CN113326436B - 确定推荐资源的方法、装置、电子设备和存储介质 - Google Patents
确定推荐资源的方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113326436B CN113326436B CN202110669221.8A CN202110669221A CN113326436B CN 113326436 B CN113326436 B CN 113326436B CN 202110669221 A CN202110669221 A CN 202110669221A CN 113326436 B CN113326436 B CN 113326436B
- Authority
- CN
- China
- Prior art keywords
- click rate
- resource
- determining
- information
- matching
- 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 54
- 238000011156 evaluation Methods 0.000 claims description 33
- 230000001550 time effect Effects 0.000 claims description 3
- 230000032683 aging Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000002596 correlated effect 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
- 230000004044 response Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 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
- 238000005314 correlation function Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 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
- 238000012549 training Methods 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
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开公开了一种确定推荐资源的方法、装置、电子设备和存储介质,应用于人工智能技术领域,具体应用于智能推荐技术领域和深度学习技术领域。确定推荐资源的方法的具体实现方案为:针对召回的多个资源中的每个资源,采用点击率预估模型来确定每个资源针对目标对象的预测点击率;基于目标对象的第一位置信息和每个资源的属性信息,确定预测点击率针对目标对象的点击率权重;基于预测点击率和点击率权重,确定每个资源针对目标对象的点击率;以及基于多个资源针对目标对象的点击率,确定多个资源中针对目标对象的推荐资源。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及智能推荐技术领域和深度学习技术领域,更具体地涉及一种确定推荐资源的方法、装置、电子设备和存储介质。
背景技术
随着网络技术的发展,智能推荐技术得到快速发展,以期向用户提供满足需求和兴趣点的信息。比较普遍的个性化推荐算法有基于热门排行榜的推荐算法、基于内容的推荐算法和基于社交网络的推荐算法等。该些方法通常采用通用的粗排序模型和精排序模型,从召回的资源中挑选排在前若干位的资源,推荐给用户。
发明内容
提供了一种提高推荐准确性和用户体验的确定推荐资源的方法、装置、电子设备和存储介质。
根据本公开的一个方面,提供了一种确定推荐资源的方法,包括:针对召回的多个资源中的每个资源,采用点击率预估模型来确定每个资源针对目标对象的预测点击率;基于目标对象的第一位置信息和每个资源的属性信息,确定预测点击率针对目标对象的点击率权重;基于预测点击率和点击率权重,确定每个资源针对目标对象的点击率;以及基于多个资源针对目标对象的点击率,确定多个资源中针对目标对象的推荐资源。
根据本公开的另一个方面,提供了一种确定推荐资源的装置,包括:点击率预测模块,用于针对召回的多个资源中的每个资源,采用点击率预估模型来确定每个资源针对目标对象的预测点击率;权重确定模块,用于基于目标对象的第一位置信息和每个资源的属性信息,确定预测点击率针对目标对象的点击率权重;点击率确定模块,用于基于预测点击率和点击率权重,确定每个资源针对所述目标对象的点击率;以及推荐资源确定模块,用于基于多个资源针对目标对象的点击率,确定多个资源中针对目标对象的推荐资源。
根据本公开的另一个方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开提供的确定推荐资源的方法。
根据本公开的另一个方面,提供了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,计算机指令用于使计算机执行本公开提供的确定推荐资源的方法。
根据本公开的另一个方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现本公开提供的确定推荐资源的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开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,不构成对本公开的限定。其中:
图1是根据本公开实施例的确定推荐资源的方法和装置的应用场景示意图;
图2是根据本公开实施例的确定推荐资源的方法的流程示意图;
图3是根据本公开实施例的确定预测点击率针对目标对象的点击率权重的原理示意图;
图4是根据本公开实施例的确定每个资源的点击率与匹配位置之间的关联值的原理示意图;
图5是根据本公开实施例的确定推荐资源的装置的结构框图;以及
图6是用来实现本公开实施例的确定推荐资源的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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。
本公开提供了一种确定推荐资源的方法,包括点击率预测阶段、权重确定阶段、点击率确定阶段和推荐资源确定阶段。在点击率预测阶段中,针对召回的多个资源中的每个资源,采用点击率预估模型来确定每个资源针对目标对象的预测点击率。在权重确定阶段中,基于目标对象的第一位置信息和每个资源的属性信息,确定预测点击率针对目标对象的点击率权重。在点击率确定阶段中,基于预测点击率和点击率权重,确定每个资源针对目标对象的点击率。在推荐资源确定阶段中,基于多个资源针对目标对象的点击率,确定多个资源中针对目标对象的推荐资源。
以下将结合图1对本公开提供的方法和装置的应用场景进行描述。
图1是根据本公开实施例的确定推荐资源的方法和装置的应用场景示意图。
如图1所示,该应用场景100包括终端设备110、服务器120和数据库140。终端设备110可以通过网络与服务器120通信连接,网络可以包括有线或无线通信链路。服务器120例如还可以通过网络访问数据库140。
用户例如可以使用终端设备110通过网络与服务器120交互,以接收或发送消息等。终端设备110可以为具有显示屏的终端设备,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。例如,终端设备110可以通过网络向服务器120发送请求信息130,以请求音频、视频、图像、文本等多媒体资源,或者请求其他任意的资源。
服务器120例如可以响应于终端设备110发送的请求信息130,从数据库140中召回与请求信息130匹配的资源,并将该匹配的资源作为推荐信息150反馈给终端设备,以供终端设备进行展示。
根据本公开的实施例,该服务器120可以是提供各种服务的服务器,例如对用户利用终端设备所浏览的网站或客户端应用提供支持的后台管理服务器。该服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
在一实施例中,在服务器120从数据库中召回资源后,服务器120例如还可以根据召回的资源与请求信息130之间的匹配度,对召回的资源进行排序,并将排序靠前的若干个资源作为推荐信息150反馈给终端设备,以此提高推荐信息150的准确性。
示例性地,服务器120例如可以基于点击率预估模型160来确定匹配度。该点击率预估模型160可以是服务器120或与服务器120通信连接的其他电子设备预先训练得到的。
需要说明的是,本公开所提供的确定推荐资源的方法可以由服务器120执行。相应地,本公开所提供的确定推荐资源的装置可以设置于服务器120中。
应该理解,图1中的终端设备、服务器和数据库的数目和类型仅仅是示意性的。根据实现需要,可以具有任意数目和类型的终端设备、服务器和数据库。
以下将结合图2~图4对本公开提供的确定推荐资源的方法进行详细描述。
图2是根据本公开实施例的确定推荐资源的方法的流程示意图。
如图2所示,该实施例的确定推荐资源的方法200可以包括操作S210~操作S240。
在操作S210,针对召回的多个资源中的每个资源,采用点击率预估模型来确定每个资源针对目标对象的预测点击率。
根据本公开的实施例,多个资源例如可以为视频、音频、图像、文本等多媒体资源,也可以为向生活提供便利的租车服务资源、家政服务资源、家电维修服务资源等。该多个资源可以是响应于终端设备中客户端应用在启动时所发送的请求信息而召回的,也可以是响应于终端设备根据查询关键词所发送的请求信息而召回的。该多个资源的类型与请求信息相对应。
根据本公开的实施例,可以根据请求信息中的关键词从数据库中召回以该关键词为标签的资源,得到召回的多个资源。或者,可以根据数据库中各资源的热度,从数据库中召回热度较高的多个资源。或者,可以根据目标对象的历史行为数据,从数据库中海量的信息中粗筛一批资源,作为召回的多个资源。可以理解的是,上述召回多个资源的方法、召回多个资源的时机和多个资源的类型仅作为示例以利于理解本公开,本公开对此不做限定。
在召回得到多个资源后,可以采用点击率预估模型确定每个资源的预测点击率。其中,点击率预估模型例如可以包括逻辑回归模型、深度神经网络模型或基于集成学习(Ensemble Learning)方法构建的模型等。其中,基于集成学习方法构建的模型可以包括Boosting模型和Bagging模型等,集成学习方法通过训练多个分类器,并组合这些分类器得到点击率预估模型,以使得点击率预估模型具有更高的精度。该实施例可以对目标对象的基础属性、兴趣属性、环境信息等编码,并对资源的历史点击率、资源内容等编码,将编码后得到的信息作为点击率预估模型的输入,经由点击率预估模型处理后输出得到每个资源针对目标对象的预测点击率。
在操作S220,基于目标对象的第一位置信息和每个资源的属性信息,确定预测点击率针对目标对象的点击率权重。
根据本公开的实施例,可以确定第一位置信息与每个资源的属性信息之间的相似度,根据该相似度来确定点击率权重。例如,可以采用独热编码方式得到第一位置信息的第一编码,并得到属性信息的第二编码。随后将第一编码与第二编码之间的皮尔逊相关系数、余弦相似度或杰卡德相似系数作为相似度。该相似度与点击率权重之间例如可以为正比例关系,由此基于相似度得到点击率权重。
根据本公开的实施例,每个资源的属性信息可以包括每个资源所针对的第二位置信息。该实施例可以确定第一位置信息和第二位置信息之间的匹配信息。基于该匹配信息,可以确定预测点击率针对目标对象的点击率权重。例如,匹配信息可以包括匹配值,以该匹配值作为点击率权重。其中,可以根据第一位置信息和第二位置信息之间匹配位置的粒度来确定匹配值。例如,若第一位置信息与第二位置信息均包括省级、市级、县级、区级和商圈级位置信息,在第一位置信息中仅省级位置信息与第二位置信息匹配时,则该匹配值为较小的值。在第一位置信息中省级、市级、县级、区级和商圈级位置信息均与第二位置信息匹配时,则该匹配值为较大的值。即匹配位置的级别越高,则匹配值越小。其中,例如可以在两个位置信息相同时,确定该两个位置信息相匹配。
可以理解的是,上述确定点击率权重的方法仅作为示例以利于理解本公开,本公开例如还可以采用下文描述的确定点击率权重的原理来确定点击率权重,在此不再详述。
在操作S230,基于预测点击率和点击率权重,确定每个资源针对目标对象的点击率。
在操作S240,基于多个资源针对目标对象的点击率,确定多个资源中针对目标对象的推荐资源。
根据本公开的实施例,可以将点击率权重与预测点击率之间的乘积作为每个资源针对目标对象的点击率。在得到多个资源各自针对目标对象的点击率后,可以将该多个资源根据点击率自高至低排序。将排在较前的若干个资源作为针对目标对象的推荐资源。
可以理解的是,本公开实施例在召回得到多个资源后,通过基于目标对象的第一位置信息和资源属性信息来确定点击率权重,并基于该点击率权重确定每个资源的点击率,可以使得确定的点击率充分考虑了资源与目标对象的地理相关性。从而可以使得基于该点击率确定的推荐资源中包括目标对象周边的资源,便于提高资源的点击率和用户满意度。再者,由于点击率权重是基于资源的位置信息和目标对象的位置信息之间的匹配信息来确定的,因此可以提高确定的点击率与地理位置匹配关系的关联性,提高描述目标对象周边信息的资源作为推荐资源的概率。
图3是根据本公开实施例的确定预测点击率针对目标对象的点击率权重的原理示意图。
根据本公开的实施例,可以考虑资源针对匹配信息中匹配位置的点击率,基于该点击率来确定资源的点击率与匹配位置之间的关联关系,并基于该关联关系和匹配信息来确定点击率权重,以此来提高确定的点击率权重的准确性。这是由于目标对象对资源的感兴趣程度通常是服从相同地域下群体的整体偏好的。通过考虑资源在匹配位置的点击率来确定点击率权重,可以使得最终确定的资源的点击率可以刻画地域下的群体偏好。
示例性地,前述的匹配信息除了匹配值外,还可以包括匹配位置。例如,若目标对象的第一位置信息为A省L市P县的XX商圈,资源的属性信息中的第二位置信息为A省M市Q县,则匹配位置包括A省。
根据本公开的实施例,在确定点击率权重时,除了采用前文描述的方法确定匹配信息外,还可以基于每个资源的历史点击信息和历史展示信息,确定每个资源的点击率与匹配位置之间的关联值。随后基于该关联值和匹配值来确定点击率权重。
示例性地,可以从历史点击信息中挑选出被匹配位置处的对象所点击的信息,得到每个资源针对匹配位置的点击量。类似的,可以得到每个资源针对匹配位置的展示量。将该点击量与展示量的比值作为该每个资源针对匹配位置的历史点击率。基于该历史点击率可以确定关联值,例如,历史点击率与关联值之间正相关。例如可以将该每个资源的历史点击率作为关联值。或者,可以对多个资源针对匹配位置的历史点击率进行归一化处理,将归一化处理得到的值作为关联值。可以理解的是,上述基于历史点击率确定关联值的方法仅作为示例以利于理解本公开,本公开对此不做限定。
根据本公开的实施例,历史点击率可能受资源的实际展示量与预定展示量之间差异的影响。这是由于热度高的资源点击率会较高,而资源的展示量在一定程度上会影响资源的热度。因此,该实施例在确定关联值时,还可以基于历史展示信息来调整历史点击率的值,以此提高确定的关联值的准确性。
在一实施例中,如图3所示,该实施例300在确定点击率权重时,对于每个资源320,可以先确定目标对象310的第一位置信息311与该资源320的属性信息中第二位置信息321之间的匹配信息330。随后,可以基于资源320的属性信息中的历史展示信息323,确定资源320针对匹配位置的置信度340。同时,可以基于资源320的属性信息中的历史点击信息322和该历史展示信息323确定每个资源针对匹配位置的实际点击率350。随后可以基于得到的置信度340和实际点击率350,确定每个资源的点击率与匹配位置之间的关联值360。最终,可以基于该关联值360和匹配信息330中的匹配值来确定点击率权重370。
示例性地,在确定置信度时,可以先挑选出历史展示信息中展示给匹配位置处对象的展示信息,得到该每个资源针对匹配位置的实际展示量。随后基于该实际展示量与针对该匹配位置的预定展示量的比值,来确定置信度。例如,实际展示量与预定展示量之间的比值可以与置信度正相关。其中,预定展示量例如可以为多个资源的平均展示量,或者可以为预先设定的任意值。在一实施例中,该预定展示量与匹配位置相关联。例如,匹配位置的级别越高,则该预定展示量越高。
示例性地,在确定置信度时,还可以考虑该每个资源的时效信息,该时效信息为属性信息的一部分。这是由于为了减少计算量,历史展示信息通常为预定时段内的展示信息,且资源的时效信息在一定程度上会影响展示量。则该实施例在得到实际展示量后,可以基于实际展示量、预定展示量和时效信息,确定每个资源针对匹配位置的置信度,以此提高确定的置信度的准确性,从而提高确定的关联值和点击率权重的准确性。其中,时效信息例如可以由当前时刻与该每个资源的发布时刻之间的时间间隔来表示。该时效信息可以与置信度负相关。
示例性地,例如可以基于时效信息得到实际展示量与预定展示量之间比值的权重,将加权得到的实际展示量与预定展示量之间的比值作为置信度。其中,时效信息可以由每个资源的发布时刻与当前时刻之间的时间间隔来表示,时效信息的取值例如可以与权重的取值负相关。或者,还可以将该时效信息的取值作为调节因子,调节实际展示量与预定展示量之间比值的取值,根据该比值与调节因子的差值作为置信度。或者,还可以以该比值与调节因子之间差值为变量的指数函数的取值作为置信度等,本公开对此不做限定。
示例性地,在得到实际点击率与置信度后,可以基于该置信度与实际点击率的乘积来确定每个资源的点击率与匹配位置之间的关联值。其中,该置信度与实际点击率之间的乘积例如与关联值正相关。例如可以直接将该乘积作为置信度,或者基于任意的正相关函数来确定关联值,本公开对此不做限定。
示例性地,在得到关联值和匹配值后,例如可以将关联值和匹配值之间的乘积作为点击率权重。或者,可以将该关联值和匹配值之间的平均值作为点击率权重。该实施例对基于关联值和匹配值确定点击率权重的方法不做限定,只要使得关联值和匹配值均与点击率权重正相关即可。
图4是根据本公开实施例的确定每个资源的点击率与匹配位置之间的关联值的原理示意图。
根据本公开的实施例,在基于实际点击率和置信度确定每个资源的点击率与匹配位置之间的关联值时,例如还可以考虑基准点击率,以期改善因资源的展示量低导致的关联值不准确的情况。其中,该基准点击率可以是预先基于数据库中的各资源针对匹配位置的历史点击率来得到。例如基准点击率可以为数据库中的各资源针对匹配位置的历史点击率的平均值,本公开对该基准点击率的取值不做限定。
根据本公开的实施例,如图4所示,对于每个资源410,该实施例400在确定每个资源的点击率与匹配位置之间的关联值时,可以先基于该资源410的历史点击信息411和历史展示信息412确定实际点击率420。并采用前文描述的方法,基于历史展示信息412确定置信度430。随后,可以基于得到的实际点击率420、置信度430和预定基准点击率440,来确定该资源410针对匹配位置的加权点击率450。最后,基于该加权点击率450与预定基准点击率440之间的比值,来确定资源410的点击率针对匹配位置的评估值,并将该评估值作为关联值460。
示例性地,可以以该置信度作为实际点击率的权重,以预定值与该置信度的差值作为预定基准点击率的权重,计算实际点击率与预定基准点击率的加权和,并将该加权和作为加权点击率。或者,还可以直接将该置信度与实际点击率的乘积作为加权点击率,本公开对此不做限定。
示例性地,在确定评估值时,例如还可以基于加权点击率450与预定基准点击率440之间的比值,将评估值映射到一定的取值区间,以此实现对点击率权重取值范围的限制,控制该点击率权重对预测点击率的调节作用的大小。
例如,该实施例可以取加权点击率450与预定基准点击率440之间的比值与第一预定值中的较小值作为最终的评估值,以将评估值限定到该第一预定值之内。或者,在得到比值与第一预定值之间的较小值后,还可以取该较小值与第二预定值中较大的值,将该较大的值作为最终的评估值,以将该评估值限定在第二预定值与第一预定值之间。或者,还可以先对加权点击率450与预定基准点击率440之间的比值进行放大,根据放大后的值与预定值之间的大小关系来确定评估值。
根据本公开的实施例,在匹配信息包括有至少两个级别的至少两个匹配位置时,对于每个匹配位置,可以采用前述的方法来确定每个资源的点击率针对该每个匹配位置的评估值,从而得到每个资源的点击率分别针对至少两个匹配位置的至少两个评估值。如此,在确定关联值时,可以将该至少两个评估值中的最大值作为每个资源的点击率与匹配位置之间的关联值。例如,若匹配信息中的匹配位置包括A省和M市,则该实施例可以基于每个资源针对该A省的历史点击信息和历史展示信息,得到该每个资源针对A省的评估值。类似地,可以该每个资源针对M市的评估值。将该针对A省的评估值和针对M市的评估值中取值较大的评估值作为该每个资源的点击率与匹配位置之间的关联值。
根据本公开的实施例,在匹配信息包括有至少两个级别的至少两个匹配位置时,还可以仅采用前述的方法来确定每个资源的点击率针对该至少两个匹配位置中粒度最小的匹配位置的评估值,并将该评估值作为每个资源的点击率与匹配位置之间的关联值。
基于上述的确定推荐资源的方法,本公开还提供了一种确定推荐资源的装置,以下将结合图5对该装置进行详细描述。
图5是根据本公开实施例的确定推荐资源的装置的结构框图。
如图5所示,该实施例的确定推荐资源的装置500可以包括点击率预测模块510、权重确定模块520、点击率确定模块530和推荐资源确定模块540。
点击率预测模块510用于针对召回的多个资源中的每个资源,采用点击率预估模型来确定每个资源针对目标对象的预测点击率。在一实施例中,点击率预测模块510可以用于执行前文描述的操作S210,在此不再赘述。
权重确定模块520用于基于目标对象的第一位置信息和每个资源的属性信息,确定预测点击率针对目标对象的点击率权重。在一实施例中,权重确定模块520可以用于执行前文描述的操作S220,在此不再赘述。
点击率确定模块530用于基于预测点击率和点击率权重,确定每个资源针对目标对象的点击率。在一实施例中,点击率确定模块530可以用于执行前文描述的操作S230,在此不再赘述。
推荐资源确定模块540用于基于多个资源针对目标对象的点击率,确定多个资源中针对目标对象的推荐资源。在一实施例中,推荐资源确定模块540可以用于执行前文描述的操作S240,在此不再赘述。
根据本公开的实施例,每个资源的属性信息包括资源所针对的第二位置信息。上述权重确定模块520可以包括匹配信息确定子模块和权重确定子模块。匹配信息确定子模块用于确定第一位置信息和第二位置信息之间的匹配信息。权重确定子模块用于基于匹配信息,确定预测点击率针对目标对象的点击率权重。
根据本公开的实施例,每个资源的属性信息还包括资源的历史点击信息和历史展示信息。匹配信息包括匹配位置和匹配值。权重确定模块520还可以包括关联值确定子模块。关联值确定子模块用于基于历史点击信息、和历史展示信息,确定每个资源的点击率与匹配位置之间的关联值。上述权重确定子模块具体用于基于关联值和匹配值,确定预测点击率针对目标对象的点击率权重。
根据本公开的实施例,关联值确定子模块可以包括置信度确定单元、点击率确定单元和关联值确定单元。置信度确定单元用于基于历史展示信息,确定每个资源针对匹配位置的置信度。点击率确定单元用于基于历史点击信息和历史展示信息,确定每个资源针对匹配位置的实际点击率。关联值确定单元用于基于实际点击率和置信度,确定每个资源的点击率与匹配位置之间的关联值。
根据本公开的实施例,每个资源的属性信息还包括资源的时效信息。置信度确定单元可以包括展示量确定子单元和置信度确定子单元。展示量确定子单元用于基于历史展示信息,确定每个资源针对匹配位置的实际展示量。置信度确定子单元用于基于实际展示量、与匹配位置相关联的预定展示量和时效信息,确定每个资源针对匹配位置的置信度。
根据本公开的实施例,关联值确定单元可以包括加权确定子单元和关联值确定子单元。加权确定子单元用于基于实际点击率、针对匹配位置的预定基准点击率和置信度,确定每个资源针对匹配位置的加权点击率。关联值确定子单元用于基于加权点击率与预定基准点击率之间的比值,确定每个资源的点击率针对匹配位置的评估值,得到关联值。
根据本公开的实施例,匹配信息包括至少两个级别的至少两个匹配位置,评估值包括每个资源的点击率分别针对至少两个匹配位置的至少两个评估值。上述关联值确定子单元用于确定至少两个评估值中的最大评估值为关联值。
需要说明的是,本公开的技术方案中,所涉及的用户个人信息的获取、存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的确定推荐资源的方法的示例电子设备600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6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理,例如确定推荐资源的方法。例如,在一些实施例中,确定推荐资源的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608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的确定推荐资源的方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行确定推荐资源的方法。
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。其中,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VPS服务(″Virtual Private Server″,或简称″VPS″)中,存在的管理难度大,业务扩展性弱的缺陷。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,本发公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (14)
1.一种确定推荐资源的方法,包括:
针对召回的多个资源中的每个资源,采用点击率预估模型来确定所述每个资源针对目标对象的预测点击率;
基于所述目标对象的第一位置信息和所述每个资源的属性信息,确定所述预测点击率针对所述目标对象的点击率权重;
基于所述预测点击率和所述点击率权重,确定所述每个资源针对所述目标对象的点击率;以及
基于所述多个资源针对所述目标对象的点击率,确定所述多个资源中针对所述目标对象的推荐资源;
其中,所述每个资源的属性信息包括资源所针对的第二位置信息;确定所述预测点击率针对所述目标对象的点击率权重包括:
确定所述第一位置信息和所述第二位置信息之间的匹配信息;以及
基于所述匹配信息,确定所述预测点击率针对所述目标对象的点击率权重。
2.根据权利要求1所述的方法,其中,所述每个资源的属性信息还包括历史点击信息和历史展示信息;所述匹配信息包括匹配位置和匹配值;确定所述预测点击率针对所述目标对象的点击率权重还包括:
基于所述历史点击信息和所述历史展示信息,确定所述每个资源的点击率与所述匹配位置之间的关联值,
其中,所述预测点击率针对所述目标对象的点击率权重是基于所述关联值和所述匹配值确定的。
3.根据权利要求2所述的方法,其中,确定所述每个资源的点击率与所述匹配位置之间的关联值包括:
基于所述历史展示信息,确定所述每个资源针对所述匹配位置的置信度;
基于所述历史点击信息和所述历史展示信息,确定所述每个资源针对所述匹配位置的实际点击率;以及
基于所述实际点击率和所述置信度,确定所述每个资源的点击率与所述匹配位置之间的关联值。
4. 根据权利要求3所述的方法,其中,所述每个资源的属性信息还包括资源的时效信息;确定所述每个资源针对所述匹配位置的置信度包括:
基于所述历史展示信息,确定所述每个资源针对所述匹配位置的实际展示量;以及
基于所述实际展示量、与所述匹配位置相关联的预定展示量和所述时效信息,确定所述每个资源针对所述匹配位置的置信度。
5. 根据权利要求3所述的方法,其中,所述基于所述实际点击率和所述置信度,确定所述每个资源的点击率与所述匹配位置之间的关联值包括:
基于所述实际点击率、针对所述匹配位置的预定基准点击率和所述置信度,确定所述每个资源针对所述匹配位置的加权点击率;以及
基于所述加权点击率与所述预定基准点击率之间的比值,确定所述每个资源的点击率针对所述匹配位置的评估值,得到所述关联值。
6.根据权利要求5所述的方法,其中,所述匹配信息包括至少两个级别的至少两个匹配位置,所述评估值包括所述每个资源的点击率分别针对所述至少两个匹配位置的至少两个评估值;所述确定所述每个资源的点击率与所述匹配位置之间的关联值还包括:
确定所述至少两个评估值中的最大评估值为所述关联值。
7.一种确定推荐资源的装置,包括:
点击率预测模块,用于针对召回的多个资源中的每个资源,采用点击率预估模型来确定所述每个资源针对目标对象的预测点击率;
权重确定模块,用于基于所述目标对象的第一位置信息和所述每个资源的属性信息,确定所述预测点击率针对所述目标对象的点击率权重;
点击率确定模块,用于基于所述预测点击率和所述点击率权重,确定所述每个资源针对所述目标对象的点击率;以及
推荐资源确定模块,用于基于所述多个资源针对所述目标对象的点击率,确定所述多个资源中针对所述目标对象的推荐资源;
其中,所述每个资源的属性信息包括资源所针对的第二位置信息;所述权重确定模块包括:
匹配信息确定子模块,用于确定所述第一位置信息和所述第二位置信息之间的匹配信息;以及
权重确定子模块,用于基于所述匹配信息,确定所述预测点击率针对所述目标对象的点击率权重。
8.根据权利要求7所述的装置,其中,所述每个资源的属性信息还包括历史点击信息和历史展示信息;所述匹配信息包括匹配位置和匹配值;所述权重确定模块还包括:
关联值确定子模块,用于基于所述历史点击信息和所述历史展示信息,确定所述每个资源的点击率与所述匹配位置之间的关联值,
其中,所述权重确定子模块用于基于所述关联值和所述匹配值,确定所述预测点击率针对所述目标对象的点击率权重。
9.根据权利要求8所述的装置,其中,所述关联值确定子模块包括:
置信度确定单元,用于基于所述历史展示信息,确定所述每个资源针对所述匹配位置的置信度;
点击率确定单元,用于基于所述历史点击信息和所述历史展示信息,确定所述每个资源针对所述匹配位置的实际点击率;以及
关联值确定单元,用于基于所述实际点击率和所述置信度,确定所述每个资源的点击率与所述匹配位置之间的关联值。
10. 根据权利要求9所述的装置,其中,所述每个资源的属性信息还包括资源的时效信息;所述置信度确定单元包括:
展示量确定子单元,用于基于所述历史展示信息,确定所述每个资源针对所述匹配位置的实际展示量;以及
置信度确定子单元,用于基于所述实际展示量、与所述匹配位置相关联的预定展示量和所述时效信息,确定所述每个资源针对所述匹配位置的置信度。
11. 根据权利要求9所述的装置,其中,所述关联值确定单元包括:
加权确定子单元,用于基于所述实际点击率、针对所述匹配位置的预定基准点击率和所述置信度,确定所述每个资源针对所述匹配位置的加权点击率;以及
关联值确定子单元,用于基于所述加权点击率与所述预定基准点击率之间的比值,确定所述每个资源的点击率针对所述匹配位置的评估值,得到所述关联值。
12.根据权利要求11所述的装置,其中,所述匹配信息包括至少两个级别的至少两个匹配位置,所述评估值包括所述每个资源的点击率分别针对所述至少两个匹配位置的至少两个评估值;所述关联值确定子单元具体用于:
确定所述至少两个评估值中的最大评估值为所述关联值。
13. 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1~6中任一项所述的方法。
14.一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根据权利要求1~6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110669221.8A CN113326436B (zh) | 2021-06-16 | 2021-06-16 | 确定推荐资源的方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110669221.8A CN113326436B (zh) | 2021-06-16 | 2021-06-16 | 确定推荐资源的方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113326436A CN113326436A (zh) | 2021-08-31 |
CN113326436B true CN113326436B (zh) | 2023-07-18 |
Family
ID=77423311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110669221.8A Active CN113326436B (zh) | 2021-06-16 | 2021-06-16 | 确定推荐资源的方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113326436B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114036391A (zh) * | 2021-11-17 | 2022-02-11 | 北京百度网讯科技有限公司 | 数据推送方法、装置、电子设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674406A (zh) * | 2019-09-29 | 2020-01-10 | 百度在线网络技术(北京)有限公司 | 推荐方法、装置、电子设备及存储介质 |
CN112150184A (zh) * | 2019-06-28 | 2020-12-29 | 北京京东尚科信息技术有限公司 | 点击率预估方法及其***、计算机***及计算机可读介质 |
-
2021
- 2021-06-16 CN CN202110669221.8A patent/CN113326436B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150184A (zh) * | 2019-06-28 | 2020-12-29 | 北京京东尚科信息技术有限公司 | 点击率预估方法及其***、计算机***及计算机可读介质 |
CN110674406A (zh) * | 2019-09-29 | 2020-01-10 | 百度在线网络技术(北京)有限公司 | 推荐方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
Privacy-Preserving Location-Aware Mobile Advertisement;Erald Troja等;《IEEE Xplore》;全文 * |
推荐***准确度衡量方案――引入权重概念;李成;冯青青;;工业设计研究(00);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113326436A (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108763502B (zh) | 信息推荐方法和*** | |
US20200356572A1 (en) | Search ranking method and apparatus, electronic device and storage medium | |
CN109903086B (zh) | 一种相似人群扩展方法、装置及电子设备 | |
US20190171724A1 (en) | Method and apparatus for determining hot event | |
CN109993627B (zh) | 推荐方法、推荐模型的训练方法、装置和存储介质 | |
CN112765478B (zh) | 用于推荐内容的方法、装置、设备、介质和程序产品 | |
CN111124676A (zh) | 资源分配方法、装置、可读存储介质和电子设备 | |
CN113327151A (zh) | 商品对象推荐方法、装置、计算机设备及存储介质 | |
CN113326436B (zh) | 确定推荐资源的方法、装置、电子设备和存储介质 | |
CN113205189B (zh) | 训练预测模型的方法、预测方法及装置 | |
US10474688B2 (en) | System and method to recommend a bundle of items based on item/user tagging and co-install graph | |
CN107851263B (zh) | 用于处理推荐请求的方法和推荐引擎 | |
CN112287208A (zh) | 用户画像生成方法、装置、电子设备及存储介质 | |
CN116228301A (zh) | 一种目标用户的确定方法、装置、设备及介质 | |
CN113722593B (zh) | 事件数据处理方法、装置、电子设备和介质 | |
CN113343133B (zh) | 显示页面生成方法、相关装置及计算机程序产品 | |
US20150170035A1 (en) | Real time personalization and categorization of entities | |
JP2022106948A (ja) | 情報表示方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
CN113961797A (zh) | 资源推荐方法、装置、电子设备和可读存储介质 | |
CN118035557A (zh) | 资源推送方法、装置、电子设备、存储介质及程序产品 | |
CN114398558B (zh) | 信息推荐方法、装置、电子设备和存储介质 | |
CN113704510B (zh) | 一种媒体内容推荐方法、装置、电子设备及存储介质 | |
CN113360681B (zh) | 确定推荐信息的方法、装置、电子设备和存储介质 | |
CN113365095B (zh) | 直播资源推荐方法、装置、电子设备以及存储介质 | |
CN111626805B (zh) | 信息展示方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |