CN110737834B - 业务对象的推荐方法、装置、存储介质和计算机设备 - Google Patents
业务对象的推荐方法、装置、存储介质和计算机设备 Download PDFInfo
- Publication number
- CN110737834B CN110737834B CN201910973183.8A CN201910973183A CN110737834B CN 110737834 B CN110737834 B CN 110737834B CN 201910973183 A CN201910973183 A CN 201910973183A CN 110737834 B CN110737834 B CN 110737834B
- Authority
- CN
- China
- Prior art keywords
- text
- business
- service
- objects
- target
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 239000013598 vector Substances 0.000 claims abstract description 298
- 230000008569 process Effects 0.000 claims abstract description 17
- 230000001960 triggered effect Effects 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 24
- 230000006399 behavior Effects 0.000 claims description 23
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 description 38
- 230000000875 corresponding effect Effects 0.000 description 20
- 238000011176 pooling Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 17
- 239000000284 extract Substances 0.000 description 15
- 230000009467 reduction Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 235000021419 vinegar Nutrition 0.000 description 5
- 239000000052 vinegar Substances 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 235000013409 condiments Nutrition 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 235000012149 noodles Nutrition 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000003796 beauty Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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)
Abstract
本申请涉及一种业务对象的推荐方法、装置、存储介质和计算机设备,所述方法包括:获取触发的目标业务对象的文本向量;获取除所述目标业务对象以外的其它业务对象的文本向量,其中,所述目标业务对象以及所述其它业务对象的文本向量是根据训练得到的对象类别识别模型确定的;根据所述目标业务对象的文本向量以及所述其它业务对象的文本向量确定待推荐业务对象,并输出所述待推荐业务对象。本申请在推荐相似的业务对象时,避免了繁琐的操作过程。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种业务对象的推荐方法、装置、存储介质和计算机设备。
背景技术
在传统的互联网技术中,网站发布业务对象,以供登录该网站的用户搜索、浏览,以及针对特定的业务对象执行后续的处理操作。以购物网站为例,业务对象为卖家发布的商品,登录购物网站的用户搜索、浏览商品,以及针对感兴趣的商品进行收藏、购买等;以资讯网站为例,业务对象为发布者发布的新闻,登录资讯网站的用户搜索、浏览新闻,以及针对感兴趣的新闻进行评论、转发等。
当用户搜索或者浏览一个业务对象时,网站会向用户推荐一些用户可能感兴趣的业务对象,以使用户能够快速从所推荐的业务对象中找到自身需要的业务对象,比如,购物网站会推送与用户搜索或者浏览的商品相似的商品,资讯网站会推送与用户搜索或者浏览的新闻相似的新闻,视频、音乐、书籍等资源网站会推送与用户搜索或者浏览的资源相似的资源,社交网站会推送与用户搜索或者浏览的社交账号相似的社交账号、与用户搜索或者浏览的Feed流信息相似的Feed流信息等。但是,传统的相似业务对象的推荐方式,需要对业务对象的文本信息进行分词操作或者统计词频,导致操作过程繁琐。
发明内容
基于此,有必要针对在传统的业务对象的推荐方式的操作过程繁琐的问题,提供一种业务对象的推荐方法、装置、存储介质和计算机设备。
一种业务对象的推荐方法,所述方法包括:
获取触发的目标业务对象的文本向量;
获取除所述目标业务对象以外的其它业务对象的文本向量,其中,业务对象的文本向量是根据训练得到的对象类别识别模型确定的,所述业务对象包括所述目标业务对象以及所述其它业务对象;
根据所述目标业务对象的文本向量以及所述其它业务对象的文本向量确定待推荐业务对象,并输出所述待推荐业务对象。
一种业务对象的推荐装置,所述装置包括:
获取模块,用于获取触发的目标业务对象的文本向量;
所述获取模块,还用于获取除所述目标业务对象以外的其它业务对象的文本向量,其中,业务对象的文本向量是根据训练得到的对象类别识别模型确定的,所述业务对象包括所述目标业务对象以及所述其它业务对象;
确定模块,用于根据所述目标业务对象的文本向量以及所述其它业务对象的文本向量确定待推荐业务对象,并输出所述待推荐业务对象。
一种存储介质,所述存储介质上存储有计算机可执行指令,所述计算机可执行指令被处理器执行时,使得所述处理器执行业务对象的推荐方法的步骤。
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行业务对象的推荐方法的步骤。
上述业务对象的推荐方法、装置、存储介质和计算机设备,获取触发的目标业务对象的文本向量,获取除目标业务对象以外的其它业务对象的文本向量,根据目标业务对象的文本向量以及其它业务对象的文本向量确定待推荐业务对象,并输出待推荐业务对象,其中,目标业务对象以及其它业务对象的文本向量是根据训练得到的对象类别识别模型确定的。这种业务对象的推荐方法,根据对象类别识别模型确定业务对象的文本向量,避免了繁琐的操作过程,同时,对象类别识别模型考虑了业务对象所属的类别及其文本信息的语义,不仅可在类别的维度上推荐相似的业务对象,而且避免一词多义对业务对象之间的相似度的影响,提高了推荐信息的转化率。
附图说明
图1为一个实施例中用于实现业务对象的推荐方法的终端的内部结构图;
图2为一个实施例中业务对象的推荐方法的流程示意图;
图3为一个实施例中对象类别识别模型的结构框图;
图4为另一个实施例中对象类别识别模型的结构框图;
图5为又一个实施例中对象类别识别模型的结构框图;
图6为一个实施例中业务对象的推荐结果示意图;
图7为一个实施例中嵌入层的作用示意图;
图8为一个实施例中卷积层的作用示意图;
图9为一个实施例中池化层的作用示意图;
图10为另一个实施例中业务对象的推荐方法的流程示意图;
图11为又一个实施例中业务对象的推荐方法的流程示意图;
图12为一个实施例中业务对象的推荐装置的结构框图;
图13为另一个实施例中业务对象的推荐装置的结构框图;
图14为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
图1为一个实施例中终端的内部结构示意图。如图1所示,该终端包括通过***总线连接的处理器、非易失性存储介质、内存储器和网络接口、显示屏和输入装置。其中,终端的非易失性存储介质存储有操作***,还可存储有计算机可读指令,该计算机可读指令被处理器执行时,可使得处理器实现一种业务对象的推荐方法。该处理器用于提供计算和控制能力,支撑整个终端的运行。该内存储器中也可储存有计算机可读指令,该计算机可读指令被所述处理器执行时,可使得所述处理器执行一种业务对象的推荐方法。网络接口用于与服务器或其他终端进行网络通信。终端的显示屏可以是液晶显示屏或者电子墨水显示屏等。输入装置可以是显示屏上覆盖的触摸层,也可以是终端外壳上设置的按键、轨迹球或触控板,也可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的终端的限定,具体的终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
如图2所示,在一个实施例中,提供了一种业务对象的推荐方法。
参照图2,本实施例主要以该方法应用于上述图1中的终端来举例说明,该业务对象的推荐方法具体包括如下步骤:
S202,获取触发的目标业务对象的文本向量。
其中,业务对象是指在执行用户操作行为时,可作为操作目标的对象。用户操作行为是指用户与终端之间的交互行为,比如,用户在终端的显示界面执行的点击、滑动等选择操作,用户在终端的搜索区域输入关键词、标题、链接、口令等执行的搜索操作等。业务对象可以是购物网站上架的商品、资讯网站发布的新闻、视频网站发布的视频、音乐网站上架的音乐、书籍网站上传的书籍、社交网站的账号、Feed流等。目标业务对象是指用户操作行为所选择的作为操作目标的对象。比如,用户点击购物网站中一商品,该商品即为目标业务对象。
其中,文本向量是指通过向量的方式表征业务对象的文本信息,用于表征的向量可为低维的向量。文本信息是与业务对象有关的信息,比如业务对象的标题、关键字、简介、摘要等。文本向量可表征业务对象之间的关系远近,业务对象之间的关系越近,其对应的文本向量之间的向量距离越小。以业务对象为商品为例,裙子的文本向量与裤子的文本向量之间的向量距离,会比裙子的文本向量与项链的文本向量之间的向量距离更近。
具体地,根据训练得到的对象类别识别模型确定目标业务对象的文本向量。对象类别识别模型可对业务对象所属的类别进行识别,在识别的过程中,对象类别识别模型会先生成业务对象的文本信息的文本向量,进而根据业务对象的文本向量确定业务对象所属的类别,因此业务对象的文本向量可反映出业务对象之间的关系远近。对训练得到的对象类别识别模型进行测试,对象类别识别模型对业务对象的文本信息的分类准确率可达92%,说明根据对象类别识别模型确定的业务对象的文本向量能够准确表征业务对象的文本信息的语义。
业务对象的类别可通过业务对象的种类、来源等特征进行表征。
业务对象的种类是根据业务对象自身的性质而分成的门类。以业务对象为商品为例,种类可包括:零食、酒水、饮料、粮油、副食、服装、个人护理、家居厨具、家庭清洁、母婴玩具、家电数码、医药保健、美容护肤、宠物生活等;以业务对象为新闻、视频、音乐、书籍、社交网站的账号或者Feed流为例,种类可通过其所属的领域进行划分,比如:科技、财经、体育、娱乐、汽车、房产、时尚、教育、旅游、游戏等。
业务对象的来源是指与业务对象的产生相关的信息。以业务对象为商品为例,来源可包括:生产地、生产产商、品牌等;以业务对象为新闻、视频、音乐、书籍、社交网站的账号或者Feed流为例,种类可包括:发布者、作者等。
具体地,对象类别识别模型可为神经网络模型。如图3所示,对象类别识别模型可包括输入层、隐含层和输出层,按顺序建立输入层与隐含层之间的联结,最后建立隐含层与输出层之间的联结。
在一个实施例中,如图4所示,对象类别识别模型可包括输入层、嵌入层、隐含层和分类器。其中,输入层用于接收输入的业务对象的稀疏矩阵,并将业务对象的稀疏矩阵发送至嵌入层;嵌入层对输入的业务对象的稀疏矩阵进行降维操作,得到密集矩阵,并将密集矩阵发送至隐含层;隐含层基于输入的密集矩阵提取出具有区分性的特征,并将提取出的特征发送至分类器;分类器计算业务对象属于每一类别的概率,从而达到分类的目的。
在一个实施例中,如图5所示,隐含层可包括卷积层、池化层和全连接层。其中,卷积层在输入的密集矩阵上初步提取特征,得到卷积特征向量;池化层对卷积层输出的卷积特征向量进行降维操作,并进一步提取特征,得到池化特征向量;全连接层将卷积层和池化层处理得到的特征向量进行合并或者取样,提取出具有区分性的特征。
对象类别识别模型可通过样本业务对象的文本信息以及样本业务对象所属的类别训练得到,样本业务对象是指用于对象类别识别模型训练的业务对象。利用样本业务对象所属的类别对样本业务对象的文本信息进行标记,将标记后的样本业务对象的文本信息输入对象类别识别模型,利用反向传播的方式训练对象类别识别模型,以使对象类别识别模型的识别结果趋近样本业务对象的标记,从而使得对象类别识别模型学习样本业务对象的文本信息与样本业务对象所属的类别之间的映射。
在一个实施例中,获取用户操作行为对应的目标业务对象的文本向量的方式可以是:获取预先存储的业务对象与文本向量的匹配关系,根据匹配关系查找用户操作行为对应的目标业务对象的文本向量。其中,该匹配关系是根据业务对象与通过对象类别识别模型所确定的业务对象的文本向量建立的。即,预先通过训练得到的对象类别识别模型确定业务对象的文本向量,将业务对象与业务对象的文本向量关联存储,以在应用时根据目标业务对象,直接调取该目标业务对象的文本向量,减少了计算过程。
在另一个实施例中,获取用户操作行为对应的目标业务对象的文本向量的方式可以是:获取用户操作行为对应的目标业务对象的文本信息,将目标业务对象的文本信息输入对象类别识别模型,得到目标业务对象的文本向量。具体地,将目标业务对象的文本信息输入对象类别识别模型,得到对象类别识别模型的隐含层中的预设层输出的目标业务对象的文本向量。其中,预设层可为隐含层中的任意一层。可选地,预设层为最后一层全连接层。
S204,获取除所述目标业务对象以外的其它业务对象的文本向量,其中,业务对象的文本向量是根据训练得到的对象类别识别模型确定的,所述业务对象包括所述目标业务对象以及所述其它业务对象。
其中,其它业务对象是指用户操作行为未选择作为操作目标的对象,比如购物网站中,用户未点击的商品,该商品即为其它业务对象。
具体地,根据训练得到的对象类别识别模型确定其它业务对象的文本向量。
在一个实施例中,获取用户操作行为对应的其它业务对象的文本向量的方式可以是:获取预先存储的业务对象与文本向量的匹配关系,根据匹配关系查找用户操作行为对应的其它业务对象的文本向量。其中,该匹配关系是根据业务对象与通过对象类别识别模型所确定的业务对象的文本向量建立的。即,预先通过训练得到的对象类别识别模型确定业务对象的文本向量,将业务对象与业务对象的文本向量关联存储,以在应用时根据其它业务对象,直接调取该其它业务对象的文本向量,减少了计算过程。
在另一个实施例中,获取用户操作行为对应的其它业务对象的文本向量的方式可以是:获取用户操作行为对应的其它业务对象的文本信息,将其它业务对象的文本信息输入对象类别识别模型,得到其它业务对象的文本向量。具体地,将其它业务对象的文本信息输入对象类别识别模型,得到对象类别识别模型的隐含层中的预设层输出的其它业务对象的文本向量。其中,预设层可为隐含层中的任意一层。可选地,预设层为最后一层全连接层。
S206,根据所述目标业务对象的文本向量以及所述其它业务对象的文本向量确定待推荐业务对象,并输出所述待推荐业务对象。
具体地,根据目标业务对象的文本向量以及其它业务对象的文本向量确定待推荐业务对象的方式可以是:获取目标业务对象的文本向量与其它业务对象的文本向量之间的相似度,根据相似度在其它业务对象中确定待推荐业务对象。
在一个实施例中,目标业务对象的文本向量与其它业务对象的文本向量之间的相似度,可通过目标业务对象的文本向量与其它业务对象的文本向量之间的向量距离进行确定。
其中,向量距离与相似度呈反比,即目标业务对象的文本向量与其它业务对象的文本向量之间的向量距离越小,目标业务对象的文本向量与其它业务对象的文本向量之间的相似度越大。具体地,目标业务对象的文本向量与其它业务对象的文本向量之间的向量距离可通过欧几里得距离、余弦相似度等进行表征。
在一个实施例中,根据相似度在其它业务对象中确定待推荐业务对象的方式可以是:利用相似度对其它业务对象进行排序,根据排序结果确定待推荐业务对象。
具体地,当获取目标业务对象的文本向量与其它业务对象的文本向量之间的相似度后,依照相似度由大至小进行排序,或者依照相似度由小至大进行排序。根据排序结果,按照相似度由大至小的顺序选取预设数量的其它业务对象,将选取的其它业务对象作为待推荐业务对象。
如图6所示,以业务对象为商品为例,当用户点击了目标商品“山西老陈醋”,通过对象类别识别模型分别确定目标商品的文本向量以及其它商品的文本向量,获取目标商品的文本向量与其它商品的文本向量之间的相似度,利用相似度对其它商品进行排序,按照相似度由大至小的顺序选取十个其它商品推荐给用户。从图6中可以看出,推荐给用户的商品并不仅限于“醋”,而是在更大的范畴——“调味品”内进行推荐,实现在类别的维度上推荐业务对象,且被推荐的业务对象与目标对象具有关联性。
本实施例提供的业务对象的推荐方法,获取触发的目标业务对象的文本向量,获取除目标业务对象以外的其它业务对象的文本向量,根据目标业务对象的文本向量以及其它业务对象的文本向量确定待推荐业务对象,并输出待推荐业务对象,其中,目标业务对象以及其它业务对象的文本向量是根据训练得到的对象类别识别模型确定的。这种业务对象的推荐方法,根据对象类别识别模型确定业务对象的文本向量,避免了繁琐的操作过程,同时,对象类别识别模型考虑了业务对象所属的类别及其文本信息的语义,不仅可在类别的维度上推荐相似的业务对象,而且避免一词多义对业务对象之间的相似度的影响,提高了推荐信息的转化率。
在一个实施例中,所述获取所述用户操作行为对应的目标业务对象的文本向量,包括:获取预先存储的业务对象与文本向量的匹配关系,其中,所述匹配关系是根据所述业务对象与通过所述对象类别识别模型所确定的所述业务对象的文本向量建立的;根据所述匹配关系查找所述用户操作行为对应的目标业务对象的文本向量。
具体地,预先通过训练得到的对象类别识别模型确定业务对象的文本向量,将业务对象与业务对象的文本向量关联存储,以在应用时根据目标业务对象,直接调取该目标业务对象的文本向量,从而避免了分词操作、统计词频等繁琐的操作过程。
本实施例提供的业务对象的推荐方法,根据目标业务对象,通过匹配关系查找目标业务对象的文本向量,避免了繁琐的操作过程。
在一个实施例中,所述获取所述用户操作行为对应的目标业务对象的文本向量,包括:获取所述用户操作行为对应的目标业务对象的文本信息;将所述目标业务对象的文本信息输入所述对象类别识别模型,得到所述目标业务对象的文本向量。
具体地,预先训练得到对象类别识别模型,将目标业务对象的文本信息输入至对象类别识别模型,即可得到目标业务对象的文本向量。
具体地,对象类别识别模型可为神经网络模型。如图3所示,对象类别识别模型可包括输入层、隐含层和输出层,按顺序建立输入层与隐含层之间的联结,最后建立隐含层与输出层之间的联结。
在一个实施例中,如图4所示,对象类别识别模型可包括输入层、嵌入层、隐含层和分类器。其中,输入层用于接收输入的业务对象的稀疏矩阵,并将业务对象的稀疏矩阵发送至嵌入层;嵌入层对输入的业务对象的稀疏矩阵进行降维操作,得到密集矩阵,并将密集矩阵发送至隐含层;隐含层基于输入的密集矩阵提取出具有区分性的特征,并将提取出的特征发送至分类器;分类器计算业务对象属于每一类别的概率,从而达到分类的目的。
在一个实施例中,如图5所示,隐含层可包括卷积层、池化层和全连接层。其中,卷积层在输入的密集矩阵上初步提取特征,得到卷积特征向量;池化层对卷积层输出的卷积特征向量进行降维操作,并进一步提取特征,得到池化特征向量;全连接层将卷积层和池化层处理得到的特征向量进行合并或者取样,提取出具有区分性的特征。
具体地,将目标业务对象的文本信息输入对象类别识别模型,得到对象类别识别模型的隐含层中的预设层输出的目标业务对象的文本向量。其中,预设层可为隐含层中的任意一层。可选地,预设层为最后一层全连接层。
本实施例提供的业务对象的推荐方法,将目标业务对象的文本信息输入对象类别识别模型,即可得到目标业务对象的文本向量,避免了繁琐的操作过程。
在一个实施例中,所述对象类别识别模型包括隐含层;所述将所述目标业务对象的文本信息输入所述对象类别识别模型,得到所述目标业务对象的文本向量,包括:将所述目标业务对象的文本信息输入所述对象类别识别模型,得到所述隐含层中的预设层输出的所述目标业务对象的文本向量。
在将业务对象的文本信息输入对象类别识别模型之前,需要对业务对象的文本信息进行预处理,即获取业务对象的文本信息的数值表示,以将业务对象的文本信息转化为计算机可理解的语言。业务对象的文本信息的数值表示可通过预先构建的映射表来确定。
在训练对象类别识别模型之前,收集样本业务对象的文本信息,将所有的样本业务对象的文本信息中的每个字拆开放入集合中,并对集合中重复的字执行去重操作。针对集合中的每个字,分别赋予一个身份标识,并将每个字与对应的身份标识关联存储,得到字与身份标识之间的映射表。在一个实施例中,身份标识可为整数值,比如0、1、2等。比如,集合中共有七个字——“面、条、方、便、面、女、装”,那么映射表可为{面:0,条:1,方:2,便:3,面:4,女:5,装:6}。
可通过One Hot编码方式,将业务对象的文本信息的数值表示转化为稀疏矩阵。该稀疏矩阵可为A*B的形式,其中,A为集合中总字数,B为字所对应的向量的维度,向量的维度可根据实际应用进行设置,比如32、64、128、256等。在稀疏矩阵中,每一行向量对应业务对象的文本信息的一个字。每一行向量的长度为集合中总字数,每一行向量中只有一个1,其它全为0,1的位置对应该字在映射表中的身份标识。比如,“面条”对应的稀疏矩阵为面[1 00 0 0 0 0]、条[0 1 0 0 0 0 0]。在稀疏矩阵中,每个字是独立的,不存在语义之间的关联,而且稀疏矩阵长度过长,导致过度占用资源。
具体地,对象类别识别模型可为神经网络模型。如图3所示,对象类别识别模型可包括输入层、隐含层和输出层,按顺序建立输入层与隐含层之间的联结,最后建立隐含层与输出层之间的联结。
在一个实施例中,如图4所示,对象类别识别模型可包括输入层、嵌入层、隐含层和分类器,其中,分类器来实现输出功能。
具体地,输入层用于接收输入的业务对象的稀疏矩阵,并将业务对象的稀疏矩阵发送至嵌入层。
嵌入层对输入的业务对象的稀疏矩阵进行降维操作,得到密集矩阵,并将密集矩阵发送至隐含层。如图7所示,嵌入层相当于一个简单的神经网络模型,其基本思路是将每个字对应的稀疏矩阵的向量映射成固定长度的短向量,从而实现降维。并且,嵌入层基于各个字之间相同的特征进行训练,因此在密集矩阵中,语义相近的字之间的向量具有关联性。具体地,嵌入层将业务对象的文本信息的每个字对应的稀疏矩阵的向量映射成固定长度的短向量,业务对象的文本信息中的所有字映射成一个密集矩阵。
隐含层基于输入的密集矩阵提取出具有区分性的特征,并将提取出的特征发送至分类器。为每个隐含层的节点选择激活函数,激活函数是指对各个路径的输入求和之后进一步增强的函数,可选的,激活函数为ReLU、Tanh或者Sigmoid。
分类器计算业务对象属于每一类别的概率,从而达到分类的目的。可选的,分类器可为Softmax激活函数、SVM分类器等。
在一个实施例中,隐含层可包括卷积层、池化层和全连接层。其中,卷积层、池化层和全连接层的数量可根据实际应用进行设定,在一个实施例中,如图5所示,选用一层卷积层、一层池化层和两层全连接层。
具体地,卷积层在输入的密集矩阵上初步提取特征,得到卷积特征向量;池化层对卷积层输出的卷积特征向量进行降维操作,并进一步提取特征,得到池化特征向量;全连接层将卷积层和池化层处理得到的特征向量进行合并或者取样,提取出具有区分性的特征。
具体地,将目标业务对象的文本信息输入对象类别识别模型,得到对象类别识别模型的隐含层中的预设层输出的目标业务对象的文本向量。其中,预设层可为隐含层中的任意一层。可选地,预设层为最后一层全连接层。
本实施例提供的业务对象的推荐方法,对象类别识别模型对目标业务对象的特征进行层层提取,使得通过对象类别识别模型得到的目标业务对象的文本向量充分考虑业务对象所属的类别及其文本信息的语义。
在一个实施例中,所述隐含层包括全连接层;所述将所述目标业务对象的文本信息输入所述对象类别识别模型,得到所述隐含层中的预设层输出的所述目标业务对象的文本向量,包括:将所述目标业务对象的文本信息输入所述对象类别识别模型,得到所述隐含层中的最后一层全连接层输出的所述目标业务对象的文本向量。
其中,卷积层在输入的密集矩阵上初步提取特征,得到卷积特征向量。如图8所示,卷积层的提取方式为:在输入的密集矩阵上一个小区域、一个小区域地滑动特征检测器,利用特征检测器计算点乘,得到卷积特征向量。
特征检测器为m*n的矩阵向量,m和n的值可根据实际应用进行设置。对于同样的密集矩阵,不同m*n的特征检测器会生成不同的卷积特征向量。使用的特征检测器越多,卷积层提取到的特征就越多。卷积特征向量由三个参数控制:深度(depth)、步长(stride)和零填充(zero-padding)。其中,深度是指卷积操作使用的特征检测器的个数,步长是指每次滑动时,特征检测器在滑动方向上经过的向量的数量,零填充是指在输入的密集矩阵的边缘使用零值进行填充,这样可以对输入的密集矩阵的边缘进行滤波。
其中,池化层对卷积层输出的卷积特征向量进行降维操作,并进一步提取特征,得到池化特征向量。池化可通过以下方式实现:最大池化、平均池化、加和池化等。如图9所示,以最大池化为例,池化层一方面使得卷积特征向量变小,从而简化计算复杂度,另一方面基于卷积特征向量进一步进行特征提取。
其中,全连接层将卷积层和池化层处理得到的特征向量进行合并或者取样,提取出具有区分性的特征。全连接层的层与层之间的神经元采用全连接的方式进行连接。在对象类别识别模型中,至少有一层全连接层。
具体地,将目标业务对象的文本信息输入对象类别识别模型,得到对象类别识别模型的最后一层全连接层输出的文本向量,将该文本向量作为目标业务对象的文本向量。
本实施例提供的业务对象的推荐方法,对象类别识别模型对目标业务对象的特征进行层层提取,使得通过对象类别识别模型得到的目标业务对象的文本向量充分考虑业务对象所属的类别及其文本信息的语义。
在一个实施例中,所述根据所述目标业务对象的文本向量以及所述其它业务对象的文本向量确定待推荐业务对象,包括:获取所述目标业务对象的文本向量与所述其它业务对象的文本向量之间的相似度;根据所述相似度在所述其它业务对象中确定所述待推荐业务对象。
具体地,可通过目标业务对象的文本向量与其它业务对象的文本向量之间的相似度,在其它业务对象中确定待推荐业务对象。
在一个实施例中,目标业务对象的文本向量与其它业务对象的文本向量之间的相似度,可通过目标业务对象的文本向量与其它业务对象的文本向量之间的向量距离进行表征。
本实施例提供的业务对象的推荐方法,通过目标业务对象的文本向量与其它业务对象的文本向量之间的相似度,在其它业务对象中确定待推荐业务对象,提高了业务对象推荐的准确性。
在一个实施例中,所述获取所述目标业务对象的文本向量与所述其它业务对象的文本向量之间的相似度,包括:获取所述目标业务对象的文本向量与所述其它业务对象的文本向量之间的向量距离,利用所述向量距离表征所述目标业务对象的文本向量与所述其它业务对象的文本向量之间的相似度。
其中,向量距离与相似度呈反比,即目标业务对象的文本向量与其它业务对象的文本向量之间的向量距离越小,目标业务对象的文本向量与其它业务对象的文本向量之间的相似度越大。
具体地,目标业务对象的文本向量与其它业务对象的文本向量之间的向量距离可通过欧几里得距离、余弦相似度等进行表征。其中,欧几里得距离可用于衡量向量空间中两个个体之间的绝对距离,余弦相似度利用向量空间中两个向量夹角的余弦值衡量两个个体间差异的大小。
本实施例提供的业务对象的推荐方法,通过目标业务对象的文本向量与其它业务对象的文本向量之间的向量距离表征两者之间的相似度,提高了业务对象推荐的准确性。
在一个实施例中,所述根据所述相似度在所述其它业务对象中确定所述待推荐业务对象,包括:利用所述相似度对所述其它业务对象进行排序;根据排序结果确定所述待推荐业务对象。
具体地,当获取目标业务对象的文本向量与其它业务对象的文本向量之间的相似度后,依照相似度由大至小进行排序,或者依照相似度由小至大进行排序。
本实施例提供的业务对象的推荐方法,利用相似度对其它业务对象进行排序,实现准确选取被推荐的业务对象。
在一个实施例中,所述根据排序结果确定所述待推荐业务对象,包括:根据所述排序结果,按照所述相似度由大至小的顺序选取预设数量的所述其它业务对象,将选取的所述其它业务对象作为所述待推荐业务对象。
其中,预设数量可根据实际应用进行设定,比如5个、8个、10个等。
如图6所示,以业务对象为商品为例,当用户点击了目标商品“山西老陈醋”,按照相似度由大至小的顺序选取10个其它商品推荐给用户。
本实施例提供的业务对象的推荐方法,按照相似度由大至小的顺序选取预设数量的其它业务对象作为待推荐业务对象,实现准确选取被推荐的业务对象。
在一个实施例中,所述对象类别识别模型的训练方式,包括:获取样本业务对象的文本信息以及所述样本业务对象所属的类别;根据所述样本业务对象的文本信息以及所述样本业务对象所属的类别,通过反向传播方式训练所述对象类别识别模型。
其中,样本业务对象是指用于对象类别识别模型训练的业务对象。样本业务对象的选取范围较广,以业务对象为商品为例,样本业务对象可为市面上所有购物网站的商品。
对象类别识别模型可通过样本业务对象的文本信息以及样本业务对象所属的类别训练得到。利用样本业务对象所属的类别对样本业务对象的文本信息进行标记,将标记后的样本业务对象的文本信息输入对象类别识别模型,以使对象类别识别模型的识别结果趋近样本业务对象的标记,从而使得对象类别识别模型学习样本业务对象的文本信息与样本业务对象所属的类别之间的映射。
具体地,通过反向传播方式训练对象类别识别模型,包括:当获取到样本业务对象属于各个类别的概率时,与样本业务对象的标记进行对比,得到误差;利用反向传播算法,根据对象类别识别模型的权重计算误差的梯度;利用梯度下降算法更新对象类别识别模型的参数,使得对象类别识别模型输出的误差最小化。其中,对象类别识别模型的参数可包括每个联结的权重、每个节点自带的偏离值和特征检测器的矩阵向量的值。
本实施例提供的业务对象的推荐方法,根据样本业务对象的文本信息以及样本业务对象所属的类别,通过反向传播方式训练对象类别识别模型,使得对象类别识别模型对业务对象所属的类别及其文本信息的语义的理解更加准确。
如图10所示,在一个具体的实施例中,所述业务对象的推荐方法包括以下步骤:
S1002,将触发的目标业务对象的文本信息输入训练得到的对象类别识别模型,得到所述对象类别识别模型的最后一层全连接层输出的所述目标业务对象的文本向量;
S1004,将除所述目标业务对象以外的其它业务对象的文本信息输入所述对象类别识别模型,得到所述对象类别识别模型的最后一层全连接层输出的所述其它业务对象的文本向量;
S1006,获取所述目标业务对象的文本向量与所述其它业务对象的文本向量之间的向量距离,利用所述向量距离表征所述目标业务对象的文本向量与所述其它业务对象的文本向量之间的相似度;
S1008,利用所述相似度对所述其它业务对象进行排序,按照所述相似度由大至小的顺序选取预设数量的所述其它业务对象,将选取的所述其它业务对象作为待推荐业务对象;
S1010,输出所述待推荐业务对象。
本实施例提供的业务对象的推荐方法,获取触发的目标业务对象的文本向量,获取除目标业务对象以外的其它业务对象的文本向量,根据目标业务对象的文本向量以及其它业务对象的文本向量确定待推荐业务对象,并输出待推荐业务对象,其中,目标业务对象以及其它业务对象的文本向量是根据训练得到的对象类别识别模型确定的。这种业务对象的推荐方法,根据对象类别识别模型确定业务对象的文本向量,避免了繁琐的操作过程,同时,对象类别识别模型考虑了业务对象所属的类别及其文本信息的语义,不仅可在类别的维度上推荐相似的业务对象,而且避免一词多义对业务对象之间的相似度的影响,提高了推荐信息的转化率。
如图11所示,在一个具体的实施例中,所述业务对象的推荐方法包括以下步骤:
S1102,将触发的目标商品的标题输入训练得到的对象类别识别模型,得到所述对象类别识别模型的最后一层全连接层输出的所述目标商品的文本向量;
S1104,将除所述目标商品以外的其它商品的标题输入所述对象类别识别模型,得到所述对象类别识别模型的最后一层全连接层输出的所述其它商品的文本向量;
S1106,获取所述目标商品的文本向量与所述其它商品的文本向量之间的向量距离,利用所述向量距离表征所述目标商品的文本向量与所述其它商品的文本向量之间的相似度;
S1108,利用所述相似度对所述其它商品进行排序,按照所述相似度由大至小的顺序选取十个所述其它商品,将选取的十个所述其它商品作为待推荐商品;
S1111,输出所述待推荐商品。
如图6所示,当用户点击了目标商品“山西老陈醋”,通过对象类别识别模型分别确定目标商品的文本向量以及其它商品的文本向量,获取目标商品的文本向量与其它商品的文本向量之间的相似度,利用相似度对其它商品进行排序,按照相似度由大至小的顺序选取十个其它商品推荐给用户。从图6中可以看出,推荐给用户的商品并不仅限于“醋”,而是在更大的范畴——“调味品”内进行推荐,实现在类别的维度上推荐业务对象,且被推荐的业务对象与目标对象具有关联性。
本实施例提供的业务对象的推荐方法,获取触发的目标商品的文本向量,获取除目标商品以外的其它商品的文本向量,根据目标商品的文本向量以及其它商品的文本向量确定待推荐商品,并输出待推荐商品,其中,目标商品以及其它商品的文本向量是根据训练得到的对象类别识别模型确定的。这种业务对象的推荐方法,根据对象类别识别模型确定商品的文本向量,避免了繁琐的操作过程,同时,对象类别识别模型考虑了商品所属的类别及其标题的语义,不仅可在类别的维度上推荐相似的商品,而且避免一词多义对商品之间的相似度的影响,提高了推荐信息的转化率。
图2、图10和图11为一个实施例中业务对象的推荐方法的流程示意图。应该理解的是,虽然图2、图10和图11的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、图10和图11中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
如图12所示,在一个实施例中,提供了一种业务对象的推荐装置1200,包括:获取模块1202和确定模块1204。
获取模块1202,用于获取触发的目标业务对象的文本向量;
所述获取模块1202,还用于获取除所述目标业务对象以外的其它业务对象的文本向量,其中,业务对象的文本向量是根据训练得到的对象类别识别模型确定的,所述业务对象包括所述目标业务对象以及所述其它业务对象;
确定模块1204,用于根据所述目标业务对象的文本向量以及所述其它业务对象的文本向量确定待推荐业务对象,并输出所述待推荐业务对象。
上述业务对象的推荐装置1200,获取触发的目标业务对象的文本向量,获取除目标业务对象以外的其它业务对象的文本向量,根据目标业务对象的文本向量以及其它业务对象的文本向量确定待推荐业务对象,并输出待推荐业务对象,其中,目标业务对象以及其它业务对象的文本向量是根据训练得到的对象类别识别模型确定的。这种业务对象的推荐装置1200,根据对象类别识别模型确定业务对象的文本向量,避免了繁琐的操作过程,同时,对象类别识别模型考虑了业务对象所属的类别及其文本信息的语义,不仅可在类别的维度上推荐相似的业务对象,而且避免一词多义对业务对象之间的相似度的影响,提高了推荐信息的转化率。
在一个实施例中,所述获取模块1202,还用于:获取预先存储的业务对象与文本向量的匹配关系,其中,所述匹配关系是根据所述业务对象与通过所述对象类别识别模型所确定的所述业务对象的文本向量建立的;根据所述匹配关系查找所述用户操作行为对应的目标业务对象的文本向量。
在一个实施例中,所述获取模块1202,还用于:获取所述用户操作行为对应的目标业务对象的文本信息;将所述目标业务对象的文本信息输入所述对象类别识别模型,得到所述目标业务对象的文本向量。
在一个实施例中,所述对象类别识别模型包括隐含层;所述获取模块1202,还用于:将所述目标业务对象的文本信息输入所述对象类别识别模型,得到所述隐含层中的预设层输出的所述目标业务对象的文本向量。
在一个实施例中,所述隐含层包括全连接层;所述获取模块1202,还用于:将所述目标业务对象的文本信息输入所述对象类别识别模型,得到所述隐含层中的最后一层全连接层输出的所述目标业务对象的文本向量。
在一个实施例中,所述确定模块1204,还用于:获取所述目标业务对象的文本向量与所述其它业务对象的文本向量之间的相似度;根据所述相似度在所述其它业务对象中确定所述待推荐业务对象。
在一个实施例中,所述确定模块1204,还用于:获取所述目标业务对象的文本向量与所述其它业务对象的文本向量之间的向量距离,利用所述向量距离表征所述目标业务对象的文本向量与所述其它业务对象的文本向量之间的相似度。
在一个实施例中,所述确定模块1204,还用于:利用所述相似度对所述其它业务对象进行排序;根据排序结果确定所述待推荐业务对象。
在一个实施例中,所述确定模块1204,还用于:根据所述排序结果,按照所述相似度由大至小的顺序选取预设数量的所述其它业务对象,将选取的所述其它业务对象作为所述待推荐业务对象。
在一个实施例中,如图13所示,所述业务对象的推荐装置1200,还包括:训练模块1206,所述获取模块1202,还用于:获取样本业务对象的文本信息以及所述样本业务对象所属的类别;所述训练模块1206,用于:根据所述样本业务对象的文本信息以及所述样本业务对象所属的类别,通过反向传播方式训练所述对象类别识别模型。
图14示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的终端。如图14所示,该计算机设备包括该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作***,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现业务对象的推荐方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行业务对象的推荐方法。
本领域技术人员可以理解,图14中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的业务对象的推荐装置可以实现为一种计算机程序的形式,计算机程序可在如图14所示的计算机设备上运行。计算机设备的存储器中可存储组成该业务对象的推荐装置的各个程序模块,比如,图12所示的获取模块1202和确定模块1204。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的业务对象的推荐方法中的步骤。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述业务对象的推荐方法的步骤。此处业务对象的推荐方法的步骤可以是上述各个实施例的业务对象的推荐方法中的步骤。
在一个实施例中,提供了一种存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述业务对象的推荐方法的步骤。此处业务对象的推荐方法的步骤可以是上述各个实施例的业务对象的推荐方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Sync小时link)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (13)
1.一种业务对象的推荐方法,其特征在于,所述方法包括:
获取触发的目标业务对象的文本向量,文本向量表征业务对象之间的关系远近,业务对象之间的关系越近,其对应的文本向量之间的向量距离越小;
获取除所述目标业务对象以外的其它业务对象的文本向量,其中,业务对象的文本向量是根据训练得到的对象类别识别模型确定的,所述业务对象包括所述目标业务对象以及所述其它业务对象,对象类别识别模型通过样本业务对象的文本信息以及样本业务对象所属的类别训练得到,根据业务对象的文本向量确定业务对象所属的类别,在将业务对象的文本信息输入对象类别识别模型之前,对业务对象的文本信息进行预处理,获取业务对象的文本信息的数值表示,业务对象的文本信息的数值表示通过预先构建的映射表来确定;
根据所述目标业务对象的文本向量以及所述其它业务对象的文本向量确定待推荐业务对象,并输出所述待推荐业务对象。
2.根据权利要求1所述的方法,其特征在于,获取用户操作行为对应的目标业务对象的文本向量,包括:
获取预先存储的业务对象与文本向量的匹配关系,其中,所述匹配关系是根据所述业务对象与通过所述对象类别识别模型所确定的所述业务对象的文本向量建立的;
根据所述匹配关系查找所述用户操作行为对应的目标业务对象的文本向量。
3.根据权利要求1所述的方法,其特征在于,获取用户操作行为对应的目标业务对象的文本向量,包括:
获取所述用户操作行为对应的目标业务对象的文本信息;
将所述目标业务对象的文本信息输入所述对象类别识别模型,得到所述目标业务对象的文本向量。
4.根据权利要求3所述的方法,其特征在于,所述对象类别识别模型包括隐含层;
所述将所述目标业务对象的文本信息输入所述对象类别识别模型,得到所述目标业务对象的文本向量,包括:
将所述目标业务对象的文本信息输入所述对象类别识别模型,得到所述隐含层中的预设层输出的所述目标业务对象的文本向量。
5.根据权利要求4所述的方法,其特征在于,所述隐含层包括全连接层;
所述将所述目标业务对象的文本信息输入所述对象类别识别模型,得到所述隐含层中的预设层输出的所述目标业务对象的文本向量,包括:
将所述目标业务对象的文本信息输入所述对象类别识别模型,得到所述隐含层中的最后一层全连接层输出的所述目标业务对象的文本向量。
6.根据权利要求1所述的方法,其特征在于,所述根据所述目标业务对象的文本向量以及所述其它业务对象的文本向量确定待推荐业务对象,包括:
获取所述目标业务对象的文本向量与所述其它业务对象的文本向量之间的相似度;
根据所述相似度在所述其它业务对象中确定所述待推荐业务对象。
7.根据权利要求6所述的方法,其特征在于,所述获取所述目标业务对象的文本向量与所述其它业务对象的文本向量之间的相似度,包括:
获取所述目标业务对象的文本向量与所述其它业务对象的文本向量之间的向量距离,利用所述向量距离表征所述目标业务对象的文本向量与所述其它业务对象的文本向量之间的相似度。
8.根据权利要求6所述的方法,其特征在于,所述根据所述相似度在所述其它业务对象中确定所述待推荐业务对象,包括:
利用所述相似度对所述其它业务对象进行排序;
根据排序结果确定所述待推荐业务对象。
9.根据权利要求8所述的方法,其特征在于,所述根据排序结果确定所述待推荐业务对象,包括:
根据所述排序结果,按照所述相似度由大至小的顺序选取预设数量的所述其它业务对象,将选取的所述其它业务对象作为所述待推荐业务对象。
10.根据权利要求1所述的方法,其特征在于,所述对象类别识别模型的训练方式,包括:
获取样本业务对象的文本信息以及所述样本业务对象所属的类别;
根据所述样本业务对象的文本信息以及所述样本业务对象所属的类别,通过反向传播方式训练所述对象类别识别模型。
11.一种业务对象的推荐装置,其特征在于,所述装置包括:
获取模块,用于获取触发的目标业务对象的文本向量,文本向量表征业务对象之间的关系远近,业务对象之间的关系越近,其对应的文本向量之间的向量距离越小;
所述获取模块,还用于获取除所述目标业务对象以外的其它业务对象的文本向量,其中,业务对象的文本向量是根据训练得到的对象类别识别模型确定的,所述业务对象包括所述目标业务对象以及所述其它业务对象,对象类别识别模型通过样本业务对象的文本信息以及样本业务对象所属的类别训练得到,根据业务对象的文本向量确定业务对象所属的类别,在将业务对象的文本信息输入对象类别识别模型之前,对业务对象的文本信息进行预处理,获取业务对象的文本信息的数值表示,业务对象的文本信息的数值表示通过预先构建的映射表来确定;
确定模块,用于根据所述目标业务对象的文本向量以及所述其它业务对象的文本向量确定待推荐业务对象,并输出所述待推荐业务对象。
12.一种计算机设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至10中任一项所述的方法的步骤。
13.一种存储介质,其特征在于,所述存储介质上存储有计算机可执行指令,所述计算机可执行指令被处理器执行时,使得所述处理器执行权利要求1至10中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910973183.8A CN110737834B (zh) | 2019-10-14 | 2019-10-14 | 业务对象的推荐方法、装置、存储介质和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910973183.8A CN110737834B (zh) | 2019-10-14 | 2019-10-14 | 业务对象的推荐方法、装置、存储介质和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110737834A CN110737834A (zh) | 2020-01-31 |
CN110737834B true CN110737834B (zh) | 2024-04-02 |
Family
ID=69268851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910973183.8A Active CN110737834B (zh) | 2019-10-14 | 2019-10-14 | 业务对象的推荐方法、装置、存储介质和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110737834B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11783707B2 (en) | 2018-10-09 | 2023-10-10 | Ford Global Technologies, Llc | Vehicle path planning |
US11460851B2 (en) | 2019-05-24 | 2022-10-04 | Ford Global Technologies, Llc | Eccentricity image fusion |
US11521494B2 (en) | 2019-06-11 | 2022-12-06 | Ford Global Technologies, Llc | Vehicle eccentricity mapping |
US11662741B2 (en) | 2019-06-28 | 2023-05-30 | Ford Global Technologies, Llc | Vehicle visual odometry |
CN113343711B (zh) * | 2021-06-29 | 2024-05-10 | 南方电网数字电网研究院有限公司 | 工单生成方法、装置、设备及存储介质 |
CN113505304B (zh) * | 2021-09-10 | 2021-12-17 | 明品云(北京)数据科技有限公司 | 一种目标对象推荐方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296195A (zh) * | 2015-05-29 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 一种风险识别方法及装置 |
WO2018099275A1 (zh) * | 2016-11-29 | 2018-06-07 | 阿里巴巴集团控股有限公司 | 一种业务对象属性标识的生成方法、装置和*** |
WO2019105432A1 (zh) * | 2017-11-29 | 2019-06-06 | 腾讯科技(深圳)有限公司 | 文本推荐方法、装置及电子设备 |
CN110020112A (zh) * | 2017-09-25 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 对象推送方法及其*** |
CN110209922A (zh) * | 2018-06-12 | 2019-09-06 | 中国科学院自动化研究所 | 对象推荐方法、装置、存储介质及计算机设备 |
CN110309427A (zh) * | 2018-05-31 | 2019-10-08 | 腾讯科技(深圳)有限公司 | 一种对象推荐方法、装置及存储介质 |
-
2019
- 2019-10-14 CN CN201910973183.8A patent/CN110737834B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296195A (zh) * | 2015-05-29 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 一种风险识别方法及装置 |
WO2018099275A1 (zh) * | 2016-11-29 | 2018-06-07 | 阿里巴巴集团控股有限公司 | 一种业务对象属性标识的生成方法、装置和*** |
CN110020112A (zh) * | 2017-09-25 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 对象推送方法及其*** |
WO2019105432A1 (zh) * | 2017-11-29 | 2019-06-06 | 腾讯科技(深圳)有限公司 | 文本推荐方法、装置及电子设备 |
CN110309427A (zh) * | 2018-05-31 | 2019-10-08 | 腾讯科技(深圳)有限公司 | 一种对象推荐方法、装置及存储介质 |
CN110209922A (zh) * | 2018-06-12 | 2019-09-06 | 中国科学院自动化研究所 | 对象推荐方法、装置、存储介质及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110737834A (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110737834B (zh) | 业务对象的推荐方法、装置、存储介质和计算机设备 | |
CN111784455B (zh) | 一种物品推荐方法及推荐设备 | |
Chakraborty et al. | Fashion recommendation systems, models and methods: A review | |
CN110162701B (zh) | 内容推送方法、装置、计算机设备和存储介质 | |
Zhang et al. | Enabling kernel-based attribute-aware matrix factorization for rating prediction | |
CN107357793B (zh) | 信息推荐方法和装置 | |
KR101419504B1 (ko) | 사용자 성향 분석을 통한 맞춤형 쇼핑 정보 제공 시스템 및 방법 | |
CN113688304A (zh) | 搜索推荐模型的训练方法、搜索结果排序的方法及装置 | |
CN107209762A (zh) | 视觉交互式搜索 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
Ullah et al. | Image-based service recommendation system: A JPEG-coefficient RFs approach | |
WO2023011382A1 (zh) | 推荐方法、推荐模型训练方法及相关产品 | |
CN111967924A (zh) | 商品推荐方法、商品推荐装置、计算机设备和介质 | |
Hu et al. | Examining collaborative filtering algorithms for clothing recommendation in e-commerce | |
CN112488781A (zh) | 搜索推荐方法、装置、电子设备及可读存储介质 | |
Hiriyannaiah et al. | Deep visual ensemble similarity (DVESM) approach for visually aware recommendation and search in smart community | |
Chen et al. | Image-based product recommendation system with convolutional neural networks | |
Goti et al. | Artificial Intelligence in Business-to-Customer Fashion Retail: A Literature Review | |
Zeng et al. | Collaborative filtering via heterogeneous neural networks | |
Patel et al. | CNNRec: Convolutional Neural Network based recommender systems-A survey | |
Nazari et al. | Scalable and data-independent multi-agent recommender system using social networks analysis | |
Ren et al. | A survey of recommendation techniques based on offline data processing | |
Zhao et al. | Personalized recommendation by exploring social users’ behaviors | |
CN114581165A (zh) | 一种产品推荐方法、装置、计算机存储介质及*** | |
Zhang et al. | Multi-view dynamic heterogeneous information network embedding |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40021459 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |