CN112100489A - 对象推荐的方法、装置和计算机存储介质 - Google Patents
对象推荐的方法、装置和计算机存储介质 Download PDFInfo
- Publication number
- CN112100489A CN112100489A CN202010879004.7A CN202010879004A CN112100489A CN 112100489 A CN112100489 A CN 112100489A CN 202010879004 A CN202010879004 A CN 202010879004A CN 112100489 A CN112100489 A CN 112100489A
- Authority
- CN
- China
- Prior art keywords
- target object
- user
- target
- degree
- threshold
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
根据本公开的实施例,提供了对象推荐的方法、装置和计算机存储介质,可用于信息推荐。对象推荐的方法,包括:确定选择目标对象的至少一个参考用户,目标对象的关注度小于阈值关注度;基于至少一个参考用户的特征和目标用户的特征,确定至少一个参考用户与目标用户之间的第一匹配度,特征与参考用户对样本对象的历史选择相关联;以及如果第一匹配度大于第一阈值匹配度,将目标对象推荐给目标用户。根据本公开的方案,可以准确地表示新资源,从而更准确地向用户推荐新资源,提高资源分发率和用户体验。
Description
技术领域
本公开的实施例涉及信息推荐领域,并且更具体地,涉及对象推荐的方法、装置和计算机存储介质。
背景技术
随着互联网地快速发展,人们接受到的信息也在***式增长,推荐***需要在信息超载的情况下,为用户推荐其感兴趣的资源、从而提高用户体验并且提高资源的分发效率。新的资源和冷门资源(尤其是一些短视频资源)由于很难被充分的学习和表示,往往不被适当地推荐给用户。鉴于信息推荐在各种应用中的重要地位,因此,需要一种正确表示资源和推荐资源的方法。
发明内容
根据本公开的实施例,提供了一种对象推荐的方案。
在本公开的第一方面中,提供了一种对象推荐的方法,包括:确定选择目标对象的至少一个参考用户,目标对象的关注度小于阈值关注度;基于至少一个参考用户的特征和目标用户的特征,确定至少一个参考用户与目标用户之间的第一匹配度,特征与参考用户对样本对象的历史选择相关联;以及如果第一匹配度大于第一阈值匹配度,将目标对象推荐给目标用户。
在本公开的第二方面中,提供了一种对象推荐的装置,包括:第一参考用户确定模块,被配置为确定选择目标对象的至少一个参考用户,目标对象的关注度小于阈值关注度;第一匹配度确定模块,被配置为基于至少一个参考用户的特征和目标用户的特征,确定至少一个参考用户与目标用户之间的第一匹配度,特征与参考用户对样本对象的历史选择相关联;以及目标用户推荐模块,被配置为如果第一匹配度大于第一阈值匹配度,将目标对象推荐给目标用户。
在本公开的第三方面中,提供了一种电子设备,包括一个或多个处理器;以及存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现根据本公开的第一方面的方法。
在本公开的第四方面中,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现根据本公开的第一方面的方法。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标注表示相同或相似的元素,其中:
图1示出了本公开的多个实施例能够在其中实现的示例环境的示意图;
图2示出了根据本公开的一些实施例的对象推荐的过程的流程图;
图3示出了根据本公开的一些实施例的确定和更新初始标签的过程的流程图;
图4示出了根据本公开的一些实施例的确定最终标签的过程的流程图;
图5示出了根据本公开的一些实施例的对象推荐的过程的流程图;
图6示出了根据本公开的一些实施例的对象推荐的装置的示意性框图;以及
图7示出了能够实施本公开的多个实施例的计算设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
在本公开的实施例的描述中,术语“模型”可以从训练数据中学习到相应的输入与输出之间的关联,从而在训练完成后基于训练得到的参数集对给定的输入进行处理以生成对应的输出。“模型”有时也可以被称为“神经网络”、“学习模型”、“学习网络”或“网络”。这些术语在本文中可互换地使用。
术语“特征”是值通过一个低维的向量表示对象或用户。该特征向量的性质使距离相近的向量对应的物体有相近的含义。例如,两个对象汽车和数码产品都属于科技类物品,则汽车的特征向量和数码产品的特征向量在空间上距离比较接近。又比如用户A和用户B同时选择娱乐类信息作为感兴趣的标签,则用户A和用户B的特征在空间上距离比较接近。利用“特征”概念能够用低维向量对物体进行编码还能保留其含义的特点非常适合深度学习。
如以上提及的,需要一种正确表示资源和推荐资源的方法。在当前资源推荐方案中,主要存在如下三种模式:
(1)通过用户的历史点展训练,去拟合点击信息,从而得到用户与资源的向量表示,然后通过用户与资源的向量的内积标识用户与资源件的匹配度,以将相应的资源推荐给用户。此方法的缺点在于每天都会有大量的新资源涌入,由于新资源的历史点展信息比较少,模型无法很好地准确地表示新资源的向量。导致新资源分发效率比较低。
(2)向用户推荐和他兴趣相似的其他用户喜欢的资源,首先建立资源点击用户列表,通过点击用户来训练用户的共现关系,从而得到用户向量表示。然后通过用户相似度,计算每个用户和目标用户的相似度,对这些相似度进行排序,得到和用户兴趣相似的若干个用户的集合。最后向用户推荐与其兴趣相似的若干个用户喜欢的资源,要找到若干个用户喜欢而当前用户没看过的资源,然后计算用户与该资源之间的匹配度,根据匹配度对资源进行排序,以将相应的资源推荐给用户。此方法的缺点在于由于新资源没有得到高效地分发,导致用户所喜欢地资源没有被很好地分发,所以新资源也不会被高效地推荐给和其有相同爱好地用户。
(3)向用户推荐和其过去感兴趣的资源相似的资源。首先建立用户点击的资源列表,通过点击资源来训资源的共现关系,从而得到资源向量表示。然后从用户已经看过的感兴趣资源中选择若干个资源。接着计算用户从未看过的资源与若干个资源的匹配度,根据匹配度排序,推荐给用户匹配度较高的资源。此方法的缺点在于由于新资源地资源向量学习不够充分,导致在算新资源向量与之前喜欢地资源向量不够准确,导致新资源分发效率降低。
因此,需要一种高效、准确地推荐新资源以及准确地描述新资源的方法。
根据本公开的实施例,提出了一种对象推荐的方案。在该方案中,利用例如点击、分享、或发布过新资源的用户与当前用户匹配,确定是否推荐该新资源。在一些实施方式中,首先可以确定在历史上选择过目标对象的至少一个参考用户,该目标对象例如为新的或冷门的资源。然后通过该至少一个参考用户的特征和目标用户的特征,确定目标用户和参考用户之间的匹配度。参考用户的特征可以通过所述参考用户对样本对象的历史选择而被预先训练得到。如果所述匹配度大于阈值匹配度,则可以将目标对象推荐给目标用户。
在资源发布前期(或资源为冷门资源),通过被学习充分的参考用户(核心用户、种子用户)的特征来表示该新资源的特征,从而可以更准确、高效地将新资源推荐给其他用户,可以提高资源的点击到达率(Click-Through-Rate),并且提升用户体验。
以下参考附图来说明本公开的基本原理和若干示例实现。
图1示出了本公开的多个实施例能够在其中实现的示例环境100的示意图。应当理解,图1所示出的环境100仅仅是示例性的,而不应当构成对本公开所描述的实现的功能和范围的任何限制。如图1所示,环境100包括目标用户110、目标对象120、计算设备140、至少一个参考用户150、样本对象160、以及至少一个参考用户150对样本对象160的历史选择130。
目标用户110以及至少一个参考用户150可以是各种类型的应用的用户,该应用可以是包括推荐***的应用,包括但不限于购物应用、短视频应用、音乐应用、婚恋交友应用、新闻应用、贴吧应用、云盘存储应用、搜索应用等。本公开在此不做限制。
目标对象120、样本对象160可以是上述包括推荐***的应用中的商品、直播间、短视频、图片、音乐、人物信息等,目标对象可以是新发布的或者冷门的资源、样本对象可以是热门资源,样本对象可以是用于参考用户点击以得到点击历史从而作为输入得到用的特征表示的数据,样本对象可以是应用中的历史热门对象或其子集。目标用户110以及至少一个参考用户150在上述应用中接收被推荐的、与目标对象120、样本对象160相关的视频、图片、文字、语音或其组合。例如,用户进入新闻应用后,在显示界面中收到推荐的新闻的封面图片、新闻头条文字信息或视频信息。
请注意,对于不同的样本对象160和目标对象120,参考用户和目标用户可以互换,图1中只是示例性的,可以存在一个或多个参考用户以及目标用户,本公开不旨在限制。
计算设备140可以基于参考用户150对样本对象160的历史选择130,例如参考用户点击、转发、发布不同样本对象160的行为,来得到样本对象160和至少一个参考用户150的特征。这将在下文详细描述。
计算设备140可以基于上述特征,来对进入应用目标用户110的和目标对象120进行匹配,从而将目标对象120推荐给需要其的目标用户110。计算设备140还可以在不同阶段利用目标用户110的特征来更新目标对象120、和/或最终确定目标对象120的特征。并且利用该最终特征来推荐目标对象120。
虽然计算设备140被示出为包括历史选择130,计算设备140也可以是历史选择130之外的实体。计算设备140可以是任何具有计算能力的设备。作为非限制性示例,计算设备140可以是任意类型的固定计算设备、移动计算设备或便携式计算设备,包括但不限于台式计算机、膝上型计算机、笔记本计算机、上网本计算机、平板计算机、多媒体计算机、移动电话等;计算设备140的全部组件或一部分组件可以分布在云端。计算设备140至少包含处理器、存储器以及其他通常存在于通用计算机中的组件,以便实现计算、存储、通信、控制等功能。
