CN110309274A - 引导语推荐方法、装置及电子设备 - Google Patents
引导语推荐方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110309274A CN110309274A CN201810208533.7A CN201810208533A CN110309274A CN 110309274 A CN110309274 A CN 110309274A CN 201810208533 A CN201810208533 A CN 201810208533A CN 110309274 A CN110309274 A CN 110309274A
- Authority
- CN
- China
- Prior art keywords
- leading question
- user
- keyword set
- interbehavior
- keyword
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0613—Third-party assisted
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/274—Converting codes to words; Guess-ahead of partial word inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
Abstract
本申请提供一种引导语推荐方法、装置及电子设备,该方法包括:基于用户当前交互行为对应的交互行为数据,确定第一关键词集合;基于第一关键词集合、第二关键词集合和第三关键词集合,生成引导语候选集合;使用预期价值函数计算所述引导语候选集合中每一条引导语的预期价值;将预期价值高于预设价值阈值的至少一条引导语确定为待推荐引导语。本申请的技术方案可以提高交互过程的转化率,提升用户的点击率和转化率。
Description
技术领域
本申请涉及应用技术领域,尤其涉及一种引导语推荐方法、装置及电子设备。
背景技术
在一些电商平台,如对话式点餐平台中,为了引导用户消费,通常可向用户展示引导语,帮助用户找到自己想找的商家或者商品,最终完成下单。
现有技术中,电商平台所展示的引导语通常由运营人员配置,运营人员可基于引导语的历史点击率或转化率配置每一轮交互所需要展示的引导语。然而,现有技术中,偏向转化率目标的引导语,对非精确命中需求的用户的吸引力度较低,交互体验差,用户容易流失;而偏向点击率的引导语为了延续对话,偏向于吸引眼球的“标题党”,容易偏离用户的目标,不能帮助用户完成转化。
发明内容
有鉴于此,本申请提供一种新的技术方案,可以向用户展示利用用户历史订单、偏好数据、实时交互行为体现出的短期偏好数据以及当时当地热搜数据得到的引导语,提高了引导语对用户交互的持续性和转化能力的影响。
为实现上述目的,本申请提供技术方案如下:
根据本申请的第一方面,提出了一种引导语推荐方法,包括:
基于用户当前交互行为对应的交互行为数据,确定第一关键词集合;
基于所述第一关键词集合、第二关键词集合和第三关键词集合,生成引导语候选集合,所述第二关键词集合基于用户的历史订单和关联的偏好数据得到,所述第三关键词集合基于用户当前所在地理区域的热搜词和商品供给信息得到;
使用预期价值函数计算所述引导语候选集合中每一条引导语的预期价值;
将预期价值高于预设价值阈值的至少一条引导语确定为待推荐引导语。
根据本申请的第二方面,提出了一种引导语推荐装置,包括:
第一确定模块,用于基于用户当前交互行为对应的交互行为数据,确定第一关键词集合;
第一生成模块,用于基于所述第一关键词集合、第二关键词集合和第三关键词集合,生成引导语候选集合,所述第二关键词集合基于用户的历史订单和关联的偏好数据得到,所述第三关键词集合基于用户当前所在地理区域的热搜词和商品供给信息得到;
计算模块,用于使用预期价值函数计算所述引导语候选集合中每一条引导语的预期价值;
第二确定模块,用于将预期价值高于预设价值阈值的至少一条引导语确定为待推荐引导语。
根据本申请的第三方面,提出了一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所描述的引导语推荐方法。
根据本申请的第四方面,提出了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所描述的引导语推荐方法。
由以上技术方案可见,本申请中可以综合基于用户的历史订单、偏好数据得到的第二关键词集合,基于用户当前所在地理区域的热搜词(热搜商品、热搜商户)、商品供给情况得到第三关键词集合,以及基于用户交互行为对应的交互行为数据得到的第一关键词集合得到引导语,由于第二关键词集合和第三关键词集合在用户当前登录过程中不会发生变化,因此不需要在生成每轮交互的引导语时更新整个关键词候选集;由于本申请综合考虑了地理区域的热搜词、用户的偏好数据以及用户当前交互行为等推荐引导与,因此所推荐的引导语可以提高交互过程的转化率,提升用户的点击率和转化率,相比现有技术中的针对单轮点击率或转化率的展示方法,更具普适性。
附图说明
图1示出了根据本发明的一示例性实施例的引导语推荐方法的流程示意图;
图2示出了根据本发明的又一示例性实施例的引导语推荐方法的流程示意图;
图3示出了根据本发明的又一示例性实施例的引导语推荐方法的流程示意图;
图4示出了根据本发明的另一示例性实施例的引导语推荐方法的流程示意图;
图5示出了根据本发明的一示例性实施例的引导语推荐装置框图;
图6示出了根据本发明的又一示例性实施例的引导语推荐装置框图;
图7示出了根据本发明的一示例性实施例的电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本申请可应用在电子设备上,如用户终端和服务器上,服务器在执行完本申请实施例后,将生成的引导语发送给用户终端,用户终端在应用程序上显示引导语。本申请可以通过在用户终端上安装应用程序或者软件的方式实现与服务器之间的数据交互。其中,交互的数据可以包括用户信息、商品信息,用户信息可以包括用户通过应用程序在服务器上购买商品的历史记录,商品信息可以包括服务器能够提供销售服务的商户以及商户可以为消费者提供的商品。需要说明的是,本申请所述的商户对于计算机而言,可以为商户在服务器自定义设置的字符串,该字符串可以表示当前浏览商户区别于服务器上其他商户的身份标识。
为对本申请进行进一步说明,提供下列实施例:
图1示出了根据本发明的一示例性实施例的引导语推荐方法的流程示意图;引导语推荐方法可以应用于电子设备,如用户终端或者服务器上,如图1所示,本实施例中引导语推荐方法可包括如下步骤101~103:
步骤101,基于用户当前交互行为对应的交互行为数据,确定第一关键词集合。
在一实施例中,通常在用户通过用户终端登录应用程序后,可通过主动输入内容,例如,在搜索框中输入搜索关键词的方式输入交互行为数据;在又一实施例中,用户还可通过点击查看一个商户/商品的方式输入交互行为数据,等等。
在一实施例中,第一关键词集合可以理解为根据用户在每一轮(t)轮交互中触发的交互行为对应的交互行为数据得到的关键词的集合,也即,基于用户当前交互行为对应的交互行为数据体现的需求确定的关键词的集合。例如,用户当前交互行为对应的交互行为数据为“汉堡包”,基于“汉堡包”的关联商品和/或关联商户,可以得到用户当前想要找的汉堡、鸡翅、薯条、肯德基、麦当劳等商户数据和/或商品数据,进而生成第一关键词集合{汉堡、鸡翅、薯条、肯德基、麦当劳、……}。
其中,基于用户当前交互行为对应的交互行为数据,可以从第一数据库中查找到关联的商户数据和/或商品数据。在一实施例中,第一数据库中记录有所有具有关联性的商户数据和/或商品数据,例如,交互行为数据为“便宜的炒饭”,则可从第一数据库中获取与“便宜的炒饭”关联的商品数据和/或商户数据,例如,扬州炒饭、鸡蛋炒饭、蛋包饭、成都小吃等关键词。
在一实施例中,第一关键词集合中的关键词与用户每一轮的当前交互行为对应的交互行为数据存在相关性,其中相关性包含但不限于关键词间的转换关系、同分类、同口味、同食材等关系,例如,汉堡与鸡翅属于同一分类,汉堡与辣属于同一个口味等。
步骤102,基于第一关键词集合、第二关键词集合和第三关键词集合,生成引导语候选集合。
在一实施例中,第二关键词集合基于用户的历史订单和关联的偏好数据得到,可以在用户登录应用软件时即生成,而且在此次登录中的多轮交互中,第二关键词集合是相同的,不变的。其中用户的历史订单体现了用户通过该服务器在最近设定时间内的购买记录,例如,用户在最近半年内购买了汉堡包10次、比萨5次、鸡翅薯条3次、炒饭5次、盖饭2次;而用户关联的偏好数据可以根据该用户在该服务器的行为数据得到,例如,可以根据该用户的全部历史购买记录或者最近设定时间内的购买历史记录、浏览历史记录得到该用户的偏好数据,例如,用户A登录到服务器,并浏览过多次售卖汉堡的、商户标识为DEF的页面,基于用户A在服务器上的购买历史记录以及浏览历史记录得到该用户A的偏好数据为快餐、汉堡等。
在一实施例中,第三关键词集合基于用户当前所在地理区域的热搜词以及商品供给信息得到。在一实施例中,服务器可统计当前时段的当地热搜词、热销商家品类和热销菜品分类等,得到热搜词,生成第三关键词集合。例如,密云新开了一家西餐厅,西餐厅最近时常搞活动,因此这家西餐厅德名称为当地热搜词,当一个地理位置为密云的用户登录时,可将该西餐厅的名称添加到第三关键词集合中。在一实施例中,由于当前时段的当地热搜词、热销商家品类和热销菜品分类在用户此次登录的时间段内不会发生变化,因此可载用户登录硬用软件时即生成第三关键词集合。在一实施例中,商品供给信息可以理解为用户所在区域内的诸商户的商品供给情况,例如,商户A的商品S的供给情况比较紧张,则拒绝将商品S添加到第三关键词集合中。
在一实施例中,基于第一关键词集合、第二关键词集合和第三关键词集合,生成引导语候选集合的实现方式可参见图3所示实施例,这里先不详述。
步骤103,使用预期价值函数计算引导语候选集合中每一条引导语的预期价值。
在一实施例中,使用预期价值函数计算引导语候选集合中每一条引导语的预期价值,包括:获取用户当前交互行为对应的用户交互特征和引导语候选集合中每一条引导语对应的引导语特征;使用预期价值函数对引导语特征、用户交互特征和非交互特征进行计算,得到每一条引导语的预期价值。
在一实施例中,每一轮(第t轮)交互对应的用户交互特征St为循环神经网络(Recurrent Neural Networks,简称为RNN)在第t轮交互的隐变量输出,其中RNN模型的输入为第t轮中的交互行为数据以及第t-1轮对应的用户交互特征。其中,第t轮交互的交互行为数据,包括但不限于:第t轮的点击、下单、主动输入、浏览商户和/或商品的详情页等交互行为所产生的交互行为数据。第0轮,也即,t=0时用户还没有交互行为,S0为RNN初始状态的隐变量输出。
其中,用于输出用户交互特征的RNN模型可以为长短期记忆网络(Long Short-Term Memory,简称为LSTM),RNN模型可以基于海量用户的交互行为数据训练得到。
在一实施例中,获取用户当前交互行为对应的用户交互特征的实现方式可参见图4所示实施例,这里先不详述。
在一实施例中,引导语候选集合中每一条引导语对应的引导语特征At包括但不限于:该引导语内容中的关键词、引导语可链接至的商品的商品信息和/或商户的商户信息,以及引导语与用户关联的偏好数据之间的匹配程度。在一实施例中,引导语可链接至的商品的商品信息可以理解为商品的口味、食材、品类、销量、价格等,引导语可链接至的商户的商户信息可以理解为对引导语内容中的关键词相关的商品的供给数、所供给的商品的价格等。在一实施例中,引导语与用户关联的偏好数据之间的匹配程度可以理解为用户对该引导语中提及的关键词的浏览次数、购买次数等。例如,如果引导语为“汉堡”,则引导语内容中的关键词为“汉堡”,引导语可链接至的商品的商品信息和/或商户的商户信息可以有“肯德基”、“麦当劳”、“快餐”、“牛肉”、“20元左右”、“销量高”、“供给数为1000以上”等,引导语与用户关联的偏好数据之间的匹配程度为用户购买汉堡的次数为11、浏览汉堡详情页的次数为5。需要说明的是,第0轮的用户交互特征A0是开场引导语,在用户登录应用程序还没有任何输入时即显示在会话交互窗口中。
在一实施例中,非交互特征可以为与每一轮交互无关的但影响用户下单的其他因素,包括但不限于:用户历史订单、相关联的偏好数据,以及其他环境状态特征,如周围各品类供给、天气、节气等。在一实施例中,由于非交互特征在用户此次登录的时间段内不会发生变化,因此可在用户登录应用软件时即确定非交互特征。
步骤104,将预期价值高于预设价值阈值的至少一条引导语确定为待推荐引导语。
在一实施例中,可以根据大量的用户通过应用程序产生的交互行为数据训练预期价值模型,得到预期价值函数,例如,可以根据该所有用户在最近设定时间段内的历史购买记录、历史浏览记录、历史检索数据等交互行为数据得到预期价值函数。具体地,可对大量用户在各个交互轮次交互中输入的交互行为数据使用步骤103的方法提取用户交互特征,并对各个交互轮次的引导语使用步骤103的方法提取引导语特征,基于强化学习方法训练预期价值函数,训练的目标是使Q(U,St,At)逼近Rt+1+λmaxaQ(U,St+1,a)。优选TD(0)更新策略,Adam优化算法,α优选0.025,更新方法如式(1):
Q(U,St,At)←q(U,St,At)+α(Rt+1+λmaxaQ(U,St1+,a)-Q(U,St,At))
式(1)
式(1)中,Rt+1表示特征为At的引导语被点击后直接带来的下单数,Rt+1>=0。若第t轮时用户未点击特征为At的引导语,则Q(St,At)为-1。λ表示折扣值,该值越小,表示后续交互中离当前轮次越远的下单越不看重,该值为1表示对后续每轮交互中的下单同样看重。a表示第t+1轮候选集中的某引导语的特征,E(Rt+1+λnaxaQ(U,St+1,a))表示对后续转化率的期望值。
在一实施例中,通过将引导语特征、用户交互特征和非交互特征输入预期价值函数,即可得到引导语对应的预期价值。
在一实施例中,在线上应用中,服务器可在每收集到一批新的交互行为数据后,更新一次预期价值函数,然后即可利用新的预期价值函数作为计算引导语的预期价值的预期价值函数。
在一实施例中,除了将预期价值高于预设价值阈值的至少一条引导语确定为待推荐引导语之外,还可将设定数目的预期价值最高的引导语确定为待推荐引导语,然后将待推荐引导语按照预期价值从大到小的顺序进行排序显示。例如,如果设定数目为5,也即每一轮交互中向用户展示5条引导语,则可在计算引导语候选集合中每一条引导语的预期价值后,选择预期价值最高的5条引导语作为待推荐引导语,为了提高交互过程的转化率,可在展示引导语时,按照预期价值的大小按照顺序展示,相比传统的针对单轮点击率和转化率的展示方法,按照预期价值按照顺序展示更具普适性。
需要说明的是,上述描述中只是以菜品(如汉堡)为例进行示例性说明,本申请的商品还可以为其它商品类型,如衣服、鞋帽等。
本实施例中,本申请中可以综合基于用户的历史订单、偏好数据得到的第二关键词集合,基于用户当前所在地理区域的热搜词(热搜商品、热搜商户)、商品供给情况得到第三关键词集合,以及基于用户交互行为对应的交互行为数据得到的第一关键词集合得到引导语,由于第二关键词集合和第三关键词集合在用户当前登录过程中不会发生变化,因此不需要在生成每轮交互的引导语时更新整个关键词候选集;由于本申请综合考虑了地理区域的热搜词、用户的偏好数据以及用户当前交互行为等推荐引导与,因此所推荐的引导语可以提高交互过程的转化率,提升用户的点击率和转化率,相比现有技术中的针对单轮点击率或转化率的展示方法,更具普适性。
图2示出了根据本发明的又一示例性实施例的引导语推荐方法的流程示意图;本实施例在上述实施例的基础上,以在用户登录软件后,还没有交互行为时如何展示引导语为例进行示例性说明,如图2所示,包括如下步骤:
步骤201,在检测到用户登录时,确定第二关键词集合和第三关键词集合。
在一实施例中,第二关键词集合基于用户的历史订单和关联的偏好数据得到,其中用户的历史订单体现了用户通过该服务器在最近设定时间内的购买记录,例如,用户在最近半年内购买了汉堡包10次、比萨5次、鸡翅薯条3次、炒饭5次、盖饭2次;而用户关联的偏好数据可以根据该用户在该服务器的行为数据得到,例如,可以根据该用户的全部历史购买记录或者最近设定时间内的购买历史记录、浏览历史记录得到该用户的偏好数据,例如,用户A登录到服务器,并浏览过多次售卖汉堡的、商户标识为DEF的页面,基于用户A在服务器上的购买历史记录以及浏览历史记录得到该用户A的偏好数据为快餐、汉堡等。
在一实施例中,第三关键词集合基于用户当前所在地理区域的热搜词以及商品供给信息得到。在一实施例中,服务器可统计当前时段的当地热搜词、热销商家品类和热销菜品分类等,得到热搜词,生成第三关键词集合。例如,密云新开了一家西餐厅,西餐厅最近时常搞活动,因此这家西餐厅德名称为当地热搜词,当一个地理位置为密云的用户登录时,可将该西餐厅的名称添加到第三关键词集合中。在一实施例中,由于当前时段的当地热搜词、热销商家品类和热销菜品分类在用户此次登录的时间段内不会发生变化,因此可载用户登录硬用软件时即生成第三关键词集合。在一实施例中,商品供给信息可以理解为用户所在区域内的诸商户的商品供给情况,例如,商户A的商品S的供给情况比较紧张,则拒绝将商品S添加到第三关键词集合中。
步骤202,基于第二关键词集合和第三关键词集合,确定未发生交互行为前的待推荐引导语。
在一实施例中,可对第二关键词集合和第三关键词集合进行合并和去重操作,得到第四关键词集合,然后对第四关键词集合中的关键词进行相容性判断,得到相容关键词,去除不相容的关键词,例如:辣+汉堡->相容,辣+咖啡->不相容。其中,相容性判断的实现方式包括但不限于商品标签统计、人工投票。
在一实施例中,通过将第四关键词集合中的相容关键词,通过自然语言生成,即可得到未发生交互行为前的引导语候选集,然后可优先将未发生交互行为前的引导语候选集中与用户的历史订单最匹配的引导语确定为待推荐引导语,由此可展示最符合用户偏好特征的引导语;也可将优先将未发生交互行为前的引导语候选集中与用户的历史订单最匹配的引导语确定为待推荐引导语,然后再选择少数的与当前热搜词最匹配的引导语作为待推荐引导语,由此可在展示最符合用户偏好特征的引导语的同时,向用户展示最近热搜的商品和/或商户信息。
在一实施例中,自然语言生成的实现方式包括但不限于模板填充,例如相容关键词为辣+汉堡,则可通过自然语言生成的实现方式得到一条引导语“搜索一下辣的汉堡”。
本实施例中,公开了一种在用户没有执行任何交互行为前向用户展示引导语的方法,通过综合基于用户的历史订单、偏好数据得到的第二关键词集合,基于用户当前所在地理区域的热搜词(热搜商品、热搜商户)、商品供给情况得到第三关键词集合得到用户执行任何交互行为之前的引导语,可以提高引导语的转化率。
图3示出了根据本发明的又一示例性实施例的引导语推荐方法的流程示意图;本实施例在上述实施例的基础上,以如何得到每一轮交互过程中的待推荐引导语为例进行示例性说明,如图3所示,包括如下步骤:
步骤301,对第一关键词集合、第二关键词集合和第三关键词集合进行合并和去重操作,得到目标关键词集合。
在一实施例中,将多个关键词集合进行合并和去重的操作可参见图2所示实施例的步骤202的描述,这里不再详述。
在一实施例中,由于第二关键词集合和第三关键词集合在用户当前登录过程中的每一轮交互中是相同的,因此可优先通过步骤202的操作实现第二关键词集合和第三关键词集合的合并和去重操作,得到第四关键词集合,在后续每一轮交互中,均可通过将第四关键词集合和第一关键词集合进行合并和去重操作,得到第t轮的目标关键词集合。
步骤302,获取目标关键词集合中的相容关键词。
在一实施例中,可事先建立一个第二数据库,第二数据库中存储有相容的关键词和不相容的关键词,由此可基于目标关键词集合中的关键词,查询第二数据库,确定出不相容的关键词组合和相容的关键词组合。例如,目标关键词候选集中有关键词“辣椒”、“咖啡”、“汉堡”等,则可确定出相容关键词“辣椒+汉堡”。
步骤303,通过自然语言生成算法,将目标关键词集合中的相容关键词生成初始引导语候选集合。
在一实施例中,自然语言生成的实现方式包括但不限于模板填充,例如相容关键词为辣+汉堡,则可通过自然语言生成的实现方式得到一条引导语“搜索一下辣的汉堡”。
步骤304,将初始引导语候选集合中不满足供给条件的引导语删除,得到引导语候选集合。
在一实施例中,对于初始引导语候选集中的每句引导语,逐一判断所引导语对应的查询条件是否有供给,如果没有供给,则删除该引导语,以免用户点击了该引导语,结果不能下单,降低了转化率和用户的体验效果。
本实施例中,通过综合基于用户的历史订单、偏好数据得到的第二关键词集合,基于用户当前所在地理区域的热搜词(热搜商品、热搜商户)、商品供给情况得到第三关键词集合,得到初始引导语,并且将不满足供给条件的引导语删除,可以进一步提高交互过程的转化率。
图4是本申请再一示例性实施例示出的一种引导语推荐方法的流程图;本实施例在上述实施例的基础上,以如何获取每一轮的用户交互特征、基于交互特征确定出待推荐引导语以及对待推荐引导语进行排序战士展示为例进行示例性说明,如图4所示,包括如下步骤:
步骤401,基于用户当前交互行为对应的交互行为数据,确定第一关键词集合。
步骤402,基于第一关键词集合、第二关键词集合和第三关键词集合,生成引导语候选集合。
在一实施例中,第二关键词集合基于用户的历史订单和关联的偏好数据得到,第三关键词集合基于用户当前所在地理区域的热搜词和商品供给信息得到。
在一实施例中,步骤401和步骤402的描述可参见图1所实施例的步骤101和步骤102的描述,这里不再详述。
步骤403,基于用户当前交互行为对应的交互行为数据以及前一轮交互行为对应的用户交互特征,得到用户当前交互行为对应的用户交互特征,以及获取每一条引导语的引导语特征。
在一实施例中,对于用户当前交互行为(第t轮)的用户交互特征,可以通过第t轮的交互行为数据和前一轮(第t-1轮)的用户交互特征计算得到,也即,同时将第t轮的交互行为数据和第t-1轮的用户交互特征输入循环神经网络,进而由循环神经网络输出第t轮的用户交互特征。其中,第t轮交互的交互行为数据,包括但不限于:第t轮的点击、下单、主动输入、浏览商户和/或商品的详情页等交互行为所产生的交互行为数据。第0轮,也即,t=0时用户还没有交互行为,S0为RNN初始状态的隐变量输出。
在一实施例中,每一条引导语的引导语特征的获取方法可参见图1所示实施例的步骤103的描述,这里不再详述。
步骤404,使用预期价值函数计算引导语候选集合中每一条引导语的预期价值。
在一实施例中,步骤404的描述可参见图1所示实施例的步骤104的描述,这里不再详述。
步骤405,将预期价值高于预设价值阈值的至少一条引导语确定为待推荐引导语。
步骤406,将待推荐引导语按照预期价值从大到小的顺序进行排序显示。
本实施例中,本申请中在计算每一轮的用户交互特征时,除了考虑每一轮输入的交互行为数据之外,还考虑前一轮对应的交互特征,因此基于每一轮的用户交互特征和引导语的特征确定当前轮待展示的引导语时,考虑了实时交互中体现出的实时偏好,因此所展示的引导语更能体现用户的预期价值。
需要说明的是,上述以菜品为例进行示例性说明,本领域技术人员可以理解的是,对于不同类型的商品,例如,衣服,鞋帽等,均可以通过本申请的方式生成引导语,也即,本申请中的引导语推荐方法不仅限于菜品。
与前述引导语推荐方法的实施例相对应,本申请还提供了引导语推荐装置的实施例。
图5示出了根据本发明的一示例性实施例的引导语推荐装置框图,如图5所示,引导语推荐装置包括:
第一确定模块51,用于基于用户当前交互行为对应的交互行为数据,确定第一关键词集合;
第一生成模块52,用于基于第一关键词集合、第二关键词集合和第三关键词集合,生成引导语候选集合,第二关键词集合基于用户的历史订单和关联的偏好数据得到,第三关键词集合基于用户当前所在地理区域的热搜词和商品供给信息得到;
计算模块53,用于使用预期价值函数计算引导语候选集合中每一条引导语的预期价值;
第二确定模块54,用于将预期价值高于预设价值阈值的至少一条引导语确定为待推荐引导语。
图6示出了根据本发明的又一示例性实施例的引导语推荐装置框图,如图6所示,在上述图5所示实施例的基础上,装置还包括:
展示模块55,用于将待推荐引导语按照预期价值从大到小的顺序进行排序显示。
在一实施例中,第一确定模块51具体用于:
在第一数据库中查找与用户当前交互行为对应的交互行为数据相关联的商户数据和/或商品数据,用户当前交互行为对应的交互行为数据基于用户触发的至少一个下述操作得到:主动输入、点击、浏览商户和/或商品的详情页;
基于相关联的商户数据和/或商品数据,确定第一关键词集合。
在一实施例中,第一生成模块52具体用于:
对第一关键词集合、第二关键词集合和第三关键词集合进行合并和去重操作,得到目标关键词集合;
获取目标关键词集合中的相容关键词;
通过自然语言生成算法,将目标关键词集合中的相容关键词生成初始引导语候选集合;
将初始引导语候选集合中不满足供给条件的引导语删除,得到引导语候选集合。
在一实施例中,装置还包括:
第三确定模块56,用于在检测到用户登录时,确定第二关键词集合和第三关键词集合;
第二生成模块57,用于对第二关键词集合和第三关键词集合进行合并和去重操作,得到第四关键词集合;
第一生成模块52具体用于:
将第四关键词集合和第一关键词集合进行合并和去重操作,得到目标关键词集合。
在一实施例中,计算模块53具体用于:
获取用户当前交互行为对应的用户交互特征和引导语候选集合中每一条引导语对应的引导语特征;
使用预期价值函数对引导语特征、用户交互特征和非交互特征进行计算,得到每一条引导语的预期价值。
在一实施例中,计算模块53具体用于:
获取用户当前交互行为的前一轮交互行为对应的用户交互特征;
基于用户当前交互行为的交互行为数据以及前一轮交互行为对应的用户交互特征,得到用户当前交互行为对应的用户交互特征。
在一实施例中,计算模块53具体用于:
获取每一条引导语中的关键词、引导语可链接至的商品的商品信息和/或商户的商户信息,以及引导语与用户关联的偏好数据之间的匹配程度;
将每一条引导语中的关键词、引导语可链接至的商品的商品信息和/或商户的商户信息以及匹配程度,确定为引导语特征。
在一实施例中,装置还包括:
特征提取模块58,用于提取训练样本的交互行为数据对应的用户交互特征,得到训练特征;
训练模块59,用于使用训练特征对预期价值模型进行训练,得到预期价值函数。
在一实施例中,第二确定模块55具体用于:
将设定数目的预期价值最高的引导语确定为第t轮交互中的待推荐引导语;
将待推荐引导语按照预期价值从大到小的顺序进行排序显示。
在一实施例中,装置还包括:
第四确定模块60,用于在检测到用户登录时,基于第二关键词集合和第三关键词集合,确定未发生交互行为前的待推荐引导语。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
对应于上述的引导语推荐方法,本申请还提出了图7所示的根据本发明的一示例性实施例的电子设备的示意结构图。请参考图7,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成引导语推荐装置。当然,除了软件实现方式之外,本申请并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在示例性实施例中,还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,该计算机程序用于执行上述引导语推荐方法,其中,计算机可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、光盘只读存储器(CD-ROM)、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (13)
1.一种引导语推荐方法,其特征在于,所述方法包括:
基于用户当前交互行为对应的交互行为数据,确定第一关键词集合;
基于所述第一关键词集合、第二关键词集合和第三关键词集合,生成引导语候选集合,所述第二关键词集合基于用户的历史订单和关联的偏好数据得到,所述第三关键词集合基于用户当前所在地理区域的热搜词和商品供给信息得到;
使用预期价值函数计算所述引导语候选集合中每一条引导语的预期价值;
将预期价值高于预设价值阈值的至少一条引导语确定为待推荐引导语。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述待推荐引导语按照预期价值从大到小的顺序进行排序显示。
3.根据权利要求1所述的方法,其特征在于,所述基于用户当前交互行为对应的交互行为数据,确定第一关键词集合,包括:
在第一数据库中查找与所述用户当前交互行为对应的交互行为数据相关联的商户数据和/或商品数据,所述用户当前交互行为对应的交互行为数据基于用户触发的至少一个下述操作得到:主动输入、点击、浏览商户和/或商品的详情页;
基于所述相关联的商户数据和/或商品数据,确定所述第一关键词集合。
4.根据权利要求1所述的方法,其特征在于,所述基于所述第一关键词集合、第二关键词集合和第三关键词集合,生成引导语候选集合,包括:
对所述第一关键词集合、第二关键词集合和第三关键词集合进行合并和去重操作,得到目标关键词集合;
获取所述目标关键词集合中的相容关键词;
通过自然语言生成算法,将所述目标关键词集合中的相容关键词生成初始引导语候选集合;
将所述初始引导语候选集合中不满足供给条件的引导语删除,得到所述引导语候选集合。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
在检测到所述用户登录时,确定所述第二关键词集合和所述第三关键词集合;
对所述第二关键词集合和第三关键词集合进行合并和去重操作,得到第四关键词集合;
所述对所述第一关键词集合、第二关键词集合和第三关键词集合进行合并和去重操作,得到目标关键词集合,包括:
将所述第四关键词集合和所述第一关键词集合进行合并和去重操作,得到所述目标关键词集合。
6.根据权利要求1所述的方法,其特征在于,所述使用预期价值函数计算所述引导语候选集合中每一条引导语的预期价值,包括:
获取用户当前交互行为对应的用户交互特征和所述引导语候选集合中每一条引导语对应的引导语特征;
使用所述预期价值函数对所述引导语特征、用户交互特征和非交互特征进行计算,得到所述每一条引导语的预期价值。
7.根据权利要求6所述的方法,其特征在于,所述获取用户当前交互行为对应的用户交互特征,包括:
获取所述用户当前交互行为的前一轮交互行为对应的用户交互特征;
基于所述用户当前交互行为的交互行为数据以及所述前一轮交互行为对应的用户交互特征,得到所述用户当前交互行为对应的用户交互特征。
8.根据权利要求6所述的方法,其特征在于,所述获取所述引导语候选集合中每一条引导语对应的引导语特征,包括:
获取每一条引导语中的关键词、所述引导语可链接至的商品的商品信息和/或商户的商户信息,以及所述引导语与所述用户关联的偏好数据之间的匹配程度;
将所述每一条引导语中的关键词、所述引导语可链接至的商品的商品信息和/或商户的商户信息以及所述匹配程度,确定为所述引导语特征。
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
提取训练样本的交互行为数据对应的用户交互特征,得到训练特征;
使用所述训练特征对预期价值模型进行训练,得到所述预期价值函数。
10.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在检测到用户登录时,基于所述第二关键词集合和所述第三关键词集合,确定未发生交互行为前的待推荐引导语。
11.一种引导语推荐装置,其特征在于,所述装置包括:
第一确定模块,用于基于用户当前交互行为对应的交互行为数据,确定第一关键词集合;
第一生成模块,用于基于所述第一关键词集合、第二关键词集合和第三关键词集合,生成引导语候选集合,所述第二关键词集合基于用户的历史订单和关联的偏好数据得到,所述第三关键词集合基于用户当前所在地理区域的热搜词和商品供给信息得到;
计算模块,用于使用预期价值函数计算所述引导语候选集合中每一条引导语的预期价值;
第二确定模块,用于将预期价值高于预设价值阈值的至少一条引导语确定为待推荐引导语。
12.一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上述权利要求1-10任一所述的引导语推荐方法。
13.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-10任一所述的引导语推荐方法的步骤。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810208533.7A CN110309274B (zh) | 2018-03-14 | 2018-03-14 | 引导语推荐方法、装置及电子设备 |
BR112020009595-8A BR112020009595A2 (pt) | 2018-03-14 | 2018-12-07 | recomendação de palavra-guia |
PCT/CN2018/119803 WO2019174318A1 (zh) | 2018-03-14 | 2018-12-07 | 引导语推荐 |
US16/768,058 US20200402125A1 (en) | 2018-03-14 | 2018-12-07 | Guide word recommendation |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810208533.7A CN110309274B (zh) | 2018-03-14 | 2018-03-14 | 引导语推荐方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110309274A true CN110309274A (zh) | 2019-10-08 |
CN110309274B CN110309274B (zh) | 2021-09-07 |
Family
ID=67907364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810208533.7A Active CN110309274B (zh) | 2018-03-14 | 2018-03-14 | 引导语推荐方法、装置及电子设备 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200402125A1 (zh) |
CN (1) | CN110309274B (zh) |
BR (1) | BR112020009595A2 (zh) |
WO (1) | WO2019174318A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112256960A (zh) * | 2020-10-10 | 2021-01-22 | 成都一课量子科技有限公司 | 一种商场、社区、写字楼用户推荐服务的算法方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117238281B (zh) * | 2023-11-09 | 2024-03-15 | 摩斯智联科技有限公司 | 车机***语音引导词仲裁方法、装置、车机和存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040198475A1 (en) * | 2003-04-07 | 2004-10-07 | Samsung Electronics Co., Ltd. | Portable terminal capable of guiding user to invoke a function and method thereof |
CN102866990A (zh) * | 2012-08-20 | 2013-01-09 | 北京搜狗信息服务有限公司 | 一种主题对话方法和装置 |
US20130332303A1 (en) * | 2007-03-02 | 2013-12-12 | Spiceworks, Inc. | Network software and hardware monitoring and marketplace |
CN103995880A (zh) * | 2014-05-27 | 2014-08-20 | 百度在线网络技术(北京)有限公司 | 交互式搜索方法和装置 |
CN105243143A (zh) * | 2015-10-14 | 2016-01-13 | 湖南大学 | 基于即时语音内容检测的推荐方法及*** |
CN105550331A (zh) * | 2015-12-21 | 2016-05-04 | 北京奇虎科技有限公司 | 基于引导的搜索方法及装置 |
CN105630950A (zh) * | 2015-12-23 | 2016-06-01 | 北京奇虎科技有限公司 | 一种引导式搜索方法和*** |
US20160301639A1 (en) * | 2014-01-20 | 2016-10-13 | Tencent Technology (Shenzhen) Company Limited | Method and system for providing recommendations during a chat session |
CN106844340A (zh) * | 2017-01-10 | 2017-06-13 | 北京百度网讯科技有限公司 | 基于人工智能的新闻摘要生成和显示方法、装置及*** |
CN107305769A (zh) * | 2016-04-20 | 2017-10-31 | 斑马网络技术有限公司 | 语音交互处理方法、装置、设备及操作*** |
CN107766462A (zh) * | 2017-09-28 | 2018-03-06 | 重庆大学 | 基于用户偏好、社交信誉度和地理位置的兴趣点推荐方法 |
CN107783977A (zh) * | 2016-08-24 | 2018-03-09 | 阿里巴巴集团控股有限公司 | 资源对象信息推荐方法、客户端及*** |
CN108153415A (zh) * | 2017-12-22 | 2018-06-12 | 歌尔科技有限公司 | 虚拟现实语言教学交互方法和虚拟现实设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942279B (zh) * | 2014-04-01 | 2018-07-10 | 百度(中国)有限公司 | 搜索结果的展现方法和装置 |
CN104063521B (zh) * | 2014-07-17 | 2018-09-11 | 百度在线网络技术(北京)有限公司 | 搜索业务实现方法和装置 |
CN104102723B (zh) * | 2014-07-21 | 2017-07-25 | 百度在线网络技术(北京)有限公司 | 搜索内容提供方法和搜索引擎 |
-
2018
- 2018-03-14 CN CN201810208533.7A patent/CN110309274B/zh active Active
- 2018-12-07 BR BR112020009595-8A patent/BR112020009595A2/pt not_active IP Right Cessation
- 2018-12-07 US US16/768,058 patent/US20200402125A1/en not_active Abandoned
- 2018-12-07 WO PCT/CN2018/119803 patent/WO2019174318A1/zh active Application Filing
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040198475A1 (en) * | 2003-04-07 | 2004-10-07 | Samsung Electronics Co., Ltd. | Portable terminal capable of guiding user to invoke a function and method thereof |
US20130332303A1 (en) * | 2007-03-02 | 2013-12-12 | Spiceworks, Inc. | Network software and hardware monitoring and marketplace |
CN102866990A (zh) * | 2012-08-20 | 2013-01-09 | 北京搜狗信息服务有限公司 | 一种主题对话方法和装置 |
US20160301639A1 (en) * | 2014-01-20 | 2016-10-13 | Tencent Technology (Shenzhen) Company Limited | Method and system for providing recommendations during a chat session |
CN103995880A (zh) * | 2014-05-27 | 2014-08-20 | 百度在线网络技术(北京)有限公司 | 交互式搜索方法和装置 |
CN105243143A (zh) * | 2015-10-14 | 2016-01-13 | 湖南大学 | 基于即时语音内容检测的推荐方法及*** |
CN105550331A (zh) * | 2015-12-21 | 2016-05-04 | 北京奇虎科技有限公司 | 基于引导的搜索方法及装置 |
CN105630950A (zh) * | 2015-12-23 | 2016-06-01 | 北京奇虎科技有限公司 | 一种引导式搜索方法和*** |
CN107305769A (zh) * | 2016-04-20 | 2017-10-31 | 斑马网络技术有限公司 | 语音交互处理方法、装置、设备及操作*** |
CN107783977A (zh) * | 2016-08-24 | 2018-03-09 | 阿里巴巴集团控股有限公司 | 资源对象信息推荐方法、客户端及*** |
CN106844340A (zh) * | 2017-01-10 | 2017-06-13 | 北京百度网讯科技有限公司 | 基于人工智能的新闻摘要生成和显示方法、装置及*** |
CN107766462A (zh) * | 2017-09-28 | 2018-03-06 | 重庆大学 | 基于用户偏好、社交信誉度和地理位置的兴趣点推荐方法 |
CN108153415A (zh) * | 2017-12-22 | 2018-06-12 | 歌尔科技有限公司 | 虚拟现实语言教学交互方法和虚拟现实设备 |
Non-Patent Citations (2)
Title |
---|
LAMIAA MOSTAFA: "BidTerm Suggestion for Advertising Webpages", 《2012 IEEE/ACM INTERNATIONAL CONFERENCE ON ADVANCES IN SOCIAL NETWORKS ANALYSIS AND MINING》 * |
吴雪军: "面向信息抽取的命名实体识别与模板获取技术研究", 《中国优秀博硕士学位论文全文数据库 (硕士) 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112256960A (zh) * | 2020-10-10 | 2021-01-22 | 成都一课量子科技有限公司 | 一种商场、社区、写字楼用户推荐服务的算法方法 |
CN112256960B (zh) * | 2020-10-10 | 2024-04-16 | 成都一课量子科技有限公司 | 一种商场、社区、写字楼用户推荐服务的算法方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2019174318A1 (zh) | 2019-09-19 |
CN110309274B (zh) | 2021-09-07 |
BR112020009595A2 (pt) | 2020-11-03 |
US20200402125A1 (en) | 2020-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104866474B (zh) | 个性化数据搜索方法及装置 | |
CN104106087B (zh) | 用于网上购物的关联提取的***和方法 | |
CN104679771B (zh) | 一种个性化数据搜索方法和装置 | |
CN105447186B (zh) | 一种基于大数据平台的用户行为分析*** | |
US20100030647A1 (en) | Advertisement selection for internet search and content pages | |
US20150262282A1 (en) | Computer-implemented method and system for recommendation system input management | |
CN106339502A (zh) | 一种基于用户行为数据分片聚类的建模推荐方法 | |
CN107229666B (zh) | 一种基于推荐***的兴趣探索方法及装置 | |
CN111259281B (zh) | 商户标签的确定方法、装置及存储介质 | |
CN103858142A (zh) | 店铺信息提供*** | |
KR102309373B1 (ko) | 기획 판매를 위한 컨텐츠를 자동적으로 구축하는 시스템 및 그 방법 | |
US20220215455A1 (en) | Computer-Implemented Method for Recommendation System Input Management | |
CN106326318B (zh) | 搜索方法及装置 | |
TWI544435B (zh) | Information processing device, information processing method, memory media | |
WO2020085086A1 (ja) | 商品リコメンドシステム | |
CN116894709A (zh) | 一种广告商品推荐方法和*** | |
CN110348920A (zh) | 一种推荐产品的方法及装置 | |
US20150242529A1 (en) | Method for Interlacing Multiple Internet domain names with a Database Driven Website to Obtain Better Webpage Ranking on Major Search Engines by Executing Computer-Executable Instructions Stored On a Non-Transitory Computer-Readable Medium | |
KR20150066644A (ko) | 개인행동기반 관심 대상 및 선호 분야 분석시스템 및 그 방법 | |
CN112488781A (zh) | 搜索推荐方法、装置、电子设备及可读存储介质 | |
US11488223B1 (en) | Modification of user interface based on dynamically-ranked product attributes | |
CN110309274A (zh) | 引导语推荐方法、装置及电子设备 | |
CN106682968A (zh) | 导航菜单的生成方法、装置及服务器 | |
CN113744019A (zh) | 一种商品推荐方法、装置、设备及存储介质 | |
Bauer et al. | Where can I buy a boulder? Searching for offline retail locations |
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 |