CN110647696B - 一种业务对象的排序方法及装置 - Google Patents
一种业务对象的排序方法及装置 Download PDFInfo
- Publication number
- CN110647696B CN110647696B CN201810589777.4A CN201810589777A CN110647696B CN 110647696 B CN110647696 B CN 110647696B CN 201810589777 A CN201810589777 A CN 201810589777A CN 110647696 B CN110647696 B CN 110647696B
- Authority
- CN
- China
- Prior art keywords
- characteristic information
- discrete
- business object
- business
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q30/0282—Rating or review of business operators or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种业务对象的排序方法及装置,所述方法包括:获取历史行为记录;从所述历史行为记录中提取至少一个业务对象的特征信息,其中,所述特征信息至少包括一个离散特征信息和/或连续特征信息;将各业务对象的离散特征信息和/或连续特征信息输入至预先训练得到的排序得分预测模型,预测各业务对象的排序得分;根据各业务对象的排序得分对各业务对象进行排序。解决了现有技术中协同过滤算法导致的时间复杂度较高、数据稀疏性、召回效果较差的问题,采用预先训练的排序得分预测模型预测业务对象的排序得分,并进行排序以指导推荐,降低了时间复杂度、解决了数据稀疏性的问题、提高了召回效果。
Description
技术领域
本发明实施例涉及网络技术领域,尤其涉及一种业务对象的排序方法及装置。
背景技术
对于神经网络技术领域,个性化推荐可以向用户推荐信息,为用户解决信息过载问题。在外卖行业中,个性化推荐往往根据用户的历史订单和当前搜索词,向用户推荐一些用户可能关注的商品。个性化推荐系统主要包括召回模块和排序模块。其中,召回模块根据用户的历史行为和实时行为从系统中检索得到候选商品,排序模块对候选商品进行排序展示给用户。
现有技术中,通过协同过滤算法对商品召回的步骤主要包括:首先,对目标用户的行为进行分析得到目标用户的偏好商品;然后,计算候选用户与目标用户的用户相似度,以及候选商品与目标用户偏好商品之间的商品相似度;最后,根据用户相似度将相似用户偏好的商品推荐给目标用户,或,根据商品相似度将相似商品直接推荐给目标用户。
然而,由于采用用户行为计算商品相似度,从而协同过滤算法在计算多项集相似度时存在时间复杂度较高、以及数据稀疏性问题,导致根据用户行为的召回效果较差。
发明内容
本发明提供一种业务对象的排序方法及装置,以解决现有技术即时配送的上述问题。
根据本发明的第一方面,提供了一种业务对象的排序方法,所述方法包括:
获取历史行为记录;
从所述历史行为记录中提取至少一个业务对象的特征信息,其中,所述特征信息至少包括一个离散特征信息和/或连续特征信息;
将各业务对象的离散特征信息和/或连续特征信息输入至预先训练得到的排序得分预测模型,预测各业务对象的排序得分;
根据各业务对象的排序得分对各业务对象进行排序。
根据本发明的第二方面,提供了一种业务对象的排序装置,所述装置包括:
数据获取模块,用于获取历史行为记录;
特征信息提取模块,用于从所述历史行为记录中提取至少一个业务对象的特征信息,其中,所述特征信息至少包括一个离散特征信息和/或连续特征信息;
排序得分预测模块,用于将各业务对象的离散特征信息和/或连续特征信息输入至预先训练得到的排序得分预测模型,预测各业务对象的排序得分;
根据各业务对象的排序得分对各业务对象进行排序。
根据本发明的第三方面,提供了一种电子设备,包括:
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现前述的业务对象的排序方法。
根据本发明的第四方面,提供了一种可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行前述的业务对象的排序方法。
本发明实施例提供了一种业务对象的排序方法及装置,所述方法包括:获取历史行为记录;从所述历史行为记录中提取至少一个业务对象的特征信息,其中,所述特征信息至少包括一个离散特征信息和/或连续特征信息;将各业务对象的离散特征信息和/或连续特征信息输入至预先训练得到的排序得分预测模型,预测各业务对象的排序得分;根据各业务对象的排序得分对各业务对象进行排序。解决了现有技术中协同过滤算法导致的时间复杂度较高、数据稀疏性、召回效果较差的问题,采用预先训练的排序得分预测模型预测业务对象的排序得分,并进行排序以指导推荐,降低了时间复杂度、解决了数据稀疏性的问题、提高了召回效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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发明的一些实施例,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是本发明实施例一提供的一种业务对象的排序方法的具体步骤流程图;
图1A是本发明实施例提供的长短期记忆网络的数据结构示意图;
图1B是本发明实施例提供的长短期记忆网络的结构示意图;
图1C是本发明实施例提供的长短期记忆网络神经单元的结构示意图;
图2是本发明实施例二提供的一种业务对象的排序方法的具体步骤流程图;
图3是本发明实施例三提供的一种业务对象的排序装置的结构图;
图4是本发明实施例四提供的一种业务对象的排序装置的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
实施例一
参照图1,其示出了本发明实施例一提供的一种业务对象的排序方法的具体步骤流程图。
步骤101,获取历史行为记录。
本发明实施例可以用于根据历史行为记录确定历史行为记录中的业务对象的排序得分,从而将排序得分较高的业务对象推荐给用户。
其中,业务对象包括但不限于商品、信息等。
历史行为记录包括但不限于:用户在历史时间段内对业务对象的浏览记录、下单记录、结算记录等。在实际应用中,用户在应用平台上下订单时,往往会浏览许多业务对象,平台会记录该用户浏览过的业务对象,保存至平台数据库中。
步骤102,从所述历史行为记录中提取至少一个业务对象的特征信息,其中,所述特征信息至少包括一个离散特征信息和/或连续特征信息。
其中,特征信息为可以表征业务对象类型的信息。具有相同或类似特征信息的业务对象可以划分为一类业务对象。例如,对于外卖商品,用户浏览过的商品序列为<poi1,poi2,…,poiN>,与每个商品相关的特征信息包括:区域信息、品类信息、用户的识别信息、点击通过率、转化率、销售量、客单价、成交总额等。其中,区域信息、品类信息、用户的识别信息等为离散特征信息,点击通过率、转化率、销售量、客单价、成交总额为连续特征信息。
在实际应用中,特征信息可以只包括至少一个离散特征信息,也可以只包括至少一个连续特征信息。
可以理解,对于上述例子,从历史行为记录中提取至少一个业务对象的特征信息,即为:从历史行为记录中提取该商品的区域信息、品类信息、用户的识别信息、点击通过率、转化率、销售量、客单价、成交总额。
如图1A所示,s1、s2、…、s9分别为输入的九个业务对象,p1、p2、…、p9分别为九个输出的预测业务对象,每个输入业务对象均对应M个离散特征信息和N个连续特征信息,例如业务对象s4对应d1、d2、…、dM为M个离散特征信息,c1、c2、…、cN为N个连续特征信息。当然,每个业务对象所包括的离散特征信息和连续特征信息数值会不同。每个输出业务对象对应单个离散特征,例如p4对应的离散特征为pd1。
步骤103,将各业务对象的离散特征信息和/或连续特征信息输入至预先训练得到的排序得分预测模型,预测各业务对象的排序得分。
在本发明实施例中,排序得分预测模型为神经网络模型(RNN,Recurrent neuralnetworks)中的长短期记忆网络(LSTM,Long Short-Term Memory)。
其中,长短期记忆网络的输入层与传统的长短期记忆网络不同。如图1B所示,输入层包括实线框中的处理流程,每个特征信息包括P个离散特征信息和q个连续特征信息。首先,将p个离散特征信息通过embeding处理,生成p个embeding向量;然后,将p个embeding向量分别进行拼接或平均算法,得到一个总的离散特征向量;最后,将该离散特征向量和连续特征向量拼接成为总的特征向量,输入至LSTM网络的神经单元Cell中进行非线性运算,最后输出预测结果。
其中,神经单元Cell的结构如图1C所示。其中,h、x分别为输入信息,next_h、next_c分别为预测得到的输出值,c为激活系数,in_gata为输入门,out_gata为输出门,forget_gata为遗忘门,in_tran为变换门,sigmoid、tanh分别为激活函数。可以理解,神经单元Cell可以通过sigmoid、tanh函数实现一系列非线性运算。由于神经单元Cell、sigmoid、tanh均为现有技术,本发明实施例在此不再赘述。
可以理解,本发明实施例通过LSTM模型以及输入的历史行为记录中业务对象的特征信息,预测业务对象的排序得分。
步骤104,根据各业务对象的排序得分对各业务对象进行排序。
具体地,根据实际应用场景,可以对各业务对象进行降序或升序排列。
此外,还可以将排序靠前的业务对象推荐给用户,或,将排序得分超过预设阈值的业务对象推荐给用户。
其中,预设阈值用于判断业务对象是否为目标业务对象,可以根据排序得分的数值范围和实际应用场景设定。本发明实施例对其不加以限制。
可以理解,推荐方式根据应用场景不同而不同。例如,对于外卖场景,将商品或商家显示在平台指定区域上。还可以通过其他方式向用户推荐目标业务对象。本发明实施例对推荐方式不加以限制。
综上所述,本发明实施例提供了一种业务对象的排序方法,所述方法包括:获取历史行为记录;从所述历史行为记录中提取至少一个业务对象的特征信息,其中,所述特征信息至少包括一个离散特征信息和/或连续特征信息;将各业务对象的离散特征信息和/或连续特征信息输入至预先训练得到的排序得分预测模型,预测各业务对象的排序得分;根据各业务对象的排序得分对各业务对象进行排序。解决了现有技术中协同过滤算法导致的时间复杂度较高、数据稀疏性、召回效果较差的问题,采用预先训练的排序得分预测模型预测业务对象的排序得分,并进行排序以指导推荐,降低了时间复杂度、解决了数据稀疏性的问题、提高了召回效果。
实施例二
参照图2,其示出了本发明实施例二提供的一种业务对象的排序方法的具体步骤流程图。
步骤201,设置排序得分预测模型的训练参数,并通过业务对象特征样本集对所述排序得分预测模型进行训练。
其中,训练参数包括:输入层离散特征字典大小、输出层预测序列字典大小、Embedding维度、隐藏节点个数、网络层数、运行环境、离散特征个数、连续特征个数、离散特征embeding后的组合方式、参数初始化方式、优化方法选择、正则化罚参数大小、丢弃概率、批规范化,序列长度。
输入层离散特征字典大小和输出层预测序列字典大小、Embedding维度、隐藏节点个数、网络层数均大于0,运行环境可以设置为CPU(Central Processing Unit,中央处理单元)或GPU(Graphics Processing Unit,图像处理单元),离散特征个数大于0、连续特征个数大于等于0,离散特征embeding后的组合方式可以设置为拼接或平均,参数初始化方式可以设置为高斯或正态,优化方法选择可以设置为adam、adagrad或adadelta方法,正则化罚参数大小大于等于0,丢弃概率大于等于0、批规范化可设置为是或否。
序列长度可以根据不同的应用场景设置不同的长度,具体参数由具体数据决定。在外卖场景中,经过统计,95%的用户在一个会话中浏览序列的长度小于等于10,为了覆盖大部分的训练数据,所以序列长度取9。
可以理解,由于训练参数均为LSTM模型的固定参数,取值范围也为现有技术统一规定,本发明实施例在此不再赘述。
业务对象特征样本集中的各样本包括特征信息,可以通过大量用户的历史记录收集。
可选地,在本发明的另一种实施例中,上述步骤201包括子步骤2011至2013:
子步骤2011,从业务对象特征样本集的各样本中提取业务对象的特征信息,其中,所述特征信息至少包括一个离散特征信息和/或连续特征信息。
其中,业务对象特征样本集中的各样本对应一个业务对象,该业务对象包含特征信息。
该步骤可以参照步骤101的详细说明,在此不再赘述。
子步骤2012,根据所述各样本的离散特征信息生成第二离散特征向量。
具体地,将离散特征信息通过函数映射成多个向量,再组合成为一个向量。
可选地,在本发明实施例中,上述子步骤2012包括子步骤20121至20122:
子步骤20121,将所述各样本的离散特征信息分别进行数据映射,生成中间离散特征向量。
数据映射embeding在深度学习中是常见的技术,将一个特征信息映射成为一个低维向量。而本发明的离散特征信息包括多个,从而需要将各离散特征向量通过embeding分别映射为向量,然后将各离散特征对应的向量组合成为一个向量。
其中,中间离散特征向量的大小可以根据模型参数Embedding维度设定。
子步骤20122,将所述中间离散特征向量进行拼接或平均运算,生成第二离散特征向量。
具体地,将多个中间特征向量通过拼接生成第二离散特征向量,例如,若中间特征向量为[a1,a2,a3,a4,a5],[b1,b2,b3,b4,b5],[c1,c2,c3,c4,c5],则拼接之后的第二离散特征向量为[a1,a2,a3,a4,a5,b1,b2,b3,b4,b5,c1,c2,c3,c4,c5]。
将多个中间特征向量通过平均生成第二离散特征向量,上述三个中间特征向量通过平均运算得到的第二特征向量为[(a1+b1+c1)/3,(a2+b2+c2)/3,(a3+b3+c3)/3,(a4+b4+c4)/3,(a5+b5+c5)/3]。
可以理解,在实际应用中,可以选择拼接算法也可以选择平均算法,本发明实施例对其不加以限制。
子步骤2013,根据所述各样本的连续特征信息生成第二连续特征向量。
具体地,由于连续特征信息直接对应数值,从而不需要通过embeding进行映射,直接将特征信息对应的数值拼接组成第二连续特征向量。可以理解,连续特征信息的数目即为第二连续特征向量的大小。例如,连续特征信息为月平均销量d、平均价格e,则第二连续特征向量为二维向量[d,e]。
子步骤2014,将所述第二离散特征向量与第二连续特征向量拼接生成第二目标特征向量。
可以理解,第二目标特征向量的大小为第二离散特征向量和第二连续特征向量的大小之和。例如,若子步骤2012通过拼接得到的第二离散特征向量为[a1,a2,a3,a4,a5,b1,b2,b3,b4,b5,c1,c2,c3,c4,c5],子步骤2013得到的第二连续特征向量为二维向量[d,e],则第二目标特征向量为[a1,a2,a3,a4,a5,b1,b2,b3,b4,b5,c1,c2,c3,c4,c5,d,e];若子步骤2012通过拼接得到的第二离散特征向量为[(a1+b1+c1)/3,(a2+b2+c2)/3,(a3+b3+c3)/3,(a4+b4+c4)/3,(a5+b5+c5)/3],子步骤2013得到的第二连续特征向量为二维向量[d,e],则第二目标特征向量为[(a1+b1+c1)/3,(a2+b2+c2)/3,(a3+b3+c3)/3,(a4+b4+c4)/3,(a5+b5+c5)/3,d,e]。
子步骤2015,将所述第二目标特征向量输入至预设神经网络单元中进行训练,得到排序得分预测模型。
在实际应用中,可以手动设置迭代次数,当达到迭代次数时训练结束,得到排序得分预测模型;也可以根据损失函数自动判断,当损失值满足预设条件时训练结束,得到匹配的预测模型。
可选地,在本发明实施例中,上述子步骤2015包括子步骤20151:
子步骤20151,采用sigmoid函数对所述第二目标特征向量对应的输出值进行激活,并采用交叉熵计算损失值。
其中,sigmoid函数的公式如下:
其中,x为输入值,S(x)为激活之后的输出值。
具体地,将特征向量中的每个元素均通过该函数进行激活,得到激活后的向量。
交叉熵通常用于度量两个概率分布间的差异性信息。例如,真实分布p,非真实分布q之间的损失值,当p和q为离散值时损失值H(p,q)的计算公式如下:
其中,i为概率分布的大小,pi为第i个输出值对应的真实概率,qi为第i个输出值对应的非真实概率。
当p和q为连续值时损失值H(p,q)的计算公式如下:
其中,x为概率分布的大小,p(x)为输出值x对应的真实概率,q(x)为输出值x对应的非真实概率。
本发明实施例可以避免使用softmax激活函数,从而可以大大降低时间复杂度。
步骤202,获取历史行为记录。
该步骤可以参照步骤101的详细说明,在此不再赘述。
步骤203,从所述历史行为记录中提取至少一个业务对象的特征信息,其中,所述特征信息至少包括一个离散特征信息和/或连续特征信息。
该步骤可以参照步骤102的详细说明,在此不再赘述。
步骤204,对于各业务对象,根据所述业务对象的离散特征信息生成第一离散特征向量。
该步骤可以参照子步骤2012的详细说明,在此不再赘述。
可选地,在本发明实施例中,上述步骤204包括子步骤2041至2042:
子步骤2041,对所述业务对象的离散特征信息进行数据映射,生成中间离散特征向量。
该步骤可以参照子步骤20121的详细说明,在此不再赘述。
子步骤2042,将所述中间离散特征向量进行拼接或平均运算,生成第一离散特征向量。
该步骤可以参照子步骤20122的详细说明,在此不再赘述。
步骤205,对于各业务对象,根据所述业务对象的连续特征信息生成第一连续特征向量。
该步骤可以参照子步骤2013的详细说明,在此不再赘述。
步骤206,对于各业务对象,将所述业务对象的第一离散特征向量与第一连续特征向量拼接生成第一目标特征向量。
该步骤可以参照子步骤2014的详细说明,在此不再赘述。
步骤207,将所述各业务对象的第一目标特征向量输入至神经网络单元中进行预测,得到各业务对象的排序得分,所述神经网络单元设置于预先训练得到的排序得分预测模型的中间层,所述中间层用于对输入的向量进行非线性运算。
具体地,将第一目标特征向量输入至神经网络单元,以对第一目标特征向量进行非线性运算,并计算各业务对象的排序得分。
步骤208,根据预设条件从各业务对象中选取至少一个候选业务对象。
其中,候选业务对象根据不同类型的业务对象而不同。例如,对于外卖订单,候选业务对象可以为用户附近商家提供的外卖商品。
步骤209,根据各候选业务对象的排序得分,对所述候选业务对象进行排序。
该步骤可以参照步骤104的详细说明,在此不再赘述。
综上所述,本发明实施例提供了一种业务对象的排序方法,所述方法包括:获取历史行为记录;从所述历史行为记录中提取至少一个业务对象的特征信息,其中,所述特征信息至少包括一个离散特征信息和/或连续特征信息;将各业务对象的离散特征信息和/或连续特征信息输入至预先训练得到的排序得分预测模型,预测各业务对象的排序得分;根据各业务对象的排序得分对各业务对象进行排序。解决了现有技术中协同过滤算法导致的时间复杂度较高、数据稀疏性、召回效果较差的问题,采用预先训练的排序得分预测模型预测业务对象的排序得分,并进行排序以指导推荐,降低了时间复杂度、解决了数据稀疏性的问题、提高了召回效果。此外,还可以通过预先训练得到排序得分预测模型,并采用sigmoid函数计算损失值,降低了计算复杂度。
实施例三
参照图3,其示出了本发明实施例三提供的一种业务对象的排序装置的结构图,具体如下。
数据获取模块301,用于获取历史行为记录。
特征信息提取模块302,用于从所述历史行为记录中提取至少一个业务对象的特征信息,其中,所述特征信息至少包括一个离散特征信息和/或连续特征信息。
排序得分预测模块303,用于将各业务对象的离散特征信息和/或连续特征信息输入至预先训练得到的排序得分预测模型,预测各业务对象的排序得分;
排序模块304,用于根据各业务对象的排序得分对各业务对象进行排序。
综上所述,本发明实施例提供了一种业务对象的排序装置,所述装置包括:数据获取模块,用于获取历史行为记录;特征信息提取模块,用于从所述历史行为记录中提取至少一个业务对象的特征信息,其中,所述特征信息至少包括一个离散特征信息和/或连续特征信息;排序得分预测模块,用于将所述各业务对象的离散特征信息和/或连续特征信息输入至预先训练得到的排序得分预测模型,预测各业务对象的排序得分;排序模块,用于根据各业务对象的排序得分对各业务对象进行排序。解决了现有技术中协同过滤算法导致的时间复杂度较高、数据稀疏性、召回效果较差的问题,采用预先训练的排序得分预测模型预测业务对象的排序得分,并进行排序以指导推荐,降低了时间复杂度、解决了数据稀疏性的问题、提高了召回效果。
实施例四
参照图4,其示出了本发明实施例四提供的一种业务对象的排序装置的结构图,具体如下。
模型训练模块401,用于设置排序得分预测模型的训练参数,并通过业务对象特征样本集对所述排序得分预测模型进行训练。
数据获取模块402,用于获取历史行为记录。
特征信息提取模块403,用于从所述历史行为记录中提取至少一个业务对象的特征信息,其中,所述特征信息至少包括一个离散特征信息和/或连续特征信息。
排序得分预测模块404,用于将各业务对象的离散特征信息和/或连续特征信息输入至预先训练得到的排序得分预测模型,预测各业务对象的排序得分。可选地,在本发明实施例中,上述排序得分预测模块404,包括:
第一离散特征向量生成子模块4041,用于对于各业务对象,根据所述业务对象的离散特征信息生成第一离散特征向量。
第一连续特征向量生成子模块4042,用于对于各业务对象,根据所述业务对象的连续特征信息生成第一连续特征向量。
第一目标特征向量生成子模块4043,用于对于各业务对象,将所述业务对象的第一离散特征向量与第一连续特征向量拼接生成第一目标特征向量。
排序得分预测子模块4044,用于将所述各业务对象的第一目标特征向量输入至神经网络单元中进行预测,得到各业务对象的排序得分,所述神经网络单元设置于预先训练得到的排序得分预测模型的中间层,所述中间层用于对输入的向量进行非线性运算。
排序模块405,用于根据各业务对象的排序得分对各业务对象进行排序。可选地,在本发明实施例中,上述排序模块405包括:
候选业务对象选取子模块4051,用于根据预设条件从各业务对象中选取至少一个候选业务对象。
排序子模块4052,用于根据各候选业务对象的排序得分,对所述候选业务对象进行排序
可选地,在本发明的另一种实施例中,上述模型训练模块401包括:
特征信息提取子模块,用于从业务对象特征样本集的各样本中提取业务对象的特征信息,其中,所述特征信息至少包括一个离散特征信息和/或连续特征信息。
第二离散特征向量生成子模块,用于根据所述各样本的离散特征信息生成第二离散特征向量。
可选地,在本发明实施例中,上述第二离散特征向量生成子模块包括:
第二中间离散特征向量生成单元,用于将所述各样本的离散特征信息分别进行数据映射,生成中间离散特征向量。
第二离散特征向量生成单元,用于将所述中间离散特征向量进行拼接或平均运算,生成第二离散特征向量。
第二连续特征向量生成子模块,用于根据所述各样本的连续特征信息生成第二连续特征向量。
第二目标特征向量生成子模块,用于将所述第二离散特征向量与第二连续特征向量拼接生成第二目标特征向量。
模型确定子模块,用于将所述第二目标特征向量输入至预设神经网络单元中进行训练,得到排序得分预测模型。
可选地,在本发明实施例中,上述模型确定子模块,包括:
损失值计算单元,用于采用sigmoid函数对所述第二目标特征向量对应的输出值进行激活,并采用交叉熵计算损失值。
可选地,在本发明实施例中,上述第一离散特征向量生成子模块,包括:
第一中间离散特征向量生成单元,用于对所述业务对象的离散特征信息进行数据映射,生成中间离散特征向量。
第一离散特征向量生成单元,用于将所述中间离散特征向量进行拼接或平均运算,生成第一离散特征向量。
综上所述,本发明实施例提供了一种业务对象的排序装置,所述装置包括:模型训练模块,用于设置排序得分预测模型的训练参数,并通过业务对象特征样本集对所述排序得分预测模型进行训练;数据获取模块,用于获取历史行为记录;特征信息提取模块,用于从所述历史行为记录中提取至少一个业务对象的特征信息,其中,所述特征信息至少包括一个离散特征信息和/或连续特征信息;排序得分预测模块,用于将各业务对象的离散特征信息和/或连续特征信息输入至预先训练得到的排序得分预测模型,预测各业务对象的排序得分;根据各业务对象的排序得分对各业务对象进行排序。解决了现有技术中协同过滤算法导致的时间复杂度较高、数据稀疏性、召回效果较差的问题,采用预先训练的排序得分预测模型预测业务对象的排序得分,并进行排序以指导推荐,降低了时间复杂度、解决了数据稀疏性的问题、提高了召回效果。此外,还可以训练得到排序得分预测模型,并采用sigmoid函数计算损失值,降低了计算复杂度。
本发明实施例还提供了一种电子设备,包括:处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现前述的业务对象的排序方法。
本发明实施例还提供了一种可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行前述的业务对象的排序方法。
对于装置实施例而言,由于其与方法实施例基本相似,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。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的业务对象的排序设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本发明的具体实施方式,但本发明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揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种业务对象的排序方法,其特征在于,所述方法包括:
获取历史行为记录,所述历史行为记录包括用户在历史时间段内对业务对象的浏览记录、下单记录、结算记录中的至少一项;
从所述历史行为记录中提取至少一个业务对象的特征信息,所述特征信息包括表征所述业务对象类型的信息,其中,所述特征信息至少包括一个离散特征信息和/或连续特征信息;
将各业务对象的离散特征信息和/或连续特征信息输入至预先训练得到的排序得分预测模型,预测各业务对象的排序得分;
根据各业务对象的排序得分对各业务对象进行排序;
其中,所述将各业务对象的离散特征信息和/或连续特征信息输入至预先训练得到的排序得分预测模型,预测各业务对象的排序得分的步骤,包括:
对于各业务对象,根据所述业务对象的离散特征信息生成第一离散特征向量;
对于各业务对象,根据所述业务对象的连续特征信息生成第一连续特征向量;
对于各业务对象,将所述业务对象的第一离散特征向量与第一连续特征向量拼接生成第一目标特征向量;
将各业务对象的第一目标特征向量输入至神经网络单元中进行预测,得到各业务对象的排序得分,所述神经网络单元设置于预先训练得到的排序得分预测模型的中间层,所述中间层用于对输入的向量进行非线性运算。
2.根据权利要求1所述的方法,其特征在于,所述根据所述业务对象的离散特征信息生成第一离散特征向量的步骤,包括:
对所述业务对象的离散特征信息进行数据映射,生成中间离散特征向量;
将所述中间离散特征向量进行拼接或平均运算,生成第一离散特征向量。
3.根据权利要求1所述的方法,其特征在于,所述排序得分预测模型采用如下步骤训练得到:
设置排序得分预测模型的训练参数,并通过业务对象特征样本集对所述排序得分预测模型进行训练。
4.根据权利要求3所述的方法,其特征在于,所述通过业务对象特征样本集对所述排序得分预测模型进行训练的步骤,包括:
从业务对象特征样本集的各样本中提取业务对象的特征信息,其中,所述特征信息至少包括一个离散特征信息和/或连续特征信息;
根据所述各样本的离散特征信息生成第二离散特征向量;
根据所述各样本的连续特征信息生成第二连续特征向量;
将所述第二离散特征向量与第二连续特征向量拼接生成第二目标特征向量;
将所述第二目标特征向量输入至预设神经网络单元中进行训练,得到排序得分预测模型。
5.根据权利要求4所述的方法,其特征在于,所述根据所述各样本的离散特征信息生成第二离散特征向量的步骤,包括:
将所述各样本的离散特征信息分别进行数据映射,生成中间离散特征向量;
将所述中间离散特征向量进行拼接或平均运算,生成第二离散特征向量。
6.根据权利要求4所述的方法,其特征在于,所述将所述第二目标特征向量输入至预设神经网络单元中进行训练的步骤,包括:
采用sigmoid函数对所述第二目标特征向量对应的输出值进行激活,并采用交叉熵计算损失值。
7.根据权利要求1所述的方法,其特征在于,所述根据各业务对象的排序得分对各业务对象进行排序的步骤,包括:
根据预设条件从各业务对象中选取至少一个候选业务对象;
根据各候选业务对象的排序得分,对所述候选业务对象进行排序。
8.一种业务对象的排序装置,其特征在于,所述装置包括:
数据获取模块,用于获取历史行为记录,所述历史行为记录包括用户在历史时间段内对业务对象的浏览记录、下单记录、结算记录中的至少一项;
特征信息提取模块,用于从所述历史行为记录中提取至少一个业务对象的特征信息,所述特征信息包括表征所述业务对象类型的信息,其中,所述特征信息至少包括一个离散特征信息和/或连续特征信息;
排序得分预测模块,用于将各业务对象的离散特征信息和/或连续特征信息输入至预先训练得到的排序得分预测模型,预测各业务对象的排序得分;
排序模块,用于根据各业务对象的排序得分对各业务对象进行排序;
其中,所述排序得分预测模块,包括:
第一离散特征向量生成子模块,用于对于各业务对象,根据所述业务对象的离散特征信息生成第一离散特征向量;
第一连续特征向量生成子模块,用于对于各业务对象,根据所述业务对象的连续特征信息生成第一连续特征向量;
第一目标特征向量生成子模块,用于对于各业务对象,将所述业务对象的第一离散特征向量与第一连续特征向量拼接生成第一目标特征向量;
排序得分预测子模块,用于将所述各业务对象的第一目标特征向量输入至神经网络单元中进行预测,得到各业务对象的排序得分,所述神经网络单元设置于预先训练得到的排序得分预测模型的中间层,所述中间层用于对输入的向量进行非线性运算。
9.一种电子设备,其特征在于,包括:
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中一个或多个所述的业务对象的排序方法。
10.一种可读存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如方法权利要求1-7中一个或多个所述的业务对象的排序方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810589777.4A CN110647696B (zh) | 2018-06-08 | 2018-06-08 | 一种业务对象的排序方法及装置 |
BR112020017329-0A BR112020017329A2 (pt) | 2018-06-08 | 2018-12-14 | método e aparelho para ranquear um objeto de negócio, dispositivo eletrônico, e, meio de armazenamento legível |
US17/056,985 US20210366006A1 (en) | 2018-06-08 | 2018-12-14 | Ranking of business object |
PCT/CN2018/121078 WO2019233077A1 (zh) | 2018-06-08 | 2018-12-14 | 业务对象的排序 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810589777.4A CN110647696B (zh) | 2018-06-08 | 2018-06-08 | 一种业务对象的排序方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110647696A CN110647696A (zh) | 2020-01-03 |
CN110647696B true CN110647696B (zh) | 2022-06-14 |
Family
ID=68770775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810589777.4A Active CN110647696B (zh) | 2018-06-08 | 2018-06-08 | 一种业务对象的排序方法及装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20210366006A1 (zh) |
CN (1) | CN110647696B (zh) |
BR (1) | BR112020017329A2 (zh) |
WO (1) | WO2019233077A1 (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111698332A (zh) * | 2020-06-23 | 2020-09-22 | 深圳壹账通智能科技有限公司 | 业务对象的分配方法、装置、设备及存储介质 |
CN112883256B (zh) * | 2021-01-11 | 2024-05-17 | 北京达佳互联信息技术有限公司 | 多任务处理方法、装置、电子设备及存储介质 |
CN113159834B (zh) * | 2021-03-31 | 2022-06-07 | 支付宝(杭州)信息技术有限公司 | 一种商品信息排序方法、装置以及设备 |
CN113191819B (zh) * | 2021-05-20 | 2023-04-18 | 支付宝(杭州)信息技术有限公司 | 用于线下作业的方法及装置 |
CN113344127B (zh) * | 2021-06-29 | 2024-04-26 | 中国平安人寿保险股份有限公司 | 一种数据预测方法、装置、设备及存储介质 |
CN113254513B (zh) * | 2021-07-05 | 2021-09-28 | 北京达佳互联信息技术有限公司 | 排序模型生成方法、排序方法、装置、电子设备 |
CN114385700A (zh) * | 2022-01-10 | 2022-04-22 | 腾讯科技(深圳)有限公司 | 种子对象的确定方法、装置、设备及存储介质 |
CN114219184A (zh) * | 2022-01-24 | 2022-03-22 | 中国工商银行股份有限公司 | 产品交易数据预测方法、装置、设备、介质和程序产品 |
CN115624755B (zh) * | 2022-12-08 | 2023-03-14 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置及计算机设备、存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975641A (zh) * | 2016-07-15 | 2016-09-28 | 合网络技术(北京)有限公司 | 视频推荐方法及装置 |
CN107862004A (zh) * | 2017-10-24 | 2018-03-30 | 科大讯飞股份有限公司 | 智能排序方法及装置、存储介质、电子设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140372338A1 (en) * | 2013-06-18 | 2014-12-18 | Capital One Financial Corporation | Systems and methods for recommending merchants to a consumer |
US20170124576A1 (en) * | 2015-10-29 | 2017-05-04 | Fuelcomm Inc. | Systems, processes, and methods for estimating sales values |
US20170124085A1 (en) * | 2015-11-04 | 2017-05-04 | Haider Raza Khan | Website navigation path analysis |
EP4068165A1 (en) * | 2016-04-13 | 2022-10-05 | Google LLC | Wide and deep machine learning models |
US11256990B2 (en) * | 2016-05-20 | 2022-02-22 | Deepmind Technologies Limited | Memory-efficient backpropagation through time |
CN107844794B (zh) * | 2016-09-21 | 2022-02-22 | 北京旷视科技有限公司 | 图像识别方法和装置 |
-
2018
- 2018-06-08 CN CN201810589777.4A patent/CN110647696B/zh active Active
- 2018-12-14 US US17/056,985 patent/US20210366006A1/en active Pending
- 2018-12-14 BR BR112020017329-0A patent/BR112020017329A2/pt not_active IP Right Cessation
- 2018-12-14 WO PCT/CN2018/121078 patent/WO2019233077A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975641A (zh) * | 2016-07-15 | 2016-09-28 | 合网络技术(北京)有限公司 | 视频推荐方法及装置 |
CN107862004A (zh) * | 2017-10-24 | 2018-03-30 | 科大讯飞股份有限公司 | 智能排序方法及装置、存储介质、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2019233077A1 (zh) | 2019-12-12 |
CN110647696A (zh) | 2020-01-03 |
BR112020017329A2 (pt) | 2021-03-02 |
US20210366006A1 (en) | 2021-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647696B (zh) | 一种业务对象的排序方法及装置 | |
CA2655196C (en) | System and method for generating a display of tags | |
CN106251174A (zh) | 信息推荐方法及装置 | |
CN111523976A (zh) | 商品推荐方法、装置、电子设备及存储介质 | |
CN111784455A (zh) | 一种物品推荐方法及推荐设备 | |
CN105868847A (zh) | 一种购物行为的预测方法及装置 | |
CN110827112B (zh) | 深度学习的商品推荐方法、装置、计算机设备及存储介质 | |
CN110598120A (zh) | 基于行为数据的理财推荐方法及装置、设备 | |
CN112365283B (zh) | 一种优惠券发放方法、装置、终端设备及存储介质 | |
CN111695024A (zh) | 对象评估值的预测方法及系统、推荐方法及系统 | |
CN108596765A (zh) | 一种金融电子资源推荐方法和装置 | |
CN113407854A (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
CN112598472A (zh) | 产品推荐方法、装置、系统、介质和程序产品 | |
CN114240555A (zh) | 训练点击率预测模型和预测点击率的方法和装置 | |
CN111754287B (zh) | 物品筛选方法、装置、设备和存储介质 | |
CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
CN111460191A (zh) | 推荐方法、装置、电子设备及可读存储介质 | |
CN115841345B (zh) | 跨境大数据智能化分析方法、系统以及存储介质 | |
CN111859946B (zh) | 对评论进行排序的方法和装置及机器可读存储介质 | |
CN111445280A (zh) | 模型生成方法、餐馆排序方法、系统、设备和介质 | |
CN115713384A (zh) | 推荐物品的方法、装置、存储介质及电子设备 | |
CN115471260A (zh) | 基于神经网络的销售预测方法、装置、设备及介质 | |
CN110837596B (zh) | 一种智能推荐方法、装置、计算机设备及存储介质 | |
CN110362774B (zh) | 点击率预估模型的建立方法及系统 | |
CN110956528B (zh) | 一种电商平台的推荐方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |