CN111783810B - 用于确定用户的属性信息的方法和装置 - Google Patents
用于确定用户的属性信息的方法和装置 Download PDFInfo
- Publication number
- CN111783810B CN111783810B CN201910906594.5A CN201910906594A CN111783810B CN 111783810 B CN111783810 B CN 111783810B CN 201910906594 A CN201910906594 A CN 201910906594A CN 111783810 B CN111783810 B CN 111783810B
- Authority
- CN
- China
- Prior art keywords
- user
- decision
- historical
- attribute information
- conditional probability
- 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 47
- 238000007477 logistic regression Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 164
- 230000006870 function Effects 0.000 description 141
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例公开了用于确定用户的属性信息的方法和装置。该方法包括:获取用户针对目标决策对象的历史行为记录,历史行为记录包括历史决策结果和与决策关联的历史行为数据;根据预先构建的预测模型的输出层所采用的第一条件概率函数确定出与用户属性无关的第二条件概率函数,其中预测模型用于基于用户的属性信息以及用户针对目标决策对象的行为数据预测用户针对目标决策对象的决策结果;基于第二条件概率函数构建损失函数,基于损失函数以及历史行为记录拟合得出预测模型的参数;基于历史行为记录、预测模型的参数和第一条件概率函数,拟合得出用户属性信息。该方法实现了对用户的属性信息的准确估计。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及网络数据处理领域,尤其涉及用于确定用户的属性信息的方法和装置。
背景技术
随着人工智能技术的发展和网络数据的大规模增长,使用已有的数据预测未来的行为或趋势被应用在越来越多的场景中。
在用户的决策预测场景中,用户在决策前一段时间内的行为序列能够很大程度地揭示他下一步的决策。用户固定效应与其后续行为也存在很强的关联。用户的固定效应可能包含用户的动态或静态属性,例如年龄、性别、职业等等。在很多情况下,用户的这些属性很难获得,固定效应难以观测。
发明内容
本公开的实施例提出了用于确定用户的属性信息的方法和装置、电子设备和计算机可读介质。
第一方面,本公开的实施例提供了一种用于确定用户的属性信息的方法,包括:获取用户针对目标决策对象的历史行为记录,历史行为记录包括历史决策结果和与决策关联的历史行为数据;根据预先构建的预测模型的输出层所采用的第一条件概率函数确定出与用户属性无关的第二条件概率函数,其中,第一条件概率函数表征在已知用户的行为数据的条件下、对应的用户决策结果的概率分布,第二条件概率函数表征在已知由多个预设时间节点的用户行为数据形成的用户行为数据序列和与用户行为数据序列对应的用户决策结果序列中属于第一决策类型的用户决策结果的数量的条件下、用户决策结果序列的概率分布,预测模型用于基于用户的属性信息以及用户针对目标决策对象的行为数据预测用户针对目标决策对象的决策结果;基于第二条件概率函数构建损失函数,基于损失函数以及历史行为记录拟合得出预测模型的参数;基于历史行为记录、预测模型的参数和第一条件概率函数,拟合得出用户属性信息,其中,预测模型基于拟合得出的用户属性信息、拟合得出的参数以及第一条件概率函数对与决策关联的历史行为数据进行预测得出的决策结果与历史决策结果之间的差异满足预设的收敛条件。
在一些实施例中,上述预测模型还包括循环神经网络,上述第一条件概率函数是按照如下方式确定的:利用预测模型中的循环神经网络对输入预测模型的用户的行为数据序列进行处理,得到用户的行为数据序列对应的状态序列;基于用户的行为数据序列对应的状态序列确定第一条件概率函数。
在一些实施例中,上述基于损失函数以及历史行为记录拟合得出预测模型的参数,包括:采用梯度下降法,搜索出使得损失函数的值满足预设损失条件的预测模型的参数。
在一些实施例中,上述基于预测模型的参数和第一条件概率函数,拟合得出用户属性信息,包括:基于第一条件概率函数构建用于拟合第一用户的用户属性信息的逻辑回归模型,第一用户的历史决策结果序列中至少一个历史决策结果与其他历史决策结果不相同;基于预测模型的参数、与决策关联的历史行为数据和对应的历史决策结果,利用逻辑回归模型拟合得出第一用户的用户属性信息。
在一些实施例中,上述基于预测模型的参数和第一条件概率函数,拟合得出用户属性信息,还包括:构建表征第一用户的历史行为数据与第一用户的用户属性信息之间的对应关系的关系模型;基于关系模型以及第二用户的历史行为数据确定第二用户的用户属性信息,其中,第二用户的历史决策结果序列中的各历史决策结果相同。
在一些实施例中,上述方法还包括:采用基于拟合出的用户属性信息确定的预测模型,根据用户的当前行为数据预测用户的当前决策结果。
第二方面,本公开的实施例提供了一种用于确定用户的属性信息的装置,包括:获取单元,被配置为获取用户针对目标决策对象的历史行为记录,历史行为记录包括历史决策结果和与决策关联的历史行为数据;确定单元,被配置为根据预先构建的预测模型的输出层所采用的第一条件概率函数确定出与用户属性无关的第二条件概率函数,其中,第一条件概率函数表征在已知用户的行为数据的条件下、对应的用户决策结果的概率分布,第二条件概率函数表征在已知由多个预设时间节点的用户行为数据形成的用户行为数据序列和与用户行为数据序列对应的用户决策结果序列中属于第一决策类型的用户决策结果的数量的条件下、用户决策结果序列的概率分布,预测模型用于基于用户的属性信息以及用户针对目标决策对象的行为数据预测用户针对目标决策对象的决策结果;第一拟合单元,被配置为基于第二条件概率函数构建损失函数,基于损失函数以及历史行为记录拟合得出预测模型的参数;第二拟合单元,被配置为基于历史行为记录、预测模型的参数和第一条件概率函数,拟合得出用户属性信息,其中,预测模型基于拟合得出的用户属性信息、拟合得出的参数以及第一条件概率函数对与决策关联的历史行为数据进行预测得出的决策结果与历史决策结果之间的差异满足预设的收敛条件。
在一些实施例中,上述预测模型还包括循环神经网络,上述第一条件概率函数是按照如下方式确定的:利用预测模型中的循环神经网络对输入预测模型的用户的行为数据序列进行处理,得到用户的行为数据序列对应的状态序列;基于用户的行为数据序列对应的状态序列确定第一条件概率函数。
在一些实施例中,上述第一拟合单元被配置为按照如下方式拟合得出预测模型的参数:采用梯度下降法,搜索出使得损失函数的值满足预设损失条件的预测模型的参数。
在一些实施例中,上述第二拟合单元被配置为基于预测模型的参数和第一条件概率函数,按照如下方式拟合得出用户属性信息:基于第一条件概率函数构建用于拟合第一用户的用户属性信息的逻辑回归模型,第一用户的历史决策结果序列中至少一个历史决策结果与其他历史决策结果不相同;基于预测模型的参数、与决策关联的历史行为数据和对应的历史决策结果,利用逻辑回归模型拟合得出第一用户的用户属性信息。
在一些实施例中,上述第二拟合单元还被配置为:构建表征第一用户的历史行为数据与第一用户的用户属性信息之间的对应关系的关系模型;基于关系模型以及第二用户的历史行为数据确定第二用户的用户属性信息,其中,第二用户的历史决策结果序列中的各历史决策结果相同。
在一些实施例中,上述装置还包括:预测单元,被配置为采用基于拟合出的用户属性信息确定的预测模型,根据用户的当前行为数据预测用户的当前决策结果。
第三方面,本公开的实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,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提供的用于确定用户的属性信息的方法。
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,其中,程序被处理器执行时实现第一方面提供的用于确定用户的属性信息的方法。
本公开的上述实施例的用于确定用户的属性信息的方法和装置、电子设备及计算机可读介质,通过获取用户针对目标决策对象的历史行为记录,历史行为记录包括历史决策结果和与决策关联的历史行为数据,随后根据预先构建的预测模型的输出层所采用的第一条件概率函数确定出与用户属性无关的第二条件概率函数,其中,第一条件概率函数表征在已知用户的行为数据的条件下、对应的用户决策结果的概率分布,第二条件概率函数表征在已知由多个预设时间节点的用户行为数据形成的用户行为数据序列和与用户行为数据序列对应的用户决策结果序列中属于第一决策类型的用户决策结果的数量的条件下、用户决策结果序列的概率分布,预测模型用于基于用户的属性信息以及用户针对目标决策对象的行为数据预测用户针对目标决策对象的决策结果,之后基于第二条件概率函数构建损失函数,基于损失函数以及历史行为记录拟合得出预测模型的参数,最后基于历史行为记录、预测模型的参数和第一条件概率函数,拟合得出用户属性信息,其中,预测模型基于拟合得出的用户属性信息、拟合得出的参数以及第一条件概率函数对与决策关联的历史行为数据进行预测得出的决策结果与历史决策结果之间的差异满足预设的收敛条件,实现了对用户的属性信息的准确估计。
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确定用户的属性信息的方法的一个实施例的流程图;
图3是根据本公开的用于确定用户的属性信息的方法的一个示例性算法原理示意图;
图4是根据本公开的用于确定用户的属性信息的方法的另一个实施例的流程图;
图5是本公开的用于确定用户的属性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实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本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确定用户的属性信息的方法或用于确定用户的属性信息的装置的示例性系统架构100。
如图1所示,系统架构100可以包括如图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上可以安装有各种客户端应用。例如,搜索类应用、社交平台应用、电子商务应用,等等。
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的多个软件或软件模块),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上的应用提供后台服务的服务器。服务器105可以接收终端设备101、102、103发送的用户请求,对用户请求进行处理后将处理结果反馈回终端设备101、102、103。
在示例性的应用场景中,服务器105可以接收终端设备101、102、103发送的用户的历史行为记录,基于用户的历史行为记录进行数据分析后得出用户的属性信息,服务器105还可以将得出的用户属性信息反馈至终端设备101、102、103。
在另一个示例性的应用场景中,服务器105在基于用户的历史行为记录分析得出用户的属性信息之后,从终端设备101、102、103获取用户的当前行为数据,基于用户的当前行为数据和属性信息预测用户当前可能做出的决策行为。
需要说明的是,本公开的实施例所提供的用于确定用户的属性信息的方法可以由终端设备101、102、103或服务器105执行,相应地,用于确定用户的属性信息的装置可以设置于终端设备101、102、103或服务器105中。
还需要指出的是,在一些场景中,服务器105可以从数据库、存储器或其他设备获取用户的历史行为记录,这时,示例性系统架构100可以不存在终端设备101、102、103和网络104。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105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105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的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
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,其示出了根据本公开的用于确定用户的属性信息的方法的一个实施例的流程200。该用于确定用户的属性信息的方法,包括以下步骤:
步骤201,获取用户针对目标决策对象的历史行为记录。
其中,历史行为记录包括历史决策结果和与决策关联的历史行为数据。
在本实施例中,用于确定用户的属性信息的方法的执行主体(如图1所示的服务器)可以收集一段时间内用户针对目标决策对象的行为数据和决策结果,或者可以从数据库中提取出一段时间内用户针对目标决策对象的行为数据和决策结果。在这里,目标决策对象是与用户的决策行为和与决策关联的其他行为所针对的对象,可以是物品或物品的集合,例如线上购物应用提供的商品,也可以是信息或信息的集合,例如视频、音频、资讯信息等。
用户针对目标决策对象的与决策关联的历史行为数据可以是与用户针对目标决策对象的决策行为相关的历史行为数据。在这里,用户针对目标决策对象的决策行为可以包括但不限于使用、购买、接收目标决策对象的内容的行为。相应地,决策结果包括但不限于是否使用、是否购买、是否接收目标决策对象的内容的结果。上述历史行为数据可以包括但不限于用户对目标决策对象的以下至少一种行为的行为数据:浏览、点击、下载、收藏、评论,等等。在实际场景中,可以按照不同的行为类别标识用户的行为,还可以获取用户的这些行为的时间来生成用户的行为数据。
上述历史行为记录可以是历史时间段内统计得到历史行为记录。在本实施例中,可以将获取的历史行为记录按照时间节点序列化,具体可以将历史行为数据和历史决策结果按照时间节点序列化,例如将用户i在时间t的行为数据表示为xit,用户i在时间t的决策结果表示为yit,其中i∈I,t=1,2,…,T,I为用户集合,T最后一个时间节点。在这里,用户的决策结果的类型可以包括第一决策类型和第二决策类型,当用户i在时间t的决策结果为第一决策类型时,yit=1;当用户i在时间t的决策结果为第二决策类型时,yit=0。则步骤201获取的用户i的与决策关联的历史行为数据表示为:Xi=(xi1,xi2,…,xiT),用户i的历史决策结果表示为Yi=(yi1,yi2,…,yiT)。
步骤202,根据预先构建的预测模型的输出层所采用的第一条件概率函数确定出与用户属性无关的第二条件概率函数。
在本实施例中,可以预先构建预测模型,预测模型用于基于用户的属性信息以及用户针对目标决策对象的行为数据预测用户针对目标决策对象的决策结果。预测模型可以是包含多个层的神经网络模型。上述预测模型可以是预先基于样本数据集训练得出的,该样本数据集可以包括样本用户的用户属性信息、样本用户针对目标决策对象的用户行为数据、以及样本用户针对目标决策对象的决策结果。
预测模型的输出层可以采用第一条件概率函数来计算用户的决策结果的概率分布。具体地,第一条件概率函数表征在已知用户的行为数据的条件下、对应的用户决策结果的概率分布,也即第一条件概率函数可以表示为p(yit|xit)。第一条件概率函数是根据预测模型对用户的属性信息和用户的行为数据进行处理后得到的数据计算得出的。在实践中,第一条件概率函数可以例如为sigmoid函数、tanh函数等。
在本实施例的一些可选的实现方式中,预测模型可以包括循环神经网络。上述第一条件概率函数可以是利用预测模型中的循环神经网络对输入预测模型的用户的行为数据序列进行处理,得到用户的行为数据序列对应的状态序列之后,基于用户的行为数据序列对应的状态序列确定出的。以sigmoid函数为例,第一条件概率函数p(yit|xit)可以按照公式(1)计算:
其中,αi表示用户i的属性信息,x′it表示循环神经网络对输入的用户行为数据xit处理后得到的状态,β表示预测模型的参数。
由公式(1)可以得出:
其中,p(Yi|Xi)表示在已知用户的行为数据序列Xi的条件下,用户的决策结果序列Yi的概率分布;yi+=Σt yit表示用户决策结果序列Yi中属于第一决策类型的用户决策结果的数量。作为示例,用户浏览网页中的商品后购买了该商品,则其决策结果属于第一决策类型,若用户未购买该商品,则其决策结果属于第二决策类型,可以统计用户购买该商品的次数作为决策结果序列Yi中属于第一决策类型的用户决策结果的数量。
由公式(2)可以得出:
其中,z(yi+)={z|Σt zt=yi+},p(yi+|Xi)表征在已知用户行为数据序列Xi的条件下、用户决策结果序列中属于第一决策类型的用户决策结果的数量yi+的概率分布。
根据公式(2)和公式(3)可以得到第二条件概率函数:
上述第二条件概率函数p(Yi|Xi,yi+)表征在已知由多个预设时间节点的用户行为数据形成的用户行为数据序列Xi和与用户行为数据序列对应的用户决策结果序列Yi中属于第一决策类型的用户决策结果的数量yi+的条件下、用户决策结果序列Yi的概率分布。
根据公式(4)可知,第二条件概率函数与用户的属性信息αi无关,与预测模型的参数有关。而预测模型的参数是未知的,可以根据公式(4)和获取到的用户的历史行为记录来拟合得出预测模型的参数。
步骤203,基于第二条件概率函数构建损失函数,基于损失函数以及历史行为记录拟合得出预测模型的参数。
上述第二条件概率函数在yi+=0或yi+=T时,取值恒为1,也即,在yi+=0或yi+=T时,用户决策结果序列Yi只有一种分布。可以根据公式(4)满足的这个条件构建表征参数β的误差为第二条件概率函数带来的误差的损失函数,具体可以对公式(4)求对数似然函数,令损失函数L(β)为:
可以将步骤201获取的用户针对目标决策对象的历史决策结果yit和与决策关联的历史行为数据xit作为已知的数据,利用公式(5),从参数β的候选取值集合中选择使得损失函数的值最小的候选取值,作为拟合得出的参数β的取值。
可选地,可以采用采用梯度下降法,搜索出使得损失函数的值满足预设损失条件的预测模型的参数,作为拟合得出的预测模型的出参数β。其中,预设损失条件可以是损失函数的值小于预设的阈值,或者损失函数的值是预测模型的参数β的搜索空间内所能达到的最小值。具体来说,可以计算损失函数关于参数β的梯度,基于预设的步长与该梯度相乘作为参数β在每次调整中的调整差量。通过多次调整后查找出使得损失函数的值L(β)收敛到一定的范围或达到最小值,从而拟合出预测模型的参数β。
步骤204,基于历史行为记录、预测模型的参数和第一条件概率函数,拟合得出用户属性信息。
在确定预测模型的参数β之后,第一条件概率函数中仅有用户的属性信息αi为未知项。可以利用上述用户针对目决策对象的历史决策结果和历史行为数据构建对应的用户行为数据序列Xi和用户的决策结果序列Yi,然后基于用户行为数据序列和用户的决策结果序列,利用第一条件概率函数(如公式(1))拟合得出用户的属性信息αi。拟合得出的用户的属性信息满足:预测模型基于拟合得出的用户属性信息、拟合得出的参数以及第一条件概率函数对与决策关联的历史行为数据进行预测得出的决策结果与历史决策结果之间的差异满足预设的收敛条件。
具体地,可以随机设定用户的属性信息αi的初始估计值,然后计算第一条件概率函数的值,得到在当前的用户的属性信息的估计值的情况下预测模型对与决策关联的历史行为数据进行预测得出的决策结果与历史决策结果之间的差异,若该差异不满足预设的收敛条件,则调整用户的属性信息αi的估计值,重新计算上述差异,重复执行调整用户的属性信息αi的估计值以及计算上述差异的操作,直到上述差异满足预设的收敛条件时停止调整用户的属性信息αi,最后一次调整后的用户的属性信息αi即为拟合得到的用户i的属性信息。
上述αi是用户i的属性信息的数学表征,在实践中,还可以将αi从数学空间映射至文本空间,得到用户的属性信息的文本表征。
上述步骤201中可以获得多个用户的历史行为记录,则通过本公开上述实施例的方法可以拟合得到多个用户的用户属性信息。
本公开的上述实施例的用于确定用户的属性信息的方法,通过获取用户针对目标决策对象的历史行为记录,历史行为记录包括历史决策结果和与决策关联的历史行为数据,随后根据预先构建的预测模型的输出层所采用的第一条件概率函数确定出与用户属性无关的第二条件概率函数,其中,第一条件概率函数表征在已知用户的行为数据的条件下、对应的用户决策结果的概率分布,第二条件概率函数表征在已知由多个预设时间节点的用户行为数据形成的用户行为数据序列和与用户行为数据序列对应的用户决策结果序列中属于第一决策类型的用户决策结果的数量的条件下、用户决策结果序列的概率分布,预测模型用于基于用户的属性信息以及用户针对目标决策对象的行为数据预测用户针对目标决策对象的决策结果,之后基于第二条件概率函数构建损失函数,基于损失函数以及历史行为记录拟合得出预测模型的参数,最后基于历史行为记录、预测模型的参数和第一条件概率函数,拟合得出用户属性信息,其中,预测模型基于拟合得出的用户属性信息、拟合得出的参数以及第一条件概率函数对与决策关联的历史行为数据进行预测得出的决策结果与历史决策结果之间的差异满足预设的收敛条件,实现了对用户的属性信息的准确估计。同时,本公开上述实施例中拟合得出的用户属性信息与用户的决策行为关联性较强,能够有效提升基于用户属性信息预测用户未来的决策的准确性。
继续参考图3,其示出了根据本公开的用于确定用户的属性信息的方法的一个示例性算法原理示意图。如图3所示,将获取到的用户的与决策关联的历史行为数据序列Xi输入至预测模型的循环神经网络进行处理的得到状态序列X′i,基于预测模型的输出层采用的第一条件概率函数确定出与用户属性无关的第二条件概率函数,该第二条件概率函数与状态序列X′i和获取到的用户的历史决策结果序列Yi相关。基于损失函数L(β)拟合得出预测模型的参数β。之后,可以利用预测模型的参数β、以及用户的历史行为数据序列Xi,基于预测模型中的第一条件概率函数构建线性模型来对用户的属性信息αi进行拟合。这样,通过先拟合预测模型的参数确定预测模型,之后用预测模型拟合得出预测模型在预测用户的决策结果时所采用的用户的属性信息。
以用户购买物品的场景为例,可以获取用户在一段时间内(例如三个月内)浏览物品的历史浏览数据以及对物品的下单数据,可以以一天为单位将获取到的数据序列化。还可以构建预测模型来基于用户的历史浏览数据预测用户的下单行为。可以基于历史浏览数据以及对物品的下单数据首先通过上述方法流程200中的步骤202和步骤203拟合得出预测模型的参数,之后利用拟合得出的预测模型的参数,以及历史浏览数据和对物品的下单数据通过步骤204拟合得出用户的属性信息。这样,可以根据用户的历史浏览数据和下单数据分析得出用户的属性信息。
请参考图4,其示出了根据本公开的用于确定用户的属性信息的方法的另一个实施例的流程图。如图4所示,本实施例的用于确定用户的属性信息的方法的流程400,包括以下步骤:
步骤401,获取用户针对目标决策对象的历史行为记录,历史行为记录包括历史决策结果和与决策关联的历史行为数据。
步骤402,根据预先构建的预测模型的输出层所采用的第一条件概率函数确定出与用户属性无关的第二条件概率函数。
其中,第一条件概率函数表征在已知用户的行为数据的条件下、对应的用户决策结果的概率分布,第二条件概率函数表征在已知由多个预设时间节点的用户行为数据形成的用户行为数据序列和与用户行为数据序列对应的用户决策结果序列中属于第一决策类型的用户决策结果的数量的条件下、用户决策结果序列的概率分布,预测模型用于基于用户的属性信息以及用户针对目标决策对象的行为数据预测用户针对目标决策对象的决策结果。
步骤403,基于第二条件概率函数构建损失函数,基于损失函数以及历史行为记录拟合得出预测模型的参数。
本实施例的步骤401、步骤402、步骤403分别与前述实施例的步骤201、步骤202、步骤203一致,步骤401、步骤402、步骤403的具体实现方式可分别参考前述实施例中步骤201、步骤202、步骤203的描述,此处不再赘述。
步骤404,基于第一条件概率函数构建用于拟合第一用户的用户属性信息的逻辑回归模型,基于预测模型的参数、与决策关联的历史行为数据和对应的历史决策结果,利用逻辑回归模型拟合得出第一用户的用户属性信息。
其中,预测模型基于拟合得出的用户属性信息、拟合得出的参数以及第一条件概率函数对与决策关联的历史行为数据进行预测得出的决策结果与历史决策结果之间的差异满足预设的收敛条件,第一用户的历史决策结果序列中至少一个历史决策结果与其他历史决策结果不相同。
对于第一用户,其对应的历史决策结果序列中属于第一决策类型的用户决策结果的数量0<yi+<T。可以对第一条件概率函数求导,令导数为0得到逻辑回归模型。
例如,对公式(2)两边取对数得到:
令公式(6)两边对αi求导,得到:
对于满足0<yi+<T的第一用户,令公式(7)等于0,得到:
公式(8)即用于拟合第一用户的用户属性信息的逻辑回归模型。通过该逻辑回归模型,利用步骤401获取的用户的历史行为记录,可以拟合得出每个用户j的属性信息αj。
通过基于第一条件概率函数构建逻辑回归模型来拟合用户的属性信息,本实施例的方法可以进一步基于已确定的预测模型更精准地拟合用户的属性信息。
可选地,上述用于确定用户的属性信息的方法的流程400还可以包括:
步骤405,构建表征第一用户的历史行为数据与第一用户的用户属性信息之间的对应关系的关系模型,基于关系模型以及第二用户的历史行为数据确定第二用户的用户属性信息。
其中,第二用户的历史决策结果序列中的各历史决策结果相同。也即,第二用户满足:yk+=0或yk+=T。
基于逻辑回归模型拟合出第一用户的用户属性信息之后,可以建立关系模型来表征用户的属性信息与用户的与决策关联的历史行为数据之间的关系,该关系模型可以表示为:
αi=Xiγ (9)
其中,γ为上述关系模型的数学表征。可以利用公式(9)计算得出满足条件yk+=0或yk+=T的第二用户k的属性信息αk:
αk=Xkγ (10)
这样,对于任意的用户,都可以拟合得出对应的属性信息。由此,可以实现对收集到历史行为记录的所有用户的属性信息的自动拟合,扩展了应用范围。
在以上结合图2和图4描述的实施例的一些可选的实现方式中,上述用于确定用户的属性信息的方法的流程还可以包括:采用基于拟合出的用户属性信息确定的预测模型,根据用户的当前行为数据预测用户的当前决策结果。
在拟合得出预测模型的参数之后,可以将拟合得出的用户的属性信息、以及用户针对目标决策对象的当前行为数据输入预测模型,得到用户的当前决策结果。
该实现方式可以将基于历史行为记录得出的预测模型和用户的属性信息用于后续对用户的决策结果的预测,能够有效提升用户的决策结果预测的准确性。
进一步参考图5,作为对上述用于确定用户的属性信息的方法的实现,本公开提供了一种用于确定用户的属性信息的装置的一个实施例,该装置实施例与图2和图4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,本实施例的用于确定用户的属性信息的装置500包括:获取单元501、确定单元502、第一拟合单元503以及第二拟合单元504。其中,获取单元501被配置为获取用户针对目标决策对象的历史行为记录,历史行为记录包括历史决策结果和与决策关联的历史行为数据;确定单元502被配置为根据预先构建的预测模型的输出层所采用的第一条件概率函数确定出与用户属性无关的第二条件概率函数,其中,第一条件概率函数表征在已知用户的行为数据的条件下、对应的用户决策结果的概率分布,第二条件概率函数表征在已知由多个预设时间节点的用户行为数据形成的用户行为数据序列和与用户行为数据序列对应的用户决策结果序列中属于第一决策类型的用户决策结果的数量的条件下、用户决策结果序列的概率分布,预测模型用于基于用户的属性信息以及用户针对目标决策对象的行为数据预测用户针对目标决策对象的决策结果;第一拟合单元503被配置为基于第二条件概率函数构建损失函数,基于损失函数以及历史行为记录拟合得出预测模型的参数;第二拟合单元504被配置为基于历史行为记录、预测模型的参数和第一条件概率函数,拟合得出用户属性信息,其中,预测模型基于拟合得出的用户属性信息、拟合得出的参数以及第一条件概率函数对与决策关联的历史行为数据进行预测得出的决策结果与历史决策结果之间的差异满足预设的收敛条件。
在一些实施例中,上述预测模型还包括循环神经网络,上述第一条件概率函数是按照如下方式确定的:利用预测模型中的循环神经网络对输入预测模型的用户的行为数据序列进行处理,得到用户的行为数据序列对应的状态序列;基于用户的行为数据序列对应的状态序列确定第一条件概率函数。
在一些实施例中,上述第一拟合单元503被配置为按照如下方式拟合得出预测模型的参数:采用梯度下降法,搜索出使得损失函数的值满足预设损失条件的预测模型的参数。
在一些实施例中,上述第二拟合单元504被配置为基于预测模型的参数和第一条件概率函数,按照如下方式拟合得出用户属性信息:基于第一条件概率函数构建用于拟合第一用户的用户属性信息的逻辑回归模型,第一用户的历史决策结果序列中至少一个历史决策结果与其他历史决策结果不相同;基于预测模型的参数、与决策关联的历史行为数据和对应的历史决策结果,利用逻辑回归模型拟合得出第一用户的用户属性信息。
在一些实施例中,上述第二拟合单元504还被配置为:构建表征第一用户的历史行为数据与第一用户的用户属性信息之间的对应关系的关系模型;基于关系模型以及第二用户的历史行为数据确定第二用户的用户属性信息,其中,第二用户的历史决策结果序列中的各历史决策结果相同。
在一些实施例中,上述装置还包括:预测单元,被配置为采用基于拟合出的用户属性信息确定的预测模型,根据用户的当前行为数据预测用户的当前决策结果。
本公开的上述实施例的用于确定用户的属性信息的装置500,通过获取单元获取用户针对目标决策对象的历史行为记录,历史行为记录包括历史决策结果和与决策关联的历史行为数据,随后确定单元根据预先构建的预测模型的输出层所采用的第一条件概率函数确定出与用户属性无关的第二条件概率函数,其中,第一条件概率函数表征在已知用户的行为数据的条件下、对应的用户决策结果的概率分布,第二条件概率函数表征在已知由多个预设时间节点的用户行为数据形成的用户行为数据序列和与用户行为数据序列对应的用户决策结果序列中属于第一决策类型的用户决策结果的数量的条件下、用户决策结果序列的概率分布,预测模型用于基于用户的属性信息以及用户针对目标决策对象的行为数据预测用户针对目标决策对象的决策结果,之后第一拟合单元基于第二条件概率函数构建损失函数,基于损失函数以及历史行为记录拟合得出预测模型的参数,最后第二拟合单元基于历史行为记录、预测模型的参数和第一条件概率函数,拟合得出用户属性信息,其中,预测模型基于拟合得出的用户属性信息、拟合得出的参数以及第一条件概率函数对与决策关联的历史行为数据进行预测得出的决策结果与历史决策结果之间的差异满足预设的收敛条件,实现了对用户的属性信息的准确估计。
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所示的服务器)600的结构示意图。图6示出的电子设备仅仅是一个示例,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、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如硬盘等的存储装置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,本公开的实施例所描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(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:获取用户针对目标决策对象的历史行为记录,历史行为记录包括历史决策结果和与决策关联的历史行为数据;根据预先构建的预测模型的输出层所采用的第一条件概率函数确定出与用户属性无关的第二条件概率函数,其中,第一条件概率函数表征在已知用户的行为数据的条件下、对应的用户决策结果的概率分布,第二条件概率函数表征在已知由多个预设时间节点的用户行为数据形成的用户行为数据序列和与用户行为数据序列对应的用户决策结果序列中属于第一决策类型的用户决策结果的数量的条件下、用户决策结果序列的概率分布,预测模型用于基于用户的属性信息以及用户针对目标决策对象的行为数据预测用户针对目标决策对象的决策结果;基于第二条件概率函数构建损失函数,基于损失函数以及历史行为记录拟合得出预测模型的参数;基于历史行为记录、预测模型的参数和第一条件概率函数,拟合得出用户属性信息,其中,预测模型基于拟合得出的用户属性信息、拟合得出的参数以及第一条件概率函数对与决策关联的历史行为数据进行预测得出的决策结果与历史决策结果之间的差异满足预设的收敛条件。
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,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、确定单元、第一拟合单元和第二拟合单元。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“获取用户针对目标决策对象的历史行为记录的单元”。
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,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种用于确定用户的属性信息的方法,包括:
获取用户针对目标决策对象的历史行为记录,所述历史行为记录包括历史决策结果和与决策关联的历史行为数据;
根据预先构建的预测模型的输出层所采用的第一条件概率函数确定出与用户属性无关的第二条件概率函数,其中,所述第一条件概率函数表征在已知用户的行为数据的条件下、对应的用户决策结果的概率分布,所述第二条件概率函数表征在已知由多个预设时间节点的用户行为数据形成的用户行为数据序列和与所述用户行为数据序列对应的用户决策结果序列中属于第一决策类型的用户决策结果的数量的条件下、所述用户决策结果序列的概率分布,所述预测模型用于基于用户的属性信息以及用户针对目标决策对象的行为数据预测用户针对目标决策对象的决策结果;
基于所述第二条件概率函数构建损失函数,基于所述损失函数以及所述历史行为记录拟合得出所述预测模型的参数;
基于所述历史行为记录、所述预测模型的参数和所述第一条件概率函数,拟合得出用户属性信息,其中,所述预测模型基于拟合得出的所述用户属性信息、拟合得出的所述参数以及所述第一条件概率函数对与决策关联的历史行为数据进行预测得出的决策结果与所述历史决策结果之间的差异满足预设的收敛条件。
2.根据权利要求1所述的方法,其中,所述预测模型还包括循环神经网络,所述第一条件概率函数是按照如下方式确定的:
利用所述预测模型中的循环神经网络对输入所述预测模型的用户的行为数据序列进行处理,得到所述用户的行为数据序列对应的状态序列;
基于所述用户的行为数据序列对应的状态序列确定所述第一条件概率函数。
3.根据权利要求1所述的方法,其中,所述基于所述损失函数以及所述历史行为记录拟合得出所述预测模型的参数,包括:
采用梯度下降法,搜索出使得所述损失函数的值满足预设损失条件的预测模型的参数。
4.根据权利要求1所述的方法,其中,所述基于所述预测模型的参数和所述第一条件概率函数,拟合得出用户属性信息,包括:
基于所述第一条件概率函数构建用于拟合第一用户的用户属性信息的逻辑回归模型,所述第一用户的历史决策结果序列中至少一个历史决策结果与其他历史决策结果不相同;
基于所述预测模型的参数、所述与决策关联的历史行为数据和对应的历史决策结果,利用所述逻辑回归模型拟合得出所述第一用户的用户属性信息。
5.根据权利要求4所述的方法,其中,所述基于所述预测模型的参数和所述第一条件概率函数,拟合得出用户属性信息,还包括:
构建表征所述第一用户的所述历史行为数据与所述第一用户的用户属性信息之间的对应关系的关系模型;
基于所述关系模型以及第二用户的所述历史行为数据确定第二用户的用户属性信息,其中,所述第二用户的历史决策结果序列中的各历史决策结果相同。
6.根据权利要求1-5任一项所述的方法,其中,所述方法还包括:
采用基于拟合出的用户属性信息确定的预测模型,根据用户的当前行为数据预测用户的当前决策结果。
7.一种用于确定用户的属性信息的装置,包括:
获取单元,被配置为获取用户针对目标决策对象的历史行为记录,所述历史行为记录包括历史决策结果和与决策关联的历史行为数据;
确定单元,被配置为根据预先构建的预测模型的输出层所采用的第一条件概率函数确定出与用户属性无关的第二条件概率函数,其中,所述第一条件概率函数表征在已知用户的行为数据的条件下、对应的用户决策结果的概率分布,所述第二条件概率函数表征在已知由多个预设时间节点的用户行为数据形成的用户行为数据序列和与所述用户行为数据序列对应的用户决策结果序列中属于第一决策类型的用户决策结果的数量的条件下、所述用户决策结果序列的概率分布,所述预测模型用于基于用户的属性信息以及用户针对目标决策对象的行为数据预测用户针对目标决策对象的决策结果;
第一拟合单元,被配置为基于所述第二条件概率函数构建损失函数,基于所述损失函数以及所述历史行为记录拟合得出所述预测模型的参数;
第二拟合单元,被配置为基于所述历史行为记录、所述预测模型的参数和所述第一条件概率函数,拟合得出用户属性信息,其中,所述预测模型基于拟合得出的所述用户属性信息、拟合得出的所述参数以及所述第一条件概率函数对与决策关联的历史行为数据进行预测得出的决策结果与所述历史决策结果之间的差异满足预设的收敛条件。
8.根据权利要求7所述的装置,其中,所述第二拟合单元被配置为基于所述预测模型的参数和所述第一条件概率函数,按照如下方式拟合得出用户属性信息:
基于所述第一条件概率函数构建用于拟合第一用户的用户属性信息的逻辑回归模型,所述第一用户的历史决策结果序列中至少一个历史决策结果与其他历史决策结果不相同;
基于所述预测模型的参数、所述与决策关联的历史行为数据和对应的历史决策结果,利用所述逻辑回归模型拟合得出所述第一用户的用户属性信息。
9.一种电子设备,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权利要求1-6中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910906594.5A CN111783810B (zh) | 2019-09-24 | 2019-09-24 | 用于确定用户的属性信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910906594.5A CN111783810B (zh) | 2019-09-24 | 2019-09-24 | 用于确定用户的属性信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111783810A CN111783810A (zh) | 2020-10-16 |
CN111783810B true CN111783810B (zh) | 2023-12-08 |
Family
ID=72755349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910906594.5A Active CN111783810B (zh) | 2019-09-24 | 2019-09-24 | 用于确定用户的属性信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783810B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330407A (zh) * | 2020-11-11 | 2021-02-05 | 北京沃东天骏信息技术有限公司 | 物品匹配方法和装置、以及获取物品匹配模型的方法 |
CN112489578A (zh) * | 2020-11-19 | 2021-03-12 | 北京沃东天骏信息技术有限公司 | 商品呈现方法和装置 |
CN112418559B (zh) * | 2020-12-09 | 2024-05-07 | 贵州优策网络科技有限公司 | 一种用户选择行为预测方法及装置 |
CN113177212B (zh) * | 2021-04-25 | 2022-07-19 | 支付宝(杭州)信息技术有限公司 | 联合预测方法和装置 |
CN113313314B (zh) * | 2021-06-11 | 2024-05-24 | 北京沃东天骏信息技术有限公司 | 模型训练方法、装置、设备及存储介质 |
CN113590960A (zh) * | 2021-08-02 | 2021-11-02 | 掌阅科技股份有限公司 | 用户识别模型训练方法、电子设备及计算机存储介质 |
CN117649107B (zh) * | 2024-01-29 | 2024-05-14 | 上海朋熙半导体有限公司 | 自动决策节点创建方法、装置、系统及可读介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523342A (zh) * | 2018-10-12 | 2019-03-26 | 平安科技(深圳)有限公司 | 服务策略生成方法及装置、电子设备、存储介质 |
CN110019742A (zh) * | 2018-06-19 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 用于处理信息的方法和装置 |
WO2019153518A1 (zh) * | 2018-02-08 | 2019-08-15 | 平安科技(深圳)有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180268318A1 (en) * | 2017-03-17 | 2018-09-20 | Adobe Systems Incorporated | Training classification algorithms to predict end-user behavior based on historical conversation data |
-
2019
- 2019-09-24 CN CN201910906594.5A patent/CN111783810B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019153518A1 (zh) * | 2018-02-08 | 2019-08-15 | 平安科技(深圳)有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
CN110019742A (zh) * | 2018-06-19 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 用于处理信息的方法和装置 |
CN109523342A (zh) * | 2018-10-12 | 2019-03-26 | 平安科技(深圳)有限公司 | 服务策略生成方法及装置、电子设备、存储介质 |
Non-Patent Citations (2)
Title |
---|
刘维嘉 ; .高峰期网络流量高精准度预测模型研究.网络新媒体技术.2018,(02),全文. * |
邵长城 ; 陈平华 ; .融合社交网络和图像内容的兴趣点推荐.计算机应用.2019,(05),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111783810A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783810B (zh) | 用于确定用户的属性信息的方法和装置 | |
US11734609B1 (en) | Customized predictive analytical model training | |
CN108520470B (zh) | 用于生成用户属性信息的方法和装置 | |
CN109376267B (zh) | 用于生成模型的方法和装置 | |
CN109872242B (zh) | 信息推送方法和装置 | |
CN110321422A (zh) | 在线训练模型的方法、推送方法、装置以及设备 | |
CN111368973B (zh) | 用于训练超网络的方法和装置 | |
CN111340220B (zh) | 用于训练预测模型的方法和装置 | |
JP2012058972A (ja) | 評価予測装置、評価予測方法、及びプログラム | |
CN112115257A (zh) | 用于生成信息评估模型的方法和装置 | |
CN111104599B (zh) | 用于输出信息的方法和装置 | |
CN114896454B (zh) | 一种基于标签分析的短视频数据推荐方法及系统 | |
CN109117442B (zh) | 一种应用推荐方法及装置 | |
CN112836128A (zh) | 信息推荐方法、装置、设备和存储介质 | |
CN113034168A (zh) | 内容项投放方法、装置、计算机设备及存储介质 | |
CN113822734B (zh) | 用于生成信息的方法和装置 | |
CN109978594B (zh) | 订单处理方法、装置及介质 | |
CN114119123A (zh) | 信息推送的方法和装置 | |
CN113792952A (zh) | 用于生成模型的方法和装置 | |
CN112905885A (zh) | 向用户推荐资源的方法、装置、设备、介质和程序产品 | |
CN109299351B (zh) | 内容推荐方法和装置、电子设备及计算机可读介质 | |
CN113836388A (zh) | 信息推荐方法、装置、服务器及存储介质 | |
CN113159877B (zh) | 数据处理方法、装置、系统、计算机可读存储介质 | |
CN116361536A (zh) | 内容推荐方法、装置、电子设备和计算机可读介质 | |
CN111767290B (zh) | 用于更新用户画像的方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |