CN115705583A - 多目标预测方法、装置、设备及存储介质 - Google Patents

多目标预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115705583A
CN115705583A CN202110907940.9A CN202110907940A CN115705583A CN 115705583 A CN115705583 A CN 115705583A CN 202110907940 A CN202110907940 A CN 202110907940A CN 115705583 A CN115705583 A CN 115705583A
Authority
CN
China
Prior art keywords
historical behavior
historical
prediction
target
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
Application number
CN202110907940.9A
Other languages
English (en)
Inventor
付煜文
陈亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tenpay Payment Technology Co Ltd
Original Assignee
Tenpay Payment Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tenpay Payment Technology Co Ltd filed Critical Tenpay Payment Technology Co Ltd
Priority to CN202110907940.9A priority Critical patent/CN115705583A/zh
Priority to PCT/CN2022/104024 priority patent/WO2023016147A1/zh
Publication of CN115705583A publication Critical patent/CN115705583A/zh
Priority to US18/137,993 priority patent/US20230259959A1/en
Pending legal-status Critical Current

Links

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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • 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
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • 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
    • 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)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种多目标预测方法、装置及设备，属于计算机和互联网技术领域。所述方法包括：根据目标对象的历史行为数据序列，获取历史行为编码序列；对于多个预测目标中的每一个预测目标，根据历史行为编码序列中的各个历史行为编码与预测目标之间的相关性，生成预测目标对应的历史特征数据；根据待预测事件的事件信息，以及各个预测目标分别对应的历史特征数据，分别获取各个预测目标对应的预测结果。本申请中，在获取预测结果时，考虑了不同预测目标之间的差异，对于不同的预测目标根据不同的历史特征数据来获取预测结果，提高预测结果的准确性。

Description

多目标预测方法、装置、设备及存储介质
技术领域
本申请实施例涉及计算机和互联网技术领域，特别涉及一种多目标预测方法、装置、设备及存储介质。
背景技术
目前，商家在售卖产品时会主动向用户推动该产品的相关内容。在相关技术中，在向用户推送产品的相关内容之前，获取该产品对应的历史行为数据序列，结合用户自身的特征，预测用户针对该产品的业务效果。
然而，在上述相关技术中，直接将历史行为数据序列作为整体来预测业务效果，预测结果不准确。
发明内容
本申请实施例提供了一种多目标预测方法、装置、设备及存储介质，在获取预测结果时，考虑了不同预测目标之间的差异，提高预测结果的准确性。所述技术方案如下：
根据本申请实施例的一个方面，提供了一种多目标预测方法，所述方法包括：
根据目标对象的历史行为数据序列，获取历史行为编码序列；其中，所述历史行为编码序列中的一项历史行为编码，是指所述历史行为数据序列中的一项历史行为数据对应的编码表示；
对于多个预测目标中的每一个预测目标，根据所述历史行为编码序列中的各个历史行为编码与所述预测目标之间的相关性，生成所述预测目标对应的历史特征数据；
根据待预测事件的事件信息，以及各个所述预测目标分别对应的历史特征数据，分别获取各个所述预测目标对应的预测结果。
根据本申请实施例的一个方面，提供了一种多目标预测装置，所述装置包括：
编码序列获取模块，用于根据目标对象的历史行为数据序列，获取历史行为编码序列；其中，所述历史行为编码序列中的一项历史行为编码，是指所述历史行为数据序列中的一项历史行为数据对应的编码表示；
特征数据生成模块，用于对于多个预测目标中的每一个预测目标，根据所述历史行为编码序列中的各个历史行为编码与所述预测目标之间的相关性，生成所述预测目标对应的历史特征数据；
预测结果获取模块，用于根据待预测事件的事件信息，以及各个所述预测目标分别对应的历史特征数据，分别获取各个所述预测目标对应的预测结果。
根据本申请实施例的一个方面，提供了一种服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述多目标预测方法。
根据本申请实施例的一个方面，提供了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至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述多目标预测方法。
根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。服务器的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该服务器执行上述多目标预测方法。
本申请实施例提供的技术方案可以包括如下有益效果：
通过各个历史行为编码与预测目标之间的相关性，生成预测目标对应的历史特征数据，进而在待预测事件的事件信息的基础上，分别结合各个预测目标分别对应的历史特征数据，分别取各个所述预测目标分别对应的预测结果，在获取预测结果时，考虑了不同预测目标之间的差异，对于不同的预测目标根据不同的历史特征数据来获取预测结果，提高预测结果的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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。
图1是本申请一个实施例提供的多目标预测***的示意图；
图2示例性示出了一种多目标预测***的示意图；
图3是本申请一个实施例提供的多目标预测方法的流程图；
图4示例性示出了各个预测目标分别对应的事件特征数据的获取方式的示意图；
图5示例性示出了一种历史行为嵌入的获取方式的示意图；
图6示例性示出了一种历史行为编码序列的获取方式的示意图；
图7示例性示出了一种多目标预测方式的流程的示意图；
图8是本申请一个实施例提供的多目标预测装置的框图；
图9是本申请另一个实施例提供的多目标预测装置的框图；
图10是本申请一个实施例提供的服务器结构的示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
请参考图1，其示出了本申请一个实施例提供的多目标预测***的示意图。该多目标预测***可以包括：终端10和服务器20。
终端10可以是诸如手机、平板电脑、游戏主机、电子书阅读器、多媒体播放设备、可穿戴设备、PC(Personal Computer，个人计算机)等电子设备。终端10中可以包括应用程序的客户端，如该应用程序可以是购物应用程序、社交应用程序、游戏应用程序、视频应用程序等。可选地，该应用程序可以是需要下载安装的应用程序，也可以是即点即用的应用程序，本申请实施例对此不作限定。
服务器20用于为终端10提供后台服务。服务器20可以是一台服务器，也可以是由多台服务器组成的服务器集群，或者是一个云计算服务中心。可选地，服务器20可以是上述客户端的后台服务器。在示例性实施例中，服务器20为多个终端10提供后台服务。
上述终端10和上述服务器20通过网络30进行互相通信。
可选地，上述应用程序为具有物品推送功能的应用程序。示例性地，由终端10向服务器20发送针对目标物品的预测结果获取请求。其中，该预测结果获取请求中包括目标物品的标识信息。进一步地，服务器20在根据目标物品的标识信息确定目标物品，依据该目标物品确定待预测事件的事件信息，并获取目标对象的历史行为编码序列。其中，事件信息中包括关联物品信息、关联用户信息和关联场景信息；历史行为编码序列中的一项历史行为编码，是指历史行为数据序列中的一项历史行为数据对应的编码表示。之后，服务器20根据历史行为编码序列中的各个历史行为编码与预测目标之间的相关性，获取各个预测目标分别对应的历史特征数据，并根据上述事件信息，结合各个预测目标分别对应的历史特征数据，分别获取各个预测目标对应的预测结果，进而由服务器20向终端10发送各个预测目标分别对应的预测结果。之后，终端10在预测结果满足条件的情况下，确定向用户推送上述目标物品。需要说明的一点是，目标物品即为上述事件信息对应的关联物品。
可选地，在本申请实施例中，上述服务器20为多个服务器中的任一服务器，其中，多个服务器可组成为一区块链，而服务器为区块链上的节点，即上述服务器20为区块链上的节点。可选地，本申请中，通过服务器中的程序指令来执行实现上述多目标预测方法。作为示例，程序指令可被部署在一个服务器上执行，或者在位于一个地点的多个服务器上执行，又或者，在分布在多个地点且通过通信网络互连的多个服务器上执行，分布在多个地点且通过通信网络互连的多个服务器可以组成区块链***。
可选地，下面，结合几个实施例对本申请技术方案进行介绍说明。
请参考图3，其示出了本申请一个实施例提供的多目标预测方法的流程图。该方法可应用于图1所示的多目标预测***中，如各步骤的执行主体可以是服务器20。该方法可以包括以下几个步骤(301～303)：
步骤301，根据目标对象的历史行为数据序列，获取历史行为编码序列。
历史行为数据序列用于反映目标对象针对物品的操作行为。其中，该历史行为数据序列中包括多个历史行为数据序列，一个历史行为数据序列对应一个操作行为。可选地，上述操作行为是指点击、转化、搜索、收藏等其中的任意一种，本申请实施例对此不作限定。需要说明地一点是，上述目标对象可以是任意一个或多个用户帐号对应地对象，而且，上述物品可以是任意一个或多个物品。
历史行为编码序列是指历史行为数据序列对应的编码表示。其中，历史行为编码序列中的一项历史行为编码，是指历史行为数据序列中的一项历史行为数据对应的编码表示。
在本申请实施例中，服务器在获取预测结果之前，获取目标对象的历史行为数据序列，进而根据该历史行为数据序列，获取历史行为编码序列。可选地，服务器在获取上述历史行为数据序列之后，对该历史行为数据序列中的各个历史行为数据分别进行编码处理，得到上述历史行为编码序列。
可选地，在本申请实施例中，每项历史行为数据中包括多个类型的历史特征信息，服务器在对历史行为数据进行编码时，分别对不同类型的历史特征信息进行编码，得到各个类型分别对应的特征向量，进而将各个类型分别对应的特征向量进行拼接，以获取该历史行为数据对应的历史行为编码。
步骤302，对于多个预测目标中的每一个预测目标，根据历史行为编码序列中的各个历史行为编码与预测目标之间的相关性，生成预测目标对应的历史特征数据。
预测目标是指用于衡量待预测事件的执行效果的指标参数。待预测事件可以为任意事件，如商品的出售事件、广告的转化事件、视频的曝光事件等，本申请实施例对此不作限定。可选地，一个待预测事件对应一个或多个预测目标。而且，不同的待预测事件对应的预测目标可以相同，也可以不同。示例性地，若待预测事件为广告的转化事件，则预测目标包括广告的点击率、广告的转化率、广告中商品的购买数量。
在本申请实施例中，服务器在获取上述历史行为编码序列之后，对于多个预测目标中的每一个预测目标，根据历史行为编码序列中的各个历史行为编码与预测目标之间的相关性，生成预测目标对应的历史特征数据。其中，上述相关性用于指示历史行为编码与预测目标之间的关联情况，不同预测目标对应的历史特征数据不同。
在一种可能的实施方式中，服务器通过编码过滤的方式来获取上述历史特征数据，在这种情况下，上述关联情况用于指示历史行为编码与预测目标是否关联。可选地，服务器在获取上述历史行为编码序列之后，对于多个预测目标中的第一预测目标，根据第一预测目标与各个历史行为编码之间的相关性，从多个历史行为编码中选择与第一预测目标关联的历史行为编码，生成该第一预测目标对应的历史特征数据。此时，第一预测目标对应的历史特征数据中仅仅包括与该预测目标关联的历史行为编码，减少后续数据处理的计算量。
在另一种可能的实时方式中，服务器通过加权处理的方式来获取上述历史特征数据，在这种情况下，上述关联情况用于指示历史行为编码与预测目标之间的关联程度。可选地，服务器在获取上述历史行为编码序列之后，对于多个预测目标中的第一预测目标，根据第一预测目标与各个历史行为编码之间的相关性，分别确定各个历史行为编码与第一预测目标之间的关联程度，进而根据该关联程度，分别确定各个历史行为编码针对第一预测目标的权重参数。其中，该权重参数与上述关联程度呈正相关关系。之后，基于各个历史行为编码分别对应的权重参数，对各个历史行为编码分别进行加权处理，生成该第一预测目标对应的历史特征数据。此时，第一预测目标对应的历史特征数据中包括全量历史行为编码，且不同历史行为编码对应有不同的权重参数，提高后续数据处理的准确性。
当然，在其它可能的实施方式中，服务器也可以通过编码过滤和加权处理来获取上述历史特征数据，在这种情况下，上述关联情况用于指示历史行为编码与预测目标之间的关联程度。可选地，服务器在获取上述历史行为编码之后，对于多个预测目标中的第一预测目标，根据各个历史行为编码与第一预测目标之间的关联程度，获取与第一预测目标关联的历史行为编码，并获取各个与第一预测目标关联的历史行为编码分别对应的权重参数，通过加权处理生成该第一预测目标对应的历史特征数据。此时，第一预测目标对应的历史特征数据中仅仅包括与该预测目标关联的历史行为编码，且不同历史行为编码对应有不同的权重参数。
步骤303，根据待预测事件的事件信息，以及各个预测目标分别对应的历史特征数据，分别获取各个预测目标对应的预测结果。
事件信息用于指示待预测事件的特征数据。在本申请实施例中，服务器在获取各个预测目标分别对应的历史特征数据之后，根据待预测事件的事件信息，以及各个预测目标分别对应的历史特征数据，分别获取各个预测目标对应的预测结果。
可选地，上述预测结果包括点击率、转化率和购买数量。在示例性实施例中，上述步骤303之后还包括以下几个子步骤：
1、根据点击率和转化率，获取事件信息对应的用户帐号针对关联物品的点击转化率；其中，关联物品即为上文中的目标物品；
和/或，
2、根据点击转化率和购买数量，获取用户帐号针对关联物品的购买情况预测结果。
示例性地，假设点击率为pCTR，转化率为pCVR，购买数量为n，则点击转化率pCTCVR为：
pCTCVR＝pCTR*pCVR；
购买情况预测结果P为：
P＝pCTR*Pcvr*n。
可选地，上述事件信息包括关联物品信息、关联用户信息和关联场景信息。服务器在获取上述事件信息之后，根据该事件信息对应的关联物品，获取关联物品信息；根据事件信息对应的用户帐号，获取关联用户信息；获取关联场景信息。之后，服务器根据关联物品信息、关联用户信息和关联场景信息，获取上述事件信息，进一步地，对该事件信息进行编码，得到该事件信息对应的编码表示。
上述关联物品信息包括关联物品的历史购买情况。可选地，该历史购买情况可以是用户帐号针对关联物品的历史购买情况，也可以是目标对象针对关联物品的历史购买情况，本申请实施例对此不作限定。其中，上述购买情况包括但不限于以下至少一项：是否购买过、购买时刻、购买次数、购买时的场景信息等。当然，在示例性实施例中，上述关联物品信息中还可以包括但不限于以下至少一项：关联物品的标识信息、关联物品的类型、关联物品的展示平台、关联物品的展示位置等。
上述关联用户信息用于反映用户帐号对应的用户画像。其中，该用户画像可以为服务器根据用户帐号对应的各种用户数据绘制的，且用于反映用户帐号的特征。可选地，上述用户数据包括但不限于以下至少一项：用户帐号对应的用户年龄、用户帐号对应的用户性别、用户帐号对应的余额等。
上述关联场景信息用于指示操作行为发生环境。其中，操作行为发生环境即为当前的场景环境。可选地，该关联场景信息中包括但不限于以下至少一项：关联物品的展示平台的近期(今日、近期一周内、近期一个月内等)人流量、关联物品的展品平台的近期物品成交量、关联物品的展示平台的近期市场竞争力等。
综上所述，本申请实施例提供的技术方案，通过各个历史行为编码与预测目标之间的相关性，生成预测目标对应的历史特征数据，进而在待预测事件的事件信息的基础上，分别结合各个预测目标分别对应的历史特征数据，分别取各个所述预测目标分别对应的预测结果，在获取预测结果时，考虑了不同预测目标之间的差异，对于不同的预测目标根据不同的历史特征数据来获取预测结果，提高预测结果的准确性。
下面，对历史特征数据的获取方式进行介绍。
在示例性实施例中，上述步骤302包括以下几个步骤：
1、获取历史行为编码序列中的各个历史行为编码分别对应的操作行为。
在本申请实施例中，服务器在获取上述历史特征数据时，获取山分数历史行为编码序列中的各个历史行为编码分别对应的操作行为。
2、对于多个预测目标中的每一个预测目标，分别获取各个操作行为与预测目标之间的相关度。
在本申请实施例中，服务器在获取上述各个历史行为编码分别对应的操作行为之后，对于多个预测目标中的每一个预测目标，分别获取各个操作行为与预测目标之间的相关度。可选地，该相关度用于量化表征上述相关性。
在一种可能的实施方式中，上述相关度用于指示操作行为与预测目标是否相关。示例性地，若操作行为与预测目标相关，则历史行为编码与预测目标之间的相关度为“1”；若操作行为与预测目标不相关，则历史行为编码与预测目标之间的相关度为“0”。其中，操作行为是否与预测目标相关，可以为预先设置的信息。例如，若预测目标为转化率，则可以预先设置相关的操作行为包括购买、收藏；若预测目标为点击率，则可以预先设置相关的操作行为包括点击、搜索。
在另一种可能的实施方式中，上述相关度用于指示操作行为与预测目标之间的相关程度。示例性地，若操作行为与预测目标强相关，则历史行为编码与预测目标之间的相关度为“1”；若操作行为与预测目标中相关，则历史行为编码与预测目标之间的相关度为“0.5”；若操作行为与预测目标弱相关，则历史行为编码与预测目标之间的相关度为“0.1”。其中，操作行为与预测目标之间的相关程度，可以为预先设置的信息。例如，若预测目标为转化率，则可以预先设置相关的操作行为包括购买(相关度1)、收藏(相关度0.5)、点击(相关度0.3)、搜索(相关度0.1)；若预测目标为点击率，则可以预先设置相关的操作行为包括点击(相关度1)、搜索(相关度0.3)。
3、根据各个操作行为与预测目标之间的相关度，对各个历史行为编码进行加权处理，得到预测目标对应的历史特征数据。
在本申请实施例中，服务器在获取上述相关度之后，根据各个操作行为与所述预测目标之间的相关度，对各个历史行为编码进行加权处理，得到预测目标对应的历史特征数据。
可选地，服务器在进行加权处理时，分别获取各个历史行为编码和事件信息对应的编码表示之间的相似度；进一步地，根据各个历史行为编码分别对应的相关度和相似度，确定各个历史行为编码分别对应的权重参数；之后，根据各个历史行为编码分别对应的权重参数，对各个历史行为编码进行加权处理，得到预测目标对应的历史特征数据。
需要说明的一点是，上述权重参数与上述相关度呈正相关关系，即相关度越大，权重参数越大；而且。上述权重参数与上述相似度也呈正相关关系，即相似度越大，权重参数越大。
可选地，上述相关度与上述相似度均以具体数值的形式进行表示，而且，相关度的大小与数值大小呈正相关关系，相似度的大小与数值大小也呈正相关关系。可选地，服务器通过该相关度和该相似度之间的乘积来获取上述权重参数。在一种可能的实施方式中，服务器直接将该乘积作为上述权重参数；在另一种可能的实施方式中，服务器在获取上述乘积之后，对该乘积进行归一化处理以获取上述权重参数。
当然，在示例性实施例中，上述相关度与上述相似度也可以有其它表示形式，本申请实施例对此不作限定。例如，相关度的表示形式有极高相关度、高相关度、一般相关度、弱相关度、极弱相关度、无相关度等，相似度的表示形式有极高相似度、高相似度、一般相似度、弱相似度、极弱相似度、无相似度等。可选地，服务器在获取上述相关度和上述相似度之后，基于该相关度和该相似度，确定各个历史行为编码针对预测目标的重要程度，进而根据该重要程度确定各个历史行为编码分别对应的权重参数。其中，权重参数与上述重要程度呈正相关关系。
可选地，在上述相关度与上述相似度均以具体数值的形式进行表示的情况下，该相关度和该相似度之间的乘积可用于表示上述关联情况。在一种可能的实施方式中，直接将上述乘积来表示上述关联程度；在另一种可能的实施方式中，在获取上述乘积之后，将乘积大于某个数值的历史行为编码确定为与预测目标关联的历史行为编码，该数值可以是任意数值，本申请实施例对此不作限定。
下面，对预测结果的获取方式进行介绍。
在示例性实施例中，上述步骤303包括以下几个步骤：
1、基于事件信息，提取与各个预测目标分别对应的事件特征数据。
在本申请实施例中，服务器在获取上述预测结果时，基于上述事件信息，提取与各个预测目标分别对应的事件特征数据。
可选地，服务器获取该事件信息对应的编码表示，并采用不同的专家网络分别对编码表示进行特征提取处理，得到特征提取结果集合。其中，该特征提取结果集合中包括来自不同专家网络的特征提取结果。进一步地，服务器分别采用不同的加权门，获取针对特征提取结果集合的多组加权参数。其中，每组加权参数中包括特征提取结果集合中的各个特征提取结果分别对应的加权参数，且加权门与上述预测目标之间具有一一对应的关系。之后，服务器对于每一个预测目标，基于多组加权参数中与预测目标对应的一组加权参数，对特征提取结果集合中的各个特征提取结果进行加权求和处理，得到预测目标对应的事件特征数据。
示例性地，假设预测目标包括点击率、转化率和购买数量，如图4所示，服务器在获取事件信息对应的编码表示之后，采用专家网络1、专家网络2和专家网络3分别对该编码表示进行特征特征提取处理，得到来自不同专家网络的特征提取结果。而且，由点击率加权门基于上述编码表示确定各个特征提取结果分别对应的第一加权参数，由转化率加权门基于上述编码表示确定各个特征提取结果分别对应的第二加权参数，由购买次数加权门基于上述编码表示确定各个特征提取结果分别对应的第三加权参数。之后，根据第一加权参数组、第二加权参数组、第三加权参数组分别对各个特征提取结果进行加权求和处理，得到各个预测目标分别对应的事件特征数据。
2、对于每一个预测目标，根据预测目标对应的历史特征数据和事件特征数据，获取预测目标对应的预测结果。
在本申请实施例中，服务器在获取上述各个预测目标分别对应的事件特征数据之后，对于每一个预测目标，根据预测目标对应的历史特征数据和事件特征数据，获取预测目标对应的预测结果。
可选地，对于每一个预测目标，服务器对预测目标对应的历史特征数据和事件特征数据进行融合处理，得到预测目标对应的融合特征数据；进一步地，通过该预测目标对应的预测网络根据融合特征数据，生成预测目标对应的预测结果。示例性地，上述预测网络为Tower网络。
下面，对历史行为编码序列的获取方式进行介绍。
1、根据历史行为数据序列，获取历史行为嵌入序列。
在本申请实施例中，服务器在获取上述历史行为编码序列时，先获取历史行为数据序列，进而根据该历史行为数据序列，获取历史行为嵌入向量。可选地，上述历史行为数据序列是与上述事件信息相关的数据序列，服务器在获取历史行为数据序列时，基于上述事件信息获取历史行为数据序列。
在一种可能的实施方式中，服务器基于事件信息所对应的用户帐号获取历史行为数据序列。可选地，服务器在获取历史行为数据序列时，获取上述事件信息对应的用户帐号，进而根据该用户帐号确定目标对象。可选地，该目标对象包括用户帐号和/或相似用户帐号。其中，该相似用户帐号与用户帐号之间具有相似的用户特征。可选地，该相似的用户特征包括但不限于以下至少一项：用户之间的年龄差小于第一目标值、用户性别相同、用户购买过相似物品、用户购买过的相似物品之间的数量差小于第二目标值、用户浏览过相似视频等。
在另一种可能的实施方式中，服务器基于事件信息对应的目标物品获取历史行为数据。可选地，服务器在获取历史行为数据序列时，获取上述事件信息对应的目标物品，进而根据该目标物品确定历史行为数据所针对的物品。可选地，该物品包括目标物品和/或相似物品。其中，该相似物品与目标物品之间具有相似的物品特征。可选地，该相似的物品特征包括但不限于以下至少一项：物品类型相同、物品的展示平台相同、物品所针对的用户群体相同等。
当然，在其它可能的实施方式中，服务器也可以通过将事件信息所对应的用户帐号和目标物品作为约束条件，来获取上述历史行为数据序列。示例性地，服务器根据该用户帐号确定上述目标对象，进而以该目标对象对应的全量历史行为数据为范围，获取目标物品所指示的物品对应的历史行为数据，生成上述历史行为数据序列。
上述历史行为嵌入序列中的一项历史行为嵌入，是指历史行为数据序列中的一项历史行为数据对应的嵌入表示。可选地，每一项历史行为数据中包括历史物品信息、历史行为信息和历史场景信息。服务器在获取历史行为嵌入序列时，对于所述历史行为数据序列中的每一项历史行为数据，获取第一特征向量、第二特征向量和第三特征向量。其中，上述第一特征向量是指历史物品信息对应的特征向量，上述第二特征向量是指历史行为信息对应的特征向量，上述第三特征向量是指历史场景信息对应的特征向量。之后，服务器分别对各个历史行为数据对应的第一特征向量、第二特征向量和第三特征向量进行拼接处理，得到上述历史行为嵌入序列。
示例性地，如图5所示，历史行为数据中包括历史物品信息、历史行为信息和历史场景信息。其中，历史物品信息包括但不限于以下至少一项：物品标识、物品类型、物品热度等，历史行为信息包括但不限于以下至少一项：行为类型、停留时长、申购金额等。历史场景信息包括但不限于以下至少一项：当前页面、当前时间、时长行情等。服务器在获取上述历史行为数据之后，对历史物品信息、历史行为信息和历史场景信息分别进行编码，以获取第一特征向量、第二特征向量和第三特征向量。之后，对第一特征向量、第二特征向量和第三特征向量进行拼接，以获取上述历史行为数据对应的历史行为嵌入。
2、对历史行为嵌入序列中的各个历史行为嵌入分别进行编码处理，得到历史行为编码序列。
在本申请实施例中，服务器在获取上述历史行为嵌入序列之后，对历史行为嵌入序列中的各个历史行为嵌入分别进行编码处理，以获取上述历史行为编码序列。
可选地，服务器对于历史行为嵌入序列中的每一项历史行为嵌入，根据历史行为嵌入对应的操作行为的发生时刻，获取至少一项前序历史行为嵌入。其中，前序历史行为嵌入对应的操作行为的发生时刻，在历史行为嵌入对应的操作行为的发生时刻之前。之后，服务器分别对各个历史行为嵌入，以及历史行为嵌入对应的至少一项前序历史行为嵌入进行编码处理，获取历史行为编码序列。
示例性地，如图6所示，在历史行为嵌入序列中包括历史行为嵌入E1、历史行为嵌入E2……历史行为嵌入En，且历史行为嵌入E1对应的发生时刻最早，历史行为嵌入En对应的发生时刻最晚。服务器在获取该历史行为嵌入序列之后，对于每一项历史行为嵌入，根据历史行为嵌入对应的发生时刻，获取至少一项前序历史行为嵌入，并通过神经网络分别对各个历史行为嵌入，以及历史行为嵌入对应的至少一项前序历史行为嵌入进行编码处理，获取历史行为编码序列。其中，该历史行为编码序列中包括历史行为编码T1、历史行为编码T2……历史行为编码Tn。
另外，假设上述预测目标包括点击率、转化率和购买数量，结合参考图7，对本申请完整的多目标预测方法进行介绍。在服务器中，由图6所示的第二特征处理版块获取历史行为编码序列，其中，该第二特征处理版块中包括自注意力机制；由图4所示的第一特征处理版块通过事件信息对应的编码表示，获取点击率对应的事件特征数据、转化率对应的事件特征数据、购买数量对应的事件特征数据。而且，在获取历史行为编码序列之后，通过点击率注意力机制，结合事件信息对应的编码表示，获取点击率对应的历史特征数据；通过转化率注意力机制，结合事件信息对应的编码表示，获取转化率对应的历史特征数据；通过购买数量注意力机制，结合事件信息对应的编码表示，获取购买数量对应的历史特征数据。之后，服务器通过点击率对应的预测网络，根据点击率对应的历史特征数据和点击率对应的事件特征数据，获取点击率对应的预测结果；通过转化率对应的预测网络，根据转化率对应的历史特征数据和转化率对应的事件特征数据，获取转化率对应的预测结果；通过购买数量对应的预测网络，根据购买数量对应的历史特征数据和购买数量对应的事件特征数据，获取购买数量对应的预测结果。最终，服务器可以根据点击率对应的预测结果和转化率对应的预测结果，获取点击转化率对应的预测结果；并且，根据点击转化率对应的预测结果和购买数量对应的预测结果获取购买情况预测结果。
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。
请参考图8，其示出了本申请一个实施例提供的多目标预测装置的框图。该装置具有实现上述多目标预测方法的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置可以是服务器，也可以设置在服务器中。该装置800可以包括：编码序列获取模块810、特征数据生成模块820和预测结果获取模块830。
编码序列获取模块810，用于根据目标对象的历史行为数据序列，获取历史行为编码序列；其中，所述历史行为编码序列中的一项历史行为编码，是指所述历史行为数据序列中的一项历史行为数据对应的编码表示。
特征数据生成模块820，用于对于多个预测目标中的每一个预测目标，根据所述历史行为编码序列中的各个历史行为编码与所述预测目标之间的相关性，生成所述预测目标对应的历史特征数据。
预测结果获取模块830，用于根据待预测事件的事件信息，以及各个所述预测目标分别对应的历史特征数据，分别获取各个所述预测目标对应的预测结果。
在示例性实施例中，如图9所示，所述特征数据生成模块820，包括：操作行为获取单元821、相关性获取单元822和特征数据获取单元823。
操作行为获取单元821，用于获取所述历史行为编码序列中的各个历史行为编码分别对应的操作行为。
相关性获取单元822，用于对于所述多个预测目标中的每一个预测目标，分别获取各个所述操作行为与所述预测目标之间的相关度，所述相关度用于量化表征所述相关性。
特征数据获取单元823，用于根据各个所述操作行为与所述预测目标之间的相关度，对各个所述历史行为编码进行加权处理，得到所述预测目标对应的历史特征数据。
在示例性实施例中，所述特征数据获取单元823，用于分别获取各个所述历史行为编码和所述事件信息对应的编码表示之间的相似度；根据各个所述历史行为编码分别对应的相关度和相似度，确定各个所述历史行为编码分别对应的权重参数；根据各个所述历史行为编码分别对应的权重参数，对各个所述历史行为编码进行加权处理，得到所述预测目标对应的历史特征数据。
在示例性实施例中，如图9所示，所述预测结果获取模块830，包括：事件特征获取单元831和预测结果获取单元832。
事件特征获取单元831，用于基于所述事件信息，提取与各个所述预测目标分别对应的事件特征数据。
预测结果获取单元832，用于对于每一个预测目标，根据所述预测目标对应的历史特征数据和事件特征数据，获取所述预测目标对应的预测结果。
在示例性实施例中，所述事件特征获取单元831，用于获取所述事件信息对应的编码表示；采用不同的专家网络分别对所述编码表示进行特征提取处理，得到特征提取结果集合；其中，所述特征提取结果集合中包括来自不同专家网络的特征提取结果；分别采用不同的加权门，获取针对所述特征提取结果集合的多组加权参数；其中，每组加权参数中包括所述特征提取结果集合中的各个特征提取结果分别对应的加权参数，所述加权门与所述预测目标之间具有一一对应的关系；对于每一个预测目标，基于所述多组加权参数中与所述预测目标对应的一组加权参数，对所述特征提取结果集合中的各个特征提取结果进行加权求和处理，得到所述预测目标对应的事件特征数据。
在示例性实施例中，所述预测结果获取单元832，用于对于每一个预测目标，对所述预测目标对应的历史特征数据和事件特征数据进行融合处理，得到所述预测目标对应的融合特征数据；通过所述预测目标对应的预测网络根据所述融合特征数据，生成所述预测目标对应的预测结果。
在示例性实施例中，如图9所示，所述编码序列获取模块810，包括：嵌入序列获取单元811和编码序列获取单元812。
嵌入序列获取单元811，用于根据所述历史行为数据序列，获取历史行为嵌入序列；其中，所述历史行为嵌入序列中的一项历史行为嵌入，是指所述历史行为数据序列中的一项历史行为数据对应的嵌入表示。
编码序列获取单元812，用于对所述历史行为嵌入序列中的各个所述历史行为嵌入分别进行编码处理，得到所述历史行为编码序列。
在示例性实施例中，所述编码序列获取单元812，用于对于所述历史行为嵌入序列中的每一项历史行为嵌入，根据所述历史行为嵌入对应的操作行为的发生时刻，获取至少一项前序历史行为嵌入；其中，所述前序历史行为嵌入对应的操作行为的发生时刻，在所述历史行为嵌入对应的操作行为的发生时刻之前；分别对各个所述历史行为嵌入，以及所述历史行为嵌入对应的所述至少一项前序历史行为嵌入进行编码处理，获取所述历史行为编码序列。
在示例性实施例中，每一项历史行为数据中包括历史物品信息、历史行为信息和历史场景信息；所述嵌入序列获取单元811，用于对于所述历史行为数据序列中的每一项历史行为数据，获取第一特征向量、第二特征向量和第三特征向量；其中，所述第一特征向量是指所述历史物品信息对应的特征向量，所述第二特征向量是指所述历史行为信息对应的特征向量，所述第三特征向量是指所述历史场景信息对应的特征向量；分别对各个所述历史行为数据对应的第一特征向量、第二特征向量和第三特征向量进行拼接处理，得到所述历史行为嵌入序列。
在示例性实施例中，所述事件信息包括关联物品信息、关联用户信息和关联场景信息；如图9所示，所述装置800还包括：事件编码获取模块840。
事件编码获取模块840，用于根据所述事件信息对应的关联物品，获取所述关联物品信息，所述关联物品信息包括所述关联物品的历史购买情况；根据所述事件信息对应的用户帐号，获取所述关联用户信息，所述关联用户信息用于反映所述用户帐号对应的用户画像；获取关联场景信息，所述关联场景信息用于指示操作行为发生环境；根据所述关联物品信息、所述关联用户信息和所述关联场景信息，获取所述事件信息；对所述事件信息进行编码，得到所述事件信息对应的编码表示。
在示例性实施例中，所述预测结果包括点击率、转化率和购买数量；如图9所示，所述装置800还包括：预测结果处理模块850。
预测结果处理模块850，用于根据所述点击率和所述转化率，获取所述事件信息对应的用户帐号针对关联物品的点击转化率；和/或，根据所述点击转化率和所述购买数量，获取所述用户帐号针对所述关联物品的购买情况预测结果。
综上所述，本申请实施例提供的技术方案，通过各个历史行为编码与预测目标之间的相关性，生成预测目标对应的历史特征数据，进而在待预测事件的事件信息的基础上，分别结合各个预测目标分别对应的历史特征数据，分别取各个所述预测目标分别对应的预测结果，在获取预测结果时，考虑了不同预测目标之间的差异，对于不同的预测目标根据不同的历史特征数据来获取预测结果，提高预测结果的准确性。
请参考图10，其示出了本申请一个实施例提供的服务器的结构框图。该服务器可用于实现上述多目标预测方法的功能。具体来讲：
服务器1000包括中央处理单元(Central Processing Unit，CPU)1001、包括随机存取存储器(Random Access Memory，RAM)1002和只读存储器(Read Only Memory，ROM)1003的***存储器1004，以及连接***存储器1004和中央处理单元1001的***总线1005。服务器1000还包括帮助计算机内的各个器件之间传输信息的基本输入/输出(Input/Output，I/O)***1006，和用于存储操作***1013、应用程序1014和其他程序模块1015的大容量存储设备1007。
基本输入/输出***1006包括有用于显示信息的显示器1008和用于用户输入信息的诸如鼠标、键盘之类的输入设备1009。其中显示器1008和输入设备1009都通过连接到***总线1005的输入输出控制器1010连接到中央处理单元1001。基本输入/输出***1006还可以包括输入输出控制器1010以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器1010还提供输出到显示屏、打印机或其他类型的输出设备。
大容量存储设备1007通过连接到***总线1005的大容量存储控制器(未示出)连接到中央处理单元1001。大容量存储设备1007及其相关联的计算机可读介质为服务器1000提供非易失性存储。也就是说，大容量存储设备1007可以包括诸如硬盘或者CD-ROM(Compact Disc Read-Only Memory，只读光盘)驱动器之类的计算机可读介质(未示出)。
不失一般性，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM(Erasable Programmable Read Only Memory，可擦除可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read Only Memory，电可擦可编程只读存储器)、闪存或其他固态存储其技术，CD-ROM、DVD(Digital Video Disc，高密度数字视频光盘)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知计算机存储介质不局限于上述几种。上述的***存储器1004和大容量存储设备1007可以统称为存储器。
根据本申请的各种实施例，服务器1000还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器1000可以通过连接在***总线1005上的网络接口单元1011连接到网络1012，或者说，也可以使用网络接口单元1011来连接到其他类型的网络或远程计算机***(未示出)。
所述存储器还包括计算机程序，该计算机程序存储于存储器中，且经配置以由一个或者一个以上处理器执行，以实现上述多目标预测方法。
在示例性实施例中，还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或所述指令集在被处理器执行时以实现上述多目标预测方法。
可选地，该计算机可读存储介质可以包括：ROM(Read Only Memory，只读存储器)、RAM(Random Access Memory，随机存取存储器)、SSD(Solid State Drives，固态硬盘)或光盘等。其中，随机存取记忆体可以包括ReRAM(Resistance Random Access Memory，电阻式随机存取记忆体)和DRAM(Dynamic Random Access Memory，动态随机存取存储器)。
在示例性实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。服务器的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该服务器执行上述多目标预测方法。
应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。另外，本文中描述的步骤编号，仅示例性示出了步骤间的一种可能的执行先后顺序，在一些其它实施例中，上述步骤也可以不按照编号顺序来执行，如两个不同编号的步骤同时执行，或者两个不同编号的步骤按照与图示相反的顺序执行，本申请实施例对此不作限制。
以上所述仅为本申请的示例性实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (14)

1.一种多目标预测方法，其特征在于，所述方法包括：
根据目标对象的历史行为数据序列，获取历史行为编码序列；其中，所述历史行为编码序列中的一项历史行为编码，是指所述历史行为数据序列中的一项历史行为数据对应的编码表示；
对于多个预测目标中的每一个预测目标，根据所述历史行为编码序列中的各个历史行为编码与所述预测目标之间的相关性，生成所述预测目标对应的历史特征数据；
根据待预测事件的事件信息，以及各个所述预测目标分别对应的历史特征数据，分别获取各个所述预测目标对应的预测结果。
2.根据权利要求1所述的方法，其特征在于，所述对于多个预测目标中的每一个预测目标，根据所述历史行为编码序列中的各个历史行为编码与所述预测目标之间的相关性，生成所述预测目标对应的历史特征数据，包括：
获取所述历史行为编码序列中的各个历史行为编码分别对应的操作行为；
对于所述多个预测目标中的每一个预测目标，分别获取各个所述操作行为与所述预测目标之间的相关度，所述相关度用于量化表征所述相关性；
根据各个所述操作行为与所述预测目标之间的相关度，对各个所述历史行为编码进行加权处理，得到所述预测目标对应的历史特征数据。
3.根据权利要求2所述的方法，其特征在于，所述根据各个所述操作行为与所述预测目标之间的相关度，对各个所述历史行为编码进行加权处理，得到所述预测目标对应的历史特征数据，包括：
分别获取各个所述历史行为编码和所述事件信息对应的编码表示之间的相似度；
根据各个所述历史行为编码分别对应的相关度和相似度，确定各个所述历史行为编码分别对应的权重参数；
根据各个所述历史行为编码分别对应的权重参数，对各个所述历史行为编码进行加权处理，得到所述预测目标对应的历史特征数据。
4.根据权利要求1所述的方法，其特征在于，所述根据待预测事件的事件信息，以及各个所述预测目标分别对应的历史特征数据，分别获取各个所述预测目标对应的预测结果，包括：
基于所述事件信息，提取与各个所述预测目标分别对应的事件特征数据；
对于每一个预测目标，根据所述预测目标对应的历史特征数据和事件特征数据，获取所述预测目标对应的预测结果。
5.根据权利要求4所述的方法，其特征在于，所述基于所述事件信息，提取与各个所述预测目标分别对应的事件特征数据，包括：
获取所述事件信息对应的编码表示；
采用不同的专家网络分别对所述编码表示进行特征提取处理，得到特征提取结果集合；其中，所述特征提取结果集合中包括来自不同专家网络的特征提取结果；
分别采用不同的加权门，获取针对所述特征提取结果集合的多组加权参数；其中，每组加权参数中包括所述特征提取结果集合中的各个特征提取结果分别对应的加权参数，所述加权门与所述预测目标之间具有一一对应的关系；
对于每一个预测目标，基于所述多组加权参数中与所述预测目标对应的一组加权参数，对所述特征提取结果集合中的各个特征提取结果进行加权求和处理，得到所述预测目标对应的事件特征数据。
6.根据权利要求4所述的方法，其特征在于，所述对于每一个预测目标，根据所述预测目标对应的历史特征数据和事件特征数据，获取所述预测目标对应的预测结果，包括：
对于每一个预测目标，对所述预测目标对应的历史特征数据和事件特征数据进行融合处理，得到所述预测目标对应的融合特征数据；
通过所述预测目标对应的预测网络根据所述融合特征数据，生成所述预测目标对应的预测结果。
7.根据权利要求1所述的方法，其特征在于，所述根据目标对象的历史行为数据序列，获取历史行为编码序列，包括：
根据所述历史行为数据序列，获取历史行为嵌入序列；其中，所述历史行为嵌入序列中的一项历史行为嵌入，是指所述历史行为数据序列中的一项历史行为数据对应的嵌入表示；
对所述历史行为嵌入序列中的各个所述历史行为嵌入分别进行编码处理，得到所述历史行为编码序列。
8.根据权利要求7所述的方法，其特征在于，所述对所述历史行为嵌入序列中的各个所述历史行为嵌入分别进行编码处理，得到所述历史行为编码序列，包括：
对于所述历史行为嵌入序列中的每一项历史行为嵌入，根据所述历史行为嵌入对应的操作行为的发生时刻，获取至少一项前序历史行为嵌入；其中，所述前序历史行为嵌入对应的操作行为的发生时刻，在所述历史行为嵌入对应的操作行为的发生时刻之前；
分别对各个所述历史行为嵌入，以及所述历史行为嵌入对应的所述至少一项前序历史行为嵌入进行编码处理，获取所述历史行为编码序列。
9.根据权利要求7所述的方法，其特征在于，每一项历史行为数据中包括历史物品信息、历史行为信息和历史场景信息；
所述根据所述历史行为数据序列，获取历史行为嵌入序列，包括：
对于所述历史行为数据序列中的每一项历史行为数据，获取第一特征向量、第二特征向量和第三特征向量；其中，所述第一特征向量是指所述历史物品信息对应的特征向量，所述第二特征向量是指所述历史行为信息对应的特征向量，所述第三特征向量是指所述历史场景信息对应的特征向量；
分别对各个所述历史行为数据对应的第一特征向量、第二特征向量和第三特征向量进行拼接处理，得到所述历史行为嵌入序列。
10.根据权利要求1所述的方法，其特征在于，所述事件信息包括关联物品信息、关联用户信息和关联场景信息；所述方法还包括：
根据所述事件信息对应的关联物品，获取所述关联物品信息，所述关联物品信息包括所述关联物品的历史购买情况；
根据所述事件信息对应的用户帐号，获取所述关联用户信息，所述关联用户信息用于反映所述用户帐号对应的用户画像；
获取关联场景信息，所述关联场景信息用于指示操作行为发生环境；
根据所述关联物品信息、所述关联用户信息和所述关联场景信息，获取所述事件信息；
对所述事件信息进行编码，得到所述事件信息对应的编码表示。
11.根据权利要求1至10任一项所述的方法，其特征在于，所述预测结果包括点击率、转化率和购买数量；
所述根据待预测事件的事件信息，以及各个所述预测目标分别对应的历史特征数据，分别获取各个所述预测目标对应的预测结果之后，还包括：
根据所述点击率和所述转化率，获取所述事件信息对应的用户帐号针对关联物品的点击转化率；
和/或，
根据所述点击转化率和所述购买数量，获取所述用户帐号针对所述关联物品的购买情况预测结果。
12.一种多目标预测装置，其特征在于，所述装置包括：
编码序列获取模块，用于根据目标对象的历史行为数据序列，获取历史行为编码序列；其中，所述历史行为编码序列中的一项历史行为编码，是指所述历史行为数据序列中的一项历史行为数据对应的编码表示；
特征数据生成模块，用于对于多个预测目标中的每一个预测目标，根据所述历史行为编码序列中的各个历史行为编码与所述预测目标之间的相关性，生成所述预测目标对应的历史特征数据；
预测结果获取模块，用于根据待预测事件的事件信息，以及各个所述预测目标分别对应的历史特征数据，分别获取各个所述预测目标对应的预测结果。
13.一种服务器，其特征在于，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至11任一项所述的多目标预测方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至11任一项所述的多目标预测方法。
CN202110907940.9A 2021-08-09 2021-08-09 多目标预测方法、装置、设备及存储介质 Pending CN115705583A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110907940.9A CN115705583A (zh) 2021-08-09 2021-08-09 多目标预测方法、装置、设备及存储介质
PCT/CN2022/104024 WO2023016147A1 (zh) 2021-08-09 2022-07-06 多目标预测方法、装置、设备、存储介质及程序产品
US18/137,993 US20230259959A1 (en) 2021-08-09 2023-04-21 Multi-target prediction method and apparatus, device, storage medium and program product

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110907940.9A CN115705583A (zh) 2021-08-09 2021-08-09 多目标预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115705583A true CN115705583A (zh) 2023-02-17

Family

ID=85179271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110907940.9A Pending CN115705583A (zh) 2021-08-09 2021-08-09 多目标预测方法、装置、设备及存储介质

Country Status (3)

Country Link
US (1) US20230259959A1 (zh)
CN (1) CN115705583A (zh)
WO (1) WO2023016147A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116383014B (zh) * 2023-06-02 2023-08-01 北京集度科技有限公司 监控计算机、软件调试方法、软件调试***、介质及产品
CN117392396B (zh) * 2023-12-08 2024-03-05 安徽蔚来智驾科技有限公司 跨模态目标状态的检测方法、设备、智能设备和介质
CN117875522A (zh) * 2024-03-12 2024-04-12 之江实验室 一种事件数量预测的方法、装置、存储介质、设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8577815B2 (en) * 2009-10-23 2013-11-05 GM Global Technology Operations LLC Method and system for concurrent event forecasting
US11783181B2 (en) * 2019-08-27 2023-10-10 Nec Corporation Tensorized LSTM with adaptive shared memory for learning trends in multivariate time series
CN111723910A (zh) * 2020-06-17 2020-09-29 腾讯科技（北京）有限公司 构建多任务学习模型的方法、装置、电子设备及存储介质
CN112328646B (zh) * 2021-01-04 2021-04-06 平安科技（深圳）有限公司 多任务课程推荐方法、装置、计算机设备及存储介质
CN112883257B (zh) * 2021-01-11 2024-01-05 北京达佳互联信息技术有限公司 行为序列数据处理方法、装置、电子设备及存储介质
CN112905648B (zh) * 2021-02-04 2022-09-20 北京邮电大学 一种基于多任务学习的多目标推荐方法及***

Also Published As

Publication number Publication date
WO2023016147A1 (zh) 2023-02-16
US20230259959A1 (en) 2023-08-17

Similar Documents

Publication Publication Date Title
CN109492772B (zh) 生成信息的方法和装置
CN115705583A (zh) 多目标预测方法、装置、设备及存储介质
CN106649681B (zh) 一种数据处理方法、装置及设备
CN110727868B (zh) 对象推荐方法、装置和计算机可读存储介质
US20230289828A1 (en) Data processing method, computer device, and readable storage medium
CN114298417A (zh) 反欺诈风险评估方法、训练方法、装置及可读存储介质
CN110909182A (zh) 多媒体资源搜索方法、装置、计算机设备及存储介质
WO2014193700A1 (en) Social media pricing engine
CN112148987A (zh) 基于目标对象活跃度的消息推送方法及相关设备
CN111966886A (zh) 对象推荐方法、对象推荐装置、电子设备及存储介质
CN112348592A (zh) 广告推荐方法、装置、电子设备及介质
CN110704677A (zh) 一种节目推荐方法、装置、可读存储介质及终端设备
CN113011886B (zh) 帐号类型的确定方法和装置及电子设备
CN115730125A (zh) 对象识别方法、装置、计算机设备和存储介质
CN113656699A (zh) 用户特征向量确定方法、相关设备及介质
CN113836390B (zh) 资源推荐方法、装置、计算机设备及存储介质
CN113742600B (zh) 资源推荐方法、装置、计算机设备及介质
CN113780318B (zh) 用于生成提示信息的方法、装置、服务器和介质
CN114219664A (zh) 产品推荐方法、装置、计算机设备及存储介质
CN113837843A (zh) 产品推荐方法、装置、介质及电子设备
CN111784377B (zh) 用于生成信息的方法和装置
CN112967100A (zh) 相似人群扩展方法、装置、计算设备以及介质
CN114764472A (zh) 一种内容推送方法及装置
CN112989276A (zh) 信息推送***的评价方法和装置
CN114663200B (zh) 一种产品推荐方法、装置、电子设备以及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40080489

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination