CN110209922A - 对象推荐方法、装置、存储介质及计算机设备 - Google Patents
对象推荐方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN110209922A CN110209922A CN201810601391.0A CN201810601391A CN110209922A CN 110209922 A CN110209922 A CN 110209922A CN 201810601391 A CN201810601391 A CN 201810601391A CN 110209922 A CN110209922 A CN 110209922A
- Authority
- CN
- China
- Prior art keywords
- vector
- attribute
- target
- feature vector
- attribute information
- 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 95
- 239000013598 vector Substances 0.000 claims abstract description 208
- 230000006399 behavior Effects 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 11
- 230000000306 recurrent effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 241000406668 Loxodonta cyclotis Species 0.000 claims description 2
- 230000007774 longterm Effects 0.000 claims description 2
- 230000005055 memory storage Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 39
- 230000008569 process Effects 0.000 abstract description 17
- 230000014509 gene expression Effects 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 21
- 239000000047 product Substances 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000005267 amalgamation Methods 0.000 description 1
- 239000013065 commercial product Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002018 overexpression Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000007704 transition 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供一种对象推荐方法、装置、存储介质及计算机设备,本实施例通过获取目标对象的多种属性信息,构建该目标对象的特征向量,按照各目标对象的操作顺序输入预测模块得到预测特征向量。可见,本实施例丰富了特征向量的表达内容,且在模型计算过程中考虑了各目标对象的操作顺序,提高了预测结果的准确性;并且,由于应用平台输出的多个对象共享一属性信息,极大减少了训练预测模型的参数数量,降低了模型训练难度,且能够适用于数量庞大的应用场景。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种对象推荐方法、装置、存储介质及计算机设备。
背景技术
近年来,互联网的普及给用户带来了大量的信息,满足用户对信息需求的同时,也因信息量过大导致用户无法快速查找到有用部分的信息,降低了信息使用效率。对此,在新闻、商务、娱乐等领域,提出利用推荐***对用户在相应应用平台上的行为数据进行分析,预测用户的喜好,并据此筛选出用户未来可能感兴趣的信息推送给用户,帮助用户快速且准确选择所需信息。
其中,在现有的推荐***中,通常是基于循环神经网络,对应用平台中多个样本用户的用户行为数据进行训练,得到相应的预测模型,用来预测当前用户对应用平台上的对象感兴趣的概率。在模型训练过程中,通常是针对应用平台上的每一个对象,分配对应的词向量作为训练数据,实现预测模型的训练。
然而,应用平台实际具有的对象的数量往往非常大,这就会导致预测模型的参数数量剧增,极大增加了预测模型的训练难度,且由于一个词向量往往不能准确表示对象内容,这将会影响预测模型实际得到的预测结果的准确性,从而导致向用户推送的对象可能不是用户感兴趣的对象。
由此可见,如何提高向用户推送的推荐对象的准确性,成为技术人员重要研究方向之一。
发明内容
有鉴于此,本发明实施例提供一种对象推荐方法、装置、存储介质及计算机设备,降低了模型训练难度,且提高了预测结果的准确性。
为实现上述目的,本发明实施例提供如下技术方案:
一种对象推荐方法,所述方法包括:
获取多个目标对象分别对应的特征向量,每个所述特征向量表征相应目标对象的多种属性信息,且所述属性信息被多个目标对象共享;
按照所述多个目标对象的操作顺序,将相应的特征向量依次输入预测模型得到预测特征向量;
计算所述预测特征向量与各候选对象对应的特征向量之间的相似度;
基于所述各候选对象对应的相似度,筛选出至少一个候选对象作为推荐对象。
一种对象推荐装置,所述装置包括:
特征向量获取模块,用于获取多个目标对象分别对应的特征向量,每个所述特征向量表征相应点击对象具有的多种属性信息,且所述属性信息被多个目标对象共享;
预测特征向量计算模块,用于按照所述多个目标对象的操作顺序,将相应的特征向量依次输入预测模型得到预测特征向量;
相似度计算模块,用于计算所述预测特征向量与各候选对象对应的特征向量之间的相似度;
推荐对象筛选模块,用于基于所述各候选对象对应的相似度,筛选出至少一个候选对象作为推荐对象。
一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行,实现如上所述的对象推荐方法的各步骤。
一种计算机设备,所述计算机设备包括:
通信接口;
存储器,用于存储实现如上所述的对象推荐方法的程序;
处理器,用于加载并执行所述存储器存储的程序,所述程序用于:
获取多个目标对象分别对应的特征向量,每个所述特征向量表征相应点击对象的多种属性信息,且所述属性信息被多个目标对象共享;
按照所述多个目标对象的操作顺序,将相应的特征向量依次输入预测模型得到预测特征向量;
计算所述预测特征向量与各候选对象对应的特征向量之间的相似度;
基于所述各候选对象对应的相似度,筛选出至少一个候选对象作为推荐对象。
基于上述技术方案,本发明实施例提供的一种对象推荐方法、装置、存储介质及计算机设备,本实施例通过获取目标对象的多种属性信息,构建该目标对象的特征向量,按照各目标对象的操作顺序输入预测模型得到该用户的预测特征向量,可见,本发明实施例丰富了目标对象的特征向量的表达内容,且在模型计算过程中考虑了各目标对象的操作顺序,提高了预测结果的准确性;并且,由于应用平台输出的多个对象共享一属性信息,极大减少了训练预测模型的参数数量,降低了模型训练难度,且能够适用于数量庞大的应用场景。
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为本发明实施例提供的对象推荐***的结构示意图;
图2为本发明实施例提供的一种对象推荐方法的流程示意图;
图3为本发明实现对象推荐方法使用的预测模型的结构示意图;
图4为本发明实施例提供的一种对象推荐方法的应用示意图;
图5为本发明实施例提供的另一种对象推荐方法的流程示意图;
图6为本发明实施例提供的另一种对象推荐方法的应用示意图;
图7为本发明实施例提供的另一种对象推荐方法的应用示意图;
图8为本发明实施例提供的又一种对象推荐方法的流程示意图;
图9为本发明实施例提供的一种对象推荐装置的结构示意图;
图10为本发明实施例提供的另一种对象推荐装置的结构示意图;
图11为本发明实施例提供的又一种对象推荐装置的结构示意图;
图12为本发明实施例提供的一种计算机设备的硬件结构示意图。
具体实施方式
本发明的发明人发现,用户在对应用平台输出的对象进行选择时,往往上参考该对象的多方面的因素,以购物平台为例,用户挑选商品时,通常会考虑商品的类别、风格等多方面的参数,再选择心仪的商品,并不会仅看商品一方面的参数。基于此,发明人提出更细致地表达对象的丰富特征,即采用多元语义表达方式,来表示一个对象,来提高预测准确性。
并且,为了降低预测模型的训练难度,提出由一个语义表达向量,来表示一类参数,由多个对象共享这一类参数的语义表达向量,通过这种方式极大减少了构建的语义表达向量的数量,极大降低了预测模型的参数数量,经实际计算得知本发明人提出的构思,使得预测模型的参数数量降低至原数量的开方量级。可见,发明人提出上述思想,不仅提高了预测结果的准确性,而且提高了模型训练效率,达到了提高预测效率的目的。
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,显然,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。
参照图1,为实现本发明提供的对象推荐方法的一种***结构示意图,该***可以包括应用服务器10和应用客户端11,其中:
应用服务器10可以是为用户提供服务的服务设备,其可以是与客户端相匹配的服务器,如应用客户端是购物软件,应用服务器可以是提供购物服务的服务器,应用客户端是新闻浏览软件,应用服务器可以是提供新闻服务的服务器等等。在本实施例可以应用服务器可以执行本发明下文提供的对象推荐方法,为在线用户推送其需要的推荐对象,以辅助用户快速且准确选择需要的对象,或方便用户了解与当前浏览对象相关的其他信息,提高业务服务效率。
其中,应用服务器10可以是一个独立的应用服务设备,也可以是由多个服务器构成的服务集群,本实施例对该服务器的结构不作限定。
应用客户端11可以是安装在如手机、笔记本电脑、iPad、工控机等设备上的应用程序,其具体可以是独立的应用程序,如从应用商店下载安装的软件,也可以是网页应用程序,即无需下载,通过浏览器等应用程序直接启动客户端,建立与相应应用服务器的通信连接。
在本实施例实际应用中,用户通过应用客户端进入应用服务器的应用平台,可以浏览该应用平台输出的各种对象,在浏览过程中,服务器可以按照本实施例提供的方法向该用户使用的应用客户端推送至少一个推荐对象,该推荐对象往往是用户感兴趣的对象,如与用户曾操作的对象相似的对象等,方便用户快速了解感兴趣的信息或选择感兴趣的对象等等,不需要用户再对应用平台输出对应一一查看,提高了选择效率。
需要说明,在本实施例提供的***中,并不局限于上文列举的应用服务器和应用客户端,还可以包括多媒体服务器、会话服务器等其他计算机设备,且上述应用服务器10通常可以包括应用数据库等,可以根据实际需要选定***组成,本实施例在此不再一一详述。
结合上图1所示的***结构示意图,如图2所示,本发明实施例提供了一种对象推荐方法的流程示意图,本实施提供的方法可以由应用服务器执行,具体可以包括以下步骤:
步骤S101,获取应用平台输出的各对象的属性类别;
其中,对象的属性类别通常包括多种,每一类属性可以多个属性信息,本实施例为了方便描述各类属性的属性信息,可以将各类属性记为第一属性、第二属性等,对应类别属性的属性信息可以记为第一属性信息、第二属性信息等等,其中,每一个第一属性信息、第二属性信息均可以包括不同内容的属性信息,本实施例在此不再一一列举,需要说明,上述“第一”、“第二”并不表示次序,仅用来区分各类别的属性,及各类别属性对应的属性信息。
由此可见,本实施例在表达一个对象时,不再使用单一属性进行表达,而是采用多元表达方式即多类别属性,来描述一个对象的内容,以使对对象内容的表达更加准确,进而提高预测准确性。
以应用平台为购物平台为例,应用平台上的对象可以是商品,本实施例可以按照商品的风格,将商品划分成如运动、淑女、白领等不同风格的商品,也可以按照商品类型,得到商品的多级类目信息,本实施例可以将商品的风格记为第一属性,商品的类目记为第二属性,相应地,第一属性信息可以是商品的风格信息、第二属性信息可以是商品的类目信息,但并不局限于本实施例对第一属性和第二属性的描述,即获取的对象的属性类别并不局限于本实施例给出的这两种属性,需要说明,每一类属性的属性信息可以包括不同内容,如风格属性,可以包括运动风格、淑女风格、白领风格等;类目属性可以包括鞋子、帽子、衬衫、裙子等。
其中,由于商品往往不会展示在购物平台的同一界面上,通常是分成不同级别展示,因此,上述商品的类目可以是基于商品的展示级别可以生成的多级类目,因此,本实施例可以获取商品的类目信息可以是多级类目信息组成,以确定购物平台对各商品的展示情况,即确定各商品的展示层级关系。
可选的,在本实施例中,可以通过对应用平台上的所有商品的属性进行检测,来确定该应用平台上各对象的属性类型,具体检测方法不作限定,之后,可以获取该应用平台包含的各对象的所有属性类型,也可以从确定的属性类别中选择至少两种属性,完成后续对象属性列表的构建,具体选择哪些属性类型不限定。
步骤S102,按照获取的属性类别,生成对象属性列表;
在本实施例中,以获取的对象的数量类别为两种,即第一属性和第二属性为例进行说明,可以利用获取的二元属性生成一个二维列表的形式,可以将该列表记为对象属性列表,其所有的行表示一种属性,所有的列表示另一种属性,如其每一行可以代表对象的第一属性,每一列可以代表对象的第二属性,也就是说,对象属性列表的行标题由第一属性的不同属性信息表示,列标题由第二属性的不同属性信息表示,本实施例对此时第一属性和第二属性包含的内容不做限定。
仍以上述购物平台为例进行说明,第一属性为商品的风格、第二属性为商品的类目,由此可以构成的对象属性列表可以如下表1所示的形式,但并不局限于表1所示的形式。
表1
在表1中,商品nm表示对象属性列表中第n行第m列的商品,由该对象属性列表得知,每一个商品都可以有两种属性描述,同一行商品的对应的第一属性信息内容相同,同一列商品对应的第二属性信息的内容相同,即同一行商品可以共用同一内容的第一属性信息,同一列商品可以共用同一内容的第二属性信息。
基于此,在实际应用中,可以在确定商品在对象属性列表中的位置后,由该商品所在行及所在列的属性信息共同描述该商品的内容,如商品24可以是一条淑女裙,商品11是一双运动鞋等,按照上述方式,本实施例可以将应用平台上的各对象映射到该对象属性表格中。
其中,对于对象属性列表的行数和列数可以根据各类属性的对象数量确定,如上述举例中,以应用平台包含的所有对象中,各类别属性对应的最大对象数量作为二维列表的行数,以类别数量为列数,构建二维列表即应用平台的对象属性列表。
需要说明,对于应用平台的对象属性列表的表示形式,并不局限于上文表1所示的形式,也可以是一个二维矩阵,应用平台上的每个对象可以由一个二维数组表示,本实施例对其内容不做详述。并且,上述对象除了采用上文二元属性表示方式外,还可以采用其他多元属性表示方式,具体实现方法类似,本实施例在此不再一一详述。
可选的,仍以上述第一属性为风格、第二属性为类目的购物平台为例进行说明,基于商品的多级类目信息,本实施例可以采用树状结构来表示各级类目信息的词向量,当需要获取对象的特征向量时,可以获取该对象对应的各级类目信息对应的词向量,再对这些词向量进行拼接处理,得到该对象的总类目属性信息对应的词向量,以进行后续处理。
同理,对于上述对象属性列表中每一列对象的第二属性信息的词向量,也可以按照上文描述的方式拼接得到,即获取对象属性列表中各列对象对应的类目信息的词向量,再对同一列的各对象对应的词向量进行拼接,得到该列对象共用的第二词向量,但对象属性列表中每一列属性信息对应的词向量的生成方式,并不局限于本文描述的方式
需要说明,对于本实施例上述该应用平台的对象属性列表,可以在线下构成,以便应用平台的应用服务器利用其实现对当前用户喜好的预测。
步骤S103,获取用户的历史行为数据;
在实施例中,用户对应用平台输出的对象进行操作,产生的行为数据可以作为一条历史行为数据,存储至该应用平台的数据库中,以便后续调用,因此,应用平台的数据库中可以存储有多条不同操作时间产生的历史行为数据,本实施例对每一条历史行为数据包含的内容不做限定。
可选的,对于各历史行为数据可以与相应用户的用户标识关联存储,通过各用户标识,来区分各用户在应用平台上的对象操作产生的行为数据,其中,用户标识可以是用户账号、终端标识等,本实施例对用户标识的内容及历史行为数据的存储形式不做限定。
步骤S104,分析该历史行为数据,得到该用户的多个目标对象及对应的操作顺序;
仍以上述购物平台为例进行说明,上述历史行为数据可以是用户购买商品,产生的历史行为数据,该历史行为数据的产生时间即为用户购买商品的时间,因此,本实施例可以按照用户购买商品的时间顺序,对各条历史行为数据进行排序整理,之后,对各条历史行为数据进行分析,得到相应的购买商品即目标对象。
由此可见,本实施例通过对用户在应用平台上的历史行为数据进行分析,可以确定该用户的目标对象都有哪些,且按照什么操作顺序实现对各目标对象的访问,从而使本实施例在预测用户感兴趣的对象时,能够考虑用户曾经在应用平台上对各对象的访问顺序,进而准确定位用户的兴趣变迁及兴趣积累。
步骤105,根据该对象属性列表,得到各目标对象位于对象属性列表中的行属性信息及列属性信息;
步骤S106,根据该行属性信息及列属性信息,获取相应目标对象的特征向量;
可选的,结合上文关于对象属性列表的描述,针对用户的任一目标对象,可以从该对象属性列表中获取该目标对象所在行及所在列对应的属性信息,即行属性信息及列属性信息,从而利用这两种属性信息,生成相应目标对象的特征向量,具体生成方法不作限定,可以参照下文相应实施例的描述,但并不局限于下文列举的实现方法。
由此可见,本实施例获取的各目标对象的特征向量表征了相应目标对象的多种属性信息,也就是说,本实施例的目标对象的内容由多种属性信息描述,且每一种属性信息对应一类属性。
需要说明,关于获取目标对象的对应的特征向量的方法,并不局限于本实施例描述的这种利用对象属性列表的实现方法,也可以利用矩阵、数组等方式实现,实现方法类似,本实施例在此不再详述。
步骤S107,按照各目标对象的操作顺序,将相应的特征向量依次输入预测模型得到预测特征向量;
可选的,本实施例的预测模型可以基于循环神经网络,对多个样本目标对象的特征向量训练得到,该循环神经网络可以包含有多个长短期记忆网络(LSTM,Long Short-Term Memory)层,即由多个LSTM层构成循环神经网络的隐藏层,利用LSTM的原理实现隐藏层的计算,本实施例在此不作详述。
其中,LSTM用来解决传统循环神经网络对于长时期依赖问题,其通过引入门控单元,来处理记忆单元的记忆/遗忘、输入程度、输出程度的问题,通过一定的学习,可以学到何时对各个门开启到何种程度。
参照图3所示的预测模型的结构示意图,其可以分为输入层、隐藏层及输出层,输入层输入各时刻对应的特征向量,如图3中的Xt-1、Xt、Xt+1等,隐藏层可以包括多个LSTM层(如图3中的各方框内的结构),由图3所示的结构可知,在循环神经网络中,上一时刻的输出加上当前时刻的输入,经过tanh激活函数,得到下一时刻的输出,而LSTM的加入,使得隐藏层增加了三个门,具体其将上一时刻的输出ht-1与当前时刻的输入Xt作为一个整体,作为当前隐藏层的输入,同时控制三个门的输入,先经过遗忘门,得到的残存部分继续向前,加上这个状态下的输入信息(如图3中的中间方框内对输入做tanh运算,将值域控制在[-1,1]范围内),经过是输入门处理后的输入信号和上一个门的残余部门加起来,得到当前时刻的细胞状态,即完成从上一时刻到当前时刻的更新。最后输出门的功能是其和tanh运行后的隐藏层状态信息相乘,得到当前时刻的输出。需要说明,图3中σ表示LSTM中相应门运算过程中的系数,本实施例对其数值不作限定,h表示相应时刻隐藏层的输出。
基于上述描述,当前时刻的隐藏层的输出可以由当前输入和上一时刻隐藏层的输出构成,具体可以由当前计算得到的预测特征向量分别与各类属性的词向量求内积,内积越大,说明对相应属性的对象越偏好,由此可以确定这两种属性的权重,但隐藏层的计算过程并不局限于这种实现方式,本实施例在此不再一一详述,且对于预测模型的结构并不局限于图3所示的结构示意图。
可见,各时刻的隐藏层的表达可以是,根据该时刻之前目标对象的行为序列信息(如上述各目标对象的特征向量),而获得目标对象的偏好表达,需要说明,所得到的用户的偏好表达,并不一定对应已有对象,其可以是一个稀疏化的近似表达。
举例说明,对于用户A,对其历史行为数据按照上述方式进行处理,由预测模型得到的预测特征向量,可以表达该用户A下一个时刻最想买的是鞋子类,运动风的服装(以上表1对应的购物平台为例进行说明),那么,通过隐含层可以计算出,用户当下的偏好最接近运动鞋。
在本实施例实际应用中,应用服务器对用户进行对象预测之前,可以提前训练用来实现该预测计算的预测模型,本实施例可以参照上述方式,获取多个样本用户的目标对象的特征向量,将这些特征向量作为训练数据,基于循环神经网络算法,对这些训练数据进行不断训练,直至模型完全收敛,即预测结果与实际结果基本相同,误差在一定范围内,可以停止训练,将最终得到的模型作为预测模型。本实施例对上述模型训练过程不作详述。
并且,结合上文对LSTM原理的描述,在预测模型的训练过程中,本实施例可以利用获取的多个样本用户的训练数据,对预测模型中的参数进行梯度反传学习,即使用随机梯度下降法,根据从目标结果的残差(如上文描述的残存部分),从函数关系中,通过梯度将残差传递到循环神经网络的每一层,修改循环神经网络的各个参数,从而使输出的结果更接近真实结果,具体应用过程本实施例在此不再赘述。
其中,关于模型训练过程中,训练数据的获取可以参照上文目标对象的特征向量的获取方式,来获取各样本目标对象的特征向量,本实施例在此不再详述。
此外,需要说明,若获取的应用平台输出的对象的数据量不充分和计算量有限的情况下,本发明也可以采用其他方式,对上述训练数据进行训练,得到其他结构的预测模型,比如马尔可夫模型、协同过滤、矩阵分解等算法实现对训练数据的模型训练,具体训练过程可以基于各算法的原理确定,本实施例在此不做一一详述。由此可见,对于上述预测模型并不局限于上文图3所示的模型结构,本实施例仅以此为例进行说明。
步骤S108,计算对象属性列表包含的各候选对象对应的特征向量与预测特征向量之间的相似度;
其中,本实施例可以将应用平台上的各对象作为候选对象,其在对象属性列表中都有对应的属性信息,可以按照上述描述的方式,得到各候选对象对应的特征向量,本实施例在此不再赘述。
可选的,本实施例的目标对象可以是用户进行点击操作的点击对象,因此,也可以基于应用平台输出的对象的点击率、以及其他应用平台上的点击率等因素,对应用平台输出的所有对象进行筛选,得到多个候选对象,再按照上述方式获取各候选对象的特征向量,本实施例对如何从应用平台输出的多个对象,获取候选对象的方法不作限定。需要说明,该候选对象可以包括非当前输出的目标对象,且用户对对象的操作并不局限于点击,对于其他方式的操作,筛选候选对象的依据可以相应调整,并不局限于本实施例描述的筛选方式。
另外,本实施例对向量之间的相似度计算方法不做限定,如余弦相似度计算方法、距离计算方法等,可以根据相应的相似度计算方法原理实现,本实施例在此不再一一详述。
步骤S109,基于各候选对象的相似度,筛选出至少一个候选对象作为推荐对象。
其中,计算得到的相似度越高,表示相应候选对象被筛选为推荐对象的概率越大,本实施例对如何基于相似度高低,实现推荐对象的筛选方法不作限定。
可选的,可以按照计算得到的各候选对象的相似度高低进行排序,从而选择相似度最高的特定数量的候选对象作为用户的推荐对象,即按照相似度从高到低的顺序,选择出特定数量的候选对象作为推荐对象,当然,也可以预先设置相似度阈值,从而选择相似度大于该相似度阈值的候选对象作为推荐对象等等。
在本实施例实际应用中,可以将筛选出的推荐对象推送至用户客户端进行展示,以辅助用户快速挑选出合适的对象。
综上,参照图4所示的示意图,本实施例获取目标对象的多种属性信息,构建目标对象的特征向量,作为预测模型的输入,计算得到用户的预测特征向量,不仅丰富了特征向量的表达内容,而且由于本实施例应用平台输出的多个对象共享一属性信息,使得构成各目标对象的特征向量所需的属性信息,可以重复使用,极大减少了预测模型的参数数量,避免出现过表达严重和数据稀疏冷启动的问题,使得模型训练变得更加容易,且能够适用于数量庞大的应用场景;而且,本实施例基于循环神经网络进行模型训练,还考虑到了数据时序性,提高了预测结果的准确性。
作为本发明一可选实施例,提出了另一种根据对象属性列表,得到各目标对象对应的特征向量的过程,其也可以认为是上述步骤S105和步骤S106的具体实现方法,但步骤S105和S106的实现方法并不局限于本实施例描述的这种实现方式,关于应用平台的对象属性列表的生成过程,可以参照上述实施例相应部分的描述,本实施例主要对如何获取目标对象的特征向量的实现过程进行描述,如图5和图6所示的流程示意图,该方法可以包括但并不局限于以下步骤:
步骤S201,获取各目标对象在对象属性列表中的位置信息;
步骤S202,基于该位置信息,获取相应目标对象所在行的第一词向量及所在列的第二词向量;
以上表1所示的对象属性列表为例,若目标对象是商品24,可以查找该商品在对象属性列表中的位置,即第2行第4列,之后,可以获取该对象属性列表第2行对应的属性信息(即淑女风这个行属性信息),即商品24所在行的各商品共享的行属性信息,以及第4列的属性信息(即裙子这个列属性信息),也就是商品24所在列的各商品共享的列属性信息。
之后,在本实施例可以由得到的目标对象的行属性信息生成第一词向量,由列属性信息生成第二词向量,具体生成过程不做限定。由上述对象属性列表可知,在同一行的对象共享一个行属性信息,进而共享同一个第一词向量,在同一列的对象共享一个列属性信息,进而共享同一个第二词向量,因此,本实施例不需要针对每一个对象,都构建对象的第一词向量和第二词向量,简化了对对象属性列表中各对象的初始化语义表达的步骤。其中,本实施例的词向量可以是对象相应属性信息的语义表达方式,本实施例对如何利用属性信息,生成相应的词向量的方法不作限定。
以上表1所示的对象属性列表为例,运动风(即一种行属性信息)这一行商品的第一词向量,可以通过对运动进行语义分析,得到这一行行属性信息的第一词向量;同理,可以得到淑女风(即另一种行属性信息)这一行商品对应的第一词向量,鞋子(即一种列属性信息)这一列商品对应的列属性信息的第二词向量,裙子(即另一种列属性信息)这一列商品对应的列属性信息的第二词向量,依次类推,对于每一个商品都可以由一个第一词向量和一个第二词向量来共同表达,且位于同一行的各商品的第一词向量相同,位于同一列的各商品的第二词向量相同。
需要说明,本实施例对构建对象属性列表中,各行对象的第一词向量及各列对象的第二词向量的具体实现方法不作限定。
步骤S203,对同一目标对象对应的第一词向量和第二词向量进行融合,得到各目标对象对应的特征向量。
本实施例对如何实现同一目标对象对应的第一词向量和第二词向量的融合的方法不作限定,比如直接将同一目标对象的第一词向量和第二词向量进行拼接,将得到的向量作为该用户点击向量的特征向量,从而使该特征向量能够同时表征该目标对象的两类属性信息。
可选的,本实施例可以利用门控单元,实现上述各目标对象对应的第一词向量和第二词向量的融合,该门控单元旨在处理和选择当前对象表达下,行属性信息和列属性信息在用户下一次选择动作中所占的比重,并根据这样的比重去融合这两种属性信息对应的词向量,从而获得一个最佳的推荐特征表达向量,本实施例将其记为特征向量。可见,本实施例通过门控单元将两种词向量进行融合,模拟了用户访问对象过程中的思维特点,有更强的灵活性,满足了不同用户的个性化推荐需求。
综上所述,本实施例在构建目标对象的特征向量时,获取了目标对象的多种属性信息构建,丰富了特征向量表达的对象内容,且由于位于对象属性列表中同一行或同一列的对象,由于共享同一种属性信息,使得计算位于同一行或同一列点击对象的特征向量时,能够共享同一个词向量,极大减少了预测模型的参数数量,提高了预测效率及准确性。
可选的,本实施例在训练预测模型过程中,获取各样本目标对象的特征向量过程中,也可以按照上述方式构建,即共享词向量的方式构建特征向量,极大减少了训练模型的参数数量,大大降低了预测模型的训练难度,而且,由于能够结合目标对象的多种属性构成训练数据,考虑到了对象的细节特征,如上述风格信息和分成类别信息等,从而使训练得到的预测模型预测更加准确且细化。
可选的,为了提高预测模型的预测准确性,在上述实施例的基础上,在进行预测模型的训练过程中,还可以按照以下方式对对象属性列表中的各对象的位置进行优化,但并不局限于本实施例提供的方法,如图7所示,该方法可以包括:
步骤S301,获取实际对象的行属性信息;
其中,实际对象可以是上述筛选出的一推荐对象,如用户实际购买的商品等。
步骤S302,对于对象属性列表中任一列的多个对象,计算该多个对象的行属性信息与实际对象的行属性信息的相似度;
本实施例对两个对象之间的行属性信息的相似度计算方法不作限定,如生成相应的词向量后,计算相应的词向量之间的相似度,来表示这两个对象在行属性上的相似度,若行属性是商品的风格属性,该相似度可以表示两个对象在风格上的相似度。
步骤S303,基于计算得到的相似度,按照二分图匹配算法,对该对象属性列表中各对象的位置进行调整。
例如,推荐对象是三双鞋,分别记为q1,q2,q3,利用预测模型的训练过程中,若用户购买的是q1,得到这三双鞋在风格属性s1,s2,s3上相似度分别是(0.1,0.5,0.1),(0.3,0.1,0.2),(0.3,0.3,0.7),之后,根据二分图匹配算法,可以得知q1匹配s2,q2匹配s1,q3匹配s3时,所获得全局的相似度最高,因此,可以将q1分配给风格属性s2,q2分配给风格属性s1,q3分配给风格属性s3。其中,二分图匹配算法可以采用Minimum-cost flow problem,并使用*** OR-tools的图分析算法包,实现对上述得到的对象属性列表中的各对象位置进行优化,以提高据此实现的对象预测的准确性。
结合上述分析,本发明以商品推荐场景为例,来说明上述对象推荐方法的应用,该场景下的应用平台可以是购物平台,目标对象可以是用户购买的商品,基于此,参照图8所示的流程示意图,用户可以通过客户端向应用服务器发送访问请求,登录购物平台,浏览购物平台输出的各种商品,此时对应应用服务器来说,其接收到用户的访问请求后,可以基于该访问请求中携带的用户标识,获取该用户购买商品的历史行为数据,通过对其进行分析,可以得知用户曾经购买的商品,本实施例可以将其记为历史商品,之后,对于每一个历史商品,可以确定其在该购物平台已构建的对象属性列表中的位置,从而获取该历史商品所在行的风格信息及所在列的类目信息,进而生成相应的第一词向量和第二词向量,经过融合处理,得到该历史商品的特征向量。
之后,可以按照各历史商品的购买顺序,将各历史商品对应的特征向量输入已训练好的预测模型,输出向量即为预测特征向量,用来预测用户的购买偏好,可以将其作为挑选推荐商品的标准,计算各候选商品的特征向量与该预测特征向量之间的相似度,相似度越高,表明用户购买该候选商品的可能性越大,因此,本实施例可以选择相似度最高的K个候选商品作为推荐商品,发送至用户的客户端展示,以供用户参照选择购买商品。
其中,在构建预测模型,仍然是采用上述方式获取多个样本用户购买商品的特征向量,即细化建模对象的潜在语义表达,以提高该预测模型的推荐预测准确性。而且将层次类目属性和偏好属性(即风格属性)解耦开,作为独立属性确定相应的语义表达,从而使预测模型能够清晰的分析用户的习惯,还能够基于得到的预测类目和偏好属性,知道其他工作,比如商品的搭配等,
参照图9,为本发明实施例提供的一种对象推荐装置的结构图,该装置可以应用于应用服务器,具体可以包括但并不局限于以下组成结构:
特征向量获取模块91,用于获取多个目标对象分别对应的特征向量;
其中,每个特征向量表征相应目标对象具有的多种属性信息,且所述属性信息被多个目标对象共享。
预测特征向量计算模块92,用于按照所述多个目标对象的操作顺序,将相应的特征向量依次输入预测模型得到预测特征向量;
在本实施例中,所述预测模型可以通过对多个样本目标对象分别对应的特征向量进行训练得到,具体可以基于循环神经网络、协同过滤、矩阵分解等方式实现,本实施例对该预测模型的具体训练方式不作限定。
结合上述分析可知,在进行模型训练时,所使用的训练数据包含了多种属性信息,使得训练特征更加丰富,且应用平台上的一类对象能够共用一属性信息,不需要针对每个对象,设定专用属性信息,减少了模型参数的数量,降低了模型训练难度,且提高了模型预测准确性。
相似度计算模块93,用于计算该预测特征向量与各候选对象对应的特征向量之间的相似度;
推荐对象筛选模块94,用于基于所述各候选对象对应的相似度,筛选出至少一个候选对象作为推荐对象。
其中,所述候选对象的相似度越高,被筛选为推荐对象的概率越大。
需要说明,本实施例对如何基于相似度筛选出推荐对象的方法不作限定,如可以按照所述各候选对象的相似度从高到低的顺序,选择特定数量的候选对象作为推荐对象,或者,筛选相似度达到预设阈值的候选对象为推荐对象等等。
可选的,如图10所示,该装置还可以包括:
属性获取模块95,用于获取各对象的属性类别;
其中,对象的属性类别至少可以包括第一属性及第二属性。
对象属性列表生成模块96,用于按照获取的属性类别,生成对象属性列表;
其中,所述对象属性列表的行标题由各对象的第一属性的不同属性信息表示,列标题由对象的第二属性的不同属性信息表示,关于对象属性列表的具体构成方法可以参照上述方法实施例的描述,如上表1所示的形式,但并不局限于表1所示的形式。
相应地,所述特征向量获取模块91可以包括:
属性信息获取单元,用于根据对象属性列表,得到各个目标对象位于所述对象属性列表中的行属性信息及列属性信息;;
特征向量获取单元,用于根据所述行属性信息和列属性信息,获取相应目标对象的特征向量。
作为另一可选实施例,如图11所示,上述对象推荐装置还可以包括:
数据获取模块97,用于获取用户的历史行为数据,该历史行为数据是基于用户对应用平台输出对象的操作产生的;
数据分析模块98,用于分析该历史行为数据,得到所述用户的多个目标对象,及多个目标对象的操作顺序;
所述特征向量获取模块91包括:
位置信息获取单元911,用于获取各目标对象在所述对象属性列表中的位置信息;
词向量获取单元912,用于基于该位置信息,获取相应目标对象所在行的第一词向量及所在列的第二词向量;
可选的,若第一属性包括对象的风格,第二属性包括所述对象的类目,对象属性列表中每一列对象的第二词向量,可以先由该列的各对象的类目信息生成词向量,再对其进行融合(如拼接方式,但并不局限于这种融合方式)得到,同理,第一词向量也可以按照这种方式得到,基于此,上述对象推荐装置还可以包括:
第一词向量获取模块,用于获取所述对象属性列表同一行中各对象对应的第一属性信息;
第一词向量生成模块,用于由所述第一属性信息,生成相应对象的词向量;
第一词向量拼接模块,用于对同一行中各对象对应的词向量进行拼接,得到所述对象属性列表该行中各对象共用的第一词向量。
第二词向量获取模块,用于获取所述对象属性列表同一列种各对象对应的第二属性信息;
第二词向量生成模块,用于由第二属性信息,生成相应对象的词向量;
第二词向量拼接模块,用于对同一列中各对象对应的词向量进行拼接,得到所述对象属性列表该列中各对象共用的第二词向量。
词向量融合单元913,用于对同一目标对象的所述第一词向量和所述第二词向量进行融合,得到各目标对象对应的特征向量。
可选的,词向量融合单元913具体可以用于对同一目标对象的所述第一词向量和所述第二词向量进行拼接,得到所述目标对象的特征向量;或者,通过门控单元,对同一目标对象的所述第一词向量和所述第二词向量进行融合,得到相应目标对象的特征向量,但并不局限于这两种融合处理方式。
可选的,在上述各实施例的基础上,对象推荐装置还可以包括:
实际对象属性信息获取模块,用于获取实际对象的行属性信息,所述实际对象是筛选出的一推荐对象;
行属性相似度计算模块,用于对于所述对象属性列表中任一列的多个对象,计算该多个对象的行属性信息与实际对象的行属性信息的相似度;
调整模块,用于基于计算得到的相似度,按照二分图匹配算法,对所述对象属性列表中各对象的位置进行调整。
在本实施例实际应用中,基于生成的对象属性列表,进行模型训练过程中,每次训练结束,都可以基于本次训练得到的预测结果与实际结果进行比较,基于比较结果,将对象属性列表中的所有对象映射到可能性最大的位置,从而实现对对象属性列表的更新。
而且,在利用预测模型进行实际预测后,也可以基于本次预测结果及实际操作对象,继续调整对象属性列表中对象的位置,以使得该对象属性列表中的各对象的位置,与对应行属性和对应列属性最匹配,即对象所在行的属性信息和所在列的属性信息能够最准确表达该对象内容,从而提高后续基于该对象属性列表进行预测的准确性。
综上所述,本实施例获取目标对象的多种属性信息,构建该目标对象的特征向量,作为预测模型的输入,计算得到用户的预测特征向量,不仅丰富了特征向量的表达内容,而且由于本实施例应用平台输出的多个对象共享一属性信息,使得构成各目标对象的特征向量所需的属性信息,可以重复使用,极大减少了预测模型的参数数量,避免出现过表达严重和数据稀疏冷启动的问题,使得模型训练变得更加容易,且能够适用于数量庞大的应用场景;其在进行用户感兴趣的对象属性预测时,还考虑到了数据时序性,提高了预测结果的准确性。
本发明实施例还提供了一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行,实现上述对象推荐方法的各步骤,该对象推荐方法的实现过程可以参照上述方法实施例的描述。
如图12所示,本发明实施例还提供了一种计算机设备的硬件结构示意图,该计算机设备可以是实现上述对象推荐方法的应用服务器,可以包括通信接口121、存储器122和处理器123;
在本发明实施例中,通信接口121、存储器122、处理器123可以通过通信总线实现相互间的通信,且该通信接口121、存储器122、处理器123及通信总线的数量可以为至少一个。
可选的,通信接口121可以为通信模块的接口,如GSM模块的接口;
处理器123可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。
存储器122可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
其中,存储器122存储有程序,处理器123调用存储器122所存储的程序,以实现上述应用于计算机设备的对象推荐方法的各步骤;
可选的,该程序主要可用于:
获取多个目标对象分别对应的特征向量,每个特征向量表征相应目标对象的多种属性信息,且所述属性信息被多个目标对象共享;
按照所述多个目标对象的操作顺序,将相应的特征向量依次输入预测模型得到预测特征向量;
计算所述预测特征向量与各候选对象对应的特征向量之间的相似度;
基于所述各候选对象对应的相似度,筛选出至少一个候选对象作为推荐对象。
需要说明,关于处理器执行程序实现对象推荐方法的其他步骤,可以参照上述方法实施例相应部分的描述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、存储介质、计算机设备而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的核心思想或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (13)
