CN109918574A - 项目推荐方法、装置、设备及存储介质 - Google Patents
项目推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109918574A CN109918574A CN201910245694.8A CN201910245694A CN109918574A CN 109918574 A CN109918574 A CN 109918574A CN 201910245694 A CN201910245694 A CN 201910245694A CN 109918574 A CN109918574 A CN 109918574A
- Authority
- CN
- China
- Prior art keywords
- user
- project
- recommended
- training program
- recommendation
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种项目推荐方法、装置、设备及存储介质,通过接收当前用户所发送当前已完成的训练项目,根据训练项目及预确定的离线推荐列表,确定与训练项目对应的在线推荐列表;将在线推荐列表对应的推荐项目发送并显示在当前用户的客户端上,本发明实施例提供的技术方案,通过当前用户的已经完成的训练项目和预先确定离线推荐列表,确定当前用户的在线推荐列表,将离线缓存与在线调整相结合,在减少了在线分布式计算量的情况下,实现精准及时的给用户提供个性化的推荐服务。
Description
技术领域
本发明实施例涉及网络技术领域,尤其涉及一种项目推荐方法、装置、设备及存储介质。
背景技术
随着生活水平的提高,越来越多的人们意识到健康的重要性。对于一些上班族和学生来说,受时间的限制和经济条件的约束,往往很难按时按期去健身房锻炼。于是,手机等智能移动设备上开始出现了一些关于运动健身或减肥瘦身的应用软件,这些移动端的应用软件可以监控并指导用户进行运动和锻炼,且不受地点、时间的限制,备受大家的欢迎。
目前,健身类的应用软件在用户完成训练之后,会给用户推荐相关产品或进行训练引导。但是,目前相关产品的推荐或训练引导,都是由工作人员手动配置完成。由于训练项目和产品更新换迅速、用户的个人喜好不同,无法精准及时的给用户提供个性化的推荐。
发明项目
本发明提供一种项目推荐方法、装置、设备及存储介质,实现精准及时的给用户提供个性化的推荐服务。
第一方面,本发明实施例提供了一种项目推荐方法,所述方法包括:
接收当前用户所发送当前已完成的训练项目;
根据所述训练项目及预确定的离线推荐列表,确定与所述训练项目对应的在线推荐列表;
将所述在线推荐列表对应的待推荐项目发送并显示在所述当前用户的客户端上。
第二方面,本发明实施例还提供了一种项目推荐装置,包括:
接收模块,用于接收当前用户所发送当前已完成的训练项目;
确定模块,用于根据所述训练项目及预确定的离线推荐列表,确定与所述训练项目对应的在线推荐列表;
发送模块,用于将所述在线推荐列表对应的推荐项目发送并显示在所述当前用户的客户端上。
第三方面,本发明实施例还提供了一种设备,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述第一方面中所述的项目推荐方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面中所述的项目推荐方法
本发明实施例提供的项目推荐方法、装置、设备及存储介质,通过接收当前用户所发送当前已完成的训练项目,根据训练项目及预确定的离线推荐列表,确定与训练项目对应的在线推荐列表;将在线推荐列表对应的推荐项目发送并显示在当前用户的客户端上,本发明实施例提供的技术方案,通过当前用户的已经完成的训练项目和预先确定离线推荐列表,确定当前用户的在线推荐列表,将离线缓存与在线调整相结合,在减少了在线分布式计算量的情况下,实现精准及时的给用户提供个性化的推荐服务。
附图说明
图1为本发明实施例一提供的项目推荐方法的流程图;
图2为本发明实施例一提供的待推荐项目在客户端上显示的示意图;
图3为本发明实施例二提供的项目推荐方法的流程图;
图4为本发明实施例三提供的项目推荐方法中推荐模型训练方法的流程图;
图5为本发明实施例四提供的项目推荐装置的结构图;
图6为本发明实施例五提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。此外,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
图1为本发明实施例一提供的项目推荐方法的流程图,本实施例可适用于用户完成训练项目后,为用户推荐相关项目的情况,该方法可以由项目推荐装置来执行,所述装置可以通过软件和/或硬件的方式来实现。
如图1所示,本发明实施例提供的项目推荐方法主要包括如下步骤:
S110、接收当前用户所发送当前已完成的训练项目。
在本实施例中,当前用户可以理解为正在使用健身软件的用户。训练项目可以理解为健身软件中为用户提供的各种健身、塑形、减脂等各类训练项目。示例性的,训练项目可以是户外跑、瘦腿训练、腹肌入门等各项训练。已完成的训练项目可以理解为用户完成了该训练项目中指定的所有动作。
进一步的,在本实施例中,接收当前用户所发送当前已完成的训练项目可以根据用户对客户端的点击操作,接收到用户所发送当前已完成的训练项目。例如:当检测到用户在客户端的界面中点击“完成打卡”按钮之后,则接收当前用户所发送当前已完成的训练项目。又如:检测到用户完成训练项目中的最后一个动作时,则接收当前用户所发送当前已完成的训练项目。需要说明的是,本实施例中,仅对接收当前已完成的训练项目进行说明,而非限定,可以根据实际情况设计接收当前已完成的训练项目的方法。
S120、根据训练项目及预确定的离线推荐列表,确定与训练项目对应的在线推荐列表。
在本实施例中,推荐列表可以理解为由待推荐项目构成的列表。离线推荐列表可以理解为后台或者服务器在用户未在线的情况下为用户提前确定的待推荐列表。在线推荐列表可以理解为与当前用户已完成的训练项目对应的待推荐项目构成的列表。所述离线推荐列表中至少包括训练项目、训练项目对应的待推荐项目以及待推荐项目对应的推荐概率。
表1是本发明实施例一提供的部分训练项目的离线推荐列表。表1中示出了户外跑对应的待推荐项目以及待推荐概率,和瑜伽入门训练对应的待推荐项目以及待推荐概率。需要说明的是,表1仅仅是对离线推荐列表进行示例性说明,且表1只包含了其中一部分训练项目和待推荐项目,并未显示所有的训练项目和待推荐项目。
表1
本实施例中的离线推荐列表由用户在第一预设时间段内的第一历史行为数据和预训练的推荐模型确定。示例性的,采集前一天用户的第一历史行为数据,将第一历史行为数据输入至预训练的推荐模型中,预训练的推荐模型输出离线推荐列表。
进一步的,如果当前用户已完成的训练项目为户外跑,则以户外跑为查询条件,在离线推荐列表中进行查询,将户外跑对应的待推荐项目以及推荐概率构成的列表确定为在线推荐列表。
在本实施例中,还可以按照所述推荐概率有大到小对待推荐项目进行排序。
S130、将在线推荐列表对应的待推荐项目发送并显示在当前用户的客户端上。
在本实施例中,在线推荐列表中包含多个待推荐项目,每个待推荐项目又包含多个活动或者动作。待推荐项目可以理解为任何与运动相关的活动或者课程。示例性的,跑后拉伸还可以包括:大腿后侧拉伸、大腿前侧拉伸、小腿拉伸、脚踝放松等各个跑后拉伸的的动作。
需要说明的是,本实施例中在线推荐列表由在线计算获取,即在获取当前用户的已完成的训练项目之后,实时计算出与当前用户的已完成的训练项目相关的在线推荐列表。而上述离线推进列表由非实时计算获取,可以在工作人员的指定时间段内计算。由于在线计算得到的在线推荐列表结合了当前用户的实时行为数据,以及离线推荐列表,从而能够实现自动化推荐和个性化推荐,相对于人工推荐,节省了大量的配置工作,节省了人力。
在本实施例中,将在线推荐列表中的待推荐项目发送至客户端,使得待推荐项目在当前用户的客户端进行显示。
图2为本发明实施例一提供的待推荐项目在客户端上显示的示意图。如图2所示,将已完成训练项目210显示在客户端的屏幕顶端,之后依次按照在线推荐列表中待推荐项目进行显示,已完成训练项目210之后以此显示推荐项目A220、推荐项目B230和推荐项目C240。进一步的,推荐项目A220中还具体显示活动一、活动二和活动三,推荐项目B230中还具体显示动作一、动作二和动作三,推荐项目C240中还具体显示商品一、商品二和商品三。
需要说明的是,本实施例中提供的显示示意图仅仅是为了说明显示的布局结构,不对显示布局进行限定。进一步的,接收用户对推荐项目进行的左右滑动操作,使得推荐项目下的推荐内容进行滑动,以可以为用户展示更多的内容。进一步的,接收用户对在显示进行的上下滑动操作,使得推荐项目上下滑动,以可以为用户展示更多的推荐项目。
本发明实施例提供的项目推荐方法,通过接收当前用户所发送当前已完成的训练项目,根据训练项目及预确定的离线推荐列表,确定与训练项目对应的在线推荐列表;将在线推荐列表对应的推荐项目发送并显示在当前用户的客户端上,本发明实施例提供的技术方案,通过当前用户的已经完成的训练项目和预先确定离线推荐列表,确定当前用户的在线推荐列表,将离线缓存与在线调整相结合,在减少了在线分布式计算量的情况下,实现精准及时的给用户提供个性化的推荐服务。
实施例二
在上述实施例的基础上,本实发明实施例进行一步优化了项目推荐方法。
图3为本发明实施例二提供的项目推荐方法的流程图,如图3所示,优化后的项目推荐方法主要包括如下步骤:
S310、获取当前用户的第一历史行为数据;其中,第一历史行为数据包括第一时间段内已完成的训练项目以及用户行为时序数据。
在本实施例中,获取用户的第一历史行为数据用于计算当前用户的离线推荐列表。获取当前用户的第一历史行为数据可以理解为在设定时间点获取的用户的第一历史行为数据。例如:在每天早晨6点获取当前用户的第一历史行为数据。第一时间段内可以理解为设定时间之前的一个时间段。
示例性的,在2019年3月26日早晨6点获取当前用户的第一历史行为数据,那么第一历史行为数据为当前用户在2019年3月25日早晨6点到2019年3月26日早晨6点这个时间段内用户的行为数据。
用户行为时序数据可以理解为用户在进行训练的过程中各个项目之间的时间关联性。例如:用户行为时序数据可以理解为用户在进行完户外跑项目之后,进行了腿部拉伸项目,进行了腿部拉伸项目之后,浏览了跑步装备项目。
S320、将第一历史行为数据输入至预训练的推荐模型中,以得到离线推荐列表。
进一步的,将第一历史行为数据作为输入数据输入至预训练的推荐模型,预训练的模型输出一个离线推荐列表。所述离线推荐列表中至少包括训练项目、训练项目对应的待推荐项目以及待推荐项目对应的推荐概率。
需要说明的是,每天计算一次离线推荐列表作为当天的离线推荐列表。
S330、接收当前用户所发送当前已完成的训练项目。
S340、以训练项目为查询条件,在离线推荐列表中查询训练项目对应的待推荐项目以及待推荐项目对应的推荐概率。
在本实例中,离线推荐列表中包括所有训练项目完成之后,对应的待推荐项目以及待推荐项目对应的推荐概率。所述推荐概率可以理解为用户在完成训练项目之后,进行推荐项目的概率。
以已完成的训练项目为查询条件,在离线推荐列表中的训练项目中进行查询,将查询到的训练项目对应的待推荐项目以及待推荐项目对应的推荐概率,确定为已完成的训练项目对应的待推荐项目以及待推荐项目对应的推荐概率。示例性的,已完成的训练项目为户外跑,则以户外跑为查询条件在离线推荐列表中的训练项目中进行查询,并将训练项目为户外跑对应的待推荐项目以及待推荐项目对应的推荐概率,确定为已完成的训练项目对应的待推荐项目以及推荐概率。
S350、根据待推荐项目对应的推荐概率对各待推荐项目进行排序,得到在线推荐列表。
进一步的,在S340中查询到待推荐项目以及其对应的推荐概率之后,按照推荐概率由大到小对各个待推荐项目进行排序,得到在线推荐列表。即在线推荐列表中的待推荐项目是按照其对应的推荐概率由大到小排列的。
S360、基于设定排序规则,对在线推荐列表中的待推荐项目进行排序调整。
需要说明的,本实施例中在确定在线推荐列表之后,对在线推荐列表中的待推荐项目的排序进行了实时在线调整。根据健身软件自身的业务指标或者某地举行的马拉松比赛等活动对待推荐项目的顺序进行调整。
具体的,获取各待推荐项目的业务指标信息和/或预设时间段内的点击率;基于各业务指标信息和/或预设时间段内的点击率,确定相应待推荐项目的推荐权重;基于各待推荐项目的推荐权重,对各所述待推荐项目进行排序,形成新的在线推荐列表。
在本实施例中,各待推荐项目的业务指标信息可以理解为各个待推荐项目的业务重要程度或者业务的紧急程度。每个待推荐项目都有其对应的业务指标信息,根据业务指标信息的不同可以确定待推荐项目的推荐权重。具体的,商品的业务指标对应的推荐权重相对会较高。需要说明的是,待推荐业务指标可以根据实际情况进行确定。例如:当运营方需要退出一个新的训练课程时,可以增加该训练课程的权重,以使该训练课程的排序可以升高。又如:当检测到用户在某地运动,该地在近期会举办一场活动。例如:彩虹跑活动,则将该活动对应的权重增加,以使该活动的排序可以升高,用户可以明显的看到。
进一步的,本发明实施例中采取了离线计算离线推荐列表的方法,降低了推荐项目的实时性。为了提高项目推荐的实时性,本实施例中,预设时间段内的点击率,根据点击率确定待推荐项目的权重,进而对待推荐项目的排序进行调整。需要说明的是,本实施例中的预设时间段是指计算离线推荐列表的时间点到当前时间点这段时间。
进一步的,当检测到用户对待推荐项目的点击率超过预设数值时,则增加该待推荐项目的权重。在本实施例中,预设数值可以立即为1.2倍的正常点击率。示例性的,户外跑之后,用户进行跑后拉伸的正常点击率为0.35。那么预设数值为0.42。采集计算离线推荐列表的时间点到当前时间点这段时间,所有用户在完成户外跑之后,进行跑后拉伸的概率为0.5。则待推荐项目的点击率超过预设数值,则增加跑后拉伸这个项目的权重,以使该推荐项目的排序可以升高,实现对用户后续训练的引导。
需要说明的是,S360在所述项目推荐方法中并不是必须执行的,当不存在业务指标信息或者点击率未超过预设数值时,可以不对在线推荐列表中的待推荐项目的顺序进行调整,即不执行S360,直接将S350中确定的在线推荐列表发送至当前用户的客户端进行显示。
S370、将在线推荐列表对应的待推荐项目发送并显示在当前用户的客户端上。
本发明实施例提供的项目推荐方法,通过接收当前用户所发送当前已完成的训练项目,根据训练项目及预确定的离线推荐列表,确定与训练项目对应的在线推荐列表;将在线推荐列表对应的推荐项目发送并显示在当前用户的客户端上,本发明实施例提供的技术方案,通过当前用户的已经完成的训练项目和预先确定离线推荐列表,确定当前用户的在线推荐列表,将离线缓存与在线调整相结合,在减少了在线分布式计算量的情况下,实现精准及时的给用户提供个性化的推荐服务。
实施例三
本实发明实施例进行一步优化了项目推荐方法中推荐模型的训练方法。图4为本发明实施例三提供的项目推荐方法中推荐模型训练方法的流程图。
需要说明的是,上述实施例中解释了使用预训练的推荐模型计算离线推荐列中的方法,本实施例中主要解释推荐模型的训练方法。
如图4所示,推荐模型训练方法主要包括如下步骤:
S410、获取至少一个用户的第二历史行为数据,并对第二历史行为数据进行预处理,得到各用户属性特征。
在本实施例中,第二历史行为数据可以理解为第二时间段内多个用户的历史行为数据。即获取使用该健身软件的所有用户在第二时间段内的历史行为数据。具体的,第二时间段可以理解为计算离线推荐列表的当前时间点之前一周的时间。例如:2019年3月26日早晨6点计算离线推荐列表,则第二时间段是指2019年3月19日早晨6点到当前时间点这个时间段。需要说明的是,本实施例中只对第二时间段进行说明,并非限定。可以根据实际情况设计第二时间段的时间间隔或者时间长度。
具体的,各用户属性特征包括:各用户的时序数据和各用户的横截面数据。
各用户的时序数据可以理解为各个用户在统一指标下按时间顺序记录的数据列,例如:各个用户完成各个训练项目的先后顺序。各用户的横截面数据可以理解为在同一时间点,各个用户完成的训练项目构成的数据。例如:在2019年3月21晚上8点,各个用户正在进行的训练项目。
进一步的,对第二历史行为数据进行预处理,得到各用户属性特征,包括:将各用户的第二历史行为数据中的训练项目按照时间特征进行整合,得到各用户的时序数据;根据各用户的第二历史行为数据生成各用户画像,并对各用户画像进行筛选、清洗和组合,得到各用户的横截面数据。
S420、根据各训练项目以及所述第二历史行为数据,确定训练内容特征。
所述训练项目特征包括:各训练项目之间的相似度和用户行为相似度。
在本实施例中,训练内容特征可以理解为训练项目之间的关联性,训练项目之间的关联性主要包括训练项目之间的相似度和针对各训练项目用户行为的相似度。
相应的,根据各训练项目以及所述第二历史行为数据,确定训练项目特征,包括:根据词向量算法计算各训练项目之间的相似度;如果所述各训练项目之间的相似度小于预设数值,则根据各用户的第二历史行为数据生成行为有向图;根据行为有向图计算用户行为相似度。
S430、将各用户属性特征和所述训练内容特征输入分类器进行训练,得到预训练的推荐模型。
在本实施例中采用的分类器可以是目前主流的监督学习分类模型中的任一种,例如:可以是概率模型,树模型,线性模型和深层网络模型中的任一种。具体的,在本实施例中,分类器优选为随机森林分类器或梯度提升树(Gradient Boosting Decison Tree,GBDT)分类器。需要说明的是,可以根据实际情况选择其他的分类器。
进一步的,采用随机森林分类器或梯度提升树(Gradient Boosting DecisonTree,GBDT)分类器作为分类器模型,并采用集成学习算法或协同过滤算法对随机森林分类器或GBDT分类器进行优化提升,进而得到推荐模型。
需要说明的是,为了保证预训练模型的精确度间隔预设时间采集第二历史行为数据对预训练的推荐模型进行再次训练和更新。预设时间可以为24小时。即每隔24小时,采集一次第二历史行为数据,对第二历史行为数据进行处理后,输入至预训练的推荐模型进行再次训练和更新。
本发明实施例提供的技术方案,通过获取至少一个用户的第二历史行为数据,并对第二历史行为数据进行预处理,得到各用户属性特征,据各训练项目以及所述第二历史行为数据,确定训练内容特征,将所述各用户属性特征和所述训练内容特征输入分类器进行训练,得到预训练的推荐模型。本实施例中通过对各个用户第二历史行为数据进行处理,然后进行训练得到得了预训练的推荐模型,可以很快的计算出离线推荐列表,节省时间。
实施例四
图5为本发明实施例四提供的项目推荐装置的结构图,本实施例可适用于用户完成训练项目后,为用户推荐相关项目的情况,所述装置可以通过软件和/或硬件的方式来实现。如图5所示,本发明实施例提供的项目推荐装置主要包括如下部分:接收模块510、确定模块520和发送模块530。
接收模块510,用于接收当前用户所发送当前已完成的训练项目;
确定模块520,用于根据所述训练项目及预确定的离线推荐列表,确定与所述训练项目对应的在线推荐列表;
发送模块530,用于将所述在线推荐列表对应的推荐项目发送并显示在所述当前用户的客户端上。
本发明实施例提供的项目推荐装置,通过接收当前用户所发送当前已完成的训练项目,根据训练项目及预确定的离线推荐列表,确定与训练项目对应的在线推荐列表;将在线推荐列表对应的推荐项目发送并显示在当前用户的客户端上,本发明实施例提供的技术方案,通过当前用户的已经完成的训练项目和预先确定离线推荐列表,确定当前用户的在线推荐列表,将离线缓存与在线调整相结合,在减少了在线分布式计算量的情况下,实现精准及时的给用户提供个性化的推荐服务。
进一步的,所述确定模块520包括:
查询单元,用于以所述训练项目为查询条件,在所述离线推荐列表中查询所述训练项目对应的待推荐项目以及待推荐项目对应的推荐概率;
确定单元,用于根据待推荐项目对应的推荐概率对各所述待推荐项目进行排序,得到在线推荐列表。
进一步的,所述确定模块520还包括:
调整单元,用于基于设定排序规则,对所述在线推荐列表中的待推荐项目进行排序调整。
具体的,调整单元包括:
获取子单元,用于获取各待推荐项目的业务指标信息和/或预设时间段内的点击率;
确定子单元,用于基于各业务指标信息和/或预设时间段内的点击率,确定相应待推荐项目的推荐权重;
调整子单元,用于基于各所述待推荐项目的推荐权重,对各所述待推荐项目进行排序,形成新的在线推荐列表。
所述装置还包括:还包括:
第一获取模块,用于获取当前用户的第一历史行为数据;其中,所述第一历史行为数据包括第一时间段内已完成的训练项目以及用户行为时序数据;
第一输入模块,用于将所述第一历史行为数据输入至预训练的推荐模型中,以得到离线推荐列表。
进一步的,所述装置还包括:
属性特征确定模块,用于获取至少一个用户的第二历史行为数据,并对所述第二历史行为数据进行预处理,得到各用户属性特征;
内容特征确定模块,用于根据各训练项目以及所述第二历史行为数据,确定训练内容特征;
第二输入模块,用于将所述各用户属性特征和所述训练内容特征输入分类器进行训练,得到预训练的推荐模型。
进一步的,所述各用户属性特征包括:各用户的时序数据和各用户的横截面数据;
相应的,所述属性特征确定模块包括:
时序数据确定单元,用于将各用户的第二历史行为数据中的训练项目按照时间特征进行整合,得到各用户的时序数据;
横截面数据确定单元,用于根据各用户的第二历史行为数据生成各用户画像,并对各用户画像进行筛选、清洗和组合,得到各用户的横截面数据。
进一步的,所述训练项目特征包括:各训练项目之间的相似度和用户行为相似度;
相应的,内容特征确定模块包括:
第一计算单元,用于根据词向量算法计算各训练项目之间的相似度;
有向图生成单元,用于如果所述各训练项目之间的相似度小于预设数值,则根据各用户的第二历史行为数据生成行为有向图;
第二计算单元,用于根据所述行为有向图计算用户行为相似度。
本发明实施例所提供的项目推荐装置可执行本发明任意实施例所提供的项目推荐方法,具备执行方法相应的功能模块和有益效果。
实施例五
图6为本发明实施例五提供的一种设备的结构示意图,如图6所示,该设备包括处理器610、存储器620、输入装置630和输出装置640;设备中处理器610的数量可以是一个或多个,图6中以一个处理器610为例;设备中的处理器610、存储器620、输入装置630和输出装置640可以通过总线或其他方式连接,图6中以通过总线连接为例。
存储器620作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的项目推荐方法对应的程序指令/模块(例如,项目推荐装置中的接收模块510、确定模块520和发送模块530)。处理器610通过运行存储在存储器620中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的项目推荐方法。
存储器620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;存储数据区可存储依据终端的使用所创建的数据等。此外,存储器620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,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器620可进一步包括相对于处理器610远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置630可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置640可包括显示屏等显示设备。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种项目推荐方法,该方法包括:
接收当前用户所发送当前已完成的训练项目;
根据所述训练项目及预确定的离线推荐列表,确定与所述训练项目对应的在线推荐列表;
将所述在线推荐列表对应的待推荐项目发送并显示在所述当前用户的客户端上。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的项目推荐方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述项目推荐装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (11)
1.一种项目推荐方法,其特征在于,所述方法包括:
接收当前用户所发送当前已完成的训练项目;
根据所述训练项目及预确定的离线推荐列表,确定与所述训练项目对应的在线推荐列表;
将所述在线推荐列表对应的待推荐项目发送并显示在所述当前用户的客户端上。
2.根据权利要求1所述的方法,其特征在于,所述根据所述训练项目及预确定的离线推荐列表,确定与所述训练项目对应的在线推荐列表,包括:
以所述训练项目为查询条件,在所述离线推荐列表中查询所述训练项目对应的待推荐项目以及待推荐项目对应的推荐概率;
根据待推荐项目对应的推荐概率对各所述待推荐项目进行排序,得到在线推荐列表。
3.根据权利要求2所述的方法,其特征在于,确定与所述训练项目对应的在线推荐列表之后,还包括:
基于设定排序规则,对所述在线推荐列表中的待推荐项目进行排序调整。
4.根据权利要求3所述的方法,其特征在于,所述基于设定排序规则,对所述在线推荐列表中的待推荐项目进行排序调整,包括:
获取各待推荐项目的业务指标信息和/或预设时间段内的点击率;
基于各业务指标信息和/或预设时间段内的点击率,确定相应待推荐项目的推荐权重;
基于各所述待推荐项目的推荐权重,对各所述待推荐项目进行排序,形成新的在线推荐列表。
5.根据权利要求1所述的方法,其特征在于,所述接收当前用户所发送当前已完成的训练项目之前,还包括:
获取当前用户的第一历史行为数据;其中,所述第一历史行为数据包括第一时间段内已完成的训练项目以及用户行为时序数据;
将所述第一历史行为数据输入至预训练的推荐模型中,以得到离线推荐列表。
6.根据权利要求5所述的方法,其特征在于,所述获取当前用户的第一历史行为数据之前,还包括:
获取至少一个用户的第二历史行为数据,并对所述第二历史行为数据进行预处理,得到各用户属性特征;
根据各训练项目以及所述第二历史行为数据,确定训练内容特征;
将所述各用户属性特征和所述训练内容特征输入分类器进行训练,得到预训练的推荐模型。
7.根据权利要求6所述的方法,其特征在于,所述各用户属性特征包括:各用户的时序数据和各用户的横截面数据;
相应的,所述对所述第二历史行为数据进行预处理,得到各用户属性特征,包括:
将各用户的第二历史行为数据中的训练项目按照时间特征进行整合,得到各用户的时序数据;
根据各用户的第二历史行为数据生成各用户画像,并对各用户画像进行筛选、清洗和组合,得到各用户的横截面数据。
8.根据权利要求6所述的方法,其特征在于,所述训练项目特征包括:各训练项目之间的相似度和用户行为相似度;
相应的,根据各训练项目以及所述第二历史行为数据,确定训练项目特征,包括:
根据词向量算法计算各训练项目之间的相似度;
如果所述各训练项目之间的相似度小于预设数值,则根据各用户的第二历史行为数据生成行为有向图;
根据所述行为有向图计算用户行为相似度。
9.一种项目推荐装置,其特征在于,包括:
接收模块,用于接收当前用户所发送当前已完成的训练项目;
确定模块,用于根据所述训练项目及预确定的离线推荐列表,确定与所述训练项目对应的在线推荐列表;
发送模块,用于将所述在线推荐列表对应的推荐项目发送并显示在所述当前用户的客户端上。
10.一种设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的项目推荐方法。
11.一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,该程序被处理器执行时实现如权利要求1-8中任一所述的项目推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910245694.8A CN109918574A (zh) | 2019-03-28 | 2019-03-28 | 项目推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910245694.8A CN109918574A (zh) | 2019-03-28 | 2019-03-28 | 项目推荐方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109918574A true CN109918574A (zh) | 2019-06-21 |
Family
ID=66967488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910245694.8A Pending CN109918574A (zh) | 2019-03-28 | 2019-03-28 | 项目推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109918574A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688585A (zh) * | 2019-09-25 | 2020-01-14 | 北京工业大学 | 一种基于神经网络和协同过滤的个性化电影推荐方法 |
CN111598645A (zh) * | 2020-04-02 | 2020-08-28 | 浙江工业大学 | 一种融合随机森林与协同过滤二手房推荐方法 |
CN111782940A (zh) * | 2020-06-10 | 2020-10-16 | 支付宝(杭州)信息技术有限公司 | 基于自然流量选择的推荐方法、装置、电子设备及介质 |
CN112396547A (zh) * | 2021-01-21 | 2021-02-23 | 平安科技(深圳)有限公司 | 基于无监督学习的课程推荐方法、装置、设备及介质 |
CN115862815A (zh) * | 2022-11-29 | 2023-03-28 | 北京津发科技股份有限公司 | 人机工效测试与训练方法、***、设备以及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6636836B1 (en) * | 1999-07-21 | 2003-10-21 | Iwingz Co., Ltd. | Computer readable medium for recommending items with multiple analyzing components |
CN105760443A (zh) * | 2016-02-03 | 2016-07-13 | 广州市动景计算机科技有限公司 | 项目推荐***、项目推荐装置以及项目推荐方法 |
CN105868243A (zh) * | 2015-12-14 | 2016-08-17 | 乐视网信息技术(北京)股份有限公司 | 信息处理方法及装置 |
CN109389168A (zh) * | 2018-09-29 | 2019-02-26 | 国信优易数据有限公司 | 项目推荐模型训练方法、项目推荐方法以及装置 |
-
2019
- 2019-03-28 CN CN201910245694.8A patent/CN109918574A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6636836B1 (en) * | 1999-07-21 | 2003-10-21 | Iwingz Co., Ltd. | Computer readable medium for recommending items with multiple analyzing components |
CN105868243A (zh) * | 2015-12-14 | 2016-08-17 | 乐视网信息技术(北京)股份有限公司 | 信息处理方法及装置 |
CN105760443A (zh) * | 2016-02-03 | 2016-07-13 | 广州市动景计算机科技有限公司 | 项目推荐***、项目推荐装置以及项目推荐方法 |
CN109389168A (zh) * | 2018-09-29 | 2019-02-26 | 国信优易数据有限公司 | 项目推荐模型训练方法、项目推荐方法以及装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688585A (zh) * | 2019-09-25 | 2020-01-14 | 北京工业大学 | 一种基于神经网络和协同过滤的个性化电影推荐方法 |
CN110688585B (zh) * | 2019-09-25 | 2022-04-19 | 北京工业大学 | 一种基于神经网络和协同过滤的个性化电影推荐方法 |
CN111598645A (zh) * | 2020-04-02 | 2020-08-28 | 浙江工业大学 | 一种融合随机森林与协同过滤二手房推荐方法 |
CN111782940A (zh) * | 2020-06-10 | 2020-10-16 | 支付宝(杭州)信息技术有限公司 | 基于自然流量选择的推荐方法、装置、电子设备及介质 |
CN111782940B (zh) * | 2020-06-10 | 2024-04-23 | 支付宝(杭州)信息技术有限公司 | 基于自然流量选择的推荐方法、装置、电子设备及介质 |
CN112396547A (zh) * | 2021-01-21 | 2021-02-23 | 平安科技(深圳)有限公司 | 基于无监督学习的课程推荐方法、装置、设备及介质 |
CN115862815A (zh) * | 2022-11-29 | 2023-03-28 | 北京津发科技股份有限公司 | 人机工效测试与训练方法、***、设备以及可读存储介质 |
CN115862815B (zh) * | 2022-11-29 | 2023-12-19 | 北京津发科技股份有限公司 | 人机工效测试与训练方法、***、设备以及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109918574A (zh) | 项目推荐方法、装置、设备及存储介质 | |
CN105653840B (zh) | 基于词句分布表示的相似病例推荐***及相应的方法 | |
CN110069607A (zh) | 用于客户服务的方法、装置、电子设备、计算机可读存储介质 | |
CN108363745A (zh) | 机器人客服转人工客服的方法和装置 | |
CN111723292B (zh) | 基于图神经网络的推荐方法、***、电子设备及存储介质 | |
CN116994709B (zh) | 一种个性化的饮食与运动推荐方法、***及电子设备 | |
CN112860989B (zh) | 课程推荐方法、装置、计算机设备及存储介质 | |
WO2022048648A1 (zh) | 实现自动构建模型的方法、装置、电子设备和存储介质 | |
WO2017160887A1 (en) | Adaptive and reusable processing of retroactive sequences for automated predictions | |
CN110036360A (zh) | 用于解释和管理不精确的时间表达的*** | |
CN111696661A (zh) | 患者分群模型构建方法、患者分群方法及相关设备 | |
CN112614578A (zh) | 医生智能推荐方法、装置、电子设备及存储介质 | |
CN106095842A (zh) | 在线课程搜索方法和装置 | |
CN110473435A (zh) | 一种具有学习周期的定量化的单词辅助学习***及方法 | |
CN109741108A (zh) | 基于情境感知的流式应用推荐方法、装置和电子设备 | |
CN113569138A (zh) | 一种智能设备控制方法、装置、电子设备和存储介质 | |
US20190385062A1 (en) | System and method for quality assurance of media analysis | |
CN114862520A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN114722266A (zh) | 问卷推送方法、装置、电子设备及可读存储介质 | |
CN114020892A (zh) | 基于人工智能的答案选取方法、装置、电子设备及介质 | |
CN110427234A (zh) | 页面的展示方法及装置 | |
CN109885668A (zh) | 一种可扩展的领域人机对话***状态跟踪方法及设备 | |
CN109643408A (zh) | 激励程序中的智能对等者分组 | |
CN113724824A (zh) | 慢性病患者随访方法、装置、计算机设备及可读存储介质 | |
CN114219663A (zh) | 产品推荐方法、装置、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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190621 |
|
RJ01 | Rejection of invention patent application after publication |