CN113744009B - 目标对象输出方法、装置、计算机可读介质及电子设备 - Google Patents
目标对象输出方法、装置、计算机可读介质及电子设备 Download PDFInfo
- Publication number
- CN113744009B CN113744009B CN202010479492.2A CN202010479492A CN113744009B CN 113744009 B CN113744009 B CN 113744009B CN 202010479492 A CN202010479492 A CN 202010479492A CN 113744009 B CN113744009 B CN 113744009B
- Authority
- CN
- China
- Prior art keywords
- objects
- relation table
- target
- user
- specific
- 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 61
- 238000012549 training Methods 0.000 claims abstract description 81
- 238000012163 sequencing technique Methods 0.000 claims abstract description 58
- 238000006243 chemical reaction Methods 0.000 claims abstract description 32
- 230000006399 behavior Effects 0.000 claims description 77
- 238000001914 filtration Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 15
- 230000006870 function Effects 0.000 description 44
- 238000010586 diagram Methods 0.000 description 16
- 238000012216 screening Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Evolutionary Biology (AREA)
Abstract
本申请提供了一种目标对象输出方法、目标对象输出装置、计算机可读介质及电子设备,涉及计算机技术领域。该方法包括:从对象库中选取候选对象集;确定用户行为对应的特定对象,并计算候选对象集中各对象分别与特定对象之间的相似度;选定大于预设阈值的相似度对应的目标对象,候选对象集中包括目标对象;根据不同类型的对象显示区域对应的标签关系表和特征关系表生成训练数据并通过训练数据训练排序模型,得到预训练的排序模型;通过预训练的排序模型对目标对象进行排序,并根据排序结果输出目标对象。该方法可以避免乱序无规则推送带来的推荐效果不佳的问题,进而提升目标对象的曝光点击率以及订单转化率。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种目标对象输出方法、目标对象输出装置、计算机可读介质及电子设备。
背景技术
随着电商领域的发展,可以越来越贴切地根据用户的行为向其推荐有可能会感兴趣的商品对象,以改善用户的使用体验。一般来说,向用户推荐商品对象的方式可以为:根据用户经常点击的商品所在的品类/品牌,为其推荐同品类/同品牌的商品,即,在推荐频道中输出需要推荐的商品。但是,上述这种推荐方式通常会存在推荐效果不佳的问题,即就是,用户对于推荐的商品对象的曝光点击率不高或订单转化率不高。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本申请的目的在于提供一种目标对象输出方法、目标对象输出装置、计算机可读介质及电子设备,可以在筛选得到的候选对象集中选取需要推荐的商品并通过排序模型对需要推荐的商品排序后输出,这样可以避免乱序无规则推送带来的推荐效果不佳的问题,进而提升目标对象的曝光点击率以及订单转化率。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
本申请的第一方面提供了一种目标对象输出方法,可以包括以下步骤:
从对象库中选取候选对象集;
确定用户行为对应的特定对象,并计算候选对象集中各对象分别与特定对象之间的相似度;
选定大于预设阈值的相似度对应的目标对象,候选对象集中包括所述目标对象;
根据不同类型的对象显示区域对应的标签关系表和特征关系表生成训练数据并通过训练数据训练排序模型,得到预训练的排序模型;
通过预训练的排序模型对目标对象进行排序,并根据排序结果输出目标对象;
其中,标签关系表用于表示对象显示区域中各对象与预设标签之间的对应关系,特征关系表用于表示对象显示区域中各对象与预设特征之间的对应关系。
在本申请的一种示例性实施例中,从对象库中选取候选对象集,包括:
根据预设选取规则从对象库中选取多个对象,得到候选对象集;或者,
获取预设指定对象信息,并根据预设指定对象信息从对象库中选取多个对象,得到候选对象集。
在本申请的一种示例性实施例中,用户行为对应的特定对象包括用户点击行为对应的特定对象和/或用户购买行为对应的特定对象。
在本申请的一种示例性实施例中,计算候选对象集中各对象分别与特定对象之间的相似度,包括:
确定候选对象集中各对象分别对应的预设分词以及特定对象对应的特定分词;计算各对象分别对应的预设分词与特定分词之间的杰卡德系数,作为候选对象集中对象与特定对象之间的相似度;和/或,
确定特定对象对应的用户行为数以及候选对象集中各对象分别对应的历史最高用户行为数;计算用户行为数与历史最高用户行为数之间的比值,作为候选对象集中对象与特定对象之间的相似度。
在本申请的一种示例性实施例中,通过预训练的排序模型对目标对象进行排序之前,上述方法还包括:
确定对象库中各对象对应的点击率、下单率、转化率、价格;
根据预设权重值对点击率、下单率、转化率以及价格进行归一化处理,得到各对象分别对应的目标数值;
根据目标数值从各对象中选取召回对象,并在目标对象中补充召回对象。
在本申请的一种示例性实施例中,通过训练数据训练排序模型,包括:
根据训练数据训练排序模型;
计算排序模型输出的排序结果与预设排序结果之间的损失函数;
根据损失函数对排序模型进行参数调整,直到损失函数小于预设阈值为止。
在本申请的一种示例性实施例中,根据不同类型的对象显示区域对应的标签关系表和特征关系表生成训练数据,包括:
获取不同类型的对象显示区域分别对应的标签关系表和特征关系表;
获取各用户账号对应的曝光点击数据;
将曝光点击数据与标签关系表进行关联,得到第一数据关系表;
将特征关系表与第一数据关系表进行关联,得到第二数据关系表;
根据曝光点击数据对第二数据关系表进行数据过滤,以得到训练数据。
根据本申请的第二方面,提供一种目标对象输出装置,包括对象选取单元、相似度计算单元以及对象排序单元,其中:
对象选取单元,用于从对象库中选取候选对象集;
相似度计算单元,用于确定用户行为对应的特定对象,并计算候选对象集中各对象分别与特定对象之间的相似度;
对象选取单元,还用于选定大于预设阈值的相似度对应的目标对象,候选对象集中包括所述目标对象;
模型训练单元,用于根据不同类型的对象显示区域对应的标签关系表和特征关系表生成训练数据并通过训练数据训练排序模型,得到预训练的排序模型;
对象排序单元,用于通过预训练的排序模型对目标对象进行排序,并根据排序结果输出目标对象;
其中,标签关系表用于表示对象显示区域中各对象与预设标签之间的对应关系,特征关系表用于表示对象显示区域中各对象与预设特征之间的对应关系。
在本申请的一种示例性实施例中,对象选取单元从对象库中选取候选对象集,包括:
根据预设选取规则从对象库中选取多个对象,得到候选对象集;或者,
获取预设指定对象信息,并根据预设指定对象信息从对象库中选取多个对象,得到候选对象集。
在本申请的一种示例性实施例中,用户行为对应的特定对象包括用户点击行为对应的特定对象和/或用户购买行为对应的特定对象。
在本申请的一种示例性实施例中,相似度计算单元计算候选对象集中各对象分别与特定对象之间的相似度,包括:
确定候选对象集中各对象分别对应的预设分词以及特定对象对应的特定分词;计算各对象分别对应的预设分词与特定分词之间的杰卡德系数,作为候选对象集中对象与特定对象之间的相似度;和/或,
确定特定对象对应的用户行为数以及候选对象集中各对象分别对应的历史最高用户行为数;计算用户行为数与历史最高用户行为数之间的比值,作为候选对象集中对象与特定对象之间的相似度。
在本申请的一种示例性实施例中,上述装置还包括数据确定单元、数据归一化单元以及对象召回单元,其中:
数据确定单元,用于在对象排序单元通过预训练的排序模型对目标对象进行排序之前,确定对象库中各对象对应的点击率、下单率、转化率、价格;
数据归一化单元,用于根据预设权重值对点击率、下单率、转化率以及价格进行归一化处理,得到各对象分别对应的目标数值;
对象召回单元,用于根据目标数值从各对象中选取召回对象,并在目标对象中补充召回对象。
在本申请的一种示例性实施例中,模型训练单元通过训练数据训练排序模型,包括:
根据训练数据训练排序模型;
计算排序模型输出的排序结果与预设排序结果之间的损失函数;
根据损失函数对排序模型进行参数调整,直到损失函数小于预设阈值为止。
在本申请的一种示例性实施例中,训练数据生成单元根据不同类型的对象显示区域对应的标签关系表和特征关系表生成训练数据,包括:
获取不同类型的对象显示区域分别对应的标签关系表和特征关系表;
获取各用户账号对应的曝光点击数据;
将曝光点击数据与标签关系表进行关联,得到第一数据关系表;
将特征关系表与第一数据关系表进行关联,得到第二数据关系表;
根据曝光点击数据对第二数据关系表进行数据过滤,以得到训练数据。
根据本申请的第三方面,提供了一种计算机可读介质,其上存储有计算机程序,程序被处理器执行时实现如上述实施例中第一方面所述的目标对象输出方法。
根据本申请的第四方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现如上述实施例中第一方面所述的目标对象输出方法。
本申请提供的技术方案可以包括以下有益效果:
在本申请的实施例所提供的技术方案中,可以从对象库中选取候选对象集;确定用户行为对应的特定对象,并计算候选对象集中各对象分别与特定对象之间的相似度;选定大于预设阈值的相似度对应的目标对象,候选对象集中包括目标对象;通过预训练的排序模型对目标对象进行排序,并根据排序结果输出目标对象。依据上述方案描述,本申请一方面可以在筛选得到的候选对象集中选取需要推荐的商品并通过排序模型对需要推荐的商品排序后输出,这样可以在筛选得到的候选对象集中选取需要推荐的商品并通过排序模型对需要推荐的商品排序后输出,避免乱序无规则推送带来的推荐效果不佳的问题,进而提升目标对象的曝光点击率以及订单转化率;另一方面,本申请可以结合筛选得到的候选对象集和用户行为对应的特定对象进行目标对象的选取,提升目标对象对应的曝光点击率以及订单转化率,进而可以改善用户的使用体验,提升用户的使用黏度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
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。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示出了根据本申请一示例性实施例的一种目标对象输出方法的流程示意图;
图2示出了根据本申请一示例性实施例的排序模型的结构示意图;
图3示出了根据本申请一示例性实施例的目标对象输出方法的模块示意图;
图4示出了根据本申请一示例性实施例的另一种目标对象输出方法的流程示意图;
图5示出了根据本申请一示例性实施例的目标对象输出装置的结构框图;
图6示出了适于用来实现本申请一示例性实施例的电子设备的计算机***的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
请参阅图1,图1示出了根据本申请一示例性实施例的一种目标对象输出方法的流程示意图,该目标对象输出方法可以由服务器或终端设备来实现。
如图1所示,根据本申请的一个实施例的目标对象输出方法,包括如下步骤S110~步骤S150,其中:
步骤S110:从对象库中选取候选对象集。
步骤S120:确定用户行为对应的特定对象,并计算候选对象集中各对象分别与特定对象之间的相似度。
步骤S130:选定大于预设阈值的相似度对应的目标对象,候选对象集中包括所述目标对象。
步骤S140:根据不同类型的对象显示区域对应的标签关系表和特征关系表生成训练数据并通过训练数据训练排序模型,得到预训练的排序模型。
步骤S150:通过预训练的排序模型对目标对象进行排序,并根据排序结果输出目标对象。
其中,标签关系表用于表示对象显示区域中各对象与预设标签之间的对应关系,特征关系表用于表示对象显示区域中各对象与预设特征之间的对应关系。
实施图1所示的目标对象输出方法,可以在筛选得到的候选对象集中选取需要推荐的商品并通过排序模型对需要推荐的商品排序后输出,避免乱序无规则推送带来的推荐效果不佳的问题,进而提升目标对象的曝光点击率以及订单转化率。此外,本申请可以结合筛选得到的候选对象集和用户行为对应的特定对象进行目标对象的选取,提升目标对象对应的曝光点击率以及订单转化率,进而可以改善用户的使用体验,提升用户的使用黏度。
以下对各步骤进行详细说明:
在步骤S110中,从对象库中选取候选对象集。
具体地,对象库可以为商品库,商品库用于存储商品信息,商品信息至少包括商品SKU(StockKeeping Unit,存货单元)、商品点击量、商品购买量等,本申请实施例不作限定。此外,选取的候选对象集可以理解为商品池/商品组,其中包含一个或多个商品。
本申请实施例中,可选的,从对象库中选取候选对象集,包括:根据预设选取规则从对象库中选取多个对象,得到候选对象集;或者,获取预设指定对象信息,并根据预设指定对象信息从对象库中选取多个对象,得到候选对象集。
具体地,预设选取规则用于限定候选对象集中对象的共同特性,例如,预设选取规则可以为:选取最近一个星期销量大于100的商品。另外,预设指定对象信息中可以包括多个SKU,根据多个SKU可以从对象库中选取出对应的商品。
此外,可选的,从对象库中选取候选对象集的方式可以为:根据预设选取规则从对象库中选取多个对象,得到第一对象集;获取预设指定对象信息,并根据预设指定对象信息从对象库中选取多个对象,得到第二对象集;将第一对象集和第二对象集的集合确定为候选对象集。
可见,实施该可选的实施例,能够通过预先设置的选取规则选取候选对象集中的对象,也可以通过指定商品信息直接获取相应的对象,可以提升候选对象集中对象的丰富度,提升所选取的目标对象与用户点击的对象之间的相似度,进而改善对象输出效果。
在步骤S120中,确定用户行为对应的特定对象,并计算候选对象集中各对象分别与特定对象之间的相似度。
具体地,用户行为对应的特定对象包括用户点击行为对应的特定对象和/或用户购买行为对应的特定对象。特定对象可以为用户点击的商品也可以为用户购买的商品。
本申请实施例中,可选的,计算候选对象集中各对象分别与特定对象之间的相似度,包括:
确定候选对象集中各对象分别对应的预设分词以及特定对象对应的特定分词;计算各对象分别对应的预设分词与特定分词之间的杰卡德系数,作为候选对象集中对象与特定对象之间的相似度;和/或,
确定特定对象对应的用户行为数以及候选对象集中各对象分别对应的历史最高用户行为数;计算用户行为数与历史最高用户行为数之间的比值,作为候选对象集中对象与特定对象之间的相似度。
具体地,候选对象集中的对象对应的预设分词可以为一个或多个,本申请实施例不作限定,例如,若对象为“黑色防紫外线防晒伞”,则对应的预设分词可以包括“黑色”、“防”、“紫外线”以及“防晒伞”。另外,用户行为数用于表示用户行为的数量,如,用户点击商品的次数与用户购买商品的次数之和。而历史最高用户行为数可以用于表示该对象(如,商品)被点击过的次数和被购买过的次数之和。另外,需要说明的是,杰卡德系数(Jaccardindex),用于比较有限样本集之间的相似性与差异性,Jaccard index值越大,样本相似度越高。
此外,可选的,确定用户行为对应的特定对象的方式具体可以为:确定用户对应的预设时段(如,60天)内的用户行为数据并对其进行异常数据过滤,得到特定对象SKU。进而,可选的,确定特定对象对应的用户行为数以及候选对象集中各对象分别对应的历史最高用户行为数的方式具体可以为:确定特定对象SKU对应的(组SKU,品类SKU),确定(组SKU,品类SKU)对应的用户行为数cnt,若用户行为数cnt大于预设阈值时,则确定每个组SKU对应的最高用户行为数maxcmp。进而,计算用户行为数与历史最高用户行为数之间的比值可以得到:cnt/maxcmp。举例来说,组SKU可以为红色、绿色、蓝色等;品类SKU可以为手机、服饰等。
其中,对用户行为数据进行异常数据过滤的方式可以为:确定用户行为数据对应的特定对象并按照用户行为触发时间对特定对象进行排序,将排序结果中不处于预设排序范围(如,0-前100)内的特定对象对应的用户行为数据作为异常数据过滤。
可见,实施该可选的实施例,能够通过公开的多种召回方式确定候选对象集,以提升本申请的应用范围,以及提升候选对象集的丰富度。
在步骤S130中,选定大于预设阈值(如,70%)的相似度对应的目标对象,候选对象集中包括所述目标对象。
具体地,目标对象的数量为一个或多个,本申请实施例不作限定。
此外,可选的,若存在由多种召回方式确定出的相似度,选定大于预设阈值的相似度对应的目标对象的方式具体可以为:对上述的相似度进行归一化处理,以使得所有相似度处于同一向量空间,进而。选定大于预设阈值的相似度对应的目标对象。
此外,可选的,选定大于预设阈值的相似度对应的目标对象之后,上述方法还可以包括以下步骤:根据目标对象对应的库存情况对目标对象进行过滤;和/或,根据目标对象对应的发货地址与用户地址间的距离对目标对象进行过滤。这样可以保证推荐给用户的商品对应相应的库存和/或发货距离近,进而改善用户的使用体验。
结合步骤S140和步骤S150进行共同论述如下:
具体地,上述的排序模型可以为MMoE(Multi-gate Mixture-of-Experts)模型,MMoE模型能够清晰地从数据中学习任务之间的关系。MMoE模型对应的网络层参数包括:num_experts(专家的数目)、mmoe_expert_units(Expert子网全连接部分每层的神经元个数)、mmoe_gate_units(门函数全连接部分每层的神经元个数)、mmoe_is_dropout(与门函数对应的过拟合开关)、task_units(Tower子网全连接部分每层的神经元个数)。
请参阅图2,图2示出了根据本申请一示例性实施例的排序模型的结构示意图。如图2所示,排序模型可以包括输入层201、Expert子网1 202、Expert子网2 203、Expert子网3204、门函数A205、门函数B206、Tower子网A207、Tower子网B208、输出层A209以及输出层B210;需要说明的是,在图2中,虚线用于表示标量(scalar),实线用于表示向量(vector)。
具体地,处于根据训练数据训练排序模型的情况时,当输入层201接收到输入的训练数据x时,可以将训练数据x同时传入Expert子网1202、Expert子网2 203、Expert子网3204、门函数A205以及门函数B206;其中,门函数A205和门函数B206的表达式可以表示为gk(x),gk(x)=softmax(Wgkx),Wgk是可更新的参数矩阵,k用于表示任务数量,n是Expert子网的个数(如,3),d是训练数据x的维度;Expert子网1 202、Expert子网2203以及Expert子网3 204对应的输出为fi(x),i=1,……,n(n为正整数,fi(x)为第i个Expert子网的输出)。进而,可以将Expert子网1 202、Expert子网2 203以及Expert子网3204对训练数据x的处理结果分别与门函数A205和门函数B206对训练数据x的处理结果进行组合,得到/>即每个Tower子网的输入;其中,组合方式可以为向量拼接。进而,可以通过用于表示Tower子网A207和Tower子网B208的表达式hk对进行数据处理,得到yk=hk(fk(x))并通过输出层A2096和输出层B210分别输出与其对应的Tower子网输出结果。
本申请实施例中,可选的,通过预训练的排序模型对目标对象进行排序之前,上述方法还包括:
确定对象库中各对象对应的点击率(click_uv_7d)、下单率(order_uv_7d)、转化率(ucvr_7d)、价格(jd_prc_q);
根据预设权重值对点击率、下单率、转化率以及价格进行归一化处理,得到各对象分别对应的目标数值;
根据目标数值从各对象中选取召回对象,并在目标对象中补充召回对象。
具体地,召回对象对应于同一维度也可以对应于不同维度,维度包括:品牌维度、店铺维度、品类维度等,本申请实施不作限定。不同维度的召回对象数量可以相同也可以不同。若召回对象对应于不同维度,可选的,根据目标数值从各对象中选取召回对象的方式具体可以为:根据目标数值从各维度中选取数值最高的前N个对象作为召回对象,存储至recall_path中;其中,N为正整数,如,10。
可见,实施该可选的实施例,能够通过上述冷启动召回的方式对目标对象进行补足,确定更为丰富的推荐商品,改善用户的使用体验。
本申请实施例中,可选的,通过训练数据训练排序模型,包括:根据训练数据训练排序模型;计算排序模型输出的排序结果与预设排序结果之间的损失函数;根据损失函数对排序模型进行参数调整,直到损失函数小于预设阈值为止。
具体地,不同类型的对象显示区域中显示的对象可以相同可以不同也可以部分相同,本申请实施例不作限定。举例来说,对象显示区域可以为:萌物推荐区域、居家良品推荐区域、个性化推荐区域等。标签关系表包括的标签如下:曝光(0)、低质量点击(1)、高质量点击(2)、低质量订单(3)以及高质量订单(4)。
另外,可选的,根据训练数据训练排序模型的方式具体可以为:对训练数据进行格式转换并输入排序模型,以训练排序模型;其中,格式转换后的训练数据可以为TFrecord格式。
另外,可选的,根据损失函数对排序模型进行参数调整,直到损失函数小于预设阈值为止的方式具体可以为:根据损失函数对排序模型中的参数label_weight、loss_weight以及export_weight进行调整,直到损失函数小于预设阈值(如,0.2)为止。其中,label_weight为计算损失函数时各标签对应的权重;loss_weight为不同任务的损失函数对应的权重;export_weight为不同任务的输出结果对应的权重。具体地,根据损失函数对排序模型中的export_weight进行调整的方式可以为:基于grid_search和/或specify并根据上述的损失函数对排序模型中的export_weight进行调整。其中,grid_search为网格搜索法,用于穷举所有的参数组合;specify为特定组合搜索法,用于通过不同任务的权重空间进行对位搜索。
此外,需要说明的是,上述损失函数可以为:回归损失函数、平方误差损失、绝对误差损失、Huber损失、二分类损失函数、二分类交叉熵、Hinge损失、多分类损失函数、多分类交叉熵损失或KL散度(Kullback Leibler Divergence Loss),本申请实施例不作限定。
可见,实施该可选的实施例,能够通过对排序模型的训练及参数调整,能够提升排序模型输出的排序结果对应的点击任务通过率以及订单任务转化率,从而可以提升个性化推荐效果,改善用户的使用体验,提升用户的使用黏度。
进一步地,根据不同类型的对象显示区域对应的标签关系表和特征关系表生成训练数据,包括:获取不同类型的对象显示区域分别对应的标签关系表和特征关系表;获取各用户账号对应的曝光点击数据;将曝光点击数据与标签关系表进行关联,得到第一数据关系表;将特征关系表与第一数据关系表进行关联,得到第二数据关系表;根据曝光点击数据对第二数据关系表进行数据过滤,以得到训练数据。
具体地,曝光点击数据中包括发送商品推荐请求的次数。另外,可选的,获取不同类型的对象显示区域对应的特征关系表的方式具体可以为:获取不同类型的对象显示区域对应的各对象的连续特征、离散特征以及召回方式;将各对象的连续特征、离散特征以及召回方式生成为特征关系表;举例来说,价格特征可以为连续特征,颜色种类可以为离散特征,召回方式包括相关召回、相似召回以及冷启动召回。
另外,可选的,将特征关系表与第一数据关系表进行关联,得到第二数据关系表的方式具体可以为:根据用户访问次数(如,20次/天)和/或数据请求次数(如,126次/天)对第一数据关系表中的用户账号进行过滤;根据曝光点击数据将过滤后的第一数据关系表划分为生成订单临时表和点击临时表;根据点击频率对点击临时表中的数据进行过滤;依据用户账号将划分为订单临时表和点击临时表的第一数据关系表与特征关系表进行关联,得到第二数据关系表。其中,生成订单临时表与曝光点击数据中的购买数据相对应,点击临时表与曝光点击数据中的点击数据相对应。
根据曝光点击数据对第二数据关系表进行数据过滤,以得到训练数据的方式具体可以为:判定第二数据关系表是否存在低质量数据(如,点击率低于500次/天),若存在则将其过滤以得到训练数据。
可见,实施该可选的实施例,能够结合对象特征、对象标签以及曝光点击数据生成训练数据,这样可以提升训练数据的质量,改善排序模型的训练效果。
请参阅图3,图3示出了根据本申请一示例性实施例的目标对象输出方法的模块示意图。如图3所示,目标对象输出方法的模块示意图包括:业务背景模块310、组件化设计模块320、配置化应用模块330、召回方案模块340、排序模型模块350以及上线应用模块360。
具体地,业务背景模块310用于限定本申请的应用场景,具体包括:个性化商品推荐311、关联商品推荐312、素材推荐313以及基于商品池推荐314;其中,个性化商品推荐311用于限定本申请可以根据用户兴趣向用户进行个性化推荐商品,关联商品推荐312用于限定本申请可以根据用户点击行为向用户推荐相关的商品,素材推荐313用于限定本申请可以向用户推荐店铺、活动等素材,基于商品池推荐314用于限定本申请可以向用户推荐候选对象集中的目标对象(即,目标商品)。此外,组件化设计模块320用于存储用于实现本申请中各功能的组件,具体包括:用于提供数据表生成服务的数据服务组件321、用于限定对象召回方式的召回组件322、用于将召回的对象推荐给用户的推荐业务组件323以及用于支持多业务在多地部署的预测服务组件324。此外,配置化应用模块330用于限定配置内容,具体包括:应用于本申请的业务331、用于实现业务目的的算法332(如,逻辑回归LR、梯度提升迭代决策树GBDT、深度神经网络DNN、循环神经网络RNN等)、用于进行对象召回以实现业务目的的召回逻辑333以及用于生成训练数据的基础数据334。此外,召回方案模块340用于限定本申请中召回对象的具体方案,具体包括:候选对象集341、相似召回342、相关召回343以及冷启动召回344;其中,相似召回342和相关召回343对应的召回方式相同数据背景不同。此外,排序模型模块350用于限定对于召回的目标对象的排序方式,具体包括:输入数据351、格式转换352、神经网络结构353以及半自动调参354;其中,当存在需要排序的目标对象时,对目标对象进行格式转换并输入神经网络结构,以获得神经网络结构输出的排序结果,进而,可以将排序结果输出给用户并在获取到曝光点击率和订单转化率之后对排序模型进行半自动调参。此外,上线应用模块用于限定本申请实施方式上线应用的过程,具体包括:过滤策略361、前端样式362、测试实验363以及迭代优化364;其中,过滤策略361可以根据用户地址将目标对象中无法送出的对象过滤以及将特定对象中的不处于预设时段内的对象过滤,进而,前端样式362用于限定目标对象的显示排列方式,进而可以对排列好的目标对象进行测试实验363,如果测试成功,则可以将本申请实施方式上线并对其进行不断迭代优化364。
实施图3可以在筛选得到的候选对象集中选取需要推荐的商品并通过排序模型对需要推荐的商品排序后输出,避免乱序无规则推送带来的推荐效果不佳的问题,进而提升目标对象的曝光点击率以及订单转化率。此外,本申请可以结合筛选得到的候选对象集和用户行为对应的特定对象进行目标对象的选取,提升目标对象对应的曝光点击率以及订单转化率,进而可以改善用户的使用体验,提升用户的使用黏度。
请参阅图4,图4示出了根据本申请一示例性实施例的另一种目标对象输出方法的流程示意图。如图4所示,目标对象输出方法包括:步骤S400~步骤S424,其中:
步骤S400:根据预设选取规则从对象库中选取多个对象,得到候选对象集。
步骤S402:获取预设指定对象信息,并根据预设指定对象信息从对象库中选取多个对象,得到候选对象集。
步骤S404:确定用户行为对应的特定对象。进而可以执行步骤S406或步骤S408。
步骤S406:确定候选对象集中各对象分别对应的预设分词以及特定对象对应的特定分词;计算各对象分别对应的预设分词与特定分词之间的杰卡德系数,作为候选对象集中对象与特定对象之间的相似度。
步骤S408:确定特定对象对应的用户行为数以及候选对象集中各对象分别对应的历史最高用户行为数;计算用户行为数与历史最高用户行为数之间的比值,作为候选对象集中对象与特定对象之间的相似度。
步骤S410:选定大于预设阈值的相似度对应的目标对象,候选对象集中包括所述目标对象。
步骤S412:确定对象库中各对象对应的点击率、下单率、转化率、价格。
步骤S414:根据预设权重值对点击率、下单率、转化率以及价格进行归一化处理,得到各对象分别对应的目标数值。
步骤S416:根据目标数值从各对象中选取召回对象,并在目标对象中补充召回对象。
步骤S418:获取不同类型的对象显示区域分别对应的标签关系表和特征关系表,获取各用户账号对应的曝光点击数据。
步骤S420:将曝光点击数据与标签关系表进行关联,得到第一数据关系表;将特征关系表与第一数据关系表进行关联,得到第二数据关系表;根据曝光点击数据对第二数据关系表进行数据过滤,以得到训练数据。
步骤S422:根据训练数据训练排序模型,计算排序模型输出的排序结果与预设排序结果之间的损失函数,根据损失函数对排序模型进行参数调整,直到损失函数小于预设阈值为止。
步骤S424:通过预训练的排序模型对目标对象进行排序,并根据排序结果输出目标对象。
需要说明的是,步骤S400~步骤S424与图1所示的各步骤及其实施例相对应,针对步骤S400~步骤S424的具体实施方式,请参阅图1所示的各步骤及其实施例,此处不再赘述。
实施图4所示的目标对象输出方法,可以在筛选得到的候选对象集中选取需要推荐的商品并通过排序模型对需要推荐的商品排序后输出,避免乱序无规则推送带来的推荐效果不佳的问题,进而提升目标对象的曝光点击率以及订单转化率。此外,本申请可以结合筛选得到的候选对象集和用户行为对应的特定对象进行目标对象的选取,提升目标对象对应的曝光点击率以及订单转化率,进而可以改善用户的使用体验,提升用户的使用黏度。
请参阅图5,图5示出了根据本申请一示例性实施例的目标对象输出装置的结构框图。该目标对象输出装置包括对象选取单元501、相似度计算单元502以及对象排序单元504,其中:
对象选取单元501,用于从对象库中选取候选对象集;
相似度计算单元502,用于确定用户行为对应的特定对象,并计算候选对象集中各对象分别与特定对象之间的相似度;
对象选取单元501,还用于选定大于预设阈值的相似度对应的目标对象,候选对象集中包括所述目标对象;
模型训练单元503,用于根据不同类型的对象显示区域对应的标签关系表和特征关系表生成训练数据并通过训练数据训练排序模型,得到预训练的排序模型;
对象排序单元504,用于通过预训练的排序模型对目标对象进行排序,并根据排序结果输出目标对象。
其中,标签关系表用于表示对象显示区域中各对象与预设标签之间的对应关系,特征关系表用于表示对象显示区域中各对象与预设特征之间的对应关系。
其中,用户行为对应的特定对象包括用户点击行为对应的特定对象和/或用户购买行为对应的特定对象。
可见,实施图5所示的目标对象输出装置,可以在筛选得到的候选对象集中选取需要推荐的商品并通过排序模型对需要推荐的商品排序后输出,避免乱序无规则推送带来的推荐效果不佳的问题,进而提升目标对象的曝光点击率以及订单转化率。此外,本申请可以结合筛选得到的候选对象集和用户行为对应的特定对象进行目标对象的选取,提升目标对象对应的曝光点击率以及订单转化率,进而可以改善用户的使用体验,提升用户的使用黏度。
在本申请的一种示例性实施例中,对象选取单元501从对象库中选取候选对象集,包括:
根据预设选取规则从对象库中选取多个对象,得到候选对象集;或者,
获取预设指定对象信息,并根据预设指定对象信息从对象库中选取多个对象,得到候选对象集。
可见,实施该可选的实施例,能够通过预先设置的选取规则选取候选对象集中的对象,也可以通过指定商品信息直接获取相应的对象,可以提升候选对象集中对象的丰富度,提升所选取的目标对象与用户点击的对象之间的相似度,进而改善对象输出效果。
在本申请的一种示例性实施例中,相似度计算单元502计算候选对象集中各对象分别与特定对象之间的相似度,包括:
确定候选对象集中各对象分别对应的预设分词以及特定对象对应的特定分词;计算各对象分别对应的预设分词与特定分词之间的杰卡德系数,作为候选对象集中对象与特定对象之间的相似度;和/或,
确定特定对象对应的用户行为数以及候选对象集中各对象分别对应的历史最高用户行为数;计算用户行为数与历史最高用户行为数之间的比值,作为候选对象集中对象与特定对象之间的相似度。
可见,实施该可选的实施例,能够通过公开的多种召回方式确定候选对象集,以提升本申请的应用范围,以及提升候选对象集的丰富度。
在本申请的一种示例性实施例中,上述装置还包括数据确定单元(未图示)、数据归一化单元(未图示)以及对象召回单元(未图示),其中:
数据确定单元,用于在对象排序单元504通过预训练的排序模型对目标对象进行排序之前,确定对象库中各对象对应的点击率、下单率、转化率、价格;
数据归一化单元,用于根据预设权重值对点击率、下单率、转化率以及价格进行归一化处理,得到各对象分别对应的目标数值;
对象召回单元,用于根据目标数值从各对象中选取召回对象,并在目标对象中补充召回对象。
可见,实施该可选的实施例,能够通过上述冷启动召回的方式对目标对象进行补足,确定更为丰富的推荐商品,改善用户的使用体验。
在本申请的一种示例性实施例中,模型训练单元503通过训练数据训练排序模型,包括:
根据训练数据训练排序模型;
计算排序模型输出的排序结果与预设排序结果之间的损失函数;
根据损失函数对排序模型进行参数调整,直到损失函数小于预设阈值为止。
可见,实施该可选的实施例,能够通过对排序模型的训练及参数调整,能够提升排序模型输出的排序结果对应的点击任务通过率以及订单任务转化率,从而可以提升个性化推荐效果,改善用户的使用体验,提升用户的使用黏度。
在本申请的一种示例性实施例中,训练数据生成单元根据不同类型的对象显示区域对应的标签关系表和特征关系表生成训练数据,包括:
获取不同类型的对象显示区域分别对应的标签关系表和特征关系表;
获取各用户账号对应的曝光点击数据;
将曝光点击数据与标签关系表进行关联,得到第一数据关系表;
将特征关系表与第一数据关系表进行关联,得到第二数据关系表;
根据曝光点击数据对第二数据关系表进行数据过滤,以得到训练数据。
可见,实施该可选的实施例,能够结合对象特征、对象标签以及曝光点击数据生成训练数据,这样可以提升训练数据的质量,改善排序模型的训练效果。
由于本申请的示例实施例的目标对象输出装置的各个功能模块与上述目标对象输出方法的示例实施例的步骤对应,因此对于本申请装置实施例中未披露的细节,请参照本申请上述的目标对象输出方法的实施例。
请参阅图6,图6示出了适于用来实现本申请一示例性实施例的电子设备的计算机***600的结构示意图。图6示出的电子设备的计算机***600仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机***600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有***操作所需的各种程序和数据。CPU601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的***中限定的上述功能。
需要说明的是,本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现如上述实施例中所述的目标对象输出方法。
例如,所述的电子设备可以实现如图1中所示的:步骤S110:从对象库中选取候选对象集;步骤S120:确定用户行为对应的特定对象,并计算候选对象集中各对象分别与特定对象之间的相似度;步骤S130:选定大于预设阈值的相似度对应的目标对象,候选对象集中包括所述目标对象;步骤S140:通过预训练的排序模型对目标对象进行排序,并根据排序结果输出目标对象。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请的实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请的实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种目标对象输出方法,其特征在于,包括:
从对象库中选取候选对象集;其中,所述候选对象集为商品池/商品组;
确定用户行为对应的特定对象,并计算所述候选对象集中各对象分别与所述特定对象之间的相似度;其中,所述用户行为对应的特定对象包括所述用户点击行为对应的特定对象和/或所述用户购买行为对应的特定对象,特定对象为用户点击的商品和/或用户购买的商品;
选定大于预设阈值的相似度对应的目标对象,所述候选对象集中包括所述目标对象;
根据不同类型的对象显示区域对应的标签关系表和特征关系表生成训练数据并通过所述训练数据训练排序模型,得到预训练的排序模型;其中,所述排序模型包括输入层、第一Expert子网、第二Expert子网、第三Expert子网、第一门函数、第二门函数、第一Tower子网、第二Tower子网、第一输出层以及第二输出层;
通过所述预训练的排序模型对所述目标对象进行排序,并根据排序结果输出目标对象;
其中,所述标签关系表用于表示所述对象显示区域中各对象与预设标签之间的对应关系,所述特征关系表用于表示所述对象显示区域中各对象与预设特征之间的对应关系。
2.根据权利要求1所述的方法,其特征在于,从对象库中选取候选对象集,包括:
根据预设选取规则从所述对象库中选取多个对象,得到候选对象集;或者,
获取预设指定对象信息,并根据所述预设指定对象信息从所述对象库中选取多个对象,得到候选对象集。
3.根据权利要求1所述的方法,其特征在于,所述用户行为对应的特定对象包括用户点击行为对应的特定对象和/或用户购买行为对应的特定对象。
4.根据权利要求1所述的方法,其特征在于,计算所述候选对象集中各对象分别与所述特定对象之间的相似度,包括:
确定所述候选对象集中各对象分别对应的预设分词以及所述特定对象对应的特定分词;计算所述各对象分别对应的预设分词与所述特定分词之间的杰卡德系数,作为所述候选对象集中对象与所述特定对象之间的相似度;和/或,
确定所述特定对象对应的用户行为数以及所述候选对象集中各对象分别对应的历史最高用户行为数;计算所述用户行为数与所述历史最高用户行为数之间的比值,作为所述候选对象集中对象与所述特定对象之间的相似度。
5.根据权利要求1所述的方法,其特征在于,通过预训练的排序模型对所述目标对象进行排序之前,所述方法还包括:
确定所述对象库中各对象对应的点击率、下单率、转化率、价格;
根据预设权重值对所述点击率、所述下单率、所述转化率以及所述价格进行归一化处理,得到所述各对象分别对应的目标数值;
根据所述目标数值从所述各对象中选取召回对象,并在所述目标对象中补充所述召回对象。
6.根据权利要求1所述的方法,其特征在于,通过所述训练数据训练排序模型,包括:
根据所述训练数据训练排序模型;
计算所述排序模型输出的排序结果与预设排序结果之间的损失函数;
根据所述损失函数对所述排序模型进行参数调整,直到所述损失函数小于预设阈值为止。
7.根据权利要求1~6任一项所述的方法,其特征在于,根据不同类型的对象显示区域对应的标签关系表和特征关系表生成训练数据,包括:
获取所述不同类型的对象显示区域分别对应的标签关系表和特征关系表;
获取各用户账号对应的曝光点击数据;
将所述曝光点击数据与所述标签关系表进行关联,得到第一数据关系表;
将所述特征关系表与所述第一数据关系表进行关联,得到第二数据关系表;
根据所述曝光点击数据对所述第二数据关系表进行数据过滤,以得到所述训练数据。
8.一种目标对象输出装置,其特征在于,包括:
对象选取单元,用于从对象库中选取候选对象集;其中,所述候选对象集为商品池/商品组;
相似度计算单元,用于确定用户行为对应的特定对象,并计算所述候选对象集中各对象分别与所述特定对象之间的相似度;其中,所述用户行为对应的特定对象包括所述用户点击行为对应的特定对象和/或所述用户购买行为对应的特定对象,特定对象为用户点击的商品和/或用户购买的商品;
所述对象选取单元,还用于选定大于预设阈值的相似度对应的目标对象,所述候选对象集中包括所述目标对象;
模型训练单元,用于根据不同类型的对象显示区域对应的标签关系表和特征关系表生成训练数据并通过所述训练数据训练排序模型,得到预训练的排序模型;其中,所述排序模型包括输入层、第一Expert子网、第二Expert子网、第三Expert子网、第一门函数、第二门函数、第一Tower子网、第二Tower子网、第一输出层以及第二输出层;
对象排序单元,用于通过所述预训练的排序模型对所述目标对象进行排序,并根据排序结果输出目标对象;
其中,所述标签关系表用于表示所述对象显示区域中各对象与预设标签之间的对应关系,所述特征关系表用于表示所述对象显示区域中各对象与预设特征之间的对应关系。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1~7中任一项所述的目标对象输出方法。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1~7中任一项所述的目标对象输出方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010479492.2A CN113744009B (zh) | 2020-05-29 | 2020-05-29 | 目标对象输出方法、装置、计算机可读介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010479492.2A CN113744009B (zh) | 2020-05-29 | 2020-05-29 | 目标对象输出方法、装置、计算机可读介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113744009A CN113744009A (zh) | 2021-12-03 |
CN113744009B true CN113744009B (zh) | 2024-06-18 |
Family
ID=78725121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010479492.2A Active CN113744009B (zh) | 2020-05-29 | 2020-05-29 | 目标对象输出方法、装置、计算机可读介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113744009B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114547455B (zh) * | 2022-02-22 | 2024-04-19 | 北京金堤科技有限公司 | 热门对象确定方法、装置、存储介质及电子设备 |
CN114625838B (zh) * | 2022-03-10 | 2024-07-05 | 平安科技(深圳)有限公司 | 一种搜索***的优化方法、装置、存储介质及计算机设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348906A (zh) * | 2019-07-11 | 2019-10-18 | 天津大学 | 一种基于多类型隐式反馈的改进商品推荐方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110019163A (zh) * | 2017-12-05 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 对象特征的预测、推荐的方法、***、设备和存储介质 |
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 |
CN109033140B (zh) * | 2018-06-08 | 2020-05-29 | 北京百度网讯科技有限公司 | 一种确定搜索结果的方法、装置、设备和计算机存储介质 |
CN111027714B (zh) * | 2019-12-11 | 2023-03-14 | 腾讯科技(深圳)有限公司 | 基于人工智能的对象推荐模型训练方法、推荐方法及装置 |
CN111192108A (zh) * | 2019-12-16 | 2020-05-22 | 北京淇瑀信息科技有限公司 | 一种用于产品推荐的排序方法、装置和电子设备 |
CN110969516B (zh) * | 2019-12-25 | 2024-04-26 | 清华大学 | 一种商品推荐方法及装置 |
-
2020
- 2020-05-29 CN CN202010479492.2A patent/CN113744009B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348906A (zh) * | 2019-07-11 | 2019-10-18 | 天津大学 | 一种基于多类型隐式反馈的改进商品推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113744009A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080413A (zh) | 电商平台商品的推荐方法、装置、服务器和存储介质 | |
Miao et al. | Context‐based dynamic pricing with online clustering | |
US10354184B1 (en) | Joint modeling of user behavior | |
US11010798B2 (en) | System and method for integrating retail price optimization for revenue and profit with business rules | |
Bauer et al. | Recommender systems based on quantitative implicit customer feedback | |
CN110969516A (zh) | 一种商品推荐方法及装置 | |
US20190108571A1 (en) | System and method for efficiently determining relevant products for display in an online marketplace | |
CN109685537B (zh) | 用户行为的分析方法、装置、介质和电子设备 | |
CN113744009B (zh) | 目标对象输出方法、装置、计算机可读介质及电子设备 | |
CN109417644A (zh) | 跨屏广告投放的收益优化 | |
US10922725B2 (en) | Automatic rule generation for recommendation engine using hybrid machine learning | |
CN107741967A (zh) | 用于行为数据处理的方法、装置以及电子设备 | |
CN108156204A (zh) | 一种目标对象推送***和方法 | |
Chan et al. | A biased random key genetic algorithm approach for inventory-based multi-item lot-sizing problem | |
Jiang et al. | A high-dimensional choice model for online retailing | |
CN108319612A (zh) | 受众媒体推荐方法和*** | |
CN113850654A (zh) | 物品推荐模型的训练方法、物品筛选方法、装置和设备 | |
CN113792952A (zh) | 用于生成模型的方法和装置 | |
CN112529636A (zh) | 商品推荐方法、装置、计算机设备及介质 | |
CN108830680A (zh) | 基于离散分解机的个性化推荐方法、***及存储介质 | |
CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
Sarridis et al. | Neural factorization applied to interaction matrix for recommendation | |
CN113781134A (zh) | 物品推荐方法、装置及计算机可读存储介质 | |
CN113378033A (zh) | 一种推荐模型的训练方法和装置 | |
Wang et al. | A new remanufacturing system scheduling model with diversified reprocessing routes using a hybrid meta-heuristic algorithm |
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 |