，所述方法还包括：
当当前时间达到预设的触发时间且所述当前用户对应的用户标识存在对应的历史操作行为集合时，获取所述历史操作行为集合对应的历史内容实体；
从预设的推荐策略集合中选择与所述历史内容实体相适配的至少一种推荐策略，根据所述推荐策略得到所述历史内容实体对应的所述当前推荐列表。
在其中一个实施例中，所述方法还包括：
当当前时间达到预设的触发时间且所述当前用户对应的用户标识不存在对应的历史操作行为集合时，获取预设待推荐对象集合中各个预设待推荐对象对应的历史浏览次数；
根据各个预设待推荐对象对应的历史浏览次数对各个预设待推荐对象进行排序，根据排序结果选取预设数量的预设待推荐对象作为待推荐对象得到所述当前待推荐列表。
一种推荐装置，所述装置包括：
当前操作行为集合获取模块，用于获取当前用户作用于终端的当前操作行为集合，所述当前操作行为集合中的各个操作行为作用于对应的内容实体；
推荐策略选取模块，用于从预设的推荐策略集合中选择与所述内容实体相适配的至少一个推荐策略，根据选择的所述推荐策略得到所述内容实体对应的待推荐对象；
推荐列表更新模块，用于根据所述内容实体对应的待推荐对象更新所述推荐策略对应的当前推荐列表；
目标推荐列表获取模块，用于从所述预设的推荐策略集合中各个推荐策略对应的更新后的当前推荐列表中选取待推荐对象，根据选取的所述待推荐对象得到目标推荐列表。
在其中一个实施例中，所述推荐策略选取模块还用于对所述内容实体进行分词，得到分词结果，从所述分词结果中提取关键词，得到关键词集合，从预设的中心词集合中查找各个所述关键词集合中各个关键词对应的中心词，得到中心词集合，将所述中心词集合中各个中心词作为所述当前用户对应的第一用户标签，计算所述第一用户标签对应的关键词在所述内容实体中的词频，根据所述词频得到所述第一用户标签对应的权重，根据所述第一用户标签及所述第一用户标签对应的权重生成所述当前用户对应的用户画像，根据所述当前用户对应的用户画像得到所述内容实体对应的待推荐对象。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述推荐方法所述的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述推荐方法所述的步骤。
上述推荐方法、装置、计算机设备和存储介质，通过获取作用于终端的当前操作行为集合，所述当前操作行为集合中的各个操作行为作用于对应的内容实体，从预设的推荐策略集合中选择与所述内容实体相适配的至少一个推荐策略，根据选择的所述推荐策略对所述内容实体进行推荐计算得到所述内容实体对应的待推荐对象，根据所述内容实体对应的待推荐对象更新所述推荐策略对应的当前推荐列表，从各个推荐策略对应的更新后的当前推荐列表中选取待推荐对象，根据选取的所述待推荐对象得到目标推荐列表，由于采用了多种推荐策略同时进行推荐，能够显著提高待推荐对象与用户需求的匹配度，从而最大限度的满足用户的需求。
附图说明
图1为一个实施例中推荐方法的应用场景图；
图2为一个实施例中推荐方法的流程示意图；
图3为一个实施例中步骤S204的流程示意图；
图4为另一个实施例中步骤S204的流程示意图；
图5为一个实施例中根据用户画像得到待推荐对象的流程示意图；
图6为一个实施例中推荐装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的推荐方法，可以应用于如图1所示的应用环境中。其中，终端 102通过网络与服务器104通过网络进行通信。服务器104获取当前用户作用于终端的当前操作行为集合，并获取当前操作行为集合对应的内容实体，根据该内容实体的类型从预设的推荐策略集合中选取适配的至少一个推荐策略，根据选择的推荐策略进行计算得到推荐数据，用得到的推荐数据更新推荐策略对应的当前推荐列表，从更新后的各个推荐列表中选取推荐对象，生成目标推荐列表，根据该目标推荐列表向终端102进行推荐。
其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种推荐方法，以该方法应用于图1 中的服务器为例进行说明，包括以下步骤：
步骤S202，获取当前用户作用于终端的当前操作行为集合，当前操作行为集合中的各个操作行为作用于对应的内容实体。
具体地，内容实体指终端上展示的内容对象，内容对象可以以文字、语音、图像、音频以及视频等不同表现形式单独或者组合展示，例如，内容实体可以是一篇以文字以及图片组合形成的医疗健康推文或者医疗用品广告等等。操作行为指接收的作用于操作对象的动作，例如可以包括点击、发送、分享、收藏、购买、删除、置顶、下移以及上移中的一种或多种。操作行为作用于内容实体是指该操作行为是针对该内容实体的，内容实体为操作行为的操作对象。例如，点击一个推文的链接或者发送了一个在线问诊的咨询信息等等。
获取当前操作行为集合的时间可以根据需要进行设置，例如可以设置在当接收到当前用户对内容实体的一次操作行为后实时获取当前操作行为集合，也可以设置每隔预设周期例如每两个小时获取一次操作行为集合，或者每隔预设个操作行为获取一次操作行为集合，还可以是用户的当前操作行为满足预设的推荐触发条件时，获取当前时间之前预设时间段内的操作行为得到当前操作行为。
可以理解，当前操作行为集合中各个操作行为可能全部作用于不同的内容实体，也可能是部分或全部作用于相同的内容实体。因此，内容实体可能包括一个或多个。在本实施例中，服务器得到当前操作行为集合后，获取各个操作行为的操作对象，作为对应的内容实体。例如，假设第一操作行为中包括点击A推文的操作行为、发送B问诊信息的操作行为以及收藏C商品的操作行为，则第一内容实体集合包括A推文、B问诊信息以及C商品。
步骤S204，从预设的推荐策略集合中选择与内容实体相适配的至少一个推荐策略，根据选择的推荐策略得到内容实体对应的待推荐对象。
具体地，推荐策略指的是按照预设的规则对参考数据进行计算以得到待推荐对象的方法。在本实施例中，服务器上预先存储了多种推荐策略，包括但不限于，基于关联规则的推荐策略，基于物品协同过滤的推荐策略、基于用户协同过滤的推荐策略、基于内容的推荐策略、基于用户画像的推荐策略、基于商品的总销量或总浏览次数的推荐策略等等。
推荐策略集合中每一个推荐策略都有其确定的参考数据类型，举例来说，基于用户画像的推荐策略，其参考数据类型可以是商品信息，也可以是文本信息，基于物品协同过滤的推荐策略，其参考数据可以是商品信息，但不能是文本信息。内容实体相适配的推荐策略指的是该内容实体与推荐策略对应的参考数据类型相适配，一个内容实体可以对应一个或多个推荐策略，比如，当内容实体为医疗健康商品时，其适配的推荐策略可以是基于关联规则的推荐策略、基于物品协同过滤的推荐策略、基于用户协同过滤的推荐策略、基于内容的推荐策略等，当内容实体为问诊文本或医疗健康文本时，其适配的内容实体可以是基于用户画像的推荐策略。
在本实施例中，服务器获取到内容实体后，判断该内容实体所属的数据类型，根据数据类型选择相适配的至少一种推荐策略作为目标推荐策略，然后根据该推荐策略进行推荐计算，得到内容实体对应的待推荐对象。
步骤S206，根据内容实体对应的待推荐对象更新推荐策略对应的当前推荐列表。
具体地，当前推荐列表指的是获取当前操作行为集合之前各个推荐策略对应的待推荐对象按照一定的顺序排列得到的列表。在一个实施例中，当前推荐列表可以是由其对应的推荐策略根据历史数据进行离线计算得到，历史数据可以是用户的历史操作行为集合，也可以是商品的历史浏览量、历史销量等等。更新推荐策略对应的当前推荐列表指的是对推荐列表中的待推荐对象进行更新，具体来说，可以是将内容实体对应的待推荐对象直接添加入推荐列表，与推荐列表中原有的待推荐对象重新组合得到推荐列表；也可以是对内容实体对应的待推荐对象及推荐列表中的待推荐对象按照其对应的推荐值进行排序，选取排序靠前的预设数量个待推荐对象组成推荐列表，其中推荐值得是推荐策略进行推荐计算时得到的数值，根据推荐策略的不同可以是待推荐对象的评分、相似度、支持度或置信度等。
步骤S208，从预设的推荐策略集合中各个推荐策略对应的更新后的当前推荐列表中选取待推荐对象，根据选取的待推荐对象得到目标推荐列表。
在本实施例中，服务器可以按照事先设定的规则从各个推荐策略对应的当前推荐列表中选取待推荐对象。具体来说，可以是从各个当前待推荐列表中选取相等数量的待推荐对象，比如，目标推荐列表中需要20个待推荐对象，预设的推荐策略集合中共有四个推荐策略，每一个待推荐策略对应一个推荐列表，则分别从各个推荐列表中分别选取5个待推荐对象；或者事先对各个推荐策略设置权重，按照权重比从各个待推荐列表中选取待推荐对象，比如，在上述举例中，四个推荐策略对应的权重比为1:2:1:1，则分别从四个推荐列表中选取的待推荐对象个数为5、10、5、5。
进一步，服务器获取到待推荐对象后，对待推荐对象按照预设的排序因子进行排序，得到目标推荐列表，其中，排序因子包括但不限于订单数、浏览量、成本率、收藏量、点击量等等。
在一个实施例中，服务器得到目标推荐列表后，进一步获取目标推荐列表中各个商品的库存数据，然后根据库存数量对目标推荐列表进行过滤，过滤掉目标推荐列表中库存数量为0的待推荐商品。
进一步，服务器将目标推荐列表发送至终端进行推荐显示。
上述推荐方法中，服务器获取作用于终端的当前操作行为集合，当前操作行为集合中的各个操作行为作用于对应的内容实体，从预设的推荐策略集合中选择与内容实体相适配的至少一个推荐策略，根据选择的推荐策略对内容实体进行推荐计算得到内容实体对应的待推荐对象，根据内容实体对应的待推荐对象更新推荐策略对应的当前推荐列表，从各个推荐策略对应的当前推荐列表中选取待推荐对象，根据选取的待推荐对象得到目标推荐列表，由于采用了多种推荐策略同时进行推荐，能够显著提高待推荐对象与用户需求的匹配度，从而最大限度的满足用户的需求。
在一个实施例中，，如图3所示，根据选择的推荐策略得到内容实体对应的待推荐对象，包括：
步骤S302，对内容实体进行分词，得到分词结果。
本实施例中，内容实体可以是包括问诊数据和医疗健康文本中至少一种。具体地，问诊数据指的是用户在终端进行在线问诊所产生的数据，可以是文字信息、语音信息或视频信息，当为语音信息或视频信息时，需要先对语音信息或视频信息进行转换，获取其对应的文本信息，具体来说，对语音信息进行语音识别得到文本信息，对视频信息先提取对应的音频信息，然后对音频信息进行语音识别得到文本信息。医疗健康文本指的是与医疗健康相关的文本信息，如可以是医疗健康相关的推文、医疗健康产品相关的广告等等。
在本实施例中，服务器首先对内容实体进行分词，得到分词结果，分词结果指的是分词后得到的一个一个的词语组成的词语序列。如，“开放性小脑出血”分词后得到的分词结果可以为：开放性/小脑/出血。对内容实体进行分词，具体来说，可首先根据标点符号将待内容实体分成一条条完整的语句，再对各个切分的语句进行分词处理，如可利用字符串匹配的分词方法对各个切分的语句进行分词处理，如正向最大匹配法，把一个切分的语句中的字符串从左至右来分词；或者，反向最大匹配法，把一个切分的语句中的字符串从右至左来分词；或者，最短路径分词法，一个切分的语句中的字符串里面要求切出的词数是最少的；或者，双向最大匹配法，正反向同时进行分词匹配。还可利用词义分词法对各个切分的语句进行分词处理，词义分词法是一种机器语音判断的分词方法，利用句法信息和语义信息来处理歧义现象来分词。还可利用统计分词法对各个切分的语句进行分词处理，从当前问诊用户的历史搜索记录或大众用户的历史搜索记录中，根据词组的统计，会统计有些两个相邻的字出现的频率较多，则可将这两个相邻的字作为词组来进行分词。
步骤S304，从分词结果中提取关键词，得到关键词集合。
具体地，关键词指的是内容实体中的关键信息对应的词语。在一个实施例中，提取关键词的步骤如下：
1)对分词结果中的各个词进行词性标注处理，并过滤掉停用词，只保留指定词性的单词，如名词、动词、形容词，得到候选关键词。
2)构建候选关键词图G＝(V,E)，其中V为节点集，由(1)生成的候选关键词组成，然后采用共现关系(co-occurrence)构造任两点之间的边，两个节点之间存在边仅当它们对应的词汇在长度为K的窗口中共现，K表示窗口大小，即最多共现K个单词。
3)参照下述公式，迭代传播各节点的权重，直至收敛。
其中，其中，公式中V表示词节点， WS表示词节点权重。W表示边权重，根据边组成的词节点的相似度得到，d为阻尼系数,取值范围为0到1,代表从图中某一特定点指向其他任意点的概率, 一般取值为0.85，In表示指向该词节点的点集合，Out表示该词节点指向的词节点的点集合。
5)对词节点权值进行倒序排序，按照权值的大小得到对应的词节点，从大到小依次选择预设数量的词节点，将选择的词节点对应的词作为关键词。
步骤S306，从预设的中心词集合中查找各个关键词集合中各个关键词对应的中心词，得到中心词集合，将中心词集合中各个中心词作为当前用户对应的第一用户标签。
具体地，预先构建一个社交网络图谱(igraph)，社交网络图谱用于描述词与词之间的关系，然后采用随机游走算法从社交网络图谱中获取关键词对应的中心词，其中，中心词指的是社交网络图谱中词与词之间联系的中心，如“月经；痛经；经期；大姨妈；生理期；月经期；***；月经血；经痛；例假；***期；姨妈…”对应的中心词为“月经”。在本实施例中，对于每一个关键词，预先在社交网络图谱中设置好初始迭代词节点x、初次行走长λ和控制精度∈(用于控制算法结束，一个非常小的正数)。获取预设迭代控制次数N和当前迭代次数K，当当前迭代次数小于给定的迭代次数时即K<N时，随机生成一个(-1,1) 之间的N维向量u＝(u1,u2,...,un)(-1＜ui＜1,i＝1,2,...,n)，并将其标准化为令x1＝x+λu'完成第一步游走。计算预设函数f(x)值，该函数是一个含有n个变量的多元函数，x＝(x1,x2,...,xn)为N维向量。当f(x1)＜f(x)时，即将该x1对应的词节点作为初始点，且重置K＝1，x1为x，重新给定λ和∈进行迭代计算。当 f(x1)＞f(x)时，继续进行游走计算。当达到预设迭代次数且λ＜∈时，则当前初始迭代词为最优词，并将该最优词作为关键词对应的中心词。
进一步，将该中心词作为当前用户对应的第一标签。
步骤S308，计算第一用户标签对应的关键词在内容实体中的词频，根据词频得到第一用户标签对应的权重。
具体地，词频指的是某个词在内容实体中出现的频率。在一个实施例中，可以对词频进行归一化，即：词频＝某个词出现的总次数/内容实体的总词数。
进一步，服务器根据第一用户标签对应的词频得到该用户标签对应的权重。在一个实施例中，可以直接将归一化后的词频作为第一标签对应的权重。
步骤S310，根据第一用户标签及第一用户标签对应的权重生成当前用户对应的用户画像，根据当前用户对应的用户画像得到内容实体对应的待推荐对象。
具体地，服务器根据当前用户对应的用户画像得到内容实体对应的待推荐对象可以是直接根据标签推荐与标签相关的待推荐对象，具体来说，可根据权重对标签进行排序，选择排序靠前的标签作为目标标签，然后根据目标标签进行推荐。如当目标标签为“母婴”时，可以向用户推荐母婴相关的商品；也可以是根据标签计算当前用户与其他用户的相似度，将相似度大于预设阈值的用户作为参考用户，然后获取参考用户的历史购买记录，根据历史购买记录对当前用户进行推荐。
本实施例中，将中心词作为用户标签，得到用户画像，并根据用户画像进行推荐，大大提高了待推荐对象与当前用户的匹配度，可以更好地满足当前用户的需求。
在一个实施例中，内容实体包括商品信息，如图4所示，根据选择的推荐策略得到内容实体对应的待推荐对象，包括：
步骤S402，获取商品信息对应的商品编号，根据商品编号查找对应的商品类目，根据商品类目获取对应的历史权重。
具体地，商品类目指的是商品所属的类别，预先设置商品类目与商品编号之间的映射关系，当获取到商品信息对应的商品编号后，可根据商品编号查找到该商品信息所属的商品类目，对每一个商品类目，都有对应的历史权重，历史权重用于衡量该类目的商品在当前操作行为集合之前的预设时间段内被浏览次数的多少，浏览的次数越多，历史权重越大，若没有被浏览，则历史权重为0，其中，预设时间段可以是当前操作行为集合之前的一天或几天或几个小时，具体可以根据需要进行设定。
可以理解，在本实施例中，商品信息可以包括多个商品的信息，这些商品可以是属于相同的商品类目，也可以是属于不同的商品类目，因此，本实施例中，商品类目可以是一个也可以是多个，在本实施例中，以商品类目进行统称，但是本领域技术人员应该理解，该商品类目包含的类目个数并没有进行限定。
步骤S404，根据当前操作行为集合计算商品类目对应的当前浏览次数，将当前浏览次数标准化。
具体地，根据用户当前操作行为集合中各个操作行为对商品类目对应的各个商品的浏览次数分别进行统计，然后累加得到商品类目对应的当前浏览次数。进一步，将当前浏览次数标准化。
浏览次数标准化是指将浏览次数按比例缩放，使之落入一个小的特定区间。在一个实施例中，使用离差标准化将浏览类目浏览次数进行线性变换，得到标准化之后的数据。
步骤S406，根据历史权重和标准化的当前浏览次数计算商品类目对应的当前权重。
具体地，根据历史权重和标准化的浏览次数使用权重计算公式得到商品类目对应的当前权重，并将得到的当前权重保存。其中W为商品类目权重，W'为为历史权重，T为浏览次数标准化之后的数据。
步骤S408，根据当前权重对商品类目进行排序，根据排序结果获取预设数量的商品类目作为目标商品类目，将目标商品类目作为当前用户对应的第二用户标签，根据第二用户标签及对应的权重生成当前用户对应的用户画像。
具体地，可以根据权值大小对商品类目进行降序排序，选取排序在前的预设数量个商品类目作为目标商品类目，将这些目标商品类目作为当前用户对应的第二用户标签。
步骤S410，根据当前用户对应的用户画像得到内容实体对应的待推荐对象。
具体地，服务器可以直接根据用户画像对应的用户标签进行推荐，因为用户标签为商品类目，每一个商品类目下都对应了多种商品，因此，可以从商品类目对应的商品中进行选取，作为待推荐对象推荐给当前用户；也可以是根据标签计算当前用户与其他用户的相似度，将相似度大于预设阈值的用户作为参考用户，然后获取该用户的历史购买记录，根据历史购买记录对当前用户进行推荐。
在本实施例中，将商品类目作为用户标签，得到用户画像，并根据用户画像进行推荐，大大提高了待推荐对象与当前用户的匹配度，可以更好地满足当前用户的需求。
在一个实施例中，如图5所示，根据当前用户对应的用户画像得到内容实体对应的待推荐对象，包括：
步骤S502，获取满足预设规则的参考用户集合。
具体地，参考用户集合指的是由满足预设规则的参考用户组成的集合，其中的参考用户用于与当前用户计算相似度。预设规则可根据需要进行设定。在一个实施例中，可以是选取某一时段内的用户作为参考用户。在另一个实施例中，由于用户在注册时，服务器通常会采集用户的属性信息，如性别、年龄、职业、居住地等，因此，也可以是选取与当前用户的某一属性如职业、年龄等相同的用户作为参考用户。
步骤S504，根据当前用户对应的用户画像计算当前用户与参考用户集合中各个参考用户的相似度。
具体地，可先对参考用户集合中每一个参考用户生成用户画像，然后计算当前用户对应的用户画像与参考用户集合中每一个参考用户对应的用户画像的相似度。
在一个实施例中，可分别将当前用户以及参考用户集合中每一个参考用户对应的用户标签按照权重进行排序，根据排序结果选取权重最大的相同的数量个标签，将这些标签共同映射至向量空间中的一个向量，然后计算当前用户对应的向量与参考用户对应的向量之间的余弦相似度，即为当前用户对应的用户画像与参考用户对应的用户画像的相似度。其中，将用户标签映射至向量空间可以是将用户标签输入至预先训练好的空间向量模型中，得到对应的向量；也可以是采用word2vec模型计算每一个标签对应的词向量，然后按照权重大小进行组合排序得到对应向量。
在另一个实施例中，可将当前用户对应的每一个用户标签分别与每一个参考用户对应的标签逐一进行匹配，根据匹配成功的标签对应的权重对参考用户进行权重计算，得到参考用户对应的权重，将累加得到的权重值作为相似度。举个例子，假设当前用户对应两个用户标签A和B，权重分别为0.6、0.4，有三个参考用户：用户1对应的用户标签为A、C，用户2对应的用户标签为B、D、用户3对应的用户标签为E、F，泽最后得到用户1的匹配度为0.6，用户2的匹配度为0.4，用户3的匹配度为0。
步骤S506，获取相似度大于预设阈值的参考用户作为目标参考用户。
其中，预设阈值可根据需要事先进行设定或更改。
步骤S508，获取目标参考用户对应的历史操作行为集合，根据目标参考用户对应的历史操作行为集合得到内容实体对应的待推荐对象。
具体地，目标参考用户对应的历史操作行为集合包括对商品的浏览、购买、收藏等，服务器在获取到目标用户的历史操作行为集合后，可获取该历史操作行为集合对应的内容实体，即商品信息，然后将该商品信息对应的商品作为待推荐对象。举例来说，若参考用户1购买了商品A、商品B，则可将商品A和商品B 作为待推荐对象。
在本实施例中，通过计算用户画像之间的相似度，来选择参考用户，然后根据参考用户的历史行为集合对当前用户进行推荐，相较于直接根据用户画像的标签进行推荐，这种方式推荐的范围更大，可挖掘出当前用户的潜在需求，从而大大提到待推荐对象与用户需求的匹配度。
在一个实施例中，获取当前用户对应的用户标识，查找用户标识对应的当前推荐列表集合，当前推荐列表集合中各个当前推荐列表存在对应的推荐策略。
其中，当前用户指的是当前通过终端登录服务器的用户，其中，登录可以是以注册用户的身份进行登录，也可以是以游客身份进行登录，以注册用户身份进行登录时，用户标识可以为该用户注册时的账号，如电子邮箱、手机号、QQ号等等，以游客身份登录的用户，其对应的用户标识为服务器自动分配的临时账号，可由预设位数的字母、数字、符号或其组合组成，用户标识用于唯一识别当前用户的身份。
在本实施例中，对于每一个当前用户，服务器获取到其用户标识后，查找该用户标识对应的当前推荐列表集合，当前推荐列表集合中包括至少一个当前推荐列表。在一个实施例中，当前推荐列表可以是由其对应的推荐策略根据历史数据进行离线计算得到，历史数据可以是用户的历史操作行为集合，也可以是商品的历史浏览量、历史销量等等。在本实施例中，当前推荐列表集合中各个当前推荐列表与预设的推荐策略集合中的推荐策略一一对应，即每一个推荐列表分别由一个推荐策略进行计算得到。
在一个实施例中，上述方法包括：当当前时间达到预设的触发时间且用户标识存在对应的历史操作行为集合时，获取历史操作行为集合对应的历史内容实体；从预设的推荐策略集合中选择与历史内容实体相适配的至少一种推荐策略，根据推荐策略得到历史内容实体对应的当前推荐列表。
其中，触发时间指的是服务器中事先设定的一个时间，当到达该触发时间时，服务器根据可根据历史数据进行离线计算得到推荐列表。触发时间一个是一天中的任意时刻，触发周期可根据需要进行设定，如可以是三天触发一次，一周触发一次等等。
在一个实施例中，上述方法还包括：当当前时间达到预设的触发时间当前用户对应的用户标识不存在对应的历史操作行为集合时，获取预设待推荐对象集合中各个预设待推荐对象对应的历史浏览次数；根据各个预设待推荐对象对应的历史浏览次数对各个预设待推荐对象进行排序，根据排序结果选取预设数量的预设待推荐对象作为待推荐对象得到当前待推荐列表。
具体地，预设待推荐对象集合指的是由预设待推荐对象组成的集合，其中，预设待推荐对象指的预先设定的有可能作为待推荐对象的对象。比如，可以将当前在售的所有商品作为预设待推荐对象，得到预设待推荐对象集合。历史浏览次数指的是在当前时间之前的预设时间段内某个预设待推荐对象被浏览的总次数。
在本实施例中，当前用户不存在历史操作行为，即该用户为第一次登陆服务器的新用户，此时可获取预设待推荐对象集合中各个预设待推荐对象对应的历史浏览次数，根据历史浏览次数来进行推荐。
应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种推荐装置600，包括：
当前操作行为集合获取模块602，用于获取当前用户作用于终端的当前操作行为集合，当前操作行为集合中的各个操作行为作用于对应的内容实体；
推荐策略选取模块604，用于从预设的推荐策略集合中选择与内容实体相适配的至少一个推荐策略，根据选择的推荐策略得到内容实体对应的待推荐对象；
推荐列表更新模块606，用于根据内容实体对应的待推荐对象更新推荐策略对应的当前推荐列表；
目标推荐列表获取模块608，用于从预设的推荐策略集合中各个推荐策略对应的更新后的当前推荐列表中选取待推荐对象，根据选取的待推荐对象得到目标推荐列表。
在一个实施例中，推荐策略选取模块604还用于对内容实体进行分词，得到分词结果；从分词结果中提取关键词，得到关键词集合；从预设的中心词集合中查找各个关键词集合中各个关键词对应的中心词，得到中心词集合，将中心词集合中各个中心词作为当前用户对应的第一用户标签；计算第一用户标签对应的关键词在内容实体中的词频，根据词频得到第一用户标签对应的权重；根据第一用户标签及第一用户标签对应的权重生成当前用户对应的用户画像，根据当前用户对应的用户画像得到内容实体对应的待推荐对象。
在一个实施例中，内容实体包括商品信息，推荐策略选取模块604还用于获取商品信息对应的商品编号，根据商品编号查找对应的商品类目，根据商品类目获取对应的历史权重；根据当前操作行为集合计算商品类目对应的当前浏览次数，将当前浏览次数标准化；根据历史权重和标准化的当前浏览次数计算商品类目对应的当前权重；根据当前权重对商品类目进行排序，根据排序结果获取预设数量的商品类目作为目标商品类目，将目标商品类目作为当前用户对应的第二用户标签，根据第二用户标签及对应的权重生成当前用户对应的用户画像；根据当前用户对应的用户画像得到内容实体对应的待推荐对象。
在一个实施例中，推荐策略选取模块604还用于获取满足预设规则的参考用户集合；根据当前用户对应的用户画像计算当前用户与参考用户集合中各个参考用户的相似度；获取相似度大于预设阈值的参考用户作为目标参考用户；获取目标参考用户对应的历史操作行为集合，根据目标参考用户对应的历史操作行为集合得到内容实体对应的待推荐对象。
在一个实施例中，上述装置还包括：当前推荐列表获取模块，用于当当前时间达到预设的触发时间且当前用户对应的用户标识存在对应的历史操作行为集合时，获取历史操作行为集合对应的历史内容实体；从预设的推荐策略集合中选择与历史内容实体相适配的至少一种推荐策略，根据推荐策略得到历史内容实体对应的当前推荐列表。
在一个实施例中，当前推荐列表获取模块还用于当当前时间达到预设的触发时间当前用户对应的用户标识不存在对应的历史操作行为集合时，获取预设待推荐对象集合中各个预设待推荐对象对应的历史浏览次数；根据各个预设待推荐对象对应的历史浏览次数对各个预设待推荐对象进行排序，根据排序结果选取预设数量的预设待推荐对象作为待推荐对象得到当前待推荐列表。
关于推荐装置的具体限定可以参见上文中对于推荐方法的限定，在此不再赘述。上述推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储操作行为数据、商品信息数据等等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种推荐方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取当前用户作用于终端的当前操作行为集合，当前操作行为集合中的各个操作行为作用于对应的内容实体；从预设的推荐策略集合中选择与内容实体相适配的至少一个推荐策略，根据选择的推荐策略得到内容实体对应的待推荐对象；根据内容实体对应的待推荐对象更新推荐策略对应的当前推荐列表；从预设的推荐策略集合中各个推荐策略对应的更新后的当前推荐列表中选取待推荐对象，根据选取的待推荐对象得到目标推荐列表。
在一个实施例中，根据选择的推荐策略得到内容实体对应的待推荐对象，包括：对内容实体进行分词，得到分词结果；从分词结果中提取关键词，得到关键词集合；从预设的中心词集合中查找各个关键词集合中各个关键词对应的中心词，得到中心词集合，将中心词集合中各个中心词作为当前用户对应的第一用户标签；计算第一用户标签对应的关键词在内容实体中的词频，根据词频得到第一用户标签对应的权重；根据第一用户标签及第一用户标签对应的权重生成当前用户对应的用户画像，根据当前用户对应的用户画像得到内容实体对应的待推荐对象。
在一个实施例中，内容实体包括商品信息，根据选择的推荐策略得到内容实体对应的待推荐对象，包括：获取商品信息对应的商品编号，根据商品编号查找对应的商品类目，根据商品类目获取对应的历史权重；根据当前操作行为集合计算商品类目对应的当前浏览次数，将当前浏览次数标准化；根据历史权重和标准化的当前浏览次数计算商品类目对应的当前权重；根据当前权重对商品类目进行排序，根据排序结果获取预设数量的商品类目作为目标商品类目，将目标商品类目作为当前用户对应的第二用户标签，根据第二用户标签及对应的权重生成当前用户对应的用户画像；根据当前用户对应的用户画像得到内容实体对应的待推荐对象。
在一个实施例中，根据当前用户对应的用户画像得到内容实体对应的待推荐对象，包括：获取满足预设规则的参考用户集合；根据当前用户对应的用户画像计算当前用户与参考用户集合中各个参考用户的相似度；获取相似度大于预设阈值的参考用户作为目标参考用户；获取目标参考用户对应的历史操作行为集合，根据目标参考用户对应的历史操作行为集合得到内容实体对应的待推荐对象。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当当前时间达到预设的触发时间且当前用户对应的用户标识存在对应的历史操作行为集合时，获取历史操作行为集合对应的历史内容实体；从预设的推荐策略集合中选择与历史内容实体相适配的至少一种推荐策略，根据推荐策略得到历史内容实体对应的当前推荐列表。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当当前时间达到预设的触发时间且当前用户对应的用户标识不存在对应的历史操作行为集合时，获取预设待推荐对象集合中各个预设待推荐对象对应的历史浏览次数；根据各个预设待推荐对象对应的历史浏览次数对各个预设待推荐对象进行排序，根据排序结果选取预设数量的预设待推荐对象作为待推荐对象得到当前待推荐列表。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取当前用户作用于终端的当前操作行为集合，当前操作行为集合中的各个操作行为作用于对应的内容实体；从预设的推荐策略集合中选择与内容实体相适配的至少一个推荐策略，根据选择的推荐策略得到内容实体对应的待推荐对象；根据内容实体对应的待推荐对象更新推荐策略对应的当前推荐列表；从预设的推荐策略集合中各个推荐策略对应的更新后的当前推荐列表中选取待推荐对象，根据选取的待推荐对象得到目标推荐列表。
在一个实施例中，根据选择的推荐策略得到内容实体对应的待推荐对象，包括：对内容实体进行分词，得到分词结果；从分词结果中提取关键词，得到关键词集合；从预设的中心词集合中查找各个关键词集合中各个关键词对应的中心词，得到中心词集合，将中心词集合中各个中心词作为当前用户对应的第一用户标签；计算第一用户标签对应的关键词在内容实体中的词频，根据词频得到第一用户标签对应的权重；根据第一用户标签及第一用户标签对应的权重生成当前用户对应的用户画像，根据当前用户对应的用户画像得到内容实体对应的待推荐对象。
在一个实施例中，内容实体包括商品信息，根据选择的推荐策略得到内容实体对应的待推荐对象，包括：获取商品信息对应的商品编号，根据商品编号查找对应的商品类目，根据商品类目获取对应的历史权重；根据当前操作行为集合计算商品类目对应的当前浏览次数，将当前浏览次数标准化；根据历史权重和标准化的当前浏览次数计算商品类目对应的当前权重；根据当前权重对商品类目进行排序，根据排序结果获取预设数量的商品类目作为目标商品类目，将目标商品类目作为当前用户对应的第二用户标签，根据第二用户标签及对应的权重生成当前用户对应的用户画像；根据当前用户对应的用户画像得到内容实体对应的待推荐对象。
在一个实施例中，根据当前用户对应的用户画像得到内容实体对应的待推荐对象，包括：获取满足预设规则的参考用户集合；根据当前用户对应的用户画像计算当前用户与参考用户集合中各个参考用户的相似度；获取相似度大于预设阈值的参考用户作为目标参考用户；获取目标参考用户对应的历史操作行为集合，根据目标参考用户对应的历史操作行为集合得到内容实体对应的待推荐对象。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当当前时间达到预设的触发时间且当前用户对应的用户标识存在对应的历史操作行为集合时，获取历史操作行为集合对应的历史内容实体；从预设的推荐策略集合中选择与历史内容实体相适配的至少一种推荐策略，根据推荐策略得到历史内容实体对应的当前推荐列表。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当当前时间达到预设的触发时间且当前用户对应的用户标识不存在对应的历史操作行为集合时，获取预设待推荐对象集合中各个预设待推荐对象对应的历史浏览次数；根据各个预设待推荐对象对应的历史浏览次数对各个预设待推荐对象进行排序，根据排序结果选取预设数量的预设待推荐对象作为待推荐对象得到当前待推荐列表。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM) 或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态 RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线 (Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种推荐方法，所述方法包括：
获取当前用户作用于终端的当前操作行为集合，所述当前操作行为集合中的各个操作行为作用于对应的内容实体；
从预设的推荐策略集合中选择与所述内容实体相适配的至少一个推荐策略，根据选择的所述推荐策略得到所述内容实体对应的待推荐对象；
根据所述内容实体对应的待推荐对象更新所述推荐策略对应的当前推荐列表；
从所述预设的推荐策略集合中各个推荐策略对应的更新后的当前推荐列表中选取待推荐对象，根据选取的所述待推荐对象得到目标推荐列表。
2.根据权利要求1所述的方法，其特征在于，所述根据选择的所述推荐策略得到所述内容实体对应的待推荐对象，包括：
对所述内容实体进行分词，得到分词结果；
从所述分词结果中提取关键词，得到关键词集合；
从预设的中心词集合中查找各个所述关键词集合中各个关键词对应的中心词，得到中心词集合，将所述中心词集合中各个中心词作为所述当前用户对应的第一用户标签；
计算所述第一用户标签对应的关键词在所述内容实体中的词频，根据所述词频得到所述第一用户标签对应的权重；
根据所述第一用户标签及所述第一用户标签对应的权重生成所述当前用户对应的用户画像，根据所述当前用户对应的用户画像得到所述内容实体对应的待推荐对象。
3.根据权利要求1所述的方法，其特征在于，所述内容实体包括商品信息，所述根据选择的所述推荐策略得到所述内容实体对应的待推荐对象，包括：
获取所述商品信息对应的商品编号，根据所述商品编号查找对应的商品类目，根据所述商品类目获取对应的历史权重；
根据所述当前操作行为集合计算所述商品类目对应的当前浏览次数，将所述当前浏览次数标准化；
根据所述历史权重和标准化的所述当前浏览次数计算所述商品类目对应的当前权重；
根据所述当前权重对所述商品类目进行排序，根据排序结果获取预设数量的商品类目作为目标商品类目，将所述目标商品类目作为所述当前用户对应的第二用户标签，根据所述第二用户标签及对应的权重生成当前用户对应的用户画像；
根据所述当前用户对应的用户画像得到所述内容实体对应的待推荐对象。
4.根据权利要求2或3中任意一项所述的方法，其特征在于，所述根据所述当前用户对应的用户画像得到所述内容实体对应的待推荐对象，包括：
获取满足预设规则的参考用户集合；
根据所述当前用户对应的用户画像计算所述当前用户与所述参考用户集合中各个参考用户的相似度；
获取相似度大于预设阈值的参考用户作为目标参考用户；
获取所述目标参考用户对应的历史操作行为集合，根据所述目标参考用户对应的历史操作行为集合得到所述内容实体对应的待推荐对象。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当当前时间达到预设的触发时间且所述当前用户对应的用户标识存在对应的历史操作行为集合时，获取所述历史操作行为集合对应的历史内容实体；
从预设的推荐策略集合中选择与所述历史内容实体相适配的至少一种推荐策略，根据所述推荐策略得到所述历史内容实体对应的所述当前推荐列表。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当当前时间达到预设的触发时间且所述当前用户对应的用户标识不存在对应的历史操作行为集合时，获取预设待推荐对象集合中各个预设待推荐对象对应的历史浏览次数；
根据各个预设待推荐对象对应的历史浏览次数对各个预设待推荐对象进行排序，根据排序结果选取预设数量的预设待推荐对象作为待推荐对象得到所述当前待推荐列表。
7.一种推荐装置，其特征在于，所述装置包括：
当前操作行为集合获取模块，用于获取当前用户作用于终端的当前操作行为集合，所述当前操作行为集合中的各个操作行为作用于对应的内容实体；
推荐策略选取模块，用于从预设的推荐策略集合中选择与所述内容实体相适配的至少一个推荐策略，根据选择的所述推荐策略得到所述内容实体对应的待推荐对象；
推荐列表更新模块，用于根据所述内容实体对应的待推荐对象更新所述推荐策略对应的当前推荐列表；
目标推荐列表获取模块，用于从所述预设的推荐策略集合中各个推荐策略对应的更新后的当前推荐列表中选取待推荐对象，根据选取的所述待推荐对象得到目标推荐列表。
8.根据权利要求7所述的方法，其特征在于，所述推荐策略选取模块还用于对所述内容实体进行分词，得到分词结果，从所述分词结果中提取关键词，得到关键词集合，从预设的中心词集合中查找各个所述关键词集合中各个关键词对应的中心词，得到中心词集合，将所述中心词集合中各个中心词作为所述当前用户对应的第一用户标签，计算所述第一用户标签对应的关键词在所述内容实体中的词频，根据所述词频得到所述第一用户标签对应的权重，根据所述第一用户标签及所述第一用户标签对应的权重生成所述当前用户对应的用户画像，根据所述当前用户对应的用户画像得到所述内容实体对应的待推荐对象。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
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执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810725366.3A CN109062994A (zh) | 2018-07-04 | 2018-07-04 | 推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810725366.3A CN109062994A (zh) | 2018-07-04 | 2018-07-04 | 推荐方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109062994A true CN109062994A (zh) | 2018-12-21 |
Family
ID=64818764
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810725366.3A Withdrawn CN109062994A (zh) | 2018-07-04 | 2018-07-04 | 推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109062994A (zh) |
Cited By (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109710853A (zh) * | 2018-12-27 | 2019-05-03 | 深圳铁盒子文化科技发展有限公司 | 一种人工智能分类匹配方法及*** |
| CN109766492A (zh) * | 2018-12-24 | 2019-05-17 | 中国联合网络通信集团有限公司 | 学习推荐方法、装置、设备和可读介质 |
| CN109885770A (zh) * | 2019-02-20 | 2019-06-14 | 杭州威佩网络科技有限公司 | 一种信息推荐方法、装置、电子设备及存储介质 |
| CN109933729A (zh) * | 2019-03-28 | 2019-06-25 | 广州麦迪森在线医疗科技有限公司 | 一种基于用户偏好的医疗学术资讯推荐方法及*** |
| CN110083634A (zh) * | 2019-03-19 | 2019-08-02 | 中国平安人寿保险股份有限公司 | 基于数据分析的订单处理方法、装置、设备及存储介质 |
| CN110413872A (zh) * | 2019-01-21 | 2019-11-05 | 北京京东尚科信息技术有限公司 | 用于展示信息的方法和装置 |
| CN110533515A (zh) * | 2019-09-04 | 2019-12-03 | 深圳创新奇智科技有限公司 | 一种高吞吐低延迟的电商个性化推荐方法及装置 |
| CN110659025A (zh) * | 2019-08-26 | 2020-01-07 | 联想(北京)有限公司 | 一种推荐方法及装置 |
| 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 |
| CN111191129A (zh) * | 2019-12-27 | 2020-05-22 | 广东德诚科教有限公司 | 专业推荐方法、装置、计算机设备和存储介质 |
| CN111199428A (zh) * | 2020-01-03 | 2020-05-26 | 江苏苏宁物流有限公司 | 商品推荐方法、装置、存储介质及计算机设备 |
| CN111368181A (zh) * | 2018-12-25 | 2020-07-03 | 阿里巴巴集团控股有限公司 | 信息推荐方法、信息显示方法及装置 |
| CN111371938A (zh) * | 2018-12-26 | 2020-07-03 | 华为终端有限公司 | 一种故障检测方法及电子设备 |
| CN111400546A (zh) * | 2020-03-18 | 2020-07-10 | 腾讯科技（深圳）有限公司 | 一种视频召回方法、视频推荐方法及装置 |
| CN111476639A (zh) * | 2020-04-10 | 2020-07-31 | 深圳市物语智联科技有限公司 | 商品推荐策略确定方法、装置、计算机设备及存储介质 |
| CN111523010A (zh) * | 2019-02-03 | 2020-08-11 | 阿里巴巴集团控股有限公司 | 推荐方法、装置、终端设备及计算机存储介质 |
| CN111651669A (zh) * | 2020-05-20 | 2020-09-11 | 拉扎斯网络科技（上海）有限公司 | 信息推荐方法、装置、电子设备和计算机可读存储介质 |
| CN111858915A (zh) * | 2020-08-07 | 2020-10-30 | 成都理工大学 | 基于标签相似度的信息推荐方法及*** |
| CN111984837A (zh) * | 2019-05-23 | 2020-11-24 | 浙江口碑网络技术有限公司 | 商品数据的处理方法、装置及设备 |
| CN112148958A (zh) * | 2019-06-26 | 2020-12-29 | 傲基科技股份有限公司 | 用于信息推荐的方法、设备和计算机存储介质 |
| CN112541787A (zh) * | 2020-12-09 | 2021-03-23 | 北京奇艺世纪科技有限公司 | 广告推荐方法、***、存储介质及电子设备 |
| CN112686568A (zh) * | 2021-01-11 | 2021-04-20 | 南方电网数字电网研究院有限公司 | 运维策略生成处理方法、装置、***、设备和存储介质 |
| CN112733034A (zh) * | 2021-01-21 | 2021-04-30 | 腾讯科技（深圳）有限公司 | 内容推荐方法、装置、设备及存储介质 |
| CN112905895A (zh) * | 2021-03-29 | 2021-06-04 | 平安国际智慧城市科技股份有限公司 | 相似项目推荐方法、装置、设备及介质 |
| CN113159810A (zh) * | 2020-01-22 | 2021-07-23 | 百度在线网络技术（北京）有限公司 | 策略评估方法、装置、设备及存储介质 |
| CN113204638A (zh) * | 2021-04-23 | 2021-08-03 | 上海明略人工智能(集团)有限公司 | 基于工作会话单元的推荐方法、***、计算机和存储介质 |
| CN113298277A (zh) * | 2021-04-25 | 2021-08-24 | 上海淇玥信息技术有限公司 | 一种基于目标的连续预约信息推送方法、装置及电子设备 |
| CN113435202A (zh) * | 2021-06-28 | 2021-09-24 | 平安科技（深圳）有限公司 | 基于用户画像的产品推荐方法、装置、电子设备及介质 |
| CN113434660A (zh) * | 2021-06-28 | 2021-09-24 | 平安银行股份有限公司 | 基于多领域分类的产品推荐方法、装置、设备及存储介质 |
| CN113722523A (zh) * | 2021-09-01 | 2021-11-30 | 北京百度网讯科技有限公司 | 对象推荐方法和装置 |
| CN113761327A (zh) * | 2020-06-18 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 推荐策略的调度方法、设备以及存储介质 |
| CN113779421A (zh) * | 2021-08-13 | 2021-12-10 | 咪咕数字传媒有限公司 | 关联推荐方法、装置、设备及计算机可读存储介质 |
| CN114429371A (zh) * | 2022-04-06 | 2022-05-03 | 新石器慧通（北京）科技有限公司 | 基于无人车的商品营销方法、装置、电子设备及存储介质 |
| CN114936325A (zh) * | 2022-07-20 | 2022-08-23 | 北京数慧时空信息技术有限公司 | 基于用户画像的遥感影像推荐方法及*** |
| CN116010588A (zh) * | 2023-03-28 | 2023-04-25 | 北京创新乐知网络技术有限公司 | 实时与离线结合的文档推荐方法、装置、设备及介质 |
| CN117522440A (zh) * | 2023-10-31 | 2024-02-06 | 深圳市灵智数字科技有限公司 | 营销策略生成方法、装置及电子设备 |
-
2018
- 2018-07-04 CN CN201810725366.3A patent/CN109062994A/zh not_active Withdrawn
Cited By (51)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109766492A (zh) * | 2018-12-24 | 2019-05-17 | 中国联合网络通信集团有限公司 | 学习推荐方法、装置、设备和可读介质 |
| CN111368181A (zh) * | 2018-12-25 | 2020-07-03 | 阿里巴巴集团控股有限公司 | 信息推荐方法、信息显示方法及装置 |
| CN111371938A (zh) * | 2018-12-26 | 2020-07-03 | 华为终端有限公司 | 一种故障检测方法及电子设备 |
| CN109710853B (zh) * | 2018-12-27 | 2021-05-04 | 深圳铁盒子文化科技发展有限公司 | 一种人工智能分类匹配方法及*** |
| CN109710853A (zh) * | 2018-12-27 | 2019-05-03 | 深圳铁盒子文化科技发展有限公司 | 一种人工智能分类匹配方法及*** |
| CN110413872A (zh) * | 2019-01-21 | 2019-11-05 | 北京京东尚科信息技术有限公司 | 用于展示信息的方法和装置 |
| CN111523010B (zh) * | 2019-02-03 | 2023-04-28 | 阿里巴巴集团控股有限公司 | 推荐方法、装置、终端设备及计算机存储介质 |
| CN111523010A (zh) * | 2019-02-03 | 2020-08-11 | 阿里巴巴集团控股有限公司 | 推荐方法、装置、终端设备及计算机存储介质 |
| CN109885770A (zh) * | 2019-02-20 | 2019-06-14 | 杭州威佩网络科技有限公司 | 一种信息推荐方法、装置、电子设备及存储介质 |
| CN110083634B (zh) * | 2019-03-19 | 2024-02-06 | 中国平安人寿保险股份有限公司 | 基于数据分析的订单处理方法、装置、设备及存储介质 |
| CN110083634A (zh) * | 2019-03-19 | 2019-08-02 | 中国平安人寿保险股份有限公司 | 基于数据分析的订单处理方法、装置、设备及存储介质 |
| CN109933729A (zh) * | 2019-03-28 | 2019-06-25 | 广州麦迪森在线医疗科技有限公司 | 一种基于用户偏好的医疗学术资讯推荐方法及*** |
| CN111984837A (zh) * | 2019-05-23 | 2020-11-24 | 浙江口碑网络技术有限公司 | 商品数据的处理方法、装置及设备 |
| CN111984837B (zh) * | 2019-05-23 | 2021-04-23 | 浙江口碑网络技术有限公司 | 商品数据的处理方法、装置及设备 |
| CN112148958A (zh) * | 2019-06-26 | 2020-12-29 | 傲基科技股份有限公司 | 用于信息推荐的方法、设备和计算机存储介质 |
| CN110659025A (zh) * | 2019-08-26 | 2020-01-07 | 联想(北京)有限公司 | 一种推荐方法及装置 |
| CN110533515A (zh) * | 2019-09-04 | 2019-12-03 | 深圳创新奇智科技有限公司 | 一种高吞吐低延迟的电商个性化推荐方法及装置 |
| 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 |
| 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 |
| CN111191129A (zh) * | 2019-12-27 | 2020-05-22 | 广东德诚科教有限公司 | 专业推荐方法、装置、计算机设备和存储介质 |
| CN111199428A (zh) * | 2020-01-03 | 2020-05-26 | 江苏苏宁物流有限公司 | 商品推荐方法、装置、存储介质及计算机设备 |
| CN113159810B (zh) * | 2020-01-22 | 2024-06-04 | 百度在线网络技术（北京）有限公司 | 策略评估方法、装置、设备及存储介质 |
| CN113159810A (zh) * | 2020-01-22 | 2021-07-23 | 百度在线网络技术（北京）有限公司 | 策略评估方法、装置、设备及存储介质 |
| CN111400546A (zh) * | 2020-03-18 | 2020-07-10 | 腾讯科技（深圳）有限公司 | 一种视频召回方法、视频推荐方法及装置 |
| CN111476639A (zh) * | 2020-04-10 | 2020-07-31 | 深圳市物语智联科技有限公司 | 商品推荐策略确定方法、装置、计算机设备及存储介质 |
| CN111651669A (zh) * | 2020-05-20 | 2020-09-11 | 拉扎斯网络科技（上海）有限公司 | 信息推荐方法、装置、电子设备和计算机可读存储介质 |
| CN113761327B (zh) * | 2020-06-18 | 2024-06-18 | 北京沃东天骏信息技术有限公司 | 推荐策略的调度方法、设备以及存储介质 |
| CN113761327A (zh) * | 2020-06-18 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 推荐策略的调度方法、设备以及存储介质 |
| CN111858915A (zh) * | 2020-08-07 | 2020-10-30 | 成都理工大学 | 基于标签相似度的信息推荐方法及*** |
| CN112541787A (zh) * | 2020-12-09 | 2021-03-23 | 北京奇艺世纪科技有限公司 | 广告推荐方法、***、存储介质及电子设备 |
| CN112541787B (zh) * | 2020-12-09 | 2023-12-19 | 北京奇艺世纪科技有限公司 | 广告推荐方法、***、存储介质及电子设备 |
| CN112686568A (zh) * | 2021-01-11 | 2021-04-20 | 南方电网数字电网研究院有限公司 | 运维策略生成处理方法、装置、***、设备和存储介质 |
| CN112733034A (zh) * | 2021-01-21 | 2021-04-30 | 腾讯科技（深圳）有限公司 | 内容推荐方法、装置、设备及存储介质 |
| CN112733034B (zh) * | 2021-01-21 | 2023-08-01 | 腾讯科技（深圳）有限公司 | 内容推荐方法、装置、设备及存储介质 |
| CN112905895A (zh) * | 2021-03-29 | 2021-06-04 | 平安国际智慧城市科技股份有限公司 | 相似项目推荐方法、装置、设备及介质 |
| CN112905895B (zh) * | 2021-03-29 | 2022-08-26 | 平安国际智慧城市科技股份有限公司 | 相似项目推荐方法、装置、设备及介质 |
| CN113204638A (zh) * | 2021-04-23 | 2021-08-03 | 上海明略人工智能(集团)有限公司 | 基于工作会话单元的推荐方法、***、计算机和存储介质 |
| CN113204638B (zh) * | 2021-04-23 | 2024-02-23 | 上海明略人工智能(集团)有限公司 | 基于工作会话单元的推荐方法、***、计算机和存储介质 |
| CN113298277A (zh) * | 2021-04-25 | 2021-08-24 | 上海淇玥信息技术有限公司 | 一种基于目标的连续预约信息推送方法、装置及电子设备 |
| CN113435202A (zh) * | 2021-06-28 | 2021-09-24 | 平安科技（深圳）有限公司 | 基于用户画像的产品推荐方法、装置、电子设备及介质 |
| CN113434660A (zh) * | 2021-06-28 | 2021-09-24 | 平安银行股份有限公司 | 基于多领域分类的产品推荐方法、装置、设备及存储介质 |
| CN113779421A (zh) * | 2021-08-13 | 2021-12-10 | 咪咕数字传媒有限公司 | 关联推荐方法、装置、设备及计算机可读存储介质 |
| CN113722523B (zh) * | 2021-09-01 | 2023-11-17 | 北京百度网讯科技有限公司 | 对象推荐方法和装置 |
| CN113722523A (zh) * | 2021-09-01 | 2021-11-30 | 北京百度网讯科技有限公司 | 对象推荐方法和装置 |
| CN114429371B (zh) * | 2022-04-06 | 2022-06-28 | 新石器慧通（北京）科技有限公司 | 基于无人车的商品营销方法、装置、电子设备及存储介质 |
| CN114429371A (zh) * | 2022-04-06 | 2022-05-03 | 新石器慧通（北京）科技有限公司 | 基于无人车的商品营销方法、装置、电子设备及存储介质 |
| CN114936325B (zh) * | 2022-07-20 | 2022-10-11 | 北京数慧时空信息技术有限公司 | 基于用户画像的遥感影像推荐方法及*** |
| CN114936325A (zh) * | 2022-07-20 | 2022-08-23 | 北京数慧时空信息技术有限公司 | 基于用户画像的遥感影像推荐方法及*** |
| CN116010588A (zh) * | 2023-03-28 | 2023-04-25 | 北京创新乐知网络技术有限公司 | 实时与离线结合的文档推荐方法、装置、设备及介质 |
| CN116010588B (zh) * | 2023-03-28 | 2023-08-18 | 北京创新乐知网络技术有限公司 | 实时与离线结合的文档推荐方法、装置、设备及介质 |
| CN117522440A (zh) * | 2023-10-31 | 2024-02-06 | 深圳市灵智数字科技有限公司 | 营销策略生成方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109062994A (zh) | 推荐方法、装置、计算机设备和存储介质 | |
| CN110532451A (zh) | 针对政策文本的检索方法和装置、存储介质、电子装置 | |
| TWI557664B (zh) | Product information publishing method and device | |
| CN103400286B (zh) | 一种基于用户行为进行物品特征标注的推荐***及方法 | |
| CA2897886C (en) | Methods and apparatus for identifying concepts corresponding to input information | |
| CN104268292B (zh) | 画像***的标签词库更新方法 | |
| US9934293B2 (en) | Generating search results | |
| CN110162701A (zh) | 内容推送方法、装置、计算机设备和存储介质 | |
| CN108897734A (zh) | 用户画像生成方法、装置、计算机设备和存储介质 | |
| WO2018040069A1 (zh) | 信息推荐***及方法 | |
| EP2307951A1 (en) | Method and apparatus for relating datasets by using semantic vectors and keyword analyses | |
| Shahid et al. | Insights into relevant knowledge extraction techniques: a comprehensive review | |
| Baishya et al. | SAFER: sentiment analysis-based fake review detection in e-commerce using deep learning | |
| CN115374781A (zh) | 文本数据信息挖掘方法、装置、设备 | |
| Sharma et al. | Intelligent data analysis using optimized support vector machine based data mining approach for tourism industry | |
| CN112989118B (zh) | 视频召回方法及装置 | |
| CN110232071A (zh) | 药品数据的检索方法、装置及存储介质、电子装置 | |
| CN110851708B (zh) | 负样本的抽取方法、装置、计算机设备和存储介质 | |
| Shoja et al. | Tags-aware recommender systems: a systematic review | |
| Meng et al. | Variational Bayesian representation learning for grocery recommendation | |
| Pan et al. | Improving recommendations in tag-based systems with spectral clustering of tag neighbors | |
| Ozsoy | Utilizing fasttext for venue recommendation | |
| Pongnumkul et al. | Random walk-based recommendation with restart using social information and bayesian transition matrices | |
| CN112434126A (zh) | 一种信息处理方法、装置、设备和存储介质 | |
| Huynh et al. | Vietnamese short text classification via distributed computation |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181221 |
|
| WW01 | Invention patent application withdrawn after publication |