CN105761102B - 一种预测用户购买商品行为的方法和装置 - Google Patents

一种预测用户购买商品行为的方法和装置 Download PDF

Info

Publication number
CN105761102B
CN105761102B CN201610082404.9A CN201610082404A CN105761102B CN 105761102 B CN105761102 B CN 105761102B CN 201610082404 A CN201610082404 A CN 201610082404A CN 105761102 B CN105761102 B CN 105761102B
Authority
CN
China
Prior art keywords
commodity
feature vector
vector
user
time
Prior art date
Legal status (The legal status 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 status listed.)
Active
Application number
CN201610082404.9A
Other languages
English (en)
Other versions
CN105761102A (zh
Inventor
陈海波
李晓燕
李鹏
胡光龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Netease Shuzhifan Technology Co ltd
Original Assignee
Hangzhou Langhe Technology Co Ltd
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 Hangzhou Langhe Technology Co Ltd filed Critical Hangzhou Langhe Technology Co Ltd
Priority to CN201610082404.9A priority Critical patent/CN105761102B/zh
Publication of CN105761102A publication Critical patent/CN105761102A/zh
Application granted granted Critical
Publication of CN105761102B publication Critical patent/CN105761102B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明的实施方式提供了一种预测用户购买商品行为的方法及装置。在该方案中，预测用户购买商品行为时，不仅要考虑商品特征向量序列G，还考虑用户特征向量U，也就是说，商品特征向量序列G和用户特征向量U需要同时考虑，此外还考虑了商品特征向量序列G之间的时间差因素，解决了现有技术中存在的准确度较低的缺陷。

Description

一种预测用户购买商品行为的方法和装置
技术领域
本发明的实施方式涉及电子商务技术领域，更具体地，本发明的实施方式涉及一种预测用户购买商品行为的方法和装置。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
随着互联网技术的快速发展，通过网络进行购物也变得越来越普遍，并逐步成为生活中不可或缺的一部分。可以通过网络进行购买的商品的种类越来越丰富，然而，这些繁多的商品信息在提供便利的同时，也带来了严重的商品信息过载的问题，所谓商品信息过载，可以指可用商品信息过多，甚至超过了个人的思考和处理能力，以至于需要耗用较多的时间来确定目标商品信息。
为了提高确定目标商品信息的效率，避免确定目标商品信息耗时较长的缺陷，目前提出了如下几种预测用户购买商品行为的方法，例如，基于逻辑回归模型的预测用户购买商品行为的方法、基于多层神经网络的预测用户购买商品行为的方法和基于递归神经网络的预测用户购买商品行为的方法。
发明内容
但是，基于逻辑回归模型和多层神经网络的预测用户购买商品行为的方法，没有考虑到用户商品购买序列之间的相关性，比如用户在t时刻买完奶粉，t+1时刻很有可能去买奶瓶，因此，存在准确度较低的缺陷；基于递归神经网络的预测用户购买商品行为的方法，没有考虑到序列之间的时间差问题，比如在t时刻的时候，t-1时刻是5年前购买记录，那就完全没有必要考虑t-1时刻与t时刻之间购买的相关性，因此，这种方法也存在准确度较低的缺陷，此外，基于递归神经网络的预测用户购买商品行为的方法在预测用户购买商品行为时仅仅考虑商品特征向量序列G，没有考虑用户的特征，而不同特征的用户对于其购买商品行为也会有较大影响，因此，现有技术中预测用户购买商品行为的方法存在准确度较低的缺陷，这是非常令人烦恼的过程。
为此，非常需要一种改进的预测用户购买商品行为的方法，解决现有技术中存在的准确度较低的缺陷。
在本上下文中，本发明的实施方式期望提供一种预测用户购买商品行为的方法和装置。
在本发明实施方式的第一方面中，提供了一种预测用户购买商品行为的方法，包括：
获取用户的商品购买序列S、商品购买序列S所对应的购买时间序列T和商品特征向量序列G、以及用户特征向量U；
针对所述购买时间序列T中的每一个t时刻，分别执行下述步骤：
对所述用户特征向量U进行线性处理和非线性处理以得到用户隐节点向量H(U)t；
确定第一特征向量It，所述第一特征向量It根据Gt与零向量或者H(G)t-1拼接得到，所述Gt为在所述t时刻购买的商品的商品特征向量，所述零向量的维度为K1维度，所述K1维度为商品隐节点向量H(G)t的维度；所述H(G)t-1表示在与所述t时刻相邻的前一个时刻得到的商品隐节点向量；
对所述第一特征向量It进行线性处理和非线性处理以得到商品隐节点向量H(G)t；
根据所述用户隐节点向量H(U)t和所述商品隐节点向量H(G)t拼接得到的第二特征向量Ht，并对所述第二特征向量Ht进行处理，最终得到输出节点向量Ot；所述输出节点向量Ot表示所述用户在所述t时刻之后购买商品的概率。
在一个实施例中，根据本发明的上述实施例所述的方法，所述H(U)t满足如下规则：
Figure BDA0000922833590000031
其中，所述W1为第一线性层权重矩阵，所述第一线性层权重矩阵的维度为K2*K3，所述K2为所述用户特征向量U的维度，所述K3为所述用户隐节点向量H(U)t的维度。
在一些实施例中，根据本发明的上述任一实施例所述的方法，其中确定第一特征向量It的步骤包括：
根据T1和T2确定第一特征向量It；所述T1为在所述t时刻购买商品的实际时间点，所述T2为在与所述t时刻相邻的前一个时刻购买商品的实际时间点；
若(所述T1-所述T2)的差值大于时间阈值或者t＝1，所述第一特征向量It根据Gt与零向量拼接得到；若(所述T1-所述T2)的差值小于或者等于所述时间阈值，所述第一特征向量It根据所述Gt与H(G)t-1拼接得到。上文中的t＝1表示该t时刻是所述购买时间序列T中的第一个时刻。
在一些实施例中，根据本发明的上述任一实施例所述的方法，所述H(G)t满足如下规则：
Figure BDA0000922833590000032
其中，所述W2为第二线性层权重矩阵，所述第二线性层权重矩阵的维度为(K4+K1)*K1所述K4为所述商品特征向量序列G中的任意一商品特征向量Gt的维度。
在一些实施例中，根据本发明的上述任一实施例所述的方法，所述Ot满足如下规则：
Figure BDA0000922833590000041
其中，所述n为所述商品购买序列S中的元素个数，所述W3为第三线性层权重矩阵，所述第三线性层权重矩阵的维度为(K1+K3)*K5，所述K3为所述用户隐节点向量H(U)t的维度，所述K5位所述输出节点向量Ot的维度。
在一些实施例中，根据本发明的上述任一实施例所述的方法，其中对所述第二特征向量Ht进行处理的步骤包括：
对所述第二特征向量Ht进行线性处理和非线性处理。
在一些实施例中，根据本发明的上述任一实施例所述的方法，所述方法还包括：
确定N个商品购买样本序列M；
针对所述N个商品购买样本序列M中的每一个商品购买样本序列M，确定与该商品购买样本序列M对应的购买时间样本序列P、商品特征向量样本序列Q及用户特征向量样本R；
根据所有商品购买样本序列M，及对应的购买时间样本序列P、商品特征向量样本序列Q及用户特征向量样本R，预测所述W1、所述W2和所述W3中的至少一种。
在本发明实施方式的第二方面中，提供了一种预测用户购买商品行为的装置，包括：
获取单元，用于获取用户的商品购买序列S、商品购买序列S所对应的购买时间序列T和商品特征向量序列G、以及用户特征向量U；
处理单元，用于针对所述购买时间序列T中的每一个t时刻，分别执行下述步骤：对所述用户特征向量U进行线性处理和非线性处理以得到用户隐节点向量H(U)t；
确定单元，用于确定第一特征向量It，所述第一特征向量It根据Gt与零向量或者H(G)t-1拼接得到，所述Gt为在所述t时刻购买的商品的商品特征向量，所述零向量的维度为K1维度，所述K1维度为商品隐节点向量H(G)t的维度；所述H(G)t-1表示在与所述t时刻相邻的前一个时刻得到的商品隐节点向量；
所述处理单元还用于，对所述第一特征向量It进行线性处理和非线性处理以得到商品隐节点向量H(G)t；
拼接单元，用于根据所述用户隐节点向量H(U)t和所述商品隐节点向量H(G)t拼接得到的第二特征向量Ht；
所述处理单元还用于，对所述第二特征向量Ht进行处理，最终得到输出节点向量Ot；所述输出节点向量Ot表示所述用户在所述t时刻之后购买商品的概率。
在一个实施例中，根据本发明的上述实施例所述的装置，所述H(U)t满足如下规则：
Figure BDA0000922833590000051
其中，所述W1为第一线性层权重矩阵，所述第一线性层权重矩阵的维度为K2*K3，所述K2为所述用户特征向量U的维度，所述K3为所述用户隐节点向量H(U)t的维度。
在一些实施例中，根据本发明的上述任一实施例所述的装置，其中所述确定单元确定第一特征向量It时具体为：
根据T1和T2确定第一特征向量It；所述T1为在所述t时刻购买商品的实际时间点，所述T2为在与所述t时刻相邻的前一个时刻购买商品的实际时间点；
若(所述T1-所述T2)的差值大于时间阈值或者t＝1，所述第一特征向量It根据Gt与零向量拼接得到；若(所述T1-所述T2)的差值小于或者等于所述时间阈值，所述第一特征向量It根据所述Gt与H(G)t-1拼接得到。上文中的t＝1表示该t时刻是所述购买时间序列T中的第一个时刻。
在一些实施例中，根据本发明的上述任一实施例所述的装置，所述H(G)t满足如下规则：
Figure BDA0000922833590000061
其中，所述W2为第二线性层权重矩阵，所述第二线性层权重矩阵的维度为(K4+K1)*K1所述K4为所述商品特征向量序列G中的任意一商品特征向量Gt的维度。
在一些实施例中，根据本发明的上述任一实施例所述的装置，所述Ot满足如下规则：
Figure BDA0000922833590000062
其中，所述n为所述商品购买序列S中的元素个数，所述W3为第三线性层权重矩阵，所述第三线性层权重矩阵的维度为(K1+K3)*K5，所述K3为所述用户隐节点向量H(U)t的维度，所述K5位所述输出节点向量Ot的维度。
在一些实施例中，根据本发明的上述任一实施例所述的装置，其中所述处理单元对所述第二特征向量Ht进行处理时具体为：
对所述第二特征向量Ht进行线性处理和非线性处理。
在一些实施例中，根据本发明的上述任一实施例所述的装置，所述确定单元还用于，确定N个商品购买样本序列M；针对所述N个商品购买样本序列M中的每一个商品购买样本序列M，确定与该商品购买样本序列M对应的购买时间样本序列P、商品特征向量样本序列Q及用户特征向量样本R；
还包括预测单元，用于根据所有商品购买样本序列M，及对应的购买时间样本序列P、商品特征向量样本序列Q及用户特征向量样本R，预测所述W1、所述W2和所述W3中的至少一种。
本发明的实施方式提供了一种预测用户购买商品行为的方法及装置：获取用户的商品购买序列S、商品购买序列S所对应的购买时间序列T和商品特征向量序列G、以及用户特征向量U；针对所述购买时间序列T中的每一个t时刻，分别执行下述步骤：对所述用户特征向量U进行线性处理和非线性处理以得到用户隐节点向量H(U)t；确定第一特征向量It，所述第一特征向量It根据Gt与零向量或者H(G)t-1拼接得到，所述Gt为在所述t时刻购买的商品的商品特征向量，所述零向量的维度为K1维度，所述K1维度为商品隐节点向量H(G)t的维度；所述H(G)t-1表示在与所述t时刻相邻的前一个时刻得到的商品隐节点向量；对所述第一特征向量It进行线性处理和非线性处理以得到商品隐节点向量H(G)t；根据所述用户隐节点向量H(U)t和所述商品隐节点向量H(G)t拼接得到的第二特征向量Ht，并对所述第二特征向量Ht进行处理，最终得到输出节点向量Ot；所述输出节点向量Ot表示所述用户在所述t时刻之后购买商品的概率，该方案中，预测用户购买商品行为时，不仅要考虑商品特征向量序列G，还考虑用户特征向量U，因此，解决了现有技术中存在的准确度较低的缺陷。
进一步的，本发明实施例中，第一特征向量It是根据T1和T2确定的；所述T1为在所述t时刻购买商品的实际时间点，所述T2为在与所述t时刻相邻的前一个时刻购买商品的实际时间点，即引入截断时间差，对购买序列中的时间相关有效性进行判断，进一步提高预测的准确度。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
图1示意性地示出了根据本发明实施方式的预测用户购买商品行为的一种场景示意图；
图2示意性地示出了根据本发明实施方式的预测用户购买商品行为的方法流程图；
图3示意性地示出了根据本发明实施例的预测用户购买商品行为的装置的示意图；
图4示意性地示出了根据本发明又一实施例的预测用户购买商品行为的装置的示意图；
图5示意性地示出了根据本发明再一实施例的预测用户购买商品行为的装置的示意图；
在附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术技术人员知道，本发明的实施方式可以实现为一种***、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
根据本发明的实施方式，提出了一种预测用户购买商品行为的方法和装置。
在本文中，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。
下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。
发明概述
本发明人发现，采用如下方式的预测用户购买商品行为的方法可以提高预测的准确度：获取用户的商品购买序列S、商品购买序列S所对应的购买时间序列T和商品特征向量序列G、以及用户特征向量U；针对所述购买时间序列T中的每一个t时刻，分别执行下述步骤：对所述用户特征向量U进行线性处理和非线性处理以得到用户隐节点向量H(U)t；确定第一特征向量It，所述第一特征向量It根据Gt与零向量或者H(G)t-1拼接得到，所述Gt为在所述t时刻购买的商品的商品特征向量，所述零向量的维度为K1维度，所述K1维度为商品隐节点向量H(G)t的维度；所述H(G)t-1表示在与所述t时刻相邻的前一个时刻得到的商品隐节点向量；对所述第一特征向量It进行线性处理和非线性处理以得到商品隐节点向量H(G)t；根据所述用户隐节点向量H(U)t和所述商品隐节点向量H(G)t拼接得到的第二特征向量Ht，并对所述第二特征向量Ht进行处理，最终得到输出节点向量Ot；所述输出节点向量Ot表示所述用户在所述t时刻之后购买商品的概率，该方案中，预测用户购买商品行为时，不仅要考虑商品特征向量序列G，还考虑用户特征向量U，因此，解决了现有技术中存在的准确度较低的缺陷。
在介绍了本发明的基本原理之后，下面具体介绍本发明的各种非限制性实施方式。
应用场景总览
首先参考图1所示，本发明实施例所提供的预测用户购买商品行为的方法和装置所描述的方案可以应用于网易考拉海购(图1所示)，或者网易云课堂，或者网易游戏中，当然，也可以用于其他网站，本发明不做具体限定。
示例性方法
下面结合图1的应用场景，参考图2来描述根据本发明示例性实施方式的用于预测用户购买商品行为的方法。需要注意的是，上述应用场景仅是为了便于理解本发明的精神和原理而示出，本发明的实施方式在此方面不受任何限制。相反，本发明的实施方式可以应用于适用的任何场景。
本领域技术人员可以理解，上面所说的应用场景仅是本发明的实施方式可以在其中得以实现的几个示例。本发明实施方式的适用范围不受任何限制。
图2示意性地示出了根据本发明实施方式的用于预测用户购买商品行为的方法20的流程示意图。如图2所示，该方法可以包括步骤200、210、220、230、240以及250。
该方法始于步骤200，获取用户的商品购买序列S、商品购买序列S所对应的购买时间序列T和商品特征向量序列G、以及用户特征向量U。
本发明实施例中，用户特征向量U可以有多种形式：例如，可以是描述用户年龄、性别、兴趣、爱好中的至少一种文本处理特征向量；或者也可以是根据音频数据提取的语音特征向量，上述只是用户特征向量U的几种具体形式，实际应用中，并不限定于上述几种方式。
本发明实施例中，商品特征向量序列G可以有多种形式：例如，可以是描述商品的图像向量，或者，也可以是根据商品图像向量提取的图像特征，如LBP(Local BinaryPatterns，局部二值模式)、HOG(Histogram of Oriented Gradient,方向梯度直方图)等特征，或者，也可以是描述商品属性的文本处理特征向量，上述只是用户特征向量U的几种具体形式，实际应用中，并不限定于上述几种方式。
在上述步骤200之后，还可以执行步骤210，其中针对所述购买时间序列T中的每一个t时刻，分别执行下述步骤。
本发明实施例中，t可以是实际时间点，也可以是时间序列序号，在此不做具体限定。
在上述步骤210之后，还可以执行步骤220，其中对所述用户特征向量U进行线性处理和非线性处理以得到用户隐节点向量H(U)t。
本发明实施例中，可选地，所述H(U)t满足如下规则：
Figure BDA0000922833590000111
其中，所述W1为第一线性层权重矩阵，所述第一线性层权重矩阵的维度为K2*K3，所述K2为所述用户特征向量U的维度，所述K3为所述用户隐节点向量H(U)t的维度。
在上述步骤220之后，还可以进一步的执行步骤230，其中确定第一特征向量It，所述第一特征向量It根据Gt与零向量或者H(G)t-1拼接得到，所述Gt为在所述t时刻购买的商品的商品特征向量，所述零向量的维度为K1维度，所述K1维度为商品隐节点向量H(G)t的维度；所述H(G)t-1表示在与所述t时刻相邻的前一个时刻得到的商品隐节点向量。
本发明实施例中，可选地，其中确定第一特征向量It的步骤包括：
根据T1和T2确定第一特征向量It；所述T1为在所述t时刻购买商品的实际时间点，所述T2为在与所述t时刻相邻的前一个时刻购买商品的实际时间点；
若(所述T1-所述T2)的差值大于时间阈值或者t＝1，所述第一特征向量It根据Gt与零向量拼接得到；若(所述T1-所述T2)的差值小于或者等于所述时间阈值，所述第一特征向量It根据所述Gt与H(G)t-1拼接得到。
上文中的t＝1表示该t时刻是所述购买时间序列T中的第一个时刻。
本发明实施例中，第一特征向量It是根据T1和T2确定的；所述T1为在所述t时刻购买商品的实际时间点，所述T2为在与所述t时刻相邻的前一个时刻购买商品的实际时间点，即引入截断时间差，对购买序列中的时间相关有效性进行判断，进一步提高预测的准确度。
在上述步骤230后，还可以执行步骤240，其中对所述第一特征向量It进行线性处理和非线性处理以得到商品隐节点向量H(G)t。
本发明实施例中，可选地，所述H(G)t满足如下规则：
Figure BDA0000922833590000121
其中，所述W2为第二线性层权重矩阵，所述第二线性层权重矩阵的维度为(K4+K1)*K1所述K4为所述商品特征向量序列G中的任意一商品特征向量Gt的维度。
在上述步骤240之后，还可以执行步骤250，其中根据所述用户隐节点向量H(U)t和所述商品隐节点向量H(G)t拼接得到的第二特征向量Ht，并对所述第二特征向量Ht进行处理，最终得到输出节点向量Ot；所述输出节点向量Ot表示所述用户在所述t时刻之后购买商品的概率。
本发明实施例中，可选地，所述Ot满足如下规则：
Figure BDA0000922833590000122
其中，所述n为所述商品购买序列S中的元素个数，所述W3为第三线性层权重矩阵，所述第三线性层权重矩阵的维度为(K1+K3)*K5，所述K3为所述用户隐节点向量H(U)t的维度，所述K5位所述输出节点向量Ot的维度。
本发明实施例中，Ot的每个维度代表每种商品，每个维度的数值代表预测到的购买该商品的概率。
本发明实施例中，步骤250中其中对所述第二特征向量Ht进行处理的步骤包括：
对所述第二特征向量Ht进行线性处理和非线性处理。
本发明实施例中，还要训练得到W1、所述W2和所述W3，因此，还包括如下操作：
确定N个商品购买样本序列M；
针对所述N个商品购买样本序列M中的每一个商品购买样本序列M，确定与该商品购买样本序列M对应的购买时间样本序列P、商品特征向量样本序列Q及用户特征向量样本R；
根据所有商品购买样本序列M，及对应的购买时间样本序列P、商品特征向量样本序列Q及用户特征向量样本R，预测所述W1、所述W2和所述W3中的至少一种。
本发明实施例中，上述描述的N个商品购买样本序列M中的任意两个不同的商品购买样本序列M可以不同。
本发明实施例中，对每一个商品购买样本序列M，将所有商品购买样本序列M，及对应的购买时间样本序列P、商品特征向量样本序列Q及用户特征向量样本R，输入递归神经网络模型，并计算误差信息。误差信息根据BPTT(Back Propagation Through Time，反向传播算法)并进行反向传播计算，并相应更新相应层的W1、所述W2和所述W3。反复执行K次上述计算过程，当最终输出的误差值小于阈值时终止迭代。
本发明的实施方式提供了一种预测用户购买商品行为的方法及装置：获取用户的商品购买序列S、商品购买序列S所对应的购买时间序列T和商品特征向量序列G、以及用户特征向量U；针对所述购买时间序列T中的每一个t时刻，分别执行下述步骤：对所述用户特征向量U进行线性处理和非线性处理以得到用户隐节点向量H(U)t；确定第一特征向量It，所述第一特征向量It根据Gt与零向量或者H(G)t-1拼接得到，所述Gt为在所述t时刻购买的商品的商品特征向量，所述零向量的维度为K1维度，所述K1维度为商品隐节点向量H(G)t的维度；所述H(G)t-1表示在与所述t时刻相邻的前一个时刻得到的商品隐节点向量；对所述第一特征向量It进行线性处理和非线性处理以得到商品隐节点向量H(G)t；根据所述用户隐节点向量H(U)t和所述商品隐节点向量H(G)t拼接得到的第二特征向量Ht，并对所述第二特征向量Ht进行处理，最终得到输出节点向量Ot；所述输出节点向量Ot表示所述用户在所述t时刻之后购买商品的概率，该方案中，预测用户购买商品行为时，不仅要考虑商品特征向量序列G，还考虑用户特征向量U，因此，解决了现有技术中存在的准确度较低的缺陷。
进一步的，本发明实施例中，第一特征向量It是根据T1和T2确定的；所述T1为在所述t时刻购买商品的实际时间点，所述T2为在与所述t时刻相邻的前一个时刻购买商品的实际时间点，即引入截断时间差，对购买序列中的时间相关有效性进行判断，进一步提高预测的准确度。
示例性设备
在介绍了本发明示例性实施方式的方法之后，接下来，参考图3对本发明示例性实施方式的用于预测用户购买商品行为的装置进行说明。
图3示意性地示出了根据本发明实施方式的用于预测用户购买商品行为的装置30的示意图。如图3所示，该装置30可以包括：
获取单元300，用于获取用户的商品购买序列S、商品购买序列S所对应的购买时间序列T和商品特征向量序列G、以及用户特征向量U；
处理单元310，用于针对所述购买时间序列T中的每一个t时刻，分别执行下述步骤：对所述用户特征向量U进行线性处理和非线性处理以得到用户隐节点向量H(U)t；
确定单元320，用于确定第一特征向量It，所述第一特征向量It根据Gt与零向量或者H(G)t-1拼接得到，所述Gt为在所述t时刻购买的商品的商品特征向量，所述零向量的维度为K1维度，所述K1维度为商品隐节点向量H(G)t的维度；所述H(G)t-1表示在与所述t时刻相邻的前一个时刻得到的商品隐节点向量；
所述处理单元310还用于，对所述第一特征向量It进行线性处理和非线性处理以得到商品隐节点向量H(G)t；
拼接单元330，用于根据所述用户隐节点向量H(U)t和所述商品隐节点向量H(G)t拼接得到的第二特征向量Ht；
所述处理单元310还用于，对所述第二特征向量Ht进行处理，最终得到输出节点向量Ot；所述输出节点向量Ot表示所述用户在所述t时刻之后购买商品的概率。
本发明实施例中，获取单元300获取的用户特征向量U可以有多种形式：例如，可以是描述用户年龄、性别、兴趣、爱好中的至少一种文本处理特征向量；或者也可以是根据音频数据提取的语音特征向量，上述只是用户特征向量U的几种具体形式，实际应用中，并不限定于上述几种方式。
本发明实施例中，获取单元300获取的商品特征向量序列G可以有多种形式：例如，可以是描述商品的图像向量，或者，也可以是根据商品图像向量提取的图像特征，如LBP(Local Binary Patterns，局部二值模式)、HOG(Histogram of Oriented Gradient,，方向梯度直方图)等特征，或者，也可以是描述商品属性的文本处理特征向量，上述只是用户特征向量U的几种具体形式，实际应用中，并不限定于上述几种方式。
本发明实施例中，可选地，处理单元310处理得到的所述H(U)t满足如下规则：
Figure BDA0000922833590000151
其中，所述W1为第一线性层权重矩阵，所述第一线性层权重矩阵的维度为K2*K3，所述K2为所述用户特征向量U的维度，所述K3为所述用户隐节点向量H(U)t的维度。
本发明实施例中，其中所述确定单元320确定第一特征向量It时具体为：
根据T1和T2确定第一特征向量It；所述T1为在所述t时刻购买商品的实际时间点，所述T2为在与所述t时刻相邻的前一个时刻购买商品的实际时间点；
若(所述T1-所述T2)的差值大于时间阈值或者t＝1，所述第一特征向量It根据Gt与零向量拼接得到；若(所述T1-所述T2)的差值小于或者等于所述时间阈值，所述第一特征向量It根据所述Gt与H(G)t-1拼接得到。
上文中的t＝1表示该t时刻是所述购买时间序列T中的第一个时刻。
本发明实施例中，确定单元320确定第一特征向量It时是根据T1和T2确定的；所述T1为在所述t时刻购买商品的实际时间点，所述T2为在与所述t时刻相邻的前一个时刻购买商品的实际时间点，即引入截断时间差，对购买序列中的时间相关有效性进行判断，进一步提高预测的准确度。
本发明实施例中，t可以是实际时间点，也可以是时间序列序号，在此不做具体限定。
本发明实施例中，可选地，处理单元310处理得到的所述H(G)t满足如下规则：
Figure BDA0000922833590000161
其中，所述W2为第二线性层权重矩阵，所述第二线性层权重矩阵的维度为(K4+K1)*K1所述K4为所述商品特征向量序列G中的任意一商品特征向量Gt的维度。
本发明实施例中，可选地，处理单元310处理得到的所述Ot满足如下规则：
Figure BDA0000922833590000162
其中，所述n为所述商品购买序列S中的元素个数，所述W3为第三线性层权重矩阵，所述第三线性层权重矩阵的维度为(K1+K3)*K5，所述K3为所述用户隐节点向量H(U)t的维度，所述K5位所述输出节点向量Ot的维度。
本发明实施例中，Ot的每个维度代表每种商品，每个维度的数值代表预测到的购买该商品的概率。
本发明实施例中，可选地，其中所述处理单元310对所述第二特征向量Ht进行处理时具体为：
对所述第二特征向量Ht进行线性处理和非线性处理。
本发明实施例中，还要训练得到W1、所述W2和所述W3，因此，所述确定单元320还用于，确定N个商品购买样本序列M；针对所述N个商品购买样本序列M中的每一个商品购买样本序列M，确定与该商品购买样本序列M对应的购买时间样本序列P、商品特征向量样本序列Q及用户特征向量样本R；
还包括预测单元340，用于根据所有商品购买样本序列M，及对应的购买时间样本序列P、商品特征向量样本序列Q及用户特征向量样本R，预测所述W1、所述W2和所述W3中的至少一种。
本发明实施例中，上述描述的N个商品购买样本序列M中的任意两个不同的商品购买样本序列M可以不同。
本发明实施例中，对每一个商品购买样本序列M，将所有商品购买样本序列M，及对应的购买时间样本序列P、商品特征向量样本序列Q及用户特征向量样本R，输入递归神经网络模型，并计算误差信息。误差信息根据BPTT算法并进行反向传播计算，并相应更新相应层的W1、所述W2和所述W3。反复执行K次上述计算过程，当最终输出的误差值小于阈值时终止迭代。
本发明的实施方式提供了一种预测用户购买商品行为的方法及装置：获取用户的商品购买序列S、商品购买序列S所对应的购买时间序列T和商品特征向量序列G、以及用户特征向量U；针对所述购买时间序列T中的每一个t时刻，分别执行下述步骤：对所述用户特征向量U进行线性处理和非线性处理以得到用户隐节点向量H(U)t；确定第一特征向量It，所述第一特征向量It根据Gt与零向量或者H(G)t-1拼接得到，所述Gt为在所述t时刻购买的商品的商品特征向量，所述零向量的维度为K1维度，所述K1维度为商品隐节点向量H(G)t的维度；所述H(G)t-1表示在与所述t时刻相邻的前一个时刻得到的商品隐节点向量；对所述第一特征向量It进行线性处理和非线性处理以得到商品隐节点向量H(G)t；根据所述用户隐节点向量H(U)t和所述商品隐节点向量H(G)t拼接得到的第二特征向量Ht，并对所述第二特征向量Ht进行处理，最终得到输出节点向量Ot；所述输出节点向量Ot表示所述用户在所述t时刻之后购买商品的概率，该方案中，预测用户购买商品行为时，不仅要考虑商品特征向量序列G，还考虑用户特征向量U，因此，解决了现有技术中存在的准确度较低的缺陷。
进一步的，本发明实施例中，第一特征向量It是根据T1和T2确定的；所述T1为在所述t时刻购买商品的实际时间点，所述T2为在与所述t时刻相邻的前一个时刻购买商品的实际时间点，即引入截断时间差，对购买序列中的时间相关有效性进行判断，进一步提高预测的准确度。
示例性设备
在介绍了本发明示例性实施方式的方法和装置之后，接下来，介绍根据本发明的另一示例性实施方式的用于预测用户购买商品行为的装置。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为***、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“***”。
在一些可能的实施方式中，根据本发明的用于预测用户购买商品行为的装置可以至少包括至少一个处理单元、以及至少一个存储单元。其中，所述存储单元存储有程序代码，当所述程序代码被所述处理单元执行时，使得所述处理单元执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的用于预测用户购买商品行为中的步骤。例如，所述处理单元可以执行如图2中所示的步骤200：获取用户的商品购买序列S、商品购买序列S所对应的购买时间序列T和商品特征向量序列G、以及用户特征向量U；步骤210：针对所述购买时间序列T中的每一个t时刻，分别执行下述步骤：步骤220：对所述用户特征向量U进行线性处理和非线性处理以得到用户隐节点向量H(U)t；步骤230：确定第一特征向量It，所述第一特征向量It根据Gt与零向量或者H(G)t-1拼接得到，所述Gt为在所述t时刻购买的商品的商品特征向量，所述零向量的维度为K1维度，所述K1维度为商品隐节点向量H(G)t的维度；所述H(G)t-1表示在与所述t时刻相邻的前一个时刻得到的商品隐节点向量；步骤240：对所述第一特征向量It进行线性处理和非线性处理以得到商品隐节点向量H(G)t；步骤250：根据所述用户隐节点向量H(U)t和所述商品隐节点向量H(G)t拼接得到的第二特征向量Ht，并对所述第二特征向量Ht进行处理，最终得到输出节点向量Ot；所述输出节点向量Ot表示所述用户在所述t时刻之后购买商品的概率。
下面参照图4来描述根据本发明的这种实施方式的用于预测用户购买商品行为的装置10。图4显示的用于预测用户购买商品行为的装置10仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，用于预测用户购买商品行为的装置10以通用计算设备的形式表现。用于预测用户购买商品行为的装置10的组件可以包括但不限于：上述至少一个处理单元16、上述至少一个存储单元28、连接不同***组件(包括存储单元28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、***总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储单元28可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32，还可以进一步只读存储器(ROM)34。
存储单元28还可以包括具有一组(至少一个)程序模块42的程序/实用工具40，这样的程序模块42包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
用于预测用户购买商品行为的装置10也可以与一个或多个外部设备14(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该用于预测用户购买商品行为的装置10交互的设备通信，和/或与使得该用于预测用户购买商品行为的装置10能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，用于预测用户购买商品行为的装置10还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与用于预测用户购买商品行为的装置10的其它模块通信。应当明白，尽管图中未示出，可以结合用于预测用户购买商品行为的装置10使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
示例性程序产品
在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的用于预测用户购买商品行为的方法中的步骤，例如，所述终端设备可以执行如图2中所示的步骤200：获取用户的商品购买序列S、商品购买序列S所对应的购买时间序列T和商品特征向量序列G、以及用户特征向量U；步骤210：针对所述购买时间序列T中的每一个t时刻，分别执行下述步骤：步骤220：对所述用户特征向量U进行线性处理和非线性处理以得到用户隐节点向量H(U)t；步骤230：确定第一特征向量It，所述第一特征向量It根据Gt与零向量或者H(G)t-1拼接得到，所述Gt为在所述t时刻购买的商品的商品特征向量，所述零向量的维度为K1维度，所述K1维度为商品隐节点向量H(G)t的维度；所述H(G)t-1表示在与所述t时刻相邻的前一个时刻得到的商品隐节点向量；步骤240：对所述第一特征向量It进行线性处理和非线性处理以得到商品隐节点向量H(G)t；步骤250：根据所述用户隐节点向量H(U)t和所述商品隐节点向量H(G)t拼接得到的第二特征向量Ht，并对所述第二特征向量Ht进行处理，最终得到输出节点向量Ot；所述输出节点向量Ot表示所述用户在所述t时刻之后购买商品的概率。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
如图5所示，描述了根据本发明的实施方式的用于预测用户购买商品行为的程序产品50，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了用于预测用户购买商品行为的设备的若干装置或子装置，但是这种划分仅仅并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多装置的特征和功能可以在一个装置中具体化。反之，上文描述的一个装置的特征和功能可以进一步划分为由多个装置来具体化。
此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
虽然已经参考若干具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。

Claims (10)

1.一种预测用户购买商品行为的方法，包括：
获取用户的商品购买序列S、商品购买序列S所对应的购买时间序列T和商品特征向量序列G、以及用户特征向量U；
针对所述购买时间序列T中的每一个t时刻，分别执行下述步骤：
对所述用户特征向量U进行线性处理和非线性处理以得到用户隐节点向量H(U)t；
确定第一特征向量It，所述第一特征向量It根据Gt与零向量或者H(G)t-1拼接得到，所述Gt为在所述t时刻购买的商品的商品特征向量，所述零向量的维度为K1维度，所述K1维度为商品隐节点向量H(G)t的维度；所述H(G)t-1表示在与所述t时刻相邻的前一个时刻得到的商品隐节点向量；
对所述第一特征向量It进行线性处理和非线性处理以得到商品隐节点向量H(G)t；
根据所述用户隐节点向量H(U)t和所述商品隐节点向量H(G)t拼接得到第二特征向量Ht，并对所述第二特征向量Ht进行处理，最终得到输出节点向量Ot；所述输出节点向量Ot表示所述用户在所述t时刻之后购买商品的概率；
其中，确定第一特征向量It的步骤包括：
根据T1和T2确定第一特征向量It；所述T1为在所述t时刻购买商品的实际时间点，所述T2为在与所述t时刻相邻的前一个时刻购买商品的实际时间点；
若所述T1-所述T2的差值大于时间阈值或者t＝1，所述第一特征向量It根据Gt与零向量拼接得到；若所述T1-所述T2的差值小于或者等于所述时间阈值，所述第一特征向量It根据所述Gt与H(G)t-1拼接得到；
对所述第二特征向量Ht进行处理的步骤包括：
对所述第二特征向量Ht进行线性处理和非线性处理。
2.如权利要求1所述的方法，所述H(U)t满足如下规则：
Figure FDA0002984615270000021
其中，所述W1为第一线性层权重矩阵，所述第一线性层权重矩阵的维度为K2*K3，所述K2为所述用户特征向量U的维度，所述K3为所述用户隐节点向量H(U)t的维度。
3.如权利要求2所述的方法，所述H(G)t满足如下规则：
Figure FDA0002984615270000022
其中，所述W2为第二线性层权重矩阵，所述第二线性层权重矩阵的维度为(K4+K1)*K1，所述K4为所述商品特征向量序列G中的任意一商品特征向量Gt的维度。
4.如权利要求3所述的方法，所述Ot满足如下规则：
Figure FDA0002984615270000023
其中，所述n为所述商品购买序列S中的元素个数，所述W3为第三线性层权重矩阵，所述第三线性层权重矩阵的维度为(K1+K3)*K5，所述K3为所述用户隐节点向量H(U)t的维度，所述K5为所述输出节点向量Ot的维度。
5.如权利要求4所述的方法，所述方法还包括：
确定N个商品购买样本序列M；
针对所述N个商品购买样本序列M中的每一个商品购买样本序列M，确定与该商品购买样本序列M对应的购买时间样本序列P、商品特征向量样本序列Q及用户特征向量样本R；
根据所有商品购买样本序列M，及对应的购买时间样本序列P、商品特征向量样本序列Q及用户特征向量样本R，预测所述W1、所述W2和所述W3中的至少一种。
6.一种预测用户购买商品行为的装置，包括：
获取单元，用于获取用户的商品购买序列S、商品购买序列S所对应的购买时间序列T和商品特征向量序列G、以及用户特征向量U；
处理单元，用于针对所述购买时间序列T中的每一个t时刻，分别执行下述步骤：对所述用户特征向量U进行线性处理和非线性处理以得到用户隐节点向量H(U)t；
确定单元，用于确定第一特征向量It，所述第一特征向量It根据Gt与零向量或者H(G)t-1拼接得到，所述Gt为在所述t时刻购买的商品的商品特征向量，所述零向量的维度为K1维度，所述K1维度为商品隐节点向量H(G)t的维度；所述H(G)t-1表示在与所述t时刻相邻的前一个时刻得到的商品隐节点向量；
所述处理单元还用于，对所述第一特征向量It进行线性处理和非线性处理以得到商品隐节点向量H(G)t；
拼接单元，用于根据所述用户隐节点向量H(U)t和所述商品隐节点向量H(G)t拼接得到第二特征向量Ht；
所述处理单元还用于，对所述第二特征向量Ht进行处理，最终得到输出节点向量Ot；所述输出节点向量Ot表示所述用户在所述t时刻之后购买商品的概率；
其中，所述确定单元确定第一特征向量It时具体为：
根据T1和T2确定第一特征向量It；所述T1为在所述t时刻购买商品的实际时间点，所述T2为在与所述t时刻相邻的前一个时刻购买商品的实际时间点；
若所述T1-所述T2的差值大于时间阈值或者t＝1，所述第一特征向量It根据Gt与零向量拼接得到；若所述T1-所述T2的差值小于或者等于所述时间阈值，所述第一特征向量It根据所述Gt与H(G)t-1拼接得到；
所述处理单元对所述第二特征向量Ht进行处理时具体为：
对所述第二特征向量Ht进行线性处理和非线性处理。
7.如权利要求6所述的装置，所述H(U)t满足如下规则：
Figure FDA0002984615270000041
其中，所述W1为第一线性层权重矩阵，所述第一线性层权重矩阵的维度为K2*K3，所述K2为所述用户特征向量U的维度，所述K3为所述用户隐节点向量H(U)t的维度。
8.如权利要求7所述的装置，所述H(G)t满足如下规则：
Figure FDA0002984615270000042
其中，所述W2为第二线性层权重矩阵，所述第二线性层权重矩阵的维度为(K4+K1)*K1，所述K4为所述商品特征向量序列G中的任意一商品特征向量Gt的维度。
9.如权利要求8所述的装置，所述Ot满足如下规则：
Figure FDA0002984615270000043
其中，所述n为所述商品购买序列S中的元素个数，所述W3为第三线性层权重矩阵，所述第三线性层权重矩阵的维度为(K1+K3)*K5，所述K3为所述用户隐节点向量H(U)t的维度，所述K5为所述输出节点向量Ot的维度。
10.如权利要求9所述的装置，所述确定单元还用于，确定N个商品购买样本序列M；针对所述N个商品购买样本序列M中的每一个商品购买样本序列M，确定与该商品购买样本序列M对应的购买时间样本序列P、商品特征向量样本序列Q及用户特征向量样本R；
还包括预测单元，用于根据所有商品购买样本序列M，及对应的购买时间样本序列P、商品特征向量样本序列Q及用户特征向量样本R，预测所述W1、所述W2和所述W3中的至少一种。
CN201610082404.9A 2016-02-04 2016-02-04 一种预测用户购买商品行为的方法和装置 Active CN105761102B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610082404.9A CN105761102B (zh) 2016-02-04 2016-02-04 一种预测用户购买商品行为的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610082404.9A CN105761102B (zh) 2016-02-04 2016-02-04 一种预测用户购买商品行为的方法和装置

Publications (2)

Publication Number Publication Date
CN105761102A CN105761102A (zh) 2016-07-13
CN105761102B true CN105761102B (zh) 2021-05-11

Family

ID=56330008

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610082404.9A Active CN105761102B (zh) 2016-02-04 2016-02-04 一种预测用户购买商品行为的方法和装置

Country Status (1)

Country Link
CN (1) CN105761102B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108090093B (zh) * 2016-11-22 2021-02-09 华为技术有限公司 生成推荐结果的方法和装置
CN106600347B (zh) * 2017-01-17 2020-04-21 中国科学院自动化研究所 一种基于多视角数据和循环网络构建序列预测模型的方法
CN107818380B (zh) * 2017-09-29 2021-01-15 深圳和而泰智能控制股份有限公司 信息处理方法及服务器
CN109903063A (zh) * 2017-12-07 2019-06-18 北京京东尚科信息技术有限公司 数据处理方法及其***、计算机***和可读存储介质
CN108400929B (zh) * 2018-02-08 2021-06-08 网易乐得科技有限公司 数据处理方法、装置、计算设备和介质
CN110147502B (zh) * 2019-04-12 2024-03-15 平安科技（深圳）有限公司 基于大数据分析的产品推荐方法、装置、介质及服务器
CN110990704A (zh) * 2019-12-06 2020-04-10 创新奇智(成都)科技有限公司 时间序列用户与内容互动行为的学习预测方法
CN112256961B (zh) * 2020-10-19 2024-04-09 平安科技（深圳）有限公司 用户画像生成方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101082972A (zh) * 2007-05-30 2007-12-05 华为技术有限公司 预测用户对商品的兴趣的方法、装置和广告发布方法
CN103324690A (zh) * 2013-06-03 2013-09-25 焦点科技股份有限公司 基于因子化条件受限玻尔兹曼机的混合推荐方法
CN103337028A (zh) * 2013-06-21 2013-10-02 中国科学院深圳先进技术研究院 一种推荐方法、装置
CN103632290A (zh) * 2013-12-02 2014-03-12 合肥工业大学 一种基于推荐概率融合的混合推荐方法
CN104915734A (zh) * 2015-06-25 2015-09-16 深圳市腾讯计算机***有限公司 基于时间序列的商品热度预测方法和***

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6831663B2 (en) * 2001-05-24 2004-12-14 Microsoft Corporation System and process for automatically explaining probabilistic predictions

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101082972A (zh) * 2007-05-30 2007-12-05 华为技术有限公司 预测用户对商品的兴趣的方法、装置和广告发布方法
CN103324690A (zh) * 2013-06-03 2013-09-25 焦点科技股份有限公司 基于因子化条件受限玻尔兹曼机的混合推荐方法
CN103337028A (zh) * 2013-06-21 2013-10-02 中国科学院深圳先进技术研究院 一种推荐方法、装置
CN103632290A (zh) * 2013-12-02 2014-03-12 合肥工业大学 一种基于推荐概率融合的混合推荐方法
CN104915734A (zh) * 2015-06-25 2015-09-16 深圳市腾讯计算机***有限公司 基于时间序列的商品热度预测方法和***

Also Published As

Publication number Publication date
CN105761102A (zh) 2016-07-13

Similar Documents

Publication Publication Date Title
CN105761102B (zh) 一种预测用户购买商品行为的方法和装置
CN110278175B (zh) 图结构模型训练、垃圾账户识别方法、装置以及设备
US11093818B2 (en) Customer profile learning based on semi-supervised recurrent neural network using partially labeled sequence data
US20180357225A1 (en) Method for generating chatting data based on artificial intelligence, computer device and computer-readable storage medium
KR101868830B1 (ko) 머신 러닝에서의 가중치 생성
CN110046965A (zh) 信息推荐方法、装置、设备和介质
CN109376267B (zh) 用于生成模型的方法和装置
CN109447156B (zh) 用于生成模型的方法和装置
JP2017500639A (ja) 機械学習における重みの生成
US20220245424A1 (en) Microgenre-based hyper-personalization with multi-modal machine learning
CN111368973B (zh) 用于训练超网络的方法和装置
CN112699305A (zh) 多目标推荐方法、装置、计算设备以及介质
KR20160083111A (ko) 트레이닝 데이터를 위한 가중치 이득 평가기
CN111198967B (zh) 基于关系图谱的用户分组方法、装置及电子设备
CN115244587A (zh) 高效基础事实注释
CN112508691A (zh) 基于关系网标签化和图神经网络的风险预测方法及装置
CN113627536A (zh) 模型训练、视频分类方法，装置，设备以及存储介质
CN113298634A (zh) 基于时序特征和图神经网络的用户风险预测方法及装置
CN111444335B (zh) 中心词的提取方法及装置
CN115801980A (zh) 视频生成方法和装置
CN111026849B (zh) 数据处理方法和装置
US20220245460A1 (en) Adaptive self-adversarial negative sampling for graph neural network training
CN115204931A (zh) 用户服务策略确定方法、装置及电子设备
CN105701118B (zh) 用于归一化文件的非数值特征的方法和装置
CN112905885A (zh) 向用户推荐资源的方法、装置、设备、介质和程序产品

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
CB03 Change of inventor or designer information

Inventor after: Chen Haibo

Inventor after: Li Xiaoyan

Inventor after: Li Peng

Inventor after: Hu Guanglong

Inventor before: Chen Haibo

Inventor before: Li Xiaoyan

COR Change of bibliographic data
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: 310052 Room 301, Building No. 599, Changhe Street Network Business Road, Binjiang District, Hangzhou City, Zhejiang Province

Patentee after: Hangzhou NetEase Shuzhifan Technology Co.,Ltd.

Address before: 310052 Room 301, Building No. 599, Changhe Street Network Business Road, Binjiang District, Hangzhou City, Zhejiang Province

Patentee before: HANGZHOU LANGHE TECHNOLOGY Ltd.

CP01 Change in the name or title of a patent holder