CN111340522A - 资源推荐方法、装置、服务器及存储介质 - Google Patents

资源推荐方法、装置、服务器及存储介质 Download PDF

Info

Publication number
CN111340522A
CN111340522A CN201911398736.8A CN201911398736A CN111340522A CN 111340522 A CN111340522 A CN 111340522A CN 201911398736 A CN201911398736 A CN 201911398736A CN 111340522 A CN111340522 A CN 111340522A
Authority
CN
China
Prior art keywords
candidate resource
resource object
feature
features
objects
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.)
Granted
Application number
CN201911398736.8A
Other languages
English (en)
Other versions
CN111340522B (zh
Inventor
杜敏
苏建安
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.)
Alipay Labs Singapore Pte Ltd
Original Assignee
Alipay Labs Singapore Pte 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 Alipay Labs Singapore Pte Ltd filed Critical Alipay Labs Singapore Pte Ltd
Priority to CN201911398736.8A priority Critical patent/CN111340522B/zh
Publication of CN111340522A publication Critical patent/CN111340522A/zh
Application granted granted Critical
Publication of CN111340522B publication Critical patent/CN111340522B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0239—Online discounts or incentives
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0259—Targeted advertisements based on store location
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0261—Targeted advertisements based on user location

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本说明书实施例提供了一种资源推荐方法、装置、服务器及存储介质：通过组合预估模型将候选资源对象的资源对象特征与用户特征进行特征交叉，得到包含多阶交叉特征的组合特征，根据组合特征对候选资源对象进行用户点击率预估，得到候选资源对象的CTR预估结果，根据M个候选资源对象中每个候选资源对象的CTR预估结果，从M个候选资源对象中确定出目标资源对象，并向目标用户推荐确定出的目标资源对象。

Description

资源推荐方法、装置、服务器及存储介质
技术领域
本说明书实施例涉及互联网技术领域，尤其涉及一种资源推荐方法、装置、服务器及存储介质。
背景技术
在计算机领域中存在各种各样的电子资源，这些资源能够被相应的对象使用，来实现该电子资源的功能。不同用户的兴趣爱好不同，因此对电子资源的偏好不同。比如：共享存储空间、电子数据(比如视频、音频、文档)、电子优惠券等等。
比如，以优惠券为例，电子商务和O2O等线上商务得到了蓬勃发生，各类平台为支持商家更好地运营，建设了丰富的基础能力。电商平台一般会通过优惠劵刺激用户消费。电商平台向线上商户发布优惠券活动进行招商。线上商户通过线上进行活动申请提供优惠券。不同用户的兴趣爱好不同，因此有不同的商品偏好，需要个性化推荐不同的优惠劵给不同的用户，以推荐最合适的优惠券给用户。
发明内容
本说明书实施例提供一种资源推荐方法、装置、服务器及存储介质，以提高了资源推荐的准确性和合理性，进而避免资源推荐不准确导致的重复向用户资源推荐，从而节省了网络传输资源。
第一方面，本说明书实施例提供一种资源推荐方法，包括：获取目标用户的用户特征以及M个候选资源对象的资源对象特征，M为正整数；针对所述M个候选资源对象分别进行CTR预估，得到所述M个候选资源对象中每个候选资源对象的CTR预估结果；其中，所述针对所述M个候选资源对象分别进行CTR预估包括：针对每个候选资源对象，通过组合预估模型将所述候选资源对象的资源对象特征与所述用户特征进行特征交叉，得到所述候选资源对象的组合特征，并根据所述组合特征对所述候选资源对象进行CTR预估，得到所述候选资源对象的CTR预估结果，其中，所述组合特征包括根据所述组合预估模型的多层因子分解机子模型得到的线性特征、组内交叉特征和组间交叉特征，以及根据所述组合预估模型的神经网络子模型得到的高阶交叉特征；根据所述M个候选资源对象中每个候选资源对象的CTR预估结果，从所述M个候选资源对象中确定出目标资源对象，并向所述目标用户推荐所述目标资源对象。
第二方面，本说明书实施例提供一种资源推荐装置，包括：特征提取单元，用于获取目标用户的用户特征以及M个候选资源对象的资源对象特征，M为正整数；CTR预估单元，用于针对所述M个候选资源对象分别进行CTR预估，得到所述M个候选资源对象中每个候选资源对象的CTR预估结果；其中，所述针对所述M个候选资源对象分别进行CTR预估包括：针对每个候选资源对象，通过组合预估模型将所述候选资源对象的资源对象特征与所述用户特征进行特征交叉，得到所述候选资源对象的组合特征，并根据所述组合特征对所述候选资源对象进行CTR预估，得到所述候选资源对象的CTR预估结果，其中，所述组合特征包括根据所述组合预估模型的多层因子分解机子模型得到的线性特征、组内交叉特征和组间交叉特征，以及根据所述组合预估模型的神经网络子模型得到的高阶交叉特征；资源推荐单元，用于根据所述M个候选资源对象中每个候选资源对象的CTR预估结果，从所述M个候选资源对象中确定出目标资源对象，并向所述目标用户推荐所述目标资源对象。
第三方面，本说明书实施例提供一种服务器，包括存储器、处理器及存储在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程序时实现上述任一项所述资源推荐方法的步骤。
第四方面，本说明书实施例提供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上述任一项所述资源推荐方法的步骤。
本说明书实施例提供的技术方案，至少实现了如下有益效果或者优点：
通过组合预估模型将候选资源对象的资源对象特征与用户特征进行特征交叉，得到的组合特征包括根据组合预估模型的多层因子分解机子模型得到的线性特征、组内交叉特征和组间交叉特征，以及根据组合预估模型的神经网络子模型得到的高阶交叉特征；根据候选资源对象的组合特征进行CTR预测，得到候选资源对象的CTR预估结果，根据M个候选资源对象中每个候选资源对象的CTR预估结果，从M个候选资源对象中目标资源对象并向目标用户推荐目标资源对象。通过上述技术方案，使得对于候选资源对象的CTR预测会同时受到一阶的线性特征、二阶的组内交叉特征、以及三、四阶组间交叉特征，以及更高阶组合特征的同时影响。丰富了用于对候选资源对象进行点击率预测的特征信息，更多阶交叉特征能够反映候选资源对象的特性，从而能够更准确预测出候选资源对象的点击率，进而能够提高向用户推荐资源的准确性、合理性，从而能够一次性准确向用户推荐资源，进而避免向同一用户多次推荐资源，从而节省了网络传输资源。
附图说明
图1为应用本说明书实施例中资源推荐方法的***架构图；
图2为本说明书实施例第一方面资源推荐方法的流程图；
图3为本说明书实施例中资源推荐方法一具体实例所用FM子模型的架构示意图；
图4为本说明书实施例第二方面资源推荐装置的结构示意图；
图5为本说明书实施例第三方面资源推荐服务器的结构示意图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本说明书实施例的技术方案做详细的说明，应当理解本说明书实施例以及实施例中的具体特征是对本说明书实施例技术方案的详细的说明，而不是对本说明书技术方案的限定，在不冲突的情况下，本说明书实施例以及实施例中的技术特征可以相互组合。
请参见图1，图1为应用本说明书实施例中资源推荐方法的***架构图，该资源推荐方法包括：
商户设备10，商户设备10包含多个(图1中示意出2个商户设备10)，每个商户设备10提供候选资源对象。用户设备20，用户设备20包含多个(图1中示意图4个用户设备)，每个用户设备20获取候选资源对象并使用候选资源对象。服务器30，可以是电商平台的服务器。服务器30针对目标用户获取候选资源对象，根据目标用户的用户特征和候选资源对象的资源对象特征进行特征交叉，得到组合特征，根据组合特征对该候选资源对象进行CTR评估，根据该候选资源对象CTR评估结果确定是否向目标用户推荐该候选资源对象。
本说明书实施例中的商户设备10、用户设备20具体可以是智能手机、台式电脑、平板电脑、笔记本电脑、数字助理、智能可穿戴设备等类型的实体设备，运行的操作***可以包括但不限于安卓***、IOS***、linux、windows等。所述服务器30可以包括一个独立运行的服务器，或者分布式服务器，或者由多个服务器组成的服务器集群。
本说明书实施例中，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
第一方面，本说明书实施例提供一种资源推荐方法，应用于图1所示的***架构图的服务器30中。下面，结合图2所示对本说明书实施例提供的资源推荐方法进行描述。
如图2所示，本说明书实施例提供的资源推荐方法包括如下步骤：
S201、获取目标用户的用户特征以及M个候选资源对象的资源对象特征，M为正整数。
在本说明书实施例中，M个候选资源对象是针对目标用户召回的资源对象。具体的，可以是基于LBS(Location Based Service，基于位置的服务)召回策略，召回用于提供给目标用户的一个以上候选资源对象。其中，召回候选资源对象的数量M决定于目标用户当前实时位置周围的资源对象数量和LBS召回策略中预设的距离值决定。举例来讲，可以是召回在目标用户的当前实时位置的10km范围内的候选资源对象。
具体来讲，通过如下步骤获得M个候选资源对象：根据LBS召回策略，召回在目标用户的预设距离范围内的商户设备所提供的候选资源对象，得到用于提供给目标用户的M个候选资源对象。
在本说明书实施例中，不同的应用场景，对应不同的候选资源对象。就应用场景是针对线下商户推荐类型的APP而言的商户推荐场景，候选资源对象具体可以为：线下商户向用户提供的权益资源对象，比如，线下商户向用户提供的优惠券、兑换券、折扣券等等。则召回在目标用户的当前实时位置的预设距离范围内的商户设备所提供的优惠券。比如，召回在目标用户的当前实时位置的1000m内的商户设备所提供的优惠券。
当然，候选资源对象也可以是线下商户的提供的介绍信息文件，则召回在目标用户的当前实时位置的预设距离范围内的一个以上商户设备发出的介绍信息文件。就应用场景是地图APP的地图上功能点推荐而言，则候选资源对象是在目标用户的预设距离范围内的某种或者多种类型的功能点。比如，在目标用户的预设距离范围内的加油站、高速服务站、超市、酒店等等。就短视频推荐场景而言，候选资源对象是短视频，则召回在目标用户的当前实时位置的预设举例范围内的其他用户发布的短视频。
在具体实施过程中，目标用户的多维用户特征包括：目标用户的年龄特征、性别特征以及用户偏好特征等等。具体的，通过对目标用户使用APP的历史行为记录数据进行处理，得到该目标用户的用户偏好特征。其中，目标用户的历史行为记录数据包括：记录的目标用户在历史时间段内领取、核销资源对象等历史行为，就优惠券而言，目标用户在历史时间段内领取、核销优惠券的历史行为。举例来讲，历史行为记录数据包括：记录的目标用户在历史时间段内浏览短视频的视频类型、浏览时长等等。
而年龄特征、性别等是根据存储在服务器上的用户信息得到。应用场景不同，对应的用户偏好特征的类型完全不同或者部分不同。就所应用场景是针对线下商户推荐类型的APP而言，用户偏好信息可以是消费金额等级(预设的多个消费金额分段中属于哪个分段)、消费类型偏好(美食、电影演出、医疗健康、休闲娱乐、购物、运动健身、生活出行等消费类型中的一种或者多种)。以应用场景是针对地图类APP而言，用户偏好信息具体为生活轨迹偏好(生活轨迹偏好为美食、电影演出、医疗健康、休闲娱乐、购物、运动健身、生活出行等生活轨迹偏好中的一种或者多种)。
不同应用场景下，获取的候选资源对象的资源对象特征可能完全不同或者部分不同，以候选资源对象是优惠券为例，资源对象特征包括：该优惠券的行业归属，比如为服装、食品、建材、或者数码产品；该优惠券的优惠金额、优惠折扣等优惠值、优惠门槛、优惠通用度等等。需要说明的是，优惠金额和优惠折扣表征优惠真实能减的金额大小或比例，优惠门槛表征达到使用优惠券的难易程度，比如：可以通过满减券的门槛条件、兑换券的商品原价确定。比如，某个满减券是满100元减10元，则优惠门槛是100元。比如某个兑换券是兑换100元以下商品，优惠门槛是100元。优惠通用度表征该优惠券的适用范围大小，比如：全场通用券适用于所有商品，但是蛋奶兑换券只适用于指定商品。
上述以候选资源对象为优惠券为例时的资源对象特征仅用于举例说明。当候选资源对象为其他类型时，资源对象特征包含哪些，可以根据实际的资源属性确定，为了说明书的简洁，在此不再赘述。
S202、针对M个候选资源对象分别进行CTR预估，得到M个候选资源对象中每个候选资源对象的CTR预估结果。
具体的，所述针对所述M个候选资源对象分别进行CTR预估包括：针对每个候选资源对象，分别通过如下步骤S2021～S2022进行CTR预估，从而，得到M个候选资源对象对应的M个CTR预测结果：
S2021、通过组合预估模型将候选资源对象的资源对象特征与用户特征进行特征交叉，得到候选资源对象的组合特征，其中，组合特征包括根据组合预估模型的多层因子分解机子模型得到的线性特征、组内交叉特征和组间交叉特征，以及根据组合预估模型的神经网络子模型得到的高阶交叉特征。
在本说明书实施例中，对原始组合模型经过层次化改进得到的改进后组合模型包含：多层因子分解机子模型和神经网络子模型。原始组合模型是包含神经网络子模型以及支持单层特征交叉的因子分解机子模型。基于训练样本数据联合训练经过上述层次化改进得到的改进后组合模型，以调整改进后组合模型的每个权值矩阵，得到组合预估模型。多层因子分解机子模型至少包含两层特征交叉。在具体实施过程中，组合预估模型可以为：经过层次化改进DeepFM(Deep Factorization Machines，深度因子分解)模型、或者层次化改进XdeepFM得到的改进后组合模型进行训练得到的组合预估模型。训练得到的预估模型结合了广度和深度模型的优点。
就层次化改进DeepFM得到的组合预估模型而言，是由FM(FactorizationMachines，因子分解机)子模型和DNN(Deep Neural Networks，深度神经网络)子模型构成的并行结构，FM子模型和DNN子模型共享同样的输入：都是使用对用户特征以及M个候选资源对象的资源对象特征经过分组和嵌入处理后的embedding特征向量。多层FM子模型通过对N个原始特征分组种的特征进行特征交叉(相乘或求笛卡尔积)而形成一阶的线性特征以及二、三、四阶的交叉特征。DNN子模型通过对N个原始特征分组进行特征交叉而形成更高阶交叉特征(五、六阶交叉特征等等)。
下面，结合图3(图中的一个圆圈表示一维特征)对本说明书实施例中基于多层因子分解机子模型构造组内交叉特征和组间特征的过程进行更详细描述：即具体包括如下步骤1～4：
步骤1、对用户特征和候选资源对象的资源对象特征经过分组和嵌入处理，得到候选资源对象的N个原始特征分组，N为正整数。
具体的，将获取的候选资源对象的多维用户特征和多维资源对象特征中，属于同一类型的特征划分至同一原始特征分组中，从而得到N个原始特征分组，原始特征分组的数量有特征类型的多少决定。根据m维原始特征(即：各种用户特征和各种资源对象特征)的特征类型，对如下m维原始特征field_0,field_1，…，field_m进行分组。形成如下N个特征分组：group_0，gropu_1，…，group_n，以及对每个特征分组内的各维原始特征进行embeddings(即嵌入处理)，对应得到N个原始特征分组。经过embeddings算法的处理，将为稀疏特征的m维原始特征进行降维，具体是通过embedding层的权重矩阵计算来降低维度，得到N个原始特征分组中每个原始特征分组中的embedding特征向量。
步骤2、通过多层因子分解机子模型对N个原始特征分组进行组内特征交叉，得到候选资源对象的N组组内交叉结果。
具体的，对N个原始特征分组中的embedding特征向量进行组内特征交叉，得到N组组内交叉结果，即：对group_0中的embedding特征向量进行交叉，得到第一组组内交叉结果；对gropu_1中的embedding特征向量进行交叉，得到第二组组内交叉结果；…，对group_m中的embedding特征向量进行交叉，得到第三组组内交叉结果。需要说明的是，针对N个原始特征分组中每个原始特征分组内的embedding特征向量进行特征交叉，得到N组组内交叉结果中均是二阶交叉特征。
步骤3、通过多层因子分解机子模型，对候选资源对象的N组组内交叉结果和N个原始特征分组进行特征相加、组间特征交叉以及整合N个原始特征分组中的原始特征，产出候选资源对象的线性特征、组内交叉特征以及组间交叉特征。
具体来讲，结合图3对上述步骤3进行更详细的描述:
步骤3A:对候选资源对象的N组组内交叉结果进行嵌入处理，以及对N个原始特征分组的原始特征进行嵌入处理，形成候选资源对象的N个中间特征分组。
具体来讲，经过中间的embeding层实现对每组组内交叉结果进行embeddings(即：嵌入处理)，该组组内交叉结果经embeddings后得到的embeddings特征向量，与产生该组内交叉结果的原始特征分组内的embedding特征向量，组成了一个中间特征分组，从而对应N个原始特征分组与N个原始特征分组的，共形成了N个中间特征分组。由此可以看出，同一中间特征分组内既包含组内交叉特征(二阶)的embedding特征向量，又包含原始特征(一阶)的embedding特征向量。含二阶交叉特征，所形成的N个中间特征分组内的embedding特征向量是用于进行组间交叉的特征。
步骤3B:对候选资源对象的N个中间特征分组进行组间特征交叉，形成候选资源对象的组间交叉特征。具体来讲，是对N个中间特征分组的embedding特征向量进行组间特征交叉，产出的是三阶的组间交叉特征、以及四阶的组间交叉特征，
步骤3C：对候选资源对象的N个中间特征分组进行特征相加，得到候选资源对象的组内交叉特征。
然后，再将二阶的组内交叉特征、三阶、四阶的组间交叉特征与一阶的embedding特征向量进行整合。使得最终多层因子分解机子模型产出的一阶的线性特征(包括：原始特征、线性组合特征)、二阶的组内交叉特征和三阶、四阶的组间交叉特征。
步骤4、通过神经网络子模型对N个原始特征分组进行特征交叉，构造出候选资源对象的高阶交叉特征。
其中，本说明书实施例中，针对每个候选资源对象，分别通过神经网络子模型得到该候选资源对象的高阶交叉特征，具体过程包括如下步骤：
将N个原始特征分组中的embedding特征向量输入至神经网络子模型(比如：DNN模型)，通过特征的层层向下传递，得到该候选资源对象的高阶交叉特征。在本说明书实施例中，高阶交叉特征包括五阶及其以上的交叉特征，具体使用几种阶数的高阶交叉特征，可以根据实际需求设置神经网络子模型的结构。
S2022、根据组合特征对候选资源对象进行CTR(Click Through Rate，点击率)预估，得到候选资源对象的CTR预估结果。
将通过两个子模型得到的多阶的组合特征，通过输出单元(Output Units)进行输出，得到对得到候选资源对象的CTR预估结果，即：将多阶的组合特征输入输出单元，基于sidmoid激活函数得到CTR预估结果。
S203、根据M个候选资源对象中每个候选资源对象的CTR预估结果，从M个候选资源对象中确定出目标资源对象，并向目标用户推荐目标资源对象。
需要说明的是，M个候选资源对象中每个候选资源对象的CTR预估结果，包含对每个候选资源对象的点击率预估结果。在一可选的实施方式下，根据对M个候选资源对象中每个候选资源对象的CTR预估结果，对M个候选资源对象进行资源排序。根据资源排序结果和展示坑位数量，确定出排序在前的多个候选资源对象，向目标用户推荐确定出的多个候选资源对象。
在另一可选的实施方式下，具体包括如下步骤：获取M候选资源对象的优先级干预信息；整合M候选资源对象的优先级干预信息和M个候选资源对象中每个候选资源对象的CTR预估结果，得到M候选资源对象的最终推荐排序；根据展示坑位数量和最终推荐排序，从M个候选资源对象中确定出目标资源对象。
具体来讲，优先级干预信息，是提高特定资源对象的推荐优先级，在具体实施过程中，特定资源对象可以是已投放广告的商户的优惠券，即广告优惠券。就地图场景而言，特定资源对象可以是用户指定类型的功能点，比如，加油站。比如，以广告优惠券进行举例来讲：如果在未提高广告优惠券的推荐优先级之前，该广告优惠券已在推荐排序内，则将该广告优惠券的推荐优先级提高至排序首位，得到最终推荐排序；如果在未提高广告优惠券的推荐优先级之前，广告优惠券不在推荐排序内，则将将该广告优惠券的推荐优先级提高至推荐排序内的末尾，以得到最终推荐排序。
下面，以优惠券为例给出一交互实施例：用户A在使用某一线下商户APP过程中，在到达某一商场B时，响应于用户A的搜索操作或者没有任何用户操作触发，召回在用户A的当前实时位置(B商场)的1000m内的所有商户提供的所有优惠券，作为候选优惠券，假如，召回20个线下商户提供的30个候选优惠券。提取召回的所有候选优惠券的优惠券特征和用户A的用户特征，通过前述组合预估模型对每个候选优惠券的优惠券特征和用户A的用户特征进行特征交叉，得到该候选优惠券的组合特征包含一阶的线性特征和多阶的交叉特征，根据每个候选优惠券各自的组合特征进行该候选优惠券的点击率预估，得到30个候选优惠券中每个候选优惠券的点击率预估结果。最后，根据点击率对30个候选优惠券进行排序，展示坑位有5个，则向用户A推荐最终推荐排序在前3的3个优惠券。
通过上述技术方案，使得对于候选资源对象的CTR预测会同时受到一阶的线性特征、二阶的组内交叉特征、以及三、四阶组间交叉特征，以及更高阶组合特征的同时影响。丰富了特征信息，从而能够更好的反映出资源的特性，进而能够更准确预测出针对目标用户对召回的每个候选优惠券的点击率，基于点击率排序结果向用户推荐排序在前的多个优惠券，能够提高向用户推荐资源的准确性、合理性，以确保一次性向用户推荐资源成功，避免反复多次无效的推荐。
第二方面，基于与前述实施例中资源推荐方法同样的发明构思，本说明书实施例提供一种资源推荐装置，参考图4所示，该资源推荐装置包括：
特征提取单元401，用于获取目标用户的用户特征以及M个候选资源对象的资源对象特征，M为正整数；
CTR预估单元402，用于针对所述M个候选资源对象分别进行CTR预估，得到所述M个候选资源对象中每个候选资源对象的CTR预估结果：
其中，所述针对所述M个候选资源对象分别进行CTR预估，包括：针对每个候选资源对象，通过组合预估模型将所述候选资源对象的资源对象特征与所述用户特征进行特征交叉，得到所述候选资源对象的组合特征，并根据所述组合特征对所述候选资源对象进行CTR预估，得到所述候选资源对象的CTR预估结果，其中，所述组合特征包括根据所述组合预估模型的多层因子分解机子模型得到的线性特征、组内交叉特征和组间交叉特征，以及根据所述组合预估模型的神经网络子模型得到的高阶交叉特征；
资源推荐单元403，用于根据所述M个候选资源对象中每个候选资源对象的CTR预估结果，从所述M个候选资源对象中确定出目标资源对象，并向所述目标用户推荐所述目标资源对象。
在一可选的实施方式下，所述CTR预估单元，包括：
特征预处理子单元，用于对所述用户特征和所述候选资源对象的资源对象特征经过分组和嵌入处理，得到所述候选资源对象的N个原始特征分组，N为正整数；
组内交叉子单元，用于通过所述多层因子分解机子模型对所述N个原始特征分组进行组内特征交叉，得到所述候选资源对象的N组组内交叉结果；
组间交叉子单元，用于通过所述多层因子分解机子模型，对所述候选资源对象的N组组内交叉结果和所述N个原始特征分组进行特征相加、组间特征交叉以及整合所述N个原始特征分组中的原始特征，产出所述候选资源对象的线性特征、组内交叉特征以及组间交叉特征；
高阶交叉子单元，用于通过所述神经网络子模型对所述N个原始特征分组进行特征交叉，构造出所述候选资源对象的高阶交叉特征。
在一可选的实施方式下，所述组间交叉子单元，具体用于：
对所述候选资源对象的N组组内交叉结果进行嵌入处理，以及对所述N个原始特征分组的原始特征进行嵌入处理，形成所述候选资源对象的N个中间特征分组；
对所述候选资源对象的N个中间特征分组进行组间特征交叉，形成所述候选资源对象的组间交叉特征；
对所述候选资源对象的N个中间特征分组进行特征相加，得到所述候选资源对象的组内交叉特征。
在一可选的实施方式下，所述装置还包括资源召回单元，用于通过如下步骤获得所述M个候选资源对象：
根据基于位置的服务LBS召回策略，召回在所述目标用户的实时位置的预设距离范围内商户设备所提供的候选资源对象，得到所述M个候选资源对象。
在一可选的实施方式下，所述资源推荐单元403，具体用于：
获取所述M候选资源对象的优先级干预信息；
整合所述M候选资源对象的优先级干预信息和所述M个候选资源对象中每个候选资源对象的CTR预估结果，得到所述M候选资源对象的最终推荐排序；
根据展示坑位数量和所述最终推荐排序，从所述M个候选资源对象中确定出所述目标资源对象。
第三方面，基于与前述实施例中资源推荐方法同样的发明构思，本说明书实施例还提供一种服务器，如图5所示，包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序，所述处理器502执行所述程序时实现前文所述资源推荐方法下任意实施方式的步骤。
其中，在图5中，总线架构(用总线500来代表)，总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口506在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理，而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
第四方面，基于与前述实施例中资源推荐的发明构思，本说明书实施例还提供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前文所述资源推荐方法下任意实施方式的步骤。
本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的设备。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令设备的制造品，该指令设备实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本说明书的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本说明书范围的所有变更和修改。
显然，本领域的技术人员可以对本说明书进行各种改动和变型而不脱离本说明书的精神和范围。这样，倘若本说明书的这些修改和变型属于本说明书权利要求及其等同技术的范围之内，则本说明书也意图包含这些改动和变型在内。

Claims (12)

1.一种资源推荐方法，包括：
获取目标用户的用户特征以及M个候选资源对象的资源对象特征，M为正整数；
针对所述M个候选资源对象分别进行CTR预估，得到所述M个候选资源对象中每个候选资源对象的CTR预估结果；
其中，所述针对所述M个候选资源对象分别进行CTR预估包括：针对每个候选资源对象，通过组合预估模型将所述候选资源对象的资源对象特征与所述用户特征进行特征交叉，得到所述候选资源对象的组合特征，并根据所述组合特征对所述候选资源对象进行CTR预估，得到所述候选资源对象的CTR预估结果，其中，所述组合特征包括根据所述组合预估模型的多层因子分解机子模型得到的线性特征、组内交叉特征和组间交叉特征，以及根据所述组合预估模型的神经网络子模型得到的高阶交叉特征；
根据所述M个候选资源对象中每个候选资源对象的CTR预估结果，从所述M个候选资源对象中确定出目标资源对象，并向所述目标用户推荐所述目标资源对象。
2.如权利要求1所述的方法，所述通过组合预估模型将所述候选资源对象的资源对象特征与所述用户特征进行特征交叉，得到所述候选资源对象的组合特征，包括：
对所述用户特征和所述候选资源对象的资源对象特征经过分组和嵌入处理，得到所述候选资源对象的N个原始特征分组，N为正整数；
通过所述多层因子分解机子模型对所述N个原始特征分组进行组内特征交叉，得到所述候选资源对象的N组组内交叉结果；
通过所述多层因子分解机子模型，对所述候选资源对象的N组组内交叉结果和所述N个原始特征分组进行特征相加、组间特征交叉以及整合所述N个原始特征分组中的原始特征，产出所述候选资源对象的线性特征、组内交叉特征以及组间交叉特征；
通过所述神经网络子模型对所述N个原始特征分组进行特征交叉，构造出所述候选资源对象的高阶交叉特征。
3.如权利要求2所述的方法，所述通过所述多层因子分解机子模型，对所述候选资源对象的N组组内交叉结果和所述N个原始特征分组进行特征相加和组间特征交叉，包括：
对所述候选资源对象的N组组内交叉结果进行嵌入处理，以及对所述N个原始特征分组的原始特征进行嵌入处理，形成所述候选资源对象的N个中间特征分组；
对所述候选资源对象的N个中间特征分组进行组间特征交叉，形成所述候选资源对象的组间交叉特征；
对所述候选资源对象的N个中间特征分组进行特征相加，得到所述候选资源对象的组内交叉特征。
4.如权利要求1所述的方法，所述获得所述M个候选资源对象的步骤包括：
根据基于位置的服务LBS召回策略，召回在所述目标用户的实时位置的预设距离范围内商户设备所提供的候选资源对象，得到所述M个候选资源对象。
5.如权利要求1-4中任一项所述的方法，所述根据所述M个候选资源对象中每个候选资源对象的CTR预估结果，从所述M个候选资源对象中确定出目标资源对象，包括：
获取所述M候选资源对象的优先级干预信息；
整合所述M候选资源对象的优先级干预信息和所述M个候选资源对象中每个候选资源对象的CTR预估结果，得到所述M候选资源对象的最终推荐排序；
根据展示坑位数量和所述最终推荐排序，从所述M个候选资源对象中确定出所述目标资源对象。
6.一种资源推荐装置，包括：
特征提取单元，用于获取目标用户的用户特征以及M个候选资源对象的资源对象特征，M为正整数；
CTR预估单元，用于针对所述M个候选资源对象分别进行CTR预估，得到所述M个候选资源对象中每个候选资源对象的CTR预估结果：
其中，所述针对所述M个候选资源对象分别进行CTR预估包括：针对每个候选资源对象，通过组合预估模型将所述候选资源对象的资源对象特征与所述用户特征进行特征交叉，得到所述候选资源对象的组合特征，并根据所述组合特征对所述候选资源对象进行CTR预估，得到所述候选资源对象的CTR预估结果，其中，所述组合特征包括根据所述组合预估模型的多层因子分解机子模型得到的线性特征、组内交叉特征和组间交叉特征，以及根据所述组合预估模型的神经网络子模型得到的高阶交叉特征；
资源推荐单元，用于根据所述M个候选资源对象中每个候选资源对象的CTR预估结果，从所述M个候选资源对象中确定出目标资源对象，并向所述目标用户推荐所述目标资源对象。
7.如权利要求6所述的装置，所述CTR预估单元，包括：
特征预处理子单元，用于对所述用户特征和所述候选资源对象的资源对象特征经过分组和嵌入处理，得到所述候选资源对象的N个原始特征分组，N为正整数；
组内交叉子单元，用于通过所述多层因子分解机子模型对所述N个原始特征分组进行组内特征交叉，得到所述候选资源对象的N组组内交叉结果；
组间交叉子单元，用于通过所述多层因子分解机子模型，对所述候选资源对象的N组组内交叉结果和所述N个原始特征分组进行特征相加、组间特征交叉以及整合所述N个原始特征分组中的原始特征，产出所述候选资源对象的线性特征、组内交叉特征以及组间交叉特征；
高阶交叉子单元，用于通过所述神经网络子模型对所述N个原始特征分组进行特征交叉，构造出所述候选资源对象的高阶交叉特征。
8.如权利要求7所述的装置，所述组间交叉子单元，具体用于：
对所述候选资源对象的N组组内交叉结果进行嵌入处理，以及对所述N个原始特征分组的原始特征进行嵌入处理，形成所述候选资源对象的N个中间特征分组；
对所述候选资源对象的N个中间特征分组进行组间特征交叉，形成所述候选资源对象的组间交叉特征；
对所述候选资源对象的N个中间特征分组进行特征相加，得到所述候选资源对象的组内交叉特征。
9.如权利要求6所述的装置，所述装置还包括资源召回单元，用于通过如下步骤获得所述M个候选资源对象：
根据基于位置的服务LBS召回策略，召回在所述目标用户的实时位置的预设距离范围内商户设备所提供的候选资源对象，得到所述M个候选资源对象。
10.如权利要求6-9中任一项所述的装置，所述资源推荐单元，具体用于：
获取所述M候选资源对象的优先级干预信息；
整合所述M候选资源对象的优先级干预信息和所述M个候选资源对象中每个候选资源对象的CTR预估结果，得到所述M候选资源对象的最终推荐排序；
根据展示坑位数量和所述最终推荐排序，从所述M个候选资源对象中确定出所述目标资源对象。
11.一种服务器，包括存储器、处理器及存储在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程序时实现权利要求1-5任一项所述方法的步骤。
12.一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权利要求1-5任一项所述方法的步骤。
CN201911398736.8A 2019-12-30 2019-12-30 资源推荐方法、装置、服务器及存储介质 Active CN111340522B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911398736.8A CN111340522B (zh) 2019-12-30 2019-12-30 资源推荐方法、装置、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911398736.8A CN111340522B (zh) 2019-12-30 2019-12-30 资源推荐方法、装置、服务器及存储介质

Publications (2)

Publication Number Publication Date
CN111340522A true CN111340522A (zh) 2020-06-26
CN111340522B CN111340522B (zh) 2024-03-08

Family

ID=71179609

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911398736.8A Active CN111340522B (zh) 2019-12-30 2019-12-30 资源推荐方法、装置、服务器及存储介质

Country Status (1)

Country Link
CN (1) CN111340522B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113157951A (zh) * 2021-03-26 2021-07-23 北京达佳互联信息技术有限公司 一种多媒体资源的处理方法、装置、服务器及存储介质
CN113204697A (zh) * 2021-04-29 2021-08-03 五八有限公司 一种搜索方法、装置、电子设备及存储介质
CN113327131A (zh) * 2021-06-03 2021-08-31 太原理工大学 基于三支决策理论进行特征交互选择的点击率预估模型

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446005A (zh) * 2015-08-07 2017-02-22 谷歌公司 因子分解模型
WO2017084344A1 (zh) * 2015-11-16 2017-05-26 北京百度网讯科技有限公司 信息推荐的方法及装置
WO2018090793A1 (zh) * 2016-11-18 2018-05-24 腾讯科技（深圳）有限公司 多媒体推荐方法和装置
CN108132963A (zh) * 2017-11-23 2018-06-08 广州优视网络科技有限公司 资源推荐方法和装置、计算设备和存储介质
WO2018212711A1 (en) * 2017-05-19 2018-11-22 National University Of Singapore Predictive analysis methods and systems
WO2018212710A1 (en) * 2017-05-19 2018-11-22 National University Of Singapore Predictive analysis methods and systems
CN109408724A (zh) * 2018-11-06 2019-03-01 北京达佳互联信息技术有限公司 多媒体资源预估点击率的确定方法、装置及服务器
CN110008399A (zh) * 2019-01-30 2019-07-12 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
CN110020156A (zh) * 2017-12-07 2019-07-16 深圳市腾讯计算机***有限公司 信息推荐方法、前端实现方法、装置、设备和存储介质
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
WO2019141072A1 (zh) * 2018-01-22 2019-07-25 阿里巴巴集团控股有限公司 店铺信息推荐方法、装置及客户端
CN110162693A (zh) * 2019-03-04 2019-08-23 腾讯科技（深圳）有限公司 一种信息推荐的方法以及服务器
CN110263243A (zh) * 2019-01-23 2019-09-20 腾讯科技（深圳）有限公司 媒体信息推荐方法、装置、存储介质和计算机设备

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446005A (zh) * 2015-08-07 2017-02-22 谷歌公司 因子分解模型
WO2017084344A1 (zh) * 2015-11-16 2017-05-26 北京百度网讯科技有限公司 信息推荐的方法及装置
WO2018090793A1 (zh) * 2016-11-18 2018-05-24 腾讯科技（深圳）有限公司 多媒体推荐方法和装置
WO2018212711A1 (en) * 2017-05-19 2018-11-22 National University Of Singapore Predictive analysis methods and systems
WO2018212710A1 (en) * 2017-05-19 2018-11-22 National University Of Singapore Predictive analysis methods and systems
CN108132963A (zh) * 2017-11-23 2018-06-08 广州优视网络科技有限公司 资源推荐方法和装置、计算设备和存储介质
CN110020156A (zh) * 2017-12-07 2019-07-16 深圳市腾讯计算机***有限公司 信息推荐方法、前端实现方法、装置、设备和存储介质
WO2019141072A1 (zh) * 2018-01-22 2019-07-25 阿里巴巴集团控股有限公司 店铺信息推荐方法、装置及客户端
CN109408724A (zh) * 2018-11-06 2019-03-01 北京达佳互联信息技术有限公司 多媒体资源预估点击率的确定方法、装置及服务器
CN110263243A (zh) * 2019-01-23 2019-09-20 腾讯科技（深圳）有限公司 媒体信息推荐方法、装置、存储介质和计算机设备
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
CN110008399A (zh) * 2019-01-30 2019-07-12 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
CN110162693A (zh) * 2019-03-04 2019-08-23 腾讯科技（深圳）有限公司 一种信息推荐的方法以及服务器

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113157951A (zh) * 2021-03-26 2021-07-23 北京达佳互联信息技术有限公司 一种多媒体资源的处理方法、装置、服务器及存储介质
CN113204697A (zh) * 2021-04-29 2021-08-03 五八有限公司 一种搜索方法、装置、电子设备及存储介质
CN113327131A (zh) * 2021-06-03 2021-08-31 太原理工大学 基于三支决策理论进行特征交互选择的点击率预估模型

Also Published As

Publication number Publication date
CN111340522B (zh) 2024-03-08

Similar Documents

Publication Publication Date Title
Cui et al. Personalized travel route recommendation using collaborative filtering based on GPS trajectories
CN111242748B (zh) 用于向用户推荐项目的方法、装置和存储介质
CN110162693A (zh) 一种信息推荐的方法以及服务器
US8732015B1 (en) Social media pricing engine
CN111798280B (zh) 多媒体信息推荐方法、装置和设备及存储介质
EP4242955A1 (en) User profile-based object recommendation method and device
CN111340522B (zh) 资源推荐方法、装置、服务器及存储介质
CN111008335B (zh) 一种信息处理方法、装置、设备及存储介质
CN112070577A (zh) 一种商品推荐方法、***、设备及介质
CN112380449B (zh) 信息推荐方法、模型训练方法及相关装置
CN112288554B (zh) 商品推荐方法和装置、存储介质及电子装置
CN109034853A (zh) 基于种子用户寻找相似用户方法、装置、介质和电子设备
CN113781139A (zh) 物品推荐方法、物品推荐装置、设备和介质
CN111967924A (zh) 商品推荐方法、商品推荐装置、计算机设备和介质
CN114511387A (zh) 产品推荐方法、装置、电子设备及存储介质
CN111489196B (zh) 基于深度学习网络的预测方法、装置、电子设备及介质
CN114429384A (zh) 基于电商平台的产品智能推荐方法及***
CN113159877A (zh) 数据处理方法、装置、***、计算机可读存储介质
CN114596109A (zh) 推荐信息的确定方法、装置、电子设备及存储介质
CN110766478A (zh) 一种提高用户连接性的方法和装置
Liu et al. Customer preference analysis towards online shopping decisions based on optimized feature extraction
Smirnov et al. Multicriteria context-driven recommender systems: Model and method
Parveen et al. Enhancing recommendation quality of a multi criterion recommender system using genetic algorithm
WO2024012219A1 (zh) 一种模型的训练方法的相关装置
Abdaoui et al. Creating a Personalized Recommendation Framework in Smart Shopping by Using IoT Devices

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