CN111582932A - 场景间信息推送方法、装置、计算机设备及存储介质 - Google Patents
场景间信息推送方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111582932A CN111582932A CN202010375349.9A CN202010375349A CN111582932A CN 111582932 A CN111582932 A CN 111582932A CN 202010375349 A CN202010375349 A CN 202010375349A CN 111582932 A CN111582932 A CN 111582932A
- Authority
- CN
- China
- Prior art keywords
- user
- item
- target
- pushed
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000012216 screening Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 90
- 230000006399 behavior Effects 0.000 claims description 23
- 238000012795 verification Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000005065 mining Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
- G06Q30/0256—User search
Abstract
本发明提供一种场景间信息推送方法,包括:从样本数据库中获取训练用户的用户画像数据,且每个训练用户标记有对目标场景的偏好信息;对所述训练用户的用户画像数据进行预处理,得到标准化的样本数据集;根据标准化的样本数据集训练得到意愿预估模型;获取各待推送用户的用户画像数据;将所述各待推送用户的用户画像数据输入到意愿预估模型进行处理,得到所述各待推送用户对目标场景的意愿程度,并根据所述意愿程度,从各待推送用户中筛选出目标用户;获取所述目标用户对所述目标场景下各待送项目的偏好度,并根据所述偏好度从所述各推送项目中筛选出目标项目;向所述目标用户推送所述目标项目。本发明可以提高场景间信息推送的针对性和准确性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种场景间信息推送方法、装置、计算机设备及存储介质。
背景技术
通常一个APP(应用程序)包含多个场景,在APP首页设置有不同场景的入口。例如,壹钱包APP包含商城、理财、积分等多个场景,其中,商城场景可供用户购买商品,理财场景可供用户购买理财产品,积分场景可供用户使用积分兑换优惠券或礼品等。然而,由于用户下载APP时的明确需求以及场景自身的不同属性,不同场景的用户仅有部分交叉,比如壹钱包理财场景与商城场景的交易用户只存在42%的交叉率。为了对这部分非交叉用户进行场景间交叉引流,通常会向他们推送未发生交易场景的相关信息,以吸引这些用户对未发生交易场景的关注。然而,现有的推送方法是以年龄或者收入等属性将用户进行分类,然后向不同类别的人群进行不同信息推送。这种推送发式存在的缺点在于,使用单一变量过于简单地划分用户群体,没有针对用户的多维特征数据进行综合考虑,可能将信息推送到与其关联度不高的用户,推送准确度较低。
发明内容
针对上现有技术的不足,本发明的目的在于提供一种场景间信息推送方法、装置、计算机设备及存储介质,以提高场景间信息推送的准确度。
为了实现上述目的,本发明提供一种场景间信息推送方法,包括:
从样本数据库中获取训练用户的用户画像数据,且每个训练用户标记有对目标场景的偏好信息;
对所述训练用户的用户画像数据进行预处理,得到标准化的样本数据集;
根据所述标准化的样本数据集训练得到意愿预估模型;
获取各待推送用户的用户画像数据并进行所述预处理;
将预处理后的所述各待推送用户的用户画像数据输入到所述意愿预估模型进行处理,得到所述各待推送用户对所述目标场景的意愿程度,并根据所述意愿程度,从所述各待推送用户中筛选出目标用户;
获取所述目标用户对所述目标场景下各待送项目的偏好度,并根据所述偏好度从所述各推送项目中筛选出目标项目;
向所述目标用户推送所述目标项目。
在本发明一个实施例中,所述用户画像数据包括基础属性数据、统计类数据和挖掘类数据;所述预处理包括对所述基础属性数据进行清洗处理、数值化处理和/或标准化处理。
在本发明一个实施例中,所述意愿预估模型的训练过程如下:
按预定比例将所述标准化的样本数据集划分为训练集和验证集;
基于所述训练集对预设的初始模型进行训练,得到所述意愿预估模型;
基于所述验证集对所述意愿预估模型进行验证,当验证通过时,则结束训练。
在本发明一个实施例中,所述获取所述目标用户对所述目标场景下各待推送项目的偏好度,包括:
获取所述目标用户的用户画像数据和用户行为数据,并根据所述目标用户的用户画像数据和用户行为数据,提取所述目标用户的用户偏好特征矩阵;
获取所述各待推送项目的项目属性数据和项目详情数据,并根据所述各待推送项目的项目属性数据和项目详情数据,提取所述各待推送项目的项目特征矩阵;
将所述用户偏好特征矩阵和所述项目特征矩阵输入到预先训练的项目推荐模型进行处理,得到所述目标用户对所述各待推送项目的偏好度。
在本发明一个实施例中,所述项目推荐模型为神经协同过滤模型。
在本发明一个实施例中,所述根据所述目标用户的用户画像数据和用户行为数据,提取所述目标用户的用户偏好特征矩阵,包括:
将所述目标用户的用户画像数据输入到预先训练的第一多层感知器进行处理,得到所述目标用户的第一偏好特征子矩阵;
将所述目标用户的用户行为数据依次输入到预先训练的第一自动编码器、第一循环神经网络和第一卷积神经网络进行处理,得到所述目标用户的第二偏好特征子矩阵;
拼接所述第一偏好特征子矩阵和第二偏好特征子矩阵,得到所述目标用户的用户偏好特征矩阵。
在本发明一个实施例中,所述根据所述各待推送项目的项目属性数据和项目详情数据,提取所述各待推送项目的项目特征矩阵,包括:
将所述各待推送项目的项目属性数据输入到预先训练的第二多层感知器进行处理,得到所述各待推送项目的第一项目特征子矩阵;
将所述各待推送项目的项目详情数据输入到预先训练的第二自动编码器、第二循环神经网络和第二卷积神经网络进行处理,得到所述各待推送项目的第二项目特征子矩阵;
拼接所述第一项目特征子矩阵和第二项目特征子矩阵,得到所述各待推送项目的所述项目特征矩阵。
为了实现上述目的,本发明还提供一种场景间信息推送装置,包括:
样本获取模块,用于从样本数据库中获取训练用户的用户画像数据,且每个训练用户标记有对目标场景的偏好信息;
预处理模块,用于对所述训练用户的用户画像数据进行预处理,得到标准化的样本数据集;
模型训练模块,用于根据所述标准化的样本数据集训练得到意愿预估模型;
画像数据获取模块,用于获取各待推送用户的用户画像数据并进行所述预处理;
意愿获取模块,用于将预处理后的所述各待推送用户的用户画像数据输入到预先训练的意愿预估模型进行处理,得到所述各待推送用户对目标场景的意愿程度;
目标用户确定模块,用于根据所述意愿程度,从所述各待推送用户中筛选出目标用户;
偏好度获取模块,用于获取所述目标用户对所述目标场景下各待送项目的偏好度,
目标项目确定模块,用于根据所述偏好度从所述各推送项目中筛选出目标项目;
推送模块,用于向所述目标用户推送所述目标项目。
在本发明一个实施例中,所述用户画像数据包括基础属性数据、统计类数据和挖掘类数据;所述预处理包括对所述基础属性数据进行清洗处理、数值化处理和/或标准化处理。
在本发明一个实施例中,所述模型训练模块包括:
样本划分单元,用于按预定比例将所述标准化的样本数据集划分为训练集和验证集;
模型训练单元,用于基于所述训练集对预设的初始模型进行训练,得到所述意愿预估模型;
模型验证单元,用于基于所述验证集对所述意愿预估模型进行验证,当验证通过时,则结束训练。
在本发明一个实施例中,所述偏好度获取模块具体包括:
偏好特征矩阵获取单元,用于获取所述目标用户的用户画像数据和用户行为数据,并根据所述目标用户的用户画像数据和用户行为数据,提取所述目标用户的用户偏好特征矩阵;
项目特征矩阵获取单元,用于获取所述各待推送项目的项目属性数据和项目详情数据,并根据所述各待推送项目的项目属性数据和项目详情数据,提取所述各待推送项目的项目特征矩阵;
偏好度获取单元,用于将所述用户偏好特征矩阵和所述项目特征矩阵输入到预先训练的项目推荐模型进行处理,得到所述目标用户对所述各待推送项目的偏好度。
在本发明一个实施例中,所述项目推荐模型为神经协同过滤模型。
在本发明一个实施例中,所述偏好特征矩阵获取单元具体用于:
将所述目标用户的用户画像数据输入到预先训练的第一多层感知器进行处理,得到所述目标用户的第一偏好特征子矩阵;
将所述目标用户的用户行为数据依次输入到预先训练的第一自动编码器、第一循环神经网络和第一卷积神经网络进行处理,得到所述目标用户的第二偏好特征子矩阵;
拼接所述第一偏好特征子矩阵和第二偏好特征子矩阵,得到所述目标用户的用户偏好特征矩阵。
在本发明一个实施例中,所述项目特征矩阵获取单元具体用于:
将所述各待推送项目的项目属性数据输入到预先训练的第二多层感知器进行处理,得到所述各待推送项目的第一项目特征子矩阵;
将所述各待推送项目的项目详情数据输入到预先训练的第二自动编码器、第二循环神经网络和第二卷积神经网络进行处理,得到所述各待推送项目的第二项目特征子矩阵;
拼接所述第一项目特征子矩阵和第二项目特征子矩阵,得到所述各待推送项目的所述项目特征矩阵。
为了实现上述目的,本发明还提供一种计算机设备,包括存储器、处理器以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计算机程序时实现前述方法的步骤。
为了实现上述目的,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现前述方法的步骤。
通过上述技术方案,本发明具有如下有益效果:
本发明通过将各待推送用户的用户画像数据输入到预先训练的意愿预估模型,得到对目标场景有意愿的目标用户,而后通过获取目标用户对目标场景下各待推送项目的偏好度,并将目标用户偏好的项目作为目标项目向目标用户进行推送,从而降低了对不感兴趣的用户的打扰,提高了推荐信息的针对性和准确性。
附图说明
图1为本发明一种场景间信息推送方法的一个实施例的流程图;
图2为本发明一种场景间信息推送装置的一个实施例的结构框图;
图3为本发明计算机设备的一个实施例的硬件架构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
实施例一
本实施例提供一种场景间信息推送方法,以提高同一APP下不同场景间信息推送的准确度,降低对关联度不高用户的打扰,如图1所示,该方法包括以下步骤:
S1,从样本数据库中获取训练用户的用户画像数据,且每个训练用户标记有对目标场景的偏好信息。例如,若某训练用户与目标APP的目标场景发生过交易,则认为该训练用户对目标场景偏好,该训练用户的偏好信息标记为1;若某训练用户与目标APP的目标场景未发生过交易,则认为该训练用户对目标场景不偏好,该训练用户的偏好信息标记为0。
在本实施例中,所述用户画像数据包括对应用户的基础属性数据、统计类数据和挖掘类数据。
在本实施例中,基础属性数据例如包括姓名、性别、证件号、手机号、年龄、地址和/或注册时间等信息。
统计类数据例如包括在目标APP下最近7天的成交订单数、最近30天的消费总额、最近1天的消费总额等。统计类数据通常通过统计得到。
挖掘类数据例如包括消费水平、消费行为性别、人生阶段等。挖掘类数据通常通过对用户的基础属性数据、用户行为数据和统计类数据进行分级处理或分类处理得到。分级处理例如将用户按消费水平分为各个不同的等级,可以采用无监督的聚类算法(如Kmeans)实现。分类处理例如将用户分为不同的消费行为性别或人生阶段(如学生阶段、新手妈妈阶段等),可以采用有监督的逻辑回归(Logistic Regression)算法实现。其中,前述用户行为数据是指用户在目标APP上发生的具体行为(如搜索、浏览、打分、评价、加入购物车、购买等行为对应的行为数据)对应的数据,例如,用户搜索的具体商品,用户浏览的具体商品,每个商品的浏览次数和浏览时间、购买的具体商品,购买的次数和数量等,这些数据可以通过埋点获得或从APP产生的日志等途径获得。
S2,对所述训练用户的用户画像数据进行预处理,得到标准化的样本数据集。在本实施例中,预处理可以包括清洗处理、数值化处理和/或标准化处理。其中,清洗处理是指删除不影响用户与目标场景发生交易的数据,如姓名、证件号、手机号等标识类数据。数值化处理是指将非数值化数据转换为数值化数据。例如,对于性别,若性别为男,转换为1,若性别为女,转换为0。标准化处理是指将待推送用户的基础属性数据中的非标准化数据转换为标准化数据,例如,对于年龄而言,可能一部分用户填写的是年龄大小(如35岁),另一部分用户填写的是出生年月日(如1986年10月21日),则可以通过标准化处理统一将出生年月日转换成对应的年龄大小。
S3,根据所述标准化的样本数据集训练得到意愿预估模型。训练时,首先按预定比例将标准化的样本数据集分为训练集和验证集;再基于所述训练集对预设的初始模型(优选为XGBoost模型)进行训练,得到所述意愿预估模型;而后基于所述验证集对所述意愿预估模型进行验证,若验证通过,则结束训练,若验证不通过,增加样本数据集中的样本数量,并进行重新训练。S4,获取各待推送用户的用户画像数据并进行预处理。在本实施例中,待推送用户是指与目标APP的目标场景未发生交易而与该APP的除目标场景以外的其它场景发生过交易的用户。例如,当目标APP为“壹钱包”APP,目标场景为“壹钱包”APP的理财场景时,待推送用户是指购买过“壹钱包”APP的商城场景下的商品或在“壹钱包”APP的积分场景下进行过积分兑换、但未购买过“壹钱包”APP理财场景下的理财产品的用户。其中,本步骤中的用户画像数据与步骤S1中的用户画像数据一致,本步骤中的预处理过程与步骤S2中的预处理过程一致。
S5,将所述各待推送用户的用户画像数据输入到训练得到的意愿预估模型进行处理,得到所述各待推送用户对目标场景的意愿程度,并根据所述意愿程度,从所述各待推送用户中筛选出目标用户。在本实施例中,将某待推送用户的用户画像数据输入到预先训练的意愿预估模型(如XGBoost模型)后,XGBoost模型将输出该待推送用户对目标场景的意愿程度,而后从所述各待推送用户中筛选出意愿程度高于预定阈值的用户作为目标用户。
S6,获取所述目标用户对所述目标场景下各待送项目的偏好度,并根据所述偏好度从所述各推送项目中筛选出目标项目。
在本实施例中,通过如下步骤获取所述目标用户对所述目标场景下各待送项目的偏好度:
S61,获取所述目标用户的用户画像数据和用户行为数据,并根据所述目标用户的用户画像数据和用户行为数据,提取所述目标用户的用户偏好特征矩阵。具体来说,首先将所述目标用户的用户画像数据输入到预先训练的第一多层感知器(MLP)进行处理,得到所述目标用户的第一偏好特征子矩阵;而后将所述目标用户的用户行为数据依次输入到预先训练的第一自动编码器(AE)、第一循环神经网络(RNN)和第一卷积神经网络(CNN)进行处理,得到所述目标用户的第二偏好特征子矩阵;最后拼接所述第一偏好特征子矩阵和第二偏好特征子矩阵,即可得到所述目标用户的用户偏好特征矩阵,该矩阵用于表示用户对项目的偏好特征。在本步骤中,第一偏好特征子矩阵更能反映目标用户的整体偏好,第二偏好特征子矩阵更能反映目标用户的具体偏好,将两者进行拼接,可以更准确地得到目标用户的综合偏好特征。
S62,获取所述目标场景下各待推送项目(例如,若目标场景为商城场景,则待推送项目指的是商城场景下的商品,若目标场景为理财场景,则待推送项目指的是理财场景下的理财产品)的项目属性数据和项目详情数据,并根据所述各待推送项目的项目属性数据和项目详情数据,提取所述各待推送项目的项目特征矩阵。具体来说,首先,将所述各待推送项目的项目属性数据输入到预先训练的第二多层感知器进行处理,得到所述各待推送项目的第一项目特征子矩阵;而后,将所述各待推送项目的项目详情数据输入到预先训练的第二自动编码器、第二循环神经网络、第二卷积神经网络进行处理,得到所述各待推送项目的第二项目特征子矩阵;最后,拼接所述第一项目特征子矩阵和第二项目特征子矩阵,得到所述各待推送项目的项目特征矩阵,该矩阵用于表示各项目本身的特征。其中,项目属性数据通常指项目本身具有的信息,如商品名称、型号、参数等,项目详情数据通常指项目详情页面的个性化信息,一般包括介绍或宣传信息。在本实施例中,第一项目特征子矩阵更能反映项目的整体特性,第二项目特征子矩阵更能反映项目的个性化信息,将两者进行拼接,可以更准确地得到各待推送项目的综合信息。
S63,将所述用户偏好特征矩阵和所述项目特征矩阵输入到预先训练的目标项目推荐模型进行处理,得到所述目标用户对各待推送项目的偏好度。其中,所述目标项目推荐模型优选为神经协同过滤(NCF,Neural Collaborative Filtering)模型。
得到所述目标用户对各待推送项目的偏好度后,从各待推送项目中筛选出目标用户偏好度最高的预设数量的项目作为目标项目。
S7,采用预设的推送方式,向所述目标用户推送所述目标项目。在本实施例中,推送方式可以根据具体需要设定,例如当目标用户在浏览目标APP的某场景时,将推送信息推送到显示页面,或者以消息的形式向目标用户进行推送。
综上所述,本发明通过将各待推送用户的用户画像数据输入到预先训练的意愿预估模型,得到对目标场景有意愿的目标用户,而后通过获取目标用户对目标场景下各待推送项目的偏好度,并将目标用户偏好的项目作为目标项目向目标用户进行推送,从而降低了对不感兴趣的用户的打扰,提高了推荐信息的针对性和准确性。
需要说明的是,对于实施例一,为了简单描述,故将其表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明所必须的。
实施例二
本实施例提供一种场景间信息推送装置10,如图2所示,该装置10包括:
样本获取模块11,用于从样本数据库中获取训练用户的用户画像数据,且每个训练用户标记有对目标场景的偏好信息;
预处理模块12,用于对所述训练用户的用户画像数据进行预处理,得到标准化的样本数据集;
模型训练模块13,用于根据所述标准化的样本数据集训练得到意愿预估模型;
画像数据获取模块14,用于获取各待推送用户的用户画像数据并进行所述预处理;
意愿获取模块15,用于将预处理后的所述各待推送用户的用户画像数据输入到预先训练的意愿预估模型进行处理,得到所述各待推送用户对目标场景的意愿程度;
目标用户确定模块16,用于根据所述意愿程度,从所述各待推送用户中筛选出目标用户;
偏好度获取模块17,用于获取所述目标用户对所述目标场景下各待送项目的偏好度,
目标项目确定模块18,用于根据所述偏好度从所述各推送项目中筛选出目标项目;
推送模块19,用于向所述目标用户推送所述目标项目。
在本实施例中,所述用户画像数据包括基础属性数据、统计类数据和挖掘类数据;所述预处理包括对所述基础属性数据进行清洗处理、数值化处理和/或标准化处理。
在本实施例中,所述模型训练模块包括:
样本划分单元,用于按预定比例将所述标准化的样本数据集划分为训练集和验证集;
模型训练单元,用于基于所述训练集对预设的初始模型进行训练,得到所述意愿预估模型;
模型验证单元,用于基于所述验证集对所述意愿预估模型进行验证,当验证通过时,则结束训练。
在本实施例中,所述偏好度获取模块具体包括:
偏好特征矩阵获取单元,用于获取所述目标用户的用户画像数据和用户行为数据,并根据所述目标用户的用户画像数据和用户行为数据,提取所述目标用户的用户偏好特征矩阵;
项目特征矩阵获取单元,用于获取所述各待推送项目的项目属性数据和项目详情数据,并根据所述各待推送项目的项目属性数据和项目详情数据,提取所述各待推送项目的项目特征矩阵;
偏好度获取单元,用于将所述用户偏好特征矩阵和所述项目特征矩阵输入到预先训练的项目推荐模型进行处理,得到所述目标用户对所述各待推送项目的偏好度。
在本实施例中,所述项目推荐模型为神经协同过滤模型。
在本实施例中,所述偏好特征矩阵获取单元具体用于:
将所述目标用户的用户画像数据输入到预先训练的第一多层感知器进行处理,得到所述目标用户的第一偏好特征子矩阵;
将所述目标用户的用户行为数据依次输入到预先训练的第一自动编码器、第一循环神经网络和第一卷积神经网络进行处理,得到所述目标用户的第二偏好特征子矩阵;
拼接所述第一偏好特征子矩阵和第二偏好特征子矩阵,得到所述目标用户的用户偏好特征矩阵。
在本实施例中,所述项目特征矩阵获取单元具体用于:
将所述各待推送项目的项目属性数据输入到预先训练的第二多层感知器进行处理,得到所述各待推送项目的第一项目特征子矩阵;
将所述各待推送项目的项目详情数据输入到预先训练的第二自动编码器、第二循环神经网络和第二卷积神经网络进行处理,得到所述各待推送项目的第二项目特征子矩阵;
拼接所述第一项目特征子矩阵和第二项目特征子矩阵,得到所述各待推送项目的所述项目特征矩阵。
对于上述装置实施例而言,其与前述方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。同时,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的模块作并不一定是本发明所必须的。
实施三
本实施例提供一种计算机设备,如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。本实施例的计算机设备20至少包括但不限于:可通过系统总线相互通信连接的存储器21、处理器22,如图3所示。需要指出的是,图3仅示出了具有组件21-22的计算机设备20,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
本实施例中,存储器21(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器21可以是计算机设备20的内部存储单元,例如该计算机设备20的硬盘或内存。在另一些实施例中,存储器21也可以是计算机设备20的外部存储设备,例如该计算机设备20上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器21还可以既包括计算机设备20的内部存储单元也包括其外部存储设备。本实施例中,存储器21通常用于存储安装于计算机设备20的操作系统和各类应用软件,例如实施例二的场景间信息推送装置10的程序代码等。此外,存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备20的总体操作。本实施例中,处理器22用于运行存储器21中存储的程序代码或者处理数据,例如运行场景间信息推送装置10,以实现实施例一的场景间信息推送方法。
实施例四
本实施例提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储场景间信息推送装置10,被处理器执行时实现实施例一的场景间信息推送方法。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种场景间信息推送方法,其特征在于,包括:
从样本数据库中获取训练用户的用户画像数据,且每个训练用户标记有对目标场景的偏好信息;
对所述训练用户的用户画像数据进行预处理,得到标准化的样本数据集;
根据所述标准化的样本数据集训练得到意愿预估模型;
获取各待推送用户的用户画像数据并进行所述预处理;
将预处理后的所述各待推送用户的用户画像数据输入到所述意愿预估模型进行处理,得到所述各待推送用户对所述目标场景的意愿程度,并根据所述意愿程度,从所述各待推送用户中筛选出目标用户;
获取所述目标用户对所述目标场景下各待推送项目的偏好度,并根据所述偏好度从所述各推送项目中筛选出目标项目;
向所述目标用户推送所述目标项目。
2.根据权利要求1所述的场景间信息推送方法,其特征在于,所述用户画像数据包括基础属性数据、统计类数据和挖掘类数据;所述预处理包括对所述基础属性数据进行清洗处理、数值化处理和/或标准化处理。
3.根据权利要求1所述的场景间信息推送方法,其特征在于,所述意愿预估模型的训练过程如下:
按预定比例将所述标准化的样本数据集划分为训练集和验证集;
基于所述训练集对预设的初始模型进行训练,得到所述意愿预估模型;
基于所述验证集对所述意愿预估模型进行验证,当验证通过时,则结束训练。
4.根据权利要求1所述的场景间信息推送方法,其特征在于,所述获取所述目标用户对所述目标场景下各待推送项目的偏好度,包括:
获取所述目标用户的用户画像数据和用户行为数据,并根据所述目标用户的用户画像数据和用户行为数据,提取所述目标用户的用户偏好特征矩阵;
获取所述各待推送项目的项目属性数据和项目详情数据,并根据所述各待推送项目的项目属性数据和项目详情数据,提取所述各待推送项目的项目特征矩阵;
将所述用户偏好特征矩阵和所述项目特征矩阵输入到预先训练的项目推荐模型进行处理,得到所述目标用户对所述各待推送项目的偏好度。
5.根据权利要求4所述的场景间信息推送方法,其特征在于,所述项目推荐模型为神经协同过滤模型。
6.根据权利要求4所述的场景间信息推送方法,其特征在于,所述根据所述目标用户的用户画像数据和用户行为数据,提取所述目标用户的用户偏好特征矩阵,包括:
将所述目标用户的用户画像数据输入到预先训练的第一多层感知器进行处理,得到所述目标用户的第一偏好特征子矩阵;
将所述目标用户的用户行为数据依次输入到预先训练的第一自动编码器、第一循环神经网络和第一卷积神经网络进行处理,得到所述目标用户的第二偏好特征子矩阵;
拼接所述第一偏好特征子矩阵和第二偏好特征子矩阵,得到所述目标用户的用户偏好特征矩阵。
7.根据权利要求4所述的场景间信息推送方法,其特征在于,所述根据所述各待推送项目的项目属性数据和项目详情数据,提取所述各待推送项目的项目特征矩阵,包括:
将所述各待推送项目的项目属性数据输入到预先训练的第二多层感知器进行处理,得到所述各待推送项目的第一项目特征子矩阵;
将所述各待推送项目的项目详情数据输入到预先训练的第二自动编码器、第二循环神经网络和第二卷积神经网络进行处理,得到所述各待推送项目的第二项目特征子矩阵;
拼接所述第一项目特征子矩阵和第二项目特征子矩阵,得到所述各待推送项目的所述项目特征矩阵。
8.一种场景间信息推送装置,其特征在于,包括:
样本获取模块,用于从样本数据库中获取训练用户的用户画像数据,且每个训练用户标记有对目标场景的偏好信息;
预处理模块,用于对所述训练用户的用户画像数据进行预处理,得到标准化的样本数据集;
模型训练模块,用于根据所述标准化的样本数据集训练得到意愿预估模型;
画像数据获取模块,用于获取各待推送用户的用户画像数据并进行所述预处理;
意愿获取模块,用于将预处理后的所述各待推送用户的用户画像数据输入到预先训练的意愿预估模型进行处理,得到所述各待推送用户对所述目标场景的意愿程度;
目标用户确定模块,用于根据所述意愿程度,从所述各待推送用户中筛选出目标用户;
偏好度获取模块,用于获取所述目标用户对所述目标场景下各待送项目的偏好度,
目标项目确定模块,用于根据所述偏好度从所述各推送项目中筛选出目标项目;
推送模块,用于向所述目标用户推送所述目标项目。
9.一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010218292 | 2020-03-25 | ||
CN2020102182921 | 2020-03-25 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111582932A true CN111582932A (zh) | 2020-08-25 |
Family
ID=72124711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010375349.9A Pending CN111582932A (zh) | 2020-03-25 | 2020-05-07 | 场景间信息推送方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582932A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112148937A (zh) * | 2020-10-12 | 2020-12-29 | 平安科技(深圳)有限公司 | 动态防疫知识的推送方法及系统 |
WO2022105129A1 (zh) * | 2020-11-17 | 2022-05-27 | 平安科技(深圳)有限公司 | 内容数据推荐方法、装置、计算机设备及存储介质 |
WO2022188534A1 (zh) * | 2021-03-11 | 2022-09-15 | 北京沃东天骏信息技术有限公司 | 信息推送的方法和装置 |
CN116800831A (zh) * | 2023-06-25 | 2023-09-22 | 中国农业银行股份有限公司北京市分行 | 一种业务数据推送方法、装置、存储介质及处理器 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684554A (zh) * | 2018-12-26 | 2019-04-26 | 腾讯科技(深圳)有限公司 | 新闻的潜在用户的确定方法及新闻推送方法 |
CN110084670A (zh) * | 2019-04-15 | 2019-08-02 | 东北大学 | 一种基于lda-mlp的货架商品组合推荐方法 |
CN110472143A (zh) * | 2019-07-22 | 2019-11-19 | 平安科技(深圳)有限公司 | 一种信息推送方法、装置、可读存储介质及终端设备 |
CN110674391A (zh) * | 2019-08-15 | 2020-01-10 | 中国平安财产保险股份有限公司 | 基于大数据的产品数据推送方法、系统和计算机设备 |
CN110688566A (zh) * | 2019-09-06 | 2020-01-14 | 平安科技(深圳)有限公司 | 基于用户画像的数据推送方法、系统、设备及存储介质 |
-
2020
- 2020-05-07 CN CN202010375349.9A patent/CN111582932A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684554A (zh) * | 2018-12-26 | 2019-04-26 | 腾讯科技(深圳)有限公司 | 新闻的潜在用户的确定方法及新闻推送方法 |
CN110084670A (zh) * | 2019-04-15 | 2019-08-02 | 东北大学 | 一种基于lda-mlp的货架商品组合推荐方法 |
CN110472143A (zh) * | 2019-07-22 | 2019-11-19 | 平安科技(深圳)有限公司 | 一种信息推送方法、装置、可读存储介质及终端设备 |
CN110674391A (zh) * | 2019-08-15 | 2020-01-10 | 中国平安财产保险股份有限公司 | 基于大数据的产品数据推送方法、系统和计算机设备 |
CN110688566A (zh) * | 2019-09-06 | 2020-01-14 | 平安科技(深圳)有限公司 | 基于用户画像的数据推送方法、系统、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
焦李成 等: "人工智能、类脑计算与图像解译前沿", 西安电子科技大学出版社, pages: 554 - 561 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112148937A (zh) * | 2020-10-12 | 2020-12-29 | 平安科技(深圳)有限公司 | 动态防疫知识的推送方法及系统 |
CN112148937B (zh) * | 2020-10-12 | 2023-07-25 | 平安科技(深圳)有限公司 | 动态防疫知识的推送方法及系统 |
WO2022105129A1 (zh) * | 2020-11-17 | 2022-05-27 | 平安科技(深圳)有限公司 | 内容数据推荐方法、装置、计算机设备及存储介质 |
WO2022188534A1 (zh) * | 2021-03-11 | 2022-09-15 | 北京沃东天骏信息技术有限公司 | 信息推送的方法和装置 |
CN116800831A (zh) * | 2023-06-25 | 2023-09-22 | 中国农业银行股份有限公司北京市分行 | 一种业务数据推送方法、装置、存储介质及处理器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107945024B (zh) | 识别互联网金融借贷企业经营异常的方法、终端设备及存储介质 | |
CN109493199A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN109783730A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
WO2019061994A1 (zh) | 电子装置、保险产品推荐方法、系统及计算机可读存储介质 | |
CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
CN109582876B (zh) | 旅游行业用户画像构造方法、装置和计算机设备 | |
CN113901320A (zh) | 场景服务推荐方法、装置、设备及存储介质 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN110704730A (zh) | 基于大数据的产品数据推送方法、系统及计算机设备 | |
CN111080360B (zh) | 行为预测方法、模型训练方法、装置、服务器及存储介质 | |
CN110852785B (zh) | 用户分级方法、装置及计算机可读存储介质 | |
CN111783039B (zh) | 风险确定方法、装置、计算机系统和存储介质 | |
CN112529665A (zh) | 基于组合模型的产品推荐方法、装置及计算机设备 | |
CN113327132A (zh) | 多媒体推荐方法、装置、设备及存储介质 | |
CN112487284A (zh) | 银行客户画像生成方法、设备、存储介质及装置 | |
US10621208B2 (en) | Category name extraction device, category name extraction method, and category name extraction program | |
CN114996579A (zh) | 信息推送方法、装置、电子设备和计算机可读介质 | |
CN114693409A (zh) | 产品匹配方法、装置、计算机设备、存储介质和程序产品 | |
CN113706258A (zh) | 基于组合模型的产品推荐方法、装置、设备及存储介质 | |
CN113837836A (zh) | 模型推荐方法、装置、设备及存储介质 | |
CN111291829A (zh) | 一种精选图片的自动确定方法和系统 | |
CN110610378A (zh) | 产品需求分析方法、装置、计算机设备和存储介质 | |
US20220318327A1 (en) | Ranking similar users based on values and personal journeys | |
CN109800947B (zh) | 基于机器学习的贷款业务处理方法、装置、计算机设备 | |
CN108628861B (zh) | 用于推送信息的方法和装置 |
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 |