CN116049535A - 信息推荐方法、装置、终端装置及存储介质 - Google Patents
信息推荐方法、装置、终端装置及存储介质 Download PDFInfo
- Publication number
- CN116049535A CN116049535A CN202211002589.XA CN202211002589A CN116049535A CN 116049535 A CN116049535 A CN 116049535A CN 202211002589 A CN202211002589 A CN 202211002589A CN 116049535 A CN116049535 A CN 116049535A
- Authority
- CN
- China
- Prior art keywords
- preset
- behavior data
- recommendation
- historical behavior
- information recommendation
- 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 71
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 230000006399 behavior Effects 0.000 claims description 260
- 238000012549 training Methods 0.000 claims description 121
- 238000012360 testing method Methods 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 18
- 238000010801 machine learning Methods 0.000 claims description 15
- 230000003542 behavioural effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 33
- 230000006854 communication Effects 0.000 description 33
- 230000006870 function Effects 0.000 description 33
- 238000010586 diagram Methods 0.000 description 22
- 238000007726 management method Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 14
- 230000005236 sound signal Effects 0.000 description 13
- 230000007774 longterm Effects 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 7
- 210000004027 cell Anatomy 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000013179 statistical model Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003416 augmentation Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered 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
- 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种信息推荐方法、装置、终端装置及存储介质。该方法中,终端设备通过获取用户使用信息的第一历史行为数据和第二历史行为数据,基于第一历史行为数据和第二历史行为数据采用预设算法可分别训练得到第一信息推荐模型和第二信息推荐模型,再基于第一信息推荐模型和第二信息推荐模型可分别得到第一推荐结果和第二推荐结果。另外,基于第一预设权重和第二预设权重,对第一推荐结果和第二推荐结果进行融合计算,生成目标推荐结果。通过第一预设权重和第二预设权重综合计算第一推荐结果和第二推荐结果,使得最终生成的目标推荐结果更加准确。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及信息推荐方法、装置、终端装置及存储介质。
背景技术
随着互联网的快速发展,越来越多的信息充斥在人们的生活中,人们需要从大量的信息中寻找有用的信息,但是这个信息寻找的过程显然耗费了人们大量的时间精力。因此,在社交、新闻、电商、音视频或应用推送等领域,通常可以向用户进行信息推荐,以使用户快捷地获取到感兴趣的信息。
例如,用户在使用终端设备时,由于终端设备上具有多种类型的应用程序,通过向用户推荐当前感兴趣的应用程序并展示在界面的局部区域,以便于用户快速查找并选择相应的应用程序。传统地,在向用户进行信息推荐时,通常是直接对用户的历史行为数据进行分析,从而基于分析结果向用户推荐信息。
然而,采用上述信息推荐方法推荐用户当前感兴趣的信息的准确性较低。
发明内容
为了解决直接对用户的历史行为数据进行分析,基于该分析结果向用户推荐当前感兴趣的信息准确性低的问题,本申请实施例提供了一种信息推荐方法装置、终端装置及存储介质。
第一方面,本申请实施例公开了一种信息推荐方法,应用于终端设备,包括:
获取用户使用信息的历史行为数据;其中,历史行为数据包括第一预设时间段内的第一历史行为数据及第二预设时间段内的第二历史行为数据,第一预设时间段大于第二预设时间段;
基于第一历史行为数据训练得到的第一预设信息推荐模型,生成第一推荐结果,并基于第二历史行为数据训练得到的第二预设信息推荐模型,生成第二推荐结果;
获取第一预设权重及第二预设权重,第一预设权重用于表征第一推荐结果的准确性,第二预设权重用于表征第二推荐结果的准确性;
基于第一预设权重和第二预设权重,对第一推荐结果和第二推荐结果进行融合计算,生成目标推荐结果。
通过上述方案,采用不同的信息推荐模型针对性的对相应的历史行为数据进行计算,所得到的推荐结果更加准确。另外,通过获取第一预设权重及第二预设权重,基于第一预设权重和第二预设权重,对第一推荐结果和第二推荐结果进行融合计算,生成目标推荐结果。其中,第一预设权重用于表征第一推荐结果的准确性,第二预设权重用于表征第二推荐结果的准确性,通过第一预设权重和第二预设权重综合计算第一推荐结果和第二推荐结果,使得最终生成的目标推荐结果更加准确。
一种实现方式中,获取第一预设权重及第二预设权重,包括:基于第一预设信息推荐模型,确定第一预设权重;基于第二预设信息推荐模型,确定第二预设权重。
通过上述方案,分别通过训练好的模型来直接确定第一预设权重和第二预设权重,所确定的权重是与模型所对应的,这样能够提高确定预设权重的效率的同时,还能够为不同的模型设定不同的权重,使得后续生成目标推荐结果的准确性也更高。
一种实现方式中,基于第一预设信息推荐模型,确定第一预设权重,包括:将第一历史行为数据中的第一测试样本行为数据输入至第一预设信息推荐模型中进行计算,生成第一预测推荐结果;其中,第一测试样本行为数据的采集时刻大于第一训练样本行为数据的采集时刻;基于第一预测推荐结果及第一参考推荐结果,计算第一预设信息推荐模型的第一准确率;第一参考推荐结果是基于第一历史行为数据确定的;基于第一准确率,确定第一预设权重。
一种实现方式中,基于第二预设信息推荐模型,确定第二预设权重,包括:将第二历史行为数据中的第二测试样本行为数据输入至第二预设信息推荐模型中进行计算,生成第二预测推荐结果;其中,第二测试样本行为数据的采集时刻大于第二训练样本行为数据的采集时刻;基于第二预测推荐结果及第二参考推荐结果,计算第二预设信息推荐模型的第二准确率;第二参考推荐结果是基于第二历史行为数据确定的;基于第二准确率,确定第二预设权重。
通过上述方案,分别通过第一测试样本行为数据和第二测试样本行为数据,对第一预设信息推荐模型和第二预设信息推荐模型进行测试后得到模型的准确率,准确率能够评价对应信息推荐模型的性能,分别将准确率作为与第一预设权重,及与第二预设权重,所确定的第一预设权重和第二预设权重更加准确与可靠。
一种实现方式中,基于第一历史行为数据训练得到的第一预设信息推荐模型,生成第一推荐结果,并基于第二历史行为数据训练得到的第二预设信息推荐模型,生成第二推荐结果,包括:
采用预设统计规则对第一历史行为数据中的第一训练样本行为数据进行训练,生成第一预设信息推荐模型;其中,第一预设信息推荐模型中包括与第一训练样本行为数据对应的第一推荐结果;
并采用预设统计规则对第二历史行为数据中的第二训练样本行为数据进行训练,生成第二预设信息推荐模型;其中,第二预设信息推荐模型中包括与第二训练样本行为数据对应的第二推荐结果。
通过上述方案,采用统计学算法训练得到的第一预设信息推荐模型和第二预设信息推荐模型中本身包括了相应的推荐结果,也提高了生成第一推荐结果和第二推荐结果的效率。
一种实现方式中,第一预设信息推荐模型和第二预设信息推荐模型的生成过程,还包括:
采用预设机器学习算法对第一历史行为数据中的第一训练样本行为数据进行训练,生成第一预设信息推荐模型;
并采用预设机器学习算法对第二历史行为数据中的第二训练样本行为数据进行训练,生成第二预设信息推荐模型。
一种实现方式中,基于第一历史行为数据训练得到的第一预设信息推荐模型,生成第一推荐结果,并基于第二历史行为数据训练得到的第二预设信息推荐模型,生成第二推荐结果,还包括:
将用户的当前状态数据输入至第一预设信息推荐模型中进行计算,生成第一推荐结果;
并将用户的当前状态数据输入至第二预设信息推荐模型中进行计算,生成第二推荐结果。
通过上述方案,采用机器学习算法可以结合用户不同类型的历史行为数据训练模型,使得训练模型时的灵活性更佳,另外,所生成的第一推荐结果和第二推荐结果的准确性也较高。
一种实现方式中,第一历史行为数据包括第一预设时间段中多个采集时刻下用户使用信息时的状态数据;第二历史行为数据包括第二预设时间段中多个采集时刻下用户使用信息时的状态数据;其中,各状态数据包括用户使用信息的时间、次数、时长、时间段类型、终端设备关联外接设备时的状态、外接设备的类型、以及终端设备关联外接设备时用户使用信息的状态中的至少一种,时间段类型包括工作日和非工作日。
通过上述方案,可以采集不同类型的历史行为数据,可以单独根据其中一种类型的历史行为数据确定目标推荐结果,也可以结合多种类型的历史行为数据确定目标推荐,提高了生成目标推荐结果的准确性。
一种实现方式中,历史行为数据还包括地理位置数据、网络数据和上下文信息中的至少一种;其中,上下文信息包括用户在与当前时刻相邻的预设时间段内的历史行为数据。
通过上述方案,由于还可以结合不同维度下用户的历史行为数据,可以在实际场景下采用不同的历史行为数据,也可以采用多种维度下历史行为数据的组合,从而可以有效提高向用户推荐信息的准确性。
第二方面,本申请实施例提供一种信息推荐装置,应用于终端设备,包括:
第一获取模块,用于获取用户使用信息的历史行为数据;其中,历史行为数据包括第一预设时间段内的第一历史行为数据及第二预设时间段内的第二历史行为数据,第一预设时间段大于第二预设时间段;
第一生成模块,用于基于第一历史行为数据训练得到的第一预设信息推荐模型,生成第一推荐结果,并基于第二历史行为数据训练得到的第二预设信息推荐模型,生成第二推荐结果;
第二获取模块,用于获取第一预设权重及第二预设权重,第一预设权重用于表征第一推荐结果的准确性,第二预设权重用于表征第二推荐结果的准确性;
第二生成模块,用于基于第一预设权重和第二预设权重,对第一推荐结果和第二推荐结果进行融合计算,生成目标推荐结果。
通过上述方案,采用不同的信息推荐模型针对性的对相应的历史行为数据进行计算,所得到的推荐结果更加准确。另外,通过获取第一预设权重及第二预设权重,基于第一预设权重和第二预设权重,对第一推荐结果和第二推荐结果进行融合计算,生成目标推荐结果。其中,第一预设权重用于表征第一推荐结果的准确性,第二预设权重用于表征第二推荐结果的准确性,通过第一预设权重和第二预设权重综合计算第一推荐结果和第二推荐结果,使得最终生成的目标推荐结果更加准确。
第三方面,本申请实施例提供一种终端装置,包括:
至少一个处理器和存储器;
所述存储器,用于存储程序指令;
所述处理器,用于调用并执行所述存储器中存储的程序指令,以使所述终端装置执行如第一方面所述的信息推荐方法。
第四方面,本申请实施例提供一种计算机可读存储介质;
所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得所述计算机执行如第一方面所述的信息推荐方法。
第五方面,本申请实施例提供一种包含指令的计算机程序产品,当所述计算机程序产品在电子设备上运行时,使得所述电子设备执行如第一方面所述的信息推荐方法。
本申请实施例提供一种信息推荐方法、装置、终端装置及存储介质。该方法中,通过获取用户使用信息的第一历史行为数据和第二历史行为数据,第一历史行为数据为用户使用信息的长期数据,第二历史行为数据为用户使用信息的短期数据,基于第一历史行为数据和第二历史行为数据采用预设算法可分别训练得到第一信息推荐模型和第二信息推荐模型,再基于第一信息推荐模型和第二信息推荐模型可分别得到第一推荐结果和第二推荐结果。另外,通过获取第一预设权重及第二预设权重,基于第一预设权重和第二预设权重,对第一推荐结果和第二推荐结果进行融合计算,生成目标推荐结果。其中,第一预设权重用于表征第一推荐结果的准确性,第二预设权重用于表征第二推荐结果的准确性,通过第一预设权重和第二预设权重综合计算第一推荐结果和第二推荐结果,使得最终生成的目标推荐结果更加准确。
附图说明
图1为本申请实施例公开的一种终端设备的结构示意图;
图2为本申请实施例公开的一种信息推荐方法的工作流程示意图;
图3为本申请实施例公开的一种生成目标推荐结果的整体架构图;
图4为本申请实施例公开的一种生成第一预设信息推荐模型和第二预设信息推荐模型的工作流程示意图;
图5为本申请实施例公开的另一种生成目标推荐结果的整体架构图;
图6为本申请实施例公开的一种生成第一推荐结果和第二推荐结果的工作流程示意图;
图7为本申请实施例公开的一种生成第一预设权重的工作流程示意图;
图8为本申请实施例公开的一种生成第二预设权重的工作流程示意图;
图9为本申请实施例公开的一种展示目标推荐结果的示意图;
图10为本申请实施例公开的另一种展示目标推荐结果的示意图;
图11为本申请实施例公开的另一种信息推荐方法的工作流程示意图;
图12为本申请实施例公开的一种信息推荐装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
以下实施例中所使用的术语只是为了描述特定实施例的目的,而并非旨在作为对本申请的限制。如在本申请的说明书和所附权利要求书中所使用的那样,单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括例如“一个或多个”这种表达形式,除非其上下文中明确地有相反指示。还应当理解,在本申请以下各实施例中,“至少一个”、“一个或多个”是指一个、两个或两个以上。术语“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系;例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A、B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。
在本说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
为了解决直接对用户的历史行为数据进行分析,从而基于分析结果向用户推荐信息,从而影响推荐用户当前感兴趣的信息的准确性的问题,本申请实施例提供了一种信息推荐方法及装置。
其中,该方法应用于终端设备,所述终端设备可为手机、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、手持计算机、上网本、个人数字助理(personal digital assistant,PDA)、智能可穿戴设备和虚拟现实设备等终端设备,本申请实施例对此不做任何限制。
以手机为上述终端设备举例,图1示出了一种手机的结构示意图。
手机可以包括处理器110,外部存储器接口120,内部存储器121,通用串行总线(universal serial bus,USB)接口130,充电管理模块140,电源管理模块141,电池142,天线1,天线2,射频模块150,通信模块160,音频模块170,扬声器170A,受话器170B,麦克风170C,耳机接口170D,传感器模块180,按键190,马达191,指示器192,摄像头193,屏幕301,以及用户标识模块(subscriber identification module,SIM)卡接口195等。
可以理解的是,本申请实施例示意的结构并不构成对手机的具体限定。在本申请另一些实施例中,手机可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件,软件或软件和硬件的组合实现。
处理器110可以包括一个或多个处理单元,例如:处理器110可以包括应用处理器(application processor,AP),调制解调处理器,图形处理器(graphics processingunit,GPU),图像信号处理器(image signal processor,ISP),控制器,存储器,视频编解码器,数字信号处理器(digital signal processor,DSP),基带处理器,和/或神经网络处理器(neural-network processing unit,NPU)等。其中,不同的处理单元可以是独立的器件,也可以集成在一个或多个处理器中。
其中,控制器可以是手机的神经中枢和指挥中心。控制器可以根据指令操作码和时序信号,产生操作控制信号,完成取指令和执行指令的控制。
处理器110中还可以设置存储器,用于存储指令和数据。在一些实施例中,处理器110中的存储器为高速缓冲存储器。该存储器可以保存处理器110刚用过或循环使用的指令或数据。如果处理器110需要再次使用该指令或数据,可从所述存储器中直接调用。避免了重复存取,减少了处理器110的等待时间,因而提高了***的效率。
在一些实施例中,处理器110可以包括一个或多个接口。接口可以包括集成电路(inter-integrated circuit,I2C)接口,集成电路内置音频(inter-integrated circuitsound,I2S)接口,脉冲编码调制(pulse code modulation,PCM)接口,通用异步收发传输器(universal asynchronous receiver/transmitter,UART)接口,移动产业处理器接口(mobile industry processor interface,MIPI),通用输入输出(general-purposeinput/output,GPIO)接口,用户标识模块(subscriber identity module,SIM)接口,和/或通用串行总线(universal serial bus,USB)接口等。
I2C接口是一种双向同步串行总线,包括一根串行数据线(serial data line,SDA)和一根串行时钟线(derail clock line,SCL)。在一些实施例中,处理器110可以包含多组I2C总线。处理器110可以通过不同的I2C总线接口分别耦合触摸传感器,充电器,闪光灯,摄像头193等。例如:处理器110可以通过I2C接口耦合触摸传感器,使处理器110与触摸传感器通过I2C总线接口通信,实现手机的触摸功能。
I2S接口可以用于音频通信。在一些实施例中,处理器110可以包含多组I2S总线。处理器110可以通过I2S总线与音频模块170耦合,实现处理器110与音频模块170之间的通信。在一些实施例中,音频模块170可以通过I2S接口向通信模块160传递音频信号,实现通过蓝牙耳机接听电话的功能。
PCM接口也可以用于音频通信,将模拟信号抽样,量化和编码。在一些实施例中,音频模块170与通信模块160可以通过PCM总线接口耦合。在一些实施例中,音频模块170也可以通过PCM接口向通信模块160传递音频信号,实现通过蓝牙耳机接听电话的功能。所述I2S接口和所述PCM接口都可以用于音频通信。
UART接口是一种通用串行数据总线,用于异步通信。该总线可以为双向通信总线。它将要传输的数据在串行通信与并行通信之间转换。在一些实施例中,UART接口通常被用于连接处理器110与通信模块160。例如:处理器110通过UART接口与通信模块160中的蓝牙模块通信,实现蓝牙功能。在一些实施例中,音频模块170可以通过UART接口向通信模块160传递音频信号,实现通过蓝牙耳机播放音乐的功能。
MIPI接口可以被用于连接处理器110与屏幕301,摄像头193等***器件。MIPI接口包括摄像头串行接口(camera serial interface,CSI),显示屏串行接口(display serialinterface,DSI)等。在一些实施例中,处理器110和摄像头193通过CSI接口通信,实现手机的拍摄功能。处理器110和屏幕301通过DSI接口通信,实现手机的显示功能。
GPIO接口可以通过软件配置。GPIO接口可以被配置为控制信号,也可被配置为数据信号。在一些实施例中,GPIO接口可以用于连接处理器110与摄像头193,屏幕301,通信模块160,音频模块170,传感器模块180等。GPIO接口还可以被配置为I2C接口,I2S接口,UART接口,MIPI接口等。
USB接口130是符合USB标准规范的接口,具体可以是Mini USB接口,Micro USB接口,USB Type C接口等。USB接口130可以用于连接充电器为手机充电,也可以用于手机与***设备之间传输数据。也可以用于连接耳机,通过耳机播放音频。该接口还可以用于连接其他终端设备,例如AR设备等。
可以理解的是,本申请实施例示意的各模块间的接口连接关系,只是示意性说明,并不构成对手机的结构限定。在本申请另一些实施例中,手机也可以采用上述实施例中不同的接口连接方式,或多种接口连接方式的组合。
充电管理模块140用于从充电器接收充电输入。其中,充电器可以是无线充电器,也可以是有线充电器。在一些有线充电的实施例中,充电管理模块140可以通过USB接口130接收有线充电器的充电输入。在一些无线充电的实施例中,充电管理模块140可以通过手机的无线充电线圈接收无线充电输入。充电管理模块140为电池142充电的同时,还可以通过电源管理模块141为终端设备供电。
电源管理模块141用于连接电池142,充电管理模块140与处理器110。电源管理模块141接收电池142和/或充电管理模块140的输入,为处理器110,内部存储器121,外部存储器,屏幕301,摄像头193,和通信模块160等供电。电源管理模块141还可以用于监测电池容量,电池循环次数,电池健康状态(漏电,阻抗)等参数。在其他一些实施例中,电源管理模块141也可以设置于处理器110中。在另一些实施例中,电源管理模块141和充电管理模块140也可以设置于同一个器件中。
手机的无线通信功能可以通过天线1,天线2,射频模块150,通信模块160,调制解调处理器以及基带处理器等实现。
天线1和天线2用于发射和接收电磁波信号。手机中的每个天线可用于覆盖单个或多个通信频带。不同的天线还可以复用,以提高天线的利用率。例如:可以将天线1复用为无线局域网的分集天线。在另外一些实施例中,天线可以和调谐开关结合使用。
射频模块150可以提供应用在手机上的包括2G/3G/4G/5G等无线通信的解决方案。射频模块150可以包括至少一个滤波器,开关,功率放大器,低噪声放大器(low noiseamplifier,LNA)等。射频模块150可以由天线1接收电磁波,并对接收的电磁波进行滤波,放大等处理,传送至调制解调处理器进行解调。射频模块150还可以对经调制解调处理器调制后的信号放大,经天线1转为电磁波辐射出去。在一些实施例中,射频模块150的至少部分功能模块可以被设置于处理器110中。在一些实施例中,射频模块150的至少部分功能模块可以与处理器110的至少部分模块被设置在同一个器件中。
调制解调处理器可以包括调制器和解调器。其中,调制器用于将待发送的低频基带信号调制成中高频信号。解调器用于将接收的电磁波信号解调为低频基带信号。随后解调器将解调得到的低频基带信号传送至基带处理器处理。低频基带信号经基带处理器处理后,被传递给应用处理器。应用处理器通过音频设备(不限于扬声器170A,受话器170B等)输出声音信号,或通过屏幕301显示图像或视频。在一些实施例中,调制解调处理器可以是独立的器件。在另一些实施例中,调制解调处理器可以独立于处理器110,与射频模块150或其他功能模块设置在同一个器件中。
通信模块160可以提供应用在手机上的包括无线局域网(wireless local areanetworks,WLAN)(如无线保真(wireless fidelity,Wi-Fi)网络),蓝牙(Bluetooth,BT),全球导航卫星***(global navigation satellite system,GNSS),调频(frequencymodulation,FM),近距离无线通信技术(near field communication,NFC),红外技术(infrared,IR)等无线通信的解决方案。通信模块160可以是集成至少一个通信处理模块的一个或多个器件。通信模块160经由天线2接收电磁波,将电磁波信号调频以及滤波处理,将处理后的信号发送到处理器110。通信模块160还可以从处理器110接收待发送的信号,对其进行调频,放大,经天线2转为电磁波辐射出去。
在一些实施例中,手机的天线1和射频模块150耦合,天线2和通信模块160耦合,使得手机可以通过无线通信技术与网络以及其他设备通信。所述无线通信技术可以包括全球移动通讯***(global system for mobile communications,GSM),通用分组无线服务(general packet radio service,GPRS),码分多址接入(code division multipleaccess,CDMA),宽带码分多址(wideband code division multiple access,WCDMA),时分码分多址(time-division code division multiple access,TD-SCDMA),长期演进(longterm evolution,LTE),BT,GNSS,WLAN,NFC,FM,和/或IR技术等。所述GNSS可以包括全球卫星定位***(global positioning system,GPS),全球导航卫星***(global navigationsatellite system,GLONASS),北斗卫星导航***(beidou navigation satellitesystem,BDS),准天顶卫星***(quasi-zenith satellite system,QZSS)和/或星基增强***(satellite based augmentation systems,SBAS)。
手机通过GPU,屏幕301,以及应用处理器等实现显示功能。GPU为图像处理的微处理器,连接屏幕301和应用处理器。GPU用于执行数学和几何计算,用于图形渲染。处理器110可包括一个或多个GPU,其执行程序指令以生成或改变显示信息。在本申请实施例中,屏幕301中可包括显示器和触控器件。显示器用于向用户输出显示内容,触控器件用于接收用户在屏幕301上输入的触摸事件。
在手机中,传感器模块180可以包括陀螺仪,加速度传感器,压力传感器,气压传感器,磁传感器(例如霍尔传感器),距离传感器,接近光传感器,指纹传感器,温度传感器,触摸传感器,热释电红外传感器,环境光传感器或骨传导传感器等一项或多项,本申请实施例对此不做任何限制。
手机可以通过ISP,摄像头193,视频编解码器,GPU,柔性屏幕301以及应用处理器等实现拍摄功能。
ISP用于处理摄像头193反馈的数据。例如,拍照时,打开快门,光线通过镜头被传递到摄像头感光元件上,光信号转换为电信号,摄像头感光元件将所述电信号传递给ISP处理,转化为肉眼可见的图像。ISP还可以对图像的噪点,亮度,肤色进行算法优化。ISP还可以对拍摄场景的曝光,色温等参数优化。在一些实施例中,ISP可以设置在摄像头193中。
摄像头193用于捕获静态图像或视频。物体通过镜头生成光学图像投射到感光元件。感光元件可以是电荷耦合器件(charge coupled device,CCD)或互补金属氧化物半导体(complementary metal-oxide-semiconductor,CMOS)光电晶体管。感光元件把光信号转换成电信号,之后将电信号传递给ISP转换成数字图像信号。ISP将数字图像信号输出到DSP加工处理。DSP将数字图像信号转换成标准的RGB,YUV等格式的图像信号。在一些实施例中,手机可以包括1个或N个摄像头193,N为大于1的正整数。
数字信号处理器用于处理数字信号,除了可以处理数字图像信号,还可以处理其他数字信号。例如,当手机在频点选择时,数字信号处理器用于对频点能量进行傅里叶变换等。
视频编解码器用于对数字视频压缩或解压缩。手机可以支持一种或多种视频编解码器。这样,手机可以播放或录制多种编码格式的视频,例如:动态图像专家组(movingpicture experts group,MPEG)1,MPEG2,MPEG3,MPEG4等。
NPU为神经网络(neural-network,NN)计算处理器,通过借鉴生物神经网络结构,例如借鉴人脑神经元之间传递模式,对输入信息快速处理,还可以不断的自学习。通过NPU可以实现手机的智能认知等应用,例如:图像识别,人脸识别,语音识别,文本理解等。
外部存储器接口120可以用于连接外部存储卡,例如Micro SD卡,实现扩展手机的存储能力。外部存储卡通过外部存储器接口120与处理器110通信,实现数据存储功能。例如将音乐,视频等文件保存在外部存储卡中。
内部存储器121可以用于存储计算机可执行程序代码,所述可执行程序代码包括指令。处理器110通过运行存储在内部存储器121的指令,从而执行手机的各种功能应用以及数据处理。内部存储器121可以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(比如声音播放功能,图像播放功能等)等。存储数据区可存储手机使用过程中所创建的数据(比如音频数据,电话本等)等。此外,内部存储器121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,通用闪存存储器(universal flash storage,UFS)等。
手机可以通过音频模块170,扬声器170A,受话器170B,麦克风170C,耳机接口170D,以及应用处理器等实现音频功能。例如音乐播放,录音等。
音频模块170用于将数字音频信息转换成模拟音频信号输出,也用于将模拟音频输入转换为数字音频信号。音频模块170还可以用于对音频信号编码和解码。在一些实施例中,音频模块170可以设置于处理器110中,或将音频模块170的部分功能模块设置于处理器110中。
扬声器170A,也称“喇叭”,用于将音频电信号转换为声音信号。手机可以通过扬声器170A收听音乐,或收听免提通话。
受话器170B,也称“听筒”,用于将音频电信号转换成声音信号。当手机接听电话或语音信息时,可以通过将受话器170B靠近人耳接听语音。
麦克风170C,也称“话筒”,“传声器”,用于将声音信号转换为电信号。当拨打电话或发送语音信息时,用户可以通过人嘴靠近麦克风170C发声,将声音信号输入到麦克风170C。手机可以设置至少一个麦克风170C。在另一些实施例中,手机可以设置两个麦克风170C,除了采集声音信号,还可以实现降噪功能。在另一些实施例中,手机还可以设置三个,四个或更多麦克风170C,实现采集声音信号,降噪,还可以识别声音来源,实现定向录音功能等。
耳机接口170D用于连接有线耳机。耳机接口170D可以是USB接口130,也可以是3.5mm的开放移动电子设备平台(open mobile terminal platform,OMTP)标准接口,美国蜂窝电信工业协会(cellular telecommunications industry association of the USA,CTIA)标准接口。
按键190包括开机键,音量键等。按键190可以是机械按键。也可以是触摸式按键。手机可以接收按键输入,产生与手机的用户设置以及功能控制有关的键信号输入。
马达191可以产生振动提示。马达191可以用于来电振动提示,也可以用于触摸振动反馈。例如,作用于不同应用(例如拍照,音频播放等)的触摸操作,可以对应不同的振动反馈效果。作用于柔性屏幕301不同区域的触摸操作,马达191也可对应不同的振动反馈效果。不同的应用场景(例如:时间提醒,接收信息,闹钟,游戏等)也可以对应不同的振动反馈效果。触摸振动反馈效果还可以支持自定义。
指示器192可以是指示灯,可以用于指示充电状态,电量变化,也可以用于指示消息,未接来电,通知等。
SIM卡接口195用于连接SIM卡。SIM卡可以通过***SIM卡接口195,或从SIM卡接口195拔出,实现和手机的接触和分离。手机可以支持1个或N个SIM卡接口,N为大于1的正整数。SIM卡接口195可以支持Nano SIM卡,Micro SIM卡,SIM卡等。同一个SIM卡接口195可以同时***多张卡。所述多张卡的类型可以相同,也可以不同。SIM卡接口195也可以兼容不同类型的SIM卡。SIM卡接口195也可以兼容外部存储卡。手机通过SIM卡和网络交互,实现通话以及数据通信等功能。在一些实施例中,手机采用eSIM,即:嵌入式SIM卡。eSIM卡可以嵌在手机中,不能和手机分离。
另外,在上述部件之上,运行有操作***。例如iOS操作***,安卓Android开源操作***,Windows操作***等。在该操作***上可以安装运行应用程序。
相关技术中,在向用户进行信息推荐时,例如,在终端设备向用户推荐最近常用的或感兴趣的应用程序的场景下,若用户使用终端设备上的各种应用程序总共有100天,而只有最近5天才使用了其中一个应用程序A,那么从整体历史行为数据上来看,使用应用程序A的权重为0.05,但从最近一周的历史行为数据上来看,使用应用程序A的权重为0.71。若仅采用用户的一种历史行为数据向用户推荐应用程序,例如,仅采用最近一周的历史行为数据,则无法捕捉到整体历史行为数据所展现出来的用户长期稳定的习惯,使得用户长期规律使用的应用程序无法被推荐出来;而若仅采用整体历史行为数据,则无法捕捉到用户短期习惯的变化,使得最近经常使用的应用程序无法被推荐。由此可见,无论是仅采用用户的长期历史行为数据还是仅采用用户的短期历史行为数据,均会出现推荐不准确的问题。
在另一种场景下,若用户最近5天的空间位置数据发生了变化,例如用户搬家了,若用户使用终端设备上的各种应用程序总共有100天,而由于空间位置数据发生变化使得用户最近5天使用了一个新的应用程序B,例如为开小区门锁的应用程序。那么,从整体历史行为数据上来看,使用应用程序B的权重为0.05,但从最近一周的历史行为数据上来看,使用应用程序B的权重为0.71。同样在向用户推荐应用程序时会存在上述场景下不准确的问题。
再例如,在一种场景下,用户使用应用程序的时间段类型不同,例如,在工作日可能会经常需要使用与工作相关的应用程序,在非工作日下,与工作相关的应用程序使用的次数会减少,因而,无法根据用户使用应用程序的时间段类型向用户推荐相应的应用程序,依然存在向用户推荐应用程序不准确的问题。
有鉴于此,本申请实施例提出一种信息推荐方法、装置、终端装置及存储介质,通过获取用户使用信息的第一历史行为数据和第二历史行为数据,第一历史行为数据为用户使用信息的长期数据,第二历史行为数据为用户使用信息的短期数据,采用不同的信息推荐模型针对性的对相应的历史行为数据进行计算,所得到的推荐结果更加准确。另外,通过获取第一预设权重及第二预设权重,基于第一预设权重和第二预设权重,对第一推荐结果和第二推荐结果进行融合计算,生成目标推荐结果。其中,第一预设权重用于表征第一推荐结果的准确性,第二预设权重用于表征第二推荐结果的准确性,通过第一预设权重和第二预设权重综合计算第一推荐结果和第二推荐结果,使得最终生成的目标推荐结果更加准确。
为了明确本申请提供的方案,以下结合附图,通过各个实施例,对本申请所提供的方案进行介绍说明。
本申请实施例公开了一种信息推荐方法,应用于终端设备,参见图2所示的工作流程示意图,该方法包括:
步骤21、获取用户使用信息的历史行为数据,其中,历史行为数据包括第一预设时间段内的第一历史行为数据及第二预设时间段内的第二历史行为数据,第一预设时间段大于第二预设时间段。
其中,这里用户所使用的信息是用户在终端设备上能够获取到的任意数据,例如,可以是新闻、音视频、应用程序,当然也可以是其它类型的信息。用户使用信息时所进行的一系列操作都可以生成用户的历史行为数据,例如,用户的操作可以是对信息的点击操作、删除操作等。
在一种实现方式中,第一历史行为数据包括第一预设时间段中多个采集时刻下用户使用信息时的状态数据,第二历史行为数据包括第二预设时间段中多个采集时刻下用户使用信息时的状态数据。
其中,各状态数据包括用户使用信息的时间、次数、时长、时间段类型、终端设备关联外接设备时的状态、外接设备的类型、以及终端设备关联外接设备时用户使用信息的状态中的至少一种,时间段类型包括工作日和非工作日。
示例性地,各采集时刻为用户使用信息的过程中,触发相关事件时产生相应历史行为数据所对应的时刻,例如,触发打开信息事件、触发连接蓝牙事件等。在第一历史行为数据和第二历史行为数据可以包括多个采集时刻下用户使用信息时的状态数据的情况下,可以理解的是,第一历史行为数据和第二历史行为数据中包括多组历史行为数据,其中每一组历史行为数据都表示用户使用信息时的状态数据。
其中,用户使用信息的时间可以是一个时间点,例如是某一天的早上8点。时间段类型可以包括工作日和非工作日,即用户使用信息的时间为工作日或非工作日。非工作日可以包括节假日以及周末,工作日可以为除了非工作日以外的时间。
终端设备关联外接设备时的状态可以包括连接状态和非连接状态。外接设备的类型为在连接状态下所连接的外接设备的类型,例如外接设备的类型可以为蓝牙耳机、车载蓝牙等。
终端设备关联外接设备时用户使用信息的状态,可以为终端设备在连接外接设备的所有次数下使用信息的状态。例如,终端设备总共连接外接设备三次,在每一次连接下都可以得到使用信息的类型、次数等状态。
在另一种实现方式中,在历史行为数据包括上述类型的数据的基础上,还可以包括历史行为数据还包括地理位置数据、网络数据和上下文信息中的至少一种。
其中,地理位置数据可以为用户使用信息时在家或者是在公司,网络数据可以为用户使用信息时连接的无线网络数据。上下文信息可以包括用户在与当前时刻相邻的预设时间段内的历史行为数据,例如,上下文信息可以为用户在距离当前时刻相邻前N天的历史行为数据。
需要说明的是,历史行为数据当然也可以包括其他类型的数据,可以根据实际的应用场景进行划分,本申请实施例对此不作具体限定。
本申请实施例中,通过结合不同维度下用户的历史行为数据,可以在实际场景下采用不同的历史行为数据,也可以采用不同历史行为数据的组合,从而可以有效提高向用户推荐信息的准确性。
为了便于描述,下面以用户所使用的信息为应用程序为例进行说明。
在用户开始使用某个应用程序A时,即会产生相应的行为数据,因而用户的历史行为数据是在一定时间段内所产生的。第一预设时间段可以是一个较长的时间段,第二预设时间段可以是距离当前时间较近的时间段。例如,用户总共使用应用程序A的时长为三个月,第一预设时间段可以是三个月,也可以是这三个月中一段较长且大于第二预设时间段的时间段,如可以是距离当前时间近两个月的时间段。第二预设时间段可以是距离当前时间近一周的时间段。
从而,在第一预设时间段所产生的第一历史行为数据可以认为是用户使用应用程序A时的长期数据,在第二预设时间段所产生的第二历史行为数据可以认为是用户使用应用程序A的短期数据。
步骤22、基于第一历史行为数据训练得到的第一预设信息推荐模型,生成第一推荐结果,并基于第二历史行为数据训练得到的第二预设信息推荐模型,生成第二推荐结果。
其中,第一预设信息推荐模型是用于计算第一历史行为数据对应的第一推荐结果的模型。第一预设信息推荐模型可以采用统计学模型,也可以采用机器学习模型,本申请实施例对模型的类型不做具体限定。
在一种实现方式中,第一预设信息推荐模型若采用统计学模型,则可以采用预设统计规则对第一历史行为数据中的第一训练样本行为数据进行训练,生成第一预设信息推荐模型。其中,第一预设信息推荐模型中包括与第一训练样本行为数据对应的第一推荐结果。其中,预设统计规则可以采用频率、使用天数占比等统计规则,也可以采用其他类型的统计规则,本申请实施例对此不作具体限定。
同样地,在一种实现方式中,第二预设信息推荐模型是用于计算第二历史行为数据对应的第二推荐结果的模型。第二预设信息推荐模型可以采用统计学模型,也可以采用机器学习模型,本申请实施例对模型的类型不做具体限定。第二预设信息推荐模型若采用统计学模型,则可以采用预设统计规则对第二历史行为数据中的第二训练样本行为数据进行训练,生成第二预设信息推荐模型。其中,第二预设信息推荐模型中包括与第二训练样本行为数据对应的第二推荐结果。
其中,以生成第一预设信息推荐模型为例进行说明,在训练第一预设信息推荐模型时,可以获取到用户最近29天的历史行为数据,该29天可以看作是第一预设时间段。第一历史行为数据中的第一训练样本行为数据可以为除了与训练模型的时刻相邻的一天外的前28天的第一历史行为数据。
若用户在这前28天内分别使用了应用程序A、应用程序B和应用程序C,那么可以将每天使用这三种不同应用程序的状态数据作为第一训练样本行为数据,例如,可以分别得到每一天使用这三种不同应用程序的次数。从而采用预设统计规则对第一训练样本行为数据进行训练,训练得到的第一预设信息推荐模型中包括第一推荐结果,第一推荐结果包括每个应用程序的使用次数占比。例如,可以表示为[应用程序A:0.5;应用程序B:0.4;应用程序C:0.1]。
对于第二预设信息推荐模型和第二推荐结果的生成过程可参考上述过程,在此不再赘述。
需要说明的是,在通过采用预设统计规则训练得到的模型生成第一推荐结果和第二推荐结果时,第一预设时间段和第二预设时间段的总时长可以不发生变化,但是第一预设时间段和第二预设时间段的起止时间可以不断进行更新。也即第一训练样本行为数据和第二训练样本行为数据可以不断进行更新。
以下具体以第一预设时间段为距离当前时间最近的前29天,第二预设时间段为距离当前时间最近的前8天为例进行说明,这里的当前时间都可以认为是需要向用户推荐信息的时间。若当前时间为t1,那么第一预设时间段为距离t1最近的前29天,第二预设时间段为距离t1最近的前8天。这里的前29天和前8天中的终止时间不包括当前时间为t1。
若当前时间为t2,其中t2为t1的后一天,那么,第一预设时间段为距离t2最近的前29天,第二预设时间段为距离t2最近的前8天。这里的前29天和前8天中的终止时间是包括t1的,进而,可以理解的是,这里的前29天和前8天中的起始时间与上述例子中的起始时间也是不同的。
可以看出,上述生成第一推荐结果和第二推荐结果的过程,不需要对训练好的第一预设信息推荐模型和第二预设信息推荐模型再次输入相应数据。而在一些示例中,也可以向训练好的第一预设信息推荐模型和第二预设信息推荐模型中输入某些数据,从而提取到相应的推荐结果。
依然以生成第一预设信息推荐模型为例进行说明,在训练第一预设信息推荐模型时,第一训练样本行为数据可以包括工作日下的行为数据以及非工作日下的行为数据,那么分别采用工作日下的行为数据以及非工作日下的行为数据训练得到的第一预设信息推荐模型后,可以包括工作日对应的第一推荐结果,以及非工作日对应的第一推荐结果。
此时,可以向第一预设信息推荐模型输入用户的当前状态数据为工作日,那么就可以从模型中提取出工作日对应的第一推荐结果并输出。
在另一种实现方式中,第一预设信息推荐模型和第二预设信息推荐模型若采用机器学习模型,如图3所示,图3为本申请实施例提供的一种生成目标推荐结果的整体架构图,基于图3,那么生成第一预设信息推荐模型和第二预设信息推荐模型可以参见图4所示的工作流程示意图,该方法包括:
步骤41、采用预设机器学习算法对第一历史行为数据中的第一训练样本行为数据进行训练,生成第一预设信息推荐模型。
步骤42、并采用预设机器学习算法对第二历史行为数据中的第二训练样本行为数据进行训练,生成第二预设信息推荐模型。
其中,可以将第一训练样本行为数据以及第一训练样本行为数据对应的第一参考推荐结果输入至第一初始信息推荐模型中,其中,第一参考推荐结果可以是根据第一历史行为数据中用户实际使用的应用程序所确定的。另外,这里用到的机器学习算法可以采用决策树算法,当然也可以使用其他机器学习算法,本申请实施例对此不作具体限定。
第一历史行为数据包括第一训练样本行为数据,第一初始信息推荐模型是对模型参数初始化后得到的,通过将第一历史行为数据中的第一训练样本行为数据和第一参考推荐结果输入至第一初始信息推荐模型中,第一初始信息推荐模型通过学习第一训练样本行为数据的数据特征后,可以输出第一预测推荐结果。再将第一参考推荐结果和第一预测推荐结果代入预设的损失函数中计算损失函数的值,并根据损失函数的值调整第一初始信息推荐模型的参数,从而将使得损失函数的值最小化的模型参数作为最优模型参数,并根据该最优模型参数生成第一预设信息推荐模型和第一推荐结果。其中,第一训练样本行为数据相当于图3中的训练集上除最后一天外的前28天数据,生成的第一预设信息推荐模型相当于图3中的长期习惯推荐模型,最终生成的目标推荐结果相当于图3中的长短期模型协同推荐结果。
例如,在训练第一预设信息推荐模型时,可以获取到用户最近29天的第一历史行为数据,该29天可以看作是第一预设时间段。如图5所示,图5为本申请实施例提供的另一种生成目标推荐结果的整体架构图,可以将除了与训练模型的时刻相邻的一天外的前28天的第一历史行为数据作为第一训练样本行为数据,与训练模型的时刻相邻的一天的第一历史行为数据,也即图5中训练集上最后一天的数据可以用于测试训练好的第一预设信息推荐模型。
同样地,可以将第二训练样本行为数据以及第二训练样本行为数据对应的第二参考推荐结果输入至第二初始信息推荐模型中,其中,第二参考推荐结果可以是根据第二历史行为数据中用户实际使用的应用程序所确定的。
第二历史行为数据包括第二训练样本行为数据,第二初始信息推荐模型也是对模型参数初始化后得到的,通过将第二历史行为数据中的第二训练样本行为数据和第二参考推荐结果输入至第二初始信息推荐模型中,第二初始信息推荐模型通过学习第二训练样本行为数据的数据特征后,可以输出第二预测推荐结果。再将第二参考推荐结果和第二预测推荐结果代入预设的损失函数中计算损失函数的值,并根据损失函数的值调整第二初始信息推荐模型的参数,从而将使得损失函数的值最小化的模型参数作为最优模型参数,并根据该最优模型参数生成第二预设信息推荐模型。其中,第二训练样本行为数据相当于图3中的训练集上除最后一天外的前7天数据,生成的第二预设信息推荐模型相当于图3中的短期习惯推荐模型。
例如,在训练第二预设信息推荐模型时,可以获取到用户最近8天的第二历史行为数据,该8天可以看作是第二预设时间段。请继续参考图5,可以将除了与训练模型的时刻相邻的一天外的前7天的第二历史行为数据作为第二训练样本行为数据,与训练模型的时刻相邻的一天的第二历史行为数据,也即图5中训练集上最后一天的数据可以用于测试训练好的第二预设信息推荐模型。
在此基础上,在一种实现方式中,生成第一推荐结果和第二推荐结果的过程参见图6所示的工作流程示意图,该方法包括:
步骤61、将用户的当前状态数据输入至第一预设信息推荐模型中进行计算,生成第一推荐结果。
步骤62、并将用户的当前状态数据输入至第二预设信息推荐模型中进行计算,生成第二推荐结果。
其中,若训练第一预设信息推荐模型和第二预设信息推荐模型时,采用的第一历史行为数据中包括多个采集时刻下用户使用应用程序时的时间、地理位置数据、终端设备关联外接设备时的状态以及外接设备的类型。那么可以获取到的用户的当前状态数据也是与训练模型时采用的第一历史行为数据的类型是相同的。通过将用户的当前状态数据输入至第一预设信息推荐模型中第而预设信息推荐模型进行计算,就可以输出第一推荐结果和第二推荐结果。
通过上述方案,采用机器学习算法可以结合用户不同类型的历史行为数据训练模型,使得训练模型时的灵活性更佳,另外,所生成的第一推荐结果和第二推荐结果的准确性也较高。
步骤23、获取第一预设权重及第二预设权重,第一预设权重用于表征第一推荐结果的准确性,第二预设权重用于表征第二推荐结果的准确性。
其中,第一预设权重及第二预设权重可以是根据人工经验配置的。也可以是分别根据第一预设信息推荐模型和第二预设信息推荐模型确定的,例如,可以分别采用第一预设信息推荐模型和第二预设信息推荐模型的评价指标确定,评价指标可以为准确率、精确率、召回率等,当然也可以是其他类型的评价指标,本申请实施例对此不做具体限定。
在一种实现方式中,可以基于第一预设信息推荐模型,确定第一预设权重。第一预设权重的生成过程参见图7所示的工作流程示意图,该方法包括:
步骤71、将第一历史行为数据中的第一测试样本行为数据输入至第一预设信息推荐模型中进行计算,生成第一预测推荐结果,其中,第一测试样本行为数据的采集时刻大于第一训练样本行为数据的采集时刻。
步骤72、基于第一预测推荐结果及第一参考推荐结果,计算第一预设信息推荐模型的第一准确率。
步骤73、基于第一准确率,确定第一预设权重。
其中,第一历史行为数据中还包括第一测试样本行为数据,第一测试样本行为数据的采集时刻距离训练模型的时刻最近,即第一测试样本行为数据的采集时刻大于第一训练样本行为数据的采集时刻。
请继续参考图5,第一测试样本行为数据即为图5中训练集上最后一天的数据,也即图5中训练集上最后一天的数据。第一训练样本行为数据的采集时刻即为训练集上除最后一天外的前28天,第一测试样本行为数据的采集时刻即为训练集中上最后一天,即第29天。
通过将第一测试样本行为数据输入至第一预设信息推荐模型中,可以生成第一预测推荐结果,通过将第一预测推荐结果与第一参考推荐结果进行比较,则可以计算得到第一预设信息推荐模型的第一准确率α。
例如,第一预测推荐结果为[应用程序A、应用程序B],用户实际使用的应用程序即第一参考推荐结果为应用程序A,第一预测推荐结果为[应用程序A、应用程序C],用户实际使用的应用程序即第一参考推荐结果为应用程序B。通过判断用户实际使用的应用程序是否在第一预测推荐结果中被推荐,来计算第一预设信息推荐模型的第一准确率。那么针对应用程序A的预测是准确的,针对应用程序B的预测是错误的,那么该第一预设信息推荐模型的第一准确率为50%。
计算得到第一准确率后,可以直接将第一准确率作为第一预设权重,也可以是对第一准确率进行特定的数学运算处理后,将处理结果作为第一预设权重,也可以是对第一准确率进行其他处理后作为第一预设权重,本申请实施例对此不做具体限定。
在一种实现方式中,请继续参考图5,可以基于第二预设信息推荐模型,确定第二预设权重。第二预设权重的生成过程参见图8所示的工作流程示意图,该方法包括:
步骤81、将第二历史行为数据中的第二测试样本行为数据输入至第二预设信息推荐模型中进行计算,生成第二预测推荐结果,其中,第二测试样本行为数据的采集时刻大于第二训练样本行为数据的采集时刻。
步骤82、基于第二预测推荐结果及第二参考推荐结果,计算第二预设信息推荐模型的第二准确率。
步骤83、基于第二准确率,确定第二预设权重。
其中,第二历史行为数据还包括第二测试样本行为数据,第二测试样本行为数据的采集时刻距离训练模型的时刻最近,即第二测试样本行为数据的采集时刻大于第二训练样本行为数据的采集时刻。
请继续参考图5,第二测试样本行为数据即为图5中训练集上最后一天的数据,也即图5中训练集上最后一天的数据,第二训练样本行为数据的采集时刻即为训练集上除最后一天外的前7天,第二测试样本行为数据的采集时刻即为训练集中上最后一天,即第8天。
需要说明的是,第二测试样本行为数据与上述第一测试样本行为数据实际上是同一天的数据,均为训练集上最后一天的数据。
通过将第二测试样本行为数据输入至第二预设信息推荐模型中,可以生成第二预测推荐结果,通过将第二预测推荐结果与第二参考推荐结果进行比较,则可以计算得到第二预设信息推荐模型的第二准确率β。
例如,第二预测推荐结果为[应用程序A、应用程序B],用户实际使用的应用程序即第二参考推荐结果为应用程序A,第二预测推荐结果为[应用程序B、应用程序C],用户实际使用的应用程序即第二参考推荐结果为应用程序B。通过判断用户实际使用的应用程序是否在第二预测推荐结果中被推荐,来计算第二预设信息推荐模型的第二准确率。那么针对应用程序A的预测是准确的,针对应用程序B的预测也是准确的,那么该第二预设信息推荐模型的第二准确率为100%。
本实施例中,分别通过第一测试样本行为数据和第二测试样本行为数据,对第一预设信息推荐模型和第二预设信息推荐模型进行测试后得到模型的准确率,准确率能够评价对应信息推荐模型的性能,分别将准确率作为与第一预设信息推荐模型对应的第一预设权重,及与第二预设信息推荐模型对应的第二预设权重,所确定的第一预设权重和第二预设权重更加准确与可靠。
步骤24、基于第一预设权重和第二预设权重,对第一推荐结果和第二推荐结果进行融合计算,生成目标推荐结果。
其中,在基于第一预设权重和第二预设权重,对第一推荐结果和第二推荐结果进行融合计算时,在一种实现方式中,可以先计算第一预设权重与第一推荐结果的第一乘积,再计算第二预设权重与第二推荐结果的第二乘积,最终基于第一乘积与第二乘积的和,生成目标推荐结果。
在另一种实现方式中,可以先分别对第一预设权重和第二预设权重进行归一化处理后,得到与第一预设权重对应的第一归一化值,以及与第二预设权重对应的第二归一化值。此时可以先计算第一归一化值与第一推荐结果的第一乘积,再计算第二归一化值与第二推荐结果的第二乘积,最终基于第一乘积与第二乘积的和,生成目标推荐结果。
在一种实现方式中,基于第一预设权重和第二预设权重,对第一推荐结果和第二推荐结果进行融合计算时,若第一推荐结果和第二推荐结果中的应用程序分别具有相应的使用次数占比,那么可以将第一预设权重与第一推荐结果中各应用程序的使用次数占比相乘,得到最终第一推荐结果中各应用程序对应的结果值,第二预设权重与第二推荐结果中应用程序的使用次数占比相乘,得到最终第二推荐结果中各应用程序对应的结果值。再对第一推荐结果中各应用程序对应的结果值与第二推荐结果中各应用程序对应的结果值求和,其中,同一应用程序的结果值为在第一推荐结果中的结果值与在第二推荐结果中的结果值之和,最终可以根据各应用程序的结果值的大小顺序确定目标推荐结果。
在一种实现方式中,以目标推荐结果为向用户推荐的应用程序为例,即APP建议,图9为未采用本申请实施例所提供的信息推荐方法确定的目标推荐结果的示意图。如图10所示,图10为本申请实施例提供的一种展示目标推荐结果的示意图,生成的目标推荐结果可以展示在用户终端的显示界面上,也可是展示在界面上的局部区域,本申请实施例对此不做具体限定。基于图9和图10,可以看出,用户实际使用的应用程序I也作为了目标推荐结果中的其中一个应用程序,相较于图9中所展示的目标推荐结果更加准确。
在一些实例中,展示目标推荐结果时,可以采用目标推荐结果替换掉界面上原本推荐列表中的所有应用程序,也可以将目标推荐结果中的应用程序与原本推荐列表中的所有应用程序进行比较,将发生变化的应用程序进行局部替换即可,本申请实施例对此不作具体限定。
在一种实现方式中,由于用户的历史行为数据可以包括工作日和非工作日下的数据,以该类型的历史行为数据为例,向用户进行信息推荐的过程可以如图11所示。其中,工作日下的历史行为数据和非工作日下的历史行为数据分别执行图11中的过程,即可以将工作日下的历史行为数据区分长短期,也可以将非工作日下的历史行为数据区分长短期,这样可以为用户分别生成工作日下的目标推荐结果以及非工作日下的目标推荐结果。
需要说明的是,这里的长期权重、短期权重均指的是应用程序使用天数的占比,与上述第一预设权重与第二预设权重的含义不同。
下述为本申请的装置实施例,可以用于执行本申请的方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请的方法实施例。
作为对上述各实施例的实现,本申请实施例***息推荐装置1200,该装置应用于终端设备。参见图12所示的结构示意图,本申请实施例公开的信息推荐装置1200包括:
第一获取模块1202,用于获取用户使用信息的历史行为数据,其中,历史行为数据包括第一预设时间段内的第一历史行为数据及第二预设时间段内的第二历史行为数据,第一预设时间段大于第二预设时间段。
第一生成模块1204,用于基于第一历史行为数据训练得到的第一预设信息推荐模型,生成第一推荐结果,并基于第二历史行为数据训练得到的第二预设信息推荐模型,生成第二推荐结果。
示例性的,第一生成模块1204具体用于采用预设统计规则对第一历史行为数据中的第一训练样本行为数据进行训练,生成第一预设信息推荐模型;其中,第一预设信息推荐模型中包括与第一训练样本行为数据对应的第一推荐结果;并采用预设统计规则对第二历史行为数据中的第二训练样本行为数据进行训练,生成第二预设信息推荐模型;其中,第二预设信息推荐模型中包括与第二训练样本行为数据对应的第二推荐结果。
示例性的,第一生成模块1204还用于采用预设机器学习算法对第一历史行为数据中的第一训练样本行为数据进行训练,生成第一预设信息推荐模型;并采用预设机器学习算法对第二历史行为数据中的第二训练样本行为数据进行训练,生成第二预设信息推荐模型。
示例性的,第一生成模块1204还用于将用户的当前状态数据输入至第一预设信息推荐模型中进行计算,生成第一推荐结果;并将用户的当前状态数据输入至第二预设信息推荐模型中进行计算,生成第二推荐结果。
第二获取模块1206,用于获取第一预设权重及第二预设权重,第一预设权重用于表征第一推荐结果的准确性,第二预设权重用于表征第二推荐结果的准确性。
示例性的,第二获取模块1206具体用于基于第一预设信息推荐模型,确定第一预设权重;基于第二预设信息推荐模型,确定第二预设权重。
示例性的,第二获取模块1206还用于将第一历史行为数据中的第一测试样本行为数据输入至第一预设信息推荐模型中进行计算,生成第一预测推荐结果;其中,第一测试样本行为数据的采集时刻大于第一训练样本行为数据的采集时刻;基于第一预测推荐结果及第一参考推荐结果,计算第一预设信息推荐模型的第一准确率;第一参考推荐结果是基于第一历史行为数据确定的;基于第一准确率,确定第一预设权重。
示例性的,第二获取模块1206还用于将第二历史行为数据中的第二测试样本行为数据输入至第二预设信息推荐模型中进行计算,生成第二预测推荐结果;其中,第二测试样本行为数据的采集时刻大于第二训练样本行为数据的采集时刻;基于第二预测推荐结果及第二参考推荐结果,计算第二预设信息推荐模型的第二准确率;第二参考推荐结果是基于第二历史行为数据确定的;基于第二准确率,确定第二预设权重。
第二生成模块1208,用于基于第一预设权重和第二预设权重,对第一推荐结果和第二推荐结果进行融合计算,生成目标推荐结果。
示例性的,上述第一历史行为数据包括第一预设时间段中多个采集时刻下用户使用信息时的状态数据;第二历史行为数据包括第二预设时间段中多个采集时刻下用户使用信息时的状态数据;其中,各状态数据包括用户使用信息的时间、次数、时长、时间段类型、终端设备关联外接设备时的状态、外接设备的类型、以及终端设备关联外接设备时用户使用信息的状态中的至少一种,时间段类型包括工作日和非工作日。
示例性的,上述历史行为数据还包括地理位置数据、网络数据和上下文信息中的至少一种;其中,上下文信息包括用户在与当前时刻相邻的预设时间段内的历史行为数据。
相应的,与上述的方法相对应的,本申请实施例还公开一种终端装置,包括:
至少一个处理器和存储器,其中,所述存储器,用于存储程序指令;
所述处理器,用于调用并执行所述存储器中存储的程序指令,以使所述终端装置执行信息推荐方法的全部或部分步骤。
本发明实施例的装置可对应于上述信息推荐装置,并且,该装置中的处理器等可以实现信息推荐装置所具有的功能和/或所实施的各种步骤和方法,为了简洁,在此不再赘述。
需要说明的是,本实施例也可以基于通用的物理服务器结合网络功能虚拟化(英文:Network Function Virtualization,NFV)技术实现的网络设备,所述网络设备为虚拟网络设备(如,虚拟主机、虚拟路由器或虚拟交换机)。所述虚拟网络设备可以是运行有用于发送通告报文功能的程序的虚拟机(英文:Virtual Machine,VM),所述虚拟机部署在硬件设备上(例如,物理服务器)。虚拟机指通过软件模拟的具有完整硬件***功能的、运行在一个完全隔离环境中的完整计算机***。本领域技术人员通过阅读本申请即可在通用物理服务器上虚拟出具有上述功能的多个网络设备。此处不再赘述。
具体实现中,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质包括指令。其中,设置在任意设备中计算机可读介质其在计算机上运行时,可实施包括方法实施例中的全部或部分步骤。所述计算机可读介质的存储介质可为磁碟、光盘、只读存储记忆体(英文:read-only memory,简称:ROM)或随机存储记忆体(英文:random accessmemory,简称:RAM)等。
另外,本申请另一实施例还公开一种包含指令的计算机程序产品,当所述计算机程序产品在电子设备上运行时,使得所述电子设备可实施包括信息推荐方法中的全部或部分步骤。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信息处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信息处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信息处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于UE中。可选地,处理器和存储媒介也可以设置于UE中的不同的部件中。
应理解,在本申请的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
本说明书的各个实施例之间相同相似的部分互相参见即可,每个实施例重点介绍的都是与其他实施例不同之处。尤其,对于装置和***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例部分的说明即可。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中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存储介质中,如ROM/RAM、磁碟、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或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其,对于本申请公开的道路约束确定装置的实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例中的说明即可。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。
Claims (12)
1.一种信息推荐方法,其特征在于,应用于终端设备,所述方法包括:
获取用户使用信息的历史行为数据;其中,所述历史行为数据包括第一预设时间段内的第一历史行为数据及第二预设时间段内的第二历史行为数据,所述第一预设时间段大于所述第二预设时间段;
基于所述第一历史行为数据训练得到的第一预设信息推荐模型,生成第一推荐结果,并基于所述第二历史行为数据训练得到的第二预设信息推荐模型,生成第二推荐结果;
获取第一预设权重及第二预设权重,所述第一预设权重用于表征所述第一推荐结果的准确性,所述第二预设权重用于表征所述第二推荐结果的准确性;
基于所述第一预设权重和所述第二预设权重,对所述第一推荐结果和所述第二推荐结果进行融合计算,生成目标推荐结果。
2.根据权利要求1所述的信息推荐方法,其特征在于,获取所述第一预设权重的过程,包括:
基于所述第一预设信息推荐模型,确定所述第一预设权重;
基于所述第二预设信息推荐模型,确定所述第二预设权重。
3.根据权利要求2所述的信息推荐方法,其特征在于,所述基于所述第一预设信息推荐模型,确定所述第一预设权重,包括:
将所述第一历史行为数据中的第一测试样本行为数据输入至所述第一预设信息推荐模型中进行计算,生成第一预测推荐结果;其中,所述第一测试样本行为数据的采集时刻大于第一训练样本行为数据的采集时刻;
基于所述第一预测推荐结果及第一参考推荐结果,计算所述第一预设信息推荐模型的第一准确率;所述第一参考推荐结果是基于所述第一历史行为数据确定的;
基于所述第一准确率,确定所述第一预设权重。
4.根据权利要求2或3所述的信息推荐方法,其特征在于,所述基于所述第二预设信息推荐模型,确定所述第二预设权重,包括:
将所述第二历史行为数据中的第二测试样本行为数据输入至所述第二预设信息推荐模型中进行计算,生成第二预测推荐结果;其中,所述第二测试样本行为数据的采集时刻大于第二训练样本行为数据的采集时刻;
基于所述第二预测推荐结果及第二参考推荐结果,计算所述第二预设信息推荐模型的第二准确率;所述第二参考推荐结果是基于所述第二历史行为数据确定的;
基于所述第二准确率,确定所述第二预设权重。
5.根据权利要求1所述的信息推荐方法,其特征在于,所述基于所述第一历史行为数据训练得到的第一预设信息推荐模型,生成第一推荐结果,并基于所述第二历史行为数据训练得到的第二预设信息推荐模型,生成第二推荐结果,包括:
采用预设统计规则对所述第一历史行为数据中的第一训练样本行为数据进行训练,生成所述第一预设信息推荐模型;其中,所述第一预设信息推荐模型中包括与所述第一训练样本行为数据对应的第一推荐结果;
并采用所述预设统计规则对所述第二历史行为数据中的第二训练样本行为数据进行训练,生成所述第二预设信息推荐模型;其中,所述第二预设信息推荐模型中包括与所述第二训练样本行为数据对应的第二推荐结果。
6.根据权利要求1所述的信息推荐方法,其特征在于,所述第一预设信息推荐模型和所述第二预设信息推荐模型的生成过程,还包括:
采用预设机器学习算法对所述第一历史行为数据中的第一训练样本行为数据进行训练,生成所述第一预设信息推荐模型;
并采用所述预设机器学习算法对所述第二历史行为数据中的第二训练样本行为数据进行训练,生成所述第二预设信息推荐模型。
7.根据权利要求6所述的信息推荐方法,其特征在于,所述基于所述第一历史行为数据训练得到的第一预设信息推荐模型,生成第一推荐结果,并基于所述第二历史行为数据训练得到的第二预设信息推荐模型,生成第二推荐结果,还包括:
将所述用户的当前状态数据输入至所述第一预设信息推荐模型中进行计算,生成所述第一推荐结果;
并将所述用户的当前状态数据输入至所述第二预设信息推荐模型中进行计算,生成所述第二推荐结果。
8.根据权利要求1-7任一项所述的信息推荐方法,其特征在于,所述第一历史行为数据包括所述第一预设时间段中多个采集时刻下所述用户使用所述信息时的状态数据;所述第二历史行为数据包括所述第二预设时间段中多个采集时刻下所述用户使用所述信息时的状态数据;其中,各所述状态数据包括所述用户使用所述信息的时间、次数、时长、时间段类型、所述终端设备关联外接设备时的状态、所述外接设备的类型、以及所述终端设备关联外接设备时所述用户使用所述信息的状态中的至少一种,所述时间段类型包括工作日和非工作日。
9.根据权利要求8所述的信息推荐方法,其特征在于,所述历史行为数据还包括地理位置数据、网络数据和上下文信息中的至少一种;其中,所述上下文信息包括所述用户在与当前时刻相邻的预设时间段内的所述历史行为数据。
10.一种信息推荐装置,其特征在于,应用于终端设备,包括:
第一获取模块,用于获取用户使用信息的历史行为数据;其中,所述历史行为数据包括第一预设时间段内的第一历史行为数据及第二预设时间段内的第二历史行为数据,所述第一预设时间段大于所述第二预设时间段;
第一生成模块,用于基于所述第一历史行为数据训练得到的第一预设信息推荐模型,生成第一推荐结果,并基于所述第二历史行为数据训练得到的第二预设信息推荐模型,生成第二推荐结果;
第二获取模块,用于获取第一预设权重及第二预设权重,所述第一预设权重用于表征所述第一推荐结果的准确性,所述第二预设权重用于表征所述第二推荐结果的准确性;
第二生成模块,用于基于所述第一预设权重和所述第二预设权重,对所述第一推荐结果和所述第二推荐结果进行融合计算,生成目标推荐结果。
11.一种终端装置,其特征在于,包括:
至少一个处理器和存储器;
所述存储器,用于存储程序指令;
所述处理器,用于调用并执行所述存储器中存储的程序指令,以使所述终端装置执行如权利要求1-9任一项所述的信息推荐方法。
12.一种计算机可读存储介质,其特征在于,
所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得所述计算机执行如权利要求1-9任一项所述的信息推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211002589.XA CN116049535B (zh) | 2022-08-18 | 信息推荐方法、装置、终端装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211002589.XA CN116049535B (zh) | 2022-08-18 | 信息推荐方法、装置、终端装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116049535A true CN116049535A (zh) | 2023-05-02 |
CN116049535B CN116049535B (zh) | 2024-07-26 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562926A (zh) * | 2023-07-05 | 2023-08-08 | 荣耀终端有限公司 | 用户行为预测方法、终端、云端设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503014A (zh) * | 2015-09-08 | 2017-03-15 | 腾讯科技(深圳)有限公司 | 一种实时信息的推荐方法、装置和*** |
CN109714395A (zh) * | 2018-12-10 | 2019-05-03 | 平安科技(深圳)有限公司 | 云平台资源使用预测方法及终端设备 |
CN110825975A (zh) * | 2019-12-10 | 2020-02-21 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法、装置、设备及计算机可读存储介质 |
CN110929164A (zh) * | 2019-12-09 | 2020-03-27 | 北京交通大学 | 一种基于用户动态偏好与注意力机制的兴趣点推荐方法 |
CN110941764A (zh) * | 2019-12-03 | 2020-03-31 | 腾讯科技(深圳)有限公司 | 对象推荐方法、装置、计算机设备和存储介质 |
CN112925926A (zh) * | 2021-01-28 | 2021-06-08 | 北京达佳互联信息技术有限公司 | 多媒体推荐模型的训练方法、装置、服务器以及存储介质 |
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503014A (zh) * | 2015-09-08 | 2017-03-15 | 腾讯科技(深圳)有限公司 | 一种实时信息的推荐方法、装置和*** |
CN109714395A (zh) * | 2018-12-10 | 2019-05-03 | 平安科技(深圳)有限公司 | 云平台资源使用预测方法及终端设备 |
CN110941764A (zh) * | 2019-12-03 | 2020-03-31 | 腾讯科技(深圳)有限公司 | 对象推荐方法、装置、计算机设备和存储介质 |
CN110929164A (zh) * | 2019-12-09 | 2020-03-27 | 北京交通大学 | 一种基于用户动态偏好与注意力机制的兴趣点推荐方法 |
CN110825975A (zh) * | 2019-12-10 | 2020-02-21 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法、装置、设备及计算机可读存储介质 |
CN112925926A (zh) * | 2021-01-28 | 2021-06-08 | 北京达佳互联信息技术有限公司 | 多媒体推荐模型的训练方法、装置、服务器以及存储介质 |
Non-Patent Citations (1)
Title |
---|
王林林等: "基于关联图的改进关联规则在推荐***中的应用", 山东科学, 15 October 2011 (2011-10-15), pages 76 - 80 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562926A (zh) * | 2023-07-05 | 2023-08-08 | 荣耀终端有限公司 | 用户行为预测方法、终端、云端设备及存储介质 |
CN116562926B (zh) * | 2023-07-05 | 2024-04-16 | 荣耀终端有限公司 | 用户行为预测方法、终端、云端设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11889180B2 (en) | Photographing method and electronic device | |
CN111178546B (zh) | 机器学习模型的搜索方法及相关装置、设备 | |
CN111742539B (zh) | 一种语音控制命令生成方法及终端 | |
CN111552451B (zh) | 显示控制方法及装置、计算机可读介质及终端设备 | |
CN114422340B (zh) | 日志上报方法、电子设备及存储介质 | |
WO2022022319A1 (zh) | 一种图像处理方法、电子设备、图像处理***及芯片*** | |
CN111078376A (zh) | 一种进程管理方法及设备 | |
CN111563466A (zh) | 人脸检测方法及相关产品 | |
CN113473013A (zh) | 图像美化效果的显示方法、装置和终端设备 | |
CN111464690B (zh) | 一种应用的预加载方法、电子设备、芯片***及可读存储介质 | |
CN113660369B (zh) | 来电处理及模型训练方法、装置、终端设备和存储介质 | |
CN116049535B (zh) | 信息推荐方法、装置、终端装置及存储介质 | |
CN114120987B (zh) | 一种语音唤醒方法、电子设备及芯片*** | |
CN114079642B (zh) | 一种邮件处理方法及电子设备 | |
CN116049535A (zh) | 信息推荐方法、装置、终端装置及存储介质 | |
CN115878500A (zh) | 内存回收方法、装置、电子设备及可读存储介质 | |
CN114093368A (zh) | 跨设备声纹注册方法、电子设备及存储介质 | |
CN114064571A (zh) | 一种确定文件存储位置的方法、装置及终端 | |
CN115485685A (zh) | 应用程序安全检测方法、装置、存储介质及电子设备 | |
CN115689626B (zh) | 一种终端设备的用户属性确定方法及电子设备 | |
CN115841099B (zh) | 基于数据处理的页面填充词的智能推荐方法 | |
CN117130765B (zh) | 计算资源的配置方法和电子设备 | |
CN114338891B (zh) | 一种通信方法及装置 | |
CN113793590B (zh) | 语音合成方法及装置 | |
CN113626115B (zh) | 生成表盘的方法及相关装置 |
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 | ||
GR01 | Patent grant |