CN111905375B - 显示方法、装置以及相关设备 - Google Patents

显示方法、装置以及相关设备 Download PDF

Info

Publication number
CN111905375B
CN111905375B CN202010759594.XA CN202010759594A CN111905375B CN 111905375 B CN111905375 B CN 111905375B CN 202010759594 A CN202010759594 A CN 202010759594A CN 111905375 B CN111905375 B CN 111905375B
Authority
CN
China
Prior art keywords
user
sequence
target
target user
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
Application number
CN202010759594.XA
Other languages
English (en)
Other versions
CN111905375A (zh
Inventor
钱宇秋
陈思
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202010759594.XA priority Critical patent/CN111905375B/zh
Publication of CN111905375A publication Critical patent/CN111905375A/zh
Application granted granted Critical
Publication of CN111905375B publication Critical patent/CN111905375B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A63SPORTS; GAMES; AMUSEMENTS
    • A63FCARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/70Game security or game management aspects
    • A63F13/79Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本公开提供一种显示方法、装置以及电子设备和计算机可读存储介质,该方法包括:获取目标用户在第一历史时间段内的针对第一推荐任务的第一当前时序序列;通过训练完成的神经网络模型的时序网络结构对第一当前时序序列进行处理,确定目标用户针对第一当前时序序列的第一预测序列特征;获取目标用户针对第一推荐任务的第一单序列用户特征和目标用户针对至少一个推荐任务的第一多序列共享用户特征,至少一个推荐任务包括第一推荐任务;根据第一多序列共享用户特征和第一单序列用户特征确定目标用户针对第一推荐任务的第一综合用户特征;根据第一综合用户特征和第一预测序列特征确定目标用户针对第一推荐任务的第一推荐对象;显示第一推荐对象。

Description

显示方法、装置以及相关设备
技术领域
本公开涉及计算机与互联网技术领域,尤其涉及一种显示方法及装置、电子设备和计算机可读存储介质。
背景技术
提高用户的游戏体验,是每一个游戏设计者的一个主要目的。但是,随着游戏的发展,游戏中的任务或道具越来越多,玩家无法在众多的游戏任务或道具中及时找到合适自己的任务或者道具等。例如,在游戏1中可能存在多种游戏地图,玩家无法快速找到适合自己的地图;再例如,在游戏2中可能存在多种游戏道具,玩家一时无法确定最适合自己的道具。
因此,预测并向用户推荐可能会点击的地图或购买的道具等对象,可以提高用户的游戏体验,进而提高游戏的商业价值。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解。
发明内容
本公开实施例提供一种显示方法及装置、电子设备和计算机可读存储介质,基于本公开提供的方法可以显示目标用户比较感兴趣的第一推荐对象。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
本公开实施例提出一种显示方法,该方法包括:获取目标用户在第一历史时间段内的针对第一推荐任务的第一当前时序序列;通过训练完成的神经网络模型的时序网络结构对所述第一当前时序序列进行处理,确定所述目标用户针对所述第一当前时序序列的第一预测序列特征;获取所述目标用户针对所述第一推荐任务的第一单序列用户特征和所述目标用户针对至少一个推荐任务的第一多序列共享用户特征,所述至少一个推荐任务包括所述第一推荐任务,所述第一多序列共享用户特征和所述第一单序列用户特征均是训练所述神经网络模型后获得的;根据所述第一多序列共享用户特征和所述第一单序列用户特征确定所述目标用户针对所述第一推荐任务的第一综合用户特征;根据所述第一综合用户特征和所述第一预测序列特征确定所述目标用户针对所述第一推荐任务的第一推荐对象;显示所述第一推荐对象。
本公开实施例提供了一种显示装置,所述显示装置包括:第一当前时序序列获取模块、第一预测序列特征获取模块、第一单序列用户特征获取模块、第一综合用户特征获取模块、第一推荐对象确定模块以及显示模块。
其中,所述第一当前时序序列获取模块可以配置为获取目标用户在第一历史时间段内的针对第一推荐任务的第一当前时序序列;所述第一预测序列特征获取模块可以配置为通过训练完成的神经网络模型的时序网络结构对所述第一当前时序序列进行处理,确定所述目标用户针对所述第一当前时序序列的第一预测序列特征;所述第一单序列用户特征获取模块可以配置为获取所述目标用户针对所述第一推荐任务的第一单序列用户特征和所述目标用户针对至少一个推荐任务的第一多序列共享用户特征,所述至少一个推荐任务包括所述第一推荐任务,所述第一多序列共享用户特征和所述第一单序列用户特征均是训练所述神经网络模型后获得的;所述第一综合用户特征获取模块可以配置为根据所述第一多序列共享用户特征和所述第一单序列用户特征确定所述目标用户针对所述第一推荐任务的第一综合用户特征;所述第一推荐对象确定模块可以配置为根据所述第一综合用户特征和所述第一预测序列特征确定所述目标用户针对所述第一推荐任务的第一推荐对象;所述显示模块可以配置为显示所述第一推荐对象。
在一些实施例中,所述至少一个推荐任务还包括第二推荐任务。
在一些实施例中,所述显示装置还可以包括:第二当前时序序列获取模块、第二预测序列特征获取模块、第二单序列用户特征获取模块、第二综合用户特征获取模块、第二推荐对象获取模块以及第二推荐对象显示模块。
其中,所述第二当前时序序列获取模块可以配置为获取所述目标用户在所述第一历史时间段内的针对所述第二推荐任务的第二当前时序序列。所述第二预测序列特征获取模块可以配置为通过所述时序网络结构对所述第二当前时序序列进行处理,确定所述目标用户针对所述第二当前时序序列的第二预测序列特征。所述第二单序列用户特征获取模块可以配置为获取所述目标用户针对所述第二推荐任务的第二单序列用户特征,所述第二单序列用户特征是训练所述神经网络模型后获得的。所述第二综合用户特征获取模块可以配置为根据所述第一多序列共享用户特征和所述第二单序列用户特征确定所述目标用户针对所述第二推荐任务的第二综合用户特征。所述第二推荐对象获取模块可以配置为根据所述第二综合用户特征和所述第二预测序列特征确定所述目标用户针对所述第二推荐任务的第二推荐对象。所述第二推荐对象显示模块可以配置为显示所述第二推荐对象。
在一些实施例中,所述显示装置还可以包括:第一目标用户组确定模块、第一目标用户组特征获取模块、第三推荐对象确定模块以及第三推荐对象显示模块。
其中,所述第一目标用户组确定模块可以配置为确定所述目标用户所在的目标用户组。所述第一目标用户组特征获取模块可以配置为获取所述目标用户组的目标用户组特征,所述目标用户组特征是所述神经网络模型根据所述目标用户组中各个用户的多序列共享用户特征确定的。所述第三推荐对象确定模块可以配置为根据所述目标用户组特征和所述第二预测序列特征确定所述目标用户组针对所述第二推荐任务的第三推荐对象。所述第三推荐对象显示模块可以配置为显示所述第三推荐对象。
在一些实施例中,所述显示装置还可以包括:第二目标用户组确定模块、第二目标用户组特征获取模块、第四推荐对象获取模块以及第四推荐对象显示模块。
其中,所述第二目标用户组确定模块可以配置为确定所述目标用户所在的目标用户组。所述第二目标用户组特征获取模块可以配置为获取所述目标用户组的目标用户组特征,所述目标用户组特征是所述神经网络模型根据所述目标用户组中各个用户的多序列共享用户特征确定的。所述第四推荐对象获取模块可以配置为根据所述目标用户组特征和所述第一预测序列特征确定所述目标用户组针对所述第一推荐任务的第四推荐对象。所述第四推荐对象显示模块可以配置为显示所述第四推荐对象。
在一些实施例中,所述至少一个推荐任务还包括向所述目标用户进行地图推荐的地图推荐任务。
在一些实施例中,所述显示装置还可以包括:地图下载时序序列获取模块、地图下载序列获取模块、地图推荐用户获取模块、地图推荐综合用户获取模块、目标地图确定模块以及目标地图显示模块。
其中,所述地图下载时序序列获取模块可以配置为获取所述目标用户在第一历史时间段内的地图下载时序序列。所述地图下载序列获取模块可以配置为通过所述神经网络模型的时序网络结构对所述地图下载时序序列进行处理,确定所述目标用户的地图下载序列特征。所述地图推荐用户获取模块可以配置为获取所述目标用户针对所述地图推荐任务的地图推荐用户特征,所述地图推荐用户特征是训练所述神经网络模型后获得的。所述地图推荐综合用户获取模块可以配置根据所述第一多序列共享用户特征和所述地图推荐用户特征确定所述目标用户针对所述地图推荐任务的地图推荐综合用户特征。目标地图确定模块可以配置为根据所述地图推荐综合用户特征和所述地图下载序列特征,确定向所述目标用户推荐的目标地图。所述目标地图显示模块可以配置为显示所述目标地图。
在一些实施例中,所述至少一个推荐任务还包括第二推荐任务。
在一些实施例中,所述显示装置还可以包括:第三目标用户组获取模块、历史时序序列获取模块以及训练模块。
其中,所述第三目标用户组获取模块可以配置为确定所述目标用户所在的目标用户组。所述历史时序序列获取模块可以配置为获取所述目标用户组中各个用户在第二历史时间段内的针对所述第一推荐任务的第一历史时序序列和针对所述第二推荐任务的第二历史时序序列。所述训练模块可以配置为通过所述目标用户组中各个用户的第一历史时序序列和第二历史时序序列训练所述神经网络模型,确定所述目标用户针对所述第一推荐任务的第一单序列用户特征和所述目标用户针对所述至少一个推荐任务的第一多序列共享用户特征。
在一些实施例中,所述神经网络模型包括时序网络结构、第一用户特征提取结构、第二用户特征提取结构和用户组特征提取结构,所述第一用户特征提取结构和所述第二用户特征提取结构的参数不共享。
在一些实施例中,所述训练模块可以包括:第二历史中间序列特征获取单元、多序列共享中间用户特征获取单元、用户组中间特征获取单元、第一综合中间用户特征获取单元、第二综合中间用户特征获取单元以及神经网络模型训练单元。
其中,所述第二历史中间序列特征获取单元可以配置为通过所述时序网络结构对所述第一历史时序序列和所述第二历史时序序列进行处理,确定所述目标用户针对所述第一推荐任务的第一历史中间序列特征和针对所述第二推荐任务的第二历史中间序列特征。所述多序列共享中间用户特征获取单元可以配置为分别获取所述目标用户组中各个用户针对所述第一推荐任务和所述第二推荐任务的多序列共享中间用户特征。所述用户组中间特征获取单元可以配置为利用所述用户组特征提取结构处理所述目标用户组中各个用户的多序列共享中间用户特征,获得所述目标用户组的用户组中间特征。所述第一综合中间用户特征获取单元可以配置为利用所述第一用户特征提取结构处理所述目标用户的多序列共享中间用户特征,获得所述目标用户针对所述第一推荐任务的第一综合中间用户特征。所述第二综合中间用户特征获取单元可以配置为利用所述第二用户特征提取结构处理所述目标用户的多序列共享中间用户特征,获得所述目标用户针对所述第二推荐任务的第二综合中间用户特征。所述神经网络模型训练单元可以配置为根据所述第一历史中间序列特征、所述第二历史中间序列特征、所述第一综合中间用户特征、所述第二综合中间用户特征以及所述用户组中间特征对所述神经网络模型进行训练。
在一些实施例中,所述神经网络模型训练单元可以包括:第一预测对象确定子单元、第二预测对象确定子单元、第三预测对象确定子单元、第四预测对象确定子单元以及神经网络模型训练子单元。
其中,所述第一预测对象确定子单元可以配置为根据所述第一历史中间序列特征和所述第一综合中间用户特征,确定所述目标用户针对所述第一推荐任务的第一预测对象。所述第二预测对象确定子单元可以配置为根据所述第二历史中间序列特征和所述第二综合中间用户特征,确定所述目标用户针对所述第二推荐任务的第二预测对象。所述第三预测对象确定子单元可以配置为根据所述第一历史中间序列特征和所述用户组中间特征确定所述目标用户组针对所述第一推荐任务的第三预测对象。所述第四预测对象确定子单元可以配置为根据所述第二历史中间序列特征和所述用户组中间特征确定所述目标用户组针对所述第二推荐任务的第四预测对象。所述神经网络模型训练子单元可以配置为根据所述第一预测对象、所述第二预测对象、所述第三预测对象以及第四预测对象训练所述神经网络模型。
在一些实施例中,所述用户组中间特征获取单元可以包括:目标子用户组确定子单元、目标子用户组特征确定子单元以及目标用户组特征确定子单元。
其中,所述目标子用户组确定子单元可以配置为将所述目标用户组中的各个用户两两对应成组,以确定目标子用户组。所述目标子用户组特征确定子单元可以配置为对所述目标子用户组中的多序列共享中间用户特征进行加权求和处理,以确定所述目标子用户组的目标子用户组特征。所述目标用户组特征确定子单元可以配置为根据各个目标子用户组的目标子用户组特征确定所述目标用户组特征。
在一些实施例中,所述目标子用户组包括第一目标用户和第二目标用户。
在一些实施例中,所述目标子用户组特征确定子单元可以包括:线性变换特征获取孙子单元、权重获取孙子单元以及目标子用户组特征获取孙子单元。
其中,所述线性变换特征获取孙子单元可以配置为对所述第一目标用户对应的多序列共享中间用户特征和所述第二目标用户对应的多序列共享中间用户特征分别进行线性变换处理,以获得第一线性变换特征和第二线性变换特征。所述权重获取孙子单元可以配置为根据所述第一线性变换特征和所述第二线性变换特征确定所述第一目标用户对应的第一权重和所述第二目标用户对应的第二权重。所述目标子用户组特征获取孙子单元可以配置为根据所述第一权重和所述第二权重对所述第一目标用户对应的多序列共享中间用户特征和所述第二目标用户对应的多序列共享中间用户特征分别进行加权处理,以获得所述目标子用户组的所述目标子用户组特征。
在一些实施例中,所述第一目标用户组确定模块、所述第二目标用户组确定模块或所述第三目标用户组获取模块可以包括:目标游戏信息获取单元和分组单元。
其中,所述目标游戏信息获取单元可以配置为获取目标游戏中的用户的目标游戏信息,所述目标游戏中的用户包括所述目标用户,所述目标游戏信息包括所述用户在所述目标游戏中的活跃时长、所述用户对应的操作对象信息、所述用户在所述目标游戏中操作过的目标地图以及操作所述目标地图的次数和时长中的至少一个。所述分组单元可以配置为根据所述目标游戏信息,将所述目标游戏中的用户划分为多个用户组,所述多个用户组包括所述目标用户组。
在一些实施例中,所述历史时序序列获取模块可以包括:序列截取单元。
其中,所述序列截取单元可以配置为在所述第一历史时序序列中截取部分时序序列或在所述第二历史时序序列中截取部分序列,以训练所述神经网络模型。
本公开实施例提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,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上述任一项所述的显示方法。
本公开实施例提出一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述任一项所述的显示方法。
本公开实施例提出一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述显示方法。
本公开实施例提供的显示方法、装置及电子设备和计算机可读存储介质,通过训练完成的神经网络模型一方面可以确定目标用户针对至少一个推荐任务的第一多序列共享用户特征和针对第一推荐任务的第一单序列用户特征,然后基于第一多序列共享用户特征和该第一单序列用户特征确定了目标用户的第一综合用户特征,该第一综合用户特征既可以描述目标用户针对至少一个推荐任务的共性特征也可以描述目标用户针对第一推荐任务的个性化特征;另一方面,基于第一综合用户特征和从第一当前时序序列中提取出来的第一预测序列特征,准确的确定了目标用户感兴趣的第一推荐对象。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。下面描述的附图仅仅是本公开的一些实施例,对于本领域的普通技术人员来讲,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示出了应用于本公开实施例的显示方法或显示装置的示例性系统架构的示意图。
图2是根据一示例性实施例示出的一种应用显示装置的计算机系统的结构示意图。
图3是根据一示例性实施例示出的一种显示方法的流程图。
图4是根据一示例性实施例示出的对用户进行分组的示意图。
图5是根据一示例性实施例示出的一种对历史时序序列进行截取的示意图。
图6是图3中步骤S3在一示例性实施例中的流程图。
图7是根据一示例性实施例示出的一种神经网络模型。
图8是根据一示例性实施例示出的一种神经网络模型。
图9是根据一示例性实施例示出的一种图数据生成示意图。
图10是根据一示例性实施例示出的一种图数据生成示意图。
图11是根据一示例性实施例示出的一种神经网络模型。
图12是图6中步骤S36在一示例性实施例中的流程图。
图13是图6中步骤S33在一示例性实施例中的流程图。
图14是图13中步骤S332在一示例性实施例中的流程图。
图15是图3中步骤S4在一示例性实施例中的流程图。
图16是根据一示例性实施例示出的一种显示方法。
图17是根据一示例性实施例示出的一种推荐界面。
图18根据一示例性实施例示出的一种显示方法。
图19是根据一示例性实施例示出的一种推荐界面。
图20根据一示例性实施例示出的一种显示方法。
图21是根据一示例性实施例示出的一种显示装置的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
本公开所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图仅为本公开的示意性图解,图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和步骤,也不是必须按所描述的顺序执行。例如,有的步骤还可以分解,而有的步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
本说明书中,用语“一个”、“一”、“该”、“所述”和“至少一个”用以表示存在一个或多个要素/组成部分/等;用语“包含”、“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等;用语“第一”、“第二”和“第三”等仅作为标记使用,不是对其对象的数量限制。
下面结合附图对本公开示例实施方式进行详细说明。
图1示出了可以应用于本公开实施例的神经网络模型方法或显示装置的示例性系统架构的示意图。
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。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。其中,终端设备101、102、103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、台式计算机、可穿戴设备、虚拟现实设备、智能家居等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所进行操作的装置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请求等数据进行分析等处理,并将处理结果反馈给终端设备。
服务器105可例如获取目标用户在第一历史时间段内的针对第一推荐任务的第一当前时序序列;服务器105可例如通过训练完成的神经网络模型的时序网络结构对所述第一当前时序序列进行处理,确定所述目标用户针对所述第一当前时序序列的第一预测序列特征;服务器105可例如获取所述目标用户针对所述第一推荐任务的第一单序列用户特征和所述目标用户针对至少一个推荐任务的第一多序列共享用户特征,所述至少一个推荐任务包括所述第一推荐任务,所述第一多序列共享用户特征和所述第一单序列用户特征均是训练所述神经网络模型后获得的;服务器105可例如根据所述第一多序列共享用户特征和所述第一单序列用户特征确定所述目标用户针对所述第一推荐任务的第一综合用户特征;服务器105可例如根据所述第一综合用户特征和所述第一预测序列特征确定所述目标用户针对所述第一推荐任务的第一推荐对象并将第一推荐对象发送给终端设备以便终端设备显示所述第一推荐对象。
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,服务器105可以是一个实体的服务器,还可以为多个服务器组成,根据实际需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图2,其示出了适于用来实现本申请实施例的终端设备的计算机系统200的结构示意图。图2示出的终端设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图2所示,计算机系统200包括中央处理单元(CPU)201,其可以根据存储在只读存储器(ROM)202中的程序或者从储存部分208加载到随机访问存储器(RAM)203中的程序而执行各种适当的动作和处理。在RAM 203中,还存储有系统200操作所需的各种程序和数据。CPU 201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。
以下部件连接至I/O接口205:包括键盘、鼠标等的输入部分206;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207;包括硬盘等的储存部分208;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209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211,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210上,以便于从其上读出的计算机程序根据需要被安装入储存部分208。
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存储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209从网络上被下载和安装,和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(CPU)201执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本申请所示的计算机可读存储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。在本申请中,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。而在本申请中,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存储介质,该计算机可读存储介质可以发送、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。计算机可读存储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,图示了按照本申请各种实施例的系统、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。
描述于本申请实施例中所涉及到的模块和/或单元和/或子单元和/或孙子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。所描述的模块和/或单元和/或子单元和/或孙子单元也可以设置在处理器中,例如,可以描述为:一种处理器包括发送单元、获取单元、确定单元和第一处理单元。其中,这些模块和/或单元和/或子单元和/或孙子单元的名称在某种情况下并不构成对该模块和/或单元和/或子单元和/或孙子单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储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。上述计算机可读存储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,使得该设备可实现功能包括:获取目标用户在第一历史时间段内的针对第一推荐任务的第一当前时序序列;通过训练完成的神经网络模型的时序网络结构对所述第一当前时序序列进行处理,确定所述目标用户针对所述第一当前时序序列的第一预测序列特征;获取所述目标用户针对所述第一推荐任务的第一单序列用户特征和所述目标用户针对至少一个推荐任务的第一多序列共享用户特征,所述至少一个推荐任务包括所述第一推荐任务,所述第一多序列共享用户特征和所述第一单序列用户特征均是训练所述神经网络模型后获得的;根据所述第一多序列共享用户特征和所述第一单序列用户特征确定所述目标用户针对所述第一推荐任务的第一综合用户特征;根据所述第一综合用户特征和所述第一预测序列特征确定所述目标用户针对所述第一推荐任务的第一推荐对象;显示所述第一推荐对象。
本公开提供的技术方案结合人工智能技术中的机器学习技术实现了针对目标用户和目标用户组的多个任务的预测。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
其中,机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络模型、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
本公开提供的技术方案能够结合机器学习等技术实现对神经网络模型的训练,以便针对目标用户和目标用户组实现多个任务的预测,具体过程可以通过如下实施例进行说明。
图3是根据一示例性实施例示出的一种显示方法的流程图。本公开实施例所提供的方法可以由任意具备计算处理能力的电子设备处理,例如上述图1实施例中的服务器105和/或终端设备102、103,在下面的实施例中,以终端设备102为执行主体为例进行举例说明,但本公开并不限定于此。
参照图3,本公开实施例提供的显示方法可以包括以下步骤。
在步骤S1中,确定所述目标用户所在的目标用户组。
在一些实施例中,目标用户可以指的是在目标游戏的虚拟场景中操作虚拟角色的用户。该目标用户既可以在不同的虚拟场景中操纵虚拟角色,又可以在同样的虚拟场景中操纵不同的虚拟角色,本公开对此不做限制。
在一些实施例中,可以获取目标游戏中各个用户的目标游戏信息,并按照用户的游戏信息对目标游戏中的用户进行分组。例如,可以按照目标游戏中用户的游戏活跃情况(例如在目标游戏中的活跃时长)、目标用户的注册信息(例如注册信息中的年纪信息)、目标用户在目标游戏中操作过的地图、目标用户操作某地图的次数和时长等对目标游戏中的用户进行分组,本公开对此不做限制。
目标游戏中,不同的地图可以代表不同的游戏模式。一般来说,一个游戏中可能会包括不同类别的地图,每种类别的地图又可能会包括多个地图,例如目标游戏可以包括对战类地图、冒险类地图、竞速类地图等,而冒险类地图又可以包括丛林冒险地图、空中冒险地图等多个地图。
在一些实施例中,可以根据k-means聚类方法,基于目标游戏中各个用户的游戏信息进行对目标游戏中的用户进行分类,以将目标游戏中的各个用户划分为多个用户组,该多个用户组包括目标用户所在的目标用户组。
k-means聚类方法是根据给定的数据对象的数据集,构建k个聚类的方法,每个聚类即为一个簇,k为大于或者等于1的正整数。该方法将数据划分为k个簇,每个簇至少有一个数据对象,每个数据对象必须属于而且只能属于一个簇,同时要满足同一簇中的数据对象相似度高,不同簇中的数据对象相似度较小。
可以理解的是,本公开对用户分组方法不做限定,任意可以对目标游戏中的用户进行分组的方法均在本公开的保护范围之内。
图4是根据一示例性实施例示出的对用户进行分组的示意图。其中,网格填充的圆形(例如401)可以代表目标游戏中的用户,实心填充的圆形(例如402)可以代表用户组。
在步骤S2中,获取所述目标用户组中各个用户在第二历史时间段内的针对所述第一推荐任务的第一历史时序序列和针对所述第二推荐任务的第二历史时序序列。
在一些实施例中,第二历史时间段可以指的是过去已发生的一段时间,本公开对第二历史时间段的具体时间不做限制。
在一些实施例中,第一推荐任务或第二推荐任务可以指的是在目标游戏中任意需要向用户进行推荐的任务,第一推荐任务或第二推荐任务可例如是向用户推荐目标地图、向用户推荐目标类别地图、向用户推荐目标道具(例如某枪械设备等)等,本公开对此不做限制。
在一些实施例中,可以针对第一推荐任务获取目标用户在第二历史时间段内的目标历史事件,并根据目标历史事件的发生时间生成第一历史时序序列。
其中,目标历史事件可以指的是用户在第二历史时间段内发生的与第一推荐任务相关的事件。例如,若第一推荐任务是预测目标用户在下一时刻可能会购买的道具,那么目标历史事件可以指的是目标用户在第二历史时间段内购买道具的事件,再例如若第一推荐任务指的是预测目标用户在下一时刻可能会点击的地图,那么目标历史事件可以指的是目标用户在第二历史时间段内的地图点击事件。
在一些实施例中,根据目标历史事件的发生时间生成与第二历史时间段对应的第一历史时序序列可以指的是按照时间顺序对目标历史事件进行排序,并根据排序结果生成第一历史时序序列。
例如,若第一推荐任务是向用户推荐XX道具以便用户进行道具购买,那么针对第一推荐任务的目标历史事件可以指的是在第二历史时间段内该用户购买的道具及购买时间,第一历史时序序列则可以指的是根据道具购买时间生成的时序序列。假设该用户在第一时间点购买了A道具,在第二时间点购买了B道具,在第三时间点购买了C道具,其中第一时间点早于第二时间点,第二时间点早于第三时间点,那么该用户的第一历史时间序列可以为[A,B,C]。
在一些实施例中,第二推荐任务可以指的是与第一推荐任务不同的其它推荐任务,第二推荐任务对应的第二历史时序序列获取方式与第一历史时序序列的获取方式相同,本公开对此不再赘述。
可以理解的是,本公开仅以通过第一推荐任务、第二推荐任务对应的历史时间序列训练神经网络模型为例,在实际应用中可以通过多个推荐任务对应的历史时间序列训练神经网络模型,以同时实现针对多个推荐任务的预测,本公开对此不做限制。
在一些实施例中,为了丰富神经网络模型的训练样本,可以在第一历史时序序列中截取部分时序序列或在第二历史时序序列中截取部分序列,以训练所述神经网络模型。
在一些实施例中,可以将第一历史时序序列或第二历史时序序列中距离当前时间点较远的节点删除,生成新的时间序列以训练神经网络模型。如图5所示,假设[a,b,c,b]是某用户的第一历史时序序列,可以将第一历史时序序列中对应时间相对较早(即与当前时间相距最久)的a、b、c依次从第一历史时序序列中删除,以生成新的时序序列[b,c,b]、[c,b]以及[b],并根据新的时序序列训练样本。
可以理解的是,还可以从第一时序序列或第二历史时序序列中间截取部分时序序列(例如可以从图5所示序列中截取[c,b]或[c]等),以训练该神经网络模型,本公开对此不做限制。
在步骤S3中,通过所述目标用户组中各个用户的第一历史时序序列和第二历史时序序列训练所述神经网络模型,确定所述目标用户针对所述第一推荐任务的第一单序列用户特征和所述目标用户针对所述至少一个推荐任务的第一多序列共享用户特征。
在一些实施例中,可以通过目标用户组中各个用户的第一历史时序序列和第二历史时序序列训练神经网络模型。通过训练完成的神经网络模型可以从第一历史时序序列和第二历史时序序列中提取目标用户针对第一推荐任务和第二推荐任务的第一多序列共享用户特征,该第一多序列共享用户特征可以描述目标用户针对第一推荐任务和第二推荐任务的共性用户特征;还可以通过训练完成的神经网络模型从第一历史时序序列中提取出目标用户针对第一推荐任务的第一单序列用户特征,该第一单序列用户特征可以描述目标用户针对第一推荐任务的个性化特征。
在一些实施例中,可以将目标用户的第一多序列共享用户特征和第一单序列用户特征进行拼接,以获得目标用户针对第一推荐任务的第一综合用户特征。该第一综合用户特征既可以描述目标用户针对第一推荐任务和第二推荐任务的共性特征,也可以描述目标用户针对第一推荐任务的个性化特征。根据该第一综合用户特征,可以更加准确的完成针对目标用户的第一推荐任务。
在一些实施例中,还可以通过训练完成的神经网络模型从第二历史时序序列中提取出目标用户针对第二推荐任务的第二单序列用户特征,该第二单序列用户特征可以描述目标用户针对第二推荐任务的个性化特征。
在一些实施例中,可以将目标用户的第一多序列共享用户特征和第二单序列用户特征进行拼接,以获得目标用户针对第二推荐任务的第二综合用户特征。该第二综合用户特征既可以描述目标用户针对第一推荐任务和第二推荐任务的共性特征,也可以描述目标用户针对第二推荐任务的个性化特征。根据该第二综合用户特征,可以更加准确的完成针对目标用户的第二推荐任务。
在一些实施例中,还可以通过训练完成的神经网络模型从各个用户的第一历史时序序列和第二历史时序序列中提取出目标用户组中各个用户针对第一推荐任务和第二推荐任务的第二多序列共享用户特征,该第二多序列共享用户特征可以描述用户针对第一推荐任务和第二推荐任务的共享特征。然后根据目标用户组中各个用户的第二多序列共享用户特征确定目标用户组特征。
例如,若目标用户组中包括第一用户、第二用户、第三用户......,那么可以根据第一用户针对第一推荐任务和第二推荐任务的第一历史时序序列和第二历史时序序列确定该第一用户的第二多序列共享用户特征,根据第二用户针对第一推荐任务和第二推荐任务的第一历史时序序列和第二历史时序序列确定该第二用户的第二多序列共享用户特征,以此类推,本公开对此不再赘述。
本实施例提供的技术方案,通过目标用户组中各个用户的第一历史时序序列和第二历史时序序列,既可以获取目标用户针对第一推荐任务的第一综合用户特征,还可以获取目标用户针对第二推荐任务的第二综合用户特征,另外还可以获取目标用户所在目标用户组的目标用户组特征,以便针对目标用户、目标用户组实现第一推荐任务和第二推荐任务。
图6是图3中步骤S3在一示例性实施例中的流程图。
本实施例将结合如图7所示的神经网络模型的网络结构,具体解释图3中神经网络模型的训练过程。
图7是根据一示例性实施例示出的一种神经网络模型。如图7所示,该神经网络模型可以包括时序网络结构701、用户特征提取结构702、用户组特征提取结构703、第一序列特征拼接结构704、第二序列特征拼接结构705、第三序列特征拼接结构706、第四序列特征拼接结构707、第一分类器708、第二分类器709、第三分类器710以及第四分类器711。
其中,用户特征提取结构702可以包括如图8所示的第一用户特征提取结构7021和第二用户特征提取结构7022,其中第一用户特征提取结构7021和第二用户特征提取结构7022参数不共享。
在一些实施例中,第一用户特征提取结构7021可以包括第一特征提取结构7023和第一用户特征拼接结构7024,第二用户特征提取结构7022可以包括第二特征提取结构7025和第二用户特征拼接结构7026。
参考图6,上述步骤S3可以包括以下步骤。
在步骤S31中,通过所述时序网络结构对所述第一历史时序序列和所述第二历史时序序列进行处理,确定所述目标用户针对所述第一推荐任务的第一历史中间序列特征和针对所述第二推荐任务的第二历史中间序列特征。
在一些实施例中,时序网络结构可以指的是任意可以对时间序列进行特征提取的网络结构,例如可以指的是图神经网络模型结构、长短期记忆网络(Long Short-TermMemory,LSTM)或者循环神经网络模型等,本公开对此不作限制。
在一些实施例中,可以将目标用户组中各个用户的第一历史时序序列(例如第一用户的第一历史时序序列i1和第二用户的第一历史时序序列i2)和第二历史时序序列(例如第一用户的第二历史时序序列f1和第二用户的第二历史时序序列f2)作为训练样本训练神经网络模型。可以理解的是这里仅以目标用户组中包括两个用户(例如第一用户和第二用户)、训练样本仅包括两个历史时序序列(第一历史时序序列和第二历史时序列)为例进行说明,但是本公开对此不作限制。
在一些实施例中,若时序网络结构是图神经网络模型结构,那么在输入第一历史时序序列或第二历史时序序列训练样本时不仅可以输入如图9上半部分所示的时序序列[a,b,c,c],还可以输入根据图9上半部分所示的时序序列[a,b,c,c]生成的如图8下半部分所示的图数据。
在一些实施例中,若时序网络结构是图神经网络模型结构,那么在输入第一历史时序序列和第二历史时序序列时,还可以根据例如[a,b,c,d]的第一历史序列和例如[e,f,f]的第二历史时序序列生成如图10所示的图数据。
在一些实施例中,生成如图10所述的图数据可以包括如下步骤:对用户针对第一推荐任务的第一事件(例如a、c、d、b)按照事件发生时间进行排序,得到第一排序结果(例如[a,b,c,d]);根据第一排序结果对第一事件进行连接以得到如图10左侧示出的第一历史时序序列;对用户针对第二推荐任务的第二事件(例如e、f、g)按照时间发生时间进行排序,以获得第二排序结果(例如[e,f,g]);根据第二排序结果对第二事件进行连接以获得如图10右侧示出的第二历史时序序列;对第一事件和第二事件进行全局排序,以获得全局排序结果(例如[a,e,b,c,d,f,g]);根据全局排序结果对第一事件和第二事件进行连接,以得到如图10整体所示的连接结果。如此,便可以根据第一历史时序序列和第二历史时序序列生成如图10所示的图数据。
在一些实施例中,可以通过神经网络模型中的时序网络结构对各个用户的第一历史时序序列(例如如图7中的
Figure GDA0003310733470000191
,其中i1可以代表目标用户组中第一用户的第一历史时序序列,i2可以代表目标用户组中第二用户的第一历史时序序列)和第二历史时序序列(例如图7中的
Figure GDA0003310733470000192
,其中f1可以代表目标用户组中第一用户的第二历史时序序列,f2可以代表目标用户组中第二用户的第二历史时序序列)进行处理,以获得各个用户针对第一推荐任务的第一历史中间序列特征(例如图7中的
Figure GDA0003310733470000193
,其中sr1可以代表目标用户组中第一用户的第一历史中间序列特征,sr2可以代表目标用户组中第二用户的第一历史中间序列特征)和各个用户针对第二推荐任务的第二历史中间序列特征(例如图7中的
Figure GDA0003310733470000194
,其中sf1可以代表目标用户组中第一用户的第二历史中间序列特征,sf2可以代表目标用户组中第二用户的第二历史中间序列特征)。
在一些实施例中,第一历史中间序列特征例如sr1可以由两部分组成,一部分代表了整个序列的用户偏好,为对整个序列的节点的特征向量进行线性加权,称之为第一历史时序序列的第一部分特征sr1=∑j=i1,…i5αrj*er_j,其中αrj为神经网络模型中待训练的参数,er_j为序列中节点的特征向量;另一部分为用户的最近喜好,用第一历史时序序列(或第一历史中间序列特征)中时间最近一个节点sr2=er_i5表示,称为序列的第二部分特征。
在一些实施例中,可以将第一部分特征sr1和时间最近的节点sr2拼接,构成第一历史中间序列特征sr=[sr1,sr2]。
同理可得第二历史中间序列特征sf=[sf1,sf2],其中sf1=∑j=i1,…i5αfj*ef_j,sf2=ef_i5,ef_i5为第二历史时序序列(或第二历史中间序列特征)中时间最近的一个节点,αfj为参数,ef_j为序列中节点的特征向量。
在步骤S32中,分别获取所述目标用户组中各个用户针对所述第一历史时序序列和所述第二历史时序序列的多序列共享中间用户特征。
在一些实施例中,用户针对第一历史时序序列和第二历史时序序列的多序列共享中间用户特征(例如图7中的
Figure GDA0003310733470000201
)可以描述的是用户对第一推荐任务和第二推荐任务的共同偏好。
其中,用户的多序列共享中间用户特征可以是通过神经网络模型训练出来的参数。所以在神经网络模型训练初期,可以对用户的多序列共享中间用户特征进行初始化处理,在神经网络模型序列过程中会对用户的多序列共享中间用户特征进行不断的更新,以逼近真正可以描述用户对第一历史时序序列和第二历史时序序列的共同偏好的多序列共享用户特征。
在步骤S33中,利用所述用户组特征提取结构处理所述目标用户组中各个用户的多序列共享中间用户特征,获得所述目标用户组的用户组中间特征。
在一些实施例中,可以利用如图11所示的自注意力学习结构对目标用户组中各个用户的多序列共享中间用户特征
Figure GDA0003310733470000211
进行处理,获得目标用户组中的用户组中间特征s_u。
在步骤S34中,利用所述第一用户特征提取结构处理所述目标用户的多序列共享中间用户特征,获得所述目标用户针对所述第一推荐任务的第一综合中间用户特征。
在一些实施例中,可以利用如图8中的第一用户特征提取结构7021中的第一特征提取结构7023对用户的多序列共享中间用户特征
Figure GDA0003310733470000212
进行处理,获得各个用户针对第一历史时序序列的第一单序列中间用户特征
Figure GDA0003310733470000213
,然后通过第一用户特征提取结构7021中的第一用户特征拼接结构7024对各个用户的第一单序列中间用户特征
Figure GDA0003310733470000214
和各个用户的多序列共享中间用户特征
Figure GDA0003310733470000215
进行拼接,以获得目标用户组中各个用户针对第一推荐任务的第一综合中间用户特征
Figure GDA0003310733470000216
在步骤S35中,利用所述第二用户特征提取结构处理所述目标用户的多序列共享中间用户特征,获得所述目标用户针对所述第二推荐任务的第二综合中间用户特征。
在一些实施例中,可以利用如图8中的第二特征提取结构7025对用户的多序列共享中间用户特征
Figure GDA0003310733470000221
进行处理,获得所述各个用户针对第二历史时序序列的第二单序列中间用户特征
Figure GDA0003310733470000222
,然后通过第二用户特征拼接结构7026对用户的第二单序列中间用户特征
Figure GDA0003310733470000223
和用户的多序列共享中间用户特征
Figure GDA0003310733470000224
进行拼接,以获得目标用户组中各个用户针对第二推荐任务的第二综合中间用户特征
Figure GDA0003310733470000225
在步骤S36中,根据所述第一历史中间序列特征、所述第二历史中间序列特征、所述第一综合中间用户特征、所述第二综合中间用户特征以及所述用户组中间特征对所述神经网络模型进行训练。
图12是图6中步骤S36在一示例性实施例中的流程图。
参考图12,上述步骤S36可以包括以下过程。
在步骤S361中,根据所述第一历史中间序列特征和所述第一综合中间用户特征,确定所述目标用户针对所述第一推荐任务的第一预测对象。
在一些实施例中,可以通过神经网络模型中的第一序列拼接结构704对第一历史中间序列特征
Figure GDA0003310733470000226
和第一综合中间用户特征进行拼接
Figure GDA0003310733470000227
,并通过第一分类器708对拼接后结果
Figure GDA0003310733470000228
进行处理,以获得各个用户针对第一推荐任务的第一预测对象。
在步骤S362中,根据所述第二历史中间序列特征和所述第二综合中间用户特征,确定所述目标用户针对所述第二推荐任务的第二预测对象。
在一些实施例中,可以通过神经网络模型中的第二序列拼接结构705对第二历史中间序列特征
Figure GDA0003310733470000231
和第二综合中间用户特征
Figure GDA0003310733470000232
进行拼接,并通过第二分类器709对拼接后结果
Figure GDA0003310733470000233
进行处理,以获得各个用户针对第二推荐任务的第二预测对象。
在步骤S363中,根据所述第一历史中间序列特征和所述用户组中间特征确定所述目标用户组针对所述第一推荐任务的第三预测对象。
在一些实施例中,可以通过神经网络模型中的第三序列拼接结构706对第一历史中间序列特征
Figure GDA0003310733470000234
和用户组中间特征进行拼接
Figure GDA0003310733470000235
,并通过第三分类器对拼接后结果
Figure GDA0003310733470000236
进行处理,以获得目标用户组对第一推荐任务的第三预测对象。
在步骤S364中,根据所述第二历史中间序列特征和所述用户组中间特征确定所述目标用户组针对所述第二推荐任务的第四预测对象。
在一些实施例中,可以通过神经网络模型中的第四序列拼接结构707对第二历史中间序列特征
Figure GDA0003310733470000237
和用户组中间特征进行拼接
Figure GDA0003310733470000238
,并通过第四分类器对拼接后结果
Figure GDA0003310733470000239
进行处理,以获得目标用户组对第二推荐任务的第四预测对象。
在步骤S365中,根据所述第一预测对象、所述第二预测对象、所述第三预测对象以及第四预测对象训练所述神经网络模型。
在一些实施例中,可以根据用户针对第一推荐任务的第一标签和第一预测对象确定第一损失,可以根据用户针对第二任务的第二标签和第二预测对象确定第二损失,还可以根据该第一标签和第三预测对象确定第三损失,根据该第二标签和第四预测对象确定第四损失。
在一些实施例中,当第一损失、第二损失、第三损失以及第四损失确定之后,可以通过反向传播训练该神经网络模型。
本公开实施例提供的方法,在训练神经网络时一方面不仅考虑了与推荐任务相关的单序列用户特征,还考虑了多个历史时序序列之间的共享特征;另一方面,不仅考虑了目标用户自身的个性特征,还考虑了目标用户所在目标用户组的共性特征。使得最终获取的目标用户的第一综合用户特征(或第二综合用户特征)能够更好的描述用户的偏好,以更好的完成针对目标用户的第一推荐任务(或第二推荐任务)。
图13是图6中步骤S33在一示例性实施例中的流程图。
参考图13,上述步骤S33可以包括以下过程。
在步骤S331中,将所述目标用户组中的各个用户两两对应成组,以确定目标子用户组。
在步骤S332中,对所述目标子用户组中的多序列共享中间用户特征进行加权求和处理,以确定所述目标子用户组的目标子用户组特征。
在步骤S333中,根据各个目标子用户组的目标子用户组特征确定所述目标用户组特征。
在一些实施例中,可以将目标用户组中的各个用户两两对应成组,以确定目标子用户组(例如目标用户组包括a、b以及c三个用户,那么a、b以及c两两对应成组后可以生成(a,b)、(a,c)以及(b,c)三个目标子用户组);将目标子用户组中的各个用户的多序列共享用户特征进行加权求和处理,可以确定目标子用户组的目标子用户组特征(每个目标子用户组分别处理);最后将各个目标子用户组的目标子用户组特征求算术平均以确定目标用户组特征。
接下来将通过图14对如何获得目标子用户组特征进行说明。
图14是图13中步骤S332在一示例性实施例中的流程图。
参考图14,上述步骤S332可以包括以下过程。
在步骤S3321中,对所述第一目标用户对应的多序列共享中间用户特征和所述第二目标用户对应的多序列共享中间用户特征分别进行线性变换处理,以获得第一线性变换特征和第二线性变换特征。
在步骤S3322中,根据所述第一线性变换特征和所述第二线性变换特征确定所述第一目标用户对应的第一权重和所述第二目标用户对应的第二权重。
在步骤S3333中,根据所述第一权重和所述第二权重对所述第一目标用户对应的多序列共享中间用户特征和所述第二目标用户对应的多序列共享中间用户特征分别进行加权处理,以获得所述目标子用户组的所述目标子用户组特征。
假设目标子用户组包括第一目标用户和第二目标用户,第一用户对应的第二多序列共享用户可以用us1表示,第二用户对应的第二多序列共享用户可以用us2表示。那么,将目标子用户组中的第二多序列共享用户特征进行加权求和处理,以确定所述目标子用户组的目标子用户组特征,可以包括以下步骤。
步骤一:可以通过公式(1)和公式(2)对第一目标用户对应的第二多序列共享用户特征us1和所述第二目标用户对应的第二多序列共享用户特征us2分别进行线性变换处理,以获得第一线性变换特征β_1和第二线性变换特征β_2。其中,w_1、w_2、σ、b_1以及b_2均是神经网络模型中待训练的参数。
β_1=w_2*σ(w_1*us1+b_1)+b_2 (1)
β_2=w_2*σ(w_1*us2+b_1)+b_2 (2)
步骤二:可以通过公式(3)对第一线性变换特征β_1和第二线性变换特征β_2进行处理,以确定第一目标用户对应的第一权重β_1′和所述第二目标用户对应的第二权重β_2′。
(β_1′,β_2′)=softmax(β_1,β_2) (3)
其中,softmax是神经网络中比较常用的分类函数,它可以输出各个输入的在所有输入中的占比。因此,可以将β′1和β_2′作为第一目标用户的第二多序列共享用户特征us1和第二目标用户的第二多序列共享用户特征us2的权重。
步骤三:可以根据公式(4),使用第一权重β_1′和第二权重β_2′对第一目标用户对应的第二多序列共享用户特征us1和第二目标用户对应的第二多序列共享用户特征us2进行加权求和处理,以获得所述目标子用户组的所述目标子用户组特征S_u12。
S_un=σ(w3*(β_1′*us1+β_2′*us2)+b_3) (4)
其中,w3、b_3以及σ均是神经网络中待训练的参数。
通过上述步骤一~步骤三,可以确定单个目标子用户组的目标子用户组特征S_un,然后对各个目标子用户组特征进行算术平均(例如
Figure GDA0003310733470000261
)即可获得目标用户组特征。其中,N代表目标子用户组的个数,S_un代表第n个目标子用户组的目标子用户组特征。
上述实施例提供的技术方案,可以根据各个用户的第二多序列共享用户特征确定目标用户组的目标用户组特征,根据该目标用户组特征可以更有效地针对目标用户组中各个用户完成第一推荐任务和第二推荐任务。
图15是图3中步骤S4在一示例性实施例中的流程图。参考图15,上述步骤S4可以包括以下步骤。
在步骤S41中,获取所述目标用户在第一历史时间段内的针对所述第一推荐任务的第一当前时序序列。
在一些实施例中,第一历史时间段既可以包括于第二历史时间段,也可以与第一时间段无关,本公开对此不做限制。为了更为准确地完成推荐任务,第一历史时间段可以尽可能的接近当前时间。
在步骤S42中,通过训练完成的神经网络模型的时序网络结构对所述第一当前时序序列进行处理,确定所述目标用户针对所述第一当前时序序列的第一预测序列特征。
在步骤S43中,获取所述目标用户针对所述第一推荐任务的第一单序列用户特征和所述目标用户针对至少一个推荐任务的第一多序列共享用户特征,所述至少一个推荐任务包括所述第一推荐任务,所述第一多序列共享用户特征和所述第一单序列用户特征均是训练所述神经网络模型后获得的。
在本实施例中,将以至少一个推荐任务中包括第一推荐任务和第二推荐任务为例进行说明,但本公开并不限于此。
在步骤S44中,根据所述第一多序列共享用户特征和所述第一单序列用户特征确定所述目标用户针对所述第一推荐任务的第一综合用户特征。
在步骤S45中,根据所述第一综合用户特征和所述第一预测序列特征确定所述目标用户针对所述第一推荐任务的第一推荐对象。
在一些实施例中,通过对神经网络模型的训练可以得到目标用户针对第一推荐任务的第一综合用户特征,将第一综合用户特征与第一预测序列特征进行拼接后输入至神经网络模型的第一分类器,可以确定目标用户针对第一推荐任务的第一推荐对象。
在步骤S44中,显示所述第一推荐对象。
在一些实施例中,可以向目标用户显示第一推荐对象,以便目标用户根据第一推荐对象进行点击或购买等操作。
图16是根据一示例性实施例示出的一种显示方法。
参考图16,上述显示方法可以包括以下步骤。
在步骤S51中,获取所述目标用户在所述第一历史时间段内的针对所述第二推荐任务的第二当前时序序列。
在步骤S52中,通过所述时序网络结构对所述第二当前时序序列进行处理,确定所述目标用户针对所述第二当前时序序列的第二预测序列特征。
在一些实施例中,通过训练完成的神经网络模型对目标用户的第二当前时间序列进行处理,可以获取目标用户针对第二推荐任务的第二预测序列特征。
在步骤S53中,获取所述目标用户针对所述第二推荐任务的第二单序列用户特征,所述第二单序列用户特征是训练所述神经网络模型后获得的。
在一些实施例中,目标用户针对第二推荐任务的第二单序列用户特征可以通过对神经网络模型的训练获得,是通过神经网络模型训练出来的一个参数。
在步骤S54中,根据所述第一多序列共享用户特征和所述第二单序列用户特征确定所述目标用户针对所述第二推荐任务的第二综合用户特征。
在一些实施例中,将目标用户的第一多序列共享用户特征和第二单序列用户特征进行拼接,可以获得目标用户针对第二推荐任务的第二综合用户特征。
在步骤S55中,根据所述第二综合用户特征和所述第二预测序列特征确定所述目标用户针对所述第二推荐任务的第二推荐对象。
在一些实施例中,可以将第二综合用户特征与第二预测序列特征进行拼接后输入至神经网络模型的第二分类器,以确定目标用户针对第二推荐任务的第二推荐对象。
在步骤S56中,显示所述第二推荐对象。
在一些实施例中,可以向目标用户显示第二推荐对象,以便目标用户根据第二推荐对象进行点击或购买等操作。
在一些实施例中,上述实施例中的第二推荐任务可以是向所述目标用户进行地图推荐的地图推荐任务。那么针对目标用户完成地图推荐任务可以包括以下步骤。
获取所述目标用户在第一历史时间段内的地图下载时序序列;通过所述神经网络模型的时序网络结构对所述地图下载时序序列进行处理,确定所述目标用户的地图下载序列特征;获取所述目标用户针对所述地图推荐任务的地图推荐用户特征,所述地图推荐用户特征是训练所述神经网络模型后获得的;根据所述第一多序列共享用户特征和所述地图推荐用户特征确定所述目标用户针对所述地图推荐任务的地图推荐综合用户特征;根据所述地图推荐综合用户特征和所述地图下载序列特征,确定向所述目标用户推荐的目标地图;显示如图17所示的目标地图。
图18根据一示例性实施例示出的一种显示方法。
参考图18,上述显示方法可以包括以下步骤。
在步骤S71中,确定所述目标用户所在的目标用户组。
在步骤S72中,获取所述目标用户组的目标用户组特征,所述目标用户组特征是所述神经网络模型根据所述目标用户组中各个用户的多序列共享用户特征确定的。
在步骤S73中,根据所述目标用户组特征和所述第二预测序列特征确定所述目标用户组针对所述第二推荐任务的第三推荐对象。
在一些实施例中,通过对神经网络模型的训练可以得到目标用户组的目标用户组特征,将目标用户组特征与第一预测序列特征进行拼接后输入至第三分类器,可以确定目标用户组针对第一推荐任务的第三推荐对象。
在步骤S74,显示所述第三推荐对象。
在一些实施例中,可以向目标用户组中的各个用户展示该第三推荐对象,以便目标用户组中的各个用户根据第三推荐对象进行点击或购买操作。
在一些实施例中,若第二推荐任务为向目标用户推荐好友,那么当第三推荐对象(例如向目标用户推荐的对象)确认之后可以向目标用户显示如图19所示的推荐界面,以向目标用户进行好友推荐。
本实施例提供的技术方案,通过可以描述目标用户组中各个用户的共性特征的目标用户组特征,针对目标用户组完成了第二推荐任务。
图20根据一示例性实施例示出的一种显示方法。
参考图20,上述显示方法可以包括以下步骤。
在步骤S81中,确定所述目标用户所在的目标用户组;
在步骤S82中,获取所述目标用户组的目标用户组特征,所述目标用户组特征是所述神经网络模型根据所述目标用户组中各个用户的多序列共享用户特征确定的。
在步骤S83中,根据所述目标用户组特征和所述第一预测序列特征确定所述目标用户组针对所述第一推荐任务的第四推荐对象。
在步骤S84中,显示所述第四推荐对象。
在一些实施例中,可以向目标用户组中的各个用户展示该第四推荐对象,以便目标用户组中的各个用户根据第四推荐对象进行点击或购买操作。
本实施例提供的技术方案,通过可以描述目标用户组中各个用户的共性特征的目标用户组特征,针对目标用户组完成了第一推荐任务。
图21是根据一示例性实施例示出的一种显示装置的框图。参照图21,本公开实施例提供的显示装置2100可以包括:第一当前时序序列获取模块2101、第一预测序列特征获取模块2102、第一单序列用户特征获取模块2103、第一综合用户特征获取模块2104、第一推荐对象确定模块2105以及显示模块2106。
其中,所述第一当前时序序列获取模块2101可以配置为获取目标用户在第一历史时间段内的针对第一推荐任务的第一当前时序序列。所述第一预测序列特征获取模块2102可以配置为通过训练完成的神经网络模型的时序网络结构对所述第一当前时序序列进行处理,确定所述目标用户针对所述第一当前时序序列的第一预测序列特征。所述第一单序列用户特征获取模块2103可以配置为获取所述目标用户针对所述第一推荐任务的第一单序列用户特征和所述目标用户针对至少一个推荐任务的第一多序列共享用户特征,所述至少一个推荐任务包括所述第一推荐任务,所述第一多序列共享用户特征和所述第一单序列用户特征均是训练所述神经网络模型后获得的。所述第一综合用户特征获取模块2104可以配置为根据所述第一多序列共享用户特征和所述第一单序列用户特征确定所述目标用户针对所述第一推荐任务的第一综合用户特征。所述第一推荐对象确定模块2105可以配置为根据所述第一综合用户特征和所述第一预测序列特征确定所述目标用户针对所述第一推荐任务的第一推荐对象。所述显示模块2106可以配置为显示所述第一推荐对象。
在一些实施例中,所述至少一个推荐任务还包括第二推荐任务。
在一些实施例中,所述显示装置2100还可以包括:第二当前时序序列获取模块、第二预测序列特征获取模块、第二单序列用户特征获取模块、第二综合用户特征获取模块、第二推荐对象获取模块以及第二推荐对象显示模块。
其中,所述第二当前时序序列获取模块可以配置为获取所述目标用户在所述第一历史时间段内的针对所述第二推荐任务的第二当前时序序列。所述第二预测序列特征获取模块可以配置为通过所述时序网络结构对所述第二当前时序序列进行处理,确定所述目标用户针对所述第二当前时序序列的第二预测序列特征。所述第二单序列用户特征获取模块可以配置为获取所述目标用户针对所述第二推荐任务的第二单序列用户特征,所述第二单序列用户特征是训练所述神经网络模型后获得的。所述第二综合用户特征获取模块可以配置为根据所述第一多序列共享用户特征和所述第二单序列用户特征确定所述目标用户针对所述第二推荐任务的第二综合用户特征。所述第二推荐对象获取模块可以配置为根据所述第二综合用户特征和所述第二预测序列特征确定所述目标用户针对所述第二推荐任务的第二推荐对象。所述第二推荐对象显示模块可以配置为显示所述第二推荐对象。
在一些实施例中,所述显示装置2100还可以包括:第一目标用户组确定模块、第一目标用户组特征获取模块、第三推荐对象确定模块以及第三推荐对象显示模块。
其中,所述第一目标用户组确定模块可以配置为确定所述目标用户所在的目标用户组。所述第一目标用户组特征获取模块可以配置为获取所述目标用户组的目标用户组特征,所述目标用户组特征是所述神经网络模型根据所述目标用户组中各个用户的多序列共享用户特征确定的。所述第三推荐对象确定模块可以配置为根据所述目标用户组特征和所述第二预测序列特征确定所述目标用户组针对所述第二推荐任务的第三推荐对象。所述第三推荐对象显示模块可以配置为显示所述第三推荐对象。
在一些实施例中,所述显示装置2100还可以包括:第二目标用户组确定模块、第二目标用户组特征获取模块、第四推荐对象获取模块以及第四推荐对象显示模块。
其中,所述第二目标用户组确定模块可以配置为确定所述目标用户所在的目标用户组。所述第二目标用户组特征获取模块可以配置为获取所述目标用户组的目标用户组特征,所述目标用户组特征是所述神经网络模型根据所述目标用户组中各个用户的多序列共享用户特征确定的。所述第四推荐对象获取模块可以配置为根据所述目标用户组特征和所述第一预测序列特征确定所述目标用户组针对所述第一推荐任务的第四推荐对象。所述第四推荐对象显示模块可以配置为显示所述第四推荐对象。
在一些实施例中,所述至少一个推荐任务还包括向所述目标用户进行地图推荐的地图推荐任务。
在一些实施例中,所述显示装置2100还可以包括:地图下载时序序列获取模块、地图下载序列获取模块、地图推荐用户获取模块、地图推荐综合用户获取模块、目标地图确定模块以及目标地图显示模块。
其中,所述地图下载时序序列获取模块可以配置为获取所述目标用户在第一历史时间段内的地图下载时序序列。所述地图下载序列获取模块可以配置为通过所述神经网络模型的时序网络结构对所述地图下载时序序列进行处理,确定所述目标用户的地图下载序列特征。所述地图推荐用户获取模块可以配置为获取所述目标用户针对所述地图推荐任务的地图推荐用户特征,所述地图推荐用户特征是训练所述神经网络模型后获得的。所述地图推荐综合用户获取模块可以配置根据所述第一多序列共享用户特征和所述地图推荐用户特征确定所述目标用户针对所述地图推荐任务的地图推荐综合用户特征。目标地图确定模块可以配置为根据所述地图推荐综合用户特征和所述地图下载序列特征,确定向所述目标用户推荐的目标地图。所述目标地图显示模块可以配置为显示所述目标地图。
在一些实施例中,所述至少一个推荐任务还包括第二推荐任务。
在一些实施例中,所述显示装置2100还可以包括:第三目标用户组获取模块、历史时序序列获取模块以及训练模块。
其中,所述第三目标用户组获取模块可以配置为确定所述目标用户所在的目标用户组。所述历史时序序列获取模块可以配置为获取所述目标用户组中各个用户在第二历史时间段内的针对所述第一推荐任务的第一历史时序序列和针对所述第二推荐任务的第二历史时序序列。所述训练模块可以配置为通过所述目标用户组中各个用户的第一历史时序序列和第二历史时序序列训练所述神经网络模型,确定所述目标用户针对所述第一推荐任务的第一单序列用户特征和所述目标用户针对所述至少一个推荐任务的第一多序列共享用户特征。
在一些实施例中,所述神经网络模型包括时序网络结构、第一用户特征提取结构、第二用户特征提取结构和用户组特征提取结构,所述第一用户特征提取结构和所述第二用户特征提取结构的参数不共享。
在一些实施例中,所述训练模块可以包括:第二历史中间序列特征获取单元、多序列共享中间用户特征获取单元、用户组中间特征获取单元、第一综合中间用户特征获取单元、第二综合中间用户特征获取单元以及神经网络模型训练单元。
其中,所述第二历史中间序列特征获取单元可以配置为通过所述时序网络结构对所述第一历史时序序列和所述第二历史时序序列进行处理,确定所述目标用户针对所述第一推荐任务的第一历史中间序列特征和针对所述第二推荐任务的第二历史中间序列特征。所述多序列共享中间用户特征获取单元可以配置为分别获取所述目标用户组中各个用户针对所述第一推荐任务和所述第二推荐任务的多序列共享中间用户特征。所述用户组中间特征获取单元可以配置为利用所述用户组特征提取结构处理所述目标用户组中各个用户的多序列共享中间用户特征,获得所述目标用户组的用户组中间特征。所述第一综合中间用户特征获取单元可以配置为利用所述第一用户特征提取结构处理所述目标用户的多序列共享中间用户特征,获得所述目标用户针对所述第一推荐任务的第一综合中间用户特征。所述第二综合中间用户特征获取单元可以配置为利用所述第二用户特征提取结构处理所述目标用户的多序列共享中间用户特征,获得所述目标用户针对所述第二推荐任务的第二综合中间用户特征。所述神经网络模型训练单元可以配置为根据所述第一历史中间序列特征、所述第二历史中间序列特征、所述第一综合中间用户特征、所述第二综合中间用户特征以及所述用户组中间特征对所述神经网络模型进行训练。
在一些实施例中,所述神经网络模型训练单元可以包括:第一预测对象确定子单元、第二预测对象确定子单元、第三预测对象确定子单元、第四预测对象确定子单元以及神经网络模型训练子单元。
其中,所述第一预测对象确定子单元可以配置为根据所述第一历史中间序列特征和所述第一综合中间用户特征,确定所述目标用户针对所述第一推荐任务的第一预测对象。所述第二预测对象确定子单元可以配置为根据所述第二历史中间序列特征和所述第二综合中间用户特征,确定所述目标用户针对所述第二推荐任务的第二预测对象。所述第三预测对象确定子单元可以配置为根据所述第一历史中间序列特征和所述用户组中间特征确定所述目标用户组针对所述第一推荐任务的第三预测对象。所述第四预测对象确定子单元可以配置为根据所述第二历史中间序列特征和所述用户组中间特征确定所述目标用户组针对所述第二推荐任务的第四预测对象。所述神经网络模型训练子单元可以配置为根据所述第一预测对象、所述第二预测对象、所述第三预测对象以及第四预测对象训练所述神经网络模型。
在一些实施例中,所述用户组中间特征获取单元可以包括:目标子用户组确定子单元、目标子用户组特征确定子单元以及目标用户组特征确定子单元。
其中,所述目标子用户组确定子单元可以配置为将所述目标用户组中的各个用户两两对应成组,以确定目标子用户组。所述目标子用户组特征确定子单元可以配置为对所述目标子用户组中的多序列共享中间用户特征进行加权求和处理,以确定所述目标子用户组的目标子用户组特征。所述目标用户组特征确定子单元可以配置为根据各个目标子用户组的目标子用户组特征确定所述目标用户组特征。
在一些实施例中,所述目标子用户组包括第一目标用户和第二目标用户。
在一些实施例中,所述目标子用户组特征确定子单元可以包括:线性变换特征获取孙子单元、权重获取孙子单元以及目标子用户组特征获取孙子单元。
其中,所述线性变换特征获取孙子单元可以配置为对所述第一目标用户对应的多序列共享中间用户特征和所述第二目标用户对应的多序列共享中间用户特征分别进行线性变换处理,以获得第一线性变换特征和第二线性变换特征。所述权重获取孙子单元可以配置为根据所述第一线性变换特征和所述第二线性变换特征确定所述第一目标用户对应的第一权重和所述第二目标用户对应的第二权重。所述目标子用户组特征获取孙子单元可以配置为根据所述第一权重和所述第二权重对所述第一目标用户对应的多序列共享中间用户特征和所述第二目标用户对应的多序列共享中间用户特征分别进行加权处理,以获得所述目标子用户组的所述目标子用户组特征。
在一些实施例中,所述第一目标用户组确定模块、所述第二目标用户组确定模块或所述第三目标用户组获取模块可以包括:目标游戏信息获取单元和分组单元。
其中,所述目标游戏信息获取单元可以配置为获取目标游戏中的用户的目标游戏信息,所述目标游戏中的用户包括所述目标用户,所述目标游戏信息包括所述用户在所述目标游戏中的活跃时长、所述用户对应的操作对象信息、所述用户在所述目标游戏中操作过的目标地图以及操作所述目标地图的次数和时长中的至少一个。所述分组单元可以配置为根据所述目标游戏信息,将所述目标游戏中的用户划分为多个用户组,所述多个用户组包括所述目标用户组。
在一些实施例中,所述历史时序序列获取模块可以包括:序列截取单元。
其中,所述序列截取单元可以配置为在所述第一历史时序序列中截取部分时序序列或在所述第二历史时序序列中截取部分序列,以训练所述神经网络模型。
由于本公开的示例实施例的显示装置2100的各个功能模块与上述显示方法的示例实施例的步骤对应,因此在此不再赘述。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者智能设备等)执行根据本公开实施例的方法,例如图3的一个或多个所示的步骤。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其他实施例。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不限于这里已经示出的详细结构、附图方式或实现方法,相反,本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims (15)

1.一种显示方法,其特征在于,包括:
获取目标用户在第一历史时间段内的针对第一推荐任务的第一当前时序序列;
通过训练完成的神经网络模型的时序网络结构对所述第一当前时序序列进行处理,确定所述目标用户针对所述第一当前时序序列的第一预测序列特征;
获取所述目标用户针对所述第一推荐任务的第一单序列用户特征、所述目标用户针对至少一个推荐任务的第一多序列共享用户特征,所述至少一个推荐任务包括所述第一推荐任务,所述第一多序列共享用户特征和所述第一单序列用户特征均是训练所述神经网络模型后获得的;
根据所述第一多序列共享用户特征和所述第一单序列用户特征确定所述目标用户针对所述第一推荐任务的第一综合用户特征;
根据所述第一综合用户特征和所述第一预测序列特征确定所述目标用户针对所述第一推荐任务的第一推荐对象;
显示所述第一推荐对象。
2.根据权利要求1所述方法,其特征在于,所述至少一个推荐任务还包括第二推荐任务;其中,所述方法还包括:
获取所述目标用户在所述第一历史时间段内的针对所述第二推荐任务的第二当前时序序列;
通过所述时序网络结构对所述第二当前时序序列进行处理,确定所述目标用户针对所述第二当前时序序列的第二预测序列特征;
获取所述目标用户针对所述第二推荐任务的第二单序列用户特征,所述第二单序列用户特征是训练所述神经网络模型后获得的;
根据所述第一多序列共享用户特征和所述第二单序列用户特征确定所述目标用户针对所述第二推荐任务的第二综合用户特征;
根据所述第二综合用户特征和所述第二预测序列特征确定所述目标用户针对所述第二推荐任务的第二推荐对象;
显示所述第二推荐对象。
3.根据权利要求2所述方法,其特征在于,还包括:
确定所述目标用户所在的目标用户组;
获取所述目标用户组的目标用户组特征,所述目标用户组特征是所述神经网络模型根据所述目标用户组中各个用户的多序列共享用户特征确定的;
根据所述目标用户组特征和所述第二预测序列特征确定所述目标用户组针对所述第二推荐任务的第三推荐对象;
显示所述第三推荐对象。
4.根据权利要求1所述方法,其特征在于,还包括:
确定所述目标用户所在的目标用户组;
获取所述目标用户组的目标用户组特征,所述目标用户组特征是所述神经网络模型根据所述目标用户组中各个用户的多序列共享用户特征确定的;
根据所述目标用户组特征和所述第一预测序列特征确定所述目标用户组针对所述第一推荐任务的第四推荐对象;
显示所述第四推荐对象。
5.根据权利要求1所述方法,其特征在于,所述至少一个推荐任务还包括向所述目标用户进行地图推荐的地图推荐任务,还包括:
获取所述目标用户在第一历史时间段内的地图下载时序序列;
通过所述神经网络模型的时序网络结构对所述地图下载时序序列进行处理,确定所述目标用户的地图下载序列特征;
获取所述目标用户针对所述地图推荐任务的地图推荐用户特征,所述地图推荐用户特征是训练所述神经网络模型后获得的;
根据所述第一多序列共享用户特征和所述地图推荐用户特征确定所述目标用户针对所述地图推荐任务的地图推荐综合用户特征;
根据所述地图推荐综合用户特征和所述地图下载序列特征,确定向所述目标用户推荐的目标地图;
显示所述目标地图。
6.根据权利要求1所述方法,其特征在于,所述至少一个推荐任务还包括第二推荐任务;其中,所述方法还包括:
确定所述目标用户所在的目标用户组;
获取所述目标用户组中各个用户在第二历史时间段内的针对所述第一推荐任务的第一历史时序序列和针对所述第二推荐任务的第二历史时序序列;
通过所述目标用户组中各个用户的第一历史时序序列和第二历史时序序列训练所述神经网络模型,确定所述目标用户针对所述第一推荐任务的第一单序列用户特征和所述目标用户针对所述至少一个推荐任务的第一多序列共享用户特征。
7.根据权利要求6所述方法,其特征在于,所述神经网络模型包括时序网络结构、第一用户特征提取结构、第二用户特征提取结构和用户组特征提取结构,所述第一用户特征提取结构和所述第二用户特征提取结构的参数不共享;其中,通过所述目标用户组中各个用户的第一历史时序序列和第二历史时序序列训练所述神经网络模型,包括:
通过所述时序网络结构对所述第一历史时序序列和所述第二历史时序序列进行处理,确定所述目标用户针对所述第一推荐任务的第一历史中间序列特征和针对所述第二推荐任务的第二历史中间序列特征;
分别获取所述目标用户组中各个用户针对所述第一推荐任务和所述第二推荐任务的多序列共享中间用户特征;
利用所述用户组特征提取结构处理所述目标用户组中各个用户的多序列共享中间用户特征,获得所述目标用户组的用户组中间特征;
利用所述第一用户特征提取结构处理所述目标用户的多序列共享中间用户特征,获得所述目标用户针对所述第一推荐任务的第一综合中间用户特征;
利用所述第二用户特征提取结构处理所述目标用户的多序列共享中间用户特征,获得所述目标用户针对所述第二推荐任务的第二综合中间用户特征;
根据所述第一历史中间序列特征、所述第二历史中间序列特征、所述第一综合中间用户特征、所述第二综合中间用户特征以及所述用户组中间特征对所述神经网络模型进行训练。
8.根据权利要求7所述方法,其特征在于,根据所述第一历史中间序列特征、所述第二历史中间序列特征、所述第一综合中间用户特征、所述第二综合中间用户特征以及所述用户组中间特征对所述神经网络模型进行训练,包括:
根据所述第一历史中间序列特征和所述第一综合中间用户特征,确定所述目标用户针对所述第一推荐任务的第一预测对象;
根据所述第二历史中间序列特征和所述第二综合中间用户特征,确定所述目标用户针对所述第二推荐任务的第二预测对象;
根据所述第一历史中间序列特征和所述用户组中间特征确定所述目标用户组针对所述第一推荐任务的第三预测对象;
根据所述第二历史中间序列特征和所述用户组中间特征确定所述目标用户组针对所述第二推荐任务的第四预测对象;
根据所述第一预测对象、所述第二预测对象、所述第三预测对象以及第四预测对象训练所述神经网络模型。
9.根据权利要求7所述方法,其特征在于,利用所述用户组特征提取结构处理所述目标用户组中各个用户的多序列共享中间用户特征,获得所述目标用户组的用户组中间特征,包括:
将所述目标用户组中的各个用户两两对应成组,以确定目标子用户组;
对所述目标子用户组中的多序列共享中间用户特征进行加权求和处理,以确定所述目标子用户组的目标子用户组特征;
根据各个目标子用户组的目标子用户组特征确定所述目标用户组特征。
10.根据权利要求9所述方法,其特征在于,所述目标子用户组包括第一目标用户和第二目标用户;其中,对所述目标子用户组中的多序列共享中间用户特征进行加权求和处理,以确定所述目标子用户组的目标子用户组特征,包括:
对所述第一目标用户对应的多序列共享中间用户特征和所述第二目标用户对应的多序列共享中间用户特征分别进行线性变换处理,以获得第一线性变换特征和第二线性变换特征;
根据所述第一线性变换特征和所述第二线性变换特征确定所述第一目标用户对应的第一权重和所述第二目标用户对应的第二权重;
根据所述第一权重和所述第二权重对所述第一目标用户对应的多序列共享中间用户特征和所述第二目标用户对应的多序列共享中间用户特征分别进行加权处理,以获得所述目标子用户组的所述目标子用户组特征。
11.根据权利要求3、4或6所述方法,其特征在于,确定所述目标用户所在的目标用户组,包括:
获取目标游戏中的用户的目标游戏信息,所述目标游戏中的用户包括所述目标用户,所述目标游戏信息包括所述用户在所述目标游戏中的活跃时长、所述用户对应的操作对象信息、所述用户在所述目标游戏中操作过的目标地图以及操作所述目标地图的次数和时长中的至少一个;
根据所述目标游戏信息,将所述目标游戏中的用户划分为多个用户组,所述多个用户组包括所述目标用户组。
12.根据权利要求7所述方法,其特征在于,还包括:
在所述第一历史时序序列中截取部分时序序列或在所述第二历史时序序列中截取部分序列,以训练所述神经网络模型。
13.一种显示装置,其特征在于,包括:
第一当前时序序列获取模块,配置为获取目标用户在第一历史时间段内的针对第一推荐任务的第一当前时序序列;
第一预测序列特征获取模块,配置为通过训练完成的神经网络模型的时序网络结构对所述第一当前时序序列进行处理,确定所述目标用户针对所述第一当前时序序列的第一预测序列特征;
第一单序列用户特征获取模块,配置为获取所述目标用户针对所述第一推荐任务的第一单序列用户特征和所述目标用户针对至少一个推荐任务的第一多序列共享用户特征,所述至少一个推荐任务包括所述第一推荐任务,所述第一多序列共享用户特征和所述第一单序列用户特征均是训练所述神经网络模型后获得的;
第一综合用户特征获取模块,配置为根据所述第一多序列共享用户特征和所述第一单序列用户特征确定所述目标用户针对所述第一推荐任务的第一综合用户特征;
第一推荐对象确定模块,配置为根据所述第一综合用户特征和所述第一预测序列特征确定所述目标用户针对所述第一推荐任务的第一推荐对象;
显示模块,配置为显示所述第一推荐对象。
14.一种电子设备,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1-12中任一项所述的方法。
15.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-12中任一项所述的方法。
CN202010759594.XA 2020-07-31 2020-07-31 显示方法、装置以及相关设备 Active CN111905375B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010759594.XA CN111905375B (zh) 2020-07-31 2020-07-31 显示方法、装置以及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010759594.XA CN111905375B (zh) 2020-07-31 2020-07-31 显示方法、装置以及相关设备

Publications (2)

Publication Number Publication Date
CN111905375A CN111905375A (zh) 2020-11-10
CN111905375B true CN111905375B (zh) 2022-02-25

Family

ID=73286927

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010759594.XA Active CN111905375B (zh) 2020-07-31 2020-07-31 显示方法、装置以及相关设备

Country Status (1)

Country Link
CN (1) CN111905375B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112651487B (zh) * 2020-12-21 2021-07-27 广东交通职业技术学院 基于图坍缩卷积神经网络的数据推荐方法、系统及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016182483A1 (en) * 2015-05-11 2016-11-17 Telefonaktiebolaget Lm Ericsson (Publ) An arrangement and method performed therein for data analytics
CN110503531A (zh) * 2019-08-30 2019-11-26 中国科学技术大学 时序感知的动态社交场景推荐方法
CN110827138A (zh) * 2019-10-31 2020-02-21 北京芯盾时代科技有限公司 一种推送信息确定方法及装置
CN111084987A (zh) * 2019-11-19 2020-05-01 深圳市其乐游戏科技有限公司 游戏道具的推荐方法、推荐装置及计算机可读存储介质
CN111382190A (zh) * 2020-03-04 2020-07-07 腾讯科技(深圳)有限公司 一种基于智能的对象推荐方法、装置和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016182483A1 (en) * 2015-05-11 2016-11-17 Telefonaktiebolaget Lm Ericsson (Publ) An arrangement and method performed therein for data analytics
CN110503531A (zh) * 2019-08-30 2019-11-26 中国科学技术大学 时序感知的动态社交场景推荐方法
CN110827138A (zh) * 2019-10-31 2020-02-21 北京芯盾时代科技有限公司 一种推送信息确定方法及装置
CN111084987A (zh) * 2019-11-19 2020-05-01 深圳市其乐游戏科技有限公司 游戏道具的推荐方法、推荐装置及计算机可读存储介质
CN111382190A (zh) * 2020-03-04 2020-07-07 腾讯科技(深圳)有限公司 一种基于智能的对象推荐方法、装置和存储介质

Also Published As

Publication number Publication date
CN111905375A (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
CN110489582B (zh) 个性化展示图像的生成方法及装置、电子设备
CN111046275B (zh) 基于人工智能的用户标签确定方法及装置、存储介质
CN110147882B (zh) 神经网络模型的训练方法、人群扩散方法、装置及设备
CN113254549B (zh) 人物关系挖掘模型的训练方法、人物关系挖掘方法及装置
CN111611488B (zh) 基于人工智能的信息推荐方法、装置、电子设备
CN116664719B (zh) 一种图像重绘模型训练方法、图像重绘方法及装置
CN112380453A (zh) 物品推荐方法、装置、存储介质及设备
CN111241394A (zh) 数据处理方法、装置、计算机可读存储介质及电子设备
CN113536105A (zh) 推荐模型训练方法和装置
CN112785005A (zh) 多目标任务的辅助决策方法、装置、计算机设备及介质
CN115131698A (zh) 视频属性确定方法、装置、设备及存储介质
CN116894711A (zh) 商品推荐理由生成方法及其装置、电子设备
CN113379449A (zh) 多媒体资源召回方法、装置、电子设备以及存储介质
CN109977979A (zh) 定位种子用户的方法、装置、电子设备和存储介质
CN111905375B (zh) 显示方法、装置以及相关设备
CN112269943B (zh) 一种信息推荐系统及方法
CN112395499B (zh) 信息推荐方法及装置、电子设备、存储介质
CN111191059B (zh) 图像处理方法、装置、计算机存储介质及电子设备
CN113011911A (zh) 基于人工智能的数据预测方法、装置、介质及电子设备
CN112069412A (zh) 信息推荐方法、装置、计算机设备及存储介质
CN116955591A (zh) 用于内容推荐的推荐语生成方法、相关装置和介质
CN109299378B (zh) 搜索结果的展示方法、装置、终端及存储介质
CN115878891A (zh) 直播内容生成方法、装置、设备以及计算机存储介质
CN112328799B (zh) 问题分类方法和装置
CN115700550A (zh) 标签分类模型训练和对象筛选方法、设备及存储介质

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