CN111768218B - 用于处理用户交互信息的方法和装置 - Google Patents
用于处理用户交互信息的方法和装置 Download PDFInfo
- Publication number
- CN111768218B CN111768218B CN201910300614.4A CN201910300614A CN111768218B CN 111768218 B CN111768218 B CN 111768218B CN 201910300614 A CN201910300614 A CN 201910300614A CN 111768218 B CN111768218 B CN 111768218B
- Authority
- CN
- China
- Prior art keywords
- user
- information
- interaction
- interactive
- feature
- 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
- 230000003993 interaction Effects 0.000 title claims abstract description 581
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012545 processing Methods 0.000 title claims abstract description 35
- 230000002452 interceptive effect Effects 0.000 claims description 262
- 239000011159 matrix material Substances 0.000 claims description 114
- 239000013598 vector Substances 0.000 claims description 94
- 238000012549 training Methods 0.000 claims description 64
- 230000015654 memory Effects 0.000 claims description 19
- 238000002372 labelling Methods 0.000 claims description 12
- 230000002194 synthesizing effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006403 short-term memory Effects 0.000 claims description 9
- 230000007787 long-term memory Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 202
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 235000014510 cooky Nutrition 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Abstract
本公开的实施例公开了用于处理用户交互信息的方法和装置。该方法的一具体实施方式包括：获取与预设交互操作关联的用户交互信息的集合，其中，用户交互信息包括交互对象的类目信息和品牌信息、用户属性信息和与交互对象的品牌对应的交互操作的操作时间信息；基于用户交互信息的集合，生成对应的用户的交互特征；基于用户的交互特征和预先训练的预设操作概率生成模型，确定用户执行与对应的用户交互信息中的交互对象的品牌关联的目标操作的概率。该实施方式实现了根据用户交互信息确定用户执行与对应的用户交互信息中的交互对象的品牌关联的目标操作的概率，从而可以为电商的备货及库存管理决策提供数据支持。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及用于处理用户交互信息的方法和装置。
背景技术
随着人工智能技术的发展，机器学习模型在电商领域得到越来越广泛的应用。一种典型的应用是根据用户与对象的交互(例如浏览商品信息、购买商品)历史，应用预测模型来预测用户的偏好，进而预测用户执行相关操作的概率。
发明内容
本公开的实施例提出了用于处理用户交互信息的方法和装置。
第一方面，本公开的实施例提供了一种用于处理用户交互信息的方法，该方法包括：获取与预设交互操作关联的用户交互信息的集合，其中，用户交互信息包括交互对象的类目信息和品牌信息、用户属性信息和与交互对象的品牌对应的交互操作的操作时间信息；基于用户交互信息的集合，生成对应的用户的交互特征；基于用户的交互特征和预先训练的预设操作概率生成模型，确定用户执行与对应的用户交互信息中的交互对象的品牌关联的目标操作的概率。
在一些实施例中，预先训练的预设操作概率生成模型包括长短期记忆网络、第一全连接网络、第二全连接网络和第三全连接网络。
在一些实施例中，上述用户交互信息还包括交互对象的展现位置，用户的交互特征包括交互操作特征矩阵、用户属性特征向量、类目特征向量和品牌特征向量；以及上述基于用户交互信息的集合，生成对应的用户的交互特征，包括：根据用户交互信息，生成对应的用户的初始交互操作特征矩阵，其中，初始交互操作特征矩阵中的元素用于表征与交互对象的品牌对应的交互操作特征，初始交互操作特征矩阵的元素所在的行号和列号分别用于标识与交互对象的品牌对应的交互操作的操作时间和交互对象的展现位置；将用户的初始交互操作特征矩阵转换为对应的二维矩阵作为对应的用户的交互操作特征矩阵；获取基于用户交互信息中的用户属性信息而生成的用户属性特征向量；获取基于与用户交互信息中的交互对象的类目相关联的信息而生成的类目特征向量和基于与用户交互信息中的交互对象的品牌相关联的信息而生成的品牌特征向量。
在一些实施例中，上述预先训练的预设操作概率生成模型包括至少一个与类目对应的预设操作概率生成子模型；以及上述基于用户的交互特征和预先训练的预设操作概率生成模型，确定用户执行与对应的用户交互信息中的交互对象的品牌关联的目标操作的概率，包括：将根据用户交互信息的集合生成的用户的交互特征输入至与输入的交互特征对应的交互对象的类目相匹配的预设操作概率生成子模型，生成与输入的交互特征对应的、用户执行与用户交互信息中交互对象的品牌关联的目标操作的概率。
在一些实施例中，上述将根据用户交互信息的集合生成的用户的交互特征输入至与输入的交互特征对应的交互对象的类目相匹配的预设操作概率生成子模型，生成与输入的交互特征对应的、用户执行与用户交互信息中交互对象的品牌关联的目标操作的概率，包括：将根据用户交互信息的集合生成的用户的交互操作特征矩阵输入至与输入的用户的交互特征对应的类目相匹配的预设操作概率生成子模型中的长短期记忆网络，生成对应的第一隐含特征；将根据用户交互信息的集合生成的用户属性特征向量输入至与输入的用户的交互特征对应的类目相匹配的预设操作概率生成子模型中的第一全连接网络，生成对应的第二隐含特征；将根据用户交互信息的集合生成的类目特征向量和品牌特征向量输入至与输入的用户的交互特征对应的类目相匹配的预设操作概率生成子模型中的第二全连接网络，生成对应的第三隐含特征；将所生成的第一隐含特征、第二隐含特征和第三隐含特征输入至与输入的用户的交互特征对应的类目相匹配的预设操作概率生成子模型中的第三全连接网络，生成与输入的用户的交互特征对应的用户执行与用户交互信息中交互对象的品牌关联的目标操作的概率。
在一些实施例中，上述预设操作概率生成子模型通过如下步骤训练生成：获取训练样本集合，其中，训练样本包括样本用户交互信息和与样本用户交互信息对应的样本标注信息，样本用户交互信息包括交互对象的类目信息和品牌信息、用户属性信息和与交互对象的品牌对应的交互操作的操作时间信息，样本标注信息用于表征样本用户是否执行与对应的样本用户交互信息中交互对象的品牌关联的目标操作，训练样本集合中的各样本用户交互信息中的类目一致；基于训练样本集合的样本用户交互信息，生成对应的用户的样本交互特征；将所生成的用户的样本交互特征作为输入，将与输入的样本交互特征对应的样本标注信息作为期望输出，训练得到与样本用户交互信息中的交互对象的类目对应的预设操作概率生成子模型。
在一些实施例中，上述用户交互信息通过如下方式获取：响应于确定用户交互信息中不包含用户标识，从用户交互信息中提取出终端设备标识；获取终端设备标识关联的至少一个候选用户标识，将用户交互信息关联至至少一个候选用户标识。
在一些实施例中，上述基于用户交互信息的集合，生成对应的用户的交互特征，还包括：根据用户交互信息中的交互对象的类目信息所指示的类目所属的类目组，将用户交互信息集合中的用户交互信息划分为至少一个交互信息组，其中，类目组基于类目信息所指示的类目之间的相关性划分；根据交互信息组中的用户交互信息，确定各交互信息组中的交互对象的类目种类数；将各交互信息组中的类目种类数个用户的交互操作特征矩阵合成为各交互信息组对应的用户的新的交互操作特征矩阵；将各交互信息组中的类目种类数个用户属性特征向量合成为各交互信息组对应的用户属性特征矩阵。
在一些实施例中，上述预设操作概率生成模型与类目组对应；以及上述基于用户的交互特征和预先训练的预设操作概率生成模型，确定用户执行与对应的用户交互信息中的交互对象的品牌关联的目标操作的概率，包括：根据所合成的新的交互操作特征矩阵对应的类目组，将新的交互操作特征矩阵输入至对应的预设操作概率生成模型中的长短期记忆网络，生成新的第一隐含特征；将所合成的用户属性特征矩阵输入至对应的预设操作概率生成模型中的第一全连接网络，生成新的第二隐含特征；将所生成的类目特征向量和品牌特征向量输入至对应的预设操作概率生成模型中的第二全连接网络，生成第三隐含特征；将所生成的新的第一隐含特征、新的第二隐含特征和第三隐含特征输入至对应的预设操作概率生成模型中的第三全连接网络，生成与输入的用户的交互特征对应的用户执行与用户交互信息中的交互对象的品牌关联的目标操作的概率。
在一些实施例中，该方法还包括：根据所生成的用户执行与对应的用户交互信息中交互对象的品牌关联的目标操作的概率，生成交互对象对应的库存调整信息并推送。
第二方面，本公开的实施例提供了一种用于处理用户交互信息的装置，该装置包括：获取单元，被配置成获取与预设交互操作关联的用户交互信息的集合，其中，用户交互信息包括交互对象的类目信息和品牌信息、用户属性信息和与交互对象的品牌对应的交互操作的操作时间信息；第一生成单元，被配置成基于用户交互信息的集合，生成对应的用户的交互特征；确定单元，被配置成基于用户的交互特征和预先训练的预设操作概率生成模型，确定用户执行与对应的用户交互信息中的交互对象的品牌关联的目标操作的概率。
在一些实施例中，上述预先训练的预设操作概率生成模型包括长短期记忆网络、第一全连接网络、第二全连接网络和第三全连接网络。
在一些实施例中，上述用户交互信息还包括交互对象的展现位置，用户的交互特征包括交互操作特征矩阵、用户属性特征向量、类目特征向量和品牌特征向量；上述第一生成单元包括：第一生成模块，被配置成根据用户交互信息，生成对应的用户的初始交互操作特征矩阵，其中，初始交互操作特征矩阵中的元素用于表征与交互对象的品牌对应的交互操作特征，初始交互操作特征矩阵的元素所在的行号和列号分别用于标识与交互对象的品牌对应的交互操作的操作时间和交互对象的展现位置；转换模块，被配置成将用户的初始交互操作特征矩阵转换为对应的二维矩阵作为对应的用户的交互操作特征矩阵；第一获取模块，被配置成获取基于用户交互信息中的用户属性信息而生成的用户属性特征向量；第二获取模块，被配置成获取基于与用户交互信息中的交互对象的类目相关联的信息而生成的类目特征向量和基于与用户交互信息中的交互对象的品牌相关联的信息而生成的品牌特征向量。
在一些实施例中，上述预先训练的预设操作概率生成模型包括至少一个与类目对应的预设操作概率生成子模型；上述确定单元进一步被配置成：将根据用户交互信息的集合生成的用户的交互特征输入至与输入的交互特征对应的交互对象的类目相匹配的预设操作概率生成子模型，生成与输入的交互特征对应的、用户执行与用户交互信息中交互对象的品牌关联的目标操作的概率。
在一些实施例中，上述确定单元包括：第二生成模块，被配置成将根据用户交互信息的集合生成的用户的交互操作特征矩阵输入至与输入的用户的交互特征对应的类目相匹配的预设操作概率生成子模型中的长短期记忆网络，生成对应的第一隐含特征；第三生成模块，被配置成将根据用户交互信息的集合生成的用户属性特征向量输入至与输入的用户的交互特征对应的类目相匹配的预设操作概率生成子模型中的第一全连接网络，生成对应的第二隐含特征；第四生成模块，被配置成将根据用户交互信息的集合生成的类目特征向量和品牌特征向量输入至与输入的用户的交互特征对应的类目相匹配的预设操作概率生成子模型中的第二全连接网络，生成对应的第三隐含特征；第五生成模块，被配置成将所生成的第一隐含特征、第二隐含特征和第三隐含特征输入至与输入的用户的交互特征对应的类目相匹配的预设操作概率生成子模型中的第三全连接网络，生成与输入的用户的交互特征对应的用户执行与用户交互信息中交互对象的品牌关联的目标操作的概率。
在一些实施例中，上述预设操作概率生成子模型通过如下步骤训练生成：获取训练样本集合，其中，训练样本包括样本用户交互信息和与样本用户交互信息对应的样本标注信息，样本用户交互信息包括交互对象的类目信息和品牌信息、用户属性信息和与交互对象的品牌对应的交互操作的操作时间信息，样本标注信息用于表征样本用户是否执行与对应的样本用户交互信息中交互对象的品牌关联的目标操作，训练样本集合中的各样本用户交互信息中的类目一致；基于训练样本集合的样本用户交互信息，生成对应的用户的样本交互特征；将所生成的用户的样本交互特征作为输入，将与输入的样本交互特征对应的样本标注信息作为期望输出，训练得到与样本用户交互信息中的交互对象的类目对应的预设操作概率生成子模型。
在一些实施例中，上述用户交互信息通过如下方式获取：响应于确定用户交互信息中不包含用户标识，从用户交互信息中提取出终端设备标识；获取终端设备标识关联的至少一个候选用户标识，将用户交互信息关联至至少一个候选用户标识。
在一些实施例中，上述第一生成单元还包括：划分模块，被配置成根据用户交互信息中的交互对象的类目信息所指示的类目所属的类目组，将用户交互信息集合中的用户交互信息划分为至少一个交互信息组，其中，类目组基于类目信息所指示的类目之间的相关性划分；确定模块，被配置成根据交互信息组中的用户交互信息，确定各交互信息组中的交互对象的类目种类数；第一合成模块，被配置成将各交互信息组中的类目种类数个用户的交互操作特征矩阵合成为各交互信息组对应的用户的新的交互操作特征矩阵；第二合成模块，被配置成将各交互信息组中的类目种类数个用户属性特征向量合成为各交互信息组对应的用户属性特征矩阵。
在一些实施例中，上述预设操作概率生成模型与类目组对应；上述确定单元包括：第五生成模块，被配置成根据所合成的新的交互操作特征矩阵对应的类目组，将新的交互操作特征矩阵输入至对应的预设操作概率生成模型中的长短期记忆网络，生成新的第一隐含特征；第六生成模块，被配置成将所合成的用户属性特征矩阵输入至对应的预设操作概率生成模型中的第一全连接网络，生成新的第二隐含特征；第七生成模块，被配置成将所生成的类目特征向量和品牌特征向量输入至对应的预设操作概率生成模型中的第二全连接网络，生成第三隐含特征；第八生成模块，被配置成将所生成的新的第一隐含特征、新的第二隐含特征和第三隐含特征输入至对应的预设操作概率生成模型中的第三全连接网络，生成与输入的用户的交互特征对应的用户执行与用户交互信息中的交互对象的品牌关联的目标操作的概率。
在一些实施例中，该装置还包括：第二生成单元，被配置成根据所生成的用户执行与对应的用户交互信息中交互对象的品牌关联的目标操作的概率，生成交互对象对应的库存调整信息并推送。
第三方面，本公开的实施例提供了一种电子设备，该电子设备包括：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任一实现方式描述的方法。
第四方面，本公开的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任一实现方式描述的方法。
本公开的实施例提供的用于处理用户交互信息的方法和装置，首先获取与预设交互操作关联的用户交互信息的集合，其中，用户交互信息包括交互对象的类目信息和品牌信息、用户属性信息和与交互对象的品牌对应的交互操作的操作时间信息；而后，基于用户交互信息的集合，生成对应的用户的交互特征；之后，基于用户的交互特征和预先训练的预设操作概率生成模型，确定用户执行与对应的用户交互信息中的交互对象的品牌关联的目标操作的概率。实现了根据用户交互信息确定用户执行与对应的用户交互信息中的交互对象的品牌关联的目标操作的概率，从而可以为电商的备货及库存管理决策提供可靠的数据支持。
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，本公开的其它特征、目的和优点将会变得更明显：
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的用于处理用户交互信息的方法的一个实施例的流程图；
图3是根据本公开的实施例的用于处理用户交互信息的方法的一个应用场景的示意图；
图4是根据本公开的用于处理用户交互信息的方法的又一个实施例的流程图；
图5是根据本公开的用于处理用户交互信息的装置的一个实施例的结构示意图；
图6是适于用来实现本公开的实施例的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本公开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，本公开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公开。
图1示出了可以应用本公开的用于处理用户交互信息的方法或用于处理用户交互信息的装置的示例性架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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。
终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、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101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持用户交互的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如为终端设备101、102、103上显示的用户交互对象的内容提供支持的后台服务器。后台服务器可以对接收到的表征用户与交互对象进行交互的用户交互信息进行分析处理，并生成处理结果(如用户执行预设操作的概率)。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本公开的实施例所提供的用于处理用户交互信息的方法一般由服务器105执行，相应地，用于处理用户交互信息的装置一般设置于服务器105中。
应该理解，图1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。
继续参考图2，示出了根据本公开的用于处理用户交互信息的方法的一个实施例的流程200。该用于处理用户交互信息的方法包括以下步骤：
步骤201，获取与预设交互操作关联的用户交互信息的集合。
在本实施例中，用于处理用户交互信息的方法的执行主体(如图1所示的服务器105)可以通过有线或无线连接的方式获取与预设交互操作关联的用户交互信息的集合。其中，上述预设交互操作可以根据实际应用而设定。上述预设交互操作可以包括但不限于以下至少一项：浏览交互对象，点击交互对象，提交购买交互对象中的商品的订单，搜索商品品牌关键词。用户交互信息可以是上述预设交互操作相关的信息。在这里，用户交互信息可以包括交互对象的类目信息和品牌信息、用户属性信息和与交互对象的品牌信息对应的交互操作的操作时间信息。上述交互对象的类目信息可以用于描述交互对象所属的类目。上述类目信息可以包括类目名称。上述类目信息也可以包括但不限于以下至少一项：类目下包括的品牌数目，赫芬达尔—赫希曼指数(Herfindahl-Hirschman Index，HHI)。上述交互对象的品牌信息可以是用于评估交互对象的品牌的价值的信息。上述品牌信息可以包括品牌名称。上述品牌信息也可以包括但不限于以下至少一项：品牌价格指数，市场占有率，市场占有率排名，属于该品牌的商品评分的平均值。上述用户属性信息可以用于构建用户画像(user profile)。上述用户属性信息可以包括但不限于以下至少一项：年龄，性别，职业，购买力得分。上述与交互对象的品牌对应的交互操作的操作时间信息可以用于表征对品牌信息所指示的品牌的交互对象执行上述预设交互操作的时间。作为示例，上述交互对象可以是某商品的广告。
在本实施例中，上述执行主体可以通过各种方式获取用户交互信息集合。作为示例，上述执行主体可以从数据库服务器获取用户交互信息集合。其中，上述用户交互信息集合中的每条信息可以表征某用户在某时刻对描述属于某类目、某品牌的商品的交互对象执行了预设交互操作。作为又一示例，上述执行主体可以首先从终端(如图1所示的终端101、102、103)获取表征用户与交互对象进行交互操作的原始数据。其中，上述原始数据可以包括交互对象所指示的商品的类目和品牌、用户标识信息和交互操作的操作时间信息。上述用户标识信息可以包括但不限于以下至少一项：用户标识(identification，ID)，用户所使用的终端设备标识。其中，上述终端设备标识可以包括但不限于以下至少一项：终端设备的UDID(Unique Device Identifier，唯一设备标识码)，浏览器客户端的标识(例如浏览器Cookie)。例如，上述原始数据可以是“运动鞋，品牌Q，用户ID：abc，2019.3.239:15:20”。之后，上述执行主体还可以根据所获取的交互对象所指示的商品的类目和品牌，从预设存储有大量类目信息和品牌信息的数据库服务器中获取与上述所获取的类目和品牌对应的类目信息和品牌信息，从而得到用户交互信息。实践中，上述类目信息所指示的类目数目例如可以为200。
在本实施例的一些可选的实现方式中，用户交互信息还可以通过如下方式获取：响应于确定用户交互信息中不包含用户标识，从用户交互信息中提取出终端设备标识。之后，可以获取终端设备标识关联的至少一个候选用户标识。其中，用户交互信息中可以包括发起交互操作的用户所使用的终端设备的设备标识，候选用户标识可以包括在该终端设备标识所指示的终端设备上登录过的用户标识。而后，可以将用户交互信息关联至上述至少一个候选用户标识。在这些实现方式中，可以将上述用户交互信息关联至上述每一个候选用户标识，也可以关联至候选用户标识中的指定候选用户标识。其中，上述指定候选用户标识可以根据用户交互信息中的交互操作的操作时间信息而确定。例如，从用户交互信息中提取出用户所使用的终端设备的设备标识“XXX”。之后，根据上述用户交互信息中交互操作的操作时间信息所指示的操作时间，检索上述操作时间前后在设备标识“XXX”所指示的设备上登录过的账号，将登录时间距上述操作时间的时间间隔最小的账号确定为指定候选用户标识。进而，上述执行主体还可以将不包含用户标识的交互信息中的交互对象的类目信息和品牌信息、用户属性信息和与交互对象的品牌信息对应的交互操作的操作时间信息与所关联至的候选用户标识的交互信息合并。
步骤202，基于用户交互信息的集合，生成对应的用户的交互特征。
在本实施例中，基于用户交互信息的集合，上述执行主体可以通过各种方式生成对应的用户的交互特征。其中，用户的交互特征用于表征用户与特定交互对象的交互情况。上述特定交互对象可以是属于某类目某品牌的商品的广告。上述特定交互对象可以预先指定，例如可以指定为属于A类目x品牌的商品的广告。上述特定交互对象也可以根据实际应用而确定，例如可以确定为点击量或浏览量最高的交互对象。
作为示例，上述执行主体首先可以从步骤201所获取的用户交互信息集合中提取用户与特定交互对象的交互情况。例如，提取用户X点击属于类目B、品牌P的商品的广告的时间。之后，可以提取用户X在预设时间间隔(例如1小时、3小时、1天)内点击属于同类目但不同品牌(例如类目B、品牌T)的商品的广告时间。然后，将所提取的广告中的商品所属于的类目和品牌对应的类目信息和品牌信息转换为词向量。例如可以根据预设的对应关系表，将类目信息和品牌信息转换成对应的编号。而后，可以将用户X的用户属性信息转换为词向量。最后，将转换得到的各词向量进行组合，形成用户的交互特征。
在本实施例的一些可选的实现方式中，用户交互信息还可以包括交互对象的展现位置，用户的交互特征可以包括交互操作特征矩阵、用户属性特征向量、类目特征向量和品牌特征向量。其中，上述交互对象的展现位置可以采用广告在网页上的展现位次来表征。
在这些实现方式中，上述执行主体可以按照如下步骤生成对应的用户的交互特征：
第一步，根据用户交互信息，生成对应的用户的初始交互操作特征矩阵。
在这些实现方式中，上述执行主体可以根据用户交互信息中的交互对象的类目信息和品牌信息、用户属性信息和与交互对象的品牌信息对应的交互操作的操作时间信息，生成用户交互信息对应的初始交互操作特征矩阵。其中，上述初始交互操作特征矩阵中的元素可以用于表征与交互对象的品牌对应的交互操作特征。上述初始交互操作特征矩阵的元素所在的行号和列号可以分别用于标识与交互对象的品牌对应的交互操作的操作时间和交互对象的展现位置。上述初始交互操作特征矩阵中的元素例如可以用于表征以下至少一项：用于指示与属于同一品牌的商品的交互对象交互的次数，用于指示与属于同一类目但不同品牌的商品(即竞品)的交互对象交互的次数，用于指示与属于不同类目的商品的交互对象交互的次数。
作为示例，用户交互信息中包括T个时段(例如可以是小时、天)和K个广告展现位置。上述对应的用户的初始交互操作特征矩阵可以是<T,K,3>维度的矩阵。其中，上述矩阵中的每个元素可以是一个长度为3的向量。例如，第t(1≤t≤T)行、第k(1≤k≤K)列的向量所包括的3个分量的值可以分别表征用户交互信息对应的用户在第t个时段内点击或浏览在第k个广告位上展示的该用户交互信息中的广告所指示的商品属于同品牌的商品，属于同类目、不同品牌的商品，属于不同类目的商品的次数。例如，交互信息可以包括商品XX所属的类目A的类目信息、商品XX所属的品牌Q的品牌信息、女性用户、操作时间是2019.3.129:05。可以将每天的时段分为0:00-10:00、10:00-18:00、18:00-24:00三个时段。初始交互操作特征矩阵的第1行、第1列的元素可以为(3,5,0)。那么，上述向量可以表示在0:00-10:00这一时段，对于位于第1广告位的品牌Q的商品广告，该用户累计点击3次；对于位于第1广告位的属于类目A、不属于品牌Q的商品广告，该用户累计点击5次；对于位于第1广告位的不属于类目A的商品广告，该用户没有点击过。实践中，上述K例如可以是15，上述k的不同取值例如可以表征第k天。
第二步，将用户的初始交互操作特征矩阵转换为对应的二维矩阵作为对应的用户的交互操作特征矩阵。
在这些实现方式中，上述执行主体可以根据上述第一步所得到的初始交互操作特征矩阵进行维度转换，生成二维矩阵作为对应的用户的交互操作特征矩阵。
作为示例，上述执行主体可以将维度为<T,K,3>的初始交互操作特征矩阵转换为维度为<T,K×3>的二维矩阵，并将上述二维矩阵作为对应的用户的交互操作特征矩阵。
第三步，获取基于用户交互信息中的用户属性信息而生成的用户属性特征向量。
在这些实现方式中，上述执行主体可以从本地或通信连接的电子设备获取用户属性特征向量。其中，上述用户属性特征向量可以基于用户交互信息中的用户属性信息而生成。上述生成方法可以根据用户属性信息而灵活选择。例如，用户属性信息可以是“年龄：22”。上述用户属性特征向量可以是年龄对应的数值，也可以是与上述年龄所属于的年龄段对应的独热编码(One-Hot Encoding)。
第四步，获取基于与用户交互信息中的交互对象的类目相关联的信息而生成的类目特征向量和基于与用户交互信息中的交互对象的品牌相关联的信息而生成的品牌特征向量。
在这些实现方式中，上述执行主体可以从本地或通信连接的电子设备获取类目特征向量和品牌特征向量。其中，上述类目特征向量可以基于与用户交互信息中的交互对象的类目相关联的信息而生成。上述品牌特征向量可以基于与用户交互信息中的交互对象的品牌相关联的信息而生成。上述生成方法可以与上述第三步生成用户属性特征向量的方法类似，此处不再赘述。
步骤203，基于用户的交互特征和预先训练的预设操作概率生成模型，确定用户执行与对应的用户交互信息中的交互对象的品牌关联的目标操作的概率。
在本实施例中，基于预先训练的预设操作概率生成模型和步骤202所生成的用户的交互特征，上述执行主体可以确定用户执行与对应的用户交互信息中的交互对象的品牌关联的目标操作的概率。其中，上述目标操作可以包括但不限于购买交互对象所指示的品牌的商品。
作为示例，上述执行主体可以将步骤202所生成的用户的交互特征输入至预先训练的预设操作概率生成模型。其中，上述预先训练的预设操作概率生成模型可以是通过机器学习方法而预先训练的各种序列模型(Sequence Models)。例如，循环神经网络(Recurrent Neural Network，RNN)、长短期记忆网络(Long Short-Term Memory，LSTM)、双向递归神经网络(Bidirectional RNN)等。
在本实施例的一些可选的实现方式中，上述预先训练的预设操作概率生成模型可以包括长短期记忆网络、第一全连接网络、第二全连接网络和第三全连接网络。
在这些实现方式中，上述预先训练的预设操作概率生成模型可以包括至少一个与类目对应的预设操作概率生成子模型。由于用户的交互特征可以基于用户交互信息而生成；用户交互信息可以包括交互对象的类目信息；类目信息可以指示对应的类目。因此，上述执行主体可以将用户的交互特征输入至与该交互特征对应的类目相匹配的预设操作概率生成子模型，从而生成与输入的交互特征对应的、用户执行与用户交互信息中交互对象的品牌关联的目标操作的概率。
可选地，上述执行主体可以按照如下步骤生成输入的交互特征对应的、用户执行与用户交互信息中交互对象的品牌关联的目标操作的概率：
第一步，将根据用户交互信息的集合生成的用户的交互操作特征矩阵输入至与输入的用户的交互特征对应的类目相匹配的预设操作概率生成子模型中的长短期记忆网络，生成对应的第一隐含特征。
在这些实现方式中，上述第一隐含特征的隐含状态数H通常设置为128～512之间。例如，可以选为256。
第二步，将根据用户交互信息的集合生成的用户属性特征向量输入至与输入的用户的交互特征对应的类目相匹配的预设操作概率生成子模型中的第一全连接网络，生成对应的第二隐含特征。
在这些实现方式中，上述第一全连接网络的激活函数例如可以采用tanh函数。第三步，将根据用户交互信息的集合生成的类目特征向量和品牌特征向量输入至与输入的用户的交互特征对应的类目相匹配的预设操作概率生成子模型中的第二全连接网络，生成对应的第三隐含特征。
在这些实现方式中，上述第二全连接网络的激活函数例如可以采用tanh函数。
第四步，将所生成的第一隐含特征、第二隐含特征和第三隐含特征输入至与输入的用户的交互特征对应的类目相匹配的预设操作概率生成子模型中的第三全连接网络，生成与输入的用户的交互特征对应的用户执行与用户交互信息中交互对象的品牌关联的目标操作的概率。
在这些实现方式中，上述第三全连接网络的激活函数例如可以采用tanh函数。
在这些实现方式中，上述预设操作概率生成子模型可以通过如下步骤训练生成：
第一步，获取训练样本集合。训练样本集合中的每个训练样本可以包括样本用户交互信息和与样本用户交互信息对应的样本标注信息。其中，样本用户交互信息可以包括交互对象的类目信息和品牌信息、用户属性信息和与交互对象的品牌信息对应的交互操作的操作时间信息。样本标注信息可以用于表征样本用户是否执行与对应的样本用户交互信息中交互对象的品牌关联的目标操作。上述训练样本集合中的各样本用户交互信息中的类目信息所指示的类目一致。例如，上述训练样本集合中的类目信息所指示的类目都是“女装”。
在这些实现方式中，训练样本可以通过多种方式得到。作为示例，可以由获取训练样本集合的执行主体通过如步骤201的方式获取历史数据，并根据所获取的历史数据生成样本用户交互信息。之后，执行主体可以将表征执行与对应的样本用户交互信息中交互对象的品牌关联的目标操作(例如购买该品牌的商品)的历史数据对应的样本标注信息确定为1，将未执行上述目标操作的历史数据对应的样本标注信息确定为0。而后，可以将样本用户交互信息与对应的样本标注信息关联存储，最终得到训练样本。通过大量的历史数据形成大量的训练样本，进而组成训练样本集合。
可选地，实践中，如果样本标注信息为1的训练样本(即正例)的数目小于样本标注信息为0的训练样本(即负例)的数目，获取训练样本集合的执行主体可以按照随机抽样的方法保留与正例数目相同的负例。
第二步，基于训练样本集合的样本用户交互信息，生成对应的用户的样本交互特征。
在这些实现方式中，用于训练预设操作概率生成子模型的执行主体基于上述第二步所获取的训练样本集合的样本用户交互信息，可以通过与前述实施例中的步骤202类似的方法生成对应的用户的样本交互特征，此处不再赘述。
第三步，将所生成的用户的样本交互特征作为输入，将与输入的样本交互特征对应的样本标注信息作为期望输出，训练得到与样本用户交互信息中的交互对象的类目对应的预设操作概率生成子模型。
在这些实现方式中，用于训练预设操作概率生成子模型的执行主体可以将所生成的样本交互特征输入至初始模型，得到样本用户执行与对应的样本用户交互信息中交互对象的品牌关联的目标操作的概率。然后，可以利用预设的损失函数计算所得到的概率与输入的样本交互特征对应的样本标注信息之间的差异程度。之后，基于所得到的差异程度，调整初始模型的网络参数，并在满足预设的训练结束条件的情况下结束训练。最后，可以将训练得到的初始模型确定为与样本交互特征对应的类目对应的预设操作概率生成子模型。进一步地，还可以根据训练得到的预设操作概率生成子模型的网络参数(例如网络神经元之间的权值)来确定用户交互信息中对最终所生成的概率影响较大的信息。
需要说明的是，上述损失函数可以采用对数损失函数。上述预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异程度小于预设的差异阈值；测试集上的准确率达到预设的准确率阈值；测试集上的覆盖率达到预设的覆盖率阈值。上述调整初始模型的网络参数的方法可以包括但不限于以下至少一项：BP(Back Propagation，反向传播)算法，SGD(Stochastic GradientDescent，随机梯度下降)算法。
在本实施例的一些可选的实现方式中，上述执行主体还可以根据所生成的用户执行与对应的用户交互信息中交互对象的品牌关联的目标操作的概率，生成交互对象对应的库存调整信息并推送。
在这些实现方式中，上述所生成的概率可以用于指示用户购买某品牌的商品的可能性。上述执行主体还可以计算所生成的概率大于预设阈值的数目。之后，上述执行主体还可以根据上述计算出的数目生成用于调整对应品牌的商品的库存调整信息。可选地，上述执行主体还可以将所生成的库存调整信息发送至目标设备。其中，上述目标设备可以是物流仓库中控制商品分发的设备。从而可以为商品备货和库存管理提供支持。
继续参见图3，图3是根据本公开的实施例的用于处理用户交互信息的方法的应用场景的一个示意图。在图3的应用场景中，用户使用终端设备301登录用户账号X后浏览电商网页。后台网页服务器302的日志303中记录了用户账号X在不同时间点击了不同内容的广告。后台网页服务器302可以根据日志303中记录的内容、获取与用户账号和属于某类目某品牌的商品的广告的信息。例如用户账号X对应的性别为“女”，用户账号的购买力指数为73，B类目下包括的品牌数目为18，P品牌在所属类目B下的综合排名为第3位。从而形成用户交互信息的集合304。之后，后台网页服务器302可以根据预设的对应关系表305，生成了用户账号X对应的交互特征306。上述交互特征可以表征购买力指数为73的女性用户X在一小时内，依次点击过属于B类目P品牌的商品的广告、属于B类目T品牌的商品的广告、属于B类目P品牌的商品的广告。其中，B类目对应编号20，P品牌对应编号24，T品牌对应编号28。而后，后台网页服务器302可以将上述交互特征306输入至预先训练的预设操作概率生成模型，生成用户购买属于B类目P品牌的商品的概率307为0.84。
目前，现有技术之一通常是基于用户的点击、浏览、购买等历史记录对未来购买行为进行预测，而忽略了特定交互对象(例如广告的点击或曝光)带来的影响。现有技术之一通常还采用逻辑回归模型(Logistic Regression，LR)、梯度提升树(Gradient BoostingDecision Tree，GBDT)等浅层模型，导致无法捕捉用户行为的时间序列特征。而本公开的上述实施例提供的方法，通过获取与预设交互操作关联的用户交互信息的集合，实现了可以综合考虑用户对交互对象(例如属于不同类目和不同品牌的商品的广告)的不同交互行为对用户执行目标操作(例如购买属于某类目某品牌的商品)的概率大小的影响。由于用户交互信息集合中包含了交互行为的时间，从而可以提取相关时间序列特征，使得预测更加准确。进而，还可以根据所得到的用户执行目标操作(例如购买属于某类目某品牌的商品)的概率大小来指导电商的备货和库存管理。
进一步参考图4，其示出了用于处理用户交互信息的方法的又一个实施例的流程400。该用于处理用户交互信息的方法的流程400，包括以下步骤：
步骤401，获取与预设交互操作关联的用户交互信息的集合。
步骤402，根据用户交互信息，生成对应的用户的初始交互操作特征矩阵。
步骤403，获取基于用户交互信息中的用户属性信息而生成的用户属性特征向量。
步骤404，获取基于与用户交互信息中的交互对象的类目相关联的信息而生成的类目特征向量和基于与用户交互信息中的交互对象的品牌相关联的信息而生成的品牌特征向量。
上述步骤401与前述实施例中的步骤201一致，上文针对步骤201的描述也适用于步骤401，步骤402至步骤404的具体实现方式可以对应参考前述实施例中步骤202的描述，此处不再赘述。
步骤405，根据用户交互信息中的交互对象的类目信息所指示的类目所属的类目组，将用户交互信息集合中的用户交互信息划分为至少一个交互信息组。
在本实施例中，上述执行主体可以根据用户交互信息中的交互对象的类目信息所指示的类目所属的类目组，将用户交互信息集合中的用户交互信息划分为至少一个交互信息组。其中，类目组可以基于类目信息所指示的类目之间的相关性划分。上述类目之间的相关性可以预先设定，也可以根据相似度是否大于预设相关阈值来确定。通常，预设相关阈值的大小往往会影响到类目组中包括的类目数目。实践中，类目数目往往与预设操作概率生成子模型的参数有关。例如，如前述实施例中T(用户交互信息中包括的时段的总数)、K(广告展现位置的总数)、H(第一隐含特征的隐含状态数)的含义，令每个类目组中包括的类目数目的平均值为通常使得/>的值不超过100,000,000。
步骤406，根据交互信息组中的用户交互信息，确定各交互信息组中的交互对象的类目种类数。
在本实施例中，对于步骤406所划分的至少一个交互信息组，上述执行主体可以确定各交互信息组中的交互对象的类目种类数。通常，作为同一批预设操作概率生成模型的输入，上述交互信息组中的交互对象的类目信息所指示的类目各不相同。
步骤407，将各交互信息组中的类目种类数个用户的交互操作特征矩阵合成为各交互信息组对应的用户的新的交互操作特征矩阵。
在本实施例中，对于每个类目组，上述执行主体可以利用矩阵转换，将类目种类数个用户的交互操作特征矩阵合成一个新的交互操作特征矩阵。
作为示例，某类目组中的交互对象的类目种类数可以为M。用户交互操作特征矩阵X可以为维度为<T,K×3>的二维矩阵。上述执行主体可以令新的交互操作特征矩阵X'＝X×FX。其中，Fx可以为<K×3，M×K×3>维度的分块矩阵，每块为<K×3，K×3>的方阵，共M块。对于该类目组中的第i(1≤i≤M)个类目，上述分块矩阵的第i个方阵为单位矩阵，其他方阵为零矩阵。
步骤408，将各交互信息组中的类目种类数个用户属性特征向量合成为各交互信息组对应的用户属性特征矩阵。
在本实施例中，对于每个类目组，上述执行主体可以利用矩阵转换，将类目种类数个用户属性特征向量合成一个用户属性特征矩阵。
作为示例，某类目组中的交互对象的类目种类数可以为M。用户属性特征向量U可以为维度为N2的向量。上述执行主体可以令用户属性特征矩阵U'＝U×FU。其中，FU可以为<N2，M×N2>维度的分块矩阵，每块为<N2，N2>的方阵，共M块。对于该类目组中的第i(1≤i≤M)个类目，上述分块矩阵的第i个方阵为单位矩阵，其他方阵为零矩阵。
步骤409，基于用户的交互特征和预先训练的预设操作概率生成模型，确定用户执行与对应的用户交互信息中的交互对象的品牌关联的目标操作的概率。
在本实施例中，上述步骤409可以与前述实施例中的步骤203一致，上文针对步骤203的描述也适用于步骤409，此处不再赘述。
需要说明的是，由于作为预设操作概率生成模型的输入的用户的交互特征的维度发生变化，所以预设操作概率生成模型的网络参数也相应地发生变化。上述预设操作概率生成模型的输出可以为维度与输入的用户的交互特征中的方阵块数(例如M)相同的向量。其中，上述输出的向量的每个元素为输入的用户的交互特征对应的各个类目所对应的概率输出结果。
在本实施例的一些可选的实现方式中，上述执行主体可以按照如下步骤生成输入的交互特征对应的、用户执行与用户交互信息中交互对象的品牌关联的目标操作的概率：
第一步，根据所合成的新的交互操作特征矩阵对应的类目组，将新的交互操作特征矩阵输入至对应的预设操作概率生成模型中的长短期记忆网络，生成新的第一隐含特征；
第二步，将所合成的用户属性特征矩阵输入至对应的预设操作概率生成模型中的第一全连接网络，生成新的第二隐含特征；
第三步，将所生成的类目特征向量和品牌特征向量输入至对应的预设操作概率生成模型中的第二全连接网络，生成第三隐含特征；
第四步，将所生成的新的第一隐含特征、新的第二隐含特征和第三隐含特征输入至对应的预设操作概率生成模型中的第三全连接网络，生成与输入的用户的交互特征对应的用户执行与用户交互信息中的交互对象的品牌关联的目标操作的概率。
需要说明的是，上述预设操作概率生成模型的训练与前述实施例中的步骤203的描述类似。不同之处包括，基于训练样本生成样本交互特征之后，采用如前述步骤406至步骤409的方式对样本交互特征的维度进行转换，通过机器学习的方法训练得到与输入的样本交互特征维度对应的预设操作概率生成模型。从而，上述训练得到的预设操作概率生成模型与输入的样本交互特征对应的类目所属的类目组相对应。在类目数目较大时，将与包括多个相关类目的类目组对应的预设操作概率生成模型进行并行训练，可以极大地节约计算资源，提升模型训练速度。实践中，在类目数目为200时，为每个类目单独训练预设操作概率生成子模型需要至少200台4卡GPU(Graphics Processing Unit，图形处理器)机器，训练时间超过24小时。而采用将上述200个类目划分为7个相关类目组、并行训练7个与类目组对应的预设操作概率生成模型，仅需要7个4卡GPU机器。
在本实施例的一些可选的实现方式中，上述执行主体还可以根据所生成的用户执行与对应的用户交互信息中交互对象的品牌关联的目标操作的概率，生成交互对象对应的库存调整信息并推送。
在这些实现方式中，具体实现方式可以对应参考前述实施例中的相关描述，此处不再赘述。
从图4中可以看出，本实施例中的用于处理用户交互信息的方法的流程400体现了根据类目之间的相关性划分交互信息组并生成各交互信息组对应的新的交互操作特征矩阵和用户属性特征矩阵的步骤。由此，本实施例描述的方案可以在用户交互信息的集合所包含的类目信息所指示的类目的数量较大(例如大于10)时，利用多个类目对应的特征经矩阵转换生成类目组对应的新的交互特征，输入预设操作概率生成模型后可以得到与类目组中多个类目对应的结果。此外，与输入的用户的新的交互特征对应的预设操作概率生成模型实现了多个相关类目的模型并行训练，从而有效地节约了计算资源，提高了模型的训练效率。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了用于处理用户交互信息的装置的一个实施例，该装置实施例与图2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5所示，本实施例提供的用于处理用户交互信息的装置500包括获取单元501、第一生成单元502和确定单元503。其中，获取单元501，被配置成获取与预设交互操作关联的用户交互信息的集合，用户交互信息包括交互对象的类目信息和品牌信息、用户属性信息和与交互对象的品牌对应的交互操作的操作时间信息；第一生成单元502，被配置成基于用户交互信息的集合，生成对应的用户的交互特征；确定单元503，被配置成基于用户的交互特征和预先训练的预设操作概率生成模型，确定用户执行与对应的用户交互信息中的交互对象的品牌关联的目标操作的概率。
在本实施例中，用于处理用户交互信息的装置500中：获取单元501、第一生成单元502和确定单元的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，上述预先训练的预设操作概率生成模型可以包括长短期记忆网络、第一全连接网络、第二全连接网络和第三全连接网络。
在本实施例的一些可选的实现方式中，上述用户交互信息还可以包括交互对象的展现位置，用户的交互特征包括交互操作特征矩阵、用户属性特征向量、类目特征向量和品牌特征向量；上述第一生成单元502可以包括：第一生成模块(图中未示出)、转换模块(图中未示出)、第一获取模块(图中未示出)、第二获取模块(图中未示出)。其中，上述第一生成模块，可以被配置成根据用户交互信息，生成对应的用户的初始交互操作特征矩阵，初始交互操作特征矩阵中的元素可以用于表征与交互对象的品牌对应的交互操作特征，初始交互操作特征矩阵的元素所在的行号和列号可以分别用于标识与交互对象的品牌对应的交互操作的操作时间和交互对象的展现位置。上述转换模块，可以被配置成将用户的初始交互操作特征矩阵转换为对应的二维矩阵作为对应的用户的交互操作特征矩阵。上述第一获取模块，可以被配置成获取基于用户交互信息中的用户属性信息而生成的用户属性特征向量。上述第二获取模块，可以被配置成获取基于与用户交互信息中的交互对象的类目相关联的信息而生成的类目特征向量和基于与用户交互信息中的交互对象的品牌相关联的信息而生成的品牌特征向量。
在本实施例的一些可选的实现方式中，上述预先训练的预设操作概率生成模型可以包括至少一个与类目对应的预设操作概率生成子模型；上述确定单元503可以进一步被配置成：将根据用户交互信息的集合生成的用户的交互特征输入至与输入的交互特征对应的交互对象的类目相匹配的预设操作概率生成子模型，生成与输入的交互特征对应的、用户执行与用户交互信息中交互对象的品牌关联的目标操作的概率。
在本实施例的一些可选的实现方式中，上述确定单元503可以包括：第二生成模块(图中未示出)、第三生成模块(图中未示出)、第四生成模块(图中未示出)、第五生成模块(图中未示出)。其中，上述第二生成模块，可以被配置成将根据用户交互信息的集合生成的用户的交互操作特征矩阵输入至与输入的用户的交互特征对应的类目相匹配的预设操作概率生成子模型中的长短期记忆网络，生成对应的第一隐含特征。上述第三生成模块，可以被配置成将根据用户交互信息的集合生成的用户属性特征向量输入至与输入的用户的交互特征对应的类目相匹配的预设操作概率生成子模型中的第一全连接网络，生成对应的第二隐含特征。上述第四生成模块，可以被配置成将根据用户交互信息的集合生成的类目特征向量和品牌特征向量输入至与输入的用户的交互特征对应的类目相匹配的预设操作概率生成子模型中的第二全连接网络，生成对应的第三隐含特征。上述第五生成模块，可以被配置成将所生成的第一隐含特征、第二隐含特征和第三隐含特征输入至与输入的用户的交互特征对应的类目相匹配的预设操作概率生成子模型中的第三全连接网络，生成与输入的用户的交互特征对应的用户执行与用户交互信息中交互对象的品牌关联的目标操作的概率。
在本实施例的一些可选的实现方式中，上述预设操作概率生成子模型可以通过如下步骤训练生成：获取训练样本集合，其中，训练样本可以包括样本用户交互信息和与样本用户交互信息对应的样本标注信息，样本用户交互信息可以包括交互对象的类目信息和品牌信息、用户属性信息和与交互对象的品牌对应的交互操作的操作时间信息，样本标注信息可以用于表征样本用户是否执行与对应的样本用户交互信息中交互对象的品牌关联的目标操作，训练样本集合中的各样本用户交互信息中的类目一致；基于训练样本集合的样本用户交互信息，可以生成对应的用户的样本交互特征；将所生成的用户的样本交互特征作为输入，将与输入的样本交互特征对应的样本标注信息作为期望输出，训练得到与样本用户交互信息中的交互对象的类目对应的预设操作概率生成子模型。
在本实施例的一些可选的实现方式中，上述用户交互信息可以通过如下方式获取：响应于确定用户交互信息中不包含用户标识，从用户交互信息中提取出终端设备标识；获取终端设备标识关联的至少一个候选用户标识，将用户交互信息关联至至少一个候选用户标识。
在本实施例的一些可选的实现方式中，上述第一生成单元502还可以包括：划分模块(图中未示出)、确定模块(图中未示出)、第一合成模块(图中未示出)、第二合成模块(图中未示出)。其中，上述划分模块，可以被配置成根据用户交互信息中的交互对象的类目信息所指示的类目所属的类目组，将用户交互信息集合中的用户交互信息划分为至少一个交互信息组，其中，类目组可以基于类目信息所指示的类目之间的相关性划分。上述确定模块，可以被配置成根据交互信息组中的用户交互信息，确定各交互信息组中的交互对象的类目种类数。上述第一合成模块，可以被配置成将各交互信息组中的类目种类数个用户的交互操作特征矩阵合成为各交互信息组对应的用户的新的交互操作特征矩阵。上述第二合成模块，可以被配置成将各交互信息组中的类目种类数个用户属性特征向量合成为各交互信息组对应的用户属性特征矩阵。
在本实施例的一些可选的实现方式中，上述预设操作概率生成模型可以与类目组对应。上述确定单元503可以包括：第五生成模块(图中未示出)、第六生成模块(图中未示出)、第七生成模块(图中未示出)、第八生成模块(图中未示出)。其中，上述第五生成模块，可以被配置成根据所合成的新的交互操作特征矩阵对应的类目组，将新的交互操作特征矩阵输入至对应的预设操作概率生成模型中的长短期记忆网络，生成新的第一隐含特征。上述第六生成模块，可以被配置成将所合成的用户属性特征矩阵输入至对应的预设操作概率生成模型中的第一全连接网络，生成新的第二隐含特征。上述第七生成模块，可以被配置成将所生成的类目特征向量和品牌特征向量输入至对应的预设操作概率生成模型中的第二全连接网络，生成第三隐含特征。上述第八生成模块，可以被配置成将所生成的新的第一隐含特征、新的第二隐含特征和第三隐含特征输入至对应的预设操作概率生成模型中的第三全连接网络，生成与输入的用户的交互特征对应的用户执行与用户交互信息中的交互对象的品牌关联的目标操作的概率。
在本实施例的一些可选的实现方式中，用于处理用户交互信息的装置500还可以包括：第二生成单元(图中未示出)，被配置成根据所生成的用户执行与对应的用户交互信息中交互对象的品牌关联的目标操作的概率，生成交互对象对应的库存调整信息并推送。
本公开的上述实施例提供的装置，通过获取单元501获取与预设交互操作关联的用户交互信息的集合，其中，用户交互信息包括交互对象的类目信息和品牌信息、用户属性信息和与交互对象的品牌对应的交互操作的操作时间信息；之后，第一生成单元502基于用户交互信息的集合，生成对应的用户的交互特征；而后，确定单元503基于用户的交互特征和预先训练的预设操作概率生成模型，确定用户执行与对应的用户交互信息中的交互对象的品牌关联的目标操作的概率。实现了根据用户交互信息确定用户执行与对应的用户交互信息中的交互对象的品牌关联的目标操作的概率，从而可以为电商决策提供数据支持。
下面参考图6，下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标等的输入装置606；包括例如液晶显示器(LCD，Liquid Crystal Display)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
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装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。
需要说明的是，本公开的实施例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。在本公开的实施例中，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。而在本公开的实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(Radio Frequency，射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。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该电子设备执行时，使得该电子设备：获取与预设交互操作关联的用户交互信息的集合，其中，用户交互信息包括交互对象的类目信息和品牌信息、用户属性信息和与交互对象的品牌对应的交互操作的操作时间信息；基于用户交互信息的集合，生成对应的用户的交互特征；基于用户的交互特征和预先训练的预设操作概率生成模型，确定用户执行与对应的用户交互信息中的交互对象的品牌关联的目标操作的概率。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开的各种实施例的系统、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。
描述于本公开的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，例如，可以描述为：一种处理器，包括获取单元、第一生成单元、确定单元。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，例如，获取单元还可以被描述为“获取与预设交互操作关联的用户交互信息的集合的单元，其中，用户交互信息包括交互对象的类目信息和品牌信息、用户属性信息和与交互对象的品牌对应的交互操作的操作时间信息”。
以上描述仅为本公开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，本公开的实施例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。例如上述特征与本公开的实施例中公开的(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 (20)
1.一种用于处理用户交互信息的方法，包括：
获取与预设交互操作关联的用户交互信息的集合，其中，用户交互信息包括交互对象的类目信息和品牌信息、用户属性信息和与交互对象的品牌对应的交互操作的操作时间信息；
基于所述用户交互信息的集合，生成对应的用户的交互特征，其中，所述交互特征用于表征用户与特定交互对象的交互情况；
基于用户的交互特征和预先训练的预设操作概率生成模型，确定用户执行与对应的用户交互信息中的交互对象的品牌关联的目标操作的概率；
其中，所述基于所述用户交互信息的集合，生成对应的用户的交互特征，包括：
根据用户交互信息中的交互对象的类目信息所指示的类目所属的类目组，将所述集合中的用户交互信息划分为至少一个交互信息组，其中，所述类目组基于类目信息所指示的类目之间的相关性划分；
根据交互信息组中的用户交互信息，确定各交互信息组中的交互对象的类目种类数；
将各交互信息组中的类目种类数个用户的交互操作特征矩阵合成为各交互信息组对应的用户的新的交互操作特征矩阵；
将各交互信息组中的类目种类数个用户属性特征向量合成为各交互信息组对应的用户属性特征矩阵。
2.根据权利要求1所述的方法，其中，所述预先训练的预设操作概率生成模型包括长短期记忆网络、第一全连接网络、第二全连接网络和第三全连接网络。
3.根据权利要求2所述的方法，其中，所述用户交互信息还包括交互对象的展现位置，用户的交互特征包括交互操作特征矩阵、用户属性特征向量、类目特征向量和品牌特征向量；以及
所述基于所述用户交互信息的集合，生成对应的用户的交互特征，包括：
根据用户交互信息，生成对应的用户的初始交互操作特征矩阵，其中，初始交互操作特征矩阵中的元素用于表征与交互对象的品牌对应的交互操作特征，初始交互操作特征矩阵的元素所在的行号和列号分别用于标识与交互对象的品牌对应的交互操作的操作时间和交互对象的展现位置；
将所述用户的初始交互操作特征矩阵转换为对应的二维矩阵作为对应的用户的交互操作特征矩阵；
获取基于所述用户交互信息中的用户属性信息而生成的用户属性特征向量；
获取基于与所述用户交互信息中的交互对象的类目相关联的信息而生成的类目特征向量和基于与所述用户交互信息中的交互对象的品牌相关联的信息而生成的品牌特征向量。
4.根据权利要求3所述的方法，其中，所述预先训练的预设操作概率生成模型包括至少一个与类目对应的预设操作概率生成子模型；以及
所述基于用户的交互特征和预先训练的预设操作概率生成模型，确定用户执行与对应的用户交互信息中的交互对象的品牌关联的目标操作的概率，包括：
将根据所述用户交互信息的集合生成的用户的交互特征输入至与输入的交互特征对应的交互对象的类目相匹配的预设操作概率生成子模型，生成与输入的交互特征对应的、用户执行与用户交互信息中交互对象的品牌关联的目标操作的概率。
5.根据权利要求4所述的方法，其中，所述将根据所述用户交互信息的集合生成的用户的交互特征输入至与输入的交互特征对应的交互对象的类目相匹配的预设操作概率生成子模型，生成与输入的交互特征对应的、用户执行与用户交互信息中交互对象的品牌关联的目标操作的概率，包括：
将根据所述用户交互信息的集合生成的用户的交互操作特征矩阵输入至与输入的用户的交互特征对应的类目相匹配的预设操作概率生成子模型中的长短期记忆网络，生成对应的第一隐含特征；
将根据所述用户交互信息的集合生成的用户属性特征向量输入至与输入的用户的交互特征对应的类目相匹配的预设操作概率生成子模型中的第一全连接网络，生成对应的第二隐含特征；
将根据所述用户交互信息的集合生成的类目特征向量和品牌特征向量输入至与输入的用户的交互特征对应的类目相匹配的预设操作概率生成子模型中的第二全连接网络，生成对应的第三隐含特征；
将所生成的第一隐含特征、第二隐含特征和第三隐含特征输入至与输入的用户的交互特征对应的类目相匹配的预设操作概率生成子模型中的第三全连接网络，生成与输入的用户的交互特征对应的用户执行与用户交互信息中交互对象的品牌关联的目标操作的概率。
6.根据权利要求5所述的方法，其中，所述预设操作概率生成子模型通过如下步骤训练生成：
获取训练样本集合，其中，训练样本包括样本用户交互信息和与样本用户交互信息对应的样本标注信息，样本用户交互信息包括交互对象的类目信息和品牌信息、用户属性信息和与交互对象的品牌对应的交互操作的操作时间信息，样本标注信息用于表征样本用户是否执行与对应的样本用户交互信息中交互对象的品牌关联的目标操作，所述训练样本集合中的各样本用户交互信息中的类目一致；
基于所述训练样本集合的样本用户交互信息，生成对应的用户的样本交互特征；
将所生成的用户的样本交互特征作为输入，将与输入的样本交互特征对应的样本标注信息作为期望输出，训练得到与样本用户交互信息中的交互对象的类目对应的预设操作概率生成子模型。
7.根据权利要求1所述的方法，其中，所述用户交互信息通过如下方式获取：
响应于确定所述用户交互信息中不包含用户标识，从所述用户交互信息中提取出终端设备标识；
获取所述终端设备标识关联的至少一个候选用户标识，将所述用户交互信息关联至至少一个所述候选用户标识。
8.根据权利要求1所述的方法，其中，所述预设操作概率生成模型与类目组对应；以及
所述基于用户的交互特征和预先训练的预设操作概率生成模型，确定用户执行与对应的用户交互信息中的交互对象的品牌关联的目标操作的概率，包括：
根据所合成的新的交互操作特征矩阵对应的类目组，将所述新的交互操作特征矩阵输入至对应的预设操作概率生成模型中的长短期记忆网络，生成新的第一隐含特征；
将所合成的用户属性特征矩阵输入至所述对应的预设操作概率生成模型中的第一全连接网络，生成新的第二隐含特征；
将所生成的类目特征向量和品牌特征向量输入至所述对应的预设操作概率生成模型中的第二全连接网络，生成第三隐含特征；
将所生成的新的第一隐含特征、新的第二隐含特征和第三隐含特征输入至所述对应的预设操作概率生成模型中的第三全连接网络，生成与输入的用户的交互特征对应的用户执行与用户交互信息中的交互对象的品牌关联的目标操作的概率。
9.根据权利要求1-8之一所述的方法，其中，所述方法还包括：
根据所生成的用户执行与对应的用户交互信息中交互对象的品牌关联的目标操作的概率，生成所述交互对象对应的库存调整信息并推送。
10.一种用于处理用户交互信息的装置，包括：
获取单元，被配置成获取与预设交互操作关联的用户交互信息的集合，其中，用户交互信息包括交互对象的类目信息和品牌信息、用户属性信息和与交互对象的品牌对应的交互操作的操作时间信息；
第一生成单元，被配置成基于所述用户交互信息的集合，生成对应的用户的交互特征，其中，所述交互特征用于表征用户与特定交互对象的交互情况；
确定单元，被配置成基于用户的交互特征和预先训练的预设操作概率生成模型，确定用户执行与对应的用户交互信息中的交互对象的品牌关联的目标操作的概率；
其中，所述第一生成单元包括：
划分模块，被配置成根据用户交互信息中的交互对象的类目信息所指示的类目所属的类目组，将所述集合中的用户交互信息划分为至少一个交互信息组，其中，所述类目组基于类目信息所指示的类目之间的相关性划分；
确定模块，被配置成根据交互信息组中的用户交互信息，确定各交互信息组中的交互对象的类目种类数；
第一合成模块，被配置成将各交互信息组中的类目种类数个用户的交互操作特征矩阵合成为各交互信息组对应的用户的新的交互操作特征矩阵；
第二合成模块，被配置成将各交互信息组中的类目种类数个用户属性特征向量合成为各交互信息组对应的用户属性特征矩阵。
11.根据权利要求10所述的装置，其中，所述预先训练的预设操作概率生成模型包括长短期记忆网络、第一全连接网络、第二全连接网络和第三全连接网络。
12.根据权利要求11所述的装置，其中，所述用户交互信息还包括交互对象的展现位置，用户的交互特征包括交互操作特征矩阵、用户属性特征向量、类目特征向量和品牌特征向量；
所述第一生成单元包括：
第一生成模块，被配置成根据用户交互信息，生成对应的用户的初始交互操作特征矩阵，其中，初始交互操作特征矩阵中的元素用于表征与交互对象的品牌对应的交互操作特征，初始交互操作特征矩阵的元素所在的行号和列号分别用于标识与交互对象的品牌对应的交互操作的操作时间和交互对象的展现位置；
转换模块，被配置成将所述用户的初始交互操作特征矩阵转换为对应的二维矩阵作为对应的用户的交互操作特征矩阵；
第一获取模块，被配置成获取基于所述用户交互信息中的用户属性信息而生成的用户属性特征向量；
第二获取模块，被配置成获取基于与所述用户交互信息中的交互对象的类目相关联的信息而生成的类目特征向量和基于与所述用户交互信息中的交互对象的品牌相关联的信息而生成的品牌特征向量。
13.根据权利要求12所述的装置，其中，所述预先训练的预设操作概率生成模型包括至少一个与类目对应的预设操作概率生成子模型；
所述确定单元进一步被配置成：
将根据所述用户交互信息的集合生成的用户的交互特征输入至与输入的交互特征对应的交互对象的类目相匹配的预设操作概率生成子模型，生成与输入的交互特征对应的、用户执行与用户交互信息中交互对象的品牌关联的目标操作的概率。
14.根据权利要求13所述的装置，其中，所述确定单元包括：
第二生成模块，被配置成将根据所述用户交互信息的集合生成的用户的交互操作特征矩阵输入至与输入的用户的交互特征对应的类目相匹配的预设操作概率生成子模型中的长短期记忆网络，生成对应的第一隐含特征；
第三生成模块，被配置成将根据所述用户交互信息的集合生成的用户属性特征向量输入至与输入的用户的交互特征对应的类目相匹配的预设操作概率生成子模型中的第一全连接网络，生成对应的第二隐含特征；
第四生成模块，被配置成将根据所述用户交互信息的集合生成的类目特征向量和品牌特征向量输入至与输入的用户的交互特征对应的类目相匹配的预设操作概率生成子模型中的第二全连接网络，生成对应的第三隐含特征；
第五生成模块，被配置成将所生成的第一隐含特征、第二隐含特征和第三隐含特征输入至与输入的用户的交互特征对应的类目相匹配的预设操作概率生成子模型中的第三全连接网络，生成与输入的用户的交互特征对应的用户执行与用户交互信息中交互对象的品牌关联的目标操作的概率。
15.根据权利要求14所述的装置，其中，所述预设操作概率生成子模型通过如下步骤训练生成：
获取训练样本集合，其中，训练样本包括样本用户交互信息和与样本用户交互信息对应的样本标注信息，样本用户交互信息包括交互对象的类目信息和品牌信息、用户属性信息和与交互对象的品牌对应的交互操作的操作时间信息，样本标注信息用于表征样本用户是否执行与对应的样本用户交互信息中交互对象的品牌关联的目标操作，所述训练样本集合中的各样本用户交互信息中的类目一致；
基于所述训练样本集合的样本用户交互信息，生成对应的用户的样本交互特征；
将所生成的用户的样本交互特征作为输入，将与输入的样本交互特征对应的样本标注信息作为期望输出，训练得到与样本用户交互信息中的交互对象的类目对应的预设操作概率生成子模型。
16.根据权利要求10所述的装置，其中，所述用户交互信息通过如下方式获取：
响应于确定所述用户交互信息中不包含用户标识，从所述用户交互信息中提取出终端设备标识；
获取所述终端设备标识关联的至少一个候选用户标识，将所述用户交互信息关联至至少一个所述候选用户标识。
17.根据权利要求10所述的装置，其中，所述预设操作概率生成模型与类目组对应；
所述确定单元包括：
第五生成模块，被配置成根据所合成的新的交互操作特征矩阵对应的类目组，将所述新的交互操作特征矩阵输入至对应的预设操作概率生成模型中的长短期记忆网络，生成新的第一隐含特征；
第六生成模块，被配置成将所合成的用户属性特征矩阵输入至所述对应的预设操作概率生成模型中的第一全连接网络，生成新的第二隐含特征；
第七生成模块，被配置成将所生成的类目特征向量和品牌特征向量输入至所述对应的预设操作概率生成模型中的第二全连接网络，生成第三隐含特征；
第八生成模块，被配置成将所生成的新的第一隐含特征、新的第二隐含特征和第三隐含特征输入至所述对应的预设操作概率生成模型中的第三全连接网络，生成与输入的用户的交互特征对应的用户执行与用户交互信息中的交互对象的品牌关联的目标操作的概率。
18.根据权利要求10-17之一所述的装置，其中，所述装置还包括：
第二生成单元，被配置成根据所生成的用户执行与对应的用户交互信息中交互对象的品牌关联的目标操作的概率，生成所述交互对象对应的库存调整信息并推送。
19.一种电子设备，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。
20.一种计算机可读介质，其上存储有计算机程序，其中，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 (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910300614.4A CN111768218B (zh) | 2019-04-15 | 用于处理用户交互信息的方法和装置 | |
| US17/604,283 US20220198487A1 (en) | 2019-04-15 | 2020-03-26 | Method and device for processing user interaction information |
| PCT/CN2020/081317 WO2020211616A1 (zh) | 2019-04-15 | 2020-03-26 | 用于处理用户交互信息的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910300614.4A CN111768218B (zh) | 2019-04-15 | 用于处理用户交互信息的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111768218A CN111768218A (zh) | 2020-10-13 |
| CN111768218B true CN111768218B (zh) | 2024-06-21 |
Family
ID=
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102426686A (zh) * | 2011-09-29 | 2012-04-25 | 南京大学 | 一种基于矩阵分解的互联网信息产品推荐方法 |
| CN102479366A (zh) * | 2010-11-25 | 2012-05-30 | 阿里巴巴集团控股有限公司 | 一种商品推荐方法及系统 |
| CN109460513A (zh) * | 2018-10-31 | 2019-03-12 | 北京字节跳动网络技术有限公司 | 用于生成点击率预测模型的方法和装置 |
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102479366A (zh) * | 2010-11-25 | 2012-05-30 | 阿里巴巴集团控股有限公司 | 一种商品推荐方法及系统 |
| CN102426686A (zh) * | 2011-09-29 | 2012-04-25 | 南京大学 | 一种基于矩阵分解的互联网信息产品推荐方法 |
| CN109460513A (zh) * | 2018-10-31 | 2019-03-12 | 北京字节跳动网络技术有限公司 | 用于生成点击率预测模型的方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109460513B (zh) | 用于生成点击率预测模型的方法和装置 | |
| CN109460514B (zh) | 用于推送信息的方法和装置 | |
| CN109492772B (zh) | 生成信息的方法和装置 | |
| CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
| CN111125574A (zh) | 用于生成信息的方法和装置 | |
| CN108388563B (zh) | 信息输出方法和装置 | |
| CN113239275B (zh) | 信息推送方法、装置、电子设备和存储介质 | |
| CN113379449B (zh) | 多媒体资源召回方法、装置、电子设备以及存储介质 | |
| CN116821475B (zh) | 基于客户数据的视频推荐方法、装置及计算机设备 | |
| CN113743971A (zh) | 一种数据处理方法和装置 | |
| CN111782937A (zh) | 信息排序方法、装置、电子设备和计算机可读介质 | |
| CN112036954A (zh) | 物品推荐方法和装置、计算机可读存储介质、电子设备 | |
| CN113761348A (zh) | 一种信息推荐方法、装置、电子设备和存储介质 | |
| CN113297486B (zh) | 一种点击率预测方法及相关装置 | |
| CN115222433A (zh) | 一种信息推荐方法、装置及存储介质 | |
| CN117611272A (zh) | 商品推荐方法、装置及电子设备 | |
| CN113822734A (zh) | 用于生成信息的方法和装置 | |
| US20220198487A1 (en) | Method and device for processing user interaction information | |
| CN111768218B (zh) | 用于处理用户交互信息的方法和装置 | |
| CN112200602B (zh) | 用于广告推荐的神经网络模型训练方法及装置 | |
| CN113792952A (zh) | 用于生成模型的方法和装置 | |
| CN115796984A (zh) | 物品推荐模型的训练方法、存储介质及相关设备 | |
| CN111126649A (zh) | 用于生成信息的方法和装置 | |
| CN116911913B (zh) | 一种交互结果的预测方法及装置 | |
| CN111626805B (zh) | 信息展示方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |