CN113781076B - 提示方法、装置、设备及可读存储介质 - Google Patents
提示方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN113781076B CN113781076B CN202010607112.9A CN202010607112A CN113781076B CN 113781076 B CN113781076 B CN 113781076B CN 202010607112 A CN202010607112 A CN 202010607112A CN 113781076 B CN113781076 B CN 113781076B
- Authority
- CN
- China
- Prior art keywords
- user
- candidate
- data
- vector
- target object
- 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 74
- 230000006399 behavior Effects 0.000 claims abstract description 120
- 238000013136 deep learning model Methods 0.000 claims abstract description 75
- 239000013598 vector Substances 0.000 claims description 121
- 238000012549 training Methods 0.000 claims description 41
- 238000011176 pooling Methods 0.000 claims description 16
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 1
- 238000005065 mining Methods 0.000 abstract description 9
- 238000012545 processing Methods 0.000 description 20
- 238000013461 design Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 10
- 101100274406 Schizosaccharomyces pombe (strain 972 / ATCC 24843) cid1 gene Proteins 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 235000019633 pungent taste Nutrition 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012163 sequencing technique Methods 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本申请实施例提供一种提示方法、装置、设备及可读存储介质,服务器根据目标对象确定出第一用户集合,获取该第一用户集合中每个用户的用户数据。服务器还获取候对象集合中各候选对象的描述数据。之后,服务器将获取到的属性数据、行为数据和描述数据输入至预先训练好的深度学习模型,使得深度学习模型输出第一用户集合这个整体对各候选对象的参考值。然后,服务器将参考值较高的一个或多个候选对象作为目标对象的关系对象。该过程中,服务器通过利用深度学习模型对目标对象和候选对象的明细数据进行分析,以从多个候选对象中挖掘出目标对象的关系对象,提高挖掘效率的同时降低对运营人员的依赖。
Description
技术领域
本申请实施例涉及互联网技术领域,尤其涉及一种提示方法、装置、设备及可读存储介质。
背景技术
随着互联网技术的日益发展以及电子商务的不断普及,各种电商平台上的商家越来越多。网店运营过程中及时发现竞争对手并提示商家,有助于商家及时、全面的调整营销策略,更好的服务客户。
常见的竞争对手发现过程中,运营人员根据目标店铺确定候选店铺,该候选店铺的商品与目标店铺所售商品相似或相同。然后,运营人员将选择出的候选店铺的相关信息,如销量、访问量等指标输入至用于挖掘竞争对手的***,由***对候选店铺进行分析,以确定候选店铺是否为目标店铺的竞争对手。该过程中,需要运营人员依赖专业的业务知识选择出候选店铺,并由***对各个候选店铺的销量、访问量等指标进行分析。
在实现本申请过程中,发明人发现现有技术中至少存在如下问题:***需要对各候选店铺进行分析,多次尝试后才能从众多的候选店铺中选择出竞争对手。显然,上述挖掘竞争对手的方法效率低下且严重依赖于运营人员的专业知识。
发明内容
本申请实施例提供一种提示方法、装置、设备及可读存储介质,通过利用深度学***台的明细数据进行分析以挖掘出关系对象,提高挖掘效率的同时降低对运营人员的依赖。
第一方面,本申请实施例提供一种提示方法,包括:根据第一用户集合获取用户数据,所述第一用户集合中的用户是第一时间段与目标对象产生关系的用户,所述用户数据包括用于表征所述用户属性的数据和表征所述用户行为的数据;获取候选集合中各候选对象的描述数据,所述候选对象与所述目标对象是同一平台上的不同对象;利用所述用户数据和各候选对象的描述数据,使用预先训练好的深度学***台的明细数据训练出的模型;根据所述候选集合中各候选对象的参考值,从所述候选集合中确定出所述目标对象的关系对象,所述关系对象为对所述目标对象存在影响的对象;输出提示信息,所述提示信息用于提示所述目标对象的关系对象。
一种可行的设计中,所述利用所述用户数据和各候选对象的描述数据,使用预先训练好的深度学习模型获取所述候选集合中各候选对象的参考值之前,还包括:
获取样本集,所述样本集中的样本包括正样本和负样本,所述正样本包括第二用户集合中用户的用户数据和所述目标对象的描述数据的组合,所述负样本包括所述第二用户集合中用户的用户数据和随机对象的描述数据的组合,所述第二用户集合中的用户是第二时间段与所述目标对象产生关系的用户,所述第二时间段早于所述第一时间段,所述随机对象是从所述目标对象外的其他对象中随机选择的;
使用所述样本集中的样本对初始模型进行训练,以得到所述深度学习模型。
一种可行的设计中,所述使用所述样本集中的样本对初始模型进行训练,以得到所述深度学习模型,包括:
从所述样本包含的用户数据中用于表征用户属性的数据中,提取出所述第二用户集合中各用户的画像特征;
从所述样本包含的用户数据中用于表征用户行为的数据中,提取出所述第二用户集合中各用户的动态特征,所述动态特征包括下述特征中的至少一个:所述第二用户集合中各用户的行为特征、所述第二用户集合中各用户的行为类目特征,所述行为类目特征包含用户的行为对应的类目的标识;
从所述样本包含的描述数据中提取出所述目标对象、各所述随机对象的属性特征和热度特征;
根据所述第二用户集合中各用户的画像特征、所述第二用户集合中各用户动态特征,以及所述目标对象、各所述随机对象的属性特征和热度特征,训练出所述深度学习模型。
一种可行的设计中,对于所述样本集中的任意一个样本,所述行为类目特征至少为两个,所述方法还包括:确定至少两个行为类目特征中各行为类目特征各自的特征向量,以得到至少两个特征向量;根据所述至少两个特征向量,确定池化向量;根据所述池化向量和所述随机对象的属性向量,确定权重向量,所述属性向量是根据所述随机对象的属性特征生成的;确定所述池化向量和所述权重向量的点乘,以得到点乘向量,所述点乘向量用于表征所述第二用户集合中用户的行为类目特征与所述随机对象的关联关系。
一种可行的设计中,上述的方法还包括:对于所述样本集中的任意一个样本,根据所述用户的用户画像特征,确定所述用户画像特征对应的画像特征向量;根据所述用户的行为特征,确定所述用户的行为特征向量;根据所述随机对象的热度特征生成所述随机对象的热度向量。
一种可行的设计中,所述根据所述第二用户集合中各用户的画像特征、所述第二用户集合中各用户动态特征,以及所述目标对象、各所述随机对象的属性特征和热度特征,训练出所述深度学习模型,包括:对于所述样本集中的任意一个样本,合并所述样本的画像特征向量、所述行为特征向量、所述点乘向量、所述热度向量,得到所述样本集中各样本的合并向量;根据所述样本集中各样本的合并向量对初始模型进行训练,以得到所述深度学习模型。
一种可行的设计中,所述利用所述用户数据和各候选对象的描述数据,使用预先训练好的深度学***均值,将所述平均值作为所述候选对象的参考值。
第二方面,本申请实施例提供一种提示装置,包括:
第一获取模块,用于根据第一用户集合获取用户数据,所述第一用户集合中的用户是第一时间段与目标对象产生关系的用户,所述用户数据包括用于表征所述用户属性的数据和表征所述用户行为的数据。
第二获取模块,用于获取候选集合中各候选对象的描述数据,所述候选对象与所述目标对象是同一平台上的不同对象。
第三获取模块,用于利用所述用户数据和各候选对象的描述数据,使用预先训练好的深度学***台的明细数据训练出的模型。
确定模块,用于根据所述候选集合中各候选对象的参考值,从所述候选集合中确定出所述目标对象的关系对象,所述关系对象为对所述目标对象存在影响的对象。
输出模块,用于输出提示信息,所述提示信息用于提示所述目标对象的关系对象。
一种可行的设计中,上述的装置还包括:
训练模块,用于在所述第三获取模块利用所述用户数据和各候选对象的描述数据,使用预先训练好的深度学习模型获取所述候选集合中各候选对象的参考值之前,获取样本集,使用所述样本集中的样本对初始模型进行训练,以得到所述深度学习模型;其中,所述样本集中的样本包括正样本和负样本,所述正样本包括第二用户集合中用户的用户数据和所述目标对象的描述数据的组合,所述负样本包括所述第二用户集合中用户的用户数据和随机对象的描述数据的组合,所述第二用户集合中的用户是第二时间段与所述目标对象产生关系的用户,所述第二时间段早于所述第一时间段,所述随机对象是从所述目标对象外的其他对象中随机选择的。
一种可行的设计中,所述训练模型在使用所述样本集中的样本对初始模型进行训练,以得到所述深度学习模型时,用于从所述样本包含的用户数据中用于表征用户属性的数据中,提取出所述第二用户集合中各用户的画像特征,从所述样本包含的用户数据中用于表征用户行为的数据中,提取出所述第二用户集合中各用户的动态特征,所述动态特征包括下述特征中的至少一个:所述第二用户集合中各用户的行为特征、所述第二用户集合中各用户的行为类目特征,所述行为类目特征包含用户的行为对应的类目的标识,从所述样本包含的描述数据中提取出所述目标对象、各所述随机对象的属性特征和热度特征,根据所述第二用户集合中各用户的画像特征、所述第二用户集合中各用户动态特征,以及所述目标对象、各所述随机对象的属性特征和热度特征,训练出所述深度学习模型。
一种可行的设计中,对于所述样本集中的任意一个样本,所述行为类目特征至少为两个,所述训练模块,还用于确定至少两个行为类目特征中各行为类目特征各自的特征向量,以得到至少两个特征向量;根据所述至少两个特征向量,确定池化向量;根据所述池化向量和所述随机对象的属性向量,确定权重向量,所述属性向量是根据所述随机对象的属性特征生成的;确定所述池化向量和所述权重向量的点乘,以得到点乘向量,所述点乘向量用于表征所述第二用户集合中用户的行为类目特征与所述随机对象的关联关系。
一种可行的设计中,所述训练模块,还用于对于所述样本集中的任意一个样本,根据所述用户的用户画像特征,确定所述用户画像特征对应的画像特征向量;根据所述用户的行为特征,确定所述用户的行为特征向量;根据所述随机对象的热度特征生成所述随机对象的热度向量。
一种可行的设计中,所述训练模块在根据所述第二用户集合中各用户的画像特征、所述第二用户集合中各用户动态特征,以及所述目标对象、各所述随机对象的属性特征和热度特征,训练出所述深度学习模型时,用于对于所述样本集中的任意一个样本,合并所述样本的画像特征向量、所述行为特征向量、所述点乘向量、所述热度向量,得到所述样本集中各样本的合并向量,根据所述样本集中各样本的合并向量对初始模型进行训练,以得到所述深度学习模型。
一种可行的设计中,所述第三获取模块,用于对于所述候选集合中的每个候选对象,将所述第一用户集合中的每个用户各自的用户数据以及所述候选对象的描述数据输入至所述深度学***均值,将所述平均值作为所述候选对象的参考值。
第三方面,本发明实施例提供一种电子设备,包括:处理器、存储器以及可执行指令;其中,所述可执行指令被存储在所述存储器中,并且被配置为由所述处理器执行,所述可执行指令包括用于执行如上第一方面或第一方面的各种可能的实现方式中的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如上第一方面或第一方面的各种可能的实现方式中的方法。
本申请实施例提供的提示方法、装置、设备及可读存储介质,服务器上部署预先训练好的深度学习模型,需要挖掘目标对象的关系对象时,服务器根据目标对象确定出第一用户集合,获取该第一用户集合中每个用户的用户数据,用户数据包括用于表征用户属性的数据和用于表征用户行为的数据。服务器还获取候对象集合中各候选对象的描述数据。之后,服务器将获取到的属性数据、行为数据和描述数据输入至预先训练好的深度学习模型,使得深度学习模型输出第一用户集合这个整体对各候选对象的参考值。然后,服务器将参考值较高的一个或多个候选对象作为目标对象的关系对象。该过程中,服务器通过利用深度学习模型对目标对象和候选对象的明细数据进行分析,以从多个候选对象中挖掘出目标对象的关系对象,提高挖掘效率的同时降低对运营人员的依赖。而且,由于候选集合中的各候选对象是除了目标对象外的其他对象,使得关系对象挖掘过程中不限于运营人员的少量知识,因此能够更准确的挖掘出关系对象。进一步的。第一用户集合是第一时间段内与目标对象产生关系的用户,该第一用户集合中的用户很有可能与候选对象相关的用户存在交集,因此能够更准确的挖掘出关系对象。
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,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是本申请实施例提供的提示方法的网络架构示意图;
图2是本申请实施例提供的对象识别方法的流程图;
图3是本申请实施例提供的提示方法中模型训练阶段的过程示意图;
图4为本申请实施例提供的一种提示装置的结构示意图;
图5为本申请实施例提供的另一种提示装置的结构示意图;
图6为本申请一实施例提供的电子设备的结构示意图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
目前,各种电商平台上的商家越来越多,如何运营使得网店产品的销量提升至关重要,而竞争分析是运营里的一个重要的分析方向。竞争分析的前提是找到竞争的对象。传统方法中依赖运营人员挖掘出竞争对象。具体的,运营人员寻找与目标店铺售卖产品相似的候选店铺,再结合候选店铺产品的销量、用户访问量等指标,根据该些指标确定候选店铺是否为目标店铺的竞争对手。该过程中,竞争对手是否合理很大程度上依赖运营人员的业务知识,运营人员需要通过多次尝试才能从候选店铺中选择出竞争对手,浪费的时间比较多,无形中对商家的决策造成影响。而且,一些工具类、配件类商品和竞争对手之间的关系不是特别明朗,这就为运营人员选择竞争对手造成一定程度的障碍。
另外,个人获取知识的空间总是有限的,人们总是会在自己熟知的空间内选择候选店铺。但是,如今电商平台中,店铺和商品的数量是及其庞大的,运营人员基于有限的知识仅能分析少量的候选店铺和商品,而无法获取到大部分店铺和商品的知识。而且,运营人员无法获取店铺之间的交叉人群,导致最终得到的指标与真实数据之间存在一定的间隙(gap)。
有鉴于此,本申请实施例提供一种提示方法、装置、设备及可读存储介质,通过利用深度学***台中目标对象和候选对象的明细数据进行分析,以从多个候选对象中挖掘出目标对象的关系对象,提高挖掘效率的同时降低对运营人员的依赖。
图1是本申请实施例提供的提示方法的网络架构示意图。请参照图1,该网络架构包括终端设备1、服务器2和终端设备3。终端设备1与服务器2建立网络连接,终端设备3与服务器2建立网络连接。终端设备1为普通用户的终端设备,如买家等的终端设备,终端设备1上安装有各种购物APP等,用户通过购物APP即可访问各种商家的网店、下订单、关注店铺等。终端设备3为卖家运营人员等的终端设备。服务器2上部署有预先训练好的深度学***台上目标对象和候选对象的明细数据进行分析,以从多个候选对象中挖掘出目标对象的关系对象并向运营人员的终端设备3发送提示信息。
下面,以图1所示架构为例,对本申请实施例所述的提示方法进行详细说明。示例性的,请参见图2。
图2是本申请实施例提供的对象识别方法的流程图。本实施例是从服务器的角度说明,本实施例包括:
101、根据第一用户集合获取用户数据,所述第一用户集合中的用户是第一时间段与目标对象产生关系的用户,所述用户数据包括用于表征所述用户属性的数据和表征所述用户行为的数据。
本申请实施例中,预先针对目标对象训练一个深度学习模型,该深度学习模型用于挖掘目标对象的关系对象,关系对象例如是目标对象的竞争对手等。训练好深度学习模型后,利用该深度学习模型挖掘目标对象的关系对象时,先确定第一用户集合,该第一用户集合中的用户是第一时间段与目标对象产生关系的用户。例如,目标对象为一个店铺,则第一用户集合中的用户是第一时间段购买过目标对象提供的商品的用户、关注过目标对象的用户、搜索过目标对象的用户等。其中,第一时间段例如为过去两天、过去一个星期等。
确定出第一用户集合后,服务器获取该第一用户集合中用户的用户数据,用户数据包括用于表征用户属性的数据和用于表征用户行为的数据。其中,用于表征用户属性的数据也称之为用户的静态数据,如用户的年龄、会员等级、性别等,该些数据一段时间内人,如一年、一个月内保持不变。用于表征用户行为的数据也称之为用户的动态数据,该些数据随着时间的变化而变化,如用户访问目标对象的次数、关注目标对象的次数、访问候选对象集合中某个候选对象的次数、对候选对象提供的商品下单的次数等。
102、获取候选集合中各候选对象的描述数据,所述候选对象与所述目标对象是同一平台上的不同对象。
候选集合是平台上除了目标对象外的任意一个对象。例如,电商平台中,目标对象为目标店铺,候选集合中的候选店铺是电商平台提供的海量店铺中,除目标店铺外的任意一家店铺。服务器随机的将电商平台中除目标对象外的其他一个或多个对象作为候选对象。或者,服务器将目标对象外的其他对象中满足一定关系的对象作为目标对象,例如,将第一用户集合中的用户下单过的店铺作为候选对象。再如,将主流产品与目标店铺相似的店铺作为候选对象。
在选定候选集合后,对于候选集合中的每一个候选对象,服务器获取用于描述该候选对象的描述数据,该描述数据包括静态数据和动态数据,静态数据例如为候选对象的店铺等级、候选对象经营的产品的三级类目等。动态数据包括该访问该候选对象的用户数量、购买该候选对象提供的产品的用户数量等。
103、利用所述用户数据和各候选对象的描述数据,使用预先训练好的深度学***台的明细数据训练出的模型。
示例性的,深度学***台的明细数据训练出的模型。服务器将获取到的用户数据和描述数据输入至预先训练好的深度学习模型,该深度学习模型对该些数据进行学习,以输出第一用户集合中的用户对个候选对象的偏好程度的参考值。对于一个具体的候选对象而言,参考值反映了第一用户集合这个整体对候选对象的偏好程度。参考值越高,则说明第一用户集合中的用户越偏好该候选对象,而第一用户集合是目标对象的购买人群等,因此,参考值越高的候选对象与目标对象的竞争关系越强。
104、根据所述候选集合中各候选对象的参考值,从所述候选集合中确定出所述目标对象的关系对象。
示例性的,所述关系对象为对所述目标对象存在影响的对象,关系对象与目标对象例如为竞争关系等。服务器在得到第一用户集合对候选集合中每个候选集合的参考值后,对该些参考值进行倒排序,即按照参考值从高至低的顺序对各候选集合的参考值排序。然后,根据排序得到的候选对象队列选择目标对象的关系对象。例如,将候选对象队列中得分最高的N个候选对象作为目标对象的关系对象,N≥1且为整数。再如,将候选对象队列中参考值超过阈值参考值的候选对象作为目标对象的关系对象。
105、输出提示信息,所述提示信息用于提示所述目标对象的关系对象。
示例性的,服务器输出指示目标对象的关系对象的提示信息,该提示信息中携带关系对象的标识等。例如,服务器向显示器发送提示信息,以使得显示器显示目标对象的关系对象;再如,服务器向运营人员的终端设备发送提示信息,以告知运营人员哪些候选对象是目标对象的关系对象,使得运营人员及时对目标店铺的运营策略进行调整等。
本申请实施例提供的提示方法,服务器上部署预先训练好的深度学习模型,需要挖掘目标对象的关系对象时,服务器根据目标对象确定出第一用户集合,获取该第一用户集合中每个用户的用户数据,用户数据包括用于表征用户属性的数据和用于表征用户行为的数据。服务器还获取候对象集合中各候选对象的描述数据。之后,服务器将获取到的属性数据、行为数据和描述数据输入至预先训练好的深度学习模型,使得深度学习模型输出第一用户集合这个整体对各候选对象的参考值。然后,服务器将参考值较高的一个或多个候选对象作为目标对象的关系对象。该过程中,服务器通过利用深度学习模型对目标对象和候选对象的明细数据进行分析,以从多个候选对象中挖掘出目标对象的关系对象,提高挖掘效率的同时降低对运营人员的依赖。而且,由于候选集合中的各候选对象是除了目标对象外的其他对象,使得关系对象挖掘过程中不限于运营人员的少量知识,因此能够更准确的挖掘出关系对象。进一步的。第一用户集合是第一时间段内与目标对象产生关系的用户,该第一用户集合中的用户很有可能与候选对象相关的用户存在交集,因此能够更准确的挖掘出关系对象。
下面,对如何训练出深度学习模型进行详细说明。本申请实施例中,训练深度学习模型的过程主要包括两个阶段:数据采集阶段和模型训练阶段。
首先,数据采集阶段。
该阶段中,服务器获取样本集,所述样本集中的样本包括正样本和负样本,所述正样本包括第二用户集合中用户的用户数据和所述目标对象的描述数据的组合,所述负样本包括所述第二用户集合中用户的用户数据和随机对象的描述数据的组合,所述第二用户集合中的用户是第二时间段与所述目标对象产生关系的用户,所述第二时间段早于所述第一时间段,所述随机对象是从所述目标对象外的其他对象中随机选择的。
本申请实施例中,对于目标对象,服务器利用第二时间段内的数据训练出深度学习模型。然后,将第一时间段内的数据作为一个输入,输入至深度学习模型,以使得深度学习模型结合其他输入数据,如描述数据等挖掘出目标对象的关系对象。其中,第二时间段例如为过去一个月、半个月或过去一个星期,第一时间段例如为过去5天、过去3天等。
在数据采集阶段,服务器选取第二用户集合,基于第二用户集合获取到第二用户集合中各用户的用户数据。服务器还获取多个随机对象中每个样本的描述数据,以及目标对象的描述数据。之后,服务器根据该些数据得到正样本和负样本。下面,对该些过程分别进行详细说明。
服务器根据目标对象获取第二用户集合,该第二用户集合中的用户例如为第二时间段内访问过目标对象、搜索过目标对象等的用户。之后,服务器获取第二用户集合中每个用户的用户数据。例如,第二时间段为过去一个星期,则服务器从过去一个星期的历史数据中确定出第二用户集合中每个用户的用户数据。
服务器获取描述数据时,以随机对象为例,服务器获取该随机对象的属性数据和动态数据,随机对象的属性数据如随机对象经营产品的类目等,随机对象的动态数据如访问随机对象的用户量、购买随机对象经营产品的用户量等。
获取到上述数据后,服务器利用上述数据得到正样本和负样本。简单来说,第二用户集合和目标对象的相关数据组成正样本,第二用户集合和随机对象的相关数据组成负样本。
详细来说,一个正样本包括:第二用户集合中一个用户的用户数据,以及目标对象的描述数据。一个负样本包括:第二用户集合中一个用户的用户数据,以及一个随机对象的描述数据。正样本和负样本的比例例如为1:5等。
采用该种方案,服务器将目标对象的描述数据和根据目标对象得到的第二用户集合的用户数据组合得到正样本,而将随机选取的随机对象和第二用户集合中的用户数据组合得到负样本,从而将无监督的深度学习转换为有监督的深度学习,大大提升了深度学习模型的准确率。
其次,模型训练阶段。
本申请实施例中,模型训练阶段包括特征提取与处理过程、模型训练过程。下面,对该些过程分别进行详细说明。示例性的,请参见图3,图3是本申请实施例提供的提示方法中模型训练阶段的过程示意图。
请参照图3,从下自上,第一层为输入层,用于输入各种特征。第一层输入的各种特征包括下述特征中的至少一个:第二用户集合中各用户的画像特征(user porfile)、第二用户集合中各用户的动态特征、目标对象的属性特征和热度特征、随机对象的属性特征(shop side-info)和热度特征(shop act)。其中,用户的动态特征包括用户行为(useraction)特征、用户对对象的行为特征(图中未示意出)和中各用户的行为类目特征,行为类目特征包含对应用户的行为针对的多个类目的标识。用户的行为包括访问(pv)、下订单(order)、加购(cart)、关注(follow)、搜索(search)等,相应的,行为类目特征包括访问类目集合(pv set)、购买类目集合(ord set)、加购类目集合(cart set)、关注类目集合(fllow set)。
第二层为特征的处理层。这一层中,服务器利用嵌入(embedding)、分桶、词频逆文本频率(term frequency–inverse document frequency,TF-IDF)、独热码(onhot)、注意力(attention)机制、全连接等方式对该些特征进行处理,以得到特征向量。
A、输入层为画像特征,处理层对画像特征进行处理得到画像特征向量。
对于画像特征,服务器从样本包含用户数据中用于表征用户属性的数据中提取出第二用户集合中各用户的画像特征,用于表征用户属性的数据例如是第二用户集合中的各用户的注册信息等。服务器对样本包含的属性数据进行分析,得到年龄、性别、会员级别、偏好类目、最近访问时间等特征,将这些特征作为用户的画像特征。这部分特征都是从1开始的连续的整数,例如,分别用1、2、3表示女性、男性、其他(other)。
由于直接把这些数据输入到线性模型存在一些问题,比如,2并不表示1的两倍。因此,需要对该些特征进行独热码(onthot)处理,以得到画像特征向量。示例性的,请参见表1。
表1
请参照表1,假设性别这一个特征的有1(男)、2(女)、3(其他)三种取值,经过独热码处理,1倍映射为[1,0,0],2被映射为[0,1,0],3被映射为[0,0,1]。同理,年龄这一特征被划分为4个区间,第一区间为10-18,第二区间为18-30,第三区间为30-45,第四区间为45以上,该四个区间分别被映射为[1,0,0,0]、[0,1,0,0]、[0,0,1,0]、[0,0,0,1]。
另外,对于onehot处理之后的特征,若其维度较高且是稀疏性的数据,则对onehot处理后的特征进行全连接的处理,以降低onehot处理后的特征的维度,如降低至200维。
B、输入层为用户的行为特征,处理层对行为特征进行处理得到行为特征向量。
对于第二用户集合中各用户的行为,服务器从所述样本包含的用户数据中用于表征用户行为的数据中,提取出所述第二用户集合中各用户的动态特征,所述动态特征包括下述特征中的至少一个:所述第二用户集合中各用户的行为特征、所述第二用户集合中各用户的行为类目特征,所述行为类目特征包含用户的行为对应的多个类目的标识。
示例性的,用户行为包括三种:用户自身的行为、用户对对象的行为以及行为类目序列。
对于用户自身的行为,服务器统计第二时间段内第二用户集合中的各用户的访问(page view,PV)、关注、搜索、加购、购买等行为。对于不同的行为,服务器采用不同的标准进行处理。示例性的,请参见表2。
请参照表2,对于PV、关注、搜索和加购,第二时间段例如为15天,以当天为0点,服务器将该15天分为三个区间:1-3、4-7以及8-15,分别表示前1-3天、前4-7天以及前8-15天,服务器统计该3个区间内,每个用户各自的PV次数、关注次数、搜索次数和加购次数。
再请参照表2,对于购买行为,第二时间段例如为两年,该两年被划分为过去1、2-3、4-8、9-12、13-24共5个区间,分别表示过去1个月、过去两个月和过去三个月、过去的4-8月、过去9-12个月、前年。
上述表2中,对于一个具体的用户,服务器不区分对象,以用户的行为为关注、时间区间为过去1-3个月为例,表2中统计出的数据包括该用户过去1-3月关注的对象的数量。该种用户行为由于只考虑用户本身而不区分对象,因此,该种行为也称为用户自身的行为。
区分对象时,对于第二用户集合中的每一个用户,服务器统计该用户对对每一个对象发生的行为的数量。示例性的,可参见表3。
表3
根据表3可知:相较于表2,表3中的Y是针对一个具体对象的数据,而表2中的X是用户行为相关的所有店铺的统计值。该种用户行为称为用户对对象的行为。
根据上述可知:服务器对用户的行为数据进行分桶处理,从而得到一系列的离散特征。需要说明的是,上述分桶过程中,以用户行为为pv为例,服务器通过将第二时间段划分为1-3、4-7以及8-15共3个时间段。然而,本申请实施例并不限制,例如,对于用户自身的行为,将第二时间段划分为:0、1-5、6-20、21+,即当天、过去5天、过去第6天-第20天、21天之前。再如,对于用户对对象的行为,将第二时间段划分为0、1-3、4-10、11+共四个区间,分别表示当天、过去3天、过去第4天-第10天、11天之前。
C、输入层为用户的行为类目特征,处理层对行为类目特征进行处理得到特征向量。
对于用户的任意一种行为,如PV、搜索、加购、关注等,服务器统计该行为针对的三级类目,得到三级类目集合,将该三级类目集合作为行为类目特征。例如,访问这一行为的行为类目特征为pv:[cid1,cid4,cid9……cidj]。该行为表示用户访问过的类目包括标识为cid1、cid4、cid9……cid9的类目。每个类目例如为三级类目,小家电等。另外,对于各个行为来说,由于一段较长时间内,类目的先后顺序对行为类目特征的影响并不大,因此,行为类目特征中并未考虑时间。
由于用户对各个类目的行为是多次的,访问频繁说明了用户更关注此类目。因此,需要把访问的次数考虑进去。但是某些类目,如卫生纸等,大部分的用户都会浏览后购买,对于这种商品,无需区分用户。出于上述考虑,在服务器在对用户的行为类目特征进行处理时,使用tfidf的方式对每种行为的行为类目特征进行处理,tfidf是一种用于信息与数据挖掘的常用加权技术。tfidf处理过程分为计算词频(term frequency,TF)和计算逆文本频率指数(Inverse Document Frequency,IDF)。计算TF时,由于TF即为每个类目在某个用户的访问类目集合中出现的概率。若某个用户的访问类目集合中共包含N个类目,某一类目(category)出现m次,则TF的值为m/N。服务器利用如下公式计算出IDF:
该公式中,|D|表示用户总数,|j:ti∈dj|表示访问过类目ti的人数。计算出TF和IDF后,即可确定出每个用户的每种行为下不同类目的权重。示例性的,可参见表4。
表4
请参照表4,服务器通过TF×IDF即可得到每个用户的每种行为下不同类目的权重。以用户1的pv行为的行为类目特征pv:[cid1,cid4,cid9……cidj]为例,经过tfidf处理后,用户1的pv行为的行为类目特征为[0,0.321,0.861…0]。假设用户1的pv行为的行为类目特征pv:[cid1,cid4,cid9……cidj]中有5个具体的类目,而电商平台上共有1000个类目,则经过tfidf处理后,用户1的pv行为的行为类目特征为一个1000维的向量,该1000维的向量中有5个元素不为0,其他元素为0。
D、输入层为随机对象的属性特征,处理层对随机对象的属性特征进行处理得到属性向量。
以随机对象均为电商平台上的店铺为例,一般情况下,一个店铺会有几个主营类目。服务器获取随机对象主营的三级类目的身份标识(identity,ID),对这些ID做one-hot处理,就能够得到随机对象的主营类目的一个向量[0,0,0,0,1,0,1…,0,1],该向量与表4中经过tfidf得到的向量具有相同大小,且对应位置的三级类目相同。也就是说,这两个向量的长度一致,后续利用该两个向量和注意力机制就能够确定出用户对对象(如店铺)的偏好程度。
E、输入层为随机对象的热度特征,处理层对随机对象的热度特征进行处理得到热度向量。
示例性的,对于每个随机对象,服务器统计第二时间段内用户对随机对象发生的行为的次数进行统计,从而得到随机对象的各种热度。其中,行为包括pv、关注、搜索、加购、购买。示例性的,请参见表5。
表5
pv | follow | search | cart | order | |
随机对象1 | X | X | X | X | X |
… |
表5中,Z表示次数。
下面,着重描述模型训练过程。
请参照图3,输入层输入为来自各种渠道的数据,该些数据多维稀疏的维度较高的活着连续性的特征。该些特征经过处理层的处理后,得到离散化数据。处理层的处理包括嵌入、分桶、TF-IDF、独热码等。对应行为类目特征,如PV类目特征、购买(ord)类目特征、加购(cart)类目特征、关注(follow)类目特征,服务器对该些行为类目特征进行TF-IDF处理后得到各个行为类目特征各自的特征向量。之后,服务器对该些特征向量进行和池(sumpooling)处理,得到池化向量,池化过程中,需要设定初始化的权重参数。之后,服务器根据所述池化向量和所述随机对象的属性向量,确定权重向量。其中,属性向量是根据随机对象的属性特征生成的。由于一个随机对象的属性向量表示该店铺主营类目,因此,将该属性向量和池化向量通过注意力(attention)机制联系起来,相当于将用户的行为类目特征和随机对象的主营类目通过注意力(attention)机制联系起来,激活了两者之间的关系,即激活了两者之间的关系。
上述是模型训练阶段如何处理负样本的过程,可以理解的是,对于正样本,服务器采用上述相同的方式进行处理。
请参照图3,服务器在确定出权重向量后,将该权重向量与之前确定的池化向量做点乘处理从而得到点乘向量,点乘向量用于表征所述第二用户集合中用户的行为类目特征与所述随机对象的关联关系。采用该种方案,考虑到用户对随机对象的行为的稀疏性,用随机对象的三级类目来表示随机对象,并且以点积的方式来计算用户对随机对象的注意力(attention),实现利用多源数据训练出准确的深度学习模型的目的。
请参照图3,服务器在得到画像特征向量、行为特征向量、点乘向量、热度向量后,服务器将该些向量合并(concat)起来,得到一个合并向量。
之后,服务器将样本集中的各样本对应的合并向量输入至初始模型,该初始模型例如为多层全连接的深度神经网络(deep neural networks,DNN)。之后,服务器不断优化DNN的参数,直到DNN最优,从而训练出深度学习模型。以多层DNN为三层的DNN为例,三层DNN包括连接层(concat)、2个密集层(dense)。该三层的DNN中每个层为一个全连接层,每层的维度根据实际效果选取,例如,从下自上每层的维度为300、50和2。
另外,模型训练阶段,选取最优的深度学习模型时,可以尝试学习率、每层的元素数目、训练的批(batch)大小等。
针对目标对象训练出深度学***均值,将平均值作为候选对象的参考值。按照同样的方式,服务器能够获得候选集合中每个候选对象的参考值。之后,服务器对各候选对象的参考值倒排序,即按照从高到低的顺序对该些候选对象排序,将topN的候选对象作为目标对象的关系对象。
采用该种方案,通过获取第一用户集合整体对各候选对象的偏好程度的参考值,进而倒排序选择出目标对象的关系对象,实现准确选取出目标对象的关系的目的。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图4为本申请实施例提供的一种提示装置的结构示意图。该提示装置100可以通过软件和/或硬件的方式实现。如图4所示,该提示装置100包括:
第一获取模块11,用于根据第一用户集合获取用户数据,所述第一用户集合中的用户是第一时间段与目标对象产生关系的用户,所述用户数据包括用于表征所述用户属性的数据和表征所述用户行为的数据;
第二获取模块12,用于获取候选集合中各候选对象的描述数据,所述候选对象与所述目标对象是同一平台上的不同对象;
第三获取模块13,用于利用所述用户数据和各候选对象的描述数据,使用预先训练好的深度学***台的明细数据训练出的模型;
确定模块14,用于根据所述候选集合中各候选对象的参考值,从所述候选集合中确定出所述目标对象的关系对象,所述关系对象为对所述目标对象存在影响的对象;
输出模块15,用于输出提示信息,所述提示信息用于提示所述目标对象的关系对象。
图5为本申请实施例提供的另一种提示装置的结构示意图。该提示装置100在上述图4的基础上进一步的还包括:
训练模块16,用于在所述第三获取模块13利用所述用户数据和各候选对象的描述数据,使用预先训练好的深度学习模型获取所述候选集合中各候选对象的参考值之前,获取样本集,使用所述样本集中的样本对初始模型进行训练,以得到所述深度学习模型;其中,所述样本集中的样本包括正样本和负样本,所述正样本包括第二用户集合中用户的用户数据和所述目标对象的描述数据的组合,所述负样本包括所述第二用户集合中用户的用户数据和随机对象的描述数据的组合,所述第二用户集合中的用户是第二时间段与所述目标对象产生关系的用户,所述第二时间段早于所述第一时间段,所述随机对象是从所述目标对象外的其他对象中随机选择的。
一种可行的设计中,所述训练模型在使用所述样本集中的样本对初始模型进行训练,以得到所述深度学习模型时,用于从所述样本包含的用户数据中用于表征用户属性的数据中,提取出所述第二用户集合中各用户的画像特征,从所述样本包含的用户数据中用于表征用户行为的数据中,提取出所述第二用户集合中各用户的动态特征,所述动态特征包括下述特征中的至少一个:所述第二用户集合中各用户的行为特征、所述第二用户集合中各用户的行为类目特征,所述行为类目特征包含用户的行为对应的类目的标识,从所述样本包含的描述数据中提取出所述目标对象、各所述随机对象的属性特征和热度特征,根据所述第二用户集合中各用户的画像特征、所述第二用户集合中各用户动态特征,以及所述目标对象、各所述随机对象的属性特征和热度特征,训练出所述深度学习模型。
一种可行的设计中,对于所述样本集中的任意一个样本,所述行为类目特征至少为两个,所述训练模块16,还用于确定至少两个行为类目特征中各行为类目特征各自的特征向量,以得到至少两个特征向量;根据所述至少两个特征向量,确定池化向量;根据所述池化向量和所述随机对象的属性向量,确定权重向量,所述属性向量是根据所述随机对象的属性特征生成的;确定所述池化向量和所述权重向量的点乘,以得到点乘向量,所述点乘向量用于表征所述第二用户集合中用户的行为类目特征与所述随机对象的关联关系。
一种可行的设计中,所述训练模块16,还用于对于所述样本集中的任意一个样本,根据所述用户的用户画像特征,确定所述用户画像特征对应的画像特征向量;根据所述用户的行为特征,确定所述用户的行为特征向量;根据所述随机对象的热度特征生成所述随机对象的热度向量。
一种可行的设计中,所述训练模块16在根据所述第二用户集合中各用户的画像特征、所述第二用户集合中各用户动态特征,以及所述目标对象、各所述随机对象的属性特征和热度特征,训练出所述深度学习模型时,用于对于所述样本集中的任意一个样本,合并所述样本的画像特征向量、所述行为特征向量、所述点乘向量、所述热度向量,得到所述样本集中各样本的合并向量,根据所述样本集中各样本的合并向量对初始模型进行训练,以得到所述深度学习模型。
一种可行的设计中,所述第三获取模块13,用于对于所述候选集合中的每个候选对象,将所述第一用户集合中的每个用户各自的用户数据以及所述候选对象的描述数据输入至所述深度学***均值,将所述平均值作为所述候选对象的参考值。
本申请实施例提供的提示装置,可以执行上述方法实施例中服务器的动作,其实现原理和技术效果类似,在此不再赘述。
图6为本申请一实施例提供的电子设备的结构示意图。如图6所示,该电子设备200包括:
处理器21和存储器22;
所述存储器22存储可执行指令;
所述至少一个处理器21执行所述存储器22存储的可执行指令,使得所述至处理器21执行如上应用于服务器的方法。
处理器21的具体实现过程可参见上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
可选地,该电子设备200还包括通信接口23。其中,处理器21、存储器22以及通信接口23可以通过总线24连接。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有可执行指令,所述可执行指令被处理器执行时用于实现如上应用于服务器的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本发明旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开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,本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是,本公开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。本公开的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种提示方法,其特征在于,包括:
根据第一用户集合获取用户数据,所述第一用户集合中的用户是第一时间段与目标对象产生关系的用户,所述用户数据包括用于表征用户属性的数据和表征用户行为的数据;
获取候选集合中各候选对象的描述数据,所述候选对象与所述目标对象是同一平台上的不同对象;
利用所述用户数据和各候选对象的描述数据,使用预先训练好的深度学***台的明细数据训练出的模型;
根据所述候选集合中各候选对象的参考值,从所述候选集合中确定出所述目标对象的关系对象,所述关系对象为对所述目标对象存在影响的对象;
输出提示信息,所述提示信息用于提示所述目标对象的关系对象。
2.根据权利要求1所述的方法,其特征在于,所述利用所述用户数据和各候选对象的描述数据,使用预先训练好的深度学习模型获取所述候选集合中各候选对象的参考值之前,还包括:
获取样本集,所述样本集中的样本包括正样本和负样本,所述正样本包括第二用户集合中用户的用户数据和所述目标对象的描述数据的组合,所述负样本包括所述第二用户集合中用户的用户数据和随机对象的描述数据的组合,所述第二用户集合中的用户是第二时间段与所述目标对象产生关系的用户,所述第二时间段早于所述第一时间段,所述随机对象是从所述目标对象外的其他对象中随机选择的;
使用所述样本集中的样本对初始模型进行训练,以得到所述深度学习模型。
3.根据权利要求2所述的方法,其特征在于,所述使用所述样本集中的样本对初始模型进行训练,以得到所述深度学习模型,包括:
从所述样本包含的用户数据中用于表征用户属性的数据中,提取出所述第二用户集合中各用户的画像特征;
从所述样本包含的用户数据中用于表征用户行为的数据中,提取出所述第二用户集合中各用户的动态特征,所述动态特征包括下述特征中的至少一个:所述第二用户集合中各用户的行为特征、所述第二用户集合中各用户的行为类目特征,所述行为类目特征包含用户的行为对应的类目的标识;
从所述样本包含的描述数据中提取出所述目标对象、各所述随机对象的属性特征和热度特征;
根据所述第二用户集合中各用户的画像特征、所述第二用户集合中各用户动态特征,以及所述目标对象、各所述随机对象的属性特征和热度特征,训练出所述深度学习模型。
4.根据权利要求3所述的方法,其特征在于,对于所述样本集中的任意一个样本,所述行为类目特征至少为两个,所述方法还包括:
确定至少两个行为类目特征中各行为类目特征各自的特征向量,以得到至少两个特征向量;
根据所述至少两个特征向量,确定池化向量;
根据所述池化向量和所述随机对象的属性向量,确定权重向量,所述属性向量是根据所述随机对象的属性特征生成的;
确定所述池化向量和所述权重向量的点乘,以得到点乘向量,所述点乘向量用于表征所述第二用户集合中用户的行为类目特征与所述随机对象的关联关系。
5.根据权利要求4所述的方法,其特征在于,还包括:
对于所述样本集中的任意一个样本,根据所述用户的用户画像特征,确定所述用户画像特征对应的画像特征向量;
根据所述用户的行为特征,确定所述用户的行为特征向量;
根据所述随机对象的热度特征生成所述随机对象的热度向量。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第二用户集合中各用户的画像特征、所述第二用户集合中各用户动态特征,以及所述目标对象、各所述随机对象的属性特征和热度特征,训练出所述深度学习模型,包括:
对于所述样本集中的任意一个样本,合并所述样本的画像特征向量、所述行为特征向量、所述点乘向量、所述热度向量,得到所述样本集中各样本的合并向量;
根据所述样本集中各样本的合并向量对初始模型进行训练,以得到所述深度学习模型。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述利用所述用户数据和各候选对象的描述数据,使用预先训练好的深度学习模型获取所述候选集合中各候选对象的参考值,包括:
对于所述候选集合中的每个候选对象,将所述第一用户集合中的每个用户各自的用户数据以及所述候选对象的描述数据输入至所述深度学习模型,以得到所述第一用户集合中的每个用户对所述候选对象的参考值;
确定所述第一用户集合中的每个用户对所述候选对象的参考值的平均值,将所述平均值作为所述候选对象的参考值。
8.一种提示装置,其特征在于,包括:
第一获取模块,用于根据第一用户集合获取用户数据,所述第一用户集合中的用户是第一时间段与目标对象产生关系的用户,所述用户数据包括用于表征用户属性的数据和表征用户行为的数据;
第二获取模块,用于获取候选集合中各候选对象的描述数据,所述候选对象与所述目标对象是同一平台上的不同对象;
第三获取模块,用于利用所述用户数据和各候选对象的描述数据,使用预先训练好的深度学***台的明细数据训练出的模型;
确定模块,用于根据所述候选集合中各候选对象的参考值,从所述候选集合中确定出所述目标对象的关系对象,所述关系对象为对所述目标对象存在影响的对象;
输出模块,用于输出提示信息,所述提示信息用于提示所述目标对象的关系对象。
9.一种电子设备,其特征在于,包括:存储器,处理器;
存储器,用于存储程序指令;
处理器,用于调用并执行所述存储器中的程序指令,执行权利要求1-7任一项所述的方法步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序,所述计算机程序用于执行权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010607112.9A CN113781076B (zh) | 2020-06-29 | 2020-06-29 | 提示方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010607112.9A CN113781076B (zh) | 2020-06-29 | 2020-06-29 | 提示方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113781076A CN113781076A (zh) | 2021-12-10 |
CN113781076B true CN113781076B (zh) | 2024-06-18 |
Family
ID=78835071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010607112.9A Active CN113781076B (zh) | 2020-06-29 | 2020-06-29 | 提示方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113781076B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609064A (zh) * | 2017-08-30 | 2018-01-19 | 成都中建科联网络科技有限公司 | 基于数据挖掘的竞争对手智能分析方法 |
CN108197106A (zh) * | 2017-12-29 | 2018-06-22 | 深圳市中易科技有限责任公司 | 一种基于深度学习的产品竞争分析方法、装置及*** |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101436191A (zh) * | 2007-11-13 | 2009-05-20 | 日电(中国)有限公司 | 用于计算对象之间竞争性度量的方法与*** |
US10600017B2 (en) * | 2015-12-14 | 2020-03-24 | International Business Machines Corporation | Co-opetition index based on rival behavior in social networks |
FR3071085B1 (fr) * | 2017-09-14 | 2022-02-04 | Amadeus Sas | Un procede et un systeme d'apprentissage automatique pour predire les interactions d'un utilisateur en ligne |
CN110675205B (zh) * | 2018-07-03 | 2022-11-29 | 百度在线网络技术(北京)有限公司 | 基于应用的竞品分析方法、装置及存储介质 |
CN109614495B (zh) * | 2018-08-08 | 2023-11-28 | 深圳市宏骏大数据服务有限公司 | 一种结合知识图谱和文本信息的相关公司挖掘方法 |
JP6825613B2 (ja) * | 2018-12-11 | 2021-02-03 | 東京電力ホールディングス株式会社 | 情報処理方法、プログラム、情報処理装置及び学習済みモデルの生成方法 |
CN111291264B (zh) * | 2020-01-23 | 2023-06-23 | 腾讯科技(深圳)有限公司 | 基于机器学习的访问对象预测方法、装置和计算机设备 |
-
2020
- 2020-06-29 CN CN202010607112.9A patent/CN113781076B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609064A (zh) * | 2017-08-30 | 2018-01-19 | 成都中建科联网络科技有限公司 | 基于数据挖掘的竞争对手智能分析方法 |
CN108197106A (zh) * | 2017-12-29 | 2018-06-22 | 深圳市中易科技有限责任公司 | 一种基于深度学习的产品竞争分析方法、装置及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113781076A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109189904A (zh) | 个性化搜索方法及*** | |
CN109064285B (zh) | 一种获得商品推荐序列及商品推荐方法 | |
JP5485911B2 (ja) | アンサンブル加盟店予測システムを実装するための方法および装置 | |
CN111784455A (zh) | 一种物品推荐方法及推荐设备 | |
US20230153870A1 (en) | Unsupervised embeddings disentanglement using a gan for merchant recommendations | |
CN109034960B (zh) | 一种基于用户节点嵌入的多属性推断的方法 | |
US20190080352A1 (en) | Segment Extension Based on Lookalike Selection | |
US12002052B2 (en) | Feature subspace isolation and disentanglement in merchant embeddings | |
CN111429161B (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
CN103309869A (zh) | 数据对象的展示关键词推荐方法及*** | |
CN111966886A (zh) | 对象推荐方法、对象推荐装置、电子设备及存储介质 | |
US20210342744A1 (en) | Recommendation method and system and method and system for improving a machine learning system | |
CN111967924A (zh) | 商品推荐方法、商品推荐装置、计算机设备和介质 | |
Lin et al. | A consumer review-driven recommender service for web e-commerce | |
KR20220001616A (ko) | 통합 고객 식별자 생성을 기반으로 하는 고객 빅데이터 구축 방법, 장치 및 시스템 | |
CN115982463A (zh) | 资源推荐方法、装置、设备及存储介质 | |
KR102119083B1 (ko) | 사용자 리뷰 기반 평점 재산정 장치 및 방법, 이를 기록한 기록매체 | |
CN113781076B (zh) | 提示方法、装置、设备及可读存储介质 | |
Hwang et al. | Personalized internet advertisement recommendation service based on keyword similarity | |
Cherednichenko et al. | Information technology for intellectual analysis of item descriptions in e-commerce | |
CN115511582A (zh) | 一种基于人工智能的商品推荐***及方法 | |
CN111639989B (zh) | 商品推荐方法和可读存储介质 | |
CN114925261A (zh) | 关键词确定方法、装置、设备、存储介质及程序产品 | |
JP7158870B2 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
Ferdous et al. | Assortment of bangladeshi e-commerce site reviews using machine learning approaches |
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 |