CN111510473B - 访问请求处理方法、装置、电子设备和计算机可读介质 - Google Patents
访问请求处理方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN111510473B CN111510473B CN202010177457.5A CN202010177457A CN111510473B CN 111510473 B CN111510473 B CN 111510473B CN 202010177457 A CN202010177457 A CN 202010177457A CN 111510473 B CN111510473 B CN 111510473B
- Authority
- CN
- China
- Prior art keywords
- resource
- amount
- parameters
- exemption
- resource transfer
- 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
Images
Classifications
-
- 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
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
-
- 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
-
- 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
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Abstract
本申请实施例公开了访问请求处理方法、装置、电子设备和计算机可读介质。该方法的实施例包括:利用进化策略,离线对不同资源接收方对应的资源减免量决策模型进行调参,得到不同资源接收方对应的模型参数;响应于接收到客户端发送的对目标资源接收方的在线访问请求,获取在线访问请求对应的特征信息;基于特征信息和目标资源接收方对应的资源减免量决策模型,确定在线访问请求对应的目标资源减免量;向客户端返回目标资源接收方的访问页面,并在访问页面中显示目标资源减免量。该实施方式可在对不同的线上访问请求设定不同的资源减免量时,节约线上网络资源,提高对在线网络请求的处理效。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及访问请求处理方法、装置、电子设备和计算机可读介质。
背景技术
随着计算机通信技术的飞速发展,人们的生产生活越来越需要依赖互联网平台进行资源的转移调配。在互联网平台(例如电商平台)中,通常入驻有大量的资源接收方(例如商家)。用户可通过向资源接收方转移某种资源,来获取资源接收方所提供的服务。通常,不同资源接收方会设置一些资源接收规则,如为一些用户减免一些资源转移量,以减少用户获取服务的成本。
现有技术中,通常由各个资源接收方分别基于对大量数据的统计和分析,设定出固定的资源减免量。这种方式需要各资源接收方进行大量的数据处理工作,耗费较多的计算资源和人力成本,且无法针对不同的访问请求设定不同的资源减免量,因而灵活性较差。若需要针对不同访问请求设定不同的资源减免量,则需要对网络请求进行在线实时分析,导致线上网络资源占用较多,网络请求的处理效率较低。
发明内容
本申请实施例提出了访问请求处理方法、装置、电子设备和计算机可读介质,以在对不同的线上访问请求设定不同的资源减免量时,节约线上网络资源,提高对在线网络请求的处理效率。
第一方面,本申请实施例提供了一种访问请求处理方法,该方法包括:利用进化策略,离线对不同资源接收方对应的资源减免量决策模型进行调参,得到不同资源接收方对应的模型参数,其中,调参的步骤包括:采样多组参数;基于资源接收方在预设历史时段内以固定值作为资源减免量时的实际资源转移数据和以非固定值作为资源减免量时的预估资源转移数据,确定各组参数的评估值;基于评估值,确定模型参数;响应于接收到客户端发送的对目标资源接收方的在线访问请求,获取在线访问请求对应的特征信息;基于特征信息和目标资源接收方对应的资源减免量决策模型,确定在线访问请求对应的目标资源减免量;向客户端返回目标资源接收方的访问页面,并在访问页面中显示目标资源减免量。
第二方面,本申请实施例提供了一种访问请求处理装置,该装置包括:调参单元,被配置成利用进化策略,离线对不同资源接收方对应的资源减免量决策模型进行调参,得到不同资源接收方对应的模型参数,其中,调参的步骤包括:采样多组参数;基于资源接收方在预设历史时段内以固定值作为资源减免量时的实际资源转移数据和以非固定值作为资源减免量时的预估资源转移数据,确定各组参数的评估值;基于评估值,确定模型参数;获取单元,被配置成响应于接收到客户端发送的对目标资源接收方的在线访问请求,获取在线访问请求对应的特征信息;确定单元,被配置成基于特征信息和目标资源接收方对应的资源减免量决策模型,确定在线访问请求对应的目标资源减免量;返回单元,被配置成向客户端返回目标资源接收方的访问页面,并在访问页面中显示目标资源减免量。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中所描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面中所描述的方法。
本申请实施例提供的访问请求处理方法、装置、电子设备和计算机可读介质,通过进化策略离线对不同资源接收方对应的资源减免量决策模型进行调参,得到不同资源接收方对应的模型参数,在接收到客户端发送的对目标资源接收方的在线访问请求时,可首先获取在线访问请求对应的特征信息,而后基于特征信息和目标资源接收方对应的资源减免量决策模型,确定在线访问请求对应的目标资源减免量,最后向客户端返回目标资源接收方的访问页面,并在访问页面中显示目标资源减免量。由此,一方面,通过进化策略对不同资源接收方的资源减免量决策模型进行调参,而后利用确定参数后的资源减免量决策模型,对在线访问请求对应的资源减免量进行决策,可在对不同的线上访问请求设定不同的资源减免量时,节约线上网络资源,提高对在线网络请求的处理效率。另一方面,由于资源减免量决策模型的调参过程中,对各组参数评估时考虑了以固定值作为资源减免量时的实际资源转移数据和以非固定值作为资源减免量时的预估资源转移数据,因而在保证了资源减免量决策模型自动决策出的资源减免量的合理性。
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,本申请的其它特征、目的和优点将会变得更明显:
图1是根据本申请的访问请求处理方法的一个实施例的流程图;
图2是根据本申请的访问请求处理方法的目标集群的示例性架构的示意图;
图3是根据本申请的访问请求处理装置的一个实施例的结构示意图;
图4是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请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相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
请参考图1,其示出了根据本申请的访问请求处理方法的一个实施例的流程100。该访问请求处理方法,包括以下步骤:
步骤101,利用进化策略,离线对不同资源接收方对应的资源减免量决策模型进行调参,得到不同资源接收方对应的模型参数。
在本实施例中,访问请求处理方法的执行主体(如服务器等电子设备)可以维护有互联网平台。在互联网平台(例如电商平台)中,通常入驻有大量的资源接收方(例如商家)。用户可通过向资源接收方转移某种资源,来获取资源接收方所提供的服务。通常,可以为一些用户减免一些资源转移量(如补贴额等资源),以减少用户获取服务的成本。
在本实施例中,上述执行主体可以预先构建资源减免量决策模型,以用于预测资源减免量。对于不同资源接收方,可采用原理相同但参数不同的资源减免量决策模型,进行资源减免量的决策。可以预先利用进化策略(Evolutionary Strategies,ES),离线对不同资源接收方对应的资源减免量决策模型进行调参,得到不同资源接收方对应的模型参数。
实践中,进化策略是一种求解参数优化问题的方法。此处所采用的进化策略算法,具体可以是交叉熵算法(Cross Entropy Method,CEM)等。交叉熵算法是一种求解参数优化问题的方法。交叉熵算法将问题定义为寻求函数(即资源减免量决策模型)的参数,使得评价值(Reward)最优。在调参过程中,基于由状态信息(state)得到的动作值(action),计算当前各组参数的评价值(Reward),并基于评价值重新进行参数采样,经多次迭代得到最终参数。
在本实施例中,针对每一个资源接收方对应的资源减免量决策模型,在使用交叉熵算法调参时,均可按照相同的调参步骤执行。对于每一个资源接收方对应的资源减免量决策模型,具体可执行包括如下的子步骤S11至子步骤S13的调参步骤:
子步骤S11,采样多组参数。
此处,可以将参数分布视为高斯分布,使用随机采样方式进行参数的采样。实践中,每一组参数均可以以一个参数向量或者参数矩阵来表示。例如,若每一组参数包含n个参数,则每一采样组参数可以表示为其中,n为大于或等于1的整数。
子步骤S12,基于资源接收方在预设历史时段内以固定值作为资源减免量时的实际资源转移数据和以非固定值作为资源减免量时的预估资源转移数据,确定各组参数的评估值。
此处,预设历史时段内以固定值作为资源减免量时的实际资源转移数据可从历史数据中获取。以非固定值作为资源减免量时的预估资源转移数据,可通过使用各组参数时的资源减免量决策模型确定。当资源减免量决策模型使用不同参数时,预估资源转移数据则不同。对于某一组参数,可以以使用组参数时的资源减免量决策模型所确定的预估资源转移数据不劣于实际资源转移数据为原则,确定各组参数的评估值。
在子步骤S12中,可选的,可以按照如下步骤确定各组参数的评估值:
第一步,获取资源接收方在预设历史时段内以固定值作为资源减免量时的实际资源转移数据。
具体地,可以首先获取历史数据,并对历史数据进行统计,得到实际资源转移数据。实践中,历史数据中可以包括但不限于历史访问的次数、实际资源减免量(即上述固定值)、每次历史访问的实际资源转移量等参数。实际资源转移数据可以包括但不限于实际资源总减免量、实际资源总转移量等。
可选的,实际资源转移数据可以包括实际资源总减免量(可记为∑bt(R))和实际资源总转移量(可记为∑gmv(R))。例如,当资源接收方为门店、资源减免量为补贴值(如满减金额、补贴金额等)时,实际资源总减免量即为实际总补贴值,实际资源总转移量即为实际总成交值。
此时,在获取实际资源转移数据时,首先,可以获取预设历史时段内对资源接收方的历史访问数据。历史访问数据中包括历史访问的次数、各次历史访问对应的实际资源转移量(可记为gmv(R))、以固定值作为资源减免量时的实际资源减免量(可记为bt(R))。而后,可以将历史访问的次数与实际资源减免量的乘积,作为资源接收方在预设历史时段内以固定值作为资源减免量时实际资源总减免量∑bt(R)。同时,可以将各次历史访问对应的实际资源转移量的总和,作为资源接收方在预设历史时段内以固定值作为资源减免量时实际资源总转移量∑gmv(R)。
第二步,对于多组参数中的每一组参数,基于使用该组参数时的资源减免量决策模型,确定资源接收方在预设历史时段内以非固定值作为资源减免量时的预估资源转移数据,将所确定的预估资源转移数据作为该组参数对应的预估资源转移数据。
具体地,对于预设历史时段内的每一次历史访问,可通过不同组参数下的资源减免量决策模型,决策出该次历史访问的预估资源减免量,并计算出该次历史访问的预估资源转移量。而后,基于各次历史访问的预估资源减免量和预估资源转移量,统计出预估资源总减免量和预估资源总转移量。
可选的,与实际资源转移数据相对应,预估资源转移数据包括预估资源总减免量(可记为∑bt(J))和预估资源总转移量(可记为∑gmv(J))。例如,当资源接收方为门店、资源减免量为补贴值(如满减金额、补贴金额等)时,预估资源总减免量即为预估总补贴值,预估资源总转移量即为预估总成交值。
此时,在获取预估资源转移数据时,首先,可以获取样本集。样本集中可以包括预设历史时段内对资源接收方的各次历史访问对应的样本特征信息。样本特征信息中可以包含用户特征(如用户画像)、该资源接收方的特征(如属性)、上下文特征(如时间、地点)等。
接着,对于每一次历史访问,可以基于该次历史访问对应的样本特征信息、预先训练的资源转移概率预测模型和资源转移量预测模型,预测针对该次访问,在使用各候选资源减免量时的资源转移概率(p(u,poi,J))和预估资源转移量(可记为price(u,poi,J))。其中,候选资源减免量可以预先设定。作为示例,可将某一数值范围(如[1,5])内的整数(如1、2、3、4、5)作为候选资源减免量。此外,当资源接收方为门店、资源减免量为补贴值(如满减金额、补贴金额等)时,资源转移概率预测模型可以是成单概率预测模型,实际资源总转移量可以是成交值预测模型。
接着,对于子步骤S11所采样的多组参数中的每一组参数,执行如下步骤:首先,针对每一次历史访问,将使用各候选资源减免量时的资源转移概率和预估资源转移量输入至使用该组参数时的资源减免量决策模型,确定出针对该次历史访问的最优资源减免量(可记为bt(J))。而后,将针对各次历史访问的最优资源减免量的总和,作为该组参数对应的预估资源总减免量∑bt(J)。最后,针对每一次历史访问,确定最优资源减免量时的资源转移概率p(u,poi,J)和预估资源转移量price(u,poi,J)的乘积p(u,poi,J)·price(u,poi,J),并将各次历史访问对应的乘积,作为该组参数对应的预估资源总转移量∑gmv(J)。
第三步,基于实际资源转移数据与各组参数对应预估资源转移数据的比较,确定各组参数的评估值。
对于某一组参数,可以以使用组参数时的资源减免量决策模型所确定的预估资源转移数据不劣于实际资源转移数据为原则,设置评估值计算公式。并通过评估值计算公式,计算各组参数的评估值。
可选的,对于多组参数中的每一组参数,若该组参数对应的预估资源总转移量∑gmv(J)大于或等于实际资源总转移量∑gmv(R),则可将实际资源总减免量∑bt(R)与该组参数对应的预估资源总减免量∑bt(J)的差值作为该组参数的评估值。若该组参数对应的预估资源总转移量∑gmv(J)小于实际资源总转移量∑gmv(R),则可将预设值作为该组参数的评估值,其中,预设值为小于差值的负数。例如,预设值可设置为-106。由此,评估值(Reward)可表示为如下公式:
子步骤S13,基于评估值,确定模型参数。
具体地,可以首先按照评估值从大到小的次序,从上述多组参数中选取预设组数(如10组)的目标参数。而后,在满足结束调参条件时,将评估值最大的一组目标参数作为模型参数。此处的结束调参条件根据需要预先设置。例如,结束调参条件可以包括目标参数的分布的方差小于或等于一个指定阈值;还可以包括迭代次数大于预设次数等。
需要说明的是,在未满足结束调参条件时,则可以基于目标参数的分布,重新执行上述调参的步骤。具体地,由于每一组参数可以表示为一个参数向量。因而在选取目标参数后,即可得到多个参数向量。此时,可以对上述多个参数向量求平均和方差,得到平均值向量、方差向量。然后根据平均值向量和方差向量,即可刻画出一组分布。而后,可以基于目标参数的分布,重新执行如步骤S11至步骤S13的调参步骤。即,针对目标参数的分布,重新进行随机采样、计算评估值、选取目标参数等步骤。
通过进化策略对各资源接收方对应的资源减免量决策模型进行调参,相较于通过人工调参的方式,更易于找到最优参数,且可以降低参数查找耗时。此外,通过进化策略训练资源减免量决策模型,不依赖于线上数据,避免了人工线上调参过程导致的收益损失。同时,离线对各资源接收方对应的资源减免量决策模型进行调参,并在线上直接使用确定参数后的资源减免量决策模型对在线访问请求对应的资源减免量进行决策,可在对不同的线上访问请求设定不同的资源减免量时,节约线上网络资源,提高对在线网络请求的处理效率。
在本实施例的一些可选的实现方式中,利用进化策略离线对不同实体对应的属性值决策模型进行调参的步骤,可通过目标集群中的计算节点完成。作为示例,图2示出了目标集群的示例性架构的示意图。如图2所示,目标集群可以包括集群管理器(ClusterManager)和多个计算节点(也可称为worker)。集群管理器与各计算节点通信连接。上述执行主体可以是该目标集群中的集群管理器。各计算节点中可以运行有执行器(Executor),该执行器可以是某个应用程序运行在计算节点上的进程。集群管理器可以控制计算节点启动或关闭执行器。
在该实现方式中,可以离线执行通过如下步骤:首先,创建属性值决策模型,并创建与各实体对应的调参任务。上述调参任务用于指示利用进化策略对上述属性值决策模型进行调参。而后,分别将不同实体对应的调参任务发送给目标集群中的不同计算节点,并接收各计算节点在执行上述调参任务后返回的模型参数。
由此,通过集群分布式地对不同资源接收方的资源减免量决策模型进行离线调参,不仅可在对不同的线上访问请求设定不同的资源减免量时,节约线上网络资源,提高对在线网络请求的处理效率,并且,还能够提高离线调参的效率。
步骤102,响应于接收到客户端发送的对目标资源接收方的在线访问请求,获取在线访问请求对应的特征信息。
在本实施例中,响应于接收到客户端发送的对目标资源接收方的在线访问请求,上述执行主体可以获取在线访问请求对应的特征信息。其中,特征信息可以是用于表征特征的信息。上述特征可以包括但不限于:访问该目标资源接收方的用户的特征(例如用户画像)、目标资源接收方的特征(例如目标资源接收方的属性)、上下文特征(如时间、地点)等。
步骤103,基于特征信息和目标资源接收方对应的资源减免量决策模型,确定在线访问请求对应的目标资源减免量。
在本实施例中,由于资源减免量决策模型可用于决策出多个候选资源减免量中最优的目标资源减免量,因而,上述执行主体可以基于该特征信息和目标资源接收方对应的资源减免量决策模型,确定在线访问请求对应的目标资源减免量。
可选的,上述执行主体可以按照如下子步骤S21至子步骤S23,确定在线访问请求对应的目标资源减免量:
子步骤S21,基于特征信息、预先训练的资源转移概率预测模型和资源转移量预测模型,预测针对在线访问请求,在使用各候选资源减免量时的资源转移概率和预估资源转移量。
上述执行主体可以存储有预先训练的资源转移概率预测模型和资源转移量预测模型。资源转移概率预测模型用于预测某次请求在某一资源减免量下的资源转移概率。资源转移量预测模型用于计算进某次请求在某一资源减免量下的预估成单值。资源转移概率预测模型和资源转移量预测模型可以采用神经网络等结构,并通过机器学习方法(如有监督训练方式)预先训练得到。上述资源转移概率预测模型和资源转移量预测模型,均可以使用深度神经网络模型结构训练得到。需要说明的是,此处的资源转移概率预测模型和资源转移量预测模型与调参过程中所使用的资源转移概率预测模型和资源转移量预测模型与可以是一致的。
上述执行主体可以将特征信息输入到资源转移概率预测模型,得到使用各候选资源减免量时的资源转移概率,并可以将特征信息输入到资源转移量预测模型,得到使用各候选资源减免量时的预估资源转移量。
子步骤S22,基于在使用各候选资源减免量时的资源转移概率和预估资源转移量,确定在使用各候选资源减免量时的目标函数的值。
此处,可以预先为资源减免量决策模型设置目标函数。目标函数可以表征单次请求的收益情况。目标函数的值越大,则收益越大。上述执行主体可将使用每一组候选资源减免量时的资源转移概率和预估资源转移量作为一组输入数据,将各组输入数据分别输入至预先建立的目标函数,得到各组输入数据对应的目标函数的值。
可选的,目标函数可以为:
OJ=p(u,poi,J)·price(u,poi,J)-kpoi·p(u,poi,J)·J
其中,J表示资源减免量;u表示用户;poi表示目标资源接收方;p(u,poi,J)为在资源减免量J下,用户u访问目标资源接收方poi时的资源转移概率;price(u,poi,J)为在资源减免量J下,用户u访问目标资源接收方poi时的预估成单值;OJ为在资源减免量J下的目标函数的值;kpoi为目标资源接收方poi对应的调节系数,可用于调节资源接收方的成交值与资源减免量的比重。kpoi可以通过如下公式计算得到:
其中,为目标资源接收方poi对应的资源减免量决策模型的参数,具体可以指参数向量或参数矩阵;x为特征信息,具体可以以向量或矩阵的形式表示;bias可以为预先设定的数值;min表示最小;max表示最大;kmin为kpoi的最小的值;kmax为kpoi的最大的值。上述bias、kmin、kmax的具体取值均可以根据需要预先设定,此处不作限定。
由此,对于每一个候选资源减免量,可以确定使用该候选资源减免量时的资源转移概率和预估资源转移量的第一乘积,确定该候选资源减免量、使用该候选资源减免量时的资源转移概率与目标资源接收方对应的模型参数三者的第二乘积,将第一乘积与第二乘积的差值作为使用该候选资源减免量时的目标函数的值。
子步骤S23,将最大的目标函数的值对应的候选资源减免量作为目标资源减免量。
由于现有技术中所使用的样本空间通常是资源接收方在一段观察时间(如1天)内的访问数据,需要包含多次访问请求。故针对线上场景下的单次的访问请求,现有技术所采用的传统优化问题无法进行求解。通过设定上述目标函数,可以获取得到单次请求的收益情况,从而可以预设资源减免量范围中确定出最优的目标资源减免量,能够适用于线上场景。
步骤104,向客户端返回目标资源接收方的访问页面,并在访问页面中显示目标资源减免量。
在本实施例中,上述执行主体可以向客户端返回目标资源接收方的访问页面,并在访问页面中显示目标资源减免量。例如,当目标资源接收方为某门店、目标资源减免量为补贴值(如满减金额、补贴金额等)时,即可将将该补贴值的相关信息展示于该门店的页面中。
本申请的上述实施例提供的方法,通过进化策略离线对不同资源接收方对应的资源减免量决策模型进行调参,得到不同资源接收方对应的模型参数,在接收到客户端发送的对目标资源接收方的在线访问请求时,可首先获取在线访问请求对应的特征信息,而后基于特征信息和目标资源接收方对应的资源减免量决策模型,确定在线访问请求对应的目标资源减免量,最后向客户端返回目标资源接收方的访问页面,并在访问页面中显示目标资源减免量。由此,一方面,通过进化策略对不同资源接收方的资源减免量决策模型进行调参,而后利用确定参数后的资源减免量决策模型,对在线访问请求对应的资源减免量进行决策,可在对不同的线上访问请求设定不同的资源减免量时,节约线上网络资源,提高对在线网络请求的处理效率。另一方面,由于资源减免量决策模型的调参过程中,对各组参数评估时考虑了以固定值作为资源减免量时的实际资源转移数据和以非固定值作为资源减免量时的预估资源转移数据,因而在保证了资源减免量决策模型自动决策出的资源减免量的合理性。
进一步参考图3,作为对上述各图所示方法的实现,本申请提供了一种访问请求处理装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的访问请求处理装置300包括:调参单元301,被配置成利用进化策略,离线对不同资源接收方对应的资源减免量决策模型进行调参,得到不同资源接收方对应的模型参数,其中,调参的步骤包括:采样多组参数;基于资源接收方在预设历史时段内以固定值作为资源减免量时的实际资源转移数据和以非固定值作为资源减免量时的预估资源转移数据,确定各组参数的评估值;基于评估值,确定模型参数;获取单元302,被配置成响应于接收到客户端发送的对目标资源接收方的在线访问请求,获取上述在线访问请求对应的特征信息;确定单元303,被配置成基于上述特征信息和上述目标资源接收方对应的资源减免量决策模型,确定上述在线访问请求对应的目标资源减免量;返回单元304,被配置成向上述客户端返回上述目标资源接收方的访问页面,并在上述访问页面中显示上述目标资源减免量。
在本实施例的一些可选的实现方式中,上述基于评估值,确定模型参数,包括:按照评估值从大到小的次序,从上述多组参数中选取预设组数的目标参数;在满足结束调参条件时,将评估值最大的一组目标参数作为模型参数;在未满足结束调参条件时,基于目标参数的分布,重新执行上述调参的步骤。
在本实施例的一些可选的实现方式中,上述基于资源接收方在预设历史时段内以固定值作为资源减免量时的实际资源转移数据和以非固定值作为资源减免量时的预估资源转移数据,确定各组参数的评估值,包括:获取资源接收方在预设历史时段内以固定值作为资源减免量时的实际资源转移数据;对于上述多组参数中的每一组参数,基于使用该组参数时的资源减免量决策模型,确定资源接收方在预设历史时段内以非固定值作为资源减免量时的预估资源转移数据,将所确定的预估资源转移数据作为该组参数对应的预估资源转移数据;基于上述实际资源转移数据与各组参数对应预估资源转移数据的比较,确定各组参数的评估值。
在本实施例的一些可选的实现方式中,上述实际资源转移数据包括实际资源总减免量和实际资源总转移量;上述获取资源接收方在预设历史时段内以固定值作为资源减免量时的实际资源转移数据,包括:获取上述预设历史时段内对资源接收方的历史访问数据,上述历史访问数据中包括历史访问的次数、各次历史访问对应的实际资源转移量、以固定值作为资源减免量时的实际资源减免量;将上述历史访问的次数与上述实际资源减免量的乘积,作为资源接收方在预设历史时段内以固定值作为资源减免量时实际资源总减免量;将各次历史访问对应的实际资源转移量的总和,作为资源接收方在预设历史时段内以固定值作为资源减免量时实际资源总转移量。
在本实施例的一些可选的实现方式中,上述预估资源转移数据包括预估资源总减免量和预估资源总转移量;上述对于上述多组参数中的每一组参数,基于使用该组参数时的资源减免量决策模型,确定资源接收方在预设历史时段内以非固定值作为资源减免量时的预估资源转移数据,将所确定的预估资源转移数据作为该组参数对应的预估资源转移数据,包括:获取样本集,上述样本集中包括上述预设历史时段内对资源接收方的各次历史访问对应的样本特征信息;对于每一次历史访问,基于该次历史访问对应的样本特征信息、预先训练的资源转移概率预测模型和资源转移量预测模型,预测针对该次访问,在使用各候选资源减免量时的资源转移概率和预估资源转移量;对于上述多组参数中的每一组参数,执行如下步骤:针对每一次历史访问,将使用各候选资源减免量时的资源转移概率和预估资源转移量输入至使用该组参数时的资源减免量决策模型,确定出针对该次历史访问的最优资源减免量;将针对各次历史访问的最优资源减免量的总和,作为该组参数对应的预估资源总减免量;针对每一次历史访问,确定最优资源减免量时的资源转移概率和预估资源转移量的乘积,并将各次历史访问对应的乘积,作为该组参数对应的预估资源总转移量。
在本实施例的一些可选的实现方式中,上述基于上述实际资源转移数据与各组参数对应预估资源转移数据的比较,确定各组参数的评估值,包括:上述对于上述多组参数中的每一组参数,若该组参数对应的预估资源总转移量大于或等于上述实际资源总转移量,则将上述实际资源总减免量与该组参数对应的预估资源总减免量的差值作为该组参数的评估值;若该组参数对应的预估资源总转移量小于上述实际资源总转移量,则将预设值作为该组参数的评估值,其中,上述预设值为小于上述差值的负数。
在本实施例的一些可选的实现方式中,上述确定单元303,进一步被配置成:基于上述特征信息、预先训练的资源转移概率预测模型和资源转移量预测模型,预测针对上述在线访问请求,在使用各候选资源减免量时的资源转移概率和预估资源转移量;基于在使用各候选资源减免量时的资源转移概率和预估资源转移量,确定在使用各候选资源减免量时的目标函数的值;将最大的目标函数的值对应的候选资源减免量作为目标资源减免量。
在本实施例的一些可选的实现方式中,上述确定单元303,进一步被配置成:对于每一个候选资源减免量,确定使用该候选资源减免量时的资源转移概率和预估资源转移量的第一乘积,确定该候选资源减免量、使用该候选资源减免量时的资源转移概率与上述目标资源接收方对应的模型参数三者的第二乘积,将上述第一乘积与上述第二乘积的差值作为使用该候选资源减免量时的目标函数的值。
在本实施例的一些可选的实现方式中,上述调参单元301,进一步被配置成:离线执行如下步骤:创建属性值决策模型,并创建与各实体对应的调参任务,上述调参任务用于指示利用进化策略对上述属性值决策模型进行调参;分别将不同实体对应的调参任务发送给目标集群中的不同计算节点,并接收各计算节点在执行上述调参任务后返回的模型参数。
在本实施例的一些可选的实现方式中,上述资源接收方为门店,上述资源减免量为补贴值,上述实际资源总减免量为实际总补贴值,上述实际资源总转移量为实际总成交值,上述预估资源总减免量为预估总补贴值,上述预估资源总转移量为预估总成交值。
本申请的上述实施例提供的装置,通过进化策略离线对不同资源接收方对应的资源减免量决策模型进行调参,得到不同资源接收方对应的模型参数,在接收到客户端发送的对目标资源接收方的在线访问请求时,可首先获取在线访问请求对应的特征信息,而后基于特征信息和目标资源接收方对应的资源减免量决策模型,确定在线访问请求对应的目标资源减免量,最后向客户端返回目标资源接收方的访问页面,并在访问页面中显示目标资源减免量。由此,一方面,通过进化策略对不同资源接收方的资源减免量决策模型进行调参,而后利用确定参数后的资源减免量决策模型,对在线访问请求对应的资源减免量进行决策,可在对不同的线上访问请求设定不同的资源减免量时,节约线上网络资源,提高对在线网络请求的处理效率。另一方面,由于资源减免量决策模型的调参过程中,对各组参数评估时考虑了以固定值作为资源减免量时的实际资源转移数据和以非固定值作为资源减免量时的预估资源转移数据,因而在保证了资源减免量决策模型自动决策出的资源减免量的合理性。
下面参考图4,其示出了适于用来实现本申请实施例的电子设备的计算机系统400的结构示意图。图4示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示,计算机系统400包括中央处理单元(CPU)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有系统400操作所需的各种程序和数据。CPU401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405:包括键盘、鼠标等的输入部分406;包括诸如液晶显示器(LCD)等以及扬声器等的输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:利用进化策略训练各实体对应的补贴值决策模型;响应于接收到客户端发送的访问请求,将待访问的实体作为目标实体,并获取访问请求对应的特征信息;基于特征信息、预先训练的资源转移概率预测模型和资源转移量预测模型,确定使用预设补贴值范围中的各补贴值时的资源转移概率和预估成单值;分别将使用各补贴值时的资源转移概率和预估成单值输入至目标实体对应的补贴值决策模型,得到预设补贴值范围中的目标补贴值;基于目标补贴值,生成与访问请求对应的补贴信息,并将补贴信息返回至客户端。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种访问请求处理方法,其特征在于,所述方法包括:
利用进化策略,离线对不同资源接收方对应的资源减免量决策模型进行调参,得到不同资源接收方对应的模型参数,其中,调参的步骤包括:采样多组参数;基于资源接收方在预设历史时段内以固定值作为资源减免量时的实际资源转移数据和以非固定值作为资源减免量时的预估资源转移数据,确定各组参数的评估值;基于评估值,确定模型参数;
响应于接收到客户端发送的对目标资源接收方的在线访问请求,获取所述在线访问请求对应的特征信息;
基于所述特征信息和所述目标资源接收方对应的资源减免量决策模型,确定所述在线访问请求对应的目标资源减免量;
向所述客户端返回所述目标资源接收方的访问页面,并在所述访问页面中显示所述目标资源减免量;
其中,所述基于所述特征信息和所述目标资源接收方对应的资源减免量决策模型,确定所述在线访问请求对应的目标资源减免量,包括:
基于所述特征信息、预先训练的资源转移概率预测模型和资源转移量预测模型,预测针对所述在线访问请求,在使用各候选资源减免量时的资源转移概率和预估资源转移量;
基于所述资源转移概率和所述预估资源转移量,确定在使用所述各候选资源减免量时的目标函数的值;
将最大的所述目标函数的值对应的所述候选资源减免量作为所述目标资源减免量。
2.根据权利要求1所述的方法,其特征在于,所述基于评估值,确定模型参数,包括:
按照评估值从大到小的次序,从所述多组参数中选取预设组数的目标参数;
在满足结束调参条件时,将评估值最大的一组目标参数作为模型参数;
在未满足结束调参条件时,基于目标参数的分布,重新执行所述调参的步骤。
3.根据权利要求1所述的方法,其特征在于,所述基于资源接收方在预设历史时段内以固定值作为资源减免量时的实际资源转移数据和以非固定值作为资源减免量时的预估资源转移数据,确定各组参数的评估值,包括:
获取资源接收方在预设历史时段内以固定值作为资源减免量时的实际资源转移数据;
对于所述多组参数中的每一组参数,基于使用该组参数时的资源减免量决策模型,确定资源接收方在预设历史时段内以非固定值作为资源减免量时的预估资源转移数据,将所确定的预估资源转移数据作为该组参数对应的预估资源转移数据;
基于所述实际资源转移数据与各组参数对应预估资源转移数据的比较,确定各组参数的评估值。
4.根据权利要求3所述的方法,其特征在于,所述实际资源转移数据包括实际资源总减免量和实际资源总转移量;
所述获取资源接收方在预设历史时段内以固定值作为资源减免量时的实际资源转移数据,包括:
获取所述预设历史时段内对资源接收方的历史访问数据,所述历史访问数据中包括历史访问的次数、各次历史访问对应的实际资源转移量、以固定值作为资源减免量时的实际资源减免量;
将所述历史访问的次数与所述实际资源减免量的乘积,作为资源接收方在预设历史时段内以固定值作为资源减免量时实际资源总减免量;
将各次历史访问对应的实际资源转移量的总和,作为资源接收方在预设历史时段内以固定值作为资源减免量时实际资源总转移量。
5.根据权利要求4所述的方法,其特征在于,所述预估资源转移数据包括预估资源总减免量和预估资源总转移量;
所述对于所述多组参数中的每一组参数,基于使用该组参数时的资源减免量决策模型,确定资源接收方在预设历史时段内以非固定值作为资源减免量时的预估资源转移数据,将所确定的预估资源转移数据作为该组参数对应的预估资源转移数据,包括:
获取样本集,所述样本集中包括所述预设历史时段内对资源接收方的各次历史访问对应的样本特征信息;
对于每一次历史访问,基于该次历史访问对应的样本特征信息、预先训练的资源转移概率预测模型和资源转移量预测模型,预测针对该次访问,在使用各候选资源减免量时的资源转移概率和预估资源转移量;
对于所述多组参数中的每一组参数,执行如下步骤:
针对每一次历史访问,将使用各候选资源减免量时的资源转移概率和预估资源转移量输入至使用该组参数时的资源减免量决策模型,确定出针对该次历史访问的最优资源减免量;
将针对各次历史访问的最优资源减免量的总和,作为该组参数对应的预估资源总减免量;
针对每一次历史访问,确定最优资源减免量时的资源转移概率和预估资源转移量的乘积,并将各次历史访问对应的乘积,作为该组参数对应的预估资源总转移量。
6.根据权利要求4所述的方法,其特征在于,所述基于所述实际资源转移数据与各组参数对应预估资源转移数据的比较,确定各组参数的评估值,包括:
所述对于所述多组参数中的每一组参数,若该组参数对应的预估资源总转移量大于或等于所述实际资源总转移量,则将所述实际资源总减免量与该组参数对应的预估资源总减免量的差值作为该组参数的评估值;
若该组参数对应的预估资源总转移量小于所述实际资源总转移量,则将预设值作为该组参数的评估值,其中,所述预设值为小于所述差值的负数。
7.根据权利要求1所述的方法,其特征在于,所述基于在使用各候选资源减免量时的资源转移概率和预估资源转移量,确定在使用各候选资源减免量时的目标函数的值,包括:
对于每一个候选资源减免量,确定使用该候选资源减免量时的资源转移概率和预估资源转移量的第一乘积,确定该候选资源减免量、使用该候选资源减免量时的资源转移概率与所述目标资源接收方对应的模型参数三者的第二乘积,将所述第一乘积与所述第二乘积的差值作为使用该候选资源减免量时的目标函数的值。
8.根据权利要求1所述的方法,其特征在于,所述利用进化策略,离线对不同资源接收方对应的资源减免量决策模型进行调参,得到不同资源接收方对应的模型参数,包括:
离线执行如下步骤:
创建所述资源减免量决策模型,并创建与各资源接收方对应的调参任务,所述调参任务用于指示利用进化策略对所述资源减免量决策模型进行调参;
分别将不同资源接收方对应的调参任务发送给目标集群中的不同计算节点,并接收各计算节点在执行所述调参任务后返回的模型参数。
9.根据权利要求5或6所述的方法,其特征在于,所述资源接收方为门店,所述资源减免量为补贴值,所述实际资源总减免量为实际总补贴值,所述实际资源总转移量为实际总成交值,所述预估资源总减免量为预估总补贴值,所述预估资源总转移量为预估总成交值。
10.一种访问请求处理装置,其特征在于,所述装置包括:
调参单元,被配置成利用进化策略,离线对不同资源接收方对应的资源减免量决策模型进行调参,得到不同资源接收方对应的模型参数,其中,调参的步骤包括:采样多组参数;基于资源接收方在预设历史时段内以固定值作为资源减免量时的实际资源转移数据和以非固定值作为资源减免量时的预估资源转移数据,确定各组参数的评估值;基于评估值,确定模型参数;
获取单元,被配置成响应于接收到客户端发送的对目标资源接收方的在线访问请求,获取所述在线访问请求对应的特征信息;
确定单元,被配置成基于所述特征信息和所述目标资源接收方对应的资源减免量决策模型,确定所述在线访问请求对应的目标资源减免量;
返回单元,被配置成向所述客户端返回所述目标资源接收方的访问页面,并在所述访问页面中显示所述目标资源减免量;
其中,所述确定单元,进一步被配置成:
基于所述特征信息、预先训练的资源转移概率预测模型和资源转移量预测模型,预测针对所述在线访问请求,在使用各候选资源减免量时的资源转移概率和预估资源转移量;
基于所述资源转移概率和所述预估资源转移量,确定在使用所述各候选资源减免量时的目标函数的值;
将最大的所述目标函数的值对应的所述候选资源减免量作为所述目标资源减免量。
11.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
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1-9中任一所述的方法。
12.一种计算机可读介质,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1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010177457.5A CN111510473B (zh) | 2020-03-13 | 2020-03-13 | 访问请求处理方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010177457.5A CN111510473B (zh) | 2020-03-13 | 2020-03-13 | 访问请求处理方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111510473A CN111510473A (zh) | 2020-08-07 |
CN111510473B true CN111510473B (zh) | 2022-07-19 |
Family
ID=71875757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010177457.5A Active CN111510473B (zh) | 2020-03-13 | 2020-03-13 | 访问请求处理方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111510473B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113037597B (zh) * | 2021-05-21 | 2021-08-31 | 北京每日优鲜电子商务有限公司 | 流量监控方法、装置、电子设备和计算机可读介质 |
CN113507463A (zh) * | 2021-07-06 | 2021-10-15 | 中电积至(海南)信息技术有限公司 | 一种零信任网络的构建方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107277178A (zh) * | 2017-08-07 | 2017-10-20 | 百度在线网络技术(北京)有限公司 | 用于推送信息的方法和装置 |
CN107451869A (zh) * | 2017-08-07 | 2017-12-08 | 百度在线网络技术(北京)有限公司 | 用于推送信息的方法和装置 |
CN108460618A (zh) * | 2018-01-09 | 2018-08-28 | 北京三快在线科技有限公司 | 一种资源配置方法及装置,电子设备 |
CN109657998A (zh) * | 2018-12-25 | 2019-04-19 | 国信优易数据有限公司 | 一种资源分配方法、装置、设备及存储介质 |
CN110413877A (zh) * | 2019-07-02 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法、装置及电子设备 |
CN110782277A (zh) * | 2019-10-12 | 2020-02-11 | 上海陆家嘴国际金融资产交易市场股份有限公司 | 资源处理方法、装置、计算机设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180012246A1 (en) * | 2016-07-08 | 2018-01-11 | Ali Kamarei | Method of Selectively Displaying Electronic Coupons In Real Time Depending On Market Conditions |
-
2020
- 2020-03-13 CN CN202010177457.5A patent/CN111510473B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107277178A (zh) * | 2017-08-07 | 2017-10-20 | 百度在线网络技术(北京)有限公司 | 用于推送信息的方法和装置 |
CN107451869A (zh) * | 2017-08-07 | 2017-12-08 | 百度在线网络技术(北京)有限公司 | 用于推送信息的方法和装置 |
CN108460618A (zh) * | 2018-01-09 | 2018-08-28 | 北京三快在线科技有限公司 | 一种资源配置方法及装置,电子设备 |
CN109657998A (zh) * | 2018-12-25 | 2019-04-19 | 国信优易数据有限公司 | 一种资源分配方法、装置、设备及存储介质 |
CN110413877A (zh) * | 2019-07-02 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法、装置及电子设备 |
CN110782277A (zh) * | 2019-10-12 | 2020-02-11 | 上海陆家嘴国际金融资产交易市场股份有限公司 | 资源处理方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111510473A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110832509B (zh) | 使用神经网络的黑盒优化 | |
EP4242955A1 (en) | User profile-based object recommendation method and device | |
CN111510473B (zh) | 访问请求处理方法、装置、电子设备和计算机可读介质 | |
CN111340221A (zh) | 神经网络结构的采样方法和装置 | |
CN111783810A (zh) | 用于确定用户的属性信息的方法和装置 | |
JP7315007B2 (ja) | 学習装置、学習方法および学習プログラム | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
CN111488517A (zh) | 用于训练点击率预估模型的方法和装置 | |
CN114912041A (zh) | 信息处理方法、电子设备和计算机程序产品 | |
CN117193980A (zh) | 任务剩余时长的计算方法和装置 | |
CN110930226A (zh) | 一种金融产品推荐方法、装置、电子设备及存储介质 | |
CN115860856A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
KR20230081604A (ko) | 기업 정보에 기반하여 인큐베이팅 대상 기업을 선정하는 기업 인큐베이팅 시스템 | |
CN114756774A (zh) | 出行方案推荐、模型训练方法、装置、设备以及存储介质 | |
CN109669779B (zh) | 用于确定数据的清理路径、清理数据的方法和设备 | |
CN111582456A (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
CN115174681B (zh) | 一种边缘计算服务请求调度方法、设备及存储介质 | |
CN114745310B (zh) | 基于遗传算法的流量阈值的确定方法及装置 | |
CN111277445B (zh) | 一种评估在线节点服务器性能的方法及装置 | |
CN114398986A (zh) | 超网络的训练方法及装置、计算机可读介质、电子设备 | |
CN114844889A (zh) | 视频处理模型的更新方法、装置、电子设备及存储介质 | |
CN111353576A (zh) | 一种基于模糊神经网络的信息生成方法、装置及设备 | |
CN112446708A (zh) | 一种风险识别方法和装置 | |
CN114897137A (zh) | 训练神经网络的方法、预测呼入流量的方法及装置 | |
CN113724013A (zh) | 客单价的确定方法及装置 |
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 |