CN116911954A - 基于兴趣和流行度推荐物品的方法及装置 - Google Patents
基于兴趣和流行度推荐物品的方法及装置 Download PDFInfo
- Publication number
- CN116911954A CN116911954A CN202311168528.5A CN202311168528A CN116911954A CN 116911954 A CN116911954 A CN 116911954A CN 202311168528 A CN202311168528 A CN 202311168528A CN 116911954 A CN116911954 A CN 116911954A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- vector matrix
- historical
- popularity
- interest
- 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 50
- 239000011159 matrix material Substances 0.000 claims abstract description 402
- 238000012545 processing Methods 0.000 claims abstract description 33
- 230000006870 function Effects 0.000 claims description 48
- 230000004927 fusion Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 230000001351 cycling effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 4
- 230000001364 causal effect Effects 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002452 interceptive effect Effects 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
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Finance (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及数据处理技术领域，提供了一种基于兴趣和流行度推荐物品的方法及装置，该方法包括：获取用户数据和物品数据；将用户数据和物品数据输入至推荐模型，对用户数据进行处理，得到用户数据对应的特征向量矩阵，以及对物品数据进行处理，得到物品数据对应的特征向量矩阵；对用户数据对应的特征向量矩阵进行分解，得到第一兴趣特征向量矩阵和第一流行度特征向量矩阵；对物品数据对应的特征向量矩阵进行分解，得到第二兴趣特征向量矩阵和第二流行度特征向量矩阵；基于第一兴趣特征向量矩阵、第一流行度特征向量矩阵、第二兴趣特征向量矩阵和第二流行度特征向量矩阵，确定向用户推荐的目标物品。本公开可以提高推荐模型的准确性。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及一种基于兴趣和流行度推荐物品的方法及装置。
背景技术
随着互联网技术的迅猛发展，各种互联网平台都开始利用推荐***向用户推荐物品。这些推荐***通常是根据用户与物品之间的交互反馈来建模的。然而，用户与物品之间的交互可能受到物品的流行度影响，即流行物品更有可能被用户点击。由于训练集和测试集的时间维度不同，并且流行物品的变化速度很快，因此很容易出现训练和测试数据不一致的情况。这种不一致可能导致推荐***的预测不准确，进而影响推荐结果的准确性。
发明内容
有鉴于此，本公开实施例提供了一种基于兴趣和流行度推荐物品的方法、装置、电子设备及计算机可读存储介质，以解决现有技术中推荐***的预测不准确，影响推荐结果的准确性的技术问题。
本公开实施例的第一方面，提供了一种基于兴趣和流行度推荐物品的方法，该方法包括：获取用户数据和物品数据；将用户数据和物品数据输入至推荐模型，对用户数据进行处理，得到用户数据对应的特征向量矩阵，以及对物品数据进行处理，得到物品数据对应的特征向量矩阵；对用户数据对应的特征向量矩阵进行分解，得到第一兴趣特征向量矩阵和第一流行度特征向量矩阵；对物品数据对应的特征向量矩阵进行分解，得到第二兴趣特征向量矩阵和第二流行度特征向量矩阵；基于第一兴趣特征向量矩阵、第一流行度特征向量矩阵、第二兴趣特征向量矩阵和第二流行度特征向量矩阵，确定向用户推荐的目标物品。
本公开实施例的第二方面，提供了一种基于兴趣和流行度推荐物品的装置，该装置包括：获取模块，用于获取用户数据和物品数据；处理模块，用于将用户数据和物品数据输入至推荐模型，对用户数据进行处理，得到用户数据对应的特征向量矩阵，以及对物品数据进行处理，得到物品数据对应的特征向量矩阵；第一分解模块，用于对用户数据对应的特征向量矩阵进行分解，得到第一兴趣特征向量矩阵和第一流行度特征向量矩阵；第二分解模块，用于对物品数据对应的特征向量矩阵进行分解，得到第二兴趣特征向量矩阵和第二流行度特征向量矩阵；确定模块，用于基于第一兴趣特征向量矩阵、第一流行度特征向量矩阵、第二兴趣特征向量矩阵和第二流行度特征向量矩阵，确定向用户推荐的目标物品。
本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
本公开实施例与现有技术相比存在的有益效果是：本公开实施例可以获取用户数据和物品数据；将用户数据和物品数据输入至推荐模型，对用户数据进行处理，得到用户数据对应的特征向量矩阵，以及对物品数据进行处理，得到物品数据对应的特征向量矩阵，对用户数据对应的特征向量矩阵进行分解，得到第一兴趣特征向量矩阵和第一流行度特征向量矩阵，并对物品数据对应的特征向量矩阵进行分解，得到第二兴趣特征向量矩阵和第二流行度特征向量矩阵；基于第一兴趣特征向量矩阵、第一流行度特征向量矩阵、第二兴趣特征向量矩阵和第二流行度特征向量矩阵，确定向用户推荐的目标物品，以此方式可以提高推荐模型推荐物品的准确性。
附图说明
为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1示出了可以应用本发明实施例的技术方案的示例性***架构的示意图；
图2是本公开实施例提供的一种基于兴趣和流行度推荐物品的方法的流程示意图；
图3是本公开实施例提供的基于对比学习的因果向量解耦框架图；
图4是本公开实施例提供的一种基于兴趣和流行度推荐物品的装置的结构示意图；
图5是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。
需要说明的是，本公开所涉及的用户信息(包括但不限于终端设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
图1示出了可以应用本发明实施例的技术方案的示例性***架构的示意图。
如图1所示，***架构100可以包括第一终端设备101、第二终端设备102、第三终端设备103中的一种或多种，网络104和服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
用户可以使用第一终端设备101、第二终端设备102、第三终端设备103通过网络104与服务器105交互，以接收或发送数据等。第一终端设备101、第二终端设备102、第三终端设备103可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、便携式计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器。例如服务器105可以从第一端设备103（也可以是第二终端设备102或第三终端设备103）获取用户数据和物品数据，将用户数据和物品数据输入至推荐模型，对用户数据进行处理，得到用户数据对应的特征向量矩阵，以及对物品数据进行处理，得到物品数据对应的特征向量矩阵，对用户数据对应的特征向量矩阵进行分解，得到第一兴趣特征向量矩阵和第一流行度特征向量矩阵，并对物品数据对应的特征向量矩阵进行分解，得到第二兴趣特征向量矩阵和第二流行度特征向量矩阵；基于第一兴趣特征向量矩阵、第一流行度特征向量矩阵、第二兴趣特征向量矩阵和第二流行度特征向量矩阵，确定向用户推荐的目标物品，以此方式可以提高推荐模型推荐物品的准确性。
在一些实施例中，本发明实施例所提供的基于兴趣和流行度推荐物品的方法一般由服务器105执行，相应地，基于兴趣和流行度推荐物品的装置一般设置于服务器105中。在另一些实施例中，某些终端设备可以具有与服务器相似的功能从而执行本方法。因此，本发明实施例所提供的基于兴趣和流行度推荐物品的方法不限定在服务器端执行。
下面将结合附图详细说明根据本公开实施例的基于兴趣和流行度推荐物品的方法和装置。
图2是本公开实施例提供的一种基于兴趣和流行度推荐物品的方法的流程示意图。本公开实施例提供的方法可以由任意具备计算机处理能力的电子设备执行，例如电子设备可以是图1示出的服务器。
如图2所示，该基于兴趣和流行度推荐物品的方法包括步骤S210至步骤S250。
在步骤S210中，获取用户数据和物品数据。
步骤S220，将用户数据和物品数据输入至推荐模型，对用户数据进行处理，得到用户数据对应的特征向量矩阵，以及对物品数据进行处理，得到物品数据对应的特征向量矩阵。
在步骤S230中，对用户数据对应的特征向量矩阵进行分解，得到第一兴趣特征向量矩阵和第一流行度特征向量矩阵。
在步骤S240中，对物品数据对应的特征向量矩阵进行分解，得到第二兴趣特征向量矩阵和第二流行度特征向量矩阵。
在步骤S250中，基于第一兴趣特征向量矩阵、第一流行度特征向量矩阵、第二兴趣特征向量矩阵和第二流行度特征向量矩阵，确定向用户推荐的目标物品。
该方法可以获取用户数据和物品数据，将用户数据和物品数据输入至推荐模型，对用户数据进行处理，得到用户数据对应的特征向量矩阵，以及对物品数据进行处理，得到物品数据对应的特征向量矩阵，对用户数据对应的特征向量矩阵进行分解，得到第一兴趣特征向量矩阵和第一流行度特征向量矩阵，并对物品数据对应的特征向量矩阵进行分解，得到第二兴趣特征向量矩阵和第二流行度特征向量矩阵；基于第一兴趣特征向量矩阵、第一流行度特征向量矩阵、第二兴趣特征向量矩阵和第二流行度特征向量矩阵，确定向用户推荐的目标物品，以此方式可以提高推荐模型推荐物品的准确性。
在本公开一些实施例中，用户数据可以包含用户在互联网平台的标识、用户在互联网平台预设时段的操作行为数据，例如，用户在互联网平台七天之内的点击物品的行为数据。物品数据可以包含不限于物品种类、物品品牌、物品价格、物品曝光次数、物品点击次数。
在本公开一些实施例中，将用户数据和物品数据输入至推荐模型，对用户数据进行处理，得到用户数据对应的特征向量矩阵，以及对物品数据进行处理，得到物品数据对应的特征向量矩阵。例如，通过推荐模型的embedding层对用户数据和物品数据进行向量表示，得到用户数据对应的特征向量矩阵和物品数据对应的特征向量矩阵。
在互联网平台的推荐场景中，用户与物品发生交互可能是出于真正的兴趣，也有可能是从众心理，即该物品的流行度非常高，导致用户发生了交互行为。本公开将用户与物品拆分了两个维度（例如兴趣Interest，流行度Conformity）建模，Interest从用户视角出发是用户对于物品的兴趣，从物品视角是物品本身的属性特征；Conformity，用户视角为用户的盲目从众性，物品视角为物品的流行度。通过将用户和物品交互的本质原因进行拆分，从而更好的建模用户商品匹配过程。
在本公开一些实施例中，对用户数据对应的特征向量矩阵进行分解，得到第一兴趣特征向量矩阵和第一流行度特征向量矩阵。对物品数据对应的特征向量矩阵进行分解，得到第二兴趣特征向量矩阵和第二流行度特征向量矩阵。例如，按照推荐模型的分解规则，将用户数据对应的特征向量矩阵分解成第一兴趣特征向量矩阵和第一流行度特征向量矩阵。将物品数据对应的特征向量矩阵分解成第二兴趣特征向量矩阵和第二流行度特征向量矩阵。例如，分解规则为按照维度等分的规则，将用户数据对应的100*64特征向量矩阵分解成100*32的第一兴趣特征向量矩阵和100*32的第一流行度特征向量矩阵。将物品数据对应的100*64特征向量矩阵分解成100*32的第二兴趣特征向量矩阵、100*32第二流行度特征向量矩阵。
在本公开一些实施例中，基于第一兴趣特征向量矩阵、第一流行度特征向量矩阵、第二兴趣特征向量矩阵和第二流行度特征向量矩阵，确定向用户推荐的目标物品。例如，通过推荐模块的预测算法，根据第一兴趣特征向量矩阵、第一流行度特征向量矩阵、第二兴趣特征向量矩阵和第二流行度特征向量矩阵，计算向用户推荐物品的行为概率（例如，点击概率），根据向用户推荐物品的行为概率，从多个推荐物品确定出向用户推荐的目标物品，以此方式向用户推荐物品考虑了用户兴趣和物品流行度，这样可以更准确的向用户推荐物品。
在本公开一些实施例中，在将用户数据和物品数据输入至推荐模型之前，方法还包括：获取训练数据，训练数据的各个样本数据中包含历史用户数据和历史物品数据；将历史用户数据输入至预设模型的第一辅助网络，通过第一辅助网络将历史用户数据对应的特征向量矩阵分解成第一历史兴趣初始特征向量矩阵和第一历史流行度初始特征向量矩阵；将历史物品数据输入至预设模型的第二辅助网络，通过第二辅助网络将历史物品数据对应的特征向量矩阵分解成第二历史兴趣初始特征向量矩阵和第二历史流行度初始特征向量矩阵；基于对比学习任务，对第一历史兴趣初始特征向量矩阵和第一历史流行度初始特征向量矩阵进行对比学习处理，得到第一历史兴趣目标特征向量矩阵和第一历史流行度目标特征向量矩阵，以及对第二历史兴趣初始特征向量矩阵和第二历史流行度初始特征向量矩阵进行对比学习处理，得到第二历史兴趣目标特征向量矩阵和第二历史流行度目标特征向量矩阵；基于第一历史兴趣目标特征向量矩阵和第二历史兴趣目标特征向量矩阵，确定第一辅助网络的损失，以及基于第一历史流行度目标特征向量矩阵和第二历史流行度目标特征向量矩阵，确定第二辅助网络的损失；将第一历史兴趣目标特征向量矩阵和第一历史流行度目标特征向量矩阵、第二历史兴趣目标特征向量矩阵和第二历史流行度目标特征向量矩阵输入至预设模型的主网络，基于第一历史兴趣目标特征向量矩阵和第一历史流行度目标特征向量矩阵、第二历史兴趣目标特征向量矩阵和第二历史流行度目标特征向量矩阵，确定主网络的损失；根据第一辅助网络的损失、第二辅助网络的损失、以及主网络的损失，确定预设模型的总损失；循环上述步骤，直至预设模型收敛时停止训练，得到推荐模型。
基于前述实施例，参考图3，本申请为了确保在观察的交互数据上充分学习解耦的因果embedding，利用对比学习来增广每个交互因素的的样本。本申请的预设模型可以包含主网络、第一辅助网络、第二辅助网络(例如，第一辅助网络可以是基于兴趣的子网络和第二辅助网络可以是基于流行度的子网络)。对于输入的历史用户数据和历史物品数据，通过embedding层对其进行向量表示为历史用户数据对应的特征向量矩阵（embedding）和历史物品数据对应的特征向量矩阵（embedding），并分解成第一历史兴趣初始特征向量矩阵或第二历史兴趣初始特征向量矩阵（Interest Embedding ）和第一历史流行度初始特征向量矩阵或第二历史流行度初始特征向量矩阵（Conformity Embedding） 两个部分，然后利用对比学习的思路，在两个辅助网络上分别进行向量的学习。正样本与用户发生过交互的商品，负样本为用户未发生过交互的商品。
在本公开一些实施例中，基于第一历史兴趣目标特征向量矩阵和第二历史兴趣目标特征向量矩阵，确定第一辅助网络的损失包括：通过相似度函数，计算第一历史兴趣目标特征向量矩阵与第二历史兴趣目标特征向量矩阵之间的相似度；通过第一辅助网络的损失函数，基于第一历史兴趣目标特征向量矩阵与第二历史兴趣目标特征向量矩阵之间的相似度，计算第一辅助网络的损失。
在本公开一些实施例中，第二历史兴趣目标特征向量矩阵包括正样本的第二历史兴趣目标特征向量矩阵和负样本的第二历史兴趣目标特征向量矩阵；
通过相似度函数，计算第一历史兴趣目标特征向量矩阵与第二历史兴趣目标特征向量矩阵之间的相似度包括：通过相似度函数，计算第一历史兴趣目标特征向量矩阵与正样本的第二历史兴趣目标特征向量矩阵之间的相似度；通过相似度函数，计算第一历史兴趣目标特征向量矩阵与负样本的第二历史兴趣目标特征向量矩阵之间的相似度。
基于前述实施例，通过下面第一辅助网络的损失函数的公式可以计算出该第一辅助网络的损失，公式具体如下：
；
其中，N表示用户点击不同物品的数量，为标准化后的物品点击率，该因素的引入可以提高学习解耦因果表征的效率，/>表示第一历史兴趣目标特征向量矩阵与正样本的第二历史兴趣目标特征向量矩阵之间的相似度，/>表示第一历史兴趣目标特征向量矩阵与负样本的第二历史兴趣目标特征向量矩阵之间的相似度，/>表示历史用户标识，/>表示历史物品标识。
在本公开一些实施例中，基于第一历史流行度目标特征向量矩阵和第二历史流行度目标特征向量矩阵，确定第二辅助网络的损失包括：通过相似度函数，计算第一历史流行度目标特征向量矩阵与第二历史流行度目标特征向量矩阵之间的相似度；通过第二辅助网络的损失函数，基于第一历史流行度目标特征向量矩阵与第二历史流行度目标特征向量矩阵之间的相似度，计算第二辅助网络的损失。
在本公开一些实施例中，第二历史流行度目标特征向量矩阵包括正样本的第二历史流行度目标特征向量矩阵和负样本的第二历史流行度目标特征向量矩阵；通过相似度函数，计算第一历史流行度目标特征向量矩阵与第二历史流行度目标特征向量矩阵之间的相似度包括：通过相似度函数，计算第一历史流行度目标特征向量矩阵与正样本的第二历史流行度目标特征向量矩阵之间的相似度；通过相似度函数，计算第一历史流行度目标特征向量矩阵与负样本的第二历史流行度目标特征向量矩阵之间的相似度。
基于前述实施例，通过下面第二辅助网络的损失函数的公式可以计算出该第二辅助网络的损失，公式具体如下：
；
其中，N表示用户点击不同物品的数量，为标准化后的物品点击率，该因素的引入可以提高学习解耦因果表征的效率，/>表示第一历史流行度目标特征向量矩阵与正样本的第二历史流行度目标特征向量矩阵之间的相似度，/>表示第一历史流行度目标特征向量矩阵与负样本的第二历史流行度目标特征向量矩阵之间的相似度，/>表示历史用户标识，/>表示历史物品标识。
在本公开一些实施例中，基于第一历史兴趣目标特征向量矩阵和第一历史流行度目标特征向量矩阵、第二历史兴趣目标特征向量矩阵和第二历史流行度目标特征向量矩阵，确定主网络的损失包括：将第一历史兴趣目标特征向量矩阵与第一历史流行度目标特征向量矩阵进行拼接处理，得到第一融合特征向量特征，以及将第二历史兴趣目标特征向量矩阵与第二历史流行度目标特征向量矩阵进行拼接处理，得到第二融合特征向量矩阵；通过相似度函数，计算第一融合特征向量矩阵与第二融合特征向量矩阵之间的相似度；通过主网络的损失函数，基于第一融合特征向量矩阵与第二融合特征向量矩阵之间的相似度，计算主网络的损失。
在本公开一些实施例中，第二融合特征向量矩阵可以包括正样本的第二融合特征向量矩阵和负样本的第二融合特征向量矩阵。通过相似度函数，计算第一融合特征向量矩阵与第二融合特征向量矩阵之间的相似度包括：通过相似度函数，计算第一融合特征向量矩阵与正样本的第二融合特征向量矩阵之间的相似度；通过相似度函数，计算第一融合特征向量矩阵与负样本的第二融合特征向量矩阵之间的相似度。
基于前述实施例，通过下面主网络的损失函数的公式可以计算出该主网络的损失，公式具体如下：
；
其中，N表示用户点击不同物品的数量，表示第一融合特征向量矩阵与正样本的第二融合特征向量矩阵之间的相似度，/>表示第一融合特征向量矩阵与负样本的第二融合特征向量矩阵之间的相似度，/>表示历史用户标识，/>表示历史物品标识。
通过下面公式可以计算出推荐模型的总损失，具体如下：
；
其中，表示主网络的损失，/>表示第一辅助网络的损失，/>表示第二辅助网络的损失。α表示第一辅助网络的损失函数的权重，β表示第二辅助网络的损失函数的权重。
参考图3，user为历史用户数据，item为历史物品数据，通过embedding层对user和item进行向量表示，分别得到历史用户数据对应的特征向量矩阵（embedding）和历史物品数据对应的特征向量矩阵（embedding），并分解成第一历史兴趣初始特征向量矩阵或第二历史兴趣初始特征向量矩阵（Interest Embedding ，即图中示出的Interest Emb）和第一历史流行度初始特征向量矩阵或第二历史流行度初始特征向量矩阵（ConformityEmbedding，即图中示出的Conformity Emb）。利用对比学习的思路，在两个辅助网络上分别进行向量的学习，然后基于学习后的特征向量矩阵通过上述四个损失函数公式，计算第一辅助网络的损失、第二辅助网络的损失、主网络的损失、推荐模型的总损失。并将损失反向更新到推荐模型的网络中，循环上述方法可以优化推荐模型的参数。
本公开的实施例中的推荐模型可以是CTR模型， 在CTR模型的任务中，从交互生成的角度出发，针对不同的原因准确地模拟用户的个性化偏好，比如，用户是出于对商品的喜欢点击了商品，还是因为当前商品的流行度较高，用户存在一定的好奇心理发生了点击行为。通过区分点击原因，对兴趣点击和流行点击分别进行特征处理，从而提升模型的鲁棒性和泛化能力。在CTR模型的任务中，增加了对比学习分支，配置了用户与物品之间的对比学习任务，并利用对比学习来增广兴趣和流行度两个原因的样本，还新增了上述的损失函数公式，以提升模型学习的复杂度，从而提升模型的泛化能力。
下述为本公开装置实施例，可以用于执行本公开方法实施例。下文描述的基于兴趣和流行度推荐物品的装置与上文描述的基于兴趣和流行度推荐物品的方法可相互对应参照。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图4是本公开实施例提供的一种基于兴趣和流行度推荐物品的装置的结构示意图。
如图4所示，该基于兴趣和流行度推荐物品的装置400包括获取模块410、处理模块420、第一分解模块430、第二分解模块440和确定模块450。
具体地，获取模块410，用于获取用户数据和物品数据。
处理模块420，用于将用户数据和物品数据输入至推荐模型，对用户数据进行处理，得到用户数据对应的特征向量矩阵，以及对物品数据进行处理，得到物品数据对应的特征向量矩阵。
第一分解模块430，用于对用户数据对应的特征向量矩阵进行分解，得到第一兴趣特征向量矩阵和第一流行度特征向量矩阵。
第二分解模块440，用于对物品数据对应的特征向量矩阵进行分解，得到第二兴趣特征向量矩阵和第二流行度特征向量矩阵。
确定模块450，用于基于第一兴趣特征向量矩阵、第一流行度特征向量矩阵、第二兴趣特征向量矩阵和第二流行度特征向量矩阵，确定向用户推荐的目标物品。
该基于兴趣和流行度推荐物品的装置400可以获取用户数据和物品数据，将用户数据和物品数据输入至推荐模型，对用户数据进行处理，得到用户数据对应的特征向量矩阵，以及对物品数据进行处理，得到物品数据对应的特征向量矩阵，对用户数据对应的特征向量矩阵进行分解，得到第一兴趣特征向量矩阵和第一流行度特征向量矩阵，并对物品数据对应的特征向量矩阵进行分解，得到第二兴趣特征向量矩阵和第二流行度特征向量矩阵；基于第一兴趣特征向量矩阵、第一流行度特征向量矩阵、第二兴趣特征向量矩阵和第二流行度特征向量矩阵，确定向用户推荐的目标物品，以此方式可以提高推荐模型推荐物品的准确性。
在本公开一些实施例中，在将用户数据和物品数据输入至推荐模型之前，基于兴趣和流行度推荐物品的装置400还用于：获取训练数据，训练数据的各个样本数据中包含历史用户数据和历史物品数据；将历史用户数据输入至预设模型的第一辅助网络，通过第一辅助网络将历史用户数据对应的特征向量矩阵分解成第一历史兴趣初始特征向量矩阵和第一历史流行度初始特征向量矩阵；将历史物品数据输入至预设模型的第二辅助网络，通过第二辅助网络将历史物品数据对应的特征向量矩阵分解成第二历史兴趣初始特征向量矩阵和第二历史流行度初始特征向量矩阵；基于对比学习任务，对第一历史兴趣初始特征向量矩阵和第一历史流行度初始特征向量矩阵进行对比学习处理，得到第一历史兴趣目标特征向量矩阵和第一历史流行度目标特征向量矩阵，以及对第二历史兴趣初始特征向量矩阵和第二历史流行度初始特征向量矩阵进行对比学习处理，得到第二历史兴趣目标特征向量矩阵和第二历史流行度目标特征向量矩阵；基于第一历史兴趣目标特征向量矩阵和第二历史兴趣目标特征向量矩阵，确定第一辅助网络的损失，以及基于第一历史流行度目标特征向量矩阵和第二历史流行度目标特征向量矩阵，确定第二辅助网络的损失；将第一历史兴趣目标特征向量矩阵和第一历史流行度目标特征向量矩阵、第二历史兴趣目标特征向量矩阵和第二历史流行度目标特征向量矩阵输入至预设模型的主网络，基于第一历史兴趣目标特征向量矩阵和第一历史流行度目标特征向量矩阵、第二历史兴趣目标特征向量矩阵和第二历史流行度目标特征向量矩阵，确定主网络的损失；根据第一辅助网络的损失、第二辅助网络的损失、以及主网络的损失，确定预设模型的总损失；循环上述步骤，直至预设模型收敛时停止训练，得到推荐模型。
在本公开一些实施例中，基于第一历史兴趣目标特征向量矩阵和第二历史兴趣目标特征向量矩阵，确定第一辅助网络的损失包括：通过相似度函数，计算第一历史兴趣目标特征向量矩阵与第二历史兴趣目标特征向量矩阵之间的相似度；通过第一辅助网络的损失函数，基于第一历史兴趣目标特征向量矩阵与第二历史兴趣目标特征向量矩阵之间的相似度，计算第一辅助网络的损失。
在本公开一些实施例中，第二历史兴趣目标特征向量矩阵包括正样本的第二历史兴趣目标特征向量矩阵和负样本的第二历史兴趣目标特征向量矩阵；
通过相似度函数，计算第一历史兴趣目标特征向量矩阵与第二历史兴趣目标特征向量矩阵之间的相似度包括：通过相似度函数，计算第一历史兴趣目标特征向量矩阵与正样本的第二历史兴趣目标特征向量矩阵之间的相似度；通过相似度函数，计算第一历史兴趣目标特征向量矩阵与负样本的第二历史兴趣目标特征向量矩阵之间的相似度。
在本公开一些实施例中，基于第一历史流行度目标特征向量矩阵和第二历史流行度目标特征向量矩阵，确定第二辅助网络的损失包括：通过相似度函数，计算第一历史流行度目标特征向量矩阵与第二历史流行度目标特征向量矩阵之间的相似度；通过第二辅助网络的损失函数，基于第一历史流行度目标特征向量矩阵与第二历史流行度目标特征向量矩阵之间的相似度，计算第二辅助网络的损失。
在本公开一些实施例中，第二历史流行度目标特征向量矩阵包括正样本的第二历史流行度目标特征向量矩阵和负样本的第二历史流行度目标特征向量矩阵；通过相似度函数，计算第一历史流行度目标特征向量矩阵与第二历史流行度目标特征向量矩阵之间的相似度包括：通过相似度函数，计算第一历史流行度目标特征向量矩阵与正样本的第二历史流行度目标特征向量矩阵之间的相似度；通过相似度函数，计算第一历史流行度目标特征向量矩阵与负样本的第二历史流行度目标特征向量矩阵之间的相似度。
在本公开一些实施例中，基于第一历史兴趣目标特征向量矩阵和第一历史流行度目标特征向量矩阵、第二历史兴趣目标特征向量矩阵和第二历史流行度目标特征向量矩阵，确定主网络的损失包括：将第一历史兴趣目标特征向量矩阵与第一历史流行度目标特征向量矩阵进行拼接处理，得到第一融合特征向量特征，以及将第二历史兴趣目标特征向量矩阵与第二历史流行度目标特征向量矩阵进行拼接处理，得到第二融合特征向量矩阵；通过相似度函数，计算第一融合特征向量矩阵与第二融合特征向量矩阵之间的相似度；通过主网络的损失函数，基于第一融合特征向量矩阵与第二融合特征向量矩阵之间的相似度，计算主网络的损失。
图5是本公开实施例提供的电子设备5的示意图。如图5所示，该实施例的电子设备5包括：处理器501、存储器502以及存储在该存储器502中并且可在处理器501上运行的计算机程序503。处理器501执行计算机程序503时实现上述各个方法实施例中的步骤。或者，处理器501执行计算机程序503时实现上述各装置实施例中各模块的功能。
电子设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备5可以包括但不仅限于处理器501和存储器502。本领域技术人员可以理解，图5仅仅是电子设备5的示例，并不构成对电子设备5的限定，可以包括比图示更多或更少的部件，或者不同的部件。
处理器501可以是中央处理单元（Central Processing Unit，CPU），也可以是其它通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
存储器502可以是电子设备5的内部存储单元，例如，电子设备5的硬盘或内存。存储器502也可以是电子设备5的外部存储设备，例如，电子设备5上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。存储器502还可以既包括电子设备5的内部存储单元也包括外部存储设备。存储器502用于存储计算机程序以及电子设备所需的其它程序和数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于兴趣和流行度推荐物品的方法，其特征在于，所述方法包括：
获取用户数据和物品数据；
将所述用户数据和所述物品数据输入至推荐模型，对所述用户数据进行处理，得到所述用户数据对应的特征向量矩阵，以及对所述物品数据进行处理，得到所述物品数据对应的特征向量矩阵；
对所述用户数据对应的特征向量矩阵进行分解，得到第一兴趣特征向量矩阵和第一流行度特征向量矩阵；
对所述物品数据对应的特征向量矩阵进行分解，得到第二兴趣特征向量矩阵和第二流行度特征向量矩阵；
基于所述第一兴趣特征向量矩阵、所述第一流行度特征向量矩阵、所述第二兴趣特征向量矩阵和所述第二流行度特征向量矩阵，确定向用户推荐的目标物品。
2.根据权利要求1所述的方法，其特征在于，在将所述用户数据和所述物品数据输入至所述推荐模型之前，所述方法还包括：
获取训练数据，所述训练数据的各个样本数据中包含历史用户数据和历史物品数据；
将所述历史用户数据输入至预设模型的第一辅助网络，通过所述第一辅助网络将所述历史用户数据对应的特征向量矩阵分解成第一历史兴趣初始特征向量矩阵和第一历史流行度初始特征向量矩阵；
将所述历史物品数据输入至所述预设模型的第二辅助网络，通过所述第二辅助网络将所述历史物品数据对应的特征向量矩阵分解成第二历史兴趣初始特征向量矩阵和第二历史流行度初始特征向量矩阵；
基于对比学习任务，对所述第一历史兴趣初始特征向量矩阵和所述第一历史流行度初始特征向量矩阵进行对比学习处理，得到第一历史兴趣目标特征向量矩阵和第一历史流行度目标特征向量矩阵，以及对所述第二历史兴趣初始特征向量矩阵和所述第二历史流行度初始特征向量矩阵进行对比学习处理，得到第二历史兴趣目标特征向量矩阵和第二历史流行度目标特征向量矩阵；
基于所述第一历史兴趣目标特征向量矩阵和所述第二历史兴趣目标特征向量矩阵，确定所述第一辅助网络的损失，以及基于所述第一历史流行度目标特征向量矩阵和所述第二历史流行度目标特征向量矩阵，确定所述第二辅助网络的损失；
将所述第一历史兴趣目标特征向量矩阵和所述第一历史流行度目标特征向量矩阵、所述第二历史兴趣目标特征向量矩阵和所述第二历史流行度目标特征向量矩阵输入至所述预设模型的主网络，基于所述第一历史兴趣目标特征向量矩阵和所述第一历史流行度目标特征向量矩阵、所述第二历史兴趣目标特征向量矩阵和所述第二历史流行度目标特征向量矩阵，确定所述主网络的损失；
根据所述第一辅助网络的损失、所述第二辅助网络的损失、以及所述主网络的损失，确定所述预设模型的总损失；
循环上述步骤，直至所述预设模型收敛时停止训练，得到所述推荐模型。
3.根据权利要求2所述的方法，其特征在于，基于所述第一历史兴趣目标特征向量矩阵和所述第二历史兴趣目标特征向量矩阵，确定所述第一辅助网络的损失包括：
通过相似度函数，计算所述第一历史兴趣目标特征向量矩阵与所述第二历史兴趣目标特征向量矩阵之间的相似度；
通过所述第一辅助网络的损失函数，基于所述第一历史兴趣目标特征向量矩阵与所述第二历史兴趣目标特征向量矩阵之间的相似度，计算所述第一辅助网络的损失。
4.根据权利要求3所述的方法，其特征在于，所述第二历史兴趣目标特征向量矩阵包括正样本的第二历史兴趣目标特征向量矩阵和负样本的第二历史兴趣目标特征向量矩阵；
通过所述相似度函数，计算所述第一历史兴趣目标特征向量矩阵与所述第二历史兴趣目标特征向量矩阵之间的相似度包括：
通过所述相似度函数，计算所述第一历史兴趣目标特征向量矩阵与正样本的第二历史兴趣目标特征向量矩阵之间的相似度；
通过所述相似度函数，计算所述第一历史兴趣目标特征向量矩阵与负样本的第二历史兴趣目标特征向量矩阵之间的相似度。
5.根据权利要求2所述的方法，其特征在于，基于所述第一历史流行度目标特征向量矩阵和所述第二历史流行度目标特征向量矩阵，确定所述第二辅助网络的损失包括：
通过相似度函数，计算所述第一历史流行度目标特征向量矩阵与所述第二历史流行度目标特征向量矩阵之间的相似度；
通过所述第二辅助网络的损失函数，基于所述第一历史流行度目标特征向量矩阵与所述第二历史流行度目标特征向量矩阵之间的相似度，计算所述第二辅助网络的损失。
6.根据权利要求5所述的方法，其特征在于，所述第二历史流行度目标特征向量矩阵包括正样本的第二历史流行度目标特征向量矩阵和负样本的第二历史流行度目标特征向量矩阵；
通过所述相似度函数，计算所述第一历史流行度目标特征向量矩阵与所述第二历史流行度目标特征向量矩阵之间的相似度包括：
通过所述相似度函数，计算所述第一历史流行度目标特征向量矩阵与正样本的第二历史流行度目标特征向量矩阵之间的相似度；
通过所述相似度函数，计算所述第一历史流行度目标特征向量矩阵与负样本的第二历史流行度目标特征向量矩阵之间的相似度。
7.根据权利要求2所述的方法，其特征在于，基于所述第一历史兴趣目标特征向量矩阵和所述第一历史流行度目标特征向量矩阵、所述第二历史兴趣目标特征向量矩阵和所述第二历史流行度目标特征向量矩阵，确定所述主网络的损失包括：
将所述第一历史兴趣目标特征向量矩阵与所述第一历史流行度目标特征向量矩阵进行拼接处理，得到第一融合特征向量特征，以及将所述第二历史兴趣目标特征向量矩阵与所述第二历史流行度目标特征向量矩阵进行拼接处理，得到第二融合特征向量矩阵；
通过相似度函数，计算所述第一融合特征向量矩阵与所述第二融合特征向量矩阵之间的相似度；
通过所述主网络的损失函数，基于所述第一融合特征向量矩阵与所述第二融合特征向量矩阵之间的相似度，计算所述主网络的损失。
8.一种基于兴趣和流行度推荐物品的装置，其特征在于，所述装置包括：
获取模块，用于获取用户数据和物品数据；
处理模块，用于将所述用户数据和所述物品数据输入至推荐模型，对所述用户数据进行处理，得到所述用户数据对应的特征向量矩阵，以及对所述物品数据进行处理，得到所述物品数据对应的特征向量矩阵；
第一分解模块，用于对所述用户数据对应的特征向量矩阵进行分解，得到第一兴趣特征向量矩阵和第一流行度特征向量矩阵；
第二分解模块，用于对所述物品数据对应的特征向量矩阵进行分解，得到第二兴趣特征向量矩阵和第二流行度特征向量矩阵；
确定模块，用于基于所述第一兴趣特征向量矩阵、所述第一流行度特征向量矩阵、所述第二兴趣特征向量矩阵和所述第二流行度特征向量矩阵，确定向用户推荐的目标物品。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311168528.5A CN116911954B (zh) | 2023-09-12 | 2023-09-12 | 基于兴趣和流行度推荐物品的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311168528.5A CN116911954B (zh) | 2023-09-12 | 2023-09-12 | 基于兴趣和流行度推荐物品的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116911954A true CN116911954A (zh) | 2023-10-20 |
| CN116911954B CN116911954B (zh) | 2024-01-05 |
Family
ID=88356878
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311168528.5A Active CN116911954B (zh) | 2023-09-12 | 2023-09-12 | 基于兴趣和流行度推荐物品的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116911954B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111667308A (zh) * | 2020-05-29 | 2020-09-15 | 中国工商银行股份有限公司 | 广告推荐预测***及方法 |
| CN114418030A (zh) * | 2022-01-27 | 2022-04-29 | 腾讯科技（深圳）有限公司 | 图像分类方法、图像分类模型的训练方法及装置 |
| CN115049962A (zh) * | 2022-06-22 | 2022-09-13 | 商汤集团有限公司 | 视频服饰检测方法、装置及设备 |
| CN115688907A (zh) * | 2022-12-30 | 2023-02-03 | 中国科学技术大学 | 基于图传播的推荐模型训练方法及基于图传播的推荐方法 |
| CN116051175A (zh) * | 2023-01-09 | 2023-05-02 | 重庆市知识产权保护中心(重庆摩托车(汽车)知识产权信息中心) | 基于深度多兴趣网络的点击率预测模型及预测方法 |
| CN116308641A (zh) * | 2023-02-24 | 2023-06-23 | 中国工商银行股份有限公司 | 产品推荐方法、训练方法、装置、电子设备和介质 |
-
2023
- 2023-09-12 CN CN202311168528.5A patent/CN116911954B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111667308A (zh) * | 2020-05-29 | 2020-09-15 | 中国工商银行股份有限公司 | 广告推荐预测***及方法 |
| CN114418030A (zh) * | 2022-01-27 | 2022-04-29 | 腾讯科技（深圳）有限公司 | 图像分类方法、图像分类模型的训练方法及装置 |
| CN115049962A (zh) * | 2022-06-22 | 2022-09-13 | 商汤集团有限公司 | 视频服饰检测方法、装置及设备 |
| CN115688907A (zh) * | 2022-12-30 | 2023-02-03 | 中国科学技术大学 | 基于图传播的推荐模型训练方法及基于图传播的推荐方法 |
| CN116051175A (zh) * | 2023-01-09 | 2023-05-02 | 重庆市知识产权保护中心(重庆摩托车(汽车)知识产权信息中心) | 基于深度多兴趣网络的点击率预测模型及预测方法 |
| CN116308641A (zh) * | 2023-02-24 | 2023-06-23 | 中国工商银行股份有限公司 | 产品推荐方法、训练方法、装置、电子设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116911954B (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108197652B (zh) | 用于生成信息的方法和装置 | |
| CN110688528A (zh) | 生成视频的分类信息的方法、装置、电子设备和介质 | |
| CN111831855B (zh) | 用于匹配视频的方法、装置、电子设备和介质 | |
| CN111061956A (zh) | 用于生成信息的方法和装置 | |
| CN113688310B (zh) | 一种内容推荐方法、装置、设备及存储介质 | |
| CN112650841A (zh) | 信息处理方法、装置和电子设备 | |
| CN116578875B (zh) | 基于多行为的点击预测模型训练方法及装置 | |
| CN112836128A (zh) | 信息推荐方法、装置、设备和存储介质 | |
| CN112036954A (zh) | 物品推荐方法和装置、计算机可读存储介质、电子设备 | |
| CN110097004B (zh) | 面部表情识别方法和装置 | |
| CN112449217B (zh) | 一种推送视频的方法、装置、电子设备和计算机可读介质 | |
| CN116562357A (zh) | 点击预测模型训练方法及装置 | |
| CN116910373A (zh) | 房源推荐方法、装置、电子设备及存储介质 | |
| CN116911954B (zh) | 基于兴趣和流行度推荐物品的方法及装置 | |
| CN113327145B (zh) | 一种物品推荐方法和装置 | |
| CN114926234A (zh) | 物品信息推送方法、装置、电子设备和计算机可读介质 | |
| CN111784377B (zh) | 用于生成信息的方法和装置 | |
| CN116501993B (zh) | 房源数据推荐方法及装置 | |
| CN111897910A (zh) | 信息推送方法和装置 | |
| CN116912518B (zh) | 图像的多尺度特征处理方法及装置 | |
| CN112308166B (zh) | 一种处理标签数据的方法和装置 | |
| CN111522887B (zh) | 用于输出信息的方法和装置 | |
| CN113793160B (zh) | 投放数据处理方法、装置、设备及存储介质 | |
| CN117390295A (zh) | 基于掩码模块推荐对象的方法及装置 | |
| CN117473157A (zh) | 一种基于个性化提示学习的序列推荐方法和装置 |
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 | ||
| GR01 | Patent grant |