CN113849745A - 一种对象推荐方法、装置、设备及存储介质 - Google Patents

一种对象推荐方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113849745A
CN113849745A CN202010597583.6A CN202010597583A CN113849745A CN 113849745 A CN113849745 A CN 113849745A CN 202010597583 A CN202010597583 A CN 202010597583A CN 113849745 A CN113849745 A CN 113849745A
Authority
CN
China
Prior art keywords
target
screening result
objects
weight value
user
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
Application number
CN202010597583.6A
Other languages
English (en)
Inventor
唐杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Volkswagen Mobvoi Beijing Information Technology Co Ltd
Original Assignee
Volkswagen Mobvoi Beijing Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Volkswagen Mobvoi Beijing Information Technology Co Ltd filed Critical Volkswagen Mobvoi Beijing Information Technology Co Ltd
Priority to CN202010597583.6A priority Critical patent/CN113849745A/zh
Publication of CN113849745A publication Critical patent/CN113849745A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种对象推荐方法、装置、设备及存储介质。所述方法包括：获取初始对象集合以及目标用户的历史行为数据；其中，所述初始对象集合中包括多个备选对象；根据所述目标用户的历史行为数据，并基于协同过滤算法，从所述初始对象集合中筛选出与所述目标用户对应的至少两个目标对象；基于与各所述目标对象对应的第三方影响因子，将所述目标对象推荐给所述目标用户。通过本发明的技术方案，能够优化推荐效果。

Description

一种对象推荐方法、装置、设备及存储介质
技术领域
本发明实施例涉及计算机技术领域，尤其涉及一种对象推荐方法、装置、设备及存储介质。
背景技术
随着计算机技术的发展，各种商品推荐***应运而生，商品推荐***是一种向用户推荐可能感兴趣的商品的***，例如用于推荐美食的美食推荐***。
现有的商品推荐***主要以用户自身兴趣点为中心进行商品推荐的，容易忽视其他因素的影响，这样可能会导致***推荐效果不佳。
发明内容
本发明实施例提供一种对象推荐方法、装置、设备及存储介质，以优化推荐效果。
第一方面，本发明实施例提供了一种对象推荐方法，包括：
获取初始对象集合以及目标用户的历史行为数据；其中，所述初始对象集合中包括多个备选对象；
根据所述目标用户的历史行为数据，并基于协同过滤算法，从所述初始对象集合中筛选出与所述目标用户对应的至少两个目标对象；
基于与各所述目标对象对应的第三方影响因子，将所述目标对象推荐给所述目标用户。
进一步的，根据所述目标用户的历史行为数据，并基于协同过滤算法，从所述初始对象集合中筛选出与所述目标用户对应的至少两个目标对象，包括：
对所述目标用户的历史行为数据进行特征化处理，构建用户特征向量和对象特征向量；
将所述用户特征向量和所述初始对象集合，输入至基于用户之间的协同过滤模型，输出得到与所述目标用户对应的第一筛选结果；
将所述对象特征向量和所述初始对象集合，输入至基于对象之间的协同过滤模型，输出得到与所述目标用户对应的第二筛选结果；
将所述第一筛选结果和所述第二筛选结果合并得到模型筛选结果；
其中，所述第一筛选结果和所述第二筛选结果中均包括从所述初始对象集合中筛选得到的至少一个目标对象及其对应的被选中概率。
进一步的，将所述第一筛选结果和所述第二筛选结果合并得到模型筛选结果，包括：
按照第一权重值，对所述第一筛选结果中包括的第一目标对象的被选中概率进行加权处理，以更新所述第一目标对象的被选中概率；
按照第二权重值，对所述第二筛选结果中包括的第二目标对象的被选中概率进行加权处理，以更新所述第二目标对象的被选中概率；
将加权处理后的所述第一筛选结果和加权处理后的所述第二筛选结果进行合并，得到模型筛选结果。
进一步的，在基于与各所述目标对象对应的第三方影响因子，将所述目标对象推荐给所述目标用户之后，还包括：
接收所述目标用户针对所述目标对象的操作反馈；
根据所述操作反馈，调整所述第一权重值和/或所述第二权重值。
进一步的，根据所述选中操作反馈，调整所述第一权重值和/或所述第二权重值，包括：
根据所述操作反馈，确定所述目标用户选中的目标对象；
如果确定所述目标对象来源于基于用户之间的协同过滤模型，则提高所述第一权重值和/或降低所述第二权重值；
如果确定所述目标对象来源于基于对象之间的协同过滤模型，则提高所述第二权重值和/或降低所述第一权重值。
进一步的，基于与各所述目标对象对应的第三方影响因子，将所述目标对象推荐给所述目标用户，包括：
根据各所述目标对象分别对应的第三方影响因子，确定与各所述目标对象分别对应的第三权重值；
按照与各所述目标对象分别对应的第三权重值，对所述模型筛选结果中包括的第三目标对象的被选中概率进行加权处理，以更新所述第三目标对象的被选中概率；
对所述模型筛选结果中包括的第三目标对象，按照更新后的被选中概率的大小进行排序，作为所述第三目标对象的推荐顺序；
按照所述推荐顺序，将所述第三目标对象推荐给所述目标用户。
进一步的，在将所述第一筛选结果和所述第二筛选结果合并得到模型筛选结果之前，还包括：
如果确定所述第一筛选结果中包括的第一目标对象的数量超过第一预设数量，则对所述第一筛选结果中包括的第一目标对象按照被选中概率的大小进行排序，获取概率最高的第一预设数量个目标对象，作为所述第一筛选结果，以实现对所述第一筛选结果的更新；和/或，
如果确定所述第二筛选结果中包括的第二目标对象的数量超过第二预设数量，则对所述第二筛选结果中包括的第二目标对象按照被选中概率的大小进行排序，获取概率最高的第二预设数量个目标对象，作为所述第二筛选结果，以实现对所述第二筛选结果的更新。
进一步的，在按照所述推荐顺序，将所述第三目标对象推荐给所述目标用户之前，还包括：
如果确定所述模型筛选结果中包括的第三目标对象的数量超过第三预设数量，则获取概率最高的第三预设数量个目标对象，作为最终推荐给所述目标用户的第三目标对象。
进一步的，还包括：
周期性获取用户特征样本和对象特征样本；
基于逻辑回归算法，分别使用所述用户特征样本和所述对象特征样本对预设初始模型进行训练，对应得到所述基于用户之间的协同过滤模型和所述基于对象之间的协同过滤模型。
第二方面，本发明实施例还提供了一种对象推荐装置，该装置包括：
数据获取模块，用于获取初始对象集合以及目标用户的历史行为数据；其中，所述初始对象集合中包括多个备选对象；
对象筛选模块，用于根据所述目标用户的历史行为数据，并基于协同过滤算法，从所述初始对象集合中筛选出与所述目标用户对应的至少两个目标对象；
推荐处理模块，用于基于与各所述目标对象对应的第三方影响因子，将所述目标对象推荐给所述目标用户。
进一步的，所述对象筛选模块，包括：
特征构建子模块，用于对所述目标用户的历史行为数据进行特征化处理，构建用户特征向量和对象特征向量；
第一筛选子模块，用于将所述用户特征向量和所述初始对象集合，输入至基于用户之间的协同过滤模型，输出得到与所述目标用户对应的第一筛选结果；
第二筛选子模块，用于将所述对象特征向量和所述初始对象集合，输入至基于对象之间的协同过滤模型，输出得到与所述目标用户对应的第二筛选结果；
结果合并子模块，用于将所述第一筛选结果和所述第二筛选结果合并得到模型筛选结果；
其中，所述第一筛选结果和所述第二筛选结果中均包括从所述初始对象集合中筛选得到的至少一个目标对象及其对应的被选中概率。
进一步的，所述结果合并子模块，具体用于：
按照第一权重值，对所述第一筛选结果中包括的第一目标对象的被选中概率进行加权处理，以更新所述第一目标对象的被选中概率；
按照第二权重值，对所述第二筛选结果中包括的第二目标对象的被选中概率进行加权处理，以更新所述第二目标对象的被选中概率；
将加权处理后的所述第一筛选结果和加权处理后的所述第二筛选结果进行合并，得到模型筛选结果。
进一步的，所述装置还包括：
反馈接收模块，用于在基于与各所述目标对象对应的第三方影响因子，将所述目标对象推荐给所述目标用户之后，接收所述目标用户针对所述目标对象的操作反馈；
权重调整模块，用于根据所述操作反馈，调整所述第一权重值和/或所述第二权重值。
进一步的，所述权重调整模块，具体用于：
根据所述操作反馈，确定所述目标用户选中的目标对象；
如果确定所述目标对象来源于基于用户之间的协同过滤模型，则提高所述第一权重值和/或降低所述第二权重值；
如果确定所述目标对象来源于基于对象之间的协同过滤模型，则提高所述第二权重值和/或降低所述第一权重值。
进一步的，所述推荐处理模块，包括：
权重确定子模块，用于根据各所述目标对象分别对应的第三方影响因子，确定与各所述目标对象分别对应的第三权重值；
概率更新子模块，用于按照与各所述目标对象分别对应的第三权重值，对所述模型筛选结果中包括的第三目标对象的被选中概率进行加权处理，以更新所述第三目标对象的被选中概率；
对象排序子模块，用于对所述模型筛选结果中包括的第三目标对象，按照更新后的被选中概率的大小进行排序，作为所述第三目标对象的推荐顺序；
顺序推荐子模块，用于按照所述推荐顺序，将所述第三目标对象推荐给所述目标用户。
进一步的，所述对象筛选模块，还包括：
第一更新子模块，用于在将所述第一筛选结果和所述第二筛选结果合并得到模型筛选结果之前，如果确定所述第一筛选结果中包括的第一目标对象的数量超过第一预设数量，则对所述第一筛选结果中包括的第一目标对象按照被选中概率的大小进行排序，获取概率最高的第一预设数量个目标对象，作为所述第一筛选结果，以实现对所述第一筛选结果的更新；和/或，
第二更新子模块，用于如果确定所述第二筛选结果中包括的第二目标对象的数量超过第二预设数量，则对所述第二筛选结果中包括的第二目标对象按照被选中概率的大小进行排序，获取概率最高的第二预设数量个目标对象，作为所述第二筛选结果，以实现对所述第二筛选结果的更新。
进一步的，所述推荐处理模块，还包括：
对象获取子模块，用于在按照所述推荐顺序，将所述第三目标对象推荐给所述目标用户之前，如果确定所述模型筛选结果中包括的第三目标对象的数量超过第三预设数量，则获取概率最高的第三预设数量个目标对象，作为最终推荐给所述目标用户的第三目标对象。
进一步的，所述装置还包括：
样本获取模块，用于周期性获取用户特征样本和对象特征样本；
模型训练模块，用于基于逻辑回归算法，分别使用所述用户特征样本和所述对象特征样本对预设初始模型进行训练，对应得到所述基于用户之间的协同过滤模型和所述基于对象之间的协同过滤模型。
第三方面，本发明实施例还提供了一种电子设备，该设备包括：
一个或多个处理器；
存储器，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本发明实施例中任一所述的对象推荐方法。
第四方面，本发明实施例还提供了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本发明实施例中任一所述的对象推荐方法。
本发明实施例通过获取初始对象集合以及目标用户的历史行为数据，根据该历史行为数据，并基于协同过滤算法，从该初始对象集合中筛选出与目标用户对应的至少两个目标对象，基于与各目标对象对应的第三方影响因子，将该目标对象推荐给目标用户，利用第三方影响因子来影响推荐结果，解决了现有技术中由于没有考虑第三方因素影响而导致的推荐效果不佳的问题，从而优化了推荐效果。
附图说明
图1是本发明实施例一提供的一种对象推荐方法的流程示意图；
图2是本发明实施例二提供的一种对象推荐方法的流程示意图；
图3是本发明实施例三提供的一种对象推荐装置的结构示意图；
图4是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种对象推荐方法的流程示意图。该方法可适用于对任何对象进行筛选和推荐的场景，对象是可以用各维度信息进行其特点表征的对象，例如美食、景点、物品等商品，由此本申请实施例可适用于任何通过过滤技术自动完成对象推荐的场景。该方法可以由对象推荐装置来执行，该装置可由硬件和/或软件组成，并一般可集成于具备计算能力的电子设备中。
如图1所示，该方法具体包括如下步骤：
S110、获取初始对象集合以及目标用户的历史行为数据；其中，初始对象集合中包括多个备选对象。
本实施例中，初始对象集合可以是可供选择的多个备选对象的集合，获取初始对象集合的方式包括但不限于，根据目标用户输入的关键词进行检索得到的检索结果，或者是从所有对象中获取符合预设条件的对象，例如距离目标用户2公里以内的美食，目标用户所在城市及相邻城市范围内的景点等等。
其中，历史行为数据可以是近期预设时间段内记录的目标用户针对对象所进行的操作数据，以对象是美食为例，历史行为数据例如可以是最近一周时间内，目标用户的历史下单信息、浏览过的商店信息等。
S120、根据目标用户的历史行为数据，并基于协同过滤算法，从初始对象集合中筛选出与目标用户对应的至少两个目标对象。
本实施例中的协同过滤算法，可以是基于用户之间的协同过滤算法，也可以是基于对象之间的协同过滤算法，还可以是基于用户之间的协同过滤算法与基于对象之间的协同过滤算法相结合的算法，在此不作限定。
其中，协同过滤算法的工作原理是，基于对用户历史行为数据的挖掘发现用户的喜好偏向，并预测和筛选出用户可能喜好的对象。例如，基于用户之间的协同过滤算法，是根据与被推荐用户有共同喜好的用户来进行对象筛选；基于对象之间的协同过滤算法，是根据被推荐用户喜欢的对象来进行对象筛选。
示例性的，可基于目标用户的历史行为数据，采用协同过滤算法，从初始对象集合中筛选得到与目标用户对应的至少两个目标对象，其中，该至少两个目标对象可对应于不同的被目标用户选中的预测概率。
S130、基于与各目标对象对应的第三方影响因子，将目标对象推荐给目标用户。
本实施例中，第三方影响因子可以是能够影响用户最终选择的因素，例如，对于商品来说，第三方影响因子可以是商家折扣、商品推广力度等，特殊地，对于美食来说，第三方影响因子还可以是是否属于应季美食、地域特色美食等，在此不作限定。
示例性的，可将第三方影响因子加入至对象推荐策略中，以提高目标对象被目标用户选中的概率，优化推荐效果。具体的，可利用第三方影响因子确定目标对象的推荐顺序，并按照该推荐顺序将目标对象推荐给目标用户。
本实施例的技术方案，通过获取初始对象集合以及目标用户的历史行为数据，根据该历史行为数据，并基于协同过滤算法，从该初始对象集合中筛选出与目标用户对应的至少两个目标对象，基于与各目标对象对应的第三方影响因子，将该目标对象推荐给目标用户，利用第三方影响因子来影响推荐结果，解决了现有技术中由于没有考虑第三方因素影响而导致的推荐效果不佳的问题，从而优化了推荐效果。
实施例二
图2为本发明实施例二提供的一种对象推荐方法的流程示意图。本实施例以上述实施例为基础进行优化，提供了优选的对象推荐方法，具体是，将根据目标用户的历史行为数据，并基于协同过滤算法，从初始对象集合中筛选出与目标用户对应的至少两个目标对象，进一步优化为包括：对目标用户的历史行为数据进行特征化处理，构建用户特征向量和对象特征向量；将用户特征向量和初始对象集合，输入至基于用户之间的协同过滤模型，输出得到与目标用户对应的第一筛选结果；将对象特征向量和初始对象集合，输入至基于对象之间的协同过滤模型，输出得到与目标用户对应的第二筛选结果；将第一筛选结果和第二筛选结果合并得到模型筛选结果；其中，第一筛选结果和第二筛选结果中均包括从初始对象集合中筛选得到的至少一个目标对象及其对应的被选中概率。
如图2所示，该方法具体包括如下步骤：
S210、获取初始对象集合以及目标用户的历史行为数据；其中，初始对象集合中包括多个备选对象。
S220、对目标用户的历史行为数据进行特征化处理，构建用户特征向量和对象特征向量。
本实施例中，为了提高推荐结果的准确性，增强推荐***的抗干扰性，采用将基于用户之间的协同过滤算法以及基于对象之间的协同过滤算法相结合的算法，进行对象的推荐。
具体的，对历史行为数据进行特征化处理的过程，可包括数据预处理和构建特征工程两个部分。
其中，数据预处理的过程可包括以下几个步骤：
1)、从数据库中获取与用户历史行为相关的表格数据，例如用户历史下单表、商店浏览表、商店信息表等；
2)、对表格中缺失的值进行处理，具体可根据表格中各字段的重要程度判断是否删除还是默认补齐；
3)、设定一定条件剔除异常数据，剔除异常数据的目的是为了使剩下的数据合理且真实并满足过滤算法的要求,保证数据均衡性,例如，若用户在某个商店界面停留时间超过二十分钟，则默认该用户可能是因为其他事情耽误了商品浏览过程，不属于有效浏览，因此，需剔除用户停留时间大于二十分钟的数据。
另外，针对不同的协同过滤模型，可构建不同的特征工程，具体的，每个特征工程的构建过程包括如下几个步骤：
1)、筛选特征，具体可根据不同类型的协同过滤模型的需要筛选得到相应的特征，以对象为美食为例，例如，针对基于用户之间的协同过滤模型，可筛选得到如下表1所示的数据，而针对基于对象之间的协同过滤模型，可筛选得到如下表2所示的数据，其中，表2中每一条数据表示一个用户的历史下单商店关联信息；
表1
Figure BDA0002557699290000121
Figure BDA0002557699290000131
表2
Figure BDA0002557699290000132
2)、对各个特征数据进行one-hot编码，例如，对于饭店类型可以分为川菜、徽菜、鲁菜等，美食类型可以分火锅、烤肉、自助等，使用one-hot编码可以将类型数据转换为有利于模型处理的数据；
3)、归一化处理，将波动范围将大的数据特征进行归一化，例如饭店点关注度、用户停留时间等，这些数据波动幅度较大，可能存在成百上千的变化，归一化减少了数据波动对最终结果的影响，还能提高数据的表现，但不会改变原始数据的数值排序。具体的，可采用如下的归一化公式对标1或表2中的数据进行归一化处理：
Figure BDA0002557699290000133
X"＝X′*(mx-mD+mi
其中，作用于表格中的目标列时，max为目标列的最大值，min为目标列的最小值，X″为最终的归一化结果，mx，mi分别为指定区间值，默认为mx为1，mi为0；
4)、采用PCA(Principal Component Analysis，主成分分析)技术降低特征数据的维度，由于当前考虑的数据据纬度过多，问题变得过于复杂，会降低训练速度，因此，采用PCA技术进行处理后，可降低维度，尽可能地保留原始数据的显著特征。
在上述特征工程构建过程中，针对从用户角度筛选出的数据，可构建得到用户特征向量，而针对从对象角度筛选出的数据，可构建得到对象特征向量。
S230、将用户特征向量和初始对象集合，输入至基于用户之间的协同过滤模型，输出得到与目标用户对应的第一筛选结果。
本实施例中，基于用户之间的协同过滤模型，采用的是基于用户之间的协同过滤算法来进行对象筛选的。示例性的，可将用户特征向量和初始对象集合，输入至基于用户之间的协同过滤模型，以使基于用户之间的协同过滤模型根据用户特征向量，并利用基于用户之间的协同过滤算法，从初始对象集合中筛选并输出得到与目标用户对应的第一筛选结果。其中，第一筛选结果包括从初始对象集合中筛选得到的至少一个目标对象及其对应的被选中概率。可选的，取被选中概率值大于0.7的目标对象作为有效的筛选结果。
S240、将对象特征向量和初始对象集合，输入至基于对象之间的协同过滤模型，输出得到与目标用户对应的第二筛选结果。
除了使用基于用户之间的协同过滤模型进行对象筛选外，本实施例还结合了基于对象之间的协同过滤模型进行对象筛选，其中，基于对象之间的协同过滤模型，采用的是基于对象之间的协同过滤算法来进行对象筛选的。示例性的，可将对象特征向量和初始对象集合，输入至基于对象之间的协同过滤模型，以使基于对象之间的协同过滤模型根据对象特征向量，并利用基于对象之间的协同过滤算法，从初始对象集合中筛选并输出得到与目标用户对应的第二筛选结果。其中，第二筛选结果包括从初始对象集合中筛选得到的至少一个目标对象及其对应的被选中概率。可选的，取被选中概率值大于0.7的目标对象作为有效的筛选结果。
可选的，还包括：周期性获取用户特征样本和对象特征样本；基于逻辑回归算法，分别使用用户特征样本和对象特征样本对预设初始模型进行训练，对应得到基于用户之间的协同过滤模型和基于对象之间的协同过滤模型。
示例性的，可采用与构建用户特征向量和对象特征向量相类似的方式，构建用户特征样本和对象特征样本，具体的，可每隔预设时间段获取各个用户的历史行为数据，以构建用户特征样本和对象特征样本。基于逻辑回归算法，使用用户特征样本对预设初始模型进行训练，可得到基于用户之间的协同过滤模型；同时，基于逻辑回归算法，使用对象特征样本对预设初始模型进行训练，可得到基于对象之间的协同过滤模型。其中，预设初始模型例如可以是逻辑回归模型。可选的，训练时将被选中概率值大于0.7的目标对象作为有效的筛选结果。
S250、将第一筛选结果和第二筛选结果合并得到模型筛选结果；其中，第一筛选结果和第二筛选结果中均包括从初始对象集合中筛选得到的至少一个目标对象及其对应的被选中概率。
本实施例中，第一筛选结果与第二筛选结果中所包括的目标对象可以部分相同，也可以完全不相同，在此不作限定。示例性的，可以将第一筛选结果与第二筛选结果中的目标对象进行合并，具体可以为对相同目标对象的被选中概率进行相加，并将不同目标对象及其被选中概率集合在一起，得到模型筛选结果。
可选的，将第一筛选结果和第二筛选结果合并得到模型筛选结果，包括：按照第一权重值，对第一筛选结果中包括的第一目标对象的被选中概率进行加权处理，以更新第一目标对象的被选中概率；按照第二权重值，对第二筛选结果中包括的第二目标对象的被选中概率进行加权处理，以更新第二目标对象的被选中概率；将加权处理后的第一筛选结果和加权处理后的第二筛选结果进行合并，得到模型筛选结果。
其中，第一权重值和第二权重值可根据需要进行设置，加权处理可以是将第一权重值乘以第一目标对象的被选中概率，将第二权重值乘以第二目标对象的被选中概率。
在一个具体例子中，若第一权重值为0.6，第二权重值为0.4，得到的第一筛选结果为{‘对象a’：0.85，‘对象b’：0.80，‘对象c’：0.72}，第二筛选结果为{‘对象b’：0.83，‘对象d’：0.77，‘对象e’：0.71}，则对二者进行加权合并后，可得到模型筛选结果为{‘对象a’：0.51，‘对象b’：0.812，‘对象c’：0.432，‘对象d’：0.308，‘对象e’：0.284}。
可选的，在将第一筛选结果和第二筛选结果合并得到模型筛选结果之前，还包括：如果确定第一筛选结果中包括的第一目标对象的数量超过第一预设数量，则对第一筛选结果中包括的第一目标对象按照被选中概率的大小进行排序，获取概率最高的第一预设数量个目标对象，作为第一筛选结果，以实现对第一筛选结果的更新；和/或，如果确定第二筛选结果中包括的第二目标对象的数量超过第二预设数量，则对第二筛选结果中包括的第二目标对象按照被选中概率的大小进行排序，获取概率最高的第二预设数量个目标对象，作为第二筛选结果，以实现对第二筛选结果的更新。
由于筛选得到的对象可能会很多，为了将推荐数量控制在一定范围内，可在第一筛选结果中包括的第一目标对象超过第一预设数量时，对目标对象按照被选中概率的大小进行降序排序，取前第一预设数量个目标对象，作为第一筛选结果；类似的，可在第二筛选结果中包括的第二目标对象超过第二预设数量时，对目标对象按照被选中概率的大小进行降序排序，取前第二预设数量个目标对象，作为第二筛选结果。其中，第一预设数量以及第二预设数量可根据需要进行具体设置。
S260、基于与各目标对象对应的第三方影响因子，将目标对象推荐给目标用户。
可选的，基于与各目标对象对应的第三方影响因子，将目标对象推荐给目标用户，包括：根据各目标对象分别对应的第三方影响因子，确定与各目标对象分别对应的第三权重值；按照与各目标对象分别对应的第三权重值，对模型筛选结果中包括的第三目标对象的被选中概率进行加权处理，以更新目标对象的被选中概率；对模型筛选结果中包括的第三目标对象，按照更新后的被选中概率的大小进行排序，作为目标对象的推荐顺序；按照推荐顺序，将目标对象推荐给目标用户。
其中，不同目标对象对应的第三权重值也可根据需要进行设置，加权处理可以是将第三权重值与相应目标对象的被选中概率相加。具体的，第三权重值的确定是通过商家折扣力度、推广力度等第三方影响因子进行量化后的结果，进而影响推荐最终结果。其中，量化是将例如折扣力度“满30减10”转换为0.01的权重值，以推荐对象为商品为例，可在如下表3所示的数据基础上进行量化。
表3
Figure BDA0002557699290000181
在一个具体例子中，若第三权重值为{‘对象b’：0.2，‘对象c’：0.12，‘对象d’：0.05}，模型筛选结果为{‘对象a’：0.85，‘对象b’：0.82，‘对象c’：0.80，‘对象d’：0.78，‘对象e’：0.77}，则加权处理后的结果为{‘对象a’：0.85，‘对象b’：1.02，‘对象c’：0.92，‘对象d’：0.83，‘对象e’：0.77}，按照被选中概率的大小进行降序排序，可得到{‘对象b’：1.02，‘对象c’：0.92，‘对象a’，0.85，‘对象d’：0.83，‘对象e’：0.77}，并按照该顺序将对象a至对象e推荐给目标用户。
可选的，在按照推荐顺序，将第三目标对象推荐给目标用户之前，还包括：如果确定模型筛选结果中包括的第三目标对象的数量超过第三预设数量，则获取概率最高的第三预设数量个目标对象，作为最终推荐给目标用户的第三目标对象。
由于合并得到的模型筛选结果中所包括的目标对象仍然可能会很多，为了将推荐数量控制在一定范围内，可在模型筛选结果中包括的第三目标对象超过第三预设数量时，对目标对象按照被选中概率的大小进行降序排序，取前第三预设数量个目标对象，作为模型筛选结果，以最终推荐给目标用户。其中，第三预设数量可根据需要进行具体设置。
可选的，在基于与各目标对象对应的第三方影响因子，将目标对象推荐给目标用户之后，还包括：接收目标用户针对目标对象的操作反馈；根据操作反馈，调整第一权重值和/或第二权重值。
本实施例中，具体可对第一权重值和第二权重值均预先设置一个初始值，例如将二者的初始值均设置为0.5，优选为根据模型的训练结果的准确性来设置初始值，例如，若基于用户之间的协同过滤模型的推荐准确率大于基于对象之间的协同过滤模型，则将第一权重值的初始值设置为大于第二权重值的初始值；否则将第二权重值的初始值设置为大于第一权重值的初始值。
示例性的，在模型使用时，可接收目标用户对目标对象的操作反馈，并根据操作反馈，调整第一权重值和/或第二权重值。这样设置的好处在于，可以根据不同用户的反馈，实时动态调整对应于不同用户的两个权重值，从而实现个性化推荐，提高推荐结果的实时性和准确性。
可选的，根据选中操作反馈，调整第一权重值和/或第二权重值，包括：根据操作反馈，确定目标用户选中的目标对象；如果确定目标对象来源于基于用户之间的协同过滤模型，则提高第一权重值和/或降低第二权重值；如果确定目标对象来源于基于对象之间的协同过滤模型，则提高第二权重值和/或降低第一权重值。
具体的，将目标对象推荐给目标用户后，可根据目标用户的操作反馈，标记目标用户实际选中的目标对象的来源，其中，操作反馈包括但不限于点击操作、浏览操作、下单操作等等。
例如，若目标用户实际点击的是对象a，而对象a来源于基于用户之间的协同过滤模型的推荐，则提高第一权重值和/或降低第二权重值；若目标用户实际点击的是对象d，而对象d来源于基于用户之间的协同过滤模型的推荐，则提高第二权重值和/或降低第一权重值。
本实施例的技术方案，在上述实施例的基础上，通过对目标用户的历史行为数据进行特征化处理，构建用户特征向量和对象特征向量，然后，将用户特征向量和初始对象集合，输入至基于用户之间的协同过滤模型，输出得到与目标用户对应的第一筛选结果，同时，将对象特征向量和初始对象集合，输入至基于对象之间的协同过滤模型，输出得到与目标用户对应的第二筛选结果，再将第一筛选结果和第二筛选结果合并得到模型筛选结果，最后基于与各目标对象对应的第三方影响因子，将目标对象推荐给目标用户。利用了结合两种协同过滤算法，并加入第三方影响因子来进行对象推荐，从而提高了对象推荐的准确性、实时性和抗干扰性，进一步优化了推荐效果。
实施例三
图3为本发明实施例三提供的一种对象推荐装置的结构示意图。参考图3，对象推荐装置包括：数据获取模块310、对象筛选模块320以及推荐处理模块330，下面对各模块进行具体说明。
数据获取模块310，用于获取初始对象集合以及目标用户的历史行为数据；其中，所述初始对象集合中包括多个备选对象；
对象筛选模块320，用于根据所述目标用户的历史行为数据，并基于协同过滤算法，从所述初始对象集合中筛选出与所述目标用户对应的至少两个目标对象；
推荐处理模块330，用于基于与各所述目标对象对应的第三方影响因子，将所述目标对象推荐给所述目标用户。
可选的，对象筛选模块320，具体可以包括：
特征构建子模块，用于对所述目标用户的历史行为数据进行特征化处理，构建用户特征向量和对象特征向量；
第一筛选子模块，用于将所述用户特征向量和所述初始对象集合，输入至基于用户之间的协同过滤模型，输出得到与所述目标用户对应的第一筛选结果；
第二筛选子模块，用于将所述对象特征向量和所述初始对象集合，输入至基于对象之间的协同过滤模型，输出得到与所述目标用户对应的第二筛选结果；
结果合并子模块，用于将所述第一筛选结果和所述第二筛选结果合并得到模型筛选结果；
其中，所述第一筛选结果和所述第二筛选结果中均包括从所述初始对象集合中筛选得到的至少一个目标对象及其对应的被选中概率。
可选的，结果合并子模块，具体可以用于：
按照第一权重值，对所述第一筛选结果中包括的第一目标对象的被选中概率进行加权处理，以更新所述第一目标对象的被选中概率；
按照第二权重值，对所述第二筛选结果中包括的第二目标对象的被选中概率进行加权处理，以更新所述第二目标对象的被选中概率；
将加权处理后的所述第一筛选结果和加权处理后的所述第二筛选结果进行合并，得到模型筛选结果。
可选的，所述装置还可以包括：
反馈接收模块，用于在基于与各所述目标对象对应的第三方影响因子，将所述目标对象推荐给所述目标用户之后，接收所述目标用户针对所述目标对象的操作反馈；
权重调整模块，用于根据所述操作反馈，调整所述第一权重值和/或所述第二权重值。
可选的，所述权重调整模块，具体可以用于：
根据所述操作反馈，确定所述目标用户选中的目标对象；
如果确定所述目标对象来源于基于用户之间的协同过滤模型，则提高所述第一权重值和/或降低所述第二权重值；
如果确定所述目标对象来源于基于对象之间的协同过滤模型，则提高所述第二权重值和/或降低所述第一权重值。
可选的，推荐处理模块330，具体可以包括：
权重确定子模块，用于根据各所述目标对象分别对应的第三方影响因子，确定与各所述目标对象分别对应的第三权重值；
概率更新子模块，用于按照与各所述目标对象分别对应的第三权重值，对所述模型筛选结果中包括的第三目标对象的被选中概率进行加权处理，以更新所述第三目标对象的被选中概率；
对象排序子模块，用于对所述模型筛选结果中包括的第三目标对象，按照更新后的被选中概率的大小进行排序，作为所述第三目标对象的推荐顺序；
顺序推荐子模块，用于按照所述推荐顺序，将所述第三目标对象推荐给所述目标用户。
可选的，对象筛选模块320，具体还可以包括：
第一更新子模块，用于在将所述第一筛选结果和所述第二筛选结果合并得到模型筛选结果之前，如果确定所述第一筛选结果中包括的第一目标对象的数量超过第一预设数量，则对所述第一筛选结果中包括的第一目标对象按照被选中概率的大小进行排序，获取概率最高的第一预设数量个目标对象，作为所述第一筛选结果，以实现对所述第一筛选结果的更新；和/或，
第二更新子模块，用于如果确定所述第二筛选结果中包括的第二目标对象的数量超过第二预设数量，则对所述第二筛选结果中包括的第二目标对象按照被选中概率的大小进行排序，获取概率最高的第二预设数量个目标对象，作为所述第二筛选结果，以实现对所述第二筛选结果的更新。
可选的，推荐处理模块330，具体还可以包括：
对象获取子模块，用于在按照所述推荐顺序，将所述第三目标对象推荐给所述目标用户之前，如果确定所述模型筛选结果中包括的第三目标对象的数量超过第三预设数量，则获取概率最高的第三预设数量个目标对象，作为最终推荐给所述目标用户的第三目标对象。
可选的，所述装置还可以包括：
样本获取模块，用于周期性获取用户特征样本和对象特征样本；
模型训练模块，用于基于逻辑回归算法，分别使用所述用户特征样本和所述对象特征样本对预设初始模型进行训练，对应得到所述基于用户之间的协同过滤模型和所述基于对象之间的协同过滤模型。
上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种电子设备的结构示意图，如图4所示，本实施例提供的一种电子设备，包括：处理器41和存储器42。该电子设备中的处理器可以是一个或多个，图4中以一个处理器41为例，所述电子设备中的处理器41和存储器42可以通过总线或其他方式连接，图4中以通过总线连接为例。
本实施例中电子设备的处理器41中集成了上述实施例提供的对象推荐装置。此外，该电子设备中的存储器42作为一种计算机可读存储介质，可用于存储一个或多个程序，所述程序可以是软件程序、计算机可执行程序以及模块，如本发明实施例中对象推荐方法对应的程序指令/模块(例如，附图3所示的对象推荐装置中的模块，包括：数据获取模块310、对象筛选模块320以及推荐处理模块330)。处理器41通过运行存储在存储器42中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述方法实施例中对象推荐方法。
存储器42可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设备的使用所创建的数据等。此外，存储器42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42可进一步包括相对于处理器41远程设置的存储器，这些远程存储器可以通过网络连接至设备。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。
并且，当上述电子设备所包括一个或者多个程序被所述一个或者多个处理器41执行时，程序进行如下操作：
获取初始对象集合以及目标用户的历史行为数据；其中，所述初始对象集合中包括多个备选对象；根据所述目标用户的历史行为数据，并基于协同过滤算法，从所述初始对象集合中筛选出与所述目标用户对应的至少两个目标对象；基于与各所述目标对象对应的第三方影响因子，将所述目标对象推荐给所述目标用户。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被对象推荐装置执行时实现如本发明实施例一提供的对象推荐方法，该方法包括：获取初始对象集合以及目标用户的历史行为数据；其中，所述初始对象集合中包括多个备选对象；根据所述目标用户的历史行为数据，并基于协同过滤算法，从所述初始对象集合中筛选出与所述目标用户对应的至少两个目标对象；基于与各所述目标对象对应的第三方影响因子，将所述目标对象推荐给所述目标用户。
当然,本发明实施例所提供的一种计算机可读存储介质,其上存储的计算机程序被执行时不限于实现如上所述的方法操作,还可以实现本发明任意实施例所提供的对象推荐方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
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。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (16)

1.一种对象推荐方法，其特征在于，包括：
获取初始对象集合以及目标用户的历史行为数据；其中，所述初始对象集合中包括多个备选对象；
根据所述目标用户的历史行为数据，并基于协同过滤算法，从所述初始对象集合中筛选出与所述目标用户对应的至少两个目标对象；
基于与各所述目标对象对应的第三方影响因子，将所述目标对象推荐给所述目标用户。
2.根据权利要求1所述的方法，其特征在于，根据所述目标用户的历史行为数据，并基于协同过滤算法，从所述初始对象集合中筛选出与所述目标用户对应的至少两个目标对象，包括：
对所述目标用户的历史行为数据进行特征化处理，构建用户特征向量和对象特征向量；
将所述用户特征向量和所述初始对象集合，输入至基于用户之间的协同过滤模型，输出得到与所述目标用户对应的第一筛选结果；
将所述对象特征向量和所述初始对象集合，输入至基于对象之间的协同过滤模型，输出得到与所述目标用户对应的第二筛选结果；
将所述第一筛选结果和所述第二筛选结果合并得到模型筛选结果；
其中，所述第一筛选结果和所述第二筛选结果中均包括从所述初始对象集合中筛选得到的至少一个目标对象及其对应的被选中概率。
3.根据权利要求2所述的方法，其特征在于，将所述第一筛选结果和所述第二筛选结果合并得到模型筛选结果，包括：
按照第一权重值，对所述第一筛选结果中包括的第一目标对象的被选中概率进行加权处理，以更新所述第一目标对象的被选中概率；
按照第二权重值，对所述第二筛选结果中包括的第二目标对象的被选中概率进行加权处理，以更新所述第二目标对象的被选中概率；
将加权处理后的所述第一筛选结果和加权处理后的所述第二筛选结果进行合并，得到模型筛选结果。
4.根据权利要求3所述的方法，其特征在于，在基于与各所述目标对象对应的第三方影响因子，将所述目标对象推荐给所述目标用户之后，还包括：
接收所述目标用户针对所述目标对象的操作反馈；
根据所述操作反馈，调整所述第一权重值和/或所述第二权重值。
5.根据权利要求4所述的方法，其特征在于，根据所述选中操作反馈，调整所述第一权重值和/或所述第二权重值，包括：
根据所述操作反馈，确定所述目标用户选中的目标对象；
如果确定所述目标对象来源于基于用户之间的协同过滤模型，则提高所述第一权重值和/或降低所述第二权重值；
如果确定所述目标对象来源于基于对象之间的协同过滤模型，则提高所述第二权重值和/或降低所述第一权重值。
6.根据权利要求3所述的方法，其特征在于，基于与各所述目标对象对应的第三方影响因子，将所述目标对象推荐给所述目标用户，包括：
根据各所述目标对象分别对应的第三方影响因子，确定与各所述目标对象分别对应的第三权重值；
按照与各所述目标对象分别对应的第三权重值，对所述模型筛选结果中包括的第三目标对象的被选中概率进行加权处理，以更新所述第三目标对象的被选中概率；
对所述模型筛选结果中包括的第三目标对象，按照更新后的被选中概率的大小进行排序，作为所述第三目标对象的推荐顺序；
按照所述推荐顺序，将所述第三目标对象推荐给所述目标用户。
7.根据权利要求2所述的方法，其特征在于，在将所述第一筛选结果和所述第二筛选结果合并得到模型筛选结果之前，还包括：
如果确定所述第一筛选结果中包括的第一目标对象的数量超过第一预设数量，则对所述第一筛选结果中包括的第一目标对象按照被选中概率的大小进行排序，获取概率最高的第一预设数量个目标对象，作为所述第一筛选结果，以实现对所述第一筛选结果的更新；和/或，
如果确定所述第二筛选结果中包括的第二目标对象的数量超过第二预设数量，则对所述第二筛选结果中包括的第二目标对象按照被选中概率的大小进行排序，获取概率最高的第二预设数量个目标对象，作为所述第二筛选结果，以实现对所述第二筛选结果的更新。
8.根据权利要求6所述的方法，其特征在于，在按照所述推荐顺序，将所述第三目标对象推荐给所述目标用户之前，还包括：
如果确定所述模型筛选结果中包括的第三目标对象的数量超过第三预设数量，则获取概率最高的第三预设数量个目标对象，作为最终推荐给所述目标用户的第三目标对象。
9.根据权利要求2所述的方法，其特征在于，还包括：
周期性获取用户特征样本和对象特征样本；
基于逻辑回归算法，分别使用所述用户特征样本和所述对象特征样本对预设初始模型进行训练，对应得到所述基于用户之间的协同过滤模型和所述基于对象之间的协同过滤模型。
10.一种对象推荐装置，其特征在于，包括：
数据获取模块，用于获取初始对象集合以及所述目标用户的历史行为数据；其中，所述初始对象集合中包括多个备选对象；
对象筛选模块，用于根据所述目标用户的历史行为数据，并基于协同过滤算法，从所述初始对象集合中筛选出与所述目标用户对应的至少两个目标对象；
推荐处理模块，用于基于与各所述目标对象对应的第三方影响因子，将所述目标对象推荐给所述目标用户。
11.根据权利要求1所述的装置，其特征在于，所述对象筛选模块，包括：
特征构建子模块，用于对所述目标用户的历史行为数据进行特征化处理，构建用户特征向量和对象特征向量；
第一筛选子模块，用于将所述用户特征向量和所述初始对象集合，输入至基于用户之间的协同过滤模型，输出得到与所述目标用户对应的第一筛选结果；
第二筛选子模块，用于将所述对象特征向量和所述初始对象集合，输入至基于对象之间的协同过滤模型，输出得到与所述目标用户对应的第二筛选结果；
结果合并子模块，用于将所述第一筛选结果和所述第二筛选结果合并得到模型筛选结果；
其中，所述第一筛选结果和所述第二筛选结果中均包括从所述初始对象集合中筛选得到的至少一个目标对象及其对应的被选中概率。
12.根据权利要求11所述的装置，其特征在于，所述结果合并子模块，具体用于：
按照第一权重值，对所述第一筛选结果中包括的第一目标对象的被选中概率进行加权处理，以更新所述第一目标对象的被选中概率；
按照第二权重值，对所述第二筛选结果中包括的第二目标对象的被选中概率进行加权处理，以更新所述第二目标对象的被选中概率；
将加权处理后的所述第一筛选结果和加权处理后的所述第二筛选结果进行合并，得到模型筛选结果。
13.根据权利要求12所述的装置，其特征在于，所述装置还包括：
反馈接收模块，用于在基于与各所述目标对象对应的第三方影响因子，将所述目标对象推荐给所述目标用户之后，接收所述目标用户针对所述目标对象的操作反馈；
权重调整模块，用于根据所述操作反馈，调整所述第一权重值和/或所述第二权重值。
14.根据权利要求13所述的装置，其特征在于，所述权重调整模块，具体用于：
根据所述操作反馈，确定所述目标用户选中的目标对象；
如果确定所述目标对象来源于基于用户之间的协同过滤模型，则提高所述第一权重值和/或降低所述第二权重值；
如果确定所述目标对象来源于基于对象之间的协同过滤模型，则提高所述第二权重值和/或降低所述第一权重值。
15.根据权利要求12所述的装置，其特征在于，所述推荐处理模块，包括：
权重确定子模块，用于根据各所述目标对象分别对应的第三方影响因子，确定与各所述目标对象分别对应的第三权重值；
概率更新子模块，用于按照与各所述目标对象分别对应的第三权重值，对所述模型筛选结果中包括的第三目标对象的被选中概率进行加权处理，以更新所述第三目标对象的被选中概率；
对象排序子模块，用于对所述模型筛选结果中包括的第三目标对象，按照更新后的被选中概率的大小进行排序，作为所述第三目标对象的推荐顺序；
顺序推荐子模块，用于按照所述推荐顺序，将所述第三目标对象推荐给所述目标用户。
16.一种电子设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器，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1-9中任一所述的对象推荐方法。
CN202010597583.6A 2020-06-28 2020-06-28 一种对象推荐方法、装置、设备及存储介质 Pending CN113849745A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010597583.6A CN113849745A (zh) 2020-06-28 2020-06-28 一种对象推荐方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010597583.6A CN113849745A (zh) 2020-06-28 2020-06-28 一种对象推荐方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113849745A true CN113849745A (zh) 2021-12-28

Family

ID=78972016

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010597583.6A Pending CN113849745A (zh) 2020-06-28 2020-06-28 一种对象推荐方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113849745A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114780892A (zh) * 2022-03-31 2022-07-22 武汉古宝斋文化艺术品有限公司 基于人工智能的线上展览展示智能交互管理***

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114780892A (zh) * 2022-03-31 2022-07-22 武汉古宝斋文化艺术品有限公司 基于人工智能的线上展览展示智能交互管理***

Similar Documents

Publication Publication Date Title
CN110969516B (zh) 一种商品推荐方法及装置
WO2015188699A1 (zh) 推荐项目的方法和装置
CN103778548B (zh) 商品信息与关键词匹配方法、商品信息投放方法及装置
CN108885624B (zh) 信息推荐***及方法
US9864951B1 (en) Randomized latent feature learning
WO2016155493A1 (zh) 数据处理方法及装置
CN102043833A (zh) 一种基于查询词进行搜索的方法和搜索装置
CN101551806A (zh) 一种个性化网址导航的方法和***
CN104142999A (zh) 搜索结果展示方法及装置
CN109726664B (zh) 一种智能表盘推荐方法、***、设备及存储介质
CN105260171A (zh) 一种虚拟道具的生成方法及装置
Schclar et al. Ensemble methods for improving the performance of neighborhood-based collaborative filtering
CN114329207A (zh) 多业务信息排序***、方法、存储介质及电子设备
CN111241381A (zh) 信息推荐方法、装置、电子设备及计算机可读存储介质
CN116049536A (zh) 一种推荐方法及相关装置
CN112148942A (zh) 基于数据聚类的业务指标数据分类方法及装置
CN113849745A (zh) 一种对象推荐方法、装置、设备及存储介质
CN111581492A (zh) 一种内容推荐方法、计算设备及可读存储介质
US11087045B1 (en) Apparatus and method for option data object performance prediction and modeling
KR101765292B1 (ko) 목적 기반의 데이터 분석도구 제공 장치 및 방법
KR102286661B1 (ko) 채팅을 기반으로 한 주문형 쇼핑 큐레이션 장치
CN113065067A (zh) 一种物品推荐方法、装置、计算机设备及存储介质
CN110569436A (zh) 一种基于高维辅助信息的网络媒体新闻推荐方法
CN111428119A (zh) 查询改写方法、装置、电子设备
CN114580427B (zh) 自媒体用户选择方法及相关设备

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