CN106649774A - 基于人工智能的对象推送方法及装置 - Google Patents

基于人工智能的对象推送方法及装置 Download PDF

Info

Publication number
CN106649774A
CN106649774A CN201611228253.XA CN201611228253A CN106649774A CN 106649774 A CN106649774 A CN 106649774A CN 201611228253 A CN201611228253 A CN 201611228253A CN 106649774 A CN106649774 A CN 106649774A
Authority
CN
China
Prior art keywords
pushed
user
targeted customer
push
artificial intelligence
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
CN201611228253.XA
Other languages
English (en)
Inventor
苏映滨
王凡
王鹏
黄世维
路华
黄硕
周超
何径舟
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201611228253.XA priority Critical patent/CN106649774A/zh
Publication of CN106649774A publication Critical patent/CN106649774A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9535Search customisation based on user profiles and personalisation
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computer systems based on biological models
    • G06N3/02Computer systems based on biological models using neural network models
    • G06N3/04Architectures, e.g. interconnection topology
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation, e.g. linear programming, "travelling salesman problem" or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00Commerce, e.g. shopping or e-commerce
    • G06Q30/06Buying, selling or leasing transactions
    • G06Q30/0601Electronic shopping
    • G06Q30/0631Item recommendations

Abstract

本发明提出一种基于人工智能的对象推送方法及装置,其中,方法包括:通过将目标用户的历史点击行为输入到构建好的用户模型中进行学习,得到目标用户的多维度偏好特征向量,获取所有待推送对象的特征向量,将每个待推送对象的特征向量和所述多维度偏好特征向量,输入到训练好的深度神经网络模型中进行预测,得到每个待推送对象的预测概率,根据得到的预测概率向目标用户推送待推送对象。本发明中,由神经网络构建好的用户模型得到目标用户的偏好,然后基于深度神经网络和目标用户的偏好,得到目标用户可能购买待推送团单的概率,使得推送更加有效。而且有用户模型通过训练选取偏好特征,不再需要耗费大量人力去选取,提高了推送效率。

Description

基于人工智能的对象推送方法及装置
技术领域
[0001] 本发明涉及信息处理技术领域,尤其涉及一种基于人工智能的对象推送方法及装置。
背景技术
[0002] 人工智能(Artificial Intelligence),英文缩写为Al。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语音识别、图像识别、自然语言处理和专家系统等。其中,人工智能最重要的方面就是语音识别技术。
[0003]目前,在向用户推荐对象时,多采用线性模型进行特征工程及特征组合,然后从所有的待推荐的对象中,获取到向用户推荐的目标对象。例如,团购作为一种线上到线下的商户引流模式,由于其简单方便以及实惠,深受广大消费者喜好,为用户提供个性化推荐,可以既满足消费者的需求和用户体验。
[0004] 然而线性模型的思路是“简单模型+复杂特征”,用这样的组合实现复杂非线性场景描述。由于线性模型结构简单,这种做法的训练/预估计算代价相对较小。但是特征的选取是一个需要耗费大量人力的工作,且要求相关人员对业务有较深的理解。
发明内容
[0005] 本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
[0006] 为此,本发明的第一个目的在于提出一种基于人工智能的对象推送方法,以实现对基于机器学习的方式来对用户的多维度偏好特征进行提取,不需要耗费大量人力。而且在推送时基于用户的偏好来预测每个待推送对象能够被用户购买的概率,使得推送更加有效。
[0007] 本发明的第二个目的在于提出一种基于人工智能的对象推送装置。
[0008] 本发明的第三个目的在于提出另一种基于人工智能的对象推送装置。
[0009] 本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
[0010] 本发明的第五个目的在于提出一种计算机程序产品。
[0011] 为达上述目的,本发明第一方面实施例提出了一种基于人工智能的对象推送方法,包括:
[0012] 将目标用户的历史点击行为输入到构建好的用户模型中进行学习,得到所述目标用户的多维度偏好特征向量;
[0013] 获取所有待推送对象的特征向量;
[0014] 将每个待推送对象的特征向量和所述多维度偏好特征向量,输入到训练好的深度神经网络模型中进行预测,得到每个待推送对象的预测概率;
[0015] 根据得到的所述预测概率向所述目标用户推送待推送对象。
[0016] 本发明实施例的基于人工智能的对象推送方法,通过由神经网络构建的用户模型对目标用户的历史点击行为进行学习,得到目标用户的偏好,然后再基于深度神经网络和目标用户的偏好,对每个待推送团单进行学习,得到目标用户可能购买待推送团单的概率,使得推送更加有效。而且有用户模型通过训练选取偏好特征,不再需要耗费大量人力去选取,提高了推送效率。
[0017] 为达上述目的,本发明第二方面实施例提出了一种基于人工智能的对象推送装置,包括:
[0018]用户特征获取模块,用于将目标用户的历史点击行为输入到构建好的用户模型中进行学习,得到所述目标用户的多维度偏好特征向量;
[0019] 对象特征获取模块,用于获取所有待推送对象的特征向量;
[0020]预测模块,用于将每个待推送对象的特征向量和所述多维度偏好特征向量,输入到训练好的深度神经网络模型中进行预测,得到每个待推送对象的预测概率;
[0021] 推送模块,用于根据得到的所述预测概率向所述目标用户推送待推送对象。
[0022] 本发明实施例的基于人工智能的对象推送装置,通过由神经网络构建的用户模型对目标用户的历史点击行为进行学习,得到目标用户的偏好,然后再基于深度神经网络和目标用户的偏好,对每个待推送团单进行学习,得到目标用户可能购买待推送团单的概率,使得推送更加有效。而且有用户模型通过训练选取偏好特征,不再需要耗费大量人力去选取,提高了推送效率。
[0023] 为达上述目的,本发明第三方面实施例提出了另一种基于人工智能的对象推送装置,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为:
[0024] 将目标用户的历史点击行为输入到构建好的用户模型中进行学习,得到所述目标用户的多维度偏好特征向量;
[0025] 获取所有待推送对象的特征向量;
[0026] 将每个待推送对象的特征向量和所述多维度偏好特征向量,输入到训练好的深度神经网络模型中进行预测,得到每个待推送对象的预测概率;
[0027] 根据得到的所述预测概率向所述目标用户推送待推送对象。
[0028] 为了实现上述目的,本发明第四方面实施例提出了一种非临时性计算机可读存储介质,当所述存储介质中的指令由服务器端的处理器被执行时,使得服务器端能够执行一种基于人工智能的对象推送方法,所述方法包括:
[0029] 将目标用户的历史点击行为输入到构建好的用户模型中进行学习,得到所述目标用户的多维度偏好特征向量;
[0030] 获取所有待推送对象的特征向量;
[0031] 将每个待推送对象的特征向量和所述多维度偏好特征向量,输入到训练好的深度神经网络模型中进行预测,得到每个待推送对象的预测概率;
[0032] 根据得到的所述预测概率向所述目标用户推送待推送对象。
[0033] 为了实现上述目的,本发明第五方面实施例提出了一种计算机程序产品,当所述计算机程序产品中的指令处理器执行时,执行一种基于人工智能的对象推送方法,所述方法包括:
[0034] 将目标用户的历史点击行为输入到构建好的用户模型中进行学习,得到所述目标用户的多维度偏好特征向量;
[0035] 获取所有待推送对象的特征向量;
[0036] 将每个待推送对象的特征向量和所述多维度偏好特征向量,输入到训练好的深度神经网络模型中进行预测,得到每个待推送对象的预测概率;
[0037] 根据得到的所述预测概率向所述目标用户推送待推送对象。
[0038] 本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
[0039] 本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
[0040]图1为本发明实施例提供的一种基于人工智能的对象推送方法的流程示意图;
[0041]图2为本发明实施例提供的一种预先构建用户模型的流程示意图;
[0042]图3为本发明实施例所提供的一种深度神经网络模型结构示意图;
[0043]图4为本发明实施例提供的一种基于DNN模型进行预测的示意图;
[0044]图5为本发明实施例提供的一种基于人工智能的对象推送装置的结构示意图;
[0045]图6为本发明实施例提供的一种对象特征向量获取模块的结构示意图;
[0046]图7为本发明实施例提供的另一种基于人工智能的对象推送装置的结构示意图。
具体实施方式
[0047]下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
[0048] 下面参考附图描述本发明实施例的基于人工智能的对象推送方法及装置。
[0049]图1为本发明实施例所提供的一种基于人工智能的对象推送方法的流程示意图。该基于人工智能的对象推送方法包括以下步骤:
[0050] S101、将目标用户的历史点击行为输入到构建好的用户模型中进行学习,得到目标用户的多维度偏好特征向量。
[0051] 本实施例中,以团购应用程序中需要向用户推送的团单作为待推送对象。为了能够获取到用户的偏好,基于神经网络预先构建一个用户模型,通过该构建好的用户模型来识别各用户的偏好。本实施例中,通过构建好的用户模型的学习,能够得到用户的多维度偏好特征向量。
[0052]下面结合团购应用程序中需要向用户推送的团单作为待推送对象,对多维度偏好特征向量进行解释说明。多维度偏好特征向量可以包括:团单中商品的类型维度、商品的品牌维度、商品的价格区间维度、价格区间维度、商品的折扣维度、商品属性的品牌维度等。
[0053]图2为本发明实施例提供的一种预先构建用户模型的流程示意图。该预先构建过程包括以下步骤:
[0054] S201、获取大量用户的历史点击行为作为样本行为。
[0055] 本实施例中,为了对预先构建的用户模型为一个初始用户模型,为了能够将初始的用户模型训练成稳定的用户模型,即得到一个构建好的用户模型,需要对大量用户的历史点击行为进行统计或者采集,可以从团购应用程序中统计或者采集到大量用户的历史点击行为,然后将采集到的大量用户的历史点击行为作为样本行为。用户的点击行为包括:浏览、收藏、加购物车、购买、转发等行为。
[0056] S202、利用样本行为对初始用户模型进行训练。
[0057] 在获取到大量的样本行为后,就可以将样本行为输入到初始用户模型中进行训练,以获取到稳定的用户模型,从而能够通过该用户模型来获取各用户的多维度偏好特征向量。
[0058] S203、当训练后的误差率低于预设的阈值后,得到构建好的用户模型。
[0059] 本实施例中,预先设置一个阈值。每次训练后的误差率与该预设的阈值进行比较,如果比较出误差率低于预设的阈值,则可以将此次训练时的用户模型作为构建好的用户模型。如果比较出误差率高于或者等于预设的阈值,需要去调整神经网络,然后基于调整后的神经网络继续对样本行为进行训练,直到误差率低于预设的阈值。当误差率低于预设的阈值时,说明此次训练的用户模型的识别出的结果与实际的结果误差满足要求。
[0060] 本实施例中,当目标用户登录团购应用程序后,就可以获取到目标用户的历史点击行为,然后将历史点击行为输入到构建好的用户模型中进行学习,在学习完成后从用户模型中提取出目标用户的多维度偏好特征向量。通过获取到的多维度偏好特征向量可以反映出目标用户的购买习惯或者目标用户在购买商品时的兴趣点或者关注点。
[0061] S102、获取所有待推送对象的特征向量。
[0062] 当目标用户通过移动终端登录团购应用程序后,在通过用户模型获取目标用户的多维度偏好特征向量的同时,可以对所有的待推送对象即待推送团单进行特征提取,待推送团单包括基础特征、属性特性以及距离特征,根据基础特征、属性特性以及距离特征得到所有待推送团单的特征向量。
[0063] 基础特征包括:待推送团单的标识和待推送团单的时间信息。首先获取每个待推送团单的标识,这个标识可以是该团单的推送者在上传到团购应用程序时,由该团购应用程序为其分配的一个区别与其他团单的一个唯一标识,可以为一个编号。进一步地,还可以获取到每个待推送团单的时间信息,这个该时间信息可以包括待推送团单的开始时间以及结束时间等。
[0064]实际应用中,团购的一些商品为水果、海鲜等一些需要保持新鲜度的商品,当团购的商品为这类商品时,用户在购买时商品发货地的往往会成为较重要的参考因数。即使团购的商品不是水果等需要保持新鲜度的商品,可能用户需要及时送达商品距离也会成为用户在购买时的重要参考因数。
[0065] 针对每个待推送对象即待推送团单,当团购应用程序被允许访问目标用户移动终端上的全球地位系统(Global Posit1ning System,简称GPS)服务时,就可以获取到目标用户的位置信息。进一步地,每个待推送对象即团单的发货地在团购应用程序中进行了登记,这样就可以根据目标用户的位置信息,确定出待推送对象与目标对象的距离特征。
[0066] 为了能够向用户展示待推送对象即团单的相关内容,需要在推广者在向团购应用程序上传团单时携带该团单的描述信息。进一步地,从待推送团单的描述信息中提取出团单的属性特征。属性特征通过描述信息中的关键词来体现,属性特征包括待推送团单的商品名、标题、短标题、品牌、价格、折扣等特征。
[0067] 在获取到待推送团单的标识、时间信息、距离特征以及属性特性后,就可以生成待推送团单的特征向量。
[0068] S103、将每个待推送对象的特征向量和多维度偏好特征向量,输入到训练好的深度神经网络模型中进行预测,得到每个待推送对象的预测概率。
[0069] 本实施例中,预先构建一个深度神经网络(deep neural network,简称DNN)模型,利用大量的样本数据对构建的DNN模型进行训练,训练完成后可以得到一个训练好的DNN模型。利用训练好的DNN模型对每个待推送对象进行预测,得到目标用户可能购买该待推送对象的概率。
[0070]具体地,将每个待推送对象的特征向量和多维度偏好特征向量,输入到训练好的DNN模型中,该DNN模型对每个待推送对象的特征向量和多维度偏好特征向量进行学习,能够得到每个待推送对象的预测概率。
[0071]图3为本发明实施例提供的一种深度神经网络模型结构示意图。
[0072] 如图3所示,该深度神经网络模型中包括:输入层、第一全连接层(Full Connect,简称FC)、非线性映射层、第二全连接层和输出层。其中,每层都设置有神经元节点。将每个待推送对象的特征向量和多维度偏好特征向量通过输入层中设置的神经元节点输入到DNN模型中。每个维度的特征对应的特征向量通过一个神经元输入到第一全连接层。待推送团单中每个维度的特征对应的向量值以及目标用户的每个维度的偏好特征对应的向量值,输入到第一全连接层中的每个神经元节点中,在神经元节点中将每个向量值与预先设置该神经元节点的权重进行相乘,相乘后每个神经元节点的输出,再输入到激活层的神经元节点中。激活层设置有激活函数,激活函数一般为非线性映射函数,可以将第一全连接层的输出进行映射到一个向量空间中。进一步地,为了提高学习的深度,激活层神经元节点的输出再输入到DNN模型中第二全连接层中,第二全连接层在进行一次全连接处理,然后在输入到输出层的两个神经元节点,进行二分类归一化输出预测概率,其中,两个神经元节点的输出分别为待推送团单的购买概率和不购买概率。
[0073] 本实施例为了向用户推送待推送团单,将输出层输出的待推送团单的购买概率作为待推送团单的预测概率。
[0074]图4为本发明实施例提供的一种基于DNN模型进行预测的示意图。图4包括待推送对象特征提取模型、用户模型和DNN模型。其中,待推送对象特征提取模型用于提取待推送团单的特征向量。待推送对象提取模型包括:基础特征提取层、属性特征提取层以及特征拼接层。基础特征提取层用于获取待推送团单的标识、时间信息等。属性特征提取层可以用于从描述信息中获取待推送团单的关键词,以及待推送团单的距离信息等。
[0075] 进一步地,用户模型用于获取目标用户的多维度偏好特征向量。待推送对象特征提取模型将获取的待推送团单的特征向量,以及用户模型获取到的目标用户的多维特征向量输入到DNN模型进行学习,得到每个待推送团单的预测概率。
[0076] S104、根据得到的预测概率向目标用户推送待推送对象。
[0077] 具体地,可以按照深度神经网络模型预测出的每个待推送团单的预测概率,对所有的待推送团单进行排序,可以按序向目标用户推送,例如可以按照顺序依次将待推送团单展示给目标用户。
[0078] 进一步地,在排序后,按照排序结果从所有待推送对象中选择部分作为目标对象,向目标用户按序推送目标对象。
[0079] 本实施例提供的基于人工智能的对象推送方法,通过将目标用户的历史点击行为输入到构建好的用户模型中进行学习,得到所述目标用户的多维度偏好特征向量,获取所有待推送对象的特征向量,将每个待推送对象的特征向量和所述多维度偏好特征向量,输入到训练好的深度神经网络模型中进行预测,得到每个待推送对象的预测概率,根据得到的所述预测概率向所述目标用户推送待推送对象。本实施例中,通过一个由神经网络构建好的用户模型对目标用户的历史点击行为进行学习,得到目标用户的偏好,然后再基于深度神经网络和目标用户的偏好,对每个待推送团单进行学习,得到目标用户可能购买待推送团单的概率,使得推送更加有效。而且有用户模型通过训练选取偏好特征,不再需要耗费大量人力去选取,提高了推送效率。
[0080]图5为本发明实施例提供的一种基于人工智能的对象推送装置的结构示意图。该基于人工智能的对象推送装置包括:用户特征获取模块11、对象特征获取模块12、预测模块13和推送模块14。
[0081] 其中,用户特征获取模块11,用于将目标用户的历史点击行为输入到构建好的用户模型中进行学习,得到所述目标用户的多维度偏好特征向量。
[0082] 对象特征获取模块12,用于获取所有待推送对象的特征向量。
[0083]预测模块13,用于将每个待推送对象的特征向量和所述多维度偏好特征向量,输入到训练好的深度神经网络模型中进行预测,得到每个待推送对象的预测概率。
[0084] 推送模块14,用于根据得到的所述预测概率向所述目标用户推送待推送对象。
[0085] 进一步地,该基于人工智能的对象推送装置还包括用户模型构建模块15,用于获取大量用户的历史点击行为作为样本行为,利用所述样本行为对初始用户模型进行训练,当训练后的误差率低于预设的阈值后,得到所述用户模型。
[0086] 进一步地,用户特征获取模块11,具体用于根据所述目标用户的标识,获取所述目标用户的历史点击行为,利用所述用户模型对所述目标用户的历史点击行为进行学习,在学习完成后从所述用户模型中提取出所述多维度偏好特征向量。
[0087]图6为本发明实施例提供的一种对象特征获取模块的结构示意图。该对象特征获取模块12包括:基础特征单元121、属性特征单元122和特征向量生成单元123。
[0088] 基础特征单元121,用于针对每个待推送对象,获取所述待推送对象的基础特征,所述基础特征包括所述待推送对象的标识和时间信息。
[0089] 属性特征单元122,用于从所述待推送对象的描述信息中提取出属性特征,以及根据所述目标用户的位置信息,确定出所述待推送对象与所述目标对象的距离信息。
[0090] 特征向量生成单元123,用于利用所述基础特征、所述属性特征和所述距离特征,生成所述待推送对象的特征向量。
[0091] 进一步地,推送模块14,具体用于按照每个待推送对象的所述预测概率对所有的待推送对象进行排序,按照排序结果从所有待推送对象中选择部分作为目标对象,向所述目标用户按序推送所述目标对象。
[0092] 本实施例提供的基于人工智能的对象推送装置,通过将目标用户的历史点击行为输入到构建好的用户模型中进行学习,得到所述目标用户的多维度偏好特征向量,获取所有待推送对象的特征向量,将每个待推送对象的特征向量和所述多维度偏好特征向量,输入到训练好的深度神经网络模型中进行预测,得到每个待推送对象的预测概率,根据得到的所述预测概率向所述目标用户推送待推送对象。本实施例中,通过一个由神经网络构建好的用户模型对目标用户的历史点击行为进行学习,得到目标用户的偏好,然后再基于深度神经网络和目标用户的偏好,对每个待推送团单进行学习,得到目标用户可能购买待推送团单的概率,使得推送更加有效。而且有用户模型通过训练选取偏好特征,不再需要耗费大量人力去选取,提高了推送效率。
[0093]图7为本发明实施例提供的另一种基于人工智能的对象推送装置的结构示意图。该基于人工智能的对象推送装置包括:通信接口 21、存储器21和处理器23。
[0094] 通信接口 21,用于存储器22和处理器23之间的通信。
[0095] 存储器22,用于存放可在处理器23上运行的计算机程序。
[0096] 存储器22可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。
[0097] 处理器23,用于执行所述程序时实现上述实施例所述的基于人工智能的对象推送方法。
[0098] 如果通信接口 21、存储器22和处理器23独立实现,则通信接口 21、存储器22和处理器23可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(Industry Standard Architecture,简称为 ISA)总线、外部设备互连(PeripheralComponent,简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
[0099] 可选的,在具体实现上,如果通信接口 21、存储器22和处理器23集成在一块芯片上实现,则通信接口 21、存储器22和处理器23可以通过内部接口完成相互间的通信。
[0100] 处理器23可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Applicat1n Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本发明实施例的一个或多个集成电路。
[0101] 本实施例中,通过一个由神经网络构建好的用户模型对目标用户的历史点击行为进行学习,得到目标用户的偏好,然后再基于深度神经网络和目标用户的偏好,对每个待推送团单进行学习,得到目标用户可能购买待推送团单的概率,使得推送更加有效。而且有用户模型通过训练选取偏好特征,不再需要耗费大量人力去选取,提高了推送效率。
[0102] 在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0103] 此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
[0104] 流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
[0105] 在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,〃计算机可读介质〃可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
[0106] 应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
[0107] 本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
[0108] 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。计算机可读存储介质例如可以是一一但不限于一一电、磁、光、电磁、红外线、或半导体的系统、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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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-R0M)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,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系统、装置或者器件使用或者与其结合使用。
[0109] 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,包括一一但不限于一一电磁信号、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系统、装置或者器件使用或者与其结合使用的程序。
[0110] 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,包括一一但不限于一一无线、电线、光缆、RF等等,或者上述的任意合适的组合。
[0111]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发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言一诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言一诸如” 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一一包括局域网(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)。
[0112] 此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块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。
[0113] 上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (12)

1.一种基于人工智能的对象推送方法,其特征在于,包括: 将目标用户的历史点击行为输入到构建好的用户模型中进行学习,得到所述目标用户的多维度偏好特征向量; 获取所有待推送对象的特征向量; 将每个待推送对象的特征向量和所述多维度偏好特征向量,输入到训练好的深度神经网络模型中进行预测,得到每个待推送对象的预测概率; 根据得到的所述预测概率向所述目标用户推送待推送对象。
2.根据权利要求1所述的基于人工智能的对象推送方法,其特征在于,还包括: 获取大量用户的历史点击行为作为样本行为; 利用所述样本行为对初始用户模型中进行训练; 当训练后的误差率低于预设的阈值后,得到所述用户模型。
3.根据权利要求2所述的基于人工智能的对象推送方法,其特征在于,所述将目标用户的历史点击行为输入到用户模型中进行学习,得到所述目标用户的多维度偏好特征信息,包括: 根据所述目标用户的标识,获取所述目标用户的历史点击行为; 利用所述用户模型对所述目标用户的历史点击行为进行学习; 在学习完成后从所述用户模型中提取出所述多维度偏好特征向量。
4.根据权利要求1所述的基于人工智能的对象推送方法,其特征在于,所述获取所有待推送对象的特征向量,包括: 针对每个待推送对象,获取所述待推送对象的基础特征,所述基础特征包括所述待推送对象的标识和时间信息; 从所述待推送对象的描述信息中提取出属性特征; 根据所述目标用户的位置信息,确定出所述待推送对象与所述目标对象的距离特征; 利用所述基础特征、所述属性特征和所述距离特征,生成所述待推送对象的特征向量。
5.根据权利要求1-4任一项所述的基于人工智能的对象推送方法,其特征在于,所述根据得到的所述预测概率向所述目标用户推送对象,包括: 按照每个待推送对象的所述预测概率对所有的待推送对象进行排序; 按照排序结果从所有待推送对象中选择部分作为目标对象; 向所述目标用户按序推送所述目标对象。
6.一种基于人工智能的对象推送装置,其特征在于,包括: 用户特征获取模块,用于将目标用户的历史点击行为输入到构建好的用户模型中进行学习,得到所述目标用户的多维度偏好特征向量; 对象特征获取模块,用于获取所有待推送对象的特征向量; 预测模块,用于将每个待推送对象的特征向量和所述多维度偏好特征向量,输入到训练好的深度神经网络模型中进行预测,得到每个待推送对象的预测概率; 推送模块,用于根据得到的所述预测概率向所述目标用户推送待推送对象。
7.根据权利要求6所述的基于人工智能的对象推送装置,其特征在于,用户模型构建模块,用于获取大量用户的历史点击行为作为样本行为,利用所述样本行为对初始用户模型中进行训练,当训练后的误差率低于预设的阈值后,得到所述用户模型。
8.根据权利要求7所述的基于人工智能的对象推送装置,其特征在于,所述用户特征获取模块,具体用于根据所述目标用户的标识,获取所述目标用户的历史点击行为,利用所述用户模型对所述目标用户的历史点击行为进行学习,在学习完成后从所述用户模型中提取出所述多维度偏好特征向量。
9.根据权利要求6所述的基于人工智能的对象推送装置,其特征在于,所述对象特征获取模块,包括: 基础特征单元,用于针对每个待推送对象,获取所述待推送对象的基础特征,所述基础特征包括所述待推送对象的标识和时间信息; 属性特征单元,用于从所述待推送对象的描述信息中提取出属性特征,以及根据所述目标用户的位置信息,确定出所述待推送对象与所述目标对象的距离信息; 特征向量生成单元,用于利用所述基础特征、所述属性特征和所述距离特征,生成所述待推送对象的特征向量。
10.根据权利要求6-9任一项所述的基于人工智能的对象推送装置,其特征在于,所推送模块,具体用于按照每个待推送对象的所述预测概率对所有的待推送对象进行排序,按照排序结果从所有待推送对象中选择部分作为目标对象,向所述目标用户按序推送所述目标对象。
11.一种基于人工智能的对象推送装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5中任一所述的基于人工智能的对象推送方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一所述的基于人工智能的对象推送方法。
CN201611228253.XA 2016-12-27 2016-12-27 基于人工智能的对象推送方法及装置 Pending CN106649774A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611228253.XA CN106649774A (zh) 2016-12-27 2016-12-27 基于人工智能的对象推送方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611228253.XA CN106649774A (zh) 2016-12-27 2016-12-27 基于人工智能的对象推送方法及装置

Publications (1)

Publication Number Publication Date
CN106649774A true CN106649774A (zh) 2017-05-10

Family

ID=58831605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611228253.XA Pending CN106649774A (zh) 2016-12-27 2016-12-27 基于人工智能的对象推送方法及装置

Country Status (1)

Country Link
CN (1) CN106649774A (zh)

Cited By (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106934498A (zh) * 2017-03-14 2017-07-07 携程旅游网络技术(上海)有限公司 Ota网站中酒店房型的推荐方法及系统
CN107026942A (zh) * 2017-05-27 2017-08-08 广东欧珀移动通信有限公司 提示信息的输出方法及相关产品
CN107066628A (zh) * 2017-05-15 2017-08-18 京东方科技集团股份有限公司 穿衣推荐方法及装置
CN107291921A (zh) * 2017-06-28 2017-10-24 北京京东尚科信息技术有限公司 信息处理方法及系统
CN107302566A (zh) * 2017-05-27 2017-10-27 冯小平 推送信息的方法和装置
CN107590690A (zh) * 2017-09-05 2018-01-16 阿里巴巴集团控股有限公司 数据处理方法、装置及服务器
CN107644679A (zh) * 2017-08-09 2018-01-30 广东欧珀移动通信有限公司 信息推送方法和装置
CN107665230A (zh) * 2017-06-21 2018-02-06 海信集团有限公司 用于智能家居控制的用户行为预测模型的训练方法及装置
CN107992530A (zh) * 2017-11-14 2018-05-04 北京三快在线科技有限公司 信息推荐方法及电子设备
CN108108102A (zh) * 2018-01-02 2018-06-01 联想(北京)有限公司 图像推荐方法及电子设备
CN108230009A (zh) * 2017-11-30 2018-06-29 北京三快在线科技有限公司 一种用户偏好的预测方法及装置,电子设备
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
CN108563648A (zh) * 2017-11-29 2018-09-21 腾讯科技(上海)有限公司 数据显示方法和装置、存储介质及电子装置
CN108596695A (zh) * 2018-05-15 2018-09-28 口口相传(北京)网络技术有限公司 实体推送方法及系统
CN108733825A (zh) * 2018-05-23 2018-11-02 阿里巴巴集团控股有限公司 一种对象触发事件预测方法及装置
CN108769125A (zh) * 2018-04-28 2018-11-06 广州优视网络科技有限公司 应用推荐方法、装置、存储介质及计算机设备
CN108959641A (zh) * 2018-07-27 2018-12-07 北京未来媒体科技股份有限公司 一种基于人工智能的内容信息推荐方法及系统
WO2018223719A1 (zh) * 2017-06-09 2018-12-13 平安科技(深圳)有限公司 用户投保行为预测的方法、装置、计算设备及介质
CN109062963A (zh) * 2018-06-27 2018-12-21 广州优视网络科技有限公司 自媒体推荐方法、装置及电子设备
WO2019019396A1 (zh) * 2017-07-24 2019-01-31 上海壹账通金融科技有限公司 推送结果预测方法、装置、计算机设备和存储介质
CN109522483A (zh) * 2018-11-14 2019-03-26 北京百度网讯科技有限公司 用于推送信息的方法和装置
WO2019061903A1 (zh) * 2017-09-26 2019-04-04 北京小度信息科技有限公司 信息输出方法和装置
CN109961357A (zh) * 2019-03-25 2019-07-02 上海拉扎斯信息科技有限公司 用户数据处理方法、装置、电子设备及存储介质
CN110020109A (zh) * 2017-09-12 2019-07-16 北京京东尚科信息技术有限公司 用于信息推广的方法及装置
WO2019165944A1 (zh) * 2018-02-28 2019-09-06 中国银联股份有限公司 基于转移概率网络的商户推荐方法及其系统
CN110264301A (zh) * 2019-05-10 2019-09-20 拉扎斯网络科技(上海)有限公司 推荐方法、装置、电子设备和非易失性存储介质
CN110335100A (zh) * 2019-05-09 2019-10-15 东莞市盟大塑化科技有限公司 基于人工智能的信息推送方法、装置、计算机和存储介质
CN110363621A (zh) * 2019-06-28 2019-10-22 东莞市盟大塑化科技有限公司 一种基于人工智能技术的订单信息推送系统
CN111028560A (zh) * 2019-04-23 2020-04-17 广东小天才科技有限公司 一种学习应用中功能模块的开启方法及电子设备
WO2020156389A1 (zh) * 2019-01-30 2020-08-06 北京字节跳动网络技术有限公司 信息推送方法和装置
CN111800537A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 终端使用状态的评估方法、装置、存储介质及电子设备
WO2020233228A1 (zh) * 2019-05-23 2020-11-26 北京沃东天骏信息技术有限公司 用于推送信息的方法和装置
WO2020244152A1 (zh) * 2019-06-05 2020-12-10 平安科技(深圳)有限公司 数据推送方法、装置、计算机设备和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831234A (zh) * 2012-08-31 2012-12-19 北京邮电大学 基于新闻内容和主题特征的个性化新闻推荐装置和方法
CN103390194A (zh) * 2012-05-07 2013-11-13 北京三星通信技术研究有限公司 用户意图预测及推荐建议的方法、设备和系统
CN104462594A (zh) * 2014-12-29 2015-03-25 北京奇虎科技有限公司 一种提供用户个性化资源消息推送的方法和装置
CN104636371A (zh) * 2013-11-11 2015-05-20 华为技术有限公司 信息推荐方法及设备
CN104850434A (zh) * 2015-04-30 2015-08-19 腾讯科技(深圳)有限公司 多媒体资源下载方法及装置
CN105335519A (zh) * 2015-11-18 2016-02-17 百度在线网络技术(北京)有限公司 模型生成方法及装置、推荐方法及装置
CN105701191A (zh) * 2016-01-08 2016-06-22 腾讯科技(深圳)有限公司 一种推送信息点击率估计方法和装置
CN106250532A (zh) * 2016-08-04 2016-12-21 广州优视网络科技有限公司 应用推荐方法、装置及服务器

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103390194A (zh) * 2012-05-07 2013-11-13 北京三星通信技术研究有限公司 用户意图预测及推荐建议的方法、设备和系统
CN102831234A (zh) * 2012-08-31 2012-12-19 北京邮电大学 基于新闻内容和主题特征的个性化新闻推荐装置和方法
CN104636371A (zh) * 2013-11-11 2015-05-20 华为技术有限公司 信息推荐方法及设备
CN104462594A (zh) * 2014-12-29 2015-03-25 北京奇虎科技有限公司 一种提供用户个性化资源消息推送的方法和装置
CN104850434A (zh) * 2015-04-30 2015-08-19 腾讯科技(深圳)有限公司 多媒体资源下载方法及装置
CN105335519A (zh) * 2015-11-18 2016-02-17 百度在线网络技术(北京)有限公司 模型生成方法及装置、推荐方法及装置
CN105701191A (zh) * 2016-01-08 2016-06-22 腾讯科技(深圳)有限公司 一种推送信息点击率估计方法和装置
CN106250532A (zh) * 2016-08-04 2016-12-21 广州优视网络科技有限公司 应用推荐方法、装置及服务器

Cited By (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106934498A (zh) * 2017-03-14 2017-07-07 携程旅游网络技术(上海)有限公司 Ota网站中酒店房型的推荐方法及系统
CN107066628A (zh) * 2017-05-15 2017-08-18 京东方科技集团股份有限公司 穿衣推荐方法及装置
WO2018210124A1 (zh) * 2017-05-15 2018-11-22 京东方科技集团股份有限公司 穿衣推荐方法以及穿衣推荐装置
CN107066628B (zh) * 2017-05-15 2020-06-05 京东方科技集团股份有限公司 穿衣推荐方法及装置
CN107026942A (zh) * 2017-05-27 2017-08-08 广东欧珀移动通信有限公司 提示信息的输出方法及相关产品
CN107302566A (zh) * 2017-05-27 2017-10-27 冯小平 推送信息的方法和装置
WO2018223719A1 (zh) * 2017-06-09 2018-12-13 平安科技(深圳)有限公司 用户投保行为预测的方法、装置、计算设备及介质
CN107665230A (zh) * 2017-06-21 2018-02-06 海信集团有限公司 用于智能家居控制的用户行为预测模型的训练方法及装置
CN107291921A (zh) * 2017-06-28 2017-10-24 北京京东尚科信息技术有限公司 信息处理方法及系统
CN107291921B (zh) * 2017-06-28 2020-02-07 北京京东尚科信息技术有限公司 信息处理方法及系统
WO2019019396A1 (zh) * 2017-07-24 2019-01-31 上海壹账通金融科技有限公司 推送结果预测方法、装置、计算机设备和存储介质
CN107644679A (zh) * 2017-08-09 2018-01-30 广东欧珀移动通信有限公司 信息推送方法和装置
CN107590690A (zh) * 2017-09-05 2018-01-16 阿里巴巴集团控股有限公司 数据处理方法、装置及服务器
CN107590690B (zh) * 2017-09-05 2021-02-23 创新先进技术有限公司 数据处理方法、装置及服务器
CN110020109A (zh) * 2017-09-12 2019-07-16 北京京东尚科信息技术有限公司 用于信息推广的方法及装置
WO2019061903A1 (zh) * 2017-09-26 2019-04-04 北京小度信息科技有限公司 信息输出方法和装置
CN107992530A (zh) * 2017-11-14 2018-05-04 北京三快在线科技有限公司 信息推荐方法及电子设备
CN108563648A (zh) * 2017-11-29 2018-09-21 腾讯科技(上海)有限公司 数据显示方法和装置、存储介质及电子装置
CN108563648B (zh) * 2017-11-29 2021-06-25 腾讯科技(上海)有限公司 数据显示方法和装置、存储介质及电子装置
CN108230009A (zh) * 2017-11-30 2018-06-29 北京三快在线科技有限公司 一种用户偏好的预测方法及装置,电子设备
CN108108102A (zh) * 2018-01-02 2018-06-01 联想(北京)有限公司 图像推荐方法及电子设备
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
WO2019165944A1 (zh) * 2018-02-28 2019-09-06 中国银联股份有限公司 基于转移概率网络的商户推荐方法及其系统
CN108769125A (zh) * 2018-04-28 2018-11-06 广州优视网络科技有限公司 应用推荐方法、装置、存储介质及计算机设备
CN108596695B (zh) * 2018-05-15 2021-04-27 口口相传(北京)网络技术有限公司 实体推送方法及系统
CN108596695A (zh) * 2018-05-15 2018-09-28 口口相传(北京)网络技术有限公司 实体推送方法及系统
CN108733825A (zh) * 2018-05-23 2018-11-02 阿里巴巴集团控股有限公司 一种对象触发事件预测方法及装置
CN109062963A (zh) * 2018-06-27 2018-12-21 广州优视网络科技有限公司 自媒体推荐方法、装置及电子设备
CN108959641A (zh) * 2018-07-27 2018-12-07 北京未来媒体科技股份有限公司 一种基于人工智能的内容信息推荐方法及系统
CN109522483A (zh) * 2018-11-14 2019-03-26 北京百度网讯科技有限公司 用于推送信息的方法和装置
WO2020156389A1 (zh) * 2019-01-30 2020-08-06 北京字节跳动网络技术有限公司 信息推送方法和装置
CN109961357A (zh) * 2019-03-25 2019-07-02 上海拉扎斯信息科技有限公司 用户数据处理方法、装置、电子设备及存储介质
CN111800537A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 终端使用状态的评估方法、装置、存储介质及电子设备
CN111028560A (zh) * 2019-04-23 2020-04-17 广东小天才科技有限公司 一种学习应用中功能模块的开启方法及电子设备
CN110335100A (zh) * 2019-05-09 2019-10-15 东莞市盟大塑化科技有限公司 基于人工智能的信息推送方法、装置、计算机和存储介质
CN110264301A (zh) * 2019-05-10 2019-09-20 拉扎斯网络科技(上海)有限公司 推荐方法、装置、电子设备和非易失性存储介质
WO2020233228A1 (zh) * 2019-05-23 2020-11-26 北京沃东天骏信息技术有限公司 用于推送信息的方法和装置
WO2020244152A1 (zh) * 2019-06-05 2020-12-10 平安科技(深圳)有限公司 数据推送方法、装置、计算机设备和存储介质
CN110363621A (zh) * 2019-06-28 2019-10-22 东莞市盟大塑化科技有限公司 一种基于人工智能技术的订单信息推送系统

Similar Documents

Publication Publication Date Title
CN106649774A (zh) 基于人工智能的对象推送方法及装置
CN106803190A (zh) 一种广告个性化推送系统及方法
CN104750789B (zh) 标签的推荐方法及装置
CN105868847A (zh) 一种购物行为的预测方法及装置
CN105701191A (zh) 一种推送信息点击率估计方法和装置
CN109345302A (zh) 机器学习模型训练方法、装置、存储介质和计算机设备
CN108198019A (zh) 物品推荐方法及装置、存储介质、电子设备
CN105574025A (zh) 用于计算排序分及建立模型的方法、装置及商品推荐系统
CN106933996A (zh) 一种采用深度特征匹配的推荐方法
CN105787490A (zh) 基于深度学习的商品潮流识别方法及装置
CN108108821A (zh) 模型训练方法及装置
CN104281890A (zh) 电子商务系统中预测流行商品的方法和系统
CN108665064A (zh) 神经网络模型训练、对象推荐方法及装置
CN107729937A (zh) 用于确定用户兴趣标签的方法及装置
CN107918778A (zh) 一种信息匹配方法及相关装置
CN107609888A (zh) 用于查询和投标词之间的点击率预测的系统和方法
CN109766557A (zh) 一种情感分析方法、装置、存储介质及终端设备
CN106557480A (zh) 查询改写的实现方法及装置
CN108920665A (zh) 基于网络结构和评论文本的推荐评分方法及装置
CN109819002A (zh) 数据推送方法和装置、存储介质及电子装置
CN108133357A (zh) 一种人才推荐方法及计算设备
CN107644036A (zh) 一种数据对象推送的方法、装置及系统
CN106991592A (zh) 一种基于购买用户行为分析的个性化推荐方法
CN110570226B (zh) 一种联合主题模型和异质信息网络的评分预测方法
CN111489196A (zh) 基于深度学习网络的预测方法、装置、电子设备及介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20170510

RJ01 Rejection of invention patent application after publication