CN113781152A - 一种对象推荐的方法和装置 - Google Patents
一种对象推荐的方法和装置 Download PDFInfo
- Publication number
- CN113781152A CN113781152A CN202110171669.7A CN202110171669A CN113781152A CN 113781152 A CN113781152 A CN 113781152A CN 202110171669 A CN202110171669 A CN 202110171669A CN 113781152 A CN113781152 A CN 113781152A
- Authority
- CN
- China
- Prior art keywords
- target
- objects
- sequence
- similarity
- recommendation
- 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 57
- 239000013598 vector Substances 0.000 claims abstract description 74
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 53
- 230000006399 behavior Effects 0.000 claims description 113
- 238000005295 random walk Methods 0.000 claims description 16
- 238000012163 sequencing technique Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000013604 expression vector Substances 0.000 claims description 5
- 238000005259 measurement Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000002245 particle Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013523 data management Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004992 fission Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q30/06—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
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种对象推荐的方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:接收目标业务下对于目标对象的推荐请求;根据推荐请求获取目标业务对应目标行为的用户数据,进而根据用户数据确定每一用户的目标行为对应的对象序列,以基于所有对象序列构建对象之间的有向图;调用预设的图嵌入算法模型,以有向图作为输入,输出得到各个对象的特征向量,进而根据各个对象的特征向量计算目标对象与其他各对象的相似度;根据相似度返回推荐请求的请求结果。该实施方式能够基于用户行为分析对象间相关性,通过计算对象间的相似度作为衡量指标以体现对象之间的关联性,进而在不同业务场景下提供物品对象的推荐结果。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种对象推荐的方法和装置。
背景技术
随着互联网发展,在电商平台上购物成为人们常用的购物方法;在现有技术中,常常基于互联网大数据,通过用户行为分析挖掘一个或一群用户的行为偏好,进而提供电商运营或营销方案;或者通过数据管理平台进行人群圈选分析,精准定位需要转化的人群后,通过广告、社群营销、社交裂变等多种方式实现新用户转化。但对于商家不断升级的、联合营销中对于精准转化的诉求,常常通过经验进行物品对象的推荐。
在实现本发明过程中,现有技术中至少存在如下问题:
现有技术中缺乏一种根据用户行为大数据,基于指定物品对象向用户推荐相似物品对象的方法。
发明内容
有鉴于此,本发明实施例提供一种对象推荐的方法,能够建立一套基于用户行为的分析两个(或多个)品类或品牌或物品间的相关性的方法以及算法模型,设置品类、品牌、商品间的距离衡量指标,清晰地体现两个(或多个)物品或品牌或品类之间的关联性,进而在不同业务场景下提供推荐结果。
为实现上述目的,根据本发明实施例的一个方面,提供了一种对象推荐的方法,包括:
接收目标业务下对于目标对象的推荐请求;
根据所述推荐请求获取所述目标业务对应目标行为的用户数据,进而根据所述用户数据确定每一用户的目标行为对应的对象序列,以基于所有对象序列构建对象之间的有向图;
调用预设的图嵌入算法模型,以所述有向图作为输入,输出得到各个对象的特征向量,进而根据各个对象的特征向量计算所述目标对象与其他各对象的相似度;
根据所述相似度返回所述推荐请求的请求结果。
可选地,所述根据所述推荐请求获取所述目标业务对应目标行为的用户数据,包括:
根据所述推荐请求确定预设时间段;基于业务行为配置表,根据所述目标业务确定相对应的目标行为;根据所述目标对象的粒度属性确定目标粒度;
获取所述预设时间段内包含所述目标行为的用户数据;
其中,所述目标行为包括以下中的一种或多种:浏览、搜索、关注、加购、购买;所述目标对象的粒度属性包括:物品粒度、品类粒度、品牌粒度。
可选地,所述根据所述用户数据确定每一用户的目标行为对应的对象序列,包括:
根据每一用户的用户数据,确定该用户的目标行为所对应的物品以及时间戳信息;
根据时间戳由早到晚的顺序对所述物品进行排序,生成物品序列;
基于所述物品序列中每一物品的目标粒度,将所述物品序列转化为对象序列。
可选地,所述基于所有对象序列构建对象之间的有向图,包括:
以对象序列中的对象作为有向图的节点;
根据各个对象序列中每两个相邻的有序对象,以及该相邻的有序对象出现的次数,确定有向图中的边以及边的权重;
基于所述节点、边、边的权重,构建对象之间的有向图。
可选地,所述调用预设的图嵌入算法模型,以所述有向图作为输入,输出得到各个对象的特征向量,包括:
调用预设的图嵌入算法模型中的随机游走算法,对所述有向图通过随机游走进行采样得到重构序列;
调用skip-gram算法基于重构序列学习表达向量,以作为所述各个对象的特征向量。
可选地,所述根据各个对象的特征向量计算所述目标对象与其他各对象的相似度,包括:
采用余弦相似度算法,计算所述目标对象的特征向量与其他各对象的特征向量的向量相似度,以作为所述目标对象与其他各对象的相似度。
可选地,所述根据所述相似度返回所述推荐请求的请求结果,包括:
根据所述相似度由高到低的顺序,对所述目标对象与其他各对象的相似度进行排序,得到所述目标对象的相似对象序列;
根据所述推荐请求中的推荐数量值N,返回所述相似对象序列中前N个对象,作为所述推荐请求的请求结果。
根据本发明实施例的再一个方面,提供了一种对象推荐的装置,包括:
接收模块,用于接收目标业务下对于目标对象的推荐请求;
构图模块,用于根据所述推荐请求获取所述目标业务对应目标行为的用户数据,进而根据所述用户数据确定每一用户的目标行为对应的对象序列,以基于所有对象序列构建对象之间的有向图;
计算模块,用于调用预设的图嵌入算法模型,以所述有向图作为输入,输出得到各个对象的特征向量,进而根据各个对象的特征向量计算所述目标对象与其他各对象的相似度;
返回模块,用于根据所述相似度返回所述推荐请求的请求结果。
可选地,所述构图模块根据所述推荐请求获取所述目标业务对应目标行为的用户数据,包括:
根据所述推荐请求确定预设时间段;基于业务行为配置表,根据所述目标业务确定相对应的目标行为;根据所述目标对象的粒度属性确定目标粒度;
获取所述预设时间段内包含所述目标行为的用户数据;
其中,所述目标行为包括以下中的一种或多种:浏览、搜索、关注、加购、购买;所述目标对象的粒度属性包括:物品粒度、品类粒度、品牌粒度。
可选地,所述构图模块根据所述用户数据确定每一用户的目标行为对应的对象序列,包括:
根据每一用户的用户数据,确定该用户的目标行为所对应的物品以及时间戳信息;
根据时间戳由早到晚的顺序对所述物品进行排序,生成物品序列;
基于所述物品序列中每一物品的目标粒度,将所述物品序列转化为对象序列。
可选地,所述构图模块基于所有对象序列构建对象之间的有向图,包括:
以对象序列中的对象作为有向图的节点;
根据各个对象序列中每两个相邻的有序对象,以及该相邻的有序对象出现的次数,确定有向图中的边以及边的权重;
基于所述节点、边、边的权重,构建对象之间的有向图。
可选地,所述计算模块调用预设的图嵌入算法模型,以所述有向图作为输入,输出得到各个对象的特征向量,包括:
调用预设的图嵌入算法模型中的随机游走算法,对所述有向图通过随机游走进行采样得到重构序列;
调用skip-gram算法基于重构序列学习表达向量,以作为所述各个对象的特征向量。
可选地,所述计算模块根据各个对象的特征向量计算所述目标对象与其他各对象的相似度,包括:
采用余弦相似度算法,计算所述目标对象的特征向量与其他各对象的特征向量的向量相似度,以作为所述目标对象与其他各对象的相似度。
可选地,所述返回模块根据所述相似度返回所述推荐请求的请求结果,包括:
根据所述相似度由高到低的顺序,对所述目标对象与其他各对象的相似度进行排序,得到所述目标对象的相似对象序列;
根据所述推荐请求中的推荐数量值N,返回所述相似对象序列中前N个对象,作为所述推荐请求的请求结果。
根据本发明实施例的另一个方面,提供了一种对象推荐的电子设备,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,使得所述一个或多个处理器实现本发明提供的对象推荐的方法。
根据本发明实施例的还一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明提供的对象推荐的方法。
上述发明中的一个实施例具有如下优点或有益效果:因为采用根据推荐请求获取目标业务对应目标行为的用户数据、根据用户数据构建行为对象之间的有向图,进而调用图嵌入算法模型基于有向图得到各对象的特征向量,再根据各特征向量计算出目标对象与其他各对象的相似度,以根据相似度返回推荐结果的技术手段;所以克服了现有技术中缺乏一种根据用户行为大数据、基于指定物品对象向用户推荐相似物品对象的方法的技术问题。本发明建立了一套基于用户行为的分析对象间相关性的方法,将方法中得到的目标对象与其他各对象的相似度作为衡量指标,清晰地体现了对象之间的关联性,进而达到能够在不同业务场景下提供物品对象推荐结果的技术效果。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明第一实施例的一种对象推荐的方法的主要流程的示意图;
图2是根据本发明第二实施例的一种对象推荐的方法中构建有向图的示意图;
图3是根据本发明第三实施例的一种对象推荐的方法的流程示意图;
图4是根据本发明第四实施例的一种对象推荐的装置的主要模块的示意图;
图5是本发明实施例可以应用于其中的示例性***架构图;
图6是适于用来实现本发明实施例的终端设备或服务器的计算机***的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明第一实施例的一种对象推荐的方法的主要流程的示意图,如图1所示,包括:
步骤S101、接收目标业务下对于目标对象的推荐请求;
步骤S102、根据所述推荐请求获取所述目标业务对应目标行为的用户数据,进而根据所述用户数据确定每一用户的目标行为对应的对象序列,以基于所有对象序列构建对象之间的有向图;
步骤S103、调用预设的图嵌入算法模型,以所述有向图作为输入,输出得到各个对象的特征向量,进而根据各个对象的特征向量计算所述目标对象与其他各对象的相似度;
步骤S104、根据所述相似度返回所述推荐请求的请求结果。
本发明因为采用根据推荐请求获取目标业务对应目标行为的用户数据、根据用户数据构建行为对象之间的有向图,进而调用图嵌入算法模型基于有向图得到各对象的特征向量,再根据各特征向量计算出目标对象与其他各对象的相似度,以根据相似度返回推荐结果的技术手段;所以克服了现有技术中缺乏一种根据用户行为大数据、基于指定物品对象向用户推荐相似物品对象的方法的技术问题。本发明建立了一套基于用户行为的分析对象间相关性的方法,将方法中得到的目标对象与其他各对象的相似度作为衡量指标,清晰地体现了对象之间的关联性,进而达到能够在不同业务场景下提供物品对象推荐结果的技术效果。
在一些实施例中,所述根据所述推荐请求获取所述目标业务对应目标行为的用户数据,包括:
根据所述推荐请求确定预设时间段;基于业务行为配置表,根据所述目标业务确定相对应的目标行为;根据所述目标对象的粒度属性确定目标粒度;
获取所述预设时间段内包含所述目标行为的用户数据;
其中,所述目标行为包括以下中的一种或多种:浏览、搜索、关注、加购、购买;所述目标对象的粒度属性包括:物品粒度、品类粒度、品牌粒度。
推荐请求中可以指示预设时间段,如:当前时间为2020年12月1日,预设时间段可以是过去一周,可以是过去一个月,也可以是2019年12月1日至12月30日;不同的预设时间段可以用于满足不同推荐请求相关的业务需求;
业务行为配置表中可以配置不同业务所对应的行为;
一具体配置实例如表1所示,表1为业务行为配置表:
表1 业务行为配置表
业务场景 | 行为 |
资产拉新 | 浏览、搜索、关注、加购、购买行为 |
资产蓄水 | 浏览、搜索行为 |
新客拉新 | 购买行为 |
其中,“资产拉新”业务可以是将资产从公域引入私域的业务场景,“资产蓄水”业务可以是为后续转化提前蓄水的业务场景,“新客拉新”业务可以是获取新客的业务场景;在不同业务下,其场景所需求的行为可以是不同的;
在实际应用中,可以灵活配置业务与行为的对应关系;当有业务更新或用户行为更新时,可以灵活更改业务行为配置表。
所述目标对象也可以是不同的粒度属性,如:可以根据SKU粒度的物品请求推荐相似物品,也可以根据某一品类或品牌的粒度请求推荐相似品类或品牌。
在一些实施例中,所述根据所述用户数据确定每一用户的目标行为对应的对象序列,包括:
根据每一用户的用户数据,确定该用户的目标行为所对应的物品以及时间戳信息;
根据时间戳由早到晚的顺序对所述物品进行排序,生成物品序列;
基于所述物品序列中每一物品的目标粒度,将所述物品序列转化为对象序列。
以下举例说明确定用户的对象序列的过程:
在上述“资产蓄水”场景中,对于用户U1,获得了其在预设时间段内包含了浏览行为和搜索行为的用户数据,将其中的行为按由早到晚的顺序排列,为如下行为:
浏览物品A1,搜索物品A2,搜索物品B1,浏览物品B2,浏览物品B1,浏览物品A1,搜索物品C1,搜索物品A2;
其中,A1与A2为同一目标粒度A;B1与B2为同一目标粒度B;C1的目标粒度为C;
则根据上述用户U1的用户数据,可以得到用户U1的物品序列为:{A1,A2,B1,B2,B1,A1,C,A2};
再基于目标粒度属性进行转化,得到序列:
{A,A,B,B,B,A,C,A},进一步地可以将其中相连的同一对象进行合并,得到用户U1的对象序列:{A,B,A,C,A}。
通过上述步骤,可以基于各个用户对于物品的目标行为,确定出各个用户的目标行为作用的物品序列,进而根据时间戳和物品的目标粒度,构建出每个用户的目标行为基于目标粒度对应的对象序列;
在实际应用中,每个对象序列的起始对象可以由用户进入APP后产生的第一个目标行为来确定,每个对象序列的结束对象可以由用户退出APP前产生的最后一个目标行为来确定。
在一些实施例中,所述基于所有对象序列构建对象之间的有向图,包括:
以对象序列中的对象作为有向图的节点;
根据各个对象序列中每两个相邻的有序对象,以及该相邻的有序对象出现的次数,确定有向图中的边以及边的权重;
基于所述节点、边、边的权重,构建对象之间的有向图。
在实际应用中,可以为不同目标行为配置不同的权重值,也可以配置相同的权重值。如:在上述“资产拉新”场景中,可以为“浏览、搜索、关注、加购、购买行为”五种行为依次设置权重:1,2,3,4,5。
以图2举例说明上述构建有向图的过程,图2是根据本发明第二实施例的一种对象推荐的方法中构建有向图的示意图;如图2所示,图左半部分显示了USER1、USER2、USER3三个用户的对象序列;
如图所示,对于用户USER2,可以看出其行为对应的前两个对象SKU-B,SKU-E与后三个对象SKU-D,SKU-E,SKU-F之间使用了虚线符号作为分隔,表示该用户产生了两个对象序列;类似地,对于用户USER3,也产生了两个对象序列;由图2左半部分可得,用户USER1、USER2、USER3的对象序列为:
USER1:{SKU-D,SKU-A,SKU-B};
USER2:{SKU-B,SKU-E};{SKU-D,SKU-E,SKU-F};
USER3:{SKU-E,SKU-C,SKU-B};{SKU-B,SKU-A};
如图2右半部分所示,即为上述5个对象序列构成的有向图,该有向图中的节点为上述三个对象序列中的对象,该有向图中的边是根据上述三个对象序列中每两个相邻的有序对象确定的。需要注意的是,在本实施例中为单一目标行为,且每一条边出现的次数都为1,故略去了边的权重的表示。
在一些实施例中,所述调用预设的图嵌入算法模型,以所述有向图作为输入,输出得到各个对象的特征向量,包括:
调用预设的图嵌入算法模型中的随机游走算法,对所述有向图通过随机游走进行采样得到重构序列;
调用skip-gram算法基于重构序列学习表达向量,以作为所述各个对象的特征向量。
可以使用DeepWalk(深度游走)算法模型,以所述有向图作为输入,输出得到各个对象的特征向量,具体地:
使用随机游走算法对用户对象序列构建进行采样,重新构建新的序列(即重构徐序列);再基于新的序列,根据skip-gram(跳字模型)算法计算得到各个对象的特征向量。
使用DeepWalk(深度游走)算法模型,可以以有向图作为输入,通过截断随机游走算法(truncated random walk)学习出该有向图的社会表示(social representation),进而输出该有向图中各节点的向量表示,以作为各个对象的特征向量。
DeepWalk(深度游走)算法模型的可扩展性强,能够适用于各种规模的有向图。
在一些实施例中,所述根据各个对象的特征向量计算所述目标对象与其他各对象的相似度,包括:采用余弦相似度算法,计算所述目标对象的特征向量与其他各对象的特征向量的向量相似度,以作为所述目标对象与其他各对象的相似度。
进一步地,在一些实施例中,所述根据所述相似度返回所述推荐请求的请求结果,包括:根据所述相似度由高到低的顺序,对所述目标对象与其他各对象的相似度进行排序,得到所述目标对象的相似对象序列;根据所述推荐请求中的推荐数量值N,返回所述相似对象序列中前N个对象,作为所述推荐请求的请求结果。
可以采用余弦相似度算法进行特征向量之间的数据计算,得到目标对象的特征向量与其他各对象的特征向量的向量相似度,进而以向量相似度作为目标对象与其他各对象的相似度,该相似度可以看做是一种用于体现对象之间关联性的衡量指标,若相似度越高,则可以认为关联性越强;对目标对象与其他各对象的相似度进行排序,得到目标对象的相似对象序列,该相似对象序列可以看做是用于推荐的初始结果集,在从推荐请求中得到推荐数量值N后,可以从初始结果集中取前N个,作为推荐请求的请求结果进行返回。
图3是根据本发明第三实施例的一种对象推荐的方法的流程示意图,如图3所示,包括:
步骤S301、接收关于目标对象的推荐请求;
步骤S302、判断业务场景,当业务场景为资产拉新时,执行步骤S303~步骤S308;当业务场景为资产蓄水时,执行步骤S309~步骤S314;当业务场景为新客拉新时,执行步骤S315~步骤S320;
当业务场景为资产拉新时:
步骤S303、获取用户“搜索、浏览、关注、加购、购买”行为的行为数据;
步骤S304、基于目标对象的粒度属性,根据行为数据生成各个用户的对象序列;其中,粒度属性可以是物品粒度,或品类粒度,或品牌粒度;
步骤S305、根据对象序列构建有向图;
步骤S306、调用预设的模型基于有向图挖掘得到各对象的特征向量;
步骤S307、根据特征向量,采用余弦相似度算法计算目标对象与其他各对象之间的相似度,并排序;
步骤S308、基于推荐请求中的推荐个数,根据排序后的相似度返回推荐结果。
步骤S309~步骤S314的执行过程,以及步骤S315~步骤S320的执行过程,与上述步骤S303~步骤S308的执行过程类似;不同的是在不同场景下获取到的用户数据不同:在业务场景为资产蓄水的情况下,获取用户“搜索、浏览”行为的行为数据;在业务场景为新客拉新的情况下,获取用户“购买”行为的行为数据。
图4是根据本发明第四实施例的一种对象推荐的装置的主要模块的示意图,如图4所示,对象推荐的装置400包括:
接收模块401,用于接收目标业务下对于目标对象的推荐请求;
构图模块402,用于根据所述推荐请求获取所述目标业务对应目标行为的用户数据,进而根据所述用户数据确定每一用户的目标行为对应的对象序列,以基于所有对象序列构建对象之间的有向图;
计算模块403,用于调用预设的图嵌入算法模型,以所述有向图作为输入,输出得到各个对象的特征向量,进而根据各个对象的特征向量计算所述目标对象与其他各对象的相似度;
返回模块404,用于根据所述相似度返回所述推荐请求的请求结果。
本发明因为采用根据推荐请求获取目标业务对应目标行为的用户数据、根据用户数据构建行为对象之间的有向图,进而调用图嵌入算法模型基于有向图得到各对象的特征向量,再根据各特征向量计算出目标对象与其他各对象的相似度,以根据相似度返回推荐结果的技术手段;所以克服了现有技术中缺乏一种根据用户行为大数据、基于指定物品对象向用户推荐相似物品对象的方法的技术问题。本发明建立了一套基于用户行为的分析对象间相关性的方法,将方法中得到的目标对象与其他各对象的相似度作为衡量指标,清晰地体现了对象之间的关联性,进而达到能够在不同业务场景下提供物品对象推荐结果的技术效果。
在一些实施例中,所述构图模块根据所述推荐请求获取所述目标业务对应目标行为的用户数据,包括:
根据所述推荐请求确定预设时间段;基于业务行为配置表,根据所述目标业务确定相对应的目标行为;根据所述目标对象的粒度属性确定目标粒度;
获取所述预设时间段内包含所述目标行为的用户数据;
其中,所述目标行为包括以下中的一种或多种:浏览、搜索、关注、加购、购买;所述目标对象的粒度属性包括:物品粒度、品类粒度、品牌粒度。
推荐请求中可以指示预设时间段,如:当前时间为2020年12月1日,预设时间段可以是过去一周,可以是过去一个月,也可以是2019年12月1日至12月30日;不同的预设时间段可以用于满足不同推荐请求相关的业务需求;
业务行为配置表中可以配置不同业务所对应的行为;
在实际应用中,可以灵活配置业务与行为的对应关系;当有业务更新或用户行为更新时,可以灵活更改业务行为配置表。
所述目标对象也可以是不同的粒度属性,如:可以根据SKU粒度的物品请求推荐相似物品,也可以根据某一品类或品牌的粒度请求推荐相似品类或品牌。
在一些实施例中,所述构图模块根据所述用户数据确定每一用户的目标行为对应的对象序列,包括:
根据每一用户的用户数据,确定该用户的目标行为所对应的物品以及时间戳信息;
根据时间戳由早到晚的顺序对所述物品进行排序,生成物品序列;
基于所述物品序列中每一物品的目标粒度,将所述物品序列转化为对象序列。
以下举例说明确定用户的对象序列的过程:
在上述“资产蓄水”场景中,对于用户U1,获得了其在预设时间段内包含了浏览行为和搜索行为的用户数据,将其中的行为按由早到晚的顺序排列,为如下行为:
浏览物品A1,搜索物品A2,搜索物品B1,浏览物品B2,浏览物品B1,浏览物品A1,搜索物品C1,搜索物品A2;
其中,A1与A2为同一目标粒度A;B1与B2为同一目标粒度B;C1的目标粒度为C;
则根据上述用户U1的用户数据,可以得到用户U1的物品序列为:{A1,A2,B1,B2,B1,A1,C,A2};
再基于目标粒度属性进行转化,得到序列:
{A,A,B,B,B,A,C,A},进一步地可以将其中相连的同一对象进行合并,得到用户U1的对象序列:{A,B,A,C,A}。
通过上述步骤,可以基于各个用户对于物品的目标行为,确定出各个用户的目标行为作用的物品序列,进而根据时间戳和物品的目标粒度,构建出每个用户的目标行为基于目标粒度对应的对象序列;
在实际应用中,每个对象序列的起始对象可以由用户进入APP后产生的第一个目标行为来确定,每个对象序列的结束对象可以由用户退出APP前产生的最后一个目标行为来确定。
在一些实施例中,所述构图模块基于所有对象序列构建对象之间的有向图,包括:
以对象序列中的对象作为有向图的节点;
根据各个对象序列中每两个相邻的有序对象,以及该相邻的有序对象出现的次数,确定有向图中的边以及边的权重;
基于所述节点、边、边的权重,构建对象之间的有向图。
在实际应用中,可以为不同目标行为配置不同的权重值,也可以配置相同的权重值。如:在上述“资产拉新”场景中,可以为“浏览、搜索、关注、加购、购买行为”五种行为依次设置权重:1,2,3,4,5。
在一些实施例中,所述计算模块调用预设的图嵌入算法模型,以所述有向图作为输入,输出得到各个对象的特征向量,包括:
调用预设的图嵌入算法模型中的随机游走算法,对所述有向图通过随机游走进行采样得到重构序列;
调用skip-gram算法基于重构序列学习表达向量,以作为所述各个对象的特征向量。
可以使用DeepWalk(深度游走)算法模型,以所述有向图作为输入,输出得到各个对象的特征向量,具体地:
使用随机游走算法对用户对象序列构建进行采样,重新构建新的序列(即重构徐序列);再基于新的序列,根据skip-gram(跳字模型)算法计算得到各个对象的特征向量。
使用DeepWalk(深度游走)算法模型,可以以有向图作为输入,通过截断随机游走算法(truncated random walk)学习出该有向图的社会表示(social representation),进而输出该有向图中各节点的向量表示,以作为各个对象的特征向量。
DeepWalk(深度游走)算法模型的可扩展性强,能够适用于各种规模的有向图。
在一些实施例中,所述计算模块根据各个对象的特征向量计算所述目标对象与其他各对象的相似度,包括:采用余弦相似度算法,计算所述目标对象的特征向量与其他各对象的特征向量的向量相似度,以作为所述目标对象与其他各对象的相似度。
进一步地,在一些实施例中,所述返回模块根据所述相似度返回所述推荐请求的请求结果,包括:
根据所述相似度由高到低的顺序,对所述目标对象与其他各对象的相似度进行排序,得到所述目标对象的相似对象序列;
根据所述推荐请求中的推荐数量值N,返回所述相似对象序列中前N个对象,作为所述推荐请求的请求结果。
可以采用余弦相似度算法进行特征向量之间的数据计算,得到目标对象的特征向量与其他各对象的特征向量的向量相似度,进而以向量相似度作为目标对象与其他各对象的相似度,该相似度可以看做是一种用于体现对象之间关联性的衡量指标,若相似度越高,则可以认为关联性越强;对目标对象与其他各对象的相似度进行排序,得到目标对象的相似对象序列,该相似对象序列可以看做是用于推荐的初始结果集,在从推荐请求中得到推荐数量值N后,可以从初始结果集中取前N个,作为推荐请求的请求结果进行返回。
图5示出了可以应用本发明实施例的对象推荐的方法或对象推荐的装置的示例性***架构500。
如图5所示,***架构500可以包括终端设备501、502、503,网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备501、502、503通过网络504与服务器505交互,以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器505可以是提供各种服务的服务器,例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的对象推荐的方法一般由服务器505执行,相应地,对象推荐的装置一般设置于服务器505中。
应该理解,图5中的终端设备、网络和服务器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终端设备、网络和服务器。
下面参考图6,其示出了适于用来实现本发明实施例的终端设备的计算机***600的结构示意图。图6示出的终端设备仅仅是一个示例,不应对本发明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***600操作所需的各种程序和数据。CPU 601、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,根据本发明公开的实施例,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,本发明公开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,执行本发明的***中限定的上述功能。
需要说明的是,本发明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。在本发明中,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。而在本发明中,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,图示了按照本发明各种实施例的***、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。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括接收模块、构图模块、计算模块和返回模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,发送单元还可以被描述为“向所连接的服务端发送图片获取请求的单元”。
作为另一方面,本发明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设备中所包含的;也可以是单独存在,而未装配入该设备中。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设备执行时,使得该设备包括:步骤S101、接收目标业务下对于目标对象的推荐请求;步骤S102、根据所述推荐请求获取所述目标业务对应目标行为的用户数据,进而根据所述用户数据确定每一用户的目标行为对应的对象序列,以基于所有对象序列构建对象之间的有向图;步骤S103、调用预设的图嵌入算法模型,以所述有向图作为输入,输出得到各个对象的特征向量,进而根据各个对象的特征向量计算所述目标对象与其他各对象的相似度;步骤S104、根据所述相似度返回所述推荐请求的请求结果。
根据本发明实施例的技术方案,因为采用根据推荐请求获取目标业务对应目标行为的用户数据、根据用户数据构建行为对象之间的有向图,进而调用图嵌入算法模型基于有向图得到各对象的特征向量,再根据各特征向量计算出目标对象与其他各对象的相似度,以根据相似度返回推荐结果的技术手段;所以克服了现有技术中缺乏一种根据用户行为大数据、基于指定物品对象向用户推荐相似物品对象的方法的技术问题。本发明建立了一套基于用户行为的分析对象间相关性的方法,将方法中得到的目标对象与其他各对象的相似度作为衡量指标,清晰地体现了对象之间的关联性,进而达到能够在不同业务场景下提供物品对象推荐结果的技术效果。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种对象推荐的方法,其特征在于,包括:
接收目标业务下对于目标对象的推荐请求;
根据所述推荐请求获取所述目标业务对应目标行为的用户数据,进而根据所述用户数据确定每一用户的目标行为对应的对象序列,以基于所有对象序列构建对象之间的有向图;
调用预设的图嵌入算法模型,以所述有向图作为输入,输出得到各个对象的特征向量,进而根据各个对象的特征向量计算所述目标对象与其他各对象的相似度;
根据所述相似度返回所述推荐请求的请求结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述推荐请求获取所述目标业务对应目标行为的用户数据,包括:
根据所述推荐请求确定预设时间段;基于业务行为配置表,根据所述目标业务确定相对应的目标行为;根据所述目标对象的粒度属性确定目标粒度;
获取所述预设时间段内包含所述目标行为的用户数据。
3.根据权利要求2所述的方法,其特征在于,所述根据所述用户数据确定每一用户的目标行为对应的对象序列,包括:
根据每一用户的用户数据,确定该用户的目标行为所对应的物品以及时间戳信息;
根据时间戳由早到晚的顺序对所述物品进行排序,生成物品序列;
基于所述物品序列中每一物品的目标粒度,将所述物品序列转化为对象序列。
4.根据权利要求1所述的方法,其特征在于,所述基于所有对象序列构建对象之间的有向图,包括:
以对象序列中的对象作为有向图的节点;
根据各个对象序列中每两个相邻的有序对象,以及该相邻的有序对象出现的次数,确定有向图中的边以及边的权重;
基于所述节点、边、边的权重,构建对象之间的有向图。
5.根据权利要求1所述的方法,其特征在于,所述调用预设的图嵌入算法模型,以所述有向图作为输入,输出得到各个对象的特征向量,包括:
调用预设的图嵌入算法模型中的随机游走算法,对所述有向图通过随机游走进行采样得到重构序列;
调用skip-gram算法基于重构序列学习表达向量,以作为所述各个对象的特征向量。
6.根据权利要求1所述的方法,其特征在于,所述根据各个对象的特征向量计算所述目标对象与其他各对象的相似度,包括:
采用余弦相似度算法,计算所述目标对象的特征向量与其他各对象的特征向量的向量相似度,以作为所述目标对象与其他各对象的相似度。
7.根据权利要求1所述的方法,其特征在于,所述根据所述相似度返回所述推荐请求的请求结果,包括:
根据所述相似度由高到低的顺序,对所述目标对象与其他各对象的相似度进行排序,得到所述目标对象的相似对象序列;
根据所述推荐请求中的推荐数量值N,返回所述相似对象序列中前N个对象,作为所述推荐请求的请求结果。
8.一种对象推荐的装置,其特征在于,包括:
接收模块,用于接收目标业务下对于目标对象的推荐请求;
构图模块,用于根据所述推荐请求获取所述目标业务对应目标行为的用户数据,进而根据所述用户数据确定每一用户的目标行为对应的对象序列,以基于所有对象序列构建对象之间的有向图;
计算模块,用于调用预设的图嵌入算法模型,以所述有向图作为输入,输出得到各个对象的特征向量,进而根据各个对象的特征向量计算所述目标对象与其他各对象的相似度;
返回模块,用于根据所述相似度返回所述推荐请求的请求结果。
9.一种对象推荐的电子设备,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,使得所述一个或多个处理器实现如权利要求1-7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中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110171669.7A CN113781152A (zh) | 2021-02-08 | 2021-02-08 | 一种对象推荐的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110171669.7A CN113781152A (zh) | 2021-02-08 | 2021-02-08 | 一种对象推荐的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113781152A true CN113781152A (zh) | 2021-12-10 |
Family
ID=78835443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110171669.7A Pending CN113781152A (zh) | 2021-02-08 | 2021-02-08 | 一种对象推荐的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113781152A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150095202A1 (en) * | 2013-09-30 | 2015-04-02 | Wal-Mart Stores, Inc. | Recommending Product Groups in Ecommerce |
CN108335127A (zh) * | 2017-01-19 | 2018-07-27 | 北京京东尚科信息技术有限公司 | 用于基于FastText模型向用户推荐商品的方法、装置、电子设备及存储介质 |
CN108665329A (zh) * | 2017-03-29 | 2018-10-16 | 北京京东尚科信息技术有限公司 | 一种基于用户浏览行为的商品推荐方法 |
CN108898459A (zh) * | 2018-06-25 | 2018-11-27 | 中国联合网络通信集团有限公司 | 一种商品推荐方法及装置 |
CN108960945A (zh) * | 2017-05-18 | 2018-12-07 | 北京京东尚科信息技术有限公司 | 商品推荐方法和装置 |
CN111143684A (zh) * | 2019-12-30 | 2020-05-12 | 腾讯科技(深圳)有限公司 | 基于人工智能的泛化模型的训练方法及装置 |
CN111461812A (zh) * | 2020-02-28 | 2020-07-28 | 北京三快在线科技有限公司 | 对象推荐方法、装置、电子设备及可读存储介质 |
CN111767457A (zh) * | 2019-08-29 | 2020-10-13 | 北京沃东天骏信息技术有限公司 | 推荐方法及装置 |
CN112069404A (zh) * | 2020-08-31 | 2020-12-11 | 深圳市卡牛科技有限公司 | 一种商品信息的展示方法、装置、设备和存储介质 |
-
2021
- 2021-02-08 CN CN202110171669.7A patent/CN113781152A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150095202A1 (en) * | 2013-09-30 | 2015-04-02 | Wal-Mart Stores, Inc. | Recommending Product Groups in Ecommerce |
CN108335127A (zh) * | 2017-01-19 | 2018-07-27 | 北京京东尚科信息技术有限公司 | 用于基于FastText模型向用户推荐商品的方法、装置、电子设备及存储介质 |
CN108665329A (zh) * | 2017-03-29 | 2018-10-16 | 北京京东尚科信息技术有限公司 | 一种基于用户浏览行为的商品推荐方法 |
CN108960945A (zh) * | 2017-05-18 | 2018-12-07 | 北京京东尚科信息技术有限公司 | 商品推荐方法和装置 |
CN108898459A (zh) * | 2018-06-25 | 2018-11-27 | 中国联合网络通信集团有限公司 | 一种商品推荐方法及装置 |
CN111767457A (zh) * | 2019-08-29 | 2020-10-13 | 北京沃东天骏信息技术有限公司 | 推荐方法及装置 |
CN111143684A (zh) * | 2019-12-30 | 2020-05-12 | 腾讯科技(深圳)有限公司 | 基于人工智能的泛化模型的训练方法及装置 |
CN111461812A (zh) * | 2020-02-28 | 2020-07-28 | 北京三快在线科技有限公司 | 对象推荐方法、装置、电子设备及可读存储介质 |
CN112069404A (zh) * | 2020-08-31 | 2020-12-11 | 深圳市卡牛科技有限公司 | 一种商品信息的展示方法、装置、设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
吴斌: "网络科学与计算", vol. 978, 31 August 2019, 北京邮电大学出版社, pages: 135 - 136 * |
杨华;周琪云;汤青;杨志明;: "混合图随机游走算法的商品推荐", 小型微型计算机***, no. 11 * |
段大高; 韩忠明;: "社交媒体内容安全挖掘技术研究", vol. 978, 31 December 2019, 北京邮电大学出版社, pages: 175 - 176 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111125574B (zh) | 用于生成信息的方法和装置 | |
CN108810047B (zh) | 用于确定信息推送准确率的方法、装置及服务器 | |
CN107517251B (zh) | 信息推送方法和装置 | |
CN109146533B (zh) | 信息推送方法和装置 | |
CN110619078B (zh) | 用于推送信息的方法和装置 | |
CN111311294A (zh) | 数据处理方法、装置、介质及电子设备 | |
CN110866040A (zh) | 用户画像生成方法、装置和*** | |
CN112749323B (zh) | 一种构建用户画像的方法和装置 | |
CN107249041B (zh) | 信息推送方法和装置 | |
CN113822734B (zh) | 用于生成信息的方法和装置 | |
CN114493786A (zh) | 一种信息推荐方法及装置 | |
CN113450172B (zh) | 一种商品推荐方法和装置 | |
CN112102043A (zh) | 物品推荐页面生成方法、装置、电子设备和可读介质 | |
CN111125502B (zh) | 用于生成信息的方法和装置 | |
CN113495991A (zh) | 一种推荐方法和装置 | |
CN110956514A (zh) | 一种生成订单信息的方法和装置 | |
CN110659919A (zh) | 数据匹配方法、装置、介质及电子设备 | |
CN112035581B (zh) | 基于模型的任务处理方法、装置、设备和介质 | |
CN113781152A (zh) | 一种对象推荐的方法和装置 | |
CN111784091B (zh) | 用于处理信息的方法和装置 | |
CN111723274B (zh) | 用于处理信息的方法和装置 | |
CN109961304B (zh) | 用于生成信息的方法和装置 | |
CN113742564A (zh) | 目标资源的推送方法和装置 | |
CN113256362A (zh) | 用于输出信息的方法和装置 | |
CN111488537A (zh) | 一种页面展示的方法和装置 |
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 |