CN109697258A - 一种用于确定目标用户的定制财经信息的方法与设备 - Google Patents
一种用于确定目标用户的定制财经信息的方法与设备 Download PDFInfo
- Publication number
- CN109697258A CN109697258A CN201811611247.1A CN201811611247A CN109697258A CN 109697258 A CN109697258 A CN 109697258A CN 201811611247 A CN201811611247 A CN 201811611247A CN 109697258 A CN109697258 A CN 109697258A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- financial information
- target user
- matching
- 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.)
- Pending
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请的目的是提供一种用于确定目标用户的定制财经信息的方法和设备,对待处理财经信息进行预处理,以获得至少一项第一财经信息;对目标用户及所述第一财经信息进行匹配操作;在所述匹配操作的操作结果包括匹配成功时,将所述第一财经信息确定为所述目标用户的定制财经信息;其中,所述匹配操作包括隐式回送匹配操作,所述隐式回送匹配操作包括:基于所述目标用户的用户类别信息确定对应的隐式回送匹配用户,并根据所述隐式回送匹配用户的关联偏好信息确定所述目标用户的用户偏好信息,随后基于所述用户偏好信息进行匹配操作。本申请提高了定制财经信息的准确度,为用户、尤其是新用户的决策带来便利。
Description
技术领域
本申请涉及计算机领域,尤其涉及一种用于确定目标用户的定制财经信息的技术。
背景技术
对于财经读者而言,在现有技术中,传统的资讯推荐***只能提供较简单的信息,但是对于读者、尤其是财经读者而言,根据交易状况、市场行情、相关政策等的变化,其所需的信息是多样化且可能快速变化的,传统的资讯推荐***较难适应这些变化。另一方面,为了获得定制化的信息,对于财经领域而言,环境(例如上述交易状况、市场行情、相关政策等)的快速变化会造成定制化信息的滞后,给用户的决策带来障碍。
发明内容
本申请的一个目的是提供一种用于确定目标用户的定制财经信息的方法与设备。
根据本申请的一个方面,提供了一种用于确定目标用户的定制财经信息的方法,其中,该方法包括以下步骤:
a对待处理财经信息进行预处理,以获得至少一项第一财经信息;
b对目标用户及所述第一财经信息进行匹配操作;
c在所述匹配操作的操作结果包括匹配成功时,将所述第一财经信息确定为所述目标用户的定制财经信息;
其中,所述匹配操作包括隐式回送匹配操作,所述隐式回送匹配操作包括:
基于所述目标用户的用户类别信息确定对应的隐式回送匹配用户,并根据所述隐式回送匹配用户的关联偏好信息确定所述目标用户的用户偏好信息,随后基于所述用户偏好信息进行匹配操作;
所述预处理包括以下至少任一项:
提取所述待处理财经信息所对应的关键词;
提取所述待处理财经信息所对应的标签;
对所述待处理财经信息的提取信息进行去重;
确定所述待处理财经信息的提取信息的热度信息。
根据本申请的另一个方面,提供了一种用于确定目标用户的定制财经信息的设备,其中,该设备包括:
第一模块,用于对待处理财经信息进行预处理,以获得至少一项第一财经信息;
第二模块,用于对目标用户及所述第一财经信息进行匹配操作;
第三模块,用于在所述匹配操作的操作结果包括匹配成功时,将所述第一财经信息确定为所述目标用户的定制财经信息;
其中,所述匹配操作包括隐式回送匹配操作,所述隐式回送匹配操作包括:
基于所述目标用户的用户类别信息确定对应的隐式回送匹配用户,并根据所述隐式回送匹配用户的关联偏好信息确定所述目标用户的用户偏好信息,随后基于所述用户偏好信息进行匹配操作;
所述预处理包括以下至少任一项:
提取所述待处理财经信息所对应的关键词;
提取所述待处理财经信息所对应的标签;
对所述待处理财经信息的提取信息进行去重;
确定所述待处理财经信息的提取信息的热度信息。
根据本申请的一个方面,提供了一种用于确定目标用户的定制财经信息的设备,该设备包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以上所述方法的操作。
根据本申请的一个方面,提供了一种存储指令的计算机可读介质,所述指令在被执行时使得***执行以上所述方法的操作。
与现有技术相比,本申请能够根据交易状况、市场行情、相关政策等的变化,为用户提供及时有效的定制财经信息,且通过隐式回送匹配提高了定制财经信息的准确度,为用户、尤其是新用户的决策带来便利。例如,在一些实施例中,为了达到最佳冷启动效果及用户转化率,本***可选接入专业财经编辑作为用户隐式好友干预模块以实时引导用户。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出根据本申请一个实施例的一种用于确定目标用户的定制财经信息的方法流程图;
图2示出根据本申请另一个实施例的一种用于确定目标用户的定制财经信息的设备功能模块图;
图3示出根据本申请一个实施例的一种示例性设备功能模块图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中,终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
本申请所指设备包括但不限于用户设备、网络设备、或用户设备与网络设备通过网络相集成所构成的设备。所述用户设备包括但不限于任何一种可与用户进行人机交互(例如通过触摸板进行人机交互)的移动电子产品,例如智能手机、平板电脑等,所述移动电子产品可以采用任意操作***,如android操作***、iOS操作***等。其中,所述网络设备包括一种能够按照事先设定或存储的指令,自动进行数值计算和信息处理的电子设备,其硬件包括但不限于微处理器、专用集成电路(ASIC)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、嵌入式设备等。所述网络设备包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云;在此,云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个虚拟超级计算机。所述网络包括但不限于互联网、广域网、城域网、局域网、VPN网络、无线自组织网络(Ad Hoc网络)等。优选地,所述设备还可以是运行于所述用户设备、网络设备、或用户设备与网络设备、网络设备、触摸终端或网络设备与触摸终端通过网络相集成所构成的设备上的程序。
当然,本领域技术人员应能理解上述设备仅为举例,其他现有的或今后可能出现的设备如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
在本申请的描述中,“多个”的含义是两个或者更多,除非另有明确具体的限定。
本申请提供了一种信息确定设备,该信息确定设备用于为目标用户提供其关联财经信息。以下基于该信息确定设备,对本申请进行详细描述。
根据本申请的一个方面,提供了用于确定目标用户的定制财经信息的方法。其中,所述定制财经信息在一些实施例中包括用于提供至用户的推荐信息。参考图1,该方法包括步骤S10、步骤S20和步骤S30。
在步骤S10中,信息确定设备对关于目标用户的待处理财经信息进行预处理,以获得关于目标用户的至少一项第一财经信息。所述待处理信息由***获取,用于供***进一步处理后获得所需的信息,例如上述第一财经信息。在一些实施例中,***首先准备上述待处理信息,例如从至少一个财经信息源获取待处理财经信息。具体而言,所述至少一个财经信息源,在一些实施例中为各种不同的站点,例如这些站点包括但不限于以下的一项或者多项:社交站点;新闻站点;财经信息站点;政府信息站点。在此,本领域技术人员应能理解,这些财经信息源仅为举例而不对本申请进行任何限定,其他现有的或者今后可能出现的财经信息源如能适用于本申请,也包含在本申请的保护范围内,并以引用的方式包含于此。
其中,对待处理财经信息的预处理,用于将所述待处理财经信息处理成方便进一步数据处理的形式。在一些实施例中,对待处理财经信息的预处理,包括以下所述各项处理方式中的一种或若干种:
-提取所述待处理财经信息所对应的关键词,例如基于当前财经信息的摘要部分或者全文与热门词汇表比较以确定命中的热门词汇作为关键词,或者将当前财经信息的摘要部分或者全文中出现频率较高的词汇,作为关键词;
-提取所述待处理财经信息所对应的标签,例如***向用户提供当前财经信息的至少一项提取信息(例如供用户选取并作为标签的关键词),并根据用户的选取操作,确定所述至少一项提取信息中的至少一项为所述当前财经信息所对应的标签;
-对所述待处理财经信息(或者其提取信息)进行去重,例如计算资讯与数据库中的其他资讯的相似度,并归并重复资讯,在一些实施例中可通过向量空间预先距离的无监督学习算法进行;
-确定所述待处理财经信息(或者其提取信息)的热度信息,例如通过对平台内部的热门资讯进行监控所得。
其中,在一些实施例中,某一项提取信息,是从当前财经信息(的标题和/或摘要和/或正文)中提取的一个关键词。
在步骤S20中,信息确定设备对目标用户及所述第一财经信息进行匹配操作;该第一财经信息将用作确定向用户提供的信息的基础。在一些实施例中,上述匹配操作是基于机器学习进行的,具体实现算法可基于包括但不限于BP神经网络、深度神经网络、支持向量机、随机森林等数据模型实现。本领域技术人员应能理解,此处列举的数据模型仅为举例,而不应视为对本申请的任何限定;其他现有的或者今后可能出现的数据模型,如能适用于本申请,也包含在本申请的保护范围内,并以引用的方式包含于此。
在步骤S30中,信息确定设备在所述匹配操作的操作结果包括匹配成功时,将所述至少一项第一财经信息提供至所述目标用户。在一些实施例中,该匹配操作包括隐式回送匹配操作。其中,在一些实施例中,该隐式回送匹配操作,包括:基于所述目标用户的用户类别信息确定对应的隐式回送匹配用户,并根据所述隐式回送匹配用户的关联偏好信息确定所述目标用户的用户偏好信息,随后基于所述用户偏好信息进行匹配操作。例如,所述隐式回送匹配用户为专业的财经编辑;根据客户与其它客户的关联信息推荐资讯;财经编辑随机成为客户的隐式好友;财经编辑对相关资讯数据的推荐做出专业评判,回送到资讯推荐***。用户所见到的热点文章将与其隐式好友保持一致。财经编辑专业化的推荐参与,在保证个性化推荐的前提下,让热点事件第一时间推送至用户眼前。
在一些实施例中,信息确定设备根据财经信息匹配模型,对目标用户及所述第一财经信息进行匹配操作,其中所述财经信息匹配模型基于深度神经网络开发。当然,本领域技术人员应能理解,上述财经信息匹配模型基于深度神经网络开发,其仅为举例,而不应视为对本申请的任何限制;事实上,任何现有的或者今后可能出现的数据模型,如能用于开发上述财经信息匹配模型而适用于本申请,也包含在本申请的保护范围内,并以引用的方式包含于此。例如,在一些实施例中,上述财经信息匹配模型基于决策树、随机森林、BP神经网络和/或支持向量机等实现。
其中,以上所述的财经信息匹配模型包括至少两层全连接层,优选地包括至少四层全连接层,每层全连接层均经批量正常化处理。在此,应用于神经网络的批量正常化操作能够使数据的平均值为零而方差为个位数,从而使得各项特征在同一量级。因为在神经网络的数据传输中,有时候一些特征会非常大或者非常小,因此批量正常化能使得网络更好的学习特征的权重(W)和偏差(B)。相比如只对数据在输入的时候做预处理,对每一层及的神经网络使用批量正常化能够使得神经网络模型更加精确。具体而言,该批量正常化的步骤主要包括:
1)计算批处理数据的均值和方差;
2)据上述处理的结果,对该批数据做规范化;
3)乘上缩放矩阵,并加上平移向量。
为了防止隐层的输入分布变化过大,可让每个隐层节点的激活输入分布缩小到(-1,1)区间,一方面能缩小输入空间,从而降低调参难度;另一方面,可以防止梯度***/消失,从而加速网络收敛。
其中,神经网络中神经元的数量决定了模型的准确性,可通过控制神经网络中每一层级的神经元的数量来控制模型的拟合程度。具体来说,太少的神经元使得神经网络不能很好的学习到输入和输出之间的联系,太多的神经元会导致模型的过拟合。通过专业的神经网络设计和调校,能够保证推荐***达到高的精度。通过专业的训练、调校和知识图谱的配合,上述神经网络能够非常精确的匹配用户的行为、特征和用户的喜好,从而将内容准确地推荐给目标用户。
进一步地,在一些实施例中,所述至少两层全连接层的输出的方差相等。例如,使用Xavier初始化方法来确保神经网络中的变量能够更好的初始化。本质上来说,Xavier初始化能保证每个层级的神经网络的变量在同一范围内得到初始化,这种初始化方法的主要用途是避免梯度的丢失和***,使用Xavier初始化能够让神经网络更快的收敛。
在一些实施例中,上述步骤S20包括子步骤S21(未示出)、子步骤S22(未示出)和子步骤S23(未示出)。在子步骤S21中,信息确定设备根据目标用户的用户操作以及所述用户操作所对应的操作时间,确定所述目标用户的用户偏好信息中的至少一项偏好项目的偏好权重。例如,例如用户近期的行为比较重要,很久之前的行为则相对次要;该偏好权重用于衡量用户行为对用户而言的重要程度,用户付出代价越大的行为其权重越高。随后,在子步骤S22中,信息确定设备基于所述偏好信息以及所述偏好权重,确定所述目标用户的特征向量;在子步骤S23中,信息确定设备基于所述特征向量对所述目标用户及所述第一财经信息进行匹配操作。通过这种方式,***可结合用户的行为属性(例如行为发生的时间或者用户实行该行为所需付出的努力)为用户提供个性化资讯,以使得推荐信息更符合用户当前的即时需求,而不仅仅取决于用户的大量历史行为。
在一些实施例中,所述预处理包括确定所述待处理财经信息的提取信息的热度信息。相应地,在子步骤S21中,信息确定设备获取目标用户的用户操作以及所述用户操作所对应的操作时间;若所述用户操作与所述提取信息相关联,根据目标用户的用户操作、所述用户操作所对应的操作时间以及所述热度信息,确定所述目标用户的用户偏好信息中的至少一项偏好项目的偏好权重,其中所述偏好权重与所述热度信息负相关。例如,一般来说,用户近期的行为比较重要,而用户很久之前的行为相对次要。因此,如果用户最近阅读过某篇文章,那么这个文章对应的特征将会具有比较高的权重。再者,用户行为的次数,有时用户对一篇文章会产生很多次行为。因此用户对同一资讯的同一种行为发生的次数也反映了用户对资讯的兴趣,行为次数多的资讯对应的特征权重越高。最后,如果用户对一个很热门的话题产生了行为,往往不能代表用户的个性,因为用户可能是在跟风,可能对该话题并没有太大兴趣,特别是在用户对一个热门资讯产生了偶尔几次不重要的行为时,就更说明用户对这个资讯可能没有什么兴趣,可能只是因为这个话题到处都是,很容易看到而已。反之,如果用户对一个不热门的话题产生了行为,就说明了用户的个性需求。从而,通过以上所述的方式,本申请能结合客户偏好提供更准确的推荐资讯。
进一步地,在一些实施例中,所述预处理包括确定所述待处理财经信息的提取信息的热度信息;上述方法还包括步骤S40(未示出)和步骤S50(未示出)。在步骤S40中,信息确定设备确定所述目标用户与至少一个预设用户的关联度;在步骤S50中,信息确定设备当所述关联度满足预设触发条件,将与所述预设用户相关联的第二财经信息提供至所述目标用户。其中,在一些实施例中,所述预设用户对应于***的“老用户”或者“专业用户”,他们的意见对相类似的其他用户、尤其是新手用户的参考价值将更高。因此,在这些预设用户与目标用户达到一定的关联程度时,根据这些预设用户的偏好,向目标用户提供用于参考的财经信息(在此称“第二财经信息”),将显著地为目标用户提供帮助。
基于以上所述,进一步地,在一些实施例中,以上所述预设触发条件包括以下的一项或者多项:
-所述至少一个预设用户的关联度高于其他预设用户的关联度,例如选取关联度最高的若干预设用户的相关内容推送至目标用户;
-所述至少一个预设用户的关联度高于一预设关联度阈值,例如满足要求的预设用户的相关内容均向目标用户进行推送;
-所述至少一个预设用户的关联度的增速高于一增速阈值,例如目标用户具有“接近”某种预设用户的趋势,说明了该目标用户注意力的转移趋势,可对目标用户进行预测并推送可能感兴趣的内容,以改善客户体验。
根据本申请的另一个方面,提供了用于确定目标用户的定制财经信息的设备。其中,所述定制财经信息在一些实施例中包括用于提供至用户的推荐信息。参考图1,该设备包括第一模块10、第二模块20和第三模块30。
第一模块10对关于目标用户的待处理财经信息进行预处理,以获得关于目标用户的至少一项第一财经信息。所述待处理信息由***获取,用于供***进一步处理后获得所需的信息,例如上述第一财经信息。在一些实施例中,***首先准备上述待处理信息,例如从至少一个财经信息源获取待处理财经信息。具体而言,所述至少一个财经信息源,在一些实施例中为各种不同的站点,例如这些站点包括但不限于以下的一项或者多项:社交站点;新闻站点;财经信息站点;政府信息站点。在此,本领域技术人员应能理解,这些财经信息源仅为举例而不对本申请进行任何限定,其他现有的或者今后可能出现的财经信息源如能适用于本申请,也包含在本申请的保护范围内,并以引用的方式包含于此。
其中,对待处理财经信息的预处理,用于将所述待处理财经信息处理成方便进一步数据处理的形式。在一些实施例中,对待处理财经信息的预处理,包括以下所述各项处理方式中的一种或若干种:
-提取所述待处理财经信息所对应的关键词,例如基于当前财经信息的摘要部分或者全文与热门词汇表比较以确定命中的热门词汇作为关键词,或者将当前财经信息的摘要部分或者全文中出现频率较高的词汇,作为关键词;
-提取所述待处理财经信息所对应的标签,例如***向用户提供当前财经信息的至少一项提取信息(例如供用户选取并作为标签的关键词),并根据用户的选取操作,确定所述至少一项提取信息中的至少一项为所述当前财经信息所对应的标签;
-对所述待处理财经信息(或者其提取信息)进行去重,例如计算资讯与数据库中的其他资讯的相似度,并归并重复资讯,在一些实施例中可通过向量空间预先距离的无监督学习算法进行;
-确定所述待处理财经信息(或者其提取信息)的热度信息,例如通过对平台内部的热门资讯进行监控所得。
其中,在一些实施例中,某一项提取信息,是从当前财经信息(的标题和/或摘要和/或正文)中提取的一个关键词。
第二模块20对目标用户及所述第一财经信息进行匹配操作;该第一财经信息将用作确定向用户提供的信息的基础。在一些实施例中,上述匹配操作是基于机器学习进行的,具体实现算法可基于包括但不限于BP神经网络、深度神经网络、支持向量机、随机森林等数据模型实现。本领域技术人员应能理解,此处列举的数据模型仅为举例,而不应视为对本申请的任何限定;其他现有的或者今后可能出现的数据模型,如能适用于本申请,也包含在本申请的保护范围内,并以引用的方式包含于此。
第三模块30在所述匹配操作的操作结果包括匹配成功时,将所述至少一项第一财经信息提供至所述目标用户。在一些实施例中,该匹配操作包括隐式回送匹配操作。其中,在一些实施例中,该隐式回送匹配操作,包括:基于所述目标用户的用户类别信息确定对应的隐式回送匹配用户,并根据所述隐式回送匹配用户的关联偏好信息确定所述目标用户的用户偏好信息,随后基于所述用户偏好信息进行匹配操作。例如,所述隐式回送匹配用户为专业的财经编辑;根据客户与其它客户的关联信息推荐资讯;财经编辑随机成为客户的隐式好友;财经编辑对相关资讯数据的推荐做出专业评判,回送到资讯推荐***。用户所见到的热点文章将与其隐式好友保持一致。财经编辑专业化的推荐参与,在保证个性化推荐的前提下,让热点事件第一时间推送至用户眼前。
在一些实施例中,信息确定设备根据财经信息匹配模型,对目标用户及所述第一财经信息进行匹配操作,其中所述财经信息匹配模型基于深度神经网络开发。当然,本领域技术人员应能理解,上述财经信息匹配模型基于深度神经网络开发,其仅为举例,而不应视为对本申请的任何限制;事实上,任何现有的或者今后可能出现的数据模型,如能用于开发上述财经信息匹配模型而适用于本申请,也包含在本申请的保护范围内,并以引用的方式包含于此。例如,在一些实施例中,上述财经信息匹配模型基于决策树、随机森林、BP神经网络和/或支持向量机等实现。
其中,以上所述的财经信息匹配模型包括至少两层全连接层,优选地包括至少四层全连接层,每层全连接层均经批量正常化处理。在此,应用于神经网络的批量正常化操作能够使数据的平均值为零而方差为个位数,从而使得各项特征在同一量级。因为在神经网络的数据传输中,有时候一些特征会非常大或者非常小,因此批量正常化能使得网络更好的学习特征的权重(W)和偏差(B)。相比如只对数据在输入的时候做预处理,对每一层及的神经网络使用批量正常化能够使得神经网络模型更加精确。具体而言,该批量正常化的步骤主要包括:
1)计算批处理数据的均值和方差;
2)据上述处理的结果,对该批数据做规范化;
3)乘上缩放矩阵,并加上平移向量。
为了防止隐层的输入分布变化过大,可让每个隐层节点的激活输入分布缩小到(-1,1)区间,一方面能缩小输入空间,从而降低调参难度;另一方面,可以防止梯度***/消失,从而加速网络收敛。
其中,神经网络中神经元的数量决定了模型的准确性,可通过控制神经网络中每一层级的神经元的数量来控制模型的拟合程度。具体来说,太少的神经元使得神经网络不能很好的学习到输入和输出之间的联系,太多的神经元会导致模型的过拟合。通过专业的神经网络设计和调校,能够保证推荐***达到高的精度。通过专业的训练、调校和知识图谱的配合,上述神经网络能够非常精确的匹配用户的行为、特征和用户的喜好,从而将内容准确地推荐给目标用户。
进一步地,在一些实施例中,所述至少两层全连接层的输出的方差相等。例如,使用Xavier初始化方法来确保神经网络中的变量能够更好的初始化。本质上来说,Xavier初始化能保证每个层级的神经网络的变量在同一范围内得到初始化,这种初始化方法的主要用途是避免梯度的丢失和***,使用Xavier初始化能够让神经网络更快的收敛。
在一些实施例中,上述第二模块20包括第一单元21(未示出)、第二单元22(未示出)和第三单元23(未示出)。第一单元21根据目标用户的用户操作以及所述用户操作所对应的操作时间,确定所述目标用户的用户偏好信息中的至少一项偏好项目的偏好权重。例如,例如用户近期的行为比较重要,很久之前的行为则相对次要;该偏好权重用于衡量用户行为对用户而言的重要程度,用户付出代价越大的行为其权重越高。随后,第二单元22基于所述偏好信息以及所述偏好权重,确定所述目标用户的特征向量;第三单元23基于所述特征向量对所述目标用户及所述第一财经信息进行匹配操作。通过这种方式,***可结合用户的行为属性(例如行为发生的时间或者用户实行该行为所需付出的努力)为用户提供个性化资讯,以使得推荐信息更符合用户当前的即时需求,而不仅仅取决于用户的大量历史行为。
在一些实施例中,所述预处理包括确定所述待处理财经信息的提取信息的热度信息。相应地,第一单元21获取目标用户的用户操作以及所述用户操作所对应的操作时间;若所述用户操作与所述提取信息相关联,根据目标用户的用户操作、所述用户操作所对应的操作时间以及所述热度信息,确定所述目标用户的用户偏好信息中的至少一项偏好项目的偏好权重,其中所述偏好权重与所述热度信息负相关。例如,一般来说,用户近期的行为比较重要,而用户很久之前的行为相对次要。因此,如果用户最近阅读过某篇文章,那么这个文章对应的特征将会具有比较高的权重。再者,用户行为的次数,有时用户对一篇文章会产生很多次行为。因此用户对同一资讯的同一种行为发生的次数也反映了用户对资讯的兴趣,行为次数多的资讯对应的特征权重越高。最后,如果用户对一个很热门的话题产生了行为,往往不能代表用户的个性,因为用户可能是在跟风,可能对该话题并没有太大兴趣,特别是在用户对一个热门资讯产生了偶尔几次不重要的行为时,就更说明用户对这个资讯可能没有什么兴趣,可能只是因为这个话题到处都是,很容易看到而已。反之,如果用户对一个不热门的话题产生了行为,就说明了用户的个性需求。从而,通过以上所述的方式,本申请能结合客户偏好提供更准确的推荐资讯。
进一步地,在一些实施例中,所述预处理包括确定所述待处理财经信息的提取信息的热度信息;上述设备还包括第四模块40(未示出)和第五模块50(未示出)。第四模块40确定所述目标用户与至少一个预设用户的关联度;第五模块50当所述关联度满足预设触发条件,将与所述预设用户相关联的第二财经信息提供至所述目标用户。其中,在一些实施例中,所述预设用户对应于***的“老用户”或者“专业用户”,他们的意见对相类似的其他用户、尤其是新手用户的参考价值将更高。因此,在这些预设用户与目标用户达到一定的关联程度时,根据这些预设用户的偏好,向目标用户提供用于参考的财经信息(在此称“第二财经信息”),将显著地为目标用户提供帮助。
基于以上所述,进一步地,在一些实施例中,以上所述预设触发条件包括以下的一项或者多项:
-所述至少一个预设用户的关联度高于其他预设用户的关联度,例如选取关联度最高的若干预设用户的相关内容推送至目标用户;
-所述至少一个预设用户的关联度高于一预设关联度阈值,例如满足要求的预设用户的相关内容均向目标用户进行推送;
-所述至少一个预设用户的关联度的增速高于一增速阈值,例如目标用户具有“接近”某种预设用户的趋势,说明了该目标用户注意力的转移趋势,可对目标用户进行预测并推送可能感兴趣的内容,以改善客户体验。
本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机代码,当所述计算机代码被执行时,如前任一项所述的方法被执行。
本申请还提供了一种计算机程序产品,当所述计算机程序产品被计算机设备执行时,如前任一项所述的方法被执行。
本申请还提供了一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个计算机程序;
当所述一个或多个计算机程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如前任一项所述的方法。
图3示出了可被用于实施本申请中所述的各个实施例的示例性***;
如图3所示在一些实施例中,***100能够作为各所述实施例中的任意一个信息确定设备。在一些实施例中,***100可包括具有指令的一个或多个计算机可读介质(例如,***存储器或NVM/存储设备120)以及与该一个或多个计算机可读介质耦合并被配置为执行指令以实现模块从而执行本申请中所述的动作的一个或多个处理器(例如,(一个或多个)处理器105)。
对于一个实施例,***控制模块110可包括任意适当的接口控制器,以向(一个或多个)处理器105中的至少一个和/或与***控制模块110通信的任意适当的设备或组件提供任意适当的接口。
***控制模块110可包括存储器控制器模块130,以向***存储器115提供接口。存储器控制器模块130可以是硬件模块、软件模块和/或固件模块。
***存储器115可被用于例如为***100加载和存储数据和/或指令。对于一个实施例,***存储器115可包括任意适当的易失性存储器,例如,适当的DRAM。在一些实施例中,***存储器115可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例,***控制模块110可包括一个或多个输入/输出(I/O)控制器,以向NVM/存储设备120及(一个或多个)通信接口125提供接口。
例如,NVM/存储设备120可被用于存储数据和/或指令。NVM/存储设备120可包括任意适当的非易失性存储器(例如,闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如,一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。
NVM/存储设备120可包括在物理上作为***100被安装在其上的设备的一部分的存储资源,或者其可被该设备访问而不必作为该设备的一部分。例如,NVM/存储设备120可通过网络经由(一个或多个)通信接口125进行访问。
(一个或多个)通信接口125可为***100提供接口以通过一个或多个网络和/或与任意其他适当的设备通信。***100可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信。
对于一个实施例,(一个或多个)处理器105中的至少一个可与***控制模块110的一个或多个控制器(例如,存储器控制器模块130)的逻辑封装在一起。对于一个实施例,(一个或多个)处理器105中的至少一个可与***控制模块110的一个或多个控制器的逻辑封装在一起以形成***级封装(SiP)。对于一个实施例,(一个或多个)处理器105中的至少一个可与***控制模块110的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例,(一个或多个)处理器105中的至少一个可与***控制模块110的一个或多个控制器的逻辑集成在同一模具上以形成片上***(SoC)。
在各个实施例中,***100可以但不限于是:服务器、工作站、台式计算设备或移动计算设备(例如,膝上型计算设备、手持计算设备、平板电脑、上网本等)。在各个实施例中,***100可具有更多或更少的组件和/或不同的架构。例如,在一些实施例中,***100包括一个或多个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
需要注意的是,本申请可在软件和/或软件与硬件的组合体中被实施,例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中,本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地,本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本申请的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个步骤或功能的电路。
另外,本申请的一部分可被应用为计算机程序产品,例如计算机程序指令,当其被计算机执行时,通过该计算机的操作,可以调用或提供根据本申请的方法和/或技术方案。本领域技术人员应能理解,计算机程序指令在计算机可读介质中的存在形式包括但不限于源文件、可执行文件、安装包文件等,相应地,计算机程序指令被计算机执行的方式包括但不限于:该计算机直接执行该指令,或者该计算机编译该指令后再执行对应的编译后程序,或者该计算机读取并执行该指令,或者该计算机读取并安装该指令后再执行对应的安装后程序。在此,计算机可读介质可以是可供计算机访问的任意可用的计算机可读存储介质或通信介质。
通信介质包括藉此包含例如计算机可读指令、数据结构、程序模块或其他数据的通信信号被从一个***传送到另一***的介质。通信介质可包括有导的传输介质(诸如电缆和线(例如,光纤、同轴等))和能传播能量波的无线(未有导的传输)介质,诸如声音、电磁、RF、微波和红外。计算机可读指令、数据结构、程序模块或其他数据可被体现为例如无线介质(诸如载波或诸如被体现为扩展频谱技术的一部分的类似机制)中的已调制数据信号。术语“已调制数据信号”指的是其一个或多个特征以在信号中编码信息的方式被更改或设定的信号。调制可以是模拟的、数字的或混合调制技术。
作为示例而非限制,计算机可读存储介质可包括以用于存储诸如计算机可读指令、数据结构、程序模块或其它数据的信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动的介质。例如,计算机可读存储介质包括,但不限于,易失性存储器,诸如随机存储器(RAM,DRAM,SRAM);以及非易失性存储器,诸如闪存、各种只读存储器(ROM,PROM,EPROM,EEPROM)、磁性和铁磁/铁电存储器(MRAM,FeRAM);以及磁性和光学存储设备(硬盘、磁带、CD、DVD);或其它现在已知的介质或今后开发的能够存储供计算机***使用的计算机可读信息/数据。
在此,根据本申请的一个实施例包括一个装置,该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (10)
1.一种用于确定目标用户的定制财经信息的方法,其中,该方法包括以下步骤:
a对待处理财经信息进行预处理,以获得至少一项第一财经信息;
b对目标用户及所述第一财经信息进行匹配操作;
c在所述匹配操作的操作结果包括匹配成功时,将所述第一财经信息确定为所述目标用户的定制财经信息;
其中,所述匹配操作包括隐式回送匹配操作,所述隐式回送匹配操作包括:
基于所述目标用户的用户类别信息确定对应的隐式回送匹配用户,并根据所述隐式回送匹配用户的关联偏好信息确定所述目标用户的用户偏好信息,随后基于所述用户偏好信息进行匹配操作;
所述预处理包括以下至少任一项:
提取所述待处理财经信息所对应的关键词;
提取所述待处理财经信息所对应的标签;
对所述待处理财经信息的提取信息进行去重;
确定所述待处理财经信息的提取信息的热度信息。
2.根据权利要求1所述的方法,其中,所述隐式回送匹配操作包括:
基于所述目标用户的用户类别信息确定对应的隐式回送匹配用户,并根据所述隐式回送匹配用户的关联偏好信息确定所述目标用户的用户偏好信息,随后基于所述用户偏好信息进行匹配操作。
3.根据权利要求1所述的方法,其中,所述步骤b包括:
根据财经信息匹配模型,对目标用户及所述第一财经信息进行匹配操作,其中所述财经信息匹配模型基于深度神经网络开发;
其中,所述财经信息匹配模型包括至少两层全连接层,每层全连接层均经批量正常化处理。
4.根据权利要求3所述的方法,其中,所述至少两层全连接层的输出的方差相等。
5.根据权利要求1所述的方法,其中,所述步骤b包括:
r根据目标用户的用户操作以及所述用户操作所对应的操作时间,确定所述目标用户的用户偏好信息中的至少一项偏好项目的偏好权重;
s基于所述偏好信息以及所述偏好权重,确定所述目标用户的特征向量;
t基于所述特征向量对所述目标用户及所述第一财经信息进行匹配操作。
6.根据权利要求5所述的方法,其中,所述预处理包括确定所述待处理财经信息的提取信息的热度信息;
所述步骤r包括:
获取目标用户的用户操作以及所述用户操作所对应的操作时间;
若所述用户操作与所述提取信息相关联,根据目标用户的用户操作、所述用户操作所对应的操作时间以及所述热度信息,确定所述目标用户的用户偏好信息中的至少一项偏好项目的偏好权重,其中所述偏好权重与所述热度信息负相关。
7.根据权利要求1所述的方法,其中,所述方法还包括:
确定所述目标用户与至少一个预设用户的关联度;
当所述关联度满足预设触发条件,将与所述预设用户相关联的第二财经信息提供至所述目标用户。
8.根据权利要求7所述的方法,其中,所述预设触发条件包括以下至少任一项:
所述至少一个预设用户的关联度高于其他预设用户的关联度;
所述至少一个预设用户的关联度高于一预设关联度阈值;
所述至少一个预设用户的关联度的增速高于一增速阈值。
9.一种用于确定目标用户的定制财经信息的设备,其中,该设备包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行根据权利要求1至8中任一项所述方法的操作。
10.一种存储指令的计算机可读介质,所述指令在被执行时使得***执行根据权利要求1至8中任一项所述方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811611247.1A CN109697258A (zh) | 2018-12-27 | 2018-12-27 | 一种用于确定目标用户的定制财经信息的方法与设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811611247.1A CN109697258A (zh) | 2018-12-27 | 2018-12-27 | 一种用于确定目标用户的定制财经信息的方法与设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109697258A true CN109697258A (zh) | 2019-04-30 |
Family
ID=66232191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811611247.1A Pending CN109697258A (zh) | 2018-12-27 | 2018-12-27 | 一种用于确定目标用户的定制财经信息的方法与设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109697258A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102236710A (zh) * | 2011-06-30 | 2011-11-09 | 百度在线网络技术(北京)有限公司 | 一种用于在查询结果中展现新闻信息的方法与设备 |
CN104933201A (zh) * | 2015-07-15 | 2015-09-23 | 蔡宏铭 | 基于同行信息的内容推荐方法及*** |
CN105447038A (zh) * | 2014-08-29 | 2016-03-30 | 国际商业机器公司 | 用于获取用户特征的方法和*** |
CN105718464A (zh) * | 2014-12-02 | 2016-06-29 | 阿里巴巴集团控股有限公司 | 一种信息检索的方法及装置 |
US9529919B2 (en) * | 2010-03-29 | 2016-12-27 | Paypal, Inc. | Traffic driver for suggesting stores |
CN107391509A (zh) * | 2016-05-16 | 2017-11-24 | 中兴通讯股份有限公司 | 标签推荐方法及装置 |
CN108304441A (zh) * | 2017-11-14 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 网络资源推荐方法、装置、电子设备、服务器及存储介质 |
-
2018
- 2018-12-27 CN CN201811611247.1A patent/CN109697258A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9529919B2 (en) * | 2010-03-29 | 2016-12-27 | Paypal, Inc. | Traffic driver for suggesting stores |
CN102236710A (zh) * | 2011-06-30 | 2011-11-09 | 百度在线网络技术(北京)有限公司 | 一种用于在查询结果中展现新闻信息的方法与设备 |
CN105447038A (zh) * | 2014-08-29 | 2016-03-30 | 国际商业机器公司 | 用于获取用户特征的方法和*** |
CN105718464A (zh) * | 2014-12-02 | 2016-06-29 | 阿里巴巴集团控股有限公司 | 一种信息检索的方法及装置 |
CN104933201A (zh) * | 2015-07-15 | 2015-09-23 | 蔡宏铭 | 基于同行信息的内容推荐方法及*** |
CN107391509A (zh) * | 2016-05-16 | 2017-11-24 | 中兴通讯股份有限公司 | 标签推荐方法及装置 |
CN108304441A (zh) * | 2017-11-14 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 网络资源推荐方法、装置、电子设备、服务器及存储介质 |
Non-Patent Citations (2)
Title |
---|
JNINGWEI: "深度学习_ Batch Normalization (归一化)", 《HTTPS://CLOUD.TENCENT.COM/DEVELOPER/ARTICLE/1347847腾讯云》 * |
SERGEY LOFFE等: "Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift", 《ARXIV》 * |
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 | |
US10366160B2 (en) | Automatic generation and display of context, missing attributes and suggestions for context dependent questions in response to a mouse hover on a displayed term | |
US11188720B2 (en) | Computing system including virtual agent bot providing semantic topic model-based response | |
US11216509B2 (en) | Dynamic faceting for personalized search and discovery | |
US20210225380A1 (en) | Voiceprint recognition method and apparatus | |
US10572929B2 (en) | Decision factors analyzing device and decision factors analyzing method | |
US10956470B2 (en) | Facet-based query refinement based on multiple query interpretations | |
WO2017184204A1 (en) | Techniques for user-centric document summarization | |
US20210264517A1 (en) | Internet meme economy | |
US20200279289A1 (en) | Prompting web-based user interaction | |
CN108153848A (zh) | 轻应用数据的搜索方法、设备及电子设备 | |
US10255249B1 (en) | Previewing electronic book content within third-party websites | |
CN115619448A (zh) | 用户流失预测方法、装置、计算机设备及存储介质 | |
US10776411B2 (en) | Systematic browsing of automated conversation exchange program knowledge bases | |
JP7204903B2 (ja) | 情報プッシュ方法、装置、機器及び記憶媒体 | |
CN109325227A (zh) | 用于生成修正语句的方法和装置 | |
US20190188274A1 (en) | Recommendation prediction based on preference elicitation | |
US20230385887A1 (en) | Techniques for automatic filling of an input form to generate a listing | |
CN110727853A (zh) | 向用户呈现控制的异构数字内容 | |
CN109657153A (zh) | 一种用于确定用户的关联财经信息的方法与设备 | |
CN109740056A (zh) | 一种用于向用户提供定制财经信息的方法与设备 | |
CN109697258A (zh) | 一种用于确定目标用户的定制财经信息的方法与设备 | |
US20220351269A1 (en) | Momentum blended recommendation engine | |
CN108376149A (zh) | 信息展现的方法、装置、设备和计算机存储介质 | |
CN114896061A (zh) | 计算资源控制模型的训练方法、计算资源控制方法及装置 |
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 | ||
CB02 | Change of applicant information |
Address after: Room 6013, building 14, 785 Hutai Road, Jing'an District, Shanghai Applicant after: DANHAN INTELLIGENT TECHNOLOGY (SHANGHAI) Co.,Ltd. Address before: Room 118, Building 20, No. 83 Lane 1-42, Hongxiang North Road, Wanxiang Town, Pudong New Area, Shanghai Applicant before: DANHAN INTELLIGENT TECHNOLOGY (SHANGHAI) Co.,Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190430 |
|
RJ01 | Rejection of invention patent application after publication |