CN110322323A - 实体展示方法、装置、存储介质和电子设备 - Google Patents
实体展示方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN110322323A CN110322323A CN201910591530.0A CN201910591530A CN110322323A CN 110322323 A CN110322323 A CN 110322323A CN 201910591530 A CN201910591530 A CN 201910591530A CN 110322323 A CN110322323 A CN 110322323A
- Authority
- CN
- China
- Prior art keywords
- entity
- user
- instance
- target user
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012216 screening Methods 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 45
- 230000006399 behavior Effects 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 23
- 230000001747 exhibiting effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 12
- 230000000694 effects Effects 0.000 abstract description 12
- 230000000875 corresponding effect Effects 0.000 description 113
- 238000011156 evaluation Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 16
- 239000013065 commercial product Substances 0.000 description 6
- 241000227653 Lycopersicon Species 0.000 description 5
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 5
- 235000012054 meals Nutrition 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 235000021147 sweet food Nutrition 0.000 description 4
- 235000009508 confectionery Nutrition 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 235000013311 vegetables Nutrition 0.000 description 3
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 235000021186 dishes Nutrition 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- YNPNZTXNASCQKK-UHFFFAOYSA-N phenanthrene Chemical compound C1=CC=C2C3=CC=CC=C3C=CC2=C1 YNPNZTXNASCQKK-UHFFFAOYSA-N 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 241000238557 Decapoda Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000021189 garnishes Nutrition 0.000 description 1
- 235000004213 low-fat Nutrition 0.000 description 1
- 235000015277 pork Nutrition 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 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
-
- 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]
- G06Q30/0641—Shopping interfaces
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
本发明实施例公开了一种实体展示方法、装置、存储介质和电子设备。本发明实施例在接收到目标用户的主题选择指令后，确定目标用户选择的目标主题，从而确定与目标主题匹配的第一实体集合和第一实体集合中各实体的实体属性特征。同时获取目标用户的用户属性特征。进而根据目标用户的用户属性特征和第一实体集合中各实体的实体属性特征获取选中概率，从而向目标用户展示选中概率满足预定条件的至少一个实体。在本发明实施例中，第一实体集合根据用户的主题选择指令确定，各实体均为商品，各实体的选中概率基于预先训练的概率预测模型获得，使得在用户选择任一主题活动时，均能够较为准确地进行个性化的商品推荐，从而提升了用户的使用体验。
Description
技术领域
本发明公开涉及数据处理领域，具体涉及一种实体展示方法、装置、存储介质和电子设备。
背景技术
随着互联网的不断发展，网络购物等在线购物方式变得越来越普及。在线的购物方式给人类生活带来了便利，但在某些方面仍需改进。现有的购物类应用软件通常侧重于不同主题活动下的商户层面的个性化推荐。若用户需要商品层面的个性化推荐，例如用户需要从来自不同商户的多个商品中挑选出自身满意的商品时，现有的购物类软件无法对用户进行较为准确的个性化推荐。
发明内容
有鉴于此,本发明实施例目的在于提供一种实体展示方法、装置、存储介质和电子设备，用于在不同的主题下较为准确地对目标用户进行个性化的商品推荐。
第一方面，本发明实施例提供了一种实体展示方法，所述方法包括：
接收目标用户的主题选择指令，所述主题选择指令用于确定所述目标用户选择的目标主题；
获取与所述目标主题匹配的第一实体集合，以及所述第一实体集合中各实体的实体属性特征；
获取所述目标用户的用户属性特征；
基于概率预测模型，根据所述用户属性特征和所述实体属性特征获取各所述实体对应的选中概率，所述概率预测模型根据训练样本预先训练获得，所述训练样本根据所记录的所述目标主题外的用户行为数据确定；
根据所述选中概率向所述目标用户展示对应的第一实体子集合，所述第一实体子集合包括至少一个所述实体。
第二方面，本发明实施例提供了一种实体展示装置，所述装置包括：
第一接收单元，用于接收目标用户的主题选择指令，所述主题选择指令用于确定所述目标用户选择的目标主题；
第一获取单元，用于获取与所述目标主题匹配的第一实体集合，以及所述第一实体集合中各实体的实体属性特征；
第二获取单元，用于获取所述目标用户的用户属性特征；
第三获取单元，用于基于概率预测模型，根据所述用户属性特征和所述实体属性特征获取各所述实体对应的选中概率，所述概率预测模型根据训练样本预先训练获得，所述训练样本根据所记录的所述目标主题外的用户行为数据确定；
第一展示单元，用于根据所述选中概率向所述目标用户展示对应的第一实体子集合，所述第一实体子集合包括至少一个所述实体。
第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储计算机程序指令，其中，所述计算机程序指令在被处理器执行时实现如第一方面中任一项所述的方法。
第四方面，本发明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程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如下步骤：
接收目标用户的主题选择指令，所述主题选择指令用于确定所述目标用户选择的目标主题；
获取与所述目标主题匹配的第一实体集合，以及所述第一实体集合中各实体的实体属性特征；
获取所述目标用户的用户属性特征；
基于概率预测模型，根据所述用户属性特征和所述实体属性特征获取各所述实体对应的选中概率，所述概率预测模型根据训练样本预先训练获得，所述训练样本根据所记录的所述目标主题外的用户行为数据确定；
根据所述选中概率向所述目标用户展示对应的第一实体子集合，所述第一实体子集合包括至少一个所述实体。
本发明实施例在接收到目标用户的主题选择指令后，确定目标用户选择的目标主题，从而确定与目标主题匹配的第一实体集合和第一实体集合中各实体的实体属性特征。同时获取目标用户的用户属性特征。进而根据目标用户的用户属性特征和第一实体集合中各实体的实体属性特征获取选中概率，从而向目标用户展示选中概率满足预定条件的至少一个实体。在本发明实施例中，第一实体集合根据用户的主题选择指令确定，各实体均为商品，各实体的选中概率基于预先训练的概率预测模型获得，使得在用户选择任一主题活动时，均能够较为准确地进行个性化的商品推荐，从而提升了用户的使用体验。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1是现有技术的实体展示方法的界面示意图；
图2是本发明第一实施例的实体展示方法的流程图；
图3是本发明实施例的一种可选的实现方式中获取正样本和负样本的示意图；
图4是本发明实施例的特征重要性分布的示意图；
图5是本发明实施例的根据概率预测模型获取的正负样本分布的示意图；
图6是本发明实施例FPR-TPR的ROC曲线的示意图；
图7是本发明第二实施例的信息处理方法的流程图；
图8是本发明实施例的界面示意图；
图9是本发明第三实施例的实体展示装置的示意图；
图10是本发明第四实施例的电子设备的示意图。
具体实施方式
以下基于实施例对本发明公开进行描述，但是本发明公开并不仅仅限于这些实施例。在下文对本发明公开的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明公开。为了避免混淆本发明公开的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。
除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
在本发明公开的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本实施例中，以实体为商品、实体提供方为商户为例进行说明，但是本领域技术人员容易理解，在实体为课程等其他实体、实体提供方为学校等其他实体提供方时，本实施例的方法同样适用。
图1是现有技术的实体展示方法的界面示意图。现有的实体展示方法针对的实体通常为商户。如图1所示，用户启用购物类APP(application，应用软件)后，在点击某个主题活动(例如，“人气餐厅”主题活动)时，终端可以显示如图1所示的界面。图1中展示的商户(也即，xx咖喱、xx拌饭等)均为与用户选择的主题活动匹配的商户。但在实体为商品时，由于缺乏该用户和与某个主题活动匹配的商品的交互数据，只能根据多个商品的评价、销售量、距离等对与该题活动匹配的商品进行展示。因此在不同的主题活动下，现有的针对商品的实体展示方法无法对用户进行准确度较高地个性化推荐。
图2是本发明第一实施例的实体展示方法的流程图。如图2所示，本实施例的方法包括如下步骤：
步骤S100，接收目标用户的主题选择指令。
主题选择指令用于确定目标用户选择的目标主题。具体地，在用户登录预定APP并进行主题选择时，服务器可以接收到目标用户的终端发送的主题选择指令。
步骤S200，获取与目标主题匹配的第一实体集合，以及第一实体集合中各实体的实体属性特征。
在一种可选的实现方式中，可以获取与目标主题匹配的至少一个实体提供方，并根据实体提供方对应的多个实体确定第一实体集合。例如，目标主题为“人气菜品”主题，则与目标主题匹配的至少一个实体提供方可以为月均销售量超过第一阈值的至少一个商户，第一实体集合中的多个实体可以为月均销售量超过第二阈值的至少一个商户内除米饭、配菜等无法单独下单的多个菜品。再例如，目标主题为“精选美食”主题，则与目标主题匹配的至少一个实体提供方可以为用户评价高于预定分数的至少一个商户，第一实体集合中的多个实体可以为用户评价高于预定分数的至少一个商户内除米饭、配菜等无法单独下单的多个菜品。
可选地，在本步骤前，可以预先确定各主题与实体供应方的匹配条件的对应关系，从而根据各主题与实体供应方的匹配条件的对应关系确定与目标主题匹配的第一实体集合。
其中，各实体的实体属性特征可以包括销售量、实体的用户评价、价格、对应的实体提供方的用户评价、对应的实体提供方的位置等信息。容易理解，各实体的实体属性特征不限于上述信息，还可以包括实体的类别等。
步骤S300，获取目标用户的用户属性特征。
其中，目标用户的用户属性特征包括特征信息，特征信息可以包括目标用户偏好的口味(例如，偏好甜食或低脂食品，偏好清淡或偏好辛辣食物等)、偏好的菜系(例如，川菜、粤菜、鲁菜等)等。可选地，用户属性特征还可以包括用户的基本信息，例如，目标用户的年龄(或年龄段)、性别、职业、当前位置、工作地点、住址等信息。
可选地，特征信息可以根据目标用户的历史行为数据确定。目标用户的历史行为数据可以包括查看操作、选择操作等。例如，在目标用户查看操作中，查看甜品类的商品次数较多，可以确定目标用户的特征信息有较大可能为甜品；在目标用户的选择操作中，选择芭菲的次数较多，可以确定目标用户的特征信息有较大可能为甜品类的芭菲。
可选地，特征信息也可以根据由目标用户的历史行为数据和基本特征确定。具体地，可以根据包括目标用户在内的多个用户的历史行为数据和基本特征对多个用户进行聚类，由此可以获取目标用户的特征信息。包括目标用户在内的多个用户为基本特征相同或接近的多个用户。年龄相似(或年龄段相同)、性别相同、职业相同的用户的偏好可能较为接近，因此根据目标用户的历史行为数据和基本特征确定特征信息可以在后续进一步提升实体推荐的准确性。可选地，可以通过分类算法，例如KNN(K-Nearest Neighbor，K最邻近)、决策树、神经网络等有监督的分类模型或K平均(K-means)等无监督的分类模型对目标用户进行聚类，从而获取目标用户的特征信息。分类模型的训练方式可以采用现有的训练方式，在此不再赘述。需要说明的是，该聚类过程可以在服务器将对应的用户确定为目标用户之前执行，服务器可以根据用户终端的标识获取已有的目标用户的特征信息。
容易理解，步骤S200和步骤S300可以同时执行，也可以先后执行，不必区分执行顺序。
步骤S400，基于概率预测模型，根据用户属性特征和实体属性特征获取各实体对应的选中概率。
可选地，在本步骤中，可以根据目标用户的用户属性特征和各实体的实体属性特征获取目标用户与各实体的关联特征，例如，可以根据目标用户的当前位置与各实体对应的实体提供方的位置获取目标用户与各实体对应的实体提供方的距离。
在目标用户的用户属性特征和/或各实体的实体属性特征和/或目标用户与各实体的关联特征为统计类特征(例如，目标用户的年龄、各实体的用户评价)时，可以将各项统计类特征对应的数值作为对应的第一向量中对应的元素。在目标用户的用户属性特征和/或各实体的实体属性特征目标用户与各实体的关联特征为稀疏特征(例如，目标用户与口味相关的特征信息)时，可以预先获取各项特征与预定数值的对应关系，从而将各项稀疏特征转化为对应的第一向量中对应的元素。例如，与口味相关的特征信息-数值的对应关系为：偏好甜食-1，不喜欢甜食-0；喜好偏咸-1，偏好清淡-0；无辣不欢-1，忌辣-0。目标用户与口味相关的特征信息为偏好甜食、偏好清淡、忌辣，则目标用户对应的各第一向量中与口味相关特征信息对应的元素为1,0,0。
在本实施例中，概率预测模型可以为XGBoost或DeepFM(Deep FactorizationMachines，深层因子分解机)。XGBoost是提升树模型的一种，具有轻量级、可扩展、分布式的特点，能够进行准确性较高的回归预测。DeepFM是一种神经网络(也即，人工神经网络)与因子分解机结合的模型，因此DeepFM既具有神经网络的非线性(适于处理非线性信息)、非局限性(也即，一个系统的整体行为取决于处理单元间的相互作用)、非常定性(也即，具有自适应、自组织、自学习能力，能够在处理信息的过程中不断进行自我学习)和非凸性(模型的激活函数具有多个极值，这使得模型具有多个较为稳定的平衡态，从而使得模型的变化是多样的)的特点，同时具有因子分解机对稀疏特征的组合处理能力。
在本实施例中，概率预测模型的训练样本根据所记录的目标主题外的用户行为数据确定。在一种可选的实现方式中，训练样本可以通过如下步骤获取：
步骤S1，获取实体提供方集合。
在本实施例中，实体提供方集合包括第二实体集合中的各实体对应的实体提供方。为了提升后续概率预测模型对第一实体集合中各实体的选中概率的预测的准确性，第二实体集合包括至少一个属于第一实体集合的实体。可选地，实体提供方集合还可以包括除第一实体集合中的各实体对应的实体提供方外的其他实体提供方。
容易理解，第二实体集合可以与第一实体集合为同一实体集合。
步骤S2，获取实体提供方集合对应的第三实体集合。
其中，第三实体集合包括多个第一类实体和多个第二类实体，第一类实体为历史查看状态为被查看且历史选择状态为被选中的实体，第二类实体为历史查看状态为被查看且历史选择状态为未被选中的实体。容易理解，第三实体集合包括第一实体集合中的实体，且第一类实体和第二类实体可以为相同的实体，也可以为不同的实体。
步骤S3，根据用户行为数据确定各第一类实体对应的多个第一类用户(也即，记录的用户行为数据中曾经查看且选中过第一类实体的用户)和各第二类实体对应的第二类用户(也即，记录的用户行为数据中曾经查看但未选中过第二类实体的用户)。
步骤S4，分别根据各第一类实体的实体属性特征和对应的各第一类用户的用户属性特征确定正样本，根据各第二类实体的实体属性特征和对应的各第二类用户的用户属性特征确定负样本。
在本实施例中，正样本对应的标签(也即，选中概率)为1，负样本对应的标签为0。
图3是本发明实施例的一种可选的实现方式中获取正样本和负样本的示意图。容易理解，图3所示的实体和用户的数量仅仅是示意性的。如图3所示，集合31是实体提供方集合对应的第三实体集合，其中，实体1为第一类实体，用户1、用户2和用户3为实体1对应的第一类用户；实体2为第二类实体，用户4、用户5和用户6为实体2对应的第二类用户。正样本包括用户1的用户属性特征和实体1的实体属性特征、用户2的用户属性特征和实体1的实体属性特征，以及用户3的用户属性特征和实体1的实体属性特征。负样本包括用户4的用户属性特征和实体2的实体属性特征、用户5的用户属性特征和实体2的实体属性特征，以及用户6的用户属性特征和实体2的实体属性特征。
优选地，为了保证概率预测模型的准确性，还可以根据概率预测模型的特征重要性分布以及模型评价指标进行检验。特征重要性分布用于反映用户(包括第一类用户、第二类用户和目标用户)的用户属性特征、对应的各实体的实体属性特征和用户与对应的各实体的关联特征中的各项特征的重要性。在各项特征的重要性差异较小时，概率预测模型的准确性较高。
图4是本发明实施例的特征重要性分布的示意图。容易理解，图4所示的特征的数量仅仅是示意性的。如图4所示，特征1-特征8为根据重要性排序后的用户属性特征、实体属性特征和关联特征中的多项特征。在相邻两个特征的重要性差异均小于预定差值时，可以认为各项特征的重要性差异较小。或者，也可以获取各项特征的重要性分布曲线L1，并计算L1在任意点的斜率，在各点的斜率的绝对值均小于第三阈值时，可以认为L1是平滑的，由此可以认为各项特征的差异性较小。
后续，还可以根据模型评价指标对概率预测模型进行检验。在本实施例中，模型评价指标可以为AUC(Area Under Curve，曲线下面积)。AUC用于反映概率预测模型的预测能力。在二分类问题中，模型的分类结果通常包括四类，(1)FP(False Positive)：样本为负样本，但分类结果为正样本；(2)TN(Ture Negative)：样本为负样本，分类结果为负样本；(3)FN(False Negative)：样本为正样本，但分类结果为负样本；(4)TP(Ture Positive)：样本为正样本，分类结果为正样本。下述FP用于表征FP类样本的数量，TN用于表征TN类样本的数量，FN用于表征FB类样本的数量，TP用于表征TP类样本的数量，由此可以计算模型的真正类率TPR(Ture Positive Rate)＝TP/(TP+FN)，负正类率FPR(False Positive Rate)＝FP/(FP+FN)。若概率预测模型的预测结果为各实体被选中(也即，为正样本)的概率，可以设定一个初始阈值，概率大于等于初始阈值时，认为样本为正样本；概率小于初始阈值时，认为样本为负样本。由此可以根据每个样本获得一组(FPR,TPR)的坐标点。初始阈值越小，越来越多的样本会被认定为正样本，但认定的正样本中会包含真正的负样本，使得FPR和TPR同时增大。初始阈值最大时，对应的坐标点为(0,0)；初始阈值最大时，对应的坐标点为(1,1)。由此，可以获得FPR-TPR的ROC曲线。在ROC曲线的AUC大于第四阈值时，可以认为概率预测模型的准确性较高。可选地，模型评价指标不限于AUC，还可以为log-loss，accuracy等。
图5是本发明实施例的根据概率预测模型获取的正负样本分布的示意图。在通常情况下，正负样本的分布均服从正太分布，因此以服从正态分布的正样本和负样本为例进行说明。如图5所示，L2为负样本的分布曲线，L3为正样本的分布曲线，θ为初始阈值。在θ为L2和L3的交点的横坐标时，FN为虚线部分的面积，FP为灰色部分的面积，FN为L2除去FN和FP部分的面积，FP为L3除去FN和FP部分的面积。由此，可以获得θ为L2和L3的交点的横坐标时的FPR和TPR。类似地，在θ为[0,1]之间的任意实数时，可以获得对应的FPR和TPR，从而获得FPR-TPR的ROC曲线。图6是本发明实施例FPR-TPR的ROC曲线的示意图。如图6所示，L4为根据概率预测模型获取的正负样本分布获取的FPR-TPR的ROC曲线，阴影部分的面积为L4的AUC。
容易理解，在概率预测模型的特征重要性分布和模型评价指标不符合预期时，可以对正负样本的比例等进行调整并重新训练模型，直至概率预测模型的特征重要性分布和模型评价指标均符合预期。
由此，将目标用户的用户属性特征、各实体的实体属性特征和目标用户与各实体的关联特征对应的输入向量分别输入概率预测模型后，可以获取对应的各实体的选中概率，由此对第一实体集合中的各实体的选中概率进行较为准确的估计。
步骤S500，根据选中概率向目标用户展示对应的第一实体子集合。
其中，第一实体子集合包括至少一个第一实体集合中的实体。具体地，可以将选中概率满足预定条件的实体加入第一实体子集合中，从而对第一实体子集合中的至少一个实体进行展示。在本实施例中，可以对个实体的相关内容进行展示，各实体的相关内容可以包括价格、对应的实体供应方、销售量、评价等。容易理解，确定第一实体子集合的步骤可以由服务器执行，展示第一实体子集合的步骤可以由终端执行。由此，目标用户可以在后续进行实体选择操作。
可选地，预定条件可以为选中概率排序在最大的前n位，其中n为大于等于1的预定整数；还可以为选中概率大于等于第五阈值。容易理解，预定条件不限于上述条件，且n和第五阈值可以根据实际需求进行设定。
本实施例在接收到目标用户的主题选择指令后，确定目标用户选择的目标主题，从而确定与目标主题匹配的第一实体集合和第一实体集合中各实体的实体属性特征。同时获取目标用户的用户属性特征。进而根据目标用户的用户属性特征和第一实体集合中各实体的实体属性特征获取选中概率，从而向目标用户展示选中概率满足预定条件的至少一个实体。在本实施例中，第一实体集合根据用户的主题选择指令确定，各实体均为商品，各实体的选中概率基于预先训练的概率预测模型获得，使得在用户选择任一主题活动时，均能够较为准确地进行个性化的商品推荐，从而提升用户的使用体验。
图7是本发明第二实施例的信息处理方法的流程图。如图7所示，本实施例的方法包括如下步骤：
步骤S100’，接收目标用户的主题选择指令。
在本实施例中，步骤S100’和步骤S100的实现方式相似，在此不再赘述。
步骤S200’，获取与目标主题匹配的第一实体集合，以及第一实体集合中各实体的实体属性特征。
在本实施例中，步骤S200’和步骤S200的实现方式相似，在此不再赘述。
步骤S300’，获取目标用户的用户属性特征。
在本实施例中，步骤S300’和步骤S300的实现方式相似，在此不再赘述。
容易理解，步骤S200’和步骤S300’可以同时执行，也可以先后执行，不必区分执行顺序。
步骤S400’，基于概率预测模型，根据用户属性特征和实体属性特征获取各实体对应的选中概率。
在本实施例中，步骤S400’和步骤S400的实现方式相似，且训练样本的获取方式、概率预测模型的训练方式以及检测方式与本发明第一实施例相似，在此不再赘述。
步骤S500’，根据选中概率向目标用户展示对应的第一实体子集合。
在本实施例中，步骤S500’和步骤S500的实现方式相似，在此不再赘述。
步骤S600’，接收目标用户的条件选择指令。
条件选择指令用于确定目标用户的实体筛选条件。在本实施例中，目标用户可以对第一实体子集合中的实体进行进一步筛选，以便于查看到的实体更符合自身需求。实体筛选条件可以预先进行设定，例如，距离范围类(例如，距离小于500m等)的实体筛选条件、特定类别(例如，中餐、粤菜、砂锅粥等)的实体筛选条件。
步骤S700’，根据实体筛选条件对第一实体子集合中的实体进行筛选，获取第二实体子集合。
可选地，可以将第一实体子集合中的各实体的实体属性特征与实体筛选条件进行匹配，并在实体属性特征满足实体筛选条件时，将对应的实体加入第二实体子集合。例如，在实体筛选条件为中餐类别的实体筛选条件时，可以将第一实体子集合中类别为中餐的实体加入第二实体子集合。在实体筛选条件为距离小于500m时，可以将第一实体子集合中对应的实体提供方的位置与目标用户的当前位置间的距离小于500m的实体加入第二实体子集合。
容易理解，若不存在满足实体筛选条件的实体，可以不执行步骤S800’，并返回执行步骤S500’。
步骤S800’，向目标用户展示对应的第二实体子集合。
其中，第二实体子集合包括至少一个满足实体筛选条件的实体。在本实施例中，可以对个实体的相关内容进行展示，各实体的相关内容同样可以包括价格、对应的实体供应方、销售量、评价等。容易理解，确定第二实体子集合的步骤可以由服务器执行，展示第二实体子集合的步骤可以由终端执行。
图8是本发明实施例的界面示意图。如图8所示，虚线框81内显示的“本地特色菜”为根据目标用户的主题选择指令确定的目标主题，虚线框82内显示的“番茄炒蛋”为根据目标用户的条件选择指令确定的实体筛选条件，“虾仁番茄炒蛋”“番茄炒蛋”和“番茄炒蛋盖饭”为满足实体筛选条件“番茄炒蛋”的多个实体。类似地，在实体筛选条件为“馄饨”“炸猪排”等时，展示的实体为满足“馄饨”“炸猪排”等实体筛选条件的至少一个实体。
本实施例在接收到目标用户的主题选择指令后，确定目标用户选择的目标主题，从而确定与目标主题匹配的第一实体集合和第一实体集合中各实体的实体属性特征。同时获取目标用户的用户属性特征。进而根据目标用户的用户属性特征和第一实体集合中各实体的实体属性特征获取选中概率，从而向目标用户展示选中概率满足预定条件的至少一个实体。在后续，若接收到目标用户的条件选择指令时，可以确定对应的实体筛选条件并对第一实体子集合中实体进行筛选获得第二实体子集合，从而向目标用户展示第二实体子集合中的实体。在本实施例中，第一实体集合根据用户的主题选择指令确定，各实体的选中概率基于预先训练的概率预测模型获得，使得在用户选择任一主题活动时，均能够较为准确地进行个性化的商品推荐。第二实体子集合根据用户的条件选择指令确定，使得用户可以根据自身需求对实体进行进一步筛选。从而进一步提升了用户的使用体验。
图9是本发明第三实施例的实体展示装置的示意图。如图9所示，本实施例的装置包括第一接收单元901、第一获取单元902、第二获取单元903、第三获取单元904和第一展示单元905。
其中，接收单元901用于接收目标用户的主题选择指令，所述主题选择指令用于确定所述目标用户选择的目标主题。第一获取单元902用于获取与所述目标主题匹配的第一实体集合，以及所述第一实体集合中各实体的实体属性特征。第二获取单元903用于获取所述目标用户的用户属性特征。第三获取单元904用于基于概率预测模型，根据所述用户属性特征和所述实体属性特征获取各所述实体对应的选中概率，所述概率预测模型根据训练样本预先训练获得，所述训练样本根据所记录的所述目标主题外的用户行为数据确定。第一展示单元905用于根据所述选中概率向所述目标用户展示对应的第一实体子集合，所述第一实体子集合包括至少一个所述实体。
进一步地，所述用户属性特征包括所述目标用户的特征信息，所述特征信息根据所述目标用户的历史行为数据确定。
进一步地，所述第一获取单元902包括第一获取子单元和第一确定子单元。
其中，第一获取子单元用于获取与所述目标主题匹配的至少一个实体提供方。第一确定子单元用于根据所述实体提供方对应的多个实体确定所述第一实体集合。
进一步地，用于确定所述训练样本的第一确定单元906包括第二获取子单元、第三获取子单元、第二确定子单元、第三确定子单元和第四确定子单元。
其中，第二获取子单元用于获取实体提供方集合，所述实体提供方集合包括所述第二实体集合中的各所述实体对应的实体提供方，所述第二实体集合包括至少一个属于所述第一实体集合的实体。第三获取子单元用于获取实体提供方集合对应的第三实体集合，所述第三实体集合包括多个第一类实体和多个第二类实体，所述第一类实体为历史查看状态为被查看且历史选择状态为被选中的实体，所述第二类实体为历史查看状态为被查看且历史选择状态为未被选中的实体。第二确定子单元用于根据所述用户行为数据确定所述第一类实体对应的多个第一类用户和所述第二类实体对应的多个第二类用户。第三确定子单元用于分别根据各所述第一类用户的用户属性特征和对应的所述第一类实体的实体属性特征确定正样本。第四确定子单元用于分别根据各所述第二类用户的用户属性特征和对应的所述第二类实体的实体属性特征确定负样本。
进一步地，所述第一展示单元905包括第一加入子单元和展示子单元。
其中，第一加入子单元用于响应于所述选中概率满足预定条件，将对应的所述实体加入所述第一实体子集合。展示子单元用于向所述目标用户展示所述第一实体子集合。
进一步地，所述装置还包括第二接收单元907、第四获取单元908和第二展示单元909。
其中，第二接收单元907用于接收所述目标用户的条件选择指令，所述条件选择指令用于确定所述目标用户的实体筛选条件。第四获取单元908用于根据所述实体筛选条件对所述第一实体子集合中的实体进行筛选，获取第二实体子集合。第二展示单元909用于向所述目标用户展示对应的第二实体子集合，所述第二实体子集合包括至少一个所述实体。
进一步地，所述第四获取单元908包括匹配子单元和第二加入子单元。
其中，匹配子单元用于将所述第一实体子集合中的各所述实体的实体属性特征与所述实体筛选条件进行匹配。第二加入子单元用于响应于所述实体属性特征满足所述实体筛选条件，将对应的所述实体加入所述第二实体子集合。
进一步地，所述概率预测模型为XGBoost或DeepFM。
进一步地，所述概率预测模型根据特征重要性分布以及模型评价指标进行检验。
本实施例在接收到目标用户的主题选择指令后，确定目标用户选择的目标主题，从而确定与目标主题匹配的第一实体集合和第一实体集合中各实体的实体属性特征。同时获取目标用户的用户属性特征。进而根据目标用户的用户属性特征和第一实体集合中各实体的实体属性特征获取选中概率，从而向目标用户展示选中概率满足预定条件的至少一个实体。在后续，若接收到目标用户的条件选择指令时，可以确定对应的实体筛选条件并对第一实体子集合中实体进行筛选获得第二实体子集合，从而向目标用户展示第二实体子集合中的实体。在本实施例中，第一实体集合根据用户的主题选择指令确定，各实体的选中概率基于预先训练的概率预测模型获得，使得在用户选择任一主题活动时，均能够较为准确地进行个性化的商品推荐。第二实体子集合根据用户的条件选择指令确定，使得用户可以根据自身需求对实体进行进一步筛选。从而进一步提升了用户的使用体验。
图10是本发明第四实施例的电子设备的示意图。在本实施例中，电子设备包括服务器、终端等。如图10所示，该电子设备：至少包括一个处理器1001；以及，与至少一个处理器1001通信连接的存储器1002；以及，与扫描装置通信连接的通信组件1003，通信组件1003在处理器1001的控制下接收和发送数据；其中，存储器1002存储有可被至少一个处理器1001执行的指令，指令被至少一个处理器1001执行以实现：
接收目标用户的主题选择指令，所述主题选择指令用于确定所述目标用户选择的目标主题；
获取与所述目标主题匹配的第一实体集合，以及所述第一实体集合中各实体的实体属性特征；
获取所述目标用户的用户属性特征；
基于概率预测模型，根据所述用户属性特征和所述实体属性特征获取各所述实体对应的选中概率，所述概率预测模型根据训练样本预先训练获得，所述训练样本根据所记录的所述目标主题外的用户行为数据确定；
根据所述选中概率向所述目标用户展示对应的第一实体子集合，所述第一实体子集合包括至少一个所述实体。
进一步地，所述用户属性特征包括所述目标用户的特征信息，所述特征信息根据所述目标用户的历史行为数据确定。
进一步地，所述获取与所述目标主题匹配的第一实体集合包括：
获取与所述目标主题匹配的至少一个实体提供方；
根据所述实体提供方对应的多个实体确定所述第一实体集合。
进一步地，所述训练样本通过如下步骤确定：
获取实体提供方集合，所述实体提供方集合包括所述第二实体集合中的各所述实体对应的实体提供方，所述第二实体集合包括至少一个属于所述第一实体集合的实体；
获取所述实体提供方集合对应的第三实体集合，所述第三实体集合包括多个第一类实体和多个第二类实体，所述第一类实体为历史查看状态为被查看且历史选择状态为被选中的实体，所述第二类实体为历史查看状态为被查看且历史选择状态为未被选中的实体；
根据所述用户行为数据确定所述第一类实体对应的多个第一类用户和所述第二类实体对应的多个第二类用户；
分别根据各所述第一类用户的用户属性特征和对应的所述第一类实体的实体属性特征确定正样本；
分别根据各所述第二类用户的用户属性特征和对应的所述第二类实体的实体属性特征确定负样本。
进一步地，所述根据所述选中概率向所述目标用户展示对应的第一实体子集合包括：
响应于所述选中概率满足预定条件，将对应的所述实体加入所述第一实体子集合；
向所述目标用户展示所述第一实体子集合。
进一步地，所述电子设备还用于实现如下步骤：
接收所述目标用户的条件选择指令，所述条件选择指令用于确定所述目标用户的实体筛选条件；
根据所述实体筛选条件对所述第一实体子集合中的实体进行筛选，获取第二实体子集合；
向所述目标用户展示对应的第二实体子集合，所述第二实体子集合包括至少一个所述实体。
进一步地，所述根据所述实体筛选条件对所述第一实体子集合中的实体进行筛选，获取第二实体子集合包括：
将所述第一实体子集合中的各所述实体的实体属性特征与所述实体筛选条件进行匹配；
响应于所述实体属性特征满足所述实体筛选条件，将对应的所述实体加入所述第二实体子集合。
进一步地，所述概率预测模型为XGBoost或DeepFM。
进一步地，所述概率预测模型根据特征重要性分布以及模型评价指标进行检验。
具体地，该电子设备包括：一个或多个处理器1001以及存储器1002，图10中以一个处理器1001为例。处理器1001、存储器1002可以通过总线或者其他方式连接，图10中以通过总线连接为例。存储器1002作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器1001通过运行存储在存储器1002中的非易失性软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述实体展示方法。
存储器1002可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储选项列表等。此外，存储器1002可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器1002可选包括相对于处理器1001远程设置的存储器，这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器1002中，当被一个或者多个处理器1001执行时，执行上述任意方法实施例中的实体展示方法。
上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果，未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。
本实施例在接收到目标用户的主题选择指令后，确定目标用户选择的目标主题，从而确定与目标主题匹配的第一实体集合和第一实体集合中各实体的实体属性特征。同时获取目标用户的用户属性特征。进而根据目标用户的用户属性特征和第一实体集合中各实体的实体属性特征获取选中概率，从而向目标用户展示选中概率满足预定条件的至少一个实体。在后续，若接收到目标用户的条件选择指令时，可以确定对应的实体筛选条件并对第一实体子集合中实体进行筛选获得第二实体子集合，从而向目标用户展示第二实体子集合中的实体。在本实施例中，第一实体集合根据用户的主题选择指令确定，各实体的选中概率基于预先训练的概率预测模型获得，使得在用户选择任一主题活动时，均能够较为准确地进行个性化的商品推荐。第二实体子集合根据用户的条件选择指令确定，使得用户可以根据自身需求对实体进行进一步筛选。从而进一步提升了用户的使用体验。
本发明的第五实施例涉及一种非易失性存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例公开了A1、一种实体展示方法，所述方法包括：
接收目标用户的主题选择指令，所述主题选择指令用于确定所述目标用户选择的目标主题；
获取与所述目标主题匹配的第一实体集合，以及所述第一实体集合中各实体的实体属性特征；
获取所述目标用户的用户属性特征；
基于概率预测模型，根据所述用户属性特征和所述实体属性特征获取各所述实体对应的选中概率，所述概率预测模型根据训练样本预先训练获得，所述训练样本根据所记录的所述目标主题外的用户行为数据确定；
根据所述选中概率向所述目标用户展示对应的第一实体子集合，所述第一实体子集合包括至少一个所述实体。
A2、如A1所述的方法中，所述用户属性特征包括所述目标用户的特征信息，所述特征信息根据所述目标用户的历史行为数据确定。
A3、如A1所述的方法中，所述获取与所述目标主题匹配的第一实体集合包括：
获取与所述目标主题匹配的至少一个实体提供方；
根据所述实体提供方对应的多个实体确定所述第一实体集合。
A4、如A1所述的方法中，所述训练样本通过如下步骤确定：
获取实体提供方集合，所述实体提供方集合包括所述第二实体集合中的各所述实体对应的实体提供方，所述第二实体集合包括至少一个属于所述第一实体集合的实体；
获取所述实体提供方集合对应的第三实体集合，所述第三实体集合包括多个第一类实体和多个第二类实体，所述第一类实体为历史查看状态为被查看且历史选择状态为被选中的实体，所述第二类实体为历史查看状态为被查看且历史选择状态为未被选中的实体；
根据所述用户行为数据确定所述第一类实体对应的多个第一类用户和所述第二类实体对应的多个第二类用户；
分别根据各所述第一类用户的用户属性特征和对应的所述第一类实体的实体属性特征确定正样本；
分别根据各所述第二类用户的用户属性特征和对应的所述第二类实体的实体属性特征确定负样本。
A5、如A1所述的方法中，所述根据所述选中概率向所述目标用户展示对应的第一实体子集合包括：
响应于所述选中概率满足预定条件，将对应的所述实体加入所述第一实体子集合；
向所述目标用户展示所述第一实体子集合。
A6、如A1所述的方法中，所述方法还包括：
接收所述目标用户的条件选择指令，所述条件选择指令用于确定所述目标用户的实体筛选条件；
根据所述实体筛选条件对所述第一实体子集合中的实体进行筛选，获取第二实体子集合；
向所述目标用户展示对应的第二实体子集合，所述第二实体子集合包括至少一个所述实体。
A7、如A6所述的方法中，所述根据所述实体筛选条件对所述第一实体子集合中的实体进行筛选，获取第二实体子集合包括：
将所述第一实体子集合中的各所述实体的实体属性特征与所述实体筛选条件进行匹配；
响应于所述实体属性特征满足所述实体筛选条件，将对应的所述实体加入所述第二实体子集合。
A8、如A1所述的方法中，所述概率预测模型为XGBoost或DeepFM。
A9、如A1所述的方法中，所述概率预测模型根据特征重要性分布以及模型评价指标进行检验。
本发明实施例还公开了B1、一种实体展示装置，所述装置包括：
第一接收单元，用于接收目标用户的主题选择指令，所述主题选择指令用于确定所述目标用户选择的目标主题；
第一获取单元，用于获取与所述目标主题匹配的第一实体集合，以及所述第一实体集合中各实体的实体属性特征；
第二获取单元，用于获取所述目标用户的用户属性特征；
第三获取单元，用于基于概率预测模型，根据所述用户属性特征和所述实体属性特征获取各所述实体对应的选中概率，所述概率预测模型根据训练样本预先训练获得，所述训练样本根据所记录的所述目标主题外的用户行为数据确定；
第一展示单元，用于根据所述选中概率向所述目标用户展示对应的第一实体子集合，所述第一实体子集合包括至少一个所述实体。
B2、如B1所述的装置中，所述用户属性特征包括所述目标用户的特征信息，所述特征信息根据所述目标用户的历史行为数据确定。
B3、如B1所述的装置中，所述第一获取单元包括：
第一获取子单元，用于获取与所述目标主题匹配的至少一个实体提供方；
第一确定子单元，用于根据所述实体提供方对应的多个实体确定所述第一实体集合。
B4、如B1所述的装置中，用于确定所述训练样本的第一确定单元包括：
第二获取子单元，用于获取实体提供方集合，所述实体提供方集合包括所述第二实体集合中的各所述实体对应的实体提供方，所述第二实体集合包括至少一个属于所述第一实体集合的实体；
第三获取子单元，用于获取所述实体提供方集合对应的第三实体集合，所述第三实体集合包括多个第一类实体和多个第二类实体，所述第一类实体为历史查看状态为被查看且历史选择状态为被选中的实体，所述第二类实体为历史查看状态为被查看且历史选择状态为未被选中的实体；
第二确定子单元，用于根据所述用户行为数据确定所述第一类实体对应的多个第一类用户和所述第二类实体对应的多个第二类用户；
第三确定子单元，用于分别根据各所述第一类用户的用户属性特征和对应的所述第一类实体的实体属性特征确定正样本；
第四确定子单元，用于分别根据各所述第二类用户的用户属性特征和对应的所述第二类实体的实体属性特征确定负样本。
B5、如B1所述的装置中，所述第一展示单元包括：
第一加入子单元，用于响应于所述选中概率满足预定条件，将对应的所述实体加入所述第一实体子集合；
展示子单元，用于向所述目标用户展示所述第一实体子集合。
B6、如B1所述的装置中，所述装置还包括：
第二接收单元，用于接收所述目标用户的条件选择指令，所述条件选择指令用于确定所述目标用户的实体筛选条件；
第四获取单元，用于根据所述实体筛选条件对所述第一实体子集合中的实体进行筛选，获取第二实体子集合；
第二展示单元，用于向所述目标用户展示对应的第二实体子集合，所述第二实体子集合包括至少一个所述实体。
B7、如B6所述的装置中，所述第四获取单元包括：
匹配子单元，用于将所述第一实体子集合中的各所述实体的实体属性特征与所述实体筛选条件进行匹配；
第二加入子单元，用于响应于所述实体属性特征满足所述实体筛选条件，将对应的所述实体加入所述第二实体子集合。
B8、如B1所述的装置中，所述概率预测模型为XGBoost或DeepFM。
B9、如B1所述的装置中，所述概率预测模型根据特征重要性分布以及模型评价指标进行检验。
本发明实施例还公开了C1、一种计算机可读存储介质，其上存储计算机程序指令，其中，所述计算机程序指令在被处理器执行时实现如A1-A9中任一项所述的方法。
本发明实施例还公开了D1、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程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如下步骤：
接收目标用户的主题选择指令，所述主题选择指令用于确定所述目标用户选择的目标主题；
获取与所述目标主题匹配的第一实体集合，以及获取所述第一实体集合中各实体的实体属性特征；
获取所述目标用户的用户属性特征；
基于概率预测模型，根据所述用户属性特征和所述实体属性特征获取各所述实体对应的选中概率，所述概率预测模型根据训练样本预先训练获得，所述训练样本根据所记录的所述目标主题外的用户行为数据确定；
根据所述选中概率向所述目标用户展示对应的第一实体子集合，所述第一实体子集合包括至少一个所述实体。
D2、如D1所述的电子设备中，所述用户属性特征包括所述目标用户的特征信息，所述特征信息根据所述目标用户的历史行为数据确定。
D3、如D1所述的电子设备中，所述获取与所述目标主题匹配的第一实体集合包括：
获取与所述目标主题匹配的至少一个实体提供方；
根据所述实体提供方对应的多个实体确定所述第一实体集合。
D4、如D1所述的电子设备中，所述训练样本通过如下步骤确定：
获取实体提供方集合，所述实体提供方集合包括所述第二实体集合中的各所述实体对应的实体提供方，所述第二实体集合包括至少一个属于所述第一实体集合的实体；
获取所述实体提供方集合对应的第三实体集合，所述第三实体集合包括多个第一类实体和多个第二类实体，所述第一类实体为历史查看状态为被查看且历史选择状态为被选中的实体，所述第二类实体为历史查看状态为被查看且历史选择状态为未被选中的实体；
根据所述用户行为数据确定所述第一类实体对应的多个第一类用户和所述第二类实体对应的多个第二类用户；
分别根据各所述第一类用户的用户属性特征和对应的所述第一类实体的实体属性特征确定正样本；
分别根据各所述第二类用户的用户属性特征和对应的所述第二类实体的实体属性特征确定负样本。
D5、如D1所述的电子设备中，所述根据所述选中概率向所述目标用户展示对应的第一实体子集合包括：
响应于所述选中概率满足预定条件，将对应的所述实体加入所述第一实体子集合；
向所述目标用户展示所述第一实体子集合。
D6、如D1所述的电子设备中，所述电子设备还用于实现如下步骤：
接收所述目标用户的条件选择指令，所述条件选择指令用于确定所述目标用户的实体筛选条件；
根据所述实体筛选条件对所述第一实体子集合中的实体进行筛选，获取第二实体子集合；
向所述目标用户展示对应的第二实体子集合，所述第二实体子集合包括至少一个所述实体。
D7、如D6所述的电子设备中，所述根据所述实体筛选条件对所述第一实体子集合中的实体进行筛选，获取第二实体子集合包括：
将所述第一实体子集合中的各所述实体的实体属性特征与所述实体筛选条件进行匹配；
响应于所述实体属性特征满足所述实体筛选条件，将对应的所述实体加入所述第二实体子集合。
D8、如D1所述的电子设备中，所述概率预测模型为XGBoost或DeepFM。
D9、如D1所述的电子设备中，所述概率预测模型根据特征重要性分布以及模型评价指标进行检验。
本领域的普通技术人员可以理解，上述各实施例是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。
Claims (10)
1.一种实体展示方法，其特征在于，所述方法包括：
接收目标用户的主题选择指令，所述主题选择指令用于确定所述目标用户选择的目标主题；
获取与所述目标主题匹配的第一实体集合，以及所述第一实体集合中各实体的实体属性特征；
获取所述目标用户的用户属性特征；
基于概率预测模型，根据所述用户属性特征和所述实体属性特征获取各所述实体对应的选中概率，所述概率预测模型根据训练样本预先训练获得，所述训练样本根据所记录的所述目标主题外的用户行为数据确定；
根据所述选中概率向所述目标用户展示对应的第一实体子集合，所述第一实体子集合包括至少一个所述实体。
2.根据权利要求1所述的方法，其特征在于，所述用户属性特征包括所述目标用户的特征信息，所述特征信息根据所述目标用户的历史行为数据确定。
3.根据权利要求1所述的方法，其特征在于，所述获取与所述目标主题匹配的第一实体集合包括：
获取与所述目标主题匹配的至少一个实体提供方；
根据所述实体提供方对应的多个实体确定所述第一实体集合。
4.根据权利要求1所述的方法，其特征在于，所述训练样本通过如下步骤确定：
获取实体提供方集合，所述实体提供方集合包括所述第二实体集合中的各所述实体对应的实体提供方，所述第二实体集合包括至少一个属于所述第一实体集合的实体；
获取所述实体提供方集合对应的第三实体集合，所述第三实体集合包括多个第一类实体和多个第二类实体，所述第一类实体为历史查看状态为被查看且历史选择状态为被选中的实体，所述第二类实体为历史查看状态为被查看且历史选择状态为未被选中的实体；
根据所述用户行为数据确定所述第一类实体对应的多个第一类用户和所述第二类实体对应的多个第二类用户；
分别根据各所述第一类用户的用户属性特征和对应的所述第一类实体的实体属性特征确定正样本；
分别根据各所述第二类用户的用户属性特征和对应的所述第二类实体的实体属性特征确定负样本。
5.根据权利要求1所述的方法，其特征在于，所述根据所述选中概率向所述目标用户展示对应的第一实体子集合包括：
响应于所述选中概率满足预定条件，将对应的所述实体加入所述第一实体子集合；
向所述目标用户展示所述第一实体子集合。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
接收所述目标用户的条件选择指令，所述条件选择指令用于确定所述目标用户的实体筛选条件；
根据所述实体筛选条件对所述第一实体子集合中的实体进行筛选，获取第二实体子集合；
向所述目标用户展示对应的第二实体子集合，所述第二实体子集合包括至少一个所述实体。
7.根据权利要求6所述的方法，其特征在于，所述根据所述实体筛选条件对所述第一实体子集合中的实体进行筛选，获取第二实体子集合包括：
将所述第一实体子集合中的各所述实体的实体属性特征与所述实体筛选条件进行匹配；
响应于所述实体属性特征满足所述实体筛选条件，将对应的所述实体加入所述第二实体子集合。
8.一种实体展示装置，其特征在于，所述装置包括：
第一接收单元，用于接收目标用户的主题选择指令，所述主题选择指令用于确定所述目标用户选择的目标主题；
第一获取单元，用于获取与所述目标主题匹配的第一实体集合，以及所述第一实体集合中各实体的实体属性特征；
第二获取单元，用于获取所述目标用户的用户属性特征；
第三获取单元，用于基于概率预测模型，根据所述用户属性特征和所述实体属性特征获取各所述实体对应的选中概率，所述概率预测模型根据训练样本预先训练获得，所述训练样本根据所记录的所述目标主题外的用户行为数据确定；
第一展示单元，用于根据所述选中概率向所述目标用户展示对应的第一实体子集合，所述第一实体子集合包括至少一个所述实体。
9.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时实现如权利要求1-7中任一项所述的方法。
10.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如下步骤：
接收目标用户的主题选择指令，所述主题选择指令用于确定所述目标用户选择的目标主题；
获取与所述目标主题匹配的第一实体集合，以及获取所述第一实体集合中各实体的实体属性特征；
获取所述目标用户的用户属性特征；
基于概率预测模型，根据所述用户属性特征和所述实体属性特征获取各所述实体对应的选中概率，所述概率预测模型根据训练样本预先训练获得，所述训练样本根据所记录的所述目标主题外的用户行为数据确定；
根据所述选中概率向所述目标用户展示对应的第一实体子集合，所述第一实体子集合包括至少一个所述实体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910591530.0A CN110322323A (zh) | 2019-07-02 | 2019-07-02 | 实体展示方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910591530.0A CN110322323A (zh) | 2019-07-02 | 2019-07-02 | 实体展示方法、装置、存储介质和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110322323A true CN110322323A (zh) | 2019-10-11 |
Family
ID=68122341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910591530.0A Pending CN110322323A (zh) | 2019-07-02 | 2019-07-02 | 实体展示方法、装置、存储介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110322323A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111782821A (zh) * | 2020-06-30 | 2020-10-16 | 平安科技（深圳）有限公司 | 基于fm模型的医学热点的预测方法、装置和计算机设备 |
| CN112217908A (zh) * | 2020-12-08 | 2021-01-12 | 平安科技（深圳）有限公司 | 基于迁移学习的信息推送方法、装置及计算机设备 |
| CN112685627A (zh) * | 2019-10-17 | 2021-04-20 | 北京星选科技有限公司 | 对象推送方法、装置、电子设备及存储介质 |
| CN113469475A (zh) * | 2020-03-30 | 2021-10-01 | 北京骑胜科技有限公司 | 数据处理方法、装置、存储介质和电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150379609A1 (en) * | 2014-06-30 | 2015-12-31 | Kobo Incorporated | Generating recommendations for unfamiliar users by utilizing social side information |
| CN105469263A (zh) * | 2014-09-24 | 2016-04-06 | 阿里巴巴集团控股有限公司 | 一种商品推荐方法及装置 |
| CN105787770A (zh) * | 2016-04-27 | 2016-07-20 | 上海遥薇(集团)有限公司 | 一种基于nmf算法的大数据商品及服务推荐方法及系统 |
| CN109165983A (zh) * | 2018-09-04 | 2019-01-08 | 中国平安人寿保险股份有限公司 | 保险产品推荐方法、装置、计算机设备和存储介质 |
-
2019
- 2019-07-02 CN CN201910591530.0A patent/CN110322323A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150379609A1 (en) * | 2014-06-30 | 2015-12-31 | Kobo Incorporated | Generating recommendations for unfamiliar users by utilizing social side information |
| CN105469263A (zh) * | 2014-09-24 | 2016-04-06 | 阿里巴巴集团控股有限公司 | 一种商品推荐方法及装置 |
| CN105787770A (zh) * | 2016-04-27 | 2016-07-20 | 上海遥薇(集团)有限公司 | 一种基于nmf算法的大数据商品及服务推荐方法及系统 |
| CN109165983A (zh) * | 2018-09-04 | 2019-01-08 | 中国平安人寿保险股份有限公司 | 保险产品推荐方法、装置、计算机设备和存储介质 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112685627A (zh) * | 2019-10-17 | 2021-04-20 | 北京星选科技有限公司 | 对象推送方法、装置、电子设备及存储介质 |
| CN113469475A (zh) * | 2020-03-30 | 2021-10-01 | 北京骑胜科技有限公司 | 数据处理方法、装置、存储介质和电子设备 |
| CN113469475B (zh) * | 2020-03-30 | 2024-05-14 | 北京骑胜科技有限公司 | 数据处理方法、装置、存储介质和电子设备 |
| CN111782821A (zh) * | 2020-06-30 | 2020-10-16 | 平安科技（深圳）有限公司 | 基于fm模型的医学热点的预测方法、装置和计算机设备 |
| CN111782821B (zh) * | 2020-06-30 | 2023-12-19 | 平安科技（深圳）有限公司 | 基于fm模型的医学热点的预测方法、装置和计算机设备 |
| CN112217908A (zh) * | 2020-12-08 | 2021-01-12 | 平安科技（深圳）有限公司 | 基于迁移学习的信息推送方法、装置及计算机设备 |
| CN112217908B (zh) * | 2020-12-08 | 2021-03-09 | 平安科技（深圳）有限公司 | 基于迁移学习的信息推送方法、装置及计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110322323A (zh) | 实体展示方法、装置、存储介质和电子设备 | |
| JP6161992B2 (ja) | 販売予測システム及び販売予測方法 | |
| CN107766404B (zh) | 用于改进建议系统的系统和方法 | |
| US20220092672A1 (en) | Contextual set selection | |
| CN106355449A (zh) | 用户选取方法和装置 | |
| CN110363617A (zh) | 一种推荐方法、装置、电子设备及可读存储介质 | |
| US20200098466A1 (en) | Machine learning implementations for a menu generation platform | |
| CN110163647A (zh) | 一种数据处理方法及装置 | |
| CN108648059A (zh) | 订单推荐方法及装置 | |
| CN108648058B (zh) | 产品排序方法及装置，电子设备、存储介质 | |
| US20150161728A1 (en) | System for determining hs commodity classification code | |
| CN117972057A (zh) | 对话内容处理方法、设备、存储介质及产品 | |
| CN107220876B (zh) | 商品信息管理方法、装置及移动终端 | |
| CN110223757A (zh) | 食谱方案的推荐方法、装置、介质、电子设备 | |
| CN111476622B (zh) | 一种物品推送方法及装置、计算机可读存储介质 | |
| CN108053282A (zh) | 一种组合信息的推送方法、装置及终端 | |
| CN107423308A (zh) | 主题推荐方法以及装置 | |
| CN110134783A (zh) | 个性化推荐的方法、装置、设备和介质 | |
| CN109191242A (zh) | 餐品推送方法及装置 | |
| CN111767458A (zh) | 信息推送方法、装置、系统及存储介质 | |
| CN109063120A (zh) | 一种基于聚类的协同过滤推荐方法和装置 | |
| CN109214956A (zh) | 餐品推送方法及装置 | |
| CN107093122B (zh) | 对象分类方法及装置 | |
| CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
| CN109313773A (zh) | 食用时期计算方法、食用时期计算系统、食用时期计算程序以及记录介质 |
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: 20191011 |
|
| RJ01 | Rejection of invention patent application after publication |