CN110427548A - 信息推送方法、信息推送装置及计算机可读存储介质 - Google Patents
信息推送方法、信息推送装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110427548A CN110427548A CN201910163986.7A CN201910163986A CN110427548A CN 110427548 A CN110427548 A CN 110427548A CN 201910163986 A CN201910163986 A CN 201910163986A CN 110427548 A CN110427548 A CN 110427548A
- Authority
- CN
- China
- Prior art keywords
- gender
- user
- attributive character
- information
- target item
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种信息推送方法、信息推送装置及计算机可读存储介质,涉及通信技术领域。其中的信息推送方法包括:根据样本物品相关联的用户性别,为样本物品的各个属性特征标注用户性别;利用标注了用户性别的各个属性特征,采用正则化的方法对第一机器学习分类模型进行训练,提取与用户性别相关联的各个属性特征;利用标注了用户性别的与用户性别相关联的各个属性特征,对第二机器学习分类模型进行训练;利用训练后的第二机器学习分类模型,对目标物品的各个属性特征进行处理,确定目标物品相关联的用户性别;将目标物品的相关信息推送至客户端,客户端的用户具有目标物品相关联的用户性别。本公开能够提供更加精准的信息推送服务。
Description
技术领域
本公开涉及通信技术领域,特别涉及一种信息推送方法、信息推送装置及计算机可读存储介质。
背景技术
随着通信技术的发展,电商可以向用户推送与物品相关的信息,从而为用户推荐物品。
为了更加准确的为用户推送物品信息,提升用户体验,一项重要的工作是确定物品相关联的用户性别。物品相关联的用户性别可以表示该物品的用户群体的主要性别。例如,口红的用户群体大多数为女性,因此口红相关联的用户性别为女性。
相关技术中的一种推送信息的方法是,根据物品所属品类、物品的标题名称等特征信息构建多决策树,利用多决策树对目标物品的特征信息进行识别,从而确定物品相关联的用户性别,然后将目标物品的相关信息推送至具有目标物品相关联的用户性别的用户。
发明内容
发明人研究发现,利用多决策树确定物品相关联的用户性别时,所利用物品的特征信息过于繁杂。例如,物品的标题名称中大部分词语对于确定物品相关联的用户性别没有帮助,导致构建的多决策树无法准确的确定物品相关联的用户性别。
本公开解决的一个技术问题是,如何将信息更加精准的推送至用户,提供更加精准的信息推送服务。
根据本公开实施例的一个方面,提供了一种信息推送方法,包括:根据样本物品相关联的用户性别,为样本物品的各个属性特征标注用户性别;利用标注了用户性别的各个属性特征,采用正则化的方法对第一机器学习分类模型进行训练,提取与用户性别相关联的各个属性特征;利用标注了用户性别的与用户性别相关联的各个属性特征,对第二机器学习分类模型进行训练;利用训练后的第二机器学习分类模型,对目标物品的各个属性特征进行处理,确定目标物品相关联的用户性别;将目标物品的相关信息推送至客户端,客户端的用户具有目标物品相关联的用户性别。
在一些实施例中,利用标注了用户性别的各个属性特征,采用正则化的方法对第一机器学习分类模型进行训练,提取与用户性别相关联的各个属性特征包括:初始化各个属性特征的权值;将各个属性特征的权值的正则化项与第一机器学习分类模型的初始损失函数相加,得到包含正则化项的损失函数;确定使包含正则化项的损失函数取最小值时,各个属性特征的权值;将权值大于第一阈值的各个属性特征,作为与用户性别相关联的各个属性特征。
在一些实施例中,第一机器学习分类模型为第一逻辑回归分类模型;第一机器学习分类模型的初始损失函数为第一逻辑回归分类模型的交叉熵损失函数。
在一些实施例中,确定使包含正则化项的损失函数取最小值时,各个属性特征的权值包括:采用梯度下降法,确定使包含正则化项的损失函数取最小值时,各个属性特征的权值。
在一些实施例中,正则化的方法为L1正则化的方法,正则化项为L1正则化项。
在一些实施例中,第一阈值为0。
在一些实施例中,第二机器学习分类模型包括第二逻辑回归分类模型和第三逻辑回归分类模型;利用标注了用户性别的与用户性别相关联的各个属性特征,对第二机器学习分类模型进行训练包括:利用标注了男性或非男性的与用户性别相关联的各个属性特征,对第二逻辑回归分类模型进行训练,使得第二逻辑回归分类模型能够根据输入的目标物品的属性特征,输出目标物品相关联的用户性别为男性的概率;利用标注了女性或非女性的与用户性别相关联的各个属性特征,对第三逻辑回归分类模型进行训练,使得第三逻辑回归分类模型能够根据输入的目标物品的属性特征,输出目标物品相关联的用户性别为女性的概率。
在一些实施例中,利用训练后的第二机器学习分类模型,对目标物品的各个属性特征进行处理,确定目标物品相关联的用户性别包括:将目标物品的属性特征分别输入训练后的第二逻辑回归分类模型以及第三逻辑回归分类模型;训练后的第二逻辑回归分类模型根据目标物品的属性特征,输出第一概率,训练后的第三逻辑回归分类模型根据目标物品的属性特征,输出第二概率;在第一概率与第二概率之差大于第二阈值的情况下,确定目标物品相关联的用户性别为男性;在第二概率与第一概率之差大于第三阈值的情况下,确定目标物品相关联的用户性别为女性;在其它情况下,确定目标物品相关联的用户性别为中性。
在一些实施例中,还包括:根据样本物品的属性,获取样本物品的各个属性特征。
在一些实施例中,根据样本物品的属性,获取样本物品的各个属性特征包括:对样本物品的标题名称进行切词,得到样本物品的各个分词;对样本物品的各个分词进行编码,得到样本物品的各个分词特征。
在一些实施例中,根据样本物品的属性,获取样本物品的各个属性特征还包括:对样本物品的类别信息、品牌信息以及规格信息进行编码,得到样本物品的各个信息特征;将样本物品的各个分词特征以及各个信息特征进行组合,得到样本物品的各个属性特征。
在一些实施例中,根据样本物品相关联的用户性别,为样本物品的各个属性特征标注用户性别包括:获取各个用户的性别;将各个用户购买的物品作为第一样本物品;根据各个用户的性别,为第一样本物品的各个属性特征标注用户性别。
在一些实施例中,还包括:将预设时段内购买人数高于第四阈值的物品作为第二样本物品;根据购买第二样本物品的用户的性别比例,为第二样本物品的各个属性特征标注用户性别;标注了用户性别的与用户性别相关联的各个属性特征,为标注了用户性别的与用户性别相关联的第二样本物品的各个属性特征。
在一些实施例中,根据购买第二样本物品的用户的性别比例,为第二样本物品的各个属性特征标注用户性别包括:若第二样本物品的女性购买比例大于第五阈值,则为第二样本物品的各个属性特征标注女性;若第二样本物品的女性购买比例在第六阈值与第七阈值之间,则为第二样本物品的各个属性特征标注中性;若第二样本物品的女性购买比例小于第八阈值,则为第二样本物品的各个属性特征标注男性;其中,第五阈值大于第六阈值且不大于1,第六阈值大于第七阈值,第八阈值小于第七阈值且不小于0。
在一些实施例中,还包括:若目标物品的标题名称包含第一预设词语且不包含第二预设词语,则直接确定目标物品相关联的用户性别为男性,忽略第二机器学习分类模型的处理结果;若目标物品的标题名称包含第三预设词语且不包含第四预设词语,则直接确定目标物品相关联的用户性别为女性,忽略第二机器学习分类模型的处理结果。
根据本公开实施例的另一个方面,提供了一种信息推送装置,包括:用户性别标注模块,被配置为根据样本物品相关联的用户性别,为样本物品的各个属性特征标注用户性别;属性特征提取模块,被配置为利用标注了用户性别的各个属性特征,采用正则化的方法对第一机器学习分类模型进行训练,提取与用户性别相关联的各个属性特征;分类模型训练模块,被配置为利用标注了用户性别的与用户性别相关联的各个属性特征,对第二机器学习分类模型进行训练;用户性别确定模块,被配置为利用训练后的第二机器学习分类模型,对目标物品的各个属性特征进行处理,确定目标物品相关联的用户性别;信息推送模块,被配置为将目标物品的相关信息推送至客户端,客户端的用户具有目标物品相关联的用户性别。
在一些实施例中,属性特征提取模块被配置为:初始化各个属性特征的权值;将各个属性特征的权值的正则化项与第一机器学习分类模型的初始损失函数相加,得到包含正则化项的损失函数;确定使包含正则化项的损失函数取最小值时,各个属性特征的权值;将权值大于第一阈值的各个属性特征,作为与用户性别相关联的各个属性特征。
在一些实施例中,第一机器学习分类模型为第一逻辑回归分类模型;第一机器学习分类模型的初始损失函数为第一逻辑回归分类模型的交叉熵损失函数。
在一些实施例中,属性特征提取模块被配置为:采用梯度下降法,确定使包含正则化项的损失函数取最小值时,各个属性特征的权值。
在一些实施例中,正则化的方法为L1正则化的方法,正则化项为L1正则化项。
在一些实施例中,第一阈值为0。
在一些实施例中,第二机器学习分类模型包括第二逻辑回归分类模型和第三逻辑回归分类模型;分类模型训练模块被配置为:利用标注了男性或非男性的与用户性别相关联的各个属性特征,对第二逻辑回归分类模型进行训练,使得第二逻辑回归分类模型能够根据输入的目标物品的属性特征,输出目标物品相关联的用户性别为男性的概率;利用标注了女性或非女性的与用户性别相关联的各个属性特征,对第三逻辑回归分类模型进行训练,使得第三逻辑回归分类模型能够根据输入的目标物品的属性特征,输出目标物品相关联的用户性别为女性的概率。
在一些实施例中,用户性别确定模块被配置为:将目标物品的属性特征分别输入训练后的第二逻辑回归分类模型以及第三逻辑回归分类模型;训练后的第二逻辑回归分类模型根据目标物品的属性特征,输出第一概率,训练后的第三逻辑回归分类模型根据目标物品的属性特征,输出第二概率;在第一概率与第二概率之差大于第二阈值的情况下,确定目标物品相关联的用户性别为男性;在第二概率与第一概率之差大于第三阈值的情况下,确定目标物品相关联的用户性别为女性;在其它情况下,确定目标物品相关联的用户性别为中性。
在一些实施例中,还包括属性特征获取模块,被配置为:根据样本物品的属性,获取样本物品的各个属性特征。
在一些实施例中,属性特征获取模块被配置为:对样本物品的标题名称进行切词,得到样本物品的各个分词;对样本物品的各个分词进行编码,得到样本物品的各个分词特征。
在一些实施例中,属性特征获取模块还被配置为:对样本物品的类别信息、品牌信息以及规格信息进行编码,得到样本物品的各个信息特征;将样本物品的各个分词特征以及各个信息特征进行组合,得到样本物品的各个属性特征。
在一些实施例中,用户性别标注模块被配置为:获取各个用户的性别;将各个用户购买的物品作为第一样本物品;根据各个用户的性别,为第一样本物品的各个属性特征标注用户性别。
在一些实施例中,还包括第二用户性别标注模块,被配置为:将预设时段内购买人数高于第四阈值的物品作为第二样本物品;根据购买第二样本物品的用户的性别比例,为第二样本物品的各个属性特征标注用户性别;标注了用户性别的与用户性别相关联的各个属性特征,为标注了用户性别的与用户性别相关联的第二样本物品的各个属性特征。
在一些实施例中,第二用户性别标注模块被配置为:若第二样本物品的女性购买比例大于第五阈值,则为第二样本物品的各个属性特征标注女性;若第二样本物品的女性购买比例在第六阈值与第七阈值之间,则为第二样本物品的各个属性特征标注中性;若第二样本物品的女性购买比例小于第八阈值,则为第二样本物品的各个属性特征标注男性;其中,第五阈值大于第六阈值且不大于1,第六阈值大于第七阈值,第八阈值小于第七阈值且不小于0。
在一些实施例中,还包括结果处理模块,被配置为:若目标物品的标题名称包含第一预设词语且不包含第二预设词语,则直接确定目标物品相关联的用户性别为男性,忽略第二机器学习分类模型的处理结果;若目标物品的标题名称包含第三预设词语且不包含第四预设词语,则直接确定目标物品相关联的用户性别为女性,忽略第二机器学习分类模型的处理结果。根据本公开实施例的又一个方面,提供了又一种信息推送装置,包括:存储器;以及耦接至存储器的处理器,处理器被配置为基于存储在存储器中的指令,执行前述的信息推送方法。
根据本公开实施例的再一个方面,提供了一种计算机可读存储介质,其中,计算机可读存储介质存储有计算机指令,指令被处理器执行时实现前述的信息推送方法。
本公开能够更加准确的确定目标物品相关联的用户性别,从而将信息更加精准的推送至用户,提供更加精准的信息推送服务。
通过以下参照附图对本公开的示例性实施例的详细描述,本公开的其它特征及其优点将会变得清楚。
附图说明
为了更清楚地说明本公开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公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1示出了本公开一些实施例的信息推送方法的流程示意图。
图2示出了第二机器学习分类模型的训练过程和使用过程的流程示意图。
图3示出了本公开另一些实施例的信息推送方法的流程示意图。
图4示出了本公开又一些实施例的信息推送方法的流程示意图。
图5示出了将目标物品的相关信息推送至客户端的过程的流程示意图。
图6示出了本公开一些实施例的信息推送装置的结构示意图。
图7示出了本公开另一些实施例的信息推送装置的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本公开保护的范围。
首先结合图1描述本***息推送方法的一些实施例。
图1示出了本公开一些实施例的信息推送方法的流程示意图。如图1所示,本实施例包括步骤S102~步骤S110。
在步骤S102中,根据样本物品的属性,获取样本物品的各个属性特征。
例如,可以对样本物品的标题名称进行切词,得到样本物品的各个分词。然后,对样本物品的各个分词进行编码,得到样本物品的各个分词特征,并将样本物品的各个分词特征作为各个属性特征。
考虑到物品的标题名称中,能够区分用户性别的分词相对有限,可以对样本物品的类别信息、品牌信息以及规格信息进行编码,得到样本物品的各个信息特征。然后,将样本物品的各个分词特征以及各个信息特征进行组合,得到样本物品的各个属性特征。
例如,样本物品的颜色特征(粉色)以及某些女装品牌的用户性别偏向于女性。因此,这些样本物品的信息特征能够潜在的反映物品相关联的用户性别。提取样本物品的信息特征,可以衡量物品多个维度的信息,有助于更加准确的确定目标物品相关联的用户性别。
在步骤S104中,根据样本物品相关联的用户性别,为样本物品的各个属性特征标注用户性别。
样本物品相关联的用户性别的真实数据不易获取。由于注册金融服务的用户必须提供包含性别在内的真实用户信息,因此可以对金融用户的购买记录进行合理利用。在已知用户性别的前提下,通过大量的用户行为数据,可以为样本物品的各个属性特征标注用户性别。首先,获取各个用户的性别。然后,将各个用户购买的物品作为第一样本物品;再根据各个用户的性别,为第一样本物品的各个属性特征标注用户性别。
在步骤S106中,利用标注了用户性别的各个属性特征,采用正则化的方法对第一机器学习分类模型进行训练,提取与用户性别相关联的各个属性特征。
样本物品的各个属性特征的数量巨大,通常有几十万乃至上百万的规模。而获取物品相关联的用户性别的真实数据非常困难,通常标注数据的数量只能达到数十万,相较于规模庞大的属性特征,真正与用户性别相关联的属性特征的规模显得较为稀少,导致机器学习模型的训练效果不佳。究其原因,物品的大多数属性特征与物品相关联的用户性别无关,这些属性特征的存在增加了属性特征的维度,也影响了机器学习模型的训练效果。因此,可以对属性特征进行筛选,保留与性别相关的属性特征,过滤掉与性别不相关的属性特征,从而答复降低属性特征的维度和数量,减少与性别无关的属性特征造成的扰动,提高机器学习模型确定物品相关联的用户性别的准确率。
下面具体介绍采用L1正则化的方法对第一机器学习分类模型进行训练的过程。其中,第一机器学习分类模型可以为第一逻辑回归(Logistic Regression)分类模型。L1正则化方法原本是用于防止模型过拟合的方法,能够产生稀疏的权值集合。在这里采用L1正则化方法用于对属性特征进行选择。
(1)初始化各个属性特征的权值。
例如,θ表示各个属性特征的权值的集合,i表示各个属性特征的标识,θi表示第i个属性特征的权值。初始化各个属性特征的权值时,可以采用随机数的方式进行初始化操作。
(2)将各个属性特征的权值的L1正则化项与第一机器学习分类模型的初始损失函数相加,得到包含L1正则化项的损失函数,计算公式如下:
其中,L(θ)表示包含L1正则化项的损失函数,是能够衡量逻辑回归的预测结果与真实结果之间的损失或错误程度的函数;L0(θ)表示第一机器学习分类模型的初始损失函数,具体可以为第一逻辑回归分类模型的交叉熵损失函数;为L1正则化项,也称为正则化项,λ为根据经验预设的位于0~1之间的常数;n表示属性特征的总数。
(3)确定使包含L1正则化项的损失函数取最小值时,各个属性特征的权值。
逻辑回归分类模型能够为各个属性特征样本确定一个得分,该得分反映了该属性特征为与用户性别相关联的属性特征的概率,其形式如下:
其中,在属性特征实际上与用户性别相关联时y取值为1,在属性特征实际上不与用户性别相关联时y取值为0;x表示属性特征,θ表示属性特征的权值;g(θTx)为sigmoid函数,用于将函数值压缩至[0,1]区间。
该逻辑回归分类模型的决策函数如下:
y*=1,if P(y=1|x)>0.5
其中,逻辑回归模型判断该属性特征与用户性别相关联时y*取值为1,逻辑回归模型判断该属性特征不与用户性别相关联时y*取值为0。然后,利用最大似然估计求解逻辑回归分类模型中的参数θ,使得在这组参数θ下判断属性特征与用户性别是否相关联的正确率最高。逻辑回归分类模型中的似然函数可表示为如下公式:
ML(θ)=∑ylogg(θTx)+(1-y)log(1-g(θTx))
当逻辑回归分类模型的预测值与真实值一致时ML(θ)取值为0,当逻辑回归分类模型的预测值与真实值相反时ML(θ)取值为负无穷。最大似然估计的目的是使ML(θ)趋近于0,也就是逻辑回归分类模型的预测值与真实值不断靠近。
由此可以得出,逻辑回归的初始损失函数如下:
L0(θ)=-y log[P(y=1|x)-(1-y)log{1-[P(y=1|x)]}
该初始损失函数为交叉熵损失函数。接下来,通过梯度下降法求解使包含L1正则化项的损失函数最小的参数值。利用包含L1正则化项的损失函数,对各个属性特征的权值求偏导,得到包含L1正则化项的损失函数的梯度,计算公式如下:
其中,yi表示第i个属性特征对应的真实用户性别。然后,采用梯度下降法,确定使包含L1正则化项的损失函数取最小值时,各个属性特征的权值。当L(θ)的值无法再减小时,逻辑回归分类模型的训练过程结束。
(4)将权值大于第一阈值的各个属性特征,作为与用户性别相关联的各个属性特征。
其中,第一阈值可以设置为0。L1正则化的方法能够产生稀疏的权值集合,稀疏的权值集合是指只有少数权值不为零的权值集合,也就是说,L1正则化的方法会导致逻辑回归分类模型中大部分属性特征的权值为0,只有少部分属性特征对这个逻辑回归分类模型有贡献,大部分属性特征对逻辑回归分类模型没有贡献或者贡献很小,从而筛选出与用户性别相关联的属性特征。基于L1正则化的方法,过滤掉权值为0的属性特征,保留与用户性别高度相关的属性特征,能够降低了属性特征的维度,提高了逻辑回归分类模型在确定目标物品相关联的用户性别的准确性。
在步骤S108中,利用标注了用户性别的与用户性别相关联的各个属性特征,对第二机器学习分类模型进行训练。
第二机器学习分类模型采用逻辑回归模型,可以在确定物品相关联的用户性别时获得较高的准确率。本领域技术人员应理解,第二机器学习分类模型还可以选择其它分类模型,如SVM(Support Vector Machine,支持向量机)、RF(Random Forest,随机森林),GBDT(Gradient Boosting Decision Tree,梯度提升决策树)。
在步骤S110中,利用训练后的第二机器学习分类模型,对目标物品的各个属性特征进行处理,确定目标物品相关联的用户性别。
在步骤S112中,将目标物品的相关信息推送至客户端,客户端的用户具有目标物品相关联的用户性别。
本实施例能够获取覆盖范围较广的训练数据集,并利用L1正则化的方法从中提取与用户性别相关联的各个属性特征。利用与用户性别相关联的各个属性特征对机器学习模型进行训练后,能够更加准确的确定目标物品相关联的用户性别,从而将目标物品的相关信息更加精准的推送至相应的用户,改善信息推送的控制粒度,提供更加精细化的信息推送服务。
同时,根据用户历史购买行为生成训练数据集,可以降低人工标注的成本,提高训练数据集的覆盖品类。
经测试,本实施例提供的确定物品相关联的用户性别的方法,不仅可以确定诸如男鞋、口红等有明显性别偏向的物品相关联的用户特征,还能够较为准确的确定汽车部件、家用电器等物品相关联的用户特征。因此本实施例对于无法依据品类、标题等信息确定物品相关联的用户性别的物品,能够相对准确的确定目标物品相关联的用户性别。
物品相关联的用户性别可以分为三类:男性、女性和中性,因此可以再训练两个机器学习模型,将原本的三分类问题转化为两个二分类问题,即训练一个男性机器学习模型来判断目标物品相关联的用户性别是否为男性,再训练一个女性机器学习模型来判断目标物品相关联的用户性别是否为女性。这种转化方法可以更加灵活的通过调控决策函数的阈值来收紧或放宽对于目标物品相关联的用户性别的判断,以便适用于多种不同的场景。
下面结合图2描述第二机器学习分类模型的训练过程和使用过程。
图2示出了第二机器学习分类模型的训练过程和使用过程的流程示意图。如图2所示,在图1对应实施例的步骤S108中,由于与用户性别相关联的属性特征规模较小,可以继续采用逻辑回归分类模型进行训练。具体的,第二机器学习分类模型可以包括第二逻辑回归分类模型和第三逻辑回归分类模型。步骤S108具体包括步骤S2082~步骤S2084。
在步骤S2082中,利用标注了男性或非男性的与用户性别相关联的各个属性特征,对第二逻辑回归分类模型进行训练,使得第二逻辑回归分类模型能够根据输入的目标物品的属性特征,输出目标物品相关联的用户性别为男性的概率。
在步骤S2084中,利用标注了女性或非女性的与用户性别相关联的各个属性特征,对第三逻辑回归分类模型进行训练,使得第三逻辑回归分类模型能够根据输入的目标物品的属性特征,输出目标物品相关联的用户性别为女性的概率。
相应的,图1对应实施例的步骤S110具体包括步骤S2102~步骤S2108。
在步骤S2102中,将目标物品的属性特征分别输入训练后的第二逻辑回归分类模型以及第三逻辑回归分类模型。
在步骤S2104中,训练后的第二逻辑回归分类模型根据目标物品的属性特征,输出第一概率。
其中,第一概率表示目标物品相关联的用户性别为男性的概率,用mScore表示。
在步骤S2106中,训练后的第三逻辑回归分类模型根据目标物品的属性特征,输出第二概率。
其中,第一概率表示目标物品相关联的用户性别为女性的概率,用fScore表示。
在步骤S2108中,根据第一概率以及第二概率之间的数值关系,确定目标物品相关联的用户性别。
在第一概率与第二概率之差大于第二阈值的情况下,确定目标物品相关联的用户性别为男性。例如,当mScore–fScore>0.9时,确定目标物品相关联的用户性别为男性。在第二概率与第一概率之差大于第三阈值的情况下,确定目标物品相关联的用户性别为女性。例如,当fScore–mScore>0.9时,确定目标物品相关联的用户性别为女性。在其它情况下,确定目标物品相关联的用户性别为中性。根据实验结果统计,本实施例中与男性相关联的目标物品的召回率为89%,准确率88%;与女性相关联的目标物品的召回率为86%,准确率为93%。
下面结合图3描述本***息推送方法的另一些实施例。
图3示出了本公开另一些实施例的信息推送方法的流程示意图。如图3所示,在图1对应实施例的步骤S106~步骤S108之间,本实施例还包括步骤S3072~步骤S3074。
在步骤S3072中,将预设时段内购买人数高于第四阈值的物品作为第二样本物品。
通过人工标注物品相关联的用户性别不仅耗费大量的人工成本,而且除了服装等少数品类的物品可以明确标注物品相关联的用户性别外,诸如家用电器等日用品很难准确的标注出物品相关联的用户性别,因此人工标注的准确率低且物品覆盖率小。有鉴于此,可以利用一年有效订单的数据,保留一年内购买人数大于20的物品,并计算购买人数中男女占比。为了保证样本的准确性,可以将女性购买比例大于70%的物品标注为女性,女性购买比例小于30%的物品标注为男性,如果女性购买比例在45%到55%则标记为中性。
在步骤S3074中,根据购买第二样本物品的用户的性别比例,为第二样本物品的各个属性特征标注用户性别。
若第二样本物品的女性购买比例大于第五阈值,则为第二样本物品的各个属性特征标注女性;若第二样本物品的女性购买比例在第六阈值与第七阈值之间,则为第二样本物品的各个属性特征标注中性;若第二样本物品的女性购买比例小于第八阈值,则为第二样本物品的各个属性特征标注男性;其中,第五阈值大于第六阈值且不大于1,第六阈值大于第七阈值,第八阈值小于第七阈值且不小于0。
标注了用户性别的与用户性别相关联的第二样本物品的各个属性特征,用于接下来对第二机器学习分类模型进行训练。
下面结合图4描述本***息推送方法的又一些实施例。
图4示出了本公开又一些实施例的信息推送方法的流程示意图。如图4所示,在图1对应实施例的步骤S110~步骤S112之间,本实施例还包括步骤S4112~步骤S4116。
在步骤S4112中,对目标物品的标题名称进行解析。
若目标物品的标题名称包含第一预设词语且不包含第二预设词语,则执行步骤S4114。在步骤S4114中,直接确定目标物品相关联的用户性别为男性,忽略第二机器学习分类模型的处理结果。
其中、第一预设词语为“男”、第二预设词语包括“女”、“斩男色”、“直男斩”、“斩直男”、“前男友”、“男友风”、“无脸男”、“跑男”等词语。
若目标物品的标题名称包含第三预设词语且不包含第四预设词语,则执行步骤S4116。在步骤S4116中,直接确定目标物品相关联的用户性别为女性,忽略第二机器学习分类模型的处理结果。
其中、第二预设词语包括“男”、“女儿红”、“水伶女”、“处女座”、“女贞子”、“女真族”、“圣女果”、“白毛女”、“女儿茶”、“五女山”、“仙女庙”等词语。
在其它情况下,仍采用第二机器学习分类模型的处理结果。
本实施例在利用机器学习分类模型的基础上,结合物品的标题名称,确定物品相关联的用户性别,进一步提高了确定物品相关联的用户性别的准确性,从而将与女性相关联的目标物品推荐给女性,将与男性相关联的目标物品推荐给男性,能够为不同性别的用户推荐相应的物品,提高物品推荐的准确性和颗粒度,提升用户体验。
下面结合图5描述将目标物品的相关信息推送至客户端的过程。
图5示出了将目标物品的相关信息推送至客户端的过程的流程示意图。本实施例采用C/S架构,服务器将目标物品的相关信息推送至客户端的过程具体包括步骤S5121~步骤S5126。
在步骤S5121中,服务器端启动监听程序,对指定的端口进行监听,等待接收客户端的连接请求。
在步骤S5122中,客户端程序启动,请求连接服务器的指定端口。
在步骤S5123中,服务器收到客户端的连接请求后与客户端建立套接字(Socket)连接。
在步骤S5124中,Socket连接成功后,客户端与服务器分别打开两个流,其中客户端的输入流连接到服务器端的输出流,服务器的输入流连接到客户端的输出流。
在步骤S5125中,基于服务器的输入流连接到客户端的输出流,服务器将目标物品的相关信息推送至客户端。其中,该客户端的用户具有目标物品相关联的用户性别。
在步骤S5126中,信息推送完毕后客户端与服务器端两侧各自断开连接。
下面结合图6描述本***息推送装置的一些实施例。
图6示出了本公开一些实施例的信息推送装置的结构示意图。如图6所示,该实施例的信息推送装置60包括:
用户性别标注模块602,被配置为根据样本物品相关联的用户性别,为样本物品的各个属性特征标注用户性别;属性特征提取模块604,被配置为利用标注了用户性别的各个属性特征,采用正则化的方法对第一机器学习分类模型进行训练,提取与用户性别相关联的各个属性特征;分类模型训练模块606,被配置为利用标注了用户性别的与用户性别相关联的各个属性特征,对第二机器学习分类模型进行训练;用户性别确定模块608,被配置为利用训练后的第二机器学习分类模型,对目标物品的各个属性特征进行处理,确定目标物品相关联的用户性别;信息推送模块610,被配置为:将目标物品的相关信息推送至具有目标物品相关联的用户性别的用户。
本实施例能够获取覆盖范围较广的训练数据集,并利用L1正则化的方法从中提取与用户性别相关联的各个属性特征。利用与用户性别相关联的各个属性特征对机器学习模型进行训练后,能够更加准确的确定目标物品相关联的用户性别,从而将目标物品的相关信息更加精准的推送至相应的用户,改善信息推送的控制粒度,提供更加精细化的信息推送服务。
同时,根据用户历史购买行为生成训练数据集,可以降低人工标注的成本,提高训练数据集的覆盖品类。
在一些实施例中,属性特征提取模块604被配置为:初始化各个属性特征的权值;将各个属性特征的权值的正则化项与第一机器学习分类模型的初始损失函数相加,得到包含正则化项的损失函数;确定使包含正则化项的损失函数取最小值时,各个属性特征的权值;将权值大于第一阈值的各个属性特征,作为与用户性别相关联的各个属性特征。
在一些实施例中,第一机器学习分类模型为第一逻辑回归分类模型;第一机器学习分类模型的初始损失函数为第一逻辑回归分类模型的交叉熵损失函数。
在一些实施例中,属性特征提取模块604被配置为:采用梯度下降法,确定使包含正则化项的损失函数取最小值时,各个属性特征的权值。
在一些实施例中,正则化的方法为L1正则化的方法,正则化项为L1正则化项。
在一些实施例中,第一阈值为0。
在一些实施例中,第二机器学习分类模型包括第二逻辑回归分类模型和第三逻辑回归分类模型;分类模型训练模块606被配置为:利用标注了男性或非男性的与用户性别相关联的各个属性特征,对第二逻辑回归分类模型进行训练,使得第二逻辑回归分类模型能够根据输入的目标物品的属性特征,输出目标物品相关联的用户性别为男性的概率;利用标注了女性或非女性的与用户性别相关联的各个属性特征,对第三逻辑回归分类模型进行训练,使得第三逻辑回归分类模型能够根据输入的目标物品的属性特征,输出目标物品相关联的用户性别为女性的概率。
在一些实施例中,用户性别确定模块608被配置为:将目标物品的属性特征分别输入训练后的第二逻辑回归分类模型以及第三逻辑回归分类模型;训练后的第二逻辑回归分类模型根据目标物品的属性特征,输出第一概率,训练后的第三逻辑回归分类模型根据目标物品的属性特征,输出第二概率;在第一概率与第二概率之差大于第二阈值的情况下,确定目标物品相关联的用户性别为男性;在第二概率与第一概率之差大于第三阈值的情况下,确定目标物品相关联的用户性别为女性;在其它情况下,确定目标物品相关联的用户性别为中性。
在一些实施例中,还包括属性特征获取模块600,被配置为:根据样本物品的属性,获取样本物品的各个属性特征。
在一些实施例中,属性特征获取模块600被配置为:对样本物品的标题名称进行切词,得到样本物品的各个分词;对样本物品的各个分词进行编码,得到样本物品的各个分词特征。
在一些实施例中,属性特征获取模块600还被配置为:对样本物品的类别信息、品牌信息以及规格信息进行编码,得到样本物品的各个信息特征;将样本物品的各个分词特征以及各个信息特征进行组合,得到样本物品的各个属性特征。
在一些实施例中,用户性别标注模块602被配置为:获取各个用户的性别;将各个用户购买的物品作为第一样本物品;根据各个用户的性别,为第一样本物品的各个属性特征标注用户性别。
在一些实施例中,还包括第二用户性别标注模块607,被配置为:将预设时段内购买人数高于第四阈值的物品作为第二样本物品;根据购买第二样本物品的用户的性别比例,为第二样本物品的各个属性特征标注用户性别;标注了用户性别的与用户性别相关联的各个属性特征,为标注了用户性别的与用户性别相关联的第二样本物品的各个属性特征。
在一些实施例中,第二用户性别标注模块607被配置为:若第二样本物品的女性购买比例大于第五阈值,则为第二样本物品的各个属性特征标注女性;若第二样本物品的女性购买比例在第六阈值与第七阈值之间,则为第二样本物品的各个属性特征标注中性;若第二样本物品的女性购买比例小于第八阈值,则为第二样本物品的各个属性特征标注男性;其中,第五阈值大于第六阈值且不大于1,第六阈值大于第七阈值,第八阈值小于第七阈值且不小于0。
在一些实施例中,还包括结果处理模块609,被配置为:若目标物品的标题名称包含第一预设词语且不包含第二预设词语,则直接确定目标物品相关联的用户性别为男性,忽略第二机器学习分类模型的处理结果;若目标物品的标题名称包含第三预设词语且不包含第四预设词语,则直接确定目标物品相关联的用户性别为女性,忽略第二机器学习分类模型的处理结果。
本实施例在利用机器学习分类模型的基础上,结合物品的标题名称,确定物品相关联的用户性别,进一步提高了确定物品相关联的用户性别的准确性。在准确判断目标物品相关联的用户性别的情况下,将与女性相关联的目标物品推荐给女性,将与男性相关联的目标物品推荐给男性,能够为不同性别的用户推荐相应的物品,提高物品推荐的准确性和颗粒度,提升用户体验。
下面结合图7描述本***息推送装置的另一些实施例。
图7示出了本公开另一些实施例的信息推送装置的结构示意图。如图7所示,该实施例的信息推送装置70包括:存储器710以及耦接至该存储器710的处理器720,处理器720被配置为基于存储在存储器710中的指令,执行前述任意一些实施例中的信息推送方法。
其中,存储器710例如可以包括***存储器、固定非易失性存储介质等。***存储器例如存储有操作***、应用程序、引导装载程序(Boot Loader)以及其他程序等。
信息推送装置70还可以包括输入输出接口730、网络接口740、存储接口750等。这些接口730、740、750以及存储器710和处理器720之间例如可以通过总线760连接。其中,输入输出接口730为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口740为各种联网设备提供连接接口。存储接口750为SD卡、U盘等外置存储设备提供连接接口。
本公开还包括一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现前述任意一些实施例中的信息推送方法。
本领域内的技术人员应明白,本公开的实施例可提供为方法、***、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的较佳实施例,并不用以限制本公开,凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (18)
1.一种信息推送方法,包括:
根据样本物品相关联的用户性别,为样本物品的各个属性特征标注用户性别;
利用标注了用户性别的所述各个属性特征,采用正则化的方法对第一机器学习分类模型进行训练,提取与用户性别相关联的所述各个属性特征;
利用标注了用户性别的与用户性别相关联的所述各个属性特征,对第二机器学习分类模型进行训练;
利用训练后的第二机器学习分类模型,对目标物品的各个属性特征进行处理,确定目标物品相关联的用户性别;
将目标物品的相关信息推送至客户端,所述客户端的用户具有目标物品相关联的用户性别。
2.如权利要求1所述的信息推送方法,其中,所述利用标注了用户性别的所述各个属性特征,采用正则化的方法对第一机器学习分类模型进行训练,提取与用户性别相关联的所述各个属性特征包括:
初始化所述各个属性特征的权值;
将所述各个属性特征的权值的正则化项与第一机器学习分类模型的初始损失函数相加,得到包含正则化项的损失函数;
确定使所述包含正则化项的损失函数取最小值时,所述各个属性特征的权值;
将权值大于第一阈值的所述各个属性特征,作为与用户性别相关联的所述各个属性特征。
3.如权利要求2所述的信息推送方法,其中,所述第一机器学习分类模型为第一逻辑回归分类模型;所述第一机器学习分类模型的初始损失函数为第一逻辑回归分类模型的交叉熵损失函数。
4.如权利要求3所述的信息推送方法,其中,所述确定使所述包含正则化项的损失函数取最小值时,所述各个属性特征的权值包括:
采用梯度下降法,确定使所述包含正则化项的损失函数取最小值时,所述各个属性特征的权值。
5.如权利要求2至4中任一项所述的信息推送方法,其中,所述正则化的方法为L1正则化的方法,所述正则化项为L1正则化项。
6.如权利要求2至4中任一项所述的信息推送方法,其中,所述第一阈值为0。
7.如权利要求1所述的信息推送方法,其中,所述第二机器学习分类模型包括第二逻辑回归分类模型和第三逻辑回归分类模型;
所述利用标注了用户性别的与用户性别相关联的所述各个属性特征,对第二机器学习分类模型进行训练包括:
利用标注了男性或非男性的与用户性别相关联的所述各个属性特征,对第二逻辑回归分类模型进行训练,使得第二逻辑回归分类模型能够根据输入的目标物品的属性特征,输出目标物品相关联的用户性别为男性的概率;
利用标注了女性或非女性的与用户性别相关联的所述各个属性特征,对第三逻辑回归分类模型进行训练,使得第三逻辑回归分类模型能够根据输入的目标物品的属性特征,输出目标物品相关联的用户性别为女性的概率。
8.如权利要求7所述的信息推送方法,其中,所述利用训练后的第二机器学习分类模型,对目标物品的各个属性特征进行处理,确定目标物品相关联的用户性别包括:
将目标物品的属性特征分别输入训练后的第二逻辑回归分类模型以及第三逻辑回归分类模型;
训练后的第二逻辑回归分类模型根据目标物品的属性特征,输出第一概率,训练后的第三逻辑回归分类模型根据目标物品的属性特征,输出第二概率;
在第一概率与第二概率之差大于第二阈值的情况下,确定目标物品相关联的用户性别为男性;在第二概率与第一概率之差大于第三阈值的情况下,确定目标物品相关联的用户性别为女性;在其它情况下,确定目标物品相关联的用户性别为中性。
9.如权利要求1所述的信息推送方法,还包括:根据样本物品的属性,获取样本物品的各个属性特征。
10.如权利要求9所述的信息推送方法,其中,所述根据样本物品的属性,获取样本物品的各个属性特征包括:
对样本物品的标题名称进行切词,得到样本物品的各个分词;
对样本物品的各个分词进行编码,得到样本物品的各个分词特征。
11.如权利要求10所述的信息推送方法,其中,所述根据样本物品的属性,获取样本物品的各个属性特征还包括:
对样本物品的类别信息、品牌信息以及规格信息进行编码,得到样本物品的各个信息特征;
将样本物品的各个分词特征以及各个信息特征进行组合,得到样本物品的各个属性特征。
12.如权利要求1所述的信息推送方法,其中,所述根据样本物品相关联的用户性别,为样本物品的各个属性特征标注用户性别包括:
获取各个用户的性别;
将各个用户购买的物品作为第一样本物品;
根据各个用户的性别,为第一样本物品的各个属性特征标注用户性别。
13.如权利要求12所述的信息推送方法,还包括:
将预设时段内购买人数高于第四阈值的物品作为第二样本物品;
根据购买第二样本物品的用户的性别比例,为第二样本物品的各个属性特征标注用户性别;
所述标注了用户性别的与用户性别相关联的所述各个属性特征,为标注了用户性别的与用户性别相关联的第二样本物品的各个属性特征。
14.如权利要求13所述的信息推送方法,其中,所述根据购买第二样本物品的用户的性别比例,为第二样本物品的各个属性特征标注用户性别包括:
若第二样本物品的女性购买比例大于第五阈值,则为第二样本物品的各个属性特征标注女性;若第二样本物品的女性购买比例在第六阈值与第七阈值之间,则为第二样本物品的各个属性特征标注中性;若第二样本物品的女性购买比例小于第八阈值,则为第二样本物品的各个属性特征标注男性;其中,第五阈值大于第六阈值且不大于1,第六阈值大于第七阈值,第八阈值小于第七阈值且不小于0。
15.如权利要求1所述的信息推送方法,还包括:
若目标物品的标题名称包含第一预设词语且不包含第二预设词语,则直接确定目标物品相关联的用户性别为男性,忽略第二机器学习分类模型的处理结果;
若目标物品的标题名称包含第三预设词语且不包含第四预设词语,则直接确定目标物品相关联的用户性别为女性,忽略第二机器学习分类模型的处理结果。
16.一种信息推送装置,包括:
用户性别标注模块,被配置为根据样本物品相关联的用户性别,为样本物品的各个属性特征标注用户性别;
属性特征提取模块,被配置为利用标注了用户性别的所述各个属性特征,采用正则化的方法对第一机器学习分类模型进行训练,提取与用户性别相关联的所述各个属性特征;
分类模型训练模块,被配置为利用标注了用户性别的与用户性别相关联的所述各个属性特征,对第二机器学习分类模型进行训练;
用户性别确定模块,被配置为利用训练后的第二机器学习分类模型,对目标物品的各个属性特征进行处理,确定目标物品相关联的用户性别;
信息推送模块,被配置为将目标物品的相关信息推送至具有目标物品相关联的用户性别的用户。
17.一种信息推送装置,包括:
存储器;以及
耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器中的指令,执行如权利要求1至15中任一项所述的信息推送方法。
18.一种计算机可读存储介质,其中,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行时实现如权利要求1至15中任一项所述的信息推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910163986.7A CN110427548B (zh) | 2019-03-05 | 2019-03-05 | 信息推送方法、信息推送装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910163986.7A CN110427548B (zh) | 2019-03-05 | 2019-03-05 | 信息推送方法、信息推送装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110427548A true CN110427548A (zh) | 2019-11-08 |
CN110427548B CN110427548B (zh) | 2021-06-29 |
Family
ID=68408361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910163986.7A Active CN110427548B (zh) | 2019-03-05 | 2019-03-05 | 信息推送方法、信息推送装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110427548B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929209A (zh) * | 2019-12-06 | 2020-03-27 | 北京百度网讯科技有限公司 | 用于发送信息的方法及装置 |
CN111126601A (zh) * | 2019-12-24 | 2020-05-08 | 上海商汤智能科技有限公司 | 信息处理方法及装置、电子设备和存储介质 |
CN111339406A (zh) * | 2020-02-17 | 2020-06-26 | 北京百度网讯科技有限公司 | 个性化推荐方法、装置、设备及存储介质 |
CN111625730A (zh) * | 2020-07-27 | 2020-09-04 | 北京每日优鲜电子商务有限公司 | 信息推送方法、装置、电子设备和介质 |
CN112115334A (zh) * | 2020-09-28 | 2020-12-22 | 北京百度网讯科技有限公司 | 网络社区热点内容的判别方法、装置、设备以及存储介质 |
CN112308647A (zh) * | 2020-01-02 | 2021-02-02 | 北京京东尚科信息技术有限公司 | 产品的性别属性的预测方法、***、电子设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012106407A2 (en) * | 2011-02-01 | 2012-08-09 | The University Of Vermont And State Agricultural College | Diagnostic and therapeutic methods and products related to anxiety disorders |
CN103473380A (zh) * | 2013-09-30 | 2013-12-25 | 南京大学 | 一种计算机文本情感分类方法 |
CN104318255A (zh) * | 2014-11-17 | 2015-01-28 | 成都品果科技有限公司 | 一种移动拍照类app用户的性别识别方法及*** |
CN107103514A (zh) * | 2017-04-25 | 2017-08-29 | 北京京东尚科信息技术有限公司 | 商品性别标签确定方法和装置 |
CN107330445A (zh) * | 2017-05-31 | 2017-11-07 | 北京京东尚科信息技术有限公司 | 用户属性的预测方法和装置 |
CN107423442A (zh) * | 2017-08-07 | 2017-12-01 | 火烈鸟网络(广州)股份有限公司 | 基于用户画像行为分析的应用推荐方法及***,储存介质及计算机设备 |
CN107577739A (zh) * | 2017-08-28 | 2018-01-12 | 深圳市空谷幽兰人工智能科技有限公司 | 一种半监督的领域词挖掘与分类的方法和设备 |
-
2019
- 2019-03-05 CN CN201910163986.7A patent/CN110427548B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012106407A2 (en) * | 2011-02-01 | 2012-08-09 | The University Of Vermont And State Agricultural College | Diagnostic and therapeutic methods and products related to anxiety disorders |
CN103473380A (zh) * | 2013-09-30 | 2013-12-25 | 南京大学 | 一种计算机文本情感分类方法 |
CN104318255A (zh) * | 2014-11-17 | 2015-01-28 | 成都品果科技有限公司 | 一种移动拍照类app用户的性别识别方法及*** |
CN107103514A (zh) * | 2017-04-25 | 2017-08-29 | 北京京东尚科信息技术有限公司 | 商品性别标签确定方法和装置 |
CN107330445A (zh) * | 2017-05-31 | 2017-11-07 | 北京京东尚科信息技术有限公司 | 用户属性的预测方法和装置 |
CN107423442A (zh) * | 2017-08-07 | 2017-12-01 | 火烈鸟网络(广州)股份有限公司 | 基于用户画像行为分析的应用推荐方法及***,储存介质及计算机设备 |
CN107577739A (zh) * | 2017-08-28 | 2018-01-12 | 深圳市空谷幽兰人工智能科技有限公司 | 一种半监督的领域词挖掘与分类的方法和设备 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929209A (zh) * | 2019-12-06 | 2020-03-27 | 北京百度网讯科技有限公司 | 用于发送信息的方法及装置 |
CN110929209B (zh) * | 2019-12-06 | 2023-06-20 | 北京百度网讯科技有限公司 | 用于发送信息的方法及装置 |
CN111126601A (zh) * | 2019-12-24 | 2020-05-08 | 上海商汤智能科技有限公司 | 信息处理方法及装置、电子设备和存储介质 |
CN112308647A (zh) * | 2020-01-02 | 2021-02-02 | 北京京东尚科信息技术有限公司 | 产品的性别属性的预测方法、***、电子设备和存储介质 |
CN111339406A (zh) * | 2020-02-17 | 2020-06-26 | 北京百度网讯科技有限公司 | 个性化推荐方法、装置、设备及存储介质 |
CN111625730A (zh) * | 2020-07-27 | 2020-09-04 | 北京每日优鲜电子商务有限公司 | 信息推送方法、装置、电子设备和介质 |
CN111625730B (zh) * | 2020-07-27 | 2020-12-01 | 北京每日优鲜电子商务有限公司 | 信息推送方法、装置、电子设备和介质 |
CN112115334A (zh) * | 2020-09-28 | 2020-12-22 | 北京百度网讯科技有限公司 | 网络社区热点内容的判别方法、装置、设备以及存储介质 |
CN112115334B (zh) * | 2020-09-28 | 2023-07-21 | 北京百度网讯科技有限公司 | 网络社区热点内容的判别方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110427548B (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427548A (zh) | 信息推送方法、信息推送装置及计算机可读存储介质 | |
US11157956B2 (en) | Application recommendation method and server | |
CN104090886B (zh) | 构建用户实时画像的方法及装置 | |
CN104077693B (zh) | 商品对比方法、服务器、客户端及电子商务*** | |
WO2022252363A1 (zh) | 数据处理方法、计算机设备以及可读存储介质 | |
US20130195361A1 (en) | Image index generation based on similarities of image features | |
CN108536694A (zh) | 用户偏好的推测方法、装置和终端设备 | |
WO2017107422A1 (zh) | 一种用户性别识别方法及装置 | |
CN108205768A (zh) | 数据库建立方法和数据推荐方法及装置、设备和存储介质 | |
CN107404656A (zh) | 直播视频推荐方法、装置及服务器 | |
CN107103514A (zh) | 商品性别标签确定方法和装置 | |
US11741094B2 (en) | Method and system for identifying core product terms | |
CN102663092B (zh) | 一种基于服装组图的风格元素挖掘和推荐方法 | |
WO2018035164A1 (en) | Description information generation and presentation systems, methods, and devices | |
CN110020093A (zh) | 视频检索方法、边缘设备、视频检索装置及存储介质 | |
CN109189888A (zh) | 电子装置、侵权分析的方法及存储介质 | |
CN107833082A (zh) | 一种商品图片的推荐方法和装置 | |
CN106951571A (zh) | 一种给应用标注标签的方法和装置 | |
CN106022877A (zh) | 一种基于用户手游行为图谱的游戏推荐方法 | |
CN107358490A (zh) | 一种图像匹配方法、装置及电子设备 | |
CN107273546A (zh) | 仿冒应用检测方法以及*** | |
CN101937432A (zh) | 一种按照供需信息进行两方撮合的***与方法 | |
CN111626767B (zh) | 资源数据的发放方法、装置及设备 | |
CN110232131A (zh) | 基于创意标签的创意素材搜索方法及装置 | |
CN113570416B (zh) | 投放内容确定方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |