CN110750598B - 一种物品标签预测方法、装置、终端设备及存储介质 - Google Patents

一种物品标签预测方法、装置、终端设备及存储介质 Download PDF

Info

Publication number
CN110750598B
CN110750598B CN201910879660.4A CN201910879660A CN110750598B CN 110750598 B CN110750598 B CN 110750598B CN 201910879660 A CN201910879660 A CN 201910879660A CN 110750598 B CN110750598 B CN 110750598B
Authority
CN
China
Prior art keywords
user
article
weight values
calculating
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
Application number
CN201910879660.4A
Other languages
English (en)
Other versions
CN110750598A (zh
Inventor
孔庆杰
林姝
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.)
Shandong Luzhong Zhihua Information Technology Co.,Ltd.
Original Assignee
Riseye Intelligent Technology Shenzhen 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 Riseye Intelligent Technology Shenzhen Co ltd filed Critical Riseye Intelligent Technology Shenzhen Co ltd
Priority to CN201910879660.4A priority Critical patent/CN110750598B/zh
Publication of CN110750598A publication Critical patent/CN110750598A/zh
Application granted granted Critical
Publication of CN110750598B publication Critical patent/CN110750598B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请适用于计算机技术领域，提供了物品标签预测方法、装置、终端设备及存储介质，方法包括：获取日志信息，日志信息包括用户与用户的交互信息以及用户与物品的交互信息；根据用户与用户的交互信息和用户与物品的交互信息计算出用户与用户的权重值和用户与物品的权重值；以物品和用户分别为节点，以用户与用户的权重值和用户与物品的权重值分别为边构建关系拓扑图；获取训练标签；根据训练标签和关系拓扑图对分类模型进行训练，以根据训练后的分类模型对物品的标签进行预测。本申请提高了物品标签预测的的精度和效率。

Description

一种物品标签预测方法、装置、终端设备及存储介质
技术领域
本申请属于计算机技术领域，尤其涉及物品标签预测方法、装置、终端设备及存储介质。
背景技术
近年来随着互联网的高速发展，各种C2C平台等服务成为促进用户与物品两者之间联系的桥梁。物品的数量和种类越发繁多，对物品进行标签标注和分类成为了平台的一大难点。高质量的标签标注和分类有助于提高业务效率，优化客户体验。然而，现有的对物品进行标签标注的方法效率较低，且精度不高。
发明内容
有鉴于此，本申请实施例提供了物品标签预测方法、装置、终端设备及存储介质，以解决现有技术中对物品进行标签标注的方法效率较低，且精度不高的问题。
本申请实施例的第一方面提供了一种物品标签预测方法，包括：
获取日志信息，所述日志信息包括用户与用户的交互信息以及用户与物品的交互信息；
根据所述用户与用户的交互信息和所述用户与物品的交互信息计算出用户与用户的权重值和用户与物品的权重值；
以物品和用户分别为节点，以所述用户与用户的权重值和所述用户与物品的权重值分别为边构建关系拓扑图；
获取训练标签；
根据所述训练标签和所述关系拓扑图对分类模型进行训练，以根据训练后的分类模型对物品的标签进行预测。
在一种可能的实现方式中，所述根据所述用户与用户的交互信息和所述用户与物品的交互信息计算出用户与用户的权重值和用户与物品的权重值，具体包括：
根据所述用户与用户的交互信息和所述用户与物品的交互信息计算用户与用户的综合关注系数和用户与物品的综合关注系数；
根据所述用户与用户的综合关注系数和所述用户与物品的综合关注系数计算出所述用户与用户的权重值和所述用户与物品的权重值。
在一种可能的实现方式中，所述根据所述用户与用户的交互信息和所述用户与物品的交互信息计算用户与用户的综合关注系数和用户与物品的综合关注系数，具体包括：
根据
Figure BDA0002205504280000021
计算所述用户与用户的综合关注系数，其中，ui，uj分别为两个用户，Ru-u(ui，uj)为用户与用户的综合关注系数，
Figure BDA0002205504280000022
为用户与用户各交互行为的统计量的归一化分数，
Figure BDA0002205504280000023
为归一化权值；
根据
Figure BDA0002205504280000024
计算所述用户与物品的综合关注系数，其中，ci，ui分别为物品和用户，Rc-u(ci，ui)为用户与物品的综合关注系数，
Figure BDA0002205504280000025
为用户与物品各交互行为的统计量的归一化分数，
Figure BDA0002205504280000026
为归一化权值。
在一种可能的实现方式中，所述根据所述用户与用户的综合关注系数和所述用户与物品的综合关注系数计算出所述用户与用户的权重值和所述用户与物品的权重值，具体包括：
根据
weightu-u(ui，uj)＝λ·Ru-u(ui，uj)+(1-λ)·sim(ui，uj)
计算所述用户与用户的权重值，其中，
Figure BDA0002205504280000031
“·”为相乘关系，weightu-u(ui，uj)为所述用户与用户的权重值，ui，uj分别为两个用户，ci为物品，Ru-u(ui，uj)为用户与用户的综合关注系数，Rc-u(ci，ui)、Rc-u(ci，uj)分别为两个用户与物品的综合关注系数，
Figure BDA0002205504280000032
为ui用户与所有物品的综合关注系数的均值，
Figure BDA0002205504280000033
为uj用户与所有物品的综合关注系数的均值，λ为调节系数；
根据weightc-u(ci，ui)＝Rc-u(ci，ui)计算所述用户与物品的权重值，其中，Rc-u(ci，ui)为用户与物品的综合关注系数。
在一种可能的实现方式中，所述获取日志信息，具体包括：
设定滑动窗口截取预设时间内的日志并进行过滤。
在一种可能的实现方式中，所述分类模型为图卷积网络模型。
本申请实施例的第二方面提供了一种物品标签预测装置，包括：
第一获取模块，用于获取日志信息，所述日志信息包括用户与用户的交互信息以及用户与物品的交互信息；
计算模块，用于根据所述用户与用户的交互信息和所述用户与物品的交互信息计算出用户与用户的权重值和用户与物品的权重值；
图构建模块，用于以物品和用户分别为节点，以所述用户与用户的权重值和所述用户与物品的权重值分别为边构建关系拓扑图；
第二获取模块，用于获取训练标签；
预测模块，用于根据所述训练标签和所述关系拓扑图对分类模型进行训练，以根据训练后的分类模型对物品的标签进行预测。
在一种可能的实现方式中，所述计算模块具体用于：
根据所述用户与用户的交互信息和所述用户与物品的交互信息计算用户与用户的综合关注系数和用户与物品的综合关注系数；
根据所述用户与用户的综合关注系数和所述用户与物品的综合关注系数计算出所述用户与用户的权重值和所述用户与物品的权重值。
本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中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计算机程序时实现如上述方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的物品标签预测方法。
本申请实施例与现有技术相比存在的有益效果是：通过获取用户与物品的交互信息以及用户与用户的交互信息，计算出用户与用户的权重值和用户与物品的权重值，以物品和用户为节点，以用户与用户的权重值和用户与物品的权重值为边构建关系拓扑图，从而综合考虑了各个体之间的交互关系，提高标签预测的精度；通过引入分类模型，根据训练标签和关系拓扑图对分类模型进行训练，以根据训练后的分类模型对物品的标签进行预测，从而提高标签预测的效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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。
图1是本申请实施例提供的物品标签预测方法的流程示意图；
图2是本申请实施例提供的物品标签预测方法的子步骤的流程示意图；
图3是本申请实施例提供的用户与用户的交互信息的统计数据的示例图；
图4是本申请实施例提供的用户与物品的交互信息的统计数据的示例图；
图5是本申请实施例提供的关系拓扑图的结构示例图；
图6是本申请实施例提供的用户物品结构图的示例图；
图7是本申请实施例提供的物品标签预测装置的示意图；
图8是本申请实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
为了提高物品标签的预测效率，业界引入基于特征的分类模型进行监督学习的方法，使用数据训练模型对物品的标签进行预测，可以一定程度的提高物品标签预测的效率和准确性。但对于个性标签之类的划分，往往有很强的群体特性，传统基于特征的分类模型未能充分考虑用户群体之间的潜在联系对于交互物品类别的影响。
为了进一步提高物品标签预测的效率和精度，本申请提出一种物品标签预测方法，其中，标签为物品的属性，例如，若物品为汽车，标签为车型、款式、发动机型号等信息。如图1所示，本申请实施例提供的物品标签预测方法包括：
步骤S101：获取日志信息，所述日志信息包括用户与用户的交互信息以及用户与物品的交互信息。
其中，用户与物品之间的关系包括但不限于购买和租用，用户与用户的交互信息包括点赞、评论、分享等交互行为的信息，用户与物品的交互信息包括点击、收藏、成单等交互行为的信息。
在一种可能的实现方式中，采用滑动窗口截取预设时间内的日志信息，其中，预设时间可以根据用户的交互行为来决定，选取能反映整体交互行为趋势的时间段，例如，一天或者一个月时间内。获取日志后，对日志进行过滤，得到用户与用户的交互信息和用户与物品的交互信息。
步骤S102：根据所述用户与用户的交互信息和所述用户与物品的交互信息计算出用户与用户的权重值和用户与物品的权重值。
如图2所示，在一种可能的实现方式中，步骤S102包括步骤S201和步骤S202。
步骤S201：根据所述用户与用户的交互信息和所述用户与物品的交互信息计算用户与用户的综合关注系数和用户与物品的综合关注系数。
具体的，根据
Figure BDA0002205504280000071
计算所述用户与用户的综合关注系数，其中，ui，uj分别为两个用户，Ru-u(ui，uj)为用户与用户的综合关注系数，
Figure BDA0002205504280000072
为用户与用户各交互行为的统计量的归一化分数，例如，s1为关注行为的归一化分数，s2为点赞行为的归一化分数，
Figure BDA0002205504280000073
为归一化权值；
根据
Figure BDA0002205504280000074
计算所述用户与物品的综合关注系数，其中，ci，ui分别为物品和用户，Rc-u(ci，ui)为用户与物品的综合关注系数，
Figure BDA0002205504280000075
为用户与物品各交互行为的统计量的归一化分数，例如，s1为点击行为的归一化分数，s2为收藏行为的归一化分数，
Figure BDA0002205504280000076
为归一化权值。
步骤S202：根据所述用户与用户的综合关注系数和所述用户与物品的综合关注系数计算出所述用户与用户的权重值和所述用户与物品的权重值。
具体的，根据
weightu-u(ui，uj)＝λ·Ru-u(ui，uj)+(1-λ)·sim(ui，uj)
计算所述用户与用户的权重值，其中，
Figure BDA0002205504280000077
“·”为相乘关系，sim(ui，uj)为用户交互物品集合的余弦相似度，weightu-u(ui，uj)为所述用户与用户的权重值，ui，uj分别为两个用户，ci为物品，Ru-u(ui，uj)为用户与用户的综合关注系数，Rc-u(ci，ui)、Rc-u(ci，uj)分别为两个用户与物品的综合关注系数，
Figure BDA0002205504280000081
为ui用户与所有物品的综合关注系数的均值，
Figure BDA0002205504280000082
为uj用户与所有物品的综合关注系数的均值，λ为调节系数，调节系数由用户与用户的综合关注系数和用户交互物品集合的余弦相似度分别在公式中的权重决定。
根据weightc-u(ci，ui)＝Rc-u(ci，ui)计算所述用户与物品的权重值，其中，Rc-u(ci，ui)为用户与物品的综合关注系数。
例如，图3为用户与用户的交互信息的统计数据，图4为用户与物品的交互信息的统计数据，根据图3和图4的统计数据分别计算出用户与用户的权重值和用户与物品的权重值，即用户与用户的边权和用户与物品的边权。
步骤S103：以物品和用户分别为节点，以所述用户与用户的权重值和所述用户与物品的权重值分别为边构建关系拓扑图。
具体的，以物品和用户分别为节点，若两个用户之间存在交互信息，将两个用户的边权作为两个用户之间的连线的长度，若两个用户之间不存在交互信息，则不连线。若用户与物品之间存在交互信息，将对应的用户与物品的边权作为该用户与物品之间连线的长度，若用户与物品之间不存在交互信息，则不连线。根据统计数据构建的关系拓扑图的结构如图5所示，其中，用户与用户之间的连线和用户与物品之间的连线用不同的线型表示，以提高标签预测的准确性。
步骤S104：获取训练标签。
其中，训练标签为物品标签。
步骤S105：根据所述训练标签和所述关系拓扑图对分类模型进行训练，以根据训练后的分类模型对物品的标签进行预测。
具体的，将训练标签和关系拓扑图输入分类模型，优化分类模型的参数，得到优化后的模型，根据优化后的模型预测物品的标签。
在一种可能的实现方式中，分类模型为图卷积网络模型，将邻接矩阵和训练标签输入图卷积网络模型以得到物品的预测标签。
具体的，如图6所示，根据用户与用户的交互信息、用户与物品的交互信息，将有交互行为的用户与用户及用户与物品连线，并将物品按照标签分类，构建出用户物品结构图。根据拓扑图和用户物品结构图计算出对应的邻接矩阵，其中，邻接矩阵中的元素包括用户与用户的权重值、用户与物品的权重值以及物品的特征，例如，邻接矩阵的第i行、第j列的元素为第i个用户与第j个物品的权重值。其中，物品包括已有标签的物品和待标注标签的物品，已有标签的物品的标签即为训练标签。物品的特征为物品的静态特征，例如，若物品为汽车，物品的特征为汽车的尺寸、颜色、性能等特征。
将邻接矩阵和训练标签输入图卷积网络模型，输出每个物品对应的预测标签，根据输入的已有标签的物品对应的训练标签与输出的该物品对应的预测标签计算出损失值，根据损失值优化图卷积网络模型的参数，直到损失值在预设范围内，待标注标签的物品输出的预测标签即为最终的预测标签。
上述实施例中，通过获取用户与用户的交互信息以及用户与物品的交互信息，计算出用户与用户的权重值和用户与物品的权重值，以物品和用户分别为节点，以用户与用户的权重值和用户与物品的权重值分别为边构建关系拓扑图，从而综合考虑了用户与物品的交互信息，提高物品标签预测的准确度，避免陷入经验误区；同时根据训练标签和关系拓扑图对分类模型进行训练，以根据训练后的分类模型对物品的标签进行预测，提高标签预测的效率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的物品标签预测方法，图7示出了本申请实施例提供的物品标签预测装置的示意图，为了便于说明，仅示出了与本申请实施例相关的部分。
如图7所示，物品标签预测装置包括：
第一获取模块10，用于获取日志信息，所述日志信息包括用户与用户的交互信息以及用户与物品的交互信息；
计算模块20，用于根据所述用户与用户的交互信息和所述用户与物品的交互信息计算出用户与用户的权重值和用户与物品的权重值；
图构建模块30，用于以物品和用户分别为节点，以所述用户与用户的权重值和所述用户与物品的权重值分别为边构建关系拓扑图；
第二获取模块40，用于获取训练标签；
预测模块50，用于根据所述训练标签和所述关系拓扑图对分类模型进行训练，以根据训练后的分类模型对物品的标签进行预测。
在一种可能的实现方式中，所述计算模块20具体用于：
根据所述用户与用户的交互信息和所述用户与物品的交互信息计算用户与用户的综合关注系数和用户与物品的综合关注系数；
根据所述用户与用户的综合关注系数和所述用户与物品的综合关注系数计算出所述用户与用户的权重值和所述用户与物品的权重值。
在一种可能的实现方式中，所述计算模块20具体用于
根据
Figure BDA0002205504280000101
计算所述用户与用户的综合关注系数，其中，ui，uj分别为两个用户，Ru-u(ui，uj)为用户与用户的综合关注系数，
Figure BDA0002205504280000102
为用户与用户各交互行为的统计量的归一化分数，
Figure BDA0002205504280000103
为归一化权值；
根据
Figure BDA0002205504280000104
计算所述用户与物品的综合关注系数，其中，ci，ui分别为物品和用户，Rc-u(ci，ui)为用户与物品的综合关注系数，
Figure BDA0002205504280000105
为用户与物品各交互行为的统计量的归一化分数，
Figure BDA0002205504280000106
为归一化权值。
在一种可能的实现方式中，所述计算模块20具体用于：
根据
weightu-u(ui，uj)＝λ·Ru-u(ui，uj)+(1-λ)·sim(ui，uj)
计算所述用户与用户的权重值，其中，
Figure BDA0002205504280000111
“·”为相乘关系，weightu-u(ui，uj)为所述用户与用户的权重值，ui，uj分别为两个用户，ci为物品，Ru-u(ui，uj)为用户与用户的综合关注系数，Rc-u(ci，ui)、Rc-u(ci，uj)分别为两个用户与物品的综合关注系数，
Figure BDA0002205504280000112
为ui用户与所有物品的综合关注系数的均值，
Figure BDA0002205504280000113
为uj用户与所有物品的综合关注系数的均值，λ为调节系数；
根据weightc-u(ci，ui)＝Rc-u(ci，ui)计算所述用户与物品的权重值，其中，Rc-u(ci，ui)为用户与物品的综合关注系数。
在一种可能的实现方式中，所述第一获取模块10具体用于：设定滑动窗口截取预设时间内的日志并进行过滤。
在一种可能的实现方式中，所述分类模型为图卷积网络模型。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图8是本申请实施例三提供的终端设备的示意图。所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。如图8所示，该实施例的终端设备包括：处理器11、存储器12以及存储在所述存储器12中并可在所述处理器11上运行的计算机程序13。所述处理器11执行所述计算机程序13时实现上述物品标签预测方法实施例中的步骤，例如图1所示的步骤S101至S105。或者，所述处理器11执行所述计算机程序13时实现上述各装置实施例中各模块/单元的功能，例如图7所示模块10至50的功能。
示例性的，所述计算机程序13可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器11执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序13在所述终端设备中的执行过程。
所述处理器11可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器12可以是所述终端设备的内部存储单元，例如终端设备的硬盘或内存。所述存储器12也可以是所述终端设备的外部存储设备，例如所述终端设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器12还可以既包括所述终端设备的内部存储单元也包括外部存储设备。所述存储器12用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器12还可以用于暂时地存储已经输出或者将要输出的数据。
本领域技术人员可以理解，图8仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (7)

1.一种物品标签预测方法，其特征在于，包括：
获取日志信息，所述日志信息包括用户与用户的交互信息以及用户与物品的交互信息；
根据所述用户与用户的交互信息和所述用户与物品的交互信息计算出用户与用户的权重值和用户与物品的权重值；所述根据所述用户与用户的交互信息和所述用户与物品的交互信息计算出用户与用户的权重值和用户与物品的权重值，具体包括：根据所述用户与用户的交互信息和所述用户与物品的交互信息计算用户与用户的综合关注系数和用户与物品的综合关注系数；根据所述用户与用户的综合关注系数和所述用户与物品的综合关注系数计算出所述用户与用户的权重值和所述用户与物品的权重值；所述根据所述用户与用户的综合关注系数和所述用户与物品的综合关注系数计算出所述用户与用户的权重值和所述用户与物品的权重值，具体包括：
根据
weightu-u(ui，uj)＝λ·Ru-u(ui，uj)+(1-λ)·sim(ui，uj)
计算所述用户与用户的权重值，其中，
Figure FDA0003526168540000011
“·”为相乘关系，weightu-u(ui，uj)为所述用户与用户的权重值，ui，uj分别为存在交互信息任意两个用户，ci为与ui用户存在交互信息的任一物品，
Figure FDA0003526168540000014
为对与ui用户存在交互信息的C个物品进行求和运算，Ru-u(ui，uj)为用户与用户的综合关注系数，Rc-u(ci，ui)、Rc-u(ci，uj)分别为两个用户与物品的综合关注系数，
Figure FDA0003526168540000012
为ui用户与所有物品的综合关注系数的均值，
Figure FDA0003526168540000013
为uj用户与所有物品的综合关注系数的均值，λ为调节系数；
根据weightc-u(ci，ui)＝Rc-u(ci，ui)计算所述用户与物品的权重值，其中，Rc-u(ci，ui)为用户与物品的综合关注系数；
以物品和用户分别为节点，以所述用户与用户的权重值和所述用户与物品的权重值分别为边构建关系拓扑图；
获取训练标签；
根据所述训练标签和所述关系拓扑图对分类模型进行训练，以根据训练后的分类模型对物品的标签进行预测。
2.如权利要求1所述的物品标签预测方法，其特征在于，所述根据所述用户与用户的交互信息和所述用户与物品的交互信息计算用户与用户的综合关注系数和用户与物品的综合关注系数，具体包括：
根据
Figure FDA0003526168540000021
计算所述用户与用户的综合关注系数，其中，ui，uj分别为存在交互信息的任意两个用户，k1为ui，uj两个用户的所有交互行为的总和，Ru-u(ui，uj)为用户与用户的综合关注系数，
Figure FDA0003526168540000022
为用户与用户各交互行为的统计量的归一化分数，
Figure FDA0003526168540000023
为归一化权值；
根据
Figure FDA0003526168540000024
计算所述用户与物品的综合关注系数，其中，ci，ui分别为物品和用户，k2为用户ui与物品ci的所有交互行为的总和，Rc-u(ci，ui)为用户与物品的综合关注系数，
Figure FDA0003526168540000025
为用户与物品各交互行为的统计量的归一化分数，
Figure FDA0003526168540000026
为归一化权值。
3.如权利要求1所述的物品标签预测方法，其特征在于，所述获取日志信息，具体包括：
设定滑动窗口截取预设时间内的日志并进行过滤。
4.如权利要求1所述的物品标签预测方法，其特征在于，所述分类模型为图卷积网络模型。
5.一种物品标签预测装置，其特征在于，包括：
第一获取模块，用于获取日志信息，所述日志信息包括用户与用户的交互信息以及用户与物品的交互信息；
计算模块，用于根据所述用户与用户的交互信息和所述用户与物品的交互信息计算出用户与用户的权重值和用户与物品的权重值；所述计算模块具体用于：根据所述用户与用户的交互信息和所述用户与物品的交互信息计算用户与用户的综合关注系数和用户与物品的综合关注系数；根据所述用户与用户的综合关注系数和所述用户与物品的综合关注系数计算出所述用户与用户的权重值和所述用户与物品的权重值；所述根据所述用户与用户的综合关注系数和所述用户与物品的综合关注系数计算出所述用户与用户的权重值和所述用户与物品的权重值，具体包括：
根据
weightu-u(ui，uj)＝λ·Ru-u(ui，uj)+(1-λ)·sim(ui，uj)
计算所述用户与用户的权重值，其中，
Figure FDA0003526168540000031
“·”为相乘关系，weightu-u(ui，uj)为所述用户与用户的权重值，ui，uj分别为存在交互信息任意两个用户，ci为与ui用户存在交互信息的任一物品，
Figure FDA0003526168540000032
为对与ui用户存在交互信息的C个物品进行求和运算，Ru-u(ui，uj)为用户与用户的综合关注系数，Rc-u(ci，ui)、Rc-u(ci，uj)分别为两个用户与物品的综合关注系数，
Figure FDA0003526168540000033
为ui用户与所有物品的综合关注系数的均值，
Figure FDA0003526168540000034
为uj用户与所有物品的综合关注系数的均值，λ为调节系数；
根据weightc-u(ci，ui)＝Rc-u(ci，ui)计算所述用户与物品的权重值，其中，Rc-u(ci，ui)为用户与物品的综合关注系数；
图构建模块，用于以物品和用户分别为节点，以所述用户与用户的权重值和所述用户与物品的权重值分别为边构建关系拓扑图；
第二获取模块，用于获取训练标签；
预测模块，用于根据所述训练标签和所述关系拓扑图对分类模型进行训练，以根据训练后的分类模型对物品的标签进行预测。
6.一种终端设备，包括存储器、处理器以及存储在所述存储器中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计算机程序时实现如权利要求1至4任一项所述方法的步骤。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。
CN201910879660.4A 2019-09-18 2019-09-18 一种物品标签预测方法、装置、终端设备及存储介质 Active CN110750598B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910879660.4A CN110750598B (zh) 2019-09-18 2019-09-18 一种物品标签预测方法、装置、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910879660.4A CN110750598B (zh) 2019-09-18 2019-09-18 一种物品标签预测方法、装置、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN110750598A CN110750598A (zh) 2020-02-04
CN110750598B true CN110750598B (zh) 2022-07-01

Family

ID=69276608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910879660.4A Active CN110750598B (zh) 2019-09-18 2019-09-18 一种物品标签预测方法、装置、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN110750598B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112732981A (zh) * 2021-01-08 2021-04-30 深圳力维智联技术有限公司 数据的处理方法、装置、系统及计算机可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955535A (zh) * 2014-05-14 2014-07-30 南京大学镇江高新技术研究院 一种基于元路径的个性化推荐方法及系统
CN108256958A (zh) * 2017-12-22 2018-07-06 华南师范大学 一种基于WUDiff和RMF的混合协同推荐算法
CN108805642A (zh) * 2017-05-02 2018-11-13 合信息技术（北京）有限公司 推荐方法及装置
CN109034960A (zh) * 2018-07-12 2018-12-18 电子科技大学 一种基于用户节点嵌入的多属性推断的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170177739A1 (en) * 2015-12-22 2017-06-22 Intel Corporation Prediction using a data structure

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955535A (zh) * 2014-05-14 2014-07-30 南京大学镇江高新技术研究院 一种基于元路径的个性化推荐方法及系统
CN108805642A (zh) * 2017-05-02 2018-11-13 合信息技术（北京）有限公司 推荐方法及装置
CN108256958A (zh) * 2017-12-22 2018-07-06 华南师范大学 一种基于WUDiff和RMF的混合协同推荐算法
CN109034960A (zh) * 2018-07-12 2018-12-18 电子科技大学 一种基于用户节点嵌入的多属性推断的方法

Also Published As

Publication number Publication date
CN110750598A (zh) 2020-02-04

Similar Documents

Publication Publication Date Title
CN112529663B (zh) 商品推荐方法、装置、终端设备及存储介质
WO2017159402A1 (ja) 共クラスタリングシステム、方法およびプログラム
CN113177700B (zh) 一种风险评估方法、系统、电子设备及存储介质
CN111275205A (zh) 虚拟样本的生成方法、终端设备及存储介质
CN110738070A (zh) 基于视频的行为识别方法、行为识别装置及终端设备
CN111582932A (zh) 场景间信息推送方法、装置、计算机设备及存储介质
CN112990583A (zh) 一种数据预测模型的入模特征确定方法及设备
CN113743721A (zh) 营销策略生成方法、装置、计算机设备及存储介质
CN110750598B (zh) 一种物品标签预测方法、装置、终端设备及存储介质
CN107451157B (zh) 异常数据识别方法、装置及系统、搜索方法及装置
CN111143678A (zh) 推荐系统和推荐方法
CN107885754A (zh) 基于lda模型从交易数据中提取信用变量的方法和装置
CN112766995B (zh) 物品推荐方法、装置、终端设备及存储介质
CN113553501A (zh) 一种基于人工智能的用户画像预测的方法及装置
CN115049446A (zh) 商户识别方法、装置、电子设备及计算机可读介质
CN112989182A (zh) 信息处理方法、装置、信息处理设备及存储介质
Agrawal et al. Aggregating web offers to determine product prices
CN115688742B (zh) 基于人工智能的用户数据分析方法及ai系统
CN116151930A (zh) 商品个性化推荐方法、系统、电子设备及可读存储介质
CN116029794A (zh) 商品价格确定方法、装置、电子设备及存储介质
CN113077292B (zh) 一种用户分类方法、装置、存储介质及电子设备
CN109872183A (zh) 智能服务评价方法、计算机可读存储介质和终端设备
CN114882273A (zh) 应用于狭小空间的视觉识别方法、装置、设备和存储介质
Asilkalkan et al. Matrix‐variate time series modelling with hidden Markov models
CN114565460A (zh) 一种基于延迟转化预测模型的信息推送方法及相关设备

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240312

Address after: Room 204, 2nd Floor, South Building, IoT Exhibition Center, Qilu Internet of Things Innovation Park, No. 16688 Jingshi East Road, Shengjing Street, Zhangqiu District, Jinan City, Shandong Province, 250200

Patentee after: Chuangspace (Shandong) Incubator Co.,Ltd.

Country or region after: Zhong Guo

Address before: 8 / F, building B, Tongfang information port, No. 11, Langshan Road, Nanshan District, Shenzhen, Guangdong 518000

Patentee before: RISEYE INTELLIGENT TECHNOLOGY (SHENZHEN) Co.,Ltd.

Country or region before: Zhong Guo

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240321

Address after: Room 505, 5th Floor, Building B, Science and Technology Innovation Building, No. 366 Huaguang Road, Fangzhen Town, Zhangdian District, Zibo City, Shandong Province, 255000

Patentee after: Shandong Luzhong Zhihua Information Technology Co.,Ltd.

Country or region after: Zhong Guo

Address before: Room 204, 2nd Floor, South Building, IoT Exhibition Center, Qilu Internet of Things Innovation Park, No. 16688 Jingshi East Road, Shengjing Street, Zhangqiu District, Jinan City, Shandong Province, 250200

Patentee before: Chuangspace (Shandong) Incubator Co.,Ltd.

Country or region before: Zhong Guo

TR01 Transfer of patent right