CN109785072A - 用于生成信息的方法和装置 - Google Patents
用于生成信息的方法和装置 Download PDFInfo
- Publication number
- CN109785072A CN109785072A CN201910063036.7A CN201910063036A CN109785072A CN 109785072 A CN109785072 A CN 109785072A CN 201910063036 A CN201910063036 A CN 201910063036A CN 109785072 A CN109785072 A CN 109785072A
- Authority
- CN
- China
- Prior art keywords
- value
- product
- information
- algorithm
- target
- 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
本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括:获取目标产品的属性信息;基于属性信息和预设的算法集合,确定候选价值分数集合;将候选价值分数集合输入预先训练的订单模型,得到概率值集合,其中,概率值集合中的概率值对应于算法集合中的算法,用于表征利用对应的算法确定的候选价值分数的准确程度;从概率值集合中选择目标概率值,以及将根据目标概率值对应的算法确定的候选价值分数确定为目标产品的标签及存储。该实施方式提高了生成目标产品的标签的准确性,有助于利用生成的标签提高推荐信息的针对性。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于生成信息的方法和装置。
背景技术
目前,为了向用户更有针对性地推荐信息,通常需要预先利用用户的用户信息以及各种产品的产品信息对用户和产品进行分类,以建立各个类别下的用户和各个类别下的产品的对应关系。对产品进行分类的方法可以包括预先对各种产品的价值属性值进行划分,得到多个价值属性值区间,价值属性值处于某个区间的产品划分为一类产品。
发明内容
本申请实施例提出了用于生成信息的方法和装置,以及用于推送信息的方法和装置。
第一方面,本申请实施例提供了一种用于生成信息的方法,该方法包括:获取目标产品的属性信息;基于属性信息和预设的算法集合,确定候选价值分数集合;将候选价值分数集合输入预先训练的订单模型,得到概率值集合,其中,概率值集合中的概率值对应于算法集合中的算法,用于表征利用对应的算法确定的候选价值分数的准确程度;从概率值集合中选择目标概率值,以及将根据目标概率值对应的算法确定的候选价值分数确定为目标产品的标签及存储。
在一些实施例中,属性信息包括目标产品在目标时间段内的订单量;以及基于属性信息和预设的算法集合,确定候选价值分数集合,包括:确定目标产品在目标时间段内的订单量是否大于等于预设的订单量阈值;响应于确定大于等于订单量阈值,基于属性信息和预设的算法集合中的算法,确定候选价值分数集合作为第一候选价值分数集合;响应于确定小于订单量阈值,基于属性信息和预设的算法集合中的、除目标算法以外的其他算法,确定候选价值分数集合作为第二候选价值分数集合,其中,目标算法是与在目标时间段内的订单量大于等于订单量阈值的产品对应的算法。
在一些实施例中,目标算法包括:响应于确定目标产品在目标时间段内的订单量大于等于预设的订单量阈值,获取预先确定的、获得过目标产品的用户群中的用户的产品获取相关值;基于所得到的产品获取相关值,确定目标产品的候选价值分数。
在一些实施例中,目标算法包括:响应于确定目标产品在目标时间段内的订单量大于等于预设的订单量阈值,从预设的至少两个价值分数区间中,确定以下至少一个价值分数区间:目标产品的实际价值属性值对应的价值分数区间、目标产品的原始价值属性值对应的价值分数区间;对于所确定的至少一个价值分数区间中的价值分数区间,获取预设的、与该价值分数区间对应的变换系数,以及从已确定的目标产品的候选价值分数中确定目标候选价值分数;基于所确定的变换系数和目标候选价值分数,确定目标产品的新的候选价值分数。
在一些实施例中,订单模型包括第一模型和第二模型;以及
将候选价值分数集合输入预先训练的订单模型,得到概率值集合,包括:响应于确定目标产品在目标时间段内的订单量大于等于订单量阈值,将第一候选价值分数集合输入第一模型,得到至少两个概率值;响应于确定目标产品在目标时间段内的订单量小于订单量阈值,将第二候选价值分数集合输入第二模型,得到至少两个概率值。
在一些实施例中,属性信息包括以下至少一种数值:目标产品的实际价值属性值、目标产品的原始价值属性值;以及算法集合包括以下至少一种算法:基于目标产品所属的类别包括的产品的实际价值属性值,对目标产品所属的类别包括的产品的产品信息进行排序,得到至少两个第一产品信息序列,对于所得到的至少两个第一产品信息序列中的第一产品信息序列,基于目标产品在该第一产品信息序列中的排列位置,确定目标产品对应于该第一产品信息序列的候选价值分数;基于目标产品所属的类别包括的产品的原始价值属性值,对目标产品所属的类别包括的产品的产品信息进行排序,得到至少两个第二产品信息序列,对于所得到的至少两个第二产品信息序列中的第二产品信息序列,基于目标产品在该第二产品信息序列中的排列位置,确定目标产品对应于该第二产品信息序列的候选价值分数。
在一些实施例中,算法集合还包括以下至少一种算法:确定目标产品所属的类别包括的产品的实际价值属性值的均值和标准差;基于所确定的均值和标准差,确定目标产品的候选价值分数;确定目标产品所属的类别包括的产品的原始价值属性值的均值和标准差;基于所确定的均值和标准差,确定目标产品的候选价值分数。
在一些实施例中,订单模型预先按照如下步骤训练得到:获取样本属性信息集合,其中,样本属性信息对应于样本产品;对于样本属性信息集合中的样本属性信息,基于该样本属性信息,利用算法集合确定该样本属性信息对应的样本候选价值分数集合;基于所得到的样本候选价值分数集合和预设的、与该样本属性信息对应的价值分数区间,生成至少一个标注信息,其中,标注信息对应于算法集合中的算法,标注信息用于表征利用对应的算法确定的样本候选价值分数是否位于样本产品对应的价值分数区间;利用机器学习方法,将样本属性信息集合中的样本属性信息对应的样本候选价值分数集合作为输入,将与输入的样本候选价值分数集合对应的标注信息作为期望输出,训练得到订单模型。
在一些实施例中,所生成的至少一个标注信息中的标注信息分别对应的算法预先按照如下步骤确定:对于算法集合中的算法,确定根据该算法所确定的样本候选价值分数的准确率;基于所确定的准确率,从算法集合中选择算法作为与标注信息对应的算法。
在一些实施例中,订单模型是基于随机森林模型训练得到的多标签分类模型。
第二方面,本申请实施例提供了一种用于推送信息的方法,该方法包括:获取目标用户的类别信息和预设的产品信息集合,其中,产品信息对应于预先确定的标签,标签是根据上述第一方面中任一实施方式描述的方法生成的;基于预设的、标签和类别信息的对应关系,从产品信息集合中,确定与类别信息匹配的产品信息;将所确定的产品信息推送至目标用户的终端。
第三方面,本申请实施例提供了一种用于生成信息的装置,该装置包括:获取单元,被配置成获取目标产品的属性信息;确定单元,被配置成基于属性信息和预设的算法集合,确定候选价值分数集合;生成单元,被配置成将候选价值分数集合输入预先训练的订单模型,得到概率值集合,其中,概率值集合中的概率值对应于算法集合中的算法,用于表征利用对应的算法确定的候选价值分数的准确程度;存储单元,被配置成从概率值集合中选择目标概率值,以及将根据目标概率值对应的算法确定的候选价值分数确定为目标产品的标签及存储。
在一些实施例中,属性信息包括目标产品在目标时间段内的订单量;以及确定单元包括:第一确定模块,被配置成确定目标产品在目标时间段内的订单量是否大于等于预设的订单量阈值;第二确定模块,被配置成响应于确定大于等于订单量阈值,基于属性信息和预设的算法集合中的算法,确定候选价值分数集合作为第一候选价值分数集合;第二确定模块,,被配置成响应于确定小于订单量阈值,基于属性信息和预设的算法集合中的、除目标算法以外的其他算法,确定候选价值分数集合作为第二候选价值分数集合,其中,目标算法是与在目标时间段内的订单量大于等于订单量阈值的产品对应的算法。
在一些实施例中,目标算法包括:响应于确定目标产品在目标时间段内的订单量大于等于预设的订单量阈值,获取预先确定的、获得过目标产品的用户群中的用户的产品获取相关值;基于所得到的产品获取相关值,确定目标产品的候选价值分数。
在一些实施例中,目标算法包括:响应于确定目标产品在目标时间段内的订单量大于等于预设的订单量阈值,从预设的至少两个价值分数区间中,确定以下至少一个价值分数区间:目标产品的实际价值属性值对应的价值分数区间、目标产品的原始价值属性值对应的价值分数区间;对于所确定的至少一个价值分数区间中的价值分数区间,获取预设的、与该价值分数区间对应的变换系数,以及从已确定的目标产品的候选价值分数中确定目标候选价值分数;基于所确定的变换系数和目标候选价值分数,确定目标产品的新的候选价值分数。
在一些实施例中,订单模型包括第一模型和第二模型;以及生成单元包括:第一生成模块,被配置成响应于确定目标产品在目标时间段内的订单量大于等于订单量阈值,将第一候选价值分数集合输入第一模型,得到至少两个概率值;第二生成模块,被配置成响应于确定目标产品在目标时间段内的订单量小于订单量阈值,将第二候选价值分数集合输入第二模型,得到至少两个概率值。
在一些实施例中,属性信息包括以下至少一种数值:目标产品的实际价值属性值、目标产品的原始价值属性值;以及算法集合包括以下至少一种算法:基于目标产品所属的类别包括的产品的实际价值属性值,对目标产品所属的类别包括的产品的产品信息进行排序,得到至少两个第一产品信息序列,对于所得到的至少两个第一产品信息序列中的第一产品信息序列,基于目标产品在该第一产品信息序列中的排列位置,确定目标产品对应于该第一产品信息序列的候选价值分数;基于目标产品所属的类别包括的产品的原始价值属性值,对目标产品所属的类别包括的产品的产品信息进行排序,得到至少两个第二产品信息序列,对于所得到的至少两个第二产品信息序列中的第二产品信息序列,基于目标产品在该第二产品信息序列中的排列位置,确定目标产品对应于该第二产品信息序列的候选价值分数。
在一些实施例中,算法集合还包括以下至少一种算法:确定目标产品所属的类别包括的产品的实际价值属性值的均值和标准差;基于所确定的均值和标准差,确定目标产品的候选价值分数;确定目标产品所属的类别包括的产品的原始价值属性值的均值和标准差;基于所确定的均值和标准差,确定目标产品的候选价值分数。
在一些实施例中,订单模型预先按照如下步骤训练得到:获取样本属性信息集合,其中,样本属性信息对应于样本产品;对于样本属性信息集合中的样本属性信息,基于该样本属性信息,利用算法集合确定该样本属性信息对应的样本候选价值分数集合;基于所得到的样本候选价值分数集合和预设的、与该样本属性信息对应的价值分数区间,生成至少一个标注信息,其中,标注信息对应于算法集合中的算法,标注信息用于表征利用对应的算法确定的样本候选价值分数是否位于样本产品对应的价值分数区间;利用机器学习方法,将样本属性信息集合中的样本属性信息对应的样本候选价值分数集合作为输入,将与输入的样本候选价值分数集合对应的标注信息作为期望输出,训练得到订单模型。
在一些实施例中,所生成的至少一个标注信息中的标注信息分别对应的算法预先按照如下步骤确定:对于算法集合中的算法,确定根据该算法所确定的样本候选价值分数的准确率;基于所确定的准确率,从算法集合中选择算法作为与标注信息对应的算法。
在一些实施例中,订单模型是基于随机森林模型训练得到的多标签分类模型。
第四方面,本申请实施例提供了一种用于推送信息的装置,该装置包括:获取单元,被配置成获取目标用户的类别信息和预设的产品信息集合,其中,产品信息对应于预先确定的标签,标签是根据上述第一方面中任一实施方式描述的方法生成的;确定单元,被配置成基于预设的、标签和类别信息的对应关系,从产品信息集合中,确定与类别信息匹配的产品信息;推送单元,被配置成将所确定的产品信息推送至目标用户的终端。
第五方面,本申请实施例提供了一种服务器,该服务器包括:一个或多个处理器;存储装置,其上存储有一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面或第二方面中任一实现方式描述的方法。
第六方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面或第二方面中任一实现方式描述的方法。
本申请实施例提供的用于生成信息的方法和装置,通过基于目标产品的属性信息和预设的算法集合,确定候选价值分数集合,再将候选价值分数集合输入预先训练的订单模型得到概率值集合,最后从概率值集合中选择目标概率值,以及将根据目标概率值对应的算法确定的候选价值分数确定为目标产品的标签及存储,从而利用候选价值分数集合和订单模型,提高了生成目标产品的标签的准确性,有助于利用生成的标签提高推荐信息的针对性。
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是本申请的一个实施例可以应用于其中的示例性***架构图;
图2是根据本申请实施例的用于生成信息的方法的一个实施例的流程图;
图3是根据本申请实施例的用于生成信息的方法的一个应用场景的示意图;
图4是根据本申请实施例的用于生成信息的方法的又一个实施例的流程图;
图5是根据本申请实施例的用于推送信息的方法的一个实施例的流程图;
图6是根据本申请实施例的用于生成信息的装置的一个实施例的结构示意图;
图7是根据本申请实施例的用于推送信息的装置的一个实施例的结构示意图;
图8是适于用来实现本申请实施例的服务器的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请实施例的用于生成信息的方法或用于生成信息的装置,以及用于推送信息的方法或用于推送信息的装置的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对从终端设备101、102、103上获取的属性信息进行处理的后台信息处理服务器。后台信息处理服务器可以对属性信息进行处理,并生成处理结果(例如目标产品的标签)及存储。
需要说明的是,本申请实施例所提供的用于生成信息的方法或用于推送信息的方法一般由服务器105执行,相应地,用于生成信息的装置或用于推送信息的装置一般设置于服务器105中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法,包括以下步骤:
步骤201,获取目标产品的属性信息。
在本实施例中,用于生成信息的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从远程或从本地获取目标产品的属性信息。其中,目标产品可以是待确定其标签的产品,例如可以是某网站提供的产品信息表征的产品。属性信息可以包括与目标产品的各种属性相关的信息。例如,属性信息可以包括以下至少一种信息:目标产品的名称、重量、尺寸、表征目标产品的价值属性的价值属性值等。
步骤202,基于属性信息和预设的算法集合,确定候选价值分数集合。
在本实施例中,基于步骤201中获取的属性信息和预设的算法集合,上述执行主体可以确定候选价值分数集合。其中,候选价值分数可以用于表征目标产品的价值的大小。
具体地,属性信息包括用于表征目标产品的价值属性的数值,该数值可以用于表征用户获取目标产品所付出的代价。对于上述算法集合中的算法,利用该算法以及上述属性信息包括的用于表征目标产品的价值属性的数值,可以计算得到该算法对应的候选价值分数。通常,算法集合中的算法可以以公式或应用程序的形式表征,将表征目标产品的价值属性的数值输入到公式或应用程序,可以得到候选价值分数。
在本实施例的一些可选的实现方式中,上述属性信息包括以下至少一种数值:目标产品的实际价值属性值、目标产品的原始价值属性值。通常,实际价值属性值是在原始价值属性值的基础上减少一定数值的数值,实际价值属性值用于表征用户实际获取到目标产品所付出的代价。上述算法集合可以包括以下至少一种算法:
算法一,首先,基于目标产品所属的类别包括的产品的实际价值属性值,对目标产品所属的类别包括的产品的产品信息进行排序,得到至少两个第一产品信息序列。其中,产品信息可以是用于表征产品的信息,例如产品的编号。产品的属性信息可以包括产品所属的类别,上述执行主体可以根据预设的产品集中的产品的属性信息,确定目标产品所属的类别包括的产品。然后,对于所得到的至少两个第一产品信息序列中的第一产品信息序列,基于目标产品在该第一产品信息序列中的排列位置,确定目标产品对应于该第一产品信息序列的候选价值分数。
具体地,作为示例,对于某第一产品信息序列,该第一产品信息序列可以按照如下方式一得到:按照产品信息对应的实际价值属性值的由大到小进行排序后得到第一产品信息序列。该第一产品信息序列包括的每个产品信息对应于一个产品,即各个产品信息不同。
或者,该第一产品信息序列可以按照如下方式二得到:获取目标时间段(例如最近一天、一周等时间段)内预设的产品集中的每个产品的订单,对获取的每个订单对应的产品的产品信息,按照产品信息对应的实际价值属性值由大到小进行排序后得到第一产品信息序列。即,该第一产品信息序列包括的每个产品信息对应于一个产品的订单,该第一产品信息序列包括多个由相同的产品信息组成的子序列,每个子序列对应于一个产品。
对于上述方式一,上述执行主体可以确定目标产品的候选价值分数为:1-k/N。其中,k为目标产品的产品信息在该产品信息序列中的序号,N为该产品信息序列包括的产品信息的总数。对于方式二,上述执行主体可以确定某个产品信息对应的待定候选价值分数为:1-k/N,其中,k为该产品信息在该产品信息序列中的序号,N为该产品信息序列包括的产品信息的总数。然后,上述执行主体可以确定目标产品对应的子序列包括的产品信息对应的待定候选价值分数的均值作为目标产品的候选价值分数。
作为另一示例,对于某第一产品信息序列,该第一产品信息序列可以按照如下方式三得到:对产品信息对应的实际价值属性值进行对数计算,按照计算得到的数值由大到小的顺序,对各个产品信息进行排序后得到的第一产品信息序列。
或者,该第一产品信息序列可以按照如下方式四得到:获取目标时间段(例如最近一天、一周等时间段)内预设的产品集中的每个产品的订单,对获取的每个订单对应的产品的实际价值属性值进行对数计算,按照计算得到的数值由大到小的顺序,对各个产品信息进行排序后得到的第一产品信息序列。即,该第一产品信息序列包括的每个产品信息对应于一个产品的订单,该第一产品信息序列包括多个由相同的产品信息组成的子序列,每个子序列对应于一个产品。其中,对数计算的公式可以为:logpi,其中,该对数的底为10,i为产品信息在第一产品信息队列中的序号,pi为第i个产品的实际价值属性值。
对于上述方式三,上述执行主体可以确定目标产品的候选价值分数为:1-k/N。其中,k为目标产品的产品信息在该产品信息序列中的序号,N为该产品信息序列包括的产品信息的总数。对于上述方式四,上述执行主体可以确定某个产品信息对应的待定候选价值分数为:1-k/N,其中,k为该产品信息在该产品信息序列中的序号,N为该产品信息序列包括的产品信息的总数。然后,上述执行主体可以确定目标产品对应的子序列包括的产品信息对应的待定候选价值分数的均值作为目标产品的候选价值分数。
算法二,基于目标产品所属的类别包括的产品的原始价值属性值,对目标产品所属的类别包括的产品的产品信息进行排序,得到至少两个第二产品信息序列,对于所得到的至少两个第二产品信息序列中的第二产品信息序列,基于目标产品在该第二产品信息序列中的排列位置,确定目标产品对应于该第二产品信息序列的候选价值分数。
具体地,对于算法二,可以按照与上述对算法一相似的方法(即将上述针对算法一的举例中的实际价值属性值替换为原始价值属性值)确定目标产品对应于第二产品信息序列的候选价值分数。
在本实施例的一些可选的实现方式中,上述算法集合还可以包括以下至少一种算法:
算法三,确定目标产品所属的类别包括的产品的实际价值属性值的均值和标准差;基于所确定的均值和标准差,确定目标产品的候选价值分数。
具体地,计算均值和标准差的公式如下:
其中,μ为均值,σ为标准差,N为该产品信息序列包括的产品信息的总数,i为目标产品所属的类别包括的产品的表征在序列中的位置的序号,pi为第i个产品的实际价值属性值,该公式中的对数的底为10。
然后,基于上述均值和标准差,可以按照如下公式计算得到目标产品的候选价值分数:
其中,q为候选价值分数,p为目标产品的实际价值属性值,α、β分别为预设的数值(例如α=3,β=2)。该公式中的对数的底为10。
此外,基于上述均值和标准差,还可以按照如下公式计算得到目标产品的候选价值分数:
其中,e为自然常数,[eμ-βσ,eμ+ασ]为实际价值属性值的区间。通过该公式,可以将目标产品的实际价值属性值映射到[0,1]区间,且可以将较大(即大于eμ+ασ)的实际价值属性值和较小(即小于eμ-βσ)的实际价值属性值分别设置为1和0。从而达到剔除异常实际价值属性值的目的。
算法四,确定目标产品所属的类别包括的产品的原始价值属性值的均值和标准差;基于所确定的均值和标准差,确定目标产品的候选价值分数。
具体地,对于算法四,可以按照与上述对算法三相似的方法(即将上述针对算法三的举例中的实际价值属性值替换为原始价值属性值)确定目标产品的候选价值分数。
步骤203,将候选价值分数集合输入预先训练的订单模型,得到概率值集合。
在本实施例中,上述执行主体可以将候选价值分数集合输入预先训练的订单模型,得到概率值集合。其中,概率值集合中的概率值对应于算法集合中的算法,用于表征利用对应的算法确定的候选价值分数的准确程度。
通常,候选价值分数集合可以以向量的形式输入订单模型,输出的概率值集合也可以是向量的形式。概率值集合包括的概率值的数量小于候选价值分数集合包括的候选价值分数的数量。每个概率值对应于上述算法集合中的一个算法。概率值越高,表示按照该概率值对应的算法确定的候选价值分数的准确性越高。
上述订单模型用于表征候选价值分数集合与概率值集合的对应关系。作为示例,上述订单模型可以是用于表征候选价值分数集合与概率值集合的对应关系的对应关系表。该对应关系表中可以存储有大量的候选价值分数集合与对应的概率值集合。上述执行主体可以从该对应关系表中查找与输入的候选价值分数集合相似(例如计算得到的两集合之间的欧氏距离小于预设的距离阈值)的候选价值分数集合,并输出查找到的候选价值分数集合对应的概率值集合。
在本实施例的一些可选的实现方式中,上述执行主体或其他电子设备可以预先按照如下步骤训练得到订单模型:
首先,获取样本属性信息集合。其中,样本属性信息对应于样本产品。具体地,用于训练订单模型的执行主体可以从远程或从本地获取样本属性信息集合。
然后,对于样本属性信息集合中的样本属性信息,执行如下步骤:
步骤一,基于该样本属性信息,利用上述算法集合确定该样本属性信息对应的样本候选价值分数集合。其中,利用算法集合确定样本属性信息对应的样本候选价值分数集合的方法可以与上述步骤202描述的方法相同,这里不再赘述。
步骤二,基于所得到的样本候选价值分数集合和预设的、与该样本属性信息对应的价值分数区间,生成至少一个标注信息。其中,标注信息对应于算法集合中的算法,标注信息用于表征利用对应的算法确定的样本候选价值分数是否位于样本产品对应的价值分数区间。标注信息和价值分数区间的对应关系以及标注信息和算法集合中的算法的对应关系可以是预先设置的(例如由技术人员手动设置)。上述价值分数区间可以是预先标注的区间。标注信息可以是数字、文字、符号或其组合等形式。例如,标注信息为“1”,表示利用对应的算法确定的样本候选价值分数位于样本产品对应的价值分数区间;标注信息为“0”,表示利用对应的算法确定的样本候选价值分数不位于样本产品对应的价值分数区间。
作为示例,假设样本产品的样本候选价值分数处于区间[0,1]内,标注的价值分数区间可以包括:[0,0.3],(0.3,0.4],(0.4,0.6],(0.6,0.7],(0.7,1],如果样本产品对应价值分数区间为[0,0.3],根据某标注信息对应的算法确定的样本候选价值分数为0.2,则该标注信息为“1”。需要说明的是,在实际使用训练后的模型时,输出的是概率值集合,每个概率值对应于一个算法(即标注信息对应的算法),用于表征使用该算法确定的候选价值分数位于针对输入的候选价值分数集合对应的产品预先标注的价值分数区间的概率。概率值可以是由订单模型输出的中间结果,而非订单模型包括的输出部分(即训练时输出标注信息的部分)输出的结果。
最后,利用机器学习方法,将样本属性信息集合中的样本属性信息对应的样本候选价值分数集合作为输入,将与输入的样本候选价值分数集合对应的标注信息作为期望输出,训练得到订单模型。
具体地,上述订单模型可以是对初始模型进行训练得到的模型。初始模型可以包括各种现有的用于分类的模型,例如神经网络模型、决策树模型等。初始模型可以设置有初始参数,参数在训练过程中可以被不断地调整。用于训练订单模型的执行主体可以基于预设的损失函数计算损失值,根据损失值确定初始模型是否训练完成。在这里,需要说明的是,损失值可以用于表征实际输出与期望输出之间的差异。当损失值符合预设条件(例如损失值小于等于预设的损失值阈值,或经过多次迭代计算后,损失值不再减小)时,确定模型训练完成。
在本实施例的一些可选的实现方式中,所生成的至少一个标注信息中的标注信息分别对应的算法预先按照如下步骤确定:
首先,对于算法集合中的算法,确定根据该算法所确定的样本候选价值分数的准确率。具体地,准确率可以按照如下步骤确定:根据该算法确定预设的样本产品集中的样本产品的样本候选价值分数,将准确的样本候选价值分数占所确定出的样本候选价值分数的总数的比值确定为该算法所确定的样本候选价值分数的准确率。其中,准确的样本候选价值分数是处于针对其对应的样本产品预先标注的价值分数区间内的样本候选价值分数。
然后,基于所确定的准确率,从算法集合中选择算法作为与标注信息对应的算法。具体地,作为示例,用于训练订单模型的执行主体可以从算法集合中选择准确率最高的至少一个算法,作为用于生成标注信息所采用的算法。
作为另一示例,用于训练订单模型的执行主体可以预先对算法集合中的算法进行划分,得到至少两个子集合。例如,可以将上述可选的实施例中描述的算法一、算法二等分别包括的各种计算方法确定为一个子集合。对于所得到的至少两个子集合中的每个子集合,从该子集合中确定准确率最高的算法。从而选择出至少两个算法。可以将所选择的至少两个算法作为用于生成标注信息所采用的算法,也可以从所选择的至少两个算法中随机选择至少一个算法作为用于生成标注信息所采用的算法。
在本实施例的一些可选的实现方式中,上述订单模型是基于随机森林模型训练得到的多标签分类模型。其中的多标签分类指的是输入的数据可以被确定为多个类别,每个类别对应于一种标签。上述订单模型输出的概率值集合中的每个概率,可以作为用于表征输入的数据所属的类别的概率。此外,随机森林作为常用的分类器,可以有效规避过拟合和数据存在噪声的问题,具有很强的鲁棒性。
步骤204,从概率值集合中选择目标概率值,以及将根据目标概率值对应的算法确定的候选价值分数确定为目标产品的标签及存储。
在本实施例中,上述执行主体可以首先从概率值集合中选择目标概率值。作为示例,上述执行主体可以从概率值集合中随机选择概率值作为目标概率值;或者,上述执行主体可以从概率值集合中选择最大概率值作为目标概率值。
然后,上述执行主体可以将根据目标概率值对应的算法确定的候选价值分数确定为目标产品的标签及存储。具体地,所确定的标签可以存储于上述执行主体本地的存储区,也可以存储于与上述执行主体通信连接的其他电子设备的存储区。其中,需要说明的是,上述存储区可以是硬件形式的存储区,例如硬盘、内存等。也可以是软件形式的存储区,例如数据库、列表等。
可选的,目标产品的标签还可以进一步显示在与上述执行主体连接的显示器上。
通过执行上述各步骤,由于采用了订单模型,可以使得所确定的标签准确地表征目标产品的价值。有助于根据标签有针对性地向用户终端推送表征目标产品的信息。
继续参见图3,图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中,服务器301首先获取目标产品(例如某种手机)的属性信息302。其中,属性信息包括目标产品的价值属性值3021(例如价格“2000”)。然后,服务器301利用预设的算法集合303(例如包括算法a1、a2、…、a22,每个算法以应用程序的形式表征)中的每个算法,对价值属性值3021进行计算,得到候选价值分数集合304。再然后,将候选价值分数集合304以向量(例如22维的向量,包括数值n1、n2、…、n22)的形式输入预先训练的订单模型305,得到概率值集合306(例如包括6个概率值0.65、0.88、0.84、0.41、0.54、0.63)。其中,每个概率值对应于算法集合中的一个算法,用于表征利用对应的算法确定的候选价值分数的准确程度。接着,服务器301从概率值集合中选择最大值(即0.88)作为目标概率值,目标概率值对应于算法集合中的算法a10。最后将根据算法a10确定的候选价值分数n10作为目标产品的标签,并将该标签存储到服务器301包括的存储区307(例如硬盘)中。
本申请的上述实施例提供的方法,通过基于目标产品的属性信息和预设的算法集合,确定候选价值分数集合,再将候选价值分数集合输入预先训练的订单模型得到概率值集合,最后从概率值集合中选择目标概率值,以及将根据目标概率值对应的算法确定的候选价值分数确定为目标产品的标签及存储,从而利用候选价值分数集合和订单模型,提高了生成目标产品的标签的准确性,有助于利用生成的标签提高推荐信息的针对性。
进一步参考图4,其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400,包括以下步骤:
步骤401,获取目标产品的属性信息。
在本实施例中,用于生成信息的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从远程或从本地目标产品的属性信息。其中,目标产品可以是待确定其标签的产品,例如可以是某网站提供的产品信息表征的产品。属性信息可以包括与目标产品的各种属性相关的信息,例如目标产品的名称、重量、尺寸、表征目标产品的价值属性的价值属性值等。
步骤402,确定目标产品在目标时间段内的订单量是否大于等于预设的订单量阈值。
在本实施例中,目标产品的属性信息包括目标产品在目标时间段内的订单量。上述执行主体可以确定目标产品在目标时间段内的订单量是否大于等于预设的订单量阈值(例如10)。
其中,目标时间段是上述执行主体根据技术人员预先设置的时间确定方式确定的时间段。例如,目标时间段可以是最近一天、一周、一月等时间段。订单量是目标时间段内目标产品被获取的次数。
在本实施例中,上述执行主体可以响应于确定目标产品在目标时间段内的订单量大于等于上述订单量阈值,执行步骤403-步骤404,响应于确定大于等于上述订单量阈值执行步骤405-步骤406。
步骤403,响应于确定大于等于订单量阈值,基于属性信息和预设的算法集合中的算法,确定候选价值分数集合作为第一候选价值分数集合。
在本实施例中,上述执行主体可以响应于确定目标产品在目标时间段内的订单量大于等于订单量阈值,基于属性信息和预设的算法集合中的算法,确定候选价值分数集合作为第一候选价值分数集合。
具体地,属性信息可以包括的用于表征目标产品的价值属性的数值(例如图2对应实施例中描述的实际价值属性值和原始价值属性值),即该数值用于表征用户获取目标产品所付出的代价。对于上述算法集合中的每个算法,利用该算法以及上述属性信息包括的用于表征目标产品的价值属性的数值,可以计算得到该算法对应的候选价值分数。从而将得到的候选价值分数集合确定为第一候选价值分数集合。
步骤404,响应于确定目标产品在目标时间段内的订单量大于等于订单量阈值,将第一候选价值分数集合输入订单模型包括的第一模型,得到概率值集合。
在本实施例中,上述执行主体可以响应于确定目标产品在目标时间段内的订单量大于等于订单量阈值,将第一候选价值分数集合输入订单模型包括的第一模型,得到概率值集合。
具体地,上述第一模型用于表征候选价值分数集合与概率值集合的对应关系。作为示例,上述第一模型可以是用于表征候选价值分数集合与概率值集合的对应关系的对应关系表。或者,上述第一模型可以是利用预设的训练样本集合,基于现有的用于分类的模型,采用机器学习方法,训练得到的模型。需要说明的是,训练第一模型的方法可以和上述图2实施例中的可选实现方式中描述的训练订单模型的方法相同,这里不再赘述。
步骤405,响应于确定小于订单量阈值,基于属性信息和预设的算法集合中的、除目标算法以外的算法,确定候选价值分数集合作为第二候选价值分数集合。
在本实施例中,上述执行主体可以响应于确定目标产品在目标时间段内的订单量小于订单量阈值,基于属性信息和预设的算法集合中的、除目标算法以外的其他算法,确定候选价值分数集合作为第二候选价值分数集合。其中,目标算法是与在目标时间段内的订单量大于等于订单量阈值的产品对应的算法,即目标算法用于确定在目标时间段内的订单量大于等于订单量阈值的产品的候选价值分数。
作为示例,假设算法集合包括算法A、B、C、D、E,其中A、B被设置为目标算法。如果目标产品在目标时间段内的订单量大于等于订单量阈值,则利用算法集合中的每个算法确定候选价值分数集合作为第一候选价值分数集合;否则,利用算法C、D、E确定候选价值分数集合作为第二候选价值分数集合。
通过根据订单量的大小,将算法集合中的算法划分为两部分,可以使得在确定候选价值分数集合时,有针对性地根据产品的订单量的大小得到不同形式的候选价值分数集合,从而有助于提高产品的标签的准确性。
在本实施例的一些可选的实现方式中,目标算法可以包括:
首先,响应于确定目标产品在目标时间段内的订单量大于等于预设的订单量阈值,获取预先确定的、获得过目标产品的用户群中的用户的产品获取相关值。其中,产品获取相关值可以是预先确定的、用于表征用户在目标时间段内为了获取产品而付出的代价的多少的数值,产品获取相关值越大,表示用户在目标时间段内为了获取产品而付出的代价越大,进而可以间接地表征产品的价值越大。例如,产品获取相关值可以是处于[0,1]区间中的数值。需要说明的是,用户的产品获取相关值可以是技术人员手动设置的数值,也可以是上述执行主体或其他电子设备按照各种方法确定的数值。作为示例,可以按照现有的数据归一化方法(例如标准归一化、最大最小归一化等),将上述用户群中的用户在目标时间段内获取产品所付出的代价值,映射到[0,1]区间,从而得到每个用户的产品获取相关值。通常,产品获取相关值可以包含在预先确定的、用于表征用户的特征的用户画像信息中。
然后,基于所得到的产品获取相关值,确定目标产品的候选价值分数。作为示例,上述执行主体可以从上述用户群中的用户的产品获取相关值中,选择中位数作为目标产品的候选价值分数。或者,上述执行主体可以将各个产品获取相关值的均值确定为目标产品的候选价值分数。
在目标时间段内的订单量大于等于订单量阈值的情况下,采用目标算法,可以有效利用用户的产品获取相关值,实现将与用户有关的信息融入到产品的价值分数集合,从而有利于提高生成产品的标签的准确性。
在本实施例的一些可选的实现方式中,目标算法可以包括:
响应于确定目标产品在目标时间段内的订单量大于等于预设的订单量阈值,首先,从预设的至少两个价值分数区间中,确定以下至少一个价值分数区间:目标产品的实际价值属性值对应的价值分数区间、目标产品的原始价值属性值对应的价值分数区间。其中,预设的至少两个价值分数区间是技术人员预先标注的价值分数区间,实际价值属性值和价值分数区间的对应关系,原始价值属性值和价值分数区间的对应关系也可以是技术人员预先设置的。作为示例,假设产品的候选价值分数处于区间[0,1]内,预设的至少两个价值分数区间可以包括:[0,0.4],(0.4,0.5],(0.5,0.8],(0.8,0.9],(0.9,1]。需要说明的是,上述至少两个价值分数区间可以包括两组价值分数区间,分别对应于实际价值属性值和原始价值属性值。上述至少两个价值分数区间也可以包括一组价值分数区间,实际价值属性值和原始价值属性值均对应于该组价值分数区间。
然后,对于所确定的至少一个价值分数区间中的价值分数区间,获取预设的、与该价值分数区间对应的变换系数,以及从确定出的目标产品的候选价值分数中确定目标候选价值分数。作为示例,上述执行主体可以根据技术人员的指定,从已确定的目标产品的候选价值分数中确定目标候选价值分数。例如,可以将上述算法一和算法二中的示例中的、根据将每个订单对应的产品信息进行排序得到的产品信息序列所确定的候选价值分数作为目标候选价值分数。上述执行主体可以接着基于所确定的变换系数和目标候选价值分数,确定目标产品的新的候选价值分数。作为示例,上述执行主体可以将所确定的变换系数和目标候选价值分数相乘得到的乘积确定为新的候选价值分数。或者,可以在上述乘积的基础上进行变换(例如与设定值相加或相减),得到新的候选价值分数。通常,可以将所得到的新的候选价值分数替换掉原候选价值分数。
通过执行本实现方式,可以在目标时间段内的订单量大于等于订单量阈值的情况下,将所得到的候选价值分数,从所处的预设的价值分数区间,变换到新的价值分数区间,从而可以便于技术人员灵活地调整候选价值分数所处的价值区间。
步骤406,响应于确定目标产品在目标时间段内的订单量小于订单量阈值,将第二候选价值分数集合输入订单模型包括的第二模型,得到概率值集合。
在本实施例中,上述执行主体可以响应于确定目标产品在目标时间段内的订单量小于订单量阈值,将第二候选价值分数集合输入订单模型包括的第二模型,得到概率值集合。
具体地,上述第二模型用于表征候选价值分数集合与概率值集合的对应关系。作为示例,上述第二模型可以是用于表征候选价值分数集合与概率值集合的对应关系的对应关系表。或者,上述第二模型可以是利用预设的训练样本集合,基于现有的用于分类的模型,采用机器学习方法,训练得到的模型。
需要说明的是,训练第二模型的方法可以和训练第一模型的方法相似,不同的是,训练第二模型所使用的样本候选价值分数集合不包括上述可选的实现方式中描述的目标算法,进而,生成训练第二模型所使用的标注信息所用到的算法也不包括目标算法。关于训练第二模型的方法,可以参考上述图2实施例中的可选实现方式中描述的训练订单模型的方法,这里不再赘述。
步骤407,从概率值集合中选择目标概率值,以及将根据目标概率值对应的算法确定的候选价值分数确定为目标产品的标签及存储。
在本实施例中,步骤407与图2对应实施例中的步骤204基本一致,这里不再赘述。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于生成信息的方法的流程400突出了确定目标产品在目标时间段内的订单量是否大于等于预设的订单量阈值,以及使用第一模型或第二模型生成概率值集合的步骤。由此,本实施例描述的方案可以根据目标产品在目标时间段内的订单量的大小,采取不同的处理方式,得到目标产品的标签,从而进一步提高了生成目标产品的标签的准确性。
进一步参考图5,其示出了用于推送信息的方法的一个实施例的流程500。该用于推送信息的方法的流程500,包括以下步骤:
步骤501,获取目标用户的类别信息和预设的产品信息集合。
在本实施例中,用于推送信息的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从远程或从本地获取目标用户的类别信息和预设的产品信息集合。其中,产品信息集合中的产品信息对应于预先确定的标签。标签是根据上述图2或图4对应实施例中描述的方法生成的。目标用户可以是待向其使用的终端推送产品信息的用户。目标用户的类别信息可以用于表征目标用户所处的用户群的类别,类别信息可以包括如下至少一种形式的信息:数字、文字、符号等。
作为示例,标签可以是处于[0,1]区间的数值,该区间被预先划分为至少两个子区间,例如包括:[0,0.3],(0.3,0.4],(0.4,0.6],(0.6,0.7],(0.7,1]。每个子区间可以对应于一个类别信息。需要说明的是,类别信息可以按照各种方式预先得到,例如,可以有技术人员手动设置。或者,可以对预设的用户群中的每个用户在目标时间段内所付出的代价值进行统计,确定代价值的区间,对该区间进行划分,得到至少两个子区间,每个子区间对应于一个上述针对标签的子区间,生成每个子区间对应的类别信息,从而可确定用户对应的类别信息。
产品信息可以是用于表征产品的信息,可以包括以下至少一种信息:产品的编号、图像、产地、价值属性值等。应当理解,与产品信息对应的标签可以包含于产品信息中,也可以通过诸如二维表格、链表等形式建立产品信息与标签的对应关系。
步骤502,基于预设的、标签和类别信息的对应关系,从产品信息集合中,确定与类别信息匹配的产品信息。
在本实施例中,上述执行主体可以基于预设的、标签和类别信息的对应关系,从产品信息集合中,确定与类别信息匹配的产品信息。
具体地,作为示例,标签和类别信息的对应关系可以通过二维表格、链表等形式表征。上述执行主体可以从产品信息集合中,确定对应的标签与目标用户的类别信息对应的产品信息作为与类别信息匹配的产品信息。
作为另一示例,上述执行主体可以首先从产品信息集合中,确定对应的标签与目标用户的类别信息对应的产品信息,再从所确定的产品信息中,选择目标产品信息作为与类别信息匹配的产品信息。例如,产品信息可以包括订单量,上述执行主体可以选择目标时间段内订单量最大的预设数量个产品信息作为目标产品信息。或者,上述执行主体可以根据目标用户获取过的产品所属的类目,从所确定的产品信息中,选择同属于该类目的产品信息作为目标产品信息。
步骤503,将所确定的产品信息推送至目标用户的终端。
在本实施例中,上述执行主体可以将步骤502中所确定的产品信息推送至目标用户的终端,以使目标用户通过其使用的终端浏览产品信息。
本申请的上述实施例提供的方法,通过获取目标用户的类别信息和预设的产品信息集合,然后基于预设的、标签和类别信息的对应关系,从产品信息集合中,确定与类别信息匹配的产品信息,最后将所确定的产品信息推送至目标用户的终端,由于该实施例所利用的标签能够准确地表征目标产品的价值,因此可以提高向用户的终端推送信息的针对性。
进一步参考图6,作为对上述图2所示方法的实现,本申请提供了一种用于生成信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的用于生成信息的装置600包括:获取单元601,被配置成获取目标产品的属性信息;确定单元602,被配置成基于属性信息和预设的算法集合,确定候选价值分数集合;生成单元603,被配置成将候选价值分数集合输入预先训练的订单模型,得到概率值集合,其中,概率值集合中的概率值对应于算法集合中的算法,用于表征利用对应的算法确定的候选价值分数的准确程度;存储单元604,被配置成从概率值集合中选择目标概率值,以及将根据目标概率值对应的算法确定的候选价值分数确定为目标产品的标签及存储。
在本实施例中,获取单元601可以通过有线连接方式或者无线连接方式从远程或从本地获取目标产品的属性信息。其中,目标产品可以是待确定其标签的产品,例如可以是某网站提供的产品信息表征的产品。属性信息可以包括与目标产品的各种属性相关的信息。例如,属性信息可以包括以下至少一种信息:目标产品的名称、重量、尺寸、表征目标产品的价值属性的价值属性值等。
在本实施例中,确定单元602可以确定候选价值分数集合。其中,候选价值分数可以用于表征目标产品的价值的大小。
具体地,属性信息包括用于表征目标产品的价值属性的数值,该数值可以用于表征用户获取目标产品所付出的代价。对于上述算法集合中的算法,利用该算法以及上述属性信息包括的用于表征目标产品的价值属性的数值,可以计算得到该算法对应的候选价值分数。通常,算法集合中的算法可以以公式或应用程序的形式表征,将表征目标产品的价值属性的数值输入到公式或应用程序,可以得到候选价值分数。
在本实施例中,生成单元603可以将候选价值分数集合输入预先训练的订单模型,得到概率值集合。其中,概率值集合中的概率值对应于算法集合中的算法,用于表征利用对应的算法确定的候选价值分数的准确程度。
通常,候选价值分数集合可以以向量的形式输入订单模型,输出的概率值集合也可以是向量的形式。概率值集合包括的概率值的数量小于候选价值分数集合包括的候选价值分数的数量。每个概率值对应于上述算法集合中的一个算法。概率值越高,表示按照该概率值对应的算法确定的候选价值分数的准确性越高。
上述订单模型用于表征候选价值分数集合与概率值集合的对应关系。作为示例,上述订单模型可以是用于表征候选价值分数集合与概率值集合的对应关系的对应关系表。该对应关系表中可以存储有大量的候选价值分数集合与对应的概率值集合。上述生成单元603可以从该对应关系表中查找与输入的候选价值分数集合相似(例如计算得到的两集合之间的欧氏距离小于预设的距离阈值)的候选价值分数集合,并输出查找到的候选价值分数集合对应的概率值集合。
在本实施例中,存储单元604可以首先从概率值集合中选择目标概率值。作为示例,上述存储单元604可以从概率值集合中随机选择概率值作为目标概率值。通常,上述存储单元604可以从概率值集合中选择最大值作为目标概率值。
然后,上述存储单元604可以首先从概率值集合中选择目标概率值。作为示例,上述存储单元604可以从概率值集合中随机选择概率值作为目标概率值;或者,上述执行主体可以从概率值集合中选择最大概率值作为目标概率值。然后,存储单元604可以将根据目标概率值对应的算法确定的候选价值分数确定为目标产品的标签及存储。具体地,所确定的标签可以存储于上述装置600本地的存储区,也可以存储于与上述装置600通信连接的其他电子设备的存储区。其中,需要说明的是,上述存储区可以是硬件形式的存储区,例如硬盘、内存等。也可以是软件形式的存储区,例如数据库、列表等。
在本实施例的一些可选的实现方式中,属性信息可以包括目标产品在目标时间段内的订单量;以及确定单元602可以包括:第一确定模块(图中未示出),被配置成确定目标产品在目标时间段内的订单量是否大于等于预设的订单量阈值;第二确定模块(图中未示出),被配置成响应于确定大于等于订单量阈值,基于属性信息和预设的算法集合中的算法,确定候选价值分数集合作为第一候选价值分数集合;第三确定模块(图中未示出),被配置成响应于确定小于订单量阈值,基于属性信息和预设的算法集合中的、除目标算法以外的其他算法,确定候选价值分数集合作为第二候选价值分数集合,其中,目标算法是与在目标时间段内的订单量大于等于订单量阈值的产品对应的算法。
在本实施例的一些可选的实现方式中,目标算法包括:响应于确定目标产品在目标时间段内的订单量大于等于预设的订单量阈值,获取预先确定的、获得过目标产品的用户群中的用户的产品获取相关值;基于所得到的产品获取相关值,确定目标产品的候选价值分数。
在本实施例的一些可选的实现方式中,目标算法包括:响应于确定目标产品在目标时间段内的订单量大于等于预设的订单量阈值,从预设的至少两个价值分数区间中,确定以下至少一个价值分数区间:目标产品的实际价值属性值对应的价值分数区间、目标产品的原始价值属性值对应的价值分数区间;对于所确定的至少一个价值分数区间中的价值分数区间,获取预设的、与该价值分数区间对应的变换系数,以及从已确定的目标产品的候选价值分数中确定目标候选价值分数;基于所确定的变换系数和目标候选价值分数,确定目标产品的新的候选价值分数。
在本实施例的一些可选的实现方式中,订单模型包括第一模型和第二模型;以及生成单元603可以包括:第一生成模块(图中未示出),被配置成响应于确定目标产品在目标时间段内的订单量大于等于订单量阈值,将第一候选价值分数集合输入第一模型,得到至少两个概率值;第二生成模块(图中未示出),被配置成响应于确定目标产品在目标时间段内的订单量小于订单量阈值,将第二候选价值分数集合输入第二模型,得到至少两个概率值。
在本实施例的一些可选的实现方式中,属性信息包括以下至少一种数值:目标产品的实际价值属性值、目标产品的原始价值属性值;以及算法集合包括以下至少一种算法:基于目标产品所属的类别包括的产品的实际价值属性值,对目标产品所属的类别包括的产品的产品信息进行排序,得到至少两个第一产品信息序列,对于所得到的至少两个第一产品信息序列中的第一产品信息序列,基于目标产品在该第一产品信息序列中的排列位置,确定目标产品对应于该第一产品信息序列的候选价值分数;基于目标产品所属的类别包括的产品的原始价值属性值,对目标产品所属的类别包括的产品的产品信息进行排序,得到至少两个第二产品信息序列,对于所得到的至少两个第二产品信息序列中的第二产品信息序列,基于目标产品在该第二产品信息序列中的排列位置,确定目标产品对应于该第二产品信息序列的候选价值分数。
在本实施例的一些可选的实现方式中,算法集合还可以包括以下至少一种算法:
一、确定目标产品所属的类别包括的产品的实际价值属性值的均值和标准差;基于所确定的均值和标准差,确定目标产品的候选价值分数。
二、确定目标产品所属的类别包括的产品的原始价值属性值的均值和标准差;基于所确定的均值和标准差,确定目标产品的候选价值分数。
在本实施例的一些可选的实现方式中,订单模型可以预先按照如下步骤训练得到:获取样本属性信息集合,其中,样本属性信息对应于样本产品;对于样本属性信息集合中的样本属性信息,基于该样本属性信息,利用算法集合确定该样本属性信息对应的样本候选价值分数集合;基于所得到的样本候选价值分数集合和预设的、与该样本属性信息对应的价值分数区间,生成至少一个标注信息,其中,标注信息对应于算法集合中的算法,标注信息用于表征利用对应的算法确定的样本候选价值分数是否位于样本产品对应的价值分数区间;利用机器学习方法,将样本属性信息集合中的样本属性信息对应的样本候选价值分数集合作为输入,将与输入的样本候选价值分数集合对应的标注信息作为期望输出,训练得到订单模型。
在本实施例的一些可选的实现方式中,所生成的至少一个标注信息中的标注信息分别对应的算法可以预先按照如下步骤确定:对于算法集合中的算法,确定根据该算法所确定的样本候选价值分数的准确率;基于所确定的准确率,从算法集合中选择算法作为与标注信息对应的算法。
在本实施例的一些可选的实现方式中,订单模型是基于随机森林模型训练得到的多标签分类模型。
本申请的上述实施例提供的装置,通过基于目标产品的属性信息和预设的算法集合,确定候选价值分数集合,再将候选价值分数集合输入预先训练的订单模型得到概率值集合,最后从概率值集合中选择目标概率值,以及将根据目标概率值对应的算法确定的候选价值分数确定为目标产品的标签及存储,从而利用候选价值分数集合和订单模型,提高了生成目标产品的标签的准确性,有助于利用生成的标签提高推荐信息的针对性。
进一步参考图7,作为对上述图5所示方法的实现,本申请提供了一种用于推送信息的装置的一个实施例,该装置实施例与图5所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例的用于推送信息的装置700包括:获取单元701,被配置成获取目标用户的类别信息和预设的产品信息集合,其中,产品信息对应于预先确定的标签,标签是根据上述图2或图4对应实施例中描述的方法生成的;确定单元702,被配置成基于预设的、标签和类别信息的对应关系,从产品信息集合中,确定与类别信息匹配的产品信息;推送单元703,被配置成将所确定的产品信息推送至目标用户的终端。
在本实施例中,获取单元701可以通过有线连接方式或者无线连接方式从远程或从本地获取目标用户的类别信息和预设的产品信息集合。其中,产品信息集合中的产品信息对应于预先确定的标签。标签是根据上述图2或图4对应实施例中描述的方法生成的。目标用户可以是待向其使用的终端推送产品信息的用户。目标用户的类别信息可以用于表征目标用户所处的用户群的类别,类别信息可以包括如下至少一种形式的信息:数字、文字、符号等。作为示例,标签可以是处于[0,1]区间的数值,该区间被预先划分为至少两个子区间,例如包括:[0,0.3],(0.3,0.4],(0.4,0.6],(0.6,0.7],(0.7,1]。每个子区间可以对应于一个类别信息。需要说明的是,类别信息可以按照各种方式预先得到,例如,可以有技术人员手动设置。或者,可以对预设的用户群中的每个用户在目标时间段内所付出的代价值进行统计,确定代价值的区间,对该区间进行划分,得到至少两个子区间,每个子区间对应于一个上述针对标签的子区间,生成每个子区间对应的类别信息,从而可确定用户对应的类别信息。
产品信息可以是用于表征产品的信息,可以包括以下至少一种信息:产品的编号、图像、产地、价值属性值等。应当理解,与产品信息对应的标签可以包含于产品信息中,也可以通过诸如二维表格、链表等形式建立产品信息与标签的对应关系。
在本实施例中,确定单元702可以基于预设的、标签和类别信息的对应关系,从产品信息集合中,确定与类别信息匹配的产品信息。
具体地,作为示例,标签和类别信息的对应关系可以通过二维表格、链表等形式表征。上述执行主体可以从产品信息集合中,确定对应的标签与目标用户的类别信息对应的产品信息作为与类别信息匹配的产品信息。
作为另一示例,上述执行主体可以首先从产品信息集合中,确定对应的标签与目标用户的类别信息对应的产品信息,再从所确定的产品信息中,选择目标产品信息作为与类别信息匹配的产品信息。例如,产品信息可以包括订单量,上述执行主体可以选择目标时间段内订单量最大的预设数量个产品信息作为目标产品信息。或者,上述执行主体可以根据目标用户获取过的产品所属的类目,从所确定的产品信息中,选择同属于该类目的产品信息作为目标产品信息。
在本实施例中,推送单元703可以将确定单元702所确定的产品信息推送至目标用户的终端,以使目标用户通过其使用的终端浏览产品信息。
本申请的上述实施例提供的装置,通过获取目标用户的类别信息和预设的产品信息集合,然后基于预设的、标签和类别信息的对应关系,从产品信息集合中,确定与类别信息匹配的产品信息,最后将所确定的产品信息推送至目标用户的终端,由于该实施例所利用的标签能够准确地表征目标产品的价值,因此可以提高向用户的终端推送信息的针对性。
下面参考图8,其示出了适于用来实现本申请实施例的服务器的计算机***800的结构示意图。图8示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示,计算机***800包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有***800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805:包括键盘、鼠标等的输入部分806;包括诸如液晶显示器(LCD)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也可以根据需要连接至I/O接口805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——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。计算机可读介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读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。而在本申请中,计算机可读的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,其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质,该计算机可读介质可以发送、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。计算机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、电线、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或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器,包括获取单元、确定单元、生成单元和存储单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取目标产品的属性信息的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的服务器中所包含的;也可以是单独存在,而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该服务器执行时,使得该服务器:获取目标产品的属性信息;基于属性信息和预设的算法集合,确定候选价值分数集合;将候选价值分数集合输入预先训练的订单模型,得到概率值集合,其中,概率值集合中的概率值对应于算法集合中的算法,用于表征利用对应的算法确定的候选价值分数的准确程度;从概率值集合中选择目标概率值,以及将根据目标概率值对应的算法确定的候选价值分数确定为目标产品的标签及存储。
此外,当上述一个或者多个程序被该服务器执行时,还可以使得该服务器:获取目标用户的类别信息和预设的产品信息集合,其中,产品信息对应于预先确定的标签,标签是根据上述第一方面中任一实施方式描述的方法生成的;基于预设的、标签和类别信息的对应关系,从产品信息集合中,确定与类别信息匹配的产品信息;将所确定的产品信息推送至目标用户的终端。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (15)
1.一种用于生成信息的方法,包括:
获取目标产品的属性信息;
基于所述属性信息和预设的算法集合,确定候选价值分数集合;
将所述候选价值分数集合输入预先训练的订单模型,得到概率值集合,其中,所述概率值集合中的概率值对应于所述算法集合中的算法,用于表征利用对应的算法确定的候选价值分数的准确程度;
从所述概率值集合中选择目标概率值,以及将根据所述目标概率值对应的算法确定的候选价值分数确定为所述目标产品的标签及存储。
2.根据权利要求1所述的方法,其中,所述属性信息包括所述目标产品在目标时间段内的订单量;以及
所述基于所述属性信息和预设的算法集合,确定候选价值分数集合,包括:
确定所述目标产品在目标时间段内的订单量是否大于等于预设的订单量阈值;
响应于确定大于等于所述订单量阈值,基于所述属性信息和预设的算法集合中的算法,确定候选价值分数集合作为第一候选价值分数集合;
响应于确定小于所述订单量阈值,基于所述属性信息和预设的算法集合中的、除目标算法以外的其他算法,确定候选价值分数集合作为第二候选价值分数集合,其中,所述目标算法是与在所述目标时间段内的订单量大于等于所述订单量阈值的产品对应的算法。
3.根据权利要求2所述的方法,其中,所述目标算法包括:
响应于确定所述目标产品在目标时间段内的订单量大于等于预设的订单量阈值,获取预先确定的、获得过所述目标产品的用户群中的用户的产品获取相关值;
基于所得到的产品获取相关值,确定所述目标产品的候选价值分数。
4.根据权利要求2所述的方法,其中,所述目标算法包括:
响应于确定所述目标产品在目标时间段内的订单量大于等于预设的订单量阈值,从预设的至少两个价值分数区间中,确定以下至少一个价值分数区间:所述目标产品的实际价值属性值对应的价值分数区间、所述目标产品的原始价值属性值对应的价值分数区间;
对于所确定的至少一个价值分数区间中的价值分数区间,获取预设的、与该价值分数区间对应的变换系数,以及从已确定的所述目标产品的候选价值分数中确定目标候选价值分数;基于所确定的变换系数和目标候选价值分数,确定所述目标产品的新的候选价值分数。
5.根据权利要求2所述的方法,其中,所述订单模型包括第一模型和第二模型;以及
所述将所述候选价值分数集合输入预先训练的订单模型,得到概率值集合,包括:
响应于确定所述目标产品在目标时间段内的订单量大于等于所述订单量阈值,将所述第一候选价值分数集合输入所述第一模型,得到至少两个概率值;
响应于确定所述目标产品在目标时间段内的订单量小于所述订单量阈值,将所述第二候选价值分数集合输入所述第二模型,得到至少两个概率值。
6.根据权利要求1所述的方法,其中,所述属性信息包括以下至少一种数值:所述目标产品的实际价值属性值、所述目标产品的原始价值属性值;以及
所述算法集合包括以下至少一种算法:
基于所述目标产品所属的类别包括的产品的实际价值属性值,对所述目标产品所属的类别包括的产品的产品信息进行排序,得到至少两个第一产品信息序列,对于所得到的至少两个第一产品信息序列中的第一产品信息序列,基于所述目标产品在该第一产品信息序列中的排列位置,确定所述目标产品对应于该第一产品信息序列的候选价值分数;
基于所述目标产品所属的类别包括的产品的原始价值属性值,对所述目标产品所属的类别包括的产品的产品信息进行排序,得到至少两个第二产品信息序列,对于所得到的至少两个第二产品信息序列中的第二产品信息序列,基于所述目标产品在该第二产品信息序列中的排列位置,确定所述目标产品对应于该第二产品信息序列的候选价值分数。
7.根据权利要求6所述的方法,其中,所述算法集合还包括以下至少一种算法:
确定所述目标产品所属的类别包括的产品的实际价值属性值的均值和标准差;基于所确定的均值和标准差,确定所述目标产品的候选价值分数;
确定所述目标产品所属的类别包括的产品的原始价值属性值的均值和标准差;基于所确定的均值和标准差,确定所述目标产品的候选价值分数。
8.根据权利要求1-7之一所述的方法,其中,所述订单模型预先按照如下步骤训练得到:
获取样本属性信息集合,其中,样本属性信息对应于样本产品;
对于所述样本属性信息集合中的样本属性信息,基于该样本属性信息,利用所述算法集合确定该样本属性信息对应的样本候选价值分数集合;基于所得到的样本候选价值分数集合和预设的、与该样本属性信息对应的价值分数区间,生成至少一个标注信息,其中,标注信息对应于所述算法集合中的算法,标注信息用于表征利用对应的算法确定的样本候选价值分数是否位于样本产品对应的价值分数区间;
利用机器学习方法,将所述样本属性信息集合中的样本属性信息对应的样本候选价值分数集合作为输入,将与输入的样本候选价值分数集合对应的标注信息作为期望输出,训练得到订单模型。
9.根据权利要求8所述的方法,其中,所生成的至少一个标注信息中的标注信息分别对应的算法预先按照如下步骤确定:
对于所述算法集合中的算法,确定根据该算法所确定的样本候选价值分数的准确率;
基于所确定的准确率,从所述算法集合中选择算法作为与标注信息对应的算法。
10.根据权利要求8所述的方法,其中,所述订单模型是基于随机森林模型训练得到的多标签分类模型。
11.一种用于推送信息的方法,包括:
获取目标用户的类别信息和预设的产品信息集合,其中,产品信息对应于预先确定的标签,标签是根据权利要求1-10之一所述的方法生成的;
基于预设的、标签和类别信息的对应关系,从所述产品信息集合中,确定与所述类别信息匹配的产品信息;
将所确定的产品信息推送至所述目标用户的终端。
12.一种用于生成信息的装置,包括:
获取单元,被配置成获取目标产品的属性信息;
确定单元,被配置成基于所述属性信息和预设的算法集合,确定候选价值分数集合;
生成单元,被配置成将所述候选价值分数集合输入预先训练的订单模型,得到概率值集合,其中,所述概率值集合中的概率值对应于所述算法集合中的算法,用于表征利用对应的算法确定的候选价值分数的准确程度;
存储单元,被配置成从所述概率值集合中选择目标概率值,以及将根据所述目标概率值对应的算法确定的候选价值分数确定为所述目标产品的标签及存储。
13.一种用于推送信息的装置,包括:
获取单元,被配置成获取目标用户的类别信息和预设的产品信息集合,其中,产品信息对应于预先确定的标签,标签是根据权利要求1-10之一所述的方法生成的;
确定单元,被配置成基于预设的、标签和类别信息的对应关系,从所述产品信息集合中,确定与所述类别信息匹配的产品信息;
推送单元,被配置成将所确定的产品信息推送至所述目标用户的终端。
14.一种服务器,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-11中任一所述的方法。
15.一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-11中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910063036.7A CN109785072A (zh) | 2019-01-23 | 2019-01-23 | 用于生成信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910063036.7A CN109785072A (zh) | 2019-01-23 | 2019-01-23 | 用于生成信息的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109785072A true CN109785072A (zh) | 2019-05-21 |
Family
ID=66501130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910063036.7A Pending CN109785072A (zh) | 2019-01-23 | 2019-01-23 | 用于生成信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109785072A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798261A (zh) * | 2020-03-24 | 2020-10-20 | 北京沃东天骏信息技术有限公司 | 信息更新的方法和装置 |
CN111860575A (zh) * | 2020-06-05 | 2020-10-30 | 百度在线网络技术(北京)有限公司 | 物品属性信息的处理方法、装置、电子设备和存储介质 |
CN112348616A (zh) * | 2020-05-29 | 2021-02-09 | 北京沃东天骏信息技术有限公司 | 用于推送信息的方法、装置、电子设备和可读介质 |
CN113762996A (zh) * | 2020-06-18 | 2021-12-07 | 北京京东振世信息技术有限公司 | 一种信息生成的方法、装置和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102467726A (zh) * | 2010-11-04 | 2012-05-23 | 阿里巴巴集团控股有限公司 | 一种基于网上交易平台的数据处理方法和装置 |
JP2016181196A (ja) * | 2015-03-25 | 2016-10-13 | 日本電気株式会社 | 情報処理装置、情報処理方法およびプログラム |
CN107105031A (zh) * | 2017-04-20 | 2017-08-29 | 北京京东尚科信息技术有限公司 | 信息推送方法和装置 |
CN107346509A (zh) * | 2017-06-30 | 2017-11-14 | 携程计算机技术(上海)有限公司 | 产品及其组合定价推送方法及装置、电子设备、存储介质 |
CN109214501A (zh) * | 2017-06-29 | 2019-01-15 | 北京京东尚科信息技术有限公司 | 用于识别信息的方法和装置 |
-
2019
- 2019-01-23 CN CN201910063036.7A patent/CN109785072A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102467726A (zh) * | 2010-11-04 | 2012-05-23 | 阿里巴巴集团控股有限公司 | 一种基于网上交易平台的数据处理方法和装置 |
JP2016181196A (ja) * | 2015-03-25 | 2016-10-13 | 日本電気株式会社 | 情報処理装置、情報処理方法およびプログラム |
CN107105031A (zh) * | 2017-04-20 | 2017-08-29 | 北京京东尚科信息技术有限公司 | 信息推送方法和装置 |
CN109214501A (zh) * | 2017-06-29 | 2019-01-15 | 北京京东尚科信息技术有限公司 | 用于识别信息的方法和装置 |
CN107346509A (zh) * | 2017-06-30 | 2017-11-14 | 携程计算机技术(上海)有限公司 | 产品及其组合定价推送方法及装置、电子设备、存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798261A (zh) * | 2020-03-24 | 2020-10-20 | 北京沃东天骏信息技术有限公司 | 信息更新的方法和装置 |
CN112348616A (zh) * | 2020-05-29 | 2021-02-09 | 北京沃东天骏信息技术有限公司 | 用于推送信息的方法、装置、电子设备和可读介质 |
CN111860575A (zh) * | 2020-06-05 | 2020-10-30 | 百度在线网络技术(北京)有限公司 | 物品属性信息的处理方法、装置、电子设备和存储介质 |
CN113762996A (zh) * | 2020-06-18 | 2021-12-07 | 北京京东振世信息技术有限公司 | 一种信息生成的方法、装置和存储介质 |
CN113762996B (zh) * | 2020-06-18 | 2024-04-16 | 北京京东振世信息技术有限公司 | 一种信息生成的方法、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460513A (zh) | 用于生成点击率预测模型的方法和装置 | |
CN109492160A (zh) | 用于推送信息的方法和装置 | |
CN109785072A (zh) | 用于生成信息的方法和装置 | |
CN108595628A (zh) | 用于推送信息的方法和装置 | |
CN108121800A (zh) | 基于人工智能的信息生成方法和装置 | |
CN109976997A (zh) | 测试方法和装置 | |
CN109086719A (zh) | 用于输出数据的方法和装置 | |
CN107992478A (zh) | 确定热点事件的方法和装置 | |
CN110413872A (zh) | 用于展示信息的方法和装置 | |
CN108628830A (zh) | 一种语义识别的方法和装置 | |
CN109960650A (zh) | 基于大数据的应用程序评估方法、装置、介质及电子设备 | |
CN109299477A (zh) | 用于生成文本标题的方法和装置 | |
CN108776692A (zh) | 用于处理信息的方法和装置 | |
CN109815365A (zh) | 用于处理视频的方法和装置 | |
CN108121699A (zh) | 用于输出信息的方法和装置 | |
CN109271556A (zh) | 用于输出信息的方法和装置 | |
CN109325121A (zh) | 用于确定文本的关键词的方法和装置 | |
CN109190123A (zh) | 用于输出信息的方法和装置 | |
CN109727047A (zh) | 一种确定数据关联度的方法和装置、数据推荐方法和装置 | |
CN108595448A (zh) | 信息推送方法和装置 | |
CN110084658A (zh) | 物品匹配的方法和装置 | |
CN109101309A (zh) | 用于更新用户界面方法和装置 | |
CN109284367A (zh) | 用于处理文本的方法和装置 | |
CN110473042A (zh) | 用于获取信息的方法及装置 | |
CN108182180B (zh) | 用于生成信息的方法和装置 |
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 |