CN113761335A - 资源处理方法和装置 - Google Patents
资源处理方法和装置 Download PDFInfo
- Publication number
- CN113761335A CN113761335A CN202011306008.2A CN202011306008A CN113761335A CN 113761335 A CN113761335 A CN 113761335A CN 202011306008 A CN202011306008 A CN 202011306008A CN 113761335 A CN113761335 A CN 113761335A
- Authority
- CN
- China
- Prior art keywords
- resource
- weight value
- resources
- preset
- utilization rate
- 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
- 238000003672 processing method Methods 0.000 title abstract description 10
- 238000012545 processing Methods 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 29
- 230000006399 behavior Effects 0.000 claims description 18
- 238000010801 machine learning Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供一种资源处理方法和装置。资源处理方法包括:获取与预设目标相关且当前处于投放状态的资源;检测预设条件是否成立,其中预设条件包括资源的领取量大于领取阈值、资源的使用率小于使用率阈值;若预设条件不成立,则检测是否利用权重值预测模型对资源的特征信息进行处理以得到资源的权重值;若已得到资源的权重值,则在资源的权重值大于预设的权重值阈值的情况下,将资源推荐给用户。本公开能够将优质资源提供给用户。
Description
技术领域
本公开涉及信息处理领域,特别涉及一种资源处理方法和装置。
背景技术
在相关技术中,通过网络给用户提供各种类型的资源,以便用户利用所接收到的资源完成相应的业务操作。
发明内容
发明人通过研究发现,推荐给用户的部分资源被不会被用户所使用,在浪费资源的同时也无法提升用户的使用体验。
据此,本公开提供一种资源处理方案,能够将优质资源提供给用户,从而提升用户的使用体验。
根据本公开实施例的第一方面,提供一种资源处理方法,包括:获取与预设目标相关且当前处于投放状态的资源;检测预设条件是否成立,其中所述预设条件包括所述资源的领取量大于领取阈值、所述资源的使用率小于使用率阈值;若所述预设条件不成立,则检测是否利用权重值预测模型对所述资源的特征信息进行处理以得到所述资源的权重值;若已得到所述资源的权重值,则在所述资源的权重值大于预设的权重值阈值的情况下,将所述资源推荐给用户。
在一些实施例中,若未得到所述资源的权重值,则检测所述资源的使用率是否大于0;若所述资源的使用率大于0,则在所述资源的使用率大于预设的使用率阈值的情况下,将所述资源推荐给所述用户。
在一些实施例中,若所述资源的使用率不大于0,则在所述资源的节省率大于预设的节省率阈值的情况下,将所述资源推荐给所述用户。
在一些实施例中,若所述预设条件成立,则不将所述资源推荐给所述用户。
在一些实施例中,在获取所述资源后,检测所述资源的标签;若所述资源的标签为第一标签,则将所述资源推荐给所述用户;若所述资源的标签为第二标签,则不将所述资源推荐给所述用户。
在一些实施例中,所述资源的标签通过以下步骤确定:获取当前处于投放状态的全部资源中的每个资源的历史行为数据和投放属性数据;根据所述历史行为数据和所述属性数据,利用无监督学习算法对所述全部资源进行分类处理,以得到第一聚类集合和第二聚类集合;在所述第一聚类集合的聚类中心所对应的历史行为数据优于所述第二聚类集合的聚类中心所对应的历史行为数据的情况下,给所述第一聚类集合中的每个资源添加第一标签,给所述第二聚类集合中的每个资源添加第二标签。
在得到所述资源的权重值后,对所述资源的权重值进行修正,其中在所述资源的使用量大于使用量阈值、所述资源的使用率大于所述使用率阈值、且所述资源的使用率与所述资源的权重值之差大于差值阈值,则将所述资源的使用率作为修正后的权重值。
在一些实施例中,上述方法还包括对机器学习模型进行训练以得到权重值预测模型,包括:提取历史资源的特征信息;利用机器学习模型对所述历史资源的特征信息进行处理,以得到相应的权重值;将所述权重值和所述历史资源的使用率之差作为损失函数;根据所述损失函数对所述机器学习模型进行训练,以得到权重值预测模型。
在一些实施例中,所述历史资源的特征信息包括所述资源的类别特征、所述资源的额度特征、所述资源的限额特征、所述资源的折扣率特征、所述资源的约束条件特征、或所述资源的目标属性特征中的至少一项。
在一些实施例中,所述机器学习模型为梯度提升决策树模型。
根据本公开实施例的第二方面,提供一种资源处理装置,包括:资源获取模块,被配置为获取与预设目标相关且当前处于投放状态的资源;第一检测模块,被配置为检测预设条件是否成立,其中所述预设条件包括所述资源的领取量大于领取阈值、所述资源的使用率小于使用率阈值;第二检测模块,被配置为若所述预设条件不成立,则检测是否利用权重值预测模型对所述资源的特征信息进行处理以得到所述资源的权重值;资源处理模块,被配置为若已得到所述资源的权重值,则在所述资源的权重值大于预设的权重值阈值的情况下,将所述资源推荐给用户。
根据本公开实施例的第三方面,提供一种资源处理装置,包括:存储器,被配置为存储指令;处理器,耦合到存储器,处理器被配置为基于存储器存储的指令执行实现如上述任一实施例所述的方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其中,计算机可读存储介质存储有计算机指令,指令被处理器执行时实现如上述任一实施例涉及的方法。
通过以下参照附图对本公开的示例性实施例的详细描述,本公开的其它特征及其优点将会变得清楚。
附图说明
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,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开一个实施例的资源处理方法的流程示意图;
图2为本公开另一个实施例的资源处理方法的流程示意图;
图3为本公开一个实施例的预测模型训练方法的流程示意图;
图4为本公开一个实施例的资源处理装置的结构示意图;
图5为本公开另一个实施例的资源处理装置的结构示意图;
图6为本公开另一个实施例的资源处理装置的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
图1为本公开一个实施例的资源处理方法的流程示意图。在一些实施例中,下列的资源处理方法步骤由资源处理装置执行。
在步骤取与预设目标相关且当前处于投放状态的资源。
在步骤102,检测预设条件是否成立,其中预设条件包括资源的领取量大于领取阈值、资源的使用率小于使用率阈值。
在步骤103,若预设条件不成立,则检测是否利用权重值预测模型对资源的特征信息进行处理以得到资源的权重值。
在步骤104,若已得到资源的权重值,则在资源的权重值大于预设的权重值阈值的情况下,将资源推荐给用户。
这里需要说明的是,若第一资源的领取量为1万次,使用量为1千次,则第一资源的使用率为10%。而第二资源的领取量为10次,使用量为1次,相应的使用率也为10%。因此若仅考虑资源的使用率,则可能会出现误判的情况。为此,本公开同时考虑资源的领取量和使用率。
图2为本公开另一个实施例的资源处理方法的流程示意图。在一些实施例中,下列的资源处理方法步骤由资源处理装置执行。
在步骤201,获取与预设目标相关且当前处于投放状态的资源。
在步骤202,检测预设条件是否成立。预设条件包括资源的领取量大于领取阈值、资源的使用率小于使用率阈值。
若预设条件不成立,则执行步骤203;若预设条件成立,则执行步骤208。
在步骤203,检测是否利用权重值预测模型对资源的特征信息进行处理以得到资源的权重值。
若已得到资源的权重值,则执行步骤204;若未得到资源的权重值,则执行步骤205。
在步骤204,将资源放入第一资源集合中,在资源的权重值大于预设的权重值阈值的情况下,将资源推荐给用户。
在步骤205,检测资源的使用率是否大于0。
若资源的使用率大于0,则执行步骤206;若资源的使用率不大于0,则执行步骤207。
在步骤206,将资源放入第二资源集合中,在资源的使用率大于预设的使用率阈值的情况下,将资源推荐给用户。
在步骤207,将资源放入第三资源集合中,在资源的节省率大于预设的节省率阈值的情况下,将资源推荐给所述用户。
在步骤208,将资源放入第四资源集合中,并不将资源推荐给用户。
在一些实施例中,在获取资源后,检测资源的标签。若资源的标签为第一标签,则将资源放入第一资源集合中,并将该资源推荐给用户。若资源的标签为第二标签,则将资源放入第四资源集合中,并不将该资源推荐给用户。
在一些实施例中,资源的标签通过以下步骤确定:获取当前处于投放状态的全部资源中的每个资源的历史行为数据和投放属性数据。例如,历史行为数据包括曝光量、点击量、领取量、使用量和使用率中的至少一项。投放属性数据包括投放时长或投放数量中的至少一项。
接下来,根据历史行为数据和属性数据,利用无监督学习算法对全部资源进行分类处理,以得到第一聚类集合和第二聚类集合。例如,无监督学习算法为聚类算法。
在第一聚类集合的聚类中心所对应的历史行为数据优于第二聚类集合的聚类中心所对应的历史行为数据的情况下,给第一聚类集合中的每个资源添加第一标签,给第二聚类集合中的每个资源添加第二标签。
在一些实施例中,在得到资源的权重值后,对资源的权重值进行修正。若资源的使用量大于使用量阈值、资源的使用率大于使用率阈值、且资源的使用率与资源的权重值之差大于差值阈值,则将资源的使用率作为修正后的权重值。
图3为本公开一个实施例的预测模型训练方法的流程示意图。在一些实施例中,下列的预测模型训练方法步骤由资源处理装置执行。
在步骤301,提取历史资源的特征信息。
在一些实施例中,历史资源的特征信息包括历史资源的类别特征、历史资源的额度特征、历史资源的限额特征、历史资源的折扣率特征、历史资源的约束条件特征、历史或资源的目标属性特征中的至少一项。
在步骤302,利用机器学习模型对历史资源的特征信息进行处理,以得到相应的权重值。
在一些实施例中,机器学习模型为GBDT(Gradient Boosting Decision Tree,梯度提升决策树)模型。
在步骤303,将权重值和历史资源的使用率之差作为损失函数。
在步骤304,根据损失函数对机器学习模型进行训练,以得到权重值预测模型。
图4为本公开一个实施例的资源处理装置的结构示意图。如图4所示,资源处理装置包括资源获取模块41、第一检测模块42、第二检测模块43和资源处理模块44。
资源获取模块41被配置为获取与预设目标相关且当前处于投放状态的资源。
第一检测模块42被配置为检测预设条件是否成立,其中预设条件包括资源的领取量大于领取阈值、资源的使用率小于使用率阈值。
第二检测模块43被配置为若预设条件不成立,则检测是否利用权重值预测模型对资源的特征信息进行处理以得到资源的权重值。
资源处理模块44被配置为若已得到资源的权重值,则在资源的权重值大于预设的权重值阈值的情况下,将资源推荐给用户。
在一些实施例中,第二检测模块44还被配置为若未得到资源的权重值,则检测资源的使用率是否大于0。若资源的使用率大于0,则资源处理模块44将资源放入第二资源集合中,在资源的使用率大于预设的使用率阈值的情况下,将资源推荐给用户。若资源的使用率不大于0,则资源处理模块44将资源放入第三资源集合中,在资源的节省率大于预设的节省率阈值的情况下,将资源推荐给用户。
在一些实施例中,若预设条件成立,则资源处理模块44将资源放入第四资源集合中,且不将资源推荐给用户。
在一些实施例中,在获取资源后,资源处理模块44检测资源的标签。若资源的标签为第一标签,则资源处理模块44将资源放入第一资源集合中,并将资源推荐给用户。若资源的标签为第二标签,则资源处理模块64将资源放入第四资源集合中,并不将资源推荐给用户。
在一些实施例中,资源处理模块44通过以下操作确定资源的标签。获取当前处于投放状态的全部资源中的每个资源的历史行为数据和投放属性数据。例如,历史行为数据包括曝光量、点击量、领取量、使用量和使用率中的至少一项。投放属性数据包括投放时长或投放数量中的至少一项。接下来,根据历史行为数据和属性数据,利用无监督学习算法对全部资源进行分类处理,以得到第一聚类集合和第二聚类集合。例如,无监督学习算法为聚类算法。在第一聚类集合的聚类中心所对应的历史行为数据优于第二聚类集合的聚类中心所对应的历史行为数据的情况下,给第一聚类集合中的每个资源添加第一标签,给第二聚类集合中的每个资源添加第二标签。
在一些实施例中,资源处理模块44在得到资源的权重值后,对资源的权重值进行修正。若资源的使用量大于使用量阈值、资源的使用率大于使用率阈值、且资源的使用率与资源的权重值之差大于差值阈值,则将资源的使用率作为修正后的权重值。
图5为本公开另一个实施例的资源处理装置的结构示意图。图5与图4的不同之处在于,在图5所示实施例中,资源处理装置还包括训练模块45。
训练模块45提取历史资源的特征信息,利用机器学习模型对历史资源的特征信息进行处理,以得到相应的权重值。训练模块45将权重值和历史资源的使用率之差作为损失函数,并根据损失函数对机器学习模型进行训练,以得到权重值预测模型。
在一些实施例中,历史资源的特征信息包括历史资源的类别特征、历史资源的额度特征、历史资源的限额特征、历史资源的折扣率特征、历史资源的约束条件特征、历史或资源的目标属性特征中的至少一项。
在一些实施例中,机器学习模型为GBDT模型。
图6为本公开一个实施例的资源处理装置的结构示意图。如图6所示,预测模型训练装置包括存储器61和处理器62。
存储器61用于存储指令,处理器62耦合到存储器61,处理器62被配置为基于存储器存储的指令执行实现如图1至图3中任一实施例涉及的方法。
如图6所示,该资源处理装置还包括通信接口63,用于与其它设备进行信息交互。同时,该资源处理装置还包括总线64,处理器62、通信接口63、以及存储器61通过总线64完成相互间的通信。
存储器61可以包含高速RAM存储器,也可还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。存储器61也可以是存储器阵列。存储器61还可能被分块,并且块可按一定的规则组合成虚拟卷。
此外,处理器62可以是一个中央处理器CPU,或者可以是专用集成电路ASIC,或是被配置成实施本公开实施例的一个或多个集成电路。
本公开同时还涉及一种计算机可读存储介质,其中计算机可读存储介质存储有计算机指令,指令被处理器执行时实现如图1至图3中任一实施例涉及的方法。
在一些实施例中,在上面所描述的功能单元模块可以实现为用于执行本公开所描述功能的通用处理器、可编程逻辑控制器(Programmable Logic Controller,简称:PLC)、数字信号处理器(Digital Signal Processor,简称:DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,简称:ASIC)、现场可编程门阵列(Field-ProgrammableGate Array,简称:FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
本公开的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用,并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。
Claims (13)
1.一种资源处理方法,包括:
获取与预设目标相关且当前处于投放状态的资源;
检测预设条件是否成立,其中所述预设条件包括所述资源的领取量大于领取阈值、所述资源的使用率小于使用率阈值;
若所述预设条件不成立,则检测是否利用权重值预测模型对所述资源的特征信息进行处理以得到所述资源的权重值;
若已得到所述资源的权重值,则在所述资源的权重值大于预设的权重值阈值的情况下,将所述资源推荐给用户。
2.根据权利要求1所述的方法,还包括:
若未得到所述资源的权重值,则检测所述资源的使用率是否大于0;
若所述资源的使用率大于0,则在所述资源的使用率大于预设的使用率阈值的情况下,将所述资源推荐给所述用户。
3.根据权利要求2所述的方法,还包括:
若所述资源的使用率不大于0,则在所述资源的节省率大于预设的节省率阈值的情况下,将所述资源推荐给所述用户。
4.根据权利要求3所述的方法,还包括:
若所述预设条件成立,则不将所述资源推荐给所述用户。
5.根据权利要求1所述的方法,还包括:
在获取所述资源后,检测所述资源的标签;
若所述资源的标签为第一标签,则将所述资源推荐给所述用户;
若所述资源的标签为第二标签,则不将所述资源推荐给所述用户。
6.根据权利要求5所述的方法,其中,所述资源的标签通过以下步骤确定:
获取当前处于投放状态的全部资源中的每个资源的历史行为数据和投放属性数据;
根据所述历史行为数据和所述属性数据,利用无监督学习算法对所述全部资源进行分类处理,以得到第一聚类集合和第二聚类集合;
在所述第一聚类集合的聚类中心所对应的历史行为数据优于所述第二聚类集合的聚类中心所对应的历史行为数据的情况下,给所述第一聚类集合中的每个资源添加第一标签,给所述第二聚类集合中的每个资源添加第二标签。
7.根据权利要求1所述的方法,还包括:
在得到所述资源的权重值后,对所述资源的权重值进行修正,其中在所述资源的使用量大于使用量阈值、所述资源的使用率大于所述使用率阈值、且所述资源的使用率与所述资源的权重值之差大于差值阈值,则将所述资源的使用率作为修正后的权重值。
8.根据权利要求1-7中任一项所述的方法,还包括对机器学习模型进行训练以得到所述权重值预测模型,包括:
提取历史资源的特征信息;
利用机器学习模型对所述历史资源的特征信息进行处理,以得到相应的权重值;
将所述权重值和所述历史资源的使用率之差作为损失函数;
根据所述损失函数对所述机器学习模型进行训练,以得到权重值预测模型。
9.根据权利要求8所述的方法,其中,
所述历史资源的特征信息包括所述资源的类别特征、所述资源的额度特征、所述资源的限额特征、所述资源的折扣率特征、所述资源的约束条件特征、或所述资源的目标属性特征中的至少一项。
10.根据权利要求8所述的方法,其中,
所述机器学习模型为梯度提升决策树模型。
11.一种资源处理装置,包括:
资源获取模块,被配置为获取与预设目标相关且当前处于投放状态的资源;
第一检测模块,被配置为检测预设条件是否成立,其中所述预设条件包括所述资源的领取量大于领取阈值、所述资源的使用率小于使用率阈值;
第二检测模块,被配置为若所述预设条件不成立,则检测是否利用权重值预测模型对所述资源的特征信息进行处理以得到所述资源的权重值;
资源处理模块,被配置为若已得到所述资源的权重值,则在所述资源的权重值大于预设的权重值阈值的情况下,将所述资源推荐给用户。
12.一种资源处理装置,包括:
存储器,被配置为存储指令;
处理器,耦合到存储器,处理器被配置为基于存储器存储的指令执行实现如权利要求1-10所述的方法。
13.一种计算机可读存储介质,其中,计算机可读存储介质存储有计算机指令,指令被处理器执行时实现如权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011306008.2A CN113761335A (zh) | 2020-11-19 | 2020-11-19 | 资源处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011306008.2A CN113761335A (zh) | 2020-11-19 | 2020-11-19 | 资源处理方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113761335A true CN113761335A (zh) | 2021-12-07 |
Family
ID=78786047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011306008.2A Pending CN113761335A (zh) | 2020-11-19 | 2020-11-19 | 资源处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113761335A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107402777A (zh) * | 2016-05-20 | 2017-11-28 | 北京搜狗科技发展有限公司 | 一种资源更新方法及电子设备 |
CN109903022A (zh) * | 2018-10-25 | 2019-06-18 | 阿里巴巴集团控股有限公司 | 资源发放方法、装置、设备及计算机可读存储介质 |
CN110413877A (zh) * | 2019-07-02 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法、装置及电子设备 |
CN110659133A (zh) * | 2019-09-02 | 2020-01-07 | 中国平安人寿保险股份有限公司 | 一种资源分配方法及分配装置、存储介质、电子设备 |
CN110782277A (zh) * | 2019-10-12 | 2020-02-11 | 上海陆家嘴国际金融资产交易市场股份有限公司 | 资源处理方法、装置、计算机设备和存储介质 |
CN110807083A (zh) * | 2018-08-02 | 2020-02-18 | 北京京东尚科信息技术有限公司 | 关键词评估方法和装置 |
CN111310034A (zh) * | 2020-01-23 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 一种资源推荐方法及相关设备 |
CN111698303A (zh) * | 2020-05-29 | 2020-09-22 | 中国平安财产保险股份有限公司 | 数据处理方法、装置、电子设备及存储介质 |
-
2020
- 2020-11-19 CN CN202011306008.2A patent/CN113761335A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107402777A (zh) * | 2016-05-20 | 2017-11-28 | 北京搜狗科技发展有限公司 | 一种资源更新方法及电子设备 |
CN110807083A (zh) * | 2018-08-02 | 2020-02-18 | 北京京东尚科信息技术有限公司 | 关键词评估方法和装置 |
CN109903022A (zh) * | 2018-10-25 | 2019-06-18 | 阿里巴巴集团控股有限公司 | 资源发放方法、装置、设备及计算机可读存储介质 |
CN110413877A (zh) * | 2019-07-02 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法、装置及电子设备 |
CN110659133A (zh) * | 2019-09-02 | 2020-01-07 | 中国平安人寿保险股份有限公司 | 一种资源分配方法及分配装置、存储介质、电子设备 |
CN110782277A (zh) * | 2019-10-12 | 2020-02-11 | 上海陆家嘴国际金融资产交易市场股份有限公司 | 资源处理方法、装置、计算机设备和存储介质 |
CN111310034A (zh) * | 2020-01-23 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 一种资源推荐方法及相关设备 |
CN111698303A (zh) * | 2020-05-29 | 2020-09-22 | 中国平安财产保险股份有限公司 | 数据处理方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
张玉超;王民川;黄继海;: "定向信息推荐下多维信任数据协同推荐算法研究", 科学技术与工程, no. 19, 8 July 2017 (2017-07-08) * |
曹玉琳;李文立;郑东霞;: "融合社会标签的联合概率矩阵分解推荐算法", 信息与控制, no. 04, 15 August 2017 (2017-08-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710613B (zh) | 文本相似度的获取方法、终端设备及介质 | |
CN107122346B (zh) | 一种输入语句的纠错方法及装置 | |
CN106897746B (zh) | 数据分类模型训练方法和装置 | |
CN109189934A (zh) | 舆情推荐方法、装置、计算机设备及存储介质 | |
CN111476256A (zh) | 基于半监督学习的模型训练方法、装置及电子设备 | |
US9824313B2 (en) | Filtering content in an online system based on text and image signals extracted from the content | |
CN104978354B (zh) | 文本分类方法和装置 | |
CN112966081B (zh) | 处理问答信息的方法、装置、设备和存储介质 | |
CN110490237B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN110909784A (zh) | 一种图像识别模型的训练方法、装置及电子设备 | |
CN109983459A (zh) | 用于标识语料库中出现的n-gram的计数的方法和设备 | |
CN112948575A (zh) | 文本数据处理方法、装置和计算机可读存储介质 | |
CN110674621A (zh) | 一种属性信息填充方法和装置 | |
CN110427358B (zh) | 数据清洗方法及装置和信息推荐方法及装置 | |
CN109885831B (zh) | 关键术语抽取方法、装置、设备及计算机可读存储介质 | |
CN113204642A (zh) | 文本聚类方法、装置、存储介质和电子设备 | |
CN111597336B (zh) | 训练文本的处理方法、装置、电子设备及可读存储介质 | |
CN113761335A (zh) | 资源处理方法和装置 | |
CN113590421A (zh) | 日志模板提取方法、程序产品及存储介质 | |
CN110297901B (zh) | 基于距离参数的大规模文本聚类方法 | |
CN106815191A (zh) | 修正词的确定方法和装置 | |
CN111984867A (zh) | 一种网络资源确定方法及装置 | |
KR20180082680A (ko) | 분류기를 학습시키는 방법 및 이를 이용한 예측 분류 장치 | |
CN112860626A (zh) | 一种文档排序方法、装置及电子设备 | |
CN111709283A (zh) | 物流件状态的检测方法以及装置 |
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 |