CN111382347A - 一种对象特征的处理和信息推送方法、装置和设备 - Google Patents
一种对象特征的处理和信息推送方法、装置和设备 Download PDFInfo
- Publication number
- CN111382347A CN111382347A CN201811626683.6A CN201811626683A CN111382347A CN 111382347 A CN111382347 A CN 111382347A CN 201811626683 A CN201811626683 A CN 201811626683A CN 111382347 A CN111382347 A CN 111382347A
- Authority
- CN
- China
- Prior art keywords
- operator
- information
- feature
- pushed
- characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 303
- 238000000034 method Methods 0.000 title claims abstract description 88
- 239000013598 vector Substances 0.000 claims abstract description 100
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000011144 upstream manufacturing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 238000003672 processing method Methods 0.000 abstract description 12
- 238000013507 mapping Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Abstract
本发明公开了一种对象特征的处理和信息推送方法、装置和设备。其中，该对象特征的处理方法包括：获取目标对象数据集对应的特征处理模型的配置文件；根据配置文件中选择的算子、算子之间的关系以及算子运行参数，从算子库中加载选择的算子代码模板，并为算子代码模板配置算子之间的关系和算子运行参数，以生成特征处理模型实例；将目标对象数据集作为特征处理模型实例的输入，运行特征处理模型实例，以输出模型特征向量。本发明实施例提供的技术方案，实现了可配置化的对象特征处理，能够直观地得到目标对象数据集和模型特征向量之间的映射关系，便于不同算子的调试和查错，降低了在特征处理过程中的逻辑运算量。
Description
技术领域
本发明实施例涉及机器学习技术领域，尤其涉及一种对象特征的处理和信息推送方法、装置和设备。
背景技术
随着人工智能交互技术的快速发展，越来越多的信息推送系统采用预先训练机器学习模型来确定最优的推送信息，此时机器学习模型可以通过构建的特征工程最大限度地从原始数据中提取各个推送信息的相关特征，以供后续该机器学习模型中的算法使用，得到相应的模型输出结果。
特征工程中包括对数据特征的使用方法、获取方法、处理方法以及监控方法等，其中特征处理方法属于特征工程的核心部分，特征处理的过程是将原始特征数据，如信息的查看量、评价数或信息属性标签等具体数据值，转换为机器学习模型所需要的模型特征向量。目前，特征处理过程中可能存在多个中间环节，使得特征处理操作与具体业务需求强耦合，现有的信息推送系统对特征处理时一般是针对对应的推送模型，都编写一套对应的处理代码，从而对该推送模型中所需特征向量的每个维度都执行从原始特征数据到该特征向量中在该维度下的特征值的转换处理操作，从而得到完整的特征向量，以便后续输入该推送模型得到最优的输出结果。
现有的特征处理中虽然可以通过数据库的方式来减少代码量，但是对于每种不同的机器学习模型，都需要重新编写一套对应的处理逻辑，导致工作重复性较高；同时在代码量巨大的情况下，无法直观地了解原始特征数据与模型特征向量之间的映射关系；此外在对模型特征进行更新时需要对应更新代码逻辑，易引入处理逻辑错误或处理性能降低的问题。
发明内容
本发明实施例提供了一种对象特征的处理和信息推送方法、装置和设备，实现了可配置化的特征处理，降低了在特征处理过程中的逻辑运算量，提高了信息推送效率。
第一方面，本发明实施例提供了一种对象特征的处理方法，该方法包括：
获取目标对象数据集对应的特征处理模型的配置文件；
根据所述配置文件中选择的算子、算子之间的关系以及算子运行参数，从算子库中加载选择的算子代码模板，并为算子代码模板配置算子之间的关系和算子运行参数，以生成特征处理模型实例；
将所述目标对象数据集作为所述特征处理模型实例的输入，运行所述特征处理模型实例，以输出模型特征向量。
第二方面，本发明实施例提供了一种信息推送方法，该方法包括：
根据用户推送请求获取对应的用户特征数据；
根据所述用户特征数据获取至少一个待推送信息，所述待推送信息中包括对应的推送特征数据；
将所述用户特征数据和所述推送特征数据输入预先构建的特征处理模型中，得到所述待推送信息的特征向量，所述特征处理模型预先根据配置文件中选择的算子、算子之间的关系、以及算子运行参数生成；
根据各所述待推送信息的特征向量，确定所述待推送信息的推送顺序。
第三方面，本发明实施例提供了一种对象特征的处理装置，该装置包括：
配置文件获取模块，用于获取目标对象数据集对应的特征处理模型的配置文件；
实例生成模块，用于根据所述配置文件中选择的算子、算子之间的关系以及算子运行参数，从算子库中加载选择的算子代码模板，并为算子代码模板配置算子之间的关系和算子运行参数，以生成特征处理模型实例；
特征向量输出模块，用于将所述目标对象数据集作为所述特征处理模型实例的输入，运行所述特征处理模型实例，以输出模型特征向量。
第四方面，本发明实施例提供了一种信息推送装置，该装置包括：
用户特征获取模块，用于根据用户推送请求获取对应的用户特征数据；
待推送信息获取模块，用于根据所述用户特征数据获取至少一个待推送信息，所述待推送信息中包括对应的推送特征数据；
特征向量确定模块，用于将所述用户特征数据和所述推送特征数据输入预先构建的特征处理模型中，得到所述待推送信息的特征向量，所述特征处理模型预先根据配置文件中选择的算子、算子之间的关系、以及算子运行参数生成；
推送顺序确定模块，用于根据各所述待推送信息的特征向量，确定所述待推送信息的推送顺序。
第五方面，本发明实施例提供了一种设备，该设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所述的对象特征的处理方法，或者实现本发明任意实施例所述的信息推送方法。
第六方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所述的对象特征的处理方法，或者实现本发明任意实施例所述的信息推送方法。
本发明实施例提供了一种对象特征的处理和信息推送方法、装置和设备，根据配置文件中选择的算子、算子之间的关系以及算子运行参数，从算子库中加载选择的算子代码模板，并为算子代码模板配置算子之间的关系和算子运行参数，从而生成特征处理模型实例，并将目标对象数据集作为特征处理模型实例的输入，得到对应的模型特征向量，实现了可配置化的对象特征处理，此时通过配置文件中选择的算子、算子之间的关系以及算子运行参数，能够直观地得到目标对象数据集和模型特征向量之间的映射关系，便于不同算子的调试和查错，同时预先为算子库中的各个算子编写对应的算子代码模板，在生成不同目标对象数据集对应的特征处理模型时，可以直接在算子库中选择对应的算子代码模板即可，无需重复编写相同逻辑的特征处理代码，降低了在特征处理过程中的逻辑运算量；同时通过预先构建的特征处理模型对信息推送中的用户特征数据和待推送信息的推送特征数据进行处理，得到待推送信息的特征向量，提高了待推送信息的特征处理效率和特征向量的准确性，进而为用户推送更加优质的内容，优化了信息推送效果。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1A为本发明实施例一提供的一种对象特征的处理方法的流程图；
图1B为本发明实施例一提供的方法中生成特征处理模型的原理示意图；
图2为本发明实施例二提供的对象特征的具体处理过程的原理示意图；
图3A为本发明实施例三提供的一种信息推送方法的流程图；
图3B为本发明实施例三提供的信息推送过程的原理示意图；
图4A为本发明实施例四提供的一种信息推送方法的流程图；
图4B为本发明实施例四提供的信息推送过程的原理示意图；
图5为本发明实施例五提供的一种对象特征的处理装置的结构示意图；
图6为本发明实施例六提供的一种信息推送装置的结构示意图
图7为本发明实施例七提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。此外，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本发明实施例主要针对现有的特征处理存在对相同逻辑的特征处理代码进行重复编写，以及无法直观了解目标对象数据与模型特征向量之间的映射关系的问题，通过预先为算子库中的各个算子编写对应的算子代码模板，在针对不同的目标对象数据集进行特征处理时，通过配置文件中选择的算子、算子之间的关系以及算子运行参数，生成对应的特征处理模型实例，从而对目标对象数据集进行处理，得到对应的模型特征向量，实现可配置化的对象特征处理，能够直观地得到目标对象数据集和模型特征向量之间的映射关系，便于不同算子的调试和查错，同时预先为算子库中的各个算子编写对应的算子代码模板，无需重复编写相同逻辑的特征处理代码，降低了在特征处理过程中的逻辑运算量，提高了信息推送效率。
实施例一
图1A为本发明实施例一提供的一种对象特征的处理方法的流程图，本实施例可应用于任一种存在对目标对象数据集进行特征处理需求的设备中。本发明实施例的技术方案适用于如何对目标对象数据集进行特征处理，得到对应的模型特征向量的情况中。本实施例提供的一种对象特征的处理方法可以由本发明实施例提供的对象特征的处理装置来执行，该装置可以通过软件和/或硬件的方式来实现，并集成在执行本方法的设备中。
具体的，参考图1A，该方法可以包括如下步骤：
S110，获取目标对象数据集对应的特征处理模型的配置文件。
其中，目标对象是指各类业务中存在特征处理需求的待处理业务对象，主要针对各类信息推送业务，如视频推荐业务中待推荐的各类视频，新闻推送业务中待推送的新闻信息或者网页搜索业务中搜索出的各类资料等；目标对象数据是指各类业务中表示目标对象在不同方面初始获取的未被处理过的原始特征数据，如视频推荐业务中待推荐的各类视频的转发量、评论信息或者点赞信息等；目标对象数据集是集合了同一业务中的需要进行特征处理的全部目标对象对应的各个目标对象数据的集合。特征处理模型是指针对不同业务中的目标对象数据集所设定的能够对应执行不同特征处理操作且包含有相应特征处理参数的特征处理流程所对应的处理框架。
具体的，由于不同的目标对象数据集所针对的特征处理流程不同，此时现有的特征处理流程需要重复编写大量相同处理逻辑的执行代码，使得工作重复性较高，因此本实施例中的特征处理模型是一种能够将不同业务中的各个特征处理流程均抽象为一种有向无环图(Directed Acyclic Graph，DAG)来表示不同特征处理流程中所具体存在的各项特征处理操作的特征处理框架；其中特征处理模型中包括多个对应执行一项特征处理操作的特征节点，每个特征节点通过预先编写对应的特征处理代码来实现对应的特征处理逻辑；同时DAG图，也就是本实施例中的特征处理模型，是指用于连接不同特征节点之间的任意一条边都有特征处理方向，但整体不存在环路的特征图。进一步的，配置文件是用于描述特征处理模型中所存在的需要对目标对象数据集进行相应特征处理操作的各个特征节点的具体配置信息，也就是描述目标对象数据集所对应执行的整体特征处理流程；该配置文件中可以包括对特征处理模型中包括的不同特征处理操作对应的输入、输出以及特征处理参数等各类特征处理流程的配置情况。
可选的，本实施例中在执行对应的业务处理时，首先需要针对本次待处理的业务类型确定对应的目标对象，并获取各个目标对象在历史业务执行过程中对应的目标对象数据，从而得到本次需要进行特征处理的目标对象数据集；进而根据本次需要进行特征处理的目标对象数据集，获取包含预先为本次特征处理对应设定的能够执行相应特征处理操作的特征处理模型所配置的各个特征节点的具体配置信息的配置文件，以便后续根据该配置文件中描述的整体特征处理流程生成对应的特征处理模型实例，从而对目标对象数据集执行相应的特征处理。
S120，根据配置文件中选择的算子、算子之间的关系以及算子运行参数，从算子库中加载选择的算子代码模板，并为算子代码模板配置算子之间的关系和算子运行参数，以生成特征处理模型实例。
其中，配置文件中的算子是指对应执行一项特征处理操作的特征节点，本实施例中通过将特征处理过程中可能存在的每一个特征处理操作均提炼为一个相应的算子，该算子匹配有能够执行该特征处理操作的算子代码模板；算子运行参数是指该算子执行对应的特征处理操作时所配置的特征处理逻辑所需要的参数信息，根据算子运行参数能够准确实现该算子的特征处理功能。算子库是指由各类业务对应的特征处理模型中可能存在的针对各项特征处理操作所提炼的算子组成的信息库，该算子库中预先存储了特征处理过程中可能存在的全部算子的算子代码模板；针对不同的目标对象数据集对应的特征处理模型，可以通过配置文件来描述本次执行的特征处理模型中选择的算子，算子之间的关系以及各个算子的算子运行参数，进而根据配置文件中确定的本次特征处理流程的处理逻辑，对目标对象数据集进行相应的特征处理。
示例性的，本实施例中的配置文件的格式可以如下所示：
其中，name表示本次特征处理流程中存在的算子的名称，operator表示该算子的类型，每种算子对应一种特征处理逻辑；input表示该算子的输入，也就是该算子需要执行的数据信息，多个算子输入中间可以用逗号隔开；params表示该算子执行对应的特征处理逻辑时所需要的参数信息；export表示该算子的输出结果是否需要导出到最终的模型特征向量；算子库中将每种独立的特征处理操作抽象为一个对应的算子，并通过为各个算子编写对应的算子代码模板，实现该算子的逻辑运算函数，从而定义该算子所对应的特征处理操作。
此外，本实施例中的算子可以包括共享算子和迭代算子两种；其中共享算子用于处理目标对象数据集中各目标对象的公共对象数据，迭代算子用于处理目标对象数据集中各目标对象的自有对象数据。具体的，为了加快目标对象的特征处理效率，由于不同目标对象的目标对象数据集中可能存在相同的数据，因此本实施例中可以将特征处理模型中分为共享阶段和迭代阶段两个特征处理阶段，共享阶段中的算子为共享算子，主要用于处理目标对象数据集中各目标对象的公共对象数据，也就是各个目标对象包含的相同的对象数据，使得该共享算子对该公共对象数据仅执行一次即可，无需针对不同的目标对象多次执行，从而提高特征处理效率；迭代阶段中的算子为迭代算子，主要用于处理目标对象数据集中各目标对象的自有对象数据，也就是各个目标对象包含的与其他目标对象不同的对象数据，提高特征处理的准确性，同时由于迭代算子中处理的各个目标对象的自有特征数据的特征处理操作是相互独立的，因此本实施例中迭代算子可以采用多线程并行处理各目标对象的自有对象数据，从而进一步提高对应的特征处理效率。
可选的，本实施例中在获取到目标对象数据集对应的特征处理模型的配置文件后，可以通过对该配置文件进行分析，确定本次对目标对象数据集进行相应特征处理的具体特征处理操作，也就是确定配置文件中为该特征处理模型选择的算子、算子之间的关系以及各个算子在本次特征处理流程中对应的算子运行参数，如图1B所示，进而根据配置文件中选择的算子在预先构建的由不同业务类型的特征处理过程中可能存在的各个算子组成的算子库中查找出该选择的算子对应的算子代码模板，并加载选择的算子代码模板，以实现本次特征处理流程中的各项特征处理操作的执行；同时根据配置文件中选择的算子从算子库中加载选择的算子代码模板时，还可以将配置文件中预先设定的算子之间的关系以及各算子的算子运行参数配置到对应加载的各个算子代码模板中，以生成目标对象数据集对应的特征处理模型实例，该特征处理模型实例中的各个算子已经初始化完成，能够对目标对象数据集进行相应的特征处理流程。
此外，由于配置文件中包括各个算子的输入和输出，因此本实施例中配置算子之间的关系可以是通过配置算子输入和算子输出来实现的，其中算子输入可以包括该算子的上游算子信息，也就是根据配置文件中为该算子设定的上游算子信息来对该特征处理模型中包含的各个算子进行拓扑排序，从而构建该特征处理模型对应的DAG图。
S130，将目标对象数据集作为特征处理模型实例的输入，运行特征处理模型实例，以输出模型特征向量。
具体的，在生成本次对目标对象数据集进行特征处理的特征处理模型实例时，为了对目标对象数据集进行相应的特征处理，可以将目标对象数据集作为本次生成的特征处理模型实例的输入，并运行该特征处理模型实例，也就是根据配置的算子之间的关系和算子运行参数相应运行各个加载的算子代码模板，对匹配的目标对象数据执行该算子对应的特征处理操作，进而通过该特征处理模型实例中预先选择的算子代码模板以及为各个算子代码模板对应配置的算子之间的关系和算子运行参数，对目标对象数据集进行相应的特征处理操作，按照为该特征处理模型构建的DAG图的结构遍历各个特征节点，进而执行各个特征节点对应的算子代码模板包含的特征处理逻辑，并根据对应的算子输出确定是否需要将输出结果导出到最终的模型特征向量，从而得到目标对象数据集经过相应特征处理后输出的模型特征向量，实现可配置化的特征处理，后续对得到各目标对象的模型特征向量进行分析，得到相应的业务执行结果。
本实施例提供的技术方案，根据配置文件中选择的算子、算子之间的关系以及算子运行参数，从算子库中加载选择的算子代码模板，并为算子代码模板配置算子之间的关系和算子运行参数，从而生成特征处理模型实例，并将目标对象数据集作为特征处理模型实例的输入，得到对应的模型特征向量，实现了可配置化的对象特征处理，此时通过配置文件中选择的算子、算子之间的关系以及算子运行参数，能够直观地得到目标对象数据集和模型特征向量之间的映射关系，便于不同算子的调试和查错，同时预先为算子库中的各个算子编写对应的算子代码模板，在生成不同目标对象数据集对应的特征处理模型时，可以直接在算子库中选择对应的算子代码模板即可，无需重复编写相同逻辑的特征处理代码，降低了在特征处理过程中的逻辑运算量，同时通过对特征处理模型中单个算子进行性能优化，进而提升了特征处理的整体性能。
实施例二
图2为本发明实施例二提供的对象特征的具体处理过程的原理示意图，本实施例是在上述实施例的基础上进行优化。具体的，如图2所示，本实施例中主要对于特征处理模型实例的具体运行过程以及模型特征向量的输出进行详细的解释说明。
可选的，本实施例中对象特征的处理方法具体可以包括如下步骤：
S210，获取目标对象数据集对应的特征处理模型的配置文件。
S220，根据配置文件中选择的算子、算子之间的关系以及算子运行参数，从算子库中加载选择的算子代码模板，并为算子代码模板配置算子之间的关系和算子运行参数，以生成特征处理模型实例。
S230，将目标对象数据集作为特征处理模型实例的输入，根据算子之间的关系确定各算子的运行顺序，根据运行顺序依次运行特征处理模型实例中的各算子。
具体的，在生成本次对目标对象数据集进行特征处理的特征处理模型实例时，后续通过运行该特征处理模型实例对对应的目标对象数据集进行相应特征处理，此时首先分析配置文件中为特征处理模型实例中的各个算子配置的算子之间的关系，也就是查找配置文件中各个算子对应的算子输入，在算子输入中确定预先为该算子配置的上游算子信息，从而确定该特征处理模型实例中包含的各个算子在运行过程中的运行顺序，根据该运行顺序依次运行该特征处理模型实例中的各算子，以便根据为各算子加载的算子代码模板配置的算子运行参数和算子输入，对目标对象数据集中对应的目标对象数据执行具体的特征处理操作。
S240，针对特征处理模型实例中的每一算子，根据配置文件中该算子的算子输入确定待处理数据。
其中，待处理数据包括该算子的上游算子的输出数据和/或该算子的目标对象数据。具体的，在根据运行顺序依次运行该特征处理模型实例中的各算子时，可以针对该特征处理模型中的每一算子进行具体的特征处理分析，首先根据运行顺序确定该特征处理模型实例中当前运行的算子，并根据配置文件中为该算子预先配置的算子输入确定该算子对应的待处理数据；由于算子输入中可以包括该算子的上游算子的标识以及目标对象数据集中对应的目标对象数据的标识，因此在根据配置文件中该算子的算子输入确定待处理数据时，可以查看该算子的算子输入中包括的上游算子的标识和目标对象数据的标识，从而根据上游算子的标识获取该上游算子的输出数据，以及根据目标对象数据的标识在目标对象数据集中获取对应的目标对象数据，作为该算子执行匹配的具体特征处理操作的待处理数据，以便后续根据该算子对应的配置有相应算子运行参数的算子代码模板对该待处理数据执行对应的特征处理操作。
S250，根据该算子的算子运行参数对待处理数据进行处理，得到对应的输出数据。
具体的，在针对特征处理模型实例中的每一算子，确定该算子对应的待处理数据后，可以根据为该算子的算子代码模板配置的算子运行参数对该待处理数据执行相应的特征处理操作，从而得到该算子执行相应特征处理操作后的输出数据；按照上述描述的每一算子的算子运行过程，根据运行顺序对该特征处理模型实例中的各个算子依次执行相同的算子运行过程，从而得到各个算子执行相应特征处理操作后的输出数据，以便后续根据各算子的算子输入确定对应的模型特征向量。
S260，根据特征处理模型实例中的算子输出，确定模型特征向量中各维度对应的目标算子。
具体的，在运行特征处理模型实例时，可以根据配置文件中为各个算子设定的算子输出判断该算子的输出数据是否需要导出到最终的模型特征向量中，也就是在该特征处理模型实例的配置文件中查找各个算子的算子输出，从而确定出需要将输出数据导出为最终的模型特征向量中各个维度下对应的特征值的目标算子，以便后续获取该目标算子对应的输出数据。
S270，将各目标算子的输出数据作为模型特征向量中对应维度下的特征值，得到模型特征向量。
可选的，在得到模型特征向量中各维度对应的目标算子时，可以直接在特征处理模型实例的各个算子的运行过程中，直接将该目标算子在运行过程中的输出数据作为该模型特征向量中对应维度下的特征值，在特征处理模型实例运行完成时，根据各个目标算子的输出数据，则可以得到模型特征向量在各个维度下的特征值，从而得到目标对象的模型特征向量，实现目标对象数据集到模型特征向量的转换。
本实施例提供的技术方案，根据配置文件中为各个算子配置的算子输入和算子输出，确定特征处理模型实例运行过程中依次运行算子顺序以及各算子的输出数据与模型特征向量之间的对应关系，从而得到对应的模型特征向量，实现了可配置化的对象特征处理，此时通过配置文件中选择的算子、算子之间的关系以及算子运行参数，能够直观地得到目标对象数据集和模型特征向量之间的映射关系，便于不同算子的调试和查错，同时预先为算子库中的各个算子编写对应的算子代码模板，在生成不同目标对象数据集对应的特征处理模型时，可以直接在算子库中选择对应的算子代码模板即可，无需重复编写相同逻辑的特征处理代码，降低了在特征处理过程中的逻辑运算量，同时通过对特征处理模型中单个算子进行性能优化，进而提升了特征处理的整体性能。
实施例三
图3A为本发明实施例三提供的一种信息推送方法的流程图，本实施例可应用于任一种为终端推送信息的设备中。本发明实施例的技术方案适用于如何提高信息推送效率的情况中。本实施例提供的一种信息推送方法可以由本发明实施例提供的信息推送装置来执行，该装置可以通过软件和/或硬件的方式来实现，并集成在执行本方法的设备中，该设备可以是具备信息推送能力的服务器。
具体的，参考图3A，该方法可以包括如下步骤：
S310，根据用户推送请求获取对应的用户特征数据。
其中，用户推送请求是指用户在终端应用程序中存在对应的信息更新需求时，通过在终端执行对应的内容刷新操作而生成的更新指令，用于指示后台服务器执行对应的召回服务为终端应用程序推送相应更新后的信息。用户特征数据是指能够表示当前请求推送的用户相关信息的数据，可以包括用户在终端应用程序上的登录账号、对应绑定的手机号、国家、性别或者在终端应用程序中的历史浏览信息等各项信息。
具体的，本实施例在获取到用户在终端应用程序生成的用户推送请求时，可以对该用户推送请求进行解析，得到该用户的标识，从而根据该用户的标识在对应的存储服务中查找出与该用户相关的国家、性别或者在终端应用程序中的历史浏览信息等信息，也就是对应的用户特征数据，该用户特征数据是未被处理过的原始用户数据。
S320，根据用户特征数据获取至少一个待推送信息。
其中，待推送信息中包括对应的推送特征数据。具体的，在获取用户特征数据后，可以对该用户特征数据中包含的具体信息进行分析，判断该用户的喜好情况，从而采用各种查找策略执行对应的召回服务，如协同过滤召回等，进而在信息候选集中查找出与该用户喜好相关的，也就是该用户可能感兴趣的待推送信息的标识，根据查找出的待推送信息的标识在对应的存储服务中获取各个待推送信息的推送特征数据，该推送特征数据为待推送信息在各个方面的初始获取的未被处理过的原始特征数据。
示例性的，以用户在视频应用程序中请求对应的视频为例，如图3B所示，用户在视频应用程序中执行对应的视频刷新操作，从而生成对应的用户推送请求，推送服务在收到该用户推送请求时，根据该用户推送请求中携带的用户标识，在存储服务中查找对应的用户特征数据，并根据用户特征数据在视频候选集中进行召回，得到对应的该用户感兴趣的待推送视频的标识，并根据该待推送视频的标识在存储服务中获取对应的各个待推送视频的推送特征数据，此时该推送特征数据中可以包括各个待推送视频的大小、上传时间、上传者、该待推送视频的标签类型、待推送视频在过去一天的观看量、该待推送视频在本次请求的用户所在区域中的下发量等各方面的原始特征数据。
S330，将用户特征数据和推送特征数据输入预先构建的特征处理模型中，得到待推送信息的特征向量。
其中，特征处理模型预先根据配置文件中选择的算子、算子之间的关系、以及算子运行参数生成。具体的，配置文件中的算子是指对应执行一项特征处理操作的特征节点，本实施例中通过将特征处理过程中可能存在的每一个特征处理操作均提炼为一个相应的算子，该算子匹配有能够执行该特征处理操作的算子代码模板；算子运行参数是指该算子执行对应的特征处理操作时所配置的特征处理逻辑所需要的参数信息，根据算子运行参数能够准确实现该算子的特征处理功能。
具体的，本实施例在得到对应的用户特征数据和各个待推送信息的推送特征数据后，如图3B所示，可以将用户特征数据和推送特征数据输入到预先构建的特征处理模型中，通过该特征处理模型中包括的各个算子的算子代码模板以及配置的算子之间的关系和算子运行参数，对相应的用户特征数据和推送特征数据进行特征处理，从而得到各个待推送信息的特征向量。同时由于用户特征数据属于各个待推送信息中的相同的处理数据，因此用户特征数据以及相同的推送特征数据可以由特征处理模型中的共享算子处理，不同的推送特征数据由特征处理模型中的迭代算子处理，同时迭代算子可以采用多线程并行处理各个待推送信息中包含的不同推送特征数据，提高对应的特征处理效率。
S340，根据各待推送信息的特征向量，确定待推送信息的推送顺序。
具体的，在得到各待推送信息的特征向量后，可以对各个待推送信息的特征向量进行分析，判断各个待推送信息与用户感兴趣的信息之间的区别程度，从而确定待推送信息的推送顺序。
可选的，本实施例对于确定待推送信息的推送顺序，可以通过预先构建对应的推送模型来分析。具体的，本实施例中根据各待推送信息的特征向量，确定待推送信息的推送顺序，可以包括：将各待推送信息的特征向量输入预先构建的推送模型中，得到各待推送信息的推送得分；根据推送得分，确定待推送信息的推送顺序。
具体的，推送模型可以通过预先获取大量的历史推送信息，并对历史推送信息的特征向量进行训练得到，其中该推送模型可以是一种神经网络模型，通过对多个推送信息的特征向量进行处理，能够准确得到表示各个推送信息与用户感兴趣的信息之间的相似程度，也就是用户对于各个推送信息的喜好程度的推送得分；具体的，本实施例在得到各个待推送信息的特征向量后，可以将各待推送信息的特征向量输入到预先构建的推送模型中，通过该推送模型中预先训练的神经元结构和模型参数对该特征向量进行分析，从而得到各个待推送信息的推送得分，并根据各个待推送信息的推送得分的高低，确定待推送信息的推送顺序。
本实施例提供的技术方案，通过预先构建的特征处理模型对信息推送中的用户特征数据和待推送信息的推送特征数据进行处理，得到各个待推送信息的特征向量，提高了待推送信息的特征处理效率和特征向量的准确性，并通过各个待推送信息的特征向量确定对应的推送顺序，进而为用户推送更加优质的内容，优化了信息推送效果。
实施例四
图4A为本发明实施例四提供的一种信息推送方法的流程图，图4B为本发明实施例四提供的信息推送过程的原理示意图。本实施例是在上述实施例的基础上进行优化。具体的，本实施例中对于具体的信息推送过程进行说明，如图4A所示，本实施例中可以包括如下步骤：
S410，获取用户推送请求。
S420，根据用户推送请求获取对应的用户特征数据。
S430，根据用户特征数据获取至少一个待推送信息，该待推送信息中包括对应的推送特征数据。
S440，获取预先设定的特征处理模型的配置文件。
具体的，在获取用户特征数据和推送特征数据后，为了后续对用户特征数据和推送特征数据执行相应的特征处理操作，首先需要获取包含预先为本次信息推送对应设定的需要执行相应特征处理操作的特征处理模型对应的配置文件，该配置文件中包括各个算子的具体配置信息。
S450，根据配置文件中选择的算子、算子之间的关系、以及算子运行参数，从算子库中加载选择的算子代码模板，并为算子代码模板配置算子之间的关系和算子运行参数，以生成对应的特征处理模型。
可选的，本实施例在对用户特征数据和推送特征数据进行特征处理时，首先需要根据获取的配置文件预先构建对应的特征处理模型；此时对为本次信息推送设定的配置文件进行分析，确定本次需要对待推送信息进行相应特征处理的具体特征处理操作，也就是确定配置文件中为该特征处理模型选择的算子、算子之间的关系以及各个算子在本次特征处理流程中对应的算子运行参数，进而根据配置文件中选择的算子在算子库中查找出该选择的算子对应的算子代码模板，并加载选择的算子代码模板，以实现本次特征处理流程中的各项特征处理操作的执行；同时根据配置文件中选择的算子从算子库中加载选择的算子代码模板时，还可以将配置文件中预先设定的算子之间的关系以及各算子的算子运行参数配置到对应加载的各个算子代码模板中，从而生成本次信息推送对应的特征处理模型。进一步的，本实施例中特征处理模型包含的算子包括共享算子和迭代算子两种，其中共享算子用于处理本实施例中的用户特征数据以及待推送信息中包括的相同推送特征数据，迭代算子用于处理本实施例中各个待推送信息中包括的不同推送特征数据。
S460，将用户特征数据和推送特征数据输入预先构建的特征处理模型中，得到待推送信息的特征向量。
S470，根据各待推送信息的特征向量，确定待推送信息的推送顺序。
S480，根据待推送信息的推送顺序，构建对应的推送列表。
具体的，本实施例在根据各个待推送信息的特征向量，确定待推送信息的推送顺序后，可以根据各个待推送信息的推送顺序确定各个待推送信息在推送列表中的具体展示位置，从而根据各个待推送信息的具体展示位置，构建本次用户推送请求对应的推送列表，该推送列表包括推送顺序靠前的预设数量的待推送信息。
S490，根据用户推送请求将推送列表显示给用户。
可选的，本实施例在得到对应的推送列表后，如图4B所示，可以根据用户推送请求将该推送列表下发给对应的终端应用程序，从而将推送列表中包含的各个待推送信息显示给用户，为各用户挑选更优质的内容进行推送。
本实施例提供的技术方案，通过预先构建的特征处理模型对信息推送中的用户特征数据和待推送信息的推送特征数据进行处理，得到各个待推送信息的特征向量，提高了待推送信息的特征处理效率和特征向量的准确性，并通过各个待推送信息的特征向量确定对应的推送顺序，进而为用户推送更加优质的内容，优化了信息推送效果。
实施例五
图5为本发明实施例五提供的一种对象特征的处理装置的结构示意图，具体的，如图5所示，该装置可以包括：
配置文件获取模块510，用于获取目标对象数据集对应的特征处理模型的配置文件；
实例生成模块520，用于根据配置文件中选择的算子、算子之间的关系以及算子运行参数，从算子库中加载选择的算子代码模板，并为算子代码模板配置算子之间的关系和算子运行参数，以生成特征处理模型实例；
特征向量输出模块530，用于将目标对象数据集作为特征处理模型实例的输入，运行特征处理模型实例，以输出模型特征向量。
本实施例提供的技术方案，根据配置文件中选择的算子、算子之间的关系以及算子运行参数，从算子库中加载选择的算子代码模板，并为算子代码模板配置算子之间的关系和算子运行参数，从而生成特征处理模型实例，并将目标对象数据集作为特征处理模型实例的输入，得到对应的模型特征向量，实现了可配置化的对象特征处理，此时通过配置文件中选择的算子、算子之间的关系以及算子运行参数，能够直观地得到目标对象数据集和模型特征向量之间的映射关系，便于不同算子的调试和查错，同时预先为算子库中的各个算子编写对应的算子代码模板，在生成不同目标对象数据集对应的特征处理模型时，可以直接在算子库中选择对应的算子代码模板即可，无需重复编写相同逻辑的特征处理代码，降低了在特征处理过程中的逻辑运算量，同时通过对特征处理模型中单个算子进行性能优化，进而提升了特征处理的整体性能。
进一步的，上述算子可以包括：
共享算子，用于处理目标对象数据集中各目标对象的公共对象数据；
迭代算子，用于处理目标对象数据集中各目标对象的自有对象数据。
进一步的，配置算子之间的关系可以是通过配置算子输入和算子输出来实现的。
进一步的，上述迭代算子采用多线程并行处理各目标对象的自有对象数据。
进一步的，上述特征向量输出模块，可以包括：
算子顺序确定单元，用于根据算子之间的关系确定各算子的运行顺序，根据运行顺序依次运行特征处理模型实例中的各算子；
待处理数据确定单元，用于针对特征处理模型实例中的每一算子，根据配置文件中该算子的算子输入确定待处理数据，该待处理数据包括该算子的上游算子的输出数据和/或该算子的目标对象数据；
算子处理单元，用于根据该算子的算子运行参数对待处理数据进行处理，得到对应的输出数据。
进一步的，上述特征向量输出模块，还可以包括：
目标算子确定单元，用于根据特征处理模型实例中的算子输出，确定模型特征向量中各维度对应的目标算子；
特征向量确定单元，用于将各目标算子的输出数据作为模型特征向量中对应维度下的特征值，得到模型特征向量。
本实施例提供的对象特征的处理装置可适用于上述任意实施例提供的对象特征的处理方法，具备相应的功能和有益效果。
实施例六
图6为本发明实施例六提供的一种信息推送装置的结构示意图，具体的，如图6所示，该装置可以包括：
用户特征获取模块610，用于根据用户推送请求获取对应的用户特征数据；
待推送信息获取模块620，用于根据用户特征数据获取至少一个待推送信息，该待推送信息中包括对应的推送特征数据；
特征向量确定模块630，用于将用户特征数据和推送特征数据输入预先构建的特征处理模型中，得到待推送信息的特征向量，该特征处理模型预先根据配置文件中选择的算子、算子之间的关系、以及算子运行参数生成；
推送顺序确定模块640，用于根据各待推送信息的特征向量，确定待推送信息的推送顺序。
本实施例提供的技术方案，通过预先构建的特征处理模型对信息推送中的用户特征数据和待推送信息的推送特征数据进行处理，得到各个待推送信息的特征向量，提高了待推送信息的特征处理效率和特征向量的准确性，并通过各个待推送信息的特征向量确定对应的推送顺序，进而为用户推送更加优质的内容，优化了信息推送效果。
进一步的，上述信息推送装置，还可以包括：
配置文件获取模块，用于获取预先设定的特征处理模型的配置文件；
特征模型生成模块，用于根据配置文件中选择的算子、算子之间的关系、以及算子运行参数，从算子库中加载选择的算子代码模板，并为算子代码模板配置算子之间的关系和算子运行参数，以生成对应的特征处理模型。
进一步的，上述推送顺序确定模块，可以包括：
推送得分确定单元，用于将各待推送信息的特征向量输入预先构建的推送模型中，得到各待推送信息的推送得分；
推送顺序确定单元，用于根据推送得分，确定待推送信息的推送顺序。
进一步的，上述信息推送装置，还可以包括：
推送列表构建模块，用于根据待推送信息的推送顺序，构建对应的推送列表；
推送列表显示模块，用于根据用户推送请求将所述推送列表显示给用户。
本实施例提供的信息推送装置可适用于上述任意实施例提供的信息推送方法，具备相应的功能和有益效果。
实施例七
图7为本发明实施例七提供的一种设备的结构示意图，如图7所示，该设备包括处理器70、存储装置71和通信装置72；设备中处理器70的数量可以是一个或多个，图7中以一个处理器70为例；设备中的处理器70、存储装置71和通信装置72可以通过总线或其他方式连接，图7中以通过总线连接为例。
存储装置71作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明任意实施例所述的对象特征的处理方法或者信息推送方法对应的程序指令/模块。处理器70通过运行存储在存储装置71中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述对象特征的处理方法，或者信息推送方法。
存储装置71可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储装置71可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置71可进一步包括相对于处理器70远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信装置72可用于实现设备间的网络连接或者移动数据连接。
本实施例提供的一种设备可用于执行上述任意实施例提供的对象特征的处理方法或者信息推送方法，具备相应的功能和有益效果。
实施例八
本发明实施例八还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可实现上述任意实施例中的对象特征的处理方法或者信息推送方法。该对象特征的处理方法具体可以包括：
获取目标对象数据集对应的特征处理模型的配置文件；
根据配置文件中选择的算子、算子之间的关系以及算子运行参数，从算子库中加载选择的算子代码模板，并为算子代码模板配置算子之间的关系和算子运行参数，以生成特征处理模型实例；
将目标对象数据集作为特征处理模型实例的输入，运行特征处理模型实例，以输出模型特征向量。
或者，该信息推送方法可以包括：
根据用户推送请求获取对应的用户特征数据；
根据用户特征数据获取至少一个待推送信息，该待推送信息中包括对应的推送特征数据；
将用户特征数据和推送特征数据输入预先构建的特征处理模型中，得到待推送信息的特征向量，该特征处理模型预先根据配置文件中选择的算子、算子之间的关系、以及算子运行参数生成；
根据各待推送信息的特征向量，确定待推送信息的推送顺序。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的对象特征的处理方法或者信息推送方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述对象特征的处理装置或者信息推送装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (14)
1.一种对象特征的处理方法，其特征在于，包括：
获取目标对象数据集对应的特征处理模型的配置文件；
根据所述配置文件中选择的算子、算子之间的关系以及算子运行参数，从算子库中加载选择的算子代码模板，并为算子代码模板配置算子之间的关系和算子运行参数，以生成特征处理模型实例；
将所述目标对象数据集作为所述特征处理模型实例的输入，运行所述特征处理模型实例，以输出模型特征向量。
2.根据权利要求1所述的方法，其特征在于，所述算子包括：
共享算子，用于处理所述目标对象数据集中各目标对象的公共对象数据；
迭代算子，用于处理所述目标对象数据集中各目标对象的自有对象数据。
3.根据权利要求1所述的方法，其特征在于，配置算子之间的关系是通过配置算子输入和算子输出来实现的。
4.根据权利要求2所述的方法，其特征在于，所述迭代算子采用多线程并行处理各目标对象的自有对象数据。
5.根据权利要求1所述的方法，其特征在于，所述运行所述特征处理模型实例，包括：
根据算子之间的关系确定各算子的运行顺序，根据所述运行顺序依次运行所述特征处理模型实例中的各算子；
针对所述特征处理模型实例中的每一算子，根据所述配置文件中该算子的算子输入确定待处理数据，所述待处理数据包括该算子的上游算子的输出数据和/或该算子的目标对象数据；
根据该算子的算子运行参数对所述待处理数据进行处理，得到对应的输出数据。
6.根据权利要求5所述的方法，其特征在于，所述输出模型特征向量，包括：
根据所述特征处理模型实例中的算子输出，确定所述模型特征向量中各维度对应的目标算子；
将各所述目标算子的输出数据作为所述模型特征向量中对应维度下的特征值，得到所述模型特征向量。
7.一种信息推送方法，其特征在于，包括：
根据用户推送请求获取对应的用户特征数据；
根据所述用户特征数据获取至少一个待推送信息，所述待推送信息中包括对应的推送特征数据；
将所述用户特征数据和所述推送特征数据输入预先构建的特征处理模型中，得到所述待推送信息的特征向量，所述特征处理模型预先根据配置文件中选择的算子、算子之间的关系、以及算子运行参数生成；
根据各所述待推送信息的特征向量，确定所述待推送信息的推送顺序。
8.根据权利要求7所述的方法，其特征在于，在根据用户推送请求获取对应的用户特征数据之前，还包括：
获取预先设定的所述特征处理模型的配置文件；
根据所述配置文件中选择的算子、算子之间的关系、以及算子运行参数，从算子库中加载选择的算子代码模板，并为算子代码模板配置算子之间的关系和算子运行参数，以生成对应的特征处理模型。
9.根据权利要求7所述的方法，其特征在于，所述根据各所述待推送信息的特征向量，确定所述待推送信息的推送顺序，包括：
将各所述待推送信息的特征向量输入预先构建的推送模型中，得到各所述待推送信息的推送得分；
根据所述推送得分，确定所述待推送信息的推送顺序。
10.根据权利要求7所述的方法，其特征在于，在确定所述待推送信息的推送顺序之后，还包括：
根据所述待推送信息的推送顺序，构建对应的推送列表；
根据所述用户推送请求将所述推送列表显示给用户。
11.一种对象特征的处理装置，其特征在于，包括：
配置文件获取模块，用于获取目标对象数据集对应的特征处理模型的配置文件；
实例生成模块，用于根据所述配置文件中选择的算子、算子之间的关系以及算子运行参数，从算子库中加载选择的算子代码模板，并为算子代码模板配置算子之间的关系和算子运行参数，以生成特征处理模型实例；
特征向量输出模块，用于将所述目标对象数据集作为所述特征处理模型实例的输入，运行所述特征处理模型实例，以输出模型特征向量。
12.一种信息推送装置，其特征在于，包括：
用户特征获取模块，用于根据用户推送请求获取对应的用户特征数据；
待推送信息获取模块，用于根据所述用户特征数据获取至少一个待推送信息，所述待推送信息中包括对应的推送特征数据；
特征向量确定模块，用于将所述用户特征数据和所述推送特征数据输入预先构建的特征处理模型中，得到所述待推送信息的特征向量，所述特征处理模型预先根据配置文件中选择的算子、算子之间的关系、以及算子运行参数生成；
推送顺序确定模块，用于根据各所述待推送信息的特征向量，确定所述待推送信息的推送顺序。
13.一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的对象特征的处理方法，或者实现如权利要求7-10中任一所述的信息推送方法。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的对象特征的处理方法，或者实现如权利要求7-10中任一所述的信息推送方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811626683.6A CN111382347A (zh) | 2018-12-28 | 2018-12-28 | 一种对象特征的处理和信息推送方法、装置和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811626683.6A CN111382347A (zh) | 2018-12-28 | 2018-12-28 | 一种对象特征的处理和信息推送方法、装置和设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111382347A true CN111382347A (zh) | 2020-07-07 |
Family
ID=71218130
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811626683.6A Pending CN111382347A (zh) | 2018-12-28 | 2018-12-28 | 一种对象特征的处理和信息推送方法、装置和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111382347A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111046283A (zh) * | 2019-12-04 | 2020-04-21 | 深圳前海微众银行股份有限公司 | 特征选择方法、装置、设备及存储介质 |
| CN112090097A (zh) * | 2020-08-06 | 2020-12-18 | 浙江大学 | 一种中药浓缩器的性能分析方法及其应用 |
| CN112099848A (zh) * | 2020-09-11 | 2020-12-18 | 杭州海康威视数字技术股份有限公司 | 一种业务处理方法、装置及设备 |
| CN112270413A (zh) * | 2020-10-22 | 2021-01-26 | 北京百度网讯科技有限公司 | 算子合并方法、装置、电子设备及存储介质 |
| CN112416982A (zh) * | 2021-01-25 | 2021-02-26 | 北京轻松筹信息技术有限公司 | 一种实时用户特征的计算方法及装置 |
| CN113469284A (zh) * | 2021-07-26 | 2021-10-01 | 浙江大华技术股份有限公司 | 一种数据分析的方法、装置及存储介质 |
| CN114218929A (zh) * | 2022-02-22 | 2022-03-22 | 之江实验室 | 一种基于元算子融合的多平台算子智能化开发系统及方法 |
| CN114257701A (zh) * | 2020-09-23 | 2022-03-29 | 北京字节跳动网络技术有限公司 | 视频处理算法的接入配置方法、设备及存储介质 |
| CN114816506A (zh) * | 2022-04-21 | 2022-07-29 | 北京金堤科技有限公司 | 模型特征快速处理方法、装置以及存储介质和电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104020994A (zh) * | 2014-05-30 | 2014-09-03 | 华为技术有限公司 | 基于流系统的流过程定义装置和流过程定义方法 |
| CN107463704A (zh) * | 2017-08-16 | 2017-12-12 | 北京百度网讯科技有限公司 | 基于人工智能的搜索方法和装置 |
| CN108596695A (zh) * | 2018-05-15 | 2018-09-28 | 口口相传(北京)网络技术有限公司 | 实体推送方法及系统 |
| CN108628605A (zh) * | 2018-04-28 | 2018-10-09 | 百度在线网络技术（北京）有限公司 | 流式数据处理方法、装置、服务器和介质 |
| CN108984155A (zh) * | 2018-05-17 | 2018-12-11 | 阿里巴巴集团控股有限公司 | 数据处理流程设定方法和装置 |
-
2018
- 2018-12-28 CN CN201811626683.6A patent/CN111382347A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104020994A (zh) * | 2014-05-30 | 2014-09-03 | 华为技术有限公司 | 基于流系统的流过程定义装置和流过程定义方法 |
| CN107463704A (zh) * | 2017-08-16 | 2017-12-12 | 北京百度网讯科技有限公司 | 基于人工智能的搜索方法和装置 |
| CN108628605A (zh) * | 2018-04-28 | 2018-10-09 | 百度在线网络技术（北京）有限公司 | 流式数据处理方法、装置、服务器和介质 |
| CN108596695A (zh) * | 2018-05-15 | 2018-09-28 | 口口相传(北京)网络技术有限公司 | 实体推送方法及系统 |
| CN108984155A (zh) * | 2018-05-17 | 2018-12-11 | 阿里巴巴集团控股有限公司 | 数据处理流程设定方法和装置 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111046283A (zh) * | 2019-12-04 | 2020-04-21 | 深圳前海微众银行股份有限公司 | 特征选择方法、装置、设备及存储介质 |
| CN112090097A (zh) * | 2020-08-06 | 2020-12-18 | 浙江大学 | 一种中药浓缩器的性能分析方法及其应用 |
| CN112099848A (zh) * | 2020-09-11 | 2020-12-18 | 杭州海康威视数字技术股份有限公司 | 一种业务处理方法、装置及设备 |
| CN112099848B (zh) * | 2020-09-11 | 2024-03-05 | 杭州海康威视数字技术股份有限公司 | 一种业务处理方法、装置及设备 |
| CN114257701A (zh) * | 2020-09-23 | 2022-03-29 | 北京字节跳动网络技术有限公司 | 视频处理算法的接入配置方法、设备及存储介质 |
| CN112270413A (zh) * | 2020-10-22 | 2021-01-26 | 北京百度网讯科技有限公司 | 算子合并方法、装置、电子设备及存储介质 |
| CN112270413B (zh) * | 2020-10-22 | 2024-02-27 | 北京百度网讯科技有限公司 | 算子合并方法、装置、电子设备及存储介质 |
| CN112416982A (zh) * | 2021-01-25 | 2021-02-26 | 北京轻松筹信息技术有限公司 | 一种实时用户特征的计算方法及装置 |
| CN112416982B (zh) * | 2021-01-25 | 2021-09-21 | 北京轻松筹信息技术有限公司 | 一种实时用户特征的计算方法及装置 |
| CN113469284A (zh) * | 2021-07-26 | 2021-10-01 | 浙江大华技术股份有限公司 | 一种数据分析的方法、装置及存储介质 |
| CN114218929A (zh) * | 2022-02-22 | 2022-03-22 | 之江实验室 | 一种基于元算子融合的多平台算子智能化开发系统及方法 |
| CN114816506A (zh) * | 2022-04-21 | 2022-07-29 | 北京金堤科技有限公司 | 模型特征快速处理方法、装置以及存储介质和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111382347A (zh) | 一种对象特征的处理和信息推送方法、装置和设备 | |
| CN111708860A (zh) | 信息提取方法、装置、设备及存储介质 | |
| CN112749266B (zh) | 一种工业问答方法、装置、系统、设备及存储介质 | |
| JP2021190095A (ja) | 映像を認識するための方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム | |
| CN112307762B (zh) | 搜索结果的排序方法及装置、存储介质、电子装置 | |
| US20160283610A1 (en) | Hybrid flows containing a continous flow | |
| US20170300573A1 (en) | Webpage data analysis method and device | |
| CN113094116B (zh) | 一种基于负载特征分析的深度学习应用云配置推荐方法及系统 | |
| CN110580189A (zh) | 生成前端页面的方法、装置、计算机设备以及存储介质 | |
| US20210019456A1 (en) | Accelerated simulation setup process using prior knowledge extraction for problem matching | |
| CN110471935B (zh) | 一种数据操作的执行方法、装置、设备和存储介质 | |
| KR20220027870A (ko) | 딥 러닝을 위한 비주얼 프로그래밍 | |
| WO2022141489A1 (zh) | 深度学习模型的推理方法、装置、计算机设备和存储介质 | |
| CN112364185B (zh) | 多媒体资源的特征确定方法、装置、电子设备和存储介质 | |
| CN109144498A (zh) | 一种面向对象实例化任务的api自动推荐方法及装置 | |
| CN112860736A (zh) | 大数据查询优化方法、设备及可读存储介质 | |
| CN114238576A (zh) | 数据匹配方法、装置、计算机设备和存储介质 | |
| Ghebriout et al. | Harmonic-NAS: Hardware-Aware Multimodal Neural Architecture Search on Resource-constrained Devices | |
| CN113434769A (zh) | 数字化与人工智能结合的互动行为画像分析方法及系统 | |
| Xinyi et al. | Using sequential pattern mining and interactive recommendation to assist pipe-like mashup development | |
| CN112948251A (zh) | 软件自动测试方法及装置 | |
| CN112307256A (zh) | 一种跨域推荐及模型训练的方法和装置 | |
| CN113535594B (zh) | 业务场景测试用例的生成方法、装置、设备和存储介质 | |
| CN115796228B (zh) | 算子融合方法、装置、设备以及存储介质 | |
| CN116738081B (zh) | 一种前端组件绑定方法、装置及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200707 |
|
| RJ01 | Rejection of invention patent application after publication |