CN112115363A - 一种推荐方法、计算设备及存储介质 - Google Patents

一种推荐方法、计算设备及存储介质 Download PDF

Info

Publication number
CN112115363A
CN112115363A CN202010999112.8A CN202010999112A CN112115363A CN 112115363 A CN112115363 A CN 112115363A CN 202010999112 A CN202010999112 A CN 202010999112A CN 112115363 A CN112115363 A CN 112115363A
Authority
CN
China
Prior art keywords
recommendation
terminal
user
result
identifier
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.)
Pending
Application number
CN202010999112.8A
Other languages
English (en)
Inventor
文晋晓
周希波
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.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN202010999112.8A priority Critical patent/CN112115363A/zh
Publication of CN112115363A publication Critical patent/CN112115363A/zh
Priority to US17/334,663 priority patent/US20220092446A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例公开一种推荐方法、计算设备及存储介质。该方法的一具体实施方式包括：获取来自第一终端的用户操作数据；响应于所述用户操作数据，调用至少一个推荐算法计算得到至少一个第一推荐结果；在所述计算机设备的显示装置或第二终端展示用户信息及所述调用的推荐算法的算法标识；响应于对所述算法标识的操作，在所述计算机设备的显示装置或第二终端展示对应的推荐算法计算得到的第一推荐结果信息。该实施方式的推荐方法可实现对推荐方法的中间过程、中间结果的跟踪，分析推荐方法的性能表现，便于人员实时分析和修正。

Description

一种推荐方法、计算设备及存储介质
技术领域
本申请涉及互联网技术领域。更具体地，涉及一种推荐方法、计算设备及存储介质。
背景技术
随着互联网的发展，使用互联网的用户数急速增多，为用户提供内容服务的互联网网站数量也越来越多，为了更好地运营互联网网站以及服务互联网网站的用户，基于用户喜好的个性化信息(内容)推荐***应运而生。
现有技术中的推荐***所推荐的结果往往依附于具体的某种产品，且推荐结果大多只在用户的交互界面(即用户的电子设备)上得以展示，这种展示方式使得推荐***近似一个黑盒子，运营人员根本无法得知这一推荐结果是基于何种用户特点属性和行为属性，也难以感知推荐***中间的推荐逻辑和策略，从而难以说明该推荐结果的推荐理由。
发明内容
本申请的目的在于提供一种推荐方法、计算设备及存储介质，以解决现有技术存在的问题中的至少一个。
为达到上述目的，本申请采用下述技术方案：
本申请第一方面提供了一种推荐方法，应用于计算机设备，包括：
获取来自第一终端的用户操作数据；
响应于所述用户操作数据，调用至少一个推荐算法计算得到至少一个第一推荐结果；
在所述计算机设备的显示装置或第二终端展示用户信息及所述调用的推荐算法的算法标识；
响应于对所述算法标识的操作，在所述计算机设备的显示装置或第二终端展示对应的推荐算法计算得到的第一推荐结果信息。
在一种实施例中，所述响应于所述用户操作数据，调用至少一个推荐算法计算得到至少一个第一推荐结果包括：
响应于所述用户操作数据，依次判定用户类型、应用场景及推荐策略，根据所述推荐策略调用至少一个推荐算法计算得到至少一个第一推荐结果。
在一种实施例中，该方法还包括：
在所述计算机设备的显示装置或第二终端展示所述判定的用户类型的类型标识、判定的应用场景的场景标识及判定的推荐策略的策略标识；
响应于对所述类型标识、场景标识或策略标识的操作，在所述计算机设备的显示装置或第二终端展示对应的用户类型信息、应用场景信息或推荐策略信息。
在一种实施例中，该方法还包括：
对所述至少一个第一推荐结果进行去重及排序处理，生成第二推荐结果。
在一种实施例中，该方法还包括：
在所述计算机设备的显示装置或第二终端展示所述去重及排序处理的处理标识；
响应于对所述处理标识的操作，在所述计算机设备的显示装置或第二终端展示去重及排序处理信息。
在一种实施例中，该方法还包括：
在所述计算机设备的显示装置或第二终端展示第二推荐结果的结果标识；
响应于对所述结果标识的操作，在所述计算机设备的显示装置或第二终端展示第二推荐结果信息。
在一种实施例中，该方法还包括：
向所述第一终端发送第二推荐结果；
获取来自第一终端的用户反馈信息，根据所述用户反馈信息计算推荐策略的贡献度值并在所述计算机设备的显示装置或第二终端展示。
本申请的第二方面提供一种计算机设备，包括：
获取模块，用于获取来自第一终端的用户操作数据；
推荐模块，用于响应于所述用户操作数据，调用至少一个推荐算法计算得到至少一个第一推荐结果；
交互模块，用于在所述计算机设备的显示装置或第二终端展示用户信息及所述调用的推荐算法的算法标识，并响应于对所述算法标识的操作，在所述计算机设备的显示装置或第二终端展示对应的推荐算法计算得到的第一推荐结果信息。
在一种实施例中，所述推荐模块用于响应于所述用户操作数据，调用至少一个推荐算法计算得到至少一个第一推荐结果包括：响应于所述用户操作数据，依次判定用户类型、应用场景及推荐策略，根据所述推荐策略调用至少一个推荐算法计算得到至少一个第一推荐结果。
在一种实施例中，所述交互模块，还用于在所述计算机设备的显示装置或第二终端展示所述判定的用户类型的类型标识、判定的应用场景的场景标识及判定的推荐策略的策略标识；响应于对所述类型标识、场景标识或策略标识的操作，在所述计算机设备的显示装置或第二终端展示对应的用户类型信息、应用场景信息或推荐策略信息。
在一种实施例中，所述推荐模块，还用于对所述至少一个第一推荐结果进行去重及排序处理，生成第二推荐结果。
在一种实施例中，所述交互模块，还用于在所述计算机设备的显示装置或第二终端展示所述去重及排序处理的处理标识；响应于对所述处理标识的操作，在所述计算机设备的显示装置或第二终端展示去重及排序处理信息。
在一种实施例中，所述交互模块，还用于在所述计算机设备的显示装置或第二终端展示第二推荐结果的结果标识；响应于对所述结果标识的操作，在所述计算机设备的显示装置或第二终端展示第二推荐结果信息。
在一种实施例中，该计算机设备还包括发送模块和计算模块；
所述发送模块，用于向所述第一终端发送第二推荐结果；
所述获取模块，还用于获取来自第一终端的用户反馈信息；
所述计算模块，用于根据所述用户反馈信息计算推荐策略的贡献度值；
所述交互模块，还用于在所述计算机设备的显示装置或第二终端展示所述推荐策略的贡献度值。
本申请的第三方面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如本申请第一方面所提供的方法。
本申请的有益效果如下：
本申请针对目前现有的问题，提供一种推荐方法、计算设备及存储介质，该推荐方法通过实现该推荐方法的推荐流程的***化、可视化，完成对推荐方法的中间过程、中间结果的跟踪，能够清楚、直观地展示出不同用户的不同属性及偏好，同时跟踪推荐方法的执行流程并分析该推荐方法的性能表现，便于运营人员更宏观地分析该方法，并及时改良修正。另外，该推荐方法还可基于执行过程中的多个中间化结果对推荐结果进行溯源，有助于提供该推荐结果的推荐解释，同时衡量不同推荐策略的贡献度，从而有利于推荐方法性能的ABTest的评估及运营内容决策。
附图说明
下面结合附图对本申请的具体实施方式作进一步详细的说明。
图1示出本申请的一个实施例可以应用于其中的示例性***架构图。
图2示出本申请的一个实施例中的推荐方法的流程图。
图3示出本申请的一个实施例中的推荐方法的业务流程图。
图4示出本申请的一个实施例中的有向无环图的示意图。
图5示出根据本申请的一个实施例中的计算机设备的结构示意图。
图6示出实现本申请一个实施例提供的计算机设备的计算机***的结构示意图。
具体实施方式
为了更清楚地说明本申请，下面结合实施例和附图对本申请做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本申请的保护范围。
需要说明的是，在本申请的描述中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
图1示出了可以应用本申请的推荐方法的实施例的示例性***架构100。
如图1所示，***架构100包括第一终端设备101、102、103，网络104、服务器105，网络106和第二终端设备107、108、109，网络104用以在第一终端设备101、102、103和服务器105之间提供通信链路的介质网络104可以包括各种连接类型，例如有线、无线通信链路、光纤电缆和5G网络等等，网络106用以在服务器105和第二终端设备107、108、109之间提供通信链路的介质，网络106可以包括各种连接类型，例如有线、无线通信链路、光纤电缆和5G网络等等。
用户可以使用第一终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图像识别类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
第一终端设备101、102、103和第二终端设备107、108、109可以是硬件，也可以是软件。当第一终端设备101、102、103和第二终端设备107、108、109为硬件时，可以是具有显示屏并且支持图像识别的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当第一终端设备101、102、103和第二终端设备107、108、109为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，在一个具体的实施例中，该服务器105为装载有召回结果数据库的数据服务器。召回结果数据库针对用户的历史行为数据调用相应的召回算法进行计算，从而得到不同的计算结果，并把计算结果保存在召回结果数据库内。
在一个具体的实施例中，服务器105可以是提供各种服务的服务器，例如对第一终端设备101、102、103上的电子商务类应用提供支持的后台服务器。后台服务器可以基于来自第一终端设备的操作数据，调用至少一个推荐算法，生成至少一个第一推荐结果，以及在设置有显示装置的后台服务器或者第二终端上展示用户信息及所述调用的推荐算法的算法标识，并展示第一推荐结果信息。
需要说明的是，本申请实施例所提供的推荐方法一般由服务器105执行，相应地，用于该推荐方法的计算机设备一般设置于服务器105中。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的第一终端设备、网络、服务器和第二终端设备的数目仅仅是示意性的。根据实现需要，可以具有任意合适数目的终端设备、网络和服务器。
请继续参考图2，图2示出根据本申请的一种应用于计算机设备的推荐方法的一个实施例的流程图，可以包括以下步骤：
S201、获取来自第一终端的用户操作数据；
在一个具体的实施例中，用于本实施例的推荐方法的执行主体(例如，图1所示的服务器105)可以从本地或通过网络104远程获取来自第一终端的用户操作数据。在一种推荐方法的对象为商品或服务的示例中，用户操作数据可以包括用户在第一终端(例如用户的电子设备)的电子商务类应用上点击、购买、浏览、转发、分享某一种商品或者服务。
S202、响应于用户操作数据，调用至少一个推荐算法计算得到至少一个第一推荐结果。
在一个具体的实施例中，用于本实施例的推荐方法的执行主体(例如，图1所示的服务器105)内设置有召回结果数据库，其中，召回结果数据库事先针对用户的历史行为数据离线调用至少一种相应的召回算法进行离线计算，从而得到不同的离线计算结果，并把不同的离线计算结果保存在召回结果数据库内，以供推荐算法进行计算得到至少一个第一推荐结果。通过设置召回结果数据库，通过对用户历史行为数据的分析，可提高推荐方法的准确性。
在一个具体的实施例中，召回结果数据库采用内存计算框架Spark进行离线召回运算，可进一步提高计算效率。在又一个实施例中，召回结果数据库中包括的算法有：基于用户的协同过滤算法(User-CF)、基于物品的协同过滤算法(Item-CF)、考虑时间上下文因素的基于用户的协同过滤算法(time-User-CF)、考虑时间上下文因素的基于物品的协同过滤算法(time-Item-CF)、ALS算法、Word2vec算法以及矩阵分解算法。
在一个具体的实施例中，用于本实施例的推荐方法的执行主体(例如，图1所示的服务器105)响应于用户操作数据，结合召回结果数据库所保存的离线计算结果以及用户操作数据，调用至少一个推荐算法计算得到至少一个第一推荐结果，其中，推荐算法可包括LGBM+LR算法(LGBM，Light GBM；LR，Logistic Regression，逻辑回归)、DNN(Deep NeuralNetworks，深度神经网络)模型、DeepFM模型(DeepFM模型由FM(Factorization Machine，因子分解机)模型和DNN模型结合生成)、关联规则算法以及排序算法，上述各种推荐算法可利用召回结果数据库内的离线计算结果进行第一推荐结果计算，从而对应得到第一推荐结果。
S203、在计算机设备的显示装置或第二终端展示用户信息及调用的推荐算法的算法标识。
在一个具体的实施例中，用于本实施例的推荐方法的执行主体(例如，图1所示的服务器105)在计算机设备的显示装置或通过网络发送给第二终端(如运营人员的电子设备)进行展示用户信息及调用的推荐算法的算法标识。可理解的是，也可以直接在用于本实施例的推荐方法的执行主体(例如，图1所示的服务器105)上设置显示装置直接本地显示。其中，用户信息包括用户属性信息(例如用户的姓名、性别、年龄等)、用户行为信息(例如点击、购买、浏览、转发、分享等操作以及商品信息)和预测信息(例如购买意向)。另外，算法标识例如可为计算机设备的显示装置或第二终端的显示界面上的虚拟按键。
在一个具体的实施例中，用于本实施例的推荐方法的执行主体(例如，图1所示的服务器105)可事先建立多维度体系的用户画像，该用户画像主要包括显性画像和隐性画像，其中显性画像主要包括容易获取或者经过简单统计分析即可获取的信息，例如用户的性别、年龄、浏览次数、购买频次等信息。用户画像的隐性画像主要包括通过对用户的历史行为的深度分析与挖掘获得的用户信息，例如基于用户的时间轴搜索数据的需求预测分析结果、基于商品或服务对应的标签体系及基于用户历史行为的用户偏好分析结果等。
在一个具体的实施例中，多维度体系的用户画像可通过可视化显示界面(例如数据仪表盘)进行可视化呈现，通过对上述用户画像中的显性画像和隐性画像标签进行分类，分别定制对应的可插拔显示模块，操作对应的模块即可进行可视化呈现。该实施例设置有用户画像主界面和可视化功能模块可选窗格，其具体展示逻辑为：
1、在用户画像主界面以列表形式展示用户的基本信息，例如用户头像、姓名、性别、年龄、所在地等。
2、在可视化功能模块可选窗格展示服务器经过统计分析及挖掘预测所获得的信息模块(例如隐性画像)，包括但不限于用户操作行为分布描述模块、基于物品标签体系的用户偏好分析模块和基于用户时间轴搜索数据的用户需求预测模块等。
其中，用户操作行为分布描述模块，主要通过对用户行为数据进行统计分析，通过如折线图、柱状图展示用户的登录频次、点击频次、购买频次、转发频次、分享频次、功能模块使用频次、功能模块平均停留时长等。
基于物品标签体系的用户偏好分析模块主要通过对用户的历史行为日志进行深度挖掘与分析，通过如折线图、柱状图展示用户对预设的标签类别的喜好度排行榜。其中标签可为针对商品或者服务预设的标签，例如“护肤品”、“面霜”、“新款”、“网红”等。
基于用户时间轴搜索数据的用户需求预测模块通过结合用户的历史搜索内容及历史购买商品或服务情况，采用自然语言处理技术对用户的历史搜索内容进行分析并与预设的标签内容相匹配，并且采用关联规则挖掘技术对用户未来可能会购买的商品或者服务进行预测，探索用户的购买意图。
该实施例基于如上所述的用户画像主界面和可视化功能模块可选窗格等用户多维画像从运营人员的角度展示用户画像，如通过雷达图的形式展示，雷达图的维度包括但不限于基于用户历史购买行为的用户购买力、基于对用户未来购买行为的预测的用户购买潜力、基于用户历史成交退货记录的用户诚信度等。
S204、响应于对算法标识的操作，在计算机设备的显示装置或第二终端展示对应的推荐算法计算得到的第一推荐结果信息。
在一个具体的实施例中，第一推荐结果信息可包括按照该推荐算法计算得到的不同推荐概率的商品的排序及其对应的商品信息等。在一个示例中，运营人员通过点击计算机设备的显示装置或第二终端上算法标识对应的虚拟按键，用于本实施例的推荐方法的执行主体(例如，图1所示的服务器105)响应并在计算机设备的显示装置或第二终端上展示该推荐算法所计算得到的第一推荐结果信息。
通过在计算机设备的显示装置或第二终端展示展示用户信息及调用的推荐算法的算法标识，使运营人员可跟踪该推荐方法的中间化过程、中间化结果，即采用的推荐算法及第一推荐结果信息，还可基于执行过程中的多个中间化结果对推荐结果进行溯源，有助于提供该推荐结果的推荐解释，便于运营人员更宏观地分析该方法，并及时改良修正。
在一个具体的实施例中，步骤S202具体可以包括：
响应于用户操作数据，依次判定用户类型、应用场景及推荐策略，根据推荐策略调用至少一个推荐算法计算得到至少一个第一推荐结果。
在一个具体的实施例中，用户类型包括活跃用户、新用户和游客等；应用场景包括运营推荐场景、个性化推荐场景和相关商品或服务推荐场景，推荐策略包括商品或服务对应的标签的喜好度策略、热门推荐策略、新颖性推荐策略等。以图3-4所示为示例，用于本实施例的推荐方法的执行主体(例如，图1所示的服务器105)响应于用户点击某种商品，并判定该用户类型为“活跃用户”，该用户所点击商品的应用场景为“个性化推荐场景”，服务器105根据“商品或服务对应的标签的喜好度策略”和“新颖性推荐策略”的推荐策略调用该推荐策略对应的推荐算法如LGBM+LR算法、DeepFM模型和关联规则算法进行计算得到三个第一推荐结果。
在一个具体的实施例中，该推荐方法还包括：
在计算机设备的显示装置或第二终端展示判定的用户类型的类型标识、判定的应用场景的场景标识及判定的推荐策略的策略标识；
响应于对类型标识、场景标识或策略标识的操作，在计算机设备的显示装置或第二终端展示对应的用户类型信息、应用场景信息或推荐策略信息。
其中，第二终端例如为运营人员的电子设备。该类型标识、场景标识和策略标识例如可为显示界面上的虚拟按键。在一个示例中，运营人员通过点击计算机设备的显示装置或第二终端对应类型标识、场景标识或策略标识的虚拟按键，用于本实施例的推荐方法的执行主体(例如，图1所示的服务器105)响应并显示对应的信息。例如，运营人员点击对应用户类型标识的虚拟按键，可显示该用户对应的用户类型为“活跃用户”。
通过在计算机设备的显示装置或第二终端展示判定的用户类型的类型标识、判定的应用场景的场景标识及判定的推荐策略的策略标识，使运营人员可清楚了解该推荐方法的中间化结果，即用户的类型信息，应用场景以及该推荐方法所提供的推荐策略等，使运营人此次推荐是为谁推荐，在什么场景下推荐的，如何推荐，清楚、直观地展示出不同用户的不同属性及偏好，为第一推荐结果提供推荐理由，便于运营人员全面分析。
在一个具体的实施例中，该推荐方法还包括：
S205、对至少一个第一推荐结果进行去重及排序处理，生成第二推荐结果。
该实施例中，用于本实施例的推荐方法的执行主体(例如，图1所示的服务器105)通过对若干个推荐算法计算的若干个第一推荐结果进行去重及排序处理，例如，将不同推荐算法计算得到的同一商品或服务去重，随后，对去重后的多个第一推荐结果进行排序，从而整合得到第二推荐结果。在另一个具体的实施例中，通过对所有的推荐算法设置对应的权重，通过对不同权重的推荐算法计算得到的第一推荐结果进行去重及排序处理，从而得到第二推荐结果。该实施例可根据推荐方法的运行情况，实时通过调整不同推荐算法对应的权重，调整第二推荐结果，进而提高该推荐方法的准确性。
在一个具体的实施例中，该推荐方法还包括：
S206、在计算机设备的显示装置或第二终端展示去重及排序处理的处理标识；其中，该处理标识例如可为计算机设备的显示装置或第二终端的显示界面上的虚拟按键。
S207、响应于对处理标识的操作，在计算机设备的显示装置或第二终端展示去重及排序处理信息。其中，响应于处理标识的操作例如可为点击计算机设备的显示装置或第二终端上处理标识对应的虚拟按键；另外，去重及排序处理信息可包括去重的商品或服务信息及其对应的推荐概率，每个商品或服务在不同的推荐算法对应的第一推荐结果中的排序。
通过在计算机设备的显示装置或第二终端展示去重及排序处理的处理标识，使运营人员可清楚了解该推荐方法所去重的商品以及去重和排序的详细过程中，即了解该推荐方法的去重和排序流程，进一步为第二推荐结果提供推荐解释。
在一个具体的实施例中，该推荐方法还包括：
S208、在计算机设备的显示装置或第二终端展示第二推荐结果的结果标识；其中，该结果标识例如可为计算机设备的显示装置或第二终端的显示界面上的虚拟按键。
S209、响应于对结果标识的操作，在计算机设备的显示装置或第二终端展示第二推荐结果信息。其中，该第二推荐结果信息可包括按照推荐概率由高到低排列的商品及其相关信息，以及该商品所对应的推荐概率。
通过在计算机设备的显示装置或第二终端展示中间化结果、第一推荐结果和第二推荐结果，使得运营人员可从头到尾清楚、直观了解该推荐方法的执行流程，便于运营人员更宏观地分析该方法，并及时改良修正该推荐方法。
在一个具体的实施例中，该推荐方法还包括：
S210、向第一终端发送第二推荐结果。
该实施例中，用于本实施例的推荐方法的执行主体(例如，图1所示的服务器105)通过网络向第一终端(如用户的电子设备)发送第二推荐结果，使用户清楚了解该推荐方法实际推荐的第二推荐结果。
S211、获取来自第一终端的用户反馈信息，根据用户反馈信息计算推荐策略的贡献度值并在计算机设备的显示装置或第二终端展示。
在该实施例中，用户根据服务器所发送的第二推荐结果进行反馈，例如用户通过点击第一终端上显示的“感兴趣”或“不感兴趣”的虚拟按键，用于本实施例的推荐方法的执行主体(例如，图1所示的服务器105)根据用户对第二推荐结果所产生的正反馈或者负反馈，在对应的第二推荐结果处记录用户所反馈的反馈标记，同步在计算机设备的显示装置或第二终端的显示界面上展示。另外，对收集到的用户的反馈数据进行统计分析，从不同时间段、不同的用户群等多个维度对该第二推荐结果所对应的推荐策略对此次推荐方法的贡献度进行评估，推荐策略的贡献度的计算公式如下：
Figure BDA0002693611450000111
其中，Ctb表示为该推荐策略的贡献度，Tpi表示采用该推荐策略i所对应计算得到的第二推荐结果被用户接受，即用户产生正反馈的结果数量，N表示推荐策略的总数量。
该实施例通过对不同的推荐策略对此次推荐方法的贡献度进行分析，便于运营人员对不同的推荐策略进行灵活的调控，开发人员可及时对推荐算法进行调优，有利于后续的推荐算法的优化与迭代。
以图3-4所示的实施例为例，从用户与服务器105进行交互触发开始，用于本实施例的推荐方法的执行主体(例如，图1所示的服务器105)首先构建交互式用户画像，进行可视化呈现，而且，通过召回结果数据库事先针对用户的历史行为数据离线调用至少一种相应的召回算法进行离线计算，从而得到不同的离线计算结果，并把不同的离线计算结果保存在召回结果数据库内，随后，响应于用户操作(点击、转发、分享)某种商品或者服务，并判断该用户类型(如活跃用户、新用户和游客)，该用户所点击商品的应用场景(如运营推荐、个性化推荐和相关物品推荐)，从而获得在该应用场景下该用户类型所对应的推荐策略，进而调用该推荐策略对应的推荐算法进行计算得到多个第一推荐结果，将多个第一推荐结果进行去重和排序，得到第二推荐结果，并将第二推荐结果发送至第一终端(如用户的电子设备)上，并在计算机设备的显示装置或第二终端展示此次推荐方法中的用户信息、调用的推荐算法的算法标识、类型标识、场景标识、策略标识、处理标识以及结果标识。
该实施例的推荐方法针对用户的操作触发的推荐方法，具体地，将为谁推荐、用何种方法推荐、如何推荐、推荐结果如何、中间结果如何等方面均可视化呈现出来，实现该推荐方法的推荐流程的***化、可视化体现，完成对推荐方法的中间过程、中间结果的跟踪，能够清楚、直观地展示出不同用户的不同属性及偏好，同时跟踪推荐方法的执行流程并分析该推荐方法的性能表现，便于运营人员更宏观地分析该方法，并及时改良修正。另外，该推荐方法还可基于执行过程中的多个中间化结果对推荐结果进行溯源，基于结果溯源获得的场景触发、算法触发以及用户反馈等信息，有助于发现用户偏好场景，发现价值效能高的推荐算法模块，有助于优化提高推荐***的多样性和精确性，有助于提供该推荐结果的推荐解释，同时衡量不同推荐策略的贡献度，从而有利于推荐方法性能的ABTest的评估及运营内容决策。再者，通过对第二推荐结果的溯源，并提供第二推荐结果的相关推荐理由，增强推荐方法的可解释性。该推荐方法在兼顾直观化体现推荐方法的执行流程的同时，还提供有效的数据支撑，有助于发现价值效能高的应用场景与推荐算法，优化推荐方法的多样性和精确性。
在一个具体的实施例中，如图4所示，计算机设备的显示装置或第二终端通过有向无环图的形式展示上述标识，即用户信息、算法标识、用户类型标识、场景标识、策略标识、处理标识以及结果标识。在图论中，如果一个有向图无法从某个顶点出发经过若干条边回到该点，则称为有向无环图。
针对上述实际的推荐方法的执行流程，对该推荐方法进行模块抽象化处理，从而生成有向无环图，如图4即为针对某一用户的推荐方法的有向无环图示意图，主要分为2个阶段，具体地如下所示：
1)模块抽象化封装，例如对用户类型、应用场景分别抽象化封装成用户类型模块、应用场景模块，对不同的推荐策略和不同的推荐算法分别封装成不同的推荐策略模块和不同的推荐算法模块。
在对不同模块进行抽象化封装前，对不同的模块维护以下信息：
a)为每个抽象化封装模块分别分配唯一的事件节点ID，例如为用户类型模块配置识别码01，同时维护一个上一级事件节点ID的集合以及下一级事件节点ID的集合，也就是说，单个模块可感知上一级模块的事件节点ID的集合以及下一级模块的事件节点ID的集合。
b)为每个抽象化模块保留该模块的关键信息输出，即响应于对该模块的操作，可实时显示该模块的关键信息输出，例如在用户类型模块中保留用户类型结果，在场景判别模块保留该用户的应用场景集合，在各个推荐策略模块中保留此次推荐方法的推荐策略集合，在各个推荐算法模块保留排序结果，即保留中间化结果。将以上所述的中间化结果统一打包投入第二推荐结果集中，作为对第二推荐结果的出生来源及推荐解释供运营人员参考。
2)动态构建有向无环图。根据推荐方法的执行顺序，通过每个抽象化封装模块对应的唯一的事件节点ID的链指关系构建有向无环图，从而记录推荐方法的实际执行情况。
在一个具体的实施例中，该推荐方法响应于某个用户单次操作所生成的第二推荐结果在计算机设备的显示装置或第二终端进行可视化展示，通过有向无环图展示此次推荐方法中的用户信息、调用的推荐算法的算法标识、类型标识、场景标识、策略标识、处理标识以及结果标识，并显示最终的推荐结果列表，具体包括：
1)有向无环图的展示内容
a)有向无环图图例，在计算机设备的显示装置或第二终端的显示界面展示该用户此次操作所生成的推荐方法的执行流程的有向无环图图例，以呈现推荐流程中每个抽象化模块的唯一的事件节点ID的名称信息，以及执行顺序。
b)事件节点输出数据，对不同的抽象化模块的有向无环图的节点设计按钮，从而控制该节点输出的关键信息的展示，默认为非展示状态，例如在各个推荐算法模块设置有对应的虚拟按键，运营人员可通过点击不同的虚拟按键，从而触发连接数据库查找对应的模块的关键信息的操作，从而页面弹出该虚拟按键对应的模块的关键信息。可理解的是，当每个模块的关键信息为空时，做空数据警报提示。
2)第二推荐结果列表展示内容包括：
a)推荐结果的出生情况和推荐解释，针对第二推荐结果，对每个中间化结果(即第一推荐结果、用户类型、推荐策略、推荐算法、应用场景等信息)展示第二推荐结果的出生情况，即对该第二推荐结果的产生的应用场景和推荐算法的来源进行结果溯源，并以此生成第二推荐结果的解释。例如该第二推荐结果是由物品相似度、热度或者好友喜欢所生成。
b)用户反馈标记，根据用户对第二推荐结果产生的正反馈或者负反馈，在对应的第二推荐结果记录用户反馈标记，同步在计算机设备的显示装置或第二终端的显示界面进行展示。
c)推荐策略的贡献度分析，通过上述对用户针对第二推荐结果产生的正反馈或者负反馈进行收集、统计和分析，能够从不同时间段、不同用户群等多个维度对该推荐策略对此次推荐方法的共享度进行评估，推荐策略的贡献度计算公式如下所示：
Figure BDA0002693611450000141
其中，Ctb表示为该推荐策略的贡献度，Tpi表示采用该推荐策略i所对应计算得到的第二推荐结果被用户接受，即用户产生正反馈的结果数量，N表示推荐策略的总数量。
该实施例通过构建有向无环图，可有效追踪推荐方法中不同的模块的执行路径，并保留不同模块中的关键中间结果，实现对推荐方法的有效监控。
在一个具体的实施例中，响应于用户的多次操作数据，该推荐方法可在可视化界面展示多个第二推荐结果，同时可在可视化界面上设置显示信息条数阙值，例如仅显示最近10次操作的第二推荐结果信息。同时针对用户的历史行为数据，还可通过设置历史操作推荐按钮从而调取数据库内的对应的第二推荐结果信息进行即时查询结果的展示，便于运营人员更宏观分析该推荐方法的性能。
请参考图5，作为对图2所示的推荐方法的实现，本申请的另一个实施例提供一种计算机设备300，该计算机设备300的实施例与图2所示的推荐方法实施例相对应，该计算机设备300具体可以应用于服务器中。该计算机设备300包括获取模块301，用于获取来自第一终端的用户操作数据；推荐模块302，用于响应于用户操作数据，调用至少一个推荐算法计算得到至少一个第一推荐结果；交互模块303，用于在计算机设备300的显示装置或第二终端展示用户信息及调用的推荐算法的算法标识，并响应于对算法标识的操作，在计算机设备300的显示装置或第二终端展示对应的推荐算法计算得到的第一推荐结果信息。
在一个具体的实施例中，推荐模块302用于响应于用户操作数据，调用至少一个推荐算法计算得到至少一个第一推荐结果包括：响应于用户操作数据，依次判定用户类型、应用场景及推荐策略，根据推荐策略调用至少一个推荐算法计算得到至少一个第一推荐结果。
在一个具体的实施例中，交互模块303，还用于在计算机设备300的显示装置或第二终端展示判定的用户类型的类型标识、判定的应用场景的场景标识及判定的推荐策略的策略标识；响应于对类型标识、场景标识或策略标识的操作，在计算机设备300的显示装置或第二终端展示对应的用户类型信息、应用场景信息或推荐策略信息。
在一个具体的实施例中，推荐模块302，还用于对至少一个第一推荐结果进行去重及排序处理，生成第二推荐结果。
在一个具体的实施例中，交互模块303，还用于在计算机设备300的显示装置或第二终端展示去重及排序处理的处理标识；响应于对处理标识的操作，在计算机设备300的显示装置或第二终端展示去重及排序处理信息。
在一个具体的实施例中，交互模块303，还用于在计算机设备300的显示装置或第二终端展示第二推荐结果的结果标识；响应于对结果标识的操作，在计算机设备300的显示装置或第二终端展示第二推荐结果信息。
在一个具体的实施例中，该计算机设备300还包括发送模块304和计算模块305；发送模块304，用于向第一终端发送第二推荐结果；获取模块301，还用于获取来自第一终端的用户反馈信息；计算模块305，用于根据用户反馈信息计算推荐策略的贡献度值；交互模块303，还用于在计算机设备的显示装置或第二终端展示推荐策略的贡献度值。
需要说明的是，本实施例提供的计算机设备的原理及工作流程与上述推荐方法相似，相关之处可以参照上述说明，在此不再赘述。
如图6所示，适于用来实现上述实施例提供的推荐方法的计算机***，包括中央处理模块(CPU)，其可以根据存储在只读存储器(ROM)中的程序或者从存储部分加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中，还存储有计算机***操作所需的各种程序和数据。CPU、ROM以及RAM通过总线被此相连。输入/输入(I/O)接口也连接至总线。
以下部件连接至I/O接口:包括键盘、鼠标等的输入部分；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分；包括硬盘等的存储部分；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口。可拆卸介质，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器上，以便于从其上读出的计算机程序根据需要被安装入存储部分。
特别地，根据本实施例，上文流程图描述的过程可以被实现为计算机软件程序。例如，本实施例包括一种计算机程序产品，其包括有形地包含在计算机可读介质上的计算机程序，上述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。
附图中的流程图和示意图，图示了本实施例的***、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，流程图或示意图中的每个方框可以代表一个模块、程序段或代码的一部分，上述模块、程序段或代码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。也应当注意，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，两个接连地表示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，示意图和/或流程图中的每个方框、以及示意和/或流程图中的方框的组合，可以用执行规定的功能或操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。
作为另一方面，本实施例还提供了一种非易失性计算机存储介质，该非易失性计算机存储介质可以是上述实施例中上述装置中所包含的非易失性计算机存储介质，也可以是单独存在，未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个计算机程序，当上述一个或者多个计算机程序被一个处理器执行时，使得上述设备可实现如图2所示的实施例中所述的推荐方法。
显然，本申请的上述实施例仅仅是为清楚地说明本申请所作的举例，而并非是对本申请的实施方式的限定，对于本领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本申请的技术方案所引伸出的显而易见的变化或变动仍处于本申请的保护范围之列。

Claims (15)

1.一种推荐方法，应用于计算机设备，其特征在于，包括：
获取来自第一终端的用户操作数据；
响应于所述用户操作数据，调用至少一个推荐算法计算得到至少一个第一推荐结果；
在所述计算机设备的显示装置或第二终端展示用户信息及所述调用的推荐算法的算法标识；
响应于对所述算法标识的操作，在所述计算机设备的显示装置或第二终端展示对应的推荐算法计算得到的第一推荐结果信息。
2.根据权利要求1所述的方法，其特征在于，所述响应于所述用户操作数据，调用至少一个推荐算法计算得到至少一个第一推荐结果包括：
响应于所述用户操作数据，依次判定用户类型、应用场景及推荐策略，根据所述推荐策略调用至少一个推荐算法计算得到至少一个第一推荐结果。
3.根据权利要求2所述的方法，其特征在于，该方法还包括：
在所述计算机设备的显示装置或第二终端展示所述判定的用户类型的类型标识、判定的应用场景的场景标识及判定的推荐策略的策略标识；
响应于对所述类型标识、场景标识或策略标识的操作，在所述计算机设备的显示装置或第二终端展示对应的用户类型信息、应用场景信息或推荐策略信息。
4.根据权利要求1所述的方法，其特征在于，该方法还包括：
对所述至少一个第一推荐结果进行去重及排序处理，生成第二推荐结果。
5.根据权利要求4所述的方法，其特征在于，该方法还包括：
在所述计算机设备的显示装置或第二终端展示所述去重及排序处理的处理标识；
响应于对所述处理标识的操作，在所述计算机设备的显示装置或第二终端展示去重及排序处理信息。
6.根据权利要求4所述的方法，其特征在于，该方法还包括：
在所述计算机设备的显示装置或第二终端展示第二推荐结果的结果标识；
响应于对所述结果标识的操作，在所述计算机设备的显示装置或第二终端展示第二推荐结果信息。
7.根据权利要求2所述的方法，其特征在于，该方法还包括：
向所述第一终端发送第二推荐结果；
获取来自第一终端的用户反馈信息，根据所述用户反馈信息计算推荐策略的贡献度值并在所述计算机设备的显示装置或第二终端展示。
8.一种计算机设备，包括：
获取模块，用于获取来自第一终端的用户操作数据；
推荐模块，用于响应于所述用户操作数据，调用至少一个推荐算法计算得到至少一个第一推荐结果；
交互模块，用于在所述计算机设备的显示装置或第二终端展示用户信息及所述调用的推荐算法的算法标识，并响应于对所述算法标识的操作，在所述计算机设备的显示装置或第二终端展示对应的推荐算法计算得到的第一推荐结果信息。
9.根据权利要求8所述的计算机设备，其特征在于，所述推荐模块用于响应于所述用户操作数据，调用至少一个推荐算法计算得到至少一个第一推荐结果包括：响应于所述用户操作数据，依次判定用户类型、应用场景及推荐策略，根据所述推荐策略调用至少一个推荐算法计算得到至少一个第一推荐结果。
10.根据权利要求9所述的计算机设备，其特征在于，所述交互模块，还用于在所述计算机设备的显示装置或第二终端展示所述判定的用户类型的类型标识、判定的应用场景的场景标识及判定的推荐策略的策略标识；响应于对所述类型标识、场景标识或策略标识的操作，在所述计算机设备的显示装置或第二终端展示对应的用户类型信息、应用场景信息或推荐策略信息。
11.根据权利要求9所述的计算机设备，其特征在于，所述推荐模块，还用于对所述至少一个第一推荐结果进行去重及排序处理，生成第二推荐结果。
12.根据权利要求11所述的计算机设备，其特征在于，所述交互模块，还用于在所述计算机设备的显示装置或第二终端展示所述去重及排序处理的处理标识；响应于对所述处理标识的操作，在所述计算机设备的显示装置或第二终端展示去重及排序处理信息。
13.根据权利要求11所述的计算机设备，其特征在于，所述交互模块，还用于在所述计算机设备的显示装置或第二终端展示第二推荐结果的结果标识；响应于对所述结果标识的操作，在所述计算机设备的显示装置或第二终端展示第二推荐结果信息。
14.根据权利要求9所述的计算机设备，其特征在于，该计算机设备还包括发送模块和计算模块；
所述发送模块，用于向所述第一终端发送第二推荐结果；
所述获取模块，还用于获取来自第一终端的用户反馈信息；
所述计算模块，用于根据所述用户反馈信息计算推荐策略的贡献度值；
所述交互模块，还用于在所述计算机设备的显示装置或第二终端展示所述推荐策略的贡献度值。
15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
CN202010999112.8A 2020-09-22 2020-09-22 一种推荐方法、计算设备及存储介质 Pending CN112115363A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010999112.8A CN112115363A (zh) 2020-09-22 2020-09-22 一种推荐方法、计算设备及存储介质
US17/334,663 US20220092446A1 (en) 2020-09-22 2021-05-28 Recommendation method, computing device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010999112.8A CN112115363A (zh) 2020-09-22 2020-09-22 一种推荐方法、计算设备及存储介质

Publications (1)

Publication Number Publication Date
CN112115363A true CN112115363A (zh) 2020-12-22

Family

ID=73801420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010999112.8A Pending CN112115363A (zh) 2020-09-22 2020-09-22 一种推荐方法、计算设备及存储介质

Country Status (2)

Country Link
US (1) US20220092446A1 (zh)
CN (1) CN112115363A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112925978A (zh) * 2021-02-26 2021-06-08 北京百度网讯科技有限公司 一种推荐***评测方法、装置、电子设备和存储介质
CN113763111A (zh) * 2021-02-10 2021-12-07 北京沃东天骏信息技术有限公司 物品搭配方法、装置及存储介质
CN114010829A (zh) * 2021-11-17 2022-02-08 奇瑞汽车股份有限公司 杀菌***及车辆
CN114331209A (zh) * 2022-01-10 2022-04-12 北京蓝莓时节科技有限公司 推荐策略数据追踪方法、装置、***和存储介质

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114662006B (zh) * 2022-05-23 2022-09-02 阿里巴巴达摩院(杭州)科技有限公司 端云协同推荐***、方法以及电子设备
CN117332145A (zh) * 2022-08-26 2024-01-02 荣耀终端有限公司 一种应用程序推荐方法、装置及用户设备
CN115186664B (zh) * 2022-09-13 2023-01-13 深圳市爱聊科技有限公司 基于多维度的主体间相合度测算方法及***
CN116304007A (zh) * 2022-11-11 2023-06-23 蚂蚁财富(上海)金融信息服务有限公司 一种信息推荐方法、装置、存储介质及电子设备
CN116198529B (zh) * 2023-04-28 2023-07-25 禾多科技（北京）有限公司 自动泊车推荐方法、装置、电子设备和计算机可读介质
CN116501976B (zh) * 2023-06-25 2023-11-17 浙江天猫技术有限公司 数据推荐、模型训练、相似用户分析方法、设备和介质
CN116629810B (zh) * 2023-07-24 2023-10-20 中建五局第三建设有限公司 基于建筑办公***的操作推荐方法、装置、设备和介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6601061B1 (en) * 1999-06-18 2003-07-29 Surfwax, Inc. Scalable information search and retrieval including use of special purpose searching resources
US10325285B1 (en) * 2013-06-28 2019-06-18 Groupon, Inc. Predictive recommendation system
US10310846B2 (en) * 2014-12-15 2019-06-04 Business Objects Software Ltd. Automated approach for integrating automated function library functions and algorithms in predictive analytics
US20210142143A1 (en) * 2019-11-11 2021-05-13 Kevin D. Howard Artificial intelligence systems and methods
US20220024607A1 (en) * 2020-07-22 2022-01-27 The Boeing Company Predictive maintenance model design system

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113763111A (zh) * 2021-02-10 2021-12-07 北京沃东天骏信息技术有限公司 物品搭配方法、装置及存储介质
CN112925978A (zh) * 2021-02-26 2021-06-08 北京百度网讯科技有限公司 一种推荐***评测方法、装置、电子设备和存储介质
CN114010829A (zh) * 2021-11-17 2022-02-08 奇瑞汽车股份有限公司 杀菌***及车辆
CN114010829B (zh) * 2021-11-17 2022-10-21 奇瑞汽车股份有限公司 杀菌***及车辆
CN114331209A (zh) * 2022-01-10 2022-04-12 北京蓝莓时节科技有限公司 推荐策略数据追踪方法、装置、***和存储介质

Also Published As

Publication number Publication date
US20220092446A1 (en) 2022-03-24

Similar Documents

Publication Publication Date Title
CN112115363A (zh) 一种推荐方法、计算设备及存储介质
US10783361B2 (en) Predictive analysis of target behaviors utilizing RNN-based user embeddings
CN108876526B (zh) 商品推荐方法、装置和计算机可读存储介质
US11429405B2 (en) Method and apparatus for providing personalized self-help experience
WO2018144897A1 (en) Method, apparatus, and system for data analytics model selection for real-time data visualization
US20180240158A1 (en) Computer implemented system and method for customer profiling using micro-conversions via machine learning
KR20200142489A (ko) 자동 광고 대행 서버, 자동으로 광고 매체를 위한 캠페인 정보를 생성하여 광고의 집행을 대행하는 방법 및 상기 방법을 실행하기 위한 컴퓨터 프로그램
CN110851699A (zh) 基于深度强化学习的信息流推荐方法、装置、设备及介质
WO2019226933A1 (en) Personalized recommendations for unidentified users based on web browsing context
US9767417B1 (en) Category predictions for user behavior
CN111259263A (zh) 一种物品推荐方法、装置、计算机设备及存储介质
CN109087162A (zh) 数据处理方法、***、介质和计算设备
Wu et al. Enhanced e-commerce customer engagement: A comprehensive three-tiered recommendation system
CN111400613A (zh) 物品推荐方法、装置、介质及计算机设备
KR102458510B1 (ko) 실시간 보완 가능한 마케팅 시스템
Wang et al. Probabilistic models for ad viewability prediction on the web
WO2023284516A1 (zh) 基于知识图谱的信息推荐方法、装置、设备、介质及产品
CN112150184A (zh) 点击率预估方法及其***、计算机***及计算机可读介质
US10387934B1 (en) Method medium and system for category prediction for a changed shopping mission
CN113793161A (zh) 广告投放方法、广告投放装置、可读存储介质及电子设备
US10296928B1 (en) System and methods for measuring and influencing customer trajectory within a product space
US20230153843A1 (en) System to combine intelligence from multiple sources that use disparate data sets
US11966957B2 (en) Methods and systems for modular personalization center
US12008033B2 (en) Determining user affinities for content generation applications
CN111127057A (zh) 一种多维用户画像恢复方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination