CN111488529A - 信息处理方法、装置、服务器及存储介质 - Google Patents
信息处理方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN111488529A CN111488529A CN202010594930.XA CN202010594930A CN111488529A CN 111488529 A CN111488529 A CN 111488529A CN 202010594930 A CN202010594930 A CN 202010594930A CN 111488529 A CN111488529 A CN 111488529A
- Authority
- CN
- China
- Prior art keywords
- service
- user identifier
- user
- target
- business
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Abstract
本申请实施例公开了一种信息处理方法、装置、服务器及存储介质。包括:获取多个用户标识与多个目标业务对象之间的业务关系数据;基于业务关系数据确定每个用户标识分别与每个目标业务对象之间的关系权重;基于关系权重获取每个用户标识以及每个目标业务对象各自对应的词嵌入向量;基于词嵌入向量确定每个用户标识的相似用户标识,基于词嵌入向量确定每个用户标识对应的相似业务对象;获取每个所述用户标识对应的推送业务对象,并将所述推送业务对象推送给对应用户标识所对应的终端。从而实现更加准确的进行目标业务对象的推送,以便减少服务器在执行推送的过程中无效的资源开销,也使得服务器在推送的过程中可以减小无效的带宽占用。
Description
技术领域
本申请涉及计算机技术领域,更具体地,涉及一种信息处理方法、装置、服务器及存储介质。
背景技术
随着计算机技术的发展,在一些场景中服务器可以根据用户的一些历史操作行为来推测用户的兴趣,进而根据用户的兴趣来向用户所绑定终端推送一些信息。但是,在相关的推测用户的兴趣的方式中,还存在所得到的推测结果不够准确的问题,进而会造成服务器会向终端推送过多无效的信息,也就造成了服务器无效的资源开销。并且,服务器推送无效的信息依然会占用网络带宽,进而也造成了带宽的浪费。
发明内容
有鉴于此,本申请提出了一种信息处理方法、装置、服务器及存储介质,以改善上述问题。
第一方面,本申请提供了一种信息处理方法,所述方法包括:获取多个用户标识与多个目标业务对象之间的业务关系数据,所述业务关系数据包括所述多个用户标识与所述多个目标业务对象之间对应的业务行为识,以及所述业务行为的行为产生时间;基于所述业务关系数据确定每个所述用户标识分别与每个所述目标业务对象之间的关系权重;基于所述关系权重获取每个所述用户标识的词嵌入向量以及每个所述目标业务对象的词嵌入向量;基于每个所述用户标识的词嵌入向量确定每个所述用户标识的相似用户标识;基于每个所述目标业务对象的词嵌入向量确定每个用户标识对应的相似业务对象;获取每个所述用户标识对应的推送业务对象,并将所述推送业务对象推送给对应用户标识所对应的终端,所述推送业务对象包括每个用户标识的相似用户标识对应有业务行为的目标业务对象,以及每个用户标识的所述相似业务对象。
第二方面,本申请提供了一种信息处理装置,所述装置包括:数据获取单元、权重获取单元、向量生成单元、向量比对单元以及信息推送单元。其中,数据获取单元,用于获取多个用户标识与多个目标业务对象之间的业务关系数据,所述业务关系数据包括所述多个用户标识与所述多个目标业务对象之间对应的业务行为识,以及所述业务行为的行为产生时间;权重获取单元,用于基于所述业务关系数据确定每个所述用户标识分别与每个所述目标业务对象之间的关系权重;向量生成单元,用于基于所述关系权重获取每个所述用户标识的词嵌入向量以及每个所述目标业务对象的词嵌入向量;向量比对单元,用于基于每个所述用户标识的词嵌入向量确定每个所述用户标识的相似用户标识,基于每个所述目标业务对象的词嵌入向量确定每个用户标识对应的相似业务对象;信息推送单元,用于获取每个所述用户标识对应的推送业务对象,并将所述推送业务对象推送给对应用户标识所对应的终端,所述推送业务对象包括每个用户标识的相似用户标识对应有业务行为的目标业务对象,以及每个用户标识的所述相似业务对象。
第三方面,本申请提供了一种电子设备,包括处理器以及存储器;一个或多个程序被存储在所述存储器中并被配置为由所述处理器执行以实现上述的方法。
第四方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有程序代码,其中,在所述程序代码被处理器运行时执行上述的方法。
本申请提供的一种信息处理方法、装置、服务器及存储介质,在获取到包括多个用户标识与多个目标业务对象之间的业务行为,以及业务行为的行为产生时间的业务关系数据后,可以基于业务关系数据确定所述用户标识与目标业务对象之间的关系权重,从而使得该关系权重可以与业务的产生时间进行关联,进而再基于所述关系权重获取每个用户标识以及每个目标业务对象各自对应的词嵌入向量,并根据词嵌入向量确定多个用户标识中的相似用户标识以及每个用户标识对应的相似业务对象,以便获取每个所述用户标识对应的推送业务对象,并将所述推送业务对象推送给对应用户标识所对应的终端。
从而通过前述方式中的基于所述关系权重获取每个用户标识以及每个目标业务对象各自对应的词嵌入向量,以便可以更加准确的确定出用户标识中的相似用户标识,进而可以通过词嵌入向量实现更加准确的进行业务对象的推送,以便服务器在执行推送的过程中减少无效的资源开销,也使得服务器在推送的过程中可以减小无效的带宽占用。并且因为其中的关系权重与业务产生时间是相互关联的,进而使得所生成的词嵌入向量具有更好的时间同步性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,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示出了本申请实施例提供的信息处理方法所涉及的一种应用场景的示意图;
图2示出了本申请实施例提供的信息处理方法所涉及的另一种应用场景的示意图;
图3示出了本申请一实施例提出的一种信息处理方法的流程图;
图4示出了本申请另一实施例提出的一种信息处理方法的流程图;
图5示出了本申请实施例提出的一种确定第一指定时间段的时间长度的示意图;
图6示出了本申请再一实施例提出的一种信息处理方法的流程图;
图7示出了本申请实施例提出的一种展示推送信息的界面的示意图;
图8示出了本申请又一实施例提出的一种信息处理方法的流程图;
图9示出了本申请实施例提出的一种用户标识与目标业务对象的二部图网络;
图10示出了本申请实施例提出的一种从初始嵌入词向量得到目标词嵌入词向量的流程图;
图11示出了本申请实施例提出的信息处理方法与其他方法的效果对比图;
图12示出了本申请实施例提出的一种信息处理装置的结构框图;
图13示出了本申请另一实施例提出的一种信息处理装置的结构框图;
图14示出了本申请再一实施例提出的一种信息处理装置的结构框图;
图15示出了用于执行根据本申请实施例的信息处理方法的另一种服务器的结构框图;
图16示出了本申请实施例的用于保存或者携带实现根据本申请实施例的信息处理方法的程序代码的存储单元。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
随着计算机技术的发展,构建出了许多基于计算机技术的业务系统。为了便于用户能够及时的了解到业务系统中的一些信息,业务系统可以向用户推送信息。比如,若业务系统为购物类的系统,那么可以定期的向用户推送商品信息,以便用户可以了解到最新商品信息。例如,可以向用户推送最新上市商品的商品信息,也可以向用户推送打折商品的商品信息。再者,业务系统也可以为支付系统,该支付系统可以在用户产生交易时向用户推送一些商品信息。
在信息的推送过程中,为了能够增加所推送信息的转化率。业务系统可以先获取到用户本身的一些兴趣,然后基于所获取的用户的兴趣来进行信息的推送。其中,转化率可以理解为用户阅读所推送信息或者产生关于消息中所提及的商品的交易行为的比率。例如,还是以购物类的系统为例,若获取到某个用户的兴趣为电子产品,那么业务系统就可以向该用户推送关于电子产品的信息。再例如,若获取到的用户喜欢购买打折商品,就可以在该用户产生交易的时候,给该用户推送一些打折商品的信息。
但是,发明人在研究中发现,在相关的获取用户兴趣的方式中还存在准确性有待提升的问题。在准确性较差的情况下,就会造成服务器所推送大量信息并不会被用户阅读,进而会造成服务器会向终端推送过多无效的信息,也就造成了服务器无效的资源开销。并且,服务器推送无效的信息依然会占用网络带宽,进而也造成了带宽的浪费。再者,在相关的确定用户兴趣的方式中都是单纯的考虑用户与兴趣物品之期的关系,而并没有考虑用户之间的相似性,也没有考虑到物品之间的相似性,进而还造成了不能较为全面的进行业务对象的推送。
因此,为了改善上述问题,发明人研究出了借助词嵌入向量来表示用户和业务对象的兴趣方式,进而在获取到包括多个用户与多个目标业务对象之间的业务行为,以及业务行为的行为产生时间的业务关系数据后,可以基于业务关系数据确定所述用户标识与目标业务对象之间的关系权重,从而使得该关系权重可以与业务的产生时间进行关联,进而再基于所述关系权重获取每个用户标识以及每个目标业务对象各自对应的词嵌入向量,并根据词嵌入向量确定多个用户标识中的相似用户标识以及每个用户标识对应的相似业务对象,以便获取每个所述用户标识对应的推送业务对象,并将所述推送业务对象推送给对应用户标识所对应的终端。
从而通过前述方式中的基于所述关系权重获取每个用户标识以及每个目标业务对象各自对应的词嵌入向量,以便可以更加准确的确定出用户标识中的相似用户标识,进而可以通过词嵌入向量实现更加准确的进行业务对象的推送,以便服务器在执行推送的过程中减少无效的资源开销,也使得服务器在推送的过程中可以减小无效的带宽占用。并且因为其中的关系权重与业务产生时间是相互关联的,进而使得所生成的词嵌入向量具有更好的时间同步性。
下面将结合附图对本申请实施例所涉及的应用环境进行介绍。
请参阅图1,如图1所示的应用环境中包括有客户端100以及第一服务器110,其中第一服务器110可以用于运行业务系统。在这种方式中,客户端100可以通过网络与第一服务器110进行数据交互。例如,若其中的业务系统为购物类的业务系统,那么客户端100可以向该第一服务器110请求商品展示界面并对第一服务器110返回的商品展示界面进行展示。对应的,第一服务器110可以向客户端100推送信息。在图1所示的应景场景中,本申请实施例所提供的信息处理方法可以运行于第一服务器110中。此外,如图2所示的应用场景,除了包括有第一服务器110外,还可以包括有第二服务器120。在图2所示的场景中,第一服务器110可以将通过客户端10所产生的业务关系数据传输到第二服务器120中,进而使得本实施例所提供的信息处理方法可以运行于第二服务器120中。
除了前述的由单一的服务器来执行本申请实施例所提供的信息处理方法外,也可以由多个服务器共同执行,例如,也可以通过第一服务器110以及第二服务器120共同来运行。在由第一服务器110以及第二服务器120共同来运行的这种方式中,可以由第一服务器110负责计算出相似用户标识或者相似业务对象,然后由第二服务器120来执行后续的将所述用户标识各自产生过业务行为的目标业务对象推送给各自的所述相似用户标识,或者将与多个目标业务对象对应的用户标识推送给各自的相似业务对象。此外,也可以配置本实施例所提供的信息处理方法外的每个步骤分别由一个单独的服务器来执行。
其中,第一服务器110以及第二服务器120均可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。客户端100所在的电子设备可以为智能手机外,还可以是平板电脑、笔记本电脑、台式计算机、智能手表等,但并不局限于此。
下面将结合附图具体描述本申请的各实施例。
请参阅图3,图3所示为本申请一实施例提出的一种信息处理方法的流程图,该方法包括:
S110:获取多个用户标识与多个目标业务对象之间的业务关系数据,该业务关系数据包括多个用户标识与多个目标业务对象之间对应的业务行为,以及业务行为的行为产生时间。
需要说明的是,在本申请实施例中业务对象可以为与用户标识之间对应有业务行为的对象。在不同的场景中,业务对象以及业务行为可以不同。示例性的,在购物场景中业务对象可以为商家,对应的,业务行为可以为用户在某个商家处进行的消费行为,在用户在该商家处有消费行为后,该用户对应的用户标识则与该商家之间有对应关系。再例如,在音乐播放场景中,业务对象可以为某一首音乐,对应的,当用户选择播放该音乐的情况下,则确定用户标识与该首音乐之间有业务行为。当然,本申请实施例中业务对象的种类可以不仅限于商家以及音乐,还可以为公众号、文章以及游戏等。
其中,可以理解的是,在本实施例中所获取的多个目标业务对象是属于同一个场景下的业务对象。示例性的,该多个目标业务对象可以均为商家,也可以均为音乐,其中,在本实施例中所获取的多个目标业务对象具体属于何种场景下的业务对象可以基于所获取的业务关系数据来确定。
作为一种方式,可以在有业务行为产生时根据不同的场景来分别存储每个场景下对应的业务行为以及业务行为的行为产生时间,进而得到不同场景下的业务关系数据。在这种方式下,在获取业务关系数据之前,可以先获取到所确定的场景,进而获取到所确定的场景下对应的多个用户标识与多个目标业务对象之间的业务关系数据,从而通过这种方式,可以实现灵活的确定不同场景下的每个用户标识以及每个目标业务对象的词嵌入向量。
其中,多个目标业务对象可以为所确定的场景中的所有的业务对象,也可以理解为所确定的场景中的部分的业务对象。示例性的,若当前确定的场景为购物场景,在该购物场景中所包括的业务对象有商家A、商家B、商家C、商家D以及商家E。那么在多个目标业务对象可以为所确定的场景中的所有的业务对象的情况下,多个目标业务对象包括商家A、商家B、商家C、商家D以及商家E,而在多个目标业务对象为所确定的场景中的部分的业务对象的情况下,多个目标业务对象可以包括商家A、商家B、商家C以及商家D。
S120:基于业务关系数据确定每个用户标识分别与每个目标业务对象之间的关系权重。
在本实施例中,关系权重表征的是用户标识与目标业务对象之间的对应程度。其中,关系权重越大则对应程度也就越高,而用户标识与目标业务对象之间的对应程度越高也就表征用户标识与该目标业务对象之间所产生的业务行为越频繁,进一步的在业务关系数据中同时包括业务行为以及业务行为的行为产生时间的情况下,用户标识与目标业务对象之间的对应程度越高也就表征用户标识与该目标业务对象之间在行为产生时间对应的时间段内的业务行为越频繁。其中,该时间段时间可以为距离当前时间最近一周内或者为距离当前时间的最近一个月内,而该最近一段时间具体的开始时间和结束时间可以根据所有的业务行为产生时间来确定。
需要说明的是,在实施例中的每个用户标识分别与每个目标业务对象之间的关系权重可以理解为每个用户标识各自与每个目标业务对象之间的关系权重。示例性的,若获取的业务关系数据中多个用户标识包括用户标识a、用户标识b、用户标识c、用户标识d以及用户标识e,多个目标业务对象包括目标业务对象A、目标业务对象B、目标业务对象C、目标业务对象D以及目标业务对象E,那么在基于本示例执行S120的过程中,会获取用户标识a分别与目标业务对象A、目标业务对象B、目标业务对象C、目标业务对象D以及目标业务对象E之间的权重关系,并且也会对应于用户标识a获取权重关系的方式来获取用户标识b、用户标识c、用户标识d以及用户标识e分别与目标业务对象A、目标业务对象B、目标业务对象C、目标业务对象D以及目标业务对象E之间的关系权重。
S130:基于关系权重获取每个用户标识的词嵌入向量以及每个目标业务对象的词嵌入向量。
在本实施例中,可以在获取到每个用户标识分别与每个目标业务对象之间的关系权重后,再基于LINE(large-scale information Network,大规模信息网络)算法来计算每个用户标识以及每个目标业务对象各自对应的词嵌入向量。其中,在基于LINE算法来计算每个用户标识以及每个目标业务对象各自对应的词嵌入向量的这种方式中,所计算得到的词嵌入向量可以为Embedding向量。Embedding向量可以理解为使用一个高纬度(比如50维)的稠密向量来表示一个实体的兴趣,该实体可以理解为本实施例中的目标业务对象或者用户标识,其中,目标业务对象的兴趣可以理解为目标业务对象所对应的用户的兴趣。该目标业务对象所对应的用户标识可以理解为与目标业务对象之间有过业务行为的用户标识。
S140:基于每个用户标识的词嵌入向量确定每个用户标识的相似用户标识。
在获取到每个用户标识以及每个目标业务对象各自对应的词嵌入向量后,就可以基于该词嵌入向量确定多个用户标识中每个用户标识的相似用户标识。可选的,相似用户标识为对应的词嵌入向量相似的用户标识。作为一种方式,在本实施例中将对应的距离小于距离阈值的两个词嵌入向量确定为相似的词嵌入向量。可选的,可以有多种计算两个词嵌入向量对应的距离的方式。例如,可以采用欧式距离也可以采用余弦相似性的方式来计算两个词嵌入向量对应的距离。其中,余弦相似性通过测量两个向量的夹角的余弦值来度量它们之间的相似性。0度角的余弦值是1,而其他任何角度的余弦值都不大于1,并且其最小值是-1,从而两个向量之间的角度的余弦值确定两个向量是否大致指向相同的方向,若两个向量的指向越相同,也就意味着两个向量之间的夹角越小,也就说明两个向量越相似。
示例性的,若多个用户标识包括用户标识a、用户标识b、用户标识c、用户标识d以及用户标识e,进而进行词嵌入向量的相似用户标识的获取过程中,获取到用户标识a、用户标识b以及用户标识c的词嵌入向量为相似的,则确定用户标识a、用户标识b以及用户标识c为相似用户标识,那么用户标识a的相似用户标识包括用户标识b以及用户标识c,用户标识b的相似用户标识包括用户标识a以及用户标识c,用户标识c的相似用户标识包括用户标识a以及用户标识b。
S150:基于每个目标业务对象的词嵌入向量确定每个用户标识对应的相似业务对象。
需要说明的是,用户的用户标识的词嵌入向量与该用户所感兴趣的目标业务对象的词嵌入向量是会相似的。并且,若两个目标业务对象本身具有相似性,那么这两个目标业务对象的词嵌入向量是会相似的,进而可以先获取每个用户标识对应有业务行为的目标业务对象,然后将对应的词嵌入向量与该对应有业务行为的目标业务对象的词嵌入向量相似的目标业务对象作为相似业务对象。示例性的,用户标识a与目标业务对象A之间有业务行为,且用户标识a的词嵌入向量与目标业务对象A的词嵌入向量是相似的,那么若存在目标业务对象B与目标业务对象A的词嵌入向量是相似的,则会在用户标识a没有与目标业务对象B之间对应有业务行为的情况下,将目标业务对象B确定为用户标识a的相似业务对象。
需要说明的是,其中确定两个目标业务对象的词嵌入向量之间的相似性依然可以采用前述的计算两个词嵌入向量对应的距离的方式来确定,此处不再赘述。
S160:获取每个所述用户标识对应的推送业务对象,并将所述推送业务对象推送给对应用户标识所对应的终端,所述推送业务对象包括每个用户标识的相似用户标识对应有业务行为的目标业务对象,以及每个用户标识的所述相似业务对象。
在本实施例中,用户标识对应的目标业务对象可以理解为与用户标识各自有过业务行为的目标业务对象。需要说明的是,在有业务行为产生时,可以将该业务行为所涉及的用户标识以及目标业务对象对应进行存储,进而建立用户标识与有过业务行为的目标业务对象之间的对应关系,以便后续可以获取到用户标识所对应的目标业务对象。示例性的,在购物场景下,若用户在商家A处进行了消费,且还用户的用户标识为用户标识a,那么该业务行为所涉及的用户标识为用户标识a,以及所涉及的目标业务对象为商家A,进而会将用户标识a与商家A进行对应存储。再例如,可以由一些作为目标业务对象的商家提供种子包,其中该种子包中包括有在该商家处有过业务行为的用户的用户标识,进而再通过计算相似用户标识的方式来为提供种子包的商家找到虽然还未与该商家有过业务行为,但是可能会对该商家感兴趣的用户的用户标识,进而实现更为广泛且准确的进行信息推送。
需要说明的是,在本申请的实施例中如果确定多个用户标识为相似用户标识,也就意味着这该多个用户标识对应用户的兴趣是相似的,以及该多个用户标识对应目标业务对象是相似的,那么将多个用户标识各自对应的目标业务对象推送给各自的相似用户标识对应终端的方式,有利于实现更加准确的进行目标业务对象的提送,提升所推送的目标业务对象被接收推送的用户标识所接受的概率。其中,被接收推送的用户标识所接受可以理解为接收推送的用户标识去查询关于推送的目标业务对象的信息,或者与推送的目标业务对象之间产生业务行为。
可选的,用户标识可以为用户帐号,用户标识所对应的终端可以为绑定有该用户帐号的终端。
下面再通过购物场景对本实施例所涉及的推送方法进行介绍,该购物场景可以为外卖类的购物场景,也可以为其他电商类的购物场景。
在购物场景中,当服务器检测到有客户端接入到服务器后可以将服务器中存储的商家或者商家的产品返回给客户端,进而客户端可以显示服务器返回的商家,若服务器检测到客户端与某个商家之间产生了交易行为(例如,购买了某个商家的产品)时,会将该交易行为以及该交易行为涉及的用户帐号以及商家进行对应存储,在存储了多个客户端对应的交易行为后就可以得到本申请实施例中涉及的业务关系数据,进而可以计算得到多个客户端所绑定的用户帐号的词嵌入向量,以及与该用户帐号之间有交易行为的商家的词嵌入向量。
在得到多个客户端所绑定的用户帐号的词嵌入向量以及商家的词嵌入向量后,就可以根据前述内容提供的方式来计算得到哪些用户帐号之前是相似的以及哪些商家之间是相似的,进而确定每个用户帐号对应的推送业务对象。
在计算得到该每个用户帐号对应的推送业务对象后,若服务器检测到对应有推送业务对象的客户端接入到服务器时,会向该接入的客户端定向返回其所绑定的用户帐号对应的推送业务对象,从而通过这种方式使得服务器在进行商家的推送过程中所推送的商家确实是推送目标所感兴趣的商家,进而使得服务器在推送过程中所占用的开销更多的都是有效的,减小了无效的开销。并且,服务器在推送业务对象到客户端的过程中,是需要占用网络带宽的,进而在服务器能够基于前述方式向推送目标推送商家的情况下,不需要再通过大量的推送的方式来提升推送效果,进而使得减小了因为大量推送所造成的带宽消耗。
本实施例提供的一种信息处理方法,在获取到包括多个用户标识与多个目标业务对象之间的业务行为,以及业务行为的行为产生时间的业务关系数据后,可以基于业务关系数据确定用户标识与目标业务对象之间的关系权重,从而使得该关系权重可以与业务的产生时间进行关联,进而再基于关系权重获取每个用户标识的词嵌入向量以及每个目标业务对象的词嵌入向量,并根据词嵌入向量确定多个用户标识中的相似用户标识,以便将该用户标识各自对应的目标业务对象推送给各自的相似用户标识。从而通过前述方式中的基于关系权重获取每个用户标识以及每个目标业务对象各自对应的词嵌入向量,可以更加准确的确定出用户标识中的相似用户标识,进而可以通过词嵌入向量实现更加准确的进行目标业务对象的推送,并且因为其中的关系权重与业务产生时间是相互关联的,进而使得所生成的词嵌入向量具有更好的时间同步性。并且,因为能够针对每个用户标识更为准确定的确定推送业务对象,从而使得服务器在执行推送的过程中可以减小不避免的资源开销,也使得服务器在推送的过程中可以减小无效的带宽占用。
请参阅图4,图4所示为本申请一实施例提出的一种信息处理方法的流程图,该方法包括:
S210:获取多个用户标识与多个目标业务对象之间的业务关系数据,该业务关系数据包括多个用户标识与多个目标业务对象之间对应的业务行为,以及该业务行为的行为产生时间。
S220:基于行为产生时间删除业务行为中的待处理业务行为,得到处理后的业务关系数据,待处理业务行为指定业务对象的业务行为中行为产生时间不满足指定时间条件的业务行为,指定业务对象为多个目标业务对象中对应的用户标识数量大于用户标识阈值的目标业务对象。
可选的,在业务行为存储过程中是会将产生的所有业务行为都进行存储的,那么在执行S210过程中所获取到的业务关系数据也会是存储的所有业务关系数据,对于通过S210所获取到的业务关系数据中,一些目标行为对象所对应的业务行为以及用户标识会远远大于其他的目标行为对象所对应的业务行为以及用户标识,如果直接基于S210中所获取的多个用户标识与多个目标业务对象之间的业务关系数据进行后续的计算,则有可能会使得最终所计算出的词嵌入向量更加与所对应的业务行为以及用户标识较多的目标行为对象的词嵌入向量相似,进而造成部分用户标识的词嵌入向量不能准确的表征用户的兴趣。
为了改善上述问题,则可以在通过S210获取到所存储的业务关系数据后,将其中的部分业务行为进行删除,得到后续计算所使用的处理后的业务关系数据。可选的,可以先获取用户标识阈值,然后将每个目标业务对象所对应的用户标识数量与该用户标识阈值进行比对,将对应的用户标识数量大于该用户标识阈值的目标业务对象作为指定业务对象。然后将指定业务对象的业务行为中行为产生时间不满足指定时间条件的业务行为作为会删除的待处理业务行为。
需要说明的是,对于业务行为数据在生成的时候是会存储在所配置的原始存储区域中的。对应的,在执行S210时也是会从该原始存储区域中获取到多个用户标识与多个目标业务对象之间的业务关系数据,可选的,对于所获取到多个用户标识与多个目标业务对象之间的业务关系数据则会再转存到另外的存储区域中的。其中,该另外的存储区域在不同的应用场景下会有不同的实施方式。
示例性的,若是在图1所示的应用场景下,本实施例所提供的信息处理方法可以是由第一服务器110执行,那么该所配置的原始存储区域可以为第一服务器110中的磁盘,而该另外的存储区域可以为第一服务器110的内存中临时分配的存储区域。再者,若是在图2所示的应用场景下,本实施例所提供的信息处理方法可以是由第二服务器120执行,那么该所配置的原始存储区域可以为第一服务器中的磁盘或者内存,该另外的存储区域可以为第二服务器120中的磁盘或者内存。
那么在进行待处理业务行为的删除的过程中,则是删除该另外的存储区域中的业务关系数据中的待处理业务行为,而不会对原始存储区域中的业务行为进行删除。其中,可以理解的是,在进行待处理业务行为删除时,可以是将该待处理业务行为所属的业务关系数据进行删除。示例性的,如下表所示:
ID | 业务行为 | 用户标识 | 目标业务对象 | 行为产生时间 |
1 | 交易1 | 用户标识a | 商家A | t1月t2时t3秒 |
2 | 交易2 | 用户标识a | 商家B | t4月t5时t6秒 |
3 | 交易3 | 用户标识b | 商家C | t7月t8时t9秒 |
若基于行为产生时间确定其中的“交易1”为待处理业务行为,而其中的“交易1”所属的业务关系数据为ID为1的业务关系数据,那么在对“交易1”进行删除时,会是直接删除ID为1的业务关系数据。
如前述内容所示,在本实施例中所确定的待处理业务行为为指定业务对象的业务行为中行为产生时间不满足指定时间条件的业务行为。而在本实施例中,可以有多种的确定指定时间条件的方式。
作为一种方式,该指定时间条件包括行为产生时间在以指定开始时间开始的第一指定时间段内,该第一指定时间段的结束时间为当前时间。需要说明的是,对应的行为产生时间距离当前时间越近的业务行为能够更加准确的表征用户标识对应用户在最近一段时间内的兴趣。例如,用户在前一年特别喜欢吃西餐,所以会与很多西餐类的商家之间产生业务行为,而用户在今年可能就会改吃中餐,那么在最近一年中更多是与中餐类的商家之间产生业务行为,那么若能够更多的删除掉其中的与西餐类的商家之间的业务行为,则可以使得最终所计算得到的该用户的用户标识的词嵌入向量能够更好的体现该用户在最近一年的兴趣。那么在第一指定时间段的结束时间为当前时间的情况下,可以能够更好的获取到表征用户当前的兴趣的词嵌入向量,进而也有利于获取到用户在最近一段时间内的兴趣。
其中,对于第一指定时间段的指定开始时间在本实施例中可以有多种方式进行确定。
作为一种方式,可以通过人工的方式进行确定。在这种方式中,可以设置一配置界面,在该配置界面中可以通过人工的方式来选择指定开始时间,进而在获取到该通过人工的方式选择的指定开始时间后,生成第一指定时间段。
作为另外一种方式,可以基于当前可用的计算资源来确定该指定开始时间。需要说明的是,若第一指定时间段的时间长度越长,那么对应的行为产生时间在该第一指定时间段内的概率也就越大,进而对应的行为产生时间在该第一指定时间段内的业务行为也就越多,那么后续所需计算的数据量也就越大。但是,如前述内容所示,本申请实施例所提供的信息处理方法可以是运行于服务器中的,那么可用的计算资源则可能会是有限的,在这种情况下,可以基于当前可用的计算资源来确定第一指定时间段的指定开始时间。
可选的,若当前可用的计算资源越多,那么所确定的第一指定时间段的指定开始时间就离当前时间越远,或者说若当前可用的计算资源越多,那么所确定的第一指定时间段的时间长度就越长。作为一种方式,可以通过预先建立当前可用计算资源与第一指定时间段的时间长度之间的对应关系的方式来确定第一指定时间段的指定开始时间。
示例性的,如图5所示,可以将当前可用计算资源划分为多个区间,并且每个区间各自对应有第一时间段的时间长度。其中,该多个区间包括0到S1区间、S1到S2区间、S2到S3区间、S3到S4区间以及S4到S5区间。可以理解的是,S1、S2、S3、S4以及S5是依次增大的,进而0到S1区间为表征当前可用计算资源最小的区间,那么其所对应的第一时间段的时间长度也就最短,对应的S4到S5区间为表征当前可用计算资源最大的区间,那么其所对应的第一时间段的时间长度也就最长。
作为一种方式,在本实施例中可以基于处理器当前的剩余占用率来确定当前可用计算资源。其中,剩余占用率为1减去占用率,该占用率可以为进行数据处理任务的进程所占用的处理器线程的时间与处理器的总运行时间之间的比值。其中,该进行数据处理任务的进程可以为执行本实施例所提供的信息处理方法以外的数据处理任务的进程。
需要说明的是,图5中的区间划分只是示例性的,实际的区间划分可以比图5中更多,也可以比图5中更少。例如,可以根据业务数据的产生频率来确定具体划分多少个区间。其中,业务数据的产生频率可以理解为用户标识与目标业务对象之间的业务行为的产生频率。可选的,在第一时间段的最短的时间长度以及最长的时间长度已经确定,且每个区间对应的第一时间段的时间长度依次增加的情况下,所配置的区间越多,那么每个区间对应的第一时间段的时间长度就不会太长。进而在业务数据的产生频率越高的情况下,就可以配置更多的区间,以便于使得每个区间所对应的第一时间段的时间长度不会太长,而造成的所需处理的数据量过大。
需要说明的是,前述的第一指定时间段的结束时间除了可以为当前时间外,也可以为基于人工方式所指定的时间。示例性的,该第一指定时间段可以为前一个月内或者前一周内。
S230:基于处理后的业务关系数据确定每个用户标识分别与每个目标业务对象之间的关系权重。
S240:基于关系权重获取每个用户标识的词嵌入向量以及每个目标业务对象的词嵌入向量。
S250:基于每个用户标识的词嵌入向量确定每个用户标识的相似用户标识。
S260:基于每个所述目标业务对象的词嵌入向量确定每个用户标识对应的相似业务对象。
S270:获取每个所述用户标识对应的推送业务对象,并将所述推送业务对象推送给对应用户标识所对应的终端,所述推送业务对象包括每个用户标识的相似用户标识对应有业务行为的目标业务对象,以及每个用户标识的所述相似业务对象。
本实施例提供的一种信息处理方法,在从多个业务对象中获取到多个目标业务对象后,通过前述方式中的基于关系权重获取每个用户标识的词嵌入向量以及每个目标业务对象的词嵌入向量,可以更加准确的确定出用户标识中的相似用户标识,进而可以通过词嵌入向量实现更加准确的进行目标业务对象的推送,并且因为其中的关系权重与业务产生时间是相互关联的,进而使得所生成的词嵌入向量具有更好的时间同步性。并且,在本实施例中,还会获取对应的用户标识数量大于用户标识阈值的目标业务对象作为指定业务对象,并将该指定业务对象的业务行为中行为产生时间不满足指定时间条件的业务行为进行删除,从而使得可以避免部分目标业务对象对应有过多数量的用户标识,而造成最终所计算得到的词嵌入向量不够准确,并且也能够减少所需计算的数据量以提升计算效率。
请参阅图6,图6所示为本申请一实施例提出的一种信息处理方法的流程图,该方法包括:
S310:获取多个业务对象中待处理的业务对象,该待处理的业务对象在第二指定时间段内没有对应的业务行为产生。
需要说明的是,对于用户而言某些方面的兴趣可能是会改变的,这也会使得不同的目标业务对象在不同的时候受欢迎程度会有所不同。例如,在餐饮场景中,有的食物可能会因为网络曝光的原因而在一段时间内比较受用户欢迎,进而关于销售该食物的商家对应的交易行为(一种业务行为)就会较多,但是在过一段时间后,该食物可能曝光量下降并且用户已经不再对该食物感兴趣,就会造成销售该食物的商家对应的交易行为的数量下降,甚至在一段时间内没有对应的交易行为,那么对于这些在一段时间内都没有交易行为的商家可能已经不为用户普遍所喜欢,所以如果依然还基于这些不被用户所喜欢的商家来进行后续的词嵌入向量计算,可能会造成所计算的词嵌入向量不能很好的表示用户最近的兴趣。
那么通过获取到在第二指定时间段内没有对应的业务行为产生的业务对象作为待处理的业务对象的方式,可以将待处理的业务对象进行删除。
作为一种方式,该第二指定时间段内可以表征的最近一段时间内,在这种方式中,该第二指定时间段的结束时间可以为当前时间,而该第二指定时间段的开始时间可以为距离当前时间一周前,或者可以为距离当前时间一个月前等。
S311:删除该多个业务对象中的该待处理的业务对象,得到该多个目标业务对象。
需要说明的是,在本实施例中,对该多个业务对象中的待处理的业务对象进行删除的原理与前述删除待处理业务行为的原理是相同的。即对于业务行为数据在生成的时候是会存储在所配置的原始存储区域中的。对应的,在执行S310时也是会从该原始存储区域中获取到多个业务对象,而对于所获取到多个业务对象则会再转存到另外的存储区域中的,进而也是在该另外的存储区域进行待处理的业务对象的删除操作,而得到的多个目标业务对象。在本实施例中,原始存储区域和另外的存储区域的实施方式可以参见前述实施例中的方式,本实施例不再赘述。
S320:获取多个用户标识与多个目标业务对象之间的业务关系数据,该业务关系数据包括多个用户标识与多个目标业务对象之间对应的业务行为,以及业务行为的行为产生时间。
S330:基于业务关系数据确定每个用户标识分别与每个目标业务对象之间的关系权重。
S340:基于关系权重获取每个用户标识的词嵌入向量以及每个目标业务对象的词嵌入向量。
S350:基于每个用户标识的词嵌入向量确定每个用户标识的相似用户标识。
S360:基于每个所述目标业务对象的词嵌入向量确定每个用户标识对应的相似业务对象。
S370:获取每个所述用户标识对应的推送业务对象的业务信息。
其中,该业务信息包括以下信息中的至少一个:目标业务对象的产品信息;以及目标业务对象的优惠信息。其中,产品信息可以包括业务对象所进行销售的产品的信息。该优惠信息可以为优惠券等。
S371:将所述业务信息推送给所述推送业务对象对应用户标识所对应的终端。
可选的,该将所述业务信息推送给所述推送业务对象对应用户标识所对应的终端,包括:在所述用户标识对应有业务行为产生时,将所述业务信息推送给所述推送业务对象对应用户标识所对应的终端。示例性的,如图7所示,若从多个用户标识中所确定的相似用户标识包括用户标识a以及用户标识b,其中,用户标识b对应的目标业务对象包括商家F以及商家G。那么可以在用户标识a有如图7所示的支付行为时,在支付成功后的界面中将与用户标识a的相似用户标识b所对应的目标业务对象包括商家F的优惠信息10以及商家G的优惠信息11推送给用户标识a。
S380:基于词嵌入向量确定多个目标业务对象中每个目标业务对象的相似业务对象。
需要说明的是,如图6所示其中S340和S360可以并行执行也可以前后执行,本实施例不对S340和S360的先后顺序做限定。
在本申请实施中,会同时获取到目标业务对象的词嵌入向量,该目标业务对象的词嵌入向量表征的是与该目标业务对象对应的用户标识的词嵌入向量。在本实施例中也可以基于两个向量之间的欧氏距离或者余弦夹角的方式来确定两个向量是否相似。类似的,若获取到多个目标业务对象包括有目标业务对象A、目标业务对象B、目标业务对象C以及目标业务对象D。且获取到其中的目标业务对象C以及目标业务对象D各自对应的词嵌入向量相似,则可以确定目标业务对象C以及目标业务对象D互为相似业务对象。
S381:将与多个目标业务对象对应的用户标识推送给各自的相似业务对象。
示例性的,若确定的相似业务对象包括目标业务对象C以及目标业务对象D,其中,目标业务对象C对应的用户标识包括用户标识a、用户标识b以及用户标识c。那么在基于目标业务对象C进行用户标识推送时,可以将目标业务对象C对应的用户标识a、用户标识b以及用户标识c推送给与目标业务对象C相似的目标业务对象D。
本实施例提供的一种信息处理方法,通过前述方式中的基于关系权重获取每个用户标识的词嵌入向量以及每个目标业务对象的词嵌入向量,可以更加准确的确定出用户标识中的相似用户标识,进而可以通过词嵌入向量实现更加准确的进行目标业务对象的推送,并且因为其中的关系权重与业务产生时间是相互关联的,进而使得所生成的词嵌入向量具有更好的时间同步性。并且,在本实施例中,还可以在该多个用户标识的该相似用户标识有业务行为产生时进行信息的推送,从而使得推送信息能够更大概率的被用户标识查阅,提升推送信息的转化率。还有,在本实施例中,除了会将该业务信息推送给该多个用户标识各自的该相似用户标识,还可以基于该词嵌入向量确定该多个目标业务对象中每个目标业务对象的相似业务对象,进而实现将与该多个目标业务对象对应的用户标识推送给各自的该相似业务对象。
请参阅图8,图8所示为本申请一实施例提出的一种信息处理方法的流程图,该方法包括:
S410:获取多个用户标识与多个目标业务对象之间的业务关系数据,该业务关系数据包括多个用户标识与多个目标业务对象之间对应的业务行为,以及该业务行为的行为产生时间。
作为一种方式,在获取到多个用户标识与多个目标业务对象之间的业务关系数据后可以基于二部图的方式来构建业务关系数据对应的二部图网络。示例性的,如图9所示,所构建的二部图网络中可以包括有多个节点(即图中的圆形),该多个多节节点包括对应于用户标识a、用户标识b、用户标识c以及用户标识d的节点,还可以包括有对应于目标业务对象A、目标业务对象B、目标业务对象C、目标业务对象D以及目标业务对象E的节点。其中,对于相互之间对应有业务行为的用户标识和目标业务对象之前会有连线。例如,用户标识a与目标业务对象A之间有连线,则表征用户标识a至少与目标业务对象A之间有过1次业务行为。再例如,用户标识b分别与目标业务对象A、目标业务对象C以及目标业务对象D之间有连线,则表征用户标识a分别与目标业务对象A、目标业务对象C以及目标业务对象D之间都有至少过1次业务行为。
S420:获取当前进行权重计算的用户标识与当前进行权重计算的目标业务对象之间每一次所述业务行为的权重,其中,业务行为的行为产生时间与当前时间的时间差值越大,业务行为的权重越小。
S421:将所述每一次所述业务行为的权重相加得到当前进行权重计算的用户标识与当前进行权重计算的目标业务对象之间的关系权重。
作为一种方式,计算得到每个用户标识与对应的目标业务对象之间权重的公式为:
其中,表征的是A与B之间的关系权重,而该A可以表征用户标识,该B可以表征目标业务对象,再者,A和B均可以表示用户标识,或者可以均表示目标业务对象。其中的t i 表征第i次业务行为的行为产生时间。需要说明的是,相互之前没有过业务行为的用户标识和目标业务对象之间的关系权重则会0。例如,请再参阅图9,在图9中用户标识b与目标业务对象B之间没有连线,进而也就表征用户标识b与目标业务对象B之间没有业务产生,所以用户标识b与目标业务对象B之间的关系权重则为0。
S430:获取每个用户标识的初始词嵌入向量以及每个目标业务对象的初始词嵌入向量。
S440:基于初始词嵌入向量与关系权重获取每个用户标识以及每个目标业务对象各自对应的词嵌入向量。
作为一种方式,如图10所示,该基于初始词嵌入向量与关系权重获取每个用户标识以及每个目标业务对象各自对应的词嵌入向量,包括:
S441:基于初始词嵌入向量与关系权重以及一阶相似度计算规则,得到每个用户标识以及每个目标业务对象各自对应的第一待拼接词嵌入向量。
S442:基于初始词嵌入向量与关系权重以及二阶相似度计算规则,得到每个该用户标识以及每个目标业务对象各自对应的第二待拼接词嵌入向量。
S443:将第一待拼接词嵌入向量与第二待拼接词嵌入向量进行拼接得到每个该用户标识以及每个目标业务对象各自对应的词嵌入向量。
需要说明的是,根据S441以及S442可以得到每个用户标识以及每个目标业务对象各自对应的第一待拼接词嵌入向量以及第二待拼接词嵌入向量,进而将每个用户标识的第一待拼接词嵌入向量以及第二待拼接词嵌入向量进行拼接可以得到每个用户标识的词嵌入向量。对应的,每个目标业务对象的第一待拼接词嵌入向量以及第二待拼接词嵌入向量进行拼接可以得到每个目标业务对象的词嵌入向量。
示例性的,若第一待拼接词嵌入向量为[a,b,c],第二待拼接词嵌入向量为[d,e,f],那么将第一待拼接词嵌入向量与第二待拼接词嵌入向量进行拼接得到词嵌入向量为[a,b,c,d,e,f]。
作为一种方式,该基于初始词嵌入向量与关系权重以及一阶相似度计算规则,得到每个用户标识以及每个目标业务对象各自对应的第一待拼接词嵌入向量,包括:依次基于多个用户标识中任一用户标识与多个目标业务对象中任一目标业务对象的初始词嵌入向量获取任一用户标识与任一业务对象的联合概率,得到整体联合概率分布。
其中,联合概率的计算公式可以为下列公式:
其中的,和分别为任一用户标识与多个目标业务对象中任一目标业务对象的词嵌入向量。需要说明的是,从初始词嵌入向量开始计算得到词嵌入向量是一个不断迭代的过程,若在第一次计算联合概率的过程中其中的和为任一用户标识与多个目标业务对象中任一目标业务对象的初始词嵌入向量。其中,该初始词嵌入向量为随机生成的词嵌入向量。
然后,依次基于多个用户标识中任一用户标识与多个目标业务对象中任一业务对象的关系权重以及第一经验分布计算方式获取任一用户标识与任一业务对象的经验分布,得到第一整体经验分布。
其中,经验分布的计算公式可以为下列公式:
基于第一分布差异评价函数获取整体联合概率分布与第一整体经验分布之间的差异,并基于差异更新初始词嵌入向量得到第一待拼接词嵌入向量。
可选的, 在本实施例中,第一分布差异评价函数为:
如前述内容所示,从初始词嵌入向量开始计算得到词嵌入向量是一个不断迭代的过程,可能需要多次的第一整体经验分布以及整体联合概率分布的计算才能得到第一待拼接词嵌入向量。而在每次计算得到第一整体经验分布以及整体联合概率分布后,就可以通过前述的第一分布差异评价函数来评价当次计算所得到的第一整体经验分布以及整体联合概率分布之间的差异,进而根据该差异来更新前一次计算过程中所使用的词嵌入向量,得到更新后的词嵌入向量,继而将该更新后的词嵌入向量作为下一次的第一整体经验分布以及整体联合概率分布的和。
作为一种方式,基于初始词嵌入向量与关系权重以及二阶相似度计算规则,得到每个用户标识以及每个目标业务对象各自对应的第二待拼接词嵌入向量,包括:依次基于多个用户标识中任一用户标识与多个目标业务对象中任一业务对象的初始词嵌入向量获取任一用户标识与任一业务对象的相似概率,得到整体相似概率分布。
其中,二阶相似度计算的是图9中某个节点可以生成其相邻节点的概率,该节点可以为用户标识也可以为目标业务对象,可选的,相似概率的计算公式可以为:
依次基于多个用户标识中任一用户标识与多个目标业务对象中任一业务对象的关系权重以及第二经验分布计算方式获取任一用户标识与任一业务对象的经验分布,得到第二整体经验分布。
可选的,第二经验分布计算方式对应当然公式可以为:
基于第二分布差异评价函数获取整体相似概率分布与第二整体经验分布之间的差异,并基于差异更新初始词嵌入向量得到第二待拼接词嵌入向量。
可选的,第二分布差异评价函数可以为:
S450:基于每个用户标识的词嵌入向量确定每个用户标识的相似用户标识。
S460:基于每个所述目标业务对象的词嵌入向量确定每个用户标识对应的相似业务对象。
S470:获取每个所述用户标识对应的推送业务对象,并将所述推送业务对象推送给对应用户标识所对应的终端,所述推送业务对象包括每个用户标识的相似用户标识对应有业务行为的目标业务对象,以及每个用户标识的所述相似业务对象。
如图11所示,展示了不同的方法来进行相似用户标识的获取,以及将优惠券推送给相似用户标识后所统计得到的关于优惠券的核销以及领取的柱状效果图,其中,核销表征优惠券被使用,领取表征用户标识领取优惠券但是还未使用,柱状图的高度越高表征优惠券被领取或者核销的概率越大。从图11中可以看出本实施例所提供的信息处理方法在领取和核销方面的效果都优于其他方法所带来的效果。
本实施例提供的一种信息处理方法,获取每个该用户标识分别与每个该目标业务对象之间每一次该业务行为的权重后,将每个该用户标识的每一次该业务行为的权重相加得到每个该用户标识分别与每个该目标业务对象之间的关系权重。并且,在业务行为的行为产生时间与当前时间的时间差值越大,业务行为的权重越小的情况下,能够使得对应的行为产生时间距离当前时间越近的业务行为产生更大的权重,进而有利于使得最终所获取的词嵌入向量能够更加准确的体现用户标识最近一段时间的兴趣,以便于能够在将该多个用户标识各自对应的目标业务对象推送给各自的该相似用户标识的过程中,可以给用户标识推送其最近一段时间感兴趣的业务对象,提升推送的实时性以及准确性,以便利提升推送内容的转换率。
请参阅图12,图12所示为本申请一实施例提出的一种信息处理装置500,该装置500包括:
数据获取单元510,用于获取多个用户标识与多个目标业务对象之间的业务关系数据,该业务关系数据包括目标业务对象、与该目标业务对象对应的业务行为和用户标识,以及该业务行为的行为产生时间。
权重获取单元520,用于基于该业务关系数据确定每个该用户标识分别与每个该目标业务对象之间的关系权重。
向量生成单元530,用于基于该关系权重获取每个该用户标识以及每个该目标业务对象各自对应的词嵌入向量。
向量比对单元540,用于基于该词嵌入向量确定该多个用户标识中每个用户标识的相似用户标识,基于每个所述目标业务对象的词嵌入向量确定每个用户标识对应的相似业务对象。
信息推送单元550,用于获取每个所述用户标识对应的推送业务对象,并将所述推送业务对象推送给对应用户标识所对应的终端,所述推送业务对象包括每个用户标识的相似用户标识对应有业务行为的目标业务对象,以及每个用户标识的所述相似业务对象。
作为一种方式,如图13所示,信息处理装置500,还包括:关系数据处理单元560,用于基于该行为产生时间删除该业务行为中的待处理业务行为,得到处理后的业务关系数据,该待处理业务行为指定业务对象的业务行为中行为产生时间不满足指定时间条件的业务行为,该指定业务对象为该多个目标业务对象中对应的用户标识数量大于用户标识阈值的目标业务对象。在这种方式下,权重获取单元520,具体用于基于该处理后的业务关系数据确定每个该用户标识分别与每个该目标业务对象之间的关系权重。可选的,该指定时间条件包括行为产生时间在以指定开始时间开始的第一指定时间段内,该第一指定时间段的结束时间为当前时间。
作为一种方式,如图14所示,信息处理装置500,还包括:业务对象处理单元570,获取多个业务对象中待处理的业务对象,该待处理的业务对象在第二指定时间段内没有对应的业务行为产生;删除该多个业务对象中的该待处理的业务对象,得到该多个目标业务对象。
作为一种方式,信息推送单元550,具体用于获取该多个用户标识各对应的目标业务对象的业务信息;将该业务信息推送给该多个用户标识各自的该相似用户标识;其中,该业务信息包括以下信息中的至少一个:目标业务对象的产品信息;以及目标业务对象的优惠信息。可选的,信息推送单元550,具体用于在该多个用户标识的该相似用户标识有业务行为产生时,将该业务信息推送给该多个用户标识各自的该相似用户标识。
作为一种方式,向量比对单元540,还用于基于该词嵌入向量确定该多个目标业务对象中每个目标业务对象的相似业务对象。对应的,信息推送单元550,还用于将与该多个目标业务对象对应的用户标识推送给各自的该相似业务对象。
可选的,权重获取单元520,具体用于获取每个该用户标识分别与每个该目标业务对象之间每一次该业务行为的权重,其中,业务行为的行为产生时间与当前时间的时间差值越大,业务行为的权重越小;将每个该用户标识的每一次该业务行为的权重相加得到每个该用户标识分别与每个该目标业务对象之间的关系权重。
作为一种方式,向量生成单元530,具体用于获取每个该用户标识以及每个该目标业务对象各自对应的初始词嵌入向量;基于该初始词嵌入向量与该关系权重获取每个该用户标识以及每个该目标业务对象各自对应的词嵌入向量。其中,可选的额,向量生成单元530,具体用于基于该初始词嵌入向量与该关系权重以及一阶相似度计算规则,得到每个该用户标识以及每个该目标业务对象各自对应的第一待拼接词嵌入向量;基于该初始词嵌入向量与该关系权重以及二阶相似度计算规则,得到每个该用户标识以及每个该目标业务对象各自对应的第二待拼接词嵌入向量;将该第一待拼接词嵌入向量与该第二待拼接词嵌入向量进行拼接得到每个该用户标识以及每个该目标业务对象各自对应的词嵌入向量。
其中,向量生成单元530,具体用于依次基于该多个用户标识中任一用户标识与该多个目标业务对象中任一目标业务对象的初始词嵌入向量获取该任一用户标识与该任一业务对象的联合概率,得到整体联合概率分布;依次基于该多个用户标识中任一用户标识与该多个目标业务对象中任一业务对象的关系权重以及第一经验分布计算方式获取该任一用户标识与该任一业务对象的经验分布,得到第一整体经验分布;基于第一分布差异评价函数获取该整体联合概率分布与该第一整体经验分布之间的差异,并基于该差异更新该初始词嵌入向量得到第一待拼接词嵌入向量。
向量生成单元530,具体用于依次基于该多个用户标识中任一用户标识与该多个目标业务对象中任一业务对象的初始词嵌入向量获取该任一用户标识与该任一业务对象的相似概率,得到整体相似概率分布;依次基于该多个用户标识中任一用户标识与该多个目标业务对象中任一业务对象的关系权重以及第二经验分布计算方式获取该任一用户标识与该任一业务对象的经验分布,得到第二整体经验分布;基于第二分布差异评价函数获取该整体相似概率分布与该第二整体经验分布之间的差异,并基于该差异更新该初始词嵌入向量得到第二待拼接词嵌入向量。
需要说明的是,本申请中装置实施例与前述方法实施例是相互对应的,装置实施例中具体的原理可以参见前述方法实施例中的内容,此处不再赘述。
下面将结合图15对本申请提供的一种电子设备进行说明。
请参阅图15,基于上述的信息处理方法,本申请实施例还提供的另一种包括可以执行前述信息处理方法的处理器102的服务器200。服务器200还包括存储器104以及网络模块106。其中,该存储器104中存储有可以执行前述实施例中内容的程序,而处理器102可以执行该存储器104中存储的程序。
其中,处理器102可以包括一个或者多个用于处理数据的核以及消息矩阵单元。处理器102利用各种接口和线路连接整个服务器200内的各个部分,通过运行或执行存储在存储器104内的指令、程序、代码集或指令集,以及调用存储在存储器104内的数据,执行服务器200的各种功能和处理数据。可选地,处理器102可以采用数字信号处理(Digital SignalProcessing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器102可集成中央处理器(Central Processing Unit,CPU)、图像处理器(Graphics ProcessingUnit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户标识界面和应用程序等;GPU用于负责显示内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器102中,单独通过一块通信芯片进行实现。
存储器104可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。存储器104可用于存储指令、程序、代码、代码集或指令集。存储器104可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现下述各个方法实施例的指令等。存储数据区还可以存储终端100在使用中所创建的数据(比如电话本、音视频数据、聊天记录数据)等。
网络模块106用于接收以及发送电磁波,实现电磁波与电信号的相互转换,从而与通讯网络或者其他设备进行通讯,例如网络模块106可以发送广播数据,也可以对其他设备发送的广播数据进行解析。所述网络模块106可包括各种现有的用于执行这些功能的电路元件,例如,天线、射频收发器、数字信号处理器、加密/解密芯片、用户标识身份模块(SIM)卡、存储器等等。所述网络模块106可与各种网络如互联网、企业内部网、无线网络进行通讯或者通过无线网络与其他设备进行通讯。上述的无线网络可包括蜂窝式电话网、无线局域网或者城域网。例如,网络模块106可以与基站进行信息交互。
需要说明的是,为了实现更多的功能,服务器200还可以保护更多的器件,例如,还可以保护用于进行人脸信息采集的结构光传感器或者还可以保护用于采集虹膜的摄像头等。
请参考图16,其示出了本申请实施例提供的一种计算机可读存储介质的结构框图。该计算机可读介质1100中存储有程序代码,所述程序代码可被处理器调用执行上述方法实施例中所描述的方法。
计算机可读存储介质1100可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地,计算机可读存储介质1100包括非易失性计算机可读介质(non-transitory computer-readable storage medium)。计算机可读存储介质1100具有执行上述方法中的任何方法步骤的程序代码810的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码1110可以例如以适当形式进行压缩。
综上所述,本申请提供的一种信息处理方法、装置、服务器及存储介质,在获取到包括多个用户标识与多个目标业务对象之间的业务行为,以及业务行为的行为产生时间的业务关系数据后,可以基于业务关系数据确定所述用户标识与目标业务对象之间的关系权重,从而使得该关系权重可以与业务的产生时间进行关联,进而再基于所述关系权重获取每个用户标识以及每个目标业务对象各自对应的词嵌入向量,并根据词嵌入向量确定多个用户标识中的相似用户标识,以便将所述用户标识各自对应的目标业务对象推送给各自的所述相似用户标识。从而通过前述方式中的基于所述关系权重获取每个用户标识以及每个目标业务对象各自对应的词嵌入向量,可以更加准确的确定出用户标识中的相似用户标识,进而可以通过词嵌入向量实现更加准确的进行目标业务对象的推送,以便减少服务器在执行推送的过程中无效的资源开销,也使得服务器在推送的过程中可以减小无效的带宽占用。并且因为其中的关系权重与业务产生时间是相互关联的,进而使得所生成的词嵌入向量具有更好的时间同步性。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (15)
1.一种信息处理方法,其特征在于,所述方法包括:
获取多个用户标识与多个目标业务对象之间的业务关系数据,所述业务关系数据包括所述多个用户标识与所述多个目标业务对象之间对应的业务行为,以及所述业务行为的行为产生时间;
基于所述业务关系数据确定每个所述用户标识分别与每个所述目标业务对象之间的关系权重;
基于所述关系权重获取每个所述用户标识的词嵌入向量以及每个所述目标业务对象的词嵌入向量;
基于每个所述用户标识的词嵌入向量确定每个所述用户标识的相似用户标识;
基于每个所述目标业务对象的词嵌入向量确定每个用户标识对应的相似业务对象;
获取每个所述用户标识对应的推送业务对象,并将所述推送业务对象推送给对应用户标识所对应的终端,所述推送业务对象包括每个用户标识的相似用户标识对应有业务行为的目标业务对象,以及每个用户标识的所述相似业务对象。
2.根据权利要求1所述的方法,其特征在于,所述基于所述业务关系数据确定每个所述用户标识分别与每个所述目标业务对象之间的关系权重之前还包括:
基于所述行为产生时间删除所述业务行为中的待处理业务行为,得到处理后的业务关系数据,所述待处理业务行为指定业务对象的业务行为中行为产生时间不满足指定时间条件的业务行为,所述指定业务对象为所述多个目标业务对象中对应的用户标识数量大于用户标识阈值的目标业务对象;
所述基于所述业务关系数据确定每个所述用户标识分别与每个所述目标业务对象之间的关系权重,包括:基于所述处理后的业务 关系数据确定每个所述用户标识分别与每个所述目标业务对象之间的关系权重。
3.根据权利要求2所述的方法,其特征在于,所述指定时间条件包括行为产生时间在以指定开始时间开始的第一指定时间段内,所述第一指定时间段的结束时间为当前时间。
4.根据权利要求1所述的方法,其特征在于,所述获取多个用户标识与多个目标业务对象之间的业务关系数据之前还包括:
获取多个业务对象中待处理的业务对象,所述待处理的业务对象在第二指定时间段内没有对应的业务行为产生;
删除所述多个业务对象中的所述待处理的业务对象,得到所述多个目标业务对象。
5.根据权利要求1所述的方法,其特征在于,所述获取每个所述用户标识对应的推送业务对象,并将所述推送业务对象推送给对应用户标识所对应的终端,所述推送业务对象包括每个用户标识的相似用户标识对应有业务行为的目标业务对象,以及每个用户标识的所述相似业务对象,包括:
获取每个所述用户标识对应的推送业务对象的业务信息;
将所述业务信息推送给所述推送业务对象对应用户标识所对应的终端;
其中,所述业务信息包括以下信息中的至少一个:目标业务对象的产品信息;以及目标业务对象的优惠信息。
6.根据权利要求5所述的方法,其特征在于,所述将所述业务信息推送给所述推送业务对象对应用户标识所对应的终端,包括:
在所述用户标识对应有业务行为产生时,将所述业务信息推送给所述推送业务对象对应用户标识所对应的终端。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述词嵌入向量确定所述多个目标业务对象中每个目标业务对象的相似业务对象;
将与所述多个目标业务对象对应的用户标识推送给各自的所述相似业务对象。
8.根据权利要求1所述的方法,其特征在于,所述基于所述业务关系数据确定每个所述用户标识分别与每个所述目标业务对象之间的关系权重,包括:
获取当前进行权重计算的用户标识与当前进行权重计算的目标业务对象之间每一次所述业务行为的权重,其中,业务行为的行为产生时间与当前时间的时间差值越大,业务行为的权重越小;
将所述每一次所述业务行为的权重相加得到当前进行权重计算的用户标识与当前进行权重计算的目标业务对象之间的关系权重。
9.根据权利要求1-8任一所述的方法,其特征在于,所述基于所述关系权重获取每个所述用户标识的词嵌入向量以及每个所述目标业务对象的词嵌入向量,包括:
获取每个所述用户标识的初始词嵌入向量以及每个所述目标业务对象的初始词嵌入向量;
基于所述初始词嵌入向量与所述关系权重获取每个所述用户标识的词嵌入向量以及每个所述目标业务对象的词嵌入向量。
10.根据权利要求9所述的方法,其特征在于,所述基于所述初始词嵌入向量与所述关系权重获取每个所述用户标识的词嵌入向量以及每个所述目标业务对象的词嵌入向量,包括:
基于所述初始词嵌入向量与所述关系权重以及一阶相似度计算规则,得到每个所述用户标识以及每个所述目标业务对象各自对应的第一待拼接词嵌入向量;
基于所述初始词嵌入向量与所述关系权重以及二阶相似度计算规则,得到每个所述用户标识以及每个所述目标业务对象各自对应的第二待拼接词嵌入向量;
将所述第一待拼接词嵌入向量与所述第二待拼接词嵌入向量进行拼接得到每个所述用户标识以及每个所述目标业务对象各自对应的词嵌入向量。
11.根据权利要求10所述的方法,其特征在于,所述基于所述初始词嵌入向量与所述关系权重以及一阶相似度计算规则,得到每个所述用户标识以及每个所述目标业务对象各自对应的第一待拼接词嵌入向量,包括:
依次基于所述多个用户标识中任一用户标识与所述多个目标业务对象中任一目标业务对象的初始词嵌入向量获取所述任一用户标识与所述任一业务对象的联合概率,得到整体联合概率分布;
依次基于所述多个用户标识中任一用户标识与所述多个目标业务对象中任一业务对象的关系权重以及第一经验分布计算方式获取所述任一用户标识与所述任一业务对象的经验分布,得到第一整体经验分布;
基于第一分布差异评价函数获取所述整体联合概率分布与所述第一整体经验分布之间的差异,并基于所述差异更新所述初始词嵌入向量得到第一待拼接词嵌入向量。
12.根据权利要求10所述的方法,其特征在于,所述基于所述初始词嵌入向量与所述关系权重以及二阶相似度计算规则,得到每个所述用户标识以及每个所述目标业务对象各自对应的第二待拼接词嵌入向量,包括:
依次基于所述多个用户标识中任一用户标识与所述多个目标业务对象中任一业务对象的初始词嵌入向量获取所述任一用户标识与所述任一业务对象的相似概率,得到整体相似概率分布;
依次基于所述多个用户标识中任一用户标识与所述多个目标业务对象中任一业务对象的关系权重以及第二经验分布计算方式获取所述任一用户标识与所述任一业务对象的经验分布,得到第二整体经验分布;
基于第二分布差异评价函数获取所述整体相似概率分布与所述第二整体经验分布之间的差异,并基于所述差异更新所述初始词嵌入向量得到第二待拼接词嵌入向量。
13.一种信息处理装置,其特征在于,所述装置包括:
数据获取单元,用于获取多个用户标识与多个目标业务对象之间的业务关系数据,所述业务关系数据包括所述多个用户标识与所述多个目标业务对象之间对应的业务行为识,以及所述业务行为的行为产生时间;
权重获取单元,用于基于所述业务关系数据确定每个所述用户标识分别与每个所述目标业务对象之间的关系权重;
向量生成单元,用于基于所述关系权重获取每个所述用户标识的词嵌入向量以及每个所述目标业务对象的词嵌入向量;
向量比对单元,用于基于每个所述用户标识的词嵌入向量确定每个所述用户标识的相似用户标识,基于每个所述目标业务对象的词嵌入向量确定每个用户标识对应的相似业务对象;
信息推送单元,用于获取每个所述用户标识对应的推送业务对象,并将所述推送业务对象推送给对应用户标识所对应的终端,所述推送业务对象包括每个用户标识的相似用户标识对应有业务行为的目标业务对象,以及每个用户标识的所述相似业务对象。
14.一种服务器,其特征在于,包括处理器以及存储器;一个或多个程序被存储在所述存储器中并被配置为由所述处理器执行以实现权利要求1-12任一所述的方法。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有程序代码,其中,在所述程序代码被处理器运行时执行权利要求1-12任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010594930.XA CN111488529B (zh) | 2020-06-28 | 2020-06-28 | 信息处理方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010594930.XA CN111488529B (zh) | 2020-06-28 | 2020-06-28 | 信息处理方法、装置、服务器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111488529A true CN111488529A (zh) | 2020-08-04 |
CN111488529B CN111488529B (zh) | 2020-09-29 |
Family
ID=71795790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010594930.XA Active CN111488529B (zh) | 2020-06-28 | 2020-06-28 | 信息处理方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111488529B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182309A (zh) * | 2020-10-06 | 2021-01-05 | 广州云莫凡信息科技有限公司 | 基于建筑工程和大数据的建筑装饰基层工业化数据处理方法与系统 |
CN112287222A (zh) * | 2020-10-29 | 2021-01-29 | 深圳大学 | 一种基于异质特征深度残差网络的内容推荐方法 |
CN112532692A (zh) * | 2020-11-09 | 2021-03-19 | 北京沃东天骏信息技术有限公司 | 一种信息推送方法及装置、存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180068371A1 (en) * | 2016-09-08 | 2018-03-08 | Adobe Systems Incorporated | Learning Vector-Space Representations of Items for Recommendations using Word Embedding Models |
CN108073672A (zh) * | 2017-04-12 | 2018-05-25 | 北京市商汤科技开发有限公司 | 业务对象推荐方法、装置和电子设备 |
CN108829661A (zh) * | 2018-05-09 | 2018-11-16 | 成都信息工程大学 | 一种基于模糊匹配的新闻主体名称提取方法 |
US10353975B2 (en) * | 2015-12-08 | 2019-07-16 | Samsung Electronics Co., Ltd. | Terminal, server and event suggesting methods thereof |
CN110598105A (zh) * | 2019-09-10 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 一种基于概率采样的推荐方法、装置、设备及介质 |
CN110909247A (zh) * | 2019-12-03 | 2020-03-24 | 掌阅科技股份有限公司 | 文本信息的推送方法、电子设备及计算机存储介质 |
CN111274493A (zh) * | 2020-01-17 | 2020-06-12 | 电子科技大学 | 一种基于多源用户评论的评分预测方法 |
-
2020
- 2020-06-28 CN CN202010594930.XA patent/CN111488529B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10353975B2 (en) * | 2015-12-08 | 2019-07-16 | Samsung Electronics Co., Ltd. | Terminal, server and event suggesting methods thereof |
US20180068371A1 (en) * | 2016-09-08 | 2018-03-08 | Adobe Systems Incorporated | Learning Vector-Space Representations of Items for Recommendations using Word Embedding Models |
CN108073672A (zh) * | 2017-04-12 | 2018-05-25 | 北京市商汤科技开发有限公司 | 业务对象推荐方法、装置和电子设备 |
CN108829661A (zh) * | 2018-05-09 | 2018-11-16 | 成都信息工程大学 | 一种基于模糊匹配的新闻主体名称提取方法 |
CN110598105A (zh) * | 2019-09-10 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 一种基于概率采样的推荐方法、装置、设备及介质 |
CN110909247A (zh) * | 2019-12-03 | 2020-03-24 | 掌阅科技股份有限公司 | 文本信息的推送方法、电子设备及计算机存储介质 |
CN111274493A (zh) * | 2020-01-17 | 2020-06-12 | 电子科技大学 | 一种基于多源用户评论的评分预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182309A (zh) * | 2020-10-06 | 2021-01-05 | 广州云莫凡信息科技有限公司 | 基于建筑工程和大数据的建筑装饰基层工业化数据处理方法与系统 |
CN112287222A (zh) * | 2020-10-29 | 2021-01-29 | 深圳大学 | 一种基于异质特征深度残差网络的内容推荐方法 |
CN112287222B (zh) * | 2020-10-29 | 2023-12-15 | 深圳大学 | 一种基于异质特征深度残差网络的内容推荐方法 |
CN112532692A (zh) * | 2020-11-09 | 2021-03-19 | 北京沃东天骏信息技术有限公司 | 一种信息推送方法及装置、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111488529B (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111488529B (zh) | 信息处理方法、装置、服务器及存储介质 | |
CN110874440B (zh) | 一种信息推送及其模型训练的方法、装置及电子设备 | |
CN108733706B (zh) | 热度信息的生成方法和装置 | |
CN113055451B (zh) | 资源下载方法、装置、电子设备及存储介质 | |
CN109446171B (zh) | 一种数据处理方法和装置 | |
CN105894028B (zh) | 用户识别方法和装置 | |
CN110224859B (zh) | 用于识别团伙的方法和系统 | |
CN110874650B (zh) | 融合公域数据和私有数据的联盟学习方法、装置和系统 | |
CN113127723B (zh) | 用户画像处理方法、装置、服务器及存储介质 | |
WO2021159393A1 (zh) | 信息推送方法、装置、服务器及存储介质 | |
CN111182332B (zh) | 视频处理方法、装置、服务器及存储介质 | |
CN113572752A (zh) | 异常流量的检测方法和装置、电子设备、存储介质 | |
CN110781153B (zh) | 基于区块链的跨应用信息共享方法及系统 | |
CN112214677A (zh) | 一种兴趣点推荐方法、装置、电子设备及存储介质 | |
CN114902702A (zh) | 短信推送方法、装置、服务器及存储介质 | |
CN110874647A (zh) | 联盟学习中的私有数据评估、联盟学习方法、装置及系统 | |
CN111340574B (zh) | 风险用户的识别方法、装置和电子设备 | |
CN111898033A (zh) | 内容推送方法、装置以及电子设备 | |
CN114363268A (zh) | 消息延迟消费方法及相关产品 | |
CN114169920A (zh) | 一种虚拟资源的推送方法、装置、设备及存储介质 | |
CN111242778B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN108306812A (zh) | 一种数据处理方法以及服务器 | |
CN113486211A (zh) | 帐号识别方法、装置、电子设备、存储介质及程序产品 | |
CN111985979A (zh) | 用于广告业务中的无效流量信息处理的方法和装置 | |
CN112559872A (zh) | 设备间用户识别方法、系统、计算机设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40027359 Country of ref document: HK |