CN108446374B - 用户意图预测方法、装置、电子设备、存储介质 - Google Patents
用户意图预测方法、装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN108446374B CN108446374B CN201810218834.8A CN201810218834A CN108446374B CN 108446374 B CN108446374 B CN 108446374B CN 201810218834 A CN201810218834 A CN 201810218834A CN 108446374 B CN108446374 B CN 108446374B
- Authority
- CN
- China
- Prior art keywords
- user
- behavior
- historical
- history
- sequence
- 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
Links
Classifications
-
- 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
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
-
- 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种用户意图预测方法、装置、电子设备、存储介质,用户意图预测方法包括:采集用户历史行为序列,所述用户历史行为序列包括多个历史用户行为项,各所述历史用户行为项包括历史用户行为及执行历史用户行为的位置信息;根据所述用户历史行为序列训练一用户意图预测模型;采集用户实时行为序列,所述用户实时行为序列包括多个实时用户行为项,各所述实时用户行为项包括实时用户行为及执行实时用户行为的位置信息;以及根据所述用户实时行为序列,通过所述用户意图预测模型预测用户行为。本发明提供的方法及装置可以更好地刻画出用户的需求偏好。
Description
技术领域
本发明涉及计算机应用技术领域,尤其涉及一种用户意图预测方法、装置、电子设备、存储介质。
背景技术
为了满足用户个性化交互体验,以提高用户活跃度及用户粘性,服务/商品提供方的应用程序或网页的交互设计和内容信息尤其需要关注及时性、相关性、定制化等方面。为了实现交互设计和内容信息的相关性和定制化,首先需要挖掘用户需求,了解用户意图。目前,挖掘用户意图的技术方案有两种:一种是用户画像,需要通过大量数据以对用户进行标签化,进而通过标签来判断用户的兴趣及偏好;另一种是历史行为统计值,其基于人工规则对用户数据进行概率统计,由此判断用户的兴趣和偏好。
然而,无论是标签还是统计值的方式,由于其离散的数据类型,难以实现细腻的用户区分,进而获得细致的用户偏好刻画。
发明内容
本发明为了克服上述相关技术存在的缺陷,提供一种用户意图预测方法、装置、电子设备、存储介质,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
根据本发明的一个方面,提供一种用户意图预测方法,包括:
采集用户历史行为序列,所述用户历史行为序列包括多个历史用户行为项,各所述历史用户行为项包括历史用户行为及执行历史用户行为的位置信息;
根据所述用户历史行为序列训练一用户意图预测模型;
采集用户实时行为序列,所述用户实时行为序列包括多个实时用户行为项,各所述实时用户行为项包括实时用户行为及执行实时用户行为的位置信息;以及
根据所述用户实时行为序列,通过所述用户意图预测模型预测用户行为。
根据本发明的又一方面,还提供一种用户意图预测装置,包括:
第一采集模块,用于采集用户历史行为序列,所述用户历史行为序列包括多个历史用户行为项,各所述历史用户行为项包括历史用户行为及执行历史用户行为的位置信息;
训练模块,用于根据所述用户历史行为序列训练一用户意图预测模型;
第二采集模块,用于采集用户实时行为序列,所述用户实时行为序列包括多个实时用户行为项,各所述实时用户行为项包括实时用户行为及执行实时用户行为的位置信息;以及
预测模块,用于根据所述用户实时行为序列,通过所述用户意图预测模型预测用户行为。
根据本发明的又一方面,还提供一种电子设备,所述电子设备包括:处理器;存储介质,其上存储有计算机程序,所述计算机程序被所述处理器运行时执行如上所述的步骤。
根据本发明的又一方面,还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如上所述的步骤。
相比现有技术,本发明的优势在于:
考虑到用户行为的不同位置会产生用户意图的变化,本发明在用户历史行为序列及用户实时行为序列中时使用户行为增加了位置信息的属性,由此,能够动态跟踪用户行为时的地理位置的转移和变化,经由用户意图预测模型的学习,以根据实时用户行为及位置信息预测用户行为,从而可以基于位置信息更好的刻画出用户的需求偏好。
附图说明
通过参照附图详细描述其示例实施方式,本发明的上述和其它特征及优点将变得更加明显。
图1示出了根据本发明实施例的用户意图预测方法的流程图。
图2示出了根据本发明实施例的用户历史行为序列向量化的流程图。
图3示出了根据本发明实施例的确定模型输入和输出的流程图。
图4示出了根据本发明实施例的用户实时行为序列向量化的流程图。
图5示出了根据本发明实施例的一种用户意图预测模型的示意图。
图6示出了根据本发明实施例的用户意图预测装置的框图。
图7示出了根据本发明一具体实施例的用户意图预测装置的框图。
图8示意性示出本发明示例性实施例中一种计算机可读存储介质示意图。
图9示意性示出本发明示例性实施例中一种电子设备示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本发明将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的步骤。例如,有的步骤还可以分解,而有的步骤可以合并或部分合并,因此,实际执行的顺序有可能根据实际情况改变。
图1示意性示出了根据本发明实施例的用户意图预测方法的流程图。参考图1,所述的用户意图预测方法可以包括以下步骤:
步骤S110:采集用户历史行为序列,所述用户历史行为序列包括多个历史用户行为项,各所述历史用户行为项包括历史用户行为及执行历史用户行为的位置信息;
步骤S120:根据所述用户历史行为序列训练一用户意图预测模型;
步骤S130:采集用户实时行为序列,所述用户实时行为序列包括多个实时用户行为项,各所述实时用户行为项包括实时用户行为及执行实时用户行为的位置信息;以及
步骤S140:根据所述用户实时行为序列,通过所述用户意图预测模型预测用户行为。
在本发明的示例性实施方式的用户意图预测方法中,考虑到用户行为的不同位置会产生用户意图的变化,本发明在用户历史行为序列及用户实时行为序列中时使用户行为增加了位置信息的属性,由此,能够动态跟踪用户行为时的地理位置的转移和变化,经由用户意图预测模型的学习,以根据实时用户行为及位置信息预测用户行为,从而可以基于位置信息更好的刻画出用户的需求偏好。
具体而言,随着用户的移动,即使相同的行为,表达的用户需求和侧重强烈程度是不同的。比如,用户在家中和在热门商圈中同样实施搜索火锅这个行为,在家中用户可能偏向商品信息多样化,侧重于信息浏览获取,在商圈中用户可能侧重于就近消费。本发明中通过将行为和地理位置属性结合,通过神经网络模型能够学习和捕捉到这类信息,从而更好的刻画出用户的需求偏好。
在本发明的各个实施例中,用户实时行为序列具有与用户历史行为序列相同的属性和结构;实时用户行为项具有与历史用户行为项相同的属性和结构;实时用户行为具有与历史用户行为相同的属性和结构。用户实时行为序列与用户历史行为序列的不同仅在于用户实时行为序列中的实时用户行为是实时发生的,而用户历史行为序列中的历史用户行为是在先前的时间中发生的。
下面将对本发明的示例性实施方式的用户意图预测方法进行说明。
上述步骤S110采集用户历史行为序列可以进一步包括如下步骤:
首先,采集一历史时间段内的多个历史用户行为项。
具体而言,所述的历史时间段,例如可以是在当前时间之前的“一天”、“12小时”、“6小时”、“1小时”等等,本发明并非以此为限。本发明通过采集一历史时间段内的多个历史用户行为项,并以此进行训练,以实现用户短期的实时意图刻画,从而提高用户行为预测的精度和准度。
所述的历史用户行为项包括历史用户行为及执行历史用户行为的位置信息。历史用户行为可以是搜索关键词、筛选品类、曝光商品(例如分享、转发商品的行为)、点击商品、下单商品等等,本发明并非以此为限。可以理解,历史用户行为中,搜索关键词及筛选品类为与商品转化无关的用户行为;曝光商品、点击商品及下单商品为与商品转化有关的用户行为。在本发明的各个实施例中,可将与商品转化无关的历史用户行为作为第一类历史用户行为,将与商品转化相关的历史用户行为作为第二类历史用户行为。在一些具体实施例中,可以采用字符串的形式表示历史用户行为。例如,搜索红蜡烛可以转换为“q红蜡烛”、筛选美食品类可以转换为“s美食”、搜索谷味多可以转换为“q谷味多”、点击商品A可以转换为“cp553203”(其中,商品A为用户感兴趣的商品,553203为商品A的ID)、下单商品A可以转换为“op553203”。上述字符串形式仅仅是示意性起见,本发明并非以此为限,本发明可以采用不同的字符串转换方式,以实现历史用户行为的字符串表示。
所述的执行历史用户行为的位置信息例如可以是执行历史用户行为时,用户所在的经纬度。位置信息可以根据如下方式中任一种获取:采集执行历史用户行为的用户终端的定位模块的位置信息;将用户终端的ip地址转化为位置信息;根据用户终端与通信基站的交互确定的位置信息等等。用户终端不限于智能手机、平板电脑、桌上型电脑、膝上型电脑等。在一些具体实施例中,可以采用字符串的形式表示位置信息。具体而言,可以使位置信息经过geohash算法得到字符串表示,例如,位置信息的字符串表示wwgq3y,其中ww表示城市级别大小地理范围,wwgq3y可以表示城市下商圈级别大小地理范围。上述字符串形式仅仅是示意性起见,本发明并非以此为限,本发明可以采用不同的字符串转换方式,以实现位置信息的字符串表示。
由此,在本发明的一个具体实施例中,历史用户行为项以Ai=<geoi,acti>的形式表示,其中,acti为历史用户行为的字符串表示,geoi为执行历史用户行为的位置信息的字符串表示。例如,历史用户行为项可以是Ai=<wwgq3y,q红蜡烛>,其中,历史用户行为为搜索红蜡烛,执行搜索红蜡烛的位置信息为wwgq3y。
接下来,将所述历史时间段内的多个历史用户行为项按历史用户行为的执行时间排序形成所述用户历史行为序列。
具体而言,在上述的具体实施例中,获得的用户历史行为序列可以是:<wwgq3y,q红蜡烛>,<wwgq3y,cp553203>,<wwgq3y,cp98162974>,<wwgq3y,s美食>,<wwgq3y,q谷味多>,<wwgq3y,cp5458065>。其中,该用户历史行为序列按历史用户行为的执行顺序排序,即历史用户行为按如下顺序执行:搜索红蜡烛、点击ID为553203的商品、点击ID为98162974的商品、筛选美食品类、搜索谷味多、点击ID为5458065的商品。
上述步骤S120根据所述用户历史行为序列训练一用户意图预测模型可以进一步包括如下步骤:
首先,使所述用户历史行为序列向量化,其中,分别对所述用户历史行为序列中各历史用户行为项的所述历史用户行为及所述位置信息进行向量化,并将向量化的历史用户行为及位置信息拼接得到向量化的用户历史行为项。
接下来,根据向量化的所述用户历史行为序列训练所述用户意图预测模型。
在上述实施例的一个具体实现中,参见图2,上述步骤S120根据所述用户历史行为序列训练一用户意图预测模型可以进一步包括如下步骤:
步骤S211:采用word2vev算法使历史用户行为向量化。
具体而言,为了将历史用户行为的词转为计算机可以理解和识别向量,常用方法是one-hot编码,如“s美食”可以向量化为[0,0,0,1,0,0,0,…,0,0,0];“q红蜡烛”可以向量化为[0,0,0,0,0,1,0…,0,0,0],“cp553203”可以向量化为[0,0,0,0,0,0,1,…,0,0,0],向量中只有一个值为1,其余都为0。然而,One-hot编码存在的问题是,向量的维度取决于行为的多少,将所有行为对应的向量合为一个矩阵,则该矩阵会过于稀疏,造成维度灾难,并且行为之间是相互独立的,看不出行为之间可能存在的关联关系。因此,本发明通过word2vec算法将历史用户行为转化为低维、连续的语义向量,如“s美食”可以向量化为[-1.16475,0.283087,-1.1012,0.407279,….,0.908895,-0.544638]100。以上仅仅是示意性的说明本发明的一种历史用户行为的向量化方式,本发明并非以此为限。
步骤S212:通过映射表使所述字符串形式的位置信息向量化。
具体而言,对于位置信息的字符串表示,通过截取字符串不同长度来表示不同大小的地理范围,由大到小如城市、商圈等粒度,再通过查表的方式将其表示成实数向量。
例如,对于wwgq3y(通过geohash算法得到的字符串表示),ww表示城市级别大小地理范围,wwgq3y可以表示城市下商圈级别大小地理范围,对于wwgq3y可以采用映射表查表的方式,将其影射到一个32维的向量[0,0,0,0,1,0,0,0,0,0,0,…,0,0,1,0,0,0]32,其中向量的前10维用来表示城市粒度,后22维表示商圈粒度。
由此,对于历史用户行为项Ai,其向量化后获得Vi=[Egeo,Eact],其中,Eact为向量化的历史用户行为,Egeo为向量化的位置信息。
在一个具体实施例中,历史用户行为项<wwgq3y,s美食>的向量例如可拼接后表示如下:
V=[0,0,0,0,1,0,0,0,0,0,0,…,0,0,1,0,0,0,-1.16475,0.283087,-1.1012,
0.407279,…,0.908895,-0.544638]132
可以理解,由于历史用户行为和位置信息的字符串表示不同,因此,在本发明中分别对它们采用不同的向量化算法。由于历史用户行为是高维、离散、稀疏的行为数据,因此,采用word2vev算法对历史用户行为向量化使得历史用户行为转化为低维、连续的语义向量的同时,还可以体现行为之间的关系。由于位置信息的字符串表示是有规律的、有限的数据,因此,采集映射表查表的方式使位置信息向量化可以减少向量转化算法的运算难度,加快向量化速度。
步骤S213:根据向量化的所述用户历史行为序列训练所述用户意图预测模型。
进一步地,参见图3,上述步骤S120根据所述用户历史行为序列训练一用户意图预测模型可以进一步包括如下步骤:
步骤S221:将历史用户行为项划分为具有第一类历史用户行为的第一类历史用户行为项和具有第二类历史用户行为的第二类历史用户行为项。
具体而言,可将与商品转化无关的历史用户行为作为第一类历史用户行为,将与商品转化相关的历史用户行为作为第二类历史用户行为。例如,所述的第一类历史用户行为可以包括搜索关键词、筛选品类;所述的第二类历史用户行为可以包括曝光商品、点击商品、下单商品。进一步地,在上述的历史用户行为的字符串表示的实施例中,搜索红蜡烛的字符串为“q红蜡烛”、筛选美食品类的字符串为“s美食”、搜索谷味多的字符串为“q谷味多”、点击商品A的字符串为“cp553203”,可以理解,历史用户行为的字符串表示中具有商品ID的为第二类历史用户行为,不具有商品ID的为第一类历史用户行为。上述实施例仅仅是示意性起见,本发明并非以此为限。
步骤S222:将第一类历史用户行为项或者所述第一类历史用户行为项和所述第二类历史用户行为项作为所述用户意图预测模型的输入。
在一个实施例中,可以仅将第一类历史用户行为项经由如图2所示的步骤S211和S212进行向量化后作为所述用户意图预测模型的输入。
在又一个实施例中,可以将第一类历史用户行为项和所述第二类历史用户行为项经由如图2所示的步骤S211和S212进行向量化后作为所述用户意图预测模型的输入。
步骤S223:将所述第二类历史用户行为作为所述用户意图预测模型的输出。
具体而言,所述用户意图预测模型的输出可以不包括位置信息。在又一些实施例中,训练时,所述用户意图预测模型的输出也可以包括位置信息,在实际预测时,删除位置信息即可。所述第二类历史用户行为可采用word2vev算法向量化后作为所述用户意图预测模型的输出。进一步地,无论是用户意图预测模型的输入还是输出,其仍然按执行顺序排序。
在本发明的一个具体实施例中,在训练阶段,可以按如下方式划分用户意图预测模型的输入和输出:
对于历史时间段内的按执行先后顺序排序的多个历史用户行为项中,自最末执行的历史用户行为项开始,判断该历史用户行为项的历史用户行为是否为第二类历史用户行为,若是,则将该第二类历史用户行为作为用户意图预测模型的输出,并自当前的历史用户行为项向前一项重新执行判断该历史用户行为项的历史用户行为是否为第二类历史用户行为的步骤;若否,则将当前的历史用户行为项开始至最先执行的历史用户行为项作为所述用户意图预测模型的输入。例如,用户历史行为序列为:<wwgq3y,q红蜡烛>,<wwgq3y,cp553203>,<wwgq3y,s美食>,<wwgq3y,q谷味多>,<wwgq3y,cp5458065>,<wwgq3y,cp98162974>,<wwgq3y,op98162974>,则自最末一项<wwgq3y,op98162974>开始判断其历史用户行为是否为第二类历史用户行为,判断结果op98162974为第二类历史用户行为,则将<wwgq3y,op98162974>作为模型的输出;再对前一项<wwgq3y,cp98162974>判断其历史用户行为是否为第二类历史用户行为,判断结果cp98162974为第二类历史用户行为,则将<wwgq3y,cp98162974>作为模型的输出;再对前一项<wwgq3y,cp5458065>判断其历史用户行为是否为第二类历史用户行为,判断结果cp5458065为第二类历史用户行为,则将<wwgq3y,cp5458065>作为模型的输出;然后,再对前一项<wwgq3y,q谷味多>判断其历史用户行为是否为第二类历史用户行为,判断结果q谷味多不为第二类历史用户行为,则将<wwgq3y,q谷味多>至最先执行的历史用户行为项<wwgq3y,q红蜡烛>作为模型的输入。由此,对于上述用户历史行为序列,<wwgq3y,q红蜡烛>,<wwgq3y,cp553203>,<wwgq3y,s美食>,<wwgq3y,q谷味多>按执行顺序作为用户意图预测模型的输入;cp5458065,cp98162974,op98162974按执行顺序作为用户意图预测模型的输出。在这样的实施例中,为了最终预测与商品转化有关的历史用户行为,因此,将第二类历史用户行为作为用户意图预测模型的输出。然而,在用户历史行为序列中,通常会存在第一类历史用户行为和第二类用户行为间隔的情况,为了使用户意图预测模型有足够多的输入以获得更准确的预测,因此,在本实施例中采用如上判断的方式以自用户历史行为序列的最末开始,将第一个第一类历史用户行为的历史用户行为项至最先执行的历史用户行为项作为用户意图预测模型的输入。
在该实施例的一个具体实施方式中,可以下单商品的行为为界限将历史时间段内的按执行先后顺序排序的多个历史用户行为项划分为多个用户历史行为序列,且各用户历史行为序列中的相邻历史用户行为间隔小于预定时间阈值(例如5分钟、10分钟、20分钟等)。例如,当用户历史行为序列中相邻历史用户行为q红蜡烛和cp553203间隔为60分钟,由于其间隔时间过长,可以理解,上述两项历史用户行为很大程度上基于用户的不同意愿来进行,因此,可将<wwgq3y,q红蜡烛>和<wwgq3y,cp553203>分别划分至两个用户历史行为序列中。由此,可仅对下单商品的相关行为序列进行学习和分析,同时通过时间阈值的设定来初步确定历史用户行为与下单商品行为的相关性。通过相关性较强的历史用户行为形成用户历史行为序列,进而提高用户意图预测模型的准确性。
进一步地,所述用户意图预测模型为一循环神经网络RNN,上述步骤S120所述根据所述用户历史行为序列训练一用户意图预测模型还包括如下步骤:
将至少部分所述用户历史行为序列作为所述循环神经网络RNN的输入。
将至少部分所述用户历史行为序列作为所述循环神经网络RNN的输出,其中,所述循环神经网络RNN的输出根据状态向量转化获得,所述状态向量根据所述循环神经网络RNN的输入转化获得。
训练所述循环神经网络RNN至所述状态向量的转化及所述状态向量至所述循环神经网络RNN的输出的转化。
具体的循环神经网络RNN的结构及训练方式将在下文中结合图5进行说明,在此不予赘述。
上述步骤S140根据所述用户实时行为序列,通过所述用户意图预测模型预测用户行为可以进一步包括如下步骤:
首先,使所述用户实时行为序列向量化,其中,分别对所述用户实时行为序列中各实时用户行为项的所述实时用户行为及所述位置信息进行向量化,并将向量化的实时用户行为及位置信息拼接得到向量化的用户实时行为项。
接下来,根据向量化的所述用户实时行为序列,通过所述用户意图预测模型预测用户行为。
在上述实施例的一个具体实现中,参见图4,上述步骤S140根据所述用户实时行为序列,通过所述用户意图预测模型预测用户行为可以进一步包括如下步骤:
步骤S411:采用word2vev算法使实时用户行为向量化。
具体而言,实时用户行为的向量化算法与历史用户行为的向量化算法相同。
步骤S412:通过映射表使所述字符串形式的位置信息向量化。
具体而言,步骤S412可以与步骤S212相同。
步骤S413:根据向量化的所述用户实时行为序列,通过所述用户意图预测模型预测用户行为。
具体而言,在本发明的具体实施例中,用户意图预测模型预测的用户行为可以是与商品转化相关的用户行为。
应当注意,尽管在附图中以特定顺序描述了本发明中方法的各个步骤,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步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
图5示出了根据本发明实施例的一种用户意图预测模型的示意图。本发明所提供的用户意图预测模型可以是循环神经网络RNN。
具体而言,本发明采用循环神经网络RNN的Seq2Seq模型。在图5中,n、m为大于等于1的正整数。Seq2Seq模型包含三个部分,即Encoder330(编码层)、Decoder350(解码层)以及连接Encoder330和Decoder350的中间状态向量340。
上述用户历史行为序列中至少部分历史用户行为项A1至An经向量化层320向量化为V1至Vn,V1至Vn输入Seq2Seq模型,在Encoder330中:
h1=f(UV1+W h0+b);
h2=f(UV2+W h1+b);
h3=f(UV3+W h2+b);
...
hn=f(UVn+W hn-1+b),
其中,U、W、b在h1至hn(第一隐向量)的计算中是相同的,并可通过随时间反向传播算法BPTT来计算损失函数的梯度,从而迭代更新U、W、b。h0可以是预先设定的常数也可以与U、W、b一同迭代更新。
状态向量C340的计算方式可以是如下任一中方式:
C=hn;
C=q(hn);
C=q(h1,h2,h3...,hn)。
其中,上述的C=q(hn)及C=q(h1,h2,h3...,hn)中的q指的是预确定的函数关系。换言之,Encoder330通过学习输入,将其编码成一个固定大小的状态向量340,接着将状态向量340传给Decoder350。Decoder350通过对状态向量340的学习进行输出。
在图5所示的实施例中,在Decoder350中,可根据状态向量C340顺次计算h1’至hm’(第二隐向量),Y1至Ym分别根据h1’至hm’计算获得。
具体而言,Encoder330在第j阶段接收第j个所述循环神经网络RNN的输入,并根据Encoder330在第j-1阶段输出的第一隐向量hj-1计算Encoder330在第j阶段输出的第一隐向量hj,j为大于等于1小于等于n的整数。Decoder350在第i阶段接收所述状态向量340,并根据Decoder350在第i-1阶段输出的第二隐向量hi-1’计算Decoder350在第i阶段输出的第二隐向量hi’,并基于所述第二隐向量hi’提供第i个所述循环神经网络RNN的输出,i为大于等于1小于等于m。
由此,根据用户历史行为序列经向量化形成循环神经网络RNN的Seq2Seq模型的输入和输出以此来对循环神经网络RNN的Seq2Seq模型的参数进行求解训练。当将用户实时行为序列经向量化作为循环神经网络RNN的Seq2Seq模型的输入后,可以获得循环神经网络RNN的Seq2Seq模型的输出。具体而言,将所获得的输出反向量化后,即可获得预测的用户行为。
具体而言,循环神经网络RNN的Seq2Seq模型的Encoder330和Decoder350中的各个单元(h1至hn,h1’至hm’)可以是LSTM(Long Short-Term Memory,长短期记忆网络)或者GRU(Gated Recurrent Unit,门控循环单元)的结构。Encoder330将输入编码成固定大小状态向量340,这个过程实际上是一个信息有损压缩过程,随着输入序列的长度增加,这个转化向量的过程对信息的损失就越大。固定大小的状态向量340使得Decoder350无法直接去关注到输入信息的更多细节。基于此缺陷,本发明可以利用注意力机制(Attention机制)通过在每个时间输入不同状态向量340以解决此问题,每个时刻选取与当前所要输出的最合适的状态向量。具体来说,可以用aij衡量Encoder330中第j阶段hj和Decoder350中第i阶段的相关性,最终Decoder350中第i阶段的输入的状态向量来自于Encoder330中所有hj对aij的加权和。具体而言,aij也可以通过上述RNN模型学习和训练来获得,由此,可以获得多个不同的状态向量340,例如:
C1=h1*a11+h2*a12+h3*a13+...+hn*a1n;
C2=h1*a21+h2*a22+h3*a23+...+hn*a2n;
C3=h1*a31+h2*a32+h3*a33+...+hn*a3n;
...
Cn=h1*an1+h2*an2+h3*an3+...+hn*ann,
上述状态向量C1至Cn的计算仅仅是示意性起见,本发明并非以此为限。上述Attention机制可以帮助模型对输入序列的行为赋予不同的权重,抽取出重要和关键的行为,有助于模型做出更加准确的判断,加速模型的迭代优化。
进一步地,本示例实时方式中还提供了一种用户意图预测装置。
图6示出了根据本发明实施例的用户意图预测装置的框图。用户意图预测装置500包括第一采集模块510、训练模块520、第二采集模块530、预测模块540。
第一采集模块510可以用于采集用户历史行为序列,所述用户历史行为序列包括多个历史用户行为项,各所述历史用户行为项包括历史用户行为及执行历史用户行为的位置信息。
训练模块520可以用于根据所述用户历史行为序列训练一用户意图预测模型。
第二采集模块530可以用于采集用户实时行为序列,所述用户实时行为序列包括多个实时用户行为项,各所述实时用户行为项包括实时用户行为及执行实时用户行为的位置信息。
预测模块540可以用于根据所述用户实时行为序列,通过所述用户意图预测模型预测用户行为。
在本发明的示例性实施方式的用户意图预测装置中,考虑到用户行为的不同位置会产生用户意图的变化,本发明在用户历史行为序列及用户实时行为序列中时使用户行为增加了位置信息的属性,由此,能够动态跟踪用户行为时的地理位置的转移和变化,经由用户意图预测模型的学习,以根据实时用户行为及位置信息预测用户行为,从而可以基于位置信息更好的刻画出用户的需求偏好。
根据本发明的一个具体实施例,可以参见图7,用户意图预测装置501包括第一采集模块510、训练模块520、第二采集模块530、预测模块540。
第一采集模块510可以包括行为项采集模块511及排序模块512。
行为项采集模块511可以用于采集一历史时间段内的多个历史用户行为项。
排序模块512可以用于将所述历史时间段内的多个历史用户行为项按历史用户行为的执行时间排序形成所述用户历史行为序列。
本发明通过行为项采集模块511及排序模块512采集一历史时间段内的多个历史用户行为项,并以此进行训练,以实现用户短期的实时意图刻画,从而提高用户行为预测的精度和准度。
训练模块520可以包括划分模块521、输入形成模块522及输出形成模块523。
划分模块521可以用于将历史用户行为项划分为具有第一类历史用户行为的第一类历史用户行为项和具有第二类历史用户行为的第二类历史用户行为项。
具体而言,可将与商品转化无关的历史用户行为作为第一类历史用户行为,将与商品转化相关的历史用户行为作为第二类历史用户行为。例如,所述的第一类历史用户行为可以包括搜索关键词、筛选品类;所述的第二类历史用户行为可以包括曝光商品、点击商品、下单商品。
输入形成模块522可以用于将所述第一类历史用户行为项或者所述第一类历史用户行为项和所述第二类历史行为项作为所述用户意图预测模型的输入。
输出形成模块523可以用于将所述第二类历史用户行为作为所述用户意图预测模型的输出。
本发明可以通过划分模块521、输入形成模块522及输出形成模块523确定模型的输入和输出,以供后续进行模型参数的求解和训练。
训练模块520还可以包括第一向量化模块524。
第一向量化模块524可以用于使所述用户历史行为序列向量化,其中,分别对所述用户历史行为序列中各历史用户行为项的所述历史用户行为及所述位置信息进行向量化,并将向量化的历史用户行为及位置信息拼接得到向量化的用户历史行为项。
预测模块540可以包括第二向量化模块541。
第二向量化模块541可以用于使所述用户实时行为序列向量化,其中,分别对所述用户实时行为序列中各实时用户行为项的所述实时用户行为及所述位置信息进行向量化,并将向量化的实时用户行为及位置信息拼接得到向量化的用户实时行为项。
图6和7仅仅是示意性的示出本发明提供的用户意图预测装置,在不违背本发明构思的前提下,模块的拆分、合并、增加都在本发明的保护范围之内。
在本发明的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被例如处理器执行时可以实现上述任意一个实施例中所述电子处方流转处理方法的步骤。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电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。
参考图8所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品800,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。
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为但不限于电、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。
所述计算机可读存储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。可读存储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。可读存储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租户计算设备上执行、部分地在租户设备上执行、作为一个独立的软件包执行、部分在租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),连接到租户计算设备,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)。
在本发明的示例性实施例中,还提供一种电子设备,该电子设备可以包括处理器,以及用于存储所述处理器的可执行指令的存储器。其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述电子处方流转处理方法的步骤。
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“***”。
下面参照图9来描述根据本发明的这种实施方式的电子设备600。图9显示的电子设备600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9所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:至少一个处理单元610、至少一个存储单元620、连接不同***组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图1至图4中任一图所示的步骤。
所述存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205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。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(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租户能与该电子设备600交互的设备通信,和/或与使得该电子设备600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650进行。并且,电子设备600还可以通过网络适配器660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。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600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。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明实施方式的上述电子处方流转处理方法。
相比现有技术,本发明的优势在于:
考虑到用户行为的不同位置会产生用户意图的变化,本发明在用户历史行为序列及用户实时行为序列中时使用户行为增加了位置信息的属性,由此,能够动态跟踪用户行为时的地理位置的转移和变化,经由用户意图预测模型的学习,以根据实时用户行为及位置信息预测用户行为,从而可以基于位置信息更好的刻画出用户的需求偏好。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由所附的权利要求指出。
Claims (10)
1.一种用户意图预测方法,其特征在于,包括:
采集用户历史行为序列,所述用户历史行为序列包括多个历史用户行为项,各所述历史用户行为项包括历史用户行为及执行历史用户行为的位置信息,其中,所述用户历史行为序列由所述多个历史用户行为项按历史用户行为的执行时间排序形成;
根据所述用户历史行为序列训练一用户意图预测模型;
采集用户实时行为序列,所述用户实时行为序列包括多个实时用户行为项,各所述实时用户行为项包括实时用户行为及执行实时用户行为的位置信息;以及
根据所述用户实时行为序列,通过所述用户意图预测模型预测用户行为,其中,所述用户意图预测模型为循环神经网络RNN,
所述循环神经网络RNN包括编码层和解码层,至少部分所述用户历史行为序列的历史用户行为项依次输入所述编码层以根据编码层输出的第一隐向量获得状态向量,所述状态向量多次输入所述解码层以根据所述解码层依次输出的第二隐向量获得所述循环神经网络RNN的输出,
其中,所述编码层在第j阶段接收第j个所述循环神经网络RNN的输入,并根据所述编码层在第j-1阶段输出的第一隐向量hj-1计算所述编码层在第j阶段输出的第一隐向量hj,j为大于等于1小于等于所述循环神经网络RNN的输入数量的整数;
所述解码层在第i阶段接收所述状态向量,并根据所述解码层在第i-1阶段输出的第二隐向量hi-1’计算所述解码层在第i阶段输出的第二隐向量hi’,并基于所述第二隐向量hi’提供第i个所述循环神经网络RNN的输出,i为大于等于1小于等于所述循环神经网络RNN的输出数量的整数。
2.如权利要求1所述的用户意图预测方法,其特征在于,根据所述用户历史行为序列训练一用户意图预测模型包括:
使所述用户历史行为序列向量化,其中,分别对所述用户历史行为序列中各历史用户行为项的所述历史用户行为及所述位置信息进行向量化,并将向量化的历史用户行为及向量化的位置信息拼接得到向量化的用户历史行为项;
根据向量化的所述用户历史行为序列训练所述用户意图预测模型。
3.如权利要求2所述的用户意图预测方法,其特征在于,所述历史用户行为采用word2vev算法向量化。
4.如权利要求2所述的用户意图预测方法,其特征在于,所述历史用户行为项中的位置信息为采用geohash算法形成的字符串形式,所述字符串形式的位置信息通过映射表的向量化。
5.如权利要求1-4中任一项所述的用户意图预测方法,其特征在于,所述根据所述用户历史行为序列训练一用户意图预测模型包括:
将至少部分所述用户历史行为序列作为所述循环神经网络RNN的输入;
将至少部分所述用户历史行为序列作为所述循环神经网络RNN的输出,其中,所述循环神经网络RNN的输出根据状态向量转化获得,所述状态向量根据所述循环神经网络RNN的输入转化获得。
6.如权利要求5所述的用户意图预测方法,其特征在于,所述循环神经网络RNN在不同的阶段采用不同的状态向量,所述解码层在第i阶段输入的状态向量为编码层输出的第一隐向量hj与aij的加权和,aij表示所述编码层第j阶段的第一隐向量hj和所述解码层的第i阶段的相关性。
7.如权利要求1-4、6中任一项所述的用户意图预测方法,其特征在于,根据所述用户历史行为序列训练一用户意图预测模型包括:
将历史用户行为项划分为具有第一类历史用户行为的第一类历史用户行为项和具有第二类历史用户行为的第二类历史用户行为项,其中,所述第一类历史用户行为为与商品转化无关的历史用户行为,所述第二类历史用户行为为与商品转化相关的历史用户行为;
将第一类历史用户行为项或者所述第一类历史用户行为项和所述第二类历史行为项作为所述用户意图预测模型的输入;
将所述第二类历史用户行为作为所述用户意图预测模型的输出。
8.一种用户意图预测装置,其特征在于,包括:
第一采集模块,用于采集用户历史行为序列,所述用户历史行为序列包括多个历史用户行为项,各所述历史用户行为项包括历史用户行为及执行历史用户行为的位置信息,其中,所述用户历史行为序列由所述多个历史用户行为项按历史用户行为的执行时间排序形成;
训练模块,用于根据所述用户历史行为序列训练一用户意图预测模型;
第二采集模块,用于采集用户实时行为序列,所述用户实时行为序列包括多个实时用户行为项,各所述实时用户行为项包括实时用户行为及执行实时用户行为的位置信息;以及
预测模块,用于根据所述用户实时行为序列,通过所述用户意图预测模型预测用户行为,其中,所述用户意图预测模型为循环神经网络RNN,
所述循环神经网络RNN包括编码层和解码层,至少部分所述用户历史行为序列的历史用户行为项依次输入所述编码层以根据编码层输出的第一隐向量获得状态向量,所述状态向量多次输入所述解码层以根据所述解码层依次输出的第二隐向量获得所述循环神经网络RNN的输出,
其中,所述编码层在第j阶段接收第j个所述循环神经网络RNN的输入,并根据所述编码层在第j-1阶段输出的第一隐向量hj-1计算所述编码层在第j阶段输出的第一隐向量hj,j为大于等于1小于等于所述循环神经网络RNN的输入数量的整数;
所述解码层在第i阶段接收所述状态向量,并根据所述解码层在第i-1阶段输出的第二隐向量hi-1’计算所述解码层在第i阶段输出的第二隐向量hi’,并基于所述第二隐向量hi’提供第i个所述循环神经网络RNN的输出,i为大于等于1小于等于所述循环神经网络RNN的输出数量的整数。
9.一种电子设备,其特征在于,所述电子设备包括:
处理器;
存储器,其上存储有计算机程序,所述计算机程序被所述处理器运行时执行如权利要求1至7任一项所述的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至7任一项所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810218834.8A CN108446374B (zh) | 2018-03-16 | 2018-03-16 | 用户意图预测方法、装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810218834.8A CN108446374B (zh) | 2018-03-16 | 2018-03-16 | 用户意图预测方法、装置、电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108446374A CN108446374A (zh) | 2018-08-24 |
CN108446374B true CN108446374B (zh) | 2019-09-20 |
Family
ID=63195596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810218834.8A Active CN108446374B (zh) | 2018-03-16 | 2018-03-16 | 用户意图预测方法、装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108446374B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298321A (zh) * | 2021-06-22 | 2021-08-24 | 深圳市查策网络信息技术有限公司 | 一种基于多数据融合的用户意图预测方法 |
Families Citing this family (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110874145A (zh) * | 2018-08-30 | 2020-03-10 | 北京搜狗科技发展有限公司 | 一种输入方法、装置及电子设备 |
CN109345260B (zh) * | 2018-10-09 | 2021-11-30 | 北京芯盾时代科技有限公司 | 一种异常操作行为的检测方法 |
CN109635079A (zh) * | 2018-10-25 | 2019-04-16 | 北京中关村科金技术有限公司 | 一种用户意图的确定方法、装置、计算机设备和存储介质 |
CN109901896A (zh) * | 2018-12-06 | 2019-06-18 | 华为技术有限公司 | 一种人机交互***及人机交互***中多任务处理方法 |
CN109800359B (zh) * | 2018-12-20 | 2021-08-17 | 北京百度网讯科技有限公司 | 信息推荐处理方法、装置、电子设备及可读存储介质 |
CN109783736B (zh) * | 2019-01-18 | 2022-03-08 | 广东小天才科技有限公司 | 一种意图推测方法及*** |
CN109858970B (zh) * | 2019-02-02 | 2021-07-02 | 中国银行股份有限公司 | 一种用户行为预测方法、装置及存储介质 |
CN109947029B (zh) * | 2019-04-10 | 2022-05-10 | 广东工业大学 | 智能家居设备的控制方法、装置及设备 |
CN110166529A (zh) * | 2019-04-16 | 2019-08-23 | 平安普惠企业管理有限公司 | 保持登录态方法、装置、设备及存储介质 |
CN111915338B (zh) * | 2019-05-08 | 2024-05-14 | 腾讯科技(深圳)有限公司 | 一种目标变量的预测方法、装置及存储介质 |
CN110290582B (zh) * | 2019-05-22 | 2020-10-30 | 浙江工业大学 | 一种基于seq2seq框架的基站标号轨迹预测方法 |
CN110457572B (zh) * | 2019-05-23 | 2022-05-24 | 北京邮电大学 | 基于图网络的商品信息推荐方法及电子设备 |
CN112115258B (zh) * | 2019-06-20 | 2023-09-26 | 腾讯科技(深圳)有限公司 | 一种用户的信用评价方法、装置、服务器及存储介质 |
CN112150177B (zh) * | 2019-06-27 | 2024-07-02 | 百度在线网络技术(北京)有限公司 | 意图预测方法和装置 |
CN112241327A (zh) * | 2019-07-17 | 2021-01-19 | 腾讯科技(深圳)有限公司 | 分享信息处理方法、装置、存储介质与电子设备 |
CN110515904B (zh) * | 2019-08-13 | 2022-04-29 | 北京达佳互联信息技术有限公司 | 媒体文件的质量预测模型训练方法、质量预测方法及装置 |
CN111199430A (zh) * | 2020-01-08 | 2020-05-26 | 中信银行股份有限公司 | 业务解决方案生成方法、装置及电子设备 |
CN111258469B (zh) * | 2020-01-09 | 2021-05-14 | 支付宝(杭州)信息技术有限公司 | 处理交互序列数据的方法及装置 |
CN111340112B (zh) * | 2020-02-26 | 2023-09-26 | 腾讯科技(深圳)有限公司 | 分类方法、装置、服务器 |
CN111813640A (zh) * | 2020-03-25 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 用于预测用户行为的方法、装置、电子设备和存储介质 |
CN111460302B (zh) * | 2020-03-31 | 2023-08-08 | 拉扎斯网络科技(上海)有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
CN111507108B (zh) * | 2020-04-17 | 2021-03-19 | 腾讯科技(深圳)有限公司 | 别名生成方法、装置、电子设备及计算机可读存储介质 |
CN112016316A (zh) * | 2020-08-31 | 2020-12-01 | 北京嘀嘀无限科技发展有限公司 | 一种识别方法和*** |
CN112182434A (zh) * | 2020-09-28 | 2021-01-05 | 北京红山信息科技研究院有限公司 | 一种用户画像的生成方法、***、设备和存储介质 |
CN113781079A (zh) * | 2020-10-13 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 用于训练模型的方法和装置 |
CN112700277B (zh) * | 2020-12-30 | 2024-05-28 | 北京爱笔科技有限公司 | 用户行为数据的处理方法和多行为序列转化模型训练方法 |
CN113015225B (zh) * | 2021-02-19 | 2022-03-22 | 清华大学 | 一种面向机器通信的无线网络资源编排方法及装置 |
CN112801719A (zh) * | 2021-03-01 | 2021-05-14 | 深圳市欢太科技有限公司 | 用户行为预测方法、用户行为预测装置、存储介质及设备 |
CN115292439A (zh) * | 2021-04-18 | 2022-11-04 | 华为技术有限公司 | 一种数据处理方法及相关设备 |
CN114386688B (zh) * | 2022-01-07 | 2022-12-06 | 逑美科技(上海)有限公司 | 一种基于多数据融合的用户意图预测方法及*** |
CN115757900B (zh) * | 2022-12-20 | 2023-08-01 | 创贸科技(深圳)集团有限公司 | 应用人工智能模型的用户需求分析方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346899A (zh) * | 2011-10-08 | 2012-02-08 | 亿赞普(北京)科技有限公司 | 一种基于用户行为的广告点击率预测方法和装置 |
CN105868281A (zh) * | 2016-03-23 | 2016-08-17 | 西安电子科技大学 | 基于非支配排序多目标方法的位置感知推荐*** |
CN107578294A (zh) * | 2017-09-28 | 2018-01-12 | 北京小度信息科技有限公司 | 用户行为预测方法、装置及电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102117325A (zh) * | 2011-02-24 | 2011-07-06 | 清华大学 | 动态社会网络用户行为的预测方法 |
US20170213006A1 (en) * | 2016-01-27 | 2017-07-27 | The Live Network Inc. | Intelligent mobile homework adherence and feedback application for telehealth |
-
2018
- 2018-03-16 CN CN201810218834.8A patent/CN108446374B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346899A (zh) * | 2011-10-08 | 2012-02-08 | 亿赞普(北京)科技有限公司 | 一种基于用户行为的广告点击率预测方法和装置 |
CN105868281A (zh) * | 2016-03-23 | 2016-08-17 | 西安电子科技大学 | 基于非支配排序多目标方法的位置感知推荐*** |
CN107578294A (zh) * | 2017-09-28 | 2018-01-12 | 北京小度信息科技有限公司 | 用户行为预测方法、装置及电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298321A (zh) * | 2021-06-22 | 2021-08-24 | 深圳市查策网络信息技术有限公司 | 一种基于多数据融合的用户意图预测方法 |
CN113298321B (zh) * | 2021-06-22 | 2022-03-11 | 深圳市查策网络信息技术有限公司 | 一种基于多数据融合的用户意图预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108446374A (zh) | 2018-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446374B (zh) | 用户意图预测方法、装置、电子设备、存储介质 | |
JP7206288B2 (ja) | 音楽推薦方法、装置、コンピューティング機器及び媒体 | |
CN110162690A (zh) | 确定用户对物品的兴趣度的方法与装置、设备和存储介质 | |
CN109885756B (zh) | 基于cnn和rnn的序列化推荐方法 | |
CN110516160A (zh) | 基于知识图谱的用户建模方法、序列推荐方法 | |
CN109992710A (zh) | 点击率预估方法、***、介质和计算设备 | |
CN111046286A (zh) | 一种对象推荐方法、装置、以及计算机存储介质 | |
CN111241394B (zh) | 数据处理方法、装置、计算机可读存储介质及电子设备 | |
CN111950593A (zh) | 一种推荐模型训练的方法及装置 | |
CN113781149B (zh) | 信息推荐方法、装置、计算机可读存储介质及电子设备 | |
CN111046170A (zh) | 用于输出信息的方法和装置 | |
CN109189922B (zh) | 评论评估模型的训练方法和装置 | |
CN116108267A (zh) | 一种推荐方法及相关设备 | |
CN114706987B (zh) | 文本类目预测方法、装置、设备、存储介质和程序产品 | |
CN117216535A (zh) | 推荐文本生成模型的训练方法、装置、设备及介质 | |
CN109902273A (zh) | 关键词生成模型的建模方法和装置 | |
CN112364184A (zh) | 多媒体数据的排序方法、装置、服务器及存储介质 | |
CN115545832A (zh) | 商品搜索推荐方法及其装置、设备、介质 | |
CN112269943B (zh) | 一种信息推荐***及方法 | |
Zheng et al. | Kernelized deep learning for matrix factorization recommendation system using explicit and implicit information | |
CN114817692A (zh) | 确定推荐对象的方法、装置和设备及计算机存储介质 | |
CN111797622B (zh) | 用于生成属性信息的方法和装置 | |
CN116993185A (zh) | 时间序列预测方法、装置、设备及存储介质 | |
CN112989174A (zh) | 信息推荐方法及装置、介质和设备 | |
CN114429384B (zh) | 基于电商平台的产品智能推荐方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |