CN111767455A - 一种信息推送的方法和装置 - Google Patents
一种信息推送的方法和装置 Download PDFInfo
- Publication number
- CN111767455A CN111767455A CN201910386078.4A CN201910386078A CN111767455A CN 111767455 A CN111767455 A CN 111767455A CN 201910386078 A CN201910386078 A CN 201910386078A CN 111767455 A CN111767455 A CN 111767455A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- characteristic data
- data
- sequence characteristic
- user
- 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 41
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000007704 transition Effects 0.000 claims description 15
- 230000000306 recurrent effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 9
- 238000007476 Maximum Likelihood Methods 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 7
- 238000000926 separation method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 11
- 230000006399 behavior Effects 0.000 description 38
- 238000010586 diagram Methods 0.000 description 19
- 230000008859 change Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 11
- 230000015654 memory Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 210000004027 cell Anatomy 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种信息推送的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：基于用户的历史操作数据和资源的历史状态进行特征提取，生成时序特征数据和非时序特征数据；对所述时序特征数据和所述非时序特征数据进行并行处理，生成全连接输入数据；采用全连接层和归一化指数分类器结合的方式处理所述全连接输入数据，得到潜在业务信息的预测概率；将最大的所述预测概率对应的潜在业务信息推送至用户。该实施方式克服了现有推荐技术中只考虑用户操作特征，导致的多次推荐重复业务信息的技术问题，进而达到准确高效地向用户推送信息的技术效果，避免无效的重复推荐，提升了用户体验。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种信息推送的方法和装置。
背景技术
目前主流推送系统主要分为三大类：协同过滤(Collaborative filtering)、内容推荐(Content based)、混合模型(Hybrid recommendation models)。依据用户和产品的相关特征行为，通过计算用户与用户、产品与产品彼此间的相似度来进行推送，这类推送数据具有较高的稀疏性(即高维稀疏矩阵中只有少量元素非0)。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
1.现有推送技术极大依赖用户的点击行为、用户画像、点击率模型等，旨在构建更好的用户行为特征，并且特征的时序性都体现在用户点击行为上，产品本身的变化状态很少体现。
2.基于现有技术的推送方案绝大部分为静态预测，或者仅仅考虑用户操作行为，而且推送的结果都是无状态，多次推送重复的信息。
发明内容
有鉴于此，本发明实施例提供一种信息推送的方法和装置，能够解决现有推送技术中只考虑用户操作数据，而且推送的结果无状态，多次推送重复的信息的问题。
为实现上述目的，根据本发明实施例的一个方面，提供了一种信息推送的方法，包括：基于用户的历史操作数据和资源的历史状态进行特征提取，生成时序特征数据和非时序特征数据；对所述时序特征数据和所述非时序特征数据进行并行处理，生成全连接输入数据；采用全连接层和归一化指数分类器结合的方式处理所述全连接输入数据，得到潜在业务信息的预测概率；将最大的所述预测概率对应的潜在业务信息推送至用户。
可选地，对所述时序特征数据和所述非时序特征数据进行并行处理，生成全连接输入数据，包括：所述时序特征数据包括用户时序特征数据和资源时序特征数据；将所述资源时序特征数据进行归一化处理，生成补全的资源时序特征数据；将所述补全的资源时序特征数据与所述用户时序特征数据按照时间先后顺序进行融合，并将融合后生成的时序融合数据输入循环神经网络；将所述循环神经网络的输出数据与所述非时序特征数据进行拼接，生成全连接输入数据。
可选地，将所述资源时序特征数据进行归一化处理，生成补全的资源时序特征数据，包括：采用隐马尔科夫链处理所述资源时序特征，并结合用户的历史操作行为，根据极大似然概率构建资源状态转移矩阵；基于所述资源状态转移矩阵，对所述资源时序特征数据进行补全，生成补全的资源时序特征数据。
可选地，基于用户的历史操作数据和资源的历史状态进行特征提取，生成时序特征数据和非时序特征数据之后，所述方法还包括：对所述时序特征数据按照设定的时间窗口进行分隔处理，并通过滑动窗来扩充所述时序特征数据的数据集；根据移除规则对扩充后的所述时序特征数据进行移除处理，得到新的时序特征数据。
可选地，根据移除规则对扩充后的所述时序特征数据进行移除处理，得到新的时序特征数据，包括：利用随机概率分布函数，对所述时间窗口中所述时序特征数据的输入序列进行随机概率分布；将概率最高的N个输入序列对应的时序特征数据移除，得到新的时序特征数据，其中，N为正整数。
根据本发明实施例的另一个方面，提供了一种信息推送的装置，包括：特征提取模块，用于：基于用户的历史操作数据和资源的历史状态进行特征提取，生成时序特征数据和非时序特征数据；特征融合模块，用于：对所述时序特征数据和所述非时序特征数据进行并行处理，生成全连接输入数据；预测模块，用于：采用全连接层和归一化指数分类器结合的方式处理所述全连接输入数据，得到潜在业务信息的预测概率；推荐模块，用于：将最大的所述预测概率对应的潜在业务信息推送至用户。
可选地，所述特征融合模块，还用于：所述时序特征数据包括用户时序特征数据和资源时序特征数据；将所述资源时序特征数据进行归一化处理，生成补全的资源时序特征数据；将所述补全的资源时序特征数据与所述用户时序特征数据按照时间先后顺序进行融合，并将融合后生成的时序融合数据输入循环神经网络；将所述循环神经网络的输出数据与所述非时序特征数据进行拼接，生成全连接输入数据。
可选地，所述特征融合模块，还用于：采用隐马尔科夫链处理所述资源时序特征，并结合用户的历史操作行为，根据极大似然概率构建资源状态转移矩阵；基于所述资源状态转移矩阵，对所述资源时序特征数据进行补全，生成补全的资源时序特征数据。
可选地，所述装置还包括特征预处理模块，用于：对所述时序特征数据按照设定的时间窗口进行分隔处理，并通过滑动窗来扩充所述时序特征数据的数据集；根据移除规则对扩充后的所述时序特征数据进行移除处理，得到新的时序特征数据。
可选地，所述特征预处理模块，还用于：利用随机概率分布函数，对所述时间窗口中所述时序特征数据的输入序列进行随机概率分布；将概率最高的N个输入序列对应的时序特征数据移除，得到新的时序特征数据，其中，N为正整数。
根据本发明实施例的再一个方面，提供了一种电子设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，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前述发明实施例提供的信息推送的方法。
根据本发明实施例的再一个方面，提供了一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如前述发明实施例提供的信息推送的方法。
上述发明中的一个实施例具有如下优点或有益效果：因为采用基于资源状态和用户操作数据的特征融合，同时将用户的非时序特征与时序预测结果进行结合的技术手段，所以克服了现有推荐技术中只考虑用户操作特征，导致多次推送重复信息的技术问题，进而达到准确高效地向用户推送业务信息的技术效果，避免无效的重复推荐，提升了用户体验。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的信息推送的方法的基本流程的示意图；
图2是本发明实施例中GRU模型的内部结构示意图；
图3是LSTM模型的隐含层示意图；
图4是本发明实施例的在时间窗口中随机移除部分时序特征数据的示意图；
图5是根据本发明实施例的信息推送的方法的核心流程的示意图；
图6是根据本发明实施例的信息推送的装置的基本模块的示意图；
图7是本发明实施例可以应用于其中的示例性系统架构图；
图8是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
目前主流推送系统依据用户和产品的相关特征行为，通过计算用户与用户、产品与产品彼此间的相似度来进行推荐，这类推荐数据具有较高的稀疏性。现有的基于深度网络相关的推荐，也旨在构建更好的用户行为特征，并且特征之前的时序性都提现体现在用户点击行为之上，但产品本身的变化状态基本很少体现。基于上述几类这类预测方案均绝大部分为静态预测，或者仅仅只考虑用户操作行为，而且推荐的结果都是无状态，多次推荐重复的结果，未体现时序关系，而实际行为往往包含了一定的时序关系，当前的操作行为往往会受到之前行为序列的影响。由于现有推荐技术极大依赖用户的点击行为、用户画像、点击率模型等，但是若购买云产品服务(可以包括但不限于主机网络、公网IP、云存储、负载均衡、云数据库等)的用户特征的分布比较均衡，交易行为类别远远小于用户购买资源(即云产品服务)的时序变化，产品类别远远小于目前的商品维度，例如用户在一个时间段购买完云主机后，可能会很长一段时间(甚至永远)不会再继续购买，而购买的这个产品实例(例如云主机)的状态则会有：续费、关机、欠费停服，其中有的状态的是由用户行为触发，也有一些状态的是由系统触发。与此同时，用户购买的云产品(服务)的使用流程具备较强的技术性和不起确定性，导致行为特征更多的体现在用户购买的资源侧(即云产品)，资源状态流转：停服、关机、删除等。另一方面，资源侧的变更有一部分是由于用户侧的变更导致，例如：按用量资源或者其他后付费资源产生的相关扣款会导致用户余额不足(会给用户发送“余额预警”相关消息)，进而会导致资源发生欠费停服的操作，但是如果这个资源所属用户在白名单中，则资源可以继续使用，只是会产生欠费的账单而已。
综上所述，用户行为特征、资源特征状态具备较强的时序依赖，如用户的续费行为只能在购买行为后才可能发生，因此需要结合具备时序记忆功能的网络来预测，RNN、LSTM、GRU等神经网络都具备这类特性，但是RNN存在梯度消失等问题，综合考虑，本发明实施例提出了一种结合资源状态和用户时序行为特征的方法，通过预测交易行为来间接实现对用户行为的推荐，例如推荐用户购买资源、续费、关闭资源等操作。
图1是根据本发明实施例的推荐用户行为的方法的基本流程的示意图，如图1所示，本发明实施例提供了一种信息推送的方法，包括：
步骤S101.基于用户的历史操作数据和资源的历史状态进行特征提取，生成时序特征数据和非时序特征数据；
步骤S102.对所述时序特征数据和所述非时序特征数据进行并行处理，生成全连接输入数据；
步骤S103.采用全连接层和归一化指数分类器结合的方式处理所述全连接输入数据，得到潜在业务信息的预测概率；
步骤S104.将最大的所述预测概率对应的潜在业务信息推送至用户。例如，用户订购资源A，按照本发明实施例的方法，通过收集到的用户的历史操作数据和资源A的状态，可以向用户推送的潜在业务信息为“包月订购资源A”，用户可以根据推送的潜在业务信息，考虑是否办理该业务。
在云产品服务平台中，用户规模小，产品类别规模也比较小，并且购买的云资源的状态变更可以受到以下至少之一类因素的影响：用户余额(购买门槛)变化，资源类型(包年包月、按配置、按用量等)、资源开关机操作，资源状态变更(新购、续费、变配、停服、起服等)，代金券发放、余额充值情况、黑白名单、资源标签等。
全连接层是网络结构中的一种结构，即输入的每个元素都会与全连接层的每一个元素进行计算。归一化指数分类器可优先采用SoftMax，SoftMax函数是有限项离散概率分布的梯度对数归一化函数。
本发明实施例采用基于资源状态和用户操作数据的特征融合，同时将用户的非时序特征与时序预测结果进行结合的技术手段，所以克服了现有推荐技术中只考虑用户操作特征，导致多次推送重复信息的技术问题，进而达到准确高效地向用户推送业务信息的技术效果，避免无效的重复推荐，提升了用户体验。
在本发明实施例的步骤S102中，对所述时序特征数据和所述非时序特征数据进行并行处理，生成全连接输入数据，包括：所述时序特征数据包括用户时序特征数据和资源时序特征数据；将所述资源时序特征数据进行归一化处理，生成补全的资源时序特征数据；将所述补全的资源时序特征数据与所述用户时序特征数据按照时间先后顺序进行融合，并将融合后生成的时序融合数据输入循环神经网络；将所述循环神经网络的输出数据与所述非时序特征数据进行拼接，生成全连接输入数据。
在本发明实施例中，循环神经网络可优选为GRU模型。GRU(Gate Recurrent Unit)是循环神经网络(Recurrent Neural Network，RNN)的一种，和LSTM(Long-Short TermMemory)一样，是为了解决长期记忆和反向传播中的梯度等问题而提出来的。图2是本发明实施例中GRU模型的内部结构示意图。如图2所示，GRU可以看成是LSTM的变种，把cellstate和隐状态ht进行合并，在计算当前时刻新信息的方法和LSTM有所不同，使用了同一个门控z就同时可以进行遗忘和选择记忆(LSTM则要使用多个门控)。图3是LSTM模型的隐含层示意图。如图3所示，在LSTM模型中，隐藏层变为一个复杂的块(block)，其中记忆结构被称为神经元(cells)，可以把cells看作是黑盒用以保存当前输入Xt之前的保存的状态ht-1，这些cells更加一定的条件决定哪些cell抑制哪些cell兴奋。它们结合前面的状态、当前的记忆与当前的输入。已经证明，该网络结构在对长序列依赖问题中非常有效。
对于GRU，用户的时序数据和资源的时序数据按照时间顺序进行融合，合并规则依据时间先后顺序。例如，用户时序数据为：新购(时刻a)、关机(时刻c)、续费(时刻f)；资源时序数据为：开机(b)、欠费停服(d)；其中括号内容为时间点，且a<b<c<d<f，则按照时间顺序合并后新时序序列为：新购>开机>关机>欠费停服>续费。经过GRU处理后的数据，通过全连接层并结合Softmax来进行回归，按照计算得分来进行排序，其中概率最大的即为预测的潜在操作行为，同时可以结合业务要求考虑是否增加最低的概率阈值。
用户的历史操作数据可以包括由用户侧的操作行为而产生的数据。资源的历史状态可以包括但不限于由用户侧的操作行为而触发的资源状态。非时序特征数据可以包括但不限于以下几类：用户基础信息、所属行业信息(word2vec构建词向量)、用户类别、认证类型、行业属性、其他画像特征等，本发明实施例可以通过嵌入层(embedding层)对文本数据进行处理，构建非时序特征数据。Word2vec为一群用来产生词向量的相关模型，这些模型为浅层双层的神经网络，用来训练以重新建构语言学之词文本。用户时序特征数据可以包括但不限于以下几类：实名认证、账户激活、余额充值(与对应消息合并)、余额不足预警、黑白名单变更、vip变更、拖曳操作、代金券操作。资源时序特征数据会受到一系列操作行为(用户直接或间接导致)发生状态流转与变化。资源时序特征数据可以包括但不限于以下几类：新购、续费、降配、升配、欠费、欠费停服、到期、到期停服、关机、开机、删除等；其中资源状态的变化存在设定的逻辑关系，例如针对云主机而言，配置变更时变配必须先关机才能进行操作，以及云产品删除后就不会出现也不允许存在其他操作。
本发明实施例采用基于资源状态和用户操作数据的特征融合，同时将用户的非时序特征与时序预测结果进行结合的技术手段，所以克服了现有推荐技术中只考虑用户操作特征，导致多次推送重复信息的技术问题，进而达到准确高效地向用户推送业务信息的技术效果，避免无效的重复推荐，提升了用户体验。
基于上述实施例，在本发明实施例的步骤S102中，将所述资源时序特征数据进行归一化处理，生成补全的资源时序特征数据，包括：采用隐马尔科夫链(HMM)处理所述资源时序特征，并结合用户的历史操作行为，根据极大似然概率构建资源状态转移矩阵；基于所述资源状态转移矩阵，对所述资源时序特征数据进行补全，生成补全的资源时序特征数据。
关于本发明实施例中的对资源时序特征数据进行的归一化处理，可以具体说明如下：
由于模型输入的维度是固定的，因此可能需要对数据拆分或补全过程，当存在窗口期内缺失值问题时，则采用隐马尔科夫链来进行补全，结合用户的历史交易记录，根据极大似然概率来构建状态转移矩阵。HMM(Hidden Markov Model)是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。这里的状态转移矩阵是针对用户的操作行为构建一个矩阵，矩阵中的每一个元素Vij对应的含义为：从状态i到状态j的概率。
本发明实施例采用基于资源状态和用户操作数据的特征融合，同时将用户的非时序特征与时序预测结果进行结合的技术手段，所以克服了现有推荐技术中只考虑用户操作特征，导致多次推送重复信息的技术问题，进而达到准确高效地向用户推送业务信息的技术效果，避免无效的重复推荐，提升了用户体验。
在本发明实施例的步骤S101中的基于用户的历史操作数据和资源的历史状态进行特征提取，生成时序特征数据和非时序特征数据之后，所述方法还包括：对所述时序特征数据按照设定的时间窗口进行分隔处理，并通过滑动窗来扩充所述时序特征数据的数据集；根据移除规则对扩充后的所述时序特征数据进行移除处理，得到新的时序特征数据。
基于上述实施例中的根据移除规则对扩充后的所述时序特征数据进行移除处理，得到新的时序特征数据，本发明实施例包括：利用随机概率分布函数，对所述时间窗口中所述时序特征数据的输入序列进行随机概率分布；将概率最高的N个输入序列对应的时序特征数据移除，得到新的时序特征数据，其中，N为正整数。
针对时序特征数据，需要进行相关的分隔，根据一段时间内产生的操作行为数据(如购买、退款、续费等)。大部分的交易行为上下文的的窗口密集区域均在一周以内，因此本发明实施例可以优先采用固定的时间分隔区间，即一周，并通过滑动窗来扩充数据集。同时为了提高模型的训练效果以及计算速率，本发明实施例随机移除了部分时序数据。图4是本发明实施例的在时间窗口中随机移除部分时序特征数据的示意图。如图4所示，移除的规则采用一个随机概率分布函数，随机的进行移除。例如，如果待删除的数量N为3，则在时间窗口上的输入序列进行随机概率分布，将概率最高的3个序号对应的数据进行移除。
本发明实施例采用基于资源状态和用户操作数据的特征融合，同时将用户的非时序特征与时序预测结果进行结合的技术手段，所以克服了现有推荐技术中只考虑用户操作特征，导致多次推送重复信息的技术问题，进而达到准确高效地向用户推送业务信息的技术效果，避免无效的重复推荐，提升了用户体验。
图5是根据本发明实施例的推荐用户行为的方法的核心流程的示意图。如图5所示，根据用户的操作行为(历史)、资源状态(历史)来进行特征的提取，主要包括数据整合、数据清洗、特征筛选等；针对时序数据和非时序数据进行并行处理，对于图中资源状态的时序数据而言，由于周期内其状态变化可能会比较少，通过HMM来进行预测，生成缺失的部分(一般而言，在尾部进行补全)：补全后的资源时序会与提取的用户行为时序进行融合，构成GRU层的输入；再次，时序数据经过GRU后的输出与用户的特征(通常为用户的固有特性，例如：性别、年龄、月收入、购买力、消费等级等，文本数据则会通过Word2Vec来进行编码)来进行拼接，构成全连接的输入；最后会结合SoftMax分类器来生成预测的行为概率结果，输出概率中概率最大的行为即为推荐的输出结果。
图6是根据本发明实施例的推荐用户行为的装置的基本模块的示意图。如图6所示，根据本发明实施例提供了一种信息推送的装置，包括：
特征提取模块601，用于：基于用户的历史操作数据和资源的历史状态进行特征提取，生成时序特征数据和非时序特征数据；
特征融合模块602，用于：对所述时序特征数据和所述非时序特征数据进行并行处理，生成全连接输入数据；
预测模块603，用于：采用全连接层和归一化指数分类器结合的方式处理所述全连接输入数据，得到潜在业务信息的预测概率；
推荐模块604，用于：将最大的所述预测概率对应的潜在业务信息推送至用户。
本发明实施例采用基于资源状态和用户操作数据的特征融合，同时将用户的非时序特征与时序预测结果进行结合的技术手段，所以克服了现有推荐技术中只考虑用户操作特征，导致多次推送重复信息的技术问题，进而达到准确高效地向用户推送业务信息的技术效果，避免无效的重复推荐，提升了用户体验。
在本发明实施例中，所述特征融合模块602，还用于：所述时序特征数据包括用户时序特征数据和资源时序特征数据；将所述资源时序特征数据进行归一化处理，生成补全的资源时序特征数据；将所述补全的资源时序特征数据与所述用户时序特征数据按照时间先后顺序进行融合，并将融合后生成的时序融合数据输入循环神经网络；将所述循环神经网络的输出数据与所述非时序特征数据进行拼接，生成全连接输入数据。
所述特征融合模块602，还用于：采用隐马尔科夫链处理所述资源时序特征，并结合用户的历史操作行为，根据极大似然概率构建资源状态转移矩阵；基于所述资源状态转移矩阵，对所述资源时序特征数据进行补全，生成补全的资源时序特征数据。
所述装置还包括特征预处理模块，用于：对所述时序特征数据按照设定的时间窗口进行分隔处理，并通过滑动窗来扩充所述时序特征数据的数据集；根据移除规则对扩充后的所述时序特征数据进行移除处理，得到新的时序特征数据。
所述特征预处理模块，还用于：利用随机概率分布函数，对所述时间窗口中所述时序特征数据的输入序列进行随机概率分布；将概率最高的N个输入序列对应的时序特征数据移除，得到新的时序特征数据，其中，N为正整数。
本发明实施例采用基于资源状态和用户操作数据的特征融合，同时将用户的非时序特征与时序预测结果进行结合的技术手段，所以克服了现有推荐技术中只考虑用户操作特征，导致多次推送重复信息的技术问题，进而达到准确高效地向用户推送业务信息的技术效果，避免无效的重复推荐，提升了用户体验。
图7示出了可以应用本发明实施例的推荐用户行为的方法或推荐用户行为的装置的示例性系统架构700。
如图7所示，系统架构700可以包括终端设备701、702、703，网络704和服务器705。网络704用以在终端设备701、702、703和服务器705之间提供通信链路的介质。网络704可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备701、702、703通过网络704与服务器705交互，以接收或发送消息等。终端设备701、702、703上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备701、702、703可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器705可以是提供各种服务的服务器，例如对用户利用终端设备701、702、703所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果例如目标推送信息反馈给终端设备。
需要说明的是，本发明实施例所提供的推荐用户行为的方法一般由服务器705执行，相应地，推荐用户行为的装置一般设置于服务器705中。
应该理解，图7中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
根据本发明的实施例，本发明还提供了一种电子设备和一种可读存储介质。
本发明实施例的电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，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前述发明实施例提供的信息推送的方法。
本发明实施例的计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如前述发明实施例提供的信息推送的方法。
下面参考图8，其示出了适于用来实现本发明实施例的终端设备的计算机系统800的结构示意图。图8示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示，计算机系统800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；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809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，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810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808。
特别地，根据本发明公开的实施例，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，本发明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809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示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。在本发明中，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。而在本发明中，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，图示了按照本发明各种实施例的系统、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，上述模块、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，框图或流程图中的每个方框、以及框图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。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器，包括：特征提取模块、特征融合模块、预测模块、推荐模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，特征提取模块还可以被描述为“提取时序特征数据和非时序特征数据的模块”。
作为另一方面，本发明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设备中所包含的；也可以是单独存在，而未装配入该设备中。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一个该设备执行时，使得该设备包括：基于用户的历史操作数据和资源的历史状态进行特征提取，生成时序特征数据和非时序特征数据；对所述时序特征数据和所述非时序特征数据进行并行处理，生成全连接输入数据；采用全连接层和归一化指数分类器结合的方式处理所述全连接输入数据，得到潜在业务信息的预测概率；将最大的所述预测概率对应的潜在业务信息推送至用户。
本发明实施例采用基于资源状态和用户操作数据的特征融合，同时将用户的非时序特征与时序预测结果进行结合的技术手段，所以克服了现有推荐技术中只考虑用户操作特征，导致多次推送重复信息的技术问题，进而达到准确高效地向用户推送业务信息的技术效果，避免无效的重复推荐，提升了用户体验。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (12)
1.一种信息推送的方法，其特征在于，包括：
基于用户的历史操作数据和资源的历史状态进行特征提取，生成时序特征数据和非时序特征数据；
对所述时序特征数据和所述非时序特征数据进行并行处理，生成全连接输入数据；
采用全连接层和归一化指数分类器结合的方式处理所述全连接输入数据，得到潜在业务信息的预测概率；
将最大的所述预测概率对应的潜在业务信息推送至用户。
2.根据权利要求1所述的方法，其特征在于，对所述时序特征数据和所述非时序特征数据进行并行处理，生成全连接输入数据，包括：
所述时序特征数据包括用户时序特征数据和资源时序特征数据；
将所述资源时序特征数据进行归一化处理，生成补全的资源时序特征数据；
将所述补全的资源时序特征数据与所述用户时序特征数据按照时间先后顺序进行融合，并将融合后生成的时序融合数据输入循环神经网络；
将所述循环神经网络的输出数据与所述非时序特征数据进行拼接，生成全连接输入数据。
3.根据权利要求2所述的方法，其特征在于，将所述资源时序特征数据进行归一化处理，生成补全的资源时序特征数据，包括：
采用隐马尔科夫链处理所述资源时序特征，并结合用户的历史操作行为，根据极大似然概率构建资源状态转移矩阵；
基于所述资源状态转移矩阵，对所述资源时序特征数据进行补全，生成补全的资源时序特征数据。
4.根据权利要求1所述的方法，其特征在于，基于用户的历史操作数据和资源的历史状态进行特征提取，生成时序特征数据和非时序特征数据之后，所述方法还包括：
对所述时序特征数据按照设定的时间窗口进行分隔处理，并通过滑动窗来扩充所述时序特征数据的数据集；
根据移除规则对扩充后的所述时序特征数据进行移除处理，得到新的时序特征数据。
5.根据权利要求4所述的方法，其特征在于，根据移除规则对扩充后的所述时序特征数据进行移除处理，得到新的时序特征数据，包括：
利用随机概率分布函数，对所述时间窗口中所述时序特征数据的输入序列进行随机概率分布；
将概率最高的N个输入序列对应的时序特征数据移除，得到新的时序特征数据，其中，N为正整数。
6.一种信息推送的装置，其特征在于，包括：
特征提取模块，用于：基于用户的历史操作数据和资源的历史状态进行特征提取，生成时序特征数据和非时序特征数据；
特征融合模块，用于：对所述时序特征数据和所述非时序特征数据进行并行处理，生成全连接输入数据；
预测模块，用于：采用全连接层和归一化指数分类器结合的方式处理所述全连接输入数据，得到潜在业务信息的预测概率；
推荐模块，用于：将最大的所述预测概率对应的潜在业务信息推送至用户。
7.根据权利要求6所述的装置，其特征在于，所述特征融合模块，还用于：
所述时序特征数据包括用户时序特征数据和资源时序特征数据；
将所述资源时序特征数据进行归一化处理，生成补全的资源时序特征数据；
将所述补全的资源时序特征数据与所述用户时序特征数据按照时间先后顺序进行融合，并将融合后生成的时序融合数据输入循环神经网络；
将所述循环神经网络的输出数据与所述非时序特征数据进行拼接，生成全连接输入数据。
8.根据权利要求7所述的装置，其特征在于，所述特征融合模块，还用于：
采用隐马尔科夫链处理所述资源时序特征，并结合用户的历史操作行为，根据极大似然概率构建资源状态转移矩阵；
基于所述资源状态转移矩阵，对所述资源时序特征数据进行补全，生成补全的资源时序特征数据。
9.根据权利要求6所述的装置，其特征在于，所述装置还包括特征预处理模块，用于：
对所述时序特征数据按照设定的时间窗口进行分隔处理，并通过滑动窗来扩充所述时序特征数据的数据集；
根据移除规则对扩充后的所述时序特征数据进行移除处理，得到新的时序特征数据。
10.根据权利要求9所述的装置，其特征在于，所述特征预处理模块，还用于：
利用随机概率分布函数，对所述时间窗口中所述时序特征数据的输入序列进行随机概率分布；
将概率最高的N个输入序列对应的时序特征数据移除，得到新的时序特征数据，其中，N为正整数。
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，用于存储一个或多个程序，
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1-5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，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910386078.4A CN111767455A (zh) | 2019-05-09 | 2019-05-09 | 一种信息推送的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910386078.4A CN111767455A (zh) | 2019-05-09 | 2019-05-09 | 一种信息推送的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111767455A true CN111767455A (zh) | 2020-10-13 |
Family
ID=72718157
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910386078.4A Pending CN111767455A (zh) | 2019-05-09 | 2019-05-09 | 一种信息推送的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111767455A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464204A (zh) * | 2020-11-27 | 2021-03-09 | 深圳市富途网络科技有限公司 | 账户管理方法和相关产品 |
| CN112785371A (zh) * | 2021-01-11 | 2021-05-11 | 上海钧正网络科技有限公司 | 一种共享设备位置预测方法、装置及存储介质 |
| CN113033887A (zh) * | 2021-03-18 | 2021-06-25 | 北京云真信科技有限公司 | 一种用户优先级的确定方法、电子设备及可读存储介质 |
| CN113517046A (zh) * | 2021-04-15 | 2021-10-19 | 中南大学 | 一种电子病历中异构数据特征融合方法及基于融合特征的预测方法、系统及可读存储介质 |
| CN114546199A (zh) * | 2022-02-17 | 2022-05-27 | 北京百度网讯科技有限公司 | 一种图像处理方法、装置、电子设备和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005267483A (ja) * | 2004-03-22 | 2005-09-29 | Sony Corp | 情報処理装置および方法、並びにプログラム |
| CN105824912A (zh) * | 2016-03-15 | 2016-08-03 | 平安科技（深圳）有限公司 | 基于用户画像的个性化推荐方法和装置 |
| CN105871940A (zh) * | 2016-06-27 | 2016-08-17 | 乐视控股（北京）有限公司 | 信息推荐方法和系统 |
| CN105869024A (zh) * | 2016-04-20 | 2016-08-17 | 北京小米移动软件有限公司 | 商品的推荐方法及装置 |
| CN107423442A (zh) * | 2017-08-07 | 2017-12-01 | 火烈鸟网络(广州)股份有限公司 | 基于用户画像行为分析的应用推荐方法及系统，储存介质及计算机设备 |
| CN109684543A (zh) * | 2018-12-14 | 2019-04-26 | 北京百度网讯科技有限公司 | 用户行为预测和信息投放方法、装置、服务器和存储介质 |
-
2019
- 2019-05-09 CN CN201910386078.4A patent/CN111767455A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005267483A (ja) * | 2004-03-22 | 2005-09-29 | Sony Corp | 情報処理装置および方法、並びにプログラム |
| CN105824912A (zh) * | 2016-03-15 | 2016-08-03 | 平安科技（深圳）有限公司 | 基于用户画像的个性化推荐方法和装置 |
| CN105869024A (zh) * | 2016-04-20 | 2016-08-17 | 北京小米移动软件有限公司 | 商品的推荐方法及装置 |
| CN105871940A (zh) * | 2016-06-27 | 2016-08-17 | 乐视控股（北京）有限公司 | 信息推荐方法和系统 |
| CN107423442A (zh) * | 2017-08-07 | 2017-12-01 | 火烈鸟网络(广州)股份有限公司 | 基于用户画像行为分析的应用推荐方法及系统，储存介质及计算机设备 |
| CN109684543A (zh) * | 2018-12-14 | 2019-04-26 | 北京百度网讯科技有限公司 | 用户行为预测和信息投放方法、装置、服务器和存储介质 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464204A (zh) * | 2020-11-27 | 2021-03-09 | 深圳市富途网络科技有限公司 | 账户管理方法和相关产品 |
| CN112785371A (zh) * | 2021-01-11 | 2021-05-11 | 上海钧正网络科技有限公司 | 一种共享设备位置预测方法、装置及存储介质 |
| CN113033887A (zh) * | 2021-03-18 | 2021-06-25 | 北京云真信科技有限公司 | 一种用户优先级的确定方法、电子设备及可读存储介质 |
| CN113517046A (zh) * | 2021-04-15 | 2021-10-19 | 中南大学 | 一种电子病历中异构数据特征融合方法及基于融合特征的预测方法、系统及可读存储介质 |
| CN113517046B (zh) * | 2021-04-15 | 2023-11-07 | 中南大学 | 一种电子病历中异构数据特征融合方法及基于融合特征的预测方法、系统及可读存储介质 |
| CN114546199A (zh) * | 2022-02-17 | 2022-05-27 | 北京百度网讯科技有限公司 | 一种图像处理方法、装置、电子设备和存储介质 |
| CN114546199B (zh) * | 2022-02-17 | 2023-09-26 | 北京百度网讯科技有限公司 | 一种图像处理方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111767455A (zh) | 一种信息推送的方法和装置 | |
| CN112765477B (zh) | 信息处理、信息推荐的方法和装置、电子设备和存储介质 | |
| EP4242955A1 (en) | User profile-based object recommendation method and device | |
| CN111861596B (zh) | 一种文本分类方法和装置 | |
| US11809505B2 (en) | Method for pushing information, electronic device | |
| CN111369344B (zh) | 一种动态生成预警规则的方法和装置 | |
| US20230108469A1 (en) | Systems and methods for generating dynamic conversational responses using cluster-level collaborative filtering matrices | |
| CN106919997B (zh) | 一种基于lda的电子商务的用户消费预测方法 | |
| CN111190967B (zh) | 用户多维度数据处理方法、装置及电子设备 | |
| CN114997414A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
| CN112418258A (zh) | 一种特征离散化方法和装置 | |
| CN112860893B (zh) | 短文本分类方法及终端设备 | |
| CN112231299B (zh) | 一种特征库动态调整的方法和装置 | |
| CN113392920A (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
| US11983142B2 (en) | Method for managing backup data, electronic device and computer program product | |
| CN114036921A (zh) | 一种政策信息匹配方法和装置 | |
| CN108768742B (zh) | 网络构建方法及装置、电子设备、存储介质 | |
| CN116662546A (zh) | 投诉文本标注方法、装置、设备和介质 | |
| CN113051479B (zh) | 文件处理、推荐信息生成方法、装置、设备及存储介质 | |
| CN112860626B (zh) | 一种文档排序方法、装置及电子设备 | |
| CN112328899B (zh) | 信息处理方法、信息处理装置、存储介质与电子设备 | |
| CN110807466A (zh) | 一种处理订单数据的方法和装置 | |
| CN114117248A (zh) | 数据处理方法、装置及电子设备 | |
| CN113239259A (zh) | 确定相似店铺的方法和装置 | |
| CN114169418A (zh) | 标签推荐模型训练方法及装置、标签获取方法及装置 |
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 |