CN112015439A - 用户app兴趣的嵌入方法、装置、设备以及存储介质 - Google Patents
用户app兴趣的嵌入方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN112015439A CN112015439A CN202010995356.9A CN202010995356A CN112015439A CN 112015439 A CN112015439 A CN 112015439A CN 202010995356 A CN202010995356 A CN 202010995356A CN 112015439 A CN112015439 A CN 112015439A
- Authority
- CN
- China
- Prior art keywords
- app
- user
- installation list
- interest
- time window
- 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 52
- 238000009434 installation Methods 0.000 claims abstract description 174
- 239000013598 vector Substances 0.000 claims abstract description 104
- 238000012545 processing Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 20
- 230000000737 periodic effect Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 230000007774 longterm Effects 0.000 abstract description 4
- 238000012512 characterization method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- G06F16/906—Clustering; Classification
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/61—Installation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/65—Updates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Business, Economics & Management (AREA)
- Fuzzy Systems (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Computer Security & Cryptography (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
- Stored Programmes (AREA)
- Editing Of Facsimile Originals (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请实施例公开了用户APP兴趣的嵌入方法、装置、设备以及存储介质,涉及大数据技术领域。该用户APP兴趣的嵌入方法的一具体实施方式包括:获取用户现存APP安装列表和预定时间窗口内APP安装列表,其中,APP包含APP ID信息和APP类别信息;将现存APP安装列表和预定时间窗口内APP安装列表输入至预先训练好的用户APP兴趣嵌入模型,得到用户APP兴趣嵌入向量,通过结合了用户现存APP安装列表信息和近期APP安装列表信息,用户APP兴趣嵌入向量能同时反应用户的长期兴趣和短期兴趣,通过结合APP ID和APP类别,可以缓解长尾APP的稀疏问题,提升用户APP兴趣嵌入向量的表征能力。
Description
技术领域
本申请涉及计算机技术领域,具体涉及大数据技术领域,尤其涉及用户APP兴趣的嵌入方法、装置、设备以及存储介质。
背景技术
应用程序(APP)与用户的个性化信息密切相关联。用户根据自己的需求、偏好、习惯从应用市场上下载、安装、使用、卸载应用程序。用户的APP安装行为可在很大程序上反映用户的个人信息、兴趣偏好、性格、生活方式等。
目前用户APP安装特征是使用one-hot特征和APP类别统计特征。由于APP的数量比较多,采用one-hot导致特征空间会变得非常大,同时one-hot也无法表达不同APP之间的关联关系,影响下游任务的使用。采用APP类别统计特征虽然简单易行,但是无法区分同类别APP之间的差异信息。
发明内容
为了解决上述背景技术部分提到的一个或多个技术问题,本申请实施例提供了用户APP兴趣的嵌入方法、装置、设备以及存储介质。
第一方面,本申请实施例提供了用户APP兴趣的嵌入方法,包括:获取用户现存APP安装列表和预定时间窗口内APP安装列表,其中,所述APP包含APP ID信息和APP类别信息;将所述现存APP安装列表和所述预定时间窗口内APP安装列表输入至预先训练好的用户APP兴趣嵌入模型,得到用户APP兴趣嵌入向量。
第二方面,本申请实施例提供了用户APP兴趣的嵌入装置,包括:获取模块,被配置为获取用户现存APP安装列表和预定时间窗口内APP安装列表,其中,所述APP包含APP ID信息和APP类别信息;输出模块,被配置为将所述现存APP安装列表和所述预定时间窗口内APP安装列表输入至预先训练好的用户APP兴趣嵌入模型,得到用户APP兴趣嵌入向量。
第三方面,本申请实施例提出了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
本申请实施例提供的用户APP兴趣的嵌入方法、装置、设备以及存储介质,首先获取用户现存APP安装列表和预定时间窗口内APP安装列表;其次将现存APP安装列表和预定时间窗口内APP安装列表输入至预先训练好的用户APP兴趣嵌入模型,得到用户APP兴趣嵌入向量,通过结合了用户现存APP安装列表信息和近期APP安装列表信息,用户APP兴趣嵌入向量能同时反应用户的长期兴趣和短期兴趣,通过结合APP ID和APP类别,可以缓解长尾APP的稀疏问题,提升用户APP兴趣嵌入向量的表征能力。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
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。附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请可以应用于其中的示例性***架构图;
图2是根据本申请的用户APP兴趣的嵌入方法的一个实施例的流程示意图;
图3是根据本申请实施例的用户APP兴趣嵌入模型的训练过程的流程示意图;
图4是根据本申请的用户APP兴趣的嵌入方法的另一个实施例的流程示意图;
图5是根据本申请的获取用户现存APP安装列表和预定时间窗口内APP安装列表的一个实施例的流程示意图;
图6是本申请的用户APP兴趣的嵌入装置的一个实施例的结构示意图;
图7是用来实现本申请实施例的用户APP兴趣的嵌入方法的电子设备的框图。
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的用户APP兴趣的嵌入方法或用户APP兴趣的嵌入装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、网络102、服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102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。
终端设备101可以通过网络102与服务器103交互。终端设备101中可以提供用户的APP安装日志,包括但不限于数据库、用户终端等等。
服务器103可以提供各种服务,例如服务器103可以对从存储设备101获取到的用户的APP安装日志等数据进行分析等处理,生成处理结果(例如用户APP兴趣嵌入向量)。
需要说明的是,服务器103可以是硬件,也可以是软件。当服务器103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103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),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的用户APP兴趣的嵌入方法一般由服务器103执行,相应地,用户APP兴趣的嵌入装置一般设置于服务器103中。
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户APP兴趣的嵌入方法的一个实施例的流程200。该用户APP兴趣的嵌入方法,包括以下步骤:
步骤201,获取用户现存的APP安装列表和预定时间窗口内APP安装列表。
在本实施例中,用户APP兴趣的嵌入方法的执行主体(例如图1所示的服务器103)可以获取用户现存的APP安装列表和预定时间窗口内APP安装列表。其中,用户现存的APP安装列表指的是在当前时间点下用户现存APP安装列表。其中,用户预定时间窗口内APP安装列表指的是当前时间点之前的时间窗口内的APP安装列表。例如可以将预定时间窗口设置为2周或者1个月,则可以获取近2周或1个月用户的APP安装列表。在本实施例中,APP安装列表中的APP信息包含APP ID信息和APP类别信息。具体地,可以将同一个APP在不同***中的多个APP名称映射为一个APP ID信息。其中,APP类别包括社交类、新闻类、购物类、娱乐类、金融类、生活类、工具类等。
步骤202,将现存APP安装列表和预定时间窗口内APP安装列表输入至预先训练好的用户APP兴趣嵌入模型,得到用户APP兴趣嵌入向量。
在本实施例中,上述执行主体可以将现存APP安装列表和预定时间窗口内APP安装列表输入至预先训练好的用户APP兴趣嵌入模型,得到用户APP兴趣嵌入向量。这里的用户APP兴趣嵌入模型是对未经训练的用户APP兴趣嵌入模型进行训练而得到的。未经训练的用户APP兴趣嵌入模型的各层可以设置初始参数,参数在训练过程中可以被不断调整。未经训练的用户APP兴趣嵌入模型可以是各种类型的未经训练或未训练完成的人工神经网络或者对多种未经训练或未训练完成的人工神经网络进行组合所得到的模型,例如未经训练的用户APP兴趣嵌入模型可以是未经训练的卷积神经网络,也可以是未经训练的循环神经网络,还可以是对未经训练的卷积神经网络、未经训练的循环神经网络和未经训练的全连接层进行组合所得到的模型。
在本实施例的一些可选的实施方式中,上述未经训练的用户APP兴趣嵌入模型可以是未经训练的自编码(AutoEncoder)网络模型。未经训练的自编码(AutoEncoder)网络模型的各层可以设置初始参数,参数在训练过程中可以被不断调整,直到得到训练好的自编码(AutoEncoder)网络模型。利用自编码(AutoEncoder)网络模型,可以不依赖用户APP安装行为的标签数据,实现无监督的用户APP安装特征嵌入。
与现有技术相比,本申请实施例结合了用户现存APP安装列表信息和近期APP安装列表信息,用户APP兴趣嵌入向量能同时反应用户的长期兴趣和短期兴趣,通过结合APP ID信息和APP类别信息,可以缓解长尾APP的稀疏问题,提升用户APP兴趣嵌入向量的表征能力。
进一步参考图3,其示出了根据本申请实施例的用户APP兴趣嵌入模型的训练过程的流程示意图,训练用户APP兴趣嵌入模型的步骤包括:
步骤301,获取用户现存APP安装列表和预定时间窗口内APP安装列表。
在本实施例中,上述执行主体可以获取用户现存APP安装列表和预定时间窗口内APP安装列表。其中,用户预定时间窗口内APP安装列表指的是当前时间点之前的时间窗口内的APP安装列表。例如可以将预定时间窗口设置为2周或者1个月,则可以获取近2周或1个月用户的APP安装列表。在本实施例中,APP安装列表中的APP信息包含APP ID信息和APP类别信息。具体地,可以将同一个APP在不同***中的多个APP名称映射为一个APP ID信息。其中,APP类别包括社交类、新闻类、购物类、娱乐类、金融类、生活类、工具类等。
步骤302,随机设置APP ID查询向量表和APP类别查询向量表,以及将APP ID查询向量表和APP类别查询向量表进行拼接,得到APP嵌入向量。
在本实施例中,上述执行主体可以随机设置APP ID查询向量表和APP类别查询向量表,以及将APP ID查询向量表和APP类别查询向量表进行拼接,得到APP嵌入向量。用户APP兴趣嵌入模型的输入数据包括现存APP安装列表和近期APP安装列表,每款APP包含APPID信息以及类别信息。首先需要对APP进行嵌入,随机设置APP ID查询向量表和APP类别查询向量表,维度分别为n1*v1,n2*v2,其中n1为APP个数,v1为APP ID向量维度,n2为APP类别个数,v2为APP类别向量维度。APP的嵌入向量有APP ID向量和APP类别向量拼接生成,维度为v1+v2。然后分别生成现存APP安装列表和近期APP安装列表对应的APP嵌入向量。
步骤303,将APP安装列表表示成one-hot特征,以及基于one-hot特征和APP嵌入向量,分别确定现存APP安装列表的输入向量和预定时间窗口内APP安装列表的输入向量。
在本实施例中,上述执行主体可以将APP安装列表表示成one-hot特征,以及基于one-hot特征和APP嵌入向量,分别确定现存APP安装列表的输入向量和预定时间窗口内APP安装列表的输入向量。具体地,首先将APP安装列表表示成one-hot特征,第m维度为1表示安装了该APP,0表示未安装该APP,其中,m为正整数;之后将APP安装列表的one-hot特征与APP的嵌入向量进行乘积,得到现存APP安装列表的输入向量和预定时间窗口内APP安装列表的输入向量。
步骤304,构建用户APP兴趣嵌入模型,以及将输入向量输入至用户APP兴趣嵌入模型。
在本实施例中,可以构建AutoEncoder网络模型,并将现存APP安装列表的输入向量和预定时间窗口内APP安装列表的输入向量输入值至AutoEncoder网络模型,通过AutoEncoder网络模型来对用户APP安装行为进行表征。具体地,可以先分别对现存APP安装列表输入向量和近期APP安装列表输入向量进行池化操作,池化包括求和、求平均和求最大值三种方式;再对池化后的结果进行拼接,分别得到维度为2*3*(v1+v2)的输出向量,其中2表示现存APP安装列表和近期APP安装列表两种输入,3表示求和、求平均和求最大值三种池化操作,v1+v2表示APP的嵌入向量;最后采用N个隐层神经网络模型对用户APP安装行为进行表征,每个神经网络模型可以全连接加激活函数组成,其中前M层激活函数采用Relu,最后一层采用sigmoID,可以由一个三元组表示(f,W,b),其中f为激活函数,w表示全量接权重,b表示全连接偏置。如果Xn表示神经网络模型的输出,则Xn=fn(Xn-1*Wn+bn),Xn即为AutoEncoder网络模型的输出向量。
步骤305,构建与用户APP兴趣嵌入模型对应的解码网络模型,并将用户APP兴趣嵌入模型的输出作为解码网络模型的输入。
在本实施例中,上述执行主体可以构建与用户APP兴趣嵌入模型对应的解码网络模型,并将用户APP兴趣嵌入模型的输出作为解码网络模型的输入。具体地,解码网络模型包括Decoder1模块和Decoder2模块。其中,首先采用N个与AutoEncoder网络模型一样反向的隐层神经网络模型,例如:AutoEncoder网络模型隐层大小为[h1,h2,h3],其中h1为输入,h2和h3为隐层输出;则Decoder1模块隐层大小为[h3,h2,h1],其中h3为输入,h2和h1为隐层输出。之后,Decoder2模块对Decoder1模块输出进行解码,解码采用N个全连接加sigmoID激活函数模型,分别得到现存APP安装列表和近期APP安装列表的one-hot特征。全连接的输入大小为Decoder1的输出h1,全连接的输出大小为APP个数n1。
步骤306,基于解码网络模型的现存APP安装列表的解码误差和近期APP安装列表的解码误差,进行反向传播,并调整APP ID查询向量表、和APP类别查询向量表,使得用户APP兴趣嵌入模型收敛。
在本实施例中,损失函数采用MSE均方误差,模型损失由两部分组成,loss1为现存APP安装列表的解码误差,loss2为近期APP安装列表的解码误差,整体loss=loss1+a*loos2,其中a为调和权重。基于loss进行反向传播,更新参数、APP ID查询向量表和APP类别查询向量表,直到用户APP兴趣嵌入模型收敛或达到最大迭代次数。
继续参考图4,示出了根据本申请的用户APP兴趣的嵌入方法的另一个实施例的流程400。该用户APP兴趣的嵌入方法,包括以下步骤:
步骤401,根据定期时间窗口,定期获取用户的现存APP安装列表和预定时间窗口内APP安装列表。
在本实施例中,定期时间窗口可以根据用户的需要设定为特定时长,例如定期时间窗口可以设定为2周或1个月,则可以每2周或1个月获取用户的现存APP安装列表和预定时间窗口内APP安装列表。
步骤402,将定期获取的现存APP安装列表和预定时间窗口内APP安装列表输入至预先训练好的用户APP兴趣嵌入模型,得到与定期时间窗口对应的用户APP兴趣嵌入向量。
在本实施例中,上述执行主体可以将定期获取的现存APP安装列表和预定时间窗口内APP安装列表输入至预先训练好的用户APP兴趣嵌入模型,从而得到相应的用户APP兴趣嵌入向量。例如,定期时间窗口设定为2周或1个月,则可以每2周或1个月将用户的现存APP安装列表和预定时间窗口内APP安装列表输入至预先训练好的用户APP兴趣嵌入模型,得到每2周或1个月的用户APP兴趣嵌入向量。
步骤403,将与定期时间窗口对应的用户APP兴趣嵌入向量存入键-值库。
在本实施例中,上述执行主体可以将定期获取的用户APP兴趣嵌入向量存储键-值(Key-value)库。
在本实施例中,通过设置定期时间窗口,定期获取用户的APP兴趣嵌入向量,并将其存入键-值库,可以解决因用户的APP兴趣表征向量频繁更新,请求量大,导致用户APP兴趣嵌入模型预测压力大的问题。
继续参考图5,其示出了根据本申请的获取用户现存APP安装列表和预定时间窗口内APP安装列表的一个实施例的流程示意图。
如图5所示,该获取用户现存APP安装列表和预定时间窗口内APP安装列表的步骤包括:
步骤501,收集用户的APP安装日志,并将所APP安装日志中的APP安装信息与时间关联。
在本实施例中,上述执行主体可以收集用户的APP安装日志,并且与时间关联,一个用户不同时间点APP安装信息作为不同的样本。
步骤502,对APP进行用户量统计,并根据APP的用户量筛选特定个数的APP集合。
在本实施例中,上述执行主体可以对APP进行用户量统计,通过用户覆盖率或者top k方法筛选候选n个APP集合,其中,k、n均为正整数。
步骤503,根据APP集合,统计用户现存APP安装列表和预定时间窗口内APP安装列表。
在本实施例中,上述执行主体可以统计用户在特定时刻下的现存APP安装列表和预定时间窗口内APP安装列表,例如预定时间窗口可以设置成2周或者1个月。
步骤504,采集APP安装列表中的APP ID信息和APP类别信息。
在本实施例中,上述执行主体可以采集或者生成APP对应的细粒度类别信息,每款APP包含APP ID信息以及类别信息。
进一步参考图6,作为对上述各图所示方法的实现,本申请提供了一种用户APP兴趣的嵌入的一个实施例,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,本实施例的用户APP兴趣的嵌入装置600可以包括:获取模块601、输出模块602。其中,获取模块601,被配置为获取用户现存APP安装列表和预定时间窗口内APP安装列表,其中,所述APP包含APP ID信息和APP类别信息;输出模块602,被配置为将所述现存APP安装列表和所述预定时间窗口内APP安装列表输入至预先训练好的用户APP兴趣嵌入模型,得到用户APP兴趣嵌入向量。
在本实施例中,用户APP兴趣的嵌入装置600中:获取模块601、输出模块602的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-202的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,所述装置还包括训练模块,所述训练模块包括:获取模块,被配置成获取用户现存APP安装列表和预定时间窗口内APP安装列表,其中,所述APP包含APP ID信息和APP类别信息;初始化模块,被配置成随机设置APP ID查询向量表和APP类别查询向量表,以及将所述APP ID查询向量表和APP类别查询向量表进行拼接,得到APP嵌入向量;向量化模块,被配置成将所述APP安装列表表示成one-hot特征,以及基于所述one-hot特征和所述APP嵌入向量,分别确定现存APP安装列表的输入向量和预定时间窗口内APP安装列表的输入向量;嵌入模型构建模块,被配置成构建用户APP兴趣嵌入模型,以及将所述输入向量输入至所述用户APP兴趣嵌入模型;解密模型构建模块,被配置成构建与所述用户APP兴趣嵌入模型对应的解码网络模型,并将所述用户APP兴趣嵌入模型的输出作为所述解码网络模型的输入;调参模块,被配置成基于所述解码网络模型的现存APP安装列表的解码误差和预定时间窗口内APP安装列表的解码误差,进行反向传播,并调整APP ID查询向量表、和APP类别查询向量表,使得所述用户APP兴趣嵌入模型收敛。
在本实施例的一些可选的实现方式中,还包括:定期获取模块,被配置为根据定期时间窗口,定期获取用户的现存APP安装列表和预定时间窗口内APP安装列表,其中,所述APP包含APP ID信息和APP类别信息;所述输出模块进一步被配置为:将所述定期获取的现存APP安装列表和预定时间窗口内APP安装列表输入至预先训练好的用户APP兴趣嵌入模型,得到与所述定期时间窗口对应的用户APP兴趣嵌入向量;存储模块,被配置为将所述与所述定期时间窗口对应的用户APP兴趣嵌入向量存入键-值库。
在本实施例的一些可选的实现方式中,所述获取模块包括:收集模块,被配置为收集用户的APP安装日志,并将所述APP安装日志中的APP安装信息与时间关联;筛选模块,被配置为对APP进行用户量统计,并根据APP的用户量筛选特定个数的APP集合;统计模块,被配置为根据所述APP集合,统计用户现存APP安装列表和预定时间窗口内APP安装列表;采集模块,被配置为采集所述APP安装列表中的APP ID信息和APP类别信息。
在本实施例的一些可选的实现方式中,所述用户APP兴趣嵌入模型为自编码网络模型。
如图7所示,是根据本申请实施例用户APP兴趣的嵌入方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示,该电子设备包括:一个或多个处理器701、存储器702,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的用户APP兴趣的嵌入方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的用户APP兴趣的嵌入方法。
存储器702作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的用户APP兴趣的嵌入方法对应的程序指令/模块(例如,附图6所示的获取模块601、输出模块602)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的用户APP兴趣的嵌入方法。
存储器702可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据用户APP兴趣的嵌入方法的电子设备的使用所创建的数据等。此外,存储器702可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至用户APP兴趣的嵌入方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用户APP兴趣的嵌入方法的电子设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息,以及产生与用户APP兴趣的嵌入方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请的技术方案,首先获取用户现存APP安装列表和预定时间窗口内APP安装列表;其次将现存APP安装列表和预定时间窗口内APP安装列表输入至预先训练好的用户APP兴趣嵌入模型,得到用户APP兴趣嵌入向量,通过结合了用户现存APP安装列表信息和近期APP安装列表信息,用户APP兴趣嵌入向量能同时反应用户的长期兴趣和短期兴趣,通过结合APP ID和APP类别,可以缓解长尾APP的稀疏问题,提升用户APP兴趣嵌入向量的表征能力。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (12)
1.一种用户APP兴趣的嵌入方法,包括:
获取用户现存APP安装列表和预定时间窗口内APP安装列表,其中,所述APP包含APP ID信息和APP类别信息;
将所述现存APP安装列表和所述预定时间窗口内APP安装列表输入至预先训练好的用户APP兴趣嵌入模型,得到用户APP兴趣嵌入向量。
2.根据权利要求1所述的方法,所述用户APP兴趣嵌入模型是通过以下方式训练得到:
获取用户现存APP安装列表和预定时间窗口内APP安装列表,其中,所述APP包含APP ID信息和APP类别信息;
随机设置APP ID查询向量表和APP类别查询向量表,以及将所述APP ID查询向量表和APP类别查询向量表进行拼接,得到APP嵌入向量;
将所述APP安装列表表示成one-hot特征,以及基于所述one-hot特征和所述APP嵌入向量,分别确定现存APP安装列表的输入向量和预定时间窗口内APP安装列表的输入向量;
构建用户APP兴趣嵌入模型,以及将所述输入向量输入至所述用户APP兴趣嵌入模型;
构建与所述用户APP兴趣嵌入模型对应的解码网络模型,并将所述用户APP兴趣嵌入模型的输出作为所述解码网络模型的输入;
基于所述解码网络模型的现存APP安装列表的解码误差和预定时间窗口内APP安装列表的解码误差,进行反向传播,并调整APP ID查询向量表、和APP类别查询向量表,使得所述用户APP兴趣嵌入模型收敛。
3.根据权利要求1所述的方法,还包括:
根据定期时间窗口,定期获取用户的现存APP安装列表和预定时间窗口内APP安装列表,其中,所述APP包含APP ID信息和APP类别信息;
将所述定期获取的现存APP安装列表和预定时间窗口内APP安装列表输入至预先训练好的用户APP兴趣嵌入模型,得到与所述定期时间窗口对应的用户APP兴趣嵌入向量;
将所述与所述定期时间窗口对应的用户APP兴趣嵌入向量存入键-值库。
4.根据权利要求2所述的方法,所述获取用户现存APP安装列表和预定时间窗口内APP安装列表包括:
收集用户的APP安装日志,并将所述APP安装日志中的APP安装信息与时间关联;
对APP进行用户量统计,并根据APP的用户量筛选特定个数的APP集合;
根据所述APP集合,统计用户现存APP安装列表和预定时间窗口内APP安装列表;
采集所述APP安装列表中的APPID信息和APP类别信息。
5.根据权利要求1-4任一项所述的方法,所述用户APP兴趣嵌入模型为自编码网络模型。
6.一种用户APP兴趣的嵌入装置,所述装置包括:
获取模块,被配置为获取用户现存APP安装列表和预定时间窗口内APP安装列表,其中,所述APP包含APP ID信息和APP类别信息;
输出模块,被配置为将所述现存APP安装列表和所述预定时间窗口内APP安装列表输入至预先训练好的用户APP兴趣嵌入模型,得到用户APP兴趣嵌入向量。
7.根据权利要求6所述的装置,所述装置还包括训练模块,所述训练模块包括:
获取模块,被配置成获取用户现存APP安装列表和预定时间窗口内APP安装列表,其中,所述APP包含APP ID信息和APP类别信息;
初始化模块,被配置成随机设置APP ID查询向量表和APP类别查询向量表,以及将所述APP ID查询向量表和APP类别查询向量表进行拼接,得到APP嵌入向量;
向量化模块,被配置成将所述APP安装列表表示成one-hot特征,以及基于所述one-hot特征和所述APP嵌入向量,分别确定现存APP安装列表的输入向量和预定时间窗口内APP安装列表的输入向量;
嵌入模型构建模块,被配置成构建用户APP兴趣嵌入模型,以及将所述输入向量输入至所述用户APP兴趣嵌入模型;
解密模型构建模块,被配置成构建与所述用户APP兴趣嵌入模型对应的解码网络模型,并将所述用户APP兴趣嵌入模型的输出作为所述解码网络模型的输入;
调参模块,被配置成基于所述解码网络模型的现存APP安装列表的解码误差和预定时间窗口内APP安装列表的解码误差,进行反向传播,并调整APP ID查询向量表、和APP类别查询向量表,使得所述用户APP兴趣嵌入模型收敛。
8.根据权利要求6所述的装置,还包括:
定期获取模块,被配置为根据定期时间窗口,定期获取用户的现存APP安装列表和预定时间窗口内APP安装列表,其中,所述APP包含APP ID信息和APP类别信息;
所述输出模块进一步被配置为:将所述定期获取的现存APP安装列表和预定时间窗口内APP安装列表输入至预先训练好的用户APP兴趣嵌入模型,得到与所述定期时间窗口对应的用户APP兴趣嵌入向量;
存储模块,被配置为将所述与所述定期时间窗口对应的用户APP兴趣嵌入向量存入键-值库。
9.根据权利要求7所述的装置,所述获取模块包括:
收集模块,被配置为收集用户的APP安装日志,并将所述APP安装日志中的APP安装信息与时间关联;
筛选模块,被配置为对APP进行用户量统计,并根据APP的用户量筛选特定个数的APP集合;
统计模块,被配置为根据所述APP集合,统计用户现存APP安装列表和预定时间窗口内APP安装列表;
采集模块,被配置为采集所述APP安装列表中的APP ID信息和APP类别信息。
10.根据权利要求7-9所述的装置,所述用户APP兴趣嵌入模型为自编码网络模型。
11.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010995356.9A CN112015439B (zh) | 2020-09-21 | 2020-09-21 | 用户app兴趣的嵌入方法、装置、设备以及存储介质 |
EP21162110.7A EP3825876A3 (en) | 2020-09-21 | 2021-03-11 | Method, apparatus, device, storage medium and program for embedding user app interest |
JP2021039379A JP7220733B2 (ja) | 2020-09-21 | 2021-03-11 | ユーザappインタレストの埋め込み方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム |
US17/202,721 US20210201149A1 (en) | 2020-09-21 | 2021-03-16 | Method, apparatus, device and storage medium for embedding user app interest |
KR1020210034624A KR102607359B1 (ko) | 2020-09-21 | 2021-03-17 | 사용자 app 관심을 임베딩하는 방법, 장치, 기기, 저장 매체 및 프로그램 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010995356.9A CN112015439B (zh) | 2020-09-21 | 2020-09-21 | 用户app兴趣的嵌入方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112015439A true CN112015439A (zh) | 2020-12-01 |
CN112015439B CN112015439B (zh) | 2024-01-12 |
Family
ID=73521584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010995356.9A Active CN112015439B (zh) | 2020-09-21 | 2020-09-21 | 用户app兴趣的嵌入方法、装置、设备以及存储介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210201149A1 (zh) |
EP (1) | EP3825876A3 (zh) |
JP (1) | JP7220733B2 (zh) |
KR (1) | KR102607359B1 (zh) |
CN (1) | CN112015439B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113392149B (zh) * | 2021-06-15 | 2022-09-13 | 浙江大学 | 一种基于多源异构数据融合的贷款逾期预测方法 |
CN114692972A (zh) * | 2022-03-31 | 2022-07-01 | 支付宝(杭州)信息技术有限公司 | 行为预测***的训练方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100332326A1 (en) * | 2008-02-13 | 2010-12-30 | Ron Ishai | System And Methods For Positioning Information From A Plurality Of Users |
CN107729560A (zh) * | 2017-11-08 | 2018-02-23 | 北京奇虎科技有限公司 | 基于大数据的用户画像构造方法、装置及计算设备 |
CN108062342A (zh) * | 2016-11-08 | 2018-05-22 | 北京国双科技有限公司 | 应用程序的推荐方法及装置 |
CA2997797A1 (en) * | 2017-09-11 | 2019-03-11 | Tata Consultancy Services Limited | Bilstm-siamese network based classifier for identifying target class of queries and providing responses thereof |
CN110765352A (zh) * | 2019-10-11 | 2020-02-07 | 上海上湖信息技术有限公司 | 一种用户兴趣识别方法及装置 |
CN111242748A (zh) * | 2020-02-21 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 用于向用户推荐项目的方法、装置和存储介质 |
CN111523007A (zh) * | 2020-04-27 | 2020-08-11 | 北京百度网讯科技有限公司 | 用户感兴趣信息确定方法、装置、设备以及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9104771B2 (en) * | 2011-11-03 | 2015-08-11 | International Business Machines Corporation | Providing relevant product reviews to the user to aid in purchasing decision |
CN107861938B (zh) * | 2017-09-21 | 2020-09-25 | 北京三快在线科技有限公司 | 一种poi文案生成方法及装置,电子设备 |
CN108921221B (zh) * | 2018-07-04 | 2022-11-18 | 腾讯科技(深圳)有限公司 | 用户特征的生成方法、装置、设备及存储介质 |
US10873782B2 (en) | 2018-10-02 | 2020-12-22 | Adobe Inc. | Generating user embedding representations that capture a history of changes to user trait data |
KR20210015524A (ko) * | 2019-08-02 | 2021-02-10 | 삼성전자주식회사 | 사용자 관심도의 산출 방법 및 이를 지원하는 전자 장치 |
-
2020
- 2020-09-21 CN CN202010995356.9A patent/CN112015439B/zh active Active
-
2021
- 2021-03-11 JP JP2021039379A patent/JP7220733B2/ja active Active
- 2021-03-11 EP EP21162110.7A patent/EP3825876A3/en active Pending
- 2021-03-16 US US17/202,721 patent/US20210201149A1/en active Pending
- 2021-03-17 KR KR1020210034624A patent/KR102607359B1/ko active IP Right Grant
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100332326A1 (en) * | 2008-02-13 | 2010-12-30 | Ron Ishai | System And Methods For Positioning Information From A Plurality Of Users |
CN108062342A (zh) * | 2016-11-08 | 2018-05-22 | 北京国双科技有限公司 | 应用程序的推荐方法及装置 |
CA2997797A1 (en) * | 2017-09-11 | 2019-03-11 | Tata Consultancy Services Limited | Bilstm-siamese network based classifier for identifying target class of queries and providing responses thereof |
US20190080225A1 (en) * | 2017-09-11 | 2019-03-14 | Tata Consultancy Services Limited | Bilstm-siamese network based classifier for identifying target class of queries and providing responses thereof |
CN107729560A (zh) * | 2017-11-08 | 2018-02-23 | 北京奇虎科技有限公司 | 基于大数据的用户画像构造方法、装置及计算设备 |
CN110765352A (zh) * | 2019-10-11 | 2020-02-07 | 上海上湖信息技术有限公司 | 一种用户兴趣识别方法及装置 |
CN111242748A (zh) * | 2020-02-21 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 用于向用户推荐项目的方法、装置和存储介质 |
CN111523007A (zh) * | 2020-04-27 | 2020-08-11 | 北京百度网讯科技有限公司 | 用户感兴趣信息确定方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
JP2022051665A (ja) | 2022-04-01 |
KR20210037631A (ko) | 2021-04-06 |
US20210201149A1 (en) | 2021-07-01 |
CN112015439B (zh) | 2024-01-12 |
KR102607359B1 (ko) | 2023-11-29 |
EP3825876A2 (en) | 2021-05-26 |
EP3825876A3 (en) | 2021-10-06 |
JP7220733B2 (ja) | 2023-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7166322B2 (ja) | モデルを訓練するための方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
CN112035683A (zh) | 用户交互信息处理模型生成方法和用户交互信息处理方法 | |
CN111539479A (zh) | 生成样本数据的方法和装置 | |
CN111563593B (zh) | 神经网络模型的训练方法和装置 | |
CN111582452B (zh) | 生成神经网络模型的方法和装置 | |
CN111582454A (zh) | 生成神经网络模型的方法和装置 | |
CN111582375A (zh) | 数据增强策略搜索方法、装置、设备以及存储介质 | |
CN111667056A (zh) | 用于搜索模型结构的方法和装置 | |
CN111563592A (zh) | 基于超网络的神经网络模型生成方法和装置 | |
CN111680517A (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
CN112559870A (zh) | 多模型融合方法、装置、电子设备和存储介质 | |
CN112015439B (zh) | 用户app兴趣的嵌入方法、装置、设备以及存储介质 | |
CN111738418A (zh) | 超网络的训练方法和装置 | |
CN111582477A (zh) | 神经网络模型的训练方法和装置 | |
CN114492788A (zh) | 训练深度学习模型的方法和装置、电子设备及存储介质 | |
CN112446574B (zh) | 产品评估方法、装置、电子设备及存储介质 | |
CN112085103B (zh) | 基于历史行为的数据增强方法、装置、设备以及存储介质 | |
CN112580723B (zh) | 多模型融合方法、装置、电子设备和存储介质 | |
CN111461306B (zh) | 特征评估的方法及装置 | |
CN111241225A (zh) | 常驻区域变更的判断方法、装置、设备及存储介质 | |
CN111177479A (zh) | 获取关系网络图中节点的特征向量的方法以及装置 | |
CN113656689B (zh) | 模型生成方法和网络信息的推送方法 | |
CN112598136B (zh) | 数据的校准方法和装置 | |
CN111783872B (zh) | 训练模型的方法、装置、电子设备及计算机可读存储介质 | |
CN111582480A (zh) | 用于对模型剪枝的方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |