CN110880141A - 一种深度双塔模型智能匹配算法及装置 - Google Patents

一种深度双塔模型智能匹配算法及装置 Download PDF

Info

Publication number
CN110880141A
CN110880141A CN201911224581.6A CN201911224581A CN110880141A CN 110880141 A CN110880141 A CN 110880141A CN 201911224581 A CN201911224581 A CN 201911224581A CN 110880141 A CN110880141 A CN 110880141A
Authority
CN
China
Prior art keywords
layer
result
model
sub
learning
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
CN201911224581.6A
Other languages
English (en)
Inventor
沈海先
林砺
朱丙坤
何雪海
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.)
China Pacific Insurance Group Co Ltd CPIC
Original Assignee
China Pacific Insurance Group Co Ltd CPIC
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 China Pacific Insurance Group Co Ltd CPIC filed Critical China Pacific Insurance Group Co Ltd CPIC
Priority to CN201911224581.6A priority Critical patent/CN110880141A/zh
Publication of CN110880141A publication Critical patent/CN110880141A/zh
Pending legal-status Critical Current

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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/08—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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Technology Law (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种深度双塔模型智能匹配算法，所述深度双塔模型至少包括第一子模型以及第二子模型,包括如下步骤：a.通过第一子模型对至少第一用户行为数据以及第一产品数据进行学习处理，并获得学习结果pCTR；b.在执行步骤a的同时或之前或之后通过第二子模型对至少第二用户行为数据以及第二产品数据进行学习处理，并获得学习结果pCVR；c.通过如下公式进行计算获得匹配结果指数：pCTCVR＝pCTR*pCVR。本发明通过对用户的行为数据以及产品数据进行处理，进而确定在双塔模型下的两个学习结果，并基于所述学习结果确定用户对于保险产品的偏好度，从而精准的指引用户进行产品选择，本发明操作简单、使用方便，具有极高的商业价值。

Description

一种深度双塔模型智能匹配算法及装置
技术领域
本发明属于产品风险预测领域，特别涉及一种深度双塔模型智能匹配算法及装置。
背景技术
现如今，大部分传统的实体行业均已向互联网领域进军，而作为传统的电商平台商品，在互联网模式的大环境下得以快速发展，而作为理财产品、保险产品这些比较偏正式、大型的产品类型，往往在互联网领域不太好发展，其原因至少包括无法向用户在线下销售一样的进行精准的营销。
具体地，虽然如此，但互联网+保险仍然成为保险行业当下互联网化的热点，而保险产品、理财产品则希望借助于互联网模式助力保险营销，达成类似电商模型，即保险作为一款产品在App上销售。
然而，在这样的销售模式中，如何给不同的用户匹配推荐符合保险产品，至关重要，即如何能够根据不同的用户以及不同的用户所购买的产品、用户的喜好、用户的偏好、用户的行为等等来实现其他产品的精准推荐成为了目前亟待解决的技术问题。
目前在现有的技术中，并没有一种能够解决上述技术问题的技术方案，具体地，缺少一种深度双塔模型智能匹配算法及装置。
发明内容
针对现有技术存在的技术缺陷，本发明的目的是提供一种深度双塔模型智能匹配算法及装置，根据本发明的一个方面，提供了一种深度双塔模型智能匹配算法，所述深度双塔模型至少包括第一子模型以及第二子模型,包括如下步骤：
a.通过第一子模型对至少第一用户行为数据以及第一产品数据进行学习处理，并获得学习结果pCTR；
b.在执行步骤a的同时或之前或之后通过第二子模型对至少第二用户行为数据以及第二产品数据进行学习处理，并获得学习结果pCVR；
c.通过如下公式进行计算获得匹配结果指数：
pCTCVR＝pCTR*pCVR。
优选地，所述第一用户行为数据与所述第二用户行为数据相同。
优选地，所述第一产品数据与所述第二产品数据相同。
优选地，所述第一子模型和/或所述第二子模型包括如下结构：特质连接embedding层、attention层以及3层全连接网络层。
优选地，所述步骤a包括如下步骤：
a1.将所述第一用户行为数据输入到一个256*64*12的3层子网络，获得一个12维embedding向量；
a2.将所述12维embedding向量与第一产品特征拼接起来得到embedding层；
a3.将所述embedding层结果输入到attention层网络以确定第一输出结果；
a4.将所述第一输出结果输入3层全连接网络进行计算，从而获得所述学习结果pCTR。
优选地，所述步骤b包括如下步骤：
b1.将所述第二用户行为数据输入到一个256*64*12的3层子网络，获得一个12维embedding向量；
b2.将所述12维embedding向量与第二产品特征拼接起来得到embedding层；
b3.将所述embedding层结果输入到attention层网络以确定第二输出结果；
b4.将所述第二输出结果输入3层全连接网络进行计算，从而获得所述学习结果pCVR。
根据本发明的另一个方面，提供了一种深度双塔模型智能匹配装置，包括：
第一处理装置:通过第一子模型对至少第一用户行为数据以及第一产品数据进行学习处理，并获得学习结果pCTR；
第二处理装置:在执行步骤a的同时或之前或之后通过第二子模型对至少第二用户行为数据以及第二产品数据进行学习处理，并获得学习结果pCVR；
第一计算装置:通过如下公式进行计算获得匹配结果指数：
pCTCVR＝pCTR*pCVR。
优选地，所述第一处理装置包括：
第一获取装置:将所述第一用户行为数据输入到一个256*64*12的3层子网络，获得一个12维embedding向量；
第三处理装置:将所述12维embedding向量与第一产品特征拼接起来得到embedding层；
第一确定装置:将所述embedding层结果输入到attention层网络以确定第一输出结果；
第二计算装置:将所述第一输出结果输入3层全连接网络进行计算，从而获得所述学习结果pCTR。
优选地，所述第二处理装置包括：
第二获取装置:将所述第二用户行为数据输入到一个256*64*12的3层子网络，获得一个12维embedding向量；
第四处理装置:将所述12维embedding向量与第二产品特征拼接起来得到embedding层；
第二确定装置:将所述embedding层结果输入到attention层网络以确定第二输出结果；
第三计算装置:将所述第二输出结果输入3层全连接网络进行计算，从而获得所述学习结果pCVR。
本发明公开了一种深度双塔模型智能匹配算法，所述深度双塔模型至少包括第一子模型以及第二子模型,通过第一子模型对至少第一用户行为数据以及第一产品数据进行学习处理，并获得学习结果pCTR；在执行步骤a的同时或之前或之后通过第二子模型对至少第二用户行为数据以及第二产品数据进行学习处理，并获得学习结果pCVR；通过如下公式进行计算获得匹配结果指数：pCTCVR＝pCTR*pCVR。本发明通过对用户的行为数据以及产品数据进行处理，进而确定在双塔模型下的两个学习结果，并基于所述学习结果确定用户对于保险产品的偏好度，从而精准的指引用户进行产品选择，本发明操作简单、使用方便，具有极高的商业价值。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1示出了本发明的具体实施方式的，一种深度双塔模型智能匹配算法的具体流程示意图；
图2示出了本发明的第一实施例的，通过第一子模型对至少第一用户行为数据以及第一产品数据进行学习处理，并获得学习结果pCTR的具体流程示意图；
图3示出了本发明的第二实施例的，通过第二子模型对至少第二用户行为数据以及第二产品数据进行学习处理，并获得学习结果pCVR的具体流程示意图；以及
图4示出了本发明的具体实施方式的，一种深度双塔模型智能匹配装置的模块连接示意图。
具体实施方式
为了更好的使本发明的技术方案清晰的表示出来，下面结合附图对本发明作进一步说明。
本领域技术人员理解，针对现有技术的不足，本发明公开了一种一种深度双塔模型智能匹配算法以及其对应地控制装置，本发明通过构建深度学习模型-“深度双塔模型”来预估用户的pCTR和pCVR，进而提高保险购买率。进一步地，在本发明中，“深度双塔模型”是一个多任务深度学习模型，由2个子任务同步训练构成，其中一个模型训练目标是pCTR，另一模型训练模型是pCVR，最后对某个保险产品的偏好分是两个概率的乘积。接下来，本发明将通过图1至图3中所示出的具体实施例来对本发明的技术方案作进一步具体的描述，图1示出了本发明的具体实施方式的，一种深度双塔模型智能匹配算法的具体流程示意图，具体地，本发明提供了一种深度双塔模型智能匹配算法，所述深度双塔模型至少包括第一子模型以及第二子模型,包括如下步骤：
首先，进入步骤S101，通过第一子模型对至少第一用户行为数据以及第一产品数据进行学习处理，并获得学习结果pCTR，本领域技术人员理解，所述第一子模型与后述步骤中的第二子模型共同组成所述双塔模型，进一步地，所述第一子模型与所述第二子模型共用同一个训练数据，共享中间特征表达，并且两个网络结构完全相同，所述第一用户行为数据是指用户在终端上进行浏览、点击、查看的内容、连接、顺序、时间等等所作出的各种行为的数据，进一步地，所述第一产品数据可以为用户在一个时间段内所购买或查看或预定的产品，在本发明中，优选地为保险产品，进一步地，通过所述第一子模型可以对第一用户行为数据以及第一产品数据进行学习处理，并经过一定的计算，确定学习结果pCTR，所述学习结果pCTR优选地为用户对于产品的偏好的概率。
然后，进入步骤S102，本领域技术人员理解，所述步骤S101以及所述步骤S102可以为同时进行，也可以在执行完步骤S101之后再执行步骤S102，还可以先执行步骤S102，再执行步骤S101，即步骤S101以及步骤S102可以在顺序上进行并列、互换，这都不影响本发明的具体实施方案，进一步地，所述步骤S102通过第二子模型对至少第二用户行为数据以及第二产品数据进行学习处理，并获得学习结果pCVR。
进一步地，与所述第一用户行为类似，所述第二用户行为数据是指用户在终端上进行浏览、点击、查看的内容、连接、顺序、时间等等所作出的各种行为的数据，进一步地，与所述第一产品数据类似，所述第二产品数据可以为用户在一个时间段内所购买或查看或预定的产品，在本发明中，优选地为保险产品，进一步地，通过所述第二子模型可以对第二用户行为数据以及第二产品数据进行学习处理，并经过一定的计算，确定学习结果pCVR，所述学习结果pCVR优选地为用户对于产品的偏好的概率。
最后，执行步骤S103，通过如下公式进行计算获得匹配结果指数：pCTCVR＝pCTR*pCVR，在这样的实施例中，模型预估目标pCTCVR为pCTR与pCVR的乘积，而在其他的实施例中，还可以为其他公式，例如按照权重比进行相乘，还可以为pCTR2*pCVR2，这些都不影响本发明的具体实施方案。
在一个优选实施例中，结合本发明的具体实施方式，所述第一用户行为数据与所述第二用户行为数据不同，所述第一产品数据与所述第二产品数据不同。
在另一个优选地实施例中，结合本发明的具体实施方式，所述第一用户行为数据与所述第二用户行为数据不同，所述第一产品数据与所述第二产品数据相同。
在另一个优选地实施例中，结合本发明的具体实施方式，所述第一用户行为数据与所述第二用户行为数据相同，所述第一产品数据与所述第二产品数据不同。
而作为本发明的一个优选实施例，结合本发明的具体实施方式，所述第一用户行为数据与所述第二用户行为数据相同，所述第一产品数据与所述第二产品数据相同，在这样的实施例中，实际上本发明中的双塔模型对同一个数据在不同的模型中进行了训练学习，从而获得了对于同一个用户数据的两个不同的模型预估，并根据步骤S103中的公式确定匹配结果指数。
优选地，所述第一子模型和/或所述第二子模型包括如下结构：特质连接embedding层、attention层以及3层全连接网络层，作为本发明的一个实施例，所述第一子模型和所述第二子模型的结构不同，而作为本发明的一个优选地实施例，所述第一子模型和所述第二子模型的结构相同，即模型最终的目的是预估pCTCVR，双塔模型里含有2个子模型，一个是CTR预估子网络、一个是CVR预估的子网络，最终pCTCVR)＝pCTR*pCTR相乘，对于模型预估目标pCTCVR和子网络pCVR有什么不同：主要原因是子网络pCVR预估模型训练数据空间是有点击数据集合下(即集合B，非全样本空间)，以转化成交为目标的预估模型；即集合B(点击集合)为训练样本，集合C为目标集合(成交的集合)。pCTCVR预估模型数据空间是全部曝光数据集合下(全空间，即集合A)，以成交转化为目标的模型预估；即集合A(曝光的全空间集合)为训练样本集合，集合C为目标集合(成交转化样本)。模型预估目标pCTCVR是全空间(A集合)，子网络pCVR是点击集合下部分空间(B集合)做模型预估。
图2示出了本发明的第一实施例的，通过第一子模型对至少第一用户行为数据以及第一产品数据进行学习处理，并获得学习结果pCTR的具体流程示意图，具体地，所述步骤S101包括如下步骤：
首先，进入步骤S1011，将所述第一用户行为数据输入到一个256*64*12的3层子网络，获得一个12维embedding向量，然后，在步骤S1012中，将所述12维embedding向量与第一产品特征拼接起来得到embedding层，在一个优选地实施例中，以concat形式进行拼接，横向拼接起来；比如产品特征是f＝[23,4,5,7]一组数字，embedding是一个向量如e＝[0.21,0.11,0.66],拼接就是横向连接起来concat(f，e)＝[23,4,5,7,0.21,0.11,0.66]。
紧接着，进入步骤S1013，将所述embedding层结果输入到attention层网络以确定第一输出结果，最后，进入步骤S1014，将所述第一输出结果输入3层全连接网络进行计算，从而获得所述学习结果pCTR，在这样的实施例中，本发明是神经网络自动计算的，就是数据输入attention层网络后经过attention层输出结果，作为下层神经网络层(全连接层输入)，而这些属于目前的现有技术，并不影响本发明的整体技术方案，在此不予赘述。
图3示出了本发明的第二实施例的，通过第二子模型对至少第二用户行为数据以及第二产品数据进行学习处理，并获得学习结果pCVR的具体流程示意图，与步骤S101类似，图3主要用于对步骤S102进行详细描述，具体地，首先进入所述步骤S1021，将所述第二用户行为数据输入到一个256*64*12的3层子网络，获得一个12维embedding向量；然后，进入步骤S1022，将所述12维embedding向量与第二产品特征拼接起来得到embedding层；在执行完步骤S1022后，执行步骤S1023，将所述embedding层结果输入到attention层网络以确定第二输出结果；最后，进入步骤S1024，将所述第二输出结果输入3层全连接网络进行计算，从而获得所述学习结果pCVR。
本领域技术人员理解，所述步骤S1021至步骤S1024可以参考前述图2中的步骤S1011至步骤S1014，不同的是，作为双塔模型中的两个子模型，将相同的用户行为数据以及相同的产品代入到不同的子模型中进行计算，并分别得出所述学习结果pCTR以及所述学习结果pCVR。
图4示出了本发明的具体实施方式的，一种深度双塔模型智能匹配装置的模块连接示意图，根据本发明的另一个方面，提供了一种深度双塔模型智能匹配装置，包括第一处理装置:通过第一子模型对至少第一用户行为数据以及第一产品数据进行学习处理，并获得学习结果pCTR，所述第一处理装置的具体工作原理可以参考前述步骤S101，在此不予赘述。
进一步地，所述深度双塔模型智能匹配装置还包括第二处理装置:在执行步骤a的同时或之前或之后通过第二子模型对至少第二用户行为数据以及第二产品数据进行学习处理，并获得学习结果pCVR，所述第二处理装置的具体工作原理可以参考前述步骤S102，在此不予赘述。
进一步地，所述深度双塔模型智能匹配装置还包括第一计算装置:通过如下公式进行计算获得匹配结果指数，pCTCVR＝pCTR*pCVR。所述第一计算装置的具体工作原理可以参考前述步骤S103，在此不予赘述。
进一步地，所述第一处理装置包括第一获取装置:将所述第一用户行为数据输入到一个256*64*12的3层子网络，获得一个12维embedding向量，所述第一获取装置的具体工作原理可以参考前述步骤S1011，在此不予赘述。
进一步地，所述第一处理装置还包括第三处理装置:将所述12维embedding向量与第一产品特征拼接起来得到embedding层，所述第三处理装置的具体工作原理可以参考前述步骤S1012，在此不予赘述。
进一步地，所述第一处理装置还包括第一确定装置:将所述embedding层结果输入到attention层网络以确定第一输出结果，所述第一确定装置的具体工作原理可以参考前述步骤S1013，在此不予赘述。
进一步地，所述第一处理装置还包括第二计算装置:将所述第一输出结果输入3层全连接网络进行计算，从而获得所述学习结果pCTR，所述第二计算装置的具体工作原理可以参考前述步骤S1014，在此不予赘述。
进一步地，所述第二处理装置包括第二获取装置:将所述第二用户行为数据输入到一个256*64*12的3层子网络，获得一个12维embedding向量，所述第二获取装置的具体工作原理可以参考前述步骤S1021，在此不予赘述。
进一步地，所述第二处理装置还包括第四处理装置:将所述12维embedding向量与第二产品特征拼接起来得到embedding层，所述第四处理装置的具体工作原理可以参考前述步骤S1022，在此不予赘述。
进一步地，所述第二处理装置还包括第二确定装置:将所述embedding层结果输入到attention层网络以确定第二输出结果，所述第二确定装置的具体工作原理可以参考前述步骤S1023，在此不予赘述。
进一步地，所述第二处理装置还包括第三计算装置:将所述第二输出结果输入3层全连接网络进行计算，从而获得所述学习结果pCVR，所述第三计算装置的具体工作原理可以参考前述步骤S1024，在此不予赘述。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (9)

1.一种深度双塔模型智能匹配算法，其特征在于，所述深度双塔模型至少包括第一子模型以及第二子模型,包括如下步骤：
a.通过第一子模型对至少第一用户行为数据以及第一产品数据进行学习处理，并获得学习结果pCTR；
b.在执行步骤a的同时或之前或之后通过第二子模型对至少第二用户行为数据以及第二产品数据进行学习处理，并获得学习结果pCVR；
c.通过如下公式进行计算获得匹配结果指数：
pCTCVR＝pCTR*pCVR。
2.根据权利要求1所述的算法，其特征在于，所述第一用户行为数据与所述第二用户行为数据相同。
3.根据权利要求1或2所述的算法，其特征在于，所述第一产品数据与所述第二产品数据相同。
4.根据权利要求1至3中任一项所述的算法，其特征在于，所述第一子模型和/或所述第二子模型包括如下结构：特质连接embedding层、attention层以及3层全连接网络层。
5.根据权利要求4所述的算法，其特征在于，所述步骤a包括如下步骤：
a1.将所述第一用户行为数据输入到一个256*64*12的3层子网络，获得一个12维embedding向量；
a2.将所述12维embedding向量与第一产品特征拼接起来得到embedding层；
a3.将所述embedding层结果输入到attention层网络以确定第一输出结果；
a4.将所述第一输出结果输入3层全连接网络进行计算，从而获得所述学习结果pCTR。
6.根据权利要求4所述的算法，其特征在于，所述步骤b包括如下步骤：
b1.将所述第二用户行为数据输入到一个256*64*12的3层子网络，获得一个12维embedding向量；
b2.将所述12维embedding向量与第二产品特征拼接起来得到embedding层；
b3.将所述embedding层结果输入到attention层网络以确定第二输出结果；
b4.将所述第二输出结果输入3层全连接网络进行计算，从而获得所述学习结果pCVR。
7.一种深度双塔模型智能匹配装置，其特征在于,包括：
第一处理装置(1):通过第一子模型对至少第一用户行为数据以及第一产品数据进行学习处理，并获得学习结果pCTR；
第二处理装置(2):在执行步骤a的同时或之前或之后通过第二子模型对至少第二用户行为数据以及第二产品数据进行学习处理，并获得学习结果pCVR；
第一计算装置(3):通过如下公式进行计算获得匹配结果指数：
pCTCVR＝pCTR*pCVR。
8.根据权利要求7所述的匹配装置，其特征在于，所述第一处理装置(1)包括：
第一获取装置(11):将所述第一用户行为数据输入到一个256*64*12的3层子网络，获得一个12维embedding向量；
第三处理装置(12):将所述12维embedding向量与第一产品特征拼接起来得到embedding层；
第一确定装置(13):将所述embedding层结果输入到attention层网络以确定第一输出结果；
第二计算装置(14):将所述第一输出结果输入3层全连接网络进行计算，从而获得所述学习结果pCTR。
9.根据权利要求7所述的匹配装置，其特征在于，所述第二处理装置(2)包括：
第二获取装置(21):将所述第二用户行为数据输入到一个256*64*12的3层子网络，获得一个12维embedding向量；
第四处理装置(22):将所述12维embedding向量与第二产品特征拼接起来得到embedding层；
第二确定装置(23):将所述embedding层结果输入到attention层网络以确定第二输出结果；
第三计算装置(24):将所述第二输出结果输入3层全连接网络进行计算，从而获得所述学习结果pCVR。
CN201911224581.6A 2019-12-04 2019-12-04 一种深度双塔模型智能匹配算法及装置 Pending CN110880141A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911224581.6A CN110880141A (zh) 2019-12-04 2019-12-04 一种深度双塔模型智能匹配算法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911224581.6A CN110880141A (zh) 2019-12-04 2019-12-04 一种深度双塔模型智能匹配算法及装置

Publications (1)

Publication Number Publication Date
CN110880141A true CN110880141A (zh) 2020-03-13

Family

ID=69730753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911224581.6A Pending CN110880141A (zh) 2019-12-04 2019-12-04 一种深度双塔模型智能匹配算法及装置

Country Status (1)

Country Link
CN (1) CN110880141A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111949890A (zh) * 2020-09-27 2020-11-17 平安科技（深圳）有限公司 基于医学领域的数据推荐方法、设备、服务器及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107977397A (zh) * 2017-09-08 2018-05-01 华瑞新智科技（北京）有限公司 基于深度学习的互联网用户注意力指数计算方法和系统
CN108268934A (zh) * 2018-01-10 2018-07-10 北京市商汤科技开发有限公司 基于深度学习的推荐方法和装置、电子设备、介质、程序
CN109146076A (zh) * 2018-08-13 2019-01-04 东软集团股份有限公司 模型生成方法及装置、数据处理方法及装置
CN109829038A (zh) * 2018-12-11 2019-05-31 平安科技（深圳）有限公司 基于深度学习的问答反馈方法、装置、设备及存储介质
CN110069756A (zh) * 2019-04-22 2019-07-30 北京工业大学 一种考虑用户评价的资源或服务推荐方法
CN110162553A (zh) * 2019-05-21 2019-08-23 南京邮电大学 基于attention-RNN的用户兴趣挖掘方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107977397A (zh) * 2017-09-08 2018-05-01 华瑞新智科技（北京）有限公司 基于深度学习的互联网用户注意力指数计算方法和系统
CN108268934A (zh) * 2018-01-10 2018-07-10 北京市商汤科技开发有限公司 基于深度学习的推荐方法和装置、电子设备、介质、程序
CN109146076A (zh) * 2018-08-13 2019-01-04 东软集团股份有限公司 模型生成方法及装置、数据处理方法及装置
CN109829038A (zh) * 2018-12-11 2019-05-31 平安科技（深圳）有限公司 基于深度学习的问答反馈方法、装置、设备及存储介质
CN110069756A (zh) * 2019-04-22 2019-07-30 北京工业大学 一种考虑用户评价的资源或服务推荐方法
CN110162553A (zh) * 2019-05-21 2019-08-23 南京邮电大学 基于attention-RNN的用户兴趣挖掘方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111949890A (zh) * 2020-09-27 2020-11-17 平安科技（深圳）有限公司 基于医学领域的数据推荐方法、设备、服务器及存储介质
CN111949890B (zh) * 2020-09-27 2021-02-05 平安科技（深圳）有限公司 基于医学领域的数据推荐方法、设备、服务器及存储介质

Similar Documents

Publication Publication Date Title
US20220198289A1 (en) Recommendation model training method, selection probability prediction method, and apparatus
CN111339415B (zh) 一种基于多交互式注意力网络的点击率预测方法与装置
EP3862893A1 (en) Recommendation model training method, recommendation method, device, and computer-readable medium
US11294891B2 (en) Interactive search experience using machine learning
CN110647696B (zh) 一种业务对象的排序方法及装置
US20230153857A1 (en) Recommendation model training method, recommendation method, apparatus, and computer-readable medium
US11687352B2 (en) Machine-learning models applied to interaction data for determining interaction goals and facilitating experience-based modifications to interface elements in online environments
CN110245285B (zh) 一种基于异构信息网络的个性化推荐方法
CN110020877B (zh) 点击率的预测方法、点击率的确定方法及服务器
CN109189921B (zh) 评论评估模型的训练方法和装置
CN111931054B (zh) 一种基于改进残差结构的序列推荐方法和系统
US20170076299A1 (en) Extracting relevant features from electronic marketing data for training analytical models
CN112381607A (zh) 一种网络商品排序方法、装置、设备及介质
CN111695024A (zh) 对象评估值的预测方法及系统、推荐方法及系统
JP2023024950A (ja) 共有されたニューラルアイテム表現をコールドスタート推薦に用いる改良型のレコメンダシステム及び方法
CN112819575A (zh) 一种考虑重复购买行为的会话推荐方法
CN112055038B (zh) 生成点击率预估模型的方法及预测点击概率的方法
US20230409929A1 (en) Methods and apparatuses for training prediction model
CN110880141A (zh) 一种深度双塔模型智能匹配算法及装置
CN113688306A (zh) 一种基于强化学习的推荐策略生成方法及装置
CN111402003B (zh) 实现用户相关推荐的系统和方法
JP7423694B2 (ja) 機械学習方法、訓練方法、予測システム、及び非一時的コンピュータ可読媒体
CN112150206B (zh) 用户感兴趣物品的预测方法及设备
CN109598347A (zh) 用于确定因果关系的方法、系统和计算机程序产品
JP2023017701A (ja) 機械学習方法、訓練方法、予測システム、及び非一時的コンピュータ可読媒体

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200313

WD01 Invention patent application deemed withdrawn after publication