1.一种对象推荐方法,其特征在于,所述方法包括:
获取多个目标对象分别对应的特征向量,每个所述特征向量表征相应目标对象的多种属性信息,且所述属性信息被多个目标对象共享;
按照所述多个目标对象的操作顺序,将相应的特征向量依次输入预测模型得到预测特征向量;
计算所述预测特征向量与各候选对象对应的特征向量之间的相似度;
基于所述各候选对象对应的相似度,筛选出至少一个候选对象作为推荐对象。
2.根据权利要求1所述的方法,其特征在于,所述预测模型基于循环神经网络对多个样本目标对象分别对应的特征向量进行训练而得到,且所述循环神经网络包含有多个长短期记忆网络层。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
获取各对象的属性类别,所述属性类别至少包括第一属性及第二属性;
按照获取的属性类别,生成对象属性列表,其中,所述对象属性列表的行标题由所述第一属性的不同属性信息表示,列标题由所述第二属性的不同属性信息表示。
4.根据权利要求3所述的方法,其特征在于,所述获取多个目标对象分别对应的特征向量,包括:
根据所述对象属性列表,得到各个目标对象位于所述对象属性列表中的行属性信息及列属性信息;
根据所述行属性信息和列属性信息,获取相应目标对象的特征向量。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取用户的历史行为数据,所述历史行为数据是基于用户对应用平台输出对象的操作产生的;
分析所述历史行为数据,得到所述用户的多个目标对象,及所述多个目标对象的操作顺序;
所述获取多个目标对象分别对应的特征向量,包括:
获取各目标对象在对象属性列表中的位置信息;
基于所述位置信息,获取相应目标对象所在行的第一词向量及所在列的第二词向量;
对同一目标对象的所述第一词向量和所述第二词向量进行融合,得到各目标对象对应的特征向量。
6.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取实际对象的行属性信息,所述实际对象是筛选出的一推荐对象;
对于所述对象属性列表中任一列的多个对象,计算该多个对象的行属性信息与实际对象的行属性信息的相似度;
基于计算得到的相似度,按照二分图匹配算法,对所述对象属性列表中各对象的位置进行调整。
7.根据权利要求1或2所述的方法,其特征在于,所述基于所述各候选对象的相似度,筛选出至少一个候选对象作为推荐对象,包括:
按照所述各候选对象的相似度从高到低的顺序,选择特定数量的候选对象作为所述推荐对象。
8.根据权利要求5所述的方法,其特征在于,对所述第一词向量和所述第二词向量进行融合处理,得到所述目标对象对应的特征向量,包括:
对所述第一词向量和所述第二词向量进行拼接,得到所述目标对象对应的特征向量;或者,
通过门控单元,对所述第一词向量和所述第二词向量进行融合,得到所述目标对象对应的特征向量。
9.根据权利要求5所述的方法,其特征在于,所述方法还包括:
获取所述对象属性列表同一行中各对象对应的第一属性信息;
由所述第一属性信息,生成相应对象的词向量;
对同一行中各对象对应的词向量进行拼接,得到所述对象属性列表该行中各对象共用的第一词向量。
10.根据权利要求5所述的方法,还包括:
获取所述对象属性列表同一列中各对象对应的第二属性信息;
由所述第二属性信信息,生成相应对象的词向量;
对同一列中各对象对应的词向量进行拼接,得到所述对象属性列表该列中各对象共用的第二词向量。
11.一种对象推荐装置,其特征在于,所述装置包括:
特征向量获取模块,用于获取多个目标对象分别对应的特征向量,每个所述特征向量表征相应目标对象具有的多种属性信息,且所述属性信息被多个目标对象共享;
预测特征向量计算模块,用于按照所述多个目标对象的操作顺序,将相应的特征向量依次输入预测模型得到对应目标对象的预测特征向量;
相似度计算模块,用于计算所述预测特征向量与各候选对象对应的特征向量之间的相似度;
推荐对象筛选模块,用于基于所述各候选对象对应的相似度,筛选出至少一个候选对象作为推荐对象。
12.一种存储介质,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,实现如权利要求1-10任意一项所述的对象推荐方法的各步骤。
13.一种计算机设备,其特征在于,所述计算机设备包括:
通信接口;
存储器,用于存储实现如权利要求1-10任意一项所述的对象推荐方法的程序;
处理器,用于加载并执行所述存储器存储的程序,所述程序用于:
获取多个目标对象分别对应的特征向量,每个所述特征向量表征相应目标对象的多种属性信息,且所述属性信息被多个目标对象共享;
按照所述多个目标对象的操作顺序,将相应的特征向量依次输入预测模型得到预测特征向量;
计算所述预测特征向量与各候选对象对应的特征向量之间的相似度;
基于所述各候选对象对应的相似度,筛选出至少一个候选对象作为推荐对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810601391.0A CN110209922B (zh) | 2018-06-12 | 2018-06-12 | 对象推荐方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810601391.0A CN110209922B (zh) | 2018-06-12 | 2018-06-12 | 对象推荐方法、装置、存储介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110209922A true CN110209922A (zh) | 2019-09-06 |
CN110209922B CN110209922B (zh) | 2023-11-10 |
Family
ID=67778844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810601391.0A Active CN110209922B (zh) | 2018-06-12 | 2018-06-12 | 对象推荐方法、装置、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110209922B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110737834A (zh) * | 2019-10-14 | 2020-01-31 | 腾讯科技(深圳)有限公司 | 业务对象的推荐方法、装置、存储介质和计算机设备 |
CN110807150A (zh) * | 2019-10-14 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 信息处理方法及装置、电子设备和计算机可读存储介质 |
CN110955831A (zh) * | 2019-11-25 | 2020-04-03 | 北京三快在线科技有限公司 | 物品推荐方法、装置、计算机设备及存储介质 |
CN111079015A (zh) * | 2019-12-17 | 2020-04-28 | 腾讯科技(深圳)有限公司 | 一种推荐方法、装置、计算机设备和存储介质 |
CN111292168A (zh) * | 2020-02-06 | 2020-06-16 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置及设备 |
CN111339425A (zh) * | 2020-03-05 | 2020-06-26 | 拉扎斯网络科技(上海)有限公司 | 一种对象标记方法、装置、服务器及存储介质 |
CN111461825A (zh) * | 2020-03-30 | 2020-07-28 | 京东数字科技控股有限公司 | 一种虚拟资源的生成方法、装置、电子设备及存储介质 |
CN112215684A (zh) * | 2020-10-30 | 2021-01-12 | 腾讯科技(深圳)有限公司 | 一种目标可控制对象的聚类方法及装置 |
CN112507216A (zh) * | 2020-12-01 | 2021-03-16 | 北京奇艺世纪科技有限公司 | 一种数据对象推荐方法、装置、设备和存储介质 |
CN112597395A (zh) * | 2020-12-28 | 2021-04-02 | 上海众源网络有限公司 | 对象推荐方法、装置、设备及存储介质 |
CN112700296A (zh) * | 2019-10-23 | 2021-04-23 | 阿里巴巴集团控股有限公司 | 业务对象搜索/属性确定方法、装置、***及设备 |
CN112862539A (zh) * | 2021-03-03 | 2021-05-28 | 拉扎斯网络科技(上海)有限公司 | 流量处理方法、装置、电子设备、存储介质及程序产品 |
CN113590927A (zh) * | 2020-04-30 | 2021-11-02 | 深圳绿米联创科技有限公司 | 内容推荐方法、装置、服务器及存储介质 |
CN114077701A (zh) * | 2020-08-13 | 2022-02-22 | 北京达佳互联信息技术有限公司 | 资源信息的确定方法、装置、计算机设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120029908A1 (en) * | 2010-07-27 | 2012-02-02 | Shingo Takamatsu | Information processing device, related sentence providing method, and program |
CN102542046A (zh) * | 2011-12-27 | 2012-07-04 | 纽海信息技术(上海)有限公司 | 一种基于图书内容的图书推荐方法 |
CN104615631A (zh) * | 2014-10-29 | 2015-05-13 | 中国建设银行股份有限公司 | 一种信息推荐的方法及装置 |
CN104679835A (zh) * | 2015-02-09 | 2015-06-03 | 浙江大学 | 一种基于多视图哈希的图书推荐方法 |
CN105740430A (zh) * | 2016-01-29 | 2016-07-06 | 大连理工大学 | 一种融合社会化信息的个性化推荐方法 |
CN106649774A (zh) * | 2016-12-27 | 2017-05-10 | 北京百度网讯科技有限公司 | 基于人工智能的对象推送方法及装置 |
CN106651213A (zh) * | 2017-01-03 | 2017-05-10 | 百度在线网络技术(北京)有限公司 | 服务订单的处理方法及装置 |
CN106844665A (zh) * | 2017-01-20 | 2017-06-13 | 中山大学 | 一种基于引用关系分布式表达的论文推荐方法 |
CN106919647A (zh) * | 2017-01-17 | 2017-07-04 | 浙江工业大学 | 一种基于聚类的网络结构相似性推荐方法 |
CN107656983A (zh) * | 2017-09-08 | 2018-02-02 | 广州索答信息科技有限公司 | 一种基于声纹识别的智能推荐方法及装置 |
US20180114235A1 (en) * | 2012-03-13 | 2018-04-26 | American Express Travel Related Services Company, Inc. | Social media distribution of offers based on a consumer relevance value |
-
2018
- 2018-06-12 CN CN201810601391.0A patent/CN110209922B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120029908A1 (en) * | 2010-07-27 | 2012-02-02 | Shingo Takamatsu | Information processing device, related sentence providing method, and program |
CN102542046A (zh) * | 2011-12-27 | 2012-07-04 | 纽海信息技术(上海)有限公司 | 一种基于图书内容的图书推荐方法 |
US20180114235A1 (en) * | 2012-03-13 | 2018-04-26 | American Express Travel Related Services Company, Inc. | Social media distribution of offers based on a consumer relevance value |
CN104615631A (zh) * | 2014-10-29 | 2015-05-13 | 中国建设银行股份有限公司 | 一种信息推荐的方法及装置 |
CN104679835A (zh) * | 2015-02-09 | 2015-06-03 | 浙江大学 | 一种基于多视图哈希的图书推荐方法 |
CN105740430A (zh) * | 2016-01-29 | 2016-07-06 | 大连理工大学 | 一种融合社会化信息的个性化推荐方法 |
CN106649774A (zh) * | 2016-12-27 | 2017-05-10 | 北京百度网讯科技有限公司 | 基于人工智能的对象推送方法及装置 |
CN106651213A (zh) * | 2017-01-03 | 2017-05-10 | 百度在线网络技术(北京)有限公司 | 服务订单的处理方法及装置 |
CN106919647A (zh) * | 2017-01-17 | 2017-07-04 | 浙江工业大学 | 一种基于聚类的网络结构相似性推荐方法 |
CN106844665A (zh) * | 2017-01-20 | 2017-06-13 | 中山大学 | 一种基于引用关系分布式表达的论文推荐方法 |
CN107656983A (zh) * | 2017-09-08 | 2018-02-02 | 广州索答信息科技有限公司 | 一种基于声纹识别的智能推荐方法及装置 |
Non-Patent Citations (5)
Title |
---|
YONG ZHENG: "Deviation-based and similarity-based contextual SLIM recommendation algorithms", 《RECSYS \'14: PROCEEDINGS OF THE 8TH ACM CONFERENCE ON RECOMMENDER SYSTEMS》, pages 437 * |
YUE SHI 等: "Mining mood-specific movie similarity with matrix factorization for context-aware recommendation", 《CAMRA \'10: PROCEEDINGS OF THE WORKSHOP ON CONTEXT-AWARE MOVIE RECOMMENDATION》, pages 34 * |
刘冶 等: "基于低秩和局部约束矩阵估计的链接预测方法", 《计算机科学与探索》, vol. 9, no. 03, pages 279 - 291 * |
吴书 等: "情境大数据建模及其在用户行为预测中的应用", 《大数据》, vol. 2, no. 06, pages 110 - 117 * |
王凯: "基于浏览记录的文本挖掘与智能推荐研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 04, pages 138 - 3865 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110737834A (zh) * | 2019-10-14 | 2020-01-31 | 腾讯科技(深圳)有限公司 | 业务对象的推荐方法、装置、存储介质和计算机设备 |
CN110807150A (zh) * | 2019-10-14 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 信息处理方法及装置、电子设备和计算机可读存储介质 |
CN110737834B (zh) * | 2019-10-14 | 2024-04-02 | 腾讯科技(深圳)有限公司 | 业务对象的推荐方法、装置、存储介质和计算机设备 |
CN112700296B (zh) * | 2019-10-23 | 2022-05-27 | 阿里巴巴集团控股有限公司 | 业务对象搜索/属性确定方法、装置、***及设备 |
CN112700296A (zh) * | 2019-10-23 | 2021-04-23 | 阿里巴巴集团控股有限公司 | 业务对象搜索/属性确定方法、装置、***及设备 |
CN110955831A (zh) * | 2019-11-25 | 2020-04-03 | 北京三快在线科技有限公司 | 物品推荐方法、装置、计算机设备及存储介质 |
CN110955831B (zh) * | 2019-11-25 | 2023-04-14 | 北京三快在线科技有限公司 | 物品推荐方法、装置、计算机设备及存储介质 |
CN111079015A (zh) * | 2019-12-17 | 2020-04-28 | 腾讯科技(深圳)有限公司 | 一种推荐方法、装置、计算机设备和存储介质 |
CN111079015B (zh) * | 2019-12-17 | 2021-08-31 | 腾讯科技(深圳)有限公司 | 一种推荐方法、装置、计算机设备和存储介质 |
CN111292168B (zh) * | 2020-02-06 | 2022-08-02 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置及设备 |
CN111292168A (zh) * | 2020-02-06 | 2020-06-16 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置及设备 |
CN111339425A (zh) * | 2020-03-05 | 2020-06-26 | 拉扎斯网络科技(上海)有限公司 | 一种对象标记方法、装置、服务器及存储介质 |
CN111461825A (zh) * | 2020-03-30 | 2020-07-28 | 京东数字科技控股有限公司 | 一种虚拟资源的生成方法、装置、电子设备及存储介质 |
CN111461825B (zh) * | 2020-03-30 | 2024-04-09 | 京东科技控股股份有限公司 | 一种虚拟资源的生成方法、装置、电子设备及存储介质 |
CN113590927A (zh) * | 2020-04-30 | 2021-11-02 | 深圳绿米联创科技有限公司 | 内容推荐方法、装置、服务器及存储介质 |
CN114077701A (zh) * | 2020-08-13 | 2022-02-22 | 北京达佳互联信息技术有限公司 | 资源信息的确定方法、装置、计算机设备及存储介质 |
CN112215684A (zh) * | 2020-10-30 | 2021-01-12 | 腾讯科技(深圳)有限公司 | 一种目标可控制对象的聚类方法及装置 |
CN112215684B (zh) * | 2020-10-30 | 2023-07-14 | 腾讯科技(深圳)有限公司 | 一种目标可控制对象的聚类方法及装置 |
CN112507216A (zh) * | 2020-12-01 | 2021-03-16 | 北京奇艺世纪科技有限公司 | 一种数据对象推荐方法、装置、设备和存储介质 |
CN112597395A (zh) * | 2020-12-28 | 2021-04-02 | 上海众源网络有限公司 | 对象推荐方法、装置、设备及存储介质 |
CN112862539A (zh) * | 2021-03-03 | 2021-05-28 | 拉扎斯网络科技(上海)有限公司 | 流量处理方法、装置、电子设备、存储介质及程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN110209922B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110209922A (zh) | 对象推荐方法、装置、存储介质及计算机设备 | |
CN113626719B (zh) | 信息推荐方法、装置、设备、存储介质及计算机程序产品 | |
CN110516160A (zh) | 基于知识图谱的用户建模方法、序列推荐方法 | |
KR102211650B1 (ko) | 인공지능 기반 상품 추천 방법 및 그 시스템 | |
CN111061946A (zh) | 场景化内容推荐方法、装置、电子设备及存储介质 | |
CN111581510A (zh) | 分享内容处理方法、装置、计算机设备和存储介质 | |
JP2020523714A (ja) | 推奨情報の取得方法及び装置、電子機器 | |
CN108108821A (zh) | 模型训练方法及装置 | |
US9939272B1 (en) | Method and system for building personalized knowledge base of semantic image segmentation via a selective random field approach | |
CN113256367B (zh) | 用户行为历史数据的商品推荐方法、***、设备及介质 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN110413888B (zh) | 一种书籍推荐方法及装置 | |
CN111461841A (zh) | 物品推荐方法、装置、服务器及存储介质 | |
CN110222838B (zh) | 文档排序方法、装置、电子设备及存储介质 | |
CN110580489B (zh) | 一种数据对象的分类***、方法以及设备 | |
CN114329200B (zh) | 一种个性化自适应捆绑推荐模型及推荐方法 | |
CN111159563A (zh) | 用户兴趣点信息的确定方法、装置、设备及存储介质 | |
CN114896517A (zh) | 一种商品推荐方法、***、设备及存储介质 | |
CN116186326A (zh) | 视频推荐方法、模型训练方法、电子设备及存储介质 | |
CN117217284A (zh) | 一种数据处理方法及其装置 | |
CN115600017A (zh) | 特征编码模型训练方法及装置、媒体对象推荐方法及装置 | |
CN117593077A (zh) | 基于超图神经网络的道具组合推荐方法、装置及计算设备 | |
CN115439770A (zh) | 一种内容召回方法、装置、设备及存储介质 | |
CN114817692A (zh) | 确定推荐对象的方法、装置和设备及计算机存储介质 | |
KR20210016593A (ko) | 인공지능 기반 상품 추천 방법 및 그 시스템 |
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 |