CN109299375A - 资讯个性化推送方法、装置、电子设备及存储介质 - Google Patents
资讯个性化推送方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN109299375A CN109299375A CN201811243452.7A CN201811243452A CN109299375A CN 109299375 A CN109299375 A CN 109299375A CN 201811243452 A CN201811243452 A CN 201811243452A CN 109299375 A CN109299375 A CN 109299375A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- data
- personalized
- interest model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 110
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 19
- 239000000284 extract Substances 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 23
- 230000006399 behavior Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 241001269238 Data Species 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000003780 insertion Methods 0.000 description 3
- 230000037431 insertion Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种资讯个性化推送方法，包括：获取应用程序中与用户相关的多个预设维度的数据，其中，所述数据包括结构化数据和非结构化数据；将所述非结构化数据转化为结构化数据；根据所述结构化数据建立用户兴趣模型；及根据建立的用户兴趣模型为用户推送个性化资讯。本发明还提供一种资讯个性化推送装置、电子设备及存储介质。本发明最终通过相似度匹配算法实现为用户提供个性化的与金融相关的资讯和特色内容，对改善应用程序的用户体验、增加用户停留时长和粘性、提高用户转化都有显著的效果。
Description
技术领域
本发明涉及通信技术领域，具体涉及一种资讯个性化推送方法、装置、电子设备及存储介质。
背景技术
随着移动互联网迅猛发展，智能手机、平板电脑已能够完成大部分PC的所实现的功能。由于这些移动设备具有轻便，美观，易用的特点，深得大众的喜爱。智能手机已不像从前那样功能简单，仅能满足基本的语音通话和短消息发送，还需要支持众多功能复杂的应用。高端智能手机由于其硬件配置较高，软件***也在不断发展，为此，许多手机都以功能强大的开放式操作***(如Windows、Mobile、Linux、Symbian以及Android等操作***)为基础进行研发。可以安装许多应用程序，然而一般每个应用程序的功能较单一，可玩性、趣味性和用户粘性都有待改进。
发明内容
鉴于以上内容，有必要提出一种资讯个性化推送方法、装置、电子设备及存储介质，可以提供个性化的与金融相关的资讯和特色内容。
本发明的第一方面提供一种资讯个性化推送方法，应用于电子设备中，所述方法包括：
获取应用程序中与用户相关的多个预设维度的数据，其中，所述数据包括结构化数据和非结构化数据；
将所述非结构化数据转化为结构化数据；
根据所述结构化数据建立用户兴趣模型；及
根据建立的用户兴趣模型为用户推送个性化资讯。
优选地，通过以下方式中的一种或多种来获取用户在应用程序中的多个预设维度的数据：
提取与用户的智能对话交互中的预设信息，其中，所述预设信息包括关键词和对话时长；
记录用户所登录的场景信息，其中，所述场景信息包括页面埋点数据和用户状态；
采集用户在应用程序中的操作数据，其中，所述操作数据包括页面访问、停留时间和所持有产品；和
记录用户对于问卷调查的答案信息，其中，所述答案信息包括问卷的内容、回答时长和间隔。
优选地，所述将所述非结构化数据转化为结构化数据的方法包括：
将所述非结构化数据通过统一的接口转换为标准结构文件；
提取所述标准结构文件中的内容，并将所述标准结构文件中的内容转换为XML文档；
提取所述标准结构文件中的结构生成文件模板；
根据生成的文件模板创建仿真结果表结构；
根据生成的文件模板中的信息读取相应的XML文档，并解析所述XML文档以提取其中的数据内容；
将提取的数据内容***到已经创建好的结果表中。
优选地，所述结构化数据通过基于向量空间模型的表示法建立用户兴趣模型。
优选地，在根据所述结构化数据建立用户兴趣模型之后，所述方法还包括对所述用户兴趣模型进行更新，其中，对所述用户兴趣模型进行更新的方法包括基于用户反馈的更新方法和基于自然变化的模型更新方法。
优选地，采用基于内容的推荐方法为用户推送个性化资讯，所述基于内容的推荐通过比较资讯与用户兴趣模型的相似度来决定是否推荐所述资讯供用户参考。
优选地，所述采用基于内容的推荐方法为用户推送个性化资讯的方法包括:
建立所述资讯的第一空间向量，根据建立的用户兴趣模型获取第二空间向量；
计算所述第一空间向量和第二空间向量之间的向量余弦值，将向量余弦值作为所述资讯与用户兴趣模型的相似度；
比对所述相似度是否大于一预设值；
当所述相似度大于等于一预设值时，确定所述资讯与用户兴趣模型匹配，推荐所述资讯供用户参考；
当所述相似度小于所述预设值时，确定所述资讯与用户兴趣模型不匹配，不推荐所述资讯供用户参考。
本发明的第二方面提供一种资讯个性化推送装置，所述装置包括：
获取模块，用于获取应用程序中与用户相关的多个预设维度的数据，其中，所述数据包括结构化数据和非结构化数据；
处理模块，用于将所述非结构化数据转化为结构化数据；
建立模块，用于根据所述结构化数据建立用户兴趣模型；及
推送模块，用于根据建立的用户兴趣模型为用户推送个性化资讯。
本发明的第三方面提供一种电子设备，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述资讯个性化推送方法。
本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质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所述资讯个性化推送方法。
本发明所述的资讯个性化推送方法、装置、电子设备及存储介质，本方案获取用户在应用程序中的多个预设维度的数据，根据获取的数据建立用户兴趣模型及根据建立的用户兴趣模型为用户推送个性化资讯。可以提供个性化的与金融相关的资讯和特色内容，对改善应用程序的用户体验、增加用户停留时长和粘性、提高用户转化都有显著的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，还可以根据提供的附图获得其他的附图。
图1是本发明实施例一提供的资讯个性化推送方法的流程图。
图2是本发明实施例二提供的资讯个性化推送装置的功能模块图。
图3是本发明实施例三提供的电子设备的示意图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”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它步骤或单元。
本发明实施例的资讯个性化推送方法应用在电子设备中。所述对于需要进资讯个性化推送的电子设备，可以直接在电子设备上集成本发明的方法所提供的推送功能，或者安装用于实现本发明的方法的客户端。再如，本发明所提供的方法还可以以软件开发工具包(Software Development Kit，SDK)的形式运行在服务器等设备上，以SDK的形式提供资讯个性化推送功能的接口，电子设备或其他设备通过提供的接口即可实现资讯个性化推送功能。
实施例一
图1是本发明实施例一提供的资讯个性化推送方法的流程图。根据不同的需求，所述流程图中的执行顺序可以改变，某些步骤可以省略。
步骤S01、获取应用程序中与用户相关的多个预设维度的数据，其中，所述数据包括结构化数据和非结构化数据。
在本实施方式中，所述应用程序可以是电子设备自带的应用程序，如电话、短信、设置、相机、照片、邮件、备忘录、音乐播放器、视频播放器、日历、天气等；还可以是安装于电子设备的操作***中任一第三方应用，例如金管家、微信、微博、爱奇艺、优酷、健康160、京东、百度糯米、百度地图、酷狗音乐、网易云音乐、手机淘宝等应用。所述应用程序还可以是电子设备上的浏览器的一个网页程序(webApp)，例如，phonegap等。
在本实施方式中，所述应用程序为安装于电子设备的操作***中任一第三方应用。例如，金管家。
在本实施方式中，所述电子设备可以包括但不限于个人计算机(PersonalComputer，PC)、个人数字助理(Personal Digital Assistant，PDA)、无线手持设备、平板电脑(Tablet Computer)、智能手机等。
在一实施例中，通过以下方式中的一种或多种来获取用户在应用程序中的多个预设维度的数据：
提取与用户的智能对话交互中的预设信息：通过提取与用户的智能对话交互中的预设信息，获取用户在资金实力、投资经验、风险偏好、收益目标、性格特征、投资期限等方面的数据。例如，当用户登录金管家应用程序后，可以获取的数据包括是否买了保险、用户的投资风险等级以及用户年龄等数据。
所述预设信息包括关键词、对话时长等。
记录用户所登录的场景信息：通过记录用户在具体应用场景中的决策，获取用户在风险偏好、性格特征方面的数据。场景的定义在具体的应用中比较广泛，比如：用户某一笔资金面临如何投资的“投资场景”，用户在面临是否需要追加投资或减少投资时的“研判场景”，用户受到宏观市场环境影响需要得到顾问式咨询的“帮助场景”，等等。
所述场景信息包括页面埋点数据、用户状态、轨迹等。
采集用户在应用程序中的操作数据：通过采集用户在应用程序中的页面访问、停留时间、所持有产品、操作记录等操作数据，获取用户在投资经验、风险偏好、性格特征方面的金融数据。例如，当用户较为关注“保守型－低风险”类型，或是访问货币型基金页面次数较多(及停留时间较长)，这些操作数据可以作为所述用户的资金实力、风险偏好、性格特征方面的金融数据。
记录用户对于问卷调查的答案信息：通过在具体智能对话交互中巧妙嵌入问卷，通过预先设计的问题，获取用户在资金实力、投资经验、风险偏好、收益目标、性格特征、投资期限方面的金融数据，答案信息包括问卷的内容、回答时长、间隔。
从数据来源看，可以将上述数据分为非结构化数据和结构化数据。非结构化数据包括从智能对话交互中提取的预设信息、用户在具体应用程序中的操作数据。所述操作数据包括足迹和行为数据，所述行为数据包括页面访问、停留时间、操作记录等数据。结构化数据包括从问卷调查中获取的数据。
所述预设维度包括以下中的多个：资金实力、投资经验、风险偏好、收益目标、性格特征和投资期限。各预设维度的数据会随着用户的深入接触，逐渐增多。
步骤S02，将所述非结构化数据转化为结构化数据。
在本实施方式中，可以通过先将所述非结构化数据转换为半结构化数据，再将所述半结构化数据转换为结构化数据的方式，来实现将所述非结构化数据转化为结构化数据的目的。
具体地，将所述非结构化数据转化为结构化数据的方法包括：
将所述非结构化数据通过统一的接口转换为容易处理的标准结构文件；
提取所述标准结构文件中的内容，并将其转换为XML文档；
提取所述标准结构文件中的结构生成文件模板；
根据生成的文件模板创建仿真结果表结构。其中，表的信息主要包括表名、字段名、数据类型、字段长度、值约束、主外键约束等。通过结构映射和语义映射方法。
根据生成的文件模板中的信息读取相应的XML文档，并解析所述XML文档以提取其中的数据内容。可以理解的是，在这里可以使用解析工具将XML文档进行解析。
将提取的数据内容***到已经创建好的结果表中，完成半结构化到结构化的数据转换。
步骤S03，根据所述结构化数据建立用户兴趣模型。
在本实施方式中，所述用户兴趣模型为一种数据结构，其表现形式直接决定了用户兴趣模型反映用户兴趣爱好的能力和模型的可计算能力。常见的用户兴趣模型表示方法包括：基于向量空间模型的表示法、基于神经网络的表示法、基于粗、细兴趣粒度的表示法、关键词列表表示法等。
粗兴趣粒度与细兴趣粒度是根据表示用户兴趣模型的信息粒度划分的，基于粗兴趣粒度表示的用户兴趣模型中仅分位感兴趣和不感兴趣两大类，而基于细兴趣粒度表示的用户兴趣模型则需要使用具体的兴趣主题来详细表示用户的兴趣爱好。基于细兴趣粒度的表示法可以更加细致的刻画用户的喜好，但实现困难。基于粗兴趣粒度的表示法可以利用机器学习的方法快速实现。
所述基于关键词列表的表示法是利用表示用户兴趣的关键词列表来建立用户兴趣模型，例如，一个用户喜欢购买基金进行理财，所述用户的关键词列表为{平安，基金，理财}等，也就是说，所述用户的兴趣模型为关键词列表{平安，基金，理财}。可以理解的是，所述关键词列表中的关键词可以由学习算法得到也可以由用户自己指定。
在本实施方式中，将所述结构化数据通过基于向量空间模型的表示法建立用户兴趣模型。
所述基于向量空间模型的表示法把用户的兴趣模型表示成一个n维的特征向量{(t1,w1),(t2,w2),…,(tn,wn)}，用以表示用户感兴趣的方面以及对这一方面的感兴趣程度，其中ti(1≦i≦n)表示兴趣特征项，wi(1≦i≦n)表示特征项在模型中的权重，代表这用户对兴趣项ti的敢兴趣程度。所述模型中的兴趣特征项可以是项目的特征描述词或者是表示用户兴趣的关键词，基于向量空间模型的表示法能够反映不同的兴趣特征项在用户兴趣模型中的重要程度。
例如，当用户较为关注“保守型－低风险”类型的资讯时，通过对用户的搜索行为、条件查询行为的统计分析，以及对预设时间段内用户点赞数最多的N篇公众号文章的特征提取，挖掘用户在类型、作者、时间和内容简介四个兴趣特征项ti(1≦i≦4)的偏好程度，求得各维度权重wi(1≦i≦4),从而建立如{(t1,w1),(t2,w2)，(t3,w3),(t4,w4)}的兴趣模型。ti为“保守型－低风险”类型的资讯的维度，wi表示用户对所述资讯各个维度的权重，如{(类型，0.2)，(作者，0.3)，(时间，0.3)，(内容简介，0.2)}。
在本实施方式中，所述用户兴趣模型还可以将具有同样兴趣的用户划分为同一类，方便后续为用户推送个性化资讯。
在本实施方式中，所述方法还包括对所述用户兴趣模型进行更新的步骤。
由于用户的兴趣不可能一成不变，用户兴趣模型需要随着用户的兴趣的变化而变化，以便更好的贴合用户的最新喜好，为用户提供高质量的推荐。可以理解的是，所述方法可以根据用户主动提供的显示信息或者是跟踪用户的行为获取的隐式信息为用户兴趣模型的更新提供数据。
优选地，对所述用户兴趣模型进行更新的方法包括基于用户反馈的更新方法和基于自然变化的模型更新方法。
所述基于用户反馈的更新方法主要是利用用户对项目的反馈信息对用户兴趣模型进行更新，例如增加一个项目的评分，增加一个兴趣关键词等。所述基于自然变化的模型更新方法不仅可以将新兴趣项添加到用户兴趣模型中，还会调整其他兴趣项的权重，使得用户的兴趣爱好呈现自然变化，达到用户不再喜欢的资讯会被自然遗忘，用户喜欢的资讯的权重会增加的效果。
步骤S04，根据建立的用户兴趣模型为用户推送个性化资讯。
在本实施方式中，可以采用基于内容的推荐、协同推荐和混合推荐方法为用户推送个性化资讯。
基于内容的推荐通过比较资讯与用户兴趣模型的相似度来决定是否推荐信息，所述方法实现机制简单，向用户推荐与用户兴趣模型匹配的资讯。例如，建立某资讯的第一空间向量，根据建立的用户兴趣模型获取第二空间向量；其中，所述第一空间向量包括兴趣特征项与权重。
计算所述第一空间向量和第二空间向量之间的向量余弦值，将向量余弦值作为所述资讯与用户兴趣模型的相似度。
通过比对所述相似度是否大于一预设值来决定是否推荐所述资讯给用户；当所述相似度大于等于一预设值时，推荐与用户兴趣模型匹配的所述资讯给用户；当所述相似度小于所述预设值时，不推荐所述资讯给用户。
协同推荐方法通过比较用户之间的兴趣相似性来推荐资讯，将具有相似兴趣的用户归为同一类。
例如，对于与资讯A相关的文章，根据所有用户的历史偏好，喜欢与资讯A相关的文章的用户都喜欢与资讯C相关的文章,得出与资讯A相关的文章和与资讯C相关的文章比较相似，而用户B喜欢与资讯A相关的文章，那么可以推断出用户B可能也喜欢与资讯C相关的文章。由于与资讯A相关的文章和与资讯C相关的文章比较相似，若用户B喜欢与资讯C相关的文章,也可以推断出用户B可能也喜欢与资讯A相关的文章。
混合推荐方法是将基于内容的推荐方法与协同推荐方法结合起来的一种推荐方法。既比较资讯资源与用户兴趣模型的相似度，又寻找具有相近兴趣的用户类，可以更好的进行个性化推送。
在本实施方式中，可以采用混合推荐方法为用户推送个性化资讯。
在本实施方式中，所述个性化资讯包括专业的保险知识和专业的金融资讯。
在本实施方式中，所述个性化资讯推荐方法还包括采集用户访问个性化资讯的访问记录，并根据所述访问记录调整个性化资讯的权重，从而可以为用户推送更加喜爱的资讯。例如，所述方法可以曾加访问记录较多的资讯的权重，从而为用户推送与所述资讯相关的内容。
在本实施方式中，所述资讯个性化推送方法还可以为应用程序增加趣味入口。例如，添加摇一摇、跳一跳等小游戏或者在应用程序的H5页面添加趣味活动。例如，所述方法在应用程序金管家中增加摇一摇小程序插件。
综上所述，本发明提供的资讯个性化推送方法包括，获取应用程序中与用户相关的多个预设维度的数据，其中，所述数据包括结构化数据和非结构化数据；将所述非结构化数据转化为结构化数据；根据所述结构化数据建立用户兴趣模型；及根据建立的用户兴趣模型为用户推送个性化资讯。本方案获取用户在应用程序中的多个预设维度的数据，根据获取的数据建立用户兴趣模型及根据建立的用户兴趣模型为用户推送个性化资讯。可以提供个性化的与金融相关的资讯和特色内容，对改善应用程序的用户体验、增加用户停留时长和粘性、提高用户转化都有显著的效果。
以上所述，仅是本发明的具体实施方式，但本发明的保护范围并不局限于此，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出改进，但这些均属于本发明的保护范围。
下面结合第2至3图，分别对实现上述资讯个性化推送方法的电子设备的功能模块及硬件结构进行介绍。
实施例二
图2为本发明资讯个性化推送装置较佳实施例中的功能模块图。
在一些实施例中，所述资讯个性化推送装置20(下文简称为“推送装置20”)运行于电子设备中。所述推送装置20可以包括多个由程序代码段所组成的功能模块。所述推送装置20中的各个程序段的程序代码可以存储于存储器中，并由至少一个处理器所执行，以执行(详见图1及其相关描述)推送功能。
本实施例中，所述推送装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：获取模块201、处理模块202、建立模块203及推送模块204。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在一些实施例中，关于各模块的功能将在后续的实施例中详述。
所述获取模块201用于获取应用程序中与用户相关的多个预设维度的数据，其中，所述数据包括结构化数据和非结构化数据。
在本实施方式中，所述应用程序可以是电子设备自带的应用程序，如电话、短信、设置、相机、照片、邮件、备忘录、音乐播放器、视频播放器、日历、天气等；还可以是安装于电子设备的操作***中任一第三方应用，例如金管家、微信、微博、爱奇艺、优酷、健康160、京东、百度糯米、百度地图、酷狗音乐、网易云音乐、手机淘宝等应用。所述应用程序还可以是电子设备上的浏览器的一个网页程序(webApp)，例如，phonegap等。
在本实施方式中，所述应用程序为安装于电子设备的操作***中任一第三方应用。例如，金管家。
在本实施方式中，所述电子设备可以包括但不限于个人计算机(PersonalComputer，PC)、个人数字助理(Personal Digital Assistant，PDA)、无线手持设备、平板电脑(Tablet Computer)、智能手机等。
在一实施例中，通过以下方式中的一种或多种来获取用户在应用程序中的多个预设维度的数据：
提取与用户的智能对话交互中的预设信息：通过提取与用户的智能对话交互中的预设信息，获取用户在资金实力、投资经验、风险偏好、收益目标、性格特征、投资期限等方面的数据。例如，当用户登录金管家应用程序后，可以获取的数据包括是否买了保险、用户的投资风险等级以及用户年龄等数据。
所述预设信息包括关键词、对话时长等。
记录用户所登录的场景信息：通过记录用户在具体应用场景中的决策，获取用户在风险偏好、性格特征方面的数据。场景的定义在具体的应用中比较广泛，比如：用户某一笔资金面临如何投资的“投资场景”，用户在面临是否需要追加投资或减少投资时的“研判场景”，用户受到宏观市场环境影响需要得到顾问式咨询的“帮助场景”，等等。
所述场景信息包括页面埋点数据、用户状态、轨迹等。
采集用户在应用程序中的操作数据：通过采集用户在应用程序中的页面访问、停留时间、所持有产品、操作记录等操作数据，获取用户在投资经验、风险偏好、性格特征方面的金融数据。例如，当用户较为关注“保守型－低风险”类型，或是访问货币型基金页面次数较多(及停留时间较长)，这些操作数据可以作为所述用户的资金实力、风险偏好、性格特征方面的金融数据。
记录用户对于问卷调查的答案信息：通过在具体智能对话交互中巧妙嵌入问卷，通过预先设计的问题，获取用户在资金实力、投资经验、风险偏好、收益目标、性格特征、投资期限方面的金融数据，答案信息包括问卷的内容、回答时长、间隔。
从数据来源看，可以将上述数据分为非结构化数据和结构化数据。非结构化数据包括从智能对话交互中提取的预设信息、用户在具体应用程序中的操作数据。所述操作数据包括足迹和行为数据，所述行为数据包括页面访问、停留时间、操作记录等数据。结构化数据包括从问卷调查中获取的数据。
所述预设维度包括以下中的多个：资金实力、投资经验、风险偏好、收益目标、性格特征和投资期限。各预设维度的数据会随着用户的深入接触，逐渐增多。
所述处理模块202用于将所述非结构化数据转化为结构化数据。
在本实施方式中，可以通过先将所述非结构化数据转换为半结构化数据，再将所述半结构化数据转换为结构化数据的方式，来实现将所述非结构化数据转化为结构化数据的目的。
具体地，将所述非结构化数据转化为结构化数据的方法包括：
将所述非结构化数据通过统一的接口转换为容易处理的标准结构文件；
提取所述标准结构文件中的内容，并将其转换为XML文档；
提取所述标准结构文件中的结构生成文件模板；
根据生成的文件模板创建仿真结果表结构。其中，表的信息主要包括表名、字段名、数据类型、字段长度、值约束、主外键约束等。通过结构映射和语义映射方法。
根据生成的文件模板中的信息读取相应的XML文档，并解析所述XML文档以提取其中的数据内容。可以理解的是，在这里可以使用解析工具将XML文档进行解析。
将提取的数据内容***到已经创建好的结果表中，完成半结构化到结构化的数据转换。
所述建立模块203用于根据所述结构化数据建立用户兴趣模型。
在本实施方式中，所述用户兴趣模型为一种数据结构，其表现形式直接决定了用户兴趣模型反映用户兴趣爱好的能力和模型的可计算能力。常见的用户兴趣模型表示方法包括：基于向量空间模型的表示法、基于神经网络的表示法、基于粗、细兴趣粒度的表示法、关键词列表表示法等。
粗兴趣粒度与细兴趣粒度是根据表示用户兴趣模型的信息粒度划分的，基于粗兴趣粒度表示的用户兴趣模型中仅分位感兴趣和不感兴趣两大类，而基于细兴趣粒度表示的用户兴趣模型则需要使用具体的兴趣主题来详细表示用户的兴趣爱好。基于细兴趣粒度的表示法可以更加细致的刻画用户的喜好，但实现困难。基于粗兴趣粒度的表示法可以利用机器学习的方法快速实现。
所述基于关键词列表的表示法是利用表示用户兴趣的关键词列表来建立用户兴趣模型，例如，一个用户喜欢购买基金进行理财，所述用户的关键词列表为{平安，基金，理财}等，也就是说，所述用户的兴趣模型为关键词列表{平安，基金，理财}。可以理解的是，所述关键词列表中的关键词可以由学习算法得到也可以由用户自己指定。
在本实施方式中，将所述结构化数据通过基于向量空间模型的表示法建立用户兴趣模型。
所述基于向量空间模型的表示法把用户的兴趣模型表示成一个n维的特征向量{(t1,w1),(t2,w2),…,(tn,wn)}，用以表示用户感兴趣的方面以及对这一方面的感兴趣程度，其中ti(1≦i≦n)表示兴趣特征项，wi(1≦i≦n)表示特征项在模型中的权重，代表这用户对兴趣项ti的敢兴趣程度。所述模型中的兴趣特征项可以是项目的特征描述词或者是表示用户兴趣的关键词，基于向量空间模型的表示法能够反映不同的兴趣特征项在用户兴趣模型中的重要程度。
例如，当用户较为关注“保守型－低风险”类型的资讯时，通过对用户的搜索行为、条件查询行为的统计分析，以及对预设时间段内用户点赞数最多的N篇公众号文章的特征提取，挖掘用户在类型、作者、时间和内容简介四个兴趣特征项ti(1≦i≦4)的偏好程度，求得各维度权重wi(1≦i≦4),从而建立如{(t1,w1),(t2,w2)，(t3,w3),(t4,w4)}的兴趣模型。ti为“保守型－低风险”类型的资讯的维度，wi表示用户对所述资讯各个维度的权重，如{(类型，0.2)，(作者，0.3)，(时间，0.3)，(内容简介，0.2)}。
在本实施方式中，所述方法还包括对所述用户兴趣模型进行更新的步骤。
由于用户的兴趣不可能一成不变，用户兴趣模型需要随着用户的兴趣的变化而变化，以便更好的贴合用户的最新喜好，为用户提供高质量的推荐。可以理解的是，所述方法可以根据用户主动提供的显示信息或者是跟踪用户的行为获取的隐式信息为用户兴趣模型的更新提供数据。
优选地，对所述用户兴趣模型进行更新的方法包括基于用户反馈的更新方法和基于自然变化的模型更新方法。
所述基于用户反馈的更新方法主要是利用用户对项目的反馈信息对用户兴趣模型进行更新，例如增加一个项目的评分，增加一个兴趣关键词等。所述基于自然变化的模型更新方法不仅可以将新兴趣项添加到用户兴趣模型中，还会调整其他兴趣项的权重，使得用户的兴趣爱好呈现自然变化，达到用户不再喜欢的资讯会被自然遗忘，用户喜欢的资讯的权重会增加的效果。
所述推送模块204用于根据建立的用户兴趣模型为用户推送个性化资讯。
在本实施方式中，可以采用基于内容的推荐、协同推荐和混合推荐方法为用户推送个性化资讯。
基于内容的推荐通过比较资讯与用户兴趣模型的相似度来决定是否推荐信息，所述方法实现机制简单，向用户推荐与用户兴趣模型匹配的资讯。例如，建立某资讯的第一空间向量，根据建立的用户兴趣模型获取第二空间向量；其中，所述第一空间向量包括兴趣特征项与权重。
计算所述第一空间向量和第二空间向量之间的向量余弦值，将向量余弦值作为所述资讯与用户兴趣模型的相似度。
通过比对所述相似度是否大于一预设值来决定是否推荐所述资讯给用户；当所述相似度大于等于一预设值时，推荐与用户兴趣模型匹配的所述资讯给用户；当所述相似度小于所述预设值时，不推荐所述资讯给用户。
协同推荐方法通过比较用户之间的兴趣相似性来推荐资讯，将具有相似兴趣的用户归为同一类。
例如，对于与资讯A相关的文章，根据所有用户的历史偏好，喜欢与资讯A相关的文章的用户都喜欢与资讯C相关的文章,得出与资讯A相关的文章和与资讯C相关的文章比较相似，而用户B喜欢与资讯A相关的文章，那么可以推断出用户B可能也喜欢与资讯C相关的文章。由于与资讯A相关的文章和与资讯C相关的文章比较相似，若用户B喜欢与资讯C相关的文章,也可以推断出用户B可能也喜欢与资讯A相关的文章。
混合推荐方法是将基于内容的推荐方法与协同推荐方法结合起来的一种推荐方法。既比较资讯资源与用户兴趣模型的相似度，又寻找具有相近兴趣的用户类，可以更好的进行个性化推送。
在本实施方式中，可以采用混合推荐方法为用户推送个性化资讯。
在本实施方式中，所述个性化资讯包括专业的保险知识和专业的金融资讯。
在本实施方式中，所述个性化资讯推荐方法还包括采集用户访问个性化资讯的访问记录，并根据所述访问记录调整个性化资讯的权重，从而可以为用户推送更加喜爱的资讯。例如，所述方法可以曾加访问记录较多的资讯的权重，从而为用户推送与所述资讯相关的内容。
在本实施方式中，所述资讯个性化推送方法还可以为应用程序增加趣味入口。例如，添加摇一摇、跳一跳等小游戏或者在应用程序的H5页面添加趣味活动。例如，所述方法在应用程序金管家中增加摇一摇小程序插件。
综上所述，本发明所述的推送装置20，包括获取模块201、处理模块202、建立模块203及推送模块204。所述获取模块201用于获取应用程序中与用户相关的多个预设维度的数据，其中，所述数据包括结构化数据和非结构化数据；所述处理模块202用于将所述非结构化数据转化为结构化数据；所述建立模块203用于根据所述结构化数据建立用户兴趣模型；及所述推送模块204用于根据建立的用户兴趣模型为用户推送个性化资讯。本方案通过获取用户在应用程序中的多个预设维度的数据，根据获取的数据建立用户兴趣模型及根据建立的用户兴趣模型为用户推送个性化资讯。可以提供个性化的与金融相关的资讯和特色内容，对改善应用程序的用户体验、增加用户停留时长和粘性、提高用户转化都有显著的效果。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，双屏设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。
图3为本发明实施例三提供的电子设备的示意图。
所述电子设备3包括：存储器31、至少一个处理器32、存储在所述存储器31中并可在所述至少一个处理器32上运行的计算机程序33及至少一条通讯总线34。
所述至少一个处理器32执行所述计算机程序33时实现上述资讯个性化推送方法实施例中的步骤。
示例性的，所述计算机程序33可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述至少一个处理器32执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，所述指令段用于描述所述计算机程序33在所述电子设备3中的执行过程。
所述电子设备3可以是手机、平板电脑、个人数字助理(Personal DigitalAssistant，PDA)等安装有应用程序的设备。本领域技术人员可以理解，所述示意图3仅仅是电子设备3的示例，并不构成对电子设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备3还可以包括输入输出设备、网络接入设备、总线等。
所述至少一个处理器32可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。所述处理器32可以是微处理器或者所述处理器32也可以是任何常规的处理器等，所述处理器32是所述电子设备3的控制中心，利用各种接口和线路连接整个电子设备3的各个部分。
所述存储器31可用于存储所述计算机程序33和/或模块/单元，所述处理器32通过运行或执行存储在所述存储器31内的计算机程序和/或模块/单元，以及调用存储在存储器31内的数据，实现所述电子设备3的各种功能。所述存储器31可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备3的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器31可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述存储器31中存储有程序代码，且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。例如，图2中所述的各个模块(获取模块201、处理模块202、建立模块203及推送模块204)是存储在所述存储器31中的程序代码，并由所述至少一个处理器32所执行，从而实现所述各个模块的功能以达到资讯个性化推送的目的。
所述获取模块201用于获取应用程序中与用户相关的多个预设维度的数据，其中，所述数据包括结构化数据和非结构化数据；
所述处理模块202用于将所述非结构化数据转化为结构化数据；
所述建立模块203用于根据所述结构化数据建立用户兴趣模型；
所述推送模块204用于根据建立的用户兴趣模型为用户推送个性化资讯。
优选地，通过以下方式中的一种或多种来获取用户在应用程序中的多个预设维度的数据：
提取与用户的智能对话交互中的预设信息，其中，所述预设信息包括关键词和对话时长；
记录用户所登录的场景信息，其中，所述场景信息包括页面埋点数据和用户状态；
采集用户在应用程序中的操作数据，其中，所述操作数据包括页面访问、停留时间和所持有产品；
记录用户对于问卷调查的答案信息，其中，所述答案信息包括问卷的内容、回答时长和间隔。
优选地，所述将所述非结构化数据转化为结构化数据的方法包括：
将所述非结构化数据通过统一的接口转换为标准结构文件；
提取所述标准结构文件中的内容，并将所述标准结构文件中的内容转换为XML文档；
提取所述标准结构文件中的结构生成文件模板；
根据生成的文件模板创建仿真结果表结构；
根据生成的文件模板中的信息读取相应的XML文档，并解析所述XML文档以提取其中的数据内容；
将提取的数据内容***到已经创建好的结果表中。
优选地，所述结构化数据通过基于向量空间模型的表示法建立用户兴趣模型。
优选地，在根据所述结构化数据建立用户兴趣模型之后，所述方法还包括对所述用户兴趣模型进行更新，其中，对所述用户兴趣模型进行更新的方法包括基于用户反馈的更新方法和基于自然变化的模型更新方法。
优选地，采用基于内容的推荐方法为用户推送个性化资讯，所述基于内容的推荐通过比较资讯与用户兴趣模型的相似度来决定是否推荐所述资讯供用户参考。
优选地，所述采用基于内容的推荐方法为用户推送个性化资讯的方法包括:
建立所述资讯的第一空间向量，根据建立的用户兴趣模型获取第二空间向量；
计算所述第一空间向量和第二空间向量之间的向量余弦值，将向量余弦值作为所述资讯与用户兴趣模型的相似度；
比对所述相似度是否大于一预设值；
当所述相似度大于等于一预设值时，确定所述资讯与用户兴趣模型匹配，推荐所述资讯供用户参考；
当所述相似度小于所述预设值时，确定所述资讯与用户兴趣模型不匹配，不推荐所述资讯供用户参考。
所述电子设备3集成的模块/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介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，所述计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
在本发明所提供的几个实施例中，应所述理解到，所揭露的电子设备和方法，可以通过其它的方式实现。例如，以上所描述的电子设备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。
另外，在本发明各个实施例中的各功能单元可以集成在相同处理单元中，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相同单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神范围。
Claims (10)
1.一种资讯个性化推送方法，应用于电子设备中，其特征在于，所述方法包括：
获取应用程序中与用户相关的多个预设维度的数据，其中，所述数据包括结构化数据和非结构化数据；
将所述非结构化数据转化为结构化数据；
根据所述结构化数据建立用户兴趣模型；及
根据建立的用户兴趣模型为用户推送个性化资讯。
2.如权利要求1所述的资讯个性化推送方法，其特征在于，通过以下方式中的一种或多种来获取用户在应用程序中的多个预设维度的数据：
提取与用户的智能对话交互中的预设信息，其中，所述预设信息包括关键词和对话时长；
记录用户所登录的场景信息，其中，所述场景信息包括页面埋点数据和用户状态；
采集用户在应用程序中的操作数据，其中，所述操作数据包括页面访问、停留时间和所持有产品；和
记录用户对于问卷调查的答案信息，其中，所述答案信息包括问卷的内容、回答时长和间隔。
3.如权利要求1所述的资讯个性化推送方法，其特征在于，所述将所述非结构化数据转化为结构化数据的方法包括：
将所述非结构化数据通过统一的接口转换为标准结构文件；
提取所述标准结构文件中的内容，并将所述标准结构文件中的内容转换为XML文档；
提取所述标准结构文件中的结构生成文件模板；
根据生成的文件模板创建仿真结果表结构；
根据生成的文件模板中的信息读取相应的XML文档，并解析所述XML文档以提取其中的数据内容；
将提取的数据内容***到已经创建好的结果表中。
4.如权利要求1所述的资讯个性化推送方法，其特征在于，
所述结构化数据通过基于向量空间模型的表示法建立用户兴趣模型。
5.如权利要求4所述的资讯个性化推送方法，其特征在于，在根据所述结构化数据建立用户兴趣模型之后，所述方法还包括对所述用户兴趣模型进行更新，其中，对所述用户兴趣模型进行更新的方法包括基于用户反馈的更新方法和基于自然变化的模型更新方法。
6.如权利要求5所述的资讯个性化推送方法，其特征在于，采用基于内容的推荐方法为用户推送个性化资讯，所述基于内容的推荐通过比较资讯与用户兴趣模型的相似度来决定是否推荐所述资讯供用户参考。
7.如权利要求6所述的资讯个性化推送方法，其特征在于，所述采用基于内容的推荐方法为用户推送个性化资讯的方法包括:
建立所述资讯的第一空间向量，根据建立的用户兴趣模型获取第二空间向量；
计算所述第一空间向量和第二空间向量之间的向量余弦值，将向量余弦值作为所述资讯与用户兴趣模型的相似度；
比对所述相似度是否大于一预设值；
当所述相似度大于等于一预设值时，确定所述资讯与用户兴趣模型匹配，推荐所述资讯供用户参考；
当所述相似度小于所述预设值时，确定所述资讯与用户兴趣模型不匹配，不推荐所述资讯供用户参考。
8.一种资讯个性化推送装置，其特征在于，所述装置包括：
获取模块，用于获取应用程序中与用户相关的多个预设维度的数据，其中，所述数据包括结构化数据和非结构化数据；
处理模块，用于将所述非结构化数据转化为结构化数据；
建立模块，用于根据所述结构化数据建立用户兴趣模型；及
推送模块，用于根据建立的用户兴趣模型为用户推送个性化资讯。
9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述的资讯个性化推送方法。
10.一种计算机可读存储介质，所述计算机可读存储介质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如权利要求1至7中任意一项所述的资讯个性化推送方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811243452.7A CN109299375A (zh) | 2018-10-24 | 2018-10-24 | 资讯个性化推送方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811243452.7A CN109299375A (zh) | 2018-10-24 | 2018-10-24 | 资讯个性化推送方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109299375A true CN109299375A (zh) | 2019-02-01 |
Family
ID=65158492
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811243452.7A Pending CN109299375A (zh) | 2018-10-24 | 2018-10-24 | 资讯个性化推送方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109299375A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059254A (zh) * | 2019-04-24 | 2019-07-26 | 秒针信息技术有限公司 | 一种资讯推送方法及装置 |
| CN110489513A (zh) * | 2019-06-24 | 2019-11-22 | 覃立万 | 一种智能机器人社交信息处理方法及与人的社交*** |
| CN110784552A (zh) * | 2019-11-05 | 2020-02-11 | 北京字节跳动网络技术有限公司 | 一种监控方法、装置、设备和介质 |
| CN111143681A (zh) * | 2019-12-27 | 2020-05-12 | 中国银行股份有限公司 | 一种资讯推荐装置、方法、设备及*** |
| CN111859156A (zh) * | 2020-08-04 | 2020-10-30 | 上海风秩科技有限公司 | 发布人群的确定方法、装置、可读存储介质及电子设备 |
| CN113779388A (zh) * | 2021-08-25 | 2021-12-10 | 广州坚和网络科技有限公司 | 一种资源推送方法、用户终端、服务器及*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103678652A (zh) * | 2013-12-23 | 2014-03-26 | 山东大学 | 一种基于Web日志数据的信息个性化推荐方法 |
| CN104462385A (zh) * | 2014-12-10 | 2015-03-25 | 山东科技大学 | 一种基于用户兴趣模型的电影个性化相似度计算方法 |
| CN106028156A (zh) * | 2016-06-24 | 2016-10-12 | 合肥工业大学 | 电视观众兴趣建模方法和*** |
| CN107122447A (zh) * | 2017-04-25 | 2017-09-01 | 南京邮电大学 | 一种基于偏好的多数据源融合的网络搜索***及控制方法 |
| CN107562818A (zh) * | 2017-08-16 | 2018-01-09 | 中国工商银行股份有限公司 | 信息推荐***及方法 |
| CN107632968A (zh) * | 2017-05-22 | 2018-01-26 | 南京大学 | 一种面向裁判文书的证据链关系模型的构建方法 |
-
2018
- 2018-10-24 CN CN201811243452.7A patent/CN109299375A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103678652A (zh) * | 2013-12-23 | 2014-03-26 | 山东大学 | 一种基于Web日志数据的信息个性化推荐方法 |
| CN104462385A (zh) * | 2014-12-10 | 2015-03-25 | 山东科技大学 | 一种基于用户兴趣模型的电影个性化相似度计算方法 |
| CN106028156A (zh) * | 2016-06-24 | 2016-10-12 | 合肥工业大学 | 电视观众兴趣建模方法和*** |
| CN107122447A (zh) * | 2017-04-25 | 2017-09-01 | 南京邮电大学 | 一种基于偏好的多数据源融合的网络搜索***及控制方法 |
| CN107632968A (zh) * | 2017-05-22 | 2018-01-26 | 南京大学 | 一种面向裁判文书的证据链关系模型的构建方法 |
| CN107562818A (zh) * | 2017-08-16 | 2018-01-09 | 中国工商银行股份有限公司 | 信息推荐***及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 唐晓波;刘广超;: "基于两层知识融合的金融知识服务模型研究", 图书馆学研究, no. 16 * |
| 杨晶，周双娥: "一种基于XML的非结构化数据转换方法", 《计算机科学》, 30 November 2017 (2017-11-30), pages 424 - 427 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059254A (zh) * | 2019-04-24 | 2019-07-26 | 秒针信息技术有限公司 | 一种资讯推送方法及装置 |
| CN110489513A (zh) * | 2019-06-24 | 2019-11-22 | 覃立万 | 一种智能机器人社交信息处理方法及与人的社交*** |
| CN110784552A (zh) * | 2019-11-05 | 2020-02-11 | 北京字节跳动网络技术有限公司 | 一种监控方法、装置、设备和介质 |
| CN111143681A (zh) * | 2019-12-27 | 2020-05-12 | 中国银行股份有限公司 | 一种资讯推荐装置、方法、设备及*** |
| CN111143681B (zh) * | 2019-12-27 | 2023-10-24 | 中国银行股份有限公司 | 一种资讯推荐装置、方法、设备及*** |
| CN111859156A (zh) * | 2020-08-04 | 2020-10-30 | 上海风秩科技有限公司 | 发布人群的确定方法、装置、可读存储介质及电子设备 |
| CN111859156B (zh) * | 2020-08-04 | 2024-02-02 | 上海秒针网络科技有限公司 | 发布人群的确定方法、装置、可读存储介质及电子设备 |
| CN113779388A (zh) * | 2021-08-25 | 2021-12-10 | 广州坚和网络科技有限公司 | 一种资源推送方法、用户终端、服务器及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11106877B2 (en) | Dynamic text generation for social media posts | |
| CN109299375A (zh) | 资讯个性化推送方法、装置、电子设备及存储介质 | |
| Assenmacher et al. | Demystifying social bots: On the intelligence of automated social media actors | |
| Couldry et al. | Data colonialism: Rethinking big data’s relation to the contemporary subject | |
| Marrone et al. | Smart cities: A review and analysis of stakeholders’ literature | |
| Wirth | Hello marketing, what can artificial intelligence help you with? | |
| Raj et al. | Building chatbots with Python | |
| Bustard et al. | The emerging smart event experience: an interpretative phenomenological analysis | |
| Earl et al. | Movement societies and digital protest: Fan activism and other nonpolitical protest online | |
| CN111090756B (zh) | 基于人工智能的多目标推荐模型的训练方法及装置 | |
| CN107741976B (zh) | 智能应答方法、装置、介质和电子设备 | |
| Lu et al. | Social representations of social media use in government: An analysis of Chinese government microblogging from citizens’ perspective | |
| AU2014285033B2 (en) | Systems and methods for creating and implementing an artificially intelligent agent or system | |
| US20190065627A1 (en) | Ancillary speech generation via query answering in knowledge graphs | |
| US10019670B2 (en) | Systems and methods for creating and implementing an artificially intelligent agent or system | |
| JP6866336B2 (ja) | 人工知能アプリケーションを構築する方法及び装置 | |
| CN106648688A (zh) | 一种信息展示方法和装置 | |
| US11429833B2 (en) | Cognitive communication assistant services | |
| US10600017B2 (en) | Co-opetition index based on rival behavior in social networks | |
| Musto et al. | Towards queryable user profiles: Introducing conversational agents in a platform for holistic user modeling | |
| Fregly et al. | Data Science on AWS | |
| Pradana et al. | Intelligent conversational bot for interactive marketing | |
| Nikolopoulou et al. | ‘Exceptional’,‘normal’or a ‘myth’? The discursive construction of the ‘crisis’ by Greek employees | |
| Shin | Socio-technical design of algorithms: Fairness, accountability, and transparency | |
| Rawindaran | Legal Considerations and Ethical Challenges of Artificial Intelligence on Internet of Things and Smart Cities |
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 |