CN111353688B - 一种用户资源分配方法以及装置 - Google Patents
一种用户资源分配方法以及装置 Download PDFInfo
- Publication number
- CN111353688B CN111353688B CN202010080852.1A CN202010080852A CN111353688B CN 111353688 B CN111353688 B CN 111353688B CN 202010080852 A CN202010080852 A CN 202010080852A CN 111353688 B CN111353688 B CN 111353688B
- Authority
- CN
- China
- Prior art keywords
- user
- information
- entity object
- matching
- obtaining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 126
- 238000013468 resource allocation Methods 0.000 title claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 407
- 238000006243 chemical reaction Methods 0.000 claims description 282
- 238000012549 training Methods 0.000 claims description 220
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 239000002699 waste material Substances 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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]
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种用户资源分配方法以及装置,该方法包括:获得目标用户的信息,以及获得备选实体对象的信息;根据目标用户的信息以及备选实体对象的信息,获得用户资源特征向量;将用户资源特征向量输入用户资源匹配模型,获得用户资源匹配模型输出的目标用户与备选实体对象之间的匹配关系信息;根据匹配关系信息进行用户资源分配。通过使用该方法,可提高用户资源分发准确率以及减少用户资源的浪费。
Description
技术领域
本申请涉及计算机技术领域,具体涉及一种用户资源分配方法。本申请同时涉及一种用户资源分配装置、一种电子设备以及一种计算机可读取存储介质。本申请另外涉及一种用户资源匹配模型的训练方法。本申请另外涉及一种标签生成模型的训练方法。
背景技术
本地生活服务类网络应用平台、网络购物平台等商业化网络平台在针对其商业项目的推广和经营过程中,需要为入驻于该平台的实体对象(例如商家)提供用户资源,具体可将平台自身的用户流量数据作为用户资源,或者通过投放于其它网络平台的活动页面进行用户资源收集。
现有的用户资源分发方法为基于预定分发规则进行随机分发,例如,在指定城市、商家类目后,在召回的商家中随机选取预定数量的商家进行分发。
上述用户资源的分发方法,其分发准确率较低,例如,由于是随机分发,因此,商户与为其分发的用户资源之间的匹配度较低,导致已分发的用户资源整体转化率较低;并且,某个用户资源对当前商家来说为低质量用户资源(例如,用户与商家距离较远、用户对该商家的可度较低等),然而该用户资源对另一商家的认可度极高、且距离较近,有很大可能转化为实际消费,因此,造成该用户资源的浪费。
发明内容
本申请实施例提供一种用户资源分配方法、装置、电子设备及计算机可读存储介质,以解决现有技术中的用户资源分发准确率较低以及造成用户资源浪费的问题。本申请实施例还提供一种用户资源匹配模型的训练方法、装置、电子设备及计算机可读存储介质。本申请实施例还提供一种标签生成模型的训练方法、装置、电子设备及计算机可读存储介质。
本申请实施例提供一种用户资源分配方法,包括:获得目标用户的信息,以及获得备选实体对象的信息;根据目标用户的信息以及备选实体对象的信息,获得用户资源特征向量;将用户资源特征向量输入用户资源匹配模型,获得用户资源匹配模型输出的目标用户与备选实体对象之间的匹配关系信息;根据匹配关系信息,将目标用户对应的用户资源信息分配给备选实体对象。
可选的,根据目标用户的信息以及备选实体对象的信息,获得用户资源特征向量,包括:对目标用户的信息进行特征提取,获得用户特征数据,以及对备选实体对象的信息进行特征提取,获得实体对象特征数据;根据用户特征数据以及实体对象特征数据,获得用户资源特征向量。根据用户特征数据以及实体对象特征数据,获得用户资源特征向量,包括:将用户特征数据转换为用户特征向量,并且将实体对象特征数据转换为实体对象特征向量;将用户特征向量和实体对象特征向量合并为用户资源特征向量,其中,每一个用户特征数据或实体对象特征数据对应用户资源特征向量的一个维度。获得目标用户的信息,包括如下中的至少一种:获得目标用户的实时信息;获得目标用户的历史信息;获得目标用户的属性信息;获得目标用户的推荐渠道信息。获得备选实体对象的信息包括如下中的至少一种:获得备选实体对象的属性信息;获得备选实体对象的数据流量信息;获得备选实体对象所属的类目信息。
可选的,匹配关系信息为用于表示目标用户与备选实体对象之间的匹配程度的匹配值,根据匹配关系信息,将目标用户对应的用户资源信息分配给备选实体对象,包括:将目标用户对应的用户资源信息分配给目标实体对象,目标实体对象为与目标用户之间的匹配值达到预定匹配阈值的备选实体对象。将目标用户对应的用户资源信息分配给目标实体对象,包括:对匹配值进行排序,获得匹配值排序结果;根据匹配值排序结果,从备选实体对象中获得与目标用户之间的匹配值达到预定匹配阈值的预定数量的目标实体对象;将目标用户对应的用户资源信息分发给目标实体对象。
本申请实施例还提供一种用户资源匹配模型的训练方法,包括:获得历史用户的信息,以及获得历史用户对应的分配实体对象的信息,分配实体对象为已获得历史用户所对应的用户资源信息的实体对象;根据历史用户的信息获得历史用户特征数据,以及根据分配实体对象的信息获得分配实体对象特征数据;根据历史用户特征数据和分配实体对象特征数据,获得历史用户资源特征向量;获得历史用户与分配实体对象之间的匹配标签信息;根据历史用户资源特征向量以及匹配标签信息进行模型训练,获得用户资源匹配模型,用户资源匹配模型用于根据输入的用户资源特征向量输出用户信息与实体对象信息之间的匹配关系信息,用户资源特征向量为根据用户信息对应的用户特征数据和实体对象信息对应的实体对象特征数据所获得的特征向量。
可选的,获得历史用户与分配实体对象之间的匹配标签信息,包括:获得历史用户与分配实体对象之间的用户资源转化信息;根据用户资源转化信息,获得用户资源转化特征向量;将用户资源转化特征向量输入标签生成模型,获得标签生成模型输出的历史用户与分配实体对象之间的匹配标签信息。获得历史用户与分配实体对象之间的用户资源转化信息,包括如下中的至少一种:根据分配实体对象的反馈信息获得历史用户与分配实体对象之间的用户资源转化信息;根据历史用户的反馈信息获得历史用户与分配实体对象之间的用户资源转化信息;根据历史用户与分配实体对象之间的数据流量信息获得历史用户与分配实体对象之间的用户资源转化信息。根据用户资源转化信息,获得用户资源转化特征向量,包括:对用户资源转化信息进行文本预处理,获得用户资源转化信息所包含的目标词汇;将目标词汇转换为词汇特征向量;获取每个词汇特征向量的最大维度值,并根据最大维度值生成用户资源转化特征向量。根据历史用户特征数据和分配实体对象特征数据,获得历史用户资源特征向量,包括:将历史用户特征数据转换为历史用户特征向量,并且将分配实体对象特征数据转换为分配实体对象特征向量;将历史用户特征向量和分配实体对象特征向量合并为历史用户资源特征向量,其中,每一个历史用户特征数据或分配实体对象特征数据对应历史用户资源特征向量的一个维度。
可选的,获得历史用户的信息,包括如下中的至少一种:获得历史用户的实时信息;获得历史用户的历史信息;获得历史用户的属性信息;获得历史用户的推荐渠道信息。获得历史用户对应的分配实体对象的信息,包括如下中的至少一种:获得分配实体对象的属性信息;获得分配实体对象的数据流量信息;获得分配实体对象所属的类目信息。根据历史用户资源特征向量以及匹配标签信息进行模型训练,获得用户资源匹配模型,包括:将历史用户资源特征向量作为训练样本实体,并将匹配标签信息作为历史用户资源特征向量的训练样本标签,对训练样本实体和训练样本标签进行模型训练,获得用户资源匹配模型。
本申请实施例还提供一种标签生成模型的训练方法,包括:获得历史用户与历史用户对应的分配实体对象之间的用户资源转化信息,以及获得用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值,分配实体对象为已获得历史用户所对应的用户资源信息的实体对象;根据用户资源转化信息,获得用户资源转化特征向量;根据用户资源转化特征向量和匹配标签值进行模型训练,获得标签生成模型,标签生成模型用于:根据目标历史用户与该目标历史用户对应的目标分配实体对象之间的用户资源转化信息,获得用于表示目标历史用户与目标分配实体对象之间的匹配程度的目标匹配标签值。
可选的,获得历史用户与历史用户对应的分配实体对象之间的用户资源转化信息,包括如下中的至少一种:根据分配实体对象的反馈信息获得历史用户与分配实体对象之间的用户资源转化信息;根据历史用户的反馈信息获得历史用户与分配实体对象之间的用户资源转化信息;根据历史用户与分配实体对象之间的数据流量信息获得历史用户与分配实体对象之间的用户资源转化信息。获得用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值,包括如下中的一种:根据分配实体对象的反馈信息获得匹配标签值;根据历史用户的反馈信息获得匹配标签值;根据历史用户与分配实体对象之间的数据流量信息获得匹配标签值。获得用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值,包括:将第一匹配标签值、第二匹配标签值以及第三匹配标签值中的至少两种匹配标签值中的最大匹配标签值作为用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值;其中,第一匹配标签值根据分配实体对象的反馈信息获得,第二匹配标签值根据历史用户的反馈信息获得,第三匹配标签值根据历史用户与分配实体对象之间的数据流量信息获得。
可选的,根据用户资源转化信息,获得用户资源转化特征向量,包括:对用户资源转化信息进行文本预处理,获得用户资源转化信息所包含的目标词汇;将目标词汇转换为词汇特征向量;获取每个词汇特征向量的最大维度值,并根据最大维度值生成用户资源转化特征向量。根据用户资源转化特征向量和匹配标签值进行模型训练,获得标签生成模型,包括:将用户资源转化特征向量作为训练样本实体,并将匹配标签值作为训练样本标签,使用预定的训练模型对训练样本实体和训练样本标签进行模型训练,获得标签生成模型。
本申请实施例还提供一种用户资源分配装置,包括:信息获得单元,用于获得目标用户的信息,以及获得备选实体对象的信息;用户资源特征向量获得单元,用于根据目标用户的信息以及备选实体对象的信息,获得用户资源特征向量;匹配关系信息获得单元,用于将用户资源特征向量输入用户资源匹配模型,获得用户资源匹配模型输出的目标用户与备选实体对象之间的匹配关系信息;用户资源分配单元,用于根据匹配关系信息,将目标用户对应的用户资源信息分配给备选实体对象。
可选的,用户资源特征向量获得单元包括:特征数据获得子单元,用于对目标用户的信息进行特征提取,获得用户特征数据,以及对备选实体对象的信息进行特征提取,获得实体对象特征数据;用户资源特征向量获得子单元,用于根据用户特征数据以及实体对象特征数据,获得用户资源特征向量。用户资源特征向量获得子单元包括:特征向量转换子单元,用于将用户特征数据转换为用户特征向量,并且将实体对象特征数据转换为实体对象特征向量;特征向量合并子单元,用于将用户特征向量和实体对象特征向量合并为用户资源特征向量,其中,每一个用户特征数据或实体对象特征数据对应用户资源特征向量的一个维度。
可选的,获得目标用户的信息,包括如下中的至少一种:获得目标用户的实时信息;获得目标用户的历史信息;获得目标用户的属性信息;获得目标用户的推荐渠道信息。获得备选实体对象的信息包括如下中的至少一种:获得备选实体对象的属性信息;获得备选实体对象的数据流量信息;获得备选实体对象所属的类目信息。匹配关系信息为用于表示目标用户与备选实体对象之间的匹配程度的匹配值,根据匹配关系信息,将目标用户对应的用户资源信息分配给备选实体对象,包括:将目标用户对应的用户资源信息分配给目标实体对象,目标实体对象为与目标用户之间的匹配值达到预定匹配阈值的备选实体对象。将目标用户对应的用户资源信息分配给目标实体对象,包括:对匹配值进行排序,获得匹配值排序结果;根据匹配值排序结果,从备选实体对象中获得与目标用户之间的匹配值达到预定匹配阈值的预定数量的目标实体对象;将目标用户对应的用户资源信息分发给目标实体对象。
本申请实施例还提供一种电子设备,包括处理器和存储器;其中,存储器用于存储一条或多条计算机指令,其中,一条或多条计算机指令被处理器执行以实现如下操作:获得目标用户的信息,以及获得备选实体对象的信息;根据目标用户的信息以及备选实体对象的信息,获得用户资源特征向量;将用户资源特征向量输入用户资源匹配模型,获得用户资源匹配模型输出的目标用户与备选实体对象之间的匹配关系信息;根据匹配关系信息,将目标用户对应的用户资源信息分配给备选实体对象。
本申请实施例还提供一种计算机可读存储介质,其上存储有一条或多条计算机指令,该指令被处理器执行以实现如下操作:获得目标用户的信息,以及获得备选实体对象的信息;根据目标用户的信息以及备选实体对象的信息,获得用户资源特征向量;将用户资源特征向量输入用户资源匹配模型,获得用户资源匹配模型输出的目标用户与备选实体对象之间的匹配关系信息;根据匹配关系信息,将目标用户对应的用户资源信息分配给备选实体对象。
本申请实施例还提供一种用户资源匹配模型的训练装置,包括:信息获得单元,用于获得历史用户的信息,以及获得历史用户对应的分配实体对象的信息,分配实体对象为已获得历史用户所对应的用户资源信息的实体对象;特征数据获得单元,用于根据历史用户的信息获得历史用户特征数据,以及根据分配实体对象的信息获得分配实体对象特征数据;历史用户资源特征向量获得单元,用于根据历史用户特征数据和分配实体对象特征数据,获得历史用户资源特征向量;匹配标签信息获得单元,用于获得历史用户与分配实体对象之间的匹配标签信息;模型训练单元,用于根据历史用户资源特征向量以及匹配标签信息进行模型训练,获得用户资源匹配模型,用户资源匹配模型用于根据输入的用户资源特征向量输出用户信息与实体对象信息之间的匹配关系信息,用户资源特征向量为根据用户信息对应的用户特征数据和实体对象信息对应的实体对象特征数据所获得的特征向量。
可选的,匹配标签信息获得单元包括:用户资源转化信息获得子单元,用于获得历史用户与分配实体对象之间的用户资源转化信息;用户资源转化特征向量获得子单元,用于根据用户资源转化信息,获得用户资源转化特征向量;匹配标签信息获得子单元,用于将用户资源转化特征向量输入标签生成模型,获得标签生成模型输出的历史用户与分配实体对象之间的匹配标签信息。获得历史用户与分配实体对象之间的用户资源转化信息,包括如下中的至少一种:根据分配实体对象的反馈信息获得历史用户与分配实体对象之间的用户资源转化信息;根据历史用户的反馈信息获得历史用户与分配实体对象之间的用户资源转化信息;根据历史用户与分配实体对象之间的数据流量信息获得历史用户与分配实体对象之间的用户资源转化信息。
可选的,用户资源转化特征向量获得子单元包括:目标词汇获得子单元,用于对用户资源转化信息进行文本预处理,获得用户资源转化信息所包含的目标词汇;词汇特征向量转换子单元,用于将目标词汇转换为词汇特征向量;用户资源转化特征向量生成子单元,用于获取每个词汇特征向量的最大维度值,并根据最大维度值生成用户资源转化特征向量。历史用户资源特征向量获得单元包括:特征向量转换子单元,用于将历史用户特征数据转换为历史用户特征向量,并且将分配实体对象特征数据转换为分配实体对象特征向量;特征向量合并子单元,用于将历史用户特征向量和分配实体对象特征向量合并为历史用户资源特征向量,其中,每一个历史用户特征数据或分配实体对象特征数据对应历史用户资源特征向量的一个维度。
可选的,获得历史用户的信息,包括如下中的至少一种:获得历史用户的实时信息;获得历史用户的历史信息;获得历史用户的属性信息;获得历史用户的推荐渠道信息。获得历史用户对应的分配实体对象的信息,包括如下中的至少一种:获得分配实体对象的属性信息;获得分配实体对象的数据流量信息;获得分配实体对象所属的类目信息。
可选的,根据历史用户资源特征向量以及匹配标签信息进行模型训练,获得用户资源匹配模型,包括:将历史用户资源特征向量作为训练样本实体,并将匹配标签信息作为历史用户资源特征向量的训练样本标签,对训练样本实体和训练样本标签进行模型训练,获得用户资源匹配模型。
本申请实施例还提供一种电子设备,包括处理器和存储器;其中,存储器用于存储一条或多条计算机指令,其中,计算机指令被处理器执行以实现如下操作获得历史用户的信息,以及获得历史用户对应的分配实体对象的信息,分配实体对象为已获得历史用户所对应的用户资源信息的实体对象;根据历史用户的信息获得历史用户特征数据,以及根据分配实体对象的信息获得分配实体对象特征数据;根据历史用户特征数据和分配实体对象特征数据,获得历史用户资源特征向量;获得历史用户与分配实体对象之间的匹配标签信息;根据历史用户资源特征向量以及匹配标签信息进行模型训练,获得用户资源匹配模型,用户资源匹配模型用于根据输入的用户资源特征向量输出用户信息与实体对象信息之间的匹配关系信息,用户资源特征向量为根据用户信息对应的用户特征数据和实体对象信息对应的实体对象特征数据所获得的特征向量。
本申请实施例还提供一种计算机可读存储介质,其上存储有一条或多条计算机指令,该指令被处理器执行以实现如下操作:获得历史用户的信息,以及获得历史用户对应的分配实体对象的信息,分配实体对象为已获得历史用户所对应的用户资源信息的实体对象;根据历史用户的信息获得历史用户特征数据,以及根据分配实体对象的信息获得分配实体对象特征数据;根据历史用户特征数据和分配实体对象特征数据,获得历史用户资源特征向量;获得历史用户与分配实体对象之间的匹配标签信息;根据历史用户资源特征向量以及匹配标签信息进行模型训练,获得用户资源匹配模型,用户资源匹配模型用于根据输入的用户资源特征向量输出用户信息与实体对象信息之间的匹配关系信息,用户资源特征向量为根据用户信息对应的用户特征数据和实体对象信息对应的实体对象特征数据所获得的特征向量。
本申请实施例还提供一种标签生成模型的训练装置,包括:用户资源转化信息获得单元,用于获得历史用户与历史用户对应的分配实体对象之间的用户资源转化信息,以及获得用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值,分配实体对象为已获得历史用户所对应的用户资源信息的实体对象;用户资源转化特征向量获得单元,用于根据用户资源转化信息,获得用户资源转化特征向量;模型训练单元,用于根据用户资源转化特征向量和匹配标签值进行模型训练,获得标签生成模型,标签生成模型用于:根据目标历史用户与该目标历史用户对应的目标分配实体对象之间的用户资源转化信息,获得表示目标历史用户与目标分配实体对象之间的匹配程度的目标匹配标签值。
可选的,获得历史用户与历史用户对应的分配实体对象之间的用户资源转化信息,包括如下中的至少一种:根据分配实体对象的反馈信息获得历史用户与分配实体对象之间的用户资源转化信息;根据历史用户的反馈信息获得历史用户与分配实体对象之间的用户资源转化信息;根据历史用户与分配实体对象之间的数据流量信息获得历史用户与分配实体对象之间的用户资源转化信息。获得用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值,包括如下中的一种:根据分配实体对象的反馈信息获得匹配标签值;根据历史用户的反馈信息获得匹配标签值;根据历史用户与分配实体对象之间的数据流量信息获得匹配标签值。获得用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值,包括:将第一匹配标签值、第二匹配标签值以及第三匹配标签值中的至少两种匹配标签值中的最大匹配标签值作为用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值;其中,第一匹配标签值根据分配实体对象的反馈信息获得,第二匹配标签值根据历史用户的反馈信息获得,第三匹配标签值根据历史用户与分配实体对象之间的数据流量信息获得。
可选的,用户资源转化特征向量获得单元包括:目标词汇获得子单元,用于对用户资源转化信息进行文本预处理,获得用户资源转化信息所包含的目标词汇;词汇特征向量转换子单元,用于将目标词汇转换为词汇特征向量;用户资源转化特征向量生成子单元,用于获取每个词汇特征向量的最大维度值,并根据最大维度值生成用户资源转化特征向量。根据用户资源转化特征向量和匹配标签值进行模型训练,获得标签生成模型,包括:将用户资源转化特征向量作为训练样本实体,并将匹配标签值作为训练样本标签,使用预定的训练模型对训练样本实体和训练样本标签进行模型训练,获得标签生成模型。
本申请实施例还提供一种电子设备,包括处理器和存储器;其中,存储器用于存储一条或多条计算机指令,计算机指令被处理器执行以实现如下操作:获得历史用户与历史用户对应的分配实体对象之间的用户资源转化信息,以及获得用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值,分配实体对象为已获得历史用户所对应的用户资源信息的实体对象;根据用户资源转化信息,获得用户资源转化特征向量;根据用户资源转化特征向量和匹配标签值进行模型训练,获得标签生成模型,标签生成模型用于:根据目标历史用户与该目标历史用户对应的目标分配实体对象之间的用户资源转化信息,获得用于表示目标历史用户与目标分配实体对象之间的匹配程度的目标匹配标签值。
本申请实施例还提供一种计算机可读存储介质,其上存储有一条或多条计算机指令,该指令被处理器执行以实现如下操作:获得历史用户与历史用户对应的分配实体对象之间的用户资源转化信息,以及获得用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值,分配实体对象为已获得历史用户所对应的用户资源信息的实体对象;根据用户资源转化信息,获得用户资源转化特征向量;根据用户资源转化特征向量和匹配标签值进行模型训练,获得标签生成模型,标签生成模型用于:根据目标历史用户与该目标历史用户对应的目标分配实体对象之间的用户资源转化信息,获得用于表示目标历史用户与目标分配实体对象之间的匹配程度的目标匹配标签值。
与现有技术相比,本申请实施例具有以下优点:
本申请实施例提供的用户资源分配方法,包括:获得目标用户的信息,以及获得备选实体对象的信息;根据目标用户的信息以及备选实体对象的信息,获得用户资源特征向量;将用户资源特征向量输入用户资源匹配模型,获得用户资源匹配模型输出的目标用户与备选实体对象之间的匹配关系信息;根据匹配关系信息进行用户资源分配。该方法通过将目标用户以及实体对象通过用户资源匹配模型进行匹配后,根据匹配结果为实体对象分发用户资源,可提高用户资源分发准确率以及减少用户资源的浪费。
附图说明
图1-A是本申请实施例提供的用户资源分配示意图;
图1是本申请第一实施例提供的用户资源分配流程图;
图2是本申请第二实施例提供的用户资源匹配模型的训练方法流程图;
图3是本申请第三实施例提供的标签生成模型的训练方法流程图;
图4是本申请第四实施例提供的用户资源分配装置的单元框图
图5是本申请第五实施例提供的电子设备的逻辑结构示意图
图6是本申请第七实施例提供的用户资源匹配模型的训练装置的单元框图;
图7是本申请第八实施例提供的电子设备的逻辑结构示意图;
图8是本申请第十实施例提供的标签生成模型的训练装置的单元框图;
图9是本申请第十一实施例提供的电子设备的逻辑结构示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
针对用户资源分配场景,为了提高用户资源分发准确率以及减少用户资源浪费,本申请提供了一种用户资源分配方法、与该方法相对应的用户资源分配装置、电子设备以及计算机可读存储介质。本申请还提供一种用户资源匹配模型的训练方法、用户资源匹配模型的训练装置、电子设备以及计算机可读存储介质。本申请还提供一种标签生成模型的训练方法、与该方法相对应的标签生成模型的训练装置、电子设备以及计算机可读存储介质。以下提供实施例对上述方法、装置、电子设备以及计算机可读存储介质进行详细说明。
本申请第一实施例提供一种用户资源分配方法,该方法的应用主体可以为用于对用户资源进行分配的计算设备应用,图1为本申请第一实施例提供的用户资源分配方法流程图,图1-A为本申请实施例提供的用户资源分配示意图,以下结合图1和图1-A对本实施例提供的方法进行详细描述。以下描述所涉及的实施例是用来解释说明方法原理,不是实际使用的限定。
如图1所示,本实施例提供的用户资源分配方法包括如下步骤:
S101,获得目标用户的信息,以及获得备选实体对象的信息。
目标用户指的是可作为待分配用户资源的用户,例如,本地生活服务类网络应用平台、网络购物平台等商业化网络平台在针对其商业项目的推广和经营过程中,需要为入驻于该平台的实体对象(例如商家)提供用户资源,具体可将平台自身的用户流量数据作为用户资源,或者通过投放于其它网络平台的活动页面进行用户资源收集,即,根据该活动页面的反馈数据提取用户资源,并将该提取的用户资源作为向上述实体对象分发的用户资源,例如,将用于获取用户消费倾向的商业活动页面投放至第三方网络平台的app中供用户点击、选择、以及信息录入,该活动页面可包含当前商业活动所属的类目,用户可在该活动页面中选择消费目的地、消费场景、消费需求等信息,或者写入消费类目等信息,这些信息即可作为活动页面的反馈数据。该反馈数据中可包含用户所在城市、当前活动所属类目以及用户选择的类目,例如,当前用户所在城市为杭州,当前活动所属类目为“本地婚纱摄影”,用户选择的类目为“旅拍”,则活动页面的反馈信息可以为:用户的消费类目“本地婚纱摄影”以及“旅拍”。
备选实体对象可以是指与目标用户初步匹配的实体对象,该备选实体对象可从预先存储实体对象的物料库中获得,例如,利用目标用户的位置信息对物料库中的海量商家进行筛选,获得与目标用户的位置信息相匹配的多个商家作为备选商家。
在本实施例中,获得目标用户的信息可以是指获得所述目标用户的实时信息、目标用户的历史信息、目标用户的属性信息以及所述目标用户的推荐渠道信息等信息中的一种或多种。其中,目标用户的实时信息可以为目标用户提交消费倾向问答卷的时间、目标用户的地理位置信息等;目标用户的历史信息可以是指用户针对某类服务或商品的历史消费次数、平均消费额度等信息;目标用户的属性信息可以是指目标用户的性别、年龄、婚姻状况、消费能力等信息;目标用户的推荐渠道信息可以是指目标用户作为用户资源时所对应的来源信息,例如,该目标用户为某个第三方网络平台所推荐的用户,或者从某个第三方网络平台所反馈的活动页面中所提取的用户,则该网络平台以及该第三方网络平台所提供的有效客资数据即可作为目标用户的推荐渠道信息。
在本实施例中,获得备选实体对象的信息可以是指获得所述备选实体对象的属性信息、备选实体对象的数据流量信息、备选实体对象所属的类目信息等信息中的一种或多种,其中,备选实体对象的属性信息可以是指备选实体对象的地理位置、用户流量、人气评分值等信息;备选实体对象的数据流量信息可以是指备选对象的交易信息,例如,预定时间内该备选实体对象的平均消费金额、总消费金额等表示其消费等级的信息;备选实体对象所属的类目信息可以是指该备选实体对象所提供的服务种类或商品的品类等信息。
S102,根据目标用户的信息以及备选实体对象的信息,获得用户资源特征向量。
在上述步骤获得目标用户的信息和备选实体对象的信息之后,本步骤用于根据目标用户的信息以及备选实体对象的信息,获得可作为模型输入数据的用户资源特征向量。
在本实施例中,上述根据所述目标用户的信息以及所述备选实体对象的信息,获得用户资源特征向量,具体可包括如下内容:首先,对所述目标用户的信息进行特征提取,获得用户特征数据,以及对所述备选实体对象的信息进行特征提取,获得实体对象特征数据,例如,可根据目标用户的信息或备选实体对象的信息中的关键字提取对应的特征数据,或者根据预定的特征提取条件提取特征数据,例如,对于目标用户的推荐渠道信息,可将推荐渠道(第三方网络平台)对应的历史用户资源信息(历史有效用户资源总数或者历史有效用户资源比例,有效用户资源指的是该推荐渠道所推荐的用户资源中发生实际消费行为的用户资源)作为特征数据;其次,根据所述用户特征数据以及所述实体对象特征数据,获得所述用户资源特征向量,例如,采用预定算法将所述用户特征数据转换为用户特征向量,并且将所述实体对象特征数据转换为实体对象特征向量,将该用户特征向量和实体对象特征向量合并为用户资源特征向量,其中,每一个用户特征数据或实体对象特征数据均对应用户资源特征向量的一个维度。上述将特征数据转换为特征向量的过程中,如果特征数据为连续值(例如,交易数据),则对该特征数据进行归一化处理后转换为特征向量,如果特征数据为离散值,则使用独热编码算法(One-Hot编码算法)将该离散特征数据转换为特征向量。
S103,将用户资源特征向量输入用户资源匹配模型,获得用户资源匹配模型输出的目标用户与备选实体对象之间的匹配关系信息。
在上述步骤活获得用户资源特征向量之后,本步骤用于将该用户资源特征向量输入用户资源匹配模型进行分类预测,获得用户资源匹配模型输出的目标用户与备选实体对象之间的匹配关系信息,在本实施例中,该匹配关系信息可以为用于表示所述目标用户与所述备选实体对象之间的匹配程度的匹配值,例如,目标用户与备选实体对象之间的匹配程度越高,则该匹配值越大。
S104,根据上述匹配关系信息,将目标用户对应的用户资源信息分配给所述备选实体对象。
在上述步骤获得用户资源匹配模型输出的目标用户与备选实体对象之间的匹配关系信息之后,本步骤用于根据该匹配关系信息进行用户资源分配,即,根据上述匹配关系信息确定将该目标用户所对应的用户资源信息分发给哪一个备选实体对象。
在本实施例中,根据匹配关系信息,将目标用户对应的用户资源信息分配给备选实体对象,可以是指:将所述目标用户对应的用户资源信息分配给目标实体对象,该目标实体对象为与目标用户之间的匹配值达到预定匹配阈值的备选实体对象。该过程具体包括如下内容:对所述匹配值进行排序,获得匹配值排序结果,例如,将匹配值按照从大到小的顺序进行排序;根据该匹配值排序结果,从备选实体对象中获得与目标用户之间的匹配值达到预定匹配阈值的预定数量的目标实体对象;将该目标用户所对应的用户资源信息通过文本方案分发给所述目标实体对象。
本实施例提供的用户资源匹配方法,将目标用户以及实体对象通过用户资源匹配模型进行匹配,并根据匹配结果为实体对象分发用户资源,使得用户资源分发的过程更具有针对性,可提高用户资源的分发准确率以及减少用户资源的浪费。
本申请第二实施例提供一种用户资源匹配模型的训练方法,图2为本申请第一实施例提供的用户资源匹配模型的训练方法流程图,以下结合图2和图1-A对本实施例提供的方法进行详细描述。以下描述所涉及的实施例是用来解释说明方法原理,不是实际使用的限定。
如图2所示,本实施例提供的用户资源匹配模型的训练方法包括如下步骤:
S201,获得历史用户的信息,以及获得该历史用户对应的分配实体对象的信息。分配实体对象指的是已获得历史用户所对应的用户资源信息的实体对象。
在本实施例中,获得历史用户的信息,具体可以为如下中的至少一种:获得历史用户的实时信息;获得历史用户的历史信息;获得历史用户的属性信息;获得历史用户的推荐渠道信息。获得历史用户对应的分配实体对象的信息,具体可以为如下中的至少一种:获得分配实体对象的属性信息,例如获得商家的地理位置、商家对应的人气评价分值信息;获得分配实体对象的数据流量信息,例如商家的商品交易数量、交易金额汇总等;获得分配实体对象所属的类目信息,例如商家的经营类目信息。
S202,根据历史用户的信息获得历史用户特征数据,以及根据分配实体对象的信息获得分配实体对象特征数据。
本步骤用于对历史用户的信息进行特征提取,获得用户特征数据,以及对分配实体对象的信息进行特征提取,获得分配实体对象特征数据,例如,可根据历史用户的信息或分配实体对象的信息中的关键字提取对应的特征数据,或者根据预定的特征提取条件提取特征数据,例如,对于历史用户的推荐渠道信息,可将推荐渠道(第三方网络平台)对应的历史用户资源信息(历史有效用户资源总数或者历史有效用户资源比例,有效用户资源指的是该推荐渠道所推荐的用户资源中发生实际消费行为的用户资源)作为特征数据。
S203,根据历史用户特征数据和分配实体对象特征数据,获得历史用户资源特征向量。
在上述步骤获得历史用户特征数据以及分配实体对象特征数据之后,本步骤用于根据上述历史用户特征数据和分配实体对象特征数据获得历史用户资源特征向量。在本实施例中,该过程具体可以为:采用预定算法将所述历史用户特征数据转换为历史用户特征向量,并且将所述分配实体对象特征数据转换为分配实体对象特征向量;将所述历史用户特征向量和所述分配实体对象特征向量合并为所述历史用户资源特征向量,其中,每一个所述历史用户特征数据或所述分配实体对象特征数据对应所述历史用户资源特征向量的一个维度。
S204,获得历史用户与分配实体对象之间的匹配标签信息。
在本实施例中,上述获得历史用户与分配实体对象之间的匹配标签信息,具体包括如下内容:
首先,获得历史用户与分配实体对象之间的用户资源转化信息;在本实施例中,可通过如下途径获得上述用户资源转化信息:根据分配实体对象的反馈信息获得历史用户与分配实体对象之间的用户资源转化信息,即,从分配实体对象的反馈信息中获得历史用户与分配实体对象之间的用户资源转化信息;根据历史用户的反馈信息获得历史用户与分配实体对象之间的用户资源转化信息,即,从针对历史用户的寻访信息中获得历史用户与分配实体对象之间的用户资源转化信息;根据历史用户与分配实体对象之间的数据流量信息获得历史用户与分配实体对象之间的用户资源转化信息,即,从历史用户对应于分配实体对象的实际消费信息中获得历史用户与分配实体对象之间的用户资源转化信息。例如,根据商户或者客服的回访结果,根据历史用户针对实体对象的消费意愿,将历史用户对应的用户资源分为虚假用户资源(用户资源的来源渠道造假或者用户自身造假)、无效用户资源(用户随意填写,无实际消费诉求)、有意愿用户资源(用户在未来某个时间段或时间点具有消费诉求)、强烈意愿用户资源(用户消费诉求强烈,需要优质商户的推荐)4个用户资源级别,该4个用户资源级别可对应用户资源的转化信息。
其次,根据所述用户资源转化信息,获得用户资源转化特征向量;该过程具体可以为:对所述用户资源转化信息进行文本预处理,获得所述用户资源转化信息所包含的目标词汇,例如,对用户资源转化信息进行分词处理以及停顿词过滤处理,获得目标词汇;将所述目标词汇转换为词汇特征向量,例如采用Word2Vec算法目标词汇转换为词汇特征向量,Word2Vec算法能生成词向量,其采用的模型包含了连续词袋模型(CBOW)和Skip-Gram模型,其可以针对大数据量进行高效训练而得到词向量;获取每个所述词汇特征向量的最大维度值,并根据所述最大维度值生成所述用户资源转化特征向量。
最后,将所述用户资源转化特征向量输入标签生成模型,获得标签生成模型输出的所述历史用户与所述分配实体对象之间的匹配标签信息。
S205,根据历史用户资源特征向量以及匹配标签信息进行模型训练,获得用户资源匹配模型,用户资源匹配模型用于根据输入的用户资源特征向量输出用户信息与实体对象信息之间的匹配关系信息,用户资源特征向量根据用户信息对应的用户特征数据和实体对象信息对应的实体对象特征数据获得。
上述根据所述历史用户资源特征向量以及所述匹配标签信息进行模型训练,获得用户资源匹配模型,具体可以为:将所述历史用户资源特征向量作为训练样本实体,并将所述匹配标签信息作为所述历史用户资源特征向量的训练样本标签,对所述训练样本实体和所述训练样本标签进行模型训练,获得用户资源匹配模型。
本实施例提供的用户资源匹配模型的训练方法,通过将历史用户的信息和该历史用户对应的分配实体对象的信息作为训练样本、将历史用户与分配实体对象之间的匹配标签信息作为训练样本的标签进行模型训练,所获得的用户资源匹配模型能够根据输入的用户资源特征向量,更准确地输出用户信息与实体对象信息之间的匹配关系信息,该用户资源特征向量为根据用户信息对应的用户特征数据和实体对象信息对应的实体对象特征数据所获得的特征向量。
本申请第三实施例还提供一种标签生成模型的训练方法,图3为本申请第一实施例提供的标签生成模型的训练方法流程图,以下结合图3和图1-A对本实施例提供的方法进行详细描述。以下描述所涉及的实施例是用来解释说明方法原理,不是实际使用的限定。
如图3所示,本实施例提供的标签生成模型的训练方法包括如下步骤:
S301,获得历史用户和该历史用户对应的分配实体对象之间的用户资源转化信息样本,以及获得用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值样本。
分配实体对象为已获得上述历史用户所对应的用户资源信息的实体对象。在本实施例中,获得历史用户和该历史用户对应的分配实体对象之间的用户资源转化信息,具体可以为如下方式中的一种或多种:根据分配实体对象的反馈信息获得历史用户与分配实体对象之间的用户资源转化信息,例如,从分配实体对象的反馈信息中获得历史用户与分配实体对象之间的用户资源转化信息;根据历史用户的反馈信息获得历史用户与分配实体对象之间的用户资源转化信息,例如,从针对历史用户的寻访信息中获得历史用户与分配实体对象之间的用户资源转化信息;根据历史用户与分配实体对象之间的数据流量信息获得历史用户与分配实体对象之间的用户资源转化信息,例如,从历史用户对应于分配实体对象的实际消费信息中获得历史用户与分配实体对象之间的用户资源转化信息。
在本实施例中,可通过如下两种方式获得用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值:
方式一:通过如下中的一种获得匹配标签值:根据所述分配实体对象的反馈信息获得所述匹配标签值;根据历史用户的反馈信息(例如,针对所述历史用户的寻访信息)获得所述匹配标签值;根据所述历史用户与所述分配实体对象之间的数据流量信息(例如,历史用户对应于所述分配实体对象的实际消费状况信息)获得所述匹配标签值。
方式二:将第一匹配标签值、第二匹配标签值以及第三匹配标签值中的至少两种匹配标签值中的最大匹配标签值作为用于表示所述历史用户与所述分配实体对象之间的匹配程度的匹配标签值;其中,所述第一匹配标签值根据所述分配实体对象的反馈信息获得,所述第二匹配标签值根据所述历史用户的反馈信息获得,所述第三匹配标签值根据所述历史用户与所述分配实体对象之间的数据流量信息获得。
S302,根据用户资源转化信息样本,获得用户资源转化特征向量样本。
该过程具体可以为:对所述用户资源转化信息进行文本预处理,获得所述用户资源转化信息所包含的目标词汇;将所述目标词汇转换为词汇特征向量;获取每个所述词汇特征向量的最大维度值,并根据所述最大维度值生成所述用户资源转化特征向量。
S303,根据用户资源转化特征向量样本和匹配标签值样本进行模型训练,获得标签生成模型。
上述标签生成模型用于:根据目标历史用户与该目标历史用户对应的目标分配实体对象之间的用户资源转化信息,获得用于表示目标历史用户与目标分配实体对象之间的匹配程度的目标匹配标签值。
在本实施例中,上述根据用户资源转化特征向量和所述匹配标签值进行模型训练,获得标签生成模型,具体可以是指:将所述用户资源转化特征向量作为训练样本实体,并将所述匹配标签值作为训练样本标签,使用预定的训练模型对所述训练样本实体和所述训练样本标签进行模型训练,获得标签生成模型。
本实施例提供的标签生成模型的训练方法,将历史用户和该历史用户对应的分配实体对象之间的用户资源转化信息、以及用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值作为训练样本进行模型训练,训练获得的标签生成模型能够根据目标历史用户与该目标历史用户对应的目标分配实体对象之间的用户资源转化信息,获得用于表示目标历史用户与目标分配实体对象之间的匹配程度的目标匹配标签值,该目标历史用户可以为上述第二实施例中在训练获得用户资源匹配模型时所获得的历史用户,该目标匹配标签值可作为上述第二实施例中在训练获得用户资源匹配模型时的训练样本标签。
上述第一实施例提供了一种用户资源分配方法,与之相对应的,本申请第四实施例还提供了一种用户资源分配装置,由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关的技术特征的细节部分请参见上述提供的方法实施例的对应说明即可,下述对装置实施例的描述仅仅是示意性的。
请参考图4理解该实施例,图4为本实施例提供的装置的单元框图,如图4所示,本实施例提供的装置包括:
信息获得单元401,用于获得目标用户的信息和备选实体对象的信息;用户资源特征向量获得单元402,用于根据目标用户的信息以及备选实体对象的信息,获得用户资源特征向量;匹配关系信息获得单元403,用于将用户资源特征向量输入用户资源匹配模型,获得用户资源匹配模型输出的目标用户与备选实体对象之间的匹配关系信息;用户资源分配单元404,用于根据匹配关系信息,将目标用户对应的用户资源信息分配给备选实体对象。
用户资源特征向量获得单元包括:特征数据获得子单元,用于对目标用户的信息进行特征提取,获得用户特征数据,以及对备选实体对象的信息进行特征提取,获得实体对象特征数据;用户资源特征向量获得子单元,用于根据用户特征数据以及实体对象特征数据,获得用户资源特征向量。
用户资源特征向量获得子单元包括:特征向量转换子单元,用于将用户特征数据转换为用户特征向量,并且将实体对象特征数据转换为实体对象特征向量;特征向量合并子单元,用于将用户特征向量和实体对象特征向量合并为用户资源特征向量,其中,每一个用户特征数据或实体对象特征数据对应用户资源特征向量的一个维度。获得目标用户的信息,包括如下中的至少一种:获得目标用户的实时信息;获得目标用户的历史信息;获得目标用户的属性信息;获得目标用户的推荐渠道信息。获得备选实体对象的信息包括如下中的至少一种:获得备选实体对象的属性信息;获得备选实体对象的数据流量信息;获得备选实体对象所属的类目信息。
匹配关系信息为用于表示目标用户与备选实体对象之间的匹配程度的匹配值,根据匹配关系信息,将目标用户对应的用户资源信息分配给备选实体对象,包括:将目标用户对应的用户资源信息分配给目标实体对象,目标实体对象为与目标用户之间的匹配值达到预定匹配阈值的备选实体对象。将目标用户对应的用户资源信息分配给目标实体对象,包括:对匹配值进行排序,获得匹配值排序结果;根据匹配值排序结果,从备选实体对象中获得与目标用户之间的匹配值达到预定匹配阈值的预定数量的目标实体对象;将目标用户对应的用户资源信息分发给目标实体对象。
本实施例提供的用户资源匹配装置,将目标用户以及实体对象通过用户资源匹配模型进行匹配,并根据匹配结果为实体对象分发用户资源,使得用户资源分发的过程更具有针对性,可提高用户资源的分发准确率以及减少用户资源的浪费。
在上述的实施例中,提供了一种用户资源分配方法以及一种用户资源分配装置,此外,本申请第五实施例还提供一种电子设备,由于电子设备实施例基本相似于方法实施例,所以描述得比较简单,相关的技术特征的细节部分请参见上述提供的方法实施例的对应说明即可,下述对电子设备实施例的描述仅仅是示意性的。该电子设备实施例如下:
请参考图5理解本实施例,图5为本实施例提供的电子设备的示意图。
如图5所示,本实施例提供的电子设备包括处理器501和存储器502;
该存储器502用于存储用户资源分配的计算机指令,该计算机指令在被处理器501读取执行时,执行如下操作:获得目标用户的信息,以及获得备选实体对象的信息;根据目标用户的信息以及备选实体对象的信息,获得用户资源特征向量;将用户资源特征向量输入用户资源匹配模型,获得用户资源匹配模型输出的目标用户与备选实体对象之间的匹配关系信息;根据匹配关系信息,将目标用户对应的用户资源信息分配给备选实体对象。
根据目标用户的信息以及备选实体对象的信息,获得用户资源特征向量,包括:对目标用户的信息进行特征提取,获得用户特征数据,以及对备选实体对象的信息进行特征提取,获得实体对象特征数据;根据用户特征数据以及实体对象特征数据,获得用户资源特征向量。根据用户特征数据以及实体对象特征数据,获得用户资源特征向量,包括:将用户特征数据转换为用户特征向量,并且将实体对象特征数据转换为实体对象特征向量;将用户特征向量和实体对象特征向量合并为用户资源特征向量,其中,每一个用户特征数据或实体对象特征数据对应用户资源特征向量的一个维度。
获得目标用户的信息,包括如下中的至少一种:获得目标用户的实时信息;获得目标用户的历史信息;获得目标用户的属性信息;获得目标用户的推荐渠道信息。获得备选实体对象的信息包括如下中的至少一种:获得备选实体对象的属性信息;获得备选实体对象的数据流量信息;获得备选实体对象所属的类目信息。匹配关系信息为用于表示目标用户与备选实体对象之间的匹配程度的匹配值,根据匹配关系信息,将目标用户对应的用户资源信息分配给备选实体对象,包括:将目标用户对应的用户资源信息分配给目标实体对象,目标实体对象为与目标用户之间的匹配值达到预定匹配阈值的备选实体对象。
将目标用户对应的用户资源信息分配给目标实体对象,包括:对匹配值进行排序,获得匹配值排序结果;根据匹配值排序结果,从备选实体对象中获得与目标用户之间的匹配值达到预定匹配阈值的预定数量的目标实体对象;将目标用户对应的用户资源信息分发给目标实体对象。
通过运行本实施例提供的电子设备,可将目标用户以及实体对象通过用户资源匹配模型进行匹配,并根据匹配结果为实体对象分发用户资源,使得用户资源分发的过程更具有针对性,可提高用户资源的分发准确率以及减少用户资源的浪费。在上述的实施例中,提供了一种用户资源分配方法、一种用户资源分配装置以及一种电子设备,此外,本申请第六实施例还提供了一种用于实现用户资源分配方法的计算机可读存储介质。本申请提供的计算机可读存储介质实施例描述得比较简单,相关部分请参见上述方法实施例的对应说明即可,下述描述的实施例仅仅是示意性的。
本实施例提供的计算机可读存储介质上存储有计算机指令,该指令被处理器执行时实现以下步骤:获得目标用户的信息,以及获得备选实体对象的信息;根据目标用户的信息以及备选实体对象的信息,获得用户资源特征向量;将用户资源特征向量输入用户资源匹配模型,获得用户资源匹配模型输出的目标用户与备选实体对象之间的匹配关系信息;根据匹配关系信息,将目标用户对应的用户资源信息分配给备选实体对象。
根据目标用户的信息以及备选实体对象的信息,获得用户资源特征向量,包括:对目标用户的信息进行特征提取,获得用户特征数据,以及对备选实体对象的信息进行特征提取,获得实体对象特征数据;根据用户特征数据以及实体对象特征数据,获得用户资源特征向量。根据用户特征数据以及实体对象特征数据,获得用户资源特征向量,包括:将用户特征数据转换为用户特征向量,并且将实体对象特征数据转换为实体对象特征向量;将用户特征向量和实体对象特征向量合并为用户资源特征向量,其中,每一个用户特征数据或实体对象特征数据对应用户资源特征向量的一个维度。
获得目标用户的信息,包括如下中的至少一种:获得目标用户的实时信息;获得目标用户的历史信息;获得目标用户的属性信息;获得目标用户的推荐渠道信息。获得备选实体对象的信息包括如下中的至少一种:获得备选实体对象的属性信息;获得备选实体对象的数据流量信息;获得备选实体对象所属的类目信息。匹配关系信息为用于表示目标用户与备选实体对象之间的匹配程度的匹配值,根据匹配关系信息,将目标用户对应的用户资源信息分配给备选实体对象,包括:将目标用户对应的用户资源信息分配给目标实体对象,目标实体对象为与目标用户之间的匹配值达到预定匹配阈值的备选实体对象。
将目标用户对应的用户资源信息分配给目标实体对象,包括:对匹配值进行排序,获得匹配值排序结果;根据匹配值排序结果,从备选实体对象中获得与目标用户之间的匹配值达到预定匹配阈值的预定数量的目标实体对象;将目标用户对应的用户资源信息分发给目标实体对象。
通过执行本实施例提供的计算机可读存储介质所存储的计算机指令,可将目标用户以及实体对象通过用户资源匹配模型进行匹配,并根据匹配结果为实体对象分发用户资源,使得用户资源分发的过程更具有针对性,可提高用户资源的分发准确率以及减少用户资源的浪费。上述第二实施例提供了一种用户资源匹配模型的训练方法,与之相对应的,本申请第七实施例还提供了一种用户资源匹配模型的训练装置,由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关的技术特征的细节部分请参见上述提供的方法实施例的对应说明即可,下述对装置实施例的描述仅仅是示意性的。
请参考图6理解该实施例,图6为本实施例提供的装置的单元框图,如图6所示,本实施例提供的装置包括:信息获得单元601,用于获得历史用户的信息,以及获得历史用户对应的分配实体对象的信息,分配实体对象为已获得历史用户所对应的用户资源信息的实体对象;特征数据获得单元602,用于根据历史用户的信息获得历史用户特征数据,以及根据分配实体对象的信息获得分配实体对象特征数据;历史用户资源特征向量获得单元603,用于根据历史用户特征数据和分配实体对象特征数据,获得历史用户资源特征向量;匹配标签信息获得单元604,用于获得历史用户与分配实体对象之间的匹配标签信息;模型训练单元605,用于根据历史用户资源特征向量以及匹配标签信息进行模型训练,获得用户资源匹配模型,用户资源匹配模型用于根据输入的用户资源特征向量输出用户信息与实体对象信息之间的匹配关系信息,用户资源特征向量根据用户信息对应的用户特征数据和实体对象信息对应的实体对象特征数据获得。
匹配标签信息获得单元包括:用户资源转化信息获得子单元,用于获得历史用户与分配实体对象之间的用户资源转化信息;用户资源转化特征向量获得子单元,用于根据用户资源转化信息,获得用户资源转化特征向量;匹配标签信息获得子单元,用于将用户资源转化特征向量输入标签生成模型,获得标签生成模型输出的历史用户与分配实体对象之间的匹配标签信息。
获得历史用户与分配实体对象之间的用户资源转化信息,包括如下中的至少一种:根据分配实体对象的反馈信息获得历史用户与分配实体对象之间的用户资源转化信息;根据历史用户的反馈信息获得历史用户与分配实体对象之间的用户资源转化信息;根据历史用户与分配实体对象之间的数据流量信息获得历史用户与分配实体对象之间的用户资源转化信息。
用户资源转化特征向量获得子单元包括:目标词汇获得子单元,用于对用户资源转化信息进行文本预处理,获得用户资源转化信息所包含的目标词汇;词汇特征向量转换子单元,用于将目标词汇转换为词汇特征向量;用户资源转化特征向量生成子单元,用于获取每个词汇特征向量的最大维度值,并根据最大维度值生成用户资源转化特征向量。
历史用户资源特征向量获得单元包括:特征向量转换子单元,用于将历史用户特征数据转换为历史用户特征向量,并且将分配实体对象特征数据转换为分配实体对象特征向量;特征向量合并子单元,用于将历史用户特征向量和分配实体对象特征向量合并为历史用户资源特征向量,其中,每一个历史用户特征数据或分配实体对象特征数据对应历史用户资源特征向量的一个维度。
获得历史用户的信息,包括如下中的至少一种:获得历史用户的实时信息;获得历史用户的历史信息;获得历史用户的属性信息;获得历史用户的推荐渠道信息。
获得历史用户对应的分配实体对象的信息,包括如下中的至少一种:获得分配实体对象的属性信息;获得分配实体对象的数据流量信息;获得分配实体对象所属的类目信息。
根据历史用户资源特征向量以及匹配标签信息进行模型训练,获得用户资源匹配模型,包括:将历史用户资源特征向量作为训练样本实体,并将匹配标签信息作为历史用户资源特征向量的训练样本标签,对训练样本实体和训练样本标签进行模型训练,获得用户资源匹配模型。
本实施例提供的用户资源匹配模型的训练装置,通过将历史用户的信息和该历史用户对应的分配实体对象的信息作为训练样本、将历史用户与分配实体对象之间的匹配标签信息作为训练样本的标签进行模型训练,所获得的用户资源匹配模型能够根据输入的用户资源特征向量,更准确地输出用户信息与实体对象信息之间的匹配关系信息,该用户资源特征向量为根据用户信息对应的用户特征数据和实体对象信息对应的实体对象特征数据所获得的特征向量。
在上述的实施例中,提供了一种用户资源匹配模型的训练方法以及一种用户资源匹配模型的训练装置,此外,本申请第八实施例还提供一种电子设备,由于电子设备实施例基本相似于方法实施例,所以描述得比较简单,相关的技术特征的细节部分请参见上述提供的方法实施例的对应说明即可,下述对电子设备实施例的描述仅仅是示意性的。该电子设备实施例如下:
请参考图7理解本实施例,图7为本实施例提供的电子设备的示意图。
如图7所示,本实施例提供的电子设备包括:处理器701和存储器702;
该存储器702用于存储用户资源匹配模型的训练方法的计算机指令,该计算机指令在被处理器701读取执行时,执行如下操作:获得历史用户的信息,以及获得历史用户对应的分配实体对象的信息,分配实体对象为已获得历史用户所对应的用户资源信息的实体对象;根据历史用户的信息获得历史用户特征数据,以及根据分配实体对象的信息获得分配实体对象特征数据;根据历史用户特征数据和分配实体对象特征数据,获得历史用户资源特征向量;获得历史用户与分配实体对象之间的匹配标签信息;根据历史用户资源特征向量以及匹配标签信息进行模型训练,获得用户资源匹配模型,用户资源匹配模型用于根据输入的用户资源特征向量输出用户信息与实体对象信息之间的匹配关系信息,用户资源特征向量为根据用户信息对应的用户特征数据和实体对象信息对应的实体对象特征数据所获得的特征向量。
获得历史用户与分配实体对象之间的匹配标签信息,包括:获得历史用户与分配实体对象之间的用户资源转化信息;根据用户资源转化信息,获得用户资源转化特征向量;将用户资源转化特征向量输入标签生成模型,获得标签生成模型输出的历史用户与分配实体对象之间的匹配标签信息。获得历史用户与分配实体对象之间的用户资源转化信息,包括如下中的至少一种:根据分配实体对象的反馈信息获得历史用户与分配实体对象之间的用户资源转化信息;根据历史用户的反馈信息获得历史用户与分配实体对象之间的用户资源转化信息;根据历史用户与分配实体对象之间的数据流量信息获得历史用户与分配实体对象之间的用户资源转化信息。根据用户资源转化信息,获得用户资源转化特征向量,包括:对用户资源转化信息进行文本预处理,获得用户资源转化信息所包含的目标词汇;将目标词汇转换为词汇特征向量;获取每个词汇特征向量的最大维度值,并根据最大维度值生成用户资源转化特征向量。根据历史用户特征数据和分配实体对象特征数据,获得历史用户资源特征向量,包括:将历史用户特征数据转换为历史用户特征向量,并且将分配实体对象特征数据转换为分配实体对象特征向量;将历史用户特征向量和分配实体对象特征向量合并为历史用户资源特征向量,其中,每一个历史用户特征数据或分配实体对象特征数据对应历史用户资源特征向量的一个维度。
获得历史用户的信息,包括如下中的至少一种:获得历史用户的实时信息;获得历史用户的历史信息;获得历史用户的属性信息;获得历史用户的推荐渠道信息。获得历史用户对应的分配实体对象的信息,包括如下中的至少一种:获得分配实体对象的属性信息;获得分配实体对象的数据流量信息;获得分配实体对象所属的类目信息。根据历史用户资源特征向量以及匹配标签信息进行模型训练,获得用户资源匹配模型,包括:将历史用户资源特征向量作为训练样本实体,并将匹配标签信息作为历史用户资源特征向量的训练样本标签,对训练样本实体和训练样本标签进行模型训练,获得用户资源匹配模型。
通过运行本实施例提供的电子设备,可将历史用户的信息和该历史用户对应的分配实体对象的信息作为训练样本、将历史用户与分配实体对象之间的匹配标签信息作为训练样本的标签进行模型训练,所获得的用户资源匹配模型能够根据输入的用户资源特征向量,更准确地输出用户信息与实体对象信息之间的匹配关系信息,该用户资源特征向量为根据用户信息对应的用户特征数据和实体对象信息对应的实体对象特征数据所获得的特征向量。
在上述的实施例中,提供了一种用户资源匹配模型的训练方法、一种用户资源匹配模型的训练装置以及一种电子设备,此外,本申请第九实施例还提供了一种用于实现用户资源匹配模型的训练方法的计算机可读存储介质。本申请提供的计算机可读存储介质实施例描述得比较简单,相关部分请参见上述方法实施例的对应说明即可,下述描述的实施例仅仅是示意性的。本实施例提供的计算机可读存储介质上存储有计算机指令,该指令被处理器执行时实现以下步骤:获得历史用户的信息,以及获得历史用户对应的分配实体对象的信息,分配实体对象为已获得历史用户所对应的用户资源信息的实体对象;根据历史用户的信息获得历史用户特征数据,以及根据分配实体对象的信息获得分配实体对象特征数据;根据历史用户特征数据和分配实体对象特征数据,获得历史用户资源特征向量;获得历史用户与分配实体对象之间的匹配标签信息;根据历史用户资源特征向量以及匹配标签信息进行模型训练,获得用户资源匹配模型,用户资源匹配模型用于根据输入的用户资源特征向量输出用户信息与实体对象信息之间的匹配关系信息,用户资源特征向量为根据用户信息对应的用户特征数据和实体对象信息对应的实体对象特征数据所获得的特征向量。
获得历史用户与分配实体对象之间的匹配标签信息,包括:获得历史用户与分配实体对象之间的用户资源转化信息;根据用户资源转化信息,获得用户资源转化特征向量;将用户资源转化特征向量输入标签生成模型,获得标签生成模型输出的历史用户与分配实体对象之间的匹配标签信息。获得历史用户与分配实体对象之间的用户资源转化信息,包括如下中的至少一种:根据分配实体对象的反馈信息获得历史用户与分配实体对象之间的用户资源转化信息;根据历史用户的反馈信息获得历史用户与分配实体对象之间的用户资源转化信息;根据历史用户与分配实体对象之间的数据流量信息获得历史用户与分配实体对象之间的用户资源转化信息。根据用户资源转化信息,获得用户资源转化特征向量,包括:对用户资源转化信息进行文本预处理,获得用户资源转化信息所包含的目标词汇;将目标词汇转换为词汇特征向量;获取每个词汇特征向量的最大维度值,并根据最大维度值生成用户资源转化特征向量。
根据历史用户特征数据和分配实体对象特征数据,获得历史用户资源特征向量,包括:将历史用户特征数据转换为历史用户特征向量,并且将分配实体对象特征数据转换为分配实体对象特征向量;将历史用户特征向量和分配实体对象特征向量合并为历史用户资源特征向量,其中,每一个历史用户特征数据或分配实体对象特征数据对应历史用户资源特征向量的一个维度。获得历史用户的信息,包括如下中的至少一种:获得历史用户的实时信息;获得历史用户的历史信息;获得历史用户的属性信息;获得历史用户的推荐渠道信息。获得历史用户对应的分配实体对象的信息,包括如下中的至少一种:获得分配实体对象的属性信息;获得分配实体对象的数据流量信息;获得分配实体对象所属的类目信息。根据历史用户资源特征向量以及匹配标签信息进行模型训练,获得用户资源匹配模型,包括:将历史用户资源特征向量作为训练样本实体,并将匹配标签信息作为历史用户资源特征向量的训练样本标签,对训练样本实体和训练样本标签进行模型训练,获得用户资源匹配模型。
通过执行本实施例提供的计算机可读存储介质所存储的计算机指令,可将历史用户的信息和该历史用户对应的分配实体对象的信息作为训练样本、将历史用户与分配实体对象之间的匹配标签信息作为训练样本的标签进行模型训练,所获得的用户资源匹配模型能够根据输入的用户资源特征向量,更准确地输出用户信息与实体对象信息之间的匹配关系信息,该用户资源特征向量为根据用户信息对应的用户特征数据和实体对象信息对应的实体对象特征数据所获得的特征向量。
上述第三实施例提供了一种标签生成模型的训练方法,与之相对应的,本申请第十实施例还提供了一种标签生成模型的训练装置,由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关的技术特征的细节部分请参见上述提供的方法实施例的对应说明即可,下述对装置实施例的描述仅仅是示意性的。请参考图8理解该实施例,图8为本实施例提供的装置的单元框图,如图8所示,本实施例提供的装置包括:
用户资源转化信息获得单元801,用于获得历史用户和该历史用户对应的分配实体对象之间的用户资源转化信息,以及获得用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值;用户资源转化特征向量获得单元802,用于根据用户资源转化信息,获得用户资源转化特征向量;模型训练单元803,用于根据用户资源转化特征向量和匹配标签值进行模型训练,获得标签生成模型,标签生成模型用于:根据目标历史用户与该目标历史用户对应的目标分配实体对象之间的用户资源转化信息,获得用于表示目标历史用户与目标分配实体对象之间的匹配程度的目标匹配标签值。
获得历史用户与历史用户对应的分配实体对象之间的用户资源转化信息,包括如下中的至少一种:根据分配实体对象的反馈信息获得历史用户与分配实体对象之间的用户资源转化信息;根据历史用户的反馈信息获得历史用户与分配实体对象之间的用户资源转化信息;根据历史用户与分配实体对象之间的数据流量信息获得历史用户与分配实体对象之间的用户资源转化信息。
获得用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值,包括如下中的一种:根据分配实体对象的反馈信息获得匹配标签值;根据历史用户的反馈信息获得匹配标签值;根据历史用户与分配实体对象之间的数据流量信息获得匹配标签值。获得用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值,包括:将第一匹配标签值、第二匹配标签值以及第三匹配标签值中的至少两种匹配标签值中的最大匹配标签值作为用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值;其中,第一匹配标签值根据分配实体对象的反馈信息获得,第二匹配标签值根据历史用户的反馈信息获得,第三匹配标签值根据历史用户与分配实体对象之间的数据流量信息获得。
用户资源转化特征向量获得单元包括:目标词汇获得子单元,用于对用户资源转化信息进行文本预处理,获得用户资源转化信息所包含的目标词汇;词汇特征向量转换子单元,用于将目标词汇转换为词汇特征向量;用户资源转化特征向量生成子单元,用于获取每个词汇特征向量的最大维度值,并根据最大维度值生成用户资源转化特征向量。根据用户资源转化特征向量和匹配标签值进行模型训练,获得标签生成模型,包括:将用户资源转化特征向量作为训练样本实体,并将匹配标签值作为训练样本标签,使用预定的训练模型对训练样本实体和训练样本标签进行模型训练,获得标签生成模型。
本实施例提供的标签生成模型的训练装置,将历史用户和该历史用户对应的分配实体对象之间的用户资源转化信息、以及用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值作为训练样本进行模型训练,训练获得的标签生成模型能够根据目标历史用户与该目标历史用户对应的目标分配实体对象之间的用户资源转化信息,获得用于表示目标历史用户与目标分配实体对象之间的匹配程度的目标匹配标签值,该目标历史用户可以为上述第二实施例中在训练获得用户资源匹配模型时所获得的历史用户,该目标匹配标签值可作为上述第二实施例中在训练获得用户资源匹配模型时的训练样本标签。
在上述的实施例中,提供了一种标签生成模型的训练方法以及一种标签生成模型的训练装置,此外,本申请第十一实施例还提供一种电子设备,由于电子设备实施例基本相似于方法实施例,所以描述得比较简单,相关的技术特征的细节部分请参见上述提供的方法实施例的对应说明即可,下述对电子设备实施例的描述仅仅是示意性的。该电子设备实施例如下:
请参考图9理解本实施例,图9为本实施例提供的电子设备的示意图。
如图9所示,本实施例提供的电子设备包括:处理器901和存储器902;
该存储器902用于存储标签生成模型的训练方法的计算机指令,该计算机指令在被处理器901读取执行时,执行如下操作:获得历史用户与历史用户对应的分配实体对象之间的用户资源转化信息,以及获得用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值,分配实体对象为已获得历史用户所对应的用户资源信息的实体对象;根据用户资源转化信息,获得用户资源转化特征向量;根据用户资源转化特征向量和匹配标签值进行模型训练,获得标签生成模型,标签生成模型用于:根据目标历史用户与该目标历史用户对应的目标分配实体对象之间的用户资源转化信息,获得用于表示目标历史用户与目标分配实体对象之间的匹配程度的目标匹配标签值。
获得历史用户与历史用户对应的分配实体对象之间的用户资源转化信息,包括如下中的至少一种:根据分配实体对象的反馈信息获得历史用户与分配实体对象之间的用户资源转化信息;根据历史用户的反馈信息获得历史用户与分配实体对象之间的用户资源转化信息;根据历史用户与分配实体对象之间的数据流量信息获得历史用户与分配实体对象之间的用户资源转化信息。获得用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值,包括如下中的一种:根据分配实体对象的反馈信息获得匹配标签值;根据历史用户的反馈信息获得匹配标签值;根据历史用户与分配实体对象之间的数据流量信息获得匹配标签值。获得用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值,包括:将第一匹配标签值、第二匹配标签值以及第三匹配标签值中的至少两种匹配标签值中的最大匹配标签值作为用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值;其中,第一匹配标签值根据分配实体对象的反馈信息获得,第二匹配标签值根据历史用户的反馈信息获得,第三匹配标签值根据历史用户与分配实体对象之间的数据流量信息获得。
根据用户资源转化信息,获得用户资源转化特征向量,包括:对用户资源转化信息进行文本预处理,获得用户资源转化信息所包含的目标词汇;将目标词汇转换为词汇特征向量;获取每个词汇特征向量的最大维度值,并根据最大维度值生成用户资源转化特征向量。根据用户资源转化特征向量和匹配标签值进行模型训练,获得标签生成模型,包括:将用户资源转化特征向量作为训练样本实体,并将匹配标签值作为训练样本标签,使用预定的训练模型对训练样本实体和训练样本标签进行模型训练,获得标签生成模型。
通过运行本实施例提供的电子设备,将历史用户和该历史用户对应的分配实体对象之间的用户资源转化信息、以及用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值作为训练样本进行模型训练,训练获得的标签生成模型能够根据目标历史用户与该目标历史用户对应的目标分配实体对象之间的用户资源转化信息,获得用于表示目标历史用户与目标分配实体对象之间的匹配程度的目标匹配标签值,该目标历史用户可以为上述第二实施例中在训练获得用户资源匹配模型时所获得的历史用户,该目标匹配标签值可作为上述第二实施例中在训练获得用户资源匹配模型时的训练样本标签。
在上述的实施例中,提供了一种标签生成模型的训练方法、一种标签生成模型的训练装置以及一种电子设备,此外,本申请第十二实施例还提供了一种用于实现标签生成模型的训练方法的计算机可读存储介质。本申请提供的计算机可读存储介质实施例描述得比较简单,相关部分请参见上述方法实施例的对应说明即可,下述描述的实施例仅仅是示意性的。
本实施例提供的计算机可读存储介质上存储有计算机指令,该指令被处理器执行时实现以下步骤:获得历史用户与历史用户对应的分配实体对象之间的用户资源转化信息,以及获得用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值,分配实体对象为已获得历史用户所对应的用户资源信息的实体对象;根据用户资源转化信息,获得用户资源转化特征向量;根据用户资源转化特征向量和匹配标签值进行模型训练,获得标签生成模型,标签生成模型用于:根据目标历史用户与该目标历史用户对应的目标分配实体对象之间的用户资源转化信息,获得用于表示目标历史用户与目标分配实体对象之间的匹配程度的目标匹配标签值。
获得历史用户与历史用户对应的分配实体对象之间的用户资源转化信息,包括如下中的至少一种:根据分配实体对象的反馈信息获得历史用户与分配实体对象之间的用户资源转化信息;根据历史用户的反馈信息获得历史用户与分配实体对象之间的用户资源转化信息;根据历史用户与分配实体对象之间的数据流量信息获得历史用户与分配实体对象之间的用户资源转化信息。获得用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值,包括如下中的一种:根据分配实体对象的反馈信息获得匹配标签值;根据历史用户的反馈信息获得匹配标签值;根据历史用户与分配实体对象之间的数据流量信息获得匹配标签值。获得用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值,包括:将第一匹配标签值、第二匹配标签值以及第三匹配标签值中的至少两种匹配标签值中的最大匹配标签值作为用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值;其中,第一匹配标签值根据分配实体对象的反馈信息获得,第二匹配标签值根据历史用户的反馈信息获得,第三匹配标签值根据历史用户与分配实体对象之间的数据流量信息获得。
根据用户资源转化信息,获得用户资源转化特征向量,包括:对用户资源转化信息进行文本预处理,获得用户资源转化信息所包含的目标词汇;将目标词汇转换为词汇特征向量;获取每个词汇特征向量的最大维度值,并根据最大维度值生成用户资源转化特征向量。根据用户资源转化特征向量和匹配标签值进行模型训练,获得标签生成模型,包括:将用户资源转化特征向量作为训练样本实体,并将匹配标签值作为训练样本标签,使用预定的训练模型对训练样本实体和训练样本标签进行模型训练,获得标签生成模型。
通过执行本实施例提供的计算机可读存储介质所存储的计算机指令,可将历史用户和该历史用户对应的分配实体对象之间的用户资源转化信息、以及用于表示历史用户与分配实体对象之间的匹配程度的匹配标签值作为训练样本进行模型训练,训练获得的标签生成模型能够根据目标历史用户与该目标历史用户对应的目标分配实体对象之间的用户资源转化信息,获得用于表示目标历史用户与目标分配实体对象之间的匹配程度的目标匹配标签值,该目标历史用户可以为上述第二实施例中在训练获得用户资源匹配模型时所获得的历史用户,该目标匹配标签值可作为上述第二实施例中在训练获得用户资源匹配模型时的训练样本标签。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
2、本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请虽然以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
Claims (48)
1.一种用户资源分配方法,其特征在于,包括:
获得目标用户的信息,以及获得备选实体对象的信息;
根据所述目标用户的信息以及所述备选实体对象的信息,获得用户资源特征向量;
将所述用户资源特征向量输入用户资源匹配模型,获得所述用户资源匹配模型输出的所述目标用户与所述备选实体对象之间的匹配关系信息;
根据所述匹配关系信息,将所述目标用户对应的用户资源信息分配给所述备选实体对象;
其中,所述用户资源匹配模型是根据历史用户资源特征向量以及匹配标签信息进行模型训练得到的,所述匹配标签信息是所述历史用户与所述历史用户对应的分配实体对象之间的匹配标签信息,所述分配实体对象为已获得所述历史用户所对应的用户资源信息的实体对象;
所述匹配标签信息包括用于表示所述历史用户与所述分配实体对象之间的匹配程度的目标匹配标签值;所述目标匹配标签值由标签生成模型根据所述历史用户与所述历史用户对应的分配实体对象之间的用户资源转化信息获得;所述标签生成模型是根据历史用户与所述历史用户对应的分配实体对象之间的用户资源转化特征向量,以及用于表示所述历史用户与所述分配实体对象之间的匹配程度的匹配标签值进行模型训练得到。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标用户的信息以及所述备选实体对象的信息,获得用户资源特征向量,包括:
对所述目标用户的信息进行特征提取,获得用户特征数据,以及对所述备选实体对象的信息进行特征提取,获得实体对象特征数据;
根据所述用户特征数据以及所述实体对象特征数据,获得所述用户资源特征向量。
3.根据权利要求2所述的方法,其特征在于,所述根据所述用户特征数据以及所述实体对象特征数据,获得所述用户资源特征向量,包括:
将所述用户特征数据转换为用户特征向量,并且将所述实体对象特征数据转换为实体对象特征向量;
将所述用户特征向量和所述实体对象特征向量合并为所述用户资源特征向量,其中,每一个所述用户特征数据或所述实体对象特征数据对应所述用户资源特征向量的一个维度。
4.根据权利要求1所述的方法,其特征在于,所述获得目标用户的信息,包括如下中的至少一种:
获得所述目标用户的实时信息;
获得所述目标用户的历史信息;
获得所述目标用户的属性信息;
获得所述目标用户的推荐渠道信息。
5.根据权利要求1所述的方法,其特征在于,所述获得备选实体对象的信息包括如下中的至少一种:
获得所述备选实体对象的属性信息;
获得所述备选实体对象的数据流量信息;
获得所述备选实体对象所属的类目信息。
6.根据权利要求1所述的方法,其特征在于,所述匹配关系信息为用于表示所述目标用户与所述备选实体对象之间的匹配程度的匹配值,所述根据所述匹配关系信息,将所述目标用户对应的用户资源信息分配给所述备选实体对象,包括:
将所述目标用户对应的用户资源信息分配给目标实体对象,所述目标实体对象为与所述目标用户之间的匹配值达到预定匹配阈值的备选实体对象。
7.根据权利要求6所述的方法,其特征在于,所述将所述目标用户对应的用户资源信息分配给目标实体对象,包括:
对所述匹配值进行排序,获得匹配值排序结果;
根据所述匹配值排序结果,从所述备选实体对象中获得与所述目标用户之间的匹配值达到预定匹配阈值的预定数量的目标实体对象;
将所述目标用户对应的用户资源信息分发给所述目标实体对象。
8.一种用户资源匹配模型的训练方法,其特征在于,包括:
获得历史用户的信息,以及获得所述历史用户对应的分配实体对象的信息,所述分配实体对象为已获得所述历史用户所对应的用户资源信息的实体对象;
根据所述历史用户的信息获得历史用户特征数据,以及根据所述分配实体对象的信息获得分配实体对象特征数据;
根据所述历史用户特征数据和所述分配实体对象特征数据,获得历史用户资源特征向量;
获得所述历史用户与所述分配实体对象之间的匹配标签信息;
根据所述历史用户资源特征向量以及所述匹配标签信息进行模型训练,获得用户资源匹配模型,所述用户资源匹配模型用于根据输入的用户资源特征向量输出用户信息与实体对象信息之间的匹配关系信息,以根据所述匹配关系信息将目标用户对应的用户资源信息分配给备选实体对象;所述用户资源特征向量为根据所述用户信息对应的用户特征数据和实体对象信息对应的实体对象特征数据所获得的特征向量;
所述匹配标签信息包括用于表示所述历史用户与所述分配实体对象之间的匹配程度的目标匹配标签值;所述目标匹配标签值由标签生成模型根据所述历史用户与所述历史用户对应的分配实体对象之间的用户资源转化信息获得;所述标签生成模型是根据历史用户与所述历史用户对应的分配实体对象之间的用户资源转化特征向量,以及用于表示所述历史用户与所述分配实体对象之间的匹配程度的匹配标签值进行模型训练得到。
9.根据权利要求8所述的方法,其特征在于,所述获得所述历史用户与所述分配实体对象之间的匹配标签信息,包括:
获得所述历史用户与所述分配实体对象之间的用户资源转化信息;
根据所述用户资源转化信息,获得用户资源转化特征向量;
将所述用户资源转化特征向量输入标签生成模型,获得标签生成模型输出的所述历史用户与所述分配实体对象之间的匹配标签信息。
10.根据权利要求9所述的方法,其特征在于,所述获得所述历史用户与所述分配实体对象之间的用户资源转化信息,包括如下中的至少一种:
根据所述分配实体对象的反馈信息获得所述历史用户与所述分配实体对象之间的用户资源转化信息;
根据所述历史用户的反馈信息获得所述历史用户与所述分配实体对象之间的用户资源转化信息;
根据所述历史用户与所述分配实体对象之间的数据流量信息获得所述历史用户与所述分配实体对象之间的用户资源转化信息。
11.根据权利要求9所述的方法,其特征在于,所述根据所述用户资源转化信息,获得用户资源转化特征向量,包括:
对所述用户资源转化信息进行文本预处理,获得所述用户资源转化信息所包含的目标词汇;
将所述目标词汇转换为词汇特征向量;
获取每个所述词汇特征向量的最大维度值,并根据所述最大维度值生成所述用户资源转化特征向量。
12.根据权利要求8所述的方法,其特征在于,所述根据所述历史用户特征数据和所述分配实体对象特征数据,获得历史用户资源特征向量,包括:
将所述历史用户特征数据转换为历史用户特征向量,并且将所述分配实体对象特征数据转换为分配实体对象特征向量;
将所述历史用户特征向量和所述分配实体对象特征向量合并为所述历史用户资源特征向量,其中,每一个所述历史用户特征数据或所述分配实体对象特征数据对应所述历史用户资源特征向量的一个维度。
13.根据权利要求8所述的方法,其特征在于,所述获得历史用户的信息,包括如下中的至少一种:
获得所述历史用户的实时信息;
获得所述历史用户的历史信息;
获得所述历史用户的属性信息;
获得所述历史用户的推荐渠道信息。
14.根据权利要求8所述的方法,其特征在于,所述获得所述历史用户对应的分配实体对象的信息,包括如下中的至少一种:
获得所述分配实体对象的属性信息;
获得所述分配实体对象的数据流量信息;
获得所述分配实体对象所属的类目信息。
15.根据权利要求8所述的方法,其特征在于,所述根据所述历史用户资源特征向量以及所述匹配标签信息进行模型训练,获得用户资源匹配模型,包括:
将所述历史用户资源特征向量作为训练样本实体,并将所述匹配标签信息作为所述历史用户资源特征向量的训练样本标签,对所述训练样本实体和所述训练样本标签进行模型训练,获得用户资源匹配模型。
16.一种标签生成模型的训练方法,其特征在于,包括:
获得历史用户与所述历史用户对应的分配实体对象之间的用户资源转化信息,以及获得用于表示所述历史用户与所述分配实体对象之间的匹配程度的匹配标签值,所述分配实体对象为已获得所述历史用户所对应的用户资源信息的实体对象;
根据所述用户资源转化信息,获得用户资源转化特征向量;
根据所述用户资源转化特征向量和所述匹配标签值进行模型训练,获得标签生成模型;
所述标签生成模型用于:根据目标历史用户与该目标历史用户对应的目标分配实体对象之间的用户资源转化信息,获得用于表示所述目标历史用户与所述目标分配实体对象之间的匹配程度的目标匹配标签值;
其中,所述目标匹配标签值用于结合目标历史用户资源特征向量进行模型训练得到用户资源匹配模型,所述用户资源匹配模型用于根据输入的用户资源特征向量输出用户信息与实体对象信息之间的匹配关系信息,以根据所述匹配关系信息将目标用户对应的用户资源信息分配给备选实体对象。
17.根据权利要求16所述的方法,其特征在于,所述获得历史用户与所述历史用户对应的分配实体对象之间的用户资源转化信息,包括如下中的至少一种:
根据所述分配实体对象的反馈信息获得所述历史用户与所述分配实体对象之间的用户资源转化信息;
根据所述历史用户的反馈信息获得所述历史用户与所述分配实体对象之间的用户资源转化信息;
根据所述历史用户与所述分配实体对象之间的数据流量信息获得所述历史用户与所述分配实体对象之间的用户资源转化信息。
18.根据权利要求17所述的方法,其特征在于,所述获得用于表示所述历史用户与所述分配实体对象之间的匹配程度的匹配标签值,包括如下中的一种:
根据所述分配实体对象的反馈信息获得所述匹配标签值;
根据所述历史用户的反馈信息获得所述匹配标签值;
根据所述历史用户与所述分配实体对象之间的数据流量信息获得所述匹配标签值。
19.根据权利要求17所述的方法,其特征在于,所述获得用于表示所述历史用户与所述分配实体对象之间的匹配程度的匹配标签值,包括:
将第一匹配标签值、第二匹配标签值以及第三匹配标签值中的至少两种匹配标签值中的最大匹配标签值作为用于表示所述历史用户与所述分配实体对象之间的匹配程度的匹配标签值;
其中,所述第一匹配标签值根据所述分配实体对象的反馈信息获得,所述第二匹配标签值根据所述历史用户的反馈信息获得,所述第三匹配标签值根据所述历史用户与所述分配实体对象之间的数据流量信息获得。
20.根据权利要求16所述的方法,其特征在于,所述根据所述用户资源转化信息,获得用户资源转化特征向量,包括:
对所述用户资源转化信息进行文本预处理,获得所述用户资源转化信息所包含的目标词汇;
将所述目标词汇转换为词汇特征向量;
获取每个所述词汇特征向量的最大维度值,并根据所述最大维度值生成所述用户资源转化特征向量。
21.根据权利要求16所述的方法,其特征在于,根据所述用户资源转化特征向量和所述匹配标签值进行模型训练,获得标签生成模型,包括:
将所述用户资源转化特征向量作为训练样本实体,并将所述匹配标签值作为训练样本标签,使用预定的训练模型对所述训练样本实体和所述训练样本标签进行模型训练,获得标签生成模型。
22.一种用户资源分配装置,其特征在于,包括:
信息获得单元,用于获得目标用户的信息,以及获得备选实体对象的信息;
用户资源特征向量获得单元,用于根据所述目标用户的信息以及所述备选实体对象的信息,获得用户资源特征向量;
匹配关系信息获得单元,用于将所述用户资源特征向量输入用户资源匹配模型,获得所述用户资源匹配模型输出的所述目标用户与所述备选实体对象之间的匹配关系信息;
用户资源分配单元,用于根据所述匹配关系信息,将所述目标用户对应的用户资源信息分配给所述备选实体对象;
其中,所述用户资源匹配模型是根据历史用户资源特征向量以及匹配标签信息进行模型训练得到的,所述匹配标签信息是所述历史用户与所述历史用户对应的分配实体对象之间的匹配标签信息,所述分配实体对象为已获得所述历史用户所对应的用户资源信息的实体对象;
所述匹配标签信息包括用于表示所述历史用户与所述分配实体对象之间的匹配程度的目标匹配标签值;所述目标匹配标签值由标签生成模型根据所述历史用户与所述历史用户对应的分配实体对象之间的用户资源转化信息获得;所述标签生成模型是根据历史用户与所述历史用户对应的分配实体对象之间的用户资源转化特征向量,以及用于表示所述历史用户与所述分配实体对象之间的匹配程度的匹配标签值进行模型训练得到。
23.根据权利要求22所述的装置,其特征在于,所述用户资源特征向量获得单元包括:
特征数据获得子单元,用于对所述目标用户的信息进行特征提取,获得用户特征数据,以及对所述备选实体对象的信息进行特征提取,获得实体对象特征数据;
用户资源特征向量获得子单元,用于根据所述用户特征数据以及所述实体对象特征数据,获得所述用户资源特征向量。
24.根据权利要求23所述的装置,其特征在于,所述用户资源特征向量获得子单元包括:
特征向量转换子单元,用于将所述用户特征数据转换为用户特征向量,并且将所述实体对象特征数据转换为实体对象特征向量;
特征向量合并子单元,用于将所述用户特征向量和所述实体对象特征向量合并为所述用户资源特征向量,其中,每一个所述用户特征数据或所述实体对象特征数据对应所述用户资源特征向量的一个维度。
25.根据权利要求22所述的装置,其特征在于,所述获得目标用户的信息,包括如下中的至少一种:
获得所述目标用户的实时信息;
获得所述目标用户的历史信息;
获得所述目标用户的属性信息;
获得所述目标用户的推荐渠道信息。
26.根据权利要求22所述的装置,其特征在于,所述获得备选实体对象的信息包括如下中的至少一种:
获得所述备选实体对象的属性信息;
获得所述备选实体对象的数据流量信息;
获得所述备选实体对象所属的类目信息。
27.根据权利要求22所述的装置,其特征在于,所述匹配关系信息为用于表示所述目标用户与所述备选实体对象之间的匹配程度的匹配值,所述根据所述匹配关系信息,将所述目标用户对应的用户资源信息分配给所述备选实体对象,包括:
将所述目标用户对应的用户资源信息分配给目标实体对象,所述目标实体对象为与所述目标用户之间的匹配值达到预定匹配阈值的备选实体对象。
28.根据权利要求27所述的装置,其特征在于,所述将所述目标用户对应的用户资源信息分配给目标实体对象,包括:
对所述匹配值进行排序,获得匹配值排序结果;
根据所述匹配值排序结果,从所述备选实体对象中获得与所述目标用户之间的匹配值达到预定匹配阈值的预定数量的目标实体对象;
将所述目标用户对应的用户资源信息分发给所述目标实体对象。
29.一种电子设备,其特征在于,包括处理器和存储器;其中,
所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现如权利要求1-7任意一项所述的方法。
30.一种计算机可读存储介质,其上存储有一条或多条计算机指令,其特征在于,该指令被处理器执行以实现如权利要求1-7任意一项所述的方法。
31.一种用户资源匹配模型的训练装置,其特征在于,包括:
信息获得单元,用于获得历史用户的信息,以及获得所述历史用户对应的分配实体对象的信息,所述分配实体对象为已获得所述历史用户所对应的用户资源信息的实体对象;
特征数据获得单元,用于根据所述历史用户的信息获得历史用户特征数据,以及根据所述分配实体对象的信息获得分配实体对象特征数据;
历史用户资源特征向量获得单元,用于根据所述历史用户特征数据和所述分配实体对象特征数据,获得历史用户资源特征向量;
匹配标签信息获得单元,用于获得所述历史用户与所述分配实体对象之间的匹配标签信息;
模型训练单元,用于根据所述历史用户资源特征向量以及所述匹配标签信息进行模型训练,获得用户资源匹配模型,所述用户资源匹配模型用于根据输入的用户资源特征向量输出用户信息与实体对象信息之间的匹配关系信息,以根据所述匹配关系信息将目标用户对应的用户资源信息分配给备选实体对象;所述用户资源特征向量为根据所述用户信息对应的用户特征数据和实体对象信息对应的实体对象特征数据所获得的特征向量;
所述匹配标签信息包括用于表示所述历史用户与所述分配实体对象之间的匹配程度的目标匹配标签值;所述目标匹配标签值由标签生成模型根据所述历史用户与所述历史用户对应的分配实体对象之间的用户资源转化信息获得;所述标签生成模型是根据历史用户与所述历史用户对应的分配实体对象之间的用户资源转化特征向量,以及用于表示所述历史用户与所述分配实体对象之间的匹配程度的匹配标签值进行模型训练得到。
32.根据权利要求31所述的装置,其特征在于,所述匹配标签信息获得单元包括:
用户资源转化信息获得子单元,用于获得所述历史用户与所述分配实体对象之间的用户资源转化信息;
用户资源转化特征向量获得子单元,用于根据所述用户资源转化信息,获得用户资源转化特征向量;
匹配标签信息获得子单元,用于将所述用户资源转化特征向量输入标签生成模型,获得标签生成模型输出的所述历史用户与所述分配实体对象之间的匹配标签信息。
33.根据权利要求32所述的装置,其特征在于,所述获得所述历史用户与所述分配实体对象之间的用户资源转化信息,包括如下中的至少一种:
根据所述分配实体对象的反馈信息获得所述历史用户与所述分配实体对象之间的用户资源转化信息;
根据所述历史用户的反馈信息获得所述历史用户与所述分配实体对象之间的用户资源转化信息;
根据所述历史用户与所述分配实体对象之间的数据流量信息获得所述历史用户与所述分配实体对象之间的用户资源转化信息。
34.根据权利要求32所述的装置,其特征在于,所述用户资源转化特征向量获得子单元包括:
目标词汇获得子单元,用于对所述用户资源转化信息进行文本预处理,获得所述用户资源转化信息所包含的目标词汇;
词汇特征向量转换子单元,用于将所述目标词汇转换为词汇特征向量;
用户资源转化特征向量生成子单元,用于获取每个所述词汇特征向量的最大维度值,并根据所述最大维度值生成所述用户资源转化特征向量。
35.根据权利要求31所述的装置,其特征在于,所述历史用户资源特征向量获得单元包括:
特征向量转换子单元,用于将所述历史用户特征数据转换为历史用户特征向量,并且将所述分配实体对象特征数据转换为分配实体对象特征向量;
特征向量合并子单元,用于将所述历史用户特征向量和所述分配实体对象特征向量合并为所述历史用户资源特征向量,其中,每一个所述历史用户特征数据或所述分配实体对象特征数据对应所述历史用户资源特征向量的一个维度。
36.根据权利要求31所述的装置,其特征在于,所述获得历史用户的信息,包括如下中的至少一种:
获得所述历史用户的实时信息;
获得所述历史用户的历史信息;
获得所述历史用户的属性信息;
获得所述历史用户的推荐渠道信息。
37.根据权利要求31所述的装置,其特征在于,所述获得所述历史用户对应的分配实体对象的信息,包括如下中的至少一种:
获得所述分配实体对象的属性信息;
获得所述分配实体对象的数据流量信息;
获得所述分配实体对象所属的类目信息。
38.根据权利要求31所述的装置,其特征在于,所述根据所述历史用户资源特征向量以及所述匹配标签信息进行模型训练,获得用户资源匹配模型,包括:
将所述历史用户资源特征向量作为训练样本实体,并将所述匹配标签信息作为所述历史用户资源特征向量的训练样本标签,对所述训练样本实体和所述训练样本标签进行模型训练,获得用户资源匹配模型。
39.一种电子设备,其特征在于,包括处理器和存储器;其中,
所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现如权利要求8-15任意一项所述的方法。
40.一种计算机可读存储介质,其上存储有一条或多条计算机指令,其特征在于,该指令被处理器执行以实现如权利要求8-15任意一项所述的方法。
41.一种标签生成模型的训练装置,其特征在于,包括:
用户资源转化信息获得单元,用于获得历史用户与所述历史用户对应的分配实体对象之间的用户资源转化信息,以及获得用于表示所述历史用户与所述分配实体对象之间的匹配程度的匹配标签值,所述分配实体对象为已获得所述历史用户所对应的用户资源信息的实体对象;
用户资源转化特征向量获得单元,用于根据所述用户资源转化信息,获得用户资源转化特征向量;
模型训练单元,用于根据所述用户资源转化特征向量和所述匹配标签值进行模型训练,获得标签生成模型,所述标签生成模型用于:根据目标历史用户与该目标历史用户对应的目标分配实体对象之间的用户资源转化信息,获得用于表示所述目标历史用户与所述目标分配实体对象之间的匹配程度的目标匹配标签值;
其中,所述目标匹配标签值用于结合目标历史用户资源特征向量进行模型训练得到用户资源匹配模型,所述用户资源匹配模型用于根据输入的用户资源特征向量输出用户信息与实体对象信息之间的匹配关系信息,以根据所述匹配关系信息将目标用户对应的用户资源信息分配给备选实体对象。
42.根据权利要求41所述的装置,其特征在于,所述获得历史用户与所述历史用户对应的分配实体对象之间的用户资源转化信息,包括如下中的至少一种:
根据所述分配实体对象的反馈信息获得所述历史用户与所述分配实体对象之间的用户资源转化信息;
根据所述历史用户的反馈信息获得所述历史用户与所述分配实体对象之间的用户资源转化信息;
根据所述历史用户与所述分配实体对象之间的数据流量信息获得所述历史用户与所述分配实体对象之间的用户资源转化信息。
43.根据权利要求42所述的装置,其特征在于,所述获得用于表示所述历史用户与所述分配实体对象之间的匹配程度的匹配标签值,包括如下中的一种:
根据所述分配实体对象的反馈信息获得所述匹配标签值;
根据所述历史用户的反馈信息获得所述匹配标签值;
根据所述历史用户与所述分配实体对象之间的数据流量信息获得所述匹配标签值。
44.根据权利要求42所述的装置,其特征在于,所述获得用于表示所述历史用户与所述分配实体对象之间的匹配程度的匹配标签值,包括:
将第一匹配标签值、第二匹配标签值以及第三匹配标签值中的至少两种匹配标签值中的最大匹配标签值作为用于表示所述历史用户与所述分配实体对象之间的匹配程度的匹配标签值;
其中,所述第一匹配标签值根据所述分配实体对象的反馈信息获得,所述第二匹配标签值根据所述历史用户的反馈信息获得,所述第三匹配标签值根据所述历史用户与所述分配实体对象之间的数据流量信息获得。
45.根据权利要求41所述的装置,其特征在于,所述用户资源转化特征向量获得单元包括:
目标词汇获得子单元,用于对所述用户资源转化信息进行文本预处理,获得所述用户资源转化信息所包含的目标词汇;
词汇特征向量转换子单元,用于将所述目标词汇转换为词汇特征向量;
用户资源转化特征向量生成子单元,用于获取每个所述词汇特征向量的最大维度值,并根据所述最大维度值生成所述用户资源转化特征向量。
46.根据权利要求41所述的装置,其特征在于,根据所述用户资源转化特征向量和所述匹配标签值进行模型训练,获得标签生成模型,包括:
将所述用户资源转化特征向量作为训练样本实体,并将所述匹配标签值作为训练样本标签,使用预定的训练模型对所述训练样本实体和所述训练样本标签进行模型训练,获得标签生成模型。
47.一种电子设备,其特征在于,包括处理器和存储器;其中,
所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现如权利要求16-21任意一项所述的方法。
48.一种计算机可读存储介质,其上存储有一条或多条计算机指令,其特征在于,该指令被处理器执行以实现如权利要求16-21任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010080852.1A CN111353688B (zh) | 2020-02-05 | 2020-02-05 | 一种用户资源分配方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010080852.1A CN111353688B (zh) | 2020-02-05 | 2020-02-05 | 一种用户资源分配方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111353688A CN111353688A (zh) | 2020-06-30 |
CN111353688B true CN111353688B (zh) | 2024-02-27 |
Family
ID=71196962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010080852.1A Active CN111353688B (zh) | 2020-02-05 | 2020-02-05 | 一种用户资源分配方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353688B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381234B (zh) * | 2020-11-09 | 2024-05-14 | 北京达佳互联信息技术有限公司 | 一种资源分发方法、装置、设备及计算机可读存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010287045A (ja) * | 2009-06-11 | 2010-12-24 | Nec Corp | リソース割当装置、リソース割当方法及びリソース割当プログラム |
CN106980999A (zh) * | 2016-01-19 | 2017-07-25 | 阿里巴巴集团控股有限公司 | 一种用户推荐的方法和设备 |
CN107094166A (zh) * | 2016-12-12 | 2017-08-25 | 口碑控股有限公司 | 一种业务信息发送方法及装置 |
CN107220852A (zh) * | 2017-05-26 | 2017-09-29 | 北京小度信息科技有限公司 | 用于确定目标推荐用户的方法、装置和服务器 |
CN107730311A (zh) * | 2017-09-29 | 2018-02-23 | 北京小度信息科技有限公司 | 一种推荐信息的推送方法、装置及服务器 |
CN107808314A (zh) * | 2016-09-09 | 2018-03-16 | 腾讯科技(深圳)有限公司 | 用户推荐方法及装置 |
CN109767292A (zh) * | 2018-12-20 | 2019-05-17 | 厦门笨鸟电子商务有限公司 | 一种买家公司推荐方法 |
CN110413877A (zh) * | 2019-07-02 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法、装置及电子设备 |
CN110415091A (zh) * | 2019-08-06 | 2019-11-05 | 重庆仙桃前沿消费行为大数据有限公司 | 商店及商品推荐方法、装置、设备及可读存储介质 |
CN110457596A (zh) * | 2019-08-01 | 2019-11-15 | 北京明略软件系统有限公司 | 一种资源推荐处理方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10083462B2 (en) * | 2012-12-05 | 2018-09-25 | Capital One Services, Llc | Methods and systems for dynamically providing content |
-
2020
- 2020-02-05 CN CN202010080852.1A patent/CN111353688B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010287045A (ja) * | 2009-06-11 | 2010-12-24 | Nec Corp | リソース割当装置、リソース割当方法及びリソース割当プログラム |
CN106980999A (zh) * | 2016-01-19 | 2017-07-25 | 阿里巴巴集团控股有限公司 | 一种用户推荐的方法和设备 |
CN107808314A (zh) * | 2016-09-09 | 2018-03-16 | 腾讯科技(深圳)有限公司 | 用户推荐方法及装置 |
CN107094166A (zh) * | 2016-12-12 | 2017-08-25 | 口碑控股有限公司 | 一种业务信息发送方法及装置 |
CN107220852A (zh) * | 2017-05-26 | 2017-09-29 | 北京小度信息科技有限公司 | 用于确定目标推荐用户的方法、装置和服务器 |
CN107730311A (zh) * | 2017-09-29 | 2018-02-23 | 北京小度信息科技有限公司 | 一种推荐信息的推送方法、装置及服务器 |
CN109767292A (zh) * | 2018-12-20 | 2019-05-17 | 厦门笨鸟电子商务有限公司 | 一种买家公司推荐方法 |
CN110413877A (zh) * | 2019-07-02 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法、装置及电子设备 |
CN110457596A (zh) * | 2019-08-01 | 2019-11-15 | 北京明略软件系统有限公司 | 一种资源推荐处理方法及装置 |
CN110415091A (zh) * | 2019-08-06 | 2019-11-05 | 重庆仙桃前沿消费行为大数据有限公司 | 商店及商品推荐方法、装置、设备及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
Yijun Wang等.Selecting Valuable Customers for Merchants in E-Commerce Platforms.2016 IEEE 16th International Conference on Data Mining (ICDM).2017,全文. * |
邰淳亮 ; 谢怡 ; 孙知信 ; .一种基于用户兴趣的位置服务推荐算法.计算机技术与发展.2017,(第09期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111353688A (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9460117B2 (en) | Image searching | |
US10504120B2 (en) | Determining a temporary transaction limit | |
CN110413877A (zh) | 一种资源推荐方法、装置及电子设备 | |
CN106651213B (zh) | 服务订单的处理方法及装置 | |
CN110751287B (zh) | 神经网络模型的训练方法及系统以及预测方法及系统 | |
CN110084658B (zh) | 物品匹配的方法和装置 | |
CN112966189B (zh) | 一种基金产品推荐系统 | |
CN114359563B (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
CN110909768B (zh) | 一种标注数据获取方法及装置 | |
CN111353688B (zh) | 一种用户资源分配方法以及装置 | |
CN110717788A (zh) | 一种目标用户的筛选方法及装置 | |
CN108241735A (zh) | 一种数据分析方法及设备 | |
CN116662546A (zh) | 投诉文本标注方法、装置、设备和介质 | |
CN111143546A (zh) | 一种获得推荐语的方法、装置及电子设备 | |
CN116738293A (zh) | 一种业务评价处理方法、装置及电子设备 | |
CN111177093A (zh) | 一种科技资源的共享方法及设备、介质 | |
CN113890948B (zh) | 基于语音外呼机器人对话数据的资源分配方法及相关设备 | |
CN106971306B (zh) | 产品问题的识别方法及系统 | |
CN111652674B (zh) | 一种资源推荐方法以及装置 | |
US11734602B2 (en) | Methods and systems for automated feature generation utilizing formula semantification | |
CN112380872A (zh) | 一种目标实体的情感倾向确定方法及装置 | |
CN111698332A (zh) | 业务对象的分配方法、装置、设备及存储介质 | |
CN116610869B (zh) | 推荐内容管理方法及装置、电子设备及存储介质 | |
CN112396078A (zh) | 一种服务分类方法、装置、设备及计算机可读存储介质 | |
CN112035232B (zh) | 一种作业运行优先级确定方法及相关设备 |
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 |