CN110928913B - 用户显示方法、装置、计算机设备及计算机可读存储介质 - Google Patents
用户显示方法、装置、计算机设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110928913B CN110928913B CN201911247735.3A CN201911247735A CN110928913B CN 110928913 B CN110928913 B CN 110928913B CN 201911247735 A CN201911247735 A CN 201911247735A CN 110928913 B CN110928913 B CN 110928913B
- Authority
- CN
- China
- Prior art keywords
- user
- reference information
- users
- target
- ranking
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24578—Query processing with adaptation to user needs using ranking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种用户显示方法、装置、计算机设备及计算机可读存储介质,属于网络技术领域。所述方法包括:根据获取到的终端所登录的用户的用户特征,从多个排序参考信息中获取与用户特征匹配的目标排序参考信息,根据目标排序参考信息对该用户的关联用户进行排序,并对排序结果进行显示。本公开根据用户特征,从多个排序参考信息中确定与之匹配的目标排序参考信息,可以提高关联用户排序方式的多样性,并且可以根据用户与关联用户的实际情况来对关联用户进行排序,提高关联用户排序的准确性。
Description
技术领域
本公开涉及网络技术领域,特别涉及一种用户显示方法、装置、计算机设备及计算机可读存储介质。
背景技术
随着计算机技术和电子产品的飞速发展,大众休闲娱乐逐渐走向多元化,各种类型的游戏软件、即时通讯软件等层出不穷。在各种类型的软件应用中,用户均可以通过对经过排序后、以列表形式展示的关联用户进行选择,来实现活动信息的分享或活动邀请的发送等。
目前主要是按照用户与其关联用户最后一次对话的发生时间与当前时间的时间间隔从小到大的顺序,来对关联用户进行排序,根据排序结果,依次将关联用户以列表的形式展示在可视化界面上。
目前对关联用户进行排序的方法形式过于单一,并且不能根据用户及关联用户的不同而变化,因此,排序后所显示的关联用户不一定是该用户想要查看的用户,因此,基于这种排序方式所进行的用户显示的准确性较低。
发明内容
本公开实施例提供了一种用户显示方法、装置、计算机设备及计算机可读存储介质,可以解决相关技术中用户排序方法形式单一、准确性低的问题。所述技术方案如下:
一方面,提供了一种用户显示方法,该方法包括:
当检测到目标操作时,获取终端所登录的用户的用户特征,该用户特征包括用户属性、关联用户属性和用户与关联用户之间的关系属性;
根据该用户特征,从多个排序参考信息中获取与该用户特征匹配的目标排序参考信息,不同排序参考信息用于指示基于不同方式来确定显示顺序;
根据该目标排序参考信息,对该用户的关联用户进行排序,按照排序结果对该用户的关联用户进行显示。
一方面,提供了一种用户显示装置,该装置包括:
特征获取模块,用于当检测到目标操作时,获取终端所登录的用户的用户特征,该用户特征包括用户属性、关联用户属性和用户与关联用户之间的关系属性;
参考信息获取模块,用于根据该用户特征,从多个排序参考信息中获取与该用户特征匹配的目标排序参考信息,不同排序参考信息用于指示基于不同方式来确定显示顺序;
排序模块,用于根据该目标排序参考信息,对该用户的关联用户进行排序;
显示模块,用于按照排序结果对该用户的关联用户进行显示。
在一种可能的实现方式中,该反馈信息包括:
基于已曝光的关联用户的发送行为。
在一种可能的实现方式中,根据每个该样本用户的反馈信息,确定与每个该样本用户的用户特征匹配的目标排序参考信息包括:
根据该样本用户对已曝光的关联用户的发送行为,确定该样本用户的关联用户排序结果的正确率。
在一种可能的实现方式中,该反馈信息还包括:
作为发送目标的关联用户对所分享内容的处理方式信息;
根据每个该样本用户的反馈信息,确定与每个该样本用户的用户特征匹配的目标排序参考信息之后还包括:
根据该作为发送目标的关联用户对所分享内容的处理方式信息,对与每个该样本用户的用户特征匹配的目标排序参考信息进行调整。
在一种可能的实现方式中,该排序模块,还用于根据随机策略,按照该终端所登录的用户被分配的随机数从小到大的顺序,对该终端所登录的用户的关联用户进行排序;
该排序模块,还用于根据目标特征排序策略,按照目标特征对应的数据取值从高到低的顺序,对该终端所登录的用户的关联用户进行排序;
该装置还包括:
输入模块,用于根据机器学习算法排序策略,将该用户属性、关联用户属性和用户与关联用户之间的关系属性输入至机器学习模型;
打分模块,用于通过该机器学习模型对该终端所登录的用户的关联用户进行打分;
该排序模块,还用于按照打分分数从高到低的顺序,对该终端所登录的用户的关联用户进行排序。
一方面,提供了一种计算机设备,该计算机设备包括一个或多个处理器和一个或多个存储器,该一个或多个存储器中存储有至少一条程序代码,该程序代码由该一个或多个处理器加载并执行以实现该用户显示方法所执行的操作。
一方面,提供了一种计算机可读存储介质,该计算机可读存储介质中存储有至少一条程序代码,该程序代码由处理器加载并执行以实现该用户显示方法所执行的操作。
根据获取到的终端所登录的用户的用户特征,从多个排序参考信息中获取与用户特征匹配的目标排序参考信息,根据目标排序参考信息对该用户的关联用户进行排序,并对排序结果进行显示。通过根据用户特征,从多个排序参考信息中确定与之匹配的目标排序参考信息,可以提高关联用户排序方式的多样性,并且可以根据用户与关联用户的实际情况来对关联用户进行排序,提高关联用户排序的准确性。
附图说明
为了更清楚地说明本公开实施例中的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
图1是本公开实施例提供的一种用户显示方法的实施环境示意图;
图2是本公开实施例提供的一种确定与用户特征匹配的排序参考信息的实验过程的基本流程图;
图3是本公开实施例提供的一种确定与用户特征匹配的排序参考信息的实验过程的流程图;
图4是本公开实施例提供的一种用户显示方法的流程图;
图5是本公开实施例提供的一种用户显示装置的结构示意图;
图6是本公开实施例提供的一种计算机设备的结构示意图;
图7是本公开实施例提供的一种服务器的结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚,下面将结合附图对本公开实施方式作进一步地详细描述。
图1是本公开实施例提供的一种用户显示方法的实施环境示意图,参见图1,该实施环境包括:计算机设备101和服务器102。
计算机设备101可以是智能手机、台式计算机、平板电脑、电子书阅读器和膝上型便携计算机等设备中的至少一种。计算机设备101可以安装并运行有相应的应用程序,例如,游戏应用等。计算机设备101可以根据已登录用户的用户特征确定与之匹配的排序参考信息,并根据排序参考信息对关联用户进行排序,以便用户可以通过在计算机设备上对其关联用户进行选择,实现向被选中的关联用户发送相关活动信息或分享相关内容。例如,在游戏应用中,用户可以通过在游戏界面上分享操作,来使计算机设备101根据排序参考信息对列表中的关联用户进行排序,并将排序后的结果以列表的形式展示在可视化界面上,以便用户在列表上选择关联用户,来进行游戏信息的分享或发送游戏邀请等。
计算机设备101可以泛指多个计算机设备中的一个,本实施例仅以计算机设备101来举例说明。本领域技术人员可以知晓,上述计算机设备的数量可以更多或更少。比如上述计算机设备可以仅为几个,或者上述计算机设备为几十个或几百个,或者更多数量,本公开实施例对计算机设备的数量和设备类型不加以限定。
服务器102可以为多台服务器、云计算平台和虚拟化中心中的至少一种,服务器102可以获取多个样本用户的用户特征,根据不同的用户特征确定不同的排序参考信息,并根据每个样本用户的反馈信息,对于每个样本用户的用户特征匹配的目标排序参考信息进行进一步处理。可选地,上述各个服务器的数量可以更多或更少,本公开实施例对此不加以限定。当然,服务器102还可以包括其他功能服务器,以便提供更全面且多样化的服务。可选地,服务器102还可以维护有至少一种样本用户信息数据库,例如样本用户属性数据库、关联用户属性数据库、关系属性数据库等。
图2是本公开实施例提供的一种确定与用户特征匹配的排序参考信息的实验过程的基本流程图,参见图2,该实验过程可以包括:服务器获取大量用户的用户特征和策略集合,并将所获取到的用户划分为探索组和应用组,其中,探索组的用户数占用户总数的比重远远小于应用组的用户数占用户总数的比重,服务器为探索组用户分配排序参考信息,也即是,排序策略,并根据分配的策略,为探索组用户进行关联用户的排序,探索组用户通过其在终端上对关联用户的操作,来向服务器反馈基于排序的收益,该收益可以是指是否对关联用户进行发送,当进行了发送后,该关联用户是否对被分享内容进行了操作等,当收益反馈满足目标条件时,可以将该收益反馈满足目标条件的排序策略作为与该探索组用户的用户特征匹配的排序策略,并将该排序策略分配给与该探索组用户具有相同或相似用户特征的应用组用户,进一步地,还可以基于应用组用户的反馈进一步对策略的匹配进行调整。上述实验过程可以作为决策***的训练过程,该过程通过观察终端所登录用户的用户状态、执行排序策略、获取用户反馈、调整排序策略、接收用户反馈的不断迭代的过程,使得最终确定的排序策略达到效果最优化。通过上述训练过程,可以得到用于确定目标排序参考信息的决策***,以便进行关联用户的排序。
上述图2为本公开实施例提供的确定与用户特征匹配的排序参考信息的实验过程的基本流程,下面以一种具体的实验过程为例进行说明,参见图3,图3是本公开实施例提供的一种确定与用户特征匹配的排序参考信息的实验过程的流程图,参见图3,该实验过程包括:
301、服务器获取多个样本用户的用户特征和多个排序参考信息,该用户特征包括用户属性、关联用户属性和用户与关联用户之间的关系属性。
其中,该多个样本用户可以是指上述探索组用户。服务器可以在每一个固定时刻,如获取用户特征时或根据用户特征确定多个排序参考信息时或对多个排序参考信息进行分配时,将获取到的样本用户分为探索组和应用组,分组方式可以是随机分组或者其他策略的分组方式,本公开实施例对进行分组的具体时刻和具体的分组方式均不加以限定。一般来说,探索组用户数量占样本用户总数的比重远远少于应用组用户数量占样本用户总数的比重,例如,探索组用户数量占样本用户总数的比重可以为5%,应用组用户数量占样本用户总数的比重可以为95%。
需要说明的是,服务器可以基于获取到的多个样本用户的用户标识,获取多个样本用户的关联用户关系链上各个关联用户的用户标识,进而基于样本用户的用户标识和所获取到的各个关联用户的用户标识,获取样本用户和关联用户的用户资料信息,对获取到的用户资料信息进行特征提取,得到样本用户和关联用户的属性,进一步地,服务器还可以根据用户与关联用户的交互行为,来获取用户与关联用户之间的关系属性。
其中,该关联用户可以为与样本用户具有关注关系、订阅关系、好友关系的用户,可选地,该关联用户还可以为与样本用户具有其他可能关系的用户,本公开实施例对此不加以限定。
在上述步骤301中,该用户特征可以包括用户属性、关联用户属性、用户与关联用户之间的关系属性,该用户属性可以为用户身份信息属性、用户行为信息属性等,具体地,该用户身份信息属性可以为用户的性别、年龄、职业、地理位置等,该用户行为信息属性可以为用户玩游戏的特征(如游戏数量、游戏时长、游戏付费情况等)等。该关联用户属性与用户属性类似,此处不再赘述。用户与关联用户之间的关系属性可以为关系类型、互动情况、历史发送邀请情况等,需要说明的是,该用户特征和该关系属性还可以包括其他特征,本公开实施例对此不加以限定。
需要说明的是,该排序参考信息可以为随机策略、目标特征排序策略和机器学习算法排序策略等,可选地,该排序参考信息还可以为其他策略,本公开实施例对此不加以限定。
302、服务器将该多个排序参考信息分配给该样本用户。
在一种可能的实现方式中,服务器根据探索组用户的用户特征,对探索组用户进行分组,得到多个探索子组,将多个排序参考信息随机分配给各个探索子组中的用户。
需要说明的是,服务器可以根据探索组用户的用户特征,确定多个探索子组以及每个探索子组的群体聚心,将每个探索子组的群体聚心对应的用户特征,确定为每个探索子组的用户特征。上述过程可以采用聚类算法实现,本公开实施例对具体采用哪种聚类算法不加以限定。例如,服务器可以将用户进入活动的不同次数作为各个探索子组的群体聚心,根据用户进入活动的次数对用户进行分组:
A组:首次进入活动;
B组:再次进入活动;
C组:多次进入活动;
……
其中,该多个排序参考信息可以为步骤301中各种策略或策略结合中经过筛选过后的排序参考信息。为样本用户分配策略后,服务器可以按照排序参考信息确定关联用户排序结果,并将排序结果展示给样本用户。该关联用户排序结果的确定过程可以有如下四种情况:
1、服务器根据随机策略,按照服务器为样本用户分配的随机数从小到大的顺序,对样本用户的关联用户进行排序;
2、服务器根据目标特征排序策略,按照目标特征对应的数据取值从高到低的顺序,对样本用户的关联用户进行排序,例如,按照关联用户与样本用户进行互动的次数从大到小的顺序,对关联用户进行排序;
3、服务器根据机器学习算法排序策略,将用户属性、关联用户属性和用户与关联用户之间的关系属性输入至机器学习模型,通过该机器学习模型对样本用户的关联用户进行打分,按照打分分数从高到低的顺序,对样本用户的关联用户进行排序;
4、服务器根据其他策略,对样本用户的关联用户进行排序。
需要说明的是,该机器学习模型的构建过程可以为:服务器可以获取用户属性、关联用户属性和用户与关联用户之间的关系属性,并将获取到的属性数据转换为向量形式,并将三个向量拼接起来,来构建样本,从而作为机器学习模型的一部分训练数据,进一步地,服务器还可以基于用户与关联用户之间的关系属性,获取用户对关联用户的历史曝光行为和基于已曝光的关联用户的发送行为,根据获取到的行为数据,执行上述构建样本的过程,其中,用户过去的曝光已发送的为正样本,曝光未发送的为负样本,作为机器学习模型的另一部分训练数据。通过上述训练数据,对初始模型进行训练,以得到机器学习模型,该机器学习模型可以为逻辑回归模型、决策树模型、神经网络模型等,可选地,该机器学习模型还可以为其他模型,本公开实施例对此不加以限定。多种机器学习模型对应多种排序参考信息,通过不同的模型可以对关联用户进行打分排序。
303、服务器获取每个该样本用户的反馈信息,该反馈信息为样本用户基于所分配的排序参考信息进行关联用户显示时的反馈信息,该反馈信息包括基于已曝光的关联用户的发送行为。
在一种可能的实现方式中,服务器对样本用户的曝光以及发送数据进行统计,以获取不同的探索子组在不同策略下的反馈情况。
需要说明的是,该反馈信息还可以包括作为发送目标的关联用户对所分享内容的处理方式信息,例如,该作为发送目标的关联用户是否注册所分享的内容对应的活动等,在后续处理过程中,服务器可以根据作为发送目标的关联用户对所分享内容的处理方式信息对与用户特征匹配的目标排序参考信息进行调整,具体的调整过程可以参见步骤306。
304、服务器根据基于已曝光的关联用户的发送行为,确定该关联用户排序结果的正确率。
在一种可能的实现方式中,服务器可以对已曝光的关联用户在列表中的位置进行检测,确定作为发送目标的关联用户是否位于目标位置之前,进而根据位于目标位置之前的样本用户的数量,确定关联用户排序结果的正确率。例如,当作为发送目标的N个关联用户中,有M个关联用户位于目标位置之前,则可以确定该关联用户排序结果的正确率为M/N。
其中,N为作为发送目标的关联用户总数,M为作为发送目标的关联用户中位于目标位置之前的关联用户数量,M、M均为大于或等于1的正整数,且M的值小于或等于N的值。该目标位置可以为任意位置,本公开实施例对此不加以限定。
305、当该关联用户排序结果的正确率达到目标阈值时,服务器确定与每个样本用户的用户特征匹配的目标排序参考信息。
需要说明的是,该目标阈值可以为预先设置好的任意值,本公开实施例对该目标阈值的具体取值不加以限定。
在一种可能的实现方式中,服务器可以将各个样本用户的关联用户排序结果的正确率与预设的目标阈值进行比较,当正确率高于目标阈值时,则可以将当前采用的参考排序信息作为与该样本用户的用户特征匹配的候选目标排序参考信息,若仅有一个候选目标排序参考信息,则可以直接将该候选目标排序参考信息确定为目标排序参考信息,若有至少两个候选目标排序参考信息,则服务器可以对该至少两个候选目标排序参考信息的关联用户排序结果的正确率进行比较,根据比较结果,将正确率较高的候选目标排序参考信息作为与该样本用户的用户特征匹配的目标排序参考信息。
需要说明的是,若该至少两个候选目标排序参考信息的关联用户排序结果的正确率相同,则可以结合该作为发送目标的关联用户对所分享内容的具体处理方式进行进一步确定及调整。
306、服务器根据该作为发送目标的关联用户对所分享内容的处理方式信息,对与每个样本用户的用户特征匹配的目标排序参考信息进行调整。
需要说明的是,该作为发送目标的关联用户对所分享内容的处理方式信息可以为该作为发送目标的关联用户对所分享的内容的具体处理方式,该具体处理方式可以为该关联用户忽略所分享的内容、该关联用户浏览所分享的内容但并未进行注册、该关联用户浏览所分享的内容并进行注册等,可选地,该关联用户对所分享内容的具体处理方式还可以包括其他内容,本公开实施例对此不加以限定。
在一种可能的实现方式中,服务器可以对作为发送目标的关联用户对所分享内容的具体处理方式进行检测,并根据检测到的结果,对与每个样本用户的用户特征匹配的目标排序参考信息进行调整。例如,服务器根据该样本用户的关联用户排序结果的正确率确定了两个候选目标排序参考信息,并确定两个候选目标排序参考信息的正确率相同,则服务器可以进一步对该作为发送目标的关联用户对所分享内容的具体处理方式进行检测,当检测到其中一个作为发送目标的关联用户中浏览所分享的内容并进行注册的关联用户数量较多,则可以将该样本用户所采用的排序参考信息作为与该样本用户的用户特征匹配的目标排序参考信息。
例如,步骤302中的分组方式对应的各个探索子组在不同策略下的反馈情况可以为:
A组,策略1,曝光××,发送××,注册××;
A组,策略2,曝光××,发送××,注册××;
……
C组,策略1,曝光××,发送××,注册××;
C组,策略2,曝光××,发送××,注册××。
服务器可以根据各个探索子组中不同策略对应的样本用户的反馈信息和作为发送目标的关联用户对所分享内容的具体处理方式,来确定各个探索子组对应的排序参考信息,将样本用户发送活动内容分享信息、作为发送目标的关联用户注册活动最多的排序参考信息,确定为与该探索子组对应的用户特征匹配的排序参考信息。
可选地,服务器还可以根据该作为发送目标的关联用户对所分享内容的具体处理方式,来对该作为发送目标的关联用户对所分享内容的处理方式信息进行数字化处理,例如,该数字化处理可以为二值化或者枚举化,以二值化为例,当该关联用户浏览所分享的内容并进行注册时,将该作为发送目标的关联用户对所分享内容的处理方式信息映射为1,当该关联用户忽略所分享的内容时,将该作为发送目标的关联用户对所分享内容的处理方式信息映射为0,进而可以结合该关联用户排序结果的正确率,对上述两种数据进行加权计算,根据加权计算的结果,来对与每个样本用户的用户特征匹配的目标排序参考信息进行调整,上述两种数据的权值均可以为任意取值,本公开实施例对具体的权值取值不加以限定。
307、服务器根据与每个样本用户的用户特征匹配的目标排序参考信息,为其他用户分配排序参考信息。
在一种可能的实现方式中,服务器可以根据应用组用户的状态和特征,对应用组用户进行分组(类似上面A组、B组、C组的分组方式),根据已经确定好的与每个样本用户的用户特征匹配的目标排序参考信息,对各个探索子组的应用组用户分配排序参考信息。
需要说明的是,对各个探索子组的应用组用户分配排序参考信息时,可以按照如下概率进行排序参考信息的分配:
其中,Pr{At=a}可以代表第t个A组用户分配的策略为a的概率,e为自然对数的底数,a可以代表策略a,b可以代表策略b,k代表策略总数,Ht(a)可以代表执行a策略的收益,Ht(b)可以代表执行b策略的收益,πt(a)可以代表执行a策略的概率。
需要说明的是,本公开实施例提供的方案,可以应用在游戏应用中,服务器可以将已在游戏中注册的游戏用户作为样本用户,通过获取多个游戏用户的用户特征和多个排序参考信息,将该多个排序参考信息分配给游戏用户,根据游戏用户的反馈信息,来确定与用户特征匹配的排序参考信息,以便服务器为其他用户分配排序参考信息。可选地,本公开实施例提供的方案,还可以应用在其他场景中,本公开实施例对此不加以限定。
本公开实施例提供的方案,通过机器学习方法构建智能策略体系,也即是,实时决策***,即服务器通过用户的行为、关联用户的行为以及之间的关系,构建若干个排序模型或规则,并通过从用户集合中不断拆分探索组,探索不同的排序策略,以确定当前最适合的策略,从而根据目标人群的不同,为指定的用户分配最佳的策略,并实时获取各种策略的反馈,来实时调整与不同的用户特征匹配的排序策略,也即是,排序参考信息,根据探索组用户的实验和反馈情况,可以确定与各种用户特征匹配的排序策略,从而,服务器可以根据应用组用户的特征,将对应的策略分配给应用组用户,实现应用组用户的关联用户的排序。
本公开实施例提供的方案,通过根据多个样本用户的用户特征,确定多个排序信息,并将排序信息分配给对应的样本用户,进而根据每个样本用户的反馈信息,确定样本用户的关联用户排序结果的正确率,将正确率达到目标阈值的排序参考信息确定为与每个样本用户的用户特征匹配的目标排序参考信息,后续还可以根据作为发送目标的关联用户对所分享内容的具体处理方式,对与每个样本用户的用户特征匹配的目标排序参考信息进行调整,通过上述实验过程,可以实现排序参考信息与用户特征的匹配,从而可以根据各个用户的用户特征,从多个排序参考信息中确定与之匹配的目标排序参考信息,可以提高关联用户排序方式的多样性,并且可以根据用户与关联用户的实际情况来对关联用户进行排序,提高关联用户排序的准确性,此外,本公开实施例提供的方案还可以根据反馈信息实时调整排序参考信息,从而可以提高关联用户排序方法的灵活性。
上述图3仅为服务器通过实验过程对与不同的用户特征匹配的排序参考信息的过程,下面以一种基于终端所登录的用户的用户特征确定与之匹配的排序参考信息,并对该用户的关联用户进行排序的过程为例进行说明,参见图4,图4是本公开实施例提供的一种用户显示方法的流程图,该方法包括:
401、当计算机设备检测到目标操作时,获取终端所登录的用户的用户特征,该用户特征包括用户属性、关联用户属性和用户与关联用户之间的关系属性。
需要说明的是,该目标操作可以为用户在计算机设备上触发的分享操作,可选地,该目标操作还可以为其他操作,本公开实施例对此不加以限定。
在一种可能的实现方式中,计算机设备可以实时检测在该计算机设备上被触发的操作,当检测到目标操作被触发时,计算机设备可以获取其中所登录的用户的用户特征,该用户特征与步骤301中的用户特征类似,此处不再赘述。
402、计算机设备根据该用户特征,从多个排序参考信息中获取与该用户特征匹配的目标排序参考信息,不同排序参考信息用于指示基于不同方式来确定显示顺序。
在一种可能的实现方式中,计算机设备可以根据获取到的用户特征,对该用户特征与各个群体聚心的相似性进行检测,对检测到的各个相似性数值进行比较,根据比较结果,确定与该用户特征最接近的群体聚心,将该群体聚心对应的排序参考信息作为与该用户特征匹配的目标排序参考信息。
需要说明的是,该排序参考信息可以为随机策略、目标特征排序策略和机器学习算法排序策略等,可选地,该排序参考信息还可以为其他策略,本公开实施例对此不加以限定。
403、计算机设备根据该目标排序参考信息,对该用户的关联用户进行排序,按照排序结果对该用户的关联用户进行显示。
需要说明的是,计算机设备根据目标排序信息对该用户的关联用户进行排序可以有如下几种具体实现方式:
1、计算机设备根据随机策略,按照计算机设备为终端所登录的用户分配的随机数从小到大的顺序,对终端所登录的用户的关联用户进行排序;
2、计算机设备根据目标特征排序策略,按照目标特征对应的数据取值从高到低的顺序,对终端所登录的用户的关联用户进行排序;
3、计算机设备根据机器学习算法排序策略,将该终端所登录的用户的用户属性、关联用户属性和用户与关联用户之间的关系属性输入至机器学习模型,通过该机器学习模型对终端所登录的用户的关联用户进行打分,按照打分分数从高到低的顺序,对终端所登录的用户的关联用户进行排序;
4、计算机设备根据其他策略,对终端所登录的用户的关联用户进行排序。
在一种可能的实现方式中,计算机设备按照上述四种方式中任意一种,根据目标排序参考信息,对该终端所登录的用户的关联用户进行排序后,可以按照排序结果对该用户的关联用户进行显示,以便该用户对关联用户进行选择。
需要说明的是,本公开实施例提供的方案,可以应用于非关联场景下,来对终端所登录的用户的关联用户进行排序,其中,非关联场景可以为无需考虑每一步行动之间的影响的场景。例如,本公开实施例提供的方案,可以应用在游戏应用中,用户可以通过在游戏界面上分享操作,来使计算机设备根据用户特征来确定对应的排序参考信息,根据确定好的排序参考信息对列表中的关联用户进行排序,并对排序后的结果进行显示,以便用户可以直观地查看关联用户的排序结果,并对关联用户进行选择,来进行游戏信息的分享或发送游戏邀请等。可选地,本公开实施例提供的方案还可以应用于其他可能场景,本公开实施例对此不加以限定。
本公开实施例提供的方案,根据获取到的终端所登录的用户的用户特征,从多个排序参考信息中获取与用户特征匹配的目标排序参考信息,根据目标排序参考信息对该用户的关联用户进行排序,并对排序结果进行显示。根据用户特征,从多个排序参考信息中确定与之匹配的目标排序参考信息,可以提高关联用户排序方式的多样性,并且可以根据用户与关联用户的实际情况来对关联用户进行排序,提高关联用户排序的准确性。
上述所有可选技术方案,可以采用任意结合形成本公开的可选实施例,在此不再一一赘述。
图5是本公开实施例提供的一种用户显示装置的结构示意图,参见图5,该装置包括:
特征获取模块501,用于当检测到目标操作时,获取终端所登录的用户的用户特征,该用户特征包括用户属性、关联用户属性和用户与关联用户之间的关系属性;
参考信息获取模块502,用于根据该用户特征,从多个排序参考信息中获取与该用户特征匹配的目标排序参考信息,不同排序参考信息用于指示基于不同方式来确定显示顺序;
排序模块503,用于根据该目标排序参考信息,对该用户的关联用户进行排序;
显示模块504,用于按照排序结果对该用户的关联用户进行显示。
上述装置根据获取到的终端所登录的用户的用户特征,从多个排序参考信息中获取与用户特征匹配的目标排序参考信息,根据目标排序参考信息对该用户的关联用户进行排序,并对排序结果进行显示。通过根据用户特征,从多个排序参考信息中确定与之匹配的目标排序参考信息,可以提高关联用户排序方式的多样性,并且可以根据用户与关联用户的实际情况来对关联用户进行排序提高关联用户排序的准确性。
在一种可能的实现方式中,与该用户特征匹配的目标排序参考信息的确定过程包括:
获取多个样本用户的用户特征和多个排序参考信息;
将该多个排序参考信息分配给该样本用户;
获取每个该样本用户的反馈信息,该反馈信息为样本用户基于所分配的排序参考信息进行关联用户显示时的反馈信息;
根据每个该样本用户的反馈信息,确定与每个该样本用户的用户特征匹配的目标排序参考信息。
在一种可能的实现方式中,该反馈信息包括:基于已曝光的关联用户的发送行为。
在一种可能的实现方式中,该根据每个该样本用户的反馈信息,确定与每个该样本用户的用户特征匹配的目标排序参考信息包括:
根据该样本用户对已曝光的关联用户的发送行为,确定该样本用户的关联用户排序结果的正确率。
在一种可能的实现方式中,该反馈信息还包括:
作为发送目标的关联用户对所分享内容的处理方式信息;
根据每个该样本用户的反馈信息,确定与每个该样本用户的用户特征匹配的目标排序参考信息之后还包括:
根据该作为发送目标的关联用户对所分享内容的处理方式信息,对与每个该样本用户的用户特征匹配的目标排序参考信息进行调整。
在一种可能的实现方式中,该排序模块503,还用于根据随机策略,按照该终端所登录的用户被分配的随机数从小到大的顺序,对该终端所登录的用户的关联用户进行排序;
该排序模块503,还用于根据目标特征排序策略,按照目标特征对应的数据取值从高到低的顺序,对该终端所登录的用户的关联用户进行排序;
该装置还包括:
输入模块,用于根据机器学习算法排序策略,将该用户属性、关联用户属性和用户与关联用户之间的关系属性输入至机器学习模型;
打分模块,用于通过该机器学习模型对该终端所登录的用户的关联用户进行打分;
该排序模块503,还用于按照打分分数从高到低的顺序,对该终端所登录的用户的关联用户进行排序。
需要说明的是:上述实施例提供的用户显示装置在对用户进行显示时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将计算机设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的用户显示装置与用户显示方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图6是本公开实施例提供的一种计算机设备的结构示意图。该计算机设备600可以是:智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio LayerIV,动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。计算机设备600还可能被称为用户设备、便携式计算机设备、膝上型计算机设备、台式计算机设备等其他名称。
通常,计算机设备600包括有:一个或多个处理器601和一个或多个存储器602。
处理器601可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器601可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器601也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器601可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器601还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器602可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器602还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器602中的非暂态的计算机可读存储介质用于存储至少一个程序代码,该至少一个程序代码用于被处理器601所执行以实现本公开中方法实施例提供的用户显示方法。
在一些实施例中,计算机设备600还可选包括有:***设备接口603和至少一个***设备。处理器601、存储器602和***设备接口603之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口603相连。具体地,***设备包括:射频电路604、显示屏605、摄像头606、音频电路607、定位组件608和电源609中的至少一种。
***设备接口603可被用于将I/O(Input/Output,输入/输出)相关的至少一个***设备连接到处理器601和存储器602。在一些实施例中,处理器601、存储器602和***设备接口603被集成在同一芯片或电路板上;在一些其他实施例中,处理器601、存储器602和***设备接口603中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路604用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路604通过电磁信号与通信网络以及其他通信设备进行通信。射频电路604将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路604包括:天线***、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路604可以通过至少一种无线通信协议来与其它计算机设备进行通信。该无线通信协议包括但不限于:城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路604还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本公开对此不加以限定。
显示屏605用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏605是触摸显示屏时,显示屏605还具有采集在显示屏605的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器601进行处理。此时,显示屏605还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏605可以为一个,设置计算机设备600的前面板;在另一些实施例中,显示屏605可以为至少两个,分别设置在计算机设备600的不同表面或呈折叠设计;在再一些实施例中,显示屏605可以是柔性显示屏,设置在计算机设备600的弯曲表面上或折叠面上。甚至,显示屏605还可以设置成非矩形的不规则图形,也即异形屏。显示屏605可以采用LCD(Liquid Crystal Display,液晶显示屏)、OLED(Organic Light-EmittingDiode,有机发光二极管)等材质制备。
摄像头组件606用于采集图像或视频。可选地,摄像头组件606包括前置摄像头和后置摄像头。通常,前置摄像头设置在计算机设备的前面板,后置摄像头设置在计算机设备的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件606还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路607可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器601进行处理,或者输入至射频电路604以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在计算机设备600的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器601或射频电路604的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路607还可以包括耳机插孔。
定位组件608用于定位计算机设备600的当前地理位置,以实现导航或LBS(Location Based Service,基于位置的服务)。定位组件608可以是基于美国的GPS(GlobalPositioning System,全球定位***)、中国的北斗***、俄罗斯的格雷纳斯***或欧盟的伽利略***的定位组件。
电源609用于为计算机设备600中的各个组件进行供电。电源609可以是交流电、直流电、一次性电池或可充电电池。当电源609包括可充电电池时,该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中,计算机设备600还包括有一个或多个传感器610。该一个或多个传感器610包括但不限于:加速度传感器611、陀螺仪传感器612、压力传感器613、指纹传感器614、光学传感器615以及接近传感器616。
加速度传感器611可以检测以计算机设备600建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器611可以用于检测重力加速度在三个坐标轴上的分量。处理器601可以根据加速度传感器611采集的重力加速度信号,控制显示屏605以横向视图或纵向视图进行用户界面的显示。加速度传感器611还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器612可以检测计算机设备600的机体方向及转动角度,陀螺仪传感器612可以与加速度传感器611协同采集用户对计算机设备600的3D动作。处理器601根据陀螺仪传感器612采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器613可以设置在计算机设备600的侧边框和/或显示屏605的下层。当压力传感器613设置在计算机设备600的侧边框时,可以检测用户对计算机设备600的握持信号,由处理器601根据压力传感器613采集的握持信号进行左右手识别或快捷操作。当压力传感器613设置在显示屏605的下层时,由处理器601根据用户对显示屏605的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器614用于采集用户的指纹,由处理器601根据指纹传感器614采集到的指纹识别用户的身份,或者,由指纹传感器614根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器601授权该用户执行相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器614可以被设置计算机设备600的正面、背面或侧面。当计算机设备600上设置有物理按键或厂商Logo时,指纹传感器614可以与物理按键或厂商Logo集成在一起。
光学传感器615用于采集环境光强度。在一个实施例中,处理器601可以根据光学传感器615采集的环境光强度,控制显示屏605的显示亮度。具体地,当环境光强度较高时,调高显示屏605的显示亮度;当环境光强度较低时,调低显示屏605的显示亮度。在另一个实施例中,处理器601还可以根据光学传感器615采集的环境光强度,动态调整摄像头组件606的拍摄参数。
接近传感器616,也称距离传感器,通常设置在计算机设备600的前面板。接近传感器616用于采集用户与计算机设备600的正面之间的距离。在一个实施例中,当接近传感器616检测到用户与计算机设备600的正面之间的距离逐渐变小时,由处理器601控制显示屏605从亮屏状态切换为息屏状态;当接近传感器616检测到用户与计算机设备600的正面之间的距离逐渐变大时,由处理器601控制显示屏605从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图6中示出的结构并不构成对计算机设备600的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
图7是本公开实施例提供的一种服务器的结构示意图,该服务器700可因配置或性能不同而产生比较大的差异,可以包括一个或多个处理器(Central Processing Units,CPU)701和一个或多个的存储器702,其中,该一个或多个存储器702中存储有至少一条程序代码,该至少一条程序代码由该一个或多个处理器701加载并执行以实现上述各个方法实施例提供的方法。当然,该服务器700还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该服务器700还可以包括其他用于实现设备功能的部件,在此不做赘述。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括程序代码的存储器,上述程序代码可由处理器执行以完成上述实施例中的用户显示方法。例如,该计算机可读存储介质可以是只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来程序代码相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
上述仅为本公开的可选实施例,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 (17)
1.一种用户显示方法,其特征在于,所述方法包括:
当检测到目标操作时,获取终端所登录的用户的用户特征,所述用户特征包括用户属性、关联用户属性和用户与关联用户之间的关系属性;
根据所述用户特征,检测所述用户特征与多个排序参考信息对应的用户特征的相似性,得到多个相似性数值,根据所述多个相似性数值,从所述多个排序参考信息中获取所述相似性数值最大的排序参考信息,作为与所述用户特征匹配的目标排序参考信息,不同排序参考信息用于指示基于不同方式来确定显示顺序;
根据所述目标排序参考信息,对所述用户的关联用户进行排序,按照排序结果对所述用户的关联用户进行显示。
2.根据权利要求1所述的方法,其特征在于,所述与所述用户特征匹配的目标排序参考信息的确定过程包括:
获取多个样本用户的用户特征和多个排序参考信息;
将所述多个排序参考信息分配给所述样本用户;
获取每个所述样本用户的反馈信息,所述反馈信息为样本用户基于所分配的排序参考信息进行关联用户显示时的反馈信息;
根据每个所述样本用户的反馈信息,确定与每个所述样本用户的用户特征匹配的目标排序参考信息。
3.根据权利要求2所述的方法,其特征在于,所述反馈信息包括:基于已曝光的关联用户的发送行为。
4.根据权利要求3所述的方法,其特征在于,所述根据每个所述样本用户的反馈信息,确定与每个所述样本用户的用户特征匹配的目标排序参考信息包括:
根据所述样本用户对已曝光的关联用户的发送行为,确定所述样本用户的关联用户排序结果的正确率。
5.根据权利要求2所述的方法,其特征在于,所述反馈信息还包括:
作为发送目标的关联用户对所分享内容的处理方式信息;
所述根据每个所述样本用户的反馈信息,确定与每个所述样本用户的用户特征匹配的目标排序参考信息之后,所述方法还包括:
根据所述作为发送目标的关联用户对所分享内容的处理方式信息,对与每个所述样本用户的用户特征匹配的目标排序参考信息进行调整。
6.根据权利要求1所述的方法,其特征在于,所述根据所述目标排序参考信息,对所述用户的关联用户进行排序包括:
根据随机策略,按照所述终端所登录的用户被分配的随机数从小到大的顺序,对所述终端所登录的用户的关联用户进行排序;
根据目标特征排序策略,按照目标特征对应的数据取值从高到低的顺序,对所述终端所登录的用户的关联用户进行排序;
根据机器学习算法排序策略,将所述用户属性、关联用户属性和用户与关联用户之间的关系属性输入至机器学习模型,通过所述机器学习模型对所述终端所登录的用户的关联用户进行打分,按照打分分数从高到低的顺序,对所述终端所登录的用户的关联用户进行排序。
7.一种用户显示装置,其特征在于,所述装置包括:
特征获取模块,用于当检测到目标操作时,获取终端所登录的用户的用户特征,所述用户特征包括用户属性、关联用户属性和用户与关联用户之间的关系属性;
参考信息获取模块,用于根据所述用户特征,检测所述用户特征与多个排序参考信息对应的用户特征的相似性,得到多个相似性数值,根据所述多个相似性数值,从所述多个排序参考信息中获取所述相似性数值最大的排序参考信息,作为与所述用户特征匹配的目标排序参考信息,不同排序参考信息用于指示基于不同方式来确定显示顺序;排序模块,用于根据所述目标排序参考信息,对所述用户的关联用户进行排序;
显示模块,用于按照排序结果对所述用户的关联用户进行显示。
8.根据权利要求7所述的装置,其特征在于,所述与所述用户特征匹配的目标排序参考信息的确定过程包括:
获取多个样本用户的用户特征和多个排序参考信息;
将所述多个排序参考信息分配给所述样本用户;
获取每个所述样本用户的反馈信息,所述反馈信息为样本用户基于所分配的排序参考信息进行关联用户显示时的反馈信息;
根据每个所述样本用户的反馈信息,确定与每个所述样本用户的用户特征匹配的目标排序参考信息。
9.根据权利要求8所述的装置,其特征在于,所述反馈信息包括:基于已曝光的关联用户的发送行为。
10.根据权利要求9所述的装置,其特征在于,所述参考信息获取模块用于:
根据所述样本用户对已曝光的关联用户的发送行为,确定所述样本用户的关联用户排序结果的正确率。
11.根据权利要求8所述的装置,其特征在于,所述反馈信息还包括:
作为发送目标的关联用户对所分享内容的处理方式信息;
所述根据每个所述样本用户的反馈信息,确定与每个所述样本用户的用户特征匹配的目标排序参考信息之后,所述参考信息获取模块还用于:
根据所述作为发送目标的关联用户对所分享内容的处理方式信息,对与每个所述样本用户的用户特征匹配的目标排序参考信息进行调整。
12.根据权利要求7所述的装置,其特征在于,所述排序模块还用于:
根据随机策略,按照所述终端所登录的用户被分配的随机数从小到大的顺序,对所述终端所登录的用户的关联用户进行排序。
13.根据权利要求7所述的装置,其特征在于,所述排序模块还用于:
根据目标特征排序策略,按照目标特征对应的数据取值从高到低的顺序,对所述终端所登录的用户的关联用户进行排序。
14.根据权利要求7所述的装置,其特征在于,所述装置还包括:
输入模块,用于根据机器学习算法排序策略,将所述用户属性、关联用户属性和用户与关联用户之间的关系属性输入至机器学习模型;
打分模块,用于通过所述机器学习模型对所述终端所登录的用户的关联用户进行打分。
15.根据权利要求14所述的装置,其特征在于,所述排序模块还用于:
按照打分分数从高到低的顺序,对所述终端所登录的用户的关联用户进行排序。
16.一种计算机设备,其特征在于,所述计算机设备包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条程序代码,所述程序代码由所述一个或多个处理器加载并执行以实现如权利要求1至权利要求6任一项所述的用户显示方法所执行的操作。
17.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条程序代码,所述程序代码由处理器加载并执行以实现如权利要求1至权利要求6任一项所述的用户显示方法所执行的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911247735.3A CN110928913B (zh) | 2019-12-09 | 2019-12-09 | 用户显示方法、装置、计算机设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911247735.3A CN110928913B (zh) | 2019-12-09 | 2019-12-09 | 用户显示方法、装置、计算机设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110928913A CN110928913A (zh) | 2020-03-27 |
CN110928913B true CN110928913B (zh) | 2023-10-03 |
Family
ID=69857493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911247735.3A Active CN110928913B (zh) | 2019-12-09 | 2019-12-09 | 用户显示方法、装置、计算机设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110928913B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114895830A (zh) * | 2022-05-13 | 2022-08-12 | 北京达佳互联信息技术有限公司 | 任务信息显示方法、装置、电子设备以及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8949250B1 (en) * | 2013-12-19 | 2015-02-03 | Facebook, Inc. | Generating recommended search queries on online social networks |
CN104836716A (zh) * | 2014-02-10 | 2015-08-12 | 腾讯科技(深圳)有限公司 | 一种基于关系链的排序方法、装置和*** |
WO2018018610A1 (zh) * | 2016-07-29 | 2018-02-01 | 深圳越界创新科技有限公司 | 一种匹配度计算方法、装置以及用户设备 |
CN108062390A (zh) * | 2017-12-15 | 2018-05-22 | 广州酷狗计算机科技有限公司 | 推荐用户的方法、装置和可读存储介质 |
CN108921221A (zh) * | 2018-07-04 | 2018-11-30 | 腾讯科技(深圳)有限公司 | 用户特征的生成方法、装置、设备及存储介质 |
US10152542B2 (en) * | 2012-04-09 | 2018-12-11 | Oath Inc. | Ranking and ordering of user generated content |
WO2019062193A1 (zh) * | 2017-09-29 | 2019-04-04 | 北京金山安全软件有限公司 | 一种信息展示方法及装置 |
CN110083677A (zh) * | 2019-05-07 | 2019-08-02 | 北京字节跳动网络技术有限公司 | 联系人的搜索方法、装置、设备及存储介质 |
CN110288350A (zh) * | 2019-04-24 | 2019-09-27 | 武汉众邦银行股份有限公司 | 用户价值预测方法、装置、设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8606776B2 (en) * | 2011-02-18 | 2013-12-10 | Google Inc. | Affinity based ranked for search and display |
CN104717124B (zh) * | 2013-12-13 | 2019-07-16 | 腾讯科技(深圳)有限公司 | 一种好友推荐方法、装置及服务器 |
US20160026640A1 (en) * | 2014-07-23 | 2016-01-28 | Attune, Inc. | Systems and methods of testing-based online ranking |
-
2019
- 2019-12-09 CN CN201911247735.3A patent/CN110928913B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10152542B2 (en) * | 2012-04-09 | 2018-12-11 | Oath Inc. | Ranking and ordering of user generated content |
US8949250B1 (en) * | 2013-12-19 | 2015-02-03 | Facebook, Inc. | Generating recommended search queries on online social networks |
CN104836716A (zh) * | 2014-02-10 | 2015-08-12 | 腾讯科技(深圳)有限公司 | 一种基于关系链的排序方法、装置和*** |
WO2018018610A1 (zh) * | 2016-07-29 | 2018-02-01 | 深圳越界创新科技有限公司 | 一种匹配度计算方法、装置以及用户设备 |
WO2019062193A1 (zh) * | 2017-09-29 | 2019-04-04 | 北京金山安全软件有限公司 | 一种信息展示方法及装置 |
CN108062390A (zh) * | 2017-12-15 | 2018-05-22 | 广州酷狗计算机科技有限公司 | 推荐用户的方法、装置和可读存储介质 |
CN108921221A (zh) * | 2018-07-04 | 2018-11-30 | 腾讯科技(深圳)有限公司 | 用户特征的生成方法、装置、设备及存储介质 |
CN110288350A (zh) * | 2019-04-24 | 2019-09-27 | 武汉众邦银行股份有限公司 | 用户价值预测方法、装置、设备及存储介质 |
CN110083677A (zh) * | 2019-05-07 | 2019-08-02 | 北京字节跳动网络技术有限公司 | 联系人的搜索方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
一种联合LTR和社交网络的Top-k推荐方法;熊丽荣;王玲燕;黄玉柱;;小型微型计算机***(第12期);全文 * |
基于多重图排序的用户冷启动推荐方法;毛明松;张富国;;计算机工程(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110928913A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110585726B (zh) | 用户召回方法、装置、服务器及计算机可读存储介质 | |
CN109284445B (zh) | 网络资源的推荐方法、装置、服务器及存储介质 | |
CN110163066B (zh) | 多媒体数据推荐方法、装置及存储介质 | |
CN111569435B (zh) | 排行榜生成方法、***、服务器及存储介质 | |
CN110162604B (zh) | 语句生成方法、装置、设备及存储介质 | |
CN112511850B (zh) | 连麦方法、直播显示方法、装置、设备及存储介质 | |
CN111291200B (zh) | 多媒体资源展示方法、装置、计算机设备及存储介质 | |
WO2022057435A1 (zh) | 基于搜索的问答方法及存储介质 | |
CN110136228B (zh) | 虚拟角色的面部替换方法、装置、终端及存储介质 | |
CN113032587B (zh) | 多媒体信息推荐方法、***、装置、终端和服务器 | |
CN111031391A (zh) | 视频配乐方法、装置、服务器、终端及存储介质 | |
JP7483056B2 (ja) | 選択ターゲットの決定方法、装置、機器、及びコンピュータプログラム | |
CN112131473B (zh) | 信息推荐方法、装置、设备及存储介质 | |
CN110928913B (zh) | 用户显示方法、装置、计算机设备及计算机可读存储介质 | |
CN111428158B (zh) | 推荐位置的方法、装置、电子设备及可读存储介质 | |
CN113633970B (zh) | 动作效果的显示方法、装置、设备及介质 | |
CN113413587B (zh) | 牌类竞技的信息确定方法、装置、设备及介质 | |
CN111159551B (zh) | 用户生成内容的显示方法、装置及计算机设备 | |
CN114817709A (zh) | 排序方法、装置、设备及计算机可读存储介质 | |
CN111753154B (zh) | 用户数据处理方法、装置、服务器及计算机可读存储介质 | |
CN113384884B (zh) | 基于虚拟牌的出牌提示方法、装置、电子设备及存储介质 | |
CN110795465B (zh) | 用户规模预估方法、装置、服务器及存储介质 | |
CN111368103B (zh) | 多媒体数据播放方法、装置、设备及存储介质 | |
CN112100528B (zh) | 对搜索结果评分模型进行训练的方法、装置、设备、介质 | |
CN113633978B (zh) | 虚拟技能的配置方法、装置、设备及介质 |
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: 40022633 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 |