CN110704726A - 基于神经网络的数据推送方法、及其相关设备 - Google Patents
基于神经网络的数据推送方法、及其相关设备 Download PDFInfo
- Publication number
- CN110704726A CN110704726A CN201910763035.3A CN201910763035A CN110704726A CN 110704726 A CN110704726 A CN 110704726A CN 201910763035 A CN201910763035 A CN 201910763035A CN 110704726 A CN110704726 A CN 110704726A
- Authority
- CN
- China
- Prior art keywords
- user
- car
- information
- basic
- preset
- 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.)
- Granted
Links
Images
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
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Feedback Control In General (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能技术领域,提供了一种基于神经网络的数据推送方法、及其相关设备,所述基于神经网络的数据推送方法包括:当检测到操作用户的用户行为满足预设条件时,获取关键词;对关键词进行优先等级匹配得到对应的优先等级;将携带优先等级的关键词与用户集合库中的描述信息进行匹配,选取匹配相同的用户集合作为待识别数据类型;将待识别数据类型导入到预先训练好的车商推荐模型中进行识别,得到携有车商信息的推荐车商;将推荐车商的车商信息发送给操作用户,以及将用户基本信息发送给所述推荐车商。本发明的技术方案实现根据关键词自动向车商与操作用户进行数据推送,避免由于人工干预,进而提高数据推送的效率以及准确性。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于神经网络的数据推送方法、及其相关设备。
背景技术
目前市面上针对用户与车商之间的数据推送方法单一,主要为随机推送,针对性较弱,无法结合用户自身需求进行推送,从而使得推送的精确度不高,存在推送不准确的情况,导致用户在需要购车时,无法准确获取到符合自己要求的车商信息,而车商也无法准确获取符合需求的用户,使车商无法准确为用户推送合适的车辆信息。
发明内容
本发明实施例提供一种基于神经网络的数据推送方法、及其相关设备,以解决随机推送数据的方式导致用户与车商无法准确获取符合自身需求信息的问题。
一种基于神经网络的数据推送方法,包括:
当在售车网页中检测到操作用户的用户行为满足预设条件时,获取售车网页中的关键词,其中,所述操作用户包括用户基本信息;
对所述关键词进行优先等级匹配,得到所述关键词对应的优先等级;
将携带所述优先等级的关键词与用户集合库中的描述信息进行匹配,选取匹配相同的描述信息所对应的用户集合作为待识别数据类型;
将所述待识别数据类型导入到预先训练好的车商推荐模型中进行识别,得到携有车商信息的推荐车商;
建立所述推荐车商和所述用户基本信息之间的关联关系,并将所述推荐车商的车商信息发送给所述操作用户,将所述用户基本信息发送给所述推荐车商。
一种基于用户与车商之间的数据推送装置,包括:
第一获取模块,用于当在售车网页中检测到操作用户的用户行为满足预设条件时,获取售车网页中的关键词,其中,所述操作用户包括用户基本信息;
优先等级确定模块,用于对所述关键词进行优先等级匹配,得到所述关键词对应的优先等级;
第一匹配模块,用于将携带所述优先等级的关键词与用户集合库中的描述信息进行匹配,选取匹配相同的描述信息所对应的用户集合作为待识别数据类型;
识别模块,用于将所述待识别数据类型导入到预先训练好的车商推荐模型中进行识别,得到携有车商信息的推荐车商;
发送模块,用于建立所述推荐车商和所述用户基本信息之间的关联关系,并将所述推荐车商的车商信息发送给所述操作用户,将所述用户基本信息发送给所述推荐车商。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于神经网络的数据推送方法的步骤。
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程序,所述计算机程序被处理器执行时实现上述基于神经网络的数据推送方法的步骤。
上述基于神经网络的数据推送方法、及其相关设备,通过对获取到的关键词进行优先等级匹配得到关键词对应的优先等级,将携带优先等级的关键词与用户集合库中的描述信息进行匹配,获取待识别数据类型,并将待识别数据类型导入到预先训练好的车商推荐模型中,输出携有车商信息的推荐车商,建立推荐车商与用户基本信息之间的关联关系,并将推荐车商的车商信息发送给操作用户,将用户基本信息发送给推荐车商。从而实现根据关键词自动向车商与操作用户进行数据推送,能够快速准确地将用户基本信息发送给合适的推荐车商,以及将车商信息发送给操作用户,避免人工干预,能够有效提高数据推送的效率以及准确性,进一步提高操作用户搜索效率和准确性,以及车商推送的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于神经网络的数据推送方法的流程图;
图2是本发明实施例提供的基于神经网络的数据推送方法中步骤S1的流程图;
图3是本发明实施例提供的基于神经网络的数据推送方法中步骤S12的流程图;
图4是本发明实施例提供的基于神经网络的数据推送方法中结合多维特征和复合特征作为基础特征的流程图;
图5是本发明实施例提供的基于神经网络的数据推送方法中步骤S71的流程图;
图6是本发明实施例提供的基于神经网络的数据推送方法中步骤S2的流程图;
图7是本发明实施例提供的基于用户与车商之间的数据推送装置的示意图;
图8是本发明实施例提供的计算机设备的基本机构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请提供的数据处理方法应用于服务端,服务端具体可以用独立的服务器或者多个服务器组成的服务器集群实现。在一实施例中,如图1所示,提供一种基于神经网络的数据推送方法,包括如下步骤:
S1:当在售车网页中检测到操作用户的用户行为满足预设条件时,获取售车网页中的关键词,其中,操作用户包括用户基本信息。
在本发明实施例中,用户行为可以包括但不限于用户在计算机设备上浏览网页,计算机设备可以是智能手机、笔记本、掌上电脑或者广告机;预设条件可以是用户浏览售车网页的持续时间达到设定阈值或者浏览售车链接个数达到设定阈值等。用户基本信息包括用户个人信息及用户位置信息。
具体地,当检测到操作用户的用户行为为浏览售车网页的持续时间达到设定阈值或者售车链接个数达到设定阈值或者浏览售车链接个数达到设定阈值时,则从预设数据库中获取售车网页中的关键词。其中,预设数据库是指专门用于存储操作用户浏览的售车网页中的关键词的数据库。
需要说明的是,由于没有明确意向的操作用户在选择心仪车辆产品之前,会长时间在售车网页中比较某些类型的售车网页内容,或者短时间内浏览各个不同的售车链接来选定心仪车辆产品等,故此类用户行为可以作为具有购车意向的操作用户,通过识别用户行为可以有效筛选掉一些无关用户,提高对操作用户的挖掘效率。
S2:对关键词进行优先等级匹配,得到关键词对应的优先等级。
具体地,通过获取每个关键词对应的出现频次,利用每个关键词对应的出现频次与优先等级对应的频次区间进行匹配的方式,得到每个关键词对应的优先等级。
S3:将携带优先等级的关键词与用户集合库中的描述信息进行匹配,选取匹配相同的描述信息所对应的用户集合作为待识别数据类型。
在本发明实施例中,携带优先等级的关键词是指包含优先等级的关键词,例如,A级品牌。用户集合库中预先保存了不同的用户集合以及用户集合对应的描述信息,其中,用户集合包括用户预先设定至少2个携带优先等级的关键词。例如,存在用户集合为“A级品牌、B级价格级别、C级X城市”,其对应的描述信息为“A级品牌、B级价格级别、C级X城市”。
具体地,将携带优先等级的关键词与用户集合库中的描述信息进行匹配,若匹配到携带优先等级的关键词与用户集合库中的描述信息相同时,则将该描述信息对应的用户集合作为待识别数据类型。
例如,携带优先等级的关键词分别为:A级品牌、B级价格级别;用户集合库存在用户集合Q1对应的描述信息为“A级品牌、B级价格级别”,存在用户集合Q2对应的描述信息为“A级价格级别、B级品牌”,将携带优先等级的关键词与描述信息进行匹配,得到携带优先等级的关键词与用户集合Q1对应的描述信息相同,故将用户集合Q1作为待识别数据类型。
S4:将待识别数据类型导入到预先训练好的车商推荐模型中进行识别,得到携有车商信息的推荐车商。
在本发明实施例中,车商推荐模型是指用于匹配推荐车商的卷积神经网络模型。预先训练好的车商推荐模型可以根据输入的待识别数据类型快速准确地输出该待识别数据类型对应的携有车商信息的推荐车商。其中,车商信息包括推荐车型、车商的网售链接、车商地址、车商联系方式等。
具体地,通过直接将待识别数据类型导入到预先训练好的车商推荐模型中,车商推荐模型可以根据输入的待识别数据类型,快速准确地判断出该待识别数据类型对应的携有车商信息的推荐车商,并将该推荐车商进行输出。
进一步地,当车商推荐模型识别到多个不同车商地址的推荐车商时,则根据用户基本信息中的用户位置信息做进一步筛选,如果作为待识别数据类型的用户集合对应的描述信息中没包含位置信息,则随机选取识别到的推荐车商进行输出;如果作为待识别数据类型的用户集合对应的描述信息中包含位置信息,则选取距离用户位置信息最近的车商地址的推荐车商进行输出。
需要说明的是,车商推荐模型的训练过程主要是先对卷积神经网络模型进行初始化处理以获取初始模型,然后将预先准备用于训练的样本数据导入到初始模型中进行计算前向输出,再计算前向输出与预设目标值之间的预测误差,最后根据预测误差,使用误差反向传播算法对初始模型中各个网络层的初始参数进行调整,得到车商推荐模型。
S5:建立推荐车商和用户基本信息之间的关联关系,并将推荐车商的车商信息发送给操作用户,将用户基本信息发送给推荐车商。
在本发明实施例中,通过建立推荐车商和用户基本信息之间的关联关系,能够让服务端根据关联关系执行信息推送,提高信息推送的准确率和效率。将推荐车商的车商信息发送给操作用户,可以帮助操作用户及时了解到适合自己的车商信息,提高操作用户的购车成功率;将用户基本信息发送给推荐车商,可以帮助推荐车商提前为操作用户制定售车服务指南,提高推荐车商的销售成功率。
具体地,根据步骤S4得到的推荐车商,将该推荐车商与用户基本信息之间建立关联关系,将推荐车商的车商信息按照预设推送方式发送给操作用户,将用户基本信息按照预设推送方式发送给推荐车商。其中,预设推送方式具体可以是以短信的形式,也可以根据用户的实际需求进行设置。
本实施例中,通过对获取到的关键词进行优先等级匹配得到关键词对应的优先等级,将携带优先等级的关键词与用户集合库中的描述信息进行匹配,获取待识别数据类型,并将待识别数据类型导入到预先训练好的车商推荐模型中,输出携有车商信息的推荐车商,建立推荐车商与用户基本信息之间的关联关系,并将推荐车商的车商信息发送给操作用户,将用户基本信息发送给推荐车商。从而实现根据关键词自动向车商与操作用户进行数据推送,能够快速准确地将用户基本信息发送给合适的推荐车商,以及将车商信息发送给操作用户,避免人工干预,能够有效提高数据推送的效率以及准确性,进一步提高操作用户搜索效率和准确性,以及车商推送的准确性。
在一实施例中,如图2所示,步骤S1中,即当在售车网页中检测到操作用户的用户行为满足预设条件时,获取售车网页中的关键词包括如下步骤:
S11:当检测到操作用户的用户行为满足预设的待测条件时,获取用户购车意向信息。
具体地,当检测到操作用户的用户行为满足预设的待测条件时,从预设意向库中获取操作用户的用户购车意向信息,其中,预设意向库是指专门用于存储操作用户在浏览售车网页时选取的用户购车意向信息的数据库。
需要说明的是,用户购车意向信息为操作用户在售车网页查询的购车意向信息,购车意向信息可以但不限于购车预算、4s店的位置距离、意向品牌、意向品牌优惠、车型爱好、服务期望等。
S12:对用户购车意向信息进行数据清洗,得到基础特征。
在本发明实施例中,用户购车意向信息中存在一些后续计算无关的无效数据,故需对用户购车意向信息进行数据清洗,排除无效数据,避免对无效数据进行多余计算,从而能够提高后续计算的效率。基础特征通常包括品牌、价格、优惠等等。
具体地,根据预设过滤条件对用户购车意向信息进行数据清洗,将符合预设过滤条件的用户购车意向信息进行删除处理,将不符合预设过滤条件的用户购车意向信息进行保留,并将保留下来的用户购车意向信息作为基础特征。其中,预设过滤条件可以但不限于操作用户在售车网页的浏览时间、售车网页的浏览内容、售车网页填报的用户购车意向信息等,具体的预设过滤条件可以根据具体业务的实际情况进行设定。
S13:将基础特征与预设特征进行匹配。
具体地,将基础特征与预设特征进行匹配,其中,预设特征具体可以是品牌优惠、价格级别等等。
S14:若基础特征与预设特征相同,则将与预设特征相同的基础特征确定为目标特征。
在本发明实施例中,根据步骤S13将基础特征与预设特征进行匹配,若基础特征与预设特征相同,则将该基础特征确定为目标特征。
例如,若存在基础特征分别为“品牌信息”、“售价范围”和“舒适程度”,预设特征为“品牌信息”,将“品牌信息”、“售价范围”和“舒适程度”分别与“品牌信息”进行匹配,得到“品牌信息”为目标特征。
S15:对所有目标特征进行整合处理,得到关键词。
具体地,根据步骤S14中得到的目标特征,按照预设规则对所有目标特征进行整合处理,得到整合处理后的关键词。其中,预设规则是指根据用户实际需求对目标特征进行合成的设定规则。
例如,若存在目标特征分别为A品牌和B价位,则对目标特征按照预设规则进行整合处理后得到的关键词为B价位的A品牌。
本实施例中,通过对获取到的用户购车意向信息进行数据清洗得到基础特征,将基础特征与预设特征进行匹配得到目标特征,最后对目标特征进行整合处理得到关键词。从而能够根据用户购车意向信息准确提取对应的关键词,保证后续利用关键词的准确性,进一步保证后续数据推送的准确性。
在一实施例中,如图3所示,步骤S12中,即对用户购车意向信息进行数据清洗,得到基础特征包括如下步骤:
S121:将用户购车意向信息与预设过滤条件进行匹配。
具体地,利用购车意向信息与预设过滤条件进行匹配。
S122:若用户购车意向信息与预设过滤条件相同,则将用户购车意向信息进行删除处理。
在本发明实施例中,根据步骤S121中利用购车意向信息与预设过滤条件进行匹配,若匹配结果为若用户购车意向信息与预设过滤条件相同,则表示该用户购车意向信息符合预设过滤条件,即达到过滤的资格,故将与预设过滤条件相同的用户购车意向信息作删除处理。
S123:若用户购车意向信息与预设过滤条件不相同,则将用户购车意向信息确定为基础特征。
具体地,根据步骤S121中利用购车意向信息与预设过滤条件进行匹配,若匹配结果为若用户购车意向信息与预设过滤条件不相同,则表示该用户购车意向信息不符合预设过滤条件,即未达到过滤的资格,故将与预设过滤条件不相同的用户购车意向信息进行保留,并将保留下来的用户购车意向信息确定为基础特征。
本实施例中,通过将用户购车意向信息与预设过滤条件进行匹配的方式,过滤部分用户购车意向信息,并将保留的用户购车意向信息作为基础特征。从而实现对用户购车意向信息的有效筛选,确保提取到的基础特征准确,进一步保证后续数据推送的准确性以及操作用户搜索的准确性。
本实施例中,步骤S13之后,该基于神经网络的数据推送方法还包括如下步骤:
S6:若基础特征与预设特征不相同,则将基础特征替换成预设特征,并将替换后的基础特征作为目标特征。
在本发明实施例中,根据步骤S13将基础特征与预设特征进行匹配,若匹配结果为基础特征与预设特征不相同,则将基础特征导入到预设替换库进行替换处理,得到替换处理后的基础特征,并将该基础特征作为目标特征。
需要说明的是,当预设替换库检测到基础特征时,判断所有基础特征中是否存在与预设特征不相同的基础特征,若存在与预设特征不相同的基础特征,则对该基础特征进行删除处理;与此同时,判断所有预设特征中是否存在与基础特征不同的预设特征,若存在与基础特征不相同的预设特征,则生成与预设特征相同的基础特征;即基础特征经过预设替换库进行替换处理后,得到与预设特征相同的基础特征。
其中,预设替换库是指专门用于对基础特征进行替换处理的数据库。
例如,若存在基础特征分别为:A、B、C、D、E,预设特征为:C、D、E、F、G,将基础特征导入到预设替换库,当预设替换库检测到基础特征时,判断所有基础特征中是否存在与预设特征不相同的基础特征,得到基础特征A、基础特征B与预设特征不相同,则将基础特征A和基础特征B进行删除处理;与此同时,判断所有预设特征中是否存在与基础特征不同的预设特征,得到预设特征F和预设特征G与基础特征不相同,则生成与预设特征F、预设特征G相同的基础特征,即得到基础特征F和基础特征G;最终,将基础特征导入到预设替换库进行替换处理后,得到的基础特征分别为:C、D、E、F、G。
本实施例中,在基础特征与预设特征不相同的情况下,将基础特征替换成预设特征,并将替换后的基础特征作为目标特征。从而实现在基础特征与预设特征不相同的情况下对基础特征的进一步处理,确保得到目标特征的准确性。
在一实施例中,基础特征包括用户特征和非用户特征,如图4所示,步骤S12之后,步骤S13之前,该基于神经网络的数据推送方法还包括如下步骤:
S71:对用户特征进行升维处理,得到多维特征。
在本发明实施例中,用户特征是在指售车网页中与用户相关的特征信息,例如,用户购车意向信息、用户在售车网页中的浏览内容等等。由于用户特征属于低维特征,预先训练好的车商推荐模型不适合对低维特征进行识别,若后续直接利用低维特征导入预先训练好的车商推荐模型进行识别,则该预先训练好的车商推荐模型的识别效果会受到影响,影响识别准确性,因此,为了提高准确性,需将用户特征处理成多维特征。
具体地,从用户特征库中获取用户特征,并将用户特征导入到预设升维端口进行升维处理,得到升维处理后的多维特征。其中,预设升维端口是指专门用于将用户特征处理生多维特征的处理端口。用户特征库是指专门用于存储用户特征的数据库。
S72:根据预设相关特征对非用户特征进行数据组合,得到复合特征。
在本发明实施例中,非用户特征是指指售车网页中与用户无关的特征信息,例如,优惠倾向、服务定级、服务周期匹配、价位级别定级等网页内容。
具体地,从非用户特征库中获取非用户特征,并将所有非用户特征与预设相关特征进行匹配,选取与预设相关特征相匹配的非用户特征导入到预设组合端口中进行数据组合,得到数据组合后的复合特征。
非用户特征库是指专门用于存储非用户特征的数据库。
预设相关特征是指肯定用户业务需求设定的相关的特征,且预设非用户特征库中包含与预设相关特征相同的非用户特征。
预设组合端口是指专门用于将非用户特征进行数据组合的执行端口。
S73:结合多维特征和复合特征作为基础特征。
具体地,将步骤S71中的多维特征和步骤S72中的复合特征进行结合,得到结合后的基础特征。例如,将多维特征J和复合特征K进行结合,得到的基础特征包含J和K。
本实施例中,通过将用户特征处理成多维特征,将非用户特征处理成复合特征,再结合多维特征和复合特征作为基础特征。从而实现先对用户特征和非用户特征的预处理,并结合预处理后的特征作为基础特征,确保后续基础特征的数据类型能够适用车商推荐模型,保证车商推荐模型识别的准确性。
在一实施例中,如图5所示,步骤S71中,即对用户特征进行升维处理,得到多维特征包括如下步骤:
S711:利用预设核函数对用户特征进行非线性变换,得到非线性特征。
在本发明实施例中,通过直接利用预设核函数对用户特征进行非线性变换,得到非线性变换处理后的非线性特征。
其中,预设核函数是指专门用于对用户特征执行非线性变换的函数。
S712:对非线性特征执行编码操作,得到多维特征。
具体地,按照预设的编码方式对步骤S711中得到的非线性特征执行编码操作,通过执行编码操作得到非线性特征的哑变量,并将该哑变量设置成对应的多维向量,即设置后的多维向量为多维特征。其中,预设的编码方式具体可以是独热编码(one-hot),也可以根据用户的实际需求进行设置。
优选地,本提案采用预设的编码方式为one-hot编码。
需要说明的是,one-hot编码,又称独热编码、一位有效编码。其方法是使用N位状态寄存器来对N个状态进行编码,每个状态都有它独立的寄存器位,并且在任意时候,其中只有一位有效。例如,假设我们有四个样本,每个样本有三个特征,假设某用户特征有4种取值状态,我们就用4个状态位来表示这个特征,one-hot编码就是保证每个样本中的单个特征只有1位处于状态1,其他的都是0。哑变量编码是指任意的将一个状态位去除,例如,当某用户特征已知4个状态位就足够反应5个类别的信息,例如,用户职位身份的取值分别是家庭主妇、白领、工人、农民以及个体户,当使用前四个状态位[0,0,0,0]时就可以表达为个体户了。只是因为对于一个研究的样本,他既不是家庭主妇、白领、工人、农民,那么就可以默认为个体户。
本实施例中,通过对用户特征进行非线性变换得到非线性特征,再对非线性特征执行编码操作得到多维特征。从而实现将用户特征处理成多维特征,保证多维特征适用于后续车商推荐模型的运用,进一步提高车商推荐模型识别的准确性。
在一实施例中,如图6所示,步骤S2中,即对关键词进行优先等级匹配,得到关键词对应的优先等级包括如下步骤:
S21:从历史数据表中获取关键词的出现频次。
在本发明实施例中,根据步骤S1得到的关键词,将每个关键词与历史数据表中的描述信息进行匹配,若匹配成功,则从历史数据表中获取匹配成功的描述信息对应的频次作为关键词的出现频次。其中,历史数据表是指专门用于存储描述信息及描述信息对应出现频次的数据库,且历史数据表中存在与关键词对应相同的描述信息。
S22:将出现频次与预设频次库中的频次区间进行匹配,若出现频次在频次区间之中,则将该频次区间对应的优先等级作为该关键词对应的优先等级。
具体地,根据步骤S21得到的关键词的出现频次,将关键词的出现频次与预设频次库中的频次区间进行匹配,若关键词的出现频次存在频次区间之中,则表示该关键词的出现频次与频次区间相匹配,并将该频次区间对应的优先等级作为该关键词对应的优先等级。其中,预设频次库是指专门用于存储频次区间及频次区间对应的优先等级的数据库。
例如,若预设频次库中存在频次区间分别为[1,30)、[30,100)和[100,+∞),其对应的优先等级分别为一等、二等和三等;存在关键词的出现频次为25,将该出现频次25与每个频次区间进行匹配,得到出现频次25存在频次区间[1,30)之中,故将频次区间[1,30)对应的优先等级一等作为该关键词对应的优先等级,即关键词对应的优先等级为一等。
本实施例中,通过根据关键词的出现频次与频次区间进行匹配的方式,得到关键词对应的优先等级。从而能够快速准确地获取关键词对应的优先等级,保证后续利用携带优先等级的关键词与描述信息进行匹配的准确性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种装置,该基于用户与车商之间的数据推送装置与上述实施例中基于神经网络的数据推送方法一一对应。如图7所示,该基于用户与车商之间的数据推送装置包括第一获取模块71、优先等级确定模块72、第一匹配模块73、识别模块74和发送模块75。各功能模块详细说明如下:
第一获取模块71,用于当在售车网页中检测到操作用户的用户行为满足预设条件时,获取售车网页中的关键词,其中,操作用户包括用户基本信息;
优先等级确定模块72,用于对关键词进行优先等级匹配,得到关键词对应的优先等级;
第一匹配模块73,用于将携带优先等级的关键词与用户集合库中的描述信息进行匹配,选取匹配相同的描述信息所对应的用户集合作为待识别数据类型;
识别模块74,用于将待识别数据类型导入到预先训练好的车商推荐模型中进行识别,得到携有车商信息的推荐车商;
发送模块75,用于建立推荐车商和用户基本信息之间的关联关系,并将推荐车商的车商信息发送给操作用户,将用户基本信息发送给推荐车商。
进一步地,第一获取模块71包括:
第二获取子模块,用于当检测到操作用户的用户行为满足预设的待测条件时,获取用户购车意向信息;
数据清洗子模块,用于对用户购车意向信息进行数据清洗,得到基础特征;
第二匹配子模块,用于将基础特征与预设特征进行匹配;
目标特征确定子模块,用于若基础特征与预设特征相同,则将与预设特征相同的基础特征确定为目标特征;
整合处理子模块,用于对所有目标特征进行整合处理,得到关键词。
进一步地,数据清洗子模块包括:
第三匹配单元,用于将用户购车意向信息与预设过滤条件进行匹配;
第三匹配相同单元,用于若用户购车意向信息与预设过滤条件相同,则将用户购车意向信息进行删除处理;
第三匹配不同单元,用于若用户购车意向信息与预设过滤条件不相同,则将用户购车意向信息确定为基础特征。
进一步地,该基于用户与车商之间的数据推送装置还包括:
第二匹配不同模块,用于若基础特征与预设特征不相同,则将基础特征替换成预设特征,并将替换后的基础特征作为目标特征。
进一步地,该基于用户与车商之间的数据推送装置还包括:
升维模块,用于对用户特征进行升维处理,得到多维特征;
数据组合模块,用于根据预设相关特征对非用户特征进行数据组合,得到复合特征;
结合模块,用于结合多维特征和复合特征作为基础特征。
进一步地,升维模块包括:
非线性变换子模块,用于利用预设核函数对用户特征进行非线性变换,得到非线性特征;
编码子模块,对非线性特征执行编码操作,得到多维特征。
进一步地,优先等级确定模块72包括:
第三获取子模块,用于从历史数据表中获取关键词的出现频次;
第四匹配子模块,用于将出现频次与预设频次库中的频次区间进行匹配,若出现频次在频次区间之中,则将该频次区间对应的优先等级作为该关键词对应的优先等级。
本申请的一些实施例公开了计算机设备。具体请参阅图8,为本申请的一实施例中计算机设备90基本结构框图。
如图8中所示意的,所述计算机设备90包括通过***总线相互通信连接存储器91、处理器92、网络接口93。需要指出的是,图8中仅示出了具有组件91-93的计算机设备90,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是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/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器91至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器91可以是所述计算机设备90的内部存储单元,例如该计算机设备90的硬盘或内存。在另一些实施例中,所述存储器91也可以是所述计算机设备90的外部存储设备,例如该计算机设备90上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器91还可以既包括所述计算机设备90的内部存储单元也包括其外部存储设备。本实施例中,所述存储器91通常用于存储安装于所述计算机设备90的操作***和各类应用软件,例如所述基于神经网络的数据推送方法的程序代码等。此外,所述存储器91还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器92在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器92通常用于控制所述计算机设备90的总体操作。本实施例中,所述处理器92用于运行所述存储器91中存储的程序代码或者处理数据,例如运行所述基于神经网络的数据推送方法的程序代码。
所述网络接口93可包括无线网络接口或有线网络接口,该网络接口93通常用于在所述计算机设备90与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式,即提供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推荐车商信息录入程序,所述推荐车商信息录入程序可被至少一个处理器执行,以使所述至少一个处理器执行上述任意一种基于神经网络的数据推送方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台计算机设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
最后应说明的是,显然以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于神经网络的数据推送方法,其特征在于,所述基于神经网络的数据推送方法包括:
当在售车网页中检测到操作用户的用户行为满足预设条件时,获取售车网页中的关键词,其中,所述操作用户包括用户基本信息;
对所述关键词进行优先等级匹配,得到所述关键词对应的优先等级;
将携带所述优先等级的关键词与用户集合库中的描述信息进行匹配,选取匹配相同的描述信息所对应的用户集合作为待识别数据类型;
将所述待识别数据类型导入到预先训练好的车商推荐模型中进行识别,得到携有车商信息的推荐车商;
建立所述推荐车商和所述用户基本信息之间的关联关系,并将所述推荐车商的车商信息发送给所述操作用户,将所述用户基本信息发送给所述推荐车商。
2.如权利要求1所述的基于神经网络的数据推送方法,其特征在于,所述当在售车网页中检测到操作用户的用户行为满足预设条件时,获取售车网页中的关键词的步骤包括:
当检测到操作用户的用户行为满足预设的待测条件时,获取用户购车意向信息;
对所述用户购车意向信息进行数据清洗,得到基础特征;
将所述基础特征与预设特征进行匹配;
若所述基础特征与所述预设特征相同,则将与预设特征相同的所述基础特征确定为目标特征;
对所有所述目标特征进行整合处理,得到所述关键词。
3.如权利要求2所述的基于神经网络的数据推送方法,其特征在于,所述对所述用户购车意向信息进行数据清洗,得到基础特征的步骤包括:
将所述用户购车意向信息与预设过滤条件进行匹配;
若所述用户购车意向信息与预设过滤条件相同,则将所述用户购车意向信息进行删除处理;
若所述用户购车意向信息与预设过滤条件不相同,则将所述用户购车意向信息确定为基础特征。
4.如权利要求2所述的基于神经网络的数据推送方法,其特征在于,所述将所述基础特征与预设特征进行匹配之后,所述基于神经网络的数据推送方法还包括:
若所述基础特征与所述预设特征不相同,则将所述基础特征替换成所述预设特征,并将替换后的基础特征作为目标特征。
5.如权利要求2所述的基于神经网络的数据推送方法,其特征在于,所述基础特征包括用户特征和非用户特征,所述对所述用户购车意向信息进行数据清洗,得到基础特征之后,所述将所述基础特征与预设特征进行匹配之前,所述基于神经网络的数据推送方法还包括:
对所述用户特征进行升维处理,得到多维特征;
根据预设相关特征对所述非用户特征进行数据组合,得到复合特征;
结合所述多维特征和复合特征作为所述基础特征。
6.如权利要求5所述的基于神经网络的数据推送方法,其特征在于,所述对所述用户特征进行升维处理,得到多维特征的步骤包括:
利用预设核函数对所述用户特征进行非线性变换,得到非线性特征;
对所述非线性特征执行编码操作,得到所述多维特征。
7.如权利要求1所述的基于神经网络的数据推送方法,其特征在于,所述对所述关键词进行优先等级匹配,得到所述关键词对应的优先等级的步骤包括:
从历史数据表中获取所述关键词的出现频次;
将所述出现频次与预设频次库中的频次区间进行匹配,若所述出现频次在所述频次区间之中,则将所述频次区间对应的优先等级作为所述关键词对应的优先等级。
8.一种基于用户与车商之间的数据推送装置,其特征在于,所述基于用户与车商之间的数据推送装置包括:
第一获取模块,用于当在售车网页中检测到操作用户的用户行为满足预设条件时,获取售车网页中的关键词,其中,所述操作用户包括用户基本信息;
优先等级确定模块,用于对所述关键词进行优先等级匹配,得到所述关键词对应的优先等级;
第一匹配模块,用于将携带所述优先等级的关键词与用户集合库中的描述信息进行匹配,选取匹配相同的描述信息所对应的用户集合作为待识别数据类型;
识别模块,用于将所述待识别数据类型导入到预先训练好的车商推荐模型中进行识别,得到携有车商信息的推荐车商;
发送模块,用于建立所述推荐车商和所述用户基本信息之间的关联关系,并将所述推荐车商的车商信息发送给所述操作用户,将所述用户基本信息发送给所述推荐车商。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于神经网络的数据推送方法的步骤。
10.一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程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于神经网络的数据推送方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910763035.3A CN110704726B (zh) | 2019-08-19 | 2019-08-19 | 基于神经网络的数据推送方法、及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910763035.3A CN110704726B (zh) | 2019-08-19 | 2019-08-19 | 基于神经网络的数据推送方法、及其相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110704726A true CN110704726A (zh) | 2020-01-17 |
CN110704726B CN110704726B (zh) | 2023-07-28 |
Family
ID=69193221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910763035.3A Active CN110704726B (zh) | 2019-08-19 | 2019-08-19 | 基于神经网络的数据推送方法、及其相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110704726B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933172A (zh) * | 2015-06-30 | 2015-09-23 | 百度在线网络技术(北京)有限公司 | 一种基于用户搜索行为的信息推送方法和装置 |
US9531827B1 (en) * | 2011-06-14 | 2016-12-27 | Urban Airship, Inc. | Push notification delivery system with feedback analysis |
CN107657480A (zh) * | 2017-09-08 | 2018-02-02 | 广州悦鸿方生物科技有限公司 | 基于售卖设备用户信息进行信息采集和/或推送的*** |
CN108710634A (zh) * | 2018-04-08 | 2018-10-26 | 平安科技(深圳)有限公司 | 一种协议文件的推送方法及终端设备 |
-
2019
- 2019-08-19 CN CN201910763035.3A patent/CN110704726B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9531827B1 (en) * | 2011-06-14 | 2016-12-27 | Urban Airship, Inc. | Push notification delivery system with feedback analysis |
CN104933172A (zh) * | 2015-06-30 | 2015-09-23 | 百度在线网络技术(北京)有限公司 | 一种基于用户搜索行为的信息推送方法和装置 |
CN107657480A (zh) * | 2017-09-08 | 2018-02-02 | 广州悦鸿方生物科技有限公司 | 基于售卖设备用户信息进行信息采集和/或推送的*** |
CN108710634A (zh) * | 2018-04-08 | 2018-10-26 | 平安科技(深圳)有限公司 | 一种协议文件的推送方法及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110704726B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110825957B (zh) | 基于深度学习的信息推荐方法、装置、设备及存储介质 | |
CN107730389A (zh) | 电子装置、保险产品推荐方法及计算机可读存储介质 | |
TW201812689A (zh) | 惡意地址/惡意訂單的識別系統、方法及裝置 | |
CN107688987A (zh) | 电子装置、保险推荐方法、及计算机可读存储介质 | |
CN107133856B (zh) | 风险订单的控制方法和装置 | |
CN110474903B (zh) | 可信数据获取方法、装置及区块链节点 | |
CN108876545A (zh) | 订单识别方法、装置和可读存储介质 | |
CN110852785B (zh) | 用户分级方法、装置及计算机可读存储介质 | |
CN111680165A (zh) | 信息匹配方法、装置、可读存储介质和电子设备 | |
CN111858922A (zh) | 服务方信息查询方法、装置、电子设备以及存储介质 | |
CN111461827A (zh) | 产品评价信息的推送方法和装置 | |
CN111125076A (zh) | 基于大数据的药品通用名清洗方法及***、服务器及介质 | |
CN108595580B (zh) | 新闻推荐方法、装置、服务器及存储介质 | |
US10579752B2 (en) | Generating a model based on input | |
CN105069639A (zh) | 农产品质量追溯方法及装置 | |
CN110704726A (zh) | 基于神经网络的数据推送方法、及其相关设备 | |
CN110634018A (zh) | 一种流失用户的特征刻画方法、识别方法及相关装置 | |
CN112686732B (zh) | 异常地址数据识别方法、装置、设备、介质 | |
CN104537546A (zh) | 产品质量监控方法和装置以及产品质量验证方法和装置 | |
CN111401395B (zh) | 一种数据处理方法、终端设备及存储介质 | |
CN107944992A (zh) | 一种中投标模拟方法及*** | |
CN113902576A (zh) | 基于深度学习的信息推送方法、装置、电子设备及介质 | |
US9489628B2 (en) | Rule-based inference system and an inference method | |
CN112328779A (zh) | 训练样本构建方法、装置、终端设备及存储介质 | |
CN110598211A (zh) | 文章的识别方法和装置、存储介质及电子装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |