CN112288447A - 物品信息显示方法、装置、电子设备和计算机可读介质 - Google Patents
物品信息显示方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN112288447A CN112288447A CN202011187292.6A CN202011187292A CN112288447A CN 112288447 A CN112288447 A CN 112288447A CN 202011187292 A CN202011187292 A CN 202011187292A CN 112288447 A CN112288447 A CN 112288447A
- Authority
- CN
- China
- Prior art keywords
- article
- information
- circulation information
- sample
- feedback
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims description 54
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 description 25
- 230000006870 function Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 10
- 244000288157 Passiflora edulis Species 0.000 description 6
- 235000000370 Passiflora edulis Nutrition 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 240000008790 Musa x paradisiaca Species 0.000 description 1
- 235000018290 Musa x paradisiaca Nutrition 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
- G06Q30/016—After-sales
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
Abstract
本公开的实施例公开了物品信息显示方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取物品组中的每个物品的物品流转信息，得到物品流转信息集合；从物品流转信息集合中选择符合预设条件的物品流转信息作为目标物品流转信息，得到目标物品流转信息集；对于目标物品流转信息集中的每个目标物品流转信息，将目标物品流转信息输入至预先训练的物品信息反馈模型，生成目标物品流转信息的反馈信息，其中，物品信息反馈模型包括离线反馈模型和实时反馈模型；按照预先设定的输出方式，对所生成的反馈信息进行输出。该实施方式减少了购物平台的用户流量的流失。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及物品信息显示方法、装置、电子设备和计算机可读介质。
背景技术
随着计算机技术的飞速发展，能实现各种业务流程的业务系统也日益增多。目前，购物平台通常采用人工在线回答的方式处理物品流转业务。
然而，采用上述处理物品流转业务的方式，会存在以下技术问题：
第一，未对不同的物品流转信息及时进行反馈处理，导致处理物品流转信息的效率不高，降低了用户体验感，造成购物平台的用户流量的流失；
第二，未对所反馈的信息进行加密存储，容易导致反馈信息泄露和丢失，导致反馈信息难以被多次调用，进一步导致处理物品流转信息的效率不高，降低了用户体验感，造成购物平台的用户流量的流失。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了物品信息显示方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种物品信息显示方法，该方法包括：获取物品组中的每个物品的物品流转信息，得到物品流转信息集合；从上述物品流转信息集合中选择符合预设条件的物品流转信息作为目标物品流转信息，得到目标物品流转信息集；对于上述目标物品流转信息集中的每个目标物品流转信息，将上述目标物品流转信息输入至预先训练的物品信息反馈模型，生成上述目标物品流转信息的反馈信息，其中，上述物品信息反馈模型包括离线反馈模型和实时反馈模型；按照预先设定的输出方式，对所生成的反馈信息进行输出。
在一些实施例中，所述对所述反馈信息进行加密处理以生成加密反馈信息，包括：
对所述反馈信息进行编码处理以生成编码后的反馈信息作为编码反馈信息；
对所述编码反馈信息进行进制转换处理以生成进制编码反馈信息；
随机选择至少四个互不相同的素数，生成备选秘钥，其中，所述备选秘钥是矩阵，所述素数的数量为完全平方数；
通过公式，生成加密密钥：
其中，P表示加密密钥，x表示所述备选秘钥中的素数，j表示行号，i表示列号，xj，i表示所述备选秘钥中第j行第i列的素数，
表示所述备选秘钥，mod()表示取模运算。
通过公式，生成加密反馈信息：
Y＝X×P，
其中，Y表示加密反馈信息，X表示所述进制编码反馈信息，P表示所述加密密钥。
第二方面，本公开的一些实施例提供了一种物品信息显示装置，装置包括：获取单元，被配置成获取物品组中的每个物品的物品流转信息，得到物品流转信息集合；选择单元，被配置成从上述物品流转信息集合中选择符合预设条件的物品流转信息作为目标物品流转信息，得到目标物品流转信息集；生成单元，被配置成对于上述目标物品流转信息集中的每个目标物品流转信息，将上述目标物品流转信息输入至预先训练的物品信息反馈模型，生成上述目标物品流转信息的反馈信息，其中，上述物品信息反馈模型包括离线反馈模型和实时反馈模型；输出单元，被配置成按照预先设定的输出方式，对所生成的反馈信息进行输出。
第三方面，本公开的一些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，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些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上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的物品信息显示方法对不同的物品流转信息及时进行反馈处理，提高了处理物品流转信息的效率，提高了用户体验感，减少了购物平台的用户流量的流失。具体来说，发明人发现，造成用户流量流失的原因在于：未对不同的物品流转信息及时进行反馈处理，导致处理物品流转信息的效率不高，降低了用户体验感，造成购物平台的用户流量的流失。基于此，本公开的一些实施例的物品信息显示方法，首先，获取物品组中的每个物品的物品流转信息，得到物品流转信息集合。然后，从上述物品流转信息集合中选择符合预设条件组的物品流转信息作为目标物品流转信息，得到目标物品流转信息集。由此，可以挑选符合要求的物品流转信息，减少了处理不符合要求的物品流转信息的时间，初步提高了处理物品流转信息的效率。然后，将上述目标物品流转信息输入至预先训练的物品信息反馈模型，生成上述目标物品流转信息的反馈信息。由此，可以对不同的物品流转信息及时进行反馈处理。最后，按照预先设定的输出方式，对所生成的反馈信息进行输出。从而，实现了对物品流转信息所对应的反馈信息的自动生成和输出，提高了处理物品流转信息的效率，提高了用户体验感，减少了购物平台的用户流量的流失。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的物品信息显示方法的一个应用场景的示意图；
图2是根据本公开的物品信息显示方法的一些实施例的流程图；
图3是根据本公开的物品信息显示方法的另一些实施例的流程图；
图4是根据本公开的物品信息显示装置的一些实施例的结构示意图；
图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
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。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。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的物品信息显示方法的应用场景的一个示意图。
在图1的应用场景中，首先，计算设备101可以获取物品组中的每个物品的物品流转信息，得到物品流转信息集合102。其次，计算设备101可以从物品流转信息集合102中选择符合预设条件的物品流转信息作为目标物品流转信息，得到目标物品流转信息集103。然后，计算设备101可以对于目标物品流转信息集103中的每个目标物品流转信息，将目标物品流转信息输入至预先训练的物品信息反馈模型104，生成目标物品流转信息的反馈信息105。最后，计算设备101可以按照预先设定的输出方式，将所生成的反馈信息105输出在显示设备106上。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成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中的计算设备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计算设备。
继续参考图2，示出了根据本公开的物品信息显示方法的一些实施例的流程200。该方法可以由图1中的计算设备101来执行。该物品信息显示方法，包括以下步骤：
步骤201，获取物品组中的每个物品的物品流转信息，得到物品流转信息集合。
在一些实施例中，物品信息显示方法的执行主体(例如，图1所示的计算设备101)可以通过有线连接方式或者无线连接方式从终端获取物品组中的每个物品的物品流转信息，得到物品流转信息集合。这里，物品流转信息包括但不限于以下至少一项：物品名称，下单时间，下单量，物品流转属性值(单价)。
作为示例，物品流转信息集合可以是：
{[物品名称：百香果]；[下单时间：2020-09-23-12:00]；[下单量：10箱]；[物品流转属性值：30元/箱]}；
{[物品名称：苹果]；[下单时间：2020-09-23-13:00]；[下单量：8箱]；[物品流转属性值：20元/箱]}；
{[物品名称：香蕉]；[下单时间：2020-09-23-14:00]；[下单量：2箱]；[物品流转属性值：25元/箱]}。
步骤202，从上述物品流转信息集合中选择符合预设条件的物品流转信息作为目标物品流转信息，得到目标物品流转信息集。
在一些实施例中，上述执行主体可以从上述物品流转信息集合中选择符合预设条件的物品流转信息作为目标物品流转信息，得到目标物品流转信息集。这里，预设条件可以是任意满足需求的条件，例如，预设条件可以是“下单量大于5箱”。
作为示例，从步骤201所示的物品流转信息集合中选择符合预设条件“下单量大于5箱”的物品流转信息作为目标物品流转信息，得到目标物品流转信息集：{[物品名称：百香果]；[下单时间：2020-09-23-12:00]；[下单量：10箱]；[物品流转属性值：30元/箱]}；{[物品名称：苹果]；[下单时间：2020-09-23-13:00]；[下单量：8箱]；[物品流转属性值：20元/箱]}。
步骤203，对于上述目标物品流转信息集中的每个目标物品流转信息，将上述目标物品流转信息输入至预先训练的物品信息反馈模型，生成上述目标物品流转信息的反馈信息。
在一些实施例中，对于上述目标物品流转信息集中的每个目标物品流转信息，上述执行主体可以将上述目标物品流转信息输入至预先训练的物品信息反馈模型，生成上述目标物品流转信息的反馈信息。其中，上述物品信息反馈模型包括离线反馈模型和实时反馈模型。这里，物品信息反馈模型可以是多种结构的模型。例如，CNN(ConvolutionalNeural Networks，卷积神经网络)，RNN(Recurrent Neural Networks，循环神经网络)等等。当然，也可以是根据实际需要进行搭建的模型。这里，物品信息反馈模型可以包括信息筛选模块和对应关系表。这里，信息筛选模块可以为初始神经网络、卷积神经网络等等。这里，对应关系表可以是对目标物品流转信息进行筛选后的信息所对应的反馈信息的表格，例如，对目标物品流转信息进行筛选后的信息为“下单量：10箱”，所对应的反馈信息“免运费”。这里，离线反馈模型可以用于反馈下单时间在[22:00-06:00]的目标物品流转信息。这里，实时反馈模型可以用于反馈下单时间在[06:00-22:00]的目标物品流转信息。
在一些实施例的一些可选的实现方式中，上述离线反馈模型是基于第一训练样本集，通过以下步骤训练生成：
第一步，将上述第一训练样本集中的至少一个第一训练样本的样本离线物品流转信息分别输入至初始神经网络，得到上述至少一个第一训练样本中的每个第一训练样本对应的物品离线反馈信息。
实践中，在上述第一步之前需要确定初始神经网络的网络结构。例如，需要确定初始神经网络模型包括哪些层，层与层之间的连接顺序关系，以及每层都包括哪些神经元，每个神经元对应的权重(weight)和偏置项(bias)，每层的激活函数等等。作为示例，当上述初始神经网络模型为深度卷积神经网络时，由于深度卷积神经网络是一个多层的神经网络，因此需要确定深度卷积神经网络包括哪些层(例如，卷积层，池化层，全连接层，分类器等等)，层与层之间的连接顺序关系，以及每个层都包括哪些网络参数(例如，权重、偏置项、卷积的步长)等等。其中，卷积层可以用于提取信息特征。针对每个卷积层可以确定有多少个卷积核，每个卷积核的大小，每个卷积核中的各个神经元的权重，每个卷积核对应的偏置项，相邻两次卷积之间的步长等等。池化层用于对特征信息进行降维处理。
第二步，基于预设的第一损失函数，确定上述第一训练样本对应的物品离线反馈信息与对应的样本物品离线反馈信息之间的第一损失值。这里，第一损失函数可以用于确定物品离线反馈信息与对应的离线样本反馈信息之间的第一损失值。预设的第一损失函数包括但不限于：均方误差损失函数(MSE)、合页损失函数(SVM)、交叉熵损失函数(CrossEntropy)等等。
第三步，响应于确定上述第一损失值大于第一预设优化指标，将上述初始神经网络作为训练完成的离线反馈模型。
第四步，响应于确定上述第一损失值小于上述第一预设优化指标，调整上述初始神经网络的网络参数，以及使用未使用的第一训练样本作为第一样本训练集，将调整后的初始神经网络作为初始神经网络，再次执行上述训练步骤。例如，可以对第一损失值和第一预设优化指标求差值，得到第一损失差值。在此基础上，利用反向传播、随机梯度下降等方法将第一损失差值从模型的最后一层向前传递，以调整每一层的参数。当然根据需要，也可以采用网络冻结(dropout)的方法，对其中的一些层的网络参数保持不变，不进行调整，对此，不做任何限定。
在一些实施例的一些可选的实现方式中，上述第一训练样本包括样本离线物品流转信息，与上述样本离线物品流转信息对应的样本物品离线反馈信息。上述第一训练样本集是通过以下步骤生成：
第一步，获取上述物品组中的每个物品的历史离线物品流转信息作为样本离线物品流转信息，得到样本离线物品流转信息集。
作为示例，样本离线物品流转信息集可以是{[物品名称：百香果]；[下单时间：2020-09-20-23:00]；[下单量：10箱]；[物品流转属性值：30元/箱]}；{[物品名称：苹果]；[下单时间：2020-09-20-01:00]；[下单量：8箱]；[物品流转属性值：20元/箱]}。
第二步，获取上述样本离线物品流转信息集中的每个样本离线物品流转信息对应的样本物品离线反馈信息，得到样本物品离线反馈信息集。
作为示例，样本离线物品流转信息{[物品名称：百香果]；[下单时间：2020-09-20-23:00]；[下单量：10箱]；[物品流转属性值：30元/箱]}对应的样本物品离线反馈信息“立即发货，免运费”。样本离线物品流转信息{[物品名称：苹果]；[下单时间：2020-09-20-01:00]；[下单量：8箱]；[物品流转属性值：20元/箱]}对应的样本物品离线反馈信息“次日发货，免运费”。得到样本物品离线反馈信息集“[立即发货，免运费]，[次日发货，免运费]”。
在一些实施例的一些可选的实现方式中，上述实时反馈模型是基于第二训练样本集，通过以下步骤训练生成：
第一步，将上述第二训练样本集中的至少一个第二训练样本的样本实时物品流转信息分别输入至卷积神经网络，得到上述至少一个第二训练样本中的每个第二训练样本对应的物品实时反馈信息。实践中，在上述第一步之前需要确定卷积神经网络的网络结构。例如，需要确定卷积神经网络模型包括哪些层，层与层之间的连接顺序关系，以及每层都包括哪些神经元，每个神经元对应的权重(weight)和偏置项(bias)，每层的激活函数等等。作为示例，当上述卷积神经网络模型为深度卷积神经网络时，由于深度卷积神经网络是一个多层的神经网络，因此需要确定深度卷积神经网络包括哪些层(例如，卷积层，池化层，全连接层，分类器等等)，层与层之间的连接顺序关系，以及每个层都包括哪些网络参数(例如，权重、偏置项、卷积的步长)等等。其中，卷积层可以用于提取信息特征。针对每个卷积层可以确定有多少个卷积核，每个卷积核的大小，每个卷积核中的各个神经元的权重，每个卷积核对应的偏置项，相邻两次卷积之间的步长等等。池化层用于对特征信息进行降维处理。
第二步，基于预设的第二损失函数，确定上述第二训练样本对应的物品实时反馈信息与对应的样本物品实时反馈信息之间的第二损失值。这里，第二损失函数可以用于确定物品实时反馈信息与对应的实时样本反馈信息之间的第二损失值。预设的第二损失函数包括但不限于：均方误差损失函数(MSE)、合页损失函数(SVM)、交叉熵损失函数(CrossEntropy)等等。
第三步，响应于确定上述第二损失值大于第二预设优化指标，将上述卷积神经网络作为训练完成的实时反馈模型。
第四步，响应于确定上述第二损失值小于上述第二预设优化指标，调整上述卷积神经网络的网络参数，以及使用未使用的第二训练样本组成第二训练样本集，将调整后的卷积神经网络作为卷积神经网络，再次执行上述训练步骤。例如，可以对第一损失值和第一预设优化指标求差值，得到第一损失差值。在此基础上，利用反向传播、随机梯度下降等方法将第一损失差值从模型的最后一层向前传递，以调整每一层的参数。当然根据需要，也可以采用网络冻结(dropout)的方法，对其中的一些层的网络参数保持不变，不进行调整，对此，不做任何限定。
在一些实施例的一些可选的实现方式中，上述第二训练样本包括样本实时物品流转信息，与上述样本实时物品流转信息对应的样本物品实时反馈信息。上述第二训练样本集是通过以下步骤生成：
第一步，获取上述物品组中的每个物品的历史实时物品流转信息作为样本实时物品流转信息，得到样本实时物品流转信息集。
作为示例，样本实时物品流转信息集可以是{[物品名称：百香果]；[下单时间：2020-09-20-13:00]；[下单量：10箱]；[物品流转属性值：30元/箱]}；{[物品名称：苹果]；[下单时间：2020-09-20-12:00]；[下单量：8箱]；[物品流转属性值：20元/箱]}。
第二步，获取上述样本实时物品流转信息集中的每个样本实时物品流转信息对应的样本物品实时反馈信息，得到样本物品实时反馈信息集。
作为示例，样本实时物品流转信息{[物品名称：百香果]；[下单时间：2020-09-20-13:00]；[下单量：10箱]；[物品流转属性值：30元/箱]}对应的样本物品实时反馈信息“免运费”。样本实时物品流转信息{[物品名称：苹果]；[下单时间：2020-09-20-12:00]；[下单量：8箱]；[物品流转属性值：20元/箱]}对应的样本物品实时反馈信息“不免运费”。得到样本物品实时反馈信息集“[免运费]，[不免运费]”。
步骤204，按照预先设定的输出方式，对所生成的反馈信息进行输出。
在一些实施例中，上述执行主体可以按照预先设定的输出方式，对所生成的反馈信息进行输出。这里，上述输出方式可以是各种信息输出方式，例如语音提示方式、文本显示方式等等。
作为示例，可以根据业务场景需要设定反馈信息的输出方式。例如，当实际生产环境较为嘈杂，无法听清语音提示时，可以将输出方式设置为文本显示方式。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的物品信息显示方法对不同的物品流转信息及时进行反馈处理，提高了处理物品流转信息的效率，提高了用户体验感，减少了购物平台的用户流量的流失。具体来说，发明人发现，造成用户流量流失的原因在于：未对不同的物品流转信息及时进行反馈处理，导致处理物品流转信息的效率不高，降低了用户体验感，造成购物平台的用户流量的流失。基于此，本公开的一些实施例的物品信息显示方法，首先，获取物品组中的每个物品的物品流转信息，得到物品流转信息集合。然后，从上述物品流转信息集合中选择符合预设条件组的物品流转信息作为目标物品流转信息，得到目标物品流转信息集。由此，可以挑选符合要求的物品流转信息，减少了处理不符合要求的物品流转信息的时间，初步提高了处理物品流转信息的效率。然后，将上述目标物品流转信息输入至预先训练的物品信息反馈模型，生成上述目标物品流转信息的反馈信息。由此，可以对不同的物品流转信息及时进行反馈处理。最后，按照预先设定的输出方式，对所生成的反馈信息进行输出。从而，实现了对物品流转信息所对应的反馈信息的自动生成和输出，提高了处理物品流转信息的效率，提高了用户体验感，减少了购物平台的用户流量的流失。
进一步参考图3，示出了根据本公开的物品信息显示方法的另一些实施例的流程300。该方法可以由图1的计算设备101来执行。该物品信息显示方法，包括以下步骤：
步骤301，获取物品组中的每个物品的物品流转信息，得到物品流转信息集合。
步骤302，从上述物品流转信息集合中选择符合预设条件的物品流转信息作为目标物品流转信息，得到目标物品流转信息集。
步骤303，对于上述目标物品流转信息集中的每个目标物品流转信息，将上述目标物品流转信息输入至预先训练的物品信息反馈模型，生成上述目标物品流转信息的反馈信息。
步骤304，按照预先设定的输出方式，对所生成的反馈信息进行输出。
在一些实施例中，步骤301-304的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤201-204，在此不再赘述。
步骤305，对上述反馈信息进行加密处理以生成加密反馈信息。
在一些实施例中，上述执行主体可以通过以下步骤生成加密反馈信息：
第一步，对上述反馈信息进行编码处理以生成编码后的反馈信息作为编码反馈信息。
作为示例，上述反馈信息可以是“免运费”。可以采用国际标准编码的方式，对上述反馈信息“免运费”进行编码处理，以生成编码后的反馈信息作为编码反馈信息[b'\xc3\xe2\xd4\xcb\xb7\xd1']。
第二步，对上述编码反馈信息进行进制转换处理以生成进制编码反馈信息。
作为示例，对上述编码反馈信息[b'\xc3\xe2\xd4\xcb\xb7\xd1']进行十进制转换处理以生成进制编码反馈信息[195,226,212,203,183,209]。
第三步，随机选择至少四个互不相同的素数，生成备选秘钥。其中，上述备选秘钥是矩阵，上述素数的数量为完全平方数。作为示例，备选秘钥可以是
第四步，通过公式，生成加密密钥：
其中，P表示加密密钥。x表示上述备选秘钥中的素数。j表示行号。i表示列号。xj，i表示上述备选秘钥中第j行第i列的素数。||表示取绝对值。
表示上述备选秘钥。mod()表示取模运算。
作为示例，上述备选秘钥可以是
上述行号j是“2”。上述列号i是“2”。通过公式，生成加密密钥：
第五步，通过公式，生成加密反馈信息：
Y＝X×P。
其中，Y表示加密反馈信息。X表示上述进制编码反馈信息。P表示上述加密密钥。
作为示例，进制编码反馈信息X可以是
加密密钥P可以是
通过公式，生成加密反馈信息：
步骤306，将上述加密反馈信息发送并存储至设备终端以供调用。
在一些实施例中，上述执行主体可以将上述加密反馈信息发送并存储至设备终端以供调用。
本公开的上述各个实施例具有如下有益效果：步骤305中的公式以及相关内容作为本公开的一个发明点，由此解决了背景技术提及的技术问题二“未对所反馈的信息进行加密存储，容易导致反馈信息泄露和丢失，导致反馈信息难以被多次调用，进一步导致处理物品流转信息的效率不高，降低了用户体验感，造成购物平台的用户流量的流失”。导致造成购物平台的用户流量的流失的影响因素往往如下：未对所反馈的信息进行加密存储，容易导致反馈信息泄露和丢失，导致反馈信息难以被多次调用，进一步导致处理物品流转信息的效率不高，降低了用户体验感，造成购物平台的用户流量的流失。如果解决了上述影响因素，就能达到减少购物平台的用户流量的流失的效果，为了达到这一效果，首先，对上述反馈信息进行编码处理以生成编码后的反馈信息作为编码反馈信息。接着，对上述编码反馈信息进行进制转换处理以生成进制编码反馈信息。从而，有利于对反馈信息进行加密操作。然后，通过随机选择至少四个互不相同的素数，生成备选秘钥。由于选取的素数具有随机性，初步增加了备选秘钥的破解难度。再然后，通过对备选秘钥进行矩阵加密处理得到的加密密钥，使得备选秘钥即使泄露也无法直接用于解密。除此之外，每个备选秘钥的加密都与对应的行列式的值有关，再次提高了反馈信息的保密程度。然后再将加密反馈信息发送并存储至设备终端。由此，加强了反馈信息的保密程度和降低了反馈信息丢失的可能性。从而可以提高了反馈信息被多次调用的可能性。进而，提高了处理物品流转信息的效率，提高了用户体验感，减少了购物平台的用户流量的流失。
进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种物品信息显示装置的一些实施例，这些装置实施例与图2上述的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，一些实施例的物品信息显示装置400包括：获取单元401、选择单元402、生成单元403和输出单元404。其中，获取单元401，被配置成获取物品组中的每个物品的物品流转信息，得到物品流转信息集合；选择单元402，被配置成从上述物品流转信息集合中选择符合预设条件组的物品流转信息作为目标物品流转信息，得到目标物品流转信息集；生成单元403，被配置成对于上述目标物品流转信息集中的每个目标物品流转信息，将上述目标物品流转信息输入至预先训练的物品信息反馈模型，生成上述目标物品流转信息的反馈信息，其中，上述物品信息反馈模型包括离线反馈模型和实时反馈模型；输出单元404，被配置成按照预先设定的输出方式，对所生成的反馈信息进行输出。
可以理解的是，该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元，在此不再赘述。
下面参考图5，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备101)500的结构示意图。图5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5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：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506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，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5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，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上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。在本公开的一些实施例中，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。而在本公开的一些实施例中，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。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的；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：获取物品组中的每个物品的物品流转信息，得到物品流转信息集合；从上述物品流转信息集合中选择符合预设条件组的物品流转信息作为目标物品流转信息，得到目标物品流转信息集；对于上述目标物品流转信息集中的每个目标物品流转信息，将上述目标物品流转信息输入至预先训练的物品信息反馈模型，生成上述目标物品流转信息的反馈信息，其中，上述物品信息反馈模型包括离线反馈模型和实时反馈模型；按照预先设定的输出方式，对所生成的反馈信息进行输出。
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一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。
描述于本公开的一些实施例中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、选择单元、生成单元和输出单元。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，输出单元还可以被描述为“按照预先设定的输出方式，对所生成的反馈信息进行输出的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种物品信息显示方法，包括：
获取物品组中的每个物品的物品流转信息，得到物品流转信息集合；
从所述物品流转信息集合中选择符合预设条件的物品流转信息作为目标物品流转信息，得到目标物品流转信息集；
对于所述目标物品流转信息集中的每个目标物品流转信息，将所述目标物品流转信息输入至预先训练的物品信息反馈模型，生成所述目标物品流转信息的反馈信息，其中，所述物品信息反馈模型包括离线反馈模型和实时反馈模型；
按照预先设定的输出方式，对所生成的反馈信息进行输出。
2.根据权利要求1所述的方法，其中，所述离线反馈模型是通过以下步骤训练生成：
基于第一训练样本集，执行如下训练步骤：
将所述第一训练样本集中的至少一个第一训练样本的样本离线物品流转信息分别输入至初始神经网络，得到所述至少一个第一训练样本中的每个第一训练样本对应的物品离线反馈信息；
基于预设的第一损失函数，确定所述第一训练样本对应的物品离线反馈信息与对应的样本物品离线反馈信息之间的第一损失值；
响应于确定所述第一损失值大于第一预设优化指标，将所述初始神经网络作为训练完成的离线反馈模型。
3.根据权利要求2所述的方法，其中，所述方法还包括：
响应于确定所述第一损失值小于所述第一预设优化指标，调整所述初始神经网络的网络参数，以及使用未使用的第一训练样本作为第一样本训练集，将调整后的初始神经网络作为初始神经网络，再次执行所述训练步骤。
4.根据权利要求1所述的方法，其中，所述实时反馈模型是通过以下步骤训练生成：
基于第二训练样本集，执行如下训练步骤：
将所述第二训练样本集中的至少一个第二训练样本的样本实时物品流转信息分别输入至卷积神经网络，得到所述至少一个第二训练样本中的每个第二训练样本对应的物品实时反馈信息；
基于预设的第二损失函数，确定所述第二训练样本对应的物品实时反馈信息与对应的样本物品实时反馈信息之间的第二损失值；
响应于确定所述第二损失值大于第二预设优化指标，将所述卷积神经网络作为训练完成的实时反馈模型。
响应于确定所述第二损失值小于所述第二预设优化指标，调整所述卷积神经网络的网络参数，以及使用未使用的第二训练样本组成第二训练样本集，将调整后的卷积神经网络作为卷积神经网络，再次执行所述训练步骤。
5.根据权利要求3所述的方法，其中，所述第一训练样本包括样本离线物品流转信息，与所述样本离线物品流转信息对应的样本物品离线反馈信息；以及
所述第一训练样本集是通过以下步骤生成：
获取所述物品组中的每个物品的历史离线物品流转信息作为样本离线物品流转信息，得到样本离线物品流转信息集；
获取所述样本离线物品流转信息集中的每个样本离线物品流转信息对应的样本物品离线反馈信息，得到样本物品离线反馈信息集。
6.根据权利要求4所述的方法，其中，所述第二训练样本包括样本实时物品流转信息，与所述样本实时物品流转信息对应的样本物品实时反馈信息；以及
所述第二训练样本集是通过以下步骤生成：
获取所述物品组中的每个物品的历史实时物品流转信息作为样本实时物品流转信息，得到样本实时物品流转信息集；
获取所述样本实时物品流转信息集中的每个样本实时物品流转信息对应的样本物品实时反馈信息，得到样本物品实时反馈信息集。
7.根据权利要求1所述的方法，其中，所述方法还包括：
对所述反馈信息进行加密处理以生成加密反馈信息；
将所述加密反馈信息发送并存储至设备终端以供调用。
8.一种物品信息显示装置，包括：
获取单元，被配置成获取物品组中的每个物品的物品流转信息，得到物品流转信息集合；
选择单元，被配置成从所述物品流转信息集合中选择符合预设条件的物品流转信息作为目标物品流转信息，得到目标物品流转信息集；
生成单元，被配置成对于所述目标物品流转信息集中的每个目标物品流转信息，将所述目标物品流转信息输入至预先训练的物品信息反馈模型，生成所述目标物品流转信息的反馈信息，其中，所述物品信息反馈模型包括离线反馈模型和实时反馈模型；
输出单元，被配置成按照预先设定的输出方式，对所生成的反馈信息进行输出。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7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1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011187292.6A CN112288447A (zh) | 2020-10-30 | 2020-10-30 | 物品信息显示方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011187292.6A CN112288447A (zh) | 2020-10-30 | 2020-10-30 | 物品信息显示方法、装置、电子设备和计算机可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112288447A true CN112288447A (zh) | 2021-01-29 |
Family
ID=74353715
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011187292.6A Pending CN112288447A (zh) | 2020-10-30 | 2020-10-30 | 物品信息显示方法、装置、电子设备和计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112288447A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113609113A (zh) * | 2021-08-02 | 2021-11-05 | 国家电网有限公司客户服务中心 | 基于电力数据的用户信息生成方法、装置、电子设备 |
| CN114004425A (zh) * | 2021-12-29 | 2022-02-01 | 北京京东振世信息技术有限公司 | 物品流转信息预测模型生成方法、信息生成方法、装置 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040125949A1 (en) * | 2000-12-12 | 2004-07-01 | Jean-Pierre Seifert | Method of and apparatus for determining a key pair and for generating RSA keys |
| US6868160B1 (en) * | 1999-11-08 | 2005-03-15 | Bellsouth Intellectual Property Corporation | System and method for providing secure sharing of electronic data |
| CN103827901A (zh) * | 2013-03-18 | 2014-05-28 | 深圳市银信网银科技有限公司 | 一种物流信息安全传输的方法及系统 |
| KR20170085741A (ko) * | 2016-01-15 | 2017-07-25 | 제갈영식 | 온라인 배송 주문 시스템 및 방법 |
| CN108053154A (zh) * | 2017-11-30 | 2018-05-18 | 云南九方联达供应链管理科技有限公司 | 基于云平台的供应链管理系统 |
| CN108062481A (zh) * | 2017-12-29 | 2018-05-22 | 浙江万里学院 | 一种物流信息的智能加密方法 |
| CN109034915A (zh) * | 2018-09-03 | 2018-12-18 | 王昆 | 一种可应用数字资产或积分作为交易媒介的人工智能型电子商务系统 |
| CN109447246A (zh) * | 2018-10-30 | 2019-03-08 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
| CN109816283A (zh) * | 2017-11-20 | 2019-05-28 | 北京京东尚科信息技术有限公司 | 用于确定物品出库时间的方法和装置 |
| US20190272557A1 (en) * | 2018-03-01 | 2019-09-05 | Adobe Systems Incorporated | Dynamically generating digital product notifications over time based on product expiration data |
| CN110276668A (zh) * | 2019-07-01 | 2019-09-24 | 中国工商银行股份有限公司 | 理财产品智能推送、匹配度确定的方法及系统 |
| CN110322277A (zh) * | 2019-02-01 | 2019-10-11 | 北京三快在线科技有限公司 | 产品信息展示方法及装置、电子设备 |
| CN110335100A (zh) * | 2019-05-09 | 2019-10-15 | 东莞市盟大塑化科技有限公司 | 基于人工智能的信息推送方法、装置、计算机和存储介质 |
| CN110390503A (zh) * | 2019-07-03 | 2019-10-29 | 北京三快在线科技有限公司 | 模型训练、配送时间确定的方法和装置、存储介质和电子设备 |
| CN110942365A (zh) * | 2019-09-14 | 2020-03-31 | 深圳家电网科技实业股份有限公司 | 一种大数据的电商交易方法及电商交易系统 |
-
2020
- 2020-10-30 CN CN202011187292.6A patent/CN112288447A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6868160B1 (en) * | 1999-11-08 | 2005-03-15 | Bellsouth Intellectual Property Corporation | System and method for providing secure sharing of electronic data |
| US20040125949A1 (en) * | 2000-12-12 | 2004-07-01 | Jean-Pierre Seifert | Method of and apparatus for determining a key pair and for generating RSA keys |
| CN103827901A (zh) * | 2013-03-18 | 2014-05-28 | 深圳市银信网银科技有限公司 | 一种物流信息安全传输的方法及系统 |
| KR20170085741A (ko) * | 2016-01-15 | 2017-07-25 | 제갈영식 | 온라인 배송 주문 시스템 및 방법 |
| CN109816283A (zh) * | 2017-11-20 | 2019-05-28 | 北京京东尚科信息技术有限公司 | 用于确定物品出库时间的方法和装置 |
| CN108053154A (zh) * | 2017-11-30 | 2018-05-18 | 云南九方联达供应链管理科技有限公司 | 基于云平台的供应链管理系统 |
| CN108062481A (zh) * | 2017-12-29 | 2018-05-22 | 浙江万里学院 | 一种物流信息的智能加密方法 |
| US20190272557A1 (en) * | 2018-03-01 | 2019-09-05 | Adobe Systems Incorporated | Dynamically generating digital product notifications over time based on product expiration data |
| CN109034915A (zh) * | 2018-09-03 | 2018-12-18 | 王昆 | 一种可应用数字资产或积分作为交易媒介的人工智能型电子商务系统 |
| CN109447246A (zh) * | 2018-10-30 | 2019-03-08 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
| CN110322277A (zh) * | 2019-02-01 | 2019-10-11 | 北京三快在线科技有限公司 | 产品信息展示方法及装置、电子设备 |
| CN110335100A (zh) * | 2019-05-09 | 2019-10-15 | 东莞市盟大塑化科技有限公司 | 基于人工智能的信息推送方法、装置、计算机和存储介质 |
| CN110276668A (zh) * | 2019-07-01 | 2019-09-24 | 中国工商银行股份有限公司 | 理财产品智能推送、匹配度确定的方法及系统 |
| CN110390503A (zh) * | 2019-07-03 | 2019-10-29 | 北京三快在线科技有限公司 | 模型训练、配送时间确定的方法和装置、存储介质和电子设备 |
| CN110942365A (zh) * | 2019-09-14 | 2020-03-31 | 深圳家电网科技实业股份有限公司 | 一种大数据的电商交易方法及电商交易系统 |
Non-Patent Citations (2)
| Title |
|---|
| 张宏;刘方园;: "四素数RSA加密算法的研究与分析", 微计算机信息, no. 15, 25 May 2010 (2010-05-25) * |
| 赵梦雨;: "浅析计算机网络通信安全中数据加密技术的应用", 电脑迷, no. 07, 15 July 2017 (2017-07-15) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113609113A (zh) * | 2021-08-02 | 2021-11-05 | 国家电网有限公司客户服务中心 | 基于电力数据的用户信息生成方法、装置、电子设备 |
| CN113609113B (zh) * | 2021-08-02 | 2023-09-15 | 国家电网有限公司客户服务中心 | 基于电力数据的用户信息生成方法、装置、电子设备 |
| CN114004425A (zh) * | 2021-12-29 | 2022-02-01 | 北京京东振世信息技术有限公司 | 物品流转信息预测模型生成方法、信息生成方法、装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20240113858A1 (en) | Systems and Methods for Performing Secure Machine Learning Analytics Using Homomorphic Encryption | |
| CN113609113A (zh) | 基于电力数据的用户信息生成方法、装置、电子设备 | |
| CN114696990B (zh) | 基于全同态加密的多方计算方法、系统及相关设备 | |
| CN112288447A (zh) | 物品信息显示方法、装置、电子设备和计算机可读介质 | |
| CN110460435B (zh) | 数据交互方法、装置、服务器和电子设备 | |
| CN109961141A (zh) | 用于生成量化神经网络的方法和装置 | |
| CN109787760A (zh) | 一种优化的基于h1类哈希函数族的密钥保密增强方法及装置 | |
| CN113076981A (zh) | 数据处理方法及装置 | |
| CN110874481B (zh) | 一种基于gbdt模型的预测方法和装置 | |
| CN111932321B (zh) | 针对用户的物品信息推送方法、装置、电子设备和介质 | |
| CN111767953B (zh) | 用于训练物品编码模型的方法和装置 | |
| CN116010678B (zh) | 一种匿踪查询方法、装置及设备 | |
| CN116129501A (zh) | 人脸位姿估计方法及装置 | |
| CN112801597B (zh) | 物品库存处理方法、装置、电子设备和介质 | |
| CN109828801A (zh) | 业务信息处理方法、装置和服务器 | |
| CN111709784B (zh) | 用于生成用户留存时间的方法、装置、设备和介质 | |
| CN111784377A (zh) | 用于生成信息的方法和装置 | |
| CN112182607A (zh) | 用于加密物品流转信息的方法、装置、电子设备和介质 | |
| CN113052323B (zh) | 基于联邦学习的模型训练方法、装置和电子设备 | |
| CN117097519B (zh) | 一种设备通讯接入认证方法、装置、系统和介质 | |
| CN117009723B (zh) | 一种多方计算方法、装置、设备及存储介质 | |
| CN111709583B (zh) | 用户留存时间生成方法、装置、电子设备和介质 | |
| CN115345307B (zh) | 一种密文图像上的安全卷积神经网络推理方法及系统 | |
| CN116843800B (zh) | 动画信息发送方法、装置、电子设备和计算机可读介质 | |
| CN115186757A (zh) | 自注意力模型的训练方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |