本公开公开了一种信息推荐模型训练方法、装置、电子设备及计算机可读存储介质，其中，所述方法包括：确定与第一用户行为存在条件依赖的至少一种第二用户行为；获取第一用户行为对应的第一嵌入向量；第一嵌入向量为发生第一用户行为的信息对应的嵌入向量；将第一嵌入向量分别与每种第二用户行为对应的第二嵌入向量进行拼接，得到每种第二用户行为对应的第三嵌入向量；第二嵌入向量为发生第二用户行为的信息对应的嵌入向量；根据每种第二用户行为对应的第三嵌入向量分别进行独立训练得到信息推荐模型。本公开通过拼接存在条件依赖的用户行为的嵌入向量，根据拼接后的嵌入向量进行训练得到信息推荐模型，解决了样本数据稀疏性的问题，并提高了信息推荐精度。
本发明公开了一种高效的简历投递系统，该系统包括信息输入模块、职位筛选模块和信息显示模块，其中，职位筛选模块与信息输入模块通讯连接，并获取简历信息和企业发布的职位信息，然后将简历信息中的地域信息、专业信息、学历信息分别与职位信息中对应的工作地要求、专业要求、学历要求进行匹配，分别获得3个目标信息的匹配度Q1、Q2、Q3，以获得简历信息与职位信息的总匹配度U＝0.4Q1+0.3(Q2+Q3)，再将总匹配度U对应的职位信息进行排序后输送给信息显示模块显示，以帮助学生快速获取与自己简历信息匹配度高的职位信息，指导学生的简历投递，从而提高学生简历投递的质量和速度。
本发明实施例公开了一种信息推送方法、装置、计算机设备及存储介质，包括：获取待推送的推送信息；根据所述推送信息在预设的通道列表中查找符合第一预设条件的第一目标推送通道；根据所述第一目标推送通道将所述推送信息发送至所述目标终端，以使所述目标终端根据所述第一目标推送通道表征的显示形态显示所述推送信息。在进行消息推送时，服务器端在保存的目标终端的多个推送通道内，选择第一目标推送通道作为推送渠道，第一目标推送通道的选择与该目标终端的用户行为相关，即用户在目标终端上的操作行为决定了推送信息在目标终端的显示形态，建立用户操作行为与推送信息显示的关联关系，增强了推送信息在终端被触发的几率。
本公开提供一种个性化资源检索方法、装置、设备及计算机可读存储介质，包括：接收交互设备发送的检索指令；根据检索指令确定资源属性信息，并根据资源属性信息确定目标资源库；在目标资源库中，根据检索指令确定目标资源；其中，资源属性信息至少包括：目标资源为云端资源、目标资源为个人资源。本公开提供的方法、装置、设备及计算机可读存储介质，在服务器端设置有云端资源对应的资源库，以及个人资源对应的资源库，从而可以通过用户上传个人资源扩充云端资源。同时，在用户检索时，还能够指定相应的资源库，使用户进行个性化检索。
本申请公开了一种基于深度学习的数据推荐方法、装置及终端设备，方法包括：获取多个应聘人员的人物画像；应聘人员与应聘人员的人物画像一一对应；应聘人员的人物画像包括应聘人员的多维度信息；对获取到的所述多个应聘人员的人物画像分别进行特征提取；将提取出的第一特征输入到训练好的训练模型，分别获得多个应聘人员的评分；多个应聘人员中每一个应聘人员的评分分别与每一个应聘人员一一对应从所述多个应聘人员中确定出评分大于或等于预设阈值的目标应聘人员。采用本申请，可快速及准确完成对海量的应聘人员的初步筛选，提高了工作效率，节省了人力成本。
本发明实施例提供一种推荐策略的评估方法、装置、电子设备和存储介质。该方法包括：获取至少两组推荐信息，每组推荐信息是根据推荐策略和用户的用户信息生成的，每组推荐信息对应的推荐策略不同；显示至少两组推荐信息；接收用户输入的对至少两组推荐信息的评估信息；向服务器发送评估信息，评估信息用于指示服务器根据评估信息，生成至少两组推荐信息对应的推荐策略的评估结果。本申请提供的推荐策略的评估方法引入了真实用户对推荐策略的评估，提高了评估结果的置信度。
本申请提供一种排序处理方法、装置、设备和存储介质，方法包括：根据获取的用户的操作数据集合，确定所述用户的初始喜好偏序；对所述初始喜好偏序进行传递处理，得到所述用户的预测喜好偏序；在所述预测喜好偏序的偏序方向显著时，确定所述预测喜好偏序为所述用户的扩展喜好偏序；根据所述用户的所述初始喜好偏序和所述扩展喜好偏序，确定所述操作对象的排序队列并显示。根据扩展喜好偏序与初始喜好偏序确定出的操作对象的排序队列，参考价值大、可信度高，与用户的喜好习惯匹配度高，有利于提高用户使用体验。
本发明公开了一种面向众筹平台的个性化推荐单目标进化方法，包括:S1、定义众筹平台数据库为C，C＝{Y1,Y2,…,Yi,…,Y|α|}表示众筹平台数据库中所有交易记录的集合，Yi表示第i个交易记录，|α|为交易记录的总数；遍历众筹平台数据库C中总数为|α|的交易记录，淘汰投资记录少于3的用户以及对应的投资记录，得到众筹平台数据库C中满足条件的交易记录集合D＝{X1,X2,…,Xi,…,X|τ|}，|τ|为满足条件的交易记录的总数，|M|为D中不同用户的数目，以及D中所对应的不同种类产品项的数目为|N|，并根据K‑means算法对用户聚类，得到八个不同的用户类Ci(1≤i≤8)；S2、利用基于适应度计算的单目标优化方法对众筹平台数据库D中所有的产品推荐列表进行优化，从而得到最优的一个推荐列表。本发明可以根据自己的需求选择最符合其个人偏好的产品来进行投资。
本发明公开了一种基于集成回归的个性化推荐算法，其特征在于，包括以下步骤：步骤1：获取用户数据集，将用户数据集中每一个用户归为一个样本，遍历样本列表，记录样本的总数量N，并给每一个样本赋上初始权重d0；步骤2：集成若干个基础推荐算法，形成弱学习器选择池，并生成基础推荐算法列表k等步骤。本发明通过集成多个不同的基础推荐算法形成涵盖了各种不同影响因子的强学习器来解决同一个问题，提高了推荐系统的泛化能力，进而提升最终的推荐准确率。
本公开提供一种基于云检索的推荐方法、装置、设备及可读存储介质，包括：根据用户输入的检索信息确定多个第三方应用；判断是否安装有第三方应用，若未安装，则生成一用于模拟第三方应用的虚拟应用，并通过虚拟应用获取检索结果；根据检索结果确定并显示与检索信息对应的推荐结果。本公开提供的方案，通过生成未安装应用的虚拟应用，使得用户终端在未安装该第三方应用的情况下，依然能够使用该第三方应用提供的功能。并且，本公开提供的方案可以根据用户输入的检索信息确定多个第三方应用，基于每个第三方应用都能够获取对应的检索结果，从而无需在多个应用之间进行切换，也能够同时使用多个应用提供的功能。
相关内容