CN115564511A - 一种结合相邻位置及双历史序列的ctr位置消偏方法 - Google Patents

一种结合相邻位置及双历史序列的ctr位置消偏方法 Download PDF

Info

Publication number
CN115564511A
CN115564511A CN202211038536.3A CN202211038536A CN115564511A CN 115564511 A CN115564511 A CN 115564511A CN 202211038536 A CN202211038536 A CN 202211038536A CN 115564511 A CN115564511 A CN 115564511A
Authority
CN
China
Prior art keywords
information
adjacent
side information
user
pooling
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
CN202211038536.3A
Other languages
English (en)
Inventor
韩弘炀
傅剑文
陈心童
章建森
周文彬
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.)
Tianyi Electronic Commerce Co Ltd
Original Assignee
Tianyi Electronic Commerce 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 Tianyi Electronic Commerce Co Ltd filed Critical Tianyi Electronic Commerce Co Ltd
Priority to CN202211038536.3A priority Critical patent/CN115564511A/zh
Priority to PCT/CN2022/136489 priority patent/WO2024045394A1/zh
Publication of CN115564511A publication Critical patent/CN115564511A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种结合相邻位置及双历史序列的CTR位置消偏方法。本专利针对推荐***中消除位置偏置，提出一种结合相邻位置及双历史序列的CTR位置消偏方法，在模型结构中引入样本物料相邻位置、相邻位置物料及其边信息和相邻位置物料结合历史序列的信息，用于消除位置偏置，使得模型效果更为准确。在此基础上利用用户历史正负反馈信息，能更充分地学习用户偏好及厌恶的信息，提高模型效果。并设计了独立网络学习，能够剥离位置因素对结果的影响，便于实际模型推断时使用以及线上更灵活地部署。

Description

一种结合相邻位置及双历史序列的CTR位置消偏方法
技术领域
本发明涉及推荐***领域，特别涉及一种结合相邻位置及双历史序列的CTR位置消偏方法。
背景技术
千人千面的推荐形式已在电商、视频、新闻等许多生活中的场景发挥其作用，通过智能化的结果展示将众多的信息精挑细选发放给用户，让用户能看到自身更感兴趣的物品。推荐模型是基于学习用户在场景中的交互数据来判断用户对推荐物品的喜好，从而为用户推荐其满意的物品。然而，用户的交互数据受到整体展示环境的影响，例如，第3位的物料相比第6位更容易被关注，用户历史有交互的物料与第3位较为相关但与前2位相关性不大而更容易忽略前2位物料。因此，用户点击行为源于用户对该物料更感兴趣以及该物料的展示位置及环境能让用户关注到该物料。但当前大多数推荐***仅针对用户的兴趣，因此导致存在因位置信息产生的预测偏差。即便少量场景考虑了位置因素，也仅仅考虑了物料对应的位置信息，并未考虑结合用户历史行为序列信息下物料相邻位置及其展示物料对该物料的影响。
本专利针对这一实际背景，提出了一种结合相邻位置及双历史序列的CTR位置消偏方法，能够有效利用用户历史反馈信息及相邻环境信息消除预测偏差，提高推荐准确性，并且能够在模型结构层面分离位置因素的计算，便于实际模型推断时使用以及线上更灵活地部署。
发明内容
本发明要解决的技术问题是克服现有技术的缺陷，提供一种结合相邻位置及双历史序列的CTR位置消偏方法。
本发明提供了如下的技术方案：
本发明提供一种结合相邻位置及双历史序列的CTR位置消偏方法，包括以下：
一、采集模块：
利用流技术对用户在推荐场景下的曝光和点击数据进行采集并存储至hive中记为table；利用SQL对数据中曝光但并未点击的样本打标为0，点击的样本打标为1，得到第i个样本标签yi并拼接物料展示位置posi和相邻物料位置集合
Figure BDA0003819826950000021
物料及其边信息(如物料类别等)itemi和相邻物料及其边信息集合
Figure BDA0003819826950000022
其他属性xi；该用户u历史t日内最多m条点击序列
Figure BDA0003819826950000023
及曝光未点击序列
Figure BDA0003819826950000024
应当指出的是，数据采集技术及存储形式包括但不限于以上所述方式；
二、相邻位置信息提取模块：
1)embedding转化
对于table中的样本，将物料展示位置posi、展示页面中相邻物料位置集合
Figure BDA0003819826950000025
物料及其边信息itemi、展示页面中相邻物料及边信息集合
Figure BDA0003819826950000026
正反馈序列
Figure BDA0003819826950000027
和负反馈序列
Figure BDA0003819826950000028
分别转化为对应的embedding形式pembi、
Figure BDA0003819826950000029
iembi、
Figure BDA00038198269500000210
和
Figure BDA00038198269500000211
2)正负反馈序列pooling计算
对于样本i的物料及其边信息，计算其与正负反馈序列pooling，得到根据该用户历史反馈信息对于该物料及其边信息相应的偏好与厌恶信息池化pospoolu,i和negpoolu,i，其中S(·)为输出维度为1的MLP网络；
Figure BDA00038198269500000212
Figure BDA00038198269500000213
Figure BDA00038198269500000214
Figure BDA00038198269500000215
同理，对于样本i的相邻物料及其边信息，可得到该用户历史反馈信息对于该相邻物料及其边信息相应的偏好与厌恶信息pospoolu,i和negpoolu,i；
Figure BDA0003819826950000031
Figure BDA0003819826950000032
Figure BDA0003819826950000033
Figure BDA0003819826950000034
3)相邻位置信息提取
计算每个样本物料的相邻位置对应的注意力分数
Figure BDA0003819826950000035
相邻位置池化nppooli、相邻位置物料及其边信息池化nipooli、相邻位置正反馈序列池化npospooli和相邻位置负反馈序列池化nnegpooli；
concati＝concat(pembi,iembi,pospoolu,i,negpoolu,i)
Figure BDA0003819826950000036
Figure BDA0003819826950000037
Figure BDA0003819826950000038
Figure BDA0003819826950000039
Figure BDA00038198269500000310
Figure BDA00038198269500000311
三、模型构建模块
1)位置网络学习
在位置网络中分别输入pembi和nppooli使用同一多层深度网络学习，输出结果分别为presi和npresi，W1,…,WH和B1,…,BH分别表示学习的权重和偏置参数，S(·)为输出维度为1的多层深度网络；
presi＝S(pembi,W1,…,WH,B1,…,BH)
npresi＝S(nppooli,W1,…,WH,B1,…,BH)；
2)其他信息网络学习
将xi转化为对应的embedding形式xembi，在其他信息网络中分别输入iconcati和niconcati使用同一多层深度网络学习，输出结果为iresi和niresi，W’1,…,W’H和B’1,…,B’H分别表示学习的权重和偏置参数；
iconcati＝concat(iembi,pospoolu,i,negpoolu,i,xembi)
niconcati＝concat(nipooli,npospooli,nnegpooli,xembi)
iresi＝S(iconcati,W’1,…,W’H,B’1,…,B’H)
niresi＝S(niconcati,W’1,…,W’H,B’1,…,B’H)；
四、模型预测模块
在训练时
Figure BDA0003819826950000041
损失函数
Figure BDA0003819826950000042
Figure BDA0003819826950000043
在推断时仅输入物料及其边信息、正负反馈序列和其他信息，
Figure BDA0003819826950000044
并将推荐结果表result储存在hive中；由接口将推荐接口输出至前端展示。
与现有技术相比，本发明的有益效果如下：
传统推荐模型仅仅针对用户对物料的兴趣，这样在模型构建时引入了因位置信息未参与建模产生的预测偏差，使得对于用户的推荐结果有偏。尽管少量场景考虑了位置信息，也仅仅考虑了物料对应的位置信息，并未考虑结合用户历史行为序列信息下物料相邻位置及其展示物料对该物料的影响。
本专利针对推荐***中消除位置偏置，提出一种结合相邻位置及双历史序列的CTR位置消偏方法，在模型结构中引入样本物料相邻位置、相邻位置物料及其边信息和相邻位置物料结合历史序列的信息，用于消除位置偏置，使得模型效果更为准确。在此基础上利用用户历史正负反馈信息，能更充分地学习用户偏好及厌恶的信息，提高模型效果。并设计了独立网络学习，能够剥离位置因素对结果的影响，便于实际模型推断时使用以及线上更灵活地部署。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明结合相邻位置及双历史序列的CTR位置消偏算法训练及推断示意图；
图2是本发明的实施流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。其中附图中相同的标号全部指的是相同的部件。
实施例1
如图1-2，本发明提供一种结合相邻位置及双历史序列的CTR位置消偏方法，包括以下：
一、采集模块：
利用流技术对用户在推荐场景下的曝光和点击数据进行采集并存储至hive中记为table；利用SQL对数据中曝光但并未点击的样本打标为0，点击的样本打标为1，得到第i个样本标签yi并拼接物料展示位置posi和相邻物料位置集合
Figure BDA0003819826950000051
物料及其边信息(如物料类别等)itemi和相邻物料及其边信息集合
Figure BDA0003819826950000052
其他属性xi；该用户u历史t日内最多m条点击序列
Figure BDA0003819826950000053
及曝光未点击序列
Figure BDA0003819826950000054
应当指出的是，数据采集技术及存储形式包括但不限于以上所述方式；
二、相邻位置信息提取模块：
1)embedding转化
对于table中的样本，将物料展示位置posi、展示页面中相邻物料位置集合
Figure BDA0003819826950000061
物料及其边信息itemi、展示页面中相邻物料及边信息集合
Figure BDA0003819826950000062
正反馈序列
Figure BDA0003819826950000063
和负反馈序列
Figure BDA0003819826950000064
分别转化为对应的embedding形式pembi、
Figure BDA0003819826950000065
iembi、
Figure BDA0003819826950000066
和
Figure BDA0003819826950000067
2)正负反馈序列pooling计算
对于样本i的物料及其边信息，计算其与正负反馈序列pooling，得到根据该用户历史反馈信息对于该物料及其边信息相应的偏好与厌恶信息池化pospoolu,i和negpoolu,i，其中S(·)为输出维度为1的MLP网络；
Figure BDA0003819826950000068
Figure BDA0003819826950000069
Figure BDA00038198269500000610
Figure BDA00038198269500000611
同理，对于样本i的相邻物料及其边信息，可得到该用户历史反馈信息对于该相邻物料及其边信息相应的偏好与厌恶信息pospoolu,i和negpoolu,i；
Figure BDA00038198269500000612
Figure BDA00038198269500000613
Figure BDA00038198269500000614
Figure BDA00038198269500000615
3)相邻位置信息提取
计算每个样本物料的相邻位置对应的注意力分数
Figure BDA00038198269500000616
相邻位置池化nppooli、相邻位置物料及其边信息池化nipooli、相邻位置正反馈序列池化npospooli和相邻位置负反馈序列池化nnegpooli；
concati＝concat(pembi,iembi,pospoolu,i,negpoolu,i)
Figure BDA0003819826950000071
Figure BDA0003819826950000072
Figure BDA0003819826950000073
Figure BDA0003819826950000074
Figure BDA0003819826950000075
Figure BDA0003819826950000076
三、模型构建模块
1)位置网络学习
在位置网络中分别输入pembi和nppooli使用同一多层深度网络学习，输出结果分别为presi和npresi，W1,…,WH和B1,…,BH分别表示学习的权重和偏置参数，S(·)为输出维度为1的多层深度网络；
presi＝S(pembi,W1,…,WH,B1,…,BH)
npresi＝S(nppooli,W1,…,WH,B1,…,BH)；
2)其他信息网络学习
将xi转化为对应的embedding形式xembi，在其他信息网络中分别输入iconcati和niconcati使用同一多层深度网络学习，输出结果为iresi和niresi，W’1,…,W’H和B’1,…,B’H分别表示学习的权重和偏置参数；
iconcati＝concat(iembi,pospoolu,i,negpoolu,i,xembi)
niconcati＝concat(nipooli,npospooli,nnegpooli,xembi)
iresi＝S(iconcati,W’1,…,W’H,B’1,…,B’H)
niresi＝S(niconcati,W’1,…,W’H,B’1,…,B’H)；
四、模型预测模块
在训练时
Figure BDA0003819826950000081
损失函数
Figure BDA0003819826950000082
Figure BDA0003819826950000083
在推断时仅输入物料及其边信息、正负反馈序列和其他信息，
Figure BDA0003819826950000084
并将推荐结果表result储存在hive中；由接口将推荐接口输出至前端展示。
进一步的，示例如下：
1.利用流技术对用户的曝光和点击数据进行采集并存储至hive中记为table。利用SQL得到第i个样本标签yi并拼接物料展示位置posi和相邻物料位置集合
Figure BDA0003819826950000085
物料及其边信息(如物料类别等)itemi和相邻物料及其边信息集合
Figure BDA0003819826950000086
其他属性xi；该用户u历史t日内最多m条点击序列
Figure BDA0003819826950000087
及曝光未点击序列
Figure BDA0003819826950000088
2.将样本值转化为对应的embedding形式pembi、
Figure BDA0003819826950000089
iembi、
Figure BDA00038198269500000810
xembi、
Figure BDA00038198269500000811
和
Figure BDA00038198269500000812
根据该用户历史反馈信息对于该物料及其边信息以及相邻物料及其边信息相应的偏好与厌恶信息池化pospoolu,i、negpoolu,i、pospoolu,i和negpoolu,i，其中S(·)为输出维度为1的MLP网络。
Figure BDA00038198269500000813
Figure BDA00038198269500000814
Figure BDA00038198269500000815
Figure BDA00038198269500000816
Figure BDA00038198269500000817
Figure BDA00038198269500000818
Figure BDA0003819826950000091
Figure BDA0003819826950000092
3.计算相邻位置池化nppooli、相邻位置物料及其边信息池化nppooli和相邻位置正负反馈序列池化npospooli和nnegpooli。
concati＝concat(pembi,iembi,pospoolu,i,negpoolu,i)
Figure BDA0003819826950000093
Figure BDA0003819826950000094
Figure BDA0003819826950000095
Figure BDA0003819826950000096
Figure BDA0003819826950000097
Figure BDA0003819826950000098
4.使用位置独立网络计算
presi＝S(pembi,W1,…,WH,B1,…,BH)
npresi＝S(nppooli,W1,…,WH,B1,…,BH)
5.使用其他信息独立网络计算
iconcati＝concat(iembi,pospoolu,i,negpoolu,i,xembi)
niconcati＝concat(nipooli,npospooli,nnegpooli,xembi)
iresi＝S(iconcati,W’1,…,W’H,B’1,…,B’H)
niresi＝S(niconcati,W’1,…,W’H,B’1,…,B’H)
6.以
Figure BDA0003819826950000099
损失函数
Figure BDA00038198269500000910
Figure BDA00038198269500000911
训练模型。
7.取需要预测的物料及其边信息、正负反馈序列和其他信息转化为对应的embedding形式iembj、pospoolu,j、negpoolu,j和xembj。利用训练好的模型计算
iresi＝S(iconcati,W’1,…,W’H,B’1,…,B’H)和
Figure BDA0003819826950000101
将推荐结果result储存在hive中并将结果推至hbase。由接口将推荐接口输出至前端展示。
本发明中具备以下特征：
1.提出了消除推荐模型位置偏置的方法，利用物料展示位置、相邻位置、相邻物料、历史行为序列池化及相邻物料历史行为序列池化提取相应信息，能够有效提高模型准确性。
2.提出了利用双历史序列来提取用户偏好及厌恶信息的方法，能够在模型中更准确地学习用户正负反馈信息，有效提高模型推荐效果。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种结合相邻位置及双历史序列的CTR位置消偏方法，其特征在于，包括以下：
一、采集模块：
利用流技术对用户在推荐场景下的曝光和点击数据进行采集并存储至hive中记为table；利用SQL对数据中曝光但并未点击的样本打标为0，点击的样本打标为1，得到第i个样本标签yi并拼接物料展示位置posi和相邻物料位置集合
Figure FDA0003819826940000011
物料及其边信息(如物料类别等)itemi和相邻物料及其边信息集合
Figure FDA0003819826940000012
其他属性xi；该用户u历史t日内最多m条点击序列
Figure FDA0003819826940000013
及曝光未点击序列
Figure FDA0003819826940000014
应当指出的是，数据采集技术及存储形式包括但不限于以上所述方式；
二、相邻位置信息提取模块：
1)embedding转化
对于table中的样本，将物料展示位置posi、展示页面中相邻物料位置集合
Figure FDA0003819826940000015
物料及其边信息itemi、展示页面中相邻物料及边信息集合
Figure FDA0003819826940000016
正反馈序列
Figure FDA0003819826940000017
和负反馈序列
Figure FDA0003819826940000018
分别转化为对应的embedding形式pembi、
Figure FDA0003819826940000019
iembi、
Figure FDA00038198269400000110
和
Figure FDA00038198269400000111
2)正负反馈序列pooling计算
对于样本i的物料及其边信息，计算其与正负反馈序列pooling，得到根据该用户历史反馈信息对于该物料及其边信息相应的偏好与厌恶信息池化pospoolu,i和negpoolu,i，其中S(·)为输出维度为1的MLP网络；
Figure FDA00038198269400000112
Figure FDA00038198269400000113
Figure FDA00038198269400000114
Figure FDA00038198269400000115
同理，对于样本i的相邻物料及其边信息，可得到该用户历史反馈信息对于该相邻物料及其边信息相应的偏好与厌恶信息pospoolu,i和negpoolu,i；
Figure FDA0003819826940000021
Figure FDA0003819826940000022
Figure FDA0003819826940000023
Figure FDA0003819826940000024
3)相邻位置信息提取
计算每个样本物料的相邻位置对应的注意力分数
Figure FDA0003819826940000025
相邻位置池化nppooli、相邻位置物料及其边信息池化nipooli、相邻位置正反馈序列池化npospooli和相邻位置负反馈序列池化nnegpooli；
concati＝concat(pembi,iembi,pospoolu,i,negpoolu,i)
Figure FDA0003819826940000026
Figure FDA0003819826940000027
Figure FDA0003819826940000028
Figure FDA0003819826940000029
Figure FDA00038198269400000210
Figure FDA00038198269400000211
三、模型构建模块
1)位置网络学习
在位置网络中分别输入pembi和nppooli使用同一多层深度网络学习，输出结果分别为presi和npresi，W1,…,WH和B1,…,BH分别表示学习的权重和偏置参数，S(·)为输出维度为1的多层深度网络；
presi＝S(pembi,W1,…,WH,B1,…,BH)
npresi＝S(nppooli,W1,…,WH,B1,…,BH)；
2)其他信息网络学习
将xi转化为对应的embedding形式xembi，在其他信息网络中分别输入iconcati和niconcati使用同一多层深度网络学习，输出结果为iresi和niresi，W’1,…,W’H和B’1,…,B’H分别表示学习的权重和偏置参数；
iconcati＝concat(iembi,pospoolu,i,negpoolu,i,xembi)
niconcati＝concat(nipooli,npospooli,nnegpooli,xembi)
iresi＝S(iconcati,W′1,…,W′H,B′1,…,B′H)
niresi＝S(niconcati,W′1,…,W′H,B′1,…,B′H)；
四、模型预测模块
在训练时
Figure FDA0003819826940000031
损失函数
Figure FDA0003819826940000032
Figure FDA0003819826940000033
在推断时仅输入物料及其边信息、正负反馈序列和其他信息，
Figure FDA0003819826940000034
并将推荐结果表result储存在hive中；由接口将推荐接口输出至前端展示。
CN202211038536.3A 2022-08-29 2022-08-29 一种结合相邻位置及双历史序列的ctr位置消偏方法 Pending CN115564511A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211038536.3A CN115564511A (zh) 2022-08-29 2022-08-29 一种结合相邻位置及双历史序列的ctr位置消偏方法
PCT/CN2022/136489 WO2024045394A1 (zh) 2022-08-29 2022-12-05 一种结合相邻位置及双历史序列的ctr位置消偏方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211038536.3A CN115564511A (zh) 2022-08-29 2022-08-29 一种结合相邻位置及双历史序列的ctr位置消偏方法

Publications (1)

Publication Number Publication Date
CN115564511A true CN115564511A (zh) 2023-01-03

Family

ID=84738297

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211038536.3A Pending CN115564511A (zh) 2022-08-29 2022-08-29 一种结合相邻位置及双历史序列的ctr位置消偏方法

Country Status (2)

Country Link
CN (1) CN115564511A (zh)
WO (1) WO2024045394A1 (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100153370A1 (en) * 2008-12-15 2010-06-17 Microsoft Corporation System of ranking search results based on query specific position bias
CN112487278A (zh) * 2019-09-11 2021-03-12 华为技术有限公司 推荐模型的训练方法、预测选择概率的方法及装置
CN111177575B (zh) * 2020-04-07 2020-07-24 腾讯科技（深圳）有限公司 一种内容推荐方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
WO2024045394A1 (zh) 2024-03-07

Similar Documents

Publication Publication Date Title
Schröter et al. Citizen science for assessing ecosystem services: Status, challenges and opportunities
CN107105320B (zh) 一种基于用户情绪的在线视频热度预测方法及***
Stafford et al. Eu-social science: the role of internet social networks in the collection of bee biodiversity data
CN108268441B (zh) 句子相似度计算方法和装置及***
JP2019114222A (ja) 撮像システム、学習装置、および撮像装置
CN101754056A (zh) 支持海量数据自动处理的数字内容编目管理***及方法
CN114565826A (zh) 一种农业病虫害识别诊断方法、***及装置
JP2011198364A (ja) 媒体文書へのラベル添加方法及び該方法を用いるシステム
Rong et al. Pest Identification and Counting of Yellow Plate in Field Based on Improved Mask R‐CNN
CN108806355B (zh) 一种书画艺术互动教育***
CN108182597A (zh) 一种基于决策树和逻辑回归的点击率预估方法
CN112967112A (zh) 一种自注意力机制和图神经网络的电商推荐方法
Mesaglio et al. Recognition and completeness: two key metrics for judging the utility of citizen science data
CN111723256A (zh) 一种基于信息资源库的政务用户画像构建方法及其***
JP2023545896A (ja) シーケンス情報を融合した特徴組み合わせ推薦アルゴリズムフレームワーク
CN113239159A (zh) 基于关系推理网络的视频和文本的跨模态检索方法
CN110704510A (zh) 一种结合用户画像的题目推荐方法及***
CN112000889A (zh) 一种信息汇聚呈现***
CN112528010A (zh) 知识推荐方法、装置、计算机设备及可读存储介质
CN113065342B (zh) 一种基于关联关系分析的课程推荐方法
Zhaosheng et al. Rapid detection of wheat ears in orthophotos from unmanned aerial vehicles in fields based on YOLOX
CN113361928A (zh) 一种基于异构图注意力网络的众包任务推荐方法
CN113095883B (zh) 基于深度交叉注意力网络的视频付费用户预测方法及***
CN115564511A (zh) 一种结合相邻位置及双历史序列的ctr位置消偏方法
CN116542687A (zh) 数字藏品属性信息分析处理方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication