CN112669096B - 对象推荐模型训练方法以及装置 - Google Patents
对象推荐模型训练方法以及装置 Download PDFInfo
- Publication number
- CN112669096B CN112669096B CN202110278218.3A CN202110278218A CN112669096B CN 112669096 B CN112669096 B CN 112669096B CN 202110278218 A CN202110278218 A CN 202110278218A CN 112669096 B CN112669096 B CN 112669096B
- Authority
- CN
- China
- Prior art keywords
- access
- sequence
- access behavior
- event type
- recommendation model
- 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
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书实施例提供对象推荐模型训练方法以及装置,其中所述对象推荐模型训练方法包括:获取用户进行业务访问生成的第一访问日志数据,并根据所述第一访问日志数据生成所述用户的第一访问行为序列,将所述第一访问行为序列输入序列标注模型进行序列划分及访问事件类型标注,生成所述第一访问日志数据对应的至少一个第一访问行为子序列以及所述至少一个第一访问行为子序列对应的访问事件类型,将所述至少一个第一访问行为子序列、所述访问事件类型以及待推荐对象的属性信息作为训练样本,对待训练的对象推荐模型进行迭代训练,获得所述对象推荐模型。
Description
技术领域
本说明书实施例涉及计算机技术领域,特别涉及一种对象推荐模型训练方法。本说明书一个或者多个实施例同时涉及一种对象推荐模型训练装置,一种计算设备,以及一种计算机可读存储介质。
背景技术
随着信息化社会的发展,用户接触到的信息越来越庞大、繁杂,同时用户对生活的便利性也要求越来越高,为了满足用户对生活便利性的需求,因此越来越多的应用程序应运而生。
用户可通过应用程序进行购物、投资理财以及缴费等,并且用户在通过应用程序办理相关业务的同时,会生成大量与业务相关的业务数据,而业务端为保证业务的正常运行,则需利用这些业务数据对业务指标进行预测,例如,在商品推荐业务中,可对用户的喜好进行预测,以为用户推荐喜欢的商品等,对于大部分业务指标的预测,往往会用到模型,因此,亟需一种模型训练方法,以提高模型学习结果的准确度。
发明内容
有鉴于此,本说明书实施例提供了一种对象推荐模型训练方法。本说明书一个或者多个实施例同时涉及一种对象推荐模型训练装置,一种计算设备,以及一种计算机可读存储介质,以解决现有技术中存在的技术缺陷。
根据本说明书实施例的第一方面,提供了一种对象推荐模型训练方法,包括:
获取用户进行业务访问生成的第一访问日志数据,并根据所述第一访问日志数据生成所述用户的第一访问行为序列;
将所述第一访问行为序列输入序列标注模型进行序列划分及访问事件类型标注,生成所述第一访问日志数据对应的至少一个第一访问行为子序列以及所述至少一个第一访问行为子序列对应的访问事件类型;
将所述至少一个第一访问行为子序列、所述访问事件类型以及待推荐对象的属性信息作为训练样本,对待训练的对象推荐模型进行迭代训练,获得所述对象推荐模型。
可选地,所述序列标注模型通过以下方式进行训练:
获取用户进行业务访问生成的历史访问日志数据,并根据所述历史访问日志数据生成所述用户的历史访问行为序列;
将所述历史访问行为序列作为训练样本,对待训练的序列标注模型进行训练,获得所述序列标注模型。
可选地,所述根据所述历史访问日志数据生成所述用户的历史访问行为序列,包括:
对所述历史访问日志数据进行数据清洗,并对清洗后的历史访问日志数据进行拼接,生成所述历史访问行为序列;
相应的,所述将所述历史访问行为序列作为训练样本,对待训练的序列标注模型进行训练,包括:
将所述历史访问行为序列以及预设的事件类型信息作为训练样本,对待训练的序列标注模型进行训练。
可选地,所述将所述历史访问行为序列作为训练样本,对待训练的序列标注模型进行训练,包括:
对所述历史访问行为序列进行序列划分,生成历史访问行为子序列;
对所述历史访问行为子序列中的至少一个历史访问行为子序列包含的历史访问行为进行清洗、去重和/或增删操作,生成至少一个目标访问行为子序列;
根据预设的事件类型信息对所述至少一个目标访问行为子序列进行标注处理,生成对应的标注结果;
将所述历史访问行为子序列以及预设的事件类型信息作为训练样本,将所述标注结果作为所述至少一个目标访问行为子序列的标签,对待训练的序列标注模型进行训练。
可选地,所述将所述第一访问行为序列输入序列标注模型进行序列划分及访问事件类型标注,包括:
将所述第一访问行为序列输入序列标注模型,所述序列标注模型根据所述第一访问行为序列中包含的起始访问行为以及结束访问行为对所述第一访问行为序列进行序列划分,以及,根据预设的事件类型信息对序列划分结果进行访问事件类型标注。
可选地,所述获得所述对象推荐模型之后,还包括:
获取用户进行业务访问生成的第二访问日志数据,并根据所述第二访问日志数据生成所述用户的第二访问行为序列;
将所述第二访问行为序列输入序列标注模型进行序列划分及访问事件类型标注,生成所述第二访问日志数据对应的至少一个第二访问行为子序列以及所述至少一个第二访问行为子序列对应的访问事件类型;
将所述至少一个第二访问行为子序列、所述访问事件类型、所述用户的属性信息以及待推荐对象的属性信息输入所述对象推荐模型进行打分处理,生成所述待推荐对象的打分结果;
根据所述打分结果向所述用户进行对象推荐。
可选地,所述将所述至少一个第二访问行为子序列、所述访问事件类型、所述用户的用户特征以及待推荐对象的属性信息输入所述对象推荐模型进行打分处理,包括:
将所述至少一个第二访问行为子序列、所述访问事件类型、所述用户的特征信息以及待推荐对象的属性信息输入所述对象推荐模型,所述对象推荐模型根据所述访问事件类型对所述用户的特征信息进行筛选,获得所述用户对与所述至少一个第二访问行为子序列相关的待推荐对象的访问日志数据,根据所述访问日志数据计算所述待推荐对象的转化率,并根据所述转化率对所述待推荐对象进行打分处理。
可选地,所述生成所述业务访问日志数据对应的至少一个访问行为子序列以及所述至少一个访问行为子序列对应的访问事件类型之后,还包括:
确定所述至少一个访问行为子序列之间的实体关系;
根据所述至少一个访问行为子序列以及所述实体关系构建知识图谱,所述知识图谱中的节点表征所述至少一个访问行为子序列。
可选地,所述根据所述至少一个访问行为子序列以及所述实体关系构建知识图谱之后,还包括:
根据业务需求方提交的业务需求确定与所述业务需求对应的业务类型;
在所述知识图谱中查询与所述业务类型相关的至少一个访问行为子序列;
基于所述至少一个访问行为子序列确定与所述业务需求对应的业务处理策略。
根据本说明书实施例的第二方面,提供了一种对象推荐模型训练装置,包括:
获取模块,被配置为获取用户进行业务访问生成的第一访问日志数据,并根据所述第一访问日志数据生成所述用户的第一访问行为序列;
标注模块,被配置为将所述第一访问行为序列输入序列标注模型进行序列划分及访问事件类型标注,生成所述第一访问日志数据对应的至少一个第一访问行为子序列以及所述至少一个第一访问行为子序列对应的访问事件类型;
训练模块,被配置为将所述至少一个第一访问行为子序列、所述访问事件类型以及待推荐对象的属性信息作为训练样本,对待训练的对象推荐模型进行迭代训练,获得所述对象推荐模型。
根据本说明书实施例的第三方面,提供了一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令以实现所述对象推荐模型训练方法的步骤。
根据本说明书实施例的第四方面,提供了一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现所述对象推荐模型训练方法的步骤。
本说明书一个实施例通过获取用户进行业务访问生成的第一访问日志数据,并根据所述第一访问日志数据生成所述用户的第一访问行为序列,将所述第一访问行为序列输入序列标注模型进行序列划分及访问事件类型标注,生成所述第一访问日志数据对应的至少一个第一访问行为子序列以及所述至少一个第一访问行为子序列对应的访问事件类型,将所述至少一个第一访问行为子序列、所述访问事件类型以及待推荐对象的属性信息作为训练样本,对待训练的对象推荐模型进行迭代训练,获得所述对象推荐模型。
本申请实施例利用序列标注模型对用户的第一访问行为序列进行序列划分以及序列标注,有利于提升划分后第一访问行为子序列的信息含量,从而在将所述第一访问行为子序列以及对应的序列标注结果作为训练样本训练对象推荐模型的情况下,有利于保证所述对象推荐模型训练结果的准确性。
附图说明
图1是本说明书一个实施例提供的一种对象推荐模型训练方法的处理流程图;
图2是本说明书一个实施例提供的一种对象推荐模型训练过程的示意图;
图3是本说明书一个实施例提供的一种对象推荐模型训练方法应用于交易业务的处理过程流程图;
图4是本说明书一个实施例提供的一种对象推荐模型训练装置的示意图;
图5是本说明书一个实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本说明书内涵的情况下做类似推广,因此本说明书不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
首先,对本说明书一个或多个实施例涉及的名词术语进行解释。
事件:事件作为信息的一种表现形式,其定义为特定的人及物在特定的时间特定的地点相互作用的事实。事件的组成元素包括触发词、事件类型、论元以及论元角色。
论元:时间的参与者,此处为用户本人,无需单独抽取。
在本说明书中,提供了一种对象推荐模型训练方法,本说明书同时涉及一种对象推荐模型训练装置,一种计算设备,以及一种计算机可读存储介质,在下面的实施例中逐一进行详细说明。
图1示出了根据本说明书一个实施例提供的一种对象推荐模型训练方法的处理流程图,包括步骤102至步骤106。
步骤102,获取用户进行业务访问生成的第一访问日志数据,并根据所述第一访问日志数据生成所述用户的第一访问行为序列。
具体的,所述第一访问日志数据,可以是通过日志的方式记录的用户进行业务访问生成的访问数据。例如,可以是用户访问某一新闻网站所生成的新闻浏览数据,也可以是用户访问某购物平台所生成的商品浏览记录或商品交易记录等。
根据所述第一访问日志数据生成用户的第一访问行为序列,具体可以是根据第一访问日志数据中各访问行为生成时间的先后顺序对所述访问行为进行排序生成所述第一访问行为序列。例如,根据用户访问某购物平台所产生的商品浏览记录或商品交易记录生成的第一访问行为序列可以是:应用程序A首页->首页->小程序B->小程序B首页->小程序B->小程序B首页->轻应用C商品详情页->轻应用C商品详情页->小程序B->小程序B首页->移动支付->支付结果页。
步骤104,将所述第一访问行为序列输入序列标注模型进行序列划分及访问事件类型标注,生成所述第一访问日志数据对应的至少一个第一访问行为子序列以及所述至少一个第一访问行为子序列对应的访问事件类型。
具体的,所述访问事件类型可根据业务的不同而存在差异,并且,所述访问事件类型可由业务提供方进行预定义,例如,对于商品交易业务,所述访问事件类型则可以包括但不限于浏览、收藏、购买等;对于订餐类业务,则所述访问事件类型则可以是浏览、订餐等。
在生成所述第一访问行为序列后,由于所述第一访问事件序列中包含的访问行为可能较多,并且可能由不同的访问行为组成的访问行为子序列对应的访问事件类型不同,因此,为保证对对象推荐模型进行训练的过程中,训练样本的充足性,以及模型训练结果的准确性,本申请实施例在获得所述第一访问行为序列后,将所述第一访问行为序列输入序列标注模型进行序列划分,并对划分后的至少一个访问行为子序列进行访问事件类型标注处理,以基于所述至少一个访问行为子序列以及所述访问事件类型构建用于训练对象推荐模型的训练样本。
具体实施时,所述序列标注模型通过以下方式进行训练:
获取用户进行业务访问生成的历史访问日志数据,并根据所述历史访问日志数据生成所述用户的历史访问行为序列;
将所述历史访问行为序列作为训练样本,对待训练的序列标注模型进行训练,获得所述序列标注模型。
进一步,根据所述历史访问日志数据生成所述用户的历史访问行为序列,具体即对所述历史访问日志数据进行数据清洗,并对清洗后的历史访问日志数据进行拼接,生成所述历史访问行为序列;
相应的,将所述历史访问行为序列作为训练样本,对待训练的序列标注模型进行训练,包括:将所述历史访问行为序列以及预设的事件类型信息作为训练样本,对待训练的序列标注模型进行训练。
具体的,由于用户在进行业务访问的过程中,很多情况下其访问行为是无序的,因此,用户有效的访问行为往往隐藏在庞大的第一访问日志数据中,因此,为能够确保获得合适的训练样本,在获取用户的历史访问日志数据(包括但不限于用户在应用程序内各个页面的访问、点击、关闭等操作以及停留时间等)后,需对这些历史访问日志数据进行数据清洗,去除掉一些无用的访问行为,然后将清洗后的数据按照时间顺序进行排序拼接,同时还可对一些重复的访问行为进行去重,拼接得到用户的历史访问行为序列。最后可将所述历史访问行为序列以及预设的事件类型信息作为训练样本,对待训练的序列标注模型进行训练。
通过对长的访问行为序列进行有效的信息压缩,提取真正有效的访问行为,并将提取后的访问行为拼接生成训练样本以对待训练的序列标注模型进行训练,有利于保证所述序列标注模型的训练结果的准确性。
另外,将所述历史访问行为序列作为训练样本,对待训练的序列标注模型进行训练,具体可通过以下方式实现:
对所述历史访问行为序列进行序列划分,生成历史访问行为子序列;
对所述历史访问行为子序列中的至少一个历史访问行为子序列包含的历史访问行为进行清洗、去重和/或增删操作,生成至少一个目标访问行为子序列;
根据预设的事件类型信息对所述至少一个目标访问行为子序列进行标注处理,生成对应的标注结果;
将所述历史访问行为子序列以及预设的事件类型信息作为训练样本,将所述标注结果作为所述至少一个目标访问行为子序列的标签,对待训练的序列标注模型进行训练。
具体的,在获得历史行为序列后,可基于业务提供方对关键访问事件的定义,对所述历史访问行为序列进行改造,如将所述历史访问行为序列进行划分,生成多个历史访问行为子序列,并可对所述多个历史访问行为子序列中任意数量的历史访问行为子序列所包含的历史访问行为进行清洗、去重和/或增删等操作,以通过这种方式构建足够多的训练样本。
另外,还可对所述多个历史访问行为子序列中任意数量的历史访问行为子序列进行访问事件类型标注处理,以增加训练样本的多样性,并有利于进一步保证序列标注模型训练结果的准确性。
此外,还可以采用自监督的模型训练方式,即由模型自动构建训练样本进行模型训练,具体可采用上下文的方式,即利用历史访问行为序列或多个历史访问行为子序列中访问行为的先后顺序,通过前后的访问行为来预测中间的访问行为,或者通过中间的访问行为来预测前后的访问行为,以增加训练样本的多样性,并有利于进一步保证序列标注模型训练结果的准确性。
具体实施时,将所述第一访问行为序列输入序列标注模型进行序列划分及访问事件类型标注,具体即为将所述第一访问行为序列输入序列标注模型,所述序列标注模型根据所述第一访问行为序列中包含的起始访问行为以及结束访问行为对所述第一访问行为序列进行序列划分,以及,根据预设的事件类型信息对序列划分结果进行访问事件类型标注。
具体的,所述起始访问行为可以是用户点击进入应用程序初始页面的行为,所述结束访问行为可以是用户点击退出应用程序初始页面的行为。
由于所述序列标注模型的作用在于,标注出历史访问行为序列中哪些位置段的访问行为属于哪一类访问事件类型,因此序列标注模型的处理过程可以看作是一个序列标注任务,并且是一个“一对多”的序列划分+序列标注任务,即需要将一个历史访问行为序列划分为多个历史访问行为子序列,并分别对所述多个历史访问行为子序列进行序列标注,因此,所述序列标注模型则需能够鉴别出核心访问事件的起止位置,具体即可根据所述第一访问行为序列中包含的起始访问行为以及结束访问行为对所述第一访问行为序列进行序列划分,并对划分后的子序列进行访问事件类型标注。
根据所述第一访问行为序列中包含的起始访问行为以及结束访问行为对所述第一访问行为序列进行序列划分,有利于保证序列划分结果的准确性。
步骤106,将所述至少一个第一访问行为子序列、所述访问事件类型以及待推荐对象的属性信息作为训练样本,对待训练的对象推荐模型进行迭代训练,获得所述对象推荐模型。
具体的,将所述第一访问行为序列输入序列标注模型进行序列划分以及序列标注,并获得模型输出的至少一个第一访问行为子序列以及所述第一访问行为子序列对应的访问事件类型后,可直接将所述至少一个第一访问行为子序列以及所述第一访问行为子序列对应的访问事件类型以特征形式,以及待推荐对象的属性特征和/或用户特征,共同作为待训练的对象推荐模型的训练样本,对所述待训练的对象推荐模型进行训练,直至满足训练停止条件,即可得到所述对象推荐模型。
具体实施时,获得所述对象推荐模型之后,可将所述对象推荐模型用于进行商品或其他交易对象的推荐,具体可通过以下方式实现:
获取用户进行业务访问生成的第二访问日志数据,并根据所述第二访问日志数据生成所述用户的第二访问行为序列;
将所述第二访问行为序列输入序列标注模型进行序列划分及访问事件类型标注,生成所述第二访问日志数据对应的至少一个第二访问行为子序列以及所述至少一个第二访问行为子序列对应的访问事件类型;
将所述至少一个第二访问行为子序列、所述访问事件类型、所述用户的属性信息以及待推荐对象的属性信息输入所述对象推荐模型进行打分处理,生成所述待推荐对象的打分结果;
根据所述打分结果向所述用户进行对象推荐。
进一步的,将所述至少一个第二访问行为子序列、所述访问事件类型、所述用户的用户特征以及待推荐对象的属性信息输入所述对象推荐模型进行打分处理,具体可通过以下方式实现:
将所述至少一个第二访问行为子序列、所述访问事件类型、所述用户的特征信息以及待推荐对象的属性信息输入所述对象推荐模型,所述对象推荐模型根据所述访问事件类型对所述用户的特征信息进行筛选,获得所述用户对与所述至少一个第二访问行为子序列相关的待推荐对象的访问日志数据,根据所述访问日志数据计算所述待推荐对象的转化率,并根据所述转化率对所述待推荐对象进行打分处理。
具体的,在训练获得对象推荐模型后,可将所述对象推荐模型用于进行对象推荐,并且,对象推荐模型应用过程的一些处理步骤与所述对象推荐模型训练过程中的步骤类似。例如,对象推荐模型的应用过程同样需获取用户进行业务访问生成的第二访问日志数据,并根据所述第二访问日志数据生成所述用户的第二访问行为序列,再将所述第二访问行为序列输入序列标注模型进行序列划分及访问事件类型标注,生成所述第二访问日志数据对应的至少一个第二访问行为子序列以及所述至少一个第二访问行为子序列对应的访问事件类型;最后将所述至少一个第二访问行为子序列、所述访问事件类型、所述用户的属性信息以及待推荐对象的属性信息输入所述对象推荐模型进行打分处理,生成所述待推荐对象的打分结果,并根据所述打分结果向所述用户进行对象推荐。
其中,第二访问行为序列的生成过程、利用序列标注模型对第二访问行为序列进行序列划分以及访问事件类型标注的过程,均与前述对待训练的对象推荐模型进行模型训练过程中所涉及的第一访问行为序列的生成过程、利用序列标注模型对第一访问行为序列进行序列划分以及访问事件类型标注的过程类似,具体可参见前述实施例的详细记载,在此不再赘述。
此外,在通过序列标注模型对第二访问行为序列进行序列划分以及序列标注生成所述至少一个第二访问行为子序列,以及所述至少一个第二访问行为子序列对应的访问事件类型标注结果后,可将所述至少一个第二访问行为子序列、所述访问事件类型标注结果、待推荐对象的属性信息和/或用户的特征信息输入所述对象推荐模型,以由所述对象推荐模型根据所述用户的访问事件类型确定与所述访问事件类型相关的待推荐对象,并根据用户的特征信息中包含的、所述用户对所述待推荐对象的访问日志数据,对所述待推荐对象进行打分,以根据打分结果进行对象推荐。
以所述用户访问应用程序A为例,所述应用程序A中搭载了可为用户提供订餐服务的小程序B以及可为用户提供订购电影票的小程序D,并且,根据获取的所述用户的第二访问日志数据生成第二访问行为序列,序列标注模型对所述第二访问行为序列进行划分生成的一个第二访问行为子序列为:应用程序A首页->首页->小程序B->小程序B首页->轻应用C商品详情页->小程序B->小程序B首页->移动支付->支付结果页,并且所述序列标注模型对所述第二访问行为子序列进行访问事件类型标注生成的标注结果为:订餐。
因此,在将所述第二访问行为子序列、所述标注结果、待推荐对象的属性信息和/或用户的特征信息输入对象推荐模型后,对象推荐模型根据所述标注结果(订餐)确定相关的待推荐对象即为餐饮类商品,然后可根据用户的特征信息中包含的、所述用户对餐饮类商品的访问日志数据(收藏、浏览、购买等),计算用户对所述餐饮类商品的点击率或转化率,以根据所述点击率或转化率对所述待推荐的餐饮类商品进行打分,并将打分结果中分值高于预设阈值的商品向用户推荐,或者可对打分结果进行排序,将排序结果中排序靠前的任意数量的商品向用户进行推荐。
将第二访问行为子序列、第二访问行为子序列对应的访问事件类型、待推荐对象的属性信息和/或所述用户的特征信息作为对象推荐模型的输入,并由所述对象推荐模型根据上述信息对待推荐对象进行打分,有利于确保打分结果的准确性;另外,基于打分结果进行对象推荐,有利于提高对象推荐的成功率。
此外,在生成所述业务访问日志数据对应的至少一个访问行为子序列后,还可利用所述访问行为子序列构建知识图谱,并且在面对不同业务需求时,可以基于所述知识图谱挖掘出不同访问行为之间的关联性,以根据所述关联性确定满足不同业务需求的业务处理策略,具体可通过以下方式实现:
确定所述至少一个访问行为子序列之间的实体关系;
根据所述至少一个访问行为子序列以及所述实体关系构建知识图谱,所述知识图谱中的节点表征所述至少一个访问行为子序列。
进一步的,根据所述至少一个访问行为子序列以及所述实体关系构建知识图谱之后,还包括:
根据业务需求方提交的业务需求确定与所述业务需求对应的业务类型;
在所述知识图谱中查询与所述业务类型相关的至少一个访问行为子序列;
基于所述至少一个访问行为子序列确定与所述业务需求对应的业务处理策略。
具体的,由序列标注模型对第一访问行为序列进行序列划分得到多个第一访问行为子序列后,所述第一访问行为子序列除可作为用于训练对象推荐模型的训练样本外,还可用于构建知识图谱,以基于构建的知识图谱中各实体间的关联关系做进一步的事件推理和机会挖掘。
通过海量的第一访问行为子序列,能够针对特定业务需求快速建出一个完整的知识图谱。具体可通过确定所述至少一个访问行为子序列之间的实体关系,并根据所述至少一个访问行为子序列以及所述实体关系构建知识图谱,其中,所述知识图谱中的节点表征所述至少一个访问行为子序列。
进一步的,基于这个知识图谱进行事件推理,能够挖掘出不同事件之间的关联性。举例而言,业务需求方希望提升用户使用应用程序A进行支付的次数,通过事件推理可以挖掘出用户在哪些场景下有较高的支付意愿,这些信息可以帮助业务需求方更好的理解用户的需求,从而挖掘更多的营销机会。
同时,知识图谱具有非常强的可解释性,这在一定程度上能够弥补对象推荐模型的一些缺陷,可以基于知识图谱对对象推荐模型的输出结果进行可解释性分析。
本申请实施例提供的一种对象推荐模型训练过程的示意图如图2所示,首先获取用户进行业务访问生成的历史访问日志,并对所述历史访问日志进行数据清洗,再将清洗结果进行拼接得到访问行为序列,然后确定访问行为序列中各访问行为子序列对应的访问事件类型,即进行访问事件定义,接着基于各访问行为子序列以及其各自对应的访问事件类型构造训练样本,并基于所述训练样本对待训练的序列标注模型进行训练。
训练获得序列标注模型后,获取用户进行业务访问生成的实时访问日志,并将所述实施访问日志输入序列标注模型进行序列划分,生成多个访问行为子序列。
所述访问行为子序列的一个作用是,与用户特征以及商品特征共同作为对象推荐模型的输入,以由所述对象推荐模型基于上述信息对商品进行打分,并根据打分结果进行商品推荐。
所述访问行为子序列的另一个作用是,用于构建知识图谱,业务需求方可基于所述知识图谱进行事件推理,并可根据推理结果进行机会挖掘,或根据推理结果确定满足不同业务需求的业务处理策略。
本说明书一个实施例通过获取用户进行业务访问生成的第一访问日志数据,并根据所述第一访问日志数据生成所述用户的第一访问行为序列,将所述第一访问行为序列输入序列标注模型进行序列划分及访问事件类型标注,生成所述第一访问日志数据对应的至少一个第一访问行为子序列以及所述至少一个第一访问行为子序列对应的访问事件类型,将所述至少一个第一访问行为子序列、所述访问事件类型以及待推荐对象的属性信息作为训练样本,对待训练的对象推荐模型进行迭代训练,获得所述对象推荐模型。
本申请实施例利用序列标注模型对用户的第一访问行为序列进行序列划分以及序列标注,有利于提升划分后第一访问行为子序列的信息含量,从而在将所述第一访问行为子序列以及对应的序列标注结果作为训练样本训练对象推荐模型的情况下,有利于保证所述对象推荐模型训练结果的准确性。
下述结合附图3,以本说明书提供的对象推荐模型训练方法在交易业务的应用为例,对所述对象推荐模型训练方法进行进一步说明。其中,图3示出了本说明书一个实施例提供的一种对象推荐模型训练方法应用于交易业务的处理过程流程图,具体步骤包括步骤302至步骤330。
步骤302,获取用户进行交易业务访问生成的历史访问日志数据,并对所述历史访问日志数据进行数据清洗。
步骤304,对清洗后的历史访问日志数据进行拼接,生成历史访问行为序列。
步骤306,将所述历史访问行为序列以及预设的事件类型信息作为训练样本,对待训练的序列标注模型进行训练,获得所述序列标注模型。
步骤308,获取用户进行交易业务访问生成的第一访问日志数据,并根据所述第一访问日志数据生成所述用户的第一访问行为序列。
步骤310,将所述第一访问行为序列输入序列标注模型进行序列划分及访问事件类型标注,生成所述第一访问日志数据对应的至少一个第一访问行为子序列以及所述至少一个第一访问行为子序列对应的访问事件类型。
获得模型输出的至少一个第一访问行为子序列后,可执行步骤312,或执行步骤322。
步骤312,将所述至少一个第一访问行为子序列、所述访问事件类型以及待推荐商品的属性信息作为训练样本,对待训练的商品推荐模型进行迭代训练,获得所述商品推荐模型。
步骤314,获取用户进行交易业务访问生成的第二访问日志数据,并根据所述第二访问日志数据生成所述用户的第二访问行为序列。
步骤316,将所述第二访问行为序列输入序列标注模型进行序列划分及访问事件类型标注,生成所述第二访问日志数据对应的至少一个第二访问行为子序列以及所述至少一个第二访问行为子序列对应的访问事件类型。
步骤318,将所述至少一个第二访问行为子序列、所述访问事件类型、所述用户的属性信息以及待推荐商品的属性信息输入所述商品推荐模型进行打分处理,生成所述待推荐商品的打分结果。
步骤320,根据所述打分结果向所述用户进行商品推荐。
步骤322,确定所述至少一个访问行为子序列之间的实体关系。
步骤324,根据所述至少一个访问行为子序列以及所述实体关系构建知识图谱,所述知识图谱中的节点表征所述至少一个访问行为子序列。
步骤326,根据业务需求方提交的业务需求确定与所述业务需求对应的业务类型。
步骤328,在所述知识图谱中查询与所述业务类型相关的至少一个访问行为子序列。
步骤330,基于所述至少一个访问行为子序列确定与所述业务需求对应的业务处理策略。
本申请实施例利用序列标注模型对用户的第一访问行为序列进行序列划分以及序列标注,有利于提升划分后第一访问行为子序列的信息含量,从而在将所述第一访问行为子序列以及对应的序列标注结果作为训练样本训练商品推荐模型的情况下,有利于保证所述商品推荐模型训练结果的准确性。
另外,将第二访问行为子序列、第二访问行为子序列对应的访问事件类型、待推荐对象的属性信息和/或所述用户的特征信息作为商品推荐模型的输入,并由所述商品推荐模型根据上述信息对待推荐商品进行打分,有利于确保打分结果的准确性;进一步的,基于打分结果进行商品推荐,有利于提高商品推荐的成功率。
或者,在生成所述业务访问日志数据对应的至少一个访问行为子序列后,可利用所述访问行为子序列构建知识图谱,并且在面对不同业务需求时,可以基于所述知识图谱挖掘出不同访问行为之间的关联性,以根据所述关联性确定满足不同业务需求的业务处理策略,从而实现知识图谱的可用性。
与上述方法实施例相对应,本说明书还提供了对象推荐模型训练装置实施例,图4示出了本说明书一个实施例提供的一种对象推荐模型训练装置的示意图。如图4所示,该装置包括:
获取模块402,被配置为获取用户进行业务访问生成的第一访问日志数据,并根据所述第一访问日志数据生成所述用户的第一访问行为序列;
标注模块404,被配置为将所述第一访问行为序列输入序列标注模型进行序列划分及访问事件类型标注,生成所述第一访问日志数据对应的至少一个第一访问行为子序列以及所述至少一个第一访问行为子序列对应的访问事件类型;
第一训练模块406,被配置为将所述至少一个第一访问行为子序列、所述访问事件类型以及待推荐对象的属性信息作为训练样本,对待训练的对象推荐模型进行迭代训练,获得所述对象推荐模型。
可选地,所述对象推荐模型训练装置,还包括:
历史数据获取模块,被配置为获取用户进行业务访问生成的历史访问日志数据,并根据所述历史访问日志数据生成所述用户的历史访问行为序列;
第二训练模块,被配置为将所述历史访问行为序列作为训练样本,对待训练的序列标注模型进行训练,获得所述序列标注模型。
可选地,所述历史数据获取模块,包括:
数据清洗子模块,被配置为对所述历史访问日志数据进行数据清洗,并对清洗后的历史访问日志数据进行拼接,生成所述历史访问行为序列;
相应的,所述第二训练模块,包括:
训练子模块,被配置为将所述历史访问行为序列以及预设的事件类型信息作为训练样本,对待训练的序列标注模型进行训练。
可选地,所述第二训练模块,包括:
序列划分子模块,被配置为对所述历史访问行为序列进行序列划分,生成历史访问行为子序列;
序列处理子模块,被配置为对所述历史访问行为子序列中的至少一个历史访问行为子序列包含的历史访问行为进行清洗、去重和/或增删操作,生成至少一个目标访问行为子序列;
标注处理子模块,被配置为根据预设的事件类型信息对所述至少一个目标访问行为子序列进行标注处理,生成对应的标注结果;
模型训练子模块,被配置将所述历史访问行为子序列以及预设的事件类型信息作为训练样本,将所述标注结果作为所述至少一个目标访问行为子序列的标签,对待训练的序列标注模型进行训练。
可选地,所述标注模块404,包括:
划分子模块,被配置为将所述第一访问行为序列输入序列标注模型,所述序列标注模型根据所述第一访问行为序列中包含的起始访问行为以及结束访问行为对所述第一访问行为序列进行序列划分,以及,根据预设的事件类型信息对序列划分结果进行访问事件类型标注。
可选地,所述对象推荐模型训练装置,还包括:
数据获取模块,被配置为获取用户进行业务访问生成的第二访问日志数据,并根据所述第二访问日志数据生成所述用户的第二访问行为序列;
生成模块,被配置为将所述第二访问行为序列输入序列标注模型进行序列划分及访问事件类型标注,生成所述第二访问日志数据对应的至少一个第二访问行为子序列以及所述至少一个第二访问行为子序列对应的访问事件类型;
打分模块,被配置为将所述至少一个第二访问行为子序列、所述访问事件类型、所述用户的属性信息以及待推荐对象的属性信息输入所述对象推荐模型进行打分处理,生成所述待推荐对象的打分结果;
推荐模块,被配置为根据所述打分结果向所述用户进行对象推荐。
可选地,所述打分模块,包括:
打分子模块,被配置为将所述至少一个第二访问行为子序列、所述访问事件类型、所述用户的特征信息以及待推荐对象的属性信息输入所述对象推荐模型,所述对象推荐模型根据所述访问事件类型对所述用户的特征信息进行筛选,获得所述用户对与所述至少一个第二访问行为子序列相关的待推荐对象的访问日志数据,根据所述访问日志数据计算所述待推荐对象的转化率,并根据所述转化率对所述待推荐对象进行打分处理。
可选地,所述对象推荐模型训练装置,还包括:
实体关系确定模块,被配置为确定所述至少一个访问行为子序列之间的实体关系;
构建模块,被配置为根据所述至少一个访问行为子序列以及所述实体关系构建知识图谱,所述知识图谱中的节点表征所述至少一个访问行为子序列。
可选地,所述对象推荐模型训练装置,还包括:
业务类型确定模块,被配置为根据业务需求方提交的业务需求确定与所述业务需求对应的业务类型;
查询模块,被配置为在所述知识图谱中查询与所述业务类型相关的至少一个访问行为子序列;
策略确定模块,被配置为基于所述至少一个访问行为子序列确定与所述业务需求对应的业务处理策略。
上述为本实施例的一种对象推荐模型训练装置的示意性方案。需要说明的是,该对象推荐模型训练装置的技术方案与上述的对象推荐模型训练方法的技术方案属于同一构思,对象推荐模型训练装置的技术方案未详细描述的细节内容,均可以参见上述对象推荐模型训练方法的技术方案的描述。
图5示出了根据本说明书一个实施例提供的一种计算设备500的结构框图。该计算设备500的部件包括但不限于存储器510和处理器520。处理器520与存储器510通过总线530相连接,数据库550用于保存数据。
计算设备500还包括接入设备540,接入设备540使得计算设备500能够经由一个或多个网络560通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备540可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC))中的一个或多个,诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口,等等。
在本说明书的一个实施例中,计算设备500的上述部件以及图5中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图5所示的计算设备结构框图仅仅是出于示例的目的,而不是对本说明书范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备500可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或PC的静止计算设备。计算设备500还可以是移动式或静止式的服务器。
其中,所述存储器510用于存储计算机可执行指令,处理器520用于执行如下计算机可执行指令:
获取用户进行业务访问生成的第一访问日志数据,并根据所述第一访问日志数据生成所述用户的第一访问行为序列;
将所述第一访问行为序列输入序列标注模型进行序列划分及访问事件类型标注,生成所述第一访问日志数据对应的至少一个第一访问行为子序列以及所述至少一个第一访问行为子序列对应的访问事件类型;
将所述至少一个第一访问行为子序列、所述访问事件类型以及待推荐对象的属性信息作为训练样本,对待训练的对象推荐模型进行迭代训练,获得所述对象推荐模型。
上述为本实施例的一种计算设备的示意性方案。需要说明的是,该计算设备的技术方案与上述的对象推荐模型训练方法的技术方案属于同一构思,计算设备的技术方案未详细描述的细节内容,均可以参见上述对象推荐模型训练方法的技术方案的描述。
本说明书一实施例还提供一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时以用于实现所述对象推荐模型训练方法的步骤。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述的对象推荐模型训练方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述对象推荐模型训练方法的技术方案的描述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令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)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本说明书实施例并不受所描述的动作顺序的限制,因为依据本说明书实施例,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本说明书实施例所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书实施例的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本说明书实施例的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。
Claims (12)
1.一种对象推荐模型训练方法,包括:
获取用户进行业务访问生成的第一访问日志数据,并根据所述第一访问日志数据生成所述用户的第一访问行为序列;
将所述第一访问行为序列输入序列标注模型进行序列划分及访问事件类型标注,生成所述第一访问日志数据对应的至少一个第一访问行为子序列以及所述至少一个第一访问行为子序列对应的访问事件类型;
将所述至少一个第一访问行为子序列、所述访问事件类型以及与所述访问事件类型相关的多个待推荐对象的属性信息作为训练样本,对待训练的对象推荐模型进行迭代训练,获得所述对象推荐模型,其中,所述对象推荐模型用于对所述待推荐对象进行打分处理,以根据生成的打分结果向用户进行对象推荐。
2.根据权利要求1所述的对象推荐模型训练方法,所述序列标注模型通过以下方式进行训练:
获取用户进行业务访问生成的历史访问日志数据,并根据所述历史访问日志数据生成所述用户的历史访问行为序列;
将所述历史访问行为序列作为训练样本,对待训练的序列标注模型进行训练,获得所述序列标注模型。
3.根据权利要求2所述的对象推荐模型训练方法,所述根据所述历史访问日志数据生成所述用户的历史访问行为序列,包括:
对所述历史访问日志数据进行数据清洗,并对清洗后的历史访问日志数据进行拼接,生成所述历史访问行为序列;
相应的,所述将所述历史访问行为序列作为训练样本,对待训练的序列标注模型进行训练,包括:
将所述历史访问行为序列以及预设的事件类型信息作为训练样本,对待训练的序列标注模型进行训练。
4.根据权利要求2所述的对象推荐模型训练方法,所述将所述历史访问行为序列作为训练样本,对待训练的序列标注模型进行训练,包括:
对所述历史访问行为序列进行序列划分,生成历史访问行为子序列;
对所述历史访问行为子序列中的至少一个历史访问行为子序列包含的历史访问行为进行清洗、去重和/或增删操作,生成至少一个目标访问行为子序列;
根据预设的事件类型信息对所述至少一个目标访问行为子序列进行标注处理,生成对应的标注结果;
将所述历史访问行为子序列以及预设的事件类型信息作为训练样本,将所述标注结果作为所述至少一个目标访问行为子序列的标签,对待训练的序列标注模型进行训练。
5.根据权利要求1所述的对象推荐模型训练方法,所述将所述第一访问行为序列输入序列标注模型进行序列划分及访问事件类型标注,包括:
将所述第一访问行为序列输入序列标注模型,所述序列标注模型根据所述第一访问行为序列中包含的起始访问行为以及结束访问行为对所述第一访问行为序列进行序列划分,以及,根据预设的事件类型信息对序列划分结果进行访问事件类型标注。
6.根据权利要求1所述的对象推荐模型训练方法,所述获得所述对象推荐模型之后,还包括:
获取用户进行业务访问生成的第二访问日志数据,并根据所述第二访问日志数据生成所述用户的第二访问行为序列;
将所述第二访问行为序列输入序列标注模型进行序列划分及访问事件类型标注,生成所述第二访问日志数据对应的至少一个第二访问行为子序列以及所述至少一个第二访问行为子序列对应的访问事件类型;
将所述至少一个第二访问行为子序列、所述访问事件类型、所述用户的特征信息以及与所述访问事件类型相关的多个待推荐对象的属性信息输入所述对象推荐模型进行打分处理,生成所述多个待推荐对象的打分结果;
根据所述打分结果向所述用户进行对象推荐。
7.根据权利要求6所述的对象推荐模型训练方法,所述将所述至少一个第二访问行为子序列、所述访问事件类型、所述用户的特征信息以及与所述访问事件类型相关的多个待推荐对象的属性信息输入所述对象推荐模型进行打分处理,包括:
将所述至少一个第二访问行为子序列、所述访问事件类型、所述用户的特征信息以及与所述访问事件类型相关的多个待推荐对象的属性信息输入所述对象推荐模型,所述对象推荐模型根据所述访问事件类型对所述用户的特征信息进行筛选,获得所述用户对与所述至少一个第二访问行为子序列相关的待推荐对象的访问日志数据,根据所述访问日志数据计算所述多个待推荐对象的转化率,并根据所述转化率对所述多个待推荐对象进行打分处理。
8.根据权利要求1所述的对象推荐模型训练方法,所述生成所述业务访问日志数据对应的至少一个访问行为子序列以及所述至少一个访问行为子序列对应的访问事件类型之后,还包括:
确定所述至少一个访问行为子序列之间的实体关系;
根据所述至少一个访问行为子序列以及所述实体关系构建知识图谱,所述知识图谱中的节点表征所述至少一个访问行为子序列。
9.根据权利要求8所述的对象推荐模型训练方法,所述根据所述至少一个访问行为子序列以及所述实体关系构建知识图谱之后,还包括:
根据业务需求方提交的业务需求确定与所述业务需求对应的业务类型;
在所述知识图谱中查询与所述业务类型相关的至少一个访问行为子序列;
基于所述至少一个访问行为子序列确定与所述业务需求对应的业务处理策略。
10.一种对象推荐模型训练装置,包括:
获取模块,被配置为获取用户进行业务访问生成的第一访问日志数据,并根据所述第一访问日志数据生成所述用户的第一访问行为序列;
标注模块,被配置为将所述第一访问行为序列输入序列标注模型进行序列划分及访问事件类型标注,生成所述第一访问日志数据对应的至少一个第一访问行为子序列以及所述至少一个第一访问行为子序列对应的访问事件类型;
训练模块,被配置为将所述至少一个第一访问行为子序列、所述访问事件类型以及与所述访问事件类型相关的多个待推荐对象的属性信息作为训练样本,对待训练的对象推荐模型进行迭代训练,获得所述对象推荐模型,其中,所述对象推荐模型用于对所述待推荐对象进行打分处理,以根据生成的打分结果向用户进行对象推荐。
11.一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令以实现权利要求1至9任意一项所述对象推荐模型训练方法的步骤。
12.一种计算机可读存储介质,其存储有计算机指令,该计算机指令被处理器执行时实现权利要求1至9任意一项所述对象推荐模型训练方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110278218.3A CN112669096B (zh) | 2021-03-16 | 2021-03-16 | 对象推荐模型训练方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110278218.3A CN112669096B (zh) | 2021-03-16 | 2021-03-16 | 对象推荐模型训练方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112669096A CN112669096A (zh) | 2021-04-16 |
CN112669096B true CN112669096B (zh) | 2021-09-24 |
Family
ID=75399364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110278218.3A Active CN112669096B (zh) | 2021-03-16 | 2021-03-16 | 对象推荐模型训练方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112669096B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393299A (zh) * | 2021-06-17 | 2021-09-14 | 中国工商银行股份有限公司 | 推荐模型训练方法、装置、电子设备和存储介质 |
CN113392420A (zh) * | 2021-07-06 | 2021-09-14 | 山东电力工程咨询院有限公司 | 一种智慧化项目数据管理方法及*** |
CN113392291B (zh) * | 2021-07-06 | 2024-01-23 | 山东电力工程咨询院有限公司 | 一种基于数据中心的服务推荐方法及*** |
CN113538090B (zh) * | 2021-07-13 | 2022-09-23 | 海南大学 | 基于dikw图谱的虚拟社区人员性格分析及内容推送方法 |
CN113780097B (zh) * | 2021-08-17 | 2023-12-01 | 北京数慧时空信息技术有限公司 | 基于知识图谱和深度学习的耕地提取方法 |
CN115098771A (zh) * | 2022-06-09 | 2022-09-23 | 阿里巴巴(中国)有限公司 | 推荐模型更新方法、推荐模型训练方法及计算设备 |
CN115049060B (zh) * | 2022-07-14 | 2024-05-10 | 南京理工大学 | 基于深度学习的业务过程任务执行时知识推荐方法 |
CN115757979B (zh) * | 2022-12-20 | 2023-12-01 | 海南达润丰企业管理合伙企业(有限合伙) | 一种基于人工智能的用户数据推荐方法及*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259263B (zh) * | 2020-01-15 | 2023-04-18 | 腾讯云计算(北京)有限责任公司 | 一种物品推荐方法、装置、计算机设备及存储介质 |
CN112000863B (zh) * | 2020-08-14 | 2024-04-09 | 北京百度网讯科技有限公司 | 用户行为数据的分析方法、装置、设备和介质 |
CN111931069B (zh) * | 2020-09-25 | 2021-01-22 | 浙江口碑网络技术有限公司 | 用户兴趣确定方法、装置及计算机设备 |
-
2021
- 2021-03-16 CN CN202110278218.3A patent/CN112669096B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112669096A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112669096B (zh) | 对象推荐模型训练方法以及装置 | |
US11694257B2 (en) | Utilizing artificial intelligence to make a prediction about an entity based on user sentiment and transaction history | |
Bigus | Data mining with neural networks: solving business problems from application development to decision support | |
CN106557480B (zh) | 查询改写的实现方法及装置 | |
WO2022100518A1 (zh) | 一种基于用户画像的物品推荐方法和装置 | |
CN108932625B (zh) | 用户行为数据的分析方法、装置、介质和电子设备 | |
US20220300850A1 (en) | End-to-end machine learning pipelines for data integration and analytics | |
CN110555749B (zh) | 基于神经网络的信用行为预测方法以及装置 | |
US10678821B2 (en) | Evaluating theses using tree structures | |
CN109446431A (zh) | 用于信息推荐的方法、装置、介质、和计算设备 | |
CN114168843A (zh) | 搜索词推荐方法、设备及存储介质 | |
CN111782937A (zh) | 信息排序方法、装置、电子设备和计算机可读介质 | |
CN111242710A (zh) | 业务的分类处理方法、装置、服务平台及存储介质 | |
Bouzidi et al. | Deep learning-based automated learning environment using smart data to improve corporate marketing, business strategies, fraud detection in financial services, and financial time series forecasting | |
CN115423555A (zh) | 一种商品推荐方法、装置、电子设备及存储介质 | |
CN111429161A (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
CN112464106B (zh) | 对象推荐方法及装置 | |
CN111680213A (zh) | 信息推荐方法、数据处理方法及装置 | |
CN117608650A (zh) | 业务流程图生成方法、处理设备及存储介质 | |
CN113837843B (zh) | 产品推荐方法、装置、介质及电子设备 | |
CN115564532A (zh) | 序列推荐模型的训练方法及装置 | |
CN112328899B (zh) | 信息处理方法、信息处理装置、存储介质与电子设备 | |
CN116029766A (zh) | 用户交易决策识别方法、激励策略优化方法、装置和设备 | |
US20190164022A1 (en) | Query analysis using deep neural net classification | |
CN115204931A (zh) | 用户服务策略确定方法、装置及电子设备 |
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 |