WO2019174395A1 - 一种信息推荐的方法、装置及设备 - Google Patents

一种信息推荐的方法、装置及设备 Download PDF

Info

Publication number
WO2019174395A1
WO2019174395A1 PCT/CN2019/071880 CN2019071880W WO2019174395A1 WO 2019174395 A1 WO2019174395 A1 WO 2019174395A1 CN 2019071880 W CN2019071880 W CN 2019071880W WO 2019174395 A1 WO2019174395 A1 WO 2019174395A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
user
service
wide
service information
Prior art date
Application number
PCT/CN2019/071880
Other languages
English (en)
French (fr)
Inventor
刘海旭
Original Assignee
阿里巴巴集团控股有限公司
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 阿里巴巴集团控股有限公司 filed Critical 阿里巴巴集团控股有限公司
Publication of WO2019174395A1 publication Critical patent/WO2019174395A1/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
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • 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
    • 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

Definitions

  • the present specification relates to the field of computer technology, and in particular, to a method, device and device for information recommendation.
  • service providers can push various service information, such as advertisements and coupons, to users, so that users can perform more purposeful consumption according to the service information pushed by the service provider. .
  • the server usually recommends the service information such as advertisements, coupons, and the like related to the current location of the user according to the current location of the user.
  • the service information such as advertisements, coupons, and the like related to the current location of the user according to the current location of the user.
  • recommending service information to users based on a single dimension of geographic location may not be able to meet the actual needs of users.
  • the present specification provides a method for recommending information to solve the problem that the information recommendation method of the prior art cannot accurately and effectively recommend the required information to the user.
  • This manual provides a method of information recommendation, including:
  • Obtaining static information including dynamic information of the user and/or fixed information corresponding to each service information, the dynamic information including an operation record of each historical service information being operated by each user and/or the user At least one of environmental attribute information of an environment in which the current time is located;
  • service information recommended to the user is determined and recommended to the user.
  • the present specification provides a device for recommending information to solve the problem that the information recommendation method of the prior art cannot accurately and effectively recommend the required information to the user.
  • This specification provides a means of information recommendation, including:
  • the information acquiring module acquires static information and dynamic information, where the static information includes fixed information of the user and/or fixed information corresponding to each service information, and the dynamic information includes an operation record of each historical service information being operated by each user and/or Or at least one of environmental attribute information of an environment in which the user is currently located;
  • Input module inputting the static information into a Wide linear model in a pre-trained Wide&Deep model, and inputting the dynamic information into a Deep Deep Learning Model in a pre-trained Wide&Deep model to obtain an output of the Wide&Deep model result;
  • the information recommendation module determines service information recommended to the user according to the output result, and recommends to the user.
  • the present specification provides a device for recommending information to solve the problem that the information recommendation method of the prior art cannot accurately and effectively recommend the required information to the user.
  • the present specification provides an information recommendation device comprising one or more memories and a processor that stores a program and is configured to perform the following steps by the one or more processors:
  • Obtaining static information including dynamic information of the user and/or fixed information corresponding to each service information, the dynamic information including an operation record of each historical service information being operated by each user and/or the user At least one of environmental attribute information of an environment in which the current time is located;
  • service information recommended to the user is determined and recommended to the user.
  • static information and dynamic information may be acquired, where the static information includes fixed information of the user and/or fixed information corresponding to each service information, and the dynamic information includes each historical service information by each user. At least one of an operation record of performing an operation and/or environmental attribute information of an environment in which the user is currently at a time. Then, the obtained static information can be input into the Wide linear model in the pre-trained Wide&Deep model, and the acquired dynamic information is input into the Deep deep learning model in the Wide&Deep model to obtain the input result of the Wide&Deep model. Further, based on the output result, the service information recommended to the user is determined and recommended to the user.
  • static information such as fixed information of the user, fixed information corresponding to each service information, and environmental attribute information of the environment in which the user is currently located, and each historical service information can be operated by each user.
  • the dynamic information such as the operation record is combined to determine the service information recommended to the user, and therefore, the manner of recommending the service information to the user is determined with respect to the information of the user through the single dimension, so that the user can be more accurately recommended to the user.
  • Service information which brings great convenience to users.
  • FIG. 1 is a schematic diagram of a process of information recommendation provided by the present specification
  • FIG. 2 is a schematic diagram of processing static information and dynamic information acquired by a server through the Wide&Deep model according to the present specification, and obtaining an output result;
  • FIG. 3 is a schematic diagram of the device recommended by the information provided in this specification.
  • FIG. 4 is a schematic diagram of an apparatus for information recommendation provided by the present specification.
  • the execution subject of the above-mentioned information recommendation method may be a server or a terminal device, and for convenience of description, the method of information recommendation provided in this specification will be described below only by using the server as the execution subject.
  • FIG. 1 is a schematic diagram of a process of information recommendation provided by the present specification, which specifically includes the following steps:
  • S100 Acquire static information and dynamic information, where the static information includes fixed information of the user and/or fixed information corresponding to each service information, where the dynamic information includes an operation record and/or a place where each historical service information is operated by each user. At least one of environmental attribute information of an environment in which the user is currently located.
  • the server can combine the information of multiple dimensions to determine the service information required by the user, and recommend it to the user for viewing.
  • the information of the various dimensions mentioned here can be roughly divided into two categories, one can be attributed to static information, and the other can be attributed to dynamic information.
  • the static information mentioned here may be information that can effectively indicate the inherent characteristics of the user or the service information, and does not change frequently. For example, for a user's age, education, gender, address, etc., the time interval for change is usually long, and the information can effectively characterize some inherent characteristics of the user. For another example, for the service information, the area where the service provider that issued the service information is located, and the effective time of the service information (generally, once the service information is released, the effective time will not change), and the service is released. The number of stores corresponding to the service provider of the information, the change period of the information such as the merchant size of the service provider is usually long, and therefore, the fixed information corresponding to the service information can be reduced to static information.
  • the user's fixed information can effectively reflect the user's actual needs, preferences, and information that may be of interest to a certain extent.
  • the information they pay attention to often differs greatly.
  • the younger users tend to pay more attention to some fashionable topics, while the older users tend to pay more attention to some health topics.
  • the degree of education of a user can often reflect the income status of the user to a certain extent.
  • the income status is often poor.
  • users with higher education tend to earn income. Higher. Users with lower incomes may pay more attention to the promotion of some products, while users with higher incomes may pay more attention to the information of some high-end products.
  • the fixed information of the user can reflect the actual needs of the user and the information of some types of information to a certain extent. Therefore, the fixed information of the user can be used as static information to determine the recommended information to the user. What kind of service information.
  • the user's fixed information may include information such as a service category, a credit, a member's credit, and the like of a service that the user has performed, in addition to the several examples mentioned above, and will not be exemplified herein.
  • the fixed information corresponding to each service information can be used as static information to determine which service information is more popular with the user, and thus recommended to the user.
  • the fixed information corresponding to each service information mentioned herein may be other forms of information in addition to the above examples, for example, the service category corresponding to each service information (for example, for each restaurant, some restaurants are provided to the user. It offers coupons for Western food, while others offer coupons for Chinese food. Therefore, whether the coupons are Western or Chinese, it can be called the service category of the coupon.
  • the mall launched The coupons for purchasing apparel and the coupons for purchasing electronic products belong to different categories. Therefore, the coupons can be provided with clothing discounts or electronic product discounts, which are called service categories of coupons. The attention of the service provider of the service information, etc., will not be described in detail here.
  • the above-mentioned dynamic information may refer to information that the change cycle is relatively short and can have a certain influence on the actual needs of the user. For example, when users view the coupons launched by each merchant at the current moment, they are usually only interested in coupons launched by merchants that are closer to their current location. For example, when users are viewing overseas coupons for overseas scenic spots, they often combine the current season (relative to the user's education, age, etc., the season change period is relatively short), and choose to travel in the current season. Coupon for the scenic area.
  • the environment attribute information of the environment in which the user is currently located can be used as the dynamic information, and based on this, the service information that meets the actual needs of the user is determined and recommended to the user.
  • the environment attribute information of the environment in which the user is currently located may include: weather information at the current moment, the location of the current moment of the user, and the distance between the service providers.
  • the environment attribute information mentioned herein may also be other forms of information, such as the current month, season, holiday information, etc., which are not illustrated in detail herein.
  • the period of change of the operation record in the past period of time is usually short, and through the operation record, the user's sense of each service information can be understood sideways.
  • the level of interest For example, suppose that a user receives a dining coupon provided by 10 restaurants through a mobile phone, but only the dining coupons provided by four restaurants are actually used, and the remaining dining coupons received are not used. Therefore, from this level, it can be effectively concluded that the user may be more acceptable to the dining environment, dishes, and per capita consumption of the four restaurants, and the degree of interest is higher, and for the other six restaurants, The level of interest is relatively low.
  • an operation record characterizing the operation status of the user operation history service information may be used to determine which service information is more popular with the user and enter the recommendation to the user.
  • the operation record mentioned herein may include: the number of times the history service information is performed by the user, the number of times the history service information is used by the user, the number of times the history service information is performed by the user, and the like. For example, the number of times the coupon issued by the service provider is clicked by the user, the number of times the user is picked up, the number of times the user is used, and the like.
  • the number of times that each historical service information mentioned herein is browsed by the user may refer to the total number of times each historical service information is viewed by each user in the past period of time, or may refer to each historical service information in the past.
  • the number of times viewed in unit time eg, one hour, one day, etc.).
  • the number of times the historical service information is used by the user to perform the use operation may also refer to the total number of times each historical service information is used by each user in the past operation period (or the selection operation), or The number of times the usage operation (or selection operation) was performed in each unit time in the past.
  • the server may determine the fixed information of the user according to the user account registered by the user. Similarly, for the fixed information corresponding to each service information, the server may also determine the account information of each service provider.
  • the server may determine that the current time meets the preset trigger condition, and obtain the environment attribute information. For example, when the server detects that the user logs in through the user account of the user, it can determine that the current time meets the preset trigger condition, and then triggers obtaining the environment attribute information of the environment where the user is currently located; for example, when the server detects When the current time reaches the preset time, it is determined that the current time meets the preset trigger condition, and then the environment attribute information of the environment in which the user is currently located is obtained.
  • the server can record the operation status of the user operation service information at all times, and save it in the corresponding operation log, in the subsequent process, determine the operation to the user through the operation record in the saved operation log.
  • Recommended service information For example, when the user views the coupon sent by the server through the terminal, the server may record the operation performed by the user on the coupon, and the recorded content includes: whether the user clicks to browse the detailed preferential information of the coupon, and whether the user has received the coupon. Coupon, whether the coupon is used, etc.
  • the server may select some candidate service information by using a preset screening manner, and then further determine the fixed information corresponding to the candidate service information, and in the subsequent process.
  • the fixed information determined is input into the pre-trained Wide&Deep model.
  • the server can determine the location where the user is currently at the moment, and then use the coupons provided by the service providers within the set distance from the location as Alternative service information; for example, the server may determine the number of coupons currently provided by each service provider, and then select the coupons that have been received by the set number as the alternative service information.
  • S102 input the static information into a Wide linear model in a pre-trained Wide&Deep model, and input the dynamic information into a Deep Deep Learning Model in a pre-trained Wide&Deep model to obtain an output result of the Wide&Deep model. .
  • the server can determine which service information needs to be recommended to the user through the pre-trained Wide&Deep model.
  • a feature of the Wide&Deep model is that it has both memory and generalization capabilities.
  • the so-called memory ability refers to the ability to estimate data that is strongly correlated with historical data through historical data.
  • the server recommends the same type of coupon to the user by the type of coupon that the user has received in the past.
  • Generalization refers to the ability to predict new data that has never been seen before, through historical data and data correlation.
  • the server analyzes that the user may be interested in other types of coupons through the types of coupons that the user has received in the past, and then recommends to the user.
  • other types mentioned here may be types that have never appeared before.
  • the static information may be input into the Wide linear model in the Wide&Deep model
  • the dynamic information is input into the Deep deep learning model in the Wide&Deep model to The output of the Wide&Deep model is obtained, as shown in Figure 2.
  • FIG. 2 is a schematic diagram of processing the static information and the dynamic information acquired by the server through the Wide&Deep model provided by the present specification to obtain an output result.
  • the server can input the obtained static information and dynamic information into the Wide linear model and the Deep deep learning model in the Wide&Deep model, respectively, and then the results of the two models can be weighted and summed, and then weighted and summed.
  • the obtained result is input into a preset loss function, and finally the output result of the Wide&Deep model is obtained.
  • the loss function mentioned here has no specific limitation.
  • the static information is input into the Wide linear model in order to comprehensively analyze which (or which type of) service information the user is generally interested in through the static information and the memory capabilities of the Wide model.
  • the above dynamic information is input into the Deep Deep Learning Model in order to enable the dynamic information and the generalization ability of the Deep Deep Learning Model to comprehensively analyze which (which kind of) service information the user may have. interest.
  • the above-mentioned several types of dynamic information have generalization conditions that enable the Deep Deep Learning Model to perform generalization analysis.
  • the output of the above Wide&Deep model can be in the form of a recommended rating.
  • the Wide&Deep model can obtain the recommended scores for each service information by processing the information, so as to determine which needs to be obtained through the obtained recommendation scores.
  • Service information is recommended to this user.
  • the service information mentioned herein may be the service information provided by all the service providers at present time, or may be the candidate service information mentioned above.
  • the server can obtain historical data and split the acquired historical data into training samples and verification samples.
  • the Wide&Deep model can be trained through the training sample, and then the trained Wide&Deep model is verified by the verification sample.
  • the historical data mentioned above may refer to: fixed information corresponding to a plurality of historical service information published in the past history, personal information of a plurality of users, environmental attribute information of the environment in which the plurality of users are located in the past history, and the plurality of historical service information.
  • a history operation record that is operated by each user, service information actually selected by the plurality of users, and the like.
  • several users mentioned here can be randomly selected by the server, and there is no specific limitation.
  • the server may perform fixed information corresponding to a plurality of historical service information published in the past history, personal information of a plurality of users, environmental attribute information of the environment in which the plurality of users are located in the past history, and the plurality of historical service information are executed by each user.
  • the historical operation of the operation records the information as a training sample, and the service information actually selected by the plurality of users is used as a verification sample to train the Wide&Deep model.
  • the verification samples selected by the server may refer to historical data after the release time is set, and the training samples may refer to historical data before the set time.
  • the server can record the fixed information corresponding to each coupon provided by each service provider in March of the year A, the operation record of each coupon operated by N users in March A, and N users in the middle of March of the year A.
  • the environmental attribute information of the environment and the fixed information of the N users are used as training samples.
  • the server can use the coupons actually used by the N users after March A as a verification sample to train the Wide&Deep model.
  • the set time is the March of the year A mentioned here. In this way, the purpose of predicting future data through historical data is realized, thereby improving the usability of the service information recommended by the server to the user.
  • the information recommendation ability of the Wide&Deep model can be evaluated by a certain evaluation method, and when the Wide&Deep model reaches the preset training target by the evaluation method, the Wide&Deep model is launched.
  • various evaluation methods mentioned here for example, the accuracy of the recommended service information of the Wide&Deep model can be tested by the training samples and verification samples mentioned above, and the accuracy of the recommended service information of the Wide&Deep model is reached.
  • the Wide&Deep model can also be evaluated by an evaluation method such as a commonly used AUC model evaluation index, and will not be exemplified here.
  • S104 Determine, according to the output result, service information recommended to the user, and recommend the information to the user.
  • the server After obtaining the output result, the server can determine which service information needs to be recommended to the user through the output result, and then recommend the determined service information to the user for browsing and operation.
  • the server may recommend the service information not less than the set recommendation score to the user.
  • the server may determine which service information is recommended to the user. For example, after the server determines the recommendation score of each service information, each service information may be sorted according to each recommendation score, and the service information sorted before the set position is recommended to the user.
  • static information such as fixed information of the user, fixed information corresponding to each service information, and environmental attribute information of the environment in which the user is currently located, and each historical service information can be operated by each user.
  • the dynamic information such as the operation record is combined to determine the service information recommended to the user, and therefore, the manner of recommending the service information to the user is determined with respect to the information of the user through the single dimension, so that the user can be more accurately recommended to the user.
  • Service information which brings great convenience to users.
  • the server may use the information of the period (that is, the historical data mentioned above as the training sample and the verification sample) as the training sample and the verification sample, and the Wide&Deep model.
  • the training is carried out, and the trained Wide&Deep model is updated online in time to ensure the accuracy of the recommended service information of the Wide&Deep model through this automatic learning method.
  • the server can use the information of the first 4 days of the 5 days as a training sample, and the information of the 5th day as a verification sample to train the Wide&Deep model so that the trained Wide&Deep model can be as Meet the needs of users to obtain service information in the near future.
  • the present specification further provides a device for recommending information, as shown in FIG. 3 .
  • FIG. 3 is a schematic diagram of a device for information recommendation provided by the present specification, which specifically includes:
  • the information obtaining module 301 acquires static information and dynamic information, where the static information includes fixed information of the user and/or fixed information corresponding to each service information, where the dynamic information includes an operation record of each historical service information being operated by each user. / or at least one of environmental attribute information of the environment in which the user is currently located;
  • the input module 302 inputs the static information into the Wide linear model in the pre-trained Wide&Deep model, and inputs the dynamic information into the Deep depth learning model in the pre-trained Wide&Deep model to obtain the Wide&Deep model. Output result
  • the information recommendation module 403 determines service information recommended to the user according to the output result, and recommends to the user.
  • the fixed information of the user includes: at least one of age, education, gender, address of the user, and a service category of the user performing the service;
  • the fixed information corresponding to each service information includes: a region where each service provider that issues the service information, an effective time of each service information, a number of stores corresponding to each service provider, and each service provider At least one of the corresponding merchant sizes;
  • the environment attribute information of the environment in which the user is located at the current time includes: at least one of weather information of the current time, a location of the user at the current time, and a distance between the service providers;
  • the operation record includes at least one of the number of times each history service information is browsed by each user, the number of times each history service information is used by the user, and the number of times each history service information is selected by the user.
  • the output result of the Wide&Deep model includes: a recommendation score obtained by the Wide&Deep model for each service information;
  • the information recommendation module 303 recommends, to the user, service information that is not less than a set recommendation score.
  • the device also includes:
  • the training module 304 splits the historical data into training samples and verification samples; trains the Wide&Deep model through the training samples, and verifies the trained Wide&Deep model through the verification samples.
  • the training module 304 uses historical data before the set time as a training sample, and takes historical data after the set time as a verification sample.
  • the service information includes: a coupon.
  • the present specification also provides a device for information recommendation, as shown in FIG.
  • the device includes one or more memories and a processor that stores the program and is configured to perform the following steps by the one or more processors:
  • Obtaining static information including dynamic information of the user and/or fixed information corresponding to each service information, the dynamic information including an operation record of each historical service information being operated by each user and/or the user At least one of environmental attribute information of an environment in which the current time is located;
  • service information recommended to the user is determined and recommended to the user.
  • static information and dynamic information may be acquired, where the static information includes fixed information of the user and/or fixed information corresponding to each service information, and the dynamic information includes each historical service information
  • the obtained static information can be input into the Wide linear model in the pre-trained Wide&Deep model, and the acquired dynamic information is input into the Deep deep learning model in the Wide&Deep model to obtain the input result of the Wide&Deep model.
  • the service information recommended to the user is determined and recommended to the user.
  • static information such as fixed information of the user, fixed information corresponding to each service information, and environmental attribute information of the environment in which the user is currently located, and each historical service information can be operated by each user.
  • the dynamic information such as the operation record is combined to determine the service information recommended to the user, and therefore, the manner of recommending the service information to the user is determined with respect to the information of the user through the single dimension, so that the user can be more accurately recommended to the user.
  • Service information which brings great convenience to users.
  • PLD Programmable Logic Device
  • FPGA Field Programmable Gate Array
  • HDL Hardware Description Language
  • the controller can be implemented in any suitable manner, for example, the controller can take the form of, for example, a microprocessor or processor and a computer readable medium storing computer readable program code (eg, software or firmware) executable by the (micro)processor.
  • computer readable program code eg, software or firmware
  • examples of controllers include, but are not limited to, the following microcontrollers: ARC 625D, Atmel AT91SAM, The Microchip PIC18F26K20 and the Silicone Labs C8051F320, the memory controller can also be implemented as part of the memory's control logic.
  • the controller can be logically programmed by means of logic gates, switches, ASICs, programmable logic controllers, and embedding.
  • Such a controller can therefore be considered a hardware component, and the means for implementing various functions included therein can also be considered as a structure within the hardware component.
  • a device for implementing various functions can be considered as a software module that can be both a method of implementation and a structure within a hardware component.
  • the system, device, module or unit illustrated in the above embodiments may be implemented by a computer chip or an entity, or by a product having a certain function.
  • a typical implementation device is a computer.
  • the computer can be, for example, a personal computer, a laptop computer, a cellular phone, a camera phone, a smart phone, a personal digital assistant, a media player, a navigation device, an email device, a game console, a tablet computer, a wearable device, or A combination of any of these devices.
  • embodiments of the present specification can be provided as a method, system, or computer program product. Accordingly, the description may take the form of an entirely hardware embodiment, an entirely software embodiment, or an embodiment in combination of software and hardware. Moreover, the description may take the form of a computer program product embodied on one or more computer-usable storage media (including but not limited to disk storage, CD-ROM, optical storage, etc.) including computer usable program code.
  • computer-usable storage media including but not limited to disk storage, CD-ROM, optical storage, etc.
  • the computer program instructions can also be stored in a computer readable memory that can direct a computer or other programmable data processing device to operate in a particular manner, such that the instructions stored in the computer readable memory produce an article of manufacture comprising the instruction device.
  • the apparatus implements the functions specified in one or more blocks of a flow or a flow and/or block diagram of the flowchart.
  • These computer program instructions can also be loaded onto a computer or other programmable data processing device such that a series of operational steps are performed on a computer or other programmable device to produce computer-implemented processing for execution on a computer or other programmable device.
  • the instructions provide steps for implementing the functions specified in one or more of the flow or in a block or blocks of a flow diagram.
  • a computing device includes one or more processors (CPUs), input/output interfaces, network interfaces, and memory.
  • processors CPUs
  • input/output interfaces network interfaces
  • memory volatile and non-volatile memory
  • the memory may include non-persistent memory, random access memory (RAM), and/or non-volatile memory in a computer readable medium, such as read only memory (ROM) or flash memory.
  • RAM random access memory
  • ROM read only memory
  • Memory is an example of a computer readable medium.
  • Computer readable media includes both permanent and non-persistent, removable and non-removable media.
  • Information storage can be implemented by any method or technology.
  • the information can be computer readable instructions, data structures, modules of programs, or other data.
  • Examples of computer storage media include, but are not limited to, phase change memory (PRAM), static random access memory (SRAM), dynamic random access memory (DRAM), other types of random access memory (RAM), read only memory. (ROM), electrically erasable programmable read only memory (EEPROM), flash memory or other memory technology, compact disk read only memory (CD-ROM), digital versatile disk (DVD) or other optical storage, Magnetic tape cartridges, magnetic tape storage or other magnetic storage devices or any other non-transportable media can be used to store information that can be accessed by a computing device.
  • computer readable media does not include temporary storage of computer readable media, such as modulated data signals and carrier waves.
  • program modules include routines, programs, objects, components, data structures, and the like that perform particular tasks or implement particular abstract data types.
  • One or more embodiments of the present specification may also be practiced in distributed computing environments where tasks are performed by remote processing devices that are connected through a communication network.
  • program modules can be located in both local and remote computer storage media including storage devices.

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

一种信息推荐的方法、装置及设备，该方法中可以获取静态信息和动态信息，其中，该静态信息包括用户的固定信息和/或各服务信息对应的固定信息，动态信息包括各历史服务信息被各用户执行操作的操作记录和/或该用户当前时刻所处环境的环境属性信息中的至少一种（S100）。而后，可以将获取到的静态信息输入到预先训练的Wide&Deep模型中的Wide线性模型中，将获取到的动态信息输入到该Wide&Deep模型中的Deep深度学习模型中，以得到Wide&Deep模型的输出结果（S102），进而根据该输出结果，确定出推荐给该用户的服务信息，并推荐给该用户（S104）。

Description

一种信息推荐的方法、装置及设备 技术领域
本说明书涉及计算机技术领域，尤其涉及一种信息推荐的方法、装置及设备。
背景技术
为了向用户提供更为优质的服务，当前，诸多服务商可以向用户推送多种服务信息，如广告、优惠券等，以使用户能够根据服务商推送的服务信息，进行更有目的性的消费。
在实际应用中，服务器通常会根据用户当前所处的位置，向用户推荐与该用户当前所处位置相关的广告、优惠券等服务信息。然而，仅基于地理位置这一单一维度来向用户推荐服务信息，可能并不能很好的满足用户实际的自身需求。
基于现有技术，需要更为准确的信息推荐的方式。
发明内容
本说明书提供一种信息推荐的方法，用以解决现有技术的信息推荐方式无法准确、有效的向用户推荐所需信息的问题。
本说明书提供了一种信息推荐的方法，包括：
获取静态信息以及动态信息，所述静态信息包括用户的固定信息和/或各服务信息对应的固定信息，所述动态信息包括各历史服务信息被各用户执行操作的操作记录和/或所述用户当前时刻所处环境的环境属性信息中的至少一种；
将所述静态信息输入到预先训练的Wide&Deep模型中的Wide线性模型中，将所述动态信息输入到预先训练的Wide&Deep模型中的Deep深度学习模型中，以得到所述Wide&Deep模型的输出结果；
根据所述输出结果，确定推荐给所述用户的服务信息，并推荐给所述用户。
本说明书提供一种信息推荐的装置，用以解决现有技术的信息推荐方式无法准确、有效的向用户推荐所需信息的问题。
本说明书提供了一种信息推荐的装置，包括：
信息获取模块，获取静态信息以及动态信息，所述静态信息包括用户的固定信息和/或各服务信息对应的固定信息，所述动态信息包括各历史服务信息被各用户执行操作的操作记录和/或所述用户当前时刻所处环境的环境属性信息中的至少一种；
输入模块，将所述静态信息输入到预先训练的Wide&Deep模型中的Wide线性模型中，将所述动态信息输入到预先训练的Wide&Deep模型中的Deep深度学习模型中，以得到所述Wide&Deep模型的输出结果；
信息推荐模块，根据所述输出结果，确定推荐给所述用户的服务信息，并推荐给所述用户。
本说明书提供一种信息推荐的设备，用以解决现有技术的信息推荐方式无法准确、有效的向用户推荐所需信息的问题。
本说明书提供了一种信息推荐的设备，包括一个或多个存储器以及处理器，所述存储器存储程序，并且被配置成由所述一个或多个处理器执行以下步骤：
获取静态信息以及动态信息，所述静态信息包括用户的固定信息和/或各服务信息对应的固定信息，所述动态信息包括各历史服务信息被各用户执行操作的操作记录和/或所述用户当前时刻所处环境的环境属性信息中的至少一种；
将所述静态信息输入到预先训练的Wide&Deep模型中的Wide线性模型中，将所述动态信息输入到预先训练的Wide&Deep模型中的Deep深度学习模型中，以得到所述Wide&Deep模型的输出结果；
根据所述输出结果，确定推荐给所述用户的服务信息，并推荐给所述用户。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
在本说明书一个或多个实施例中，可以获取静态信息和动态信息，其中，该静态信息包括用户的固定信息和/或各服务信息对应的固定信息，动态信息包括各历史服务信息被各用户执行操作的操作记录和/或该用户当前时刻所处环境的环境属性信息中的至少一种。而后，可以将获取到的静态信息输入到预先训练的Wide&Deep模型中的Wide线性模型中，将获取到的动态信息输入到该Wide&Deep模型中的Deep深度学习模型中，以得到Wide&Deep模型的输入结果，进而根据该输出结果，确定出推荐给该用户的服务信息，并推荐给该用户。
从上述方法中可以看出，由于可以将诸如用户的固定信息、各服务信息对应的固 定信息等静态信息，和用户当前时刻所处环境的环境属性信息、各历史服务信息被各用户执行操作的操作记录等动态信息相结合，以确定推荐给用户的服务信息，因此，相对于通过单一维度的信息来确定向用户推荐服务信息的方式来说，能够更加准确的向用户推荐用户实际所需的服务信息，从而给用户带来了极大得到方便。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书提供的信息推荐的过程示意图；
图2为本说明书提供的通过Wide&Deep模型对服务器获取到的静态信息和动态信息进行处理，得到输出结果的示意图；
图3本说明书提供的信息推荐的装置示意图；
图4为本说明书提供的信息推荐的设备示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
在本说明书中，执行上述信息推荐方法的执行主体可以是服务器，也可以是终端设备，而为了方便进行描述，下面将仅以服务器为执行主体，对本说明书提供的信息推荐的方法进行说明。
图1为本说明书提供的信息推荐的过程示意图，具体包括以下步骤：
S100：获取静态信息以及动态信息，所述静态信息包括用户的固定信息和/或各服务信息对应的固定信息，所述动态信息包括各历史服务信息被各用户执行操作的操作记录和/或所述用户当前时刻所处环境的环境属性信息中的至少一种。
在本说明书中，服务器可以结合多种维度的信息，来确定出用户所需的服务信息，并推荐给用户进行查看。这里提到的多种维度的信息大致可以分为两类，一类可以归结为是静态信息，另一类可以归结为是动态信息。
其中，这里提到的静态信息可以是能够有效表明用户或是服务信息固有特性，且不经常发生变化的信息。例如，对于用户的年龄、学历、性别、住址等这些信息来说，其发生变化的时间间隔通常较长，并且，这些信息能够有效的表征出该用户的一些固有特性。再例如，对于服务信息来说，发布该服务信息的服务商所处的地区、该服务信息的有效时间(一般来说，服务信息一经发布，其有效时间将不会发生变化)、发布该服务信息的服务商对应的店铺数，该服务商的商家规模等信息的变化周期通常较长，所以，服务信息对应的这些固定信息可以归结为静态信息。
在本说明书中，用户的固定信息能够在一定程度上有效的反映出用户的实际需求、喜好、可能关注的信息有哪些等情况。例如，对于不同年龄层的用户来说，其关注的信息往往差别较大，年龄较小的用户往往更加关注一些时尚的话题，而年龄相对较大的用户往往更加关注一些健康方面的话题。再例如，一个用户的学历程度，往往能够在一定程度上反映出该用户的收入状况，对于学历较低的用户来说，其收入状况往往较差，相对应的，学历较高的用户往往收入较高。而收入较低的用户可能会更加关注一些商品促销的信息，而收入较高的用户可能会更加关注一些高端商品的信息。
通过上述示例可以看出，用户的固定信息，往往能够在一定程度上反映出该用户的实际需求、关注有些类信息等情况，因此可以将用户的固定信息作为静态信息，用于确定向用户推荐何种服务信息。在本说明书中，用户的固定信息除了上述举出的几种示例外，还也可以包括诸如用户执行过的业务的业务类别、信用度、会员积分等信息，在此就不一一举例说明了。
同理，在实际应用中，用户青睐于何种服务信息，往往也与服务信息本身的一些固有特性有关。例如，对于一些知名服务商推荐的服务信息，用户往往更加的关注；再例如，不同服务商向用户推荐的优惠券，其展示形式往往不同，有些服务商展示优惠券的模板较为新颖、绚丽，其展示的优惠券受欢迎的程度较高，相应的，领取优惠券的用户人数也较多。而有些服务商展示优惠券的模板较为普通，无法有效的吸引用户的眼球，因此受欢迎程度较低，领取优惠券的用户也相对较少。
因此，本说明书中，可以将各服务信息对应的固定信息作为静态信息，来确定哪种服务信息更为受用户欢迎，从而推荐给用户。其中，这里提到的各服务信息对应的固 定信息除了上述几种示例外，还可以是其他形式的信息，例如，各服务信息所对应的服务类别(如对于各餐厅来说，有些餐厅向用户提供的是吃西餐的优惠券，而有些则是提供吃中餐的优惠券。因此，优惠券提供的是西餐优惠还是中餐优惠，则可以称之为优惠券的服务类别。再例如，商场推出的购买服饰的优惠券和购买电子产品的优惠券所针对的优惠商品属于不同的类别，因此，可以将优惠券提供的是服饰优惠还是电子产品优惠，称之为优惠券的服务类别)、发布各服务信息的服务商的关注度等，在此就不进行详细举例说明了。
上述提到的动态信息可以是指变化周期相对较短，且能够对用户的实际需求造成一定影响的信息。例如，用户在查看当前时刻各商家所推出的优惠券时，通常只会对离自身当前位置较近的商家所推出的优惠券较为感兴趣。再例如，用户身处境外查看一些境外景区的优惠券时，往往会结合当前的季节(与用户的学历、年龄等信息相比，季节的变化周期相对较短)，选择适合在当前季节出行游玩的景区的优惠券。
因此，在本说明书中，可以将用户当前时刻所处环境的环境属性信息作为动态信息，并以此为依据，确定出符合用户实际需求的服务信息并推荐给用户。其中，这里提到的用户当前时刻所处环境的环境属性信息可以包括：当前时刻的天气信息、用户当前时刻所处位置与各服务商之间的距离。
当然，除了上述举例说明的几种信息外，这里提到的环境属性信息也可以是其他形式的信息，如，当前的月份、季节，节日信息等，在此就不详细举例说明了。
对于各历史服务信息被各用户执行操作的操作记录来说，该操作记录在过去一段时间内变化的周期通常较短，并且，通过该操作记录，能够侧面的了解到用户对各服务信息的感兴趣程度。例如，假设用户通过手机，领取了10家餐厅提供的就餐优惠券，但是，实际使用的只有4家餐厅提供的就餐优惠券，而领取的其余就餐优惠券则不进行使用。所以，从这一层面上，能够有效的得出用户可能对这4家餐厅的就餐环境、菜式、人均消费更容易接受，感兴趣的程度较高，而对于其余的6家餐厅来说，感兴趣的程度则相对较低。
基于此，在本说明书中，可以将表征用户操作历史服务信息的操作状况的操作记录，用于确定何种服务信息更为受用户的欢迎，进入推荐给用户。其中，这里提到的操作记录可以包括：各历史服务信息被给用户执行浏览的次数、各历史服务信息被用户执行使用操作的次数、各历史服务信息被用户执行选取操作的次数等。例如，服务商发布的优惠券被用户点击的次数、被用户领取的次数、被用户使用的次数等。而这里提到的 各历史服务信息被用户执行浏览的次数，可以是指每个历史服务信息在过去一段时间内被各用户浏览的总次数，也可以是指每个历史服务信息在过去的每个单位时间(如、一小时、一天等)中被浏览的次数。
同理，各历史服务信息被用户执行使用操作(或选取操作)的次数也可以是指每个历史服务信息在过去一段时间内被各用户执行使用操作(或选取操作)的总次数，或是在过去的每个单位时间中被执行使用操作(或选取操作)的次数。
需要说明的是，在本说明书中，对于用户的固定信息，服务器可以根据用户所注册的用户账号，确定出用户的固定信息。同理，对于各服务信息对应的固定信息，服务器也可以通过各服务商的账号信息进行确定。
而对于用户当前时刻所处环境的环境属性信息来说，服务器可以确定出当前时刻满足预设触发条件时，获取该环境属性信息。例如，当服务器监测到用户通过该用户的用户账号进行登录时，则可以确定当前时刻满足预设触发条件，进而触发获取该用户当前时刻所处环境的环境属性信息；再例如，当服务器监测到当前时刻到达预设时刻时，则确定当前时刻满足预设触发条件，进而获取该用户当前时刻所处环境的环境属性信息。
对于上述提到的操作记录来说，服务器可以时刻记录用户操作服务信息的操作状况，并保存在相应的操作日志中，以在后续过程中，通过保存的操作日志中的操作记录，确定向用户推荐的服务信息。例如，用户通过终端查看到服务器发送的优惠券时，服务器可以对用户对该优惠券所实施的操作进行记录，记录内容包括：用户是否点击浏览了该优惠券的详细优惠信息、是否领取了该优惠券、是否使用了该优惠券等。
服务器在确定各服务信息对应的固定信息之前，可以通过预设的筛选方式，选取出一些备选服务信息，而后，在进一步的确定出这些备选服务信息对应的固定信息，并在后续过程中，将确定出的固定信息输入到预先训练的Wide&Deep模型中。其中，这里提到的筛选备选服务信息的方式可以有很多，例如，服务器可以确定出用户当前时刻所处的位置，进而将距离该位置设定距离内的各服务商所提供的优惠券作为备选服务信息；再例如，服务器可以确定出当前各服务商提供的优惠券的已领取数量，进而将已领取数量高出设定数量的优惠券作为备选服务信息。
S102：将所述静态信息输入到预先训练的Wide&Deep模型中的Wide线性模型中，将所述动态信息输入到预先训练的Wide&Deep模型中的Deep深度学习模型中，以得到所述Wide&Deep模型的输出结果。
在本说明书中，服务器可以通过预先训练的Wide&Deep模型，来确定需要将哪些服务信息推荐给用户。其中，该Wide&Deep模型的一大特点是同时兼具记忆能力和泛化能力。所谓的记忆能力是指能够通过历史数据，推测出与历史数据关联性较强的数据。例如，服务器通过用户过去领取的优惠券的种类，向用户推荐同种类的优惠券。而泛化能力是指可以通过历史数据以及数据相关性的迁移，预测出之前几乎从未出现过的新的数据。例如，服务器通过用户过去领取的优惠券的种类，分析出用户可能对另一些种类的优惠券感兴趣，进而推荐给用户。其中，这里提到的另一些种类可能是之前从未出现过的种类。
通过该Wide&Deep模型，可以在确保向用户推荐符合用户喜好的服务信息的情况下，可以进一步增强服务信息的多样性，以给用户提供更多的选择，从而给用户带来了良好的用户体验。
服务器确定出上述说明的静态信息和动态信息后，可以将该静态信息输入到该Wide&Deep模型中的Wide线性模型中，同时，将该动态信息输入到该Wide&Deep模型中的Deep深度学习模型中，以得到该Wide&Deep模型的输出结果，如图2所示。
图2为本说明书提供的通过Wide&Deep模型对服务器获取到的静态信息和动态信息进行处理，得到输出结果的示意图。
服务器可以将获取到的静态信息和动态信息分别输入到Wide&Deep模型中的Wide线性模型和Deep深度学习模型，而后，可以将这两个模型输出的结果进行加权求和，并将经过加权求和后得到的结果输入到预设的损失函数中，最终得到该Wide&Deep模型的输出结果。其中，这里提到的损失函数没有具体的限制。
其中，将上述静态信息输入到Wide线性模型中，是为了能够通过该静态信息以及利用该Wide模型所具备的记忆能力，综合分析出用户通常对哪些(或哪类)服务信息较为感兴趣。而将上述动态信息输入到Deep深度学习模型中，是为了能够该动态信息，以及利用该Deep深度学习模型所具备的泛化能力，综合分析出用户可能还会对哪些(哪类)服务信息感兴趣。换句话说，本说明书中认为，上述提到的几种动态信息具备能够使Deep深度学习模型进行泛化分析的泛化条件。
上述Wide&Deep模型的输出结果可以推荐评分的形式出现。具体的，服务器将上述静态信息和动态信息输入到该Wide&Deep模型后，该Wide&Deep模型通过对这些信息进行处理，可以得到针对各个服务信息的推荐评分，以通过得到的推荐评分，确定出 需要将哪些服务信息推荐给该用户。其中，这里提到的各个服务信息可以是所有服务商当前时刻提供的服务信息，也可以是上述提到的备选服务信息。
需要说明的是，在使用上述Wide&Deep模型之前，需要对该Wide&Deep模型进行训练。其中，服务器可以获取历史数据，并将获取到的历史数据拆分成训练样本和验证样本。可以通过该训练样本，对该Wide&Deep模型进行训练，而后再通过该验证样本，对训练后的Wide&Deep模型进行验证。
上述提到的历史数据可以是指：发布在过去历史中的若干历史服务信息对应的固定信息、若干用户的个人信息、该若干用户在过去历史所处环境的环境属性信息以及该若干历史服务信息被各用户执行操作的历史操作记录、该若干用户实际选择的服务信息等。其中，这里提到的若干用户可以是服务器随意选取的，没有具体的限制。
相应的，服务器可以将发布在过去历史中的若干历史服务信息对应的固定信息、若干用户的个人信息、该若干用户在过去历史所处环境的环境属性信息以及该若干历史服务信息被各用户执行操作的历史操作记录这些信息作为训练样本，而将该若干用户实际选择的服务信息作为验证样本，以对该Wide&Deep模型进行训练。
从时间维度上来说，服务器选取出的这些验证样本可以是指发布时间位于设定时间之后的历史数据，而上述训练样本在可以是指发布时间位于该设定时间之前的历史数据。例如，假设服务器可以将各服务商在A年3月中提供的各优惠券对应的固定信息、N个用户操作A年3月中各优惠券的操作记录、N个用户在A年3月中所处环境的环境属性信息以及这N个用户的固定信息作为训练样本。同时，服务器可以将A年3月后的这N个用户实际使用的各优惠券作为验证样本，以对该Wide&Deep模型进行训练。这里提到的A年3月即为该设定时间。这样一来即实现了通过历史数据预测未来数据的目的，从而提高了服务器向用户推荐的服务信息的可用性。
在本说明书中，可以通过一定的评价方式，对该Wide&Deep模型的信息推荐能力进行评价，并通过该评价方式，确定出该Wide&Deep模型到达预设的训练目标时，将该Wide&Deep模型进行上线。其中，这里提到的评价方式可以有多种，如，可以通过上述提到的训练样本和验证样本，来测试该Wide&Deep模型推荐服务信息的准确率，当该Wide&Deep模型推荐服务信息的准确率达到设定准确率时，则确定该Wide&Deep模型达到了预设的训练目标。当然，也可以通过诸如常用的AUC模型评价指标等评价方式，来对该Wide&Deep模型进行评价，在此就不一一举例说明了。
S104：根据所述输出结果，确定推荐给所述用户的服务信息，并推荐给所述用户。
服务器得到上述输出结果后，可以通过该输出结果，确定出需要将哪些服务信息推荐给该用户，进而将确定出的这些服务信息推荐给用户进行浏览、操作。
具体的，服务器通过该Wide&Deep模型确定出各服务信息的推荐评分后，可以将不小于设定推荐评分的服务信息推荐给用户。当然，也可以通过其他的方式，确定出将哪些服务信息推荐给用户。例如，服务器确定出各服务信息的推荐评分后，可以按照各推荐评分，将各服务信息进行排序，进而将排序在设定位置之前的服务信息推荐给用户。
从上述方法中可以看出，由于可以将诸如用户的固定信息、各服务信息对应的固定信息等静态信息，和用户当前时刻所处环境的环境属性信息、各历史服务信息被各用户执行操作的操作记录等动态信息相结合，以确定推荐给用户的服务信息，因此，相对于通过单一维度的信息来确定向用户推荐服务信息的方式来说，能够更加准确的向用户推荐用户实际所需的服务信息，从而给用户带来了极大得到方便。
需要说明的是，在本说明书中，服务器可以每过一段时间，即将该段时间的信息(即上述提到能够作为训练样本和验证样本的历史数据)作为训练样本和验证样本，对该Wide&Deep模型进行训练，并将训练得到的Wide&Deep模型及时进行线上更新，以通过这种自动学习的方式保证Wide&Deep模型推荐服务信息的准确性。例如，服务器每过5天，即可将这5天中前4天的信息作为训练样本，第5天的信息作为验证样本，对该Wide&Deep模型进行训练，以使训练得到的Wide&Deep模型能够尽可能的满足用户近期获取服务信息的需求。
以上为本说明书的一个或多个实施例提供的信息推荐的方法，基于同样的思路，本说明书还提供了相应的信息推荐的装置，如图3所示。
图3为本说明书提供的一种信息推荐的装置示意图，具体包括：
信息获取模块301，获取静态信息以及动态信息，所述静态信息包括用户的固定信息和/或各服务信息对应的固定信息，所述动态信息包括各历史服务信息被各用户执行操作的操作记录和/或所述用户当前时刻所处环境的环境属性信息中的至少一种；
输入模块302，将所述静态信息输入到预先训练的Wide&Deep模型中的Wide线性模型中，将所述动态信息输入到预先训练的Wide&Deep模型中的Deep深度学习模型中，以得到所述Wide&Deep模型的输出结果；
信息推荐模块403，根据所述输出结果，确定推荐给所述用户的服务信息，并推荐 给所述用户。
所述用户的固定信息包括：所述用户的年龄、学历、性别、住址、所述用户执行业务的业务类别中的至少一种；
所述各服务信息对应的固定信息包括：发布所述各服务信息的各服务商所处的地区、所述各服务信息的有效时间、所述各服务商对应的店铺数、所述各服务商对应的商家规模中的至少一种；
所述用户在当前时刻所处环境的环境属性信息包括：所述当前时刻的天气信息、所述用户在当前时刻所处的位置与所述各服务商之间的距离中的至少一种；
所述操作记录包括：各历史服务信息被各用户执行浏览的次数、各历史服务信息被用户执行使用操作的次数、各历史服务信息被用户执行选取操作的次数中的至少一种。
所述Wide&Deep模型的输出结果包括：所述Wide&Deep模型针对所述各服务信息得出的推荐评分；
所述信息推荐模块303，将不小于设定推荐评分的服务信息推荐给所述用户。
所述装置还包括：
训练模块304，将历史数据拆分成训练样本和验证样本；通过所述训练样本对所述Wide&Deep模型进行训练，并通过所述验证样本对训练后的Wide&Deep模型进行验证。
所述训练模块304，将位于设定时间之前的历史数据作为训练样本，将位于所述设定时间之后的历史数据作为验证样本。
所述服务信息包括：优惠券。
基于上述说明的信息推荐的方法，本说明书还对应提供了一种用于信息推荐的设备，如图4所示。该设备包括一个或多个存储器以及处理器，所述存储器存储程序，并且被配置成由所述一个或多个处理器执行以下步骤：
获取静态信息以及动态信息，所述静态信息包括用户的固定信息和/或各服务信息对应的固定信息，所述动态信息包括各历史服务信息被各用户执行操作的操作记录和/或所述用户当前时刻所处环境的环境属性信息中的至少一种；
将所述静态信息输入到预先训练的Wide&Deep模型中的Wide线性模型中，将所述动态信息输入到预先训练的Wide&Deep模型中的Deep深度学习模型中，以得到所述Wide&Deep模型的输出结果；
根据所述输出结果，确定推荐给所述用户的服务信息，并推荐给所述用户。
在本说明书的一个或多个实施例中，可以获取静态信息和动态信息，其中，该静态信息包括用户的固定信息和/或各服务信息对应的固定信息，动态信息包括各历史服务信息被各用户执行操作的操作记录和/或该用户当前时刻所处环境的环境属性信息中的至少一种。而后，可以将获取到的静态信息输入到预先训练的Wide&Deep模型中的Wide线性模型中，将获取到的动态信息输入到该Wide&Deep模型中的Deep深度学习模型中，以得到Wide&Deep模型的输入结果，进而根据该输出结果，确定出推荐给该用户的服务信息，并推荐给该用户。
从上述方法中可以看出，由于可以将诸如用户的固定信息、各服务信息对应的固定信息等静态信息，和用户当前时刻所处环境的环境属性信息、各历史服务信息被各用户执行操作的操作记录等动态信息相结合，以确定推荐给用户的服务信息，因此，相对于通过单一维度的信息来确定向用户推荐服务信息的方式来说，能够更加准确的向用户推荐用户实际所需的服务信息，从而给用户带来了极大得到方便。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable Gate Array，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，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) 与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、***、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书一个或多个实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设 备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (13)

  1. 一种信息推荐的方法，包括：
    获取静态信息以及动态信息，所述静态信息包括用户的固定信息和/或各服务信息对应的固定信息，所述动态信息包括各历史服务信息被各用户执行操作的操作记录和/或所述用户当前时刻所处环境的环境属性信息中的至少一种；
    将所述静态信息输入到预先训练的Wide&Deep模型中的Wide线性模型中，将所述动态信息输入到预先训练的Wide&Deep模型中的Deep深度学习模型中，以得到所述Wide&Deep模型的输出结果；
    根据所述输出结果，确定推荐给所述用户的服务信息，并推荐给所述用户。
  2. 如权利要求1所述的方法，所述用户的固定信息包括：所述用户的年龄、学历、性别、住址、所述用户执行业务的业务类别中的至少一种；
    所述各服务信息对应的固定信息包括：发布所述各服务信息的各服务商所处的地区、所述各服务信息的有效时间、所述各服务商对应的店铺数、所述各服务商对应的商家规模中的至少一种；
    所述用户在当前时刻所处环境的环境属性信息包括：所述当前时刻的天气信息、所述用户在当前时刻所处的位置与所述各服务商之间的距离中的至少一种；
    所述操作记录包括：各历史服务信息被各用户执行浏览的次数、各历史服务信息被用户执行使用操作的次数、各历史服务信息被用户执行选取操作的次数中的至少一种。
  3. 如权利要求1所述的方法，所述Wide&Deep模型的输出结果包括：所述Wide&Deep模型针对所述各服务信息得出的推荐评分；
    根据所述输出结果，确定推荐给所述用户的服务信息，具体包括：
    将不小于设定推荐评分的服务信息推荐给所述用户。
  4. 如权利要求1所述的方法，训练所述Wide&Deep模型，具体包括：
    将历史数据拆分成训练样本和验证样本；
    通过所述训练样本对所述Wide&Deep模型进行训练，并通过所述验证样本对训练后的Wide&Deep模型进行验证。
  5. 如权利要求4所述的方法，将历史数据拆分成训练样本和验证样本，具体包括：
    将位于设定时间之前的历史数据作为训练样本，将位于所述设定时间之后的历史数据作为验证样本。
  6. 如权利要求1～5任一所述的方法，所述服务信息包括：优惠券。
  7. 一种信息推荐的装置，包括：
    信息获取模块，获取静态信息以及动态信息，所述静态信息包括用户的固定信息和/或各服务信息对应的固定信息，所述动态信息包括各历史服务信息被各用户执行操作的操作记录和/或所述用户当前时刻所处环境的环境属性信息中的至少一种；
    输入模块，将所述静态信息输入到预先训练的Wide&Deep模型中的Wide线性模型中，将所述动态信息输入到预先训练的Wide&Deep模型中的Deep深度学习模型中，以得到所述Wide&Deep模型的输出结果；
    信息推荐模块，根据所述输出结果，确定推荐给所述用户的服务信息，并推荐给所述用户。
  8. 如权利要求7所述的装置，所述用户的固定信息包括：所述用户的年龄、学历、性别、住址、所述用户执行业务的业务类别中的至少一种；
    所述各服务信息对应的固定信息包括：发布所述各服务信息的各服务商所处的地区、所述各服务信息的有效时间、所述各服务商对应的店铺数、所述各服务商对应的商家规模中的至少一种；
    所述用户在当前时刻所处环境的环境属性信息包括：所述当前时刻的天气信息、所述用户在当前时刻所处的位置与所述各服务商之间的距离中的至少一种；
    所述操作记录包括：各历史服务信息被各用户执行浏览的次数、各历史服务信息被用户执行使用操作的次数、各历史服务信息被用户执行选取操作的次数中的至少一种。
  9. 如权利要求7所述的装置，所述Wide&Deep模型的输出结果包括：所述Wide&Deep模型针对所述各服务信息得出的推荐评分；
    所述信息推荐模块，将不小于设定推荐评分的服务信息推荐给所述用户。
  10. 如权利要求7所述的装置，所述装置还包括：
    训练模块，将历史数据拆分成训练样本和验证样本；通过所述训练样本对所述Wide&Deep模型进行训练，并通过所述验证样本对训练后的Wide&Deep模型进行验证。
  11. 如权利要求10所述的装置，所述训练模块，将位于设定时间之前的历史数据作为训练样本，将位于所述设定时间之后的历史数据作为验证样本。
  12. 如权利要求7～11任一所述的装置，所述服务信息包括：优惠券。
  13. 一种信息推荐的设备，设备包括一个或多个存储器以及处理器，所述存储器存储程序，并且被配置成由所述一个或多个处理器执行以下步骤：
    获取静态信息以及动态信息，所述静态信息包括用户的固定信息和/或各服务信息对应的固定信息，所述动态信息包括各历史服务信息被各用户执行操作的操作记录和/或所述用户当前时刻所处环境的环境属性信息中的至少一种；
    将所述静态信息输入到预先训练的Wide&Deep模型中的Wide线性模型中，将所述动态信息输入到预先训练的Wide&Deep模型中的Deep深度学习模型中，以得到所述Wide&Deep模型的输出结果；
    根据所述输出结果，确定推荐给所述用户的服务信息，并推荐给所述用户。
PCT/CN2019/071880 2018-03-13 2019-01-16 一种信息推荐的方法、装置及设备 WO2019174395A1 (zh)

Applications Claiming Priority (2)

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

Publications (1)

Publication Number Publication Date
WO2019174395A1 true WO2019174395A1 (zh) 2019-09-19

Family

ID=63626188

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/071880 WO2019174395A1 (zh) 2018-03-13 2019-01-16 一种信息推荐的方法、装置及设备

Country Status (3)

Country Link
CN (2) CN113837804A (zh)
TW (1) TWI777015B (zh)
WO (1) WO2019174395A1 (zh)

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN111078659A (zh) * 2019-12-20 2020-04-28 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
CN111127074A (zh) * 2019-11-26 2020-05-08 杭州聚效科技有限公司 一种数据推荐方法
CN111144974A (zh) * 2019-12-04 2020-05-12 北京三快在线科技有限公司 一种信息展示方法及装置
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
CN111625721A (zh) * 2020-05-26 2020-09-04 汉海信息技术(上海)有限公司 内容推荐方法及装置
CN111753339A (zh) * 2020-06-03 2020-10-09 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
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
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
CN111831630A (zh) * 2019-12-30 2020-10-27 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
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
CN111881399A (zh) * 2020-07-20 2020-11-03 汉海信息技术(上海)有限公司 一种消息推送方法及装置
CN112070561A (zh) * 2020-09-18 2020-12-11 中国工商银行股份有限公司 电子券推荐方法及装置
CN112182421A (zh) * 2020-09-23 2021-01-05 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
CN112328899A (zh) * 2020-11-27 2021-02-05 京东数字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
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
CN112948686A (zh) * 2021-03-25 2021-06-11 支付宝(杭州)信息技术有限公司 位置推荐处理方法及装置
CN113010564A (zh) * 2021-03-16 2021-06-22 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
CN113626342A (zh) * 2021-08-31 2021-11-09 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
CN113763072A (zh) * 2020-07-01 2021-12-07 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
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

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113837804A (zh) * 2018-03-13 2021-12-24 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
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
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
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
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
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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106485562A (zh) * 2015-09-01 2017-03-08 苏宁云商集团股份有限公司 一种基于用户历史行为的商品信息推荐方法及***
US20170300814A1 (en) * 2016-04-13 2017-10-19 Google Inc. Wide and deep machine learning models
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
CN108596645A (zh) * 2018-03-13 2018-09-28 阿里巴巴集团控股有限公司 一种信息推荐的方法、装置及设备

Family Cites Families (13)

* 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***
US20140304085A1 (en) * 2010-12-10 2014-10-09 Nokia Corporation Method and apparatus for providing context-based coupon sharing
CA2829004A1 (en) * 2011-03-04 2012-09-13 Foursquare Labs, Inc. System and method for managing and redeeming offers with a location-based service
US9806942B2 (en) * 2013-12-02 2017-10-31 Yahoo Holdings, Inc. Deep linking to mobile applications
CN104881407A (zh) * 2014-02-27 2015-09-02 福州瑞芯微电子有限公司 基于特征识别的信息推荐***及方法
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
CN104883358B (zh) * 2015-04-28 2018-07-20 腾讯科技（北京）有限公司 基于推荐内容的互动方法和装置
CN105913273A (zh) * 2015-12-14 2016-08-31 乐视网信息技术（北京）股份有限公司 智能推荐的全端显示方法及装置
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
CN106066873B (zh) * 2016-05-30 2019-09-27 哈尔滨工程大学 一种基于本体的旅游信息推荐方法
CN107094166A (zh) * 2016-12-12 2017-08-25 口碑控股有限公司 一种业务信息发送方法及装置
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485562A (zh) * 2015-09-01 2017-03-08 苏宁云商集团股份有限公司 一种基于用户历史行为的商品信息推荐方法及***
US20170300814A1 (en) * 2016-04-13 2017-10-19 Google Inc. Wide and deep machine learning models
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
CN108596645A (zh) * 2018-03-13 2018-09-28 阿里巴巴集团控股有限公司 一种信息推荐的方法、装置及设备

Cited By (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111127074A (zh) * 2019-11-26 2020-05-08 杭州聚效科技有限公司 一种数据推荐方法
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
CN111144974A (zh) * 2019-12-04 2020-05-12 北京三快在线科技有限公司 一种信息展示方法及装置
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
CN111078659A (zh) * 2019-12-20 2020-04-28 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
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
CN111831630A (zh) * 2019-12-30 2020-10-27 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
CN111625721A (zh) * 2020-05-26 2020-09-04 汉海信息技术(上海)有限公司 内容推荐方法及装置
CN111753339B (zh) * 2020-06-03 2023-10-20 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
CN111753339A (zh) * 2020-06-03 2020-10-09 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
CN113763072A (zh) * 2020-07-01 2021-12-07 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
CN111881399A (zh) * 2020-07-20 2020-11-03 汉海信息技术(上海)有限公司 一种消息推送方法及装置
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
CN112070561A (zh) * 2020-09-18 2020-12-11 中国工商银行股份有限公司 电子券推荐方法及装置
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
CN112182421A (zh) * 2020-09-23 2021-01-05 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
CN112328899A (zh) * 2020-11-27 2021-02-05 京东数字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
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
CN113010564A (zh) * 2021-03-16 2021-06-22 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
CN112948686A (zh) * 2021-03-25 2021-06-11 支付宝(杭州)信息技术有限公司 位置推荐处理方法及装置
CN112948686B (zh) * 2021-03-25 2023-06-16 支付宝(杭州)信息技术有限公司 位置推荐处理方法及装置
CN113626342A (zh) * 2021-08-31 2021-11-09 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

Also Published As

Publication number Publication date
CN113837804A (zh) 2021-12-24
CN108596645A (zh) 2018-09-28
TW201939404A (zh) 2019-10-01
TWI777015B (zh) 2022-09-11
CN108596645B (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
WO2019174395A1 (zh) 一种信息推荐的方法、装置及设备
WO2019192261A1 (zh) 一种支付方式推荐方法、装置及设备
CN105205089B (zh) 账户推荐
CN110033156B (zh) 一种业务活动效果的确定方法及装置
CN108509497B (zh) 信息推荐方法、装置和电子设备
US10013462B2 (en) Virtual tiles for service content recommendation
US9344507B2 (en) Method of processing web access information and server implementing same
US10440435B1 (en) Performing searches while viewing video content
CN108550046A (zh) 一种资源和营销推荐方法、装置及电子设备
CN110060085B (zh) 一种解析广告目标人群线下分布的方法、***及设备
CN110569429B (zh) 一种内容选择模型的生成方法、装置和设备
CN108519997B (zh) 相关内容的推荐方法及装置
JP2010009315A (ja) 推薦店舗提示システム
US10346594B2 (en) Digital rights management leveraging motion or environmental traits
CN110942338A (zh) 一种营销赋能策略的推荐方法、装置和电子设备
US11222361B2 (en) Location-based book identification
CN115048577A (zh) 一种模型训练方法、装置、设备及存储介质
US20160260017A1 (en) Method for adapting user interface and functionalities of mobile applications according to the user expertise
Alqahtani et al. Analysis of the technology acceptance theoretical model in examining users’ Behavioural intention to use an augmented reality app (IMAPCampus)
CN110866178B (zh) 一种数据处理方法、装置和机器可读介质
Giovandhi et al. The Effect of Product Quality and Brand Love on Repurchase Intention on Apple Brand (Study on Generation Z Students Using Apple Products at the University of North Sumatra)
US20140032708A1 (en) Providing online content
CN112699307A (zh) 一种信息的生成方法及装置
CN116628235B (zh) 数据推荐方法、装置、设备及介质
US11238221B2 (en) Language profiling service

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19768611

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19768611

Country of ref document: EP

Kind code of ref document: A1