CN113139115A - 信息推荐方法、搜索方法、装置及客户端、介质及设备 - Google Patents
信息推荐方法、搜索方法、装置及客户端、介质及设备 Download PDFInfo
- Publication number
- CN113139115A CN113139115A CN202010060112.1A CN202010060112A CN113139115A CN 113139115 A CN113139115 A CN 113139115A CN 202010060112 A CN202010060112 A CN 202010060112A CN 113139115 A CN113139115 A CN 113139115A
- Authority
- CN
- China
- Prior art keywords
- information
- recommendation
- determining
- user
- click
- 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 81
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 36
- 230000011218 segmentation Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 abstract description 15
- 238000010586 diagram Methods 0.000 description 21
- 230000006399 behavior Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 208000001613 Gambling Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000002574 poison Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002699 waste material Substances 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
- 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)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及计算机技术领域，提供了一种信息推荐方法、信息搜索方法、信息推荐装置、客户端、计算机存储介质及电子设备，其中，信息推荐方法包括：根据用户画像信息和用户关联信息，确定候选推荐信息；将候选推荐信息输入点击率预估模型中，根据点击率预估模型的输出，确定候选推荐信息对应的点击率预估值；根据候选推荐信息与目标推荐信息的语义相似度，确定候选推荐信息对应的点击价值预估值；根据点击率预估值与点击价值预估值，确定候选推荐信息对应的推荐指数；将推荐指数大于第一预设阈值的候选推荐信息确定为待推荐信息。本公开中的方法能够提高推荐准确性以及互联网信息获取平台的资源转换率。
Description
技术领域
本公开涉及计算机技术领域，特别涉及一种信息推荐方法、信息搜索方法、信息推荐装置、客户端、计算机存储介质及电子设备。
背景技术
随着计算机和互联网技术的迅速发展，相关互联网信息获取平台也在迅速发展，越来越多的消费者通过网络进行商品浏览、选购和购买。若能准确获知用户的购买对象，则能够大大提升相关互联网信息获取平台的资源转换率。因而，如何为用户精准推荐其感兴趣的信息，成为相关互联网信息获取平台关注的焦点问题。
目前，相关互联网信息展示平台中，一般是从用户信息(例如：用户的历史搜索内容)中提取用户可能感兴趣的信息。然而，用户兴趣度较高的信息并不一定意味着较高的资源转换率。因而，若只考虑用户兴趣而忽略互联网信息获取平台的商品价值，无疑推荐效果将会大打折扣。
鉴于此，本领域亟需开发一种新的信息推荐方法及装置。
需要说明的是，上述背景技术部分公开的信息仅用于加强对本公开的背景的理解。
发明内容
本公开的目的在于提供一种信息推荐方法、信息搜索方法、信息推荐装置、客户端、计算机存储介质及电子设备，进而至少在一定程度上避免了现有技术的方法资源转换率较低的缺陷。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的第一方面，提供一种信息推荐方法，应用于进行信息推荐的后台服务器，包括：根据用户画像信息和用户关联信息，确定候选推荐信息；将所述候选推荐信息输入点击率预估模型中，根据所述点击率预估模型的输出，确定所述候选推荐信息对应的点击率预估值；根据所述候选推荐信息与目标推荐信息的语义相似度，确定所述候选推荐信息对应的点击价值预估值；根据所述点击率预估值与所述点击价值预估值，确定所述候选推荐信息对应的推荐指数；将所述推荐指数大于第一预设阈值的所述候选推荐信息确定为待推荐信息。
在本公开的示例性实施例中，所述将所述候选推荐信息输入点击率预估模型中，根据所述点击率预估模型的输出，确定所述候选推荐信息对应的点击率预估值，包括：基于神经网络算法构建所述候选推荐信息对应的第一特征向量；将所述第一特征向量输入点击率预估模型中；根据所述点击率预估模型的输出，确定所述候选推荐信息对应的点击率预估值。
在本公开的示例性实施例中，所述根据所述候选推荐信息与目标推荐信息的语义相似度，确定所述候选推荐信息对应的点击价值预估值，包括：基于所述神经网络算法构建所述目标推荐信息对应的第二特征向量；将所述第一特征向量与所述第二特征向量的向量距离确定为所述语义相似度；获取数值最小的所述语义相似度对应的所述目标推荐信息；将所述目标推荐信息对应的所述目标收入信息确定为所述候选推荐信息对应的点击价值预估值。
在本公开的示例性实施例中，在所述确定候选推荐信息之后，所述方法还包括：获取所述候选推荐信息中的无效信息和/或敏感信息；对所述无效信息和/或敏感信息进行过滤处理。
在本公开的示例性实施例中，所述方法还包括：获取预设时间段内的用户搜索信息；将所述用户搜索信息中包含的物品关键词确定为所述用户关联信息。
在本公开的示例性实施例中，所述方法还包括：获取所述用户搜索信息对应的共现信息；将所述共现信息确定为所述用户关联信息。
在本公开的示例性实施例中，所述方法还包括：获取用户推荐列表中的推荐关键词；将所述推荐关键词对应的同义词和/或近义词确定为所述用户关联信息。
在本公开的示例性实施例中，所述方法还包括：对所述用户搜索信息进行分词处理，得到分词结果；对所述分词结果进行组合，得到组合词；获取所述组合词与预先存储的购买词的语义相似度；若所述语义相似度小于第二预设阈值，则将所述组合词与所述购买词合并为目标推荐信息。
在本公开的示例性实施例中，所述方法还包括：获取所述组合词对应的第一收入信息，以及，获取所述购买词对应的第二收入信息；对所述第一收入信息与所述第二收入信息进行加权平均，以确定目标收入信息；将所述目标推荐信息与所述目标收入信息以键值对的形式存入数据库中。
在本公开的示例性实施例中，所述根据所述点击率预估值与所述点击价值预估值，确定所述候选推荐信息对应的推荐指数，包括：根据所述点击率预估值与所述点击价值预估值的乘积，确定所述候选推荐信息对应的推荐指数。
根据本公开的第二方面，提供一种信息搜索方法，应用于进行信息显示的客户端，包括：获取用户在所述客户端的前端显示页面上输入的用户搜索信息；将所述用户搜索信息发送至所述后台服务器，以使所述后台服务器执行上述第一方面所述的信息推荐方法生成所述待推荐信息；接收所述后台服务器返回的所述待推荐信息，并将所述待推荐信息显示至目标显示区域；响应于用户对所述目标显示区域显示的所述待推荐信息的触发操作，跳转至所述待推荐信息所关联的推荐页面。
根据本公开的第三方面，提供一种信息推荐装置，应用于进行信息推荐的后台服务器，包括：信息确定模块，用于根据用户画像信息和用户关联信息，确定候选推荐信息；点击率预估模块，用于将所述候选推荐信息输入点击率预估模型中，根据所述点击率预估模型的输出，确定所述候选推荐信息对应的点击率预估值；点击价值预估模块，用于根据所述候选推荐信息与目标推荐信息的语义相似度，确定所述候选推荐信息对应的点击价值预估值；指数确定模块，用于根据所述点击率预估值与所述点击价值预估值，确定所述候选推荐信息对应的推荐指数；信息确定模块，用于将所述推荐指数大于第一预设阈值的所述候选推荐信息确定为待推荐信息。
根据本公开的第四方面，提供一种客户端，包括：获取模块，用于获取用户在所述客户端的前端显示页面上输入的用户搜索信息；发送模块，用于将所述用户搜索信息发送至所述后台服务器，以使所述后台服务器执行上述第一方面所述的信息推荐方法生成所述待推荐信息；显示模块，用于接收所述后台服务器返回的所述待推荐信息，并将所述待推荐信息显示至目标显示区域；跳转模块，用于响应于用户对所述目标显示区域显示的所述待推荐信息的触发操作，跳转至所述待推荐信息所关联的推荐页面。
根据本公开的第五方面，提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的信息推荐方法或上述第二方面所述的信息搜索方法。
根据本公开的第六方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述第一方面所述的信息推荐方法或上述第二方面所述的信息搜索方法。
由上述技术方案可知，本公开示例性实施例中的信息推荐方法、信息推荐装置、计算机存储介质及电子设备至少具备以下优点和积极效果：
在本公开的一些实施例所提供的技术方案中，一方面，根据用户画像信息和用户关联信息，确定候选推荐信息，能够解决现有技术中仅根据用户信息进行相关处理而导致的推荐准确率较低，无法针对用户进行准确推荐的技术问题。进一步的，将候选推荐信息输入点击率预估模型中，根据点击率预估模型的输出，确定候选推荐信息对应的点击率预估值，根据候选推荐信息与目标推荐信息的语义相似度，确定候选推荐信息对应的点击价值预估值，并根据点击率预估值与点击价值预估值确定候选推荐信息对应的推荐指数，能够解决现有技术中忽略信息的点击价值而导致的资源转换率较低的技术问题，使得推荐指数的计算更加符合互联网信息获取平台的实际需求，提高资源转换率。另一方面，将推荐指数大于第一预设阈值的候选推荐信息确定为待推荐信息，能够将用户感兴趣且资源转换率较高的信息推荐给用户，保障用户的购买需求，提高推荐效率。
本公开应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出本公开一示例性实施例中信息推荐方法的流程示意图；
图2示出本公开一示例性实施例中信息推荐方法的子流程示意图；
图3示出本公开一示例性实施例中信息推荐方法的子流程示意图；
图4示出本公开一示例性实施例中信息推荐方法的子流程示意图；
图5示出本公开一示例性实施例中信息推荐方法的子流程示意图；
图6示出本公开一示例性实施例中信息推荐方法的整体流程示意图；
图7示出本公开示例性实施例中信息推荐装置的结构示意图；
图8示出本公开示例性实施例中客户端的结构示意图；
图9示出本公开示例性实施例中计算机存储介质的结构示意图；
图10示出本公开示例性实施例中电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”和“第二”等仅作为标记使用，不是对其对象的数量限制。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。
目前，相关电商展示平台中，一般是从用户信息(例如：用户的历史搜索内容)中提取用户可能感兴趣的信息。然而，用户兴趣度较高的词并不一定意味着高价值能力(较高的广告出价)。因而，若只考虑用户兴趣而忽略物品的价值，无疑推荐效果将会大打折扣。
在本公开的实施例中，首先提供了一种信息推荐方法，至少在一定程度上克服现有技术中的方法资源转换率较低的缺陷。
图1示出本公开一示例性实施例中信息推荐方法的流程示意图，该信息推荐方法的执行主体可以是进行信息推荐的后台服务器。
参考图1，根据本公开的一个实施例的信息推荐方法包括以下步骤：
步骤S110，根据用户画像信息和用户关联信息，确定候选推荐信息；
步骤S120，将候选推荐信息输入点击率预估模型中，根据点击率预估模型的输出，确定候选推荐信息对应的点击率预估值；
步骤S130，根据候选推荐信息与目标推荐信息的语义相似度，确定候选推荐信息对应的点击价值预估值；
步骤S140，根据点击率预估值与点击价值预估值，确定候选推荐信息对应的推荐指数；
步骤S150，将推荐指数大于第一预设阈值的候选推荐信息确定为待推荐信息。
在图1所示实施例所提供的技术方案中，一方面，根据用户画像信息和用户关联信息，确定候选推荐信息，能够解决现有技术中仅根据用户信息进行相关处理而导致的推荐准确率较低，无法针对用户进行准确推荐的技术问题。进一步的，将候选推荐信息输入点击率预估模型中，根据点击率预估模型的输出，确定候选推荐信息对应的点击率预估值，根据候选推荐信息与目标推荐信息的语义相似度，确定候选推荐信息对应的点击价值预估值，并根据点击率预估值与点击价值预估值确定候选推荐信息对应的推荐指数，能够解决现有技术中忽略信息的点击价值而导致的资源转换率较低的技术问题，使得推荐指数的计算更加符合互联网信息获取平台的实际需求，提高资源转换率。另一方面，将推荐指数大于第一预设阈值的候选推荐信息确定为待推荐信息，能够将用户感兴趣且资源转换率较高的信息推荐给用户，保障用户的购买需求，提高推荐效率。
以下对图1中的各个步骤的具体实现过程进行详细阐述：
在步骤S110中，根据获取到的用户画像信息和用户关联信息，确定候选推荐信息。
在本公开的示例性实施例中，可以根据获取到的用户画像信息和用户关联信息，抽取上述候选推荐信息。候选推荐信息即初步确定出来的，用户可能感兴趣的关键词。
在本公开的示例性实施例中，用户画像信息可以是用户的购物行为(查询、浏览、关注、加购物车、下订单、用户再营销信息及用户偏好品牌过滤信息等行为)、用户的个人基本信息(性别、年龄、职业、兴趣爱好等)、用户的会员级别、用户勋章等级、用户的孩子性别、用户的孩子年龄、用户的评价关注度等等，可以根据实际情况自行设定，本公开对此不作具体限定。
在本公开的示例性实施例中，可以获取预设时间段内(例如：90天内，可以根据实际情况自行设定，属于本公开的保护范围)的用户搜索信息，进而，可以获取用户搜索信息中包含的物品关键词，将物品关键词确定为用户关键信息。举例而言，当用户在相关互联网信息获取平台的搜索界面输入的用户搜索信息为“高像素手机”时，则可以抽取到用户搜索信息中包含的物品关键词为“手机”，进而，可以将“手机”确定为上述用户关联信息。
还可以获取上述用户搜索信息对应的共现信息(例如：共现词，共现词是指以一定频率共现于同一语篇中的词，举例而言，比如人教版必修一的英语课本中，在第四单元的一篇课文《Earthquakes》中，关于伤亡的共现词就有ruins，damage，injure，destruction，desaster等)。具体的，可以通过Qpsearch接口(某互联网信息获取平台提供的一个可以获取用户搜索信息对应的关联搜索信息的程序接口)获取出现在用户会话框(session)内的所有用户搜索信息(Query)对应的共现词，进而，将得到的共现词确定为上述用户关联信息。
还可以获取用户推荐列表中的推荐关键词，并将推荐关键词对应的同义词和/或近义词确定为上述用户关联信息。其中，用户推荐列表可以是用户的购物车或者收藏夹，用户推荐列表还可以是根据用户的搜索或者浏览行为生成的，用户可能会感兴趣或者可能会产生购买行为的物品列表，例如：新品推荐页面。示例性的，在对用户进行新品推荐时，可以获取相关新品推荐页面中包含的物品对应的物品信息，并对物品信息进行关键词抽取，得到推荐关键词，进而，可以将推荐关键词对应的同义词和/或近义词确定为上述用户关联信息。示例性的，当用户推荐列表中的推荐关键词为“手机、水杯”时，其对应的同义词和/或近义词可以是“华为手机、苹果手机、保温杯”，进而，可以将“华为手机、苹果手机、保温杯”确定为上述用户关联信息。
在本公开的示例性实施例中，可以从上述用户画像信息和用户关联信息中确定上述候选推荐信息。示例性的，当用户画像信息为：“男、33岁、会员级别为钻石级”，用户关联信息为：“华为手机、苹果手机、保温杯”。则示例性的，确定出来的候选推荐信息可以是：“手机、保温杯”。
在本公开的示例性实施例中，在确定出上述候选推荐信息之后，可以获取上述候选推荐信息中的无效信息和/或敏感信息，进而，对上述无效信息和/或上述敏感信息进行过滤处理。
其中，上述无效信息可以是用户已经购买过的物品信息，示例性的，当获取到用户已经购买过“保温杯”时，则可以对上述候选推荐信息中的“保温杯”进行过滤处理(删除)，进而，候选推荐信息仅包含手机。通过对无效信息进行过滤处理，能够避免为用户推荐一些已经购买过的、短期内不会再购买的物品，解决无效推荐而导致的资源浪费问题。
上述敏感信息可以是一些禁止投放的关键词(例如：涉及黄、赌、毒、暴力词汇的关键词)以及禁止投放的商品种类(例如：涉及公民肖像权、明星肖像权以及名人肖像权的商品种类)。通过对敏感信息进行过滤处理，能够避免互联网信息获取平台的运营评估被扣分，保证互联网信息获取平台的正常运营，以及，优化用户的浏览体验。
需要说明的是，在针对百度的链接标签云进行信息推荐的应用场景中，可以根据上述用户画像信息确定候选推荐信息。在针对图片与关键词混推的应用场景中，可以根据用户画像信息确定候选推荐信息。在针对搜索框进行信息推荐的应用场景中，可以根据上述用户画像信息和用户关联信息，确定上述候选推荐信息。
在步骤S120中，将候选推荐信息输入点击率预估模型中，根据点击率预估模型的输出，确定候选推荐信息对应的点击率预估值。
在本公开的示例性实施例中，点击率预估值即若将上述候选推荐信息推荐给用户，用户发生点击行为的概率。
在本公开的示例性实施例中，图2示出本公开一示例性实施例中信息推荐方法的子流程示意图，具体示出将候选推荐信息输入点击率预估模型中，根据点击率预估模型的输出，确定候选推荐信息对应的点击率预估值的子流程示意图，包含步骤S201-步骤S202，以下结合图2对步骤S120进行解释。
在步骤S201中，基于神经网络算法构建候选推荐信息对应的第一特征向量。
在本公开的示例性实施例中，可以基于加权算法(例如：term frequency–inversedocument frequency，词频-逆文本频率指数，简称：TF-IDF)算法获取上述候选推荐信息对应的特征值。具体的，可以统计上述候选推荐信息出现的词频(具体表现为候选推荐信息在用户的推荐列表中出现过的频率)，以及，获取候选推荐信息出现的逆文本频率指数(具体表现为候选推荐信息在多少个用户的推荐列表中出现过)，并将词频与逆文本频率指数的乘积作为上述候选推荐信息对应的特征值。
在获取到候选推荐信息对应的特征值之后，可以基于神经网络算法构建上述特征值对应的第一特征向量。
在本公开的示例性实施例中，还可以获取海量的候选推荐信息样本对应的第一特征向量样本，将上述第一特征向量样本输入机器学习模型中，多次调整参数以训练上述机器学习模型，使上述机器学习模型的损失函数趋于收敛，以得到一点击率预估模型。具体的，模型训练前期可以使用简易模型(如LR分类器，Logistic regression classifier，逻辑回归)，后续可以使用XGBoost(eXtreme Gradient Boosting，极端梯度提升算法)，进而，后续可以基于多种神经网络进行优化，以训练得到上述点击率预估模型。需要说明的是，在进行模型训练的过程中，可以将“用户在候选推荐信息上的点击数目”除以“用户在候选推荐信息上的曝光数”所得的商作为上述点击率预估值。
在步骤S202中，将第一特征向量输入点击率预估模型中，根据点击率预估模型的输出，确定候选推荐信息对应的点击率预估值。
在本公开的示例性实施例中，在训练得到点击率预估模型之后，可以将上述候选推荐信息对应的第一特征向量输入上述点击率预估模型中，根据上述点击率预估模型的输出，确定上述候选推荐信息对应的点击率预估值。
继续参考图1，在步骤S130中，根据候选推荐信息与目标推荐信息的语义相似度，确定候选推荐信息对应的点击价值预估值。
在本公开的示例性实施例中，可以先根据用户搜索信息与预先存储的购买词确定一目标推荐信息，进而，根据候选推荐信息与目标推荐信息的语义相似度，确定候选推荐信息对应的点击价值预估值。点击价值预估值即若将上述候选推荐信息推荐给用户，用户发生点击行为之后，产生的点击价值的预估值。从而，能够解决现有技术中忽略信息的点击价值而导致的资源转换率较低的技术问题，使得推荐指数的计算更加符合互联网信息获取平台的实际需求，提高后续资源转换率。
在本公开的示例性实施例中，图3示出本公开一示例性实施例中信息推荐方法的子流程示意图，具体示出根据用户搜索信息与预先存储的购买词确定目标推荐信息的子流程示意图，包含步骤S301-步骤S304，以下结合图3对具体的实施方式进行解释。
在步骤S301中，对用户搜索信息进行分词处理，得到分词结果。
在本公开的示例性实施例中，参照上述步骤S110的相关解释，可以对获取到的上述用户搜索信息进行分词处理，得到分词结果。示例性的，当用户搜索信息为“苹果手机多少钱”时，可以对上述用户搜索信息分词处理，得到分词结果：苹果/手机/多少钱。
在步骤S302中，对分词结果进行组合，得到组合词。
在本公开的示例性实施例中，可以对上述分词结果进行组合，得到组合词。示例性的，得到的组合词为：“苹果/手机/多少钱/手机多少钱/苹果手机多少钱”。
在步骤S303中，获取组合词与预先存储的购买词的语义相似度。
在本公开的示例性实施例中，在得到上述组合词之后，可以获取上述组合词与预先存储的购买词的语义相似度。其中，预先存储的购买词即预先获取到的，广告主针对性出价的一些关键词，例如：“手机”、“苹果手机”。
示例性的，可以获取上述组合词对应的特征向量，例如特征向量A(2，0)。还可以获取上述购买词对应的特征向量，例如：购买词“手机”对应的特征向量B(1，2)，购买词“苹果手机”对应的特征向量C(5，4)。进一步的，可以基于欧式距离、余弦距离、汉明距离等计算公式获取特征向量A与B的距离值l1，以及，获取特征向量A与C的距离值l2。示例性的，当采用欧式距离进行计算时，则
进而，可以将上述距离值
5作为上述语义相似度。距离值越小，则说明上述语义相似度越高。
在步骤S304中，若语义相似度小于第二预设阈值，则将组合词与购买词合并为目标推荐信息。
在本公开的示例性实施例中，在获取到上述组合词与购买词的语义相似度之后，若上述语义相似度小于第二预设阈值(例如：3)，则将上述组合词与上述购买词合并为目标推荐信息。示例性的，参照上述步骤S303相关解释可知，5>3，而
对应购买词“苹果手机”。则可以将上述组合词“苹果/手机/多少钱/手机多少钱/苹果手机多少钱”与购买词“苹果手机”合并为目标推荐信息“苹果手机”。
在本公开的示例性实施例中，在确定出上述目标推荐信息之后，可以建立目标推荐信息与对应的目标收入信息的关联关系，具体的，可以参考图4，图4示出本公开一示例性实施例中信息推荐方法的子流程示意图，具体示出建立目标推荐信息与目标收入信息的关联关系的子流程示意图，包含步骤S401-步骤S403，以下结合图4对具体的实施方式进行解释。
在步骤S401中，获取组合词对应的第一收入信息，以及，获取购买词对应的第二收入信息。
在本公开的示例性实施例中，可以获取上述组合词对应的第一收入信息(即用户搜索上述信息并产生购买行为之后，互联网信息获取平台得到的收入，例如：2000)。还可以获取上述购买词对应的第二收入信息(即广告主针对购买词进行出价，互联网信息获取平台得到的收入，例如：1000)。
在步骤S402中，对第一收入信息与第二收入信息进行加权平均，以确定目标收入信息。
在本公开的示例性实施例中，可以预先设置第一收入信息对应的权重为0.4，预先设置第二收入信息对应的权重为0.6。具体的权重数值可以根据实际情况自行设定，属于本公开的保护范围。
在本公开的示例性实施例中，在确定出上述第一收入信息与上述第二收入信息之后，可以对上述第一收入信息与上述第二收入信息进行加权平均，以确定出目标收入信息。示例性的，
在步骤S403中，将目标推荐信息与目标收入信息以键值对的形式存入数据库中。
在本公开的示例性实施例中，在确定出上述目标收入信息之后，可以将上述目标推荐信息与上述目标收入信息以键值对的形式存入数据库中。具体的，可以将上述目标推荐信息“苹果手机”作为key(关键字)，将上述目标收入信息“1400”作为value(键值)，对应存储至数据库中，例如：<苹果手机，1400>。
在本公开的示例性实施例中，在确定出上述目标推荐信息以及目标收入信息之后，示例性的，可以基于神经网络算法构建上述目标推荐信息对应的第二特征向量，并参照上述步骤S303的相关解释，计算出候选推荐信息对应的第一特征向量与目标推荐信息对应的第二特征向量之间的向量距离，将计算出的向量距离确定为候选推荐信息与目标推荐信息的语义相似度。
在本公开的示例性实施例中，在确定出上述语义相似度之后，可以确定数值最小的语义相似度对应的目标推荐信息。进一步的，确定语义相似度数值最小的目标推荐信息对应的目标收入信息，并将该目标收入信息确定为上述候选推荐信息对应的点击价值预估值。
在本公开的示例性实施例中，需要说明的是，本公开中步骤S301-步骤S304以及步骤S401-步骤S403的所有流程，还可以是通过一点击价值预估模型来完成的。示例性的，可以获取海量的候选推荐信息样本，将上述候选推荐信息样本输入机器学习模型中，多次调整参数以训练上述机器学习模型，使上述机器学习模型的损失函数趋于收敛，以得到上述点击价值预估模型。在模型训练完成之后，可以将候选推荐信息输入点击价值预估模型中，进而，可以将点击价值预估模型的输出确定为上述点击价值预估值。
在本公开的示例性实施例中，示例性的，可以参考图5，图5示出本公开一示例性实施例中信息推荐方法的子流程示意图，具体示出获取点击价值预估值的子流程示意图，以下结合图5对具体的实施方式进行解释。
在步骤S501中，对用户搜索信息进行分词处理，得到分词结果；对分词结果进行组合，得到组合词；
在步骤S502中，获取预先存储的广告主的购买词；
在步骤S503中，获取组合词与购买词的语义相似度；
在步骤S504中，若语义相似度小于第二预设阈值，则将组合词与购买词合并为目标推荐信息；
在步骤S505中，获取组合词对应的第一收入信息、购买词对应的第二收入信息；对第一收入信息与第二收入信息进行加权平均，以确定目标收入信息；将目标推荐信息与目标收入信息以键值对的形式(例如：<目标推荐信息，目标收入信息>)存入数据库中。
在步骤S506中，获取候选推荐信息与目标推荐信息的语义相似度；
在步骤S507中，确定数值最小的语义相似度对应的目标推荐信息；
在步骤S508中，将目标推荐信息对应的目标收入信息确定为候选推荐信息对应的点击价值预估值。
继续参考图1，在步骤S140中，根据点击率预估值与点击价值预估值，确定候选推荐信息对应的推荐指数。
在本公开的示例性实施例中，在确定出上述点击率预估值与上述点击价值预估值之后，可以将上述点击率预估值与上述点击价值预估值的乘积，确定为上述候选推荐信息对应的推荐指数，即推荐指数＝点击率预估值*点击价值预估值。
在本公开的示例性实施例中，推荐指数即衡量上述候选推荐信息推荐必要性的指标，推荐指数的数值越大，则表示上述候选推荐信息的推荐必要性越高。
在步骤S150中，将推荐指数大于第一预设阈值的候选推荐信息确定为待推荐信息。
在本公开的示例性实施例中，在获取到各个候选推荐信息对应的推荐指数之后，可以将推荐指数大于第一预设阈值的候选推荐信息确定为待推荐信息，并将待推荐信息推荐展示给用户。从而，能够将用户感兴趣且资源转换率较高的信息推荐给用户，保障用户的购买需求以及互联网信息获取平台的运营需求，提高推荐效率。需要说明的是，上述第一预设阈值可以根据实际情况自行设定，属于本公开的保护范围。
在本公开的示例性实施例中，在获取到各个候选推荐信息对应的推荐指数之后，还可以将候选推荐信息按照推荐指数由大到小的顺序进行排序，形成一推荐序列，进而，将上述推荐序列中的前N个候选推荐信息确定为待推荐信息，并将上述待推荐信息推荐展示给用户。需要说明的是，N为正整数，其具体数值可以根据实际情况自行设定，属于本公开的保护范围。
在本公开的示例性实施例中，可以参考图6，图6示出本公开一示例性实施例中信息推荐方法的整体流程示意图，以下结合图6对具体的实施方式进行解释。
在步骤S601中，根据用户画像信息和用户关联信息，确定候选推荐信息；
在步骤S602中，对候选推荐信息中的无效信息和/或敏感信息进行过滤处理；
在步骤S603中，根据点击率预估模型，确定候选推荐信息对应的点击率预估值；根据点击价值预估模型，确定候选推荐信息对应的点击价值预估值；
在步骤S604中，根据上述点击率预估值与点击价值预估值的乘积，确定候选推荐信息的推荐指数；
在步骤S605中，将推荐指数位于前N位的候选推荐信息确定为待推荐信息，并推荐给用户。
在本公开的示例性实施例中，客户端(例如：用户的个人移动终端设备)可以获取用户在前端显示页面上输入的用户搜索信息，并将得到的用户搜索信息发送至上述进行信息推荐的后台服务器，以使上述后台服务器执行上述相关步骤以生成待推荐信息。进而，客户端可以接收后台服务器返回的待推荐信息，并将上述待推荐信息显示至目标显示区域(例如：用户搜索框的下方)。从而，能够将用户感兴趣且资源转换率较高的信息推荐给用户，保障用户的购买需求以及互联网信息获取平台的运营需求，提高推荐效率。
进而，若用户对上述目标显示区域显示的待推荐信息发生触发操作(例如：点击操作)，则可以直接跳转至上述待推荐信息所关联的推荐页面。从而，能够避免用户重复输入待推荐信息而导致的信息搜索效率较低的技术问题，节省用户的搜索时间，提高信息搜索效率。
本公开还提供了一种信息推荐装置，图7示出本公开示例性实施例中信息推荐装置的结构示意图；如图7所示，信息推荐装置700可以包括候选信息确定模块701、点击率预估模块702、点击价值预估模块703、指数确定模块704、目标推荐信息确定模块705。其中：
候选信息确定模块701，用于根据用户画像信息和用户关联信息，确定候选推荐信息。
在本公开的示例性实施例中，候选信息确定模块用于根据用户画像信息和用户关联信息，确定候选推荐信息。
在本公开的示例性实施例中，候选信息确定模块用于获取预设时间段内的用户搜索信息；将用户搜索信息中包含的物品关键词确定为用户关联信息。
在本公开的示例性实施例中，候选信息确定模块用于获取用户搜索信息对应的共现信息；将共现信息确定为用户关联信息。
在本公开的示例性实施例中，候选信息确定模块用于获取用户推荐列表中的推荐关键词；将推荐关键词对应的同义词和/或近义词确定为用户关联信息。
在本公开的示例性实施例中，候选信息确定模块还用于获取候选推荐信息中的无效信息和/或敏感信息；对无效信息和/或敏感信息进行过滤处理。
点击率预估模块702，用于将候选推荐信息输入点击率预估模型中，根据点击率预估模型的输出，确定候选推荐信息对应的点击率预估值。
在本公开的示例性实施例中，点击率预估模块用于基于神经网络算法构建候选推荐信息对应的第一特征向量；将第一特征向量输入点击率预估模型中；根据点击率预估模型的输出，确定候选推荐信息对应的点击率预估值。
点击价值预估模块703，用于根据候选推荐信息与目标推荐信息的语义相似度，确定候选推荐信息对应的点击价值预估值。
在本公开的示例性实施例中，点击价值预估模块用于对用户搜索信息进行分词处理，得到分词结果；对分词结果进行组合，得到组合词；获取组合词与预先存储的购买词的语义相似度；若语义相似度小于第二预设阈值，则将组合词与购买词合并为目标推荐信息。
在本公开的示例性实施例中，点击价值预估模块用于获取组合词对应的第一收入信息，以及，获取购买词对应的第二收入信息；对第一收入信息与第二收入信息进行加权平均，以确定目标收入信息；将目标推荐信息与目标收入信息以键值对的形式存入数据库中。
在本公开的示例性实施例中，点击价值预估模块用于基于神经网络算法构建目标推荐信息对应的第二特征向量；将第一特征向量与第二特征向量的向量距离确定为语义相似度；获取数值最小的语义相似度对应的目标推荐信息；将目标推荐信息对应的目标收入信息确定为候选推荐信息对应的点击价值预估值。
指数确定模块704，用于根据点击率预估值与点击价值预估值，确定候选推荐信息对应的推荐指数。
在本公开的示例性实施例中，指数确定模块用于根据点击率预估值与点击价值预估值的乘积，确定候选推荐信息对应的推荐指数。
目标推荐信息确定模块705，用于将推荐指数大于第一预设阈值的候选推荐信息确定为待推荐信息。
在本公开的示例性实施例中，目标推荐信息确定模块用于将推荐指数大于第一预设阈值的候选推荐信息确定为待推荐信息。
上述信息推荐装置中各模块的具体细节已经在对应的信息推荐方法中进行了详细的描述，因此此处不再赘述。
本公开还提供了一种客户端，图8示出本公开示例性实施例中客户端的结构示意图；如图8所示，客户端800可以包括获取模块801、发送模块802、显示模块803和跳转模块804。其中：
获取模块801，用于获取用户在客户端的前端显示页面上输入的用户搜索信息。
发送模块802，用于将用户搜索信息发送至后台服务器，以使后台服务器生成待推荐信息。
显示模块803，用于接收后台服务器返回的待推荐信息，并将待推荐信息显示至目标显示区域。
跳转模块804，用于响应于用户对目标显示区域显示的待推荐信息的触发操作，跳转至待推荐信息所关联的推荐页面。
上述客户端中各模块的具体细节已经在对应的信息搜索方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
在本公开示例性实施方式中，还提供了一种能够实现上述方法的计算机存储介质。其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
参考图9所示，描述了根据本公开的实施方式的用于实现上述方法的程序产品900，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为***、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“***”。
下面参照图10来描述根据本公开的这种实施方式的电子设备1000。图10显示的电子设备1000仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示，电子设备1000以通用计算设备的形式表现。电子设备1000的组件可以包括但不限于：上述至少一个处理单元1010、上述至少一个存储单元1020、连接不同***组件(包括存储单元1020和处理单元1010)的总线1030以及显示单元1040。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1010执行，使得所述处理单元1010执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元1010可以执行如图1中所示的：步骤S110，根据用户画像信息和用户关联信息，确定候选推荐信息；步骤S120，将所述候选推荐信息输入点击率预估模型中，根据所述点击率预估模型的输出，确定所述候选推荐信息对应的点击率预估值；步骤S130，根据所述候选推荐信息与目标推荐信息的语义相似度，确定所述候选推荐信息对应的点击价值预估值；步骤S140，根据所述点击率预估值与所述点击价值预估值，确定所述候选推荐信息对应的推荐指数；步骤S150，将所述推荐指数大于第一预设阈值的所述候选推荐信息确定为待推荐信息。
存储单元1020可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)10201和/或高速缓存存储单元10202，还可以进一步包括只读存储单元(ROM)10203。
存储单元1020还可以包括具有一组(至少一个)程序模块10205的程序/实用工具10204，这样的程序模块10205包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1030可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1000也可以与一个或多个外部设备1100(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1000交互的设备通信，和/或与使得该电子设备1000能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1050进行。并且，电子设备1000还可以通过网络适配器1060与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1060通过总线1030与电子设备1000的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1000使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
Claims (15)
1.一种信息推荐方法，应用于进行信息推荐的后台服务器，其特征在于，包括：
根据获取到的用户画像信息和用户关联信息，确定候选推荐信息；
将所述候选推荐信息输入点击率预估模型中，根据所述点击率预估模型的输出，确定所述候选推荐信息对应的点击率预估值；
根据所述候选推荐信息与目标推荐信息的语义相似度，确定所述候选推荐信息对应的点击价值预估值；
根据所述点击率预估值与所述点击价值预估值，确定所述候选推荐信息对应的推荐指数；
将所述推荐指数大于第一预设阈值的所述候选推荐信息确定为待推荐信息。
2.根据权利要求1所述的方法，其特征在于，所述将所述候选推荐信息输入点击率预估模型中，根据所述点击率预估模型的输出，确定所述候选推荐信息对应的点击率预估值，包括：
基于神经网络算法构建所述候选推荐信息对应的第一特征向量；
将所述第一特征向量输入点击率预估模型中；
根据所述点击率预估模型的输出，确定所述候选推荐信息对应的点击率预估值。
3.根据权利要求1所述的方法，其特征在于，所述根据所述候选推荐信息与目标推荐信息的语义相似度，确定所述候选推荐信息对应的点击价值预估值，包括：
基于所述神经网络算法构建所述目标推荐信息对应的第二特征向量；
将所述第一特征向量与所述第二特征向量的向量距离确定为所述语义相似度；
获取数值最小的所述语义相似度对应的所述目标推荐信息；
将所述目标推荐信息对应的所述目标收入信息确定为所述候选推荐信息对应的点击价值预估值。
4.根据权利要求1所述的方法，其特征在于，在所述确定候选推荐信息之后，所述方法还包括：
获取所述候选推荐信息中的无效信息和/或敏感信息；
对所述无效信息和/或敏感信息进行过滤处理。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取预设时间段内的用户搜索信息；
将所述用户搜索信息中包含的物品关键词确定为所述用户关联信息。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
获取所述用户搜索信息对应的共现信息；
将所述共现信息确定为所述用户关联信息。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取用户推荐列表中的推荐关键词；
将所述推荐关键词对应的同义词和/或近义词确定为所述用户关联信息。
8.根据权利要求5所述的方法，其特征在于，所述方法还包括：
对所述用户搜索信息进行分词处理，得到分词结果；
对所述分词结果进行组合，得到组合词；
获取所述组合词与预先存储的购买词的语义相似度；
若所述语义相似度小于第二预设阈值，则将所述组合词与所述购买词合并为目标推荐信息。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
获取所述组合词对应的第一收入信息，以及，获取所述购买词对应的第二收入信息；
对所述第一收入信息与所述第二收入信息进行加权平均，以确定目标收入信息；
将所述目标推荐信息与所述目标收入信息以键值对的形式存入数据库中。
10.根据权利要求1至3任一所述的方法，其特征在于，所述根据所述点击率预估值与所述点击价值预估值，确定所述候选推荐信息对应的推荐指数，包括：
根据所述点击率预估值与所述点击价值预估值的乘积，确定所述候选推荐信息对应的推荐指数。
11.一种信息搜索方法，应用于进行信息显示的客户端，其特征在于，包括：
获取用户在所述客户端的前端显示页面上输入的用户搜索信息；
将所述用户搜索信息发送至所述后台服务器，以使所述后台服务器执行上述权利要求1～10生成所述待推荐信息；
接收所述后台服务器返回的所述待推荐信息，并将所述待推荐信息显示至目标显示区域；
响应于用户对所述目标显示区域显示的所述待推荐信息的触发操作，跳转至所述待推荐信息所关联的推荐页面。
12.一种信息推荐装置，应用于进行信息推荐的后台服务器，其特征在于，包括：
信息确定模块，用于根据用户画像信息和用户关联信息，确定候选推荐信息；
点击率预估模块，用于将所述候选推荐信息输入点击率预估模型中，根据所述点击率预估模型的输出，确定所述候选推荐信息对应的点击率预估值；
点击价值预估模块，用于根据所述候选推荐信息与目标推荐信息的语义相似度，确定所述候选推荐信息对应的点击价值预估值；
指数确定模块，用于根据所述点击率预估值与所述点击价值预估值，确定所述候选推荐信息对应的推荐指数；
信息确定模块，用于将所述推荐指数大于第一预设阈值的所述候选推荐信息确定为待推荐信息。
13.一种客户端，其特征在于，包括：
获取模块，用于获取用户在所述前端服务器的前端显示页面上输入的用户搜索信息；
发送模块，用于将所述用户搜索信息发送至所述后台服务器，以使所述后台服务器执行上述权利要求1～10生成所述待推荐信息；
显示模块，用于接收所述后台服务器返回的所述待推荐信息，并将所述待推荐信息显示至目标显示区域；
跳转模块，用于响应于用户对所述目标显示区域显示的所述待推荐信息的触发操作，跳转至所述待推荐信息所关联的推荐页面。
14.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～10中任意一项所述的信息推荐方法或权利要求11所述的信息搜索方法。
15.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1～10中任意一项所述的信息推荐方法或权利要求11所述的信息搜索方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010060112.1A CN113139115A (zh) | 2020-01-19 | 2020-01-19 | 信息推荐方法、搜索方法、装置及客户端、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010060112.1A CN113139115A (zh) | 2020-01-19 | 2020-01-19 | 信息推荐方法、搜索方法、装置及客户端、介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113139115A true CN113139115A (zh) | 2021-07-20 |
Family
ID=76808858
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010060112.1A Pending CN113139115A (zh) | 2020-01-19 | 2020-01-19 | 信息推荐方法、搜索方法、装置及客户端、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113139115A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114240527A (zh) * | 2021-10-12 | 2022-03-25 | 北京淘友天下科技发展有限公司 | 资源推送方法、装置、电子设备、可读介质及计算机程序 |
| CN115718772A (zh) * | 2022-11-24 | 2023-02-28 | 腾讯科技（深圳）有限公司 | 推荐资源确定方法、数据处理方法、设备及计算机介质 |
| CN116340469A (zh) * | 2023-05-29 | 2023-06-27 | 之江实验室 | 一种同义词挖掘方法、装置、存储介质及电子设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140079297A1 (en) * | 2012-09-17 | 2014-03-20 | Saied Tadayon | Application of Z-Webs and Z-factors to Analytics, Search Engine, Learning, Recognition, Natural Language, and Other Utilities |
| US20150278376A1 (en) * | 2014-04-01 | 2015-10-01 | Baidu (China) Co., Ltd. | Method and apparatus for presenting search result |
| WO2017005275A1 (en) * | 2015-07-03 | 2017-01-12 | Huawei Technologies Co., Ltd. | An image processing apparatus and method |
| CN109829116A (zh) * | 2019-02-14 | 2019-05-31 | 北京达佳互联信息技术有限公司 | 一种内容推荐方法、装置、服务器及计算机可读存储介质 |
| CN110069698A (zh) * | 2017-11-01 | 2019-07-30 | 北京京东尚科信息技术有限公司 | 信息推送方法和装置 |
| US20190236637A1 (en) * | 2018-01-29 | 2019-08-01 | Walmart Apollo, Llc | Identifying value conscious users |
| CN110210882A (zh) * | 2018-03-21 | 2019-09-06 | 腾讯科技（深圳）有限公司 | 推广位匹配方法和装置、推广信息展示方法和装置 |
| CN110598108A (zh) * | 2019-09-12 | 2019-12-20 | 珠海随变科技有限公司 | 一种搜索词推荐方法、装置、设备及存储介质 |
-
2020
- 2020-01-19 CN CN202010060112.1A patent/CN113139115A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140079297A1 (en) * | 2012-09-17 | 2014-03-20 | Saied Tadayon | Application of Z-Webs and Z-factors to Analytics, Search Engine, Learning, Recognition, Natural Language, and Other Utilities |
| US20150278376A1 (en) * | 2014-04-01 | 2015-10-01 | Baidu (China) Co., Ltd. | Method and apparatus for presenting search result |
| WO2017005275A1 (en) * | 2015-07-03 | 2017-01-12 | Huawei Technologies Co., Ltd. | An image processing apparatus and method |
| CN110069698A (zh) * | 2017-11-01 | 2019-07-30 | 北京京东尚科信息技术有限公司 | 信息推送方法和装置 |
| US20190236637A1 (en) * | 2018-01-29 | 2019-08-01 | Walmart Apollo, Llc | Identifying value conscious users |
| CN110210882A (zh) * | 2018-03-21 | 2019-09-06 | 腾讯科技（深圳）有限公司 | 推广位匹配方法和装置、推广信息展示方法和装置 |
| CN109829116A (zh) * | 2019-02-14 | 2019-05-31 | 北京达佳互联信息技术有限公司 | 一种内容推荐方法、装置、服务器及计算机可读存储介质 |
| CN110598108A (zh) * | 2019-09-12 | 2019-12-20 | 珠海随变科技有限公司 | 一种搜索词推荐方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 朱鲲鹏;刘文涵;王晓龙;刘远超;: "基于日志挖掘的检索推荐***", 沈阳建筑大学学报(自然科学版), no. 02, 15 March 2009 (2009-03-15) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114240527A (zh) * | 2021-10-12 | 2022-03-25 | 北京淘友天下科技发展有限公司 | 资源推送方法、装置、电子设备、可读介质及计算机程序 |
| CN115718772A (zh) * | 2022-11-24 | 2023-02-28 | 腾讯科技（深圳）有限公司 | 推荐资源确定方法、数据处理方法、设备及计算机介质 |
| CN116340469A (zh) * | 2023-05-29 | 2023-06-27 | 之江实验室 | 一种同义词挖掘方法、装置、存储介质及电子设备 |
| CN116340469B (zh) * | 2023-05-29 | 2023-08-11 | 之江实验室 | 一种同义词挖掘方法、装置、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11699035B2 (en) | Generating message effectiveness predictions and insights | |
| KR102472572B1 (ko) | 사용자 의도 프로파일링 방법 및 이를 위한 장치 | |
| US20230334570A1 (en) | Utilizing artificial intelligence to make a prediction about an entity based on user sentiment and transaction history | |
| US20190188326A1 (en) | Domain specific natural language understanding of customer intent in self-help | |
| US20210141839A1 (en) | Information search method, apparatus, and system | |
| US20170249389A1 (en) | Sentiment rating system and method | |
| CN107729937A (zh) | 用于确定用户兴趣标签的方法及装置 | |
| US11172040B2 (en) | Method and apparatus for pushing information | |
| WO2019217096A1 (en) | System and method for automatically responding to user requests | |
| US9104746B1 (en) | Identifying contrarian terms based on website content | |
| JP2023533475A (ja) | キーワード推薦のための人工知能 | |
| US11941044B2 (en) | Automatic personalized image-based search | |
| CN113139115A (zh) | 信息推荐方法、搜索方法、装置及客户端、介质及设备 | |
| CN110674620A (zh) | 目标文案生成方法、装置、介质及电子设备 | |
| CN111914188A (zh) | 推荐目标用户的选择方法、***、设备及存储介质 | |
| CN111754278A (zh) | 物品推荐方法、装置、计算机存储介质和电子设备 | |
| US11392631B2 (en) | System and method for programmatic generation of attribute descriptors | |
| CN111209351A (zh) | 对象关系预测、对象推荐方法及装置、电子设备、介质 | |
| CN111429214B (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
| US10643142B2 (en) | Search term prediction | |
| US20210012405A1 (en) | Methods and apparatus for automatically providing personalized item reviews | |
| CN110674404A (zh) | 链接信息生成方法、装置、***、存储介质及电子设备 | |
| CN111767457A (zh) | 推荐方法及装置 | |
| CN113362141A (zh) | 一种关联商品的推荐方法、装置、介质及电子设备 | |
| 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 |
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 |