CN111680213B - 信息推荐方法、数据处理方法及装置 - Google Patents
信息推荐方法、数据处理方法及装置 Download PDFInfo
- Publication number
- CN111680213B CN111680213B CN201910179976.2A CN201910179976A CN111680213B CN 111680213 B CN111680213 B CN 111680213B CN 201910179976 A CN201910179976 A CN 201910179976A CN 111680213 B CN111680213 B CN 111680213B
- Authority
- CN
- China
- Prior art keywords
- target user
- sample
- feature
- user
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003672 processing method Methods 0.000 title abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 139
- 238000003066 decision tree Methods 0.000 claims description 128
- 238000012545 processing Methods 0.000 claims description 41
- 230000009471 action Effects 0.000 claims description 35
- 238000012821 model calculation Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000011176 pooling Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- 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
Abstract
本申请实施例提供一种信息推荐方法、数据处理方法及装置。其中,确定目标用户的至少一个属性特征;基于所述目标用户的至少一个属性特征及不同对象各自的至少一个对象特征,利用对象推荐模型计算所述目标用户与不同对象的匹配度;向所述目标用户推荐匹配度满足匹配要求的至少一个目标对象;其中,所述对象推荐模型基于样本用户的至少一个属性特征及所述样本用户相匹配的样本对象的至少一个对象特征训练获得。本申请实施例提供的技术方案提高了推荐准确度。
Description
技术领域
本申请实施例涉及计算机应用技术领域,尤其涉及一种信息推荐方法、数据处理方法及装置。
背景技术
随着互联网技术的发展,通过网上平台获取对象的方式逐渐渗透到日常生活中,例如通过网上交易平台购买商品等。
为了提高用户体验,个性化推荐已经成为网上平台的重要组成部分,为了提高推荐效果,实现准确、有效的推荐,通常会结合用户行为记录来分析用户偏好的对象,以向用户推荐其偏好的对象。用户行为越丰富,推荐效果越好,因此对于用户行为较少的冷启动用户,比如新用户等,推荐效果就会大大降低。
目前,对于冷启动用户,通常是将交互次数较多的对象,比如被浏览次数较多或者被点击次数较多的对象推荐给用户,但是采用这种推荐方式,向用户推荐的对象不一定是用户偏好的对象,无法实现个性化推荐,导致推荐准确仍然较低。
发明内容
本申请实施例提供一种信息推荐方法、数据处理方法及装置,用以解决现有技术中推荐准确低的技术问题。
第一方面,本申请实施例中提供了一种信息推荐方法,包括:
确定目标用户的至少一个属性特征;
基于所述目标用户的至少一个属性特征及不同对象各自的至少一个对象特征,利用对象推荐模型计算所述目标用户与不同对象的匹配度;
向所述目标用户推荐匹配度满足匹配要求的至少一个目标对象;
其中,所述对象推荐模型基于样本用户的至少一个属性特征及所述样本用户相匹配的样本对象的至少一个对象特征训练获得。
第二方面,本申请实施例中提供了一种数据处理方法,包括:
确定样本用户的至少一个属性特征及样本对象的至少一个对象特征;
将所述样本用户的至少一个属性特征、所述样本对象的至少一个对象特征及所述样本用户与所述样本对象的匹配度,作为训练数据;
利用所述训练数据训练对象推荐模型;
其中,所述对象推荐模型用以基于目标用户的至少一个属性特征以及不同对象的至少一个对象特征,计算目标用户与不同对象的匹配度。
第三方面,本申请实施例中提供了一种信息推荐方法,包括:
确定目标用户的至少一个属性特征;
基于所述目标用户的至少一个属性特征及不同商品各自的至少一个商品特征,利用对象推荐模型计算所述目标用户与不同商品的匹配度;
向所述目标用户推荐匹配度满足匹配要求的至少一个目标商品;
其中,所述对象推荐模型基于样本用户的至少一个属性特征及所述样本用户相匹配的样本商品的至少一个商品特征训练获得。
第四方面,本申请实施例中提供了一种数据处理方法,包括:
确定样本用户的至少一个属性特征及样本商品的至少一个对象特征;
将所述样本用户的至少一个属性特征、所述样本商品的至少一个商品特征及所述样本用户与所述样本商品的匹配度,作为训练数据;
利用所述训练数据训练对象推荐模型;
其中,所述对象推荐模型用以基于目标用户的至少一个属性特征以及不同商品的至少一个商品特征,计算目标用户与不同商品的匹配度。
第五方面,本申请实施例中提供了一种信息推荐装置,包括:
第一确定模块,用于确定目标用户的至少一个属性特征;
模型计算模块,用于基于所述目标用户的至少一个属性特征及不同对象各自的至少一个对象特征,利用对象推荐模型计算所述目标用户与不同对象的匹配度;
推荐模块,用于向所述目标用户推荐匹配度满足匹配要求的至少一个目标对象;
其中,所述对象推荐模型基于样本用户的至少一个属性特征及所述样本用户相匹配的样本对象的至少一个对象特征训练获得。
第六方面,本申请实施例中提供了一种数据处理装置,包括:
第二确定模块,用于确定样本用户的至少一个属性特征及样本对象的至少一个对象特征;
数据获取模块,用于将所述样本用户的至少一个属性特征、所述样本对象的至少一个对象特征及所述样本用户与所述样本对象的匹配度,作为训练数据;
模型训练模块,用于利用所述训练数据训练对象推荐模型;
其中,所述对象推荐模型用以基于目标用户的至少一个属性特征以及不同对象的至少一个对象特征,计算目标用户与不同对象的匹配度。
第七方面,本申请实施例中提供了一种计算设备,包括处理组件以及存储组件;
所述存储组件存储一个或多个计算机指令;所述一个或多个计算机指令用以被所述处理组件调用执行;
所述处理组件用于:
确定目标用户的至少一个属性特征;
基于所述目标用户的至少一个属性特征及不同对象各自的至少一个对象特征,利用对象推荐模型计算所述目标用户与不同对象的匹配度;
向所述目标用户推荐匹配度满足匹配要求的至少一个目标对象;
其中,所述对象推荐模型基于样本用户的至少一个属性特征及所述样本用户相匹配的样本对象的至少一个对象特征训练获得。
第八方面,本申请实施例中提供了一种计算设备,包括处理组件以及存储组件;
所述存储组件存储一个或多个计算机指令;所述一个或多个计算机指令用以被所述处理组件调用执行;
所述处理组件用于:
确定样本用户的至少一个属性特征及样本对象的至少一个对象特征;
将所述样本用户的至少一个属性特征、所述样本对象的至少一个对象特征及所述样本用户与所述样本对象的匹配度,作为训练数据;
利用所述训练数据训练对象推荐模型;
其中,所述对象推荐模型用以基于目标用户的至少一个属性特征以及不同对象的至少一个对象特征,计算目标用户与不同对象的匹配度。
本申请实施例中,基于样本用户的至少一个属性特征及所述样本用户相匹配的样本对象的至少一个对象特征可以训练对象推荐模型;从而对于目标用户,基于该目标用户的至少一个属性特征及不同对象各自的至少一个对象特征,利用对象推荐模型计算所述目标用户与不同对象的匹配度,从而可以向所述目标用户推荐匹配度满足匹配要求的至少一个目标对象;利用对象推荐模型可以学习用户的属性特征与对象的对象特征之间的关联关系,从而利用该对象推荐模型,基于目标用户的属性特征,即可以确定与目标用户相匹配的目标对象,进而推荐给目标用户,从而实现了个性化推荐,提高了推荐准确度。
本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本申请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一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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示出了本申请提供的一种数据处理方法一个实施例的流程图;
图2示出了本申请提供的一种信息推荐方法一个实施例的流程图;
图3示出了本申请提供的一种数据处理方法又一个实施例的流程图;
图4示出了本申请提供的一种信息推荐方法又一个实施例的流程图;
图5示出了本申请实施例在一个实际应用中的模型训练示意图;
图6示出了本申请提供的一种数据处理装置一个实施例的结构示意图;
图7示出了本申请提供的一种计算设备一个实施例的结构示意图;
图8示出了本申请提供的一种信息推荐装置一个实施例的结构示意图;
图9示出了本申请提供的一种计算设备又一个实施例的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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。
在本申请的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
本申请实施例的技术方案可以适用于具有信息推荐需求的多种应用场景中,比如网上交易场景中,进行商品推荐等。
以网上交易场景中进行商品推荐为例,商品推荐的准确性会影响商品转化率,目前向用户进行商品推荐,通常是根据用户历史行为记录确定,比如可以将用户历史浏览、点击、加购、收藏或购买次数较多的商品作为推荐商品推荐给用户,但是这种方式必须结合用户历史行为记录,不适合冷启动用户,如新用户或者发生用户行为较少的用户,对于冷启动用户,通常是将被交互次数较多的商品推荐给用户,但是这种方式向用户推荐的商品,与用户并无关联,用户可能并不感兴趣,推荐针对性较差,无法实现有效、准确的推荐。
为了实现有效推荐,提高推荐准确度,发明人经过一系列研究提出了本申请的技术方案,在本申请实施例中,基于样本用户的至少一个属性特征及所述样本用户相匹配的样本对象的至少一个对象特征可以训练对象推荐模型;从而对于目标用户,基于该目标用户的至少一个属性特征及不同对象各自的至少一个对象特征,利用对象推荐模型计算所述目标用户与不同对象的匹配度,从而可以向所述目标用户推荐匹配度满足匹配要求的至少一个目标对象;利用对象推荐模型可以学习用户的属性特征与对象的对象特征之间的关联关系,从而利用该对象推荐模型,基于目标用户的属性特征,即可以确定与目标用户相匹配的目标对象,进而推荐给目标用户,目标对象是与目标用户相关联对象,用户会更感兴趣,从而实现了个性化推荐,无需目标用户的历史行为记录,即可以实现准确,有效的推荐。
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。
图1为本申请实施例提供的一种数据处理方法一个实施例的流程图,该方法可以包括以下几个步骤:
101:确定样本用户的至少一个属性特征及样本对象的至少一个对象特征。
其中,样本用户可以是从对象行为日志中确定,该对象行为日志中记录了不同用户对不同对象执行预定行为的相关数据,该对象行为日志中可以包括样本用户标识、样本对象标识及所述样本用户是否对样本对象执行预定行为的行为结果。
该预定行为例如可以是浏览、分享、收藏或点击等,在网上交易场景中,还可以包括加购(将商品加入购物车)或者购买等。向目标用户推荐目标对象的目的,也即是期望目标用户对目标对象执行该预定行为。后文训练获得对象推荐模型可以认为是预定行为执行预估模型。
其中,至少一个属性特征例如可以包括年龄、性别、职业、常住地址、籍贯等。
至少一个对象特征例如可以包括对象类目、对象价格、对象销量等。
102:将所述样本用户的至少一个属性特征、所述样本对象的至少一个对象特征及所述样本用户与所述样本对象的匹配度,作为训练数据。
其中,所述样本用户的至少一个属性特征、所述样本对象的至少一个对象特征作为模型的输入数据,所述样本用户与所述样本对象的匹配度作为模型的输出数据,也即模型标签。
可选地,训练数据中还可以包括样本用户标识以及样本对象标识,样本用户标识以及样本对象标识作为输入数据。
103:利用所述训练数据训练对象推荐模型。
该对象推荐模型可以为神经网络模型,当然也可以选择其他分类器模型,如支持向量机等实现。
其中,所述对象推荐模型可以用以基于目标用户的至少一个属性特征以及不同对象的至少一个对象特征,计算目标用户与不同对象的匹配度;
其中,匹配度满足匹配要求的至少一个目标对象可以用以推荐给所述目标用户。
其中,匹配度越高,表明目标对象越符合用户需求。
本实施例中,基于样本用户的至少一个属性特征及所述样本用户相匹配的样本对象的至少一个对象特征可以训练对象推荐模型;利用对象推荐模型可以学习用户的属性特征与对象的对象特征之间的关联关系,从而利用该对象推荐模型,基于目标用户的属性特征,即可以确定与目标用户相匹配的目标对象,进而推荐给目标用户,实现了个性化推荐,提高了推荐准确度。
在某些实施例中,所述确定样本用户的至少一个属性特征及样本对象的至少一个对象特征可以包括:
从对象行为日志中确定样本用户标识、样本对象标识及所述样本用户是否对样本对象执行预定行为;
根据样本用户标识,查找所述样本用户的至少一个属性特征;
根据样本对象标识,查找所述样本对象的至少一个对象特征;
若所述样本用户对所述样本对象执行预定行为,确定所述样本用户与所述样本对象的匹配度为1;
若所述样本用户对所述样本对象未执行预定行为,确定所述样本用户与所述样本对象的匹配度为0。
所述样本用户的至少一个属性特征、所述样本对象的至少一个对象特征及所述样本用户与所述样本对象的匹配度即作为训练数据;
其中,若所述样本用户对所述样本对象执行预定行为,训练数据也即为正样本数据,若所述样本用户对所述样本对象未执行预定行为,则训练数据即为负样本数据。
匹配度通过分数数值表示,匹配度越高,即表明对象与用户之间越匹配。
可选地,匹配要求可以是指匹配度大于预定数值,从而可以是将匹配度大于预定数值的至少一个目标对象推荐给目标用户。
此外,向用户进行对象推荐时,如果可以向用户推送一些推荐理由等解释类信息,用以表明为什么向用户推荐某个对象,则可以进一步提高推荐效果,提高用户体验。
因此,在某些实施例中,所述利用所述训练数据训练对象推荐模型包括:
针对所述样本对象的至少一个对象特征,基于所述样本用户是否对所述样本对象执行预定行为的预测结果,训练决策树模型;
利用所述决策树模型的输出结果及所述训练数据中的至少一个属性特征,训练对象推荐模型。
可选地,可以是利用所述决策树模型的输出结果、所述训练数据中的至少一个属性特征、至少一个对象特征、用户标识和对象特征,训练对象推荐模型。
其中,决策树模型的输出结果即可以具体是指决策树中命中的所有叶子节点。
则可以针对任一个对象,基于所述目标用户的至少一个属性特征及所述对象的至少一个对象特征,利用所述决策树模型预测所述目标用户是否对所述对象执行预定行为,获得决策树模型的输出结果。
再利用该输出结果以及所述目标用户的至少一个属性特征,利用对象推荐模型计算所述目标用户与所述对象的匹配度。
从而根据目标用户在所述决策树中的命中路径,可以生成对象推荐提示信息。该对象推荐提示信息可以作为推荐理由而推荐给目标用户。
可选地,可以针对所述样本对象的至少一个对象特征以及所述样本用户的至少一个属性特征,基于所述样本用户是否对所述样本对象执行预定行为的预测结果,训练决策树模型。
具体的,可以以对象特征或属性特征作为节点建立决策树,对于决策树中一个对象特征或一个属性特征,根据用户对应的对象特征值以及属性特征值,判断用户是否会对对象执行预定行为,直至得出结论。
从而根据目标用户在决策树中的命中路径,即可以生成对象推荐提示信息。比如,假设以至少一个对象特征构建决策树,至少一个对象特征包括价格、数量以及类目,假设以价格为父节点首先进行判断,假设某一个对象的价格为200、数量为150、类目为亲子系列,假设对象价格小于150,对象价格大于150且类目为亲子系列,对象价格大于150、类目为亲子系列且销量大于160,目标用户会对对象执行预定行为,从而针对任一个目标对象,可以获得目标用户在决策树中的命中路径,比如目标对象的对象价格大于150且类目为亲子系列,则命中路径即为对象价格大于150且类目为亲子系列,基于该命中路径,即可以生成对象推荐提示信息。该对象推荐提示信息例如即可以具体是“对象价格大于150且类目为亲子系列”。
在某些实施例中,所述决策树模型可以具体为包括多个决策树的GBDT(GradientBoosting Decision Tree,迭代决策树)模型;
所述基于所述决策树模型的输出结果及所述训练数据中的至少一个属性特征,训练对象推荐模型可以包括:
基于所述多个决策树的权重参数,构建对象推荐模型;
利用所述多个决策树的输出结果及所述训练数据中的至少一个属性特征,训练对象推荐模型,以获得所述多个决策树的权重参数的权重数值;
其中,权重数值最高的决策树用以确定所述目标用户命中的决策路径,所述决策路径用以生成对象推荐提示信息。
在某些实施例中,所述基于所述多个决策树的权重参数,构建对象推荐模型可以包括:
基于所述多个决策树的权重参数,构建包括注意力网络的对象推荐模型。
作为一种可选方式,该对象推荐模型可以包括embedding(嵌入)层、注意力网络、pooling(池化)层以及输出层等。该输出层可以为一个激励函数。
embedding层用于进行降维处理,注意力网络利用注意力机制进行处理,pooling层用于进行池化处理等。
可选地,在某些实施例中,可以利用所述多个决策树的输出结果、以及所述训练数据中的至少一个属性特征、至少一个对象特征、用户标识和对象特征,训练对象推荐模型,以获得所述多个决策树的权重参数的权重数值。
作为另一种可选方式,该对象推荐模型可以包括embedding层、输入层、至少一个隐藏层以及输出层构成,也即由传统的神经网络模型结构构成。
基于上述各个实施例训练获得的对象推荐模型即可以用于确定向目标用户进行推荐的目标对象,如图2中所示,为本申请实施例提供的一种信息推荐方法一个实施例的流程图,该方法可以包括以下几个步骤:
201:确定目标用户的至少一个属性特征。
202:基于所述目标用户的至少一个属性特征及不同对象各自的至少一个对象特征,利用对象推荐模型计算所述目标用户与不同对象的匹配度。
203:向所述目标用户推荐匹配度满足匹配要求的至少一个目标对象。
其中,所述对象推荐模型基于样本用户的至少一个属性特征及所述样本用户相匹配的样本对象的至少一个对象特征训练获得。
该对象推荐模型的具体训练方式具体可以参见上述任一实施例中所述。
本实施例中,利用对象推荐模型可以学习用户的属性特征与对象的对象特征之间的关联关系,从而利用该对象推荐模型,基于目标用户的属性特征,即可以确定与目标用户相匹配的目标对象,进而推荐给目标用户,实现了个性化推荐,提高了推荐准确度。
在某些实施例中,所述对象推荐模型按照如下方式预先训练获得:
确定样本用户的至少一个属性特征及样本对象的至少一个对象特征;
将所述样本用户的至少一个属性特征、所述样本对象的至少一个对象特征及所述样本用户与所述样本对象的匹配度,作为训练数据;
利用所述训练数据训练对象推荐模型。
其中,所述确定样本用户的至少一个属性特征及样本对象的至少一个对象特征包括:
从对象行为日志中确定样本用户标识、样本对象标识及所述样本用户是否对样本对象执行预定行为;
根据样本用户标识,查找所述样本用户的至少一个属性特征;
根据样本对象标识,查找所述样本对象的至少一个对象特征;
若所述样本用户对所述样本对象执行预定行为,确定所述样本用户与所述样本对象的匹配度为1;
若所述样本用户对所述样本对象未执行预定行为,确定所述样本用户与所述样本对象的匹配度为0。
在某些实施例中,所述基于所述目标用户的至少一个属性特征及不同对象各自的至少一个对象特征,利用对象推荐模型计算所述目标用户与不同对象的匹配度可以包括:
基于所述目标用户的至少一个属性特征及不同对象各自的至少一个对象特征,利用对象推荐模型计算所述目标用户与不同对象的匹配度;
所述向所述目标用户推荐匹配度满足匹配要求的至少一个目标对象包括:
向所述目标用户推荐匹配度大于预定数值的至少一个目标对象。
在某些实施例中,所述利用所述训练数据训练对象推荐模型可以包括:
针对所述样本对象的至少一个对象特征,基于所述样本用户是否对所述样本对象执行预定行为的预测结果,训练决策树模型;
利用所述决策树模型的输出结果及所述训练数据中的至少一个属性特征,训练对象推荐模型。
在某些实施例中,所述决策树模型为包括多个决策树的GBDT模型;
所述基于所述决策树模型的输出结果及所述训练数据中的至少一个属性特征,训练对象推荐模型可以包括:
基于所述多个决策树的权重参数,构建对象推荐模型;
利用所述多个决策树的输出结果及所述训练数据中的至少一个属性特征,训练对象推荐模型,以获得所述多个决策树的权重参数的权重数值。
在某些实施例中,所述基于所述多个决策树的权重参数,构建对象推荐模型可以包括:
基于所述多个决策树的权重参数,构建包括注意力网络的对象推荐模型。
在某些实施例中,所述基于所述目标用户的至少一个属性特征及不同对象各自的至少一个对象特征,利用对象推荐模型计算所述目标用户与不同对象的匹配度可以包括:
针对任一个对象,基于所述目标用户的至少一个属性特征及所述对象的至少一个对象特征,利用所述决策树模型预测所述目标用户是否对所述对象执行预定行为;
基于所述决策树模型的输出结果以及所述目标用户的至少一个属性特征,利用对象推荐模型计算所述目标用户与所述对象的匹配度。
在某些实施例中,所述基于所述目标用户的至少一个属性特征及不同对象各自的至少一个对象特征,利用对象推荐模型计算所述目标用户与不同对象的匹配度可以包括:
针对任一个对象,基于所述目标用户的至少一个属性特征及所述对象的至少一个对象特征,利用所述决策树模型预测所述目标用户是否对所述对象执行预定行为;
基于所述决策树模型的输出结果以及所述目标用户的至少一个属性特征,利用对象推荐模型计算所述目标用户与所述对象的匹配度;
确定所述决策树模型中权重数值最高的决策树;
确定所述目标用户在所述决策树中的命中路径;
基于所述命中路径,生成对象推荐提示信息。
此外,所述方法还可以包括:
将所述对象推荐提示信息发送至所述目标用户。
可选地,该对象推荐提示信息可以同至少一个目标对象推荐给所述目标用户。
在某些实施例中,所述向所述目标用户推荐匹配度满足匹配要求的至少一个目标对象包括:
确定匹配度满足匹配要求的至少一个目标对象;
按照匹配度从高到低的顺序确定所述至少一个目标对象的排列顺序;
按照所述排列顺序向所述目标用户推荐所述至少一个目标对象。
其中,向所述目标用户推荐匹配度满足匹配要求的至少一个目标对象可以包括多种实现方式,例如可以将目标对象的相关信息发送至用户对应的用户设备等。
因此,在某些实施例中,所述向所述目标用户推荐匹配度满足匹配要求的至少一个目标对象包括:
确定匹配度满足匹配要求的至少一个目标对象;
将所述至少一个目标对象的对象相关信息发送至所述目标用户的用户设备。
该对象相关信息可以包括对象描述信息等。
此外,可以在网上平台的推广业务中向目标用户推荐该目标对象,例如在网上平台的网站首页中的固定区域展示目标对象的对象相关信息等。
推荐方式本申请不进行具体限定。
在某些实施例中,所述向所述目标用户推荐匹配度满足匹配要求的至少一个目标对象包括:
响应于针对所述目标用户的推荐指令,确定匹配度满足匹配要求的至少一个目标对象;
向所述目标用户推荐所述至少一个目标对象。
也即可以预先计算不同目标用户与不同对象的匹配度,从而响应于推荐指令之后,即可以直接查找定匹配度满足匹配要求的至少一个目标对象。
该推荐指令可以是基于目标用户的推荐请求而生成。
此外,确定目标用户的至少一个属性特征可以是响应于针对所述目标用户的推荐指令,确定目标用户的至少一个属性特。
也即可以实时或者预先计算目标用户与不同对象的匹配度。
在一个实际应用中,本申请技术方案可以应用于网上交易场景中,对象可以具体是指商品,图3为本申请实施例提供的一种数据处理方法又一个实施例的流程图,该方法可以包括:
301:确定样本用户的至少一个属性特征及样本商品的至少一个对象特征。
302:将所述样本用户的至少一个属性特征、所述样本商品的至少一个商品特征及所述样本用户与所述样本商品的匹配度,作为训练数据。
303:利用所述训练数据训练对象推荐模型。
其中,所述对象推荐模型用以基于目标用户的至少一个属性特征以及不同商品的至少一个商品特征,计算目标用户与不同商品的匹配度;其中,匹配度满足匹配要求的至少一个目标商品用以推荐给所述目标用户。
其中,图3与图1不同之处在于对象具体为商品,其它相同或相应操作可以参见图1中所示。
基于图3训练获得的对象推荐模型,如图4所示的信息推荐方法中,可以包括:
401:确定目标用户的至少一个属性特征。
402:基于所述目标用户的至少一个属性特征及不同商品各自的至少一个商品特征,利用对象推荐模型计算所述目标用户与不同商品的匹配度。
403:向所述目标用户推荐匹配度满足匹配要求的至少一个目标商品;
其中,所述对象推荐模型基于样本用户的至少一个属性特征及所述样本用户相匹配的样本商品的至少一个商品特征训练获得。
其中,图5所示的信息推荐方法与图2所示信息推荐方法不同之处在于,对象为商品,其它相同或相应操作可以参见图2所示实施例中所述,在此不再赘述。
为了方便理解模型训练过程,作为一种可选方式,假设对象推荐模型由embedding层、注意力网络、pooling层以及输出层构成,参见5所示的模型训练示意图中,可以根据商品行为日志来确定训练数据,商品行为日志例如可以是指商品点击日志,通过进行商品推荐以此提高商品点击率等。
训练数据中可以包括商品特征、用户特征、商品标识以及用户标识等,此外还可以包括输出层的输出结果,也即样本用户与样本商品的匹配度。
基于商品特征以及用户特征可以构建GBDT模型。
GBDT模型的输出结果、商品标识以及用户标识等可以输入embedding层进行降维处理。
之后embedding层的输出结果可以输入注意力网络;
其中,GBDT模型的输出结果包括多个决策树的输出结果。
基于多个决策树的权重参数,可以将多个决策树的输出结果与注意力网络中多个决策树对应的输出结果进行融合,例如相乘等。之后经过pooling层进行池化处理,即可以经过输出层进行输出。
从而在进行商品推荐时,已知目标用户的用户特征、用户标识、商品的商品特征、商品标识,利用图5所示训练获得的模型,即可以计算目标用户与不同商品的匹配度,进而确定至少一个目标商品,并推荐给目标用户。
图6为本申请实施例提供的一种数据处理装置一个实施例的结构示意图,该装置可以包括:
第二确定模块601,用于确定样本用户的至少一个属性特征及样本对象的至少一个对象特征;
数据获取模块602,用于将所述样本用户的至少一个属性特征、所述样本对象的至少一个对象特征及所述样本用户与所述样本对象的匹配度,作为训练数据;
模型训练模块603,用于利用所述训练数据训练对象推荐模型;
其中,所述对象推荐模型用以基于目标用户的至少一个属性特征以及不同对象的至少一个对象特征,计算目标用户与不同对象的匹配度。
在某些实施例中,所述第二确定模块具体用于从对象行为日志中确定样本用户标识、样本对象标识及所述样本用户是否对样本对象执行预定行为;
根据样本用户标识,查找所述样本用户的至少一个属性特征;
根据样本对象标识,查找所述样本对象的至少一个对象特征;
若所述样本用户对所述样本对象执行预定行为,确定所述样本用户与所述样本对象的匹配度为1;
若所述样本用户对所述样本对象未执行预定行为,确定所述样本用户与所述样本对象的匹配度为0。
在某些实施例中,所述模型训练模块具体用于针对所述样本对象的至少一个对象特征,基于所述样本用户是否对所述样本对象执行预定行为的预测结果,训练决策树模型;
利用所述决策树模型的输出结果及所述训练数据中的至少一个属性特征,训练对象推荐模型。
在某些实施例中,所述决策树模型为包括多个决策树的GBDT模型;
所述模型训练模块基于所述决策树模型的输出结果及所述训练数据中的至少一个属性特征,训练对象推荐模型包括:
基于所述多个决策树的权重参数,构建对象推荐模型;
利用所述多个决策树的输出结果及所述训练数据中的至少一个属性特征,训练对象推荐模型,以获得所述多个决策树的权重参数的权重数值。
在某些实施例中,所述模型训练模块基于所述多个决策树的权重参数,构建对象推荐模型包括:
基于所述多个决策树的权重参数,构建包括注意力网络的对象推荐模型。
在一个实际应用中,对象可以具体是指网上交易场景中的商品。则第二确定模块具体用于确定样本用户的至少一个属性特征及样本商品的至少一个对象特征;
数据获取模块具体用于将所述样本用户的至少一个属性特征、所述样本商品的至少一个商品特征及所述样本用户与所述样本商品的匹配度,作为训练数据;
模型训练模块具体用于利用所述训练数据训练对象推荐模型;
其中,所述对象推荐模型具体用以基于目标用户的至少一个属性特征以及不同商品的至少一个商品特征,计算目标用户与不同商品的匹配度;其中,匹配度满足匹配要求的至少一个目标对象用以推荐给所述目标用户。
图6所述的数据处理装置可以执行图1所示实施例所述的数据处理方法,其实现原理和技术效果不再赘述。对于上述实施例中的数据处理装置其中各个模块、单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
在一个可能的设计中,图6所示实施例的数据处理装置可以实现为计算设备,如图7所示,该计算设备可以包括存储组件701以及处理组件702;
所述存储组件701存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件702调用执行。
所述处理组件702用于:
确定目标用户的至少一个属性特征;
基于所述目标用户的至少一个属性特征及不同对象各自的至少一个对象特征,利用对象推荐模型计算所述目标用户与不同对象的匹配度;
向所述目标用户推荐匹配度满足匹配要求的至少一个目标对象;
其中,所述对象推荐模型基于样本用户的至少一个属性特征及所述样本用户相匹配的样本对象的至少一个对象特征训练获得。
其中,处理组件702可以包括一个或多个处理器来执行计算机指令,以完成上述的方法中的全部或部分步骤。当然处理组件也可以为一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
存储组件701被配置为存储各种类型的数据以支持在计算设备中的操作。存储组件可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
当然,计算设备必然还可以包括其他部件,例如输入/输出接口、通信组件等。
输入/输出接口为处理组件和外围接口模块之间提供接口,上述外围接口模块可以是输出设备、输入设备等。
通信组件被配置为便于计算设备和其他设备之间有线或无线方式的通信等。
本申请实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被计算机执行时可以实现上述图1所示实施例的信息处理方法。
图8为本申请实施例提供的一种信息推荐装置一个实施例的结构示意图,该装置可以包括:
第一确定模块801,用于确定目标用户的至少一个属性特征;
模型计算模块802,用于基于所述目标用户的至少一个属性特征及不同对象各自的至少一个对象特征,利用对象推荐模型计算所述目标用户与不同对象的匹配度;
推荐模块803,用于向所述目标用户推荐匹配度满足匹配要求的至少一个目标对象;
其中,所述对象推荐模型基于样本用户的至少一个属性特征及所述样本用户相匹配的样本对象的至少一个对象特征训练获得。
在某些实施例中,该装置还可以包括:
第二确定模块,用于确定样本用户的至少一个属性特征及样本对象的至少一个对象特征;
数据获取模块,用于将所述样本用户的至少一个属性特征、所述样本对象的至少一个对象特征及所述样本用户与所述样本对象的匹配度,作为训练数据;
模型训练模块,用于利用所述训练数据训练对象推荐模型;
在某些实施例中,所述第二确定模块具体用于从对象行为日志中确定样本用户标识、样本对象标识及所述样本用户是否对样本对象执行预定行为;
根据样本用户标识,查找所述样本用户的至少一个属性特征;
根据样本对象标识,查找所述样本对象的至少一个对象特征;
若所述样本用户对所述样本对象执行预定行为,确定所述样本用户与所述样本对象的匹配度为1;
若所述样本用户对所述样本对象未执行预定行为,确定所述样本用户与所述样本对象的匹配度为0。
在某些实施例中,所述模型训练模块具体用于针对所述样本对象的至少一个对象特征,基于所述样本用户是否对所述样本对象执行预定行为的预测结果,训练决策树模型;
利用所述决策树模型的输出结果及所述训练数据中的至少一个属性特征,训练对象推荐模型。
在某些实施例中,所述决策树模型为包括多个决策树的GBDT模型;
所述模型训练模块基于所述决策树模型的输出结果及所述训练数据中的至少一个属性特征,训练对象推荐模型包括:
基于所述多个决策树的权重参数,构建对象推荐模型;
利用所述多个决策树的输出结果及所述训练数据中的至少一个属性特征,训练对象推荐模型,以获得所述多个决策树的权重参数的权重数值。
在某些实施例中,所述模型训练模块基于所述多个决策树的权重参数,构建对象推荐模型包括:
基于所述多个决策树的权重参数,构建包括注意力网络的对象推荐模型。
在某些实施例中,所述模型计算模块具体用于:基于所述目标用户的至少一个属性特征及不同对象各自的至少一个对象特征,利用对象推荐模型计算所述目标用户与不同对象的匹配度;
所述推荐模块具体用于向所述目标用户推荐匹配度大于预定数值的至少一个目标对象。
在某些实施例中,所述模型计算模块具体用于针对任一个对象,基于所述目标用户的至少一个属性特征及所述对象的至少一个对象特征,利用所述决策树模型预测所述目标用户是否对所述对象执行预定行为;基于所述决策树模型的输出结果以及所述目标用户的至少一个属性特征,利用对象推荐模型计算所述目标用户与所述对象的匹配度。
在某些实施例中,所述模型计算模块具体用于针对任一个对象,基于所述目标用户的至少一个属性特征及所述对象的至少一个对象特征,利用所述决策树模型预测所述目标用户是否对所述对象执行预定行为;基于所述决策树模型的输出结果以及所述目标用户的至少一个属性特征,利用对象推荐模型计算所述目标用户与所述对象的匹配度;确定所述决策树模型中权重数值最高的决策树;确定所述目标用户在所述决策树中的命中路径;基于所述命中路径,生成对象推荐提示信息。
在某些实施例中,所述推荐模块具体用于确定匹配度满足匹配要求的至少一个目标对象;按照匹配度从高到低的顺序确定所述至少一个目标对象的排列顺序;按照所述排列顺序向所述目标用户推荐所述至少一个目标对象。
在某些实施例中,所述推荐模块具体用于确定匹配度满足匹配要求的至少一个目标对象;将所述至少一个目标对象的对象相关信息发送至所述目标用户的用户设备。
在某些实施例中,所述推荐模块具体用于响应于针对所述目标用户的推荐指令,确定匹配度满足匹配要求的至少一个目标对象;向所述目标用户推荐所述至少一个目标对象。
在一个实际应用中,对象可以具体是指网上交易场景中的商品。则模型计算模块具体用于基于所述目标用户的至少一个属性特征及不同商品各自的至少一个商品特征,利用对象推荐模型计算所述目标用户与不同商品的匹配度;推荐模块具体用于向所述目标用户推荐匹配度满足匹配要求的至少一个目标商品。
图8所述的信息推荐装置可以执行图2所示实施例所述的信息推荐方法,其实现原理和技术效果不再赘述。对于上述实施例中的信息推荐装置其中各个模块、单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
在一个可能的设计中,图8所示实施例的信息推荐装置可以实现为计算设备,如图9所示,该计算设备可以包括存储组件901以及处理组件902;
所述存储组件901存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件902调用执行。
所述处理组件用于:
确定目标用户的至少一个属性特征;
基于所述目标用户的至少一个属性特征及不同对象各自的至少一个对象特征,利用对象推荐模型计算所述目标用户与不同对象的匹配度;
向所述目标用户推荐匹配度满足匹配要求的至少一个目标对象;
其中,所述对象推荐模型基于样本用户的至少一个属性特征及所述样本用户相匹配的样本对象的至少一个对象特征训练获得。
其中,处理组件902可以包括一个或多个处理器来执行计算机指令,以完成上述的方法中的全部或部分步骤。当然处理组件也可以为一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
存储组件901被配置为存储各种类型的数据以支持在计算设备的操作。存储组件可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
当然,计算设备必然还可以包括其他部件,例如输入/输出接口、通信组件等。
输入/输出接口为处理组件和外围接口模块之间提供接口,上述外围接口模块可以是输出设备、输入设备等。
通信组件被配置为便于计算设备和其他设备之间有线或无线方式的通信等。
本申请实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被计算机执行时可以实现上述图2所示实施例的信息推荐方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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应当理解: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 (18)
1.一种信息推荐方法,其特征在于,包括:
确定目标用户的至少一个属性特征;
基于所述目标用户的至少一个属性特征及不同对象各自的至少一个对象特征,利用对象推荐模型计算所述目标用户与不同对象的匹配度;
向所述目标用户推荐匹配度满足匹配要求的至少一个目标对象;
其中,所述对象推荐模型基于决策树模型的输出结果及样本用户的至少一个属性特征训练获得;所述决策树模型基于样本对象的至少一个对象特征及所述样本用户是否对所述样本对象执行预定行为的预测结果训练获得;
所述基于所述目标用户的至少一个属性特征及不同对象各自的至少一个对象特征,利用对象推荐模型计算所述目标用户与不同对象的匹配度包括:
针对任一个对象,基于所述目标用户的至少一个属性特征及所述对象的至少一个对象特征,利用所述决策树模型预测所述目标用户是否对所述对象执行预定行为;基于所述决策树模型的输出结果以及所述目标用户的至少一个属性特征,利用对象推荐模型计算所述目标用户与所述对象的匹配度;
所述方法还包括:
根据所述目标用户在决策树中的命中路径,生成对象推荐提示信息,所述对象推荐提示信息用于推荐给所述目标用户。
2.根据权利要求1所述的方法,其特征在于,所述对象推荐模型按照如下方式预先训练获得:
确定样本用户的至少一个属性特征及样本对象的至少一个对象特征;
将所述样本用户的至少一个属性特征、所述样本对象的至少一个对象特征及所述样本用户与所述样本对象的匹配度,作为训练数据;
利用所述训练数据训练对象推荐模型。
3.根据权利要求2所述的方法,其特征在于,所述确定样本用户的至少一个属性特征及样本对象的至少一个对象特征包括:
从对象行为日志中确定样本用户标识、样本对象标识及所述样本用户是否对样本对象执行预定行为;
根据样本用户标识,查找所述样本用户的至少一个属性特征;
根据样本对象标识,查找所述样本对象的至少一个对象特征;
若所述样本用户对所述样本对象执行预定行为,确定所述样本用户与所述样本对象的匹配度为1;
若所述样本用户对所述样本对象未执行预定行为,确定所述样本用户与所述样本对象的匹配度为0。
4.根据权利要求3所述的方法,其特征在于,所述向所述目标用户推荐匹配度满足匹配要求的至少一个目标对象包括:
向所述目标用户推荐匹配度大于预定数值的至少一个目标对象。
5.根据权利要求2所述的方法,其特征在于,所述利用所述训练数据训练对象推荐模型包括:
针对所述样本对象的至少一个对象特征,基于所述样本用户是否对所述样本对象执行预定行为的预测结果,训练决策树模型;
利用所述决策树模型的输出结果及所述训练数据中的至少一个属性特征,训练对象推荐模型。
6.根据权利要求5所述的方法,其特征在于,所述决策树模型为包括多个决策树的GBDT模型;
所述基于所述决策树模型的输出结果及所述训练数据中的至少一个属性特征,训练对象推荐模型包括:
基于所述多个决策树的权重参数,构建对象推荐模型;
利用所述多个决策树的输出结果及所述训练数据中的至少一个属性特征,训练对象推荐模型,以获得所述多个决策树的权重参数的权重数值。
7.根据权利要求6所述的方法,其特征在于,所述基于所述多个决策树的权重参数,构建对象推荐模型包括:
基于所述多个决策树的权重参数,构建包括注意力网络的对象推荐模型。
8.根据权利要求6所述的方法,其特征在于,所述基于所述目标用户的至少一个属性特征及不同对象各自的至少一个对象特征,利用对象推荐模型计算所述目标用户与不同对象的匹配度包括:
针对任一个对象,基于所述目标用户的至少一个属性特征及所述对象的至少一个对象特征,利用所述决策树模型预测所述目标用户是否对所述对象执行预定行为;
基于所述决策树模型的输出结果以及所述目标用户的至少一个属性特征,利用对象推荐模型计算所述目标用户与所述对象的匹配度;
确定所述决策树模型中权重数值最高的决策树;
确定所述目标用户在所述决策树中的命中路径;
基于所述命中路径,生成对象推荐提示信息。
9.根据权利要求1所述的方法,其特征在于,所述向所述目标用户推荐匹配度满足匹配要求的至少一个目标对象包括:
确定匹配度满足匹配要求的至少一个目标对象;
按照匹配度从高到低的顺序确定所述至少一个目标对象的排列顺序;
按照所述排列顺序向所述目标用户推荐所述至少一个目标对象。
10.根据权利要求1所述的方法,其特征在于,所述向所述目标用户推荐匹配度满足匹配要求的至少一个目标对象包括:
确定匹配度满足匹配要求的至少一个目标对象;
将所述至少一个目标对象的对象相关信息发送至所述目标用户的用户设备。
11.根据权利要求1所述的方法,其特征在于,所述向所述目标用户推荐匹配度满足匹配要求的至少一个目标对象包括:
响应于针对所述目标用户的推荐指令,确定匹配度满足匹配要求的至少一个目标对象;
向所述目标用户推荐所述至少一个目标对象。
12.一种数据处理方法,其特征在于,包括:
确定样本用户的至少一个属性特征及样本对象的至少一个对象特征;
将所述样本用户的至少一个属性特征、所述样本对象的至少一个对象特征及所述样本用户与所述样本对象的匹配度,作为训练数据;
利用所述训练数据训练对象推荐模型;
其中,所述对象推荐模型用以基于目标用户的至少一个属性特征以及不同对象的至少一个对象特征,计算目标用户与不同对象的匹配度;
所述利用所述训练数据训练对象推荐模型,包括:
针对所述样本对象的至少一个对象特征,基于所述样本用户是否对所述样本对象执行预定行为的预测结果,训练决策树模型;
利用所述决策树模型的输出结果及所述样本用户中的至少一个属性特征,训练对象推荐模型;
其中,所述对象推荐模型用以基于目标用户的至少一个属性特征以及不同对象的至少一个对象特征,计算目标用户与不同对象的匹配度的过程包括:
针对任一个对象,基于所述目标用户的至少一个属性特征及所述对象的至少一个对象特征,利用所述决策树模型预测所述目标用户是否对所述对象执行预定行为;基于所述决策树模型的输出结果以及所述目标用户的至少一个属性特征,利用对象推荐模型计算所述目标用户与所述对象的匹配度;
所述对象推荐模型还用以根据所述目标用户在决策树中的命中路径,生成对象推荐提示信息,所述对象推荐提示信息用于推荐给所述目标用户。
13.一种信息推荐方法,其特征在于,包括:
确定目标用户的至少一个属性特征;
基于所述目标用户的至少一个属性特征及不同商品各自的至少一个商品特征,利用对象推荐模型计算所述目标用户与不同商品的匹配度;
向所述目标用户推荐匹配度满足匹配要求的至少一个目标商品;
其中,所述对象推荐模型基于决策树模型的输出结果及样本用户的至少一个属性特征训练获得;所述决策树模型基于样本商品的至少一个商品特征及所述样本用户是否对所述样本商品执行预定行为的预测结果训练获得;
所述基于所述目标用户的至少一个属性特征及不同商品各自的至少一个商品特征,利用对象推荐模型计算所述目标用户与不同商品的匹配度包括:
针对任一个商品,基于所述目标用户的至少一个属性特征及所述商品的至少一个商品特征,利用所述决策树模型预测所述目标用户是否对所述商品执行预定行为;基于所述决策树模型的输出结果以及所述目标用户的至少一个属性特征,利用对象推荐模型计算所述目标用户与所述商品的匹配度;
所述方法还包括:
根据所述目标用户在决策树中的命中路径,生成对象推荐提示信息,所述对象推荐提示信息用于推荐给所述目标用户。
14.一种数据处理方法,其特征在于,包括:
确定样本用户的至少一个属性特征及样本商品的至少一个对象特征;
将所述样本用户的至少一个属性特征、所述样本商品的至少一个商品特征及所述样本用户与所述样本商品的匹配度,作为训练数据;
利用所述训练数据训练对象推荐模型;
其中,所述对象推荐模型用以基于目标用户的至少一个属性特征以及不同商品的至少一个商品特征,计算目标用户与不同商品的匹配度;
所述利用所述训练数据训练对象推荐模型,包括:
针对所述样本商品的至少一个商品特征,基于所述样本用户是否对所述样本商品执行预定行为的预测结果,训练决策树模型;
利用所述决策树模型的输出结果及所述样本用户中的至少一个属性特征,训练对象推荐模型;
其中,所述对象推荐模型用以基于目标用户的至少一个属性特征以及不同商品的至少一个商品特征,计算目标用户与不同商品的匹配度的过程包括:
针对任一个商品,基于所述目标用户的至少一个属性特征及所述商品的至少一个商品特征,利用所述决策树模型预测所述目标用户是否对所述商品执行预定行为;基于所述决策树模型的输出结果以及所述目标用户的至少一个属性特征,利用对象推荐模型计算所述目标用户与所述商品的匹配度;
所述对象推荐模型还用以根据所述目标用户在决策树中的命中路径,生成对象推荐提示信息,所述对象推荐提示信息用于推荐给所述目标用户。
15.一种信息推荐装置,其特征在于,包括:
第一确定模块,用于确定目标用户的至少一个属性特征;
模型计算模块,用于基于所述目标用户的至少一个属性特征及不同对象各自的至少一个对象特征,利用对象推荐模型计算所述目标用户与不同对象的匹配度;
推荐模块,用于向所述目标用户推荐匹配度满足匹配要求的至少一个目标对象;
其中,所述对象推荐模型基于决策树模型的输出结果及样本用户的至少一个属性特征训练获得;所述决策树模型基于样本对象的至少一个对象特征及所述样本用户是否对所述样本对象执行预定行为的预测结果训练获得;
所述模型计算模块具体用于针对任一个对象,基于所述目标用户的至少一个属性特征及所述对象的至少一个对象特征,利用所述决策树模型预测所述目标用户是否对所述对象执行预定行为;基于所述决策树模型的输出结果以及所述目标用户的至少一个属性特征,利用对象推荐模型计算所述目标用户与所述对象的匹配度;
所述模型计算模块还用于根据所述目标用户在决策树中的命中路径,生成对象推荐提示信息,所述对象推荐提示信息用于推荐给所述目标用户。
16.一种数据处理装置,其特征在于,包括:
第二确定模块,用于确定样本用户的至少一个属性特征及样本对象的至少一个对象特征;
数据获取模块,用于将所述样本用户的至少一个属性特征、所述样本对象的至少一个对象特征及所述样本用户与所述样本对象的匹配度,作为训练数据;
模型训练模块,用于利用所述训练数据训练对象推荐模型;
其中,所述对象推荐模型用以基于目标用户的至少一个属性特征以及不同对象的至少一个对象特征,计算目标用户与不同对象的匹配度;
所述模型训练模块具体用于针对所述样本对象的至少一个对象特征,基于所述样本用户是否对所述样本对象执行预定行为的预测结果,训练决策树模型;利用所述决策树模型的输出结果及所述样本用户中的至少一个属性特征,训练对象推荐模型;
其中,所述对象推荐模型用以基于目标用户的至少一个属性特征以及不同对象的至少一个对象特征,计算目标用户与不同对象的匹配度的过程包括:
针对任一个对象,基于所述目标用户的至少一个属性特征及所述对象的至少一个对象特征,利用所述决策树模型预测所述目标用户是否对所述对象执行预定行为;基于所述决策树模型的输出结果以及所述目标用户的至少一个属性特征,利用对象推荐模型计算所述目标用户与所述对象的匹配度;
所述对象推荐模型还用以根据所述目标用户在决策树中的命中路径,生成对象推荐提示信息,所述对象推荐提示信息用于推荐给所述目标用户。
17.一种计算设备,其特征在于,包括处理组件以及存储组件;
所述存储组件存储一个或多个计算机指令;所述一个或多个计算机指令用以被所述处理组件调用执行;
所述处理组件用于:
确定目标用户的至少一个属性特征;
基于所述目标用户的至少一个属性特征及不同对象各自的至少一个对象特征,利用对象推荐模型计算所述目标用户与不同对象的匹配度;
向所述目标用户推荐匹配度满足匹配要求的至少一个目标对象;
其中,所述对象推荐模型基于决策树模型的输出结果及样本用户的至少一个属性特征训练获得;所述决策树模型基于样本对象的至少一个对象特征及所述样本用户是否对所述样本对象执行预定行为的预测结果训练获得;
所述基于所述目标用户的至少一个属性特征及不同对象各自的至少一个对象特征,利用对象推荐模型计算所述目标用户与不同对象的匹配度包括:
针对任一个对象,基于所述目标用户的至少一个属性特征及所述对象的至少一个对象特征,利用所述决策树模型预测所述目标用户是否对所述对象执行预定行为;基于所述决策树模型的输出结果以及所述目标用户的至少一个属性特征,利用对象推荐模型计算所述目标用户与所述对象的匹配度;
所述处理组件还用于根据所述目标用户在决策树中的命中路径,生成对象推荐提示信息,所述对象推荐提示信息用于推荐给所述目标用户。
18.一种计算设备,其特征在于,包括处理组件以及存储组件;
所述存储组件存储一个或多个计算机指令;所述一个或多个计算机指令用以被所述处理组件调用执行;
所述处理组件用于:
确定样本用户的至少一个属性特征及样本对象的至少一个对象特征;
将所述样本用户的至少一个属性特征、所述样本对象的至少一个对象特征及所述样本用户与所述样本对象的匹配度,作为训练数据;
利用所述训练数据训练对象推荐模型;
其中,所述对象推荐模型用以基于目标用户的至少一个属性特征以及不同对象的至少一个对象特征,计算目标用户与不同对象的匹配度;
所述利用所述训练数据训练对象推荐模型,包括:
针对所述样本对象的至少一个对象特征,基于所述样本用户是否对所述样本对象执行预定行为的预测结果,训练决策树模型;
利用所述决策树模型的输出结果及所述样本用户中的至少一个属性特征,训练对象推荐模型;
其中,所述对象推荐模型用以基于目标用户的至少一个属性特征以及不同对象的至少一个对象特征,计算目标用户与不同对象的匹配度的过程包括:针对任一个对象,基于所述目标用户的至少一个属性特征及所述对象的至少一个对象特征,利用所述决策树模型预测所述目标用户是否对所述对象执行预定行为;基于所述决策树模型的输出结果以及所述目标用户的至少一个属性特征,利用对象推荐模型计算所述目标用户与所述对象的匹配度;
所述对象推荐模型还用以根据所述目标用户在决策树中的命中路径,生成对象推荐提示信息,所述对象推荐提示信息用于推荐给所述目标用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910179976.2A CN111680213B (zh) | 2019-03-11 | 2019-03-11 | 信息推荐方法、数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910179976.2A CN111680213B (zh) | 2019-03-11 | 2019-03-11 | 信息推荐方法、数据处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111680213A CN111680213A (zh) | 2020-09-18 |
CN111680213B true CN111680213B (zh) | 2024-04-05 |
Family
ID=72451214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910179976.2A Active CN111680213B (zh) | 2019-03-11 | 2019-03-11 | 信息推荐方法、数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680213B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163868A (zh) * | 2020-09-30 | 2021-01-01 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
CN112347361B (zh) * | 2020-11-16 | 2024-03-01 | 百度在线网络技术(北京)有限公司 | 推荐对象的方法、神经网络及其训练方法、设备和介质 |
CN116823410B (zh) * | 2023-08-29 | 2024-01-12 | 阿里巴巴(成都)软件技术有限公司 | 数据处理方法、对象处理方法、推荐方法及计算设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679945A (zh) * | 2017-09-27 | 2018-02-09 | 北京小度信息科技有限公司 | 建立消费对象推荐模型的方法以及相关方法及装置 |
CN109299396A (zh) * | 2018-11-28 | 2019-02-01 | 东北师范大学 | 融合注意力模型的卷积神经网络协同过滤推荐方法及系统 |
CN109408731A (zh) * | 2018-12-27 | 2019-03-01 | 网易(杭州)网络有限公司 | 一种多目标推荐方法、多目标推荐模型生成方法以及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140130076A1 (en) * | 2012-11-05 | 2014-05-08 | Immersive Labs, Inc. | System and Method of Media Content Selection Using Adaptive Recommendation Engine |
-
2019
- 2019-03-11 CN CN201910179976.2A patent/CN111680213B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679945A (zh) * | 2017-09-27 | 2018-02-09 | 北京小度信息科技有限公司 | 建立消费对象推荐模型的方法以及相关方法及装置 |
CN109299396A (zh) * | 2018-11-28 | 2019-02-01 | 东北师范大学 | 融合注意力模型的卷积神经网络协同过滤推荐方法及系统 |
CN109408731A (zh) * | 2018-12-27 | 2019-03-01 | 网易(杭州)网络有限公司 | 一种多目标推荐方法、多目标推荐模型生成方法以及装置 |
Non-Patent Citations (2)
Title |
---|
基于用户偏好的个性化服装推荐模式研究;胡觉亮;王正方;韩曙光;;浙江理工大学学报(社会科学版);20180328(02);全文 * |
张警灿 ; 王缓缓 ; .基于商品特征属性的个性化实时推荐系统研究.软件导刊.(10),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111680213A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105989004B (zh) | 一种信息投放的预处理方法和装置 | |
CN111444334B (zh) | 数据处理方法、文本识别方法、装置及计算机设备 | |
CN109299994B (zh) | 推荐方法、装置、设备及可读存储介质 | |
CN109582876B (zh) | 旅游行业用户画像构造方法、装置和计算机设备 | |
CN112487278A (zh) | 推荐模型的训练方法、预测选择概率的方法及装置 | |
CN111784455A (zh) | 一种物品推荐方法及推荐设备 | |
CN106251174A (zh) | 信息推荐方法及装置 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN108596695B (zh) | 实体推送方法及系统 | |
CN105469263A (zh) | 一种商品推荐方法及装置 | |
CN110008973B (zh) | 一种模型训练方法、基于模型确定目标用户的方法及装置 | |
CN112837106A (zh) | 商品推荐方法、装置、计算机设备 | |
CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
CN108205775A (zh) | 一种业务对象的推荐方法、装置和客户端 | |
CN108305181B (zh) | 社交影响力确定、信息投放方法及装置、设备及存储介质 | |
CN112508613A (zh) | 一种商品推荐方法、装置、电子设备和可读存储介质 | |
CN113191838B (zh) | 一种基于异质图神经网络的购物推荐方法及系统 | |
CN111738780A (zh) | 一种推荐对象的方法及系统 | |
CN111861605A (zh) | 业务对象推荐方法 | |
CN111429214B (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
CN113781149A (zh) | 信息推荐方法、装置、计算机可读存储介质及电子设备 | |
CN111767458A (zh) | 信息推送方法、装置、系统及存储介质 | |
CN111489196B (zh) | 基于深度学习网络的预测方法、装置、电子设备及介质 | |
CN110889748B (zh) | 店商平台产品推荐方法、装置、计算机设备以及存储介质 | |
CN111523315B (zh) | 数据处理方法、文本识别方法、装置及计算机设备 |
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 |