CN111161009B - 信息推送方法、装置、计算机设备和存储介质 - Google Patents
信息推送方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111161009B CN111161009B CN201911132486.3A CN201911132486A CN111161009B CN 111161009 B CN111161009 B CN 111161009B CN 201911132486 A CN201911132486 A CN 201911132486A CN 111161009 B CN111161009 B CN 111161009B
- Authority
- CN
- China
- Prior art keywords
- detected
- user
- browsing
- purchase
- weight
- 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 51
- 238000013528 artificial neural network Methods 0.000 claims abstract description 73
- 230000003068 static effect Effects 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000010606 normalization Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims 4
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000000047 product Substances 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种信息推送方法、装置、计算机设备和存储介质。包括:获取待检测用户的静态特征和动态特征;静态特征为待检测用户的属性特征,动态特征为待检测用户的购买信息和浏览信息;基于待检测用户的静态特征和动态特征构建待检测用户的用户画像;待检测用户的用户画像用于表征待检测用户的特征;获取待检测物品的物品特征;将待检测用户的用户画像和待检测物品的物品特征输入训练完成的神经网络中,得到待检测物品的评分;评分用于表征待检测用户对待检测物品的喜爱程度;根据各个待检测物品的评分,确定待推送物品,将待推送的物品对应的信息推送至待检测用户。上述信息推送方法、装置、计算机设备和存储介质能够提高信息推送的准确性。
Description
技术领域
本申请涉及计算机技术技术领域,特别是涉及一种信息推送方法、装置、计算机设备和存储介质。
背景技术
推荐***(RS)是一种向目标用户推荐他可能感兴趣物品的软件工具和技术。目前,推荐***相关的研究主要有三个模型,基于内容推荐算法(CB)、基于协同过滤的推荐算法(CF)、混合推荐算法。基于内容推荐算法依赖物品和用户的描述内容来构建其特征表示,然后基于这些特征表示来推荐相关物品的信息给用户。协同过滤算法基于用户对商品的评分或其他行为模式为用户提供个性化的推荐。混合推荐算法通过组合多种推荐***避免各个推荐***的弱点,有加权式、切换式、混杂式、特征组合、层叠式、特征补充、级联式。
然而,传统的信息推送方法存在推送准确性低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高准确性的信息推送方法、装置、计算机设备和存储介质。
一种信息推送方法,所述方法包括:
获取待检测用户的静态特征和动态特征;所述静态特征为所述待检测用户的属性特征,所述动态特征为所述待检测用户的购买信息和浏览信息;
基于所述待检测用户的静态特征和动态特征构建待检测用户的用户画像;所述待检测用户的用户画像用于表征所述待检测用户的特征;
获取待检测物品的物品特征;
将所述待检测用户的用户画像和所述待检测物品的物品特征输入训练完成的神经网络中,得到所述待检测物品的评分;所述评分用于表征所述待检测用户对所述待检测物品的喜爱程度;
根据各个所述待检测物品的评分,确定待推送物品,将所述待推送的物品对应的信息推送至所述待检测用户。
在其中一个实施例中,获取待检测用户的动态特征,包括:
获取待检测用户的购买信息和浏览信息,根据所述购买信息生成购买标签,根据所述浏览信息生成浏览标签;
获取各个所述购买标签的第一权重,以及各个所述浏览标签的第二权重;
基于各个所述购买标签以及对应的第一权重,各个所述浏览标签以及对应的第二权重,生成所述待检测用户的动态特征。
在其中一个实施例中,所述方法还包括:
当所述待检测用户的购买信息发生变化时,更新所述待检测用户的购买标签以及各个所述购买标签的第一权重;
当所述待检测用户的浏览信息发生变化时,更新所述待检测用户的浏览标签以及各个所述浏览标签的第二权重;
基于更新后的各个所述购买标签以及对应的第一权重、更新后的各个所述浏览标签以及对应的第二权重,生成所述待检测用户的动态特征。
在其中一个实施例中,还包括:
获取购买过所述待检测物品的所有用户对应的第一参考权重,以及浏览过所述待检测物品的所有用户对应的第二参考权重;所述所有用户中包括所述待检测用户;
对购买过所述待检测物品的所有用户对应的第一参考权重进行归一化处理,得到所述待检测用户的购买标签的第一权重;
对浏览过所述待检测物品的所有用户对应的第二参考权重进行归一化处理,得到所述待检测用户的浏览标签的第二权重。
在其中一个实施例中,所述根据各个所述待检测物品的评分,确定待推送物品,包括:
获取各个所述待检测物品的评分,将所述评分高于第一分数的待检测物品确定为待推送物品。
在其中一个实施例中,所述根据各个所述待检测物品的评分,确定待推送物品包括:
当所述待检测用户得到的各个所述待检测物品的评分均小于第二分数时,获取购买次数最多的物品;
将所述购买次数最多的物品对应的信息推送至所述待检测用户。
一种神经网络的训练方法,所述方法包括:
获取多个用户的用户画像,以及多个已知评分的物品的物品特征;
将多个用户的所述用户画像逐一输入神经网络中,将多个物品特征逐一输入神经网络中,得到每一个用户对每一个所述物品的预测评分;
根据所述物品的预测评分与所述物品的已知评分,确定损失值;
根据所述损失值调整所述神经网络的参数,直到所述损失值小于阈值,或者迭代调整次数达到阈值,所述神经网络训练完成。
一种信息推送装置,所述装置包括:
用户特征获取模块,用于获取待检测用户的静态特征和动态特征;所述静态特征为所述待检测用户的属性特征,所述动态特征为所述待检测用户的购买信息和浏览信息;
用户画像构建模块,用于基于所述待检测用户的静态特征和动态特征构建待检测用户的用户画像;所述待检测用户的用户画像用于表征所述待检测用户的特征;
物品特征获取模块,用于获取待检测物品的物品特征;
评分获取模块,用于将所述待检测用户的用户画像和所述待检测物品的物品特征输入训练完成的神经网络中,得到所述待检测物品的评分;所述评分用于表征所述待检测用户对所述待检测物品的喜爱程度;
推送模块,用于根据各个所述待检测物品的评分,确定待推送物品,将所述待推送的物品对应的信息推送至所述待检测用户。
一种神经网络的训练装置,所述装置包括:
获取模块,用于获取多个用户的用户画像,以及多个已知评分的物品的物品特征;
输入模块,用于将多个用户的所述用户画像逐一输入神经网络中,将多个物品特征逐一输入神经网络中,得到每一个用户对每一个所述物品的预测评分;
损失值确定模块,用于根据所述物品的预测评分与所述物品的已知评分,确定损失值;
参数调整模块,用于根据所述损失值调整所述神经网络的参数,直到所述损失值小于阈值,或者迭代调整次数达到阈值,所述神经网络训练完成。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
上述信息推送方法、装置、计算机设备和存储介质,获取待检测用户的静态特征和动态特征;基于待检测用户的静态特征和动态特征构建待检测用户的用户画像,该用户画像结合了用户的属性特征、购买信息和浏览信息,可以更全面、更准确地表达用户的特征;获取待检测物品的物品特征;将待检测用户的用户画像和待检测物品的物品特征输入训练完成的神经网络中,可以得到神经网络预测的待检测用户对该待检测物品的评分;根据各个待检测物品的评分,可以确定更加准确的待推送物品,将待推送的物品对应的信息推送至待检测用户,可以提高信息推送的准确性。
附图说明
图1为一个实施例中信息推送方法的应用环境图;
图2为一个实施例中信息推送方法的流程示意图;
图3为一个实施例中神经网络的示意图;
图4为一个实施例中生成动态特征步骤的流程示意图;
图5为另一个实施例中生成动态特征步骤的流程示意图;
图6为一个实施例中信息推送装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的信息推送方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。终端102可以将待检测用户的数据和待检测物品的数据发送至服务器104。服务器104接收到用户的数据和待检测物品的数据之后,可以生成待检测用户的静态特征和动态特征,基于待检测用户的静态特征和动态特征构建待检测用户的用户画像;根据待检测物品的数据可以生成物品的物品特征;将待检测用户的用户画像和待检测物品的物品特征输入训练完成的神经网络中,得到待检测物品的评分;根据各个待检测物品的评分,确定待推送物品,将待推送的物品对应的信息推送至待检测用户。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种信息推送方法,包括以下步骤:
步骤202,获取待检测用户的静态特征和动态特征;静态特征为待检测用户的属性特征,动态特征为待检测用户的购买信息和浏览信息。
计算机设备获取待检测用户的静态特征和动态特征。待检测用户的静态特征可以包括待检测用户的性别、年龄、学历、职业、工作、住址所属区域等人口统计学特征,还可以包括总消费金额、平均每单的消费金额、单笔最高消费金额、总下单次数、总浏览量等商业维度特征,不限于此。
待检测用户的静态特征可以用以下公式进行表示:statici=(si1,si2,...,sin)。其中,statici表示待检测用户i的n维的静态特征;sjn是每一个维度的特征,如性别、年龄等。
待检测用户的动态特征包括了待检测用户的购买信息和浏览信息。其中,购买信息可以包括购买时刻、购买金额、购买数量、购买物品等信息,浏览信息可以包括浏览时刻、浏览时长、浏览物品、浏览频率等信息。
待检测用户的动态特征可以用以下公式进行表示:dynamici=(Xi,p,Yi,P)。其中,dynamici是待检测用户i的动态特征,Xi,p是待检测用户的购买信息,Yi,P是待检测用户的浏览信息。
步骤204,基于待检测用户的静态特征和动态特征构建待检测用户的用户画像;待检测用户的用户画像用于表征待检测用户的特征。
可以理解的是,计算机设备不仅仅基于待检测用户的属性特征即静态特征去构建待检测用户的用户画像,还基于待检测用户的购买信息和浏览信息即动态特征去构建待检测用户的用户画像,则构建得到的待检测用户的用户画像更加全面,可以更加准确地表征待检测用户的特征。
待检测用户的动态特征可以用以下公式进行表示:userprofilei=(statici,dynamici)。其中,userprofilei指的是待检测用户i的用户画像,statici表示待检测用户i的静态特征,dynamici是待检测用户i的动态特征。
步骤206,获取待检测物品的物品特征。
计算机设备获取多个待检测物品的物品特征,物品特征可以包括待检测物品的类别、制造商、价格、库存数量、卖出数量等。
待检测物品的物品特征可以用以下公式进行表示:itemj=(v1,v2,...,vk)。其中,itemj指的是待检测物品j的物品特征,包含了k个维度的物品特征,vk指的是第k个维度的物品特征。
步骤208,将待检测用户的用户画像和待检测物品的物品特征输入训练完成的神经网络中,得到待检测物品的评分;评分用于表征待检测用户对待检测物品的喜爱程度。
深度神经网络作为一种非线性模型,具有很强的拟合能力,可以学习不同特征之间的关系,模拟待检测用户对待检测物品的评分,提高对待检测物品的评分的准确性。当神经网络输出的待检测物品的评分越高,表示神经网络预测待检测用户对该待检测物品的喜爱程度越高。
具体地,计算机设备将待检测用户的用户画像和待检测物品的物品特征进行one-hot编码处理,得到编码后的用户画像和编码后的物品特征。对待检测用户的用户画像进行编码,公式如下:Ui=(onehot(statici),dynamici)。其中,Ui指的是编码后的待检测用户的用户画像,statici表示待检测用户i的静态特征,dynamici是待检测用户i的动态特征。对待检测物品的物品特征进行编码,公式如下:Vj=onehot(itemj)。其中,Vj指的是编码后的待检测物品j的物品特征,itemi指的是编码前的待检测物品j的物品特征。
在一个实施例中,可以将编码后的待检测用户的用户画像和编码后的待检测物品的物品特征进行合并,得到合并数据,将合并数据输入训练完成的神经网络中。
合并数据可以通过以下公式得到:x0=combine(Ui,Vj)。其中,x0指的是合并数据,Uj指的是编码后的待检测用户i的用户画像,Vj指的是编码后的待检测物品j的物品特征。combine函数是将Uj和Vj两个特征向量进行合并,如Uj=(1,2,3),Vj=(4,5,6),则x0=combine(Ui,Vj)=(1,2,3,4,5,6)。
在一个实施例中,如图3所示,将待检测用户的用户画像302和待检测物品的物品特征304作为输入数据,输入神经网络306中,可以得到神经网络306预测的待检测用户对待检测物品的评分308。在神经网络306中,包括了输入层、多个隐藏层和输出层。将待检测用户的用户画像302和待检测物品的物品特征304输入输入层,得到的输出作为下一层即第一层隐藏层的输入,最后一层隐藏层的输出作为输出层的输入,最终得到输出层的输出,即神经网络预测待检测用户对待检测物品的评分308。
每一层的输出可以用以下公式计算得到:xl=ReLU(Wl*xl-1+b1)。其中,xl是第l层的输出,W1是第l层的权重,xl-1是第1-1层的输出,即第l层的输入,b1是第l层的偏移值,ReLU为激活函数。
神经网络的最后一层,即输出层的输出可以用以下公式计算得到:
其中,是输出层的输出,Wout是输出层的权重,xl是最后一层隐藏层第l层的输出,即输出层的输入,bout是输出层的偏移值,softmax是输出层的激活函数。
进一步地,可以通过以下公式得到评分308,
其中,是神经网络预测的待检测用户对待检测物品的评分,argmax是对函数求参数(集合)的函数,/>是输出层的输出。
步骤210,根据各个待检测物品的评分,确定待推送物品,将待推送的物品对应的信息推送至待检测用户。
可选地,获取各个待检测物品的评分,可以将评分最高的待检测物品作为待推送物品,将待推送物品对应的信息推送至待检测用户;也可以将评分次高的待检测物品作为待推送物品,将待推送物品对应的信息推送至待检测用户。可选地,确定的待推送物品可以是一个或者多个,如将评分高于4.0的待检测物品作为待推送物品。
上述信息推送方法,获取待检测用户的静态特征和动态特征;基于待检测用户的静态特征和动态特征构建待检测用户的用户画像,该用户画像结合了用户的属性特征、购买信息和浏览信息,可以更全面、更准确地表达用户的特征;获取待检测物品的物品特征;将待检测用户的用户画像和待检测物品的物品特征输入训练完成的神经网络中,可以得到神经网络预测的待检测用户对该待检测物品的评分;根据各个待检测物品的评分,可以确定更加准确的待推送物品,将待推送的物品对应的信息推送至待检测用户,可以提高信息推送的准确性。
在一个实施例中,上述方法还包括:对神经网络进行训练,包括:获取多个用户的用户画像,以及多个已知评分的物品的物品特征;将多个用户的用户画像逐一输入神经网络中,将多个物品特征逐一输入神经网络中,得到每一个用户对每一个物品的预测评分;根据物品的预测评分与物品的已知评分,确定损失值;根据损失值调整神经网络的参数,直到损失值小于阈值,或者迭代调整次数达到阈值,神经网络训练完成。
损失值越小,表示神经网络预测的用户对物品的预测评分,与该用户对该物品的已知评分即实际评分越接近,则神经网络越准确。
损失值可以通过以下公式计算得到:其中,loss是损失值,y表示已知评分即实际评分的集合,/>是预测评分的集合,d是y和/>的维度,如d=5,表示5个维度。
在对神经网络训练的过程中,还可以采用采用了adam算法,使得神经网络收敛的更快,从而加速了学习速度和效果。
在一个实施例中,如图4所示,获取待检测用户的动态特征,包括:
步骤402,获取待检测用户的购买信息和浏览信息,根据购买信息生成购买标签,根据浏览信息生成浏览标签。
购买信息指的是待检测用户购买过的物品的信息。浏览信息指的是待检测用户浏览过的物品的信息。一个购买信息可以生成一个或者多个购买标签,一个浏览信息也可以一个或者多个浏览标签。可以理解的是,一个物品可以包含多个维度的特征,例如,购买信息为口红,则购买标签可以是化妆品,也可以是消费品;浏览信息为手机,则浏览标签可以是通信产品,也可以是游戏产品。
步骤404,获取各个购买标签的第一权重,以及各个浏览标签的第二权重。
计算机设备可以获取各个购买标签的第一权重,以及各个浏览标签的第二权重。第一权重与第二权重可以相同,也可以不同。
具体地,获取待检测物品的购买频率、待检测用户购买过的所有物品的数量以及购买过该待检测物品的用户的数量,根据待检测物品的购买频率、待检测用户购买过的所有物品的数量以及购买过该待检测物品的用户的数量确定该待检测物品的购买标签的第一权重。获取待检测物品的浏览频率、待检测用户浏览过的所有物品的数量以及浏览过该待检测物品的用户的数量,根据待检测物品的浏览频率、待检测用户浏览过的所有物品的数量以及浏览过该待检测物品的用户的数量确定该待检测物品的浏览标签的第二权重。
第一权重与第二权重均可以通过以下公式计算得到:
其中,pfij表示待检测物品pj在待检测用户i中的交互频率,即购买频率或者浏览频率。当pfij为购买频率时、N为待检测用户购买过的所有物品的数量,nj为购买过该待检测物品的用户的数量,wi,j为第一权重。当pfij为浏览频率时、N为待检测用户浏览过的所有物品的数量,nj为浏览过该待检测物品的用户的数量,wi,j为第二权重。
步骤406,基于各个购买标签以及对应的第一权重,各个浏览标签以及对应的第二权重,生成待检测用户的动态特征。
具体地,基于各个购买标签以及对应的第一权重生成购买特征向量,基于各个浏览标签以及对应的第二权重生成浏览特征向量,根据购买特征向量和浏览特征向量生成待检测用户的动态特征。
购买特征向量可以通过以下公式得到:
其中,Xi,p是购买特征向量,pm是待检测物品的购买标签,是购买标签Pm的第一权重。
浏览特征向量可以通过以下公式得到:
其中,Yi,P是浏览特征向量,Pm是待检测物品的浏览标签,是浏览标签Pm的第一权重。
待检测用户的动态特征可以通过以下公式得到:dynamici=(Xi,p,Yi,P)。其中,dynamici是待检测用户i的动态特征,Xi,p是购买特征向量,Yi,P是浏览特征向量。
在本实施例中,通过获取待检测用户的购买信息和浏览信息分别生成购买标签和浏览标签,再获取购买标签的第一权重,以及浏览标签的第二权重,可以构建更准确的待检测用户的动态特征。
在一个实施例中,如图5所示,上述方法还包括:
步骤502,当待检测用户的购买信息发生变化时,更新待检测用户的购买标签以及各个购买标签的第一权重。
当计算机设备检测到待检测用户的购买信息发生变化时,更新待检测用户的购买标签,并更新各个购买标签的第一权重。
进一步地,基于各个购买标签以及对应的第一权重生成购买特征向量,更新购买特征向量。
步骤504,当待检测用户的浏览信息发生变化时,更新待检测用户的浏览标签以及各个浏览标签的第二权重。
当计算机设备检测到待检测用户的浏览信息发生变化时,更新待检测用户的浏览标签,并更新各个浏览标签的第二权重。
进一步地,基于各个浏览标签以及对应的第二权重生成浏览特征向量,更新浏览特征向量。
步骤506,基于更新后的各个购买标签以及对应的第一权重、更新后的各个浏览标签以及对应的第二权重,生成待检测用户的动态特征。
进一步地,基于更新后的各个购买标签以及对应的第一权重生成更新后的购买特征向量,基于更新后的各个浏览标签以及对应的第二权重生成更新后的浏览特征向量,根据更新后的购买特征向量和更新后的浏览特征向量生成待检测用户的动态特征。
在本实施例中,当计算机设备检测到待检测用户的购买信息或者浏览信息发生变化时,则对购买标签以及购买标签的第一权重进行更新,或者对浏览标签以及浏览标签的第二权重进行更新,可以实时根据待检测用户最新的购买信息和浏览信息生成更准确的待检测用户的动态特征,从而构建出更准确的待检测用户的用户画像。
在一个实施例中,上述方法还包括:获取购买过待检测物品的所有用户对应的第一参考权重,以及浏览过待检测物品的所有用户对应的第二参考权重;所有用户中包括待检测用户;对购买过待检测物品的所有用户对应的第一参考权重进行归一化处理,得到待检测用户的购买标签的第一权重;对浏览过待检测物品的所有用户对应的第二参考权重进行归一化处理,得到待检测用户的浏览标签的第二权重。
具体地,计算机设备获取购买过该待检测物品的所有用户对应的第一参考权重,从所有第一参考权重中确定最高的第一参考权重和最低的第一参考权重,并获取该待检测用户对应的该待检测物品归一化之前的第一参考权重,根据最高的第一参考权重、最低的第一参考权重和归一化之前的第一参考权重进行归一化处理,得到待检测用户的购买标签的第一权重。
同样地,计算机设备获取购买过该待检测物品的所有用户对应的第二参考权重,从所有第二参考权重中确定最高的第二参考权重和最低的第二参考权重,并获取该待检测用户对应的该待检测物品归一化之前的第二参考权重,根据最高的第二参考权重、最低的第二参考权重和归一化之前的第二参考权重进行归一化处理,得到待检测用户的购买标签的第二权重。
归一化处理可以通过以下公式计算得到:
其中,当wi,j是待检测用户对应的该待检测物品归一化之前的第一参考权重,min为最低的第一参考权重,max为最高的第一参考权重,则wi,j *是归一化处理之后得到的第一权重。当wi,j是待检测用户对应的该待检测物品归一化之前的第二参考权重,min为最低的第二参考权重,max为最高的第二参考权重,则wi,j *是归一化处理之后得到的第二权重。
在本实施例中,对第一参考权重进行归一化处理,对第二参考权重进行归一化处理,可以避免用户的购买量对物品的权重的影响,可以得到更准确的第一权重和第二权重。
在一个实施例中,根据各个待检测物品的评分,确定待推送物品,包括:获取各个待检测物品的评分,将评分高于第一分数的待检测物品确定为待推送物品。
当神经网络输出的待检测用户对待检测物品的评分越高,表示神经网络预测的待检测用户对该待检测物品的喜爱程度越高,则可以获取评分高于第一分数的待检测物品为待推送物品,将待推送物品对应的信息推送至待检测用户,可以提高信息推送的准确性。
在一个实施例中,根据各个所述待检测物品的评分,确定待推送物品,包括:当待检测用户得到的各个待检测物品的评分均小于第二分数时,获取购买次数最多的物品;将购买次数最多的物品对应的信息推送至待检测用户。
当神经网络预测待检测用户对每个待检测物品的评分均小于第二分数时,认为神经网络所得到的评分是异常的。因此,计算机设备获取购买次数最多的物品,即最畅销的物品,将该物品对应的信息推送至待检测用户,可以避免神经网络在异常的情况下推送用户不感兴趣的信息,提高信息推送的准确性。
在一个实施例中,一种神经网络的训练方法,包括:获取多个用户的用户画像,以及多个已知评分的物品的物品特征;将多个用户的用户画像逐一输入神经网络中,将多个物品特征逐一输入神经网络中,得到每一个用户对每一个物品的预测评分;根据物品的预测评分与物品的已知评分,确定损失值;根据损失值调整神经网络的参数,直到损失值小于阈值,或者迭代调整次数达到阈值,神经网络训练完成。
损失值越小,表示神经网络预测的用户对物品的预测评分,与该用户对该物品的已知评分即实际评分越接近,则神经网络越准确。
损失值可以通过以下公式计算得到:其中,loss是损失值,y表示已知评分即实际评分的集合,/>是预测评分的集合,d是y和/>的维度,如d=5,表示5个维度。
在对神经网络训练的过程中,还可以采用采用了adam算法,使得神经网络收敛的更快,从而加速了学习速度和效果。
应该理解的是,虽然图2、图4和图5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、图4和图5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种信息推送装置600,包括:用户特征获取模块602、用户画像构建模块604、物品特征获取模块606、评分获取模块608和推送模块610,其中:
用户特征获取模块602,用于获取待检测用户的静态特征和动态特征;静态特征为待检测用户的属性特征,动态特征为待检测用户的购买信息和浏览信息。
用户画像构建模块604,用于基于待检测用户的静态特征和动态特征构建待检测用户的用户画像;待检测用户的用户画像用于表征待检测用户的特征。
物品特征获取模块606,用于获取待检测物品的物品特征。
评分获取模块608,用于将待检测用户的用户画像和待检测物品的物品特征输入训练完成的神经网络中,得到待检测物品的评分;评分用于表征待检测用户对待检测物品的喜爱程度。
推送模块610,用于根据各个待检测物品的评分,确定待推送物品,将待推送的物品对应的信息推送至待检测用户。
上述信息推送装置,获取待检测用户的静态特征和动态特征;基于待检测用户的静态特征和动态特征构建待检测用户的用户画像,该用户画像结合了用户的属性特征、购买信息和浏览信息,可以更全面、更准确地表达用户的特征;获取待检测物品的物品特征;将待检测用户的用户画像和待检测物品的物品特征输入训练完成的神经网络中,可以得到神经网络预测的待检测用户对该待检测物品的评分;根据各个待检测物品的评分,可以确定更加准确的待推送物品,将待推送的物品对应的信息推送至待检测用户,可以提高信息推送的准确性。
在一个实施例中,上述用户特征获取模块602还用于获取待检测用户的购买信息和浏览信息,根据购买信息生成购买标签,根据浏览信息生成浏览标签;获取各个购买标签的第一权重,以及各个浏览标签的第二权重;基于各个购买标签以及对应的第一权重,各个浏览标签以及对应的第二权重,生成待检测用户的动态特征。
在一个实施例中,上述信息推送装置600还包括更新模块,用于当待检测用户的购买信息发生变化时,更新待检测用户的购买标签以及各个购买标签的第一权重;当待检测用户的浏览信息发生变化时,更新待检测用户的浏览标签以及各个浏览标签的第二权重;基于更新后的各个购买标签以及对应的第一权重、更新后的各个浏览标签以及对应的第二权重,生成待检测用户的动态特征。
在一个实施例中,上述信息推送装置600还包括归一化处理模块,用于获取购买过待检测物品的所有用户对应的第一参考权重,以及浏览过待检测物品的所有用户对应的第二参考权重;所有用户中包括待检测用户;对购买过待检测物品的所有用户对应的第一参考权重进行归一化处理,得到待检测用户的购买标签的第一权重;对浏览过待检测物品的所有用户对应的第二参考权重进行归一化处理,得到待检测用户的浏览标签的第二权重。
在一个实施例中,上述推送模块610还用于获取各个待检测物品的评分,将评分高于第一分数的待检测物品确定为待推送物品。
在一个实施例中,上述推送模块610还用于当待检测用户得到的各个待检测物品的评分均小于第二分数时,获取购买次数最多的物品;将购买次数最多的物品对应的信息推送至待检测用户。
在一个实施例中,提供了一种神经网络的训练装置,包括:获取模块、输入模块、损失值确定模块和参数调整模块,其中:
获取模块,用于获取多个用户的用户画像,以及多个已知评分的物品的物品特征。
输入模块,用于将多个用户的用户画像逐一输入神经网络中,将多个物品特征逐一输入神经网络中,得到每一个用户对每一个物品的预测评分。
损失值确定模块,用于根据物品的预测评分与物品的已知评分,确定损失值。
参数调整模块,用于根据损失值调整神经网络的参数,直到损失值小于阈值,或者迭代调整次数达到阈值,神经网络训练完成。
关于信息推送装置的具体限定可以参见上文中对于信息推送方法的限定,在此不再赘述。上述信息推送装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种信息推送方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种信息推送方法,所述方法包括:
获取待检测用户的购买信息和浏览信息,根据所述购买信息生成购买标签,根据所述浏览信息生成浏览标签;
获取各个所述购买标签的第一权重,以及各个所述浏览标签的第二权重;所述第一权重是根据待检测物品的购买频率、所述待检测用户购买过的所有物品的数量以及购买过所述待检测物品的用户数量确定的;所述第二权重是根据所述待检测物品的浏览频率、所述待检测用户浏览过的所有物品的数量以及浏览过所述待检测物品的用户数量确定的;
基于各个所述购买标签以及对应的第一权重,各个所述浏览标签以及对应的第二权重,生成所述待检测用户的动态特征;
获取待检测用户的静态特征;所述静态特征为所述待检测用户的属性特征,所述静态特征包括人口统计学特征和商业维度特征;
基于所述待检测用户的静态特征和动态特征构建所述待检测用户的用户画像;所述待检测用户的用户画像用于表征所述待检测用户的特征;
获取所述待检测物品的物品特征;
将所述待检测用户的用户画像和所述待检测物品的物品特征输入训练完成的神经网络中,得到所述待检测物品的评分;所述评分用于表征所述待检测用户对所述待检测物品的喜爱程度;
根据各个所述待检测物品的评分,确定待推送物品,将所述待推送的物品对应的信息推送至所述待检测用户;
其中,第一权重与第二权重的计算公式为:
其中,pfij表示待检测物品pj在待检测用户i中的交互频率,即购买频率或者浏览频率;当pfij为购买频率时、N为待检测用户购买过的所有物品的数量,nj为购买过该待检测物品的用户的数量,wi,j为第一权重;当pfij为浏览频率时、N为待检测用户浏览过的所有物品的数量,nj为浏览过该待检测物品的用户的数量,wi,j为第二权重。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当所述待检测用户的购买信息发生变化时,更新所述待检测用户的购买标签以及各个所述购买标签的第一权重;
当所述待检测用户的浏览信息发生变化时,更新所述待检测用户的浏览标签以及各个所述浏览标签的第二权重;
基于更新后的各个所述购买标签以及对应的第一权重、更新后的各个所述浏览标签以及对应的第二权重,生成所述待检测用户的动态特征。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取购买过所述待检测物品的所有用户对应的第一参考权重,以及浏览过所述待检测物品的所有用户对应的第二参考权重;所述所有用户中包括所述待检测用户;
对购买过所述待检测物品的所有用户对应的第一参考权重进行归一化处理,得到所述待检测用户的购买标签的第一权重;
对浏览过所述待检测物品的所有用户对应的第二参考权重进行归一化处理,得到所述待检测用户的浏览标签的第二权重。
4.根据权利要求3所述的方法,其特征在于,所述对购买过所述待检测物品的所有用户对应的第一参考权重进行归一化处理,得到所述待检测用户的购买标签的第一权重;对浏览过所述待检测物品的所有用户对应的第二参考权重进行归一化处理,得到所述待检测用户的浏览标签的第二权重,包括:
获取购买过所述待检测物品的所有用户分别对应的第一参考权重,获取所述待检测用户对应的所述待检测物品归一化之前的第一参考权重;
从各个第一参考权重中确定最高的第一参考权重和最低的第一参考权重;
根据所述最高的第一参考权重、所述最低的第一参考权重和所述归一化之前的第一参考权重进行归一化处理,得到所述待检测用户的购买标签的第一权重;
获取浏览过所述待检测物品的所有用户分别对应的第二参考权重,获取所述待检测用户对应的所述待检测物品归一化之前的第二参考权重;
从各个第二参考权重中确定最高的第二参考权重和最低的第二参考权重;
根据所述最高的第二参考权重、所述最低的第二参考权重和所述归一化之前的第二参考权重进行归一化处理,得到所述待检测用户的浏览标签的第二权重。
5.根据权利要求1至4任意一项所述的方法,其特征在于,所述根据各个所述待检测物品的评分,确定待推送物品,包括:
获取各个所述待检测物品的评分,将所述评分高于第一分数的待检测物品确定为待推送物品。
6.根据权利要求1至4任意一项所述的方法,其特征在于,所述根据各个所述待检测物品的评分,确定待推送物品,包括:
当所述待检测用户得到的各个所述待检测物品的评分均小于第二分数时,获取购买次数最多的物品;
将所述购买次数最多的物品对应的信息推送至所述待检测用户。
7.一种神经网络的训练方法,所述方法包括:
获取多个用户的用户画像,以及多个已知评分的物品的物品特征;所述用户画像用于表征用户的特征,所述用户画像是基于用户的静态特征和动态特征构建的;所述动态特征是通过获取用户的购买信息和浏览信息,根据所述购买信息生成购买标签,根据所述浏览信息生成浏览标签,获取各个所述购买标签的第一权重,以及各个所述浏览标签的第二权重,基于各个所述购买标签以及对应的第一权重,各个所述浏览标签以及对应的第二权重生成的;所述第一权重是根据待检测物品的购买频率、待检测用户购买过的所有物品的数量以及购买过所述待检测物品的用户数量确定的;所述第二权重是根据所述待检测物品的浏览频率、所述待检测用户浏览过的所有物品的数量以及浏览过所述待检测物品的用户数量确定的;所述静态特征为用户的属性特征,所述静态特征包括人口统计学特征和商业维度特征;
将多个用户的所述用户画像逐一输入神经网络中,将多个物品特征逐一输入神经网络中,得到每一个用户对每一个所述物品的预测评分;
根据所述物品的预测评分与所述物品的已知评分,确定损失值;
根据所述损失值调整所述神经网络的参数,直到所述损失值小于阈值,或者迭代调整次数达到阈值,所述神经网络训练完成;
其中,第一权重与第二权重的计算公式为:
其中,pfij表示待检测物品pj在待检测用户i中的交互频率,即购买频率或者浏览频率;当pfij为购买频率时、N为待检测用户购买过的所有物品的数量,nj为购买过该待检测物品的用户的数量,wi,j为第一权重;当pfij为浏览频率时、N为待检测用户浏览过的所有物品的数量,nj为浏览过该待检测物品的用户的数量,wi,j为第二权重。
8.一种信息推送装置,其特征在于,所述装置包括:
用户特征获取模块,用于获取待检测用户的购买信息和浏览信息,根据所述购买信息生成购买标签,根据所述浏览信息生成浏览标签;获取各个所述购买标签的第一权重,以及各个所述浏览标签的第二权重;所述第一权重是根据待检测物品的购买频率、待检测用户购买过的所有物品的数量以及购买过所述待检测物品的用户数量确定的;所述第二权重是根据所述待检测物品的浏览频率、所述待检测用户浏览过的所有物品的数量以及浏览过所述待检测物品的用户数量确定的;基于各个所述购买标签以及对应的第一权重,各个所述浏览标签以及对应的第二权重,生成所述待检测用户的动态特征;获取待检测用户的静态特征;所述静态特征为所述待检测用户的属性特征,所述静态特征包括人口统计学特征和商业维度特征;
其中,第一权重与第二权重的计算公式为:
其中,pfij表示待检测物品pj在待检测用户i中的交互频率,即购买频率或者浏览频率;当pfij为购买频率时、N为待检测用户购买过的所有物品的数量,nj为购买过该待检测物品的用户的数量,wi,j为第一权重;当pfij为浏览频率时、N为待检测用户浏览过的所有物品的数量,nj为浏览过该待检测物品的用户的数量,wi,j为第二权重;
用户画像构建模块,用于基于所述待检测用户的静态特征和动态特征构建待检测用户的用户画像;所述待检测用户的用户画像用于表征所述待检测用户的特征;
物品特征获取模块,用于获取所述待检测物品的物品特征;
评分获取模块,用于将所述待检测用户的用户画像和所述待检测物品的物品特征输入训练完成的神经网络中,得到所述待检测物品的评分;所述评分用于表征所述待检测用户对所述待检测物品的喜爱程度;
推送模块,用于根据各个所述待检测物品的评分,确定待推送物品,将所述待推送的物品对应的信息推送至所述待检测用户。
9.一种神经网络的训练装置,其特征在于,所述装置包括:
获取模块,用于获取多个用户的用户画像,以及多个已知评分的物品的物品特征;所述用户画像用于表征用户的特征,所述用户画像是基于用户的静态特征和动态特征构建的;所述动态特征是通过获取用户的购买信息和浏览信息,根据所述购买信息生成购买标签,根据所述浏览信息生成浏览标签,获取各个所述购买标签的第一权重,以及各个所述浏览标签的第二权重,基于各个所述购买标签以及对应的第一权重,各个所述浏览标签以及对应的第二权重生成的;所述第一权重是根据待检测物品的购买频率、待检测用户购买过的所有物品的数量以及购买过所述待检测物品的用户数量确定的;所述第二权重是根据所述待检测物品的浏览频率、所述待检测用户浏览过的所有物品的数量以及浏览过所述待检测物品的用户数量确定的;所述静态特征为用户的属性特征,所述静态特征包括人口统计学特征和商业维度特征;
其中,第一权重与第二权重的计算公式为:
其中,pfij表示待检测物品pj在待检测用户i中的交互频率,即购买频率或者浏览频率;当pfij为购买频率时、N为待检测用户购买过的所有物品的数量,nj为购买过该待检测物品的用户的数量,wi,j为第一权重;当pfij为浏览频率时、N为待检测用户浏览过的所有物品的数量,nj为浏览过该待检测物品的用户的数量,wi,j为第二权重;
输入模块,用于将多个用户的所述用户画像逐一输入神经网络中,将多个物品特征逐一输入神经网络中,得到每一个用户对每一个所述物品的预测评分;
损失值确定模块,用于根据所述物品的预测评分与所述物品的已知评分,确定损失值;
参数调整模块,用于根据所述损失值调整所述神经网络的参数,直到所述损失值小于阈值,或者迭代调整次数达到阈值,所述神经网络训练完成。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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7中任一项所述方法的步骤。
11.一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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911132486.3A CN111161009B (zh) | 2019-11-19 | 2019-11-19 | 信息推送方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911132486.3A CN111161009B (zh) | 2019-11-19 | 2019-11-19 | 信息推送方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111161009A CN111161009A (zh) | 2020-05-15 |
CN111161009B true CN111161009B (zh) | 2023-11-07 |
Family
ID=70555927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911132486.3A Active CN111161009B (zh) | 2019-11-19 | 2019-11-19 | 信息推送方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111161009B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950907B (zh) * | 2020-08-13 | 2024-01-16 | 中诚信息服务(深圳)有限公司 | 信息生成方法、装置、电子设备和计算机可读介质 |
CN113763019A (zh) * | 2021-01-28 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种用户信息管理方法和装置 |
CN113256368B (zh) * | 2021-04-30 | 2022-02-18 | 索信达(北京)数据技术有限公司 | 产品推送方法、装置、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109189944A (zh) * | 2018-09-27 | 2019-01-11 | 桂林电子科技大学 | 基于用户正负反馈画像编码的个性化景点推荐方法及*** |
CN109299396A (zh) * | 2018-11-28 | 2019-02-01 | 东北师范大学 | 融合注意力模型的卷积神经网络协同过滤推荐方法及*** |
CN109785045A (zh) * | 2018-12-14 | 2019-05-21 | 深圳壹账通智能科技有限公司 | 一种基于用户行为数据的推送方法和装置 |
CN110009401A (zh) * | 2019-03-18 | 2019-07-12 | 康美药业股份有限公司 | 基于用户画像的广告投放方法、装置和存储介质 |
-
2019
- 2019-11-19 CN CN201911132486.3A patent/CN111161009B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109189944A (zh) * | 2018-09-27 | 2019-01-11 | 桂林电子科技大学 | 基于用户正负反馈画像编码的个性化景点推荐方法及*** |
CN109299396A (zh) * | 2018-11-28 | 2019-02-01 | 东北师范大学 | 融合注意力模型的卷积神经网络协同过滤推荐方法及*** |
CN109785045A (zh) * | 2018-12-14 | 2019-05-21 | 深圳壹账通智能科技有限公司 | 一种基于用户行为数据的推送方法和装置 |
CN110009401A (zh) * | 2019-03-18 | 2019-07-12 | 康美药业股份有限公司 | 基于用户画像的广告投放方法、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111161009A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210279552A1 (en) | Method for making recommendations to a user and apparatus, computing device, and storage medium | |
CN111815415B (zh) | 一种商品推荐方法、***及设备 | |
KR102122373B1 (ko) | 사용자 포트레이트를 획득하는 방법 및 장치 | |
CN108509573B (zh) | 基于矩阵分解协同过滤算法的图书推荐方法及*** | |
KR20200123015A (ko) | 정보를 추천하는 방법, 장치, 기기 및 저장 매체 | |
CN109783730A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN111161009B (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
CN110598845A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN110162993B (zh) | 脱敏处理方法、模型训练方法、装置和计算机设备 | |
CN110910199A (zh) | 项目信息的排序方法、装置、计算机设备及存储介质 | |
US11853901B2 (en) | Learning method of AI model and electronic apparatus | |
CN109801101A (zh) | 标签确定方法、装置、计算机设备和存储介质 | |
US20210217053A1 (en) | Methods and apparatuses for selecting advertisements using semantic matching | |
CN110598084A (zh) | 对象排序方法、商品排序方法、装置及电子设备 | |
CN109063120B (zh) | 一种基于聚类的协同过滤推荐方法和装置 | |
CN116108267A (zh) | 一种推荐方法及相关设备 | |
CA3111094A1 (en) | Noise contrastive estimation for collaborative filtering | |
CN109656433B (zh) | 类目信息处理方法、装置、计算机设备和存储介质 | |
CN114756758B (zh) | 一种混合推荐方法和*** | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN110837596B (zh) | 一种智能推荐方法、装置、计算机设备及存储介质 | |
CN113393303A (zh) | 物品推荐方法、装置、设备及存储介质 | |
CN113486248A (zh) | 一种应用程序中功能模块的推荐方法及装置 | |
CN113379482B (zh) | 一种物品推荐方法、计算设备以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB02 | Change of applicant information |
Address after: 511300 No.78, west of Zhucun Avenue, Zhucun street, Zengcheng District, Guangzhou City, Guangdong Province Applicant after: CHINA ELECTRONIC PRODUCT RELIABILITY AND ENVIRONMENTAL TESTING Research Institute (THE FIFTH ELECTRONIC Research Institute OF MIIT)(CEPREI LABORATORY)) Address before: 510610 No. 110 Zhuang Road, Tianhe District, Guangdong, Guangzhou, Dongguan Applicant before: CHINA ELECTRONIC PRODUCT RELIABILITY AND ENVIRONMENTAL TESTING Research Institute (THE FIFTH ELECTRONIC Research Institute OF MIIT)(CEPREI LABORATORY)) |
|
CB02 | Change of applicant information | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |