CN113781085A - 信息生成方法、装置、电子设备和计算机可读介质 - Google Patents
信息生成方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN113781085A CN113781085A CN202110077184.1A CN202110077184A CN113781085A CN 113781085 A CN113781085 A CN 113781085A CN 202110077184 A CN202110077184 A CN 202110077184A CN 113781085 A CN113781085 A CN 113781085A
- Authority
- CN
- China
- Prior art keywords
- item
- vector
- information
- target
- information sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 203
- 230000015654 memory Effects 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 6
- 230000006403 short-term memory Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003599 detergent Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000008267 milk Substances 0.000 description 2
- 210000004080 milk Anatomy 0.000 description 2
- 235000013336 milk Nutrition 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance 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
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
- G06Q30/0256—User search
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开的实施例公开了信息生成方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：从第一物品信息序列中提取表征目标用户执行目标价值操作的特征信息，得到第一向量，其中，该第一物品信息序列中每个物品信息对应物品为该目标用户在第一预定时间内执行目标价值操作的物品；根据第二预定时间内的第二物品信息序列，生成第二向量；根据目标物品类别相关的物品信息序列，生成第三向量；生成表征未来第三预定时间内对该目标物品类别的物品执行该目标价值操作的概率信息。本公开的实施例的信息生成方法可以准确、有效的预测未来预定时间目标用户有多大概率对该目标物品类别的物品执行该目标价值操作。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及信息生成方法、装置、电子设备和计算机可读介质。
背景技术
目前，随着互网络的普及，网上购物已经成为人们日常生活中不可缺少的环节。因此，各个购物平台大多都想预测用户是否会购买某类物品以此将该类物品的信息推送给用户。现有预测方式常常包括：由于每个用户行为都对应一个时间戳，历史用户行为依照时间先后顺序排列形成时间序列，然后通过时间序列预测算法(如回归模型、循环神经网络等)可以预测用户对目标物品类别的物体执行目标价值操作的概率信息。
然而，当采用上述方式生成预测概率信息时，经常会存在如下技术问题：忽略了用户行为之间的时间跨度信息以及较难捕获用户长期信息，导致预测的概率信息不准确。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了信息生成方法、装置、设备和计算机可读介质，来解决以上背景技术部分提到的技术问题。
第一方面，本公开的一些实施例提供了一种信息生成方法，该方法包括：从第一物品信息序列中提取表征目标用户执行目标价值操作的特征信息，得到第一向量，其中，上述第一物品信息序列中每个物品信息对应物品为上述目标用户在第一预定时间内执行目标价值操作的物品；根据第二预定时间内的第二物品信息序列，生成第二向量，其中，上述第二物品信息序列中每个物品信息对应物品为上述目标用户在上述第二预定时间内执行各个价值操作中至少一个价值操作的物品，上述第二向量表征上述目标用户在上述第二预定时间内对各个物品类别的偏好信息；根据目标物品类别相关的物品信息序列，生成第三向量，其中，上述第三向量表征上述目标用户对上述目标物品类别的物品执行各个价值操作中至少一个价值操作的的偏好信息，上述目标物品类别相关的物品信息序列中每个物品信息对应物品为上述目标用户执行各个价值操作中至少一个价值操作的物品；根据上述第一向量、上述第二向量和上述第三向量，生成表征未来第三预定时间内对上述目标物品类别的物品执行上述目标价值操作的概率信息。
可选的，上述从第一物品信息序列中提取表征目标用户执行目标价值操作的特征信息，得到第一向量，包括：对上述第一物品信息序列中各个第一物品信息进行独热编码，得到第四向量集；对上述第一物品信息序列中各个第一物品信息进行词嵌入处理，得到第五向量集；将上述第四向量集和上述第五向量集进行对应拼接，得到第六向量集；将上述第六向量集输入至预先训练的全连接网络，得到上述第一向量集。
可选的，上述根据第二预定时间内的第二物品信息序列，生成第二向量，包括：对上述第二物品信息序列中的各个第二物品信息进行词嵌入处理，得到第七向量集；将上述第七向量集输入至预先训练的第一长短期记忆网络，得到上述第二向量。
可选的，上述根据目标物品类别相关的物品信息序列，生成第三向量，包括：确定上述目标物品类别相关的物品信息序列中相邻两个物品信息之间的时间间隔，得到时间间隔集；将上述目标物品类别相关的物品信息序列和上述时间间隔集输入至预先训练的第二长短期记忆网络，得到上述第三向量，其中，上述预先训练的第二长短期记忆网络学习到已由上述目标用户执行目标价值操作的、每个物品类别的物品信息序列的时间间隔信息。
可选的，上述根据上述第一向量、上述第二向量和上述第三向量，生成表征未来第三预定时间内对上述目标物品类别的物品执行上述目标价值操作的概率信息，包括：将上述第一向量与第一系数变量相乘，得到第一数值；将上述第二向量与第二系数变量相乘，得到第二数值；将上述第三向量与第三系数变量相乘，得到第三数值；将上述第一数值、上述第二数值、上述第三数值和预定数值进行相加，得到相加后的数值；根据上述相加后的数值，生成上述概率信息。
可选的，上述根据上述相加后的数值，生成上述概率信息，包括：将上述相加后的数值输入至多层激活函数，得到上述概率信息。
第二方面，本公开的一些实施例提供了一种信息生成装置，装置包括：提取单元，被配置成从第一物品信息序列中提取表征目标用户执行目标价值操作的特征信息，得到第一向量，其中，上述第一物品信息序列中每个物品信息对应物品为上述目标用户在第一预定时间内执行目标价值操作的物品；第一生成单元，被配置成根据第二预定时间内的第二物品信息序列，生成第二向量，其中，上述第二物品信息序列中每个物品信息对应物品为上述目标用户在上述第二预定时间内执行各个价值操作中至少一个价值操作的物品，上述第二向量表征上述目标用户在上述第二预定时间内对各个物品类别的偏好信息；第二生成单元，被配置成根据目标物品类别相关的物品信息序列，生成第三向量，其中，上述第三向量表征上述目标用户对上述目标物品类别的物品执行各个价值操作中至少一个价值操作的的偏好信息，上述目标物品类别相关的物品信息序列中每个物品信息对应物品为上述目标用户执行各个价值操作中至少一个价值操作的物品；第三生成单元，被配置成根据上述第一向量、上述第二向量和上述第三向量，生成表征未来第三预定时间内对上述目标物品类别的物品执行上述目标价值操作的概率信息。
可选的，提取单元进一步配置成：对上述第一物品信息序列中各个第一物品信息进行独热编码，得到第四向量集；对上述第一物品信息序列中各个第一物品信息进行词嵌入处理，得到第五向量集；将上述第四向量集和上述第五向量集进行对应拼接，得到第六向量集；将上述第六向量集输入至预先训练的全连接网络，得到上述第一向量集。
可选的，第一生成单元进一步配置成：对上述第二物品信息序列中的各个第二物品信息进行词嵌入处理，得到第七向量集；将上述第七向量集输入至预先训练的第一长短期记忆网络，得到上述第二向量。
可选的，第二生成单元进一步配置成：确定上述目标物品类别相关的物品信息序列中相邻两个物品信息之间的时间间隔，得到时间间隔集；将上述目标物品类别相关的物品信息序列和上述时间间隔集输入至预先训练的第二长短期记忆网络，得到上述第三向量，其中，上述预先训练的第二长短期记忆网络学习到已由上述目标用户执行目标价值操作的、每个物品类别的物品信息序列的时间间隔信息。
可选的，第三生成单元进一步配置成：将上述第一向量与第一系数变量相乘，得到第一数值；将上述第二向量与第二系数变量相乘，得到第二数值；将上述第三向量与第三系数变量相乘，得到第三数值；将上述第一数值、上述第二数值、上述第三数值和预定数值进行相加，得到相加后的数值；根据上述相加后的数值，生成上述概率信息。
可选的，第三生成单元进一步配置成：将上述相加后的数值输入至多层激活函数，得到上述概率信息。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一的方法。
本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的信息生成方法可以准确、有效的预测未来预定时间目标用户有多大概率对该目标物品类别的物品执行该目标价值操作。具体来说，目前的预测方式常常忽略了用户行为之间的时间跨度信息以及较难捕获用户长期信息，导致预测的概率信息不准确。基于此，本公开的一些实施例的信息生成方法可以首先从第一物品信息序列中提取表征目标用户执行目标价值操作的特征信息，得到第一向量。其中，上述第一物品信息序列中每个物品信息对应物品为上述目标用户在第一预定时间内执行目标价值操作的物品。在这里，第一向量用于后续的概率信息预测可以使得预测结果考虑到目标用户执行目标价值操作的特征信息，可以进一步的提高概率信息预测的准确率。然后，根据第二预定时间内的第二物品信息序列，生成第二向量。其中，上述第二物品信息序列中每个物品信息对应物品为上述目标用户在上述第二预定时间内执行各个价值操作中至少一个价值操作的物品，上述第二向量表征上述目标用户在上述第二预定时间内对各个物品类别的偏好信息。同样地，第二向量用于后续的概率信息预测可以使得预测结果考虑到目标用户在上述第二预定时间内对各个物品类别的偏好信息，可以进一步的提高概率信息预测的准确率。进而，根据目标物品类别相关的物品信息序列，生成第三向量。其中，上述第三向量表征上述目标用户对上述目标物品类别的物品执行各个价值操作中至少一个价值操作的的偏好信息，上述目标物品类别相关的物品信息序列中每个物品信息对应物品为上述目标用户执行各个价值操作中至少一个价值操作的物品。同样地，第三向量用于后续的概率信息预测可以使得预测结果考虑到目标用户对上述目标物品类别执行上述目标价值操作的偏好信息，可以进一步的提高概率信息预测的准确率。最后，根据上述第一向量、上述第二向量和上述第三向量，生成表征未来第三预定时间内对上述目标物品类别的物品执行上述目标价值操作的概率信息。由此可得，上述方法可以准确、有效的预测未来预定时间目标用户有多大概率对该目标物品类别的物品执行该目标价值操作。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是本公开的一些实施例的信息生成方法的一个应用场景图的示意图；
图2是根据本公开的信息生成方法一些实施例的流程图；
图3是根据本公开的一些实施例的信息生成方法的长短期记忆网络结构的示意图；
图4是根据本公开的信息生成方法的另一些实施例的流程图；
图5是根据本公开的信息生成装置的一些实施例的结构示意图；
图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的信息生成方法的一个应用场景图的示意图。
如图1所示，电子设备101可以首先从第一物品信息序列102中提取表征目标用户执行目标价值操作的特征信息，得到第一向量104。其中，上述第一物品信息序列102中每个物品信息对应物品为上述目标用户在第一预定时间103内执行目标价值操作的物品。在本应用场景中，上述第一物品信息序列102可以是：“第一品牌洗衣机，第二品牌洗碗机，第三品牌沐浴露，第四品牌牛奶，第五品牌洗衣液，第六品牌卫生纸，第七品牌卫生纸”。上述第一向量104可以是：“[2,3,1,22,44,45,34,21,22,32,12,32]”。上述第一预定时间103可以是：“2134年1月23日-2135年1月23日”。然后，根据第二预定时间105内的第二物品信息序列106，生成第二向量107。其中，上述第二物品信息序列106中每个物品信息对应物品为上述目标用户在上述第二预定时间105内执行各个价值操作中至少一个价值操作的物品，上述第二向量107表征上述目标用户在上述第二预定时间105内对各个物品类别的偏好信息。在本应用场景中，上述第二物品信息序列106可以是：“第四品牌牛奶，第五品牌洗衣液，第八品牌纸杯，第九品牌花盆，第六品牌卫生纸，第十品牌桌子，第七品牌卫生纸”。上述第二向量107可以是：“[12,34,2,62,87,34,23,12,47,90,2,32]”。上述第二预定时间105可以是：“2134年12月23日-2135年1月23日”。进而，根据目标物品类别相关的物品信息序列108，生成第三向量109。其中，上述第三向量109表征上述目标用户对上述目标物品类别的物品执行各个价值操作中至少一个价值操作的的偏好信息，上述目标物品类别相关的物品信息序列108中每个物品信息对应物品为上述目标用户执行各个价值操作中至少一个价值操作的物品。在本应用场景中，上述目标物品类别相关的物品信息序列108可以是：“第六品牌卫生纸，第十一品牌卫生纸，第六品牌卫生纸，第七品牌卫生纸”。上述第三向量109可以是：“[9,0,1,2,89,49,45,23,56,22]”。最后，根据上述第一向量104、上述第二向量107和上述第三向量109，生成表征未来第三预定时间内对上述目标物品类别的物品执行上述目标价值操作的概率信息110。在本应用场景中，上述概率信息可以是“0.73”。
需要说明的是，上述电子设备101可以是硬件，也可以是软件。当电子设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当电子设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的电子设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的电子设备。
继续参考图2，示出了根据本公开的信息生成方法的一些实施例的流程200。该信息生成方法，包括以下步骤：
步骤201，从第一物品信息序列中提取表征目标用户执行目标价值操作的特征信息，得到第一向量。
在一些实施例中，信息生成方法的执行主体(例如图1所示的电子设备101)可以从第一物品信息序列中提取表征目标用户执行目标价值操作的特征信息，得到第一向量。其中，上述第一物品信息序列中每个物品信息对应物品为上述目标用户在第一预定时间内执行目标价值操作的物品。需要说明的是，上述目标价值操作可以是“购买操作”。进而，上述第一物品信息序列可以是已购买的多个物品的信息序列。作为示例，上述执行主体可以将上述第一物品信息序列输入至预先训练的循环神经网络(Recurrent Neural Network,RNN)，得到第一向量。作为又一个示例，上述执行主体可以将上述第一物品信息序列输入至长短期记忆网络(LSTM，Long Short-Term Memory)，得到第一向量。
在一些实施例的一些可选的实现方式中，上述从第一物品信息序列中提取表征目标用户执行目标价值操作的特征信息，得到第一向量，可以包括以下步骤：
第一步，对上述第一物品信息序列中各个第一物品信息进行独热编码，得到第四向量集。
第二步，对上述第一物品信息序列中各个第一物品信息进行词嵌入处理，得到第五向量集。
第三步，将上述第四向量集和上述第五向量集进行对应拼接，得到第六向量集。
将上述第六向量集输入至预先训练的全连接网络，得到上述第一向量集。
步骤202，根据第二预定时间内的第二物品信息序列，生成第二向量。
在一些实施例中，上述执行主体可以根据第二预定时间内的第二物品信息序列，生成第二向量。其中，上述第二物品信息序列中每个物品信息对应物品为上述目标用户在上述第二预定时间内执行各个价值操作中至少一个价值操作的物品。上述第二向量表征上述目标用户在上述第二预定时间内对各个物品类别的偏好信息。例如，上述各个物品类别可以包括：家电、洗漱用品、办公用品等等。上述各个价值操作可以包括但不限于以下至少一项：购买操作，收藏操作，加入购物车操作，浏览操作。需要说明的是，上述第二预定时间的时间长度可以小于第一预定时间的时间长度。例如，上述第二预定时间可以是短期时间。上述第一预定时间可以是长期时间。
作为示例，上述执行主体可以将上述第二物品信息序列输入至预先训练的循环神经网络，得到上述第二向量。
在一些实施例的一些可选的实现方式中，上述根据第二预定时间内的第二物品信息序列，生成第二向量，可以包括以下步骤：
第一步，对上述第二物品信息序列中的各个第二物品信息进行词嵌入处理，得到第七向量集。
第二步，将上述第七向量集输入至预先训练的第一长短期记忆网络，得到上述第二向量。
作为示例，如图3所示，上述长短期记忆网络可以采用多个输入、单个输出的网络结构，可以得到上述采样帧特征集合中采样帧特征Xt-1和Xt。其中，长短期记忆网络的第一细胞301的输入为Xt-1，输出为t-1时刻长短期记忆网络输出值Ht-1和t-1时刻的单元状态Ct-1。长短期记忆网络的第二细胞302的输入为Xt，Ht-1和Ct-1。输出为t时刻长短期记忆网络输出值Ht和t时刻的单元状态Ct。需要说明的是，长短期记忆网络中细胞包括三个门：遗忘门，输入门和输出门。
其中，遗忘门可以决定应丢弃或保留哪些信息。来自先前隐藏状态的信息和当前输入的信息同时输入到S型生长曲线(Sigmoid)(即图中的σ)函数，输出值处于0和1之间，越接近0意味着信息越应该忘记，越接近1意味着信息越应该保留。遗忘门的输出ft决定着遗忘哪些数据。其中，遗忘门的输出ft可以通过以下公式得到：
ft＝σ(Wf·[ht-1，xt]+bf)
在这里，Wf表示遗忘门的权重矩阵，bf表示遗忘门的偏置项，[ht-1，xt]表示两个向量连接成一个更长的向量(即向量的拼接)。
其中，输入门用来更新单元状态。先将先前隐藏状态的信息和当前输入的信息输入到S型生长曲线函数。在0和1之间调整输出值来决定更新哪些信息。其中，0表示不重要，1表示重要。还可以将隐藏状态和当前输入传输给双曲正切(Tanh)函数，并在-1和1之间压缩数值以调节网络，然后把双曲正切函数的输出和S型生长曲线函数的输出相乘，S型生长曲线函数的输出将决定在双曲正切函数的输出中哪些信息是重要的且需要进行保留。其中，输入门的输出it可以通过以下公式得到：
it＝σ(Wi·[ht-1，xt]+bi)
在这里，it可以决定当前时刻网络的输入Xt有多少保存到t时刻的单元状态Ct。Wi表示输入门的权重矩阵，bi表示输入门的偏置项。
在这里，用于描述t时刻输入的单元状态可以通过以下公式来确定：
在这里，
表示t时刻输入的单元状态，WC表示输入门的权重矩阵，bC表示输入门的偏置项。
最后，t时刻的单元状态Ct是通过以下公式来确定：
其中，输出门能决定下个隐藏状态的值，隐藏状态中包含了先前输入的相关信息。当然，隐藏状态也可用于预测。首先把先前的隐藏状态和当前输入传递给S型生长曲线函数；接着把新得到的单元状态传递给双曲正切函数；然后把双曲正切函数的输出和S型生长曲线函数输出相乘，以确定隐藏状态应携带的信息；最后把隐藏状态作为当前单元输出，把新的单元状态和新的隐藏状态传输给下个时间步。输出门的输出Ht公式如下：
ot＝σ(Wo[ht-1，xt]+bo)
ht＝ot*tanh(Ct)
在这里，ot表示决定哪些将会被当成t时刻的输出，Wo表示输出门的权重矩阵，bo表示输出门的偏置项，ht可以表示为输出门的输出，即t-1时刻到t时刻之间输出的采样特征。
步骤203，根据目标物品类别相关的物品信息序列，生成第三向量。
在一些实施例中，上述执行主体可以根据目标物品类别相关的物品信息序列，生成第三向量。其中，上述第三向量表征上述目标用户对上述目标物品类别的物品执行各个价值操作中至少一个价值操作的的偏好信息。上述目标物品类别相关的物品信息序列中每个物品信息对应物品为上述目标用户执行各个价值操作中至少一个价值操作的物品。作为示例，上述执行主体可以将目标物品类别相关的物品信息序列输入至预先训练的长短期记忆网络，得到第三向量。
步骤204，根据上述第一向量、上述第二向量和上述第三向量，生成表征未来第三预定时间内对上述目标物品类别的物品执行上述目标价值操作的概率信息。
在一些实施例中，上述执行主体可以根据上述第一向量、上述第二向量和上述第三向量，生成表征未来第三预定时间内对上述目标物品类别的物品执行上述目标价值操作的概率信息。作为示例，上述执行主体可以将上述第一向量、上述第二向量和上述第三向量输入至预先训练的全连接网络，得到上述概率信息。
在一些实施例的一些可选的实现方式中，上述根据上述第一向量、上述第二向量和上述第三向量，生成表征未来第三预定时间内对上述目标物品类别的物品执行上述目标价值操作的概率信息，可以包括以下步骤：
第一步，将上述第一向量与第一系数变量相乘，得到第一数值。
第二步，将上述第二向量与第二系数变量相乘，得到第二数值。
第三步，将上述第三向量与第三系数变量相乘，得到第三数值。
第四步，将上述第一数值、上述第二数值、上述第三数值和预定数值进行相加，得到相加后的数值。
第五步，根据上述相加后的数值，生成上述概率信息。
需要说明的是，上述第一系数变量、上述第二系数变量和上述第三系数变量可以是由模型训练得到的。
可选的，上述执行主体可以将上述相加后的数值输入至多层激活函数，得到上述概率信息。
本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的信息生成方法可以准确、有效的预测未来预定时间目标用户有多大概率对该目标物品类别的物品执行该目标价值操作。具体来说，目前的预测方式常常忽略了用户行为之间的时间跨度信息以及较难捕获用户长期信息，导致预测的概率信息不准确。基于此，本公开的一些实施例的信息生成方法可以首先从第一物品信息序列中提取表征目标用户执行目标价值操作的特征信息，得到第一向量。其中，上述第一物品信息序列中每个物品信息对应物品为上述目标用户在第一预定时间内执行目标价值操作的物品。在这里，第一向量用于后续的概率信息预测可以使得预测结果考虑到目标用户执行目标价值操作的特征信息，可以进一步的提高概率信息预测的准确率。然后，根据第二预定时间内的第二物品信息序列，生成第二向量。其中，上述第二物品信息序列中每个物品信息对应物品为上述目标用户在上述第二预定时间内执行各个价值操作中至少一个价值操作的物品，上述第二向量表征上述目标用户在上述第二预定时间内对各个物品类别的偏好信息。同样地，第二向量用于后续的概率信息预测可以使得预测结果考虑到目标用户在上述第二预定时间内对各个物品类别的偏好信息，可以进一步的提高概率信息预测的准确率。进而，根据目标物品类别相关的物品信息序列，生成第三向量。其中，上述第三向量表征上述目标用户对上述目标物品类别的物品执行各个价值操作中至少一个价值操作的的偏好信息，上述目标物品类别相关的物品信息序列中每个物品信息对应物品为上述目标用户执行各个价值操作中至少一个价值操作的物品。同样地，第三向量用于后续的概率信息预测可以使得预测结果考虑到目标用户对上述目标物品类别执行上述目标价值操作的偏好信息，可以进一步的提高概率信息预测的准确率。最后，根据上述第一向量、上述第二向量和上述第三向量，生成表征未来第三预定时间内对上述目标物品类别的物品执行上述目标价值操作的概率信息。由此可得，上述方法可以准确、有效的预测未来预定时间目标用户有多大概率对该目标物品类别的物品执行该目标价值操作。
继续参考图4，示出了根据本公开的信息生成方法的另一些实施例的流程400。该信息生成方法，包括以下步骤：
步骤401，从第一物品信息序列中提取表征目标用户执行目标价值操作的特征信息，得到第一向量。
步骤402，根据第二预定时间内的第二物品信息序列，生成第二向量。
步骤403，确定上述目标物品类别相关的物品信息序列中相邻两个物品信息之间的时间间隔，得到时间间隔集。
在一些实施例中，执行主体(例如图1所示的电子设备101)可以确定上述目标物品类别相关的物品信息序列中相邻两个物品信息之间的时间间隔，得到时间间隔集。作为示例，可以从目标数据库中存储的目标物品类别相关的物品信息和对应的时间信息来目标物品类别相关的物品信息。
步骤404，将上述目标物品类别相关的物品信息序列和上述时间间隔集输入至预先训练的第二长短期记忆网络，得到上述第三向量。
在一些实施例中，上述执行主体可以将上述目标物品类别相关的物品信息序列和上述时间间隔集输入至预先训练的第二长短期记忆网络，得到上述第三向量。其中，上述第二长短期记忆网络可以是时间意识长短时记忆(Time-Aware Long Short Term Memory，T-LSTM)。
步骤405，根据上述第一向量、上述第二向量和上述第三向量，生成表征未来第三预定时间内对上述目标物品类别的物品执行上述目标价值操作的概率信息。
在一些实施例中，步骤401、402和405的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤201、202和205，在此不再赘述。
从图4中可以看出，与图2对应的一些实施例的描述相比，图4对应的一些实施例中的信息生成方法的流程400体现了考量目标物品类别相关的物品信息序列中相邻两个物品信息之间的时间间隔信息的步骤。由此，这些实施例描述的方案可以更为精准、有效的预测未来预定时间目标用户有多大概率对该目标物品类别的物品执行该目标价值操作。
继续参考图5，作为对上述各图上述方法的实现，本公开提供了一种信息生成装置的一些实施例，这些装置实施例与图2上述的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，一些实施例的信息生成装置500包括：提取单元501、第一生成单元502、第二生成单元503和第三生成单元504。其中，提取单元501，被配置成从第一物品信息序列中提取表征目标用户执行目标价值操作的特征信息，得到第一向量，其中，上述第一物品信息序列中每个物品信息对应物品为上述目标用户在第一预定时间内执行目标价值操作的物品。第一生成单元502，被配置成根据第二预定时间内的第二物品信息序列，生成第二向量，其中，上述第二物品信息序列中每个物品信息对应物品为上述目标用户在上述第二预定时间内执行各个价值操作中至少一个价值操作的物品，上述第二向量表征上述目标用户在上述第二预定时间内对各个物品类别的偏好信息。第二生成单元503，被配置成根据目标物品类别相关的物品信息序列，生成第三向量，其中，上述第三向量表征上述目标用户对上述目标物品类别的物品执行各个价值操作中至少一个价值操作的的偏好信息，上述目标物品类别相关的物品信息序列中每个物品信息对应物品为上述目标用户执行各个价值操作中至少一个价值操作的物品。第三生成单元504，被配置成根据上述第一向量、上述第二向量和上述第三向量，生成表征未来第三预定时间内对上述目标物品类别的物品执行上述目标价值操作的概率信息。
在一些实施例的一些可选的实现方式中，信息生成装置500的提取单元501可以进一步被配置成：对上述第一物品信息序列中各个第一物品信息进行独热编码，得到第四向量集；对上述第一物品信息序列中各个第一物品信息进行词嵌入处理，得到第五向量集；将上述第四向量集和上述第五向量集进行对应拼接，得到第六向量集；将上述第六向量集输入至预先训练的全连接网络，得到上述第一向量集。
在一些实施例的一些可选的实现方式中，信息生成装置500的第一生成单元502可以进一步被配置成：对上述第二物品信息序列中的各个第二物品信息进行词嵌入处理，得到第七向量集；将上述第七向量集输入至预先训练的第一长短期记忆网络，得到上述第二向量。
在一些实施例的一些可选的实现方式中，信息生成装置500的第二生成单元503可以进一步被配置成：确定上述目标物品类别相关的物品信息序列中相邻两个物品信息之间的时间间隔，得到时间间隔集；将上述目标物品类别相关的物品信息序列和上述时间间隔集输入至预先训练的第二长短期记忆网络，得到上述第三向量，其中，上述预先训练的第二长短期记忆网络学习到已由上述目标用户执行目标价值操作的、每个物品类别的物品信息序列的时间间隔信息。
在一些实施例的一些可选的实现方式中，信息生成装置500的第三生成单元504可以进一步被配置成：将上述第一向量与第一系数变量相乘，得到第一数值；将上述第二向量与第二系数变量相乘，得到第二数值；将上述第三向量与第三系数变量相乘，得到第三数值；将上述第一数值、上述第二数值、上述第三数值和预定数值进行相加，得到相加后的数值；根据上述相加后的数值，生成上述概率信息。
在一些实施例的一些可选的实现方式中，信息生成装置500的第三生成单元504可以进一步被配置成：将上述相加后的数值输入至多层激活函数，得到上述概率信息。
可以理解的是，该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。
下面参考图6，其示出了适于用来实现本公开的一些实施例的电子设备600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)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装置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，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603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。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上述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。在本公开的一些实施例中，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。而在本公开的一些实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的；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该电子设备执行时，使得该电子设备：从第一物品信息序列中提取表征目标用户执行目标价值操作的特征信息，得到第一向量，其中，上述第一物品信息序列中每个物品信息对应物品为上述目标用户在第一预定时间内执行目标价值操作的物品；根据第二预定时间内的第二物品信息序列，生成第二向量，其中，上述第二物品信息序列中每个物品信息对应物品为上述目标用户在上述第二预定时间内执行各个价值操作中至少一个价值操作的物品，上述第二向量表征上述目标用户在上述第二预定时间内对各个物品类别的偏好信息；根据目标物品类别相关的物品信息序列，生成第三向量，其中，上述第三向量表征上述目标用户对上述目标物品类别的物品执行各个价值操作中至少一个价值操作的的偏好信息，上述目标物品类别相关的物品信息序列中每个物品信息对应物品为上述目标用户执行各个价值操作中至少一个价值操作的物品；根据上述第一向量、上述第二向量和上述第三向量，生成表征未来第三预定时间内对上述目标物品类别的物品执行上述目标价值操作的概率信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的***、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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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。
描述于本公开的一些实施例中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，例如，可以描述为：一种处理器包括提取单元、第一生成单元、第二生成单元和第三生成单元。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，例如，第一生成单元还可以被描述为“根据第二预定时间内的第二物品信息序列，生成第二向量的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种信息生成方法，包括：
从第一物品信息序列中提取表征目标用户执行目标价值操作的特征信息，得到第一向量，其中，所述第一物品信息序列中每个物品信息对应物品为所述目标用户在第一预定时间内执行目标价值操作的物品；
根据第二预定时间内的第二物品信息序列，生成第二向量，其中，所述第二物品信息序列中每个物品信息对应物品为所述目标用户在所述第二预定时间内执行各个价值操作中至少一个价值操作的物品，所述第二向量表征所述目标用户在所述第二预定时间内对各个物品类别的偏好信息；
根据目标物品类别相关的物品信息序列，生成第三向量，其中，所述第三向量表征所述目标用户对所述目标物品类别的物品执行各个价值操作中至少一个价值操作的的偏好信息，所述目标物品类别相关的物品信息序列中每个物品信息对应物品为所述目标用户执行各个价值操作中至少一个价值操作的物品；
根据所述第一向量、所述第二向量和所述第三向量，生成表征未来第三预定时间内对所述目标物品类别的物品执行所述目标价值操作的概率信息。
2.根据权利要求1所述的方法，其中，所述从第一物品信息序列中提取表征目标用户执行目标价值操作的特征信息，得到第一向量，包括：
对所述第一物品信息序列中各个第一物品信息进行独热编码，得到第四向量集；
对所述第一物品信息序列中各个第一物品信息进行词嵌入处理，得到第五向量集；
将所述第四向量集和所述第五向量集进行对应拼接，得到第六向量集；
将所述第六向量集输入至预先训练的全连接网络，得到所述第一向量集。
3.根据权利要求1所述的方法，其中，所述根据第二预定时间内的第二物品信息序列，生成第二向量，包括：
对所述第二物品信息序列中的各个第二物品信息进行词嵌入处理，得到第七向量集；
将所述第七向量集输入至预先训练的第一长短期记忆网络，得到所述第二向量。
4.根据权利要求1所述的方法，其中，所述根据目标物品类别相关的物品信息序列，生成第三向量，包括：
确定所述目标物品类别相关的物品信息序列中相邻两个物品信息之间的时间间隔，得到时间间隔集；
将所述目标物品类别相关的物品信息序列和所述时间间隔集输入至预先训练的第二长短期记忆网络，得到所述第三向量，其中，所述预先训练的第二长短期记忆网络学习到已由所述目标用户执行目标价值操作的、每个物品类别的物品信息序列的时间间隔信息。
5.根据权利要求1所述的方法，其中，所述根据所述第一向量、所述第二向量和所述第三向量，生成表征未来第三预定时间内对所述目标物品类别的物品执行所述目标价值操作的概率信息，包括：
将所述第一向量与第一系数变量相乘，得到第一数值；
将所述第二向量与第二系数变量相乘，得到第二数值；
将所述第三向量与第三系数变量相乘，得到第三数值；
将所述第一数值、所述第二数值、所述第三数值和预定数值进行相加，得到相加后的数值；
根据所述相加后的数值，生成所述概率信息。
6.根据权利要求5所述的方法，其中，所述根据所述相加后的数值，生成所述概率信息，包括：
将所述相加后的数值输入至多层激活函数，得到所述概率信息。
7.一种信息生成装置，包括：
提取单元，被配置成从第一物品信息序列中提取表征目标用户执行目标价值操作的特征信息，得到第一向量，其中，所述第一物品信息序列中每个物品信息对应物品为所述目标用户在第一预定时间内执行目标价值操作的物品；
第一生成单元，被配置成根据第二预定时间内的第二物品信息序列，生成第二向量，其中，所述第二物品信息序列中每个物品信息对应物品为所述目标用户在所述第二预定时间内执行各个价值操作中至少一个价值操作的物品，所述第二向量表征所述目标用户在所述第二预定时间内对各个物品类别的偏好信息；
第二生成单元，被配置成根据目标物品类别相关的物品信息序列，生成第三向量，其中，所述第三向量表征所述目标用户对所述目标物品类别的物品执行各个价值操作中至少一个价值操作的的偏好信息，所述目标物品类别相关的物品信息序列中每个物品信息对应物品为所述目标用户执行各个价值操作中至少一个价值操作的物品；
第三生成单元，被配置成根据所述第一向量、所述第二向量和所述第三向量，生成表征未来第三预定时间内对所述目标物品类别的物品执行所述目标价值操作的概率信息。
8.根据权利要求7所述的信息生成装置，其中，所述第二生成单元进一步被配置成：
确定所述目标物品类别相关的物品信息序列中相邻两个物品信息之间的时间间隔，得到时间间隔集；
将所述目标物品类别相关的物品信息序列和所述时间间隔集输入至预先训练的第二长短期记忆网络，得到所述第三向量，其中，所述预先训练的第二长短期记忆网络学习到已由所述目标用户执行目标价值操作的、每个物品类别的物品信息序列的时间间隔信息。
9.一种电子设备，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1-6中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110077184.1A CN113781085A (zh) | 2021-01-20 | 2021-01-20 | 信息生成方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110077184.1A CN113781085A (zh) | 2021-01-20 | 2021-01-20 | 信息生成方法、装置、电子设备和计算机可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113781085A true CN113781085A (zh) | 2021-12-10 |
Family
ID=78835522
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110077184.1A Pending CN113781085A (zh) | 2021-01-20 | 2021-01-20 | 信息生成方法、装置、电子设备和计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113781085A (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105869024A (zh) * | 2016-04-20 | 2016-08-17 | 北京小米移动软件有限公司 | 商品的推荐方法及装置 |
| CN106776581A (zh) * | 2017-02-21 | 2017-05-31 | 浙江工商大学 | 基于深度学习的主观性文本情感分析方法 |
| CN108268934A (zh) * | 2018-01-10 | 2018-07-10 | 北京市商汤科技开发有限公司 | 基于深度学习的推荐方法和装置、电子设备、介质、程序 |
| CN109242543A (zh) * | 2018-08-17 | 2019-01-18 | 口口相传(北京)网络技术有限公司 | 引流餐品的推送方法及装置 |
| US20190102652A1 (en) * | 2016-08-31 | 2019-04-04 | Tencent Technology (Shenzhen) Company Limited | Information pushing method, storage medium and server |
| CN110020112A (zh) * | 2017-09-25 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 对象推送方法及其*** |
| CN110162690A (zh) * | 2018-10-23 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 确定用户对物品的兴趣度的方法与装置、设备和存储介质 |
| CN110334759A (zh) * | 2019-06-28 | 2019-10-15 | 武汉大学 | 一种评论驱动的深度序列推荐方法 |
| CN110399565A (zh) * | 2019-07-29 | 2019-11-01 | 北京理工大学 | 基于时空周期注意力机制的递归神经网络兴趣点推荐方法 |
| CN110827138A (zh) * | 2019-10-31 | 2020-02-21 | 北京芯盾时代科技有限公司 | 一种推送信息确定方法及装置 |
| CN110941764A (zh) * | 2019-12-03 | 2020-03-31 | 腾讯科技（深圳）有限公司 | 对象推荐方法、装置、计算机设备和存储介质 |
| CN111027714A (zh) * | 2019-12-11 | 2020-04-17 | 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 |
| CN111225009A (zh) * | 2018-11-27 | 2020-06-02 | 北京沃东天骏信息技术有限公司 | 用于生成信息的方法和装置 |
| CN111461841A (zh) * | 2020-04-07 | 2020-07-28 | 腾讯云计算（北京）有限责任公司 | 物品推荐方法、装置、服务器及存储介质 |
| CN111784377A (zh) * | 2019-04-25 | 2020-10-16 | 北京京东尚科信息技术有限公司 | 用于生成信息的方法和装置 |
-
2021
- 2021-01-20 CN CN202110077184.1A patent/CN113781085A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105869024A (zh) * | 2016-04-20 | 2016-08-17 | 北京小米移动软件有限公司 | 商品的推荐方法及装置 |
| US20190102652A1 (en) * | 2016-08-31 | 2019-04-04 | Tencent Technology (Shenzhen) Company Limited | Information pushing method, storage medium and server |
| CN106776581A (zh) * | 2017-02-21 | 2017-05-31 | 浙江工商大学 | 基于深度学习的主观性文本情感分析方法 |
| CN110020112A (zh) * | 2017-09-25 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 对象推送方法及其*** |
| CN108268934A (zh) * | 2018-01-10 | 2018-07-10 | 北京市商汤科技开发有限公司 | 基于深度学习的推荐方法和装置、电子设备、介质、程序 |
| CN109242543A (zh) * | 2018-08-17 | 2019-01-18 | 口口相传(北京)网络技术有限公司 | 引流餐品的推送方法及装置 |
| CN110162690A (zh) * | 2018-10-23 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 确定用户对物品的兴趣度的方法与装置、设备和存储介质 |
| CN111225009A (zh) * | 2018-11-27 | 2020-06-02 | 北京沃东天骏信息技术有限公司 | 用于生成信息的方法和装置 |
| CN111784377A (zh) * | 2019-04-25 | 2020-10-16 | 北京京东尚科信息技术有限公司 | 用于生成信息的方法和装置 |
| CN110334759A (zh) * | 2019-06-28 | 2019-10-15 | 武汉大学 | 一种评论驱动的深度序列推荐方法 |
| CN110399565A (zh) * | 2019-07-29 | 2019-11-01 | 北京理工大学 | 基于时空周期注意力机制的递归神经网络兴趣点推荐方法 |
| CN110827138A (zh) * | 2019-10-31 | 2020-02-21 | 北京芯盾时代科技有限公司 | 一种推送信息确定方法及装置 |
| CN110941764A (zh) * | 2019-12-03 | 2020-03-31 | 腾讯科技（深圳）有限公司 | 对象推荐方法、装置、计算机设备和存储介质 |
| CN111027714A (zh) * | 2019-12-11 | 2020-04-17 | 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 |
| CN111461841A (zh) * | 2020-04-07 | 2020-07-28 | 腾讯云计算（北京）有限责任公司 | 物品推荐方法、装置、服务器及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| YIN, CY ETAL.: ""Recursive RNN Based Shift Representation Learning for Dynamic User-Item Interaction Prediction"", 《ADVANCED DATA MINING AND APPLICATIONS》, vol. 12447, 31 December 2020 (2020-12-31), pages 379 - 394 * |
| 何慧: "基于高斯模型和概率矩阵分解的混合推荐算法", 统计与决策, vol. 34, no. 3, 10 February 2018 (2018-02-10), pages 84 - 86 * |
| 李福鹏等: "基于Trans former编码器的金融文本情感分析方法", 电子科技, vol. 33, no. 9, 30 September 2020 (2020-09-30), pages 10 - 15 * |
| 陶琳湖: ""基于时间动态特性的推荐算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 February 2020 (2020-02-15), pages 138 - 2280 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112035753B (zh) | 推荐页面生成方法、装置、电子设备和计算机可读介质 | |
| CN114202130A (zh) | 流转量预测多任务模型生成方法、调度方法、装置和设备 | |
| CN115271757A (zh) | 需求信息生成方法、装置、电子设备和计算机可读介质 | |
| CN116388112B (zh) | 异常供应端断电方法、装置、电子设备和计算机可读介质 | |
| CN114119123A (zh) | 信息推送的方法和装置 | |
| CN117035842A (zh) | 模型训练方法、业务量预测方法、装置、设备和介质 | |
| CN113781085A (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
| CN111770125A (zh) | 用于推送信息的方法和装置 | |
| CN114926234A (zh) | 物品信息推送方法、装置、电子设备和计算机可读介质 | |
| CN113779103B (zh) | 用于检测异常数据的方法和装置 | |
| CN112200643B (zh) | 物品信息推送方法、装置、电子设备和计算机可读介质 | |
| US20230053859A1 (en) | Method and apparatus for outputting information | |
| CN111737587B (zh) | 设备操作方法、装置、电子设备和计算机可读介质 | |
| CN116416018A (zh) | 内容输出方法、装置、计算机可读介质及电子设备 | |
| CN114792258B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
| CN111709785B (zh) | 用于确定用户留存时间的方法、装置、设备和介质 | |
| CN111709786B (zh) | 用于生成用户留存时间的方法、装置、设备和介质 | |
| CN111738536B (zh) | 设备操作方法、装置、电子设备和计算机可读介质 | |
| CN116662672B (zh) | 价值对象信息发送方法、装置、设备和计算机可读介质 | |
| CN111709583B (zh) | 用户留存时间生成方法、装置、电子设备和介质 | |
| CN116800834B (zh) | 虚拟礼物合并方法、装置、电子设备和计算机可读介质 | |
| CN117235535B (zh) | 异常供应端断电方法、装置、电子设备和介质 | |
| CN118154230A (zh) | 预测信息生成方法、装置、设备、介质和程序产品 | |
| CN114610996A (zh) | 一种信息推送的方法和装置 | |
| CN117575039A (zh) | 一种信息抽取处理方法、装置、存储介质及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |