CN111369324B - 一种目标信息确定方法、装置、设备及可读存储介质 - Google Patents
一种目标信息确定方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN111369324B CN111369324B CN202010171709.3A CN202010171709A CN111369324B CN 111369324 B CN111369324 B CN 111369324B CN 202010171709 A CN202010171709 A CN 202010171709A CN 111369324 B CN111369324 B CN 111369324B
- Authority
- CN
- China
- Prior art keywords
- information
- periodic
- attenuation
- target information
- prediction
- 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 74
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 230000000737 periodic effect Effects 0.000 claims abstract description 93
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 57
- 239000011159 matrix material Substances 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 16
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 208000021769 Acute sensory ataxic neuropathy Diseases 0.000 description 2
- 101150004822 PSAN gene Proteins 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 239000012633 leachable Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 235000013311 vegetables Nutrition 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/0203—Market surveys; Market polls
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种目标信息确定方法,包括:对获取到的用户数据进行特征提取处理,得到特征信息;利用周期性预测通道对特征信息进行周期预测处理,得到周期性特征;利用衰减性预测通道对特征信息进行衰减预测处理,得到衰减性特征;利用周期性特征和衰减性特征对用户数据对应的多个信息进行筛选,得到目标信息;该方法利用周期性预测通道与衰减性预测通道相结合的方法,使目标信息的确定过程包括了信息周期的影响,因此可以准确地对用户数据对应的多项信息进行筛选,确定当前需要的信息,即目标信息,改善了用户的使用体验;此外,本发明还提供了一种目标信息确定装置、目标信息确定设备及计算机可读存储介质,也具有上述有益效果。
Description
技术领域
本发明涉及深度学习技术领域,特别涉及一种目标信息确定方法、目标信息确定装置、目标信息确定设备及计算机可读存储介质。
背景技术
推荐系统在人们的日常生活中发挥着重要的作用,可以帮助用户缓解信息过载的问题,并推荐用户可能感兴趣的产品。
重复消费是序列推荐任务中一个很常见的现象,用户通常会再次浏览或者购买之前已经购买或浏览过的商品。重复推荐是推荐系统的一个重要组成部分,无论是对商业利益还是用户体验感来说。推荐系统都应该在合适的时间进行适当的重复推荐。现有推荐方法在用户购买或浏览某些信息后,会立即为用户进行重复推荐。然而,每类商品都具有使用周期,大部分情况下用户在购买某个商品后就不需要该类型商品的信息,而现有推荐方法则会立即重复推荐该类商品的信息,即立即将该类商品的信息确定为目标信息进而进行推荐,因此会造成目标信息确定不准确的问题,同时影响了用户的使用体验。
因此,如何解决现有推荐方法存在的目标信息确定不准确,影响用户使用体验的问题,是本领域技术人员需要解决的技术问题。
发明内容
有鉴于此,本发明的目的在于提供一种目标信息确定方法、目标信息确定装置、目标信息确定设备及计算机可读存储介质,现有推荐方法存在的目标信息确定不准确,影响用户使用体验的问题。
为解决上述技术问题,本发明提供了一种目标信息确定方法,包括:
对获取到的用户数据进行特征提取处理,得到特征信息;
利用周期性预测通道对所述特征信息进行周期预测处理,得到周期性特征;
利用衰减性预测通道对所述特征信息进行衰减预测处理,得到衰减性特征;
利用所述周期性特征和所述衰减性特征对所述用户数据对应的多个信息进行筛选,得到目标信息。
可选地,所述对获取到的用户数据进行特征提取处理,得到特征信息,包括:
利用图卷积神经网络对所述用户数据进行信息提取处理,得到用户特征;
生成所述用户特征对应的时间差矩阵和嵌入序列,将所述时间差矩阵和所述嵌入序列确定为所述特征信息。
可选地,在所述利用图卷积神经网络对所述用户数据进行信息提取处理之前,还包括:
获取多个训练数据,并利用所述训练数据生成有向图;
利用所述有向图对初始图卷积神经网络进行训练,得到所述图卷积神经网络。
可选地,所述生成所述用户特征对应的时间差矩阵和嵌入序列,包括:
利用所述用户特征和位置向量生成所述嵌入序列;
计算所述嵌入序列中各个元素之间的时间差值,利用所述时间差值构建所述时间差矩阵。
可选地,在所述利用周期性预测通道对所述特征信息进行周期预测处理之前,还包括:
利用周期激活函数和自注意力网络构建初始周期性预测通道;
利用训练数据对应的训练特征信息对所述初始周期性预测通道进行训练,得到所述周期性预测通道。
可选地,在所述利用衰减性预测通道对所述特征信息进行衰减预测处理之前,还包括:
利用衰减激活函数和自注意力网络构建初始衰减性预测通道;
利用训练数据对应的训练特征信息对所述初始衰减性预测通道进行训练,得到所述衰减性预测通道。
可选地,所述利用所述周期性特征和所述衰减性特征对所述用户数据对应的多个信息进行筛选,得到目标信息,包括:
利用所述周期性特征和所述衰减性特征计算各个所述信息对应的分值;
将所述分值最大的所述信息确定为所述目标信息。
本发明还提供了一种目标信息确定装置,包括:
提取模块,用于对获取到的用户数据进行特征提取处理,得到特征信息;
周期预测模块,用于利用周期性预测通道对所述特征信息进行周期预测处理,得到周期性特征;
衰减预测模块,用于利用衰减性预测通道对所述特征信息进行衰减预测处理,得到衰减性特征;
目标信息确定模块,用于利用所述周期性特征和所述衰减性特征对所述用户数据对应的多个信息进行筛选,得到目标信息。
本发明还提供了一种目标信息确定设备,包括存储器和处理器,其中:
所述存储器,用于保存计算机程序;
所述处理器,用于执行所述计算机程序,以实现上述的目标信息确定方法。
本发明还提供了一种计算机可读存储介质,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现上述的目标信息确定方法。
本发明提供的目标信息确定方法,对获取到的用户数据进行特征提取处理,得到特征信息;利用周期性预测通道对特征信息进行周期预测处理,得到周期性特征;利用衰减性预测通道对特征信息进行衰减预测处理,得到衰减性特征;利用周期性特征和衰减性特征对用户数据对应的多个信息进行筛选,得到目标信息。
可见,该方法对用户数据进行特征提取后,利用两个预测通道对特征信息进行处理,其中周期性预测通道用于对用户进行周期性推荐,实现周期性推荐的功能,而衰减性预测通道用于对用户进行非周期性推荐,实现推荐系统的基本功能。利用周期性特征和衰减性特征可以对用户数据对应的信息进行筛选,最终得到符合周期的目标信息。该方法利用周期性预测通道与衰减性预测通道相结合的方法,使目标信息的确定过程包括了信息周期的影响,因此可以准确地对用户数据对应的多项信息进行筛选,确定当前需要的信息,即目标信息,改善了用户的使用体验,解决了现有推荐方法存在的目标信息确定不准确,影响用户使用体验的问题。
此外,本发明还提供了一种目标信息确定装置、目标信息确定设备及计算机可读存储介质,同样具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种目标信息确定方法流程图;
图2为本发明实施例提供的一种特征信息提取方法流程图;
图3为本发明实施例提供的一种通道训练方法流程图;
图4为本发明实施例提供的一种目标信息确定装置的结构示意图;
图5为本发明实施例提供的一种目标信息确定设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1,图1为本发明实施例提供的一种目标信息确定方法流程图。
该方法包括:
S101:对获取到的用户数据进行特征提取处理,得到特征信息。
在本发明实施例中,本发明提供的目标信息确定方法中的部分或全部步骤可以由执行的设备或终端完成,该设备或终端的具体类型本实施例不做限定,例如可以为指定的Windows系统计算机,或者可以为指定的服务器。
具体的,用户数据为需要被确定目标信息的数据,其具体内容本实施例不做限定,例如可以为用户的购物数据,或者可以为用户的网页信息浏览数据。根据用户数据的不同,用户数据对应的信息以及目标信息的具体内容也不同。具体的,当用户数据为购物数据时,则其对应的信息即为各种商品的信息,目标信息即为用户可能需要的商品信息;当用户数据为网页信息浏览数据时,则其对应的信息即为各类网页信息,目标信息即为用户可能想要浏览的信息。
需要说明的是,为了保证目标信息的准确性,用户数据的数量仅有一个,其中包括了一个用户的全部数据。用户数据中的各项数据之间具有时间先后顺序,例如当用户数据为购物数据时,其中的各项数据可以表明用户每次购物购买的物品,例如可以为水杯—手机—铅笔,表示用户第一次购物购买了水杯,第二次购买了手机,第三次购买了铅笔;当用户数据为用户的网页浏览数据时,其中的各项数据可以表明用户每次浏览网页的类型,例如可以为财经—政治—体育,表示用户第一次浏览了财经类信息,第二次浏览了政治类信息,第三次浏览了体育类新闻。
本实施例并不限定获取用户数据的具体方法,例如可以由用户输入该用户数据,具体数据方法可以为手动输入,或者可以通过传入用户文件,通过解析用户文件的方法获取用户数据;或者可以通过预设路径获取用户数据,例如通过预设路径访问数据库,从数据库中获取用户数据;或者可以获取其他设备或终端发送的用户数据。
在获取用户数据后,对其进行特征提取处理,得到特征信息,特征信息反映了用户数据的具体特征,其具体内容与特征提取处理方法相关,特征提取处理方法的具体内容本实施例不做限定,可以根据实际需要选用不同的特征提取方法进行特征提取处理,不同的特征提取方法提取得到的特征信息的侧重点可能不同,进而可以对目标信息的确定造成影响。
S102:利用周期性预测通道对特征信息进行周期预测处理,得到周期性特征。
需要说明的是,重复性动作在人们的日常生活中占据了很大一个部分,其中最具代表性的行为即为重复性消费,由于各种商品均具有一定的使用周期,因此在某一商品的使用周期达到时,用户则需要重新购买该商品,例如一般会以三个月为周期购买牙刷,或者以三天或四天为周期购买新鲜蔬菜。因此按照商品周期进行商品信息的推荐能够更加准确地为用户推荐当前需要的商品,提高用户的使用体验。
因此在本实施例中,利用周期性预测通道对提取到的特征信息进行周期性预测,最终得到周期性特征。该周期性特征与特征信息相对应,即与用户数据相对应,表明了当前时刻用户数据的周期性状态,以便在后续确定目标信息的过程中进行周期方面的考量。周期性预测通道的具体形式和结构本实施例不做限定,任何可以实现周期性预测功能的通道均可以作为周期性预测通道。
S103:利用衰减性预测通道对特征信息进行衰减预测处理,得到衰减性特征。
在实际情况中,用户已经交互过的信息对之后的交互趋势的影响是衰减的,例如用户已经消费过的物品对之后的消费趋势是衰减的影响,因为已经购买过的物品在使用周期内一般不会重复购买。因此在本实施例中,采用衰减性预测通道对特征信息进行衰减预测处理,得到衰减性特征。衰减性特征表示了用户与新信息的倾向情况,例如用户购买新商品的倾向情况,或者用户浏览新的网页信息的倾向情况。
衰减性预测通道的具体形式和结构本实施例不做限定,任何可以实现衰减性预测功能的通道均可以作为衰减性预测通道。
需要说明的是,本实施例并不对S102步骤和S103步骤的执行顺序进行限定,具体的,S102步骤和S103步骤可以并行执行,即两个步骤同时执行;或者S102在步骤和S103步骤可以串行执行,即先执行S102步骤,再执行S103步骤,或者先执行S103步骤,再执行S102步骤。
S104:利用周期性特征和衰减性特征对用户数据对应的多个信息进行筛选,得到目标信息。
用户数据对应的信息为待选数据,其具体内容本实施例不做限定,其与用户数据相对应,例如当用户数据为购物数据时,信息即为各种物品信息。利用周期性特征和衰减性特征对用户数据对应的信息进行筛选,即可得到目标信息,目标信息即为用户当前可能所需的信息。
应用本发明实施例提供的目标信息确定方法,对用户数据进行特征提取后,利用两个预测通道对特征信息进行处理,其中周期性预测通道用于对用户进行周期性推荐,实现周期性推荐的功能,而衰减性预测通道用于对用户进行非周期性推荐,实现推荐系统的基本功能。利用周期性特征和衰减性特征可以对用户数据对应的信息进行筛选,最终得到符合周期的目标信息。该方法利用周期性预测通道与衰减性预测通道相结合的方法,使目标信息的确定过程包括了信息周期的影响,因此可以准确地对用户数据对应的多项信息进行筛选,确定当前需要的信息,即目标信息,改善了用户的使用体验,解决了现有推荐方法存在的目标信息确定不准确,影响用户使用体验的问题。
基于上述实施例,在另一种可能的实施方式中,为了保证目标信息的确定准确率,需要尽可能地在提取特征信息的过程中保留用户数据的特征,因此本实施例采用图卷积神经网络对用户数据进行特征提取。具体请参考图2,图2为本发明实施例提供的一种特征信息提取方法流程图,包括:
S201:获取多个训练数据,并利用训练数据生成有向图。
需要说明的是,在本实施例中,训练数据和用户数据均为购物数据,因此其中的数据即为物品。
在进行特征提取前,需要得到图卷积神经网络。具体的,获取多个训练数据,利用训练数据生成有向图。训练数据的具体内容应与用户数据相同,其具体数量和内容本实施例不做限定。在数学上,一个图(Graph)是表示物件与物件之间的关系的方法,是图论的基本研究对象。一个图看起来是由一些小圆点(称为顶点或节点)和连结这些圆点的直线或曲线(称为边)组成的。如果给图的每条边规定一个方向,那么得到的图称为有向图,其边也称为有向边。在有向图中,与一个节点相关联的边有出边和入边之分,而与一个有向边关联的两个点也有始点和终点之分。在生成有向图后,采用公式(1)为有向图的每一条边赋予权重,其中公式(1)为:
其中,w为权重值,Count(i,j)为有向图中第i节点到第j节点的边的个数,i、j、k为节点的序号。
S202:利用有向图对初始图卷积神经网络进行训练,得到图卷积神经网络。
具体的,在生成有向图并赋予权重后,利用各个权重值构建邻接矩阵并利用公式(2)对邻接矩阵进行处理,其中公式(2)为:
其中,RELU()为激活函数,H(l)∈R|I|×d是在多层的卷积神经网络学习之后的所有物品的表示,d为隐藏维度。H0是所有物品的随机初始化表示状态,W为随机初始化矩阵,随机初始化的过程可以按照正态分布进行,其具体为一个可学习的权重矩阵。其中,和的定义如下:
其中,C为单位矩阵,若有向图节点不存在一个自连接的边,则邻接矩阵的对角线数据会为0,这样使得在进行卷积操作时会损失很多的关于自身的信息。为一个对角矩阵,每个位置上的元素是对应节点的度。经过多层的卷积之后,即可得到所有物品的表示H∈R|I|×d,此时H已经充分包含了所有节点的信息,因此H即为用户特征。
为了提升物品之间时间间隔所带来的影响,我们采用PASAN层生成用户数据对应的时间差矩阵和嵌入序列,PASAN层即为包括PSAN()处理过程和ASAN()处理过程的网络层,在训练过程中,则生成训练数据对应的时间差矩阵和嵌入序列。具体的,首先将训练数据进行对齐处理,即使各个用户数据所包括的数据的个数相同,例如当用户数据为购物数据时,可以将用户数据的长度控制为一个固定的长度n,如果用户数据的长度大于n,则取顾数据中最后的n个数据;如果用户数据的长度小于n,则可以在用户数据的前端进行补充,使其长度达到n。
设置一个可学习的位置向量P∈R|I|×d,则嵌入序列如公式(3)所示:
其中,表示嵌入序列,n表示/>中向量的行坐标,hi为H矩阵中第i行元素组成的向量。
时间差矩阵如公式(4)所示:
每个元素上的下标指的是指定两个物品之间的时间差。时间差矩阵为上三角矩阵,因为需要忽略序号在后的物品对序号在前的物品的影响。
按照上述过程,利用有向图对初始图卷积神经网络进行训练,最终即可得到图卷积神经网络。
S203:利用图卷积神经网络对用户数据进行信息提取处理,得到用户特征。
在获取用户数据后,利用图卷积神经网络对其进行信息提取处理,得到用户特征,用户特征即为用户数据对应的H矩阵。
S204:生成用户特征对应的时间差矩阵和嵌入序列,将时间差矩阵和嵌入序列确定为特征信息。
在得到用户特征后,利用用户特征生成对应的时间差矩阵和嵌入序列,并将生成的时间差矩阵和嵌入序列确定为特征信息,具体的生成过程可以包括如下两个步骤:
S2041:利用用户特征和位置向量生成嵌入序列。
需要说明的是,位置向量即为可学习的位置向量P∈R|I|×d。
S2042:计算嵌入序列中各个元素之间的时间差值,利用时间差值构建时间差矩阵。
基于上述实施例,在进行周期预测处理和衰减预测处理之前,需要对周期性预测通道和衰减性预测通道进行训练。具体请参考图3,图3为本发明实施例提供的一种通道训练方法流程图,包括:
S301:利用周期激活函数和自注意力网络构建初始周期性预测通道。
需要说明的是,在本实施例中,训练数据和用户数据均为购物数据,因此其中的数据即为物品。
在本实施例中,周期激活函数可以如公式(5)所示:
其中,cos()为余弦函数,P(Δt)为映射值,kp为每个物品对应的可学习的周期因子,用于控制每个物品对应的影响力周期。通过将使用系数和偏置项设置为1/2,可以将映射值的大小控制在[0,1]的范围内。之后,将映射值融入自注意力网络,具体的,请参考公式(6):
其中,均为可学习的权重矩阵,softmax()为激活函数,Ep为中间参数,/>表示元素级别的矩阵乘法,此时,P(Δt)可以作为一个过滤门,将不同的物品与物品之间重要的权重过滤出来,传递到后面的Vp中。
其中,自注意力网络可以如公式(7)所示:
