CN112183630A - 基于埋点层级的嵌入向量生成方法、装置、设备及介质 - Google Patents
基于埋点层级的嵌入向量生成方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112183630A CN112183630A CN202011045397.8A CN202011045397A CN112183630A CN 112183630 A CN112183630 A CN 112183630A CN 202011045397 A CN202011045397 A CN 202011045397A CN 112183630 A CN112183630 A CN 112183630A
- Authority
- CN
- China
- Prior art keywords
- embedded vector
- tree
- target
- embedded
- buried point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/14—Tree-structured documents
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能领域，提供一种基于埋点层级的嵌入向量生成方法、装置、设备及介质，能够对字典树进行融合处理，得到层级树结构，既保留了埋点数据的层级信息，又确保了各层级具有整体意义，将相同前缀的埋点放在同一分支下，较好的刻画了相同前缀埋点的相似性，并结合网络训练实现对层级树的自动构建，获取待处理埋点数据，以所述待处理埋点数据在目标层级树中进行查询，得到目标嵌入向量，进而基于层级树实现对嵌入向量的自动生成。本发明还涉及区块链技术，埋点数据及目标嵌入向量可存储于区块链。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于埋点层级的嵌入向量生成方法、装置、设备及介质。
背景技术
埋点是为了满足快捷、高效、丰富的数据应用而做的用户行为过程及结果的记录。在许多公司中，为了高效进行埋点生成和查询，往往会以固定的前缀规则对埋点进行命名。
现有技术方案中，为了学习埋点信息，通常采用的方式是将埋点id进行独热编码，得到埋点的embedding编码表示，并输入到模型中学习埋点相关信息。其中，独热编码是指采用N位状态寄存器编码N个状态，每个状态都有独立的寄存器位，且这些寄存器位中只有一位有效，也就是只能有一个状态。
但是，由于独热编码的原理是假设不同埋点id之间相互独立，没有相关性。因此，通过独热编码会丢失掉埋点的前缀规则信息，导致得到的embedding编码无法刻画层级间的关联特征。
发明内容
鉴于以上内容，有必要提供一种基于埋点层级的嵌入向量生成方法、装置、设备及介质，采用的层级树结构既保留了埋点数据的层级信息，又确保了各层级具有整体意义，将相同前缀的埋点放在同一分支下，较好的刻画了相同前缀埋点的相似性，进而基于层级树实现对嵌入向量的自动生成。
一种基于埋点层级的嵌入向量生成方法，所述基于埋点层级的嵌入向量生成方法包括：
获取历史埋点数据；
根据所述历史埋点数据构建字典树；
对所述字典树进行融合处理，得到层级树结构；
随机初始化所述层级树结构中每个层级的嵌入向量，得到嵌入向量层级树；
根据所述嵌入向量层级树为样本训练预设网络；
当所述预设网络训练完成时，从所述预设网络中获取指定参数，并根据所述指定参数更新所述嵌入向量层级树，得到目标层级树；
当接收到嵌入向量生成指令时，获取待处理埋点数据；
根据所述待处理埋点数据在所述目标层级树中进行查询，得到目标嵌入向量。
根据本发明优选实施例，在获取历史埋点数据前，所述方法还包括：
通过埋点技术监听配置***；
当监听到所述配置***中产生预设操作时，获取当前日志；
记录所述当前日志作为所述埋点数据。
根据本发明优选实施例，所述对所述字典树进行融合处理，得到层级树结构包括：
获取所述字典树中的无分叉链路；
合并每条无分叉链路上的分支，得到所述层级树结构。
根据本发明优选实施例，所述根据所述嵌入向量层级树为样本训练预设网络包括：
根据所述嵌入向量层级树对所述预设网络进行无监督预训练。
根据本发明优选实施例，所述根据所述嵌入向量层级树为样本训练预设网络还包括：
获取当前任务场景；
确定与所述当前任务场景对应的网络模型作为所述预设网络；
确定所述当前任务场景对应的监督目标；
将所述嵌入向量层级树作为输入，根据所述监督目标训练所述预设网络，直至所述预设网络达到配置准确率，停止训练。
根据本发明优选实施例，所述根据所述待处理埋点数据在所述目标层级树中进行查询，得到目标嵌入向量包括：
对所述待处理埋点数据按照字符的排列顺序进行拆分，得到各个字符；
在所述目标层级树中依次遍历所述各个字符，直至满足配置条件时，停止遍历，并获取遍历到的树节点；
根据所述配置条件，以所述遍历到的树节点对应的嵌入向量构造所述目标嵌入向量。
根据本发明优选实施例，所述根据所述配置条件，以所述遍历到的树节点对应的嵌入向量构造所述目标嵌入向量包括：
当所述配置条件为各个字符都遍历到对应的树节点时，从所述遍历到的树节点中获取末位字符对应的树节点作为目标树节点，并将所述目标树节点对应的嵌入向量确定为所述目标嵌入向量；或者
当所述配置条件为所述各个字符中有目标字符未遍历到对应的树节点时，确定所述目标字符对应的当前层级及所述目标层级树的最高层级，获取所述目标字符对应的嵌入向量，计算所述最高层级与所述当前层级间的层级差，基于所述层级差对获取的嵌入向量进行零填充处理，得到所述目标嵌入向量。
一种基于埋点层级的嵌入向量生成装置，所述基于埋点层级的嵌入向量生成装置包括：
获取单元，用于获取历史埋点数据；
构建单元，用于根据所述历史埋点数据构建字典树；
融合单元，用于对所述字典树进行融合处理，得到层级树结构；
初始化单元，用于随机初始化所述层级树结构中每个层级的嵌入向量，得到嵌入向量层级树；
训练单元，用于根据所述嵌入向量层级树为样本训练预设网络；
更新单元，用于当所述预设网络训练完成时，从所述预设网络中获取指定参数，并根据所述指定参数更新所述嵌入向量层级树，得到目标层级树；
所述获取单元，还用于当接收到嵌入向量生成指令时，获取待处理埋点数据；
查询单元，用于根据所述待处理埋点数据在所述目标层级树中进行查询，得到目标嵌入向量。
一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现所述基于埋点层级的嵌入向量生成方法。
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至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述基于埋点层级的嵌入向量生成方法。
由以上技术方案可以看出，本发明能够获取历史埋点数据，根据所述历史埋点数据构建字典树，对所述字典树进行融合处理，得到层级树结构，既保留了埋点数据的层级信息，又确保了各层级具有整体意义，将相同前缀的埋点放在同一分支下，较好的刻画了相同前缀埋点的相似性，随机初始化所述层级树结构中每个层级的嵌入向量，得到嵌入向量层级树，根据所述嵌入向量层级树为样本训练预设网络，当所述预设网络训练完成时，从所述预设网络中获取指定参数，并根据所述指定参数更新所述嵌入向量层级树，得到目标层级树，以结合网络训练实现对层级树的自动构建，当接收到嵌入向量生成指令时，获取待处理埋点数据，根据所述待处理埋点数据在所述目标层级树中进行查询，得到目标嵌入向量，进而基于层级树实现对嵌入向量的自动生成。
附图说明
图1是本发明基于埋点层级的嵌入向量生成方法的较佳实施例的流程图。
图2是本发明基于埋点层级的嵌入向量生成装置的较佳实施例的功能模块图。
图3是本发明实现基于埋点层级的嵌入向量生成方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明基于埋点层级的嵌入向量生成方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述基于埋点层级的嵌入向量生成方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，获取历史埋点数据。
埋点数据是指通过埋点技术获取的能够反映用户行为等的一种数据，可以用于行为监控、数据分析等各种任务。
在本发明的至少一个实施例中，在获取历史埋点数据前，所述方法还包括：
通过埋点技术监听配置***；
当监听到所述配置***中产生预设操作时，获取当前日志；
记录所述当前日志作为所述埋点数据。
其中，所述配置***为需要监控的***，如指定操作平台等。
所述预设操作可以包括，但不限于：点击操作、触摸操作。
通过上述实施方式，能够基于埋点技术进行历史埋点数据的获取，以供后续训练模型时使用。
需要说明的是，所述埋点数据可以存储于指定数据库，也可以部署于区块链，以防止被恶意篡改，提高数据的安全性。
S11，根据所述历史埋点数据构建字典树。
在本实施例中，所述字典树的构建满足以下条件：
(1)根节点不包含字符，并且除根节点外，每一个节点都只包含一个字符；
(2)从根节点到某一节点，路径上经过的字符连接起来为该节点对应的字符串；
(3)每个节点的所有子节点包含的字符都不相同。
S12，对所述字典树进行融合处理，得到层级树结构。
其中，所述层级树结构是对所述字典树的进一步融合处理。
具体地，所述对所述字典树进行融合处理，得到层级树结构包括：
获取所述字典树中的无分叉链路；
合并每条无分叉链路上的分支，得到所述层级树结构。
需要说明的是，很多时候，由多个字符形成的字符串作为整体是有意义的，没有必要完全依据字符数量对埋点进行分层。
例如：对于埋点id['application'、'apps']，如果是以字典树的形式构造层级embedding就会按字符进行拆分，把'application'拆分成11层：a、p、p、l、i、c、a、t、i、o、n，把'apps'拆成4层：a、p、p、s。这种构建方法的问题是每层级都是单独字符，没有整体意义，而很多情况下需要将字符合起来作为整体才有意义。比如app和china虽然字符数不一样，但是二者都是单独作为一个整体，没有必要进行更细一步的拆分，在树结构中应该只占用一层，而非分别拆分成3层和5层；同理，apps和application应分别拆成两层：('app','s')及('app','lication')，这样各层级都有整体意义，更适合模型学习层级知识。
通过上述实施方式，从优化嵌入向量的角度出发，将字典树改进为层级树结构，将连续无单独意义的字符合并成有整体意义的层级字符串，对埋点数据进行了合理的分层，既保留了埋点数据的层级信息，又确保了各层级具有整体意义，进而使模型能够更好的学习层级信息。
并且，传统的独热编码(onehot)编码表示，假定各id间相互独立，会丢失埋点前缀层级信息。
本实施例中的处理方式将相同前缀的埋点放在同一分支下，使拥有相同前缀的埋点具有相同的嵌入向量(embedding)前缀，较好的刻画了相同前缀埋点的相似性，准确刻画了埋点的层级信息、埋点间的关联关系。
例如：['XX','XX百科','数据']为例，若设定每层的embedding维数E＝2，则"XX"、"数据"为第一层，"百科"为第二层，此时"XX"和"XX百科"的第一层相同，所以其embedding的前两维相同，从而使具有相同前缀的埋点具有相同的embedding前缀。
S13，随机初始化所述层级树结构中每个层级的嵌入向量，得到嵌入向量层级树。
例如：可以将所述层级树结构中的每个层级的嵌入向量初始化为[1,0,0]、[0,1,0]、[0,0,1]的向量表示，取值随机，随着后续的训练，每个层级的嵌入向量会不断更新及优化。
在本实施例中，由于所述层级树结构中每个层级的嵌入向量被作为模型的参数，因此，在对模型的不断学习过程中，由于模型的参数是不断被优化的，对应的所述层级树结构中每个层级的嵌入向量也被不断更新。
S14，根据所述嵌入向量层级树为样本训练预设网络。
本实施例中，在训练所述预设网络时，可以采用有监督的训练方式，也可以采用无监督的训练方式。
具体地，所述根据所述嵌入向量层级树为样本训练预设网络包括：
根据所述嵌入向量层级树对所述预设网络进行无监督预训练。
例如：利用word2vec等从埋点行为序列或者自然语言的词语序列中学习埋点id或者词语的语义信息。
预训练的优点是不需要监督目标，可以通过数据本身性质(比如序列数据通过词的先后顺序关系等)进行训练。
在本发明的至少一个实施例中，所述根据所述嵌入向量层级树为样本训练预设网络还包括：
获取当前任务场景；
确定与所述当前任务场景对应的网络模型作为所述预设网络；
确定所述当前任务场景对应的监督目标；
将所述嵌入向量层级树作为输入，根据所述监督目标训练所述预设网络，直至所述预设网络达到配置准确率，停止训练。
上述实施方式直接训练有监督的神经网络模型，以embedding替代埋点或者词id作为模型输入，以预测目标作为模型监督目标，该神经网络所采用的模型主要取决于具体任务场景。比如说输入是行为序列或者词语序列，则可以采用序列神经网络模型，如RNN(Recurrent Neural Network，循环神经网络)等。
采用有监督的训练方式，能够直接基于具体的预测任务场景学习嵌入向量，学习的更直接。
上述两种训练方式本质上都是将嵌入向量作为神经网络的参数，通过训练神经网络的过程学习嵌入向量，训练时网络会根据监督目标，通过梯度下降等方法优化或者更新神经网络参数，使得神经网络的预测结果和监督目标之间的差距越来越小，从而达到通过训练学习嵌入向量的目的。其中，监督目标就是预测目标，比如所述监督目标可以为保险销售值、是否点击广告、是否留存之类等，在无监督任务中所述监督目标可基于数据本身进行构造，比如预测行为序列中的下一个词等。
层级树的嵌入向量可以抽象成层级树上每个节点都有一个嵌入向量，嵌入向量层级树的学习就是这些节点的嵌入向量学习的过程，因此各节点还可以单独学习与更新。
S15，当所述预设网络训练完成时，从所述预设网络中获取指定参数，并根据所述指定参数更新所述嵌入向量层级树，得到目标层级树。
在本实施例中，所述指定参数与嵌入向量相对应，因此，在所述预设网络训练完成后，可以获取所述指定参数作为所述嵌入向量层级树中各节点的嵌入向量，进而实现对所述嵌入向量层级树的更新。
所述目标层级树是一个刻画埋点前缀关系的结构，通过可视化埋点层级树，可以快速了解埋点间的从属关系，能够为建模分析等任务奠定基础。
所述目标层级树还可以用于相似性分析。
传统的基于embedding的相似性分析，通常是对两个埋点id的embedding进行相似度计算，如计算内积后，得知埋点a和埋点b的相似度＝0.8，埋点a和埋点c的相似度＝0.5，因此埋点a和埋点b的相似度更高，进而确定两个埋点id的整体相似性。
而基于目标层级树进行相似性分析，不仅能计算两个埋点id的embedding整体相似度，更可以具体到各层级进行分析，可解释性更高，比如同样计算得知埋点a和埋点b的相似度＝0.8，埋点a和埋点c的相似度＝0.5后，还可以计算得知埋点a和埋点b前两层相似度都很高，而埋点a和埋点c只有第一层相似度高，因此a和b更相似。
所述目标层级树还可以作为特征，由于向量表示更加准确，因此能够提升下游预测任务的精度。
S16，当接收到嵌入向量生成指令时，获取待处理埋点数据。
在本实施例中，所述嵌入向量生成指令可以由任意用户触发。
所述待处理埋点数据可以由触发所述嵌入向量生成指令的用户上传，本发明不限制。
S17，根据所述待处理埋点数据在所述目标层级树中进行查询，得到目标嵌入向量。
其中，所述目标嵌入向量是指所述待处理埋点数据对应的嵌入向量表示。
在本发明的至少一个实施例中，所述根据所述待处理埋点数据在所述目标层级树中进行查询，得到目标嵌入向量包括：
对所述待处理埋点数据按照字符的排列顺序进行拆分，得到各个字符；
在所述目标层级树中依次遍历所述各个字符，直至满足配置条件时，停止遍历，并获取遍历到的树节点；
根据所述配置条件，以所述遍历到的树节点对应的嵌入向量构造所述目标嵌入向量。
例如：要查询一个埋点的嵌入向量时，从前到后遍历该埋点id字符串中的每个字符，在所述目标层级树中从根节点开始查询，每个字符查到了就进入对应分支，然后继续接着往下查，直到遍历完完整埋点id为止。
具体地，所述根据所述配置条件，以所述遍历到的树节点对应的嵌入向量构造所述目标嵌入向量包括：
当所述配置条件为各个字符都遍历到对应的树节点时，从所述遍历到的树节点中获取末位字符对应的树节点作为目标树节点，并将所述目标树节点对应的嵌入向量确定为所述目标嵌入向量；或者
当所述配置条件为所述各个字符中有目标字符未遍历到对应的树节点时，确定所述目标字符对应的当前层级及所述目标层级树的最高层级，获取所述目标字符对应的嵌入向量，计算所述最高层级与所述当前层级间的层级差，基于所述层级差对获取的嵌入向量进行零填充处理，得到所述目标嵌入向量。
其中，所述零填充处理即将没有匹配到最高层级的部分以0进行补位填充。
在本实施例中，为了保证得到的目标嵌入向量的数据安全，可以将所述目标嵌入向量存储于区块链。
需要说明的是，通过本实施方式生成的嵌入向量可以应用于多种任务场景，下面将结合具体的任务场景进行举例说明。
比如，当需要进行相似性分析时，将待分析的数据在以本实施方式构建的目标层级树中进行查询，生成目标嵌入向量，并利用生成的目标嵌入向量进行相似性分析，不仅能够确保各层级具有整体意义，也刻画了相同前缀埋点的相似性，能够提高相似性分析的准确性。
又比如，在进行文本分类等预测任务时，将待预测数据在以本实施方式构建的目标层级树中进行查询，生成目标嵌入向量，并以生成的目标嵌入向量构建训练样本训练对应的网络模型，由于训练样本本身具备刻画关联关系的属性，因此，能够有效提高预测精度。
在实际应用中，以本实施方式生成的嵌入向量还可以用于很多任务场景，即只要是需要利用嵌入向量的任务均能够采用本实施方式生成嵌入向量，本发明不限制。
由以上技术方案可以看出，本发明能够获取历史埋点数据，根据所述历史埋点数据构建字典树，对所述字典树进行融合处理，得到层级树结构，既保留了埋点数据的层级信息，又确保了各层级具有整体意义，将相同前缀的埋点放在同一分支下，较好的刻画了相同前缀埋点的相似性，随机初始化所述层级树结构中每个层级的嵌入向量，得到嵌入向量层级树，根据所述嵌入向量层级树为样本训练预设网络，当所述预设网络训练完成时，从所述预设网络中获取指定参数，并根据所述指定参数更新所述嵌入向量层级树，得到目标层级树，以结合网络训练实现对层级树的自动构建，当接收到嵌入向量生成指令时，获取待处理埋点数据，根据所述待处理埋点数据在所述目标层级树中进行查询，得到目标嵌入向量，进而基于层级树实现对嵌入向量的自动生成。
如图2所示，是本发明基于埋点层级的嵌入向量生成装置的较佳实施例的功能模块图。所述基于埋点层级的嵌入向量生成装置11包括获取单元110、构建单元111、融合单元112、初始化单元113、训练单元114、更新单元115、查询单元116。本发明所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
获取单元110获取历史埋点数据。
埋点数据是指通过埋点技术获取的能够反映用户行为等的一种数据，可以用于行为监控、数据分析等各种任务。
在本发明的至少一个实施例中，在获取历史埋点数据前，通过埋点技术监听配置***；
当监听到所述配置***中产生预设操作时，获取当前日志；
记录所述当前日志作为所述埋点数据。
其中，所述配置***为需要监控的***，如指定操作平台等。
所述预设操作可以包括，但不限于：点击操作、触摸操作。
通过上述实施方式，能够基于埋点技术进行历史埋点数据的获取，以供后续训练模型时使用。
需要说明的是，所述埋点数据可以存储于指定数据库，也可以部署于区块链，以防止被恶意篡改，提高数据的安全性。
构建单元111根据所述历史埋点数据构建字典树。
在本实施例中，所述字典树的构建满足以下条件：
(1)根节点不包含字符，并且除根节点外，每一个节点都只包含一个字符；
(2)从根节点到某一节点，路径上经过的字符连接起来为该节点对应的字符串；
(3)每个节点的所有子节点包含的字符都不相同。
融合单元112对所述字典树进行融合处理，得到层级树结构。
其中，所述层级树结构是对所述字典树的进一步融合处理。
具体地，所述融合单元112对所述字典树进行融合处理，得到层级树结构包括：
获取所述字典树中的无分叉链路；
合并每条无分叉链路上的分支，得到所述层级树结构。
需要说明的是，很多时候，由多个字符形成的字符串作为整体是有意义的，没有必要完全依据字符数量对埋点进行分层。
例如：对于埋点id['application'、'apps']，如果是以字典树的形式构造层级embedding就会按字符进行拆分，把'application'拆分成11层：a、p、p、l、i、c、a、t、i、o、n，把'apps'拆成4层：a、p、p、s。这种构建方法的问题是每层级都是单独字符，没有整体意义，而很多情况下需要将字符合起来作为整体才有意义。比如app和china虽然字符数不一样，但是二者都是单独作为一个整体，没有必要进行更细一步的拆分，在树结构中应该只占用一层，而非分别拆分成3层和5层；同理，apps和application应分别拆成两层：('app','s')及('app','lication')，这样各层级都有整体意义，更适合模型学习层级知识。
通过上述实施方式，从优化嵌入向量的角度出发，将字典树改进为层级树结构，将连续无单独意义的字符合并成有整体意义的层级字符串，对埋点数据进行了合理的分层，既保留了埋点数据的层级信息，又确保了各层级具有整体意义，进而使模型能够更好的学习层级信息。
并且，传统的独热编码(onehot)编码表示，假定各id间相互独立，会丢失埋点前缀层级信息。
本实施例中的处理方式将相同前缀的埋点放在同一分支下，使拥有相同前缀的埋点具有相同的嵌入向量(embedding)前缀，较好的刻画了相同前缀埋点的相似性，准确刻画了埋点的层级信息、埋点间的关联关系。
例如：['XX','XX百科','数据']为例，若设定每层的embedding维数E＝2，则"XX"、"数据"为第一层，"百科"为第二层，此时"XX"和"XX百科"的第一层相同，所以其embedding的前两维相同，从而使具有相同前缀的埋点具有相同的embedding前缀。
初始化单元113随机初始化所述层级树结构中每个层级的嵌入向量，得到嵌入向量层级树。
例如：可以将所述层级树结构中的每个层级的嵌入向量初始化为[1,0,0]、[0,1,0]、[0,0,1]的向量表示，取值随机，随着后续的训练，每个层级的嵌入向量会不断更新及优化。
在本实施例中，由于所述层级树结构中每个层级的嵌入向量被作为模型的参数，因此，在对模型的不断学习过程中，由于模型的参数是不断被优化的，对应的所述层级树结构中每个层级的嵌入向量也被不断更新。
训练单元114根据所述嵌入向量层级树为样本训练预设网络。
本实施例中，在训练所述预设网络时，可以采用有监督的训练方式，也可以采用无监督的训练方式。
具体地，所述训练单元114根据所述嵌入向量层级树为样本训练预设网络包括：
根据所述嵌入向量层级树对所述预设网络进行无监督预训练。
例如：利用word2vec等从埋点行为序列或者自然语言的词语序列中学习埋点id或者词语的语义信息。
预训练的优点是不需要监督目标，可以通过数据本身性质(比如序列数据通过词的先后顺序关系等)进行训练。
在本发明的至少一个实施例中，所述训练单元114根据所述嵌入向量层级树为样本训练预设网络还包括：
获取当前任务场景；
确定与所述当前任务场景对应的网络模型作为所述预设网络；
确定所述当前任务场景对应的监督目标；
将所述嵌入向量层级树作为输入，根据所述监督目标训练所述预设网络，直至所述预设网络达到配置准确率，停止训练。
上述实施方式直接训练有监督的神经网络模型，以embedding替代埋点或者词id作为模型输入，以预测目标作为模型监督目标，该神经网络所采用的模型主要取决于具体任务场景。比如说输入是行为序列或者词语序列，则可以采用序列神经网络模型，如RNN(Recurrent Neural Network，循环神经网络)等。
采用有监督的训练方式，能够直接基于具体的预测任务场景学习嵌入向量，学习的更直接。
上述两种训练方式本质上都是将嵌入向量作为神经网络的参数，通过训练神经网络的过程学习嵌入向量，训练时网络会根据监督目标，通过梯度下降等方法优化或者更新神经网络参数，使得神经网络的预测结果和监督目标之间的差距越来越小，从而达到通过训练学习嵌入向量的目的。其中，监督目标就是预测目标，比如所述监督目标可以为保险销售值、是否点击广告、是否留存之类等，在无监督任务中所述监督目标可基于数据本身进行构造，比如预测行为序列中的下一个词等。
层级树的嵌入向量可以抽象成层级树上每个节点都有一个嵌入向量，嵌入向量层级树的学习就是这些节点的嵌入向量学习的过程，因此各节点还可以单独学习与更新。
当所述预设网络训练完成时，更新单元115从所述预设网络中获取指定参数，并根据所述指定参数更新所述嵌入向量层级树，得到目标层级树。
在本实施例中，所述指定参数与嵌入向量相对应，因此，在所述预设网络训练完成后，可以获取所述指定参数作为所述嵌入向量层级树中各节点的嵌入向量，进而实现对所述嵌入向量层级树的更新。
所述目标层级树是一个刻画埋点前缀关系的结构，通过可视化埋点层级树，可以快速了解埋点间的从属关系，能够为建模分析等任务奠定基础。
所述目标层级树还可以用于相似性分析。
传统的基于embedding的相似性分析，通常是对两个埋点id的embedding进行相似度计算，如计算内积后，得知埋点a和埋点b的相似度＝0.8，埋点a和埋点c的相似度＝0.5，因此埋点a和埋点b的相似度更高，进而确定两个埋点id的整体相似性。
而基于目标层级树进行相似性分析，不仅能计算两个埋点id的embedding整体相似度，更可以具体到各层级进行分析，可解释性更高，比如同样计算得知埋点a和埋点b的相似度＝0.8，埋点a和埋点c的相似度＝0.5后，还可以计算得知埋点a和埋点b前两层相似度都很高，而埋点a和埋点c只有第一层相似度高，因此a和b更相似。
所述目标层级树还可以作为特征，由于向量表示更加准确，因此能够提升下游预测任务的精度。
当接收到嵌入向量生成指令时，所述获取单元110获取待处理埋点数据。
在本实施例中，所述嵌入向量生成指令可以由任意用户触发。
所述待处理埋点数据可以由触发所述嵌入向量生成指令的用户上传，本发明不限制。
查询单元116根据所述待处理埋点数据在所述目标层级树中进行查询，得到目标嵌入向量。
其中，所述目标嵌入向量是指所述待处理埋点数据对应的嵌入向量表示。
在本发明的至少一个实施例中，所述查询单元116根据所述待处理埋点数据在所述目标层级树中进行查询，得到目标嵌入向量包括：
对所述待处理埋点数据按照字符的排列顺序进行拆分，得到各个字符；
在所述目标层级树中依次遍历所述各个字符，直至满足配置条件时，停止遍历，并获取遍历到的树节点；
根据所述配置条件，以所述遍历到的树节点对应的嵌入向量构造所述目标嵌入向量。
例如：要查询一个埋点的嵌入向量时，从前到后遍历该埋点id字符串中的每个字符，在所述目标层级树中从根节点开始查询，每个字符查到了就进入对应分支，然后继续接着往下查，直到遍历完完整埋点id为止。
具体地，所述查询单元116根据所述配置条件，以所述遍历到的树节点对应的嵌入向量构造所述目标嵌入向量包括：
当所述配置条件为各个字符都遍历到对应的树节点时，从所述遍历到的树节点中获取末位字符对应的树节点作为目标树节点，并将所述目标树节点对应的嵌入向量确定为所述目标嵌入向量；或者
当所述配置条件为所述各个字符中有目标字符未遍历到对应的树节点时，确定所述目标字符对应的当前层级及所述目标层级树的最高层级，获取所述目标字符对应的嵌入向量，计算所述最高层级与所述当前层级间的层级差，基于所述层级差对获取的嵌入向量进行零填充处理，得到所述目标嵌入向量。
其中，所述零填充处理即将没有匹配到最高层级的部分以0进行补位填充。
在本实施例中，为了保证得到的目标嵌入向量的数据安全，可以将所述目标嵌入向量存储于区块链。
需要说明的是，通过本实施方式生成的嵌入向量可以应用于多种任务场景，下面将结合具体的任务场景进行举例说明。
比如，当需要进行相似性分析时，将待分析的数据在以本实施方式构建的目标层级树中进行查询，生成目标嵌入向量，并利用生成的目标嵌入向量进行相似性分析，不仅能够确保各层级具有整体意义，也刻画了相同前缀埋点的相似性，能够提高相似性分析的准确性。
又比如，在进行文本分类等预测任务时，将待预测数据在以本实施方式构建的目标层级树中进行查询，生成目标嵌入向量，并以生成的目标嵌入向量构建训练样本训练对应的网络模型，由于训练样本本身具备刻画关联关系的属性，因此，能够有效提高预测精度。
在实际应用中，以本实施方式生成的嵌入向量还可以用于很多任务场景，即只要是需要利用嵌入向量的任务均能够采用本实施方式生成嵌入向量，本发明不限制。
由以上技术方案可以看出，本发明能够获取历史埋点数据，根据所述历史埋点数据构建字典树，对所述字典树进行融合处理，得到层级树结构，既保留了埋点数据的层级信息，又确保了各层级具有整体意义，将相同前缀的埋点放在同一分支下，较好的刻画了相同前缀埋点的相似性，随机初始化所述层级树结构中每个层级的嵌入向量，得到嵌入向量层级树，根据所述嵌入向量层级树为样本训练预设网络，当所述预设网络训练完成时，从所述预设网络中获取指定参数，并根据所述指定参数更新所述嵌入向量层级树，得到目标层级树，以结合网络训练实现对层级树的自动构建，当接收到嵌入向量生成指令时，获取待处理埋点数据，根据所述待处理埋点数据在所述目标层级树中进行查询，得到目标嵌入向量，进而基于层级树实现对嵌入向量的自动生成。
如图3所示，是本发明实现基于埋点层级的嵌入向量生成方法的较佳实施例的电子设备的结构示意图。
所述电子设备1可以包括存储器12、处理器13和总线，还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如基于埋点层级的嵌入向量生成程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，所述电子设备1既可以是总线型结构，也可以是星形结构，所述电子设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如所述电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是，所述电子设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地，存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于埋点层级的嵌入向量生成程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述电子设备1的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行基于埋点层级的嵌入向量生成程序等)，以及调用存储在所述存储器12内的数据，以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作***以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于埋点层级的嵌入向量生成方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如，所述计算机程序可以被分割成生成装置11包括获取单元110、构建单元111、融合单元112、初始化单元113、训练单元114、更新单元115、查询单元116。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述基于埋点层级的嵌入向量生成方法的部分。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
进一步地，计算机可读存储介质可主要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***、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的目标性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器13逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
结合图1，所述电子设备1中的所述存储器12存储多个指令以实现一种基于埋点层级的嵌入向量生成方法，所述处理器13可执行所述多个指令从而实现：
获取历史埋点数据；
根据所述历史埋点数据构建字典树；
对所述字典树进行融合处理，得到层级树结构；
随机初始化所述层级树结构中每个层级的嵌入向量，得到嵌入向量层级树；
根据所述嵌入向量层级树为样本训练预设网络；
当所述预设网络训练完成时，从所述预设网络中获取指定参数，并根据所述指定参数更新所述嵌入向量层级树，得到目标层级树；
当接收到嵌入向量生成指令时，获取待处理埋点数据；
根据所述待处理埋点数据在所述目标层级树中进行查询，得到目标嵌入向量。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于埋点层级的嵌入向量生成方法，其特征在于，所述基于埋点层级的嵌入向量生成方法包括：
获取历史埋点数据；
根据所述历史埋点数据构建字典树；
对所述字典树进行融合处理，得到层级树结构；
随机初始化所述层级树结构中每个层级的嵌入向量，得到嵌入向量层级树；
根据所述嵌入向量层级树为样本训练预设网络；
当所述预设网络训练完成时，从所述预设网络中获取指定参数，并根据所述指定参数更新所述嵌入向量层级树，得到目标层级树；
当接收到嵌入向量生成指令时，获取待处理埋点数据；
根据所述待处理埋点数据在所述目标层级树中进行查询，得到目标嵌入向量。
2.如权利要求1所述的基于埋点层级的嵌入向量生成方法，其特征在于，在获取历史埋点数据前，所述方法还包括：
通过埋点技术监听配置***；
当监听到所述配置***中产生预设操作时，获取当前日志；
记录所述当前日志作为所述埋点数据。
3.如权利要求1所述的基于埋点层级的嵌入向量生成方法，其特征在于，所述对所述字典树进行融合处理，得到层级树结构包括：
获取所述字典树中的无分叉链路；
合并每条无分叉链路上的分支，得到所述层级树结构。
4.如权利要求1所述的基于埋点层级的嵌入向量生成方法，其特征在于，所述根据所述嵌入向量层级树为样本训练预设网络包括：
根据所述嵌入向量层级树对所述预设网络进行无监督预训练。
5.如权利要求1所述的基于埋点层级的嵌入向量生成方法，其特征在于，所述根据所述嵌入向量层级树为样本训练预设网络还包括：
获取当前任务场景；
确定与所述当前任务场景对应的网络模型作为所述预设网络；
确定所述当前任务场景对应的监督目标；
将所述嵌入向量层级树作为输入，根据所述监督目标训练所述预设网络，直至所述预设网络达到配置准确率，停止训练。
6.如权利要求1所述的基于埋点层级的嵌入向量生成方法，其特征在于，所述根据所述待处理埋点数据在所述目标层级树中进行查询，得到目标嵌入向量包括：
对所述待处理埋点数据按照字符的排列顺序进行拆分，得到各个字符；
在所述目标层级树中依次遍历所述各个字符，直至满足配置条件时，停止遍历，并获取遍历到的树节点；
根据所述配置条件，以所述遍历到的树节点对应的嵌入向量构造所述目标嵌入向量。
7.如权利要求6所述的基于埋点层级的嵌入向量生成方法，其特征在于，所述根据所述配置条件，以所述遍历到的树节点对应的嵌入向量构造所述目标嵌入向量包括：
当所述配置条件为各个字符都遍历到对应的树节点时，从所述遍历到的树节点中获取末位字符对应的树节点作为目标树节点，并将所述目标树节点对应的嵌入向量确定为所述目标嵌入向量；或者
当所述配置条件为所述各个字符中有目标字符未遍历到对应的树节点时，确定所述目标字符对应的当前层级及所述目标层级树的最高层级，获取所述目标字符对应的嵌入向量，计算所述最高层级与所述当前层级间的层级差，基于所述层级差对获取的嵌入向量进行零填充处理，得到所述目标嵌入向量。
8.一种基于埋点层级的嵌入向量生成装置，其特征在于，所述基于埋点层级的嵌入向量生成装置包括：
获取单元，用于获取历史埋点数据；
构建单元，用于根据所述历史埋点数据构建字典树；
融合单元，用于对所述字典树进行融合处理，得到层级树结构；
初始化单元，用于随机初始化所述层级树结构中每个层级的嵌入向量，得到嵌入向量层级树；
训练单元，用于根据所述嵌入向量层级树为样本训练预设网络；
更新单元，用于当所述预设网络训练完成时，从所述预设网络中获取指定参数，并根据所述指定参数更新所述嵌入向量层级树，得到目标层级树；
所述获取单元，还用于当接收到嵌入向量生成指令时，获取待处理埋点数据；
查询单元，用于根据所述待处理埋点数据在所述目标层级树中进行查询，得到目标嵌入向量。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的基于埋点层级的嵌入向量生成方法。
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至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的基于埋点层级的嵌入向量生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011045397.8A CN112183630B (zh) | 2020-09-28 | 2020-09-28 | 基于埋点层级的嵌入向量生成方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011045397.8A CN112183630B (zh) | 2020-09-28 | 2020-09-28 | 基于埋点层级的嵌入向量生成方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112183630A true CN112183630A (zh) | 2021-01-05 |
| CN112183630B CN112183630B (zh) | 2023-09-26 |
Family
ID=73946500
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011045397.8A Active CN112183630B (zh) | 2020-09-28 | 2020-09-28 | 基于埋点层级的嵌入向量生成方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112183630B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1097664A (ja) * | 1996-09-19 | 1998-04-14 | Toshiba Corp | 領域抽出方法 |
| JP2013073256A (ja) * | 2011-09-26 | 2013-04-22 | Osaka Prefecture Univ | 近似最近傍探索方法、最近傍探索プログラムおよび装置 |
| CN107562620A (zh) * | 2017-08-24 | 2018-01-09 | 阿里巴巴集团控股有限公司 | 一种埋点自动设置方法和装置 |
| CN108153641A (zh) * | 2016-12-05 | 2018-06-12 | 北京国双科技有限公司 | 一种无埋点部署监测方法及相关装置 |
| CN108536589A (zh) * | 2018-03-26 | 2018-09-14 | 广州小鹏汽车科技有限公司 | 一种应用程序埋点方法及*** |
| WO2020020088A1 (zh) * | 2018-07-23 | 2020-01-30 | 第四范式（北京）技术有限公司 | 神经网络模型的训练方法和***以及预测方法和*** |
| CN111191677A (zh) * | 2019-12-11 | 2020-05-22 | 北京淇瑀信息科技有限公司 | 用户特征数据生成方法、装置及电子设备 |
| CN111210336A (zh) * | 2019-12-16 | 2020-05-29 | 北京淇瑀信息科技有限公司 | 用户风险模型生成方法、装置及电子设备 |
-
2020
- 2020-09-28 CN CN202011045397.8A patent/CN112183630B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1097664A (ja) * | 1996-09-19 | 1998-04-14 | Toshiba Corp | 領域抽出方法 |
| JP2013073256A (ja) * | 2011-09-26 | 2013-04-22 | Osaka Prefecture Univ | 近似最近傍探索方法、最近傍探索プログラムおよび装置 |
| CN108153641A (zh) * | 2016-12-05 | 2018-06-12 | 北京国双科技有限公司 | 一种无埋点部署监测方法及相关装置 |
| CN107562620A (zh) * | 2017-08-24 | 2018-01-09 | 阿里巴巴集团控股有限公司 | 一种埋点自动设置方法和装置 |
| CN108536589A (zh) * | 2018-03-26 | 2018-09-14 | 广州小鹏汽车科技有限公司 | 一种应用程序埋点方法及*** |
| WO2020020088A1 (zh) * | 2018-07-23 | 2020-01-30 | 第四范式（北京）技术有限公司 | 神经网络模型的训练方法和***以及预测方法和*** |
| CN111191677A (zh) * | 2019-12-11 | 2020-05-22 | 北京淇瑀信息科技有限公司 | 用户特征数据生成方法、装置及电子设备 |
| CN111210336A (zh) * | 2019-12-16 | 2020-05-29 | 北京淇瑀信息科技有限公司 | 用户风险模型生成方法、装置及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| 况立群;熊风光;韩燮;: "一种基于前缀编码的树生成算法", 小型微型计算机***, no. 05, pages 73 - 76 * |
| 况立群;熊风光;韩燮;: "基于前缀编码的先根遍历树生成算法的研究与应用", 计算机应用与软件, no. 04, pages 51 - 54 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112183630B (zh) | 2023-09-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111950621B (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
| CN111949708B (zh) | 基于时序特征提取的多任务预测方法、装置、设备及介质 | |
| CN111798123A (zh) | 基于人工智能的合规性评价方法、装置、设备及介质 | |
| CN111639153A (zh) | 基于法律知识图谱的查询方法、装置、电子设备及介质 | |
| CN112396547B (zh) | 基于无监督学习的课程推荐方法、装置、设备及介质 | |
| CN113806434B (zh) | 大数据处理方法、装置、设备及介质 | |
| CN111985545B (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
| CN113378970A (zh) | 语句相似性检测方法、装置、电子设备及存储介质 | |
| CN113158676A (zh) | 专业实体与关系联合抽取方法、***及电子设备 | |
| CN114511038A (zh) | 虚假新闻检测方法、装置、电子设备及可读存储介质 | |
| CN116821373A (zh) | 基于图谱的prompt推荐方法、装置、设备及介质 | |
| CN112651782B (zh) | 基于缩放点积注意力的行为预测方法、装置、设备及介质 | |
| CN113204698B (zh) | 新闻主题词生成方法、装置、设备及介质 | |
| CN111950707B (zh) | 基于行为共现网络的行为预测方法、装置、设备及介质 | |
| CN112395432B (zh) | 课程推送方法、装置、计算机设备及存储介质 | |
| CN112860851B (zh) | 基于根因分析的课程推荐方法、装置、设备及介质 | |
| CN112115890B (zh) | 基于人工智能的酒驾识别方法、装置、设备及介质 | |
| CN113256181A (zh) | 风险因子预测方法、装置、设备及介质 | |
| CN116823437A (zh) | 基于配置化风控策略的准入方法、装置、设备及介质 | |
| CN112183630B (zh) | 基于埋点层级的嵌入向量生成方法、装置、设备及介质 | |
| CN113705692A (zh) | 基于人工智能的情感分类方法、装置、电子设备及介质 | |
| CN112036641A (zh) | 基于人工智能的留存预测方法、装置、计算机设备及介质 | |
| CN112182069A (zh) | 代理人留存预测方法、装置、计算机设备及存储介质 | |
| CN113221578B (zh) | 疾病实体检索方法、装置、设备及介质 | |
| CN113157865B (zh) | 跨语言词向量生成方法、装置、电子设备及存储介质 |
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 |