CN116186417A - 推荐方法、装置、计算机设备和存储介质 - Google Patents
推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116186417A CN116186417A CN202310453131.4A CN202310453131A CN116186417A CN 116186417 A CN116186417 A CN 116186417A CN 202310453131 A CN202310453131 A CN 202310453131A CN 116186417 A CN116186417 A CN 116186417A
- Authority
- CN
- China
- Prior art keywords
- target
- resource
- resources
- determining
- alternative
- 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 75
- 230000003993 interaction Effects 0.000 claims abstract description 290
- 230000001105 regulatory effect Effects 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 39
- 230000003827 upregulation Effects 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 21
- 230000000737 periodic effect Effects 0.000 claims description 15
- 230000000694 effects Effects 0.000 description 23
- 230000002452 interceptive effect Effects 0.000 description 8
- 230000033228 biological regulation Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 4
- 238000000638 solvent extraction Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual 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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种推荐方法、装置、计算机设备和存储介质。方法包括:获取目标用户在多个周期类型下分别对应的目标对象使用频次;针对任一周期类型,根据周期类型对应的目标对象使用频次,从目标对象在周期类型下对应的可选资源中,确定周期类型对应的至少一个备选资源;针对任一备选资源,根据备选资源以及各周期类型对应的目标对象使用频次,确定目标用户针对备选资源的预测交互概率;针对任一周期类型,根据各备选资源对应的预测交互概率,从周期类型对应的至少一个备选资源中,确定周期类型对应的目标资源;根据各周期类型对应的目标资源,向目标用户进行资源推荐。本方法提高了目标用户与目标资源的交互概率。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种推荐方法、装置、计算机设备和存储介质。
背景技术
在日常生活中,用户常常与用户需求相匹配的资源进行交互。为了提高目标用户的交互率,往往会在可选资源集中筛选出可能符合用户需求的目标资源,并向目标用户推荐目标资源。
具体的,目前的推荐技术是通过获取目标用户的用户信息和/或资源交互信息、以及预设的用户群划分策略,确定目标用户所在的目标用户群。然后,基于目标用户所在的目标用户群、以及预设的用户群与资源的对应关系,确定目标用户对应的目标资源,并向目标用户推荐目标资源。其中,预设的用户群划分策略、以及预设的用户群与资源的对应关系是预先存储在终端的。示例性的,用户群划分策略包括从用户年龄的维度划分、从注册时长的维度划分和从用户的已交互的资源的维度划分等。
然而,目前的推荐技术是基于预设的用户群划分策略、以及预设的用户群与资源的对应关系来确定目标资源的。因此,预先确定的用户群划分策以及用户群与资源的对应关系难以预估动态变化的且复杂多样的用户需求,从而目标资源难以匹配用户需求,进而降低目标用户与目标资源的交互概率。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高目标用户与目标资源的交互概率的推荐方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种推荐方法。所述方法包括:
获取目标用户在多个周期类型下分别对应的目标对象使用频次;
针对任一所述周期类型,根据所述周期类型对应的所述目标对象使用频次,从目标对象在所述周期类型下对应的可选资源中,确定所述周期类型对应的至少一个备选资源;
针对任一所述备选资源,根据所述备选资源以及各所述周期类型对应的所述目标对象使用频次,确定所述目标用户针对所述备选资源的预测交互概率;
针对任一所述周期类型,根据各所述备选资源对应的所述预测交互概率,从所述周期类型对应的至少一个所述备选资源中,确定所述周期类型对应的目标资源;
根据各所述周期类型对应的所述目标资源,向所述目标用户进行资源推荐。
在其中一个实施例中,所述获取目标用户在多个周期类型下分别对应的目标对象使用频次,包括:
根据当前日期以及预设时长,确定多个目标日期;
针对任一所述目标日期,根据各所述周期类型对应的周期时长、以及所述目标用户在各所述目标日期针对所述目标对象的使用次数,确定在各所述周期类型下,所述目标用户在所述目标日期针对所述目标对象的各所述目标对象使用频次;
针对任一所述周期类型,根据在所述周期类型下,所述目标用户在各所述目标日期针对所述目标对象的各所述目标对象使用频次,确定所述周期类型对应的目标对象使用频次。
在其中一个实施例中,所述可选资源具有对应的目标对象可使用次数;所述根据所述周期类型对应的所述目标对象使用频次,从目标对象在所述周期类型下对应的可选资源中,确定所述周期类型对应的至少一个备选资源,包括:
将所述周期类型对应的可选资源中,对应的所述目标对象可使用次数大于或者等于所述周期类型对应的所述目标对象使用频次的所述可选资源,作为备选资源。
在其中一个实施例中,所述针对任一所述备选资源,根据所述备选资源以及各所述周期类型对应的所述目标对象使用频次,确定所述目标用户针对所述备选资源的预测交互概率,包括:
针对任一所述周期类型,在所述周期类型对应的所述备选资源的数目大于或者等于预设数目的情况下,针对所述周期类型对应的任一所述备选资源,根据所述备选资源以及各所述周期类型对应的所述目标对象使用频次,确定所述目标用户针对所述备选资源的预测交互概率。
在其中一个实施例中,所述方法还包括:
针对任一所述周期类型,在所述周期类型对应的所述备选资源的数目小于所述预设数目的情况下,将所述周期类型对应的所述备选资源作为所述周期类型对应的所述目标资源。
在其中一个实施例中,所述根据各所述备选资源对应的所述预测交互概率,从所述周期类型对应的至少一个所述备选资源中,确定所述周期类型对应的目标资源,包括:
根据各所述备选资源对应的所述预测交互概率,从所述周期类型对应的至少一个所述备选资源中,确定所述周期类型对应的初始资源;
获取所述目标用户针对各所述备选资源的历史交互数据,根据所述历史交互数据从所述备选资源中确定已交互资源,及确定所述目标用户与所述已交互资源的交互次数;
在不存在所述已交互资源或者所述已交互资源中包括所述初始资源的情况下,将所述初始资源作为所述周期类型对应的目标资源。
在其中一个实施例中,所述方法还包括:
在存在所述已交互资源,且所述已交互资源中不包括所述初始资源的情况下,根据所述目标用户与各所述已交互资源的交互次数,确定各所述已交互资源的预测权重;
针对任一所述已交互资源,根据所述已交互资源的所述预测权重及所述已交互资源对应的所述预测交互概率,确定所述已交互资源对应的加权交互概率;
根据各所述已交互资源对应的加权交互概率以及所述初始资源对应的所述预测交互概率,确定所述周期类型对应的目标资源。
在其中一个实施例中,所述方法还包括:
构建训练集,并基于所述训练集训练交互概率预测模型,得到训练后的交互概率预测模型,其中,所述训练集中包括多个样本组,所述样本组包括在各样本日期时样本用户在各所述周期类型下分别对应的目标对象使用频次、样本可选资源以及所述样本可选资源的标签,所述样本可选资源的标签用于表征所述样本用户与所述样本可选资源的交互情况;
所述根据所述备选资源以及各所述周期类型对应的所述目标对象使用频次,确定所述目标用户针对所述备选资源的预测交互概率,包括:
将所述备选资源对应的资源数据以及各所述周期类型对应的所述目标对象使用频次,输入至所述训练后的交互概率预测模型,得到所述目标用户针对所述备选资源的所述预测交互概率。
在其中一个实施例中,所述基于所述训练集训练交互概率预测模型,得到训练后的交互概率预测模型,包括:
针对任一所述样本组,将所述样本可选资源、以及在各所述样本日期时所述样本用户在各所述周期类型下分别对应的所述目标对象使用频次,输入至交互概率预测模型,得到所述样本可选资源的所述预测交互概率;
根据各所述样本可选资源的所述预测交互概率以及各所述样本可选资源的所述标签,训练所述交互概率预测模型,得到训练后的交互概率预测模型。
在其中一个实施例中,所述根据各所述周期类型对应的所述目标资源,向所述目标用户进行资源推荐,包括:
针对任一所述目标资源,根据所述目标资源对应的目标对象可使用次数、以及所述目标资源对应的所述周期类型的所述目标对象使用频次,确定针对所述目标资源的基础调整系数;
针对任一所述目标资源,根据所述目标资源的所述基础调整系数、预设的系数调整策略以及预设的系数调整限制策略,确定目标调整系数,并根据所述目标对象对应的预设交互资源数据、所述目标资源对应的所述目标对象可使用次数和所述目标调整系数,确定针对所述目标资源的目标交互资源数据;
根据各所述周期类型对应的所述目标资源及各所述目标资源的所述目标交互资源数据,向所述目标用户进行资源推荐。
在其中一个实施例中,所述预设的系数调整限制策略包括限制范围;所述预设的系数调整策略包括上调范围;所述根据所述目标资源的所述基础调整系数、预设的系数调整策略以及预设的系数调整限制策略,确定目标调整系数,包括:
根据所述限制范围及所述基础调整系数,确定待上调系数;
根据所述上调范围,确定上调值,并根据所述上调值和所述待上调系数,确定待限制系数;
根据所述待限制系数以及包括所述限制范围的所述预设的系数调整限制策略,确定所述目标调整系数。
在其中一个实施例中,所述根据所述限制范围及所述基础调整系数,确定待上调系数,包括:
判断所述目标资源的所述基础调整系数是否在所述限制范围内;
在所述基础调整系数在所述限制范围内的情况下,将所述基础调整系数作为待上调系数;或者,
在所述基础调整系数小于所述限制范围的下限值的情况下,将所述限制范围的下限值作为所述待上调系数;或者,
在所述基础调整系数大于所述限制范围的上限值的情况下,将所述限制范围的上限值作为所述待上调系数。
第二方面,本申请还提供了一种推荐装置。所述装置包括:
获取模块,用于获取目标用户在多个周期类型下分别对应的目标对象使用频次;
第一确定模块,用于针对任一周期类型,根据周期类型对应的目标对象使用频次,从目标对象在周期类型下对应的可选资源中,确定周期类型对应的至少一个备选资源;
预测模块,用于针对任一备选资源,根据备选资源以及各周期类型对应的目标对象使用频次,确定目标用户针对备选资源的预测交互概率;
第二确定模块,用于针对任一周期类型,根据各备选资源对应的预测交互概率,从周期类型对应的至少一个备选资源中,确定周期类型对应的目标资源;
推荐模块,用于根据各周期类型对应的目标资源,向目标用户进行资源推荐。
在其中一个实施例中,所述获取模块具体用于:
根据当前日期以及预设时长,确定多个目标日期;
针对任一所述目标日期,根据各所述周期类型对应的周期时长、以及所述目标用户在各所述目标日期针对所述目标对象的使用次数,确定在各所述周期类型下,所述目标用户在所述目标日期针对所述目标对象的各所述目标对象使用频次;
针对任一所述周期类型,根据在所述周期类型下,所述目标用户在各所述目标日期针对所述目标对象的各所述目标对象使用频次,确定所述周期类型对应的目标对象使用频次。
在其中一个实施例中,所述可选资源具有对应的目标对象可使用次数;所述第一确定模块具体用于:
将所述周期类型对应的可选资源中,对应的所述目标对象可使用次数大于或者等于所述周期类型对应的所述目标对象使用频次的所述可选资源,作为备选资源。
在其中一个实施例中,所述预测模块具体用于:
针对任一所述周期类型,在所述周期类型对应的所述备选资源的数目大于或者等于预设数目的情况下,针对所述周期类型对应的任一所述备选资源,根据所述备选资源以及各所述周期类型对应的所述目标对象使用频次,确定所述目标用户针对所述备选资源的预测交互概率。
在其中一个实施例中,所述推荐装置还包括:
第三确定模块,用于针对任一所述周期类型,在所述周期类型对应的所述备选资源的数目小于所述预设数目的情况下,将所述周期类型对应的所述备选资源作为所述周期类型对应的所述目标资源。
在其中一个实施例中,所述第二确定模块具体用于:
根据各所述备选资源对应的所述预测交互概率,从所述周期类型对应的至少一个所述备选资源中,确定所述周期类型对应的初始资源;
获取所述目标用户针对各所述备选资源的历史交互数据,根据所述历史交互数据从所述备选资源中确定已交互资源,及确定所述目标用户与所述已交互资源的交互次数;
在不存在所述已交互资源或者所述已交互资源中包括所述初始资源的情况下,将所述初始资源作为所述周期类型对应的目标资源。
在其中一个实施例中,所述推荐装置还包括:
第四确定模块,用于在存在所述已交互资源,且所述已交互资源中不包括所述初始资源的情况下,根据所述目标用户与各所述已交互资源的交互次数,确定各所述已交互资源的预测权重;
第五确定模块,用于针对任一所述已交互资源,根据所述已交互资源的所述预测权重及所述已交互资源对应的所述预测交互概率,确定所述已交互资源对应的加权交互概率;
第六确定模块,用于根据各所述已交互资源对应的加权交互概率以及所述初始资源对应的所述预测交互概率,确定所述周期类型对应的目标资源。
在其中一个实施例中,所述推荐装置还包括:
构建模块,用于构建训练集,并基于所述训练集训练交互概率预测模型,得到训练后的交互概率预测模型,其中,所述训练集中包括多个样本组,所述样本组包括在各样本日期时样本用户在各所述周期类型下分别对应的目标对象使用频次、样本可选资源以及所述样本可选资源的标签,所述样本可选资源的标签用于表征所述样本用户与所述样本可选资源的交互情况;
所述预测模块具体用于:
将所述备选资源对应的资源数据以及各所述周期类型对应的所述目标对象使用频次,输入至所述训练后的交互概率预测模型,得到所述目标用户针对所述备选资源的所述预测交互概率。
在其中一个实施例中,所述构建模块具体用于:
针对任一所述样本组,将所述样本可选资源、以及在各所述样本日期时所述样本用户在各所述周期类型下分别对应的所述目标对象使用频次,输入至交互概率预测模型,得到所述样本可选资源的所述预测交互概率;
根据各所述样本可选资源的所述预测交互概率以及各所述样本可选资源的所述标签,训练所述交互概率预测模型,得到训练后的交互概率预测模型。
在其中一个实施例中,所述推荐模块具体用于:
针对任一所述目标资源,根据所述目标资源对应的目标对象可使用次数、以及所述目标资源对应的所述周期类型的所述目标对象使用频次,确定针对所述目标资源的基础调整系数;
针对任一所述目标资源,根据所述目标资源的所述基础调整系数、预设的系数调整策略以及预设的系数调整限制策略,确定目标调整系数,并根据所述目标对象对应的预设交互资源数据、所述目标资源对应的所述目标对象可使用次数和所述目标调整系数,确定针对所述目标资源的目标交互资源数据;
根据各所述周期类型对应的所述目标资源及各所述目标资源的所述目标交互资源数据,向所述目标用户进行资源推荐。
在其中一个实施例中,所述预设的系数调整限制策略包括限制范围;所述预设的系数调整策略包括上调范围;所述推荐模块具体用于:
根据所述限制范围及所述基础调整系数,确定待上调系数;
根据所述上调范围,确定上调值,并根据所述上调值和所述待上调系数,确定待限制系数;
根据所述待限制系数以及包括所述限制范围的所述预设的系数调整限制策略,确定所述目标调整系数。
在其中一个实施例中,所述推荐模块具体用于:
判断所述目标资源的所述基础调整系数是否在所述限制范围内;
在所述基础调整系数在所述限制范围内的情况下,将所述基础调整系数作为待上调系数;或者,
在所述基础调整系数小于所述限制范围的下限值的情况下,将所述限制范围的下限值作为所述待上调系数;或者,
在所述基础调整系数大于所述限制范围的上限值的情况下,将所述限制范围的上限值作为所述待上调系数。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以第一方面所述的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以第一方面所述的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时以第一方面所述的步骤。
上述推荐方法、装置、计算机设备、存储介质和计算机程序产品,通过获取目标用户在多个周期类型下分别对应的目标对象使用频次;针对任一周期类型,根据周期类型对应的目标对象使用频次,从目标对象在周期类型下对应的可选资源中,确定周期类型对应的至少一个备选资源;针对任一备选资源,根据备选资源以及各周期类型对应的目标对象使用频次,确定目标用户针对备选资源的预测交互概率;针对任一周期类型,根据各备选资源对应的预测交互概率,从周期类型对应的至少一个备选资源中,确定周期类型对应的目标资源。上述方法中,先通过目标用户的周期类型对应的目标对象使用频次,在周期类型对应的可选资源中,粗筛选得到备选资源。然后,针对任一备选资源,根据备选资源以及全部的目标对象使用频次来确定备选资源的预测交互概率,进而根据备选资源的预测交互概率再从同一周期类型对应的备选资源中,进一步筛选得到目标资源。可以理解,目标对象使用频次用于表征目标用户在周期类型对应的周期时长内对目标对象的使用次数,而目标用户对目标对象的使用次数是跟随着用户需求动态变化的,因此,基于跟随着用户需求动态变化的目标对象使用频次确定的目标资源与用户需求的匹配度较高,进而提高目标用户与目标资源的交互概率。另外,基于备选资源的预测交互概率在同一周期类型对应的备选资源中进一步筛选目标资源,可以获取在备选资源中具有更高预测交互概率的目标资源,进而进一步提高目标用户与目标资源的匹配度,进而提高目标用户与目标资源的交互概率。
附图说明
图1为一个实施例中推荐方法的流程示意图;
图2为一个实施例中目标对象使用频次的获取方法的流程示意图;
图3为一个实施例中预测交互概率和目标资源的确定方法的流程示意图;
图4为另一个实施例中目标资源的确定方法的流程示意图;
图5为另一个实施例中目标资源的确定方法的流程示意图;
图6为一个实施例中目标交互资源数据的确定方法的流程示意图;
图7为一个实施例中目标调整系数的确定方法的流程示意图;
图8为一个实施例中待上调系数的确定方法的流程示意图;
图9为一个实施例中推荐装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种推荐方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的***,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤102,获取目标用户在多个周期类型下分别对应的目标对象使用频次。
在本申请实施例中,针对任一周期类型,终端获取目标用户在周期类型下对应的目标对象使用频次。其中,目标对象使用频次用于表征在周期类型对应的周期时长内对目标对象的使用次数,可选资源对应的资源数据包括周期时长以及目标对象可使用次数,同一周期类型下可以包括不同的可选资源,不同的可选资源对应的周期时长相同,均为该周期类型对应的周期时长,但对应的目标对象可使用次数不同,可选资源对应的资源数据预先存储在终端中。
示例性的,各周期类型对应的周期时长可以包括3天、5天、7天、10天、15天、20天、25天和30天,目标对象可使用次数包括2次、3次、4次、5次、7次、10次、15次、20次和30次,可选资源对应的资源数据包括(3天,2次)、(3天,3次)、(3天,4次)、(5天,3次)、(5天,4次)和(5天,5次)等。具体的,针对任一周期类型,终端获取周期类型对应的各目标日期针对目标对象的目标对象使用频次,并将同一周期类型下对应的各目标日期针对目标对象的目标对象使用频次的均值,作为该周期类型对应的目标对象使用频次。或者,针对任一周期类型,终端获取周期类型对应的一个目标对象使用频次,得到该周期类型对应的目标对象使用频次。
步骤104,针对任一周期类型,根据周期类型对应的目标对象使用频次,从目标对象在周期类型下对应的可选资源中,确定周期类型对应的至少一个备选资源。
在本申请实施例中,针对任一周期类型,终端根据周期类型对应的目标对象使用频次,从目标对象在周期类型下对应的可选资源中,确定与目标对象使用频次相匹配的目标对象可使用次数对应的可选资源,并将与目标对象使用频次相匹配的目标对象可使用次数对应的可选资源作为备选资源。可选的,备选资源可以是对应的目标对象可使用次数大于或者等于目标对象使用频次的可选资源,也可以是对应的目标对象可使用次数与预设次数的和大于或者等于目标对象使用频次的可选资源;其中,预设次数预先设置在终端,预设次数可以是负数,也可以是非负数。
步骤106,针对任一备选资源,根据备选资源以及各周期类型对应的目标对象使用频次,确定目标用户针对备选资源的预测交互概率。
在本申请实施例中,针对任一备选资源,终端根据备选资源对应的资源数据、以及所有周期类型对应的目标对象使用频次,预测目标用户针对该备选资源的预测交互概率。其中,预测交互概率用于表征目标用户与备选资源进行交互的可能性,示例性的,预测交互概率越高,表明目标用户与备选资源交互的可能性越高,反之,预测交互概率越低,表明目标用户与备选资源交互的可能性越低,预测交互概率的范围为[0,1]。
步骤108,针对任一周期类型,根据各备选资源对应的预测交互概率,从周期类型对应的至少一个备选资源中,确定周期类型对应的目标资源。
在本申请实施例中,终端根据同一周期类型的各备选资源对应的预测交互概率,从各周期类型对应的至少一个备选资源中,获取预测交互概率最高的备选资源,并将预测交互概率最高的备选资源作为该周期类型对应的目标资源。示例性的,周期类型为3天的备选资源的资源数据包括{(3天,3次),(3天,4次)},其中,(3天,3次)的备选资源对应的预测交互概率为0.6,(3天,4次)的备选资源对应的预测交互概率为0.8,则终端判断0.8大于0.6,并将预测交互概率为0.8对应的备选资源即(3天,4次)的备选资源,作为周期类型为3天的目标资源。
若预测交互概率最高的备选资源(为了方便区别,称为目标备选资源)的数目为多个,则终端将目标对象可使用次数最高的目标备选资源作为目标资源。示例性的,周期类型为3天的备选资源的资源数据包括{(3天,3次),(3天,4次)},其中,(3天,3次)的备选资源对应的预测交互概率为0.6,(3天,4次)的备选资源对应的预测交互概率为0.6,则终端判断周期类型为3天的目标备选资源包括(3天,3次)的备选资源和(3天,4次)的备选资源,并继续判断4次大于3次,然后将目标对象可使用次数为4次的(3天,4次)备选资源作为目标资源。
步骤110,根据各周期类型对应的目标资源,向目标用户进行资源推荐。
在本申请实施例中,终端针对各周期类型对应的目标资源,向目标用户进行资源推荐。在一个实施例中,终端根据各目标资源对应的周期类型,对各目标资源进行排序,得到排序后的目标资源,并向目标用户推荐排序后的目标资源。示例性的,周期类型对应的周期时长越短(或者越长)的目标资源在排序后的目标资源中越靠前。在另一个实施例中,终端根据各目标资源对应的预测交互概率,对各目标资源进行排序,得到排序后的目标资源,并向目标用户推荐排序后的目标资源。示例性的,预测交互概率越大的目标资源在排序后的目标资源中越靠前。
上述推荐方法中,先通过目标用户的周期类型对应的目标对象使用频次,在周期类型对应的可选资源中,粗筛选得到备选资源。然后,针对任一备选资源,根据备选资源以及全部的目标对象使用频次来确定备选资源的预测交互概率,进而根据备选资源的预测交互概率再从同一周期类型对应的备选资源中,进一步筛选得到目标资源。可以理解,目标对象使用频次用于表征目标用户在周期类型对应的周期时长内对目标对象的使用次数,而目标用户对目标对象的使用次数是跟随着用户需求动态变化的,因此,基于跟随着用户需求动态变化的目标对象使用频次确定的目标资源与用户需求的匹配度较高,进而提高目标用户与目标资源的交互概率。另外,基于备选资源的预测交互概率在同一周期类型对应的备选资源中进一步筛选目标资源,可以获取在备选资源中具有更高预测交互概率的目标资源,进而进一步提高目标用户与目标资源的匹配度,进而提高用户与目标资源的交互概率。
在一个实施例中,如图2所示,获取目标用户在多个周期类型下分别对应的目标对象使用频次,包括:
步骤202,根据当前日期以及预设时长,确定多个目标日期。
在本申请实施例中,终端获取当前日期,并根据当前日期以及预设时长,计算得到目标日期。其中,目标日期早于当前日期。示例性的,可以将当前日期作为截止日期,在截止日期之前距离该当前日期预设时长的日期为起始日期,从该起始日期至截止日期之间的多个日期中确定目标日期,例如将起始日期至截止日期之间的日期作为目标日期。
步骤204,针对任一目标日期,根据各周期类型对应的周期时长、以及目标用户在各目标日期针对目标对象的使用次数,确定在各周期类型下,目标用户在目标日期针对目标对象的各目标对象使用频次。
在本申请实施例中,针对任一目标日期,终端根据各周期类型对应的周期时长和目标日期,确定各目标时段。具体的,针对任一目标日期,终端将目标日期作为目标时段的结束日期,并基于目标日期与各周期类型对应的周期时长计算目标时段的起始日期。可以理解,目标时段对应的时长等于周期时长。针对目标日期的任一目标时段,终端统计目标用户在目标时段内针对目标对象的总使用次数(即在目标日期时,目标用户在目标日期针对目标对象的目标对象使用频次)。
示例性的,周期类型1对应的周期时长为3天,周期类型2对应的周期时长为5天,目标日期为3月20日,则针对周期类型1,终端基于3月20日计算得到目标时段1为[3月18日,3月20日];针对周期类型2,终端基于3月20日计算得到目标时段2为[3月16日,3月20日]。假设目标用户每天对目标对象的使用次数如表1所示。可以理解,表1中的数据只作为示例来解释说明本方案,并不对实际应用中的数据构成限制。
表1
针对3月20日的目标时段1[3月18日,3月20日],终端获取目标用户在3月18日、3月19日和3月20日针对目标对象的各使用次数,得到3次、4次和5次,并计算目标用户在3月18日、3月19日和3月20日针对目标对象的总使用次数即3+4+5=12次。终端将12次作为在目标日期为3月20日时针对目标对象的目标对象使用频次。同理可得,针对3月20日的目标时段2[3月16日,3月20日],终端计算得到目标用户在目标时段2针对目标对象的总使用次数为1+2+3+4+5=15次。终端将15次作为在目标日期为3月20日时针对目标对象的目标对象使用频次。
步骤206,针对任一周期类型,根据在周期类型下,目标用户在各目标日期针对目标对象的各目标对象使用频次,确定周期类型对应的目标对象使用频次。
在本申请实施例中,针对任一周期类型,终端根据在周期类型下,目标用户在各目标日期对应的目标时段针对目标对象的各目标对象使用频次,确定周期类型对应的目标对象使用频次。具体的,终端将在周期类型下目标用户在各目标日期对应的目标时段针对目标对象的各总使用次数的均值,作为该周期类型对应的目标对象使用频次。
示例性的,周期类型1对应的周期时长为3天,周期类型2对应的周期时长为5天,目标日期包括3月20日和3月21日。参照步骤204,可知在3月21日,目标用户在周期类型1的情况下(即目标时段为[3月19日,3月21日])针对目标对象的总使用次数为4+5+6=15次;在3月21日,目标用户在周期类型1的情况下(即目标时段为[3月17日,3月21日])针对目标对象的总使用次数为2+3+4+5+6=20次。那么,在周期类型1下,终端获取目标日期为3月20日对应的目标时段(即[3月18日,3月20日])的总使用次数为12次、目标日期为3月21日对应的目标时段(即[3月19日,3月21日])的总使用次数为15次,并计算周期类型1对应的目标对象使用频次为(12+15)/2=13.5次。同理,在周期类型2下,终端获取目标日期为3月20日对应的目标时段(即[3月16日,3月20日])的总使用次数为15次、目标日期为3月21日对应的目标时段(即[3月17日,3月21日)的总使用次数为20次,并计算周期类型2对应的目标对象使用频次为(15+20)/2=17.5次。
本实施例中,根据当前日期确定目标日期,然后,针对任一周期类型,统计在各目标日期对应的目标时段目标用户针对目标对象的目标对象使用频次,进而得到周期类型对应的目标对象使用频次。因此,本方案可以基于同一周期类型下多个目标日期针对目标对象的目标对象使用频次来确定周期类型对应的目标对象使用频次,从而可以减少由于一个目标日期带来的数据误差,进而提高目标对象使用频次的准确度。
在一个实施例中,可选资源具有对应的目标对象可使用次数;根据周期类型对应的目标对象使用频次,从目标对象在周期类型下对应的可选资源中,确定周期类型对应的至少一个备选资源,包括:
将周期类型对应的可选资源中,对应的目标对象可使用次数大于或者等于周期类型对应的目标对象使用频次的可选资源,作为备选资源。
在本申请实施例中,终端将在周期类型对应的可选资源中,对应的目标对象可使用次数大于或者等于周期类型对应的目标对象使用频次的可选资源,作为备选资源。示例性的,周期类型1的可选资源的资源数据包括{(3天,2次),(3天,3次),(3天,4次)},周期类型对应的目标对象使用频次为2.4次。针对周期类型1的可选资源,终端判断目标对象可使用次数3次和目标对象可使用次数4次分别大于目标对象使用频次2.4次,并将(3天,3次)对应的可选资源和(3天,4次)对应的可选资源作为周期类型1的备选资源。可以理解,其他周期类型对应的备选资源的确定方式与周期类型1的备选资源的确定方式类似,不再赘述。
本实施例中,将目标对象可使用次数大于或者等于目标对象使用频次的可选资源作为备选资源,也即保证了备选资源的目标对象使用频次足够大,由于目标资源是基于高目标对象使用频次确定的,因此,提高了目标资源与目标用户的匹配度,进而提高目标用户与目标资源的交互概率。
在一个实施例中,如图3所示,针对任一所述备选资源,根据所述备选资源以及各所述周期类型对应的所述目标对象使用频次,确定所述目标用户针对所述备选资源的预测交互概率,包括:
步骤302,针对任一周期类型,在周期类型对应的备选资源的数目大于或者等于预设数目的情况下,针对周期类型对应的任一备选资源,根据备选资源以及各周期类型对应的目标对象使用频次,确定目标用户针对备选资源的预测交互概率。
所述方法还包括:
步骤304,针对任一周期类型,在周期类型对应的备选资源的数目大于或者等于预设数目的情况下,根据各备选资源对应的预测交互概率,从周期类型对应的至少一个备选资源中,确定周期类型对应的目标资源。或者,
步骤306,针对任一周期类型,在周期类型对应的备选资源的数目小于预设数目的情况下,将周期类型对应的备选资源作为周期类型对应的目标资源。
在本申请实施例中,针对任一周期类型,终端比较周期类型对应的备选资源的数目与预设数目。其中,预设数目为预先设定并存储在终端中的数目,具体取值可以由本领域技术人员按照需求进行确定,例如:预设数目可以为1或者2等,其中预设数目可为一个周期类型下目标资源数量的上限值。
可以理解,当同一周期类型对应的备选资源的数目大于或者等于预设数目时,表明备选资源的数目过多,因此需要从备选资源中筛选目标资源,以减少向目标用户推荐的资源数量和提高推荐的精度;同一周期类型对应的备选资源的数目小于预设数目,也即备选资源的数目刚好或者备选资源较少,因此不需要从备选资源中筛选目标资源。在周期类型对应的备选资源的数目大于或者等于预设数目的情况下,终端执行步骤302。在周期类型对应的备选资源的数目小于预设数目的情况下,终端执行步骤306。
针对步骤302,具体的,针对周期类型对应的任一备选资源,终端将备选资源以及所有的周期类型对应的目标对象使用频次,输入至训练后的交互概率预测模型,得到目标用户针对备选资源的预测交互概率。然后,终端执行步骤304。具体的,针对任一周期类型,终端比较同一周期类型对应的各备选资源的预测交互概率,并将在同一周期类型对应的各备选资源中,最高的预测交互概率对应的备选资源作为该周期类型对应的目标资源。
针对步骤306,终端将周期类型对应的备选资源作为该周期类型对应的目标资源。
本实施例中,在同一周期类型对应的备选资源的数目小于预设数目的情况下,直接将周期类型对应的备选资源作为该周期类型对应的目标资源。因此,在同一周期类型对应的备选资源的数目小于预设数目的情况下,目标资源的确定可以不依赖于备选资源的预测交互概率,从而节省了确定备选资源的预测交互概率的处理过程,进而提高了目标资源的确定效率。
在一个实施例中,如图4所示,根据各备选资源对应的预测交互概率,从周期类型对应的至少一个备选资源中,确定周期类型对应的目标资源,包括:
步骤402,根据各备选资源对应的预测交互概率,从周期类型对应的至少一个备选资源中,确定周期类型对应的初始资源。
在本申请实施例中,终端比较同一周期类型对应的各备选资源的预测交互概率,并将在同一周期类型对应的各备选资源中,最高的预测交互概率对应的备选资源作为该周期类型对应的初始资源。
步骤404,获取目标用户针对各备选资源的历史交互数据,根据历史交互数据从备选资源中确定已交互资源,及确定目标用户与已交互资源的交互次数。
在本申请实施例中,终端获取目标用户针对各备选资源的历史交互数据。其中,历史交互数据包括目标用户与备选资源交互时所产生的数据,历史交互数据包括交互日期、以及交互次数等数据。针对任一备选资源,在存在目标用户针对该备选资源的历史交互数据的情况下,终端将该备选资源作为已交互资源,并统计已交互资源的交互次数。在不存在已交互资源或者已交互资源中包括初始资源的情况下,终端执行步骤406。或者,在存在已交互资源,且已交互资源中不包括初始资源的情况下,终端执行步骤502。
步骤406,在不存在已交互资源或者已交互资源中包括初始资源的情况下,将初始资源作为周期类型对应的目标资源。
在本申请实施例中,在不存在已交互资源或者已交互资源中包括初始资源的情况下,终端将初始资源作为周期类型对应的目标资源。可以理解,已交互资源是目标用户已经交互过的可选资源,说明已交互资源与用户需求的匹配度较高。在确定目标资源时,既考虑基于预测交互概率确定的初始资源,又考虑与用户需求有较高匹配度的已交互资源,因此,基于多维度确定的目标资源与用户需求具有更高的匹配度。
示例性的,当不存在已交互资源的情况下,初始资源即为当前确定的周期类型下与目标用户最为匹配的可选资源,故可以将该初始资源作为该周期类型对应的目标资源,或者,在存在已交互资源且已交互资源中包括初始资源的情况下,说明目标用户历史已经与当前确定的初始资源交互过,可以认为该初始资源是当前与目标用户最为匹配的可选资源,故可以将该初始资源作为周期类型对应的目标资源。
本实施例中,根据备选资源对应的预测交互概率以及备选资源的历史交互数据来共同确定目标资源,因此,从多维度确定的目标资源可以减少由单一维度带来的误差,从而提高目标资源的交互概率。
在一个实施例中,如图5所示,方法还包括:
步骤502,在存在已交互资源,且已交互资源中不包括初始资源的情况下,根据目标用户与各已交互资源的交互次数,确定各已交互资源的预测权重。
在本申请实施例中,在存在已交互资源,且已交互资源中不包括初始资源的情况下,表明初始资源在历史交互过程中,并未与目标用户交互过,而由于目标用户历史交互过的已交互资源与目标用户需求的匹配度也是较高的,故而此时可以从已交互资源和初始资源中确定目标资源。
此时,已交互资源对应的预测交互概率是低于初始资源的,为了很好的衡量已交互资源与初始资源与用户的适配情况,故而可以基于交互次数对已交互资源的预测交互概率进行调整,由于交互次数可以在一定程度上表征目标用户与已交互资源的适配程度,也即交互次数越多,则说明目标用户对该已交互资源的兴趣更大一些,也即目标用户与已交互资源的适配程度越高一些,故而针对任一已交互资源,终端可以根据目标用户与已交互资源的交互次数调整已交互资源的预测交互概率,例如:可以基于目标对象与已交互资源的交互次数确定已交互资源的预测权重,基于该预测权重对已交互资源的预测交互概率进行上调处理,该预测权重大于1,且与交互次数正相关,也即交互次数越多,则对应的权重越大。
例如:可以将交互次数与预设比例的乘积,作为已交互资源的权重调整值。将权重基准值与权重调整值的和,作为已交互资源的预测权重。例如:权重基础值为1,预设比例为10%。其中,预设比例预先设置在终端中,预设比例用于将交互次数映射成权重调整值。可以理解,已交互资源的交互次数可以反映目标用户对已交互资源的偏好程度,而偏好程度高的已交互资源对应的交互概率比偏好程度低或者偏好程度为0的资源对应的交互概率要大。因此,本方案通过交互次数来确定权重调整值,可以更加关注偏好程度高的已交互资源。
步骤504,针对任一已交互资源,根据已交互资源的预测权重及已交互资源对应的预测交互概率,确定已交互资源对应的加权交互概率。
在本申请实施例中,针对任一已交互资源,终端计算已交互资源的预测权重与已交互资源对应的预测交互概率的乘积,得到已交互资源对应的加权交互概率,由于预测权重大于1,故而通过预测权重对已交互资源对应的预测交互概率进行了上调处理,得到了已交互资源对应的加权交互概率,也即对已交互资源在用户历史交互偏好的角度进行了加成。本方案通过预测权重来提高已交互资源的预测交互概率,进而在步骤506中,可以提高将偏好程度高的已交互资源作为目标资源的概率。可以理解,将偏好程度高的已交互资源作为目标资源,可以保证目标用户与目标资源的匹配度,进而提高目标用户与目标资源的交互概率。
步骤506,根据各已交互资源对应的加权交互概率以及初始资源对应的预测交互概率,确定周期类型对应的目标资源。
在本申请实施例中,终端将交互概率(包括各已交互资源对应的加权交互概率、以及初始资源对应的预测交互概率)中,最高的交互概率对应的资源(已交互资源或者初始资源)作为周期类型对应的目标资源。
本实施例中,根据备选资源对应的预测交互概率以及备选资源的历史交互数据来共同确定目标资源,因此,从多维度确定的目标资源可以减少由单一维度带来的误差,从而提高目标资源的交互概率。
在一个实施例中,方法还包括:
构建训练集,并基于训练集训练交互概率预测模型,得到训练后的交互概率预测模型。
其中,训练集中包括多个样本组,样本组包括在各样本日期时样本用户在各周期类型下分别对应的目标对象使用频次、样本可选资源以及该样本可选资源的标签,样本可选资源的标签用于表征样本用户与样本可选资源的交互情况。可选的,样本可选资源的标签可以用于表征样本用户与样本可选资源是否已交互,样本数据的标签也可以用于表征样本用户与样本可选资源的交互次数。
根据备选资源以及各周期类型对应的目标对象使用频次,确定目标用户针对备选资源的预测交互概率,包括:
将备选资源对应的资源数据以及各周期类型对应的目标对象使用频次,输入至训练后的交互概率预测模型,得到目标用户针对备选资源的预测交互概率。
在本申请实施例中,终端构建样本组,并基于至少一个样本组构建训练集。其中,各样本组之间的样本对象不同和/或各样本组之间的样本日期不同。以构建一个样本组为示例,构建多个样本组与之类似不再赘述。终端获取多个样本日期,并针对同一样本日期,终端根据各周期类型对应的周期时长、以及样本用户在各样本日期针对目标对象的使用次数,确定在样本日期时,样本用户在各周期类型下针对目标对象的总使用次数。可以理解,样本用户在各周期类型下针对目标对象的总使用次数的确定方法、与目标用户在各周期类型下针对目标对象的总使用次数的确定方法类似,具体的可参照步骤204。
针对任一周期类型,终端根据在周期类型下,样本用户在各样本日期针对目标对象的各总使用次数、以及周期类型对应的周期时长,确定样本用户在周期类型下对应的目标对象使用频次。为了方便区分,将样本用户在周期类型下对应的目标对象使用频次,称为样本使用频次。可以理解,样本使用频次的确定方法、与目标对象使用频次的确定方法类似,具体的可参照步骤206。
终端基于在各样本日期时分别对应的各周期类型的样本使用频次、一个样本可选资源以及该样本可选资源的标签,构建样本组。终端基于训练集训练交互概率预测模型,得到训练后的交互概率预测模型。针对任一备选资源,终端将备选资源对应的资源数据以及所有周期类型对应的目标对象使用频次,输入至训练后的交互概率预测模型,得到目标用户针对备选资源的预测交互概率。
本实施例中,基于训练集训练得到训练后的交互概率预测模型,并基于训练后的交互概率预测模型来确定各备选资源的预测交互概率,进而为后续基于各备选资源的预测交互概率来确定目标资源提供了前提条件。
在一个实施例中,基于训练集训练交互概率预测模型,得到训练后的交互概率预测模型,包括:
针对任一样本组,将样本可选资源、以及在各样本日期时样本用户在各周期类型下分别对应的目标对象使用频次,输入至交互概率预测模型,得到样本可选资源的预测交互概率;根据各样本可选资源的预测交互概率以及各样本可选资源的标签,训练交互概率预测模型,得到训练后的交互概率预测模型。
在本申请实施例中,针对任一样本组,终端将样本可选资源对应的资源数据、以及样本组中所有的样本对象使用频次,输入至交互概率预测模型,得到样本可选资源的预测交互概率。可以理解,样本可选资源对应的资源数据与可选资源对应的资源数据相同,只是为了区别模型训练阶段和模型实际应用阶段,才将模型训练阶段中的可选资源称为样本可选资源。终端根据各样本可选资源的预测交互概率以及各样本可选资源的标签,训练交互概率预测模型,得到交互概率预测模型的损失值。其中,损失函数可以但不限于交叉熵损失函数和极大似然损失函数。终端根据交互概率预测模型的损失值,确定交互概率预测模型的精度。终端根据交互概率预测模型的精度,采用梯度下降算法对交互概率预测模型的精度的参数进行更新,直到交互概率预测模型的精度达到预设的精度条件,得到训练后的交互概率预测模型。
本实施例中,通过样本可选资源的预测交互概率和样本可选资源的预测交互概率,对交互概率预测模型进行训练,得到训练后的交互概率预测模型,进而为后续基于训练后的交互概率预测模型确定备选资源的预测交互概率提供了前提条件。
在一个实施例中,如图6所示,根据各周期类型对应的目标资源,向目标用户进行资源推荐,包括:
步骤602,针对任一目标资源,根据目标资源对应的目标对象可使用次数、以及目标资源对应的周期类型的目标对象使用频次,确定针对目标资源的基础调整系数。
在本申请实施例中,针对任一目标资源,终端计算目标资源对应的周期类型的目标对象使用频次、与目标资源对应的目标对象可使用次数的商,得到目标资源的基础调整系数。示例性的,目标资源对应的资源数据为(3天,4次),则目标资源对应的周期类型为3天,假设周期类型为3天的目标对象使用频次为2.4次,则终端计算目标对象使用频次2.4次与目标对象可使用次数4次的商(即0.6),得到0.6为目标资源的基础调整系数。
步骤604,针对任一目标资源,根据目标资源的基础调整系数、预设的系数调整策略以及预设的系数调整限制策略,确定目标调整系数,并根据目标对象对应的预设交互资源数据、目标资源对应的目标对象可使用次数和目标调整系数,确定针对目标资源的目标交互资源数据。
其中,预设的系数调整限制策略包括限制范围,预设的系数调整限制策略用于使系数(包括待上调系数或者目标调整系数)在限制范围内,在一个实施例中,限制范围为[0.3,0.9]。预设的系数调整策略包括上调范围,预设的系数调整策略用于上调基础调整系数,在一个实施例中,上调范围为[0,0.2]。
在本申请实施例中,针对任一目标资源,终端根据预设的系数调整限制策略和目标资源的基础调整系数,确定待上调系数,并根据待上调系数和预设的系数调整策略,确定待限制系数,然后,根据预设的系数调整限制策略和待限制系数,确定目标调整系数。目标调整系数的具体确定过程参照步骤702至步骤706。
针对任一目标资源,终端计算目标对象对应的预设交互资源数据与目标资源对应的目标对象可使用次数的乘积,得到原始交互资源数据,并计算原始交互资源数据与目标调整系数的乘积,得到针对目标资源的目标交互资源数据。其中,预设交互资源数据用于表征目标用户需要与终端交互多少交互资源数据才能使用一次目标对象,原始交互资源数据用于表征目标用户需要与终端交互多少交互资源数据才能使用目标对象可使用次数次目标对象,目标交互资源数据用于表征目标用户需要与终端交互多少交互资源数据才能获取目标资源。
示例性的,假设目标资源对应的资源数据为(3天,4次),即目标资源对应的目标对象可使用次数为4次,目标资源对应的目标调整系数为0.6,资源数据的单位为“单位”,预设交互资源数据为x单位/次,则终端计算目标对象可使用次数4次与预设交互资源数据x单位/次的乘积,得到原始交互资源数据4x单位,并计算原始交互资源数据4x单位与目标调整系数0.6的乘积,得到目标资源的目标交互资源数据2.4x单位。
步骤606,根据各周期类型对应的目标资源及各目标资源的目标交互资源数据,向目标用户进行资源推荐。
在本申请实施例中,终端针对各周期类型对应的目标资源及目标资源的目标交互资源数据,向目标用户进行资源推荐。具体的,资源推荐方法与步骤110中的资源推荐方法类似,不再赘述,只是步骤606在步骤110的基础上排序后的目标资源包括目标资源的目标交互资源数据。
本实施例中,向目标用户推荐目标资源以及目标资源对应的目标交互资源数据,其中,目标交互资源数据基于目标调整系数确定,而目标调整系数基础调整系数、预设的系数调整策略以及预设的系数调整限制策略确定。由于预设的系数调整限制策略可以使目标调整系数在限制范围内,同时,预设的系数调整策略可以上调基础调整系数得到目标调整系数,因此,目标调整系数在基础调整系数的基础上增大的同时还能合理地增大(即保持在限制范围内),从而可以为目标用户推荐合理的目标交互资源数据,进而提高目标资源的交互概率。
在一个实施例中,如图7所示,所述预设的系数调整限制策略包括限制范围;所述预设的系数调整策略包括上调范围;所述根据所述目标资源的所述基础调整系数、预设的系数调整策略以及预设的系数调整限制策略,确定目标调整系数,包括:
步骤702,根据所述限制范围及所述基础调整系数,确定待上调系数。
在本申请实施例中,终端判断基础调整系数是否属于限制范围内,并基于判断结果,确定待上调系数。其中,限制范围为闭区间(即包括限制范围的上限值和限制范围的下限值),待上调系数属于限制范围内。
步骤704,根据所述上调范围,确定上调值,并根据所述上调值和所述待上调系数,确定待限制系数。
在本申请实施例中,终端在上调范围中选取一个数值作为上调值,并计算待上调系数与上调值的和,得到待限制系数。可以理解,在上调范围中选取一个数值作为上调值的方法在本申请中不做限制,只要是在上调范围中选取一个数值作为上调值的方法都在本申请的保护范围内。示例性的,终端在上调范围中随机选取一个数值作为上调值。
步骤706,根据所述待限制系数以及包括所述限制范围的所述预设的系数调整限制策略,确定所述目标调整系数。
在本申请实施例中,终端判断目标资源的待限制系数是否在限制范围内。若待限制系数在限制范围内,则终端将待限制系数作为目标调整系数。或者,若待限制系数小于限制范围的下限值,则终端将限制范围的下限值作为目标调整系数。或者,若待限制系数大于限制范围的上限值,则终端将限制范围的上限值作为目标调整系数。其中,目标调整系数属于限制范围内。
本实施例中,根据限制范围以及基础调整系数,确定待上调系数,并基于待上调系数以及上调范围,确定待限制系数,进而根据待限制系数以及限制范围,确定目标调整系数。可以理解,经上述处理后的目标调整系数在基础调整系数之上尽量上调,同时还属于限制范围内,因此,本方案保证了目标调整系数在上调的同时不至于调整的程度过大,在一定程度上保护了用户利益。
在一个实施例中,如图8所示,所述根据所述限制范围及所述基础调整系数,确定待上调系数,包括:
步骤802,判断目标资源的基础调整系数是否在限制范围内。
在本申请实施例中,终端判断目标资源的基础调整系数是否在限制范围内,若基础调整系数在限制范围内,则终端执行步骤804;若基础调整系数小于限制范围的下限值,则终端执行步骤806;若基础调整系数大于限制范围的上限值,则终端执行步骤808。
步骤804,在基础调整系数在限制范围内的情况下,将基础调整系数作为待上调系数。或者,
在本申请实施例中,在基础调整系数在限制范围内的情况下,终端将基础调整系数作为待上调系数。然后,终端执行步骤704。
步骤806,在基础调整系数小于限制范围的下限值的情况下,将限制范围的下限值作为待上调系数。或者,
在本申请实施例中,在基础调整系数小于限制范围的下限值的情况下,终端将限制范围的下限值作为待上调系数。然后,终端执行步骤704。
步骤808,在基础调整系数大于限制范围的上限值的情况下,将限制范围的上限值作为待上调系数。
在本申请实施例中,在基础调整系数大于限制范围的上限值的情况下,终端将限制范围的上限值作为待上调系数。然后,终端执行步骤704。
本实施例中,根据基础调整系数、限制范围和上调范围,确定目标调整系数,为后续基于目标调整系数确定目标交互资源数据提供了前提条件。
为使本领域技术人员更好的理解本公开实施例,以下以共享单车领域为例,对本公开实施例加以说明。
在目标城市选择的步骤中,终端先获取初始城市集。其中,初始城市集中包括至少一个初始城市,初始城市是指打算应用推荐方法的城市。针对任一初始城市,终端获取初始城市的各共享单车的使用记录,并基于各使用记录,计算初始城市单天车效。其中,单天车效是指初始城市一天每辆共享单车的平均车效。在一个实施例中,单天车效=初始城市当天可用的共享单车的使用次数/初始城市当前可用的共享单车的数目。针对任一初始城市,终端根据至少一个单天车效,计算得到初始城市的平均车效。其中,平均车效是指初始城市平均每天每辆共享单车的平均车效。
示例性的,假设初始城市1在3月16日至3月21日之间单天车效如表2所示。可以理解,表2中的数据只作为示例来解释说明本方案,并不对实际应用中的数据构成限制。
表2
假设只基于在3月16日至3月21日之间单天车效来确定平均车效,则终端计算得到初始城市1的平均车效为(1+2+3+4+5+6)/6=3.5。
针对任一初始城市,若初始城市对应的平均车效属于预设车效范围内,则终端将该初始城市作为目标城市,并在目标城市中采用推荐方法。其中,预设车效范围预先存储在终端,预设车效范围用于衡量初始城市对应的平均车效是过低、过高或者合适。可以理解,若初始城市对应的平均车效小于预设车效范围的下限值,则说明初始城市的平均车效过低,意味着初始城市的共享单车处于停运或者几乎停运的状态,也即该初始城市的人骑行共享单车的次数并不多。若初始城市对应的平均车效大于预设车效范围的上限值,则说明初始城市的平均车效过高,意味着初始城市的共享单车处于较为饱和的状态。本方案的目的是可以基于推荐方法提高交互概率,也即共享单车的使用概率,因此,相比于平均车效过高或者过低的初始城市,平均车效适中的初始城市提高交互概率的可能性更大。
在获取目标对象使用频次的步骤中,终端的具体执行过程可以参照步骤202至步骤206,以表1为示例,终端计算得到目标用户在周期类型1下骑行共享单车(即目标对象)的目标对象使用频次为12次、以及在周期类型2下骑行共享单车(即目标对象)的目标对象使用频次为15次。
在确定备选资源的步骤中,终端将所述周期类型对应的共享单车的骑行卡(相当可选资源)中,对应的所述共享单车可使用次数(相当于目标对象可使用次数)大于或者等于所述周期类型对应的所述目标对象使用频次的所述骑行卡,作为备选骑行卡(备选资源)。
示例性的,周期类型1对应的骑行卡包括3天2次卡、3天3次卡以及3天4次卡,目标用户A在周期类型1下骑行共享单车的目标对象使用频次为2.4次(即平均每3天共2.4次),那么终端判断3天2次卡对应的可使用次数2小于目标对象使用频次2.4,则3天2次卡不作为备选骑行卡。同理,终端将3天3次卡以及3天4次卡作为备选骑行卡。
在确定备选资源的预测交互概率的步骤中,针对任一备选骑行卡,终端将备选骑行卡对应的资源数据(即几天几次)、以及各周期类型对应的目标对象使用频次,输入至训练后的交互概率预测模型,输出得到目标用户针对备选骑行卡的预测交互概率。
在确定目标资源的步骤中,针对同一周期类型对应的各备选骑行卡,终端根据各备选骑行卡对应的预测交互概率,确定周期类型对应的目标骑行卡(相当于目标资源)。
在资源推荐的步骤中,终端根据各周期类型对应的目标骑行卡,向目标用户推荐目标骑行卡。具体的,针对任一目标骑行卡,终端计算目标骑行卡对应的周期类型的目标对象使用频次、与目标骑行卡对应的共享单车可使用次数的商,得到目标骑行卡的最低折扣(相当于基础调整系数)。示例性的,目标骑行卡为3天4次卡,周期类型对应的周期时长为3天的目标对象使用频次为2.4次,则终端计算2.4/4=0.6,也即6折是3天4次卡的最低折扣。
终端判断最低折扣是否属于折扣限制范围(相当于限制范围)内。若最低折扣属于折扣限制范围,则终端将最低折扣作为待上调折扣(相当于待上调系数);若最低折扣小于折扣限制范围的下限值,则终端将折扣限制范围的下限值作为待上调折扣;若最低折扣大于折扣限制范围的上限值,则终端将折扣限制范围的上限值作为待上调折扣。在一个实施例中,限制范围为[0.3,0.9]。
终端根据预先设置的折扣上调范围(相当于上调范围),确定上调值,并计算待上调折扣与上调值的和,得到待限制折扣(相当于待限制系数)。在一个实施例中,限制范围为[0,0.2]。
终端判断待限制折扣是否属于折扣限制范围(相当于限制范围)内。若待限制折扣属于折扣限制范围,则终端将待限制折扣作为目标折扣(相当于目标调整系数);若待限制折扣小于折扣限制范围的下限值,则终端将折扣限制范围的下限值作为目标折扣;若待限制折扣大于折扣限制范围的上限值,则终端将折扣限制范围的上限值作为目标折扣。
终端计算共享单车对应的客单价(相当于预设交互资源数据)与目标骑行卡对应的目标对象可使用次数的乘积,得到目标骑行卡的原价(相当于原始交互资源数据),并计算原价与目标折扣的乘积,得到针对目标骑行卡的售价(相当于目标交互资源数据)。其中,客单价是指单次骑行共享单车的原始售价。示例性的,示例性的,目标骑行卡为3天4次卡,客单价为2元/次,目标折扣为0.8,则终端计算得到3天4次卡的原价为4×2=8元,并计算得到3天4次卡的售价为8×0.8=6.4元。
终端向目标用户推荐各周期类型对应的包含售价的目标骑行卡。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的推荐方法的推荐装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个推荐装置实施例中的具体限定可以参见上文中对于推荐方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种推荐装置,推荐装置包括:
获取模块902,用于获取目标用户在多个周期类型下分别对应的目标对象使用频次;
第一确定模块904,用于针对任一周期类型,根据周期类型对应的目标对象使用频次,从目标对象在周期类型下对应的可选资源中,确定周期类型对应的至少一个备选资源;
预测模块906,用于针对任一备选资源,根据备选资源以及各周期类型对应的目标对象使用频次,确定目标用户针对备选资源的预测交互概率;
第二确定模块908,用于针对任一周期类型,根据各备选资源对应的预测交互概率,从周期类型对应的至少一个备选资源中,确定周期类型对应的目标资源;
推荐模块910,用于根据各周期类型对应的目标资源,向目标用户进行资源推荐。
上述推荐装置中,目标对象使用频次用于表征目标用户在周期类型对应的周期时长内对目标对象的使用次数,而目标用户对目标对象的使用次数是跟随着用户需求动态变化的,因此,基于跟随着用户需求动态变化的目标对象使用频次确定的目标资源与用户需求的匹配度较高,进而提高目标用户与目标资源的交互概率。另外,基于备选资源的预测交互概率在同一周期类型对应的备选资源中进一步筛选目标资源,可以获取在备选资源中具有更高预测交互概率的目标资源,进而进一步提高目标用户与目标资源的匹配度,进而提高目标用户与目标资源的交互概率。
在一个实施例中,获取模块902具体用于:
根据当前日期以及预设时长,确定多个目标日期;
针对任一目标日期,根据各周期类型对应的周期时长、以及目标用户在各目标日期针对目标对象的使用次数,确定在各周期类型下,目标用户在目标日期针对目标对象的各目标对象使用频次;
针对任一周期类型,根据在周期类型下,目标用户在各目标日期针对目标对象的各目标对象使用频次,确定周期类型对应的目标对象使用频次。
在一个实施例中,可选资源具有对应的目标对象可使用次数;第一确定模块904具体用于:
将周期类型对应的可选资源中,对应的目标对象可使用次数大于或者等于周期类型对应的目标对象使用频次的可选资源,作为备选资源。
在一个实施例中,预测模块906具体用于:
针对任一周期类型,在周期类型对应的备选资源的数目大于或者等于预设数目的情况下,针对周期类型对应的任一备选资源,根据备选资源以及各周期类型对应的目标对象使用频次,确定目标用户针对备选资源的预测交互概率。
在一个实施例中,推荐装置还包括:
第三确定模块,用于针对任一周期类型,在周期类型对应的备选资源的数目小于预设数目的情况下,将周期类型对应的备选资源作为周期类型对应的目标资源。
在一个实施例中,第二确定模块908具体用于:
根据各备选资源对应的预测交互概率,从周期类型对应的至少一个备选资源中,确定周期类型对应的初始资源;
获取目标用户针对各备选资源的历史交互数据,根据历史交互数据从备选资源中确定已交互资源,及确定目标用户与已交互资源的交互次数;
在不存在已交互资源或者已交互资源中包括初始资源的情况下,将初始资源作为周期类型对应的目标资源。
在一个实施例中,推荐装置还包括:
第四确定模块,用于在存在已交互资源,且已交互资源中不包括初始资源的情况下,根据目标用户与各已交互资源的交互次数,确定各已交互资源的预测权重;
第五确定模块,用于针对任一已交互资源,根据已交互资源的预测权重及已交互资源对应的预测交互概率,确定已交互资源对应的加权交互概率;
第六确定模块,用于根据各已交互资源对应的加权交互概率以及初始资源对应的预测交互概率,确定周期类型对应的目标资源。
在一个实施例中,推荐装置还包括:
构建模块,用于构建训练集,并基于训练集训练交互概率预测模型,得到训练后的交互概率预测模型,其中,训练集中包括多个样本组,样本组包括在各样本日期时样本用户在各周期类型下分别对应的目标对象使用频次、样本可选资源以及样本可选资源的标签,样本可选资源的标签用于表征样本用户与样本可选资源的交互情况;
预测模块906具体用于:
将备选资源对应的资源数据以及各周期类型对应的目标对象使用频次,输入至训练后的交互概率预测模型,得到目标用户针对备选资源的预测交互概率。
在一个实施例中,构建模块具体用于:
针对任一样本组,将样本可选资源、以及在各样本日期时样本用户在各周期类型下分别对应的目标对象使用频次,输入至交互概率预测模型,得到样本可选资源的预测交互概率;
根据各样本可选资源的预测交互概率以及各样本可选资源的标签,训练交互概率预测模型,得到训练后的交互概率预测模型。
在一个实施例中,推荐模块910具体用于:
针对任一目标资源,根据目标资源对应的目标对象可使用次数、以及目标资源对应的周期类型的目标对象使用频次,确定针对目标资源的基础调整系数;
针对任一目标资源,根据目标资源的基础调整系数、预设的系数调整策略以及预设的系数调整限制策略,确定目标调整系数,并根据目标对象对应的预设交互资源数据、目标资源对应的目标对象可使用次数和目标调整系数,确定针对目标资源的目标交互资源数据;
根据各周期类型对应的目标资源及各目标资源的目标交互资源数据,向目标用户进行资源推荐。
在一个实施例中,预设的系数调整限制策略包括限制范围;预设的系数调整策略包括上调范围;推荐模块910具体用于:
根据限制范围及基础调整系数,确定待上调系数;
根据上调范围,确定上调值,并根据上调值和待上调系数,确定待限制系数;
根据待限制系数以及包括限制范围的预设的系数调整限制策略,确定目标调整系数。
在一个实施例中,推荐模块910具体用于:
判断目标资源的基础调整系数是否在限制范围内;
在基础调整系数在限制范围内的情况下,将基础调整系数作为待上调系数;或者,
在基础调整系数小于限制范围的下限值的情况下,将限制范围的下限值作为待上调系数;或者,
在基础调整系数大于限制范围的上限值的情况下,将限制范围的上限值作为待上调系数。
上述推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图10所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过***总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到***总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种推荐方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive RandomAccess Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(PhaseChange Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(StaticRandom Access Memory,SRAM)或动态随机存取存储器(Dynamic Random AccessMemory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (15)
1.一种推荐方法,其特征在于,所述方法包括:
获取目标用户在多个周期类型下分别对应的目标对象使用频次;
针对任一所述周期类型,根据所述周期类型对应的所述目标对象使用频次,从目标对象在所述周期类型下对应的可选资源中,确定所述周期类型对应的至少一个备选资源;
针对任一所述备选资源,根据所述备选资源以及各所述周期类型对应的所述目标对象使用频次,确定所述目标用户针对所述备选资源的预测交互概率;
针对任一所述周期类型,根据各所述备选资源对应的所述预测交互概率,从所述周期类型对应的至少一个所述备选资源中,确定所述周期类型对应的目标资源;
根据各所述周期类型对应的所述目标资源,向所述目标用户进行资源推荐。
2.根据权利要求1所述的方法,其特征在于,所述获取目标用户在多个周期类型下分别对应的目标对象使用频次,包括:
根据当前日期以及预设时长,确定多个目标日期;
针对任一所述目标日期,根据各所述周期类型对应的周期时长、以及所述目标用户在各所述目标日期针对所述目标对象的使用次数,确定在各所述周期类型下,所述目标用户在所述目标日期针对所述目标对象的各所述目标对象使用频次;
针对任一所述周期类型,根据在所述周期类型下,所述目标用户在各所述目标日期针对所述目标对象的各所述目标对象使用频次,确定所述周期类型对应的目标对象使用频次。
3.根据权利要求1或者2所述的方法,其特征在于,所述可选资源具有对应的目标对象可使用次数;所述根据所述周期类型对应的所述目标对象使用频次,从目标对象在所述周期类型下对应的可选资源中,确定所述周期类型对应的至少一个备选资源,包括:
将所述周期类型对应的可选资源中,对应的所述目标对象可使用次数大于或者等于所述周期类型对应的所述目标对象使用频次的所述可选资源,作为备选资源。
4.根据权利要求1或者2所述的方法,其特征在于,所述针对任一所述备选资源,根据所述备选资源以及各所述周期类型对应的所述目标对象使用频次,确定所述目标用户针对所述备选资源的预测交互概率,包括:
针对任一所述周期类型,在所述周期类型对应的所述备选资源的数目大于或者等于预设数目的情况下,针对所述周期类型对应的任一所述备选资源,根据所述备选资源以及各所述周期类型对应的所述目标对象使用频次,确定所述目标用户针对所述备选资源的预测交互概率。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
针对任一所述周期类型,在所述周期类型对应的所述备选资源的数目小于所述预设数目的情况下,将所述周期类型对应的所述备选资源作为所述周期类型对应的所述目标资源。
6.根据权利要求4所述的方法,其特征在于,所述根据各所述备选资源对应的所述预测交互概率,从所述周期类型对应的至少一个所述备选资源中,确定所述周期类型对应的目标资源,包括:
根据各所述备选资源对应的所述预测交互概率,从所述周期类型对应的至少一个所述备选资源中,确定所述周期类型对应的初始资源;
获取所述目标用户针对各所述备选资源的历史交互数据,根据所述历史交互数据从所述备选资源中确定已交互资源,及确定所述目标用户与所述已交互资源的交互次数;
在不存在所述已交互资源或者所述已交互资源中包括所述初始资源的情况下,将所述初始资源作为所述周期类型对应的目标资源。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
在存在所述已交互资源,且所述已交互资源中不包括所述初始资源的情况下,根据所述目标用户与各所述已交互资源的交互次数,确定各所述已交互资源的预测权重;
针对任一所述已交互资源,根据所述已交互资源的所述预测权重及所述已交互资源对应的所述预测交互概率,确定所述已交互资源对应的加权交互概率;
根据各所述已交互资源对应的加权交互概率以及所述初始资源对应的所述预测交互概率,确定所述周期类型对应的目标资源。
8.根据权利要求1或者2所述的方法,其特征在于,所述方法还包括:
构建训练集,并基于所述训练集训练交互概率预测模型,得到训练后的交互概率预测模型,其中,所述训练集中包括多个样本组,所述样本组包括在各样本日期时样本用户在各所述周期类型下分别对应的目标对象使用频次、样本可选资源以及所述样本可选资源的标签,所述样本可选资源的标签用于表征所述样本用户与所述样本可选资源的交互情况;
所述根据所述备选资源以及各所述周期类型对应的所述目标对象使用频次,确定所述目标用户针对所述备选资源的预测交互概率,包括:
将所述备选资源对应的资源数据以及各所述周期类型对应的所述目标对象使用频次,输入至所述训练后的交互概率预测模型,得到所述目标用户针对所述备选资源的所述预测交互概率。
9.根据权利要求8所述的方法,其特征在于,所述基于所述训练集训练交互概率预测模型,得到训练后的交互概率预测模型,包括:
针对任一所述样本组,将所述样本可选资源、以及在各所述样本日期时所述样本用户在各所述周期类型下分别对应的所述目标对象使用频次,输入至交互概率预测模型,得到所述样本可选资源的所述预测交互概率;
根据各所述样本可选资源的所述预测交互概率以及各所述样本可选资源的所述标签,训练所述交互概率预测模型,得到训练后的交互概率预测模型。
10.根据权利要求1或者2所述的方法,其特征在于,所述根据各所述周期类型对应的所述目标资源,向所述目标用户进行资源推荐,包括:
针对任一所述目标资源,根据所述目标资源对应的目标对象可使用次数、以及所述目标资源对应的所述周期类型的所述目标对象使用频次,确定针对所述目标资源的基础调整系数;
针对任一所述目标资源,根据所述目标资源的所述基础调整系数、预设的系数调整策略以及预设的系数调整限制策略,确定目标调整系数,并根据所述目标对象对应的预设交互资源数据、所述目标资源对应的所述目标对象可使用次数和所述目标调整系数,确定针对所述目标资源的目标交互资源数据;
根据各所述周期类型对应的所述目标资源及各所述目标资源的所述目标交互资源数据,向所述目标用户进行资源推荐。
11.根据权利要求10所述的方法,其特征在于,所述预设的系数调整限制策略包括限制范围;所述预设的系数调整策略包括上调范围;所述根据所述目标资源的所述基础调整系数、预设的系数调整策略以及预设的系数调整限制策略,确定目标调整系数,包括:
根据所述限制范围及所述基础调整系数,确定待上调系数;
根据所述上调范围,确定上调值,并根据所述上调值和所述待上调系数,确定待限制系数;
根据所述待限制系数以及包括所述限制范围的所述预设的系数调整限制策略,确定所述目标调整系数。
12.根据权利要求11所述的方法,其特征在于,所述根据所述限制范围及所述基础调整系数,确定待上调系数,包括:
判断所述目标资源的所述基础调整系数是否在所述限制范围内;
在所述基础调整系数在所述限制范围内的情况下,将所述基础调整系数作为待上调系数;或者,
在所述基础调整系数小于所述限制范围的下限值的情况下,将所述限制范围的下限值作为所述待上调系数;或者,
在所述基础调整系数大于所述限制范围的上限值的情况下,将所述限制范围的上限值作为所述待上调系数。
13.一种推荐装置,其特征在于,所述装置包括:
获取模块,用于获取目标用户在多个周期类型下分别对应的目标对象使用频次;
第一确定模块,用于针对任一所述周期类型,根据所述周期类型对应的所述目标对象使用频次,从目标对象在所述周期类型下对应的可选资源中,确定所述周期类型对应的至少一个备选资源;
预测模块,用于针对任一所述备选资源,根据所述备选资源以及各所述周期类型对应的所述目标对象使用频次,确定所述目标用户针对所述备选资源的预测交互概率;
第二确定模块,用于针对任一所述周期类型,根据各所述备选资源对应的所述预测交互概率,从所述周期类型对应的至少一个所述备选资源中,确定所述周期类型对应的目标资源;
推荐模块,用于根据各所述周期类型对应的所述目标资源,向所述目标用户进行资源推荐。
14.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至12中任一项所述的方法的步骤。
15.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至12中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310453131.4A CN116186417B (zh) | 2023-04-25 | 2023-04-25 | 推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310453131.4A CN116186417B (zh) | 2023-04-25 | 2023-04-25 | 推荐方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116186417A true CN116186417A (zh) | 2023-05-30 |
CN116186417B CN116186417B (zh) | 2023-07-04 |
Family
ID=86449263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310453131.4A Active CN116186417B (zh) | 2023-04-25 | 2023-04-25 | 推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116186417B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017212783A1 (ja) * | 2016-06-09 | 2017-12-14 | 真由美 稲場 | 相手方の性格・趣向を理解してコミュニケーションをとることを支援する機能を実現させるためのプログラム |
CN111275261A (zh) * | 2020-01-20 | 2020-06-12 | 支付宝(杭州)信息技术有限公司 | 资源流动预测方法以及装置 |
CN112150227A (zh) * | 2019-06-28 | 2020-12-29 | 北京京东尚科信息技术有限公司 | 商品推荐方法、***、设备及介质 |
CN112699309A (zh) * | 2021-03-23 | 2021-04-23 | 北京搜狐新媒体信息技术有限公司 | 资源推荐方法、装置、可读介质以及设备 |
CN115291503A (zh) * | 2022-09-29 | 2022-11-04 | 北京达佳互联信息技术有限公司 | 推荐方法、推荐装置、电子设备和存储介质 |
CN115511562A (zh) * | 2022-09-22 | 2022-12-23 | 上海浦东发展银行股份有限公司 | 虚拟产品推荐方法、装置、计算机设备和存储介质 |
-
2023
- 2023-04-25 CN CN202310453131.4A patent/CN116186417B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017212783A1 (ja) * | 2016-06-09 | 2017-12-14 | 真由美 稲場 | 相手方の性格・趣向を理解してコミュニケーションをとることを支援する機能を実現させるためのプログラム |
CN112150227A (zh) * | 2019-06-28 | 2020-12-29 | 北京京东尚科信息技术有限公司 | 商品推荐方法、***、设备及介质 |
CN111275261A (zh) * | 2020-01-20 | 2020-06-12 | 支付宝(杭州)信息技术有限公司 | 资源流动预测方法以及装置 |
CN112699309A (zh) * | 2021-03-23 | 2021-04-23 | 北京搜狐新媒体信息技术有限公司 | 资源推荐方法、装置、可读介质以及设备 |
CN115511562A (zh) * | 2022-09-22 | 2022-12-23 | 上海浦东发展银行股份有限公司 | 虚拟产品推荐方法、装置、计算机设备和存储介质 |
CN115291503A (zh) * | 2022-09-29 | 2022-11-04 | 北京达佳互联信息技术有限公司 | 推荐方法、推荐装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
韩震;杨丽;徐小凡;: "基于共享单车出行数据的用户行为分析", 大连海事大学学报, no. 04 * |
Also Published As
Publication number | Publication date |
---|---|
CN116186417B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110060090A (zh) | 推荐商品组合的方法、装置、电子设备及可读存储介质 | |
CN107885796A (zh) | 信息推荐方法及装置、设备 | |
CN112508118A (zh) | 针对数据偏移的目标对象行为预测方法及其相关设备 | |
CN114359563A (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
CN116050947A (zh) | 车辆调度效果的评价方法、装置、计算机设备和存储介质 | |
CN116503098B (zh) | 共享车辆车站的挖掘方法、装置、计算机设备和存储介质 | |
CN116186417B (zh) | 推荐方法、装置、计算机设备和存储介质 | |
CN116304393B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN117035980A (zh) | 资源借调评估方法、装置、计算机设备和存储介质 | |
CN112948678B (zh) | 文章召回方法及***、文章推荐方法及*** | |
CN118313905A (zh) | 骑行卡推荐方法、装置、计算机设备和可读存储介质 | |
CN112651804B (zh) | 合约机的推荐方法及推荐*** | |
CN117172735A (zh) | 资源信息的预测方法、装置、计算机设备和存储介质 | |
CN117495128A (zh) | 用电数据预测方法、装置、计算机设备和存储介质 | |
CN115841348A (zh) | 虚拟资源处理方法、装置、计算机设备和存储介质 | |
CN116151896A (zh) | 虚拟产品推荐方法、装置、计算机设备和存储介质 | |
CN117853217A (zh) | 数据隐私保护的金融违约率预测方法、装置以及设备 | |
CN116991639A (zh) | 能耗预测方法、装置、计算机设备和存储介质 | |
CN116861273A (zh) | 划分参数确定方法、装置、计算机设备和存储介质 | |
CN117876027A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN116881546A (zh) | 资源推荐方法、装置、设备和存储介质 | |
CN117634751A (zh) | 数据要素评估方法、装置、计算机设备以及存储介质 | |
CN116128557A (zh) | 资源配置策略的确定方法、装置、计算机设备和存储介质 | |
CN117439963A (zh) | 信息提醒方法、装置、计算机设备及存储介质 | |
CN117495131A (zh) | 用电数据预测方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |