CN112765482A - 产品投放方法、装置、设备及计算机可读介质 - Google Patents

产品投放方法、装置、设备及计算机可读介质 Download PDF

Info

Publication number
CN112765482A
CN112765482A CN202011545806.0A CN202011545806A CN112765482A CN 112765482 A CN112765482 A CN 112765482A CN 202011545806 A CN202011545806 A CN 202011545806A CN 112765482 A CN112765482 A CN 112765482A
Authority
CN
China
Prior art keywords
feature
product
target
cross
feature vector
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
Application number
CN202011545806.0A
Other languages
English (en)
Inventor
王卿
张懿
付雅馨
陈锋杰
***
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Weimin Insurance Agency Co Ltd
Original Assignee
Weimin Insurance Agency Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Weimin Insurance Agency Co Ltd filed Critical Weimin Insurance Agency Co Ltd
Priority to CN202011545806.0A priority Critical patent/CN112765482A/zh
Publication of CN112765482A publication Critical patent/CN112765482A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06Q30/0253—During e-commerce, i.e. online transactions
    • 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
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及一种产品投放方法、装置、设备及计算机可读介质。该方法包括：获取目标对象的第一特征信息和待投放产品的第二特征信息，第一特征信息用于表示目标对象在目标平台上的历史行为，第二特征信息用于表示待投放产品的产品特征，待投放产品包括虚拟对象资源；提取第一特征信息和第二特征信息之间的交叉特征和关联特征，并利用交叉特征和关联特征确定目标对象对待投放产品的偏好结果；根据偏好结果从待投放产品中确定目标产品组合；向目标对象展示与目标产品组合匹配的目标展示卡片。本申请通过挖掘用户特征和待投放产品特征之间的关联关系，从而找到目标对象所偏好的待投放产品，解决了推荐的产品实际与用户的契合度不高的技术问题。

Description

产品投放方法、装置、设备及计算机可读介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种产品投放方法、装置、设备及计算机可读介质。
背景技术
伴随着信息技术和互联网的快速发展，特别是近年来电子商务网站和社交网站的出现，信息资源过载已经成为用户和供应商面临的一个严峻问题，推荐***成为解决这一问题的一种有效手段，它根据用户信息分析用户兴趣或项目间的联系，为用户提供个性化的推荐服务。
目前，相关技术中，推荐***有采用将所有产品进行全量式的展示与投放，使得所有用户在进入后均看到的是同一页面，之后再通过引导用户进行一定动作后推荐***才能向用户投放一定的产品。也有采用协同过滤推荐算法或是对协同过滤算法的改进来进行产品推荐，但是，协同过滤算法存在特征稀疏、冷启动等问题。上述相关技术中，所推荐的产品实际与用户的契合度不高。
针对推荐的产品实际与用户的契合度不高的问题，目前尚未提出有效的解决方案。
发明内容
本申请提供了一种产品投放方法、装置、设备及计算机可读介质，以解决推荐的产品实际与用户的契合度不高的技术问题。
根据本申请实施例的一个方面，本申请提供了一种产品投放方法，包括：获取目标对象的第一特征信息和待投放产品的第二特征信息，第一特征信息用于表示目标对象在目标平台上的历史行为，第二特征信息用于表示待投放产品的产品特征，待投放产品包括用于进行虚拟资源交换的虚拟对象资源；提取第一特征信息和第二特征信息之间的交叉特征和关联特征，并利用交叉特征和关联特征确定目标对象对待投放产品的偏好结果；根据偏好结果从待投放产品中确定目标产品组合；向目标对象展示与目标产品组合匹配的目标展示卡片。
根据本申请实施例的另一方面，本申请提供了一种产品投放装置，包括：信息获取模块，用于获取目标对象的第一特征信息和待投放产品的第二特征信息，第一特征信息用于表示目标对象在目标平台上的历史行为，第二特征信息用于表示待投放产品的产品特征，待投放产品包括用于进行虚拟资源交换的虚拟对象资源；偏好匹配模块，用于提取第一特征信息和第二特征信息之间的交叉特征和关联特征，并利用交叉特征和关联特征确定目标对象对待投放产品的偏好结果；组合确定模块，用于根据偏好结果从待投放产品中确定目标产品组合；投放展示模块，用于向目标对象展示与目标产品组合匹配的目标展示卡片。
根据本申请实施例的另一方面，本申请提供了一种电子设备，包括存储器、处理器、通信接口及通信总线，存储器中存储有可在处理器上运行的计算机程序，存储器、处理器通过通信总线和通信接口进行通信，处理器执行计算机程序时实现上述方法。
根据本申请实施例的另一方面，本申请还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，程序代码使处理器执行上述的方法。
本申请实施例提供的上述技术方案与相关技术相比具有如下优点：
本申请技术方案为获取目标对象的第一特征信息和待投放产品的第二特征信息，第一特征信息用于表示目标对象在目标平台上的历史行为，第二特征信息用于表示待投放产品的产品特征，待投放产品为虚拟对象资源；提取第一特征信息和第二特征信息之间的交叉特征和关联特征，并利用交叉特征和关联特征确定目标对象对待投放产品的偏好结果；根据偏好结果从待投放产品中确定目标产品组合；向目标对象展示与目标产品组合匹配的目标展示卡片。本申请通过挖掘用户特征和待投放产品特征之间的关联关系，从而找到目标对象所偏好的待投放产品，解决了推荐的产品实际与用户的契合度不高的技术问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为根据本申请实施例提供的一种可选的产品投放方法硬件环境示意图；
图2为根据本申请实施例提供的一种可选的产品投放方法流程图；
图3为根据本申请实施例提供的一种可选的用户偏好挖掘流程图；
图4为根据本申请实施例提供的一种可选的双塔特征网络示意图；
图5为根据本申请实施例提供的一种可选的产品推荐示意图；
图6为根据本申请实施例提供的一种可选的产品投放装置框图；
图7为本申请实施例提供的一种可选的电子设备结构示意图。
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的一部分实施例，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做出创造性劳动的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。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本申请的说明，其本身并没有特定的意义。因此，“模块”与“部件”可以混合地使用。
首先，在对本申请实施例进行描述的过程中出现的部分名词或者术语适用于如下解释：
神经网络：神经网络可以是由神经单元组成的，神经单元可以是指以xs和截距b为输入的运算单元，该运算单元的输出可以为：
Figure BDA0002856145870000041
其中，s＝1、2、……n，n为大于1的自然数，Ws为xs的权重，b 为神经单元的偏置。f为神经单元的激活函数(activation functions)，用于将非线性特性引入神经网络中，来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入。激活函数可以是sigmoid函数。神经网络是将许多个上述单一的神经单元联结在一起形成的网络，即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连，来提取局部接受域的特征，局部接受域可以是由若干个神经单元组成的区域。
深度神经网络：深度神经网络(deep neural network，DNN)，也称多层神经网络，可以理解为具有很多层隐含层的神经网络，这里的“很多”并没有特别的度量标准。从DNN按不同层的位置划分，DNN内部的神经网络可以分为三类：输入层，隐含层，输出层。一般来说第一层是输入层，最后一层是输出层，中间的层数都是隐含层。例如，全连接神经网络中层与层之间是全连接的，也就是说，第i层的任意一个神经元一定与第i+1层的任意一个神经元相连。虽然DNN看起来很复杂，但是就每一层的工作来说，其实并不复杂，简单来说就是如下线性关系表达式：
Figure BDA0002856145870000051
其中，
Figure BDA0002856145870000052
是输入向量，
Figure BDA0002856145870000053
是输出向量，
Figure BDA0002856145870000054
是偏移向量，W是权重矩阵(也称系数)，α()是激活函数。每一层仅仅是对输入向量
Figure BDA0002856145870000052
经过如此简单的操作得到输出向量
Figure BDA0002856145870000056
由于DNN层数多，则系数W和偏移向量
Figure BDA0002856145870000057
的数量也就很多了。这些参数在DNN中的定义如下所述：以系数W为例：假设在一个三层的DNN中，第二层的第4个神经元到第三层的第2个神经元的线性系数定义为
Figure BDA0002856145870000058
上标 3代表系数W所在的层数，而下标对应的是输出的第三层索引2和输入的第二层索引4。总结就是：第L-1层的第k个神经元到第L层的第 j个神经元的系数定义为
Figure BDA0002856145870000059
需要注意的是，输入层是没有W参数的。在深度神经网络中，更多的隐含层让网络更能够刻画现实世界中的复杂情形。理论上而言，参数越多的模型复杂度越高，“容量”也就越大，也就意味着它能完成更复杂的学习任务。训练深度神经网络的也就是学习权重矩阵的过程，其最终目的是得到训练好的深度神经网络的所有层的权重矩阵(由很多层的向量W形成的权重矩阵)。
交叉网络：交叉网络(Cross Network)被用来显式并且高效地对交叉特征进行学习，它由多个交叉层(Crossing Layer)构成，每一层使用下式表示：
Figure BDA00028561458700000510
其中，
Figure BDA0002856145870000061
分别为第l层和第l+1层的输出特征，
Figure BDA0002856145870000062
为第l层的权重和偏置。Cross Network特殊的结构可以让特征的阶数(degree)随着网络的深度增加而增长。比如一个层数为l的 Cross Network，其highest polynomial degree为l+1。由于每一层cross layer的权重w和偏置b都是向量，假设维度均为b，那么层数为Lc的 CrossNetwork的参数总量为d*Lc*2。
相关技术中，推荐***有采用将所有产品进行全量式的展示与投放，使得所有用户在进入后均看到的是同一页面，之后再通过引导用户进行一定动作后推荐***才能向用户投放一定的产品。其间，繁复的交互与信息输出给用户造成“信息过载现象”，用户体验不佳；用户对***随机发放的产品并无需求领了不用，同时造成公司各类资源浪费，如发放后需人工资源进行核销计算等；用户对活动认知与其他平台无差异性，产品的吸引力不足，无法令用户产生分享及再次获得的动机。
也有采用协同过滤推荐算法或是对协同过滤算法的改进来进行产品推荐，但是，协同过滤算法存在特征稀疏、冷启动等问题。
为了解决背景技术中提及的问题，根据本申请实施例的一方面，提供了一种产品投放方法的实施例。
可选地，在本申请实施例中，上述产品投放方法可以应用于如图1 所示的由终端101和服务器103所构成的硬件环境中。上述终端可以是用户终端，用户通过终端访问软件平台时，推荐***将针对目标用户所投放的目标产品展示在该终端的显示界面中，上述服务器为该软件平台的数据服务器，通过调取用户数据和产品数据进行用户和产品之间的相关性挖掘，从而给目标用户推荐该目标用户更可能喜欢、感兴趣的目标产品。
如图1所示，服务器103通过网络与终端101进行连接，可用于为终端或终端上安装的客户端提供服务，可在服务器上或独立于服务器设置数据库105，用于为服务器103提供数据存储服务，上述网络包括但不限于：广域网、城域网或局域网，终端101包括但不限于PC、手机、平板电脑等。
本申请实施例中的一种产品投放方法可以由服务器103来执行，还可以是由服务器103和终端101共同执行，如图2所示，该方法可以包括以下步骤：
步骤S202，获取目标对象的第一特征信息和待投放产品的第二特征信息，第一特征信息用于表示目标对象在目标平台上的历史行为，第二特征信息用于表示待投放产品的产品特征，待投放产品包括用于进行虚拟资源交换的虚拟对象资源。
本申请实施例中，上述目标对象为通过终端设备访问目标软件平台的用户，作为优选，本申请中上述目标软件平台为保险业务的应用程序、小程序、网站等。
目标对象的第一特征信息包括用户的基础信息，如姓名、年龄、常用地址、性别、当前手机号归属地等，基础信息为用户首次注册该保险业务软件平台使用用户时填写的。第一特征信息还可以包括用户的行为***台上的具体浏览、点击、关注等操作行为生成的记录信息，如浏览促销类运营活动、平台类积分兑换活动、某产品介绍页面、个人中心等。
待投放产品可以是保险产品，还可以是平台活动奖品等用于进行虚拟资源交换的虚拟对象资源，如表示现金红包、礼券、礼品、VIP 卡的虚拟资源等。待投放产品的第二特征信息包括产品的类型、价格、标签、奖励额度以及最近一周点击次数、最近一周点击率等。
步骤S204，提取第一特征信息和第二特征信息之间的交叉特征和关联特征，并利用交叉特征和关联特征确定目标对象对待投放产品的偏好结果。
本申请实施例中，可以从用户特征和产品特征两方面入手，捕捉用户特征和产品特征之间的相关性，得到交叉特征，及更深层次的非线性相关性，得到关联特征，从而找到契合用户的偏好概率更大的产品来进行投放。
可选地，如图3所示，步骤S204提取第一特征信息和第二特征信息之间的交叉特征和关联特征，并利用交叉特征和关联特征确定目标对象对待投放产品的偏好结果具体可以包括以下步骤：
步骤302，将第一特征信息转换为第一特征向量，将第二特征信息转换为第二特征向量，第一特征信息包括目标对象的数值类的特征信息和属性类的特征信息中的至少一种，第二特征信息包括待投放产品的数值类的特征信息和属性类的特征信息中的至少一种。
本申请实施例中，可以采用Embedding嵌入的方式将第一特征信息转换为第一特征向量，将第二特征信息转换为第二特征向量。第一特征信息中包括用户的基础特征，如性别、年龄、常驻省份、当前号码归属地等，还包括行为偏好特征，如用户近一周的产品浏览历史，在目标平台近一周的产品购买历史等。不管是用户特征还是产品特征，都包括有数值类的特征信息和属性类的特征信息。由于用户、产品的特征中，一个特征可能包含多个值，如产品价格在不同时期是不同的，人的年龄也是随着时间增长的，因此不能直接用embedding_lookup去进行向量转换，embedding_lookup只接受只有一个数值的one-hot编码，因此需要先对上述第一特征信息和第二特征信息离散化，以转换为多热编码(multi-hot)，再通过Embedding嵌入为第一特征向量和第二特征向量。
可选地，将第一特征信息转化为第一特征向量，将第二特征信息转化为第二特征向量包括：
确定第一特征信息和第二特征信息的数据类型；
在数据类型为属性类的情况下，将第一特征信息离散化处理，得到第一多热编码；将第一多热编码输入嵌入层，获取由嵌入层对第一多热编码进行向量化处理得到的第一特征向量；将第二特征信息离散化处理，得到第二多热编码；将第二多热编码输入嵌入层，获取由嵌入层对第二多热编码进行向量化处理得到的第二特征向量；
在数据类型为数值类的情况下，获取初始反馈数据集，初始反馈数据集为用户首次登录目标平台时产生的行为数据；将初始反馈数据集划分为多个子数据集，并将第一特征信息划归到各个子数据集中；将每个子数据集离散化处理，得到第三多热编码；将第三多热编码输入嵌入层，获取由嵌入层对第三多热编码进行向量化处理得到的第一特征向量，第一特征向量的向量长度与子数据集的个数相匹配；将初始反馈数据集划分为多个子数据集，并将第二特征信息划归到各个子数据集中；将每个子数据集离散化处理，得到第四多热编码；将第四多热编码输入嵌入层，获取由嵌入层对第四多热编码进行向量化处理得到的第二特征向量，第二特征向量的向量长度与子数据集的个数相匹配，例如向量长度与子数据集的个数一致，分为10桶，则采用一个长度为10的向量来记录此特征。
本申请实施例中，可以对特征信息进行离散化处理，第一特征信息和第二特征信息中均包含属性类特征信息和数值型连续特征，不同的特征信息离散的方式有所不同。
对于属性类特征，例如用户的性别，常驻省份，产品的分类标签，产品的类型等，本申请可以直接对属性进行离散化处理，即将第一特征信息离散化，得到第一多热编码，将第二特征信息离散化，得到第二多热编码。再将第一多热编码输入嵌入层，采用Embedding获取第一特征向量，将第二多热编码输入嵌入层，采用Embedding获取第二特征向量。
对于数值型连续特征，例如用户的年龄，对每一个产品的浏览次数，产品近一周的点击次数等，本申请可以捞取冷启动样本(即初始反馈数据集)并将冷启动样本划分为多个子数据集，即分桶，在分桶时，每一桶中的数据可以是等量的，也可以是非等量的。之后将第一特征信息划归到各个子数据集中，同样可以将第一特征信息平均划归到各个子数据集中，也可以随机划分；将每个子数据集离散化处理，得到第三多热编码；将初始反馈数据集划分为多个子数据集，作为优选，可以采取等频分桶，并将第二特征信息划归到各个子数据集中，作为优选，可以将第二特征信息平均划归到各个子数据集中；将每个子数据集离散化处理，得到第四多热编码，以此来增强特征的统计显著性，避免等距分桶带来的极大/极小值敏感的缺陷。
上述等频分桶意思是划分的每一桶(个子数据集)中的样本个数都相同或相近。对特征信息分桶完成后，可以抽取分段点，然后对这一类特征进行离散化处理。例如，某特征A属于10段桶的第7段，那么本申请可以采用一个长度为10的向量来记录此特征，并将向量中的第7个数值记为1，以此来表征当前特征A。再将第三多热编码输入嵌入层，采用Embedding获取第一特征向量，将第四多热编码输入嵌入层，采用Embedding获取第二特征向量。
本申请实施例中，对特征信息离散化后，得到0/1向量，即上述第一多热编码、第二多热编码、第三多热编码及第四多热编码，将多热编码输入到嵌入层中去获取特征向量。
可选地，获取初始反馈数据集之前，该方法还包括按照如下方式构建初始反馈数据集：
确定初始用户群；
将初始用户群划分为多个投放组；
向每个投放组投放至少一种产品；
获取每个投放组中的用户对所投放的产品的反馈数据，得到初始反馈数据集。
本申请实施例中，对于首次使用保险业务的软件平台，***自动将首次使用软件平台的用户作为初始用户，划归初始用户群，并将初始用户群划分为多个投放组，向每个投放组投放至少一种产品，再获取每个投放组中的用户对所投放的产品的反馈数据，得到初始反馈数据集，也称为冷启动样本。若用户反馈的数据指示，向用户首次投放的产品用户不喜欢，则表明用户的偏好与首次投放的产品不符，即发生转化，则将该用户偏好标记为1，反之，若没有发生转化，首次投放的产品符合用户的偏好，则标记为0。
步骤S304，利用第一特征向量和第二特征向量，确定第一特征信息和第二特征信息之间的交叉特征和关联特征，交叉特征和关联特征用于表示目标对象与待投放产品之间的关联关系。
本申请实施例中，可以将第一特征向量和第二特征向量输入双塔特征网络，以利用双塔特征网络来挖掘待投放产品与目标对象之间的关联关系。
本申请实施例中，如图4所示，双塔特征网络包括交叉网络和深度网络。交叉网络参考FM模型(factor Machine，因子分解机)的思想，能够利用自动化的特征交叉捕捉用户侧特征和产品侧特征的相关性，例如年龄为50的用户比较喜欢微保体验券等类似的信息，交叉网络是将每个特征变成向量后，自动化地学习每两个向量对之间的相关性，如上述年龄50岁的特征和喜欢微保体验券的两个特征，向量化后作为向量对，然后学习该向量对的相关性，当然，向量对是任意两个向量配对的，相关性低的自动忽略。深度网络包含多层全连接层，用于捕捉用户和产品更深层次的非线性关系，例如使用形如wx+b的形式，对输入特征进行非线性化组合。深度网络中全连接层的层数越多，捕捉非线性的能力越强。
可选地，步骤S304又可以包括以下步骤：
将第一特征向量和第二特征向量输入交叉网络，并获取交叉网络输出的交叉特征，交叉网络的交叉层用于确定第一特征向量和第二特征向量之间的交叉特征，关联关系包括交叉特征表示的关系；
将第一特征向量和第二特征向量输入深度网络，并获取深度网络输出的关联特征，深度网络中的至少一层全连接层用于提取第一特征向量和第二特征向量之间的关联特征，关联关系包括关联特征表示的关系。
可选地，将第一特征向量和第二特征向量输入交叉网络，并获取交叉网络输出的交叉特征包括：
将第一特征向量和第二特征向量传递至交叉层；
在交叉层中提取在第一特征向量中出现，且在所述第二特征向量中配对出现的共现特征；
根据共现特征在第一特征向量和第二特征向量中的总占比，确定共现特征的权重；
利用共现特征和权重确定一阶特征和二阶特征，得到交叉特征，交叉特征包括一阶特征和二阶特征。
本申请实施例中，可以将多热编码的向量长度记为M，同时在默认情况下，可以对特征向量设置维度，作为优选，可以设置特征向量为128维。如图4所示，第一特征向量部分输入交叉网络，部分输入深度网络，第二特征向量同理，因此在取出对应的向量后，本申请对要输入交叉网络和深度网络的向量进行分别处理：对于输入交叉网络的向量，不进行处理，记其为Hi，那么此时的向量维度为M*128；对于输入到深度网络的向量，将所有向量求和来表征当前输入样本的特征向量，记其为Xi，具体计算方式如下：
Figure BDA0002856145870000131
其中，embj表示取到的特征向量，即第一特征向量和第二特征向量。
本申请实施例中，在交叉网络中参考FM模型捕捉交叉特征的方法，优化特征交叉计算。将特征向量输入交叉网络的交叉层后，通过交叉网络能够自动化地学习到：(1)哪些特征具有共现响应的特征，即相互匹配、配对出现的特征；(2)这些共现响应的特征的重要性有多高，即权重的大小。同时，本申请对原有的FM算法进行了优化，不再采用元素级特征交叉，而采用vector粒度的特征交叉。参考FM公式：
Figure BDA0002856145870000132
其中，本申请采用embedding层输入作为交叉项，即
Figure BDA0002856145870000133
和
Figure BDA0002856145870000134
Figure BDA0002856145870000135
和
Figure BDA0002856145870000136
为Hi中的元素，w为一阶权重，
Figure BDA0002856145870000137
为隐向量，
Figure BDA0002856145870000138
为交叉网络输出的交叉特征，上述一阶特征为：
<w,Hi>
上述二阶特征为：
Figure BDA0002856145870000139
这样操作的优势在于可以捕捉特征向量之间的交叉特征，使得特征交叉的统计显著性更为显著，降低了噪声；同时，将需要计算的隐向量由M*128降为M，大大降低了模型复杂度，同时减小了在线预测的时间开销，提升了在线预测效率。
可选地，将第一特征向量和第二特征向量输入深度网络，并获取所述深度网络输出的所述关联特征包括：
通过目标正则化来拟合所述第一特征向量和所述第二特征向量，以在避免过拟合的情况下确定所述关联特征。
本申请实施例中，在深度网络中可以针对网络的稀疏化进行控制，具体可以是通过L1正则化来避免特征过拟合，使模型的泛化能力更强。 L1正则化的具体计算方式如下：
l1-norm＝λ·|Ω|
其中λ表示惩罚项系数，用来控制惩罚的程度；|Ω|表示模型中所有参数的绝对值加和，这一项用来表征模型的复杂程度。将向量Xi输入深度网络，通过深度网络捕捉用户和产品更深层次的非线性关系，从而输出关联特征
Figure BDA0002856145870000141
在深度网络中，若DNN由M层全连接层构成，第j层全连接层的输出为
Figure BDA0002856145870000142
那么第j+1层的输出为：
Figure BDA0002856145870000143
其中，Wj为第j层的权重项，bj为第j层的偏置项，σ为激活函数，可以选择ReLU为其具体形式，如下表示：
Figure BDA0002856145870000144
深度网络输出的关联特征即为最后一层全连接层的输出：
Figure BDA0002856145870000145
步骤S306，将交叉特征和关联特征拼接为目标特征向量。
可选地，步骤S306将交叉特征和关联特征拼接为目标特征向量又可以包括：
将交叉特征和关联特征传递至连接层；
获取由连接层对交叉特征和关联特征进行拼接得到的目标特征向量。
本申请实施例中，连接层可以收集双塔网络的输出结果，即交叉网络输出的交叉特征
Figure BDA0002856145870000151
和深度网络输出的关联特征
Figure BDA0002856145870000152
其中，交叉特征又包括一阶特征：
<w,Hi>
二阶特征：
Figure BDA0002856145870000153
因此可以将交叉特征的一阶特征、二阶特征及关联特征拼接为目标特征向量Ki，具体如下：
q1,i＝<w,Hi>
Figure BDA0002856145870000154
Figure BDA0002856145870000155
其中concat表示为连接操作，q1,i表示样本i在交叉特征中的一阶特征，q2,i表示样本i在交叉特征中的二阶特征。
步骤S308，根据目标特征向量确定偏好结果。
本申请实施例中，可以将目标特征向量Ki输入到损失层通过目标损失函数计算最终输出。本申请修改了损失函数，直接采用softmax函数来计算概率输出pi(Xi∈Gj)，其中Gj表示第j个类别，则pi可以表示为：
Figure BDA0002856145870000161
其中exp表示自然指数，
Figure BDA0002856145870000162
为最后一个softmax层的权重，
Figure BDA0002856145870000163
为最后一个softmax层的偏置参数。
在进行损失函数计算时，可以直接参考softmax函数的计算方式，若记最终输出的标签为yi，那么目标损失函数可以表示为：
Figure BDA0002856145870000164
其中，N表示样本的数量，yi表示当前样本真实分类结果，log表示自然对数，上述最终输出的标签即指示与用户偏好习惯一致或相似的待投放产品。
本申请实施例中，可以通过对用户特征的分析为用户贴上特征标签，降维缩小目标范围，便于制定运营活动策略与精准化投放，进一步刺激用户达成期望的业务目标，提升业务达成效率。
步骤S206，根据偏好结果从待投放产品中确定目标产品组合。
可选地，偏好结果包括目标对象对各个待投放产品的偏好度(即上述softmax函数计算得到的概率输出pi)，根据偏好结果从待投放产品中确定目标产品组合包括：
对多个偏好度按照目标顺序进行排序，得到偏好度序列；
从偏好度序列中按照排序顺序选取目标数量个偏好度；
将各个偏好度所对应的待投放产品作为目标产品，并将目标数量个目标产品按照所对应的偏好度的排列顺序进行排序组合，得到目标产品组合。
本申请实施例中，通过上述步骤计算得到各个待投放产品与用户的偏好结果，即上述目标对象对待投放产品的偏好度和对应的标签，于是本申请可以对该偏好度按照一定顺序进行排序，如从大到小，或者，从小到打的顺序进行排序，并挑选出偏好度最大的前3位对应的待投放产品作为目标产品，并按照相应的偏好度的排序顺序组合得到目标产品组合。
步骤S208，向目标对象展示与目标产品组合匹配的目标展示卡片。
本申请实施例中，确定目标产品组合中所对应的目标产品，获取各个目标产品所对应的数据包，该数据包中包括展示样式以及对应的虚拟资源，虚拟资源是指用户通过前端页面触发(点击、触摸、滑动等)领取后，可用于抵扣消费的资源；根据各个目标产品所对应的数据包进行组合，并将前端展示的交互简化成卡片形态进行展示，进一步地，卡片内容信息(目标产品组合)可以包括奖品图片、奖品简介文案以及对应的跳转链接或者虚拟功能按钮；用户点击后直接领取或者和跳转落地页面进行领取。
如图5所示，展示页面主内容W1处相同，特定推荐区域W2处的目标产品组合根据用户对应的投放策略而变化，若对第一个用户计算得到的偏好结果指示，礼品A、B、C为偏好度从大到小的前3位，则对第一个用户采取投放策略1，确定展示组合1，并最终向第一个用户展示对应的界面。同理，若第二个用户匹配到投放策略2，则向第二个投放展示组合2，第三个用户匹配到投放策略3，则向第三个用户投放展示组合3，目标产品组合符合用户偏好，增加产品投放的精准率，进而提高转化率。
根据本申请实施例的又一方面，如图6所示，提供了一种产品投放装置，包括：
信息获取模块601，用于获取目标对象的第一特征信息和待投放产品的第二特征信息，第一特征信息用于表示目标对象在目标平台上的历史行为，第二特征信息用于表示待投放产品的产品特征，待投放产品为虚拟对象资源；
偏好匹配模块603，用于提取第一特征信息和第二特征信息之间的交叉特征和关联特征，并利用交叉特征和关联特征确定目标对象对待投放产品的偏好结果；
组合确定模块605，用于根据偏好结果从待投放产品中确定目标产品组合；
投放展示模块607，用于向目标对象展示与目标产品组合匹配的目标展示卡片。
需要说明的是，该实施例中的信息获取模块601可以用于执行本申请实施例中的步骤S202，该实施例中的偏好匹配模块603可以用于执行本申请实施例中的步骤S204，该实施例中的组合确定模块605可以用于执行本申请实施例中的步骤S206，该实施例中的投放展示模块 607可以用于执行本申请实施例中的步骤S208。
此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在如图1所示的硬件环境中，可以通过软件实现，也可以通过硬件实现。
可选地，偏好匹配模块包括：
嵌入单元，用于将第一特征信息转换为第一特征向量，将第二特征信息转换为第二特征向量，第一特征信息包括目标对象的数值类的特征信息和属性类的特征信息中的至少一种，第二特征信息包括待投放产品的数值类的特征信息和属性类的特征信息中的至少一种；
特征提取单元，用于利用第一特征向量和第二特征向量，确定第一特征信息和第二特征信息之间的交叉特征和关联特征，交叉特征和关联特征用于表示目标对象与待投放产品之间的关联关系；
向量拼接单元，用于将交叉特征和关联特征拼接为目标特征向量；
偏好结果确定单元，用于根据目标特征向量确定偏好结果。
可选地，嵌入单元包括：
数据类型确定子单元，用于确定第一特征信息和第二特征信息的数据类型；
第一嵌入子单元，用于在数据类型为属性类的情况下，将第一特征信息离散化处理，得到第一多热编码；将第一多热编码输入嵌入层，获取由嵌入层对第一多热编码进行向量化处理得到的第一特征向量；将第二特征信息离散化处理，得到第二多热编码；将第二多热编码输入嵌入层，获取由嵌入层对第二多热编码进行向量化处理得到的第二特征向量；
第二嵌入子单元，用于在数据类型为数值类的情况下，获取初始反馈数据集，初始反馈数据集为用户首次登录目标平台时产生的行为数据；将初始反馈数据集划分为多个子数据集，并将第一特征信息划归到各个子数据集中；将每个子数据集离散化处理，得到第三多热编码；将第三多热编码输入嵌入层，获取由嵌入层对第三多热编码进行向量化处理得到的第一特征向量，第一特征向量的向量长度与子数据集的个数相匹配；将初始反馈数据集划分为多个子数据集，并将第二特征信息划归到各个子数据集中；将每个子数据集离散化处理，得到第四多热编码；将第四多热编码输入嵌入层，获取由嵌入层对第四多热编码进行向量化处理得到的第二特征向量，第二特征向量的向量长度与子数据集的个数相匹配。
可选地，特征提取单元包括：
交叉网络子单元，用于将第一特征向量和第二特征向量输入交叉网络，并获取交叉网络输出的交叉特征，交叉网络的交叉层用于确定第一特征向量和第二特征向量之间的交叉特征，关联关系包括交叉特征表示的关系；
深度网络子单元，用于将第一特征向量和第二特征向量输入深度网络，并获取深度网络输出的关联特征，深度网络中的至少一层全连接层用于提取第一特征向量和第二特征向量之间的关联特征，关联关系包括关联特征表示的关系。
可选地，向量拼接单元还包括：
输出传递子单元，用于将交叉特征和关联特征传递至连接层；
拼接向量获取子单元，用于获取由连接层对交叉特征和关联特征进行拼接得到的目标特征向量。
可选地，组合确定模块包括：
偏好度排序单元，用于对多个偏好度按照目标顺序进行排序，得到偏好度序列；
偏好度选取单元，用于从偏好度序列中按照排序顺序选取目标数量个偏好度；
组合确定单元，用于将各个偏好度所对应的待投放产品作为目标产品，并将目标数量个目标产品按照所对应的偏好度的排列顺序进行排序组合，得到目标产品组合。
根据本申请实施例的另一方面，本申请提供了一种电子设备，如图7所示，包括存储器701、处理器703、通信接口705及通信总线707，存储器701中存储有可在处理器703上运行的计算机程序，存储器701、处理器703通过通信接口705和通信总线707进行通信，处理器703 执行计算机程序时实现上述方法的步骤。
上述电子设备中的存储器、处理器通过通信总线和通信接口进行通信。所述通信总线可以是外设部件互连标准(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。
存储器可以包括随机存取存储器(Random Access Memory，简称 RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP) 等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
根据本申请实施例的又一方面还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述任一实施例的步骤。
可选地，在本申请实施例中，计算机程序产品或计算机程序用于处理器执行以下步骤的程序代码：
获取目标对象的第一特征信息和待投放产品的第二特征信息，第一特征信息用于表示目标对象在目标平台上的历史行为，第二特征信息用于表示待投放产品的产品特征；
利用第一特征信息和第二特征信息确定目标对象对待投放产品的偏好结果；
根据偏好结果从待投放产品中确定向目标对象投放的目标产品。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
本申请实施例在具体实现时，可以参阅上述各个实施例，具有相应的技术效果。
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits，ASIC)、数字信号处理器(Digital Signal Processing，DSP)、数字信号处理设备(DSP Device，DSPD)、可编程逻辑设备(Programmable LogicDevice，PLD)、现场可编程门阵列(Field-Programmable Gate Array， FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现，可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
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***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。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、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种产品投放方法，其特征在于，包括：
获取目标对象的第一特征信息和待投放产品的第二特征信息，其中，所述第一特征信息用于表示所述目标对象在目标平台上的历史行为，所述第二特征信息用于表示所述待投放产品的产品特征，所述待投放产品包括用于进行虚拟资源交换的虚拟对象资源；
提取所述第一特征信息和所述第二特征信息之间的交叉特征和关联特征，并利用所述交叉特征和所述关联特征确定所述目标对象对所述待投放产品的偏好结果；
根据所述偏好结果从所述待投放产品中确定目标产品组合；
向所述目标对象展示与所述目标产品组合匹配的目标展示卡片。
2.根据权利要求1所述的方法，其特征在于，提取所述第一特征信息和所述第二特征信息之间的交叉特征和关联特征，并利用所述交叉特征和所述关联特征确定所述目标对象对所述待投放产品的偏好结果包括：
将所述第一特征信息转换为第一特征向量，将所述第二特征信息转换为第二特征向量，其中，所述第一特征信息包括所述目标对象的数值类的特征信息和属性类的特征信息中的至少一种，所述第二特征信息包括所述待投放产品的数值类的特征信息和属性类的特征信息中的至少一种；
利用所述第一特征向量和所述第二特征向量，确定所述第一特征信息和所述第二特征信息之间的所述交叉特征和所述关联特征，所述交叉特征和所述关联特征用于表示所述目标对象与所述待投放产品之间的关联关系；
将所述交叉特征和所述关联特征拼接为目标特征向量；
根据所述目标特征向量确定所述偏好结果。
3.根据权利要求2所述的方法，其特征在于，将所述第一特征信息转换为第一特征向量，将所述第二特征信息转换为第二特征向量包括：
确定所述第一特征信息和所述第二特征信息的数据类型；
在所述数据类型为所述属性类的情况下，将所述第一特征信息离散化处理，得到第一多热编码；将所述第一多热编码输入嵌入层，获取由所述嵌入层对所述第一多热编码进行向量化处理得到的所述第一特征向量；将所述第二特征信息离散化处理，得到第二多热编码；将所述第二多热编码输入所述嵌入层，获取由所述嵌入层对所述第二多热编码进行向量化处理得到的所述第二特征向量；
在所述数据类型为所述数值类的情况下，获取初始反馈数据集，其中，所述初始反馈数据集为用户首次登录所述目标平台时产生的行为数据；将所述初始反馈数据集划分为多个子数据集，并将所述第一特征信息划归到各个所述子数据集中；将每个所述子数据集离散化处理，得到第三多热编码；将所述第三多热编码输入所述嵌入层，获取由所述嵌入层对所述第三多热编码进行向量化处理得到的所述第一特征向量，其中，所述第一特征向量的向量长度与所述子数据集的个数相匹配；将所述初始反馈数据集划分为多个子数据集，并将所述第二特征信息平均划归到各个所述子数据集中；将每个所述子数据集离散化处理，得到第四多热编码；将所述第四多热编码输入所述嵌入层，获取由所述嵌入层对所述第四多热编码进行向量化处理得到的所述第二特征向量，其中，所述第二特征向量的向量长度与所述子数据集的个数相匹配。
4.根据权利要求3所述的方法，其特征在于，利用所述第一特征向量和所述第二特征向量，确定所述第一特征信息和所述第二特征信息之间的所述交叉特征和所述关联特征包括：
将所述第一特征向量和所述第二特征向量输入交叉网络，并获取所述交叉网络输出的所述交叉特征，其中，所述交叉网络的交叉层用于确定所述第一特征向量和所述第二特征向量之间的交叉特征，所述关联关系包括所述交叉特征表示的关系；
将所述第一特征向量和所述第二特征向量输入深度网络，并获取所述深度网络输出的所述关联特征，其中，所述深度网络中的至少一层全连接层用于提取所述第一特征向量和所述第二特征向量之间的关联特征，所述关联关系包括所述关联特征表示的关系。
5.根据权利要求4所述的方法，其特征在于，将所述第一特征向量和所述第二特征向量输入交叉网络，并获取所述交叉网络输出的所述交叉特征包括：
将所述第一特征向量和所述第二特征向量传递至所述交叉层；
在所述交叉层中提取在所述第一特征向量中出现，且在所述第二特征向量中配对出现的共现特征；
根据所述共现特征在所述第一特征向量和所述第二特征向量中的总占比，确定所述共现特征的权重；
利用所述共现特征和所述权重确定一阶特征和二阶特征，得到所述交叉特征，其中，所述交叉特征包括所述一阶特征和所述二阶特征。
6.根据权利要求2所述的方法，其特征在于，将所述交叉特征和所述关联特征拼接为目标特征向量包括：
将所述交叉特征和所述关联特征传递至连接层；
获取由所述连接层对所述交叉特征和所述关联特征进行拼接得到的所述目标特征向量。
7.根据权利要求1至6任一所述的方法，其特征在于，所述偏好结果包括所述目标对象对各个所述待投放产品的偏好度，根据所述偏好结果从所述待投放产品中确定目标产品组合包括：
对多个所述偏好度按照目标顺序进行排序，得到偏好度序列；
从所述偏好度序列中按照排序顺序选取目标数量个所述偏好度；
将各个所述偏好度所对应的所述待投放产品作为目标产品，并将所述目标数量个所述目标产品按照所对应的所述偏好度的排列顺序进行排序组合，得到所述目标产品组合。
8.一种产品投放装置，其特征在于，包括：
信息获取模块，用于获取目标对象的第一特征信息和待投放产品的第二特征信息，其中，所述第一特征信息用于表示所述目标对象在目标平台上的历史行为，所述第二特征信息用于表示所述待投放产品的产品特征，所述待投放产品包括用于进行虚拟资源交换的虚拟对象资源；
偏好匹配模块，用于提取所述第一特征信息和所述第二特征信息之间的交叉特征和关联特征，并利用所述交叉特征和所述关联特征确定所述目标对象对所述待投放产品的偏好结果；
组合确定模块，用于根据所述偏好结果从所述待投放产品中确定目标产品组合；
投放展示模块，用于向所述目标对象展示与所述目标产品组合匹配的目标展示卡片。
9.一种电子设备，包括存储器、处理器、通信接口及通信总线，所述存储器中存储有可在所述处理器上运行的计算机程序，所述存储器、所述处理器通过所述通信总线和所述通信接口进行通信，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至7任一项所述的方法。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求1至7任一所述方法。
CN202011545806.0A 2020-12-23 2020-12-23 产品投放方法、装置、设备及计算机可读介质 Pending CN112765482A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011545806.0A CN112765482A (zh) 2020-12-23 2020-12-23 产品投放方法、装置、设备及计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011545806.0A CN112765482A (zh) 2020-12-23 2020-12-23 产品投放方法、装置、设备及计算机可读介质

Publications (1)

Publication Number Publication Date
CN112765482A true CN112765482A (zh) 2021-05-07

Family

ID=75695481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011545806.0A Pending CN112765482A (zh) 2020-12-23 2020-12-23 产品投放方法、装置、设备及计算机可读介质

Country Status (1)

Country Link
CN (1) CN112765482A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113407851A (zh) * 2021-07-15 2021-09-17 北京百度网讯科技有限公司 基于双塔模型的确定推荐信息的方法、装置、设备和介质
CN113469752A (zh) * 2021-07-22 2021-10-01 北京沃东天骏信息技术有限公司 内容推荐方法、装置、存储介质及电子设备
CN115222461A (zh) * 2022-09-19 2022-10-21 杭州数立信息技术有限公司 一种智能营销精准推荐方法
CN115273325A (zh) * 2022-07-27 2022-11-01 京东方科技集团股份有限公司 物品投放方法、装置及***

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113407851A (zh) * 2021-07-15 2021-09-17 北京百度网讯科技有限公司 基于双塔模型的确定推荐信息的方法、装置、设备和介质
CN113407851B (zh) * 2021-07-15 2024-05-03 北京百度网讯科技有限公司 基于双塔模型的确定推荐信息的方法、装置、设备和介质
CN113469752A (zh) * 2021-07-22 2021-10-01 北京沃东天骏信息技术有限公司 内容推荐方法、装置、存储介质及电子设备
CN115273325A (zh) * 2022-07-27 2022-11-01 京东方科技集团股份有限公司 物品投放方法、装置及***
CN115222461A (zh) * 2022-09-19 2022-10-21 杭州数立信息技术有限公司 一种智能营销精准推荐方法
CN115222461B (zh) * 2022-09-19 2023-01-10 杭州数立信息技术有限公司 一种智能营销精准推荐方法

Similar Documents

Publication Publication Date Title
CN113626719B (zh) 信息推荐方法、装置、设备、存储介质及计算机程序产品
CN110717098B (zh) 基于元路径的上下文感知用户建模方法、序列推荐方法
CN112765482A (zh) 产品投放方法、装置、设备及计算机可读介质
Zhu et al. Online purchase decisions for tourism e-commerce
CN112288042B (zh) 行为预测***的更新方法及装置、存储介质和计算设备
CN109087178A (zh) 商品推荐方法和装置
CN109034960B (zh) 一种基于用户节点嵌入的多属性推断的方法
CN111553754A (zh) 行为预测***的更新方法及装置
CN109241412A (zh) 一种基于网络表示学习的推荐方法、***及电子设备
CN111143684B (zh) 基于人工智能的泛化模型的训练方法及装置
CN115917535A (zh) 推荐模型的训练方法、推荐方法、装置及计算机可读介质
CN112380453B (zh) 物品推荐方法、装置、存储介质及设备
Wang et al. Modelling local and global dependencies for next-item recommendations
CN111274501A (zh) 推送信息的方法、***和非暂时性存储介质
CN112633690A (zh) 服务人员信息分配方法、装置、计算机设备和存储介质
CN114417174B (zh) 内容推荐方法、装置、设备及计算机存储介质
CN114693409A (zh) 产品匹配方法、装置、计算机设备、存储介质和程序产品
CN113590976A (zh) 一种空间自适应图卷积网络的推荐方法
CN113641916A (zh) 一种内容推荐方法、装置、电子设备和存储介质
CN116308640A (zh) 一种推荐方法及相关装置
CN116764236A (zh) 游戏道具推荐方法、装置、计算机设备和存储介质
Zheng et al. Modeling high-order relation to explore user intent with parallel collaboration views
CN110418171B (zh) 媒体资源的推送方法和装置、存储介质及电子装置
CN116628236B (zh) 多媒体信息的投放方法、装置、电子设备及存储介质
CN109325186B (zh) 一种用户偏好与地理特征融合的行为动机推断算法

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