CN111340605A - 训练用户行为预测模型、用户行为预测的方法和装置 - Google Patents

训练用户行为预测模型、用户行为预测的方法和装置 Download PDF

Info

Publication number
CN111340605A
CN111340605A CN202010443445.2A CN202010443445A CN111340605A CN 111340605 A CN111340605 A CN 111340605A CN 202010443445 A CN202010443445 A CN 202010443445A CN 111340605 A CN111340605 A CN 111340605A
Authority
CN
China
Prior art keywords
feature
semantic vector
sample
user behavior
text
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.)
Granted
Application number
CN202010443445.2A
Other languages
English (en)
Other versions
CN111340605B (zh
Inventor
张凯
周俊
崔卿
李龙飞
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.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou 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 Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202010443445.2A priority Critical patent/CN111340605B/zh
Publication of CN111340605A publication Critical patent/CN111340605A/zh
Application granted granted Critical
Publication of CN111340605B publication Critical patent/CN111340605B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Machine Translation (AREA)

Abstract

本说明书实施例提供一种训练用户行为预测模型、用户行为预测的方法和装置。方法包括：获取第一样本，包括，基于样本用户和样本对象的属性特征形成的第一属性特征，基于样本用户的评论文本形成的第一文本特征，和基于针对样本对象的评论文本形成的第二文本特征，且第一样本具有第一标签和第二标签，第一标签示出，样本用户是否针对样本对象执行预定用户行为，第二标签示出，样本用户对样本对象的评分；将第一属性特征、第一文本特征和第二文本特征输入待训练的用户行为预测模型，输出第一预测结果和第二预测结果；根据第一预测结果和第一标签，第二预测结果和第二标签，更新用户行为预测模型。能够提高用户行为预测的准确率。

Description

训练用户行为预测模型、用户行为预测的方法和装置
技术领域
本说明书一个或多个实施例涉及计算机领域，尤其涉及训练用户行为预测模型、用户行为预测的方法和装置。
背景技术
当前，在很多场景下都涉及对用户行为进行预测，以期使用户发生预定用户行为。例如，在推荐系统中常常要进行点击通过率（click-through-rate，CTR）预估，其目的是对每次商品的点击情况做出预测，预测用户是点击还是不点击。
现有技术中，在大量历史数据上获取训练样本，基于训练样本包括的样本特征和样本标签，训练得到用户行为预测模型，通过训练后的用户行为预测模型进行用户行为预测。其中，样本特征会考虑很多，例如用户的特征、商品自身特征等。现有的用户行为预测方法常常无法有效选择特征、并处理各特征与预测目标之间的关系，从而预测准确率低。
因此，希望能有改进的方案，能够提高用户行为预测的准确率。
发明内容
本说明书一个或多个实施例描述了一种训练用户行为预测模型、用户行为预测的方法和装置，能够提高用户行为预测的准确率。
第一方面，提供了一种训练用户行为预测模型的方法，方法包括：
获取样本集，其中任意的第一样本包括，基于样本用户和样本对象的属性特征形成的第一属性特征，基于所述样本用户做出的评论文本形成的第一文本特征，和基于针对所述样本对象的评论文本形成的第二文本特征，且所述第一样本具有第一标签和第二标签，所述第一标签示出，所述样本用户是否针对所述样本对象执行预定用户行为，所述第二标签示出，所述样本用户对所述样本对象的评分；
将所述第一属性特征、所述第一文本特征和所述第二文本特征输入待训练的用户行为预测模型，通过所述用户行为预测模型输出第一预测结果和第二预测结果；所述第一预测结果用于预测所述样本用户是否针对所述样本对象执行所述预定用户行为，所述第二预测结果用于预测所述样本用户对所述样本对象的评分；
根据所述第一预测结果和所述第一标签，确定第一损失；根据所述第二预测结果和所述第二标签，确定第二损失；
根据所述第一损失和所述第二损失，确定总损失；
根据所述样本集中各条样本对应的总损失，更新所述用户行为预测模型。
在一种可能的实施方式中，所述用户行为预测模型包括嵌入网络和特征提取器；
所述将所述第一属性特征、所述第一文本特征和所述第二文本特征输入待训练的用户行为预测模型，通过所述用户行为预测模型输出第一预测结果和第二预测结果，包括：
将所述第一属性特征输入所述嵌入网络，通过所述嵌入网络输出所述第一属性特征对应的第一特征向量；
将所述第一文本特征和所述第二文本特征输入所述特征提取器，得到所述第一文本特征对应的第一深度语义向量，以及所述第二文本特征对应的第二深度语义向量；
根据所述第一特征向量、所述第一深度语义向量和所述第二深度语义向量，确定所述第一预测结果；
根据所述第一深度语义向量和所述第二深度语义向量，确定所述第二预测结果。
进一步地，所述第一属性特征包括多项子特征；所述嵌入网络为因子分解机（factor machine，FM）嵌入网络；
所述将所述第一属性特征输入所述嵌入网络，通过所述嵌入网络输出所述第一属性特征对应的第一特征向量，包括：
将所述多项子特征输入所述FM嵌入网络，所述FM嵌入网络将所述多项子特征表示为二阶多项式形式，得到所述二阶多项式形式对应的第一特征向量。
进一步地，所述第一文本特征对应第一初始语义向量；所述第二文本特征对应第二初始语义向量；所述特征提取器为卷积神经网络（convolutional neural networks，CNN）；
所述将所述第一文本特征和所述第二文本特征输入所述特征提取器，得到所述第一文本特征对应的第一深度语义向量，以及所述第二文本特征对应的第二深度语义向量，包括：
将所述第一初始语义向量和所述第二初始语义向量输入所述CNN，得到所述第一文本特征对应的第一深度语义向量，以及所述第二文本特征对应的第二深度语义向量。
进一步地，所述根据所述第一特征向量、所述第一深度语义向量和所述第二深度语义向量，确定所述第一预测结果，包括：
将所述第一深度语义向量和所述第二深度语义向量进行拼接，得到第一综合语义向量；
将所述第一深度语义向量、所述第一综合语义向量和所述第二深度语义向量进行依次拼接，得到第二综合语义向量；
将所述第一特征向量和所述第二综合语义向量进行拼接，得到第二特征向量；
根据所述第二特征向量，确定所述第一预测结果。
进一步地，所述根据所述第一深度语义向量和所述第二深度语义向量，确定所述第二预测结果，包括：
将所述第一深度语义向量和所述第二深度语义向量进行拼接，得到第一综合语义向量；
将所述第一深度语义向量、所述第一综合语义向量和所述第二深度语义向量进行依次拼接，得到第二综合语义向量；
根据所述第二综合语义向量，确定所述第二预测结果。
在一种可能的实施方式中，所述样本对象为通过显示屏展示的商品关联对象，所述商品关联对象关联第一商品；所述预定用户行为包括如下至少一种：
点击所述商品关联对象、收藏所述商品关联对象、通过所述商品关联对象购买所述第一商品、分享所述商品关联对象。
第二方面，提供一种用户行为预测的方法，方法包括：
获取待测样本，其中所述待测样本包括，基于待测用户和待测对象的属性特征形成的第二属性特征，基于所述待测用户做出的评论文本形成的第三文本特征，和基于针对所述待测对象的评论文本形成的第四文本特征；
将所述第二属性特征、所述第三文本特征和所述第四文本特征输入第一方面所述的方法训练后的用户行为预测模型，通过所述用户行为预测模型输出第三预测结果；所述第三预测结果用于预测所述待测用户是否针对所述待测对象执行所述预定用户行为。
第三方面，提供一种训练用户行为预测模型的装置，装置包括：
第一获取单元，用于获取样本集，其中任意的第一样本包括，基于样本用户和样本对象的属性特征形成的第一属性特征，基于所述样本用户做出的评论文本形成的第一文本特征，和基于针对所述样本对象的评论文本形成的第二文本特征，且所述第一样本具有第一标签和第二标签，所述第一标签示出，所述样本用户是否针对所述样本对象执行预定用户行为，所述第二标签示出，所述样本用户对所述样本对象的评分；
第一预测单元，用于将所述第一获取单元获取的所述第一属性特征、所述第一文本特征和所述第二文本特征输入待训练的用户行为预测模型，通过所述用户行为预测模型输出第一预测结果和第二预测结果；所述第一预测结果用于预测所述样本用户是否针对所述样本对象执行所述预定用户行为，所述第二预测结果用于预测所述样本用户对所述样本对象的评分；
第一确定单元，用于根据所述第一预测单元得到的第一预测结果和所述第一获取单元获取的第一标签，确定第一损失；根据所述第一预测单元得到的第二预测结果和所述第一获取单元获取的第二标签，确定第二损失；
第二确定单元，用于根据所述第一确定单元确定的所述第一损失和所述第二损失，确定总损失；
更新单元，用于根据所述第二确定单元确定的样本集中各条样本对应的总损失，更新所述用户行为预测模型。
第四方面，提供一种用户行为预测的装置，装置包括：
第二获取单元，用于获取待测样本，其中所述待测样本包括，基于待测用户和待测对象的属性特征形成的第二属性特征，基于所述待测用户做出的评论文本形成的第三文本特征，和基于针对所述待测对象的评论文本形成的第四文本特征；
第二预测单元，用于将所述第二获取单元获取的第二属性特征、第三文本特征和第四文本特征输入第三方面所述的装置训练后的用户行为预测模型，通过所述用户行为预测模型输出第三预测结果；所述第三预测结果用于预测所述待测用户是否针对所述待测对象执行所述预定用户行为。
第五方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面或第二方面的方法。
第六方面，提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面或第二方面的方法。
通过本说明书实施例提供的方法和装置，在训练用户行为预测模型的方法中，样本集中任意的第一样本不仅包括，基于样本用户和样本对象的属性特征形成的第一属性特征，还包括基于所述样本用户做出的评论文本形成的第一文本特征，和基于针对所述样本对象的评论文本形成的第二文本特征，可以理解的是，第一文本特征和第二文本特征可以体现样本用户对样本对象的偏好水平。并且，通过多任务学习的方式训练用户行为预测模型，其中，主任务为预测样本用户是否针对样本对象执行预定用户行为，辅任务为预测样本用户对样本对象的评分，可以理解的是，通过辅任务可以更好的挖掘第一文本特征和第二文本特征中所包含的用户偏好，相应提高主任务中用户行为预测的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其它的附图。
图1为本说明书披露的一个实施例的实施场景示意图；
图2为本说明书披露的单任务学习的示意图；
图3为本说明书披露的多任务学习的示意图；
图4示出根据一个实施例的训练用户行为预测模型的方法流程图；
图5示出根据一个实施例的用户行为预测的方法流程图；
图6示出根据一个实施例的训练用户行为预测模型的分阶段示意图；
图7示出根据一个实施例的训练用户行为预测模型的装置的示意性框图；
图8示出根据一个实施例的用户行为预测的装置的示意性框图。
具体实施方式
下面结合附图，对本说明书提供的方案进行描述。
图1为本说明书披露的一个实施例的实施场景示意图。该实施场景涉及用户行为预测。参照图1，在该实施例中，通过显示屏显示对象1，预测用户A是否针对对象1发生预定用户行为。可以理解的是，对象1可以为商品关联对象，例如，商品广告，该商品关联对象关联到第一商品，对象1的具体形式可以为图片、文字、关键词、视频等。预定用户行为可以但不限于如下至少一种：点击所述商品关联对象、收藏所述商品关联对象、通过所述商品关联对象购买所述第一商品、分享所述商品关联对象。
可以理解的是，在预测用户A是否针对对象1发生预定用户行为时，可以基于用户A的属性特征、对象1的属性特征进行预测，本说明书实施例中，不仅基于上述属性特征进行预测，还考虑了基于用户A做出的评论文本形成的第一文本特征，和基于针对对象1的评论文本形成的第二文本特征。
本说明书实施例，通过训练用户行为预测模型，然后利用训练后的用户行为预测模型进行用户行为预测。通过多任务学习的方式训练用户行为预测模型，其中，主任务为预测样本用户是否针对样本对象执行预定用户行为，辅任务为预测样本用户对样本对象的评分，可以理解的是，通过辅任务可以更好的挖掘第一文本特征和第二文本特征中所包含的用户偏好，相应提高主任务中用户行为预测的准确率。
图2为本说明书披露的单任务学习的示意图。参照图2，任务1和任务2可以通过两个单独的模型来分别实现。对于复杂的问题，也可以分解为简单且相互独立的子问题来单独解决，然后再合并结果，得到最初复杂问题的结果。对于相互关联的各个子问题，当做一个个独立的单任务处理，忽略了各子问题之间所富含的丰富的关联信息。
图3为本说明书披露的多任务学习的示意图。参照图3，任务1和任务2可以通过一个共同的模型来实现。多任务学习把多个相关（related）的任务（task）放在一起学习。多个任务之间共享一些因素，可以在学习过程中，共享所学到的信息，这是单任务学习所不具备的。相关联的多任务学习比单任务学习能取得更好的泛化（generalization）效果。
图4示出根据一个实施例的训练用户行为预测模型的方法流程图，该方法可以基于图1所示的实施场景。如图4所示，该实施例中训练用户行为预测模型的方法包括以下步骤：步骤41，获取样本集，其中任意的第一样本包括，基于样本用户和样本对象的属性特征形成的第一属性特征，基于所述样本用户做出的评论文本形成的第一文本特征，和基于针对所述样本对象的评论文本形成的第二文本特征，且所述第一样本具有第一标签和第二标签，所述第一标签示出，所述样本用户是否针对所述样本对象执行预定用户行为，所述第二标签示出，所述样本用户对所述样本对象的评分；步骤42，将所述第一属性特征、所述第一文本特征和所述第二文本特征输入待训练的用户行为预测模型，通过所述用户行为预测模型输出第一预测结果和第二预测结果；所述第一预测结果用于预测所述样本用户是否针对所述样本对象执行所述预定用户行为，所述第二预测结果用于预测所述样本用户对所述样本对象的评分；步骤43，根据所述第一预测结果和所述第一标签，确定第一损失；根据所述第二预测结果和所述第二标签，确定第二损失；步骤44，根据所述第一损失和所述第二损失，确定总损失；步骤45，根据所述样本集中各条样本对应的总损失，更新所述用户行为预测模型。下面描述以上各个步骤的具体执行方式。
首先在步骤41，获取样本集，其中任意的第一样本包括，基于样本用户和样本对象的属性特征形成的第一属性特征，基于所述样本用户做出的评论文本形成的第一文本特征，和基于针对所述样本对象的评论文本形成的第二文本特征，且所述第一样本具有第一标签和第二标签，所述第一标签示出，所述样本用户是否针对所述样本对象执行预定用户行为，所述第二标签示出，所述样本用户对所述样本对象的评分。可以理解的是，第一标签和第二标签对应不同的预测任务，第一标签对应第一预测任务，第二标签对应第二预测任务，包括第一标签和第二标签的第一样本可以用于后续进行多任务学习。
在一个示例中，所述样本对象为通过显示屏展示的商品关联对象，所述商品关联对象关联第一商品；所述预定用户行为包括如下至少一种：
点击所述商品关联对象、收藏所述商品关联对象、通过所述商品关联对象购买所述第一商品、分享所述商品关联对象。
可以理解的是，所述商品关联对象可以为通常意义上的广告，可以具有超链接，当用户点击超链接时跳转到第一商品的购买页面。
本说明书实施例中，上述第一属性特征可以包括用户画像特征，例如用户的年龄、学历、职业等，或者还可以包括对象属性特征，例如对象类型、对象价格等，或者还可以包括对象展示位置、时间等展示特征。上述第一文本特征基于样本用户做出的评论文本形成，可以理解的是，样本用户做出的评论文本可以包括多条，例如，样本用户针对对象1做出评论文本1，样本用户针对对象2做出评论文本2等，可以从样本用户做出的多条评论文本中选取第一预设数目条评论文本，以形成第一文本特征。上述第二文本特征基于针对样本对象的评论文本形成，可以理解的是，针对样本对象的评论文本可以包括多条，例如，用户A针对样本对象做出评论文本3，用户B针对样本对象做出评论文本4等，可以从针对样本对象的多条评论文本中选取第二预设数目条评论文本，以形成第二文本特征。上述第一预设数目可以与第二预设数目相同，例如，均为5；上述第一预设数目也可以与第二预设数目不同，例如，第一预设数目为3，第二预设数目为5。上述样本集可以从历史日志、离线特征库获得。其中，第一标签可以根据用户的历史行为来确定，若样本用户针对所述样本对象执行预定用户行为，则第一标签为1，若样本用户没有针对所述样本对象执行预定用户行为，则第一标签为0。第二标签可以根据样本用户对样本对象的历史评分来确定，第二标签可以等于历史评分，通常地，评分的区间为0到5分，例如，第二标签可以为1，或5等。
然后在步骤42，将所述第一属性特征、所述第一文本特征和所述第二文本特征输入待训练的用户行为预测模型，通过所述用户行为预测模型输出第一预测结果和第二预测结果；所述第一预测结果用于预测所述样本用户是否针对所述样本对象执行所述预定用户行为，所述第二预测结果用于预测所述样本用户对所述样本对象的评分。可以理解的是，第一预测结果和第二预测结果对应不同的预测任务，第一预测结果可能与前述第一标签相同，也可能与前述第一标签不同，第二预测结果可能与前述第二标签相同，也可能与前述第二标签不同。
在一个示例中，所述用户行为预测模型包括嵌入网络和特征提取器；
所述将所述第一属性特征、所述第一文本特征和所述第二文本特征输入待训练的用户行为预测模型，通过所述用户行为预测模型输出第一预测结果和第二预测结果，包括：
将所述第一属性特征输入所述嵌入网络，通过所述嵌入网络输出所述第一属性特征对应的第一特征向量；
将所述第一文本特征和所述第二文本特征输入所述特征提取器，得到所述第一文本特征对应的第一深度语义向量，以及所述第二文本特征对应的第二深度语义向量；
根据所述第一特征向量、所述第一深度语义向量和所述第二深度语义向量，确定所述第一预测结果；
根据所述第一深度语义向量和所述第二深度语义向量，确定所述第二预测结果。
进一步地，所述第一属性特征包括多项子特征；所述嵌入网络为因子分解机（factor machine，FM）嵌入网络；
所述将所述第一属性特征输入所述嵌入网络，通过所述嵌入网络输出所述第一属性特征对应的第一特征向量，包括：
将所述多项子特征输入所述FM嵌入网络，所述FM嵌入网络将所述多项子特征表示为二阶多项式形式，得到所述二阶多项式形式对应的第一特征向量。
本说明书实施例，通过FM嵌入网络学习各项子特征间的二阶交叉特征，从而大大提高了预估的准确性。可以理解的是，由于线性模型的局限性，不能有效处理特征和目标之间的非线性关系，而特征组合是用户行为预测模型能取得良好效果的关键因素之一。
进一步地，所述第一文本特征对应第一初始语义向量；所述第二文本特征对应第二初始语义向量；所述特征提取器为卷积神经网络（convolutional neural networks，CNN）；
所述将所述第一文本特征和所述第二文本特征输入所述特征提取器，得到所述第一文本特征对应的第一深度语义向量，以及所述第二文本特征对应的第二深度语义向量，包括：
将所述第一初始语义向量和所述第二初始语义向量输入所述CNN，得到所述第一文本特征对应的第一深度语义向量，以及所述第二文本特征对应的第二深度语义向量。
进一步地，所述根据所述第一特征向量、所述第一深度语义向量和所述第二深度语义向量，确定所述第一预测结果，包括：
将所述第一深度语义向量和所述第二深度语义向量进行拼接，得到第一综合语义向量；
将所述第一深度语义向量、所述第一综合语义向量和所述第二深度语义向量进行依次拼接，得到第二综合语义向量；
将所述第一特征向量和所述第二综合语义向量进行拼接，得到第二特征向量；
根据所述第二特征向量，确定所述第一预测结果。
进一步地，所述根据所述第一深度语义向量和所述第二深度语义向量，确定所述第二预测结果，包括：
将所述第一深度语义向量和所述第二深度语义向量进行拼接，得到第一综合语义向量；
将所述第一深度语义向量、所述第一综合语义向量和所述第二深度语义向量进行依次拼接，得到第二综合语义向量；
根据所述第二综合语义向量，确定所述第二预测结果。
接着在步骤43，根据所述第一预测结果和所述第一标签，确定第一损失；根据所述第二预测结果和所述第二标签，确定第二损失。可以理解的是，第一损失和第二损失对应不同的预测任务。
本说明书实施例中，可以基于不同的损失函数，分别确定第一损失和第二损失。
再在步骤44，根据所述第一损失和所述第二损失，确定总损失。可以理解的是，总损失与第一损失和第二损失均为正相关。
在一个示例中，可以采用对第一损失和第二损失加权求和的方式，得到总损失。
最后在步骤45，根据所述样本集中各条样本对应的总损失，更新所述用户行为预测模型。可以理解的是，总损失越小，表明用户行为预测模型的预测结果越准确。
在一个示例中，可以通过最小化总损失，来更新所述用户行为预测模型。
图5示出根据一个实施例的用户行为预测的方法流程图，该方法可以基于图1所示的实施场景。如图5所示，该实施例中用户行为预测的方法包括以下步骤：
步骤51，获取待测样本，其中所述待测样本包括，基于待测用户和待测对象的属性特征形成的第二属性特征，基于所述待测用户做出的评论文本形成的第三文本特征，和基于针对所述待测对象的评论文本形成的第四文本特征。可以理解的是，第二属性特征对应于图4所示训练过程中的第一属性特征，第三文本特征对应于图4所示训练过程中的第一文本特征，第四文本特征对应于图4所示训练过程中的第二文本特征。
步骤52，将所述第二属性特征、所述第三文本特征和所述第四文本特征输入图4所述的方法训练后的用户行为预测模型，通过所述用户行为预测模型输出第三预测结果；所述第三预测结果用于预测所述待测用户是否针对所述待测对象执行所述预定用户行为。可以理解的是，虽然用户行为预测模型的训练过程中包括主任务和辅任务，但是在训练后的预测过程中，可以仅基于主任务进行预测。
通过本说明书实施例提供的方法，在训练用户行为预测模型的方法中，样本集中任意的第一样本不仅包括，基于样本用户和样本对象的属性特征形成的第一属性特征，还包括基于所述样本用户做出的评论文本形成的第一文本特征，和基于针对所述样本对象的评论文本形成的第二文本特征，可以理解的是，第一文本特征和第二文本特征可以体现样本用户对样本对象的偏好水平。并且，通过多任务学习的方式训练用户行为预测模型，其中，主任务为预测样本用户是否针对样本对象执行预定用户行为，辅任务为预测样本用户对样本对象的评分，可以理解的是，通过辅任务可以更好的挖掘第一文本特征和第二文本特征中所包含的用户偏好，相应提高主任务中用户行为预测的准确率。
图6示出根据一个实施例的训练用户行为预测模型的分阶段示意图。参照图6，训练用户行为预测模型主要包括：第一阶段，数据获取；第二阶段，向量表征；第三阶段，联合学习。
其中，第一阶段，数据获取。真实业务场景中，用户的个性化程度非常高，每个用户浏览的对象不一样，用户对不同对象的偏好也不同。区别于通常将所有的特征整合在一起作为初始表达，本说明书实施例，在获取到原始特征之后，将原始特征划分为用户和对象的属性特征（即前述第一属性特征）、用户评论文本特征（即前述第一文本特征）和对象评论文本特征（即前述第二文本特征）。对于第一属性特征的处理方法与通常的处理方法相同，而对于第一文本特征和第二文本特征可以通过聚类的方式得到，以用户标识对评论文本进行聚类，得到该用户标识对应的第一文本特征，以对象标识对评论文本进行聚类，得到该对象标识对应的第二文本特征。
第二阶段，向量表征。将原始的高维稀疏的特征表示成为标准的、低维稠密的特征。在经过第一阶段的数据获取后，确定了需要放进模型的特征（表示为 X1，X2 … Xj）之后（j代表特征的数目），就需要对特征进行转换、加工、处理成模型能够识别的格式。而根据不同的数据类型，可以采取不同的处理方式。例如：连续型的数据宜采用标准化或离散化的处理方式。本说明书实施例，先通过映射矩阵将特征进行映射变换，再将第一属性特征进行FM编码以及归一化后可得到第一属性特征的向量表征Efm，通过公式表示如下：
Efm=FM（X1，X2 … Xj）
其中，Efm为第一特征向量；X1，X2 … Xj为第一属性特征；FM（）为FM编码方式。
对于第一文本特征和第二文本特征，先用词向量生成模型word2vec进行向量化表征，得到第一文本特征对应的第一初始语义向量，第二文本特征对应的第二初始语义向量，通过公式表示如下：
Wu=Word2vec(Ru)
其中，Wu为第一初始语义向量，Ru为第一文本特征；
Wi=Word2vec(Ri)
其中，Wi为第二初始语义向量，Ri为第二文本特征。
之后，再用CNN作为特征提取器来得到文本的深度语义表征，通过公式表示如下：
Eu=CNN(Wu)
其中，Eu为第一深度语义向量，Wu为第一初始语义向量；
Ei=CNN(Wi)
其中，Ei为第二深度语义向量，Wi为第二初始语义向量。
再将第一深度语义向量和第二深度语义向量进行拼接，得到第一综合语义向量，通过公式表示如下：
Er= Eu+ Ei
其中，Er为第一综合语义向量，Eu为第一深度语义向量，Ei为第二深度语义向量。
第三阶段：联合学习。通过多任务学习来进行用户评论信息的学习表征，并最终能够对不同用户产生不同的个性化表征。首先，对于辅助任务（评分预测），将前面得到的第一深度语义向量、第一综合语义向量和第二深度语义向量进行拼接，然后用softmax()方法进行最终评分的预测，这里的评分预测是指，预测样本用户对样本对象的评分（例如1，2，3，4，5分），具体的公式化表达如下：
Erating= Er+Eu+Ei
其中，Erating 为第二综合语义向量，Er为第一综合语义向量，Eu为第一深度语义向量，Ei为第二深度语义向量。
其次，对于主任务用户行为预测（例如点击率预测）来说，对于第一属性特征，用FM方法得到第一特征向量Efm，在保留了第一属性特征中各子特征的二阶交互向量之后，将第一特征向量与第二综合语义向量进行拼接，得到第二特征向量，根据第二特征向量进行用户行为预测，这样即可以充分利用用户评论信息所表达的深层语义信息，并且这个语义向量还可以通过辅任务不断进行更新优化，使得用户行为预测效果得以不断优化，第二特征向量可以通过公式表示如下：
Ectr= Erating +Efm
其中，Ectr为第二特征向量，Erating 为第二综合语义向量，Efm为第一特征向量。
其中，在经过深度表征以及特征联合之后，得到了两个网络的最终输出向量，即第二特征向量Ectr和第二综合语义向量Erating。第二特征向量保留了特征的原始隐式交互信息，而第二综合语义向量则是模型学习用户-商品显式语义关系之后的输出。本说明书实施例旨在保留原始隐式特征交互的基础之上，探索显式用户-商品评论特征之间交互式影响对最终预估结果的影响。因此，在经过上一步的特征输出拼接之后，通过激活函数Softmax得到两个任务下最终的预测输出，即根据第二特征向量得到的第一预测结果，以及根据第二综合语义向量得到的第二预测结果。
根据另一方面的实施例，还提供一种训练用户行为预测模型的装置，该装置用于执行本说明书实施例提供的训练用户行为预测模型的方法。图7示出根据一个实施例的训练用户行为预测模型的装置的示意性框图。如图7所示，该装置700包括：
第一获取单元71，用于获取样本集，其中任意的第一样本包括，基于样本用户和样本对象的属性特征形成的第一属性特征，基于所述样本用户做出的评论文本形成的第一文本特征，和基于针对所述样本对象的评论文本形成的第二文本特征，且所述第一样本具有第一标签和第二标签，所述第一标签示出，所述样本用户是否针对所述样本对象执行预定用户行为，所述第二标签示出，所述样本用户对所述样本对象的评分；
第一预测单元72，用于将所述第一获取单元71获取的所述第一属性特征、所述第一文本特征和所述第二文本特征输入待训练的用户行为预测模型，通过所述用户行为预测模型输出第一预测结果和第二预测结果；所述第一预测结果用于预测所述样本用户是否针对所述样本对象执行所述预定用户行为，所述第二预测结果用于预测所述样本用户对所述样本对象的评分；
第一确定单元73，用于根据所述第一预测单元72得到的第一预测结果和所述第一获取单元71获取的第一标签，确定第一损失；根据所述第一预测单元得到的第二预测结果和所述第一获取单元获取的第二标签，确定第二损失；
第二确定单元74，用于根据所述第一确定单元73确定的所述第一损失和所述第二损失，确定总损失；
更新单元75，用于根据所述第二确定单元74确定的样本集中各条样本对应的总损失，更新所述用户行为预测模型。
可选地，作为一个实施例，所述用户行为预测模型包括嵌入网络和特征提取器；
所述第一预测单元72包括：
嵌入子单元，用于将所述第一属性特征输入所述嵌入网络，通过所述嵌入网络输出所述第一属性特征对应的第一特征向量；
特征提取子单元，用于将所述第一文本特征和所述第二文本特征输入所述特征提取器，得到所述第一文本特征对应的第一深度语义向量，以及所述第二文本特征对应的第二深度语义向量；
第一预测子单元，用于根据所述嵌入子单元得到的第一特征向量、所述特征提取子单元得到的第一深度语义向量和第二深度语义向量，确定所述第一预测结果；
第二预测子单元，用于根据所述第一深度语义向量和所述第二深度语义向量，确定所述第二预测结果。
进一步地，所述第一属性特征包括多项子特征；所述嵌入网络为因子分解机FM嵌入网络；
所述嵌入子单元，具体用于将所述多项子特征输入所述FM嵌入网络，所述FM嵌入网络将所述多项子特征表示为二阶多项式形式，得到所述二阶多项式形式对应的第一特征向量。
进一步地，所述第一文本特征对应第一初始语义向量；所述第二文本特征对应第二初始语义向量；所述特征提取器为卷积神经网络CNN；
所述特征提取子单元，具体用于将所述第一初始语义向量和所述第二初始语义向量输入所述CNN，得到所述第一文本特征对应的第一深度语义向量，以及所述第二文本特征对应的第二深度语义向量。
进一步地，所述第一预测子单元包括：
第一拼接模块，用于将所述第一深度语义向量和所述第二深度语义向量进行拼接，得到第一综合语义向量；
第二拼接模块，用于将所述第一深度语义向量、所述第一拼接模块得到的第一综合语义向量和所述第二深度语义向量进行依次拼接，得到第二综合语义向量；
第三拼接模块，用于将所述第一特征向量和所述第二拼接模块得到的第二综合语义向量进行拼接，得到第二特征向量；
预测模块，用于根据所述第三拼接模块得到的第二特征向量，确定所述第一预测结果。
进一步地，所述第二预测子单元包括：
第一拼接模块，用于将所述第一深度语义向量和所述第二深度语义向量进行拼接，得到第一综合语义向量；
第二拼接模块，用于将所述第一深度语义向量、所述第一拼接模块得到的第一综合语义向量和所述第二深度语义向量进行依次拼接，得到第二综合语义向量；
预测模块，用于根据所述第二拼接模块得到的第二综合语义向量，确定所述第二预测结果。
可选地，作为一个实施例，所述样本对象为通过显示屏展示的商品关联对象，所述商品关联对象关联第一商品；所述预定用户行为包括如下至少一种：
点击所述商品关联对象、收藏所述商品关联对象、通过所述商品关联对象购买所述第一商品、分享所述商品关联对象。
根据另一方面的实施例，还提供一种用户行为预测的装置，该装置用于执行本说明书实施例提供的用户行为预测的方法。图8示出根据一个实施例的用户行为预测的装置的示意性框图。如图8所示，该装置800包括：
第二获取单元81，用于获取待测样本，其中所述待测样本包括，基于待测用户和待测对象的属性特征形成的第二属性特征，基于所述待测用户做出的评论文本形成的第三文本特征，和基于针对所述待测对象的评论文本形成的第四文本特征；
第二预测单元82，用于将所述第二获取单元81获取的第二属性特征、第三文本特征和第四文本特征输入图7所述的装置训练后的用户行为预测模型，通过所述用户行为预测模型输出第三预测结果；所述第三预测结果用于预测所述待测用户是否针对所述待测对象执行所述预定用户行为。
通过本说明书实施例提供的装置，在训练用户行为预测模型的方法中，第一获取单元71获取的样本集中任意的第一样本不仅包括，基于样本用户和样本对象的属性特征形成的第一属性特征，还包括基于所述样本用户做出的评论文本形成的第一文本特征，和基于针对所述样本对象的评论文本形成的第二文本特征，可以理解的是，第一文本特征和第二文本特征可以体现样本用户对样本对象的偏好水平。并且，第一预测单元72、第一确定单元73、第二确定单元74和更新单元75通过多任务学习的方式训练用户行为预测模型，其中，主任务为预测样本用户是否针对样本对象执行预定用户行为，辅任务为预测样本用户对样本对象的评分，可以理解的是，通过辅任务可以更好的挖掘第一文本特征和第二文本特征中所包含的用户偏好，相应提高主任务中用户行为预测的准确率。
根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行结合图4或图5所描述的方法。
根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现结合图4或图5所描述的方法。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (18)

1.一种训练用户行为预测模型的方法，所述方法包括：
获取样本集，其中任意的第一样本包括，基于样本用户和样本对象的属性特征形成的第一属性特征，基于所述样本用户做出的评论文本形成的第一文本特征，和基于针对所述样本对象的评论文本形成的第二文本特征，且所述第一样本具有第一标签和第二标签，所述第一标签示出，所述样本用户是否针对所述样本对象执行预定用户行为，所述第二标签示出，所述样本用户对所述样本对象的评分；
将所述第一属性特征、所述第一文本特征和所述第二文本特征输入待训练的用户行为预测模型，通过所述用户行为预测模型输出第一预测结果和第二预测结果；所述第一预测结果用于预测所述样本用户是否针对所述样本对象执行所述预定用户行为，所述第二预测结果用于预测所述样本用户对所述样本对象的评分；
根据所述第一预测结果和所述第一标签，确定第一损失；根据所述第二预测结果和所述第二标签，确定第二损失；
根据所述第一损失和所述第二损失，确定总损失；
根据所述样本集中各条样本对应的总损失，更新所述用户行为预测模型。
2.如权利要求1所述的方法，其中，所述用户行为预测模型包括嵌入网络和特征提取器；
所述将所述第一属性特征、所述第一文本特征和所述第二文本特征输入待训练的用户行为预测模型，通过所述用户行为预测模型输出第一预测结果和第二预测结果，包括：
将所述第一属性特征输入所述嵌入网络，通过所述嵌入网络输出所述第一属性特征对应的第一特征向量；
将所述第一文本特征和所述第二文本特征输入所述特征提取器，得到所述第一文本特征对应的第一深度语义向量，以及所述第二文本特征对应的第二深度语义向量；
根据所述第一特征向量、所述第一深度语义向量和所述第二深度语义向量，确定所述第一预测结果；
根据所述第一深度语义向量和所述第二深度语义向量，确定所述第二预测结果。
3.如权利要求2所述的方法，其中，所述第一属性特征包括多项子特征；所述嵌入网络为因子分解机FM嵌入网络；
所述将所述第一属性特征输入所述嵌入网络，通过所述嵌入网络输出所述第一属性特征对应的第一特征向量，包括：
将所述多项子特征输入所述FM嵌入网络，所述FM嵌入网络将所述多项子特征表示为二阶多项式形式，得到所述二阶多项式形式对应的第一特征向量。
4.如权利要求2所述的方法，其中，所述第一文本特征对应第一初始语义向量；所述第二文本特征对应第二初始语义向量；所述特征提取器为卷积神经网络CNN；
所述将所述第一文本特征和所述第二文本特征输入所述特征提取器，得到所述第一文本特征对应的第一深度语义向量，以及所述第二文本特征对应的第二深度语义向量，包括：
将所述第一初始语义向量和所述第二初始语义向量输入所述CNN，得到所述第一文本特征对应的第一深度语义向量，以及所述第二文本特征对应的第二深度语义向量。
5.如权利要求2所述的方法，其中，所述根据所述第一特征向量、所述第一深度语义向量和所述第二深度语义向量，确定所述第一预测结果，包括：
将所述第一深度语义向量和所述第二深度语义向量进行拼接，得到第一综合语义向量；
将所述第一深度语义向量、所述第一综合语义向量和所述第二深度语义向量进行依次拼接，得到第二综合语义向量；
将所述第一特征向量和所述第二综合语义向量进行拼接，得到第二特征向量；
根据所述第二特征向量，确定所述第一预测结果。
6.如权利要求2所述的方法，其中，所述根据所述第一深度语义向量和所述第二深度语义向量，确定所述第二预测结果，包括：
将所述第一深度语义向量和所述第二深度语义向量进行拼接，得到第一综合语义向量；
将所述第一深度语义向量、所述第一综合语义向量和所述第二深度语义向量进行依次拼接，得到第二综合语义向量；
根据所述第二综合语义向量，确定所述第二预测结果。
7.如权利要求1所述的方法，其中，所述样本对象为通过显示屏展示的商品关联对象，所述商品关联对象关联第一商品；所述预定用户行为包括如下至少一种：
点击所述商品关联对象、收藏所述商品关联对象、通过所述商品关联对象购买所述第一商品、分享所述商品关联对象。
8.一种用户行为预测的方法，所述方法包括：
获取待测样本，其中所述待测样本包括，基于待测用户和待测对象的属性特征形成的第二属性特征，基于所述待测用户做出的评论文本形成的第三文本特征，和基于针对所述待测对象的评论文本形成的第四文本特征；
将所述第二属性特征、所述第三文本特征和所述第四文本特征输入权利要求1所述的方法训练后的用户行为预测模型，通过所述用户行为预测模型输出第三预测结果；所述第三预测结果用于预测所述待测用户是否针对所述待测对象执行所述预定用户行为。
9.一种训练用户行为预测模型的装置，所述装置包括：
第一获取单元，用于获取样本集，其中任意的第一样本包括，基于样本用户和样本对象的属性特征形成的第一属性特征，基于所述样本用户做出的评论文本形成的第一文本特征，和基于针对所述样本对象的评论文本形成的第二文本特征，且所述第一样本具有第一标签和第二标签，所述第一标签示出，所述样本用户是否针对所述样本对象执行预定用户行为，所述第二标签示出，所述样本用户对所述样本对象的评分；
第一预测单元，用于将所述第一获取单元获取的所述第一属性特征、所述第一文本特征和所述第二文本特征输入待训练的用户行为预测模型，通过所述用户行为预测模型输出第一预测结果和第二预测结果；所述第一预测结果用于预测所述样本用户是否针对所述样本对象执行所述预定用户行为，所述第二预测结果用于预测所述样本用户对所述样本对象的评分；
第一确定单元，用于根据所述第一预测单元得到的第一预测结果和所述第一获取单元获取的第一标签，确定第一损失；根据所述第一预测单元得到的第二预测结果和所述第一获取单元获取的第二标签，确定第二损失；
第二确定单元，用于根据所述第一确定单元确定的所述第一损失和所述第二损失，确定总损失；
更新单元，用于根据所述第二确定单元确定的样本集中各条样本对应的总损失，更新所述用户行为预测模型。
10.如权利要求9所述的装置，其中，所述用户行为预测模型包括嵌入网络和特征提取器；
所述第一预测单元包括：
嵌入子单元，用于将所述第一属性特征输入所述嵌入网络，通过所述嵌入网络输出所述第一属性特征对应的第一特征向量；
特征提取子单元，用于将所述第一文本特征和所述第二文本特征输入所述特征提取器，得到所述第一文本特征对应的第一深度语义向量，以及所述第二文本特征对应的第二深度语义向量；
第一预测子单元，用于根据所述嵌入子单元得到的第一特征向量、所述特征提取子单元得到的第一深度语义向量和第二深度语义向量，确定所述第一预测结果；
第二预测子单元，用于根据所述第一深度语义向量和所述第二深度语义向量，确定所述第二预测结果。
11.如权利要求10所述的装置，其中，所述第一属性特征包括多项子特征；所述嵌入网络为因子分解机FM嵌入网络；
所述嵌入子单元，具体用于将所述多项子特征输入所述FM嵌入网络，所述FM嵌入网络将所述多项子特征表示为二阶多项式形式，得到所述二阶多项式形式对应的第一特征向量。
12.如权利要求10所述的装置，其中，所述第一文本特征对应第一初始语义向量；所述第二文本特征对应第二初始语义向量；所述特征提取器为卷积神经网络CNN；
所述特征提取子单元，具体用于将所述第一初始语义向量和所述第二初始语义向量输入所述CNN，得到所述第一文本特征对应的第一深度语义向量，以及所述第二文本特征对应的第二深度语义向量。
13.如权利要求10所述的装置，其中，所述第一预测子单元包括：
第一拼接模块，用于将所述第一深度语义向量和所述第二深度语义向量进行拼接，得到第一综合语义向量；
第二拼接模块，用于将所述第一深度语义向量、所述第一拼接模块得到的第一综合语义向量和所述第二深度语义向量进行依次拼接，得到第二综合语义向量；
第三拼接模块，用于将所述第一特征向量和所述第二拼接模块得到的第二综合语义向量进行拼接，得到第二特征向量；
预测模块，用于根据所述第三拼接模块得到的第二特征向量，确定所述第一预测结果。
14.如权利要求10所述的装置，其中，所述第二预测子单元包括：
第一拼接模块，用于将所述第一深度语义向量和所述第二深度语义向量进行拼接，得到第一综合语义向量；
第二拼接模块，用于将所述第一深度语义向量、所述第一拼接模块得到的第一综合语义向量和所述第二深度语义向量进行依次拼接，得到第二综合语义向量；
预测模块，用于根据所述第二拼接模块得到的第二综合语义向量，确定所述第二预测结果。
15.如权利要求9所述的装置，其中，所述样本对象为通过显示屏展示的商品关联对象，所述商品关联对象关联第一商品；所述预定用户行为包括如下至少一种：
点击所述商品关联对象、收藏所述商品关联对象、通过所述商品关联对象购买所述第一商品、分享所述商品关联对象。
16.一种用户行为预测的装置，所述装置包括：
第二获取单元，用于获取待测样本，其中所述待测样本包括，基于待测用户和待测对象的属性特征形成的第二属性特征，基于所述待测用户做出的评论文本形成的第三文本特征，和基于针对所述待测对象的评论文本形成的第四文本特征；
第二预测单元，用于将所述第二获取单元获取的第二属性特征、第三文本特征和第四文本特征输入权利要求9所述的装置训练后的用户行为预测模型，通过所述用户行为预测模型输出第三预测结果；所述第三预测结果用于预测所述待测用户是否针对所述待测对象执行所述预定用户行为。
17.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-8中任一项的所述的方法。
18.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-8中任一项的所述的方法。
CN202010443445.2A 2020-05-22 2020-05-22 训练用户行为预测模型、用户行为预测的方法和装置 Active CN111340605B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010443445.2A CN111340605B (zh) 2020-05-22 2020-05-22 训练用户行为预测模型、用户行为预测的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010443445.2A CN111340605B (zh) 2020-05-22 2020-05-22 训练用户行为预测模型、用户行为预测的方法和装置

Publications (2)

Publication Number Publication Date
CN111340605A true CN111340605A (zh) 2020-06-26
CN111340605B CN111340605B (zh) 2020-11-24

Family

ID=71183023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010443445.2A Active CN111340605B (zh) 2020-05-22 2020-05-22 训练用户行为预测模型、用户行为预测的方法和装置

Country Status (1)

Country Link
CN (1) CN111340605B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111737584A (zh) * 2020-07-31 2020-10-02 支付宝(杭州)信息技术有限公司 行为预测系统的更新方法及装置
CN114742569A (zh) * 2021-01-08 2022-07-12 广州视源电子科技股份有限公司 用户生命阶段预测方法、装置、计算机设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1826617A (zh) * 2003-06-03 2006-08-30 波音公司 对商品的需求、供应和关联利润率建模的系统、方法和计算机程序产品
CN110210933A (zh) * 2019-05-21 2019-09-06 清华大学深圳研究生院 一种基于生成对抗网络的隐语义推荐方法
CN110324418A (zh) * 2019-07-01 2019-10-11 阿里巴巴集团控股有限公司 基于用户关系推送业务的方法和装置
CN111178458A (zh) * 2020-04-10 2020-05-19 支付宝(杭州)信息技术有限公司 分类模型的训练、对象分类方法及装置
CN111275350A (zh) * 2020-02-08 2020-06-12 支付宝(杭州)信息技术有限公司 更新事件评估模型的方法及装置
CN111291183A (zh) * 2020-01-16 2020-06-16 支付宝(杭州)信息技术有限公司 利用文本分类模型进行分类预测的方法及装置
CN111310746A (zh) * 2020-01-15 2020-06-19 支付宝实验室(新加坡)有限公司 文本行检测方法、模型训练方法、装置、服务器及介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1826617A (zh) * 2003-06-03 2006-08-30 波音公司 对商品的需求、供应和关联利润率建模的系统、方法和计算机程序产品
CN110210933A (zh) * 2019-05-21 2019-09-06 清华大学深圳研究生院 一种基于生成对抗网络的隐语义推荐方法
CN110324418A (zh) * 2019-07-01 2019-10-11 阿里巴巴集团控股有限公司 基于用户关系推送业务的方法和装置
CN111310746A (zh) * 2020-01-15 2020-06-19 支付宝实验室(新加坡)有限公司 文本行检测方法、模型训练方法、装置、服务器及介质
CN111291183A (zh) * 2020-01-16 2020-06-16 支付宝(杭州)信息技术有限公司 利用文本分类模型进行分类预测的方法及装置
CN111275350A (zh) * 2020-02-08 2020-06-12 支付宝(杭州)信息技术有限公司 更新事件评估模型的方法及装置
CN111178458A (zh) * 2020-04-10 2020-05-19 支付宝(杭州)信息技术有限公司 分类模型的训练、对象分类方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111737584A (zh) * 2020-07-31 2020-10-02 支付宝(杭州)信息技术有限公司 行为预测系统的更新方法及装置
CN114742569A (zh) * 2021-01-08 2022-07-12 广州视源电子科技股份有限公司 用户生命阶段预测方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN111340605B (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
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
CN111046294A (zh) 点击率预测方法、推荐方法、模型、装置及设备
CN110674620A (zh) 目标文案生成方法、装置、介质及电子设备
CN114117216A (zh) 推荐概率预测方法及装置、计算机存储介质和电子设备
CN111209478A (zh) 任务推送方法及装置、存储介质及电子设备
CN111340605B (zh) 训练用户行为预测模型、用户行为预测的方法和装置
US20230089574A1 (en) Modifying a document content section of a document object of a graphical user interface (gui)
CN111754278A (zh) 物品推荐方法、装置、计算机存储介质和电子设备
CN111461757B (zh) 信息处理方法及装置、计算机存储介质、电子设备
CN112015788A (zh) 向目标用户展示目标对象序列的方法和装置
US20220253746A1 (en) Systems and Methods for Managing, Distributing and Deploying a Recursive Decisioning System Based on Continuously Updating Machine Learning Models
CN113032676B (zh) 基于微反馈的推荐方法和系统
KR102368043B1 (ko) 사용자 정의 토픽 모델링을 활용한 사용자 관심 뉴스 추천 장치 및 그 방법
CN111915414B (zh) 向目标用户展示目标对象序列的方法和装置
CN112784157A (zh) 行为预测模型的训练方法、行为预测方法及装置、设备
CN111368195A (zh) 一种模型训练方法、装置、设备及存储介质
CN116756281A (zh) 知识问答方法、装置、设备和介质
CN116186219A (zh) 一种人机对话交互方法方法、系统及存储介质
JP2013020462A (ja) 関連度算出装置及び方法
CN113641915B (zh) 对象的推荐方法、装置、设备、存储介质和程序产品
CN115344774A (zh) 用户账号的筛选方法、装置及服务器
CN113094584A (zh) 推荐学习资源的确定方法和装置
CN113971581A (zh) 一种机器人的控制方法、装置、终端设备及存储介质
CN113806622A (zh) 推荐方法、装置及设备
CN112231546A (zh) 异构文档的排序方法、异构文档排序模型训练方法及装置

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