CN111061945B - 推荐方法、装置、电子设备，存储介质 - Google Patents

推荐方法、装置、电子设备，存储介质 Download PDF

Info

Publication number
CN111061945B
CN111061945B CN201911096508.5A CN201911096508A CN111061945B CN 111061945 B CN111061945 B CN 111061945B CN 201911096508 A CN201911096508 A CN 201911096508A CN 111061945 B CN111061945 B CN 111061945B
Authority
CN
China
Prior art keywords
user
target
vector
target user
term interest
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
Application number
CN201911096508.5A
Other languages
English (en)
Other versions
CN111061945A (zh
Inventor
王强
李倩
娄欢
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.)
Hanhai Information Technology Shanghai Co Ltd
Original Assignee
Hanhai Information Technology Shanghai 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 Hanhai Information Technology Shanghai Co Ltd filed Critical Hanhai Information Technology Shanghai Co Ltd
Priority to CN201911096508.5A priority Critical patent/CN111061945B/zh
Publication of CN111061945A publication Critical patent/CN111061945A/zh
Application granted granted Critical
Publication of CN111061945B publication Critical patent/CN111061945B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本申请公开了一种推荐方法，属于计算机技术领域，有助于提升推荐的目标对象与所述目标用户兴趣偏好的匹配度。所述方法包括：获取目标用户对目标对象的长期兴趣表征和短期兴趣表征，通过预设模型预估所述目标用户对所述目标对象的兴趣偏好评价值；基于所述兴趣偏好评价值，执行所述目标对象推荐。其中，长期兴趣表征携带指示所述目标用户在较长历史时期内对所述目标对象的兴趣偏好信息，短期兴趣表征携带指示所述目标用户在最近较短历史时期内对曝光对象的兴趣偏好信息和所述目标对象关联的实时场景信息。通过在通用特征中融合长期兴趣表征和短期兴趣表征进行用户兴趣偏好预测，可以提升推荐的对象与用户需求的匹配度。

Description

推荐方法、装置、电子设备，存储介质
技术领域
本申请实施例涉及计算机技术领域，特别是涉及一种推荐方法、装置、电子设备及计算机可读存储介质。
背景技术
推荐方法是当前许多互联网服务的核心组件，广泛应用于电子商务，新闻和流媒体等多个领域。各个领域需要面临的共同挑战是用户的偏好***，并且会随着时间变动而变动。当前的推荐方法中采用的推荐策略主要有两种：第一种，假定用户的兴趣在一段时间内固定不变，基于用户的历史行为数据对用户进行推荐；第二种，基于用户的实时场景对用户进行推荐。针对第一种方式，随着时间的推移，用户的兴趣发生变化，推荐结果的精确度会下降。尤其在基于地理位置的推送应用中，用户的信息需求会随着地理位置的改变而发生巨大的变化，这种推荐方式的推荐结果与用户需求匹配度会下降。第二种，单纯考虑用户最近一段时间的交互行为，推荐结果不够丰富，推荐结果与用户需求匹配度会下降。
可见，现有技术中的推荐方法的至少存在推荐结果与用户需求匹配度低的问题。
发明内容
本申请提供一种推荐方法，有助于提升推荐结果与用户需求匹配度。
为了解决上述问题，第一方面，本申请实施例提供了一种推荐方法，包括：
获取目标用户对目标对象的长期兴趣表征和短期兴趣表征；
至少根据所述长期兴趣表征和所述短期兴趣表征，通过预设模型预估所述目标用户对所述目标对象的兴趣偏好评价值；
基于所述兴趣偏好评价值，执行所述目标对象推荐；
其中，所述长期兴趣表征携带指示所述目标用户在第一历史时期内对所述目标对象的兴趣偏好信息；所述短期兴趣表征携带指示所述目标用户在第二历史时期内对曝光对象的兴趣偏好信息和所述目标对象关联的实时场景信息；所述第二历史时期的终止时间为早于所述实时时间第一预设时长的时间点，所述第二历史时期的起始时间为早于所述实时时间第二预设时长的时间点，所述第一预设时长小于所述第二预设时长；所述第一历史时期早于所述第二历史时期的起始时间且长于所述第一历史时期。
第二方面，本申请实施例提供了一种推荐装置，包括：
长期偏好和短期偏好获取模块，用于获取目标用户对目标对象的长期兴趣表征和短期兴趣表征；
兴趣偏好评价值预估模块，用于至少根据所述长期兴趣表征和所述短期兴趣表征，通过预设模型预估所述目标用户对所述目标对象的兴趣偏好评价值；
对象推荐模块，用于基于所述兴趣偏好评价值，执行所述目标对象推荐；
其中，所述长期兴趣表征携带指示所述目标用户在第一历史时期内对所述目标对象的兴趣偏好信息；所述短期兴趣表征携带指示所述目标用户在第二历史时期内对曝光对象的兴趣偏好信息和所述目标对象关联的实时场景信息；所述第二历史时期的终止时间为早于所述实时时间第一预设时长的时间点，所述第二历史时期的起始时间为早于所述实时时间第二预设时长的时间点，所述第一预设时长小于所述第二预设时长；所述第一历史时期早于所述第二历史时期的起始时间且长于所述第一历史时期。
第三方面，本申请实施例还公开了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例所述的推荐方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时本申请实施例公开的推荐方法的步骤。
本申请实施例公开的推荐方法，通过获取目标用户对目标对象的长期兴趣表征和短期兴趣表征，其中，所述长期兴趣表征携带指示所述目标用户在第一历史时期内对所述目标对象的兴趣偏好信息，所述短期兴趣表征携带指示所述目标用户在第二历史时期内对曝光对象的兴趣偏好信息和所述目标对象关联的实时场景信息，所述第二历史时期的起始时间为实时时间，所述第二历史时期的终止时间为早于所述实时时间预设时长的时间点，所述第一历史时期早于所述第二历史时期的终止时间且长于所述第一历史时期；至少根据所述长期兴趣表征和所述短期兴趣表征，通过预设模型预估所述目标用户对所述目标对象的兴趣偏好评价值；基于所述兴趣偏好评价值，执行所述目标对象推荐，有助于提升推荐的目标对象与所述目标用户兴趣偏好的匹配度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例一的推荐方法结构示意图；
图2是本申请实施例一的推荐方法采用的推荐模型结构示意图；
图3是本申请实施例二的推荐装置结构示意图之一；
图4是本申请实施例二的推荐装置结构示意图之二。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例一
本申请实施例公开的一种推荐方法，如图1所示，所述方法包括：步骤110至步骤130。
步骤110，获取目标用户对目标对象的长期兴趣表征和短期兴趣表征。
其中，所述长期兴趣表征携带指示所述目标用户在第一历史时期内对所述目标对象的兴趣偏好信息；所述短期兴趣表征携带指示所述目标用户在第二历史时期内对曝光对象的兴趣偏好信息和所述目标对象关联的实时场景信息；所述第二历史时期的终止时间为早于所述实时时间第一预设时长的时间点，所述第二历史时期的起始时间为早于所述实时时间第二预设时长的时间点，所述第一预设时长小于所述第二预设时长；所述第一历史时期早于所述第二历史时期的起始时间且长于所述第一历史时期。以外卖平台为当前浏览用户推荐菜品为例，平台的当前***时间则为所述实时时间，可以确定所述当前***时间(即实时时间)的前一分钟为第二历史时期的终止时间，确定所述当前***时间的前24小时为第二历史时期的起始时间，则所述第二历史时期长达23小时59分。确定当前***时间(即实时时间)前三个月至所述当前***时间的前一天或至所述当前***时间的时间段作为所述第一历史时期。其中，所述曝光对象指平台展示给用户的对象，所述曝光对象可能包括所述目标对象，也可能不包括所述目标对象。所述目标对象指待推荐给目标用户的平台中的对象，例如，当用户浏览菜品页面时，所述目标对象指平台的菜品；当用户浏览酒店预订页面时，所述目标对象指平台的酒店。
本申请实施例中，通过用户与对象之间长期的交互行为，来刻画用户长期且不经常变化的兴趣，并通过所述长期兴趣表征来表示。即所述长期兴趣表征携带指示所述目标用户在第一历史时期内对所述目标对象的兴趣偏好信息。在有信息流的场景下，用户每次访问平台的页面时，平台会根据推荐模型的预测结果，推荐给用户个性化的对象列表，对象列表中的每个对象可以由图片、文字或者小视频等组成。用户可以对页面展示的对象列表中的部分或全部对象执行预设操作。因此，可以根据平台中每个用户在所述第一历史时期内(即一个较长的历史时期)对平台展示的对象的交互行为数据(如展示、点击行为)表示各用户对不同对象的偏好。本申请实施例中所述的预设操作可以包括：点击操作，或其他选择对象的操作。
本申请的一些实施例中，通过从用户对对象的历史行为数据中提取的用户向量和对象向量，来表示用户对对象的长期兴趣表征。其中，所述对象为平台推荐给用户的对象的统称，所述对象包括所述目标对象。例如，对于外卖平台，所述对象可以为平台展示给用户的菜品的统称，而目标对象则为其中一道菜品。所述用户向量为表示用户对对象(如菜品)的各维度隐含特征偏好强弱的矩阵，所述对象向量为表示相应对象(如某一菜品)匹配所述各维度隐含特征概率的矩阵。以对象为菜品举例，对象的各维度隐含特征则可以为分别标识：口味、价格、食材、菜系等维度的特征。如果对象为书籍，则对象的各维度隐含特征则可以为分别标识：作者、价格、出版社、类别、版本等维度的特征。
本申请的一些实施例中，定期根据一个指定历史时期内用户和对象的交互行为数据训练每个用户的所述用户向量和每个对象的所述对象向量。例如，在获取目标用户对目标对象的长期兴趣表征的步骤之前，还包括：按照预设周期，根据平台中每个用户对平台曝光的对象的历史行为数据，训练每个所述用户的用户向量和每个所述对象的对象向量。本申请实施例中所述的预设周期根据平台的运算能力、推荐业务实时性需求等信息确定，可以设置预设周期为：每天或每周，或者设置预设周期为其他时长。本申请具体实施时，对预设周期的设置方式不做限定。
本申请的一些实施例中，所述按照预设周期，根据平台中每个用户对平台曝光的对象的历史行为数据，训练每个所述用户的用户向量和每个所述对象的对象向量的步骤，包括：确定当前周期对应所述第一历史时期；根据平台中每个用户在第一历史时期内对平台曝光的对象的历史行为数据，分别建立用户-对象对，所述用户-对象对包括：用户标识、对象标识和行为类型，所述行为类型用于指示所述用户是否对所述对象执行预设操作；根据建立的所述用户-对象对，构建用户-对象矩阵；通过协同过滤算法，以各用户向量与各对象向量的内积与所述用户-对象矩阵的损失值最小为目标，对所述用户-对象矩阵进行分解，分别确定每个所述用户的所述用户向量和每个所述对象的所述对象向量。其中，所述用户向量为表示相应用户对所述平台曝光的对象的各维度隐含特征偏好强弱的矩阵，所述对象向量为表示相应对象匹配所述各维度隐含特征概率的矩阵。
在周期训练用户向量和对象向量的过程中，首先需要确定当前周期对应的所述第一历史时期和所述第二历史时期。
每个周期都对应一个第一历史时期，即每次训练用户向量和对象向量的过程中所使用的用户和对象交互行为数据的采集时间会相应更新，以提升长期兴趣表征的实用性，提升最终推荐结果与用户需求的匹配度。以每个月训练一次用户向量和对象向量为例，5月份训练用户向量和对象向量时，对应的第一历史时期可以为1月份至4月份，即根据1月份至4月份中用户对对象的交互行为数据，训练这一历史时期内的用户向量和对象向量(即5月份对应的用户向量和对象向量)；6月份训练用户向量和对象向量时，对应的第一历史时期可以为2月份至5月份，即根据2月份至5月份中用户对对象的交互行为数据，训练2月份至5月份这一历史时期内的用户向量和对象向量(即6月份对应的用户向量和对象向量)。
在确定了第一历史时期之后，根据平台中每个用户在所述第一历史时期内(如前述1月份至4月份)对每个对象的历史行为数据(如点击操作数据)，分别建立用户-对象对。本申请的一些实施例中，所述用户-对象对包括：用户标识、对象标识和行为类型，可以通过如(user,item,rating)的形式表示，其中，user可以为用户标识，item可以为对象标识，rating可以用于指示所述用户是否对该对象执行点击操作，点击为1，不点击为0。可见，对象标识和行为类型rating可以表达用户对对象的偏好。之后，根据建立的所有用户-对象对，构建用户-对象矩阵R。
接下来，通过协同过滤算法，对所述用户-对象矩阵进行分解，分别确定每个用户的所述用户向量和每个对象的所述对象向量。具体实施时，假设所述用户-对象矩阵中包括m个用户和n个对象，所述用户向量和对象向量的维度设置为k,将模型的目标函数定义为：
Figure BDA0002268491700000061
其中，X∈Rm*k,Y∈Rk*n,以/>
Figure BDA0002268491700000062
来逼近所述用户-对象矩阵R，就可以将所述用户-对象矩阵R分解为每个用户的用户向量构成的矩阵X和每个对象的对象向量构成的矩阵Y。
本申请的一些实施例中，以xu表示用户u对应的用户向量，以yi表示对象i对应的对象向量，rui表示用户u是否点击对象i，将模型的损失函数配置为：
Figure BDA0002268491700000071
其中，I表示所有对象的集合，λ为正则系数，以各用户向量与各对象向量的内积与所述用户-对象的损失值最小为目标，基于协同过滤算法训练矩阵分解模型，可以得到每个用户的所述用户向量x和每个对象的所述对象向量y。
通过上述方法，无论在第一历史时期内用户对多少个对象有交互行为、无论用户对某个对象产生多少次交互，协同过滤算法都会统一将用户和对象表征为K维空间上的连续向量，用户向量的每个维度代表着用户在该维度对应的对象属性(如隐含特征)的偏好强弱程度，对象向量的每个维度代表着该对象从属于该维度对应的对象属性的概率大小。
在确定了每个用户的用户向量和每个对象的对象向量之后，在推荐阶段，可以根据目标用户的用户标识获取该目标用户的用户向量，以及，根据每个待推荐对象的对象标识获取相应待推荐对象的对象向量。
进一步的，获取目标用户对目标对象的长期兴趣表征，包括：根据目标用户的用户标识，从预先训练得到的若干用户向量中获取所述目标用户的用户向量，以及，根据目标对象的对象标识从预先训练得到的若干对象向量中获取所述目标对象的对象向量；将获取的所述目标用户的用户向量和所述目标对象的对象向量进行拼接，得到所述目标用户对所述目标对象的长期兴趣表征。其中，所述目标用户的用户向量为表示所述目标用户对所述目标对象的各维度隐含特征偏好强弱的矩阵，所述目标对象的对象向量为表示所述目标对象匹配所述各维度隐含特征概率的矩阵。例如，将目标用户u的用户向量xu和目标对象i的对象向量yi进行拼接，得到目标用户对目标对象的长期兴趣表征[xu,yi]，对象向量yi表示所述目标对象i匹配所述各维度隐含特征概率的矩阵，用户向量xu表示所述目标用户u对所述目标对象的各维度隐含特征偏好强弱的矩阵。因为，每个对象(包括目标对象)的各维度隐含特征含义相同，所述目标用户u对所述目标对象的各维度隐含特征偏好强弱的矩阵也表示所述目标用户u对平台曝光的各所述对象的各维度隐含特征偏好强弱的矩阵。
本申请具体实施时，目标用户对目标对象的短期兴趣表征根据近期所述目标用户对对象的交互行为数据和所述目标用户的实时行为数据确定。在本申请的一些实施例中，获取所述目标用户对所述目标对象的短期兴趣表征，包括：根据所述目标用户在所述实时时间对所述目标对象执行预设操作时所处的实时地理位置和所述目标对象的对象标识、所述目标用户在所述第二历史时期内的执行各所述预设操作时所处地理位置和所针对的曝光对象的对象标识，确定所述目标用户对所述目标对象的短期兴趣表征。
所述第二历史时期与所述实时时间对应，对于用户在不同时刻发生的行为操作，在确定该用户的短期兴趣表征时，所述第二历史时期也是不同的。在确定短期兴趣表征时，还需要根据实时时间确定相应的所述第二历史时期。所述第二历史时期的终止时间通常早于所述实时时间第一预设时长(如1天)的时间点。例如，用户A在5月3日8时浏览平台的对象展示页面时，确定的实时时间为：5月3日8时，那么，所述第二历史时期可以确定为5月1日8时至5月2日8时之间的时间段，或者，所述第二历史时期可以确定为5月2日7时至5月3日7时之间的时间段。
本申请的一些实施例中，所述根据所述目标用户在所述实时时间对所述目标对象执行预设操作时所处的实时地理位置和所述目标对象的对象标识、所述目标用户在所述第二历史时期内的执行各所述预设操作时所处地理位置和所针对的曝光对象的对象标识，确定所述目标用户对所述目标对象的短期兴趣表征，包括：根据所述目标用户在所述实时时间对目标对象执行预设操作时所处的实时地理位置和所述目标对象的对象标识，确定携带所述对象标识和实时地理位置的第一向量；根据所述目标用户在所述第二历史时期内的行为数据，确定预设数量个第二向量，其中，每个所述第二向量分别携带所述目标用户在所述第二历史时期内执行的一次所述预设操作所针对的曝光对象的对象标识和执行该次预设操作的实时地理位置；将所述第一向量和所述第二向量作为所述目标用户对所述目标对象的短期兴趣表征。
其中，根据所述目标用户在所述实时时间对目标对象执行预设操作时所处的实时地理位置和所述目标对象的对象标识，确定携带所述对象标识和实时地理位置的第一向量，包括：确定在所述实时时间对目标对象执行预设操作时所处的实时地理位置；对所述目标对象的对象标识和所述实时地理位置分别进行编码；将分别编码后得到的编码向量进行拼接，得到预设维度的第一向量。例如，在目标用户u在上海浏览平台页面，并点击目标对象i，则平台针对目标用户u的浏览行为执行推荐操作时，获取的实时地理位置p1为上海，而实时时间则为用户点击目标对象i是平台获取的***时间。之后，按照预设的编码规则对目标对象i的对象标识和实时地理位置p1的geohash编码及进行编码，分别将目标对象i的对象标识和实时地理位置p1的geohash编码映射到一个一维向量，如[0.3]和[0.4]。接下来，将分别编码后得到的编码向量进行拼接，得到预设维度的第一向量。例如，将第一向量表示为eu，则前述目标对象i的对象标识和实时地理位置p1的geohash编码的编码向量将拼接为eu[0.3,0.4]。
另一方面，还需要根据所述目标用户在所述第二历史时期内的行为数据，确定预设数量个第二向量，包括：根据所述目标用户在所述第二历史时期内的行为数据，确定所述目标用户在所述第二历史时期内每次执行所述预设操作所针对的曝光对象和所处实时地理位置；分别对各所述曝光对象的对象标识和各所述实时地理位置进行编码，得到对应的编码向量；对于每次执行的所述预设操作，将所述预设操作所针对曝光对象的对象标识对应的编码向量和所处实时地理位置对应的编码向量进行拼接，得到预设维度的、该次执行的所述预设操作对应的第二向量。所述预设数量根据推荐精度和设备的运算能力确定，例如可以将预设数量设置为20。
本申请的一些实施例中，根据平台记录的用户历史行为数据，确定所述目标用户u在所述第二历史时期内(如6月1日)对平台展示的对象(即曝光对象)执行的所有点击操作，并确定每次点击操作所针对的对象的对象标识和执行该次点击操作时用户所处的地理位置的geohash编码，以每次点击操作所针对的对象的对象标识和所处地理位置的geohash编码作为一组点击数据，可以得到多组点击数据。例如，可以将每组点击数据表示为(item，geo)的形式。然后，分别对每组点击数据中的对象标识和geohash编码按照所述预设的编码规则及进行编码，分别将对象标识和地理位置的geohash编码映射到一个一维向量。接下来，对于每组点击数据映射得到的两个一维向量进行拼接，得到改组点击数据对应的第二向量。如第一组点击数据映射得到的两个一维向量进行拼接后得到的第二向量可以表示为e1＝[0.1,0.2]，第二组点击数据映射得到的两个一维向量进行拼接后得到的第二向量可以表示为e2＝[0.8,0.9]。按照此方法，可以得到多个第二向量。多个第二向量构成的列表list[ej]，1≤j≤J,J等于在第二历史时期内所述用户执行所述预设操作的次数。则多个第二向量构成的列表list[ej]体现了所述目标用户在第二历史时期内对平台展示的对象的短期兴趣偏好。
最后，将所述第一向量和所述多个第二向量作为所述目标用户对目标对象的短期兴趣表征。
步骤120，至少根据所述长期兴趣表征和所述短期兴趣表征，通过预设模型预估所述目标用户对所述目标对象的兴趣偏好评价值。
确定了所述目标用户对所述目标对象的长期兴趣表征和所述目标用户的短期兴趣表征之后，将所述长期兴趣表征和所述短期兴趣表征和其他预设用户特征输入至预设模型，以预估所述目标用户对所述目标对象的兴趣偏好评价值。
本申请的一些实施例中，所述至少根据所述长期兴趣表征和所述短期兴趣表征，通过预设模型预估所述目标用户对所述目标对象的兴趣偏好评价值，包括：将包括所述目标用户对所述目标对象的所述短期兴趣表征、所述长期兴趣表征、所述目标用户的预设用户特征的多个特征向量，输入至预设模型；通过所述预设模型中的第一网络分支对所述短期兴趣表征中包括的各第二向量以相应权值进行加权求和，得到预设维度的第三向量；其中，每个所述第二向量对应的权值根据所述第二向量与所述第一向量的相关性预先训练确定；通过所述预设模型中的第二网络分支对所述第三向量、所述长期兴趣表征、所述目标用户的预设用户特征进行特征映射和变换处理，输出所述目标用户对所述目标对象的兴趣偏好评价值。本申请的一些实施例中的兴趣偏好评价值为一个概率值，以根据点击率进行对象推荐为例，所述兴趣偏好评价值可以为所述目标用户对所述目标对象的点击率。
本申请的一些实施例中，所述预设模型200的网络结构如图2所示，包括第一网络分支210和第二网络分支220。其中，第一网络分支210为注意力机制网络，所述第二网络分支220为深度神经网络，所述第二网络分支220的输出作为所述第二网络分支220的一个输入。在确定了所述目标用户对所述目标对象的长期兴趣表征和所述目标用户的短期兴趣表征之后，将包括所述目标用户对所述目标对象的所述短期兴趣表征、所述长期兴趣表征、所述目标用户的预设用户特征的多个特征向量，输入至预设模型包括：将构成所述目标用户对目标对象的短期兴趣表征的第一向量eu和所述多个第二向量e1、e2、…、eJ输入至所述第一网络分支210，将所述长期兴趣表征和所述目标用户的预设用户特征输入至所述第二网络分支220。其中，所述长期兴趣表征包括所述目标用户的用户向量和所述目标对象的对象向量。
所述第一网络分支210首先分别计算所述第一向量eu和每个所述第二向量ej两两之间的相关性，作为每个短期行为的权重。例如，所述第一网络分支通过公式wj＝α(ej,eu)计算第一向量eu和第二向量ej的权重wj，其中，α是一种相关性的算符，例如，α为cosine相似性计算，则
Figure BDA0002268491700000111
然后，所述第一网络分支210对各第二向量ej以相应权值wj进行加权求和，得到预设维度的第三向量Es,
Figure BDA0002268491700000112
其中，每个所述第二向量对应的权值是在训练所述预设模型的过程中确定的。
通过根据用户近期行为与用户实时行为的相似性，对用户的近期行为进行加权融合，可以提升近期兴趣表征与用户实时行为的匹配度，有助于提升兴趣偏好确定的准确度。例如，某一用户经常出现在北京和上海，平台上记录了用户在北京和上海购买公园门票的多条行为数据。当用户在上海浏览门票订购页面时，用户的需求是选择上海的公园。通过本申请实施例公开的方法，用户在上海的点击行为数据由于与用户的实时行为相似度较高(地理位置相同)将被赋予较大的权重，表现到模型的预测结果中，用户对上海的公园门票的短期兴趣偏好值会更大，反映到推荐结果中，平台将优先推荐上海的公园门票。而如果不根据实时地理位置对近期行为数据进行加权，当用户近期多次在北京购买公园门票时，平台将同时推荐北京和上海的公园门票，并且会更多推荐北京的公园门票，推荐结果与用户需求不匹配。可见本申请实施例中，通过融入了地理位置的行为模式，更加契合用户对本地生活内容的需求。
接下来，所述第二网络分支220根据所述第一网络分支210输出的第三向量Es、所述长期兴趣表征中包括的用户向量(如xu)和对象向量(如yi)和所述目标用户的预设用户特征(如姓名、性别、年龄等特征的编码)，进行特征处理和映射，得到所述目标用户对所述目标对象的兴趣偏好评价值(如点击率)。
本申请的一些实施例中，所述第二网络分支220采用线性激活函数，可以表示为：F(l+1)＝f(W(l)F(l)+b(l))，其中,l是深度神经网络的层数，f是深度神经网络的激活函数，例如Relu函数，F(l)表示第l层的输入，b(l)表示第l层的偏置，W(l)表示第l层的线性变换矩阵。
在模型训练过程中，训练样本为用户在信息流内的历史行为数据，例如，以用户点击对象的行为数据作为正样本，不点击的数据作为负样本，训练所述预设模型。
本申请的一些实施例中，通过以下方法训练所述预设模型。
首先，分别以不同历史时间点作为实时时间，确定与所述实时时间对应的所述第一历史时期和所述第二历史时期；根据所述实时时间对应的所述第一历史时期内，平台中每个用户对每个对象的历史行为数据，训练每个所述用户的对应所述第一历史时期的用户向量和每个所述对象对应所述第一历史时期的对象向量；根据所述实时时间对应的所述第二历史时期内，平台中每个用户对每个对象的行为数据，确定每个所述用户对每个所述对象的对应所述第二历史时期的短期兴趣表征；对于指定的用户和对象，将该用户的所述对应所述第一历史时期的用户向量和该对象的所述对应所述第一历史时期的对象向量进行拼接，得到所述用户对所述对象对应所述第一历史时期的长期兴趣表征；以所述指定用户和对象的对应所述第一历史时期的长期兴趣表征、对应所述第二历史时期的短期兴趣表征、所述指定用户的所述预设用户特征作为样本数据，以所述实时时间的下一刻所述指定用户点击的对象的对象标识作为正样本的样本标签，以所述实时时间的下一刻所述指定用户未点击的对象的对象标识作为负样本的样本标签，构造若干条训练样本。然后，基于所述训练样本训练所述预设模型。
构造训练样本的过程中获取长期兴趣表征和短期兴趣表征的具体方法参见进行兴趣偏好预测时获取长期兴趣表征和短期兴趣表征的方法，此处不再赘述。
步骤130，基于所述兴趣偏好评价值，执行所述目标对象推荐。
按照前述步骤，可以确定所述目标用户对每个待推荐目标对象的兴趣偏好评价值。进一步的，可以选择所述兴趣偏好评价值最高的预设数量个待推荐目标对象推荐给所述目标用户。
本申请实施例公开的推荐方法，通过获取目标用户对目标对象的长期兴趣表征和短期兴趣表征，其中，所述长期兴趣表征携带指示所述目标用户在第一历史时期内对所述目标对象的兴趣偏好信息，所述短期兴趣表征携带指示所述目标用户在第二历史时期内对曝光对象的兴趣偏好信息和所述目标对象关联的实时场景信息，所述第二历史时期的起始时间为实时时间，所述第二历史时期的终止时间为早于所述实时时间预设时长的时间点，所述第一历史时期早于所述第二历史时期的终止时间且长于所述第一历史时期；至少根据所述长期兴趣表征和所述短期兴趣表征，通过预设模型预估所述目标用户对所述目标对象的兴趣偏好评价值；基于所述兴趣偏好评价值，执行所述目标对象推荐，有助于提升推荐的目标对象与所述目标用户兴趣偏好的匹配度。本申请实施例公开的推荐方法，通过在现有技术中的通用特征中融合用户的长期行为体现的长期兴趣表征和用户的短期行为体现的短期兴趣表征，进行用户兴趣偏好预测，可以提升推荐的对象与用户需求的匹配度，提升推荐信息的精准度。
尤其对于基于地理位置提供推荐服务的场景中，本申请实施例公开的推荐方法由于在短期兴趣表征中融合了近期用户行为和用户实时行为，能够进一步提升推荐对象与用户需求的匹配度。
实施例二
本申请实施例公开的一种推荐装置，如图3所示，包括：
长期偏好和短期偏好获取模块310，用于获取目标用户对目标对象的长期兴趣表征和短期兴趣表征；
兴趣偏好评价值预估模块320，用于至少根据所述长期兴趣表征和所述短期兴趣表征，通过预设模型预估所述目标用户对所述目标对象的兴趣偏好评价值；
对象推荐模块330，用于基于所述兴趣偏好评价值，执行所述目标对象推荐；
其中，所述长期兴趣表征携带指示所述目标用户在第一历史时期内对所述目标对象的兴趣偏好信息；所述短期兴趣表征携带指示所述目标用户在第二历史时期内对曝光对象的兴趣偏好信息和所述目标对象关联的实时场景信息；所述第二历史时期的终止时间为早于所述实时时间第一预设时长的时间点，所述第二历史时期的起始时间为早于所述实时时间第二预设时长的时间点，所述第一预设时长小于所述第二预设时长；所述第一历史时期早于所述第二历史时期的起始时间且长于所述第一历史时期。
本申请的一些实施例中，如图4所示，所述长期偏好和短期偏好获取模块310进一步包括：
长期偏好获取子模块3101，用于根据目标用户的用户标识，从预先训练得到的若干用户向量中获取所述目标用户的用户向量，以及，根据目标对象的对象标识从预先训练得到的若干对象向量中获取所述目标对象的对象向量；
所述长期偏好获取子模块3101，还用于将获取的所述目标用户的用户向量和所述目标对象的对象向量进行拼接，得到所述目标用户对所述目标对象的长期兴趣表征；
其中，所述目标用户的用户向量为表示所述目标用户对所述目标对象的各维度隐含特征偏好强弱的矩阵，所述目标对象的对象向量为表示所述目标对象匹配所述各维度隐含特征概率的矩阵。
本申请的一些实施例中，如图4所示，所述装置还包括：
用户向量和对象向量训练模块340，用于按照预设周期，根据平台中每个用户对平台曝光的对象的历史行为数据，训练每个所述用户的用户向量和每个所述对象的对象向量。
本申请的一些实施例中，所述按照预设周期，根据平台中每个用户对平台曝光的对象的历史行为数据，训练每个所述用户的用户向量和每个所述对象的对象向量，包括：
确定当前周期对应的所述第一历史时期；
根据平台中每个用户在第一历史时期内对平台曝光的对象的历史行为数据，分别建立用户-对象对，所述用户-对象对包括：用户标识、对象标识和行为类型，所述行为类型用于指示所述用户是否对所述对象执行预设操作；
根据建立的所述用户-对象对，构建用户-对象矩阵；
通过协同过滤算法，以各用户向量与各对象向量的内积与所述用户-对象矩阵的损失值最小为目标，对所述用户-对象矩阵进行分解，分别确定每个所述用户的所述用户向量和每个所述对象的所述对象向量；其中，所述用户向量为表示相应用户对所述平台曝光的对象的各维度隐含特征偏好强弱的矩阵，所述对象向量为表示相应对象匹配所述各维度隐含特征概率的矩阵。
本申请的一些实施例中，如图4所示，所述长期偏好和短期偏好获取模块310进一步包括：
短期偏好获取子模块3102，用于根据所述目标用户在所述实时时间对所述目标对象执行预设操作时所处的实时地理位置和所述目标对象的对象标识、所述目标用户在所述第二历史时期内的执行各所述预设操作时所处地理位置和所针对的曝光对象的对象标识，确定所述目标用户对所述目标对象的短期兴趣表征。
本申请的一些实施例中，所述根据所述目标用户在所述实时时间对所述目标对象执行预设操作时所处的实时地理位置和所述目标对象的对象标识、所述目标用户在所述第二历史时期内的执行各所述预设操作时所处地理位置和所针对的曝光对象的对象标识，确定所述目标用户对所述目标对象的短期兴趣表征的步骤，包括：
根据所述目标用户在所述实时时间对目标对象执行预设操作时所处的实时地理位置和所述目标对象的对象标识，确定携带所述对象标识和实时地理位置的第一向量；
根据所述目标用户在所述第二历史时期内的行为数据，确定预设数量个第二向量，其中，每个所述第二向量分别携带所述目标用户在所述第二历史时期内执行的一次所述预设操作所针对的曝光对象的对象标识和执行该次预设操作的实时地理位置；
将所述第一向量和所述第二向量作为所述目标用户对所述目标对象的短期兴趣表征。
本申请的一些实施例中，所述兴趣偏好评价值预估模块320，进一步用于：
将包括所述目标用户对所述目标对象的所述短期兴趣表征、所述长期兴趣表征、所述目标用户的预设用户特征的多个特征向量，输入至预设模型；
通过所述预设模型中的第一网络分支对所述短期兴趣表征中包括的各第二向量以相应权值进行加权求和，得到预设维度的第三向量；其中，每个所述第二向量对应的权值根据所述第二向量与所述第一向量的相关性预先训练确定；
通过所述预设模型中的第二网络分支对所述第三向量、所述长期兴趣表征、所述目标用户的预设用户特征进行特征映射和变换处理，输出所述目标用户对所述目标对象的兴趣偏好评价值。
本申请实施例公开的推荐装置，用于实现本申请实施例一中所述的推荐方法，装置的各模块的具体实施方式不再赘述，可参见方法实施例相应步骤的具体实施方式。
本申请实施例公开的推荐装置，通过获取目标用户对目标对象的长期兴趣表征和短期兴趣表征，其中，所述长期兴趣表征携带指示所述目标用户在第一历史时期内对所述目标对象的兴趣偏好信息，所述短期兴趣表征携带指示所述目标用户在第二历史时期内对曝光对象的兴趣偏好信息和所述目标对象关联的实时场景信息，所述第二历史时期的起始时间为实时时间，所述第二历史时期的终止时间为早于所述实时时间预设时长的时间点，所述第一历史时期早于所述第二历史时期的终止时间且长于所述第一历史时期；至少根据所述长期兴趣表征和所述短期兴趣表征，通过预设模型预估所述目标用户对所述目标对象的兴趣偏好评价值；基于所述兴趣偏好评价值，执行所述目标对象推荐，有助于提升推荐的目标对象与所述目标用户兴趣偏好的匹配度。本申请实施例公开的推荐装置，通过在现有技术中的通用特征中融合用户的长期行为体现的长期兴趣表征和用户的短期行为体现的短期兴趣表征，进行用户兴趣偏好预测，可以提升推荐的对象与用户需求的匹配度，提升推荐信息的精准度。
尤其对于基于地理位置提供推荐服务的场景中，本申请实施例公开的推荐装置由于在短期兴趣表征中融合了近期用户行为和用户实时行为，能够进一步提升推荐对象与用户需求的匹配度。
相应的，本申请还公开了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请实施例一所述的推荐方法。所述电子设备可以为PC机、移动终端、个人数字助理、平板电脑等。
本申请还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例一所述的推荐方法的步骤。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言，由于其与方法实施例基本相似，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。
以上对本申请提供的一种推荐方法及装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

Claims (8)

1.一种推荐方法，其特征在于，包括：
获取目标用户对目标对象的长期兴趣表征和短期兴趣表征；
至少根据所述长期兴趣表征和所述短期兴趣表征，通过预设模型预估所述目标用户对所述目标对象的兴趣偏好评价值；
基于所述兴趣偏好评价值，执行所述目标对象推荐；
其中，所述长期兴趣表征携带指示所述目标用户在第一历史时期内对所述目标对象的兴趣偏好信息；所述短期兴趣表征携带指示所述目标用户在第二历史时期内对曝光对象的兴趣偏好信息和所述目标对象关联的实时场景信息；所述第一历史时期早于所述第二历史时期的起始时间且长于所述第一历史时期；
所述至少根据所述长期兴趣表征和所述短期兴趣表征，通过预设模型预估所述目标用户对所述目标对象的兴趣偏好评价值的步骤，包括：
将包括所述目标用户对所述目标对象的所述短期兴趣表征、所述长期兴趣表征、所述目标用户的预设用户特征的多个特征向量，输入至预设模型；
通过所述预设模型中的第一网络分支对所述短期兴趣表征中包括的各第二向量以相应权值进行加权求和，得到预设维度的第三向量；其中，每个所述第二向量对应的权值根据所述第二向量与所述第一向量的相关性预先训练确定；
通过所述预设模型中的第二网络分支对所述第三向量、所述长期兴趣表征、所述目标用户的预设用户特征进行特征映射和变换处理，输出所述目标用户对所述目标对象的兴趣偏好评价值。
2.根据权利要求1所述的方法，其特征在于，获取目标用户对目标对象的长期兴趣表征的步骤，包括：
根据目标用户的用户标识，从预先训练得到的若干用户向量中获取所述目标用户的用户向量，以及，根据目标对象的对象标识从预先训练得到的若干对象向量中获取所述目标对象的对象向量；
将获取的所述目标用户的用户向量和所述目标对象的对象向量进行拼接，得到所述目标用户对所述目标对象的长期兴趣表征；
其中，所述目标用户的用户向量为表示所述目标用户对所述目标对象的各维度隐含特征偏好强弱的矩阵，所述目标对象的对象向量为表示所述目标对象匹配所述各维度隐含特征概率的矩阵。
3.根据权利要求1所述的方法，其特征在于，所述获取目标用户对目标对象的长期兴趣表征的步骤之前，还包括：
按照预设周期，根据平台中每个用户对平台曝光的对象的历史行为数据，训练每个所述用户的用户向量和每个所述对象的对象向量。
4.根据权利要求3所述的方法，其特征在于，所述按照预设周期，根据平台中每个用户对平台曝光的对象的历史行为数据，训练每个所述用户的用户向量和每个所述对象的对象向量的步骤，包括：
确定当前周期对应的所述第一历史时期；
根据平台中每个用户在第一历史时期内对平台曝光的对象的历史行为数据，分别建立用户-对象对，所述用户-对象对包括：用户标识、对象标识和行为类型，所述行为类型用于指示所述用户是否对所述对象执行预设操作；
根据建立的所述用户-对象对，构建用户-对象矩阵；
通过协同过滤算法，以各用户向量与各对象向量的内积与所述用户-对象矩阵的损失值最小为目标，对所述用户-对象矩阵进行分解，分别确定每个所述用户的所述用户向量和每个所述对象的所述对象向量；其中，所述用户向量为表示相应用户对所述平台曝光的对象的各维度隐含特征偏好强弱的矩阵，所述对象向量为表示相应对象匹配所述各维度隐含特征概率的矩阵。
5.根据权利要求1所述的方法，其特征在于，获取目标用户对目标对象的短期兴趣表征的步骤，包括：
根据所述目标用户在实时时间对所述目标对象执行预设操作时所处的实时地理位置和所述目标对象的对象标识、所述目标用户在所述第二历史时期内的执行各所述预设操作时所处地理位置和所针对的曝光对象的对象标识，确定所述目标用户对所述目标对象的短期兴趣表征。
6.根据权利要求5所述的方法，其特征在于，所述根据所述目标用户在所述实时时间对所述目标对象执行预设操作时所处的实时地理位置和所述目标对象的对象标识、所述目标用户在所述第二历史时期内的执行各所述预设操作时所处地理位置和所针对的曝光对象的对象标识，确定所述目标用户对所述目标对象的短期兴趣表征的步骤，包括：
根据所述目标用户在所述实时时间对目标对象执行预设操作时所处的实时地理位置和所述目标对象的对象标识，确定携带所述对象标识和实时地理位置的第一向量；
根据所述目标用户在所述第二历史时期内的行为数据，确定预设数量个第二向量，其中，每个所述第二向量分别携带所述目标用户在所述第二历史时期内执行的一次所述预设操作所针对的曝光对象的对象标识和执行该次预设操作的实时地理位置；
将所述第一向量和所述第二向量作为所述目标用户对所述目标对象的短期兴趣表征。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任意一项所述的推荐方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至6任意一项所述的推荐方法的步骤。
CN201911096508.5A 2019-11-11 2019-11-11 推荐方法、装置、电子设备，存储介质 Active CN111061945B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911096508.5A CN111061945B (zh) 2019-11-11 2019-11-11 推荐方法、装置、电子设备，存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911096508.5A CN111061945B (zh) 2019-11-11 2019-11-11 推荐方法、装置、电子设备，存储介质

Publications (2)

Publication Number Publication Date
CN111061945A CN111061945A (zh) 2020-04-24
CN111061945B true CN111061945B (zh) 2023-06-27

Family

ID=70298447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911096508.5A Active CN111061945B (zh) 2019-11-11 2019-11-11 推荐方法、装置、电子设备，存储介质

Country Status (1)

Country Link
CN (1) CN111061945B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111666462B (zh) * 2020-04-28 2021-09-21 百度在线网络技术（北京）有限公司 地理位置的推荐方法、装置、设备和计算机存储介质
CN112163147A (zh) * 2020-06-09 2021-01-01 中森云链(成都)科技有限责任公司 一种用于网站会话场景的推荐方法
CN112001515A (zh) * 2020-08-27 2020-11-27 携程旅游信息技术（上海）有限公司 在线预订火车票的方法、***、设备及存储介质
CN111914182A (zh) * 2020-09-11 2020-11-10 福州淘股吧互联网股份有限公司 一种个性化内容推荐***及其方法
CN112954066A (zh) * 2021-02-26 2021-06-11 北京三快在线科技有限公司 信息推送方法、装置、电子设备及可读存储介质
CN113190749B (zh) * 2021-05-06 2023-10-31 北京百度网讯科技有限公司 用于确定对象属性的方法及装置、电子设备和介质
CN113486250B (zh) * 2021-07-28 2023-09-05 中移（杭州）信息技术有限公司 内容推荐方法、装置、设备及计算机可读存储介质
CN116028719B (zh) * 2023-03-29 2023-06-20 杭州金智塔科技有限公司 对象推荐方法及装置、跨域联邦商品推荐方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017129020A1 (zh) * 2016-01-29 2017-08-03 中兴通讯股份有限公司 视频中人体行为识别的方法、装置和计算机存储介质
CN108804619A (zh) * 2018-05-31 2018-11-13 腾讯科技（深圳）有限公司 兴趣偏好预测方法、装置、计算机设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503014B (zh) * 2015-09-08 2020-08-07 腾讯科技（深圳）有限公司 一种实时信息的推荐方法、装置和***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017129020A1 (zh) * 2016-01-29 2017-08-03 中兴通讯股份有限公司 视频中人体行为识别的方法、装置和计算机存储介质
CN108804619A (zh) * 2018-05-31 2018-11-13 腾讯科技（深圳）有限公司 兴趣偏好预测方法、装置、计算机设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱雨晗 ; .基于用户兴趣标签的混合推荐方法.电子制作.2018,(22),全文. *

Also Published As

Publication number Publication date
CN111061945A (zh) 2020-04-24

Similar Documents

Publication Publication Date Title
CN111061945B (zh) 推荐方法、装置、电子设备，存储介质
CN111061946B (zh) 场景化内容推荐方法、装置、电子设备及存储介质
Sun et al. Conversational recommender system
CN108829822B (zh) 媒体内容的推荐方法和装置、存储介质、电子装置
CN111553754B (zh) 行为预测***的更新方法及装置
CN110717099B (zh) 一种推荐影片的方法及终端
CN111177538B (zh) 一种基于无监督权值计算的用户兴趣标签构建方法
CN107562787B (zh) 一种poi编码方法及装置、poi推荐方法，电子设备
CN110413888B (zh) 一种书籍推荐方法及装置
CN112288042A (zh) 行为预测***的更新方法及装置、存储介质和计算设备
CN104537552B (zh) 通过计算机实现的信息推荐方法及装置
CN110019943A (zh) 视频推荐方法、装置、电子设备和存储介质
CN112074828A (zh) 训练图像嵌入模型和文本嵌入模型
CN113221019B (zh) 基于即时学习的个性化推荐方法和***
CN112507153B (zh) 用于图像检索的方法、计算设备和计算机存储介质
KR102322668B1 (ko) 콘텐츠 크리에이터의 창작활동 활성화를 위한 다중 플랫폼 서비스 제공 시스템
CN113127727A (zh) 信息推荐模型确定方法、信息推荐方法及装置
CN110782286A (zh) 广告推送方法、装置、服务器及计算机可读存储介质
CN111429161B (zh) 特征提取方法、特征提取装置、存储介质及电子设备
CN112989177A (zh) 信息处理方法、装置、电子设备及计算机存储介质
CN112035740B (zh) 项目使用时长预测方法、装置、设备及存储介质
CN114399352A (zh) 一种信息推荐方法、装置、电子设备及存储介质
CN117909592A (zh) 序列推荐方法和装置
CN117216369A (zh) 一种数据处理方法、装置、产品、设备和介质
CN116610866A (zh) 一种资源数据匹配推荐方法

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