CN113076469B - 模型构建方法、数据推荐方法及装置 - Google Patents
模型构建方法、数据推荐方法及装置 Download PDFInfo
- Publication number
- CN113076469B CN113076469B CN202010005951.3A CN202010005951A CN113076469B CN 113076469 B CN113076469 B CN 113076469B CN 202010005951 A CN202010005951 A CN 202010005951A CN 113076469 B CN113076469 B CN 113076469B
- Authority
- CN
- China
- Prior art keywords
- data
- feature
- sample
- user
- 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
- 238000000034 method Methods 0.000 title claims abstract description 276
- 238000010276 construction Methods 0.000 title claims description 18
- 230000008569 process Effects 0.000 claims abstract description 141
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 230000004913 activation Effects 0.000 claims description 161
- 230000006870 function Effects 0.000 claims description 142
- 230000006399 behavior Effects 0.000 claims description 110
- 230000003213 activating effect Effects 0.000 claims description 83
- 238000004364 calculation method Methods 0.000 claims description 77
- 238000010606 normalization Methods 0.000 claims description 65
- 238000012163 sequencing technique Methods 0.000 claims description 56
- 230000002776 aggregation Effects 0.000 claims description 52
- 238000004220 aggregation Methods 0.000 claims description 52
- 238000002372 labelling Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 18
- 238000005304 joining Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 description 40
- 238000010586 diagram Methods 0.000 description 32
- 239000011159 matrix material Substances 0.000 description 31
- 238000012545 processing Methods 0.000 description 21
- 239000000047 product Substances 0.000 description 13
- 238000003860 storage Methods 0.000 description 13
- 239000006185 dispersion Substances 0.000 description 10
- 230000009471 action Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 239000006227 byproduct Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供了一种数据推荐方法及装置。在本申请中,在用户操控数据的过程中,用户的操控方式具有一定延续性,且用户操控的数据往往是用户感兴趣的数据。例如,刚刚操控过什么数据,则往往说明用户对刚刚操控过的数据感兴趣,且在下一刻时用户感兴趣的数据往往与用户刚刚操控过的数据相关。如此,即使用户未登录服务端,如果用户操控过服务端的数据,服务端可以使用数据推荐模型,以结合用户在历史过程中长时间内操控过的多个数据的特征以及用户最近操控过的数据的特征来确定用户感兴趣的数据,可以提高确定出的数据事实上的确为用户感兴趣的数据的可能性,也即,可以提高推荐的数据的精准度,进而可以提高推荐的转化率,以及提高用户体验。
Description
技术领域
本申请涉及互联网技术领域,特别是涉及一种模型构建方法、一种模型构建装置、一种数据推荐方法及一种数据推荐装置。
背景技术
随着互联网的普及和电商行业的迅猛发展,如何给用户推荐合适的数据成为电商领域的主要问题之一。
当前,现有技术公开了一种数据推荐方法,包括:
在用户使用用户账号登录电商平台之后,电商平台根据用户账号,在用户的账户中查找用户事先设置的消费偏好,然后根据用户的消费偏好在多个数据中查找用户感兴趣的数据,再向用户推荐查找到的数据。
然而,发明人在实现本发明的过程中发现:如果用户未登录电商平台,则电商平台就无法根据用户的消费偏好向用户推荐的用户感兴趣的数据,只能随机向用户推荐数据,但是随机推荐的数据的精准度较低。
发明内容
为了在用户未登录的情况下能够提高向用户推荐的数据的精准度,本申请示出了一种模型构建方法、一种模型构建装置、一种数据推荐方法及一种数据推荐装置。
第一方面,本申请示出了一种模型构建方法,所述方法包括:
获取第一样本数据集;
构建数据推荐模型的网络结构;
根据第一样本数据集对数据推荐模型中的网络参数进行训练,直至所述网络参数收敛,得到所述数据推荐模型;
其中,所述第一样本数据集包括:
样本用户在第一样本时间段内操控过的多个第一样本数据的第一样本特征;所述样本用户在第二样本时间段内操控过的至少一个第二样本数据的第二样本特征;多个样本候选数据的样本候选特征;所述样本用户对样本候选数据的标注感兴趣程度。
在一个可选的实现方式中,所述第一样本数据集还包括:
所述第二样本时间段短于所述第一样本时间段,且所述第二样本时间段的结束时刻与所述第一样本时间段的结束时刻之间的距离小于所述第二样本时间段的结束时刻与所述第一样本时间段的起始时刻之间的距离。
在一个可选的实现方式中,所述样本候选数据的获取方式,包括:
获取第一样本数据的数据类型;
在包括多个数据的数据集合中,筛选所述数据类型所对应的数据,作为所述样本候选数据。
在一个可选的实现方式中,获取所述样本用户对样本候选数据的标注感兴趣程度的方式,包括:
获取所述样本用户在历史过程中操控所述样本候选数据的操控方式;根据所述操控方式确定所述样本用户对所述样本候选数据的标注感兴趣程度;
或者,
获取所述样本用户在历史过程中操控与所述样本候选数据的属于同一数据类型的数据的操控方式;根据操控同一数据类型的数据的操控方式确定所述样本用户对所述样本候选数据的标注感兴趣程度。
在一个可选的实现方式中,操控方式至少包括:
浏览、点击进入详情页、收藏、分享、加入购物车、购买、咨询以及评论。
在一个可选的实现方式中,所述网络结构包括:
至少一个激活函数、相似度计算层以及归一化层;
所述激活函数用于对所述第一样本特征、所述第二样本特征以及全局样本特征进行激活处理,得到聚合特征;所述全局样本特征包括多个第一样本特征之间的平均特征;
所述相似度计算层用于计算所述聚合特征与所述样本候选特征之间的特征相似度;
所述归一化层用于将所述聚合特征与所述样本候选特征之间的特征相似度转换所述样本用户对所述样本候选数据感兴趣的程度。
在一个可选的实现方式中,所述网络结构还包括:
第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块;
所述第一注意力模块用于根据所述全局样本特征对所述第一样本特征进行全局扩展,得到所述第一样本特征对应的全局扩展特征;
所述时间序列模块用于将所述多个全局扩展特征按照所述样本用户在历史过程中操控第一样本数据的操控时刻由晚至早的顺序排序,并将多个全局扩展特征按照对应的第一样本数据的排序的顺序聚类,得到多个第一样本特征集合;
所述行为序列模块用于将第一样本特征集合中的全局扩展特征按照所述样本用户在历史过程中操控第一样本数据的操控方式聚类,得到第一样本特征集合中的多个操控方式分别对应的第二样本特征集合;
所述第二注意力模块用于根据所述第二样本特征对所述全局扩展特征进行瞬时扩展,得到全局扩展特征对应的瞬时扩展特征。
在一个可选的实现方式中,所述网络结构还包括:
第一注意力模块以及第二注意力模块;
所述第一注意力模块用于根据所述全局样本特征对第一样本特征进行全局扩展,得到第一样本特征对应的全局扩展特征;
所述第二注意力模块用于根据所述第二样本特征对所述全局扩展特征进行瞬时扩展,得到全局扩展特征对应的瞬时扩展特征。
在一个可选的实现方式中,所述网络结构还包括:
第一注意力模块;
所述第一注意力模块用于根据所述全局样本特征对第一样本特征进行全局扩展,得到第一样本特征对应的全局扩展特征。
在一个可选的实现方式中,所述网络结构还包括:
第二注意力模块;
所述第二注意力模块用于根据所述第二样本特征对所述第一样本特征进行瞬时扩展,得到第一样本特征对应的瞬时扩展特征。
在一个可选的实现方式中,所述网络结构还包括:
时间序列模块以及行为序列模块;
所述时间序列模块用于将所述多个第一样本特征按照所述样本用户在历史过程中操控第一样本数据的操控时刻由晚至早的顺序排序,并将多个第一样本特征按照对应的第一样本数据的排序的顺序聚类,得到多个第一样本特征集合;
所述行为序列模块用于将第一样本特征集合中的第一样本特征按照所述样本用户在历史过程中操控第一样本数据的操控方式聚类,得到第一样本特征集合中的多个操控方式分别对应的第二样本特征集合。
在一个可选的实现方式中,所述网络结构还包括:
时间序列模块;
所述时间序列模块用于将所述多个第一样本特征按照所述样本用户在历史过程中操控第一样本数据的操控时刻由晚至早的顺序排序,并将多个第一样本特征按照对应的第一样本数据的排序的顺序聚类,得到多个第一样本特征集合。
在一个可选的实现方式中,所述网络结构还包括:
行为序列模块;
所述行为序列模块用于将所述多个第一样本特征按照所述样本用户在历史过程中操控第一样本数据的操控方式聚类,得到多个操控方式分别对应的第二特征集合。
在一个可选的实现方式中,所述构建数据推荐模型的网络结构,包括:
确定所述数据推荐模型所应用的至少一个业务场景;
对于每一个业务场景,构建数据推荐模型的适用于所述业务场景的网络结构。
在一个可选的实现方式中,所述构建数据推荐模型的适用于所述业务场景的网络结构,包括:
在第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模型中的至少一个模块中,确定所述数据推荐模型应用在所述业务场景时所适用的模块;
构建包括确定出的模块的数据推荐模型的网络结构。
在一个可选的实现方式中,所述在第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模型中的至少一个模块中,确定所述数据推荐模型应用在所述业务场景时所适用的模块,包括:
在业务场景与模块标识之间的对应关系中,查找与所述业务场景相对应的模块标识;
将所述模块标识所对应的模块确定为所述数据推荐模型应用在所述业务场景时所适用的模块。
在一个可选的实现方式中,业务场景至少包括:
搜索场景、广告推荐场景、数据推荐场景、文本推荐场景、多媒体文件推荐场景以及行驶路线推荐场景。
第二方面,本申请示出了一种数据推荐方法,应用于客户端,包括:
获取数据获取请求;所述数据获取请求至少携带使用所述客户端的用户的用户标识;
向服务端发送所述数据获取请求;
接收所述服务端根据所述数据获取请求返回的、所述用户感兴趣的第三数据;所述第三数据是所述服务端根据所述用户在第一时间段内操控过的多个第一数据的第一特征、所述用户在第二时间段内操控过的至少一个第二数据的第二特征以及数据推荐模型在多个候选数据中查找的;
显示所述第三数据。
在一个可选的实现方式中,所述第二时间段短于所述第一时间段,且所述第二时间段的结束时刻与所述第一时间段的结束时刻之间的距离小于所述第二时间段的结束时刻与所述第一时间段的起始时刻之间的距离;
在一个可选的实现方式中,所述第三数据为多个;
所述方法还包括:
接收所述服务端返回的、所述用户对第三数据的感兴趣的程度;
所述显示所述第三数据,包括:
基于所述用户对第三数据的感兴趣的程度由高至低的顺序,将第三数据排序显示。
在一个可选的实现方式中,还包括:
在显示所述第三数据之后的预设时长内,如果所述用户未对所述第三数据进行操控,则生成第一指示信息,所述第一指示信息用于指示在所述客户端显示所述第三数据之后的预设时长内所述用户未对所述第三数据进行操控;
向所述服务端发送所述第一指示信息,以使所述服务端根据所述第一指示信息对所述数据推荐模型进行更新。
在一个可选的实现方式中,还包括:
在显示所述第三数据之后的预设时长内,如果所述用户对所述第三数据进行了操控,则获取所述用户对所述第三数据进行操控的操控方式;
生成第二指示信息,所述第二指示信息用于指示在所述客户端显示所述第三数据之后的预设时长内所述用户以所述操控方式对所述第三数据进行了操控;
向所述服务端发送所述第二指示信息,以使所述服务端根据所述第二指示信息对所述数据推荐模型进行更新。
在一个可选的实现方式中,操控方式至少包括:
浏览、点击进入详情页、收藏、分享、加入购物车、购买、咨询以及评论。
第三方面,本申请示出了一种数据推荐方法,应用于服务端,包括:
接收客户端发送的数据获取请求,所述数据获取请求至少携带使用所述客户端的用户的用户标识;
根据所述用户标识获取所述用户在第一时间段内操控过的多个第一数据的第一特征;以及,获取所述用户在第二时间段内操控过的至少一个第二数据的第二特征;
获取多个候选数据;
基于第一数据的第一特征、第二数据的第二特征以及数据推荐模型在多个候选数据中查找所述用户感兴趣的第三数据;
向所述客户端发送所述第三数据。
在一个可选的实现方式中,所述第二时间段短于所述第一时间段,且所述第二时间段的结束时刻与所述第一时间段的结束时刻之间的距离小于所述第二时间段的结束时刻与所述第一时间段的起始时刻之间的距离;
在一个可选的实现方式中,还包括:
接收所述客户端发送的第一指示信息,所述第一指示信息用于指示在所述客户端显示所述第三数据之后的预设时长内所述用户未对所述第三数据进行操控;
根据所述第一指示信息确定所述用户对所述第三数据的感兴趣程度;
获取所述第三数据的第三特征;
根据第一数据的第一特征、第二数据的第二特征、第三数据的第三特征以及所述用户对所述第三数据的感兴趣程度,对所述数据推荐模型进行更新。
在一个可选的实现方式中,还包括:
接收所述客户端发送的第二指示信息,所述第二指示信息用于指示在所述客户端显示所述第三数据之后的预设时长内所述用户以所述操控方式对所述第三数据进行了操控;
根据所述操控方式确定所述用户对所述第三数据的感兴趣程度;
获取所述第三数据的第三特征;
根据第一数据的第一特征、第二数据的第二特征、第三数据的第三特征以及所述用户对所述第三数据的感兴趣程度,对所述数据推荐模型进行更新。
在一个可选的实现方式中,操控方式至少包括:
浏览、点击进入详情页收藏、分享、加入购物车、购买、咨询以及评论。
在一个可选的实现方式中,所述获取多个候选数据,包括:
获取第一数据的数据类型;
在包括多个数据的数据集合中,筛选所述数据类型所对应的数据,作为所述候选数据。
在一个可选的实现方式中,所述基于第一数据的第一特征、第二数据的第二特征以及数据推荐模型在多个候选数据中查找所述用户感兴趣的第三数据,包括:
根据第一特征获取所述多个第一数据的全局特征;
基于数据推荐模型中的至少一个激活函数对第一数据的第一特征、第二数据的第二特征以及全局特征进行激活处理,得到聚合特征;
基于数据推荐模型中的相似度计算层计算所述聚合特征与候选数据的候选特征之间的特征相似度;
基于数据推荐模型中的归一化层将所述聚合特征与候选数据的候选特征之间的特征相似度转换所述用户对候选数据感兴趣的程度;
在所述多个候选数据中,将所述用户感兴趣的程度最高的预设数量个候选数据确定为所述第三数据。
在一个可选的实现方式中,还包括:
基于数据推荐模型中的第一注意力模块和所述全局特征对第一特征进行扩展,得到第一特征对应的全局扩展特征;
基于数据推荐模型中的时间序列模块获取所述用户在历史过程中操控第一数据的操控时刻,将所述多个第一数据按照操控时刻由晚至早的顺序排序,将多个全局扩展特征按照对应的第一数据的排序的顺序聚类,得到多个第一特征集合;
基于数据推荐模型中的行为序列模块获取所述用户在历史过程中分别操控第一数据的操控方式,将第一特征集合中的全局扩展特征按照所述用户在历史过程中操控第一数据的操控方式聚类,得到第一特征集合中的多个操控方式分别对应的第二特征集合;
基于数据推荐模型中的基于第二注意力模块和第二特征对第二特征集合中的全局扩展特征进行扩展,得到全局扩展特征对应的瞬时扩展特征;
基于数据推荐模型中的至少一个激活函数对第一数据的第一特征、第二数据的第二特征以及全局特征进行激活处理,得到聚合特征,包括:
基于数据推荐模型中的激活函数对所述全局特征、瞬时扩展特征以及第二特征进行激活处理,得到聚合特征。
在一个可选的实现方式中,还包括:
基于数据推荐模型中的第一注意力模块和所述全局特征对第一特征分别进行扩展,得到第一特征对应的全局扩展特征;
基于数据推荐模型中的基于第二注意力模块和第二特征对全局扩展特征进行扩展,得到全局扩展特征对应的瞬时扩展特征;
基于数据推荐模型中的至少一个激活函数对第一数据的第一特征、第二数据的第二特征以及全局特征进行激活处理,得到聚合特征,包括:
基于数据推荐模型中的激活函数对所述全局特征、瞬时扩展特征以及第二特征进行激活处理,得到聚合特征。
在一个可选的实现方式中,还包括:
基于数据推荐模型中的第一注意力模块和所述全局特征分别对第一特征分别进行扩展,得到第一特征对应的全局扩展特征;
基于数据推荐模型中的至少一个激活函数对第一数据的第一特征、第二数据的第二特征以及全局特征进行激活处理,得到聚合特征,包括:
基于数据推荐模型中的激活函数对所述全局特征、全局扩展特征以及第二特征进行激活处理,得到聚合特征。
在一个可选的实现方式中,还包括:
基于数据推荐模型中的第二注意力模块和第二特征对第一特征分别进行扩展,得到第一特征对应的瞬时扩展特征;
基于数据推荐模型中的至少一个激活函数对第一数据的第一特征、第二数据的第二特征以及全局特征进行激活处理,得到聚合特征,包括:
基于数据推荐模型中的激活函数对所述全局特征、瞬时扩展特征以及第二特征进行激活处理,得到聚合特征。
在一个可选的实现方式中,还包括:
基于数据推荐模型中的时间序列模块获取所述用户在历史过程中操控第一数据的操控时刻,将所述多个第一数据按照操控时刻由晚至早的顺序排序,将多个第一特征按照对应的第一数据的排序的顺序聚类,得到多个第一特征集合;
基于数据推荐模型中的行为序列模块获取所述用户在历史过程中操控第一数据的操控方式,将第一特征集合中的第一数据按照所述用户在历史过程中操控第一数据的操控方式聚类,得到第一特征集合中的多个操控方式分别对应的第二特征集合;
基于数据推荐模型中的至少一个激活函数对第一数据的第一特征、第二数据的第二特征以及全局特征进行激活处理,得到聚合特征,包括:
基于数据推荐模型中的激活函数对第二特征集合、第二特征以及全局特征激活处理,得到聚合特征。
在一个可选的实现方式中,还包括:
基于数据推荐模型中的时间序列模块获取所述用户在历史过程中操控第一数据的操控时刻,将所述多个第一数据按照操控时刻由晚至早的顺序排序,将多个第一特征按照对应的第一数据的排序的顺序聚类,得到多个第一特征集合;
基于数据推荐模型中的至少一个激活函数对第一数据的第一特征、第二数据的第二特征以及全局特征进行激活处理,得到聚合特征,包括:
基于数据推荐模型中的激活函数对第一特征集合、第二特征以及全局特征激活处理,得到聚合特征。
在一个可选的实现方式中,还包括:
基于数据推荐模型中的行为序列模块获取所述用户在历史过程中操控第一数据的操控方式;将多个第一特征按照所述用户在历史过程中操控第一数据的操控方式聚类,得到多个操控方式分别对应的第二特征集合;
基于数据推荐模型中的至少一个激活函数对第一数据的第一特征、第二数据的第二特征以及全局特征进行激活处理,得到聚合特征,包括:
基于数据推荐模型中的激活函数对第二特征集合、第二特征以及全局特征激活处理,得到聚合特征。
在一个可选的实现方式中,所述第三数据为多个;
还包括:
向所述客户端发送所述用户对第三数据的感兴趣的程度,以使所述客户端基于所述用户对第三数据的感兴趣的程度由高至低的顺序,将多个第三数据排序显示。
在一个可选的实现方式中,所述数据推荐模型为多个,不同的数据推荐模型包括的网络结构不全相同;
所述基于第一数据的第一特征、第二数据的第二特征以及数据推荐模型在多个候选数据中查找所述用户感兴趣的第三数据,包括:
确定所述数据获取请求所应用的当前业务场景;
在多个数据推荐模型中,选择包括适用于所述当前业务场景的网络结构的数据推荐模型;
基于第一数据的第一特征、第二数据的第二特征以及选择的数据推荐模型,在多个候选数据中查找所述用户感兴趣的第三数据。
在一个可选的实现方式中,所述在多个数据推荐模型中,选择包括适用于所述当前业务场景的网络结构的数据推荐模型,包括:
在第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模型中的至少一个模块中,确定在所述当前业务场景中时适用的模块;
在多个数据推荐模型中,选择包括确定出的模块的数据推荐模型。
在一个可选的实现方式中,所述在第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模型中的至少一个模块中,确定在所述当前业务场景中时适用的模块,包括:
在业务场景与模块标识之间的对应关系中,查找与所述当前业务场景相对应的模块标识;
将所述模块标识所对应的模块确定在所述当前业务场景中时适用的模块。
在一个可选的实现方式中,业务场景至少包括:
搜索场景、广告推荐场景、数据推荐场景、文本推荐场景、多媒体文件推荐场景以及行驶路线推荐场景。
在一个可选的实现方式中,还包括:
接收用于在所述数据推荐模型中卸载第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模块的卸载请求;
根据所述卸载请求在所述数据推荐模型中卸载第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模块;
设置所述数据推荐模型中的剩余的模块之间的连接关系。
在一个可选的实现方式中,还包括:
接收用于在所述数据推荐模型中添加第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模块的添加请求;
根据所述添加请求在所述数据推荐模型中添加第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模块;
设置所述数据推荐模型中的模型之间的连接关系。
第四方面,本申请示出了一种模型构建装置,包括:
第一获取单元,用于获取第一样本数据集;
构建单元,用于构建数据推荐模型的网络结构;
训练单元,用于根据第一样本数据集对数据推荐模型中的网络参数进行训练,直至所述网络参数收敛,得到所述数据推荐模型;
其中,所述第一样本数据集包括:
样本用户在第一样本时间段内操控过的多个第一样本数据的第一样本特征;所述样本用户在第二样本时间段内操控过的至少一个第二样本数据的第二样本特征;多个样本候选数据的样本候选特征;所述样本用户对样本候选数据的标注感兴趣程度。
在一个可选的实现方式中,所述第一样本数据集还包括:
所述第二样本时间段短于所述第一样本时间段,且所述第二样本时间段的结束时刻与所述第一样本时间段的结束时刻之间的距离小于所述第二样本时间段的结束时刻与所述第一样本时间段的起始时刻之间的距离。
在一个可选的实现方式中,所述第一获取单元包括:
第一获取子单元,用于获取第一样本数据的数据类型;
第一筛选子单元,用于在包括多个数据的数据集合中,筛选所述数据类型所对应的数据,作为所述样本候选数据。
在一个可选的实现方式中,第一获取单元包括:
第二获取子单元,用于获取所述样本用户在历史过程中操控所述样本候选数据的操控方式;根据所述操控方式确定所述样本用户对所述样本候选数据的标注感兴趣程度;
或者,
第三获取子单元,用于获取所述样本用户在历史过程中操控与所述样本候选数据的属于同一数据类型的数据的操控方式;根据操控同一数据类型的数据的操控方式确定所述样本用户对所述样本候选数据的标注感兴趣程度。
在一个可选的实现方式中,操控方式至少包括:
浏览、点击进入详情页、收藏、分享、加入购物车、购买、咨询以及评论。
在一个可选的实现方式中,所述网络结构包括:
至少一个激活函数、相似度计算层以及归一化层;
所述激活函数用于对所述第一样本特征、所述第二样本特征以及全局样本特征进行激活处理,得到聚合特征;所述全局样本特征包括多个第一样本特征之间的平均特征;
所述相似度计算层用于计算所述聚合特征与所述样本候选特征之间的特征相似度;
所述归一化层用于将所述聚合特征与所述样本候选特征之间的特征相似度转换所述样本用户对所述样本候选数据感兴趣的程度。
在一个可选的实现方式中,所述网络结构还包括:
第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块;
所述第一注意力模块用于根据所述全局样本特征对所述第一样本特征进行全局扩展,得到所述第一样本特征对应的全局扩展特征;
所述时间序列模块用于将所述多个全局扩展特征按照所述样本用户在历史过程中操控第一样本数据的操控时刻由晚至早的顺序排序,并将多个全局扩展特征按照对应的第一样本数据的排序的顺序聚类,得到多个第一样本特征集合;
所述行为序列模块用于将第一样本特征集合中的全局扩展特征按照所述样本用户在历史过程中操控第一样本数据的操控方式聚类,得到第一样本特征集合中的多个操控方式分别对应的第二样本特征集合;
所述第二注意力模块用于根据所述第二样本特征对所述全局扩展特征进行瞬时扩展,得到全局扩展特征对应的瞬时扩展特征。
在一个可选的实现方式中,所述网络结构还包括:
第一注意力模块以及第二注意力模块;
所述第一注意力模块用于根据所述全局样本特征对第一样本特征进行全局扩展,得到第一样本特征对应的全局扩展特征;
所述第二注意力模块用于根据所述第二样本特征对所述全局扩展特征进行瞬时扩展,得到全局扩展特征对应的瞬时扩展特征。
在一个可选的实现方式中,所述网络结构还包括:
第一注意力模块;
所述第一注意力模块用于根据所述全局样本特征对第一样本特征进行全局扩展,得到第一样本特征对应的全局扩展特征。
在一个可选的实现方式中,所述网络结构还包括:
第二注意力模块;
所述第二注意力模块用于根据所述第二样本特征对所述第一样本特征进行瞬时扩展,得到第一样本特征对应的瞬时扩展特征。
在一个可选的实现方式中,所述网络结构还包括:
时间序列模块以及行为序列模块;
所述时间序列模块用于将所述多个第一样本特征按照所述样本用户在历史过程中操控第一样本数据的操控时刻由晚至早的顺序排序,并将多个第一样本特征按照对应的第一样本数据的排序的顺序聚类,得到多个第一样本特征集合;
所述行为序列模块用于将第一样本特征集合中的第一样本特征按照所述样本用户在历史过程中操控第一样本数据的操控方式聚类,得到第一样本特征集合中的多个操控方式分别对应的第二样本特征集合。
在一个可选的实现方式中,所述网络结构还包括:
时间序列模块;
所述时间序列模块用于将所述多个第一样本特征按照所述样本用户在历史过程中操控第一样本数据的操控时刻由晚至早的顺序排序,并将多个第一样本特征按照对应的第一样本数据的排序的顺序聚类,得到多个第一样本特征集合。
在一个可选的实现方式中,所述网络结构还包括:
行为序列模块;
所述行为序列模块用于将所述多个第一样本特征按照所述样本用户在历史过程中操控第一样本数据的操控方式聚类,得到多个操控方式分别对应的第二特征集合。
在一个可选的实现方式中,所述构建单元包括:
第一确定子单元,用于确定所述数据推荐模型所应用的至少一个业务场景;
构建子单元,用于对于每一个业务场景,构建数据推荐模型的适用于所述业务场景的网络结构。
在一个可选的实现方式中,所述构建子单元具体用于:
在第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模型中的至少一个模块中,确定所述数据推荐模型应用在所述业务场景时所适用的模块;构建包括确定出的模块的数据推荐模型的网络结构。
在一个可选的实现方式中,所述构建子单元具体用于:
在业务场景与模块标识之间的对应关系中,查找与所述业务场景相对应的模块标识;将所述模块标识所对应的模块确定为所述数据推荐模型应用在所述业务场景时所适用的模块。
在一个可选的实现方式中,业务场景至少包括:
搜索场景、广告推荐场景、数据推荐场景、文本推荐场景、多媒体文件推荐场景以及行驶路线推荐场景。
第五方面,本申请示出了一种数据推荐装置,应用于客户端,包括:
第二获取单元,用于获取数据获取请求;所述数据获取请求至少携带使用所述客户端的用户的用户标识;
第一发送单元,用于向服务端发送所述数据获取请求;
第一接收单元,用于接收所述服务端根据所述数据获取请求返回的、所述用户感兴趣的第三数据;所述第三数据是所述服务端根据所述用户在第一时间段内操控过的多个第一数据的第一特征、所述用户在第二时间段内操控过的至少一个第二数据的第二特征以及数据推荐模型在多个候选数据中查找的;
显示单元,用于显示所述第三数据。
在一个可选的实现方式中,所述第二时间段短于所述第一时间段,且所述第二时间段的结束时刻与所述第一时间段的结束时刻之间的距离小于所述第二时间段的结束时刻与所述第一时间段的起始时刻之间的距离;
在一个可选的实现方式中,所述第三数据为多个;
所述装置还包括:
第二接收单元,用于接收所述服务端返回的、所述用户对第三数据的感兴趣的程度;
所述显示单元具体用于:基于所述用户对第三数据的感兴趣的程度由高至低的顺序,将第三数据排序显示。
在一个可选的实现方式中,还包括:
第一生成单元,用于在显示所述第三数据之后的预设时长内,如果所述用户未对所述第三数据进行操控,则生成第一指示信息,所述第一指示信息用于指示在所述客户端显示所述第三数据之后的预设时长内所述用户未对所述第三数据进行操控;
第二发送单元,用于向所述服务端发送所述第一指示信息,以使所述服务端根据所述第一指示信息对所述数据推荐模型进行更新。
在一个可选的实现方式中,还包括:
第三获取单元,用于在显示所述第三数据之后的预设时长内,如果所述用户对所述第三数据进行了操控,则获取所述用户对所述第三数据进行操控的操控方式;
第二生成单元,用于生成第二指示信息,所述第二指示信息用于指示在所述客户端显示所述第三数据之后的预设时长内所述用户以所述操控方式对所述第三数据进行了操控;
第三发送单元,用于向所述服务端发送所述第二指示信息,以使所述服务端根据所述第二指示信息对所述数据推荐模型进行更新。
在一个可选的实现方式中,操控方式至少包括:
浏览、点击进入详情页、收藏、分享、加入购物车、购买、咨询以及评论。
第六方面,本申请示出了一种数据推荐装置,应用于服务端,包括:
第二接收单元,用于接收客户端发送的数据获取请求,所述数据获取请求至少携带使用所述客户端的用户的用户标识;
第四获取单元,用于根据所述用户标识获取所述用户在第一时间段内操控过的多个第一数据的第一特征;以及,获取所述用户在第二时间段内操控过的至少一个第二数据的第二特征;
第五获取单元,用于获取多个候选数据;
查找单元,用于基于第一数据的第一特征、第二数据的第二特征以及数据推荐模型在多个候选数据中查找所述用户感兴趣的第三数据;
第四发送单元,用于向所述客户端发送所述第三数据。
在一个可选的实现方式中,所述第二时间段短于所述第一时间段,且所述第二时间段的结束时刻与所述第一时间段的结束时刻之间的距离小于所述第二时间段的结束时刻与所述第一时间段的起始时刻之间的距离;
在一个可选的实现方式中,还包括:
第三接收单元,用于接收所述客户端发送的第一指示信息,所述第一指示信息用于指示在所述客户端显示所述第三数据之后的预设时长内所述用户未对所述第三数据进行操控;
第一确定单元,用于根据所述第一指示信息确定所述用户对所述第三数据的感兴趣程度;
第六获取单元,用于获取所述第三数据的第三特征;
第一更新单元,用于根据第一数据的第一特征、第二数据的第二特征、第三数据的第三特征以及所述用户对所述第三数据的感兴趣程度,对所述数据推荐模型进行更新。
在一个可选的实现方式中,还包括:
第四接收单元,用于接收所述客户端发送的第二指示信息,所述第二指示信息用于指示在所述客户端显示所述第三数据之后的预设时长内所述用户以所述操控方式对所述第三数据进行了操控;
第二确定单元,用于根据所述操控方式确定所述用户对所述第三数据的感兴趣程度;
第七获取单元,用于获取所述第三数据的第三特征;
第二更新单元,用于根据第一数据的第一特征、第二数据的第二特征、第三数据的第三特征以及所述用户对所述第三数据的感兴趣程度,对所述数据推荐模型进行更新。
在一个可选的实现方式中,操控方式至少包括:
浏览、点击进入详情页收藏、分享、加入购物车、购买、咨询以及评论。
在一个可选的实现方式中,所述第五获取单元包括:
第四获取子单元,用于获取第一数据的数据类型;
第二筛选子单元,用于在包括多个数据的数据集合中,筛选所述数据类型所对应的数据,作为所述候选数据。
在一个可选的实现方式中,所述查找单元包括:
第五获取子单元,用于根据第一特征获取所述多个第一数据的全局特征;
激活子单元,用于基于数据推荐模型中的至少一个激活函数对第一数据的第一特征、第二数据的第二特征以及全局特征进行激活处理,得到聚合特征;
计算子单元,用于基于数据推荐模型中的相似度计算层计算所述聚合特征与候选数据的候选特征之间的特征相似度;
转换子单元,用于基于数据推荐模型中的归一化层将所述聚合特征与候选数据的候选特征之间的特征相似度转换所述用户对候选数据感兴趣的程度;
第二确定子单元,用于在所述多个候选数据中,将所述用户感兴趣的程度最高的预设数量个候选数据确定为所述第三数据。
在一个可选的实现方式中,所述查找单元还包括:
第一扩展子单元,用于基于数据推荐模型中的第一注意力模块和所述全局特征对第一特征进行扩展,得到第一特征对应的全局扩展特征;
第一聚类子单元,用于基于数据推荐模型中的时间序列模块获取所述用户在历史过程中操控第一数据的操控时刻,将所述多个第一数据按照操控时刻由晚至早的顺序排序,将多个全局扩展特征按照对应的第一数据的排序的顺序聚类,得到多个第一特征集合;
第二聚类子单元,用于基于数据推荐模型中的行为序列模块获取所述用户在历史过程中分别操控第一数据的操控方式,将第一特征集合中的全局扩展特征按照所述用户在历史过程中操控第一数据的操控方式聚类,得到第一特征集合中的多个操控方式分别对应的第二特征集合;
第二扩展子单元,用于基于数据推荐模型中的基于第二注意力模块和第二特征对第二特征集合中的全局扩展特征进行扩展,得到全局扩展特征对应的瞬时扩展特征;
所述激活子单元具体用于:基于数据推荐模型中的激活函数对所述全局特征、瞬时扩展特征以及第二特征进行激活处理,得到聚合特征。
在一个可选的实现方式中,所述查找单元还包括:
第三扩展子单元,用于基于数据推荐模型中的第一注意力模块和所述全局特征对第一特征分别进行扩展,得到第一特征对应的全局扩展特征;
第四扩展子单元,用于基于数据推荐模型中的基于第二注意力模块和第二特征对全局扩展特征进行扩展,得到全局扩展特征对应的瞬时扩展特征;
所述激活子单元具体用于:基于数据推荐模型中的激活函数对所述全局特征、瞬时扩展特征以及第二特征进行激活处理,得到聚合特征。
在一个可选的实现方式中,所述查找单元还包括:
第五扩展子单元,用于基于数据推荐模型中的第一注意力模块和所述全局特征分别对第一特征分别进行扩展,得到第一特征对应的全局扩展特征;
所述激活子单元具体用于:基于数据推荐模型中的激活函数对所述全局特征、全局扩展特征以及第二特征进行激活处理,得到聚合特征。
在一个可选的实现方式中,所述查找单元还包括:
第六扩展子单元,用于基于数据推荐模型中的第二注意力模块和第二特征对第一特征分别进行扩展,得到第一特征对应的瞬时扩展特征;
所述激活子单元具体用于:基于数据推荐模型中的激活函数对所述全局特征、瞬时扩展特征以及第二特征进行激活处理,得到聚合特征。
在一个可选的实现方式中,所述查找单元还包括:
第三聚类子单元,用于基于数据推荐模型中的时间序列模块获取所述用户在历史过程中操控第一数据的操控时刻,将所述多个第一数据按照操控时刻由晚至早的顺序排序,将多个第一特征按照对应的第一数据的排序的顺序聚类,得到多个第一特征集合;
第四聚类子单元,用于基于数据推荐模型中的行为序列模块获取所述用户在历史过程中操控第一数据的操控方式,将第一特征集合中的第一数据按照所述用户在历史过程中操控第一数据的操控方式聚类,得到第一特征集合中的多个操控方式分别对应的第二特征集合;
所述激活子单元具体用于:基于数据推荐模型中的激活函数对第二特征集合、第二特征以及全局特征激活处理,得到聚合特征。
在一个可选的实现方式中,所述查找单元还包括:
第五聚类子单元,用于基于数据推荐模型中的时间序列模块获取所述用户在历史过程中操控第一数据的操控时刻,将所述多个第一数据按照操控时刻由晚至早的顺序排序,将多个第一特征按照对应的第一数据的排序的顺序聚类,得到多个第一特征集合;
所述激活子单元具体用于:基于数据推荐模型中的激活函数对第一特征集合、第二特征以及全局特征激活处理,得到聚合特征。
在一个可选的实现方式中,所述查找单元还包括:
第六聚类子单元,用于基于数据推荐模型中的行为序列模块获取所述用户在历史过程中操控第一数据的操控方式;将多个第一特征按照所述用户在历史过程中操控第一数据的操控方式聚类,得到多个操控方式分别对应的第二特征集合;
所述激活子单元具体用于:基于数据推荐模型中的激活函数对第二特征集合、第二特征以及全局特征激活处理,得到聚合特征。
在一个可选的实现方式中,所述第三数据为多个;
还包括:
第五发送单元,用于向所述客户端发送所述用户对第三数据的感兴趣的程度,以使所述客户端基于所述用户对第三数据的感兴趣的程度由高至低的顺序,将多个第三数据排序显示。
在一个可选的实现方式中,所述数据推荐模型为多个,不同的数据推荐模型包括的网络结构不全相同;
所述查找单元包括:
第三确定子单元,用于确定所述数据获取请求所应用的当前业务场景;
选择子单元,用于在多个数据推荐模型中,选择包括适用于所述当前业务场景的网络结构的数据推荐模型;
查找子单元,用于基于第一数据的第一特征、第二数据的第二特征以及选择的数据推荐模型,在多个候选数据中查找所述用户感兴趣的第三数据。
在一个可选的实现方式中,所述选择子单元具体用于:
在第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模型中的至少一个模块中,确定在所述当前业务场景中时适用的模块;在多个数据推荐模型中,选择包括确定出的模块的数据推荐模型。
在一个可选的实现方式中,所述选择子单元具体用于:
在业务场景与模块标识之间的对应关系中,查找与所述当前业务场景相对应的模块标识;将所述模块标识所对应的模块确定在所述当前业务场景中时适用的模块。
在一个可选的实现方式中,业务场景至少包括:
搜索场景、广告推荐场景、数据推荐场景、文本推荐场景、多媒体文件推荐场景以及行驶路线推荐场景。
在一个可选的实现方式中,还包括:
第五接收单元,用于接收用于在所述数据推荐模型中卸载第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模块的卸载请求;
卸载单元,用于根据所述卸载请求在所述数据推荐模型中卸载第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模块;
第一设置单元,用于设置所述数据推荐模型中的剩余的模块之间的连接关系。
在一个可选的实现方式中,还包括:
第六接收单元,用于接收用于在所述数据推荐模型中添加第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模块的添加请求;
添加单元,用于根据所述添加请求在所述数据推荐模型中添加第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模块;
第二设置单元,用于设置所述数据推荐模型中的模型之间的连接关系。
第七方面,本申请实施例示出了一种服务端,所述服务端包括:
处理器;和
存储器,其上存储有可执行代码,当所述可执行代码被执行时,使得所述处理器执行如第一方面所述的模型构建方法。
第八方面,本申请实施例示出了一个或多个机器可读介质,其上存储有可执行代码,当所述可执行代码被执行时,使得处理器执行如第一方面所述的模型构建方法。
第九方面,本申请实施例示出了一种客户端,所述客户端包括:
处理器;和
存储器,其上存储有可执行代码,当所述可执行代码被执行时,使得所述处理器执行如第二方面所述的数据推荐方法。
第十方面,本申请实施例示出了一个或多个机器可读介质,其上存储有可执行代码,当所述可执行代码被执行时,使得处理器执行如第二方面所述的数据推荐方法。
第十一方面,本申请实施例示出了一种服务端,所述服务端包括:
处理器;和
存储器,其上存储有可执行代码,当所述可执行代码被执行时,使得所述处理器执行如第三方面所述的数据推荐方法。
第十二方面,本申请实施例示出了一个或多个机器可读介质,其上存储有可执行代码,当所述可执行代码被执行时,使得处理器执行如第三方面所述的数据推荐方法。
与现有技术相比,本申请实施例包括以下优点:
在本申请中,在用户操控数据的过程中,用户的操控方式具有一定延续性,且用户操控的数据往往是用户感兴趣的数据。
例如,刚刚操控过什么数据,则往往说明用户对刚刚操控过的数据感兴趣,且在下一刻时用户感兴趣的数据往往与用户刚刚操控过的数据相关,例如,在下一刻时用户感兴趣的数据往往是与用户刚刚操控过的数据的种类相同或相似的数据。
例如,假设用户需要购买手机,用户在网络上浏览各种手机的详情,用户刚刚浏览过手机,则下一刻用户往往也会浏览手机,也即,用户在下一时刻也对手机比较感兴趣,而通常用户不会突然对与手机相关度非常低的数据感兴趣,因此,可以向用户推荐浏览过的同一品牌的手机或者相似型号的手机等。
如此,即使用户未登录服务端,如果用户操控过服务端的数据,服务端即可结合用户在历史过程中长时间内操控过的多个数据的特征以及用户最近操控过的数据的特征来确定用户感兴趣的数据,也即,结合用户长时间内的持续兴趣以及短时间内的瞬时兴趣,可以提高确定出的数据事实上的确为用户感兴趣的数据的可能性,也即,可以提高推荐的数据的精准度,进而可以提高推荐的转化率,以及提高用户体验。
附图说明
图1是本申请示出的一种模型构建方法的步骤流程图。
图2是本申请示出的一种模型的网络结构的示意图。
图3是本申请示出的一种模型的网络结构的示意图。
图4是本申请示出的一种模型的网络结构的示意图。
图5是本申请示出的一种模型的网络结构的示意图。
图6是本申请示出的一种模型的网络结构的示意图。
图7是本申请示出的一种模型的网络结构的示意图。
图8是本申请示出的一种模型的网络结构的示意图。
图9是本申请示出的一种模型的网络结构的示意图。
图10是本申请示出的一种构建数据推荐模型的网络结构的方法的步骤示意图。
图11是本申请示出的一种数据推荐***的结构框图。
图12是本申请示出的一种数据推荐方法的步骤流程图。
图13是本申请示出的一种查找用户感兴趣的数据的方法的步骤流程图
图14是本申请示出的一种查找用户感兴趣的数据的方法的步骤示意图。
图15是本申请示出的一种查找用户感兴趣的数据的方法的步骤流程图
图16是本申请示出的一种查找用户感兴趣的数据的方法的步骤示意图。
图17是本申请示出的一种查找用户感兴趣的数据的方法的步骤流程图
图18是本申请示出的一种查找用户感兴趣的数据的方法的步骤示意图。
图19是本申请示出的一种查找用户感兴趣的数据的方法的步骤流程图
图20是本申请示出的一种查找用户感兴趣的数据的方法的步骤示意图。
图21是本申请示出的一种查找用户感兴趣的数据的方法的步骤流程图
图22是本申请示出的一种查找用户感兴趣的数据的方法的步骤示意图。
图23是本申请示出的一种查找用户感兴趣的数据的方法的步骤流程图
图24是本申请示出的一种查找用户感兴趣的数据的方法的步骤示意图。
图25是本申请示出的一种查找用户感兴趣的数据的方法的步骤流程图
图26是本申请示出的一种查找用户感兴趣的数据的方法的步骤示意图。
图27是本申请示出的一种查找用户感兴趣的数据的方法的步骤流程图
图28是本申请示出的一种查找用户感兴趣的数据的方法的步骤示意图。
图29是本申请示出的一种模型构建装置的结构框图。
图30是本申请示出的一种数据推荐装置的结构框图。
图31是本申请示出的一种数据推荐装置的结构框图。
图32是本申请示出的一种数据推荐装置的结构框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
为了在用户未登录的情况下能够提高向用户推荐的数据的精准度,参照图1,示出了本发明实施例的一种模型构建方法的步骤流程图,通过该方法可以构建数据推荐模型,之后可以基于数据推荐模型向用户推荐用户感兴趣的数据,以提高推荐的数据的精准度。
其中,该方法应用于服务端中,该方法具体可以包括如下步骤:
在步骤S101中,获取第一样本数据集;
其中,第一样本数据集包括:样本用户在第一样本时间段内操控过的多个第一样本数据的第一样本特征;样本用户在第二样本时间段内操控过的至少一个第二样本数据的第二样本特征;多个样本候选数据的样本候选特征;样本用户分别对每一个样本候选数据的标注感兴趣程度;
样本数据包括数据、广告、视频以及音频等等。
其中,样本用户为多个,其可以是在第一样本时间段内操控数据的操控频率较高、且操控的数据较多的用户等。
第二样本时间段短于第一样本时间段,且第二样本时间段的结束时刻与第一样本时间段的结束时刻之间的距离小于第二样本时间段的结束时刻与第一样本时间段的起始时刻之间的距离;
在本申请一个实施例中,第一样本时间段可以为固定的时间段,也即,第一样本时间段的起始时刻和结束时刻都为固定的时间点,不会发生变化。
或者,在本申请另一实施例中,第一样本时间段可以为不固定的时间段,例如,第一样本时间段的起始时刻为固定的时刻,但第一样本时间段的结束时刻为不固定,例如,在构建数据推荐模型时,服务端可以以的服务端的当前时刻作为第一样本时间段的结束时刻,且设置第一样本时间段的时长为固定时长,如此,第一样本时间段结束时刻会随着时间变化而变化,且第一样本时间段起始时刻也会随着时间变化而变化。
在本申请中,每当用户操控一个数据,则服务端至少会记录用户操控该数据的操控时刻,然后将用户操控的该数据的数据标识与用户操控该数据的操控时刻组成对应表项,并存储在用户对应的、数据标识与操控时刻之间的对应关系中。
如此,在本步骤中,当需要获取样本用户第一样本时间段内操控过的第一样本数据的第一样本特征时,服务端可以在样本用户对应的、数据标识与操控时刻之间的对应关系中查找位于第一样本时间段内的操控时刻,然后在样本用户对应的、数据标识与操控时刻之间的对应关系中,查找与查找到的操控时刻相对应的每一个数据标识,然后可以将得到的每一个数据标识对应的数据作为第一样本数据,之后就可以获取各个第一样本数据的第一样本特征。
其中,事先可以训练数据的特征的获取模型,如此,在本申请中,可以基于该获取模型来获取第一样本数据的第一样本特征。
本申请对数据的特征的获取模型的结构与训练方式不做限定,可以参考现有技术中的任意一种数据的特征的获取模型,本申请对此不加以限定。
在一个示例中,可以根据第一样本数据的数据标识查找第一样本数据的名称、种类、产地、售卖地、用途、以及价格等信息,然后将获取的第一样本数据的名称、种类、产地、售卖地、用途、以及价格等信息输入至该获取模型中,得到该获取模型输出的第一样本数据的第一样本特征。在一个例子中,第一样本特征可以为向量等。
在本申请中,整体上,相比于第一样本时间段,第二样本时间段更加靠近于当前时刻。
例如,第一样本时间段的结束时刻为当前时刻,第二样本时间段结束时刻为当前时刻,然而,第一样本时间段的起始时刻远远早于第二样本时间段的起始时刻等。
在本步骤中,当需要获取样本用户在第二样本时间段内操控过的第二样本数据的第二样本特征时,服务端可以在样本用户对应的、数据标识与操控时刻之间的对应关系中查找位于第二样本时间段内的操控时刻,然后在样本用户对应的、数据标识与操控时刻之间的对应关系中,查找与查找到的操控时刻相对应的每一个数据标识,然后可以将得到的每一个数据标识对应的数据作为第二样本数据,之后就可以获取各个第二样本数据的第二样本特征。
获取第二样本数据的第二样本特征的方式可以参见获取第一样本数据的第一样本特征的方式,在此不做详述。在一个例子中,第二样本特征可以为向量等。
在步骤S102中,构建数据推荐模型的网络结构;
在本申请中,数据推荐模型的网络结构可以包括至少一个激活函数、相似度计算层、归一化层、第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个等,当然,也可以根据实际情况来包括其他模块,本申请对此不加以限定。
至少一个激活函数用于对数据的特征激活处理,得到聚合特征,以降低梯度弥散。
相似度计算层用于计算两个数据的特征之间的相似度。
归一化层用于将相似度转换为数据的推荐概率。
第一注意力模块用于基于多个特征的全局特征分别对每一个特征进行扩展,得到每一个特征分别对应的全局扩展特征;全局特征包括各个第一样本特征之间的平均特征。
时间序列模块用于将多个数据的特征按照用户在历史过程中分别操控各个数据的操控时刻由晚至早的顺序排序,并将多个特征按照对应的数据的排序的顺序聚类,得到多个特征集合。
行为序列模块用于将多个数据的特征按照用户在历史过程中分别操控各个数据的操控方式聚类,得到多个特征集合。
第二注意力模块用户最新操控的数据的特征对每一个数据的特征分别进行扩展,得到每一个特征分别对应的瞬时扩展特征。
在本申请中,可以根据基于需求来构建数据推荐模型的网络结构,例如,构建的数据推荐模型之后可能会应用到不同的业务场景中,不同的业务场景适用的数据推荐模型的网络结构不同。
在本申请中,以图2~图9所述的网络结构进行举例说明,但不作为对本申请保护范围的限制。
在步骤S103中,根据第一样本数据集对数据推荐模型中的网络参数进行训练,直至网络参数均收敛,得到数据推荐模型。
在数据推荐模型的网络结构确定出之后,就可以根据第一样本数据集对数据推荐模型中的网络参数进行训练,在训练过程中,可以在数据推荐模型输入样本用户在第一样本时间段内操控过的多个第一样本数据的第一样本特征、样本用户在第二样本时间段内操控过的至少一个第二样本数据的第二样本特征以及多个样本候选数据的样本候选特征,以使数据推荐模型基于其网络结构对第一样本特征、第二样本特征以及样本候选特征处理,得到样本样本用户分别对每一个样本候选数据预测的感兴趣的程度,然后基于预测的感兴趣的程度与样本用户分别对每一个样本候选数据的标注感兴趣程度调整数据推荐模型中的每一个网络结构中的网络参数,直至每一个网络结构中的网络参数均收敛,从而就可以完成训练,得到的数据推荐模型即可上线使用。
在本申请中,在用户操控数据的过程中,用户的操控方式具有一定延续性,且用户操控的数据往往是用户感兴趣的数据。
例如,刚刚操控过什么数据,则往往说明用户对刚刚操控过的数据感兴趣,且在下一刻时用户感兴趣的数据往往与用户刚刚操控过的数据相关,例如,在下一刻时用户感兴趣的数据往往是与用户刚刚操控过的数据的种类相同或相似的数据。
例如,假设用户需要购买手机,用户在网络上浏览各种手机的详情,用户刚刚浏览过手机,则下一刻用户往往也会浏览手机,也即,用户在下一时刻也对手机比较感兴趣,而通常用户不会突然对与手机相关度非常低的数据感兴趣,因此,可以向用户推荐浏览过的同一品牌的手机或者相似型号的手机等。
如此,通过本申请的方式构建的数据推荐模型,可以支持:即使用户未登录服务端,如果用户操控过服务端的数据,服务端可以使用数据推荐模型,以结合用户在历史过程中长时间内操控过的多个数据的特征以及用户最近操控过的数据的特征来确定用户感兴趣的数据,也即,结合用户长时间内的持续兴趣以及短时间内的瞬时兴趣,可以提高确定出的数据事实上的确为用户感兴趣的数据的可能性,也即,可以提高推荐的数据的精准度,进而可以提高推荐的转化率,以及提高用户体验。
在本申请中,服务端中存储有多个用于向用户推荐的数据,这些数据可以组成数据集合,每次向用户推荐数据时,可以从数据集合中筛选出部分数据向用户推荐。
如此,在获取样本候选数据时,在一个实施例中,可以将该数据集合中的所有数据作为样本候选数据。
然而,样本用户对该数据集合中有些数据可能并不感兴趣,或者说,样本用户对该数据集合中的有些数据的感兴趣的程度为零,使用这些数据的特征在构建数据推荐模型时,对构建数据模型的贡献很小,从而会导致构建数据推荐模型的效率较低以及泛化程度较低。
因此,为了提高构建数据推荐模型的效率,在获取样本候选数据时,在另一个实施例中,可以获取每一个第一样本数据的数据类型,然后在包括多个数据的数据集合中,筛选该数据类型所对应的数据,作为样本候选数据。
样本用户操控过第一样本数据,则可以说明样本用户对第一样本数据感兴趣,从而可以推断出样本用户可能对与第一样本数据属于同一类型的数据感兴趣的程度较高,且用户对不与第一数据属于同一类型的数据感兴趣的程度较低。。因此,通过本实施例的方式,选择的候选数据往往是用户感兴趣的程度较高的数据,基于样本用户感兴趣的程度较高的数据可以提高构建数据推荐模型的效率以及泛化程度。
其中,数据的数据类型可以按照数据的属性进行划分,例如,假设数据为数据,则数据的数据类型包括汽车类、体育类、衣服类、鞋类以及电子产品类等等。
在本申请中,获取样本用户对每一个样本候选数据的标注感兴趣程度时,在一个实施例中,可以由技术人员人工标注感兴趣程度,然而,在样本候选数据较多的情况下,技术人员人工标注的工作量大,导致人工成本较高,且容易出现标注出现的情况。
因此,为了克服上述问题,在获取样本用户对每一个样本候选数据的标注感兴趣程度时,在本申请另一个实施例中,对于任意一个样本候选数据,如果样本用户在历史过程中操控过该样本候选数据,则可以获取样本用户在历史过程中操控该样本候选数据的操控方式,然后根据该操控方式确定样本用户对该样本候选数据的标注感兴趣程度。
其中,操控方式至少包括:浏览、点击进入详情页、收藏、分享、加入购物车、购买、咨询以及评论等,本申请对此不加以限定。
其中,用户对一个数据的操控方式不同,往往体现了用户对该数据感兴趣的程度不同。不同的操控方式对应不同感兴趣分值。
当样本用户在历史过程中对该样本候选数据进行操控的操控方式为一个时,可以将该操控方式对应的感兴趣分值作为样本用户对该样本候选数据的标注感兴趣程度。
当样本用户在历史过程中对该样本候选数据进行操控的操控方式为多个时,可以将每一个操控方式对应的感兴趣分值求和或者加权求和,得到样本用户对该样本候选数据的标注感兴趣程度。
或者,如果样本用户在历史过程中未操控过该样本候选数据,但样本用户在历史过程中操控过与该样本候选数据的属于同一数据类型的数据,则可以根据样本用户在历史过程中操控与该样本候选数据的属于同一数据类型的数据的操控方式来确定样本用户对该样本候选数据的标注感兴趣程度。
例如,当样本用户在历史过程中操控与该样本候选数据的属于同一数据类型的数据的操控方式为一个时,可以将该操控方式对应的感兴趣分值作为样本用户对该样本候选数据的标注感兴趣程度。
当样本用户在历史过程中操控与该样本候选数据的属于同一数据类型的数据的操控方式为多个时,可以将每一个操控方式对应的感兴趣分值求和或者加权求和,得到样本用户对该样本候选数据的标注感兴趣程度。
对于其他每一个样本数据,同样如此。
在本申请一个实施例中,参见图2,数据推荐模型的网络结构包括:
至少一个激活函数、相似度计算层以及归一化层;
激活函数的输入端用于至少输入第一样本特征、第二样本特征以及全局样本特征,全局样本特征包括各个第一样本特征之间的平均特征,激活函数的输出端连接相似度计算层的第一输入端;
至少一个激活函数用于对第一样本特征、第二样本特征以及全局样本特征进行激活处理,得到聚合特征;
相似度计算层的第二输入端用于输入多个样本候选特征,相似度计算层的输出端连接归一化层的输入端;
相似度计算层用于计算聚合特征分别与每一个样本候选特征之间的特征相似度;
归一化层的输出端为网络结构的输出端。
归一化层用于将聚合特征分别与每一个样本候选特征之间的特征相似度转换样本用户对每一个样本候选数据感兴趣的程度。
其中,基于包括的图2所示的网络结构的数据推荐模型来向用户推荐数据的方式具体可以参见之后所示的实施例,在此不作详述。
在本申请另一个实施例中,参见图3,数据推荐模块的网络结构包括:
至少一个激活函数、相似度计算层、归一化层、第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块;
第一注意力模块的输入端用于输入多个第一样本特征以及各个第一样本数据之间的全局样本特征,全局样本特征包括各个第一样本特征之间的平均特征;
第一注意力模块的输出端与时间序列模块的输入端连接;
时间序列模块的输入端用于输入第一注意力模块输出的各个第一样本特征的全局扩展特征;
其中,时间序列模块用于将多个全局扩展特征按照样本用户在历史过程中分别操控各个第一样本数据的操控时刻由晚至早的顺序排序,并将多个全局扩展特征按照对应的第一样本数据的排序的顺序聚类,得到多个第一样本特征集合;
时间序列模块的输出端与行为序列模块的输入端连接;
行为序列模块的输入端用于输入多个第一样本特征集合;
其中,行为序列模块用于将每一个第一样本特征集合中的全局扩展特征按照样本用户在历史过程中分别操控各个第一样本数据的操控方式聚类,得到每一个第一样本特征集合中的多个操控方式分别对应的第二样本特征集合;
行为序列模块的输出端与第二注意力模块的输入端连接;
第二注意力模块的输入端用于输入每一个第二样本特征集合以及至少一个第二样本特征;
第二注意力模块的输出端与激活函数的输入端连接;
激活函数的输入端用于输入第二注意力模块的输出的各个第一样本特征的瞬时扩展特征、第二样本特征以及全局样本特征;
激活函数的输出端连接相似度计算层的第一输入端;
至少一个激活函数用于对各个第一样本特征的瞬时扩展特征、第二样本特征以及全局样本特征进行激活处理,得到聚合特征;
相似度计算层的第二输入端用于输入多个样本候选特征,相似度计算层的输出端连接归一化层的输入端;
相似度计算层用于计算聚合特征分别与每一个样本候选特征之间的特征相似度。
在本申请另一个实施例中,参见图4,数据推荐模块的网络结构包括:
至少一个激活函数、相似度计算层、归一化层、第一注意力模块以及第二注意力模块;
第一注意力模块的输入端用于输入多个第一样本特征以及全局样本特征,全局样本特征包括各个第一样本特征之间的平均特征;
第一注意力模块的输出端与第二注意力模块的输入端连接;
第二注意力模块的输入端用于输入第一注意力模块输出的各个第一样本特征的全局扩展特征以及至少一个第二样本特征;
第二注意力模块的输出端与激活函数的输入端连接;
激活函数的输入端用于输入第二注意力模块的输出的各个第一样本特征的瞬时扩展特征、第二样本特征以及全局样本特征。
激活函数的输出端连接相似度计算层的第一输入端;
至少一个激活函数用于对各个第一样本特征的瞬时扩展特征、第二样本特征以及全局样本特征进行激活处理,得到聚合特征;
相似度计算层的第二输入端用于输入多个样本候选特征,相似度计算层的输出端连接归一化层的输入端;
相似度计算层用于计算聚合特征分别与每一个样本候选特征之间的特征相似度;
归一化层的输出端为网络结构的输出端;
归一化层用于将聚合特征分别与每一个样本候选特征之间的特征相似度转换样本用户对每一个样本候选数据感兴趣的程度。
在本申请另一个实施例中,参见图5,数据推荐模块的网络结构包括:
至少一个激活函数、相似度计算层、归一化层、第一注意力模块;
第一注意力模块的输入端用于输入多个第一样本特征以及全局样本特征,全局样本特征包括各个第一样本特征之间的平均特征;
第一注意力模块的输出端与激活函数的输入端连接;
激活函数的输入端用于输入第一注意力模块输出的各个第一样本特征的全局扩展特征、第二样本特征以及全局样本特征。
激活函数的输出端连接相似度计算层的第一输入端;
至少一个激活函数用于对各个第一样本特征的全局扩展特征、第二样本特征以及全局样本特征进行激活处理,得到聚合特征;
相似度计算层的第二输入端用于输入多个样本候选特征,相似度计算层的输出端连接归一化层的输入端;
相似度计算层用于计算聚合特征分别与每一个样本候选特征之间的特征相似度;
归一化层的输出端为网络结构的输出端。
归一化层用于将聚合特征分别与每一个样本候选特征之间的特征相似度转换样本用户对每一个样本候选数据感兴趣的程度。
在本申请另一个实施例中,参见图6,数据推荐模块的网络结构包括:
至少一个激活函数、相似度计算层、归一化层、第二注意力模块;
第二注意力模块的输入端用于输入多个第一样本特征以及至少一个第二样本特征;
第二注意力模块的输出端与激活函数的输入端连接;
激活函数的输入端第二注意力模块的输出的各个第一样本特征的瞬时扩展特征、第二样本特征以及全局样本特征;全局样本特征包括各个第一样本特征之间的平均特征。
激活函数的输出端连接相似度计算层的第一输入端;
至少一个激活函数用于对各个第一样本特征的瞬时扩展特征、第二样本特征以及全局样本特征进行激活处理,得到聚合特征;
相似度计算层的第二输入端用于输入多个样本候选特征,相似度计算层的输出端连接归一化层的输入端;
相似度计算层用于计算聚合特征分别与每一个样本候选特征之间的特征相似度;
归一化层的输出端为网络结构的输出端。
归一化层用于将聚合特征分别与每一个样本候选特征之间的特征相似度转换样本用户对每一个样本候选数据感兴趣的程度。
在本申请另一个实施例中,参见图7,数据推荐模块的网络结构包括:
至少一个激活函数、相似度计算层、归一化层、时间序列模块以及行为序列模块;
时间序列模块的输入端用于输入多个第一样本特征;
其中,时间序列模块用于将多个第一样本数据按照样本用户在历史过程中分别操控各个第一样本数据的操控时刻由晚至早的顺序排序;并将多个第一样本特征按照对应的第一样本数据的排序的顺序聚类,得到多个第一样本特征集合;
时间序列模块的输出端与行为序列模块的输入端连接;
行为序列模块的输入端用于输入多个第一样本特征集合;
其中,行为序列模块用于将每一个第一样本特征集合中的全局扩展特征按照样本用户在历史过程中分别操控各个第一样本数据的操控方式聚类,得到每一个第一样本特征集合中的多个操控方式分别对应的第二样本特征集合;
行为序列模块的输出端与激活函数的输入端连接;
激活函数的输入端用于输入每一个第二样本特征集合、至少一个第二样本特征以及全局样本特征,全局样本特征包括各个第一样本特征之间的平均特征。
激活函数的输出端连接相似度计算层的第一输入端;
至少一个激活函数用于对各个第二样本特征集合、第二样本特征以及全局样本特征进行激活处理,得到聚合特征;
相似度计算层的第二输入端用于输入多个样本候选特征,相似度计算层的输出端连接归一化层的输入端;
相似度计算层用于计算聚合特征分别与每一个样本候选特征之间的特征相似度;
归一化层的输出端为网络结构的输出端。
归一化层用于将聚合特征分别与每一个样本候选特征之间的特征相似度转换样本用户对每一个样本候选数据感兴趣的程度。
在本申请另一个实施例中,参见图8,数据推荐模块的网络结构包括:
至少一个激活函数、相似度计算层、归一化层、时间序列模块;
时间序列模块的输入端用于输入多个第一样本特征;
其中,时间序列模块用于将多个第一样本数据按照样本用户在历史过程中分别操控各个第一样本数据的操控时刻由晚至早的顺序排序;并将多个第一样本特征按照对应的第一样本数据的排序的顺序聚类,得到多个第一样本特征集合;
时间序列模块的输出端与激活函数的输入端连接;
激活函数的输入端用于输入第一样本特征集合、至少一个第二样本特征以及全局样本特征,全局样本特征包括各个第一样本特征之间的平均特征。
激活函数的输出端连接相似度计算层的第一输入端;
至少一个激活函数用于对各个第一样本特征集合、第二样本特征以及全局样本特征进行激活处理,得到聚合特征;
相似度计算层的第二输入端用于输入多个样本候选特征,相似度计算层的输出端连接归一化层的输入端;
相似度计算层用于计算聚合特征分别与每一个样本候选特征之间的特征相似度;
归一化层的输出端为网络结构的输出端。
归一化层用于将聚合特征分别与每一个样本候选特征之间的特征相似度转换样本用户对每一个样本候选数据感兴趣的程度。
在本申请另一个实施例中,参见图9,数据推荐模块的网络结构包括:
至少一个激活函数、相似度计算层、归一化层、行为序列模块;
行为序列模块的输入端用于输入多个第一样本特征;
其中,行为序列模块用于将多个第一样本数据按照样本用户在历史过程中分别操控各个第一样本数据的操控方式聚类,得到多个操控方式分别对应的第二特征集合;
行为序列模块的输出端与激活函数的输入端连接;
激活函数的输入端用于输入第二特征集合、至少一个第二样本特征以及全局样本特征,全局样本特征包括各个第一样本特征之间的平均特征。
激活函数的输出端连接相似度计算层的第一输入端;
至少一个激活函数用于对各个第二样本特征集合、第二样本特征以及全局样本特征进行激活处理,得到聚合特征;
相似度计算层的第二输入端用于输入多个样本候选特征,相似度计算层的输出端连接归一化层的输入端;
相似度计算层用于计算聚合特征分别与每一个样本候选特征之间的特征相似度;
归一化层的输出端为网络结构的输出端。
归一化层用于将聚合特征分别与每一个样本候选特征之间的特征相似度转换样本用户对每一个样本候选数据感兴趣的程度。
其中,通过图2~图9所示的实施例,可以分别构建多个分别包括不同的网络结构的数据推荐模型,之后可以根据实际情况选择包括不同的网络结构的数据推荐模型来向用户推荐数据。
在本申请一个实施例中,参见图10,步骤S102包括:
在步骤S201中,确定数据推荐模型所应用的至少一个业务场景;
在本申请中,业务场景至少包括:搜索场景、广告推荐场景、数据推荐场景、文本推荐场景、多媒体文件推荐场景以及行驶路线推荐场景,数据推荐模型可以应用在这些业务场景中。
在本申请中,在构建数据推荐模型之前,技术人员可以在服务端上输入数据推荐模型所应用的至少一个业务场景,然后服务端存储技术人员输入的数据推荐模型所应用的至少一个业务场景。
如此,在本步骤中,服务端可以直接获取已存储的数据推荐模型所应用的至少一个业务场景。
在步骤S202中,对于每一个业务场景,构建数据推荐模型的适用于该业务场景的网络结构。
在第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块等模块中,每一个模块分别可以适用于业务场景不尽相同,如此使得,在不同的业务场景下适用的模块可能不同。
为了使得能够创建出分别适用于各个业务场景的数据推荐模型。在构建数据推荐模型之前,技术人员在服务端上输入数据推荐模型所应用的至少一个业务场景之后,对于任意一个业务场景,在第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块等中的至少一个模块中,技术人员可以在服务端上设置数据推荐模型应用在该业务场景时所适用的模块,服务端将该业务场景与该模块的模块标识组成对应表项,并存储在业务场景与模块标识之间的对应关系中。对于其他每一个业务场景,同样如此。
如此,对于任意一个业务场景,在构建包括适用于该业务场景的网络结构时,可以在第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块等中的至少一个模块中,确定数据推荐模型应用在该业务场景时所适用的模块,例如,在业务场景与模块标识之间的对应关系中,查找与该业务场景相对应的模块标识,将该模块标识所对应的模块确定为数据推荐模型应用在该业务场景时所适用的模块;然后构建包括确定出的模块的数据推荐模型的网络结构。
通过本申请实施例,可以分别构建出适用于不同的业务场景的网络结构,如此之后适用于不同的业务场景的网络结构可以训练出适用于不同的业务场景的数据推荐模型,以供之后在不同的业务场景下可以使用不同的数据推荐模型为用户推荐数据。
参照图11,示出了本发明实施例的一种数据推荐***的结构框图,该***至少包括客户端01以及服务端02。客户端01与服务端02之间通信连接。用户可以经由客户端01可以从服务端02中获取数据。服务端02可以基于前述实施例中创建的数据推荐模型经由客户端01向用户推荐用户感兴趣的数据。具体可以参见之后所示的实施例,在此不做详述。
参照图12,示出了本发明实施例的一种数据推荐方法的步骤流程图,该方法可以应用于图11所示的***中,该方法具体可以包括如下步骤:
在步骤S301中,客户端获取数据获取请求;该数据获取请求至少携带使用客户端的用户的用户标识;
在本申请中,用户在使用客户端的过程中,可以控制客户端从服务端中获取数据并在客户端的屏幕上显示数据,以供用户查看。
在用户需要控制客户端从服务端中获取数据时,用户可以在客户端上输入获取请求,该数据获取请求至少携带使用客户端的用户的用户标识,客户端获取用户输入的该获取请求,然后执行步骤S302。
在本申请中,如果用户事先在服务端上注册了自己的用户账号,且已经在客户端上使用自己的用户账号登录服务端,则用户的用户标识包括用户的用户账号。
如果用户未事先在服务端上注册了自己的用户账号,或者,用户事先在服务端上注册了自己的用户账号,但未在客户端上使用自己的用户账号登录服务端,则用户的用户标识包括客户端的IP(Internet Protocol,网际互连协议)地址以及MAC(Media AccessControl,媒体访问控制)地址等。
在步骤S302中,客户端向服务端发送该数据获取请求;
在步骤S303中,服务端接收该数据获取请求;
在步骤S304中,服务端根据该用户标识获取用户在第一时间段内操控过的多个第一数据的第一特征;以及,获取用户在第二时间段内操控过的至少一个第二数据的第二特征;
第二时间段短于第一时间段,且第二时间段的结束时刻与第一时间段的结束时刻之间的距离小于第二时间段的结束时刻与第一时间段的起始时刻之间的距离。
在本申请一个实施例中,第一时间段可以为固定的时间段,也即,第一时间段的起始时刻和结束时刻都为固定的时间点,不会发生变化。
或者,在本申请另一实施例中,第一时间段可以为不固定的时间段,例如,第一时间段的起始时刻为固定的时刻,但第一时间段的结束时刻为不固定,例如,电子设备可以以电子设备的当前时刻作为第一时间段的结束时刻,且设置第一时间段的时长为固定时长,如此,第一时间段结束时刻会随着时间变化而变化,且第一时间段起始时刻也会随着时间变化而变化。
在本申请中,每当用户操控一个数据,则服务端至少会记录用户操控该数据的操控时刻,然后将用户操控的该数据的数据标识与用户操控该数据的操控时刻组成对应表项,并存储在用户对应的、数据标识与操控时刻之间的对应关系中。
如此,在本步骤中,当需要获取用户在第一时间段内操控过的第一数据的第一特征时,服务端可以在用户对应的、数据标识与操控时刻之间的对应关系中查找位于第一时间段内的操控时刻,然后在用户对应的、数据标识与操控时刻之间的对应关系中,查找与查找到的操控时刻相对应的每一个数据标识,然后可以将得到的每一个数据标识对应的数据作为第一数据,之后就可以获取各个第一数据的第一特征。
其中,事先可以训练数据的特征的获取模型,如此,在本申请中,可以基于该获取模型来获取第一数据的第一特征。
本申请对数据的特征的获取模型的结构与训练方式不做限定,可以参考现有技术中的任意一种数据的特征的获取模型,本申请对此不加以限定。
在一个示例中,可以根据第一数据的数据标识查找第一数据的名称、种类、产地、售卖地、用途、以及价格等信息,然后将获取的第一数据的名称、种类、产地、售卖地、用途、以及价格等信息输入至该获取模型中,得到该获取模型输出的第一数据的第一特征。在一个例子中,第一特征可以为向量等。
在本申请中,整体上,相比于第一时间段,第二时间段更加靠近于当前时刻。
例如,第一时间段的结束时刻为当前时刻,第二时间段结束时刻为当前时刻,然而,第一时间段的起始时刻远远早于第二时间段的起始时刻等。
在本步骤中,当需要获取用户第二时间段内操控过的第二数据的第二特征时,服务端可以在用户对应的、数据标识与操控时刻之间的对应关系中查找位于第二时间段内的操控时刻,然后在用户对应的、数据标识与操控时刻之间的对应关系中,查找与查找到的操控时刻相对应的每一个数据标识,然后可以将得到的每一个数据标识对应的数据作为第二数据,之后就可以获取各个第二数据的第二特征。
获取第二数据的第二特征的方式可以参见获取第一数据的第一特征的方式,在此不做详述。在一个例子中,第二特征可以为向量等。
在步骤S305中,服务端获取多个候选数据;
在本申请中,服务端中存储有多个用于向用户推荐的数据,这些数据可以组成数据集合,每次向用户推荐数据时,可以从数据集合中筛选出部分数据向用户推荐。如此,在获取样本候选数据时,在一个实施例中,可以将该数据集合中的所有数据作为候选数据。
在步骤S306中,服务端基于每一个第一数据的第一特征、每一个第二数据的第二特征以及数据推荐模型,在多个候选数据中查找用户感兴趣的第三数据;
在本申请中,服务端可以基于每一个第一数据的第一特征、每一个第二数据的第二特征以及图2~图9中的一个数据推荐模型,在多个候选数据中查找用户感兴趣的第三数据,具体流程可以参见之后所示的实施例,在此不做详述。
在步骤S307中,服务端向客户端发送第三数据。
在步骤S308中,客户端接收第三数据;
在步骤S309中,客户端显示第三数据。
在本申请中,客户端可以显示第三数据,以供用户查看等。
在本申请一个实施例中,在第三数据为多个的情况下,服务端在向客户端发送第三数据时,还可以向客户端发送用户对每一个第三数据的感兴趣的程度。如此,客户端还可以接收到接收服务端返回的、用户对每一个第三数据的感兴趣的程度。
这样,客户端在显示第三数据时,可以基于用户对每一个第三数据的感兴趣的程度由高至低的顺序,将多个第三数据排序显示,如此使得用户可以更加迅速容易地定位到用户最感兴趣的数据,避免用户在多个第三数据中人工查找用户最感兴趣的数据,从而可以提高用户体验。
在本申请中,在用户操控数据的过程中,用户的操控方式具有一定延续性,且用户操控的数据往往是用户感兴趣的数据。
例如,刚刚操控过什么数据,则往往说明用户对刚刚操控过的数据感兴趣,且在下一刻时用户感兴趣的数据往往与用户刚刚操控过的数据相关,例如,在下一刻时用户感兴趣的数据往往是与用户刚刚操控过的数据的种类相同或相似的数据。
例如,假设用户需要购买手机,用户在网络上浏览各种手机的详情,用户刚刚浏览过手机,则下一刻用户往往也会浏览手机,也即,用户在下一时刻也对手机比较感兴趣,而通常用户不会突然对与手机相关度非常低的数据感兴趣,因此,可以向用户推荐浏览过的同一品牌的手机或者相似型号的手机等。
如此,即使用户未登录服务端,如果用户操控过服务端的数据,服务端即可结合用户在历史过程中长时间内操控过的多个数据的特征以及用户最近操控过的数据的特征来确定用户感兴趣的数据,也即,结合用户长时间内的持续兴趣以及短时间内的瞬时兴趣,可以提高确定出的数据事实上的确为用户感兴趣的数据的可能性,也即,可以提高推荐的数据的精准度,进而可以提高推荐的转化率,以及提高用户体验。
在本申请一个实施例中,在基于每一个第一数据的第一特征和每一个第二数据的第二特征以及数据推荐模型在多个候选数据中查找用户感兴趣的第三数据时,可以使用包括图2所示的网络结构的数据推荐模型。具体的查找方法可以参见图13,包括:
在步骤S401中,根据每一个第一特征获取所述多个第一数据的全局特征;
在本申请中,全局特征包括各个第一特征之间的平均特征。在本申请一个实施例中,可以计算每一个第一数据的第一特征的全局特征。例如,每一个第一数据的第一特征均为向量,可以计算各个向量之间的平均向量,并作为全局特征。
在步骤S402中,基于数据推荐模型中的至少一个激活函数对每一个第一数据的第一特征、每一个第二数据的第二特征以及全局特征进行激活处理,得到聚合特征;
在本申请一个实施例中,第一特征为向量,可以计算每一个第一数据的第一特征的全局特征。例如,每一个第一数据的第一特征均为向量,可以计算各个向量之间的平向向量,并作为全局特征。
可以将每一个第一数据的第一特征组合为一个矩阵,然后将该矩阵、全局特征以及每一个第二数据的第二特征均输入数据推荐模型中的激活函数的输入端,数据推荐模型中包括一个激活函数或者包括串行的至少两个激活函数,为了降低梯度弥散,数据推荐模型中的激活函数可以对该矩阵、全局特征以及每一个第二数据的第二特征进行激活处理,得到聚合特征。
在步骤S403中,基于数据推荐模型中的相似度计算层计算聚合特征分别与每一个候选数据的候选特征之间的特征相似度;
在本申请中,对于任意一个候选数据,可以获取该候选数据的候选特征,获取该候选数据的候选特征的方式可以参见步骤S304中获取第一数据的第一特征的获取方式,在此不做详述。其中,聚合特征可以为向量,且该候选数据的候选特征可以为一个向量,因此,可以计算两个向量之间的内积,并作为两个向量之间的相似度。对于其他每一个候选数据,同样执行上述操作。
在步骤S404中,基于数据推荐模型中的归一化层将聚合特征分别与每一个候选数据的候选特征之间的特征相似度转换用户对每一个候选数据感兴趣的程度;
在本申请中,在基于数据推荐模型中的相似度计算层得到每一个候选数据的候选特征分别与聚合特征之间的相似度(内积)之后,也可以将得到的所有相似度进行归一化操作,以将所有相似度转换为位于0~1之间的数值,并将其作为用户对每一个候选数据感兴趣的程度。
在步骤S405中,在多个候选数据中,将用户感兴趣的程度最高的预设数量个候选数据确定为第三数据。
参见图14,在一个例子中,假设用户在第一时间段内操控过t个第一数据,t个第一数据的第一特征分别为X1、X2......以及Xt,且均为向量,这些第一特征的下标为1至t,依次增大,且下标越大说明用户操控对应的数据的操控时刻距离当前时刻越近,下标越小说明用户操控对应的数据的操控时刻距离当前时刻越远。可以计算第一特征X1、X2......以及Xt的全局特征Xs,且假设第二特征为Xt。
则可以将第一特征X1、X2......以及Xt组成一个矩阵,然后将该矩阵、第二特征Xt以及全局特征Xs输入数据推荐模型中的激活函数ReLU中。
为了降低梯度弥散,数据推荐模型中的激活函数ReLU会对该矩阵、第二特征Xt以及全局特征Xs进行激活处理,得到聚合特征,聚合特征可以为一个向量等。
其中,可以向用户推荐的候选数据为q个,q个候选数据的候选特征分别为Xt1、Xt2......Xtq,且均为向量。
可以基于数据推荐模型中的相似度计算层计算聚合特征分别与每一个候选数据的候选特征之间的相似度,例如,计算聚合特征的向量与候选特征的向量之间的内积,作为聚合特征与候选特征之间的相似度。
然后对所有的相似度进行归一化处理,得到每一个相似度在数值0~1之间对应的数值,也即,得到用户对每一个候选数据感兴趣的程度。
之后在q个候选数据中向用户推荐用户感兴趣的程度最高的一个或多个候选数据。
在本申请一个实施例中,在基于每一个第一数据的第一特征和每一个第二数据的第二特征以及数据推荐模型在多个候选数据中查找用户感兴趣的第三数据时,可以使用包括图3所示的网络结构的数据推荐模型。具体的查找方法可以参见图15,包括:
在步骤S501中,根据每一个第一特征获取多个第一数据的全局特征;
本步骤具体可以参见步骤S401的相关描述,在此不做详述。
在步骤S502中,基于数据推荐模型中的第一注意力模块和全局特征对每一个第一特征分别进行扩展,得到每一个第一特征分别对应的全局扩展特征;
在本申请中,可以将全局特征以及每一个第一数据的第一特征输入数据推荐模型中的第一注意力模块中,对于任意一个第一数据的第一特征,第一注意力模块基于全局特征对该第一特征进行处理,得到该第一特征对应的全局扩展特征。对于其他每一个第一数据的第一特征,同样如此。
在本申请,事先可以训练第一注意力模块,训练流程包括:获取样本数据集,样本数据集包括样本用户在一段时间段内浏览的多个样本数据的样本特征,以及多个样本数据的样本全局特征,样本全局特征包括各个样本特征的向量的平均向量等,以及,样本数据集还包括:人工基于经验对每一个样本数据分别标注的样本全局扩展特征等。然后基于样本数据集对原始的注意力模块进行训练,直至原始的注意力模块中的参数均收敛,从而得到第一注意力模块。
当然,第一注意力模块也可以不单独训练,而可以在构建数据推荐模型的网络结构时可以在数据推荐模型中添加第一注意力模块,然后对数据推荐模型中的网络参数训练的过程中会对第一注意力模块中的网络参数进行训练,在训练完毕数据推荐模型之后,第一注意力模块也同时训练完毕。
在本申请实施例中,通过第一注意力模块可以得到每一个第一数据的第一特征分别与所有第一数据的全局特征之间的关联关系,也即,可以得到用户在第一时间段内操控过的每一个第一数据分别与在第一时间段内操控过的所有第一数据之间的关联关系,然后基于该关联关系,可以更全面地获取到在用户第一时间段内操控过的每一个第一数据的特征。
例如,在第一时间段内,用户浏览过名称为“苹果”这一数据,但对于电子设备而言,其根据名称“苹果”可能无法准确确定出用户浏览的这一数据是指“水果中的苹果”还是指“苹果手机”。
然而,如果用户在浏览名称为“苹果”的这一数据前后还浏览了其他品牌的手机,鉴于通常情况下在用户操控数据的过程中,用户的操控行为具有一定延续性,则可以将用户浏览的名称为“苹果”这一数据确定为苹果手机,如此,可以确定出用浏览的名称为“苹果”的这一数据大概率是手机,而不是水果,相当于基于“用户在浏览名称为“苹果”的这一数据前后还浏览了其他品牌的手机”的行为扩展了用户浏览名称为“苹果”这一数据的特征。
如此,基于多个第一数据的全局特征分别对每一个第一特征分别进行扩展,可以得到第一个第一特征对应的全局扩展特征,也即,结合多个第一数据的全局特征可以使得各个第一数据的全局扩展特征能够体现出各个第一数据的更全面的特征。
因此,相比于图13所示的实施例,通过本实施例的方式可以进一步地提高查找用户感兴趣的第三数据在客观上的确为用户的感兴趣的数据的可能性,也即,可以进一步地提高推荐的数据的精准度,进而可以进一步地提高推荐的转化率,以及进一步地提高用户体验。
在步骤S503中,基于数据推荐模型中的时间序列模块获取用户在历史过程中分别操控各个第一数据的操控时刻,将多个第一数据按照操控时刻由晚至早的顺序排序,将多个全局扩展特征按照对应的第一数据的排序的顺序聚类,得到多个第一特征集合;
在本申请中,每当用户操控一个数据,则电子设备至少会记录用户操控该数据的操控时刻,然后将用户操控的该数据的数据标识与用户操控该数据的操控时刻组成对应表项,并存储在用户对应的、数据标识与操控时刻之间的对应关系中。
如此,在本步骤中,当需要获取用户第一时间段内操控过的第一数据的第一特征时,电子设备可以在用户对应的、数据标识与操控时刻之间的对应关系中,查找位于第一时间段内的操控时刻,然后在用户对应的、数据标识与操控时刻之间的对应关系中,查找与查找到的操控时刻相对应的每一个数据标识。然后可以将得到的每一个数据标识对应的数据作为第一数据。
如此,在基于用户对应的、数据标识与操控时刻之间的对应关系中确定第一数据时,就可以得到用户分别操控各个第一数据的操控时刻。
然后,在按照操控时刻由晚至早的顺序排序的多个第一数据中,可以按照该顺序选择一部分第一数据的第一特征,然后将选择的第一特征组成一个第一特征集合。
在剩余的按照操控时刻由晚至早的顺序排序的第一数据中,继续按照该顺序选择一部分第一数据的第一特征,然后将选择的第一特征组成一个第一特征集合。
直至每一个第一数据的第一特征都被选择并加入到一个第一特征集合时为止。
其中,每一次选择的第一特征的数量可以递增。在一个实施例中,在按照操控时刻由晚至早的顺序排序的多个第一数据中,可以按照正整数的N次幂递加的方式确定每一次需要选择第一数据的第一特征的数量。
例如,在按照操控时刻由晚至早的顺序排序的多个第一数据中,按照该顺序第一次选择2的0次幂个第一数据的第一特征组成一个第一特征集合。
然后在剩余的按照操控时刻由晚至早的顺序排序的多个第一数据中,按照该顺序第一次选择2的1次幂个第一数据的第一特征组成一个第一特征集合。
然后在剩余的按照操控时刻由晚至早的顺序排序的多个第一数据中,按照该顺序第一次选择2的2次幂个第一数据的第一特征组成一个第一特征集合。直至每一个第一数据的第一特征都被选择并加入到一个第一特征集合为止。
由于,在用户操控数据的过程中,用户的操控行为具有一定延续性,且用户操控的数据往往是用户感兴趣的数据。因此,被用户操控的操控时刻距离当前时刻越近的数据对客观上用户在下一刻时感兴趣的数据的影响程度越大,被用户操控的操控时刻距离当前时刻越远的数据对客观上用户在下一刻时感兴趣的数据的影响程度越小。
因此,将用户在历史过程中长时间内操控过的多个第一数据的第一特征对应的全局扩展特征按照用户操控第一数据的操控时刻由晚至早的顺序排序,可以使得之后在根据每一个第一数据的第一特征对应的全局扩展特征、全局特征以及每一个第二数据的第二特征在多个候选数据中查找用户感兴趣的第三数据时,能够更加突出考虑操控时刻距离当前时刻较近的第一数据,操控时刻距离当前时刻较近的第一数据对客观上用户在下一刻时感兴趣的数据的影响程度较大,因此,相比于图13所示的实施例,通过本实施例的方式可以进一步地提高查找用户感兴趣的第三数据在客观上的确为用户的感兴趣的数据的可能性,也即,可以进一步地提高推荐的数据的精准度,进而可以进一步地提高推荐的转化率,以及进一步地提高用户体验。
例如,假设用户在历史过程中的1月1日~1月13日搜索过的商品如下表所示。
通过1月1日至1月13日的用户的操控过的商品的记录来看,用户的兴趣开始是衣服,然后逐渐迁移至收纳衣服的包,再由收纳衣服的包迁移至电脑包,然后在迁移至可以装载电脑包内的电脑等电子产品,然后再迁移至手机以及手机等相关副产品等。
如此,基于通过1月1日至1月13日的用户的操控过的商品的记录来看,例如,在1月6日时,用户的兴趣还至少维持在“包”等一系列商品上,如此,在1月6日时可以向用户推荐“包”等一系列商品上。
而在1月8日时,用户的兴趣还至少维持在“电脑”等一系列商品上,如此,在1月6日时可以向用户推荐“电脑”等一系列商品上。
在1月11日~1月13日时,用户的兴趣还至少维持在“手机”的相关副产品上,如此,在1月14日时,用户的兴趣更大可能在“手机”的相关副产品上,例如,手机的广角镜头或者手机支架等等,因此,在1月14日时可以时可以向用户推荐手机的广角镜头或者手机支架等手机的相关副产品。
在步骤S504中,基于数据推荐模型中的行为序列模块获取用户在历史过程中分别操控各个第一数据的操控方式,将每一个第一特征集合中的全局扩展特征按照用户在历史过程中分别操控各个第一数据的操控方式聚类,得到每一个第一特征集合中的多个操控方式分别对应的第二特征集合;
在本申请中,每当用户操控一个数据,则电子设备至少会记录用户操控该数据的操控时刻,以及记录用户操控该数据的操控方式,操控方式至少包括:浏览、点击进入详情页、收藏、分享、加入购物车、购买、咨询以及评论等。然后将用户操控的该数据的数据标识、用户操控该数据的操控时刻以及用户操控该数据的操控方式组成对应表项,并存储在用户对应的、数据标识、操控时刻与操控方式三者之间的对应关系中。
如此,在本步骤中,当需要获取用户第一时间段内操控过的多个第一数据的第一特征时,可以在用户对应的、数据标识、操控时刻与操控方式三者之间的对应关系中查找位于第一时间段内的操控时刻,然后在用户对应的、数据标识、操控时刻与操控方式三者之间的对应关系中,查找与查找到的操控时刻相对应的数据标识以及相对应的操控方式,从而得到用户在历史过程中分别操控各个第一数据的操控行为。
例如,对于查找到的任意一种操控方式,在任意一个第一数据集合中,在任意一个第一数据集合包括的多个第一数据中,将用户以该操控方式操控的第一数据的第一特征组合为第二特征集合,对于其他每一个第一数据集合,同样执行上述操作。
对于查找到的其他每一种操控方式,同样执行上述操作。
在本申请中,用户可以对数据进行操控的操控方式有很多种,包括浏览、点击、收藏、分享、加入购物车以及购买等。
用户对数据操控时所使用的操控方式不同往往意味着用户对数据感兴趣的程度不同。
例如,对于某一数据,如果用户对该数据感兴趣的程度较低,则用户可能只会浏览该数据,或者,点击该数据等,而如果用户对该数据感兴趣的程度较高,则用户可能会收藏或者分享该数据等,而如果用户对该数据感兴趣的程度更高,则用户可能会购买该数据或者将该数据加入购物车等。
也即,不同的操控方式对应着不同的兴趣程度。
如此使得之后在根据每一个第一数据的第一特征和每一个第二数据的第二特征在多个候选数据中查找用户感兴趣的第三数据时,可以考虑到用户操控第一数据的操控方式,结合操控第一数据的操控方式可以更加精准地确定出用户对第一数据感兴趣的程度,因此,相比于图13所示的实施例,通过本实施例的方式可以进一步地提高查找用户感兴趣的第三数据在客观上的确为用户的感兴趣的数据的可能性,也即,可以进一步地提高推荐的数据的精准度,进而可以进一步地提高推荐的转化率,以及进一步地提高用户体验。
在步骤S505中,基于数据推荐模型中的基于第二注意力模块和每一个第二特征对每一个第二特征集合中的全局扩展特征分别进行扩展,得到每一个全局扩展特征分别对应的瞬时扩展特征;
在本申请中,可以将每一个第二特征集合中的全局扩展特征以及每一个第二特征输入数据推荐模型中的第二注意力模块中,对于任意一个全局扩展特征,第二注意力模块基于每一个第二特征对该全局扩展特征进行处理,得到该全局扩展特征对应的瞬时扩展特征。对于其他每一个全局扩展特征,同样如此。
在本申请,事先可以训练第二注意力模块,训练流程包括:获取样本数据集,样本数据集包括样本用户在一段时间段内浏览的多个样本数据的样本特征,以及多个样本数据的样本瞬时特征,样本全局特征包括多个样本数据中被样本用户操控的时刻较晚的样本数据的特征等,以及,样本数据集还包括:人工基于经验对每一个样本数据分别标注的样本瞬时扩展特征等。然后基于样本数据集对原始的注意力模块进行训练,直至原始的注意力模块中的参数均收敛,从而得到第二注意力模块。
当然,第二注意力模块也可以不单独训练,而可以在构建数据推荐模型的网络结构时可以在数据推荐模型中添加第二注意力模块,然后对数据推荐模型中的网络参数训练的过程中会对第二注意力模块中的网络参数进行训练,在训练完毕数据推荐模型之后,第二注意力模块也同时训练完毕。
在本申请实施例中,通过第二注意力模块可以得到每一个第一特征分别与第二特征之间的关联关系,也即,可以得到用户在第一时间段内操控过的每一个第一数据分别与在第二时间段内操控过的第二数据之间的关联关系,例如,可以得到用户在第一时间段内操控过的每一个第一数据分别与用户最近一次操控过的数据之间的关联关系。
在本申请中,在用户操控数据的过程中,用户的操控行为具有一定延续性,且用户操控的数据往往是用户感兴趣的数据。
例如,刚刚操控过什么数据,则往往说明用户对刚刚操控过的数据感兴趣,且在下一刻时用户感兴趣的数据往往与用户刚刚操控过的数据相关,例如,在下一刻时用户感兴趣的数据往往是与用户刚刚操控过的数据的种类相同或相似的数据。
如此,基于上述关联关系,可以更好地捕捉到在用户第一时间段内操控过的每一个数据的特征。
例如,在第一时间段内,用户浏览过名称为“苹果”这一数据,但对于电子设备而言,其根据名称“苹果”可能无法准确确定出用户浏览的这一数据是水果中的苹果还是指苹果手机。
然而,鉴于用户在浏览什么数据时即对什么数据比较感兴趣,且随着时间的变化,用户感兴趣的数据可能会变化,因此,如果用户刚刚浏览过其他品牌的手机,则可以将用户浏览的名称为“苹果”这一数据确定为苹果手机,如此,也即,可以确定出用户浏览的名称为“苹果”的这一数据大概率是手机,而不是水果,相当于“用户浏览的其他品牌的手机”扩展了用户浏览名称为“苹果”这一数据的特征。
如此,基于每一个第二数据的第二特征分别对每一个第一特征分别进行扩展,得到第一个第一特征对应的瞬时扩展特征,使得各个第一数据的瞬时扩展特征能够体现出用户此时的更多的兴趣,
因此,相比于图13所示的实施例,通过本实施例的方式可以进一步地提高查找用户感兴趣的第三数据在客观上的确为用户的感兴趣的数据的可能性,也即,可以进一步地提高推荐的数据的精准度,进而可以进一步地提高推荐的转化率,以及进一步地提高用户体验。
在步骤S506中,基于数据推荐模型中的至少一个激活函数对全局特征、每一个瞬时扩展特征以及每一个第二特征进行激活处理,得到聚合特征;
本步骤具体可以参见步骤S401的相关描述,在此不做详述。
在步骤S507中,基于数据推荐模型中的相似度计算层计算聚合特征分别与每一个候选数据的候选特征之间的特征相似度;
本步骤具体可以参见步骤S402的相关描述,在此不做详述。
在步骤S508中,基于数据推荐模型中的归一化层将聚合特征分别与每一个候选数据的候选特征之间的特征相似度转换用户对每一个候选数据感兴趣的程度;
本步骤具体可以参见步骤S403的相关描述,在此不做详述。
在步骤S509中,在多个候选数据中,将用户感兴趣的程度最高的预设数量个候选数据确定为第三数据。
参见图16,在一个例子中,假设用户在第一时间段内操控过t个第一数据,t个第一数据的第一特征分别为X1、X2......以及Xt,且均为向量,这些第一特征的下标为1至t,依次增大,且下标越大说明用户操控对应的数据的操控时刻距离当前时刻越近,且下标越小说明用户操控对应的数据的操控时刻距离当前时刻越远。可以计算第一特征X1、X2......以及Xt的全局特征Xs,且假设第二特征为Xt。
可以将第一特征X1、X2......以及Xt以及全局特征Xs输入数据推荐模型中的第一注意力模块中,得到第一注意力模块输出的每一个第一特征对应的全局扩展特征。
将每一个第一特征对应的全局扩展特征按照用户操控其对应的第一数据的操控时刻由晚至早的顺序排序,然后将每一个第一特征对应的全局扩展特征按照对应的第一数据的排序的顺序聚类,得到n个第一特征集合,分别为A1......以及An等,n个第一特征集合组成矩阵A。
对于矩阵A中的每一个第一特征集合,将该第一特征集合中包括的第一特征按照用户操控其对应的第一数据按照操控方式聚类,得到多个第二特征集合,也即,第一特征集合中可以包括多个第二特征集合,例如,第一特征集合A1中包括第二特征集合B1以及B2等。聚类后的多个第一特征集合组成矩阵B。
然后将聚类后的矩阵B以及第二特征Xt输入数据推荐模型中的第二注意力模块中,以使第二注意力模块确定出每一个全局扩展特征对应的瞬时扩展特征,然后对操控方式相同的瞬时扩展特征进行聚合,得到矩阵C。
再将矩阵C、第二特征Xt以及全局特征Xs输入数据推荐模型中的激活函数ReLU中。
为了降低梯度弥散,数据推荐模型中的激活函数ReLU会对矩阵C、第二特征Xt以及全局特征Xs进行激活处理,得到聚合特征,聚合特征可以为一个向量等。
其中,可以向用户推荐的候选数据为q个,q个候选数据的候选特征分别为Xt1、Xt2......Xtq,且均为向量。
可以基于数据推荐模型中的相似度计算层计算聚合特征分别与每一个候选数据的候选特征之间的相似度,例如,计算聚合特征的向量与候选特征的向量之间的内积,作为聚合特征与候选特征之间的相似度。
然后对所有的相似度进行归一化处理,得到每一个相似度在数值0~1之间对应的数值,也即,得到用户对每一个候选数据感兴趣的程度。
之后在q个候选数据中向用户推荐用户感兴趣的程度最高的一个或多个候选数据。
在本申请一个实施例中,在基于每一个第一数据的第一特征和每一个第二数据的第二特征以及数据推荐模型在多个候选数据中查找用户感兴趣的第三数据时,可以使用包括图4所示的网络结构的数据推荐模型。具体的查找方法可以参见图17,包括:
在步骤S601中,根据每一个第一特征获取多个第一数据的全局特征;
本步骤具体可以参见步骤S401的相关描述,在此不做详述。
在步骤S602中,基于数据推荐模型中的第一注意力模块和全局特征对每一个第一特征分别进行扩展,得到每一个第一特征分别对应的全局扩展特征;
本步骤具体可以参见步骤S502的相关描述,在此不做详述。
在步骤S603中,基于数据推荐模型中的基于第二注意力模块和每一个第二特征对每一个全局扩展特征分别进行扩展,得到每一个全局扩展特征分别对应的瞬时扩展特征;
本步骤具体可以参见步骤S505的相关描述,在此不做详述。
在步骤S604中,基于数据推荐模型中的至少一个激活函数对全局特征、每一个瞬时扩展特征以及每一个第二特征进行激活处理,得到聚合特征;
本步骤具体可以参见步骤S401的相关描述,在此不做详述。
在步骤S605中,基于数据推荐模型中的相似度计算层计算聚合特征分别与每一个候选数据的候选特征之间的特征相似度;
本步骤具体可以参见步骤S402的相关描述,在此不做详述。
在步骤S606中,基于数据推荐模型中的归一化层将聚合特征分别与每一个候选数据的候选特征之间的特征相似度转换用户对每一个候选数据感兴趣的程度;
本步骤具体可以参见步骤S403的相关描述,在此不做详述。
在步骤S607中,在多个候选数据中,将用户感兴趣的程度最高的预设数量个候选数据确定为第三数据。
参见图18,在一个例子中,假设用户在第一时间段内操控过t个第一数据,t个第一数据的第一特征分别为X1、X2......以及Xt,且均为向量,这些第一特征的下标为1至t,依次增大,且下标越大说明用户操控对应的数据的操控时刻距离当前时刻越近,且下标越小说明用户操控对应的数据的操控时刻距离当前时刻越远。可以计算第一特征X1、X2......以及Xt的全局特征Xs,且假设第二特征为Xt。
可以将第一特征X1、X2......以及Xt以及全局特征Xs输入数据推荐模型中的第一注意力模块中,得到第一注意力模块输出的每一个第一特征对应的全局扩展特征。
然后可以将每一个第一特征对应的全局扩展特征以及第二特征Xt输入第二注意力模块中,得到第二注意力模块输出的每一个全局扩展特征对应的瞬时扩展特征。
然后将所有瞬时扩展特征组成一个矩阵,再将该矩阵、第二特征Xt以及全局特征Xs输入数据推荐模型中的激活函数ReLU中。
为了降低梯度弥散,数据推荐模型中的激活函数ReLU会对该矩阵、第二特征Xt以及全局特征Xs进行激活处理,得到聚合特征,聚合特征可以为一个向量等。
其中,可以向用户推荐的候选数据为q个,q个候选数据的候选特征分别为Xt1、Xt2......Xtq,且均为向量。
可以基于数据推荐模型中的相似度计算层计算聚合特征分别与每一个候选数据的候选特征之间的相似度,例如,计算聚合特征的向量与候选特征的向量之间的内积,作为聚合特征与候选特征之间的相似度。
然后对所有的相似度进行归一化处理,得到每一个相似度在数值0~1之间对应的数值,也即,得到用户对每一个候选数据感兴趣的程度。
之后在q个候选数据中向用户推荐用户感兴趣的程度最高的一个或多个候选数据。
在本申请一个实施例中,在基于每一个第一数据的第一特征和每一个第二数据的第二特征以及数据推荐模型在多个候选数据中查找用户感兴趣的第三数据时,可以使用包括图5所示的网络结构的数据推荐模型。具体的查找方法可以参见图19,包括:
在步骤S701中,根据每一个第一特征获取多个第一数据的全局特征;
本步骤具体可以参见步骤S401的相关描述,在此不做详述。
在步骤S702中,基于数据推荐模型中的第一注意力模块和全局特征分别对每一个第一特征分别进行扩展,得到每一个第一特征分别对应的全局扩展特征;
本步骤具体可以参见步骤S502的相关描述,在此不做详述。
在步骤S703中,基于数据推荐模型中的至少一个激活函数对全局特征、每一个全局扩展特征以及每一个第二特征进行激活处理,得到聚合特征;
本步骤具体可以参见步骤S401的相关描述,在此不做详述。
在步骤S704中,基于数据推荐模型中的相似度计算层计算聚合特征分别与每一个候选数据的候选特征之间的特征相似度;
本步骤具体可以参见步骤S402的相关描述,在此不做详述。
在步骤S705中,基于数据推荐模型中的归一化层将聚合特征分别与每一个候选数据的候选特征之间的特征相似度转换用户对每一个候选数据感兴趣的程度;
本步骤具体可以参见步骤S403的相关描述,在此不做详述。
在步骤S706中,在多个候选数据中,将用户感兴趣的程度最高的预设数量个候选数据确定为第三数据。
参见图20,在一个例子中,假设用户在第一时间段内操控过t个第一数据,t个第一数据的第一特征分别为X1、X2......以及Xt,且均为向量,这些第一特征的下标为1至t,依次增大,且下标越大说明用户操控对应的数据的操控时刻距离当前时刻越近,且下标越小说明用户操控对应的数据的操控时刻距离当前时刻越远。可以计算第一特征X1、X2......以及Xt的全局特征Xs,且假设第二特征为Xt。
则可以将第一特征X1、X2......以及Xt以及全局特征Xs输入第一输入数据推荐模型中的注意力模块中,得到第一注意力模块输出的每一个第一特征对应的全局扩展特征。
然后将所有全局扩展特征组成一个矩阵,再将该矩阵、第二特征Xt以及全局特征Xs输入数据推荐模型中的激活函数ReLU中。
为了降低梯度弥散,数据推荐模型中的激活函数ReLU会对该矩阵、第二特征Xt以及全局特征Xs进行激活处理,得到聚合特征,聚合特征可以为一个向量等。
其中,可以向用户推荐的候选数据为q个,q个候选数据的候选特征分别为Xt1、Xt2......Xtq,且均为向量。
可以基于数据推荐模型中的相似度计算层计算聚合特征分别与每一个候选数据的候选特征之间的相似度,例如,计算聚合特征的向量与候选特征的向量之间的内积,作为聚合特征与候选特征之间的相似度。
然后对所有的相似度进行归一化处理,得到每一个相似度在数值0~1之间对应的数值,也即,得到用户对每一个候选数据感兴趣的程度。
之后在q个候选数据中向用户推荐用户感兴趣的程度最高的一个或多个候选数据。
在本申请一个实施例中,在基于每一个第一数据的第一特征和每一个第二数据的第二特征以及数据推荐模型在多个候选数据中查找用户感兴趣的第三数据时,可以使用包括图6所示的网络结构的数据推荐模型。具体的查找方法可以参见图21,包括:
在步骤S801中,基于数据推荐模型中的第二注意力模块和每一个第二特征对每一个第一特征分别进行扩展,得到每一个第一特征分别对应的瞬时扩展特征;
本步骤具体可以参见步骤S505的相关描述,在此不做详述。
在步骤S802中,根据每一个第一特征获取多个第一数据的全局特征;
本步骤具体可以参见步骤S401的相关描述,在此不做详述。
在步骤S803中,基于数据推荐模型中的至少一个激活函数对全局特征、每一个瞬时扩展特征以及每一个第二特征进行激活处理,得到聚合特征;
本步骤具体可以参见步骤S401的相关描述,在此不做详述。
在步骤S804中,基于数据推荐模型中的相似度计算层计算聚合特征分别与每一个候选数据的候选特征之间的特征相似度;
本步骤具体可以参见步骤S402的相关描述,在此不做详述。
在步骤S805中,基于数据推荐模型中的归一化层将聚合特征分别与每一个候选数据的候选特征之间的特征相似度转换用户对每一个候选数据感兴趣的程度;
本步骤具体可以参见步骤S403的相关描述,在此不做详述。
在步骤S806中,在多个候选数据中,将用户感兴趣的程度最高的预设数量个候选数据确定为第三数据。
参见图22,在一个例子中,假设用户在第一时间段内操控过t个第一数据,t个第一数据的第一特征分别为X1、X2......以及Xt,且均为向量,这些第一特征的下标为1至t,依次增大,且下标越大说明用户操控对应的数据的操控时刻距离当前时刻越近,且下标越小说明用户操控对应的数据的操控时刻距离当前时刻越远。可以计算第一特征X1、X2......以及Xt的全局特征Xs,且假设第二特征为Xt。
则可以将第一特征X1、X2......以及Xt以及第二特征Xt输入数据推荐模型中的第二注意力模块中,得到第二注意力模块输出的每一个第一特征对应的瞬时扩展特征。
然后将所有瞬时扩展特征组成一个矩阵,再将该矩阵、第二特征Xt以及全局特征Xs输入数据推荐模型中的激活函数ReLU中。
为了降低梯度弥散,数据推荐模型中的激活函数ReLU会对该矩阵、第二特征Xt以及全局特征Xs进行激活处理,得到聚合特征,聚合特征可以为一个向量等。
其中,可以向用户推荐的候选数据为q个,q个候选数据的候选特征分别为Xt1、Xt2......Xtq,且均为向量。
可以基于数据推荐模型中的相似度计算层计算聚合特征分别与每一个候选数据的候选特征之间的相似度,例如,计算聚合特征的向量与候选特征的向量之间的内积,作为聚合特征与候选特征之间的相似度。
然后对所有的相似度进行归一化处理,得到每一个相似度在数值0~1之间对应的数值,也即,得到用户对每一个候选数据感兴趣的程度。
之后在q个候选数据中向用户推荐用户感兴趣的程度最高的一个或多个候选数据。
在本申请一个实施例中,在基于每一个第一数据的第一特征和每一个第二数据的第二特征以及数据推荐模型在多个候选数据中查找用户感兴趣的第三数据时,可以使用包括图7所示的网络结构的数据推荐模型。具体的查找方法可以参见图23,包括:
在步骤S901中,基于数据推荐模型中的时间序列模块获取用户在历史过程中分别操控各个第一数据的操控时刻,将多个第一数据按照操控时刻由晚至早的顺序排序,将多个第一特征按照对应的第一数据的排序的顺序聚类,得到多个第一特征集合;
本步骤具体可以参见步骤S503的相关描述,在此不做详述。
在步骤S902中,基于数据推荐模型中的行为序列模块获取用户在历史过程中分别操控各个第一数据的操控方式,将每一个第一特征集合中的第一数据按照用户在历史过程中分别操控各个第一数据的操控方式聚类,得到每一个第一特征集合中的多个操控方式分别对应的第二特征集合;
本步骤具体可以参见步骤S504的相关描述,在此不做详述。
在步骤S903中,基根据每一个第一特征获取所述多个第一数据的全局特征;
本步骤具体可以参见步骤S401的相关描述,在此不做详述。
在步骤S904中,基于数据推荐模型中的至少一个激活函数对每一个第二特征集合、至少一个第二特征以及全局特征激活处理,得到聚合特征;
本步骤具体可以参见步骤S401的相关描述,在此不做详述。
在步骤S905中,基于数据推荐模型中的相似度计算层计算聚合特征分别与每一个候选数据的候选特征之间的特征相似度;
本步骤具体可以参见步骤S402的相关描述,在此不做详述。
在步骤S906中,基于数据推荐模型中的归一化层将聚合特征分别与每一个候选数据的候选特征之间的特征相似度转换用户对每一个候选数据感兴趣的程度;
本步骤具体可以参见步骤S403的相关描述,在此不做详述。
在步骤S907中,在多个候选数据中,将用户感兴趣的程度最高的预设数量个候选数据确定为第三数据。
由于,在用户操控数据的过程中,用户的操控行为具有一定延续性,且用户操控的数据往往是用户感兴趣的数据。因此,被用户操控的操控时刻距离当前时刻越近的数据对客观上用户在下一刻时感兴趣的数据的影响程度越大,被用户操控的操控时刻距离当前时刻越远的数据对客观上用户在下一刻时感兴趣的数据的影响程度越小。
因此,将用户在历史过程中长时间内操控过的多个第一数据的第一特征按照用户操控第一数据的操控时刻由晚至早的顺序排序,可以使得之后在根据每一个第一数据的第一特征和每一个第二数据的第二特征在多个候选数据中查找用户感兴趣的第三数据时,能够更加突出考虑操控时刻距离当前时刻较近的第一数据,操控时刻距离当前时刻较近的第一数据对客观上用户在下一刻时感兴趣的数据的影响程度较大。
其次,在本申请中,用户可以对数据进行操控的操控方式有很多种,包括浏览、点击、收藏、分享、加入购物车以及购买等,
用户对数据操控时所使用的操控方式不同往往意味着用户对数据感兴趣的程度不同。
例如,对于某一数据,如果用户对该数据感兴趣的程度较低,则用户可能只会浏览该数据,或者,点击该数据等,而如果用户对该数据感兴趣的程度较高,则用户可能会收藏或者分享该数据等,而如果用户对该数据感兴趣的程度更高,则用户可能会购买该数据或者将该数据加入购物车等。
也即,不同的操控方式对应着不同的兴趣程度。
如此使得之后在根据每一个第一数据的第一特征和每一个第二数据的第二特征在多个候选数据中查找用户感兴趣的第三数据时,可以考虑到用户操控第一数据的操控方式,结合操控第一数据的操控方式可以更加精准地确定出用户对第一数据感兴趣的程度。
因此,相比于图13所示的实施例,通过本实施例的方式可以进一步地提高查找用户感兴趣的第三数据在客观上的确为用户的感兴趣的数据的可能性,也即,可以进一步地提高推荐的数据的精准度,进而可以进一步地提高推荐的转化率,以及进一步地提高用户体验。
参见图24,在一个例子中,假设用户在第一时间段内操控过t个第一数据,t个第一数据的第一特征分别为X1、X2......以及Xt,且均为向量,这些第一特征的下标为1至t,依次增大,且下标越大说明用户操控对应的数据的操控时刻距离当前时刻越近,且下标越小说明用户操控对应的数据的操控时刻距离当前时刻越远。可以计算第一特征X1、X2......以及Xt的全局特征Xs,且假设第二特征为Xt。
将第一特征X1、X2......以及Xt按照用户操控其对应的第一数据的操控时刻由晚至早的顺序排序,然后将t个第一特征按照对应的第一数据的排序的顺序聚类,得到n个第一特征集合,分别为A1......以及An等,n个第一特征集合组成矩阵A。
对于矩阵A中的每一个第一特征集合,将该第一特征集合中包括的第一特征按照用户操控其对应的第一数据按照操控方式聚类,得到多个第二特征集合,也即,第一特征集合中可以包括多个第二特征集合,例如,第一特征集合A1中包括第二特征集合B1以及B2等。聚类后的多个第一特征集合组成矩阵B。
然后将矩阵B、第二特征Xt以及全局特征Xs输入输入数据推荐模型中的激活函数ReLU中。
为了降低梯度弥散,数据推荐模型中的激活函数ReLU会对矩阵B、第二特征Xt以及全局特征Xs进行激活处理,得到聚合特征,聚合特征可以为一个向量等。
其中,可以向用户推荐的候选数据为q个,q个候选数据的候选特征分别为Xt1、Xt2......Xtq,且均为向量。
可以基于数据推荐模型中的相似度计算层计算聚合特征分别与每一个候选数据的候选特征之间的相似度,例如,计算聚合特征的向量与候选特征的向量之间的内积,作为聚合特征与候选特征之间的相似度。
然后对所有的相似度进行归一化处理,得到每一个相似度在数值0~1之间对应的数值,也即,得到用户对每一个候选数据感兴趣的程度。
之后在q个候选数据中向用户推荐用户感兴趣的程度最高的一个或多个候选数据。
在本申请一个实施例中,在基于每一个第一数据的第一特征和每一个第二数据的第二特征以及数据推荐模型在多个候选数据中查找用户感兴趣的第三数据时,可以使用包括图8所示的网络结构的数据推荐模型。具体的查找方法可以参见图25,包括:
在步骤S1001中,基于数据推荐模型中的时间序列模块获取用户在历史过程中分别操控各个第一数据的操控时刻,将多个第一数据按照操控时刻由晚至早的顺序排序,将多个第一特征按照对应的第一数据的排序的顺序聚类,得到多个第一特征集合;
本步骤具体可以参见步骤S503的相关描述,在此不做详述。
在步骤S1002中,根据每一个第一特征获取所述多个第一数据的全局特征;
本步骤具体可以参见步骤S401的相关描述,在此不做详述。
在步骤S1003中,基于数据推荐模型中的至少一个激活函数对多个第一特征集合和每一个第二数据的第二特征以及全局特征激活处理,得到聚合特征;
本步骤具体可以参见步骤S401的相关描述,在此不做详述。
在步骤S1004中,基于数据推荐模型中的相似度计算层计算聚合特征分别与每一个候选数据的候选特征之间的特征相似度;
本步骤具体可以参见步骤S402的相关描述,在此不做详述。
在步骤S1005中,基于数据推荐模型中的归一化层将聚合特征分别与每一个候选数据的候选特征之间的特征相似度转换用户对每一个候选数据感兴趣的程度;
本步骤具体可以参见步骤S403的相关描述,在此不做详述。
在步骤S1006中,在多个候选数据中,将用户感兴趣的程度最高的预设数量个候选数据确定为第三数据。
参见图26,在一个例子中,假设用户在第一时间段内操控过t个第一数据,t个第一数据的第一特征分别为X1、X2......以及Xt,且均为向量,这些第一特征的下标为1至t,依次增大,且下标越大说明用户操控对应的数据的操控时刻距离当前时刻越近,且下标越小说明用户操控对应的数据的操控时刻距离当前时刻越远。可以计算第一特征X1、X2......以及Xt的全局特征Xs,且假设第二特征为Xt。
将第一特征X1、X2......以及Xt按照用户操控其对应的第一数据的操控时刻由晚至早的顺序排序,然后将t个第一特征按照对应的第一数据的排序的顺序聚类,得到n个第一特征集合,分别为A1......以及An等,n个第一特征集合组成矩阵A。
然后将矩阵A、第二特征Xt以及全局特征Xs输入数据推荐模型中的激活函数ReLU中。
为了降低梯度弥散,数据推荐模型中的激活函数ReLU会对矩阵A、第二特征Xt以及全局特征Xs进行激活处理,得到聚合特征,聚合特征可以为一个向量等。
其中,可以向用户推荐的候选数据为q个,q个候选数据的候选特征分别为Xt1、Xt2......Xtq,且均为向量。
可以基于数据推荐模型中的相似度计算层计算聚合特征分别与每一个候选数据的候选特征之间的相似度,例如,计算聚合特征的向量与候选特征的向量之间的内积,作为聚合特征与候选特征之间的相似度。
然后对所有的相似度进行归一化处理,得到每一个相似度在数值0~1之间对应的数值,也即,得到用户对每一个候选数据感兴趣的程度。
之后在q个候选数据中向用户推荐用户感兴趣的程度最高的一个或多个候选数据。
在本申请一个实施例中,在基于每一个第一数据的第一特征和每一个第二数据的第二特征以及数据推荐模型在多个候选数据中查找用户感兴趣的第三数据时,可以使用包括图9所示的网络结构的数据推荐模型。具体的查找方法可以参见图27,包括:
在步骤S1101中,基于数据推荐模型中的行为序列模块获取用户在历史过程中分别操控各个第一数据的操控方式;将多个第一特征按照用户在历史过程中分别操控各个第一数据的操控方式聚类,得到多个操控方式分别对应的第二特征集合;
本步骤具体可以参见步骤S504的相关描述,在此不做详述。
在步骤S1102中,根据每一个第一特征获取所述多个第一数据的全局特征;
本步骤具体可以参见步骤S401的相关描述,在此不做详述。
在步骤S1103中,基于数据推荐模型中的至少一个激活函数对多个第二特征集合和每一个第二数据的第二特征以及全局特征激活处理,得到聚合特征;
本步骤具体可以参见步骤S401的相关描述,在此不做详述。
在步骤S1104中,基于数据推荐模型中的相似度计算层计算聚合特征分别与每一个候选数据的候选特征之间的特征相似度;
本步骤具体可以参见步骤S402的相关描述,在此不做详述。
在步骤S1105中,基于数据推荐模型中的归一化层将聚合特征分别与每一个候选数据的候选特征之间的特征相似度转换用户对每一个候选数据感兴趣的程度;
本步骤具体可以参见步骤S403的相关描述,在此不做详述。
在步骤S1106中,在多个候选数据中,将用户感兴趣的程度最高的预设数量个候选数据确定为第三数据。
参见图28,在一个例子中,假设用户在第一时间段内操控过t个第一数据,t个第一数据的第一特征分别为X1、X2......以及Xt,且均为向量,这些第一特征的下标为1至t,依次增大,且下标越大说明用户操控对应的数据的操控时刻距离当前时刻越近,且下标越小说明用户操控对应的数据的操控时刻距离当前时刻越远。可以计算第一特征X1、X2......以及Xt的全局特征Xs,且假设第二特征为Xt。
将第一特征X1、X2......以及Xt按照用户操控其对应的第一数据的操控方式聚类,得到m个第二特征集合,例如,B1......以及Bm等,m个第二特征集合组成矩阵B。
然后将矩阵B、第二特征Xt以及全局特征Xs输入数据推荐模型中的激活函数ReLU中。
为了降低梯度弥散,数据推荐模型中的激活函数ReLU会对矩阵B、第二特征Xt以及全局特征Xs进行激活处理,得到聚合特征,聚合特征可以为一个向量等。
其中,可以向用户推荐的候选数据为q个,q个候选数据的候选特征分别为Xt1、Xt2......Xtq,且均为向量。
可以基于数据推荐模型中的相似度计算层计算聚合特征分别与每一个候选数据的候选特征之间的相似度,例如,计算聚合特征的向量与候选特征的向量之间的内积,作为聚合特征与候选特征之间的相似度。
然后对所有的相似度进行归一化处理,得到每一个相似度在数值0~1之间对应的数值,也即,得到用户对每一个候选数据感兴趣的程度。
之后在q个候选数据中向用户推荐用户感兴趣的程度最高的一个或多个候选数据。
在图1~图10所示的训练数据推荐模型的实施例中,使用的样本数据集中的数据可能有限,从而可能会导致训练出的数据推荐模型的泛化程度有限,这样会导致基于数据推荐模型推荐的用户感兴趣的数据的精准度较低,或者说,会导致基于数据推荐模型向用户推荐的数据事实上是用户感兴趣的数据的可能性较低。
因此,为了提高数据推荐模型的泛化程度,以提高基于数据推荐模型向用户推荐的数据事实上是用户感兴趣的数据的可能性,在本申请实施例中,在数据推荐模型上线之后,在基于数据推荐模型向用户推荐用户感兴趣的数据的过程中,可以基于用户对推荐的数据的反馈来实时更新数据推荐模型,以不断提高数据推荐模型的泛化程度。
具体的,在一个实施例中,在显示客户端第三数据之后的预设时长内,如果用户未对第三数据进行操控,则生成第一指示信息,第一指示信息用于指示在客户端显示第三数据之后的预设时长内用户未对第三数据进行操控;向服务端发送第一指示信息。服务端接收客户端发送的第一指示信息,根据第一指示信息确定用户对第三数据的感兴趣程度;其中,预设时长包括1秒、5秒或者10秒等等,本申请对此不加以限定。
如果用户在客户端显示第三数据之后的预设时长内未对第三数据进行操控,则往往说明用户对服务端推荐的第三数据不感兴趣,或者感兴趣的程度非常低,如此,可以将用户对第三数据的感兴趣程度设置为一个较低的数值,例如零等。然后获取第三数据的第三特征,获取第三数据的第三特征的方式可以参见在步骤S304中获取第一数据的第一特征的方式,在此不做详述。然后根据每一个第一数据的第一特征、每一个第二数据的第二特征、第三数据的第三特征以及用户对第三数据的感兴趣程度,对数据推荐模型进行更新。
在另一个实施例中,在客户端显示第三数据之后的预设时长内,如果用户对第三数据进行了操控,则获取用户对第三数据进行操控的操控方式;生成第二指示信息,第二指示信息用于指示在客户端显示第三数据之后的预设时长内用户以操控方式对第三数据进行了操控;向服务端发送第二指示信息。
服务端接收接收客户端发送的第二指示信息;根据该操控方式确定用户对第三数据的感兴趣程度;其中,根据该操控方式确定用户对第三数据的感兴趣程度可以参考获取样本用户对样本候选数据的标注感兴趣程度的获取方式,在此不做详述。
然后获取第三数据的第三特征,其中,获取第三数据的第三特征的方式可以参考步骤S304中获取第一数据的第一特征的获取方式,在此不做详述。再根据每一个第一数据的第一特征、每一个第二数据的第二特征、第三数据的第三特征以及用户对第三数据的感兴趣程度,对数据推荐模型进行更新。
其中,在前述实施例中,在步骤S305中,是将数据集合中的所有数据作为样本候选数据,之后需要计算聚合特征分别与每一个候选数据的候选特征之间的特征相似度,这个过程会耗费服务端较多的***资源以及时间。
然而,用户对该数据集合中有些数据可能并不感兴趣,或者说,样本用户对该数据集合中的有些数据的感兴趣的程度为零,因此,这些数据的特征没有必要参与与聚合特征之间的特征相似度的计算。
所以,为了节省服务端的***资源以及时间,在本申请另一实施例中,在获取多个候选数据时,可以获取每一个第一数据的数据类型,然后在包括多个数据的数据集合中,筛选该数据类型所对应的数据,作为候选数据。
用户操控过第一数据,则可以说明样本用户对第一数据感兴趣,从而可以推断出用户对与第一数据属于同一类型的数据感兴趣的程度较高,且用户对不与第一数据属于同一类型的数据感兴趣的程度较低。因此,通过本实施例的方式,选择的候选数据往往是用户感兴趣的程度较高的数据,且在存在用户感兴趣的程度较高的数据的情况下,也是往往会向用户推荐用户感兴趣的程度较高的数据,而不会向用户推荐用户感兴趣的程度较低的数据,如此,仅计算用户感兴趣的程度较高的数据的特征与聚合特征之间的特征相似度,而不计算用户感兴趣的程度较低的数据与聚合特征之间的特征相似度,可以节省服务端的***资源以及时间。
其中,数据的数据类型可以按照数据的属性进行划分,例如,假设数据为数据,则数据的数据类型包括汽车类、体育类、衣服类、鞋类以及电子产品类等等。
或者,在本申请另一实施例中,当需要向用户推荐数据时,可以先初步从数据集合中筛选出一部分数据作为候选数据,例如,在用户未登录的情况下,在用户浏览数据时,可以根据网络技术确定用户所在的地域,然后在大量的数据中筛选在历史过程中位于该地域的广大用户普遍感兴趣的数据等,然后将筛选出的这一部分数据作为候选数据,之后在候选数据中确定用户真正感兴趣的数据并推荐给用户。
事先在构建数据推荐模型时,在图10所示实施例的基础上,会构建出个数据推荐模型,每一个数据推荐模型中的网络结构不全相同,不同的网络结构所适用的业务场景不同,因此,不同的数据推荐模型适用的业务场景不同。其中,业务场景至少包括:搜索场景、广告推荐场景、数据推荐场景、文本推荐场景、多媒体文件推荐场景以及行驶路线推荐场景等。
对于任意一个业务场景,在该业务场景下为用户推荐数据时,使用适用于该业务场景的数据推荐模型为用户推荐数据的精准度高于使用其他数据推荐模型为用户推荐数据的精准度。
因此,在本申请另一实施例中,参见图29,步骤S306,包括:
在步骤S1201中,确定该数据获取请求所应用的当前业务场景;
在步骤S1202中,在多个数据推荐模型中,选择包括适用于所述当前业务场景的网络结构的数据推荐模型;
其中,本步骤可以通过如下流程实现,包括:
11)、在第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模型中的至少一个模块中,确定在所述当前业务场景中时适用的模块;
在第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块等模块中,每一个模块分别可以适用于业务场景不尽相同,如此使得,在不同的业务场景下适用的模块可能不同。
为了使得能够创建出分别适用于各个业务场景的数据推荐模型。在构建数据推荐模型之前,技术人员在服务端上输入数据推荐模型所应用的至少一个业务场景之后,对于任意一个业务场景,在第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块等中的至少一个模块中,技术人员可以在服务端上设置数据推荐模型应用在该业务场景时所适用的模块,服务端将该业务场景与该模块的模块标识组成对应表项,并存储在业务场景与模块标识之间的对应关系中。对于其他每一个业务场景,同样如此。
如此,在本步骤中,可以在业务场景与模块标识之间的对应关系中,查找与所述当前业务场景相对应的模块标识;将所述模块标识所对应的模块确定在所述当前业务场景中时适用的模块。
12)、在多个数据推荐模型中,选择包括确定出的模块的数据推荐模型。
在步骤S1203中,基于每一个第一数据的第一特征、每一个第二数据的第二特征以及选择的数据推荐模型,在多个候选数据中查找用户感兴趣的第三数据。
通过本申请实施例,可以分别构建出适用于不同的业务场景的数据推荐模型,以供在不同的业务场景下可以使用不同的数据推荐模型为用户推荐数据。以提高推荐的精准度。
其中,在分别构建多个分别包括不同的网络结构的数据推荐模型之后,需要在服务端中存储每一个数据推荐模型,这样会占用服务端较多的存储空间。
因此,为了节省存储空间,在本申请另一实施例中,服务端也可以仅构建包括如图3所示的网络结构的数据推荐模型。
之后如果临时有需求不需要使用某一个模块,则可以删除不需要的模块。
例如,技术人员可以在服务端中输入用于在数据推荐模型中卸载第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模型的卸载请求,服务端接收该该卸载请求;根据该卸载请求在数据推荐模型中卸载第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模块;设置数据推荐模型中的剩余的模块之间的连接关系。
例如,假设在包括如图3所示的网络结构的数据推荐模型删除了第二注意力模块,则可以将行为序列模块的输出端直接连接至激活函数的输入端。
或者,假设在包括如图3所示的网络结构的数据推荐模型删除了时间序列模块,则可以将第一注意力模块的输出端直接连接至行为序列模块的输入端。
之后如果临时有需求有需要使用某一个模块,则可以重新在数据推荐模型中加载该模块。
例如,技术人员可以在服务端中输入接收用于在数据推荐模型中添加第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模型的添加请求,服务端接收该添加请求;
根据该添加请求请求在数据推荐模型中添加第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模块;
设置数据推荐模型中的模块之间的连接关系。
例如,假设在包括如图8所示的网络结构的数据推荐模型添加行为序列模块,则可以将时间序列模块的输出端连接至行为序列模块的的输入端。将行为序列模块的输出端连接激活函数的输入端。
通过本申请,仅需要存储一个数据推荐模型,从而可以节省服务端的存储空间,以及通过支持根据卸载请求实时在数据推荐莫模型中卸载不需要使用的模块以及通过支持根据添加请求实时在数据推荐模型中添加需要使用的模块,使得可以实时改变数据推荐模型的网络结构,使得数据推荐模型可以符合多种实际需求。
通过本申请,数据推荐模型中的任意一个模块都是插拔的,例如,根据实际需求来在数据推荐模型中***某一模块或者卸载某一模块,从而使得数据推荐模型可以动态地满足各个实际需求,例如,根据业务场景动态增减数据推荐模型中的模块,可以使得数据推荐模型可以动态地适用于各种业务场景,以提高在各个业务场景下的推荐效果,例如推荐的精准度等。
需要说明的是,对于方法实施例,为了简单描述,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,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。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可选实施例,所涉及的动作并不一定是本申请所必须的。
图29是根据一示例性实施例示出的一种模型构建装置的装置的框图,如图29所示,该装置包括:
第一获取单元11,用于获取第一样本数据集;
构建单元12,用于构建数据推荐模型的网络结构;
训练单元13,用于根据第一样本数据集对数据推荐模型中的网络参数进行训练,直至所述网络参数收敛,得到所述数据推荐模型;
其中,所述第一样本数据集包括:
样本用户在第一样本时间段内操控过的多个第一样本数据的第一样本特征;所述样本用户在第二样本时间段内操控过的至少一个第二样本数据的第二样本特征;多个样本候选数据的样本候选特征;所述样本用户对样本候选数据的标注感兴趣程度。
在一个可选的实现方式中,所述第一样本数据集还包括:
所述第二样本时间段短于所述第一样本时间段,且所述第二样本时间段的结束时刻与所述第一样本时间段的结束时刻之间的距离小于所述第二样本时间段的结束时刻与所述第一样本时间段的起始时刻之间的距离。
在一个可选的实现方式中,所述第一获取单元包括:
第一获取子单元,用于获取第一样本数据的数据类型;
第一筛选子单元,用于在包括多个数据的数据集合中,筛选所述数据类型所对应的数据,作为所述样本候选数据。
在一个可选的实现方式中,第一获取单元包括:
第二获取子单元,用于获取所述样本用户在历史过程中操控所述样本候选数据的操控方式;根据所述操控方式确定所述样本用户对所述样本候选数据的标注感兴趣程度;
或者,
第三获取子单元,用于获取所述样本用户在历史过程中操控与所述样本候选数据的属于同一数据类型的数据的操控方式;根据操控同一数据类型的数据的操控方式确定所述样本用户对所述样本候选数据的标注感兴趣程度。
在一个可选的实现方式中,操控方式至少包括:
浏览、点击进入详情页、收藏、分享、加入购物车、购买、咨询以及评论。
在一个可选的实现方式中,所述网络结构包括:
至少一个激活函数、相似度计算层以及归一化层;
所述激活函数用于对所述第一样本特征、所述第二样本特征以及全局样本特征进行激活处理,得到聚合特征;所述全局样本特征包括多个第一样本特征之间的平均特征;
所述相似度计算层用于计算所述聚合特征与所述样本候选特征之间的特征相似度;
所述归一化层用于将所述聚合特征与所述样本候选特征之间的特征相似度转换所述样本用户对所述样本候选数据感兴趣的程度。
在一个可选的实现方式中,所述网络结构还包括:
第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块;
所述第一注意力模块用于根据所述全局样本特征对所述第一样本特征进行全局扩展,得到所述第一样本特征对应的全局扩展特征;
所述时间序列模块用于将所述多个全局扩展特征按照所述样本用户在历史过程中操控第一样本数据的操控时刻由晚至早的顺序排序,并将多个全局扩展特征按照对应的第一样本数据的排序的顺序聚类,得到多个第一样本特征集合;
所述行为序列模块用于将第一样本特征集合中的全局扩展特征按照所述样本用户在历史过程中操控第一样本数据的操控方式聚类,得到第一样本特征集合中的多个操控方式分别对应的第二样本特征集合;
所述第二注意力模块用于根据所述第二样本特征对所述全局扩展特征进行瞬时扩展,得到全局扩展特征对应的瞬时扩展特征。
在一个可选的实现方式中,所述网络结构还包括:
第一注意力模块以及第二注意力模块;
所述第一注意力模块用于根据所述全局样本特征对第一样本特征进行全局扩展,得到第一样本特征对应的全局扩展特征;
所述第二注意力模块用于根据所述第二样本特征对所述全局扩展特征进行瞬时扩展,得到全局扩展特征对应的瞬时扩展特征。
在一个可选的实现方式中,所述网络结构还包括:
第一注意力模块;
所述第一注意力模块用于根据所述全局样本特征对第一样本特征进行全局扩展,得到第一样本特征对应的全局扩展特征。
在一个可选的实现方式中,所述网络结构还包括:
第二注意力模块;
所述第二注意力模块用于根据所述第二样本特征对所述第一样本特征进行瞬时扩展,得到第一样本特征对应的瞬时扩展特征。
在一个可选的实现方式中,所述网络结构还包括:
时间序列模块以及行为序列模块;
所述时间序列模块用于将所述多个第一样本特征按照所述样本用户在历史过程中操控第一样本数据的操控时刻由晚至早的顺序排序,并将多个第一样本特征按照对应的第一样本数据的排序的顺序聚类,得到多个第一样本特征集合;
所述行为序列模块用于将第一样本特征集合中的第一样本特征按照所述样本用户在历史过程中操控第一样本数据的操控方式聚类,得到第一样本特征集合中的多个操控方式分别对应的第二样本特征集合。
在一个可选的实现方式中,所述网络结构还包括:
时间序列模块;
所述时间序列模块用于将所述多个第一样本特征按照所述样本用户在历史过程中操控第一样本数据的操控时刻由晚至早的顺序排序,并将多个第一样本特征按照对应的第一样本数据的排序的顺序聚类,得到多个第一样本特征集合。
在一个可选的实现方式中,所述网络结构还包括:
行为序列模块;
所述行为序列模块用于将所述多个第一样本特征按照所述样本用户在历史过程中操控第一样本数据的操控方式聚类,得到多个操控方式分别对应的第二特征集合。
在一个可选的实现方式中,所述构建单元包括:
第一确定子单元,用于确定所述数据推荐模型所应用的至少一个业务场景;
构建子单元,用于对于每一个业务场景,构建数据推荐模型的适用于所述业务场景的网络结构。
在一个可选的实现方式中,所述构建子单元具体用于:
在第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模型中的至少一个模块中,确定所述数据推荐模型应用在所述业务场景时所适用的模块;构建包括确定出的模块的数据推荐模型的网络结构。
在一个可选的实现方式中,所述构建子单元具体用于:
在业务场景与模块标识之间的对应关系中,查找与所述业务场景相对应的模块标识;将所述模块标识所对应的模块确定为所述数据推荐模型应用在所述业务场景时所适用的模块。
在一个可选的实现方式中,业务场景至少包括:
搜索场景、广告推荐场景、数据推荐场景、文本推荐场景、多媒体文件推荐场景以及行驶路线推荐场景。
在本申请中,在用户操控数据的过程中,用户的操控方式具有一定延续性,且用户操控的数据往往是用户感兴趣的数据。
例如,刚刚操控过什么数据,则往往说明用户对刚刚操控过的数据感兴趣,且在下一刻时用户感兴趣的数据往往与用户刚刚操控过的数据相关,例如,在下一刻时用户感兴趣的数据往往是与用户刚刚操控过的数据的种类相同或相似的数据。
例如,假设用户需要购买手机,用户在网络上浏览各种手机的详情,用户刚刚浏览过手机,则下一刻用户往往也会浏览手机,也即,用户在下一时刻也对手机比较感兴趣,而通常用户不会突然对与手机相关度非常低的数据感兴趣,因此,可以向用户推荐浏览过的同一品牌的手机或者相似型号的手机等。
如此,通过本申请的方式构建的数据推荐模型,可以支持:即使用户未登录服务端,如果用户操控过服务端的数据,服务端可以使用数据推荐模型,以结合用户在历史过程中长时间内操控过的多个数据的特征以及用户最近操控过的数据的特征来确定用户感兴趣的数据,也即,结合用户长时间内的持续兴趣以及短时间内的瞬时兴趣,可以提高确定出的数据事实上的确为用户感兴趣的数据的可能性,也即,可以提高推荐的数据的精准度,进而可以提高推荐的转化率,以及提高用户体验。
图30是根据一示例性实施例示出的一种数据推荐装置的装置的框图,如图30所示,该装置包括:
第二获取单元21,用于获取数据获取请求;所述数据获取请求至少携带使用所述客户端的用户的用户标识;
第一发送单元22,用于向服务端发送所述数据获取请求;
第一接收单元23,用于接收所述服务端根据所述数据获取请求返回的、所述用户感兴趣的第三数据;所述第三数据是所述服务端根据所述用户在第一时间段内操控过的多个第一数据的第一特征、所述用户在第二时间段内操控过的至少一个第二数据的第二特征以及数据推荐模型在多个候选数据中查找的;
显示单元24,用于显示所述第三数据。
在一个可选的实现方式中,所述第二时间段短于所述第一时间段,且所述第二时间段的结束时刻与所述第一时间段的结束时刻之间的距离小于所述第二时间段的结束时刻与所述第一时间段的起始时刻之间的距离;
在一个可选的实现方式中,所述第三数据为多个;
所述装置还包括:
第二接收单元,用于接收所述服务端返回的、所述用户对第三数据的感兴趣的程度;
所述显示单元具体用于:基于所述用户对第三数据的感兴趣的程度由高至低的顺序,将第三数据排序显示。
在一个可选的实现方式中,还包括:
第一生成单元,用于在显示所述第三数据之后的预设时长内,如果所述用户未对所述第三数据进行操控,则生成第一指示信息,所述第一指示信息用于指示在所述客户端显示所述第三数据之后的预设时长内所述用户未对所述第三数据进行操控;
第二发送单元,用于向所述服务端发送所述第一指示信息,以使所述服务端根据所述第一指示信息对所述数据推荐模型进行更新。
在一个可选的实现方式中,还包括:
第三获取单元,用于在显示所述第三数据之后的预设时长内,如果所述用户对所述第三数据进行了操控,则获取所述用户对所述第三数据进行操控的操控方式;
第二生成单元,用于生成第二指示信息,所述第二指示信息用于指示在所述客户端显示所述第三数据之后的预设时长内所述用户以所述操控方式对所述第三数据进行了操控;
第三发送单元,用于向所述服务端发送所述第二指示信息,以使所述服务端根据所述第二指示信息对所述数据推荐模型进行更新。
在一个可选的实现方式中,操控方式至少包括:
浏览、点击进入详情页、收藏、分享、加入购物车、购买、咨询以及评论。
在本申请中,在用户操控数据的过程中,用户的操控方式具有一定延续性,且用户操控的数据往往是用户感兴趣的数据。
例如,刚刚操控过什么数据,则往往说明用户对刚刚操控过的数据感兴趣,且在下一刻时用户感兴趣的数据往往与用户刚刚操控过的数据相关,例如,在下一刻时用户感兴趣的数据往往是与用户刚刚操控过的数据的种类相同或相似的数据。
例如,假设用户需要购买手机,用户在网络上浏览各种手机的详情,用户刚刚浏览过手机,则下一刻用户往往也会浏览手机,也即,用户在下一时刻也对手机比较感兴趣,而通常用户不会突然对与手机相关度非常低的数据感兴趣,因此,可以向用户推荐浏览过的同一品牌的手机或者相似型号的手机等。
如此,即使用户未登录服务端,如果用户操控过服务端的数据,服务端即可结合用户在历史过程中长时间内操控过的多个数据的特征以及用户最近操控过的数据的特征来确定用户感兴趣的数据,也即,结合用户长时间内的持续兴趣以及短时间内的瞬时兴趣,可以提高确定出的数据事实上的确为用户感兴趣的数据的可能性,也即,可以提高推荐的数据的精准度,进而可以提高推荐的转化率,以及提高用户体验。
图31是根据一示例性实施例示出的一种数据推荐装置的装置的框图,如图31所示,该装置包括:
第二接收单元31,用于接收客户端发送的数据获取请求,所述数据获取请求至少携带使用所述客户端的用户的用户标识;
第四获取单元32,用于根据所述用户标识获取所述用户在第一时间段内操控过的多个第一数据的第一特征;以及,获取所述用户在第二时间段内操控过的至少一个第二数据的第二特征;
第五获取单元33,用于获取多个候选数据;
查找单元34,用于基于第一数据的第一特征、第二数据的第二特征以及数据推荐模型在多个候选数据中查找所述用户感兴趣的第三数据;
第四发送单元35,用于向所述客户端发送所述第三数据。
在一个可选的实现方式中,所述第二时间段短于所述第一时间段,且所述第二时间段的结束时刻与所述第一时间段的结束时刻之间的距离小于所述第二时间段的结束时刻与所述第一时间段的起始时刻之间的距离;
在一个可选的实现方式中,还包括:
第三接收单元,用于接收所述客户端发送的第一指示信息,所述第一指示信息用于指示在所述客户端显示所述第三数据之后的预设时长内所述用户未对所述第三数据进行操控;
第一确定单元,用于根据所述第一指示信息确定所述用户对所述第三数据的感兴趣程度;
第六获取单元,用于获取所述第三数据的第三特征;
第一更新单元,用于根据第一数据的第一特征、第二数据的第二特征、第三数据的第三特征以及所述用户对所述第三数据的感兴趣程度,对所述数据推荐模型进行更新。
在一个可选的实现方式中,还包括:
第四接收单元,用于接收所述客户端发送的第二指示信息,所述第二指示信息用于指示在所述客户端显示所述第三数据之后的预设时长内所述用户以所述操控方式对所述第三数据进行了操控;
第二确定单元,用于根据所述操控方式确定所述用户对所述第三数据的感兴趣程度;
第七获取单元,用于获取所述第三数据的第三特征;
第二更新单元,用于根据第一数据的第一特征、第二数据的第二特征、第三数据的第三特征以及所述用户对所述第三数据的感兴趣程度,对所述数据推荐模型进行更新。
在一个可选的实现方式中,操控方式至少包括:
浏览、点击进入详情页收藏、分享、加入购物车、购买、咨询以及评论。
在一个可选的实现方式中,所述第五获取单元包括:
第四获取子单元,用于获取第一数据的数据类型;
第二筛选子单元,用于在包括多个数据的数据集合中,筛选所述数据类型所对应的数据,作为所述候选数据。
在一个可选的实现方式中,所述查找单元包括:
第五获取子单元,用于根据第一特征获取所述多个第一数据的全局特征;
激活子单元,用于基于数据推荐模型中的至少一个激活函数对第一数据的第一特征、第二数据的第二特征以及全局特征进行激活处理,得到聚合特征;
计算子单元,用于基于数据推荐模型中的相似度计算层计算所述聚合特征与候选数据的候选特征之间的特征相似度;
转换子单元,用于基于数据推荐模型中的归一化层将所述聚合特征与候选数据的候选特征之间的特征相似度转换所述用户对候选数据感兴趣的程度;
第二确定子单元,用于在所述多个候选数据中,将所述用户感兴趣的程度最高的预设数量个候选数据确定为所述第三数据。
在一个可选的实现方式中,所述查找单元还包括:
第一扩展子单元,用于基于数据推荐模型中的第一注意力模块和所述全局特征对第一特征进行扩展,得到第一特征对应的全局扩展特征;
第一聚类子单元,用于基于数据推荐模型中的时间序列模块获取所述用户在历史过程中操控第一数据的操控时刻,将所述多个第一数据按照操控时刻由晚至早的顺序排序,将多个全局扩展特征按照对应的第一数据的排序的顺序聚类,得到多个第一特征集合;
第二聚类子单元,用于基于数据推荐模型中的行为序列模块获取所述用户在历史过程中分别操控第一数据的操控方式,将第一特征集合中的全局扩展特征按照所述用户在历史过程中操控第一数据的操控方式聚类,得到第一特征集合中的多个操控方式分别对应的第二特征集合;
第二扩展子单元,用于基于数据推荐模型中的基于第二注意力模块和第二特征对第二特征集合中的全局扩展特征进行扩展,得到全局扩展特征对应的瞬时扩展特征;
所述激活子单元具体用于:基于数据推荐模型中的激活函数对所述全局特征、瞬时扩展特征以及第二特征进行激活处理,得到聚合特征。
在一个可选的实现方式中,所述查找单元还包括:
第三扩展子单元,用于基于数据推荐模型中的第一注意力模块和所述全局特征对第一特征分别进行扩展,得到第一特征对应的全局扩展特征;
第四扩展子单元,用于基于数据推荐模型中的基于第二注意力模块和第二特征对全局扩展特征进行扩展,得到全局扩展特征对应的瞬时扩展特征;
所述激活子单元具体用于:基于数据推荐模型中的激活函数对所述全局特征、瞬时扩展特征以及第二特征进行激活处理,得到聚合特征。
在一个可选的实现方式中,所述查找单元还包括:
第五扩展子单元,用于基于数据推荐模型中的第一注意力模块和所述全局特征分别对第一特征分别进行扩展,得到第一特征对应的全局扩展特征;
所述激活子单元具体用于:基于数据推荐模型中的激活函数对所述全局特征、全局扩展特征以及第二特征进行激活处理,得到聚合特征。
在一个可选的实现方式中,所述查找单元还包括:
第六扩展子单元,用于基于数据推荐模型中的第二注意力模块和第二特征对第一特征分别进行扩展,得到第一特征对应的瞬时扩展特征;
所述激活子单元具体用于:基于数据推荐模型中的激活函数对所述全局特征、瞬时扩展特征以及第二特征进行激活处理,得到聚合特征。
在一个可选的实现方式中,所述查找单元还包括:
第三聚类子单元,用于基于数据推荐模型中的时间序列模块获取所述用户在历史过程中操控第一数据的操控时刻,将所述多个第一数据按照操控时刻由晚至早的顺序排序,将多个第一特征按照对应的第一数据的排序的顺序聚类,得到多个第一特征集合;
第四聚类子单元,用于基于数据推荐模型中的行为序列模块获取所述用户在历史过程中操控第一数据的操控方式,将第一特征集合中的第一数据按照所述用户在历史过程中操控第一数据的操控方式聚类,得到第一特征集合中的多个操控方式分别对应的第二特征集合;
所述激活子单元具体用于:基于数据推荐模型中的激活函数对第二特征集合、第二特征以及全局特征激活处理,得到聚合特征。
在一个可选的实现方式中,所述查找单元还包括:
第五聚类子单元,用于基于数据推荐模型中的时间序列模块获取所述用户在历史过程中操控第一数据的操控时刻,将所述多个第一数据按照操控时刻由晚至早的顺序排序,将多个第一特征按照对应的第一数据的排序的顺序聚类,得到多个第一特征集合;
所述激活子单元具体用于:基于数据推荐模型中的激活函数对第一特征集合、第二特征以及全局特征激活处理,得到聚合特征。
在一个可选的实现方式中,所述查找单元还包括:
第六聚类子单元,用于基于数据推荐模型中的行为序列模块获取所述用户在历史过程中操控第一数据的操控方式;将多个第一特征按照所述用户在历史过程中操控第一数据的操控方式聚类,得到多个操控方式分别对应的第二特征集合;
所述激活子单元具体用于:基于数据推荐模型中的激活函数对第二特征集合、第二特征以及全局特征激活处理,得到聚合特征。
在一个可选的实现方式中,所述第三数据为多个;
还包括:
第五发送单元,用于向所述客户端发送所述用户对第三数据的感兴趣的程度,以使所述客户端基于所述用户对第三数据的感兴趣的程度由高至低的顺序,将多个第三数据排序显示。
在一个可选的实现方式中,所述数据推荐模型为多个,不同的数据推荐模型包括的网络结构不全相同;
所述查找单元包括:
第三确定子单元,用于确定所述数据获取请求所应用的当前业务场景;
选择子单元,用于在多个数据推荐模型中,选择包括适用于所述当前业务场景的网络结构的数据推荐模型;
查找子单元,用于基于第一数据的第一特征、第二数据的第二特征以及选择的数据推荐模型,在多个候选数据中查找所述用户感兴趣的第三数据。
在一个可选的实现方式中,所述选择子单元具体用于:
在第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模型中的至少一个模块中,确定在所述当前业务场景中时适用的模块;在多个数据推荐模型中,选择包括确定出的模块的数据推荐模型。
在一个可选的实现方式中,所述选择子单元具体用于:
在业务场景与模块标识之间的对应关系中,查找与所述当前业务场景相对应的模块标识;将所述模块标识所对应的模块确定在所述当前业务场景中时适用的模块。
在一个可选的实现方式中,业务场景至少包括:
搜索场景、广告推荐场景、数据推荐场景、文本推荐场景、多媒体文件推荐场景以及行驶路线推荐场景。
在一个可选的实现方式中,还包括:
第五接收单元,用于接收用于在所述数据推荐模型中卸载第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模块的卸载请求;
卸载单元,用于根据所述卸载请求在所述数据推荐模型中卸载第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模块;
第一设置单元,用于设置所述数据推荐模型中的剩余的模块之间的连接关系。
在一个可选的实现方式中,还包括:
第六接收单元,用于接收用于在所述数据推荐模型中添加第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模块的添加请求;
添加单元,用于根据所述添加请求在所述数据推荐模型中添加第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模块;
第二设置单元,用于设置所述数据推荐模型中的模型之间的连接关系。
在本申请中,在用户操控数据的过程中,用户的操控方式具有一定延续性,且用户操控的数据往往是用户感兴趣的数据。
例如,刚刚操控过什么数据,则往往说明用户对刚刚操控过的数据感兴趣,且在下一刻时用户感兴趣的数据往往与用户刚刚操控过的数据相关,例如,在下一刻时用户感兴趣的数据往往是与用户刚刚操控过的数据的种类相同或相似的数据。
例如,假设用户需要购买手机,用户在网络上浏览各种手机的详情,用户刚刚浏览过手机,则下一刻用户往往也会浏览手机,也即,用户在下一时刻也对手机比较感兴趣,而通常用户不会突然对与手机相关度非常低的数据感兴趣,因此,可以向用户推荐浏览过的同一品牌的手机或者相似型号的手机等。
如此,即使用户未登录服务端,如果用户操控过服务端的数据,服务端即可结合用户在历史过程中长时间内操控过的多个数据的特征以及用户最近操控过的数据的特征来确定用户感兴趣的数据,也即,结合用户长时间内的持续兴趣以及短时间内的瞬时兴趣,可以提高确定出的数据事实上的确为用户感兴趣的数据的可能性,也即,可以提高推荐的数据的精准度,进而可以提高推荐的转化率,以及提高用户体验。
本申请实施例还提供了一种非易失性可读存储介质,该存储介质中存储有一个或多个模块(programs),该一个或多个模块被应用在设备时,可以使得该设备执行本申请实施例中各方法步骤的指令(instructions)。
本申请实施例提供了一个或多个机器可读介质,其上存储有指令,当由一个或多个处理器执行时,使得电子设备执行如上述实施例中一个或多个的对象推荐方法。本申请实施例中,电子设备包括服务器、网关、子设备等,子设备为物联网设备等设备。
本公开的实施例可被实现为使用任意适当的硬件,固件,软件,或及其任意组合进行想要的配置的装置,该装置可包括服务器(集群)、终端设备如IoT设备等电子设备。
图32示意性地示出了可被用于实现本申请中的各个实施例的示例性装置1300。
对于一个实施例,图32示出了示例性装置1300,该装置具有一个或多个处理器1302、被耦合到(一个或多个)处理器1302中的至少一个的控制模块(芯片组)1304、被耦合到控制模块1304的存储器1306、被耦合到控制模块1304的非易失性存储器(NVM)/存储设备1308、被耦合到控制模块1304的一个或多个输入/输出设备1310,以及被耦合到控制模块1306的网络接口1312。
处理器1302可包括一个或多个单核或多核处理器,处理器1302可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。在一些实施例中,装置1300能够作为本申请实施例中网关或控制器等服务器设备。
在一些实施例中,装置1300可包括具有指令1314的一个或多个计算机可读介质(例如,存储器1306或NVM/存储设备1308)以及与该一个或多个计算机可读介质相合并被配置为执行指令1314以实现模块从而执行本公开中的动作的一个或多个处理器1302。
对于一个实施例,控制模块1304可包括任意适当的接口控制器,以向(一个或多个)处理器1302中的至少一个和/或与控制模块1304通信的任意适当的设备或组件提供任意适当的接口。
控制模块1304可包括存储器控制器模块,以向存储器1306提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器1306可被用于例如为装置1300加载和存储数据和/或指令1314。对于一个实施例,存储器1306可包括任意适当的易失性存储器,例如,适当的DRAM。在一些实施例中,存储器1306可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例,控制模块1304可包括一个或多个输入/输出控制器,以向NVM/存储设备1308及(一个或多个)输入/输出设备1310提供接口。
例如,NVM/存储设备1308可被用于存储数据和/或指令1314。NVM/存储设备1308可包括任意适当的非易失性存储器(例如,闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如,一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。
NVM/存储设备1308可包括在物理上作为装置1300被安装在其上的设备的一部分的存储资源,或者其可被该设备访问可不必作为该设备的一部分。例如,NVM/存储设备1308可通过网络经由(一个或多个)输入/输出设备1310进行访问。
(一个或多个)输入/输出设备1310可为装置1300提供接口以与任意其他适当的设备通信,输入/输出设备1310可以包括通信组件、音频组件、传感器组件等。网络接口1312可为装置1300提供接口以通过一个或多个网络通信,装置1300可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信,例如接入基于通信标准的无线网络,如WiFi、2G、3G、4G、5G等,或它们的组合进行无线通信。
对于一个实施例,(一个或多个)处理器1302中的至少一个可与控制模块1304的一个或多个控制器(例如,存储器控制器模块)的逻辑封装在一起。对于一个实施例,(一个或多个)处理器1302中的至少一个可与控制模块1304的一个或多个控制器的逻辑封装在一起以形成***级封装(SiP)。对于一个实施例,(一个或多个)处理器1302中的至少一个可与控制模块1304的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例,(一个或多个)处理器1302中的至少一个可与控制模块1304的一个或多个控制器的逻辑集成在同一模具上以形成片上***(SoC)。
在各个实施例中,装置1300可以但不限于是:服务器、台式计算设备或移动计算设备(例如,膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中,装置1300可具有更多或更少的组件和/或不同的架构。例如,在一些实施例中,装置1300包括一个或多个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
本申请实施例提供了一种电子设备,包括:一个或多个处理器;和,其上存储有指令的一个或多个机器可读介质,当由一个或多个处理器执行时,使得处理器执行如本申请实施例中一个或多个的数据推荐方法。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本申请实施例是参照根据本申请实施例的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种数据推荐方法装置,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本申请的限制。
Claims (48)
1.一种模型构建方法,包括:
获取第一样本数据集;
构建数据推荐模型的网络结构;
根据第一样本数据集对数据推荐模型中的网络参数进行训练,直至所述网络参数收敛,得到所述数据推荐模型;
其中,所述第一样本数据集包括:
样本用户在第一样本时间段内操控过的多个第一样本数据的第一样本特征;所述样本用户在第二样本时间段内操控过的至少一个第二样本数据的第二样本特征;多个样本候选数据的样本候选特征;所述样本用户对样本候选数据的标注感兴趣程度;
所述第二样本时间段短于所述第一样本时间段,且所述第二样本时间段的结束时刻与所述第一样本时间段的结束时刻之间的距离小于所述第二样本时间段的结束时刻与所述第一样本时间段的起始时刻之间的距离;
对第一样本数据操控的操控方式以及对第二样本数据操控的操控方式至少包括:浏览、点击进入详情页收藏、分享、加入购物车、购买、咨询以及评论;
所述网络结构包括:
至少一个激活函数、相似度计算层以及归一化层;
所述激活函数用于对所述第一样本特征、所述第二样本特征以及全局样本特征进行激活处理,得到聚合特征;所述全局样本特征包括多个第一样本特征之间的平均特征;
所述相似度计算层用于计算所述聚合特征与所述样本候选特征之间的特征相似度;
所述归一化层用于将所述聚合特征与所述样本候选特征之间的特征相似度转换所述样本用户对所述样本候选数据感兴趣的程度;
所述网络结构还包括:行为序列模块;
所述行为序列模块用于将所述多个第一样本特征按照所述样本用户在历史过程中操控第一样本数据的操控方式聚类,得到多个操控方式分别对应的第二特征集合;
相应地,所述激活函数具体用于:对所述第二特征集合、所述第二样本特征以及全局样本特征进行激活处理,得到聚合特征。
2.根据权利要求1所述的方法,所述样本候选数据的获取方式,包括:
获取第一样本数据的数据类型;
在包括多个数据的数据集合中,筛选所述数据类型所对应的数据,作为所述样本候选数据。
3.根据权利要求1所述的方法,获取所述样本用户对样本候选数据的标注感兴趣程度的方式,包括:
获取所述样本用户在历史过程中操控所述样本候选数据的操控方式;根据所述操控方式确定所述样本用户对所述样本候选数据的标注感兴趣程度;
或者,
获取所述样本用户在历史过程中操控与所述样本候选数据的属于同一数据类型的数据的操控方式;根据操控同一数据类型的数据的操控方式确定所述样本用户对所述样本候选数据的标注感兴趣程度。
4.根据权利要求3所述的方法,操控所述样本候选数据的操控方式至少包括:
浏览、点击进入详情页、收藏、分享、加入购物车、购买、咨询以及评论。
5.根据权利要求1所述的方法,所述网络结构还包括:
第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块;
所述第一注意力模块用于根据所述全局样本特征对所述第一样本特征进行全局扩展,得到所述第一样本特征对应的全局扩展特征;
所述时间序列模块用于将所述多个全局扩展特征按照所述样本用户在历史过程中操控第一样本数据的操控时刻由晚至早的顺序排序,并将多个全局扩展特征按照对应的第一样本数据的排序的顺序聚类,得到多个第一样本特征集合;
所述行为序列模块用于将第一样本特征集合中的全局扩展特征按照所述样本用户在历史过程中操控第一样本数据的操控方式聚类,得到第一样本特征集合中的多个操控方式分别对应的第二样本特征集合;
所述第二注意力模块用于根据所述第二样本特征对所述全局扩展特征进行瞬时扩展,得到全局扩展特征对应的瞬时扩展特征。
6.根据权利要求1所述的方法,所述网络结构还包括:
第一注意力模块以及第二注意力模块;
所述第一注意力模块用于根据所述全局样本特征对第一样本特征进行全局扩展,得到第一样本特征对应的全局扩展特征;
所述第二注意力模块用于根据所述第二样本特征对所述全局扩展特征进行瞬时扩展,得到全局扩展特征对应的瞬时扩展特征。
7.根据权利要求1所述的方法,所述网络结构还包括:
第一注意力模块;
所述第一注意力模块用于根据所述全局样本特征对第一样本特征进行全局扩展,得到第一样本特征对应的全局扩展特征。
8.根据权利要求1所述的方法,所述网络结构还包括:
第二注意力模块;
所述第二注意力模块用于根据所述第二样本特征对所述第一样本特征进行瞬时扩展,得到第一样本特征对应的瞬时扩展特征。
9.根据权利要求1所述的方法,所述网络结构还包括:
时间序列模块以及行为序列模块;
所述时间序列模块用于将所述多个第一样本特征按照所述样本用户在历史过程中操控第一样本数据的操控时刻由晚至早的顺序排序,并将多个第一样本特征按照对应的第一样本数据的排序的顺序聚类,得到多个第一样本特征集合;
所述行为序列模块用于将第一样本特征集合中的第一样本特征按照所述样本用户在历史过程中操控第一样本数据的操控方式聚类,得到第一样本特征集合中的多个操控方式分别对应的第二样本特征集合。
10.根据权利要求1所述的方法,所述网络结构还包括:
时间序列模块;
所述时间序列模块用于将所述多个第一样本特征按照所述样本用户在历史过程中操控第一样本数据的操控时刻由晚至早的顺序排序,并将多个第一样本特征按照对应的第一样本数据的排序的顺序聚类,得到多个第一样本特征集合。
11.根据权利要求1所述的方法,所述构建数据推荐模型的网络结构,包括:
确定所述数据推荐模型所应用的至少一个业务场景;
对于每一个业务场景,构建数据推荐模型的适用于所述业务场景的网络结构。
12.根据权利要求11所述的方法,所述构建数据推荐模型的适用于所述业务场景的网络结构,包括:
在第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模型中的至少一个模块中,确定所述数据推荐模型应用在所述业务场景时所适用的模块;
构建包括确定出的模块的数据推荐模型的网络结构。
13.根据权利要求12所述的方法,所述在第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模型中的至少一个模块中,确定所述数据推荐模型应用在所述业务场景时所适用的模块,包括:
在业务场景与模块标识之间的对应关系中,查找与所述业务场景相对应的模块标识;
将所述模块标识所对应的模块确定为所述数据推荐模型应用在所述业务场景时所适用的模块。
14.根据权利要求11所述的方法,业务场景至少包括:
搜索场景、广告推荐场景、数据推荐场景、文本推荐场景、多媒体文件推荐场景以及行驶路线推荐场景。
15.一种数据推荐方法,应用于客户端,包括:
获取数据获取请求;所述数据获取请求至少携带使用所述客户端的用户的用户标识;
向服务端发送所述数据获取请求;
接收所述服务端根据所述数据获取请求返回的、所述用户感兴趣的第三数据;所述第三数据是所述服务端根据所述用户在第一时间段内操控过的多个第一数据的第一特征、所述用户在第二时间段内操控过的至少一个第二数据的第二特征以及数据推荐模型在多个候选数据中查找的;
显示所述第三数据;
所述第二时间段短于所述第一时间段,且所述第二时间段的结束时刻与所述第一时间段的结束时刻之间的距离小于所述第二时间段的结束时刻与所述第一时间段的起始时刻之间的距离;
对第一数据操控的操控方式以及对第二数据操控的操控方式至少包括:浏览、点击进入详情页收藏、分享、加入购物车、购买、咨询以及评论;
其中,根据第一数据的第一特征、第二数据的第二特征以及数据推荐模型在多个候选数据中查找所述用户感兴趣的第三数据,包括:
根据第一特征获取所述多个第一数据的全局特征;
基于数据推荐模型中的至少一个激活函数对第一数据的第一特征、第二数据的第二特征以及全局特征进行激活处理,得到聚合特征;
基于数据推荐模型中的相似度计算层计算所述聚合特征与候选数据的候选特征之间的特征相似度;
基于数据推荐模型中的归一化层将所述聚合特征与候选数据的候选特征之间的特征相似度转换所述用户对候选数据感兴趣的程度;
在所述多个候选数据中,将所述用户感兴趣的程度最高的预设数量个候选数据确定为所述第三数据;
还包括:
基于数据推荐模型中的行为序列模块获取所述用户在历史过程中操控第一数据的操控方式;将多个第一特征按照所述用户在历史过程中操控第一数据的操控方式聚类,得到多个操控方式分别对应的第二特征集合;
基于数据推荐模型中的至少一个激活函数对第一数据的第一特征、第二数据的第二特征以及全局特征进行激活处理,得到聚合特征,包括:
基于数据推荐模型中的激活函数对第二特征集合、第二特征以及全局特征激活处理,得到聚合特征。
16.根据权利要求15所述的方法,所述第三数据为多个;
所述方法还包括:
接收所述服务端返回的、所述用户对第三数据的感兴趣的程度;
所述显示所述第三数据,包括:
基于所述用户对第三数据的感兴趣的程度由高至低的顺序,将第三数据排序显示。
17.根据权利要求15所述的方法,还包括:
在显示所述第三数据之后的预设时长内,如果所述用户未对所述第三数据进行操控,则生成第一指示信息,所述第一指示信息用于指示在所述客户端显示所述第三数据之后的预设时长内所述用户未对所述第三数据进行操控;
向所述服务端发送所述第一指示信息,以使所述服务端根据所述第一指示信息对所述数据推荐模型进行更新。
18.根据权利要求15所述的方法,还包括:
在显示所述第三数据之后的预设时长内,如果所述用户对所述第三数据进行了操控,则获取所述用户对所述第三数据进行操控的操控方式;
生成第二指示信息,所述第二指示信息用于指示在所述客户端显示所述第三数据之后的预设时长内所述用户以所述操控方式对所述第三数据进行了操控;
向所述服务端发送所述第二指示信息,以使所述服务端根据所述第二指示信息对所述数据推荐模型进行更新。
19.根据权利要求18所述的方法,操控第三数据的操控方式至少包括:
浏览、点击进入详情页、收藏、分享、加入购物车、购买、咨询以及评论。
20.一种数据推荐方法,应用于服务端,包括:
接收客户端发送的数据获取请求,所述数据获取请求至少携带使用所述客户端的用户的用户标识;
根据所述用户标识获取所述用户在第一时间段内操控过的多个第一数据的第一特征;以及,获取所述用户在第二时间段内操控过的至少一个第二数据的第二特征;
获取多个候选数据;
基于第一数据的第一特征、第二数据的第二特征以及数据推荐模型在多个候选数据中查找所述用户感兴趣的第三数据;
向所述客户端发送所述第三数据;
所述第二时间段短于所述第一时间段,且所述第二时间段的结束时刻与所述第一时间段的结束时刻之间的距离小于所述第二时间段的结束时刻与所述第一时间段的起始时刻之间的距离;
对第一数据操控的操控方式以及对第二数据操控的操控方式至少包括:浏览、点击进入详情页收藏、分享、加入购物车、购买、咨询以及评论;
所述基于第一数据的第一特征、第二数据的第二特征以及数据推荐模型在多个候选数据中查找所述用户感兴趣的第三数据,包括:
根据第一特征获取所述多个第一数据的全局特征;
基于数据推荐模型中的至少一个激活函数对第一数据的第一特征、第二数据的第二特征以及全局特征进行激活处理,得到聚合特征;
基于数据推荐模型中的相似度计算层计算所述聚合特征与候选数据的候选特征之间的特征相似度;
基于数据推荐模型中的归一化层将所述聚合特征与候选数据的候选特征之间的特征相似度转换所述用户对候选数据感兴趣的程度;
在所述多个候选数据中,将所述用户感兴趣的程度最高的预设数量个候选数据确定为所述第三数据;
还包括:
基于数据推荐模型中的行为序列模块获取所述用户在历史过程中操控第一数据的操控方式;将多个第一特征按照所述用户在历史过程中操控第一数据的操控方式聚类,得到多个操控方式分别对应的第二特征集合;
基于数据推荐模型中的至少一个激活函数对第一数据的第一特征、第二数据的第二特征以及全局特征进行激活处理,得到聚合特征,包括:
基于数据推荐模型中的激活函数对第二特征集合、第二特征以及全局特征激活处理,得到聚合特征。
21.根据权利要求20所述的方法,还包括:
接收所述客户端发送的第一指示信息,所述第一指示信息用于指示在所述客户端显示所述第三数据之后的预设时长内所述用户未对所述第三数据进行操控;
根据所述第一指示信息确定所述用户对所述第三数据的感兴趣程度;
获取所述第三数据的第三特征;
根据第一数据的第一特征、第二数据的第二特征、第三数据的第三特征以及所述用户对所述第三数据的感兴趣程度,对所述数据推荐模型进行更新。
22.根据权利要求20所述的方法,还包括:
接收所述客户端发送的第二指示信息,所述第二指示信息用于指示在所述客户端显示所述第三数据之后的预设时长内所述用户以操控方式对所述第三数据进行了操控;
根据所述操控方式确定所述用户对所述第三数据的感兴趣程度;
获取所述第三数据的第三特征;
根据第一数据的第一特征、第二数据的第二特征、第三数据的第三特征以及所述用户对所述第三数据的感兴趣程度,对所述数据推荐模型进行更新。
23.根据权利要求22所述的方法,操控第三数据的操控方式至少包括:
浏览、点击进入详情页收藏、分享、加入购物车、购买、咨询以及评论。
24.根据权利要求20所述的方法,所述获取多个候选数据,包括:
获取第一数据的数据类型;
在包括多个数据的数据集合中,筛选所述数据类型所对应的数据,作为所述候选数据。
25.根据权利要求20所述的方法,还包括:
基于数据推荐模型中的第一注意力模块和所述全局特征对第一特征进行扩展,得到第一特征对应的全局扩展特征;
基于数据推荐模型中的时间序列模块获取所述用户在历史过程中操控第一数据的操控时刻,将所述多个第一数据按照操控时刻由晚至早的顺序排序,将多个全局扩展特征按照对应的第一数据的排序的顺序聚类,得到多个第一特征集合;
基于数据推荐模型中的行为序列模块获取所述用户在历史过程中分别操控第一数据的操控方式,将第一特征集合中的全局扩展特征按照所述用户在历史过程中操控第一数据的操控方式聚类,得到第一特征集合中的多个操控方式分别对应的第二特征集合;
基于数据推荐模型中的基于第二注意力模块和第二特征对第二特征集合中的全局扩展特征进行扩展,得到全局扩展特征对应的瞬时扩展特征;
基于数据推荐模型中的至少一个激活函数对第一数据的第一特征、第二数据的第二特征以及全局特征进行激活处理,得到聚合特征,包括:
基于数据推荐模型中的激活函数对所述全局特征、瞬时扩展特征以及第二特征进行激活处理,得到聚合特征。
26.根据权利要求20所述的方法,还包括:
基于数据推荐模型中的第一注意力模块和所述全局特征对第一特征分别进行扩展,得到第一特征对应的全局扩展特征;
基于数据推荐模型中的基于第二注意力模块和第二特征对全局扩展特征进行扩展,得到全局扩展特征对应的瞬时扩展特征;
基于数据推荐模型中的至少一个激活函数对第一数据的第一特征、第二数据的第二特征以及全局特征进行激活处理,得到聚合特征,包括:
基于数据推荐模型中的激活函数对所述全局特征、瞬时扩展特征以及第二特征进行激活处理,得到聚合特征。
27.根据权利要求20所述的方法,还包括:
基于数据推荐模型中的第一注意力模块和所述全局特征分别对第一特征分别进行扩展,得到第一特征对应的全局扩展特征;
基于数据推荐模型中的至少一个激活函数对第一数据的第一特征、第二数据的第二特征以及全局特征进行激活处理,得到聚合特征,包括:
基于数据推荐模型中的激活函数对所述全局特征、全局扩展特征以及第二特征进行激活处理,得到聚合特征。
28.根据权利要求20所述的方法,还包括:
基于数据推荐模型中的第二注意力模块和第二特征对第一特征分别进行扩展,得到第一特征对应的瞬时扩展特征;
基于数据推荐模型中的至少一个激活函数对第一数据的第一特征、第二数据的第二特征以及全局特征进行激活处理,得到聚合特征,包括:
基于数据推荐模型中的激活函数对所述全局特征、瞬时扩展特征以及第二特征进行激活处理,得到聚合特征。
29.根据权利要求20所述的方法,还包括:
基于数据推荐模型中的时间序列模块获取所述用户在历史过程中操控第一数据的操控时刻,将所述多个第一数据按照操控时刻由晚至早的顺序排序,将多个第一特征按照对应的第一数据的排序的顺序聚类,得到多个第一特征集合;
基于数据推荐模型中的行为序列模块获取所述用户在历史过程中操控第一数据的操控方式,将第一特征集合中的第一数据按照所述用户在历史过程中操控第一数据的操控方式聚类,得到第一特征集合中的多个操控方式分别对应的第二特征集合;
基于数据推荐模型中的至少一个激活函数对第一数据的第一特征、第二数据的第二特征以及全局特征进行激活处理,得到聚合特征,包括:
基于数据推荐模型中的激活函数对第二特征集合、第二特征以及全局特征激活处理,得到聚合特征。
30.根据权利要求20所述的方法,还包括:
基于数据推荐模型中的时间序列模块获取所述用户在历史过程中操控第一数据的操控时刻,将所述多个第一数据按照操控时刻由晚至早的顺序排序,将多个第一特征按照对应的第一数据的排序的顺序聚类,得到多个第一特征集合;
基于数据推荐模型中的至少一个激活函数对第一数据的第一特征、第二数据的第二特征以及全局特征进行激活处理,得到聚合特征,包括:
基于数据推荐模型中的激活函数对第一特征集合、第二特征以及全局特征激活处理,得到聚合特征。
31.根据权利要求20-30任一项所述的方法,所述第三数据为多个;
还包括:
向所述客户端发送所述用户对第三数据的感兴趣的程度,以使所述客户端基于所述用户对第三数据的感兴趣的程度由高至低的顺序,将多个第三数据排序显示。
32.根据权利要求20所述的方法,所述数据推荐模型为多个,不同的数据推荐模型包括的网络结构不全相同;
所述基于第一数据的第一特征、第二数据的第二特征以及数据推荐模型在多个候选数据中查找所述用户感兴趣的第三数据,包括:
确定所述数据获取请求所应用的当前业务场景;
在多个数据推荐模型中,选择包括适用于所述当前业务场景的网络结构的数据推荐模型;
基于第一数据的第一特征、第二数据的第二特征以及选择的数据推荐模型,在多个候选数据中查找所述用户感兴趣的第三数据。
33.根据权利要求32所述的方法,所述在多个数据推荐模型中,选择包括适用于所述当前业务场景的网络结构的数据推荐模型,包括:
在第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模型中的至少一个模块中,确定在所述当前业务场景中时适用的模块;
在多个数据推荐模型中,选择包括确定出的模块的数据推荐模型。
34.根据权利要求33所述的方法,所述在第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模型中的至少一个模块中,确定在所述当前业务场景中时适用的模块,包括:
在业务场景与模块标识之间的对应关系中,查找与所述当前业务场景相对应的模块标识;
将所述模块标识所对应的模块确定在所述当前业务场景中时适用的模块。
35.根据权利要求34所述的方法,业务场景至少包括:
搜索场景、广告推荐场景、数据推荐场景、文本推荐场景、多媒体文件推荐场景以及行驶路线推荐场景。
36.根据权利要求25所述的方法,还包括:
接收用于在所述数据推荐模型中卸载第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模块的卸载请求;
根据所述卸载请求在所述数据推荐模型中卸载第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模块;
设置所述数据推荐模型中的剩余的模块之间的连接关系。
37.根据权利要求25所述的方法,还包括:
接收用于在所述数据推荐模型中添加第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模块的添加请求;
根据所述添加请求在所述数据推荐模型中添加第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块中的至少一个模块;
设置所述数据推荐模型中的模型之间的连接关系。
38.一种模型构建装置,包括:
第一获取单元,用于获取第一样本数据集;
构建单元,用于构建数据推荐模型的网络结构;
训练单元,用于根据第一样本数据集对数据推荐模型中的网络参数进行训练,直至所述网络参数收敛,得到所述数据推荐模型;
其中,所述第一样本数据集包括:
样本用户在第一样本时间段内操控过的多个第一样本数据的第一样本特征;所述样本用户在第二样本时间段内操控过的至少一个第二样本数据的第二样本特征;多个样本候选数据的样本候选特征;所述样本用户对样本候选数据的标注感兴趣程度;
所述第二样本时间段短于所述第一样本时间段,且所述第二样本时间段的结束时刻与所述第一样本时间段的结束时刻之间的距离小于所述第二样本时间段的结束时刻与所述第一样本时间段的起始时刻之间的距离;
对第一样本数据操控的操控方式以及对第二样本数据操控的操控方式至少包括:浏览、点击进入详情页收藏、分享、加入购物车、购买、咨询以及评论;
所述网络结构包括:
至少一个激活函数、相似度计算层以及归一化层;
所述激活函数用于对所述第一样本特征、所述第二样本特征以及全局样本特征进行激活处理,得到聚合特征;所述全局样本特征包括多个第一样本特征之间的平均特征;
所述相似度计算层用于计算所述聚合特征与所述样本候选特征之间的特征相似度;
所述归一化层用于将所述聚合特征与所述样本候选特征之间的特征相似度转换所述样本用户对所述样本候选数据感兴趣的程度;
所述网络结构还包括:行为序列模块;
所述行为序列模块用于将所述多个第一样本特征按照所述样本用户在历史过程中操控第一样本数据的操控方式聚类,得到多个操控方式分别对应的第二特征集合;
相应地,所述激活函数具体用于:对所述第二特征集合、所述第二样本特征以及全局样本特征进行激活处理,得到聚合特征。
39.根据权利要求38所述的装置,所述网络结构还包括:
第一注意力模块、第二注意力模块、时间序列模块以及行为序列模块;
所述第一注意力模块用于根据所述全局样本特征对所述第一样本特征进行全局扩展,得到所述第一样本特征对应的全局扩展特征;
所述时间序列模块用于将所述多个全局扩展特征按照所述样本用户在历史过程中操控第一样本数据的操控时刻由晚至早的顺序排序,并将多个全局扩展特征按照对应的第一样本数据的排序的顺序聚类,得到多个第一样本特征集合;
所述行为序列模块用于将第一样本特征集合中的全局扩展特征按照所述样本用户在历史过程中操控第一样本数据的操控方式聚类,得到第一样本特征集合中的多个操控方式分别对应的第二样本特征集合;
所述第二注意力模块用于根据所述第二样本特征对所述全局扩展特征进行瞬时扩展,得到全局扩展特征对应的瞬时扩展特征。
40.根据权利要求38所述的装置,所述构建单元包括:
第一确定子单元,用于确定所述数据推荐模型所应用的至少一个业务场景;
构建子单元,用于对于每一个业务场景,构建数据推荐模型的适用于所述业务场景的网络结构。
41.一种数据推荐装置,应用于客户端,包括:
第二获取单元,用于获取数据获取请求;所述数据获取请求至少携带使用所述客户端的用户的用户标识;
第一发送单元,用于向服务端发送所述数据获取请求;
第一接收单元,用于接收所述服务端根据所述数据获取请求返回的、所述用户感兴趣的第三数据;所述第三数据是所述服务端根据所述用户在第一时间段内操控过的多个第一数据的第一特征、所述用户在第二时间段内操控过的至少一个第二数据的第二特征以及数据推荐模型在多个候选数据中查找的;
显示单元,用于显示所述第三数据;
所述第二时间段短于所述第一时间段,且所述第二时间段的结束时刻与所述第一时间段的结束时刻之间的距离小于所述第二时间段的结束时刻与所述第一时间段的起始时刻之间的距离;
对第一数据操控的操控方式以及对第二数据操控的操控方式至少包括:浏览、点击进入详情页收藏、分享、加入购物车、购买、咨询以及评论;
其中,根据第一数据的第一特征、第二数据的第二特征以及数据推荐模型在多个候选数据中查找所述用户感兴趣的第三数据,包括:
根据第一特征获取所述多个第一数据的全局特征;
基于数据推荐模型中的至少一个激活函数对第一数据的第一特征、第二数据的第二特征以及全局特征进行激活处理,得到聚合特征;
基于数据推荐模型中的相似度计算层计算所述聚合特征与候选数据的候选特征之间的特征相似度;
基于数据推荐模型中的归一化层将所述聚合特征与候选数据的候选特征之间的特征相似度转换所述用户对候选数据感兴趣的程度;
在所述多个候选数据中,将所述用户感兴趣的程度最高的预设数量个候选数据确定为所述第三数据;
还包括:
基于数据推荐模型中的行为序列模块获取所述用户在历史过程中操控第一数据的操控方式;将多个第一特征按照所述用户在历史过程中操控第一数据的操控方式聚类,得到多个操控方式分别对应的第二特征集合;
基于数据推荐模型中的至少一个激活函数对第一数据的第一特征、第二数据的第二特征以及全局特征进行激活处理,得到聚合特征,包括:
基于数据推荐模型中的激活函数对第二特征集合、第二特征以及全局特征激活处理,得到聚合特征。
42.一种数据推荐装置,应用于服务端,包括:
第二接收单元,用于接收客户端发送的数据获取请求,所述数据获取请求至少携带使用所述客户端的用户的用户标识;
第四获取单元,用于根据所述用户标识获取所述用户在第一时间段内操控过的多个第一数据的第一特征;以及,获取所述用户在第二时间段内操控过的至少一个第二数据的第二特征;
第五获取单元,用于获取多个候选数据;
查找单元,用于基于第一数据的第一特征、第二数据的第二特征以及数据推荐模型在多个候选数据中查找所述用户感兴趣的第三数据;
第四发送单元,用于向所述客户端发送所述第三数据;
所述第二时间段短于所述第一时间段,且所述第二时间段的结束时刻与所述第一时间段的结束时刻之间的距离小于所述第二时间段的结束时刻与所述第一时间段的起始时刻之间的距离;
对第一数据操控的操控方式以及对第二数据操控的操控方式至少包括:浏览、点击进入详情页收藏、分享、加入购物车、购买、咨询以及评论;
所述查找单元包括:
第五获取子单元,用于根据第一特征获取所述多个第一数据的全局特征;
激活子单元,用于基于数据推荐模型中的至少一个激活函数对第一数据的第一特征、第二数据的第二特征以及全局特征进行激活处理,得到聚合特征;
计算子单元,用于基于数据推荐模型中的相似度计算层计算所述聚合特征与候选数据的候选特征之间的特征相似度;
转换子单元,用于基于数据推荐模型中的归一化层将所述聚合特征与候选数据的候选特征之间的特征相似度转换所述用户对候选数据感兴趣的程度;
第二确定子单元,用于在所述多个候选数据中,将所述用户感兴趣的程度最高的预设数量个候选数据确定为所述第三数据;
所述查找单元还包括:
第六聚类子单元,用于基于数据推荐模型中的行为序列模块获取所述用户在历史过程中操控第一数据的操控方式;将多个第一特征按照所述用户在历史过程中操控第一数据的操控方式聚类,得到多个操控方式分别对应的第二特征集合;
所述激活子单元具体用于:基于数据推荐模型中的激活函数对第二特征集合、第二特征以及全局特征激活处理,得到聚合特征。
43.根据权利要求42所述的装置,所述查找单元还包括:
第一扩展子单元,用于基于数据推荐模型中的第一注意力模块和所述全局特征对第一特征进行扩展,得到第一特征对应的全局扩展特征;
第一聚类子单元,用于基于数据推荐模型中的时间序列模块获取所述用户在历史过程中操控第一数据的操控时刻,将所述多个第一数据按照操控时刻由晚至早的顺序排序,将多个全局扩展特征按照对应的第一数据的排序的顺序聚类,得到多个第一特征集合;
第二聚类子单元,用于基于数据推荐模型中的行为序列模块获取所述用户在历史过程中分别操控第一数据的操控方式,将第一特征集合中的全局扩展特征按照所述用户在历史过程中操控第一数据的操控方式聚类,得到第一特征集合中的多个操控方式分别对应的第二特征集合;
第二扩展子单元,用于基于数据推荐模型中的基于第二注意力模块和第二特征对第二特征集合中的全局扩展特征进行扩展,得到全局扩展特征对应的瞬时扩展特征;
激活子单元具体用于:基于数据推荐模型中的激活函数对所述全局特征、瞬时扩展特征以及第二特征进行激活处理,得到聚合特征。
44.根据权利要求42所述的装置,所述数据推荐模型为多个,不同的数据推荐模型包括的网络结构不全相同;
所述查找单元包括:
第三确定子单元,用于确定所述数据获取请求所应用的当前业务场景;
选择子单元,用于在多个数据推荐模型中,选择包括适用于所述当前业务场景的网络结构的数据推荐模型;
查找子单元,用于基于第一数据的第一特征、第二数据的第二特征以及选择的数据推荐模型,在多个候选数据中查找所述用户感兴趣的第三数据。
45.一种服务端,其特征在于,所述服务端包括:
一个或多个处理器;
存储器;和
一个或多个模块,所述一个或多个模块存储于所述存储器中并被配置成由所述一个或多个处理器执行,其中,所述一个或多个模块配置用于执行如权利要求1-14任一项所述的模型构建方法,或者,所述一个或多个模块配置用于执行如权利要求20-37任一项所述的数据推荐方法。
46.一个或多个机器可读介质,其上存储有可执行代码,当所述可执行代码被执行时,使得处理器执行如权利要求1-14任一项所述的模型构建方法,或者,所述一个或多个模块配置用于执行如权利要求20-37任一项所述的数据推荐方法。
47.一种客户端,其特征在于,所述客户端包括:
一个或多个处理器;
存储器;和
一个或多个模块,所述一个或多个模块存储于所述存储器中并被配置成由所述一个或多个处理器执行,其中,所述一个或多个模块配置用于执行如权利要求15-19任一项所述的数据推荐方法。
48.一个或多个机器可读介质,其上存储有可执行代码,当所述可执行代码被执行时,使得处理器执行如权利要求15-19任一项所述的数据推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010005951.3A CN113076469B (zh) | 2020-01-03 | 2020-01-03 | 模型构建方法、数据推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010005951.3A CN113076469B (zh) | 2020-01-03 | 2020-01-03 | 模型构建方法、数据推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113076469A CN113076469A (zh) | 2021-07-06 |
CN113076469B true CN113076469B (zh) | 2024-06-14 |
Family
ID=76608333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010005951.3A Active CN113076469B (zh) | 2020-01-03 | 2020-01-03 | 模型构建方法、数据推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113076469B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107247762B (zh) * | 2017-06-01 | 2024-05-14 | 深圳前海跨海侠跨境电子商务有限公司 | 一种国际物流线路推荐方法 |
CA3020971A1 (en) * | 2018-01-12 | 2019-07-12 | Thomson Reuters (Tax & Accounting) Inc. | Clustering and tagging engine for use in product support systems |
CN110309427B (zh) * | 2018-05-31 | 2023-03-10 | 腾讯科技(深圳)有限公司 | 一种对象推荐方法、装置及存储介质 |
CN109034935B (zh) * | 2018-06-06 | 2023-04-21 | 平安科技(深圳)有限公司 | 产品推荐方法、装置、计算机设备及存储介质 |
CN110060097A (zh) * | 2019-04-01 | 2019-07-26 | 苏州市职业大学 | 基于注意力机制和卷积神经网络的用户行为序列推荐方法 |
CN110008409A (zh) * | 2019-04-12 | 2019-07-12 | 苏州市职业大学 | 基于自注意力机制的序列推荐方法、装置及设备 |
-
2020
- 2020-01-03 CN CN202010005951.3A patent/CN113076469B/zh active Active
Non-Patent Citations (2)
Title |
---|
Adaptive User Modeling with Long and Short-Term Preferences for Personalized Recommendation;Zeping Yu 等;Proceedings of the Twenty-Eighth International Joint Conference on Artificial Intelligence;20190831;全文 * |
一种基于用户兴趣的个性化建模方法;苏惠明;;内燃机与配件;20170228(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113076469A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220394340A1 (en) | Video recommendation method and apparatus, electronic device, and computer-readable medium | |
WO2017071251A1 (zh) | 信息推送方法和装置 | |
WO2017035970A1 (zh) | 信息推送的方法和装置 | |
US10409576B2 (en) | Chained data processing and application utilization | |
CN106156244B (zh) | 一种信息搜索导航方法及装置 | |
US20110184972A1 (en) | System and method for navigating a product catalog | |
CN105740263B (zh) | 页面显示方法和装置 | |
US20180173958A1 (en) | Generating a Compact Video Feature Representation in a Digital Medium Environment | |
US20230021233A1 (en) | Generation of personalized recommendations | |
CN114896454B (zh) | 一种基于标签分析的短视频数据推荐方法及*** | |
CN111309240B (zh) | 内容显示方法、装置和电子设备 | |
CN111695960A (zh) | 一种对象推荐***、方法、电子设备及存储介质 | |
CN103577544B (zh) | 一种用于提供待发送信息的方法及装置 | |
US20240168605A1 (en) | Text input method and apparatus, and electronic device and storage medium | |
CN109767257B (zh) | 基于大数据分析的广告投放方法、***及电子设备 | |
CN110619078A (zh) | 用于推送信息的方法和装置 | |
CN111291258A (zh) | 搜索热词的推荐方法、装置、电子设备及可读介质 | |
CN114168843A (zh) | 搜索词推荐方法、设备及存储介质 | |
US20100185616A1 (en) | Systems and methods for predictive recommendations | |
CN113076469B (zh) | 模型构建方法、数据推荐方法及装置 | |
CN112308644A (zh) | 一种描述信息的处理方法及装置 | |
JP2014211757A (ja) | アプリケーション検索サーバ及びアプリケーションランキング生成方法 | |
CN113010775B (zh) | 信息推荐方法、装置和计算机设备 | |
CN114356473A (zh) | 一种信息处理方法及装置 | |
US20170154373A1 (en) | System and method for price comparison |
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 |