CN112464101A - 电子书的排序推荐方法、电子设备及存储介质 - Google Patents
电子书的排序推荐方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112464101A CN112464101A CN202011481357.8A CN202011481357A CN112464101A CN 112464101 A CN112464101 A CN 112464101A CN 202011481357 A CN202011481357 A CN 202011481357A CN 112464101 A CN112464101 A CN 112464101A
- Authority
- CN
- China
- Prior art keywords
- interaction
- book
- interactive
- transfer
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000002452 interceptive effect Effects 0.000 claims abstract description 336
- 230000003993 interaction Effects 0.000 claims abstract description 325
- 238000012549 training Methods 0.000 claims abstract description 138
- 238000012163 sequencing technique Methods 0.000 claims abstract description 63
- 238000013507 mapping Methods 0.000 claims abstract description 60
- 238000012546 transfer Methods 0.000 claims description 303
- 238000004891 communication Methods 0.000 claims description 20
- 238000013016 damping Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009191 jumping Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
- G06F16/9538—Presentation of query results
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种电子书的排序推荐方法、电子设备及存储介质,该方法包括:获取阅读用户对应于交互时段的交互书籍列表;针对交互书籍列表中的交互书籍,根据阅读用户对应于交互书籍的交互时长和/或交互类型确定交互书籍的交互深度值;根据预设的分桶映射关系,将交互书籍的交互深度值映射为与分桶区间相对应的交互权重值;根据交互书籍列表中的各个交互书籍的交互权重值构建多个训练样本组,通过多个训练样本组训练排序推送模型,基于排序推送模型进行电子书的排序推荐。该方式考虑了交互深度的影响,使排序结果更加准确。另外,通过分桶映射的方式能够将不便于比较的交互深度值转化为便于比较的交互权重值,从而便于构建多个训练样本组。
Description
技术领域
本发明涉及计算机领域,具体涉及一种电子书的排序推荐方法、电子设备及存储介质。
背景技术
电子书形式的书籍由于具有获取方便等优势,受到了大量用户的喜爱。书籍阅读平台大多是按照书籍全文的内容相似度进行书籍推荐的。现有技术中,一般是将与用户曾经阅读过的书籍在书籍内容上具有较高相似度的若干个书籍作为推荐书籍并向用户展现。
但是,发明人在实现本发明的过程中发现,上述推荐方式至少存在以下缺陷:根据书籍内容的相似度进行推荐容易导致用户阅读大量内容雷同的书籍,不利于拓展用户的阅读范围。并且,在书籍推荐过程中,无法根据用户对不同书籍的交互深度的不同进行针对性的推荐。总之,现有的书籍推荐方式较为单一,导致推荐内容与用户需求匹配度不高。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的电子书的排序推荐方法、电子设备及存储介质。
根据本发明的一个方面,提供了一种电子书的排序推荐及书籍排序推送方法,包括:
获取阅读用户对应于交互时段的交互书籍列表;
针对所述交互书籍列表中的交互书籍,根据阅读用户对应于所述交互书籍的交互时长和/或交互类型确定所述交互书籍的交互深度值;
根据预设的分桶映射关系,将所述交互书籍的交互深度值映射为与分桶区间相对应的交互权重值;
根据所述交互书籍列表中的各个交互书籍的交互权重值构建多个训练样本组,通过所述多个训练样本组训练排序推送模型,基于所述排序推送模型进行电子书的排序推荐。
根据本发明的另一方面,提供了一种电子设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行以下操作:
获取阅读用户对应于交互时段的交互书籍列表;
针对所述交互书籍列表中的交互书籍,根据阅读用户对应于所述交互书籍的交互时长和/或交互类型确定所述交互书籍的交互深度值;
根据预设的分桶映射关系,将所述交互书籍的交互深度值映射为与分桶区间相对应的交互权重值;
根据所述交互书籍列表中的各个交互书籍的交互权重值构建多个训练样本组,通过所述多个训练样本组训练排序推送模型,基于所述排序推送模型进行电子书的排序推荐。
根据本发明的又一方面,提供了一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使所述处理器执行以下操作:
获取阅读用户对应于交互时段的交互书籍列表;
针对所述交互书籍列表中的交互书籍,根据阅读用户对应于所述交互书籍的交互时长和/或交互类型确定所述交互书籍的交互深度值;
根据预设的分桶映射关系,将所述交互书籍的交互深度值映射为与分桶区间相对应的交互权重值;
根据所述交互书籍列表中的各个交互书籍的交互权重值构建多个训练样本组,通过所述多个训练样本组训练排序推送模型,基于所述排序推送模型进行电子书的排序推荐。
在本发明提供的电子书的排序推荐方法、电子设备及存储介质中,首先,获取阅读用户对应于交互时段的交互书籍列表,针对交互书籍列表中的交互书籍,确定交互书籍的交互深度值;然后,根据预设的分桶映射关系,将交互书籍的交互深度值映射为与分桶区间相对应的交互权重值;最后,根据各个交互书籍的交互权重值构建训练样本组,以训练排序推送模型,从而实现电子书的排序推荐。由此可见,该方式能够根据各个交互书籍的交互深度值构建训练样本组,从而使训练得到的排序推送模型能够根据书籍的交互深度值的不同而进行不同的排序推荐,从而在排序推荐过程中考虑了交互深度的影响,使排序结果更加准确。另外,通过分桶映射的方式能够将不便于比较的交互深度值转化为便于比较的交互权重值,从而便于构建多个训练样本组。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明一个实施例提供的电子书的排序推荐及书籍排序推送方法的流程图;
图2示出了本发明另一个实施例提供的电子书的排序推荐及书籍排序推送方法的流程图;
图3示出了根据本发明另一个实施例的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,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能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例一
图1示出了本发明一个实施例提供的电子书的排序推荐及书籍排序推送方法的流程图。如图1所示,该方法包括以下步骤:
步骤S110:获取阅读用户对应于交互时段的交互书籍列表。
其中,交互时段是指由起始时间段以及结束时间段界定的一段时间,在该交互时段内持续监测用户行为,根据监测结果获取该阅读用户对应于该交互时段的交互书籍列表。其中,交互书籍列表用于存储该阅读用户在该交互时段内产生过交互的至少一本电子书。其中,所谓产生过交互包括:用户针对该电子书触发过点击操作、查找操作、浏览操作等各种预设类型的交互操作,交互操作的种类和数量可由本领域技术人员根据业务场景灵活设定。
步骤S120:针对交互书籍列表中的交互书籍,根据阅读用户对应于交互书籍的交互时长和/或交互类型确定交互书籍的交互深度值。
具体的,针对各个交互书籍,确定阅读用户对应于该交互书籍的交互时长和/或交互类型。其中,交互时长主要是指阅读时长,阅读时长越长,交互深度值越大。另外,交互类型包括:阅读类交互类型、下载类交互类型、付费类交互类型等多种类型,可以预先针对不同的交互类型设置不同的权重,并根据各个交互类型所对应的交互操作的加权结果确定交互书籍的交互深度值。
总之,交互书籍的交互深度值用于反映阅读用户对于该交互书籍的交互程度:交互深度值越大,说明阅读用户对于该交互书籍的交互越深入,即:偏好程度越大、越感兴趣。
步骤S130:根据预设的分桶映射关系,将交互书籍的交互深度值映射为与分桶区间相对应的交互权重值。
具体的,预先建立分桶映射关系,该分桶映射关系用于将连续的、不便于比较的交互深度值映射为离散的、便于比较的交互权重值。其中,该分桶映射关系设定了多个分桶区间,以及与每个分桶区间相对应的交互深度值的数值范围以及该分桶区间所对应的交互权重值。
相应的,基于上述的分桶映射关系,将交互书籍的交互深度值转化为与分桶区间相对应的交互权重值,以便于在后续步骤中针对交互权重值进行比较。
步骤S140:根据交互书籍列表中的各个交互书籍的交互权重值构建多个训练样本组,通过多个训练样本组训练排序推送模型,基于排序推送模型进行电子书的排序推荐。
其中,一个训练样本组可以为包含两个交互书籍的训练样本对,也可以为包含多个交互书籍的训练样本列表,本发明对此不作限定。具体实施时,根据训练样本组中的多个训练样本(即交互书籍)的交互权重值之间的比较结果,对训练样本组进行标注。基于标注后的各个训练样本组训练排序推送模型。其中,排序推送模型可以为神经网络模型等各类模型,本发明对此不作限定。通过该排序推送模型进行电子书的推荐时,能够充分考虑用户对于不同电子书的交互深度的不同,从而提升推荐结果的准确性。
由此可见,该方式能够根据各个交互书籍的交互深度值构建训练样本组,从而使训练得到的排序推送模型能够根据书籍的交互深度值的不同而进行不同的排序推荐,从而在排序推荐过程中考虑了交互深度的影响,使排序结果更加准确。另外,通过分桶映射的方式能够将不便于比较的交互深度值转化为便于比较的交互权重值,从而便于构建多个训练样本组。
实施例二
图2示出了本发明另一个实施例提供的电子书的排序推荐方法的流程图。如图2所示,该方法包括以下步骤:
步骤S210:获取阅读用户对应于交互时段的交互书籍列表。
其中,交互时段是指由起始时间段以及结束时间段界定的一段时间,在该交互时段内持续监测用户行为,根据监测结果获取该阅读用户对应于该交互时段的交互书籍列表。其中,交互书籍列表用于存储该阅读用户在该交互时段内产生过交互的至少一本电子书。其中,所谓产生过交互包括:用户针对该电子书触发过点击操作、查找操作、浏览操作等各种预设类型的交互操作,交互操作的种类和数量可由本领域技术人员根据业务场景灵活设定。
步骤S220:针对交互书籍列表中的交互书籍,根据阅读用户对应于交互书籍的交互时长和/或交互类型确定交互书籍的交互深度值。
具体的,针对各个交互书籍,确定阅读用户对应于该交互书籍的交互时长和/或交互类型。其中,交互时长主要是指阅读时长,阅读时长越长,交互深度值越大。另外,交互类型包括:阅读类交互类型、下载类交互类型、付费类交互类型等多种类型,可以预先针对不同的交互类型设置不同的权重,并根据各个交互类型所对应的交互操作的加权结果确定交互书籍的交互深度值。总之,交互书籍的交互深度值用于反映阅读用户对于该交互书籍的交互程度:交互深度值越大,说明阅读用户对于该交互书籍的交互越深入,即:偏好程度越大、越感兴趣。
具体实施时,为了确保样本的全面性,需要针对多个阅读用户,持续在多个交互时段内获取交互书籍列表。因此,为了区分不同阅读用户以及不同的交互时段,交互书籍列表的列表标识需要包含用户标识以及时段信息,其中,用户标识可以为阅读用户的用户ID,时段信息通过起始时间点以及结束时间点共同标识。因此,每个作为样本的阅读用户在一段交互时段内的交互书籍列表中至少包含一本交互书籍。然后,针对交互书籍列表中包含的每本交互书籍,监测用户在预设时长内针对该交互书籍产生的交互时长和/或交互类型。其中,预设时长可以为三天或七天,由于一本书的阅读耗时较长,因此,需要将预设时长设置的稍长一些,通过持续监测用户在预设时长内针对该交互书籍触发的各次交互行为的交互时长以及交互类型,确定用户对应于该交互书籍的交互深度值。例如,交互时长越长,交互深度值越大;又如,还可以预先针对各类交互行为,分别设置不同的权重,从而针对各次交互行为按照交互类型进行加权操作,根据加权结果确定交互深度值,比如,以下交互类型的权重依次递减:付费类交互类型、下载类型、加入书架类型、浏览免费章节类型等。
步骤S230:根据预设的分桶映射关系,将交互书籍的交互深度值映射为与分桶区间相对应的交互权重值。
具体的,预先建立分桶映射关系,该分桶映射关系用于将连续的、不便于比较的交互深度值映射为离散的、便于比较的交互权重值。其中,该分桶映射关系设定了多个分桶区间,以及与每个分桶区间相对应的交互深度值的数值范围以及该分桶区间所对应的交互权重值。相应的,基于上述的分桶映射关系,将交互书籍的交互深度值转化为与分桶区间相对应的交互权重值,以便于在后续步骤中针对交互权重值进行比较。
具体实施时,通过以下方式确定交互书籍的交互权重值:首先,查询预设的分桶映射关系,确定与交互书籍的交互深度值相对应的分桶区间。其中,分桶映射关系用于设定各个分桶区间对应的交互深度值的数值范围以及各个分桶区间对应的交互权重值。然后,查询与交互书籍的交互深度值相对应的分桶区间所对应的交互权重值,将查询到的交互权重值作为交互书籍的交互权重值。其中,交互深度值为连续型数值,交互权重值为离散型数值。
例如,若阅读用户对于书籍未产生交互,则该交互书籍的交互深度值为0(具体标记为负样本)。当阅读用户对于书籍产生了交互时,交互深度值为正值(具体标记为正样本),且具体数值根据交互时长和/或交互类型确定。具体实施中,可以设定18个数据分桶,每个数据分桶对应于不同的分桶区间:第一个数据分桶的分桶区间为(0-10],交互深度值属于(0-10]这一区间的交互书籍将落入第一个数据分桶,并且,第一个数据分桶对应的交互权重值为1,凡是落入第一个数据分桶的交互书籍,其交互权重值均为1;第二个数据分桶的分桶区间为(10-300],交互深度值属于(10-300]这一区间的交互书籍将落入第二个数据分桶,并且,第二个数据分桶对应的交互权重值为2,凡是落入第二个数据分桶的交互书籍,其交互权重值均为2……同理,第18个数据分桶的交互权重值为18,凡是落入第18个数据分桶的交互书籍,其交互权重值均为18。由此可见,通过数据分桶的方式,将连续的、不便于比较的交互深度值转化为离散的、且便于比较的交互权重值。
通过分桶映射的方式,能够更好地体现交互深度之间的差别。其中,发明人在实现本发明的过程中发现,由于交互深度值通常根据交互时长确定,因此,若直接将连续的交互深度值进行比较,往往无法有效挖掘不同书籍之间的差异性。例如,假设书籍一交互了299分钟,对应的交互深度值为299;书籍二交互了300分钟,对应的交互深度值为300,若直接依据交互深度值构建训练样本组,则书籍二与书籍一之间的交互深度值的差值为1,但实际上,书籍一与书籍二的交互深度同属于一个分桶区间,将二者进行比较的意义不大。
步骤S240:根据交互书籍列表中的各个交互书籍的交互权重值构建多个训练样本组。
具体的,根据交互书籍列表中的各个交互书籍的交互权重值,将所述交互书籍列表中的各个交互书籍组合为多个训练样本组,根据各个训练样本组中包含的至少两个训练样本的交互权重值之间的比较结果标注各个训练样本组。具体实施时,将交互权重值各不相同的多个交互书籍确定为一个训练样本组,并根据该训练样本组中的多个交互书籍的交互权重值之间的比较结果对该训练样本组进行标注。
本实施例中的训练样本组可通过多种方式构建,例如,既可以是由两个交互书籍样本构成的训练样本对,也可以是由多个交互书籍样本构成的训练样本列表,本发明对此不作限定。
以训练样本对为例,在构建训练样本对时,可以将多个正样本按照交互权重值进行排序,然后,将排序后得到的各个正样本进行两两组合,以得到多个训练样本对。具体地,由于Pointwise算法较适宜处理交互时长较短的样本,而对于交互时长较长的样本拟合性不佳,因此,在本实施例中,可以通过Pairwise算法和/或Listwise算法训练排序推荐模型,为了更好地适应上述算法,可以筛选交互深度值大于预设深度阈值的若干正样本,并根据筛选出的正样本构建训练样本对,以便于重点学习交互时长较长的样本的特性。通过训练样本对的形式能够表达样本之间在交互深度方面的差异性。
发明人在实现本发明的过程中发现,若直接比较两个书籍的交互深度值,将导致比较结果无法真实反映二者之间的差异程度。例如,假设第一训练样本组中的书籍一交互了290分钟,对应的交互深度值为290;书籍二交互了300分钟,对应的交互深度值为300,若直接依据交互深度值构建第一训练样本组,则书籍二与书籍一之间的交互深度值的差值为10;假设第二训练样本组中的书籍三交互了1分钟,对应的交互深度值为1;书籍四交互了11分钟,对应的交互深度值为11,若直接依据交互深度值构建第二训练样本组,则书籍三与书籍四之间的交互深度值的差值也为10。在上述方式中,第一训练样本组与第二训练样本组的差值相同,但是,在交互时长较长的情况下,290分钟的交互深度与300分钟的交互深度之间显然差别不大;而在交互时长较短的情况下,1分钟的交互深度与11分钟的交互深度则差异更为明显。因此,直接以交互深度值构建训练样本组时,无法准确反映样本之间的差异程度。
为了解决上述问题,本实施例通过分桶映射方式,将连续的交互深度值映射为离散的交互权重值,经分桶映射处理后,书籍一与书籍二共同属于同一个分桶区间,因此,二者的交互权重值相等,此时,则无需将二者构建为一个训练样本组。由此可见,经分桶映射处理后,能够确保构建的训练样本组更能反映样本间的差异性。
步骤S250:通过多个训练样本组训练排序推送模型,基于排序推送模型进行电子书的排序推荐。
具体地,根据训练样本组中的多个训练样本(即交互书籍)的交互权重值之间的比较结果,对训练样本组进行标注。基于标注后的各个训练样本组训练排序推送模型。具体实施时,通过排序算法对多个训练样本组进行训练,以得到排序推送模型。其中,排序算法包括:基于样本对的排序算法和/或基于样本列表的排序算法。
其中,本实施例中的排序推送模型可以为神经网络模型,该神经网络模型包括网络层以及全连接层。相应的,上述的排序算法主要用于在全连接层进行训练。
另外,本实施例中的训练样本组主要用于基于Pairwise算法和/或Listwise算法学习样本之间的排序信息,但是,在实际应用中,当训练样本对较为稀疏时,直接采用Pairwise算法和/或Listwise算法可能导致过拟合的问题,为了解决该问题,在一种改进的实现方式中,先通过Pointwise算法进行预训练,再通过Pairwise算法和/或Listwise算法对预训练模型进行微调,以得到上述的排序推荐模型。另外,通过预训练过程,将在网络层获取到各个训练样本对应的样本向量以及样本权重,相应的,在微调过程中,直接共享预训练过程中得到的样本向量以及样本权重即可。
另外,发明人在实现本发明的过程中发现,书籍之间的转移关系能够有效反应书籍的重要度,因此,在一种改进的实现方式中,在训练上述的排序推荐模型的过程中,进一步将根据交互书籍之间的转移关系确定的转移权重作为交互书籍的一个样本属性特征,进而提升模型的准确性。
相应的,在根据交互书籍列表中的各个交互书籍的交互权重值构建多个训练样本组时,进一步通过以下方式实现:首先,确定交互书籍列表中的各个交互书籍之间的转移关系,根据交互书籍之间的转移关系生成与交互书籍列表相对应的书籍转移图;然后,根据书籍转移图,计算各个交互书籍的转移权重,将转移权重作为与交互书籍相对应的训练样本的样本特征。其中,根据用户的阅读行为数据生成上述的书籍转移图。书籍转移图包括多个转移节点,每个转移节点对应于一个交互书籍。由于用户在阅读过程中存在由第一交互书籍跳转至第二交互书籍的行为,因此,基于用户触发的书籍跳转行为(也叫书籍转移行为),建立各个转移节点之间的转移关系,其中,转移关系包括:转移方向,例如,转入或转出。
具体的,在确定交互书籍列表中的各个交互书籍之间的转移关系,根据交互书籍之间的转移关系生成与交互书籍列表相对应的书籍转移图时,通过以下方式实现:针对交互书籍列表中的第一交互书籍,检测阅读用户在阅读第一交互书籍的过程中,是否与第二交互书籍产生交互;若是,将第二交互书籍所对应的第二转移节点确定为第一交互书籍所对应的第一转移节点的转出类转移节点;并且,将第一交互书籍所对应的第一转移节点确定为第二交互书籍所对应的第二转移节点的转入类转移节点。其中,第一交互书籍可以为交互书籍列表中的任一书籍,具体实施时,需要确定阅读用户针对第一交互书籍进行交互的交互时间段,该交互时间段可能以小时或天为单位,由于书籍属于长交互的业务对象,因此,该交互时间段将持续较长时间。并且,在该交互时间段内,用户可能会增量交互其他书籍。例如,用户在阅读西游记的过程中,又下载了三国演义或水浒传进行穿插阅读。相应的,第二交互书籍的数量可以为一个或多个,凡是在阅读用户阅读第一交互书籍的交互时间段内新增交互的书籍均作为第二交互书籍。由此可见,用户在阅读过程中从第一交互书籍转向了第二交互书籍,因此,对于第一交互书籍而言,第二交互书籍所对应的转移节点为转出类转移节点;对于第二交互书籍而言,第一交互书籍所对应的转移节点为转入类转移节点。对于任一交互书籍所对应的转移节点而言,可能既包含多个转入类转移节点,又包含多个转出类转移节点。
相应的,在根据书籍转移图,计算各个交互书籍的转移权重时,将书籍转移图中包含的任一交互书籍所对应的转移节点作为目标转移节点,确定与该目标转移节点相对应的转入类转移节点,以及与该目标转移节点相对应的转出类转移节点;根据转入类转移节点以及转出类转移节点,计算目标转移节点对应的交互书籍的转移权重。另外,还可以进一步针对与该目标转移节点相对应的各个转入类转移节点,分别确定各个转入类转移节点的转出类转移节点的数量及各个转入类转移节点的转出类转移节点的转移权重,并结合各个转入类转移节点的转出类转移节点的数量及各个转入类转移节点的转出类转移节点的转移权重计算目标转移节点对应的交互书籍的转移权重。
具体实施时,可以根据预设的阻尼系数、书籍转移图中包含的转移节点的总数量、与目标转移节点相对应的各个转入类转移节点的转移权重、和/或与目标转移节点相对应的各个转出类转移节点的转移权重,计算目标转移节点对应的交互书籍的转移权重。例如,可以根据与目标转移节点相对应的各个转入类转移节点的转移权重的总和以及与目标转移节点相对应的各个转出类转移节点的转移权重的总和之间的比值,计算目标转移节点对应的交互书籍的转移权重。当然,本领域技术人员还可以灵活设置各种方式以计算目标转移节点对应的交互书籍的转移权重,本发明对具体的计算细节不作限定。
在一种可选的实现方式中,目标转移节点u对应的交互书籍的转移权重Pr(u)可通过以下公式计算得到:
其中,d为阻尼系数,具体数值可根据实际情况灵活设定。N为书籍转移图中包含的转移节点的总数量。实际情况中,N既可以为书籍转移图中包含的全部转移节点的总数量,也可以为与目标转移节点存在转入或输出关系的关联转移节点的数量。在后一种方式中,N的取值根据目标转移节点所对应的关联转移节点的数量确定。其中,关联转移节点包括:直接关联转移节点以及间接关联转移节点。具体的,直接关联转移节点是指:与目标转移节点相对应的转入类转移节点以及转出类转移节点;间接关联转移节点是指:与目标转移节点的直接关联转移节点相对应的转入类转移节点和/或转出类转移节点。
其中,上述公式中的V代表集合Iu中的任一转移节点,集合Iu用于存储与目标转移节点相对应的各个转入类转移节点,Pr(V)表示转移节点V的转移权重,|O(V)|表示转移节点V所对应的转出类转移节点的数量。通过上述公式,能够计算出目标转移节点u对应的交互书籍的转移权重值。
另外,还需要强调的是,上述的交互书籍列表既可以是一个阅读用户对应的列表,也可以是多个阅读用户对应的列表,本发明对此不作限定。相应的,当交互书籍列表为多个阅读用户对应的列表时,上述的书籍转移图能够反映多个用户的转移情况,从而使结果更加符合多数用户的需求。
综上可知,该方式能够根据各个交互书籍的交互深度值构建训练样本组,从而使训练得到的排序推送模型能够根据书籍的交互深度值的不同而进行不同的排序推荐,从而在排序推荐过程中考虑了交互深度的影响,使排序结果更加准确。另外,通过分桶映射的方式能够将不便于比较的交互深度值转化为便于比较的交互权重值,从而便于构建多个训练样本组。并且,在本实施例中,进一步在训练过程中考虑了书籍之间的转移关系,从而便于根据书籍间的转移关系准确确定书籍的重要程度,进而使排序结果更加准确。
实施例三
本申请实施例提供了一种非易失性计算机存储介质,所述计算机存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的电子书的排序推荐及书籍排序推送方法。
可执行指令具体可以用于使得处理器执行以下操作:
获取阅读用户对应于交互时段的交互书籍列表;
针对所述交互书籍列表中的交互书籍,根据阅读用户对应于所述交互书籍的交互时长和/或交互类型确定所述交互书籍的交互深度值;
根据预设的分桶映射关系,将所述交互书籍的交互深度值映射为与分桶区间相对应的交互权重值;
根据所述交互书籍列表中的各个交互书籍的交互权重值构建多个训练样本组,通过所述多个训练样本组训练排序推送模型,基于所述排序推送模型进行电子书的排序推荐。
在一种可选的实现方式中,所述可执行指令使所述处理器执行以下操作:
查询预设的分桶映射关系,确定与所述交互书籍的交互深度值相对应的分桶区间;其中,所述分桶映射关系用于设定各个分桶区间对应的交互深度值的数值范围以及各个分桶区间对应的交互权重值;
查询与所述交互书籍的交互深度值相对应的分桶区间所对应的交互权重值,将查询到的交互权重值作为所述交互书籍的交互权重值;
其中,所述交互深度值为连续型数值,所述交互权重值为离散型数值。
在一种可选的实现方式中,所述可执行指令使所述处理器执行以下操作:
根据所述交互书籍列表中的各个交互书籍的交互权重值,将所述交互书籍列表中的各个交互书籍组合为多个训练样本组,根据各个训练样本组中包含的至少两个训练样本的交互权重值之间的比较结果标注各个训练样本组。
在一种可选的实现方式中,所述可执行指令使所述处理器执行以下操作:
通过排序算法对所述多个训练样本组进行训练,以得到所述排序推送模型;其中,所述排序算法包括:基于样本对的排序算法和/或基于样本列表的排序算法。
在一种可选的实现方式中,所述可执行指令使所述处理器执行以下操作:
确定交互书籍列表中的各个交互书籍之间的转移关系,根据所述交互书籍之间的转移关系生成与所述交互书籍列表相对应的书籍转移图;
根据所述书籍转移图,计算各个交互书籍的转移权重,将所述转移权重作为与所述交互书籍相对应的训练样本的样本特征。
在一种可选的实现方式中,所述可执行指令使所述处理器执行以下操作:
针对交互书籍列表中的第一交互书籍,检测阅读用户在阅读所述第一交互书籍的过程中,是否与第二交互书籍产生交互;
若是,将所述第二交互书籍所对应的第二转移节点确定为所述第一交互书籍所对应的第一转移节点的转出类转移节点;
并且,将所述第一交互书籍所对应的第一转移节点确定为所述第二交互书籍所对应的第二转移节点的转入类转移节点。
在一种可选的实现方式中,所述可执行指令使所述处理器执行以下操作:
将所述书籍转移图中包含的任一交互书籍所对应的转移节点作为目标转移节点,确定与该目标转移节点相对应的转入类转移节点,以及与该目标转移节点相对应的转出类转移节点;
根据所述转入类转移节点以及所述转出类转移节点,计算所述目标转移节点对应的交互书籍的转移权重。
在一种可选的实现方式中,所述可执行指令使所述处理器执行以下操作:
根据预设的阻尼系数、所述书籍转移图中包含的转移节点的总数量、与目标转移节点相对应的各个转入类转移节点的转移权重、和/或与目标转移节点相对应的各个转出类转移节点的转移权重,计算所述目标转移节点对应的交互书籍的转移权重。
实施例四
图3示出了根据本发明另一个实施例的一种电子设备的结构示意图,本发明具体实施例并不对电子设备的具体实现做限定。
如图3所示,该电子设备可以包括:处理器(processor)302、通信接口(Communications Interface)304、存储器(memory)306、以及通信总线308。
其中:处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。通信接口304,用于与其它设备比如客户端或其它服务器等的网元通信。处理器302,用于执行程序310,具体可以执行上述电子书的排序推荐及书籍排序推送方法实施例中的相关步骤。
具体地,程序310可以包括程序代码,该程序代码包括计算机操作指令。
处理器302可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器306,用于存放程序310。存储器306可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序310具体可以用于使得处理器302执行以下操作:
获取阅读用户对应于交互时段的交互书籍列表;
针对所述交互书籍列表中的交互书籍,根据阅读用户对应于所述交互书籍的交互时长和/或交互类型确定所述交互书籍的交互深度值;
根据预设的分桶映射关系,将所述交互书籍的交互深度值映射为与分桶区间相对应的交互权重值;
根据所述交互书籍列表中的各个交互书籍的交互权重值构建多个训练样本组,通过所述多个训练样本组训练排序推送模型,基于所述排序推送模型进行电子书的排序推荐。
在一种可选的实现方式中,所述可执行指令使所述处理器执行以下操作:
查询预设的分桶映射关系,确定与所述交互书籍的交互深度值相对应的分桶区间;其中,所述分桶映射关系用于设定各个分桶区间对应的交互深度值的数值范围以及各个分桶区间对应的交互权重值;
查询与所述交互书籍的交互深度值相对应的分桶区间所对应的交互权重值,将查询到的交互权重值作为所述交互书籍的交互权重值;
其中,所述交互深度值为连续型数值,所述交互权重值为离散型数值。
在一种可选的实现方式中,所述可执行指令使所述处理器执行以下操作:
根据所述交互书籍列表中的各个交互书籍的交互权重值,将所述交互书籍列表中的各个交互书籍组合为多个训练样本组,根据各个训练样本组中包含的至少两个训练样本的交互权重值之间的比较结果标注各个训练样本组。
在一种可选的实现方式中,所述可执行指令使所述处理器执行以下操作:
通过排序算法对所述多个训练样本组进行训练,以得到所述排序推送模型;其中,所述排序算法包括:基于样本对的排序算法和/或基于样本列表的排序算法。
在一种可选的实现方式中,所述可执行指令使所述处理器执行以下操作:
确定交互书籍列表中的各个交互书籍之间的转移关系,根据所述交互书籍之间的转移关系生成与所述交互书籍列表相对应的书籍转移图;
根据所述书籍转移图,计算各个交互书籍的转移权重,将所述转移权重作为与所述交互书籍相对应的训练样本的样本特征。
在一种可选的实现方式中,所述可执行指令使所述处理器执行以下操作:
针对交互书籍列表中的第一交互书籍,检测阅读用户在阅读所述第一交互书籍的过程中,是否与第二交互书籍产生交互;
若是,将所述第二交互书籍所对应的第二转移节点确定为所述第一交互书籍所对应的第一转移节点的转出类转移节点;
并且,将所述第一交互书籍所对应的第一转移节点确定为所述第二交互书籍所对应的第二转移节点的转入类转移节点。
在一种可选的实现方式中,所述可执行指令使所述处理器执行以下操作:
将所述书籍转移图中包含的任一交互书籍所对应的转移节点作为目标转移节点,确定与该目标转移节点相对应的转入类转移节点,以及与该目标转移节点相对应的转出类转移节点;
根据所述转入类转移节点以及所述转出类转移节点,计算所述目标转移节点对应的交互书籍的转移权重。
在一种可选的实现方式中,所述可执行指令使所述处理器执行以下操作:
根据预设的阻尼系数、所述书籍转移图中包含的转移节点的总数量、与目标转移节点相对应的各个转入类转移节点的转移权重、和/或与目标转移节点相对应的各个转出类转移节点的转移权重,计算所述目标转移节点对应的交互书籍的转移权重。
在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
本发明还公开了A1.一种电子书的排序推荐方法,包括:
获取阅读用户对应于交互时段的交互书籍列表;
针对所述交互书籍列表中的交互书籍,根据阅读用户对应于所述交互书籍的交互时长和/或交互类型确定所述交互书籍的交互深度值;
根据预设的分桶映射关系,将所述交互书籍的交互深度值映射为与分桶区间相对应的交互权重值;
根据所述交互书籍列表中的各个交互书籍的交互权重值构建多个训练样本组,通过所述多个训练样本组训练排序推送模型,基于所述排序推送模型进行电子书的排序推荐。
A2.根据A1所述的方法,其中,所述根据预设的分桶映射关系,将所述交互书籍的交互深度值映射为与分桶区间相对应的交互权重值包括:
查询预设的分桶映射关系,确定与所述交互书籍的交互深度值相对应的分桶区间;其中,所述分桶映射关系用于设定各个分桶区间对应的交互深度值的数值范围以及各个分桶区间对应的交互权重值;
查询与所述交互书籍的交互深度值相对应的分桶区间所对应的交互权重值,将查询到的交互权重值作为所述交互书籍的交互权重值;
其中,所述交互深度值为连续型数值,所述交互权重值为离散型数值。
A3.根据A1或2所述的方法,其中,所述根据所述交互书籍列表中的各个交互书籍的交互权重值构建多个训练样本组包括:
根据所述交互书籍列表中的各个交互书籍的交互权重值,将所述交互书籍列表中的各个交互书籍组合为多个训练样本组,根据各个训练样本组中包含的至少两个训练样本的交互权重值之间的比较结果标注各个训练样本组。
A4.根据A1-3任一所述的方法,其中,所述通过所述多个训练样本组训练排序推送模型包括:
通过排序算法对所述多个训练样本组进行训练,以得到所述排序推送模型;其中,所述排序算法包括:基于样本对的排序算法和/或基于样本列表的排序算法。
A5.根据A1-4任一所述的方法,其中,所述根据所述交互书籍列表中的各个交互书籍的交互权重值构建多个训练样本组进一步包括:
确定交互书籍列表中的各个交互书籍之间的转移关系,根据所述交互书籍之间的转移关系生成与所述交互书籍列表相对应的书籍转移图;
根据所述书籍转移图,计算各个交互书籍的转移权重,将所述转移权重作为与所述交互书籍相对应的训练样本的样本特征。
A6.根据A5所述的方法,其中,所述确定交互书籍列表中的各个交互书籍之间的转移关系,根据所述交互书籍之间的转移关系生成与所述交互书籍列表相对应的书籍转移图包括:
针对交互书籍列表中的第一交互书籍,检测阅读用户在阅读所述第一交互书籍的过程中,是否与第二交互书籍产生交互;
若是,将所述第二交互书籍所对应的第二转移节点确定为所述第一交互书籍所对应的第一转移节点的转出类转移节点;
并且,将所述第一交互书籍所对应的第一转移节点确定为所述第二交互书籍所对应的第二转移节点的转入类转移节点。
A7.根据A6所述的方法,其中,所述根据所述书籍转移图,计算各个交互书籍的转移权重包括:
将所述书籍转移图中包含的任一交互书籍所对应的转移节点作为目标转移节点,确定与该目标转移节点相对应的转入类转移节点,以及与该目标转移节点相对应的转出类转移节点;
根据所述转入类转移节点以及所述转出类转移节点,计算所述目标转移节点对应的交互书籍的转移权重。
A8.根据A7所述的方法,其中,所述根据所述转入类转移节点以及所述转出类转移节点,计算所述目标转移节点对应的交互书籍的转移权重包括:
根据预设的阻尼系数、所述书籍转移图中包含的转移节点的总数量、与目标转移节点相对应的各个转入类转移节点的转移权重、和/或与目标转移节点相对应的各个转出类转移节点的转移权重,计算所述目标转移节点对应的交互书籍的转移权重。
B9.一种电子设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行以下操作:
获取阅读用户对应于交互时段的交互书籍列表;
针对所述交互书籍列表中的交互书籍,根据阅读用户对应于所述交互书籍的交互时长和/或交互类型确定所述交互书籍的交互深度值;
根据预设的分桶映射关系,将所述交互书籍的交互深度值映射为与分桶区间相对应的交互权重值;
根据所述交互书籍列表中的各个交互书籍的交互权重值构建多个训练样本组,通过所述多个训练样本组训练排序推送模型,基于所述排序推送模型进行电子书的排序推荐。
B10.根据B9所述的电子设备,其中,所述可执行指令使所述处理器执行以下操作:
查询预设的分桶映射关系,确定与所述交互书籍的交互深度值相对应的分桶区间;其中,所述分桶映射关系用于设定各个分桶区间对应的交互深度值的数值范围以及各个分桶区间对应的交互权重值;
查询与所述交互书籍的交互深度值相对应的分桶区间所对应的交互权重值,将查询到的交互权重值作为所述交互书籍的交互权重值;
其中,所述交互深度值为连续型数值,所述交互权重值为离散型数值。
B11.根据B10所述的电子设备,其中,所述可执行指令使所述处理器执行以下操作:
根据所述交互书籍列表中的各个交互书籍的交互权重值,将所述交互书籍列表中的各个交互书籍组合为多个训练样本组,根据各个训练样本组中包含的至少两个训练样本的交互权重值之间的比较结果标注各个训练样本组。
B12.根据B9-11任一所述的电子设备,其中,所述可执行指令使所述处理器执行以下操作:
通过排序算法对所述多个训练样本组进行训练,以得到所述排序推送模型;其中,所述排序算法包括:基于样本对的排序算法和/或基于样本列表的排序算法。
B13.根据B9-12任一所述的电子设备,其中,所述可执行指令使所述处理器执行以下操作:
确定交互书籍列表中的各个交互书籍之间的转移关系,根据所述交互书籍之间的转移关系生成与所述交互书籍列表相对应的书籍转移图;
根据所述书籍转移图,计算各个交互书籍的转移权重,将所述转移权重作为与所述交互书籍相对应的训练样本的样本特征。
B14.根据B13所述的电子设备,其中,所述可执行指令使所述处理器执行以下操作:
针对交互书籍列表中的第一交互书籍,检测阅读用户在阅读所述第一交互书籍的过程中,是否与第二交互书籍产生交互;
若是,将所述第二交互书籍所对应的第二转移节点确定为所述第一交互书籍所对应的第一转移节点的转出类转移节点;
并且,将所述第一交互书籍所对应的第一转移节点确定为所述第二交互书籍所对应的第二转移节点的转入类转移节点。
B15.根据B14所述的电子设备,其中,所述可执行指令使所述处理器执行以下操作:
将所述书籍转移图中包含的任一交互书籍所对应的转移节点作为目标转移节点,确定与该目标转移节点相对应的转入类转移节点,以及与该目标转移节点相对应的转出类转移节点;
根据所述转入类转移节点以及所述转出类转移节点,计算所述目标转移节点对应的交互书籍的转移权重。
B16.根据B15所述的电子设备,其中,所述可执行指令使所述处理器执行以下操作:
根据预设的阻尼系数、所述书籍转移图中包含的转移节点的总数量、与目标转移节点相对应的各个转入类转移节点的转移权重、和/或与目标转移节点相对应的各个转出类转移节点的转移权重,计算所述目标转移节点对应的交互书籍的转移权重。
C17.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-8任一所述的方法。
Claims (10)
1.一种电子书的排序推荐方法,包括:
获取阅读用户对应于交互时段的交互书籍列表;
针对所述交互书籍列表中的交互书籍,根据阅读用户对应于所述交互书籍的交互时长和/或交互类型确定所述交互书籍的交互深度值;
根据预设的分桶映射关系,将所述交互书籍的交互深度值映射为与分桶区间相对应的交互权重值;
根据所述交互书籍列表中的各个交互书籍的交互权重值构建多个训练样本组,通过所述多个训练样本组训练排序推送模型,基于所述排序推送模型进行电子书的排序推荐。
2.根据权利要求1所述的方法,其中,所述根据预设的分桶映射关系,将所述交互书籍的交互深度值映射为与分桶区间相对应的交互权重值包括:
查询预设的分桶映射关系,确定与所述交互书籍的交互深度值相对应的分桶区间;其中,所述分桶映射关系用于设定各个分桶区间对应的交互深度值的数值范围以及各个分桶区间对应的交互权重值;
查询与所述交互书籍的交互深度值相对应的分桶区间所对应的交互权重值,将查询到的交互权重值作为所述交互书籍的交互权重值;
其中,所述交互深度值为连续型数值,所述交互权重值为离散型数值。
3.根据权利要求1或2所述的方法,其中,所述根据所述交互书籍列表中的各个交互书籍的交互权重值构建多个训练样本组包括:
根据所述交互书籍列表中的各个交互书籍的交互权重值,将所述交互书籍列表中的各个交互书籍组合为多个训练样本组,根据各个训练样本组中包含的至少两个训练样本的交互权重值之间的比较结果标注各个训练样本组。
4.根据权利要求1-3任一所述的方法,其中,所述通过所述多个训练样本组训练排序推送模型包括:
通过排序算法对所述多个训练样本组进行训练,以得到所述排序推送模型;其中,所述排序算法包括:基于样本对的排序算法和/或基于样本列表的排序算法。
5.根据权利要求1-4任一所述的方法,其中,所述根据所述交互书籍列表中的各个交互书籍的交互权重值构建多个训练样本组进一步包括:
确定交互书籍列表中的各个交互书籍之间的转移关系,根据所述交互书籍之间的转移关系生成与所述交互书籍列表相对应的书籍转移图;
根据所述书籍转移图,计算各个交互书籍的转移权重,将所述转移权重作为与所述交互书籍相对应的训练样本的样本特征。
6.根据权利要求5所述的方法,其中,所述确定交互书籍列表中的各个交互书籍之间的转移关系,根据所述交互书籍之间的转移关系生成与所述交互书籍列表相对应的书籍转移图包括:
针对交互书籍列表中的第一交互书籍,检测阅读用户在阅读所述第一交互书籍的过程中,是否与第二交互书籍产生交互;
若是,将所述第二交互书籍所对应的第二转移节点确定为所述第一交互书籍所对应的第一转移节点的转出类转移节点;
并且,将所述第一交互书籍所对应的第一转移节点确定为所述第二交互书籍所对应的第二转移节点的转入类转移节点。
7.根据权利要求6所述的方法,其中,所述根据所述书籍转移图,计算各个交互书籍的转移权重包括:
将所述书籍转移图中包含的任一交互书籍所对应的转移节点作为目标转移节点,确定与该目标转移节点相对应的转入类转移节点,以及与该目标转移节点相对应的转出类转移节点;
根据所述转入类转移节点以及所述转出类转移节点,计算所述目标转移节点对应的交互书籍的转移权重。
8.根据权利要求7所述的方法,其中,所述根据所述转入类转移节点以及所述转出类转移节点,计算所述目标转移节点对应的交互书籍的转移权重包括:
根据预设的阻尼系数、所述书籍转移图中包含的转移节点的总数量、与目标转移节点相对应的各个转入类转移节点的转移权重、和/或与目标转移节点相对应的各个转出类转移节点的转移权重,计算所述目标转移节点对应的交互书籍的转移权重。
9.一种电子设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行以下操作:
获取阅读用户对应于交互时段的交互书籍列表;
针对所述交互书籍列表中的交互书籍,根据阅读用户对应于所述交互书籍的交互时长和/或交互类型确定所述交互书籍的交互深度值;
根据预设的分桶映射关系,将所述交互书籍的交互深度值映射为与分桶区间相对应的交互权重值;
根据所述交互书籍列表中的各个交互书籍的交互权重值构建多个训练样本组,通过所述多个训练样本组训练排序推送模型,基于所述排序推送模型进行电子书的排序推荐。
10.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-8任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011481357.8A CN112464101A (zh) | 2020-12-15 | 2020-12-15 | 电子书的排序推荐方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011481357.8A CN112464101A (zh) | 2020-12-15 | 2020-12-15 | 电子书的排序推荐方法、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112464101A true CN112464101A (zh) | 2021-03-09 |
Family
ID=74802976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011481357.8A Pending CN112464101A (zh) | 2020-12-15 | 2020-12-15 | 电子书的排序推荐方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464101A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113987353A (zh) * | 2021-10-29 | 2022-01-28 | 掌阅科技股份有限公司 | 书籍推荐方法、计算设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520076A (zh) * | 2018-04-19 | 2018-09-11 | 掌阅科技股份有限公司 | 电子书推荐方法、电子设备及计算机存储介质 |
CN109815406A (zh) * | 2019-01-31 | 2019-05-28 | 腾讯科技(深圳)有限公司 | 一种数据处理、信息推荐方法及装置 |
US20190205704A1 (en) * | 2017-12-29 | 2019-07-04 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for Training Model and Information Recommendation System |
CN111125543A (zh) * | 2019-12-17 | 2020-05-08 | 掌阅科技股份有限公司 | 书籍推荐排序模型的训练方法、计算设备及存储介质 |
-
2020
- 2020-12-15 CN CN202011481357.8A patent/CN112464101A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190205704A1 (en) * | 2017-12-29 | 2019-07-04 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for Training Model and Information Recommendation System |
CN108520076A (zh) * | 2018-04-19 | 2018-09-11 | 掌阅科技股份有限公司 | 电子书推荐方法、电子设备及计算机存储介质 |
CN109815406A (zh) * | 2019-01-31 | 2019-05-28 | 腾讯科技(深圳)有限公司 | 一种数据处理、信息推荐方法及装置 |
CN111125543A (zh) * | 2019-12-17 | 2020-05-08 | 掌阅科技股份有限公司 | 书籍推荐排序模型的训练方法、计算设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113987353A (zh) * | 2021-10-29 | 2022-01-28 | 掌阅科技股份有限公司 | 书籍推荐方法、计算设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI689871B (zh) | 梯度提升決策樹(gbdt)模型的特徵解釋方法和裝置 | |
CN107346326B (zh) | 用于信息检索的方法和*** | |
US20190164084A1 (en) | Method of and system for generating prediction quality parameter for a prediction model executed in a machine learning algorithm | |
US7689615B2 (en) | Ranking results using multiple nested ranking | |
EP3711000A1 (en) | Regularized neural network architecture search | |
CN111566654A (zh) | 集成知识和自然语言处理的机器学习 | |
CN111325338B (zh) | 神经网络结构评价模型构建和神经网络结构搜索方法 | |
CN109388634B (zh) | 地址信息的处理方法、终端设备及计算机可读存储介质 | |
CN111914176B (zh) | 题目的推荐方法及装置 | |
JP2020512651A (ja) | 検索方法、装置及び非一時的コンピュータ読取可能記憶媒体 | |
CN110765348B (zh) | 一种热词的推荐方法、装置、电子设备及存储介质 | |
CN113010778A (zh) | 一种基于用户历史兴趣的知识图谱推荐方法和*** | |
CN116089567A (zh) | 一种搜索关键词的推荐方法、装置、设备和存储介质 | |
CN112733035A (zh) | 基于知识图谱的知识点推荐方法、装置、存储介质及电子装置 | |
CN112380421A (zh) | 简历的搜索方法、装置、电子设备及计算机存储介质 | |
CN110019751A (zh) | 机器学习模型修改和自然语言处理 | |
CN111522886A (zh) | 一种信息推荐方法、终端及存储介质 | |
CN113220908A (zh) | 知识图谱的匹配方法和装置 | |
CN115905687A (zh) | 基于元学习图神经网络面向冷启动的推荐***及方法 | |
CN109635004B (zh) | 一种数据库的对象描述提供方法、装置及设备 | |
CN111160699A (zh) | 一种专家推荐方法及*** | |
CN112464101A (zh) | 电子书的排序推荐方法、电子设备及存储介质 | |
CN111144098B (zh) | 扩展问句的召回方法和装置 | |
CN112445978A (zh) | 电子书的推送方法、电子设备及存储介质 | |
CN108550019A (zh) | 一种简历筛选方法及装置 |
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 |