CN113570432B - 资源推荐确定方法、装置、设备及存储介质 - Google Patents
资源推荐确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113570432B CN113570432B CN202110857913.5A CN202110857913A CN113570432B CN 113570432 B CN113570432 B CN 113570432B CN 202110857913 A CN202110857913 A CN 202110857913A CN 113570432 B CN113570432 B CN 113570432B
- Authority
- CN
- China
- Prior art keywords
- sequence
- resource
- predicted
- target user
- user behavior
- 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
- 108091026890 Coding region Proteins 0.000 claims abstract description 240
- 238000012545 processing Methods 0.000 claims abstract description 96
- 230000002452 interceptive effect Effects 0.000 claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims abstract description 39
- 238000011156 evaluation Methods 0.000 claims abstract description 35
- 230000006399 behavior Effects 0.000 claims description 244
- 238000004590 computer program Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 description 21
- 230000007246 mechanism Effects 0.000 description 14
- 239000013598 vector Substances 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000002457 bidirectional effect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 239000013604 expression vector Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 101000856236 Clostridium acetobutylicum (strain ATCC 824 / DSM 792 / JCM 1419 / LMG 5710 / VKM B-1787) Butyrate-acetoacetate CoA-transferase subunit B Proteins 0.000 description 1
- RPNUMPOLZDHAAY-UHFFFAOYSA-N Diethylenetriamine Chemical compound NCCNCCN RPNUMPOLZDHAAY-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (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)
Abstract
本公开提供了一种资源推荐确定方法、装置、设备及存储介质,涉及数据处理技术领域,以解决根据用户行为序列模型得到的评测指标的预估结果受到限制的问题。该方法包括:获取目标用户行为编码序列和待预测资源编码序列;目标用户行为编码序列包括被目标用户执行过交互操作的资源,待预测资源编码序列包括多个待预测资源;对目标用户行为编码序列和待预测资源编码序列进行差异计算,得出第一相似序列和第二相似序列;对第一相似序列和第二相似序列进行数据处理,得到评测指标的预估结果;根据评测指标的预估结果,确定是否向目标用户推荐待预测资源序列的信息。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及一种资源推荐确定方法、装置、设备及存储介质。
背景技术
近年来,互联网在线广告(如:待推荐的商品、待推荐的直播间等)的推荐效果大多通过转化率(Click Value Rate,CVR)、点击率(Click Through Rate,CTR)等评测指标来表征。因此,将在线广告投入实际使用之前,需要对在线广告的推荐效果进行预测。
通常,推荐效果的预测是利用用户画像、资源信息、上下文信息等特征构建的模型来确定的,若确定出的预测结果越高,表明用户对待预测资源的偏好越强。现有模型中,用户行为序列建模是一项重要且有效的技术,在以用户行为序列技术建立的模型中,通常将在线广告作为一个整体来刻画用户的偏好。在实际应用中,如直播间带货/在线店铺卖货,一个直播间或者一个店铺中的资源不仅数量多且差异性大,若采用上述模型将直播间或者店铺作为一个整体来刻画用户偏好的话,会使得最终的预估效果受到一定限制。
发明内容
本公开提供一种资源推荐确定方法、装置、设备及存储介质,以至少解决相关技术中根据用户行为序列模型得到的评测指标的预估结果受到限制的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种资源推荐确定方法,包括:资源推荐确定装置获取目标用户行为编码序列和待预测资源编码序列;目标用户行为编码序列包括被目标用户执行过交互操作的资源,待预测资源编码序列包括多个待预测资源;对目标用户行为编码序列和待预测资源编码序列进行差异计算,得出第一相似序列和第二相似序列;第一相似序列用于表征目标用户行为编码序列中每个被目标用户执行过交互操作的资源和待预测资源编码序列中的每个待预测资源的相似程度,第二相似序列用于表征待预测资源编码序列中的每个待预测资源和目标用户行为编码序列中的每个被目标用户执行过交互操作的资源的相似程度;对第一相似序列和第二相似序列进行数据处理,得到评测指标的预估结果;根据评测指标的预估结果,资源推荐确定装置确定是否向目标用户推荐待预测资源序列的信息。
可选的,资源推荐确定装置对目标用户行为编码序列和待预测资源编码序列进行差异计算,得出第一相似序列和第二相似序列,包括:在待预测资源编码序列中,查找与目标用户行为编码序列对应的目标用户行为匹配序列,目标用户行为匹配序列中包括与目标用户行为编码序列中的每个被目标用户执行过交互操作的资源匹配的待预测资源;在目标用户行为编码序列中,查找与待预测资源编码序列对应的待预测资源匹配序列,待预测资源匹配序列中包括与待预测资源编码序列中的每个待预测资源匹配的被目标用户执行过交互操作的资源;对目标用户行为编码序列中的资源和目标用户行为匹配序列中的资源进行相似度计算,得到第一相似序列;对待预测资源编码序列中的资源和待预测资源匹配序列中的资源进行相似度计算,得到第二相似序列。
可选的,资源推荐确定装置对目标用户行为编码序列和目标用户行为匹配序列进行相似度计算,得到第一相似序列,包括:对目标用户行为编码序列中的资源和目标用户行为匹配序列中的资源进行作差处理,得到第一作差序列;对目标用户行为编码序列中的资源和目标用户行为匹配序列中的资源进行相乘处理,得到第一相乘序列;将目标用户行为编码序列、目标用户行为匹配序列、第一作差序列和第一相乘序列进行拼接处理,得到第一相似序列。
可选的,资源推荐确定装置对待预测资源编码序列和待预测资源匹配序列进行相似度计算,得到第二相似序列,包括:对待预测资源编码序列中的资源和待预测资源匹配序列中的资源进行作差处理,得到第二作差序列;对待预测资源编码序列中的资源和待预测资源匹配序列中的资源进行相乘处理,得到第二相乘序列;将待预测资源编码序列、待预测资源匹配序列、第二作差序列和第二相乘序列进行拼接处理,得到第二相似序列。
可选的,资源推荐确定装置获取目标用户行为编码序列和待预测资源编码序列,包括:获取目标用户行为序列和待预测资源序列;对目标用户行为序列和待预测资源序列进行编码,得到目标用户行为编码序列和待预测资源编码序列。
根据本公开实施例的第二方面,提供一种资源推荐确定装置,包括获取模块和处理模块。获取模块,被配置为获取目标用户行为编码序列和待预测资源编码序列;目标用户行为编码序列包括被目标用户执行过交互操作的资源,待预测资源编码序列包括多个待预测资源;处理模块,被配置为对目标用户行为编码序列和待预测资源编码序列进行差异计算,得出第一相似序列和第二相似序列;第一相似序列用于表征目标用户行为编码序列中每个被目标用户执行过交互操作的资源和待预测资源编码序列中的每个待预测资源的相似程度,第二相似序列用于表征待预测资源编码序列中的每个待预测资源和目标用户行为编码序列中的每个被目标用户执行过交互操作的资源的相似程度;处理模块,还被配置为对第一相似序列和第二相似序列进行数据处理,得到评测指标的预估结果;处理模块,还被配置为处理模块,还被配置为根据评测指标的预估结果,确定是否向目标用户推荐待预测资源序列的信息。
可选的,本公开实施例中,处理模块,还被配置为在待预测资源编码序列中,查找与目标用户行为编码序列对应的目标用户行为匹配序列,目标用户行为匹配序列中包括与目标用户行为编码序列中的每个被目标用户执行过交互操作的资源匹配的待预测资源;处理模块,还被配置为在目标用户行为编码序列中,查找与待预测资源编码序列对应的待预测资源匹配序列,待预测资源匹配序列中包括与待预测资源编码序列中的每个待预测资源匹配的被目标用户执行过交互操作的资源;处理模块,还被配置为对目标用户行为编码序列中的资源和目标用户行为匹配序列中的资源进行相似度计算,得到第一相似序列;处理模块,还被配置为对待预测资源编码序列中的资源和待预测资源匹配序列中的资源进行相似度计算,得到第二相似序列。
可选的,本公开实施例中,处理模块,还被配置为对目标用户行为编码序列中的资源和目标用户行为匹配序列中的资源进行作差处理,得到第一作差序列;处理模块,还被配置为对目标用户行为编码序列中的资源和目标用户行为匹配序列中的资源进行相乘处理,得到第一相乘序列;处理模块,还被配置为将目标用户行为编码序列、目标用户行为匹配序列、第一作差序列和第一相乘序列进行拼接处理,得到第一相似序列。
可选的,本公开实施例中,处理模块,还被配置为对待预测资源编码序列中的资源和待预测资源匹配序列中的资源进行作差处理,得到第二作差序列;处理模块,还被配置为对待预测资源编码序列中的资源和待预测资源匹配序列中的资源进行相乘处理,得到第二相乘序列;处理模块,还被配置为将待预测资源编码序列、待预测资源匹配序列、第二作差序列和第二相乘序列进行拼接处理,得到第二相似序列。
根据本公开实施例的第三方面,提供一种电子设备,包括:处理器;用于存储该处理器可执行指令的存储器;其中,该处理器被配置为执行指令,以实现如上述第一方面的资源推荐确定方法。
根据本公开实施例的第四方面,提供一种存储介质,当该存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如上述第一方面的资源推荐确定方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,当该计算机程序产品中的指令由电子设备的处理器执行时,使得电子设备能够执行如上述第一方面的资源推荐确定方法。
本公开的实施例提供的技术方案至少带来以下有益效果:本公开包括获取到的包括所有待预测资源的待预测资源编码序列,用待预测资源编码序列中的所有的待预测资源与目标用户行为编码序列中的资源进行差异计算,将得到第一相似序列和第二相似序列,通过对第一相似序列和第二相似序列进行处理,可得到评测指标的预估结果。由于待预测资源编码序列包括所有的待预测资源,则得到第一相似序列和第二相似序列将包含更全面的数据信息,从而得到准确率更高的评测指标的预估结果,基于评测指标的预估结果,可进一步提升待推荐资源的转化效率。相较于现有技术中,只适用单个待推荐资源的局限,本公开在包含多个待推荐资源场景下,也能更好的挖掘出用户偏好。
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的和解释性的,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,并不构成对本公开的不当限定。
图1是深度学习模型的框架示意图;
图2是本公开实施例提供的资源推荐确定装置的硬件示意图;
图3是根据一示例性的实施例示出的一种资源推荐确定方法的流程图一;
图4是根据一示例性的实施例示出的一种资源推荐确定装置的框架示意图一;
图5是根据一示例性的实施例示出的一种资源推荐确定方法的流程图二;
图6是根据一示例性的实施例示出的一种资源推荐确定方法的流程图三;
图7是根据一示例性的实施例示出的一种资源推荐确定方法的流程图四;
图8是根据一示例性的实施例示出的一种资源推荐确定方法的流程图五;
图9是根据一示例性的实施例示出的一种资源推荐确定装置的框架示意图二;
图10是根据一示例性的实施例提供的资源推荐确定方法的计算机程序产品的结构示意图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性的实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
近年来,较多基于用户行为的建模方案在评测指标(如:转化率(Click ValueRate,CVR)、点击率(Click Through Rate,CTR)等)的预估结果中都取得了非常好的效果,例如:深度兴趣模型(Deep Interest Network,DIN)、深度兴趣进化网络(Deep InterestEvolution Network,DIEN)、深度会话兴趣网络(Deep Session Interest Network,DSIN)等等。
如图1所示,DIN模型包括第一模块、第二模块、第三模块、第四模块、第五模块和损失函数。
其中,第一模块为特征表示层。特征表示层包括用户画像、用户历史行为、待预测资源以及上下文特征,上述每一部分分别用不同的符号进行表征。用户画像部分通过其它符号进行表征,具体包括性别、年龄等等。用户历史行为为被目标用户执行过交互操作的商品,通过商品ID符号、店铺ID符号和类目ID符号进行表征;待预测资源也通过商品ID符号、店铺ID符号和类目ID符号进行表征;上下文特征部分通过其它符号进行表征,具体包含设计类型ID,时间等等。在获取到用户画像、用户历史行为、待预测资源以及上下文特征的原始数据后,将所有数据通过one-hot或者multi-hot进行编码,生成维数较大的稀疏特征矩阵。
第二模块为嵌入层(embedding layer)。嵌入层用于将第一模块生成的高维稀疏特征矩阵转化为低维稠密特征矩阵。值得注意的是,由于每个用户的历史行为数据各不相同,因此转化后的矩阵的列数是不确定的。
第三模块为池化层(pooling layer)+激活单元。用于将低维稠密特征矩阵的向量统一为固定长度的向量。由于不同的用户有不同个数的行为数据,导致嵌入层矩阵的向量大小不一致,而拼接层只能处理固定维度的数据,因此利用池化层得到一个固定长度的向量。池化层具体是通过对嵌入层进行池化(sum pooling),即将一个类别的嵌入层(embedding)向量输入进池化操作,在通过激活单元得到用户历史行为对应的每个商品的权重后,池化层对各嵌入层的向量进行加权平均,从而转化为一个固定长度的向量,以解决维度不定的问题。
现有的激活单元采用注意力机制实现。激活单元学习待预测资源和用户历史行为的关系,并给出待预测资源和各个历史行为的相关性程度(即权重参数),再对历史行为序列进行加权求和,最终得到用户兴趣的特征表达。也就是说用户针对不同的广告表现出不同的兴趣表示,即使历史兴趣行为相同,但是各个行为的权重不同。
第四模块为拼接层(concat layer)。具体的实现过程为在经过嵌入层和池化层后,原始数据被转换成多个固定长度的用户兴趣的抽象表示向量,然后利用拼接层聚合抽象表示向量,输出该用户兴趣的唯一抽象表示向量;作为多层感知器(Multi-LayerPerceptron,MLP)的输入。
第五模块为MLP,将拼接层输出的抽象表示向量作为MLP的输入,自动学习数据之间的高阶交叉特征。
损失函数为基于深度学习的点击率模型广泛使用的损失函数,包括负对数似然函数(the negative log-likelihood function),使用标签作为目标项来监督整体的预测。
基于背景技术,本公开实施例通过获取目标用户行为编码序列和待预测资源编码序列,并将目标用户行为编码序列和待预测资源编码序列进行差异计算,得到第一相似序列和第二相似序列,将第一相似序列和第二相似序列进行数据处理,得到评测指标的预估结果,根据预估结果确定是否向目标用户推荐待推荐资源序列的信息。本公开将目标用户行为编码序列与包含所有待预测资源的待预测资源编码序列进行差异计算,得到包含更全面信息的第一相似序列和第二相似序列,根据第一相似序列和第二相似序列,可以确定出的高准确率的评测指标的预估结果。
需要说明的是,本公开实施例提供的资源推荐确定方法可以应用于第三方平台的资源推荐场景中,推荐的待预测资源可以是直播间或者在线商铺等等。当然,实际实现时,本公开实施例提供的资源推荐确定方法还可以应用于其它任意可能的场景中,具体可以根据实际使用需求确定,本公开实施例不作限定。
本公开实施例提供的资源推荐确定方法的执行主体可以为本公开实施例提供的资源推荐确定装置,也可以为包括该资源推荐确定装置的电子设备,具体的可以根据实际使用需求确定,本公开实施例不作限定。
图2是本公开实施例提供的资源推荐确定装置的硬件示意图。资源推荐确定装置200包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备以及计步器等。如图2所示,资源推荐确定装置包括处理器201、存储器202、网络接口203和总线204。其中,处理器201、存储器202以及网络接口203之间可以通过总线204连接,或采用其他方式相互连接。
处理器201是资源推荐确定装置的控制中心,处理器201可以是通用中央处理单元(central processing unit,CPU),也可以是其他通用处理器等,其中,通用处理器可以是微处理器或者是任何常规的处理器等。示例性的,处理器201可以包括一个或多个CPU。该CPU为单核CPU(single-CPU)或多核CPU(multi-CPU)。
存储器202包括但不限于是随机存取存储器(random access memory,RAM)、只读存储器(read only memory,ROM)、可擦除可编程只读存储器(erasable programmableread-only memory,EPROM)、快闪存储器、或光存储器、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。
一种可能的实现方式中,存储器202可以独立于处理器201存在。存储器202可以通过总线204与处理器201相连接,用于存储数据、指令或者程序代码。处理器201调用并执行存储器202中存储的指令或程序代码时,能够实现本申请实施例提供的资源推荐确定方法。
另一种可能的实现方式中,存储器202也可以和处理器201集成在一起。
网络接口203是有线接口(端口),例如光纤分布式数据接口(fiber distributeddata interface,FDDI)、千兆以太网(gigabit ethernet,GE)接口。或者,网络接口203是无线接口。应理解,网络接口203包括多个物理端口,网络接口203可以用于接收或发送用户行为序列或者待预测资源序列。
可选地,资源推荐确定装置还包括输入输出接口205,输入输出接口205用于与输入设备连接,接收用户通过输入设备输入的信息。输入设备包括但不限于键盘、触摸屏、麦克风等等。输入输出接口205还用于与输出设备连接,输出处理器201的处理结果。输出设备包括但不限于显示器、打印机等等。
总线204,可以是工业标准体系结构(industry standard architecture,ISA)总线、外部设备互连(peripheral component interconnect,PCI)总线或扩展工业标准体系结构(extended industry standard architecture,EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图2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。
需要指出的是,图2中示出的结构并不构成对该资源推荐确定装置的限定,除图2所示部件之外,该资源推荐确定装置可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
图3是根据一示例性的实施例示出的一种资源推荐确定方法的流程图,如图3所示,资源推荐确定方法用于资源推荐确定装置中,该方法包括以下步骤31-步骤34。
在步骤31中,资源推荐确定装置获取目标用户行为编码序列和待预测资源编码序列。
具体的,目标用户行为编码序列包括被目标用户执行过交互操作的资源,待预测资源编码序列包括多个待预测资源。
其中,上述资源可以是视频、音频、文件、产品、商品等,本公开对此不作限制。
在本公开实施例中,资源推荐确定装置会不定时的接收到若干推荐请求,该推荐请求用于请求推荐待预测资源。在接收到推荐请求后,资源推荐确定装置将评测待预测资源的推荐效果。待预测资源的推荐效果可以通过评测指标的预估结果来表征。在评测待预测资源的推荐效果之前,首先获取待预测资源序列和目标用户行为序列,待预测资源序列包括多个待推荐资源,目标用户行为序列包括多个被用户执行过交互操作的资源,然后将多个待预测资源进行编码,将所有目标用户行为包含的多个被用户执行过交互操作的资源进行编码,最终形成资源推荐确定装置获取到的待预测资源编码序列和目标用户行为编码序列。
示例性的,当目标用户C在浏览终端设备中某应用程序或者客户端的显示界面时,终端的显示界面上通常会显示一些推荐产品(如:直播间、商铺、衣服、口红等等)。若目标用户C对这些推荐产品感兴趣时,可通过交互操作查看推荐产品的详细内容。其中,交互操作包括点击操作、滑动操作、翻页操作等等。
基于上述场景,在固定时间段内,被目标用户C执行过交互操作的产品的集合为目标用户行为序列a,如:目标用户行为序列a={篮球a、直播间Xa、店铺Ya、……、上衣a}。向用户推荐的产品的集合为待推荐资源序列b,如:待推荐资源序列b={直播间Ia、……}。若直播间Ia中包括口红a、羽毛球a、……、裤子a等产品时,则待推荐资源序列b={口红a、羽毛球a、……、裤子a}。
在确定出目标用户行为序列a和待推荐资源序列b后,对目标用户行为序列a中每个被目标用户C执行过交互操作的资源进行编码,得到目标用户行为编码序列A。如:目标用户行为编码序列A={篮球b、直播间Xb、店铺Yb、……、上衣b}。对待预测资源序列b中每个待预测资源进行编码,得到待预测资源编码序列B。如:待推荐资源编码序列B={口红b、羽毛球b、……、裤子b}。
示例性的,如图4所示,资源推荐确定装置中的输入编码模块用于实现步骤31。具体的,资源推荐确定装置通过输入编码模块得到目标用户行为编码序列A和待预测资源编码序列B。
在步骤32中,资源推荐确定装置对目标用户行为编码序列和待预测资源编码序列进行差异计算,得出第一相似序列和第二相似序列。
其中,第一相似序列用于表征目标用户行为编码序列中每个被目标用户执行过交互操作的资源和待预测资源编码序列中的每个待预测资源的相似程度,第二相似序列用于表征待预测资源编码序列中的每个待预测资源和目标用户行为编码序列中的每个被目标用户执行过交互操作的资源的相似程度。
本公开实施例中,资源推荐确定装置将目标用户行为编码序列中和待预测资源编码序列进行差异计算,从而确定出第一相似序列和第二相似序列。
具体的,第一相似序列包括目标用户行为编码序列、目标用户行为匹配序列、第一作差序列和第一作乘序列。目标用户行为匹配序列是目标用户行为编码序列在待预测资源编码序列中匹配的结果。第一作差序列是目标用户行为编码序列和目标用户行为匹配序列作差后的结果。第一作乘序列是目标用户行为编码序列和目标用户行为匹配序列相乘后的结果。通过第一作差序列和第一作乘序列可以看出目标用户行为编码序列和目标用户行为匹配序列之间的相似程度。由于目标用户行为匹配序列是根据待预测资源编码序列确定出的,因此,第一相似序列可以用来表征目标用户行为编码序列中每个被目标用户执行过交互操作的资源和待预测资源编码序列中的每个待预测资源的相似程度。
第二相似序列包括待预测资源编码序列、待预测资源匹配序列、第二作差序列和第二作乘序列。待预测资源匹配序列是待预测资源编码序列在目标用户行为编码序列中匹配的结果。第二作差序列是待预测资源编码序列和待预测资源匹配序列作差后的结果。第二作乘序列是待预测资源编码序列和待预测资源匹配序列相乘后的结果。通过第二作差序列和第二作乘序列可以看出待预测资源编码序列和待预测资源匹配序列之间的相似程度。由于待预测资源匹配序列是根据目标用户行为编码序列确定出的,因此,第二相似序列可以用来表征待预测资源编码序列中的每个待预测资源和目标用户行为编码序列中的每个被目标用户执行过交互操作的资源的相似程度。
示例性的,如图4所示,资源推荐确定装置中的双向解码模块和差异编码模块用于实现步骤32。具体的,资源推荐确定装置中的双向解码模块,通过双向注意力机制对输入编码模块输入的目标用户行为编码序列A进行处理,生成目标用户行为匹配序列A′,接着将目标用户行为编码序列A和目标用户行为匹配序列A′输入差异编码模块,差异编码模块对目标用户行为编码序列A和目标用户行为匹配序列A′进行相似度计算,得到第一作差序列和第一作乘序列;最后根据目标用户行为编码序列A、目标用户行为匹配序列A′、第一作差序列和第一作乘序列得到第一相似序列。
资源推荐确定装置中的双向解码模块,通过双向注意力机制对输入编码模块输入的待预测资源编码序列B进行处理,生成待预测资源匹配序列B′,最后将待预测资源编码序列B和待预测资源匹配序列B′输入差异编码模块,差异编码模块对待预测资源编码序列B和待预测资源匹配序列B′进行相似度计算,得到第二作差序列和第二作乘序列;最后根据待预测资源编码序列B、待预测资源匹配序列B′、第二作差序列和第二作乘序列得到第二相似序列。
在步骤33中,资源推荐确定装置对第一相似序列和第二相似序列进行数据处理,得到评测指标的预估结果。
本公开实施例中,资源推荐确定装置在得到第一相似序列和第二相似序列后,首先需要对第一相似序列和第二相似序列进行自注意力机制处理,再进行池化处理,从而生成具有固定长度的向量。经过自注意力处理(self attention)和池化处理(pooling)后的结果用于描述用户行为序列和待预测资源序列的匹配情况,以实现在全局层面上提炼出目标用户行为序列和待预测资源的差异情况。示例性的,池化操作包括最大池化(maxpooling)和平均池化(average pooling)。
通过自注意力处理和池化处理后,结合上述DIN模型,将池化后得到的固定长度的向量输入拼接层,得到用户兴趣的表示向量,最后将用户兴趣的表示向量输入到MLP和损失函数,得到计算结果,将计算结果进行归一化处理(soft max)后,最终得到评测指标的预估结果。示例性的,评测指标的预估结果为目标用户行为序列与待预测资源序列的匹配分数。
示例性的,如图4所示,资源推荐确定装置中的差异总结模块用于实现自注意力机制和池化处理。具体的,资源推荐确定装置中的差异总结模块通过自注意力机制对差异编码模块输入的第一相似序列进行处理,得到第一序列A″;然后通过自注意力机制对差异编码模块输入的第二相似序列进行处理,得到第二序列B″。最后,分别对第一序列A″和第二序列B″进行池化操作,最终得到具有固定长度的向量。
在步骤34中,资源推荐确定装置根据评测指标的预估结果,确定是否向目标用户推荐待预测资源序列的信息。
本公开实施例中,资源推荐确定装置获取到评测指标的预估结果后,确定是否向目标用户推荐待预测资源序列的信息的判断方式可以是判断获取到评测指标的预估结果是否超过一个固定阈值后,若超过固定阈值,则将该待预测资源编码序列的信息推荐给目标用户;还可以是资源推荐确定装置获取到目标用户行为序列与多个待预测资源序列的评测指标的预估结果,将所有的预估结果进行排序,按照排序将最高预估结果对应的待预测资源序列的信息或者将最高预估结果和次高预估结果对应的待预测资源序列的信息推荐给目标用户,具体可以根据实际使用需求确定。
其中,待预测资源序列的信息可以是待预测资源序列中所有待预测资源所属的虚拟空间的名称,如:直播间X,店铺Y等等;还可以是待预测资源序列中所有资源的其它共有属性,本公开对此不作限制。
示例性的,若资源推荐确定装置获取到目标用户C的目标用户行为序列a={篮球a、直播间Xa、店铺Ya、……、上衣a}和待推荐资源序列b={口红a、羽毛球a、……、裤子a}的评测指标的预估结果为95%后,由于95%的预估结果超过固定阈值90%,则向目标用户C推荐I直播间。
本公开实施例中,通过将包含所有待预测资源的待预测资源序列与目标用户行为序列进行差异计算,将得到包含更全面信息的第一相似序列和第二相似序列,根据第一相似序列和第二相似序列将确定出准确率更高的评测指标的评估结果,从而进一步提高待预测资源的转化率。
结合上述图3,如图5所示,上述步骤31中的获取目标用户行为编码序列和待预测资源编码序列,具体可以通过下述的步骤301-步骤302实现。
在步骤301中,资源推荐确定装置获取目标用户行为序列和待预测资源序列。
其中,目标用户行为序列包括被目标用户执行过交互操作的资源。待预测资源序列包括多个待预测资源。
本公开实施例中,资源推荐确定装置可以根据目标用户的历史行为,确定出历史行为对应的所有产品,将所有产品信息进行拼接后,即可生成目标用户行为序列。资源推荐确定装置可以根据推荐请求,获取到待预测资源序列。
示例性的,目标用户行为序列a={篮球a、直播间Xa、店铺Ya、……、上衣a},待推荐资源序列b={口红a、羽毛球a、……、裤子a}。
示例性的,如图4所示,资源推荐确定装置中的输入编码模块用于实现步骤301。具体的,资源推荐确定装置中的输入编码模块获取到目标用户行为序列a和待预测资源序列b。
在步骤302中,资源推荐确定装置对目标用户行为序列和待预测资源序列进行编码,得到目标用户行为编码序列和待预测资源编码序列。
本公开实施例中,根据上述得到用户行为序列和待预测资源序列后,资源推荐确定装置通过自注意力机制(self attention)对用户行为序列和待预测资源序列进行编码,生成目标用户行为编码序列和待预测资源编码序列。对于目标用户行为编码序列而言,具体的实现方式为资源推荐确定装置获取到目标用户行为序列后,将用户行为序列中的所有被目标用户执行过交互操作的资源定义为由一系列的<Key,Value>数据对构成,同时将用户行为序列中的某个被目标用户执行过交互操作的资源作为Query,通过计算该Query和每个Key的相似性或者相关性,得到每个Key对应Value的权重系数,根据权重参数对所有的Value进行加权求和,从而得到了最终目标用户行为编码序列。
对于待预测资源编码序列而言,具体的实现方式为资源推荐确定装置获取到待预测资源序列后,将待预测资源序列中的所有待预测资源定义为由一系列的<Key,Value>数据对构成,同时将待预测资源序列中的某个待预测资源作为Query,通过计算该Query和每个Key的相似性或者相关性,得到每个Key对应Value的权重系数,根据权重参数对所有的Value进行加权求和,从而得到了最终待预测资源编码序列。
示例性的,资源推荐确定装置对目标用户行为序列a和待推荐资源序列b编码后,生成目标用户行为编码序列A和待推荐资源编码序列B。其中,目标用户行为编码序列A={篮球b、直播间Xb、店铺Yb、……、上衣b},待推荐资源编码序列B={口红b、羽毛球b、……、裤子b}。
本公开实施例中,采用上述技术特征,可以基于用户行为序列和待预测资源序列,分别确定出与其对应的目标用户行为编码序列和待预测资源编码序列,给出了一种具体的实现方式。
示例性的,如图4所示,资源推荐确定装置中的输入编码模块用于实现步骤302。具体的,资源推荐确定装置中的输入编码模块通过自注意力机制对输入目标用户行为序列a的进行编码,得到目标用户编码序列A;然后通过自注意力机制对输入的待预测资源b进行编码,得到待预测资源编码序列B。
示例性的,结合上述图3,如图6所示,步骤32的对目标用户行为编码序列和待预测资源编码序列进行差异计算,得出第一相似序列和第二相似序列具体可以通过下述的步骤303-步骤306实现。
在步骤303中,资源推荐确定装置在待预测资源编码序列中,查找与目标用户行为编码序列对应的目标用户行为匹配序列。
其中,目标用户行为匹配序列包括与目标用户行为编码序列中的每个被目标用户执行过交互操作的资源匹配的待预测资源。
本公开实施例中,资源推荐确定装置在得到目标用户行为编码序列和待预测资源编码序列后,在待预测资源编码序列中查找与目标用户行为编码序列中的每个被目标用户执行过交互操作的资源匹配的待推荐资源。
示例性的,资源推荐确定装置通过双向注意力机制(bi-directional attention)确定出目标用户行为匹配序列A′。对于目标用户行为匹配序列A′而言,具体的实现方式将目标用户行为编码序列A中的所有被目标用户执行过交互操作的资源构成元素定义为由一系列的<Key,Value>数据对构成,同时将待预测资源编码序列B中的某个待预测资源编码作为Query,计算Query和每个Key的相似性或者相关性,得到每个Key对应Value的权重系数,然后对Value进行加权求和,从而得到目标用户行为匹配序列A′。其中,目标用户行为匹配序列A′={篮球c、直播间Xc、店铺Yc、……、上衣c}。
示例性的,如图4所示,资源推荐确定装置中的双向编码模块用于实现步骤303。具体的,资源推荐确定装置中的双向编码模块通过双向注意力机制解码待预测资源编码序列B,生成与目标用户行为编码序列A对应的目标用户行为匹配序列A′。
在步骤304中,资源推荐确定装置在目标用户行为编码序列中,查找与待预测资源编码序列中对应的待预测资源匹配序列。
其中,待预测资源匹配序列中包括与待预测资源编码序列中的每个待预测资源匹配的被目标用户执行过交互操作的资源。
本公开实施例中,资源推荐确定装置在得到目标用户行为编码序列和待预测资源编码序列后,在目标用户行为编码序列中查找与待预测资源编码序列的每个待预测资源匹配的被目标用户执行过交互操作的资源。
示例性的,资源推荐确定装置通过双向注意力机制(bi-directional attention)确定出待预测资源匹配序列B′。对于待预测资源匹配序列B′而言,具体的实现方式将待预测资源编码序列B中的所有待预测资源构成元素定义为由一系列的<Key,Value>数据对构成,同时将目标用户行为编码序列A中的某个被目标用户执行过交互操作的资源编码作为Query,计算Query和每个Key的相似性或者相关性,得到每个Key对应Value的权重系数,然后对Value进行加权求和,从而得到待预测资源匹配序列B′。其中,待推荐资源匹配序列B′={口红c、羽毛球c、……、裤子c}。
示例性的,如图4所示,资源推荐确定装置中的双向编码模块用于实现步骤304。具体的,资源推荐确定装置中的双向编码模块通过双向注意力机制解码目标用户行为编码序列A,生成与待预测资源编码序列B中对应的待预测资源匹配序列B′。
在步骤305中,资源推荐确定装置对目标用户行为编码序列中的资源和目标用户行为匹配序列中的资源进行相似度计算,得到第一相似序列。
本公开实施例中,资源推荐确定装置可以对目标用户行为编码序列中的资源和目标用户行为匹配序列中的资源进行相似度计算,得到第一相似序列。第一相似序列用于表征在目标用户侧,目标用户行为编码序列中每个被目标用户执行过交互操作的资源和目标用户行为匹配序列的每个资源的相似程度。
示例性的,如图4所示,资源推荐确定装置中的差异编码模块用于实现步骤305。
在步骤306中,资源推荐确定装置对待预测资源编码序列中的资源和待预测资源匹配序列中的资源进行相似度计算,得到第二相似序列。
本公开实施例中,资源推荐确定装置可以对待预测资源编码序列中的资源和待预测资源匹配序列中的资源进行相似度计算,得到第二相似序列。第二相似序列用于表征在待预测资源侧,待预测资源编码序列中的每个待预测资源和待预测资源匹配序列的每个资源的相似程度。
本公开实施例中,采用上述技术特征,可以基于目标用户行为编码序列和待预测资源编码序列,得到第一相似序列和第二相似序列。第一相似序列和第二相似序列用于表征差异程度,为后续计算评测指标的预估结果,提供更为准确的输入数据。
示例性的,如图4所示,资源推荐确定装置中的差异编码模块用于实现步骤306。
示例性的,结合上述图3,如图7所示,步骤305的对目标用户行为编码序列A中的资源和目标用户行为匹配序列A′中的资源进行相似度计算,得到第一相似序列。具体可以通过下述的步骤3001-步骤3003实现。
在步骤3001中,资源推荐确定装置对目标用户行为编码序列中的资源和目标用户行为匹配序列中的资源进行作差处理,得到第一作差序列。
示例性的,如图4所示,资源推荐确定装置中的差异编码模块用于实现步骤3001。具体的,资源推荐确定装置中的差异编码模块对目标用户行为编码序列A中的资源和目标用户行为匹配序列A′中的资源进行作差,得到第一作差序列A-A′。
在步骤3002中,资源推荐确定装置对目标用户行为编码序列中的资源和目标用户行为匹配序列中的资源进行相乘处理,得到第一相乘序列。
示例性的,如图4所示,资源推荐确定装置中的差异编码模块用于实现步骤3002。具体的,资源推荐确定装置中的差异编码模块对目标用户行为编码序列A中的资源和目标用户行为匹配序列A′中的资源进行相乘,得到第一相乘序列A*A′。
在步骤3003中,资源推荐确定装置将目标用户行为编码序列A、目标用户行为匹配序列A′、第一作差序列和第一相乘序列进行拼接处理,得到第一相似序列。
示例性的,如图4所示,资源推荐确定装置中的差异编码模块用于实现步骤3003。具体的,资源推荐确定装置中的差异编码模块根据目标用户行为编码序列A、目标用户行为匹配序列A′、第一作差序列A-A′和第一相乘序列A*A′,生成第一相似序列。示例性的,第一相似序列满足表达式:第一相似序列=(A,A′,A-A′,A*A′)。
本公开实施例中,上述描述中的相似度计算是用于确定出目标用户行为编码序列中的资源和目标用户行为匹配序列中的资源之间的相关性。具体的,目标用户行为编码序列中的资源和目标用户行为匹配序列中的资源的相似度不仅可通过上述作差和相乘的方式来确定,还可以通过任意能表达相似度或相关性的方式来确定,示例性的,如:余弦的方式。在得到相似度的计算结果后,将目标用户行为编码序列、目标用户行为匹配序列、第一作差序列和第一相乘序列进行拼接处理,形成第一相似序列。
本公开实施例中,采用上述技术特征,通过作差、相乘等方式确定出目标用户行为编码序列中的资源和待预测资源编码序列中的资源之间的差异,从而更细致的描述出用户偏好。
示例性的,结合上述图3,如图8所示,步骤306的对待预测资源编码序列B中的资源和待预测资源匹配序列B′中的资源进行相似度计算,得到第二相似序列。具体可以通过下述的步骤3004-步骤3006实现。
在步骤3004中,资源推荐确定装置对待预测资源编码序列中的资源和待预测资源匹配序列中的资源进行作差处理,得到第二作差序列。
示例性的,如图4所示,资源推荐确定装置中的差异编码模块用于实现步骤3004。具体的,资源推荐确定装置中的差异编码模块对待预测资源编码序列B中的资源和待预测资源匹配序列B′中的资源进行作差,得到第二作差序列B-B′。
在步骤3005中,资源推荐确定装置对待预测资源编码序列中的资源和待预测资源匹配序列中的资源进行相乘处理,得到第二相乘序列。
示例性的,如图4所示,资源推荐确定装置中的差异编码模块用于实现步骤3005。具体的,资源推荐确定装置中的差异编码模块对待预测资源编码序列B中的资源和待预测资源匹配序列B′中的资源进行相乘,得到第二相乘序列B*B′。
在步骤3006中,资源推荐确定装置将待预测资源编码序列、待预测资源匹配序列、第二作差序列和第二相乘序列进行拼接处理,得到第二相似序列。
示例性的,如图4所示,资源推荐确定装置中的差异编码模块用于实现步骤3006。具体的,资源推荐确定装置中的差异编码模块根据待预测资源编码序列B、待预测资源匹配序列B′、第二作差序列B-B′和第二相乘序列B*B′,生成第二相似序列。示例性的,第二相似序列满足表达式:第二相似序列=(B,B′,B-B′,B*B′)。
本公开实施例中,上述描述中的相似度计算是用于确定出待预测资源编码序列中的资源和待预测资源匹配序列中的资源之间的相关性。具体的,待预测资源编码序列中的资源和待预测资源匹配序列中的资源的相似度不仅可通过上述作差和相乘的方式来确定,还可以通过任意能表达相似度或相关性的方式来确定,示例性的,如:余弦的方式。在得到相似度的计算结果后,将待预测资源编码序列、待预测资源匹配序列、第二作差序列和第二相乘序列进行拼接处理,形成第二相似序列。
本公开实施例中,采用上述技术特征,通过作差、相乘等方式确定出目标用户行为编码序列中的资源和待预测资源编码序列中的资源之间的差异,从而更细致的描述出用户偏好。
需要说明的是,本公开实施例可以不限定步骤303和步骤304之间的执行顺序、步骤305和步骤306之间的执行顺序、步骤3001与步骤3002之间的执行顺序以及步骤3004与步骤3005之间的执行顺序。示例性的,可以先执行步骤303,后执行步骤304;也可以先执行步骤304,后执行步骤303;还可以同时执行步骤303和步骤304,具体可以根据实际使用需求确定。
需要说明的是,本公开实施例中,上述各个附图所示的资源推荐确定方法均是以结合本公开实施例中的一个附图为例示例性的说明的。具体实现时,上述各个附图所示资源推荐确定方法还可以结合上述实施例中示意的其它可以结合的任意附图实现,此处不再赘述。
图9是根据一示例性的实施例示出的一种资源推荐确定装置的框图。参照图9,该资源推荐确定装置包括获取模块91和处理模块92。
获取模块91,被配置为获取目标用户行为编码序列和待预测资源编码序列;目标用户行为编码序列包括被目标用户执行过交互操作的资源,待预测资源编码序列包括多个待预测资源;例如,结合图3,获取模块91可以用于执行步骤31。
处理模块92,被配置为对目标用户行为编码序列和待预测资源编码序列进行差异计算,得出第一相似序列和第二相似序列;第一相似序列用于表征目标用户行为编码序列中每个被目标用户执行过交互操作的资源和待预测资源编码序列中的每个待预测资源的相似程度,第二相似序列用于表征待预测资源编码序列中的每个待预测资源和目标用户行为编码序列中的每个被目标用户执行过交互操作的资源的相似程度;例如,结合图3,处理模块92可以用于执行步骤32。
处理模块92,还被配置为对第一相似序列和第二相似序列进行数据处理,得到评测指标的预估结果;例如,结合图3,处理模块92可以用于执行步骤33。
处理模块92,还被配置为处理模块92,还被配置为根据评测指标的预估结果,确定是否向目标用户推荐待预测资源序列的信息。例如,结合图3,处理模块92可以用于执行步骤34。
可选的,本公开实施例中,处理模块92,还被配置为在待预测资源编码序列中,查找与目标用户行为编码序列对应的目标用户行为匹配序列,目标用户行为匹配序列中包括与目标用户行为编码序列中的每个被目标用户执行过交互操作的资源匹配的待预测资源;例如,结合图6,处理模块92可以用于执行步骤303。
处理模块92,还被配置为在目标用户行为编码序列中,查找与待预测资源编码序列对应的待预测资源匹配序列,待预测资源匹配序列中包括与待预测资源编码序列中的每个待预测资源匹配的被目标用户执行过交互操作的资源;例如,结合图6,处理模块92可以用于执行步骤304。
处理模块92,还被配置为对目标用户行为编码序列中的资源和目标用户行为匹配序列中的资源进行相似度计算,得到第一相似序列;例如,结合图6,处理模块92可以用于执行步骤305。
处理模块92,还被配置为对待预测资源编码序列中的资源和待预测资源匹配序列中的资源进行相似度计算,得到第二相似序列。例如,结合图6,处理模块92可以用于执行步骤306。
可选的,本公开实施例中,处理模块92,还被配置为对目标用户行为编码序列中的资源和目标用户行为匹配序列中的资源进行作差处理,得到第一作差序列;例如,结合图7,处理模块92可以用于执行步骤3001。
处理模块92,还被配置为对目标用户行为编码序列中的资源和目标用户行为匹配序列中的资源进行相乘处理,得到第一相乘序列;例如,结合图7,处理模块92可以用于执行步骤3002。
处理模块92,还被配置为将目标用户行为编码序列、目标用户行为匹配序列、第一作差序列和第一相乘序列进行拼接处理,得到第一相似序列。例如,结合图7,处理模块92可以用于执行步骤3003。
可选的,本公开实施例中,处理模块92,还被配置为对待预测资源编码序列中的资源和待预测资源匹配序列中的资源进行作差处理,得到第二作差序列;例如,结合图8,处理模块92可以用于执行步骤3004。
处理模块92,还被配置为对待预测资源编码序列中的资源和待预测资源匹配序列中的资源进行相乘处理,得到第二相乘序列;例如,结合图8,处理模块92可以用于执行步骤3005。
处理模块92,还被配置为将待预测资源编码序列、待预测资源匹配序列、第二作差序列和第二相乘序列进行拼接处理,得到第二相似序列。例如,结合图8,处理模块92可以用于执行步骤3006。
可选的,本公开实施例中,获取模块91,被配置为获取目标用户行为序列和待预测资源序列;例如,结合图5,获取模块91可以用于执行步骤301。
处理模块92,还被配置为对目标用户行为序列和待预测资源序列进行编码,得到目标用户行为编码序列和待预测资源编码序列。例如,结合图5,处理模块92可以用于执行步骤302。
当然,本公开实施例提供的资源推荐确定装置包括但不限于上述模块,例如资源推荐确定装置还可以包括存储模块93。存储模块93可以用于存储该写资源推荐确定装置的程序代码,还可以用于存储写资源推荐确定装置在运行过程中生成的数据,如写请求中的数据等。
本公开还提供了一种包括指令的计算机可读存储介质,计算机可读存储介质上存储有指令,当计算机可读存储介质中的指令由计算机设备的处理器执行时,使得计算机能够执行上述所示实施例提供的资源推荐确定方法。例如,计算机可读存储介质可以为包括指令的存储器,上述指令可由资源推荐确定装置的处理器执行以完成上述方法。可选地,计算机可读存储介质可以是非临时性计算机可读存储介质,例如,非临时性计算机可读存储介质可以是ROM、RAM、CD-ROM、磁带、软盘和光数据存储设备等。
图10示意性地示出本公开实施例提供的计算机程序产品的概念性局部视图,计算机程序产品包括用于在计算设备上执行计算机进程的计算机程序。
在一个实施例中,计算机程序产品是使用信号承载介质1010来提供的。信号承载介质1010可以包括一个或多个程序指令,其当被一个或多个处理器运行时可以提供以上针对图2描述的功能或者部分功能。因此,例如,参考图3中所示的实施例,步骤31~步骤34的一个或多个特征可以由与信号承载介质1010相关联的一个或多个指令来承担。此外,图10中的程序指令也描述示例指令。
在一些示例中,信号承载介质1010可以包含计算机可读介质1011,诸如但不限于,硬盘驱动器、紧密盘(CD)、数字视频光盘(DVD)、数字磁带、存储器、只读存储记忆体(read-only memory,ROM)或随机存储记忆体(random access memory,RAM)等等。
在一些实施方式中,信号承载介质1010可以包含计算机可记录介质1012,诸如但不限于,存储器、读/写(R/W)CD、R/W DVD、等等。
在一些实施方式中,信号承载介质1010可以包含通信介质1013,诸如但不限于,数字和/或模拟通信介质(例如,光纤电缆、波导、有线通信链路、无线通信链路、等等)。
信号承载介质1010可以由无线形式的通信介质1013来传达。一个或多个程序指令可以是,例如,计算机可执行指令或者逻辑实施指令。
在一些示例中,诸如针对图3描述的资源推荐确定装置可以被配置为,响应于通过计算机可读介质1011、计算机可记录介质1012、和/或通信介质1013中的一个或多个程序指令,提供各种操作、功能、或者动作。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全分类部或者部分功能。
在本公开所提供的几个实施例中,应该理解到,所揭露的装置和方法,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,模块或单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全分类部单元来实现本实施例方案的目的。
另外,在本公开各个实施例中的各功能单元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,也可以采用软件功能单元的形式实现。
集成的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,可以存储在一个可读取存储介质中。基于这样的理解,本公开实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全分类部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本公开各个实施例方法的全分类部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何在本公开揭露的技术范围内的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种资源推荐确定方法,其特征在于,包括:
获取目标用户行为编码序列和待预测资源编码序列;所述目标用户行为编码序列包括被目标用户执行过交互操作的资源,所述待预测资源编码序列包括多个待预测资源;
对所述目标用户行为编码序列和所述待预测资源编码序列进行差异计算,得出第一相似序列和第二相似序列;
对所述第一相似序列和所述第二相似序列进行数据处理,得到评测指标的预估结果;所述评测指标的预估结果为所述目标用户行为序列与待预测资源序列的匹配分数;
根据所述评测指标的预估结果,确定是否向目标用户推荐待预测资源序列的信息;所述待预测资源序列的信息包括待预测资源序列中所有待预测资源的共有属性;所述待预测资源编码序列为所述待预测资源序列进行编码后得到的;
对所述目标用户行为编码序列和所述待预测资源编码序列进行差异计算,得出第一相似序列和第二相似序列,包括:
对所述目标用户行为编码序列中的资源和所述目标用户行为匹配序列中的资源进行作差处理,得到第一作差序列;对所述目标用户行为编码序列中的资源和所述目标用户行为匹配序列中的资源进行相乘处理,得到第一相乘序列;将所述目标用户行为编码序列、所述目标用户行为匹配序列、所述第一作差序列和所述第一相乘序列进行拼接处理,得到第一相似序列;所述目标用户行为匹配序列中包括与所述目标用户行为编码序列中的每个所述被目标用户执行过交互操作的资源匹配的待预测资源;
对所述待预测资源编码序列中的资源和所述待预测资源匹配序列中的资源进行作差处理,得到第二作差序列;对所述待预测资源编码序列中的资源和所述待预测资源匹配序列中的资源进行相乘处理,得到第二相乘序列;将所述待预测资源编码序列、所述待预测资源匹配序列、所述第二作差序列和所述第二相乘序列进行拼接处理,得到第二相似序列;所述待预测资源匹配序列中包括与所述待预测资源编码序列中的每个所述待预测资源匹配的被目标用户执行过交互操作的资源。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述待预测资源编码序列中,查找与所述目标用户行为编码序列对应的目标用户行为匹配序列;
在所述目标用户行为编码序列中,查找与所述待预测资源编码序列对应的待预测资源匹配序列。
3.根据权利要求1或2所述的方法,其特征在于,所述获取目标用户行为编码序列和待预测资源编码序列,包括:
获取目标用户行为序列和待预测资源序列;
对所述目标用户行为序列和待预测资源序列进行编码,得到所述目标用户行为编码序列和所述待预测资源编码序列。
4.一种资源推荐确定装置,其特征在于,包括:
获取模块,被配置为获取目标用户行为编码序列和待预测资源编码序列;所述目标用户行为编码序列包括被目标用户执行过交互操作的资源,所述待预测资源编码序列包括多个待预测资源;
处理模块,被配置为对所述目标用户行为编码序列和所述待预测资源编码序列进行差异计算,得出第一相似序列和第二相似序列;所述第一相似序列用于表征所述目标用户行为编码序列中每个被目标用户执行过交互操作的资源和所述待预测资源编码序列中的每个待预测资源的相似程度,所述第二相似序列用于表征所述待预测资源编码序列中的每个待预测资源和所述目标用户行为编码序列中的每个被目标用户执行过交互操作的资源的相似程度;
所述处理模块,还被配置为对所述第一相似序列和所述第二相似序列进行数据处理,得到评测指标的预估结果;所述评测指标的预估结果为所述目标用户行为序列与待预测资源序列的匹配分数;
所述处理模块,还被配置为处理模块,还被配置为根据所述评测指标的预估结果,确定是否向目标用户推荐待预测资源序列的信息;所述待预测资源序列的信息包括待预测资源序列中所有待预测资源的共有属性;所述待预测资源编码序列为所述待预测资源序列进行编码后得到的;
所述处理模块,还被配置为对所述目标用户行为编码序列中的资源和所述目标用户行为匹配序列中的资源进行相似度计算,得到第一相似序列;所述目标用户行为匹配序列中包括与所述目标用户行为编码序列中的每个所述被目标用户执行过交互操作的资源匹配的待预测资源;
所述处理模块,还被配置为对所述待预测资源编码序列中的资源和所述待预测资源匹配序列中的资源进行相似度计算,得到第二相似序列;所述待预测资源匹配序列中包括与所述待预测资源编码序列中的每个所述待预测资源匹配的被目标用户执行过交互操作的资源;
所述处理模块,还被配置为对所述目标用户行为编码序列中的资源和所述目标用户行为匹配序列中的资源进行作差处理,得到第一作差序列;
所述处理模块,还被配置为对所述目标用户行为编码序列中的资源和所述目标用户行为匹配序列中的资源进行相乘处理,得到第一相乘序列;
所述处理模块,还被配置为将所述目标用户行为编码序列、所述目标用户行为匹配序列、所述第一作差序列和所述第一相乘序列进行拼接处理,得到第一相似序列;
所述处理模块,还被配置为对所述待预测资源编码序列中的资源和所述待预测资源匹配序列中的资源进行作差处理,得到第二作差序列;
所述处理模块,还被配置为对所述待预测资源编码序列中的资源和所述待预测资源匹配序列中的资源进行相乘处理,得到第二相乘序列;
所述处理模块,还被配置为将所述待预测资源编码序列、所述待预测资源匹配序列、所述第二作差序列和所述第二相乘序列进行拼接处理,得到第二相似序列。
5.根据权利要求4所述的装置,其特征在于,
所述处理模块,还被配置为在所述待预测资源编码序列中,查找与所述目标用户行为编码序列对应的目标用户行为匹配序列;
所述处理模块,还被配置为在所述目标用户行为编码序列中,查找与所述待预测资源编码序列对应的待预测资源匹配序列。
6.根据权利要求4或5所述的装置,其特征在于,
所述获取模块,被配置为获取目标用户行为序列和待预测资源序列;
所述处理模块,还被配置为对所述目标用户行为序列和待预测资源序列进行编码,得到所述目标用户行为编码序列和所述待预测资源编码序列。
7.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至3中任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,在所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得所述电子设备执行如权利要求1至3中任一项所述的方法。
9.一种计算机程序产品,包括计算机指令,其特征在于,当所述计算机指令被电子设备执行时,实现如权利要求1-3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110857913.5A CN113570432B (zh) | 2021-07-28 | 2021-07-28 | 资源推荐确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110857913.5A CN113570432B (zh) | 2021-07-28 | 2021-07-28 | 资源推荐确定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113570432A CN113570432A (zh) | 2021-10-29 |
CN113570432B true CN113570432B (zh) | 2024-06-28 |
Family
ID=78168627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110857913.5A Active CN113570432B (zh) | 2021-07-28 | 2021-07-28 | 资源推荐确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570432B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107093124A (zh) * | 2017-02-27 | 2017-08-25 | 口碑控股有限公司 | 一种信息推荐方法及装置 |
CN110730385A (zh) * | 2018-07-16 | 2020-01-24 | 武汉斗鱼网络科技有限公司 | 一种直播间推荐方法、装置、服务器及存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160132908A1 (en) * | 2014-11-11 | 2016-05-12 | Mastercard International Incorporated | Methods And Apparatus For Transaction Prediction |
CN110990600B (zh) * | 2019-12-04 | 2023-04-18 | 腾讯科技(深圳)有限公司 | 多媒体文件推荐、参数调整方法、装置、介质及电子设备 |
CN113077276A (zh) * | 2020-01-06 | 2021-07-06 | 阿里巴巴集团控股有限公司 | 行为数据的处理方法和***、存储介质及处理器 |
CN111400591B (zh) * | 2020-03-11 | 2023-04-07 | 深圳市雅阅科技有限公司 | 资讯信息推荐方法、装置、电子设备及存储介质 |
CN112052388B (zh) * | 2020-08-20 | 2024-07-23 | 深思考人工智能科技(上海)有限公司 | 一种推荐美食店铺的方法及*** |
CN112565816A (zh) * | 2020-11-27 | 2021-03-26 | 南京雄雉电子商务有限公司 | 基于大数据分析的电子商务视频直播平台 |
CN112348649B (zh) * | 2020-12-07 | 2022-07-29 | 福州灵和晞科技有限公司 | 直播类别推荐方法 |
CN112685648A (zh) * | 2021-01-21 | 2021-04-20 | 深圳市欢太科技有限公司 | 一种资源推荐方法、电子设备及计算机可读存储介质 |
CN112786198B (zh) * | 2021-02-08 | 2024-05-31 | 科大讯飞股份有限公司 | 诊疗信息推荐模型构建方法、诊疗信息推荐方法及装置 |
CN113111273A (zh) * | 2021-04-21 | 2021-07-13 | 腾讯音乐娱乐科技(深圳)有限公司 | 一种信息推荐方法、装置、电子设备及存储介质 |
-
2021
- 2021-07-28 CN CN202110857913.5A patent/CN113570432B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107093124A (zh) * | 2017-02-27 | 2017-08-25 | 口碑控股有限公司 | 一种信息推荐方法及装置 |
CN110730385A (zh) * | 2018-07-16 | 2020-01-24 | 武汉斗鱼网络科技有限公司 | 一种直播间推荐方法、装置、服务器及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113570432A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516160B (zh) | 基于知识图谱的用户建模方法、序列推荐方法 | |
CN110598086B (zh) | 文章推荐方法、装置、计算机设备及存储介质 | |
CN111737578A (zh) | 一种推荐方法及*** | |
CN111159563B (zh) | 用户兴趣点信息的确定方法、装置、设备及存储介质 | |
CN112528164B (zh) | 一种用户协同过滤召回方法及装置 | |
CN116894711A (zh) | 商品推荐理由生成方法及其装置、电子设备 | |
CN107506479A (zh) | 一种对象推荐方法和装置 | |
CN118043802A (zh) | 一种推荐模型训练方法及装置 | |
CN113836390A (zh) | 资源推荐方法、装置、计算机设备及存储介质 | |
CN113570432B (zh) | 资源推荐确定方法、装置、设备及存储介质 | |
CN114429384B (zh) | 基于电商平台的产品智能推荐方法及*** | |
Parsons et al. | Generating effective recommendations using viewing-time weighted preferences for attributes | |
CN116308634A (zh) | 基于行为序列和权重共享的双塔模型推荐方法及装置 | |
CN111782774A (zh) | 一种问题推荐的方法及装置 | |
CN115618126A (zh) | 搜索处理方法、***、计算机可读存储介质及计算机设备 | |
CN113553501A (zh) | 一种基于人工智能的用户画像预测的方法及装置 | |
CN113254788A (zh) | 一种基于大数据的推荐方法、***及可读存储介质 | |
CN113486142A (zh) | 一种基于义原的词语语义的预测方法及计算机设备 | |
CN113111273A (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
CN116029357B (zh) | 训练样本生成、模型训练、点击率评估方法及电子设备 | |
CN117786234B (zh) | 一种基于两阶段对比学习的多模态资源推荐方法 | |
CN116975325A (zh) | 一种内容推荐方法、装置、计算机设备和存储介质 | |
CN113744004A (zh) | 推送内容的确定方法、装置及设备 | |
CN115640461A (zh) | 一种产品的推荐方法、装置、电子设备及其存储介质 | |
CN116167822A (zh) | 交互信息的确定方法、装置、设备以及存储介质 |
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 | ||
GR01 | Patent grant |