CN112243021A - 信息推送方法、装置、设备及计算机可读存储介质 - Google Patents
信息推送方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112243021A CN112243021A CN202010447775.9A CN202010447775A CN112243021A CN 112243021 A CN112243021 A CN 112243021A CN 202010447775 A CN202010447775 A CN 202010447775A CN 112243021 A CN112243021 A CN 112243021A
- Authority
- CN
- China
- Prior art keywords
- data
- information
- preset
- user
- order feature
- 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 68
- 238000000605 extraction Methods 0.000 claims description 53
- 238000012545 processing Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 27
- 238000002372 labelling Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000002265 prevention Effects 0.000 claims description 4
- 239000002699 waste material Substances 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 22
- 238000013461 design Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/10—Network architectures or network communication protocols for network security for controlling access to devices or network resources
- H04L63/105—Multiple levels of security
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种信息推送方法、装置、设备及计算机可读存储介质,方法包括:获取至少一个用户在目标应用中的历史使用数据;将所述历史使用数据输入至预设的预测模型中,获得各所述用户办理目标使用权限的概率;获取办理目标使用权限的概率超过预设的概率阈值的至少一个目标用户;向所述至少一个目标用户推送与所述使用权限对应的推送信息。通过对用户办理使用权限的概率进行预测,并向办理使用权限概率超过预设的概率阈值的用户推送使用权限对应的推送信息,从而能够实现信息的精准推送,避免了资源浪费,提高推送效率。
Description
技术领域
本申请涉及互联网领域,尤其涉及一种信息推送方法、装置、设备及计算机可读存储介质。
背景技术
随着互联网和人工智能的发展,越来越多的线上应用走进用户的生活。例如线上购物应用(Application,简称APP)、线上办公APP、线上音乐APP等。为了提高用户对各种应用的使用体验,各种应用软件都为用户提供了不同的使用权限,当用户办理了使用权限时候,可以根据该使用权限向用户提供更优化的服务。
为了使用户能够对不同的使用权限进行了解以及办理,现有技术中一般都是向全部用户均推送使用权限的相关信息,以使感兴趣的用户进行使用权限的办理以及试用操作。
但是,采用上述方法进行信息推送时,由于部分用户在了解使用权限之后不会进一步地办理该使用权限。因此,向全部用户均进行信息推送往往较为耗费资源,无法达到用户期望的效果。
发明内容
本申请提供一种信息推送方法、装置、设备及计算机可读存储介质,用于解决现有的信息推送方法耗费资源,且效果不佳的技术问题。
本申请的第一个方面是提供一种信息推送方法,包括:
获取至少一个用户在目标应用中的历史使用数据;
将所述历史使用数据输入至预设的预测模型中,获得各所述用户办理目标使用权限的概率;
获取办理目标使用权限的概率超过预设的概率阈值的至少一个目标用户;
向所述至少一个目标用户推送与所述使用权限对应的推送信息。
在一种可能的设计中,所述预测模型包括向量化子网络、低阶特征提取子网络、中阶特征提取子网络以及高阶特征提取子网络;
所述将所述历史使用数据输入至预设的预测模型中,获得各所述用户办理目标使用权限的概率,包括:
将所述历史使用数据输入至所述向量化子网络中,获得所述历史使用数据对应的目标向量;
将所述目标向量输入至所述低阶特征提取子网络获得所述历史使用数据对应的低阶特征数据;以及,将所述目标向量输入至所述中阶特征提取子网络获得所述历史使用数据对应的中阶特征数据;以及,所述目标向量输入至所述高阶特征提取子网络获得所述历史使用数据对应的高阶特征数据;
根据所述低阶特征数据、中阶特征数据以及高阶特征数据确定各所述用户办理目标使用权限的概率。
在一种可能的设计中,所述低阶特征提取子网络为FM模型;
相应地,所述将所述目标向量输入至所述低阶特征提取子网络获得所述历史使用数据对应的低阶特征数据,包括:
将所述目标向量输入至所述FM模型中进行数据处理;
通过预设的防止过拟合技术随机丢弃所述FM模型数据处理过程中的交互路径。
在一种可能的设计中,所述中阶特征提取子网络包括卷积层、池化层以及全连接层;
相应地,所述将所述目标向量输入至所述中阶特征提取子网络获得所述历史使用数据对应的中阶特征数据,包括:
通过所述卷积层以及所述池化层获取所述目标向量对应的特征信息;
通过所述全连接层拼接所述特征信息,获得所述中阶特征数据。
在一种可能的设计中,所述高阶特征提取子网络为多头注意力机制模型。
在一种可能的设计中,所述将所述历史使用数据输入至预设的预测模型中之前,还包括:
从所述数据服务器中获取预设的待处理数据集,所述待处理数据集中包括多个用户的历史使用数据以及所述多个用户对应的使用权限办理信息;
通过所述使用权限办理信息对所述多个用户的历史使用数据进行标注,获得第一待训练数据集;
通过所述第一待训练数据集对预设的待训练模型进行训练,获得所述预测模型。
在一种可能的设计中,所述从所述数据服务器中获取预设的待处理数据集,包括:
从所述数据服务器中获取预设的第一时间阈值内存在历史订单,和/或,预设的第二时间阈值内浏览目标网页数量超过预设的次数阈值,和/或,对任一目标项目偏好分数超过预设的分数阈值的用户对应的历史使用数据,作为所述待处理数据集,其中,所述偏好分数是通过预设的分数计算模型计算获得的。
在一种可能的设计中,所述待处理数据集中还包括多个用户对应的使用权限类型的信息;所述方法还包括:
通过所述使用权限类型的信息对所述多个用户的历史使用数据进行标注,获得第二待训练数据集;
通过所述第二待训练数据集对预设的待训练模型进行训练,获得类型预测模型;
将所述历史使用数据输入至所述类型预测模型中,获得各所述用户办理使用权限的类型信息。
在一种可能的设计中,所述待处理数据集中还包括多个用户对应的个性化浏览信息;所述方法还包括:
通过所述个性化浏览信息对所述多个用户的历史使用数据进行标注,获得第三待训练数据集;
通过所述第三待训练数据集对预设的待训练模型进行训练,获得浏览页面预测模型;
将所述历史使用数据输入至所述浏览页面预测模型中,获得各所述用户个性化浏览页面信息;
向所述至少一个用户推送所述个性化浏览页面信息。
本申请的第二个方面是提供一种信息推送装置,包括:
获取模块,用于获取至少一个用户在目标应用中的历史使用数据;
处理模块,用于将所述历史使用数据输入至预设的预测模型中,获得各所述用户办理目标使用权限的概率;
确定模块,用于获取办理目标使用权限的概率超过预设的概率阈值的至少一个目标用户;
推送模块,用于向所述至少一个目标用户推送与所述使用权限对应的推送信息。
本申请的第三个方面是提供一种信息推送设备,包括:存储器,处理器;
存储器;用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为由所述处理器执行如第一方面所述的信息推送方法。
本申请的第四个方面是提供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计算机执行指令,所述计算机执行指令被处理器执行时用于实现如第一方面所述的信息推送方法。
本申请提供的信息推送方法、装置、设备及计算机可读存储介质,通过对用户办理使用权限的概率进行预测,并向办理使用权限概率超过预设的概率阈值的用户推送使用权限对应的推送信息,从而能够实现信息的精准推送,避免了资源浪费,提高推送效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本申请基于的***架构示意图;
图2为本申请实施例一提供的信息推送方法的流程示意图;
图3为本申请实施例二提供的信息推送方法的流程示意图;
图4为本申请实施例提供的预测模型的网络架构图;
图5为本申请实施例三提供的信息推送方法的流程示意图;
图6为本申请实施例四提供的信息推送方法;
图7为本申请实施例五提供的信息推送方法的流程示意图;
图8为本申请实施例提供的用户个性化浏览信息示意图;
图9为本申请实施例提供的个性化浏览页面信息示意图;
图10为本申请实施例七提供的信息推送装置的结构示意图;
图11为本申请实施例八提供的信息推送装置的结构示意图;
图12为本申请实施例九提供的信息推送装置的结构示意图;
图13为本申请实施例十提供的信息推送装置的结构示意图;
图14为本申请实施例十一提供的信息推送装置的结构示意图;
图15为本申请实施例十二提供的信息推送设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例所获得的所有其他实施例,都属于本申请保护的范围。
针对上述提及的现有的信息推送方法耗费资源,且效果不佳的技术问题,本申请提供了一种信息推送方法、装置、设备及计算机可读存储介质。
需要说明的是,本申请提供信息推送方法、装置、设备及计算机可读存储介质可运用在各种信息推送的场景中。
举例来说,本申请可应用在使用权限信息推送的场景中。通过预测用户办理使用权限的概率进行预测,并向办理使用权限概率超过预设的概率阈值的用户推送使用权限对应的推送信息。
此外,本申请还可以应用在个性化信息推送的场景中,确定各用户常用的浏览页面,向用户推送个性化的推送信息。
现有的信息推送方法一般都是针对应用的所有用户均进行使用权限对应的信息推送。但是,存在部分用户即使了解了使用权限的推送信息之后,也不会办理该使用权限。因此,采用上述信息推送方法往往无法实现信息的精准推送,造成资源浪费。
在解决上述技术问题的过程中,发明人通过研究发现,为了提高信息推送的精准度,首先可以对各用户办理使用权限的概率进行预测,根据概率进行信息推送。
发明人进一步地研究发现,通过对用户办理使用权限的概率进行预测,并向办理使用权限概率超过预设的概率阈值的用户推送使用权限对应的推送信息,从而能够实现信息的精准推送,避免了资源浪费,提高推送效率。
图1为本申请基于的***架构示意图,如图1所示,本申请基于的***架构至少包括:终端设备1、信息推送装置2以及数据服务器3。其中,信息推送装置2采用C/C++、Java、Shell或Python等语言编写;终端设备1则可例如台式电脑、平板电脑等。数据服务器3则可为云端服务器或服务器集群,其内存储有大量的数据。信息推送装置2分别与终端设备1以及数据服务器3通信连接,从而能够与终端设备1以及数据服务器3进行信息交互。
图2为本申请实施例一提供的信息推送方法的流程示意图,如图2所示,所述方法包括:
步骤101、获取至少一个用户在目标应用中的历史使用数据。
本实施例的执行主体为信息推送装置,该信息推送装置可以设置在终端设备中,也可以为独立与终端设备的装置,本申请对此不做限制。
在本实施方式中,为了能够实现使用权限信息的精准推送,首先需要对各用户办理使用权限的概率进行预测。因此,需要获取至少一个用户在目标应用中的历史使用数据。其中,该目标应用可以为电商平台、社交软件、音乐软件等任意一种可以办理使用权限的应用。具体地,可以从数据服务器中获取至少一个用户在目标应用中的历史使用数据,该数据服务器中预先存储有多个用户的历史使用数据。用户在办理使用权限之后,能够具有。区别于普通用户的权限,例如,针对电商平台来说,办理使用权限的用户可以享受使用权限对应的优惠价格、包邮、领取优惠券等;针对音乐软件来说,办理使用权限的用户可以收听并下载更多的音乐等。
以目标应用为电商平台举例来说,该历史使用数据包括但不限于用户预设时间内浏览数据、购物行为数据、搜索内容数据、使用权限办理以及使用数据等。
步骤102、将所述历史使用数据输入至预设的预测模型中,获得各所述用户办理目标使用权限的概率。
在本实施方式中,可以预先设置一预测模型,该预测模型具体可以用于对用户办理使用权限的概率进行预测。因此,获取到至少一个用户的历史使用数据之后,可以将该历史使用数据输入至该预测模型中,获得各用户办理目标使用权限的概率。
步骤103、获取办理目标使用权限的概率超过预设的概率阈值的至少一个目标用户。
在本实施方式中,若预测结果为用户办理使用权限的概率高于预设的阈值,则表征用户在浏览使用权限对应的推送信息之后,大概率会办理使用权限;反之,若预测结果为用户办理使用权限的概率低于预设的阈值,则表征用户在浏览使用权限对应的推送信息之后,办理使用权限的概率较小。因此,为了实现使用权限信息的精准推送,在获得各用户办理目标使用权限的概率之后,需要确定办理使用权限的概率高于预设的阈值的目标用户。
其中,该预设的阈值具体可以为0.9。在实际应用中,用户可以根据实际需求对该阈值进行设置,本申请对此不做限制。
步骤104、向所述至少一个目标用户推送与所述使用权限对应的推送信息。
在本实施方式中,在确定办理使用权限的概率高于预设的阈值的目标用户之后,可以直接向该办理使用权限的概率高于预设的阈值的目标用户推送与使用权限的推送信息。从而能够实现对信息的精准推送,提高推送信息的回报率。
具体地,可以将推送信息发送至用户的终端设备进行显示。
本实施例提供的信息推送方法,通过对用户办理使用权限的概率进行预测,并向办理使用权限概率超过预设的概率阈值的用户推送使用权限对应的推送信息,从而能够实现信息的精准推送,避免了资源浪费,提高推送效率。
图3为本申请实施例二提供的信息推送方法的流程示意图,在实施例一的基础上,如图3所示,步骤102具体包括:
步骤201、将所述历史使用数据输入至所述向量化子网络中,获得所述历史使用数据对应的目标向量;
步骤202、将所述目标向量输入至所述低阶特征提取子网络获得所述历史使用数据对应的低阶特征数据;以及,将所述目标向量输入至所述中阶特征提取子网络获得所述历史使用数据对应的中阶特征数据;以及,所述目标向量输入至所述高阶特征提取子网络获得所述历史使用数据对应的高阶特征数据;
步骤203、根据所述低阶特征数据、中阶特征数据以及高阶特征数据确定各所述用户办理目标使用权限的概率。
图4为本申请实施例提供的预测模型的网络架构图,如图4所示,该预测模型具体包括向量化子网络、低阶特征提取子网络、中阶特征提取子网络以及高阶特征提取子网络。
基于上述网络结构图,获取到至少一个用户的历史使用数据之后,为了使模型能够对该历史使用数据进行处理,首先需要对历史使用数据进行向量化处理。具体地,可以将历史使用数据输入至向量化子网络中,获得历史使用数据对应的目标向量。需要说明的是,该向量化子网络可以为任意一种能够实现向量化操作的网络模型,本申请对此不做限制。例如,该向量化子模型具体可以为Embedding层,Embedding层能够将高维稀疏的类别特征转化为低维稠密向量特征,然后与连续数值特征拼接到一起。
其中,该用户使用数据具体可以包括类别特征(Category Features)和连续数值特征(Numeric Features),其中类别特征具体可以为不能够使用整数表达的特征,例如带有小数点的价格信息,用户浏览数据等,相应地数值特征则为能够用整数表达的特征,例如用户的性别(性别可以编码为0与1)、用户偏好品类编号等。
进一步地,为了提高模型预测的精准度,还可以对该目标向量进行多个级别的特征提取处理。具体地,可以将目标向量输入至低阶特征提取子网络获得历史使用数据对应的低阶特征数据;以及,将目标向量输入至中阶特征提取子网络获得历史使用数据对应的中阶特征数据;以及,目标向量输入至高阶特征提取子网络获得历史使用数据对应的高阶特征数据。
获取到低阶特征数据、中阶特征数据以及高阶特征数据之后,则可以对低阶特征数据、中阶特征数据以及高阶特征数据进行拼接操作,对拼接后的低阶特征数据、中阶特征数据以及高阶特征数据进行数据处理,获得用户办理目标使用权限的概率。
具体地,在上述任一实施例的基础上,该低阶特征提取子网络为FM模型;
相应地,步骤202具体包括:
将所述目标向量输入至所述FM模型中进行数据处理;
通过预设的防止过拟合技术随机丢弃所述FM模型数据处理过程中的交互路径。
在本实施例中,该低阶特征提取子模型具体可以为FM模型。相应地,可以将目标向量输入至该FM模型中进行数据处理。在模型训练过程中,可以通过防止过拟合技术随机丢弃FM二阶特征交互的某条路径,每条交互路径被激活的概率服从伯努利分布。其中p服从参数为beta的伯努利分布,在网络训练阶段每一次前向传播都以p的概率丢弃。
具体地,在上述任一实施例的基础上,所述中阶特征提取子网络包括卷积层、池化层以及全连接层;
相应地,步骤202具体包括:
通过所述卷积层以及所述池化层获取所述目标向量对应的特征信息;
通过所述全连接层拼接所述特征信息,获得所述中阶特征数据。
在本实施例中,该中阶特征提取子网络具体可以为卷积神经网络,该卷积神经网络具体包括卷积层、池化层以及全连接层。相应地,可以通过卷积层以及池化层获取目标向量对应的特征信息,进一步地使用全连接层拼接上述特征信息,获得中阶特征数据。在训练过程中,中阶特征数据与之前的低阶特征数据、高阶特征数据一起进入最后的联合训练层,不断迭代更新参数。
具体地,在上述任一实施例的基础上,所述高阶特征提取子网络为多头注意力机制模型。
在本实施例中,该高阶特征提取子网络具体可以为多头注意力机制模型。
本实施例提供的信息推送方法,通过对该目标向量进行多个级别的特征提取处理,从而能够提高概率预测的精准度,进而为提高信息投放的精准度提供了基础。
图5为本申请实施例三提供的信息推送方法的流程示意图,在上述任一实施例的基础上,如图5所示,步骤102之前,还包括:
步骤301、从所述数据服务器中获取预设的待处理数据集,所述待训练数据集中包括多个用户的历史使用数据以及所述多个用户对应的使用权限办理信息;
步骤302、通过所述使用权限办理信息对所述多个用户的历史使用数据进行标注,获得第一待训练数据集;
步骤303、通过所述第一待训练数据集对预设的待训练模型进行训练,获得所述预测模型。
在本实施例中,为了能够使用预测模型进行使用权限办理概率的预测,首先需要对预设的待训练模型进行训练,获得该预测模型。具体地,可以从数据服务器中获取预设的待处理数据集,该待处理数据集中包括多个用户的历史使用数据以及多个用户对应的使用权限办理信息,通过该使用权限办理信息对多个用户的历史使用数据进行标注,获得第一待训练数据集。通过该第一待训练数据集对预设的待训练模型进行训练,获得预测模型。由于该第一待训练数据集通过使用权限办理信息标注,从而后续在向预测模型中输入历史使用数据之后,即能够确定该用户办理使用权限的概率。
具体地,在上述任一实施例的基础上,步骤301具体包括:
从所述数据服务器中获取预设的第一时间阈值内存在历史订单,和/或,预设的第二时间阈值内浏览目标网页数量超过预设的次数阈值,和/或,对任一目标项目偏好分数超过预设的分数阈值的用户对应的历史使用数据,作为所述待处理数据集,其中,所述偏好分数是通过预设的分数计算模型计算获得的。
在本实施例中,为了能够提高预测模型预测的精准度,在获取待处理数据集的过程中,可以获取预设的第一时间阈值内存在历史订单,和/或,预设的第二时间阈值内浏览目标网页数量超过预设的次数阈值,和/或,对任一目标项目偏好分数超过预设的分数阈值的用户对应的历史使用数据,作为待处理数据集,其中,偏好分数是通过预设的分数计算模型计算获得的。
本实施例提供的信息推送方法,通过使用权限办理信息对第一待训练数据集进行标注,从而后续在向预测模型中输入历史使用数据之后,即能够确定该用户办理使用权限的概率。
图6为本申请实施例四提供的信息推送方法,在上述任一实施例的基础上,待处理数据集中还包括多个用户对应的使用权限类型的信息;如图6所示,所述方法还包括:
步骤401、通过所述使用权限类型的信息对所述多个用户的历史使用数据进行标注,获得第二待训练数据集;
步骤402、通过所述第二待训练数据集对预设的待训练模型进行训练,获得类型预测模型。
步骤403、将所述历史使用数据输入至所述类型预测模型中,获得各所述用户办理使用权限的类型信息。
在本实施例中,待处理数据集中还可以包括多个用户对应的使用权限类型的信息。该使用权限类型具体可以包括季度使用权限类型、年度使用权限类型;或者,还可以包括普通使用权限类型、高级使用权限类型等,其中,普通使用权限类型与高级使用权限类型对应的使用权限范围不同。因此,为了能够更加精准地确定用户办理使用权限的类型,还可以通过该使用权限类型对多个用户的历史使用数据进行标注,获得第二待训练数据集。进而可以使用该第二待训练数据集对预设的待训练模型进行训练,获得类型预测模型。
相应地,在训练获得类型预测模型之后,还可以将获取到的用户的历史使用数据输入至该类型预测模型中,获得各用户办理使用权限的类型信息。相应地,在确定各用户办理使用权限的类型信息之后,可以向用户推送不同类型使用权限的推送信息。
本实施例提供的信息推送方法,通过采用通过使用权限类型对多个用户的历史使用数据进行标注的第二待训练数据对预设的待训练模型进行训练,获得类型预测模型,从而能够更加精准地确定用户办理使用权限的类型,进一步地提高信息推送的精准度。
图7为本申请实施例五提供的信息推送方法的流程示意图,在上述任一实施例的基础上,所述待处理数据集中还包括多个用户对应的个性化浏览信息;如图7所示,所述方法还包括:
步骤501、通过所述个性化浏览信息对所述多个用户的历史使用数据进行标注,获得第三待训练数据集。
步骤502、通过所述第三待训练数据集对预设的待训练模型进行训练,获得浏览页面预测模型。
步骤503、将所述历史使用数据输入至所述浏览页面预测模型中,获得各所述用户个性化浏览页面信息。
步骤504、向所述至少一个用户推送所述个性化浏览页面信息。
在本实施例中,待处理数据集中还可以包括多个用户对应的个性化浏览信息,其中,该个性化浏览信息可以为根据用户历史浏览数据生成的。针对电商平台来说,该个性化浏览信息可以为女装、电子产品等;针对阅读软件来说,该个性化浏览信息可以为言情、休闲等;针对搜索引擎来说,该个性化浏览信息可以为娱乐、体育等。为了能够实现个性化信息的推送,还可以通过个性化浏览信息对多个用户的历史使用数据进行标注,获得第三待训练数据集。进而可以使用该第三待训练数据集对预设的待训练模型进行训练,获得浏览页面预测模型。
进一步地,获得浏览页面预测模型之后,可以将获取到的用户的历史使用数据输入至该浏览页面预测模型中,获得各用户个性化浏览页面信息。进而可以向至少一个用户推送该个性化浏览页面信息。以电商平台举例来说,若用户个性化浏览信息可以为女装,则相应地可以向用户更多第推送女装、女装的优惠信息、女装的大型活动等。提高用户粘性。
图8为本申请实施例提供的用户个性化浏览信息示意图,如图9所示,用户大部分时间都在浏览女装产品,图9为本申请实施例提供的个性化浏览页面信息示意图,如图9所示,可以向用户推送女装的大型活动。
本实施例提供的信息推送方法,通过采用通过使用个性化浏览信息对多个用户的历史使用数据进行标注的第三待训练数据对预设的待训练模型进行训练,获得浏览页面预测模型,从而能够更加精准地确定用户个性化浏览页面信息,进一步地提高信息推送的精准度,提高用户粘度。
图10为本申请实施例七提供的信息推送装置的结构示意图,如图10所示,所述装置包括:获取模块71、处理模块72、确定模块73以及推送模块74,其中,获取模块71,用于获取至少一个用户在目标应用中的历史使用数据;处理模块72,用于将所述历史使用数据输入至预设的预测模型中,获得各所述用户办理目标使用权限的概率;确定模块73,用于获取办理目标使用权限的概率超过预设的概率阈值的至少一个目标用户;推送模块74,用于向所述至少一个目标用户推送与所述使用权限对应的推送信息。
本实施例提供的信息推送装置,通过对用户办理使用权限的概率进行预测,并向办理使用权限概率超过预设的概率阈值的用户推送使用权限对应的推送信息,从而能够实现信息的精准推送,避免了资源浪费,提高推送效率。
图11为本申请实施例八提供的信息推送装置的结构示意图,在实施例七的基础上,所述预测模型包括向量化子网络、低阶特征提取子网络、中阶特征提取子网络以及高阶特征提取子网络,如图11所示,所述处理模块,包括:向量化单元81、处理单元82以及概率确定单元83,其中,向量化单元81,用于将所述历史使用数据输入至所述向量化子网络中,获得所述历史使用数据对应的目标向量;处理单元82,用于将所述目标向量输入至所述低阶特征提取子网络获得所述历史使用数据对应的低阶特征数据;以及,将所述目标向量输入至所述中阶特征提取子网络获得所述历史使用数据对应的中阶特征数据;以及,所述目标向量输入至所述高阶特征提取子网络获得所述历史使用数据对应的高阶特征数据;概率确定单元83,用于根据所述低阶特征数据、中阶特征数据以及高阶特征数据确定各所述用户办理目标使用权限的概率。
进一步地,在上述任一实施例的基础上,所述低阶特征提取子网络为FM模型;
相应地,所述处理单元用于:
将所述目标向量输入至所述FM模型中进行数据处理;
通过预设的防止过拟合技术随机丢弃所述FM模型数据处理过程中的交互路径。
进一步地,在上述任一实施例的基础上,所述中阶特征提取子网络包括卷积层、池化层以及全连接层;
相应地,所述处理单元用于:
通过所述卷积层以及所述池化层获取所述目标向量对应的特征信息;
通过所述全连接层拼接所述特征信息,获得所述中阶特征数据。
进一步地,在上述任一实施例的基础上,所述高阶特征提取子网络为多头注意力机制模型。
图12为本申请实施例九提供的信息推送装置的结构示意图,在上述任一实施例的基础上,如图12所示,所述装置还包括:待处理数据集获取模块91、第一标注模块92以及第一训练模块93,其中,待处理数据集获取模块91,用于从所述数据服务器中获取预设的待处理数据集,所述待处理数据集中包括多个用户的历史使用数据以及所述多个用户对应的使用权限办理信息;第一标注模块92,用于通过所述使用权限办理信息对所述多个用户的历史使用数据进行标注,获得第一待训练数据集;第一训练模块93,用于通过所述第一待训练数据集对预设的待训练模型进行训练,获得所述预测模型。
进一步地,在上述任一实施例的基础上,所述待处理数据集获取模块用于:
从所述数据服务器中获取预设的第一时间阈值内存在历史订单,和/或,预设的第二时间阈值内浏览目标网页数量超过预设的次数阈值,和/或,对任一目标项目偏好分数超过预设的分数阈值的用户对应的历史使用数据,作为所述待处理数据集,其中,所述偏好分数是通过预设的分数计算模型计算获得的。
图13为本申请实施例十提供的信息推送装置的结构示意图,在上述任一实施例的基础上,所述待处理数据集中还包括多个用户对应的使用权限类型的信息;如图13所示,所述装置还包括:第二标注模块111以及第二训练模块112,其中,第二标注模块111,用于通过所述使用权限类型的信息对所述多个用户的历史使用数据进行标注,获得第二待训练数据集;第二训练模块112,用于通过所述第二待训练数据集对预设的待训练模型进行训练,获得类型预测模型;处理模块112,用于将所述历史使用数据输入至所述类型预测模型中,获得各所述用户办理使用权限的类型信息。
图14为本申请实施例十一提供的信息推送装置的结构示意图,在上述任一实施例的基础上,所述待处理数据集中还包括多个用户对应的个性化浏览信息;如图14所示,所述装置还包括:第三标注模块121以及122,其中,第三标注模块121,用于通过所述个性化浏览信息对所述多个用户的历史使用数据进行标注,获得第三待训练数据集;第三训练模块122,用于通过所述第三待训练数据集对预设的待训练模型进行训练,获得浏览页面预测模型;处理模块123,用于将所述历史使用数据输入至所述浏览页面预测模型中,获得各所述用户个性化浏览页面信息;推送模块124,用于向所述至少一个用户推送所述个性化浏览页面信息。
图15为本申请实施例十二提供的信息推送设备的结构示意图,如图15所示,所述信息推送设备包括:存储器131,处理器132;
存储器131;用于存储所述处理器132可执行指令的存储器131;
其中,所述处理器132被配置为由所述处理器132执行如上述任一实施例所述的信息推送方法。
存储器131,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器131可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
其中,处理器132可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
可选的,在具体实现上,如果存储器131和处理器132独立实现,则存储器131和处理器132可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(PeripheralComponent,简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图15中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器131和处理器132集成在一块芯片上实现,则存储器131和处理器132可以通过内部接口完成相同间的通信。
本申请又一实施例还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计算机执行指令,所述计算机执行指令被处理器执行时用于实现如上述任一实施例所述的信息推送方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各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应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (16)
1.一种信息推送方法,其特征在于,包括:
获取至少一个用户在目标应用中的历史使用数据;
将所述历史使用数据输入至预设的预测模型中,获得各所述用户办理目标使用权限的概率;
获取办理目标使用权限的概率超过预设的概率阈值的至少一个目标用户;
向所述至少一个目标用户推送与所述使用权限对应的推送信息。
2.根据权利要求1所述的方法,其特征在于,所述预测模型包括向量化子网络、低阶特征提取子网络、中阶特征提取子网络以及高阶特征提取子网络;
所述将所述历史使用数据输入至预设的预测模型中,获得各所述用户办理目标使用权限的概率,包括:
将所述历史使用数据输入至所述向量化子网络中,获得所述历史使用数据对应的目标向量;
将所述目标向量输入至所述低阶特征提取子网络获得所述历史使用数据对应的低阶特征数据;以及,将所述目标向量输入至所述中阶特征提取子网络获得所述历史使用数据对应的中阶特征数据;以及,所述目标向量输入至所述高阶特征提取子网络获得所述历史使用数据对应的高阶特征数据;
根据所述低阶特征数据、中阶特征数据以及高阶特征数据确定各所述用户办理目标使用权限的概率。
3.根据权利要求2所述的方法,其特征在于,所述低阶特征提取子网络为FM模型;
相应地,所述将所述目标向量输入至所述低阶特征提取子网络获得所述历史使用数据对应的低阶特征数据,包括:
将所述目标向量输入至所述FM模型中进行数据处理;
通过预设的防止过拟合技术随机丢弃所述FM模型数据处理过程中的交互路径。
4.根据权利要求2所述的方法,其特征在于,所述中阶特征提取子网络包括卷积层、池化层以及全连接层;
相应地,所述将所述目标向量输入至所述中阶特征提取子网络获得所述历史使用数据对应的中阶特征数据,包括:
通过所述卷积层以及所述池化层获取所述目标向量对应的特征信息;
通过所述全连接层拼接所述特征信息,获得所述中阶特征数据。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述将所述历史使用数据输入至预设的预测模型中之前,还包括:
从所述数据服务器中获取预设的待处理数据集,所述待处理数据集中包括多个用户的历史使用数据以及所述多个用户对应的使用权限办理信息;
通过所述使用权限办理信息对所述多个用户的历史使用数据进行标注,获得第一待训练数据集;
通过所述第一待训练数据集对预设的待训练模型进行训练,获得所述预测模型。
6.根据权利要求5所述的方法,其特征在于,所述从所述数据服务器中获取预设的待处理数据集,包括:
从所述数据服务器中获取预设的第一时间阈值内存在历史订单,和/或,预设的第二时间阈值内浏览目标网页数量超过预设的次数阈值,和/或,对任一目标项目偏好分数超过预设的分数阈值的用户对应的历史使用数据,作为所述待处理数据集,其中,所述偏好分数是通过预设的分数计算模型计算获得的。
7.根据权利要求5所述的方法,其特征在于,所述待处理数据集中还包括多个用户对应的使用权限类型的信息;所述方法还包括:
通过所述使用权限类型的信息对所述多个用户的历史使用数据进行标注,获得第二待训练数据集;
通过所述第二待训练数据集对预设的待训练模型进行训练,获得类型预测模型;
将所述历史使用数据输入至所述类型预测模型中,获得各所述用户办理使用权限的类型信息。
8.根据权利要求5所述的方法,其特征在于,所述待处理数据集中还包括多个用户对应的个性化浏览信息;所述方法还包括:
通过所述个性化浏览信息对所述多个用户的历史使用数据进行标注,获得第三待训练数据集;
通过所述第三待训练数据集对预设的待训练模型进行训练,获得浏览页面预测模型;
将所述历史使用数据输入至所述浏览页面预测模型中,获得各所述用户个性化浏览页面信息;
向所述至少一个用户推送所述个性化浏览页面信息。
9.一种信息推送装置,其特征在于,包括:
获取模块,用于获取至少一个用户在目标应用中的历史使用数据;
处理模块,用于将所述历史使用数据输入至预设的预测模型中,获得各所述用户办理目标使用权限的概率;
确定模块,用于获取办理目标使用权限的概率超过预设的概率阈值的至少一个目标用户;
推送模块,用于向所述至少一个目标用户推送与所述使用权限对应的推送信息。
10.根据权利要求9所述的装置,其特征在于,所述预测模型包括向量化子网络、低阶特征提取子网络、中阶特征提取子网络以及高阶特征提取子网络;
向量化单元,用于将所述历史使用数据输入至所述向量化子网络中,获得所述历史使用数据对应的目标向量;
处理单元,用于将所述目标向量输入至所述低阶特征提取子网络获得所述历史使用数据对应的低阶特征数据;以及,将所述目标向量输入至所述中阶特征提取子网络获得所述历史使用数据对应的中阶特征数据;以及,所述目标向量输入至所述高阶特征提取子网络获得所述历史使用数据对应的高阶特征数据;
概率确定单元,用于根据所述低阶特征数据、中阶特征数据以及高阶特征数据确定各所述用户办理目标使用权限的概率。
11.根据权利要求9或10所述的装置,其特征在于,所述装置还包括:
待处理数据集获取模块,用于从所述数据服务器中获取预设的待处理数据集,所述待处理数据集中包括多个用户的历史使用数据以及所述多个用户对应的使用权限办理信息;
第一标注模块,用于通过所述使用权限办理信息对所述多个用户的历史使用数据进行标注,获得第一待训练数据集;
第一训练模块,用于通过所述第一待训练数据集对预设的待训练模型进行训练,获得所述预测模型。
12.根据权利要求11所述的装置,其特征在于,所述待处理数据集获取模块用于:
从所述数据服务器中获取预设的第一时间阈值内存在历史订单,和/或,预设的第二时间阈值内浏览目标网页数量超过预设的次数阈值,和/或,对任一目标项目偏好分数超过预设的分数阈值的用户对应的历史使用数据,作为所述待处理数据集,其中,所述偏好分数是通过预设的分数计算模型计算获得的。
13.根据权利要求11所述的装置,其特征在于,所述待处理数据集中还包括多个用户对应的使用权限类型的信息;所述装置还包括:
第二标注模块,用于通过所述使用权限类型的信息对所述多个用户的历史使用数据进行标注,获得第二待训练数据集;
第二训练模块,用于通过所述第二待训练数据集对预设的待训练模型进行训练,获得类型预测模型;
处理模块,用于将所述历史使用数据输入至所述类型预测模型中,获得各所述用户办理使用权限的类型信息。
14.根据权利要求11所述的装置,其特征在于,所述待处理数据集中还包括多个用户对应的个性化浏览信息;所述装置还包括:
第三标注模块,用于通过所述个性化浏览信息对所述多个用户的历史使用数据进行标注,获得第三待训练数据集;
第三训练模块,用于通过所述第三待训练数据集对预设的待训练模型进行训练,获得浏览页面预测模型;
处理模块,用于将所述历史使用数据输入至所述浏览页面预测模型中,获得各所述用户个性化浏览页面信息;
推送模块,用于向所述至少一个用户推送所述个性化浏览页面信息。
15.一种信息推送设备,其特征在于,包括:存储器,处理器;
存储器;用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为由所述处理器执行如权利要求1-8任一项所述的信息推送方法。
16.一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计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-8任一项所述的信息推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010447775.9A CN112243021A (zh) | 2020-05-25 | 2020-05-25 | 信息推送方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010447775.9A CN112243021A (zh) | 2020-05-25 | 2020-05-25 | 信息推送方法、装置、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112243021A true CN112243021A (zh) | 2021-01-19 |
Family
ID=74170419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010447775.9A Pending CN112243021A (zh) | 2020-05-25 | 2020-05-25 | 信息推送方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112243021A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196544A (zh) * | 2023-11-07 | 2023-12-08 | 恒实建设管理股份有限公司 | 一种工程信息智能化管理方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170083949A1 (en) * | 2015-09-18 | 2017-03-23 | Mastercard International Incorporated | Point of sale transaction based targeted advertising technical field |
CN106897905A (zh) * | 2017-02-28 | 2017-06-27 | 百度在线网络技术(北京)有限公司 | 用于推送信息的方法、装置及电子设备 |
CN107016569A (zh) * | 2017-03-21 | 2017-08-04 | 聚好看科技股份有限公司 | 一种网络产品的目标用户账号获取方法及装置 |
US20170329856A1 (en) * | 2015-04-08 | 2017-11-16 | Tencent Technology (Shenzhen) Company Limited | Method and device for selecting data content to be pushed to terminal, and non-transitory computer storage medium |
CN107908789A (zh) * | 2017-12-12 | 2018-04-13 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
CN108647811A (zh) * | 2018-04-26 | 2018-10-12 | 中国联合网络通信集团有限公司 | 预测用户购买权益商品的方法、装置、设备及存储介质 |
CN109214543A (zh) * | 2017-06-30 | 2019-01-15 | 华为技术有限公司 | 数据处理方法及装置 |
CN109257398A (zh) * | 2017-07-12 | 2019-01-22 | 阿里巴巴集团控股有限公司 | 一种业务对象的推送方法及设备 |
CN110324418A (zh) * | 2019-07-01 | 2019-10-11 | 阿里巴巴集团控股有限公司 | 基于用户关系推送业务的方法和装置 |
CN110443353A (zh) * | 2019-07-16 | 2019-11-12 | 天津大学 | 一种基于短连接的挖掘特征之间隐含关系的神经网络 |
CN110442810A (zh) * | 2019-08-08 | 2019-11-12 | 广州华建工智慧科技有限公司 | 一种基于DeepFM推荐算法的移动端BIM模型智能缓存方法 |
-
2020
- 2020-05-25 CN CN202010447775.9A patent/CN112243021A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170329856A1 (en) * | 2015-04-08 | 2017-11-16 | Tencent Technology (Shenzhen) Company Limited | Method and device for selecting data content to be pushed to terminal, and non-transitory computer storage medium |
US20170083949A1 (en) * | 2015-09-18 | 2017-03-23 | Mastercard International Incorporated | Point of sale transaction based targeted advertising technical field |
CN106897905A (zh) * | 2017-02-28 | 2017-06-27 | 百度在线网络技术(北京)有限公司 | 用于推送信息的方法、装置及电子设备 |
CN107016569A (zh) * | 2017-03-21 | 2017-08-04 | 聚好看科技股份有限公司 | 一种网络产品的目标用户账号获取方法及装置 |
CN109214543A (zh) * | 2017-06-30 | 2019-01-15 | 华为技术有限公司 | 数据处理方法及装置 |
CN109257398A (zh) * | 2017-07-12 | 2019-01-22 | 阿里巴巴集团控股有限公司 | 一种业务对象的推送方法及设备 |
CN107908789A (zh) * | 2017-12-12 | 2018-04-13 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
CN108647811A (zh) * | 2018-04-26 | 2018-10-12 | 中国联合网络通信集团有限公司 | 预测用户购买权益商品的方法、装置、设备及存储介质 |
CN110324418A (zh) * | 2019-07-01 | 2019-10-11 | 阿里巴巴集团控股有限公司 | 基于用户关系推送业务的方法和装置 |
CN110443353A (zh) * | 2019-07-16 | 2019-11-12 | 天津大学 | 一种基于短连接的挖掘特征之间隐含关系的神经网络 |
CN110442810A (zh) * | 2019-08-08 | 2019-11-12 | 广州华建工智慧科技有限公司 | 一种基于DeepFM推荐算法的移动端BIM模型智能缓存方法 |
Non-Patent Citations (1)
Title |
---|
陈检;: "基于神经网络与因子分解机的点击率预估应用研究", 信息技术与信息化, no. 08 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196544A (zh) * | 2023-11-07 | 2023-12-08 | 恒实建设管理股份有限公司 | 一种工程信息智能化管理方法及*** |
CN117196544B (zh) * | 2023-11-07 | 2024-01-30 | 恒实建设管理股份有限公司 | 一种工程信息智能化管理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200250732A1 (en) | Method and apparatus for use in determining tags of interest to user | |
CN111523976A (zh) | 商品推荐方法、装置、电子设备及存储介质 | |
CN107679217B (zh) | 基于数据挖掘的关联内容提取方法和装置 | |
CN111784455A (zh) | 一种物品推荐方法及推荐设备 | |
CN113449187B (zh) | 基于双画像的产品推荐方法、装置、设备及存储介质 | |
CN108121814B (zh) | 搜索结果排序模型生成方法和装置 | |
CN107193932B (zh) | 信息推送方法和装置 | |
EP2862104A1 (en) | Search method and apparatus | |
CN110827112A (zh) | 深度学习的商品推荐方法、装置、计算机设备及存储介质 | |
CN109933678B (zh) | 艺术品推荐方法、装置、可读介质及电子设备 | |
CN111966886A (zh) | 对象推荐方法、对象推荐装置、电子设备及存储介质 | |
CN112330382B (zh) | 物品推荐方法、装置、计算设备和介质 | |
CN115018588A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN109840788A (zh) | 用于分析用户行为数据的方法及装置 | |
CN112243021A (zh) | 信息推送方法、装置、设备及计算机可读存储介质 | |
CN111444335A (zh) | 中心词的提取方法及装置 | |
CN112989182A (zh) | 信息处理方法、装置、信息处理设备及存储介质 | |
CN111489196A (zh) | 基于深度学习网络的预测方法、装置、电子设备及介质 | |
CN111597454A (zh) | 一种账号推荐方法及装置 | |
CN111612506A (zh) | 金融资源抵扣方法、装置及电子设备 | |
CN113792232B (zh) | 页面特征计算方法、装置、电子设备、介质及程序产品 | |
CN115618126A (zh) | 搜索处理方法、***、计算机可读存储介质及计算机设备 | |
CN111598638B (zh) | 点击率确定方法、装置及设备 | |
CN112559853B (zh) | 用户标签的生成方法和装置 | |
CN112579896A (zh) | 一种信息推荐方法、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 |