以下结合图2至图5来进一步描述详细的对象推荐的过程。图2图示了根据本公开的实施例的对象推荐的方法200的流程图。方法200可以由图1中的计算设备140来实施。为便于描述,将参照图1来描述方法200。
在框210,计算设备140确定选择目标对象120的至少一个参考用户150,目标对象120的关注度小于阈值关注度。例如,计算设备140可以查看参考用户150的历史操作信息,如果参考用户150在历史上点击查看过该目标对象120、分享过该目标对象120或者是该目标对象120的发布者的粉丝,则可以确定选择过该目标对象120的参考用户120或参考用户120的集合。
在一个实施例中,计算设备140可以预先确定对象的关注度,该关注度指示该对象在相应的应用中被“火爆”程度,例如对象被选择的频率、对象被推荐的次数、对象被选择的次数和对象被创建的时间。计算设备可以获取上述信息以判断该对象是否为新发布的对象或者冷门对象,该目标对象120可以是新发布的对象,或者没有过多互动信息的长尾对象。
在一个示例中,计算设备140可以每隔一段时间重新确定对象的关注度,并且将新发布的对象或者冷门对象确定为目标对象120,计算设备可以将目标对象120的集合存储在数据库中以便后续使用。
在一个实施例中,当计算设备140确定了选择过该目标对象120,即冷门对象的参考用户120的集合后,计算设备会进一步确定参考用户120的集合中的核心参考用户。在一个示例中,可以通过将选择过多种类型的对象的边缘用户从参考用户120的集合移除,以进一步确定最与该目标对象关联的至少一个参考用户120。
在框220,计算设备140基于至少一个参考用户150的特征和目标用户110的特征,确定至少一个参考用户150与目标用户110之间的第一匹配度,特征与参考用户对样本对象的历史选择相关联。例如,当计算设备140检测到目标用户110进入应用后,可以确定该目标用户110为点击过的目标对象120的集合,然后获取选择过该目标对象120的集合中的至少一个目标对象的至少一个参考用户150。然后通过该至少一个参考用户150与目标用户110的特征确定其间的匹配度。
在一个实施例中,计算设备140可以通过至少一个参考用户150对样本对象160的历史选择来获取参考用户150的特征向量。在一个示例中,计算设备首先获取多个参考用户150对多个样本对象160的操作行为,该操作行为记录了用户对对象的点击、分享、发布等。接着计算设备140基于用户的操作行为构建节点图,例如,图中有两种节点,即用户节点和资源节点,当用户对一个对象进行了操作后,即在两个节点之间建立一条边。例如,用户节点A、B、C、D和对象节点1、2、3、4,A点击过1、2,则分别在节点A和节点1、2之间连线,产生了节点A到接点1、2的边。然后计算设备在上述图中分别从用户节点和对象节点出发遍历图中节点随机游走,以生成以用户为起点和以资源为起点的两种游走序列(例如,A1B2D4C3A、1C3D4B2A等)。然后计算设备将该序列输入skip-gram模型,从而得到参考用户150的特征。
在一个示例中,可以通过调整上述随机游走权重的方法来更准确地得到参考用户150的特征。例如,在游走过程,计算设用户节点和对象节点之间的同质性(homophily)和结构性(structural equivalence)对节点间的边设定不同权重。具体地说,节点的“同质性”指的是距离相近节点的特征应该尽量近似,“结构性”指的是结构上相似的节点的特征应该尽量接近。计算设备140可以基于设定了不同权重的边得到更准确的游走序列,从而优化所得到的参考用户150的特征,从那个人更准确地表示用户。
在一个实施例中,可以通过计算上述得到的特征向量之间的距离来获得至少一个参考用户150与目标用户110之间的匹配度。例如,可以通过欧氏距离来计算两个用户的特征之间的距离或一个用户与多个用户之间的特征的距离。当然,还可以利用余弦相似性进行计算,本公开在此不作限制,可以利用现有的或者将来开发的技术来计算特征向量见的距离。在一个示例中,距离近可以指示匹配度高,距离远可以指示匹配度低。
在框230,计算设备140确定第一匹配度是否大于第一阈值匹配度。例如,计算设备140在上述确定了两个用户的特征向量间的距离为a,然后可以在记录距离和匹配度之间的查找表中找到距离a对应的匹配度为75%,若阈值匹配度为70%,则计算设备140判断第一匹配度大于第一阈值匹配度。请注意,该查找表和阈值匹配度可以依据不同的用户和应用场景进行确定,上述数字是示例性的,不旨在限制本公开的范围。
在框240,计算设备140确定为是,即响应于第一匹配度大于第一阈值匹配度,将目标对象120推荐给所述目标用户110。例如,计算设备140可以将表示目标对象120的视频、图像、文字或语音发送给所述用户,例如将新闻的图片和文字信息展现给目标用户120,或将一系列直播间的截帧形成的图像封面展现给用户。在一个实施例中,如果确定为否,即第一匹配度不大于第一阈值匹配度,则计算设备140继续寻找其他目标对象120亿用于推荐给用户。
通过利用用户的特征来代表新资源进行用户间匹配,可以更加准确地向用户推荐其所需要新资源和冷门资源,使得资源的建模更加准确同时增强了用户体验。
上面讨论了如何在资源“冷启动”期间推荐资源的方案,然而实时更新在“冷启动”期间不断点击、选择该新资源的用户信息也至关重要,这使得***实时地收集推荐***模型所需的输入特征,使推荐***能够总是使用最新的特征进行预测和推荐。下面将结合图3至图5来描述如何实时地确定新资源的特征从而向用户推荐。
图3示出了根据本公开的一些实施例的确定和更新初始标签的过程的流程图。
在框310,计算设备140确定选择目标对象120的所有参考用户。例如,计算设备140可以查询以确定“冷启动”期间点击、分享过目标对象120的所有参考用户,然后将所有参考用户的信息,包括特征向量存储到特征数据库(比如redis)中。
在框320,计算设备140基于所述所有参考用户的特征,确定目标对象120的初始标签。例如,计算设备140可以通过average pooling层将上述特征数据库中的与目标对象120相关联的所有参考用户不同特征平均起来确定目标对象120的初始标签。该初始标签也可以是目标对象120的特征。
在一个示例中,计算设备还可以根据不同目标用户赋予每个用户的特征不同的权重,来进行加权平均操作,得到加权平均后的特征向量后,再输入softmax层,这样通过梯度反向传播,就可以求的每个特征的权重,然后再利用上述权重确定目标对象120的初始标签,即其初始特征。
在框330,计算设备140确定目标用户110是否选择所推荐的目标对象120。例如,计算设备可以确定目标用户110是否选择在框230处推荐的目标对象120。
在框340,计算设备140确定为是,即响应于目标用户110选择所推荐的目标对象120,则基于目标用户110的所述特征,更新目标对象120的所述初始标签。例如,如果目标用户选择了目标对象,则计算设备可以获取该目标用户110的特征,然后通过该特征和上述获得的初始标签来更新目标对象120的初始标签,从而得到经更新的标签(特征)。该更新方法可以类似于上述的平均或加权操作,在此不再赘述。
图4示出了根据本公开的一些实施例的确定最终标签的过程的流程图。
在框410,计算设备140确定以下中的任何一项是否被满足:达到阈值时间;达到目标对象120被推荐的第一阈值次数;达到目标对象120被选择的第二阈值次数。计算设备140可以判断该目标对象120是否为依然为冷门资源来判断是否还继续更新该目标对象120的特征表示。例如,计算设备140确定目标对象120被推荐已经达到1万次,超过了第一阈值次数8000次,或者定目标对象120被选择已经达到5万次,超过了第二阈值次数4万次,或者没有达到预定推荐和选择次数,但已经经过24小时。上述数字是示例性的,而无意在限制。可以根据目标对象、所处时期和应用的不同类型确定推荐次数、选择次数和阈值时间。
在框420,计算设备140确定为是,即响应于条件被满足,停止更新。例如,在计算设备140判断目标对象120已经不为冷门资源或该目标对象依然是冷门资源但已经过了足够长的时间时,计算设备140不再更新该目标对象120。
在一个实施例中,如果计算设备140确定为“否”,则继续监测和获取目标对象120的点击信息。
在框430,计算设备140将经更新的初始标签确定为目标对象120的最终标签。计算设备在停止更新后,可以将最后一次更新的标签确定为最终标签,即为目标对象120的最终特征表示。
图5示出了根据本公开的一些实施例的对象推荐的过程的流程图。
在框510,计算设备140基于其他的用户的特征和目标对象120的最终标签,确定第二匹配度。计算设备140可以根据上述欧式距离方法或者余弦相似度方法,确定其他的用户的特征和目标对象120的最终标签见的距离,然后根据该距离和匹配度相对应的查找表来确定第二匹配度。具体过程可以参照上述确定第一匹配度的示例,在此不再赘述。此时,已经准确地确定了目标对象120的特征表示,即盖目标对象的标签已经利用选择过其的用户的特征被充分学习。
在框520,计算设备140确定第二匹配度是否大于第二阈值匹配度。计算设备140可以确定上述确定的匹配度是否大于预定的匹配度。
在框530,计算设备140确定为是,即响应于第二匹配度大于第二阈值匹配度,将目标对象120推荐给其他的用户。在一个实施例中,计算设备140确定满足阈值的目标对象120的集合发送给筛选模块,该筛选模块例如可以是预先训练好的神经网络,该筛选模块根据该其他的用户的信息进一步从目标对象120的集合中确定处最相关的一个或多个目标对象120推荐给用户。
在一个示例中,如果计算设备140确定为否,则继续寻找其他目标对象120以供推荐。
在资源发表的初期阶段,通过被充分学***均和/或加权来表示资源的特征向量,可以准确地表示新资源的特征。
图6示出了根据本公开的一些实施例的对象推荐的装置的示意性框图。装置600可以被包括在图1的计算设备140中或者被实现为计算设备140。
如图6所示,装置600包括第一参考用户确定模块610,被配置为确定选择目标对象的至少一个参考用户,目标对象的关注度小于阈值关注度;第一匹配度确定模块620,被配置为基于至少一个参考用户的特征和目标用户的特征,确定至少一个参考用户与目标用户之间的第一匹配度,特征与参考用户对样本对象的历史选择相关联;以及目标用户推荐模块630,被配置为如果第一匹配度大于第一阈值匹配度,将目标对象推荐给目标用户。
在一些实施例中,装置600还可以包括:第二参考用户确定模块,被配置为确定选择目标对象的所有参考用户;以及初始标签确定模块,被配置为基于所有参考用户的特征,确定目标对象的初始标签。
在一些实施例中,装置600还可以包括:初始标签更新模块,被配置为如果目标用户选择所推荐的目标对象,则基于目标用户的特征,更新目标对象的初始标签。
在一些实施例中,装置600还可以包括::停止更新模块,被配置为如果以下中的任何一项被满足,则停止更新:达到阈值时间;达到目标对象被推荐的第一阈值次数;达到目标对象被选择的第二阈值次数;以及最终标签确定模块,被配置为将经更新的初始标签确定为目标对象的最终标签。
在一些实施例中,装置600还可以包括:第二匹配度确定模块,被配置为基于其他的用户的特征和目标对象的最终标签,确定第二匹配度;以及用户推荐模块,被配置为如果第二匹配度大于第二阈值匹配度,将目标对象推荐给其他的用户。
在一些实施例中,其中目标用户推荐模块630可以包括:对象发送模块,被配置为将表示目标对象的视频、图像、文字或语音发送给用户。
在一些实施例中,其中关注度基于以下中的至少一项被确定为:目标对象被选择的频率、目标对象被推荐的次数、目标对象被选择的次数和目标对象被创建的时间。
图7图示了可以用来实施本公开内容的实施例的示例设备700的示意性框图。例如,如图1所示的示例环境100中的计算设备140可以由设备700来实施。如图所示,设备700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的计算机程序指令或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序指令,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理,例如方法200、300、400和500,可由处理单元701执行。例如,在一些实施例中,方法200、300、400和500可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序被加载到RAM 703并由CPU 701执行时,可以执行上文描述的方法200、300、400和500中的一个或多个动作。
本公开可以是方法、装置、***和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施方式,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施方式。在不偏离所说明的各实施方式的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施方式的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其他普通技术人员能理解本文披露的各实施方式。
Claims (16)
1.一种对象推荐的方法,包括:
确定选择目标对象的至少一个参考用户,所述目标对象的关注度小于阈值关注度;
基于所述至少一个参考用户的特征和目标用户的特征,确定所述至少一个参考用户与所述目标用户之间的第一匹配度,所述特征与所述参考用户对样本对象的历史选择相关联;以及
如果所述第一匹配度大于第一阈值匹配度,将所述目标对象推荐给所述目标用户。
2.根据权利要求1所述的方法,还包括:
确定选择所述目标对象的所有参考用户;以及
基于所述所有参考用户的特征,确定所述目标对象的初始标签。
3.根据权利要求2所述的方法,还包括:
如果所述目标用户选择所推荐的目标对象,则基于所述目标用户的所述特征,更新所述目标对象的所述初始标签。
4.根据权利要求3所述的方法,还包括:
如果以下中的任何一项被满足,则停止所述更新:
达到阈值时间;
达到所述目标对象被推荐的第一阈值次数;
达到所述目标对象被选择的第二阈值次数;以及
将经更新的所述初始标签确定为所述目标对象的最终标签。
5.根据权利要求4所述的方法,还包括:
基于其他的用户的特征和所述目标对象的最终标签,确定第二匹配度;以及
如果所述第二匹配度大于第二阈值匹配度,将所述目标对象推荐给所述其他的用户。
6.根据权利要求1所述的方法,其中如果所述匹配度大于阈值,将所述目标对象推荐给所述目标用户包括:将表示所述目标对象的视频、图像、文字或语音发送给所述用户。
7.根据权利要求1所述的方法,其中所述关注度基于以下中的至少一项被确定:所述目标对象被选择的频率、所述目标对象被推荐的次数、所述目标对象被选择的次数和所述目标对象被创建的时间。
8.一种对象推荐的装置,包括:
第一参考用户确定模块,被配置为确定选择目标对象的至少一个参考用户,所述目标对象的关注度小于阈值关注度;
第一匹配度确定模块,被配置为基于所述至少一个参考用户的特征和目标用户的特征,确定所述至少一个参考用户与所述目标用户之间的第一匹配度,所述特征与所述参考用户对样本对象的历史选择相关联;以及
目标用户推荐模块,被配置为如果所述第一匹配度大于第一阈值匹配度,将所述目标对象推荐给所述目标用户。
9.根据权利要求8所述的装置,还包括:
第二参考用户确定模块,被配置为确定选择所述目标对象的所有参考用户;以及
初始标签确定模块,被配置为基于所述所有参考用户的特征,确定所述目标对象的初始标签。
10.根据权利要求9所述的装置,还包括:
初始标签更新模块,被配置为如果所述目标用户选择所推荐的目标对象,则基于所述目标用户的所述特征,更新所述目标对象的所述初始标签。
11.根据权利要求10所述的装置,还包括:
停止更新模块,被配置为如果以下中的任何一项被满足,则停止所述更新:
达到阈值时间;
达到所述目标对象被推荐的第一阈值次数;
达到所述目标对象被选择的第二阈值次数;以及
最终标签确定模块,被配置为将经更新的所述初始标签确定为所述目标对象的最终标签。
12.根据权利要求11所述的装置,还包括:
第二匹配度确定模块,被配置为基于其他的用户的特征和所述目标对象的最终标签,确定第二匹配度;以及
用户推荐模块,被配置为如果所述第二匹配度大于第二阈值匹配度,将所述目标对象推荐给所述其他的用户。
13.根据权利要求8所述的装置,其中所述目标用户推荐模块包括:
对象发送模块,被配置为将表示所述目标对象的视频、图像、文字或语音发送给所述用户。
14.根据权利要求8所述的装置,其中所述关注度基于以下中的至少一项被确定:所述目标对象被选择的频率、所述目标对象被推荐的次数、所述目标对象被选择的次数和所述目标对象被创建的时间。
15.一种电子设备,所述设备包括:
一个或多个处理器;以及
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一项所述的方法。
16.一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010879004.7A CN112100489B (zh) | 2020-08-27 | 2020-08-27 | 对象推荐的方法、装置和计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010879004.7A CN112100489B (zh) | 2020-08-27 | 2020-08-27 | 对象推荐的方法、装置和计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112100489A true CN112100489A (zh) | 2020-12-18 |
CN112100489B CN112100489B (zh) | 2022-07-15 |
Family
ID=73757987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010879004.7A Active CN112100489B (zh) | 2020-08-27 | 2020-08-27 | 对象推荐的方法、装置和计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112100489B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112765478A (zh) * | 2021-03-12 | 2021-05-07 | 北京百度网讯科技有限公司 | 用于推荐内容的方法、装置、设备、介质和程序产品 |
CN112989186A (zh) * | 2021-02-25 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 资讯信息推荐模型训练方法、装置、电子设备及存储介质 |
CN113220989A (zh) * | 2021-04-29 | 2021-08-06 | 北京百度网讯科技有限公司 | 用于对象管理的方法和装置 |
CN113301442A (zh) * | 2021-05-20 | 2021-08-24 | 北京百度网讯科技有限公司 | 确定直播资源的方法、设备、介质及程序产品 |
CN113722523A (zh) * | 2021-09-01 | 2021-11-30 | 北京百度网讯科技有限公司 | 对象推荐方法和装置 |
CN116485560A (zh) * | 2023-06-21 | 2023-07-25 | 杭州大鱼网络科技有限公司 | 一种基于反馈机制的目标用户筛选方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778145A (zh) * | 2012-10-22 | 2014-05-07 | ***通信集团广东有限公司 | 一种信息推荐方法和*** |
CN105426550A (zh) * | 2015-12-28 | 2016-03-23 | Tcl集团股份有限公司 | 一种基于用户质量模型的协同过滤标签推荐方法及*** |
CN105913296A (zh) * | 2016-04-01 | 2016-08-31 | 北京理工大学 | 一种基于图的个性化推荐方法 |
CN106991522A (zh) * | 2017-03-16 | 2017-07-28 | 西南交通大学 | 一种基于内容的新车型评分预测方法 |
CN107526850A (zh) * | 2017-10-12 | 2017-12-29 | 燕山大学 | 基于多重个性化特征混合架构的社交网络好友推荐方法 |
CN107590243A (zh) * | 2017-09-14 | 2018-01-16 | 中国人民解放军信息工程大学 | 基于随机游走和多样性图排序的个性化服务推荐方法 |
CN107608743A (zh) * | 2017-09-04 | 2018-01-19 | 维沃移动通信有限公司 | 一种操作***定制方法、服务器及移动终端 |
CN110851729A (zh) * | 2019-11-19 | 2020-02-28 | 深圳前海微众银行股份有限公司 | 资源信息推荐方法、装置、设备及计算机存储介质 |
CN110910215A (zh) * | 2019-11-20 | 2020-03-24 | 深圳前海微众银行股份有限公司 | 产品推荐方法、装置、设备及计算机可读存储介质 |
US20200201844A1 (en) * | 2017-11-17 | 2020-06-25 | Alibaba Group Holding Limited | Cluster-based random walk processing |
CN111414548A (zh) * | 2020-05-09 | 2020-07-14 | 中国工商银行股份有限公司 | 对象推荐方法、装置、电子设备和介质 |
-
2020
- 2020-08-27 CN CN202010879004.7A patent/CN112100489B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778145A (zh) * | 2012-10-22 | 2014-05-07 | ***通信集团广东有限公司 | 一种信息推荐方法和*** |
CN105426550A (zh) * | 2015-12-28 | 2016-03-23 | Tcl集团股份有限公司 | 一种基于用户质量模型的协同过滤标签推荐方法及*** |
CN105913296A (zh) * | 2016-04-01 | 2016-08-31 | 北京理工大学 | 一种基于图的个性化推荐方法 |
CN106991522A (zh) * | 2017-03-16 | 2017-07-28 | 西南交通大学 | 一种基于内容的新车型评分预测方法 |
CN107608743A (zh) * | 2017-09-04 | 2018-01-19 | 维沃移动通信有限公司 | 一种操作***定制方法、服务器及移动终端 |
CN107590243A (zh) * | 2017-09-14 | 2018-01-16 | 中国人民解放军信息工程大学 | 基于随机游走和多样性图排序的个性化服务推荐方法 |
CN107526850A (zh) * | 2017-10-12 | 2017-12-29 | 燕山大学 | 基于多重个性化特征混合架构的社交网络好友推荐方法 |
US20200201844A1 (en) * | 2017-11-17 | 2020-06-25 | Alibaba Group Holding Limited | Cluster-based random walk processing |
CN110851729A (zh) * | 2019-11-19 | 2020-02-28 | 深圳前海微众银行股份有限公司 | 资源信息推荐方法、装置、设备及计算机存储介质 |
CN110910215A (zh) * | 2019-11-20 | 2020-03-24 | 深圳前海微众银行股份有限公司 | 产品推荐方法、装置、设备及计算机可读存储介质 |
CN111414548A (zh) * | 2020-05-09 | 2020-07-14 | 中国工商银行股份有限公司 | 对象推荐方法、装置、电子设备和介质 |
Non-Patent Citations (2)
Title |
---|
MA TIE-MIN,等: "Social Network Event Recommendation Algorithms Based on User Similarity Random Walk", 《JOURNAL OF NORTHEASTERN UNIVERSITY (NATURAL SCIENCE)》 * |
时宇岑,等: "基于多开发者社区的用户推荐算法", 《软件学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989186A (zh) * | 2021-02-25 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 资讯信息推荐模型训练方法、装置、电子设备及存储介质 |
CN112989186B (zh) * | 2021-02-25 | 2024-01-12 | 深圳市雅阅科技有限公司 | 资讯信息推荐模型训练方法、装置、电子设备及存储介质 |
CN112765478A (zh) * | 2021-03-12 | 2021-05-07 | 北京百度网讯科技有限公司 | 用于推荐内容的方法、装置、设备、介质和程序产品 |
CN113220989A (zh) * | 2021-04-29 | 2021-08-06 | 北京百度网讯科技有限公司 | 用于对象管理的方法和装置 |
CN113220989B (zh) * | 2021-04-29 | 2023-08-29 | 北京百度网讯科技有限公司 | 用于对象管理的方法和装置 |
CN113301442A (zh) * | 2021-05-20 | 2021-08-24 | 北京百度网讯科技有限公司 | 确定直播资源的方法、设备、介质及程序产品 |
CN113301442B (zh) * | 2021-05-20 | 2022-10-21 | 北京百度网讯科技有限公司 | 确定直播资源的方法、设备、介质及程序产品 |
CN113722523A (zh) * | 2021-09-01 | 2021-11-30 | 北京百度网讯科技有限公司 | 对象推荐方法和装置 |
CN113722523B (zh) * | 2021-09-01 | 2023-11-17 | 北京百度网讯科技有限公司 | 对象推荐方法和装置 |
CN116485560A (zh) * | 2023-06-21 | 2023-07-25 | 杭州大鱼网络科技有限公司 | 一种基于反馈机制的目标用户筛选方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112100489B (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112100489B (zh) | 对象推荐的方法、装置和计算机存储介质 | |
CN108776676B (zh) | 信息推荐方法、装置、计算机可读介质及电子设备 | |
CN108520470B (zh) | 用于生成用户属性信息的方法和装置 | |
CN109471978B (zh) | 一种电子资源推荐方法及装置 | |
CN106339507B (zh) | 流媒体消息推送方法和装置 | |
US20190171724A1 (en) | Method and apparatus for determining hot event | |
CN110413867B (zh) | 用于内容推荐的方法及*** | |
CN110020162B (zh) | 用户识别方法和装置 | |
CN114036398B (zh) | 内容推荐和排序模型训练方法、装置、设备以及存储介质 | |
CN112182360A (zh) | 具有有限数据可用性的个性化推荐器 | |
CN111368973A (zh) | 用于训练超网络的方法和装置 | |
CN112749323B (zh) | 一种构建用户画像的方法和装置 | |
CN112765478A (zh) | 用于推荐内容的方法、装置、设备、介质和程序产品 | |
CN112650942A (zh) | 产品推荐方法、装置、计算机***和计算机可读存储介质 | |
CN110059172B (zh) | 基于自然语言理解的推荐答案的方法和装置 | |
CN113365090B (zh) | 对象推荐方法、对象推荐装置、电子设备及可读存储介质 | |
CN110992127A (zh) | 一种物品推荐方法及装置 | |
WO2024051707A1 (zh) | 训练推荐模型的方法、推荐资源的方法及其装置 | |
CN114119123A (zh) | 信息推送的方法和装置 | |
CN112950321A (zh) | 一种物品推荐方法和装置 | |
US8971645B1 (en) | Video categorization using heterogeneous signals | |
CN113450167A (zh) | 一种商品推荐方法和装置 | |
CN112100507B (zh) | 对象推荐的方法、计算设备和计算机可读存储介质 | |
WO2021204039A1 (zh) | 用于推送信息的方法和装置 | |
CN113836437B (zh) | 用于帖子推荐的方法、电子设备和存储介质 |
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 |