CN111191133B - 业务搜索处理方法、装置及设备 - Google Patents
业务搜索处理方法、装置及设备 Download PDFInfo
- Publication number
- CN111191133B CN111191133B CN201911407074.6A CN201911407074A CN111191133B CN 111191133 B CN111191133 B CN 111191133B CN 201911407074 A CN201911407074 A CN 201911407074A CN 111191133 B CN111191133 B CN 111191133B
- Authority
- CN
- China
- Prior art keywords
- search
- sample
- user
- service
- store
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000006243 chemical reaction Methods 0.000 claims abstract description 110
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000012163 sequencing technique Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 65
- 238000005070 sampling Methods 0.000 claims description 31
- 238000003062 neural network model Methods 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 36
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241001122767 Theaceae Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—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
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9538—Presentation of query results
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种业务搜索处理方法、装置及设备,涉及数据处理技术领域。其中方法包括:首先利用用户的搜索词进行搜索,获取搜索到的业务信息;然后根据所述用户的用户特征、所述业务信息的信息特征、当前场景特征和搜索意图特征,并结合历史相似数据,计算所述业务信息各自对应的转化率,其中,所述转化率用于确定用户在业务信息中获取业务服务的概率;最后按照所述转化率对所述业务信息进行排序,生成与所述搜索词对应的搜索结果。本申请可提高搜索结果展示的精准度,从而能够提高服务效率和精准度。使得用户可及时获取到自身需要的业务服务,提高了业务服务的成功率。本申请适用于业务搜索处理。
Description
技术领域
本申请涉及数据处理技术领域,尤其是涉及到一种业务搜索处理方法、装置及设备。
背景技术
关键词搜索引擎作为业务流量的主要入口,在整体业务处理中占有较高的比重。随着移动互联网技术的不断发展,用户越来越喜欢通过关键词搜索引擎来搜索其感兴趣的内容,对关键词搜索引擎的搜索功能的需求越来越高。
目前,在搜索业务服务时,会根据用户历史的服务获取行为来构造用户的长期兴趣,且利用用户的实时点击行为来构造用户的短期兴趣,进而利用这两种异构兴趣来产生相关的搜索结果。
然而,这种业务搜索方式,参考的数据还是不够全面,无法适用于更加复杂的业务搜索场景,影响搜索结果展示的精准度,进而导致服务效率和精准度都不高,用户无法及时获取到自身需要的业务服务,进而会影响业务服务的成功率。
发明内容
有鉴于此,本申请提供了一种业务搜索处理方法、装置及设备,主要目的在于解决目前现有的业务搜索方式会降低搜索结果展示的精准度,导致服务效率和精准度都不高,用户无法及时获取到自身需要的业务服务,进而会影响业务服务成功率的技术问题。
依据本申请的一个方面,提供了一种业务搜索处理方法,该方法包括:
利用用户的搜索词进行搜索,获取搜索到的业务信息;
根据所述用户的用户特征、所述业务信息的信息特征、当前场景特征和搜索意图特征,并结合历史相似数据,计算所述业务信息各自对应的转化率,其中,所述转化率用于确定用户在业务信息中获取业务服务的概率;
按照所述转化率对所述业务信息进行排序,生成与所述搜索词对应的搜索结果。
可选的,所述转化率是通过WideDeepFM神经网络模型计算得到的,所述方法还包括:
根据样本用户的搜索记录以及搜索后的转化记录,创建训练集;
利用所述训练集,基于WideDeep和FM算法进行训练拼装得到所述WideDeepFM神经网络模型。
可选的,所述根据样本用户的搜索记录以及搜索后的转化记录,创建训练集,具体包括:
根据样本用户的搜索记录,提取样本用户的样本用户特征、搜索到的样本业务信息的样本信息特征、当时的样本场景特征和样本搜索意图特征;
根据搜索后的转化记录,计算搜索到的样本业务信息各自对应的样本转化率;
将所述样本用户特征、所述样本信息特征、所述样本场景特征和所述样本搜索意图特征作为特征数据,以及将所述样本转化率作为与所述特征数据对应的标签数据,并根据所述特征数据和与所述特征数据对应的标签数据,创建训练集。
可选的,所述根据所述特征数据和与所述特征数据对应的标签数据,创建训练集,具体包括:
根据场景和时间的不同,均匀设立采样层次;
利用均匀设立的采样层次,对所述特征数据和与所述特征数据对应的标签数据进行分层采样,使得创建得到的训练集中的正负样本比例均衡。
可选的,所述利用均匀设立的采样层次,对所述特征数据和与所述特征数据对应的标签数据进行分层采样,具体包括:
基于所述特征数据和与所述特征数据对应的标签数据,保留发生转化的正样本的同时,对各个正样本所处场景下未转化的负样本进行随机比例采样。
可选的,所述利用所述训练集,基于WideDeep和FM算法进行训练拼装得到所述WideDeepFM神经网络模型,具体包括:
基于所述训练集选取测试集;
利用所述测试集对训练得到的所述WideDeepFM神经网络模型进行测试,若测试结果不符合要求,则对所述WideDeepFM神经网络模型进行再次训练,直至测试结果符合要求。
可选的,所述当前场景特征至少包括:当前搜索时间、用户当前搜索行为的发生地点、所述发生地点的当前天气、所述发生地点的周边人群中的一个或多个。
可选的,所述搜索意图特征至少包括:所述搜索词相关的标识、搜索类目、近似搜索词中的一个或多个。
可选的,所述用户特征至少包括:所述用户的历史画像特征、历史获取业务信息记录、历史点击行为特征和实时点击行为特征中的一个或多个。
可选的,所述信息特征至少包括:所述业务信息的历史画像特征、所处的业务区域、所在的地理位置、包含的历史业务服务的获取记录特征中的一个或多个。
可选的,在生成与所述搜索词对应的搜索结果之后,所述方法还包括:
输出生成的所述搜索结果,并对所述转化率排名靠前的预设个数业务信息进行突出展示。
依据本申请的另一方面,提供了一种业务搜索处理装置,该装置包括:
获取模块,用于利用用户的搜索词进行搜索,获取搜索到的业务信息;
计算模块,用于根据所述用户的用户特征、所述业务信息的信息特征、当前场景特征和搜索意图特征,并结合历史相似数据,计算所述业务信息各自对应的转化率,其中,所述转化率用于确定用户在业务信息中获取业务服务的概率;
生成模块,用于按照所述转化率对所述业务信息进行排序,生成与所述搜索词对应的搜索结果。
可选的,所述转化率是通过WideDeepFM神经网络模型计算得到的,所述装置还包括:
创建模块,用于根据样本用户的搜索记录以及搜索后的转化记录,创建训练集;
训练模块,用于利用所述训练集,基于WideDeep和FM算法进行训练拼装得到所述WideDeepFM神经网络模型。
可选的,所述创建模块,具体用于根据样本用户的搜索记录,提取样本用户的样本用户特征、搜索到的样本业务信息的样本信息特征、当时的样本场景特征和样本搜索意图特征;
根据搜索后的转化记录,计算搜索到的样本业务信息各自对应的样本转化率;
将所述样本用户特征、所述样本信息特征、所述样本场景特征和所述样本搜索意图特征作为特征数据,以及将所述样本转化率作为与所述特征数据对应的标签数据,并根据所述特征数据和与所述特征数据对应的标签数据,创建训练集。
可选的,所述创建模块,具体还用于根据场景和时间的不同,均匀设立采样层次;
利用均匀设立的采样层次,对所述特征数据和与所述特征数据对应的标签数据进行分层采样,使得创建得到的训练集中的正负样本比例均衡。
可选的,所述创建模块,具体还用于基于所述特征数据和与所述特征数据对应的标签数据,保留发生转化的正样本的同时,对各个正样本所处场景下未转化的负样本进行随机比例采样。
可选的,所述训练模块,具体用于基于所述训练集选取测试集;
利用所述测试集对训练得到的所述WideDeepFM神经网络模型进行测试,若测试结果不符合要求,则对所述WideDeepFM神经网络模型进行再次训练,直至测试结果符合要求。
可选的,所述当前场景特征至少包括:当前搜索时间、用户当前搜索行为的发生地点、所述发生地点的当前天气、所述发生地点的周边人群中的一个或多个。
可选的,所述搜索意图特征至少包括:所述搜索词相关的标识、搜索类目、近似搜索词中的一个或多个。
可选的,所述用户特征至少包括:所述用户的历史画像特征、历史获取业务信息记录、历史点击行为特征和实时点击行为特征中的一个或多个。
可选的,所述信息特征至少包括:所述业务信息的历史画像特征、所处的业务区域、所在的地理位置、包含的历史业务服务的获取记录特征中的一个或多个。
可选的,所述装置还包括:
输出模块,用于输出生成的所述搜索结果,并对所述转化率排名靠前的预设个数业务信息进行突出展示。
依据本申请又一个方面,提供了一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述业务搜索处理方法。
依据本申请再一个方面,提供了一种业务搜索处理设备,包括存储介质、处理器及存储在存储介质上并可在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上述业务搜索处理方法。
借由上述技术方案,本申请提供的一种业务搜索处理方法、装置及设备,与目前现有的业务搜索方式相比,本申请首先利用用户的搜索词进行搜索,得到搜索到的业务信息,然后根据用户的用户特征、搜索到的这些业务信息的信息特征、当前场景特征和搜索意图特征等多个方面因素,并结合历史相似数据,能够精确计算出这些业务信息各自对应的转化率,即用户在业务信息中获取业务服务的概率。进而可按照计算得到的转化率对这些业务信息进行排序,生成与搜索词对应的搜索结果。参考的因素更加全面,适用于更加复杂的业务搜索场景,能够提高搜索结果展示的精准度,从而能够提高服务效率和精准度。使得用户可及时获取到自身需要的业务服务,提高了业务服务的成功率。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了本申请实施例提供的一种业务搜索处理方法的流程示意图;
图2示出了本申请实施例提供的另一种业务搜索处理方法的流程示意图;
图3示出了本申请实施例提供的一种应用场景的实例示意图;
图4示出了本申请实施例提供的一种业务搜索处理装置的结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
针对目前现有的业务搜索方式会降低搜索结果展示的精准度,导致服务效率和精准度都不高,用户无法及时获取到自身需要的业务服务,进而会影响业务服务成功率的技术问题。本实施例提供了一种业务搜索处理方法,如图1所示,该方法包括:
101、利用用户的搜索词进行搜索,获取搜索到的业务信息。
其中,业务信息可指的是为用户提供业务服务(如新闻服务、通话服务、查询服务、分析服务、计算服务、处理服务等)的信息,这些业务信息可提供相同或者不同的业务服务,这些业务信息之间的信息属性可以存在关联部分或者差异,具体根据业务场景确定。例如,对于业务机构的搜索场景,根据用户输入的搜索词,找到能够提供该搜索词对应业务服务的业务机构;对于业务提供方的搜索场景,根据用户输入的搜索词,找到能够提供该搜索词对应业务服务的业务提供方等。
在本实施例中,用户的搜索词可代表用户对相关业务服务的需求,具体可为与业务服务相关的搜索词,可相当于并非指定业务信息的搜索,即非业务信息搜索意图的搜索行为,具体可搜索能够提供该搜索词相关业务服务的业务信息。
对于本实施例的执行主体可为业务搜索处理的装置或设备,可配置于客户端侧,用于辅助用户进行业务搜索,得到更加精准的搜索结果。或者还可配置于服务端侧,用于根据客户端发送的搜索请求进行相应搜索结果反馈。
102、根据用户的用户特征、搜索到的业务信息的信息特征、当前场景特征和搜索意图特征,并结合历史相似数据,计算这些业务信息各自对应的转化率。
其中,转化率用于确定用户在业务信息中获取业务服务的概率。转化率可以指的是总搜索次数中发生转化的次数除以总搜索次数。发生转化可以指的是用户在业务信息中成功获取了业务服务。
在本实施例中,引入转化率作为判定指标,用于判定用户在业务信息中获取业务服务的概率。并且与传统的转化率计算方式相比,本实施例中除了引入搜索用户侧的用户理解类别特征和业务信息侧的信息理解类别特征以外,还引入了当前场景理解类别特征和搜索意图理解类别特征,进而可实现对于用户的当前实时行为进行精确的行为理解,以及对实时场景条件的理解。后续可结合历史相似大数据,参照相同或相似特征的用户在同等情况(如搜索到相同或相似的业务信息、场景条件相同或相似、搜索意图相同或相似)下,计算该用户对于这些搜索到的业务信息发生转化的概率,即这些业务信息各自对应的转化率。通过这种方式,参考的因素更加全面,适用于更加复杂的业务搜索场景,能够更加精确的计算得到业务信息对应的转化率。
103、按照计算得到的转化率对搜索到的业务信息进行排序,生成与搜索词对应的搜索结果。
对于本实施例,可按照转化率这一指标,对搜索到的业务信息进行排序,方便用户优先选择转化率更高的业务信息,进而帮助用户快速获取自身需要的业务服务。
除了上述实施例中的非指定业务信息搜索意图的场景以外,还可应用于指定业务信息搜索意图、且会一并展示与搜索指定业务信息相关的其他业务信息的场景。例如,优先展示用户指定搜索的业务信息,然后对于其他相关业务信息按照上述实施方式,参照对应的转化率指标进行排序,生成得到相应的搜索结果。
本实施例提供的业务搜索处理方法,与目前现有的业务搜索方式相比,本实施例首先利用用户的搜索词进行搜索,得到搜索到的业务信息,然后根据用户的用户特征、搜索到的这些业务信息的信息特征、当前场景特征和搜索意图特征等多个方面因素,并结合历史相似数据,能够精确计算出这些业务信息各自对应的转化率,即用户在业务信息中获取业务服务的概率。进而可按照计算得到的转化率对这些业务信息进行排序,生成与搜索词对应的搜索结果。参考的因素更加全面,适用于更加复杂的业务搜索场景,能够提高搜索结果展示的精准度,从而能够提高服务效率和精准度。使得用户可及时获取到自身需要的业务服务,提高了业务服务的成功率。
进一步的,作为上述实施例具体实施方式的细化和扩展,为了完整说明本实施例的实施方式,本实施例还提供了另一种业务搜索处理方法,如图2所示,该方法包括:
201、根据样本用户的搜索记录以及搜索后的转化记录,创建训练集。
其中,搜索记录中可包含利用搜索词搜索提供相关业务服务的业务信息的记录,转化记录中可包含用户搜索后发生转化或未发生转化的记录。
在本实施例中,为了参照历史大数据精确计算业务信息对应的转化率,可通过机器学习模型来实现。为了得到该模型需要预先创建数据质量良好、且符合业务搜索场景的训练集。因此可选的,步骤201具体可包括:首先根据样本用户的搜索记录,提取样本用户的样本用户特征、搜索到的样本业务信息的样本信息特征、当时的样本场景特征和样本搜索意图特征;以及根据搜索后的转化记录,计算搜索到的样本业务信息各自对应的样本转化率;将提取到的样本用户特征、样本信息特征、样本场景特征和样本搜索意图特征作为特征数据,以及将计算得到的样本转化率作为与该特征数据对应的标签数据,并根据特征数据和与特征数据对应的标签数据,创建训练集。
样本用户特征可包括:样本用户历史画像、样本用户历史获取业务信息中业务服务的记录、历史点击行为和样本用户实时点击行为等用户侧特征。样本信息特征可包括:搜索到的样本业务信息的历史画像特征、所处的业务区域、所在的地理位置、包含的历史业务服务的获取记录特征等业务信息侧特征。样本场景特征可包括:样本用户当时的搜索时间、样本用户当时搜索行为的发生地点、该发生地点的当时天气、该发生地点的周边人群等场景理解特征。样本搜索意图特征可包括:样本用户的搜索词相关的标识ID、搜索类目、近似搜索词、搜索意图等用户意图理解特征。
通过上述这些样本特征可创建得到数据质量良好、且符合业务搜索场景的训练集,并且引入了场景理解类别特征和搜索意图理解类别特征,参考的因素更加全面。
由于上述采集的样本数据具有不闭环、数据稀疏等问题,因此为了使得基于这些样本数据能够创建质量更加良好的、更加符合模型训练标准的训练集,进一步可选的,上述根据特征数据和与特征数据对应的标签数据,创建训练集,具体可包括:根据场景和时间的不同,均匀设立采样层次;然后利用均匀设立的采样层次,对特征数据和与特征数据对应的标签数据进行分层采样,使得创建得到的训练集中的正负样本比例均衡。
例如,如果存在负样本(未发生转化)较多、而正样本(发生转化)偏少的情况,可去除过多的负样本,保留正样本,使得正负样本比例均衡,并使得在不同的场景和时间条件均匀分布样本。通过这种可选方式,在保证数据场景特性的同时,缓解了正负样本不均衡的问题,利用这种训练集训练得到的模型计算转化率的结果更加精确。
示例性的,上述利用均匀设立的采样层次,对该特征数据和与该特征数据对应的标签数据进行分层采样,具体可包括:基于特征数据和与特征数据对应的标签数据,保留发生转化的正样本的同时,对各个正样本所处场景下未转化的负样本进行随机比例采样。通过这种可选方式,可使得创建得到的训练集中正负样本更加均衡,可有效缓解正负样本不均衡的问题。
202、利用创建得到的训练集,基于WideDeep和FM算法进行训练拼装得到WideDeepFM神经网络模型。
其中,WideDeepFM神经网络模型用于计算用户搜索到的业务信息所对应的转化率。WideDeep是一种神经网络通用模型,而FM(因式分解器)算法是一种通用回归算法,可以用来进行特征自动交叉。在本实施例中,由于训练集中样本数据具有数据类别多且分散等特点,因此针对三种算法的功能,例如Wide算法处理相对简单的特征等、Deep算法处理如城市ID、个人ID等类别特征、FM算法处理如一阶交叉的特征等,然后由训练集选取样本数据各自对应的算法进行功能处理,最后将三者的处理结果进行拼装得到WideDeepFM神经网络模型。通过这种方式,可自动进行类别特征的向量嵌入和內积交叉,在模型层次上可以自动进行场景划分,并且考虑到某些业务场景需要依赖于一阶交叉特征的特点,本设计模型可进行特征的自动一阶交叉功能(如年龄和性别两个独立特征,自动交叉为年龄+性别的交叉特征)。
进一步的,为了保证训练得到的模型的计算结果精确,可选的,步骤202具体还可包括:基于步骤201得到的训练集选取测试集;然后利用该测试集对训练得到的WideDeepFM神经网络模型进行测试,若测试结果不符合要求,则对WideDeepFM神经网络模型进行再次训练,直至测试结果符合要求。通过这种可选方式可有效保证训练得到的能够提供精确计算结果的模型。
对于本实施例训练得到的WideDeepFM神经网络模型,采用了低维嵌入+多层感知器的模型架构,并且融入低维向量自动内积的FM架构,可以实现类别特征的自动交叉,使用数据配合随机梯度下降法寻找当前场景最优一阶交叉特征,进一步从数据中精确理解和利用当前的场景信息。
203、利用用户当前输入的搜索词进行搜索,获取搜索到的业务信息。
为了在一定程度上帮助后续的业务信息排序过程,可对搜索到的业务信息按照类目相关性、地理位置等因素进行粗排序。
204、提取用户的用户特征、搜索到的业务信息的信息特征、当前场景特征和搜索意图特征作为特征数据,输入到WideDeepFM神经网络模型,以便模型结合历史相似数据,计算得到这些业务信息各自对应的转化率。
其中可选的,当前场景特征至少可包括:当前搜索时间、用户当前搜索行为的发生地点、发生地点的当前天气、发生地点的周边人群(如人群特征、人群的服务偏好)中的一个或多个。搜索意图特征至少可包括:搜索词相关的标识、搜索类目、近似搜索词中的一个或多个。用户特征至少可包括:用户的历史画像特征、历史获取业务信息记录、历史点击行为特征和实时点击行为特征中的一个或多个。信息特征至少可包括:业务信息的历史画像特征、所处的业务区域、所在的地理位置、包含的历史业务服务的获取记录特征(如某年龄段的用户在该业务信息中获取的历史业务服务,即代表该年龄段用户的服务兴趣等)中的一个或多个。
在本实施例中,提取的特征数据可与模型训练的样本数据对应。引入了场景理解类别特征和搜索意图理解类别特征,并且对于用户的当前实时行为进行了行为理解,加入部分实时交叉行为特征(如点击某业务信息之前的最近时间段内是否存在同类目的其他业务信息的点击行为,或者点击某业务信息之后的预设时长内是否存在同业务信息/同类目的其他业务信息的点击行为等),可以精确表示用户当前的行为兴趣和所处搜索场景。
通过这种模型计算转化率的方式,参考的因素更加全面,适用于更加复杂的业务搜索场景,能够更加精确的计算得到业务信息对应的转化率。
205、按照计算得到的转化率对这些业务信息进行排序,生成与搜索词对应的搜索结果。
例如,可按照转化率从高到低的顺序排序,优先展示转化率高的业务信息,进而有助于用户快速选择,从而帮助用户及时获取到自身需要的业务服务,提高了业务服务的成功率。
206、输出生成的搜索结果,并对转化率排名靠前的预设个数业务信息进行突出展示。
其中,预设个数可根据实际需求预先设定,例如,对于转化率排名靠前的前三个业务信息进行突出展示(如加粗字体、高亮、加下划线、增加不同背景色、更改字体颜色等),进而帮助用户快速选择。
为了说明上述各实施例的具体实施过程,以线上线下电子商务(Online ToOffline,O2O)场景为例,给出如下应用场景,但不限于此:
对于O2O场景中的店铺搜索过程,由于O2O场景下的转化行为耦合了大量的实时异构信息,因此不光要对用户行为有着深刻理解,还要对用户搜索场景进行精确建模和对店铺的具体转化能力全面描述,所以其他现有的店铺转化率预估算法无法给出O2O场景下的精确转化率计算。为此基于本实施例内容,可借助于一种基于场景画像融合的店铺转化率预估算法,有效的提升了非店铺意图场景下店铺转化率预估的精确性,线上线下效果均良好。即在用户历史行为的基础上,本实施例会理解用户所处场景并根据当时具体上下文特征向其推荐更适合转化的店铺(即成功获取店铺业务服务),最终确定搜索结果。
具体的,本实施例中的转化率预估主要包含特征计算和模型预测两个部分,在离线根据用户的历史数据训练好模型,然后利用模型对召回端返回的店铺进行转化率预估,最终线上根据转化率预估分数进行分组展示,以下按照图3所示,依次详述:
(1)、非店铺意图搜索发生,召回店铺(即搜索到的店铺)。考虑到O2O搜索特殊场景,可在非店铺搜索意图(例如奶茶、咖啡等的搜索词,非指定店铺名称的搜索词)下的搜索行为进行转化率预估,根据类目相关性、地理位置等因素粗排召回部分店铺,即根据搜索词搜索到的店铺。
(2)、场景描述和特征提取。提取用户历史画像、用户历史获取和点击行为和用户实时点击行为等作为用户侧特征;提取店铺所属城市、店铺所属商圈、店铺所属品牌、店铺历史订单特征等作为店铺侧特征;提取当前搜索时间、是否是节假日、用户搜索发生地点、用户搜索是否在居民区或公司等作为当前场景理解特征;提取搜索串相关ID、搜索意图等作为用户搜索意图理解特征。
(3)、数据分层采样与模型训练。O2O转化场景存在样本采集不闭环、数据稀疏等问题,故需要对数据进行分层采样,根据场景与时间的不同均匀设立采样层次。模型采用WideDeepFM架构,可以自动进行类别特征的向量嵌入和內积交叉,在模型层次上可以自动进行场景划分,并且考虑到O2O依赖于一阶交叉特征的特点,本模型可进行特征的自动一阶交叉。在训练得到模型后,将步骤(2)中提取的特征数据输入到该模型中进行店铺转化率计算。
(4)、预测。根据模型计算得到的店铺转化率结果,进而可对场景召回的店铺进行打分,每个店铺有一个0~1的值,表示用户在当前店铺发生转化的概率。
(5)、排序结果生成。根据预测的店铺打分结果,对场景召回的所有店铺按照打分结果排序,生成最终的结果。
通过应用本实施例方法,从数据采样、特征制作和模型架构的三个层面进行了场景理解和行为理解意义上创新,可以克服原有转化率预估模型对场景不敏感的缺点。融合场景理解、行为理解、兴趣建模、协同过滤等特点的模型,并且线上实验数据表明该算法可以获得更为精准的转化率预估结果。进而按照该计算得到的转化率进行业务信息排序展示,可提高搜索结果展示的精准度,从而能够提高服务效率和精准度。使得用户可及时获取到自身需要的业务服务,提高了业务服务的成功率。
进一步的,作为图1和图2所示方法的具体实现,本申请实施例提供了一种业务搜索处理装置,如图4所示,该装置包括:获取模块31、计算模块32、生成模块33。
获取模块31,可用于利用用户的搜索词进行搜索,获取搜索到的业务信息;
计算模块32,可用于根据所述用户的用户特征、所述业务信息的信息特征、当前场景特征和搜索意图特征,并结合历史相似数据,计算所述业务信息各自对应的转化率,其中,所述转化率用于确定用户在业务信息中获取业务服务的概率;
生成模块33,可用于按照所述转化率对所述业务信息进行排序,生成与所述搜索词对应的搜索结果。
在具体的应用场景中,所述转化率是通过WideDeepFM神经网络模型计算得到的,所述装置还包括:
创建模块,用于根据样本用户的搜索记录以及搜索后的转化记录,创建训练集;
训练模块,用于利用所述训练集,基于WideDeep和FM算法进行训练拼装得到所述WideDeepFM神经网络模型。
在具体的应用场景中,所述创建模块,具体用于根据样本用户的搜索记录,提取样本用户的样本用户特征、搜索到的样本业务信息的样本信息特征、当时的样本场景特征和样本搜索意图特征;根据搜索后的转化记录,计算搜索到的样本业务信息各自对应的样本转化率;将所述样本用户特征、所述样本信息特征、所述样本场景特征和所述样本搜索意图特征作为特征数据,以及将所述样本转化率作为与所述特征数据对应的标签数据,并根据所述特征数据和与所述特征数据对应的标签数据,创建训练集。
在具体的应用场景中,所述创建模块,具体还用于根据场景和时间的不同,均匀设立采样层次;利用均匀设立的采样层次,对所述特征数据和与所述特征数据对应的标签数据进行分层采样,使得创建得到的训练集中的正负样本比例均衡。
在具体的应用场景中,所述创建模块,具体还用于基于所述特征数据和与所述特征数据对应的标签数据,保留发生转化的正样本的同时,对各个正样本所处场景下未转化的负样本进行随机比例采样。
在具体的应用场景中,所述训练模块,具体用于基于所述训练集选取测试集;利用所述测试集对训练得到的所述WideDeepFM神经网络模型进行测试,若测试结果不符合要求,则对所述WideDeepFM神经网络模型进行再次训练,直至测试结果符合要求。
在具体的应用场景中,可选的,所述当前场景特征至少包括:当前搜索时间、用户当前搜索行为的发生地点、所述发生地点的当前天气、所述发生地点的周边人群中的一个或多个。
在具体的应用场景中,可选的,所述搜索意图特征至少包括:所述搜索词相关的标识、搜索类目、近似搜索词中的一个或多个。
在具体的应用场景中,可选的,所述用户特征至少包括:所述用户的历史画像特征、历史获取业务信息记录、历史点击行为特征和实时点击行为特征中的一个或多个。
在具体的应用场景中,可选的,所述信息特征至少包括:所述业务信息的历史画像特征、所处的业务区域、所在的地理位置、包含的历史业务服务的获取记录特征中的一个或多个。
在具体的应用场景中,本装置还包括:输出模块;
输出模块,可用于输出生成的所述搜索结果,并对所述转化率排名靠前的预设个数业务信息进行突出展示。
需要说明的是,本实施例提供的一种业务搜索处理装置所涉及各功能单元的其它相应描述,可以参考图1和图2中的对应描述,在此不再赘述。
基于上述如图1和图2所示方法,相应的,本实施例还提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述如图1和图2所示的业务搜索处理方法。
基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施场景的方法。
基于上述如图1和图2所示的方法,以及图4所示的虚拟装置实施例,为了实现上述目的,本申请实施例还提供了一种业务搜索处理设备,具体可以为个人计算机、平板电脑、智能手机、智能手表、智能手环、或其他网络设备等,该客户端设备包括存储介质和处理器;存储介质,用于存储计算机程序;处理器,用于执行计算机程序以实现上述如图1和图2所示的业务搜索处理方法。
可选的,上述实体设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency,RF)电路,传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等,可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)等。
本领域技术人员可以理解,本实施例提供的上述实体设备结构并不构成对该实体设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述实体设备硬件和软件资源的程序,支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信,以及与信息处理实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现,也可以通过硬件实现。通过应用本申请的技术方案,从数据采样、特征制作和模型架构的三个层面进行了场景理解和行为理解意义上创新,可以克服原有转化率预估模型对场景不敏感的缺点。融合场景理解、行为理解、兴趣建模、协同过滤等特点的模型,并且线上实验数据表明该算法可以获得更为精准的转化率预估结果。进而按照该计算得到的转化率进行业务信息排序展示,可提高搜索结果展示的精准度,从而能够提高服务效率和精准度。使得用户可及时获取到自身需要的业务服务,提高了业务服务的成功率。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述,不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景,但是,本申请并非局限于此,任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (22)
1.一种业务搜索处理方法,其特征在于,用于线上线下电子商务O2O的店铺搜索,所述方法根据WideDeepFM神经网络模型实现基于场景画像融合的店铺转化率预估,包括:
利用用户的非店铺搜索意图的搜索词进行搜索,获取搜索到的业务信息;
根据用户特征、店铺特征、当前场景特征和搜索意图特征,利用预先训练的WideDeepFM神经网络模型计算所述业务信息各自对应的店铺转化率;其中,所述当前场景特征包括当前搜索时间、用户当前搜索行为的发生地点、所述发生地点的当前天气、所述发生地点的周边人群中的一个或多个;
按照所述店铺转化率对所述店铺进行排序,生成与所述搜索词对应的店铺搜索结果;
所述方法还包括:
创建训练集;基于所述训练集,根据Wide算法处理简单特征、Deep算法处理类别特征、FM算法处理一阶交叉特征;将Wide算法、Deep算法、FM算法的处理结果进行拼装,得到在模型层次上进行场景划分的所述WideDeepFM神经网络模型。
2.根据权利要求1所述的方法,其特征在于,所述创建训练集包括:
根据样本用户的搜索记录以及搜索后的转化记录,创建训练集。
3.根据权利要求2所述的方法,其特征在于,所述根据样本用户的搜索记录以及搜索后的转化记录,创建训练集,具体包括:
根据样本用户的搜索记录,提取样本用户的样本用户特征、搜索到的样本业务信息的样本店铺特征、当时的样本场景特征和样本搜索意图特征;
根据搜索后的转化记录,计算搜索到的样本业务信息各自对应的样本转化率;
将所述样本用户特征、所述样本店铺特征、所述样本场景特征和所述样本搜索意图特征作为特征数据,以及将所述样本转化率作为与所述特征数据对应的标签数据,并根据所述特征数据和与所述特征数据对应的标签数据,创建训练集。
4.根据权利要求3所述的方法,其特征在于,所述根据所述特征数据和与所述特征数据对应的标签数据,创建训练集,具体包括:
根据场景和时间的不同,均匀设立采样层次;
利用均匀设立的采样层次,对所述特征数据和与所述特征数据对应的标签数据进行分层采样,使得创建得到的训练集中的正负样本比例均衡。
5.根据权利要求4所述的方法,其特征在于,所述利用均匀设立的采样层次,对所述特征数据和与所述特征数据对应的标签数据进行分层采样,具体包括:
基于所述特征数据和与所述特征数据对应的标签数据,保留发生转化的正样本的同时,对各个正样本所处场景下未转化的负样本进行随机比例采样。
6.根据权利要求2所述的方法,其特征在于,所述方法还包括:
基于所述训练集选取测试集;
利用所述测试集对训练得到的所述WideDeepFM神经网络模型进行测试,若测试结果不符合要求,则对所述WideDeepFM神经网络模型进行再次训练,直至测试结果符合要求。
7.根据权利要求1所述的方法,其特征在于,所述搜索意图特征至少包括:所述搜索词相关的标识、搜索类目、近似搜索词中的一个或多个。
8.根据权利要求1所述的方法,其特征在于,所述用户特征至少包括:所述用户的历史画像特征、历史获取业务信息记录、历史点击行为特征和实时点击行为特征中的一个或多个。
9.根据权利要求1所述的方法,其特征在于,所述店铺特征至少包括:店铺所属城市、店铺所属商圈、店铺所属品牌、店铺历史订单特征中的一个或多个。
10.根据权利要求1所述的方法,其特征在于,在生成与所述搜索词对应的搜索结果之后,所述方法还包括:
输出生成的所述搜索结果,并对所述转化率排名靠前的预设个数业务信息进行突出展示。
11.一种业务搜索处理装置,其特征在于,用于线上线下电子商务O2O的店铺搜索,所述装置根据WideDeepFM神经网络模型实现基于场景画像融合的店铺转化率预估,包括:
获取模块,用于利用用户的非店铺搜索意图的搜索词进行搜索,获取搜索到的业务信息;
计算模块,用于根据用户特征、店铺特征、当前场景特征和搜索意图特征,利用预先训练的WideDeepFM神经网络模型计算所述业务信息各自对应的店铺转化率;其中,所述当前场景特征包括当前搜索时间、用户当前搜索行为的发生地点、所述发生地点的当前天气、所述发生地点的周边人群中的一个或多个;
生成模块,用于按照所述店铺转化率对所述店铺进行排序,生成与所述搜索词对应的店铺搜索结果;
创建模块,用于创建训练集;
训练模块,用于基于所述训练集,根据Wide算法处理简单特征、Deep算法处理类别特征、FM算法处理一阶交叉特征;将Wide算法、Deep算法、FM算法的处理结果进行拼装,得到在模型层次上进行场景划分的所述WideDeepFM神经网络模型。
12.根据权利要求11所述的装置,其特征在于,
所述创建模块,用于根据样本用户的搜索记录以及搜索后的转化记录,创建训练集。
13.根据权利要求12所述的装置,其特征在于,
所述创建模块,具体用于根据样本用户的搜索记录,提取样本用户的样本用户特征、搜索到的样本业务信息的样本店铺特征、当时的样本场景特征和样本搜索意图特征;
根据搜索后的转化记录,计算搜索到的样本业务信息各自对应的样本转化率;
将所述样本用户特征、所述样本店铺特征、所述样本场景特征和所述样本搜索意图特征作为特征数据,以及将所述样本转化率作为与所述特征数据对应的标签数据,并根据所述特征数据和与所述特征数据对应的标签数据,创建训练集。
14.根据权利要求12所述的装置,其特征在于,
所述创建模块,具体还用于根据场景和时间的不同,均匀设立采样层次;
利用均匀设立的采样层次,对所述特征数据和与所述特征数据对应的标签数据进行分层采样,使得创建得到的训练集中的正负样本比例均衡。
15.根据权利要求13所述的装置,其特征在于,
所述创建模块,具体还用于基于所述特征数据和与所述特征数据对应的标签数据,保留发生转化的正样本的同时,对各个正样本所处场景下未转化的负样本进行随机比例采样。
16.根据权利要求12所述的装置,其特征在于,
所述训练模块,具体用于基于所述训练集选取测试集;
利用所述测试集对训练得到的所述WideDeepFM神经网络模型进行测试,若测试结果不符合要求,则对所述WideDeepFM神经网络模型进行再次训练,直至测试结果符合要求。
17.根据权利要求11所述的装置,其特征在于,所述搜索意图特征至少包括:所述搜索词相关的标识、搜索类目、近似搜索词中的一个或多个。
18.根据权利要求11所述的装置,其特征在于,所述用户特征至少包括:所述用户的历史画像特征、历史获取业务信息记录、历史点击行为特征和实时点击行为特征中的一个或多个。
19.根据权利要求11所述的装置,其特征在于,所述店铺特征至少包括:店铺所属城市、店铺所属商圈、店铺所属品牌、店铺历史订单特征中的一个或多个。
20.根据权利要求11所述的装置,其特征在于,所述装置还包括:
输出模块,用于输出生成的所述搜索结果,并对所述转化率排名靠前的预设个数业务信息进行突出展示。
21.一种存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1至10中任一项所述的方法。
22.一种业务搜索处理设备,包括存储介质、处理器及存储在存储介质上并可在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权利要求1至10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911407074.6A CN111191133B (zh) | 2019-12-31 | 2019-12-31 | 业务搜索处理方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911407074.6A CN111191133B (zh) | 2019-12-31 | 2019-12-31 | 业务搜索处理方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111191133A CN111191133A (zh) | 2020-05-22 |
CN111191133B true CN111191133B (zh) | 2023-12-01 |
Family
ID=70707976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911407074.6A Active CN111191133B (zh) | 2019-12-31 | 2019-12-31 | 业务搜索处理方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111191133B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111737574B (zh) * | 2020-06-19 | 2024-01-26 | 口口相传(北京)网络技术有限公司 | 搜索信息获取方法、装置、计算机设备及可读存储介质 |
CN112163155B (zh) * | 2020-09-30 | 2024-08-06 | 深圳前海微众银行股份有限公司 | 信息处理方法、装置、设备及存储介质 |
CN114942972A (zh) * | 2022-04-12 | 2022-08-26 | 阿里巴巴(中国)有限公司 | 对象搜索方法以及装置 |
CN116775813B (zh) * | 2023-08-23 | 2023-11-24 | 中移信息系统集成有限公司 | 业务搜索方法、装置、电子设备及可读存储介质 |
CN117874542B (zh) * | 2024-02-19 | 2024-07-16 | 广东省计算技术应用研究所 | 基于大数据的成果转化供需匹配方法、装置、设备及介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239440A (zh) * | 2014-09-01 | 2014-12-24 | 百度在线网络技术(北京)有限公司 | 搜索结果的展现方法和装置 |
CN104462293A (zh) * | 2014-11-27 | 2015-03-25 | 百度在线网络技术(北京)有限公司 | 搜索处理方法、生成搜索结果排序模型的方法和装置 |
CN105160545A (zh) * | 2015-08-07 | 2015-12-16 | 百度在线网络技术(北京)有限公司 | 投放信息样式确定方法及装置 |
CN105574859A (zh) * | 2015-12-14 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 一种基于ct图像的肝脏肿瘤分割方法及装置 |
CN105760400A (zh) * | 2014-12-19 | 2016-07-13 | 阿里巴巴集团控股有限公司 | 一种基于搜索行为的推送消息排序方法及装置 |
CN107229728A (zh) * | 2017-06-05 | 2017-10-03 | 努比亚技术有限公司 | 基于神经网络的搜索方法、设备及存储介质 |
CN107832432A (zh) * | 2017-11-15 | 2018-03-23 | 北京百度网讯科技有限公司 | 一种搜索结果排序方法、装置、服务器和存储介质 |
CN108090788A (zh) * | 2017-12-22 | 2018-05-29 | 苏州大学 | 基于时间信息集成模型的广告转化率预估方法 |
CN108459997A (zh) * | 2018-02-07 | 2018-08-28 | 深圳市微埃智能科技有限公司 | 基于深度学习和神经网络的高偏态数据价值概率预测方法 |
CN109189904A (zh) * | 2018-08-10 | 2019-01-11 | 上海中彦信息科技股份有限公司 | 个性化搜索方法及系统 |
CN110175857A (zh) * | 2019-03-25 | 2019-08-27 | 阿里巴巴集团控股有限公司 | 优选业务确定方法及装置 |
CN110533515A (zh) * | 2019-09-04 | 2019-12-03 | 深圳创新奇智科技有限公司 | 一种高吞吐低延迟的电商个性化推荐方法及装置 |
-
2019
- 2019-12-31 CN CN201911407074.6A patent/CN111191133B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239440A (zh) * | 2014-09-01 | 2014-12-24 | 百度在线网络技术(北京)有限公司 | 搜索结果的展现方法和装置 |
CN104462293A (zh) * | 2014-11-27 | 2015-03-25 | 百度在线网络技术(北京)有限公司 | 搜索处理方法、生成搜索结果排序模型的方法和装置 |
CN105760400A (zh) * | 2014-12-19 | 2016-07-13 | 阿里巴巴集团控股有限公司 | 一种基于搜索行为的推送消息排序方法及装置 |
CN105160545A (zh) * | 2015-08-07 | 2015-12-16 | 百度在线网络技术(北京)有限公司 | 投放信息样式确定方法及装置 |
CN105574859A (zh) * | 2015-12-14 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 一种基于ct图像的肝脏肿瘤分割方法及装置 |
CN107229728A (zh) * | 2017-06-05 | 2017-10-03 | 努比亚技术有限公司 | 基于神经网络的搜索方法、设备及存储介质 |
CN107832432A (zh) * | 2017-11-15 | 2018-03-23 | 北京百度网讯科技有限公司 | 一种搜索结果排序方法、装置、服务器和存储介质 |
CN108090788A (zh) * | 2017-12-22 | 2018-05-29 | 苏州大学 | 基于时间信息集成模型的广告转化率预估方法 |
CN108459997A (zh) * | 2018-02-07 | 2018-08-28 | 深圳市微埃智能科技有限公司 | 基于深度学习和神经网络的高偏态数据价值概率预测方法 |
CN109189904A (zh) * | 2018-08-10 | 2019-01-11 | 上海中彦信息科技股份有限公司 | 个性化搜索方法及系统 |
CN110175857A (zh) * | 2019-03-25 | 2019-08-27 | 阿里巴巴集团控股有限公司 | 优选业务确定方法及装置 |
CN110533515A (zh) * | 2019-09-04 | 2019-12-03 | 深圳创新奇智科技有限公司 | 一种高吞吐低延迟的电商个性化推荐方法及装置 |
Non-Patent Citations (3)
Title |
---|
Reacting to Variations in Product Demand: An Application for Conversion Rate (CR) Prediction in Sponsored Search;Marcelo Tallis;《IEEE Xplore》;全文 * |
基于BP神经网络的网店销售预测模型研究;翁莹晶;《闽江学院学报》(第第36卷第05期期);全文 * |
基于转化率的电商平台广告推荐研究;高圣兴;《CNKI中国知网》;摘要、正文第17页第3段-第72页第1段 * |
Also Published As
Publication number | Publication date |
---|---|
CN111191133A (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111191133B (zh) | 业务搜索处理方法、装置及设备 | |
CN110442790B (zh) | 推荐多媒体数据的方法、装置、服务器和存储介质 | |
CN107424043A (zh) | 一种产品推荐方法及装置,电子设备 | |
CN110019616B (zh) | 一种poi现势状态获取方法及其设备、存储介质、服务器 | |
CN105740268B (zh) | 一种信息推送方法和装置 | |
CN111061946A (zh) | 场景化内容推荐方法、装置、电子设备及存储介质 | |
CN112052387B (zh) | 一种内容推荐方法、装置和计算机可读存储介质 | |
CN113505204B (zh) | 召回模型训练方法、搜索召回方法、装置和计算机设备 | |
CN106326420A (zh) | 一种用于移动终端的推荐方法及装置 | |
CN111597446B (zh) | 基于人工智能的内容推送方法、装置、服务器和存储介质 | |
CN112131456A (zh) | 一种信息推送方法、装置、设备及存储介质 | |
CN110163703A (zh) | 一种分类模型建立方法、文案推送方法和服务器 | |
CN111984749A (zh) | 一种兴趣点排序方法和装置 | |
CN115408618B (zh) | 一种基于社交关系融合位置动态流行度和地理特征的兴趣点推荐方法 | |
CN115712780A (zh) | 一种基于云计算和大数据的信息推送方法及装置 | |
CN115168700A (zh) | 一种基于预训练算法的信息流推荐方法、系统及介质 | |
CN103425767B (zh) | 一种提示数据的确定方法和系统 | |
CN112115354B (zh) | 信息处理方法、装置、服务器及存储介质 | |
CN112464106B (zh) | 对象推荐方法及装置 | |
CN116956183A (zh) | 多媒体资源推荐方法、模型训练方法、装置及存储介质 | |
CN114048294B (zh) | 相似人群扩展模型训练方法、相似人群扩展方法和装置 | |
KR20210052746A (ko) | 제품화 대상 콘텐츠의 예상 판매량 추정 방법, 장치 및 컴퓨터프로그램 | |
CN113946753B (zh) | 基于位置围栏的服务推荐方法、装置、设备及存储介质 | |
CN117216362A (zh) | 内容推荐方法、装置、设备、介质和程序产品 | |
CN114579869A (zh) | 模型训练方法以及相关产品 |
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 |