发明内容
本申请提供一种业务对象推荐方法,以解决现有的商品推荐方法存在滞后性的问题。本申请另外提供一种业务对象推荐装置、一种电子设备。本申请还提供一种计算模型提供方法、一种计算模型提供装置以及一种电子设备。本申请还涉及一种商品推荐方法、一种计算模型提供方法。
本申请提供一种业务对象推荐方法,该方法应用于客户端,包括:
获得服务器提供的计算模型,所述计算模型用于根据用户在所述客户端上针对业务对象的行为数据确定用户对业务对象的偏好程度;
获得用户在所述客户端上针对第一业务对象的行为数据;
根据所述用户在所述客户端上针对第一业务对象的行为数据以及所述计算模型,确定所述用户对第一业务对象的偏好程度;
根据所述用户对第一业务对象的偏好程度,确定是否将与第一业务对象相关联的数据推荐给所述用户。
可选的,还包括:将所述计算模型发送至所述服务器进行计算模型更新训练;
所述获取服务器提供的计算模型,包括:获取所述服务器更新训练后的计算模型。
可选的,所述根据所述用户在所述客户端上针对第一业务对象的行为数据以及所述计算模型,确定所述用户对第一业务对象的偏好程度,包括:
通过所述计算模型对所述用户在所述客户端上针对第一业务对象的行为数据进行计算,获得能够反映所述用户对所述第一业务对象的偏好程度的偏好分。
可选的,所述根据所述用户对第一业务对象的偏好程度,确定是否将与第一业务对象相关联的数据推荐给所述用户,包括:
将所述偏好分与所述第一业务对象的基准分进行比对;
如果所述偏好分大于所述基准分,则将与第一业务对象相关联的数据推荐给所述用户;
其中,所述第一业务对象的基准分通过所述服务器对来自至少一个客户端的所述第一业务对象所对应的偏好分进行汇总而获得。
可选的,还包括:
将所述第一业务对象以及所述偏好分发送给服务器,以使所述服务器可根据所述偏好分对所述第一业务对象的基准分进行更新。
可选的,还包括:
对所述用户针对所述第一业务对象的行为数据进行特征化处理,获取所述行为数据所包含的特征;
获取所述第一业务对象对应的特征;
将所述行为数据所包含的特征和所述第一业务对象对应的特征进行组合,获得组合后的特征信息;
对应的,所述通过所述计算模型对所述用户在所述客户端上针对第一业务对象的行为数据进行计算,包括:
将所述组合后的特征信息作为输入数据输入所述计算模型进行计算。
可选的,所述获得用户在所述客户端上针对第一业务对象的行为数据,包括:
对所述客户端上的业务对象所对应的用户操作数据进行数据采集,获取所述客户端上的业务对象所对应的原始操作数据;
将所述原始操作数据结构化成具有预定格式的目标数据;
将所述目标数据写入本地预设的数据库中;
从所述本地预设的数据库中提取用户针对所述第一业务对象的行为数据。
可选的,在所述客户端上设置有面向SQL的数据查询接口,所述从所述本地预设的数据库中提取用户针对所述第一业务对象的行为数据,包括:
通过所述面向SQL的数据查询接口从所述本地预设的数据库中查询获得用户针对所述第一业务对象的行为数据。
可选的,所述用户针对所述第一业务对象的行为数据,包括如下中的至少一种:
用户浏览所述第一业务对象所使用的时间长度;
用户浏览所述第一业务对象的次数;
用户是否对所述第一业务对象进行收藏操作;
用户是否针对所述第一业务对象进行标注操作。
可选的,还包括:
如果确定将与第一业务对象相关联的数据推荐给所述用户,则向服务器请求获得与所述第一业务对象具有关联关系的数据。
可选的,所述第一业务对象为被所述用户浏览的商品信息,所述用户针对所述第一业务对象的行为数据包括:
从用户确认搜索商品到用户退出所述商品的详情页的过程中所生成的用户行为日志;
所述与所述第一业务对象具有关联关系的数据,包括:
所述用户曾经浏览过的、与所述被所述用户浏览的商品信息相关的商品信息。
可选的,还包括:
通过控制曝光的方式输出所述被所述用户浏览的商品的相关商品的信息。
可选的,所述计算模型为梯度提升决策树GBDT。
本申请还提供一种商品推荐方法,该方法应用于客户端,包括:
获得服务器提供的计算模型,所述计算模型用于根据用户在所述客户端的商品展示界面上针对商品的行为数据确定用户对商品的偏好程度;
获得用户在所述客户端的商品展示界面上针对第一商品的行为数据;
根据所述用户在所述客户端的商品展示界面上针对第一商品的行为数据以及所述计算模型,确定用户对第一商品的偏好程度;
根据所述用户对第一商品的偏好程度,确定是否将第一商品推荐给用户。
本申请还提供一种计算模型提供方法,该方法应用于服务器,包括:
获得用于根据用户在客户端上针对业务对象的行为数据确定用户对业务对象的偏好程度的计算模型;
将所述计算模型提供给所述客户端。
可选的,所述获得用于根据用户在客户端上针对业务对象的行为数据确定用户对业务对象的偏好程度的计算模型,包括:
接收客户端发送的用于根据用户在客户端上针对业务对象的行为数据确定用户对业务对象的偏好程度的计算模型;
根据服务器最新汇总的业务数据对所述计算模型进行更新训练,获得更新训练之后的计算模型。
可选的,所述计算模型为梯度提升决策树GBDT。
本申请还提供一种计算模型提供方法,该方法应用于服务器,包括:
获得用于根据用户在客户端的商品展示界面上针对商品的行为数据确定用户对商品的偏好程度的计算模型;
将所述计算模型提供给所述客户端。
本申请还提供一种业务对象推荐装置,该装置应用于客户端,所述装置包括:
计算模型获得单元,用于获得服务器提供的计算模型,所述计算模型用于根据用户在所述客户端上针对业务对象的行为数据确定用户对业务对象的偏好程度;
行为数据获得单元,用于获得用户在所述客户端上针对第一业务对象的行为数据;
偏好程度确定单元,用于根据所述用户在所述客户端上针对第一业务对象的行为数据以及所述计算模型,确定所述用户对第一业务对象的偏好程度;
数据推荐确定单元,用于根据所述用户对第一业务对象的偏好程度,确定是否将与第一业务对象相关联的数据推荐给所述用户。
可选的,所述装置还包括:
计算模型更新训练单元,用于将所述计算模型发送至所述服务器进行计算模型更新训练;
对应的,所述获取服务器提供的计算模型,包括:获取所述服务器更新训练后的计算模型。
本申请还提供一种计算模型提供装置,该装置应用于服务器,包括:
计算模型获得单元,用于获得用于根据用户在客户端上针对业务对象的行为数据确定用户对业务对象的偏好程度的计算模型;
计算模型提供单元,用于将所述计算模型提供给所述客户端。
可选的,所述计算模型获得单元包括:
计算模型接收子单元,用于接收客户端发送的用于根据用户在客户端上针对业务对象的行为数据确定用户对业务对象的偏好程度的计算模型;
计算模型更新训练子单元,用于根据服务器最新汇总的业务数据对所述计算模型进行更新训练,获得更新训练之后的计算模型。
本申请还提供一种电子设备,包括:
处理器;
存储器,用于存储业务对象推荐程序,所述程序在被所述处理器读取执行时,执行如下操作:
获得服务器提供的计算模型,所述计算模型用于根据用户在所述客户端上针对业务对象的行为数据确定用户对业务对象的偏好程度;
获得用户在所述客户端上针对第一业务对象的行为数据;
根据所述用户在所述客户端上针对第一业务对象的行为数据以及所述计算模型,确定所述用户对第一业务对象的偏好程度;
根据所述用户对第一业务对象的偏好程度,确定是否将与第一业务对象相关联的数据推荐给所述用户。
本申请还提供一种电子设备,包括:
处理器;
存储器,用于存储计算模型提供程序,所述程序在被所述处理器读取执行时,执行如下操作:
获得用于根据用户在客户端上针对业务对象的行为数据确定用户对业务对象的偏好程度的计算模型;
将所述计算模型提供给所述客户端。
与现有技术相比,本申请具有以下优点:
本申请提供的业务对象推荐方法应用于客户端,通过服务器提供的计算模型和用户在客户端上针对第一业务对象的行为数据,确定用户对第一业务对象的偏好程度,根据该用户对第一业务对象的偏好程度确定是否将与第一业务对象相关联的数据推荐给该用户。本方法直接在客户端上对本地获得的用户行为数据进行处理,实现在客户端上实时确定是否将与第一业务对象相关联的数据推荐给用户,提高了商品推荐的效率;通过使用服务器提供的计算模型,使得原本需在服务器完成的相关操作可直接在客户端完成,并且模型在客户端的功能与其在服务器的功能一致,可保障商品推荐过程的准确性。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
针对电子商务技术领域的商品推荐场景,为了提高商品推荐的效率,本申请提供了一种业务对象推荐方法、与该方法相对应的业务对象推荐装置以及电子设备,本申请还提供一种计算模型提供方法、与该方法相对应的计算模型提供装置以及电子设备。本申请还提供一种商品推荐方法、一种计算模型提供方法。以下提供实施例对所述方法、装置以及电子设备进行详细说明。
本申请第一实施例提供一种业务对象推荐方法,该方法应用于客户端,图1为本申请第一实施例提供的业务对象推荐方法流程图,以下结合图1对本实施例提供的方法进行详细描述。以下描述所涉及的实施例是用来解释说明方法原理,不是实际使用的限定。
如图1所示,本实施例提供的业务对象推荐方法包括如下步骤:
S101,获得服务器提供的计算模型,所述计算模型用于根据用户在所述客户端上针对业务对象的行为数据确定用户对业务对象的偏好程度。
本步骤的作用在于获得用于根据用户在客户端上针对业务对象的行为数据确定用户对业务对象的偏好程度的计算模型,该计算模型由服务器提供,在客户端进行应用。
所述业务对象指的是在客户端界面上展示的用于被交易的商品或服务,所述用户在客户端上针对业务对象的行为数据指的是用户在客户端上对展示的商品或服务进行收藏、浏览、标注等操作,所述计算模型可根据用户对商品或服务的收藏、浏览、标注等操作计算出用户对该商品或服务的偏好程度,用于衡量用户对上述商品或服务感兴趣的程度。
在本实施例中,为了保障上述计算模型的输出结果的准确性和有效性,需在服务器对该计算模型进行更新训练,其目的是为了使用服务器的较为全面和具有实时性的训练样本进行模型训练。具体为:客户端将上述计算模型发送至服务器进行计算模型更新训练,并且接收服务器下发的训练完成后的计算模型。
需要说明的是,客户端需按照预定周期将上述计算模型发送至服务器,服务器将该预定周期内所产生的新的业务数据作为训练样本进行模型训练,本实施例中,预定周期为1天,预定周期内产生的训练样本为1天内针对特定商品的浏览数据和相对应的成交数据。
由于上述计算模型在客户端运行,因此需提供用于支撑所述计算模型在客户端运行的运行环境,例如,在客户端提供基于TensorFlow的体系框架,使所述计算模型能够被部署到所述客户端并在所述客户端上运行。
在本实施例中所使用的计算模型为梯度提升决策树(Gradient BoostingDecision Tree,GBDT),该模型是一种迭代的决策树算法,由多棵决策树组成,所有树的结论累加起来作为最终答案,该计算模型每一次更新训练都可改进上一次模型训练的结果,每一次的计算是为了减少上一次的残差。本实施例使用梯度提升决策树作为计算模型,其优点在于便于调整参数,便于对特征向量的模型计算效果进行分析。
S102,获得用户在所述客户端上针对第一业务对象的行为数据。
所述第一业务对象指的是客户端界面上展示的可供用户进行浏览、收藏或交易等操作的商品或服务。用户在客户端上针对第一业务对象的行为数据指的是用户在客户端上针对上述商品或服务进行上述操作后所产生的日志数据。
所述用户针对所述第一业务对象的行为数据,可以为如下中的至少一种:用户浏览上述特定商品或服务所使用的时间长度,例如用户浏览特定商品或服务的时间长度是否超过30秒;用户浏览上述特定商品或服务的次数,例如用户对上述特定商品或服务进行反复浏览,浏览次数为2次以上;用户是否对上述特定商品或服务进行收藏操作;用户是否针对上述特定商品或服务进行标注操作,例如将上述特定商品标注为“我喜欢”的类型。
在本实施例中,所述第一业务对象为当前被用户浏览的商品,所述用户针对所述第一业务对象的行为数据可以是指:从用户确认搜索商品到用户退出所述商品的详情页的过程中所生成的用户行为日志。获得用户在所述客户端上针对第一业务对象的行为数据的过程即为对客户端上所产生的用户行为日志进行实时采集和筛选的过程。
在本实施例中,获取行为数据的过程包括:对客户端上的业务对象所对应的用户操作数据进行实时数据采集,获取该客户端上的业务对象所对应的原始操作数据,例如,采集客户端上的针对所有商品或服务的用户行为日志,包括商品或服务类别、用户浏览商品时间、次数、是否对商品进行收藏或标注等;将上述原始操作数据结构化成具有预定格式的目标数据,该过程为将采集到的原始数据进行规范化处理,能够按照预定格式对上述采集的数据进行描述和处理;将上述经规范化处理后的目标数据写入客户端预设的数据库中进行存储;从所述本地预设的数据库中查找和提取用户针对所述第一业务对象的行为数据。
本实施例中,在客户端上设置有面向SQL的数据查询接口,可通过该数据查询接口实时从上述客户端预设的数据库中查询获得用户针对所述第一业务对象的行为数据。
S103,根据所述用户在所述客户端上针对第一业务对象的行为数据以及所述计算模型,确定所述用户对第一业务对象的偏好程度。
本步骤用于根据上述步骤获得的用户在所述客户端上针对第一业务对象的行为数据以及服务器提供的计算模型,确定用户对第一业务对象的偏好程度,具体为通过所述计算模型对所述用户在所述客户端上针对第一业务对象的行为数据进行计算,获得能够反映所述用户对所述第一业务对象的偏好程度的偏好分。
本实施例中,该过程如图2所示,包括如下分步骤:
S1031:行为数据特征化处理,对所述用户针对所述第一业务对象的行为数据进行特征化处理,获取所述行为数据所包含的特征。
S1032:获取所述第一业务对象对应的特征。在本实施例中,所述第一业务对象为被用户浏览的商品,所述第一业务对象对应的特征为商品ID。
S1033:特征组合,将所述行为数据所包含的特征和所述第一业务对象对应的特征进行组合,获得组合后的特征信息。
S1034:模型计算,将所述组合后的特征信息输入GBDT计算模型进行计算,输出一个位于[0,1]区间的双精度浮点数作为所述用户对所述特定商品的偏好分。
S1035:上报服务器,将所述偏好分以及其对应的第一业务对象发送至服务器,供服务器使用。
S1036:将所述偏好分保存至客户端。
S104,根据所述用户对第一业务对象的偏好程度,确定是否将与第一业务对象相关联的数据推荐给所述用户。
在上述步骤确定所述用户对第一业务对象的偏好程度之后,本步骤用于根据所述用户对第一业务对象的偏好程度,确定是否将与第一业务对象相关联的数据推荐给所述用户。
所述与第一业务对象相关联的数据指的是通过预定的查询规则查询获得的与第一业务对象具有相同属性、或者高相似度的数据。
本实施例中第一业务对象为被用户浏览的商品信息,所述与第一业务对象相关联的数据为关联商品。例如,基于内容搜索的商品推荐中,根据特定商品的某个属性构造一个查询条件,与该特定商品具有相同属性的商品可作为该特定商品的关联商品,所述相同属性可以为同一作者、同一买家、同一品牌、同一标签等属性信息;再例如,对于用户经常组合购买的商品,如果两种商品被同时购买的次数很多,则认为这两种商品的相似度高,该类型具有高相似度的不同商品也为关联商品,针对该类型高相似度的商品的推荐方式为商品组合推荐。
本实施例中,所述将与第一业务对象相关联的数据推荐给所述用户,指的是将被用户浏览的商品的关联商品的信息推荐给所述用户。
在本实施例中,根据所述用户对第一业务对象的偏好程度,确定是否将与第一业务对象相关联的数据推荐给所述用户的实现方式为:将所述可反映用户对第一业务对象的偏好程度的偏好分与所述第一业务对象的基准分进行比对,该比对操作在客户端进行,如上述步骤S1036中的将所述偏好分保存至客户端,其目的是为了在客户端利用该偏好分与基准分进行比对;如果所述偏好分大于所述基准分,则将与第一业务对象相关联的数据推荐给所述用户。
所述基准分指的是可体现用户对所述第一业务对象的偏好程度的基础阈值,该基准分通过所述服务器生成,具体通过服务器对来自至少一个客户端的所述第一业务对象对应的偏好分进行汇总而获得,例如,服务器将接收到的多个客户端上的多个用户针对某一特定商品的偏好分进行汇总,将用户人数占比最大的偏好分作为基准分,例如,上述多个客户端均通过GBDT计算模型对用户针对上述特定商品的行为数据进行偏好分计算,计算获得的偏好分为0.5的用户人数超过所有客户端的总用户人数的50%,则将该特定商品的基准分设定为0.5。
上述可反映用户对第一业务对象的偏好程度的偏好分大于第一业务对象的基准分,则表明该用户对第一业务对象的偏好程度超出该第一业务对象的基础阈值,表明该用户对该特定商品具有较大偏好,因此需将与第一业务对象相关联的数据推荐给所述用户。
每个业务对象均有一个基准分与之相对应,在确定业务对象的同时即可确定该业务对象对应的基准分,例如,对商品发起搜索时,从服务器获得被搜索商品信息的同时,也获得了该被搜索商品的基准分。在服务器上,该基准分根据用户对业务对象的偏好分进行调整,因此,本实施例中如上述步骤S1035所示,在所述用户对所述特定商品的偏好分之后,还需将所述第一业务对象以及所述偏好分发送给所述服务器,其目的在于使所述服务器可根据该偏好分对所述第一业务对象的基准分进行更新。
在本实施例中,如果根据所述用户对第一业务对象的偏好程度,确定将所述第一业务对象推荐给用户,则向服务器请求获得与所述第一业务对象具有关联关系的数据。例如,经上述偏好分与基准分对比之后,确定当前用户针对特定商品的偏好分大于该特定商品的基准分,则向服务器请求获得该特定商品的关联商品,完成商品推荐。
在服务器响应客户端请求而返回特定商品的关联商品后,客户端需对所述关联商品进行展示,本实施例中,客户端通过增加该关联商品的点击率的方式输出所述关联商品。
本实施例提供的业务对象推荐方法,通过服务器提供的计算模型和用户在客户端上针对第一业务对象的行为数据,确定用户对第一业务对象的偏好程度,根据该用户对第一业务对象的偏好程度确定是否将与第一业务对象相关联的数据推荐给该用户。本方法直接在客户端上对本地获得的用户行为数据进行处理,实现在客户端上实时确定是否将与第一业务对象相关联的数据推荐给用户,提高了商品推荐的效率;通过使用服务器提供的计算模型,使得原本需在服务器完成的相关操作可直接在客户端完成,并且模型在客户端的功能与其在服务器的功能一致,可保障上述数据推荐逻辑的准确性。
本申请第二实施例提供一种商品推荐方法,该方法应用于客户端,本实施例中的第一商品可指代上述第一实施例中的第一业务对象,该实施例的细节部分请参考上述第一实施例的相关说明,在此不再赘述。如图3所示,该方法包括如下步骤:
S201,获得服务器提供的计算模型,所述计算模型用于根据用户在所述客户端的商品展示界面上针对商品的行为数据确定用户对商品的偏好程度。
S202,获得用户在所述客户端的商品展示界面上针对第一商品的行为数据。
S203,根据所述用户在所述客户端的商品展示界面上针对第一商品的行为数据以及所述计算模型,确定用户对第一商品的偏好程度。
S204,根据所述用户对第一商品的偏好程度,确定是否将第一商品推荐给用户。
本申请第三实施例提供一种计算模型提供方法,该方法应用于服务器,本实施例的细节部分请参考第一实施例的相关说明。如图4所示,所述方法包括如下步骤:
S301,获得用于根据用户在客户端上针对业务对象的行为数据确定用户对业务对象的偏好程度的计算模型。
本步骤的作用在于获得用于根据用户在客户端上针对业务对象的行为数据确定用户对业务对象的偏好程度的计算模型,该计算模型可通过多种方式获得,例如通过离线建模后上传至服务器,或在服务器上建模。本实施例中,该计算模型可运行在客户端上,并定期发送至服务器进行模型更新训练,具体包括如下步骤:
首先,接收客户端发送的用于根据用户在客户端上针对业务对象的行为数据确定用户对业务对象的偏好程度的计算模型。本实施例中,接收客户端发送的计算模型的方式为定期接收。
其次,根据服务器最新汇总的业务数据对所述计算模型进行更新训练,获得更新训练之后的计算模型。
通过定期接收客户端发送的计算模型,并通过服务器最新汇总的业务数据对计算模型进行训练,训练样本的来源更具时效性和代表性,以此提高计算模型的计算性能,使模型的计算结果更加准确。
在本实施例中所使用的计算模型为梯度提升决策树GBDT,该模型是一种迭代的决策树算法,由多棵决策树组成,所有树的结论累加起来作为最终答案,该计算模型每一次更新训练都可改进上一次模型训练的结果,每一次的计算是为了减少上一次的残差。使用该模型的优点在于便于调整参数,便于对特征向量的模型计算效果进行分析。
S302,将所述计算模型提供给所述客户端。
本申请第四实施例提供一种计算模型提供方法,应用于服务器,本实施例的商品可指代上述第三实施例中的业务对象,本实施例的细节部分请参考上述第一实施例和第三实施例的相关说明,在此不再赘述。如图5所示,所述方法包括如下步骤:
S401,获得用于根据用户在客户端的商品展示界面上针对商品的行为数据确定用户对商品的偏好程度的计算模型;
S402,将所述计算模型提供给所述客户端。
上述第一实施例提供了一种业务对象推荐方法,与之相对应的,本申请第五实施例还提供了一种业务对象推荐装置,由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关的技术特征的细节部分请参见上述提供的方法实施例的对应说明即可,下述对装置实施例的描述仅仅是示意性的。
请参考图6理解该实施例,图6为本实施例提供的装置的单元框图,如图6所示,本实施例提供的装置包括:
计算模型获得单元501,用于获得服务器提供的计算模型,所述计算模型用于根据用户在所述客户端上针对业务对象的行为数据确定用户对业务对象的偏好程度;
行为数据获得单元502,用于获得用户在所述客户端上针对第一业务对象的行为数据;
偏好程度确定单元503,用于根据所述用户在所述客户端上针对第一业务对象的行为数据以及所述计算模型,确定所述用户对第一业务对象的偏好程度;
数据推荐确定单元504,用于根据所述用户对第一业务对象的偏好程度,确定是否将与第一业务对象相关联的数据推荐给所述用户。
可选的,该装置还包括:计算模型更新训练单元,用于将所述计算模型发送至所述服务器进行计算模型更新训练;
对应的,所述获取服务器提供的计算模型,包括:获取所述服务器更新训练后的计算模型。
可选的,所述偏好程度确定单元503具体用于:通过所述计算模型对所述用户在所述客户端上针对第一业务对象的行为数据进行计算,获得能够反映所述用户对所述第一业务对象的偏好程度的偏好分。
可选的,所述数据推荐确定单元504包括:
将所述偏好分与所述第一业务对象的基准分进行比对;
如果所述偏好分大于所述基准分,则将与第一业务对象相关联的数据推荐给所述用户;
其中,所述第一业务对象的基准分通过所述服务器对来自至少一个客户端的所述第一业务对象所对应的偏好分进行汇总而获得。
可选的,还包括:
将所述第一业务对象以及所述偏好分发送给服务器,以使所述服务器可根据所述偏好分对所述第一业务对象的基准分进行更新。
可选的,还包括:
对所述用户针对所述第一业务对象的行为数据进行特征化处理,获取所述行为数据所包含的特征;
获取所述第一业务对象对应的特征;
将所述行为数据所包含的特征和所述第一业务对象对应的特征进行组合,获得组合后的特征信息;
对应的,所述通过所述计算模型对所述用户在所述客户端上针对第一业务对象的行为数据进行计算,包括:
将所述组合后的特征信息作为输入数据输入所述计算模型进行计算。
可选的,所述行为数据获得单元502,包括:
对所述客户端上的业务对象所对应的用户操作数据进行数据采集,获取所述客户端上的业务对象所对应的原始操作数据;
将所述原始操作数据结构化成具有预定格式的目标数据;
将所述目标数据写入本地预设的数据库中;
从所述本地预设的数据库中提取用户针对所述第一业务对象的行为数据。
可选的,在所述客户端上设置有面向SQL的数据查询接口,所述从所述本地预设的数据库中提取用户针对所述第一业务对象的行为数据,包括:
通过所述面向SQL的数据查询接口从所述本地预设的数据库中查询获得用户针对所述第一业务对象的行为数据。
可选的,所述用户针对所述第一业务对象的行为数据,包括如下中的至少一种:
用户浏览所述第一业务对象所使用的时间长度;
用户浏览所述第一业务对象的次数;
用户是否对所述第一业务对象进行收藏操作;
用户是否针对所述第一业务对象进行标注操作。
可选的,所述装置还包括:
数据请求获得单元,用于在确定将与第一业务对象相关联的数据推荐给所述用户之后,向服务器请求获得与所述第一业务对象具有关联关系的数据。
可选的,所述第一业务对象为被所述用户浏览的商品信息,所述用户针对所述第一业务对象的行为数据包括:
从用户确认搜索商品到用户退出所述商品的详情页的过程中所生成的用户行为日志;
所述与所述第一业务对象具有关联关系的数据,包括:
所述用户曾经浏览过的、与所述被所述用户浏览的商品信息相关的商品信息。
可选的,还包括:
通过控制曝光的方式输出所述被所述用户浏览的商品的相关商品的信息。
可选的,所述计算模型为梯度提升决策树GBDT。
在上述的实施例中,提供了一种业务对象推荐方法以及一种业务对象推荐装置,此外,本申请第六实施例还提供一种电子设备,该电子设备实施例如下:
请参考图7理解本实施例,图7为本实施例提供的电子设备的示意图。
如图7所示,所述电子设备包括:处理器601;存储器602;
所述存储器602,用于存储业务对象推荐的程序,所述程序在被所述处理器读取执行时,执行如下操作:
获得服务器提供的计算模型,所述计算模型用于根据用户在所述客户端上针对业务对象的行为数据确定用户对业务对象的偏好程度;
获得用户在所述客户端上针对第一业务对象的行为数据;
根据所述用户在所述客户端上针对第一业务对象的行为数据以及所述计算模型,确定所述用户对第一业务对象的偏好程度;
根据所述用户对第一业务对象的偏好程度,确定是否将与第一业务对象相关联的数据推荐给所述用户。
例如,所述电子设备为一台计算机,该计算机可获得服务器提供的计算模型,所述计算模型用于根据用户在所述客户端上针对业务对象的行为数据确定用户对业务对象的偏好程度;获得用户在所述客户端上针对第一业务对象的行为数据;根据所述用户在所述客户端上针对第一业务对象的行为数据以及所述计算模型,确定所述用户对第一业务对象的偏好程度;根据所述用户对第一业务对象的偏好程度,确定是否将与第一业务对象相关联的数据推荐给所述用户。
可选的,还包括:将所述计算模型发送至所述服务器进行计算模型更新训练;
所述获取服务器提供的计算模型,包括:获取所述服务器更新训练后的计算模型。
可选的,所述根据所述用户在所述客户端上针对第一业务对象的行为数据以及所述计算模型,确定所述用户对第一业务对象的偏好程度,包括:
通过所述计算模型对所述用户在所述客户端上针对第一业务对象的行为数据进行计算,获得能够反映所述用户对所述第一业务对象的偏好程度的偏好分。
可选的,所述根据所述用户对第一业务对象的偏好程度,确定是否将与第一业务对象相关联的数据推荐给所述用户,包括:
将所述偏好分与所述第一业务对象的基准分进行比对;
如果所述偏好分大于所述基准分,则将与第一业务对象相关联的数据推荐给所述用户;
其中,所述第一业务对象的基准分通过所述服务器对来自至少一个客户端的所述第一业务对象所对应的偏好分进行汇总而获得。
可选的,还包括:
将所述第一业务对象以及所述偏好分发送给服务器,以使所述服务器可根据所述偏好分对所述第一业务对象的基准分进行更新。
可选的,还包括:
对所述用户针对所述第一业务对象的行为数据进行特征化处理,获取所述行为数据所包含的特征;
获取所述第一业务对象对应的特征;
将所述行为数据所包含的特征和所述第一业务对象对应的特征进行组合,获得组合后的特征信息;
对应的,所述通过所述计算模型对所述用户在所述客户端上针对第一业务对象的行为数据进行计算,包括:
将所述组合后的特征信息作为输入数据输入所述计算模型进行计算。
可选的,所述获得用户在所述客户端上针对第一业务对象的行为数据,包括:
对所述客户端上的业务对象所对应的用户操作数据进行数据采集,获取所述客户端上的业务对象所对应的原始操作数据;
将所述原始操作数据结构化成具有预定格式的目标数据;
将所述目标数据写入本地预设的数据库中;
从所述本地预设的数据库中提取用户针对所述第一业务对象的行为数据。
可选的,在所述客户端上设置有面向SQL的数据查询接口,所述从所述本地预设的数据库中提取用户针对所述第一业务对象的行为数据,包括:
通过所述面向SQL的数据查询接口从所述本地预设的数据库中查询获得用户针对所述第一业务对象的行为数据。
可选的,所述用户针对所述第一业务对象的行为数据,包括如下中的至少一种:
用户浏览所述第一业务对象所使用的时间长度;
用户浏览所述第一业务对象的次数;
用户是否对所述第一业务对象进行收藏操作;
用户是否针对所述第一业务对象进行标注操作。
可选的,还包括:
如果确定将与第一业务对象相关联的数据推荐给所述用户,则向服务器请求获得与所述第一业务对象具有关联关系的数据。
可选的,所述第一业务对象为被所述用户浏览的商品信息,所述用户针对所述第一业务对象的行为数据包括:
从用户确认搜索商品到用户退出所述商品的详情页的过程中所生成的用户行为日志;
所述与所述第一业务对象具有关联关系的数据,包括:
所述用户曾经浏览过的、与所述被所述用户浏览的商品信息相关的商品信息。
可选的,还包括:
通过控制曝光的方式输出所述被所述用户浏览的商品的相关商品的信息。
可选的,所述计算模型为梯度提升决策树GBDT。
上述第三实施例提供了一种计算模型提供方法,与之相对应的,本申请第七实施例还提供了一种计算模型提供装置,由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关的技术特征的细节部分请参见上述提供的方法实施例的对应说明即可,下述对装置实施例的描述仅仅是示意性的。
请参考图8理解该实施例,图8为本实施例提供的装置的单元框图,如图8所示,本实施例提供的装置包括:
计算模型获得单元701,用于获得用于根据用户在客户端上针对业务对象的行为数据确定用户对业务对象的偏好程度的计算模型;
计算模型提供单元702,用于将所述计算模型提供给所述客户端。
可选的,所述计算模型获得单元701包括:
计算模型接收子单元,用于接收客户端发送的用于根据用户在客户端上针对业务对象的行为数据确定用户对业务对象的偏好程度的计算模型;
计算模型更新训练子单元,用于根据服务器最新汇总的业务数据对所述计算模型进行更新训练,获得更新训练之后的计算模型。
在上述的实施例中,提供了一种计算模型提供方法以及一种计算模型提供装置,此外,本申请第八实施例还提供一种电子设备,该电子设备实施例如下:
请参考图9理解本实施例,图9为本实施例提供的电子设备的示意图。
如图9所示,所述电子设备包括:处理器801;存储器802;
所述存储器802,用于存储计算模型提供方法的程序,所述程序在被所述处理器读取执行时,执行如下操作:
获得用于根据用户在客户端上针对业务对象的行为数据确定用户对业务对象的偏好程度的计算模型;
将所述计算模型提供给所述客户端。
可选的,所述获得用于根据用户在客户端上针对业务对象的行为数据确定用户对业务对象的偏好程度的计算模型,包括:
接收客户端发送的用于根据用户在客户端上针对业务对象的行为数据确定用户对业务对象的偏好程度的计算模型;
根据服务器最新汇总的业务数据对所述计算模型进行更新训练,获得更新训练之后的计算模型。
可选的,所述计算模型为梯度提升决策树GBDT。
在一个典型的配置中,计算设备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。
1、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。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
2、本领域技术人员应明白,本申请的实施例可提供为方法、***或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请虽然以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。