其中,Wp1,Wp2∈Rd×d为权重矩阵,bp1,bp2∈Rd为偏置项。为了表示简洁,可以将整个处理过程记为PSAN(),是多层学习后得到的在周期性通道中的一个序列的物品矩阵,通过抽取最后一个物品的表示/>作为整个序列的表示,即将/>确定为周期性特征。
S302:利用训练数据对应的训练特征信息对初始周期性预测通道进行训练,得到周期性预测通道。
在得到初始周期性预测通道后,利用训练数据对其进行训练,即可得到周期性预测通道。具体的,可以设定准确性阈值,当准确度达到准确信阈值时,说明训练完毕,得到周期性预测通道。
S303:利用衰减激活函数和自注意力网络构建初始衰减性预测通道。
本实施例中,衰减激活函数可以如公式(8)所示:
其中,tanh()是tanh激活函数,ka为每个物品用于控制物品影响力衰减速度的衰减系数,A(Δt)为衰减映射值,其可以看做为一个过滤门,将某些物品的影响力放大,并传递到之后的物品权重之中。之后,将映射值融入自注意力网络,具体的,请参考公式(9):
其中,均为可学习的权重矩阵,softmax()为激活函数,Ea为中间参数,/>表示元素级别的矩阵乘法。
其中,自注意力网络可以如公式(10)所示:
其中,Wa1,Wa2∈Rd×d为权重矩阵,ba1,ba2∈Rd为偏置项。为了表示简洁,可以将整个处理过程记为ASAN(),是多层学习后得到的在周期性通道中的一个序列的物品矩阵,通过抽取最后一个物品的表示/>作为整个序列的表示,即将/>确定为衰减性特征。
S304:利用训练数据对应的训练特征信息对初始衰减性预测通道进行训练,得到衰减性预测通道。
在得到初始衰减性预测通道后,利用训练数据对其进行训练,即可得到衰减性预测通道。具体的,可以设定准确性阈值,当准确度达到准确信阈值时,说明训练完毕,得到衰减性预测通道。
进一步,为了提高目标信息的确定准确率,本实施例优选的,采用可学习的筛选模型对用户数据对应的信息进行筛选,具体的,S104步骤可以包括:
S1041:利用周期性特征和衰减性特征计算各个信息对应的分值。
在本实施例中,筛选模型具有参数α,α为一个可学习的参数,用于平衡用户在不同场景下购买物品的倾向,具体的,可以利用公式(11)对各个信息对应的分值进行计算,即在本实施例中,对各个物品对应的分值进行计算,公式(11)如下所示:
其中,I()为指示函数,为分值,/>和/>为中间分值,Su为用户所有交互过或购买过的物品的集合。利用来自周期性通道的序列表示,即周期性特征,对用户已交互过或购买过的物品打分,利用来自衰减性通道的序列表示,即衰减性特征,对未交互过或未购买过的物品打分,最后将两者相加得到最后的各个物品对应的得分。
进一步的,为了提高分值的准确性,可以采用公式(12)对各个物品对应的分值进行计算,公式(12)如下所示:
其中,L为分值,Lp和La为中间分值,和/>为对正例的打分,区别在于,前者对应于已交互过的物品,后者对应于未交互过的物品。通过分别计算出两者的损失值并求和优化,可以比仅使用同一个损失函数进行优化计算的奥更加准确地分值。
S1042:将分值最大的信息确定为目标信息。
在计算得到各个物品对应的分值后,对分值进行排序,并将分值最大的信息确定为目标信息。在本实施例中,即将分值最大的物品以及其对应的信息确定为目标信息。
下面对本发明实施例提供的目标信息确定装置进行介绍,下文描述的目标信息确定装置与上文描述的目标信息确定方法可相互对应参照。
请参考图4,图4为本发明实施例提供的一种目标信息确定装置的结构示意图,包括:
提取模块410,用于对获取到的用户数据进行特征提取处理,得到特征信息;
周期预测模块420,用于利用周期性预测通道对特征信息进行周期预测处理,得到周期性特征;
衰减预测模块430,用于利用衰减性预测通道对特征信息进行衰减预测处理,得到衰减性特征;
目标信息确定模块440,用于利用周期性特征和衰减性特征对用户数据对应的多个信息进行筛选,得到目标信息。
可选地,提取模块410,包括:
特征提取单元,用于利用图卷积神经网络对用户数据进行信息提取处理,得到用户特征;
生成单元,用于生成用户特征对应的时间差矩阵和嵌入序列,将时间差矩阵和嵌入序列确定为特征信息。
可选地,还包括:
有向图生成模块,用于获取多个训练数据,并利用训练数据生成有向图;
第一训练模块,用于利用有向图对初始图卷积神经网络进行训练,得到图卷积神经网络。
可选地,生成单元,包括:
第一生成子单元,用于利用用户特征和位置向量生成嵌入序列;
第二生成子单元,用于计算嵌入序列中各个元素之间的时间差值,利用时间差值构建时间差矩阵。
可选地,还包括:
第一构建模块,用于利用周期激活函数和自注意力网络构建初始周期性预测通道;
第二训练模块,用于利用训练数据对应的训练特征信息对初始周期性预测通道进行训练,得到周期性预测通道。
可选地,还包括:
第二构建模块,用于利用衰减激活函数和自注意力网络构建初始衰减性预测通道;
第三训练模块,用于利用训练数据对应的训练特征信息对初始衰减性预测通道进行训练,得到衰减性预测通道。
可选地,目标信息确定模块440,包括:
分值计算单元,用于利用周期性特征和衰减性特征计算各个信息对应的分值;
确定单元,用于将分值最大的信息确定为目标信息。
下面对本发明实施例提供的目标信息确定设备进行介绍,下文描述的目标信息确定设备与上文描述的目标信息确定方法可相互对应参照。
请参考图5,图5为本发明实施例所提供的一种目标信息确定设备的结构示意图。其中目标信息确定设备500可以包括处理器501和存储器502,还可以进一步包括多媒体组件503、信息输入/信息输出(I/O)接口504以及通信组件505中的一种或多种。
其中,处理器501用于控制目标信息确定设备500的整体操作,以完成上述的目标信息确定方法中的全部或部分步骤;存储器502用于存储各种类型的数据以支持在目标信息确定设备500的操作,这些数据例如可以包括用于在该目标信息确定设备500上操作的任何应用程序或方法的指令,以及应用程序相关的数据。该存储器502可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static RandomAccess Memory,SRAM)、电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory,EEPROM)、可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory,EPROM)、可编程只读存储器(Programmable Read-OnlyMemory,PROM)、只读存储器(Read-Only Memory,ROM)、磁存储器、快闪存储器、磁盘或光盘中的一种或多种。
多媒体组件503可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器502或通过通信组件505发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口504为处理器501和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件505用于目标信息确定设备500与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near Field Communication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件705可以包括:Wi-Fi部件,蓝牙部件,NFC部件。
目标信息确定设备500可以被一个或多个应用专用集成电路(ApplicationSpecific Integrated Circuit,简称ASIC)、数字信号处理器(Digital SignalProcessor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述实施例给出的目标信息确定方法。
下面对本发明实施例提供的计算机可读存储介质进行介绍,下文描述的计算机可读存储介质与上文描述的目标信息确定方法可相互对应参照。
本发明还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述的目标信息确定方法的步骤。
该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应该认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系属于仅仅用来将一个实体或者操作与另一个实体或者操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语包括、包含或者其他任何变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上对本发明所提供的目标信息确定方法、目标信息确定装置、目标信息确定设备和计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种目标信息确定方法,其特征在于,包括:
对获取到的用户数据进行特征提取处理,得到特征信息;
利用周期性预测通道对所述特征信息进行周期预测处理,得到周期性特征;
利用衰减性预测通道对所述特征信息进行衰减预测处理,得到衰减性特征;
利用所述周期性特征和所述衰减性特征对所述用户数据对应的多个信息进行筛选,得到目标信息;
其中,所述对获取到的用户数据进行特征提取处理,得到特征信息,包括:
利用图卷积神经网络对所述用户数据进行信息提取处理,得到用户特征;生成所述用户特征对应的时间差矩阵和嵌入序列,将所述时间差矩阵和所述嵌入序列确定为所述特征信息。
2.根据权利要求1所述的目标信息确定方法,其特征在于,在所述利用图卷积神经网络对所述用户数据进行信息提取处理之前,还包括:
获取多个训练数据,并利用所述训练数据生成有向图;
利用所述有向图对初始图卷积神经网络进行训练,得到所述图卷积神经网络。
3.根据权利要求1所述的目标信息确定方法,其特征在于,所述生成所述用户特征对应的时间差矩阵和嵌入序列,包括:
利用所述用户特征和位置向量生成所述嵌入序列;
计算所述嵌入序列中各个元素之间的时间差值,利用所述时间差值构建所述时间差矩阵。
4.根据权利要求1所述的目标信息确定方法,其特征在于,在所述利用周期性预测通道对所述特征信息进行周期预测处理之前,还包括:
利用周期激活函数和自注意力网络构建初始周期性预测通道;
利用训练数据对应的训练特征信息对所述初始周期性预测通道进行训练,得到所述周期性预测通道。
5.根据权利要求1所述的目标信息确定方法,其特征在于,在所述利用衰减性预测通道对所述特征信息进行衰减预测处理之前,还包括:
利用衰减激活函数和自注意力网络构建初始衰减性预测通道;
利用训练数据对应的训练特征信息对所述初始衰减性预测通道进行训练,得到所述衰减性预测通道。
6.根据权利要求1至5任一项所述的目标信息确定方法,其特征在于,所述利用所述周期性特征和所述衰减性特征对所述用户数据对应的多个信息进行筛选,得到目标信息,包括:
利用所述周期性特征和所述衰减性特征计算各个所述信息对应的分值;
将所述分值最大的所述信息确定为所述目标信息。
7.一种目标信息确定装置,其特征在于,包括:
提取模块,用于对获取到的用户数据进行特征提取处理,得到特征信息;
周期预测模块,用于利用周期性预测通道对所述特征信息进行周期预测处理,得到周期性特征;
衰减预测模块,用于利用衰减性预测通道对所述特征信息进行衰减预测处理,得到衰减性特征;
目标信息确定模块,用于利用所述周期性特征和所述衰减性特征对所述用户数据对应的多个信息进行筛选,得到目标信息;
其中,所述提取模块,具体用于:
利用图卷积神经网络对所述用户数据进行信息提取处理,得到用户特征;生成所述用户特征对应的时间差矩阵和嵌入序列,将所述时间差矩阵和所述嵌入序列确定为所述特征信息。
8.一种目标信息确定设备,其特征在于,包括存储器和处理器,其中:
所述存储器,用于保存计算机程序;
所述处理器,用于执行所述计算机程序,以实现如权利要求1至6任一项所述的目标信息确定方法。
9.一种计算机可读存储介质,其特征在于,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的目标信息确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010171709.3A CN111369324B (zh) | 2020-03-12 | 2020-03-12 | 一种目标信息确定方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010171709.3A CN111369324B (zh) | 2020-03-12 | 2020-03-12 | 一种目标信息确定方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111369324A CN111369324A (zh) | 2020-07-03 |
CN111369324B true CN111369324B (zh) | 2024-01-23 |
Family
ID=71206734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010171709.3A Active CN111369324B (zh) | 2020-03-12 | 2020-03-12 | 一种目标信息确定方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111369324B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113850686B (zh) * | 2021-10-08 | 2023-11-28 | 同盾网络科技有限公司 | 投保概率确定方法、装置、存储介质及电子设备 |
CN115345718B (zh) * | 2022-10-19 | 2023-01-06 | 易商惠众(北京)科技有限公司 | 一种基于排他性的商品推荐方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503014A (zh) * | 2015-09-08 | 2017-03-15 | 腾讯科技(深圳)有限公司 | 一种实时信息的推荐方法、装置和系统 |
CN108198041A (zh) * | 2018-01-23 | 2018-06-22 | 重庆裕嘉隆大数据产业有限公司 | 一种基于时间衰减器的商品推荐方法、终端和介质 |
CN110109901A (zh) * | 2018-02-02 | 2019-08-09 | 北京京东尚科信息技术有限公司 | 筛选目标对象的方法和装置 |
CN110196946A (zh) * | 2019-05-29 | 2019-09-03 | 华南理工大学 | 一种基于深度学习的个性化推荐方法 |
-
2020
- 2020-03-12 CN CN202010171709.3A patent/CN111369324B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503014A (zh) * | 2015-09-08 | 2017-03-15 | 腾讯科技(深圳)有限公司 | 一种实时信息的推荐方法、装置和系统 |
CN108198041A (zh) * | 2018-01-23 | 2018-06-22 | 重庆裕嘉隆大数据产业有限公司 | 一种基于时间衰减器的商品推荐方法、终端和介质 |
CN110109901A (zh) * | 2018-02-02 | 2019-08-09 | 北京京东尚科信息技术有限公司 | 筛选目标对象的方法和装置 |
CN110196946A (zh) * | 2019-05-29 | 2019-09-03 | 华南理工大学 | 一种基于深度学习的个性化推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111369324A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11531867B2 (en) | User behavior prediction method and apparatus, and behavior prediction model training method and apparatus | |
CN109241431B (zh) | 一种资源推荐方法和装置 | |
Bhagat et al. | Buy it again: Modeling repeat purchase recommendations | |
CN105229575B (zh) | 基于多个语言模型的文本预测 | |
US20190364123A1 (en) | Resource push method and apparatus | |
KR101961711B1 (ko) | 온라인 소셜 네트워크 내 네트워크-인지 제품 시판 | |
CN107562875A (zh) | 一种模型的更新方法、装置及系统 | |
CN108431833A (zh) | 端到端深度协作过滤 | |
CN106897404B (zh) | 一种基于多gru层神经网络的推荐方法与系统 | |
CN111538907B (zh) | 一种对象推荐方法、系统及装置 | |
CN109903103B (zh) | 一种推荐物品的方法和装置 | |
CN111143697B (zh) | 一种内容推荐的方法以及相关装置 | |
CN111369324B (zh) | 一种目标信息确定方法、装置、设备及可读存储介质 | |
CN110069715A (zh) | 一种信息推荐模型训练的方法、信息推荐的方法及装置 | |
CN110956505B (zh) | 一种广告库存的预估方法以及相关装置 | |
CN113065882A (zh) | 一种商品处理方法、装置及电子设备 | |
CN109063120A (zh) | 一种基于聚类的协同过滤推荐方法和装置 | |
CN109190040A (zh) | 基于协同演化的个性化推荐方法及装置 | |
JP6357435B2 (ja) | 選択行動モデル化装置、選択行動予測装置、方法、及びプログラム | |
CN114756758B (zh) | 一种混合推荐方法和系统 | |
CN113409096B (zh) | 目标对象识别方法、装置、计算机设备及存储介质 | |
Liu et al. | Geographically weighted regression model-assisted estimation in survey sampling | |
CN104954873A (zh) | 一种智能电视视频定制方法及系统 | |
CN108229572A (zh) | 一种参数寻优方法及计算设备 | |
Cherkassky | A neural network meta-model of roll-drafting process |
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 |