CN112818224B - 信息推荐方法、装置、电子设备及可读存储介质 - Google Patents
信息推荐方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN112818224B CN112818224B CN202110106564.3A CN202110106564A CN112818224B CN 112818224 B CN112818224 B CN 112818224B CN 202110106564 A CN202110106564 A CN 202110106564A CN 112818224 B CN112818224 B CN 112818224B
- Authority
- CN
- China
- Prior art keywords
- interest
- multidimensional
- user
- determining
- points
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000006399 behavior Effects 0.000 claims description 21
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G06Q30/0255—Targeted advertisements based on user history
- G06Q30/0256—User search
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种信息推荐方法、装置、电子设备及可读存储介质,涉及人工智能中的大数据、信息推荐等技术领域。具体实现方案为:对于每个用户,服务器根据当前业务的关注属性,从用户的多维兴趣标签集合中确定出包含关注属性的多维兴趣标签得到子集,根据子集确定出目标兴趣点集合。之后,服务器根据所述目标兴趣点集合包含的兴趣点确定目标信息。采用该种方案,由于多维兴趣标签能够从多个维度刻画用户的兴趣,对用户兴趣的理解更为精细化,因此,能够提供信息推荐的准确度以及个性化推荐。
Description
技术领域
本申请涉及人工智能中的大数据、信息推荐等技术领域,尤其设置及一种信息推荐方法、装置、电子设备及可读存储介质。
背景技术
随着互联网技术的飞速发展,互联网能够给用户提供丰富的信息资源。获取用户的兴趣标签,根据兴趣标签进行信息推荐、广告投放、人群定向等越来普遍。
常见的用户兴趣确定方式中,根据用户的历史数据为用户打上各种各样的兴趣标签,并计算每个兴趣标签的分数,将排名靠前的一个或多个兴趣标签作为用户的兴趣标签。
然而,上述根据打分确定出的兴趣标签比较单一,无法满足众多精细化需求,进而无法满足精准推荐等。
发明内容
本申请实施例提供了一种信息推荐方法、装置、电子设备及可读存储介质,根据用户多维兴趣标签进行信息推荐,实现精准推荐的目的。
根据本申请的第一方面,提供了一种信息推荐方法,包括:
根据推荐当前业务的关注属性,从用户的多维兴趣标签集合中确定出包含所述关注属性的多维兴趣标签得到子集,所述多维兴趣标签集合包含所述用户多个兴趣点中每个兴趣点的多维兴趣标签,所述多维兴趣标签用于指示所述兴趣点不同维度的属性,任意两个兴趣点各自的多维兴趣标签中至少一个维度的属性不同;
根据所述子集包含的多维兴趣标签对应的兴趣点,确定目标兴趣点集合;
根据所述目标兴趣点集合包含的兴趣点确定目标信息。
根据本申请的第二方面,提供了一种信息推荐装置,包括:
第一确定单元,用于根据当前业务的关注属性,从用户的多维兴趣标签集合中确定出包含所述关注属性的多维兴趣标签得到子集,所述多维兴趣标签集合包含所述用户多个兴趣点中每个兴趣点的多维兴趣标签,所述多维兴趣标签用于指示所述兴趣点不同维度的属性,任意两个兴趣点各自的多维兴趣标签中至少一个维度的属性不同;
第二确定单元,用于根据所述子集包含的多维兴趣标签对应的兴趣点,确定目标兴趣点集合;
第三确定单元,用于根据所述目标兴趣点集合包含的兴趣点确定目标信息。
根据本申请的第三方面,提供了一种计算机程序产品,所述程序产品包括:计算机程序,所述计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。
第四方面,本申请实施例提供一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面或第一方面任意可能实现的方法。
第五方面,本申请实施例提供一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述电子设备执行上述第一方面或第一方面的各种可能的实现方式中的方法。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请实施例提供的信息推荐方法所适用的网络架构示意图;
图2是本申请实施例提供的信息推荐方法的流程图;
图3是本申请实施例提供的信息推荐方法中多维兴趣标签的示意图;
图4是本申请实施例提供的信息推荐方法中在线和离线使用多维兴趣标签的示意图;
图5为本申请实施例提供的一种信息推荐装置的结构示意图;
图6为本申请实施例提供的另一种信息推荐装置的结构示意图;
图7示出了可以用来实施本申请的实施例的示例电子设备700的示意性框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
目前,对用户行为数据进行预处理,结合自然语言处理、文本表示和文本分类等对用户进行兴趣建模,从而为用户赋予兴趣标签。其中,用户行为数据是用户在互联网上搜索、点击、播放等行为相关的数据。用户兴趣是用户个性化的一种刻画,如游戏爱好者、摄像爱好者等。兴趣标签有着众多的应用场景,例如广告投放、人群定向以及向终端安装的新的应用程序(application,APP)推荐用户感兴趣的内容等。
为了为用户赋予兴趣标签,常见的做法是根据用户的历史数据为用户打上各种各样的兴趣标签,并计算每个兴趣标签的分数,将排名靠前的一个或多个兴趣标签作为用户的兴趣标签。其中,兴趣标签也称为兴趣表示等。
然而,上述的兴趣标签比较单一,无法满足众多精细化需求,无法满足精准推荐。例如,某些业务只关注用户短期兴趣而不是历史上所有的兴趣,如只关注最近两周兴趣,而目前的兴趣标签是根据历史数据确定出,而历史数据是全网数据;再如,某些业务只关注用户在直播场景下的兴趣,而非用户全网所有行为表现出的兴趣。
基于此,本申请实施例提供一种信息推荐方法,根据用户的多维兴趣标签进行信息推荐,实现精准推荐的目的。
本申请提供一种信息推荐方法、装置、电子设备及可读存储介质,涉及人工智能中的大数据、信息推荐等技术领域。
图1是本申请实施例提供的信息推荐方法所适用的网络架构示意图。请参照图1,该网络架构包括:终端设备1、服务器2和网络3,终端设备1和服务器2通过网络3建立网络连接。网络3包括各种网络连接类型,如有线、无线通信链路或光纤电缆等。
用户使用终端设备1通过网络3与服务器2进行交互,以接收或发送消息等。终端设备1上安装有各种通讯客户端应用,如视频播放类应用、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。
终端设备1可以是硬件也可以是软件。当终端设备1为硬件时,终端设备1例如为手机、平板电脑、电子书阅读器、膝上型便携电脑、台式计算机等。当终端设备1为软件时,其可以安装在上述列举的硬件设备中,此时,终端设备1例如为多个软件模块或单个软件模块等,本申请实施例并不限制。
服务器2是能够提供多种服务器的服务器,用于确定出用户的多个兴趣点中每个兴趣点的多维兴趣标签,根据多维兴趣标签确定目标信息并向用户推荐。
服务器2可以是硬件也可以是软件。当服务器2为硬件时,该服务器2为单个服务器或多个服务器组成的分布式服务器集群。当服务器2为软件时,可以为多个软件模块或单个软件模块等,本申请实施例并不限制。
应当理解的是,图1中的终端设备1、服务器2和网络3的数量仅仅是示意性的。实际实现中,根据实际需求部署任意数量的终端设备1、服务器2和网络3。
下面,基于图1所示网络架构,对本申请实施例所述的信息推荐方法进行详细说明。示例性的,请参照图2。
图2是本申请实施例提供的信息推荐方法的流程图。以下若未做特殊说明,均是以执行主题为服务器为例进行说明。本实施例包括:
201、根据当前业务的关注属性,从用户的多维兴趣标签集合中确定出包含所述关注属性的多维兴趣标签得到子集。
其中,所述多维兴趣标签集合包含所述用户多个兴趣点中每个兴趣点的多维兴趣标签,所述多维兴趣标签用于指示所述兴趣点不同维度的属性,任意两个兴趣点各自的多维兴趣标签中至少一个维度的属性不同。
本申请实施例中,用户的兴趣点多种多样,如摄影、游戏、房产、旅游等。每个兴趣点具有各自的多维兴趣标签,每个多维兴趣标签至少两个维度,维度例如为场景、行为类型等。任意两个不同的兴趣点的多维兴趣标签的至少一个维度的属性不同。例如,用户对游戏A感兴趣,且长期在直播平台和小视频场景下表现出对游戏A的兴趣,则用户有两个多维兴趣标签:1、游戏A(长期,直播);2、游戏A(长期、小视频)。
用户是主动请求信息的用户,或者,也可以是被动的接收信息的用户。主动场景例如为用户在终端设备上下载并安装新的APP,第一次使用APP时,服务器根据用户的多维兴趣标签确定目标兴趣点集合,并根据目标兴趣点集确定目标信息。目标信息例如是APP首页展示的内容。
被动场景下,以执行主体为服务器为例,服务器进行广告投放、人群定向时,确定多个用户中每个用户的多维兴趣标签,进而根据该些用户的各自的多维兴趣标签确定出目标兴趣点集合,并根据目标兴趣点集确定目标信息,目标信息例如是广告等。
本申请实施例并不限定服务器确定用户的多维兴趣标签的时机。例如,主动场景或被动场景下,服务器提前确定每个用户的多维兴趣标签;或者,主动场景下,用户的终端设备向服务器发送推送请求,触发服务器确定用户的多维兴趣标签;再如,被动场景下,服务器准备投放广告时,确定各个用户的多维兴趣标签,根据各个用户的多维兴趣标签确定出感兴趣用户,进而向感兴趣用户投放广告等。
本申请实施例中,当前业务例如为直播业务、广告业务、短期关注业务等。例如,当前业务关注的是用户短期内的兴趣而非历史上用户的所有兴趣,则关注属性为时间窗:短期;再如,当前业务关注的是用户在直播场景下的兴趣而非历史上用户的所有兴趣,则关注属性为场景:直播。
202、根据所述子集包含的多维兴趣标签对应的兴趣点,确定目标兴趣点集合。
示例性的,针对每个用户,服务器确定出子集后,将子集中全部多维兴趣标签或部分兴趣标签对应的兴趣点作为目标兴趣点集合。例如,关注属性为直播场景,而具有直播属性的多维兴趣标签对应的兴趣点包括游戏A、游戏B和游戏C,则服务器将游戏A、游戏B和游戏C中的全部或部分作为目标兴趣点集合中的兴趣点。再如,关注属性为短期,而具有短期属性的多维兴趣标签对应的兴趣点包括电视剧、小说和游戏,则服务器将电视剧、小说和游戏中的全部或部分作为目标兴趣点集合中的兴趣点。
203、根据所述目标兴趣点集合包含的兴趣点确定目标信息。
服务器通过有线或无线方式向终端设备推送目标信息。例如,目标信息为游戏,且关注属性为直播场景,目标兴趣点为游戏A和游戏B,则服务器在用户开启游戏A和游戏B,或者玩游戏A和游戏B的过程中,向用户推荐目标信息。
本申请实施例提供的信息推荐方法,对于每个用户,服务器根据当前业务的关注属性,从用户的多维兴趣标签集合中确定出包含关注属性的多维兴趣标签得到子集,根据子集确定出目标兴趣点集合。之后,服务器根据所述目标兴趣点集合包含的兴趣点确定目标信息。采用该种方案,由于多维兴趣标签能够从多个维度刻画用户的兴趣,对用户兴趣的理解更为精细化,因此,能够提供信息推荐的准确度以及个性化推荐。
上述实施例中,服务器根据当前业务的关注属性,从用户的多维兴趣标签集合中确定出包含所述关注属性的多维兴趣标签得到子集之前,还获取所述用户的多条历史数据中每条历史数据的多维信息,根据所述多维信息,生成所述多维兴趣标签集合。
示例性的,历史数据入库时,服务器对该些历史数据进行重构,保留多维兴趣标签所需的信息,如时间、数据源、类型、场景等。之后,进行数据挖掘,对于每个兴趣点,完善该兴趣点的多维信息从而得到多维兴趣标签。
采用该种方案,实现根据历史数据准确确定出用户的兴趣点的多维兴趣标签的目的。
上述实施例中,服务器获取所述用户的多条历史数据中每条历史数据的多维信息时,首先,获取所述用户的多条历史数据。然后,服务器提取所述多条历史数据中每条历史数据产生时的环境信息,所述环境信息包括时间点、场景、用户行为类型、数据源中的至少一个。最后,服务器根据所述多条历史数据中每条历史数据产生时的环境信息,生成对应历史数据的多维信息。
示例性的,多维兴趣标签包含下述至少两个维度:时间窗、粒度、行为类型、数据源、场景,其中,所述时间窗用于指示所述用户关注所述兴趣点的时长,所述粒度用于指示所述兴趣点的清楚程度,所述行为类型用于指示所述用户关注所述兴趣点的方式,所述数据源用于指示所述兴趣点的数据来源,所述场景用于指示所述兴趣点所处的环境。
图3是本申请实施例提供的信息推荐方法中多维兴趣标签的示意图。请参照图3,该多维兴趣标签具有5个维度,分别为时间窗、粒度、行为类型、数据源、场景。下面,以兴趣点为游戏为例,对各个维度进行详细说明。
A、时间窗。
时间窗用于表征用户关注兴趣点的时长。例如,用户长期关注游戏或用户短期关注游戏。
B、粒度。
粒度用于指示兴趣点的清楚程度,也可以将粒度理解为兴趣点的层级,粒度分为词粒度和标签粒度。例如,游戏是一个大类,为一级粒度。当一个兴趣点的多维兴趣标签为:游戏(时间窗:短期;粒度:标签),则表示用户曾经对所有的游戏感兴趣。当一个兴趣点的多维兴趣标签为游戏A(时间窗:短期;粒度:词),则表示用户层级对游戏A感兴趣。
C:行为类型。
行为类型用于表征用户是通过哪种行为表现出感兴趣的。行为类型包括搜索、浏览、播放、关注等。
D:数据源。
每个兴趣点的多维兴趣标签基于用户的历史数据生成。而历史是数据具有不同的来源,如信息流、非信息流、浏览、全网等。其中,信息流主要指来自手机等终端设备的浏览器的数据流,非信息流例如用户浏览过程中的点击、搜索之后的点击等产生的数据流,全网指用户使用各个APP等产生的信息,如听歌、看直播、追剧等。
E:场景。
场景用于指示用户的兴趣点所处的环境,如直播环境、小视频环境或广告环境等。
因此,针对每条历史数据,服务器提取出上述的A、B、C、D、E中的至少一个信息,就能得到多维信息,进而根据多维信息生成多维兴趣标签。
采用该种方案,通过对历史数据进行重构生成多维兴趣标签,通过将单一的兴趣标签升级为多维兴趣标签,精细化的刻画用户的兴趣,提高信息推荐的准确性的同时实现个性化推荐。
上述实施例中,服务器根据所述子集包含的多维兴趣标签对应的兴趣点,确定目标兴趣点集合时,首先,确确定所述子集中每个多维兴趣标签对应的兴趣点的兴趣分,所述兴趣分用于指示所述用户对具有所述关注属性的兴趣点的关注程度。然后,确定所述兴趣分超过预设分数的兴趣点,根据所述兴趣分超过预设分数的兴趣点,确定所述目标兴趣点集合。
示例性的,服务器上部署一个预先训练好的打分模型,该打分模型例如为基于回归分析、决策树、神经网络、支持向量机等算法建立的模型。服务器确定出子集后,将子集中的多维兴趣标签输入至打分模型,使得打分模型输出各个多维兴趣标签对应兴趣点的兴趣分。之后,服务器对比各兴趣点的兴趣分和预设分数,从而确定出超过预设分数的兴趣点。最后,服务器将兴趣分超过预设分数的兴趣点作为目标兴趣点集合中的兴趣点。
上述实施例中,服务器确定目标信息时需要确定出兴趣分超过预设分数的兴趣点。然而,本申请实施例并不限制,其他可行的实现方式中,服务器也可以不用确定兴趣分超过预设分数的多维兴趣标签。例如,服务器根据兴趣分从高到底的顺序对多维兴趣标签进行排序,根据排名靠前的N个兴趣点确定目标兴趣点集合。
采用该种方案,服务器将兴趣分超过预设分数的兴趣点作为目标兴趣点集合中的兴趣点,进一步提高了信息推荐准确度。
图4是本申请实施例提供的信息推荐方法中在线和离线使用多维兴趣标签的示意图。请参照图4,每个兴趣点具有一个多维兴趣标签,服务器利用离线服务和在线服务对该些多维兴趣标签进行处理,从而确定出目标信息。
请参照图4,离线服务是指从多个多维兴趣标签中抽取出具有关注属性的多维兴趣标签。比如,用户曾经在10个时间点或时间段表现出对游戏感兴趣。其中3个时间点表现出用户在直播场景对游戏感兴趣。当关注属性为直播场景时,则抽取出该3个时间点的多维兴趣标签,该3个多维兴趣标签例如分别为游戏A、游戏B和游戏C的多维兴趣标签。
在线服务是指对抽取出的多个兴趣标签进行打分的过程。继续沿用上述的例子,抽取出直播场景的3个多维兴趣标签后,服务器利用打分模型对该3个维多兴趣标签进行打分。计算出的兴趣分用于表征用户在直播场景下对游戏A、游戏B和游戏C的感兴趣程度。例如,分数依次为100分、80分和50分。若采用现有的单一标签方式,则可能计算出的分数为80分,无法正确的表示用户的兴趣所在。
上述的离线服务和在线服务都能够根据业务需求进行定制,离线算子的设计、在线服务中应用程序(Application Programming Interface,API)接口的调用等都可灵活设计,从而满足目标信息的推荐需求,到达提升精准推荐的目的。
上述实施例中,服务器确定出用户多个兴趣点中每个兴趣点的多维兴趣标签后,还根据多个多维兴趣标签,确定目标类别的兴趣点的多维兴趣标签。之后,服务器根据所述目标类别的多维兴趣标签,生成所述目标类别的垂类画像,所述垂类画像用于指示所述用户对所述目标类别的各个兴趣点的感兴趣状况。
示例性的,用户的兴趣点有多个,多个兴趣点中的部分兴趣点属于同一个类别。例如,游戏A、游戏B和游戏C均属于游戏这个类别;再如,景点1、景点2和景点3均属于国内景点;又如,汽车a、汽车b和汽车c均属于国产车。为了了解用户对目标类别的各个兴趣点的感兴趣状况,从多个多维兴趣标签中确定出目标类别的多维兴趣标签,进而基于该些多维兴趣标签得到用户的目标类别的兴趣点的垂类画像。
采用该种方案,基于多维兴趣标签的类别输出垂类画像,实现精细化刻画用户兴趣点的目的。
上述实施例中,用户为多个,所述服务器根据所述目标类别的多维兴趣标签,生成所述目标类别的垂类画像之后,还根据所述多个用户中每个用户各类别的垂类画像,确定不同类别的特色人群。之后,根据所述特色人群投放广告。
示例性的,当用户有多个时,得到单个用户的垂类画像后,将每个用户的目标类别的垂类画像汇总到一起,就能够得到全网用户在目标类别的兴趣点对应的领域内的垂类画像。该些汇总到一起的垂类画像对应的用户形成一个集合,该集合即为特色人群。广告精投时,服务器确定广告对应的特色人群,向特色人群进行广告投放,实现精准投放广告的目的。
上述实施例中,服务器根据所述第一集合确定目标信息之前,还接收来自所述用户的终端设备的浏览请求,所述浏览请求用于请求浏览首次注册的应用程序APP的页面。
示例性的,主动推送场景中,用户在终端设备上下载并安装新的APP并进行注册。之后,用户使用该APP从而触发根据第一集合确定目标信息。该过程中,由于历史数据中并没有服务器使用该APP的历史数据,服务器无法根据用户历史浏览该APP的行为数据确定目标信息。此时,服务器根据用户使用其他APP的历史数据确定用户的多维兴趣标签,进而确定出用户最可能感兴趣的兴趣点,根据用户最可能感兴趣的兴趣点确定目标信息并推送给用户。
采用该种方案,用户首次使用应用时,服务器根据用户使用其他应用的兴趣点确定首次使用的应用展示的内容,实现精准推荐的目的。
上述介绍了本申请实施例提到的信息推荐方法的具体实现,下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图5为本申请实施例提供的一种信息推荐装置的结构示意图。该装置可以集成在电子设备中或通过电子设备实现。如图5所示,在本实施例中,该信息推荐装置500可以包括:第一确定单元51、第二确定单元52和第三确定单元53。
第一确定单元51,用于根据推荐目标信息时关注的关注属性,从用户的多维兴趣标签集合中确定出包含所述关注属性的多维兴趣标签得到子集,所述多维兴趣标签集合包含所述用户多个兴趣点中每个兴趣点的多维兴趣标签,所述多维兴趣标签用于指示所述兴趣点不同维度的属性,任意两个兴趣点各自的多维兴趣标签中至少一个维度的属性不同;
第二确定单元52,用于根据所述子集包含的多维兴趣标签对应的兴趣点,确定目标兴趣点集合;
第三确定单元53,用于根据所述目标兴趣点集合包含的兴趣点确定目标信息。
图6为本申请实施例提供的另一种信息推荐装置的结构示意图。本实施例中的第一确定单元61、第二确定单元62和第三确定单元63,分别相当于图5中的第一确定单元51、第二确定单元52和第三确定单元53。本实施例提供的信息推荐装置600中的第二确定单元62,包括:
第一确定模块621,用于确定所述子集中每个多维兴趣标签对应的兴趣点的兴趣分,所述兴趣分用于指示所述用户对具有所述关注属性的兴趣点的关注程度;
第二确定模块622,用于确定所述兴趣分超过预设分数的兴趣点;
第三确定模块623,用于根据所述兴趣分超过预设分数的兴趣点,确定所述目标兴趣点集合。
一种可行的实现方式中,再请参照图6,上述的信息推荐装置600还包括生成单元64,用于在所述第一确定单元61根据当前业务的关注属性,从用户的多维兴趣标签集合中确定出包含所述关注属性的多维兴趣标签得到子集之前,获取所述用户的多条历史数据中每条历史数据的多维信息,根据所述多维信息,生成所述多维兴趣标签集合。
一种可行的实现方式中,所述生成单元64在获取所述用户的多条历史数据中每条历史数据的多维信息时,用于获取所述用户的多条历史数据,提取所述多条历史数据中每条历史数据产生时的环境信息,所述环境信息包括时间点、场景、用户行为类型、数据源中的至少一个;根据所述多条历史数据中每条历史数据产生时的环境信息,生成对应历史数据的多维信息。
一种可行的实现方式中,再请参照图6,上述的信息推荐装置600还包括第四确定单元65,用于在所述生成单元64根据所述多维信息,生成所述多维兴趣标签集合之后,根据多个用户中每个用户各类别的垂类画像,确定特色人群,不同垂类画像用于指示所述用户对不同类别的各个兴趣点的感兴趣状况,所述特色人群根据多个用户同类别的垂类画像确定出,根据所述特色人群投放广告。
一种可行的实现方式中,再请参照图6,上述的信息推荐装置600还包括垂类单元66,用于从所述多维标签集合中,确定出目标类别的兴趣点的多维兴趣标签;根据所述目标类别的多维兴趣标签,生成所述目标类别的垂类画像。
一种可行的实现方式中,再请参照图6,上述的信息推荐装置600还包括接收单元67,用于在所述第一确定单元61根据当前业务的关注属性,从用户的多维兴趣标签集合中确定出包含所述关注属性的多维兴趣标签得到子集之前,接收来自所述用户的终端设备的浏览请求,所述浏览请求用于请求浏览首次注册的应用程序APP的页面。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
根据本申请的实施例,本申请还提供了一种计算机程序产品,程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
根据本申请的实施例,本申请还提供了一种计算机程序产品,程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
图7示出了可以用来实施本申请的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,电子设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM702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。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如信息推荐方法。例如,在一些实施例中,信息推荐方法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。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的信息推荐方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行信息推荐方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与虚拟专用服务器(Virtual Private Server,VPS)中存在的管理难度大、业务扩展性弱等缺陷。服务器也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (12)
1.一种信息推荐方法,包括:
根据当前业务的关注属性,从用户的多维兴趣标签集合中确定出包含所述关注属性的多维兴趣标签得到子集,所述多维兴趣标签集合包含所述用户多个兴趣点中每个兴趣点的多维兴趣标签,所述多维兴趣标签用于指示所述兴趣点不同维度的属性,任意两个兴趣点各自的多维兴趣标签中至少一个维度的属性不同;多维兴趣标签包含下述至少两个维度:时间窗、粒度、行为类型、数据源、场景,其中,所述时间窗用于指示所述用户关注所述兴趣点的时长,所述粒度用于指示所述兴趣点的清楚程度,所述行为类型用于指示所述用户关注所述兴趣点的方式,所述数据源用于指示所述兴趣点的数据来源,所述场景用于指示所述兴趣点所处的环境;
根据所述子集包含的多维兴趣标签对应的兴趣点,确定目标兴趣点集合;
根据所述目标兴趣点集合包含的兴趣点确定目标信息;
所述根据当前业务的关注属性,从用户的多维兴趣标签集合中确定出包含所述关注属性的多维兴趣标签得到子集之前,还包括:
获取所述用户的多条历史数据;
提取所述多条历史数据中每条历史数据产生时的环境信息,所述环境信息包括时间点、场景、用户行为类型、数据源中的至少一个;
根据所述多条历史数据中每条历史数据产生时的环境信息,生成对应历史数据的多维信息;
根据所述多维信息,生成所述多维兴趣标签集合。
2.根据权利要求1所述的方法,其中,所述根据所述子集包含的多维兴趣标签对应的兴趣点,确定目标兴趣点集合,包括:
确定所述子集中每个多维兴趣标签对应的兴趣点的兴趣分,所述兴趣分用于指示所述用户对具有所述关注属性的兴趣点的关注程度;
确定所述兴趣分超过预设分数的兴趣点;
根据所述兴趣分超过预设分数的兴趣点,确定所述目标兴趣点集合。
3.根据权利要求1所述的方法,其中,所述根据所述多维信息,生成所述多维兴趣标签集合之后,还包括:
根据多个用户中每个用户各类别的垂类画像,确定特色人群,不同垂类画像用于指示所述用户对不同类别的各个兴趣点的感兴趣状况,所述特色人群根据多个用户同类别的垂类画像确定出;
根据所述特色人群投放广告。
4.根据权利要求3所述的方法,其中,所述根据多个用户中每个用户各类别的垂类画像,确定特色人群之前,还包括:
从所述多维兴趣标签集合中,确定出目标类别的兴趣点的多维兴趣标签;
根据所述目标类别的多维兴趣标签,生成所述目标类别的垂类画像。
5.根据权利要求1-4任一项所述的方法,其中,所述根据当前业务的关注属性,从用户的多维兴趣标签集合中确定出包含所述关注属性的多维兴趣标签得到子集之前,还包括:
接收来自所述用户的终端设备的浏览请求,所述浏览请求用于请求浏览首次注册的应用程序APP的页面。
6.一种信息推荐装置,包括:
第一确定单元,用于根据当前业务的关注属性,从用户的多维兴趣标签集合中确定出包含所述关注属性的多维兴趣标签得到子集,所述多维兴趣标签集合包含所述用户多个兴趣点中每个兴趣点的多维兴趣标签,所述多维兴趣标签用于指示所述兴趣点不同维度的属性,任意两个兴趣点各自的多维兴趣标签中至少一个维度的属性不同;多维兴趣标签包含下述至少两个维度:时间窗、粒度、行为类型、数据源、场景,其中,所述时间窗用于指示所述用户关注所述兴趣点的时长,所述粒度用于指示所述兴趣点的清楚程度,所述行为类型用于指示所述用户关注所述兴趣点的方式,所述数据源用于指示所述兴趣点的数据来源,所述场景用于指示所述兴趣点所处的环境;
第二确定单元,用于根据所述子集包含的多维兴趣标签对应的兴趣点,确定目标兴趣点集合;
第三确定单元,用于根据所述目标兴趣点集合包含的兴趣点确定目标信息;
生成单元,用于在所述第一确定单元根据当前业务的关注属性,从用户的多维兴趣标签集合中确定出包含所述关注属性的多维兴趣标签得到子集之前,获取所述用户的多条历史数据,提取所述多条历史数据中每条历史数据产生时的环境信息,所述环境信息包括时间点、场景、用户行为类型、数据源中的至少一个,根据所述多条历史数据中每条历史数据产生时的环境信息,生成对应历史数据的多维信息,根据所述多维信息,生成所述多维兴趣标签集合。
7.根据权利要求6所述的装置,其中,所述第二确定单元,包括:
第一确定模块,用于确定所述子集中每个多维兴趣标签对应的兴趣点的兴趣分,所述兴趣分用于指示所述用户对具有所述关注属性的兴趣点的关注程度;
第二确定模块,用于确定所述兴趣分超过预设分数的兴趣点;
第三确定模块,用于根据所述兴趣分超过预设分数的兴趣点,确定所述目标兴趣点集合。
8.根据权利要求6所述的装置,还包括:
第四确定单元,用于在所述生成单元根据所述多维信息,生成所述多维兴趣标签集合之后,根据多个用户中每个用户各类别的垂类画像,确定特色人群,不同垂类画像用于指示所述用户对不同类别的各个兴趣点的感兴趣状况,所述特色人群根据多个用户同类别的垂类画像确定出,根据所述特色人群投放广告。
9.根据权利要求8所述的装置,还包括:
垂类单元,用于从所述多维兴趣标签集合中,确定出目标类别的兴趣点的多维兴趣标签;根据所述目标类别的多维兴趣标签,生成所述目标类别的垂类画像。
10.根据权利要求6-9任一项所述的装置,还包括:
接收单元,用于在所述第一确定单元根据当前业务的关注属性,从用户的多维兴趣标签集合中确定出包含所述关注属性的多维兴趣标签得到子集之前,接收来自所述用户的终端设备的浏览请求,所述浏览请求用于请求浏览首次注册的应用程序APP的页面。
11. 一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110106564.3A CN112818224B (zh) | 2021-01-26 | 2021-01-26 | 信息推荐方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110106564.3A CN112818224B (zh) | 2021-01-26 | 2021-01-26 | 信息推荐方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112818224A CN112818224A (zh) | 2021-05-18 |
CN112818224B true CN112818224B (zh) | 2024-02-20 |
Family
ID=75859490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110106564.3A Active CN112818224B (zh) | 2021-01-26 | 2021-01-26 | 信息推荐方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112818224B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343090B (zh) * | 2021-06-18 | 2023-07-28 | 北京百度网讯科技有限公司 | 用于推送信息的方法、装置、设备、介质和产品 |
CN113569135B (zh) * | 2021-06-30 | 2024-03-29 | 深圳市东信时代信息技术有限公司 | 基于用户画像的推荐方法、装置、计算机设备及存储介质 |
CN113946751A (zh) * | 2021-10-22 | 2022-01-18 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的数据采集解读方法、装置、设备及介质 |
CN115204693B (zh) * | 2022-07-21 | 2023-10-17 | 中交西北投资发展有限公司 | 基于人工智能的智慧园区管理方法及云平台 |
CN117033801B (zh) * | 2023-10-08 | 2023-12-22 | 太平金融科技服务(上海)有限公司 | 一种业务推荐方法、装置、设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102402766A (zh) * | 2011-12-27 | 2012-04-04 | 纽海信息技术(上海)有限公司 | 一种基于网页浏览的用户兴趣建模方法 |
CN104008184A (zh) * | 2014-06-10 | 2014-08-27 | 百度在线网络技术(北京)有限公司 | 信息的推送方法和装置 |
CN110163661A (zh) * | 2019-04-23 | 2019-08-23 | 上海淇玥信息技术有限公司 | 营销信息推广方法、装置、电子设备及计算机可读介质 |
WO2019196871A1 (zh) * | 2018-04-12 | 2019-10-17 | Oppo广东移动通信有限公司 | 建模方法及相关装置 |
CN111756832A (zh) * | 2020-06-22 | 2020-10-09 | 百度在线网络技术(北京)有限公司 | 推送信息的方法、装置、电子设备及计算机可读存储介质 |
CN111932336A (zh) * | 2020-07-17 | 2020-11-13 | 重庆邮电大学 | 一种基于长短期兴趣偏好的商品列表推荐方法 |
CN112100524A (zh) * | 2020-09-17 | 2020-12-18 | 北京百度网讯科技有限公司 | 一种信息推荐的方法、装置、设备以及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2474950B1 (en) * | 2011-01-05 | 2013-08-21 | Softkinetic Software | Natural gesture based user interface methods and systems |
-
2021
- 2021-01-26 CN CN202110106564.3A patent/CN112818224B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102402766A (zh) * | 2011-12-27 | 2012-04-04 | 纽海信息技术(上海)有限公司 | 一种基于网页浏览的用户兴趣建模方法 |
CN104008184A (zh) * | 2014-06-10 | 2014-08-27 | 百度在线网络技术(北京)有限公司 | 信息的推送方法和装置 |
WO2019196871A1 (zh) * | 2018-04-12 | 2019-10-17 | Oppo广东移动通信有限公司 | 建模方法及相关装置 |
CN110163661A (zh) * | 2019-04-23 | 2019-08-23 | 上海淇玥信息技术有限公司 | 营销信息推广方法、装置、电子设备及计算机可读介质 |
CN111756832A (zh) * | 2020-06-22 | 2020-10-09 | 百度在线网络技术(北京)有限公司 | 推送信息的方法、装置、电子设备及计算机可读存储介质 |
CN111932336A (zh) * | 2020-07-17 | 2020-11-13 | 重庆邮电大学 | 一种基于长短期兴趣偏好的商品列表推荐方法 |
CN112100524A (zh) * | 2020-09-17 | 2020-12-18 | 北京百度网讯科技有限公司 | 一种信息推荐的方法、装置、设备以及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于兴趣点的多维度推荐算法研究;田春波;;电脑知识与技术(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112818224A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112818224B (zh) | 信息推荐方法、装置、电子设备及可读存储介质 | |
US10878044B2 (en) | System and method for providing content recommendation service | |
US9665595B2 (en) | Image processing client | |
CN107426328B (zh) | 信息推送方法和装置 | |
US11436446B2 (en) | Image analysis enhanced related item decision | |
CN113779381B (zh) | 资源推荐方法、装置、电子设备和存储介质 | |
CN113312512B (zh) | 训练方法、推荐方法、装置、电子设备以及存储介质 | |
WO2015182064A1 (en) | Information processing device, information processing method, and program | |
CN111680189A (zh) | 影视剧内容检索方法和装置 | |
CN112765478B (zh) | 用于推荐内容的方法、装置、设备、介质和程序产品 | |
US10140631B2 (en) | Image processing server | |
CN114154013A (zh) | 视频推荐方法、装置、设备及存储介质 | |
CN111158924A (zh) | 内容分享方法、装置、电子设备及可读存储介质 | |
CN111309200A (zh) | 一种扩展阅读内容的确定方法、装置、设备及存储介质 | |
CN116823410B (zh) | 数据处理方法、对象处理方法、推荐方法及计算设备 | |
CN111787042B (zh) | 用于推送信息的方法和装置 | |
CN109344327B (zh) | 用于生成信息的方法和装置 | |
CN111783013A (zh) | 评论信息发布的方法、装置、设备及计算机可读存储介质 | |
CN106570003B (zh) | 数据推送方法及装置 | |
CN113365138B (zh) | 内容展示方法、装置、电子设备、存储介质 | |
CN114036397B (zh) | 数据推荐方法、装置、电子设备和介质 | |
CN115098729A (zh) | 视频处理方法、样本生成方法、模型训练方法及装置 | |
CN112905872B (zh) | 意图识别方法、装置、设备和可读存储介质 | |
CN113901244A (zh) | 多媒体资源的标签构建方法、装置、电子设备和存储介质 | |
CN113343069A (zh) | 用户信息的处理方法、装置、介质及电子设备 |
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 |