CN113515703A - 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
- CN113515703A CN113515703A CN202110779707.7A CN202110779707A CN113515703A CN 113515703 A CN113515703 A CN 113515703A CN 202110779707 A CN202110779707 A CN 202110779707A CN 113515703 A CN113515703 A CN 113515703A
- Authority
- CN
- China
- Prior art keywords
- information
- recommendation
- information data
- user
- request
- 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 34
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000012216 screening Methods 0.000 claims abstract description 22
- 230000003993 interaction Effects 0.000 claims description 48
- 230000000694 effects Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 238000004891 communication Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000977 initiatory effect Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及智能决策领域,揭露一种信息推荐方法,包括:获取用户的信息推荐请求及历史推荐信息;根据历史推荐信息对预构建的信息推荐模型进行训练,得到更新后的信息推荐模型;根据信息推荐请求获取信息数据集,提取信息数据集中每个信息数据中信息特征;提取用户信息推荐请求中的用户属性,得到用户特征;根据信息特征及用户特征,利用更新的信息推荐模型计算信息数据集中的每个信息数据的推荐系数;根据推荐系数对所有信息数据进行筛选排序,得到推荐信息数据序列并发送至预设终端设备。本发明还涉及一种区块链技术,所述信息数据集可以存储在区块链节点中。本发明还提出一种信息推荐装置、设备以及存储介质。本发明可以提高信息推荐的准确率。
Description
技术领域
本发明涉及智能决策领域,尤其涉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
由于信息数据的时效性和用户偏好的波动性,实时的个性化信息数据推荐是一个非常有挑战性的问题。尽管目前行业内已经有一些实时推荐模型来解决信息数据推荐的问题,但目前这些推荐模型推荐的信息只考虑用户点击反馈,模型反馈评价维度较少,导致推荐模型无法推送用户真正需要的信息,信息推荐的准确率较低。
发明内容
本发明提供一种信息推荐方法、装置、电子设备及计算机可读存储介质,其主要目的在于提高信息推荐的准确率。
为实现上述目的,本发明提供的一种信息推荐方法,包括:
在接收到用户的信息推荐请求时,获取所述用户的所有历史信息推荐请求对应的历史推荐信息;
根据所述历史推荐信息对当前的信息推荐模型进行迭代训练,得到更新后的信息推荐模型;
根据所述信息推荐请求获取信息数据集,提取所述信息数据集中每个信息数据的信息内容属性及信息交互属性,分别从所述信息内容属性及所述信息交互属性中提取得到对应的信息内容特征及信息交互特征;
提取所述用户信息推荐请求中的用户属性,得到用户特征;
根据所述信息交互特征、信息内容特征及用户特征,利用所述更新后的信息推荐模型计算所述信息数据集中的每个信息数据的推荐系数;
根据所述推荐系数对所述信息数据集中的信息数据进行筛选排序,得到推荐信息数据序列,将所述推荐信息数据序列发送至所述用户。
可选地,所述根据所述历史推荐信息对当前的信息推荐模型进行迭代训练,得到更新后的信息推荐模型,包括:
获取所述信息推荐请求的请求时间,并提取每个所述历史信息推荐请求中的请求时间;
将提取的所有所述请求时间按照时间先后顺序进行组合得到请求时间序列;
判断所述请求时间序列中请求时间的数量是否大于1;
当所述请求时间序列中请求时间的数量大于1时,根据所述请求时间序列对所有所述历史推荐信息进行筛选,得到目标历史推荐信息,利用所述目标历史推荐信息对当前的信息推荐模型进行训练,得到更新后的信息推荐模型;
当所述请求时间序列中请求时间的数量等于1时,将所述当前的信息推荐模型确定为更新后的信息推荐模型。
可选地,所述根据所述请求时间序列对所有所述历史推荐信息进行筛选,得到目标历史推荐信息,利用所述目标历史推荐信息对当前信息推荐模型进行训练,得到更新后的信息推荐模型,包括:
选取所述请求时间序列中的倒数第一个请求时间与倒数第二个请求时间构建目标时间区间;
选取所述请求时间序列中倒数第二个请求时间对应的历史推荐信息,得到所述目标历史推荐信息,获取所述目标历史推荐信息中每个信息数据在所述目标时间区间范围内对应的用户点击信息;
根据所述用户点击信息,利用预设算法计算所述目标历史推荐信息中每个信息数据的活跃概率;
提取所述用户点击信息中的用户点击次数,根据所述用户点击次数及所述活跃概率进行计算,得到历史推荐系数;
根据所述目标历史推荐信息及所述历史推荐系数对所述信息推荐模型进行迭代训练,得到所述更新后的信息推荐模型。
可选地,所述根据所述目标历史推荐信息及所述推荐系数对所述信息推荐模型进行迭代训练,得到更新后的所述信息推荐模型,包括:
步骤A:对所述目标历史推荐信息中每个信息数据进行特征转换,得到初始样本;
步骤B:利用所述历史推荐系数对所述初始样本进行标记得到训练样本;
步骤C:利用所述信息推荐模型对所述初始样本进行预测,得到预测系数;
步骤D:利用预设的损失函数计算所述预测系数与所述训练样本对应的历史推荐系数的损失值,当所述损失值大于或等于所述预设损失阈值时,调整所述信息推荐模型的模型参数并返回所述步骤C;当所述损失值小于预设损失阈值时停止所述信息推荐模型的训练,得到更新后的信息推荐模型。
可选地,所述根据所述信息推荐请求获取信息数据集,包括:
将所述信息推荐请求的请求时间确定为目标请求时间;
根据所述目标请求时间及预设的时间周期构建推荐时间区间;
利用所述推荐时间区间对预设的信息推荐数据库中的所有信息数据进行筛选,得到所述信息数据集。
可选地,所述根据所述目标请求时间及预设的时间周期构建推荐时间区间,包括:
将所述目标请求时间作为区间右端点;
将所述时间周期作为区间长度;
根据所述区间右端点及所述区间长度构建区间,得到所述推荐时间区间。
可选地,所述根据所述推荐系数对所述信息数据集中的信息数据进行筛选排序,得到推荐信息数据序列,包括:
筛选所述信息数据集中所述推荐系数值大于预设阈值的信息数据,得到初始信息数据序列;
将所述初始信息数据序列中所有信息数据按照对应的推荐系数的大小顺序进行排序,得到所述推荐信息数据序列。
为了解决上述问题,本发明还提供一种信息推荐装置,所述装置包括:
模型更新模块,用于在接收到用户的信息推荐请求时,获取所述用户的所有历史信息推荐请求对应的历史推荐信息;根据所述历史推荐信息对当前的信息推荐模型进行迭代训练,得到更新后的信息推荐模型;
特征提取模块,用于根据所述信息推荐请求获取信息数据集,提取所述信息数据集中每个信息数据的信息内容属性及信息交互属性,分别从所述信息内容属性及所述信息交互属性中提取得到对应的信息内容特征及信息交互特征;提取所述用户信息推荐请求中的用户属性,得到用户特征;
信息推荐模块,用于根据所述信息交互特征、信息内容特征及用户特征,利用所述更新后的信息推荐模型计算所述信息数据集中的每个信息数据的推荐系数;根据所述推荐系数对所述信息数据集中的信息数据进行筛选排序,得到推荐信息数据序列,将所述推荐信息数据序列发送至所述用户。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的计算机程序以实现上述所述的信息推荐方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的信息推荐方法。
本发明实施例通过在接收到用户的信息推荐请求时,获取所述用户的所有历史信息推荐请求对应的历史推荐信息;根据所述历史推荐信息对当前的信息推荐模型进行迭代训练,得到更新后的信息推荐模型,利用用户对利于推荐的信息的反馈对模型更新,模型的性能更好预测更准确;根据所述信息推荐请求获取信息数据集,提取所述信息数据集中每个信息数据的信息内容属性及信息交互属性,分别从所述信息内容属性及所述信息交互属性中提取得到对应的信息内容特征及信息交互特征;提取所述用户信息推荐请求中的用户属性,得到用户特征;根据所述信息交互特征、信息内容特征及用户特征,利用所述更新后的信息推荐模型计算所述信息数据集中的每个信息数据的推荐系数,利用多维特征对模型进行训练,模型鲁棒性更好,提高了信息推荐的准确率;根据所述推荐系数对所述信息数据集中的信息数据进行筛选排序,得到推荐信息数据序列,将所述推荐信息数据序列发送至所述用户。因此本发明实施例提出的信息推荐方法、装置、电子设备及可读存储介质提高了信息推荐的准确率。
附图说明
图1为本发明一实施例提供的信息推荐方法的流程示意图;
图2为本发明一实施例提供的信息推荐装置的模块示意图;
图3为本发明一实施例提供的实现信息推荐方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种信息推荐方法。所述信息推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述信息推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示的本发明一实施例提供的信息推荐方法的流程示意图,在本发明实施例中,所述信息推荐方法包括:
S1、在接收到用户的信息推荐请求时,获取所述用户的所有历史信息推荐请求对应的历史推荐信息;
本发明实施例中,所述信息推荐请求包含:用户的请求时间,用户属性,用户的个人信息。
具体地,本发明实施例中所述历史信息推荐请求为所述用户发起本次信息推荐请求此前发起的信息推荐请求,因此,所述历史信息推荐请求也包括:用户的请求时间,用户属性,用户的个人信息。所述历史推荐信息为响应对应历史信息推荐请求推荐的信息。
S2、根据所述历史推荐信息对当前的信息推荐模型进行迭代训练,得到更新后的信息推荐模型;
可选地,本发明实施例中所述当前的信息推荐模型为深度Q网络模型。
详细地,本发明实施例中根据所述历史推荐信息对当前的信息推荐模型进行迭代训练,得到更新后的信息推荐模型,包括:提取每个所述历史信息推荐请求中的请求时间及所述信息推荐请求中的请求时间;将提取的所有所述请求时间按照时间先后顺序进行组合得到请求时间序列,例如:所述信息推荐请求为用户A的信息推荐请求对应的请求时间为t4,用户A在发起本次用户信息推荐请求之前共发起了三次用户信息推荐请求,那么共有三个历史推荐请求,第一个历史推荐请求对应的请求时间为t1,第二个历史推荐请求对应的请求时间为t2,第三个历史推荐请求对应的请求时间为t3,t1<t2<t3,t4>t3,那么请求时间序列为[t1,t2,t3,t4];进一步地,本发明实施例判断所述请求时间序列中请求时间的数量是否大于1,其中,所述请求时间序列中请求时间的数量为所述请求时间序列中包含的请求时间的个数,例如:请求时间序列为[t1,t2,t3,t4],包含了请求时间t1、t2、t3、t4,那么所述请求时间序列中的请求时间的数量为4;当所述请求时间序列中请求时间的数量大于1,根据所述请求时间序列对所有所述历史推荐信息进行筛选,得到目标历史推荐信息,利用所述目标历史推荐信息对所述信息推荐模型进行训练,得到所述更新后的信息推荐模型;当所述请求时间序列中请求时间的数量等于1,将所述信息推荐模型确定为所述更新后的信息推荐模型。
详细地,本发明实施例中,选取所述请求时间序列中的倒数第一个请求时间与倒数第二个请求时间构建目标时间区间,例如:所述请求时间序列为[t1,t2,t3,t4],由上文可知请求时间序列中的时间是按照时间先后顺序排列的,因此请求时间序列中的倒数第一个请求时间t4与倒数第二个请求时间t3构建的时间区间为[t3,t4]。
具体地,本发明实施例中,所述根据所述请求时间序列对所有所述历史推荐信息进行筛选,得到目标历史推荐信息,包括:选取所述请求时间序列中倒数第二个请求时间对应的历史推荐信息,得到目标历史推荐信息。
进一步地,获取所述目标历史推荐信息中每个信息数据在所述目标时间区间范围内对应的用户点击信息;根据所述用户点击信息,利用预设算法计算所述目标历史推荐信息中每个信息数据的活跃概率。其中,所述用户点击信息包括用户点击次数及用户返回浏览信息数据所在***的次数及时间。例如:信息数据某新闻APP中的新闻数据,那么用户返回浏览信息数据所在***的次数及时间为用户打开该APP的次数及时间。
进一步地,本发明实施例,提取所述用户点击信息中的用户点击次数,根据所述用户点击次数及所述活跃概率进行计算,得到历史推荐系数,例如:信息数据A对应的用户点击次数为5次,活跃概率为0.6,那么信息数据A对应的历史推荐系数为5+0.6=5.6;根据所述目标历史推荐信息及所述历史推荐系数对所述信息推荐模型进行迭代训练,得到更新后的所述信息推荐模型,可选地,本发明实施例中所述信息推荐模型为深度Q学习模型。
可选地,本发明实施例中所述预设算法可用如下公式进行:
其中,S(t)为用户的活跃概率,λ为设置的风险函数,t2为倒数第一时间,t1为倒数第二时间,Sa为预设的初始活跃度,当目标时间区间内用户每次返回浏览信息数据所在***时将用户活跃概率进行重置,变为
其中,h为目标时间区间内用户最近一次返回浏览信息数据所在***时时间。
进一步地,本发明实施例中利用预设算法计算所述目标历史推荐信息中每个信息数据的活跃概率,包括:当所述活跃概率大于预设值,则将所述预设值确定为活跃概率,其中,所述预设值为1。
综上,本发明实施例中,所述利用所述目标历史推荐信息对所述信息推荐模型进行训练,得到更新后的信息推荐模型,包括:选取所述请求时间序列中的倒数第一个请求时间与倒数第二个请求时间构建区间,得到目标时间区间;获取所述目标历史推荐信息中每个信息数据在所述目标时间区间范围内对应的用户点击信息;根据所述用户点击信息,利用预设算法计算所述目标历史推荐信息中每个信息数据的活跃概率;提取所述用户点击信息中的用户点击次数,根据所述用户点击次数及所述活跃概率进行计算,得到历史推荐系数;根据所述目标历史推荐信息及所述历史推荐系数对所述信息推荐模型进行迭代训练,得到所述更新后的信息推荐模型。
详细地,本发明实施例中根据所述目标历史推荐信息及所述历史推荐系数对所述信息推荐模型进行迭代训练,得到更新后的所述信息推荐模型,包括:
步骤A:对所述目标历史推荐信息中每个信息数据进行特征转换,得到对应的初始样本;
详细地,本发明实施例对所述目标历史推荐信息中每个信息数据进行特征转换,得到对应的初始样本,包括:提取所述目标历史推荐信息中每个信息数据对应的信息内容特征、信息交互特征及用户特征,得到对应的初始样本。
步骤B:利用所述历史推荐系数对对应的所述初始样本进行标记得到训练样本;
步骤C:利用所述信息推荐模型对所述初始样本进行预测,得到预测系数;
步骤D:利用预设的损失函数计算所述预测系数与所述训练样本对应的历史推荐系数的损失值,当所述损失值大于或等于所述预设损失阈值时,调整所述信息推荐模型的模型参数并返回所述步骤C;当所述损失值小于预设损失阈值时停止所述信息推荐模型的训练,得到更新后的信息推荐模型。
S3、根据所述信息推荐请求获取信息数据集,提取所述信息数据集中每个信息数据的信息内容属性及信息交互属性,分别从所述信息内容属性及所述信息交互属性中提取得到对应的信息内容特征及信息交互特征;
本发明实施例中,所述信息数据集为包含多条信息数据集合。本发明其中一个应用场景中,所述信息数据为新闻。
详细地,本发明实施例中所述根据所述信息推荐请求获取信息数据集,包括:将所述信息推荐请求的请求时间确定为目标请求时间;根据所述目标请求时间及预设的时间周期构建推荐时间区间;具体地,本发明实施例将所述目标请求时间作为区间右端点;将所述时间周期作为区间长度;根据所述区间右端点及所述区间长度构建区间,得到所述推荐时间区间,例如:目标请求时间为12:00,时间周期为1小时,那么构建得到的推荐时间区间为[11:00,12:00]。。进一步地,本发明实施例中利用所述推荐时间区间对预设的信息数据库中的所有信息数据进行筛选,得到所述信息数据集。其中,所述信息数据库为随着时间不断更新的数据库,进一步地,本发明实施例为了保证信息推荐的及时性,不需要所述信息数据库中老旧的数据,因此,本发明实施例利用所述推荐时间区间对预设的信息数据库中的所有信息数据进行筛选,筛选所述信息数据库中数据写入时间在所述推荐时间区间范围内的信息数据,得到所述信息数据集。
具体地,所述信息内容属性为对应的信息数据的某些属性的特征,包括标题、提供者、排名、实体名称、类别、主题类别和分别为最近1小时、6小时、24小时、1周和1年的点击次数。本发明实施例中将所述信息数据集中每个信息数据的信息内容属性转换为向量,得到对应的所述信息内容特征。
进一步地,本发明实施例中,所述信息交互属性为用户与对应的信息数据之间的交互,包括信息数据的对应的实体属性出现在该用户阅读历史中的频率,所述实体属性包括:信息数据的类别、信息数据的主题类别和信息数据的提供者。将所述信息数据集中对应的信息交互属性转化为向量,得到对应的所述信息交互特征。
本发明另一实施例中,利用区块链高吞吐的特性,将所述信息数据集存储在区块链节点中,提高数据的取用效率。
S4、提取所述用户信息推荐请求中的用户属性,得到用户特征;
本发明实施例中,所述用户属性为用户在预设时间段内浏览的信息的特征,如用户分别在1小时、6小时、24小时、1周和1年内点击的新闻的特征(即标题、提供者、排名、实体名称、类别和主题类别)。
进一步地,本发明实施例将所述用户属性转化为向量,得到所述用户特征。
可选地,本发明实施例中可利用预设的基于专业领域知识文本(如教材、培训资料)通过迁移学习训练而成的Word2vec模型进行向量转换。
S5、根据所述信息交互特征、信息内容特征及用户特征,利用所述信息推荐模型计算所述信息数据集中的每个信息数据的推荐系数;
详细地,本发明实施例中将所述信息数据集中每个信息数据对应的信息交互特征、信息内容特征及用户特征输入至所述信息推荐模型得到对应的推荐系数。
S6、根据所述推荐系数对所述信息数据集中的信息数据进行筛选排序,得到推荐信息数据序列,将所述推荐信息数据序列发送至所述用户信息推荐请求对应的终端设备。
详细地,本发明实施例中,筛选所述信息数据集中对应的所述推荐系数值大于预设阈值的信息数据,得到初始信息数据序列;将所述初始信息数据序列中所有信息数据按照对应的推荐系数的大小顺序进行排序,得到所述推荐信息数据序列,例如:所述信息数据集中共有A,B,C,D,E五个信息数据,A对应的推荐系数为0.9,B对应的推荐系数为0.91,C对应的推荐系数为0.8,D对应的推荐系数为0.92,E对应的推荐系数为0.7,预设阈值为0.8,那么初始信息序列包含A,B,D;将所述初始信息数据序列中所有信息数据按照对应的推荐系数的大小顺序进行排序,得到所述推荐信息数据序列为[D,B,A]。
进一步地,本发明实施例中,将所述推荐信息数据序列发送至所述用户信息推荐请求对应的终端设备,所述终端设备包括:手机、平板、电脑等智能终端。
如图2所示,是本发明信息推荐装置的功能模块图。
本发明所述信息推荐装置100可以安装于电子设备中。根据实现的功能,所述信息推荐装置可以包括模型更新模块101、特征提取模块102、信息推荐模块103,本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述模型更新模块101用于在接收到用户的信息推荐请求时,获取所述用户的所有历史信息推荐请求对应的历史推荐信息;根据所述历史推荐信息对当前的信息推荐模型进行迭代训练,得到更新后的信息推荐模型;
本发明实施例中,所述信息推荐请求包含:用户的请求时间,用户属性,用户的个人信息。
具体地,本发明实施例中所述历史信息推荐请求为所述用户发起本次信息推荐请求此前发起的信息推荐请求,因此,所述历史信息推荐请求也包括:用户的请求时间,用户属性,用户的个人信息。所述历史推荐信息为响应对应历史信息推荐请求推荐的信息。
可选地,本发明实施例中所述当前的信息推荐模型为深度Q网络模型。
详细地,本发明实施例中所述模型更新模块101根据所述历史推荐信息对当前的信息推荐模型进行迭代训练,得到更新后的信息推荐模型,包括:提取每个所述历史信息推荐请求中的请求时间及所述信息推荐请求中的请求时间;将提取的所有所述请求时间按照时间先后顺序进行组合得到请求时间序列,例如:所述信息推荐请求为用户A的信息推荐请求对应的请求时间为t4,用户A在发起本次用户信息推荐请求之前共发起了三次用户信息推荐请求,那么共有三个历史推荐请求,第一个历史推荐请求对应的请求时间为t1,第二个历史推荐请求对应的请求时间为t2,第三个历史推荐请求对应的请求时间为t3,t1<t2<t3,t4>t3,那么请求时间序列为[t1,t2,t3,t4];进一步地,本发明实施例判断所述请求时间序列中请求时间的数量是否大于1,其中,所述请求时间序列中请求时间的数量为所述请求时间序列中包含的请求时间的个数,例如:请求时间序列为[t1,t2,t3,t4],包含了请求时间t1、t2、t3、t4,那么所述请求时间序列中的请求时间的数量为4;当所述请求时间序列中请求时间的数量大于1,所述模型更新模块101根据所述请求时间序列对所有所述历史推荐信息进行筛选,得到目标历史推荐信息,利用所述目标历史推荐信息对所述信息推荐模型进行训练,得到所述更新后的信息推荐模型;当所述请求时间序列中请求时间的数量等于1,所述模型更新模块101将所述信息推荐模型确定为所述更新后的信息推荐模型。
具体地,本发明实施例中,所述模型更新模块101根据所述请求时间序列对所有所述历史推荐信息进行筛选,得到目标历史推荐信息,包括:选取所述请求时间序列中导数第二个请求时间对应的历史推荐信息,得到目标历史推荐信息。
详细地,本发明实施例中,所述模型更新模块101选取所述请求时间序列中的倒数第一个请求时间与倒数第二个请求时间构建区间,得到目标时间区间,例如:所述请求时间序列为[t1,t2,t3,t4],由上文可知请求时间序列中的时间是按照时间先后顺序排列的,因此请求时间序列中的倒数第一个请求时间t4与倒数第二个请求时间t3构建的时间区间为[t3,t4]。
进一步地,所述模型更新模块101获取所述目标历史推荐信息中每个信息数据在所述目标时间区间范围内对应的用户点击信息;根据所述用户点击信息,利用预设算法计算所述目标历史推荐信息中每个信息数据的活跃概率。其中,所述用户点击信息包括用户点击次数及用户返回浏览信息数据所在***的次数及时间。例如:信息数据某新闻APP中的新闻数据,那么用户返回浏览信息数据所在***的次数及时间为用户打开该APP的次数及时间。
进一步地,本发明实施例,所述模型更新模块101提取所述用户点击信息中的用户点击次数,根据所述用户点击次数及所述活跃概率进行计算,得到历史推荐系数,例如:信息数据A对应的用户点击次数为5次,活跃概率为0.6,那么信息数据A对应的历史推荐系数为5+0.6=5.6;根据所述目标历史推荐信息及所述历史推荐系数对所述信息推荐模型进行迭代训练,得到更新后的所述信息推荐模型,可选地,本发明实施例中所述信息推荐模型为深度Q学习模型。
可选地,本发明实施例中所述预设算法可用如下公式进行:
其中,S(t)为用户的活跃概率,λ为设置的风险函数,t2为倒数第一时间,t1为倒数第二时间,Sa为预设的初始活跃度,当目标时间区间内用户每次返回浏览信息数据所在***时将用户活跃概率进行重置,变为
其中,h为目标时间区间内用户最近一次返回浏览信息数据所在***时时间。
进一步地,本发明实施例中所述模型更新模块101利用预设算法计算所述目标历史推荐信息中每个信息数据的活跃概率,包括:当所述活跃概率大于预设值,则将所述预设值确定为活跃概率,其中,所述预设值为1。
综上,本发明实施例中,所述模型更新模块101利用所述目标历史推荐信息对所述信息推荐模型进行训练,得到更新后的信息推荐模型,包括:选取所述请求时间序列中的倒数第一个请求时间与倒数第二个请求时间构建区间,得到目标时间区间;获取所述目标历史推荐信息中每个信息数据在所述目标时间区间范围内对应的用户点击信息;根据所述用户点击信息,利用预设算法计算所述目标历史推荐信息中每个信息数据的活跃概率;提取所述用户点击信息中的用户点击次数,根据所述用户点击次数及所述活跃概率进行计算,得到历史推荐系数;根据所述目标历史推荐信息及所述历史推荐系数对所述信息推荐模型进行迭代训练,得到所述更新后的信息推荐模型。
详细地,本发明实施例中所述模型更新模块101根据所述目标历史推荐信息及所述历史推荐系数对所述信息推荐模型进行迭代训练,得到更新后的所述信息推荐模型,包括:
步骤A:对所述目标历史推荐信息中每个信息数据进行特征转换,得到对应的初始样本;
详细地,本发明实施例对所述目标历史推荐信息中每个信息数据进行特征转换,得到对应的初始样本,包括:提取所述目标历史推荐信息中每个信息数据对应的信息内容特征、信息交互特征及用户特征,得到对应的初始样本。
步骤B:利用所述历史推荐系数对对应的所述初始样本进行标记得到训练样本;
步骤C:利用所述信息推荐模型对所述初始样本进行预测,得到预测系数;
步骤D:利用预设的损失函数计算所述预测系数与所述训练样本对应的历史推荐系数的损失值,当所述损失值大于或等于所述预设损失阈值时,调整所述信息推荐模型的模型参数并返回所述步骤C;当所述损失值小于预设损失阈值时停止所述信息推荐模型的训练,得到更新后的信息推荐模型。
所述特征提取模块102用于根据所述信息推荐请求获取信息数据集,提取所述信息数据集中每个信息数据的信息内容属性及信息交互属性,分别从所述信息内容属性及所述信息交互属性中提取得到对应的信息内容特征及信息交互特征;提取所述用户信息推荐请求中的用户属性,得到用户特征;
本发明实施例中,所述信息数据集为包含多条信息数据集合。本发明其中一个应用场景中,所述信息数据为新闻。
详细地,本发明实施例中所述特征提取模块102根据所述信息推荐请求获取信息数据集,包括:将所述信息推荐请求对应的请求时间确定为目标请求时间;根据所述目标请求时间及预设的时间周期构建推荐时间区间;具体地,本发明实施例将所述目标请求时间作为区间右端点;将所述时间周期作为区间长度;根据所述区间右端点及所述区间长度构建区间,得到所述推荐时间区间,例如:目标请求时间为12:00,时间周期为1小时,那么构建得到的推荐时间区间为[11:00,12:00]。。进一步地,本发明实施例中所述特征提取模块102利用所述推荐时间区间对预设的信息数据库中的所有信息数据进行筛选,得到所述信息数据集。其中,所述信息数据库为随着时间不断更新的数据库,进一步地,本发明实施例为了保证信息推荐的及时性,不需要所述信息数据库中老旧的数据,因此,本发明实施例所述特征提取模块102利用所述推荐时间区间对预设的信息数据库中的所有信息数据进行筛选,筛选所述信息数据库中数据写入时间在所述推荐时间区间范围内的信息数据,得到所述信息数据集。
具体地,所述信息内容属性为对应的信息数据的某些属性的特征,包括标题、提供者、排名、实体名称、类别、主题类别和分别为最近1小时、6小时、24小时、1周和1年的点击次数。本发明实施例中将所述信息数据集中每个信息数据的信息内容属性转换为向量,得到对应的所述信息内容特征。
进一步地,本发明实施例中,所述信息交互属性为用户与对应的信息数据之间的交互,包括信息数据的对应的实体属性出现在该用户阅读历史中的频率,所述实体属性包括:信息数据的类别、信息数据的主题类别和信息数据的提供者。将所述信息数据集中对应的信息交互属性转化为向量,得到对应的所述信息交互特征。
本发明另一实施例中,利用区块链高吞吐的特性,将所述信息数据集存储在区块链节点中,提高数据的取用效率。
本发明实施例中,所述用户属性为用户在预设时间段内浏览的信息的特征,如用户分别在1小时、6小时、24小时、1周和1年内点击的新闻的特征(即标题、提供者、排名、实体名称、类别和主题类别)。
进一步地,本发明实施例所述特征提取模块102将所述用户属性转化为向量,得到所述用户特征。
可选地,本发明实施例中可利用预设的基于专业领域知识文本(如教材、培训资料)通过迁移学习训练而成的Word2vec模型进行向量转换。
所述信息推荐模块103用于根据所述信息交互特征、信息内容特征及用户特征,利用所述更新后的信息推荐模型计算所述信息数据集中的每个信息数据的推荐系数;根据所述推荐系数对所述信息数据集中的信息数据进行筛选排序,得到推荐信息数据序列,将所述推荐信息数据序列发送至所述用户。
详细地,本发明实施例中所述信息推荐模块103将所述信息数据集中每个信息数据对应的信息交互特征、信息内容特征及用户特征输入至所述信息推荐模型得到对应的推荐系数。
详细地,本发明实施例中,所述信息推荐模块103筛选所述信息数据集中对应的所述推荐系数值大于预设阈值的信息数据,得到初始信息数据序列;将所述初始信息数据序列中所有信息数据按照对应的推荐系数的大小顺序进行排序,得到所述推荐信息数据序列,例如:所述信息数据集中共有A,B,C,D,E五个信息数据,A对应的推荐系数为0.9,B对应的推荐系数为0.91,C对应的推荐系数为0.8,D对应的推荐系数为0.92,E对应的推荐系数为0.7,预设阈值为0.8,那么初始信息序列包含A,B,D;将所述初始信息数据序列中所有信息数据按照对应的推荐系数的大小顺序进行排序,得到所述推荐信息数据序列为[D,B,A]。
进一步地,本发明实施例中,将所述推荐信息数据序列发送至所述用户信息推荐请求对应的终端设备,所述终端设备包括:手机、平板、电脑等智能终端。
如图3所示,是本发明实现信息推荐方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如信息推荐程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如信息推荐程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如信息推荐程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(perIPheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,所述通信接口13还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的信息推荐程序是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
在接收到用户的信息推荐请求时,获取所述用户的所有历史信息推荐请求对应的历史推荐信息;
根据所述历史推荐信息对当前的信息推荐模型进行迭代训练,得到更新后的信息推荐模型;
根据所述信息推荐请求获取信息数据集,提取所述信息数据集中每个信息数据的信息内容属性及信息交互属性,分别从所述信息内容属性及所述信息交互属性中提取得到对应的信息内容特征及信息交互特征;
提取所述用户信息推荐请求中的用户属性,得到用户特征;
根据所述信息交互特征、信息内容特征及用户特征,利用所述更新后的信息推荐模型计算所述信息数据集中的每个信息数据的推荐系数;
根据所述推荐系数对所述信息数据集中的信息数据进行筛选排序,得到推荐信息数据序列,将所述推荐信息数据序列发送至所述用户。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的,也可以是易失性的。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明实施例还可以提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
在接收到用户的信息推荐请求时,获取所述用户的所有历史信息推荐请求对应的历史推荐信息;
根据所述历史推荐信息对当前的信息推荐模型进行迭代训练,得到更新后的信息推荐模型;
根据所述信息推荐请求获取信息数据集,提取所述信息数据集中每个信息数据的信息内容属性及信息交互属性,分别从所述信息内容属性及所述信息交互属性中提取得到对应的信息内容特征及信息交互特征;
提取所述用户信息推荐请求中的用户属性,得到用户特征;
根据所述信息交互特征、信息内容特征及用户特征,利用所述更新后的信息推荐模型计算所述信息数据集中的每个信息数据的推荐系数;
根据所述推荐系数对所述信息数据集中的信息数据进行筛选排序,得到推荐信息数据序列,将所述推荐信息数据序列发送至所述用户。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种信息推荐方法,其特征在于,所述方法包括:
在接收到用户的信息推荐请求时,获取所述用户的所有历史信息推荐请求对应的历史推荐信息;
根据所述历史推荐信息对当前的信息推荐模型进行迭代训练,得到更新后的信息推荐模型;
根据所述信息推荐请求获取信息数据集,提取所述信息数据集中每个信息数据的信息内容属性及信息交互属性,分别从所述信息内容属性及所述信息交互属性中提取得到对应的信息内容特征及信息交互特征;
提取所述用户信息推荐请求中的用户属性,得到用户特征;
根据所述信息交互特征、信息内容特征及用户特征,利用所述更新后的信息推荐模型计算所述信息数据集中的每个信息数据的推荐系数;
根据所述推荐系数对所述信息数据集中的信息数据进行筛选排序,得到推荐信息数据序列,将所述推荐信息数据序列发送至所述用户。
2.如权利要求1所述的信息推荐方法,其特征在于,所述根据所述历史推荐信息对当前的信息推荐模型进行迭代训练,得到更新后的信息推荐模型,包括:
获取所述信息推荐请求的请求时间,并提取每个所述历史信息推荐请求中的请求时间;
将提取的所有所述请求时间按照时间先后顺序进行组合得到请求时间序列;
判断所述请求时间序列中请求时间的数量是否大于1;
当所述请求时间序列中请求时间的数量大于1时,根据所述请求时间序列对所有所述历史推荐信息进行筛选,得到目标历史推荐信息,利用所述目标历史推荐信息对当前的信息推荐模型进行训练,得到更新后的信息推荐模型;
当所述请求时间序列中请求时间的数量等于1时,将所述当前的信息推荐模型确定为更新后的信息推荐模型。
3.如权利要求2所述的信息推荐方法,其特征在于,所述根据所述请求时间序列对所有所述历史推荐信息进行筛选,得到目标历史推荐信息,利用所述目标历史推荐信息对当前信息推荐模型进行训练,得到更新后的信息推荐模型,包括:
选取所述请求时间序列中的倒数第一个请求时间与倒数第二个请求时间构建目标时间区间;
选取所述请求时间序列中倒数第二个请求时间对应的历史推荐信息,得到所述目标历史推荐信息,获取所述目标历史推荐信息中每个信息数据在所述目标时间区间范围内对应的用户点击信息;
根据所述用户点击信息,利用预设算法计算所述目标历史推荐信息中每个信息数据的活跃概率;
提取所述用户点击信息中的用户点击次数,根据所述用户点击次数及所述活跃概率进行计算,得到历史推荐系数;
根据所述目标历史推荐信息及所述历史推荐系数对所述信息推荐模型进行迭代训练,得到所述更新后的信息推荐模型。
4.如权利要求3所述的信息推荐方法,其特征在于,所述根据所述目标历史推荐信息及所述推荐系数对所述信息推荐模型进行迭代训练,得到更新后的所述信息推荐模型,包括:
步骤A:对所述目标历史推荐信息中每个信息数据进行特征转换,得到初始样本;
步骤B:利用所述历史推荐系数对所述初始样本进行标记得到训练样本;
步骤C:利用所述信息推荐模型对所述初始样本进行预测,得到预测系数;
步骤D:利用预设的损失函数计算所述预测系数与所述训练样本对应的历史推荐系数的损失值,当所述损失值大于或等于所述预设损失阈值时,调整所述信息推荐模型的模型参数并返回所述步骤C;当所述损失值小于预设损失阈值时停止所述信息推荐模型的训练,得到更新后的信息推荐模型。
5.如权利要求2所述的信息推荐方法,其特征在于,所述根据所述信息推荐请求获取信息数据集,包括:
将所述信息推荐请求的请求时间确定为目标请求时间;
根据所述目标请求时间及预设的时间周期构建推荐时间区间;
利用所述推荐时间区间对预设的信息推荐数据库中的所有信息数据进行筛选,得到所述信息数据集。
6.如权利要求5所述的信息推荐方法,其特征在于,所述根据所述目标请求时间及预设的时间周期构建推荐时间区间,包括:
将所述目标请求时间作为区间右端点;
将所述时间周期作为区间长度;
根据所述区间右端点及所述区间长度构建区间,得到所述推荐时间区间。
7.如权利要求1至6中任意一项所述的信息推荐方法,其特征在于,所述根据所述推荐系数对所述信息数据集中的信息数据进行筛选排序,得到推荐信息数据序列,包括:
筛选所述信息数据集中所述推荐系数值大于预设阈值的信息数据,得到初始信息数据序列;
将所述初始信息数据序列中所有信息数据按照对应的推荐系数的大小顺序进行排序,得到所述推荐信息数据序列。
8.一种信息推荐方法,其特征在于,包括:
模型更新模块,用于在接收到用户的信息推荐请求时,获取所述用户的所有历史信息推荐请求对应的历史推荐信息;根据所述历史推荐信息对当前的信息推荐模型进行迭代训练,得到更新后的信息推荐模型;
特征提取模块,用于根据所述信息推荐请求获取信息数据集,提取所述信息数据集中每个信息数据的信息内容属性及信息交互属性,分别从所述信息内容属性及所述信息交互属性中提取得到对应的信息内容特征及信息交互特征;提取所述用户信息推荐请求中的用户属性,得到用户特征;
信息推荐模块,用于根据所述信息交互特征、信息内容特征及用户特征,利用所述更新后的信息推荐模型计算所述信息数据集中的每个信息数据的推荐系数;根据所述推荐系数对所述信息数据集中的信息数据进行筛选排序,得到推荐信息数据序列,将所述推荐信息数据序列发送至所述用户。
9.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序指令,所述计算机程序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如权利要求1至7中任一项所述的信息推荐方法。
10.一种计算机可读存储介质,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如权利要求1至7中任一项所述的信息推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110779707.7A CN113515703A (zh) | 2021-07-09 | 2021-07-09 | 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 |
---|---|---|---|
CN202110779707.7A CN113515703A (zh) | 2021-07-09 | 2021-07-09 | 信息推荐方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113515703A true CN113515703A (zh) | 2021-10-19 |
Family
ID=78067301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110779707.7A Pending CN113515703A (zh) | 2021-07-09 | 2021-07-09 | 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) | CN113515703A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019042194A1 (en) * | 2017-08-28 | 2019-03-07 | Beijing Didi Infinity Technology And Development Co., Ltd. | INFORMATION PROCESSING METHOD, INFORMATION PROCESSING SYSTEM, AND INFORMATION PROCESSING DEVICE |
CN111797321A (zh) * | 2020-07-07 | 2020-10-20 | 山东大学 | 一种面向不同场景的个性化知识推荐方法及*** |
CN111797318A (zh) * | 2020-07-01 | 2020-10-20 | 喜大(上海)网络科技有限公司 | 信息的推荐方法、装置、设备和存储介质 |
WO2020224097A1 (zh) * | 2019-05-06 | 2020-11-12 | 平安科技(深圳)有限公司 | 智能语义文档推荐方法、装置及计算机可读存储介质 |
CN112148995A (zh) * | 2020-11-02 | 2020-12-29 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置、电子设备及可读存储介质 |
CN112836128A (zh) * | 2021-02-10 | 2021-05-25 | 脸萌有限公司 | 信息推荐方法、装置、设备和存储介质 |
WO2021135588A1 (zh) * | 2019-12-31 | 2021-07-08 | 百果园技术(新加坡)有限公司 | 推荐方法、模型生成方法、装置、介质以及设备 |
-
2021
- 2021-07-09 CN CN202110779707.7A patent/CN113515703A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019042194A1 (en) * | 2017-08-28 | 2019-03-07 | Beijing Didi Infinity Technology And Development Co., Ltd. | INFORMATION PROCESSING METHOD, INFORMATION PROCESSING SYSTEM, AND INFORMATION PROCESSING DEVICE |
WO2020224097A1 (zh) * | 2019-05-06 | 2020-11-12 | 平安科技(深圳)有限公司 | 智能语义文档推荐方法、装置及计算机可读存储介质 |
WO2021135588A1 (zh) * | 2019-12-31 | 2021-07-08 | 百果园技术(新加坡)有限公司 | 推荐方法、模型生成方法、装置、介质以及设备 |
CN111797318A (zh) * | 2020-07-01 | 2020-10-20 | 喜大(上海)网络科技有限公司 | 信息的推荐方法、装置、设备和存储介质 |
CN111797321A (zh) * | 2020-07-07 | 2020-10-20 | 山东大学 | 一种面向不同场景的个性化知识推荐方法及*** |
CN112148995A (zh) * | 2020-11-02 | 2020-12-29 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置、电子设备及可读存储介质 |
CN112836128A (zh) * | 2021-02-10 | 2021-05-25 | 脸萌有限公司 | 信息推荐方法、装置、设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
丁振凡;邓磊;: "个性化信息推荐服务与个性化搜索引擎", 微计算机信息, no. 36, 25 December 2009 (2009-12-25) * |
刘勤;陈世平;霍欢;: "基于知识图谱用户偏好传播的实体推荐模型", 计算机应用研究, no. 10, 5 October 2020 (2020-10-05) * |
陈嘉颖;于炯;杨兴耀;: "一种融合语义分析特征提取的推荐算法", 计算机研究与发展, no. 03, 15 March 2020 (2020-03-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380859A (zh) | 舆情信息的推荐方法、装置、电子设备及计算机存储介质 | |
WO2011094341A2 (en) | System and method for social networking | |
CN112613917A (zh) | 基于用户画像的信息推送方法、装置、设备及存储介质 | |
CN112733023A (zh) | 资讯推送方法、装置、电子设备及计算机可读存储介质 | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN108133390A (zh) | 用于预测用户行为的方法和装置以及计算设备 | |
CN113868528A (zh) | 资讯推荐方法、装置、电子设备及可读存储介质 | |
CN112507230A (zh) | 基于浏览器的网页推荐方法、装置、电子设备及存储介质 | |
CN113051480A (zh) | 资源推送方法、装置、电子设备及存储介质 | |
CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
CN113886708A (zh) | 基于用户信息的产品推荐方法、装置、设备及存储介质 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN113868529A (zh) | 知识推荐方法、装置、电子设备及可读存储介质 | |
CN113505273B (zh) | 基于重复数据筛选的数据排序方法、装置、设备及介质 | |
CN113591881A (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
CN111930897B (zh) | 专利检索方法、装置、电子设备及计算机可读存储介质 | |
CN113468421A (zh) | 基于向量匹配技术的产品推荐方法、装置、设备及介质 | |
CN104077288A (zh) | 网页内容推荐方法和网页内容推荐设备 | |
CN112948526A (zh) | 用户画像的生成方法及装置、电子设备、存储介质 | |
CN110737691B (zh) | 用于处理访问行为数据的方法和装置 | |
CN113139129B (zh) | 虚拟阅读轨迹图生成方法、装置、电子设备及存储介质 | |
CN113515703A (zh) | 信息推荐方法、装置、电子设备及可读存储介质 | |
CN113157677A (zh) | 基于信托行为的数据过滤方法及装置 | |
CN111652741A (zh) | 用户偏好分析方法、装置及可读存储介质 | |
CN113051475B (zh) | 内容推荐方法、装置、电子设备及可读存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40053551 Country of ref document: HK |