本公开实施例中提供了一种多路召回推荐方法、装置、电子设备及介质，属于计算技术领域，具体包括：将初始数据集合进行预处理操作，得到待检测数据集合；根据内容数据生成全部标的物对应的第一标签，以及，根据历史行为数据生成目标用户对应的第二标签；分别计算全部第一标签对应数据之间的相似度；根据相似度和第二标签召回目标用户对应的候选集合；对候选集合进行排序，得到目标集合。通过本公开的方案，对不同类型的初始数据进行处理后得到分类数据，并生成对应的标签，然后计算第一标签对应数据数据之间的相似度并结合第二标签召回候选集合，再对候选集合进行排序得到目标集合，提高了多路召回推荐的计算效率和推荐精度。提高了多路召回推荐的计算效率和推荐精度。提高了多路召回推荐的计算效率和推荐精度。
【技术实现步骤摘要】
一种多路召回推荐方法、装置、电子设备及介质
[0001]本公开涉及计算
，尤其涉及一种多路召回推荐方法、装置、电子设备及介质。
技术介绍
[0002]目前，互联网能够向用户提供海量的信息，而智能推荐系统能够迅速帮助用户找到感兴趣的信息。推荐算法是通过建立人和物品的关联关系，围绕数据、算法、系统为核心，将海量的数据信息，利用推荐系统的算法，应用到对应的召回策略和排序策略中，实现提供给用户个性化的推荐过程。但是现有的召回推荐方法，大多都是针对数值类型的原始数据做处理，对文本，音频，图片类的数据涉及的少之又少，且大多数算法都是单路召回模型，推荐的效率和精准度较差。
[0003]可见，亟需一种高效精准的多路召回推荐算法。
技术实现思路
[0004]有鉴于此，本公开实施例提供一种多路召回推荐方法、装置、电子设备及介质，至少部分解决现有技术中推荐的效率和精准度较差的问题。
[0005]第一方面，本公开实施例提供了一种多路召回推荐方法，包括：
[0006]将初始数据集合进行预处理操作，得到待检测数据集合，其中，所述待检测数据集合包括标的物对应的内容数据和目标用户对应的历史行为数据；
[0007]根据所述内容数据生成全部标的物对应的第一标签，以及，根据所述历史行为数据生成所述目标用户对应的第二标签；
[0008]分别计算全部所述第一标签对应数据之间的相似度；
[0009]根据所述相似度和所述第二标签召回所述目标用户对应的候选集合；
[0010]对所述候选集合进行排序，得到目标集合。
[0011]根据本公开实施例的一种具体实现方式，所述将初始数据集合进行预处理操作，得到待检测数据集合的步骤，包括：
[0012]将所述初始数据中与预设算法依赖的数据聚合；
[0013]将聚合后的全部数据转换为结构化数据；
[0014]将所述结构化数据分类形成所述内容数据和所述历史行为数据。
[0015]根据本公开实施例的一种具体实现方式，所述将聚合后的全部数据转换为结构化数据的步骤，包括：
[0016]将聚合后的全部数据通过特征处理操作转换为数值类数据；
[0017]将全部所述数值类数据作为所述结构化数据。
[0018]根据本公开实施例的一种具体实现方式，所述根据所述内容数据生成全部标的物对应的第一标签的步骤，包括：
[0019]从全部所述内容数据中提取类别特征；
[0020]根据所述类别特征生成全部所述标的物对应的第一标签。
[0021]根据本公开实施例的一种具体实现方式，所述根据所述历史行为数据生成所述目标用户对应的第二标签的步骤，包括：
[0022]过滤所述历史行为数据中的干扰数据，得到有效行为数据，其中，所述干扰数据包括曝光历史数据和负反馈数据；
[0023]根据所述有效行为数据生成所述目标用户对应的第二标签。
[0024]根据本公开实施例的一种具体实现方式，所述分别计算全部所述第一标签对应数据之间的相似度的步骤，包括：
[0025]将全部所述第一标签对应数据转换为向量值；
[0026]利用余弦公式分别计算全部向量值之间的距离值并将所述距离值作为所述相似度。
[0027]根据本公开实施例的一种具体实现方式，所述对所述候选集合进行排序，得到目标集合的步骤，包括：
[0028]将所述候选集合内的数据输入卷积神经网络，得到排序模型；
[0029]根据所述排序模型生成所述目标集合。
[0030]第二方面，本公开实施例提供了一种多路召回推荐装置，包括：
[0031]预处理模块，用于将初始数据集合进行预处理操作，得到待检测数据集合，其中，所述待检测数据集合包括标的物对应的内容数据和目标用户对应的历史行为数据；
[0032]生成模块，用于根据所述内容数据生成全部标的物对应的第一标签，以及，根据所述历史行为数据生成所述目标用户对应的第二标签；
[0033]计算模块，用于分别计算全部所述第一标签对应数据之间的相似度；
[0034]召回模块，用于根据所述相似度和所述第二标签召回所述目标用户对应的候选集合；
[0035]排序模块，用于对所述候选集合进行排序，得到目标集合。
[0036]第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
[0037]至少一个处理器；以及，
[0038]与该至少一个处理器通信连接的存储器；其中，
[0039]该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的多路召回推荐方法。
[0040]第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的多路召回推荐方法。
[0041]第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的多路召回推荐方法。
[0042]本公开实施例中的多路召回推荐方案，包括：将初始数据集合进行预处理操作，得到待检测数据集合，其中，所述待检测数据集合包括标的物对应的内容数据和目标用户对
应的历史行为数据；根据所述内容数据生成全部标的物对应的第一标签，以及，根据所述历史行为数据生成所述目标用户对应的第二标签；分别计算全部所述第一标签对应数据之间的相似度；根据所述相似度和所述第二标签召回所述目标用户对应的候选集合；对所述候选集合进行排序，得到目标集合。通过本公开的方案，对不同类型的初始数据进行处理后得到分类数据，并生成对应的标签，然后计算第一标签对应数据数据之间的相似度并结合第二标签召回候选集合，再对候选集合进行排序得到目标集合，提高了多路召回推荐的计算效率和推荐精度。
附图说明
[0043]为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0044]图1为本公开实施例提供的一种多路召回推荐方法的流程示意图；
[0045]图2为本公开实施例提供的一种多路召回推荐方法涉及的部分流程示意图；
[0046]图3为本公开实施例提供的一种多路召回推荐装置的结构示意图；
[0047]图4为本公开实施例提供的电子设备示意图。
具体实施方式
[0048]下面结合附图对本公开实施例进行详细描述。
[0049]以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种多路召回推荐方法，其特征在于，包括：将初始数据集合进行预处理操作，得到待检测数据集合，其中，所述待检测数据集合包括标的物对应的内容数据和目标用户对应的历史行为数据；根据所述内容数据生成全部标的物对应的第一标签，以及，根据所述历史行为数据生成所述目标用户对应的第二标签；分别计算全部所述第一标签对应数据之间的相似度；根据所述相似度和所述第二标签召回所述目标用户对应的候选集合；对所述候选集合进行排序，得到目标集合。2.根据权利要求1所述的方法，其特征在于，所述将初始数据集合进行预处理操作，得到待检测数据集合的步骤，包括：将所述初始数据中与预设算法依赖的数据聚合；将聚合后的全部数据转换为结构化数据；将所述结构化数据分类形成所述内容数据和所述历史行为数据。3.根据权利要求2所述的方法，其特征在于，所述将聚合后的全部数据转换为结构化数据的步骤，包括：将聚合后的全部数据通过特征处理操作转换为数值类数据；将全部所述数值类数据作为所述结构化数据。4.根据权利要求2所述的方法，其特征在于，所述根据所述内容数据生成全部标的物对应的第一标签的步骤，包括：从全部所述内容数据中提取类别特征；根据所述类别特征生成全部所述标的物对应的第一标签。5.根据权利要求2所述的方法，其特征在于，所述根据所述历史行为数据生成所述目标用户对应的第二标签的步骤，包括：过滤所述历史行为数据中的干扰数据，得到有效行为数据，其中，所述干扰数据包括曝光历史数据和负反馈数据；根据所述有效行为数据生成所述目标用户对应的第二标签。6.根据权利要求1所述的方法，其特征在于，所述分别计算全...
【专利技术属性】
技术研发人员：杨锐，张秉彬，蔡莹，
申请(专利权)人：上海微问家信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。