CN111159563B - 用户兴趣点信息的确定方法、装置、设备及存储介质 - Google Patents
用户兴趣点信息的确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111159563B CN111159563B CN201911418383.3A CN201911418383A CN111159563B CN 111159563 B CN111159563 B CN 111159563B CN 201911418383 A CN201911418383 A CN 201911418383A CN 111159563 B CN111159563 B CN 111159563B
- Authority
- CN
- China
- Prior art keywords
- vector
- item
- determining
- information
- target user
- 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 56
- 239000013598 vector Substances 0.000 claims abstract description 264
- 238000012545 processing Methods 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims description 39
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000003542 behavioural effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 2
- 230000010365 information processing Effects 0.000 abstract description 5
- 230000006399 behavior Effects 0.000 description 88
- 230000006870 function Effects 0.000 description 7
- 230000009467 reduction Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000000280 densification Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241001632422 Radiola linoides Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
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)
Abstract
本发明实施例提供了用户兴趣点信息的确定方法、装置、设备及存储介质,该确定方法包括:获取目标用户对应的至少一个种子条目,并确定所述目标用户相对各所述种子条目的行为反馈向量;根据各所述种子条目的基本特征信息以及对应的行为反馈向量,确定所述目标用户对应的至少一个兴趣点向量;将各所述兴趣点向量确定为所述目标用户的兴趣点信息。上述技术方案,结合用户对不同种子条目的行为反馈信息通过信息处理在不增加处理时间的前提下有效确定了用户对各个种子条目的兴趣程度,从而获得了高准确性的用户兴趣点信息,进而在基于高准确性用户兴趣点信息进行的产品推荐中,有效提高了产品与用户的粘黏性。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及用户兴趣点信息的确定方法、装置、设备及存储介质。
背景技术
随着互联网领域的飞速发展,***式增长的信息导致用户想要获取感兴趣的有效内容越来越困难,为用户进行个性化推荐已经成为互联网领域不可获取的基础技术,在新闻、短视频以及音乐等产品的推荐中扮演着越来越重要的角色。
一般的,对用户的个性化推荐往往需要根据用户历史行为确定用户兴趣点,从而进行用户所感兴趣产品的有效推荐。传统的用户兴趣点信息的确定中,主要基于用户浏览过或购买过的条目进行兴趣确定,以此可根据确定的兴趣点寻找相似条目推荐给用户。
然而,传统的用户兴趣点信息确定中主要考虑通过用户所购买或所浏览条目的基本属性信息进行确定,但是仅根据上述特征信息确定出的兴趣点与用户实际的兴趣喜好存在一定的偏差,且基于准确性较低的用户兴趣点所进行的信息推荐往往具备较低的推荐精准度,降低了产品与用户的粘黏性。
发明内容
本发明实施例提供了一种用户兴趣点信息的确定方法、装置、设备及存储介质,提高了用户兴趣点信息的有效确定。
第一方面,本发明实施例提供了一种用户兴趣点信息的确定方法,包括:
获取目标用户对应的至少一个种子条目,并确定所述目标用户相对各所述种子条目的行为反馈向量;
根据各所述种子条目的基本特征信息以及对应的行为反馈向量,确定所述目标用户对应的至少一个兴趣点向量;
将各所述兴趣点向量确定为所述目标用户的兴趣点信息。
第二方面,本发明实施例提供了一种用户兴趣点信息的确定装置,包括:
基础信息确定模块,用于获取目标用户对应的至少一个种子条目,并确定所述目标用户相对各所述种子条目的行为反馈向量;
兴趣点向量确定模块,用于根据各所述种子条目的基本特征信息以及对应的行为反馈向量,确定所述目标用户对应的至少一个兴趣点向量;
目标信息确定模块,用于将各所述兴趣点向量确定为所述目标用户的兴趣点信息。
第三方面,本发明实施例提供了一种用户兴趣点信息的确定设备,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;
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上述实施例提供的方法。
第四方面,本发明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实现本发明上述实施例提供的方法。
本发明实施例提供了用户兴趣点信息的确定方法、装置、设备及存储介质,该确定方法包括:获取目标用户对应的至少一个种子条目,并确定所述目标用户相对各所述种子条目的行为反馈向量;根据各所述种子条目的基本特征信息以及对应的行为反馈向量,确定所述目标用户对应的至少一个兴趣点向量;将各所述兴趣点向量确定为所述目标用户的兴趣点信息。上述技术方案,结合用户对不同种子条目的行为反馈信息通过信息处理在不增加处理时间的前提下有效确定了用户对各个种子条目的兴趣程度,从而获得了高准确性的用户兴趣点信息,进而在基于高准确性用户兴趣点信息进行的产品推荐中,有效提高了产品与用户的粘黏性。
附图说明
图1为本发明实施例一提供的一种用户兴趣点信息的确定方法的流程示意图;
图2为本发明实施例二提供的一种用户兴趣点信息的确定方法的流程示意图;
图3给出了本发明实施例二中用户兴趣点向量确定的示例流程图;
图4给出了本发明实施例二中候选条目确定及推荐的流程示意图;
图5给出了本发明实施例二可选实施例中进行推荐得分确定的流程示意图;
图6为本发明实施例三提供的一种用户兴趣点信息的确定装置的结构框图;
图7为本发明实施例四提供的一种用户兴趣点信息的确定设备的硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施例方式作进一步地详细描述。应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。另外,在不冲突的情况下,本发明实施例及实施例中的特征可以相互结合,各个实施例可以相互参考和引用。
需要说明的是,本发明实施例的应用场景为各种具备资源推荐需求的信息推荐领域,示例性地,可适用于新闻、咨询、音乐以及短视频等资源条目的推荐场景中。现有通过确定用户兴趣点信息来进行的推荐中,往往只考虑用户所访问或所浏览过资源条目的基本特征来确定用户兴趣,由此造成了所确定的用户兴趣点精准度较低,影响了资源条目推荐的推荐精准度。
基于本发明实施例提供的用户兴趣点信息的确定方法,除了考虑用户所访问资源条目的自身基本特征信息外,进一步加入了用户相对资源条目的行为反馈向量,以此确定出的用户兴趣点信息更能反映用户的喜好程度差异以及更准确的表达用户意图,由此采用该用户兴趣点信息进行的资源推荐的准确度更高。
实施例一
图1为本发明实施例一提供的一种用户兴趣点信息的确定方法的流程示意图,该方法可以由用户兴趣点信息的确定装置实现,其中,该装置可以由软件和/或硬件实现,并一般可集成在用户兴趣点信息的确定设备中,该用户兴趣点信息的确定设备相当于用户兴趣点信息的确定方法的执行载体设备,具体可以是进行服务支持的具备数据处理功能的后台服务器等。
如图1所示,本发明实施例一提供的一种用户兴趣点信息的确定方法,该方法具体包括如下操作:
S101、获取目标用户对应的至少一个种子条目,并确定所述目标用户相对各所述种子条目的行为反馈向量。
在本实施例中,将任一具备资源推荐需求的信息推荐领域中待推进信息的对象(或受众)作为本发明实施例所述的目标用户。所述种子条目可以理解为所述目标用户在任一支持信息推荐功能的信息发布平台中访问过的资源条目。本步骤可以获取到目标用户访问过的至少一个种子条目。
此外,本步骤还可以获取到目标用户访问每个种子条目时,对种子条目进行各种操作所产生的行为反馈信息。示例性的,所述行为反馈信息可以为是否点击,是否点赞,是否分享,是否评论,是否收藏等用户行为信息。可以理解的是,常见的信息发布平台一般均具备用户行为数据获取或记录功能,由此可以获取到用户行为数据,例如在网页端可以通过页面跟踪和事件跟踪来获取用户行为数据,在移动端可以通过植入相应代码统计用户关键行为的方式来获取用户行为数据,本发明实施例对获取用户行为数据的具体方式不做限定,并可从用户行为数据中提取出目标用户访问所述种子条目时产生的行为反馈信息。
在本实施例中,所述行为反馈向量具体可以理解为通过所述目标用户访问所述种子条目时产生的行为反馈信息获得的向量,具体可用于表征目标用户相对种子条目的用户行为。示例性的,本步骤可以通过对行为反馈信息进行编码并通过对编码后信息的向量化来确定该行为反馈向量。
可选的,所述行为反馈信息对应的编码信息可通过查找给定的行为反馈编码表获得,所述行为反馈编码表包含各行为反馈信息与对应的编码信息。或者,所述行为反馈信息对应的编码信息也可通过独热(one-hot)编码方式得到,可选的。
S102、根据各所述种子条目的基本特征信息以及对应的行为反馈向量,确定所述目标用户对应的至少一个兴趣点向量。
在本实施例中,所述基本特征信息可以理解为用于表征种子条目本身基本特征属性的信息。示例性的,以种子条目为一条视频为例,所述视频的基本特征信息可以包括:该视频的视频条目编号、视频海报编号、访问用户标签以及访问用户归属地等信息。所述兴趣点向量可以理解为从各所述种子条目对应的基本特征信息和行为反馈向量中提取出的反映目标用户兴趣点信息的向量。
在本实施例中,基于种子条目的基本特征信息可以采用基本特征向量的形式来表征,本步骤可以将表征基本特征信息的基本特征向量与用户相对该种子条目的行为反馈向量相拼接,并采用拼接后的向量进行目标用户兴趣点向量的确定。
示例性的,本步骤可以通过对拼接后所形成的向量的处理来获得目标用的兴趣点向量,具体的,本步骤可以通过自注意力网络模型来捕捉拼接后所形成的向量中基本特征向量与行为反馈向量之间的内部相关性,由此获得自注意力网络模型输出的注意力矩阵,该注意力矩阵表征了用户注意力与种子条目本身之间的相互关系。之后,可以通过对注意力矩阵的进一步分析来获得目标用户相对种子条目的兴趣点,最终通过用户相对各种子条目对应的兴趣点,汇总相对全部种子条目时具备的兴趣点向量,以通过兴趣点向量来表征用户的兴趣点。
需要说明的是,本步骤可以确定出至少一个兴趣点向量,所确定出兴趣点向量的数量具体可与对注意力矩阵进行分析时所采用的分析参数的参数组数有关,若只采用一组分析参数进行分析,则可获得一个表征用户兴趣点的兴趣点向量,若采用多组分析参数,则可获得与组数相同数量的兴趣点向量。其中,本步骤所获得的每个兴趣点向量都可理解为对用户兴趣点的表征,只不过因为每个兴趣点向量中的向量值不同,所表征兴趣点的偏好存在差异。
与现有单纯根据目标用户所访问种子条目的基本特征信息来确定目标用户兴趣点信息的方法相比,本实施例提供的方法在现有技术方案基础上,进一步将目标用户访问种子条目时产生的行为反馈信息作为确定目标用户兴趣点信息的依据,由此所确定的用户兴趣点信息更加精准,进而在根据所述用户兴趣点信息对相应目标用户进行资源推荐时的准确度也会更高。
S103、将各所述兴趣点向量确定为所述目标用户的兴趣点信息。
在本实施例中,将上述确定的全部兴趣点向量作为目标用户的兴趣点信息,本实施例考虑多个兴趣点向量作为兴趣点信息,相当于可以获取目标用户的多个兴趣点偏好特征,由此可以保证所确定的兴趣点信息更全面地表征目标用户的兴趣范围。
本发明实施例一提供的一种用户兴趣点的确定方法,结合用户对不同种子条目的行为反馈信息通过信息处理在不增加处理时间的前提下有效确定了用户对各个种子条目的兴趣程度,从而获得了高准确性的用户兴趣点信息,进而在基于高准确性用户兴趣点信息进行的产品推荐中,有效提高了产品与用户的粘黏性。
实施例二
图2为本发明实施例二提供的一种用户兴趣点信息的确定方法的流程示意图,本实施例二以上述实施例为基础进行优化,在本实施例中,具体将确定所述目标用户相对各所述种子条目的行为反馈向量进一步优化为:针对每个种子条目,获取所述目标用户相对所述种子条目的全部行为反馈信息;查找各所述行为反馈信息对应的编码信息,并采用稠密向量确定机制处理各所述编码信息获得设定维度的行为反馈向量。
同时,进一步将根据各所述注意力矩阵确定所述目标用户对应的至少一个兴趣点向量具体优化为:将各所述注意力矩阵整体作为输入数据,输入给定的至少一个第一全连接网络模型,获得各所述第一全连接网络模型对应输出的兴趣点权重向量及兴趣点投影矩阵;确定各所述第一全连接网络中兴趣点权重向量与兴趣点投影矩阵的乘积向量,将各所述乘积向量确定为所述目标用户在各所述第一全连接网络下对应的兴趣点向量;其中,各所述第一全连接网络模型为网络结构相同但所具备全连接参数不同的网络模型;所述目标用户所具备兴趣点向量的总个数与所述第一全连接网络模型的模型个数相同。
如图2所示,本发明实施例二提供的一种用户兴趣点信息的确定方法,具体包括如下步骤:
S201、获取目标用户对应的至少一个种子条目。
示例性的,可以从相关的数据资源翅中获取目标用户访问过的至少一个种子条目。
S202、针对每个种子条目,获取所述目标用户相对所述种子条目的全部行为反馈信息。
示例性的,本步骤还可以从相关的数据监控平台中获取目标用户访问每个种子条目时产生的所有行为反馈信息。
其中,所述目标用户相对各种子条目的行为反馈信息包括下述至少一种:点赞行为反馈、分享行为反馈、评论行为反馈以及收藏行为反馈。
在本实施例中,所述点赞行为反馈即目标用户对各所述种子条目是否进行点赞操作的反馈信息;所述分享行为反馈即目标用户对各所述种子条目是否进行分享操作的反馈信息;所述评论行为反馈即目标用户对各所述种子条目是否进行评论操作的反馈信息;所述收藏行为反馈即目标用户对各所述种子条目是否进行收藏操作的反馈信息。
可以理解的是,目标用户在访问或浏览一个种子条目时,如果进行了点赞操作,则可以理解为目标用户对该种子条目具有一定兴趣偏好;如果进行了分享操作,则可以理解为目标用户对该种子条目具有较强的兴趣偏好;如果进行了评论操作,则可进一步通过评论内容分类获知目标用户是否对该种子条目感兴趣,例如根据目标用户给出的评论内容为好评、差评或中评来获知目标用户对该种子条目的喜好程度;如果进行了收藏操作,则可以理解为目标用户期望对该种子条目进行再次访问或浏览甚至长期关注,即目标用户对该种子条目非常感兴趣。
S203、查找各所述行为反馈信息对应的编码信息,并采用稠密向量确定机制处理各所述编码信息获得设定维度的行为反馈向量。
在本实施例中,目标用户访问种子条目时所产生的行为反馈信息,例如是否点赞、是否转发以及是否收藏等行为信息都可以通过编码的形式来展示,本实施例可预先建议一个行为反馈信息的编码表,本步骤可通过查找该编码表确定不同行为反馈信息所对应的编码信息。如可以确定行为反馈信息中的点赞对应的编码为000,又如收藏对应的编码为100等。
本实施例在获取各行为反馈信息的编码后,可以采用稠密向量确定机制处理各所述编码信息获得设定维度的行为反馈向量;其中,所述稠密向量可以理解为一种将向量的每一维元素用一个双精度浮点型数组来表示的向量形式。稠密向量是相对于稀疏向量的一种向量表示形式,示例性的,对于向量(1.0,0.0,3.0),采用稠密向量形式表示为[1.0,0.0,3.0],而采用稀疏向量形式表示则是(3,[0,2],[1.0,3.0]),其中,3是向量的长度,[0,2]是向量中非0维度的索引值,表示位置为0、2的两个元素为非零值,而[1.0,3.0]则是按索引排列的数组元素值;两者的区别在于稠密向量会存储所有的值,包括零值,而稀疏向量存储的是索引位置及对应的非零值。
需要说明的是,稠密向量只是一种向量表示形式,本实施例中,在获得目标用户针对所述种子条目的各行为反馈信息所对应的编码信息后,相应编码信息一般为一种稀疏矩阵形式,当编码信息量较大时,对应稀疏矩阵的阶数会很高,由此会导致数据处理时非常占用资源。对此,一个有效的解决方案即为将整个稀疏矩阵通过嵌入(embedding)层进行降维处理,进而实现编码信息的稠密化。其中,嵌入层的降维原理即将所述稀疏矩阵与一个设定的映射矩阵相乘,由此实现对所述稀疏矩阵的降维和稠密化。
同时,在本实施例中,所述设定维度可依据设定的行为反馈信息种类来确定,即一个维度对应一种行为反馈信息,而一种行为反馈信息可以表示所述目标用户对所述种子条目所反馈行为的一种特征。
本实施例下述S204至S207给出了基于种子条目的基本特征信息结合目标用户的行为反馈向量进行兴趣点向量确定的过程。
S204、根据各所述种子条目的基本特征信息构建基本特征向量。
在本实施例中,针对每个种子条目,将所述种子条目的基本特征信息转化为一个基本特征向量的过程,可采用与根据所述种子条目对应的行为反馈信息得到相应行为反馈向量的类似方法来实现,如,可以先对种子条目的基本特征信息进行编码,之后采用稠密向量确定机制来形成每个种子条目对应的稠密型基本特征向量。
S205、拼接各所述种子条目的基本特征向量与行为反馈向量,形成各所述种子条目的特征拼接向量。
可以理解的是,本实施例的一个主要目的在于将目标用户访问种子条目时产生的行为反馈信息与目标用户所访问对应种子条目的基本特征信息相结合,得到各个种子条目对应的拼接信息,之后从各个拼接信息中提取出目标用户对相应种子条目的兴趣点所在以及相应的喜好程度等兴趣点信息。示例性的,本步骤可直接将行为反馈向量中的元素值依次拼接到基本特征向量中,从而形成特征拼接向量。
S206、将各所述特征拼接向量依次作为输入数据,输入给定的自注意力网络模型,获得对应各所述种子条目输出的注意力矩阵。
可以理解的是,所述自注意力网络模型是一种可以捕捉数据或特征的内部相关性的网络模型,而本实施例中目标用户对所访问种子条目产生的不同行为反馈信息实质上反映了目标用户对所访问种子条目投入的不同程度的注意力,本步骤可以采用自注意力网络模型对上述特征拼接向量进行处理,处理后的输出的注意力矩阵即可有效表达一个种子条目的基本特征信息与目标用户的行为反馈信息的相关性。
具体的,本步骤可将对应每个种子条目的特征拼接向量分别作为输入数据输入自注意力网络模型,由此经过自注意网络模型的处理后,可以获得该网络模型对应输出的注意力矩阵,所述注意力矩阵用于表征用户相对该种子条目的注意力。
S207、根据各所述注意力矩阵确定所述目标用户对应的至少一个兴趣点向量。
在本实施例中,所述兴趣点向量可以表征目标用户相对所有种子条目的兴趣点,本步骤可对每个种子条目所对应注意力矩阵的分析来确定兴趣点向量,且可以根据所设定分析参数的组数来获得与组数相同个数的兴趣点向量。
具体的,本实施例可认为一个兴趣点向量相当于目标用户相对每个种子条目所具备兴趣特征的汇总,而目标用户相对每个种子条目具备的兴趣特征实际包含在每个种子条目的注意力矩阵中。本步骤可以采用一个可以进行特征提取进行信息整合的全连接网络模型来对种子条目的注意力矩阵进行分析,且可以为所采用的全连接网络模型为网络结构固定,但所具备全连接参数可变的网络模型,由此本步骤实际可采用多个具备不同全连接参数的全连接网络模型对各注意力矩阵进行分析,最终从每个全连接网络获得一个相对目标用户的兴趣点向量。
进一步地,图3给出了本发明实施例二中用户兴趣点向量确定的示例流程图,如图3所示,所述根据各所述注意力矩阵确定所述目标用户对应的至少一个兴趣点向量,具体包括如下操作:
S2071、将各所述注意力矩阵整体作为输入数据,输入给定的至少一个第一全连接网络模型,获得各所述第一全连接网络模型对应输出的兴趣点权重向量及兴趣点投影矩阵。
其中,各所述第一全连接网络模型为网络结构相同但所具备全连接参数不同的网络模型。本步骤具体将每个种子条目的注意力矩阵作为整体输入到每个第一全连接网络模型,可以是对全部注意力矩阵采用行拼接形成一个整体注意力矩阵来作为输入数据,其中,输入全连接网络模型的输入数据中每个注意力矩阵相当于对应一个种子条目,在基于第一全连接网络模型的处理中,可认为首先对输入数据中每个注意力矩阵的特征提取,从而可相对每个注意力矩阵提取出表征目标用户相对其所对应种子条目的兴趣点特征,且每个兴趣点特征可能采用多维矩阵的形式表示;之后,可整体确定每个兴趣点特征在所有兴趣点特征中占据的权重值,还可以对表示每个兴趣特征的多维矩阵进行降维处理,获得相应的兴趣特征向量。
接上述描述,第一全连接网络模型对输入数据进行处理后,最终可以获得一个兴趣点权重向量和兴趣点投影矩阵,其中,所述兴趣点权重向量可认为是上述所确定各权重值的集合,其所包含元素值的个数与种子条目的总个数相同,所述兴趣点投影矩阵可认为是上述兴趣特征向量的集合,其所包含行向量的个数同样与种子条目的总个数相同。本步骤获得的兴趣点权重矩阵和兴趣点投影矩阵表征了目标用户相对全部种子条目所具备的兴趣点特征以及各兴趣点特征占据的权重。本实施例中,通过得到所述兴趣点权重向量可以有效避免根据目标用户针对各所述种子条目的行为反馈信息而人为设定各种子条目权重的主观性。
S2072、确定各所述第一全连接网络中兴趣点权重向量与兴趣点投影矩阵的乘积向量,将各所述乘积向量确定为所述目标用户在各所述第一全连接网络下对应的兴趣点向量。
示例性的,通过将各所述第一全连接网络中兴趣点权重向量与兴趣点投影矩阵相乘,可以实现对所有种子条目所体现目标用户兴趣点信息的加权累加,由此得到的兴趣点向量可以充分体现各种子条目所体现目标用户兴趣点之间的交叉信息,从而达到更加精准预测目标用户的兴趣点信息的目的。
可以理解的是,所述目标用户所具备兴趣点向量的总个数与所述第一全连接网络模型的模型个数相同。本实施例上述S2071的步骤实现中,考虑采用多个网络结构相同而全连接参数不同的第一全连接网络模型,而对应于每个第一全连接网络都会得到一个兴趣点权重向量和一个兴趣点投影矩阵,经过本步骤的操作,可以获得与上述第一全连接网络模型个数相同的兴趣点向量。
S208、将各所述兴趣点向量确定为所述目标用户的兴趣点信息。
在本实施例中,所述兴趣点向量进一步可以理解为由各所述种子条目共同体现的目标用户的兴趣点信息。而通过获取多个不同的第一全连接网络模型得到的兴趣点向量,可以获取由上述多个兴趣点向量构成的目标用户的兴趣点信息。
本发明实施例二提供的一种用户兴趣点信息的确定方法,结合用户对不同种子条目的行为反馈信息通过信息处理在不增加处理时间的前提下有效确定了用户对各个种子条目的兴趣程度,从而获得了高准确性的用户兴趣点信息,进而在基于高准确性用户兴趣点信息进行的产品推荐中,有效提高了产品与用户的粘黏性。
作为本发明实施例的一个可选实施例,本可选实施例进一步优化包括了:根据所述目标用户的兴趣点信息,从给定的待推荐条目集合中确定候选条目并推荐给所述目标用户。该步骤具体可以在本实施例上述S208之后执行。
可以理解的是,用户兴趣点信息确定的实质在于资源推荐,本实施例可以通过用户兴趣点信息预测用户后续的行为,以此发现用户感兴趣的资源。
在本实施例中,所述待推荐条目集合可以理解为包含为目标用户提供的所有意向推荐条目的资源条目集合,其中,所述待推荐条目集合中包含的意向推荐条目可根据资源推荐平台的具体资源推荐需求而定。所述候选条目可以理解为从所述待推荐条目集合中选定的实际推荐给所述目标用户的资源条目。可选地,对候选条目的确定可以通过对待推荐条目集合中所有意向推荐条目进行打分,并根据得分择高选取设定数量的意向推荐条目作为实际推荐给所述目标用户的候选条目。
进一步地,图4给出了本发明实施例二中候选条目确定及推荐的流程示意图,如图4所示,所述根据所述目标用户的兴趣点信息,从给定的待推荐条目集合中确定候选条目并推荐给所述目标用户,具体包括如下操作:
S301、针对所述待推荐条目集合中的每个待推荐条目,确定所述待推荐条目的条目基本特征向量。
在本实施例中,所述待推荐条目即为所述待推荐条目集合中根据资源推荐平台的具体资源推荐需求确定的针对目标用户的意向推荐条目。所述条目基本特征向量可根据所述待推荐条目的基本特征信息确定,条目基本特征向量的具体获取方法可参照种子条目所对应基本特征向量的获取方法,此处不再赘述。
S302、确定所述条目基本特征向量相对所述兴趣点信息中各兴趣点向量的余弦相似度值。
在本实施例中,所述余弦相似度值具体为所述条目基本特征向量与所述兴趣点信息中各兴趣点向量之间夹角的余弦值。余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小,余弦值越接近1,就表明夹角越接近0度,也就是两个向量越相似,又称作“余弦相似性”。
可以理解的是,通过确定所述条目基本特征向量相对所述兴趣点信息中各兴趣点向量的余弦相似度值,可以知道哪一待推荐条目更贴近用户的兴趣点,由此可作为对目标用户进行资源推荐的有效依据,从而提高资源推荐的准确性。
S303、根据各所述余弦相似度值,确定所述待推荐条目对应的推荐得分。
可以理解的是,在各所述余弦相似度值之后,为进一步提高资源推荐的准确性,可进一步将上述余弦相似度值与待推荐条目以及目标用户的一些特征相结合,获得该待推荐条目相对目标用户的更精准的推荐得分。
进一步地,图5给出了本发明实施例二可选实施例中进行推荐得分确定的流程示意图,具体的,如图5所示,所示根据各所述余弦相似度值,确定所述待推荐条目对应的推荐得分包括如下操作:
S3031、确定所述目标用户的用户基本特征向量以及所述待推荐条目的附加特征向量。
在本实施例中,为获得待推荐条目相对目标用户的推荐得分,可以首先确定目标用户的用户基本特征信息所对应的用户基本特征向量以及所述待推荐条目的附加特征向量。
其中,所述用户基本特征信息可以理解为用于表征所述目标用户本身的特征信息,示例性的,所述用户基本特征信息包括目标用户的性别、年龄、访问账号ID、访问设备位置等。所述用户基本特征向量可以理解为对所述用户基本信息进行降维和稠密化处理后得到的向量。所述附加特征向量可以理解为表征的是各待推荐条目独有的特征属性或者区别特征属性,本实施例可以是针对待推荐条目本身独有的特征属性信息(如待推荐条目为视频时,视频的分辨率等信息可看做特有的特征属性信息)进行降维和稠密化处理后得到的向量。
S3032、拼接所述用户基本特征向量、所述待推荐条目的条目基本特征向量和附加特征向量以及各所述余弦相似度值,形成条目推荐特征向量。
在本实施例中,所述条目基本特征向量可以理解为表征的是各待推荐条目共有的特征属性,本实施例将上述用户基本特征向量、所述待推荐条目的条目基本特征向量和附加特征向量以及各所述余弦相似度值进行关联后再打分,以共同作为对目标用户进行资源推荐的有效依据,从而进一步提高资源推荐的准确度。
在本实施例中,针对每个待推荐条目,所述条目推荐特征向量可以理解为将所述用户基本特征向量、所述待推荐条目的条目基本特征向量和附加特征向量以及各所述余弦相似度值依次顺序连接得到所述条目推荐特征向量。
S3033、将所述条目推荐特征向量作为输入数据,输入给定的第二全连接网络模型,将所述第二全连接网络模型的输出值确定为所述待推荐条目的推荐得分。
在本实施例中,所述第二全连接网络模型具体可用于对上述条目体检特征向量进行某种形式的加权求和处理,从而针对一个待推荐条目条目推荐特征向量获得一个该推荐条目相对目标用户的推荐得分。
具体的,所述第二全连接网络模型的输入层相当于包含了与上述条目推荐特征向量所包含元素值个数相同的节点,同时,该网络模型中可以包含一个隐含层,且可预先确定该隐含层中所包括节点的数量,以及每个输入节点相对隐藏层中每个节点的全连接参数,最终经过该第二全连接网络模型进行的加权求和处理,可以对应每个条目推荐特征向量可以输出一个加权求和值,该加权求和值相当于待推荐条目相对目标用户的推荐得分。
具体可在所述第二全连接网络模型中给定一个对应所述条目推荐特征向量维度的条目推荐权重向量,并获取所述条目推荐特征向量和条目推荐权重向量的乘积,由此实现所述用于对所述条目推荐向量包含的所述用户基本特征向量、所述待推荐条目的条目基本特征向量和附加特征向量以及各所述余弦相似度值进行加权求和,将加权求和所得的值确定相应待推荐条目的推荐得分。
需要说明的是,不同于所述第一全连接网络模型,所述第二全连接网络模型用于对所述条目推荐向量进行打分,由于所述第二全连接网络模型对各条目推荐向量进行打分的规则是一致的,故只需要一个第二全连接网络模型即可。
S304、根据各所述待推荐条目的推荐得分确定至少一个候选条目,并将各所述候选条目推荐给所述目标用户。
本实施例上述确定各待推荐条目的推荐得分后,可以根据推荐得分来选定那些可以作为推荐给目标用户的候选条目。
具体的,所述根据各所述待推荐条目的推荐得分确定至少一个候选条目还可优化为将各所述待推荐条目按照相应的推荐得分由高到低排序,将排序后处于前设定数值的待推荐条目作为候选条目;其中,所述设定数值大于或等于1。
可以理解的是,推荐得分的高低反映了相应待推荐条目与目标用户兴趣点信息的契合程度,推荐得分越高越契合用户的兴趣点;择高选取推荐得分排名前设定数量的待推荐条目作为候选条目实际推荐给目标用户,一是可以保证资源推荐的高准确度,二是可以尽量满足资源推荐平台对资源条目推荐数量的需求。
本可选实施例的上述技术实现,给出了根据所述目标用户的兴趣点信息对目标用户进行资源推荐的具体方法步骤,使得本发明实施例所提供用户兴趣点信息的确定方法,在获取高准确性用户兴趣点信息的基础上,通过确定待推荐条目集合中的各待推荐条目的条目基本特征向量和附加特征向量、目标用户的用户基本特征向量,以及确定各条目基本特征向量相对所述兴趣点信息中各兴趣点向量的余弦相似度值,由此针对每个待推荐条目,基于所述用户基本特征向量、所述待推荐条目的条目基本特征向量和附加特征向量以及各所述余弦相似度值,对所述待推荐条目进行打分,可以更准确地判断所述待推荐条目与目标用户兴趣点信息的契合度。由此选择出契合度较高的待推荐条目作为候选条目推荐给目标用户,进一步增加了资源推荐的精准性。
实施例三
图6为本发明实施例三提供的一种用户兴趣点信息的确定装置的结构框图,该装置适用于对目标用户的兴趣点进行确定的情况,该装置可以由软件和/或硬件实现,并一般可集成在用户兴趣点信息的确定设备中,该用户兴趣点信息的确定设备相当于用户兴趣点信息的确定方法的执行载体设备,具体可以是进行服务支持的具备数据处理功能的后台服务器等。如图6所示,该装置包括:基础信息确定模块31、兴趣点向量确定模块32以及目标信息确定模块33。
其中,基础信息确定模块31,用于获取目标用户对应的至少一个种子条目,并确定所述目标用户相对各所述种子条目的行为反馈向量;
兴趣点向量确定模块32,用于根据各所述种子条目的基本特征信息以及对应的行为反馈向量,确定所述目标用户对应的至少一个兴趣点向量;
目标信息确定模块33,用于将各所述兴趣点向量确定为所述目标用户的兴趣点信息。
本发明实施例三提供的一种用户兴趣点信息的确定装置,结合用户对不同种子条目的行为反馈信息通过信息处理在不增加处理时间的前提下有效确定了用户对各个种子条目的兴趣程度,从而获得了高准确性的用户兴趣点信息,进而在基于高准确性用户兴趣点信息进行的产品推荐中,有效提高了产品与用户的粘黏性。
进一步地,兴趣点向量确定模块32可以包括:
基本向量构建单元,用于根据各所述种子条目的基本特征信息构建基本特征向量;
拼接向量确定单元,用于拼接各所述种子条目的基本特征向量与行为反馈向量,形成各所述种子条目的特征拼接向量;
信息处理单元,用于将各所述特征拼接向量依次作为输入数据,输入给定的自注意力网络模型,获得对应各所述种子条目输出的注意力矩阵;
向量信息确定单元,用于根据各所述注意力矩阵确定所述目标用户对应的至少一个兴趣点向量。
进一步地,所述向量信息确定单元具体可用于将各所述注意力矩阵整体作为输入数据,输入给定的至少一个第一全连接网络模型,获得各所述第一全连接网络模型对应输出的兴趣点权重向量及兴趣点投影矩阵;确定各所述第一全连接网络中兴趣点权重向量与兴趣点投影矩阵的乘积向量,将各所述乘积向量确定为所述目标用户在各所述第一全连接网络下对应的兴趣点向量;其中,各所述第一全连接网络模型为网络结构相同但所具备全连接参数不同的网络模型;所述目标用户所具备兴趣点向量的总个数与所述第一全连接网络模型的模型个数相同。
进一步地,该装置还可以包括信息推荐模块,其中,信息推荐模块可用于根据所述目标用户的兴趣点信息,从给定的待推荐条目集合中确定候选条目并推荐给所述目标用户。
在上述优化的基础上,该信息推荐模块具体可以包括:
条目特征确定单元,用于针对所述待推荐条目集合中的每个待推荐条目,确定所述待推荐条目的条目基本特征向量;
相似度值确定单元,用于确定所述条目基本特征向量相对所述兴趣点信息中各兴趣点向量的余弦相似度值;
推荐得分确定单元,用于根据各所述余弦相似度值,确定所述待推荐条目对应的推荐得分;
候选条目推荐单元,用于根据各所述待推荐条目的推荐得分确定至少一个候选条目,并将各所述候选条目推荐给所述目标用户。
进一步地,推荐得分确定单元具体可以用于确定所述目标用户的用户基本特征向量以及所述待推荐条目的附加特征向量;拼接所述用户基本特征向量、所述待推荐条目的条目基本特征向量和附加特征向量以及各所述余弦相似度值,形成条目推荐特征向量;将所述条目推荐特征向量作为输入数据,输入给定的第二全连接网络模型,将所述第二全连接网络模型的输出值确定为所述待推荐条目的推荐得分。
进一步地,候选条目推荐单元具体可以用于将各所述待推荐条目按照相应的推荐得分由高到低排序,将排序后处于前设定数值的待推荐条目作为候选条目;其中,所述设定数值大于或等于1。
进一步地,基础信息确定模块31具体可以用于针对每个种子条目,获取所述目标用户相对所述种子条目的全部行为反馈信息;查找各所述行为反馈信息对应的编码信息,并采用稠密向量确定机制处理各所述编码信息获得设定维度的行为反馈向量。
在上述优化的基础上,目标用户相对各种子条目的行为反馈信息包括下述至少一种:点赞行为反馈、分享行为反馈、评论行为反馈以及收藏行为反馈。
实施例四
图7为本发明实施例四提供的一种用户兴趣点信息的确定设备的硬件结构示意图。如图7所示,该用户兴趣点信息的确定设备具体可以包括:处理器40、存储装置41、输入装置42和输出装置43。该用户兴趣点信息的确定设备中处理器40的数量可以是一个或者多个,图7中以一个处理器40为例。该用户兴趣点信息的确定设备中存储装置41的数量可以是一个或者多个,图7中以一个存储装置41为例。该用户兴趣点信息的确定设备的处理器40、存储装置41、输入装置42以及输出装置43可以通过总线或者其他方式连接,图7中以通过总线连接为例。
存储装置41作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明任意实施例所述的用户兴趣点信息的确定方法和/或图像拼接方法对应的程序请求/模块(例如,用户兴趣点信息的确定装置中的基础信息确定模块31、兴趣点向量确定模块32以及目标信息确定模块33)。存储装置41可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作装置、至少一个功能所需的应用程序;存储数据区可存储根据用户兴趣点信息的确定设备的使用所创建的数据等。此外,存储装置41可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储装置41可进一步包括相对于处理器40远程设置的存储器,这些远程存储器可以通过网络连接至用户兴趣点信息的确定设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置42可用于接收输入的数字或者字符信息,以及产生与用户兴趣点信息的确定设备的用户设置以及功能控制有关的键信号输入,还可以是用于获取图像的摄像头以及获取视频数据中音频的拾音用户兴趣点信息的确定设备。输出装置43可以包括显示屏等视频用户兴趣点信息的确定设备以及扬声器等音频用户兴趣点信息的确定设备。需要说明的是,输入装置42和输出装置43的具体组成可以根据实际情况设定。
处理器40通过运行存储在存储装置41中的软件程序、请求以及模块,从而执行用户兴趣点信息的确定设备的各种功能应用以及数据处理,即实现上述的用户兴趣点信息的确定方法。
具体的,实施例中,处理器40执行存储装置41中存储的一个或多个程序时,具体实现如下操作:获取目标用户对应的至少一个种子条目,并确定所述目标用户相对各所述种子条目的行为反馈向量;根据各所述种子条目的基本特征信息以及对应的行为反馈向量,确定所述目标用户对应的至少一个兴趣点向量;将各所述兴趣点向量确定为所述目标用户的兴趣点信息。
本发明实施例还提供一种计算机可读存储介质,该存储介质中的程序由用户兴趣点信息的确定设备的处理器执行时,使得用户兴趣点信息的确定设备能够执行如上述方法实施例所述的用户兴趣点信息的确定方法。示例性的,该用户兴趣点信息的确定方法包括:获取目标用户对应的至少一个种子条目,并确定所述目标用户相对各所述种子条目的行为反馈向量;根据各所述种子条目的基本特征信息以及对应的行为反馈向量,确定所述目标用户对应的至少一个兴趣点向量;将各所述兴趣点向量确定为所述目标用户的兴趣点信息。
需要说明的是,对于装置、用户兴趣点信息的确定设备、存储介质实施例而言,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。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的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,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干请求用以使得一台用户兴趣点信息的确定设备(可以是机器人,个人计算机,服务器,或者网络设备等)执行本发明任意实施例所述的用户兴趣点信息的确定方法和/或图像拼接方法。
值得注意的是,上述用户兴趣点信息的确定装置中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (11)
1.一种用户兴趣点信息的确定方法,其特征在于,包括:
获取目标用户对应的至少一个种子条目,并确定所述目标用户相对各所述种子条目的行为反馈向量;
根据各所述种子条目的基本特征信息以及对应的行为反馈向量,确定所述目标用户对应的至少一个兴趣点向量;
将各所述兴趣点向量确定为所述目标用户的兴趣点信息;
所述确定所述目标用户相对各所述种子条目的行为反馈向量,包括:
针对每个种子条目,获取所述目标用户相对所述种子条目的全部行为反馈信息;
查找各所述行为反馈信息对应的编码信息,并采用稠密向量确定机制处理各所述编码信息获得设定维度的行为反馈向量。
2.根据权利要求1所述的方法,其特征在于,根据各所述种子条目的基本特征信息以及对应的行为反馈向量,确定所述目标用户对应的至少一个兴趣点向量,包括:
根据各所述种子条目的基本特征信息构建基本特征向量;
拼接各所述种子条目的基本特征向量与行为反馈向量,形成各所述种子条目的特征拼接向量;
将各所述特征拼接向量依次作为输入数据,输入给定的自注意力网络模型,获得对应各所述种子条目输出的注意力矩阵;
根据各所述注意力矩阵确定所述目标用户对应的至少一个兴趣点向量。
3.根据权利要求2所述的方法,其特征在于,所述根据各所述注意力矩阵确定所述目标用户对应的至少一个兴趣点向量,包括:
将各所述注意力矩阵整体作为输入数据,输入给定的至少一个第一全连接网络模型,获得各所述第一全连接网络模型对应输出的兴趣点权重向量及兴趣点投影矩阵;
确定各所述第一全连接网络中兴趣点权重向量与兴趣点投影矩阵的乘积向量,将各所述乘积向量确定为所述目标用户在各所述第一全连接网络下对应的兴趣点向量;
其中,各所述第一全连接网络模型为网络结构相同但所具备全连接参数不同的网络模型;所述目标用户所具备兴趣点向量的总个数与所述第一全连接网络模型的模型个数相同。
4.根据权利要求1所述的方法,其特征在于,还包括:
根据所述目标用户的兴趣点信息,从给定的待推荐条目集合中确定候选条目并推荐给所述目标用户。
5.根据权利要求4所述的方法,其特征在于,所述根据所述目标用户的兴趣点信息,从给定的待推荐条目集合中确定候选条目并推荐给所述目标用户,包括:
针对所述待推荐条目集合中的每个待推荐条目,确定所述待推荐条目的条目基本特征向量;
确定所述条目基本特征向量相对所述兴趣点信息中各兴趣点向量的余弦相似度值;
根据各所述余弦相似度值,确定所述待推荐条目对应的推荐得分;
根据各所述待推荐条目的推荐得分确定至少一个候选条目,并将各所述候选条目推荐给所述目标用户。
6.根据权利要求5所述的方法,其特征在于,所述根据各所述余弦相似度值,确定所述待推荐条目对应的推荐得分,包括:
确定所述目标用户的用户基本特征向量以及所述待推荐条目的附加特征向量;
拼接所述用户基本特征向量、所述待推荐条目的条目基本特征向量和附加特征向量以及各所述余弦相似度值,形成条目推荐特征向量;
将所述条目推荐特征向量作为输入数据,输入给定的第二全连接网络模型,将所述第二全连接网络模型的输出值确定为所述待推荐条目的推荐得分。
7.根据权利要求5所述的方法,其特征在于,所述根据各所述待推荐条目的推荐得分确定至少一个候选条目,包括:
将各所述待推荐条目按照相应的推荐得分由高到低排序,将排序后处于前设定数值的待推荐条目作为候选条目;
其中,所述设定数值大于或等于1。
8.根据权利要求1所述的方法,其特征在于,所述目标用户相对各种子条目的行为反馈信息包括下述至少一种:点赞行为反馈、分享行为反馈、评论行为反馈以及收藏行为反馈。
9.一种用户兴趣点信息的确定装置,其特征在于,包括:
基础信息确定模块,用于获取目标用户对应的至少一个种子条目,并确定所述目标用户相对各所述种子条目的行为反馈向量;
兴趣点向量确定模块,用于根据各所述种子条目的基本特征信息以及对应的行为反馈向量,确定所述目标用户对应的至少一个兴趣点向量;
目标信息确定模块,用于将各所述兴趣点向量确定为所述目标用户的兴趣点信息;
基础信息确定模块具体用于针对每个种子条目,获取所述目标用户相对所述种子条目的全部行为反馈信息;查找各所述行为反馈信息对应的编码信息,并采用稠密向量确定机制处理各所述编码信息获得设定维度的行为反馈向量。
10.一种用户兴趣点信息的确定设备,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;
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1-8任一项所述的方法。
11.一种计算机存储介质,其特征在于,所述计算机存储介质上存储计算机程序,所述程序被处理器执行时实现如权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911418383.3A CN111159563B (zh) | 2019-12-31 | 2019-12-31 | 用户兴趣点信息的确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911418383.3A CN111159563B (zh) | 2019-12-31 | 2019-12-31 | 用户兴趣点信息的确定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111159563A CN111159563A (zh) | 2020-05-15 |
CN111159563B true CN111159563B (zh) | 2024-02-09 |
Family
ID=70560472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911418383.3A Active CN111159563B (zh) | 2019-12-31 | 2019-12-31 | 用户兴趣点信息的确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111159563B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112559901B (zh) * | 2020-12-11 | 2022-02-08 | 百度在线网络技术(北京)有限公司 | 资源推荐的方法、装置、电子设备、存储介质及计算机程序产品 |
CN113407849B (zh) * | 2021-07-15 | 2024-06-14 | 百果园技术(新加坡)有限公司 | 一种粗排序的方法及装置 |
CN113626686A (zh) * | 2021-07-19 | 2021-11-09 | 上海泛宥信息科技有限公司 | 基于用户数据分析的自动推送方法、装置和计算机设备 |
CN113704587B (zh) * | 2021-08-31 | 2023-06-06 | 中国平安财产保险股份有限公司 | 基于阶段划分的用户黏着度分析方法、装置、设备及介质 |
CN115190357A (zh) * | 2022-07-05 | 2022-10-14 | 三星电子(中国)研发中心 | 一种视频摘要生成方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109299327A (zh) * | 2018-11-16 | 2019-02-01 | 广州市百果园信息技术有限公司 | 视频推荐方法、装置、设备及存储介质 |
CN109783727A (zh) * | 2018-12-24 | 2019-05-21 | 东软集团股份有限公司 | 检索推荐方法、装置、计算机可读存储介质及电子设备 |
CN110119477A (zh) * | 2019-05-14 | 2019-08-13 | 腾讯科技(深圳)有限公司 | 一种信息推送方法、装置和存储介质 |
CN110162703A (zh) * | 2019-05-13 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 内容推荐方法、训练方法、装置、设备及存储介质 |
CN110347776A (zh) * | 2019-07-17 | 2019-10-18 | 北京百度网讯科技有限公司 | 兴趣点名称匹配方法、装置、设备及存储介质 |
-
2019
- 2019-12-31 CN CN201911418383.3A patent/CN111159563B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109299327A (zh) * | 2018-11-16 | 2019-02-01 | 广州市百果园信息技术有限公司 | 视频推荐方法、装置、设备及存储介质 |
CN109783727A (zh) * | 2018-12-24 | 2019-05-21 | 东软集团股份有限公司 | 检索推荐方法、装置、计算机可读存储介质及电子设备 |
CN110162703A (zh) * | 2019-05-13 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 内容推荐方法、训练方法、装置、设备及存储介质 |
CN110119477A (zh) * | 2019-05-14 | 2019-08-13 | 腾讯科技(深圳)有限公司 | 一种信息推送方法、装置和存储介质 |
CN110347776A (zh) * | 2019-07-17 | 2019-10-18 | 北京百度网讯科技有限公司 | 兴趣点名称匹配方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111159563A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111159563B (zh) | 用户兴趣点信息的确定方法、装置、设备及存储介质 | |
CN110321422B (zh) | 在线训练模型的方法、推送方法、装置以及设备 | |
CN109902708B (zh) | 一种推荐模型训练方法及相关装置 | |
US10958748B2 (en) | Resource push method and apparatus | |
AU2009347535B2 (en) | Co-selected image classification | |
CN106547871B (zh) | 基于神经网络的搜索结果的召回方法和装置 | |
CN109872242B (zh) | 信息推送方法和装置 | |
CN107784010B (zh) | 一种用于确定新闻主题的热度信息的方法与设备 | |
CN110223186B (zh) | 用户相似度确定方法以及信息推荐方法 | |
CN109993627B (zh) | 推荐方法、推荐模型的训练方法、装置和存储介质 | |
CA2783446A1 (en) | Personalized tag ranking | |
CN106951527B (zh) | 一种歌曲推荐方法及装置 | |
CN113688310B (zh) | 一种内容推荐方法、装置、设备及存储介质 | |
CN111858969B (zh) | 多媒体数据推荐方法、装置、计算机设备和存储介质 | |
JP6203304B2 (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
CN104615723B (zh) | 查询词权重值的确定方法和装置 | |
CN113742578A (zh) | 一种数据推荐方法、装置、电子设备及存储介质 | |
CN110827078B (zh) | 一种信息推荐方法、装置、设备及存储介质 | |
CN109299351B (zh) | 内容推荐方法和装置、电子设备及计算机可读介质 | |
CN113836388A (zh) | 信息推荐方法、装置、服务器及存储介质 | |
CN114741489A (zh) | 文档检索方法、装置、存储介质以及电子设备 | |
CN114491093A (zh) | 多媒体资源推荐、对象表征网络的生成方法及装置 | |
CN113536138A (zh) | 一种网络资源推荐方法、装置、电子设备及可读存储介质 | |
KR101663359B1 (ko) | 업데이트된 뉴스 콘텐츠 제공 방법 및 장치 | |
CN111831890B (zh) | 用户相似度生成方法、装置、存储介质和计算机设备 |
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 |