CN112116159A - 信息交互方法、装置、计算机可读存储介质及电子设备 - Google Patents
信息交互方法、装置、计算机可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN112116159A CN112116159A CN202010999301.5A CN202010999301A CN112116159A CN 112116159 A CN112116159 A CN 112116159A CN 202010999301 A CN202010999301 A CN 202010999301A CN 112116159 A CN112116159 A CN 112116159A
- Authority
- CN
- China
- Prior art keywords
- behavior
- feature
- value
- user
- parameter group
- 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.)
- Granted
Links
- 230000003993 interaction Effects 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 77
- 230000006399 behavior Effects 0.000 claims description 400
- 238000012216 screening Methods 0.000 claims description 44
- 238000012545 processing Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 abstract description 16
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 230000006854 communication Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例公开了一种信息交互方法、装置、计算机可读存储介质及电子设备。该方法包括:获取N个参考用户中的每个参考用户的用户行为数据;根据所获取的用户行为数据和预测模型,获得预测模型输出的每个参考用户发生预设事件的概率;预测模型的输入特征包括M种行为特征;根据预设模型解释工具和每个参考用户对应的概率,为每个参考用户获取每种行为特征的解析值,并根据所获取的解析值,为每个参考用户确定每种行为特征的权重值;根据所获取的用户行为数据及为每个参考用户确定的每种行为特征的权重值,获得预测模型的模型分析数据,以便根据模型分析数据,以相应信息交互策略与目标用户进行信息交互。本公开的实施例能够提升信息交互效果。
Description
技术领域
本公开涉及信息交互技术领域,尤其涉及一种信息交互方法、装置、计算机可读存储介质及电子设备。
背景技术
在房产领域中,房产公司与用户之间(例如房产公司的房产经纪人与用户之间)往往需要进行信息交互,然而,房产公司目前与用户进行信息交互时所参考的信息的准确度和可靠性很可能并不高,这样会影响到信息交互效果,如何提升信息交互效果是一个值得关注的问题。
发明内容
为了解决上述技术问题,提出了本公开。本公开的实施例提供了一种信息交互方法、装置、计算机可读存储介质及电子设备。
根据本公开实施例的一个方面,提供了一种信息交互方法,包括:
获取N个参考用户中的每个参考用户的用户行为数据;其中,N为大于0的整数;
根据所获取的用户行为数据和预测模型,获得所述预测模型输出的每个参考用户发生预设事件的概率;其中,所述预测模型的输入特征包括M种行为特征,M为大于1的整数;
根据预设模型解释工具和每个参考用户对应的概率,为每个参考用户获取每种行为特征的解析值,并根据所获取的解析值,为每个参考用户确定每种行为特征的权重值;
根据所获取的用户行为数据以及为每个参考用户确定的每种行为特征的权重值,获得所述预测模型的模型分析数据,以便根据所述模型分析数据,以相应信息交互策略与目标用户进行信息交互。
在一个可选示例中,所述根据所获取的用户行为数据以及为每个参考用户确定的每种行为特征的权重值,获得所述预测模型的模型分析数据,包括:
根据所获取的用户行为数据,为每个参考用户获取每种行为特征的特征值;
根据每种行为特征对应的第一参数组和第二参数组,获得每种行为特征对应的第三参数组,以得到M个第三参数组;其中,任一行为特征对应的第一参数组包括:为所述N个参考用户获取的本行为特征的N个特征值;任一行为特征对应的第二参数组包括:为所述N个参考用户确定的本行为特征的N个权重值;任一行为特征对应的第三参数组包括:本行为特征对应的第二参数组中的至少部分权重值;
根据所述M个第三参数组,获得所述预测模型的模型分析数据。
在一个可选示例中,所述根据所述M个第三参数组,获得所述预测模型的模型分析数据,包括:
确定每个第三参数组中的各权重值的绝对值的总和,以得到M个总和;
依据所述M个总和的大小关系,确定所述M种行为特征的重要性排序;
获得所述预测模型的模型分析数据;其中,所述模型分析数据中包括所述重要性排序。
在一个可选示例中,所述根据所述模型分析数据,以相应信息交互策略与目标用户进行信息交互,包括:
根据所述重要性排序,从所述M种行为特征中筛选重要性排序在前的P种行为特征;其中,P为大于0且小于M的整数;
确定与所筛选的P种行为特征匹配的消息弹窗类型;
向目标用户推送所确定的消息弹窗类型的消息弹窗。
在一个可选示例中,所述根据所述M个第三参数组,获得所述预测模型的模型分析数据,包括:
根据所述M个第三参数组中的R个第三参数组,以及所述R个第三参数组对应的R种行为特征所对应的R个第一参数组,确定所述R种行为特征的R个特征值阈值;其中,R为大于0且小于或等于M的整数;
根据所述R个特征值阈值,获得所述预测模型的模型分析数据。
在一个可选示例中,所述根据所述M个第三参数组中的R个第三参数组,以及所述R个第三参数组对应的R种行为特征所对应的R个第一参数组,确定所述R种行为特征的R个特征值阈值,包括:
确定第一行为特征对应的第四参数组;其中,所述第一行为特征为所述R种行为特征中的任一行为特征;所述第四参数组包括所述第一行为特征对应的第一参数组中出现了的所有特征值,所述第四参数组中的任意两个特征值互异;
确定所述第四参数组中的每个特征值对应的权重均值;其中,所述第四参数组中的任一特征值对应的权重均值为:所述第一行为特征对应的第三参数组中,本特征值对应的各权重值的平均值;
根据所确定的权重均值,从所述第四参数组中筛选所述第一行为特征的特征值阈值。
在一个可选示例中,
所述根据所确定的权重均值,从所述第四参数组中筛选所述第一行为特征的特征值阈值,包括:
从所确定的权重均值中,筛选小于零的最大权重均值;
将所述第四参数组中,所筛选的最大权重均值对应的特征值作为所述第一行为特征的特征值阈值;
或者,
所述根据所确定的权重均值,从所述第四参数组中筛选所述第一行为特征的特征值阈值,包括:
从所确定的权重均值中,筛选大于零的最小权重均值;
将所述第四参数组中,所筛选的最小权重均值对应的特征值作为所述第一行为特征的特征值阈值。
在一个可选示例中,
所述将所述第四参数组中,所筛选的最大权重均值对应的特征值作为所述第一行为特征的特征值阈值,包括:
在所述第四参数组中,大于零的各权重均值对应的特征值均大于所述第四参数组中,所筛选的最大权重均值对应的特征值的情况下,将所筛选的最大权重均值对应的特征值作为所述第一行为特征的特征值阈值;
或者,
所述将所述第四参数组中,所筛选的最小权重均值对应的特征值作为所述第一行为特征的特征值阈值,包括:
在所述第四参数组中,小于零的各权重均值对应的特征值均小于所述第四参数组中,所筛选的最小权重均值对应的特征值的情况下,将所筛选的最小权重均值对应的特征值作为所述第一行为特征的特征值阈值。
在一个可选示例中,所述根据所述R个特征值阈值,获得所述预测模型的模型分析数据,包括:
在利用所述预测模型对目标用户进行预测时,为所述目标用户获取所述R种行为特征的R个特征值;
将所述R个特征值与所述R个特征值阈值进行比较,得到R个比较结果;
获得所述预测模型的模型分析数据;其中,所述模型分析数据中包括所述R个比较结果。
在一个可选示例中,所述根据所述模型分析数据,以相应信息交互策略与目标用户进行信息交互,包括:
从所述R个特征值中选取所对应的行为特征的权重值为正数的特征值;
根据所述R个比较结果,从所选取的特征值中,确定小于相应特征值阈值的特征值,并从所确定的特征值中,筛选与相应特征值阈值的差值最小的特征值;
确定与所筛选的特征值对应的行为特征匹配的消息弹窗类型;
向所述目标用户推送所确定的消息弹窗类型的消息弹窗。
在一个可选示例中,所述根据每种行为特征对应的第一参数组和第二参数组,获得每种行为特征对应的第三参数组,包括:
确定第二行为特征对应的第五参数组;其中,所述第二行为特征为所述M种行为特征中的任一行为特征;所述第五参数组包括所述第二行为特征对应的第一参数组中出现了的所有特征值,所述第五参数组中的任意两个特征值互异;
确定所述第五参数组中的每个特征值在所述第二行为特征对应的第一参数组中的出现次数;
从所述第五参数组中,选取所对应出现次数小于预设次数的特征值;
从所述第二行为特征对应的第二参数组中,删除所选取的特征值对应的权重值,并将所述第二行为特征对应的,删除了权重值的第二参数组作为所述第二行为特征对应的第三参数组。
在一个可选示例中,所述根据所获取的用户行为数据以及为每个参考用户确定的每种行为特征的权重值,获得所述预测模型的模型分析数据,包括:
根据所获取的用户行为数据,为每个参考用户获取每种行为特征的特征值;
根据为每个参考用户确定的每种行为特征的权重值的正负,将为每个参考用户获取的M个特征值划分为正类特征值和负类特征值,以得到划分结果,从而得到N个划分结果;
获得所述预测模型的模型分析数据;其中,所述模型分析数据中包括所述N个划分结果。
在一个可选示例中,目标用户为所述M个参考用户中的一参考用户;
所述根据所述模型分析数据,以相应信息交互策略与目标用户进行信息交互,包括:
在检测到来自所述目标用户的用户问题时,生成针对所述用户问题的反馈信息;
确定所述目标用户对应的划分结果中的正类特征值所对应的行为特征;
在所述反馈信息与所确定的行为特征相匹配的情况下,将所述反馈信息返回给所述目标用户;否则,禁止将所述反馈信息返回给所述目标用户。
根据本公开实施例的另一个方面,提供了一种信息交互装置,包括:
获取模块,用于获取N个参考用户中的每个参考用户的用户行为数据;其中,N为大于0的整数;
预测模块,用于根据所获取的用户行为数据和预测模型,获得所述预测模型输出的每个参考用户发生预设事件的概率;其中,所述预测模型的输入特征包括M种行为特征,M为大于1的整数;
确定模块,用于根据预设模型解释工具和每个参考用户对应的概率,为每个参考用户获取每种行为特征的解析值,并根据所获取的解析值,为每个参考用户确定每种行为特征的权重值;
处理模块,用于根据所获取的用户行为数据以及为每个参考用户确定的每种行为特征的权重值,获得所述预测模型的模型分析数据,以便根据所述模型分析数据,以相应信息交互策略与目标用户进行信息交互。
在一个可选示例中,所述处理模块,包括:
第一获取子模块,用于根据所获取的用户行为数据,为每个参考用户获取每种行为特征的特征值;
第二获取子模块,用于根据每种行为特征对应的第一参数组和第二参数组,获得每种行为特征对应的第三参数组,以得到M个第三参数组;其中,任一行为特征对应的第一参数组包括:为所述N个参考用户获取的本行为特征的N个特征值;任一行为特征对应的第二参数组包括:为所述N个参考用户确定的本行为特征的N个权重值;任一行为特征对应的第三参数组包括:本行为特征对应的第二参数组中的至少部分权重值;
第三获取子模块,用于根据所述M个第三参数组,获得所述预测模型的模型分析数据。
在一个可选示例中,所述第三获取子模块,包括:
第一确定单元,用于确定每个第三参数组中的各权重值的绝对值的总和,以得到M个总和;
第二确定单元,用于依据所述M个总和的大小关系,确定所述M种行为特征的重要性排序;
第一获取单元,用于获得所述预测模型的模型分析数据;其中,所述模型分析数据中包括所述重要性排序。
在一个可选示例中,所述处理模块,还包括:
第一筛选子模块,用于根据所述重要性排序,从所述M种行为特征中筛选重要性排序在前的P种行为特征;其中,P为大于0且小于M的整数;
第一确定子模块,用于确定与所筛选的P种行为特征匹配的消息弹窗类型;
第一推送子模块,用于向目标用户推送所确定的消息弹窗类型的消息弹窗。
在一个可选示例中,所述第三获取子模块,包括:
第三确定单元,用于根据所述M个第三参数组中的R个第三参数组,以及所述R个第三参数组对应的R种行为特征所对应的R个第一参数组,确定所述R种行为特征的R个特征值阈值;其中,R为大于0且小于或等于M的整数;
第二获取单元,用于根据所述R个特征值阈值,获得所述预测模型的模型分析数据。
在一个可选示例中,所述第三确定单元,包括:
第一确定子单元,用于确定第一行为特征对应的第四参数组;其中,所述第一行为特征为所述R种行为特征中的任一行为特征;所述第四参数组包括所述第一行为特征对应的第一参数组中出现了的所有特征值,所述第四参数组中的任意两个特征值互异;
第二确定子单元,用于确定所述第四参数组中的每个特征值对应的权重均值;其中,所述第四参数组中的任一特征值对应的权重均值为:所述第一行为特征对应的第三参数组中,本特征值对应的各权重值的平均值;
筛选子单元,用于根据所确定的权重均值,从所述第四参数组中筛选所述第一行为特征的特征值阈值。
在一个可选示例中,
所述筛选子单元,具体用于:
从所确定的权重均值中,筛选小于零的最大权重均值;将所述第四参数组中,所筛选的最大权重均值对应的特征值作为所述第一行为特征的特征值阈值;
或者,
所述筛选子单元,具体用于:
从所确定的权重均值中,筛选大于零的最小权重均值;将所述第四参数组中,所筛选的最小权重均值对应的特征值作为所述第一行为特征的特征值阈值。
在一个可选示例中,
所述筛选子单元,具体用于:
在所述第四参数组中,大于零的各权重均值对应的特征值均大于所述第四参数组中,所筛选的最大权重均值对应的特征值的情况下,将所筛选的最大权重均值对应的特征值作为所述第一行为特征的特征值阈值;
或者,
所述筛选子单元,具体用于:
在所述第四参数组中,小于零的各权重均值对应的特征值均小于所述第四参数组中,所筛选的最小权重均值对应的特征值的情况下,将所筛选的最小权重均值对应的特征值作为所述第一行为特征的特征值阈值。
在一个可选示例中,所述第二获取单元,包括:
第一获取子单元,用于在利用所述预测模型对目标用户进行预测时,为所述目标用户获取所述R种行为特征的R个特征值;
比较子单元,用于将所述R个特征值与所述R个特征值阈值进行比较,得到R个比较结果;
第二获取子单元,用于获得所述预测模型的模型分析数据;其中,所述模型分析数据中包括所述R个比较结果。
在一个可选示例中,所述处理模块,还包括:
第二筛选子模块,用于从所述R个特征值中选取所对应的行为特征的权重值为正数的特征值;
第三筛选子模块,用于根据所述R个比较结果,从所选取的特征值中,确定小于相应特征值阈值的特征值,并从所确定的特征值中,筛选与相应特征值阈值的差值最小的特征值;
第二确定子模块,用于确定与所筛选的特征值对应的行为特征匹配的消息弹窗类型;
第二推送子模块,用于向所述目标用户推送所确定的消息弹窗类型的消息弹窗。
在一个可选示例中,所述第二获取子模块,包括:
第四确定单元,用于确定第二行为特征对应的第五参数组;其中,所述第二行为特征为所述M种行为特征中的任一行为特征;所述第五参数组包括所述第二行为特征对应的第一参数组中出现了的所有特征值,所述第五参数组中的任意两个特征值互异;
第五确定单元,用于确定所述第五参数组中的每个特征值在所述第二行为特征对应的第一参数组中的出现次数;
选取单元,用于从所述第五参数组中,选取所对应出现次数小于预设次数的特征值;
第六确定单元,从所述第二行为特征对应的第二参数组中,删除所选取的特征值对应的权重值,并将所述第二行为特征对应的,删除了权重值的第二参数组作为所述第二行为特征对应的第三参数组。
在一个可选示例中,所述处理模块,包括:
第四获取子模块,用于根据所获取的用户行为数据,为每个参考用户获取每种行为特征的特征值;
第五获取子模块,用于根据为每个参考用户确定的每种行为特征的权重值的正负,将为每个参考用户获取的M个特征值划分为正类特征值和负类特征值,以得到划分结果,从而得到N个划分结果;
第六获取子模块,用于获得所述预测模型的模型分析数据;其中,所述模型分析数据中包括所述N个划分结果。
在一个可选示例中,目标用户为所述M个参考用户中的一参考用户;
所述处理模块,还包括:
生成子模块,用于在检测到来自所述目标用户的用户问题时,生成针对所述用户问题的反馈信息;
第三确定子模块,用于确定所述目标用户对应的划分结果中的正类特征值所对应的行为特征;
处理子模块,用于在所述反馈信息与所确定的行为特征相匹配的情况下,将所述反馈信息返回给所述目标用户;否则,禁止将所述反馈信息返回给所述目标用户。
根据本公开实施例的再一个方面,提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述信息交互方法。
根据本公开实施例的又一个方面,提供了一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述信息交互方法。
本公开的实施例中,在获取N个参考用户中的每个参考用户的用户行为数据之后,可以结合所获取的用户行为数据和预测模型,得到每个参考用户发生预设事件的概率,接下来,可以结合预设模型解释工具和每个参考用户对应的概率,为每个参考用户确定M种行为特征中的每种行为特征的权重值,并结合所获取的用户行为数据以及为每个参考用户确定的每种行为特征的权重值,得到预测模型的模型分析数据,由于模型分析数据实质上是基于参考用户的用户行为数据和预测模型的预测结果得到的数据,而用户行为数据和预测结果均是非常客观可靠的数据,相应地,模型分析数据也是非常客观可靠的数据,这样,在根据模型分析数据,以相应信息交互策略与目标用户进行信息交互时,信息交互效果能够得到有效地保证,因此,与相关技术相比,本公开的实施例能够提升信息交互效果。另外,由于模型分析数据可以用于解释说明预测模型的预测过程和预测结果中的至少一者,通过模型分析数据的解释说明,能够帮助理解预测模型的预测结果,以使预测结果更容易被理解和信服,从而能够提高预测模型的预测结果的说服力。
附图说明
图1是本公开一示例性实施例提供的信息交互方法的流程示意图。
图2是本公开另一示例性实施例提供的信息交互方法的流程示意图。
图3是本公开再一示例性实施例提供的信息交互方法的流程示意图。
图4是本公开一示例性实施例中信息交互方法的实现原理图。
图5是本公开一示例性实施例提供的信息交互装置的结构框图。
图6是本公开另一示例性实施例提供的信息交互装置的结构框图。
图7是本公开再一示例性实施例提供的信息交互装置的结构框图。
图8是本公开一示例性实施例提供的电子设备的结构图。
具体实施方式
下面,将参考附图详细地描述根据本公开的示例实施例。显然,所描述的实施例仅仅是本公开的一部分实施例,而不是本公开的全部实施例,应理解,本公开不受这里描述的示例实施例的限制。
应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
应理解,本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等,既不代表任何特定技术含义,也不表示它们之间的必然逻辑顺序。
还应理解,在本公开实施例中,“多个”可以指两个或两个以上,“至少一个”可以指一个、两个或两个以上;对于本公开实施例中提及的任一数据或结构,在没有明确限定或者在前后文给出相反启示的情况下,一般可以理解为一个或多个。
还应理解,本公开对各个实施例的描述着重强调各个实施例之间的不同之处,其相同或相似之处可以相互参考,为了简洁,不再一一赘述。应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。对相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备,其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境,等等。
终端设备、计算机系统、服务器等电子设备可在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等,它们执行特定的任务或实现特定的抽象数据类型。计算机系统/服务器可在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
示例性方法
图1是本公开一示例性实施例提供的信息交互方法的流程示意图。图1所示的方法包括步骤101、步骤102、步骤103和步骤104,下面对各步骤分别进行说明。
步骤101,获取N个参考用户中的每个参考用户的用户行为数据;其中,N为大于0的整数。
这里,N的取值可以为1、3、5、20、100、200或者400等,在此不再一一列举。
在步骤101中,可以从房产公司的后台数据库中,获取N个参考用户中的每个参考用户的用户行为数据,任一参考用户的用户行为数据中可以包括本参考用户在房产公司的服务平台上发生各种行为的相关信息,这些相关信息包括但不限于行为发生次数、行为发生时间等。
步骤102,根据所获取的用户行为数据和预测模型,获得预测模型输出的每个参考用户发生预设事件的概率;其中,预测模型的输入特征包括M种行为特征,M为大于1的整数。
这里,M的取值可以为2、3、4或者5等,在此不再一一列举。
需要说明的是,本公开的实施例中的预测模型可以为房产公司使用的,用于预测用户发生预设事件的概率的模型,预设事件包括但不限于商机事件、委托事件、带看事件、成交事件等,这样,预测模型也可以称为用户价值预测模型。
这里,用户发生商机事件是指:用户通过电话、即时通讯(Instant Messenger,IM)等方式与房产公司的房产经纪人进行沟通;或者,用户在房产公司的服务平台上进行网上看房等。具体地,网上看房可以为虚拟现实(Virtual Reality,VR)看房。
这里,对于M种行为特征中的任一行为特征,其既可以为基础特征,例如为浏览特征、搜索特征、分享特征、收藏特征、咨询特征等,也可以为组合特征,例如为浏览特征和搜索特征的组合特征、搜索特征和分享特征的组合特征等。
在步骤102中,针对任一参考用户,可以从其的用户行为数据中提取与M种行为特征相关的输入数据,将所提取的输入数据输入预测模型,以获得预测模型的输出结果,该输出结果即为预测模型预测的该参考用户发生预设事件的概率。
步骤103,根据预设模型解释工具和每个参考用户对应的概率,为每个参考用户获取每种行为特征的解析值,并根据所获取的解析值,为每个参考用户确定每种行为特征的权重值。
这里,预设模型解释工具可以为SHAP方法,SHAP方法是一种解释自然语言处理模型的方法。
在步骤103中,在得到每个参考用户发生预设事件的概率之后,可以基于SHAP方法和每个参考用户对应的概率,为每个参考用户确定每种行为特征的SHAP值,为任一参考用户确定的任一行为特征的SHAP值即可作为给本参考用户获取的本行为特征的解析值,该解析值可以用于表征本行为特征对预测模型预测得到本参考用户对应的概率的贡献度。再之后,可以根据所获取的解析值,为每个参考用户确定每种行为特征的权重值,具体地,可以将为任一参考用户获取的任一行为特征的解析值作为给本参考用户确定的本行为特征的权重值,或者,可以对为任一参考用户获取的任一行为特征的解析值进行设定运算(例如与一设定数值相乘的运算,或者映射至设定数值区间的运算等),并将运算结果作为给本参考用户确定的本行为特征的权重值。
可选地,在预测模型采用极端梯度提升(eXtreme Gradient Boosting,XGBoost)、梯度提升机(Light Gradient Boosting Machine,LightGBM)、CatBoost等集成方法训练得到的情况下,上述SHAP方法可以为Tree SHAP方法;在预测模型采用深度神经网络(DeepNeural Networks、DNN)、长短期记忆网络((Long Short-Term Memory,LSTM)等深度学习方法训练得到的情况下,上述SHAP方法可以为Deep SHAP方法。可以理解的是,CatBoost是一种梯度下降树(Gradient Boosting Decision Tree,GBDT)框架。
步骤104,根据所获取的用户行为数据以及为每个参考用户确定的每种行为特征的权重值,获得预测模型的模型分析数据,以便根据模型分析数据,以相应信息交互策略与目标用户进行信息交互。
这里,预测模型的模型分析数据也可以称为预测模型的解释信息,其可以用于解释说明预测模型的预测过程和预测结果中的至少一者。在得到模型分析数据之后,可以根据模型分析数据,确定合适的信息交互策略,并依据确定出的信息交互策略,与目标用户进行信息交互,以保证与目标用户的信息交互效果;其中,目标用户既可以是N个参考用户中的任一用户,也可以是除了N个参考用户之外的其他用户。
本公开的实施例中,在获取N个参考用户中的每个参考用户的用户行为数据之后,可以结合所获取的用户行为数据和预测模型,得到每个参考用户发生预设事件的概率,接下来,可以结合预设模型解释工具和每个参考用户对应的概率,为每个参考用户确定M种行为特征中的每种行为特征的权重值,并结合所获取的用户行为数据以及为每个参考用户确定的每种行为特征的权重值,得到预测模型的模型分析数据,由于模型分析数据实质上是基于参考用户的用户行为数据和预测模型的预测结果得到的数据,而用户行为数据和预测结果均是非常客观可靠的数据,相应地,模型分析数据也是非常客观可靠的数据,这样,在根据模型分析数据,以相应信息交互策略与目标用户进行信息交互时,信息交互效果能够得到有效地保证,因此,与相关技术相比,本公开的实施例能够提升信息交互效果。另外,由于模型分析数据可以用于解释说明预测模型的预测过程和预测结果中的至少一者,通过模型分析数据的解释说明,能够帮助理解预测模型的预测结果,以使预测结果更容易被理解和信服,从而能够提高预测模型的预测结果的说服力。
图2是本公开另一示例性实施例提供的信息交互方法的流程示意图。图2所示的方法包括步骤201、步骤202、步骤203、步骤204、步骤205和步骤206,下面对各步骤分别进行说明。
步骤201,获取N个参考用户中的每个参考用户的用户行为数据;其中,N为大于0的整数。
步骤202,根据所获取的用户行为数据和预测模型,获得预测模型输出的每个参考用户发生预设事件的概率;其中,预测模型的输入特征包括M种行为特征,M为大于1的整数。
步骤203,根据预设模型解释工具和每个参考用户对应的概率,为每个参考用户获取每种行为特征的解析值,并根据所获取的解析值,为每个参考用户确定每种行为特征的权重值。
需要说明的是,步骤201至步骤203的具体实施过程参照对步骤101至步骤103的说明即可,在此不再赘述。另外,该实施例适用于N的取值大于一定数值的情况,例如大于100或者大于200等的情况。
步骤204,根据所获取的用户行为数据,为每个参考用户获取每种行为特征的特征值。
这里,在某一行为特征为浏览特征的情况下,该行为特征的特征值可以为该参考用户在房产服务平台上的总浏览次数,或者在最近一段时间的浏览次数;在某一行为特征为搜索特征的情况下,该行为特征的特征值可以为该参考用户在房产服务平台上的总搜索次数,或者在最近一段时间的搜索次数。这里,最近一段时间可以为最近一周、最近一个月、最近一个季度等。
需要指出的是,任一参考用户的任一行为特征的权重值为正值表示:为本参考用户获取的本行为特征的特征值对样本预测做正向贡献,即该特征值使得样本预测为正的概率(即发生预设事件的概率)变大;任一参考用户的任一行为特征的权重值为负值表示:为本参考用户获取的本行为特征的特征值对样本预测做负向贡献,即该特征值使得样本预测为正的概率(即发生预设事件的概率)变小。
步骤205,根据每种行为特征对应的第一参数组和第二参数组,获得每种行为特征对应的第三参数组,以得到M个第三参数组;其中,任一行为特征对应的第一参数组包括:为N个参考用户获取的本行为特征的N个特征值;任一行为特征对应的第二参数组包括:为N个参考用户确定的本行为特征的N个权重值;任一行为特征对应的第三参数组包括:本行为特征对应的第二参数组中的至少部分权重值。
这里,第一参数组与第二参数组之间可以为一一对应的关系,相应地,第一参数组与第三参数组之间也为一一对应的关系,第三参数组与参考用户之间也为一一对应的关系。
可选地,在步骤205中,可以根据任一行为特征对应的第一参数组,对本行为特征对应的第二参数组进行数据清洗处理、排序处理等处理,以得到本行为特征对应的第三参数组,为了便于理解,本公开的实施例中均以对第二参数组进行的处理为数据清洗处理的情况为例进行说明。
步骤206,根据M个第三参数组,获得预测模型的模型分析数据,以便根据模型分析数据,以相应信息交互策略与目标用户进行信息交互。
这里,在根据M个第三参数组,生成预测模型的模型分析数据之后,可以通过语音播放、屏幕显示、邮件发送等形式向房产经纪人(或者房产公司的其他工作人员)输出模型分析数据,以便于进行模型分析数据的查看。
本公开的实施例中,在获取N个参考用户中的每个参考用户的用户行为数据之后,可以结合所获取的用户行为数据和预测模型,得到每个参考用户发生预设事件的概率,接下来,可以结合预设模型解释工具和每个参考用户对应的概率,为每个参考用户确定M种行为特征中的每种行为特征的权重值,为每个参考用户获取每种行为特征的特征值,并确定每种行为特征对应的第一参数组和第二参数组,以便据此得到M个第三参数组,之后可以根据M个第三参数组,得到预测模型的模型分析数据,由于模型分析数据实质上是基于参考用户的用户行为数据和预测模型的预测结果得到的数据,而用户行为数据和预测结果均是非常客观可靠的数据,相应地,模型分析数据也是非常客观可靠的数据,这样,在根据模型分析数据,以相应信息交互策略与目标用户进行信息交互时,信息交互效果能够得到有效地保证,因此,与相关技术相比,本公开的实施例能够提升信息交互效果。另外,由于模型分析数据可以用于解释说明预测模型的预测过程和预测结果中的至少一者,通过模型分析数据的解释说明,能够帮助理解预测模型的预测结果,以使预测结果更容易被理解和信服,从而能够提高预测模型的预测结果的说服力。
在一个可选示例中,上述步骤206中的根据M个第三参数组,获得预测模型的模型分析数据,包括:
确定每个第三参数组中的各权重值的绝对值的总和,以得到M个总和;
依据M个总和的大小关系,确定M种行为特征的重要性排序;
获得预测模型的模型分析数据;其中,模型分析数据包括重要性排序。
这里,针对每个第三参数组,可以确定其中的每个权重值的绝对值,并将所确定的各绝对值求和,以得到该第三参数组对应的总和,从而得到M个总和,总和与第三参数组之间可以为一一对应的关系,那么,总和与行为特征之间也为一一对应的关系。
在得到M个总和之后,可以将M个总和按照从大到小的顺序排列,这样,排序越靠前的总和对应的行为特征的重要性越高,排序越靠后的总和对应的行为特征的重要性越低,M种行为特征的重要性排序可以据此确定。
在得到M种行为特征的重要性排序之后,可以获得包括重要性排序的模型分析数据,这样,依据重要性排序,能够便捷地获知利用预测模型进行预测时,不同行为特征对预测结果的影响程度的差异,从而了解预测模型的预测过程。
具体实施时,假设M的取值为4,M种行为特征分别为浏览特征、搜索特征、分享特征、收藏特征,那么,可以获取浏览特征对应的第三参数组中的各权重值的绝对值的总和Z1,搜索特征对应的第三参数组中的各权重值的绝对值的总和Z2,分享特征对应的第三参数组中的各权重值的绝对值的总和Z3,以及收藏特征对应的第三参数组中的各权重值的绝对值的总和为Z4。
接下来,可以将Z1、Z2、Z3和Z4四者进行大小比较,若比较结果为Z2>Z3>Z1>Z4,则可以确定浏览特征、搜索特征、分享特征、收藏特征四者的重要性排序为:搜索特征>分享特征>浏览特征>收藏特征,后续输出的模型分析数据中可以包括该重要性排序。
可见,本公开的实施例中,模型分析数据能够从群体角度,解释说明预测模型的预测过程,从而能够保证预测模型的预测结果的说服力,并且,还可以重要性排序为指导信息,与目标用户进行信息交互,以保证信息交互效果。
在一个可选示例中,根据模型分析数据,以相应信息交互策略与目标用户进行信息交互,包括:
根据重要性排序,从M种行为特征中筛选重要性排序在前的P种行为特征;其中,P为大于0且小于M的整数;
确定与所筛选的P种行为特征匹配的消息弹窗类型;
向目标用户推送所确定的消息弹窗类型的消息弹窗。
这里,P的取值可以为1、2、3等,在此不再一一列举。
在一个例子中,M的取值为3,P的取值为1,M种行为特征分别为浏览特征、搜索特征、咨询特征。若重要性排序为浏览特征>搜索特征>咨询特征,这说明用户的浏览行为的发生最容易触发预设事件(例如成交事件),那么,可以从M种行为特征中筛选出浏览特征,接下来,可以确定与浏览特征匹配的消息弹窗类型,该消息弹窗类型可以为房源卡片弹窗类型,之后,可以向目标用户推送房源卡片弹窗类型的消息弹窗,该消息弹窗中可以展示有多个房源卡片,目标用户只需点击感兴趣的房源卡片,即可浏览相应房源,这样有利于提升目标用户发生预设事件的可能性。若重要性排序为咨询特征>浏览特征>搜索特征,这说明用户的咨询行为的发生最容易触发预设事件(例如成交事件),那么,可以从M种行为特征中筛选出咨询特征,接下来,可以确定与咨询特征匹配的消息弹窗类型,该消息弹窗类型可以为经纪人展位弹窗类型,之后,可以向目标用户推送经纪人展位弹窗类型的消息弹窗,该消息弹窗中可以展示有多个房产经纪人的名片信息,目标用户只需点击感兴趣的名片信息,即可与相应房产经纪人交流,这样有利于提升目标用户发生预设事件的可能性。
可见,本公开的实施例中,通过基于重要性排序来决定向目标用户推送的消息弹窗的消息弹窗类型,有利于提升目标用户发生预设事件的可能性。
在一个可选示例中,上述步骤206中的根据M个第三参数组,获得预测模型的模型分析数据,包括:
根据M个第三参数组中的R个第三参数组,以及R个第三参数组对应的R种行为特征所对应的R个第一参数组,确定R种行为特征的R个特征值阈值;其中,R为大于0且小于或等于M的整数;
根据R个特征值阈值,获得预测模型的模型分析数据。
这里,R的取值可以为1、2、3、4或者5,当然,R的取值并不局限于此,在此不再一一列举。
可选地,R的取值可以为预先设定好的值。具体实施时,可以先确定M种行为特征的重要性排序,然后根据重要性排序,选择M种行为特征中,特征重要性排名靠前的R种行为特征,之后再确定R种行为特征的R个特征值阈值。需要说明的是,任一行为特征的特征值阈值可以理解为:使行为特征的权重值开始由负变为正(或者由正变为负)的特征值跳跃点。
在得到R个特征值阈值之后,可以根据R个特征值阈值,获得预测模型的模型分析数据。在一种具体实施方式中,根据R个特征值阈值,获得预测模型的模型分析数据,包括:
在利用预测模型对目标用户进行预测时,为目标用户获取R种行为特征的R个特征值;
将R个特征值与R个特征值阈值进行比较,得到R个比较结果;
获得预测模型的模型分析数据;其中,模型分析数据中包括R个比较结果。
这里,可以从房产公司的后台数据库中,为目标用户获取R种行为特征的R个特征值。接下来,可以分别将R个特征值中的每个特征值与R个特征值阈值中的相应特征阈值进行比较,以得到R个比较结果,任一特征值对应的比较结果可以用于表征该特征值与相应特征值阈值的差异(例如是特征值大还是特征值阈值大,特征值与特征值阈值相差多少等)。之后,可以获得包括R个比较结果的模型分析数据,这样,根据模型分析数据,可以获知目标用户的与R种行为特征对应的R种行为对预测模型的预测结果的影响,从而保证预测模型的预测结果的说服力。
当然,根据R个特征值阈值,获得预测模型的模型分析数据的方式并不局限于此,例如,模型分析数据中可以直接包括R种行为特征与R个特征值阈值的对应关系。
可见,本公开的实施例中,依据M个第三参数组中的至少部分第三参数组,可以进行群体行为分析,以得到至少部分行为特征的特征值阈值,并据此获得相应的模型分析数据,这样能够解释说明预测模型的预测过程,从而能够保证预测模型的预测结果的说服力,并且,还可以模型分析数据中的比较结果为指导信息,与目标用户进行信息交互,以保证信息交互效果。
在一个可选示例中,根据模型分析数据,以相应信息交互策略与目标用户进行信息交互,包括:
从R个特征值中选取所对应的行为特征的权重值为正数的特征值;
根据R个比较结果,从所选取的特征值中,确定小于相应特征值阈值的特征值,并从所确定的特征值中,筛选与相应特征值阈值的差值最小的特征值;
确定与所筛选的特征值对应的行为特征匹配的消息弹窗类型;
向目标用户推送所确定的消息弹窗类型的消息弹窗。
在一个例子中,R的取值为3,R种行为特征分别为浏览特征、搜索特征、咨询特征。具体实施时,假设浏览特征、搜索特征、咨询特征三者对应的行为特征值的权重值均为正数,则可以根据R个比较结果,从浏览特征的特征值、搜索特征的特征值、咨询特征的特征值中,确定小于相应特征值阈值的特征值,并进一步从所确定的特征值中,筛选与相应特征值阈值的差值最小的特征值。假设浏览特征的特征值小于浏览特征的特征值阈值,咨询特征的特征值小于咨询特征的特征值阈值,且浏览特征的特征值与浏览特征的特征值阈值的差值小于咨询特征的特征值与咨询特征的特征值阈值的差值,那么,可以确定与浏览特征匹配的消息弹窗类型,该消息弹窗类型可以为房源卡片弹窗类型,之后,可以向目标用户推送房源卡片弹窗类型的消息弹窗,该消息弹窗中可以展示有多个房源卡片,目标用户只需点击感兴趣的房源卡片,即可浏览相应房源,这样有利于提升目标用户发生预设事件的可能性。
可见,本公开的实施例中,通过基于R个比较结果来决定向目标用户推送的消息弹窗的消息弹窗类型,有利于提升目标用户发生预设事件的可能性。
在一个可选示例中,根据M个第三参数组中的R个第三参数组,以及R个第三参数组对应的R种行为特征所对应的R个第一参数组,确定R种行为特征的R个特征值阈值,包括:
确定第一行为特征对应的第四参数组;其中,第一行为特征为R种行为特征中的任一行为特征;第四参数组包括第一行为特征对应的第一参数组中出现了的所有特征值,第四参数组中的任意两个特征值互异;
确定第四参数组中的每个特征值对应的权重均值;其中,第四参数组中的任一特征值对应的权重均值为:第一行为特征对应的第三参数组中,本特征值对应的各权重值的平均值;
根据所确定的权重均值,从第四参数组中筛选第一行为特征的特征值阈值。
在一个具体例子中,第一行为特征为浏览特征,那么,可以根据浏览特征对应的第一参数组,确定浏览特征对应的第四参数组,第四参数组中包括浏览特征对应的第一参数组中出现了的所有特征值,第四参数组中的任意两个特征值互异。
假设第四参数组中仅包括C1、C2、C3、C4、C5这五个特征值,接下来,可以计算浏览特征对应的第三参数组中,C1对应的各权重值的平均值,并将计算得到的平均值作为C1对应的权重均值(假设该权重均值为权重均值J1)。
按照与上段中类似的方式,可以得到C2对应的权重均值(假设该权重均值为权重均值J2)、C3对应的权重均值(假设该权重均值为权重均值J3)、C4对应的权重均值(假设该权重均值为权重均值J4),以及C5对应的权重均值(假设该权重均值为权重均值J5)。之后,可以根据确定出的五个权重均值,从第四参数组中筛选第一行为特征的特征值阈值。
在一种具体实施方式中,根据所确定的权重均值,从第四参数组中筛选第一行为特征的特征值阈值,包括:
从所确定的权重均值中,筛选小于零的最大权重均值;
将第四参数组中,所筛选的最大权重均值对应的特征值作为第一行为特征的特征值阈值。
延续上述具体例子,在得到C1对应的权重均值J1、C2对应的权重均值J2、C3对应的权重均值J3、C4对应的权重均值J4、C5对应的权重均值J5之后,可以从J1至J5中,筛选小于零的最大权重均值。
假设J1至J5依次增大,且J1、J2、J3小于0,J4和J5大于0,则从J1至J5中筛选出的小于零的最大权重均值为J3,那么,可以将第四参数组中,J3对应的特征值C3作为浏览特征对应的特征值阈值。
这种实施方式中,通过对小于零的最大权重均值的筛选,能够非常便捷地确定出第一行为特征的特征值阈值。
在另一种具体实施方式中,根据所确定的权重均值,从第四参数组中筛选第一行为特征的特征值阈值,包括:
从所确定的权重均值中,筛选大于零的最小权重均值;
将第四参数组中,所筛选的最小权重均值对应的特征值作为第一行为特征的特征值阈值。
延续上述具体例子,在得到C1对应的权重均值J1、C2对应的权重均值J2、C3对应的权重均值J3、C4对应的权重均值J4、C5对应的权重均值J5之后,可以从J1至J5中,筛选大于零的最小权重均值。
假设J1至J5依次增大,且J1、J2、J3小于0,J4和J5大于0,则从J1至J5中筛选出的大于零的最小权重均值为J4,那么,可以将第四参数组中,J4对应的特征值C4作为浏览特征对应的特征值阈值。
这种实施方式中,通过对大于零的最小权重均值的筛选,能够非常便捷地确定出第一行为特征的特征值阈值。
可见,本公开的实施例中,利用第一行为特征对应的第一参数组,以及第一行为特征对应的第三参数组,能够便捷可靠地确定出第一行为特征的特征值阈值。其他行为特征的特征值阈值可以采用类似方式确定,在此不再赘述。
需要说明的是,在上述筛选第一行为特征的特征值阈值的前一种具体实施方式的基础上,将第四参数组中,所筛选的最大权重均值对应的特征值作为第一行为特征的特征值阈值,包括:
在第四参数组中,大于零的各权重均值对应的特征值均大于第四参数组中,所筛选的最大权重均值对应的特征值的情况下,将所筛选的最大权重均值对应的特征值作为第一行为特征的特征值阈值。
延续上述具体例子,在从J1至J5中筛选出小于零的最大权重均值J3之后,由于J4和J5大于0,可以判断第四参数组中J4对应的各特征值以及J5对应的各特征值是否均大于J3对应的特征值(即C3)。在判断结果为是的情况下,可以将C3作为浏览特征的特征值阈值;否则,不将C3作为浏览特征的特征值阈值。
需要说明的是,权重值分布与特征值一般呈正相关关系,如果第四参数组中,大于零的各权重均值对应的特征值均大于第四参数组中,所筛选的最大权重均值对应的特征值,可以认为本公开的实施例满足该正相关关系,那么,在将所筛选的最大权重均值对应的特征值作为特征值阈值的情况下,可以认为该特征值阈值是有价值的,这样,本公开的实施例能够保证最终得到的特征值阈值是有价值的。
需要说明的是,在上述筛选第一行为特征的特征值阈值的后一种具体实施方式的基础上,将第四参数组中,所筛选的最小权重均值对应的特征值作为第一行为特征的特征值阈值,包括:
在第四参数组中,小于零的各权重均值对应的特征值均小于第四参数组中,所筛选的最小权重均值对应的特征值的情况下,将所筛选的最小权重均值对应的特征值作为第一行为特征的特征值阈值。
延续上述具体例子,在从J1至J5中筛选出大于零的最小权重均值J4之后,由于J1、J2、J3大于0,可以判断第四参数组中,J1对应的各特征值、J2对应的各特征值,以及J3对应的各特征值是否均大于J4对应的特征值(即C4)。在判断结果为是的情况下,可以将C4作为浏览特征的特征值阈值;否则,不将C4作为浏览特征的特征值阈值。
需要说明的是,权重值分布与特征值一般呈正相关关系,如果第四参数组中,大于零的各权重均值对应的特征值均大于第四参数组中,所筛选的最大权重均值对应的特征值,可以认为本公开的实施例满足该正相关关系,那么,在将所筛选的最小权重均值对应的特征值作为特征值阈值的情况下,可以认为该特征值阈值是有价值的,这样,本公开的实施例能够保证最终得到的特征值阈值是有价值的。
在一个可选示例中,上述步骤205中的根据每种行为特征对应的第一参数组和第二参数组,获得每种行为特征对应的第三参数组,包括:
确定第二行为特征对应的第五参数组;其中,第二行为特征为M种行为特征中的任一行为特征;第五参数组包括第二行为特征对应的第一参数组中出现了的所有特征值,第五参数组中的任意两个特征值互异;
确定第五参数组中的每个特征值在第二行为特征对应的第一参数组中的出现次数;
从第五参数组中,选取所对应出现次数小于预设次数的特征值;
从第二行为特征对应的第二参数组中,删除所选取的特征值对应的权重值,并将第二行为特征对应的,删除了权重值的第二参数组作为第二行为特征对应的第三参数组。
这里,预设次数可以为2次、3次、4次或者5次,当然,预设次数的取值并不局限于此,在此不再一一列举。
在一个具体例子中,第二行为特征为搜索特征,那么,可以根据搜索特征对应的第一参数组,确定搜索特征对应的第五参数组,第五参数组中包括搜索特征对应的第一参数组中出现了的所有特征值,第五参数组中的任意两个特征值互异。
假设第五参数组中仅包括W1、W2、W3、W4、W5这五个特征值,接下来,可以分别确定W1、W2、W3、W4、W5这五个特征值在搜索特征对应的第一参数组中的出现次数;其中,W1对应的出现次数为S1,W2对应的出现次数为S2,W3对应的出现次数为S3,W4对应的出现次数为S4,W5对应的出现次数为S5。
接下来,可以从W1至W5中,选取所对应出现次数小于预设次数的特征值。假设仅W1和W5的出现次数小于预设次数,则可以从搜索特征对应的第二参数组中,删除W1对应的各权重值及W5对应的各权重值。之后,可以将搜索特征对应的,删除了权重值的第二参数组作为搜索特征对应的第三参数组。
可见,本公开的实施例能够将出现次数少的特征值对应的权重值从第二参数组中删除,以实现对第二参数组的数据清洗,从而得到相应的第三参数组。
图3是本公开再一示例性实施例提供的信息交互方法的流程示意图。图3所示的方法包括步骤301、步骤302、步骤303、步骤304、步骤305和步骤306,下面对各步骤分别进行说明。
步骤301,获取N个参考用户中的每个参考用户的用户行为数据;其中,N为大于0的整数。
步骤302,根据所获取的用户行为数据和预测模型,获得预测模型输出的每个参考用户发生预设事件的概率;其中,预测模型的输入特征包括M种行为特征,M为大于1的整数。
步骤303,根据预设模型解释工具和每个参考用户对应的概率,为每个参考用户获取每种行为特征的解析值,并根据所获取的解析值,为每个参考用户确定每种行为特征的权重值。
需要说明的是,步骤301至步骤303的具体实施过程参照对步骤101至步骤103的说明即可,在此不再赘述。另外,该实施例适用于N的取值大于一定数值的情况,例如大于100或者大于200等的情况。
步骤304,根据所获取的用户行为数据,为每个参考用户获取每种行为特征的特征值。
需要说明的是,步骤304的具体实施过程参照对步骤204的说明即可,在此不再赘述。
步骤305,根据为每个参考用户确定的每种行为特征的权重值的正负,将为每个参考用户获取的M个特征值划分为正类特征值和负类特征值,以得到划分结果,从而得到N个划分结果。
需要指出的是,任一参考用户的任一行为特征的权重值为正值表示:为本参考用户获取的本行为特征的特征值对样本预测做正向贡献,即该特征值使得样本预测为正的概率(即发生预设事件的概率)变大;任一参考用户的任一行为特征的权重值为负值表示:为本参考用户获取的本行为特征的特征值对样本预测做负向贡献,即该特征值使得样本预测为正的概率(即发生预设事件的概率)变小。
这样,在任一参考用户的任一行为特征的权重值为正的情况下,针对该参考用户,可以将该行为特征划为正类特征值;在任一参考用户的任一行为特征的权重值为负值的情况下,针对该参考用户,可以将该行为特征划分负类特征值。采用这种方式,可以便捷地将该参考用户的M个特征值划分为正类特征值和负类特征值,以得到划分结果,从而得到N个参考用户对应的N个划分结果。
步骤306,获得预测模型的模型分析数据,以便根据模型分析数据,以相应信息交互策略与目标用户进行信息交互;其中,模型分析数据包括N个划分结果。
这里,可以生成包括N个划分结果的模型分析数据,之后,可以通过语音播放、屏幕显示、邮件发送等形式输出向房产经纪人(或者房产公司的其他工作人员)模型分析数据,以便于进行模型分析数据的查看。
本公开的实施例中,在获取N个参考用户中的每个参考用户的用户行为数据之后,可以结合所获取的用户行为数据和预测模型,得到每个参考用户发生预设事件的概率,接下来,可以结合预设模型解释工具和每个参考用户对应的概率,为每个参考用户确定M种行为特征中的每种行为特征的权重值,并为每个参考用户获取每种行为特征的特征值。之后,根据为每个参考用户确定的每种行为特征的权重值的正负,可以进行正类特征值和负类特征值的划分,以得到N个划分结果,并据此获得预测模型的模型分析数据,由于模型分析数据实质上是基于参考用户的用户行为数据和预测模型的预测结果得到的数据,而用户行为数据和预测结果均是非常客观可靠的数据,相应地,模型分析数据也是非常客观可靠的数据,这样,在根据模型分析数据,以相应信息交互策略与目标用户进行信息交互时,信息交互效果能够得到有效地保证,因此,与相关技术相比,本公开的实施例能够提升信息交互效果。另外,由于模型分析数据可以用于解释说明预测模型的预测过程和预测结果中的至少一者,且模型分析数据中的N个划分结果可以解释说明预测模型的预测过程中,针对单个参考用户,各行为特征对其产生的是正向贡献还是负向贡献,也即,模型分析数据能够对各个参考用户进行个体的分析和解释,这样,通过模型分析数据的解释说明,能够帮助理解预测模型的预测结果,以使预测结果更容易被理解和信服,从而能够提高预测模型的预测结果的说服力。
在一个可选示例中,目标用户为M个参考用户中的一参考用户;
根据模型分析数据,以相应信息交互策略与目标用户进行信息交互,包括:
在检测到来自目标用户的用户问题时,生成针对用户问题的反馈信息;
确定目标用户对应的划分结果中的正类特征值所对应的行为特征;
在反馈信息与所确定的行为特征相匹配的情况下,将反馈信息返回给目标用户;否则,禁止将反馈信息返回给目标用户。
需要说明的是,目标用户与房产经纪人可以通过房产公司提供的服务平台进行沟通,在沟通过程中,用户可以提出感兴趣的用户问题,例如用于了解房源大小、位置等属性的用户问题,这时,通过调用房产公司研发的智能助手,可以自动生成针对用户问题的反馈信息(即针对用户问题的回答),假设目标用户对应的划分结果中的正类特征值仅包括浏览特征的特征值,接下来可以判断智能助手生成的反馈信息与浏览特征是否匹配,具体地,若反馈信息为“您想要浏览朝阳区的房源吗”,由于反馈信息的语义与浏览相关,可以判定反馈信息与浏览特征相匹配;若反馈信息为“您想咨询学区房相关的信息吗”,由于反馈信息的语义与浏览不相关,而是与咨询相关,可以判定反馈信息与浏览特征不匹配。在反馈信息与浏览特征匹配的情况下,可以直接将反馈信息通过服务平台返回给目标用户,以便继续与目标用户进行有效地交流;在反馈信息与浏览特征不匹配的情况下,可以禁止将反馈信息返回给目标用户,此外,还可以调用智能助手重新生成新的反馈信息,后续过程与上面的描述类似,在此不再赘述。
可见,本公开的实施例中,通过基于目标用户对应的划分结果,决定向目标用户回复什么样的反馈信息,有利于提升与目标用户的信息交互效果。
在一个可选示例中,如图4所示,可以先获取N个参考用户中的每个参考用户的用户行为数据,以得到N个用户行为数据;其中,用户行为数据既可以包括基础离散信息,又可以包括行为连续信息,那么,用户行为数据包括但不限于访问时间、登录时间、设备信息、下载渠道、业务城市、浏览次数、页面停留时长、搜索次数、分享次数、关注次数、收藏次数、商机发生情况、委托发生情况、带看发生情况、成交发生情况等。
接下来,针对N个参考用户中的每个参考用户,可以根据配置文件的设定,将本参考用户对应的用户行为数据中的基础离散信息和行为连续信息按照时间周期进行聚合,然后根据配置文件的设定,得到本参考用户的M种行为特征的M个特征值,得到的M个特征值可以组成本参考用户对应的输入数据。
可选地,M种行为特征中可以存在组合特征,组合特征可以通过计算两种不同行为特征的特征值在同一时间窗口下的比值或同一行为特征的特征值在不同时间窗口下的差值得到。
在得到每个参考用户的输入数据之后,可以将每个参考用户的输入数据输入预测模型,以得到预测模型预测的,每个参考用户发生预设事件的概率;其中,预设事件包括但不限于商机事件、委托事件、带看事件、成交事件等。
在得到每个参考用户对应的概率之后,可以为每个参考用户计算每种行为特征的SHAP值,为所有参考用户计算出的SHAP值可以组成SHAP value矩阵。
在得到SHAP value矩阵之后,可以根据SHAP value矩阵,确定M种行为特征的重要性排序。在得到重要性排序之后,可以根据SHAP value矩阵,选取M种行为特征中特征重要性排序靠前的若干行为特征,并进行群体行为分析,以计算所选取的各行为特征的特征值阈值。
另外,针对单个用户(例如单个参考用户),可以选取特征重要性排名靠前的若干行为特征,并进行个体行为分析,以将所选取的行为特征的特征值按SHAP值的正负划分为正类特征值和负类特征值,从而得到划分结果;其中,正类特征值表示用户行为对预测做正向贡献,负类特征值表示用户行为对预测做负向贡献。针对单个参考用户,还可以将其的各行为特征的特征值与相应特征值阈值进行比较,以得到比较结果。
再之后,可以获得预测模型的模型分析数据,模型分析数据可以包括预测模型预测得到的概率,M种行为特征的重要性排序,若干行为特征的特征值阈值,用于区分正类特征值和负类特征值的划分结果,以及行为特征的特征值与相应特征值阈值的比较结果。这样,模型分析数据不仅包括预测结果本身,还可以包括群体行为分析结果和个体行为分析结果,从而能够帮助房产经纪人理解预测模型的预测结果,以使预测模型的预测结果更容易被理解和信服,并且,还可以基于模型分析数据,以相应信息交互策略与用户进行信息交互,以保证信息交互效果。
本公开的实施例提供的任一种信息交互方法可以由任意适当的具有数据处理能力的设备执行,包括但不限于:终端设备和服务器等。或者,本公开实施例提供的任一种信息交互方法可以由处理器执行,如处理器通过调用存储器存储的相应指令来执行本公开实施例提及的任一种信息交互方法。下文不再赘述。
示例性装置
图5是本公开一示例性实施例提供的信息交互装置的结构框图。图5所示的装置包括获取模块501、预测模块502、确定模块503和处理模块504。
获取模块501,用于获取N个参考用户中的每个参考用户的用户行为数据;其中,N为大于0的整数;
预测模块502,用于根据所获取的用户行为数据和预测模型,获得预测模型输出的每个参考用户发生预设事件的概率;其中,预测模型的输入特征包括M种行为特征,M为大于1的整数;
确定模块503,用于根据预设模型解释工具和每个参考用户对应的概率,为每个参考用户获取每种行为特征的解析值,并根据所获取的解析值,为每个参考用户确定每种行为特征的权重值;
处理模块504,用于根据所获取的用户行为数据以及为每个参考用户确定的每种行为特征的权重值,获得预测模型的模型分析数据,以便根据模型分析数据,以相应信息交互策略与目标用户进行信息交互。
在一个可选示例中,如图6所示,处理模块504,包括:
第一获取子模块5041,用于根据所获取的用户行为数据,为每个参考用户获取每种行为特征的特征值;
第二获取子模块5042,用于根据每种行为特征对应的第一参数组和第二参数组,获得每种行为特征对应的第三参数组,以得到M个第三参数组;其中,任一行为特征对应的第一参数组包括:为N个参考用户获取的本行为特征的N个特征值;任一行为特征对应的第二参数组包括:为N个参考用户确定的本行为特征的N个权重值;任一行为特征对应的第三参数组包括:本行为特征对应的第二参数组中的至少部分权重值;
第三获取子模块5043,用于根据M个第三参数组,获得预测模型的模型分析数据。
在一个可选示例中,第三获取子模块5043,包括:
第一确定单元,用于确定每个第三参数组中的各权重值的绝对值的总和,以得到M个总和;
第二确定单元,用于依据M个总和的大小关系,确定M种行为特征的重要性排序;
第一获取单元,用于获得预测模型的模型分析数据;其中,模型分析数据中包括重要性排序。
在一个可选示例中,处理模块504,还包括:
第一筛选子模块,用于根据重要性排序,从M种行为特征中筛选重要性排序在前的P种行为特征;其中,P为大于0且小于M的整数;
第一确定子模块,用于确定与所筛选的P种行为特征匹配的消息弹窗类型;
第一推送子模块,用于向目标用户推送所确定的消息弹窗类型的消息弹窗。
在一个可选示例中,第三获取子模块5043,包括:
第三确定单元,用于根据M个第三参数组中的R个第三参数组,以及R个第三参数组对应的R种行为特征所对应的R个第一参数组,确定R种行为特征的R个特征值阈值;其中,R为大于0且小于或等于M的整数;
第二获取单元,用于根据R个特征值阈值,获得预测模型的模型分析数据。
在一个可选示例中,第三确定单元,包括:
第一确定子单元,用于确定第一行为特征对应的第四参数组;其中,第一行为特征为R种行为特征中的任一行为特征;第四参数组包括第一行为特征对应的第一参数组中出现了的所有特征值,第四参数组中的任意两个特征值互异;
第二确定子单元,用于确定第四参数组中的每个特征值对应的权重均值;其中,第四参数组中的任一特征值对应的权重均值为:第一行为特征对应的第三参数组中,本特征值对应的各权重值的平均值;
筛选子单元,用于根据所确定的权重均值,从第四参数组中筛选第一行为特征的特征值阈值。
在一个可选示例中,
筛选子单元,具体用于:
从所确定的权重均值中,筛选小于零的最大权重均值;将第四参数组中,所筛选的最大权重均值对应的特征值作为第一行为特征的特征值阈值;
或者,
筛选子单元,具体用于:
从所确定的权重均值中,筛选大于零的最小权重均值;将第四参数组中,所筛选的最小权重均值对应的特征值作为第一行为特征的特征值阈值。
在一个可选示例中,
筛选子单元,具体用于:
在第四参数组中,大于零的各权重均值对应的特征值均大于第四参数组中,所筛选的最大权重均值对应的特征值的情况下,将所筛选的最大权重均值对应的特征值作为第一行为特征的特征值阈值;
或者,
筛选子单元,具体用于:
在第四参数组中,小于零的各权重均值对应的特征值均小于第四参数组中,所筛选的最小权重均值对应的特征值的情况下,将所筛选的最小权重均值对应的特征值作为第一行为特征的特征值阈值。
在一个可选示例中,第二获取单元,包括:
第一获取子单元,用于在利用预测模型对目标用户进行预测时,为目标用户获取R种行为特征的R个特征值;
比较子单元,用于将R个特征值与R个特征值阈值进行比较,得到R个比较结果;
第二获取子单元,用于获得预测模型的模型分析数据;其中,模型分析数据中包括R个比较结果。
在一个可选示例中,处理模块504,还包括:
第二筛选子模块,用于从R个特征值中选取所对应的行为特征的权重值为正数的特征值;
第三筛选子模块,用于根据R个比较结果,从所选取的特征值中,确定小于相应特征值阈值的特征值,并从所确定的特征值中,筛选与相应特征值阈值的差值最小的特征值;
第二确定子模块,用于确定与所筛选的特征值对应的行为特征匹配的消息弹窗类型;
第二推送子模块,用于向目标用户推送所确定的消息弹窗类型的消息弹窗。
在一个可选示例中,第二获取子模块5042,包括:
第四确定单元,用于确定第二行为特征对应的第五参数组;其中,第二行为特征为M种行为特征中的任一行为特征;第五参数组包括第二行为特征对应的第一参数组中出现了的所有特征值,第五参数组中的任意两个特征值互异;
第五确定单元,用于确定第五参数组中的每个特征值在第二行为特征对应的第一参数组中的出现次数;
选取单元,用于从第五参数组中,选取所对应出现次数小于预设次数的特征值;
第六确定单元,从第二行为特征对应的第二参数组中,删除所选取的特征值对应的权重值,并将第二行为特征对应的,删除了权重值的第二参数组作为第二行为特征对应的第三参数组。
在一个可选示例中,如图7所示,处理模块504,包括:
第四获取子模块5044,用于根据所获取的用户行为数据,为每个参考用户获取每种行为特征的特征值;
第五获取子模块5045,用于根据为每个参考用户确定的每种行为特征的权重值的正负,将为每个参考用户获取的M个特征值划分为正类特征值和负类特征值,以得到划分结果,从而得到N个划分结果;
第六获取子模块5046,用于获得预测模型的模型分析数据;其中,模型分析数据中包括N个划分结果。
在一个可选示例中,目标用户为M个参考用户中的一参考用户;
处理模块504,还包括:
生成子模块,用于在检测到来自目标用户的用户问题时,生成针对用户问题的反馈信息;
第三确定子模块,用于确定目标用户对应的划分结果中的正类特征值所对应的行为特征;
处理子模块,用于在反馈信息与所确定的行为特征相匹配的情况下,将反馈信息返回给目标用户;否则,禁止将反馈信息返回给目标用户。
示例性电子设备
下面,参考图8来描述根据本公开实施例的电子设备。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备,该单机设备可以与第一设备和第二设备进行通信,以从它们接收所采集到的输入信号。
图8图示了根据本公开实施例的电子设备80的框图。如图8所示,电子设备80包括一个或多个处理器81和存储器82。
处理器81可是中央处理单元(CPU)或具有数据处理能力和/或指令执行能力的其他处理单元,且可控制电子设备80中的其他组件以执行期望的功能。
存储器82可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器81可以运行所述程序指令,以实现上文所述的本公开的各个实施例的信息交互方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中,电子设备80还可以包括:输入装置83和输出装置84,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
例如,在电子设备80是第一设备或第二设备时,该输入装置83可以是麦克风或麦克风阵列。在电子设备80是单机设备时,该输入装置83可以是通信网络连接器,用于从第一设备和第二设备接收所采集的输入信号。
此外,该输入装置83还可以包括例如键盘、鼠标等等。
该输出装置84可以向外部输出各种信息。该输出装置84可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出装置等等。
当然,为了简化,图8中仅示出了该电子设备80中与本公开有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备80还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本公开的实施例还可以是计算机程序产品,其包括计算机程序指令,该指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的信息交互方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本公开的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的信息交互方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
以上结合具体实施例描述了本公开的基本原理,但是,在本公开中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。上述公开的具体细节仅是为了示例和便于理解的作用,而非限制,上述细节并不限制本公开为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本公开中涉及的装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可按任意方式连接、布置、配置这些装置、设备、系统。诸如“包括”、“包含”、“具有”等的词语是开放性词汇,指“包括但不限于”,且可互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可互换使用。
可能以许多方式来实现本公开的方法和装置。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明,本公开的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本公开实施为记录在记录介质中的程序,这些程序包括用于实现根据本公开的方法的机器可读指令。因而,本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
还需要指出的是,在本公开的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或使用本公开。对这些方面的各种修改对本领域技术人员而言是显而易见的,且在此定义的一般原理可应用于其他方面而不脱离本公开范围。因此,本公开不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种信息交互方法,其特征在于,包括:
获取N个参考用户中的每个参考用户的用户行为数据;其中,N为大于0的整数;
根据所获取的用户行为数据和预测模型,获得所述预测模型输出的每个参考用户发生预设事件的概率;其中,所述预测模型的输入特征包括M种行为特征,M为大于1的整数;
根据预设模型解释工具和每个参考用户对应的概率,为每个参考用户获取每种行为特征的解析值,并根据所获取的解析值,为每个参考用户确定每种行为特征的权重值;
根据所获取的用户行为数据以及为每个参考用户确定的每种行为特征的权重值,获得所述预测模型的模型分析数据,以便根据所述模型分析数据,以相应信息交互策略与目标用户进行信息交互。
2.根据权利要求1所述的方法,其特征在于,所述根据所获取的用户行为数据以及为每个参考用户确定的每种行为特征的权重值,获得所述预测模型的模型分析数据,包括:
根据所获取的用户行为数据,为每个参考用户获取每种行为特征的特征值;
根据每种行为特征对应的第一参数组和第二参数组,获得每种行为特征对应的第三参数组,以得到M个第三参数组;其中,任一行为特征对应的第一参数组包括:为所述N个参考用户获取的本行为特征的N个特征值;任一行为特征对应的第二参数组包括:为所述N个参考用户确定的本行为特征的N个权重值;任一行为特征对应的第三参数组包括:本行为特征对应的第二参数组中的至少部分权重值;
根据所述M个第三参数组,获得所述预测模型的模型分析数据。
3.根据权利要求2所述的方法,其特征在于,所述根据所述M个第三参数组,获得所述预测模型的模型分析数据,包括:
确定每个第三参数组中的各权重值的绝对值的总和,以得到M个总和;
依据所述M个总和的大小关系,确定所述M种行为特征的重要性排序;
获得所述预测模型的模型分析数据;其中,所述模型分析数据中包括所述重要性排序。
4.根据权利要求3所述的方法,其特征在于,所述根据所述模型分析数据,以相应信息交互策略与目标用户进行信息交互,包括:
根据所述重要性排序,从所述M种行为特征中筛选重要性排序在前的P种行为特征;其中,P为大于0且小于M的整数;
确定与所筛选的P种行为特征匹配的消息弹窗类型;
向目标用户推送所确定的消息弹窗类型的消息弹窗。
5.根据权利要求2所述的方法,其特征在于,所述根据所述M个第三参数组,获得所述预测模型的模型分析数据,包括:
根据所述M个第三参数组中的R个第三参数组,以及所述R个第三参数组对应的R种行为特征所对应的R个第一参数组,确定所述R种行为特征的R个特征值阈值;其中,R为大于0且小于或等于M的整数;
根据所述R个特征值阈值,获得所述预测模型的模型分析数据。
6.根据权利要求5所述的方法,其特征在于,所述根据所述M个第三参数组中的R个第三参数组,以及所述R个第三参数组对应的R种行为特征所对应的R个第一参数组,确定所述R种行为特征的R个特征值阈值,包括:
确定第一行为特征对应的第四参数组;其中,所述第一行为特征为所述R种行为特征中的任一行为特征;所述第四参数组包括所述第一行为特征对应的第一参数组中出现了的所有特征值,所述第四参数组中的任意两个特征值互异;
确定所述第四参数组中的每个特征值对应的权重均值;其中,所述第四参数组中的任一特征值对应的权重均值为:所述第一行为特征对应的第三参数组中,本特征值对应的各权重值的平均值;
根据所确定的权重均值,从所述第四参数组中筛选所述第一行为特征的特征值阈值。
7.根据权利要求6所述的方法,其特征在于,
所述根据所确定的权重均值,从所述第四参数组中筛选所述第一行为特征的特征值阈值,包括:
从所确定的权重均值中,筛选小于零的最大权重均值;
将所述第四参数组中,所筛选的最大权重均值对应的特征值作为所述第一行为特征的特征值阈值;
或者,
所述根据所确定的权重均值,从所述第四参数组中筛选所述第一行为特征的特征值阈值,包括:
从所确定的权重均值中,筛选大于零的最小权重均值;
将所述第四参数组中,所筛选的最小权重均值对应的特征值作为所述第一行为特征的特征值阈值。
8.一种信息交互装置,其特征在于,包括:
获取模块,用于获取N个参考用户中的每个参考用户的用户行为数据;其中,N为大于0的整数;
预测模块,用于根据所获取的用户行为数据和预测模型,获得所述预测模型输出的每个参考用户发生预设事件的概率;其中,所述预测模型的输入特征包括M种行为特征,M为大于1的整数;
确定模块,用于根据预设模型解释工具和每个参考用户对应的概率,为每个参考用户获取每种行为特征的解析值,并根据所获取的解析值,为每个参考用户确定每种行为特征的权重值;
处理模块,用于根据所获取的用户行为数据以及为每个参考用户确定的每种行为特征的权重值,获得所述预测模型的模型分析数据,以便根据所述模型分析数据,以相应信息交互策略与目标用户进行信息交互。
9.一种计算机可读存储介质,所述存储介质存储有计算机程序,其特征在于,所述计算机程序用于执行上述权利要求1-7中任一所述的信息交互方法。
10.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-7中任一所述的信息交互方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010999301.5A CN112116159B (zh) | 2020-09-21 | 2020-09-21 | 信息交互方法、装置、计算机可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010999301.5A CN112116159B (zh) | 2020-09-21 | 2020-09-21 | 信息交互方法、装置、计算机可读存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112116159A true CN112116159A (zh) | 2020-12-22 |
CN112116159B CN112116159B (zh) | 2021-08-27 |
Family
ID=73799930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010999301.5A Active CN112116159B (zh) | 2020-09-21 | 2020-09-21 | 信息交互方法、装置、计算机可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112116159B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113595999A (zh) * | 2021-07-15 | 2021-11-02 | 北京淇瑀信息科技有限公司 | 基于单向特征筛选的用户设备认证方法、装置及电子设备 |
CN113657945A (zh) * | 2021-08-27 | 2021-11-16 | 建信基金管理有限责任公司 | 用户价值预测方法、装置、电子设备和计算机存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7693683B2 (en) * | 2004-11-25 | 2010-04-06 | Sharp Kabushiki Kaisha | Information classifying device, information classifying method, information classifying program, information classifying system |
CN108932658A (zh) * | 2018-07-13 | 2018-12-04 | 北京京东金融科技控股有限公司 | 数据处理方法、装置和计算机可读存储介质 |
CN111325344A (zh) * | 2020-02-24 | 2020-06-23 | 支付宝(杭州)信息技术有限公司 | 评估模型解释工具的方法和装置 |
CN111340540A (zh) * | 2020-02-24 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 广告推荐模型的监控方法、推荐方法及装置 |
CN111523032A (zh) * | 2020-04-22 | 2020-08-11 | 贝壳技术有限公司 | 确定用户偏好的方法、装置、介质和电子设备 |
CN111523678A (zh) * | 2020-04-21 | 2020-08-11 | 京东数字科技控股有限公司 | 业务的处理方法、装置、设备及存储介质 |
-
2020
- 2020-09-21 CN CN202010999301.5A patent/CN112116159B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7693683B2 (en) * | 2004-11-25 | 2010-04-06 | Sharp Kabushiki Kaisha | Information classifying device, information classifying method, information classifying program, information classifying system |
CN108932658A (zh) * | 2018-07-13 | 2018-12-04 | 北京京东金融科技控股有限公司 | 数据处理方法、装置和计算机可读存储介质 |
CN111325344A (zh) * | 2020-02-24 | 2020-06-23 | 支付宝(杭州)信息技术有限公司 | 评估模型解释工具的方法和装置 |
CN111340540A (zh) * | 2020-02-24 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 广告推荐模型的监控方法、推荐方法及装置 |
CN111523678A (zh) * | 2020-04-21 | 2020-08-11 | 京东数字科技控股有限公司 | 业务的处理方法、装置、设备及存储介质 |
CN111523032A (zh) * | 2020-04-22 | 2020-08-11 | 贝壳技术有限公司 | 确定用户偏好的方法、装置、介质和电子设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113595999A (zh) * | 2021-07-15 | 2021-11-02 | 北京淇瑀信息科技有限公司 | 基于单向特征筛选的用户设备认证方法、装置及电子设备 |
CN113595999B (zh) * | 2021-07-15 | 2023-02-03 | 北京淇瑀信息科技有限公司 | 基于单向特征筛选的用户设备认证方法、装置及电子设备 |
CN113657945A (zh) * | 2021-08-27 | 2021-11-16 | 建信基金管理有限责任公司 | 用户价值预测方法、装置、电子设备和计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112116159B (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109992710B (zh) | 点击率预估方法、系统、介质和计算设备 | |
CN107818344B (zh) | 用户行为进行分类和预测的方法和系统 | |
WO2020088058A1 (zh) | 生成信息的方法和装置 | |
CN110110233B (zh) | 信息处理方法、装置、介质和计算设备 | |
CN110705255B (zh) | 检测语句之间的关联关系的方法和装置 | |
CN115151928A (zh) | 使用机器学习技术的用于通信工作流的增强的处理 | |
CN112116159B (zh) | 信息交互方法、装置、计算机可读存储介质及电子设备 | |
KR102156442B1 (ko) | 소셜 미디어 이슈 처리 방법과 이를 지원하는 장치 | |
CN111611514B (zh) | 一种基于用户登录信息的页面展示方法、装置和电子设备 | |
US20190311415A1 (en) | Adaptive Multi-Perceptual Similarity Detection and Resolution | |
WO2016093837A1 (en) | Determining term scores based on a modified inverse domain frequency | |
CN112070545B (zh) | 用于优化信息触达的方法、装置、介质和电子设备 | |
CN111179051A (zh) | 金融目标客户确定方法、装置及电子设备 | |
CN112016792A (zh) | 用户资源配额确定方法、装置及电子设备 | |
CN111582314A (zh) | 目标用户确定方法、装置及电子设备 | |
Del Mar-Raave et al. | A machine learning-based forensic tool for image classification-A design science approach | |
Rai et al. | Using open source intelligence as a tool for reliable web searching | |
Solainayagi et al. | Trust discovery and information retrieval using artificial intelligence tools from multiple conflicting sources of web cloud computing and e-commerce users | |
CN113010791B (zh) | 搜索结果展示处理方法、装置及计算机可读存储介质 | |
CN114138977A (zh) | 日志处理方法、装置、计算机设备和存储介质 | |
CN113379124A (zh) | 基于预测模型的人员稳定性预测方法及装置 | |
CN111737607B (zh) | 数据处理方法、装置、电子设备以及存储介质 | |
CN113297287A (zh) | 用户策略自动部署方法、装置及电子设备 | |
US20140172874A1 (en) | Intelligent analysis queue construction | |
CN110852078A (zh) | 生成标题的方法和装置 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210322 Address after: 100085 Floor 101 102-1, No. 35 Building, No. 2 Hospital, Xierqi West Road, Haidian District, Beijing Applicant after: Seashell Housing (Beijing) Technology Co.,Ltd. Address before: Unit 05, room 112, 1st floor, office building, Nangang Industrial Zone, economic and Technological Development Zone, Binhai New Area, Tianjin 300457 Applicant before: BEIKE TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |