CN109087162A - 数据处理方法、系统、介质和计算设备 - Google Patents
数据处理方法、系统、介质和计算设备 Download PDFInfo
- Publication number
- CN109087162A CN109087162A CN201810733751.2A CN201810733751A CN109087162A CN 109087162 A CN109087162 A CN 109087162A CN 201810733751 A CN201810733751 A CN 201810733751A CN 109087162 A CN109087162 A CN 109087162A
- Authority
- CN
- China
- Prior art keywords
- user
- target user
- predetermined operation
- portrait
- interest model
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 9
- 230000006399 behavior Effects 0.000 description 171
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 230000003014 reinforcing effect Effects 0.000 description 12
- 230000009471 action Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000002238 attenuated effect Effects 0.000 description 7
- 238000012512 characterization method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000003780 insertion Methods 0.000 description 6
- 230000037431 insertion Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005538 encapsulation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002453 shampoo Substances 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明的实施方式提供了一种数据处理方法。该数据处理方法包括：获取目标用户的用户画像，根据用户画像确定目标用户的兴趣模型，获取目标对象的对象画像，其中，目标对象包括被目标用户执行过预定操作的对象以及根据对象画像调整兴趣模型以确定目标用户的当前兴趣模型，其中，当前兴趣模型用于从待推荐对象中筛选目标用户当前感兴趣的对象或对象品类。本发明能利用对象画像调整根据用户画像确定的兴趣模型以确定目标用户的当前兴趣模型，实现用户兴趣模型的动态描述，以便从待推荐对象中筛选目标用户当前感兴趣的对象或对象品类，显著地提高了个性化推荐结果的准确率。此外，本发明的实施方式提供了一种数据处理系统、一种介质和一种计算设备。
Description
技术领域
本发明的实施方式涉及个性化推荐领域，更具体地，本发明的实施方式涉及一种数据处理方法、系统、介质和计算设备。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
随着互联网技术的飞速发展，用户的学习、生活和工作等方方面面越来越依赖于互联网，与互联网之间的联系变得越来越紧密。在这个快节奏的网络时代，用户希望能够通过互联网快速的找到自己需要的或感兴趣的信息和/或产品，而每天不断的在互联网中产生的海量信息和/或产品，用户需要花费很长甚至相当长的时间才有可能找到自己需要的或感兴趣的信息和/或产品，即用户很难快速又精准的找到自己需要的或感兴趣的信息和/或产品。如对有耐心且时间宽裕的用户来说，即使能最终找到自己需要的或感兴趣的信息和/或产品，对用户的时间成本也造成了很大的浪费，用户体验不好，对缺少耐心或时间并不宽裕的用户来说，可能会放弃通过互联网的方式找自己需要的或感兴趣的信息和/或产品，造成用户的流失。因此，为了树立品牌形象，增强网络用户粘性，各网络购物平台或客户端提供者研发人员纷纷致力于研究如何帮助用户快速准确的找到其需要的或感兴趣的信息和/或产品，如提供推荐系统，利用各网络购物平台或客户端向用户提供产品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助用户完成购买过程，其中，个性化推荐即根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和/或产品由于推荐算法的针对性更强，推荐的信息和/或产品能够更加符合用户的兴趣，给用户提供深入的个人定制体验，因此早已成为各网络购物平台或客户端的必备功能之一。
目前，相关技术提供了多种个性化推荐算法，如基于内容的推荐算法，协同过滤的算法，基于点击通过率预测的推荐算法，基于标签的推荐方法，以及基于深度学习的推荐算法等等。
发明内容
但是，相关技术中提供的个性化推荐算法虽然相比静态模型可以更加准确的捕捉到用户的兴趣，以及更加深入的个人定制体验，但是，究其本质，多数是通过“聚类”的方式，实现对用户群体细致划分，以实现细分群体的个性化服务，并未实现真正的“千人千面”的个性化推荐，一方面受限于规则、协同算法本身的固有属性，另一方面受限于用户的规模庞大，数以百千万计，甚至过亿，如果对每一个用户进行单独的建模，不论计算量和模型的体量在目前的推荐场景中都是相对困难的。现有技术无法实现用户兴趣模型的动态描述。另外，目前针对用户的建模方法，往往是通过统计用户的历史行为和画像信息去构建用户的兴趣模型，只能够描述用户的静态特性，如可以刻画用户对什么感兴趣，对什么不感兴趣。而且，不同用户对推荐商品的接受能力是不同的，由用户的实际需求，购买力、购物心理等多种因素决定，表现在电商购物中，则是有些用户对推荐商品有快速的接受能力，很快产生购买转化，有些则是对推荐的商品反映比较慢，表现出无明显的购物需求。
因此在现有技术中，建模方法无法动态描述用户对商品的兴趣变化，导致个性化推荐结果准确率不高，这是非常令人烦恼的过程。
为此，非常需要一种改进的数据处理方法，以使用户兴趣模型实现动态描述。
在本上下文中，本发明的实施方式期望提供一种数据处理方法及数据处理系统。
在本发明实施方式的第一方面中，提供了一种数据处理方法，该方法包括：获取目标用户的用户画像；根据上述用户画像确定上述目标用户的兴趣模型；获取目标对象的对象画像，其中，上述目标对象包括被上述目标用户执行过预定操作的对象；以及根据上述对象画像调整上述兴趣模型以确定上述目标用户的当前兴趣模型，其中，上述当前兴趣模型用于从待推荐对象中筛选上述目标用户当前感兴趣的对象或对象品类。
在本发明的一个实施例中，上述根据上述对象画像调整上述兴趣模型以确定上述目标用户的当前兴趣模型包括：基于上述对象画像，确定上述预定操作所属的行为类型；确定与上述行为类型对应的调整参数；以及基于上述预定操作和上述调整参数，对上述初始兴趣模型进行训练，以确定上述目标用户的当前兴趣模型。
在本发明的另一实施例中，上述基于上述预定操作和上述调整参数，对上述兴趣模型进行训练，以确定上述目标用户的当前兴趣模型包括：根据上述预定操作，获取预先设定的上述预定操作对应的影响值；获取执行过上述预定操作的至少一个用户的与上述预定操作对应的影响值；根据上述至少一个用户的与上述预定操作对应的影响值，确定与上述预定操作对应的均值；基于上述与上述预定操作对应的均值，对上述调整参数进行初始化处理，以确定上述调整参数的初始值；以及基于上述预定操作和上述调整参数，对上述调整参数的初始值进行训练，以获取上述调整参数的当前值，并确定上述目标用户的当前兴趣模型。
在本发明的又一个实施例中，上述行为类型包括正向行为类型；上述确定与上述行为类型对应的调整参数包括：确定与上述正向行为类型对应的调整参数为强化率，其中，上述强化率用于表征上述目标用户对上述目标对象的接受速度，上述接受速度用于表征上述目标用户对上述目标对象的兴趣被强化。
在本发明的再一个实施例中，在上述目标对象被上述目标用户执行过的预定操作包括以下至少之一操作的情况下，确定上述预定操作所属的行为类型为正向行为类型：上述目标对象被上述目标用户执行过点击操作；上述目标对象被上述目标用户执行过浏览操作；上述目标对象被上述目标用户执行过收藏操作；上述目标对象被上述目标用户执行过分享操作；以及上述目标对象被上述目标用户执行过加入购物车操作。
在本发明的再一个实施例中，上述行为类型包括负向行为类型；上述确定与上述行为类型对应的调整参数包括：确定与上述负向行为类型对应的调整参数为衰减率，其中，上述强化率用于表征上述目标用户对上述目标对象的拒绝速度，上述拒绝速度用于表征上述目标用户对上述目标对象的兴趣被衰减。
在本发明的再一个实施例中，在上述目标对象未被上述目标用户执行过的预定操作包括以下至少之一操作的情况下，确定上述预定操作所属的行为类型为负向行为类型：上述目标对象被上述目标用户执行过点击操作；上述目标对象被上述目标用户执行过浏览操作；上述目标对象被上述目标用户执行过收藏操作；上述目标对象被上述目标用户执行过分享操作；以及上述目标对象被上述目标用户执行过加入购物车操作。
在本发明的再一个实施例中，上述行为类型包括饱和行为类型；上述确定与上述行为类型对应的调整参数包括：确定与上述饱和行为类型对应的调整参数为记忆度，其中，上述记忆度用于表征上述目标用户对已经购买或者不感兴趣的对象的记忆能力，上述记忆度用于表征上述目标用户对上述目标对象的兴趣被终止。
在本发明的再一个实施例中，在上述目标对象被上述目标用户执行过购买操作的情况下，确定上述预定操作所属的行为类型为饱和行为类型。
在本发明的再一个实施例中，上述获取目标用户的用户画像包括：获取上述目标用户的多个特征数据；确定上述多个特征数据之间的关联关系；以及基于上述关联关系对上述多个特征数据进行向量化处理，以得到上述用户画像。
在本发明的再一个实施例中，上述目标用户的多个特征数据至少包括年龄、性别、收入；以及上述关联关系至少包括共现关系。
在本发明的再一个实施例中，上述对象画像至少包括：上述目标对象的用途、品牌、价格；以及上述目标对象的用途、品牌、价格为因果关系。
在本发明的再一个实施例中，上述方法还包括：获取至少一个待推荐对象；以及利用上述当前兴趣模型从上述至少一个待推荐对象中筛选出对应的目标对象或目标对象品类推荐给上述目标用户。
在本发明实施方式的第二方面中，提供了一种数据处理系统，该系统包括：第一获取模块，用于获取目标用户的用户画像；第一确定模块，用于根据上述用户画像确定上述目标用户的兴趣模型；第二获取模块，用于获取目标对象的对象画像，其中，上述目标对象包括被上述目标用户执行过预定操作的对象；以及调整模块，用于根据上述对象画像调整上述兴趣模型以确定上述目标用户的当前兴趣模型，其中，上述当前兴趣模型用于从待推荐对象中筛选上述目标用户当前感兴趣的对象或对象品类。
在本发明的一个实施例中，上述调整模块包括：第一确定单元，用于基于上述对象画像，确定上述预定操作所属的行为类型；第二确定单元，用于确定与上述行为类型对应的调整参数；以及训练单元，用于基于上述预定操作和上述调整参数，对上述兴趣模型进行训练，以确定上述目标用户的当前兴趣模型。
在本发明的另一实施例中，上述训练单元包括：第一获取子单元，用于根据上述预定操作，获取预先设定的上述预定操作对应的影响值；第二获取子单元，用于获取执行过上述预定操作的至少一个用户的与上述预定操作对应的影响值；第一确定子单元，用于根据上述至少一个用户的与上述预定操作对应的影响值，确定与上述预定操作对应的均值；处理子单元，用于基于上述与上述预定操作对应的均值，对上述调整参数进行初始化处理，以确定上述调整参数的初始值；以及训练子单元，用于基于上述预定操作和上述调整参数，对上述调整参数的初始值进行训练，以获取上述调整参数的当前值，并确定上述目标用户的当前兴趣模型。
在本发明的又一个实施例中，上述行为类型包括正向行为类型；第二确定单元包括：第二确定子单元，用于确定与上述正向行为类型对应的调整参数为强化率，其中，上述强化率用于表征上述目标用户对上述目标对象的接受速度，上述接受速度用于表征上述目标用户对上述目标对象的兴趣被强化。
在本发明的再一个实施例中，在上述目标对象被上述目标用户执行过的预定操作包括以下至少之一操作的情况下，确定上述预定操作所属的行为类型为正向行为类型：上述目标对象被上述目标用户执行过点击操作；上述目标对象被上述目标用户执行过浏览操作；上述目标对象被上述目标用户执行过收藏操作；上述目标对象被上述目标用户执行过分享操作；以及上述目标对象被上述目标用户执行过加入购物车操作。
在本发明的再一个实施例中，上述行为类型包括负向行为类型；上述第二确定单元包括：第三确定子单元，用于确定与上述负向行为类型对应的调整参数为衰减率，其中，上述强化率用于表征上述目标用户对上述目标对象的拒绝速度，上述拒绝速度用于表征上述目标用户对上述目标对象的兴趣被衰减。
在本发明的再一个实施例中，在上述目标对象未被上述目标用户执行过的预定操作包括以下至少之一操作的情况下，确定上述预定操作所属的行为类型为负向行为类型：上述目标对象被上述目标用户执行过点击操作；上述目标对象被上述目标用户执行过浏览操作；上述目标对象被上述目标用户执行过收藏操作；上述目标对象被上述目标用户执行过分享操作；以及上述目标对象被上述目标用户执行过加入购物车操作。
在本发明的再一个实施例中，上述行为类型包括饱和行为类型；上述第二确定单元包括：第四确定子单元，用于确定与上述饱和行为类型对应的调整参数为记忆度，其中，上述记忆度用于表征上述目标用户对已经购买或者不感兴趣的对象的记忆能力，上述记忆度用于表征上述目标用户对上述目标对象的兴趣被终止。
在本发明的再一个实施例中，在上述目标对象被上述目标用户执行过购买操作的情况下，确定上述预定操作所属的行为类型为饱和行为类型。
在本发明的再一个实施例中，上述第一获取模块包括：第一获取单元，用于获取上述目标用户的多个特征数据；第三确定单元，用于确定上述多个特征数据之间的关联关系；以及处理单元，用于基于上述关联关系对上述多个特征数据进行向量化处理，以得到上述用户画像。
在本发明的再一个实施例中，上述目标用户的多个特征数据至少包括年龄、性别、收入；以及上述关联关系至少包括共现关系。
在本发明的再一个实施例中，上述对象画像至少包括：上述目标对象的用途、品牌、价格；以及上述目标对象的用途、品牌、价格为因果关系
在本发明的再一个实施例中，上述系统还包括：第三获取模块，用于获取至少一个待推荐对象；以及筛选模块，用于利用上述当前兴趣模型从上述至少一个待推荐对象中筛选出对应的目标对象或目标对象品类推荐给上述目标用户。
在本发明实施方式的第三方面中，提供了一种介质，存储有计算机可执行指令，上述指令在被处理单元执行时用于实现上述任一项上述的数据处理方法。
在本发明实施方式的第四方面中，提供了一种计算设备，包括：处理单元；以及存储单元，存储有计算机可执行指令，上述指令在被处理单元执行时用于实现上述任一项上述的数据处理方法。
根据本发明实施方式的数据处理方法和数据处理系统，能够利用获取到的被目标用户执行过预定操作的目标对象的对象画像来调整根据用户画像确定的兴趣模型以确定目标用户的当前兴趣模型，将目标用户对目标对象执行的预定操作转化为用户对推荐对象的接受速度，或拒绝速度，或对于已经购买或者不感兴趣的商品的记忆能力，即不同类型的预定操作对应不同的心理状态，不同的心理状态表征对推荐商品的兴趣不断被强化，或不断被衰减，或处于饱和状态(当用户购买某对象后，在一段时间内对同用途的商品的购买可能大大降低)，实现用户兴趣模型的动态描述，以便从待推荐对象中筛选出目标用户当前感兴趣的对象或对象品类，显著地提高了个性化推荐结果的准确率，给用户带来更加深入的个人定制体验。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
图1示意性地示出了根据本发明实施方式的数据处理方法及系统的应用场景示意图；
图2示意性地示出了根据本发明实施例的数据处理方法的流程图；
图3A示意性地示出了根据本发明实施例的根据对象画像调整兴趣模型以确定目标用户的当前兴趣模型的流程图；
图3B示意性地示出了根据本发明实施例的基于预定操作和调整参数，对兴趣模型进行训练，以确定目标用户的当前兴趣模型的流程图；
图3C示意性地示出了根据本发明实施例的获取目标用户的用户画像的流程图；
图3D示意性地示出了根据本发明实施例的用户画像、对象画像以及行为序列的示意图；
图3E示意性地示出了根据本发明又一实施例的数据处理方法的流程图；
图4示意性地示出了根据本发明实施例的数据处理系统的框图；
图5A示意性地示出了根据本发明实施例的调整模块的框图；
图5B示意性地示出了根据本发明实施例的训练单元的框图；
图5C示意性地示出了根据本发明实施例的第一获取模块的框图；
图5D示意性地示出了根据本发明又一实施例的数据处理系统的框图；
图6示意性地示出了根据本发明一实施例的计算机可读存储介质产品的示意图；以及
图7示意性地示出了根据本发明一实施例的计算设备的框图。
在附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。
本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本发明可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
根据本发明的实施方式，提出了一种数据处理的方法、介质、装置和计算设备。
在本文中，需要理解的是，所涉及的术语包括推荐系统，个性化推荐，点击通过率以及特征嵌入。其中，推荐系统表示利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。个性化推荐表示根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。点击通过率(ClickThrough Rate，简称为CTR)是互联网广告常用的术语，表示网络广告(图片广告/文字广告/关键词广告/排名广告/视频广告等)的点击到达率，即该广告的实际点击次数(严格的来说，可以是到达目标页面的数量)除以广告的展现量(Show Content)。特征嵌入表示将特征表征为向量形式。本发明实施例利用相关关系和因果关系这两种关系进行特征嵌入。此外，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。
下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。
发明概述
在实现本发明构思的过程中，本发明人发现相关技术中至少存在如下问题：个性化推荐算法虽然相比静态推荐算法可以更加准确的捕捉到用户的兴趣，向用户提供更加深入的个人定制体验。但是由于受用户模型建模方法的限制，无法实现用户兴趣模型的动态描述，导致相关技术提供的个性化推荐结果准确率不高。
本发明的实施方式提供了一种数据处理方法。该数据处理方法包括：获取目标用户的用户画像，根据用户画像确定目标用户的兴趣模型，获取目标对象的对象画像，其中，目标对象包括被目标用户执行过预定操作的对象以及根据对象画像调整兴趣模型以确定目标用户的当前兴趣模型，其中，当前兴趣模型用于从待推荐对象中筛选目标用户当前感兴趣的对象或对象品类。本发明能利用对象画像调整根据用户画像确定的兴趣模型以确定目标用户的当前兴趣模型，实现用户兴趣模型的动态描述，以便从待推荐对象中筛选目标用户当前感兴趣的对象或对象品类，显著地提高了个性化推荐结果的准确率。
在介绍了本发明的基本原理之后，下面具体介绍本发明的各种非限制性实施方式。
应用场景总览
首先参考图1，图1示意性示出了根据本公开实施例的可以应用数据处理方法和系统的示例性系统架构100。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103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(仅为示例)。
终端设备101、102、103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105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是，本公开实施例所提供的数据处理方法一般可以由服务器105执行。相应地，本公开实施例所提供的数据处理装置一般可以设置于服务器105中。本公开实施例所提供的数据处理方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的数据处理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解，图1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。
示例性方法
下面结合图1的应用场景，参考图2、图3A～图3E来描述根据本发明示例性实施方式的用于数据处理的方法。需要注意的是，上述应用场景仅是为了便于理解本发明的精神和原理而示出，本发明的实施方式在此方面不受任何限制。相反，本发明的实施方式可以应用于适用的任何场景。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本发明实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。本领域技术人员还应理解，实质上任意表示两个或更多可选项目的转折连词和/或短语，无论是在说明书、权利要求书还是附图中，都应被理解为给出了包括这些项目之一、这些项目任一方、或两个项目的可能性。例如，短语“A或B”应当被理解为包括“A”或“B”、或“A和B”的可能性。
本发明实施例提供了一种数据处理方法。
图2示意性地示出了根据本发明实施例的数据处理方法的流程图。
如图2所示，该数据处理方法可以包括操作S210～S240。其中：
在操作S210，获取目标用户的用户画像。
在操作S220，根据用户画像确定目标用户的兴趣模型。
在操作S230，获取目标对象的对象画像，其中，目标对象包括被目标用户执行过预定操作的对象。
在操作S240，根据对象画像调整兴趣模型以确定目标用户的当前兴趣模型，其中，当前兴趣模型用于从待推荐对象中筛选目标用户当前感兴趣的对象或对象品类。
根据本发明的示例性实施例，目标用户可以是任何用户，特别地，可以是需要做个性化推荐的用户。通常基于用户的兴趣模型对用户的兴趣进行预测，但是，由于目标用户对目标对象的接受能力可能受限于目标用户的实际需求，购买力，购买心理等多种因素，具体表现为可能对推荐的目标对象有快速的接受能力，很快产生购买转化，也可能对推荐的目标对象反应比较慢，表现出无明显的购物需求。因此，根据本发明的示例性实施例，在根据用户画像确定目标用户的兴趣模型的基础上，还可以获取被目标用户执行过预定操作的目标对象的对象画像，来调整兴趣模型以确定目标用户的当前兴趣模型。
具体地，在目标用户尚未针对目标对象执行过预定操作的情况下，目标用户的用户画像仅能刻画出目标用户的固有属性，如目标用户的年龄，性别，家庭情况等用户的个人属性，无法刻画目标用户对什么感兴趣，对什么不感兴趣，更无法实现兴趣的动态描述，根据本发明的示例性实施例，可以根据用户画像确定目标用户的兴趣模型，如采用用户画像的嵌入形式实现用户兴趣模型的初始化，再结合目标用户的历史操作行为，获取操作行为对兴趣模型的改变，实时动态的调整兴趣模型，以确定在预定操作行为之后，目标用户的当前兴趣模型，以便于从待推荐对象中筛选目标用户当前感兴趣的对象或对象品类。
通过本发明实施例，利用对象画像调整根据用户画像确定的兴趣模型以确定目标用户的当前兴趣模型，实现用户兴趣模型的动态描述，以便从待推荐对象中筛选目标用户当前感兴趣的对象或对象品类，显著地提高了个性化推荐结果的准确率。
图3A示意性地示出了根据本发明实施例的根据对象画像调整兴趣模型以确定目标用户的当前兴趣模型的流程图。
如图3A所示，根据对象画像调整兴趣模型以确定目标用户的当前兴趣模型可以包括操作S311～S313。其中：
在操作S311，基于对象画像，确定预定操作所属的行为类型。
在操作S312，确定与行为类型对应的调整参数。
在操作S313，基于预定操作和调整参数，对兴趣模型进行训练，以确定目标用户的当前兴趣模型。
根据本发明的示例性实施例，目标用户针对目标对象的预定操作一般有“展示未浏览”，“浏览”，“点击”，“收藏”，“喜欢”，“加入购物车”，“购买”等等，为了建立预定操作与目标用户兴趣之间的联系，可以基于对象画像，确定预定操作所属的行为类型。
具体地，“点击”这一预定操作通常表征用户可能对该对象感兴趣，因此，可以确定“点击”所属的行为类型为正向行为类型。“展示未浏览”这一预定操作通常表征用户可能对该对象不感兴趣，因此，可以确定“展示未浏览”所属的行为类型为负向行为类型。“购买”这一预定操作通常表征用户可能对该对象的兴趣进入饱和状态，因此，可以确定“购买”所属的行为类型为饱和行为类型。
根据本发明的示例性实施例，在确定出行为类型后，确定与之相对应的调整参数。根据预定操作以及调整参数，可以对兴趣模型训练，确定用户心理模型中的参数，最终得到目标用户在执行预定操作之后的当前兴趣模型。根据本发明的示例性实施例，在确定出行为类型后，确定与之相对应的调整参数。
通过本发明实施例，根据预定操作所属的行为类型，确定对应的调整参数，对初始模型进行训练以确定目标用户的当前兴趣模型，实现对当前兴趣模型的动态描述，使得当前兴趣模型更加符合目标用户的心理，可以进一步提高个性化推荐的结果与用户心理的吻合度。
图3B示意性地示出了根据本发明实施例的基于预定操作和调整参数，对兴趣模型进行训练，以确定目标用户的当前兴趣模型的流程图。
如图3B所示，基于预定操作和调整参数，对兴趣模型进行训练，以确定目标用户的当前兴趣模型可以包括操作S321～S325。其中：
在操作S321，根据预定操作，获取预先设定的预定操作对应的影响值。
在操作S322，获取执行过预定操作的至少一个用户的与预定操作对应的影响值。
在操作S323，根据至少一个用户的与预定操作对应的影响值，确定与预定操作对应的均值。
在操作S324，基于与预定操作对应的均值，对调整参数进行初始化处理，以确定调整参数的初始值。
在操作S325，基于预定操作和调整参数，对调整参数的初始值进行训练，以获取调整参数的当前值，并确定目标用户的当前兴趣模型。
根据本发明的示例性实施例，可以根据用户的行为，对每种行为预设一个值，标注该行为对用户兴趣的影响。不同的行为类型对应不同的调整参数，不同的参数用于表征不同行为类型的行为对用户兴趣产生的影响。
由于目标用户针对目标对象可能尚未执行过预定操作，因此，根据本发明的示例性实施例，在目标用户针对目标对象可能尚未执行过预定操作的情况下，可以利用所有用户的调整参数均指对目标用户对应的调整参数进行初始化，也可以利用部分用户的调整参数均指对目标用户对应的调整参数进行初始化。在初始化的基础上，利用目标用户的历史操作行为，对用户的兴趣模型不断的进行迭代，以确定在历史操作行为之后的当前兴趣模型，使得当前兴趣模型在历史操作数据的影响下，越来越能刻画出用户对什么感兴趣，对什么不感兴趣，并且是对目标用户的兴趣模型的动态的刻画。
通过本发明实施例，根据执行过预定操作的至少一个用户的影响值的均值，对相应的调整参数做初始化处理，确定当前兴趣模型，根据用户执行过的操作，来确定用户的当前兴趣模型，使得初始模型更加符合用户的心理。
根据本发明的示例性实施例，行为类型包括正向行为类型；确定与行为类型对应的调整参数包括：确定与正向行为类型对应的调整参数为强化率，其中，强化率用于表征目标用户对目标对象的接受速度，接受速度用于表征目标用户对目标对象的兴趣被强化。
根据本发明实施例，在预定操作t是正向行为类型的情况下，当前兴趣模型的预测方法可以描述如下：
t行为后的兴趣模型＝t行为前的兴趣模型+行为权重*强化率*相关度(t行为前的兴趣模型，t行为商品)
其中，预定操作t的行为权重可以根据具体的业务场景设置，强化率通过使用该目标用户的历史行为，通过设定适当的损失函数，通过学习的方式得到，相关度可以根据t行为前的兴趣模型和t行为商品之间的距离得到，本领域技术人员可以利用任意计算方法得到上述参数，此处不再赘述。
通过本发明实施例，利用正向行为表征目标用户对目标对象的接受速度，即兴趣被强化，可以直观的通过目标用户的操作类型，来确定用户的心理变化趋势，使得当前兴趣模型的预测结果符合该目标用户的历史操作，为个性化推荐提供可靠的参考依据。
根据本发明的示例性实施例，在目标对象被目标用户执行过的预定操作包括以下至少之一操作的情况下，确定预定操作所属的行为类型为正向行为类型：目标对象被目标用户执行过点击操作；目标对象被目标用户执行过浏览操作；目标对象被目标用户执行过收藏操作；目标对象被目标用户执行过分享操作；以及目标对象被目标用户执行过加入购物车操作。
通过本发明实施例，在目标对象被目标用户执行过以下至少之一的正向行为的情况下，确定预定操作所属的行为类型为正向行为类型，可以实现从多方面确定正向行为，提高历史操作行为与调整参数匹配的准确率。
根据本发明的示例性实施例，行为类型包括负向行为类型；确定与行为类型对应的调整参数包括：确定与负向行为类型对应的调整参数为衰减率，其中，衰减率用于表征目标用户对目标对象的拒绝速度，拒绝速度用于表征目标用户对目标对象的兴趣被衰减。
根据本发明实施例，在预定操作t是负向行为类型的情况下，当前兴趣模型的预测方法可以描述如下：
t行为后的兴趣模型＝t行为前的兴趣模型-行为权重*衰减率*相关度(t行为前的兴趣模型，t行为商品)
其中，预定操作t的行为权重可以根据具体的业务场景设置，衰减率通过使用该目标用户的历史行为，通过设定适当的损失函数，通过学习的方式得到，相关度可以根据t行为前的兴趣模型和t行为商品之间的距离得到，本领域技术人员可以利用任意计算方法得到上述参数，此处不再赘述。
通过本发明实施例，利用负向行为表征目标用户对目标对象的拒绝速度，即兴趣被衰减，可以直观的通过目标用户的操作类型，来确定用户的心理变化趋势，使得当前兴趣模型的预测结果符合该目标用户的历史操作，为个性化推荐提供可靠的参考依据。
根据本发明的示例性实施例，在目标对象未被目标用户执行过的预定操作包括以下至少之一操作的情况下，确定预定操作所属的行为类型为负向行为类型：目标对象被目标用户执行过点击操作；目标对象被目标用户执行过浏览操作；目标对象被目标用户执行过收藏操作；目标对象被目标用户执行过分享操作；以及目标对象被目标用户执行过加入购物车操作。
通过本发明实施例，在目标对象未被目标用户执行过以下至少之一的正向行为的情况下，确定预定操作所属的行为类型为负向行为类型，可以实现从多方面确定负向行为，提高历史操作行为与调整参数匹配的准确率。
根据本发明的示例性实施例，行为类型包括饱和行为类型；确定与行为类型对应的调整参数包括：确定与饱和行为类型对应的调整参数为记忆度，其中，记忆度用于表征目标用户对已经购买或者不感兴趣的对象的记忆能力，记忆度用于表征目标用户对目标对象的兴趣被终止。
根据本发明实施例，在预定操作t是饱和行为类型情况下，当前兴趣模型的预测方法可以描述如下：
t行为后的兴趣模型＝t行为前的兴趣模型-(1-记忆度)*相关度(t行为前的兴趣模型，t行为商品)
其中，预定操作t的行为权重可以根据具体的业务场景设置，记忆度通过使用该目标用户的历史行为，通过设定适当的损失函数，通过学习的方式得到，相关度可以根据t行为前的兴趣模型和t行为商品之间的距离得到，本领域技术人员可以利用任意计算方法得到上述参数，此处不再赘述。
通过本发明实施例，利用饱和行为表征目标用户对目标对象的记忆能力，即兴趣被终止，可以直观的通过目标用户的操作类型，来确定用户的心理变化趋势，使得当前兴趣模型的预测结果符合该目标用户的历史操作，为个性化推荐提供可靠的参考依据。
根据本发明的示例性实施例，在目标对象被目标用户执行过购买操作的情况下，确定预定操作所属的行为类型为饱和行为类型。
根据本发明实施例，当用户购买某商品后，在一段时间内对同用途的商品的购买可能大大降低，称之为用户对于该商品处于满足状态。饱和状态可以认为是对用户对商品的行为序列的一个时间段内的终止。
通过本发明实施例，根据用户的历史购买行为，确定预定操作属于饱和行为类型，可以直观的通过目标用户的操作类型，来确定用户的心理变化趋势，使得当前兴趣模型的预测结果符合该目标用户的历史操作，为个性化推荐提供可靠的参考依据。
图3C示意性地示出了根据本发明实施例的获取目标用户的用户画像的流程图。
如图3C所示，获取目标用户的用户画像可以包括操作S331～S333。其中：
在操作S331，获取目标用户的多个特征数据。
在操作S332，确定多个特征数据之间的关联关系。
在操作S333，基于关联关系对多个特征数据进行向量化处理，以得到用户画像。
根据本发明的示例性实施例，目标用户的多个特征数据可以是用户的固有属性，也可以是用户的动态属性，还可以是两者的结合。可以根据不同的业务场景获取不同的特征数据。其中，固有属性可以包括但不限于用户的年龄，性别，收入，家庭情况等用户的个人属性，动态属性可以包括但不限于用户针对对象的历史操作行为，如浏览，点击等特征数据。
根据本发明的示例性实施例，用户画像是一种勾画目标用户、联系用户诉求与设计方向的有效工具。在实际操作的过程中往往会以最为浅显和贴近生活的话语将用户的属性、行为与期待联系起来。在本实施例中，用户画像是由获取的多个标签信息组成的，将获取的多个标签信息组成为一个文本向量，将组成的文本向量作为该用户的用户画像。
通过本发明实施例，依据目标用户的多个特征数据以及多个特征数据之间的关联关系进行向量化处理得到用户画像，使得用户画像可以直观反映目标用户的属性特征，为后续兴趣模型的建立提供初始模型。
根据本发明的示例性实施例，目标用户的多个特征数据至少包括年龄、性别、收入；以及关联关系至少包括共现关系。
通过本发明实施例，根据目标用户的多个特征数据以及之间的共现关系，得到用户画像，以最为浅显和贴近生活的话语将用户的属性、行为与期待联系起来，提高对象画像的可靠程度。
根据本发明的示例性实施例，对象画像至少包括：目标对象的用途、品牌、价格；以及目标对象的用途、品牌、价格为因果关系。
通过本发明实施例，根据目标对象的用途、品牌、价格以及之间的因果关系，实现对象画像的全面、客观，提高对象画像的可靠程度。
图3D示意性地示出了根据本发明实施例的用户画像、对象画像以及行为序列的示意图。
如图3D所示，个性化推荐的数据可以主要包括三个部分，即用户的用户画像信息，商品的对象画像信息以及用户对商品的历史操作行为数据，用户的画像信息可以包括但不限于年龄、性别、家庭情况及收入，对象画像可以包括但不限于用途、品牌及价格，历史操作行为数据可以包括但不限于浏览、点击及购买的行为序列，可以基于上述各个数据之间的相关关系实现特征的向量化表示，实现上述所有特征的嵌入，以及目标用户、目标对象和行为的嵌入。
具体地，组成用户画像的各个特征是可以共同出现来实现对用户画像的特征嵌入，如用户的年龄，性别和收入，因此，可以用双向箭头表示组成用户画像的各个特征之间的共现关系，同样组成对象画像的各个特征也是可以共同出现来实现对对象画像的特征嵌入，如对象的用途，品牌和价格，因此，也可以用双向箭头表示组成对象画像的各个特征之间的共现关系。而用户针对对象的历史操作行为由于在时间序列上呈现出因果的关联联系，如对于浏览和点击来说，浏览是因，点击是果，而对于点击和购买来说，浏览是因，购买是果，因此，可以用单向箭头表示历史操作行为的各个特征之间的因果关系。基于上述共现关系已经因果关系，可以实现任意特征组合的用户的兴趣模型预测，如年龄为30岁，性别为女性，收入一万的目标用户，对A品牌，价格在50元左右的洗发水是否感兴趣。
需要说明的是，图3D所示的用户画像信息，对象画像信息以及历史操作行为序列数据中的各个特征以及数量，仅是示例性的，并非对特征的限定，可以根据具体的业务场景，设置不同的特征以及数量，此处不再赘述。
图3E示意性地示出了根据本发明又一实施例的数据处理方法的流程图。
如图3E所示，该数据处理方法除了可以包括上述操作S210～S240之外，还可以包括操作S351和S352。其中：
在操作S351，获取至少一个待推荐对象
在操作S352，利用当前兴趣模型从至少一个待推荐对象中筛选出对应的目标对象或目标对象品类推荐给目标用户。
根据本发明的示例性实施例，在确定出目标用户的当前兴趣模型的基础上，可以根据目标用户当前的兴趣模型，在包含至少一个待推荐对象的商品池中进行索引，以得到与目标用户当前的兴趣模型最一致的目标对象或目标对象品类推荐给目标用户，实现针对性较强的个性化推荐。根据每次个性化推荐的结果，通过兴趣模型的即时训练，完成在线学习。
通过本发明实施例，根据当前兴趣模型从至少一个待推荐对象中筛选出对应的目标对象或目标对象品类推荐给目标用户，可以提高个性化推荐的结果与目标用户兴趣的吻合度，给目标用户提供更加深入的个性化体验。
示例性装置
在介绍了本发明示例性实施方式的介质之后，接下来，参考图4、图5A～图5D对本发明示例性实施方式的、用于实现数据处理的系统进行详细阐述。
本发明实施例提供了一种信息发送数据处理系统。
图4示意性地示出了根据本发明实施例的数据处理系统的框图。
如图4所示，该数据处理系统400可以包括第一获取模块410、第一确定模块420、第二获取模块430以及调整模块440。其中：第一获取模块410用于获取目标用户的用户画像。第一确定模块420用于根据用户画像确定目标用户的兴趣模型。第二获取模块430用于获取目标对象的对象画像，其中，目标对象包括被目标用户执行过预定操作的对象。调整模块440用于根据对象画像调整兴趣模型以确定目标用户的当前兴趣模型，其中，当前兴趣模型用于从待推荐对象中筛选目标用户当前感兴趣的对象或对象品类。
通过本发明实施例，利用对象画像调整根据用户画像确定的兴趣模型以确定目标用户的当前兴趣模型，实现用户兴趣模型的动态描述，以便从待推荐对象中筛选目标用户当前感兴趣的对象或对象品类，显著地提高了个性化推荐结果的准确率。
图5A示意性地示出了根据本发明实施例的调整模块的框图。
如图5A所示，调整模块440可以包括第一确定单元511、第二确定单元512以及训练单元513。其中：第一确定单元511用于基于所述对象画像，确定所述预定操作所属的行为类型。第二确定单元512用于确定与所述行为类型对应的调整参数。训练单元513用于基于所述预定操作和所述调整参数，对所述兴趣模型进行训练，以确定所述目标用户的当前兴趣模型。
通过本发明实施例，根据预定操作所属的行为类型，确定对应的调整参数，对初始模型进行训练以确定目标用户的当前兴趣模型，实现对当前兴趣模型的动态描述，使得当前兴趣模型更加符合目标用户的心理，可以进一步提高个性化推荐的结果与用户心理的吻合度。
图5B示意性地示出了根据本发明实施例的训练单元的框图。
如图5B所示，训练单元513可以包括第一获取子单元521、第二获取子单元522、第一确定子单元523、处理子单元524以及训练子单元525。其中：第一获取子单元521用于根据预定操作，获取预先设定的预定操作对应的影响值。第二获取子单元522用于获取执行过预定操作的至少一个用户的与预定操作对应的影响值。第一确定子单元523用于根据至少一个用户的与预定操作对应的影响值，确定与预定操作对应的均值。处理子单元524用于基于与预定操作对应的均值，对调整参数进行初始化处理，以确定调整参数的初始值。训练子单元525用于基于预定操作和调整参数，对调整参数的初始值进行训练，以获取调整参数的当前值，并确定目标用户的当前兴趣模型。
通过本发明实施例，根据执行过预定操作的至少一个用户的影响值的均值，对相应的调整参数做初始化处理，确定当前兴趣模型，根据用户执行过的操作，来确定用户的当前兴趣模型，使得初始模型更加符合用户的心理。
根据本发明的示例性实施例，行为类型包括正向行为类型；确定与行为类型对应的调整参数包括：确定与正向行为类型对应的调整参数为强化率，其中，强化率用于表征目标用户对目标对象的接受速度，接受速度用于表征目标用户对目标对象的兴趣被强化。
通过本发明实施例，利用正向行为表征目标用户对目标对象的接受速度，即兴趣被强化，可以直观的通过目标用户的操作类型，来确定用户的心理变化趋势，使得当前兴趣模型的预测结果符合该目标用户的历史操作，为个性化推荐提供可靠的参考依据。
根据本发明的示例性实施例，在目标对象被目标用户执行过的预定操作包括以下至少之一操作的情况下，确定预定操作所属的行为类型为正向行为类型：目标对象被目标用户执行过点击操作；目标对象被目标用户执行过浏览操作；目标对象被目标用户执行过收藏操作；目标对象被目标用户执行过分享操作；以及目标对象被目标用户执行过加入购物车操作。
通过本发明实施例，在目标对象被目标用户执行过以下至少之一的正向行为的情况下，确定预定操作所属的行为类型为正向行为类型，可以实现从多方面确定正向行为，提高历史操作行为与调整参数匹配的准确率。
根据本发明的示例性实施例，行为类型包括负向行为类型；确定与行为类型对应的调整参数包括：确定与负向行为类型对应的调整参数为衰减率，其中，衰减率用于表征目标用户对目标对象的拒绝速度，拒绝速度用于表征目标用户对目标对象的兴趣被衰减。
通过本发明实施例，利用负向行为表征目标用户对目标对象的拒绝速度，即兴趣被衰减，可以直观的通过目标用户的操作类型，来确定用户的心理变化趋势，使得当前兴趣模型的预测结果符合该目标用户的历史操作，为个性化推荐提供可靠的参考依据。
根据本发明的示例性实施例，在目标对象未被目标用户执行过的预定操作包括以下至少之一操作的情况下，确定预定操作所属的行为类型为负向行为类型：目标对象被目标用户执行过点击操作；目标对象被目标用户执行过浏览操作；目标对象被目标用户执行过收藏操作；目标对象被目标用户执行过分享操作；以及目标对象被目标用户执行过加入购物车操作。
通过本发明实施例，在目标对象未被目标用户执行过以下至少之一的正向行为的情况下，确定预定操作所属的行为类型为负向行为类型，可以实现从多方面确定负向行为，提高历史操作行为与调整参数匹配的准确率。
根据本发明的示例性实施例，行为类型包括饱和行为类型；确定与行为类型对应的调整参数包括：确定与饱和行为类型对应的调整参数为记忆度，其中，记忆度用于表征目标用户对已经购买或者不感兴趣的对象的记忆能力，记忆度用于表征目标用户对目标对象的兴趣被终止。
通过本发明实施例，利用饱和行为表征目标用户对目标对象的记忆能力，即兴趣被终止，可以直观的通过目标用户的操作类型，来确定用户的心理变化趋势，使得当前兴趣模型的预测结果符合该目标用户的历史操作，为个性化推荐提供可靠的参考依据。
根据本发明的示例性实施例，在目标对象被目标用户执行过购买操作的情况下，确定预定操作所属的行为类型为饱和行为类型。
通过本发明实施例，根据用户的历史购买行为，确定预定操作属于饱和行为类型，可以直观的通过目标用户的操作类型，来确定用户的心理变化趋势，使得当前兴趣模型的预测结果符合该目标用户的历史操作，为个性化推荐提供可靠的参考依据。
图5C示意性地示出了根据本发明实施例的第一获取模块的框图。
如图5C所示，第一获取模块410可以包括第一获取单元531、第三确定单元532以及处理单元533。其中：第一获取单元531用于获取目标用户的多个特征数据。第三确定单元532用于确定多个特征数据之间的关联关系。处理单元533用于基于关联关系对多个特征数据进行向量化处理，以得到用户画像。
通过本发明实施例，依据目标用户的多个特征数据以及多个特征数据之间的关联关系进行向量化处理得到用户画像，使得用户画像可以直观反映目标用户的属性特征，为后续兴趣模型的建立提供初始模型。
根据本发明的示例性实施例，目标用户的多个特征数据至少包括年龄、性别、收入；以及关联关系至少包括共现关系。
通过本发明实施例，根据目标用户的多个特征数据以及之间的共现关系，得到用户画像，以最为浅显和贴近生活的话语将用户的属性、行为与期待联系起来，提高对象画像的可靠程度。
根据本发明的示例性实施例，对象画像至少包括：目标对象的用途、品牌、价格；以及目标对象的用途、品牌、价格为因果关系。
通过本发明实施例，根据目标对象的用途、品牌、价格以及之间的因果关系，实现对象画像的全面、客观，提高对象画像的可靠程度。
图5D示意性地示出了根据本发明又一实施例的数据处理系统的框图。
如图5D所示，该数据处理系统除了可以包括上述第一获取模块410、第一确定模块420、第二获取模块430以及调整模块440之外，还可以包括第三获取模块541和筛选模块542。其中：第三获取模块541用于获取至少一个待推荐对象。筛选模块542用于利用当前兴趣模型从至少一个待推荐对象中筛选出对应的目标对象或目标对象品类推荐给目标用户。
通过本发明实施例，根据当前兴趣模型从至少一个待推荐对象中筛选出对应的目标对象或目标对象品类推荐给目标用户，可以提高个性化推荐的结果与目标用户兴趣的吻合度，给目标用户提供更加深入的个性化体验。
根据本发明的示例性实施例，模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本发明示例性实施例的模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本发明示例性实施例的模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本发明示例性实施例的模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
例如，第一获取模块410、第一确定模块420、第二获取模块430、调整模块440、第三获取模块541和筛选模块542中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本发明的示例性实施例，第一获取模块410、第一确定模块420、第二获取模块430、调整模块440、第三获取模块541和筛选模块542中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一获取模块410、第一确定模块420、第二获取模块430、调整模块440、第三获取模块541和筛选模块542中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块程序被计算机运行时，可以执行相应模块的功能。
示例性介质
在介绍了本发明示例性实施方式的方法之后，接下来，参考图6对本发明示例性实施方式的、用于实现数据处理的介质进行详细阐述。
本发明实施例提供了一种介质，存储有计算机可执行指令，上述指令在被处理单元执行时使处理单元执行上述方法实施例中任一项上述的数据处理方法。
在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在设备上运行时，所述程序代码用于使所述设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的信息发送方法中的操作(或步骤)，例如，所述设备可以执行如图2中所示的操作S210：获取目标用户的用户画像。操作S220：根据用户画像确定目标用户的兴趣模型。操作S230：获取目标对象的对象画像，其中，目标对象包括被目标用户执行过预定操作的对象。操作S240：根据对象画像调整兴趣模型以确定目标用户的当前兴趣模型，其中，当前兴趣模型用于从待推荐对象中筛选目标用户当前感兴趣的对象或对象品类。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。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。
如图6所示，描述了根据本发明的实施方式的数据处理的程序产品60，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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、系统或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于一一电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、系统或者器件使用或者与其结合使用的程序。
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、有线、光缆，RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，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，C++等，还包括常规的过程式程序设计语言-诸如“C”，语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)一连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
示例性计算设备
在介绍了本发明示例性实施方式的方法、介质和装置之后，接下来，参考图对本发明示例性实施方式的、用于数据处理的计算设备。
本发明实施例还提供了一种计算设备。所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中，根据本发明的计算设备可以至少包括至少一个处理单元、以及至少一个存储单元。其中，所述存储单元存储有程序代码，当所述程序代码被所述处理单元执行时，使得所述处理单元执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的信息呈现方法中的步骤。例如，所述处理单元可以执行如图2中所示的操作S210：获取目标用户的用户画像。操作S220：根据用户画像确定目标用户的兴趣模型。操作S230：获取目标对象的对象画像，其中，目标对象包括被目标用户执行过预定操作的对象。操作S240：根据对象画像调整兴趣模型以确定目标用户的当前兴趣模型，其中，当前兴趣模型用于从待推荐对象中筛选目标用户当前感兴趣的对象或对象品类。
下面参照图7来描述根据本发明的这种实施方式的用于数据处理的计算设备70。如图7所示的计算设备70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7所示，计算设备70以通用计算设备的形式表现。计算设备70的组件可以包括但不限于：上述至少一个处理单元701、上述至少一个存储单元702、连接不同系统组件(包括存储单元702和处理单元701)的总线703。
总线703表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储单元702可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)7021和/或高速缓存存储器7022，还可以进一步包括只读存储器(ROM)7023。
存储单元702还可以包括具有一组(至少一个)程序模块7024的程序/实用工具7025，这样的程序模块7024包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
计算设备70也可以与一个或多个外部设备704(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与计算设备70交互的设备通信，和/或与使得计算设备70能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/0)接口705进行。并且，计算设备70还可以通过网络适配器706与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器706通过总线703与计算设备70的其它模块通信。应当明白，尽管图中未示出，可以结合计算设备70使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了装置的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
虽然已经参考若干具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。
Claims (10)
1.一种数据处理方法，包括：
获取目标用户的用户画像；
根据所述用户画像确定所述目标用户的兴趣模型；
获取目标对象的对象画像，其中，所述目标对象包括被所述目标用户执行过预定操作的对象；以及
根据所述对象画像调整所述兴趣模型以确定所述目标用户的当前兴趣模型，其中，所述当前兴趣模型用于从待推荐对象中筛选所述目标用户当前感兴趣的对象或对象品类。
2.根据权利要求1所述的方法，其中，所述根据所述对象画像调整所述兴趣模型以确定所述目标用户的当前兴趣模型包括：
基于所述对象画像，确定所述预定操作所属的行为类型；
确定与所述行为类型对应的调整参数；以及
基于所述预定操作和所述调整参数，对所述兴趣模型进行训练，以确定所述目标用户的当前兴趣模型。
3.根据权利要求2所述的方法，其中，所述基于所述预定操作和所述调整参数，对所述兴趣模型进行训练，以确定所述目标用户的当前兴趣模型包括：
根据所述预定操作，获取预先设定的所述预定操作对应的影响值；
获取执行过所述预定操作的至少一个用户的与所述预定操作对应的影响值；
根据所述至少一个用户的与所述预定操作对应的影响值，确定与所述预定操作对应的均值；
基于所述与所述预定操作对应的均值，对所述调整参数进行初始化处理，以确定所述调整参数的初始值；以及
基于所述预定操作和所述调整参数，对所述调整参数的初始值进行训练，以获取所述调整参数的当前值，并确定所述目标用户的当前兴趣模型。
4.根据权利要求1所述的方法，其中，所述获取目标用户的用户画像包括：
获取所述目标用户的多个特征数据；
确定所述多个特征数据之间的关联关系；以及
基于所述关联关系对所述多个特征数据进行向量化处理，以得到所述用户画像。
5.根据权利要求1所述的方法，其中，所述方法还包括：
获取至少一个待推荐对象；以及
利用所述当前兴趣模型从所述至少一个待推荐对象中筛选出对应的目标对象或目标对象品类推荐给所述目标用户。
6.一种数据处理系统，包括：
第一获取模块，用于获取目标用户的用户画像；
第一确定模块，用于根据所述用户画像确定所述目标用户的兴趣模型；
第二获取模块，用于获取目标对象的对象画像，其中，所述目标对象包括被所述目标用户执行过预定操作的对象；以及
调整模块，用于根据所述对象画像调整所述兴趣模型以确定所述目标用户的当前兴趣模型，其中，所述当前兴趣模型用于从待推荐对象中筛选所述目标用户当前感兴趣的对象或对象品类。
7.根据权利要求6所述的系统，其中，所述调整模块包括：
第一确定单元，用于基于所述对象画像，确定所述预定操作所属的行为类型；
第二确定单元，用于确定与所述行为类型对应的调整参数；以及
训练单元，用于基于所述预定操作和所述调整参数，对所述兴趣模型进行训练，以确定所述目标用户的当前兴趣模型。
8.根据权利要求7所述的系统，其中，所述训练单元包括：
第一获取子单元，用于根据所述预定操作，获取预先设定的所述预定操作对应的影响值；
第二获取子单元，用于获取执行过所述预定操作的至少一个用户的与所述预定操作对应的影响值；
第一确定子单元，用于根据所述至少一个用户的与所述预定操作对应的影响值，确定与所述预定操作对应的均值；
处理子单元，用于基于所述与所述预定操作对应的均值，对所述调整参数进行初始化处理，以确定所述调整参数的初始值；以及
训练子单元，用于基于所述预定操作和所述调整参数，对所述调整参数的初始值进行训练，以获取所述调整参数的当前值，并确定所述目标用户的当前兴趣模型。
9.一种介质，存储有计算机可执行指令，所述指令在被处理单元执行时用于实现权利要求1至5中任一项所述的数据处理方法。
10.一种计算设备，包括：
处理单元；以及
存储单元，存储有计算机可执行指令，所述指令在被处理单元执行时用于实现权利要求1至5中任一项所述的数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810733751.2A CN109087162A (zh) | 2018-07-05 | 2018-07-05 | 数据处理方法、系统、介质和计算设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810733751.2A CN109087162A (zh) | 2018-07-05 | 2018-07-05 | 数据处理方法、系统、介质和计算设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109087162A true CN109087162A (zh) | 2018-12-25 |
Family
ID=64836992
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810733751.2A Pending CN109087162A (zh) | 2018-07-05 | 2018-07-05 | 数据处理方法、系统、介质和计算设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109087162A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110188695A (zh) * | 2019-05-30 | 2019-08-30 | 北京百度网讯科技有限公司 | 购物动作决策方法及装置 |
| CN110489639A (zh) * | 2019-07-15 | 2019-11-22 | 北京奇艺世纪科技有限公司 | 一种内容推荐方法及装置 |
| CN111260416A (zh) * | 2020-02-13 | 2020-06-09 | 支付宝(杭州)信息技术有限公司 | 用于确定对象的关联用户的方法及装置 |
| CN111292168A (zh) * | 2020-02-06 | 2020-06-16 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置及设备 |
| CN111460292A (zh) * | 2020-03-30 | 2020-07-28 | 百度在线网络技术（北京）有限公司 | 模型评估方法、装置、设备和介质 |
| CN111984839A (zh) * | 2019-05-21 | 2020-11-24 | 北京沃东天骏信息技术有限公司 | 绘制用户画像的方法和装置 |
| CN112560702A (zh) * | 2020-12-17 | 2021-03-26 | 北京赢识科技有限公司 | 用户兴趣画像生成方法、装置、电子设备及介质 |
| CN113126863A (zh) * | 2021-04-20 | 2021-07-16 | 深圳集智数字科技有限公司 | 对象选择实现方法及装置、存储介质及电子设备 |
| CN114416246A (zh) * | 2021-12-31 | 2022-04-29 | 北京五八信息技术有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103325052A (zh) * | 2013-07-03 | 2013-09-25 | 姚明东 | 一种基于多维度用户消费倾向建模的商品推荐方法 |
| CN104572734A (zh) * | 2013-10-23 | 2015-04-29 | 腾讯科技（深圳）有限公司 | 问题推荐方法、装置及系统 |
| CN104965890A (zh) * | 2015-06-17 | 2015-10-07 | 深圳市腾讯计算机系统有限公司 | 广告推荐的方法和装置 |
| CN104991917A (zh) * | 2015-06-23 | 2015-10-21 | 上海斐讯数据通信技术有限公司 | 广告个性化推送系统及方法 |
| CN105447730A (zh) * | 2015-12-25 | 2016-03-30 | 腾讯科技（深圳）有限公司 | 目标用户定向方法及装置 |
| CN106296305A (zh) * | 2016-08-23 | 2017-01-04 | 上海海事大学 | 大数据环境下的电商网站实时推荐系统与方法 |
| CN107025310A (zh) * | 2017-05-17 | 2017-08-08 | 长春嘉诚信息技术股份有限公司 | 一种自动实时新闻推荐方法 |
| CN107705183A (zh) * | 2017-09-30 | 2018-02-16 | 深圳乐信软件技术有限公司 | 一种商品的推荐方法、装置、存储介质及服务器 |
| CN108133393A (zh) * | 2017-12-28 | 2018-06-08 | 新智数字科技有限公司 | 数据处理方法及系统 |
| CN108198019A (zh) * | 2017-12-27 | 2018-06-22 | 网易无尾熊（杭州）科技有限公司 | 物品推荐方法及装置、存储介质、电子设备 |
-
2018
- 2018-07-05 CN CN201810733751.2A patent/CN109087162A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103325052A (zh) * | 2013-07-03 | 2013-09-25 | 姚明东 | 一种基于多维度用户消费倾向建模的商品推荐方法 |
| CN104572734A (zh) * | 2013-10-23 | 2015-04-29 | 腾讯科技（深圳）有限公司 | 问题推荐方法、装置及系统 |
| CN104965890A (zh) * | 2015-06-17 | 2015-10-07 | 深圳市腾讯计算机系统有限公司 | 广告推荐的方法和装置 |
| CN104991917A (zh) * | 2015-06-23 | 2015-10-21 | 上海斐讯数据通信技术有限公司 | 广告个性化推送系统及方法 |
| CN105447730A (zh) * | 2015-12-25 | 2016-03-30 | 腾讯科技（深圳）有限公司 | 目标用户定向方法及装置 |
| CN106296305A (zh) * | 2016-08-23 | 2017-01-04 | 上海海事大学 | 大数据环境下的电商网站实时推荐系统与方法 |
| CN107025310A (zh) * | 2017-05-17 | 2017-08-08 | 长春嘉诚信息技术股份有限公司 | 一种自动实时新闻推荐方法 |
| CN107705183A (zh) * | 2017-09-30 | 2018-02-16 | 深圳乐信软件技术有限公司 | 一种商品的推荐方法、装置、存储介质及服务器 |
| CN108198019A (zh) * | 2017-12-27 | 2018-06-22 | 网易无尾熊（杭州）科技有限公司 | 物品推荐方法及装置、存储介质、电子设备 |
| CN108133393A (zh) * | 2017-12-28 | 2018-06-08 | 新智数字科技有限公司 | 数据处理方法及系统 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111984839A (zh) * | 2019-05-21 | 2020-11-24 | 北京沃东天骏信息技术有限公司 | 绘制用户画像的方法和装置 |
| CN110188695A (zh) * | 2019-05-30 | 2019-08-30 | 北京百度网讯科技有限公司 | 购物动作决策方法及装置 |
| CN110489639A (zh) * | 2019-07-15 | 2019-11-22 | 北京奇艺世纪科技有限公司 | 一种内容推荐方法及装置 |
| CN111292168A (zh) * | 2020-02-06 | 2020-06-16 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置及设备 |
| CN111292168B (zh) * | 2020-02-06 | 2022-08-02 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置及设备 |
| CN111260416A (zh) * | 2020-02-13 | 2020-06-09 | 支付宝(杭州)信息技术有限公司 | 用于确定对象的关联用户的方法及装置 |
| CN111460292A (zh) * | 2020-03-30 | 2020-07-28 | 百度在线网络技术（北京）有限公司 | 模型评估方法、装置、设备和介质 |
| CN112560702A (zh) * | 2020-12-17 | 2021-03-26 | 北京赢识科技有限公司 | 用户兴趣画像生成方法、装置、电子设备及介质 |
| CN113126863A (zh) * | 2021-04-20 | 2021-07-16 | 深圳集智数字科技有限公司 | 对象选择实现方法及装置、存储介质及电子设备 |
| CN113126863B (zh) * | 2021-04-20 | 2023-02-17 | 深圳集智数字科技有限公司 | 对象选择实现方法及装置、存储介质及电子设备 |
| CN114416246A (zh) * | 2021-12-31 | 2022-04-29 | 北京五八信息技术有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
| CN114416246B (zh) * | 2021-12-31 | 2024-03-19 | 北京五八信息技术有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109087162A (zh) | 数据处理方法、系统、介质和计算设备 | |
| Chan et al. | Affective design using machine learning: a survey and its prospect of conjoining big data | |
| EP4181026A1 (en) | Recommendation model training method and apparatus, recommendation method and apparatus, and computer-readable medium | |
| CN104281961B (zh) | 用于在线系统中的广告和内容的质量评分系统 | |
| US9495661B2 (en) | Embeddable context sensitive chat system | |
| US8893076B2 (en) | Configurable computation modules | |
| CN108885624B (zh) | 信息推荐系统及方法 | |
| CN112115363A (zh) | 一种推荐方法、计算设备及存储介质 | |
| CN108629608B (zh) | 用户数据处理方法及装置 | |
| US10269033B2 (en) | Expanded overlay state for campaign performance data snapshot cards | |
| CN109783539A (zh) | 用户挖掘及其模型构建方法、装置及计算机设备 | |
| CN110929138A (zh) | 推荐信息生成方法、装置、设备及存储介质 | |
| CN108632311A (zh) | 信息推送方法和装置 | |
| CN112287238B (zh) | 用户特征的确定方法和装置、存储介质及电子设备 | |
| CN112163676A (zh) | 多任务服务预测模型训练方法、装置、设备以及存储介质 | |
| KR20200045354A (ko) | 자동 광고 대행 서버, 자동으로 광고 매체를 위한 캠페인 정보를 생성하여 광고의 집행을 대행하는 방법 및 상기 방법을 실행하기 위한 컴퓨터 프로그램 | |
| US20140249911A1 (en) | Campaign performance data snapshot cards | |
| CN113065882A (zh) | 一种商品处理方法、装置及电子设备 | |
| CN114036398A (zh) | 内容推荐和排序模型训练方法、装置、设备以及存储介质 | |
| CN111767459A (zh) | 物品推荐的方法和装置 | |
| CN107944026A (zh) | 一种图集个性化推荐的方法、装置、服务器和存储介质 | |
| CN114461919A (zh) | 信息推荐的模型训练方法及装置 | |
| US20210090105A1 (en) | Technology opportunity mapping | |
| CN111787042B (zh) | 用于推送信息的方法和装置 | |
| CN110781399A (zh) | 一种跨平台的信息推送方法和装置 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 310052 Room 301, Building No. 599, Changhe Street Network Business Road, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: Hangzhou NetEase Shuzhifan Technology Co.,Ltd. Address before: 310052 Room 301, Building No. 599, Changhe Street Network Business Road, Binjiang District, Hangzhou City, Zhejiang Province Applicant before: HANGZHOU LANGHE TECHNOLOGY Ltd. |