CN109408665B - 一种信息推荐方法及装置、存储介质 - Google Patents
一种信息推荐方法及装置、存储介质 Download PDFInfo
- Publication number
- CN109408665B CN109408665B CN201811642134.8A CN201811642134A CN109408665B CN 109408665 B CN109408665 B CN 109408665B CN 201811642134 A CN201811642134 A CN 201811642134A CN 109408665 B CN109408665 B CN 109408665B
- Authority
- CN
- China
- Prior art keywords
- song
- preset
- historical
- data
- scoring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种信息推荐方法及装置、存储介质,该方法包括:获取预设统计周期内的目标用户针对全量历史选择歌曲的历史操作数据;基于预设的操作数据与操作分值的对应关系、以及所述历史操作数据,得到所述全量历史选择歌曲中每首历史选择歌曲的历史评价数据;所述历史评价数据用于表征所述目标用户对歌曲的喜欢程度;对所述历史评价数据进行时间衰减处理,得到所述每首历史选择歌曲的历史统计评价数据;根据所述历史统计评价数据,对所述全量历史选择歌曲进行排序,得到所述全量历史选择歌曲的排序结果;根据所述排序结果和预设全量歌单,推荐目标歌曲。
Description
技术领域
本发明涉及信息处理技术,尤其涉及一种信息推荐方法及装置、存储介质。
背景技术
随着终端和互联网技术的发展,用户普遍通过音乐应用来收听音乐,音乐应用通过一些音乐推荐算法,为用户推荐符合其个人爱好的音乐,目前使用的音乐推荐算法,是将多个兴趣相投的用户构成一个群体,利用群体中所有用户感兴趣的信息和不感兴趣的信息,生成推荐信息,将推荐信息向所有用户进行推荐,这样得到个人的推荐信息受所属群体中其他用户的影响较大,如果其他用户中存在异常用户或其他用户感兴趣的信息不准确,都会导致推荐信息与个人爱好的偏差较大的问题,也就是说,推荐信息的准确度较低。
发明内容
本发明的主要目的在于提出一种信息推荐方法及装置、存储介质,能够提高推荐信息的准确度。
本发明的技术方案是这样实现的:
本发明实施例提供了一种信息推荐方法,所述方法包括:
获取预设统计周期内的目标用户针对全量历史选择歌曲的历史操作数据;
基于预设的操作数据与操作分值的对应关系、以及所述历史操作数据,得到所述全量历史选择歌曲中每首历史选择歌曲的历史评价数据;所述历史评价数据用于表征所述目标用户对歌曲的喜欢程度;
对所述历史评价数据进行时间衰减处理,得到所述每首历史选择歌曲的历史统计评价数据;
根据所述历史统计评价数据,对所述全量历史选择歌曲进行排序,得到所述全量历史选择歌曲的排序结果;
根据所述排序结果和预设全量歌单,推荐目标歌曲。
上述方案中,所述预设统计周期包括至少一个预设时间段;所述历史评价数据包括所述至少一个预设时间段中每个时间段对应的时段评价数据;
所述对所述历史评价数据进行时间衰减处理,得到所述每首历史选择歌曲的历史统计评价数据,包括:
根据预设衰减系数和时间的对应关系、以及所述每个时间段表征的时间信息,得到所述每个时间段对应的衰减系数;
根据所述衰减系数,对所述至少一个预设时间段对应的时段评价数据进行求和,得到所述历史统计评价数据。
上述方案中,所述根据所述排序结果和预设全量歌单,推荐目标歌曲,包括:
根据所述排序结果,从所述全量历史选择歌曲中确定出参考歌曲;
根据所述参考歌曲,从所述预设全量歌单中确定出参考歌单;
根据所述参考歌单,推荐所述目标歌曲。
上述方案中,所述参考歌单包括所述参考歌曲中每个参考歌曲对应的子参考歌单;
所述根据所述参考歌单,推荐所述目标歌曲,包括:
根据所述子参考歌单中每首歌曲的重复次数,从所述参考歌单中确定出所述目标歌曲,推荐所述目标歌曲。
上述方案中,所述根据所述子参考歌单中每首歌曲的重复次数,从所述参考歌单中确定出所述目标歌曲,包括:
对所述每首参考歌曲的历史统计评价数据进行排序,得到所述每首参考歌曲的数据排序序号;
对所述子参考歌单中每首歌曲的重复次数进行排序,得到所述子参考歌单中每首歌曲的次数排序序号;
根据所述次数排序序号,从所述子参考歌单中确定出所述每首参考歌曲对应的待推荐歌曲,得到至少一个待推荐歌曲;
根据所述数据排序序号和所述待推荐歌曲的次数排序序号,确定所述待推荐歌曲的喜好分值;
根据所述喜好分值,从所述至少一个待推荐歌曲中确定出所述目标歌曲。
上述方案中,在所述根据所述参考歌曲,从所述预设全量歌单中确定出参考歌单之后,所述方法还包括:
根据预设歌曲属性,对所述参考歌单中每个歌单的歌曲进行量化,得到所述参考歌单中每个歌单的参考属性特征;
根据预设歌单评分模型和所述参考属性特征,得到包含所述参考歌单中每个歌单的评分结果的评分数据;所述预设歌单评分模型表征属性特征与评分数据的对应关系;
当所述评分数据中存在第一评分数据小于预设评分阈值时,将所述参考歌单中与所述第一评分数据对应的歌单从所述参考歌单中删除,得到更新后的参考歌单。
上述方案中,在所述根据预设歌单评分模型和所述参考属性特征,得到包含所述参考歌单中每个歌单的评分结果的评分数据之前,所述方法还包括:
在预设训练周期内,获取目标用户针对全量样本歌曲的样本操作数据;
根据所述样本操作数据,从所述预设全量歌单中确定出正样本歌单和负样本歌单;
获取所述正样本歌单对应的正评分数据,所述正样本歌单和所述正评分数据构成正样本;
获取所述负样本歌单对应的负评分数据,所述负样本歌单和所述负评分数据构成负样本;
利用所述正样本和所述负样本,对预设初始歌单评分模型进行训练,直至训练后的初始歌单评分模型的准确率不小于预设准确阈值;
将所述训练后的初始歌单评分模型,作为所述预设歌单评分模型。
本发明实施例提供了一种信息推荐装置,所述装置包括:获取单元、计算单元、衰减处理单元和推荐单元;其中,
所述获取单元,用于获取预设统计周期内的目标用户针对全量历史选择歌曲的历史操作数据;
所述计算单元,用于基于预设的操作数据与操作分值的对应关系、以及所述历史操作数据,得到所述全量历史选择歌曲中每首历史选择歌曲的历史评价数据;所述历史评价数据用于表征所述目标用户对歌曲的喜欢程度;
所述衰减处理单元,用于对所述历史评价数据进行时间衰减处理,得到所述每首历史选择歌曲的历史统计评价数据;
所述推荐单元,用于根据所述历史统计评价数据,对所述全量历史选择歌曲进行排序,得到所述全量历史选择歌曲的排序结果;以及根据所述排序结果和预设全量歌单,推荐目标歌曲。
上述方案中,所述预设统计周期包括至少一个预设时间段;所述历史评价数据包括所述至少一个预设时间段中每个时间段对应的时段评价数据;
所述衰减处理单元,具体用于根据预设衰减系数和时间的对应关系、以及所述每个时间段表征的时间信息,得到所述每个时间段对应的衰减系数;以及根据所述衰减系数,对所述至少一个预设时间段对应的时段评价数据进行求和,得到所述历史统计评价数据。
上述方案中,所述推荐单元,具体用于根据所述排序结果,从所述全量历史选择歌曲中确定出参考歌曲;及根据所述参考歌曲,从所述预设全量歌单中确定出参考歌单;以及根据所述参考歌单,推荐所述目标歌曲。
上述方案中,所述参考歌单包括所述参考歌曲中每个参考歌曲对应的子参考歌单;
所述推荐单元,具体用于根据所述子参考歌单中每首歌曲的重复次数,从所述参考歌单中确定出所述目标歌曲,推荐所述目标歌曲。
上述方案中,所述推荐单元,具体用于对所述每首参考歌曲的历史统计评价数据进行排序,得到所述每首参考歌曲的数据排序序号;及对所述子参考歌单中每首歌曲的重复次数进行排序,得到所述子参考歌单中每首歌曲的次数排序序号;及根据所述次数排序序号,从所述子参考歌单中确定出所述每首参考歌曲对应的待推荐歌曲,得到至少一个待推荐歌曲;及根据所述数据排序序号和所述待推荐歌曲的次数排序序号,确定所述待推荐歌曲的喜好分值;以及根据所述喜好分值,从所述至少一个待推荐歌曲中确定出所述目标歌曲。
上述方案中,所述推荐单元,还用于在所述根据所述参考歌曲,从所述预设全量歌单中确定出参考歌单之后,根据预设歌曲属性,对所述参考歌单中每个歌单的歌曲进行量化,得到所述参考歌单中每个歌单的参考属性特征;及根据预设歌单评分模型和所述参考属性特征,得到包含所述参考歌单中每个歌单的评分结果的评分数据;所述预设歌单评分模型表征属性特征与评分数据的对应关系;以及当所述评分数据中存在第一评分数据小于预设评分阈值时,将所述参考歌单中与所述第一评分数据对应的歌单从所述参考歌单中删除,得到更新后的参考歌单。
上述方案中,所述装置还包括:模型训练单元,用于在所述根据预设歌单评分模型和所述参考属性特征,得到包含所述参考歌单中每个歌单的评分结果的评分数据之前,在预设训练周期内,获取目标用户针对全量样本歌曲的样本操作数据;及根据所述样本操作数据,从所述预设全量歌单中确定出正样本歌单和负样本歌单;及获取所述正样本歌单对应的正评分数据,所述正样本歌单和所述正评分数据构成正样本;及获取所述负样本歌单对应的负评分数据,所述负样本歌单和所述负评分数据构成负样本;及利用所述正样本和所述负样本,对预设初始歌单评分模型进行训练,直至训练后的初始歌单评分模型的准确率不小于预设准确阈值;以及将所述训练后的初始歌单评分模型,作为所述预设歌单评分模型。
本发明实施例提供了一种信息推荐装置,所述装置包括:处理器、存储器和通信总线,所述存储器通过所述通信总线与所述处理器进行通信,所述存储器存储所述处理器可执行的一个或者多个程序,当所述一个或者多个程序被执行时,通过所述处理器执行如上述任一项信息推荐方法的步骤。
本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有程序,当所述程序被至少一个处理器执行时,导致所述至少一个处理器执行如上述任一项信息推荐方法的步骤。
本发明实施例提供一种信息推荐方法及装置、存储介质,所述方法包括:获取预设统计周期内的目标用户针对全量历史选择歌曲的历史操作数据;基于预设的操作数据与操作分值的对应关系、以及所述历史操作数据,得到所述全量历史选择歌曲中每首历史选择歌曲的历史评价数据;所述历史评价数据用于表征所述目标用户对歌曲的喜欢程度;对所述历史评价数据进行时间衰减处理,得到所述每首历史选择歌曲的历史统计评价数据;根据所述历史统计评价数据,对所述全量历史选择歌曲进行排序,得到所述全量历史选择歌曲的排序结果;根据所述排序结果和预设全量歌单,推荐目标歌曲。采用上述技术实现方案,对预设统计周期内的历史评价数据进行时间衰减处理,得到时间衰减处理后的历史统计评价数据,进而得到全量历史选择歌曲的排序结果,根据排序结果推荐目标歌曲,由于历史评价数据表示在预设时间段内目标用户对歌曲的喜欢程度,那么对预设统计周期内的历史评价数据进行时间衰减处理,能够得到表示用户目前喜好的历史统计评价数据,进而利用全量历史歌曲的历史统计评价数据的排序结果,得到的目标歌曲更符合目标用户当前喜好,提高了推荐信息的准确度。
附图说明
图1为本发明实施例提供的一种信息推荐***的结构示意图;
图2为本发明实施例提供的一种信息推荐方法的流程图一;
图3为本发明实施例提供的一种信息推荐方法的流程图二;
图4为本发明实施例提供的一种信息推荐装置的结构示意图一;
图5为本发明实施例提供的一种信息推荐装置的结构示意图二。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
如图1所示,其为实现本发明各个实施例的一种信息推荐***的结构示意图,该***1可以包括:服务器10和终端11;其中,服务器10可以存储应用程序的数据文件、应用程序的用户数据等,还可以对用户数据进行广播和同步等;终端11在运行应用程序时,与服务器10进行数据交互,可以通过网络从服务器10上下载该应用程序的数据文件,还可以向服务器10上传用户操作该应用程序产生的操作数据,终端11可以以各种形式来实施,例如,可以为包括诸如手机、平板电脑、笔记本电脑、掌上电脑等移动终端,以及诸如台式计算机等固定终端;应该程序包括音乐类应用程序。
本领域技术人员可以理解,图1中示出的信息推荐***结构并不构成对推荐信息推荐***的限定,信息推荐***可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
需要说明的是,本发明实施例可以基于图1所示的信息推荐***所实现,信息推荐装置可以为服务器10。
实施例一
本发明实施例提供一种信息推荐方法,如图2所示,该方法包括:
S201:获取预设统计周期内的目标用户针对全量历史选择歌曲的历史操作数据。
信息推荐装置按照预设时间段从终端中,获取目标用户针对全量历史选择歌曲的时段操作数据,将预设时间段和时段操作数据对应进行保存,直至获取预设统计周期内的历史操作数据,预设统计周期包括至少一个预设时间段,历史操作数据包括至少一个预设时间段中每个时间段内的时段操作数据;例如,预设时间段可以为一天、或一个小时等。
示例性地,以音乐类应用程序为例,用户在终端上使用音乐类应用程序时,终端对用户的登录账号信息(例如,用户身份标识号码(ID,IDentity))进行记录,终端还对操作数据进行记录,操作数据是用户对音乐类应用程序中的歌曲进行选择操作后产生的数据,终端将用户ID和操作数据对应进行保存,并将每个时间段内的时段操作数据结合用户ID发送至服务器,服务器按照用户ID对每个用户的时段操作数据进行保存;其中,针对歌曲的选择操作包括:点赞操作、收藏操作、评论操作、分享操作、收听操作、切歌操作、试听操作、购买操作、设为彩铃操作、下载操作等,操作数据包括歌曲的歌曲标识(例如,歌曲ID)、以及选择操作的操作种类。
S202:基于预设的操作数据与操作分值的对应关系、以及历史操作数据,得到全量历史选择歌曲中每首历史选择歌曲的历史评价数据;历史评价数据用于表征目标用户对歌曲的喜欢程度。
信息推荐装置从历史操作数据确定目标用户中每个用户的历史操作数据,根据预设的操作数据与操作分值的对应关系,对每个用户的历史操作数据中每个时间段对应的时段操作数据进行操作分值计算,得到每个时间段对应的时段评价数据,进而得到每个用户的由所有时间段对应的时段评价数据组成的历史评价数据。
示例性地,预设时间段为一天,计算每个时间段对应的时段评价数据,就是计算用户单日对不同歌曲的喜欢程度,信息推荐装置可以根据日常使用习惯,针对每个操作种类设置对应的喜欢分值,该喜好分值反映每个操作种类的选择操作所表达的用户喜欢程度,得到如下表1所示的预设的操作数据与操作分值的对应关系:
表1
操作数据 | 分值 |
切歌操作 | -0.5 |
标记喜欢操作 | 2 |
标记不喜欢操作 | -2 |
下载操作 | 4 |
评论操作 | 1 |
分享操作 | 2 |
收藏操作 | 2 |
试听操作 | 0.5 |
收听操作 | 4 |
设为彩铃操作 | 3 |
搜索操作 | 1 |
示例性地,信息推荐装置根据表1的对应关系、以及历史操作数据中的选择操作的操作种类,计算全量历史选择歌曲中每首历史选择歌曲的历史评价数据,并按照如下形式进行记录:“用户ID-歌曲ID-操作分值-日期”,日期为至少一个预设时间段中每个时间段对应的时间信息。
示例性地,服务器获取每个时间段的时段操作数据之后,利用时段操作数据,计算每个用户针对每首历史选择歌曲的时段评价数据,例如,历史选择歌曲A的时段操作数据包括:在一天内,用户B搜索5次、分享4次、收藏1次、评论2次、下载2次、以及切歌3次,则根据表1的对应关系,得到公式(1),利用公式(1)计算得到用户B在一天内针对历史选择歌曲A的时段评价数据为23.5:
5×1+4×2+1×2+2×1+2×4+3×(-0.5)=23.5 (1)
当这一天对应的时间信息为2018年10月11日,则可以按照如下形式对历史选择歌曲A的时段评价数据进行记录:用户B—歌曲A—23.5—20181011。
S203:对历史评价数据进行时间衰减处理,得到每首历史选择歌曲的历史统计评价数据。
信息推荐装置获取的每个用户的历史评价数据,是由每个时间段对应的时段评价数据组成的,对所有时间段对应的时段评价数据进行时间衰减处理,得到每个用户对应的历史统计评价数据。
需要说明的是,由于用户对歌曲的喜好可能是动态变化的,仅根据一个预设时间段内的时段评价数据往往不能准确地确定该用户的当前喜好,因而信息推荐装置依据预设统计周期内的历史评价数据,确定用户的兴趣爱好;例如,预设以90天为一个统计周期,根据用户针对每首历史选择歌曲的90个单日喜欢分值,来确定用户在90天内的针对每首历史选择歌曲的喜欢总分。
在一些实施例中,信息推荐装置根据预设衰减系数和时间的对应关系、以及每个时间段表征的时间信息,得到每个时间段对应的衰减系数;根据衰减系数,对至少一个预设时间段对应的时段评价数据进行求和,得到历史统计评价数据。
示例性地,由于用户对歌曲的喜好是动态变化的,因而用户近期的时段评价数据往往比早期的时段评价数据更准确地反应用户对歌曲的当前喜好,也就是说,时段评价数据随着与当前时间的时间间隔的增加,对用户当前喜好的反映准确度逐渐衰减,因而信息推荐装置在预设统计周期的结束时刻,根据每个时间段对应的时间信息与预设统计周期对应的初始时刻的时间间隔,确定每个时间段对应的衰减系数,根据衰减系数,对所有时间段对应的时段评价数据进行加权求和,得到历史统计评价数据。
示例性地,预设衰减系数和时间的对应关系表示为公式(2):
N(t)=N0e-t/T (2)
其中,N0表示预设统计周期的开始时刻的初始衰减系数,t表示每个时间段对应的时间信息与预设统计周期的开始时刻的时间间隔,N(t)表示每个时间段对应的衰减系数,e表示指数,T表示预设统计周期的结束时刻。
S204:根据历史统计评价数据,对全量历史选择歌曲进行排序,得到全量历史选择歌曲的排序结果。
信息推荐装置根据每个用户的历史统计评价数据,按照历史统计评价数据的大小,对全量历史选择歌曲进行升序排序或降序排序,得到排序结果。
S205:根据排序结果和预设全量歌单,推荐目标歌曲。
信息推荐装置对每个用户,基于排序结果从全量历史选择歌曲中n首参考歌曲,n为大于0的整数,n首参考歌曲的历史统计评价数据大于全量历史选择歌曲中其他歌曲的历史统计评价数据,n首参考歌曲为每个用户最喜欢的n首参考歌曲,再根据n首参考歌曲和音乐类应用程序的预设全量歌单,确定出目标歌曲。
需要说明的是,如图3所示的一种信息推荐方法,步骤S205的具体实施如执行S2051-S2053,包括:
S2051:根据排序结果,从全量历史选择歌曲中确定出参考歌曲;
信息推荐装置从全量历史选择歌曲中选择n首参考歌曲。
S2052:根据参考歌曲,从预设全量歌单中确定出参考歌单;
信息推荐装置对参考歌曲中每个参考歌曲,从预设全量歌单中确定出包含每个参考歌曲的所有歌单,将所有歌单作为每个参考歌曲的子参考歌单,进而得到由所有子参考歌单组成的参考歌单。
S2053:根据参考歌单,推荐目标歌曲。
信息推荐装置从参考歌单的歌曲中确定目标歌曲,并通过发送至终端向用户推荐目标歌曲。
在一些实施例中,参考歌单包括参考歌曲中每个参考歌曲对应的子参考歌单;信息推荐装置根据子参考歌单中每首歌曲的重复次数,从参考歌单中确定出目标歌曲,推荐目标歌曲。
示例性地,以用户最喜欢的n首参考歌曲中一首参考歌曲AL为例,L为大于0且不大于n的整数,信息推荐装置可以从预设全量歌单中确定包含参考歌曲AL的子参考歌单,该子参考歌单表示为{歌单L1,歌单L2,…,歌单LN},N为大于2的整数,统计该子参考歌单中每首歌曲的重复次数,对该子参考歌单中所有歌曲的重复次数进行排序,得到该子参考歌单中每首歌曲的次数排序序号;将次数排序序号属于前q位的歌曲确定为参考歌曲AL对应的待推荐歌曲TL,q为大于0的正整数,进而得到由n首参考歌曲对应的待推荐歌曲组成的至少一个待推荐歌曲,其中,待推荐歌曲TL可以包括至少一个歌曲。
在一些实施例中,信息推荐装置对每首参考歌曲的历史统计评价数据进行排序,得到每首参考歌曲的数据排序序号;对子参考歌单中每首歌曲的重复次数进行排序,得到子参考歌单中每首歌曲的次数排序序号;根据次数排序序号,从子参考歌单中确定出每首参考歌曲对应的待推荐歌曲,得到至少一个待推荐歌曲;根据数据排序序号和待推荐歌曲的次数排序序号,确定待推荐歌曲的喜好分值;根据喜好分值,从至少一个待推荐歌曲中确定出目标歌曲。
示例性地,信息推荐装置对n首参考歌曲的历史统计评价数据进行降序排序,得到每首参考歌曲的数据排序序号g;再从该子参考歌单中每首歌曲的次数排序序号中,确定出每首参考歌曲对应的待推荐歌曲的次数排序序号h;根据公式(3)计算待推荐歌曲的喜好分值Score:
根据待推荐歌曲的喜好分值,从至少一个待推荐歌曲中确定出喜好分值较高的目标歌曲,并推荐给用户。
需要说明的是,在步骤S2052之后,信息推荐装置根据预设歌曲属性,对参考歌单中每个歌单的歌曲进行量化,得到参考歌单中每个歌单的参考属性特征;根据预设歌单评分模型和参考属性特征,得到包含参考歌单中每个歌单的评分结果的评分数据;预设歌单评分模型表征属性特征与评分数据的对应关系;当评分数据中存在第一评分数据小于预设评分阈值时,将参考歌单中与第一评分数据对应的歌单从参考歌单中删除,得到更新后的参考歌单。
示例性地,信息推荐装置为避免劣质歌单的影响,根据预设歌曲属性,对每个歌单中每首歌曲进行量化,得到每首歌曲的多维属性向量,预设歌曲属性中每个歌曲属性对应一维数据;利用每个歌单中所有歌曲的属性向量生成多维属性矩阵,多维属性矩阵就是每个歌单的参考属性特征;利用预设歌单评分模型和每个歌单的多维属性矩阵,计算每个歌单的评分结果;最后根据每个歌单的评分结果,对参考歌单进行筛选。
示例性地,预设歌曲属性包括歌曲发行年代、歌手年龄、歌手性别信息、歌曲节奏信息、歌曲音调信息等,歌手性别信息包括男歌手的歌手性别信息等于0、以及女歌手的歌手性别信息等于1,歌曲节奏信息为歌曲每分钟节拍数,歌曲音调信息包括歌曲的CDEFGAB调分别对应1-7,以1979年出生的男歌手,在2007年发行歌曲,该发行歌曲为A调、每分钟60拍,该发行歌曲的多维属性向量表示为{2007,1979,0,60,6};其中,预设歌曲属性中每个歌曲属性在多维属性向量中的位置可以改变,只需要保证多维属性向量的歌曲属性顺序与预设歌单评分模型对应的歌曲属性顺序一致即可。
在一些实施例中,信息推荐装置在预设训练周期内,获取目标用户针对全量样本歌曲的样本操作数据;根据样本操作数据,从预设全量歌单中确定出正样本歌单和负样本歌单;获取正样本歌单对应的正评分数据,正样本歌单和正评分数据构成正样本;获取负样本歌单对应的负评分数据,负样本歌单和负评分数据构成负样本;利用正样本和负样本,对预设初始歌单评分模型进行训练,直至训练后的初始歌单评分模型的准确率不小于预设准确阈值;将训练后的初始歌单评分模型,作为预设歌单评分模型。
示例性地,信息推荐装置在预设训练周期内,获取目标用户针对全量样本歌曲的样本操作数据;根据样本操作数据,得到每首样本歌曲的样本统计评价数据;根据样本统计评价数据,对全量样本歌曲进行排序,得到全量样本歌曲的样本排序结果;根据样本排序结果,从预设全量歌单中确定出正样本歌单和负样本歌单,正样本歌单为包含用户最喜欢的几首歌曲的歌单,负样本歌单为包含用户最不喜欢的几首歌曲的歌单;根据预设歌曲属性,对正样本歌单中每个歌单的歌曲进行量化,得正样本歌单中每个歌单的正属性特征,根据预设歌曲属性,对负样本歌单中每个歌单的歌曲进行量化,得负样本歌单中每个歌单的负属性特征;正属性特征和正评分数据构成正样本,负属性特征和负评分数据构成负样本。
示例性地,当正评分数据为1、负评分数据为-1时,信息推荐装置根据每个歌单的评分结果,将评分结果小于0的歌单从参考歌单中删除。
需要说明的是,全量样本歌曲对应前述的全量历史选择歌曲,全量样本歌曲和全量历史选择歌曲只是获取时间不一样,同样地,样本操作数据对应前述的历史操作数据,样本操作数据和历史操作歌曲只是获取时间不一样;因此,基于样本操作数据来获取样本统计评价数据和样本排序结果的过程,与基于历史操作数据来获取历史统计评价数据和排序结果的过程一致。
示例性地,可以采用Adboost算法获取预设歌单评分模型,具体包括:设置初始歌单评分模型,初始歌单评分模型包括每相邻两个维度数据对应的弱分类器;按照多维数据中每个维度数据的初始数据权重,利用正样本和负样本对应的每相邻两个维度数据训练一个弱分类器,计算每个弱分类器的分类器权重,利用每个弱分类器和分类器权重生成强分类器;计算强分类器的准确率,当准确率小于预设准确阈值时,调整初始数据权重,直至强分类器的准确率不小于预设准确阈值;将强分类器作为预设歌单评分模型。
示例性地,预设歌曲属性包括5个歌曲属性,分别是歌曲发行年代、歌手年龄、歌手性别信息、歌曲节奏信息和歌曲音调信息,强分类器由K=5个弱分类器生成,例如,当每相邻两个维度数据表示为{第一歌曲属性x、第二歌曲属性y}时,根据正样本和负样本得到样本输入为{(x1,y1),(x2,y2),...,(xm,ym)},样本输出为{-1,+1},m为大于0的整数;按照初始数据权重,利用样本输入和样本输出训练预设初始歌单评分模型,得到第一歌曲属性x对应的弱分类器G1(x),进而得到每个歌曲属性对应的弱分类器;其中,初始数据权重D(1)如公式(4)所示:
D(1)=(w11,w12,…,w1m) (4)
进一步地,对弱分类器Gk(x)进行训练,具体包括:使用弱分类器Gk(x)对应的数据权重D(k),对初始歌单评分模型进行训练,得到弱分类器Gk(x),其中,k=1,2,...K,数据权重D(k)如公式(5)所示:
D(k)=(wk1,wk2,…,wkm) (5)
其中,向弱分类器Gk(xi)输入(xi,yi)后输出评分结果,该评分结果不等于yi对应的预设阈值I。
利用公式(7)计算弱分类器Gk(x)的分类器权重ak:
利用公式(8)计算弱分类器k+1对应的数据权重D(k+1):
其中,Zk是规范化因子,如公式(9)所示:
利用公式(10)生成强分类器:
需要说明的是,弱分离器的分类误差率率越大,该弱分类器的分类器权重越小。
可以理解的是,信息推荐装置对预设统计周期内的历史评价数据进行时间衰减处理,得到时间衰减处理后的历史统计评价数据,进而得到全量历史选择歌曲的排序结果,根据排序结果推荐目标歌曲,由于历史评价数据表示在预设时间段内目标用户对歌曲的喜欢程度,那么对预设统计周期内的历史评价数据进行时间衰减处理,能够得到表示用户目前喜好的历史统计评价数据,进而利用全量历史歌曲的历史统计评价数据的排序结果,得到的目标歌曲更符合目标用户当前喜好,提高了推荐信息的准确度。
实施例二
基于实施例一的同一发明构思,进行进一步的说明。
本发明实施例提供一种信息推荐装置4,如图4所示,该装置4包括:获取单元40、计算单元41、衰减处理单元42和推荐单元43;其中,
所述获取单元40,用于获取预设统计周期内的目标用户针对全量历史选择歌曲的历史操作数据;
所述计算单元41,用于基于预设的操作数据与操作分值的对应关系、以及所述历史操作数据,得到所述全量历史选择歌曲中每首历史选择歌曲的历史评价数据;所述历史评价数据用于表征所述目标用户对歌曲的喜欢程度;
所述衰减处理单元42,用于对所述历史评价数据进行时间衰减处理,得到所述每首历史选择歌曲的历史统计评价数据;
所述推荐单元43,用于根据所述历史统计评价数据,对所述全量历史选择歌曲进行排序,得到所述全量历史选择歌曲的排序结果;以及根据所述排序结果和预设全量歌单,推荐目标歌曲。
在一些实施例中,所述预设统计周期包括至少一个预设时间段;所述历史评价数据包括所述至少一个预设时间段中每个时间段对应的时段评价数据;
所述衰减处理单元42,具体用于根据预设衰减系数和时间的对应关系、以及所述每个时间段表征的时间信息,得到所述每个时间段对应的衰减系数;以及根据所述衰减系数,对所述至少一个预设时间段对应的时段评价数据进行求和,得到所述历史统计评价数据。
在一些实施例中,所述推荐单元43,具体用于根据所述排序结果,从所述全量历史选择歌曲中确定出参考歌曲;及根据所述参考歌曲,从所述预设全量歌单中确定出参考歌单;以及根据所述参考歌单,推荐所述目标歌曲。
在一些实施例中,所述参考歌单包括所述参考歌曲中每个参考歌曲对应的子参考歌单;
所述推荐单元43,具体用于根据所述子参考歌单中每首歌曲的重复次数,从所述参考歌单中确定出所述目标歌曲,推荐所述目标歌曲。
在一些实施例中,所述推荐单元43,具体用于对所述每首参考歌曲的历史统计评价数据进行排序,得到所述每首参考歌曲的数据排序序号;及对所述子参考歌单中每首歌曲的重复次数进行排序,得到所述子参考歌单中每首歌曲的次数排序序号;及根据所述次数排序序号,从所述子参考歌单中确定出所述每首参考歌曲对应的待推荐歌曲,得到至少一个待推荐歌曲;及根据所述数据排序序号和所述待推荐歌曲的次数排序序号,确定所述待推荐歌曲的喜好分值;以及根据所述喜好分值,从所述至少一个待推荐歌曲中确定出所述目标歌曲。
在一些实施例中,所述推荐单元43,还用于在所述根据所述参考歌曲,从所述预设全量歌单中确定出参考歌单之后,根据预设歌曲属性,对所述参考歌单中每个歌单的歌曲进行量化,得到所述参考歌单中每个歌单的参考属性特征;及根据预设歌单评分模型和所述参考属性特征,得到包含所述参考歌单中每个歌单的评分结果的评分数据;所述预设歌单评分模型表征属性特征与评分数据的对应关系;以及当所述评分数据中存在第一评分数据小于预设评分阈值时,将所述参考歌单中与所述第一评分数据对应的歌单从所述参考歌单中删除,得到更新后的参考歌单。
在一些实施例中,模型训练单元,用于在所述根据预设歌单评分模型和所述参考属性特征,得到包含所述参考歌单中每个歌单的评分结果的评分数据之前,在预设训练周期内,获取目标用户针对全量样本歌曲的样本操作数据;及根据所述样本操作数据,从所述预设全量歌单中确定出正样本歌单和负样本歌单;及获取所述正样本歌单对应的正评分数据,所述正样本歌单和所述正评分数据构成正样本;及获取所述负样本歌单对应的负评分数据,所述负样本歌单和所述负评分数据构成负样本;及利用所述正样本和所述负样本,对预设初始歌单评分模型进行训练,直至训练后的初始歌单评分模型的准确率不小于预设准确阈值;以及将所述训练后的初始歌单评分模型,作为所述预设歌单评分模型。
需要说明的是,在实际应用中,上述获取单元40、计算单元41、衰减处理单元42和推荐单元43,可由位于信息推荐装置4上的处理器44实现,具体为CPU(Central ProcessingUnit,中央处理器)、MPU(Microprocessor Unit,微处理器)、DSP(Digital SignalProcessing,数字信号处理器)或现场可编程门阵列(FPGA,Field Programmable GateArray)等实现。
本发明实施例还提供了一种信息推荐装置4,如图5所示,该装置4包括:处理器44、存储器45和通信总线46,存储器45通过通信总线46与处理器44进行通信,存储器45存储处理器44可执行的一个或者多个程序,当一个或者多个程序被执行时,通过处理器44执行如前述实施例所述的任意一种信息推荐方法。
在实际应用中,存储器45可以是易失性第一存储器(volatile memory),例如随机存取第一存储器(Random-Access Memory,RAM);或者非易失性第一存储器(non-volatilememory),例如只读第一存储器(Read-Only Memory,ROM),快闪第一存储器(flashmemory),硬盘(Hard Disk Drive,HDD)或固态硬盘(Solid-State Drive,SSD);或者上述种类的第一存储器的组合,并向处理器44提供程序和数据。
本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,所述程序被处理器44执行时实现如前述实施例所述的任意一种信息推荐方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (14)
1.一种信息推荐方法,其特征在于,所述方法包括:
获取预设统计周期内的目标用户针对全量历史选择歌曲的历史操作数据;所述预设统计周期包括至少一个预设时间段;
基于预设的操作数据与操作分值的对应关系、以及所述历史操作数据,得到所述全量历史选择歌曲中每首历史选择歌曲的历史评价数据;所述历史评价数据用于表征所述目标用户对歌曲的喜欢程度;
根据每个预设时间段对应的时间信息与所述预设统计周期对应的初始时刻的时间间隔,确定每个预设时间段对应的衰减系数;
根据所述每个预设时间段的衰减系数对所述历史评价数据进行时间衰减处理,得到所述每首历史选择歌曲的历史统计评价数据;
根据所述历史统计评价数据,对所述全量历史选择歌曲进行排序,得到所述全量历史选择歌曲的排序结果;
根据所述排序结果,从所述全量历史选择歌曲中确定出参考歌曲;
根据所述参考歌曲,从所述预设全量歌单中确定出参考歌单;
根据所述参考歌单中每个歌单的多维属性矩阵,得到更新后的参考歌单;
根据所述更新后的参考歌单,推荐目标歌曲。
2.根据权利要求1所述的方法,其特征在于,所述历史评价数据包括所述至少一个预设时间段中每个时间段对应的时段评价数据;
所述根据所述每个预设时间段的衰减系数对所述历史评价数据进行时间衰减处理,得到所述每首历史选择歌曲的历史统计评价数据,包括:
根据所述衰减系数,对所述至少一个预设时间段对应的时段评价数据进行求和,得到所述历史统计评价数据。
3.根据权利要求1所述的方法,其特征在于,所述更新后的参考歌单包括所述参考歌曲中每个参考歌曲对应的子参考歌单;
所述根据所述更新后的参考歌单,推荐所述目标歌曲,包括:
根据所述子参考歌单中每首歌曲的重复次数,从所述更新后的参考歌单中确定出所述目标歌曲,推荐所述目标歌曲。
4.根据权利要求3所述的方法,其特征在于,所述根据所述子参考歌单中每首歌曲的重复次数,从所述参考歌单中确定出所述目标歌曲,包括:
对所述每首参考歌曲的历史统计评价数据进行排序,得到所述每首参考歌曲的数据排序序号;
对所述子参考歌单中每首歌曲的重复次数进行排序,得到所述子参考歌单中每首歌曲的次数排序序号;
根据所述次数排序序号,从所述子参考歌单中确定出所述每首参考歌曲对应的待推荐歌曲,得到至少一个待推荐歌曲;
根据所述数据排序序号和所述待推荐歌曲的次数排序序号,确定所述待推荐歌曲的喜好分值;
根据所述喜好分值,从所述至少一个待推荐歌曲中确定出所述目标歌曲。
5.根据权利要求1所述的方法,其特征在于,所述根据对所述参考歌单中每个歌单的多维属性矩阵,得到更新后的参考歌单,包括:
根据预设歌曲属性,对所述参考歌单中每个歌单的歌曲进行量化,得到所述参考歌单中每个歌单的多维属性矩阵;
根据预设歌单评分模型和所述多维属性矩阵,得到包含所述参考歌单中每个歌单的评分结果的评分数据;所述预设歌单评分模型表征多维属性矩阵与评分数据的对应关系;
当所述评分数据中存在第一评分数据小于预设评分阈值时,将所述参考歌单中与所述第一评分数据对应的歌单从所述参考歌单中删除,得到更新后的参考歌单。
6.根据权利要求5所述的方法,其特征在于,在所述根据预设歌单评分模型和所述多维属性矩阵,得到包含所述参考歌单中每个歌单的评分结果的评分数据之前,所述方法还包括:
在预设训练周期内,获取目标用户针对全量样本歌曲的样本操作数据;
根据所述样本操作数据,从所述预设全量歌单中确定出正样本歌单和负样本歌单;
获取所述正样本歌单对应的正评分数据,所述正样本歌单和所述正评分数据构成正样本;
获取所述负样本歌单对应的负评分数据,所述负样本歌单和所述负评分数据构成负样本;
利用所述正样本和所述负样本,对预设初始歌单评分模型进行训练,直至训练后的初始歌单评分模型的准确率不小于预设准确阈值;
将所述训练后的初始歌单评分模型,作为所述预设歌单评分模型。
7.一种信息推荐装置,其特征在于,所述装置包括:获取单元、计算单元、衰减处理单元和推荐单元;其中,
所述获取单元,用于获取预设统计周期内的目标用户针对全量历史选择歌曲的历史操作数据;所述预设统计周期包括至少一个预设时间段;
所述计算单元,用于基于预设的操作数据与操作分值的对应关系、以及所述历史操作数据,得到所述全量历史选择歌曲中每首历史选择歌曲的历史评价数据;所述历史评价数据用于表征所述目标用户对歌曲的喜欢程度;
所述衰减处理单元,用于根据每个预设时间段对应的时间信息与所述预设统计周期对应的初始时刻的时间间隔,确定每个预设时间段对应的衰减系数;根据所述每个预设时间段的衰减系数对所述历史评价数据进行时间衰减处理,得到所述每首历史选择歌曲的历史统计评价数据;
所述推荐单元,用于根据所述历史统计评价数据,对所述全量历史选择歌曲进行排序,得到所述全量历史选择歌曲的排序结果;根据所述排序结果,从所述全量历史选择歌曲中确定出参考歌曲;根据所述参考歌曲,从所述预设全量歌单中确定出参考歌单;根据所述参考歌单中每个歌单的多维属性矩阵,得到更新后的参考歌单;以及根据所述更新后的参考歌单,推荐目标歌曲。
8.根据权利要求7所述的装置,其特征在于所述历史评价数据包括所述至少一个预设时间段中每个预设时间段对应的时段评价数据;
所述衰减处理单元,具体用于根据所述每个预设时间段的衰减系数,对所述至少一个预设时间段对应的时段评价数据进行求和,得到所述历史统计评价数据。
9.根据权利要求7所述的装置,其特征在于,所述更新后的参考歌单包括所述参考歌曲中每个参考歌曲对应的子参考歌单;
所述推荐单元,具体用于根据所述子参考歌单中每首歌曲的重复次数,从所述更新后的参考歌单中确定出所述目标歌曲,推荐所述目标歌曲。
10.根据权利要求8所述的装置,其特征在于,
所述推荐单元,具体用于对所述每首参考歌曲的历史统计评价数据进行排序,得到所述每首参考歌曲的数据排序序号;及对子参考歌单中每首歌曲的重复次数进行排序,得到所述子参考歌单中每首歌曲的次数排序序号;及根据所述次数排序序号,从所述子参考歌单中确定出所述每首参考歌曲对应的待推荐歌曲,得到至少一个待推荐歌曲;及根据所述数据排序序号和所述待推荐歌曲的次数排序序号,确定所述待推荐歌曲的喜好分值;以及根据所述喜好分值,从所述至少一个待推荐歌曲中确定出所述目标歌曲。
11.根据权利要求10所述的装置,其特征在于,
所述推荐单元,还用于根据预设歌曲属性,对所述参考歌单中每个歌单的歌曲进行量化,得到所述参考歌单中每个歌单的多维属性矩阵;及根据预设歌单评分模型和所述多维属性矩阵,得到包含所述参考歌单中每个歌单的评分结果的评分数据;所述预设歌单评分模型表征多维属性矩阵与评分数据的对应关系;以及当所述评分数据中存在第一评分数据小于预设评分阈值时,将所述参考歌单中与所述第一评分数据对应的歌单从所述参考歌单中删除,得到更新后的参考歌单。
12.根据权利要求11所述的装置,其特征在于,所述装置还包括:
模型训练单元,用于在所述根据预设歌单评分模型和参考属性特征,得到包含所述参考歌单中每个歌单的评分结果的评分数据之前,在预设训练周期内,获取目标用户针对全量样本歌曲的样本操作数据;及根据所述样本操作数据,从所述预设全量歌单中确定出正样本歌单和负样本歌单;及获取所述正样本歌单对应的正评分数据,所述正样本歌单和所述正评分数据构成正样本;及获取所述负样本歌单对应的负评分数据,所述负样本歌单和所述负评分数据构成负样本;及利用所述正样本和所述负样本,对预设初始歌单评分模型进行训练,直至训练后的初始歌单评分模型的准确率不小于预设准确阈值;以及将所述训练后的初始歌单评分模型,作为所述预设歌单评分模型。
13.一种信息推荐装置,其特征在于,所述装置包括:处理器、存储器和通信总线,所述存储器通过所述通信总线与所述处理器进行通信,所述存储器存储所述处理器可执行的一个或者多个程序,当所述一个或者多个程序被执行时,通过所述处理器执行如权利要求1至6任一项所述的方法。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有程序,当所述程序被至少一个处理器执行时,导致所述至少一个处理器执行权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811642134.8A CN109408665B (zh) | 2018-12-29 | 2018-12-29 | 一种信息推荐方法及装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811642134.8A CN109408665B (zh) | 2018-12-29 | 2018-12-29 | 一种信息推荐方法及装置、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109408665A CN109408665A (zh) | 2019-03-01 |
CN109408665B true CN109408665B (zh) | 2021-11-23 |
Family
ID=65462618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811642134.8A Active CN109408665B (zh) | 2018-12-29 | 2018-12-29 | 一种信息推荐方法及装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109408665B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109982155B (zh) * | 2019-03-25 | 2021-10-12 | 北京奇艺世纪科技有限公司 | 一种播单推荐方法及*** |
CN109992694A (zh) * | 2019-04-17 | 2019-07-09 | 重庆誉存大数据科技有限公司 | 一种音乐智能推荐方法及*** |
CN110363569A (zh) * | 2019-06-17 | 2019-10-22 | 深圳壹账通智能科技有限公司 | 数据产品推荐方法、装置、计算机设备和存储介质 |
CN110599052B (zh) * | 2019-09-19 | 2023-07-21 | 携程计算机技术(上海)有限公司 | Ota酒店评价方法、***、电子设备和介质 |
CN110659425B (zh) * | 2019-09-25 | 2022-05-17 | 秒针信息技术有限公司 | 一种资源分配方法、装置、电子设备及可读存储介质 |
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 |
CN110996177B (zh) * | 2019-11-27 | 2022-04-22 | 北京爱奇艺智慧娱乐科技有限公司 | 面向点播影院的视频推荐方法、装置及设备 |
CN111078931B (zh) * | 2019-12-10 | 2023-08-01 | 腾讯科技(深圳)有限公司 | 歌单推送方法、装置、计算机设备及存储介质 |
CN110990621B (zh) * | 2019-12-16 | 2023-10-13 | 腾讯科技(深圳)有限公司 | 歌曲推荐方法及装置 |
CN113127674B (zh) * | 2019-12-31 | 2023-07-21 | 中移(成都)信息通信科技有限公司 | 歌单推荐方法、装置、电子设备及计算机存储介质 |
CN112052379A (zh) * | 2020-01-20 | 2020-12-08 | 河南紫联物联网技术有限公司 | 智能终端、智能家居设备的推荐方法及*** |
CN111383049A (zh) * | 2020-02-21 | 2020-07-07 | 中国平安财产保险股份有限公司 | 产品推荐方法、装置及存储介质 |
CN111581452B (zh) * | 2020-03-26 | 2023-10-17 | 浙江口碑网络技术有限公司 | 推荐对象数据的获得方法、装置及电子设备 |
CN111488484B (zh) * | 2020-04-16 | 2023-04-28 | 北京雷石天地电子技术有限公司 | 基于类指数分布和tf-idf特征的歌曲推荐方法、介质和装置 |
CN111626615A (zh) * | 2020-05-27 | 2020-09-04 | 腾讯音乐娱乐科技(深圳)有限公司 | 确定歌单评分的方法、装置及计算机存储介质 |
CN112231511A (zh) * | 2020-10-20 | 2021-01-15 | 腾讯音乐娱乐科技(深圳)有限公司 | 一种神经网络模型训练方法及歌曲挖掘方法、装置 |
CN113536027A (zh) * | 2021-07-27 | 2021-10-22 | 咪咕音乐有限公司 | 音乐推荐方法、装置、设备以及计算机可读存储介质 |
CN113570257A (zh) * | 2021-07-30 | 2021-10-29 | 北京房江湖科技有限公司 | 基于评分模型的指标数据评估方法和装置、介质、设备 |
CN113688314B (zh) * | 2021-08-13 | 2024-03-19 | 今彩慧健康科技(苏州)有限公司 | 一种理疗门店推荐方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678388B (zh) * | 2012-09-19 | 2016-09-14 | 腾讯科技(深圳)有限公司 | 在线音乐推荐方法及装置 |
CN104090912B (zh) * | 2014-06-10 | 2017-03-15 | 腾讯科技(深圳)有限公司 | 信息推送方法及装置 |
US20180285893A1 (en) * | 2017-03-31 | 2018-10-04 | International Business Machines Corporation | Determining music to influence customer behavior |
CN108595550A (zh) * | 2018-04-10 | 2018-09-28 | 南京邮电大学 | 一种基于卷积神经网络的音乐推荐***及推荐方法 |
-
2018
- 2018-12-29 CN CN201811642134.8A patent/CN109408665B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109408665A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109408665B (zh) | 一种信息推荐方法及装置、存储介质 | |
CN107644089B (zh) | 一种基于网络媒体的热门事件提取方法 | |
CN110543598B (zh) | 信息推荐方法、装置及终端 | |
CN106651542B (zh) | 一种物品推荐的方法及装置 | |
CN104573054B (zh) | 一种信息推送方法和设备 | |
JP4524709B2 (ja) | 情報処理装置および方法、並びに、プログラム | |
CN109783671B (zh) | 一种以图搜图的方法、计算机可读介质及服务器 | |
CN107862022B (zh) | 文化资源推荐*** | |
CN108460082B (zh) | 一种推荐方法及装置,电子设备 | |
CN111191111B (zh) | 内容推荐方法、装置及存储介质 | |
CN108665148B (zh) | 一种电子资源质量评价方法、装置和存储介质 | |
CN112287094B (zh) | 相似病例文本检索*** | |
JP2011060182A (ja) | コンテンツ選択システム | |
US20130346385A1 (en) | System and method for a purposeful sharing environment | |
CN108133058A (zh) | 一种视频检索方法 | |
JP5048852B2 (ja) | 検索装置、検索方法、検索プログラム、及びそのプログラムを記憶するコンピュータ読取可能な記録媒体 | |
CN106919588A (zh) | 一种应用程序搜索***及方法 | |
CN113656699B (zh) | 用户特征向量确定方法、相关设备及介质 | |
CN111160699A (zh) | 一种专家推荐方法及*** | |
CN112328775B (zh) | 病例文本信息检索*** | |
CN107315807B (zh) | 人才推荐方法和装置 | |
CN115564534A (zh) | 文案处理方法、装置、电子设备、存储介质及程序产品 | |
CN112836082B (zh) | 生成歌单的方法、装置、电子设备及存储介质 | |
CN110929154B (zh) | 一种搜索结果的排序方法及*** | |
CN116610853A (zh) | 搜索推荐方法、搜索推荐***、计算机设备及存储介质 |
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 |