CN112183818A - 一种推荐概率预测方法、装置、电子设备及存储介质 - Google Patents
一种推荐概率预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112183818A CN112183818A CN202010911642.2A CN202010911642A CN112183818A CN 112183818 A CN112183818 A CN 112183818A CN 202010911642 A CN202010911642 A CN 202010911642A CN 112183818 A CN112183818 A CN 112183818A
- Authority
- CN
- China
- Prior art keywords
- user
- users
- information
- task
- recommendation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims description 36
- 230000004927 fusion Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 20
- 239000010410 layer Substances 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002356 single layer Substances 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供了一种推荐概率预测方法、装置、电子设备及存储介质。该方法包括:获得属于不同用户层级的多个用户各自的用户特征,其中,不同用户层级的用户对应不同的用户参数值区间;将待推荐信息的特征和多个用户各自的特征输入多任务推荐概率预测模型,得到多个用户各自的推荐概率;其中,多任务推荐概率预测模型是以样本信息的特征和各个用户层级的样本用户的特征为输入,对多任务学***台能更好地定位待到目标推荐群体并实现针对性推荐。
Description
技术领域
本申请实施例涉及数据处理技术领域,尤其涉及一种推荐概率预测方法、装置、电子设备及存储介质。
背景技术
在信息推荐场景下,为了更好地提高信息推荐平台收益、信息投放方收收益以及用户体验,存在获得精准的点击率、转化率以及用户成交价的需求。例如,外卖平台(信息推荐平台)在向用户推荐商家(信息投放方)的广告时,针对待推荐的广告,需要首先预测出多个用户对该待推荐的广告的推荐概率,然后向推荐概率较高的用户推荐该待推荐的广告。
由于消费习惯不同,不同用户的消费能力有明显差异。相关技术中,在对信息推荐模型进行训练时,将可表征用户的消费能力的相关参数(例如成单均价等)作为特征,和模型的其它特征作为共同输入进行离线模型训练,通过不同特征值的差异来预测不同用户的推荐概率。
然而,信息推荐模型的输入特征的种类较多,各个类型的特征会掩盖消费能力的特征对推荐概率的影响,导致预测出的推荐概率的精准度较低,进而导致待推荐的信息无法根据用户的消费能力实现针对性推荐,极大地影响了信息推荐平台和信息投放方的收益,以及用户的使用体验。
发明内容
本申请实施例提供了一种推荐概率预测方法、装置、电子设备及存储介质,针对信息推荐场景下的推荐概率的预测问题,根据用户的消费能力进行用户分层,通过训练信息推荐模型对不同层级用户的推荐概率进行预测,提高了推荐概率预测的精准度,提高了信息推荐平台和信息投放方的收益,同时增强了用户体验。
本申请实施例第一方面提供了一种推荐概率预测方法,所述方法包括:
获得属于不同用户层级的多个用户各自的用户特征,其中,不同用户层级的用户对应不同的用户参数值区间;
将待推荐信息的特征和所述多个用户各自的特征输入多任务推荐概率预测模型,得到所述多个用户各自的推荐概率;
其中,所述多任务推荐概率预测模型是以样本信息的特征和各个用户层级的样本用户的特征为输入,对多任务学习MMOE模型进行训练得到的,所述多任务推荐概率预测模型包括多个任务网络,每个任务网络用于预测向一种用户层级的样本用户推荐所述样本信息的推荐概率。
可选地,所述多任务学习MMOE模型还包括多个门开关网络、多个专家网络以及多个融合模块,每个专家网络用于从一个维度对输入至所述多任务推荐概率预测模型的特征进行特征提取,一个门开关网络用于输出一种用户层级在多个不同维度下的权重,一个融合模块用于根据一种用户层级在多个不同维度下的权重,对所述多个专家网络输出的在所述多个不同维度下提取的特征进行融合。
可选地,所述推荐概率包括:点击率、转化率、点击且转化率;所述多个任务网络中任一任务网络为完整空间多任务ESMM网络;所述每个融合模块输出的融合特征为一种用户层级对应的ESMM网络的输入,每个ESMM网络用于预测向一种用户层级的样本用户对所述样本信息的点击率、转化率、点击且转化率。
可选地,在获得属于不同用户层级的多个用户各自的用户特征之前,所述方法还包括:
获得多个用户在预设时间段内产生的用户参数值的分布区间;
对所述分布区间进行分割,将分割前后信息熵差值满足预设条件的参数值作为分层阈值;
按照所述分层阈值,将所述多个用户划分为预设层数的用户层级。
可选地,所述用户参数值包括以下至少一者:成单均价、用户评分、用户下单次数。
可选地,在得到所述多个用户各自的推荐概率之后,所述方法还包括:
将待推荐信息推送给所述多个用户中推荐概率大于预设概率的用户使用的用户终端。
可选地,所述待推荐信息的数量是多个;所述方法还包括:
确定所述多个待推荐信息对目标用户的推荐概率,所述目标用户为所述多个用户中的一个用户;
将所述多个待推荐信息按照推荐概率降序发送给所述目标用户使用的用户终端。
本申请实施例第二方面提供一种推荐概率预测装置,所述装置包括:
第一获得模块,用于获得属于不同用户层级的多个用户各自的用户特征,其中,不同用户层级的用户对应不同的用户参数值区间;
第二获得模块,用于将待推荐信息的特征和所述多个用户各自的特征输入多任务推荐概率预测模型,得到所述多个用户各自的推荐概率;
其中,所述多任务推荐概率预测模型是以样本信息的特征和各个用户层级的样本用户的特征为输入,对多任务学习MMOE模型进行训练得到的,所述多任务推荐概率预测模型包括多个任务网络,每个任务网络用于预测向一种用户层级的样本用户推荐所述样本信息的推荐概率。
可选地,所述多任务学习MMOE模型还包括多个门开关网络、多个专家网络以及多个融合模块,每个专家网络用于从一个维度对输入至所述多任务推荐概率预测模型的特征进行特征提取,一个门开关网络用于输出一种用户层级在多个不同维度下的权重,一个融合模块用于根据一种用户层级在多个不同维度下的权重,对所述多个专家网络输出的在所述多个不同维度下提取的特征进行融合。
可选地,所述推荐概率包括:点击率、转化率、点击且转化率;所述多个任务网络中任一任务网络为完整空间多任务ESMM网络;所述每个融合模块输出的融合特征为一种用户层级对应的ESMM网络的输入,每个ESMM网络用于预测向一种用户层级的样本用户对所述样本信息的点击率、转化率、点击且转化率。
可选地,所述装置还包括:
第三获得模块,用于获得多个用户在预设时间段内产生的用户参数值的分布区间;
分割模块,用于对所述分布区间进行分割,将分割前后信息熵差值满足预设条件的参数值作为分层阈值;
划分模块,用于按照所述分层阈值,将所述多个用户划分为预设层数的用户层级。
可选地,所述用户参数值包括以下至少一者:成单均价、用户评分、用户下单次数。
可选地,所述装置还包括:
推送模块,用于将待推荐信息推送给所述多个用户中推荐概率大于预设概率的用户使用的用户终端。
可选地,所述待推荐信息的数量是多个;所述装置还包括:
确定模块,用于确定所述多个待推荐信息对目标用户的推荐概率,所述目标用户为所述多个用户中的一个用户;
发送模块,用于将所述多个待推荐信息按照推荐概率降序发送给所述目标用户使用的用户终端。
本申请实施例第三方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请第一方面所述的推荐概率预测方法中的步骤。
本申请实施例第四方面提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行时实现本申请第一方面所述的推荐概率预测方法中的步骤。
通过本实施例的推荐概率预测方法,首先获得属于不同用户层级的多个用户各自的用户特征,其中,不同用户层级的用户对应不同的用户参数值区间;然后将待推荐信息的特征和多个用户各自的特征输入多任务推荐概率预测模型,得到每一个用户各自的推荐概率,最后按照推荐概率向用户推荐该待推荐信息。其中,多任务推荐概率预测模型是以样本信息的特征和各个用户层级的样本用户的特征为输入,对多任务学习MMOE模型进行训练得到的,多任务推荐概率预测模型包括多个任务网络,每个任务网络用于预测向一种用户层级的样本用户推荐样本信息的推荐概率。
在实施该推荐概率预测方法时,由于多任务推荐概率预测模型中设置有多个任务网络,每一个任务网络对应一个用户层级,通过多个任务网络实现对用户的分层处理,能在信息推荐模型的输入特征的种类较多的情况下,降低各个类型的输入特征对消费能力的特征的掩盖度,将消费能力的特征(例如成单均价等)对推荐概率的影响最大化,进而提升预测出的推荐概率的精准度,使得信息推荐平台能更好地定位待到目标推荐群体,实现待推荐的信息的针对性推荐。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例的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,对于本领域普通技术人员来讲,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是本申请一实施例示出的一种实施环境示意图;
图2是本申请一实施例示出的一种推荐概率预测方法的流程图;
图3是本申请一实施例示出的一种多任务推荐概率预测模型的示意图;
图4是本申请一实施例示出的又一种多任务推荐概率预测模型的示意图;
图5是本申请一实施例示出的又一种多任务推荐概率预测模型的示意图;
图6是本申请一实施例示出的一种任务网络的示意图;
图7申请一实施例提供的推荐概率预测装置的结构框图。
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。
图1是本申请一实施例示出的一种实施环境示意图。在图1中,信息推荐平台与多个用户终端(包括用户终端1-用户终端N)通信连接,向用户终端推荐信息。信息推荐平台可以设置推荐概率预测模型,通过该推荐概率预测模型预估出针对每一个用户终端的推荐概率,以实现针对性的信息推荐。例如,当信息推荐平台是外卖平台,待推荐信息是入驻该外卖平台的商家的广告时,针对商家A的待推荐广告B,外卖平台通过推荐概率预测模型获得每一个用户终端针对待推荐广告B的推荐概率,然后将待推荐广告B发送给推荐概率较高的用户终端。
本申请提供了一种推荐概率预测方法,应用于图1中的信息推荐平台。图2是本申请一实施例示出的一种推荐概率预测方法的流程图。参照图2,本申请的推荐概率预测方法可以包括如下步骤:
步骤S11:获得属于不同用户层级的多个用户各自的用户特征,其中,不同用户层级的用户对应不同的用户参数值区间。
在本实施例中,用户参数值可以包括以下至少一者:成单均价、用户评分、用户下单次数。成单均价是指用户在预设历史时间段内的历史订单的成交价的平均值,例如用户A在过去10天内产生的订单数为5,成交价依次为:34、50、27、45、40(单位:元),那么用户A在过去10天的成单均价为(34+50+27+45+40)/5=39.2(单位:元)。用户评分是指用户的活跃度分数,当用户每天完成信息推荐平台给定的任务时,信息推荐平台会给予用户一定的活跃度分数,例如当用户完成5分钟的浏览时长时给予10分,完成了某项下单有奖活动时给予5分等,可以将用户的预设历史时间段内的日均活跃度分数作为用户评分,例如用户B在过去5天的日活跃度分数依次为:20、50、25、30、40,那么用户B在过去5天的用户评分为(20+50+25+30+40)/5=33。用户下单次数是指用户在预设历史时间段内的总的下单次数,例如用户C在过去5天的总的下单次数为7,那么用户C在过去5天的用户下单次数为7。
在本实施例中,可以根据用户参数值将用户划分为多个用户层级。具体实施时,可以根据成单均价、用户评分、用户下单次数中的任意一种用户参数值,划分得到多个参数区间,将每一个参数区间的用户作为一个用户层级的用户。其次,本实施例还可以根据成单均价、用户评分、用户下单次数中的任意多种用户参数值,划分得到多个参数区间,将每一个参数区间的用户作为一个用户层级的用户。
示例地,在根据成单均价将用户划分为多个用户层级时,可以首先将成单均价按照由高到低的顺序划分为多个参数值区间,然后按照每一个用户的成单均价所在的参数值区间,将用户匹配到对应的用户层级,从而将所有用户划分成多个用户层级。再示例地,在根据成单均价和用户评分将用户划分为多个用户层级时,可以首先根据成单均价将所有用户划分成多个用户层级,然后针对每一个用户层级,将用户评分按照由高到低的顺序划分为多个参数值区间,根据该用户层级的每一个用户的用户评分所在的参数值区间,进一步将该多个用户层级再次细分为多个子用户层级,从而扩展得到更多的用户层级。
在本实施例中,用户参数值除成单均价、用户评分、用户下单次数外,还可以包括其它参数值,可根据实际需求设置,本实施例对此不作具体限制。
在本实施例中,用户特征可以是用户的历史行为,例如针对特定的信息的点击、下单、收藏、分享等行为,本实施例对此不作具体限制。用户特征可以从用户的历史行为数据中获得,本实施例对获得方式不作具体限制。为保证信息推荐模型的输出值的精准度,在获得多个用户的各自的用户特征时,需要覆盖到所有不同的用户层级。
步骤S12:将待推荐信息的特征和所述多个用户各自的特征输入多任务推荐概率预测模型,得到所述多个用户各自的推荐概率。
在本实施例中,待推荐信息的特征可以是待推荐信息的内容、信息投放方的特征等。示例地,当待推荐信息是广告时,广告的特征可以是广告的内容、针对的用户群体、消费区间、有无优惠活动等。具体地,以广告是外卖平台上某火锅店X的广告为例,广告特征可以为火锅、人均100-200元、生日蛋糕、节目表演、每日前100名下单者享9折优惠等。在本实施例中,信息推荐平台可以根据预设规则从多个维度提取待推荐信息中的特征,或者训练得到特征提取模型,将待推荐信息输入到该特征提取模型,获得待推荐信息的特征。
其中,推荐概率表示向用户推荐待推荐信息的可能性,推荐概率与向用户推荐待推荐信息的可能性成正比,当推荐概率较大时,表示向用户推荐待推荐信息的可能性较大,当推荐概率较小时,表示向用户推荐待推荐信息的可能性较小。
具体实施时,可以预先设置一个预设推荐概率阈值,当用户的推荐概率大于预设推荐概率阈值时,向用户推送待推荐信息,从而实现信息的针对性推送。
在本实施例中,所述多任务推荐概率预测模型是以样本信息的特征和各个用户层级的样本用户的特征为输入,对多任务学习MMOE(Multi-gate Mixture-of-Experts)模型进行训练得到的,所述多任务推荐概率预测模型包括多个任务网络,每个任务网络用于预测向一种用户层级的样本用户推荐所述样本信息的推荐概率。
在本实施例中,推荐概率预测模型可以是图3所示的多任务推荐概率预测模型,图3是本申请一实施例示出的一种多任务推荐概率预测模型的示意图。在图3中,多任务推荐概率预测模型中有多个任务网络,包括:任务网络1、任务网络2、……任务网络N,每一个任务网络对应有一个用户层级。将待推荐的信息的特征和用户的特征输入到多任务推荐概率预测模型,可以得到用户的推荐概率。
多任务推荐概率预测模型是以样本信息的特征和各个用户层级的样本用户的特征为输入,对多任务学习MMOE模型进行训练得到的。
具体实施时,可以以多任务学习MMOE模型为初始模型,以样本信息的特征和各个用户层级的样本用户的特征为训练样本特征,对多任务学习MMOE模型进行训练,得到具有推荐概率预测功能的多任务推荐概率预测模型。示例地,可以利用多个样本广告的特征和多个用户层级的样本用户的特征为输入,对多任务学习MMOE模型进行训练,得到用于预测用户针对广告的推荐概率的预测模型。
多任务推荐概率预测模型的工作原理如下:当用户属于用户层级1时,任务推荐概率预测模型将用户的特征和待推荐信息的特征输入到任务网络1,由任务网络1输出用户的推荐概率。当用户属于用户层级2时,任务推荐概率预测模型将用户的特征和待推荐信息的特征输入到任务网络2,由任务网络2输出用户的推荐概率。因此,将多个用户层级的用户的特征和待推荐信息的特征输入到多任务推荐概率预测模型后,多任务推荐概率预测模型会通过内部设置的多个任务网络,输出每一个用户的推荐概率。
通过本实施例的推荐概率预测方法,首先获得属于不同用户层级的多个用户各自的用户特征,其中,不同用户层级的用户对应不同的用户参数值区间;然后将待推荐信息的特征和多个用户各自的特征输入多任务推荐概率预测模型,得到每一个用户各自的推荐概率,最后按照推荐概率向用户推荐该待推荐信息。由于多任务推荐概率预测模型中设置有多个任务网络,每一个任务网络对应有一个用户层级,通过多个任务网络实现对用户的分层处理,能在信息推荐模型的输入特征的种类较多的情况下,降低各个类型的特征对消费能力的特征的掩盖度,将消费能力的特征(例如成单均价等)对推荐概率的影响最大化,进而提升预测出的推荐概率的精准度,使得信息推荐平台能更好地定位待到目标推荐群体,实现待推荐的信息的针对性推荐。
结合以上实施例,在一种实施方式中,本申请还提供了一种将待推荐信息推送给用户的方法。具体地,在上述步骤S12之后,本申请的推荐概率预测方法还可以包括如下步骤:
将待推荐信息推送给所述多个用户中推荐概率大于预设概率的用户使用的用户终端。
在本实施例中,若待推荐的信息的数量为一个,可以将该待推荐的信息发送给推荐概率大于预设概率的用户使用的用户终端。
通过本实施例的方法,实现了待推荐的信息的针对性推荐,一方面提升了信息推荐平台和信息投放方的收益,另一方面,由于推送给用户的信息都是符合用户自身需求的信息,增强了用户的使用体验。
结合以上实施例,在一种实施方式中,本申请还提供了另一种将待推荐信息推送给用户的方法。具体地,在上述步骤S12之后,本申请的推荐概率预测方法还可以包括如下步骤:
确定所述多个待推荐信息对目标用户的推荐概率,所述目标用户为所述多个用户中的一个用户;
将所述多个待推荐信息按照推荐概率降序发送给所述目标用户使用的用户终端。
在本实施例中,若待推荐的信息的数量为多个,可以在多个用户中确定一个目标用户,然后将多个待推荐的信息按照针对该目标用户的推荐概率由高到低的顺序发送给目标用户使用的用户终端。
通过本实施例的方法,一方面,由于用户可以首先查看到推荐概率最高的信息,因此同样实现了待推荐的信息的针对性推荐,提升了信息推荐平台和信息投放方的收益;另一方面,同时向用户推送多个待推荐的信息,可以满足用户可能存在的多个信息的浏览需求,增强了用户的使用体验。
结合以上实施例,在一种实施方式中,所述多任务学习MMOE模型还包括多个门开关网络、多个专家网络以及多个融合模块,每个专家网络用于从一个维度对输入至所述多任务推荐概率预测模型的特征进行特征提取,一个门开关网络用于输出一种用户层级在多个不同维度下的权重,一个融合模块用于根据一种用户层级在多个不同维度下的权重,对所述多个专家网络输出的在所述多个不同维度下提取的特征进行融合。
在本实施例中,待推荐的信息有多个维度,用户的特征有多个维度。具体实施时可以根据预测推荐概率所需要的维度设置对应的专家网络。例如,预测推荐概率需要特征1-特征5共5个维度的特征,那么可以设置专家网络1提取特征1,设置专家网络2提取特征2,设置专家网络3提取特征3,设置专家网络4提取特征4,设置专家网络5提取特征5。专家网络在提取特征时,会将特征转化成向量形式输出。
本实施例中基于MMOE模型的原理,设置了门开关网络和专家网络。门开关网络与任务网络的数量相同。一个门开关网络与唯一一个任务网络和一个融合模块对应。门开关网络用于根据自身对应的任务网络,控制各个专家网络的权重。融合模块用于将各个专家网络输出的向量形式的特征和对应的门开关网络输出的权重融合,得到对应的任务网络的输入特征。
图4是本申请一实施例示出的又一种多任务推荐概率预测模型的示意图。在图4中,多任推荐概率预测模型中设置有两个任务网络,两个融合模块,两个门开关网络和三个专家网络。具体地,门开关网络、专家网络、任务网络均是预先训练得到的。门开关网络、专家网络、任务网络的输入特征相同。门开关网络1与融合模块1和任务网络1对应,门开关网络2与融合模块2和任务网络2对应。若专家网络1-专家网络3输出的向量形式的特征为{T1、T2、T3},门开关网络1输出的针对专家网络1-专家网络3输出的权重为{w1、w2、w3},门开关网络2输出的针对专家网络1-专家网络3输出的权重为{w1’、w2’、w3’},那么融合模型1用于将{T1、T2、T3}和{w1、w2、w3}进行对应相乘再求和,获得{w1T1、w2T2、w3T3},作为任务网络1的输入,融合模型2用于将{T1、T2、T3}和{w1’、w2’、w3’}进行对应相乘再求和,获得{w1’T1、w2’T2、w3’T3},作为任务网络2的输入。
结合以上实施例,在一种实施方式中,所述推荐概率包括:点击率、转化率、点击且转化率;所述多个任务网络中任一任务网络为完整空间多任务ESMM(Entire Space Multi-Task Model)网络;所述每个融合模块输出的融合特征为一种用户层级对应的ESMM网络的输入,每个ESMM网络用于预测向一种用户层级的样本用户对所述样本信息的点击率、转化率、点击且转化率。
在本实施例中,推荐概率包括:点击率CTR(Click-Through-Rate)、转化率CVR(Conversion Rate)、点击且转化率CTCVR。在获得每一个用户的推荐概率后,根据用户的推荐概率向用户发送待推荐的信息可以是:根据用户的点击率CTR、转化率CVR、点击且转化率CTCVR中的任意一项或多项向用户发送待推荐的信息。例如,向点击率CTR大于预设阈值的用户发送待推荐的信息,或者向转化率CVR大于预设阈值的用户发送待推荐的信息,或者向点击且转化率CTCVR大于预设阈值的用户发送待推荐的信息,再或者向点击率CTR和转化率CVR分别大于预设阈值的用户发送待推荐的信息等,本实施例对此不作具体限制。
可以理解的是,在训练单个任务网络时,可以利用多个样本信息的特征和单个用户层级的样本用户的特征为输入,对完整空间多任务ESMM网络进行训练,得到用于预测单个用户层级的用户针对信息的推荐概率的预测模型。
本实施例中,采用ESMM和MMOE结合,解决了数据稀疏和采样选择偏差问题,利用专家网络从不同角度提取输入特征,进一步提高了不同用户层级中的各个用户推荐概率的预估精准度。
结合以上实施例,在一种实施方式中,本申请还提供了一种对用户进行分层处理的方法。该方法可以包括如下步骤:
获得多个用户在预设时间段内产生的用户参数值的分布区间;
对所述分布区间进行分割,将分割前后信息熵差值满足预设条件的参数值作为分层阈值;
按照所述分层阈值,将所述多个用户划分为预设层数的用户层级。
在本实施例中,采用信息熵分割方法将用户划分为多个不同的用户层级。以用户参数值为成单均价为例,该方法可以包括如下步骤:
步骤1:按照用户成单均价分桶N份;
步骤2:遍历所有分桶值作为分割点,计算信息熵;
步骤3:选择分割前和分割后信息熵差最大的桶作为最终分割点;
步骤4:对分割后的左右两个部分重复步骤2和步骤3,直到获取到需要的分层数。
当用户参数值为其它参数值时,也可采用上述步骤1-步骤4划分得到多个不同的用户层级,本实施例在此不作赘述。
下面将以一个具体实施例对本申请的推荐概率预测方法进行详细说明。
在本申请的推荐概率预测方法中,基于用户的成单均价对用户进行层级划分。在此基础上,预测推荐概率的整个流程可以包括:
步骤1:根据多个用户各自在预设历史时间段内的成单均价划分得到多个不同的用户层级,假设划分得到的用户层级包括用户层级1和用户层级2。
步骤2:根据划分得到的用户层级,确定需要使用的门开关网络和完成的预估任务,例如用户层级1需要使用门开关网络1,需要完成预估任务1(包括用户层级1中的用户的点击率CTR、转化率CVR、CXR(点击且转化率,即,点击率CTR和转化率CVR的乘积),用户层级2需要使用门开关网络2,需要完成预估任务2(包括用户层级2中的点击率CTR、转化率CVR、CXR)。
步骤3:根据完成的预估任务所需要的特征,确定用于提取各个维度的特征的专家网络。例如预测点击率CTR和转化率CVR时需要的特征包括:信息的特征和用户的特征,根据信息的特征和用户的特征细分又可以得到多个维度,假设为N,则可以设置N个专家网络,一个专家网络用于提取一个维度的特征。
步骤4:根据步骤1-步骤3构建得到多任务推荐概率预测模型,如图5所示。图5是本申请一实施例示出的又一种多任务推荐概率预测模型的示意图。
步骤5:每一个任务网络的内部结构如图6所示。图6是本申请一实施例示出的一种任务网络的示意图。
在图6中,中间方框内的圆圈表示DNN(Deep Neural Networks,深度神经网络)层,左边方框内的DNN层用于预测点击率CTR,右边方框内的DNN层用于预测转化率CVR。最底层的圆圈表示融合模块的输入特征,整个DNN层共享输入特征。最上层的圆圈为任务网络的输出,包括点击率CTR和转化率CVR,点击率CTR和转化率CVR相乘可获得CXR。因此,对于任务网络1,可以预测出用户层级1中的每个用户的CXR,对于任务网络2,可以预测出用户层级2中的每个用户的CXR。
在本实施例中,每个专家网络可以为结构相同的多层DNN网络,每个门开关网络可以为单层DNN网络。
本申请的推荐概率预测方法具有如下技术效果:
一、由于多任务推荐概率预测模型中设置有多个任务网络,每一个任务网络对应有一个用户层级,通过多个任务网络实现对用户的分层处理,能在信息推荐模型的输入特征的种类较多的情况下,降低各个类型的特征对消费能力的特征的掩盖度,将消费能力的特征(例如成单均价等)对推荐概率的影响最大化,进而提升预测出的推荐概率的精准度,使得信息推荐平台能更好地定位待到目标推荐群体,实现待推荐的信息的针对性推荐。
二、采用ESMM和MMOE结合,解决了数据稀疏和采样选择偏差问题,利专家网络从不同角度提取输入特征,进一步提高了不同用户层级下各个用户的推荐概率的预估精准度。
基于同一发明构思,本申请一实施例提供一种推荐概率预测装置700。参考图7,图7申请一实施例提供的推荐概率预测装置的示结构框图。如图7所示,该装置包括:
第一获得模块701,用于获得属于不同用户层级的多个用户各自的用户特征,其中,不同用户层级的用户对应不同的用户参数值区间;
第二获得模块702,用于将待推荐信息的特征和所述多个用户各自的特征输入多任务推荐概率预测模型,得到所述多个用户各自的推荐概率;
其中,所述多任务推荐概率预测模型是以样本信息的特征和各个用户层级的样本用户的特征为输入,对多任务学习MMOE模型进行训练得到的,所述多任务推荐概率预测模型包括多个任务网络,每个任务网络用于预测向一种用户层级的样本用户推荐所述样本信息的推荐概率。
可选地,所述多任务学习MMOE模型还包括多个门开关网络、多个专家网络以及多个融合模块,每个专家网络用于从一个维度对输入至所述多任务推荐概率预测模型的特征进行特征提取,一个门开关网络用于输出一种用户层级在多个不同维度下的权重,一个融合模块用于根据一种用户层级在多个不同维度下的权重,对所述多个专家网络输出的在所述多个不同维度下提取的特征进行融合。
可选地,所述推荐概率包括:点击率、转化率、点击且转化率;所述多个任务网络中任一任务网络为完整空间多任务ESMM网络;所述每个融合模块输出的融合特征为一种用户层级对应的ESMM网络的输入,每个ESMM网络用于预测向一种用户层级的样本用户对所述样本信息的点击率、转化率、点击且转化率。
可选地,所述装置700还包括:
第三获得模块,用于获得多个用户在预设时间段内产生的用户参数值的分布区间;
分割模块,用于对所述分布区间进行分割,将分割前后信息熵差值满足预设条件的参数值作为分层阈值;
划分模块,用于按照所述分层阈值,将所述多个用户划分为预设层数的用户层级。
可选地,所述用户参数值包括以下至少一者:成单均价、用户评分、用户下单次数。
可选地,所述装置700还包括:
推送模块,用于将待推荐信息推送给所述多个用户中推荐概率大于预设概率的用户使用的用户终端。
可选地,所述待推荐信息的数量是多个;所述装置700还包括:
确定模块,用于确定所述多个待推荐信息对目标用户的推荐概率,所述目标用户为所述多个用户中的一个用户;
发送模块,用于将所述多个待推荐信息按照推荐概率降序发送给所述目标用户使用的用户终端。
基于同一发明构思,本申请另一实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请上述任一实施例所述的方法中的步骤。
基于同一发明构思,本申请另一实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行时实现本申请上述任一实施例所述的方法中的步骤。
对于装置实施例而言,由于其与方法实施例基本相似,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。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种推荐概率预测方法、装置、电子设备及存储介质,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种推荐概率预测方法,其特征在于,所述方法包括:
获得属于不同用户层级的多个用户各自的用户特征,其中,不同用户层级的用户对应不同的用户参数值区间;
将待推荐信息的特征和所述多个用户各自的特征输入多任务推荐概率预测模型,得到所述多个用户各自的推荐概率;
其中,所述多任务推荐概率预测模型是以样本信息的特征和各个用户层级的样本用户的特征为输入,对多任务学习MMOE模型进行训练得到的,所述多任务推荐概率预测模型包括多个任务网络,每个任务网络用于预测向一种用户层级的样本用户推荐所述样本信息的推荐概率。
2.根据权利要求1所述的方法,其特征在于,所述多任务学习MMOE模型还包括多个门开关网络、多个专家网络以及多个融合模块,每个专家网络用于从一个维度对输入至所述多任务推荐概率预测模型的特征进行特征提取,一个门开关网络用于输出一种用户层级在多个不同维度下的权重,一个融合模块用于根据一种用户层级在多个不同维度下的权重,对所述多个专家网络输出的在所述多个不同维度下提取的特征进行融合。
3.根据权利要求2所述的方法,其特征在于,所述推荐概率包括:点击率、转化率、点击且转化率;所述多个任务网络中任一任务网络为完整空间多任务ESMM网络;所述每个融合模块输出的融合特征为一种用户层级对应的ESMM网络的输入,每个ESMM网络用于预测向一种用户层级的样本用户对所述样本信息的点击率、转化率、点击且转化率。
4.根据权利要求1-3任一所述的方法,其特征在于,在获得属于不同用户层级的多个用户各自的用户特征之前,所述方法还包括:
获得多个用户在预设时间段内产生的用户参数值的分布区间;
对所述分布区间进行分割,将分割前后信息熵差值满足预设条件的参数值作为分层阈值;
按照所述分层阈值,将所述多个用户划分为预设层数的用户层级。
5.根据权利要求4所述的方法,其特征在于,所述用户参数值包括以下至少一者:成单均价、用户评分、用户下单次数。
6.根据权利要求1-3任一所述的方法,其特征在于,在得到所述多个用户各自的推荐概率之后,所述方法还包括:
将待推荐信息推送给所述多个用户中推荐概率大于预设概率的用户使用的用户终端。
7.根据权利要求1-3任一所述的方法,其特征在于,所述待推荐信息的数量是多个;所述方法还包括:
确定所述多个待推荐信息对目标用户的推荐概率,所述目标用户为所述多个用户中的一个用户;
将所述多个待推荐信息按照推荐概率降序发送给所述目标用户使用的用户终端。
8.一种推荐概率预测装置,其特征在于,所述装置包括:
第一获得模块,用于获得属于不同用户层级的多个用户各自的用户特征,其中,不同用户层级的用户对应不同的用户参数值区间;
第二获得模块,用于将待推荐信息的特征和所述多个用户各自的特征输入多任务推荐概率预测模型,得到所述多个用户各自的推荐概率;
其中,所述多任务推荐概率预测模型是以样本信息的特征和各个用户层级的样本用户的特征为输入,对多任务学习MMOE模型进行训练得到的,所述多任务推荐概率预测模型包括多个任务网络,每个任务网络用于预测向一种用户层级的样本用户推荐所述样本信息的推荐概率。
9.一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,该程序被处理器执行时实现如权利要求1-7任一所述的推荐概率预测方法中的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行时实现如权利要求1-7任一所述的推荐概率预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010911642.2A CN112183818A (zh) | 2020-09-02 | 2020-09-02 | 一种推荐概率预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010911642.2A CN112183818A (zh) | 2020-09-02 | 2020-09-02 | 一种推荐概率预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112183818A true CN112183818A (zh) | 2021-01-05 |
Family
ID=73924715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010911642.2A Pending CN112183818A (zh) | 2020-09-02 | 2020-09-02 | 一种推荐概率预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183818A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883256A (zh) * | 2021-01-11 | 2021-06-01 | 北京达佳互联信息技术有限公司 | 多任务处理方法、装置、电子设备及存储介质 |
CN113129114A (zh) * | 2021-05-13 | 2021-07-16 | 北京大米科技有限公司 | 一种业务推荐的方法、装置、可读存储介质和电子设备 |
CN113177812A (zh) * | 2021-05-28 | 2021-07-27 | 中国银行股份有限公司 | 银行奖品信息推荐方法及装置 |
CN113190725A (zh) * | 2021-03-31 | 2021-07-30 | 北京达佳互联信息技术有限公司 | 对象的推荐及模型训练方法和装置、设备、介质和产品 |
CN113312555A (zh) * | 2021-06-15 | 2021-08-27 | 北京百度网讯科技有限公司 | 转化率预测方法、装置、电子设备和存储介质 |
CN113326440A (zh) * | 2021-08-03 | 2021-08-31 | 腾讯科技(深圳)有限公司 | 基于人工智能的推荐方法、装置及电子设备 |
CN113486990A (zh) * | 2021-09-06 | 2021-10-08 | 北京字节跳动网络技术有限公司 | 内窥镜图像分类模型的训练方法、图像分类方法和装置 |
CN114118496A (zh) * | 2021-11-30 | 2022-03-01 | 四川恒升信达科技有限公司 | 一种基于大数据分析自动调度排队预约的方法及*** |
CN116723234A (zh) * | 2023-08-07 | 2023-09-08 | 腾讯科技(深圳)有限公司 | 推送处理方法、相关装置和介质 |
-
2020
- 2020-09-02 CN CN202010911642.2A patent/CN112183818A/zh active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883256A (zh) * | 2021-01-11 | 2021-06-01 | 北京达佳互联信息技术有限公司 | 多任务处理方法、装置、电子设备及存储介质 |
CN112883256B (zh) * | 2021-01-11 | 2024-05-17 | 北京达佳互联信息技术有限公司 | 多任务处理方法、装置、电子设备及存储介质 |
CN113190725A (zh) * | 2021-03-31 | 2021-07-30 | 北京达佳互联信息技术有限公司 | 对象的推荐及模型训练方法和装置、设备、介质和产品 |
CN113190725B (zh) * | 2021-03-31 | 2023-12-12 | 北京达佳互联信息技术有限公司 | 对象的推荐及模型训练方法和装置、设备、介质和产品 |
CN113129114A (zh) * | 2021-05-13 | 2021-07-16 | 北京大米科技有限公司 | 一种业务推荐的方法、装置、可读存储介质和电子设备 |
CN113177812A (zh) * | 2021-05-28 | 2021-07-27 | 中国银行股份有限公司 | 银行奖品信息推荐方法及装置 |
CN113312555B (zh) * | 2021-06-15 | 2023-10-03 | 北京百度网讯科技有限公司 | 转化率预测方法、装置、电子设备和存储介质 |
CN113312555A (zh) * | 2021-06-15 | 2021-08-27 | 北京百度网讯科技有限公司 | 转化率预测方法、装置、电子设备和存储介质 |
CN113326440A (zh) * | 2021-08-03 | 2021-08-31 | 腾讯科技(深圳)有限公司 | 基于人工智能的推荐方法、装置及电子设备 |
CN113326440B (zh) * | 2021-08-03 | 2021-11-02 | 腾讯科技(深圳)有限公司 | 基于人工智能的推荐方法、装置及电子设备 |
CN113486990A (zh) * | 2021-09-06 | 2021-10-08 | 北京字节跳动网络技术有限公司 | 内窥镜图像分类模型的训练方法、图像分类方法和装置 |
CN113486990B (zh) * | 2021-09-06 | 2021-12-21 | 北京字节跳动网络技术有限公司 | 内窥镜图像分类模型的训练方法、图像分类方法和装置 |
CN114118496A (zh) * | 2021-11-30 | 2022-03-01 | 四川恒升信达科技有限公司 | 一种基于大数据分析自动调度排队预约的方法及*** |
CN116723234A (zh) * | 2023-08-07 | 2023-09-08 | 腾讯科技(深圳)有限公司 | 推送处理方法、相关装置和介质 |
CN116723234B (zh) * | 2023-08-07 | 2023-11-14 | 腾讯科技(深圳)有限公司 | 推送处理方法、相关装置和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112183818A (zh) | 一种推荐概率预测方法、装置、电子设备及存储介质 | |
CN111538912B (zh) | 内容推荐方法、装置、设备及可读存储介质 | |
CN110941740B (zh) | 视频推荐方法及计算机可读存储介质 | |
CN109902849B (zh) | 用户行为预测方法及装置、行为预测模型训练方法及装置 | |
CN104679743B (zh) | 一种确定用户的偏好模式的方法及装置 | |
US8732015B1 (en) | Social media pricing engine | |
CN107451267B (zh) | 一种基于Spark平台的分布式推荐方法 | |
CN106250403A (zh) | 用户流失预测方法及装置 | |
CN107689008A (zh) | 一种用户投保行为预测的方法及装置 | |
CN108205766A (zh) | 信息推送方法、装置及*** | |
CN111798280B (zh) | 多媒体信息推荐方法、装置和设备及存储介质 | |
CN111898032A (zh) | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 | |
CN111566684B (zh) | 用于优化广告的用户分组的方法和*** | |
CN115917577A (zh) | 使用动态属性建模进行下一个篮子推荐的***和方法 | |
CN113536097B (zh) | 基于自动特征分组的推荐方法及装置 | |
CN109615504A (zh) | 产品推荐方法、装置、电子设备和计算机可读存储介质 | |
CN110880127A (zh) | 消费水平的预测方法、装置、电子设备及存储介质 | |
CN109903100A (zh) | 一种用户流失预测方法、装置及可读存储介质 | |
CN109902823A (zh) | 一种基于生成对抗网络的模型训练方法及设备 | |
CN115221396A (zh) | 基于人工智能的信息推荐方法、装置及电子设备 | |
CN113672797A (zh) | 一种内容推荐方法及装置 | |
CN116739665A (zh) | 信息投放方法、装置、电子设备及存储介质 | |
CN112269943B (zh) | 一种信息推荐***及方法 | |
Nasios et al. | Blending gradient boosted trees and neural networks for point and probabilistic forecasting of hierarchical time series | |
CN113656699A (zh) | 用户特征向量确定方法、相关设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210105 |
|
WD01 | Invention patent application deemed withdrawn after publication |