CN110378726A - 一种目标用户的推荐方法、系统以及电子设备 - Google Patents
一种目标用户的推荐方法、系统以及电子设备 Download PDFInfo
- Publication number
- CN110378726A CN110378726A CN201910590485.7A CN201910590485A CN110378726A CN 110378726 A CN110378726 A CN 110378726A CN 201910590485 A CN201910590485 A CN 201910590485A CN 110378726 A CN110378726 A CN 110378726A
- Authority
- CN
- China
- Prior art keywords
- network model
- training
- user
- neural network
- feature
- 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 66
- 238000012549 training Methods 0.000 claims abstract description 132
- 238000003062 neural network model Methods 0.000 claims abstract description 90
- 239000000284 extract Substances 0.000 claims abstract description 45
- 210000005036 nerve Anatomy 0.000 claims abstract description 42
- 238000013526 transfer learning Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims description 63
- 238000000605 extraction Methods 0.000 claims description 34
- 230000003542 behavioural effect Effects 0.000 claims description 14
- 230000001537 neural effect Effects 0.000 claims description 2
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000003860 storage Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 235000013361 beverage Nutrition 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 238000012552 review Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000001965 increasing effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000012546 transfer 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
- G06Q30/02—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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0222—During e-commerce, i.e. online transactions
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了一种目标用户的推荐方法，包括：提取第一样本集和第二样本集，所述第一样本集包括源领域中用户群体的特征，所述第二样本集包括目标领域中用户群体的特征；源领域中的特征的数据量大于目标领域中的特征的数据量；利用所述第一样本集和第二样本集，通过迁移学习的方式训练基础神经网络模型得到目标神经网络模型；提取待推荐用户的特征并将其作为目标神经网络模型的输入，然后得到所述待推荐用户的推荐概率；目标神经网络模型对所述待推荐用户的推荐概率进行排序，根据排序结果确定所述目标用户，完成目标用户的推荐。
Description
技术领域
本说明书实施例涉及信息处理领域，尤其涉及一种目标用户的推荐方法、系统以及电子设备。
背景技术
随着计算机技术的发展，互联网在人们的生活中起到了越来越大的作用，给人们的生活带来很大的便利。基于互联网的一些产品随着互联网的发展也迅速增长，不同的互联网产品具有不同的功能，当然，不同的互联网产品在人们的生活中起到了不同的作用。
一部分互联网产品的设计是基于用户的使用情况而进行调整的，在这些互联网产品中，用户的数量、使用产品的情况等因素决定了这些互联网产品的发展状况。各个互联网产品均需要更多的用户对其进行使用，以及后期的消费等，所以这些互联网产品需要通过更好的方法拉取更合适的用户。
发明内容
为了解决以上技术问题，本说明书实施例的主要目的在于提供一种目标用户的推荐方法、系统以及电子设备，以解决现有技术中不能通过更好的方法选取目标用户的技术问题。
本说明书的一个或多个实施例的技术方案是通过以下方式实现的：
本申请实施例提供了一种目标用户的推荐方法，包括：
提取第一样本集和第二样本集，所述第一样本集包括源领域中用户群体的特征，所述第二样本集包括目标领域中用户群体的特征；
利用所述第一样本集和第二样本集，通过迁移学习的方式训练基础神经网络模型得到目标神经网络模型；
提取待推荐用户的特征并将其输入至所述目标神经网络模型中，得到所述待推荐用户的推荐概率；
对所述待推荐用户的推荐概率进行排序，根据排序结果确定所述目标用户，完成目标用户的推荐。
本申请实施例还提供了一种目标用户的推荐方法，所述源领域中用户群体的特征包括第一属性特征和第一行为特征，所述第一属性特征包括第一基础特征、第一财富特征、第一位置特征；所述第一行为特征包括第一浏览特征、第一评论特征；
所述目标领域中用户群体的特征包括第二属性特征和第二行为特征，所述第二属性特征包括第二基础特征、第二财富特征、第二位置特征；所述第二行为特征包括第二浏览特征、第二评论特征。
本申请实施例还提供了一种目标用户的推荐方法，利用所述第一样本集和第二样本集，通过迁移学习的方式训练基础神经网络模型得到目标神经网络模型，具体包括：
利用所述第一样本集训练第一基础神经网络模型，得到预训练神经网络模型；
将所述预训练神经网络模型的参数迁移到第二基础神经网络模型中，利用所述第二样本集训练所述第二基础神经网络模型，得到目标神经网络模型。
本申请实施例还提供了一种目标用户的推荐方法，提取所述第一样本集具体为：
提取第一样本训练子集和第一测试子集，所述第一样本训练子集与所述第一测试子集为不同时间节点的子集。
本申请实施例还提供了一种目标用户的推荐方法，利用所述第一样本集训练第一基础神经网络模型，得到预训练神经网络模型具体为：
利用所述第一样本训练子集通过监督学习的方式训练所述第一基础神经网络模型，得到预训练神经网络模型。
本申请实施例还提供了一种目标用户的推荐方法，在将所述预训练神经网络模型的参数迁移到第二基础神经网络模型之前，还包括：
利用所述第一测试子集测试所述预训练神经网络模型。
本申请实施例还提供了一种目标用户的推荐方法，所述第一基础神经网络模型与第二基础神经网络模型为相同的神经网络模型。
本申请实施例还提供了一种目标用户的推荐方法，提取所述第二样本集具体为：
提取第二样本训练子集和第二测试子集，所述第二样本训练子集与所述第二测试子集为不同时间节点的子集。
本申请实施例还提供了一种目标用户的推荐方法，利用所述第二样本集训练所述第二基础神经网络模型具体为：
利用所述第二样本训练子集通过监督学习的方式训练所述第二基础神经网络模型。
本申请实施例还提供了一种目标用户的推荐方法，在得到所述目标神经网络模型之后，还包括：
利用所述第二测试子集测试所述目标神经网络模型。
本申请实施例还提供了一种目标用户的推荐系统，包括：
第一提取模块，提取第一样本集和第二样本集，所述第一样本集包括源领域中用户群体的特征，所述第二样本集包括目标领域中用户群体的特征；
训练模块，利用所述第一样本集和第二样本集，通过迁移学习的方式训练基础神经网络模型得到目标神经网络模型；
第二提取模块，提取待推荐用户的特征；
推荐概率模块，将提取的待推荐用户的特征输入至所述目标神经网络模型中，得到所述待推荐用户的推荐概率；
目标用户确定模块，对所述待推荐用户的推荐概率进行排序，根据排序结果确定所述目标用户，完成目标用户的推荐。
本申请实施例还提供了一种目标用户的推荐系统，所述训练模块包括：
第一训练模块，利用所述第一样本集训练第一基础神经网络模型，得到预训练神经网络模型；
模型迁移模块，将所述预训练神经网络模型的参数迁移到第二基础神经网络模型中；
第二训练模块，利用所述第二样本集训练所述第二基础神经网络模型，得到目标神经网络模型。
本申请实施例还提供了一种目标用户的推荐系统，所述第一提取模块包括：
第一样本训练子集提取模块，提取第一样本训练子集；
第一测试子集提取模块，提取第一测试子集。
本申请实施例还提供了一种目标用户的推荐系统，还包括第一测试模块，利用所述第一测试子集测试所述预训练神经网络模型。
本申请实施例还提供了一种目标用户的推荐系统，所述第一提取模块还包括：
第二样本训练子集提取模块，提取第二样本训练子集；
第二测试子集提取模块，提取第二测试子集。
本申请实施例还提供了一种目标用户的推荐系统，还包括第二测试模块，利用所述第二测试子集测试所述目标神经网络模型。
本申请实施例还提供了一种电子设备，包括：
存储器，用于存储程序指令；
处理器，用于执行所述程序指令，以实现上述任一项所述的推荐方法。
相比于现有技术，本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
本技术方案利用神经网络模型通过迁移学习的方式确定目标用户，提高了确定目标用户的准确度。有效解决了现有技术中使用传统机器学习模型并利用少量的、稀疏的数据训练机器学习模型，导致的确定目标用户准确度不高的技术问题。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书的一个实施例提供的一种目标用户的推荐方法的应用场景示意图；
图2为本说明书的一个实施例提供的一种目标用户的推荐方法的流程示意图；
图3为本说明书的另一个实施例提供的一种目标用户的推荐方法的流程示意图；
图4为本说明书的一个实施例提供的一种目标用户的推荐系统的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
在互联网产品中，随着人们使用产品的需求的变化，这些互联网产品也在随着用户的使用需求发生变化。在互联网的大潮中，越来越多的互联网产品出现在用户面前，以满足用户的各种使用需求。对于各个互联网产品来说，用户既是上帝，为了把更有价值的福利推送给更有使用产品意愿的用户，互联网产品方会对这部分用户进行精确定位，只有精确定位到这部分用户才能达到互联网产品方最初的目的。
例如，在具有消费功能的一类互联网产品(即应用程序APP)中，一款APP的设计或者研发等团队为了拉取更多有消费意愿的新用户，以及促进或激励老用户再次消费，他们需要精确定位到潜在的有消费意愿的用户，这些用户包括新用户以及老用户。然后对这些用户采取一些奖励措施(例如发放福利券、提现金额、红包等)，将这些奖励措施发送至这些有消费意愿的用户的账户中，刺激这些用户进行更多的消费。
定位潜在的有消费意愿的这些用户需要使用预测模型，目前的一些消费预测模型使用的是传统的机器学习模型，例如：逻辑回归模型(LR)、梯度提升树模型(GBDT)等来对用户的消费意愿进行预测。目前的这些预测模型使用的是少量与用户消费有关的数据进行训练。由于使用的只是少量的与用户消有关的数据进行训练的模型，预测结果的准确性有待提高。
以下结合附图，详细说明本说明书的一个或多个实施例提供的技术方案。
图1为本说明书实施例中一种目标用户的推荐方法的应用场景示意图，主要由特征提取(feature extract)、训练样本生成(training data)、模型训练(model training)、模型预测(model serving)、排序(ranking)、人群选择(Top n％user-id)、平台投放(DeliveryPlatform)几个部分组成。
原始的全量用户行为数据(源领域中用户的数据)存储在大数据计算服务器(OpenDataProcessing Service，简称ODPS)中，用户的操作行为会生成对应的数据特征日志(log)，根据预设条件可以从数据特征日志中进行特征抽取，根据抽取的特征确定训练样本，并采用训练样本对模型进行训练，得到预测模型，采用所述预测模型对最新用户的行为特征进行预测打分排序，选取打分排名靠前的分享意愿强的用户，投放到投放平台，并向这些用户进行广告投放。模型在线打分的时候会将特征日志进行打印，并回流到ODPS中，基于特征日志数据离线训练模型，将训练好的模型导入更新到模型在线预测模块。
如图2所示，为本申请实施例提供的一种目标用户的推荐方法的流程示意图，该方法主要包括以下步骤：
步骤S100，提取第一样本集和第二样本集，所述第一样本集包括源领域中用户群体的特征，所述第二样本集包括目标领域中用户群体的特征。源领域即为第一个领域，在本实施例中为第一样本集所在的领域。目标领域即为第二个领域，目标领域在本实施例中为第二样本集所在的领域。第一个领域与第二个领域为不同的领域，也就是源领域与目标领域为两个不同的领域，这里两个领域中的样本集中的数据相关。源领域中的数据比较充足，目标领域中的数据比较缺乏，也就是目标领域中的数据量小于源领域中的数据量。例如可以有共同交叉的特征或者相类似的特征或者相关的特征，但是两个领域中的特征分布不同。该步骤中所述的领域可以是应用场景、应用环境、应用软件等。源领域中用户群体的特征与目标领域中用户群体的特征也是相关的。第一样本集和第二样本集存储在存储器中，例如大数据计算服务器，可以从中直接提取。通过本技术方案提取的第一领域的特征更多。
例如，源领域可以是卖饮料的数据，该数据比较充足；目标领域为卖蛋糕的数据，该数据比较缺乏；从卖饮料的数据中提取第一样本集，第一样本集包括购买饮料的用户群体的特征信息，从卖蛋糕的数据中提取第二样本集，第二样本集包括购买蛋糕的用户群体的特征信息。
步骤S200，利用所述第一样本集和第二样本集，通过迁移学习的方式训练基础神经网络模型得到目标神经网络模型。基础神经网络模型是可以直接使用的初始的神经网络模型，通过提取的第一样本集和第二样本集训练基础神经网络模型，然后通过迁移学习的方式最终得到目标神经网络模型。迁移学习是一种机器学习方法，把一个领域的知识迁移到另外一个领域，使得另外一个领域能够取得更好的学习效果。用神经网络的词语来表述，就是一层层网络中每个节点的参数(权重)从一个训练好的网络迁移到一个全新的网络里，而不是从头开始，为每特定的个任务训练一个神经网络。
例如，新开一个网店，卖一种新的糕点。在卖这种糕点之前没有关于这种新的糕点的任何消费数据，就无法建立模型对用户进行推荐这种糕点。考虑到用户买一个东西的情况会反映到用户可能还会买另外一个东西，所以如果知道用户在另外一个领域(例如卖饮料)，已经有了充足的数据。利用卖饮料的充足的数据建一个推荐模型，结合用户买饮料的习惯和买糕点的习惯的关联，就可以把卖饮料的推荐模型成功地迁移到糕点的领域。这样，在糕点领域数据不多的情况下可以推荐一些用户可能喜欢的糕点。这个例子就说明，有两个领域，第一个领域已经有很多的数据，根据这些充足的数据建立一个基础神经网络模型。第二个领域的数据不多，但是和第一个领域是相关联的，就可以把第一个领域建立的基础神经网络模型迁移到第二个领域中对应的一个技术神经网络模型中，利用第二个领域中的数据再次训练迁移的基础神经网络模型，得到适用于第二个领域的目标神经网络模型。由于第一个领域的数据量不足，所以使用迁移学习，迁移学习可以使第二个领域能够取得更好的学习效果。
还可以在个性化等方面，利用迁移学习进行个性化设置。每个人都希望自己的手机能够记住一些使用习惯，这样不用每次都去设定它，为了能让手机记住这些使用习惯，可以通过迁移学习把一个通用的用户使用手机的模型迁移到个性化的数据上面。具体原理与上例相同，不再详细解释。
步骤S300，提取待推荐用户的特征并将其输入至所述目标神经网络模型中，得到所述待推荐用户的推荐概率。待推荐用户为按照一定规则选取的用户，这个规则可以根据实际需求进行制定。提取的待推荐的用户的特征可以是与第二样本集中包含的特征全部相同，也可以是只有部分相同。将提取的待推荐用户的特征输入至目标神经网络模型中，目标神经网络模型可以输出每个用户的概率值，该概率值即为用户的推荐概率。提取待推荐用户的特征也是存储在存储器中，例如大数据计算服务器中，也是可以直接提取的。
步骤S400，对所述待推荐用户的推荐概率进行排序，根据排序结果确定所述目标用户，完成目标用户的推荐。在得到待推荐用户的推荐概率后，对这些待推荐用户的推荐概率进行大小排序，可以从大到小选取推荐概率较大的待推荐用户作为目标用户，从而完成目标用户的推荐。
上述实施例的步骤完成了目标用户的推荐，上述方法可以更准确地对目标用户的定位，解决了现有技术中只通过少数样本对传统机器学习模型训练从而不能准确定位目标用户的技术问题。本为了对上述实施例进行进一步优化，本说明书还提供了其他实施例对上述实施例进行补充和优化。
步骤S100，提取第一样本集和第二样本集，所述第一样本集包括源领域中用户群体的特征，所述第二样本集包括目标领域中用户群体的特征，其中：
提取第一样本具体包括提取第一样本训练子集和第一测试子集，所述第一样本训练子集与所述第一测试子集为不同时间节点的子集。第一样本训练子集与第一测试子集可以是时间上相邻两个时间节点的子集，以保证测试的准确性。第一样本训练子集和第一测试子集均包括源领域中用户群体的特征，源领域中用户群体的特征包括第一属性特征和第一行为特征，所述第一属性特征包括第一基础特征、第一财富特征、第一位置特征；所述第一行为特征包括第一浏览特征、第一评论特征。
第一基础特征具体包括用户的年龄、性别、星座、职业、教育水平、人生阶段等。第一财富特征包括用户的收入、购买力、有车的概率、有房的概率等。第一位置特征包括用户的出生地、工作地、家庭所在地、常住地等与用户关联性比较强的一些地点。第一浏览特征包括用户的浏览、访问记录等，第一评论特征包括用户的评论记录等。
提取第二样本集具体包括提取第二样本训练子集和第二测试子集，所述第二样本训练子集与所述第二测试子集为不同时间节点的子集。第二样本训练子集与第二测试子集可以是时间上相邻两个时间节点的子集，以保证测试的准确性。第二样本训练子集和第一测试子集均包括目标领域中用户群体的特征，目标领域中用户群体的特征包括第二属性特征和第二行为特征，所述第二属性特征包括第二基础特征、第二财富特征、第二位置特征；所述第二行为特征包括第二浏览特征、第二评论特征。
第二基础特征具体包括用户的年龄、性别、星座、职业、教育水平、人生阶段等。第二财富特征包括用户的收入、购买力、有车的概率、有房的概率等。第二位置特征包括用户的出生地、工作地、家庭所在地、常住地等与用户关联性比较强的一些地点。第二浏览特征包括用户的浏览、访问记录等，第二评论特征包括用户的评论记录等。
当然，第一样本集和第二样本集还可以包括其他用户的特征，包含的特征越多，对于后期模型的训练准确度越高。其他特征同样在本实施例的保护范围之内，在此不再穷举。第一样本集和第二样本集存储在存储器或者服务器中，例如大数据计算服务器(odps)的log中，可以直接从大数据计算服务器中直接提取，该提取方式并不是人工根据经验抽取的。
步骤S200，利用所述第一样本集和第二样本集，通过迁移学习的方式训练基础神经网络模型得到目标神经网络模型，具体包括：
利用第一样本集训练第一基础神经网络模型，得到预训练神经网络模型。第一样本集中包括用户多种不同的特征，这些特征相当于第一基础神经网络模型输入层的不同神经元。利用第一样本集中的不同特征通过监督学习的方式训练第一基础神经网络模型，得到预训练神经网络模型。第一基础神经网络模型可以是没有经过任何训练的模型。得到预训练神经网络模型之后，利用所述第一测试子集测试预训练神经网络模型，验证预训练神经网络模型的准确性。
然后，将预训练神经网络模型的参数迁移到第二基础神经网络模型中，第一基础神经网络模型与第二基础神经网络模型为相同的神经网络模型，所以预训练神经网络模型的参数可以迁移到第二基础神经网络模型中，这样就不用从头开始训练第二基础神经网络模型。利用第二样本集中的第二样本训练子集通过监督学习的方式训练所述第二基础神经网络模型，得到目标神经网络模型。通过迁移学习训练得到的目标神经网络模型的准确度得到了很大的提升。在得到目标神经网络模型之后，利用第二样本集中的第二测试子集测试目标神经网络模型，检验目标神经网络模型准确度。
步骤S300，提取待推荐用户的特征并将其输入至目标神经网络模型中，得到待推荐用户的推荐概率。提取待推荐用户的特征也是存储在存储器或者服务器中，可以直接从中提取的。
步骤S400，对待推荐用户的推荐概率进行排序，根据排序结果确定目标用户，完成目标用户的推荐。步骤S300、步骤S400与第一个实施例中的步骤相同。
本申请说明书还提供了另一实施例，该实施例为在一种具体应用场景实施的技术方案。
本实施例以支付宝支付为例进行说明。全球性重点客户Global Key Account(GKA)项目的一个主要任务是让苹果用户在应用商店App Store绑定支付宝，并用支付宝进行付费交易。支付宝的支付成功页设置有刮刮卡活动，刮刮卡中设置有红包等奖励，通过支付宝的支付成功页的刮刮卡把消费红包等投放给有消费意愿的目标用户，以便拉取新用户使用支付宝及刺激老用户进行再次消费，为了能够精确定位到有消费意愿的用户，需要通过预测模型对用户的消费意愿进行预测。
参考图3，具体步骤如下：
步骤S500，提取第一样本集和第二样本集，第一样本集为源领域中的用户群体的特征，第二样本集为目标领域中用户群体的特征。在本实施例中源领域中的数据为通过支付宝支付的数据，支付宝的支付渠道包括惠支付、腰封、支付成功页等多种支付渠道。第一样本集包括第一样本训练子集和第一测试子集，第一样本训练子集和第一测试子集分别是提取的通过这些渠道支付的用户群体的特征，该特征具体包括用户的第一基础特征、第一财富特征、第一位置特征、第一浏览特征和第一评论特征等等。第一样本训练子集和第一测试子集为两个相邻时间节点的两个子集，例如，第一样本集为两周的数据，第一样本训练子集的数据可以是前一周的数据，第一测试子集的数据可以是后一周的数据，相邻两周的数据没有很大的差别，不会有很大的波动。
其中：第一基础特征具体包括用户的年龄、性别、星座、职业、教育水平、人生阶段等。第一财富特征包括用户的收入、购买力、有车的概率、有房的概率等。第一位置特征包括用户的出生地、工作地、家庭所在地、常住地等与用户关联性比较强的一些地点。第一浏览特征包括用户的浏览、访问记录等，第一评论特征包括用户的评论记录等。源领域中用户群体的特征存储在大数据计算服务器(odps)中，可以直接从大数据计算服务器中直接提取。
目标领域中数据为通过支付成功页--刮刮卡中的红包进行消费的数据。通过支付成功页--刮刮卡中的红包进行消费的数据，与源领域中通过支付宝的支付渠道包括惠支付、腰封、支付成功页等多种支付渠道支付的数据是相关的。目标领域中用户群体的特征包括第二样本训练子集和第二测试子集，所述第二样本训练子集与所述第二测试子集为不同时间节点的子集。第二样本训练子集与第二测试子集可以是时间上相邻两个时间节点的子集，以保证测试的准确性。第二样本训练子集和第一测试子集均包括目标领域中用户群体的特征，目标领域中用户群体的特征包括第二属性特征和第二行为特征，所述第二属性特征包括第二基础特征、第二财富特征、第二位置特征；所述第二行为特征包括第二浏览特征、第二评论特征。
第二基础特征具体包括用户的年龄、性别、星座、职业、教育水平、人生阶段等。第二财富特征包括用户的收入、购买力、有车的概率、有房的概率等。第二位置特征包括用户的出生地、工作地、家庭所在地、常住地等与用户关联性比较强的一些地点。第二浏览特征包括用户的浏览、访问记录等，第二评论特征包括用户的评论记录等。目标领域中用户群体的特征同样存储在大数据计算服务器(odps)的log中，可以直接从大数据计算服务器中直接提取。
步骤S600，利用所述第一样本集和第二样本集，通过迁移学习的方式训练基础神经网络模型得到目标神经网络模型。该步骤具体包括：
对步骤S500中提取的第一样本训练子集和第二样本训练子集中的不同特征添加标签，添加的标签为是否进行了消费。利用添加标签后的第一样本训练子集通过监督学习的方式训练第一基础神经网络模型，将第一样本训练子集中不同的特征输入至第一基础神经网络模型，得到预训练神经网络模型。通过对第一样本训练子集中的特征进行分类降低了特征的阶数。然后利用第一测试子集测试得到的预训练神经网络模型，测试预训练神经网络模型的准确性。
然后将预训练神经网络模型中的参数迁移到第二基础神经网络模型中，第一基础神经网络模型与第二基础神经网络模型为相同的神经网络模型，利用第二样本集中的第二样本训练子集通过监督学习的方式训练第二基础神经网络模型，得到目标神经网络模型。在得到目标神经网络模型之后，利用第二样本集中的第二测试子集测试目标神经网络模型，检验目标神经网络模型准确度。
步骤S700，提取待推荐用户的特征并将其输入至目标神经网络模型中，得到待推荐用户的推荐概率。待推荐用户可以是这一个财年内没有消费记录的用户，待推荐用户的特征存储在odps的log中，可以直接提取。待推荐用户的数量由odps的log中存储的用户数量决定。
步骤S800，对待推荐用户的推荐概率进行排序，根据排序结果确定目标用户，完成目标用户的推荐。目标神经网络模型可以对待推荐用户的推荐概率进行排序，本实施例中是从大到小的排序，选取规定数量的用户作为目标用户。例如，提取的待推荐用户的数量为一亿用户，选取这一亿用户中待推荐概率从大到小排序中前一千万的用户作为目标用户。
步骤900，将目标用户投放到投放平台，投放平台将红包等福利投放给目标用户。
通过本申请的技术方案利用神经网络模型迁移学习的方式确定目标用户，提高了确定目标人群的准确度，进而提高了目标用户使用投放平台投放的红包进行消费的概率，即提高了核销率。
上述方法解决了现有技术中只使用目标领域中的样本对传统机器学习模型进行训练导致的目标用户确定性不高的问题，达到了相应的技术效果，本说明书实施例还提供一种实现上述方法的系统，可以通过该系统实现上述方法。该系统可以解决与上述方法同样的技术问题，可以达到与上述方法相同的技术效果，参考图4。
一种目标用户的推荐系统，包括：
第一提取模块1，提取第一样本集和第二样本集，所述第一样本集包括源领域中用户群体的特征，所述第二样本集包括目标领域中用户群体的特征。第一提取模块1包括：
第一样本训练子集提取模块，提取第一样本训练子集；
第一测试子集提取模块，提取第一测试子集；
第二样本训练子集提取模块，提取第二样本训练子集；
第二测试子集提取模块，提取第二测试子集。
训练模块2，利用所述第一样本集和第二样本集，通过迁移学习的方式训练基础神经网络模型得到目标神经网络模型。
所述训练模块2包括：
第一训练模块，利用所述第一样本集训练第一基础神经网络模型，得到预训练神经网络模型；
模型迁移模块，将所述预训练神经网络模型的参数迁移到第二基础神经网络模型中；
第二训练模块，利用所述第二样本集训练所述第二基础神经网络模型，得到目标神经网络模型。
第二提取模块3，提取待推荐用户的特征。
推荐概率模块4，将提取的待推荐用户的特征输入至所述目标神经网络模型中，得到所述待推荐用户的推荐概率。
目标用户确定模块5，对所述待推荐用户的推荐概率进行排序，根据排序结果确定所述目标用户，完成目标用户的推荐。
还包括第一测试模块，利用所述第一测试子集测试所述预训练神经网络模型。
第二测试模块，利用所述第二测试子集测试所述目标神经网络模型。
本说明书实施例还提供了一种电子设备，包括：
存储器，用于存储程序指令；
处理器，用于执行所述程序指令，以实现上述的推荐方法。
本说明书实施例还提供了一种电子设备，包括：一个以上存储器和一个以上处理器。其中，
存储器(图中未示出)，用于存储程序指令，存储器可以是短暂存储或持久存储。
处理器(图中未示出)，用于执行所述程序指令，以实现本技术方案中的方法。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上，仅为本发明说明书的一个或多个实施例较佳的具体实施方式，但发明说明书的一个或多个实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明说明书的一个或多个实施例揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明说明书的一个或多个实施例的保护范围之内。因此，本发明说明书的一个或多个实施例的保护范围应该以权利要求书的保护范围为准。
Claims (17)
1.一种目标用户的推荐方法，包括：
提取第一样本集和第二样本集，所述第一样本集包括源领域中用户群体的特征，所述第二样本集包括目标领域中用户群体的特征；
利用所述第一样本集和第二样本集，通过迁移学习的方式训练基础神经网络模型得到目标神经网络模型；
提取待推荐用户的特征并将其输入至所述目标神经网络模型中，得到所述待推荐用户的推荐概率；
对所述待推荐用户的推荐概率进行排序，根据排序结果确定所述目标用户，完成目标用户的推荐。
2.根据权利要求1所述的推荐方法，所述源领域中用户群体的特征包括第一属性特征和第一行为特征，所述第一属性特征包括第一基础特征、第一财富特征、第一位置特征；所述第一行为特征包括第一浏览特征、第一评论特征；
所述目标领域中用户群体的特征包括第二属性特征和第二行为特征，所述第二属性特征包括第二基础特征、第二财富特征、第二位置特征；所述第二行为特征包括第二浏览特征、第二评论特征。
3.根据权利要求1所述的推荐方法，利用所述第一样本集和第二样本集，通过迁移学习的方式训练基础神经网络模型得到目标神经网络模型，具体包括：
利用所述第一样本集训练第一基础神经网络模型，得到预训练神经网络模型；
将所述预训练神经网络模型的参数迁移到第二基础神经网络模型中，利用所述第二样本集训练所述第二基础神经网络模型，得到目标神经网络模型。
4.根据权利要求3所述的推荐方法，提取所述第一样本集具体为：
提取第一样本训练子集和第一测试子集，所述第一样本训练子集与所述第一测试子集为不同时间节点的子集。
5.根据权利要求4所述的推荐方法，利用所述第一样本集训练第一基础神经网络模型，得到预训练神经网络模型具体为：
利用所述第一样本训练子集通过监督学习的方式训练所述第一基础神经网络模型，得到预训练神经网络模型。
6.根据权利要求4所述的推荐方法，在将所述预训练神经网络模型的参数迁移到第二基础神经网络模型中之前，还包括：
利用所述第一测试子集测试所述预训练神经网络模型。
7.根据权利要求3所述的推荐方法，所述第一基础神经网络模型与第二基础神经网络模型为相同的神经网络模型。
8.根据权利要求3所述的推荐方法，提取所述第二样本集具体为：
提取第二样本训练子集和第二测试子集，所述第二样本训练子集与所述第二测试子集为不同时间节点的子集。
9.根据权利要求8所述的推荐方法，利用所述第二样本集训练所述第二基础神经网络模型具体为：
利用所述第二样本训练子集通过监督学习的方式训练所述第二基础神经网络模型。
10.根据权利要求8所述的推荐方法，在得到所述目标神经网络模型之后，还包括：
利用所述第二测试子集测试所述目标神经网络模型。
11.一种目标用户的推荐系统，包括：
第一提取模块，提取第一样本集和第二样本集，所述第一样本集包括源领域中用户群体的特征，所述第二样本集包括目标领域中用户群体的特征；
训练模块，利用所述第一样本集和第二样本集，通过迁移学习的方式训练基础神经网络模型得到目标神经网络模型；
第二提取模块，提取待推荐用户的特征；
推荐概率模块，将提取的待推荐用户的特征输入至所述目标神经网络模型中，得到所述待推荐用户的推荐概率；
目标用户确定模块，对所述待推荐用户的推荐概率进行排序，根据排序结果确定所述目标用户，完成目标用户的推荐。
12.根据权利要求11所述的推荐系统，所述训练模块包括：
第一训练模块，利用所述第一样本集训练第一基础神经网络模型，得到预训练神经网络模型；
模型迁移模块，将所述预训练神经网络模型的参数迁移到第二基础神经网络模型中；
第二训练模块，利用所述第二样本集训练所述第二基础神经网络模型，得到目标神经网络模型。
13.根据权利要求11所述的推荐系统，所述第一提取模块包括：
第一样本训练子集提取模块，提取第一样本训练子集；
第一测试子集提取模块，提取第一测试子集。
14.根据权利要求13所述的推荐系统，还包括第一测试模块，利用所述第一测试子集测试所述预训练神经网络模型。
15.根据权利要求11所述的推荐系统，所述第一提取模块还包括：
第二样本训练子集提取模块，提取第二样本训练子集；
第二测试子集提取模块，提取第二测试子集。
16.根据权利要求15所述的推荐系统，还包括第二测试模块，利用所述第二测试子集测试所述目标神经网络模型。
17.一种电子设备，包括：
存储器，用于存储程序指令；
处理器，用于执行所述程序指令，以实现权利要求1至10中任一项所述的推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910590485.7A CN110378726A (zh) | 2019-07-02 | 2019-07-02 | 一种目标用户的推荐方法、系统以及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910590485.7A CN110378726A (zh) | 2019-07-02 | 2019-07-02 | 一种目标用户的推荐方法、系统以及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110378726A true CN110378726A (zh) | 2019-10-25 |
Family
ID=68251650
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910590485.7A Pending CN110378726A (zh) | 2019-07-02 | 2019-07-02 | 一种目标用户的推荐方法、系统以及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110378726A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110909040A (zh) * | 2019-11-08 | 2020-03-24 | 支付宝(杭州)信息技术有限公司 | 一种业务投放辅助方法、装置及电子设备 |
| CN111079944A (zh) * | 2019-12-18 | 2020-04-28 | 支付宝(杭州)信息技术有限公司 | 迁移学习模型解释实现方法及装置、电子设备、存储介质 |
| CN111324812A (zh) * | 2020-02-20 | 2020-06-23 | 深圳前海微众银行股份有限公司 | 基于迁移学习的联邦推荐方法、装置、设备及介质 |
| CN111681050A (zh) * | 2020-06-05 | 2020-09-18 | 深圳市卡牛科技有限公司 | 一种广告推送方法、装置、设备和存储介质 |
| CN112132260A (zh) * | 2020-09-03 | 2020-12-25 | 深圳索信达数据技术有限公司 | 神经网络模型的训练方法、调用方法、设备及存储介质 |
| CN112231584A (zh) * | 2020-12-08 | 2021-01-15 | 平安科技（深圳）有限公司 | 基于小样本迁移学习的数据推送方法、装置及计算机设备 |
| CN112347361A (zh) * | 2020-11-16 | 2021-02-09 | 百度在线网络技术（北京）有限公司 | 推荐对象的方法、神经网络及其训练方法、设备和介质 |
| CN112417293A (zh) * | 2020-12-03 | 2021-02-26 | 京东数字科技控股股份有限公司 | 信息推送方法和系统、模型训练方法及相关设备 |
| CN113538079A (zh) * | 2020-04-17 | 2021-10-22 | 北京金山数字娱乐科技有限公司 | 一种推荐模型的训练方法及装置、一种推荐方法及装置 |
| WO2022016522A1 (zh) * | 2020-07-24 | 2022-01-27 | 华为技术有限公司 | 推荐模型的训练方法、推荐方法、装置及计算机可读介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107451199A (zh) * | 2017-07-05 | 2017-12-08 | 阿里巴巴集团控股有限公司 | 问题推荐方法及装置、设备 |
| CN107590690A (zh) * | 2017-09-05 | 2018-01-16 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置及服务器 |
| CN108416625A (zh) * | 2018-02-28 | 2018-08-17 | 阿里巴巴集团控股有限公司 | 营销产品的推荐方法和装置 |
| CN108665064A (zh) * | 2017-03-31 | 2018-10-16 | 阿里巴巴集团控股有限公司 | 神经网络模型训练、对象推荐方法及装置 |
| CN108733825A (zh) * | 2018-05-23 | 2018-11-02 | 阿里巴巴集团控股有限公司 | 一种对象触发事件预测方法及装置 |
| CN109033089A (zh) * | 2018-09-06 | 2018-12-18 | 北京京东尚科信息技术有限公司 | 情感分析方法和装置 |
| US20190050774A1 (en) * | 2017-08-08 | 2019-02-14 | General Electric Company | Methods and apparatus to enhance emotional intelligence using digital technology |
| CN109376766A (zh) * | 2018-09-18 | 2019-02-22 | 平安科技（深圳）有限公司 | 一种画像预测分类方法、装置及设备 |
| CN109388674A (zh) * | 2018-08-31 | 2019-02-26 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、设备及可读存储介质 |
| US20190108242A1 (en) * | 2017-10-10 | 2019-04-11 | Alibaba Group Holding Limited | Search method and processing device |
-
2019
- 2019-07-02 CN CN201910590485.7A patent/CN110378726A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108665064A (zh) * | 2017-03-31 | 2018-10-16 | 阿里巴巴集团控股有限公司 | 神经网络模型训练、对象推荐方法及装置 |
| CN107451199A (zh) * | 2017-07-05 | 2017-12-08 | 阿里巴巴集团控股有限公司 | 问题推荐方法及装置、设备 |
| US20190050774A1 (en) * | 2017-08-08 | 2019-02-14 | General Electric Company | Methods and apparatus to enhance emotional intelligence using digital technology |
| CN107590690A (zh) * | 2017-09-05 | 2018-01-16 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置及服务器 |
| US20190108242A1 (en) * | 2017-10-10 | 2019-04-11 | Alibaba Group Holding Limited | Search method and processing device |
| CN108416625A (zh) * | 2018-02-28 | 2018-08-17 | 阿里巴巴集团控股有限公司 | 营销产品的推荐方法和装置 |
| CN108733825A (zh) * | 2018-05-23 | 2018-11-02 | 阿里巴巴集团控股有限公司 | 一种对象触发事件预测方法及装置 |
| CN109388674A (zh) * | 2018-08-31 | 2019-02-26 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、设备及可读存储介质 |
| CN109033089A (zh) * | 2018-09-06 | 2018-12-18 | 北京京东尚科信息技术有限公司 | 情感分析方法和装置 |
| CN109376766A (zh) * | 2018-09-18 | 2019-02-22 | 平安科技（深圳）有限公司 | 一种画像预测分类方法、装置及设备 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110909040A (zh) * | 2019-11-08 | 2020-03-24 | 支付宝(杭州)信息技术有限公司 | 一种业务投放辅助方法、装置及电子设备 |
| CN110909040B (zh) * | 2019-11-08 | 2022-03-04 | 支付宝(杭州)信息技术有限公司 | 一种业务投放辅助方法、装置及电子设备 |
| CN111079944A (zh) * | 2019-12-18 | 2020-04-28 | 支付宝(杭州)信息技术有限公司 | 迁移学习模型解释实现方法及装置、电子设备、存储介质 |
| CN111079944B (zh) * | 2019-12-18 | 2023-03-10 | 支付宝(杭州)信息技术有限公司 | 迁移学习模型解释实现方法及装置、电子设备、存储介质 |
| CN111324812A (zh) * | 2020-02-20 | 2020-06-23 | 深圳前海微众银行股份有限公司 | 基于迁移学习的联邦推荐方法、装置、设备及介质 |
| CN113538079A (zh) * | 2020-04-17 | 2021-10-22 | 北京金山数字娱乐科技有限公司 | 一种推荐模型的训练方法及装置、一种推荐方法及装置 |
| CN111681050A (zh) * | 2020-06-05 | 2020-09-18 | 深圳市卡牛科技有限公司 | 一种广告推送方法、装置、设备和存储介质 |
| CN111681050B (zh) * | 2020-06-05 | 2023-08-29 | 深圳市卡牛科技有限公司 | 一种广告推送方法、装置、设备和存储介质 |
| WO2022016522A1 (zh) * | 2020-07-24 | 2022-01-27 | 华为技术有限公司 | 推荐模型的训练方法、推荐方法、装置及计算机可读介质 |
| CN112132260A (zh) * | 2020-09-03 | 2020-12-25 | 深圳索信达数据技术有限公司 | 神经网络模型的训练方法、调用方法、设备及存储介质 |
| CN112347361A (zh) * | 2020-11-16 | 2021-02-09 | 百度在线网络技术（北京）有限公司 | 推荐对象的方法、神经网络及其训练方法、设备和介质 |
| CN112347361B (zh) * | 2020-11-16 | 2024-03-01 | 百度在线网络技术（北京）有限公司 | 推荐对象的方法、神经网络及其训练方法、设备和介质 |
| CN112417293A (zh) * | 2020-12-03 | 2021-02-26 | 京东数字科技控股股份有限公司 | 信息推送方法和系统、模型训练方法及相关设备 |
| CN112231584B (zh) * | 2020-12-08 | 2021-03-26 | 平安科技（深圳）有限公司 | 基于小样本迁移学习的数据推送方法、装置及计算机设备 |
| CN112231584A (zh) * | 2020-12-08 | 2021-01-15 | 平安科技（深圳）有限公司 | 基于小样本迁移学习的数据推送方法、装置及计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110378726A (zh) | 一种目标用户的推荐方法、系统以及电子设备 | |
| CN110070399A (zh) | 一种优惠券推送方法及装置 | |
| WO2019192261A1 (zh) | 一种支付方式推荐方法、装置及设备 | |
| CN110413877A (zh) | 一种资源推荐方法、装置及电子设备 | |
| CN110033156B (zh) | 一种业务活动效果的确定方法及装置 | |
| CN110400169A (zh) | 一种信息推送方法、装置及设备 | |
| CN108537568A (zh) | 一种信息推荐方法和装置 | |
| CN110335115A (zh) | 一种业务订单处理方法及装置 | |
| CN110245935A (zh) | 支付渠道推荐方法、装置及设备 | |
| CN107341173A (zh) | 一种信息处理方法及装置 | |
| CN108921566A (zh) | 一种基于图结构模型的虚假交易识别方法和装置 | |
| CN108256537A (zh) | 一种用户性别预测方法和系统 | |
| Chappell | Introducing azure machine learning | |
| CN110032698A (zh) | 信息显示方法和装置、信息处理方法和装置 | |
| CN107480854A (zh) | 一种风险识别的方法及装置 | |
| Gilbert et al. | Reward reports for reinforcement learning | |
| CN109345285A (zh) | 一种活动的投放方法、装置及设备 | |
| CN109636457A (zh) | 一种面向高净值客户的广告投放方法、装置及系统 | |
| CN108269117A (zh) | 数据的推送、确定方法及装置、计算机终端 | |
| CN110148013A (zh) | 一种用户标签分布预测方法、装置及系统 | |
| CN107451868A (zh) | 一种物品估价的方法及装置 | |
| CN107093094A (zh) | 一种评价信息的发布方法及装置 | |
| CN110414980A (zh) | 一种风险防控数据处理方法及装置 | |
| CN110162609A (zh) | 用于向用户推荐咨询问题的方法及装置 | |
| CN110060085A (zh) | 一种解析广告目标人群线下分布的方法、系统及设备 |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40016312 Country of ref document: HK |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201010 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Innovative advanced technology Co.,Ltd. Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant before: Advanced innovation technology Co.,Ltd. Effective date of registration: 20201010 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Advanced innovation technology Co.,Ltd. Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Applicant before: Alibaba Group Holding Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240228 Address after: 128 Meizhi Road, Guohao Times City # 20-01, Singapore 189773 Applicant after: Advanced Nova Technology (Singapore) Holdings Ltd. Country or region after: Singapore Address before: 27 Hospital Road, George Town, Grand Cayman ky1-9008 Applicant before: Innovative advanced technology Co.,Ltd. Country or region before: Cayman Islands |