TWI777015B - 資訊推薦的方法、裝置及設備 - Google Patents

資訊推薦的方法、裝置及設備 Download PDF

Info

Publication number
TWI777015B
TWI777015B TW107147680A TW107147680A TWI777015B TW I777015 B TWI777015 B TW I777015B TW 107147680 A TW107147680 A TW 107147680A TW 107147680 A TW107147680 A TW 107147680A TW I777015 B TWI777015 B TW I777015B
Authority
TW
Taiwan
Prior art keywords
information
user
wide
service
deep
Prior art date
Application number
TW107147680A
Other languages
English (en)
Other versions
TW201939404A (zh
Inventor
劉海旭
Original Assignee
開曼群島商創新先進技術有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 開曼群島商創新先進技術有限公司 filed Critical 開曼群島商創新先進技術有限公司
Publication of TW201939404A publication Critical patent/TW201939404A/zh
Application granted granted Critical
Publication of TWI777015B publication Critical patent/TWI777015B/zh

Links

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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本說明書揭露一種資訊推薦的方法、裝置及設備，該方法中可以獲取靜態資訊和動態資訊，其中，該靜態資訊包括用戶的固定資訊和/或各服務資訊對應的固定資訊，動態資訊包括各歷史服務資訊被各用戶執行操作的操作記錄和/或該用戶目前時刻所處環境的環境屬性資訊中的至少一種。而後，可以將獲取到的靜態資訊輸入到預先訓練的Wide&Deep模型中的Wide線性模型中，將獲取到的動態資訊輸入到該Wide&Deep模型中的Deep深度學習模型中，以得到Wide&Deep模型的輸入結果，進而根據該輸出結果，確定出推薦給該用戶的服務資訊，並推薦給該用戶。

Description

資訊推薦的方法、裝置及設備
本說明書涉及電腦技術領域，尤其涉及一種資訊推薦的方法、裝置及設備。
為了向用戶提供更為優質的服務，目前，諸多服務商可以向用戶推送多種服務資訊，如廣告、優惠券等，以使用戶能夠根據服務商推送的服務資訊，進行更有目的性的消費。 在實際應用中，伺服器通常會根據用戶目前所處的位置，向用戶推薦與該用戶目前所處位置相關的廣告、優惠券等服務資訊。然而，僅基於地理位置這一單一維度來向用戶推薦服務資訊，可能並不能很好的滿足用戶實際的自身需求。 基於現有技術，需要更為準確的資訊推薦的方式。
本說明書提供一種資訊推薦的方法，用以解決現有技術的資訊推薦方式無法準確、有效的向用戶推薦所需資訊的問題。 本說明書提供了一種資訊推薦的方法，包括： 獲取靜態資訊以及動態資訊，所述靜態資訊包括用戶的固定資訊和/或各服務資訊對應的固定資訊，所述動態資訊包括各歷史服務資訊被各用戶執行操作的操作記錄和/或所述用戶目前時刻所處環境的環境屬性資訊中的至少一種； 將所述靜態資訊輸入到預先訓練的Wide&Deep模型中的Wide線性模型中，將所述動態資訊輸入到預先訓練的Wide&Deep模型中的Deep深度學習模型中，以得到所述Wide&Deep模型的輸出結果； 根據所述輸出結果，確定推薦給所述用戶的服務資訊，並推薦給所述用戶。 本說明書提供一種資訊推薦的裝置，用以解決現有技術的資訊推薦方式無法準確、有效的向用戶推薦所需資訊的問題。 本說明書提供了一種資訊推薦的裝置，包括： 資訊獲取模組，獲取靜態資訊以及動態資訊，所述靜態資訊包括用戶的固定資訊和/或各服務資訊對應的固定資訊，所述動態資訊包括各歷史服務資訊被各用戶執行操作的操作記錄和/或所述用戶目前時刻所處環境的環境屬性資訊中的至少一種； 輸入模組，將所述靜態資訊輸入到預先訓練的Wide&Deep模型中的Wide線性模型中，將所述動態資訊輸入到預先訓練的Wide&Deep模型中的Deep深度學習模型中，以得到所述Wide&Deep模型的輸出結果； 資訊推薦模組，根據所述輸出結果，確定推薦給所述用戶的服務資訊，並推薦給所述用戶。 本說明書提供一種資訊推薦的設備，用以解決現有技術的資訊推薦方式無法準確、有效的向用戶推薦所需資訊的問題。 本說明書提供了一種資訊推薦的設備，包括一個或多個記憶體以及處理器，所述記憶體儲存程式，並且被配置成由所述一個或多個處理器執行以下步驟： 獲取靜態資訊以及動態資訊，所述靜態資訊包括用戶的固定資訊和/或各服務資訊對應的固定資訊，所述動態資訊包括各歷史服務資訊被各用戶執行操作的操作記錄和/或所述用戶目前時刻所處環境的環境屬性資訊中的至少一種； 將所述靜態資訊輸入到預先訓練的Wide&Deep模型中的Wide線性模型中，將所述動態資訊輸入到預先訓練的Wide&Deep模型中的Deep深度學習模型中，以得到所述Wide&Deep模型的輸出結果； 根據所述輸出結果，確定推薦給所述用戶的服務資訊，並推薦給所述用戶。 本說明書採用的上述至少一個技術方案能夠達到以下有益效果： 在本說明書一個或多個實施例中，可以獲取靜態資訊和動態資訊，其中，該靜態資訊包括用戶的固定資訊和/或各服務資訊對應的固定資訊，動態資訊包括各歷史服務資訊被各用戶執行操作的操作記錄和/或該用戶目前時刻所處環境的環境屬性資訊中的至少一種。而後，可以將獲取到的靜態資訊輸入到預先訓練的Wide&Deep模型中的Wide線性模型中，將獲取到的動態資訊輸入到該Wide&Deep模型中的Deep深度學習模型中，以得到Wide&Deep模型的輸入結果，進而根據該輸出結果，確定出推薦給該用戶的服務資訊，並推薦給該用戶。 從上述方法中可以看出，由於可以將諸如用戶的固定資訊、各服務資訊對應的固定資訊等靜態資訊，和用戶目前時刻所處環境的環境屬性資訊、各歷史服務資訊被各用戶執行操作的操作記錄等動態資訊相結合，以確定推薦給用戶的服務資訊，因此，相對於透過單一維度的資訊來確定向用戶推薦服務資訊的方式來說，能夠更加準確的向用戶推薦用戶實際所需的服務資訊，從而給用戶帶來了極大得到方便。
為了使本技術領域的人員更好地理解本說明書一個或多個實施例中的技術方案，下面將結合本說明書一個或多個實施例中的圖式，對本說明書一個或多個實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本說明書一部分實施例，而不是全部的實施例。基於本說明書中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都應當屬於本說明書保護的範圍。 在本說明書中，執行上述資訊推薦方法的執行主體可以是伺服器，也可以是終端設備，而為了方便進行描述，下面將僅以伺服器為執行主體，對本說明書提供的資訊推薦的方法進行說明。 圖1為本說明書提供的資訊推薦的過程示意圖，具體包括以下步驟： S100：獲取靜態資訊以及動態資訊，所述靜態資訊包括用戶的固定資訊和/或各服務資訊對應的固定資訊，所述動態資訊包括各歷史服務資訊被各用戶執行操作的操作記錄和/或所述用戶目前時刻所處環境的環境屬性資訊中的至少一種。 在本說明書中，伺服器可以結合多種維度的資訊，來確定出用戶所需的服務資訊，並推薦給用戶進行查看。這裡提到的多種維度的資訊大致可以分為兩類，一類可以歸結為是靜態資訊，另一類可以歸結為是動態資訊。 其中，這裡提到的靜態資訊可以是能夠有效表明用戶或是服務資訊固有特性，且不經常發生變化的資訊。例如，對於用戶的年齡、學歷、性別、住址等這些資訊來說，其發生變化的時間間隔通常較長，並且，這些資訊能夠有效的表徵出該用戶的一些固有特性。再例如，對於服務資訊來說，發佈該服務資訊的服務商所處的地區、該服務資訊的有效時間(一般來說，服務資訊一經發佈，其有效時間將不會發生變化)、發佈該服務資訊的服務商對應的店鋪數，該服務商的商家規模等資訊的變化週期通常較長，所以，服務資訊對應的這些固定資訊可以歸結為靜態資訊。 在本說明書中，用戶的固定資訊能夠在一定程度上有效的反映出用戶的實際需求、喜好、可能關注的資訊有哪些等情況。例如，對於不同年齡層的用戶來說，其關注的資訊往往差別較大，年齡較小的用戶往往更加關注一些時尚的話題，而年齡相對較大的用戶往往更加關注一些健康方面的話題。再例如，一個用戶的學歷程度，往往能夠在一定程度上反映出該用戶的收入狀況，對於學歷較低的用戶來說，其收入狀況往往較差，相對應的，學歷較高的用戶往往收入較高。而收入較低的用戶可能會更加關注一些商品促銷的資訊，而收入較高的用戶可能會更加關注一些高端商品的資訊。 透過上述示例可以看出，用戶的固定資訊，往往能夠在一定程度上反映出該用戶的實際需求、關注有些類資訊等情況，因此可以將用戶的固定資訊作為靜態資訊，用於確定向用戶推薦何種服務資訊。在本說明書中，用戶的固定資訊除了上述舉出的幾種示例外，還也可以包括諸如用戶執行過的業務的業務類別、信用度、會員積分等資訊，在此就不一一舉例說明了。 同理，在實際應用中，用戶青睞於何種服務資訊，往往也與服務資訊本身的一些固有特性有關。例如，對於一些知名服務商推薦的服務資訊，用戶往往更加的關注；再例如，不同服務商向用戶推薦的優惠券，其展示形式往往不同，有些服務商展示優惠券的模板較為新穎、絢麗，其展示的優惠券受歡迎的程度較高，相應的，領取優惠券的用戶人數也較多。而有些服務商展示優惠券的模板較為普通，無法有效的吸引用戶的目光，因此受歡迎程度較低，領取優惠券的用戶也相對較少。 因此，本說明書中，可以將各服務資訊對應的固定資訊作為靜態資訊，來確定哪種服務資訊更為受用戶歡迎，從而推薦給用戶。其中，這裡提到的各服務資訊對應的固定資訊除了上述幾種示例外，還可以是其他形式的資訊，例如，各服務資訊所對應的服務類別(如對於各餐廳來說，有些餐廳向用戶提供的是吃西餐的優惠券，而有些則是提供吃中餐的優惠券。因此，優惠券提供的是西餐優惠還是中餐優惠，則可以稱之為優惠券的服務類別。再例如，商場推出的購買服飾的優惠券和購買電子產品的優惠券所針對的優惠商品屬於不同的類別，因此，可以將優惠券提供的是服飾優惠還是電子產品優惠，稱之為優惠券的服務類別)、發佈各服務資訊的服務商的關注度等，在此就不進行詳細舉例說明了。 上述提到的動態資訊可以是指變化週期相對較短，且能夠對用戶的實際需求造成一定影響的資訊。例如，用戶在查看目前時刻各商家所推出的優惠券時，通常只會對離自身目前位置較近的商家所推出的優惠券較為感興趣。再例如，用戶身處境外查看一些境外景區的優惠券時，往往會結合目前的季節(與用戶的學歷、年齡等資訊相比，季節的變化週期相對較短)，選擇適合在目前季節出行遊玩的景區的優惠券。 因此，在本說明書中，可以將用戶目前時刻所處環境的環境屬性資訊作為動態資訊，並以此為依據，確定出符合用戶實際需求的服務資訊並推薦給用戶。其中，這裡提到的用戶目前時刻所處環境的環境屬性資訊可以包括：目前時刻的天氣資訊、用戶目前時刻所處位置與各服務商之間的距離。 當然，除了上述舉例說明的幾種資訊外，這裡提到的環境屬性資訊也可以是其他形式的資訊，如，目前的月份、季節，節日資訊等，在此就不詳細舉例說明了。 對於各歷史服務資訊被各用戶執行操作的操作記錄來說，該操作記錄在過去一段時間內變化的週期通常較短，並且，透過該操作記錄，能夠側面的瞭解到用戶對各服務資訊的感興趣程度。例如，假設用戶透過手機，領取了10家餐廳提供的就餐優惠券，但是，實際使用的只有4家餐廳提供的就餐優惠券，而領取的其餘就餐優惠券則不進行使用。所以，從這一層面上，能夠有效的得出用戶可能對這4家餐廳的就餐環境、菜式、人均消費更容易接受，感興趣的程度較高，而對於其餘的6家餐廳來說，感興趣的程度則相對較低。 基於此，在本說明書中，可以將表徵用戶操作歷史服務資訊的操作狀況的操作記錄，用於確定何種服務資訊更為受用戶的歡迎，進入推薦給用戶。其中，這裡提到的操作記錄可以包括：各歷史服務資訊被給用戶執行瀏覽的次數、各歷史服務資訊被用戶執行使用操作的次數、各歷史服務資訊被用戶執行選取操作的次數等。例如，服務商發佈的優惠券被用戶點擊的次數、被用戶領取的次數、被用戶使用的次數等。而這裡提到的各歷史服務資訊被用戶執行瀏覽的次數，可以是指每個歷史服務資訊在過去一段時間內被各用戶瀏覽的總次數，也可以是指每個歷史服務資訊在過去的每個單位時間(如、一小時、一天等)中被瀏覽的次數。 同理，各歷史服務資訊被用戶執行使用操作(或選取操作)的次數也可以是指每個歷史服務資訊在過去一段時間內被各用戶執行使用操作(或選取操作)的總次數，或是在過去的每個單位時間中被執行使用操作(或選取操作)的次數。 需要說明的是，在本說明書中，對於用戶的固定資訊，伺服器可以根據用戶所註冊的用戶帳號，確定出用戶的固定資訊。同理，對於各服務資訊對應的固定資訊，伺服器也可以透過各服務商的帳號資訊進行確定。 而對於用戶目前時刻所處環境的環境屬性資訊來說，伺服器可以確定出目前時刻滿足預設觸發條件時，獲取該環境屬性資訊。例如，當伺服器監測到用戶透過該用戶的用戶帳號進行登錄時，則可以確定目前時刻滿足預設觸發條件，進而觸發獲取該用戶目前時刻所處環境的環境屬性資訊；再例如，當伺服器監測到目前時刻到達預設時刻時，則確定目前時刻滿足預設觸發條件，進而獲取該用戶目前時刻所處環境的環境屬性資訊。 對於上述提到的操作記錄來說，伺服器可以時刻記錄用戶操作服務資訊的操作狀況，並保存在相應的操作日誌中，以在後續過程中，透過保存的操作日誌中的操作記錄，確定向用戶推薦的服務資訊。例如，用戶透過終端查看到伺服器發送的優惠券時，伺服器可以對用戶對該優惠券所實施的操作進行記錄，記錄內容包括：用戶是否點擊瀏覽了該優惠券的詳細優惠資訊、是否領取了該優惠券、是否使用了該優惠券等。 伺服器在確定各服務資訊對應的固定資訊之前，可以透過預設的篩選方式，選取出一些備選服務資訊，而後，在進一步的確定出這些備選服務資訊對應的固定資訊，並在後續過程中，將確定出的固定資訊輸入到預先訓練的Wide&Deep模型中。其中，這裡提到的篩選備選服務資訊的方式可以有很多，例如，伺服器可以確定出用戶目前時刻所處的位置，進而將距離該位置設定距離內的各服務商所提供的優惠券作為備選服務資訊；再例如，伺服器可以確定出目前各服務商提供的優惠券的已領取數量，進而將已領取數量高出設定數量的優惠券作為備選服務資訊。 S102：將所述靜態資訊輸入到預先訓練的Wide&Deep模型中的Wide線性模型中，將所述動態資訊輸入到預先訓練的Wide&Deep模型中的Deep深度學習模型中，以得到所述Wide&Deep模型的輸出結果。 在本說明書中，伺服器可以透過預先訓練的Wide&Deep模型，來確定需要將哪些服務資訊推薦給用戶。其中，該Wide&Deep模型的一大特點是同時兼具記憶能力和泛化能力。所謂的記憶能力是指能夠透過歷史資料，推測出與歷史資料關聯性較強的資料。例如，伺服器透過用戶過去領取的優惠券的種類，向用戶推薦同種類的優惠券。而泛化能力是指可以透過歷史資料以及資料相關性的遷移，預測出之前幾乎從未出現過的新的資料。例如，伺服器透過用戶過去領取的優惠券的種類，分析出用戶可能對另一些種類的優惠券感興趣，進而推薦給用戶。其中，這裡提到的另一些種類可能是之前從未出現過的種類。 透過該Wide&Deep模型，可以在確保向用戶推薦符合用戶喜好的服務資訊的情況下，可以進一步增強服務資訊的多樣性，以給用戶提供更多的選擇，從而給用戶帶來了良好的用戶體驗。 伺服器確定出上述說明的靜態資訊和動態資訊後，可以將該靜態資訊輸入到該Wide&Deep模型中的Wide線性模型中，同時，將該動態資訊輸入到該Wide&Deep模型中的Deep深度學習模型中，以得到該Wide&Deep模型的輸出結果，如圖2所示。 圖2為本說明書提供的透過Wide&Deep模型對伺服器獲取到的靜態資訊和動態資訊進行處理，得到輸出結果的示意圖。 伺服器可以將獲取到的靜態資訊和動態資訊分別輸入到Wide&Deep模型中的Wide線性模型和Deep深度學習模型，而後，可以將這兩個模型輸出的結果進行加權求和，並將經過加權求和後得到的結果輸入到預設的損失函數中，最終得到該Wide&Deep模型的輸出結果。其中，這裡提到的損失函數沒有具體的限制。 其中，將上述靜態資訊輸入到Wide線性模型中，是為了能夠透過該靜態資訊以及利用該Wide模型所具備的記憶能力，綜合分析出用戶通常對哪些(或哪類)服務資訊較為感興趣。而將上述動態資訊輸入到Deep深度學習模型中，是為了能夠該動態資訊，以及利用該Deep深度學習模型所具備的泛化能力，綜合分析出用戶可能還會對哪些(哪類)服務資訊感興趣。換句話說，本說明書中認為，上述提到的幾種動態資訊具備能夠使Deep深度學習模型進行泛化分析的泛化條件。 上述Wide&Deep模型的輸出結果可以推薦評分的形式出現。具體的，伺服器將上述靜態資訊和動態資訊輸入到該Wide&Deep模型後，該Wide&Deep模型透過對這些資訊進行處理，可以得到針對各個服務資訊的推薦評分，以透過得到的推薦評分，確定出需要將哪些服務資訊推薦給該用戶。其中，這裡提到的各個服務資訊可以是所有服務商目前時刻提供的服務資訊，也可以是上述提到的備選服務資訊。 需要說明的是，在使用上述Wide&Deep模型之前，需要對該Wide&Deep模型進行訓練。其中，伺服器可以獲取歷史資料，並將獲取到的歷史資料拆分成訓練樣本和驗證樣本。可以透過該訓練樣本，對該Wide&Deep模型進行訓練，而後再透過該驗證樣本，對訓練後的Wide&Deep模型進行驗證。 上述提到的歷史資料可以是指：發佈在過去歷史中的若干歷史服務資訊對應的固定資訊、若干用戶的個人資訊、該若干用戶在過去歷史所處環境的環境屬性資訊以及該若干歷史服務資訊被各用戶執行操作的歷史操作記錄、該若干用戶實際選擇的服務資訊等。其中，這裡提到的若干用戶可以是伺服器隨意選取的，沒有具體的限制。 相應的，伺服器可以將發佈在過去歷史中的若干歷史服務資訊對應的固定資訊、若干用戶的個人資訊、該若干用戶在過去歷史所處環境的環境屬性資訊以及該若干歷史服務資訊被各用戶執行操作的歷史操作記錄這些資訊作為訓練樣本，而將該若干用戶實際選擇的服務資訊作為驗證樣本，以對該Wide&Deep模型進行訓練。 從時間維度上來說，伺服器選取出的這些驗證樣本可以是指發佈時間位於設定時間之後的歷史資料，而上述訓練樣本在可以是指發佈時間位於該設定時間之前的歷史資料。例如，假設伺服器可以將各服務商在A年3月中提供的各優惠券對應的固定資訊、N個用戶操作A年3月中各優惠券的操作記錄、N個用戶在A年3月中所處環境的環境屬性資訊以及這N個用戶的固定資訊作為訓練樣本。同時，伺服器可以將A年3月後的這N個用戶實際使用的各優惠券作為驗證樣本，以對該Wide&Deep模型進行訓練。這裡提到的A年3月即為該設定時間。這樣一來即實現了透過歷史資料預測未來資料的目的，從而提高了伺服器向用戶推薦的服務資訊的可用性。 在本說明書中，可以透過一定的評價方式，對該Wide&Deep模型的資訊推薦能力進行評價，並透過該評價方式，確定出該Wide&Deep模型到達預設的訓練目標時，將該Wide&Deep模型進行上線。其中，這裡提到的評價方式可以有多種，如，可以透過上述提到的訓練樣本和驗證樣本，來測試該Wide&Deep模型推薦服務資訊的準確率，當該Wide&Deep模型推薦服務資訊的準確率達到設定準確率時，則確定該Wide&Deep模型達到了預設的訓練目標。當然，也可以透過諸如常用的AUC模型評價指標等評價方式，來對該Wide&Deep模型進行評價，在此就不一一舉例說明了。 S104：根據所述輸出結果，確定推薦給所述用戶的服務資訊，並推薦給所述用戶。 伺服器得到上述輸出結果後，可以透過該輸出結果，確定出需要將哪些服務資訊推薦給該用戶，進而將確定出的這些服務資訊推薦給用戶進行瀏覽、操作。 具體的，伺服器透過該Wide&Deep模型確定出各服務資訊的推薦評分後，可以將不小於設定推薦評分的服務資訊推薦給用戶。當然，也可以透過其他的方式，確定出將哪些服務資訊推薦給用戶。例如，伺服器確定出各服務資訊的推薦評分後，可以按照各推薦評分，將各服務資訊進行排序，進而將排序在設定位置之前的服務資訊推薦給用戶。 從上述方法中可以看出，由於可以將諸如用戶的固定資訊、各服務資訊對應的固定資訊等靜態資訊，和用戶目前時刻所處環境的環境屬性資訊、各歷史服務資訊被各用戶執行操作的操作記錄等動態資訊相結合，以確定推薦給用戶的服務資訊，因此，相對於透過單一維度的資訊來確定向用戶推薦服務資訊的方式來說，能夠更加準確的向用戶推薦用戶實際所需的服務資訊，從而給用戶帶來了極大得到方便。 需要說明的是，在本說明書中，伺服器可以每過一段時間，即將該段時間的資訊(即上述提到能夠作為訓練樣本和驗證樣本的歷史資料)作為訓練樣本和驗證樣本，對該Wide&Deep模型進行訓練，並將訓練得到的Wide&Deep模型及時進行線上更新，以透過這種自動學習的方式保證Wide&Deep模型推薦服務資訊的準確性。例如，伺服器每過5天，即可將這5天中前4天的資訊作為訓練樣本，第5天的資訊作為驗證樣本，對該Wide&Deep模型進行訓練，以使訓練得到的Wide&Deep模型能夠盡可能的滿足用戶近期獲取服務資訊的需求。 以上為本說明書的一個或多個實施例提供的資訊推薦的方法，基於同樣的思路，本說明書還提供了相應的資訊推薦的裝置，如圖3所示。 圖3為本說明書提供的一種資訊推薦的裝置示意圖，具體包括： 資訊獲取模組301，獲取靜態資訊以及動態資訊，所述靜態資訊包括用戶的固定資訊和/或各服務資訊對應的固定資訊，所述動態資訊包括各歷史服務資訊被各用戶執行操作的操作記錄和/或所述用戶目前時刻所處環境的環境屬性資訊中的至少一種； 輸入模組302，將所述靜態資訊輸入到預先訓練的Wide&Deep模型中的Wide線性模型中，將所述動態資訊輸入到預先訓練的Wide&Deep模型中的Deep深度學習模型中，以得到所述Wide&Deep模型的輸出結果； 資訊推薦模組303，根據所述輸出結果，確定推薦給所述用戶的服務資訊，並推薦給所述用戶。 所述用戶的固定資訊包括：所述用戶的年齡、學歷、性別、住址、所述用戶執行業務的業務類別中的至少一種； 所述各服務資訊對應的固定資訊包括：發佈所述各服務資訊的各服務商所處的地區、所述各服務資訊的有效時間、所述各服務商對應的店鋪數、所述各服務商對應的商家規模中的至少一種； 所述用戶在目前時刻所處環境的環境屬性資訊包括：所述目前時刻的天氣資訊、所述用戶在目前時刻所處的位置與所述各服務商之間的距離中的至少一種； 所述操作記錄包括：各歷史服務資訊被各用戶執行瀏覽的次數、各歷史服務資訊被用戶執行使用操作的次數、各歷史服務資訊被用戶執行選取操作的次數中的至少一種。 所述Wide&Deep模型的輸出結果包括：所述Wide&Deep模型針對所述各服務資訊得出的推薦評分； 所述資訊推薦模組303，將不小於設定推薦評分的服務資訊推薦給所述用戶。 所述裝置還包括： 訓練模組304，將歷史資料拆分成訓練樣本和驗證樣本；透過所述訓練樣本對所述Wide&Deep模型進行訓練，並透過所述驗證樣本對訓練後的Wide&Deep模型進行驗證。 所述訓練模組304，將位於設定時間之前的歷史資料作為訓練樣本，將位於所述設定時間之後的歷史資料作為驗證樣本。 所述服務資訊包括：優惠券。 基於上述說明的資訊推薦的方法，本說明書還對應提供了一種用於資訊推薦的設備，如圖4所示。該設備包括一個或多個記憶體以及處理器，所述記憶體儲存程式，並且被配置成由所述一個或多個處理器執行以下步驟： 獲取靜態資訊以及動態資訊，所述靜態資訊包括用戶的固定資訊和/或各服務資訊對應的固定資訊，所述動態資訊包括各歷史服務資訊被各用戶執行操作的操作記錄和/或所述用戶目前時刻所處環境的環境屬性資訊中的至少一種； 將所述靜態資訊輸入到預先訓練的Wide&Deep模型中的Wide線性模型中，將所述動態資訊輸入到預先訓練的Wide&Deep模型中的Deep深度學習模型中，以得到所述Wide&Deep模型的輸出結果； 根據所述輸出結果，確定推薦給所述用戶的服務資訊，並推薦給所述用戶。 在本說明書的一個或多個實施例中，可以獲取靜態資訊和動態資訊，其中，該靜態資訊包括用戶的固定資訊和/或各服務資訊對應的固定資訊，動態資訊包括各歷史服務資訊被各用戶執行操作的操作記錄和/或該用戶目前時刻所處環境的環境屬性資訊中的至少一種。而後，可以將獲取到的靜態資訊輸入到預先訓練的Wide&Deep模型中的Wide線性模型中，將獲取到的動態資訊輸入到該Wide&Deep模型中的Deep深度學習模型中，以得到Wide&Deep模型的輸入結果，進而根據該輸出結果，確定出推薦給該用戶的服務資訊，並推薦給該用戶。 從上述方法中可以看出，由於可以將諸如用戶的固定資訊、各服務資訊對應的固定資訊等靜態資訊，和用戶目前時刻所處環境的環境屬性資訊、各歷史服務資訊被各用戶執行操作的操作記錄等動態資訊相結合，以確定推薦給用戶的服務資訊，因此，相對於透過單一維度的資訊來確定向用戶推薦服務資訊的方式來說，能夠更加準確的向用戶推薦用戶實際所需的服務資訊，從而給用戶帶來了極大得到方便。 在20世紀90年代，對於一個技術的改進可以很明顯地區分是硬體上的改進(例如，對二極體、電晶體、開關等電路結構的改進)還是軟體上的改進(對於方法流程的改進)。然而，隨著技術的發展，當今的很多方法流程的改進已經可以視為硬體電路結構的直接改進。設計人員幾乎都透過將改進的方法流程程式化到硬體電路中來得到相應的硬體電路結構。因此，不能說一個方法流程的改進就不能用硬體實體模組來實現。例如，可程式化邏輯器件(Programmable Logic Device, PLD)(例如現場可程式化閘陣列(Field Programmable Gate Array, FPGA))就是這樣一種積體電路，其邏輯功能由用戶對器件程式化來確定。由設計人員自行程式化來把一個數位系統“整合”在一片PLD上，而不需要請晶片製造廠商來設計和製作專用的積體電路晶片。而且，如今，取代手工地製作積體電路晶片，這種程式化也多半改用“邏輯編譯器(logic compiler)”軟體來實現，它與程式開發撰寫時所用的軟體編譯器相類似，而要編譯之前的原始碼也得用特定的程式化語言來撰寫，此稱之為硬體描述語言(Hardware Description Language, HDL)，而HDL也並非僅有一種，而是有許多種，如ABEL (Advanced Boolean Expression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL (Cornell University Programming Language)、HDCal、JHDL (Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware Description Language)等，目前最普遍使用的是VHDL(Very-High-Speed Integrated Circuit Hardware Description Language)與Verilog。本領域技術人員也應該清楚，只需要將方法流程用上述幾種硬體描述語言稍作邏輯程式化並程式化到積體電路中，就可以很容易得到實現該邏輯方法流程的硬體電路。 控制器可以按任何適當的方式實現，例如，控制器可以採取例如微處理器或處理器以及儲存可由該(微)處理器執行的電腦可讀程式碼(例如軟體或韌體)的電腦可讀媒體、邏輯閘、開關、專用積體電路(Application Specific Integrated Circuit, ASIC)、可程式化邏輯控制器和嵌入微控制器的形式，控制器的例子包括但不限於以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，記憶體控制器還可以被實現為記憶體的控制邏輯的一部分。本領域技術人員也知道，除了以純電腦可讀程式碼方式實現控制器以外，完全可以透過將方法步驟進行邏輯程式化來使得控制器以邏輯閘、開關、專用積體電路、可程式化邏輯控制器和嵌入微控制器等的形式來實現相同功能。因此這種控制器可以被認為是一種硬體部件，而對其內包括的用於實現各種功能的裝置也可以視為硬體部件內的結構。或者甚至，可以將用於實現各種功能的裝置視為既可以是實現方法的軟體模組又可以是硬體部件內的結構。 上述實施例闡明的系統、裝置、模組或單元，具體可以由電腦晶片或實體實現，或者由具有某種功能的產品來實現。一種典型的實現設備為電腦。具體的，電腦例如可以為個人電腦、膝上型電腦、蜂窩電話、相機電話、智慧電話、個人數位助理、媒體播放器、導航設備、電子郵件設備、遊戲控制台、平板電腦、可穿戴設備或者這些設備中的任何設備的組合。 為了描述的方便，描述以上裝置時以功能分為各種單元分別描述。當然，在實施本說明書時可以把各單元的功能在同一個或多個軟體和/或硬體中實現。 本領域內的技術人員應明白，本說明書的實施例可提供為方法、系統、或電腦程式產品。因此，本說明書可採用完全硬體實施例、完全軟體實施例、或結合軟體和硬體方面的實施例的形式。而且，本說明書可採用在一個或多個其中包含有電腦可用程式碼的電腦可用儲存媒體(包括但不限於磁碟記憶體、CD-ROM、光學記憶體等)上實施的電腦程式產品的形式。 本說明書是參照根據本說明書一個或多個實施例的方法、設備(系統)、和電腦程式產品的流程圖和／或方塊圖來描述的。應理解可由電腦程式指令實現流程圖和／或方塊圖中的每一流程和／或方塊、以及流程圖和／或方塊圖中的流程和／或方塊的結合。可提供這些電腦程式指令到通用電腦、專用電腦、嵌入式處理機或其他可程式化資料處理設備的處理器以產生一個機器，使得透過電腦或其他可程式化資料處理設備的處理器執行的指令產生用於實現在流程圖一個流程或多個流程和／或方塊圖一個方塊或多個方塊中指定的功能的裝置。 這些電腦程式指令也可儲存在能引導電腦或其他可程式化資料處理設備以特定方式工作的電腦可讀記憶體中，使得儲存在該電腦可讀記憶體中的指令產生包括指令裝置的製造品，該指令裝置實現在流程圖一個流程或多個流程和／或方塊圖一個方塊或多個方塊中指定的功能。 這些電腦程式指令也可裝載到電腦或其他可程式化資料處理設備上，使得在電腦或其他可程式化設備上執行一系列操作步驟以產生電腦實現的處理，從而在電腦或其他可程式化設備上執行的指令提供用於實現在流程圖一個流程或多個流程和／或方塊圖一個方塊或多個方塊中指定的功能的步驟。 在一個典型的配置中，計算設備包括一個或多個處理器(CPU)、輸入/輸出介面、網路介面和記憶體。 記憶體可能包括電腦可讀媒體中的非永久性記憶體，隨機存取記憶體(RAM)和/或非揮發性記憶體等形式，如唯讀記憶體(ROM)或快閃記憶體(flash RAM)。記憶體是電腦可讀媒體的示例。 電腦可讀媒體包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術來實現資訊儲存。資訊可以是電腦可讀指令、資料結構、程式的模組或其他資料。電腦的儲存媒體的例子包括，但不限於相變記憶體(PRAM)、靜態隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、其他類型的隨機存取記憶體(RAM)、唯讀記憶體(ROM)、電可擦除可程式化唯讀記憶體(EEPROM)、快閃記憶體或其他記憶體技術、唯讀光碟唯讀記憶體(CD-ROM)、數位多功能光碟(DVD)或其他光學儲存、磁盒式磁帶，磁帶磁碟儲存或其他磁性儲存設備或任何其他非傳輸媒體，可用於儲存可以被計算設備存取的資訊。按照本文中的界定，電腦可讀媒體不包括暫存電腦可讀媒體(transitory media)，如調變的資料信號和載波。 還需要說明的是，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、商品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、商品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，並不排除在包括所述要素的過程、方法、商品或者設備中還存在另外的相同要素。 本說明書可以在由電腦執行的電腦可執行指令的一般上下文中描述，例如程式模組。一般地，程式模組包括執行特定任務或實現特定抽象資料類型的例程、程式、對象、組件、資料結構等等。也可以在分布式計算環境中實踐本說明書的一個或多個實施例，在這些分散式計算環境中，由透過通信網路而被連接的遠端處理設備來執行任務。在分散式計算環境中，程式模組可以位於包括儲存設備在內的本地和遠端電腦儲存媒體中。 本說明書中的各個實施例均採用遞進的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對於系統實施例而言，由於其基本相似於方法實施例，所以描述的比較簡單，相關之處參見方法實施例的部分說明即可。 上述對本說明書特定實施例進行了描述。其它實施例在所附申請專利範圍的範圍內。在一些情況下，在申請專利範圍中記載的動作或步驟可以按照不同於實施例中的順序來執行並且仍然可以實現期望的結果。另外，在圖式中描繪的過程不一定要求示出的特定順序或者連續順序才能實現期望的結果。在某些實施方式中，多任務處理和並行處理也是可以的或者可能是有利的。 以上所述僅為本說明書的一個或多個實施例而已，並不用於限制本說明書。對於本領域技術人員來說，本說明書的一個或多個實施例可以有各種更改和變化。凡在本說明書的一個或多個實施例的精神和原理之內所作的任何修改、等同替換、改進等，均應包含在本說明書的申請專利範圍的範疇之內。
S100，S102，S104‧‧‧步驟 301‧‧‧資訊獲取模組 302‧‧‧輸入模組 303‧‧‧資訊推薦模組 304‧‧‧訓練模組
此處所說明的圖式用來提供對本說明書的進一步理解，構成本說明書的一部分，本說明書的示意性實施例及其說明用於解釋本說明書，並不構成對本說明書的不當限定。在圖式中： 圖1為本說明書提供的資訊推薦的過程示意圖； 圖2為本說明書提供的透過Wide&Deep模型對伺服器獲取到的靜態資訊和動態資訊進行處理，得到輸出結果的示意圖； 圖3本說明書提供的資訊推薦的裝置示意圖； 圖4為本說明書提供的資訊推薦的設備示意圖。

Claims (5)

  1. 一種資訊推薦的方法，包括：獲取靜態資訊以及動態資訊，所述靜態資訊包括用戶的固定資訊和/或各服務資訊對應的固定資訊，其中所述用戶的固定資訊與用戶的個人資訊相關聯，且所述各服務資訊對應的固定資訊和各服務商提供的服務的資訊相關聯，所述動態資訊包括各歷史服務資訊被各用戶執行操作的操作記錄和/或所述用戶目前時刻所處環境的環境屬性資訊中的至少一種，其中，相對於所述靜態資訊，所述動態資訊的變化週期短，其中，所述用戶的固定資訊包括：所述用戶的年齡、學歷、性別、住址、所述用戶執行業務的業務類別中的至少一種，其中，所述各服務資訊對應的固定資訊包括：發佈所述各服務資訊的各服務商所處的地區、所述各服務資訊的有效時間、所述各服務商對應的店鋪數、所述各服務商對應的商家規模中的至少一種，其中，所述用戶在目前時刻所處環境的環境屬性資訊包括：所述目前時刻的天氣資訊、所述用戶在目前時刻所處的位置與所述各服務商之間的距離中的至少一種，其中，所述操作記錄包括：各歷史服務資訊被各用戶執行瀏覽的次數、各歷史服務資訊被用戶執行使用操作的次數、各歷史服務資訊被用戶執行選取操作的次數中的至少一種；將所述靜態資訊輸入到預先訓練的Wide&Deep模型中的Wide線性模型中，將所述動態資訊輸入到預先訓練的所 述Wide&Deep模型中的Deep深度學習模型中，並且將所述Wide&Deep模型中的所述Wide線性模型的結果和所述Deep深度學習模型的結果進行加權求和後得到的結果輸入到預設的損失函數中，以得到所述Wide&Deep模型的輸出結果；其中，訓練所述Wide&Deep模型，具體包括：將歷史資料拆分成訓練樣本和驗證樣本，其中，將位於設定時間之前的歷史資料作為訓練樣本，將位於所述設定時間之後的歷史資料作為驗證樣本；透過所述訓練樣本對所述Wide&Deep模型進行訓練，並透過所述驗證樣本對訓練後的所述Wide&Deep模型進行驗證；根據所述輸出結果，確定推薦給所述用戶的服務資訊，並推薦給所述用戶，其中，所述服務資訊包括：優惠券；所述方法還包括：每過預設時間段，將所述時間段內的歷史資料作為訓練樣本和驗證樣本，對所述Wide&Deep模型進行訓練，將訓練得到的Wide&Deep模型及時進行線上更新。
  2. 如申請專利範圍第1項所述的方法，其中，所述Wide&Deep模型的所述輸出結果包括：所述Wide&Deep模型針對所述各服務資訊得出的推薦評分；根據所述輸出結果，確定推薦給所述用戶的服務資 訊，具體包括：將不小於設定推薦評分的服務資訊推薦給所述用戶。
  3. 一種資訊推薦的裝置，包括：資訊獲取模組，獲取靜態資訊以及動態資訊，所述靜態資訊包括用戶的固定資訊和/或各服務資訊對應的固定資訊，所述用戶的固定資訊與用戶的個人資訊相關聯，且所述各服務資訊對應的固定資訊和各服務商提供的服務的資訊相關聯，所述動態資訊包括各歷史服務資訊被各用戶執行操作的操作記錄和/或所述用戶目前時刻所處環境的環境屬性資訊中的至少一種，其中，相對於所述靜態資訊，所述動態資訊的變化週期短，其中，所述用戶的固定資訊包括：所述用戶的年齡、學歷、性別、住址、所述用戶執行業務的業務類別中的至少一種，其中，所述各服務資訊對應的固定資訊包括：發佈所述各服務資訊的各服務商所處的地區、所述各服務資訊的有效時間、所述各服務商對應的店鋪數、所述各服務商對應的商家規模中的至少一種，其中，所述用戶在目前時刻所處環境的環境屬性資訊包括：所述目前時刻的天氣資訊、所述用戶在目前時刻所處的位置與所述各服務商之間的距離中的至少一種，其中，所述操作記錄包括：各歷史服務資訊被各用戶執行瀏覽的次數、各歷史服務資訊被用戶執行使用操作的次數、各歷史服務資訊被用戶執行選取操作的次數中的至少一種； 輸入模組，將所述靜態資訊輸入到預先訓練的Wide&Deep模型中的Wide線性模型中，將所述動態資訊輸入到預先訓練的所述Wide&Deep模型中的Deep深度學習模型中，並且將所述Wide&Deep模型中的所述Wide線性模型的結果和所述Deep深度學習模型的結果進行加權求和後得到的結果輸入到預設的損失函數中，以得到所述Wide&Deep模型的輸出結果；訓練模組，將歷史資料拆分成訓練樣本和驗證樣本；其中，所述訓練模組，將位於設定時間之前的歷史資料作為訓練樣本，將位於所述設定時間之後的歷史資料作為驗證樣本，透過所述訓練樣本對所述Wide&Deep模型進行訓練，並透過所述驗證樣本對訓練後的所述Wide&Deep模型進行驗證；資訊推薦模組，根據所述輸出結果，確定推薦給所述用戶的服務資訊，並推薦給所述用戶，其中，所述服務資訊包括：優惠券所述訓練模組還用於，每過預設時間段，將所述時間段內的歷史資料作為訓練樣本和驗證樣本，對所述Wide&Deep模型進行訓練，將訓練得到的Wide&Deep模型及時進行線上更新。
  4. 如申請專利範圍第4項所述的裝置，其中，所述Wide&Deep模型的所述輸出結果包括：所述Wide&Deep模型針對所述各服務資訊得出的推薦評分； 所述資訊推薦模組，將不小於設定推薦評分的服務資訊推薦給所述用戶。
  5. 一種資訊推薦的設備，該設備包括一個或多個記憶體以及處理器，所述記憶體儲存程式，並且被配置成由所述一個或多個處理器執行以下步驟：獲取靜態資訊以及動態資訊，所述靜態資訊包括用戶的固定資訊和/或各服務資訊對應的固定資訊，所述用戶的固定資訊與用戶的個人資訊相關聯，且所述各服務資訊對應的固定資訊和各服務商提供的服務的資訊相關聯，所述動態資訊包括各歷史服務資訊被各用戶執行操作的操作記錄和/或所述用戶目前時刻所處環境的環境屬性資訊中的至少一種，其中，相對於所述靜態資訊，所述動態資訊的變化週期短，其中，所述用戶的固定資訊包括：所述用戶的年齡、學歷、性別、住址、所述用戶執行業務的業務類別中的至少一種，其中，所述各服務資訊對應的固定資訊包括：發佈所述各服務資訊的各服務商所處的地區、所述各服務資訊的有效時間、所述各服務商對應的店鋪數、所述各服務商對應的商家規模中的至少一種，其中，所述用戶在目前時刻所處環境的環境屬性資訊包括：所述目前時刻的天氣資訊、所述用戶在目前時刻所處的位置與所述各服務商之間的距離中的至少一種，其中，所述操作記錄包括：各歷史服務資訊被各用戶執行瀏覽的次數、各歷史服務資訊被用戶執行使用操作的次數、各歷史服務資訊被 用戶執行選取操作的次數中的至少一種；將所述靜態資訊輸入到預先訓練的Wide&Deep模型中的Wide線性模型中，將所述動態資訊輸入到預先訓練的所述Wide&Deep模型中的Deep深度學習模型中，並且將所述Wide&Deep模型中的所述Wide線性模型的結果和所述Deep深度學習模型的結果進行加權求和後得到的結果輸入到預設的損失函數中，以得到所述Wide&Deep模型的輸出結果；其中，訓練所述Wide&Deep模型，具體包括：將歷史資料拆分成訓練樣本和驗證樣本，其中，將位於設定時間之前的歷史資料作為訓練樣本，將位於所述設定時間之後的歷史資料作為驗證樣本；透過所述訓練樣本對所述Wide&Deep模型進行訓練，並透過所述驗證樣本對訓練後的所述Wide&Deep模型進行驗證；根據所述輸出結果，確定推薦給所述用戶的服務資訊，並推薦給所述用戶，其中，所述服務資訊包括：優惠券其中，每過預設時間段，將所述時間段內的歷史資料作為訓練樣本和驗證樣本，對所述Wide&Deep模型進行訓練，將訓練得到的Wide&Deep模型及時進行線上更新。
TW107147680A 2018-03-13 2018-12-28 資訊推薦的方法、裝置及設備 TWI777015B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201810203767.2 2018-03-13
CN201810203767.2A CN108596645B (zh) 2018-03-13 2018-03-13 一种信息推荐的方法、装置及设备
??201810203767.2 2018-03-13

Publications (2)

Publication Number Publication Date
TW201939404A TW201939404A (zh) 2019-10-01
TWI777015B true TWI777015B (zh) 2022-09-11

Family

ID=63626188

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107147680A TWI777015B (zh) 2018-03-13 2018-12-28 資訊推薦的方法、裝置及設備

Country Status (3)

Country Link
CN (1) CN108596645B (zh)
TW (1) TWI777015B (zh)
WO (1) WO2019174395A1 (zh)

Families Citing this family (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596645B (zh) * 2018-03-13 2021-09-21 创新先进技术有限公司 一种信息推荐的方法、装置及设备
CN109447244A (zh) * 2018-10-11 2019-03-08 中山大学 一种结合门控循环单元神经网络的广告推荐方法
CN109801100A (zh) * 2018-12-26 2019-05-24 北京达佳互联信息技术有限公司 广告投放方法、装置和计算机可读存储介质
JP7139986B2 (ja) * 2019-02-08 2022-09-21 トヨタ自動車株式会社 情報処理装置、情報処理方法、プログラム
CN111695960A (zh) * 2019-03-12 2020-09-22 阿里巴巴集团控股有限公司 一种对象推荐***、方法、电子设备及存储介质
CN110309281A (zh) * 2019-05-28 2019-10-08 平安科技（深圳）有限公司 基于知识图谱的问答方法、装置、计算机设备及存储介质
CN110298497A (zh) * 2019-06-11 2019-10-01 武汉蓝智科技有限公司 基于大数据的工业预测维修***及其使用方法
CN110413877B (zh) * 2019-07-02 2023-03-28 创新先进技术有限公司 一种资源推荐方法、装置及电子设备
CN110569428B (zh) * 2019-08-08 2023-10-20 创新先进技术有限公司 一种推荐模型的构建方法、装置及设备
CN110599234A (zh) * 2019-08-13 2019-12-20 广东工业大学 一种产品销售预测方法
CN110659947A (zh) * 2019-10-11 2020-01-07 沈阳民航东北凯亚有限公司 商品推荐方法及装置
CN110728541B (zh) * 2019-10-11 2024-01-23 广州市丰申网络科技有限公司 信息流媒体广告创意推荐方法及装置
CN112766995A (zh) * 2019-10-21 2021-05-07 招商证券股份有限公司 物品推荐方法、装置、终端设备及存储介质
CN110930022A (zh) * 2019-11-20 2020-03-27 携程计算机技术（上海）有限公司 酒店静态信息的检测方法、***、电子设备及存储介质
CN111127074B (zh) * 2019-11-26 2023-04-25 杭州聚效科技有限公司 一种数据推荐方法
CN110866657A (zh) * 2019-11-28 2020-03-06 北京三快在线科技有限公司 路径规划方法及装置
CN111831900A (zh) * 2019-12-03 2020-10-27 北京嘀嘀无限科技发展有限公司 一种数据处理方法、***、电子设备及存储介质
CN111144974B (zh) * 2019-12-04 2022-03-08 北京三快在线科技有限公司 一种信息展示方法及装置
CN111144575B (zh) * 2019-12-05 2022-08-12 支付宝(杭州)信息技术有限公司 舆情预警模型的训练方法、预警方法、装置、设备及介质
CN111078659B (zh) * 2019-12-20 2023-04-21 腾讯科技（深圳）有限公司 模型更新方法、装置、计算机可读存储介质和计算机设备
CN111831630B (zh) * 2019-12-30 2023-12-05 北京骑胜科技有限公司 数据处理方法、装置、电子设备和计算机可读存储介质
CN111401041A (zh) * 2020-03-23 2020-07-10 北京奇艺世纪科技有限公司 一种问题预测方法、装置、电子设备及存储介质
CN111625721B (zh) * 2020-05-26 2023-12-22 汉海信息技术(上海)有限公司 内容推荐方法及装置
CN117633921A (zh) * 2020-06-03 2024-03-01 支付宝(杭州)信息技术有限公司 电子设备上安全锁的推荐方法、装置及设备
CN111859115A (zh) * 2020-06-18 2020-10-30 北京嘀嘀无限科技发展有限公司 用户分配方法和***、数据处理设备及用户分配设备
CN113763072B (zh) * 2020-07-01 2023-09-22 北京京东振世信息技术有限公司 用于分析信息的方法和装置
CN111881399B (zh) * 2020-07-20 2023-10-27 汉海信息技术(上海)有限公司 一种消息推送方法及装置
CN111782960A (zh) * 2020-07-27 2020-10-16 支付宝(杭州)信息技术有限公司 文案推送方法、装置及电子设备
CN112070561B (zh) * 2020-09-18 2023-10-31 中国工商银行股份有限公司 电子券推荐方法及装置
CN112182421B (zh) * 2020-09-23 2024-05-17 支付宝(杭州)信息技术有限公司 一种潜在客户挖掘方法、装置及电子设备
CN112417275A (zh) * 2020-11-17 2021-02-26 北京三快在线科技有限公司 一种信息提供的方法、装置存储介质及电子设备
CN112328899B (zh) * 2020-11-27 2024-04-16 京东科技控股股份有限公司 信息处理方法、信息处理装置、存储介质与电子设备
CN113010564B (zh) * 2021-03-16 2022-06-10 北京三快在线科技有限公司 一种模型训练和信息推荐的方法及装置
CN116595259A (zh) * 2021-03-25 2023-08-15 支付宝(杭州)信息技术有限公司 位置推荐处理方法及装置
CN113222647B (zh) * 2021-04-26 2023-11-28 西安点告网络科技有限公司 基于点击率预估模型的广告推荐方法、***及存储介质
CN113626342B (zh) * 2021-08-31 2023-03-24 北京三快在线科技有限公司 一种模型在线测试方法及装置
CN117875522A (zh) * 2024-03-12 2024-04-12 之江实验室 一种事件数量预测的方法、装置、存储介质、设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140358836A1 (en) * 2011-03-04 2014-12-04 Foursquare Labs, Inc. System and method for providing recommendations with a location-based service
US20150156061A1 (en) * 2013-12-02 2015-06-04 Yahoo! Inc. Deep linking to mobile applications
TWM548843U (zh) * 2017-05-09 2017-09-11 合作金庫商業銀行股份有限公司 自動客製化行銷系統
US20170300814A1 (en) * 2016-04-13 2017-10-19 Google Inc. Wide and deep machine learning models
CN107730389A (zh) * 2017-09-30 2018-02-23 平安科技（深圳）有限公司 电子装置、保险产品推荐方法及计算机可读存储介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101937524A (zh) * 2009-06-30 2011-01-05 华中师范大学 一种毕业设计个性化指导***
BR112013014224A2 (pt) * 2010-12-10 2016-09-13 Nokia Corp método, aparelho e produto de programa de computador
CN104331459B (zh) * 2014-10-31 2018-07-06 百度在线网络技术（北京）有限公司 一种基于在线学习的网络资源推荐方法及装置
CN106485562B (zh) * 2015-09-01 2020-12-04 苏宁云计算有限公司 一种基于用户历史行为的商品信息推荐方法及***
CN105808637B (zh) * 2016-02-23 2019-08-27 平安科技（深圳）有限公司 个性化推荐方法和装置
CN106127504A (zh) * 2016-06-12 2016-11-16 北京三快在线科技有限公司 电子物品券的推送方法、生成方法、装置、用户终端及服务器
CN107316234A (zh) * 2017-07-21 2017-11-03 北京京东尚科信息技术有限公司 个性化商品预测方法和装置
CN107679945A (zh) * 2017-09-27 2018-02-09 北京小度信息科技有限公司 建立消费对象推荐模型的方法以及相关方法及装置
CN108596645B (zh) * 2018-03-13 2021-09-21 创新先进技术有限公司 一种信息推荐的方法、装置及设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140358836A1 (en) * 2011-03-04 2014-12-04 Foursquare Labs, Inc. System and method for providing recommendations with a location-based service
US20150156061A1 (en) * 2013-12-02 2015-06-04 Yahoo! Inc. Deep linking to mobile applications
US20170300814A1 (en) * 2016-04-13 2017-10-19 Google Inc. Wide and deep machine learning models
TWM548843U (zh) * 2017-05-09 2017-09-11 合作金庫商業銀行股份有限公司 自動客製化行銷系統
CN107730389A (zh) * 2017-09-30 2018-02-23 平安科技（深圳）有限公司 电子装置、保险产品推荐方法及计算机可读存储介质

Also Published As

Publication number Publication date
CN108596645A (zh) 2018-09-28
TW201939404A (zh) 2019-10-01
CN108596645B (zh) 2021-09-21
CN113837804A (zh) 2021-12-24
WO2019174395A1 (zh) 2019-09-19

Similar Documents

Publication Publication Date Title
TWI777015B (zh) 資訊推薦的方法、裝置及設備
Kiseleva et al. Understanding user satisfaction with intelligent assistants
US20220351296A1 (en) Educational decision-making tool
Lu et al. Goodbye maps, hello apps? Exploring the influential determinants of travel app adoption
WO2019192261A1 (zh) 一种支付方式推荐方法、装置及设备
TW201939379A (zh) 資訊轉化率的預測、資訊推薦方法和裝置
JP6846390B2 (ja) ドメイン間の文法スロットによる分類
CN106970949A (zh) 一种信息推荐方法及装置
Hu et al. The effect of utilitarian and hedonic motivations on mobile shopping outcomes. A cross‐cultural analysis
CN106295832A (zh) 产品信息推送方法及装置
CN112418920A (zh) 信息推荐模型的训练方法、信息推荐方法以及装置
CN110060085B (zh) 一种解析广告目标人群线下分布的方法、***及设备
CN112733024A (zh) 一种信息推荐的方法及装置
Feng et al. Intelligent Context‐Aware and Adaptive Interface for Mobile LBS
Aghakhani et al. Beyond the review sentiment: The effect of review accuracy and review consistency on review usefulness
US20160019570A1 (en) Apparatus, method, and computer-readable recording medium for providing survey
US11238221B2 (en) Language profiling service
US20170270211A1 (en) Attraction and Event Guide System and Related Methods
CN110889037A (zh) 模型训练方法及装置
CN113837804B (zh) 一种信息推荐的方法、装置及设备
CN114861043A (zh) 一种模型训练以及推荐位置确定方法及装置
JP6916250B2 (ja) 仮想アシスタントドメイン選択分析
CN109584088B (zh) 产品信息的推送方法及装置
Oyama et al. A Method for Expressing Intention for Suppressing Careless Responses in Participatory Sensing
Srivastava et al. Redefining Mobile Marketing through Conversion Rate Optimisation

Legal Events

Date Code Title Description
GD4A Issue of patent certificate for granted invention patent