一种信息的推荐要领、装置、电子装备及可读存储介质-明略科技

首页明略研究一种信息的推荐要领、装置、电子装备及可读存储介质

一种信息的推荐要领、装置、电子装备及可读存储介质

2024-01-30

本申请提供了一种信息的推荐要领、装置、电子装备及可读存储介质，，，，，，使用获取到的待推荐用户的用户详情信息、多个候选物料信息和偏好预计模子，，，，，，确定待推荐用户与每个候选物料信息之间的偏好指数；；；；；；；；凭证每个候选物料信息的所属种别，，，，，，将多个候选物料信息聚类为多个物料类目荟萃；；；；；；；；确定每个物料类目荟萃中每个候选物料信息在该物料类目荟萃下的排列顺序；；；；；；；；从每个物料类目荟萃中抽取出推荐给待推荐用户的目的物料信息；；；；；；；；确定出推荐给待推荐用户的物料推荐列表，，，，，，凭证物料推荐列表中各个目的物料信息的推荐顺序，，，，，，逐个展示目的物料信息。。。。。。。这样，，，，，，使得推荐给待推荐用户的内容包括有差别类别的物料信息，，，，，，进而，，，，，，使得推荐的内容越发的周全、越发的多样化。。。。。。。

一种信息的推荐要领，，，，，，其特征在于，，，，，，所述推荐要领包括：获取待推荐用户的用户详情信息，，，，，，以及能够向所述待推荐用户推荐的多个候选物料信息；；；；；；；；使用所述用户详情信息、所述多个候选物料信息和预先训练好的偏好预计模子，，，，，，确定所述待推荐用户与每个候选物料信息之间的偏好指数；；；；；；；；凭证每个候选物料信息的所属种别，，，，，，将所述多个候选物料信息聚类为多个物料类目荟萃；；；；；；；；针关于每个物料类目荟萃，，，，，，确定该物料类目荟萃中每个候选物料信息在该物料类目荟萃下的排列顺序；；；；；；；；从每个物料类目荟萃中抽取出排列顺序位于前预设数目的候选物料信息，，，，，，作为推荐给待推荐用户的目的物料信息；；；；；；；；基于从每个物料类目荟萃中抽取出的多个目的物料信息，，，，，，确定出推荐给待推荐用户的物料推荐列表，，，，，，凭证所述物料推荐列表中各个目的物料信息的推荐顺序，，，，，，将各个目的物料信息逐个展示给所述待推荐用户。。。。。。。

申请号：CN202110746200.1
申请（专利权）人：btt博天堂
果真日期（果真）：2021.10.01
果真日期（授权）：2024.01.30

推荐阅读

全球双榜SOTA！明略科技专有大模子 Mano开启GUI智能操作新时代

2025-09-28

明略科技推出的GUI大模子Mano在Mind2Web和OSWorld两大基准测试中取得了创纪录的SOTA效果，，，，，，乐成率抵达40.1%。。。。。。。通过在线强化学习和自动数据收罗，，，，，，Mano为GUI智能体领域提供了可扩展的新范式，，，，，，显著提升了重大使命的执行能力。。。。。。。该手艺的突破不但推动了自动化界线的扩展，，，，，，也为企业智能化转型提供了强有力的支持

相识更多

官宣！明略科技推出专有大模子产品线DeepMiner，，，，，，可信商业数据剖析智能体终于能用了！

2025-09-22

明略科技推出专有大模子产品线DeepMiner，，，，，，以“可信智能体+可信数据”双轮驱动，，，，，，解决企业智能体落地中幻觉率高、历程不透明等痛点。。。。。。。该产品通过多智能体协同架构、企业级数据整合及全流程透明化设计，，，，，，降低幻觉率并支持知识沉淀，，，，，，其自研Mano和Cito模子划分实现精准执行与深度推理，，，，，，助力企业构建可信生产力。。。。。。。

相识更多

明略科技 Mano Technical Report

2025-09-18

Graphical user interfaces (GUIs) are the primary medium for human-computer interaction, yet automating GUI interactions remains challenging due to the complexity of visual elements, dynamic environments, and the need for multi-step reasoning. Existing methods based on vision-language models (VLMs) often suffer from limited resolution, domain mismatch, and insufficient sequential decisionmaking capability. To address these issues, we propose Mano, a robust GUI agent built upon a multi-modal foundation model pre-trained on extensive web and computer system data. Our approach integrates a novel simulated environment for high-fidelity data generation, a three-stage training pipeline (supervised fine-tuning, offline reinforcement learning, and online reinforcement learning), and a verification module for error recovery. Mano demonstrates state-of-the-art performance on multiple GUI benchmarks, including Mind2Web and OSWorld, achieving significant improvements in success rate and operational accuracy. Our work provides new insights into the effective integration of reinforcement learning with VLMs for practical GUI agent deployment, highlighting the importance of domain-specific data, iterative training, and holistic reward design.

下一篇：数据筛选要领和装置、电子装备及存储介质

返回行业资讯