CN117217710B - 一种虚拟商品与快捷服务的智能化管理方法及*** - Google Patents
一种虚拟商品与快捷服务的智能化管理方法及*** Download PDFInfo
- Publication number
- CN117217710B CN117217710B CN202311351869.6A CN202311351869A CN117217710B CN 117217710 B CN117217710 B CN 117217710B CN 202311351869 A CN202311351869 A CN 202311351869A CN 117217710 B CN117217710 B CN 117217710B
- Authority
- CN
- China
- Prior art keywords
- information
- shortcut
- user
- virtual
- shortcut service
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 31
- 238000012795 verification Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 35
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000007781 pre-processing Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 238000004140 cleaning Methods 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000012352 Spearman correlation analysis Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims 2
- 238000003860 storage Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000533950 Leucojum Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种虚拟商品与快捷服务的智能化管理方法及***,包括,获取用户的需求信息,判断需求指令查询对应虚拟商品信息及快捷服务信息,读取对应目标程序与需求指令匹配生成请求信息;根据请求信息进行发货预处理,当符合预设标准时,将发货命令写入消息队列并返回发货接口;校验发货命令的执行情况,根据校验信息结合虚拟商品信息及快捷服务信息获取反馈信息导入推荐模型,生成与需求信息关联性高的虚拟商品或快捷服务进行推送。本发明有效避免了虚拟商品及快捷服务交易中请求与发放接口匹配调用混乱的问题,提高了管理效率,同时在保证用户隐私的前提下,对用户需求进行数据分析,挖掘用户需求偏好实现精准营销。
Description
技术领域
本发明涉及虚拟商品管理技术领域,更具体的,涉及一种虚拟商品与快捷服务的智能化管理方法及***。
背景技术
随着生产技术水平的不断提高和用户需求的不断增长,人们生活习惯和消费行为产生了翻天覆地的变化,尤其是虚拟商品消费行业受到了前所未有的推动。伴随着互联网经济的快速发展以及当前世界的状况和趋势,虚拟商品消费主义在是一个不可忽视的一个主题。现阶段元宇宙更是确定了虚拟商品消费行业在信息时代的地位。抓住虚拟商品交易的发展机遇,不断地增强相关企业的核心竞争力,是虚拟商品消费行业在是否能够拉动经济增长的重要基础。
许多虚拟商品出现在用户与网络的交互过程中,由于不同平台之间接口不同,发送给用户的虚拟商品或者服务的协议种类繁如果平台不能及时同步虚拟商品的信息,便会影响用户购买体验,在大量交易数据的场景中,虚拟产品多样化,人工手动管理效率很低,时效性差、容易出错,导致出现虚拟商品交易过程的故障。对于虚拟商品消费行业,抓住虚拟商品消费者的需求能够有效的保证企业产品的有效创新,因此如何避免接口调用混乱提高虚拟商品过程的稳定性以及对用户的需求进行获取、划分,根据用户需求进行数据分析,提高用户的使用体验是需要解决的问题。
发明内容
为了解决上述技术问题,本发明提出了一种虚拟商品与快捷服务的智能化管理方法及***。
本发明第一方面提供了一种虚拟商品与快捷服务的智能化管理方法,包括:
获取用户的需求信息,基于所述需求信息判断需求指令,通过需求指令查询对应虚拟商品信息及快捷服务信息,读取所述虚拟商品及快捷服务的目标程序,将所述目标程度与需求指令匹配生成请求信息;
根据所述请求信息进行发货预处理,判断请求信息是否符合预设标准,当符合预设标准时,将发货命令写入消息队列并返回发货接口,执行发货命令;
获取用户虚拟商品及快捷服务的历史交易信息,根据历史交易信息利用图卷积神经网络挖掘高维特征,引入联邦学习算法在保证用户隐私下进行图卷积神经网络的训练,构建推荐模型;
校验所述发货命令的执行情况,根据校验信息结合虚拟商品信息及快捷服务信息获取反馈信息,将所述反馈信息导入所述推荐模型,生成与需求信息关联性高的虚拟商品或快捷服务进行推送。
本方案中,获取用户的需求信息,基于所述需求信息判断需求指令,通过需求指令查询对应虚拟商品信息及快捷服务信息,读取所述虚拟商品及快捷服务的目标程序,具体为:
获取用户的查询信息,对所述查询信息进行独热编码获取所述查询信息对应的特征向量,生成用户的需求信息,通过需求信息判断用户查询的虚拟商品及快捷服务的类别信息;
根据所述类别信息生成需求指令,提取用户的身份及权限,将所述需求指令与所述身份及权限匹配,利用匹配后的需求指令利用分布式检索查询用户身份及权限对应的虚拟商品信息及快捷服务信息;
通过所述虚拟商品信息及快捷服务信息从分布式数据库中获取对应的目标程序,根据所述目标程序的来源设置来源标识,利用标记有来源标识的目标程序结合用户需求指令匹配生成基于用户身份及权限的请求信息。
本方案中,根据所述请求信息进行发货预处理,判断请求信息是否符合预设标准,当符合预设标准时,将发货命令写入消息队列并返回发货接口,具体为:
获取请求信息进行发货预处理,所述发货预处理包括判断请求信息的合法性,根据虚拟商品信息判断虚拟商品剩余数量是否满足需求数量,根据用户的身份及权限是否满足虚拟商品及快捷服务的单用户限定;
根据发货预处理的判断条件作为行向量生成判断矩阵,并判断条件的预设标准生成标准矩阵,通过所述判断矩阵与标准矩阵对比判断请求信息是否符合预设标准;
当符合预设标准时,则将发货命令写入消息队列并返回发货接口,通过消息队列的消息内容查询基础资源对应虚拟商品及快捷服务的ID信息,基于RDMA构建RPC调用,执行发货命令。
本方案中,获取用户虚拟商品及快捷服务的历史交易信息,根据历史交易信息利用图卷积神经网络挖掘高维特征,具体为:
利用数据检索基于用户的身份及权限检索虚拟商品及快捷服务对应的发放信息表,在所述发放信息表筛选用户的历史交易信息,提取历史交易信息中的多模态数据,对所述多模态数据进行数据清洗;
将数据清洗后的多模态数据利用特征编码进行特征构建生成特征矩阵,获取用户对应的特征矩阵及虚拟商品与快捷服务对应的特征矩阵,并通过斯皮尔曼相关分析获取特征矩阵的相关性;
根据所述相关性及时序关联利用图卷积神经网络将预设时间步长内的特征矩阵集合转换为双向传播的图结构信息;
获取图结构信息中的节点特征,利用不同的平台信息将对应的图结构信息及节点特征进行标记,获取用户在不同平台中虚拟商品及快捷服务的历史交易行为对应的高维特征。
本方案中,引入联邦学习算法在保证用户隐私下进行图卷积神经网络的训练,构建推荐模型,具体为:
利用图卷积神经网络构建推荐模型,提取用户在不同平台对应的图结构信息及对应的高维特征,通过联邦学***台的算力及网络环境,根据所述算力及网络环境判断数据训练同步时间是否满足预设周期;
根据满足预设周期的不同平台判断其参与训练的轮次,当不同平台的训练轮次偏差在预设轮次内,则利用多头注意力机制获取不同平台的注意力权重,设置两层注意力结构,利用注意力权重对高维特征进行串联及平均运算;
获取当前预设周期内注意力层的特征输出进行非线性激活,根据不同平台非线性运算后的高维特征分别向对方发送计算梯度所需的同态加密后的参数,计算不同平台的加密梯度,通过所述加密梯度保护用户的隐私信息;
将加密后的高维特征利用对应的图结构信息进行聚合,更新图结构信息,利用更新后的图结构继续进行聚合,将聚合后的高维特征上传至预设全局平台,利用加密后的参数及加密梯度进行解码,并发放返回到不同平台;
在不同平台中利用更新后用户向量及虚拟商品向量、快捷服务向量输出预测结果,进行推荐。
本方案中,根据校验信息结合虚拟商品信息及快捷服务信息获取反馈信息,将所述反馈信息导入所述推荐模型,生成与需求信息关联性高的虚拟商品或快捷服务进行推送,具体为:
根据查询到的基础资源对应虚拟商品及快捷服务的ID信息获取资源方位置,基于资源方位置获取发货命令执行后资源方的回执信息,根据所述回执信息判断是否执行成功,基于判断结果生成校验信息;
利用校验信息重新进行发货,当失败次数达到预设阈值时发送预警信息,当成功时,将校验信息与发货对应的虚拟商品信息或快捷服务信息获取反馈信息;
将所述反馈信息作为推荐模型的输入,通过推荐模型获取与当前虚拟商品或快捷服务关联度高的其他虚拟商品及快捷服务进行标记挂起;
提取用户的长短期兴趣特征,提取挂起的虚拟商品信息或快捷服务信息,计算所述虚拟商品信息或快捷服务信息与所述长短期兴趣特征的相似度,根据所述相似度生成推荐权重;
利用推荐权重对挂起的虚拟商品或快捷服务进行排序,选取权重最高的虚拟商品或快捷服务向用户的客户端进行推送。
本发明第二方面还提供了一种虚拟商品与快捷服务的智能化管理***,该***包括:存储器、处理器,所述存储器中包括虚拟商品与快捷服务的智能化管理方法程序,所述虚拟商品与快捷服务的智能化管理方法程序被所述处理器执行时实现如下步骤:
获取用户的需求信息,基于所述需求信息判断需求指令,通过需求指令查询对应虚拟商品信息及快捷服务信息,读取所述虚拟商品及快捷服务的目标程序,将所述目标程度与需求指令匹配生成请求信息;
根据所述请求信息进行发货预处理,判断请求信息是否符合预设标准,当符合预设标准时,将发货命令写入消息队列并返回发货接口,执行发货命令;
获取用户虚拟商品及快捷服务的历史交易信息,根据历史交易信息利用图卷积神经网络挖掘高维特征,引入联邦学习算法在保证用户隐私下进行图卷积神经网络的训练,构建推荐模型;
校验所述发货命令的执行情况,根据校验信息结合虚拟商品信息及快捷服务信息获取反馈信息,将所述反馈信息导入所述推荐模型,生成与需求信息关联性高的虚拟商品或快捷服务进行推送。
本发明公开了一种虚拟商品与快捷服务的智能化管理方法及***,包括,获取用户的需求信息,判断需求指令查询对应虚拟商品信息及快捷服务信息,读取对应目标程序与需求指令匹配生成请求信息;根据请求信息进行发货预处理,判断请求信息是否符合预设标准,当符合预设标准时,将发货命令写入消息队列并返回发货接口;校验发货命令的执行情况,根据校验信息结合虚拟商品信息及快捷服务信息获取反馈信息导入推荐模型,生成与需求信息关联性高的虚拟商品或快捷服务进行推送。本发明有效避免了虚拟商品及快捷服务交易中请求与发放接口匹配调用混乱的问题,提高了管理效率,同时在保证用户隐私的前提下,对用户需求进行数据分析,挖掘用户需求偏好实现精准营销。
附图说明
图1示出了本发明一种虚拟商品与快捷服务的智能化管理方法的流程图;
图2示出了本发明根据请求信息进行发货预处理的流程图;
图3示出了本发明利用推荐模型获取关联性高的虚拟商品或快捷服务进行推送的流程图;
图4示出了本发明一种虚拟商品与快捷服务的智能化管理***的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种虚拟商品与快捷服务的智能化管理方法的流程图。
如图1所示,本发明第一方面提供了一种虚拟商品与快捷服务的智能化管理方法,包括:
S102,获取用户的需求信息,基于所述需求信息判断需求指令,通过需求指令查询对应虚拟商品信息及快捷服务信息,读取所述虚拟商品及快捷服务的目标程序,将所述目标程度与需求指令匹配生成请求信息;
S104,根据所述请求信息进行发货预处理,判断请求信息是否符合预设标准,当符合预设标准时,将发货命令写入消息队列并返回发货接口,执行发货命令;
S106,获取用户虚拟商品及快捷服务的历史交易信息,根据历史交易信息利用图卷积神经网络挖掘高维特征,引入联邦学习算法在保证用户隐私下进行图卷积神经网络的训练,构建推荐模型;
S108,校验所述发货命令的执行情况,根据校验信息结合虚拟商品信息及快捷服务信息获取反馈信息,将所述反馈信息导入所述推荐模型,生成与需求信息关联性高的虚拟商品或快捷服务进行推送。
需要说明的是,获取用户的查询信息,对所述查询信息进行独热编码获取所述查询信息对应的特征向量,在独热编码中,如果数据点属于第i个类别,则数据点对应向量的分量被赋值为0,其他分量赋值为1,生成用户量化分类后的需求信息,通过需求信息判断用户查询的虚拟商品及快捷服务的类别信息;根据所述类别信息生成需求指令,提取用户的身份及权限,根据身份及权限为用户显示符合的虚拟商品及快捷服务,将所述需求指令与所述身份及权限匹配,利用匹配后的需求指令利用分布式检索查询用户身份及权限对应的虚拟商品信息及快捷服务信息;所述虚拟商品信息及快捷服务信息包括虚拟商品ID及快捷服务ID,虚拟商品发货所用的 key,虚拟商品及快捷服务的创建信息,虚拟商品及快捷服务包含的基础资源列表,限定数量及有效期等;通过所述虚拟商品信息及快捷服务信息从分布式数据库中获取对应的目标程序,根据所述目标程序的来源设置来源标识,利用标记有来源标识的目标程序结合用户需求指令匹配生成基于用户身份及权限的请求信息。
图2示出了本发明根据请求信息进行发货预处理的流程图。
根据本发明实施例,根据所述请求信息进行发货预处理,判断请求信息是否符合预设标准,当符合预设标准时,将发货命令写入消息队列并返回发货接口,具体为:
S202,获取请求信息进行发货预处理,所述发货预处理包括判断请求信息的合法性,根据虚拟商品信息判断虚拟商品剩余数量是否满足需求数量,根据用户的身份及权限是否满足虚拟商品及快捷服务的单用户限定;
S204,根据发货预处理的判断条件作为行向量生成判断矩阵,并判断条件的预设标准生成标准矩阵,通过所述判断矩阵与标准矩阵对比判断请求信息是否符合预设标准;
S206,当符合预设标准时,则将发货命令写入消息队列并返回发货接口,通过消息队列的消息内容查询基础资源对应虚拟商品及快捷服务的ID信息,基于RDMA构建RPC调用,执行发货命令。
需要说明的是,为用户设置管理接口,在管理接口中接入用户的身份及权限,用户同通过管理接口创建新的虚拟商品,修改虚拟商品信息,查询拥有查看权限的虚拟商品,删除已经过期的或者不需要的虚拟商品及快捷服务等。其中,虚拟商品及快捷服务的ID信息生成使用Snowflake 算法产生全局唯一的ID信息,查询所述ID信息,发起 RPC 请求,达到给用户发放虚拟商品或快捷服务的目的。
图3示出了本发明利用推荐模型获取关联性高的虚拟商品或快捷服务进行推送的流程图。
根据本发明实施例,根据校验信息结合虚拟商品信息及快捷服务信息获取反馈信息,将所述反馈信息导入所述推荐模型,生成与需求信息关联性高的虚拟商品或快捷服务进行推送,具体为:
S302,根据查询到的基础资源对应虚拟商品及快捷服务的ID信息获取资源方位置,基于资源方位置获取发货命令执行后资源方的回执信息,根据所述回执信息判断是否执行成功,基于判断结果生成校验信息;
S304,利用校验信息重新进行发货,当失败次数达到预设阈值时发送预警信息,当成功时,将校验信息与发货对应的虚拟商品信息或快捷服务信息获取反馈信息;
S306,将所述反馈信息作为推荐模型的输入,通过推荐模型获取与当前虚拟商品或快捷服务关联度高的其他虚拟商品及快捷服务进行标记挂起;
S308,提取用户的长短期兴趣特征,提取挂起的虚拟商品信息或快捷服务信息,计算所述虚拟商品信息或快捷服务信息与所述长短期兴趣特征的相似度,根据所述相似度生成推荐权重;
S310,利用推荐权重对挂起的虚拟商品或快捷服务进行排序,选取权重最高的虚拟商品或快捷服务向用户的客户端进行推送。
需要说明的是,利用数据检索基于用户的身份及权限检索虚拟商品及快捷服务对应的发放信息表,在所述发放信息表筛选用户的历史交易信息,提取历史交易信息中的多模态数据,对所述多模态数据进行异常值识别填充及缺失值处理等数据清洗;将数据清洗后的多模态数据利用特征编码进行特征构建生成特征矩阵,获取用户对应的特征矩阵及虚拟商品与快捷服务对应的特征矩阵,并通过斯皮尔曼相关分析获取特征矩阵的相关性;根据所述相关性及时序关联利用图卷积神经网络将预设时间步长内的特征矩阵集合转换为双向传播的图结构信息,根据所述相关性进行正向传播和反向传播,其对应图数据的方向是自上而下与自下而上,将虚拟商品与快捷服务作为图结构的节点集合,交易关系及相关性作为图结构的边结构集合;获取图结构信息中的节点特征,利用不同的平台信息将对应的图结构信息及节点特征进行标记,获取用户在不同平台中虚拟商品及快捷服务的历史交易行为对应的高维特征。
需要说明的是,利用图卷积神经网络构建推荐模型,提取用户在不同平台对应的图结构信息及对应的高维特征,通过联邦学***台的算力及网络环境,根据所述算力及网络环境判断数据训练同步时间是否满足预设周期;由于不同平台对应不同的分布式数据库,其训练过程为异步进行,训练进程存在偏差,根据满足预设周期的不同平台判断其参与训练的轮次,当不同平台的训练轮次偏差在预设轮次内,则利用多头注意力机制获取不同平台的注意力权重,设置两层注意力结构,利用注意力权重对高维特征进行串联及平均运算;获取当前预设周期内注意力层的特征输出进行非线性激活,根据不同平台非线性运算后的高维特征分别向对方发送计算梯度所需的同态加密后的参数,计算不同平台的加密梯度,通过所述加密梯度保护用户的隐私信息;将加密后的高维特征利用对应的图结构信息进行聚合,更新图结构信息,利用更新后的图结构继续进行聚合,推举最先完成聚合的平台作为预设全局平台,将聚合后的高维特征上传至预设全局平台,利用加密后的参数及加密梯度进行解码,并发放返回到不同平台,利用选举机制选取预设全局平台避免了平台通信终端或性能瓶颈的故障问题;在不同平台中利用更新后用户向量及虚拟商品向量、快捷服务向量获取用户在不同阶段的偏好信息,输出预测结果进行推荐。其中,推荐模型的关联度利用不同虚拟商品向量、快捷服务向量的内积获取,利用所述偏好信息提取用户的兴趣特征。
根据本发明实施例,当用户的需求信息无法查询到对应虚拟商品与快捷服务时,通过用户的需求信息获取对应的用户兴趣信息,根据用户的历史交易行为构建个人数据库,利用个人数据库的评价数据提取对应的词向量,将所述词向量进行聚类分析,归于预设的情感类别,根据情感类别设置词向量的类别标签,基于带有类别标签的词向量的词频及词向量长度生成个性化数据;利用用户兴趣信息判断与个性化数据的一致性,获取一致性高的个性化数据作为推荐模型的输入,获取用户需求信息的模糊推荐集合,并基于用户对模糊推荐集合中各虚拟商品与快捷服务的反馈,调整后续推荐。
图4示出了本发明一种虚拟商品与快捷服务的智能化管理***的框图。
本发明第二方面还提供了一种虚拟商品与快捷服务的智能化管理***4,该***包括:存储器41、处理器42,所述存储器中包括虚拟商品与快捷服务的智能化管理方法程序,所述虚拟商品与快捷服务的智能化管理方法程序被所述处理器执行时实现如下步骤:
获取用户的需求信息,基于所述需求信息判断需求指令,通过需求指令查询对应虚拟商品信息及快捷服务信息,读取所述虚拟商品及快捷服务的目标程序,将所述目标程度与需求指令匹配生成请求信息;
根据所述请求信息进行发货预处理,判断请求信息是否符合预设标准,当符合预设标准时,将发货命令写入消息队列并返回发货接口,执行发货命令;
获取用户虚拟商品及快捷服务的历史交易信息,根据历史交易信息利用图卷积神经网络挖掘高维特征,引入联邦学习算法在保证用户隐私下进行图卷积神经网络的训练,构建推荐模型;
校验所述发货命令的执行情况,根据校验信息结合虚拟商品信息及快捷服务信息获取反馈信息,将所述反馈信息导入所述推荐模型,生成与需求信息关联性高的虚拟商品或快捷服务进行推送。
本发明第三方面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包括虚拟商品与快捷服务的智能化管理方法程序,所述虚拟商品与快捷服务的智能化管理方法程序被处理器执行时,实现如上述任一项所述的虚拟商品与快捷服务的智能化管理方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种虚拟商品与快捷服务的智能化管理方法,其特征在于,包括以下步骤:
获取用户的需求信息,基于所述需求信息判断需求指令,通过需求指令查询对应虚拟商品信息及快捷服务信息,读取所述虚拟商品及快捷服务的目标程序,将所述目标程序与需求指令匹配生成请求信息;
根据所述请求信息进行发货预处理,判断请求信息是否符合预设标准,当符合预设标准时,将发货命令写入消息队列并返回发货接口,执行发货命令;
获取用户虚拟商品及快捷服务的历史交易信息,根据历史交易信息利用图卷积神经网络挖掘高维特征,引入联邦学习算法在保证用户隐私下进行图卷积神经网络的训练,构建推荐模型;
校验所述发货命令的执行情况,根据校验信息结合虚拟商品信息及快捷服务信息获取反馈信息,将所述反馈信息导入所述推荐模型,生成与需求信息关联性高的虚拟商品及快捷服务进行推送;
获取用户虚拟商品及快捷服务的历史交易信息,根据历史交易信息利用图卷积神经网络挖掘高维特征,具体为:
利用数据检索基于用户的身份及权限检索虚拟商品及快捷服务对应的发放信息表,在所述发放信息表筛选用户的历史交易信息,提取历史交易信息中的多模态数据,对所述多模态数据进行数据清洗;
将数据清洗后的多模态数据利用特征编码进行特征构建生成特征矩阵,获取用户对应的特征矩阵及虚拟商品与快捷服务对应的特征矩阵,并通过斯皮尔曼相关分析获取特征矩阵的相关性;
根据所述相关性及时序关联利用图卷积神经网络将预设时间步长内的特征矩阵集合转换为双向传播的图结构信息;
获取图结构信息中的节点特征,利用不同的平台信息将对应的图结构信息及节点特征进行标记,获取用户在不同平台中虚拟商品及快捷服务的历史交易行为对应的高维特征;
引入联邦学习算法在保证用户隐私下进行图卷积神经网络的训练,构建推荐模型,具体为:
利用图卷积神经网络构建推荐模型,提取用户在不同平台对应的图结构信息及对应的高维特征,通过联邦学***台的算力及网络环境,根据所述算力及网络环境判断数据训练同步时间是否满足预设周期;
根据满足预设周期的不同平台判断其参与训练的轮次,当不同平台的训练轮次偏差在预设轮次内,则利用多头注意力机制获取不同平台的注意力权重,设置两层注意力结构,利用注意力权重对高维特征进行串联及平均运算;
获取当前预设周期内注意力层的特征输出进行非线性激活,根据不同平台非线性运算后的高维特征分别向对方发送计算梯度所需的同态加密后的参数,计算不同平台的加密梯度,通过所述加密梯度保护用户的隐私信息;
将加密后的高维特征利用对应的图结构信息进行聚合,更新图结构信息,利用更新后的图结构继续进行聚合,将聚合后的高维特征上传至预设全局平台,利用加密后的参数及加密梯度进行解码,并发放返回到不同平台;
在不同平台中利用更新后用户向量及虚拟商品向量、快捷服务向量输出预测结果,进行推荐。
2.根据权利要求1所述的一种虚拟商品与快捷服务的智能化管理方法,其特征在于,获取用户的需求信息,基于所述需求信息判断需求指令,通过需求指令查询对应虚拟商品信息及快捷服务信息,读取所述虚拟商品及快捷服务的目标程序,具体为:
获取用户的查询信息,对所述查询信息进行独热编码获取所述查询信息对应的特征向量,生成用户的需求信息,通过需求信息判断用户查询的虚拟商品及快捷服务的类别信息;
根据所述类别信息生成需求指令,提取用户的身份及权限,将所述需求指令与所述身份及权限匹配,利用匹配后的需求指令利用分布式检索查询用户身份及权限对应的虚拟商品信息及快捷服务信息;
通过所述虚拟商品信息及快捷服务信息从分布式数据库中获取对应的目标程序,根据所述目标程序的来源设置来源标识,利用标记有来源标识的目标程序结合用户需求指令匹配生成基于用户身份及权限的请求信息。
3.根据权利要求1所述的一种虚拟商品与快捷服务的智能化管理方法,其特征在于,根据所述请求信息进行发货预处理,判断请求信息是否符合预设标准,当符合预设标准时,将发货命令写入消息队列并返回发货接口,具体为:
获取请求信息进行发货预处理,所述发货预处理包括判断请求信息的合法性,根据虚拟商品信息判断虚拟商品剩余数量是否满足需求数量,根据用户的身份及权限是否满足虚拟商品及快捷服务的单用户限定;
根据发货预处理的判断条件作为行向量生成判断矩阵,根据判断条件的预设标准生成标准矩阵,通过所述判断矩阵与标准矩阵对比判断请求信息是否符合预设标准;
当符合预设标准时,则将发货命令写入消息队列并返回发货接口,通过消息队列的消息内容查询基础资源对应虚拟商品及快捷服务的ID信息,基于RDMA构建RPC调用,执行发货命令。
4.根据权利要求1所述的一种虚拟商品与快捷服务的智能化管理方法,其特征在于,根据校验信息结合虚拟商品信息及快捷服务信息获取反馈信息,将所述反馈信息导入所述推荐模型,生成与需求信息关联性高的虚拟商品及快捷服务进行推送,具体为:
根据查询到的基础资源对应虚拟商品及快捷服务的ID信息获取资源方位置,基于资源方位置获取发货命令执行后资源方的回执信息,根据所述回执信息判断是否执行成功,基于判断结果生成校验信息;
利用校验信息重新进行发货,当失败次数达到预设阈值时发送预警信息,当成功时,将校验信息与发货对应的虚拟商品信息或快捷服务信息获取反馈信息;
将所述反馈信息作为推荐模型的输入,通过推荐模型获取与当前虚拟商品或快捷服务关联度高的其他虚拟商品及快捷服务进行标记挂起;
提取用户的长短期兴趣特征,提取挂起的虚拟商品信息或快捷服务信息,计算所述虚拟商品信息或快捷服务信息与所述长短期兴趣特征的相似度,根据所述相似度生成推荐权重;
利用推荐权重对挂起的虚拟商品或快捷服务进行排序,选取权重最高的虚拟商品或快捷服务向用户的客户端进行推送。
5.一种虚拟商品与快捷服务的智能化管理***,其特征在于,该***包括:存储器、处理器,所述存储器中包括虚拟商品与快捷服务的智能化管理方法程序,所述虚拟商品与快捷服务的智能化管理方法程序被所述处理器执行时实现如下步骤:
获取用户的需求信息,基于所述需求信息判断需求指令,通过需求指令查询对应虚拟商品信息及快捷服务信息,读取所述虚拟商品及快捷服务的目标程序,将所述目标程序与需求指令匹配生成请求信息;
根据所述请求信息进行发货预处理,判断请求信息是否符合预设标准,当符合预设标准时,将发货命令写入消息队列并返回发货接口,执行发货命令;
获取用户虚拟商品及快捷服务的历史交易信息,根据历史交易信息利用图卷积神经网络挖掘高维特征,引入联邦学习算法在保证用户隐私下进行图卷积神经网络的训练,构建推荐模型;
校验所述发货命令的执行情况,根据校验信息结合虚拟商品信息及快捷服务信息获取反馈信息,将所述反馈信息导入所述推荐模型,生成与需求信息关联性高的虚拟商品及快捷服务进行推送;
获取用户虚拟商品及快捷服务的历史交易信息,根据历史交易信息利用图卷积神经网络挖掘高维特征,具体为:
利用数据检索基于用户的身份及权限检索虚拟商品及快捷服务对应的发放信息表,在所述发放信息表筛选用户的历史交易信息,提取历史交易信息中的多模态数据,对所述多模态数据进行数据清洗;
将数据清洗后的多模态数据利用特征编码进行特征构建生成特征矩阵,获取用户对应的特征矩阵及虚拟商品与快捷服务对应的特征矩阵,并通过斯皮尔曼相关分析获取特征矩阵的相关性;
根据所述相关性及时序关联利用图卷积神经网络将预设时间步长内的特征矩阵集合转换为双向传播的图结构信息;
获取图结构信息中的节点特征,利用不同的平台信息将对应的图结构信息及节点特征进行标记,获取用户在不同平台中虚拟商品及快捷服务的历史交易行为对应的高维特征;
引入联邦学习算法在保证用户隐私下进行图卷积神经网络的训练,构建推荐模型,具体为:
利用图卷积神经网络构建推荐模型,提取用户在不同平台对应的图结构信息及对应的高维特征,通过联邦学***台的算力及网络环境,根据所述算力及网络环境判断数据训练同步时间是否满足预设周期;
根据满足预设周期的不同平台判断其参与训练的轮次,当不同平台的训练轮次偏差在预设轮次内,则利用多头注意力机制获取不同平台的注意力权重,设置两层注意力结构,利用注意力权重对高维特征进行串联及平均运算;
获取当前预设周期内注意力层的特征输出进行非线性激活,根据不同平台非线性运算后的高维特征分别向对方发送计算梯度所需的同态加密后的参数,计算不同平台的加密梯度,通过所述加密梯度保护用户的隐私信息;
将加密后的高维特征利用对应的图结构信息进行聚合,更新图结构信息,利用更新后的图结构继续进行聚合,将聚合后的高维特征上传至预设全局平台,利用加密后的参数及加密梯度进行解码,并发放返回到不同平台;
在不同平台中利用更新后用户向量及虚拟商品向量、快捷服务向量输出预测结果,进行推荐。
6.根据权利要求5所述的一种虚拟商品与快捷服务的智能化管理***,其特征在于,根据所述请求信息进行发货预处理,判断请求信息是否符合预设标准,当符合预设标准时,将发货命令写入消息队列并返回发货接口,具体为:
获取请求信息进行发货预处理,所述发货预处理包括判断请求信息的合法性,根据虚拟商品信息判断虚拟商品剩余数量是否满足需求数量,根据用户的身份及权限是否满足虚拟商品及快捷服务的单用户限定;
根据发货预处理的判断条件作为行向量生成判断矩阵,根据判断条件的预设标准生成标准矩阵,通过所述判断矩阵与标准矩阵对比判断请求信息是否符合预设标准;
当符合预设标准时,则将发货命令写入消息队列并返回发货接口,通过消息队列的消息内容查询基础资源对应虚拟商品及快捷服务的ID信息,基于RDMA构建RPC调用,执行发货命令。
7.根据权利要求5所述的一种虚拟商品与快捷服务的智能化管理***,其特征在于,根据校验信息结合虚拟商品信息及快捷服务信息获取反馈信息,将所述反馈信息导入所述推荐模型,生成与需求信息关联性高的虚拟商品及快捷服务进行推送,具体为:
根据查询到的基础资源对应虚拟商品及快捷服务的ID信息获取资源方位置,基于资源方位置获取发货命令执行后资源方的回执信息,根据所述回执信息判断是否执行成功,基于判断结果生成校验信息;
利用校验信息重新进行发货,当失败次数达到预设阈值时发送预警信息,当成功时,将校验信息与发货对应的虚拟商品信息或快捷服务信息获取反馈信息;
将所述反馈信息作为推荐模型的输入,通过推荐模型获取与当前虚拟商品或快捷服务关联度高的其他虚拟商品及快捷服务进行标记挂起;
提取用户的长短期兴趣特征,提取挂起的虚拟商品信息或快捷服务信息,计算所述虚拟商品信息或快捷服务信息与所述长短期兴趣特征的相似度,根据所述相似度生成推荐权重;
利用推荐权重对挂起的虚拟商品或快捷服务进行排序,选取权重最高的虚拟商品或快捷服务向用户的客户端进行推送。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311351869.6A CN117217710B (zh) | 2023-10-19 | 2023-10-19 | 一种虚拟商品与快捷服务的智能化管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311351869.6A CN117217710B (zh) | 2023-10-19 | 2023-10-19 | 一种虚拟商品与快捷服务的智能化管理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117217710A CN117217710A (zh) | 2023-12-12 |
CN117217710B true CN117217710B (zh) | 2024-07-02 |
Family
ID=89046289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311351869.6A Active CN117217710B (zh) | 2023-10-19 | 2023-10-19 | 一种虚拟商品与快捷服务的智能化管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117217710B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808562B (zh) * | 2024-02-29 | 2024-05-10 | 南京特沃斯高科技有限公司 | 基于元宇宙空间的网络营销方法及平台 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340587A (zh) * | 2020-02-21 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 一种虚拟商品管理方法以及相关装置 |
CN113688252A (zh) * | 2021-08-09 | 2021-11-23 | 广西师范大学 | 基于多特征协同知识图谱和区块链的安全跨域推荐方法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090163183A1 (en) * | 2007-10-04 | 2009-06-25 | O'donoghue Hugh | Recommendation generation systems, apparatus and methods |
CN104036405B (zh) * | 2013-03-06 | 2017-07-21 | 腾讯科技(深圳)有限公司 | 一种虚拟资源交易订单的处理方法及装置 |
TWI635449B (zh) * | 2016-08-05 | 2018-09-11 | 立創智能股份有限公司 | 一種虛擬與實體銷售商品推薦與回饋系統 |
JP6744353B2 (ja) * | 2017-04-06 | 2020-08-19 | ネイバー コーポレーションNAVER Corporation | ディープラーニングを活用した個人化商品推薦 |
CN109544131A (zh) * | 2018-10-22 | 2019-03-29 | 深圳市创梦天地科技有限公司 | 一种游戏商品管理方法及装置 |
CN113688855B (zh) * | 2020-05-19 | 2023-07-28 | 华为技术有限公司 | 数据处理方法、联邦学习的训练方法及相关装置、设备 |
CN112199719A (zh) * | 2020-10-10 | 2021-01-08 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及计算机可读存储介质 |
CN114528343A (zh) * | 2020-10-23 | 2022-05-24 | 花瓣云科技有限公司 | 商品数据管理方法、装置及服务器 |
CN112541111A (zh) * | 2020-11-09 | 2021-03-23 | 武汉蝌蚪信息技术有限公司 | 基于去中心化大数据检索市场的商品检索及商品推荐*** |
CN115375382A (zh) * | 2021-05-18 | 2022-11-22 | 京东科技控股股份有限公司 | 一种商品推荐方法、装置及相关设备 |
CN113240490A (zh) * | 2021-05-18 | 2021-08-10 | 中国人民大学 | 一种基于图神经网络的智能服务交易推荐方法及*** |
US11914595B2 (en) * | 2021-07-13 | 2024-02-27 | Capital One Services, Llc | Virtual warehouse query monitoring and reporting |
WO2023141809A1 (zh) * | 2022-01-26 | 2023-08-03 | 深圳技术大学 | 一种基于元宇宙的共享信息隐私保护方法及相关装置 |
CN114780831A (zh) * | 2022-03-25 | 2022-07-22 | 中国科学院自动化研究所 | 基于Transformer的序列推荐方法及*** |
CN115330509A (zh) * | 2022-04-22 | 2022-11-11 | 北京邮电大学 | 基于征信服务交易平台集成的征信服务分类方法和*** |
CN115601772B (zh) * | 2022-12-15 | 2023-05-02 | 南京邮电大学 | 一种基于多模态学习的美学质量评价模型和方法 |
CN115878904B (zh) * | 2023-02-22 | 2023-06-02 | 深圳昊通技术有限公司 | 基于深度学习的知识产权个性化推荐方法、***及介质 |
-
2023
- 2023-10-19 CN CN202311351869.6A patent/CN117217710B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340587A (zh) * | 2020-02-21 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 一种虚拟商品管理方法以及相关装置 |
CN113688252A (zh) * | 2021-08-09 | 2021-11-23 | 广西师范大学 | 基于多特征协同知识图谱和区块链的安全跨域推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117217710A (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111339433B (zh) | 基于人工智能的信息推荐方法、装置、电子设备 | |
CN109492772A (zh) | 生成信息的方法和装置 | |
CN111026858B (zh) | 基于项目推荐模型的项目信息处理方法及装置 | |
CN111831636A (zh) | 一种数据处理方法、装置、计算机***及可读存储介质 | |
CN111611488B (zh) | 基于人工智能的信息推荐方法、装置、电子设备 | |
CN117217710B (zh) | 一种虚拟商品与快捷服务的智能化管理方法及*** | |
CN109962975A (zh) | 基于物体识别的信息推送方法、装置、电子设备及*** | |
CN114722281B (zh) | 基于用户画像及用户选课行为的培训课程配置方法、装置 | |
CN109615504A (zh) | 产品推荐方法、装置、电子设备和计算机可读存储介质 | |
CN112036483B (zh) | 基于AutoML的对象预测分类方法、装置、计算机设备及存储介质 | |
CN106407381A (zh) | 一种基于人工智能的推送信息的方法和装置 | |
CN114266443A (zh) | 数据评估方法和装置、电子设备、存储介质 | |
CN113656699B (zh) | 用户特征向量确定方法、相关设备及介质 | |
CN113032676B (zh) | 基于微反馈的推荐方法和*** | |
CN112199374B (zh) | 针对数据缺失的数据特征挖掘方法及其相关设备 | |
CN113327132A (zh) | 多媒体推荐方法、装置、设备及存储介质 | |
CN115982646B (zh) | 一种基于云平台的多源测试数据的管理方法及*** | |
CN117312856A (zh) | 商品类目预测模型训练及应用方法、电子设备 | |
CN112100491A (zh) | 基于用户数据的信息推荐方法、装置、设备及存储介质 | |
CN110597977B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN115860548B (zh) | 基于大数据的SaaS一站式平台管理方法、***及介质 | |
CN116629423A (zh) | 用户行为预测方法、装置、设备及存储介质 | |
CN116484105A (zh) | 业务处理方法、装置及计算机设备、存储介质、程序产品 | |
CN114298118B (zh) | 一种基于深度学习的数据处理方法、相关设备及存储介质 | |
CN115187330A (zh) | 基于用户标签的产品推荐方法、装置、设备和介质 |
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 |