CN118113934A - 数据处理方法、装置、电子设备、介质和程序产品 - Google Patents
数据处理方法、装置、电子设备、介质和程序产品 Download PDFInfo
- Publication number
- CN118113934A CN118113934A CN202410096596.3A CN202410096596A CN118113934A CN 118113934 A CN118113934 A CN 118113934A CN 202410096596 A CN202410096596 A CN 202410096596A CN 118113934 A CN118113934 A CN 118113934A
- Authority
- CN
- China
- Prior art keywords
- content
- user
- query information
- query
- determining
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims description 55
- 238000004590 computer program Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 11
- 230000006399 behavior Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种数据处理方法、装置、电子设备、介质和程序产品,涉及数据处理技术领域,尤其涉及人工智能和个性化推荐领域。实现方案为:确定与第一查询信息对应的第一查询特征和与用户对应的用户特征;利用增益模型对所述第一查询特征和所述用户特征进行处理,以得到用户对于与所述第一查询信息相关的相关内容的预测感兴趣分数;以及确定用于所述第一查询信息的相关页面的第一推荐内容,其中所述第一推荐内容中与所述第一查询信息相关的相关性内容的数量是基于所述预测感兴趣分数确定的。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及人工智能和个性化推荐领域,具体涉及一种数据处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种数据处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种数据处理方法,包括:确定与第一查询信息对应的第一查询特征和与用户对应的用户特征;利用增益模型对所述第一查询特征和所述用户特征进行处理,以得到用户对于与所述第一查询信息相关的相关内容的预测感兴趣分数;以及确定用于所述第一查询信息的相关页面的第一推荐内容,其中所述第一推荐内容中与所述第一查询信息相关的相关性内容的数量是基于所述预测感兴趣分数确定的。
根据本公开的另一方面,提供了一种数据处理装置,包括:特征提取单元,被配置成确定与第一查询信息对应的第一查询特征和与用户对应的用户特征;预测单元,被配置成利用增益模型对所述第一查询特征和所述用户特征进行处理,以得到用户对于与所述第一查询信息相关的相关内容的预测感兴趣分数;以及推荐单元,被配置成确定用于所述第一查询信息的相关页面的第一推荐内容,其中所述第一推荐内容中与所述第一查询信息相关的相关性内容的数量是基于所述预测感兴趣分数确定的。
根据本公开的另一方面,还提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行根据本公开的实施例所述的方法。
根据本公开的另一方面,还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据本公开的实施例所述的方法。
根据本公开的另一方面,还提供了一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现根据本公开的实施例所述的方法。
根据本公开的一个或多个实施例,通过使用增益模型基于查询信息和用户信息对用户的相关性需求进行预测,可以针对每个用户的每次查询行为提供针对性的预测结果,从而为用户提供具有更精准的个性化推荐内容。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性***的示意图;
图2示出了根据本公开的实施例的数据处理方法的示例性过程;
图3示出了根据本公开的实施例的对增益模型进行训练的示例性过程;
图4使出了本公开的实施例的增益模型的示例性结构;
图5示出了根据本公开的实施例的数据处理装置的示例性框图;
图6示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个要素与另一要素区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性***100的示意图。参考图1,该***100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行根据本公开的实施例的数据处理方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供其他服务或软件应用,这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的***配置是可能的,其可以与***100不同。因此,图1是用于实施本文所描述的各种方法的***的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来进行信息搜索和查询。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏***、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作***,例如MICROSOFT Windows、APPLE iOS、类UNIX操作***、Linux或类Linux操作***(例如GOOGLE Chrome OS);或包括各种移动操作***,例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏***可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作***的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作***以及任何商业上可用的服务器操作***的一个或多个操作***。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120可以为分布式***的服务器,或者是结合了区块链的服务器。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
***100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如,由服务器120使用的数据库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中,由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件***支持的常规存储库。
图1的***100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
用户可以使用搜索引擎对感兴趣的内容进行搜索。例如,用户可以在搜索引擎中输入查询信息,并对搜索引擎返回的与查询信息相关的结果进行浏览。在满足了用户的搜索需求后,还可以在查询信息的相关页面上为用户提供推荐内容,从而将搜索产品优化为具有个性化推荐能力的搜推融合产品。
在相关页面上为用户提供的推荐内容一般可以被分为两种类型,一种是与查询信息有关的相关性内容,另一种是与用户个体特征有关的个性化内容。例如,相关性内容是基于查询信息能够查询到的图片、文章、视频等,个性化内容是基于用户的历史行为推测用户感兴趣的内容。个性化内容可以与查询信息是不相关的。不同用户对于不同查询信息的相关性内容的需求程度是不一样的。
相关技术中通常采用以下几种方式来预测用户对相关性内容的需求程度:
1.在推荐内容中为所有查询请求提供固定N条相关性内容;
2.根据查询请求的语义向量进行聚类,并统计各聚类中心位于80分位的相关性内容的数量,进一步为当前查询请求确定其所属的聚类中心对应的的相关性内容的推荐条数;
3.根据查询请求所属的预定类别计算该类别中位于80分位的相关性内容的数量,进一步为当前查询请求确定其所属的类别对应的相关性内容的推荐条数;
4.结合查询请求所属的预定类别和用户针对该类别内容的活跃度计算整体的80分位相关性条数,进一步为当前查询请求确定其所属的类别和用户活跃度对应的相关性内容的推荐条数。
然而,相关技术中对于用户的相关性内容需求程度的预测具有缺点。第一种方法是最简单的实现,但是忽略了不同的查询请求下的相关性需求差别较大。第二种方法中,受限于聚类性能与准确度的影响,还是不能更好的区分不同查询请求的相关性需求。第三种方法通过所属类别来区分不同查询请求的相关性需求,提高了查询请求的分类准确度,但是没有考虑不同用户在对于不同查询请求的相关性需求仍有很大差别。第四种方法同时考虑了用户活跃度和查询请求所属的类目,无法准确预估每个用户在不同查询请求下的个性化的相关性需求。
为了进一步满足用户个性化的相关性需求,本公开提供了一种新的数据处理方法。
图2示出了根据本公开的实施例的数据处理方法的示例性过程。
在步骤S202中,确定与第一查询信息对应的第一查询特征和与用户对应的用户特征。
在步骤S204中,利用增益模型对第一查询特征和用户特征进行处理,以得到用户对于与第一查询信息相关的相关内容的预测感兴趣分数。
在步骤S206中,确定用于第一查询信息的相关页面的第一推荐内容,其中第一推荐内容中与第一查询信息相关的相关性内容的数量是基于预测感兴趣分数确定的。
利用本公开的实施例,通过使用增益模型基于查询信息和用户信息对用户的相关性需求进行预测,可以针对每个用户的每次查询行为提供针对性的预测结果,从而为用户提供具有更精准的个性化推荐内容。
以下将详细描述本公开的原理。
在步骤S202中,可以确定与第一查询信息对应的第一查询特征和与用户对应的用户特征。
第一查询特征可以包括第一查询信息的语义特征和第一查询信息的统计特征中的至少一项。其中,语义特征可以用于表示第一查询信息的具体内容,统计特征可以包括与第一查询信息有关的历史查询行为中用户行为的统计结果,能够反映用户对于第一查询信息的感兴趣程度。
在一些示例中,第一查询信息的语义特征可以包括第一查询信息的语义向量,可以通过任何自然语言的向量化方式对第一查询信息进行处理来得到语义向量。在示例中,第一查询信息的语义特征还可以包括针对第一查询信息的语义的分类特征,例如,可以基于第一查询信息的语义确定指示第一查询信息是否属于违规信息(例如是否属于色情信息)、是否具有时效性的分类特征。
在一些示例中,第一查询信息的统计特征可以包括与第一查询信息相关的页面中用户行为的统计数据。在确定第一查询信息的统计特征时,可以针对全体用户或者随机选择的用户进行数据收集,以最小化用户个性化行为对查询信息的统计结果带来的影响。在示例中,第一查询信息的统计特征可以包括用户在第一查询信息的结果页和落地页中的点击次数和浏览时长的统计数据,这可以反映用户对于第一查询信息的感兴趣程度。其中,结果页指的是搜索引擎响应于第一查询信息返回的查询结果列表,落地页指的是通过点击查询结果列表中的链接进入的具体页面。例如,第一查询信息的统计特征可以包括第一查询信息的结果页的搜索次数、第一查询信息的结果页点击率、用户进入落地页的次数、用户在同一查询信息下重复进入落地页的次数。
在示例中,第一查询信息的统计特征还可以包括用户在第一查询信息的相关页面中对于相关性内容的点击和浏览的统计数据,这可以反映用户在第一查询信息下的相关性需求。例如,第一查询信息的统计特征可以包括落地页中下相关性内容分发的占比、落地页中相关性内容播放时长占比、落地页中相关性内容快滑率(即用户快速滑过内容的比例)、落地页中相关性内容的长播率(即用户观看相关性内容超过预定阈值(如10s)的比例)、落地页中相关性内容的浏览步长(即用户观看相关性内容的数量)。
在不脱离本公开原理的情况下,本领域技术人员可以根据实际情况对上述统计特征进行补充、删减或者修改,以符合实际应用的要求。
用户特征可以包括用户针对查询内容的历史访问特征、针对相关性内容的历史访问特征和针对个性化内容的历史访问特征中的至少一项。用户特征可以反映用户在发出查询请求后的浏览习惯、针对相关性内容的浏览习惯和针对个性化内容的浏览习惯,从而进一步反映用户针对相关性内容和个性化内容的不同需求。
在示例中,针对查询内容的历史访问特征可以包括用户历史浏览长度,其表示用户在历史使用过程中每次会浏览多少数量的内容。在应用程序自动为用户刷新内容的情况下,可以使用每次请求的后台刷新数量来表示用户历史浏览长度。进一步地,用户的历史访问特征还可以包括用户在不同时间范围内(如30天、14天等)访问落地页的频次、在一段时间范围内(如30天)的搜索次数、在一段时间范围内(如30天)相同查询信息下重复进入落地页的平均次数。
在示例中,针对相关性内容的历史访问特征可以包括用户的相关性内容快滑率、相关性内容播放时长占比、相关性内容长播率等。
在示例中,针对个性化内容的历史访问特征可以包括用户的个性化内容快滑率、个性化内容播放时长占比、个性化内容长播率等。
在步骤S204中,利用增益模型对第一查询特征和用户特征进行处理,以得到用户对于与第一查询信息相关的相关内容的预测感兴趣分数。
增益模型可以用于估计干预动作(treatment)对用户相应行为产生的影响。利用增益模型,可以确定同一个体在干预与不干预的不同情况下行为的区别。在一些实施例中,增益模型可以是uplift模型。本公开中将以uplift模型为例描述本公开的原理。在不脱离本公开原理的情况下,也可以使用其他具有相同功能的增益模型。
图3示出了根据本公开的实施例的对增益模型进行训练的示例性过程。
在步骤S302中,可以确定样本用户集合。可以采用随机的方式从全体用户中选取样本用户,以尽量覆盖不同类型的用户,提高训练好的增益模型的适用范围。
在步骤S304中,可以确定样本用户的样本用户特征以及样本用户输入的第二查询信息的第二查询特征。
在步骤S306中,可以在与第二查询信息的相关页面中提供第二推荐内容。在训练过程采集的样本数据中,一部分样本用户可以是被干预的,另一部分样本用户可以是不被干预的对照组。在被干预的情况下,第二推荐内容中的所有推荐内容都与第二查询信息相关,以及在不被干预的情况下,第二推荐内容包括与第二查询信息相关的相关性内容和针对样本用户的个性化内容。可以采用相关技术中提供的任何方式为不被干预的用户提供推荐内容。对于uplift模型来说,在干预情况下,模型的干预信息(treatment)可以被设置为1,在不被干预的情况下,干预信息可以被设置为0。
针对样本用户集合中的用户,在一定的时间范围内,针对至少一部分样本用户只提供相关性内容作为推荐结果。利用这种方法,可以有效地收集到不同用户针对相关性内容的反馈,从而确定不同用户对相关性内容的需求。
在步骤S308中,可以基于样本用户针对第二推荐内容的浏览时间确定样本用户对于与第二查询信息相关的相关性内容的真实感兴趣分数。其中,可以对用户的浏览时间进行归一化作为感兴趣分数。在本公开提供的增益模型中,使用用户对于相关性内容的浏览时间来确定用户对于相关性内容的感兴趣程度。可以理解的是,用户对于相关性内容的需求越高,则其浏览相关性内容的时间也越长。
在步骤S310中,可以利用uplift模型对样本用户特征和第二查询特征进行处理,以得到样本用户对于相关性内容的预测感兴趣分数。Uplift模型可以对查询信息和用户的特征进行感知,并根据查询信息的特征和用户的特征对用户对于相关性内容的感兴趣程度进行预测。预测感兴趣分数与真实感兴趣分数具有相同的表示,例如表示为浏览时间的归一化结果。本领域技术人员也可以根据实际情况利用其他类型的参数表示预测感兴趣分数。
在步骤S312中,可以调整uplift模型的参数以最小化预测感兴趣分数和真实感兴趣分数之间的误差。如前所述,真实感兴趣分数是通过为用户全部提供相关性内容的推荐得到的真实结果,能够反映用户对于相关性内容的真实需求。预测感兴趣分数是利用模型对查询特征和用户特征进行处理得到的预测结果。通过最小化预测感兴趣分数和真实感兴趣分数之间的误差,可以提高增益模型感知查询特征和用户特征,并进一步基于所感知的特征预测用户对于相关性内容的感兴趣程度的能力。
图4使出了本公开的实施例的增益模型的示例性结构。
如图4所示,增益模型400可以包括串联的第一全连接层410和第二全连接层420。
针对用户发起的查询请求,可以确定查询请求中包含的查询信息的查询特征401以及用户的用户特征402的向量表示连接在一起作为第一全连接层410的输入。进一步地,第一全连接层410的输入还可以包括干预信息403。当针对用户仅提供相关性内容的推荐内容时,干预信息403可以被设置为1,在其他情况下,干预信息403可以被设置为0。本领域技术人员也可以根据实际情况将干预信息设置为任何其他合适的值。
返回参考图2,在步骤S206中,确定用于第一查询信息的相关页面的第一推荐内容,其中第一推荐内容中与第一查询信息相关的相关性内容的数量是基于预测感兴趣分数确定的。这里所说的第一查询信息的相关页面可以是第一查询信息的结果页或落地页,也可以是响应于包含第一查询信息的查询请求向用户展示的任何其他形式的页面。推荐内容指的是在相关页面中除页面本身的内容以外,***为用户推荐用于进一步浏览的内容。推荐内容中可以包括与查询信息有关的相关性内容,也可以包括与用户有关的个性化内容。
在一些示例中,相关性内容的数量可以表示为绝对数量或相对数量。绝对数量指的是相关性内容的实际条数,例如5条、10条等数值。相对数量指的是相关性内容在第一推荐内容中的占比,例如50%、60%等。
可以通过各种预定的映射方式确定与预测感兴趣分数对应的相关性内容的推荐数量。
在一些实施例中,可以将感兴趣分数划分为不同的档位,并为不同档位的感兴趣分数确定不同的相关性内容的推荐数量。在示例中,以预测感兴趣分数是0到1之间的归一化结果为例,可以将感兴趣分数划分为0至0.4,0.4至0.7以及0.7至1三个档位。针对0至0.4的感兴趣分数,其相关性内容的推荐数量可以被确定为30%,针对0.4至0.7的感兴趣分数,其相关性内容的推荐数量可以被确定为50%,针对0.7至1的感兴趣分数,其相关性内容的推荐数量可以被确定为80%。本领域技术人员可以根据实际情况预先设置合适的映射关系,本公开的方案不限于此。
在另一些实施例中,可以根据预测感兴趣分数为查询内容的参考推荐数量确定调整值。步骤S206可以包括:基于第一查询信息确定相关性内容的参考推荐数量;基于预测感兴趣分数确定相关性内容的调整值;基于参考推荐数量和调整值确定第一推荐内容中相关性内容的推荐数量。在这种情况下,可以根据查询信息的内容确定用于该查询信息的参考推荐数量。其中,参考推荐数量可以基于第一查询信息的类别而确定。例如,可以利用相关技术中提供的方法,根据查询信息所属的类别确定该类别下的查询信息的相关性内容的参考推荐数量。然后,可以根据增益模型预测的用户对于相关性内容的感兴趣分数对参考推荐数量进行调整。还是以预测感兴趣分数是0到1之间的归一化结果,将感兴趣分数划分为0至0.4,0.4至0.7以及0.7至1三个档位为例。针对0至0.4的感兴趣分数,其相关性内容的调整值可以被确定为-30%,针对0.4至0.7的感兴趣分数,其相关性内容的调整值可以被确定为0,针对0.7至1的感兴趣分数,其相关性内容的调整值可以被确定为+30%。本领域技术人员可以根据实际情况预先设置合适的映射关系,本公开的方案不限于此。
在利用uplift模型作为增益模型的情况下,可以利用uplift模型输出被干预的情况下的第一预测感兴趣分数和未被干预的情况下的第二预测感兴趣分数。其中,被干预的情况下的第一预测感兴趣分数是通过利用uplift模型对查询特征、用户特征以及被设置为1的干预信息进行处理输出的结果,未被干预的情况下的第二预测感兴趣分数是通过利用uplift模型对查询特征、用户特征以及被设置为0的干预信息进行处理输出的结果。可以基于第一预测感兴趣分数和第二预测感兴趣分数的差值确定调整值。上述差值可以用于表示用户在被干预的情况下(例如仅向用户提供相关性内容的推荐)和未被干预的情况下(例如同时向用户提供相关性内容和个性化内容两者的推荐)的不同表现,并可以根据用户的不同表现确定相关性内容的调整值。例如,如果用户在被干预的情况下输出的预测感兴趣分数越高,则说明相关性内容的数量越多,用户的停留在页面上的时间也越长,因此可以在这种情况下增加推荐内容中相关性内容的数量。反之,则可以减少推荐内容中相关性内容的数量。本领域技术人员可以根据实际情况确定第一预测感兴趣分数和第二预测感兴趣分数的差值和调整值之间的具体映射关系。
在不脱离本公开原理的情况下,步骤S206还可以包括根据预测感兴趣分数确定相关性内容在页面上的展示方式。如前所述,预测感兴趣分数可以反映用户对于相关性内容的感兴趣程度。因此,可以根据预测感兴趣分数调整相关性内容在页面上的位置、大小等展示特征,以提高或减小用户在页面上对相关性内容的关注程度。
图5示出了根据本公开的实施例的数据处理装置的示例性框图。
如图5所示,装置500可以包括特征提取单元510、预测单元520和推荐单元530。
特征提取单元510可以被配置成确定与第一查询信息对应的第一查询特征和与用户对应的用户特征。
预测单元520可以被配置成利用增益模型对第一查询特征和用户特征进行处理,以得到用户对于与第一查询信息相关的相关内容的预测感兴趣分数。
推荐单元530可以被配置成确定用于第一查询信息的相关页面的第一推荐内容,其中第一推荐内容中与第一查询信息相关的相关性内容的数量是基于预测感兴趣分数确定的。
在一些实施例中,增益模型是uplift模型。
在一些实施例中,uplift模型是利用以下方法训练得到的:确定样本用户集合;确定样本用户的样本用户特征以及样本用户输入的第二查询信息的第二查询特征,在与第二查询信息的相关页面中提供第二推荐内容;基于样本用户针对第二推荐内容的浏览时间确定样本用户对于与第二查询信息相关的相关性内容的真实感兴趣分数;利用uplift模型对样本用户特征和第二查询特征进行处理,以得到样本用户对于相关性内容的预测感兴趣分数;以及调整uplift模型的参数以最小化预测感兴趣分数和真实感兴趣分数之间的误差。
在一些实施例中,在被干预的情况下,第二推荐内容中的所有推荐内容都与第二查询信息相关,以及在不被干预的情况下,第二推荐内容包括与第二查询信息相关的相关性内容和针对样本用户的个性化内容。
在一些实施例中,第一推荐内容中还包括针对用户的个性化内容。
在一些实施例中,推荐单元被配置成:基于第一查询信息确定相关性内容的参考推荐数量;基于预测感兴趣分数确定相关性内容的调整值;基于参考推荐数量和调整值确定第一推荐内容中相关性内容的推荐数量。
在一些实施例中,基于预测感兴趣分数确定相关性内容的调整值包括:确定增益模型在被干预的情况下输出的第一预测感兴趣分数;确定增益模型在未被干预的情况下输出的第二预测感兴趣分数;基于第一预测感兴趣分数和第二预测感兴趣分数的差值确定调整值。
在一些实施例中,参考推荐数量基于第一查询信息的类别而确定。
在一些实施例中,第一查询特征包括第一查询信息的语义特征和第一查询信息的统计特征中的至少一项。
在一些实施例中,用户特征包括用户针对查询内容的历史访问特征、针对相关性内容的历史访问特征和针对个性化内容的历史访问特征中的至少一项。
可以利用图5中示出的单元510~530执行图2中示出的步骤S202~S206,在此不再加以赘述。
应当理解,图5中所示装置500的各个模块或单元可以与参考图2描述的方法200中的各个步骤相对应。由此,上面针对方法200描述的操作、特征和优点同样适用于装置500及其包括的模块以及单元。为了简洁起见,某些操作、特征和优点在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,还提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行根据本公开的实施例所述的方法。
根据本公开的实施例,还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据本公开的实施例所述的方法。
根据本公开的实施例,还提供了一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现根据本公开的实施例所述的方法。
参考图6,现将描述可以作为本公开的服务器或客户端的电子设备600的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,电子设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储电子设备600操作所需的各种程序和数据。计算单元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。
电子设备600中的多个部件连接至I/O接口605,包括:输入单元606、输出单元607、存储单元608以及通信单元609。输入单元606可以是能向电子设备600输入信息的任何类型的设备,输入单元606可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元607可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元608可以包括但不限于磁盘、光盘。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如方法200、300。例如,在一些实施例中,方法200、300可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的方法200、300的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200、300。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
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。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、***和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (23)
1.一种数据处理方法,包括:
确定与第一查询信息对应的第一查询特征和与用户对应的用户特征;
利用增益模型对所述第一查询特征和所述用户特征进行处理,以得到用户对于与所述第一查询信息相关的相关内容的预测感兴趣分数;以及
确定用于所述第一查询信息的相关页面的第一推荐内容,其中所述第一推荐内容中与所述第一查询信息相关的相关性内容的数量是基于所述预测感兴趣分数确定的。
2.如权利要求1所述的方法,其中,所述增益模型是uplift模型。
3.如权利要求2所述的方法,其中,所述uplift模型是利用以下方法训练得到的:
确定样本用户集合;
确定样本用户的样本用户特征以及样本用户输入的第二查询信息的第二查询特征;
在与第二查询信息的相关页面中提供第二推荐内容;
基于所述样本用户针对所述第二推荐内容的浏览时间确定所述样本用户对于与所述第二查询信息相关的相关性内容的真实感兴趣分数;
利用所述uplift模型对所述样本用户特征和所述第二查询特征进行处理,以得到所述样本用户对于相关性内容的预测感兴趣分数;以及
调整所述uplift模型的参数以最小化所述预测感兴趣分数和所述真实感兴趣分数之间的误差。
4.如权利要求3所述的方法,其中,
在被干预的情况下,所述第二推荐内容中的所有推荐内容都与第二查询信息相关,以及
在不被干预的情况下,所述第二推荐内容包括与第二查询信息相关的相关性内容和针对样本用户的个性化内容。
5.如权利要求1至4中任一项所述的方法,其中,所述第一推荐内容中还包括针对用户的个性化内容。
6.如权利要求1至4中任一项所述的方法,其中,确定用于所述第一查询信息的相关页面的第一推荐内容包括:
基于所述第一查询信息确定相关性内容的参考推荐数量;
基于所述预测感兴趣分数确定所述相关性内容的调整值;
基于所述参考推荐数量和所述调整值确定所述第一推荐内容中相关性内容的推荐数量。
7.如权利要求6所述的方法,其中,基于所述预测感兴趣分数确定所述相关性内容的调整值包括:
确定所述增益模型在被干预的情况下输出的第一预测感兴趣分数;
确定所述增益模型在未被干预的情况下输出的第二预测感兴趣分数;
基于所述第一预测感兴趣分数和所述第二预测感兴趣分数的差值确定所述调整值。
8.如权利要求6所述的方法,其中,所述参考推荐数量基于所述第一查询信息的类别而确定。
9.如权利要求1至4中任一项所述的方法,其中,所述第一查询特征包括所述第一查询信息的语义特征和所述第一查询信息的统计特征中的至少一项。
10.如权利要求1至4中任一项所述的方法,其中,所述用户特征包括用户针对查询内容的历史访问特征、针对相关性内容的历史访问特征和针对个性化内容的历史访问特征中的至少一项。
11.一种数据处理装置,包括:
特征提取单元,被配置成确定与第一查询信息对应的第一查询特征和与用户对应的用户特征;
预测单元,被配置成利用增益模型对所述第一查询特征和所述用户特征进行处理,以得到用户对于与所述第一查询信息相关的相关内容的预测感兴趣分数;以及
推荐单元,被配置成确定用于所述第一查询信息的相关页面的第一推荐内容,其中所述第一推荐内容中与所述第一查询信息相关的相关性内容的数量是基于所述预测感兴趣分数确定的。
12.如权利要求11所述的装置,其中,所述增益模型是uplift模型。
13.如权利要求12所述的装置,其中,所述uplift模型是利用以下方法训练得到的:
确定样本用户集合;
确定样本用户的样本用户特征以及样本用户输入的第二查询信息的第二查询特征;
在与第二查询信息的相关页面中提供第二推荐内容;
基于所述样本用户针对所述第二推荐内容的浏览时间确定所述样本用户对于与所述第二查询信息相关的相关性内容的真实感兴趣分数;
利用所述uplift模型对所述样本用户特征和所述第二查询特征进行处理,以得到所述样本用户对于相关性内容的预测感兴趣分数;以及
调整所述uplift模型的参数以最小化所述预测感兴趣分数和所述真实感兴趣分数之间的误差。
14.如权利要求13所述的装置,其中,
在被干预的情况下,所述第二推荐内容中的所有推荐内容都与第二查询信息相关,以及
在不被干预的情况下,所述第二推荐内容包括与第二查询信息相关的相关性内容和针对样本用户的个性化内容。
15.如权利要求11至14中任一项所述的装置,其中,所述第一推荐内容中还包括针对用户的个性化内容。
16.如权利要求11至14中任一项所述的装置,其中,所述推荐单元被配置成:
基于所述第一查询信息确定相关性内容的参考推荐数量;
基于所述预测感兴趣分数确定所述相关性内容的调整值;
基于所述参考推荐数量和所述调整值确定所述第一推荐内容中相关性内容的推荐数量。
17.如权利要求16所述的装置,其中,基于所述预测感兴趣分数确定所述相关性内容的调整值包括:
确定所述增益模型在被干预的情况下输出的第一预测感兴趣分数;
确定所述增益模型在未被干预的情况下输出的第二预测感兴趣分数;
基于所述第一预测感兴趣分数和所述第二预测感兴趣分数的差值确定所述调整值。
18.如权利要求17所述的装置,其中,所述参考推荐数量基于所述第一查询信息的类别而确定。
19.如权利要求11至14中任一项所述的装置,其中,所述第一查询特征包括所述第一查询信息的语义特征和所述第一查询信息的统计特征中的至少一项。
20.如权利要求11至14中任一项所述的装置,其中,所述用户特征包括用户针对查询内容的历史访问特征、针对相关性内容的历史访问特征和针对个性化内容的历史访问特征中的至少一项。
21.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-10中任一项所述的方法。
23.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410096596.3A CN118113934A (zh) | 2024-01-23 | 2024-01-23 | 数据处理方法、装置、电子设备、介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410096596.3A CN118113934A (zh) | 2024-01-23 | 2024-01-23 | 数据处理方法、装置、电子设备、介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118113934A true CN118113934A (zh) | 2024-05-31 |
Family
ID=91215450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410096596.3A Pending CN118113934A (zh) | 2024-01-23 | 2024-01-23 | 数据处理方法、装置、电子设备、介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118113934A (zh) |
-
2024
- 2024-01-23 CN CN202410096596.3A patent/CN118113934A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112579909A (zh) | 对象推荐方法及装置、计算机设备和介质 | |
CN116501960B (zh) | 内容检索方法、装置、设备及介质 | |
CN114791982B (zh) | 对象推荐方法和装置 | |
CN115114424A (zh) | 查询请求的应答方法及装置 | |
CN114443989B (zh) | 排序方法、排序模型的训练方法、装置、电子设备及介质 | |
CN116450944A (zh) | 基于推荐模型的资源推荐方法、装置、电子设备和介质 | |
CN115269989B (zh) | 对象推荐方法、装置、电子设备和存储介质 | |
CN116883181A (zh) | 基于用户画像的金融服务推送方法、存储介质及服务器 | |
CN116541536A (zh) | 知识增强的内容生成***、数据生成方法、设备和介质 | |
CN113312554B (zh) | 用于评价推荐***的方法及装置、电子设备和介质 | |
CN113312511B (zh) | 用于推荐内容的方法、装置、设备和计算机可读存储介质 | |
CN113868453B (zh) | 对象推荐方法和装置 | |
CN114238745A (zh) | 一种提供搜索结果的方法及装置、电子设备和介质 | |
CN118113934A (zh) | 数据处理方法、装置、电子设备、介质和程序产品 | |
CN115809364B (zh) | 对象推荐方法和模型训练方法 | |
CN115033782B (zh) | 推荐对象的方法、机器学习模型的训练方法、装置和设备 | |
CN113420227B (zh) | 点击率预估模型的训练方法、预估点击率的方法、装置 | |
CN112559883B (zh) | 用于评估推荐***的方法、装置、电子设备以及可读介质 | |
CN114861071B (zh) | 对象推荐方法和装置 | |
CN114140851B (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
CN113722534B (zh) | 视频推荐方法和装置 | |
CN113535958B (zh) | 生产线索聚合方法、装置及***、电子设备和介质 | |
CN113536120B (zh) | 基于用户行为的兴趣点召回方法和装置 | |
CN116070711B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN115587228B (zh) | 对象查询方法、对象存储方法及装置 |
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 |