CN110210905A - 特征相似度计算方法、装置、电子设备及计算机存储介质 - Google Patents
特征相似度计算方法、装置、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN110210905A CN110210905A CN201910471739.3A CN201910471739A CN110210905A CN 110210905 A CN110210905 A CN 110210905A CN 201910471739 A CN201910471739 A CN 201910471739A CN 110210905 A CN110210905 A CN 110210905A
- Authority
- CN
- China
- Prior art keywords
- operation object
- similarity
- characteristic similarity
- product
- operating data
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 36
- 238000011156 evaluation Methods 0.000 claims abstract description 130
- 238000000034 method Methods 0.000 claims description 33
- 230000006399 behavior Effects 0.000 claims description 18
- 230000000694 effects Effects 0.000 abstract description 5
- 239000000047 product Substances 0.000 description 137
- 235000013311 vegetables Nutrition 0.000 description 43
- 238000010586 diagram Methods 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000006854 communication Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000006227 byproduct Substances 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000004065 semiconductor 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开实施例公开了一种特征相似度计算方法、装置、电子设备及计算机存储介质,所述特征相似度计算方法包括:获取操作方在预设历史时间段内的历史操作数据,其中,所述操作方历史操作数据包括以下信息中的一种或多种:操作方标识信息、操作对象信息、操作对象从属方标识信息、操作内容、操作发生时间;根据所述操作方历史操作数据计算所述操作对象的相似度评价向量;根据所述操作对象的相似度评价向量计算所述操作方之间的特征相似度。该技术方案能够大大提升平台运行效果,提高平台工作效率,完善互联网服务,增加为用户服务的概率。
Description
技术领域
本公开涉及特征处理技术领域,具体涉及一种特征相似度计算方法、装置、电子设备及计算机存储介质。
背景技术
随着互联网技术的发展,越来越多的商户或者服务提供商通过互联网平台来为用户提供服务。但现有技术中并未考虑用户、商户或者服务提供商的特征相似情况,因此无法为用户、商户或者服务提供商提供有针对性的群体服务,因而难以增加用户使用互联网平台的机会,同时也不利于提高互联网平台的工作效率。
发明内容
本公开实施例提供一种特征相似度计算方法、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特征相似度计算方法。
具体的,所述特征相似度计算方法,包括:
获取操作方在预设历史时间段内的历史操作数据,其中,所述操作方历史操作数据包括以下信息中的一种或多种:操作方标识信息、操作对象信息、操作对象从属方标识信息、操作内容、操作发生时间;
根据所述操作方历史操作数据计算所述操作对象的相似度评价向量;
根据所述操作对象的相似度评价向量计算所述操作方之间的特征相似度。
结合第一方面,本公开在第一方面的第一种实现方式中,所述根据所述操作方历史操作数据计算所述操作对象的相似度评价向量,包括:
根据所述操作方历史操作数据生成操作对象共现图;
根据所述操作对象共现图生成所述操作对象的相似度评价向量。
结合第一方面和第一方面的第一种实现方式,本发明实施例在第一方面的第二种实现方式中,所述根据所述操作方历史操作数据生成操作对象共现图,包括:
获取所述操作方历史操作数据中的操作对象信息,并将所述操作对象信息中包括的操作对象作为所述共现图的节点;
将出现在同一操作中的所述操作对象连接起来,作为所述共现图连接不同节点的边;
将形成边的所述操作对象出现在同一操作中的次数作为所述边的权重,生成所述操作对象共现图。
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,本发明实施例在第一方面的第三种实现方式中,所述根据所述操作对象共现图生成所述操作对象的相似度评价向量,包括:
确定所述操作对象共现图的目标深度;
基于具有所述目标深度的操作对象共现图生成所述操作对象的相似度评价向量。
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,本发明实施例在第一方面的第四种实现方式中,所述根据所述操作对象的相似度评价向量计算所述操作方之间的特征相似度,包括:
确定目标操作方、所述目标操作方操作的第一目标操作对象及其相似度评价向量;
确定所述第一目标操作对象的权重;
基于所述第一目标操作对象的权重对所述第一目标操作对象的相似度评价向量进行加权求和,得到所述目标操作方的相似度评价向量;
根据所述目标操作方的相似度评价向量计算所述目标操作方之间的特征相似度。
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,本发明实施例在第一方面的第五种实现方式中,还包括:
根据所述操作对象的相似度评价向量计算所述操作对象从属方之间的特征相似度。
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、第一方面的第四种实现方式和第一方面的第五种实现方式,本发明实施例在第一方面的第六种实现方式中,所述根据所述操作对象的相似度评价向量计算所述操作对象从属方之间的特征相似度,包括:
确定目标从属方、所述目标从属方的第二目标操作对象及其相似度评价向量;
确定所述第二目标操作对象的权重;
基于所述第二目标操作对象的权重对所述第二目标操作对象的相似度评价向量进行加权求和,得到所述目标从属方的相似度评价向量;
根据所述目标从属方的相似度评价向量计算所述目标从属方之间的特征相似度。
第二方面,本公开实施例中提供了一种操作执行方法。
具体的,所述操作执行方法,包括:
获取操作方在预设历史时间段内的历史操作数据,其中,所述操作方历史操作数据包括以下信息中的一种或多种:操作方标识信息、操作对象信息、操作对象从属方标识信息、操作内容、操作发生时间;
计算操作方/操作对象从属方之间的特征相似度,其中,所述操作方之间的特征相似度根据上述操作执行方法计算得到,所述操作对象从属方之间的特征相似度根据上述操作执行方法计算得到;
根据所述操作方/操作对象从属方之间的特征相似度执行预设操作。
结合第二方面,本公开在第二方面的第一种实现方式中,所述预设操作包括群操作和分组操作。
第三方面,本公开实施例中提供了一种特征相似度计算装置。
具体的,所述特征相似度计算装置,包括:
第一获取模块,被配置为获取操作方在预设历史时间段内的历史操作数据,其中,所述操作方历史操作数据包括以下信息中的一种或多种:操作方标识信息、操作对象信息、操作对象从属方标识信息、操作内容、操作发生时间;
第一计算模块,被配置为根据所述操作方历史操作数据计算所述操作对象的相似度评价向量;
第二计算模块,被配置为根据所述操作对象的相似度评价向量计算所述操作方之间的特征相似度。
结合第三方面,本公开在第三方面的第一种实现方式中,所述第一计算模块包括:
第一生成子模块,被配置为根据所述操作方历史操作数据生成操作对象共现图;
第二生成子模块,被配置为根据所述操作对象共现图生成所述操作对象的相似度评价向量。
结合第三方面和第三方面的第一种实现方式,本发明实施例在第三方面的第二种实现方式中,所述第一生成子模块包括:
获取子模块,被配置为获取所述操作方历史操作数据中的操作对象信息,并将所述操作对象信息中包括的操作对象作为所述共现图的节点;
连接子模块,被配置为将出现在同一操作中的所述操作对象连接起来,作为所述共现图连接不同节点的边;
第三生成子模块,被配置为将形成边的所述操作对象出现在同一操作中的次数作为所述边的权重,生成所述操作对象共现图。
结合第三方面、第三方面的第一种实现方式和第三方面的第二种实现方式,本发明实施例在第三方面的第三种实现方式中,所述第二生成子模块包括:
第一确定子模块,被配置为确定所述操作对象共现图的目标深度;
第四生成子模块,被配置为基于具有所述目标深度的操作对象共现图生成所述操作对象的相似度评价向量。
结合第三方面、第三方面的第一种实现方式、第三方面的第二种实现方式和第三方面的第三种实现方式,本发明实施例在第三方面的第四种实现方式中,所述第二计算模块包括:
第二确定子模块,被配置为确定目标操作方、所述目标操作方操作的第一目标操作对象及其相似度评价向量;
第三确定子模块,被配置为确定所述第一目标操作对象的权重;
第一求和子模块,被配置为基于所述第一目标操作对象的权重对所述第一目标操作对象的相似度评价向量进行加权求和,得到所述目标操作方的相似度评价向量;
第一计算子模块,被配置为根据所述目标操作方的相似度评价向量计算所述目标操作方之间的特征相似度。
结合第三方面、第三方面的第一种实现方式、第三方面的第二种实现方式、第三方面的第三种实现方式和第三方面的第四种实现方式,本发明实施例在第三方面的第五种实现方式中,还包括:
第三计算模块,被配置为根据所述操作对象的相似度评价向量计算所述操作对象从属方之间的特征相似度。
结合第三方面、第三方面的第一种实现方式、第三方面的第二种实现方式、第三方面的第三种实现方式、第三方面的第四种实现方式和第三方面的第五种实现方式,本发明实施例在第三方面的第六种实现方式中,所述第三计算模块包括:
第四确定子模块,被配置为确定目标从属方、所述目标从属方的第二目标操作对象及其相似度评价向量;
第五确定子模块,被配置为确定所述第二目标操作对象的权重;
第二求和子模块,被配置为基于所述第二目标操作对象的权重对所述第二目标操作对象的相似度评价向量进行加权求和,得到所述目标从属方的相似度评价向量;
第二计算子模块,被配置为根据所述目标从属方的相似度评价向量计算所述目标从属方之间的特征相似度。
第四方面,本公开实施例中提供了一种操作执行装置。
具体的,所述操作执行装置,包括:
第二获取模块,被配置为获取操作方在预设历史时间段内的历史操作数据,其中,所述操作方历史操作数据包括以下信息中的一种或多种:操作方标识信息、操作对象信息、操作对象从属方标识信息、操作内容、操作发生时间;
第四计算模块,被配置为计算操作方/操作对象从属方之间的特征相似度,其中,所述操作方之间的特征相似度根据上述操作执行装置计算得到,所述操作对象从属方之间的特征相似度根据上述操作执行装置计算得到;
执行模块,被配置为根据所述操作方/操作对象从属方之间的特征相似度执行预设操作。
结合第四方面,本公开在第四方面的第一种实现方式中,所述预设操作包括群操作和分组操作。
第五方面,本公开实施例提供了一种电子设备,包括存储器和处理器,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上述第一及第二方面中特征相似度计算方法的方法步骤。
第六方面,本公开实施例提供了一种计算机可读存储介质,用于存储特征相似度计算装置所用的计算机指令,其包含用于执行上述第一及第二方面中特征相似度计算方法为特征相似度计算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:
上述技术方案基于操作方在预设历史时间段内的历史操作数据得到能够体现特征信息的、操作对象的相似度评价向量,并借助操作对象的相似度评价向量来获取操作方之间的特征相似度。该技术方案能够大大提升平台运行效果,提高平台工作效率,完善互联网服务,增加为用户服务的概率。
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1示出根据本公开一实施方式的特征相似度计算方法的流程图;
图2示出根据图1所示实施方式的特征相似度计算方法的步骤S102的流程图;
图3示出根据图2所示实施方式的特征相似度计算方法的步骤S201的流程图;
图4示出根据本发明一实施例生成的共现图;
图5示出根据图2所示实施方式的特征相似度计算方法的步骤S202的流程图;
图6示出根据图1所示实施方式的特征相似度计算方法的步骤S103的流程图;
图7示出根据本公开另一实施方式的特征相似度计算方法的流程图;
图8示出根据图7所示实施方式的特征相似度计算方法的步骤S704的流程图;
图9示出根据本公开再一实施方式的操作执行方法的流程图;
图10示出根据本公开一实施方式的特征相似度计算装置的结构框图;
图11示出根据图10所示实施方式的特征相似度计算装置的第第一计算模块1002的结构框图;
图12示出根据图11所示实施方式的特征相似度计算装置的第一生成子模块1101的结构框图;
图13示出根据图11所示实施方式的特征相似度计算装置的第二生成子模块1102的结构框图;
图14示出根据图10所示实施方式的特征相似度计算装置的第二计算模块1003的结构框图;
图15示出根据本公开另一实施方式的特征相似度计算装置的结构框图;
图16示出根据图15所示实施方式的特征相似度计算装置的第三计算模块1504的结构框图;
图17示出根据本公开再一实施方式的操作执行装置的结构框图;
图18示出根据本公开一实施方式的电子设备的结构框图;
图19是适于用来实现根据本公开一实施方式的特征相似度计算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、操作、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、操作、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基于操作方在预设历史时间段内的历史操作数据得到能够体现特征信息的、操作对象的相似度评价向量,并借助操作对象的相似度评价向量来获取操作方之间的特征相似度。该技术方案能够大大提升平台运行效果,提高平台工作效率,完善互联网服务,增加为用户服务的概率。
图1示出根据本公开一实施方式的特征相似度计算方法的流程图。如图1所示,所述特征相似度计算方法包括以下步骤S101-S103:
在步骤S101中,获取操作方在预设历史时间段内的历史操作数据,其中,所述操作方历史操作数据包括以下信息中的一种或多种:操作方标识信息、操作对象信息;
在步骤S102中,根据所述操作方历史操作数据计算所述操作对象的相似度评价向量;
在步骤S103中,根据所述操作对象的相似度评价向量计算所述操作方之间的特征相似度。
上文提及,随着互联网技术的发展,越来越多的商户或者服务提供商通过互联网平台来为用户提供服务。但现有技术中并未考虑用户、商户或者服务提供商的特征相似情况,因此无法为用户、商户或者服务提供商提供有针对性的群体服务,因而难以增加用户使用互联网平台的机会,同时也不利于提高互联网平台的工作效率。
考虑到上述缺陷,在该实施方式中,提出一种特征相似度计算方法,该方法基于操作方在预设历史时间段内的历史操作数据得到能够体现特征信息的、操作对象的相似度评价向量,并借助操作对象的相似度评价向量来获取操作方之间的特征相似度。该技术方案能够大大提升平台运行效果,提高平台工作效率,完善互联网服务,增加为用户服务的概率。
在本实施例的一个可选实现方式中,所述操作方指的是执行操作、产生操作的一方,比如可以为用户、操作机器人等操作资源。其中,所述操作指的是具有特定的操作对象以及相应的操作内容,并且具有一定有效性的操作,比如下单、交易、购买、加购物车、收藏、加标、点击甚至浏览,所述加标指的是用户点击喜欢、执行加星等操作。
在本实施例的一个可选实现方式中,所述预设历史时间段可根据实际应用的需要以及操作方历史操作数据的特点进行设置,本发明对其不作具体限定。
在本实施例的一个可选实现方式中,所述操作方历史操作数据可包括以下信息中的一种或多种:操作方标识信息、操作对象信息、操作对象从属方标识信息、操作发生时间,其中,所述操作方标识信息用于对于操作方的身份进行唯一性地标识,所述操作对象信息用于对于操作对象进行唯一性地标识,所述操作对象从属方标识信息用于对于操作对象的从属方的身份进行唯一性地标识,所述从属方指的是与操作对象具有从属关系的一方,比如,当操作对象为产品时,其从属方就是该产品的提供方或者生产方,当操作对象为服务时,其从属方就是该服务的提供方。当然,所述操作方历史操作数据也可以包括其他信息,比如下单、交易、购买、加购物车、收藏、加标、点击、浏览等操作内容等等。
在本实施例的一个可选实现方式中,所述操作对象的相似度评价向量是一个向量,其用于表征与所述操作对象相关的因素之间的关系。
在本实施例的一个可选实现方式中,在获取操作方在预设历史时间段内的历史操作数据时,可通过操作方提供的数据来获取,也可通过操作数据从属方提供的数据来获取,再或者,也可通过平台大数据或者其他途径来获取,对于所述历史操作数据的获取途径,本发明对其不作具体限定。
在本实施例的一个可选实现方式中,如图2所示,所述步骤S102,即根据所述操作方历史操作数据计算所述操作对象的相似度评价向量的步骤,包括步骤S201-S202:
在步骤S201中,根据所述操作方历史操作数据生成操作对象共现图;
在步骤S202中,根据所述操作对象共现图生成所述操作对象的相似度评价向量。
考虑到本公开技术方案的目的就是要从基于操作对象生成的操作数据中,寻找与操作对象相关的因素方之间的共性或者说是相似性,因此,在该实现方式中,利用共现图来挖掘与操作对象相关的因素方之间的共性和相似性。具体地,首先根据所述操作方历史操作数据生成基于操作对象的共现图,然后根据所述操作对象共现图生成能够表征与所述操作对象相关的因素之间的关系的操作对象相似度评价向量,其中,所述相似度评价向量用于评价与其他操作对象之间的相似程度。
其中,所述共现图也可以叫做共现图谱或者共现网络图,其能够表征图中各节点元素共同出现的情况,因此也能够表征节点相关元素之间的共性或相似性。
在本实施例的一个可选实现方式中,如图3所示,所述步骤S201,即根据所述操作方历史操作数据生成操作对象共现图的步骤,包括步骤S301-S303:
在步骤S301中,获取所述操作方历史操作数据中的操作对象信息,并将所述操作对象信息中包括的操作对象作为所述共现图的节点;
在步骤S302中,将出现在同一操作中的所述操作对象连接起来,作为所述共现图连接不同节点的边;
在步骤S303中,将形成边的所述操作对象出现在同一操作中的次数作为所述边的权重,生成所述操作对象共现图。
在生成操作对象共现图时,首先将每个操作对象作为共现图的节点,再将出现在同一操作中,比如同一订单中的操作对象连接起来,作为共现图连接不同节点的边;最后将连接边的端点处的操作对象出现在同一操作中的次数作为该条边的权重,这样就生成了基于操作对象的共现图。
图4为根据本发明一实施例生成的共现图,在该实施例中,用户A在一次购买操作中同时购买了产品1、产品2和产品3,用户B在一次购买操作中同时购买了产品1、产品3和产品4,那么所生成的共现图中,节点为产品1、产品2、产品3和产品4,由于产品1、产品2和产品3同时出现在用户A的同一购买操作中,则产品1、产品2和产品3之间互相连接有边,每条边的权重设为1,另外,产品1、产品3和产品4也同时出现在用户B的同一购买操作中,则产品1、产品3和产品4之间也互相连接有边,这样,新生成的产品1与产品4之间的边以及产品3与产品4之间的边权重均为1,而由于产品1与产品3之前已经共同出现在同一操作中,则产品1与产品3之间的边的权重变为2。
在本实施例的一个可选实现方式中,如图5所示,所述步骤S202,即根据所述操作对象共现图生成所述操作对象的相似度评价向量的步骤,包括步骤S501-S502:
在步骤S501中,确定所述操作对象共现图的目标深度;
在步骤S502中,基于具有所述目标深度的操作对象共现图生成所述操作对象的相似度评价向量。
考虑到当操作方以及操作对象的数量众多时,所生成的共现图的结构会变得非常复杂,数据量也会非常的庞大,另外,共现图中距离较近的节点之间的共性相对较强,而距离较远的节点之间的共性相对较弱,因此,为了在节省计算量与保证计算精确度之间进行平衡,在该实施方式中,在根据操作对象共现图生成操作对象的相似度评价向量时,不使用全部的操作对象共现图,而是选取操作对象共现图的一部分,更为具体地,首先根据实际应用的需要以及操作对象的特点,确定选取的部分操作对象共现图的目标深度;然后再基于具有所述目标深度的操作对象共现图生成所述操作对象的相似度评价向量。
其中,所述深度指的是以共现图中某一特定节点为中心,向外扩展的边的阶数,比如图4中,以产品1为中心,深度为1的共现图指的是与产品1仅有1阶边连接的节点及相应的边组成的图,即由产品1、产品2、产品3、产品4这4个节点,以及产品1与产品2、产品1与产品3、产品1与产品4之间的边组成的图,并不包括产品2与产品3、产品3与产品4这两条未与产品1有连接的边;再比如图4中,以产品1为中心,深度为2的共现图指的是与产品1有1阶边或2阶边连接的节点及相应的边组成的图,这时,所述共现图就包括产品1、产品2、产品3、产品4这4个节点,以及产品1与产品2、产品1与产品3、产品1与产品4、产品2与产品3、产品3与产品4之间与产品1有直接一层连接或间接两层连接的边。
在本实施例的一个可选实现方式中,考虑到节省计算量与保证计算精确度之间的平衡,在生成操作对象的相似度评价向量时,选取二阶操作对象共现图,即,将需要的操作对象共现图的目标深度设置为2。
在本实施例的一个可选实现方式中,在基于操作对象共现图生成操作对象的相似度评价向量时,可借助图嵌入算法等网络表示学习方法来实现,该方法属于本领域技术人员能够熟练掌握的技术,本发明在此对其不作过多描述。
在本实施例的一个可选实现方式中,如图6所示,所述步骤S103,即根据所述操作对象的相似度评价向量计算所述操作方之间的特征相似度的步骤,包括步骤S601-S604:
在步骤S601中,确定目标操作方、所述目标操作方操作的第一目标操作对象及其相似度评价向量;
在步骤S602中,确定所述第一目标操作对象的权重;
在步骤S603中,基于所述第一目标操作对象的权重对所述第一目标操作对象的相似度评价向量进行加权求和,得到所述目标操作方的相似度评价向量;
在步骤S604中,根据所述目标操作方的相似度评价向量计算所述目标操作方之间的特征相似度。
在计算操作方之间的特征相似度时,先确定计算的对象,即目标操作方;然后确定参与特征相似度计算的操作对象,即第一目标操作对象;然后确定所述第一目标操作对象的权重;然后基于所述第一目标操作对象的权重对于所述第一目标操作对象的相似度评价向量进行加权求和,即可得到所述目标操作方的相似度评价向量;最后再根据所述目标操作方的相似度评价向量计算得到所述目标操作方之间的特征相似度。
考虑到操作对象的数量众多,若基于所有的操作对象进行计算,那么需要耗费的计算量将会对于计算资源以及计算时间是一个巨大的挑战,为了降低计算资源的压力,缩短计算所用时间以及提高计算效率,在本实施例的一个可选实现方式中,选取预设数量的、出现次数超过预设阈值的操作对象作为第一目标操作对象来进行操作方特征相似度的计算。比如,可选取某一操作方所执行的操作中,出现次数最高的5个操作对象来进行该操作方特征相似度的计算。
其中,所述第一目标操作对象的权重用于表征所述第一目标操作对象的重要程度,在本实施例的一个可选实现方式中,以所述第一目标操作对象在操作方的操作中出现的总次数作为其权重值。
其中,在根据操作方的相似度评价向量计算所述操作方之间的特征相似度时,可借助合适的、向量相似性计算方法来实现,比如,在本实施例的一个可选实现方式中,利用向量之间的余弦距离来表征其相似性,如下式所示:
其中,a和b表示不同操作方的相似度评价向量,所计算得到的余弦距离越接近于1表示两者相似性越大,余弦距离越接近于-1表示两者越不相似。
当然,也可根据实际应用的需要以及计算向量的特点采用其他向量相似性计算方法进行相似性的计算,本发明对其不作具体限定。
以外卖平台为例,若所述操作方为购买外卖的用户,所述操作对象为待选择的菜品,则在该实现方式中,先确定待处理的目标用户、所述目标用户所点的菜品及其相似度评价向量;然后确定所述菜品对应的权重,即该菜品被点餐的次数;基于所述菜品的权重对所述菜品的相似度评价向量进行加权求和,得到所述目标用户的相似度评价向量;最后根据所述目标用户的相似度评价向量计算所述目标用户之间的特征相似度。
在本实施例的一个可选实现方式中,所述方法还包括根据所述操作对象的相似度评价向量计算所述操作对象从属方之间的特征相似度的步骤,即如图7所示,所述方法包括以下步骤S701-S704:
在步骤S701中,获取操作方在预设历史时间段内的历史操作数据,其中,所述操作方历史操作数据包括以下信息中的一种或多种:操作方标识信息、操作对象信息;
在步骤S702中,根据所述操作方历史操作数据计算所述操作对象的相似度评价向量;
在步骤S703中,根据所述操作对象的相似度评价向量计算所述操作方之间的特征相似度;
在步骤S704中,根据所述操作对象的相似度评价向量计算所述操作对象从属方之间的特征相似度。
考虑到若能够寻找到操作对象从属方之间的特征相似度,就可以对操作对象从属方执行具有一定相似性的群操作,这样就可以大大提升平台的运行效率,完善互联网平台的服务质量。因此,在该实施方式中,还可以根据所述操作对象的相似度评价向量计算所述操作对象从属方之间的特征相似度。
以外卖平台为例,若所述操作方为购买外卖的用户,所述操作对象为待选择的菜品,操作对象从属方为提供菜品的商户,则在该实现方式中,可获取用户在预设历史时间段内的历史下单数据,其中,所述用户历史下单数据包括用户标识信息和下单菜品信息;然后根据所述用户历史下单数据计算菜品的相似度评价向量;进而根据所述菜品的相似度评价向量计算得到所述用户之间的特征相似度,同时还能够计算得到商户之间的特征相似度。
在本实施例的一个可选实现方式中,如图8所示,所述步骤S704,即根据所述操作对象的相似度评价向量计算所述操作对象从属方之间的特征相似度的步骤,包括步骤S801-S804:
在步骤S801中,确定目标从属方、所述目标从属方的第二目标操作对象及其相似度评价向量;
在步骤S802中,确定所述第二目标操作对象的权重;
在步骤S803中,基于所述第二目标操作对象的权重对于所述第二目标操作对象的相似度评价向量进行加权求和,得到所述目标从属方的相似度评价向量;
在步骤S804中,根据所述目标从属方的相似度评价向量计算所述目标从属方之间的特征相似度。
该实施方式与上文中描述的计算所述目标操作方之间的特征相似度的实施方式比较相似,具体实现细节可参考上文相应描述,本发明在此不作赘述。
以外卖平台为例,若所述操作对象为菜品,所述操作对象从属方为提供菜品的商户,则在该实现方式中,先确定待处理的目标商户、该目标商户的菜品及其相似度评价向量;然后确定所述菜品对应的权重,即该菜品被点餐的次数;基于所述菜品的权重对所述菜品的相似度评价向量进行加权求和,得到所述目标商户的相似度评价向量;最后根据所述目标商户的相似度评价向量计算所述目标商户之间的特征相似度。
图9示出根据本公开再一实施方式的操作执行方法的流程图。如图9所示,所述操作执行方法包括以下步骤S901-S903:
在步骤S901中,获取操作方在预设历史时间段内的历史操作数据,其中,所述操作方历史操作数据包括以下信息中的一种或多种:操作方标识信息、操作对象信息、操作对象从属方标识信息、操作内容、操作发生时间;
在步骤S902中,计算操作方/操作对象从属方之间的特征相似度,其中,所述操作方之间的特征相似度和操作对象从属方之间的特征相似度根据上述任一方法计算得到;
在步骤S903中,根据所述操作方/操作对象从属方之间的特征相似度执行预设操作。
在根据操作方在预设历史时间段内的历史操作数据计算得到操作方/操作对象从属方之间的特征相似度之后,就可以根据所述特征相似度执行预设操作,以提升互联网平台的运行效率,完善互联网平台的服务质量。其中,所述预设操作可包括以下操作中的一种或多种:群操作、群发消息、分组操作、分组发送消息、群、推荐、分组推荐等等。比如,对于较为相似的操作方,可根据其相似或共同的行为偏好,为其群发推荐消息、优惠消息等消息,对于较为相似的操作对象从属方,可根据其提供的操作对象,为其群发管理消息、营销消息等消息。
下面给出一个外卖平台的应用场景,结合所述应用场景能够更好地理解本公开的技术方案。
在该应用场景中,首先获取多个用户在预设历史时间段内的历史点餐数据,将被购买的菜品作为节点,将出现在同一用户订单中的菜品连接起来,作为边,将形成边的菜品在同一订单中出现的次数作为边的权重,生成菜品共现图。基于所述菜品共现图,可以得到每个菜品的相似度评价向量,然后为不同菜品设置权重值,对与某一用户或商户相关的菜品进行相似度评价向量加权求和,即可得到所述用户或商户的相似度评价向量,进而可计算得到所述用户或商户之间的特征相似度。后续可根据所述特征相似度进行群操作、分组操作等预设操作。
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10示出根据本公开一实施方式的特征相似度计算装置的结构框图,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10所示,所述特征相似度计算装置包括:
第一获取模块1001,被配置为获取操作方在预设历史时间段内的历史操作数据,其中,所述操作方历史操作数据包括以下信息中的一种或多种:操作方标识信息、操作对象信息;
第一计算模块1002,被配置为根据所述操作方历史操作数据计算所述操作对象的相似度评价向量;
第二计算模块1003,被配置为根据所述操作对象的相似度评价向量计算所述操作方之间的特征相似度。
上文提及,随着互联网技术的发展,越来越多的商户或者服务提供商通过互联网平台来为用户提供服务。但现有技术中并未考虑用户、商户或者服务提供商的特征相似情况,因此无法为用户、商户或者服务提供商提供有针对性的群体服务,因而难以增加用户使用互联网平台的机会,同时也不利于提高互联网平台的工作效率。
考虑到上述缺陷,在该实施方式中,提出一种特征相似度计算装置,该装置基于操作方在预设历史时间段内的历史操作数据得到能够体现特征信息的、操作对象的相似度评价向量,并借助操作对象的相似度评价向量来获取操作方之间的特征相似度。该技术方案能够大大提升平台运行效果,提高平台工作效率,完善互联网服务,增加为用户服务的概率。
在本实施例的一个可选实现方式中,所述操作方指的是执行操作、产生操作的一方,比如可以为用户、操作机器人等操作资源。其中,所述操作指的是具有特定的操作对象以及相应的操作内容,并且具有一定有效性的操作,比如下单、交易、购买、加购物车、收藏、加标、点击甚至浏览,所述加标指的是用户点击喜欢、执行加星等操作。
在本实施例的一个可选实现方式中,所述预设历史时间段可根据实际应用的需要以及操作方历史操作数据的特点进行设置,本发明对其不作具体限定。
在本实施例的一个可选实现方式中,所述操作方历史操作数据可包括以下信息中的一种或多种:操作方标识信息、操作对象信息、操作对象从属方标识信息、操作发生时间,其中,所述操作方标识信息用于对于操作方的身份进行唯一性地标识,所述操作对象信息用于对于操作对象进行唯一性地标识,所述操作对象从属方标识信息用于对于操作对象的从属方的身份进行唯一性地标识,所述从属方指的是与操作对象具有从属关系的一方,比如,当操作对象为产品时,其从属方就是该产品的提供方或者生产方,当操作对象为服务时,其从属方就是该服务的提供方。当然,所述操作方历史操作数据也可以包括其他信息,比如下单、交易、购买、加购物车、收藏、加标、点击、浏览等操作内容等等。
在本实施例的一个可选实现方式中,所述操作对象的相似度评价向量是一个向量,其用于表征与所述操作对象相关的因素之间的关系。
在本实施例的一个可选实现方式中,在获取操作方在预设历史时间段内的历史操作数据时,可通过操作方提供的数据来获取,也可通过操作数据从属方提供的数据来获取,再或者,也可通过平台大数据或者其他途径来获取,对于所述历史操作数据的获取途径,本发明对其不作具体限定。
在本实施例的一个可选实现方式中,如图11所示,所述第一计算模块1002包括:
第一生成子模块1101,被配置为根据所述操作方历史操作数据生成操作对象共现图;
第二生成子模块1102,被配置为根据所述操作对象共现图生成所述操作对象的相似度评价向量。
考虑到本公开技术方案的目的就是要从基于操作对象生成的操作数据中,寻找与操作对象相关的因素方之间的共性或者说是相似性,因此,在该实现方式中,利用共现图来挖掘与操作对象相关的因素方之间的共性和相似性。具体地,第一生成子模块1101根据所述操作方历史操作数据生成基于操作对象的共现图,第二生成子模块1102根据所述操作对象共现图生成能够表征与所述操作对象相关的因素之间的关系的操作对象相似度评价向量,其中,所述相似度评价向量用于评价与其他操作对象之间的相似程度。
其中,所述共现图也可以叫做共现图谱或者共现网络图,其能够表征图中各节点元素共同出现的情况,因此也能够表征节点相关元素之间的共性或相似性。
在本实施例的一个可选实现方式中,如图12所示,所述第一生成子模块1101包括:
获取子模块1201,被配置为获取所述操作方历史操作数据中的操作对象信息,并将所述操作对象信息中包括的操作对象作为所述共现图的节点;
连接子模块1202,被配置为将出现在同一操作中的所述操作对象连接起来,作为所述共现图连接不同节点的边;
第三生成子模块1203,被配置为将形成边的所述操作对象出现在同一操作中的次数作为所述边的权重,生成所述操作对象共现图。
在生成操作对象共现图时,首先将每个操作对象作为共现图的节点,再将出现在同一操作中,比如同一订单中的操作对象连接起来,作为共现图连接不同节点的边;最后将连接边的端点处的操作对象出现在同一操作中的次数作为该条边的权重,这样就生成了基于操作对象的共现图。
图4为根据本发明一实施例生成的共现图,在该实施例中,用户A在一次购买操作中同时购买了产品1、产品2和产品3,用户B在一次购买操作中同时购买了产品1、产品3和产品4,那么所生成的共现图中,节点为产品1、产品2、产品3和产品4,由于产品1、产品2和产品3同时出现在用户A的同一购买操作中,则产品1、产品2和产品3之间互相连接有边,每条边的权重设为1,另外,产品1、产品3和产品4也同时出现在用户B的同一购买操作中,则产品1、产品3和产品4之间也互相连接有边,这样,新生成的产品1与产品4之间的边以及产品3与产品4之间的边权重均为1,而由于产品1与产品3之前已经共同出现在同一操作中,则产品1与产品3之间的边的权重变为2。
在本实施例的一个可选实现方式中,如图13所示,所述第二生成子模块1102包括:
第一确定子模块1301,被配置为确定所述操作对象共现图的目标深度;
第四生成子模块1302,被配置为基于具有所述目标深度的操作对象共现图生成所述操作对象的相似度评价向量。
考虑到当操作方以及操作对象的数量众多时,所生成的共现图的结构会变得非常复杂,数据量也会非常的庞大,另外,共现图中距离较近的节点之间的共性相对较强,而距离较远的节点之间的共性相对较弱,因此,为了在节省计算量与保证计算精确度之间进行平衡,在该实施方式中,在根据操作对象共现图生成操作对象的相似度评价向量时,不使用全部的操作对象共现图,而是选取操作对象共现图的一部分,更为具体地,第一确定子模块1301根据实际应用的需要以及操作对象的特点,确定选取的部分操作对象共现图的目标深度;第四生成子模块1302再基于具有所述目标深度的操作对象共现图生成所述操作对象的相似度评价向量。
其中,所述深度指的是以共现图中某一特定节点为中心,向外扩展的边的阶数,比如图4中,以产品1为中心,深度为1的共现图指的是与产品1仅有1阶边连接的节点及相应的边组成的图,即由产品1、产品2、产品3、产品4这4个节点,以及产品1与产品2、产品1与产品3、产品1与产品4之间的边组成的图,并不包括产品2与产品3、产品3与产品4这两条未与产品1有连接的边;再比如图4中,以产品1为中心,深度为2的共现图指的是与产品1有1阶边或2阶边连接的节点及相应的边组成的图,这时,所述共现图就包括产品1、产品2、产品3、产品4这4个节点,以及产品1与产品2、产品1与产品3、产品1与产品4、产品2与产品3、产品3与产品4之间与产品1有直接一层连接或间接两层连接的边。
在本实施例的一个可选实现方式中,考虑到节省计算量与保证计算精确度之间的平衡,在生成操作对象的相似度评价向量时,选取二阶操作对象共现图,即,将需要的操作对象共现图的目标深度设置为2。
在本实施例的一个可选实现方式中,在基于操作对象共现图生成操作对象的相似度评价向量时,可借助图嵌入算法等网络表示学习方法来实现,该方法属于本领域技术人员能够熟练掌握的技术,本发明在此对其不作过多描述。
在本实施例的一个可选实现方式中,如图14所示,所述第二计算模块1003包括:
第二确定子模块1401,被配置为确定目标操作方、所述目标操作方操作的第一目标操作对象及其相似度评价向量;
第三确定子模块1402,被配置为确定所述第一目标操作对象的权重;
第一求和子模块1403,被配置为基于所述第一目标操作对象的权重对所述第一目标操作对象的相似度评价向量进行加权求和,得到所述目标操作方的相似度评价向量;
第一计算子模块1404,被配置为根据所述目标操作方的相似度评价向量计算所述目标操作方之间的特征相似度。
在计算操作方之间的特征相似度时,第二确定子模块1401确定计算的对象,即目标操作方,确定参与特征相似度计算的操作对象,即第一目标操作对象;第三确定子模块1402确定所述第一目标操作对象的权重;第一求和子模块1403基于所述第一目标操作对象的权重对于所述第一目标操作对象的相似度评价向量进行加权求和,即可得到所述目标操作方的相似度评价向量;第一计算子模块1404再根据所述目标操作方的相似度评价向量计算得到所述目标操作方之间的特征相似度。
考虑到操作对象的数量众多,若基于所有的操作对象进行计算,那么需要耗费的计算量将会对于计算资源以及计算时间是一个巨大的挑战,为了降低计算资源的压力,缩短计算所用时间以及提高计算效率,在本实施例的一个可选实现方式中,选取预设数量的、出现次数超过预设阈值的操作对象作为第一目标操作对象来进行操作方特征相似度的计算。比如,可选取某一操作方所执行的操作中,出现次数最高的5个操作对象来进行该操作方特征相似度的计算。
其中,所述第一目标操作对象的权重用于表征所述第一目标操作对象的重要程度,在本实施例的一个可选实现方式中,以所述第一目标操作对象在操作方的操作中出现的总次数作为其权重值。
其中,在根据操作方的相似度评价向量计算所述操作方之间的特征相似度时,可借助合适的、向量相似性计算方法来实现,比如,在本实施例的一个可选实现方式中,利用向量之间的余弦距离来表征其相似性,如下式所示:
其中,a和b表示不同操作方的相似度评价向量,所计算得到的余弦距离越接近于1表示两者相似性越大,余弦距离越接近于-1表示两者越不相似。
当然,也可根据实际应用的需要以及计算向量的特点采用其他向量相似性计算方法进行相似性的计算,本发明对其不作具体限定。
以外卖平台为例,若所述操作方为购买外卖的用户,所述操作对象为待选择的菜品,则在该实现方式中,先确定待处理的目标用户、所述目标用户所点的菜品及其相似度评价向量;然后确定所述菜品对应的权重,即该菜品被点餐的次数;基于所述菜品的权重对所述菜品的相似度评价向量进行加权求和,得到所述目标用户的相似度评价向量;最后根据所述目标用户的相似度评价向量计算所述目标用户之间的特征相似度。
在本实施例的一个可选实现方式中,所述装置还包括根据所述操作对象的相似度评价向量计算所述操作对象从属方之间的特征相似度的部分,即如图15所示,所述装置包括:
第二获取模块1501,被配置为获取操作方在预设历史时间段内的历史操作数据,其中,所述操作方历史操作数据包括以下信息中的一种或多种:操作方标识信息、操作对象信息;
第一计算模块1502,被配置为根据所述操作方历史操作数据计算所述操作对象的相似度评价向量;
第二计算模块1503,被配置为根据所述操作对象的相似度评价向量计算所述操作方之间的特征相似度;
第三计算模块1504,被配置为根据所述操作对象的相似度评价向量计算所述操作对象从属方之间的特征相似度。
考虑到若能够寻找到操作对象从属方之间的特征相似度,就可以对操作对象从属方执行具有一定相似性的群操作,这样就可以大大提升平台的运行效率,完善互联网平台的服务质量。因此,在该实施方式中,还可以根据所述操作对象的相似度评价向量计算所述操作对象从属方之间的特征相似度。
以外卖平台为例,若所述操作方为购买外卖的用户,所述操作对象为待选择的菜品,操作对象从属方为提供菜品的商户,则在该实现方式中,可获取用户在预设历史时间段内的历史下单数据,其中,所述用户历史下单数据包括用户标识信息和下单菜品信息;然后根据所述用户历史下单数据计算菜品的相似度评价向量;进而根据所述菜品的相似度评价向量计算得到所述用户之间的特征相似度,同时还能够计算得到商户之间的特征相似度。
在本实施例的一个可选实现方式中,如图16所示,所述第三计算模块1504包括:
第四确定子模块1601,被配置为确定目标从属方、所述目标从属方的第二目标操作对象及其相似度评价向量;
第五确定子模块1602,被配置为确定所述第二目标操作对象的权重;
第二求和子模块1603,被配置为基于所述第二目标操作对象的权重对于所述第二目标操作对象的相似度评价向量进行加权求和,得到所述目标从属方的相似度评价向量;
第二计算子模块1604,被配置为根据所述目标从属方的相似度评价向量计算所述目标从属方之间的特征相似度。
该实施方式与上文中描述的计算所述目标操作方之间的特征相似度的实施方式比较相似,具体实现细节可参考上文相应描述,本发明在此不作赘述。
以外卖平台为例,若所述操作对象为菜品,所述操作对象从属方为提供菜品的商户,则在该实现方式中,第四确定子模块1601确定待处理的目标商户、该目标商户的菜品及其相似度评价向量;第五确定子模块1602确定所述菜品对应的权重,即该菜品被点餐的次数;第二求和子模块1603基于所述菜品的权重对所述菜品的相似度评价向量进行加权求和,得到所述目标商户的相似度评价向量;第二计算子模块1604根据所述目标商户的相似度评价向量计算所述目标商户之间的特征相似度。
图17示出根据本公开再一实施方式的操作执行装置的流程图。如图17所示,所述操作执行装置包括:
第二获取模块1701,被配置为获取操作方在预设历史时间段内的历史操作数据,其中,所述操作方历史操作数据包括以下信息中的一种或多种:操作方标识信息、操作对象信息、操作对象从属方标识信息、操作内容、操作发生时间;
第四计算模块1702,被配置为计算操作方/操作对象从属方之间的特征相似度,其中,所述操作方之间的特征相似度和操作对象从属方之间的特征相似度根据上述任一装置计算得到;
执行模块1703,被配置为根据所述操作方/操作对象从属方之间的特征相似度执行预设操作。
在根据操作方在预设历史时间段内的历史操作数据计算得到操作方/操作对象从属方之间的特征相似度之后,就可以根据所述特征相似度执行预设操作,以提升互联网平台的运行效率,完善互联网平台的服务质量。其中,所述预设操作可包括以下操作中的一种或多种:群操作、群发消息、分组操作、分组发送消息、群、推荐、分组推荐等等。比如,对于较为相似的操作方,可根据其相似或共同的行为偏好,为其群发推荐消息、优惠消息等消息,对于较为相似的操作对象从属方,可根据其提供的操作对象,为其群发管理消息、营销消息等消息。
下面给出一个外卖平台的应用场景,结合所述应用场景能够更好地理解本公开的技术方案。
在该应用场景中,首先获取多个用户在预设历史时间段内的历史点餐数据,将被购买的菜品作为节点,将出现在同一用户订单中的菜品连接起来,作为边,将形成边的菜品在同一订单中出现的次数作为边的权重,生成菜品共现图。基于所述菜品共现图,可以得到每个菜品的相似度评价向量,然后为不同菜品设置权重值,对与某一用户或商户相关的菜品进行相似度评价向量加权求和,即可得到所述用户或商户的相似度评价向量,进而可计算得到所述用户或商户之间的特征相似度。后续可根据所述特征相似度进行群操作、分组操作等预设操作。
本公开还公开了一种电子设备,图18示出根据本公开一实施方式的电子设备的结构框图,如图18所示,所述电子设备1800包括存储器1801和处理器1802;其中,
所述存储器1801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1802执行以实现上述方法步骤。
图19适于用来实现根据本公开实施方式的特征相似度计算方法的计算机系统的结构示意图。
如图19所示,计算机系统1900包括中央处理单元(CPU)1901,其可以根据存储在只读存储器(ROM)1902中的程序或者从存储部分1908加载到随机访问存储器(RAM)1903中的程序而执行上述实施方式中的各种处理。在RAM1903中,还存储有系统1900操作所需的各种程序和数据。CPU1901、ROM1902以及RAM1903通过总线1904彼此相连。输入/输出(I/O)接口1905也连接至总线1904。
以下部件连接至I/O接口1905:包括键盘、鼠标等的输入部分1906;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1907;包括硬盘等的存储部分1908;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1909。通信部分1909经由诸如因特网的网络执行通信处理。驱动器1910也根据需要连接至I/O接口1905。可拆卸介质1911,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1910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1908。
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上述特征相似度计算方法的程序代码。在这样的实施方式中,该计算机程序可以通过通信部分1909从网络上被下载和安装,和/或从可拆卸介质1911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 (10)
1.一种特征相似度计算方法,其特征在于,包括:
获取操作方在预设历史时间段内的历史操作数据,其中,所述操作方历史操作数据包括以下信息中的一种或多种:操作方标识信息、操作对象信息、操作对象从属方标识信息、操作内容、操作发生时间;
根据所述操作方历史操作数据计算所述操作对象的相似度评价向量;
根据所述操作对象的相似度评价向量计算所述操作方之间的特征相似度。
2.根据权利要求1所述的方法,其特征在于,还包括:
根据所述操作对象的相似度评价向量计算所述操作对象从属方之间的特征相似度。
3.一种操作执行方法,其特征在于,包括:
获取操作方在预设历史时间段内的历史操作数据,其中,所述操作方历史操作数据包括以下信息中的一种或多种:操作方标识信息、操作对象信息、操作对象从属方标识信息、操作内容、操作发生时间;
计算操作方/操作对象从属方之间的特征相似度,其中,所述操作方之间的特征相似度根据权利要求1所述的方法计算得到,所述操作对象从属方之间的特征相似度根据权利要求2所述的方法计算得到;
根据所述操作方/操作对象从属方之间的特征相似度执行预设操作。
4.根据权利要求3所述的方法,其特征在于,所述预设操作包括群操作和分组操作。
5.一种特征相似度计算装置,其特征在于,包括:
第一获取模块,被配置为获取操作方在预设历史时间段内的历史操作数据,其中,所述操作方历史操作数据包括以下信息中的一种或多种:操作方标识信息、操作对象信息、操作对象从属方标识信息、操作内容、操作发生时间;
第一计算模块,被配置为根据所述操作方历史操作数据计算所述操作对象的相似度评价向量;
第二计算模块,被配置为根据所述操作对象的相似度评价向量计算所述操作方之间的特征相似度。
6.根据权利要求5所述的装置,其特征在于,还包括:
第三计算模块,被配置为根据所述操作对象的相似度评价向量计算所述操作对象从属方之间的特征相似度。
7.一种操作执行装置,其特征在于,包括:
第二获取模块,被配置为获取操作方在预设历史时间段内的历史操作数据,其中,所述操作方历史操作数据包括以下信息中的一种或多种:操作方标识信息、操作对象信息、操作对象从属方标识信息、操作内容、操作发生时间;
第四计算模块,被配置为计算操作方/操作对象从属方之间的特征相似度,其中,所述操作方之间的特征相似度根据权利要求5所述的装置计算得到,所述操作对象从属方之间的特征相似度根据权利要求6所述的装置计算得到;
执行模块,被配置为根据所述操作方/操作对象从属方之间的特征相似度执行预设操作。
8.根据权利要求7所述的装置,其特征在于,所述预设操作包括群操作和分组操作。
9.一种电子设备,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1-4任一项所述的方法步骤。
10.一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1-4任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910471739.3A CN110210905A (zh) | 2019-05-31 | 2019-05-31 | 特征相似度计算方法、装置、电子设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910471739.3A CN110210905A (zh) | 2019-05-31 | 2019-05-31 | 特征相似度计算方法、装置、电子设备及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110210905A true CN110210905A (zh) | 2019-09-06 |
Family
ID=67790089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910471739.3A Pending CN110210905A (zh) | 2019-05-31 | 2019-05-31 | 特征相似度计算方法、装置、电子设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210905A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667181A (zh) * | 2020-06-08 | 2020-09-15 | 拉扎斯网络科技(上海)有限公司 | 任务处理方法、装置、电子设备及计算机可读存储介质 |
CN111666309A (zh) * | 2020-06-08 | 2020-09-15 | 拉扎斯网络科技(上海)有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
CN114023037A (zh) * | 2021-10-19 | 2022-02-08 | 深圳市中博科创信息技术有限公司 | 用户安全预警方法、装置、电子设备及可读存储介质 |
CN114879885A (zh) * | 2022-04-18 | 2022-08-09 | 上海星阑信息科技有限公司 | 虚拟对象分组控制方法、装置、设备及存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140258330A1 (en) * | 2013-03-11 | 2014-09-11 | Wal-Mart Stores, Inc. | Search result ranking using query clustering |
CN106682172A (zh) * | 2016-12-28 | 2017-05-17 | 江苏大学 | 一种基于关键词的文献研究热点推荐方法 |
CN106815322A (zh) * | 2016-12-27 | 2017-06-09 | 东软集团股份有限公司 | 一种数据处理的方法和装置 |
CN106919611A (zh) * | 2015-12-25 | 2017-07-04 | 北京国双科技有限公司 | 产品信息推送方法和装置 |
CN106991592A (zh) * | 2017-03-22 | 2017-07-28 | 南京财经大学 | 一种基于购买用户行为分析的个性化推荐方法 |
CN107220312A (zh) * | 2017-05-12 | 2017-09-29 | 华中科技大学 | 一种基于共现图的兴趣点推荐方法及系统 |
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 |
CN108615177A (zh) * | 2018-04-09 | 2018-10-02 | 武汉理工大学 | 基于加权提取兴趣度的电子终端个性化推荐方法 |
CN108664564A (zh) * | 2018-04-13 | 2018-10-16 | 东华大学 | 一种基于物品内容特征的改进协同过滤推荐方法 |
CN108898459A (zh) * | 2018-06-25 | 2018-11-27 | 中国联合网络通信集团有限公司 | 一种商品推荐方法及装置 |
CN108920641A (zh) * | 2018-07-02 | 2018-11-30 | 北京理工大学 | 一种信息融合个性化推荐方法 |
CN109495770A (zh) * | 2018-11-23 | 2019-03-19 | 武汉斗鱼网络科技有限公司 | 一种直播间推荐方法、装置、设备及介质 |
CN109508417A (zh) * | 2018-11-12 | 2019-03-22 | 北京三快在线科技有限公司 | 推荐对象的方法、装置、电子设备及可读存储介质 |
CN109597858A (zh) * | 2018-12-14 | 2019-04-09 | 拉扎斯网络科技(上海)有限公司 | 一种商户的分类方法及其装置和商户的推荐方法及其装置 |
-
2019
- 2019-05-31 CN CN201910471739.3A patent/CN110210905A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140258330A1 (en) * | 2013-03-11 | 2014-09-11 | Wal-Mart Stores, Inc. | Search result ranking using query clustering |
CN106919611A (zh) * | 2015-12-25 | 2017-07-04 | 北京国双科技有限公司 | 产品信息推送方法和装置 |
CN106815322A (zh) * | 2016-12-27 | 2017-06-09 | 东软集团股份有限公司 | 一种数据处理的方法和装置 |
CN106682172A (zh) * | 2016-12-28 | 2017-05-17 | 江苏大学 | 一种基于关键词的文献研究热点推荐方法 |
CN106991592A (zh) * | 2017-03-22 | 2017-07-28 | 南京财经大学 | 一种基于购买用户行为分析的个性化推荐方法 |
CN107220312A (zh) * | 2017-05-12 | 2017-09-29 | 华中科技大学 | 一种基于共现图的兴趣点推荐方法及系统 |
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 |
CN108615177A (zh) * | 2018-04-09 | 2018-10-02 | 武汉理工大学 | 基于加权提取兴趣度的电子终端个性化推荐方法 |
CN108664564A (zh) * | 2018-04-13 | 2018-10-16 | 东华大学 | 一种基于物品内容特征的改进协同过滤推荐方法 |
CN108898459A (zh) * | 2018-06-25 | 2018-11-27 | 中国联合网络通信集团有限公司 | 一种商品推荐方法及装置 |
CN108920641A (zh) * | 2018-07-02 | 2018-11-30 | 北京理工大学 | 一种信息融合个性化推荐方法 |
CN109508417A (zh) * | 2018-11-12 | 2019-03-22 | 北京三快在线科技有限公司 | 推荐对象的方法、装置、电子设备及可读存储介质 |
CN109495770A (zh) * | 2018-11-23 | 2019-03-19 | 武汉斗鱼网络科技有限公司 | 一种直播间推荐方法、装置、设备及介质 |
CN109597858A (zh) * | 2018-12-14 | 2019-04-09 | 拉扎斯网络科技(上海)有限公司 | 一种商户的分类方法及其装置和商户的推荐方法及其装置 |
Non-Patent Citations (1)
Title |
---|
张军: "基于共现图的兴趣点推荐算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667181A (zh) * | 2020-06-08 | 2020-09-15 | 拉扎斯网络科技(上海)有限公司 | 任务处理方法、装置、电子设备及计算机可读存储介质 |
CN111666309A (zh) * | 2020-06-08 | 2020-09-15 | 拉扎斯网络科技(上海)有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
CN114023037A (zh) * | 2021-10-19 | 2022-02-08 | 深圳市中博科创信息技术有限公司 | 用户安全预警方法、装置、电子设备及可读存储介质 |
CN114879885A (zh) * | 2022-04-18 | 2022-08-09 | 上海星阑信息科技有限公司 | 虚拟对象分组控制方法、装置、设备及存储介质 |
CN114879885B (zh) * | 2022-04-18 | 2024-03-22 | 上海星阑信息科技有限公司 | 虚拟对象分组控制方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210905A (zh) | 特征相似度计算方法、装置、电子设备及计算机存储介质 | |
Ma et al. | Entire space multi-task model: An effective approach for estimating post-click conversion rate | |
JagadeeshBabu et al. | Influence of social media marketing on buying behavior of millennial towards smart phones in bangalore city | |
RU2607621C2 (ru) | Способ, система и машиночитаемый носитель данных для группирования в социальных сетях | |
EP2304619A1 (en) | Correlated information recommendation | |
Zhao et al. | Service quality evaluation by exploring social users’ contextual information | |
JP2016536725A (ja) | ユーザ行動の特徴を抽出して推奨を個人化する方法及びシステム | |
US8433758B2 (en) | Method and system for user information processing and resource recommendation in a network environment | |
Pérez-Marcos et al. | Hybrid system for video game recommendation based on implicit ratings and social networks | |
CN109829337A (zh) | 一种社会网络隐私保护的方法、系统及设备 | |
KR101356948B1 (ko) | Sns에서 사회적 이웃의 관심사와 사회적 활동의 토픽을 통해 사용자 관심사를 추론하는 방법 및 그 시스템 | |
KR101590976B1 (ko) | 협업 필터링 기반 추천 성능을 향상 시키기 위한 의미 클러스터 기반 매트릭스 지역화 방법 및 장치 | |
CN109062914A (zh) | 用户推荐方法和装置,存储介质和服务器 | |
CN108446297A (zh) | 一种推荐方法及装置,电子设备 | |
Azaouzi et al. | An efficient two-phase model for computing influential nodes in social networks using social actions | |
Sun et al. | Detecting overlapping communities in networks via dominant label propagation | |
Cerqueira et al. | A Content-Based Approach for Recommending UML Sequence Diagrams. | |
Pokhrel et al. | QoE estimation for web service selection using a fuzzy-rough hybrid expert system | |
CN111340522B (zh) | 资源推荐方法、装置、服务器及存储介质 | |
CN110020171A (zh) | 数据处理方法、装置、设备及计算机可读存储介质 | |
Szwabe et al. | Semantically enhanced collaborative filtering based on RSVD | |
Truong et al. | Exploring cross-modality utilization in recommender systems | |
Al Sabaawi et al. | Two models based on social relations and svd++ method for recommendation system | |
US20170031918A1 (en) | Techniques for graph-based recommendations | |
CN111966916A (zh) | 一种推荐方法、装置、电子设备及计算机可读存储介质 |
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: 20190906 |
|
RJ01 | Rejection of invention patent application after publication |