CN110162689A - 信息推送方法、装置、计算机设备和存储介质 - Google Patents
信息推送方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110162689A CN110162689A CN201810442927.9A CN201810442927A CN110162689A CN 110162689 A CN110162689 A CN 110162689A CN 201810442927 A CN201810442927 A CN 201810442927A CN 110162689 A CN110162689 A CN 110162689A
- Authority
- CN
- China
- Prior art keywords
- information
- image
- recommended
- sample
- similarity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 239000013598 vector Substances 0.000 claims abstract description 215
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000011176 pooling Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000699 topical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种信息推送方法，包括：获取与待推荐用户的参考信息关联的第一图像信息，并基于通过训练确定的图像向量生成模型，确定所述第一图像信息的第一图像向量；获取候选推荐信息关联的第二图像信息的第二图像向量；确定所述第一图像向量与所述第二图像向量之间的图像向量相似度；在基于所述图像向量相似度确定所述候选推荐信息满足相似度推荐条件时，将所述候选推荐信息确定为待推荐信息；向所述待推荐用户推荐所述待推荐信息。上述方法，通过结合图像信息进行信息推荐，基于图像特征可以提高推荐的信息的相关性的准确度。
Description
技术领域
本申请涉及信息推荐技术领域，特别是涉及一种信息推送方法、装置、计算机设备和存储介质。
背景技术
随着信息技术的不断发展，对用户进行信息推荐已经逐步得到广泛的应用。在进行信息推荐时，可以针对不同的用户确定不同的待推荐信息，并将该待推荐信息推荐给用户。其中，推荐的信息的准确性是信息推荐的重要推荐性能。在目前的信息推荐中，如在新闻等信息推荐领域，通常是根据相关文本信息的相关性进行信息推送，但目前在基于文本信息做信息推送时，存在信息相关性精准度不高的问题。
发明内容
基于此，有必要提供一种信息推送方法、装置、计算机设备和存储介质。
一种信息推送方法，所述方法包括：
获取与待推荐用户的参考信息关联的第一图像信息，并基于通过训练确定的图像向量生成模型，确定所述第一图像信息的第一图像向量；
获取候选推荐信息关联的第二图像信息的第二图像向量；
确定所述第一图像向量与所述第二图像向量之间的图像向量相似度；
在基于所述图像向量相似度确定所述候选推荐信息满足相似度推荐条件时，将所述候选推荐信息确定为待推荐信息；
向所述待推荐用户推荐所述待推荐信息。
一个实施例中，本申请还提供一种信息推送装置，包括：
第一图像向量确定模块，用于获取与待推荐用户的参考信息关联的第一图像信息，并基于通过训练确定的图像向量生成模型，确定所述第一图像信息的第一图像向量；
第二图像向量确定模块，用于获取候选推荐信息关联的第二图像信息的第二图像向量；
相似度确定模块，用于确定所述第一图像向量与所述第二图像向量之间的图像向量相似度；
待推荐信息确定模块，用于在所述图像向量相似度满足相似度推荐条件时，将所述图像向量相似度对应的候选推荐信息确定为待推荐信息；
信息推送模块，用于向所述待推荐用户推荐所述待推荐信息。
一个实施例中，本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行上述信息推送方法的步骤。
一个实施例中，本申请还提供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上述信息推送方法的步骤。
上述信息推送方法、装置、计算机设备和存储介质，首先获取第一图像信息、第二图像信息的第二图像向量。其中，第一图像信息与待推荐用户的参考信息关联，第二图像向量与候选推荐信息关联。其次基于图像向量生成模型确定第一图像信息的第一图像向量，然后通过对第一图像向量与第二图像向量做图像相似度计算，当基于图像向量相似度确定候选推荐信息满足相似度推荐条件时，将该候选信息确定为待推荐信息，最后向待推送用户推送待推荐信息。从而，通过结合图像信息进行信息推荐，基于图像特征可以提高推荐的信息的相关性的准确度。
附图说明
图1为一个实施例中信息推送方法的应用环境图；
图2为一个实施例中信息推送方法的流程示意图；
图3为另一个实施例中信息推送方法的流程示意图；
图4为一个实施例中确定各样本图像之间的相似性步骤的流程示意图；
图5为另一个实施例中信息推送方法的流程示意图；
图6为另一个实施例中信息推送方法的流程示意图；
图7为一具体实施例信息推送方法流程示意图；
图8为一具体实施例信息推送方法的处理过程示意图；
图9为一个实施例中信息推送装置的结构框图；
图10为另一个实施例中信息推送装置的结构框图；
图11为一个实施例模型确定模块结构示意图；
图12为一个实施例样本相似性确定模块结构示意图；
图13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。
本申请提供的信息推送方法，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通过网络获取终端102上的待推荐用户关联的参考信息，并确定该参考信息关联的第一图像信息，然后从候选推荐信息关联的第二图像信息中确定出与第一图像信息相似的第二图像信息，将该与第一图像信息相似的第二图像信息对应的候选推荐信息确定为待推荐信息，将其作为待推荐信息推送至终端102。其中，两个图像信息是否相似是将两个图像分别通过图像向量生成模型确定各自的图像向量，然后计算两者的图像向量的相似度确定。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，提供了一种信息推送方法，该方法可应用于图1中的服务器104，包括以下步骤S210至步骤S250。
步骤S210，获取与待推荐用户的参考信息关联的第一图像信息，并基于通过训练确定的图像向量生成模型，确定所述第一图像信息的第一图像向量。
其中，待推荐用户为本申请信息推送方法服务的用户，具体可以是唯一标识用户的任何相关信息，如用户标识、用户账号、用户终端标识等等。待推荐用户的参考信息为该待推荐用户进行信息推荐时的参考对象，可以通过将后续推荐信息与参考信息进行比较，以确定候选推荐信息是否与参考信息相似，是否需要将候选推荐信息作为待推荐信息推荐给该待推荐用户。
一个实施例中，待推荐用户的参考信息可以是与该待推荐用户直接关联的信息，如该待推荐用户主动请求并获得的信息，如待推荐用户主动点击并浏览的新闻、推送文章、图集、视频等信息。本实施例中，将待推荐用户的参考信息关联的图像信息记为第一图像信息。
一个实施例中，待推荐用户的参考信息可以是通过待推荐用户的信息浏览情况确定的，例如，可以是待推荐用户最近一次浏览的信息，此时，获取的待推荐用户的参考信息可以为：最近一次向所述待推荐用户返回的信息。其中，最近一次向所述待推荐用户返回的信息，可以是待推荐用户主动点击后向其返回的信息，也可以是基于本申请方法上一次向待推荐用户发送待推荐信息后，待推荐用户有做信息交互行为(如点击、阅读、查看等行为)的待推荐信息。
一个实施例中，待推荐用户的参考信息还可以是用户最近点击浏览过的信息中的一个信息。在其中一个实施例中，待推荐用户的参考信息可以为：最近第一预设时间段向所述待推荐用户返回的信息中，满足第一预定条件的信息。在另一个实施例中，待推荐用户的参考信息可以为：最近第一预设数目次向所述待推荐用户返回的信息中，满足第二预定条件的信息。其中，第一预定条件、第二预定条件可以基于实际应用需求做不同的设置，例如可以是被点击的次数大于或者等于次数阈值，也可以是被浏览的时长(如该信息被打开或停留的时长)大于或者等于时长阈值，在其它实施例中，还可以是其他条件。其中，第一预定条件和第二预定条件可以设置为相同，也可以设置为不相同。
在另一个实施例中，待推荐用户的参考信息还可以是与该待推荐用户间接关联的信息，如与待推荐用户的好友关联的信息，从而可以根据待推荐用户的好友用户的信息浏览情况确定待推荐用户的参考信息。其中，待推荐用户的各好友用户，可以是待推荐用户在浏览信息时登录的账户中好友列表的用户。待推荐用户在浏览信息时登录的账户可以是用户在该浏览信息的软件自身申请的账户，也可以是第三方软件的账户。
一个实施例中，获取的待推荐用户的参考信息可以为：向所述待推荐用户的各好友用户最近一次返回的信息。其中，向所述待推荐用户的各好友用户最近一次返回的信息，可以是待推荐用户的各好友用户主动点击后向其返回的信息，也可以是基于本申请方法上一次向待推荐用户的各好友用户发送待推荐信息后，各好友用户有做信息交互行为(如点击、阅读、查看等行为)的待推荐信息。
在另一个实施例中，待推荐用户的参考信息，还可以是待推荐用户的各好友用户最近浏览过的信息中的一个信息。例如，一个实施例中，待推荐用户的参考信息可以为：最近第二预设时间段向所述待推荐用户的各好友用户返回的信息中，满足第三预定条件的信息。另一个实施例中，待推荐用户的参考信息可以为：最近第二预设数目次向所述待推荐用户的各好友用户返回的信息中，满足第四预定条件的信息。其中，第三预定条件、第四预定条件可以基于实际应用需求做不同的设置，例如可以是被点击的次数大于或者等于次数阈值，也可以是被浏览的时长(如该信息被打开或停留的时长)大于或者等于时长阈值，在其它实施例中，还可以是其他条件。其中，第三预定条件、第四预定条件可以设置为相同，也可以设置为不相同。第一预定条件、第三预定条件可以设置为相同或不相同，第二预定条件、第四预定条件可以设置为相同或不相同。
在获取到待推荐用户的参考信息后，提取其中与该参考信息关联的第一图像信息，然后基于图像向量模型确定得到第一图像向量。以参考信息为新闻信息为例，与该参考信息关联的第一图像信息，可以是该新闻信息中包含的图像信息。其中，图像向量生成模型是通过训练确定的、用以生成图像向量的模型。在获取到第一图像信息后，通过该图像向量生成模型可以得到第一图像向量信息。
如图3所示，一个实施例中的图像向量生成模型的确定方式，包括步骤S310至步骤S330。
步骤S310，获取各样本信息，并获取各样本信息关联的各样本图像。
一个实施例中，获取样本信息包括：基于各候选样本信息所属信息类别，从各不同的信息类别的候选样本信息中确定样本信息。
其中，各候选样本信息所属信息类别可以是通过各种途径获得，例如，一个实施例中，各候选样本信息可以设置有对应的信息类别标签，可以基于各候选样本信息的信息类型标签，对每一个信息类别标签，从与该信息类别标签关联的各候选样本信息中，提取出一定数量或者满足其他条件的候选样本信息作为确定的样本信息。
一个实施例中，以候选样本信息为新闻信息为例，样本信息的信息类别包括娱乐新闻、体育新闻、时事新闻等等。
步骤S320，根据各样本信息与样本图像之间的关联关系，确定各样本图像之间的相似性。
一个实施例中，根据各样本信息与样本图像之间的关联关系，确定各样本图像之间的相似性，包括如图4所示的步骤S321和步骤S322。在本实施例中，样本图像关联的样本信息为同一样本信息时认定该两个样本图像为相似。
步骤S321，在两个样本图像关联至同一个样本信息时，确定该两个样本图像相似。
步骤S322，在两个样本图像关联至不同的样本信息时，确定该两个样本图像不相似。
以获得的样本信息为新闻信息为例，当两个样本图像属于同一条新闻中的内容时，将该两个样本图像认定为相似图像；当两个样本图像属于不同的新闻内容时，将该两个样本图像认定为不相似图像。一个实施例中，可以将确定为相似的样本图像作为相似样本图像集合，将确定为不相似的样本图像作为不相似样本图像集合。
一个实施例中，对任意一个样本信息，还需要对该样本信息关联的各样本图像进行过滤处理，获得过滤后的该样本信息关联的各样本图像。一个实施例中，过滤处理可以包括对样本信息中的各样本图像进行色彩比对、广告识别、以及标志(logo、商标或徽标)识别等处理。
在一个实施例中，在确定两个样本图像为相似图像时，对两个样本图像之间进行色彩对比处理，当色彩比对结果为相差大于色彩差异阈值时，则认为两个样本图像不相似，因此将该两个样本图像过滤。其中，色彩对比处理的处理方式可以采用任何可能方式进行，本申请实施例不做具体限定。
一个实施例中，在获得样本图像后，可先识别样本图像中是否有广告或者标志(logo、商标或徽标)，在存在广告或者标志(logo、商标或徽标)时，可将该样本图像中的广告或者标志(logo、商标或徽标)进行过滤，或者，直接过滤掉该样本图像，从而可以提高样本的可靠性。基于过滤后的各样本图像，基于卷积神经网络训练得到的图像向量生成模型时，可以提高生成的模型的准确率，并提高通过该图像向量生成模型生成的图形向量的准确率。
步骤S330，基于各样本图像以及各样本图像之间的相似性，对预设卷积神经网络模型进行训练，获得所述图像向量生成模型。
其中，预设卷积神经网络模型为一种神经网络模型，卷积神经网络模型(Convolutional Neural Network,CNN)是一种源于人工神经网络(Neural Network,NN)的深度机器学习方法，CNN由于采用局部连接和权值共享，保持了网络的深层结构，同时又大大减少了网络参数，使模型具有良好的泛化能力又较容易训练。
卷积神经网络中，包含有一个由卷积层和子采样层构成的特征抽取器。在卷积层中，一个神经元只与部分邻层神经元连接，通常包含若干个特征平面(feature Map)，每个特征平面由一些矩形排列的神经元组成，同一特征平面的神经元共享权值，共享的权值记为卷积核。卷积核一般以随机小数矩阵的形式初始化，在网络的训练过程中卷积核将学习得到合理的权值。共享权值(卷积核)带来的直接好处是减少网络各层之间的连接，同时又降低了过拟合的风险。子采样也叫做池化(pooling)，通常有均值子采样(mean pooling)和最大值子采样(max pooling)两种形式。子采样可以看作一种特殊的卷积过程。卷积和子采样大大简化了模型复杂度，减少了模型的参数。
一个具体实施例中，确定各样本图像之间的相似性之后，取确定为相似的各样本图像作为相似样本图像集合，将确定为不相似的各样本图像作为不相似样本图像集合。基于相似图像样本集合和不相似图像样本集合对预设卷积神经网络模型进行训练，得到图像向量生成模型。具体的模型训练的过程可以采用任何可能的训练方式进行。
步骤S220，获取候选推荐信息关联的第二图像信息的第二图像向量。
一个实施例中，获取候选推荐信息关联的第二图像信息的第二图像向量，可以包括：获取候选推荐信息关联的第二图像信息，并基于所述图像向量生成模型，确定所述第二图像信息的第二图像向量。从而，可以通过实时确定方式获得候选推荐信息关联的第二图像信息的第二图像向量，以体现出实时处理的效果。在有对图像向量生成模型进行更新的情况下，可以进一步信息处理的实时性。
一个实施例中，获取候选推荐信息关联的第二图像信息的第二图像向量，可以包括：读取存储的候选推荐信息关联的第二图像信息的第二图像向量。此时，而可以预先确定各候选推荐信息关联的第二图像信息的第二图像向量，如可以基于上述图像向量生成模型确定，从而在需要确定待推荐信息时，直接提取候选推荐信息关联的第二图像向量即可，而无需实时对第二图像向量进行确定，进一步提高了处理效率。
步骤S230，确定所述第一图像向量与所述第二图像向量之间的图像向量相似度。
由于图像向量是一种表示图像信息的方法，在表示为第一图像向量与第二图像向量之后，每一张图像均可以表示为256维度的一个矢量空间，通过对矢量空间的相似度计算，从而可以获得第一图像向量与第二图像向量之间的图像向量相似度。在确定第一图像向量与第二图像向量之间的图像向量相似度时，可以采用任何可能的方式进行。例如可以通过皮尔逊相关系数(Pearson Correlation Coefficient)、Cosine相似度(CosineSimilarity)、Tanimoto系数(Tanimoto Coefficient)、或者曼哈顿距离的方法确定第一图像向量和第二图像向量之间的图像向量相似度。
本申请的一个具体实施例中，可以采用余弦相似度(Cosine相似度)确定第一图像向量与第二图像向量之间图像向量相似度，具体步骤包括：确定所述第一图像向量和第二图像向量的余弦值，并将该余弦值确定为第一图像向量和第二图像向量之间的图像向量相似度。
其中，余弦相似度具体是计算多维空间两点与所设定的点形成夹角的余弦值。余弦值的范围为[-1,1]，余弦值越大，对应的夹角越大，两点相距就越远，相似度就越小；余弦值越小，对应的夹角越小，两点相距就越近，相似度就越大。在本实施例中，用余弦相似度的方法计算两个图像向量的余弦值，余弦值越小，表明图像向量相似度越大。
确定的图像向量相似度，可用以评判第一图像向量和第二图像向量之间的相似程度，如上所述，可将第一图像向量和第二图像向量之间的余弦值确定为图像向量相似度。
步骤S240，在基于所述图像向量相似度确定所述候选推荐信息满足相似度推荐条件时，将所述候选推荐信息确定为待推荐信息。
相似度推荐条件可以结合实际需要进行设定，如上所述，在将第一图像向量和第二图像向量之间的余弦值确定为图像向量相似度时，余弦值越大，对应的图像向量之间的夹角越大，表示第一图像向量和第二图像向量越不相似，余弦值越小，对应的图像向量之间的夹角越小，表示第一图像向量和第二图像向量越相似，因此，相似度推荐条件可以设置为：余弦值小于或者等于预设余弦值阈值。即在余弦值小于或者等于预设余弦值阈值时，判定第一图像向量和第二图像向量相似。
可以理解，在通过其他方式确定图像向量相似度的情况下，相似度推荐条件的设置可以有所不同，只要能够体现出第一图像向量和第二图像向量的相似程度即可。
步骤S250，向所述待推荐用户推荐所述待推荐信息。
从候选信息中确定待推荐信息后，将该待推荐信息推荐至待推荐用户。从而实现了根据参考信息向用户推荐信息的信息推送方法。
一个实施例中，在基于所述图像向量相似度确定所述候选推荐信息满足相似度推荐条件时，将所述候选推荐信息确定为待推荐信息之后，向所述待推荐用户推荐所述待推荐信息之前，还包括步骤：按照各待推荐信息的第二图像向量与第一图像向量的图像向量相似度由大到小的顺序，对将各待推荐信息排序，生成待推荐信息列表。
在本实施例中，满足相似度推荐条件的候选推荐信息(即待推荐信息)有多个，根据相似度大小，对各满足相似度推荐条件的待推荐信息排序，生成待推荐信息列表，将该待推荐信息列表推送至待推荐用户。
上述信息推送方法中，首先获取第一图像信息、第二图像信息的第二图像向量。其中，第一图像信息与待推荐用户的参考信息关联，第二图像向量与候选推荐信息关联。其次基于图像向量生成模型确定第一图像信息的第一图像向量，然后通过对第一图像向量与第二图像向量做图像相似度计算，当基于图像向量相似度确定候选推荐信息满足相似度推荐条件时，将该候选信息确定为待推荐信息，最后向待推送用户推送待推荐信息。从而，通过结合图像信息进行信息推荐，基于图像特征可以提高推荐的信息的相关性的准确度。
一个实施例中，如图所示，还包括步骤S510至步骤S520。
步骤S510，在各候选推荐信息均不满足相似度推荐条件时，确定第一文本信息与第二文本信息的文本相似度，所述第一文本信息为所述参考信息关联的文本信息，所述第二文本信息为所述候选推荐信息关联的文本信息。
步骤S520，在基于所述文本相似度确定所述候选推荐信息满足相似度推荐条件时，将所述候选推荐信息确定为待推荐信息。
此时，在一个实施例中，相似度推荐条件包括：文本相似度大于或者等于预设文本相似度阈值。
步骤S530，向所述待推荐用户推荐该待推荐信息。
一个实施例中，在基于图像相似度判定各候选推荐信息均不满足相似度推荐条件时，获取与待推荐用户的参考信息关联的第一文本信息，和与候选信息关联的第二文本信息，确定第一文本信息和第二文本信息的文本相似度。并基于所述文本相似度确定所述候选推荐信息是否满足相似度推荐条件，具体可以是当文本相似度大于等于文本相似度阈值时，判定候选推荐信息满足相似度推荐条件。当候选推荐信息满足相似度推荐条件时，将该候选推荐信息确定为待推荐信息。将该待推荐信息推送至待推荐用户。从而，可以在图像信息不能判定是否信息是否相关时，可以基于候选信息中的文本信息和待推荐用户的参考信息中的文本信息的相似度，进行信息的推送。本实施例中，基于文本相似度确定待推送消息与基于图像相似度确定待推送消息的原理基本一致。
一个实施例中，如图6所示，上述信息推送方法还包括步骤S610和步骤S620。
步骤S610，确定第一文本信息与第二文本信息的文本相似度。其中，所述第一文本信息为所述参考信息关联的文本信息，所述第二文本信息为所述候选推荐信息关联的文本信息。
在基于所述图像向量相似度确定所述候选推荐信息满足相似度推荐条件时，将所述候选推荐信息确定为待推荐信息，包括步骤S620，在基于所述图像向量相似度和文本相似度，确定所述候选推荐信息满足相似度推荐条件时，将所述候选推荐信息确定为待推荐信息。
在本实施例中，在基于图像向量相似度确定候选信息满足相似度推荐条件时，还需要基于文本相似度确定该候选信息是否满足相似度推荐条件，当基于图像向量相似度和基于文本相似度候选信息均满足相似度推荐条件时，才确定该候选信息为待推荐信息。
其中，以上述基于第一图像向量和第二图像向量之间的余弦值确定图像向量相似度的情况下，相似度推荐条件可以包括：余弦值小于或等于预设预设余弦值阈值；文本相似度大于或等于预设文本向量相似度阈值。从而，通过两个特征从候选推荐信息中确定待推荐信息，可以进一步提高信息推送信息的相关性的准确度。以候选信息为新闻信息为例，当基于候选新闻信息和参考新闻信息中的图像信息相似度和文本相似度均满足相似度推荐条件时，判定该候选信息与参考信息相似，将该候选信息确定为待推荐信息。
应该理解的是，虽然图2至图6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至图6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。
一个具体实施例，如图7为一具体实施例信息推送方法流程示意图，本实施例中以候选信息和参考信息为新闻信息为例，包括步骤：获取与参考新闻信息关联的图像，通过图像向量生成模型得到图像向量1；获取与候选新闻信息关联的图像，通过图像向量生成模型得到图像向量2；其中，图像向量生成模型是预先通过卷积神经网络训练得到的、用于生成图像向量的模型。对图像向量1和图像向量2求图像向量相似度，基于图像向量相似度做新闻推荐。一个实施例中，以用余弦值标识图像向量相似度为例，当图像向量相似度(余弦值)小于或者等于余弦值阈值时，判定该两个图像向量所关联的新闻信息满足相似度推荐条件，此时将该候选新闻信息确定为待推荐新闻信息，将待推荐新闻信息推荐至待推荐用户。
一个实施例中，在确定图像向量相似度之后，将图像向量相似度作为图像相似度特征输出，基于图像相似度特征和其他相似度特征一起做相关新闻的推荐。其中，其他相似度特征可以包括文本相似度等。
上述信息推送方法，根据参考新闻信息的图像信息与候选新闻信息中的图像之间的图像向量相似度，并基于该图像相似度确定待推荐新闻，并将待推荐新闻信息推送至待待推荐用户。从而可以实现基于与用户相关联的参考新闻信息，推送相关的新闻信息。由于是基于图像相似度确定待推荐新闻信息，因此，针对与用户相关联的参考新闻信息中文本信息较少或者没有文本信息的一类信息推送时，可以提高推送的相关信息的准确性。
一个实施例中，在确定了图像向量相似度之后，还可以对基于图像向量相似度满足相似度推荐条件的候选新闻做排序处理，将根据图像向量相似度由大到小排序得到的候选新闻信息推送给待推荐用户。从而，上述信息推送方法对新闻整体推荐排序准确率提升。
在一个实施例中，待推荐用户的参考信息也可以是视频信息，在本实施例中，获取与参考信息的关联的图像信息的步骤包括：获取视频的封面图像。可以理解地，在其它实施例中，获取与参考信息的关联的图像信息也可以是获取视频的任意一帧图像。在本实施例中，候选信息可以是新闻信息，也可以是视频信息，还可以是其他信息。从而，上述信息推送方法在针对以图像集(只包含图像信息)或者视频这一类的参考信息做信息推送时，可以提高图像、视频推荐的召回率和准确率。
如图8所示，为一具体实施例信息推送方法的处理过程示意图；在本实施例中，待推荐信息为预先存储的可选择的推送的信息。首先获取与参考信息相关联的第一图像信息，和与待推荐信息关联的第二图像信息。分别将第一图像和第二图像输入图像向量生成模型，通过多层卷积层和池化层特征提取后得到与第一图像对应的图像向量，与第二图像对应的第二图像向量；计算第一图像向量和第二图像向量之间的图像向量相似度，将得到的图像向量相似度作为图像相似度特征输出。其中，图像向量生成模型中卷积层和池化层的数量可以结合实际情况进行设置，在本实施例中，池化采用的是最大值子采样的方法。
在本实施例中，图像向量生成模型包括卷积层1、池化层1、卷积层2、池化层2以及卷积层3，在其他实施例中，也可以设置其他数量的卷积层和池化层。
在本实施例中，得到图像相似度特征输出后，将图像相似度作为确定待推荐信息的特征之一，将图像相似度与其他相似度特征结合确定待推荐信息。例如，其他相似度特征可以是文本相似度。一个实施例中，当参考信息或者待推荐信息为图集(只包含图像信息)或者视频信息时，可以直接根据输出的图像相似度特征确定待推荐消息。
在一个实施例中，如图9所示，提供了一种信息推送装置，包括：第一图像向量确定模块910、第二图像向量确定模块920、相似度确定模块930、待推荐信息确定模块940和信息推送模块950。其中：
第一图像向量确定模块910，用于获取与待推荐用户的参考信息关联的第一图像信息，并基于通过训练确定的图像向量生成模型，确定所述第一图像信息的第一图像向量。其中，将于待推荐用户的参考信息关联的图像信息记为第一图像信息，以参考信息为新闻信息为例，与该参考信息关联的第一图像信息即为该条新闻信息中的图片信息。一个实施例中，图像向量生成模型为基于预设卷积神经网络训练得出确定的模型，用于生成图像向量。
第二图像向量确定模块920，用于获取候选推荐信息关联的第二图像信息的第二图像向量。
相似度确定模块930，用于确定所述第一图像向量与所述第二图像向量之间的图像向量相似度。
待推荐信息确定模块940，用于在所述图像向量相似度满足相似度推荐条件时，将所述图像向量相似度对应的候选推荐信息确定为待推荐信息。
信息推送模块950，用于向所述待推荐用户推荐所述待推荐信息。
上述信息推送装置，首先获取第一图像信息、第二图像信息的第二图像向量。其中，第一图像信息与待推荐用户的参考信息关联，第二图像向量与候选推荐信息关联。其次基于图像向量生成模型确定第一图像信息的第一图像向量，然后通过对第一图像向量与第二图像向量做图像相似度计算，当基于图像向量相似度确定候选推荐信息满足相似度推荐条件时，将候选信息确定为待推荐信息，并向待推送用户推送待推荐信息。从而，通过结合图像信息进行信息推荐，基于图像特征可以提高推荐的信息的相关性的准确度。
一个实施例中，如图10所示，为另一实施例信息推送装置结构示意图，本实施例中还包括：模型确定模块1010，用于根据各样本信息以及各样本信息关联的各样本图像进行训练，获得所述图像向量生成模型。
一个实施例中，如图11所示，为一实施例模型确定模块结构示意图，包括：样本图像获取模块1110、样本相似性确定模块1120和模型训练模块1130。其中：
样本图像获取模块1110，用于获取各样本信息，并获取各样本信息关联的各样本图像；
样本相似性确定模块1120，用于根据各样本信息与样本图像之间的关联关系，确定各样本图像之间的相似性；
模型训练模块1130，用于基于各样本图像以及各样本图像之间的相似性，对预设卷积神经网络模型进行训练，获得所述图像向量生成模型。
一个实施例中，如图12所示，为一实施例中样本相似性确定模块结构示意图，包括：相似样本确定模块1121和不相似样本确定模块1122。
一个实施例中，信息推送装置还包括：过滤模块，用于对任意一个样本信息，对该样本信息关联的各样本图像进行过滤处理，获得过滤后的该样本信息关联的各样本图像。
一个实施例中，样本图像获取模块包括：信息类别确定模块，用于基于各候选样本信息所属信息类别，从各不同的信息类别的候选样本信息确定为样本信息。
关于上述信息推送装置的具体限定可以参见上文中对于信息推送方法的限定，在此不再赘述。上述信息推送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13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候选信息数据、与候选信息关联的第二图像信息的第二图像向量数据。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信息推送方法。
本领域技术人员可以理解，图13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，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述信息推送方法的步骤。
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上述信息推送方法的步骤。
上述信息推送计算机设备、计算机可读存储介质中，实现的信息推送方法首先获取第一图像信息、第二图像信息的第二图像向量。其中，第一图像信息与待推荐用户的参考信息关联，第二图像向量与候选推荐信息关联。其次基于图像向量生成模型确定第一图像信息的第一图像向量，然后通过对第一图像向量与第二图像向量做图像相似度计算，当基于图像向量相似度确定候选推荐信息满足相似度推荐条件时，将候选信息确定为待推荐信息，最后向待推送用户推送待推荐信息。从而，通过结合图像信息进行信息推荐，基于图像特征可以提高推荐的信息的相关性的准确度。
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 (14)
1.一种信息推送方法，所述方法包括：
获取与待推荐用户的参考信息关联的第一图像信息，并基于通过训练确定的图像向量生成模型，确定所述第一图像信息的第一图像向量；
获取候选推荐信息关联的第二图像信息的第二图像向量；
确定所述第一图像向量与所述第二图像向量之间的图像向量相似度；
在基于所述图像向量相似度确定所述候选推荐信息满足相似度推荐条件时，将所述候选推荐信息确定为待推荐信息；
向所述待推荐用户推荐所述待推荐信息。
2.根据权利要求1所述的方法，其特征在于，包括下述各项中的任意一项：
所述待推荐用户的参考信息为：最近一次向所述待推荐用户返回的信息；
所述待推荐用户的参考信息为：最近第一预设时间段向所述待推荐用户返回的信息中，满足第一预定条件的信息；
所述待推荐用户的参考信息为：最近第一预设数目次向所述待推荐用户返回的信息中，满足第二预定条件的信息；
所述待推荐用户参考信息为：向所述待推荐用户的各好友用户最近一次返回的信息；
所述待推荐用户的参考信息为：最近第二预设时间段向所述待推荐用户的各好友用户返回的信息中，满足第三预定条件的信息；
所述待推荐用户的参考信息为：最近第二预设数目次向所述待推荐用户的各好友用户返回的信息中，满足第四预定条件的信息。
3.根据权利要求1所述的方法，其特征在于，所述图像向量生成模型的确定方式包括：
获取各样本信息，并获取各样本信息关联的各样本图像；
根据各样本信息与样本图像之间的关联关系，确定各样本图像之间的相似性；
基于各样本图像以及各样本图像之间的相似性，对预设卷积神经网络模型进行训练，获得所述图像向量生成模型。
4.根据权利要求3所述的方法，其特征在于，根据各样本信息与样本图像之间的关联关系，确定各样本图像之间的相似性，包括：
在两个样本图像关联至同一个样本信息时，确定该两个样本图像相似；
在两个样本图像关联至不同的样本信息时，确定该两个样本图像不相似。
5.根据权利要求3所述的方法，其特征在于，在获取各样本信息关联的各样本图像之后，确定各样本图像之间的相似性之前，还包括步骤：
对任意一个样本信息，对该样本信息关联的各样本图像进行过滤处理，获得过滤后的该样本信息关联的各样本图像。
6.根据权利要求3所述的方法，其特征在于，获取各样本信息，包括：
基于各候选样本信息所属信息类别，从各不同的信息类别的候选样本信息确定为样本信息。
7.根据权利要求1至6任意一项所述的方法，其特征在于，获取候选推荐信息关联的第二图像信息的第二图像向量，包括：
读取存储的候选推荐信息关联的第二图像信息的第二图像向量；
或者，获取候选推荐信息关联的第二图像信息，并基于所述图像向量生成模型，确定所述第二图像信息的第二图像向量。
8.根据权利要求1至6任意一项所述的方法，其特征在于，确定所述第一图像向量与所述第二图像向量之间的图像向量相似度，包括：
确定所述第一图像向量和第二图像向量的余弦值，并将该余弦值确定为第一图像向量和第二图像向量之间的图像向量相似度。
9.根据权利要求1至6任意一项所述的方法，其特征在于，还包括：
在各候选推荐信息均不满足相似度推荐条件时，确定第一文本信息与第二文本信息的文本相似度，所述第一文本信息为所述参考信息关联的文本信息，所述第二文本信息为所述候选推荐信息关联的文本信息；
在基于所述文本相似度确定所述候选推荐信息满足相似度推荐条件时，将所述候选推荐信息确定为待推荐信息；
向所述待推荐用户推荐该待推荐信息。
10.根据权利要求1至6任意一项所述的方法，其特征在于：
还包括：确定第一文本信息与第二文本信息的文本相似度，所述第一文本信息为所述参考信息关联的文本信息，所述第二文本信息为所述候选推荐信息关联的文本信息；
在基于所述图像向量相似度确定所述候选推荐信息满足相似度推荐条件时，将所述候选推荐信息确定为待推荐信息，包括：在基于所述图像向量相似度和文本相似度，确定所述候选推荐信息满足相似度推荐条件时，将所述候选推荐信息确定为待推荐信息。
11.一种信息推送装置，其特征在于，包括：
第一图像向量确定模块，用于获取与待推荐用户的参考信息关联的第一图像信息，并基于通过训练确定的图像向量生成模型，确定所述第一图像信息的第一图像向量；
第二图像向量确定模块，用于获取候选推荐信息关联的第二图像信息的第二图像向量；
相似度确定模块，用于确定所述第一图像向量与所述第二图像向量之间的图像向量相似度；
待推荐信息确定模块，用于在所述图像向量相似度满足相似度推荐条件时，将所述图像向量相似度对应的候选推荐信息确定为待推荐信息；
信息推送模块，用于向所述待推荐用户推荐所述待推荐信息。
12.根据权利要求11所述的装置，其特征在于，还包括：
模型确定模块，用于根据各样本信息以及各样本信息关联的各样本图像进行训练，获得所述图像向量生成模型。
13.一种计算机设备，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10中任一项所述方法的步骤。
14.一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10中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810442927.9A CN110162689B (zh) | 2018-05-10 | 2018-05-10 | 信息推送方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810442927.9A CN110162689B (zh) | 2018-05-10 | 2018-05-10 | 信息推送方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110162689A true CN110162689A (zh) | 2019-08-23 |
| CN110162689B CN110162689B (zh) | 2024-05-10 |
Family
ID=67644899
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810442927.9A Active CN110162689B (zh) | 2018-05-10 | 2018-05-10 | 信息推送方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110162689B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111429232A (zh) * | 2020-04-12 | 2020-07-17 | 中信银行股份有限公司 | 产品推荐方法、装置和电子设备及计算机可读存储介质 |
| CN111553763A (zh) * | 2020-04-26 | 2020-08-18 | 上海风秩科技有限公司 | 一种物品推荐方法、装置、电子设备及可读存储介质 |
| CN112686229A (zh) * | 2021-03-12 | 2021-04-20 | 深圳市安软科技股份有限公司 | 一种数据推送方法、装置、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104572825A (zh) * | 2014-12-04 | 2015-04-29 | 百度在线网络技术（北京）有限公司 | 信息的推荐方法和装置 |
| CN105045818A (zh) * | 2015-06-26 | 2015-11-11 | 腾讯科技（深圳）有限公司 | 一种图片的推荐方法、装置和*** |
| US20160085816A1 (en) * | 2014-09-19 | 2016-03-24 | Kabushiki Kaisha Toshiba | Information processing apparatus, information processing system, information processing method, and recording medium |
| CN107330750A (zh) * | 2017-05-26 | 2017-11-07 | 北京三快在线科技有限公司 | 一种推荐产品配图方法及装置，电子设备 |
-
2018
- 2018-05-10 CN CN201810442927.9A patent/CN110162689B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160085816A1 (en) * | 2014-09-19 | 2016-03-24 | Kabushiki Kaisha Toshiba | Information processing apparatus, information processing system, information processing method, and recording medium |
| CN104572825A (zh) * | 2014-12-04 | 2015-04-29 | 百度在线网络技术（北京）有限公司 | 信息的推荐方法和装置 |
| CN105045818A (zh) * | 2015-06-26 | 2015-11-11 | 腾讯科技（深圳）有限公司 | 一种图片的推荐方法、装置和*** |
| CN107330750A (zh) * | 2017-05-26 | 2017-11-07 | 北京三快在线科技有限公司 | 一种推荐产品配图方法及装置，电子设备 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111429232A (zh) * | 2020-04-12 | 2020-07-17 | 中信银行股份有限公司 | 产品推荐方法、装置和电子设备及计算机可读存储介质 |
| CN111553763A (zh) * | 2020-04-26 | 2020-08-18 | 上海风秩科技有限公司 | 一种物品推荐方法、装置、电子设备及可读存储介质 |
| CN111553763B (zh) * | 2020-04-26 | 2023-03-24 | 上海风秩科技有限公司 | 一种物品推荐方法、装置、电子设备及可读存储介质 |
| CN112686229A (zh) * | 2021-03-12 | 2021-04-20 | 深圳市安软科技股份有限公司 | 一种数据推送方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110162689B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110941740B (zh) | 视频推荐方法及计算机可读存储介质 | |
| CN110837579B (zh) | 视频分类方法、装置、计算机以及可读存储介质 | |
| CN111680219B (zh) | 内容推荐方法、装置、设备及可读存储介质 | |
| KR102122373B1 (ko) | 사용자 포트레이트를 획득하는 방법 및 장치 | |
| CN109783730A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
| CN110378732B (zh) | 信息显示方法、信息关联方法、装置、设备及存储介质 | |
| CN109688479B (zh) | 一种弹幕显示方法、弹幕显示装置和弹幕显示服务器 | |
| CN110413894B (zh) | 内容推荐模型的训练方法、内容推荐的方法及相关装置 | |
| CN112464025B (zh) | 视频推荐方法、装置、电子设备及介质 | |
| CN111339404A (zh) | 基于人工智能的内容热度预测方法、装置和计算机设备 | |
| CN110223186A (zh) | 用户相似度确定方法以及信息推荐方法 | |
| CN112364204A (zh) | 视频搜索方法、装置、计算机设备及存储介质 | |
| US20200195594A1 (en) | Method and system for dynamically generating a card | |
| CN109753421B (zh) | 服务***的优化方法、装置、计算机设备和存储介质 | |
| CN112613938B (zh) | 模型训练方法、装置及计算机设备 | |
| US9767400B2 (en) | Method and system for generating a card based on intent | |
| CN109801101A (zh) | 标签确定方法、装置、计算机设备和存储介质 | |
| CN110162689A (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
| CN111523053A (zh) | 信息流处理方法、装置、计算机设备和存储介质 | |
| CN113010795A (zh) | 用户动态画像生成方法、***、存储介质及电子设备 | |
| CN112948602A (zh) | 一种内容显示方法、装置、***、设备及存储介质 | |
| CN114938458B (zh) | 对象信息展示方法、装置、电子设备及存储介质 | |
| CN113704630B (zh) | 一种信息推送方法、装置、可读存储介质和电子设备 | |
| CN110837596B (zh) | 一种智能推荐方法、装置、计算机设备及存储介质 | |
| CN112418333A (zh) | 酒类数据推送方法、装置、计算机设备和存储介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221110 Address after: 1402, Floor 14, Block A, Haina Baichuan Headquarters Building, No. 6, Baoxing Road, Haibin Community, Xin'an Street, Bao'an District, Shenzhen, Guangdong 518100 Applicant after: Shenzhen Yayue Technology Co.,Ltd. Address before: Room 1601-1608, Floor 16, Yinke Building, 38 Haidian Street, Haidian District, Beijing Applicant before: Tencent Technology (Beijing) Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |