CN110532479A - 一种信息推荐方法、装置及设备 - Google Patents

一种信息推荐方法、装置及设备 Download PDF

Info

Publication number
CN110532479A
CN110532479A CN201910838056.7A CN201910838056A CN110532479A CN 110532479 A CN110532479 A CN 110532479A CN 201910838056 A CN201910838056 A CN 201910838056A CN 110532479 A CN110532479 A CN 110532479A
Authority
CN
China
Prior art keywords
information
recommendation list
user
data
information recommendation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910838056.7A
Other languages
English (en)
Inventor
杨明川
王冉
杨溥
徐唐
沈仁奎
邓鑫鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Mind Creation Information Technology Co Ltd
Original Assignee
Beijing Mind Creation Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Mind Creation Information Technology Co Ltd filed Critical Beijing Mind Creation Information Technology Co Ltd
Priority to CN201910838056.7A priority Critical patent/CN110532479A/zh
Publication of CN110532479A publication Critical patent/CN110532479A/zh
Pending legal-status Critical Current

Links

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例公开了一种信息推荐方法、装置及设备。方案包括：基于用户维度从数据平台中获取以文本类型或音视频类型表现的产品信息的信息相关数据；根据信息相关数据采用多种推荐算法进行处理，得到第一信息推荐列表集合，第一信息推荐列表集合中的一个推荐列表为采用多种推荐算法中的一种推荐算法得到的；对第一信息推荐列表集合中的多个信息推荐列表按照第一预设规则进行整合，得到第二信息推荐列表；按照第二信息推荐列表对用户进行信息推荐。

Description

一种信息推荐方法、装置及设备
技术领域
本申请涉及计算机技术领域，尤其涉及一种信息推荐方法、装置及设备。
背景技术
随着互联网信息技术的迅速发展，电子商务网站已经成为用户进行信息选择和购买的重要服务平台。但是，随着电子商务网站规模的增大，电子商务网站中的产品信息数量日益增能加，数量庞大且种类繁多的信息被提供，用户在面临海量的信息数据时，往往难以得到自己最想要的信息。如何从海量的信息数据中，为用户找到最想要的信息，从而推荐给用户，变得格外重要。作为应对这种挑战的有效手段，推荐***被越来越多地用于为用户提供个性化服务，如何合理高效的选取推荐候选集成为业界关注的重点。
现有技术中采用推荐***为用户进行推荐时，通常采用基于内容的推荐方法或协同过滤推荐方法。但是，单一推荐策略通常无法满足用户的线上需要，无法满足不同场景下用户对产品信息的需求，降低了用户对电子商务网站服务的满意度。
因此需要提供一种更全面的推荐方案。
发明内容
有鉴于此，本说明书一个或多个实施例提供了一种信息推荐方法、装置及设备，用于提供更加覆盖度更高、发现性更好的推荐结果，提高用户点击率。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供的一种信息推荐方法，包括：
基于用户维度从数据平台中获取信息相关数据，所述信息相关数据中包括用户数据、信息数据以及用户行为数据，所述用户行为数据表示用户与信息之间的互动行为，所述信息为以文本类型或音视频类型表现的产品信息；
根据所述信息相关数据采用多种推荐算法进行处理，得到第一信息推荐列表集合，所述第一信息推荐列表集合中的一个推荐列表为采用所述多种推荐算法中的一种推荐算法得到的；
对所述第一信息推荐列表集合中的多个信息推荐列表按照第一预设规则进行整合，得到第二信息推荐列表；
按照所述第二信息推荐列表对所述用户进行信息推荐。
本说明书实施例提供的一种信息推荐装置，包括：
数据获取模块，用于基于用户维度从数据平台中获取信息相关数据，所述信息相关数据中包括用户数据、信息数据以及用户行为数据，所述用户行为数据表示用户与信息之间的互动行为，所述信息为以文本类型或音视频类型表现的产品信息；
第一信息推荐列表集合确定模块，用于根据所述信息相关数据采用多种推荐算法进行处理，得到第一信息推荐列表集合，所述第一信息推荐列表集合中的一个推荐列表为采用所述多种推荐算法中的一种推荐算法得到的；
第二信息推荐列表确定模块，用于对所述第一信息推荐列表集合中的多个信息推荐列表按照第一预设规则进行整合，得到第二信息推荐列表；
信息推荐模块，用于按照所述第二信息推荐列表对所述用户进行信息推荐。
本说明书实施例提供的一种信息推荐设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
基于用户维度从数据平台中获取信息相关数据，所述信息相关数据中包括用户数据、信息数据以及用户行为数据，所述用户行为数据表示用户与信息之间的互动行为，所述信息为以文本类型或音视频类型表现的产品信息；
根据所述信息相关数据采用多种推荐算法进行处理，得到第一信息推荐列表集合，所述第一信息推荐列表集合中的一个推荐列表为采用所述多种推荐算法中的一种推荐算法得到的；
对所述第一信息推荐列表集合中的多个信息推荐列表按照第一预设规则进行整合，得到第二信息推荐列表；
按照所述第二信息推荐列表对所述用户进行信息推荐。
本说明书实施例提供的一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现一种信息推荐方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：通过基于用户维度从数据平台中获取以文本类型或音视频类型表现的产品信息的信息相关数据，并采用多种推荐算法进行处理，得到第一信息推荐列表集合，所述第一信息推荐列表集合中的一个推荐列表为采用所述多种推荐算法中的一种推荐算法得到的；对所述第一信息推荐列表集合中的多个信息推荐列表按照第一预设规则进行整合，得到第二信息推荐列表，按照所述第二信息推荐列表对所述用户进行信息推荐；能满足不同业务场景对推荐方式的综合要求，可以很好的覆盖到各类需求，解决不同人群、不同场景的推荐列表选取问题，通过加权的方式整合不同推荐算法的推荐列表，能提供更加覆盖度更高、发现性更好的推荐结果，提高用户点击率。
附图说明
此处所说明的附图用来提供对本说明书一个或多个实施例的进一步理解，构成本说明书一个或多个实施例的一部分，本说明书的示意性实施例及其说明用于解释本说明书一个或多个实施例，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提供的一种信息推荐算法的整体示意图；
图2为本说明书实施例提供的一种信息推荐方法的流程示意图；
图3为本说明书实施例提供的基于用户线上点击和搜索行为的推荐方法示意图；
图4为本说明书实施例提供的对应于图2的一种信息推荐装置的结构示意图；
图5为本说明书实施例提供的对应于图2的一种信息推荐设备的结构示意图。
具体实施方式
为使本说明书一个或多个实施例的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书一个或多个实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明中的实施例，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，都属于本说明书一个或多个实施例保护的范围。
现有技术中，通常会单独采用基于信息内容的推荐方法、基于标签的推荐算法或者协同过滤的方法为用户进行信息推荐。但是单独采用基于信息的内容进行推荐时，由于都是根据用户看过的信息的内容进行推荐，再次推荐的信息都是跟已经阅读过的信息相关或者相似的信息，并没有挖掘出新颖的信息；单独采用协同过滤的推荐算法时，由于协同过滤的原理是目标用户看过的信息也被其他人进行了阅读，而阅读过该信息的这些人还看过其他的信息(比如：用户A看过电子书1，看过电子书1的还有用户B和用户C，用户B和用户C还看过电子书2和电子课程3，此时，将电子书2和电子课程3推荐给用户A)，这种推荐方法无法进行全部检索，在进行推荐时，只能根据用户感兴趣的商品触发推荐策略，此时，可能会出现反复推荐用户曾经感兴趣的相关商品，使推荐缺乏新颖性；在单独采用基于标签的推荐算法时，由于一个标签下的产品很多，在下游将召回/推荐的产品集合输入点击率预估模型进行再次排序时，由于产品数量较多，会加重点击率预测模型的工作压力，降低排序阶段的计算效率，从而对***运行造成很大压力，影响最终的推荐结果。因此，现有技术中，采用单一的推荐策略，无法满足用户线上对信息多样性的需要，无法为用户进行全面、准确的推荐。
为了克服现有技术中的缺陷，以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书实施例提供的一种信息推荐方法的整体示意图。如图1所示，在实际应用中，用户通过客户端请求线上推荐服务，服务器在收到推荐请求后，将离线计算和在线计算进行结合，采用多种推荐策略为用户计算个性化推荐推荐结果，多种推荐策略包括根据获取的信息相关数据，基于信息内容和行为的推荐算法、标签传播算法、DNN模型推荐算法，对首次来到平台的新用户和初次上架的初次上架的信息，选用专门的推荐算法(热门推荐算法、Bandit推荐算法以及新品推荐算法)解决冷启动的不足，除此之外，还需要集合用户在线的线上操作行为进行推荐，具体地，需要结合在线的线上搜索推荐结果以及线上点击推荐结果，不同的推荐算法对应不同的信息推荐列表，当然，多个推荐列表中可能存在相同的信息，因此，需要将多个推荐列表进行整合去重，合并多渠道推荐信息列表，得到一个最终的信息推荐列表，并根据该信息推荐列表对信息推荐列表中的信息进行重新统计排序，并将各信息按照统计排序结果在客户端进行显示，供用户阅读，并验证推荐效果，定期迭代算法及整合方式。
针对说明书实施例提供的一种信息推荐方法结合附图进行具体说明：
图2为本说明书实施例提供的一种信息推荐方法的流程示意图。从程序角度而言，流程的执行主体可以为搭载于应用服务器的程序或应用客户端。
如图2所示，该流程可以包括以下步骤：
步骤202：基于用户维度从数据平台中获取信息相关数据，所述信息相关数据中包括用户数据、信息数据以及用户行为数据，所述用户行为数据表示用户与信息之间的互动行为，所述信息为以文本类型或音视频类型表现的产品信息。
需要说明的是，信息相关数据可以从相应平台中的互联网数据中进行获取。信息可以指的是网页中以文本类型或者音视频类型显示的商品信息，例如：电子书、听书或者网上电子课程等。
获取到的信息相关数据可以包括用户数据、信息数据以及用户行为数据，用户行为数据可以是用户与信息之间互动的操作行为数据，例如：点击行为、曝光行为等。信息相关数据可以包括离线数据，也可以包括在线数据。
步骤204：根据所述信息相关数据采用多种推荐算法进行处理，得到第一信息推荐列表集合，所述第一信息推荐列表集合中的一个推荐列表为采用所述多种推荐算法中的一种推荐算法得到的。
信息相关数据中包括信息的内容、用户的历史操作行为以及一些信息标签等，根据获取的信息相关数据可以选用多种推荐算法，每选用一种推荐算法可以得到一个推荐列表，采用多种推荐算法，可以得到推荐列表集合。
步骤206：对所述第一信息推荐列表集合中的多个信息推荐列表按照第一预设规则进行整合，得到第二信息推荐列表。
通过选用不同的推荐算法得到多个推荐列表之后，需要将多个推荐列表进行整合，在具体整合时，可以根据预设的整合规则进行去重合并，得到一个最终的信息推荐列表。例如：采用4种推荐算法分别对应四个推荐列表分别为推荐列表1、2、3、4，可以按照预设的整合规则，对这四个推荐列表进行整合，得到一个最终的推荐列表5。
步骤208：按照所述第二信息推荐列表对所述用户进行信息推荐。
在具体对用户进行信息推荐时，按照最终得到的信息推荐列表进行信息推荐，例如：得到的第二信息推荐列表为{A、B、C、D、E、F、G}，可以按照预设顺序将第二推荐列表中的信息显示在用户所在的客户端界面上，以供用户进行查阅。
图2中的方法，通过采用多种不同的推荐算法，并将每种推荐算法对应的推荐列表进行整合，得到最终的推荐列表，根据最终的推荐列表为用户推荐信息，满足了不同业务场景对推荐方式的综合要求，多种推荐算法可以很好的覆盖到各类需求，解决不同人群、不同场景的推荐列表选取问题，通过加权的方式整合不同推荐算法的推荐列表，为动态调整提供方便，使推荐商品的选取灵活多样，可以在复杂的业务场景内，考虑更全面的影响因素并给出对用户兴趣覆盖度更高、发现性更好的推荐策略。
另外，采用多种推荐算法并行，可以弥补单一推荐策略推荐不全面或者推荐失败的风险，在异常情况下，即使部分依赖数据库资源或其他服务的召回方式可能存在失败或超时，其他召回策略的成功运行也可以保证结果正常返回，提高服务鲁棒性。
基于图2的方法，本说明书实施例还提供了该方法的一些具体实施方案，下面进行说明。
在实际应用中，图2中技术方案可以认为是将适用广泛的混合个性化推荐算法与针对用户与信息冷启动问题的推荐方法相结合，其中使用广泛的混合个性化推荐可以包括基于信息内容和行为的推荐算法、基于标签网络的推荐算法、根据用户线上点击行为和搜索行为确定相似信息的方法以及基于神经网络模型的推荐算法；针对用户和信息冷启动问题的推荐算法可以包括热门信息推荐算法、新品推荐算法以及基于Bandit算法的推荐方式，下面可以针对上述不同的推荐方法进行分别说明：
方法一、基于信息内容和行为的推荐算法：
所述信息数据包括信息文本内容数据和信息行为数据，所述根据所述信息相关数据采用多种推荐算法进行处理，得到第一信息推荐列表集合，具体可以包括：
对所述信息文本内容数据进行语义分析，得到与所述信息内容相似的相似信息集合；
根据所述信息行为数据，采用协同过滤算法，得到与所述信息具有关联行为的关联信息集合；
将所述相似信息集合与所述关联信息集合按照第二预设规则进行去重合并，得到第一推荐列表，所述第一推荐列表属于所述第一信息推荐列表集合。
需要说明的是，语义分析可以表示的是运用各种方法，学习与理解一段文本或者一段音视频所表示的语义内容，任何对语言的理解都可以归为语义分析的范畴。在本方案中可以理解为将一段文本内容或者音视频内容转换为后续处理过程中能够被计算机识别的具有固定维度的特征向量。
相似信息可以表示的是与用户查看的信息文本内容或行为相似的信息，比如：用户A查看的产品有课程A、B，A课程的内容为“人工智能入门”、B课程的内容为“数据库的发展”，获取到的与课程A相似的相似信息集合为{D,E}，D的内容为“AI的应用”、E的内容为“开源AI框架”；获取到的与课程B相似的相似信息集合为{F,G}，F的内容为“关系型数据库的应用”、G的内容为“非关系型数据库的应用”。
具有关联行为，可以理解为：用户1点击查看了商品A，商品A除了用户1之外，还被用户B进行点击查看，用户B除了看商品A之外，还点击查看了商品B和商品C，此时，商品B、商品C与商品A可以认为具有关联行为的商品。需要说明的是，上述用于解释相似信息和关联信息的例子其作用仅是辅助理解方案，其例子所属的内容并不对方案的保护范围造成任何影响。
协同过滤算法(Collaborative Filtering，简称CF)，可以理解为通过对用户历史行为数据的挖掘发现用户的偏好，基于不同的偏好对用户进行群组划分并推荐品味相似的商品。
在实际操作中，可以通过对信息文本内容的语义分析，获取与目标信息内容相似的临近信息集合；同时通过基于信息的协同过滤(在用户群中找到指定用户的相似(兴趣)用户，综合这些相似用户对某一信息的评价，形成***对该指定用户对此信息的喜好程度预测)，获取与该信息具有关联行为的信息集合。将二者按一定策略整合，根据用户的历史点击行为为用户推荐与点击信息相似的其他信息。
更为具体地，所述将所述信息文本内容数据进行语义分析，得到与所述信息内容相似的相似信息集合，具体可以包括：
采用词袋模型，将每个信息对应的文本内容数据转换为一个固定维度的特征向量；
采用余弦相似算法确定与所述信息内容相似的相似信息集合。
词袋模型(BoW)可以忽略文本的语法和语序等要素，将其仅仅看作是若干个词汇的集合，文档中每个单词的出现都是独立的。采用词袋模型可以理解为使用一组无序的单词(words)来表达一段文字或一个文档。
在对信息文本内容进行语义分析时，采用词袋模型，使用隐含狄利克雷分布(Latent Dirichlet Allocation，LDA)计算每一篇文档的主题向量分布。具体为：
首先按先验概率随机选择一篇文档di；然后根据Dirichlet(狄利克雷)分布α随机获取文档di的主题分布θi，从主题的多项式分布θi中，随机取样文档di的第j个词的主题z；最后根据Dirichlet分布β获取主题z对应的词项分布φz；从词项的多项式分布φz中，随机生成文档di的第j个词w(i,j)，重复上述过程，可以得到整篇文本对应的词向量，可以设置参数α＝2.0，β＝0.5，主题个数为64个，将每篇文本转换为一个64维的主题分布向量。对每一篇文本计算与其主题相近的另外前30篇文本，可以使用余弦相似法，根据公式：
计算相似度，将相似度满足预设阈值的信息作为上述随机选择的信息对应的文档的相似信息，得到相似信息集合。其中，A和B分别可以表示文本A和文本B的特征向量，Ai可以表示向量A的第i维参数，总共64维。
得到相似信息结合之后，还可以根据所述信息行为数据，基于信息的协同过滤算法，得到与所述信息具有关联行为的关联信息集合。更为具体地，所述根据所述信息行为数据，采用协同过滤算法，得到与所述信息具有关联行为的关联信息集合，具体可以包括：
确定点击过所述信息的用户集合；
确定所述用户集合中每个用户点击过的信息集合，得到信息对；
采用以下公式对每个信息对计算其用户权重：
其中，表示用户看过进度超过70％的信息数，如果该用户看过的信息非常多，可以认为该用户的兴趣转移性很大，可以削弱该用户看过的信息间的关系权重，progress表示看过所述信息的用户还看过另一信息时，观看两个信息的进度百分比，可以认为，如果一个用户点击查看了一个信息后快速推出，则认为他并不喜欢该信息，这个信息对用户历史行为中的兴趣信息之间联系也应减弱；
根据所述权重赋值确定与所述信息具有关联行为的关联信息集合。
需要说明的是，每一个信息可以对应一个被用户点击的矩阵，被点击记为1，未点击记为0，计算信息之间的余弦相似，根据信息与信息之间的余弦相似得到这个信息与那个信息的行为更加相似，将更加相似的信息作为推荐结果，具体地，可以使用MapReduce(一种用于数据处理的编程框架)进行离线计算，以网上课程为例，统计看过该课程信息的人还观看了哪些信息，构造信息对，此时，然后统计每种信息对的userweight之和，除以平滑后的两个信息被读70％以上的个数，以让被用户点击或查看少的信息具有更多的曝光机会，得到actionscore，同时计算信息对标签的相似度labelscore，和两个文本是否属于同一课程下的classscore，其中相同课程为1，不同课程为0.8；最终计算信息对的总分，计算方式为：score＝actionscore 0.3·lablescore 0.3·classscore。根据分数倒序排列并截取相应的个数，即可得到与所述信息具有关联行为的关联信息集合。得到与所述信息具有关联行为的关联信息集合之后，将所述相似信息集合与所述关联信息集合按照第二预设规则进行去重合并，得到第一推荐列表，所述第一推荐列表属于所述第一信息推荐列表集合。
在对相似信息集合与关联信息集合进行去重合并时，具体可以包括：
将两者分数做min_max归一化，将每个商品推荐的相关商品分数映射到0到1之间；其中，归一化可以理解为把数据变成[0,1]之间的小数。把数据映射到0～1范围之内进行处理，能够使处理过程更加便捷快速。也可以理解为把有量纲表达式变成无量纲表达式，便于不同单位或量级的指标能够进行比较和加权。比如，用户的查看数据必然比购买数据大的多，如何将各个行为的数据统一在一个相同的取值范围中，从而使得加权求和得到的总体喜好更加精确，就需要我们进行归一化处理。最简单的归一化处理，就是将各类数据除以此类中的最大值，以保证归一化后的数据取值在[0,1]范围中。
对每种商品对采用以下公式计算每个商品对的融合分数：
其中，表示协同过滤得到的分数，为内容相似得到的分数；
将每个商品对的分数进行合并；
将用户行为数据引入计算，对用户历史点击的商品，得到点击频次的分数，与该商品相关商品分数相乘，得到为用户推荐的最终相关商品分数；
根据最终相关商品分数为用户选取特定长度的相关商品推荐列表。
方法二、基于标签网络的推荐算法：
所述信息数据携带有数据标签，所述标签中包含所述用户对所述信息的行为数据，所述数据标签包括多级标签，所述根据所述信息相关数据采用多种推荐算法进行处理，得到第一信息推荐列表集合，具体可以包括：
根据所述数据标签将所述信息数据进行聚类，得到多个标签簇；
确定所述用户与所述标签之间的第一关系数据，所述第一关系数据表示所述用户对所述标签簇的兴趣程度；
确定所述标签簇与各个所述信息间的第二关系数据，所述第二关系数据表示用户对任意一个所述标签下所有商品的偏好程度；
根据所述第一关系数据以及所述第二关系数据，得到第二推荐列表，所述第二推荐列表属于所述第一信息推荐列表集合。
基于每个信息上的一级、二级、三级标签，根据用户行为计算用户的标签偏好，为用户推荐其兴趣标签下的信息。
需要说明的是，从互联网的线上或线下获取到的数据中都携带了标签，所述标签可以是运营商人为打上的标签，所述标签可以包括多级标签。比如：iPhone6对应的标签可以为：一级标签(电子产品)，二级标签(手机系列)，三级标签(苹果iPhone系列)等。具体地，根据所述数据标签将所述信息数据进行分类，得到多个标签簇，具体可以包括：
根据所述信息相关数据，对每个用户点击的信息以及信息上的数据标签进行分析统计，将每个所述用户对所述信息的行为映射到信息的数据标签上，得到多个标签簇。
在确定所述用户与所述标签簇之间的关系数据时，具体可以包括：
采用以下公式计算各个用户对每个标签的兴趣度得分：
其中，uidcnt表示任意一个标签被点击过的独立用户的数量，选用对数函数可以对数量的增减加以平滑，取倒数使得被用户点击少的标签拥有更多的曝光机会，起到平衡冷热的作用，smoothprogress表示平滑后用户的使用进度，当使用进度低于10％或使用进度与平均使用进度的比例低于30％，则将该项置为0，即不予推荐，daycnt表示用户行为发生时间距离当前计算时间的时间间隔，发生时间越近的样本(即距离天数越小的样本)对计算结果贡献度越大。
在确定所述标签簇与各个信息间的关系数据时，具体可以包括：
统计所述标签簇中每个标签下信息被用户点击的行为进行统计，可以得到每个标签下所有信息的偏好程度排名；
所述偏好程度得分可以采用以下公式进行计算：
score＝log10(1+uidcnt)·avgprogress·(1+0.05*rand(31415926))
其中，uidcnt表示标签下的信息被点击对应的独立用户总数，avgprogress表示信息的平均使用进度，由所有用户对该商品的最长使用进度求均值得到；31415926为随机数，表示随机种子，可以使得推荐列表动态变化。
根据所述第一关系数据可以得到用户对标签的偏好程度，结合第二关系数据可以得到第二推荐列表，具体可以包括：
合并用户对标签的偏好和标签下的商品推荐列表，由于两边各产生一个分数，分别代表用户的标签偏好(scorelable)和标签下的商品偏好(scoreitem)，将二者加以整合，计算方式可以为：
score＝(scorelable)0.3·scoreitem
对最终得到的分数倒序排列，可以获得第二推荐列表。
其中，基于标签的推荐算法可以为标签网络传播推荐算法，也可以为其他基于标签的相关算法。
方法三、根据用户线上点击行为和搜索行为确定相似信息的方法：
离线计算是通过统计学计算用户历史兴趣从而产生推荐列表，由于计算时间较长，无法满足线上响应的需要。离线计算推荐列表可以是按照天数周期生成。比如首页推荐场景下，离线使用协同过滤计算得到用户近30天的兴趣商品列表{A,B,E,…}，其中并不包括当天发生的线上兴趣，为了弥补这一不足，丰富推荐效果，引入线上点击和搜索相似推荐。
在实际应用中，所述信息相关数据还包括在线数据，所述信息相关数据还包括在线数据，所述在线数据包括用户线上点击行为数据和用户线上搜索行为数据，所述根据所述信息相关数据采用多种推荐算法进行处理，得到第一信息推荐列表集合，具体可以包括：
根据所述用户线上点击行为数据确定与用户点击的信息相似的第一信息；
根据所述用户线上搜索行为数据确定与用户搜索的信息相似的第二信息；
根据所述第一信息与所述第二信息，得到第三推荐列表，所述第三推荐列表属于所述第一信息推荐列表集合。
更为具体地，在根据用户线上点击行为和搜索行为确定相似信息时，可以结合图3进行说明：
图3为本说明书实施例提供的基于用户线上点击和搜索行为的推荐方法示意图，如图3所示，这一推荐方法依赖于用户行为的线上获取，对日志的流式分析处理具有较高要求，此处采用开源流处理平台301(比如：Apache Kafka，简称kafka)进行事件分发，然后使用流式处理架构302(Apache Flink，简称Flink)对日志进行在线实时的清洗、分析和计算，按照相应的数据格式写入到分布式文档存储数据库303(MongoDB)中，当客户端发送请求调用推荐在线服务304时，先读取MongoDB数据库获得用户的实时点击(搜索同)行为，此处日志选取不宜太多，然后根据离线计算得到的信息与信息的内容、行为相似列表，抓取与用户实时点击(或搜索)的商品最相似的top N个商品，N的值可以配置在服务器中。
通过上述方法，根据用户线上的点击行为数据，可以及时为用户推荐与用户线上点击到的内容、行为相似的信息，满足用户的临时兴趣需要；根据用户线上搜索行为数据或搜索场景内的点击行为，可以及时捕获用户的主动需求，为用户提供相关信息，能够很好的满足用户实时兴趣的推荐。
方法四、基于网络模型的推荐算法：
需要说明的是，网络模型可以是神经网络模型、卷积神经网络模型、深度学习网络模型、模式识别模型或者其他传统的分类模型，本方案对此不作限定。
接下来，就以深度神经网络模型作为推荐模型进行说明，当根据所述信息相关数据选择深度神经网络模型推荐算法，得到第一信息推荐列表集合，具体可以包括：
根据所述信息相关数据结合深度神经网络模型进行处理，得到第四推荐列表，所述第四推荐列表属于所述第一信息推荐列表集合。
更为具体地，可以使用深度神经网络模型(Deep Neural Networks,DNN)作为推荐模型，挖掘用户深层次兴趣特征，通过建模方式为用户匹配相关信息。
在采用深度神经网络模型生成推荐列表是，可以包括以下步骤：
对商品的文本内容信息进行提取和过滤；
使用分词器构建文章词袋模型，在分词后计算每个词的TF-IDF值；
根据TF-IDF值进行关键特征选择，获取每篇文章满足条件的前100个词，由此构造文章的数据样本；
构建文本主题模型，将语料库聚类成64个主题，对文章训练可以得到其对应的64维主题向量分布，每一维度上的数值代表文章所属该主题的权重，64个主题都会对文本向量有所贡献，但是贡献有大有小。文本的主题分布只考虑到了文本内容的维度，将作为文本最终特征的预训练数据，嵌入到推荐阶段的输入特征；
构建用户浏览历史序列，将历史商品嵌入文本预训练特征并整合用户基础特征作为输入，以下一次点击的商品作为输出，进行深度神经网络模型训练和预测；
训练完成之后，多分类softmax层的权重矩阵可以作为商品的特征矩阵，由于充分挖掘了商品的上下文属性，该特征将更能准确的涵盖商品的综合信息。预测阶段将指定用户的特征拼接完成输入深度神经网络，得到最后一层隐层的输出即为用户的特征向量，于是便可以对该用户与所有商品进行近邻计算，选取与用户兴趣相关的top N个商品作为第四推荐列表。
方法五、针对初次上架的信息(商品)以及新用户的推荐算法：
除了上述的几种推荐策略之外，在实际的应用场景中，可能会存在新注册的用户，此时用户不存在历史记录数据，也没有离线的历史行为，无法根据用户的历史行为数据为用户进行推荐，此时，可以将平台热门的、主推的商品信息以及一些优质内容推荐给用户。当然，在进行推荐时，还需要考虑到初次上架的产品的曝光率，如果只根据历史行为数据进行推荐，往往新的商品曝光率极低，不易被用户看见，因此，针对新用户以及初次上架的商品，选择相应的推荐算法进行推荐，大概的技术思路如下：
确定所述信息相关数据中的初次上架的信息和新用户；
对于初次上架的信息，为所述初次上架的信息赋予设定的权重值，所述权重值大于旧信息的权重值，以便于将初次上架的信息及时暴露在明显的位置，不仅满足用户对新鲜事物的兴趣，同时给新品曝光的机会。
根据所述各信息的权重值得到第五推荐列表，所述第五推荐列表属于所述第一信息集合，所述权重值越大，被推荐的概率越高；
对于所述新用户，确定点击量大于预设阈值的信息集合，为新用户进行热门信息推荐，选取包括但不限于使用最多、成交最多的热门信息，为用户展示平台内的优质内容；
根据所述信息集合结合Bandit算法，得到第六推荐列表，所述第六推荐列表属于所述第一信息推荐列表集合。使用bandit算法应对冷启动问题。
更为具体地，对于所述新用户，确定点击量大于预设阈值的信息集合，为新用户进行热门信息推荐，具体可以采用以下方式进行实现：
采用下列公式对本场景内每一个商品计算其热度人数：
score＝log10(1+uidcnt)·avgprogress·(0.8+0.2*rand(31415926)
其中uidcnt为该商品在本场景下N天(比如：90天)内被点击的独立用户总数，avgprogress是这个商品在N天(比如：90天)内的平均使用进度，最后一项的随机值会使得热门列表动态变化，避免过热商品持续霸榜并给较低热度的商品一定的曝光机会。然后按照分数对热门商品列表排序，写入到MongoDB数据库中。
另外，需要说明的是，由于计算资源有限，离线计算一般计算时间较长，无法满足线上实时响应的需要，因此离线计算推荐列表可以按照每天一次的周期生成推荐列表并进行存储。
针对新用户来说，除了为用户推荐热门信息或者主推信息之外，还可以结合Bandit算法，在实际应用中，平台中会存在海量的多种类型商品，当存在新用户时，可以选择Bandit算法来解决。比如：可以采用汤普森采样法：使用Flink实时计算商品上发生的点击和曝光次数，例如用户看了商品A但并没有发生点击，则商品A的点击数计0，曝光数计1；假设用户看了商品B并点了该商品，则商品B的点击数计1，曝光数计1，***中的用户只有曝光了该商品才可能发生点击。可以设置α为该商品上的点击个数+1，β为该商品只发生曝光却并未点击的次数(计算方式为曝光数-点击数)+1，使用贝塔分布(Beta Distribution)得到每一个商品的点击率分布曲线B(α,β)，由此为每一个商品估计它的点击率收益，得到相应的分数，并根据分数生成第六推荐列表，直接将第六推荐列表中的信息推荐给用户。
更为具体地，对于初次上架的信息，存在新上架的信息冷启动问题，一方面可以通过内容相似来解决，另一方面就是采取专门的上新逻辑，为新商品赋予特定的加权，使其有较大机会暴露在用户面前，满足用户猎奇心理，其中新商品的获取方式可以是根据上架时间进行倒序排列。
通过上述方法，可以使得具有较多点击和曝光行为的“老商品”估计值稳定在期望值周围，保证具有优质内容的商品拥有较高的稳定分数，并且可以选择一部分新商品在一定概率下可以占据较高分数，对于第一次来到平台的新用户和首次发布的新商品，上述推荐方案都能很好的给出推荐结果，保证了新用户的首次体验，同时为新商品提供了更多曝光的机会。
在根据实际应用场景选择不同的推荐算法得到推荐列表之后，需要对多个推荐列表进行整合，在具体进行去重整合时，所述利用加权合并的方式对所述去重后的信息推荐列表进行整合，得到第二信息推荐列表，具体可以包括：
根据所述第二权重值重新计算加权后的各推荐列表中所有信息的分数值；
按照所述分数值的高低对全部推荐列表中的信息进行重新排列，得到满足分数阈值的第二信息推荐列表。
更为具体地，所述对每种推荐算法对应的推荐列表赋予相应的权重值，利用加权合并的方式对所述去重后的信息推荐列表进行整合，得到第二信息推荐列表，可采用以下方式：
将每个所述推荐列表对应的权重值加权到各推荐列表对应的信息中；
重新计算加权后的各推荐列表中所有信息的分数值；
按照所述分数值的高低对全部推荐列表中的信息进行重新排列，得到满足分数阈值的第二信息推荐列表。
更为具体地，可以为每一种推荐算法(match Type)赋予相应的分数(matchTypeLevel)，以加和的方式加在原有推荐分数上面，形成该推荐商品的最终打分。具体在为每一种推荐算法进行权重或者分数赋值时，可以根据实际场景以及每类推荐算法在相应的场景中的稳定性以及可靠性等来综合分析。
例如：经过实验分析，DNN模型学出来的用户兴趣具有良好的泛化性，基于模型的推荐列表线上效果较好，可以为基于DNN模型的推荐算法(dnn_match)赋予更高的分数。由于用户实时的点击(online_article_sim)或搜索行为(online_search_sim)很大程度上翻译用户此时想看到的内容，推荐列表的及时调整有利于很好的提升用户体验，可以为基于用户在线点击或者搜索的推荐算法也赋予较高的分数；针对新用户或者新商品的冷启动问题，热门(offline_hot)、新品(online_new_item)以及Bandit(online_mab)算法不具有真正意义的个性化，在统一的整合策略里可以赋予较低的分数，排在较后位置。具体的分属配置方式可以如下：
在计算完成所有推荐列表的分值后，需要将全部推荐策略的候选集进行合并，为用户去除推荐重复的商品。
例如：如果存在多种推荐算法都为该用户推荐了商品A，可以以最高的分数代替低的分数作为商品A的最终分数。去重完成后对用户的推荐列表按照分数高低排序，得到合并后的找回候选集。在推荐服务端完成推荐候选集的获取和合并后，还可以通过其他复杂的业务逻辑，例如过滤、类型加权、重排序等操作，为用户提供更准确、更符合工业界要求的推荐列表，但它们的商品数据源都来自于推荐列表。
例如：各列表中的各商品对应的分数分别为：第一推荐列表＝{A0.8、B0.4、C0.6、D0.5}，第二推荐列表＝{A0.6、C0.8}，第三推荐列表＝{A0.7、E0.4、F0.5}，第四推荐列表＝{A0.8、N0.9}，假设分数阈值为大于等于0.6，可以看出，四种推荐算法得到的四个推荐列表中都包括了商品A，其中最高分数为0.8，可以将0.8作为商品A的最终分数，两种推荐算法对应的两个推荐列表中都包含商品C，最高分为0.8，此时，形成的最终的推荐列表为{A0.8、C0.8、N0.9}。
再比如:比如首页推荐场景下，离线使用协同过滤计算得到用户近30天的兴趣商品列表{A,B,E,…}，其中并不包括当天发生的实时兴趣，为了弥补这一不足，丰富推荐效果，引入实时点击和搜索相似召回。在在线计算层，根据用户实时的点击行为进行内容相似匹配，得到推荐列表{A,C,D,…}，按照加权重新计算分数，例如离线计算负权重值为6，在线计算负权重值为6.5，将赋权值乘或加在原分数上，并将所有离在线推荐列表合并，按照最大分数去重，得到合并后的推荐列表{A,B,C,D,E,…}。
在生成最终的推荐列表之后，还需要对推荐结果进行评估，具体的评估方式可以包括在线评估和离线评估，具体地，可以采用以下方式进行实现：
线上获取用户对所述第二信息推荐列表中的信息的操作行为数据；
根据所述操作行为数据确定所述第二推荐列表中所有信息的有效点击数，所述有效点击数表示用户点击后查看所述信息的时长满足预设时长的；
根据所述有效点击率确定所述第二信息推荐列表中所有信息的评估结果。
比如：可以根据线上用户的反馈来对各种推荐算法进行评估。其中，线上用户的反馈可以包括显示的反馈(如标记不喜欢)和隐式的反馈(如点击曝光行为)，隐式的反馈可以通过埋点分析用户的行为日志得到，通过用户行为日志统计本场景内的用户点击率uvctr和商品点击率pvctr。其中uvctr为用户在推荐页面发生至少一次点击行为的概率，即所有在推荐场景页发生点击的独立用户数/所有进入到推荐场景页的独立用户数，这个指标可以通过埋点计算用户行为计算得到。pvctr为推荐结果中被用户点击的概率，即所有商品的点击次数/所有商品被曝光的次数，这个指标可以通过埋点计算商品事件得到。
对于基于网络模型的推荐算法，可以使用MAP(Mean Average Precision)算法计算模型离线推荐的质量，具体计算公式可以为：
其中，AP为平均精度，对一个有序的列表，计算AP时可以先求出每个位置上的precision，然后对所有的位置的precision求平均，当precision＝0时，可以表示该位置的本文不相关；q表示一次查询，一次查询可以得到一次的有序结果列表；QR为所有次查询。
在具体进行评估时，基于网络模型的推荐算法得到的推荐列表中的商品与实际推荐商品内容匹配度越高，则可以认为分数越高；模型推荐顺序与实际推荐顺序差异性越大，则可以认为分数越低。
通过这种评估方式可以衡量推荐商品列表的质量，如果MAP的值达不到阈值，也就是说模型的推荐结果并不理想，可以采取相应措施，例如：可以调整模型推荐的加权分数或模型版本回滚。
通过线上的用户表现可以评估推荐效果，可以在控制其它策略都相同的情况下，改变推荐策略，进行对比试验，定期迭代推荐算法，使推荐商品列表更准确。
通过上述方法，满足了不同业务场景对推荐方式的综合要求，由于业务的复杂性和用户群体的差异性，多种推荐算法可以很好的覆盖到各类需求，解决不同人群、不同场景的推荐列表选取问题，通过加权的方式整合不同推荐算法的推荐列表，为动态调整提供方便，使推荐商品的选取灵活多样；采用多种推荐算法并行，可以弥补单一推荐策略推荐不全面或者推荐失败的风险，在异常情况下，即使部分依赖数据库资源或其他服务的召回方式可能存在失败或超时，其他召回策略的成功运行也可以保证结果正常返回，提高服务鲁棒性。
基于同样的思路，本说明书实施例还提供了上述方法对应的装置。图4为本说明书实施例提供的对应于图2的一种信息推荐装置的结构示意图。如图4所示，该装置可以包括：
数据获取模块402，用于基于用户维度从数据平台中获取信息相关数据，所述信息相关数据中包括用户数据、信息数据以及用户行为数据，所述用户行为数据表示用户与信息之间的互动行为，所述信息为以文本类型或音视频类型表现的产品信息；
第一信息推荐列表确定模块404，用于根据所述信息相关数据采用多种推荐算法进行处理，得到第一信息推荐列表集合，所述第一信息推荐列表集合中的一个推荐列表为采用所述多种推荐算法中的一种推荐算法得到的；
第二信息推荐列表确定模块406，用于对所述第一信息推荐列表集合中的多个信息推荐列表按照第一预设规则进行整合，得到第二信息推荐列表；
信息推荐模块408，用于按照所述第二信息推荐列表对所述用户进行信息推荐。
可选的，所述第一信息推荐列表确定模块404，具体可以包括：
相似信息集合确定单元，用于对所述信息文本内容数据进行语义分析，得到与所述信息内容相似的相似信息集合；
关联信息集合确定单元，用于根据所述信息行为数据，采用协同过滤算法，得到与所述信息具有关联行为的关联信息集合；
第一推荐列表确定单元，用于将所述相似信息集合与所述关联信息集合按照第二预设规则进行去重合并，得到第一推荐列表，所述第一推荐列表属于所述第一信息推荐列表集合。
可选的，所述信息数据携带有数据标签，所述标签中包含所述用户对所述信息的行为数据，所述数据标签包括多级标签，所述第一信息推荐列表确定模块404，具体可以包括：
聚类单元，用于根据所述数据标签将所述信息数据进行聚类，得到多个标签簇；
第一关系数据确定单元，用于确定所述用户与所述标签之间的第一关系数据，所述第一关系数据表示所述用户对所述标签簇的兴趣程度；
第二关系数据确定单元，用于确定所述标签簇与各个所述信息间的第二关系数据，所述第二关系数据表示用户对任意一个所述标签下所有商品的偏好程度；
第二推荐列表确定单元，用于根据所述第一关系数据以及所述第二关系数据，得到第二推荐列表，所述第二推荐列表属于所述第一信息推荐列表集合。
可选的，所述信息相关数据还包括在线数据，所述在线数据包括用户线上点击行为数据和用户线上搜索行为数据，所述第一信息推荐列表确定模块404，具体可以包括：
第一信息确定单元，用于根据所述用户线上点击行为数据确定与用户点击的信息相似的第一信息；
第二信息确定单元，用于根据所述用户线上搜索行为数据确定与用户搜索的信息相似的第二信息；
第三推荐列表确定单元，用于根据所述第一信息与所述第二信息，得到第三推荐列表，所述第三推荐列表属于所述第一信息推荐列表集合。
可选的，所述第一信息推荐列表确定模块404，具体可以包括：
第四推荐列表确定单元，用于根据所述信息相关数据结合深度神经网络模型进行处理，得到第四推荐列表，所述第四推荐列表属于所述第一信息推荐列表集合。
可选的，所述第一信息推荐列表确定模块404，具体可以包括：
初次上架信息确定单元，用于确定所述信息相关数据中的初次上架的信息；
第一权重值确定单元，用于为所述初次上架的信息赋予设定的第一权重值，所述第一权重值大于旧信息的权重值；
第五推荐列表确定单元，用于根据所述第一权重值得到第五推荐列表，所述第五推荐列表属于所述第一信息集合，所述第一权重值越大，被推荐的概率越高。
可选的，所述装置，还可以包括：
信息集合确定模块，用于针对新用户，从数据平台中获取点击率从高到低排名前N的信息集合，N≥1；
第六推荐列表确定模块，用于根据所述信息集合结合Bandit算法，得到第六推荐列表；
第二推荐模块，用于按照所述第六信息推荐列表对所述新用户进行信息推荐。
可选的，所述第二信息推荐列表确定模块406，具体可以包括：
去重单元，用于将多个推荐列表进行去重，得到去重后的信息推荐列表；
整合单元，用于对每种推荐算法对应的推荐列表赋予相应的第二权重值，利用加权合并的方式对所述去重后的信息推荐列表进行整合，得到第二信息推荐列表。
可选的，所述整合单元，具体可以用于：
根据所述第二权重值重新计算加权后的各推荐列表中所有信息的分数值；
按照所述分数值的高低对全部推荐列表中的信息进行重新排列，得到满足分数阈值的第二信息推荐列表。
可选的，所述装置，还可以包括：
评估模块，用于对所述第二信息推荐列表进行评估，根据评估结果对所述第二信息推荐列表进行更新，所述评估包括在线评估和离线评估。
可选的，所述评估模块，具体可以用于：
线上获取用户对所述第二信息推荐列表中的信息的操作行为数据；
根据所述操作行为数据确定所述第二推荐列表中所有信息的有效点击数，所述有效点击数表示用户点击后查看所述信息的时长满足预设时长的；
根据所述有效点击率确定所述第二信息推荐列表中所有信息的评估结果。
基于同样的思路，本说明书实施例还提供了上述方法对应的设备。
图5为本说明书实施例提供的对应于图2的一种信息推荐设备的结构示意图。如图5所示，设备500可以包括：
至少一个处理器510；以及，
与所述至少一个处理器通信连接的存储器530；其中，
所述存储器530存储有可被所述至少一个处理器510执行的指令520，所述指令被所述至少一个处理器510执行，以使所述至少一个处理器510能够：
基于用户维度从数据平台中获取信息相关数据，所述信息相关数据中包括用户数据、信息数据以及用户行为数据，所述用户行为数据表示用户与信息之间的互动行为，所述信息为以文本类型或音视频类型表现的产品信息；
根据所述信息相关数据采用多种推荐算法进行处理，得到第一信息推荐列表集合，所述第一信息推荐列表集合中的一个推荐列表为采用所述多种推荐算法中的一种推荐算法得到的；
对所述第一信息推荐列表集合中的多个信息推荐列表按照第一预设规则进行整合，得到第二信息推荐列表；
按照所述第二信息推荐列表对所述用户进行信息推荐。
基于同样的思路，本说明书实施例还提供了上述方法对应的计算机可读介质。计算机可读介质上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现以下方法：
基于用户维度从数据平台中获取信息相关数据，所述信息相关数据中包括用户数据、信息数据以及用户行为数据，所述用户行为数据表示用户与信息之间的互动行为，所述信息为以文本类型或音视频类型表现的产品信息；
根据所述信息相关数据采用多种推荐算法进行处理，得到第一信息推荐列表集合，所述第一信息推荐列表集合中的一个推荐列表为采用所述多种推荐算法中的一种推荐算法得到的；
对所述第一信息推荐列表集合中的多个信息推荐列表按照第一预设规则进行整合，得到第二信息推荐列表；
按照所述第二信息推荐列表对所述用户进行信息推荐。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书一个或多个实施例可提供为方法、***、或计算机程序产品。因此，本说明书一个或多个实施例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，本说明书一个或多个实施例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。
本说明书一个或多个实施例是参照根据本说明书一个或多个实施例的方法、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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
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，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定人物或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行人物。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说，本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的权利要求范围之内。

Claims (14)

1.一种信息推荐方法，其特征在于，包括：
基于用户维度从数据平台中获取信息相关数据，所述信息相关数据中包括用户数据、信息数据以及用户行为数据，所述用户行为数据表示用户与信息之间的互动行为，所述信息为以文本类型或音视频类型表现的产品信息；
根据所述信息相关数据采用多种推荐算法进行处理，得到第一信息推荐列表集合，所述第一信息推荐列表集合中的一个推荐列表为采用所述多种推荐算法中的一种推荐算法得到的；
对所述第一信息推荐列表集合中的多个信息推荐列表按照第一预设规则进行整合，得到第二信息推荐列表；
按照所述第二信息推荐列表对所述用户进行信息推荐。
2.如权利要求1所述的方法，其特征在于，所述信息数据包括信息文本内容数据和信息行为数据，所述根据所述信息相关数据采用多种推荐算法进行处理，得到第一信息推荐列表集合，具体包括：
对所述信息文本内容数据进行语义分析，得到与所述信息内容相似的相似信息集合；
根据所述信息行为数据，采用协同过滤算法，得到与所述信息具有关联行为的关联信息集合；
将所述相似信息集合与所述关联信息集合按照第二预设规则进行去重合并，得到第一推荐列表，所述第一推荐列表属于所述第一信息推荐列表集合。
3.如权利要求1所述的方法，其特征在于，所述信息数据携带有数据标签，所述标签中包含所述用户对所述信息的行为数据，所述数据标签包括多级标签，所述根据所述信息相关数据采用多种推荐算法进行处理，得到第一信息推荐列表集合，具体包括：
根据所述数据标签将所述信息数据进行聚类，得到多个标签簇；
确定所述用户与所述标签之间的第一关系数据，所述第一关系数据表示所述用户对所述标签簇的兴趣程度；
确定所述标签簇与各个所述信息间的第二关系数据，所述第二关系数据表示用户对任意一个所述标签下所有商品的偏好程度；
根据所述第一关系数据以及所述第二关系数据，得到第二推荐列表，所述第二推荐列表属于所述第一信息推荐列表集合。
4.如权利要求1所述的方法，其特征在于，所述信息相关数据还包括在线数据，所述在线数据包括用户线上点击行为数据和用户线上搜索行为数据，所述根据所述信息相关数据采用多种推荐算法进行处理，得到第一信息推荐列表集合，具体包括：
根据所述用户线上点击行为数据确定与用户点击的信息相似的第一信息；
根据所述用户线上搜索行为数据确定与用户搜索的信息相似的第二信息；
根据所述第一信息与所述第二信息，得到第三推荐列表，所述第三推荐列表属于所述第一信息推荐列表集合。
5.如权利要求1所述的方法，其特征在于，所述根据所述信息相关数据采用多种推荐算法进行处理，得到第一信息推荐列表集合，具体包括：
根据所述信息相关数据结合深度神经网络模型进行处理，得到第四推荐列表，所述第四推荐列表属于所述第一信息推荐列表集合。
6.如权利要求1所述的方法，其特征在于，所述根据所述信息相关数据采用多种推荐算法进行处理，得到第一信息推荐列表集合，具体包括：
确定所述信息相关数据中的初次上架的信息；
为所述初次上架的信息赋予设定的第一权重值，所述第一权重值大于旧信息的权重值；
根据所述第一权重值得到第五推荐列表，所述第五推荐列表属于所述第一信息集合，所述第一权重值越大，被推荐的概率越高。
7.如权利要求1所述的方法，其特征在于，所述按照所述第二信息推荐列表对所述用户进行信息推荐之后，还包括：
针对新用户，从数据平台中获取点击率从高到低排名前N的信息集合，其中N≥1；
根据所述信息集合结合Bandit算法，得到第六推荐列表；
按照所述第六信息推荐列表对所述新用户进行信息推荐。
8.如权利要求1所述的方法，其特征在于，所述对所述第一信息推荐列表集合中的多个信息推荐列表按照第一预设规则进行整合，得到第二信息推荐列表，具体包括：
将多个推荐列表进行去重，得到去重后的信息推荐列表；
对每种推荐算法对应的推荐列表赋予相应的第二权重值，利用加权合并的方式对所述去重后的信息推荐列表进行整合，得到第二信息推荐列表。
9.如权利要求8所述的方法，其特征在于，所述利用加权合并的方式对所述去重后的信息推荐列表进行整合，得到第二信息推荐列表，具体包括：
根据所述第二权重值重新计算加权后的各推荐列表中所有信息的分数值；
按照所述分数值的高低对全部推荐列表中的信息进行重新排列，得到满足分数阈值的第二信息推荐列表。
10.如权利要求1所述的方法，其特征在于，所述按照所述第二信息推荐列表对所述用户进行信息推荐之后，还包括：
对所述第二信息推荐列表进行评估，根据评估结果对所述第二信息推荐列表进行更新，所述评估包括在线评估和离线评估。
11.如权利要求10所述的方法，其特征在于，所述对所述第二信息推荐列表进行评估，具体包括：
线上获取用户对所述第二信息推荐列表中的信息的操作行为数据；
根据所述操作行为数据确定所述第二推荐列表中所有信息的有效点击数，所述有效点击数表示用户点击后查看所述信息的时长满足预设时长的；
根据所述有效点击率确定所述第二信息推荐列表中所有信息的评估结果。
12.一种信息推荐装置，其特征在于，包括：
数据获取模块，用于基于用户维度从数据平台中获取信息相关数据，所述信息相关数据中包括用户数据、信息数据以及用户行为数据，所述用户行为数据表示用户与信息之间的互动行为，所述信息为以文本类型或音视频类型表现的产品信息；
第一信息推荐列表确定模块，用于根据所述信息相关数据采用多种推荐算法进行处理，得到第一信息推荐列表集合，所述第一信息推荐列表集合中的一个推荐列表为采用所述多种推荐算法中的一种推荐算法得到的；
第二信息推荐列表确定模块，用于对所述第一信息推荐列表集合中的多个信息推荐列表按照第一预设规则进行整合，得到第二信息推荐列表；
信息推荐模块，用于按照所述第二信息推荐列表对所述用户进行信息推荐。
13.一种信息推荐设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
基于用户维度从数据平台中获取信息相关数据，所述信息相关数据中包括用户数据、信息数据以及用户行为数据，所述用户行为数据表示用户与信息之间的互动行为，所述信息为以文本类型或音视频类型表现的产品信息；
根据所述信息相关数据采用多种推荐算法进行处理，得到第一信息推荐列表集合，所述第一信息推荐列表集合中的一个推荐列表为采用所述多种推荐算法中的一种推荐算法得到的；
对所述第一信息推荐列表集合中的多个信息推荐列表按照第一预设规则进行整合，得到第二信息推荐列表；
按照所述第二信息推荐列表对所述用户进行信息推荐。
14.一种计算机可读介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现权利要求1至11中任一项所述的信息推荐方法。
CN201910838056.7A 2019-09-05 2019-09-05 一种信息推荐方法、装置及设备 Pending CN110532479A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910838056.7A CN110532479A (zh) 2019-09-05 2019-09-05 一种信息推荐方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910838056.7A CN110532479A (zh) 2019-09-05 2019-09-05 一种信息推荐方法、装置及设备

Publications (1)

Publication Number Publication Date
CN110532479A true CN110532479A (zh) 2019-12-03

Family

ID=68667096

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910838056.7A Pending CN110532479A (zh) 2019-09-05 2019-09-05 一种信息推荐方法、装置及设备

Country Status (1)

Country Link
CN (1) CN110532479A (zh)

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111177563A (zh) * 2019-12-31 2020-05-19 北京顺丰同城科技有限公司 一种信息推荐方法、装置、电子设备和存储介质
CN111241388A (zh) * 2019-12-13 2020-06-05 北京三快在线科技有限公司 多策略召回方法、装置、电子设备及可读存储介质
CN111651704A (zh) * 2020-04-14 2020-09-11 北京齐尔布莱特科技有限公司 一种内容推荐方法、计算设备以及存储介质
CN111897861A (zh) * 2020-06-30 2020-11-06 苏宁金融科技(南京)有限公司 一种内容推荐方法、装置、计算机设备及存储介质
CN112308686A (zh) * 2020-11-26 2021-02-02 江苏科源网络技术有限公司 一种智能推荐方法
CN112507237A (zh) * 2020-12-28 2021-03-16 山东茶急送茶业有限公司 在零售app中根据用户数据进行精准推送的智能算法
CN112685639A (zh) * 2020-12-31 2021-04-20 苏宁金融科技(南京)有限公司 活动推荐方法、装置、计算机设备和存储介质
CN112836085A (zh) * 2021-02-08 2021-05-25 深圳市欢太科技有限公司 一种权重调整方法及装置、存储介质
CN112862567A (zh) * 2021-02-25 2021-05-28 华侨大学 一种在线展会的展品推荐方法与***
CN113010794A (zh) * 2021-04-12 2021-06-22 北京明略软件***有限公司 用于信息推荐的方法、装置、电子设备及存储介质
CN113127674A (zh) * 2019-12-31 2021-07-16 中移(成都)信息通信科技有限公司 歌单推荐方法、装置、电子设备及计算机存储介质
CN113205383A (zh) * 2021-05-07 2021-08-03 中山市云经纪网络科技有限公司 一种房产智能推荐方法及***
CN113297501A (zh) * 2021-06-23 2021-08-24 中国农业银行股份有限公司 门户平台的内容推荐方法、装置、电子设备及存储介质
CN113378068A (zh) * 2021-07-14 2021-09-10 聚好看科技股份有限公司 一种内容推荐方法及服务器
CN113407845A (zh) * 2021-07-14 2021-09-17 上海明略人工智能(集团)有限公司 用于信息推荐的方法、装置、电子设备及存储介质
CN113470739A (zh) * 2021-07-03 2021-10-01 中国科学院新疆理化技术研究所 一种基于混合隶属度随机块模型的蛋白质相互作用预测方法和***
CN113641908A (zh) * 2021-08-17 2021-11-12 中国联合网络通信集团有限公司 课程推送方法、装置、服务器和计算机存储介质
CN113781146A (zh) * 2020-11-17 2021-12-10 北京沃东天骏信息技术有限公司 产品信息的推荐方法、装置、设备和存储介质
CN113837842A (zh) * 2021-09-29 2021-12-24 浪潮卓数大数据产业发展有限公司 一种基于用户行为数据的商品推荐方法及设备
CN113947459A (zh) * 2021-10-21 2022-01-18 北京沃东天骏信息技术有限公司 物品推选方法、装置及存储介质
CN114862449A (zh) * 2022-04-12 2022-08-05 上海虎瑾信息技术有限公司 唯一自然人标识计算的方法、装置、电子设备和存储介质
CN114936316A (zh) * 2022-04-18 2022-08-23 上海二三四五网络科技有限公司 基于展现位置因素改进的Hacker热门内容计算方法
CN115114402A (zh) * 2022-06-27 2022-09-27 北京金堤科技有限公司 相关相似公司的推荐方法、装置、存储介质和电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150120722A1 (en) * 2013-10-31 2015-04-30 Telefonica Digital Espana, S.L.U. Method and system for providing multimedia content recommendations
CN105630880A (zh) * 2015-12-17 2016-06-01 东软集团股份有限公司 一种评分数据预测方法及装置
CN109977316A (zh) * 2019-03-29 2019-07-05 厦门铠甲网络股份有限公司 一种并行式文章推荐方法、装置、设备及存储介质
CN110110205A (zh) * 2018-01-16 2019-08-09 北京京东金融科技控股有限公司 推荐信息生成方法与装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150120722A1 (en) * 2013-10-31 2015-04-30 Telefonica Digital Espana, S.L.U. Method and system for providing multimedia content recommendations
CN105630880A (zh) * 2015-12-17 2016-06-01 东软集团股份有限公司 一种评分数据预测方法及装置
CN110110205A (zh) * 2018-01-16 2019-08-09 北京京东金融科技控股有限公司 推荐信息生成方法与装置
CN109977316A (zh) * 2019-03-29 2019-07-05 厦门铠甲网络股份有限公司 一种并行式文章推荐方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴洪贵等: "《SEO搜索引擎优化》", 30 June 2017 *
我很平凡的: ""推荐*** 用户画像 标签聚类 个性化搜索"", 《HTTPS://BLOG.CSDN.NET/BANBUDUOYUJIAN/ARTICLE/DETAILS/53728434》 *

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241388A (zh) * 2019-12-13 2020-06-05 北京三快在线科技有限公司 多策略召回方法、装置、电子设备及可读存储介质
CN111177563B (zh) * 2019-12-31 2023-06-27 北京顺丰同城科技有限公司 一种信息推荐方法、装置、电子设备和存储介质
CN111177563A (zh) * 2019-12-31 2020-05-19 北京顺丰同城科技有限公司 一种信息推荐方法、装置、电子设备和存储介质
CN113127674A (zh) * 2019-12-31 2021-07-16 中移(成都)信息通信科技有限公司 歌单推荐方法、装置、电子设备及计算机存储介质
CN113127674B (zh) * 2019-12-31 2023-07-21 中移(成都)信息通信科技有限公司 歌单推荐方法、装置、电子设备及计算机存储介质
CN111651704A (zh) * 2020-04-14 2020-09-11 北京齐尔布莱特科技有限公司 一种内容推荐方法、计算设备以及存储介质
CN111651704B (zh) * 2020-04-14 2024-01-12 北京齐尔布莱特科技有限公司 一种内容推荐方法、计算设备以及存储介质
CN111897861A (zh) * 2020-06-30 2020-11-06 苏宁金融科技(南京)有限公司 一种内容推荐方法、装置、计算机设备及存储介质
CN113781146A (zh) * 2020-11-17 2021-12-10 北京沃东天骏信息技术有限公司 产品信息的推荐方法、装置、设备和存储介质
CN112308686A (zh) * 2020-11-26 2021-02-02 江苏科源网络技术有限公司 一种智能推荐方法
CN112507237A (zh) * 2020-12-28 2021-03-16 山东茶急送茶业有限公司 在零售app中根据用户数据进行精准推送的智能算法
CN112685639A (zh) * 2020-12-31 2021-04-20 苏宁金融科技(南京)有限公司 活动推荐方法、装置、计算机设备和存储介质
CN112836085A (zh) * 2021-02-08 2021-05-25 深圳市欢太科技有限公司 一种权重调整方法及装置、存储介质
CN112862567A (zh) * 2021-02-25 2021-05-28 华侨大学 一种在线展会的展品推荐方法与***
CN113010794A (zh) * 2021-04-12 2021-06-22 北京明略软件***有限公司 用于信息推荐的方法、装置、电子设备及存储介质
CN113205383A (zh) * 2021-05-07 2021-08-03 中山市云经纪网络科技有限公司 一种房产智能推荐方法及***
CN113297501B (zh) * 2021-06-23 2024-05-31 中国农业银行股份有限公司 门户平台的内容推荐方法、装置、电子设备及存储介质
CN113297501A (zh) * 2021-06-23 2021-08-24 中国农业银行股份有限公司 门户平台的内容推荐方法、装置、电子设备及存储介质
CN113470739A (zh) * 2021-07-03 2021-10-01 中国科学院新疆理化技术研究所 一种基于混合隶属度随机块模型的蛋白质相互作用预测方法和***
CN113407845A (zh) * 2021-07-14 2021-09-17 上海明略人工智能(集团)有限公司 用于信息推荐的方法、装置、电子设备及存储介质
CN113378068A (zh) * 2021-07-14 2021-09-10 聚好看科技股份有限公司 一种内容推荐方法及服务器
CN113641908B (zh) * 2021-08-17 2023-06-20 中国联合网络通信集团有限公司 课程推送方法、装置、服务器和计算机存储介质
CN113641908A (zh) * 2021-08-17 2021-11-12 中国联合网络通信集团有限公司 课程推送方法、装置、服务器和计算机存储介质
CN113837842A (zh) * 2021-09-29 2021-12-24 浪潮卓数大数据产业发展有限公司 一种基于用户行为数据的商品推荐方法及设备
CN113947459A (zh) * 2021-10-21 2022-01-18 北京沃东天骏信息技术有限公司 物品推选方法、装置及存储介质
CN114862449A (zh) * 2022-04-12 2022-08-05 上海虎瑾信息技术有限公司 唯一自然人标识计算的方法、装置、电子设备和存储介质
CN114936316A (zh) * 2022-04-18 2022-08-23 上海二三四五网络科技有限公司 基于展现位置因素改进的Hacker热门内容计算方法
CN114936316B (zh) * 2022-04-18 2023-06-06 上海二三四五网络科技有限公司 基于展现位置因素改进的Hacker热门内容计算方法
CN115114402A (zh) * 2022-06-27 2022-09-27 北京金堤科技有限公司 相关相似公司的推荐方法、装置、存储介质和电子设备

Similar Documents

Publication Publication Date Title
CN110532479A (zh) 一种信息推荐方法、装置及设备
Reddy et al. Content-based movie recommendation system using genre correlation
CN111784455B (zh) 一种物品推荐方法及推荐设备
US7966225B2 (en) Method, system, and medium for cluster-based categorization and presentation of item recommendations
US8095521B2 (en) Recommendation system with cluster-based filtering of recommendations
CN111461841B (zh) 物品推荐方法、装置、服务器及存储介质
US20170091319A1 (en) Bayesian visual interactive search
CN110428298A (zh) 一种店铺推荐方法、装置及设备
CN110321482A (zh) 一种信息的推荐方法、装置及设备
WO2018040069A1 (zh) 信息推荐***及方法
CN111159341B (zh) 基于用户投资理财偏好的资讯推荐方法及装置
Bhargava et al. Unsupervised modeling of users' interests from their Facebook profiles and activities
Bansal et al. User tweets based genre prediction and movie recommendation using LSI and SVD
CN112488781A (zh) 搜索推荐方法、装置、电子设备及可读存储介质
Duan et al. A hybrid intelligent service recommendation by latent semantics and explicit ratings
CN110795613A (zh) 商品搜索方法、装置、***及电子设备
CN110083766B (zh) 一种基于元路径引导嵌入的查询推荐方法及装置
Sharma et al. Intelligent data analysis using optimized support vector machine based data mining approach for tourism industry
Huang et al. Feature extraction of search product based on multi-feature fusion-oriented to Chinese online reviews
Dong et al. Improving sequential recommendation with attribute-augmented graph neural networks
CN116823410B (zh) 数据处理方法、对象处理方法、推荐方法及计算设备
Ashraf et al. Personalized news recommendation based on multi-agent framework using social media preferences
CN116843376A (zh) 一种营销效果预判方法、装置、存储介质及设备
Ding et al. [Retracted] Clustering Merchants and Accurate Marketing of Products Using the Segmentation Tree Vector Space Model
Said et al. Personalizing tags: a folksonomy-like approach for recommending movies

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20191203

RJ01 Rejection of invention patent application after publication