CN112070549A - 数据处理方法、装置以及服务器 - Google Patents
数据处理方法、装置以及服务器 Download PDFInfo
- Publication number
- CN112070549A CN112070549A CN202010953786.4A CN202010953786A CN112070549A CN 112070549 A CN112070549 A CN 112070549A CN 202010953786 A CN202010953786 A CN 202010953786A CN 112070549 A CN112070549 A CN 112070549A
- Authority
- CN
- China
- Prior art keywords
- user
- vector
- embedded vector
- embedded
- alternative
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 334
- 238000003062 neural network model Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 23
- 210000002569 neuron Anatomy 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 230000003213 activating effect Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 9
- 238000001914 filtration Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- 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
- 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
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0277—Online advertisement
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请实施例公开了一种数据处理方法、装置以及服务器。方法包括：获取第一嵌入向量、第二嵌入向量以及第三嵌入向量，第一嵌入向量为表征用户所阅览过的历史推送内容的嵌入向量，第二嵌入向量为表征用户所使用过的应用程序的嵌入向量，第三嵌入向量为表征用户属性信息的嵌入向量；将第一嵌入向量、第二嵌入向量以及第三嵌入向量进行拼接得到待处理嵌入向量；将待处理嵌入向量及备选推送内容的嵌入向量输入到目标神经网络模型中，得到目标神经网络模型输出的备选推送内容对应的概率；将备选推送内容中对应的概率大于概率阈值的备选推送内容作为召回的备选推送内容。从而实现了召回的备选推送内容的多样性的同时提升了召回的备选推送内容的准确性。
Description
技术领域
本申请涉及计算机技术领域，更具体地，涉及一种数据处理方法、装置以及服务器。
背景技术
随着移动互联网的发展，可以通过推送的方式向移动端用户展示一些消息，以便促使移动端用户能够有对应的消费行为。在相关的推送方式中，在向移动端用户推送消息之前，需要先从推送信息库中召回一批推送消息作为候选信息，然后再从候选信息中选择一个或者多个消息推送给移动端用户。但是，相关的推送方式中，从推送信息库中所召回候选消息与用户兴趣的匹配的准确性还有待提升。
发明内容
鉴于上述问题，本申请提出了一种数据处理方法、装置以及服务器，以改善上述问题。
第一方面，本申请提供了一种数据处理方法，应用于服务器，所述方法包括：获取第一嵌入向量、第二嵌入向量以及第三嵌入向量，所述第一嵌入向量为表征用户所阅览过的历史推送内容的嵌入向量，所述第二嵌入向量为表征用户所使用过的应用程序的嵌入向量，所述第三嵌入向量为表征用户属性信息的嵌入向量；将所述第一嵌入向量、第二嵌入向量以及第三嵌入向量进行拼接，得到待处理嵌入向量，所述待处理嵌入向量为表征用户兴趣的嵌入向量；将所述待处理嵌入向量以及备选推送内容的嵌入向量输入到目标神经网络模型中，得到所述目标神经网络模型输出的备选推送内容对应的概率，对应的概率越大的备选推送内容与所述用户越匹配；将所述备选推送内容中对应的概率大于概率阈值的备选推送内容作为召回的备选推送内容，以便从所述召回的备选推送内容中选择推送给所述用户的推送内容。
第二方面，本申请提供了一种数据处理装置，运行于服务器，所述装置包括：嵌入向量获取单元，用于获取第一嵌入向量、第二嵌入向量以及第三嵌入向量，所述第一嵌入向量为表征用户所阅览过的历史推送内容的嵌入向量，所述第二嵌入向量为表征用户所使用过的应用程序的嵌入向量，所述第三嵌入向量为表征用户属性信息的嵌入向量；向量拼接单元，用于将所述第一嵌入向量、第二嵌入向量以及第三嵌入向量进行拼接，得到待处理嵌入向量，所述待处理嵌入向量为表征用户兴趣的嵌入向量；向量处理单元，用于将所述待处理嵌入向量以及备选推送内容的嵌入向量输入到目标神经网络模型中，得到所述目标神经网络模型输出的备选推送内容对应的概率，对应的概率越大的备选推送内容与所述用户越匹配；内容召回单元，用于将所述备选推送内容中对应的概率大于概率阈值的备选推送内容作为召回的备选推送内容，以便从所述召回的备选推送内容中选择推送给所述用户的推送内容。
第三方面，本申请提供了一种电子设备，所述电子设备至少包括处理器、数字信号处理器以及存储器；一个或多个程序被存储在所述存储器中并被配置为由所述处理器以及所述数字信号处理器执行以实现上述方法。
第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有程序代码，其中，在所述程序代码被第一数据处理器件或者第二数据处理器件运行时执行上述的方法。
本申请提供的一种数据处理方法、装置以及服务器，会先获取表征用户所阅览过的历史推送内容的第一嵌入向量，表征用户所使用过的应用程序的第二嵌入向量以及表征用户属性信息的第三嵌入向量，然后将所述第一嵌入向量、第二嵌入向量以及第三嵌入向量进行拼接，得到待处理嵌入向量后，将所述待处理嵌入向量以及备选推送内容的嵌入向量输入到目标神经网络模型中，得到所述目标神经网络模型输出的备选推送内容对应的概率。从而通过上述方式可以在计算对应于表征用户兴趣的嵌入向量时，可以基于极限多分类的方式将所有的备选推送内容的嵌入向量输入到目标神经网络模型中，进而可以得到所有的备选推送内容对应于同一用户的概率，进而实现了召回的备选推送内容的多样性的同时，提升了召回的备选推送内容的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本申请一实施例提出的一种数据处理方法的流程图；
图2示出了本申请另一实施例提出的一种数据处理方法的流程图；
图3示出了本申请实施例中计算得到每个备选推送内容的概率的示意图；
图4示出了本申请实施例提出的另一种数据处理装置的结构框图；
图5示出了本申请实施例提出的再一种数据处理装置的结构框图；
图6示出了本申请的用于执行根据本申请实施例的数据处理方法的另一种电子设备的结构框图；
图7是本申请实施例的用于保存或者携带实现根据本申请实施例的数据处理方法的程序代码的存储单元。
具体实施方式
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，所描述的实施例仅仅是本申请一部分实施例，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，都属于本申请保护的范围。
随着移动网络的发展，更多的商家会通过进行消息的推送的方式来向移动端用户推广自己的产品。其中，推送给移动端用户的消息通常是由服务器来执行的，在相关的推送方式中，在向移动端用户推送消息之前，需要先从推送信息库中召回一批推送消息作为候选信息，然后再从候选信息中选择一个或者多个消息推送给移动端用户。但是，相关的推送方式中，从推送信息库中所召回候选消息与用户兴趣的匹配的准确性还有待提升。
例如，在相关的推送方式中，对于候选消息的召回通常是基于协同过滤召回或者向量化召回。其中，协同过滤分为基于内容的协同过滤和基于用户的协同过滤。基于内容的协同过滤会考虑召回和用户之前阅览过的内容相似的内容；基于用户的协同过滤是先找到和目标用户类似的用户，然后尝试将相似的用户阅览过而目标用户未阅览过的推送内容作为候选集。协同过滤的方法通过用户历史行为召回相关的推送内容，虽然保证了内容相关性，但由于全量推送内容数量巨大，这种方法无法面向全量推送内容或用户进行检索，从而使得召回缺乏多样性。
再者，在另外一种相关的推送方式中，会向量化召回通过模型学习用户和相关内容的向量化表达，通过内积计算用户的向量化表达和内容的向量化表达之间的相似度，而将相似度高于阈值的内容召回以生成候选集。然而向量化召回方法仅仅依靠相似度计算来进行召回会忽略监督信号，特别是内容迭代更新很快的场景，会使得的召回的内容与用户兴趣匹配度不高，进而会造成召回信息准确率不高。
因此，发明人在研究中发现上述问题后，提出了本申请中可以改善上述问题的数据处理方法、装置以及服务器。该数据处理方法会先获取表征用户所阅览过的历史推送内容的第一嵌入向量，表征用户所使用过的应用程序的第二嵌入向量以及表征用户属性信息的第三嵌入向量，然后将所述第一嵌入向量、第二嵌入向量以及第三嵌入向量进行拼接，得到待处理嵌入向量后，将所述待处理嵌入向量以及备选推送内容的嵌入向量输入到目标神经网络模型中，得到所述目标神经网络模型输出的备选推送内容对应的概率。从而通过上述方式可以在计算对应于表征用户兴趣的嵌入向量时，可以基于极限多分类的方式将所有的备选推送内容的嵌入向量输入到目标神经网络模型中，进而可以得到所有的备选推送内容对应于同一用户的概率，进而实现了召回的备选推送内容的多样性的同时，提升了召回的备选推送内容的准确性。
下面将结合附图具体描述本申请的各实施例。
请参阅图1，本申请实施例提供的一种数据处理方法，应用于服务器，所述方法包括：
S110：获取第一嵌入向量、第二嵌入向量以及第三嵌入向量，所述第一嵌入向量为表征用户所阅览过的历史推送内容的嵌入向量，所述第二嵌入向量为表征用户所使用过的应用程序的嵌入向量，所述第三嵌入向量为表征用户属性信息的嵌入向量。
需要说明的是，通过对用户所阅览过的推送内容以及用户使用过的应用程序进行检测可以识别出用户具体是对哪些方面的内容感兴趣，而通过获取用户属性信息可以识别出具体是什么类型的用户会对什么方面的内容感兴趣。其中，属性信息可以包括用户的年龄、性别以及位置信息。
在本申请实施例中第一嵌入向量为表征用户所阅览过的历史推送内容的嵌入向量，对应的，有多种的获取第一嵌入向量的方式。
作为一种方式，获取用户对应的多个历史推送内容序列，每个所述历史推送内容序列中包括有用户依时间顺序阅览过的多个历史推送内容；获取每个所述历史推送内容序列对应的嵌入向量，得到多个第一子嵌入向量；对所述多个第一子嵌入向量进行加权平均，得到所述第一嵌入向量。
需要说明的是，发明人发现用户在进行推送内容的阅览过程中，对于推送内容的阅览顺序能够一定程度上体现用户的阅览习惯，或者说能够一定程度上体现用户的兴趣爱好。进而在获取用户阅览过的历史推送内容的过程中，通过同时获取到具体所阅览过的历史推送内容是什么以及历史推送内容的阅览顺序能够获取到更多的信息，并且还能够更为准确的获取到用户的兴趣。在该方式中，可以将用户在指定时间段内所阅览过的历史推送内容作为一个序列，进而可以获取到多个历史推送内容序列。可选的，该指定时间段可以为1个小时，或者1天，甚至是1周。
示例性的，若检测到用户在指定时间段内阅览了推送内容A、推送内容B以及推送内容C，那么可以将推送内容A1、推送内容B1以及推送内容C1作为历史推送内容序列L1。再者，若检测到用户在指定时间段阅览了推送内容A2、推送内容B2以及推送内容C2，那么将推送内容A2、推送内容B2以及推送内容C2作为一个历史推送内容序列L2，再者，若检测到用户在指定时间段阅览了推送内容A3、推送内容B3以及推送内容C3，那么将推送内容A3、推送内容B3以及推送内容C3作为一个历史推送内容序列L3。对应的，服务器可以生成历史推送内容序列L1对应的第一子嵌入向量，生成历史推送内容序列L2对应的第一子嵌入向量以及生成历史推送内容序列L3对应的第一子嵌入向量，然后对历史推送内容序列L1对应的第一子嵌入向量、历史推送内容序列L2对应的第一子嵌入向量以及历史推送内容序列L3对应的第一子嵌入向量进行加权平均得到表征用户所阅览过的历史推送内容的第一嵌入向量。
作为另外一种方式，可以针对用户所阅览的每个历史推送内容单独生成一个对应的嵌入向量，然后将每个历史推送内容各自对应的嵌入向量进行加权平均得到表征用户所阅览过的历史推送内容的第二嵌入向量。示例性的，若检测到用户阅览了推送内容A1、推送内容B1、推送内容C1以及推送内容A2，则会针对推送内容A1、推送内容B1、推送内容C1以及推送内容A2分别生成各自对应的嵌入向量，进而再将推送内容A1、推送内容B1、推送内容C1以及推送内容A2各自的嵌入向量进行加权平均得到表征用户所使用过的应用程序的第二嵌入向量。
类似的，在获取表征用户所使用过的应用程序的嵌入向量的过程中，不仅获取到用户使用过哪些应用程序，而且同时还获取到用户对于应用程序的使用顺序能够获取到更多的信息，以及获取到更多的用户对于应用程序使用方面的兴趣。进而，也可以基于前述的基于序列的方式来获取，或者基于单个的使用过的应用程序来获取。
作为一种方式，可以获取用户对应的多个应用程序使用序列，每个所述应用程序使用序列中包括有用户依时间顺序使用过的多个应用程序；获取每个应用程序使用序列对应的嵌入向量，得到多个第二子嵌入向量；对所述多个第二子嵌入向量进行加权平均，得到所述第二嵌入向量。
示例性的，若检测到用户在指定时间段内使用了应用程序A、应用程序B以及应用程序C，那么可以将应用程序A1、应用程序B1以及应用程序C1作为应用程序使用序列L4。再者，若检测到用户在指定时间段使用了应用程序A2、应用程序B2以及应用程序C2，那么将应用程序A2、应用程序B2以及应用程序C2作为一个应用程序使用序列L5，再者，若检测到用户在指定时间段使用了应用程序A3、应用程序B3以及应用程序C3，那么将应用程序A3、应用程序B3以及应用程序C3作为一个应用程序使用序列L6。对应的，服务器可以生成应用程序使用序列L4对应的第二子嵌入向量，生成应用程序使用序列L5对应的第二子嵌入向量以及生成应用程序使用序列L6对应的第二子嵌入向量，然后对应用程序使用序列L4对应的第二子嵌入向量、应用程序使用序列L5对应的第二子嵌入向量以及应用程序使用序列L6对应的第二子嵌入向量进行加权平均得到表征用户所阅览过的历史应用程序的第二嵌入向量。
作为另外一种方式，可以针对用户所使用的每个应用程序单独生成一个对应的嵌入向量，然后将每个应用程序各自对应的嵌入向量进行加权平均得到表征用户所阅览过的历史应用程序的第二嵌入向量。示例性的，若检测到用户阅览了应用程序A1、应用程序B1、应用程序C1以及应用程序A2，则会针对应用程序A1、应用程序B1、应用程序C1以及应用程序A2分别生成各自对应的嵌入向量，进而再将应用程序A1、应用程序B1、应用程序C1以及应用程序A2各自的嵌入向量进行加权平均得到表征用户所阅览过的历史应用程序的第二嵌入向量。
作为一种方式，获取用户的年龄、性别以及位置信息组成用户的属性信息；获取所述属性信息对应的嵌入向量作为所述第三嵌入向量。可选的，所述获取用户的年龄、性别以及位置信息组成用户的属性信息，包括：获取用户的年龄以及性别；获取所述用户对应的检测到多个位置信息，将所述多个位置信息上报次数最多的一个位置信息作为所述用户的位置信息；获取用户的年龄、性别以及位置信息组成用户的属性信息。需要说明的是，用户的位置信息是可以通过用户随身携带的电子设备所采集的，而用户在一段时间内可能会在多个位置进行移动，那么为了能够更加准确的获取到用户的位置信息，可以对同一用户对应上报的位置信息进行检测，进而将上报次数最多的一个位置信息作为用户的位置信息。示例性的，获取到用户u在一段时间内上报的位置信息包括位置1、位置2以及位置3，其中，位置1上报了10次，位置2上报了1次，位置3上报了1次，进而会将位置1作为用户u的位置信息。
S120：将所述第一嵌入向量、第二嵌入向量以及第三嵌入向量进行拼接，得到待处理嵌入向量，所述待处理嵌入向量为表征用户兴趣的嵌入向量。
在本实施例中，为了使得在获取召回的备选推送内容时能够同时参考前述的第一嵌入向量、第二嵌入向量以及第三嵌入向量，那么在本实施例中会将第一嵌入向量、第二嵌入向量以及第三嵌入向量进行拼接得到表征用户兴趣的待处理嵌入向量。示例性的，若第一嵌入向量为[a1,a2,a3,a4]，第二嵌入向量为[b1,b2,b3,b4]，第三嵌入向量为[c1,c2,c3,c4]，那么将第一嵌入向量、第二嵌入向量以及第三嵌入向量进行拼接所得到的待处理向量为下列形式：
[a1,a2,a3,a4,b1,b2,b3,b4,c1,c2,c3,c4]
如上述拼接得到的嵌入向量可知，在本实施例中，将嵌入向量进行拼接可以理解将用于拼接的嵌入向量首尾进行连接。
S130：将所述待处理嵌入向量以及备选推送内容的嵌入向量输入到目标神经网络模型中，得到所述目标神经网络模型输出的备选推送内容对应的概率，对应的概率越大的备选推送内容与所述用户越匹配。
在本实施例中，作为一种方式，输入到目标神经网络模型中的备选推送内容可以为全量的备选推送内容。该全量的备选推送内容可以理解为推送内容库中的所有备选推送内容，进而使得该目标神经网络模型可以输出全量的备选推送内容中每个备选推送内容对应于同一个用户的概率。
S140：将所述备选推送内容中对应的概率大于概率阈值的备选推送内容作为召回的备选推送内容，以便从所述召回的备选推送内容中选择推送给所述用户的推送内容。
需要说明的是，在得到每个备选推送内容对应的概率后，可以进一步的根据每个备选推送内容对应的概率与概率阈值的大小比较结果来确定哪些备选推送内容可以被进行召回。而服务器所召回的备选推送内容并不会全部直接推送给用户，而是会再进行筛选之后，将筛选得到的备选推送内容推送给用户。
本实施例提供的一种数据处理方法，会先获取表征用户所阅览过的历史推送内容的第一嵌入向量，表征用户所使用过的应用程序的第二嵌入向量以及表征用户属性信息的第三嵌入向量，然后将所述第一嵌入向量、第二嵌入向量以及第三嵌入向量进行拼接，得到待处理嵌入向量后，将所述待处理嵌入向量以及备选推送内容的嵌入向量输入到目标神经网络模型中，得到所述目标神经网络模型输出的备选推送内容对应的概率。从而通过上述方式可以在计算对应于表征用户兴趣的嵌入向量时，可以基于极限多分类的方式将所有的备选推送内容的嵌入向量输入到目标神经网络模型中，进而可以得到所有的备选推送内容对应于同一用户的概率，进而实现了召回的备选推送内容的多样性的同时，提升了召回的备选推送内容的准确性。
请参阅图2，本申请实施例提供的一种数据处理方法，应用于服务器，所述方法包括：
S210：获取用于模型训练的第一嵌入向量、第二嵌入向量以及第三嵌入向量，所述第一嵌入向量为表征用户所阅览过的历史推送内容的嵌入向量，所述第二嵌入向量为表征用户所使用过的应用程序的嵌入向量，所述第三嵌入向量为表征用户属性信息的嵌入向量。
S220：将所述第一嵌入向量、第二嵌入向量以及第三嵌入向量进行拼接，得到用于模型训练的待处理嵌入向量，所述待处理嵌入向量为表征用户兴趣的嵌入向量。
S230：获取用于训练的第四嵌入向量以及第五嵌入向量，所述第四嵌入向量为表征用户未阅览过的历史推送内容的嵌入向量，所述第五嵌入向量为表征用户未使用过的应用程序的嵌入向量。
S240：将所述待处理嵌入向量、第四嵌入向量以及第五嵌入向量以及备选推送内容的嵌入向量输入到待训练神经网络模型中，对所述待训练神经网络模型进行训练，得到目标神经网络模型。
作为一种方式，所述目标神经网络包括依次排列的多层全连接层以及归一化层；所述将所述待处理嵌入向量以及备选推送内容的嵌入向量输入到目标神经网络模型中，得到所述目标神经网络模型输出的备选推送内容对应的概率，包括：将所述待处理嵌入向量以及备选推送内容的嵌入向量经过所述多层全连接层以及归一化层依次进行处理，以得到所述归一化层输出的备选推送内容对应的概率。
其中，作为一种方式，所述多个全连接层包括依次排列的第一层全连接层、第二层全连接层以及第三层全连接层，其中，所述第一层全连接层所包括的神经元的数量大于第一层全连接层所包括的神经元的数量，所述第二层全连接层所包括的神经元的数量大于第三层全连接层所包括的神经元的数量，所述方法还包括：
在每层所述全连接层的训练过程中，基于ReLU单元进行激活，并且基于Batchnorm和Drop out方式进行收敛。
下面再通过图3对该模型的处理过程进行介绍。
如图3所示，对于每个历史推送内容序列的嵌入向量进行加权后会得到第一嵌入向量，并基于前述介绍内容获取到第二嵌入向量以及第三嵌入向量，将所述第一嵌入向量、第二嵌入向量以及第三嵌入向量进行拼接得到待处理嵌入向量后，首先将待处理嵌入向量输入到第一层全连接层，并将该第一层全连接层的输出输入到第二层全连接层，再将第二层全连接层的输出输入到第三层全连接层，进而得到处理后的用户兴趣向量，然后将处理后的用户兴趣向量与全量的备选推送内容的嵌入向量输入到归一化层，进而利用归一化层的多分类功能，而得到每个备选推送内容的概率。并且，需要说明的是，在本实施例中，全量的备选推送内容的数量会较大，进而在基于归一化层的多分类功能计算概率时，可以理解为一种极限多分类的方式来计算得到每个备选推送内容的概率。
可选的，其中的第一层全连接层、第二层全连接层以及第三层全连接层可以用于对向量进行降维以及特征提取的作用，该第一层全连接层中的神经元的数量可以为256，第二层全连接层中的神经元的数量可以为128，第三层全连接层中的神经元的数量可以为64。
S250：获取第一嵌入向量、第二嵌入向量以及第三嵌入向量，所述第一嵌入向量为表征用户所阅览过的历史推送内容的嵌入向量，所述第二嵌入向量为表征用户所使用过的应用程序的嵌入向量，所述第三嵌入向量为表征用户属性信息的嵌入向量。
S260：将所述第一嵌入向量、第二嵌入向量以及第三嵌入向量进行拼接，得到待处理嵌入向量，所述待处理嵌入向量为表征用户兴趣的嵌入向量。
S270：将所述待处理嵌入向量以及备选推送内容的嵌入向量输入到目标神经网络模型中，得到所述目标神经网络模型输出的备选推送内容对应的概率，对应的概率越大的备选推送内容与所述用户越匹配。
作为一种方式，目标神经网络模型可以基于下列公式来获取备选推送内容对应的概率，该公式为：
其中，目标PUSH表征为输出的备选推送内容对应的概率。
表征待处理嵌入向量，
表征全量的备选推送内容的嵌入向量。
S280：将所述备选推送内容中对应的概率大于概率阈值的备选推送内容作为召回的备选推送内容，以便从所述召回的备选推送内容中选择推送给所述用户的推送内容。
本实施例提供的一种数据处理方法，通过上述方式可以在计算对应于表征用户兴趣的嵌入向量时，可以基于极限多分类的方式将所有的备选推送内容的嵌入向量输入到目标神经网络模型中，进而可以得到所有的备选推送内容对应于同一用户的概率，进而实现了召回的备选推送内容的多样性的同时，提升了召回的备选推送内容的准确性。并且在本实施例中，借鉴于Word2Vec中提出的负采样技术得以使这种极限多分类在可接受的迭代周期内训练完毕。由于将每一个Push都当作一类，使得监督信息能够最大化被利用，从而在保证召回多样性的同时也提升了召回的准确性。再者，在本实施例中，可以利于用户最近的阅览的历史推送内容作为待训练模型的监督信号，有利于训练得到的目标神经网络模型可以将与用户最近感兴趣的备选推送内容对应输出的概率更高。
请参阅图4，本申请实施例提供的一种数据处理装置300，运行于服务器，所述装置300包括：
嵌入向量获取单元310，用于获取第一嵌入向量、第二嵌入向量以及第三嵌入向量，所述第一嵌入向量为表征用户所阅览过的历史推送内容的嵌入向量，所述第二嵌入向量为表征用户所使用过的应用程序的嵌入向量，所述第三嵌入向量为表征用户属性信息的嵌入向量。
作为一种方式，嵌入向量获取单元310，具体用于获取用户对应的多个历史推送内容序列，每个所述历史推送内容序列中包括有用户依时间顺序阅览过的多个历史推送内容；获取每个所述历史推送内容序列对应的嵌入向量，得到多个第一子嵌入向量；对所述多个第一子嵌入向量进行加权平均，得到所述第一嵌入向量。
嵌入向量获取单元310，还具体用于获取用户对应的多个应用程序使用序列，每个所述应用程序使用序列中包括有用户依时间顺序使用过的多个应用程序；获取每个应用程序使用序列对应的嵌入向量，得到多个第二子嵌入向量；对所述多个第二子嵌入向量进行加权平均，得到所述第二嵌入向量。
嵌入向量获取单元310，还具体用于获取用户的年龄、性别以及位置信息组成用户的属性信息；获取所述属性信息对应的嵌入向量作为所述第三嵌入向量。
可选的，嵌入向量获取单元310，还具体用于获取用户的年龄以及性别；获取所述用户对应的检测到多个位置信息，将所述多个位置信息上报次数最多的一个位置信息作为所述用户的位置信息；获取用户的年龄、性别以及位置信息组成用户的属性信息。
向量拼接单元320，用于将所述第一嵌入向量、第二嵌入向量以及第三嵌入向量进行拼接，得到待处理嵌入向量，所述待处理嵌入向量为表征用户兴趣的嵌入向量。
向量处理单元330，用于将所述待处理嵌入向量以及备选推送内容的嵌入向量输入到目标神经网络模型中，得到所述目标神经网络模型输出的备选推送内容对应的概率，对应的概率越大的备选推送内容与所述用户越匹配。
内容召回单元340，用于将所述备选推送内容中对应的概率大于概率阈值的备选推送内容作为召回的备选推送内容，以便从所述召回的备选推送内容中选择推送给所述用户的推送内容。
作为一种方式，本实施例提供的数据处理装置还可以用于模型训练阶段，可选的，嵌入向量获取单元310还可以用于执行前述实施例中的S210以及S230在这种方式下，如图5所示，数据处理装置300，还包括：
模型训练单元350，用于将所述待处理嵌入向量、第四嵌入向量以及第五嵌入向量以及备选推送内容的嵌入向量输入到待训练神经网络模型中，对所述待训练神经网络模型进行训练，得到目标神经网络模型。
其中，可选的，所述多个全连接层包括依次排列的第一层全连接层、第二层全连接层以及第三层全连接层，其中，所述第一层全连接层所包括的神经元的数量大于第一层全连接层所包括的神经元的数量，所述第二层全连接层所包括的神经元的数量大于第三层全连接层所包括的神经元的数量。模型训练单元350，还用于在每层所述全连接层的训练过程中，基于ReLU单元进行激活，并且基于Batch norm和Drop out方式进行收敛。
本申请提供的一种数据处理装置，会先获取表征用户所阅览过的历史推送内容的第一嵌入向量，表征用户所使用过的应用程序的第二嵌入向量以及表征用户属性信息的第三嵌入向量，然后将所述第一嵌入向量、第二嵌入向量以及第三嵌入向量进行拼接，得到待处理嵌入向量后，将所述待处理嵌入向量以及备选推送内容的嵌入向量输入到目标神经网络模型中，得到所述目标神经网络模型输出的备选推送内容对应的概率。从而通过上述方式可以在计算对应于表征用户兴趣的嵌入向量时，可以基于极限多分类的方式将所有的备选推送内容的嵌入向量输入到目标神经网络模型中，进而可以得到所有的备选推送内容对应于同一用户的概率，进而实现了召回的备选推送内容的多样性的同时，提升了召回的备选推送内容的准确性。
需要说明的是，本申请中装置实施例与前述方法实施例是相互对应的，装置实施例中具体的原理可以参见前述方法实施例中的内容，此处不再赘述。
下面将结合图6对本申请提供的一种电子设备进行说明。
请参阅图6，基于上述的图片处理方法、装置，本申请实施例还提供的另一种可以执行前述图片处理方法的服务器100。服务器100包括相互耦合的一个或多个(图中仅示出一个)处理器102、存储器104以及网络模块106。其中，该存储器104中存储有可以执行前述实施例中内容的程序，而处理器102可以执行该存储器104中存储的程序。
其中，处理器102可以包括一个或者多个处理核。处理器102利用各种接口和线路连接整个服务器100内的各个部分，通过运行或执行存储在存储器104内的指令、程序、代码集或指令集，以及调用存储在存储器104内的数据，执行服务器100的各种功能和处理数据。可选地，处理器102可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(ProgrammableLogic Array，PLA)中的至少一种硬件形式来实现。处理器102可集成中央处理器(CentralProcessing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作***、用户界面和应用程序等；GPU用于负责显示内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器102中，单独通过一块通信芯片进行实现。
存储器104可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。存储器104可用于存储指令、程序、代码、代码集或指令集。存储器104可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作***的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现下述各个方法实施例的指令等。存储数据区还可以存储终端100在使用中所创建的数据(比如电话本、音视频数据、聊天记录数据)等。
所述网络模块106用于接收以及发送电磁波，实现电磁波与电信号的相互转换，从而与通讯网络或者其他设备进行通讯，例如和音频播放设备进行通讯。所述网络模块106可包括各种现有的用于执行这些功能的电路元件，例如，天线、射频收发器、数字信号处理器、加密/解密芯片、用户身份模块(SIM)卡、存储器等等。所述网络模块106可与各种网络如互联网、企业内部网、无线网络进行通讯或者通过无线网络与其他设备进行通讯。上述的无线网络可包括蜂窝式电话网、无线局域网或者城域网。例如，网络模块106可以与基站进行信息交互。
请参考图7，其示出了本申请实施例提供的一种计算机可读存储介质的结构框图。该计算机可读介质1100中存储有程序代码，所述程序代码可被处理器调用执行上述方法实施例中所描述的方法。
计算机可读存储介质1100可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地，计算机可读存储介质1100包括非易失性计算机可读介质(non-transitory computer-readable storage medium)。计算机可读存储介质1100具有执行上述方法中的任何方法步骤的程序代码1110的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码810可以例如以适当形式进行压缩。
本申请提供的一种数据处理方法、装置以及服务器，会先获取表征用户所阅览过的历史推送内容的第一嵌入向量，表征用户所使用过的应用程序的第二嵌入向量以及表征用户属性信息的第三嵌入向量，然后将所述第一嵌入向量、第二嵌入向量以及第三嵌入向量进行拼接，得到待处理嵌入向量后，将所述待处理嵌入向量以及备选推送内容的嵌入向量输入到目标神经网络模型中，得到所述目标神经网络模型输出的备选推送内容对应的概率。从而通过上述方式可以在计算对应于表征用户兴趣的嵌入向量时，可以基于极限多分类的方式将所有的备选推送内容的嵌入向量输入到目标神经网络模型中，进而可以得到所有的备选推送内容对应于同一用户的概率，进而实现了召回的备选推送内容的多样性的同时，提升了召回的备选推送内容的准确性。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例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同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种数据处理方法，其特征在于，应用于服务器，所述方法包括：
获取第一嵌入向量、第二嵌入向量以及第三嵌入向量，所述第一嵌入向量为表征用户所阅览过的历史推送内容的嵌入向量，所述第二嵌入向量为表征用户所使用过的应用程序的嵌入向量，所述第三嵌入向量为表征用户属性信息的嵌入向量；
将所述第一嵌入向量、第二嵌入向量以及第三嵌入向量进行拼接，得到待处理嵌入向量，所述待处理嵌入向量为表征用户兴趣的嵌入向量；
将所述待处理嵌入向量以及备选推送内容的嵌入向量输入到目标神经网络模型中，得到所述目标神经网络模型输出的备选推送内容对应的概率，对应的概率越大的备选推送内容与所述用户越匹配；
将所述备选推送内容中对应的概率大于概率阈值的备选推送内容作为召回的备选推送内容，以便从所述召回的备选推送内容中选择推送给所述用户的推送内容。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取用户对应的多个历史推送内容序列，每个所述历史推送内容序列中包括有用户依时间顺序阅览过的多个历史推送内容；
获取每个所述历史推送内容序列对应的嵌入向量，得到多个第一子嵌入向量；
对所述多个第一子嵌入向量进行加权平均，得到所述第一嵌入向量。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取用户对应的多个应用程序使用序列，每个所述应用程序使用序列中包括有用户依时间顺序使用过的多个应用程序；
获取每个应用程序使用序列对应的嵌入向量，得到多个第二子嵌入向量；
对所述多个第二子嵌入向量进行加权平均，得到所述第二嵌入向量。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取用户的年龄、性别以及位置信息组成用户的属性信息；
获取所述属性信息对应的嵌入向量作为所述第三嵌入向量。
5.根据权利要求4所述的方法，其特征在于，所述获取用户的年龄、性别以及位置信息组成用户的属性信息，包括：
获取用户的年龄以及性别；
获取所述用户对应的检测到多个位置信息，将所述多个位置信息上报次数最多的一个位置信息作为所述用户的位置信息；
获取用户的年龄、性别以及位置信息组成用户的属性信息。
6.根据权利要求1-5任一所述的方法，其特征在于，所述目标神经网络包括依次排列的多层全连接层以及归一化层；所述将所述待处理嵌入向量以及备选推送内容的嵌入向量输入到目标神经网络模型中，得到所述目标神经网络模型输出的备选推送内容对应的概率，包括：
将所述待处理嵌入向量以及备选推送内容的嵌入向量经过所述多层全连接层以及归一化层依次进行处理，以得到所述归一化层输出的备选推送内容对应的概率。
7.根据权利要求6所述的方法，其特征在于，所述多个全连接层包括依次排列的第一层全连接层、第二层全连接层以及第三层全连接层，其中，所述第一层全连接层所包括的神经元的数量大于第一层全连接层所包括的神经元的数量，所述第二层全连接层所包括的神经元的数量大于第三层全连接层所包括的神经元的数量，所述方法还包括：
在每层所述全连接层的训练过程中，基于ReLU单元进行激活，并且基于Batch norm和Drop out方式进行收敛。
8.一种数据处理装置，其特征在于，运行于服务器，所述装置包括：
嵌入向量获取单元，用于获取第一嵌入向量、第二嵌入向量以及第三嵌入向量，所述第一嵌入向量为表征用户所阅览过的历史推送内容的嵌入向量，所述第二嵌入向量为表征用户所使用过的应用程序的嵌入向量，所述第三嵌入向量为表征用户属性信息的嵌入向量；
向量拼接单元，用于将所述第一嵌入向量、第二嵌入向量以及第三嵌入向量进行拼接，得到待处理嵌入向量，所述待处理嵌入向量为表征用户兴趣的嵌入向量；
向量处理单元，用于将所述待处理嵌入向量以及备选推送内容的嵌入向量输入到目标神经网络模型中，得到所述目标神经网络模型输出的备选推送内容对应的概率，对应的概率越大的备选推送内容与所述用户越匹配；
内容召回单元，用于将所述备选推送内容中对应的概率大于概率阈值的备选推送内容作为召回的备选推送内容，以便从所述召回的备选推送内容中选择推送给所述用户的推送内容。
9.一种服务器，其特征在于，包括处理器以及存储器；一个或多个程序被存储在所述存储器中并被配置为由所述处理器执行以实现权利要求1-7任一所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序代码，其中，在所述程序代码被处理器运行时执行权利要求1-7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010953786.4A CN112070549A (zh) | 2020-09-11 | 2020-09-11 | 数据处理方法、装置以及服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010953786.4A CN112070549A (zh) | 2020-09-11 | 2020-09-11 | 数据处理方法、装置以及服务器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112070549A true CN112070549A (zh) | 2020-12-11 |
Family
ID=73696390
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010953786.4A Pending CN112070549A (zh) | 2020-09-11 | 2020-09-11 | 数据处理方法、装置以及服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112070549A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180285730A1 (en) * | 2017-03-29 | 2018-10-04 | Alibaba Group Holding Limited | Method and apparatus for generating push notifications |
| CN109800325A (zh) * | 2018-12-26 | 2019-05-24 | 北京达佳互联信息技术有限公司 | 视频推荐方法、装置和计算机可读存储介质 |
| CN110827078A (zh) * | 2019-11-04 | 2020-02-21 | 上海喜马拉雅科技有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
| CN111444428A (zh) * | 2020-03-27 | 2020-07-24 | 腾讯科技（深圳）有限公司 | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 |
| CN111506820A (zh) * | 2020-04-30 | 2020-08-07 | 喜大（上海）网络科技有限公司 | 推荐模型、方法、装置、设备及存储介质 |
| CN111552871A (zh) * | 2020-04-09 | 2020-08-18 | 腾讯科技（深圳）有限公司 | 基于应用使用记录的信息推送方法、装置及相关设备 |
-
2020
- 2020-09-11 CN CN202010953786.4A patent/CN112070549A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180285730A1 (en) * | 2017-03-29 | 2018-10-04 | Alibaba Group Holding Limited | Method and apparatus for generating push notifications |
| CN109800325A (zh) * | 2018-12-26 | 2019-05-24 | 北京达佳互联信息技术有限公司 | 视频推荐方法、装置和计算机可读存储介质 |
| CN110827078A (zh) * | 2019-11-04 | 2020-02-21 | 上海喜马拉雅科技有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
| CN111444428A (zh) * | 2020-03-27 | 2020-07-24 | 腾讯科技（深圳）有限公司 | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 |
| CN111552871A (zh) * | 2020-04-09 | 2020-08-18 | 腾讯科技（深圳）有限公司 | 基于应用使用记录的信息推送方法、装置及相关设备 |
| CN111506820A (zh) * | 2020-04-30 | 2020-08-07 | 喜大（上海）网络科技有限公司 | 推荐模型、方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 藤井直弥: "深入理解XGBoost:高效机器学习算法与进阶", 中国青年出版社, pages: 270 - 271 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111368893A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN111814810A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN112801719A (zh) | 用户行为预测方法、用户行为预测装置、存储介质及设备 | |
| CN113792212B (zh) | 多媒体资源推荐方法、装置、设备以及存储介质 | |
| CN111310834B (zh) | 数据处理方法及装置、处理器、电子设备、存储介质 | |
| CN113869420A (zh) | 基于对比学习的文本推荐方法及相关设备 | |
| CN111182332B (zh) | 视频处理方法、装置、服务器及存储介质 | |
| CN115983365A (zh) | 模型训练方法、装置、计算机设备及存储介质 | |
| CN112214677A (zh) | 一种兴趣点推荐方法、装置、电子设备及存储介质 | |
| CN111368205B (zh) | 数据推荐方法、装置、计算机设备及存储介质 | |
| CN112417874A (zh) | 命名实体的识别方法和装置、存储介质、电子装置 | |
| CN112070549A (zh) | 数据处理方法、装置以及服务器 | |
| CN112101023B (zh) | 文本处理方法、装置以及电子设备 | |
| CN115269978A (zh) | 一种视频标签生成方法、装置、设备及介质 | |
| CN111898033A (zh) | 内容推送方法、装置以及电子设备 | |
| CN114298182A (zh) | 资源召回方法、装置、设备及存储介质 | |
| CN112329889A (zh) | 图像处理方法、装置以及电子设备 | |
| CN114358102A (zh) | 数据分类方法、装置、设备及存储介质 | |
| CN111914945A (zh) | 数据处理方法、装置、图像生成方法及电子设备 | |
| CN113392889A (zh) | 数据处理方法、装置以及电子设备 | |
| CN117852624B (zh) | 时序信号预测模型的训练方法、预测方法、装置及设备 | |
| CN114372205B (zh) | 特征量化模型的训练方法、装置以及设备 | |
| CN114139031B (zh) | 数据分类方法、装置、电子设备及存储介质 | |
| CN112347260A (zh) | 数据处理方法、装置以及电子设备 | |
| CN115098793B (zh) | 基于大数据的用户画像分析方法及*** |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210721 Address after: 518052 2501, office building T2, Qianhai China Resources Financial Center, 55 guiwan 4th Road, Nanshan street, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen City, Guangdong Province Applicant after: Shenzhen Huantai Digital Technology Co.,Ltd. Address before: 518057 Fuan Science and Technology Building, Block B, No. 13, Yuehai Street, Nanshan District, Shenzhen City, Guangdong Province, 207-2 Applicant before: Shenzhen Huantai Technology Co.,Ltd. Applicant before: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230626 Address after: 1301, Office Building T2, Qianhai China Resources Financial Center, No. 55 Guiwan 4th Road, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong Province, 518035 Applicant after: Shenzhen Hefei Technology Co.,Ltd. Address before: 518052 2501, office building T2, Qianhai China Resources Financial Center, 55 guiwan 4th Road, Nanshan street, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen City, Guangdong Province Applicant before: Shenzhen Huantai Digital Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right |