CN109961357B - 用户数据处理方法、装置、电子设备及存储介质 - Google Patents
用户数据处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN109961357B CN109961357B CN201910229051.4A CN201910229051A CN109961357B CN 109961357 B CN109961357 B CN 109961357B CN 201910229051 A CN201910229051 A CN 201910229051A CN 109961357 B CN109961357 B CN 109961357B
- Authority
- CN
- China
- Prior art keywords
- sample data
- user
- merchant
- probability
- value
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例公开了一种用户数据处理方法、装置、电子设备及存储介质,方法包括:获取预设时间段内的多个用户样本数据;根据预设标注规则,获取每个用户样本数据的标注取值;根据用户画像和商户画像获取每个用户样本数据的场景特征;根据每个用户样本数据的标注取值、场景特征和预设损失函数,训练概率数据模型;根据概率数据模型确定目标用户的下单概率。该方案能够克服用户样本数据标注精确度不高的问题,在同时考虑点击行为和下单行为的情况下训练出的概率数据模型也提高了该概率数据模型的离线模型AUC和线上转化率。
Description
技术领域
本公开涉及信息处理技术领域,具体涉及一种用户数据处理方法、装置、电子设备及存储介质。
背景技术
随着互联网技术的快速发展,网络早已经成为现代人日常生活中不可或缺的部分,网络购物由于其独有的便捷性和直观性,使得越来越多的用户选择通过网络购物解决日常购物问题,该货物可以为食品、卫生用品、衣物等任何物品。
目前常见的形式是用户通过用户终端,比如电脑或手机,在购物平台上搜索所需的货物,该购物平台即可向用户推荐该用户可能感兴趣的商户,即在终端的屏幕上显示该用户可能感兴趣的商户列表。用户可以通过浏览该商户列表选择目标商户进行下单行为并付款,商户接收到订单后,准备货物,包装货物,并将包装好的货物交给物流人员,最后由物流的送货人员将货物送至用户手中。
发明内容
本公开实施例提供一种用户数据处理方法、装置、电子设备及计算机可读存储介质。
第一方面,本公开实施例中提供了一种用户数据处理方法。
具体的,所述用户数据处理方法,包括:
获取预设时间段内的多个用户样本数据,所述预设时间段包括多个预设时间窗口,每个所述用户样本数据包括预设时间窗口内用户在商户的多种行为;
根据预设标注规则,获取每个所述用户样本数据的标注取值,所述预设标注规则为根据用户在预设时间窗口内对商户的点击行为和下单行为设置的规则;
根据用户画像和商户画像获取每个用户样本数据的场景特征;
根据所述每个用户样本数据的标注取值、场景特征和预设损失函数,训练概率数据模型;
根据所述概率数据模型确定目标用户的下单概率。
结合第一方面,本公开在第一方面的第一种实现方式中,所述根据预设标注规则,获取每个所述用户样本数据的标注取值包括:
将所述多个用户样本数据中预设时间窗口内用户在商户存在下单行为的N个用户样本数据的标注取值设置为正用户样本数据值,所述N为大于或等于0的整数;
将所述多个用户样本数据除所述N个用户样本数据外的其余用户样本数据中预设时间窗口内用户在商户存在点击行为的M个用户样本数据的标注取值设置为正用户样本数据值,所述M为大于或等于0的整数;
将所述多个用户样本数据除所述N个用户样本数据和所述M个用户样本数据外的其余S个用户样本数据的标注取值设置为负用户样本数据值,所述S为大于或等于0的整数。
结合第一方面和第一方面的第一种实现方式,本公开在第一方面的第二种实现方式中,所述根据用户画像和商户画像获取每个用户样本数据的场景特征包括:
根据用户画像和商户画像获取每个用户样本数据包括的用户的用户特征和商户的商户特征;
根据每个用户样本数据包括的用户的用户特征和商户的商户特征获取每个用户样本数据的场景特征。
结合第一方面、第一方面的第一种实现方式和第一方面的第二种实现方式,本公开在第一方面的第三种实现方式中,所述根据所述每个用户样本数据的标注取值、场景特征和预设损失函数,训练概率数据模型包括:
将所述每个用户样本数据的标注取值和每个用户样本数据的场景特征输入至概率数据模型,通过所述概率数据模型计算每个用户样本数据在其场景特征的条件下出现其标注取值的概率;
将每个用户样本数据在其场景特征的条件下出现其标注取值的概率带入所述预设损失函数,计算所述概率数据模型的损失值,所述预设损失函数包括根据所述点击行为和所述下单行为设置的权重值;
根据所述损失值,确定所述概率数据模型是否训练完成。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式和第一方面的第三种实现方式,本公开在第一方面的第四种实现方式中,所述预设损失函数为Loss=∑(1-α*P(y|W))2;
其中,所述Loss为损失值;所述α为根据用户样本数据的点击行为和下单行为设置的权重值;所述P(y|W)为每个用户样本数据在其场景特征的条件下出现其标注取值的概率,所述W为用户样本数据的场景特征,所述y为用户样本数据的标注取值。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式、第一方面的第三种实现方式和第一方面的第四种实现方式,本公开在第一方面的第五种实现方式中,所述根据所述概率数据模型确定目标用户的下单概率包括:
获取所述目标用户的用户特征和多个待选择商户的商户特征;
根据所述目标用户的用户特征和所述多个待选择商户的商户特征获取多个目标场景特征;
分别将所述多个目标场景特征输入训练完成的所述概率数据模型,获取所述目标用户对所述多个待选择商户出现下单行为的概率;
根据所述目标用户对所述多个待选择商户出现下单行为的概率,从所述多个待选择商户中确定向所述目标用户推荐的多个目标商户。
第二方面,本公开实施例中提供了一种用户数据处理装置。
具体的,所述用户数据处理装置,包括:
第一获取模块,被配置为获取预设时间段内的多个用户样本数据,所述预设时间段包括多个预设时间窗口,每个所述用户样本数据包括预设时间窗口内用户在商户的多种行为;
标注取值模块,被配置为根据预设标注规则,获取每个所述用户样本数据的标注取值,所述预设标注规则为根据用户在预设时间窗口内对商户的点击行为和下单行为设置的规则;
第二获取模块,被配置为根据用户画像和商户画像获取每个用户样本数据的场景特征;
模型训练模块,被配置为根据所述每个用户样本数据的标注取值、场景特征和预设损失函数,训练概率数据模型;
确定模块,被配置为根据所述概率数据模型确定目标用户的下单概率。
结合第二方面,本公开在第二方面的第一种实现方式中,所述标注取值模块包括:
第一标注取值子模块,被配置为将所述多个用户样本数据中预设时间窗口内用户在商户存在下单行为的N个用户样本数据的标注取值设置为正用户样本数据值,所述N为大于或等于0的整数;
第二标注取值子模块,被配置为将所述多个用户样本数据除所述N个用户样本数据外的其余用户样本数据中预设时间窗口内用户在商户存在点击行为的M个用户样本数据的标注取值设置为正用户样本数据值,所述M为大于或等于0的整数;
第三标注取值子模块,被配置为将所述多个用户样本数据除所述N个用户样本数据和所述M个用户样本数据外的其余S个用户样本数据的标注取值设置为负用户样本数据值,所述S为大于或等于0的整数。
结合第二方面和第二方面的第一种实现方式,本公开在第二方面的第二种实现方式中,所述第二获取模块包括:
第一获取子模块,被配置为根据用户画像和商户画像获取每个用户样本数据包括的用户的用户特征和商户的商户特征;
第二获取子模块,被配置为根据每个用户样本数据包括的用户的用户特征和商户的商户特征获取每个用户样本数据的场景特征。
结合第二方面、第二方面的第一种实现方式和第二方面的第二种实现方式,本公开在第二方面的第三种实现方式中,所述模型训练模块包括:
模型计算子模块,被配置为将所述每个用户样本数据的标注取值和每个用户样本数据的场景特征输入至概率数据模型,通过所述概率数据模型计算每个用户样本数据在其场景特征的条件下出现其标注取值的概率;
数据计算子模块,被配置为将每个用户样本数据在其场景特征的条件下出现其标注取值的概率带入所述预设损失函数,计算所述概率数据模型的损失值,所述预设损失函数包括根据所述点击行为和所述下单行为设置的权重值;
模型确定子模块,被配置为根据所述损失值,确定所述概率数据模型是否训练完成。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式和第二方面的第三种实现方式,本公开在第二方面的第四种实现方式中,所述预设损失函数为Loss=∑(1-α*P(y|W))2;
其中,所述Loss为损失值;所述α为根据用户样本数据的点击行为和下单行为设置的权重值;所述P(y|W)为每个用户样本数据在其场景特征的条件下出现其标注取值的概率,所述W为用户样本数据的场景特征,所述y为用户样本数据的标注取值。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式、第二方面的第三种实现方式和第二方面的第四种实现方式,本公开在第二方面的第五种实现方式中,所述确定模块包括:
第三获取子模块,被配置为获取所述目标用户的用户特征和多个待选择商户的商户特征;
第四获取子模块,被配置为根据所述目标用户的用户特征和所述多个待选择商户的商户特征获取多个目标场景特征;
第五获取子模块,被配置为分别将所述多个目标场景特征输入训练完成的所述概率数据模型,获取所述目标用户对所述多个待选择商户出现下单行为的概率;
商户推荐子模块,被配置为根据所述目标用户对所述多个待选择商户出现下单行为的概率,从所述多个待选择商户中确定向所述目标用户推荐的多个目标商户。
第三方面,本公开实施例提供了一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条支持用户数据处理装置执行上述第一方面中用户数据处理方法的计算机指令,所述处理器被配置为用于执行所述存储器中存储的计算机指令。所述用户数据处理装置还可以包括通信接口,用于用户数据处理装置与其他设备或通信网络通信。
第四方面,本公开实施例提供了一种计算机可读存储介质,用于存储用户数据处理装置所用的计算机指令,其包含用于执行上述第一方面中概率数据模型训练为用户数据处理装置所涉及的计算机指令。
本公开实施例提供的技术方案可以包括以下有益效果:
上述技术方案,根据每个用户样本数据包括的预设时间窗口内用户在商户的点击行为或下单行为获取每个用户样本数据的标注取值,进而采用预设损失函数训练概率数据模型,克服了相关技术中用户样本数据标注精确度不高的问题,在同时考虑点击行为和下单行为的情况下训练出的概率数据模型也提高了该概率数据模型的离线模型AUC(AreaUnder the Curve,曲线下的面积)和线上转化率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
结合附图,通过以下非限制性实施方式的详细描述,本公开的其它特征、目的和优点将变得更加明显。在附图中:
图1a示出根据本公开一实施方式的用户数据处理方法的流程图;
图1b示出根据图1a所示实施方式的用户数据处理方法的步骤S102的流程图;
图1c示出根据图1a所示实施方式的用户数据处理方法的步骤S103的流程图;
图1d示出根据本公开一实施方式的用户数据处理方法的流程图;
图2a示出根据本公开一实施方式的用户数据处理装置的结构框图;
图2b示出根据图2a所示实施方式的用户数据处理装置的标注取值模块202的结构框图;
图2c示出根据图2a所示实施方式的用户数据处理装置的模型训练模块204的结构框图;
图2d示出根据本公开一实施方式的用户数据处理装置的结构框图;
图3示出根据本公开一实施方式的电子设备的结构框图;
图4是适于用来实现根据本公开一实施方式的用户数据处理方法的计算机系统的结构示意图。
具体实施方式
下文中,将参考附图详细描述本公开的示例性实施方式,以使本领域技术人员可容易地实现它们。此外,为了清楚起见,在附图中省略了与描述示例性实施方式无关的部分。
在本公开中,应理解,诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在,并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
本公开实施例提供的技术方案根据每个用户样本数据包括的预设时间窗口内用户在商户的点击行为或下单行为获取每个用户样本数据的标注取值,进而采用预设损失函数训练概率数据模型,克服了相关技术中用户样本数据标注精确度不高的问题,在同时考虑点击行为和下单行为的情况下训练出的概率数据模型也提高了该概率数据模型的离线模型AUC和线上转化率。
图1a示出根据本公开一实施方式的用户数据处理方法的流程图。如图1a所示,所述用户数据处理方法包括以下步骤S101-S105:
在步骤S101中,获取预设时间段内的多个用户样本数据,该预设时间段包括多个预设时间窗口,每个该用户样本数据包括预设时间窗口内用户在商户的多种行为。
在步骤S102中,根据预设标注规则,获取每个该用户样本数据的标注取值,该预设标注规则为根据用户在预设时间窗口内对商户的点击行为和下单行为设置的规则。
在步骤S103中,根据用户画像和商户画像获取每个用户样本数据的场景特征。
在步骤S104中,根据该每个用户样本数据的标注取值、场景特征和预设损失函数,训练概率数据模型。
在步骤S105中,根据该概率数据模型确定目标用户的下单概率。
相关技术中,购物平台可以采用两种方法获取用户可能感兴趣的商户,一种是协同过滤方法,即首先获取与该用户的兴趣偏好相同或相似的其他用户下单过的多个商户,然后从该多个商户中获取该用户可能感兴趣的商户。但是该方法需要购物平台为每个用户存储用户对商户的行为矩阵,而购物平台面对的用户数量较多,因此信息存储的规模较大,对服务器的要求较高,无形中增大了购物平台的硬件成本;另一种方法是首先获取多个用户样本数据,并根据每个用户样本数据包括的商户对用户的曝光行为以及用户对商户的下单行为对用户样本数据进行标注取值,根据每个用户样本数据的标注取值和预设损失函数训练概率数据模型,然后通过该概率数据模型分别计算用户对多个商户出现下单行为的概率,进而根据该概率从该多个商户获取该用户可能感兴趣的商户。但是相关技术中在进行用户样本数据标注时需要同时考虑每个用户样本数据包括的商户对用户的曝光行为以及用户对商户的下单行为,没有考虑用户对没有曝光行为的商户存在下单行为的情况,也没有考虑点击行为所代表的用户的潜在下单意向,因此用户样本数据标注的精确性较差,同时预设损失函数也仅考虑了用户的下单行为,没有考虑用户的点击行为,因此导致训练得到的概率数据模型的离线模型AUC的评分较低且线上转化率也较低。
考虑到上述缺陷,在该实施方式中,提出一种用户数据处理方法,该方法根据每个用户样本数据包括的预设时间窗口内用户在商户的点击行为或下单行为获取每个用户样本数据的标注取值,进而采用预设损失函数训练概率数据模型。根据预设时间窗口内用户在商户的点击行为和下单行为对每个用户样本数据进行标注取值,克服了相关技术中用户样本数据标注精确度不高的问题;在同时考虑点击行为和下单行为的情况下训练出的概率数据模型也提高了该概率数据模型的离线模型AUC和线上转化率。
其中,该用户数据处理方法可以应用于购物平台,该购物平台售卖的商品可以为食品、卫生用品、衣物等任何物品。
其中,该用户可以为能够使用购物平台购买货物的任意主体,本公开实施例对此不做限定;该商户可以为零售商户、餐饮店、电商或者其他能够在购物平台上售卖货物的任意主体,本公开实施例对此不做限定。
在本实施例的一个可选实现方式中,购物平台可以首先采集预设时间段内的多个用户样本数据,每个用户样本数据包括预设时间窗口内用户在商户的多种行为,该多种行为至少包括商户对用户的曝光行为、商户对用户的未曝光行为、用户对商户的未点击行为、用户对商户的点击行为、用户对商户的未下单行为以及用户对商户的下单行为等。
假设该预设时间段为一周,预设时间窗口为一个自然日,以第一用户为例,该第一用户为该多个用户中的任意一个用户,购物平台可以按照第一用户的用户标识以及该多个商户中每个商户的商户标识获取一周内该第一用户在每个自然日的多个行为日志,一个行为日志记录了该第一用户在对应自然日内与一个商户之间的交互行为,同一自然日的不同行为日志分别对应不同的商户。以第一商户和该一周内的第一天为例,同时与该第一用户的用户标识和该第一商户的商户标识对应的该第一天内的行为日志记录了该第一用户在该第一天内与该第一商户之间的多个行为,该多个行为包括第一商户对第一用户在该第一天内的曝光行为或者未曝光行为,以及第一用户对第一商户在该第一天内的未点击行为、点击行为、未下单行为以及下单行为等。按照上述方法,购物平台可以按照第一用户的用户标识以及多个商户中每个商户的商户标识获取一周内的该第一天中该第一用户的多个行为日志;同样的,该购物平台可以按照第一用户的用户标识以及该多个商户中每个商户的商户标识获取一周内的第二天该第一用户的多个行为日志,第三天该第一用户的多个行为日志,……以及第七天该第一用户的多个行为日志,该连续七天的所有行为日志即可组成该第一用户与多个商户之间的多个用户样本数据。按照同样的方法,购物平台可以分别获取到该多个用户中每个用户与该多个商户之间的多个用户样本数据,该多个用户中每个用户与该多个商户之间的多个用户样本数据即可组成该购物平台获取到的多个用户样本数据。该多个用户可以为当前在购物平台注册的所有用户,也可以为根据预设条件从当前在购物平台注册的所有用户中选取出的部分用户,本公开实施例对此不做限定。实际应用中,该预设时间窗口也可以为两个自然日,此时该预设时间段可以为八个自然日。
在获取该多个用户样本数据时,还可以获取每个用户样本数据的场景特征,每个用户样本数据的场景特征包括对应用户样本数据包括的用户的用户特征和商户的商户特征。具体的,该用户特征可以根据对应用户样本数据包括的用户的用户画像获取,即包括用户的喜好、兴趣、口味等特征信息,本公开实施例对此不做限定;该商户特征可以根据对应用户样本数据包括的商户的商户画像获取,即包括商户的客单价、满减数额、食材新鲜度等特征信息,本公开实施例对此不做限定。示例的,可以预先为不同的用户特征设置不同的特征值,例如,当用户喜好川菜时特征值为1,当用户喜好湘菜时特征值为2等;或者当用户口味偏辣时特征值为10,当用户口味偏甜时特征值为20等。同时,也可以为不同的商户特征设置不同的特征值,例如,当商户的客单价大于20时特征值为1,当商户的客单价小于或等于20时特征值为2等;或者当商户的满减数额大于5元时特征值为10,当商户的满减数额小于或等于5元时特征值为20等。在获取用户样本数据的场景特征时,可以首先获取由该用户样本数据包括的用户的多个用户特征的特征值组成的用户向量,然后获取由该用户样本数据包括的商户的多个商户特征的特征值组成的商户向量,进而采用该用户向量和商户向量组成该用户样本数据的场景特征。
示例的,在获取到该一周内的多个用户样本数据之后,可以根据预设标注规则,获取每个所述用户样本数据的标注取值。为了考虑用户存在点击行为时的潜在下单意愿,本申请实施例所述的预设标注规则可以根据用户在预设时间窗口内对商户的点击行为和下单行为进行设置,可选的,该预设标注规则可以为:将存在下单行为或点击行为的用户样本数据均标记为正用户样本数据,并将其标注取值设置为正用户样本数据取值;将不存在下单行为或点击行为的用户样本数据均标记为负用户样本数据,并将其标注取值设置为负用户样本数据取值。
可选的,购物平台可以首先将该多个用户样本数据划分为下单行为组,点击行为组以及剩余组,该下单行为组中包括的多个用户样本数据中每个用户样本数据包括的用户在其包括的商户均存在下单行为;该点击行为组包括的多个用户样本数据中每个用户样本数据包括用户在其包括的商户均存在点击行为;该剩余组包括的多个用户样本数据中每个用户样本数据包括的用户在其包括的商户均不存在点击行为也不存在下单行为。本发明以该正用户样本数据取值为“1”,负用户样本数据取值为“0”为例,则该购物平台即可将下单行为组中包括的多个用户样本数据均标记为正用户样本数据,且将其标注取值设置为1;将点击行为组中包括的多个用户样本数据均标记为正用户样本数据,且将其标注取值设置为1;将剩余组包括的多个用户样本数据均标记为负用户样本数据,且将其标注取值设置为0。
在对每个用户样本数据进行标注取值之后,购物平台即可将每个用户样本数据的标注取值和每个用户样本数据的场景特征输入至预先建立的概率数据模型,该概率数据模型为神经网络模型,获取该概率数据模型计算出的每个用户样本数据在其场景特征的条件下出现其标注取值的概率,然后将该每个用户样本数据在其场景特征的条件下出现其标注取值的概率带入该预设损失函数,计算该概率数据模型的损失值,并根据该损失值确定该概率数据模型是否训练完成。若该损失值较小,例如小于或等于预设阈值,则说明该概率数据模型计算出的每个用户样本数据在其场景特征的条件下出现其标注取值的概率与实际情况相差较小,此时即可说明该概率数据模型已训练完成;若该损失值较大,例如大于预设阈值,则说明该概率数据模型计算出的每个用户样本数据在其场景特征的条件下出现其标注取值的概率与实际情况相差较大,此时购物平台可以调整该概率数据模型的参数,并再次将每个用户样本数据的标注取值和每个用户样本数据的场景特征输入至该概率数据模型,通过该概率数据模型再次计算出的每个用户样本数据在其场景特征的条件下出现其标注取值的概率,然后再次将该每个用户样本数据在其场景特征的条件下出现其标注取值的概率带入该预设损失函数,计算该概率数据模型的损失值,直至该损失值较小,例如小于或等于预设阈值时,确认该概率数据模型训练完成。
若该概率数据模型训练完成,则购物平台即可采用该概率数据模型确定多个待选择商户中需要向目标用户推荐的目标商户。
在本实施例的一个可选实现方式中,如图1b所示,该步骤S102,即根据预设标注规则,获取每个所述用户样本数据的标注取值的步骤,包括步骤S1021-S1023:
在步骤S1021中,将该多个用户样本数据中预设时间窗口内用户在商户存在下单行为的N个用户样本数据的标注取值设置为正用户样本数据值。
在步骤S1022中,将该多个用户样本数据除该N个用户样本数据外的其余用户样本数据中预设时间窗口内用户在商户存在点击行为的M个用户样本数据的标注取值设置为正用户样本数据值。
在步骤S1023中,将该多个用户样本数据除该N个用户样本数据和该M个用户样本数据外的其余S个用户样本数据的标注取值设置为负用户样本数据值。
在本实施方式中,购物平台同时考虑用户的点击行为代表的潜在下单意向以及下单行为代表的实际下单意向对多个用户样本数据进行标注取值,提高了用户样本数据标注的精确性。
其中,该N、M以及S均为大于或等于0的整数,且该N、M以及S的和值与购物平台获取到的用户样本数据数量相同。
示例的,购物平台获取到的多个用户样本数据中,同一用户对同一个商户在同一天内的行为日志可能既存在点击行为也存在下单行为,因此若按照不同的行为对该多个用户样本数据进行分组,可能导致该用户样本数据既被分入下单行为组,又被分入点击行为组,进而导致在进行标注取值时造成用户样本数据重复,而重复的用户样本数据可能造成在进行概率数据模型训练时重复计算的问题,导致计算资源的无效使用,延长了概率数据模型训练时的时间成本。为了克服上述情况,购物平台在进行用户样本数据标注时可以同时进行去重。
具体的,购物平台可以将获取到的多个用户样本数据中预设时间窗口内用户在商户存在下单行为的N个用户样本数据的标注取值设置为正用户样本数据值,即获取该多个用户样本数据中存在下单行为的N个行为日志,无论该N个行为日志中是否包括存在点击行为的行为日志,均将该N个行为日志标记为正用户样本数据,且将其标注取值设置为1。然后将该多个用户样本数据除该N个用户样本数据外的其余用户样本数据中预设时间窗口内用户在商户存在点击行为的M个用户样本数据的标注取值设置为正用户样本数据值,即获取该多个用户样本数据除该N个用户样本数据外的其余多个用户样本数据中存在点击行为的M个行为日志,并将该M个行为日志标记为正用户样本数据,且将其标注取值设置为1。最后将该多个用户样本数据除该N个用户样本数据和该M个用户样本数据外的其余S个用户样本数据的标注取值设置为负用户样本数据值。
在本实施例的一个可选实现方式中,如图1c所示,该步骤S104,即根据所述每个用户样本数据的标注取值、场景特征和预设损失函数,训练概率数据模型的步骤,包括步骤S1041-S1043:
在步骤S1041中,将该每个用户样本数据的标注取值和每个用户样本数据的场景特征输入至概率数据模型,通过该概率数据模型计算每个用户样本数据在其场景特征的条件下出现其标注取值的概率。
在步骤S1042中,将每个用户样本数据在其场景特征的条件下出现其标注取值的概率带入该预设损失函数,计算该概率数据模型的损失值,该预设损失函数包括根据点击行为和下单行为设置的权重值。
在步骤S1043中,根据该损失值,确定该概率数据模型是否训练完成。
在本实施方式中,由于在进行用户样本数据标注时同时考虑了点击行为代表的潜在下单意向以及下单行为代表的实际下单意向,因此采用上述标注取值进行概率数据模型的训练,可以提高该概率数据模型预测的精确性。
其中,该概率数据模型为预先建立的神经网络模型。
示例的,购物平台可以将每个用户样本数据的标注取值和每个用户样本数据的场景特征输入至预先建立的概率数据模型,获取该概率数据模型计算出的每个用户样本数据在其场景特征的条件下出现其标注取值的概率,然后将该每个用户样本数据在其场景特征的条件下出现其标注取值的概率带入该预设损失函数,计算该概率数据模型的损失值,并根据该损失值确定该概率数据模型是否训练完成。
具体的,该预设损失函数可以为Loss=∑(1-α*P(y|W))2。其中,该Loss即为概率数据模型的损失值;该α为根据用户样本数据的点击行为和下单行为设置的权重值;该P(y|W)为每个用户样本数据在其场景特征的条件下出现其标注取值的概率,该W为用户样本数据的场景特征,该y为用户样本数据的标注取值。
可选的,该α的取值规则为:若用户样本数据既存在点击行为又存在下单行为,则该α取值为1;若用户样本数据不存在点击行为但存在下单行为,则该α取值为3/4;若用户样本数据存在点击行为但不存在下单行为,则该α取值为1/2;若用户样本数据既不存在点击行为又不存在下单行为,则该α取值为1。实际应用中,该α的取值可以根据具体情况进行调整,或者还可以通过概率数据模型的训练获取具体取值,本公开实施例对此不做限定。
该P(y|W)=1/(1+eω*x),其中,该ω为场景特征W的权重矩阵,x为场景特征W的特征值矩阵。即该x可以包括代表用户喜好的特征值,代表用户兴趣的特征值,代表用户口味的特征值,代表商户客单价的特征值,代表商户满减数额的特征值,代表商户食材新鲜度的特征值等;该ω包括为该代表用户喜好的特征值配置的权重值,为该代表用户兴趣的特征值配置的权重值,为该代表用户口味的特征值配置的权重值,为该代表商户客单价的特征值配置的权重值,为该代表商户满减数额的特征值配置的权重值,为该代表商户食材新鲜度的特征值配置的权重值等。
依次将每个用户样本数据在其场景特征的条件下出现其标注取值的概率带入该预设损失函数Loss=∑(1-α*P(y|W))2,并依次根据每个用户样本数据的实际情况选择每个用户样本数据的α的取值,计算该预设损失函数的损失值Loss。若该损失值Loss较小,例如小于或等于预设阈值,则说明该概率数据模型计算出的每个用户样本数据在其场景特征的条件下出现其标注取值的概率与实际情况相差较小,此时说明该概率数据模型已训练完成;若该损失值Loss较大,例如大于预设阈值,则说明该概率数据模型计算出的每个用户样本数据在其场景特征的条件下出现其标注取值的概率与实际情况相差较大,此时购物平台可以调整该概率数据模型的参数,并再次将每个用户样本数据的标注取值和每个用户样本数据的场景特征输入至该概率数据模型,通过该概率数据模型再次计算出的每个用户样本数据在其场景特征的条件下出现其标注取值的概率,然后再次将该每个用户样本数据在其场景特征的条件下出现其标注取值的概率带入该预设损失函数,计算该概率数据模型的损失值,直至该损失值较小,即小于或等于预设阈值时,确认该概率数据模型训练完成。
在本实施例的一个可选实现方式中,如图1d所示,该步骤S105,即根据该概率数据模型确定目标用户的下单概率的步骤,包括步骤S1051-S1054:
在步骤S1051中,获取该目标用户的用户特征和多个待选择商户的商户特征。
在步骤S1052中,根据该目标用户的用户特征和该多个待选择商户的商户特征获取多个目标场景特征。
在步骤S1053中,分别将该多个目标场景特征输入训练完成的该概率数据模型,获取该目标用户对该多个待选择商户出现下单行为的概率。
在步骤S1054中,根据该目标用户对该多个待选择商户出现下单行为的概率,从该多个待选择商户中确定向该目标用户推荐的多个目标商户。
在本实施方式中,由于在进行商户推荐时选用的概率数据模型为根据下单行为和点击行为训练得出的,该概率数据模型可以同时考虑用户的潜在下单意愿和实际下单意愿计算对某一商户的下单概率,因此推荐的目标商户精确性较高,使得该概率数据模型的离线模型AUC和线上转化率较高。
示例的,以参考用户为例,当参考用户登陆购物平台时,购物平台可以首先根据该参考用户的历史行为记录获取该参考用户的用户画像,进而根据该用户画像获取该参考用户的用户特征,然后根据该参考用户的位置获取多个待选择商户,并根据该多个待选择商户的历史行为记录分别获取该多个待选择商户中每个待选择商户的商户画像,进而根据该商户画像获取每个待选择商户的商户特征。接着根据该参考用户的用户特征和该多个待选择商户中每个待选择商户的商户特征,分别获取多个场景特征,不同的场景特征包括的用户特征相同,即均为该参考用户的用户特征,不同的场景特征包括的商户特征不同,即不同的场景特征包括不同商户的商户特征。
由于需要该概率数据模型分别预测参考用户在该多个待选择商户下单的下单概率,因此可以分别将多个目标场景特征和正用户样本数据取值输入该概率数据模型,此时该概率数据模型即可分别计算出在每种场景特征的条件下出现正用户样本数据取值的概率,由于正用户样本数据取值代表用户的下单意向,因此每种场景特征的条件下出现该正用户样本数据取值的概率即可代表该参考用户在每个待选择商户的下单概率。
获取到参考用户在该多个待选择商户中每个待选择商户下单的下单概率之后,购物平台可以按照概率的从大到小排列该多个待选择商户,然后将前A个待选择商户确定为最终推荐给该参考用户的A个目标商户,该A为大于或等于1的整数。或者购物平台还可以获取概率大于或等于预设该率阈值的B个待选择商户,然后将该B个待选择商户确定为最终推荐给该参考用户的B个目标商户。
下述为本公开装置实施例,可以用于执行本公开方法实施例。
图2a示出根据本公开一实施方式的用户数据处理装置的结构框图,该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图2a所示,所述用户数据处理装置包括:
第一获取模块201,被配置为获取预设时间段内的多个用户样本数据,所述预设时间段包括多个预设时间窗口,每个所述用户样本数据包括预设时间窗口内用户在商户的多种行为。
标注取值模块202,被配置为根据预设标注规则,获取每个所述用户样本数据的标注取值,所述预设标注规则为根据用户在预设时间窗口内对商户的点击行为和下单行为设置的规则。
第二获取模块203,被配置为根据用户画像和商户画像获取每个用户样本数据的场景特征。
模型训练模块204,被配置为根据所述每个用户样本数据的标注取值、场景特征和预设损失函数,训练概率数据模型。
确定模块205,被配置为根据所述概率数据模型确定目标用户的下单概率。
相关技术中,购物平台可以采用两种方法获取用户可能感兴趣的商户,一种是协同过滤方法,即首先获取与该用户的兴趣偏好相同或相似的其他用户下单过的多个商户,然后从该多个商户中获取该用户可能感兴趣的商户。但是该方法需要购物平台为每个用户存储用户对商户的行为矩阵,而购物平台面对的用户数量较多,因此信息存储的规模较大,对服务器的要求较高,无形中增大了购物平台的硬件成本;另一种方法是首先获取多个用户样本数据,并根据每个用户样本数据包括的商户对用户的曝光行为以及用户对商户的下单行为对用户样本数据进行标注取值,根据每个用户样本数据的标注取值和预设损失函数训练概率数据模型,然后通过该概率数据模型分别计算用户对多个商户出现下单行为的概率,进而根据该概率从该多个商户获取该用户可能感兴趣的商户。但是相关技术中在进行用户样本数据标注时需要同时考虑每个用户样本数据包括的商户对用户的曝光行为以及用户对商户的下单行为,没有考虑用户对没有曝光行为的商户存在下单行为的情况,也没有考虑点击行为所代表的用户的潜在下单意向,因此用户样本数据标注的精确性较差,同时预设损失函数也仅考虑了用户的下单行为,没有考虑用户的点击行为,因此导致训练得到的概率数据模型的离线模型AUC的评分较低且线上转化率也较低。
考虑到上述缺陷,在该实施方式中,提出一种用户数据处理装置,该装置可以根据每个用户样本数据包括的预设时间窗口内用户在商户的点击行为或下单行为获取每个用户样本数据的标注取值,进而采用预设损失函数训练概率数据模型。根据预设时间窗口内用户在商户的点击行为和下单行为对每个用户样本数据进行标注取值,克服了相关技术中用户样本数据标注精确度不高的问题;在同时考虑点击行为和下单行为的情况下训练出的概率数据模型也提高了该概率数据模型的离线模型AUC和线上转化率。
其中,该用户数据处理装置可以应用于购物平台,该购物平台售卖的商品可以为食品、卫生用品、衣物等任何物品。
其中,该用户可以为能够使用购物平台购买货物的任意主体,本公开实施例对此不做限定;该商户可以为零售商户、餐饮店、电商或者其他能够在购物平台上售卖货物的任意主体,本公开实施例对此不做限定。
在本实施例的一个可选实现方式中,第一获取模块201可以首先采集预设时间段内的多个用户样本数据,每个用户样本数据包括预设时间窗口内用户在商户的多种行为,该多种行为至少包括商户对用户的曝光行为、商户对用户的未曝光行为、用户对商户的未点击行为、用户对商户的点击行为、用户对商户的未下单行为以及用户对商户的下单行为等。
假设该预设时间段为一周,预设时间窗口为一个自然日,以第一用户为例,该第一用户为该多个用户中的任意一个用户,第一获取模块201可以按照第一用户的用户标识以及该多个商户中每个商户的商户标识获取一周内该第一用户在每个自然日的多个行为日志,一个行为日志记录了该第一用户在对应自然日内与一个商户之间的交互行为,同一自然日的不同行为日志分别对应不同的商户。以第一商户和该一周内的第一天为例,同时与该第一用户的用户标识和该第一商户的商户标识对应的该第一天的行为日志记录了该第一用户在该第一天内与该第一商户之间的多个行为,该多个行为包括第一商户对第一用户在该第一天内的曝光行为或者未曝光行为,以及第一用户对第一商户在该第一天内的未点击行为、点击行为、未下单行为以及下单行为等。按照上述方法,第一获取模块201可以按照第一用户的用户标识以及该多个商户中每个商户的商户标识获取一周内的该第一天中该第一用户的多个行为日志;同样的,该第一获取模块201可以按照第一用户的用户标识以及该多个商户中每个商户的商户标识获取一周内的第二天该第一用户的多个行为日志,第三天该第一用户的多个行为日志,……以及第七天该第一用户的多个行为日志,该连续七天的所有行为日志即可组成该第一用户与多个商户之间的多个用户样本数据。按照同样的方法,第一获取模块201可以分别获取到该多个用户中每个用户与该多个商户之间的多个用户样本数据,该多个用户中每个用户与该多个商户之间的多个用户样本数据即可组成该第一获取模块201获取到的多个用户与多个商户之间的多个用户样本数据。该多个用户可以为当前在购物平台注册的所有用户,也可以为根据预设条件从当前在购物平台注册的所有用户中选取出的部分用户,本公开实施例对此不做限定。实际应用中,该预设时间窗口也可以为两个自然日,此时该预设时间段可以为八个自然日。
在第一获取模块201获取该多个用户样本数据时,第二获取模块203可以获取每个用户样本数据的场景特征,每个用户样本数据的场景特征包括对应用户样本数据包括的用户的用户特征和商户的商户特征。具体的,该第二获取模块203可以包括第一获取子模块2031和第二获取子模块2032。该第一获取子模块2031,被配置为根据用户画像和商户画像获取每个用户样本数据包括的用户的用户特征和商户的商户特征;该第二获取子模块2032,被配置为根据每个用户样本数据包括的用户的用户特征和商户的商户特征获取每个用户样本数据的场景特征。该用户特征可以根据对应用户样本数据包括的用户的用户画像获取,即包括用户的喜好、兴趣、口味等特征信息,本公开实施例对此不做限定;该商户特征可以根据对应用户样本数据包括的商户的商户画像获取,即包括商户的客单价、满减数额、食材新鲜度等特征信息,本公开实施例对此不做限定。示例的,第二获取模块203可以预先为不同的用户特征设置不同的特征值,例如,当用户喜好川菜时特征值为1,当用户喜好湘菜时特征值为2等;或者当用户口味偏辣时特征值为10,当用户口味偏甜时特征值为20等。同时,也可以为不同的商户特征设置不同的特征值,例如,当商户的客单价大于20时特征值为1,当商户的客单价小于或等于20时特征值为2等;或者当商户的满减数额大于5元时特征值为10,当商户的满减数额小于或等于5元时特征值为20等。在获取用户样本数据的场景特征时,第一获取子模块2031可以首先获取由该用户样本数据包括的用户的用户画像和商户的商户画像,然后根据该用户画像和商户画像获取该用户样本数据包括的用户的用户特征和商户的商户特征,进而根据该用户的用户特征和商户的商户特征获取由该用户样本数据包括的用户的多个用户特征的特征值组成的用户向量和由该用户样本数据包括的商户的多个商户特征的特征值组成的商户向量。接着第二获取子模块2032即可采用该用户向量和商户向量组成该用户样本数据的场景特征。
示例的,在第一获取模块201获取到该一周内的多个用户样本数据之后,标注取值模块202可以根据根据预设标注规则,获取每个所述用户样本数据的标注取值。为了考虑用户存在点击行为时的潜在下单意愿,本申请实施例所述的预设标注规则可以根据用户在预设时间窗口内对商户的点击行为和下单行为进行设置,可选的,该预设标注规则可以为:将存在下单行为或点击行为的用户样本数据均标记为正用户样本数据,并将其标注取值设置为正用户样本数据取值;将不存在下单行为或点击行为的用户样本数据均标记为负用户样本数据,并将其标注取值设置为负用户样本数据取值。
可选的,标注取值模块202可以首先将该多个用户样本数据划分为下单行为组,点击行为组以及剩余组,该下单行为组中包括的多个用户样本数据中每个用户样本数据包括的用户在其包括的商户均存在下单行为;该点击行为组包括的多个用户样本数据中每个用户样本数据包括的用户在其包括的商户均存在点击行为;该剩余组包括的多个用户样本数据中每个用户样本数据包括的用户在其包括的商户均不存在点击行为也不存在下单行为。本发明以该正用户样本数据取值为“1”,负用户样本数据取值为“0”为例,则该标注取值模块202即可将下单行为组中包括的多个用户样本数据均标记为正用户样本数据,且将其标注取值设置为1;将点击行为组中包括的多个用户样本数据均标记为正用户样本数据,且将其标注取值设置为1;将剩余组包括的多个用户样本数据均标记为负用户样本数据,且将其标注取值设置为0。
在标注取值模块202对每个用户样本数据进行标注取值之后,模型训练模块204即可将每个用户样本数据的标注取值和每个用户样本数据的场景特征输入至预先建立的概率数据模型,该概率数据模型为神经网络模型,获取该概率数据模型计算出的每个用户样本数据在其场景特征的条件下出现其标注取值的概率,然后将该每个用户样本数据在其场景特征的条件下出现其标注取值的概率带入该预设损失函数,计算该概率数据模型的损失值,并根据该损失值确定该概率数据模型是否训练完成。若该损失值较小,例如小于或等于预设阈值,则说明该概率数据模型计算出的每个用户样本数据在其场景特征的条件下出现其标注取值的概率与实际情况相差较小,此时即可说明该概率数据模型已训练完成;若该损失值较大,例如大于预设阈值,则说明该概率数据模型计算出的每个用户样本数据在其场景特征的条件下出现其标注取值的概率与实际情况相差较大,此时模型训练模块204可以调整该概率数据模型的参数,并再次将每个用户样本数据的标注取值和每个用户样本数据的场景特征输入至该概率数据模型,通过该概率数据模型再次计算出的每个用户样本数据在其场景特征的条件下出现其标注取值的概率,然后再次将该每个用户样本数据在其场景特征的条件下出现其标注取值的概率带入该预设损失函数,计算该概率数据模型的损失值,直至该损失值较小,例如小于或等于预设阈值时,确认该概率数据模型训练完成。
若该概率数据模型训练完成,则确定模块205即可采用该概率数据模型确定多个待选择商户中需要向目标用户推荐的目标商户。
在本实施例的一个可选实现方式中,如图2b所示,所述标注取值模块202包括:
第一标注取值子模块2021,被配置为将所述多个用户样本数据中预设时间窗口内用户在商户存在下单行为的N个用户样本数据的标注取值设置为正用户样本数据值,所述N为大于或等于0的整数。
第二标注取值子模块2022,被配置为将所述多个用户样本数据除所述N个用户样本数据外的其余用户样本数据中预设时间窗口内用户在商户存在点击行为的M个用户样本数据的标注取值设置为正用户样本数据值,所述M为大于或等于0的整数。
第三标注取值子模块2023,被配置为将所述多个用户样本数据除所述N个用户样本数据和所述M个用户样本数据外的其余S个用户样本数据的标注取值设置为负用户样本数据值,所述S为大于或等于0的整数。
在本实施方式中,标注取值模块202同时考虑用户的点击行为代表的潜在下单意向以及下单行为代表的实际下单意向对多个用户样本数据进行标注取值,提高了用户样本数据标注的精确性。
其中,该N、M以及S均为大于或等于0的整数,且该N、M以及S的和值与购物平台获取到的用户样本数据数量相同。
示例的,第一获取模块201获取到的多个用户样本数据中,同一用户对同一个商户在同一天内的行为日志可能既存在点击行为也存在下单行为,因此若按照不同的行为对该多个用户样本数据进行分组,可能导致该用户样本数据既被分入下单行为组,又被分入点击行为组,进而导致标注取值模块202在进行标注取值时造成用户样本数据重复,而重复的用户样本数据可能造成模型训练模块204在进行概率数据模型训练时重复计算的问题,导致计算资源的无效使用,延长了概率数据模型训练时的时间成本。为了克服上述情况,标注取值模块202在进行用户样本数据标注时可以同时进行去重。
具体的,标注取值模块202包括的第一标注取值子模块2021可以将获取到的多个用户样本数据中预设时间窗口内用户在商户存在下单行为的N个用户样本数据的标注取值设置为正用户样本数据值,即获取该多个用户样本数据中存在下单行为的N个行为日志,无论该N个行为日志中是否包括存在点击行为的行为日志,均将该N个行为日志标记为正用户样本数据,且将其标注取值设置为1。然后标注取值模块202包括的第二标注取值子模块2022将该多个用户样本数据除该N个用户样本数据外的其余用户样本数据中预设时间窗口内用户在商户存在点击行为的M个用户样本数据的标注取值设置为正用户样本数据值,即获取该多个用户样本数据除该N个用户样本数据外的其余多个用户样本数据中存在点击行为的M个行为日志,并将该M个行为日志标记为正用户样本数据,且将其标注取值设置为1。最后标注取值模块202包括的第三标注取值子模块2023将该多个用户样本数据除该N个用户样本数据和该M个用户样本数据外的其余S个用户样本数据的标注取值设置为负用户样本数据值。
在本实施例的一个可选实现方式中,如图2c所示,所述模型训练模块204包括:
模型计算子模块2041,被配置为将所述每个用户样本数据的标注取值和每个用户样本数据的场景特征输入至概率数据模型,通过所述概率数据模型计算每个用户样本数据在其场景特征的条件下出现其标注取值的概率。
数据计算子模块2042,被配置为将每个用户样本数据在其场景特征的条件下出现其标注取值的概率带入所述预设损失函数,计算所述概率数据模型的损失值,所述预设损失函数包括根据所述点击行为和所述下单行为设置的权重值。
模型确定子模块2043,被配置为根据所述损失值,确定所述概率数据模型是否训练完成。
在本实施方式中,由于在进行用户样本数据标注时同时考虑了点击行为代表的潜在下单意向以及下单行为代表的实际下单意向,因此模型训练模块204采用上述标注取值进行概率数据模型的训练,可以提高该概率数据模型预测的精确性。
其中,该概率数据模型为预先建立的神经网络模型。
示例的,模型训练模块204包括的模型计算子模块2041可以将每个用户样本数据的标注取值和每个用户样本数据的场景特征输入至预先建立的概率数据模型,获取该概率数据模型计算出的每个用户样本数据在其场景特征的条件下出现其标注取值的概率,然后数据计算子模块2042将该每个用户样本数据在其场景特征的条件下出现其标注取值的概率带入该预设损失函数,计算该概率数据模型的损失值,模型确定子模块2043根据该损失值确定该概率数据模型是否训练完成。
具体的,该预设损失函数可以为Loss=∑(1-α*P(y|W))2。其中,该Loss即为概率数据模型的损失值;该α为根据用户样本数据的点击行为和下单行为设置的权重值;该P(y|W)为每个用户样本数据在其场景特征的条件下出现其标注取值的概率,该W为用户样本数据的场景特征,该y为用户样本数据的标注取值。
可选的,该α的取值规则为:若用户样本数据既存在点击行为又存在下单行为,则该α取值为1;若用户样本数据不存在点击行为但存在下单行为,则该α取值为3/4;若用户样本数据存在点击行为但不存在下单行为,则该α取值为1/2;若用户样本数据既不存在点击行为又不存在下单行为,则该α取值为1。实际应用中,该α的取值可以根据具体情况进行调整,或者还可以通过概率数据模型的训练获取具体取值,本公开实施例对此不做限定。
该P(y|W)=1/(1+eω*x),其中,该ω为场景特征W的权重矩阵,x为场景特征W的特征值矩阵。即该x可以包括代表用户喜好的特征值,代表用户兴趣的特征值,代表用户口味的特征值,代表商户客单价的特征值,代表商户满减数额的特征值,代表商户食材新鲜度的特征值等;该ω包括为该代表用户喜好的特征值配置的权重值,为该代表用户兴趣的特征值配置的权重值,为该代表用户口味的特征值配置的权重值,为该代表商户客单价的特征值配置的权重值,为该代表商户满减数额的特征值配置的权重值,为该代表商户食材新鲜度的特征值配置的权重值等。
数据计算子模块2042依次将每个用户样本数据在其场景特征的条件下出现其标注取值的概率带入该预设损失函数Loss=∑(1-α*P(y|W))2,并依次根据每个用户样本数据的实际情况选择每个用户样本数据的α的取值,计算该预设损失函数的损失值Loss。然后由模型确定子模块2043确定训练是否成功,若模型确定子模块2043确定该损失值Loss较小,例如小于或等于预设阈值,则说明该概率数据模型计算出的每个用户样本数据在其场景特征的条件下出现其标注取值的概率与实际情况相差较小,此时说明该概率数据模型已训练完成;若模型确定子模块2043确定该损失值Loss较大,例如大于预设阈值,则说明该概率数据模型计算出的每个用户样本数据在其场景特征的条件下出现其标注取值的概率与实际情况相差较大,此时模型训练模块204可以调整该概率数据模型的参数,并指示模型计算子模块2041再次将每个用户样本数据的标注取值和每个用户样本数据的场景特征输入至该概率数据模型,通过该概率数据模型再次计算出的每个用户样本数据在其场景特征的条件下出现其标注取值的概率,然后指示数据计算子模块2042再次将该每个用户样本数据在其场景特征的条件下出现其标注取值的概率带入该预设损失函数,计算该概率数据模型的损失值,直至模型确定子模块2043确定该损失值较小,即小于或等于预设阈值时,确认该概率数据模型训练完成。
在本实施例的一个可选实现方式中,如图2d所示,所述确定模块205包括:
第三获取子模块2051,被配置为获取所述目标用户的用户特征和多个待选择商户的商户特征。
第四获取子模块2052,被配置为根据所述目标用户的用户特征和所述多个待选择商户的商户特征获取多个目标场景特征。
第五获取子模块2053,被配置为分别将所述多个目标场景特征输入训练完成的所述概率数据模型,获取所述目标用户对所述多个待选择商户出现下单行为的概率。
商户推荐子模块2054,被配置为根据所述目标用户对所述多个待选择商户出现下单行为的概率,从所述多个待选择商户中确定向所述目标用户推荐的多个目标商户。
在本实施方式中,由于用户数据处理装置在进行商户推荐时选用的概率数据模型为根据下单行为和点击行为训练得出的,该概率数据模型可以同时考虑用户的潜在下单意愿和实际下单意愿计算对某一商户的下单概率,因此推荐的目标商户精确性较高,使得该概率数据模型的离线模型AUC和线上转化率较高。
其中,本公开实施例以用户为用户,商户为商户为例进行说明,此时该用户的用户特征即为用户特征,该商户的商户特征即为商户特征。
示例的,以参考用户为例,当参考用户登陆购物平台时,第三获取子模块2051可以首先根据该参考用户的历史行为记录获取该参考用户的用户画像,进而根据该用户画像获取该参考用户的用户特征,然后根据该参考用户的位置获取多个待选择商户,并根据该多个待选择商户的历史行为记录分别获取该多个待选择商户中每个待选择商户的商户画像,进而根据该商户画像获取每个待选择商户的商户特征。接着第四获取子模块2052根据该参考用户的用户特征和该多个待选择商户中每个待选择商户的商户特征,分别获取多个场景特征,不同的场景特征包括的用户特征相同,即均为该参考用户的用户特征,不同的场景特征包括的商户特征不同,即不同的场景特征包括不同商户的商户特征。
由于需要该概率数据模型分别预测参考用户在该多个待选择商户下单的下单概率,因此第五获取子模块2053可以分别将多个目标场景特征和正用户样本数据取值输入该概率数据模型,此时该概率数据模型即可分别计算出在每种场景特征的条件下出现正用户样本数据取值的概率,由于正用户样本数据取值代表用户的下单意向,因此每种场景特征的条件下出现该正用户样本数据取值的概率即可代表该参考用户在每个待选择商户的下单概率。
获取到参考用户在该多个待选择商户中每个待选择商户下单的下单概率之后,商户推荐子模块2054可以按照概率的从大到小排列该多个待选择商户,然后将前A个待选择商户确定为最终推荐给该参考用户的A个目标商户,该A为大于或等于1的整数。或者商户推荐子模块2054还可以获取概率大于或等于预设该率阈值的B个待选择商户,然后将该B个待选择商户确定为最终推荐给该参考用户的B个目标商户。
本公开还公开了一种电子设备,图3示出根据本公开一实施方式的电子设备30的结构框图,如图3所示,所述电子设备30包括存储器301和处理器302;其中,
所述存储器301用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器302执行以实现上述任一方法步骤。
图4适于用来实现根据本公开实施方式的用户数据处理方法的计算机系统的结构示意图。
如图4所示,计算机系统400包括中央处理单元(CPU)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行上述实施方式中的各种处理。在RAM403中,还存储有系统400操作所需的各种程序和数据。CPU401、ROM402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地,根据本公开的实施方式,上文描述的方法可以被实现为计算机软件程序。例如,本公开的实施方式包括一种计算机程序产品,其包括有形地包含在及其可读介质上的计算机程序,所述计算机程序包含用于执行所述用户数据处理方法的程序代码。在这样的实施方式中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。
附图中的流程图和框图,图示了按照本公开各种实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种用户数据处理方法,其特征在于,包括:
获取预设时间段内的多个样本数据,所述预设时间段包括多个预设时间窗口,每个所述样本数据包括预设时间窗口内用户在商户的多种行为;
根据预设标注规则,获取每个所述样本数据的标注取值,所述预设标注规则为根据用户在预设时间窗口内是否存在对商户的点击行为和下单行为,将样本数据标注为正样本数据或负样本数据;
根据用户画像和商户画像获取每个样本数据的场景特征,其中,所述用户画像包括用户的喜好、兴趣、口味中的至少一种用户特征,所述商户画像包括商户的客单价、满减数额、食材新鲜度中的至少一种商户特征,所述场景特征包括用户特征和商户特征的组合;
根据所述每个样本数据的标注取值、场景特征和预设损失函数,训练概率数据模型;
根据所述概率数据模型确定目标用户的下单概率,
其中,所述预设损失函数包括根据样本数据的点击行为和下单行为设置的权重值α,所述α的取值根据每个样本数据的点击行为和下单行为的实际情况确定,
其中,所述根据所述每个样本数据的标注取值、场景特征和预设损失函数,训练概率数据模型包括:
将所述每个样本数据的标注取值和每个样本数据的场景特征输入至概率数据模型,通过所述概率数据模型计算每个样本数据在其场景特征的条件下出现其标注取值的概率;
将每个样本数据在其场景特征的条件下出现其标注取值的概率带入所述预设损失函数,计算所述概率数据模型的损失值;
根据所述损失值,确定所述概率数据模型是否训练完成,所述根据所述损失值,确定所述概率数据模型是否训练完成为:当所述损失值小于或等于预设阈值时,确认所述概率数据模型训练完成。
2.根据权利要求1所述的方法,其特征在于,所述根据预设标注规则,获取每个所述样本数据的标注取值包括:
将所述多个样本数据中预设时间窗口内用户在商户存在下单行为的N个样本数据的标注取值设置为正样本数据值,所述N为大于或等于0的整数;
将所述多个样本数据除所述N个样本数据外的其余样本数据中预设时间窗口内用户在商户存在点击行为的M个样本数据的标注取值设置为正样本数据值,所述M为大于或等于0的整数;
将所述多个样本数据除所述N个样本数据和所述M个样本数据外的其余S个样本数据的标注取值设置为负样本数据值,所述S为大于或等于0的整数。
3.根据权利要求1或2所述的方法,其特征在于,所述根据用户画像和商户画像获取每个样本数据的场景特征包括:
根据用户画像和商户画像获取每个样本数据包括的用户的用户特征和商户的商户特征;
根据每个样本数据包括的用户的用户特征和商户的商户特征获取每个样本数据的场景特征。
4.根据权利要求1所述的方法,其特征在于,
所述预设损失函数为Loss=∑(1-α*P(y|W))2;
其中,所述Loss为损失值;所述α为根据样本数据的点击行为和下单行为设置的权重值;所述P(y|W)为每个样本数据在其场景特征的条件下出现其标注取值的概率,所述W为样本数据的场景特征,所述y为样本数据的标注取值。
5.根据权利要求1所述的方法,其特征在于,所述根据所述概率数据模型确定目标用户的下单概率包括:
获取所述目标用户的用户特征和多个待选择商户的商户特征;
根据所述目标用户的用户特征和所述多个待选择商户的商户特征获取多个目标场景特征;
分别将所述多个目标场景特征输入训练完成的所述概率数据模型,获取所述目标用户对所述多个待选择商户出现下单行为的概率;
根据所述目标用户对所述多个待选择商户出现下单行为的概率,从所述多个待选择商户中确定向所述目标用户推荐的多个目标商户。
6.一种用户数据处理装置,其特征在于,包括:
第一获取模块,被配置为获取预设时间段内的多个样本数据,所述预设时间段包括多个预设时间窗口,每个所述样本数据包括预设时间窗口内用户在商户的多种行为;
标注取值模块,被配置为根据预设标注规则,获取每个所述样本数据的标注取值,所述预设标注规则为根据用户在预设时间窗口内是否存在对商户的点击行为和下单行为,将样本数据标注为正样本数据或负样本数据;
第二获取模块,被配置为根据用户画像和商户画像获取每个样本数据的场景特征,其中,所述用户画像包括用户的喜好、兴趣、口味中的至少一种用户特征,所述商户画像包括商户的客单价、满减数额、食材新鲜度中的至少一种商户特征,所述场景特征包括用户特征和商户特征的组合;
模型训练模块,被配置为根据所述每个样本数据的标注取值、场景特征和预设损失函数,训练概率数据模型;
确定模块,被配置为根据所述概率数据模型确定目标用户的下单概率,
其中,所述预设损失函数包括根据样本数据的点击行为和下单行为设置的权重值α,所述α的取值根据每个样本数据的点击行为和下单行为的实际情况确定,
其中,所述模型训练模块包括:
模型计算子模块,被配置为将所述每个样本数据的标注取值和每个样本数据的场景特征输入至概率数据模型,通过所述概率数据模型计算每个样本数据在其场景特征的条件下出现其标注取值的概率;
数据计算子模块,被配置为将每个样本数据在其场景特征的条件下出现其标注取值的概率带入所述预设损失函数,计算所述概率数据模型的损失值;
模型确定子模块,被配置为根据所述损失值,确定所述概率数据模型是否训练完成,所述根据所述损失值,确定所述概率数据模型是否训练完成为:当所述损失值小于或等于预设阈值时,确认所述概率数据模型训练完成。
7.根据权利要求6所述的装置,其特征在于,所述标注取值模块包括:
第一标注取值子模块,被配置为将所述多个样本数据中预设时间窗口内用户在商户存在下单行为的N个样本数据的标注取值设置为正样本数据值,所述N为大于或等于0的整数;
第二标注取值子模块,被配置为将所述多个样本数据除所述N个样本数据外的其余样本数据中预设时间窗口内用户在商户存在点击行为的M个样本数据的标注取值设置为正样本数据值,所述M为大于或等于0的整数;
第三标注取值子模块,被配置为将所述多个样本数据除所述N个样本数据和所述M个样本数据外的其余S个样本数据的标注取值设置为负样本数据值,所述S为大于或等于0的整数。
8.根据权利要求6或7所述的装置,其特征在于,所述第二获取模块包括:
第一获取子模块,被配置为根据用户画像和商户画像获取每个样本数据包括的用户的用户特征和商户的商户特征;
第二获取子模块,被配置为根据每个样本数据包括的用户的用户特征和商户的商户特征获取每个样本数据的场景特征。
9.根据权利要求6所述的装置,其特征在于,
所述预设损失函数为Loss=∑(1-α*P(y|W))2;
其中,所述Loss为损失值;所述α为根据样本数据的点击行为和下单行为设置的权重值;所述P(y|W)为每个样本数据在其场景特征的条件下出现其标注取值的概率,所述W为样本数据的场景特征,所述y为样本数据的标注取值。
10.根据权利要求6所述的装置,其特征在于,所述确定模块包括:
第三获取子模块,被配置为获取所述目标用户的用户特征和多个待选择商户的商户特征;
第四获取子模块,被配置为根据所述目标用户的用户特征和所述多个待选择商户的商户特征获取多个目标场景特征;
第五获取子模块,被配置为分别将所述多个目标场景特征输入训练完成的所述概率数据模型,获取所述目标用户对所述多个待选择商户出现下单行为的概率;
商户推荐子模块,被配置为根据所述目标用户对所述多个待选择商户出现下单行为的概率,从所述多个待选择商户中确定向所述目标用户推荐的多个目标商户。
11.一种电子设备,其特征在于,包括存储器和处理器;其中,
所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现权利要求1-5任一项所述的方法步骤。
12.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该计算机指令被处理器执行时实现权利要求1-5任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910229051.4A CN109961357B (zh) | 2019-03-25 | 2019-03-25 | 用户数据处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910229051.4A CN109961357B (zh) | 2019-03-25 | 2019-03-25 | 用户数据处理方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109961357A CN109961357A (zh) | 2019-07-02 |
CN109961357B true CN109961357B (zh) | 2021-09-03 |
Family
ID=67024886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910229051.4A Active CN109961357B (zh) | 2019-03-25 | 2019-03-25 | 用户数据处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109961357B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110457566B (zh) * | 2019-08-15 | 2023-06-16 | 腾讯科技(武汉)有限公司 | 信息筛选方法、装置、电子设备及存储介质 |
CN110503482B (zh) * | 2019-08-26 | 2022-04-22 | 深圳乐信软件技术有限公司 | 一种物品处理方法、装置、终端及存储介质 |
CN114286999A (zh) * | 2019-11-05 | 2022-04-05 | 深圳市欢太科技有限公司 | 推送内容的处理方法、装置、电子设备以及存储介质 |
CN111131227B (zh) * | 2019-12-20 | 2023-04-18 | 深圳前海微众银行股份有限公司 | 一种数据处理方法及装置 |
CN111368195B (zh) * | 2020-03-03 | 2024-02-13 | 上海喜马拉雅科技有限公司 | 一种模型训练方法、装置、设备及存储介质 |
CN111507471B (zh) * | 2020-03-03 | 2023-11-17 | 上海喜马拉雅科技有限公司 | 一种模型训练方法、装置、设备及存储介质 |
CN111460383A (zh) * | 2020-03-31 | 2020-07-28 | 浙江口碑网络技术有限公司 | 点单预测处理方法及装置 |
CN111552827B (zh) * | 2020-04-28 | 2023-06-16 | 腾讯科技(深圳)有限公司 | 标注方法和装置、行为意愿预测模型训练方法和装置 |
CN111582448B (zh) * | 2020-04-30 | 2023-06-23 | 广州市百果园信息技术有限公司 | 一种权重训练方法、装置、计算机设备和存储介质 |
CN112862539B (zh) * | 2021-03-03 | 2023-04-25 | 拉扎斯网络科技(上海)有限公司 | 流量处理方法、装置、电子设备及存储介质 |
CN114154015A (zh) * | 2021-11-15 | 2022-03-08 | 北京达佳互联信息技术有限公司 | 目标用户的确定方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104317894A (zh) * | 2014-10-23 | 2015-01-28 | 北京百度网讯科技有限公司 | 样本标注的确定方法和装置 |
CN106649774A (zh) * | 2016-12-27 | 2017-05-10 | 北京百度网讯科技有限公司 | 基于人工智能的对象推送方法及装置 |
CN107688606A (zh) * | 2017-07-26 | 2018-02-13 | 北京三快在线科技有限公司 | 一种推荐信息的获取方法及装置,电子设备 |
CN107886241A (zh) * | 2017-11-10 | 2018-04-06 | 北京三快在线科技有限公司 | 资源分析方法、装置、介质和电子设备 |
CN108694647A (zh) * | 2018-05-11 | 2018-10-23 | 北京三快在线科技有限公司 | 一种商户推荐理由的挖掘方法及装置,电子设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10706840B2 (en) * | 2017-08-18 | 2020-07-07 | Google Llc | Encoder-decoder models for sequence to sequence mapping |
CN107679945A (zh) * | 2017-09-27 | 2018-02-09 | 北京小度信息科技有限公司 | 建立消费对象推荐模型的方法以及相关方法及装置 |
CN108090785B (zh) * | 2017-12-07 | 2021-03-02 | 北京小度信息科技有限公司 | 确定用户行为衰退倾向的方法、装置及电子设备 |
CN108710847B (zh) * | 2018-05-15 | 2020-11-27 | 北京旷视科技有限公司 | 场景识别方法、装置及电子设备 |
CN109299360B (zh) * | 2018-09-21 | 2021-10-22 | 昆明理工大学 | 一种菜品推荐的方法 |
CN109408731B (zh) * | 2018-12-27 | 2021-03-16 | 网易(杭州)网络有限公司 | 一种多目标推荐方法、多目标推荐模型生成方法以及装置 |
-
2019
- 2019-03-25 CN CN201910229051.4A patent/CN109961357B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104317894A (zh) * | 2014-10-23 | 2015-01-28 | 北京百度网讯科技有限公司 | 样本标注的确定方法和装置 |
CN106649774A (zh) * | 2016-12-27 | 2017-05-10 | 北京百度网讯科技有限公司 | 基于人工智能的对象推送方法及装置 |
CN107688606A (zh) * | 2017-07-26 | 2018-02-13 | 北京三快在线科技有限公司 | 一种推荐信息的获取方法及装置,电子设备 |
CN107886241A (zh) * | 2017-11-10 | 2018-04-06 | 北京三快在线科技有限公司 | 资源分析方法、装置、介质和电子设备 |
CN108694647A (zh) * | 2018-05-11 | 2018-10-23 | 北京三快在线科技有限公司 | 一种商户推荐理由的挖掘方法及装置,电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109961357A (zh) | 2019-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109961357B (zh) | 用户数据处理方法、装置、电子设备及存储介质 | |
CN109657138B (zh) | 一种视频推荐方法、装置、电子设备及存储介质 | |
CN111125574B (zh) | 用于生成信息的方法和装置 | |
CN109902849A (zh) | 用户行为预测方法及装置、行为预测模型训练方法及装置 | |
CN108805598B (zh) | 相似度信息确定方法、服务器及计算机可读存储介质 | |
US11429653B2 (en) | Generating estimated trait-intersection counts utilizing semantic-trait embeddings and machine learning | |
CN107526810B (zh) | 建立点击率预估模型的方法及装置、展示方法及装置 | |
US20160210656A1 (en) | System for marketing touchpoint attribution bias correction | |
CN111428131B (zh) | 信息推送方法、装置及系统 | |
CN112015996B (zh) | 业务资源推荐方法、装置、计算机设备及存储介质 | |
EP3543943A1 (en) | Purchase information utilization system, purchase information utilization method, and program | |
CN110866698A (zh) | 用于评定服务提供方的服务分值的装置 | |
CN110674391A (zh) | 基于大数据的产品数据推送方法、系统和计算机设备 | |
CN108038217B (zh) | 信息推荐方法及装置 | |
CN111861605A (zh) | 业务对象推荐方法 | |
CN114298794A (zh) | 适用于SaaS电商平台的推荐方法、装置及存储介质 | |
CN112749323A (zh) | 一种构建用户画像的方法和装置 | |
CN105630185B (zh) | 显示广告预测中的时间动态 | |
CN112579691B (zh) | 一种支持大屏展示的数据处理方法及装置 | |
US20140324852A1 (en) | Classifying Queries To Generate Category Mappings | |
CN116976970A (zh) | 一种检索及推荐优惠券的方法、电子设备及存储介质 | |
CN111125502B (zh) | 用于生成信息的方法和装置 | |
CN109949090A (zh) | 客户推荐方法、装置、电子设备及介质 | |
CN108198058A (zh) | 商品推荐方法和装置 | |
CN111723274B (zh) | 用于处理信息的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |