CN112379919B - 一种服务定制方法、装置、电子设备及存储介质 - Google Patents
一种服务定制方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112379919B CN112379919B CN202011320234.6A CN202011320234A CN112379919B CN 112379919 B CN112379919 B CN 112379919B CN 202011320234 A CN202011320234 A CN 202011320234A CN 112379919 B CN112379919 B CN 112379919B
- Authority
- CN
- China
- Prior art keywords
- service
- model
- domain
- target
- customized
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000013508 migration Methods 0.000 claims abstract description 51
- 230000005012 migration Effects 0.000 claims abstract description 51
- 230000004044 response Effects 0.000 claims description 138
- 238000005457 optimization Methods 0.000 claims description 86
- 238000004458 analytical method Methods 0.000 claims description 60
- 238000012512 characterization method Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 23
- 238000012163 sequencing technique Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 17
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000013526 transfer learning Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000010985 leather Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000002304 perfume Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000011451 sequencing strategy Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/72—Code refactoring
-
- 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
-
- 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
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开一种服务定制方法、装置、电子设备及存储介质,属于互联网技术领域,该方法包括:接收服务定制请求,该请求中包括目标平台的领域描述信息、定制服务的服务描述信息和目标平台中的数据样本,根据领域描述信息确定目标平台所属的目标领域,从目标领域中选择提供服务描述信息对应的定制服务的领域服务模型,利用领域服务模型学***台中定制服务的服务关系进行迁移学***台的专用服务模型,利用专用服务模型提供定制服务,其中,领域服务模型是利用通用服务模型学习到的包括目标领域在内的不同领域中定制服务的服务关系,对目标领域中定制服务的服务关系进行迁移学习得到的。
Description
技术领域
本申请涉及互联网技术领域,尤其涉及一种服务定制方法、装置、电子设备及存储介质。
背景技术
随着互联网行业的快速发展,几乎所有的企业都开展了线上业务运营渠道。在众多企业均开展线上业务运营渠道的情况下,如何提升线上运营效果是每个企业都需要考虑的问题。
一般地,每个企业都有自己的线上业务平台,一个平台的运营效果与平台的服务精准度如推荐精准度、搜索精准度等有直接关系,所以更好的线上运营效果即是要实现更精准的推荐服务、更精准的搜索服务。然而,对于中小企业而言,他们可能没有自己的技术团队或者仅有经验比较少的技术团队,他们很难在短时间内提升自己平台的推荐服务效果和/或搜索服务效果。
因此,如何降低开发门槛、使中小企业能够在短时间内提升平台的服务精准度成为亟需解决的技术问题。
发明内容
本申请实施例提供一种服务定制方法、装置、电子设备及存储介质,用以解决相关技术中难以在短时间内提升平台的服务精准度的技术问题。
第一方面,本申请实施例提供一种服务定制方法,包括:
接收服务定制请求,所述服务定制请求中至少包括目标平台的领域描述信息、定制服务的服务描述信息和定制服务所需的目标平台中的数据样本;
根据所述领域描述信息,确定目标平台所属的目标领域;
从所述目标领域中选择提供所述服务描述信息对应的定制服务的领域服务模型,所述领域服务模型是利用通用服务模型学习到的包括所述目标领域在内的不同领域中定制服务的服务关系,对所述目标领域中定制服务的服务关系进行迁移学习得到的,其中,定制服务的服务关系是指定制服务的服务输入数据与服务响应数据之间的特征匹配关系;
利用所述领域服务模型学***台中定制服务的服务关系进行迁移学***台的专用服务模型;
利用所述专用服务模型,在所述目标平台中提供定制服务。
在一种可能的实施方式中,利用所述领域服务模型学***台中定制服务的服务关系进行迁移学***台的专用服务模型,包括:
利用所述领域服务模型学***台中定制服务的服务输入数据样本,从所述目标平台的服务响应数据库中筛选候选服务响应数据;
对各候选服务响应数据进行排序;
根据排序结果和所述服务输入数据样本对应的预设服务响应数据,调整所述领域服务模型的模型参数,直至确定所述领域服务模型的服务准确度达到设定值时,将所述领域服务模型确定为所述目标平台的专用服务模型。
在一种可能的实施方式中,若所述服务定制请求中还包括定制服务的优化目标,则对各候选服务响应数据进行排序,包括:
计算每个候选服务响应数据与所述定制服务的优化目标之间的匹配度;
根据各候选服务响应数据与所述定制服务的优化目标之间的匹配度,对各候选服务响应数据进行排序。
在一种可能的实施方式中,计算每个候选服务响应数据与所述定制服务的优化目标之间的匹配度,包括:
当定制服务为搜索服务时,分析每个候选服务响应数据对应的历史用户操作数据,确定该候选服务响应数据与所述优化目标之间的第一匹配度,并将该候选服务响应数据与所述服务输入数据样本对应的用户兴趣特征样本进行比对,确定该候选服务响应数据与所述优化目标之间的第二匹配度;根据所述第一匹配度和所述第二匹配度,确定该候选服务响应数据与所述优化目标之间的匹配度;
当定制服务为推荐服务时,分析每个候选服务响应数据对应的历史用户操作数据,确定该候选服务响应数据与所述优化目标之间的第一匹配度,根据所述第一匹配度,确定该候选服务响应数据与所述优化目标之间的匹配度。
在一种可能的实施方式中,当定制服务为推荐服务或搜索服务时,定制服务的服务响应数据是多媒体内容特征,以及还包括:
从所述目标领域中选择提供内容理解服务的领域内容理解模型,所述领域内容理解模型是利用通用内容理解模型学习到的包括所述目标领域在内的不同领域中内容理解服务的服务关系,对所述目标领域中内容理解服务的服务关系进行迁移学习得到的,其中,内容理解服务的服务关系是指多媒体数据与多媒体内容特征之间的内容理解关系;以及
所述目标平台的多媒体特征库中的多媒体内容特征是利用专用内容理解模型对所述目标平台中的多媒体数据进行内容理解得到的,所述专用内容理解模型是利用所述领域内容理解模型学***台中内容理解服务的服务关系进行迁移学习得到的。
在一种可能的实施方式中,当定制服务为推荐服务时,定制服务的服务输入数据是用户兴趣特征;当定制服务为搜索服务时,定制服务的服务输入数据是搜索词特征样本,所述搜索词特征样本对应有用户兴趣特征,以及还包括:
从所述目标领域中选择提供用户兴趣分析服务的领域用户兴趣模型,所述领域用户兴趣模型是利用通用用户兴趣模型学习到的包括所述目标领域在内的不同领域中用户兴趣分析服务的服务关系,对所述目标领域中用户兴趣分析服务的服务关系进行迁移学习得到的,其中,用户兴趣分析服务的服务关系是指用户兴趣表征数据与用户兴趣特征之间的关联关系;以及
所述目标平台中推荐服务的用户兴趣特征样本和/或所述目标平台中搜索服务的搜索词特征样本对应的用户兴趣特征样本,是利用专用用户兴趣模型对所述目标平台中的用户兴趣表征数据进行兴趣分析得到的,所述专用用户兴趣模型是利用所述领域用户兴趣模型学***台中用户兴趣分析服务的服务关系进行迁移学习得到的。
在一种可能的实施方式中,利用所述专用服务模型,在所述目标平台中提供定制服务之后,还包括:
获取所述目标平台中新的用户兴趣表征数据;
利用所述新的用户兴趣表征数据,对所述专用服务模型进行更新。
第二方面,本申请实施例提供一种服务定制装置,包括:
接收模块,用于接收服务定制请求,所述服务定制请求中至少包括目标平台的领域描述信息、定制服务的服务描述信息和定制服务所需的目标平台中的数据样本;
确定模块,用于根据所述领域描述信息,确定目标平台所属的目标领域;
选择模块,用于从所述目标领域中选择提供所述服务描述信息对应的定制服务的领域服务模型,所述领域服务模型是利用通用服务模型学习到的包括所述目标领域在内的不同领域中定制服务的服务关系,对所述目标领域中定制服务的服务关系进行迁移学习得到的,其中,定制服务的服务关系是指定制服务的服务输入数据与服务响应数据之间的特征匹配关系;
训练模块,用于利用所述领域服务模型学***台中定制服务的服务关系进行迁移学***台的专用服务模型;
服务模块,用于利用所述专用服务模型,在所述目标平台中提供定制服务。
在一种可能的实施方式中,所述训练模块具体用于:
利用所述领域服务模型学***台中定制服务的服务输入数据样本,从所述目标平台的服务响应数据库中筛选候选服务响应数据;
对各候选服务响应数据进行排序;
根据排序结果和所述服务输入数据样本对应的预设服务响应数据,调整所述领域服务模型的模型参数,直至确定所述领域服务模型的服务准确度达到设定值时,将所述领域服务模型确定为所述目标平台的专用服务模型。
在一种可能的实施方式中,若所述服务定制请求中还包括定制服务的优化目标,则所述训练模块具体用于:
计算每个候选服务响应数据与所述定制服务的优化目标之间的匹配度;
根据各候选服务响应数据与所述定制服务的优化目标之间的匹配度,对各候选服务响应数据进行排序。
在一种可能的实施方式中,所述训练模块具体用于:
当定制服务为搜索服务时,分析每个候选服务响应数据对应的历史用户操作数据,确定该候选服务响应数据与所述优化目标之间的第一匹配度,并将该候选服务响应数据与所述服务输入数据样本对应的用户兴趣特征样本进行比对,确定该候选服务响应数据与所述优化目标之间的第二匹配度;根据所述第一匹配度和所述第二匹配度,确定该候选服务响应数据与所述优化目标之间的匹配度;
当定制服务为推荐服务时,分析每个候选服务响应数据对应的历史用户操作数据,确定该候选服务响应数据与所述优化目标之间的第一匹配度,根据所述第一匹配度,确定该候选服务响应数据与所述优化目标之间的匹配度。
在一种可能的实施方式中,当定制服务为推荐服务或搜索服务时,定制服务的服务响应数据是多媒体内容特征;
所述选择模块,还用于从所述目标领域中选择提供内容理解服务的领域内容理解模型,所述领域内容理解模型是利用通用内容理解模型学习到的包括所述目标领域在内的不同领域中内容理解服务的服务关系,对所述目标领域中内容理解服务的服务关系进行迁移学习得到的,其中,内容理解服务的服务关系是指多媒体数据与多媒体内容特征之间的内容理解关系;以及
所述目标平台的多媒体特征库中的多媒体内容特征是利用专用内容理解模型对所述目标平台中的多媒体数据进行内容理解得到的,所述专用内容理解模型是利用所述领域内容理解模型学***台中内容理解服务的服务关系进行迁移学习得到的。
在一种可能的实施方式中,当定制服务为推荐服务时,定制服务的服务输入数据是用户兴趣特征;当定制服务为搜索服务时,定制服务的服务输入数据是搜索词特征样本,所述搜索词特征样本对应有用户兴趣特征;
所述选择模块,还用于从所述目标领域中选择提供用户兴趣分析服务的领域用户兴趣模型,所述领域用户兴趣模型是利用通用用户兴趣模型学习到的包括所述目标领域在内的不同领域中用户兴趣分析服务的服务关系,对所述目标领域中用户兴趣分析服务的服务关系进行迁移学习得到的,其中,用户兴趣分析服务的服务关系是指用户兴趣表征数据与用户兴趣特征之间的关联关系;以及
所述目标平台中推荐服务的用户兴趣特征样本和/或所述目标平台中搜索服务的搜索词特征样本对应的用户兴趣特征样本,是利用专用用户兴趣模型对所述目标平台中的用户兴趣表征数据进行兴趣分析得到的,所述专用用户兴趣模型是利用所述领域用户兴趣模型学***台中用户兴趣分析服务的服务关系进行迁移学习得到的。
在一种可能的实施方式中,还包括:
反馈模块,用于在利用所述专用服务模型,在所述目标平台中提供定制服务之后,获取所述目标平台中新的用户兴趣表征数据;利用所述新的用户兴趣表征数据,对所述专用服务模型进行更新。
第三方面,本申请实施例提供一种电子设备,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中:
存储器存储有可被至少一个处理器执行的指令,该指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述服务定制方法。
第四方面,本申请实施例提供一种存储介质,当所述存储介质中的指令由电子设备的处理器执行时,所述电子设备能够执行上述服务定制方法。
本申请实施例中,预先对包括目标领域在内的不同领域中定制服务的服务关系进行学***台的服务定制请求时,根据服务定制请求中包含的领域描述信息确定目标平台所属的目标领域,从目标领域中选择提供服务定制请求中包含的服务描述信息对应的定制服务的领域服务模型,利用领域服务模型学***台中的数据样本,对目标平台中定制服务的服务关系进行迁移学***台的专用服务模型,进而利用专用服务模型在目标平台中提供定制服务。
这样,开发人员仅需提供目标平台的领域描述信息、定制服务的服务描述信息和定制服务所需的目标平台中的数据样本,就可以快速为目标平台定制服务,不必关定制服务的底层实现,服务的开发门槛比较低。并且,通用服务模型学***台中定制服务的服务关系,这种由易到难、由粗到细的渐进学习定制服务的服务关系的过程,细化了各阶段服务模型的学习目标,可加快各阶段服务模型的收敛速度、也更符合机器学习规律,因此,可提升最终得到的专用服务模型的收敛速度和服务精准度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的一种服务定制方法的流程图;
图2为本申请实施例提供的一种训练得到专用服务模型的方法流程图;
图3为本申请实施例提供的又一种训练得到专用服务模型的方法流程图;
图4为本申请实施例提供的一种推荐服务和搜索服务的构建架构图;
图5为本申请实施例提供的一种服务构建过程示意图;
图6是本申请实施例提供的推荐服务的定制过程示意图;
图7是本申请实施例提供的搜索服务的定制过程示意图;
图8为本申请实施例提供的一种服务定制装置的结构示意图;
图9为本申请实施例提供的一种用于实现服务定制方法的电子设备的硬件结构示意图。
具体实施方式
为了解决相关技术中难以在短时间内提升平台的服务精准度的技术问题,本申请实施例提供了一种服务定制方法、装置、电子设备及存储介质。
以下结合说明书附图对本申请的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本申请,并不用于限定本申请,并且在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
为了便于理解本申请,本申请涉及的技术术语中:
定制服务的服务关系,是指定制服务的服务输入数据与服务响应数据之间的特征匹配关系。以定制服务是推荐服务为例,推荐服务的服务输入数据是用户兴趣特征、服务响应数据是多媒体内容特征,所以推荐服务的服务关系是指推荐服务的用户兴趣特征与多媒体内容特征之间的特征匹配关系。以定制服务是搜索服务为例,搜索服务的服务输入数据是搜索词特征、服务响应数据是指多媒体内容特征,所以搜索服务的服务关系是指搜索服务的搜索词特征与多媒体内容特征之间的特征匹配关系。
多媒体数据,一般是指包括文本、声音和图像等多种媒体形式的数据,如直播视频、图集、短视频等均为多媒体数据。
多媒体内容特征,对多媒体数据进行内容理解后得到的数据称为多媒体内容特征。
图1为本申请实施例提供的一种服务定制方法的流程图,包括以下步骤:
S101:接收服务定制请求,其中,服务定制请求中至少包括目标平台的领域描述信息、定制服务的服务描述信息和定制服务所需的目标平台中的数据样本。
具体实施时,领域描述信息可以是像教育领域、汽车领域等这样的领域名称,也可以是像domain1(表示教育领域)、domain2(表示汽车领域)这样的领域标识。类似地,服务定制信息可以是像推荐服务、搜索服务等这样的服务名称,也可以是像service1(表示推荐服务)、service2(表示搜索服务)等这样的服务标识。当然,领域描述信息和服务定制信息还可以是其它表现形式,在此不做限定。
实际应用中,用户可以一次定制一个服务如推荐服务或搜索服务,也可以一次定制多个服务如推荐服务和搜索服务,因此,服务定制信息既可以是一个服务的服务定制信息,也可以是多个服务的服务定制信息。本申请实施例对此不做限制。
S102:根据领域描述信息,确定目标平台所属的目标领域。
实际应用中,每个领域都会有提供定制服务的领域服务模型,且不同领域中提供定制服务的领域服务模型会有所不同。以定制服务为推荐服务为例,汽车领域中提供推荐服务的领域服务模型主要用于推荐与汽车相关的视频,教育领域中提供推荐服务的领域服务模型主要用于推荐与教育相关的视频,由于这两个领域中的视频内容差别较大,所以这两个领域中提供推荐服务的领域服务模型也会有所区别。
为了能够更好地为目标平台提供定制服务,可以根据领域描述信息确定目标平台所属的目标领域,后续从目标领域中选择提供定制服务的领域服务模型。
S103:从目标领域中选择提供服务描述信息对应的定制服务的领域服务模型,其中,领域服务模型是利用通用服务模型学习到的包括目标领域在内的不同领域中定制服务的服务关系,对目标领域中定制服务的服务关系进行迁移学习得到的,其中,定制服务的服务关系是指定制服务的服务输入数据与服务响应数据之间的特征匹配关系。
以定制服务是推荐服务为例,选择定制服务对应的领域服务模型即是选择提供推荐服务的领域服务模型,后续,将提供推荐服务的领域服务模型称为领域推荐模型,将用于训练领域推荐模型的通用服务模型称为通用推荐模型,将利用领域推荐模型训练得到的专用服务模型称为专用推荐模型。
以定制服务是搜索服务为例,选择定制服务对应的领域服务模型即是选择提供搜索服务的领域服务模型,后续,将提供搜索服务的领域服务模型称为领域搜索模型,将用于训练领域搜索模型的通用服务模型称为通用搜索模型,将利用领域搜索模型训练得到的专用搜索模型称为专用搜索模型。
S104:利用领域服务模型学***台中的数据样本,对目标平台中定制服务的服务关系进行迁移学***台的专用服务模型。
具体实施时,可以按照图2所示的流程训练得到专用服务模型,该流程包括以下步骤:
S201a:利用领域服务模型学***台中定制服务的服务输入数据样本,从目标平台的服务响应数据库中筛选候选服务响应数据。
S202a:对各候选服务响应数据进行排序。
具体实施时,可以按照预设规则对各候选服务响应数据进行排序,进而可按照匹配度从高到低的顺序对各候选服务响应数据进行排序,其中,预设规则如热度、发布时间、与服务输入数据之间的匹配度等。
S203a:根据排序结果和服务输入数据样本对应的预设服务响应数据,调整领域服务模型的模型参数,直至确定领域服务模型的服务准确度达到设定值时,将领域服务模型确定为目标平台的专用服务模型。
此外,为了为目标平台提供符合其业务要求的深度服务定制,服务定制请求中还可以包括定制服务的优化目标,此时,可以按照图3所示的流程训练得到专用服务模型,该流程包括以下步骤:
S301a:利用领域服务模型学***台中定制服务的服务输入数据样本,从目标平台的服务响应数据库中筛选候选服务响应数据。
S302a:计算每个候选服务响应数据与定制服务的优化目标之间的匹配度。
实际应用中,定制服务可以有不止一个优化目标,不同领域中定制服务的优化目标也可能不同。比如,推荐服务在汽车领域的优化目标是汽车成交总量;而推荐服务在教育领域的优化目标是教育视频的完播率。再比如,搜索服务在汽车领域的优化目标是汽车视频的浏览时长和汽车成交总量;而搜索服务在教育领域的优化目标是相关性和教育视频的完播率。
具体实施时,当定制服务为推荐服务时,可以分析每个候选服务响应数据对应的历史用户操作数据,确定该候选服务响应数据与推荐服务的优化目标之间的第一匹配度,进而根据第一匹配度,确定该候选服务响应数据与推荐服务的优化目标之间的匹配度。比如,该候选服务响应数据与推荐服务的优化目标之间的匹配度=β*第一匹配度,其中,β是技术人员预先确定的常数。
以推荐服务在汽车领域的优化目标是汽车成交总量为例,对每个候选服务响应数据(汽车相关的多媒体数据),可以根据该候选服务响应数据对应的历史用户操作数据如历史观看次数和历史下单次数,计算用户观看该候选服务响应数据后的下单概率(即第一匹配度),然后,将下单概率确定为该候选服务响应数据与用户兴趣特征样本之间的匹配度,即直接将第一匹配度作为该候选服务响应数据与推荐服务的优化目标之间的匹配度。
这样,在筛选出符合用户兴趣特征样本的候选服务响应数据之后,结合每个候选服务响应数据的历史用户操作数据如购买情况、热度等,确定该候选服务响应数据与推荐服务的优化目标之间的匹配度,按照匹配度从高到低的顺序展示各候选服务响应数据,利于实现推荐服务的优化目标。
具体实施时,当定制服务为搜索服务时,可以分析每个候选服务响应数据对应的历史用户操作数据,确定该候选服务响应数据与搜索服务的优化目标之间的第一匹配度,并将该候选服务响应数据与服务输入数据样本(此时为搜索词特征样本)对应的用户兴趣特征样本进行比对,确定该候选服务响应数据与搜索服务的优化目标之间的第二匹配度,进而根据第一匹配度和第二匹配度,确定该候选服务响应数据与搜索服务的优化目标之间的匹配度。比如,该候选服务响应数据与搜索服务的优化目标之间的匹配度=α*第一匹配度+(1-α)*第二匹配度,其中,α是技术人员预先确定的小数。
以搜索服务在教育领域的优化目标是相关性和教育视频的完播率为例,对每个候选服务响应数据(教学相关的多媒体数据),可以计算该候选服务响应数据与搜索词特征样本之间的关联程度,作为第一匹配度,并根据该候选服务响应数据对应的历史用户操作数据如历史用户观看记录,计算当前用户观看该候选服务响应数据的完播率,作为第二匹配度,进而根据第一匹配度和第二匹配度,计算该候选服务响应数据与搜索服务的优化目标之间的匹配度。
这样,在筛选出符合搜索词特征样本的候选服务响应数据之后,结合每个候选服务响应数据的历史用户操作数据如购买情况、热度和相应的用户兴趣特征样本,确定该候选服务响应数据与搜索服务的优化目标之间的匹配度,按照匹配度从高到低的顺序展示各候选服务响应数据,利于实现搜索服务的优化目标。并且,可为搜索相同搜索词的不同用户展示不同的候选服务响应数据排序情况,利用进一步逼近提升搜索服务的优化目标。
S303a:根据各候选服务响应数据与定制服务的优化目标之间的匹配度,对各候选服务响应数据进行排序。
一般地,可按照匹配度从高到低的顺序对各候选服务响应数据进行排序,以实现定制服务的优化目标。
S304a:根据排序结果和服务输入数据样本对应的预设服务响应数据,调整领域服务模型的模型参数,直至确定领域服务模型的服务准确度达到设定值时,将领域服务模型确定为目标平台的专用服务模型。
本申请实施例中,领域服务模型学***台是目标领域中更细化的分支,目标平台中的服务关系比目标领域中的服务关系更细致、也更多样化,加入了目标平台中服务关系的相关数据之后,相当于使用目标平台的独有服务数据对领域服务模型学***台的专用服务模型,且可保证专用服务模型的服务精准度。
S105:利用专用服务模型,在目标平台中提供定制服务。
具体实施时,可以将专用服务模型的模型参数部署在目标平台的公有云或私有云上,从而利用专用服务模型为目标平台提供定制服务。
实际应用中,推荐服务或搜索服务的服务响应数据是多媒体内容特征,而在为目标平台定制推荐服务或搜索服务时,需要推荐或搜索的是目标平台中多媒体数据的多媒体内容特征,所以可预先对目标平台中的多媒体数据进行内容理解,得到目标平台的多媒体内容特征。
具体实施时,目标平台的多媒体内容特征可以利用非迁移学习的方式得到,也可以利用迁移学习的方式得到。
当利用迁移学***台的多媒体内容特征时,上述S103中,还可以从目标领域中选择提供内容理解服务的领域内容理解模型,该领域内容理解模型是利用通用内容理解模型学习到的包括目标领域在内的不同领域中内容理解服务的服务关系,对目标领域中内容理解服务的服务关系进行迁移学习得到的,其中,内容理解服务的服务关系是指多媒体数据与多媒体内容特征之间的内容理解关系。
之后,利用领域内容理解模型学***台中的内容理解样本,对目标平台中内容理解服务的服务关系进行迁移学***台的专用内容理解模型,再利用专用内容理解模型对目标平台中的各多媒体数据进行内容理解,就可得到目标平台的多媒体内容特征,其中,内容理解样本包括多媒体数据和多媒体数据对应的预设多媒体特征。
另外,当定制服务为推荐服务时,定制服务的服务输入数据是用户兴趣特征;当定制服务为搜索服务时,定制服务的服务输入数据是搜索词特征样本,搜索词特征样本也对应有用户兴趣特征。也就是说,在为目标平台定制推荐服务或搜索服务时,都会使用到目标平台中的用户兴趣特征样本,所以可预先对目标平台中的用户兴趣表征数据进行兴趣分析,得到目标平台中的用户兴趣特征,再从这些用户兴趣特征中挑选用户兴趣特征样本,其中,用户兴趣表征数据包括用户的静态画像数据(如年龄、性别、所在地理位置等)和动态画像数据(如浏览了哪些视频、评论了哪些商品、购买了哪些商品、视频浏览时长等)。
具体实施时,目标平台中的用户兴趣特征可以利用非迁移学习的方式得到,也可以利用迁移学习的方式得到。
当利用迁移学***台中的用户兴趣特征时,上述S103中,还可以从目标领域中选择提供用户兴趣分析服务的领域用户兴趣模型,该领域用户兴趣模型是利用通用用户兴趣模型学习到的包括目标领域在内的不同领域中用户兴趣分析服务的服务关系,对目标领域中用户兴趣分析服务的服务关系进行迁移学习得到的,其中,用户兴趣分析服务的服务关系是指用户兴趣表征数据与用户兴趣特征之间的关联关系。
之后,利用领域用户兴趣模型学***台中的用户兴趣分析样本,对目标平台中用户兴趣分析服务的服务关系进行迁移学***台中各用户的用户兴趣表征数据进行兴趣分析,即可得到目标平台中的用户兴趣特征,其中,用户兴趣分析样本包括用户兴趣表征数据和用户兴趣表征数据对应的预设用户兴趣特征。
图4是本申请实施例提供的一种推荐服务和搜索服务的构建架构图,首先,获取多媒体数据,然后,对多媒体数据进行内容理解,得到多媒体内容特征,之后,以多媒体内容特征和搜索词为基础构建搜索服务,部署搜索服务,并以多媒体内容特征和用户兴趣特征为基础构建推荐服务,部署推荐服务。在部署推荐服务和搜索服务之后,用户使用推荐服务和搜索服务会生成新的用户兴趣表征数据,将这些用户兴趣表征数据反馈给用户兴趣模型,利用用户兴趣模型生成新的用户兴趣特征,并重新构建推荐服务,部署推荐服务。另外,多媒体数据也是不断在更新的,内容理解过程也在不断更新,所以搜索服务和推荐服务都是在不断更新的,循环往复,最终构建出达到预设效果的搜索服务和推荐服务。
图5是本申请实施例提供的一种服务构建过程示意图,该服务构建过程包括三个阶段:跨领域阶段、领域阶段和定制阶段,其中:
跨领域阶段,主要是获取多个领域中的多媒体数据如短视频、直播、图集等,并获取每个多媒体数据的多媒体描述信息如评论信息、热度信息等,采用图4所示的过程生产通用模型,如通用内容理解模型、通用用户兴趣模型、通用推荐模型和通用搜索模型。
领域阶段,主要是获取具体领域中的多媒体数据和每个多媒体数据的多媒体描述信息,在通用模型的基础上,采用图4所示的过程生产领域模型。假设通用模型是利用n个领域的多媒体数据生成的,则此阶段可生成n个领域模型,n为大于1的整数。
定制阶段,主要是在一个领域下获取具体平台中的多媒体数据和每个多媒体数据的多媒体描述信息,在该领域中领域模型的基础上,采用图4所示的过程生成该平台的专用模型。该领域下有多少平台定制服务就可以生成多少个专用模型。也就是说,图5中的i、j、k的数值是不确定的。
图6是本申请实施例提供的推荐服务的定制过程示意图。当需要为目标平台定制推荐服务时,目标平台的技术人员可以通过定制服务接口向服务器提供目标平台的领域描述信息、推荐服务的服务描述信息、定制推荐服务所需的目标平台中的数据样本、以及推荐服务的优化目标如浏览时长和成交总额。
实际应用中,定制推荐服务所需的目标平台中的数据样本至少包括:目标平台中的用户兴趣特征样本和用户兴趣特征样本对应的预设多媒体数据(由技术人员根据经验预先确定)。另外,若想要借助于领域内容理解模型和领域用户兴趣模型来生成专用推荐模型,数据样本还可以包括:目标平台中的内容理解样本和用户兴趣分析样本。后续,以借助领域内容理解模型和领域用户兴趣模型为例介绍生成专用推荐模型的过程。并且,为了保证样本的准确性,此阶段的用户兴趣特征样本、内容理解样本和用户兴趣分析样本的标注信息都可人工标注或者先机器标注再人工校正。
进一步地,服务器可以根据领域描述信息确定目标平台所属的目标领域,然后,从目标领域中选择提供服务描述信息对应的推荐服务的领域推荐模型、选择提供内容理解服务的领域内容理解模型、以及提供用户兴趣分析服务的领域用户兴趣模型。
然后,利用领域内容理解模型学***台中的内容理解样本,对目标平台中内容理解服务的服务关系进行迁移学***台的专用内容理解模型。利用专用内容理解模型对目标平台中的各多媒体数据进行内容理解,得到目标平台的多媒体特征库。
并且,利用领域用户兴趣模型学***台中的用户兴趣分析样本,对目标平台中用户兴趣分析服务的服务关系进行迁移学***台中各用户的用户兴趣表征数据进行兴趣分析,即可得到目标平台的用户兴趣特征库。
之后,可从目标平台的用户兴趣特征库中挑选一些用户兴趣特征样本,利用领域服务模型学***台的多媒体特征库中筛选符合每个用户兴趣特征样本的多媒体内容特征,将具有这些多媒体内容特征的多媒体数据作为候选多媒体数据。
进一步地,分析每个候选多媒体数据对应的历史用户操作数据,确定该候选多媒体数据与推荐服务的优化目标之间的第一匹配度,根据第一匹配度,确定该候选多媒体数据与推荐服务的优化目标之间的匹配度。按照各候选多媒体数据与推荐服务的优化目标之间的匹配度从高到低的顺序,对各候选多媒体数据进行排序,根据排序结果和当前用户兴趣特征样本对应的预设多媒体数据,调整领域推荐模型的模型参数,直至确定领域推荐模型的推荐准确度达到第一设定值时,将领域推荐模型确定为目标平台的专用推荐模型。利用专用推荐模型即可在目标平台中提供推荐服务。
后续,还可获取目标平台中新的用户兴趣表征数据,利用新的用户兴趣表征数据,对专用推荐模型进行更新。这样,有利于进一步提升专用推荐模型的服务精准度。
本申请实施例中,预先对包括目标领域在内的不同领域中推荐服务的服务关系进行学***台定制推荐服务时,从目标平台所属的目标领域中选择领域推荐模型,利用领域推荐模型学***台中的数据样本,对目标平台中推荐服务的服务关系进行迁移学***台的专用推荐模型,并利用专用推荐模型在目标平台中提供推荐服务。
这样,开发人员不必关推荐服务的底层实现就可以快速为目标平台定制推荐服务,可以大幅降低推荐服务的开发门槛。并且,通用推荐模型学***台中推荐服务的服务关系,这种由易到难、由粗到细的渐进学习推荐服务的服务关系的过程,细化了各阶段推荐模型的推荐目标,可加快各阶段推荐模型的收敛速度,也更符合机器学习规律,因此,可提升最终得到的专用推荐模型的收敛速度和推荐精准度。
另外,本申请实施例中,还可设置目标平台中推荐服务的优化目标,这样,目标领域中不同平台所定制出的专用推荐模型的推荐策略也会有所不同,利于定制出更加符合目标平台业务推荐要求的推荐模型,用户体验也较好。
图7是本申请实施例提供的搜索服务的定制过程示意图。当需要为目标平台定制搜索服务时,技术人员可以通过定制服务接口向服务器提供目标平台的领域描述信息、搜索服务的服务描述信息、定制搜索服务所需的目标平台中的数据样本、以及搜索服务的优化目标如相关性和成交总额。
其中,定制搜索服务所需的目标平台中的数据样本至少包括:目标平台的搜索词特征样本、搜索词特征样本对应的预设多媒体数据(由技术人员根据经验预先确定)、以及搜索词特征样本对应的用户兴趣特征样本。另外,若想要借助于领域内容理解模型,数据样本还可以包括:目标平台中的内容理解样本。后续,以借助领域内容理解模型为例介绍生成专用搜索模型的过程。并且,为了保证样本的准确性,此阶段的搜索词特征样本、内容理解样本和用户兴趣分析样本的标注信息都可人工标注或者先机器标注再人工校正。
进一步地,服务器可以根据领域描述信息确定目标平台所属的目标领域,然后,从目标领域中选择提供服务描述信息对应的搜索服务的领域搜索模型、选择提供内容理解服务的领域内容理解模型、以及提供用户兴趣分析服务的领域用户兴趣模型。
然后,利用领域内容理解模型学***台中的内容理解样本,对目标平台中内容理解服务的服务关系进行迁移学***台的专用内容理解模型。再利用专用内容理解模型对目标平台中的各多媒体数据进行内容理解,得到目标平台的多媒体特征库。
并且,利用领域用户兴趣模型学***台中的用户兴趣分析样本,对目标平台中用户兴趣分析服务的服务关系进行迁移学***台中各用户的用户兴趣表征数据进行兴趣分析,即可得到目标平台的用户兴趣特征库。
之后,利用领域服务模型学***台的多媒体特征库中筛选符合每个搜索词特征样本的多媒体内容特征,将具有这些多媒体内容特征的多媒体数据作为候选多媒体数据。
进一步地,分析每个候选多媒体数据对应的历史用户操作数据,确定该候选多媒体数据与搜索服务的优化目标之间的第一匹配度,并将该候选服务响应数据与搜索词特征样本对应的用户兴趣特征样本进行比对,确定该候选服务响应数据与搜索服务的优化目标之间的第二匹配度,进而根据第一匹配度和第二匹配度,确定该候选多媒体数据与搜索服务的优化目标之间的匹配度。之后,可按照各候选多媒体数据与搜索服务的优化目标之间的匹配度从高到低的顺序,对各候选多媒体数据进行排序,根据排序结果和当前搜索词特征样本对应的预设多媒体数据,调整领域搜索模型的模型参数,直至确定领域搜索模型的搜索准确度达到第二设定值时,将领域搜索模型确定为目标平台的专用搜索模型。利用专用搜索模型即可在目标平台中提供搜索服务。
后续,还可获取目标平台中新的用户兴趣表征数据,利用新的用户兴趣表征数据,对专用搜索模型进行更新。这样,有利于进一步提升专用搜索模型的服务精准度。
本申请实施例中,预先对包括目标领域在内的不同领域中搜索服务的服务关系进行学***台定制搜索服务时,从目标平台所属的目标领域中选择领域搜索模型,利用领域搜索模型学***台中的数据样本,对目标平台中搜索服务的服务关系进行迁移学***台的专用搜索模型,并利用专用搜索模型在目标平台中提供搜索服务。
这样,开发人员不必关搜索服务的底层实现就可以快速为目标平台定制搜索服务,可以大幅降低搜索服务的开发门槛。并且,通用搜索模型学***台中搜索服务的服务关系,这种由易到难、由粗到细的渐进学习搜索服务的服务关系的过程,细化了各阶段搜索模型的搜索目标,可加快各阶段搜索模型的收敛速度,也更符合机器学习规律,因此,可提升最终得到的专用搜索模型的收敛速度和搜索精准度。
另外,本申请实施例中,还可设置目标平台中搜索服务的优化目标,这样,目标领域中不同平台所定制出的专用搜索模型的搜索策略也会有所不同,利于定制出更加符合目标平台业务搜索要求的搜索模型,用户体验也较好。
本申请实施例中,可以先利用20个热门领域的多媒体数据作为混合训练样本(图文/短视频/直播等)训练出通用模型如通用内容理解模型、通用用户兴趣模型、通用推荐模型和通用搜索模型。然后,建设好20个领域的领域知识库作为该领域的领域训练样本,在通用模型的基础上利用这些领域训练样本训练出领域模型如领域内容理解模型、领域用户兴趣模型、领域推荐模型和领域搜索模型,其中,每个领域的领域知识库包括该领域的实体库、实体属性、实体关系和该领域下用户的消费行为画像,。
后续,当服务目标平台时,提供对接目标平台的独有数据的应用程序接口(Application Program Interface,API)和定制服务的优化参数设置,在接入目标平台的多媒体数据、用户兴趣特征表征数据和定制服务的优化参数后,以领域模型为基础进行迁移学***台的专用模型如专用推荐模型和专用搜索模型,并以定制服务的优化目标微调推荐服务或搜索服务的排序策略,快速为目标平台提供深度定制服务。
由于专用模型继承了全领域通用模型的适配性,所以可节省前期模型训练的计算量和数据迭代成本,而后续专用模型的迭代工作聚焦在定制服务的优化目标即客户的实际需求之上,所以可对性地为不同平台定制差异化的专用模型,从而提供了一套能主动适应目前主流垂直行业的多媒体数据的搜索服务和推荐服务的解决方案。
下面结合具体实施例对上述过程进行介绍。
第一阶段:全网抓取1000万个多媒体数据如短视频、直播流,这1000万个多媒体数据分布在20个热门领域,利用这1000万个多媒体数据训练通用模型如通用内容理解模型、通用用户兴趣模型、通用推荐模型和通用搜索模型,其中,通用推荐模型可以无差别地对这1000万个多媒体数据做推荐,通用搜索模型可以无差别地对这1000万个多媒体数据做搜索服务。
此阶段各通用模型的输入、输出数据举例:
1、通用内容理解模型。
输入:多媒体数据的多媒体描述信息,可以是如下形式:
{ItemID:it10000001;
URL:……;
原始内容切片:二进制图片集合;
原始音频:从短视频和直播中分离出来的语音;
原始文本:从网页中抽取的文本描述;
}
输出:经过内容理解模型后得到的多媒体内容特征,可以是如下形式:
{ItemID:it10000001;
URL:……;
原始内容切片:二进制图片集合;
语音识别:从短视频中语音识别得到的文字;
文字识别:从短视频截帧中图像识别出的标题、配字、字幕等;
人脸标识:从短视频/直播/图片中识别出的人脸特征,并用人脸标识表示;
标签:多媒体数据的视频分类如新闻-国内新闻、商品-数码3C等;
实体标识:如汽车、景点、商品、动物、植物等;
关键帧:最能代表短视频的N张截帧图片;
关键帧视觉特征:关键帧的低维计算机视觉特征;
文本关键词:内容描述文字,通过自然语言处理进行分词,去掉停用词、无用词后的关键词;
语义Embedding:对短视频的一种低纬度空间映射表示;
…
}
2、通用用户兴趣模型。
输入:用户群的行为。各大网站开放的用户兴趣特征表征数据,例如评论页、关注列表、收藏列表、转发关系等。可以是如下形式:
(Group feature)->(action feature)
(性别,城市,年龄,手机品牌,时间)->(A网站中的商品条目,某商品,购买评论内容,商品类别);
(性别,城市,年龄,手机品牌,时间)->(B应用中的一篇文章,某旅游景点,点赞,旅游);
(性别,城市,年龄,手机品牌,时间)->(C应用中的一个短视频,美妆自拍内容,点赞,分享,美妆)
输出:用户群的兴趣点、消费内容,可以是如下形式:
(性别,城市,年龄,手机品牌,时间)->(兴趣点:概率),(消费内容标识)。
3、通用推荐模型。
输入:内容理解之后的所有内容标识和用户兴趣分析之后的所有用户组标识;
输出:推荐的短视频/直播/图片。
一般地,通用推荐模型的排序目标如曲线下面积(Area Under Curve)和一些技术指标,主要用于衡量通用推荐模型的关联度。
4、通用搜索模型。
输入:内容理解之后的所有内容标识、用户兴趣分析之后的所有用户组标识和搜索词特征样本。
输出:搜索的短视频/直播/图片。
一般地,通用搜索模型的排序目标如文本相关性和一些技术指标,主要用于衡量搜索结果是否跟关键词特征样本相关。
第二阶段:对目标领域如汽车领域,定向抓取多家汽车站点的数据,生成汽车数据库、相应的配图和评论信息。再额外选取10万个汽车领域的短视频和直播内容进行机器和/或人工标注,使短视频和直播可以与汽车型号、汽车属性相关联。并且,针对汽车领域,可以微调推荐服务和搜索领域的排序策略和目标,训练出汽车领域的领域模型如领域内容理解模型、领域用户兴趣模型、领域推荐模型和领域搜索模型。
此阶段各通用模型的输入、输出数据举例:
1、领域内容理解模型。
输入:在通用内容理解模型的基础上增加了两个输入,一个是汽车领域的专业知识,一个是对汽车领域单独标注的少量数据样本如增加每款汽车的详细参数信息。
比如,通用的1000万个多媒体数据中,如果哪个多媒体数据中有汽车或者能识别出具体车型,可以直接跟汽车知识库对接上,此时,这个多媒体数据的内容理解结果会集成该款汽车所有的数据信息、以及这个多媒体数据与新增的10万个多媒体数据之间的对应关系。
输出:经过内容理解模型后得到的多媒体内容特征,可以是如下形式:
{ItemID:it10000001;
(中间部分与通用内容理解模型无差别);
领域:汽车;
品牌:……;
具体型号:……;
详细特征:报价、发动机、长宽高、动力、内饰、颜色;
关联内容:(it30000005,it80000004,it90000002);
}
2、领域用户兴趣模型。
定向抓取跟10万个多媒体数据的领域配套的用户兴趣特征表征数据如网站开放的评论、点赞、关注列表等。
输入:额外增加领域的知识库,帮助通用用户兴趣模型做更细粒度的理解,可以是如下形式:。
(性别,城市,年龄,手机品牌,时间)->(D应用,评论,我不太喜欢XX,我觉得相同的价格买XX更好);
(性别,城市,年龄,手机品牌,时间)->(E应用,点赞,XX试驾体验不错);
输出:额外增加用户群对领域细粒度实体的兴趣如品牌、型号等,可以是如下形式:。
(性别,城市,年龄,手机品牌,时间)->(兴趣点:概率),(消费内容标识)->汽车(品牌:概率),(消费汽车型号);
3、领域推荐模型。
领域推荐模型的输入与通用推荐模型的输入类似,但比通用推荐模型的输入增加了汽车领域额外的多媒体特征,领域推荐模型的输出与通用推荐模型的输出类似,但可以推荐出汽车领域大众喜欢的品牌。
一般地,通用推荐模型的排序目标可以采用汽车领域的领域目标,如浏览时长、品牌关注量等。
4、领域搜索模型。
领域搜索模型的输入与通用搜索模型的输入类似,但比通用搜索模型的输入增加了汽车领域额外的多媒体特征,领域搜索模型的输出与通用搜索模型的输出类似,但可以搜索到汽车领域大众喜欢的品牌。
一般地,领域搜索模型的排序目标可以采用汽车领域的体验规则,如汽车品牌打散、中外合资优先等。
第三阶段:某平台申请了汽车领域的推荐服务和搜索服务,通过导入该平台实际的业务内容和用户兴趣特征表征数据快速构建推荐服务和搜索服务,能够在该平台中为用户推荐汽车型号粒度的汽车相关视频,搜索出汽车名称相关的汽车相关视频。
实际应用中,实际的业务数据包含三部分:
第一部分:企业实际售卖的库存量单位(Stock Keeping Unit,SKU)库及对应的详细信息。
比如:一共在销售的2000款汽车配件的商品详细信息,报价,销售地,客服等。再比如:某款车在售的真皮坐垫、贴膜、香氛、车衣等10款商品。
第二部分:用于推荐和搜索的图文评测、短视频介绍、直播回放等。
比如对某款车的真皮坐垫,写了10篇图文、录了20个短视频、开了10场直播。
第三部分:账户级别的用户行为数据。
比如用户看过哪些内容,点进去的商品详情页,最终下单成交,订单详情,商品关注,内容点赞等。
此阶段可以跟平台的技术团队沟通明确推荐服务和搜索服务的优化目标,比如,推荐服务的优化目标是浏览时长和成交总额、搜索模型的优化目标是相关性和成交总额。
在明确推荐服务或搜索服务的优化目标后,可以开始通过机器算法,从用户的行为数据中筛选该服务中排序策略的训练样本。
比如,推荐服务的优化目标是浏览时长和成交总额,那么:
正样本的筛选规则可以是:用户浏览图文/短视频/直播内容和商品详情页的总时长超过60s,且最终成功下单。
负样本的筛选规则可以是:用户浏览图文/短视频/直播内容时长小于30s,最终没进商品详情页没下单。
利用新的样本来训练推荐服务的排序策略即可。
这里,推荐服务的优化目标为浏览时长,则可以选择出1万个多媒体数据样本做人工修正标注,利用这1万个多媒体数据样本训练专用推荐模型。专用推荐模型可以学***台中该款车对应的汽车配件短视频。并且,由于设置了浏览时长为优化目标,专用用户兴趣模型可学******有,是其他平台在汽车领域提供推荐服务时所没有的。
再比如,搜索服务的优化目标是相关性和成交总额,那么:
正样本的筛选规则可以是:关键词命中衡量搜索引擎质量指标(DiscountedCumulative Gain,DCG)分数高;
负样本的筛选规则可以是:关键词命中DCG分数低,最终没进商品详情页没下单。
之后,利用新的样本来训练搜索服务的排序策略即可。
对搜索服务的优化过程与推荐服务类似,在此不再赘述。
当本申请实施例中提供的方法以软件或硬件或软硬件结合实现的时候,电子设备中可以包括多个功能模块,每个功能模块可以包括软件、硬件或其结合。
图8为本申请实施例提供的一种服务定制装置的结构示意图,包括接收模块801、确定模块802、选择模块803、训练模块804、服务模块805。
接收模块801,用于接收服务定制请求,所述服务定制请求中至少包括目标平台的领域描述信息、定制服务的服务描述信息和定制服务所需的目标平台中的数据样本;
确定模块802,用于根据所述领域描述信息,确定目标平台所属的目标领域;
选择模块803,用于从所述目标领域中选择提供所述服务描述信息对应的定制服务的领域服务模型,所述领域服务模型是利用通用服务模型学习到的包括所述目标领域在内的不同领域中定制服务的服务关系,对所述目标领域中定制服务的服务关系进行迁移学习得到的,其中,定制服务的服务关系是指定制服务的服务输入数据与服务响应数据之间的特征匹配关系;
训练模块804,用于利用所述领域服务模型学***台中定制服务的服务关系进行迁移学***台的专用服务模型;
服务模块805,用于利用所述专用服务模型,在所述目标平台中提供定制服务。
在一种可能的实施方式中,所述训练模块804模块具体用于:
利用所述领域服务模型学***台中定制服务的服务输入数据样本,从所述目标平台的服务响应数据库中筛选候选服务响应数据;
对各候选服务响应数据进行排序;
根据排序结果和所述服务输入数据样本对应的预设服务响应数据,调整所述领域服务模型的模型参数,直至确定所述领域服务模型的服务准确度达到设定值时,将所述领域服务模型确定为所述目标平台的专用服务模型。
在一种可能的实施方式中,若所述服务定制请求中还包括定制服务的优化目标,则所述训练模块804具体用于:
计算每个候选服务响应数据与所述定制服务的优化目标之间的匹配度;
根据各候选服务响应数据与所述定制服务的优化目标之间的匹配度,对各候选服务响应数据进行排序。
在一种可能的实施方式中,所述训练模块804具体用于:
当定制服务为搜索服务时,分析每个候选服务响应数据对应的历史用户操作数据,确定该候选服务响应数据与所述优化目标之间的第一匹配度,并将该候选服务响应数据与所述服务输入数据样本对应的用户兴趣特征样本进行比对,确定该候选服务响应数据与所述优化目标之间的第二匹配度;根据所述第一匹配度和所述第二匹配度,确定该候选服务响应数据与所述优化目标之间的匹配度;
当定制服务为推荐服务时,分析每个候选服务响应数据对应的历史用户操作数据,确定该候选服务响应数据与所述优化目标之间的第一匹配度,根据所述第一匹配度,确定该候选服务响应数据与所述优化目标之间的匹配度。
在一种可能的实施方式中,当定制服务为推荐服务或搜索服务时,定制服务的服务响应数据是多媒体内容特征;
所述选择模块803,还用于从所述目标领域中选择提供内容理解服务的领域内容理解模型,所述领域内容理解模型是利用通用内容理解模型学习到的包括所述目标领域在内的不同领域中内容理解服务的服务关系,对所述目标领域中内容理解服务的服务关系进行迁移学习得到的,其中,内容理解服务的服务关系是指多媒体数据与多媒体内容特征之间的内容理解关系;以及
所述目标平台的多媒体特征库中的多媒体内容特征是利用专用内容理解模型对所述目标平台中的多媒体数据进行内容理解得到的,所述专用内容理解模型是利用所述领域内容理解模型学***台中内容理解服务的服务关系进行迁移学习得到的。
在一种可能的实施方式中,当定制服务为推荐服务时,定制服务的服务输入数据是用户兴趣特征;当定制服务为搜索服务时,定制服务的服务输入数据是搜索词特征样本,所述搜索词特征样本对应有用户兴趣特征;
所述选择模块803,还用于从所述目标领域中选择提供用户兴趣分析服务的领域用户兴趣模型,所述领域用户兴趣模型是利用通用用户兴趣模型学习到的包括所述目标领域在内的不同领域中用户兴趣分析服务的服务关系,对所述目标领域中用户兴趣分析服务的服务关系进行迁移学习得到的,其中,用户兴趣分析服务的服务关系是指用户兴趣表征数据与用户兴趣特征之间的关联关系;以及
所述目标平台中推荐服务的用户兴趣特征样本和/或所述目标平台中搜索服务的搜索词特征样本对应的用户兴趣特征样本,是利用专用用户兴趣模型对所述目标平台中的用户兴趣表征数据进行兴趣分析得到的,所述专用用户兴趣模型是利用所述领域用户兴趣模型学***台中用户兴趣分析服务的服务关系进行迁移学习得到的。
在一种可能的实施方式中,还包括:
反馈模块806,用于在利用所述专用服务模型,在所述目标平台中提供定制服务之后,获取所述目标平台中新的用户兴趣表征数据;利用所述新的用户兴趣表征数据,对所述专用服务模型进行更新。
本申请实施例中对模块的划分是示意性的,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,另外,在本申请各个实施例中的各功能模块可以集成在一个处理器中,也可以是单独物理存在,也可以两个或两个以上模块集成在一个模块中。各个模块相互之间的耦合可以是通过一些接口实现,这些接口通常是电性通信接口,但是也不排除可能是机械接口或其它的形式接口。因此,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,既可以位于一个地方,也可以分布到同一个或不同设备的不同位置上。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
图9为本申请实施例提供的一种电子设备的结构示意图,该电子设备包括收发器901以及处理器902等物理器件,其中,处理器902可以是一个中央处理单元(CentralProcessing Unit,CPU)、微处理器、专用集成电路、可编程逻辑电路、大规模集成电路、或者为数字处理单元等等。收发器901用于电子设备和其他设备进行数据收发。
该电子设备还可以包括存储器903用于存储处理器902执行的软件指令,当然还可以存储电子设备需要的一些其他数据,如电子设备的标识信息、电子设备的加密信息、用户数据等。存储器903可以是易失性存储器(Volatile Memory),例如随机存取存储器(Random-Access Memory,RAM);存储器903也可以是非易失性存储器(Non-VolatileMemory),例如只读存储器(Read-Only Memory,ROM),快闪存储器(Flash Memory),硬盘(Hard Disk Drive,HDD)或固态硬盘(Solid-State Drive,SSD)、或者存储器903是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器903可以是上述存储器的组合。
本申请实施例中不限定上述处理器902、存储器903以及收发器901之间的具体连接介质。本申请实施例在图9中仅以存储器903、处理器902以及收发器901之间通过总线904连接为例进行说明,总线在图9中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。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9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。
处理器902可以是专用硬件或运行软件的处理器,当处理器902可以运行软件时,处理器902读取存储器903存储的软件指令,并在所述软件指令的驱动下,执行前述实施例中涉及的服务定制方法。
本申请实施例还提供了一种存储介质,当所述存储介质中的指令由电子设备的处理器执行时,所述电子设备能够执行前述实施例中涉及的服务定制方法。
在一些可能的实施方式中,本申请提供的服务定制方法的各个方面还可以实现为一种程序产品的形式,所述程序产品中包括有程序代码,当所述程序产品在电子设备上运行时,所述程序代码用于使所述电子设备执行前述实施例中涉及的服务定制方法。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、RAM、ROM、可擦式可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、闪存、光纤、光盘只读存储器(Compact Disk Read Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请实施例中用于服务定制的程序产品可以采用CD-ROM并包括程序代码,并可以在计算设备上运行。然而,本申请的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、射频(Radio Frequency,RF)等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络如局域网(Local AreaNetwork,LAN)或广域网(Wide Area Network,WAN)连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请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。
本申请是参照根据本申请实施例的方法、装置(***)、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设备上,使得在计算机或其他可编程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范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (14)
1.一种服务定制方法,其特征在于,包括:
接收服务定制请求,所述服务定制请求中至少包括目标平台的领域描述信息、定制服务的服务描述信息和定制服务所需的目标平台中的数据样本;
根据所述领域描述信息,确定目标平台所属的目标领域;
从所述目标领域中选择提供所述服务描述信息对应的定制服务的领域服务模型,所述领域服务模型是利用通用服务模型学习到的包括所述目标领域在内的不同领域中定制服务的服务关系,对所述目标领域中定制服务的服务关系进行迁移学习得到的,其中,定制服务的服务关系是指定制服务的服务输入数据与服务响应数据之间的特征匹配关系;
利用所述领域服务模型学***台中定制服务的服务关系进行迁移学***台的专用服务模型;
利用所述专用服务模型,在所述目标平台中提供定制服务;
利用所述领域服务模型学***台中定制服务的服务关系进行迁移学***台的专用服务模型,包括:
利用所述领域服务模型学***台中定制服务的服务输入数据样本,从所述目标平台的服务响应数据库中筛选候选服务响应数据;
对各候选服务响应数据进行排序;
根据排序结果和所述服务输入数据样本对应的预设服务响应数据,调整所述领域服务模型的模型参数,直至确定所述领域服务模型的服务准确度达到设定值时,将所述领域服务模型确定为所述目标平台的专用服务模型。
2.如权利要求1所述的方法,其特征在于,若所述服务定制请求中还包括定制服务的优化目标,则对各候选服务响应数据进行排序,包括:
计算每个候选服务响应数据与所述定制服务的优化目标之间的匹配度;
根据各候选服务响应数据与所述定制服务的优化目标之间的匹配度,对各候选服务响应数据进行排序。
3.如权利要求2所述的方法,其特征在于,计算每个候选服务响应数据与所述定制服务的优化目标之间的匹配度,包括:
当定制服务为搜索服务时,分析每个候选服务响应数据对应的历史用户操作数据,确定该候选服务响应数据与所述优化目标之间的第一匹配度,并将该候选服务响应数据与所述服务输入数据样本对应的用户兴趣特征样本进行比对,确定该候选服务响应数据与所述优化目标之间的第二匹配度;根据所述第一匹配度和所述第二匹配度,确定该候选服务响应数据与所述优化目标之间的匹配度;
当定制服务为推荐服务时,分析每个候选服务响应数据对应的历史用户操作数据,确定该候选服务响应数据与所述优化目标之间的第一匹配度,根据所述第一匹配度,确定该候选服务响应数据与所述优化目标之间的匹配度。
4.如权利要求1所述的方法,其特征在于,当定制服务为推荐服务或搜索服务时,定制服务的服务响应数据是多媒体内容特征,以及还包括:
从所述目标领域中选择提供内容理解服务的领域内容理解模型,所述领域内容理解模型是利用通用内容理解模型学习到的包括所述目标领域在内的不同领域中内容理解服务的服务关系,对所述目标领域中内容理解服务的服务关系进行迁移学习得到的,其中,内容理解服务的服务关系是指多媒体数据与多媒体内容特征之间的内容理解关系;以及
所述目标平台的多媒体特征库中的多媒体内容特征是利用专用内容理解模型对所述目标平台中的多媒体数据进行内容理解得到的,所述专用内容理解模型是利用所述领域内容理解模型学***台中内容理解服务的服务关系进行迁移学习得到的。
5.如权利要求1或4所述的方法,其特征在于,当定制服务为推荐服务时,定制服务的服务输入数据是用户兴趣特征;当定制服务为搜索服务时,定制服务的服务输入数据是搜索词特征样本,所述搜索词特征样本对应有用户兴趣特征,以及还包括:
从所述目标领域中选择提供用户兴趣分析服务的领域用户兴趣模型,所述领域用户兴趣模型是利用通用用户兴趣模型学习到的包括所述目标领域在内的不同领域中用户兴趣分析服务的服务关系,对所述目标领域中用户兴趣分析服务的服务关系进行迁移学习得到的,其中,用户兴趣分析服务的服务关系是指用户兴趣表征数据与用户兴趣特征之间的关联关系;以及
所述目标平台中推荐服务的用户兴趣特征样本和/或所述目标平台中搜索服务的搜索词特征样本对应的用户兴趣特征样本,是利用专用用户兴趣模型对所述目标平台中的用户兴趣表征数据进行兴趣分析得到的,所述专用用户兴趣模型是利用所述领域用户兴趣模型学***台中用户兴趣分析服务的服务关系进行迁移学习得到的。
6.如权利要求1-4任一所述的方法,其特征在于,利用所述专用服务模型,在所述目标平台中提供定制服务之后,还包括:
获取所述目标平台中新的用户兴趣表征数据;
利用所述新的用户兴趣表征数据,对所述专用服务模型进行更新。
7.一种服务定制装置,其特征在于,包括:
接收模块,用于接收服务定制请求,所述服务定制请求中至少包括目标平台的领域描述信息、定制服务的服务描述信息和定制服务所需的目标平台中的数据样本;
确定模块,用于根据所述领域描述信息,确定目标平台所属的目标领域;
选择模块,用于从所述目标领域中选择提供所述服务描述信息对应的定制服务的领域服务模型,所述领域服务模型是利用通用服务模型学习到的包括所述目标领域在内的不同领域中定制服务的服务关系,对所述目标领域中定制服务的服务关系进行迁移学习得到的,其中,定制服务的服务关系是指定制服务的服务输入数据与服务响应数据之间的特征匹配关系;
训练模块,用于利用所述领域服务模型学***台中定制服务的服务关系进行迁移学***台的专用服务模型;
服务模块,用于利用所述专用服务模型,在所述目标平台中提供定制服务;
所述训练模块,具体用于利用所述领域服务模型学***台中定制服务的服务输入数据样本,从所述目标平台的服务响应数据库中筛选候选服务响应数据;对各候选服务响应数据进行排序;根据排序结果和所述服务输入数据样本对应的预设服务响应数据,调整所述领域服务模型的模型参数,直至确定所述领域服务模型的服务准确度达到设定值时,将所述领域服务模型确定为所述目标平台的专用服务模型。
8.如权利要求7所述的装置,其特征在于,若所述服务定制请求中还包括定制服务的优化目标,则所述训练模块具体用于:
计算每个候选服务响应数据与所述定制服务的优化目标之间的匹配度;
根据各候选服务响应数据与所述定制服务的优化目标之间的匹配度,对各候选服务响应数据进行排序。
9.如权利要求8所述的装置,其特征在于,所述训练模块具体用于:
当定制服务为搜索服务时,分析每个候选服务响应数据对应的历史用户操作数据,确定该候选服务响应数据与所述优化目标之间的第一匹配度,并将该候选服务响应数据与所述服务输入数据样本对应的用户兴趣特征样本进行比对,确定该候选服务响应数据与所述优化目标之间的第二匹配度;根据所述第一匹配度和所述第二匹配度,确定该候选服务响应数据与所述优化目标之间的匹配度;
当定制服务为推荐服务时,分析每个候选服务响应数据对应的历史用户操作数据,确定该候选服务响应数据与所述优化目标之间的第一匹配度,根据所述第一匹配度,确定该候选服务响应数据与所述优化目标之间的匹配度。
10.如权利要求7所述的装置,其特征在于,当定制服务为推荐服务或搜索服务时,定制服务的服务响应数据是多媒体内容特征;
所述选择模块,还用于从所述目标领域中选择提供内容理解服务的领域内容理解模型,所述领域内容理解模型是利用通用内容理解模型学习到的包括所述目标领域在内的不同领域中内容理解服务的服务关系,对所述目标领域中内容理解服务的服务关系进行迁移学习得到的,其中,内容理解服务的服务关系是指多媒体数据与多媒体内容特征之间的内容理解关系;以及
所述目标平台的多媒体特征库中的多媒体内容特征是利用专用内容理解模型对所述目标平台中的多媒体数据进行内容理解得到的,所述专用内容理解模型是利用所述领域内容理解模型学***台中内容理解服务的服务关系进行迁移学习得到的。
11.如权利要求7或10所述的装置,其特征在于,当定制服务为推荐服务时,定制服务的服务输入数据是用户兴趣特征;当定制服务为搜索服务时,定制服务的服务输入数据是搜索词特征样本,所述搜索词特征样本对应有用户兴趣特征;
所述选择模块,还用于从所述目标领域中选择提供用户兴趣分析服务的领域用户兴趣模型,所述领域用户兴趣模型是利用通用用户兴趣模型学习到的包括所述目标领域在内的不同领域中用户兴趣分析服务的服务关系,对所述目标领域中用户兴趣分析服务的服务关系进行迁移学习得到的,其中,用户兴趣分析服务的服务关系是指用户兴趣表征数据与用户兴趣特征之间的关联关系;以及
所述目标平台中推荐服务的用户兴趣特征样本和/或所述目标平台中搜索服务的搜索词特征样本对应的用户兴趣特征样本,是利用专用用户兴趣模型对所述目标平台中的用户兴趣表征数据进行兴趣分析得到的,所述专用用户兴趣模型是利用所述领域用户兴趣模型学***台中用户兴趣分析服务的服务关系进行迁移学习得到的。
12.如权利要求7-10任一所述的装置,其特征在于,还包括:
反馈模块,用于在利用所述专用服务模型,在所述目标平台中提供定制服务之后,获取所述目标平台中新的用户兴趣表征数据;利用所述新的用户兴趣表征数据,对所述专用服务模型进行更新。
13.一种电子设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中:
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-6任一所述的方法。
14.一种存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,所述电子设备能够执行如权利要求1-6任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011320234.6A CN112379919B (zh) | 2020-11-23 | 2020-11-23 | 一种服务定制方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011320234.6A CN112379919B (zh) | 2020-11-23 | 2020-11-23 | 一种服务定制方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112379919A CN112379919A (zh) | 2021-02-19 |
CN112379919B true CN112379919B (zh) | 2024-04-09 |
Family
ID=74588435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011320234.6A Active CN112379919B (zh) | 2020-11-23 | 2020-11-23 | 一种服务定制方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112379919B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110069461A (zh) * | 2019-04-26 | 2019-07-30 | 成都四方伟业软件股份有限公司 | 数据共享方法及装置 |
CN110413294A (zh) * | 2019-08-06 | 2019-11-05 | 中国工商银行股份有限公司 | 服务发布***、方法、装置和设备 |
US10489474B1 (en) * | 2019-04-30 | 2019-11-26 | Capital One Services, Llc | Techniques to leverage machine learning for search engine optimization |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020197975A1 (en) * | 2019-03-25 | 2020-10-01 | Fintel Labs, Inc. | Artificial intelligence-powered cloud for the financial services industry |
-
2020
- 2020-11-23 CN CN202011320234.6A patent/CN112379919B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110069461A (zh) * | 2019-04-26 | 2019-07-30 | 成都四方伟业软件股份有限公司 | 数据共享方法及装置 |
US10489474B1 (en) * | 2019-04-30 | 2019-11-26 | Capital One Services, Llc | Techniques to leverage machine learning for search engine optimization |
CN110413294A (zh) * | 2019-08-06 | 2019-11-05 | 中国工商银行股份有限公司 | 服务发布***、方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112379919A (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108154401B (zh) | 用户画像刻画方法、装置、介质和计算设备 | |
US10846617B2 (en) | Context-aware recommendation system for analysts | |
CN108229590B (zh) | 一种获取多标签用户画像的方法和装置 | |
CN108509465B (zh) | 一种视频数据的推荐方法、装置和服务器 | |
US10783450B2 (en) | Learning user preferences using sequential user behavior data to predict user behavior and provide recommendations | |
US20190392487A1 (en) | System, Device, and Method of Automatic Construction of Digital Advertisements | |
CN111966914B (zh) | 基于人工智能的内容推荐方法、装置和计算机设备 | |
CN110134931B (zh) | 媒介标题生成方法、装置、电子设备及可读介质 | |
CN111178970B (zh) | 广告投放的方法及装置、电子设备和计算机可读存储介质 | |
CN111444428A (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 | |
KR20170093713A (ko) | 인공 지능을 기반으로 하는 모바일 검색 방법 및 장치 | |
US11514123B2 (en) | Information retrieval system, method and computer program product | |
CN111695041B (zh) | 用于推荐信息的方法和装置 | |
CN113742567A (zh) | 一种多媒体资源的推荐方法、装置、电子设备及存储介质 | |
KR20130038889A (ko) | 오브젝트 커스터마이제이션 및 관리 시스템 | |
CN113269232B (zh) | 模型训练方法、向量化召回方法、相关设备及存储介质 | |
US20230316106A1 (en) | Method and apparatus for training content recommendation model, device, and storage medium | |
CN112379919B (zh) | 一种服务定制方法、装置、电子设备及存储介质 | |
KR101734915B1 (ko) | 메타 데이터 및 소비 이력 정보를 이용한 컨텐츠 스킬업 시스템 | |
CN113159877B (zh) | 数据处理方法、装置、***、计算机可读存储介质 | |
CN111339291B (zh) | 一种信息展示方法、装置和存储介质 | |
CN113076453A (zh) | 域名分类方法、设备及计算机可读存储介质 | |
CN112860878A (zh) | 业务数据推荐方法、存储介质及设备 | |
CN112487277A (zh) | 数据分配方法、装置、可读存储介质和电子设备 | |
CN110610393A (zh) | 一种信息推荐的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |