CN110992127B - 一种物品推荐方法及装置 - Google Patents
一种物品推荐方法及装置 Download PDFInfo
- Publication number
- CN110992127B CN110992127B CN201911114678.1A CN201911114678A CN110992127B CN 110992127 B CN110992127 B CN 110992127B CN 201911114678 A CN201911114678 A CN 201911114678A CN 110992127 B CN110992127 B CN 110992127B
- Authority
- CN
- China
- Prior art keywords
- training sample
- sample
- positive
- training
- negative
- 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 57
- 238000012549 training Methods 0.000 claims abstract description 478
- 230000003542 behavioural effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 239000000758 substrate Substances 0.000 claims 3
- 230000006399 behavior Effects 0.000 description 35
- 230000008569 process Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种物品推荐方法及装置,涉及计算机技术领域。该方法的一具体实施方式包括:从样本集中选择正负训练样本;循环执行以下步骤,训练用于物品推荐的判别器,直至达到训练停止准则:根据正负训练样本分别指示的属性特征和行为特征,计算正负训练样本的距离以及负训练样本的判别参数,判别参数指示了负训练样本作为正训练样本的概率;根据距离和判别参数,从训练样本集中重新选择正训练样本及其相关的负训练样本;根据重新选择的正负训练样本,训练判别器;利用判别器从待推荐样本集中确定待推荐正样本,将待推荐正样本对应的物品推荐给用户。该实施方式提高了判别器的预测准确度,从而提高了利用判别器进行物品推荐的准确度。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种物品推荐方法及装置。
背景技术
推荐***作为电子商务的一种智能应用,能够帮助用户获取基于用户需求和偏好的产品。具体来说,推荐***可基于训练出的用户行为模型,为用户推荐其偏好的产品。其中,用户行为模型可基于多种类型的模型训练生成。
判别器作为用户行为模型的一种,在对判别器进行训练时,一般从包含正负训练样本的样本集中,随机选择多个正负训练样本对,并根据随机选择的正负样本对来训练判别器。其中,训练样本集中的正训练样本对应于曝光且被点击的物品,负训练样本对应于曝光但未被点击的物品。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
样本集一般基于用户的历史反馈数据所生成,而用户的历史反馈数据往往具有极大的稀疏性,使得样本集中负训练样本的数量远远大于正训练样本的数量,而随机选择的正负训练样本对不能反映负训练样本相对于正训练样本的相关性,从而影响判别器的训练效果,使得判别器的预测准确度较低,进而导致推荐的物品的准确度较低。
发明内容
有鉴于此,本发明实施例提供一种物品推荐方法及装置,能够根据正训练样本与负训练样本之间的距离,选择与正训练样本相关的负训练样本,并利用选择出的正训练样本和负训练样本对判别器进行训练,以提高判别器的预测准确性,从而提高物品推荐的准确性。
为实现上述目的,根据本发明实施例的一个方面,提供了一种物品推荐方法。
本发明实施例的一种物品推荐方法包括:获取样本集,所述样本集中的训练样本指示了物品的属性特征和用户针对所述物品的行为特征;
从所述样本集中选择正训练样本和负训练样本,其中,所述正训练样本对应的物品被曝光且被点击,所述负训练样本对应的物品被曝光且未被点击;
循环执行以下步骤,训练用于物品推荐的判别器,直至达到训练停止准则:
根据所述正训练样本和所述负训练样本分别指示的所述属性特征和所述行为特征,计算所述正训练样本与所述负训练样本之间的距离;
计算所选择的负训练样本的判别参数,所述判别参数指示了所述负训练样本作为正训练样本的概率;
根据所述距离和所述判别参数,从所述训练样本集中重新选择正训练样本以及与重新选择的正训练样本相关的负训练样本;
根据重新选择的正训练样本和负训练样本,训练所述判别器;
利用所述判别器从待推荐样本集中确定出待推荐正样本,并将所述待推荐正样本对应的物品推荐给用户。
可选地,
所述根据所述距离和所述判别参数,从所述训练样本集中重新选择正训练样本以及与重新选择的正训练样本相关的负训练样本,包括:
将所述距离、所述判别参数以及所述判别参数对应的负训练样本作为用于选择样本的生成器的输入,以对所述生成器进行优化;
利用优化后的生成器,选择所述正训练样本以及与重新选择的正训练样本相关的负训练样本。
可选地,
根据所述距离和所述判别参数,计算所述生成器的优化梯度,并基于所述优化梯度、利用随机梯度法对所述生成器进行优化。
可选地,
所述从所述训练样本集中重新选择正训练样本以及与重新选择的正训练样本相关的负训练样本,包括:
利用所述生成器从所述样本集中随机选择正训练样本,并根据所述正训练样本所指示的物品的属性特征和用户针对所述物品的行为特征,选择与所述正训练样本的相关度大于第一阈值的负训练样本。
可选地,
所述训练停止准则为:所述判别器计算出的负训练样本的判别参数与正训练样本的判别参数之差小于第二阈值,或循环训练所述判别器的次数大于第三阈值。
可选地,
重新选择出的所述负训练样本的判别参数与重新选择出的所述正训练样本和所述负训练样本之间的距离之差大于第四阈值。
可选地,
所述根据所述正训练样本和所述负训练样本分别指示的所述属性特征和所述行为特征,计算所述正训练样本与所述负训练样本之间的距离,包括:
根据所述属性特征和所述行为特征,预训练所述判别器,并根据预训练后的所述判别器计算所述正训练样本与所述负训练样本之间的距离。
为实现上述目的,根据本发明实施例的又一方面,提供了一种物品推荐装置。
本发明实施例的一种物品推荐装置包括:样本获取模块、样本选择模块、训练模块和推荐模块;其中,
所述样本获取模块,用于获取样本集,所述样本集中的训练样本指示了物品的属性特征和用户针对所述物品的行为特征;
所述样本选择模块,用于从所述样本集中选择正训练样本和负训练样本,其中,所述正训练样本对应的物品被曝光且被点击,所述负训练样本对应的物品被曝光且未被点击;
所述训练模块,用于循环执行以下步骤,训练用于物品推荐的判别器,直至达到训练停止准则:根据所述正训练样本和所述负训练样本分别指示的所述属性特征和所述行为特征,计算所述正训练样本与所述负训练样本之间的距离;计算所选择的负训练样本的判别参数,所述判别参数指示了所述负训练样本作为正训练样本的概率;根据所述距离和所述判别参数,从所述训练集中重新选择正训练样本以及与重新选择的正训练样本相关的负训练样本,根据重新选择的正训练样本和负训练样本,训练所述判别器;
所述推荐模块,用于利用所述判别器从待推荐样本集中确定出待推荐正样本,并将所述待推荐正样本对应的物品推荐给用户。
可选地,所述训练模块,用于将所述距离、所述判别参数以及所述判别参数对应的负训练样本作为用于选择样本的生成器的输入,以对所述生成器进行优化,并利用优化后的生成器,选择所述正训练样本以及与重新选择的正训练样本相关的负训练样本。
可选地,
所述训练模块,利用所述生成器从所述样本集中随机选择正训练样本,并根据所述正训练样本所指示的物品的属性特征和用户这对所述物品的行为特征,选择与所述正训练样本的相关度大于第一阈值的负训练样本。
可选地,
所述训练停止准则为:所述判别器计算出的负训练样本的判别参数与正训练样本的判别参数之差小于第二阈值,或循环训练所述判别器的次数大于第三阈值。
为实现上述目的,根据本发明实施例的又一方面,提供了一种物品推荐的电子设备。
本发明实施例的一种物品推荐的电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例的一种物品推荐的方法。
为实现上述目的,根据本发明实施例的再一方面,提供了一种计算机可读存储介质。
本发明实施例的一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例的一种物品推荐的方法。
上述发明中的一个实施例具有如下优点或有益效果:根据正训练样本和负训练分别指示的属性特征和行为特征,计算正训练样本与负训练样本之间的距离,然后根据该距离以及负训练样本的判别参数,重新选择正训练样本和与该正训练样本相关的负训练样本,并利用重新选择的正训练样本和负训练样本训练判别器,以提高判别器的训练效果,从而提高判别器的预测准确度,进而提高利用判别器进行物品推荐时所推荐物品的准确度。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的物品推荐方法的主要步骤的示意图;
图2是根据本发明实施例的物品推荐装置的主要模块的示意图;
图3是本发明实施例可以应用于其中的示例性***架构图;
图4是适于用来实现本发明实施例的终端设备或服务器的计算机***的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要指出的是,在不冲突的情况下,本发明的实施例以及实施例中的技术特征可以相互结合。
图1是根据本发明实施例的一种物品推荐方法的主要步骤的示意图。
如图1所示,本发明实施例的一种物品推荐方法主要包括以下步骤:
步骤S101:获取样本集,所述样本集中的训练样本指示了物品的属性特征和用户针对所述物品的行为特征。
样本集可以根据推荐***与用户的历史交互数据产生,例如,将推荐***曝光给用户且被用户点击的物品作为正训练样本,将推荐***曝光给用户但未被用户点击的物品作为负训练样本。可以定义样本集为Γ={Γ+,Γ-},其中Γ+代表正训练样本集,Γ-代表负训练样本集,对于任一个训练样本s∈Γ,该训练样本可以包含两部分,一部分为物品的属性特征ec(s),另一部分为用户针对物品的行为特征例如用户针对物品的点击记录。其中,物品的属性特征ec(s)可以来自表示物品属性特征的信息,例如电商平台对于物品的描述信息,也可以来自用户对该物品的历史点击记录的嵌入embedding表示。另外,用户针对物品的行为特征/>可以来自用户对该物品的历史点击记录。
值得一提的是,物品的属性特征ec(s)来自用户对该物品的历史点击记录的嵌入embedding表示时,此历史点击记录与用户针对物品的行为特征所对应的历史点击记录最好不重复,例如,按照时间顺序划分历史点击记录,使得物品的属性特征ec(s)所对应的历史点击记录为相较于用户针对物品的行为特征/>所对应的历史点击记录更早期的历史记录,也就是说,物品的属性特征ec(s)所对应的历史点击记录产生在用户针对物品的行为特征/>所对应的历史点击记录之前,以尽可能避免在训练过程中出现过拟合现象。
为了更好地从历史点击记录中提取行为特征,在本发明一个实施方式中,将历史点击记录作为GRU模型或长短期记忆网络(Long Short-Term Memory,LSTM)的输入,然后以GRU模型或LSTM最后的隐藏层作为用户针对物品的行为特征的表示。当然,也可以采用其他模型来提取行为特征/>例如采用attention机制等。由此,样本集中的每个训练样本由物品的属性特征ec(s)和用户针对物品的点击行为/>拼接而成,可将每个训练样本定义为/>
步骤S102:从所述样本集中选择正训练样本和负训练样本,其中,所述正训练样本对应的物品被曝光且被点击,所述负训练样本对应的物品被曝光且未被点击。
可以理解的是,在开始训练时,可从样本集中随机选取正训练样本和负训练样本。
步骤S103:根据所述正训练样本和所述负训练样本分别指示的所述属性特征和所述行为特征,计算所述正训练样本与所述负训练样本之间的距离。
对于选择出的正训练样本和负训练样本,可根据其分别指示的属性特征和行为特征,计算正训练样本和负训练样本之间的距离。例如,正训练样本s∈Γ+与负训练样本s′∈Γ-之间的距离可采用欧式距离,具体地,可采用以下计算公式(1)计算正训练样本s和负训练样本s′之间的欧式距离:
其中,p(s,s′)表征正训练样本s和负训练样本s′之间的欧式距离,λ1和λ2为预设的调节参数,λ1和λ2的取值范围可以为(0,1),ec(s)表征正训练样本s的属性特征,ec(s′)表征负训练样本s′的属性特征,表征正训练样本s的行为特征,/>表征负训练样本s′的行为特征。
步骤S104:计算所选择的负训练样本的判别参数,所述判别参数指示了所述负训练样本作为正训练样本的概率。
将选择出的训练样本输入判别器,使得判别器分别计算正训练样本和负训练样本的判别参数,其中,判别器可采用简单的多层全联接网络,例如GRU模型。判别器计算出的判别参数可指示每个训练样本作为正训练样本的概率,例如,判别器计算1个正训练样本与9个负训练样本的判别参数,其中,得到10个训练样本分别对应的判别参数是:1、0.1、0.2、0.3、0.2、0.1、0.4、0.3、0.8、0.1,则可根据判别参数的相对大小,确定相应训练样本作为正训练样本的概率,例如将判别参数>0.9的训练样本作为正样本,将判别参数≤0.9的训练样本作为负训练样本,则根据判别参数可确定1对应的训练样本为正训练样本,其余9个训练样本为负训练样本。对于负训练样本,其对应的判别参数也在一定程度上指示其作为正训练样本的概率,例如,判别参数0.8所对应的负训练样本与判别参数0.1所对应的负训练样本相比,判别参数0.8所对应的负训练样本作为正训练样本的概率更大。
可以理解的是,在判别器的训练初期,判别器计算出的判别参数误差较大,此时可根据正训练样本与负训练样本分别指示的属性特征和行为特征对判别器进行预训练,例如,可结合训练样本所指示的属性特征和行为特征、以及判别器计算出的判别参数以及样本集中正训练样本和负训练样本各自对应的标签(该标签表征训练样本为正训练样本或负训练样本),对判别器进行预训练,然后利用预训练后的判别器计算正负训练样本之间的距离,以及负训练样本的判别参数,使得判别器计算出的距离和判别参数尽可能准确。
步骤S105:根据所述距离和所述判别参数,从所述训练样本集中重新选择正训练样本以及与重新选择的正训练样本相关的负训练样本;根据重新选择的正训练样本和负训练样本,训练所述判别器。
在本发明一个实施方式中,可将所述距离、所述判别参数以及所述判别参数对应的负训练样本作为用于选择样本的生成器的输入,以对所述生成器进行优化;利用优化后的生成器,选择所述正训练样本以及与重新选择的正训练样本相关的负训练样本。
生成器为对抗网络,对抗网络主要原理是根据正训练样本的分布,来从负训练样本中抽样出和正训练样本对抗性的负训练样本,由此可以看出,对生成器进行训练的过程实际上是利用受限对抗网络进行准确降采样的过程,在本发明实施例中,生成器可采用GRU模型等多层全联接网络。生成器也可采用GRU模型等多层全联接网络,对生成器进行优化的目标是最大化负训练样本的判别参数,同时考虑正训练样本和负训练样本之间的距离惩罚,基于此,可以基于如下损失函数(2)对生成器进行优化:
其中,fD(eD(s′))表征负训练样本的判别参数,p(s,s′)表征正训练样本与负训练样本之间的欧式距离,pG(s′|s)表征选择出的负训练样本的集合。
具体地,在对生成器进行优化时,可根据所述距离和所述判别参数,计算所述生成器的优化梯度,并基于所述优化梯度、利用随机梯度法对所述生成器进行优化。
基于以上损失函数(2),根据REINFORCE算法,可得到生成器的损失梯度,该损失梯度如下述计算式(3)所示,基于该损失梯度,利用随机梯度方法优化生成器,使得利用优化后的生成器重新选择出的负训练样本的判别参数与重新选择出的所述正训练样本和所述负训练样本之间的距离之差大于第四阈值,也就是说,针对于重新选择出的负训练样本和正训练样本,利用损失函数(2)计算出的LG尽可能大。其中,第四阈值可随着训练过程动态调整,也可以为固定值。
其中,fD(eD(s′))表征负训练样本的判别参数,p(s,s′)表征正训练样本与负训练样本之间的欧式距离,pG(s′|s)表征选择出的负训练样本的集合。
另外,在利用优化后的生成器从训练集中重新选择正训练样本和负训练样本时,可先利用所述生成器从所述样本集中随机选择正训练样本,然后根据所述正训练样本所指示的物品的属性特征和用户针对所述物品的行为特征,选择与所述正训练样本的相关度大于第一阈值的负训练样本。
为了计算正训练样本与负训练样本的相关度,可采用GRU模型提取样本的属性特征和行为特征,该GRU模型的结构与生成器一样,但与生成器的参数有所不同,提取出的特征表示为eG(s)。可以理解的是,通过此GRU模型提取的特征eG(s)可以与相同,也就是说,可以直接根据ec(s)和/>拼接后形成的eD(s)计算正训练样本与负训练样本之间的相关度。另外,当两次采用的模型种类或模型参数有所不同时,eG(s)可能与eD(s)有所不同,例如eG(s)与eD(s)的维度有所不同。可以理解的是,无论eG(s)可能与eD(s)是否一致,此eG(s)仅用于计算正训练样本与负训练样本之间的相关度,仅需保证正训练样本与负训练样本采用同一个模型来提取特征即可。
另外,由于样本集中负训练样本的数量较多,为了减少计算量,可在从样本集中随机选择出正训练样本之后,再针对选择出的每个正训练样本,从样本集中随机选择多个候选负训练样本,组成候选负训练样本集Neg(s)。然后,再计算候选负训练样本集Neg(s)中的负训练样本与其对应的正训练样本之间的相关度,具体地,可采用如下计算公式(4)计算正训练样本与负训练样本之间的相关度M,并根据相关度M确定生成器的抽样策略,也就是选择与所述正训练样本的相关度大于第一阈值的负训练样本,该第一阈值可以在训练过程中动态调整,也可以设置为固定值。
其中,eG(s′)表征负训练样本指示的属性特征和行为特征,eG(s)表征正训练样本指示的属性特征和行为特征。
步骤S106:判断是否达到训练停止准则,如果是,则执行步骤S107,否则执行步骤S103。
其中,所述训练停止准则为:所述判别器计算出的负训练样本的判别参数与正训练样本的判别参数之差小于第二阈值,或循环训练所述判别器的次数大于第三阈值。
在本发明一个实施例中,采用triplet loss作为判别器的优化目标,其中,triplet loss可以如公式(5)进行计算,也就是说,当triplet loss大于阈值时,可停止训练判别器。
LD=∑s∈Γ[fD(eD(s′))-fD(eD(s))+r]+,s′~pG(s′|s).......(5)
fD(eD(s))表征利用判别器计算的重新选择出的正训练样本的判别参数,fD(eD(s′))表征利用判别器计算的重新选择出的负训练样本的判别参数,r为预设的调整参数,pG(s′|s)表征重新选择出的负训练样本的集合。
根据公式(5)可知,当判别器计算出的负训练样本的判别参数与正训练样本的判别参数之差小于第二阈值时,triplet loss小于阈值,也就是说,当判别器计算出的负训练样本的判别参数与正训练样本的判别参数之差小于第二阈值时,可停止训练判别器。或者,当循环训练判别器的次数大于第三阈值时,也可停止训练判别器。
由此,先根据判别器计算出的正训练样本和负训练本的分别对应的属性特征和行为特征、判别器计算出判别参数,以及正训练样本和负训练样本分别对应标签,对判别参数进行训练,可以理解的是,该训练过程也为多次循环过程,该过程可在判别器计算出的判别参数与正负训练样本的标签表征的目标值的误差比例小于第五阈值或者循环次数大于第六阈值时停止。得到相对精确的判别器之后,结合判别器计算的判别参数以及正负训练样本之间的距离,对生成器进行优化,使得生成器可重新选择出与正训练样本相关度较高的负训练样本,也就是说,重新选择出的正负训练样本相对于初选的正负训练样本来说,更难被区分开。然后将重新选择出的正负训练样本输入判别器,以对判别器进行优化,也就是训练判别器将更难区分的正负训练样本区分开来,此时对判别器的训练过程与初期根据判别分数和正负训练样本的标签训练判别器的过程一致,在此不再赘述。
在优化生成器时,加入了两个距离限制信号,一个距离限制是正训练样本的属性特征和负训练样本的属性特征之间的欧式距离,另一种距离限制是正训练样本的行为特征与负训练样本的行为特征之间的欧式距离。通过这两个距离的限制,加强了生成器的信号强度,从而能够得到更好的负样本生成器,也就使得生成器可从样本集中选择相关度更高的正负训练样本。在多次循环优化过程中,不断利用更高相关度的正负训练样本对判别器进行训练,使得判别器的判别能力逐步增强,从而得到预测效果更准确的判别器。
步骤S107:利用所述判别器从待推荐样本集中确定出待推荐正样本,并将所述待推荐正样本对应的物品推荐给用户。
利用训练好的判别器计算待推荐样本集中,各个待推荐样本的判别分数,由于该判别分数可表征对应的待推荐样本作为待推荐正样本的概率,因此,可根据各个待推荐样本分别对应的判别参数,从待推荐样本集中确定出待推荐正样本,一般来说,选择判别分数较高的待推荐样本作为待推荐正样本,确定出的待推荐样本对应于用户点击概率较高的物品,因此将该待推荐样本推荐给用户,可实现为用户提供更准确的推荐,进而有利于提高用户粘度。
在将本发明实施例提供的物品推荐方法应用于电商平台时,可向用户提供更准确的物品广告,以提高用户对物品广告的点击率,从而提高电商平台的广告投放效果。例如,在电商平台利用第三方平台投放广告的场景下,用户点击第三方平台所展示的广告后,会被引流到中间页上,该中间页即是典型的推荐***场景。在该推荐***场景下,物品会以feed流的形式展现给用户,用户会在该中间页点击和查看物品,或者滑动以查看更多物品。则在此中间页上,推荐***对物品的推荐,将直接影响用户的点击和转化,也影响电商平台的广告投放效果。因此,在中间页的推荐***场景,采用本发明实施例提供的物品推荐方法,离线AUC(Area Under Curve,ROC曲线下与坐标轴围成的面积)有很大提升,可为用户提供更准确的物品的推荐,从而提高用户的点击率和转化率,进而提高电商平台的广告投放效果,有利于提高电商平台的收益。
根据本发明实施例的物品推荐方法可以看出,根据正训练样本和负训练分别指示的属性特征和行为特征,计算正训练样本与负训练样本之间的距离,然后根据该距离以及负训练样本的判别参数,重新选择正训练样本和与该正训练样本相关的负训练样本,并利用重新选择的正训练样本和负训练样本训练判别器,以提高判别器的训练效果,从而提高判别器的预测准确度,进而提高利用判别器进行物品推荐时所推荐物品的准确度。
图2是根据本发明实施例的物品推荐装置的主要模块的示意图。
如图2所示,本发明实施例的物品推荐装置200包括:样本获取模块201、样本选择模块202、训练模块203和推荐模块204;其中,
所述样本获取模块201,用于获取样本集,所述样本集中的训练样本指示了物品的属性特征和用户针对所述物品的行为特征;
所述样本选择模块202,用于从所述样本集中选择正训练样本和负训练样本,其中,所述正训练样本对应的物品被曝光且被点击,所述负训练样本对应的物品被曝光且未被点击;
所述训练模块203,用于循环执行以下步骤,训练用于物品推荐的判别器,直至达到训练停止准则:根据所述正训练样本和所述负训练样本分别指示的所述属性特征和所述行为特征,计算所述正训练样本与所述负训练样本之间的距离;计算所选择的负训练样本的判别参数,所述判别参数指示了所述负训练样本作为正训练样本的概率;根据所述距离和所述判别参数,从所述训练集中重新选择正训练样本以及与重新选择的正训练样本相关的负训练样本,根据重新选择的正训练样本和负训练样本,训练所述判别器;
所述推荐模块204,用于利用所述判别器从待推荐样本集中确定出待推荐正样本,并将所述待推荐正样本对应的物品推荐给用户。
在本发明一个实施例中,所述训练模块203,用于将所述距离、所述判别参数以及所述判别参数对应的负训练样本作为用于选择样本的生成器的输入,以对所述生成器进行优化,并利用优化后的生成器,选择所述正训练样本以及与重新选择的正训练样本相关的负训练样本。
在本发明一个实施例中,所述训练模块203,利用所述生成器从所述样本集中随机选择正训练样本,并根据所述正训练样本所指示的物品的属性特征和用户这对所述物品的行为特征,选择与所述正训练样本的相关度大于第一阈值的负训练样本。
在本发明一个实施例中,所述训练停止准则为:所述判别器计算出的负训练样本的判别参数与正训练样本的判别参数之差小于第二阈值,或循环训练所述判别器的次数大于第三阈值。
根据本发明实施例的物品推荐装置可以看出,根据正训练样本和负训练分别指示的属性特征和行为特征,计算正训练样本与负训练样本之间的距离,然后根据该距离以及负训练样本的判别参数,重新选择正训练样本和与该正训练样本相关的负训练样本,并利用重新选择的正训练样本和负训练样本训练判别器,以提高判别器的训练效果,从而提高判别器的预测准确度,进而提高利用判别器进行物品推荐时所推荐物品的准确度。
图3示出了可以应用本发明实施例的物品推荐方法或物品推荐的装置的示例性***架构300。
如图3所示,***架构300可以包括终端设备301、302、303,网络304和服务器305。网络304用以在终端设备301、302、303和服务器305之间提供通信链路的介质。网络304可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备301、302、303通过网络304与服务器305交互,以接收或发送消息等。终端设备301、302、303上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备301、302、303可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器305可以是提供各种服务的服务器,例如对用户利用终端设备301、302、303所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息)反馈给终端设备。
需要说明的是,本发明实施例所提供的物品推荐方法一般由服务器305执行,相应地,物品推荐装置一般设置于服务器305中。
应该理解,图3中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图4,其示出了适于用来实现本发明实施例的终端设备的计算机***400的结构示意图。图4示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,计算机***400包括中央处理单元(CPU)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有***400操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本发明的***中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括样本获取模块、样本选择模块、训练模块和推荐模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,样本获取模块还可以被描述为“获取样本集的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:获取样本集,所述样本集中的训练样本指示了物品的属性特征和用户针对所述物品的行为特征;从所述样本集中选择正训练样本和负训练样本,其中,所述正训练样本对应的物品被曝光且被点击,所述负训练样本对应的物品被曝光且未被点击;循环执行以下步骤,训练用于物品推荐的判别器,直至达到训练停止准则:根据所述正训练样本和所述负训练样本分别指示的所述属性特征和所述行为特征,计算所述正训练样本与所述负训练样本之间的距离;计算所选择的负训练样本的判别参数,所述判别参数指示了所述负训练样本作为正训练样本的概率;根据所述距离和所述判别参数,从所述训练样本集中重新选择正训练样本以及与重新选择的正训练样本相关的负训练样本;根据重新选择的正训练样本和负训练样本,训练所述判别器;利用所述判别器从待推荐样本集中确定出待推荐正样本,并将所述待推荐正样本对应的物品推荐给用户。
根据本发明实施例的技术方案,根据正训练样本和负训练分别指示的属性特征和行为特征,计算正训练样本与负训练样本之间的距离,然后根据该距离以及负训练样本的判别参数,重新选择正训练样本和与该正训练样本相关的负训练样本,并利用重新选择的正训练样本和负训练样本训练判别器,以提高判别器的训练效果,从而提高判别器的预测准确度,进而提高利用判别器进行物品推荐时所推荐物品的准确度。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (13)
1.一种物品推荐方法,其特征在于,包括:
获取样本集,所述样本集中的训练样本指示了物品的属性特征和用户针对所述物品的行为特征;
从所述样本集中选择正训练样本和负训练样本,其中,所述正训练样本对应的物品被曝光且被点击,所述负训练样本对应的物品被曝光且未被点击;
循环执行以下步骤,训练用于物品推荐的判别器,直至达到训练停止准则:根据所述正训练样本和所述负训练样本分别指示的所述属性特征和所述行为特征,计算所述正训练样本与所述负训练样本之间的距离;计算所选择的负训练样本的判别参数,所述判别参数指示了所述负训练样本作为正训练样本的概率;根据所述距离和所述判别参数,从所述样本集中重新选择正训练样本以及与重新选择的正训练样本相关的负训练样本;根据重新选择的正训练样本和负训练样本,训练所述判别器;
利用所述判别器从待推荐样本集中确定出待推荐正样本,并将所述待推荐正样本对应的物品推荐给用户。
2.根据权利要求1所述的方法,其特征在于,所述根据所述距离和所述判别参数,从所述样本集中重新选择正训练样本以及与重新选择的正训练样本相关的负训练样本,包括:
将所述距离、所述判别参数以及所述判别参数对应的负训练样本作为用于选择样本的生成器的输入,以对所述生成器进行优化;
利用优化后的生成器,重新选择所述正训练样本以及与重新选择的正训练样本相关的负训练样本。
3.根据权利要求2所述的方法,其特征在于,
根据所述距离和所述判别参数,计算所述生成器的优化梯度,并基于所述优化梯度、利用随机梯度法对所述生成器进行优化。
4.根据权利要求2所述的方法,其特征在于,所述从所述样本集中重新选择正训练样本以及与重新选择的正训练样本相关的负训练样本,包括:
利用所述生成器从所述样本集中随机选择正训练样本,并根据所述正训练样本所指示的物品的属性特征和用户针对所述物品的行为特征,选择与所述正训练样本的相关度大于第一阈值的负训练样本。
5.根据权利要求1所述的方法,其特征在于,
所述训练停止准则为:所述判别器计算出的负训练样本的判别参数与正训练样本的判别参数之差小于第二阈值,或循环训练所述判别器的次数大于第三阈值。
6.根据权利要求1所述的方法,其特征在于,
重新选择出的所述负训练样本的判别参数与重新选择出的所述正训练样本和所述负训练样本之间的距离之差大于第四阈值。
7.根据权利要求1所述的方法,其特征在于,所述根据所述正训练样本和所述负训练样本分别指示的所述属性特征和所述行为特征,计算所述正训练样本与所述负训练样本之间的距离,包括:
根据所述属性特征和所述行为特征,预训练所述判别器,并根据预训练后的所述判别器计算所述正训练样本与所述负训练样本之间的距离。
8.一种物品推荐装置,其特征在于,包括:样本获取模块、样本选择模块、训练模块和推荐模块;其中,
所述样本获取模块,用于获取样本集,所述样本集中的训练样本指示了物品的属性特征和用户针对所述物品的行为特征;
所述样本选择模块,用于从所述样本集中选择正训练样本和负训练样本,其中,所述正训练样本对应的物品被曝光且被点击,所述负训练样本对应的物品被曝光且未被点击;
所述训练模块,用于循环执行以下步骤,训练用于物品推荐的判别器,直至达到训练停止准则:根据所述正训练样本和所述负训练样本分别指示的所述属性特征和所述行为特征,计算所述正训练样本与所述负训练样本之间的距离;计算所选择的负训练样本的判别参数,所述判别参数指示了所述负训练样本作为正训练样本的概率;根据所述距离和所述判别参数,从所述样本集中重新选择正训练样本以及与重新选择的正训练样本相关的负训练样本,根据重新选择的正训练样本和负训练样本,训练所述判别器;
所述推荐模块,用于利用所述判别器从待推荐样本集中确定出待推荐正样本,并将所述待推荐正样本对应的物品推荐给用户。
9.根据权利要求8所述的装置,其特征在于,
所述训练模块,用于将所述距离、所述判别参数以及所述判别参数对应的负训练样本作为用于选择样本的生成器的输入,以对所述生成器进行优化,并利用优化后的生成器,选择所述正训练样本以及与重新选择的正训练样本相关的负训练样本。
10.根据权利要求9所述的装置,其特征在于,
所述训练模块,利用所述生成器从所述样本集中随机选择正训练样本,并根据所述正训练样本所指示的物品的属性特征和用户这对所述物品的行为特征,选择与所述正训练样本的相关度大于第一阈值的负训练样本。
11.根据权利要求8所述的装置,其特征在于,
所述训练停止准则为:所述判别器计算出的负训练样本的判别参数与正训练样本的判别参数之差小于第二阈值,或循环训练所述判别器的次数大于第三阈值。
12.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
13.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911114678.1A CN110992127B (zh) | 2019-11-14 | 2019-11-14 | 一种物品推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911114678.1A CN110992127B (zh) | 2019-11-14 | 2019-11-14 | 一种物品推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110992127A CN110992127A (zh) | 2020-04-10 |
CN110992127B true CN110992127B (zh) | 2023-09-29 |
Family
ID=70084451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911114678.1A Active CN110992127B (zh) | 2019-11-14 | 2019-11-14 | 一种物品推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110992127B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763092A (zh) * | 2020-11-10 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 推荐商品的方法、装置、设备和计算机可读介质 |
CN113190725B (zh) * | 2021-03-31 | 2023-12-12 | 北京达佳互联信息技术有限公司 | 对象的推荐及模型训练方法和装置、设备、介质和产品 |
EP4270291A1 (en) * | 2022-04-29 | 2023-11-01 | Naver Corporation | Method and computer device to recommend related product technical field |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105677779A (zh) * | 2015-12-30 | 2016-06-15 | 山东大学 | 一种基于评分机制的反馈型问题类型分类器***及其工作方法 |
CN105894359A (zh) * | 2016-03-31 | 2016-08-24 | 百度在线网络技术(北京)有限公司 | 订单推送方法、装置及*** |
CN106530010A (zh) * | 2016-11-15 | 2017-03-22 | 平安科技(深圳)有限公司 | 融合时间因素的协同过滤方法和装置 |
CN107451894A (zh) * | 2017-08-03 | 2017-12-08 | 北京京东尚科信息技术有限公司 | 数据处理方法、装置和计算机可读存储介质 |
CN107862556A (zh) * | 2017-12-04 | 2018-03-30 | 北京奇艺世纪科技有限公司 | 一种vip广告的投放方法和*** |
CN109241366A (zh) * | 2018-07-18 | 2019-01-18 | 华南师范大学 | 一种基于多任务深度学习的混合推荐***及其方法 |
CN109615421A (zh) * | 2018-11-28 | 2019-04-12 | 安徽大学 | 一种基于多目标进化算法的个性化商品推荐方法 |
CN109815355A (zh) * | 2019-01-28 | 2019-05-28 | 网易(杭州)网络有限公司 | 图像搜索方法及装置、存储介质、电子设备 |
CN109902708A (zh) * | 2018-12-29 | 2019-06-18 | 华为技术有限公司 | 一种推荐模型训练方法及相关装置 |
CN110046952A (zh) * | 2019-01-30 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 一种推荐模型的训练方法及装置、一种推荐方法及装置 |
CN110363346A (zh) * | 2019-07-12 | 2019-10-22 | 腾讯科技(北京)有限公司 | 点击率预测方法、预测模型的训练方法、装置及设备 |
CN110427560A (zh) * | 2019-08-08 | 2019-11-08 | 腾讯科技(深圳)有限公司 | 一种应用于推荐***的模型训练方法以及相关装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714063B (zh) * | 2012-09-28 | 2017-08-04 | 国际商业机器公司 | 数据分析方法及其*** |
-
2019
- 2019-11-14 CN CN201911114678.1A patent/CN110992127B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105677779A (zh) * | 2015-12-30 | 2016-06-15 | 山东大学 | 一种基于评分机制的反馈型问题类型分类器***及其工作方法 |
CN105894359A (zh) * | 2016-03-31 | 2016-08-24 | 百度在线网络技术(北京)有限公司 | 订单推送方法、装置及*** |
CN106530010A (zh) * | 2016-11-15 | 2017-03-22 | 平安科技(深圳)有限公司 | 融合时间因素的协同过滤方法和装置 |
CN107451894A (zh) * | 2017-08-03 | 2017-12-08 | 北京京东尚科信息技术有限公司 | 数据处理方法、装置和计算机可读存储介质 |
CN107862556A (zh) * | 2017-12-04 | 2018-03-30 | 北京奇艺世纪科技有限公司 | 一种vip广告的投放方法和*** |
CN109241366A (zh) * | 2018-07-18 | 2019-01-18 | 华南师范大学 | 一种基于多任务深度学习的混合推荐***及其方法 |
CN109615421A (zh) * | 2018-11-28 | 2019-04-12 | 安徽大学 | 一种基于多目标进化算法的个性化商品推荐方法 |
CN109902708A (zh) * | 2018-12-29 | 2019-06-18 | 华为技术有限公司 | 一种推荐模型训练方法及相关装置 |
CN109815355A (zh) * | 2019-01-28 | 2019-05-28 | 网易(杭州)网络有限公司 | 图像搜索方法及装置、存储介质、电子设备 |
CN110046952A (zh) * | 2019-01-30 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 一种推荐模型的训练方法及装置、一种推荐方法及装置 |
CN110363346A (zh) * | 2019-07-12 | 2019-10-22 | 腾讯科技(北京)有限公司 | 点击率预测方法、预测模型的训练方法、装置及设备 |
CN110427560A (zh) * | 2019-08-08 | 2019-11-08 | 腾讯科技(深圳)有限公司 | 一种应用于推荐***的模型训练方法以及相关装置 |
Non-Patent Citations (2)
Title |
---|
刘瑞军 ; .分布式环境下用户网络信息安全性检测仿真.计算机仿真.2017,(第08期),全文. * |
基于知识图谱表示学习的协同过滤推荐算法;吴玺煜;陈启买;刘海;贺超波;;计算机工程(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110992127A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460514B (zh) | 用于推送信息的方法和装置 | |
CN109947919B (zh) | 用于生成文本匹配模型的方法和装置 | |
US20190057164A1 (en) | Search method and apparatus based on artificial intelligence | |
US10747771B2 (en) | Method and apparatus for determining hot event | |
WO2017071251A1 (zh) | 信息推送方法和装置 | |
CN110390408B (zh) | 交易对象预测方法和装置 | |
CN110992127B (zh) | 一种物品推荐方法及装置 | |
CN110909182B (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
CN108520470B (zh) | 用于生成用户属性信息的方法和装置 | |
CN107679217B (zh) | 基于数据挖掘的关联内容提取方法和装置 | |
WO2018121700A1 (zh) | 基于已安装应用来推荐应用信息的方法、装置、终端设备及存储介质 | |
CN114036398B (zh) | 内容推荐和排序模型训练方法、装置、设备以及存储介质 | |
US20230004608A1 (en) | Method for content recommendation and device | |
CN108595448B (zh) | 信息推送方法和装置 | |
CN106354856B (zh) | 基于人工智能的深度神经网络强化搜索方法和装置 | |
CN111695041B (zh) | 用于推荐信息的方法和装置 | |
CN110059172B (zh) | 基于自然语言理解的推荐答案的方法和装置 | |
CN112182281A (zh) | 一种音频推荐方法、装置及存储介质 | |
CN110555747A (zh) | 确定目标用户的方法和装置 | |
CN112218114B (zh) | 视频缓存控制方法、装置和计算机可读存储介质 | |
CN112000872A (zh) | 基于用户向量的推荐方法、模型的训练方法及装置 | |
CN110827101A (zh) | 一种店铺推荐的方法和装置 | |
CN110110199B (zh) | 信息输出方法和装置 | |
CN112905885A (zh) | 向用户推荐资源的方法、装置、设备、介质和程序产品 | |
CN113066479A (zh) | 一种评测模型的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |