CN111461825A - 一种虚拟资源的生成方法、装置、电子设备及存储介质 - Google Patents
一种虚拟资源的生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111461825A CN111461825A CN202010238199.7A CN202010238199A CN111461825A CN 111461825 A CN111461825 A CN 111461825A CN 202010238199 A CN202010238199 A CN 202010238199A CN 111461825 A CN111461825 A CN 111461825A
- Authority
- CN
- China
- Prior art keywords
- resource data
- data
- resource
- virtual
- generating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004458 analytical method Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000004891 communication Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0222—During e-commerce, i.e. online transactions
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种虚拟资源的生成方法、装置、电子设备及存储介质，该方法包括：获取数据处理请求，所述数据处理请求携带第一资源数据；通过预先训练的分析模型根据所述第一资源数据分析得到目标资源数据；根据所述目标资源数据生成第一虚拟资源；将所述第一虚拟资源发放至所述请求方。该技术方案一方面，通过获取用户的需求，根据用户的需求能够更加精准的发放虚拟资源，来满足用户的购物需求，提高用户参与度的是同时也提高了平台的访问量，从而避免造成用户流失，另一方面，通过自动确定资源数据，壁面加入人为判定因素，同时也降低了人工成本。
Description
技术领域
本申请涉及数据处理领域，尤其涉及一种虚拟资源的生成方法、装置、电子设备及存储介质。
背景技术
随着互联网技术的发展以及成熟，越来越多的用户***台消费购物。而在电子商务平台大量出现且同质化严重的情况下，只有足够多的活跃用户才能保证平台的正常运行，因此如何提高用户留存率成为各电子商务平台的重要工作之一。而一种常用的提高用户留存率的方法是：向用户推送信息其感兴趣的信息，以增加用户使用平台的频率，提高留存率。其中，推送信息包括：广告、优惠券、互动活动、电子券等等。
由于用户通常只浏览自己感兴趣的信息，而不同用户的需求并不完全相同，为了提高发放虚拟资源的准确率，在现有技术中，通过获取用户的画像信息，根据训练完成的用于预测用户喜好的模型，确定向用户进行发放虚拟资源。
然而在实现本发明的过程中，发明人发现，因为画像信息只能根据用户的某一种或多种特征信息发放虚拟资源，其并不能准确定位用户的实际需求，所以该通过该方法用户发放的虚拟资源不够准确。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，需要给用户精准的发放虚拟资源，满足用户的购物需求。因此，本申请提供了一种虚拟资源的生成方法、装置、电子设备及存储介质。
第一方面，本申请实施例提供了一种虚拟资源的生成方法，包括：
获取数据处理请求，所述数据处理请求携带第一资源数据；
通过预先训练的分析模型根据所述第一资源数据分析得到目标资源数据；
根据所述目标资源数据生成第一虚拟资源；
将所述第一虚拟资源发放至请求方。
可选的，在所述获取数据处理请求之前，所述方法还包括：
根据接收的触发操作确定第一资源数据，并生成相应的标签内容；
接收语音内容；
当所述语音信息与所述标签内容相匹配时，根据所述第一资源数据生成所述数据处理请求。
可选的，在通过预先训练的分析模型根据所述第一资源数据分析得到目标资源数据之前，所述方法还包括：
获取与所述请求方相关联的虚拟资源获取记录；
根据所述虚拟资源获取记录确定获取失败次数；
根据所述获取失败次数计算获取概率；
当所述获取概率小于或等于所述预设阈值时，将所述第一资源数据输入预先训练的分析模型。
可选的，所述通过预先训练的分析模型根据所述第一资源数据分析得到目标资源数据，包括：
获取预先训练的分析模型；
将所述第一资源数据输入预先训练的分析模型，由所述分析模型根据所述第一资源数据计算得到第二资源数据；
确定所述请求方的属性信息，以及所述属性信息对应的第三资源数据；
根据所述第二资源数据和所述第三资源数据进行加权得到所述目标资源数据。
可选的，所述方法还包括：
获取样本资源数据，以及样资源数据对应的标注内容，标注内容包括：样本资源数据对应的权重值；
采用样本数据以及标注内容对预设神经网络模型进行训练，由预设神经网络模型学习样本资源数据与使用意愿值的对应关系，得到分析模型。
可选的，所述根据所述目标资源数据生成第一虚拟资源，包括：
根据所述目标资源数据生成任务选项；
根据作用于所述任务选项的触发操作确定目标任务；
获取所述目标任务的操作数据；
当所述操作数据满足预设条件时，则根据所述目标资源数据生成第一虚拟资源。
可选的，所述方法还包括：
接收作用于多个候选第一虚拟资源的选中操作；
基于所述选中操作确定相同类型的至少两个第一虚拟资源；
根据所述至少两个第一虚拟资源的资源数据和预设概率进行计算，得到第四资源数据；
根据所述第四资源数据生成第二虚拟资源，将所述第二虚拟资源发送至所述请求方。
第二方面，本申请提供了一种虚拟资源的生成装置，包括：
获取模块，用于获取数据处理请求，所述数据处理请求携带第一资源数据；
分析模块，用于通过预先训练的分析模型根据所述第一资源数据分析得到目标资源数据；
生成模块，用于根据所述目标资源数据生成第一虚拟资源；
发送模块，用于将所述第一虚拟资源发放至请求方。
第三方面，本申请提供了一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行计算机程序时，实现上述方法步骤。
第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法步骤。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：一方面，通过获取用户的需求，根据用户的需求能够更加精准的发放虚拟资源，来满足用户的购物需求，提高用户参与度的是同时也提高了平台的访问量，从而避免造成用户流失，另一方面，通过自动确定资源数据，壁面加入人为判定因素，同时也降低了人工成本。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为本申请实施例提供的一种虚拟资源的生成方法的流程图；
图2为本申请另一实施例提供的一种虚拟资源的生成方法的流程图；
图3为本申请实施例提供的一种虚拟资源的生成装置的框图；
图4为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供了一种虚拟资源的生成方法、装置、电子设备及存储介质。本发明实施例所提供的方法可以应用于任意需要的电子设备，例如，可以为服务器、终端等电子设备，在此不做具体限定，为描述方便，后续简称为电子设备。
下面首先对本发明实施例所提供的一种虚拟资源的生成方法进行介绍。
图1为本申请实施例提供的一种虚拟资源的生成方法的流程图。如图1所示，该方法包括以下步骤：
步骤S11，获取数据处理请求，数据处理请求携带第一资源数据；
步骤S12，通过预先训练的分析模型根据第一资源数据分析得到目标资源数据；
步骤S13，根据目标资源数据生成第一虚拟资源；
步骤S14，将第一虚拟资源发放至请求方。
本实施例中所提供的的方法，一方面，根据接收的处理请求能够定位用户的实际需求，同时采用分析模型根据处理请求中携带的资源数据能够为用户生成更精准的虚拟资源，另一方面，通过自动确定资源数据，避免加入人为判定因素，同时也降低了人工成本。
本实施例中，在获取数据处理请求之前，方法还包括：获取作用于登记界面的触发操作，根据触发操作确定第一资源数据，并生成相应的标签内容，接收语音内容，当语音信息与标签内容相匹配时，根据第一资源数据生成数据处理请求。
作为一个示例，当用户登录电子商城进入领取界面时，其中领域界面中包括：多个资源数据选项，接收用户基于虚拟资源选项的触发操作，根据触发操作确定第一资源数据，当确定第一资源数据后，生成标签内容，例如：语音文本或者数字等，然后接收语音内容，并对语音内容进行分析，当语音内容的与标签内容相匹配时，则根据第一资源数据生成数据处理请求。
可以理解的，本实施例中的当语音内容的与标签内容相匹配，包括：语音内容与标签内容相同，例如标签内容与语音内容均为：987987。或者语音内容与标签内容符合预设关系，例如：标签内容为：日照香炉生紫烟，语音内容为：遥看瀑布挂前川。
本实施例中，在通过预先训练的分析模型根据第一资源数据分析得到目标资源数据之前，方法还包括：获取与请求方相关联的虚拟资源获取记录，根据虚拟资源获取记录确定获取失败次数，根据获取失败次数计算获取概率，当获取概率小于或等于预设阈值时，将第一资源数据输入预先训练的分析模型。
作为一个示例，可以首先获取用户的用户ID，获取与该用户ID相关联的虚拟资源领取记录，确定获取失败次数为x，获取概率为：x/(1+x)，当获取概率小于或等于预设阈值时，将第一资源数据输入预先训练的分析模型。
本实施例中，通过预先训练的分析模型根据第一资源数据分析得到目标资源数据，包括：获取预先训练的分析模型，将第一资源数据输入预先训练的分析模型，由分析模型根据第一资源数据计算得到第二资源数据，确定请求方所关联用户的属性信息，以及属性信息对应的第三资源数据，根据第二资源数据和第三资源数据进行加权得到目标资源数据。其中，用户的属性信息可以是会员信息，消费水平，浏览时长等等。
现有技术中的采用的是拟合各费用减免值以及对应的各交易概率的函数，基于拟合函数以及预设的若干参数，将用户群划分为若干类，并确定每一类用户分别对应的推送虚拟资源。但是，模型的粒度较大，不能真正的做到针对每个用户进行预测以及虚拟资源发放，导致生成虚拟资源的准确率较低。另外，由于虚拟资源推送的成本，还包含了虚拟资源本身在使用的费用减免值。但是现有技术中，并没有考虑虚拟资源实际使用时造成的成本，容易造成推送虚拟资源的成本过高。
因此，本实施例通过根据第二资源数据和第三资源数据进行加权得到目标资源数据，能够更加准确的计算出符合用户所期望的资源数据。
本实施例中的分析模型的训练过程如下：获取样本资源数据，以及样资源数据对应的标注内容，标注内容包括：样本资源数据对应的权重值，其中权重值可以为使用意愿值；采用样本数据以及标注内容对预设神经网络模型进行训练，由预设神经网络模型学习样本资源数据与权重值的对应关系，得到分析模型。
作为一个示例，在训练阶段，样本资源数据为预设用户的使用数据，将预设用户的样本资源数据作为分析模型的输入内容，而预设用户对各种虚拟资源的权重值作为标注信息，从而实现对分析模型的有监督的训练。其中，将预设用户的样本资源数据输入至分析模型时，可以将样本用户的样本资源数据进行向量转换，得到多维向量，每一维对应一类具体信息。需要说明的是，任何一种能够将文本转换为向量的算法均可以应用于本发明实施例，例如：word2vec算法。这里，word2vec是一种自然语言处理算法，它的特点是将所有的词向量化，这样词与词之间就可以定量的去度量他们之间的关系，挖掘词之间的联系。
另外，还可以加入辅助信息对模型进行训练，辅助信息可以包括用户特征，例如每日用户的浏览时长这一用户特征，不同用户的上网时长是个性化的，并且数值较为杂乱，如1小时、1小时5分钟、45分钟、3小时30分钟等等，进一步假设通过模型训练得到的某个决策树中的一个节点为：每日上网时长是否超过1小时，则该用户特征由“每日用户上网时长”转换为了用户特征“每日用户上网时长是否超过1小时”，是则特征值为1，否则特征值为0，将连续变化的上网时长的时间数值，转换为了0和1两种特征值。
需要说明的是，上述的分析模型可以为机器学习算法模型中的决策树模型。并且，分析模型的训练初期，可以采用LR(Logistic Regression，逻辑回归)算法或FM(factorization machine，因子分解机)算法；在后续迭代训练的过程中，可以采用XGBoost(eXtreme Gradient Boosting)算法。其中，XGBoost是现有的一种算法库。本发明实施例中，利用决策树模型所实现的分析模型，预测得到的待预测用户对各种样本资源数据的权重值，均可以为一个0-1之间的数字。
当然，在具体应用中，分析模型并不限于机器学习算法模型中的决策树模型，还可以包括机器学习算法模型中的其他算法模型。例如：聚类算法模型、贝叶斯分类模型以及支持向量机模型等等。另外，也可以采用深度学习算法模型作为本发明实施例中的分析模型。这里，深度学习算法模型可以包括：卷积神经网络、循环神经网络以及多层感知机等等。
在实际应用中，可以训练多个分析模型，并将这些分析模型进行保存，每种预测模型对应一种发放场景。这里，发放场景的不同主要在于：待预测用户的不同，和/或，虚拟资源种类的不同，和/或，每种虚拟资源的数量的不同。因此，确定了发放场景，就可以确定待预测用户，也可以相应确定该应用场景对应的分析模型。
本实施例中，根据目标资源数据生成第一虚拟资源，包括：根据目标资源数据生成任务选项，根据作用于任务选项的触发操作确定目标任务，获取目标任务的操作数据，当操作数据满足预设条件时，则根据目标资源数据生成第一虚拟资源。
作为一个示例，任务选项包括；发送链接，语音口令等，例如：当根据作用于任务选项的触发操作，确定目标任务为发送链接，当发链接发送完成后，获取传播途径，并基于该传播途径获取操作数据，操作数据包括该链接的浏览次数，当浏览次数大于或等于预设次数时，则根据目标资源股数据生成第一虚拟资源。
在本实施例中，得到第一虚拟资源后，还需要查询与虚拟资源关联的用户批次，确定批次编号。在确定批次编号之后，对批次编号加逻辑锁，其中加逻辑锁包括：判断与批次编号相对应的目标用户批次是会否被其他虚拟资源发放任务占用。如果未被其他虚拟资源发放任务占用，则锁定批次编号，使得其他虚拟资源发放任务无法使用该目标用户批次，即，加锁成功。然而，如果被其他虚拟资源发放任务占用，则进行等待，直到其他虚拟资源发放任务释放对具有目标用户批次的占用，即，加锁不成功。
可以理解的，尝试对批次编号加上逻辑锁，成功则继续，不成功说明该批次正在被其他虚拟资源模板占用，等待释放继续执行。具体地，可以采用Redis作为不同用户批次的逻辑锁，或通过使用Redis和MySQL来实现逻辑锁。Redis是一款开源的、高性能的键-值存储***。Redis的所有键值都存储在内存中，具有很高的单机读写性能。与其他缓存服务器相比，Redis提供了更加丰富的数据结构。然而这仅是一种示例，还可以采用方法来实现逻辑锁，且本领域技术人员应认识到本发明不限于此
图2为本申请另一实施例提供的一种虚拟资源的生成方法的流程图。如图2所示，该方法还包括以下步骤：
步骤S21，接收作用于多个候选第一虚拟资源的选中操作；
步骤S22，基于选中操作确定相同类型的至少两个第一虚拟资源；
步骤S23，根据至少两个第一虚拟资源的资源数据和预设概率进行计算，得到第四资源数据；
步骤S24，根据第四资源数据生成第二虚拟资源，将第二虚拟资源发送至请求方。
本实施例提供的方法，通过对用户所述选中的候选第一虚拟资源进行融合，并根据候选第一虚拟资源的资源数据计算出更加符合用户期望的虚拟资源。
可以理解的，本实施例中的相同类型是指均为满减类型的虚拟资源或者均为打折类型的虚拟资源。根据至少两个第一虚拟资源的资源数据和预设概率进行计算，得到第四资源数据，计算方式如下：
D＝H*EU+(1-H)*ES
其中，D为第四资源数据，H为预设因子，EU为第一优惠数据，ES为目标优惠数据。
另外，本申请实施例在发放虚拟资源时，确定与待发放虚拟资源的数据项，其中，数据项包括备注信息、发放时间或充值记录等等，然后根据数据项导出对应的虚拟资源发放记录，如：数据项为虚拟资源发放记录的备注信息，如手机号，那么导出的虚拟资源发放记录就是包括该手机号的虚拟资源发放记录，当然，上述仅仅是一种示例，当备注信息为其它信息时，同样导出其它信息对应的信息，最终，根据导出的虚拟资源发放记录生成报表。
在本实施例中，查询到虚拟资源时，可以根据自定义的数据项，导出相应的虚拟资源发放记录，最终根据导出的虚拟资源发放记录生成报表，使得导出的虚拟资源发放记录以表格的形式进行显示，提高了虚拟资源发放记录查看的灵活性。
图3为本申请实施例提供的一种虚拟资源的生成装置的框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图3所示，该装置包括：
获取模块31，用于获取数据处理请求，数据处理请求携带第一资源数据；
分析模块32，用于通过预先训练的分析模型根据第一资源数据分析得到目标资源数据；
生成模块33，用于根据目标资源数据生成第一虚拟资源；
发送模块34，用于将第一虚拟资源发放至数据处理请求对应的请求方。
本申请实施例中的获取模块，具体用于获取作用于登记界面的触发操作，根据触发操作确定第一资源数据，并生成相应的标签内容，接收语音内容，当语音信息与标签内容相匹配时，根据第一资源数据生成数据处理请求。
本申请实施例中的装置还包括处理模块，处理模块，用于获取与请求方相关联的虚拟资源获取记录；根据虚拟资源获取记录确定获取失败次数；根据获取失败次数计算获取概率；当获取概率小于或等于预设阈值时，将第一资源数据输入预先训练的分析模型。
本申请实施例中分析模块，具体用于获取预先训练的分析模型；将第一资源数据输入预先训练的分析模型，由分析模型根据第一资源数据计算得到第二资源数据；确定请求方的属性信息，以及属性信息对应的第三资源数据；根据第二资源数据和第三资源数据进行加权得到目标资源数据。
本申请实施例中的装置还包括训练模块，训练模块，用于获取样本数据，以及样本数据对应的标注内容；采用样本数据以及标注内容对预设神经网络模型进行训练，得到分析模型。
本申请实施例中分析模块，具体用于根据目标资源数据生成任务选项；根据作用于任务选项的触发操作确定目标任务；获取目标任务的操作数据；当操作数据满足预设条件时，则根据目标资源数据生成第一虚拟资源。
可选的，本申请实施例中的装置还包括合成模块，合成模块，用于接收作用于多个候选第一虚拟资源的选中操作；基于选中操作确定相同类型的至少两个第一虚拟资源；根据至少两个第一虚拟资源的资源数据和预设概率进行计算，得到第四资源数据；根据第四资源数据生成第二虚拟资源，将第二虚拟资源发送至请求方。
本申请实施例还提供一种电子设备，如图4所示，电子设备可以包括：处理器1501、通信接口1502、存储器1503和通信总线1504，其中，处理器1501，通信接口1502，存储器1503通过通信总线1504完成相互间的通信。
存储器1503，用于存放计算机程序；
处理器1501，用于执行存储器1503上所存放的计算机程序时，实现以上实施例的步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DigitalSignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本申请还提供一种计算机可读存储介质，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以下步骤。
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进行***、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进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用户计算设备上进行、部分地在用户设备上进行、作为一个独立的软件包进行、部分在用户计算设备上部分在远程计算设备上进行、或者完全在远程计算设备或服务器上进行。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)，连接到用户计算设备，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)。
需要说明的是，对于上述装置、电子设备及计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
进一步需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种虚拟资源的生成方法，其特征在于，包括：
获取数据处理请求，所述数据处理请求携带第一资源数据；
通过预先训练的分析模型根据所述第一资源数据分析得到目标资源数据；
根据所述目标资源数据生成第一虚拟资源；
将所述第一虚拟资源发放至请求方。
2.根据权利要求1所述的方法，其特征在于，在所述获取数据处理请求之前，所述方法还包括：
根据接收的触发操作确定第一资源数据，并生成相应的标签内容；
基于所述登记界面接收语音内容；
当所述语音信息与所述标签内容相匹配时，根据所述第一资源数据生成所述数据处理请求。
3.根据权利要求1所述的方法，其特征在于，在通过预先训练的分析模型根据所述第一资源数据分析得到目标资源数据之前，所述方法还包括：
获取与所述请求方相关联的虚拟资源获取记录；
根据所述虚拟资源获取记录确定获取失败次数；
根据所述获取失败次数计算获取概率；
当所述获取概率小于或等于所述预设阈值时，将所述第一资源数据输入预先训练的分析模型。
4.根据权利要求1所述的方法，其特征在于，所述通过预先训练的分析模型根据所述第一资源数据分析得到目标资源数据，包括：
获取预先训练的分析模型；
将所述第一资源数据输入预先训练的分析模型，由所述分析模型根据所述第一资源数据计算得到第二资源数据；
确定所述请求方的属性信息，以及所述属性信息对应的第三资源数据；
根据所述第二资源数据和所述第三资源数据进行加权得到所述目标资源数据。
5.根据权利要求3所述的方法，其特征在于，所述方法还包括：
获取样本资源数据，以及样本资源数据对应的标注内容，标注内容包括：样本资源数据对应的权重值；
采用样本数据以及标注内容对预设神经网络模型进行训练，由预设神经网络模型学习样本资源数据与使用意愿值的对应关系，得到分析模型。
6.根据权利要求1所述的方法，其特征在于，所述根据所述目标资源数据生成第一虚拟资源，包括：
根据所述目标资源数据生成任务选项；
根据作用于所述任务选项的触发操作确定目标任务；
获取所述目标任务的操作数据；
当所述操作数据满足预设条件时，则根据所述目标资源数据生成第一虚拟资源。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
接收作用于多个候选第一虚拟资源的选中操作；
基于所述选中操作确定相同类型的至少两个第一虚拟资源；
根据所述至少两个第一虚拟资源的资源数据和预设概率进行计算，得到第四资源数据；
根据所述第四资源数据生成第二虚拟资源，将所述第二虚拟资源发送至所述请求方。
8.一种虚拟资源的生成方装置，其特征在于，包括：
获取模块，用于获取数据处理请求，所述数据处理请求携带第一资源数据；
分析模块，用于通过预先训练的分析模型根据所述第一资源数据分析得到目标资源数据；
生成模块，用于根据所述目标资源数据生成第一虚拟资源；
发送模块，用于将所述第一虚拟资源发放至请求方。
9.一种电子设备，其特征在于，包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述计算机程序时，实现权利要求1-7任一项所述的方法步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010238199.7A CN111461825B (zh) | 2020-03-30 | 2020-03-30 | 一种虚拟资源的生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010238199.7A CN111461825B (zh) | 2020-03-30 | 2020-03-30 | 一种虚拟资源的生成方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111461825A true CN111461825A (zh) | 2020-07-28 |
| CN111461825B CN111461825B (zh) | 2024-04-09 |
Family
ID=71683428
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010238199.7A Active CN111461825B (zh) | 2020-03-30 | 2020-03-30 | 一种虚拟资源的生成方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111461825B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112288482A (zh) * | 2020-10-29 | 2021-01-29 | 北京沃东天骏信息技术有限公司 | 虚拟资源池构建方法、***、设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110185421A1 (en) * | 2010-01-26 | 2011-07-28 | Silver Tail Systems, Inc. | System and method for network security including detection of man-in-the-browser attacks |
| CN106095846A (zh) * | 2016-06-03 | 2016-11-09 | 财付通支付科技有限公司 | 一种虚拟资源的处理方法及服务器 |
| CN109783822A (zh) * | 2019-01-24 | 2019-05-21 | 中国—东盟信息港股份有限公司 | 一种基于验证码的数据样本识别***及其方法 |
| US20190238488A1 (en) * | 2016-08-04 | 2019-08-01 | Tencent Technology (Shenzhen) Company Limited | Information processing method, apparatus, device and storage medium |
| CN110109750A (zh) * | 2019-04-03 | 2019-08-09 | 平安科技（深圳）有限公司 | 虚拟资源获取方法、装置、计算机设备和存储介质 |
| CN110209922A (zh) * | 2018-06-12 | 2019-09-06 | 中国科学院自动化研究所 | 对象推荐方法、装置、存储介质及计算机设备 |
| US20200074294A1 (en) * | 2018-08-30 | 2020-03-05 | Qualtrics, Llc | Machine-learning-based digital survey creation and management |
-
2020
- 2020-03-30 CN CN202010238199.7A patent/CN111461825B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110185421A1 (en) * | 2010-01-26 | 2011-07-28 | Silver Tail Systems, Inc. | System and method for network security including detection of man-in-the-browser attacks |
| CN106095846A (zh) * | 2016-06-03 | 2016-11-09 | 财付通支付科技有限公司 | 一种虚拟资源的处理方法及服务器 |
| US20190238488A1 (en) * | 2016-08-04 | 2019-08-01 | Tencent Technology (Shenzhen) Company Limited | Information processing method, apparatus, device and storage medium |
| CN110209922A (zh) * | 2018-06-12 | 2019-09-06 | 中国科学院自动化研究所 | 对象推荐方法、装置、存储介质及计算机设备 |
| US20200074294A1 (en) * | 2018-08-30 | 2020-03-05 | Qualtrics, Llc | Machine-learning-based digital survey creation and management |
| CN109783822A (zh) * | 2019-01-24 | 2019-05-21 | 中国—东盟信息港股份有限公司 | 一种基于验证码的数据样本识别***及其方法 |
| CN110109750A (zh) * | 2019-04-03 | 2019-08-09 | 平安科技（深圳）有限公司 | 虚拟资源获取方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 傅小康: "云环境下的集散型物流服务协同模型与优化" * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112288482A (zh) * | 2020-10-29 | 2021-01-29 | 北京沃东天骏信息技术有限公司 | 虚拟资源池构建方法、***、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111461825B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110874440B (zh) | 一种信息推送及其模型训练的方法、装置及电子设备 | |
| Yadav et al. | LARAVEL: a PHP framework for e-commerce website | |
| CN114265979B (zh) | 确定融合参数的方法、信息推荐方法和模型训练方法 | |
| CN106897905B (zh) | 用于推送信息的方法、装置及电子设备 | |
| CN105101122A (zh) | 验证码输入方法和装置 | |
| CN107517251B (zh) | 信息推送方法和装置 | |
| CN111008335B (zh) | 一种信息处理方法、装置、设备及存储介质 | |
| US20230259959A1 (en) | Multi-target prediction method and apparatus, device, storage medium and program product | |
| CN112330382B (zh) | 物品推荐方法、装置、计算设备和介质 | |
| CN112598472A (zh) | 产品推荐方法、装置、***、介质和程序产品 | |
| CN116629937A (zh) | 营销策略推荐方法及装置 | |
| CN113297287B (zh) | 用户策略自动部署方法、装置及电子设备 | |
| CN103425767A (zh) | 一种提示数据的确定方法和*** | |
| CN106817296B (zh) | 信息推荐的测试方法、装置以及电子设备 | |
| CN111461825A (zh) | 一种虚拟资源的生成方法、装置、电子设备及存储介质 | |
| CN116109374A (zh) | 资源位展示方法、装置、电子设备和计算机可读介质 | |
| CN113205189B (zh) | 训练预测模型的方法、预测方法及装置 | |
| CN111507471B (zh) | 一种模型训练方法、装置、设备及存储介质 | |
| CN110348190B (zh) | 基于用户操作行为的用户设备归属判断方法及装置 | |
| CN113159834A (zh) | 一种商品信息排序方法、装置以及设备 | |
| CN111367778A (zh) | 评估搜索策略的数据分析方法和装置 | |
| CN111241382A (zh) | 数据处理方法及装置、存储介质、电子设备 | |
| CN113743636B (zh) | 一种目标操作预测方法、装置、电子设备及存储介质 | |
| CN116108132B (zh) | 短信文本的审核方法和装置 | |
| US20220067655A1 (en) | Crowdsourced Insights About Merchant Shipping Methods |
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 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant after: Jingdong Technology Holding Co.,Ltd. Address before: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant before: Jingdong Digital Technology Holding Co.,Ltd. Address after: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant after: Jingdong Digital Technology Holding Co.,Ltd. Address before: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant before: JINGDONG DIGITAL TECHNOLOGY HOLDINGS Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |