CN116416018A - 内容输出方法、装置、计算机可读介质及电子设备 - Google Patents
内容输出方法、装置、计算机可读介质及电子设备 Download PDFInfo
- Publication number
- CN116416018A CN116416018A CN202111619517.5A CN202111619517A CN116416018A CN 116416018 A CN116416018 A CN 116416018A CN 202111619517 A CN202111619517 A CN 202111619517A CN 116416018 A CN116416018 A CN 116416018A
- Authority
- CN
- China
- Prior art keywords
- candidate
- user
- content item
- content
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000008901 benefit Effects 0.000 claims abstract description 145
- 238000012545 processing Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 abstract description 6
- 230000006872 improvement Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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]
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- User Interface Of Digital Computer (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种内容输出方法、装置、计算机可读介质及电子设备,包括获取用户的各个候选内容项目的信息,基于各个候选内容项目的信息,调用预训练好的内容推荐模型预测用户对各个候选内容项目做出操作后的期望收益,预训练好的内容推荐模型是基于用户的历史数据训练得到的,历史数据包括用户对历史内容项目进行操作后的实际收益,以及历史内容项目的属性信息,根据各个候选内容项目的期望收益向用户推荐第一内容项目;在对用户进行内容项目的推荐时考虑了不同用户的对各个内容项目的历史收益及各个内容项目的属性情况,为不同用户推荐了最合适的学***。
Description
技术领域
本公开涉及计算机科学领域,具体地,涉及一种内容输出方法、装置、计算机可读介质及电子设备。
背景技术
自适应推荐是个性化学***或能力水平。现有的推荐方法,往往采用缺乏灵活性方法,或采用不能适合不同个体适应性的方法,如为每个用户推荐固定正确率的题目。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开提供一种内容输出方法,包括:获取用户的各个候选内容项目的信息;基于所述各个候选内容项目的信息,调用预训练好的内容推荐模型预测所述用户对所述各个候选内容项目做出操作后的期望收益;所述预训练好的内容推荐模型是基于所述用户的历史数据训练得到的,所述历史数据包括所述用户对历史内容项目进行操作后的实际收益,以及所述历史内容项目的属性信息;根据所述各个候选内容项目的期望收益输出第一内容项目。
第二方面,本公开提供一种内容输出装置,包括:获取模块,用于获取用户的各个候选内容项目的信息;处理模块,用于基于所述各个候选内容项目的信息,调用预训练好的内容推荐模型预测所述用户对所述各个候选内容项目做出操作后的期望收益;所述预训练好的内容推荐模型是基于所述用户的历史数据训练得到的,所述历史数据包括所述用户对历史内容项目进行操作后的实际收益,所述历史内容项目的信息,以及所述用户的能力属性信息;输出模块,用于根据所述各个候选内容项目的期望收益输出第一内容项目。
第三方面,本公开提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现前述的内容输出方法的步骤。
第四方面,本公开提供一种计算机设备,包括:存储装置,其上存储有计算机程序;处理装置,用于执行所述存储装置中的所述计算机程序,以实现前述的内容输出方法的步骤。
通过上述技术方案,获取用户的各个候选内容项目的信息,基于各个候选内容项目的信息,调用预训练好的内容推荐模型预测用户对各个候选内容项目做出操作后的期望收益,预训练好的内容推荐模型是基于用户的历史数据训练得到的,历史数据包括用户对历史内容项目进行操作后的实际收益,以及历史内容项目的属性信息,根据各个候选内容项目的期望收益向用户推荐第一内容项目;在对用户进行内容项目的推荐时考虑了不同用户的对各个内容项目的历史收益及各个内容项目的属性情况,为不同用户推荐了最合适的学***。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1是本公开一个示例性实施例提供的计算机***的结构示意图。
图2是本公开一个示例性实施例提供的内容输出方法的流程图。
图3是本公开一个示例性实施例提供的步骤S102的子步骤的流程图。
图4是本公开一个示例性实施例提供的另一种内容输出方法的流程图。
图5是本公开一个示例性实施例提供的内容输出装置框图。
图6是本公开一个示例性实施例提供的电子设备的结构示意图。
附图标记说明
120-终端;140-服务器;20-内容输出装置;201-获取模块;203-处理模块;205-输出模块;600-电子设备;601-处理装置;602-ROM;603-RAM;604-总线;605-I/O接口;606-输入装置;607-输出装置;608-存储装置;609-通信装置。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
图1示出了本公开一个示例性实施例提供的计算机***的结构示意图,该计算机***包括终端120和服务器140。
终端120与服务器140之间通过有线或者无线网络相互连接。
终端120可以包括智能手机、笔记本电脑、台式电脑、平板电脑、智能音箱、智能机器人中的至少一种。
终端120包括显示器;显示器用于显示向用户推荐的第一内容项目或第二内容项目。
终端120包括第一存储器和第一处理器。第一存储器中存储有第一程序;上述第一程序被第一处理器调用执行以实现语料分类模型的训练方法或语料分类方法。第一存储器可以包括但不限于以下几种:随机存取存储器(Random Access Memory,RAM)、只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM)、以及电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)。
第一处理器可以是一个或者多个集成电路芯片组成。可选地,第一处理器可以是通用处理器,比如,中央处理器(Central Processing Unit,CPU)或者网络处理器(NetworkProcessor,NP)。可选地,第一处理器可以通过调用预训练好的内容推荐模型来实现本公开提供的内容输出方法。示例性的,终端中的训练的内容推荐模型可以是由终端训练得到的;或,由服务器训练得到,终端从服务器获取。
服务器140包括第二存储器和第二处理器。第二存储器中存储有第二程序,上述第二程序被第二处理器调用来实现本公开提供的内容输出方法。示例性的,第二存储器中存储有预训练的内容推荐模型,预训练的内容推荐模型被第二处理器调用以实现内容输出方法。可选地,第二存储器可以包括但不限于以下几种:RAM、ROM、PROM、EPROM、EEPROM。可选地,第二处理器可以是通用处理器,比如,CPU或者NP。
服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本公开在此不做限制。
示意性的,本公开提供的内容输出方法可用于教育领域,如用户在做题时,当用户完成一个题目后,向用户推荐下一个题目。
请参阅图2,图2为本公开一个示例性实施例提供的内容输出方法的流程图。该方法由计算机设备来执行,例如,由图1所示的计算机***中的终端或服务器来执行。图2所示的内容输出方法包括以下步骤:
在步骤S101中,获取用户的各个候选内容项目的信息。
候选内容项目可以是但不限于用户在终端上做题时的候选题库中的各个候选题目,在本公开中以候选内容项目为候选题目为例来进行说明。
候选内容项目的信息为候选题目的信息,候选题目的信息包括题目难度、时间强度、题目内容以及预设题目收益;时间强度可以是用户做该题目所需要的时间,例如可以是多个用户正确做出该题目的平均时间;题目内容可以是题目的科目信息以及具体科目下的所属的领域信息,例如英语科目包括语法板块的题目、单词记忆板块的题目、介词用法的题目等;该预设题目收益包括预设的正确收益及错误收益,正确收益为用户做题正确时的学***或能力水平的提升值,错误收益为用户做题错误时的学***或能力水平的下降值。
在步骤S102中,基于各个候选内容项目的信息,调用预训练好的内容推荐模型预测用户对各个候选内容项目做出操作后的期望收益。
预训练好的内容推荐模型是基于用户提供的历史数据训练得到的,该历史数据包括用户对历史内容项目进行操作后的实际收益,以及历史内容项目的信息,以及用户的能力属性信息。实际收益包括用户做题的结果,例如正确还是错误;历史内容项目的信息包括题目难度、时间强度、题目内容以及预设题目收益;用户的能力属性信息包括用户的现有能力、做题速度,现有能力可以是用户对具体题目内容的掌握程度,例如用户对英语中语法或是词汇的掌握程度。
示例性的,内容推荐模型可以是但不限于项目反应理论(Item response theory,IRT)的动态更新模型(Dynamic IRT)和/或知识追踪模型(Knowledge Tracing,KT),或其他可行的模型,本公开对此不作限制。
根据候选题目的题目难度、时间强度、题目内容以及预设题目收益,调用预训练好的内容推荐模型预测用户对各个候选内容项目做出操作后的期望收益。
需要说明的是,步骤S102包括子步骤S1021及子步骤S1022,预测用户对各个候选内容项目做出操作后的期望收益将在步骤S102的子步骤中进行详细描述。请参阅图3,图3是本公开一个示例性实施例示出的步骤S102的子步骤的流程图。
在子步骤S1021中,基于候选题目的信息,利用内容推荐模型预测用户做候选题目的正确率和正确收益,及用户做候选题目的错误率和错误收益。
在一种实施方式中,内容推荐模型由知识追踪模型和学习效果评估模型组成,其中,知识追踪模型用于预测用户做候选题目的正确率或错误率,学习效果评估模型用于预测用户做对候选题目的正确收益或错误收益。
在子步骤S1022中,根据用户做候选题目的正确率和正确收益,及用户做候选题目的错误率和错误收益,计算候选题目的期望收益。
示例性的,正确收益可以是一个正值,错误收益可以是一个负值;候选题目的期望收益的计算公式可以是
G1=P1×G11+(1-P1)×G10
G2=P2×G21+(1-P2)×G20
其中,G1为用户做候选题目1的期望收益,P1为用户做候选题目1的正确率,(1-P1)为用户做候选题目1的错误率,G11用户做候选题目1的正确收益,G10用户做候选题目1的错误收益;
G2为用户做候选题目2的期望收益,P2为用户做候选题目2的正确率,(1-P2)为用户做候选题目2的错误率,G21用户做候选题目2的正确收益,G20用户做候选题目2的错误收益。
在步骤S103中,根据各个候选内容项目的期望收益输出第一内容项目。
按照期望收益的大小,将候选内容项目进行排序,确定各个候选内容项目中期望收益最大的候选内容项目,作为第一内容项目,输出该第一内容项目,可以理解的是,输出该第一内容项目可以是向该用户对应的终端输出,以实现向该用户推荐该第一内容项目。示例性的,假设G2>G1,则候选题目1与候选题目2中优先向用户推荐候选题目2。当用户对第一内容项目进行相应的操作,完成第一内容项目后,就按照期望收益从大到小的次序将候选内容项目依次作为下一个第一内容项目,并且向该用户推荐该第一内容项目,以此类推,用户完成一个第一内容项目,就按照期望收益从大到小的次序将候选内容项目依次作为下一个第一内容项目,并且向该用户推荐该第一内容项目。
此外,根据各个候选内容项目的期望收益向用户推荐第一内容项目还可以将用户的做题时间考虑进来,具体为:获取用户对各个候选内容项目进行操作所需要的操作时间,即内容推荐模型基于用户的现有能力、做题速度以及候选题目的信息预估用户正确做出候选题目所需要的时间;根据各个候选内容项目的期望收益,以及各个候选内容项的操作时间,获取各个候选内容项目的期望收益率;确定各个候选内容项目中期望收益率最大的候选内容项目,作为第一内容项目,然后向用户推荐第一内容项目。
期望收益率,即候选内容项目的期望收益除以时间,得到单位时间内的期望收益,单位时间内的期望收益最高的候选内容项目,就是学习效率最高候选内容项目。
需要说明的是,用户接收到第一内容项目,并对第一内容项目进行相应的操作后,得到对第一内容项目进行操作的结果,基于该结果对内容推荐模型进行更新,基于更新后的内容推荐模型从候选题库中除第一内容项目的剩余的候选题目中向用户推荐第二内容项目,这个过程将在下面的步骤S104-S108中详细描述。图4为本公开一个示例性实施例提供的另一种内容输出方法的流程图,如图4所示,在步骤S103之后还可以包括:
在步骤S104中,获取用户对第一内容项目进行操作后的第一实际收益。
第一实际收益包括用户做第一内容项目的结果、正确收益及错误收益,该结果包括正确做出第一内容项目或错误做出第一内容项目,如果用户正确做出第一内容项目可以看作是用户已经掌握了第一内容项目的某个知识点,用户没有正确做出第一内容项目可以看作是用户还没有掌握第一内容项目的某个知识点;同时也会记录用户对第一内容项目进行操作的时间,以计算用户的做题速度。
在步骤S105中,根据第一实际收益对历史数据进行更新,得到更新后的历史数据。
根据第一实际收益对历史数据进行更新,即更新用户对内容项目进行操作后的实际收益、历史内容项目的信息以及用户的能力属性信息,例如更新用户的现有能力、做题速度等,更新用户对每个候选题目的正确收益及错误收益等。
在步骤S106中,基于更新后的历史数据更新内容推荐模型,得到更新后的内容推荐模型。
在步骤S107中,基于各个候选内容项目中除第一内容项目之外的剩余的各个候选内容项目的信息,调用更新后的内容推荐模型预测用户对剩余的各个候选内容项目做出操作后的期望收益。
本步骤中,预测用户对剩余的各个候选内容项目做出操作后的期望收益的方式与前述实施方式中一样,都是根据用户做候选题目的正确率和正确收益,及用户做候选题目的错误率和错误收益,计算候选题目的期望收益,在此不再赘述。
在步骤S108中,根据剩余的各个候选内容项目的期望收益输出第二内容项目。
本步骤中,输出该第二内容项目可以是向该用户对应的终端输出,以实现向该用户推荐该第二内容项目,从而可以将期望收益最大的候选内容项目作为第二内容项目推荐给用户,也可以同时预测出用户对剩余的各个候选内容项目的期望收益率,然后将期望收益率最大的候选内容项目作为第二内容项目推荐给用户。
综上所述,本公开提供的内容输出方法,包括获取用户的各个候选内容项目的信息,基于各个候选内容项目的信息,调用预训练好的内容推荐模型预测用户对各个候选内容项目做出操作后的期望收益,预训练好的内容推荐模型是基于用户的历史数据训练得到的,历史数据包括用户对历史内容项目进行操作后的实际收益,以及历史内容项目的属性信息,根据各个候选内容项目的期望收益向用户推荐第一内容项目;在对用户进行内容项目的推荐时考虑了不同用户的对各个内容项目的历史收益及各个内容项目的属性情况,为不同用户推荐了最合适的学***。
图5是本公开一个示例性实施例示出的一种内容输出装置框图。参照图5,该装置20包括获取模块201、处理模块203和输出模块205。
该获取模块201,用于获取用户的各个候选内容项目的信息;
处理模块203,用于基于所述各个候选内容项目的信息,调用预训练好的内容推荐模型预测所述用户对所述各个候选内容项目做出操作后的期望收益;所述预训练好的内容推荐模型是基于所述用户的历史数据训练得到的,所述历史数据包括所述用户对历史内容项目进行操作后的实际收益,所述历史内容项目的信息,以及所述用户的能力属性信息;
输出模块205,用于根据所述各个候选内容项目的期望收益输出第一内容项目。
可选地,该获取模块201还用于获取所述用户对所述第一内容项目进行操作后的第一实际收益;
所述处理模块203,还用于根据所述第一实际收益对所述历史数据进行更新,得到更新后的历史数据;
以及还用于基于所述更新后的历史数据更新所述内容推荐模型,得到更新后的内容推荐模型;
以及还用于基于所述各个候选内容项目中除所述第一内容项目之外的剩余的各个候选内容项目的信息,调用所述更新后的内容推荐模型预测所述用户对所述剩余的各个候选内容项目做出操作后的期望收益;
输出模块205,还用于根据所述剩余的各个候选内容项目的期望收益输出第二内容项目。
可选地,该处理模块203,还用于基于所述候选题目的信息,利用所述内容推荐模型预测所述用户做所述候选题目的正确率和正确收益,及所述用户做所述候选题目的错误率和错误收益;
以及还用于根据所述用户做所述候选题目的正确率和正确收益,及所述用户做所述候选题目的错误率和错误收益,计算所述候选题目的期望收益。
可选地,该处理模块203,还用于确定所述各个候选内容项目中期望收益最大的候选内容项目,作为所述第一内容项目;
输出模块205,还用于输出所述第一内容项目。
可选地,该获取模块201还用于获取所述用户对所述各个候选内容项目进行操作所需要的操作时间;
该处理模块203,还用于获取所述用户对所述各个候选内容项目进行操作所需要的操作时间;
根据所述各个候选内容项目的期望收益,以及所述各个候选内容项目的所述操作时间,获取所述各个候选内容项目的期望收益率;
确定所述各个候选内容项目中期望收益率最大的候选内容项目,作为所述第一内容项目;
输出模块205,还用于输出所述第一内容项目。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备(例如图1中的终端或服务器)600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,终端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取用户的各个候选内容项目的信息;基于所述各个候选内容项目的信息,调用预训练好的内容推荐模型预测所述用户对所述各个候选内容项目做出操作后的期望收益;所述预训练好的内容推荐模型是基于所述用户的历史数据训练得到的,所述历史数据包括所述用户对历史内容项目进行操作后的实际收益,所述历史内容项目的信息,以及所述用户的能力属性信息;根据所述各个候选内容项目的期望收益向所述用户推荐第一内容项目。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,示例1提供了一种内容输出方法,包括:
获取用户的各个候选内容项目的信息;
基于所述各个候选内容项目的信息,调用预训练好的内容推荐模型预测所述用户对所述各个候选内容项目做出操作后的期望收益;所述预训练好的内容推荐模型是基于所述用户的历史数据训练得到的,所述历史数据包括所述用户对历史内容项目进行操作后的实际收益,所述历史内容项目的信息,以及所述用户的能力属性信息;
根据所述各个候选内容项目的期望收益输出第一内容项目。
根据本公开的一个或多个实施例,示例2提供了示例1的方法,还包括:获取所述用户对所述第一内容项目进行操作后的第一实际收益;
根据所述第一实际收益对所述历史数据进行更新,得到更新后的历史数据;
基于所述更新后的历史数据更新所述内容推荐模型,得到更新后的内容推荐模型;
基于所述各个候选内容项目中除所述第一内容项目之外的剩余的各个候选内容项目的信息,调用所述更新后的内容推荐模型预测所述用户对所述剩余的各个候选内容项目做出操作后的期望收益;
根据所述剩余的各个候选内容项目的期望收益输出第二内容项目。
根据本公开的一个或多个实施例,示例3提供了示例1的方法,所述候选内容项目的信息为候选题目的信息,所述候选题目的信息包括题目难度、预设题目收益,所述预设题目收益包括预设的正确收益及错误收益;
所述基于所述各个候选内容项目的信息,调用预训练好的内容推荐模型预测所述用户对所述各个候选内容项目做出操作后的期望收益的步骤包括:
基于所述候选题目的信息,利用所述内容推荐模型预测所述用户做所述候选题目的正确率和正确收益,及所述用户做所述候选题目的错误率和错误收益;
根据所述用户做所述候选题目的正确率和正确收益,及所述用户做所述候选题目的错误率和错误收益,计算所述候选题目的期望收益。
根据本公开的一个或多个实施例,示例4提供了示例1的方法,所述根据所述各个候选内容项目的期望收益输出第一内容项目,包括:
确定所述各个候选内容项目中期望收益最大的候选内容项目,作为所述第一内容项目;
输出所述第一内容项目。
根据本公开的一个或多个实施例,示例5提供了示例1的方法,所述根据所述各个候选内容项目的期望收益向所述用户推荐第一内容项目,包括:
获取所述用户对所述各个候选内容项目进行操作所需要的操作时间;
根据所述各个候选内容项目的期望收益,以及所述各个候选内容项目的所述操作时间,获取所述各个候选内容项目的期望收益率;
确定所述各个候选内容项目中期望收益率最大的候选内容项目,作为所述第一内容项目;
输出所述第一内容项目。
根据本公开的一个或多个实施例,示例6提供了一种内容输出装置,包括:获取模块,用于获取用户的各个候选内容项目的信息;
处理模块,用于基于所述各个候选内容项目的信息,调用预训练好的内容推荐模型预测所述用户对所述各个候选内容项目做出操作后的期望收益;所述预训练好的内容推荐模型是基于所述用户的历史数据训练得到的,所述历史数据包括所述用户对历史内容项目进行操作后的实际收益,所述历史内容项目的信息,以及所述用户的能力属性信息;
输出模块,用于根据所述各个候选内容项目的期望收益输出第一内容项目。
根据本公开的一个或多个实施例,示例7提供了示例6的装置,还包括:
所述获取模块,还用于获取所述用户对所述第一内容项目进行操作后的第一实际收益;
所述处理模块,还用于根据所述第一实际收益对所述历史数据进行更新,得到更新后的历史数据;
以及还用于基于所述更新后的历史数据更新所述内容推荐模型,得到更新后的内容推荐模型;
以及还用于基于所述各个候选内容项目中除所述第一内容项目之外的剩余的各个候选内容项目的信息,调用所述更新后的内容推荐模型预测所述用户对所述剩余的各个候选内容项目做出操作后的期望收益;
所述输出模块,还用于根据所述剩余的各个候选内容项目的期望收益输出第二内容项目。
根据本公开的一个或多个实施例,示例8提供了示例6的装置,所述候选内容项目的信息为候选题目的信息,所述候选题目的信息包括题目难度、预设题目收益,所述预设题目收益包括预设的正确收益及错误收益;
所述处理模块,还用于基于所述候选题目的信息,利用所述内容推荐模型预测所述用户做所述候选题目的正确率和正确收益,及所述用户做所述候选题目的错误率和错误收益;
以及还用于根据所述用户做所述候选题目的正确率和正确收益,及所述用户做所述候选题目的错误率和错误收益,计算所述候选题目的期望收益。
根据本公开的一个或多个实施例,示例9提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现前述的内容输出方法的步骤。
根据本公开的一个或多个实施例,示例10提供了一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现前述的内容输出方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
Claims (10)
1.一种内容输出方法,其特征在于,包括:
获取用户的各个候选内容项目的信息;
基于所述各个候选内容项目的信息,调用预训练好的内容推荐模型预测所述用户对所述各个候选内容项目做出操作后的期望收益;所述预训练好的内容推荐模型是基于所述用户的历史数据训练得到的,所述历史数据包括所述用户对历史内容项目进行操作后的实际收益、所述历史内容项目的信息以及所述用户的能力属性信息;
根据所述各个候选内容项目的期望收益输出第一内容项目。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取所述用户对所述第一内容项目进行操作后的第一实际收益;
根据所述第一实际收益对所述历史数据进行更新,得到更新后的历史数据;
基于所述更新后的历史数据更新所述内容推荐模型,得到更新后的内容推荐模型;
基于所述各个候选内容项目中除所述第一内容项目之外的剩余的各个候选内容项目的信息,调用所述更新后的内容推荐模型预测所述用户对所述剩余的各个候选内容项目做出操作后的期望收益;
根据所述剩余的各个候选内容项目的期望收益输出第二内容项目。
3.根据权利要求1所述的方法,其特征在于,所述候选内容项目的信息为候选题目的信息,所述候选题目的信息包括题目难度、预设题目收益,所述预设题目收益包括预设的正确收益及错误收益;
所述基于所述各个候选内容项目的信息,调用预训练好的内容推荐模型预测所述用户对所述各个候选内容项目做出操作后的期望收益的步骤包括:
基于所述候选题目的信息,利用所述内容推荐模型预测所述用户做所述候选题目的正确率和正确收益,及所述用户做所述候选题目的错误率和错误收益;
根据所述用户做所述候选题目的正确率和正确收益,及所述用户做所述候选题目的错误率和错误收益,计算所述候选题目的期望收益。
4.根据权利要求1所述的方法,其特征在于,所述根据所述各个候选内容项目的期望收益输出第一内容项目,包括:
确定所述各个候选内容项目中期望收益最大的候选内容项目,作为所述第一内容项目;
输出所述第一内容项目。
5.根据权利要求1所述的方法,其特征在于,所述根据所述各个候选内容项目的期望收益向所述用户推荐第一内容项目,包括:
获取所述用户对所述各个候选内容项目进行操作所需要的操作时间;
根据所述各个候选内容项目的期望收益,以及所述各个候选内容项目的所述操作时间,获取所述各个候选内容项目的期望收益率;
确定所述各个候选内容项目中期望收益率最大的候选内容项目,作为所述第一内容项目;
输出所述第一内容项目。
6.一种内容输出装置,其特征在于,包括:
获取模块,用于获取用户的各个候选内容项目的信息;
处理模块,用于基于所述各个候选内容项目的信息,调用预训练好的内容推荐模型预测所述用户对所述各个候选内容项目做出操作后的期望收益;所述预训练好的内容推荐模型是基于所述用户的历史数据训练得到的,所述历史数据包括所述用户对历史内容项目进行操作后的实际收益、所述历史内容项目的信息以及所述用户的能力属性信息;
输出模块,用于根据所述各个候选内容项目的期望收益输出第一内容项目。
7.根据权利要求6所述的装置,其特征在于,还包括:
所述获取模块,还用于获取所述用户对所述第一内容项目进行操作后的第一实际收益;
所述处理模块,还用于根据所述第一实际收益对所述历史数据进行更新,得到更新后的历史数据;
以及还用于基于所述更新后的历史数据更新所述内容推荐模型,得到更新后的内容推荐模型;
以及还用于基于所述各个候选内容项目中除所述第一内容项目之外的剩余的各个候选内容项目的信息,调用所述更新后的内容推荐模型预测所述用户对所述剩余的各个候选内容项目做出操作后的期望收益;
所述输出模块,还用于根据所述剩余的各个候选内容项目的期望收益输出第二内容项目。
8.根据权利要求6所述的装置,其特征在于,所述候选内容项目的信息为候选题目的信息,所述候选题目的信息包括题目难度、预设题目收益,所述预设题目收益包括预设的正确收益及错误收益;
所述处理模块,还用于基于所述候选题目的信息,利用所述内容推荐模型预测所述用户做所述候选题目的正确率和正确收益,及所述用户做所述候选题目的错误率和错误收益;
以及还用于根据所述用户做所述候选题目的正确率和正确收益,及所述用户做所述候选题目的错误率和错误收益,计算所述候选题目的期望收益。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现权利要求1-5中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求1-5中任一项所述方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111619517.5A CN116416018A (zh) | 2021-12-27 | 2021-12-27 | 内容输出方法、装置、计算机可读介质及电子设备 |
PCT/CN2022/138907 WO2023125000A1 (zh) | 2021-12-27 | 2022-12-14 | 内容输出方法、装置、计算机可读介质及电子设备 |
US18/253,262 US20240221525A1 (en) | 2021-12-27 | 2022-12-14 | Content output method and apparatus, computer-readable medium, and electronic device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111619517.5A CN116416018A (zh) | 2021-12-27 | 2021-12-27 | 内容输出方法、装置、计算机可读介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116416018A true CN116416018A (zh) | 2023-07-11 |
Family
ID=86997732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111619517.5A Pending CN116416018A (zh) | 2021-12-27 | 2021-12-27 | 内容输出方法、装置、计算机可读介质及电子设备 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240221525A1 (zh) |
CN (1) | CN116416018A (zh) |
WO (1) | WO2023125000A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117743699B (zh) * | 2024-02-20 | 2024-05-14 | 山东省计算中心(国家超级计算济南中心) | 一种基于dkt与汤普森采样算法的习题推荐方法及*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7698170B1 (en) * | 2004-08-05 | 2010-04-13 | Versata Development Group, Inc. | Retail recommendation domain model |
CN111681068A (zh) * | 2020-05-21 | 2020-09-18 | 北京三快在线科技有限公司 | 目标产品推荐方法、装置、设备及存储介质 |
CN113207010B (zh) * | 2021-06-02 | 2022-06-17 | 清华大学 | 模型训练方法、直播推荐方法、设备、存储介质 |
CN113742572A (zh) * | 2021-08-03 | 2021-12-03 | 杭州网易云音乐科技有限公司 | 一种数据的推荐方法、装置、电子设备及存储介质 |
-
2021
- 2021-12-27 CN CN202111619517.5A patent/CN116416018A/zh active Pending
-
2022
- 2022-12-14 US US18/253,262 patent/US20240221525A1/en active Pending
- 2022-12-14 WO PCT/CN2022/138907 patent/WO2023125000A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2023125000A1 (zh) | 2023-07-06 |
US20240221525A1 (en) | 2024-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102342604B1 (ko) | 뉴럴 네트워크 생성 방법 및 장치 | |
CN111767371B (zh) | 一种智能问答方法、装置、设备及介质 | |
CN110378474A (zh) | 对抗样本生成方法、装置、电子设备和计算机可读介质 | |
CN112650841A (zh) | 信息处理方法、装置和电子设备 | |
CN110765752B (zh) | 试题的生成方法、装置、电子设备及计算机可读存储介质 | |
CN113392018B (zh) | 流量分发方法、装置、存储介质及电子设备 | |
CN117236805B (zh) | 电力设备控制方法、装置、电子设备和计算机可读介质 | |
WO2023125000A1 (zh) | 内容输出方法、装置、计算机可读介质及电子设备 | |
CN113191257A (zh) | 笔顺检测方法、装置和电子设备 | |
CN112200183A (zh) | 图像处理的方法、装置、设备和计算机可读介质 | |
CN112669816B (zh) | 模型的训练方法、语音识别方法、装置、介质及设备 | |
CN113220922B (zh) | 图像搜索方法、装置和电子设备 | |
CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN112734462B (zh) | 一种信息推荐方法、装置、设备及介质 | |
CN114926234A (zh) | 物品信息推送方法、装置、电子设备和计算机可读介质 | |
CN111475618B (zh) | 用于生成信息的方法和装置 | |
CN112365046A (zh) | 用户信息生成方法、装置、电子设备和计算机可读介质 | |
CN114625876B (zh) | 作者特征模型的生成方法、作者信息处理方法和装置 | |
CN113283115B (zh) | 图像模型生成方法、装置和电子设备 | |
CN111339770A (zh) | 用于输出信息的方法和装置 | |
CN112270170B (zh) | 一种隐式表述语句的分析方法、装置、介质和电子设备 | |
CN111694755B (zh) | 应用程序测试方法、装置、电子设备及介质 | |
CN115565607B (zh) | 确定蛋白质信息的方法、装置、可读介质及电子设备 | |
CN113177174B (zh) | 特征构建方法、内容显示方法及相关装置 | |
CN116049529A (zh) | 内容推荐方法、装置、介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |