CN113656697A - 对象推荐方法、装置、电子设备、存储介质和程序产品 - Google Patents
对象推荐方法、装置、电子设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN113656697A CN113656697A CN202110975484.1A CN202110975484A CN113656697A CN 113656697 A CN113656697 A CN 113656697A CN 202110975484 A CN202110975484 A CN 202110975484A CN 113656697 A CN113656697 A CN 113656697A
- Authority
- CN
- China
- Prior art keywords
- target
- candidate
- label
- candidate objects
- labels
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 description 286
- 238000011835 investigation Methods 0.000 description 80
- 230000008569 process Effects 0.000 description 12
- 238000012552 review Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种对象推荐方法、装置、电子设备、存储介质和程序产品,包括:从对象数据库中获取与目标主题相关的多个候选对象,其中,每个候选对象对应至少一个标签;根据多个候选对象分别与目标主题的相关性,以及多个候选对象分别对应的标签,得到多个目标对象组,其中,每个目标对象组对应一个目标标签,每个目标对象组中包含至少一个目标对象,至少一个目标对象分别对应的标签中均包括目标标签,至少一个目标对象按照预设顺序排列,预设顺序为排列在前的目标对象对应的标签的数量少于排列在后的目标对象对应的标签的数量;根据多个目标对象组,生成推荐列表,推荐列表中包含多个目标对象组,提高了推荐对象的可读性。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及一种对象推荐方法、装置、电子设备、存储介质和程序产品。
背景技术
目前市面上的推荐***,主要是信息流推荐,典型代表有某音短视频、某条新闻等。这些场景下的推荐属于无限推荐,只要用户直在消费内容,***就直为用户推荐内容。同时,用户没有明显的消费目标、不限制消费内容的数量、对推荐内容的容忍度较高。推荐内容之间是平行的,只存在相关性,没有更复杂的关系。
由于现有技术中的推荐***的推荐内容之间仅仅是平行的,只存在相关性,当需要推荐内容之间已经不只是简单的相关关系,传统的推荐策略已经无法满足新场景下的推荐需求。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开提供了一种对象推荐方法、装置、电子设备、存储介质和程序产品,提高了推荐对象的可读性。
第一方面,本公开实施例提供了一种对象推荐方法,包括:
从对象数据库中获取与目标主题相关的多个候选对象,其中,每个候选对象对应至少一个标签;
根据所述多个候选对象分别与所述目标主题的相关性,以及所述多个候选对象分别对应的标签,得到多个目标对象组,其中,每个目标对象组对应一个目标标签,每个目标对象组中包含至少一个目标对象,所述至少一个目标对象分别对应的标签中均包括所述目标标签,所述至少一个目标对象按照预设顺序排列,所述预设顺序为排列在前的目标对象对应的标签的数量少于排列在后的目标对象对应的标签的数量;
根据所述多个目标对象组,生成推荐列表,所述推荐列表中包含所述多个目标对象组。
可选的,所述根据所述多个候选对象分别与所述目标主题的相关性,以及所述多个候选对象分别对应的标签,得到多个目标对象组,包括:
根据所述多个候选对象分别与所述目标主题的相关性,得到所述多个候选对象分别对应的相关性得分;
根据所述多个候选对象分别对应的标签,得到所有的标签;
根据所述多个候选对象的相关性得分,和所述多个候选对象分别对应的标签的数量,得到每个标签的得分;
按照所述标签的得分的大小、所述多个候选对象分别对应的标签以及多个候选对象分别对应的相关性得分,得到所述多个目标对象组。
可选的,所述按照所述标签的得分的大小、所述多个候选对象分别对应的标签以及多个候选对象分别对应的相关性得分,得到所述多个目标对象组,包括:
按照所述标签的得分从高到低的顺序,获取目标标签;
针对所述目标标签,获取所述目标标签对应的多个候选对象,所述候选对象对应的标签中包括所述目标标签;
按照所述多个候选对象分别对应的标签的数量以及多个候选对象分别对应的相关性得分,确定所述目标标签对应的目标对象组,其中,所述目标对象组中的每个目标对象对应的标签的数量不同,所述目标对象组中的多个目标候选对象按照标签的数量从少到多的顺序排列。
可选的,所述按照所述标签的得分从高到低的顺序,获取目标标签,包括:
按照所述标签的得分从高到低的顺序,依次获取下一个标签;
确定已经获取的目标对象组中的包括所述下一个标签的目标对象的数量大于或等于预设阈值;
则跳过所述下一个标签,继续返回执行所述按照所述标签的得分从高到低的顺序,依次获取下一个标签,直到已经获取的目标对象组中的包括所述下一个标签的目标对象的数量小于预设阈值,则确定所述下一个标签为所述目标标签。
可选的,所述按照所述多个目标候选对象分别对应的标签的数量以及多个候选对象分别对应的相关性得分,确定所述目标标签对应的目标对象组,包括:
按照所述多个候选对象分别对应的标签的数量,选择标签数量最多的预设数量的目标候选对象,其中,针对标签的数量相同的多个候选对象选择相关性最大的目标候选对象;
确定所述预设数量的目标候选对象为所述目标标签对应的目标对象组。
可选的,所述根据所述多个候选对象的相关性得分,和所述多个候选对象分别对应的标签的数量,得到每个标签的得分,包括:
针对每个标签,获取包含所述标签的所有候选对象;
针对包含所述标签的所有候选对象中的每个候选对象,获取所述候选对象的相关性得分与所述候选对象对应的标签的总数量的比值;
获取包含所述标签的所有候选对象分别对应的比值的和为所述标签的得分。
第二方面,本公开实施例提供一种对象推荐装置,包括:
候选对象获取模块,用于从对象数据库中获取与目标主题相关的多个候选对象,其中,每个候选对象对应至少一个标签;
目标对象组获取模块,用于根据所述多个候选对象分别与所述目标主题的相关性,以及所述多个候选对象分别对应的标签,得到多个目标对象组,其中,每个目标对象组对应一个目标标签,每个目标对象组中包含至少一个目标对象,所述至少一个目标对象分别对应的标签中均包括所述目标标签,所述至少一个目标对象按照预设顺序排列,所述预设顺序为排列在前的目标对象对应的标签的数量少于排列在后的目标对象对应的标签的数量;
推荐列表生成模块,用于根据所述多个目标对象组,生成推荐列表,所述推荐列表中包含所述多个目标对象组。
第三方面,本公开实施例提供一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面中任一所述的对象推荐方法。
第四方面,本公开实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面中任一所述的对象推荐方法。
第五方面,本公开实施例提供一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行如第一方面中任一项所述的方法的步骤。
本公开实施例提供的技术方案与现有技术相比具有如下优点:
本公开实施例提供的对象推荐方法、装置、电子设备、存储介质和程序产品,通过从对象数据库中获取与目标主题相关的多个候选对象,根据多个候选对象分别与目标主题的相关性,以及多个候选对象分别对应的标签,得到多个目标对象组,根据多个目标对象组,生成推荐列表,实现在有限推荐对象的场景下,按照推荐对象之间的语义相关性和语义递进关系将推荐对象整合为“组”,保持了每个目标对象组推荐对象的致性,提高了推荐对象的可读性,能够帮助用户更高效的使用推荐列表。
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。
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本公开实施例提供的一种对象推荐方法的流程示意图;
图2是本公开实施例提供的另一种对象推荐方法的流程示意图;
图3是本公开实施例提供的又一种对象推荐方法的流程示意图;
图4是本公开实施例提供的又一种对象推荐方法的流程示意图;
图5是本公开实施例提供的又一种对象推荐方法的流程示意图;
图6是本公开实施例提供的一种对象推荐装置的结构示意图;
图7是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
示例性地,本公开提供一种对象推荐方法、装置、电子设备、计算机存储介质以及计算机程序产品,通过在有限推荐对象的场景下,按照推荐对象之间的语义相关性和语义递进关系将推荐对象整合为“组”,保持了推荐对象的致性,提高了推荐对象的可读性,能够帮助用户更高效的使用推荐列表。
其中,本公开的对象推荐方法由电子设备或者电子设备中的应用程序、网页、公众号等来执行。电子设备可以是平板电脑、手机、可穿戴设备、车载设备、增强现实(augmentedreality,AR)/虚拟现实(virtual reality,VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、个人数字助理(personaldigitalassistant,PDA)、智能电视、智慧屏、高清电视、4K电视、智能音箱、智能投影仪等设备,本公开对电子设备的具体类型不作任何限制。
其中,本公开对电子设备的操作***的类型不做限定。例如,Android***、Linux***、Windows***、iOS***等。
基于前述描述,本公开以实施例将以电子设备为例,结合应用场景,对本公开提供的对象推荐方法进行详细阐述。
如图1所示,对象推荐方法包括:
S10、从对象数据库中获取与目标主题相关的多个候选对象,其中,每个候选对象对应至少一个标签。
具体的,对象数据库中的对象包括面试题集或视频集等。对象数据库中的对象包括视频集时,从对象数据库中获取与目标主题相关的多个候选视频的具体过程为,当对象数据库中的视频对应的标签与目标主题相关时,则当前视频作为与目标主题相关的一候选视频,视频对应的标签例如可以是视频事件。示例性的,若目标主题为人物历史,则从对象数据库中获取与人物历史相关的多个候选视频,每个候选视频至少包括人物历史事件。对象数据库中的对象包括面试题集时,从对象数据库中获取与目标主题相关的多个候选面试题的具体过程为,当对象数据库中的面试题对应的标签与目标主题相关时,则当前面试题作为与目标主题相关的一候选面试题,面试题对应的标签例如可以是考察点。示例性的,若目标主题为性格特征,则从对象数据库中获取与性格特征相关的多个候选面试题,每个候选面试题至少包括性格特征考察点。
S20、根据多个候选对象分别与目标主题的相关性,以及多个候选对象分别对应的标签,得到多个目标对象组。
其中,每个目标对象组对应一个目标标签,每个目标对象组中包含至少一个目标对象,至少一个目标对象分别对应的标签中均包括目标标签,至少一个目标对象按照预设顺序排列,预设顺序为排列在前的目标对象对应的标签的数量少于排列在后的目标对象对应的标签的数量。
当对象数据库中的对象包括面试题集,目标主题为性格特征,获取的多个候选对象为与性格特征相关的多个候选面试题,每个候选面试题对应至少一个标签为考察点。示例性的,从对象数据库中获取与性格特征相关的多个候选面试题的集合为Q{q1,q2,…,qi},其中qi为第i个候选面试题,其中1≤i≤n,每个候选面试题分别对应的考察点如下所示:
候选面试题q1:考察点1;
候选面试题q2:考察点1,考察点2;
…
候选面试题qn:考察点1-1,考察点1。
具体的,每个候选面试题对应的考察点表示该面试题考察面试者的技能,例如,考察点1考察面试者逻辑能力,考察点1考察面试者表达能力,考察点3考察面试者沟通能力,...等。通过不同候选面试题对应的考察点可以确定当前候选面试题与目标主题是否相关。
由于每个候选面试题可能与主题1具有相关性,也可能与主题2具有相关性,因此从对象数据库中获取的多个候选面试题与目标主题的相关性不同。示例性的,在目标主题对应的是主题1,候选面试题q1与目标主题的相关性为100%,候选面试题q2与目标主题的相关性为40%,当候选面试题q1和候选面试题q2与目标主题的相关性不同时,候选面试题q1和候选面试题q2与目标主题的相关性得分不相同。
根据多个候选面试题分别与目标主题的相关性,得到多个候选对象分别对应的相关性得分。具体的,与性格特征相关的多个候选面试题的集合为Q{q1,q2,…,qi},与该性格特征相关的多个候选面试题的相关性得分为S{s1,s2,…,si},其中,其中si为第i个候选面试题的相关性得分,则根据多个候选面试题的相关性得分,和多个候选面试题分别对应的考察点,得到多个目标候选面试题组的具体过程中为:首先从候选面试题中获取包括考察点1的候选面试题,然后从包括考察点1的候选面试题中确定目标候选面试题,将目标候选面试题作为一个目标候选面试题组。以此类推,依次从候选面试题中获取包括考察点2的候选面试题,然后从包括考察点2的候选面试题中确定目标候选面试题,将目标候选面试题作为一个目标候选面试题组,直至获取到最后一个考察点对应的目标候选面试题组。
示例性的,从候选面试题中获取的包括考察点1的候选面试题如下所示:
q1,[k1],100分;
q2,[k1,k2],110分;
q3,[k1,k3],105分;
q4,[k1,k2,k3],120分;
q5,[k1,k2,k4],155分。
其中,q1,[k1],100分表示候选面试题q1包括考察点1,且候选面试题q1与性格特征相关的相关性得分为100分,q2,[k1,k2],110分表示候选面试题q2包括考察点1和考察点2,且候选面试题q2与性格特征相关的相关性得分为110分,q3,[k1,k3],105分表示候选面试题q3包括考察点1和考察点3,且候选面试题q3与性格特征相关的相关性得分为105分,q4,[k1,k2,k3],120分表示候选面试题q4包括考察点1、考察点2和考察点3,且候选面试题q4与性格特征相关的相关性得分为120分,q5,[k1,k2,k4],155分表示候选面试题q5包括考察点1、考察点2和考察点4,且候选面试题q5与性格特征相关的相关性得分为155分。
从包括考察点1的候选面试题中确定目标候选面试题的具体过程为当包括考察点1的候选面试题中存在两个候选面试题均包括相同的考察点数量时,选择相关性得分高的候选面试题作为目标候选面试题,且将确定的目标候选面试题按照对应的考察点数量由少到多进行排序得到目标候选面试题组。因此,从包括考察点1的候选面试题中确定目标候选面试题组为[q1,q2,q5],此时确定的目标候选面试题组中对应的目标标签为k1即考察点1,目标对象为候选面试题q1、候选面试题q2和候选面试题q5,每个目标对象分别对应的标签中均包括目标标签,候选面试题q1对应的考察点中包括目标标签k1,候选面试题q2对应的考察点中包括目标标签k1,候选面试题q5对应的考察点中包括目标标签k1,目标面试题组q1、q2和q5按照对应的标签的数量从少到多进行排序。
需要说明的是,上述实施例示例性以获取的包括考察点1的候选面试题中存在具有相同考察点数量的候选面试题,当获取的包含考察点1的候选面试题中各候选面试题的考察点数量均不相同时,则直接根据候选面试题确定目标候选面试题。此外,上述实施例优选的在包含有相同考察点数量的候选面试题中选择候选面试题对应的目标主题的相关性得分较高的候选面试题作为目标候选面试题,在其它可实施方式中,也可以直接从具有相同考察点数量的候选面试题中获取一个候选面试题即可。
在得到一组目标面试题组后,获取下一组目标面试题组,从候选面试题中获取的包括考察点2的候选面试题如下所示:
q4,[k1,k2,k3],120分;
q6,[k2,k4,k5,k6],145分;
q7,[k2,k4,k5],145分;
q8,[k2],100分;
q9,[k2,k3,k5,k6],110分。
从包括考察点2的候选面试题中确定目标候选面试题的具体过程为当包括考察点2的候选面试题中存在两个候选面试题均包括相同的考察点数量时,选择相关性得分高的候选面试题作为目标候选面试题,且将确定的目标候选面试题按照对应的考察点数量由少到多进行排序得到目标候选面试题组。因此,从包括考察点2的候选面试题中确定目标候选面试题组为[q8,q7,q6],此时确定的目标候选面试题组中对应的目标标签为k2即考察点2,目标对象为候选面试题q8、候选面试题q7和候选面试题q6,每个目标对象分别对应的标签中均包括目标标签,候选面试题q8对应的考察点中包括目标标签k2,候选面试题q7对应的考察点中包括目标标签k2,候选面试题q6对应的考察点中包括目标标签k2,目标面试题组q8、q7和q6按照对应的标签的数量从少到多进行排序。
在得到包括考察点2的目标面试题组后,获取下一组目标面试题组,从候选面试题中获取的包括考察点3的候选面试题如下所示:
q3,[k1,k3],105分;
q4,[k1,k2,k3],120分;
q9,[k2,k3,k5,k6],110分;
q10,[k3,k5,k6],180分;
q11,[k3,k7],160分;
q13,[k3,k5,k7],200分;
q14,[k3,k5,k6,k7,k8],240分。
从包括考察点3的候选面试题中确定目标候选面试题的具体过程为当包括考察点3的候选面试题中存在两个候选面试题均包括相同的考察点数量时,选择相关性得分高的候选面试题作为目标候选面试题,且将确定的目标候选面试题按照对应的考察点数量由少到多进行排序得到目标候选面试题组。因此,从包括考察点3的候选面试题中确定目标候选面试题组为[q11,q13,q9,q14],此时确定的目标候选面试题组中对应的目标标签为k3即考察点3,目标对象为候选面试题q11、候选面试题q13、候选面试题q9和候选面试题q14,每个目标对象分别对应的标签中均包括目标标签,候选面试题q11对应的考察点中包括目标标签k3,候选面试题q13对应的考察点中包括目标标签k3,候选面试题q9对应的考察点中包括目标标签k3,候选面试题q14对应的考察点中包括目标标签k3,目标面试题组q11、q13、q9和q14,按照对应的标签的数量从少到多进行排序。
需要说明的是,在上述实施例中,从候选面试题中获取包括考察点2的候选面试题的过程中,候选面试题为剔除包括考察点1的目标候选面试题后组成的候选面试题,从候选面试题中获取包括考察点3的候选面试题的过程中,候选面试题为剔除包括考察点1的目标候选面试题以及剔除包括考察点2的目标候选面试题后组成的候选面试题。
S30、根据多个目标对象组,生成推荐列表,推荐列表中包含多个目标对象组。
在步骤S20中,得到的多个目标对象组分别是[q1,q2,q5]、[q8,q7,q6]和[q11,q13,q9,q14],根据多个目标对象组,生成推荐列表,此时,生成的推荐列表为Q1*={[q1,q2,q5],[q8,q7,q6],[q11,q13,q9,q14]}。
需要说明的是,上述实施例示例性以对象数据库包括面试题集,多个候选对象为候选面试题,每个候选对象对应的标签为考察点。在其它可实施方式中,当对象数据库包括视频集,则多个候选对象为候选视频,每个候选对象对应的标签为视频事件,本公开实施例不对对象数据库进行具体限定,进而对象推荐方法的适用场景可应用于视频推荐等。
本公开实施例提供的对象推荐方法,通过从对象数据库中获取与目标主题相关的多个候选对象,根据多个候选对象分别与目标主题的相关性,以及多个候选对象分别对应的标签,得到多个目标对象组,根据多个目标对象组,生成推荐列表,实现在有限推荐对象的场景下,按照推荐对象之间的语义相关性和语义递进关系将推荐对象整合为“组”,保持了每个目标对象组推荐对象的一致性,提高了推荐对象的可读性,能够帮助用户更高效的使用推荐列表。
图2是本公开实施例提供的另一种对象推荐方法的流程示意图,本实施例是在上述实施例的基础上,其中,步骤S20的一种可实现方式如下所示,包括:
S21、根据多个候选对象分别与目标主题的相关性,得到多个候选对象分别对应的相关性得分。
示例性的,当对象数据库中的对象包括面试题集,目标主题为性格特征,获取的多个候选对象为多个候选面试题,每个候选面试题对应至少一个考察点,且每个候选面试题对应的考察点中至少有一个考察点与性格特征的目标主题具有相关性,根据每个候选面试题与性格特征的相关性,得到每个候选面试题对应的相关性得分。示例性的,从对象数据库中获取与性格特征相关的多个候选面试题的集合为Q{q1,q2,…,qi},其中qi为第i个候选面试题的语义化向量,其中1≤i≤n,每个候选面试题有一个相关性得分S{s1,s2,…,si},其中,每一个候选面试题对应的相关性得分刻画了该候选面试题与性格特征的相关性。
S22、根据多个候选对象分别对应的标签,得到所有的标签。
当获取的多个候选对象为多个候选面试题,且每个候选面试题分别对应的标签如下所示:
候选面试题q1:考察点1;
候选面试题q2:考察点1,考察点3;
…
候选面试题qn:考察点1。
则通过将多个候选面试题分别对应的考察点取并集进而获取所有的考察点,示例性的,获取的所有考察点为K={k1,k2,…,kl},其中,k1为考察点1,kl为考察点1。
S23、根据多个候选对象的相关性得分,和多个候选对象分别对应的标签的数量,得到每个标签的得分。
可选的,针对每个标签,获取包含标签的所有候选对象。
示例性的,当获取的多个候选对象为多个候选面试题时,依次获取包括考察点1的所有候选面试题,包含考察点2的所有候选面试题,包含考察点3的所有候选面试题,至到获取到包含考察点1的所有候选面试题。
针对包含标签的所有候选对象中的每个候选对象,获取候选对象的相关性得分与候选对象对应的标签的总数量的比值。
示例性的,若获取的包含考察点1的所有候选面试题为候选面试题q1、候选面试题q2、候选面试题q2、候选面试题q4和候选面试题q5,且候选面试题q1对应的考察点的数量为1个相关性得分为100分,候选面试题q2对应的考察点的数量为2个相关性得分为110分,候选面试题q3对应的考察点的数量为2个相关性得分为105分,候选面试题q4对应的考察点的数量为3个相关性得分为120分,候选面试题q5对应的考察点的数量为3个相关性得分为155分,则获取的候选面试题q1的相关性得分与候选面试题q1对应的考察点的总数量的比值为100,获取的候选面试题q2的相关性得分与候选面试题q2对应的考察点的总数量的比值为110/2,获取的候选面试题q3的相关性得分与候选面试题q3对应的考察点的总数量的比值为105/2,获取的候选面试题q4的相关性得分与候选面试题q4对应的考察点的总数量的比值为120/3,获取的候选面试题q5的相关性得分与候选面试题q5对应的考察点的总数量的比值为155/3。以此类推,获取包含考察点2的所有候选面试题,以及各个包含考察点2的候选面试题对应的考察点数量以及各个候选面试题的相关性得分,然后获取包含考察点2的各个候选面试题的候选面试题的相关性得分与候选面试题对应的考察点的总数量的比值,直至最后一个考察点。
获取包含标签的所有候选对象分别对应的比值的和为标签的得分。
其中,sj是第j个候选对象的相关性得分,cj是第j个候选对象的标签的数量,1(ki∈mj)表示标签ki是否是第j个候选对象的标签。
具体的,考察点1对应的得分:
考察点2对应的得分:
考察点3对应的得分:
S24、按照标签的得分的大小、多个候选对象分别对应的标签以及多个候选对象分别对应的相关性得分,得到多个目标对象组。
具体的,若获取的考察点3对应的得分大于考察点1对应的得分,获取的考察点1对应的得分大于考察点2对应的得分,则首先从候选面试题中获取包括考察点3的候选面试题,然后从包括考察点3的候选面试题中根据多个候选面试题分别对应的标签以及多个候选面试题分别对应的相关性得分确定目标候选面试题,将确定的包括考察点3的目标候选面试题作为一个目标候选面试题组。以此类推,从包括考察点1的候选面试题中确定目标候选面试题,将确定的包括考察点1的目标候选面试题作为一个目标候选面试题组,最后从包括考察点2的候选面试题中确定目标候选面试题,将确定的包括考察点2的目标候选面试题作为一个目标候选面试题组。
在步骤S24中,首先获取考察点3对应的目标候选面试题组是[q11,q13,q9,q14],然后获取考察点1对应的目标候选面试题组是[q1,q2,q5],最后获取考察点2对应的目标候选面试题组是[q8,q7,q6],根据获取的多个目标候选面试题组,生成推荐列表,此时,生成的推荐列表为Q2*={[q11,q13,q9,q14],[q1,q2,q5],[q8,q7,q6]}。
本公开实施例提供的对象推荐方法,根据多个候选对象的相关性得分,和多个候选对象分别对应的标签的数量,得到每个标签的得分,然后按照标签的得分的大小、多个候选对象分别对应的标签以及多个候选对象分别对应的相关性得分,得到多个目标对象组,即按照标签的得分的大小,依次获取不同标签对应的目标对象组,
图3是本公开实施例提供的又一种对象推荐方法的流程示意图,本实施例是在图2对应的实施例的基础上,其中,步骤S24的一种可实现方式如下所示,包括:
S241、按照标签的得分从高到低的顺序,获取目标标签。
在步骤S23中获取到不同标签的得分后,按照标签的得分从高到低进行排序。示例性的,获取的考察点1对应的得分为:
获取的考察点2对应的得分:
考察点3对应的得分:
此时考察点3对应的得分大于考察点1对应的得分,考察点1对应的得分大于考察点2对应的得分,则标签的得分从高到低排序为考察点3、考察点1、考察点2,因此,首先将考察点3作为目标考察点,从候选面试题中获取考察点3对应的目标候选面试题,在确定考察点3对应的目标候选面试题组后,再将考察点1作为目标考察点,从候选面试题中获取考察点1对应的目标候选面试题,在确定考察点1对应的目标候选面试题组后,再将考察点2作为目标考察点,从候选面试题中获取考察点2对应的目标候选面试题。
S242、针对目标标签,获取目标标签对应的多个候选对象,候选对象对应的标签中包括目标标签。
当考察点3对应的得分大于考察点1对应的得分,考察点1对应的得分大于考察点2对应的得分时,根据考察点的得分从高到低的顺序,获取目标考察点,因此首先获取的目标考察点为考察点3,即首先从候选面试题中获取包括考察点3的候选面试题,然后从包括考察点3的候选面试题中选择目标候选面试题,将确定的包括考察点3的目标候选面试题作为一个目标候选面试题组。以此类推,根据各个考察点的得分从高到低的顺序,从包括考察点1的候选面试题中确定目标候选面试题,将确定的包括考察点1的目标候选面试题作为一个目标候选面试题组,最后从包括考察点2的候选面试题中确定目标候选面试题,将确定的包括考察点2的目标候选面试题作为一个目标候选面试题组。
示例性的,从候选面试题中获取的包括考察点3的候选面试题如下所示:
q3,[k1,k3],105分;
q4,[k1,k2,k3],120分;
q9,[k2,k3,k5,k6],110分;
q10,[k3,k5,k6],180分;
q11,[k3,k7],160分;
q13,[k3,k5,k7],200分;
q14,[k3,k5,k6,k7,k8],240分。
从候选面试题中获取的包括考察点1的候选面试题如下所示:
q1,[k1],100分;
q2,[k1,k2],110分;
q3,[k1,k3],105分;
q4,[k1,k2,k3],120分;
q5,[k1,k2,k4],155分。
从候选面试题中获取的包括考察点2的候选面试题如下所示:
q4,[k1,k2,k3],120分;
q6,[k2,k4,k5,k6],145分;
q7,[k2,k4,k5],145分;
q8,[k2],100分;
q9,[k2,k3,k5,k6],110分。
S243、按照多个目标候选对象分别对应的标签的数量以及多个候选对象分别对应的相关性得分,确定目标标签对应的目标对象组。
其中,目标对象组中的每个目标对象对应的标签的数量不同,目标对象组中的多个目标对象按照标签的数量从少到多的顺序排列。
从包括考察点3的候选面试题中确定目标候选面试题的具体过程为当包括考察点3的候选面试题中存在两个候选面试题均包括相同的考察点数量时,选择相关性得分高的候选面试题作为目标候选面试题,例如第三候选面试题q3和第十一候选面试题q11均包括两个考察点,此时第十一候选面试题q11的相关性得分大于第三候选面试题q3的相关性得分,则选择第十一候选面试题q3作为一目标候选面试题,而第四候选面试题q4、第十候选面试题q10和第十三候选面试题q13均包括三个考察点,此时第十三候选面试题q13的相关性得分大于第四候选面试题q4的相关性得分,大于第十候选面试题q10的相关性得分,则选择第十三候选面试题q13作为一目标候选面试题,且将确定的目标候选面试题按照对应的考察点数量由少到多进行排序得到目标候选面试题组。因此,从包括考察点3的候选面试题中确定目标候选面试题组为[q11,q13,q9,q14],其中,q11,q13,q9,q14为包括考察点3的目标候选面试题组中的目标候选对象。
当确定目标标签为考察点1时,采用上述的方法获取目标标签为考察点1时对应的目标对象组,当确定目标标签为考察点2时,采用上述的方法获取目标标签为考察点2时对应的目标对象组。
本公开实施例提供的对象推荐方法,首先按照标签的得分从高到低的顺序,获取目标标签,然后针对目标标签,获取目标标签对应的多个目标候选对象,按照多个目标候选对象分别对应的标签的数量以及多个候选对象分别对应的相关性得分,确定目标标签对应的目标对象组,即首先将标签得分较高的标签作为目标标签获取该目标标签对应的目标候选对象,进而保证推荐对象首先推荐标签得分较高的目标候选对象。
图4是本公开实施例提供的又一种对象推荐方法的流程示意图,本实施例是在图3对应的实施例的基础上,其中,步骤S241的一种可实现方式如下所示,包括:
S2411、按照标签的得分从高到低的顺序,依次获取下一个标签。
S2412、当已经获取的目标对象组中的包括下一个标签的目标对象的数量大于或等于预设阈值时,首先执行步骤S2413,然后返回执行步骤S2411,否则执行步骤S2414。
S2413、跳过下一个标签。
S2414、确定下一个标签为目标标签。
具体的,从包括考察点3的候选面试题中确定目标候选面试题组为[q11,q13,q9,q14],此时按照考察点的得分从高到低的顺序,获取的下一个考察点为考察点1对应的目标候选面试题组,若已经获取的包括考察点3目标候选面试题组中包括考察点1的目标候选面试题的数量大于或等于预设阈值时,则跳过考察点1作为目标标签确定目标候选面试题组,若已经获取的包括考察点3目标候选面试题组中包括考察点1的目标候选面试题的数量小于预设阈值时,则确定考察点1作为目标标签确定目标候选面试题组。
示例性的,若设置预设阈值为2时,从包括考察点3的候选面试题中确定目标候选面试题组为[q11,q13,q9,q14],此时按照考察点的得分从高到低的顺序,获取的下一个考察点为考察点1对应的目标候选面试题组,由于包括考察点3的目标候选面试题组中包括考察点1的目标候选面试题的数量为0个,因此,确定考察点1作为下一个目标标签。从包括考察点1的候选面试题中确定目标候选面试题组为[q1,q2,q5],此时按照考察点的得分从高到低的顺序,获取的下一个考察点为考察点2对应的目标候选面试题组,由于包括考察点1的目标候选面试题组中包括考察点2的目标候选面试题的数量为2个,因此,跳过考察点2作为目标标签。
则此时,根据多个目标面试题组,生成推荐列表为:Q3*={[q11,q13,q9,q14],[q1,q2,q5])。
本公开实施例提供的对象推荐方法,通过判断已经获取的目标对象组中的包括下一个标签的目标对象的数量与预设阈值的关系,进而确定下一个标签是否可以作为目标标签,当已经获取的目标对象组中的包括下一个标签的目标对象的数量大于或等于预设阈值时,跳过下一个标签作为目标标签,提高了推荐对象的可读性。
图5是本公开实施例提供的又一种对象推荐方法的流程示意图,本实施例是在图3或图4对应的实施例的基础上,图5示例性表示在图3对应的实施例的基础上的一种对象推荐方法的流程示意图,其中,步骤S243的一种可实现方式如下所示,包括:
S2431、按照多个目标候选对象分别对应的标签的数量,选择标签数量最多的预设数量的目标候选对象。
示例性的,若从候选面试题中获取的包括考察点3的候选面试题如下所示:
q3,[k1,k3],105分;
q4,[k1,k2,k3],120分;
q9,[k2,k3,k5,k6],110分;
q10,[k3,k5,k6],180分;
q11,[k3,k7],160分;
q13,[k3,k5,k7],200分;
q14,[k3,k5,k6,k7,k8],240分。
如上所示,第三候选面试题q3和第十一候选面试题q11均包括两个考察点,此时第十一候选面试题q11的相关性得分大于第三候选面试题q3的相关性得分,则选择第十一候选面试题q3作为一目标候选面试题,而第四候选面试题q4、第十候选面试题q10和第十三候选面试题q13均包括三个考察点,此时第十三候选面试题q13的相关性得分大于第四候选面试题q4的相关性得分,大于第十候选面试题q10的相关性得分,则选择第十三候选面试题q13作为一目标候选面试题,则此时确定的面试题候选面试题组为[q11,q13,q9,q14]。
确定的候选面试题组为[q11,q13,q9,q14],若设置每个目标候选面试题组包括的目标候选面试题个数为三个,则根据确定的目标候选面试题组中每一个目标候选面试题分别对应的考察点的数量,选择考察点数量最多的预设数量的目标候选面试题。示例性的,由于目标候选面试题q11对应的考察点的数量,小于目标候选面试题q13对应的考察点的数量,小于目标候选面试题q9对应的考察点的数量,小于目标候选面试题q14对应的考察点的数量,则,确定的包括考察点3的目标候选面试题组为[q13,q9,q14]。
S2432、确定预设数量的目标候选对象为目标标签对应的目标对象组。
此时目标标签为考察点3对应的目标面试题组为[q13,q9,q14],则最终生成的推荐列表为Q4*={[q13,q9,q14],[q1,q2,q5]}。
本公开实施例提供的对象推荐方法,按照多个候选对象分别对应的标签的数量,选择标签数量最多的预设数量的目标候选对象,进而保证对象推荐列表中目标对象包括的目标标签较多,保证用户更高效的使用推荐列表。
图6是本公开实施例提供一种对象推荐装置的结构示意图,如图6所示,对象推荐装置包括:
候选对象获取模块710,用于从对象数据库中获取与目标主题相关的多个候选对象,其中,每个候选对象对应至少一个标签;
目标对象组获取模块720,用于根据多个候选对象分别与目标主题的相关性,以及多个候选对象分别对应的标签,得到多个目标对象组,其中,每个目标对象组对应一个目标标签,每个目标对象组中包含至少一个目标对象,至少一个目标对象分别对应的标签中均包括目标标签,至少一个目标对象按照预设顺序排列,预设顺序为排列在前的目标对象对应的标签的数量少于排列在后的目标对象对应的标签的数量;
推荐列表生成模块730,用于根据多个目标对象组,生成推荐列表,推荐列表中包含多个目标对象组。
可选的,还包括:
相关性得分获取单元,用于根据多个候选对象分别与目标主题的相关性,得到多个候选对象分别对应的相关性得分;
第一标签获取单元,用于根据多个候选对象分别对应的标签,得到所有的标签;
标签得分确定单元,用于根据多个候选对象的相关性得分,和多个候选对象分别对应的标签的数量,得到每个标签的得分;
目标对象组获取单元,用于按照标签的得分的大小、多个候选对象分别对应的标签以及多个候选对象分别对应的相关性得分,得到多个目标对象组。
可选的,还包括:
目标标签确定单元,用于按照标签的得分从高到低的顺序,获取目标标签;
候选对象获取单元,用于针对目标标签,获取目标标签对应的多个候选对象,候选对象对应的标签中包括目标标签;
目标对象组确定单元,用于按照多个候选对象分别对应的标签的数量以及多个候选对象分别对应的相关性得分,确定目标标签对应的目标对象组,其中,目标对象组中的每个目标对象对应的标签的数量不同,目标对象组中的多个目标候选对象按照标签的数量从少到多的顺序排列。
可选的,还包括:
第二标签获取单元,用于按照标签的得分从高到低的顺序,依次获取下一个标签;
标签数量确定单元,用于确定已经获取的目标对象组中的包括下一个标签的目标对象的数量大于或等于预设阈值;
循环单元,则跳过下一个标签,继续返回执行按照标签的得分从高到低的顺序,依次获取下一个标签,直到已经获取的目标对象组中的包括下一个标签的目标对象的数量小于预设阈值,则确定下一个标签为目标标签。
可选的,还包括:
目标候选对象选择单元,用于按照多个候选对象分别对应的标签的数量,选择标签数量最多的预设数量的目标候选对象,其中,针对标签的数量相同的多个候选对象选择相关性最大的目标候选对象;
目标对象组数量确定单元,用于确定预设数量的目标候选对象为目标标签对应的目标对象组。
可选的,还包括:
目标标签对应的候选对象获取单元,用于针对每个标签,获取包含标签的所有候选对象;
比值获取单元,用于针对包含标签的所有候选对象中的每个候选对象,获取候选对象的相关性得分与候选对象对应的标签的总数量的比值;
标签得分计算单元,用于获取包含标签的所有候选对象分别对应的比值的和为标签的得分。
值得注意的是,上述对象推荐装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本发明实施例所提供的对象推荐装置可执行本发明任意实施例所提供的对象推荐方法,具备执行方法相应的功能模块和有益效果。
图7是本公开实施例提供的一种电子设备的结构示意图,如图7所示,该电子设备包括处理器810、存储器820、输入装置830和输出装置840;电子设备中处理器810的数量可以是一个或多个,图7中以一个处理器810为例;电子设备中的处理器810、存储器820、输入装置830和输出装置840可以通过总线或其他方式连接,图7中以通过总线连接为例。
存储器820作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的对象推荐方法对应的程序指令/模块。处理器810通过运行存储在存储器820中的软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现本发明实施例所提供的对象存储方法。
存储器820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;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器820可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器820可进一步包括相对于处理器810远程设置的存储器,这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置830可用于接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入,可以包括键盘、鼠标等,输出装置840可包括显示屏等显示设备。
本公开实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于实现本发明实施例所提供的对象推荐方法。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的对象推荐方法中的相关操作。
本公开提供还一种计算机程序产品,当计算机程序产品在计算机上运行时,使得计算机执行前文实施例的应用程序的对象推荐方法。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种对象推荐方法,其特征在于,包括:
从对象数据库中获取与目标主题相关的多个候选对象,其中,每个候选对象对应至少一个标签;
根据所述多个候选对象分别与所述目标主题的相关性,以及所述多个候选对象分别对应的标签,得到多个目标对象组,其中,每个目标对象组对应一个目标标签,每个目标对象组中包含至少一个目标对象,所述至少一个目标对象分别对应的标签中均包括所述目标标签,所述至少一个目标对象按照预设顺序排列,所述预设顺序为排列在前的目标对象对应的标签的数量少于排列在后的目标对象对应的标签的数量;
根据所述多个目标对象组,生成推荐列表,所述推荐列表中包含所述多个目标对象组。
2.根据权利要求1所述的方法,其特征在于,所述根据所述多个候选对象分别与所述目标主题的相关性,以及所述多个候选对象分别对应的标签,得到多个目标对象组,包括:
根据所述多个候选对象分别与所述目标主题的相关性,得到所述多个候选对象分别对应的相关性得分;
根据所述多个候选对象分别对应的标签,得到所有的标签;
根据所述多个候选对象的相关性得分,和所述多个候选对象分别对应的标签的数量,得到每个标签的得分;
按照所述标签的得分的大小、所述多个候选对象分别对应的标签以及多个候选对象分别对应的相关性得分,得到所述多个目标对象组。
3.根据权利要求2所述的方法,其特征在于,所述按照所述标签的得分的大小、所述多个候选对象分别对应的标签以及多个候选对象分别对应的相关性得分,得到所述多个目标对象组,包括:
按照所述标签的得分从高到低的顺序,获取目标标签;
针对所述目标标签,获取所述目标标签对应的多个候选对象,所述候选对象对应的标签中包括所述目标标签;
按照所述多个候选对象分别对应的标签的数量以及多个候选对象分别对应的相关性得分,确定所述目标标签对应的目标对象组,其中,所述目标对象组中的每个目标对象对应的标签的数量不同,所述目标对象组中的多个目标候选对象按照标签的数量从少到多的顺序排列。
4.根据权利要求3所述的方法,其特征在于,所述按照所述标签的得分从高到低的顺序,获取目标标签,包括:
按照所述标签的得分从高到低的顺序,依次获取下一个标签;
确定已经获取的目标对象组中的包括所述下一个标签的目标对象的数量大于或等于预设阈值;
则跳过所述下一个标签,继续返回执行所述按照所述标签的得分从高到低的顺序,依次获取下一个标签,直到已经获取的目标对象组中的包括所述下一个标签的目标对象的数量小于预设阈值,则确定所述下一个标签为所述目标标签。
5.根据权利要求3或4所述的方法,其特征在于,所述按照所述多个目标候选对象分别对应的标签的数量以及多个候选对象分别对应的相关性得分,确定所述目标标签对应的目标对象组,包括:
按照所述多个候选对象分别对应的标签的数量,选择标签数量最多的预设数量的目标候选对象,其中,针对标签的数量相同的多个候选对象选择相关性最大的目标候选对象;
确定所述预设数量的目标候选对象为所述目标标签对应的目标对象组。
6.根据权利按要求2-4任一项所述的方法,其特征在于,所述根据所述多个候选对象的相关性得分,和所述多个候选对象分别对应的标签的数量,得到每个标签的得分,包括:
针对每个标签,获取包含所述标签的所有候选对象;
针对包含所述标签的所有候选对象中的每个候选对象,获取所述候选对象的相关性得分与所述候选对象对应的标签的总数量的比值;
获取包含所述标签的所有候选对象分别对应的比值的和为所述标签的得分。
7.一种对象推荐装置,其特征在于,包括:
候选对象获取模块,用于从对象数据库中获取与目标主题相关的多个候选对象,其中,每个候选对象对应至少一个标签;
目标对象组获取模块,用于根据所述多个候选对象分别与所述目标主题的相关性,以及所述多个候选对象分别对应的标签,得到多个目标对象组,其中,每个目标对象组对应一个目标标签,每个目标对象组中包含至少一个目标对象,所述至少一个目标对象分别对应的标签中均包括所述目标标签,所述至少一个目标对象按照预设顺序排列,所述预设顺序为排列在前的目标对象对应的标签的数量少于排列在后的目标对象对应的标签的数量;
推荐列表生成模块,用于根据所述多个目标对象组,生成推荐列表,所述推荐列表中包含所述多个目标对象组。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1~6中任一所述的对象推荐方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1~6中任一所述的对象推荐方法。
10.一种计算机程序产品,其特征在于,当所述计算机程序产品在计算机上运行时,使得所述计算机执行如权利要求1-6任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110975484.1A CN113656697B (zh) | 2021-08-24 | 2021-08-24 | 对象推荐方法、装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110975484.1A CN113656697B (zh) | 2021-08-24 | 2021-08-24 | 对象推荐方法、装置、电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113656697A true CN113656697A (zh) | 2021-11-16 |
CN113656697B CN113656697B (zh) | 2023-12-12 |
Family
ID=78481787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110975484.1A Active CN113656697B (zh) | 2021-08-24 | 2021-08-24 | 对象推荐方法、装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113656697B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103631823A (zh) * | 2012-08-28 | 2014-03-12 | 腾讯科技(深圳)有限公司 | 一种媒体内容推荐方法及设备 |
CN106250513A (zh) * | 2016-08-02 | 2016-12-21 | 西南石油大学 | 一种基于事件建模的事件个性化分类方法及*** |
US20170300504A1 (en) * | 2015-01-07 | 2017-10-19 | Alibaba Group Holding Limited | Method and apparatus for managing region tag |
CN110837894A (zh) * | 2019-10-28 | 2020-02-25 | 腾讯科技(深圳)有限公司 | 一种特征处理方法、装置及存储介质 |
WO2020103183A1 (en) * | 2018-11-22 | 2020-05-28 | Beijing Didi Infinity Technology And Development Co., Ltd. | System and method for constructing database |
CN111651669A (zh) * | 2020-05-20 | 2020-09-11 | 拉扎斯网络科技(上海)有限公司 | 信息推荐方法、装置、电子设备和计算机可读存储介质 |
CN111708950A (zh) * | 2020-06-22 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置及电子设备 |
KR102160600B1 (ko) * | 2019-03-25 | 2020-09-28 | 주식회사 핀인사이트 | 사용자 반응 향상을 위한 해시태그 추천 방법, 장치 및 컴퓨터-판독가능기록매체 |
CN112100524A (zh) * | 2020-09-17 | 2020-12-18 | 北京百度网讯科技有限公司 | 一种信息推荐的方法、装置、设备以及存储介质 |
CN112148994A (zh) * | 2020-10-23 | 2020-12-29 | 腾讯科技(深圳)有限公司 | 信息推送效果评估方法、装置、电子设备及存储介质 |
CN113641915A (zh) * | 2021-08-27 | 2021-11-12 | 北京字跳网络技术有限公司 | 对象的推荐方法、装置、设备、存储介质和程序产品 |
-
2021
- 2021-08-24 CN CN202110975484.1A patent/CN113656697B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103631823A (zh) * | 2012-08-28 | 2014-03-12 | 腾讯科技(深圳)有限公司 | 一种媒体内容推荐方法及设备 |
US20170300504A1 (en) * | 2015-01-07 | 2017-10-19 | Alibaba Group Holding Limited | Method and apparatus for managing region tag |
CN106250513A (zh) * | 2016-08-02 | 2016-12-21 | 西南石油大学 | 一种基于事件建模的事件个性化分类方法及*** |
WO2020103183A1 (en) * | 2018-11-22 | 2020-05-28 | Beijing Didi Infinity Technology And Development Co., Ltd. | System and method for constructing database |
KR102160600B1 (ko) * | 2019-03-25 | 2020-09-28 | 주식회사 핀인사이트 | 사용자 반응 향상을 위한 해시태그 추천 방법, 장치 및 컴퓨터-판독가능기록매체 |
CN110837894A (zh) * | 2019-10-28 | 2020-02-25 | 腾讯科技(深圳)有限公司 | 一种特征处理方法、装置及存储介质 |
CN111651669A (zh) * | 2020-05-20 | 2020-09-11 | 拉扎斯网络科技(上海)有限公司 | 信息推荐方法、装置、电子设备和计算机可读存储介质 |
CN111708950A (zh) * | 2020-06-22 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置及电子设备 |
CN112100524A (zh) * | 2020-09-17 | 2020-12-18 | 北京百度网讯科技有限公司 | 一种信息推荐的方法、装置、设备以及存储介质 |
CN112148994A (zh) * | 2020-10-23 | 2020-12-29 | 腾讯科技(深圳)有限公司 | 信息推送效果评估方法、装置、电子设备及存储介质 |
CN113641915A (zh) * | 2021-08-27 | 2021-11-12 | 北京字跳网络技术有限公司 | 对象的推荐方法、装置、设备、存储介质和程序产品 |
Non-Patent Citations (3)
Title |
---|
刘志;林振涛;鄢致雯;陈波;: "基于属性偏好自学习的推荐方法", 浙江工业大学学报, no. 02, pages 46 - 52 * |
胡德敏, 杨晨: "一种基于多类型情景信息的兴趣点推荐模型", 计算机应用研究, vol. 35, no. 06, pages 1636 - 1640 * |
颛悦;熊锦华;程学旗;: "一种融合个性化与多样性的人物标签推荐方法", 中文信息学报, no. 02, pages 159 - 167 * |
Also Published As
Publication number | Publication date |
---|---|
CN113656697B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20170329630A1 (en) | Personal digital assistant | |
CN111125435B (zh) | 视频标签的确定方法、装置和计算机设备 | |
CN111753094B (zh) | 事件知识图谱的构建方法、装置及事件确定方法、装置 | |
CN111695960A (zh) | 一种对象推荐***、方法、电子设备及存储介质 | |
CN113220734A (zh) | 课程推荐方法、装置、计算机设备及存储介质 | |
CN111291258A (zh) | 搜索热词的推荐方法、装置、电子设备及可读介质 | |
CN113220393A (zh) | 显示方法、装置和电子设备 | |
CN107729491B (zh) | 提高题目答案搜索的准确率的方法、装置及设备 | |
CN110264283B (zh) | 一种推广资源展示方法及装置 | |
CN110059172B (zh) | 基于自然语言理解的推荐答案的方法和装置 | |
CN114722292A (zh) | 书籍搜索方法、装置、设备和存储介质 | |
CN113591881B (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
CN110427496B (zh) | 用于文本处理的知识图谱扩充方法及装置 | |
CN112306452A (zh) | 归并排序算法处理业务数据的方法、装置及*** | |
US20170161322A1 (en) | Method and electronic device for searching resource | |
CN111143660A (zh) | 知识平台的智能推荐方法、装置及计算机可读存储介质 | |
CN109344327B (zh) | 用于生成信息的方法和装置 | |
CN111062449A (zh) | 预测模型的训练方法、兴趣度预测方法、装置和存储介质 | |
CN112883218A (zh) | 一种图文联合表征的搜索方法、***、服务器和存储介质 | |
CN113656697A (zh) | 对象推荐方法、装置、电子设备、存储介质和程序产品 | |
CN113515701A (zh) | 信息推荐方法及装置 | |
CN112182107B (zh) | 名单数据获取方法、装置、计算机设备及存储介质 | |
CN114547116A (zh) | 一种数据推送方法、装置、设备和介质 | |
CN113704608A (zh) | 个性化项目推荐方法、装置、电子设备及存储介质 | |
CN113704623A (zh) | 一种数据推荐方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant |