CN110490625A - 用户偏好确定方法及装置、电子设备、存储介质 - Google Patents

用户偏好确定方法及装置、电子设备、存储介质 Download PDF

Info

Publication number
CN110490625A
CN110490625A CN201810450523.4A CN201810450523A CN110490625A CN 110490625 A CN110490625 A CN 110490625A CN 201810450523 A CN201810450523 A CN 201810450523A CN 110490625 A CN110490625 A CN 110490625A
Authority
CN
China
Prior art keywords
classification
data
user
probability value
user preference
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
Application number
CN201810450523.4A
Other languages
English (en)
Inventor
陆俊儒
陈笑生
杨小龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Century Trading Co Ltd, Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN201810450523.4A priority Critical patent/CN110490625A/zh
Publication of CN110490625A publication Critical patent/CN110490625A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开是关于一种用户偏好确定方法及装置、电子设备、存储介质，涉及大数据技术领域，该方法包括：获取各类目关联的用户行为数据，并基于所述用户行为数据确定用户对各类目偏好的标签，以构建数据集；根据所述数据集中的所述用户行为数据以及确定的所述标签，生成针对所述各类目的样本数据；通过各类目对应的所述样本数据对一机器学习模型进行训练，以得到各类目对应的分类概率值；根据各类目对应的所述分类概率值确定所述用户偏好的类目。本公开可以提高用户偏好确定的准确率。

Description

用户偏好确定方法及装置、电子设备、存储介质
技术领域
本公开涉及大数据技术领域，具体而言，涉及一种用户偏好确定方法、用户偏好确定装置、电子设备以及计算机可读存储介质。
背景技术
随着大数据技术的广泛应用，精准营销已经成为电子商务业务实践中类目商进行营销活动的重要途径。依附大流量APP的购物平台会产生海量的用户行为数据，从用户行为数据中挖掘出用户的偏好信息，从而选出用户最感兴趣的多个商品是个性化推荐的关键技术。其中如何根据用户的历史行为准确的给用户贴上相应的标签，是个性化推荐系统的基础和重要依据。
相关技术中，在进行用户类目偏好挖掘时，如果标签信息不确定，则首先需要人为打标或者其它方式事先确定标签信息，进而通过完整的数据集训练机器学习模型，再去预测用户偏好的类目信息。
在这种方式中，人为打标的方式消耗了大量的人力资源，并且存在人为的偏差，导致标签信息确定效率低、效果差；除此之外，通过相关技术技术中的方法导致用户类目偏好确定不准确，从而无法实现对用户的精准营销。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种用户偏好确定方法及装置、电子设备、存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的用户偏好确定不准确的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一个方面，提供一种用户偏好确定方法，包括：获取各类目关联的用户行为数据，并基于所述用户行为数据确定用户对各类目偏好的标签，以构建数据集；根据所述数据集中的所述用户行为数据以及确定的所述标签，生成针对所述各类目的样本数据；通过各类目对应的所述样本数据对一机器学习模型进行训练，以得到各类目对应的分类概率值；根据各类目对应的所述分类概率值确定所述用户偏好的类目。
在本公开的一种示例性实施例中，基于所述用户行为数据确定用户对各类目偏好的标签包括：根据各类目关联的所述用户行为数据中的预设行为数据，确定所述用户对各所述类目偏好的所述标签。
在本公开的一种示例性实施例中，在通过各类目对应的所述样本数据对一机器学习模型进行训练之前，所述方法还包括：对各类目对应的所述样本数据进行分类，以确定各类目对应的训练数据。
在本公开的一种示例性实施例中，对各类目对应的所述样本数据进行分类，以确定各类目对应的训练数据包括：通过支持向量机算法对各类目对应的所述样本数据进行分类，以确定两个间隔超平面；将除去位于两个所述间隔超平面之间的所述样本数据确定为各类目对应的所述训练数据。
在本公开的一种示例性实施例中，对各类目对应的所述样本数据进行分类，以确定各类目对应的训练数据包括：通过聚类算法对各类目对应的所述样本数据进行分类，以确定各类目对应的所述训练数据。
在本公开的一种示例性实施例中，通过各类目对应的所述样本数据对一机器学习模型进行训练，以获取各类目对应的分类概率值包括：通过各类目的所述训练数据对一逻辑回归全局模型进行训练，以得到各类目对应的分类模型；通过所述分类模型或所述逻辑回归全局模型确定各类目对应的所述分类概率值。
在本公开的一种示例性实施例中，通过所述分类模型或所述逻辑回归全局模型确定各类目对应的所述分类概率值包括：通过K折交叉验证算法计算AUC指标，并通过所述AUC指标确定各类目对应的所述分类模型的有效值；如果所述有效值满足预设条件，则通过所述分类模型确定各类目对应的所述分类概率值；如果所述有效值不满足所述预设条件，则通过所述逻辑回归全局模型确定各类目对应的所述分类概率值。
在本公开的一种示例性实施例中，根据所述逻辑回归模型或所述逻辑回归全局模型确定各类目对应的所述分类概率值包括：根据K折交叉验证算法计算所述分类模型或所述逻辑回归全局模型的分类值；通过所述分类值的最大值确定各类目对应的所述分类概率值。
在本公开的一种示例性实施例中，根据各类目对应的所述分类概率值确定所述用户偏好的类目包括：通过所述分类模型或所述逻辑回归全局模型对所述数据集中的各类目对应的所述用户行为数据进行处理，以得到各类目对应的分类概率值；按照各类目对应的所述分类概率值的排列顺序确定所述用户偏好的类目。
在本公开的一种示例性实施例中，所述方法还包括：对各类目关联的所述用户行为数据进行清洗。
在本公开的一种示例性实施例中，在通过各类目的所述样本数据对一逻辑回归全局模型进行训练，以得到各类目对应的分类模型之前，所述方法还包括：通过支持向量机算法对各类目对应的所述训练数据进行筛选。
根据本公开的一个方面，提供一种用户偏好确定装置，包括：数据集构建模块，用于获取各类目关联的用户行为数据，并基于所述用户行为数据确定用户对各类目偏好的标签，以构建数据集；样本数据生成模块，用于根据所述数据集中的所述用户行为数据以及确定的所述标签，生成针对所述各类目的样本数据；概率值获取模块，用于通过各类目对应的所述样本数据对一机器学习模型进行训练，以得到各类目对应的分类概率值；类目确定模块，用于根据各类目对应的所述分类概率值确定所述用户偏好的类目。
根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的用户偏好确定方法。
根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的用户偏好确定方法。
本公开示例性实施例中提供的一种用户偏好确定方法、用户偏好确定装置、电子设备以及计算机可读存储介质中，通过各类目关联的用户行为数据确定用户对各类目偏好的标签，并通过各类目对应的样本数据对机器学习模型进行训练得到各类目对应的分类概率值，进而根据各类目对应的分类概率值确定用户偏好的类目。一方面，通过基于用户行为数据确定对各类目偏好的标签，避免了人为对用户行为数据进行打标的方式，减少了人力资源消耗，减小了人为误操作带来的数据偏差，提高了确定标签的效率；另一方面，通过各标签对应的样本数据对机器学习算法进行训练以及计算各类目的分类概率值，能够提高用户类目偏好确定的准确性，从而能够实现对用户的精准营销。
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
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示意性示出本公开示例性实施例中一种用户偏好确定方法示意图；
图2示意性示出本公开示例性实施例中用户偏好确定的具体流程图；
图3示意性示出本公开示例性实施例中支持向量机间隔平面图；
图4示意性示出本公开示例性实施例中一种用户偏好确定装置的框图；
图5示意性示出本公开示例性实施例中一种电子设备的框图；
图6示意性示出本公开示例性实施例中一种程序产品。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式中首先提供了一种用户偏好确定方法，可以应用于各个互联网网站或者是各个电商平台的用户偏好确定场景。参考图1所示，该用户偏好确定方法可以包括以下步骤：
在步骤S110中，获取各类目关联的用户行为数据，并基于所述用户行为数据确定用户对各类目偏好的标签，以构建数据集；
在步骤S120中，根据所述数据集中的所述用户行为数据以及确定的所述标签，生成针对所述各类目的样本数据；
在步骤S130中，通过各类目对应的所述样本数据对一机器学习模型进行训练，以得到各类目对应的分类概率值；
在步骤S140中，根据各类目对应的所述分类概率值确定所述用户偏好的类目。
在本示例性实施例中提供的用户偏好确定方法中，一方面，通过基于用户行为数据确定对各类目偏好的标签，避免了人为对用户行为数据进行打标的方式，减少了人力资源消耗，减小了人为误操作带来的数据偏差，提高了确定标签的效率及效果；另一方面，通过各标签对应的样本数据对机器学习算法进行训练以及计算各类目的分类概率值，能够提高用户类目偏好确定的准确性，从而能够实现对用户的精准营销。
接下来，参考图1至图3对本示例性实施例中的用户偏好确定方法进行详细说明。
在步骤S110中，获取各类目关联的用户行为数据，并基于所述用户行为数据确定用户对各类目偏好的标签，以构建数据集。
本示例性实施例中，以电商平台的应用场景为例进行说明。各类目可以为多个一级类目，例如家用电器、食品生鲜等；类目也可以为多个二级类目，例如A品牌、B品牌等等；类目还可以为多个三级类目，例如A品牌下的商品1、B品牌下的商品2等等。可以从电商平台对应的数据库，例如Hive数据库中获取用户行为数据。其中，用户行为数据可以包括预设时长内某一个用户在该电商平台的所有操作行为数据，预设时长可以根据实际需求进行设置，例如可以为一年、半年或者是设置的其他时长；用户行为数据例如可以包括用户1一年内在电商平台1中的点击、加购物车、下单、收藏、搜索、浏览等多种操作对应的数据。
具体而言，可以根据用户维度特征、商品品牌维度特征以及用户与商品交互的特征几个方面获取各类目关联的用户1对应的用户行为数据。其中，用户维度特征可以包括用户在该类目下的点击数、用户在该类目下的下单总数、用户在该类目下的点击到下单转化率；商品品牌维度特征可以包括该品牌的总点击数、该品牌的总订单数、该品牌的点击到订单转化率、该品牌的回购用户总数、该品牌的回购用户人数占比；用户与商品交互的特征可以包括用户对该品牌的下的商品的点击次数、用户通过搜索浏览该品牌下的商品的次数、用户收藏该品牌下的商品的次数、用户对该品牌下的商品的加购物车次数、用户搜索该品牌名称的次数、首次浏览该品牌商品的时间。
需要说明的是，为了防止异常数据或者是参考意义较小的数据对整个过程造成干扰，影响正确性，在进行后续操作之前，可以对获取的用户行为数据进行数据清洗。具体包括：从用户维度特征而言，可以过滤掉用户id、类目信息、品牌信息为空的数据；此外，为了防止刷单用户和不活跃用户的影响，可以剔除掉一年之内点击数小于20次或者大于10万次的用户行为数据，并剔除有刷单行为的数据。从品牌维度特征而言，可以过滤掉赠品品牌相关、无效订单数据、品牌订单数过多或过少以及品牌浏览数过少的用户行为数据。从用户与品牌交互维度特征而言，可以过滤掉与赠品相关、有无效订单行为以及不活跃用户(一年点击数小于30次)和过渡活跃用户(一年点击数大于10万次)的用户行为数据。
需要补充的是，由于获取的用户行为数据是没有事先设置的准确标签的，因此在对用户行为数据训练之前，需要自动确定用于表示用户对每一个类目是否偏好的标签。标签可以理解为类别标签，例如可以用0表示不偏好，用1表示偏好。具体可以根据各类目关联的用户行为数据中的预设行为数据，确定该用户对各类目偏好的标签。预设行为数据例如可以为下单行为数据，也就是说，如果一年内用户对品牌A有过下单行为数据，则可将标签设置为1，确定用户对品牌A有偏好。由于数据清洗中已经对不活跃的行为数据以及冷门的品牌数据做了过滤，所以能有效的防止通过一些临时起兴的下单行为判定用户的品牌偏好。除此之外，并不是没有下单行为的用户就一定不会偏好某个品牌，因此，预设行为数据也可以包括收藏行为数据、加购物车行为数据等等。通过基于用户行为数据确定对各类目偏好的标签，避免了人为对用户行为数据进行打标的方式，减少了人力资源消耗，减小了人为误操作带来的数据偏差，提高了确定标签的效率和准确性。
进一步地，可以根据获取的各个类目对应的用户行为数据以及用户对各类目偏好的标签建立整个数据集，以通过该数据集中的数据确定用户偏好。
接下来，在步骤S120中，根据所述数据集中的所述用户行为数据以及确定的所述标签，生成针对所述各类目的样本数据。
此处的样本数据指的是与每个类目对应的标签关联的清洗过的用户行为数据，因此样本数据的类别数量与类目的数量一致。例如，样本数据1可以为品牌A下，标签0对应的用户行为数据以及标签1对应的用户行为数据；样本数据2可以为品牌C下，标签0对应的用户行为数据以及标签1对应的用户行为数据。通过将每个类目对应的样本数据进行区分，并根据样本数据训练机器学习模型，可以更准确、更快速地确定用户对各个类目的偏好。
在通过各类目对应的所述样本数据对一机器学习模型进行训练之前，为了实现通过没有发生过点击到下单的转化行为的用户行为数据预测用户的品牌偏好，来促使用户对偏好品牌发生下单行为的目的，同时为了提高模型训练的精准度，进而准确确定用户偏好，可以对步骤S120中确定的各类目对应的所述样本数据进行再次分类训练，以确定各类目对应的训练数据。需要说明的是，本示例中由于一级类目太粗、三级类目维度太细缺少样本数据，因此以只对每个二级类目对应的样本数据进行分类和训练为例进行说明。
具体而言，可通过合适的分类算法对样本数据进行分类，分类算法例如可以为支持向量机算法。具体而言，通过支持向量机算法对各类目对应的所述样本数据进行分类，以确定两个间隔超平面；将除去位于两个所述间隔超平面之间的所述样本数据确定为各类目对应的所述训练数据。
样本数据是根据预设行为数据进行初步打标签得到的，其中确定的标签不一定完全正确，因此可以通过支持向量机算法对初步打标后的样本数据进行再次训练和分类，以得到两个间隔超平面，从而进行样本数据选择。参考图3所示，SVM在训练分离超平面的时候，同时产生两个间隔超平面，图中的虚线是间隔超平面，实线是分离超平面。位于两个间隔超平面之间的样本数据可以认为是边界样本数据，而位于两个间隔超平面的另一侧，并且被正确分类的样本，可以认为是比较安全的样本，即本示例中描述的训练数据。由于每个类目对应的训练数据的分布不同，因此可以利用SVM自动划分样本边界的特点，用构建的整个数据集中的各个二级类目对应的样本数据，对每个二级类目都训练一个模型，选择出位于间隔超平面之内并且被正确分类的样本数据来作为训练数据，以保证最终的训练数据能使得模型被准确训练，得到更准确的结果。具体而言，可以通过支持向量机的间隔超平面对初步打标后每个标签对应的样本数据进行判断，以确定是否分类正确。如果类目1对应的样本数据1初步打标的标签为1，通过SVM得到的标签依旧为1，则可以确定将样本数据1确定类目1的训练数据。如果类目2对应的样本数据5初步打标的标签为1，通过SVM位于两个间隔超平面之间，则可以过滤掉该将样本数据5。通过同样的方式可以对所有类目的所有样本数据进行再次筛选，以得到更准确的训练数据，以最大程度减少最终模型无法识别有明显品牌偏好倾向的样本的情况。
其中，可以通过以下参数确定支持向量机模型：支持向量机类型s为0，核函数类型t为2，高斯核函数参数g为0.1，惩罚系数c为默认值，停机条件e为默认值。在确定支持向量机之后，只要将样本数据输入公式yi(w*xi+b)＞1，即可将位于间隔超平面两侧且被正确分类的样本数据确定为训练数据。其中，w为训练支持向量机模型得到的权重，b为训练支持向量机模型得到的截距，xi为第i个样本数据，yi为第i个样本数据对应的标签。
除此之外，还可以通过聚类算法对各类目对应的样本数据进行分类，以确定各类目对应的所述训练数据。此处的聚类算法例如可以为DBSCAN(Density-Based SpatialClustering of Applications with Noise，基于密度的聚类算法)，也可以为其他聚类算法等等。
在确定训练数据之后，只需要根据训练数据对机器学习模型进行训练即可。由于对每一个二级类目都会训练一个模型，因此还需要对每个模型的训练数据进行筛选，具体做法是：对于每个模型的训练数据，使其正负训练数据的数量一致，并且使得用于训练每个模型的训练数据的总数小于等于5万。将选择出来的样本另存入一个Hive数据库表中，供最终的模型训练使用。
本示例性实施例中，通过对获得的各类目的样本数据进行筛选，得到训练数据，可以使训练数据更准确，进而提高模型训练的准确率。
在步骤S130中，通过各类目对应的所述样本数据对一机器学习模型进行训练，以得到各类目对应的分类概率值。
本示例性实施例中，需要通过每个类目对应的样本数据对一个合适的机器学习模型进行训练，以得到训练好的性能较好的每个类目对应的机器学习模型。其中，初始的机器学习模型可以为同一个。机器学习模型例如可以为逻辑回归全局模型、随机森林模型等任意一个二分类模型，此处以逻辑回归全局模型为例进行说明。其中，可通过Hive数据库中的UDF函数对逻辑回归全局模型进行训练。
具体而言，通过各类目的所述训练数据对一逻辑回归全局模型进行训练，以得到各类目对应的分类模型；通过所述分类模型或所述逻辑回归全局模型确定各类目对应的所述分类概率值。也就是说，将SVM选择出来的训练数据输入一个参数为默认值的逻辑回归全局模型进行训练优化，即可得到与该类目对应的分类模型。例如，通过类目1的训练数据对逻辑回归全局模型进行训练，得到类目1对应的分类模型1；通过类目5的训练数据对逻辑回归全局模型进行训练，得到类目5对应的分类模型5。在此基础上，可以通过各个类目对应的分类模型或者是逻辑回归全局模型中的任意一种计算每一个类目对应的分类概率值，以准确展示训练得到的每个模型的效果。
其中，可以选择性地通过一个类目的分类模型或逻辑回归全局模型确定该类目对应的分类概率值，其中，使用分类模型还是逻辑回归全局模型的判断方法为：通过K折交叉验证算法计算AUC指标，并通过所述AUC指标确定各类目对应的所述分类模型的有效值；如果所述有效值满足预设条件，则通过所述分类模型确定各类目对应的所述分类概率值；如果所述有效值不满足所述预设条件，则通过所述逻辑回归全局模型确定各类目对应的所述分类概率值。
K折交叉验证算法首先将所有训练数据分割成K个子样本，不重复的选取其中一个子样本作为测试集，其他K-1个样本用来训练。共重复K次，平均K次的结果或者使用其它指标，最终得到一个单一估测。这种算法可以保证每个子样本都参与训练且都被测试，降低泛化误差。此处以K取5为例进行说明。AUC指标指的是处于ROC曲线下方的面积大小，可以用于描述模型的有效值。预设条件指的是大于预设值，预设值可以根据实际实验数据而得出，此处的预设值例如可以为0.88，也可以为其他数值。也就是说，如果某一个类目对应的分类模型的有效值大于等于0.88，则可以通过得到的分类模型确定该类目对应的分类概率值；如果某一个类目对应的分类模型的有效值小于0.88，说明分类模型并不准确，则通过初始的逻辑回归全局模型确定该类目对应的分类概率值即可。通过确定分类模型或逻辑回归全局模型，提高了分类精准度，进而可以使得到分类概率值更准确。
接下来，在步骤S140中，根据各类目对应的所述分类概率值确定所述用户偏好的类目。
本示例性实施例中，分类概率值可用于描述用户对各类目的偏好程度。偏好程度可以与分类概率值正相关，即分类概率值越大，用户对某一类目的偏好程度越大。首先可以根据K折交叉验证算法计算所述分类模型或所述逻辑回归全局模型的分类值；然后通过所述分类值的最大值确定各类目对应的所述分类概率值。
其中，分类值可用于确定分类概率值，进而用于描述模型的具体分类效果。分类值具体可以为F1值，且F1值相当于正确率和召回率的综合评价指标。一般而言，正确率指的是正确识别的个体总数与识别出的个体总数的比值，召回率指的是正确识别的个体总数与训练数据中存在的个体总数，F1值等于正确率*召回率*2/(正确率+召回率)。
可以采用K折交叉验证算法计算每一个类目对应的分类模型或者是逻辑回归全局模型的F1值，K折可以为5折；然后通过计算的F1值的最大值确定各类目对应的分类概率值，可以理解为对每个分类模型或逻辑回归全局模型选择出一个最大的F1值作为最终的分类概率值。
进一步地，通过训练好的分类模型或逻辑回归全局模型对构建的数据集中的各类目对应的用户行为数据进行分类处理，以得到各个类目对应的分类概率值；然后按照各类目对应的分类概率值的排列顺序确定用户偏好的类目。具体可以按照从大到小的顺序对各个类目的分类概率值进行排列，进而可以将排列在前10位或者是前15位的分类概率值对应的类目确定为用户偏好的类目；也可以通过其他排序方式和选择方式确定用户偏好的类目。除此之外，可以将最终的偏好确定结果导入用户画像表中作为用户的画像信息进行保存。通过分类概率值确定用户偏好的类目，能够提高确定用户偏好的准确率，从而实现精准营销。
本示例性实施例中，通过对用户行为数据的挖掘，寻找出用户过去一年内的品牌偏好，为一些垂直类目的场景的商品、品牌推荐提供了依据，提升了精准营销和个性化推荐的准确性和效果。
图2中示出了确定用户偏好的具体流程图，参考图2所示，其过程具体包括：
在步骤S210中，构建数据集；具体包括：
从Hive大数据仓库211中获取用户行为数据，并对用户行为数据进行清洗；
根据用户行为特征212、用户商品交互特征213以及商品品牌信息特征214对用户行为数据进行数据连接和初步打标，其中可以根据用户行为数据中的购买或者是下单行为数据进行初步打标，通过初步打标确定用户对各类目偏好的标签，以构建完整数据集215。
在步骤S220中，进行训练样本选择；具体包括：通过支持向量机SVM训练结果中的特征权重221对完整数据集进行分类，以得到优质训练样本222。
在步骤S230中，进行LR模型训练；具体包括：通过步骤S230中获得的优质训练样本222对LR模型进行训练，得到每一个类目的用户行为数据对应的分类模型，并通过分类模型得到模型概率值231，即本示例中描述的模型有效值。
在步骤S240中，进行用户偏好结果判定；具体包括：根据步骤S230中获得的模型概率值判断采用分类模型还是LR模型进行判断；进一步基于模型对完整数据集进行再次分类，得到品牌偏好分类结果概率241，并基于分类结果概率241的排列顺序进行过滤，筛选出分类结果概率值排列在前10位的品牌作为用户偏好的品牌。
通过图2中所示的步骤，可以根据事先未打标的用户行为数据确定用户偏好，减少了人为操作带来的误差和资源消耗，提高操作效率和准确率，能够实现精准营销。
本公开还提供了一种用户偏好确定装置。参考图4所示，该用户偏好确定装置400可以包括：
数据集构建模块401，可以用于获取各类目关联的用户行为数据，并基于所述用户行为数据确定用户对各类目偏好的标签，以构建数据集；
样本数据生成模块402，可以用于根据所述数据集中的所述用户行为数据以及确定的所述标签，生成针对所述各类目的样本数据；
概率值获取模块403，可以用于通过各类目对应的所述样本数据对一机器学习模型进行训练，以得到各类目对应的分类概率值；
类目确定模块404，可以用于根据各类目对应的所述分类概率值确定所述用户偏好的类目。
需要说明的是，上述用户偏好确定装置中各模块的具体细节已经在对应的用户偏好确定方法中进行了详细描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图5来描述根据本发明的这种实施方式的电子设备500。图5显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元510可以执行如图1中所示的步骤：在步骤S110中，获取各类目关联的用户行为数据，并基于所述用户行为数据确定用户对各类目偏好的标签，以构建数据集；在步骤S120中，根据所述数据集中的所述用户行为数据以及确定的所述标签，生成针对所述各类目的样本数据；在步骤S130中，通过各类目对应的所述样本数据对一机器学习模型进行训练，以得到各类目对应的分类概率值；在步骤S140中，根据各类目对应的所述分类概率值确定所述用户偏好的类目。
存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(ROM)5203。
存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器560通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图6所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

Claims (14)

1.一种用户偏好确定方法，其特征在于，包括：
获取各类目关联的用户行为数据，并基于所述用户行为数据确定用户对各类目偏好的标签，以构建数据集；
根据所述数据集中的所述用户行为数据以及确定的所述标签，生成针对所述各类目的样本数据；
通过各类目对应的所述样本数据对一机器学习模型进行训练，以得到各类目对应的分类概率值；
根据各类目对应的所述分类概率值确定所述用户偏好的类目。
2.根据权利要求1所述的用户偏好确定方法，其特征在于，基于所述用户行为数据确定用户对各类目偏好的标签包括：
根据各类目关联的所述用户行为数据中的预设行为数据，确定所述用户对各所述类目偏好的所述标签。
3.根据权利要求1所述的用户偏好确定方法，其特征在于，在通过各类目对应的所述样本数据对一机器学习模型进行训练之前，所述方法还包括：
对各类目对应的所述样本数据进行分类，以确定各类目对应的训练数据。
4.根据权利要求3所述的用户偏好确定方法，其特征在于，对各类目对应的所述样本数据进行分类，以确定各类目对应的训练数据包括：
通过支持向量机算法对各类目对应的所述样本数据进行分类，以确定两个间隔超平面；
将除去位于两个所述间隔超平面之间的所述样本数据确定为各类目对应的所述训练数据。
5.根据权利要求3所述的用户偏好确定方法，其特征在于，对各类目对应的所述样本数据进行分类，以确定各类目对应的训练数据包括：
通过聚类算法对各类目对应的所述样本数据进行分类，以确定各类目对应的所述训练数据。
6.根据权利要求3所述的用户偏好确定方法，其特征在于，通过各类目对应的所述样本数据对一机器学习模型进行训练，以获取各类目对应的分类概率值包括：
通过各类目的所述训练数据对一逻辑回归全局模型进行训练，以得到各类目对应的分类模型；
通过所述分类模型或所述逻辑回归全局模型确定各类目对应的所述分类概率值。
7.根据权利要求6所述的用户偏好确定方法，其特征在于，通过所述分类模型或所述逻辑回归全局模型确定各类目对应的所述分类概率值包括：
通过K折交叉验证算法计算AUC指标，并通过所述AUC指标确定各类目对应的所述分类模型的有效值；
如果所述有效值满足预设条件，则通过所述分类模型确定各类目对应的所述分类概率值；
如果所述有效值不满足所述预设条件，则通过所述逻辑回归全局模型确定各类目对应的所述分类概率值。
8.根据权利要求7所述的用户偏好确定方法，其特征在于，根据所述逻辑回归模型或所述逻辑回归全局模型确定各类目对应的所述分类概率值包括：
根据K折交叉验证算法计算所述分类模型或所述逻辑回归全局模型的分类值；
通过所述分类值的最大值确定各类目对应的所述分类概率值。
9.根据权利要求8所述的用户偏好确定方法，其特征在于，根据各类目对应的所述分类概率值确定所述用户偏好的类目包括：
通过所述分类模型或所述逻辑回归全局模型对所述数据集中的各类目对应的所述用户行为数据进行处理，以得到各类目对应的分类概率值；
按照各类目对应的所述分类概率值的排列顺序确定所述用户偏好的类目。
10.根据权利要求1所述的用户偏好确定方法，其特征在于，所述方法还包括：
对各类目关联的所述用户行为数据进行清洗。
11.根据权利要求3所述的用户偏好确定方法，其特征在于，在通过各类目的所述样本数据对一逻辑回归全局模型进行训练，以得到各类目对应的分类模型之前，所述方法还包括：
通过支持向量机算法对各类目对应的所述训练数据进行筛选。
12.一种用户偏好确定装置，其特征在于，包括：
数据集构建模块，用于获取各类目关联的用户行为数据，并基于所述用户行为数据确定用户对各类目偏好的标签，以构建数据集；
样本数据生成模块，用于根据所述数据集中的所述用户行为数据以及确定的所述标签，生成针对所述各类目的样本数据；
概率值获取模块，用于通过各类目对应的所述样本数据对一机器学习模型进行训练，以得到各类目对应的分类概率值；
类目确定模块，用于根据各类目对应的所述分类概率值确定所述用户偏好的类目。
13.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-11任意一项所述的用户偏好确定方法。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-11任意一项所述的用户偏好确定方法。
CN201810450523.4A 2018-05-11 2018-05-11 用户偏好确定方法及装置、电子设备、存储介质 Pending CN110490625A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810450523.4A CN110490625A (zh) 2018-05-11 2018-05-11 用户偏好确定方法及装置、电子设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810450523.4A CN110490625A (zh) 2018-05-11 2018-05-11 用户偏好确定方法及装置、电子设备、存储介质

Publications (1)

Publication Number Publication Date
CN110490625A true CN110490625A (zh) 2019-11-22

Family

ID=68543633

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810450523.4A Pending CN110490625A (zh) 2018-05-11 2018-05-11 用户偏好确定方法及装置、电子设备、存储介质

Country Status (1)

Country Link
CN (1) CN110490625A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111159541A (zh) * 2019-12-11 2020-05-15 微民保险代理有限公司 一种帐号行为偏好的确定方法及装置
CN111274330A (zh) * 2020-01-15 2020-06-12 腾讯科技（深圳）有限公司 一种目标对象确定方法、装置、计算机设备及存储介质
CN111563775A (zh) * 2020-05-08 2020-08-21 北京深演智能科技股份有限公司 人群划分方法及装置
CN111639714A (zh) * 2020-06-01 2020-09-08 贝壳技术有限公司 确定用户的属性的方法、装置和设备
CN112015977A (zh) * 2020-07-24 2020-12-01 上海淇玥信息技术有限公司 一种定制信息推送方法、装置和电子设备
CN112100511A (zh) * 2020-11-18 2020-12-18 浙江口碑网络技术有限公司 一种偏好程度数据获得方法、装置以及电子设备
CN112116411A (zh) * 2020-08-10 2020-12-22 第四范式（北京）技术有限公司 一种用于商品推荐的排序模型的训练方法、装置及系统
CN112150199A (zh) * 2020-09-21 2020-12-29 北京小米松果电子有限公司 垂类特征的确定方法及装置、存储介质
CN112232890A (zh) * 2020-11-11 2021-01-15 腾讯科技（深圳）有限公司 数据处理方法、装置、设备及存储介质
CN112949867A (zh) * 2021-03-29 2021-06-11 中信银行股份有限公司 一种模型价值量化方法、装置、设备及可读存储介质
CN113496236A (zh) * 2020-03-20 2021-10-12 北京沃东天骏信息技术有限公司 用户标签信息确定方法、装置、设备和存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101556553A (zh) * 2009-03-27 2009-10-14 中国科学院软件研究所 基于需求变更的缺陷预测方法和系统
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
CN105868900A (zh) * 2016-03-28 2016-08-17 大连理工大学 基于支持向量机的企业预合作伙伴分类方法
CN106649774A (zh) * 2016-12-27 2017-05-10 北京百度网讯科技有限公司 基于人工智能的对象推送方法及装置
CN106845731A (zh) * 2017-02-20 2017-06-13 重庆邮电大学 一种基于多模型融合的潜在换机用户发现方法
CN106909663A (zh) * 2017-02-27 2017-06-30 杭州泰指尚科技有限公司 基于标签用户品牌偏好行为预测方法及其装置
CN107103036A (zh) * 2017-03-22 2017-08-29 广州优视网络科技有限公司 应用下载概率的获取方法、设备及可编程设备
CN107194412A (zh) * 2017-04-20 2017-09-22 百度在线网络技术（北京）有限公司 一种处理数据的方法、装置、设备和计算机存储介质
WO2017219548A1 (zh) * 2016-06-20 2017-12-28 乐视控股（北京）有限公司 用户属性预测方法及装置
CN107578332A (zh) * 2017-09-22 2018-01-12 深圳乐信软件技术有限公司 一种推荐现金商品的方法、装置、设备及存储介质
CN107590224A (zh) * 2017-09-04 2018-01-16 北京京东尚科信息技术有限公司 基于大数据的用户偏好分析方法与装置
CN107657267A (zh) * 2017-08-11 2018-02-02 百度在线网络技术（北京）有限公司 产品潜在用户挖掘方法及装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101556553A (zh) * 2009-03-27 2009-10-14 中国科学院软件研究所 基于需求变更的缺陷预测方法和系统
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
CN105868900A (zh) * 2016-03-28 2016-08-17 大连理工大学 基于支持向量机的企业预合作伙伴分类方法
WO2017219548A1 (zh) * 2016-06-20 2017-12-28 乐视控股（北京）有限公司 用户属性预测方法及装置
CN106649774A (zh) * 2016-12-27 2017-05-10 北京百度网讯科技有限公司 基于人工智能的对象推送方法及装置
CN106845731A (zh) * 2017-02-20 2017-06-13 重庆邮电大学 一种基于多模型融合的潜在换机用户发现方法
CN106909663A (zh) * 2017-02-27 2017-06-30 杭州泰指尚科技有限公司 基于标签用户品牌偏好行为预测方法及其装置
CN107103036A (zh) * 2017-03-22 2017-08-29 广州优视网络科技有限公司 应用下载概率的获取方法、设备及可编程设备
CN107194412A (zh) * 2017-04-20 2017-09-22 百度在线网络技术（北京）有限公司 一种处理数据的方法、装置、设备和计算机存储介质
CN107657267A (zh) * 2017-08-11 2018-02-02 百度在线网络技术（北京）有限公司 产品潜在用户挖掘方法及装置
CN107590224A (zh) * 2017-09-04 2018-01-16 北京京东尚科信息技术有限公司 基于大数据的用户偏好分析方法与装置
CN107578332A (zh) * 2017-09-22 2018-01-12 深圳乐信软件技术有限公司 一种推荐现金商品的方法、装置、设备及存储介质

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111159541A (zh) * 2019-12-11 2020-05-15 微民保险代理有限公司 一种帐号行为偏好的确定方法及装置
CN111159541B (zh) * 2019-12-11 2023-08-25 微民保险代理有限公司 一种帐号行为偏好的确定方法及装置
CN111274330A (zh) * 2020-01-15 2020-06-12 腾讯科技（深圳）有限公司 一种目标对象确定方法、装置、计算机设备及存储介质
CN111274330B (zh) * 2020-01-15 2022-08-26 腾讯科技（深圳）有限公司 一种目标对象确定方法、装置、计算机设备及存储介质
CN113496236A (zh) * 2020-03-20 2021-10-12 北京沃东天骏信息技术有限公司 用户标签信息确定方法、装置、设备和存储介质
CN113496236B (zh) * 2020-03-20 2024-05-24 北京沃东天骏信息技术有限公司 用户标签信息确定方法、装置、设备和存储介质
CN111563775A (zh) * 2020-05-08 2020-08-21 北京深演智能科技股份有限公司 人群划分方法及装置
CN111639714A (zh) * 2020-06-01 2020-09-08 贝壳技术有限公司 确定用户的属性的方法、装置和设备
CN112015977A (zh) * 2020-07-24 2020-12-01 上海淇玥信息技术有限公司 一种定制信息推送方法、装置和电子设备
CN112116411A (zh) * 2020-08-10 2020-12-22 第四范式（北京）技术有限公司 一种用于商品推荐的排序模型的训练方法、装置及系统
CN112150199A (zh) * 2020-09-21 2020-12-29 北京小米松果电子有限公司 垂类特征的确定方法及装置、存储介质
CN112232890A (zh) * 2020-11-11 2021-01-15 腾讯科技（深圳）有限公司 数据处理方法、装置、设备及存储介质
CN112232890B (zh) * 2020-11-11 2023-07-04 腾讯科技（深圳）有限公司 数据处理方法、装置、设备及存储介质
CN112100511A (zh) * 2020-11-18 2020-12-18 浙江口碑网络技术有限公司 一种偏好程度数据获得方法、装置以及电子设备
CN112949867A (zh) * 2021-03-29 2021-06-11 中信银行股份有限公司 一种模型价值量化方法、装置、设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN110490625A (zh) 用户偏好确定方法及装置、电子设备、存储介质
US11238310B2 (en) Training data acquisition method and device, server and storage medium
CN104798043B (zh) 一种数据处理方法和计算机系统
CN109189904A (zh) 个性化搜索方法及系统
CN108446374A (zh) 用户意图预测方法、装置、电子设备、存储介质
CN108446813A (zh) 一种电商服务质量综合评价的方法
CN106327227A (zh) 一种信息推荐系统及信息推荐方法
CN110163647A (zh) 一种数据处理方法及装置
CN109242044A (zh) 车货匹配模型的训练方法、装置、存储介质及电子设备
US11294873B2 (en) Query-goal-mission structures
CN107784390A (zh) 用户生命周期的识别方法、装置、电子设备及存储介质
CN109636430A (zh) 对象识别方法及其系统
CN109903086A (zh) 一种相似人群扩展方法、装置及电子设备
CN102053971A (zh) 用于面向排序的协同过滤的推荐方法和设备
CN108984658A (zh) 一种智能问答数据处理方法及装置
KR20190128246A (ko) 검색 방법 및 장치 및 비-일시적 컴퓨터-판독가능 저장 매체
CN109978619A (zh) 机票定价策略筛选的方法、系统、设备以及介质
CN108932625A (zh) 用户行为数据的分析方法、装置、介质和电子设备
CN106294882A (zh) 数据挖掘方法以及装置
CN107666435A (zh) 一种屏蔽消息的方法及装置
CN109492837A (zh) 机票订单保险推送方法、装置、电子设备、存储介质
CN106326318A (zh) 搜索方法及装置
KR20220086932A (ko) 소비자의 비정형 평가 정보를 이용한 소비자 니즈 분석 방법 및 장치
CN110046784A (zh) 一种用户准入的风险确定方法及装置
CN110019650A (zh) 提供搜索联想词的方法、装置、存储介质及电子设备

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