CN111461792A - 一种业务对象的展示方法、装置和电子设备 - Google Patents

Abstract

本说明书一个或多个实施例提供一种业务对象的展示方法、装置和电子设备；所述方法包括：获取用户的特征数据；对所述特征数据进行第一嵌入处理，得到所述用户对应于业务页面内的展示位的第一特征向量；根据所述第一特征向量，确定所述用户对业务页面内的展示位的关注度；对所述特征数据进行第二嵌入处理，得到所述用户对应于业务对象的第二特征向量；根据所述第一特征向量和所述第二特征向量，确定所述用户对所述展示位展示的业务对象的喜好度；根据所述关注度和所述喜好度，确定展示策略，并根据所述展示策略，通过所述展示位展示所述业务对象。

Description

一种业务对象的展示方法、装置和电子设备

技术领域

本说明书一个或多个实施例涉及计算机技术领域，尤其涉及一种业务对象的展示方法、装置和电子设备。

背景技术

在当前的电商平台经常会有各类业务的促销活动，通过向办理业务的用户发放实体或虚拟权益，以提高业务的转化率。具体的，将权益对应为能够在业务页面上展示的业务对象，并通过业务页面进行展示，使用户在浏览业务页面时即能够获知办理业务所能获得的权益，从而吸引用户的关注、引导用户对于业务的办理，进而实现业务的转化。然而，在现有的业务对象的展示方案还比较简单，无法满足不同用户的不同的、复杂的喜好趋向，无法实现有效的引导，难以满足业务需要。

基于此，需要一种能够实现有效的引导并提高业务转化率的业务对象的展示方案。

发明内容

有鉴于此，本说明书一个或多个实施例的目的在于提出一种业务对象的展示方法、装置和电子设备。

基于上述目的，本说明书一个或多个实施例提供了一种业务对象的展示方法，包括：

获取用户的特征数据；

对所述特征数据进行第一嵌入处理，得到所述用户对应于业务页面内的展示位的第一特征向量；

根据所述第一特征向量，确定所述用户对业务页面内的展示位的关注度；

对所述特征数据进行第二嵌入处理，得到所述用户对应于业务对象的第二特征向量；

根据所述第一特征向量和所述第二特征向量，确定所述用户对所述展示位展示的业务对象的喜好度；

根据所述关注度和所述喜好度，确定展示策略，并根据所述展示策略，通过所述展示位展示所述业务对象。

基于同一发明构思，本说明书一个或多个实施例还提供了一种业务对象的展示装置，包括：

获取模块，被配置为获取用户的特征数据；

第一嵌入模块，被配置为对所述特征数据进行第一嵌入处理，得到所述用户对应于业务页面内的展示位的第一特征向量；

第一确定模块，被配置为根据所述第一特征向量，确定所述用户对业务页面内的展示位的关注度；

第二嵌入模块，被配置为对所述特征数据进行第二嵌入处理，得到所述用户对应于业务对象的第二特征向量；

第二确定模块，被配置为根据所述第一特征向量和所述第二特征向量，确定所述用户对所述展示位展示的业务对象的喜好度；

展示模块，被配置为根据所述关注度和所述喜好度，确定展示策略，并根据所述展示策略，通过所述展示位展示所述业务对象。

基于同一发明构思，本说明书一个或多个实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任意一项所述的方法。

从上面所述可以看出，本说明书一个或多个实施例提供的业务对象的展示方法、装置和电子设备，基于人工智能技术，综合考虑用户对于业务对象的喜好和对于展示位的关注，来进行业务对象的展示，使得业务对象的展示能够同时满足用户对于不同类型的业务对象以及不同位置的展示位的偏好，从而实现对用户的有效引导，提高业务的转化率。

附图说明

为了更清楚地说明本说明书一个或多个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说明书一个或多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为一个业务页面的示例；

图2为本说明书一个或多个实施例的业务对象的展示方法流程图；

图3为本说明书一个或多个实施例中的第一神经网络模型的工作方式示意图；

图4为本说明书一个或多个实施例中图嵌入处理步骤的流程图；

图5为本说明书一个或多个实施例的业务对象的展示装置结构示意图；

图6为本说明书一个或多个实施例的电子设备结构示意图。

具体实施方式

为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。

需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。

如背景技术部分所述，现有的业务对象的展示方案还难以满足业务需要。申请人在实现本公开的过程中发现，现有的业务对象的展示方案存在的主要问题在于：往往只考虑了用户对于不同业务对象的喜好，而忽略了用户对于业务对象所在的展示位的位置对于用户的影响。参考图1，为一个业务页面的示例，在该业务页面上，设置有一用以专门展示不同业务对象的展示区域，展示区域可以是业务页面内的固定区域，或者是业务页面上的悬浮窗口等。在展示区域中，通过不同的展示位来展示不同的业务对象。实际上，受到个人习惯的影响，用户对于不同的展示位的关注程度是不同的，例如一些用户只会关注排位靠前的展示位，而一些用户可能更多的关注排位更加靠后的展示位。也就是说，业务对象所在的不同位置的展示位，也会对用户产生一定的影响。

有鉴于此，本说明书一个或多个实施例提供了一种业务对象的展示方案，具体的，首先获取用户的特征数据，该特征数据可以是用户的画像，用以反映用户的不同的属性。然后，通过人工智能技术，基于用户对于业务页面内的不同的展示位的关注，对用户的特征数据进行第一嵌入处理得到第一特征向量，用以体现用户对于业务页面内的不同的展示位的关注程度，或者说是反映用户对于业务页面内的不同的展示位的选择倾向，简称之为关注度。此外，还基于用户对于不同的业务对象的喜好，对用户的特征数据进行第二嵌入处理得到第二特征向量，用以体现用户对于业务对象的喜好程度，或者说是反映用户对不同的业务对象的选择倾向。进一步的，将第一特征向量和第二特征向量进行组合，通过组合后的结果，来体现用户对于不同的展示位中展示的不同的业务对象的选择倾向，简称之为喜好度。最后，基于展示位和业务对象形成展示策略，并根据关注度喜好度，选择出最终的展示策略并进行展示。

可见，本说明书一个或多个实施例的业务对象的展示方案，基于人工智能技术，综合考虑用户对于业务对象的喜好和对于展示位的关注，来进行业务对象的展示，使得业务对象的展示能够同时满足用户对于不同类型的业务对象以及不同位置的展示位的偏好，从而实现对用户的有效引导，提高业务的转化率。

以下，通过具体的实施例来详细说明本说明书一个或多个实施例的技术方案。

参考图2，本说明书一个实施例的业务对象的展示方法，包括以下步骤：

步骤S201、获取用户的特征数据。

本步骤中，首先获取用户的特征数据。该特征数据用于通过若干的要素来刻画一个用户。具体的，特征数据可以是用户的自然或社会属性，如性别、年龄、职业、居住地、好友关系等；特征数据也可以是用户的历史行为，如是否去过某地、是否注册过某网站，是否购买过某商品等。显然，特征数据所包括的具体内容，可以根据具体的实施需要而选择。

本实施例中对于特征数据的获取方式不做具体限定，可以是用户上传的，也可以是从外部的数据源获取的；例如，用户的性别、年龄等自然属性，可以从用户注册信息数据库获取；用户的购买过某商品的购买记录，可以从电商平台的数据库获取。

步骤S202、对所述特征数据进行第一嵌入处理，得到所述用户对应于业务页面内的展示位的第一特征向量。

本实施例中，通过神经网络模型来对用户的特征数据进行第一嵌入处理，以实现对用户的特征数据进行特征提取。具体的，用于执行第一嵌入处理的神经网络模型，本实施例中称其为第一神经网络模型。

第一神经网络模型是一种人工神经网络（Artificial Neural Network， ANN），也称为感知机。参考图3，为第一神经网络模型的一个示例。其中，用户的特征数据，包括有三个要素，分别为性别、年龄和职业。展示位设置有两个，分别为展示位P1和展示位P2；展示位P1和展示位P2具有一定的相互位置关系，如在一个列表中，展示位P1在展示位P2上方，或者是展示位P1存在重合展示位P2，而展示位P1相对靠前部分覆盖展示位P2。第一神经网络模型，包括有输入层和隐藏层。输入层用于将特征数据向量化，以实现特征数据的输入。隐藏层则执行第一嵌入处理，实现对于特征数据的特征提取，以得到反映用户特征的特征向量。隐藏层的数量可以为一个，也可以多于一个，具体的数量选择可以根据需要而设定，本示例中，以两个隐藏层为例。具体的，隐藏层包括有若干神经元。对于每个神经元，其输入为前一隐藏层的每个神经元的输出的加权和，该输入经过一激活函数后输出；激活函数可以选择sigmoid、tanh、ReLU等，本示例中以sigmoid为例。

对于本实施例所述的第一神经网络模型，由于特征数据包括有三个要素，则输入层包括有三个神经元，用户分别将三个要素向量化后输入。对于隐藏层，除最后一个隐藏层之外的隐藏层。其包括的神经元的数量可以任意设置；对于最后一个隐藏层，由于对应于两个展示位，则最后一个隐藏层包括的神经元的数量为二。特征数据输入第一神经网络模型后，隐藏层最终会输出一二维向量，即所述的第一特征向量，第一特征向量中两个维度上的值即分别对应两个展示位。激活函数选择为sigmoid，则第一特征向量中两个维度上的值均为一0-1间的数值，数值较大则代表用户对相应的展示位更加关注。

相应的，本实施例所述的第一神经网络模型，其是基于不同用户对业务页面内的展示位的历史操作数据训练得到的。具体的，以不同用户的特征数据作为输入，以用户在业务过程中实际上对于展示位操作（如选择、悬停等）为标签，构建训练样本集。其中，用户在历史上业务过程中实际对于展示位操作，是指用户在业务页面上办理业务或浏览业务时，对于展示位曾经进行过的操作，如选择操作，表明用户办理业务时最终选择了其选择的展示位的业务对象；如悬停操作，表明用户办理业务时对于悬停的展示位的业务对象有过较长时间的关注，上述操作或类似的其他操作，均能够表明用户历史上对于展示位的关注。

基于前述构建的训练样本集，通过任意的机器学习算法（如采用反向传播的梯度下降算法、采用反向传播的交叉熵算法等）进行训练后，即得到所述的第一神经网络模型。

步骤S203、根据所述第一特征向量，确定所述用户对业务页面内的展示位的关注度。

本步骤中，基于第一神经网络模型输出的第一特征向量，将第一特征向量中各维度上的值确定为用户对业务页面内的展示位的关注度。如前述示例，对于展示位P1和展示位P2两个展示位，第一特征向量为一个二维向量（0.9，0.4），则用户对于展示位P1的关注度即为0.9，则用户对于展示位P2的关注度即为0.4。以展示位P1和展示位P2是在同一列表中，展示位P1在展示位P2上方为例，上述第一特征向量则表明用户更加关注列表中处于上方的展示位P1。

步骤S204、对所述特征数据进行第二嵌入处理，得到所述用户对应于业务对象的第二特征向量。

本实施例中，通过神经网络模型来对用户的特征数据进行第二嵌入处理，以实现对用户的特征数据进行特征提取。具体的，用于执行第二嵌入处理的神经网络模型，本实施例中称其为第二神经网络模型。

第二神经网络模型与前述的第一神经网络模型，其结构形式和工作方式类似，其输入均是用户的特征数据，该特征数据所包含的要素相同。区别在于，第二神经网络模型输出的第二特征向量，其表达了用户对于一个业务对象的喜好。

相应的，本实施例所述的第二神经网络模型，其是基于不同用户对业务对象的历史操作数据训练得到的。具体的，以不同用户的特征数据作为输入，以用户历史上在业务过程中实际对于业务对象操作（如选择、悬停等）为标签，构建训练样本集。其中，用户在业务过程中实际上对于业务对象操作，是指用户在业务页面上办理业务或浏览业务时，对于业务对象曾经进行过的操作，如选择操作，表明用户办理业务时最终选择了其选择的业务对象；如悬停操作，表明用户办理业务时对于悬停的业务对象有过较长时间的关注，上述操作或类似的其他操作，均能够表明用户历史上对于业务对象的喜好。

以步骤S202至S203中的示例为基础，用户的特征数据，包括有三个要素，分别为性别、年龄和职业。特征数据输入第二神经网络模型，第二神经网络模型的隐藏层最终会输出的特征向量，即为第二特征向量。该第二特征向量整体上表达了用户对于一个业务对象的喜好。为进行后续步骤中第一特征向量和第二特征向量的组合，第二特征向量的维度应设置为与第一特征向量的维度相同，也即第二神经网络模型的最后一个隐藏层包括的神经元的数量设置为与展示位的数量相同。

步骤S205、根据所述第一特征向量和所述第二特征向量，确定所述用户对所述展示位展示的业务对象的喜好度。

本步骤中，基于第一特征向量和第二特征向量来确定用户对于业务对象的喜好度。具体的，对于一个业务对象，计算其对应的第二特征向量与第一特征向量进行点积或余弦距离，上述结算的结果，即为用户对该业务对象的喜好；具体的，点积或余弦距离的计算结果为一个数值，该数值即作为用户对该业务对象的喜好度。其中，由于第一特征向量反映了用户对于不同展示位的关注，则本实施例计算出的喜好度实际上能够不仅单纯的反映了用户对于业务对象的喜好，还同时蕴含了用户对于展示位的关注。

作为一个示例，对于一个业务对象O1，第二神经网络模型以sigmoid为激活函数，其输出的的第二特征向量为（0.6，0.2）。沿用前述示例的内容，展示位有两个，分别为：展示位P1和展示位P2；第一神经网络模型输出的第一特征向量为（0.9，0.4）。对于业务对象O1，第二神经网络模型输出的第二特征向量为（0.6，0.2）。则用户对于业务对象O1的喜好度为第一特征向量为（0.9，0.4）与第二特征向量为（0.6，0.2）的点积，具体为0.9*0.6+0.4*0.2=0.62，即用户对于业务对象O1的喜好度为0.62。

可以理解的是，对于不同的业务对象，其各自对应的有训练得到的第二神经网络模型。也即，对于不同的业务对象，其构建的训练样本集不同，则训练的得到的模型的参数也存在区别。第二神经网络模型这一表示仅表明其是对应于一个业务对象的，并非是指不同的业务对象都是通过同一个模型得到的。

步骤S206、根据所述关注度和所述喜好度，确定展示策略，并根据所述展示策略，通过所述展示位展示所述业务对象。

本步骤中，根据前述步骤中获得的关注度和喜好度，来确定展示策略。展示策略是指，在不同的展示位中展示不同的业务对象。在一般的业务页面的展示过程中，没有内容的展示位通常没有实在意义，则业务对象的数量通常不少于展示位的数量。相应的，展示策略中，通过展示位展示业务对象时，希望实现的目标即为：不同的展示位展示不同业务对象，也即一个展示位展示一个业务对象，而不同展示位中的业务对象互不相同。可以理解为，对展示位和业务对象进行排列组合，每一种排列组合结果，称之为一候选展示策略。需要从若干候选展示策略中选择一个作为最终的展示策略。

作为一个示例，展示位有两个，业务对象有三个。沿用前述示例的内容，两个展示位分别为：展示位P1和展示位P2；第一神经网络模型输出的第一特征向量为（0.9，0.4）；则展示位P1的关注度为0.9，则展示位P2的关注度为0.4。业务对象有三个，分别为：业务对象O1、业务对象O2、业务对象O3。通过第一特征向量与第二特征向量做点积的方式分别计算三个业务对象的喜好度；业务对象O1的喜好度为0.62，业务对象O2的喜好度为0.85，业务对象O1的喜好度为0.54。

对于展示位P1和展示位P2，和业务对象O1、业务对象O2、业务对象O3。进行排列组合，即从三个业务对象中选出两个，两个展示位不同的顺序分别放入两个展示位进行展示，排列组合的结果共有六种，即得到六个候选展示策略。对于每个候选展示策略，将其包括的展示位和业务对象分别对应的关注度和喜好度相乘后相加，将得到的数值作为候选展示策略的展示评分。

具体的，六个候选展示策略及其展示评分分别为：

【P1* O1+P2*O2】=0.9*0.62+0.4*0.85=0.898

【P1* O2+P2*O1】=0.9*0.85+0.4*0.62=1.013

【P1* O1+P2*O3】=0.9*0.62+0.4*0.54=0.774

【P1* O3+P2*O1】=0.9*0.54+0.4*0.62=0.702

【P1* O2+P2*O3】=0.9*0.85+0.4*0.54=0.981

【P1* O3+P2*O2】=0.9*0.54+0.4*0.85=0.826

候选展示策略【P1* O2+P2*O1】的展示评分最高，则将候选展示策略【P1* O2+P2*O1】作为最终使用的展示策略，即在业务页面中，在展示位P1上展示业务对象O2，在展示位P2上展示业务对象O1。

需要说明的是，前述实施例中涉及的第一特征向量、第二特征向量、关注度、喜好度、展示评分的具体取值均为示例，其仅用于表明上述各特征间的关系和相互作用，并非是对于上述各特征的取值的限定。

下面，给出本实施例的业务对象的展示方法的一个具体的应用场景。业务页面是ETC（Electronic Toll Collection，电子不停车收费系统）业务的办理页面。业务页面上通过一列表形式的展示区域提供两个展示位，展示位上展示的业务对象为用户在当前的业务页面成功办理ETC业务后，向用户反馈的权益。预设的可以提供给用户作为权益的业务对象为现金红包、视频APP会员时长和购物折扣卷。实际上，对于列表形式展示的展示位，该用户更加关注列表中位置更靠上的展示位；对于上述几种业务对象，用户最喜好现金红包，其次喜好购物折扣卷，对视频APP会员时长的喜好较低。通过本实施例的业务对象的展示方法，可以得到一对应于该用户的展示策略，该展示策略能够准确的反映用户对于不同展示位的关注以及对于不同业务对象的喜好。最终，在列表的两个展示位中，靠上的展示位展示现金红包、靠下的展示位展示购物折扣卷。当该用户进入业务页面时，展示位展示了其比较喜好的两种业务对象，且最喜好的现金红包处于其最关注的展示位处，这样的展示策略下，该用户受到展示位上展示业务对象的影响，最终较大可能成功办理ETC业务，即有效的提升了业务的转化率。

作为一个可选的实施例，参考图4，对于前述实施例中的步骤202，其还可以包括以下步骤：

步骤S401、获取所述用户与其他用户的关系网络图；

步骤S402、对所述关系网络图进行图嵌入处理，得到所述用户的图嵌入特征数据；

步骤S403、将所述特征数据和所述图嵌入特征数据组合后进行所述第一嵌入处理，以得到所述第一特征向量。

本实施例中，对于用户的特征数据，对于用户的自然属性、历史行为等的因素之外，还希望考虑不同用户之间的相互影响的因素。通过网络图能够体现不同用户的关系，而基于网络图的机器学习模型，则能够对于网络图进行嵌入处理，来获得表示不同用户之间的关系的特征，该表示不同用户之间的关系的特征称之为图嵌入特征数据。

具体的，构建包括用户与其他用户的关系网络图。该关系网络图，包括节点和连接节点的边。其中，节点表示用户，而边表示其连接的节点对应的用户之间的关系。

能够实现图嵌入处理的为图神经网络，其输入为通过向量表示的网络图，而其能够以向量形式输出网络图中节点的图嵌入特征数据。

在本实施例中，将包括多个不同用户的关系网络图输入图神经网络进行图嵌入处理，即能够得到任一用户的图嵌入特征数据。当对于任一用户进行本实施例的业务对象的展示方法时，则可以将通过图嵌入处理得到的该用户的图嵌入特征数据与该用户的特征数据进行组合。如前述实施例所述，用户的特征数据以向量形式输入，而用户的图嵌入特征数据也为向量形式，则可以通过向量融合的方式得到一个同时包括特征数据和图特征数据的向量，在本实施例中，讲上述融合得到的向量进行第一嵌入处理，以得到所述第一特征向量。

可见，在本实施例中，构建反映不同用户关系的关系网络图，通过图嵌入处理得到用户的图嵌入特征数据。将用户的特征数据和图嵌入特征数据组合以后，再进行第一嵌入处理。这样，得到的第一特征向量即反映了用户的自然属性、历史行为，还反映了该用户与其他用户之间的关系，使得本实施例的方法对于用户特征的刻画更加的全面和准确，这能够有效的提升本实施例的方法的效果。

需要说明的是，本说明书一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

基于同一发明构思，本说明书一个或多个实施例还提供了一种业务对象的展示装置。参考图5，所述的业务对象的展示装置，包括：

获取模块501，被配置为获取用户的特征数据；

第一嵌入模块502，被配置为对所述特征数据进行第一嵌入处理，得到所述用户对应于业务页面内的展示位的第一特征向量；

第一确定模块503，被配置为根据所述第一特征向量，确定所述用户对业务页面内的展示位的关注度；

第二嵌入模块504，被配置为对所述特征数据进行第二嵌入处理，得到所述用户对应于业务对象的第二特征向量；

第二确定模块505，被配置为根据所述第一特征向量和所述第二特征向量，确定所述用户对所述展示位展示的业务对象的喜好度；

展示模块506，被配置为根据所述关注度和所述喜好度，确定展示策略，并根据所述展示策略，通过所述展示位展示所述业务对象。

作为一个可选的实施例，所述第一嵌入模块502，具体被配置为将所述特征数据输入预先训练的第一神经网络模型，提取所述第一神经网络模型的隐藏层的输出，以得到所述第一特征向量；其中，所述第一神经网络模型基于不同用户对业务页面内的展示位的历史操作数据训练得到。

作为一个可选的实施例，所述第二嵌入模块504，具体被配置为将所述特征数据输入预先训练的第二神经网络模型，提取所述第二神经网络模型的隐藏层的输出，以得到所述第二特征向量；其中，所述第二神经网络模型基于不同用户对业务页面内的展示位展示的业务对象的历史操作数据训练得到。

作为一个可选的实施例，所述第一确定模块503，具体被配置为所述第一特征向量的维度与所述展示位一一对应；对于任一所述展示位，将所述第一特征向量中相应维度的值确定为所述用户对所述展示位的关注度。

作为一个可选的实施例，所述展示位的数量至少为两个；所述业务对象的数量不少于所述展示位的数量，且每个所述业务对象均对应有一所述第二特征向量；所述第二确定模块505，具体被配置为计算所述第一特征向量与所述业务对象对应的第二特征向量的点积或余弦距离，将计算结果作为所述用户对所述业务对象的喜好度。

作为一个可选的实施例，所述展示模块506，具体被配置为以不同的所述展示位展示不同所述业务对象为目标，对所述展示位和所述业务对象进行排列组合，得到若干候选展示策略；对于每个所述候选展示策略，计算其展示评分；所述展示评分为所述候选展示策略中各展示位的关注度与该展示位展示的业务对象的喜好度的乘积的加和；将所述展示评分最高的所述候选展示策略作为所述展示策略。

作为一个可选的实施例，所述第一嵌入模块502，具体被配置为获取所述用户与其他用户的关系网络图；对所述关系网络图进行图嵌入处理，得到所述用户的图嵌入特征数据；将所述特征数据和所述图嵌入特征数据组合后进行所述第一嵌入处理，以得到所述第一特征向量。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。

上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，本说明书一个或多个实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任意一实施例所述的业务对象的展示方法。

图6示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图， 该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线 1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。

处理器1010可以采用通用的CPU（Central Processing Unit，中央处理器）、微处理器、应用专用集成电路（Application Specific Integrated Circuit，ASIC）、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。

存储器1020可以采用ROM（Read Only Memory，只读存储器）、RAM（Random AccessMemory，随机存取存储器）、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。

输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中（图中未示出），也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口1040用于连接通信模块（图中未示出），以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式（例如USB、网线等）实现通信，也可以通过无线方式（例如移动网络、WIFI、蓝牙等）实现通信。

总线1050包括一通路，在设备的各个组件（例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040）之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围（包括权利要求）被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构（例如，动态RAM（DRAM））可以使用所讨论的实施例。

本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (15)

1.一种业务对象的展示方法，包括：

获取用户的特征数据；

对所述特征数据进行第一嵌入处理，得到所述用户对应于业务页面内的展示位的第一特征向量；

根据所述第一特征向量，确定所述用户对业务页面内的展示位的关注度；

对所述特征数据进行第二嵌入处理，得到所述用户对应于业务对象的第二特征向量；

根据所述第一特征向量和所述第二特征向量，确定所述用户对所述展示位展示的业务对象的喜好度；

根据所述关注度和所述喜好度，确定展示策略，并根据所述展示策略，通过所述展示位展示所述业务对象。

2.根据权利要求1所述的方法，所述对所述特征数据进行第一嵌入处理，得到所述用户对应于业务页面内的展示位的第一特征向量，包括：

将所述特征数据输入预先训练的第一神经网络模型，提取所述第一神经网络模型的隐藏层的输出，以得到所述第一特征向量；其中，所述第一神经网络模型基于不同用户对业务页面内的展示位的历史操作数据训练得到。

3.根据权利要求1所述的方法，所述对所述特征数据进行第二嵌入处理，得到所述用户对应于业务对象的第二特征向量，包括：

将所述特征数据输入预先训练的第二神经网络模型，提取所述第二神经网络模型的隐藏层的输出，以得到所述第二特征向量；其中，所述第二神经网络模型基于不同用户对业务页面内的展示位展示的业务对象的历史操作数据训练得到。

4.根据权利要求1所述的方法，所述根据所述第一特征向量，确定所述用户对业务页面内的展示位的关注度，包括：

所述第一特征向量的维度与所述展示位一一对应；对于任一所述展示位，将所述第一特征向量中相应维度的值确定为所述用户对所述展示位的关注度。

5.根据权利要求4所述的方法，所述展示位的数量至少为两个；所述业务对象的数量不少于所述展示位的数量，且每个所述业务对象均对应有一所述第二特征向量；

所述根据所述第一特征向量和所述第二特征向量，确定所述用户对所述展示位展示的业务对象的喜好度，包括：

计算所述第一特征向量与所述业务对象对应的第二特征向量的点积或余弦距离，将计算结果作为所述用户对所述业务对象的喜好度。

6.根据权利要求5所述的方法，所述根据所述关注度和所述喜好度，确定展示策略，包括：

以不同的所述展示位展示不同所述业务对象为目标，对所述展示位和所述业务对象进行排列组合，得到若干候选展示策略；

对于每个所述候选展示策略，计算其展示评分；所述展示评分为所述候选展示策略中各展示位的关注度与该展示位展示的业务对象的喜好度的乘积的加和；

将所述展示评分最高的所述候选展示策略作为所述展示策略。

7.根据权利要求1所述的方法，所述对所述特征数据进行第一嵌入处理，得到所述用户对应于业务页面内的展示位的第一特征向量，包括：

获取所述用户与其他用户的关系网络图；

对所述关系网络图进行图嵌入处理，得到所述用户的图嵌入特征数据；

将所述特征数据和所述图嵌入特征数据组合后进行所述第一嵌入处理，以得到所述第一特征向量。

8.一种业务对象的展示装置，包括：

获取模块，被配置为获取用户的特征数据；

第一嵌入模块，被配置为对所述特征数据进行第一嵌入处理，得到所述用户对应于业务页面内的展示位的第一特征向量；

第一确定模块，被配置为根据所述第一特征向量，确定所述用户对业务页面内的展示位的关注度；

第二嵌入模块，被配置为对所述特征数据进行第二嵌入处理，得到所述用户对应于业务对象的第二特征向量；

第二确定模块，被配置为根据所述第一特征向量和所述第二特征向量，确定所述用户对所述展示位展示的业务对象的喜好度；

展示模块，被配置为根据所述关注度和所述喜好度，确定展示策略，并根据所述展示策略，通过所述展示位展示所述业务对象。

9.根据权利要求8所述的装置，所述第一嵌入模块，具体被配置为将所述特征数据输入预先训练的第一神经网络模型，提取所述第一神经网络模型的隐藏层的输出，以得到所述第一特征向量；其中，所述第一神经网络模型基于不同用户对业务页面内的展示位的历史操作数据训练得到。

10.根据权利要求8所述的装置，所述第二嵌入模块，具体被配置为将所述特征数据输入预先训练的第二神经网络模型，提取所述第二神经网络模型的隐藏层的输出，以得到所述第二特征向量；其中，所述第二神经网络模型基于不同用户对业务页面内的展示位展示的业务对象的历史操作数据训练得到。

11.根据权利要求8所述的装置，所述第一确定模块，具体被配置为所述第一特征向量的维度与所述展示位一一对应；对于任一所述展示位，将所述第一特征向量中相应维度的值确定为所述用户对所述展示位的关注度。

12.根据权利要求11所述的装置，所述展示位的数量至少为两个；所述业务对象的数量不少于所述展示位的数量，且每个所述业务对象均对应有一所述第二特征向量；

所述第二确定模块，具体被配置为计算所述第一特征向量与所述业务对象对应的第二特征向量的点积或余弦距离，将计算结果作为所述用户对所述业务对象的喜好度。

13.根据权利要求12所述的装置，所述展示模块，具体被配置为以不同的所述展示位展示不同所述业务对象为目标，对所述展示位和所述业务对象进行排列组合，得到若干候选展示策略；对于每个所述候选展示策略，计算其展示评分；所述展示评分为所述候选展示策略中各展示位的关注度与该展示位展示的业务对象的喜好度的乘积的加和；将所述展示评分最高的所述候选展示策略作为所述展示策略。

14.根据权利要求8所述的装置，所述第一嵌入模块，具体被配置为获取所述用户与其他用户的关系网络图；对所述关系网络图进行图嵌入处理，得到所述用户的图嵌入特征数据；将所述特征数据和所述图嵌入特征数据组合后进行所述第一嵌入处理，以得到所述第一特征向量。

15.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。

Images