CN112307371A - 小程序子服务识别方法、装置、设备及存储介质 - Google Patents
小程序子服务识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112307371A CN112307371A CN202011162237.1A CN202011162237A CN112307371A CN 112307371 A CN112307371 A CN 112307371A CN 202011162237 A CN202011162237 A CN 202011162237A CN 112307371 A CN112307371 A CN 112307371A
- Authority
- CN
- China
- Prior art keywords
- data
- sub
- feature
- applet
- processed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 111
- 230000015654 memory Effects 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 22
- 230000007246 mechanism Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 abstract description 39
- 238000005516 engineering process Methods 0.000 abstract description 15
- 238000010586 diagram Methods 0.000 description 29
- 230000004927 fusion Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000003068 static effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 239000007795 chemical reaction product Substances 0.000 description 2
- 229910021389 graphene Inorganic materials 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Stored Programmes (AREA)
Abstract
本说明书提供一种小程序子服务识别方法、装置、设备及存储介质,通过获取小程序的原始特征数据,并采用计算机网络技术采集小程序使用过程中产生的操作特征数据,扩充了小程序的特征,并且,通过采集外部的操作特征数据对小程序的使用过程进行内容理解,使得特征更加能够表征小程序的功能。同时,不限定特征的形式,可以为文本、图片、统计数据等多模态特征,为小程序子服务的识别提供了丰富的数据基础,更加准确的表征小程序的具体功能,提高了小程序子服务识别的准确性,进一步方便了的小程序的推广和使用。
Description
技术领域
本说明书属于计算机技术领域,尤其涉及一种小程序子服务识别方法、装置、设备及存储介质。
背景技术
随着计算机技术的发展,越来越多不同功能的小程序被开发应用,小程序可以理解为一种不需要下载安装即可使用的应用,可以寄宿在移动应用中,不需要独立开发,用户就可以在移动应用中直接使用其中的小程序,并且不同的小程序可以提供不同的服务,每个小程序可以满足比较简单的基础应用。但是小程序的颗粒度一般比较大,一般只会根据小程序的名称确定小程序的服务类别,用户往往无法感知小程序的具体功能和应用,搜索使用也不方便。
发明内容
本说明书实施例的目的在于提供一种小程序子服务识别方法、装置、设备及存储介质,提高了小程序子服务识别的准确性。
一方面,本说明书实施例提供了一种小程序子服务识别方法,所述方法包括:
获取待处理小程序的原始特征数据,所述原始特征数据表征所述待处理小程序的基础特征;
采集所述待处理小程序的操作特征数据,所述操作特征数据表征所述待处理小程序的使用特征;其中,所述原始特征数据、所述操作特征数据中的数据类型包括文本、图片、统计数据中的至少两种;
将所述原始特征数据、所述操作特征数据进行特征拼接,并基于拼接后的特征数据确定出所述待处理小程序的子服务识别结果。
另一方面,本说明书提供了一种小程序子服务识别装置,包括:
原始数据获取模块,用于获取待处理小程序的原始特征数据,所述原始特征数据表征所述待处理小程序的基础特征;
操作数据获取模块,用于采集所述待处理小程序的操作特征数据,所述操作特征数据表征所述待处理小程序的使用特征;其中,所述原始特征数据、所述操作特征数据中的数据类型包括文本、图片、统计数据中的至少两种;
识别模块,用于将所述原始特征数据、所述操作特征数据进行特征拼接,并基于拼接后的特征数据确定出所述待处理小程序的子服务识别结果。
又一方面,本说明书实施例提供了一种小程序子服务识别设备,包括至少一个处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现上述小程序子服务识别方法。
再一方面,本说明书实施例提供了一种计算机可读存储介质,其上存储有计算机指令,所述指令被执行时实现上述小程序子服务识别方法。
本说明书提供的小程序子服务识别方法、装置、设备及存储介质,通过获取小程序的原始特征数据,并采用计算机网络技术获取小程序使用过程中产生的操作特征数据,扩充了小程序的特征,并且,通过获取小程序的操作特征数据对小程序的使用过程进行内容理解,使得特征更加能够表征小程序的功能。同时,不限定特征的形式,可以为文本、图片、统计数据等多模态特征,为小程序子服务的识别提供了丰富的数据基础,更加准确的表征小程序的具体功能,提高了小程序子服务识别的准确性,进一步方便了的小程序的推广和使用。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本说明书实施例提供的小程序子服务识别方法实施例的流程示意图;
图2是本说明书一个实施例中小程序子服务识别的原理示意图;
图3是本说明书一个实施例中小程序子服务识别的原理示意图;
图4是本说明书一个实施例中小程序子服务识别的原理示意图;
图5是本说明书一个实施例中小程序子服务识别的原理示意图;
图6是本说明书提供的小程序子服务识别装置一个实施例的模块结构示意图;
图7是本说明书一个实施例中小程序子服务识别服务器的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
小程序一般可以寄宿在移动应用中,不需要独立开发,用户就可以在移动应用中直接使用其中的小程序。小程序在入驻移动应用或平台时,开发人员可以定义小程序的类目或名称等,但是小程序的类别一般颗粒度比较大,使得用户无法感知到小程序的具体功能、服务,不方便使用。每个小程序可能能够提供多种服务,本说明书实施例中的子服务可以理解为以小程序为载体的功能或者服务。
图1是本说明书实施例提供的小程序子服务识别方法实施例的流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构,但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中,这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置、服务器或终端产品应用时,可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。
具体的一个实施例如图1所示,本说明书提供的小程序子服务识别方法的一个实施例中,所述方法可以应用在计算机、平板电脑、服务器、智能手机、智能穿戴设备等终端,所述方法可以包括如下步骤:
步骤102、获取待处理小程序的原始特征数据,所述原始特征数据表征所述待处理小程序的基础特征。
在具体的实施过程中,待处理小程序可以表示需要进行子服务识别的小程序,可以获取待处理小程序原始特征数据,原始特征数据可以理解为小程序的开发者或商家提供的能够表征小程序基本属性的基础特征,如:可以包括小程序的名称、链接、类目等等。
步骤104、采集所述待处理小程序的操作特征数据,所述操作特征数据表征所述待处理小程序的使用特征;其中,所述原始特征数据、所述操作特征数据中的数据类型包括文本、图片、统计数据中的至少两种。
在具体的实施过程中,本说明书实施例中还可以通过计算机网络技术采集待处理小程序的使用特征作为待处理小程序的操作特征数据,操作特征数据可以理解为采用技术手段从外部获取到的除小程序内部配置的基础特征之外的使用特征,使用特征可以理解为待处理小程序使用过程中产生的特征数据如:页面位置、页面图像等等。此外,本说明书实施例中的原始特征数据、操作特征数据中的数据类型可以包括文本、图片、统计数据中的至少两种,即本说明书实施例中的特征数据是多模态特征,不只限定于文本特征,还可以是图片、统计数据、甚至视频、动画等。其中,原始特征数据和操作特征数据均可以包括文本、图片、统计数据中至少两种模态特征,或者,也可以原始特征数据中包含一种类型的特征数据如:文本特征数据,操作特征数据中包含另一种或另两种类型的特征数据如:图片和/或统计数据类型的特征数据,使得总的特征数据是多模态特征。
本说明书一些实施例中,所述采集所述待处理小程序的操作特征数据,可以包括:
模拟所述待处理小程序的使用过程,获取所述待处理小程序使用过程中的页面特征,将获取到的页面特征作为所述操作特征数据,所述页面特征包括:页面层级、文本位置、统一资源定位地址、所述统一资源定位地址的点击次数、页面图像特征中的至少一种。
在具体的实施过程中,可以获取待处理小程序的身份标识,通过身份标识打开并模拟待处理小程序的使用过程,获取待处理小程序使用过程中的页面特征如:对页面进行截图,获取页面图像特征、页面层级(是否是小程序首页)、文本位置如:通过OCR(OpticalCharacter Recognition,光学字符识别)技术定位当前页面的坐标等,还可以获取待处理小程序的URL(uniform resource locator)统一资源定位地址以及URL的点击次数等,根据实际需要还可以获取待处理小程序的其他特征数据,本说明书实施例不作具体限定。表1是本说明书一些实施例中设计的特征数据,如表1所示,本说明书实施例中使用的数据可以分为三类:基础特征、页面静态特征以及页面动态特征,其中,待处理小程序的原始特征数据一般属于小程序的基础特征,通过计算机网络技术如:爬虫技术等采集到的操作特征数据一般属于页面静态特征和页面动态特征,当然,原始特征数据中也可以有页面静态特征和页面动态特征,操作特征数据中也可以有基础特征,本说明书实施例不作具体限定。
表1:特征设计
本说明书实施例可以通过模拟小程序的使用过程,采集到小程序的使用特征,扩充了小程序的基础特征,为小程序子服务的识别奠定了丰富的数据基础。
步骤106、将所述原始特征数据、所述操作特征数据进行特征拼接,并基于拼接后的特征数据确定出所述待处理小程序的子服务识别结果。
在具体的实施过程中,采集到待处理小程序的原始特征数据和操作特征数据后,可以对原始特征数据和操作特征数据进行特征拼接,并基于拼接后的特征数据确定出待处理小程序的子服务识别结果。特征拼接可以理解为特征融合,即将提取的不同特征通过某种方法生成新的特征,使新特征能够更加有效,如:拼接后的特征更能够表征小程序的子服务属性。可以对原始特征数据和操作特征数据一起进行特征拼接,也可以将原始特征数据和操作特征数据分别进行特征拼接,本说明书实施例不限定特征拼接的具体方式。可以利用机器学习模型如:神经网络模型、分类器模型、逻辑回归模型等对对原始特征数据和操作特征数据进行特征拼接处理,并基于拼接后的特征对待处理小程序进行子服务识别,以确定出待处理小程序的子服务识别结果。待处理小程序的子服务识别结果可以包括待处理小程序是否存在子服务或小程序的子服务类型或小程序中存在子服务的概率等。
本说明书一些实施例中,所述待处理小程序的子服务识别结果可以包括:所述待处理小程序当前页面属于子服务的概率值。
在具体的实施过程中,一般的待处理小程序中操作特征数据中包含待处理小程序的页面特征,可以通过对待处理小程序的原始特征数据、操作特征数据的处理后,识别出操作特征数据中获取到的页面即当前页面是否属于一种小程序子服务的概率值。
确定出待处理小程序的子服务识别结果后,可以将该子服务识别结果提供给商家作为商家的提报参考,如:商家在入驻平台填写小程序的类目或命名时,可以更加细化,以使得用户可以直接感知到小程序的具体功能和服务。还可以基于确定出的子服务识别结果作为用户端搜索小程序的依据,以提高小程序搜索的准确性和用户对小程序搜索的满意度。
本说明书实施例提供的小程序子服务识别方法,通过获取小程序的原始特征数据,并采用计算机网络技术小程序使用过程中产生的操作特征数据,扩充了小程序的特征,并且,通过外部采集到的操作特征数据对小程序的使用过程进行内容理解,使得特征更加能够表征小程序的功能。同时,不限定特征的形式,可以为文本、图片、统计数据等多模态特征,为小程序子服务的识别提供了丰富的数据基础,更加准确的表征小程序的具体功能,提高了小程序子服务识别的准确性,进一步方便了的小程序的推广和使用。
在上述实施例的基础上,本说明书一些实施例中,所述将所述原始特征数据、所述操作特征数据进行特征拼接包括:
将所述原始特征数据、所述操作特征数据直接进行特征拼接。
在具体的实施过程中,图2是本说明书一个实施例中小程序子服务识别的原理示意图,图中的原始数据集即为本说明书实施例中的原始特征数据,外部特征数据集即为本说明书实施例中的操作特征数据,图中的Embedding(嵌入)可以理解为特征提取。本说明书一些实施例中,可以对原始特征数据和操作特征数据进行特征处理,并将获得的特征直接进行拼接。直接进行特征拼接可以理解为直接将原始特征数据中的特征与操作特征数据中的特征组合在一起,组成一个特征集合,没有进行数据的筛选或其他的处理,如:若原始特征数据中包括特征1、特征2、特征3,操作特征数据中包括特征4、特征5,则将原始特征数据中的特征与操作特征数据直接进行特征拼接,获得的拼接后的特征可以为集合{特征1,特征2,特征3,特征4,特征5}。如图2所示,可以对原始特征数据中的短文本等数据采用Bert(Bidirectional Encoder Representations from Transformers)技术进行特征提取,获得对应的Text Teature即文本特征,再将原始特征数据中的小程序类目特征、页面层级特征等与操作特征数据中的URL特征和文本位置特征等利用Concat函数进行直接拼接,Concat函数可以用于连接两个或多个数组。如图2所示,可以利用Softmax函数基于拼接后的特征数据,获得待处理小程序的子服务识别结果,如:利用Softmax函数确定出待处理小程序的当前页面属于小程序子服务的概率,Softmax函数可以用在机器学习模型中进行概率预测的方法。
需要说明的是,本说明书实施例图2-图5中所示的特征数据只是示意性的特征,根据实际需要进行小程序子服务识别使用的特征可以进行调整或增加,如:还可以使用文本所在ICON(图标)的图像特征、文本和小图标的位置、URL的点击次数,本说明书实施例对原始特征数据和操作特征数据的具体特征内容不作具体限定。
本说明书实施例可以将采集到的待处理小程序的原始特征数据和操作特征数据的特征直接进行拼接,数据处理效率快,可以提高小程序子服务识别的数据处理效率。
图3是本说明书一个实施例中小程序子服务识别的原理示意图,图中的原始数据集即为本说明书实施例中的原始特征数据,外部特征数据集即为本说明书实施例中的操作特征数据,图中的Embedding(嵌入)可以理解为特征提取。如图3所示,在上述实施例的基础上,本说明书一些实施例中,所述将所述原始特征数据、所述操作特征数据进行特征拼接包括:
将所述原始特征数据、所述操作特征数据利用注意力机制进行特征拼接
在具体的实施过程中,可以对原始特征数据和操作特征数据进行特征处理,并将获得的特征利用Attention即注意力机制进行特征拼接。如图3所示,可以对原始特征数据中的短文本等数据采用Bert技术进行特征提取,获得对应的文本特征,再将原始特征数据中的小程序类目特征、页面层级特征等与操作特征数据中的URL特征和文本位置特征等利用Attention机制进行特征拼接。Attention机制是模仿人类注意力而提出的一种解决问题的办法,可以从大量信息中快速筛选出高价值信息,可以利用Attention机制将原始特征数据和操作特征数据进行特征融合,筛选出高价值信息。如图3所示,可以利用Softmax函数基于拼接后的特征数据,获得待处理小程序的子服务识别结果,如:利用Softmax函数确定出待处理小程序的当前页面属于小程序子服务的概率。
本说明书实施例可以将采集到的待处理小程序的原始特征数据和操作特征数据的特征利用Attention机制进行融合,可以提高特征的丰富度和准确性,进一步提高小程序子服务器识别的准确性。
图4是本说明书一个实施例中小程序子服务识别的原理示意图,图中的原始数据集即为本说明书实施例中的原始特征数据,外部特征数据集即为本说明书实施例中的操作特征数据,图中的Embedding(嵌入)可以理解为特征提取。如图4所示,在上述实施例的基础上,本说明书一些实施例中,所述将所述原始特征数据、所述操作特征数据进行特征拼接包括:
将所述原始特征数据直接进行特征拼接,将所述操作特征数据利用交叉网络进行特征拼接;
所述基于拼接后的特征数据确定出所述待处理小程序的子服务识别结果,包括:
基于所述原始特征数据拼接后获得特征数据确定出所述待处理小程序的第一子服务识别结果;
基于所述操作特征数据拼接后获得特征数据确定出所述待处理小程序的第二子服务识别结果;
根据所述第一子服务识别结果和第二子服务识别结果确定出所述待处理小程序的子服务识别结果。
在具体的实施过程中,可以对原始特征数据和操作特征数据分别进行特征处理,如图4所示,可以将原始特征数据中的短文本等数据采用Bert技术进行特征提取,获得对应的文本特征,再将原始特征数据中的小程序类目特征、页面层级特征的多模态特征进行利用Concat函数进行特征直接拼接,将操作特征数据中的URL特征和文本位置等特征利用Cross网络即交叉网络进行特征拼接融合。再根据原始特征数据拼接获得的特征数据获得一个小程序子服务器识别结果,基于操作特征数据拼接获得的特征数据获得一个小程序子服务器识别结果,对两个结果进行投票综合获得待处理小程序的子服务识别结果。如图4所示,可以利用Softmax函数对原始特征数据直接拼接获得的特征进行小程序子服务的识别,获得待处理小程序的第一子服务识别结果,利用Softmax函数对操作特征数据基于Cross网络拼接获得的特征进行小程序子服务的识别,获得待处理小程序的第二子服务识别结果。在对第一子服务识别结果和第二子服务识别结果进行投票(如:加权平均),获得待处理小程序的子服务识别结果。其中,Cross网络主要是实现各个特征之间的交叉,并且随着层数的加深,特征交叉的程度会增大,通过网络的形式进行特征交叉可以提高特征的丰富度。
本说明书实施例对原始特征数据进行直接拼接,原始特征数据相对简单,通过直接拼接的方式可以提高数据的处理效率,再利用Cross网络对操作特征数据进行特征交叉融合,为小程序子服务的识别提供了丰富的数据基础。
图5是本说明书一个实施例中小程序子服务识别的原理示意图,图中的原始数据集即为本说明书实施例中的原始特征数据,外部特征数据集即为本说明书实施例中的操作特征数据,图中的Embedding(嵌入)可以理解为特征提取。如图5所示,在上述实施例的基础上,本说明书一些实施例中,所述将所述原始特征数据、所述操作特征数据进行特征拼接包括:
将所述原始特征数据利用注意力机制进行特征拼接,将所述操作特征数据利用交叉网络进行特征拼接;
所述基于拼接后的特征数据确定出所述待处理小程序的子服务识别结果,包括:
基于所述原始特征数据拼接后获得特征数据确定出所述待处理小程序的第三子服务识别结果;
基于所述操作特征数据拼接后获得特征数据确定出所述待处理小程序的第四子服务识别结果;
根据所述第三子服务识别结果和第四子服务识别结果确定出所述待处理小程序的子服务识别结果。
在具体的实施过程中,可以对原始特征数据和操作特征数据分别进行特征处理,如图5所示,可以将原始特征数据中的短文本等数据采用Bert技术进行特征提取,获得对应的文本特征,再将原始特征数据中的小程序类目特征、页面层级特征的多模态特征进行利用Attention机制进行特征拼接,再将操作特征数据中的URL特征和文本位置等特征利用Cross网络即交叉网络进行特征拼接融合。再根据原始特征数据拼接获得的特征数据获得一个小程序子服务识别结果,基于操作特征数据拼接获得的特征数据获得一个小程序子服务识别结果,对两个结果进行投票综合获得待处理小程序的子服务识别结果。如图5所示,可以利用Softmax函数对原始特征数据利用Attention机制进行特征拼接获得的特征进行小程序子服务的识别,获得待处理小程序的第三子服务识别结果,利用Softmax函数对操作特征数据基于Cross网络拼接获得的特征进行小程序子服务的识别,获得待处理小程序的第四子服务识别结果。在对第三子服务识别结果和第四子服务识别结果进行投票(如:加权平均),获得待处理小程序的子服务识别结果。
本说明书实施例中原始特征数据相对简单,通过Attention机制进行特征拼接的方式可以提高小程序基础特征的丰富度,再利用Cross网络对操作特征数据进行特征交叉融合,提升小程序页面特征、使用特征的丰富度。通过Attention机制和Cross网络的特征融合,为小程序子服务的识别提供了丰富的数据基础。
在上述实施例的基础上,本说明书一些实施例中,所述将所述原始特征数据、所述操作特征数据进行拼接,并基于拼接后的特征数据确定出所述待处理小程序的子服务识别结果,包括:
将所述原始特征数据、所述操作特征数据输入到构建的多模态子服务识别模型中,利用所述多模态子服务识别模型将所述原始特征数据、所述操作特征数据进行特征拼接,并利用所述多模态子服务识别模型基于拼接后的特征数据确定出所述待处理小程序的子服务识别结果。
在具体的实施过程中,可以利用历史数据进行模型训练,构建出能够用于识别小程序子服务的多模态子服务识别模型,多模态子服务识别模型的类型可以是神经网络模型、逻辑回归模型等等本说明书实施例不作具体限定。在对待处理小程序进行子服务识别时,可以将采集到的待处理小程序的原始特征数据、操作特征数据输入到建立的多模态子服务识别模型中,利用多模态子服务识别模型对原始特征数据、操作特征数据进行特征拼接,并基于拼接后的特征数据确定出待处理小程序的子服务识别结果。
本说明书一些实施例中,所述多模态子服务识别模型的构建方法包括:
获取多个历史小程序的原始特征数据、操作特征数据以及历史小程序的子服务结果;
建立所述多模态子服务识别模型,其中,所述多模态子服务识别模型包括模型特征参数和特征拼接方式;
将所述多个历史小程序的原始特征数据、操作特征数据作为所述多模态子服务识别模型的输入数据,将历史小程序的子服务结果作为所述多模态子服务识别模型的输出数据,利用所述特征拼接方式将所述多个历史小程序的原始特征数据、操作特征数据进行特征拼接,并进行模型训练,直至满足预设要求。
在具体的实施过程中,可以采集多个历史小程序的原始特征数据、操作特征数据,以及各个历史小程序对应的子服务结果,子服务结果可以指小程序对应的页面是否属于小程序子服务。设计多模态子服务识别模型的模型特征参数和特征拼接方式,其中,模型特征参数可以参考上述表1所示的特征进行设计,特征拼接方式可以包括直接拼接、采用Attention机制拼接或采用Cross网络拼接等。将采集到的多个历史小程序的历史小程序的原始特征数据、操作特征数据作为多模态子服务识别模型的输入数据,将历史小程序的子服务结果作为多模态子服务识别模型的输出数据,进行模型训练。在模型训练时,多模态服务识别模型采用设置的特征拼接方式对输入的特征数据进行特征拼接,并基于拼接后的特征数据进行子服务的识别,并将输入的历史小程序的子服务结果作为学习标签,进行模型的学习训练,直至模型满足预设要求,如:模型识别结果达到预设精度或模型训练次数达到预设次数等。
其中,本说明书实施例中多模态子服务识别模型的特征拼接方式的设计可以包括四种方案:
1、如图2所示,把原始特征数据没有的特征设置为default(默认)和操作特征数据直接进行拼接。
2、如图3所示,把原始特征数据没有的特征设置为default和操作特征数据用Attention机制拼接。
3、如图4所示,对原始特征数据和操作特征数据分别构建模型,其中,原始特征数据的多模态特征直接进行特征拼接,对操作特征数据用Cross网络进行特征拼接融合,获得两个模型如:第一多模态子服务识别子模型、第二多模态子服务识别子模型,最终基于两个模型输出的结果进行投票决定最终结果。
4、如图5所示,对原始特征数据和操作特征数据分别构建模型,其中,原始特征数据的多模态特征才用Attention机制拼接,对操作特征数据用Cross网络进行特征拼接融合,获得两个模型如:第三多模态子服务识别子模型、第四多模态子服务识别子模型,最终基于两个模型输出的结果进行投票决定最终结果。
此外,在进行模型训练时可以采用focal loss和数据增强的方法,以解决样本不平衡的问题。
本说明书实施例,引入多模态特征,使分类效果更好,避免了仅仅使用文本特征或小程序的名称识别小程序的功能或子服务导致小程序子服务识别准确性不高的问题,提升了小程序子服务识别的准确性,并且采用Attention和Cross网络对多模态特征进行融合,提升特征的丰富度,为小程序子服务识别奠定了丰富的数据基础。由于每个小程序的功能不同,而且排版格式各异,本说明书实施例对小程序里面的信息进行内容理解,通过多模态的机器学习识别出子服务,丰富小程序生态的服务颗粒度,增强小程序的竞争力。
本说明书中上述方法的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参考即可,每个实施例重点说明的都是与其他实施例的不同之处。相关之处参考方法实施例的部分说明即可。
基于上述所述的小程序子服务识别方法,本说明书一个或多个实施例还提供一种用于小程序子服务识别的装置。所述系统可以包括使用了本说明书实施例所述方法的装置(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思,本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似,因此本说明书实施例具体的装置的实施可以参考前述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
具体地,图6是本说明书提供的小程序子服务识别装置一个实施例的模块结构示意图,如图6所示,本说明书中提供的小程序子服务识别装置可以包括:
原始数据获取模块61,用于获取待处理小程序的原始特征数据,所述原始特征数据表征所述待处理小程序的基础特征;
操作数据获取模块62,用于采集所述待处理小程序的操作特征数据,所述操作特征数据表征所述待处理小程序的使用特征;其中,所述原始特征数据、所述操作特征数据中的数据类型包括文本、图片、统计数据中的至少两种;
识别模块63,用于将所述原始特征数据、所述操作特征数据进行特征拼接,并基于拼接后的特征数据确定出所述待处理小程序的子服务识别结果。
本说明书实施例提供的小程序子服务识别装置,通过获取小程序的原始特征数据,并采用计算机网络技术采集小程序使用过程中产生的操作特征数据,扩充了小程序的特征,并且,不限定特征的形式,可以为文本、图片、统计数据等多模态特征,为小程序子服务的识别提供了丰富的数据基础,更加准确的表征小程序的具体功能,提高了小程序子服务识别的准确性,进一步方便了的小程序的推广和使用。
需要说明的,上述所述的装置根据对应方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照上述对应的方法实施例的描述,在此不作一一赘述。
本说明书实施例还提供一种小程序子服务识别设备,包括:至少一个处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现上述实施例的小程序子服务识别方法,如:
获取待处理小程序的原始特征数据,所述原始特征数据表征所述待处理小程序的基础特征;
采集所述待处理小程序的操作特征数据,所述操作特征数据表征所述待处理小程序的使用特征;其中,所述原始特征数据、所述操作特征数据中的数据类型包括文本、图片、统计数据中的至少两种;
将所述原始特征数据、所述操作特征数据进行特征拼接,并基于拼接后的特征数据确定出所述待处理小程序的子服务识别结果。
需要说明的,上述所述的设备根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
本说明书提供的小程序子服务识别装置,也可以应用在多种数据分析处理系统中。所述系统或服务器或终端或设备可以为单独的服务器,也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例系统或服务器或终端或设备的服务器集群、系统(包括分布式系统)、软件(应用)、实际操作装置、逻辑门电路装置、量子计算机等并结合必要的实施硬件的终端装置。所述核对差异数据的检测系统可以包括至少一个处理器以及存储计算机可执行指令的存储器,所述处理器执行所述指令时实现上述任意一个或者多个实施例中所述方法的步骤。
本说明书实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图7是本说明书一个实施例中小程序子服务识别服务器的硬件结构框图,该计算机终端可以是上述实施例中的小程序子服务识别服务器或小程序子服务识别装置。如图7所示服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的非易失性存储器200、以及用于通信功能的传输模块300。本领域普通技术人员可以理解,图7所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器10还可包括比图7中所示更多或者更少的组件,例如还可以包括其他的处理硬件,如数据库或多级缓存、GPU,或者具有与图7所示不同的配置。
非易失性存储器200可用于存储应用软件的软件程序以及模块,如本说明书实施例中的小程序子服务识别方法对应的程序指令/模块,处理器100通过运行存储在非易失性存储器200内的软件程序以及模块,从而执行各种功能应用以及资源数据更新。非易失性存储器200可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,非易失性存储器200可进一步包括相对于处理器100远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局与网、移动通信网及其组合。
传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中,传输模块300包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输模块300可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上,所述的存储介质可以计算机读取并执行,实现本说明书实施例所描述方案的效果,如:
获取待处理小程序的原始特征数据,所述原始特征数据表征所述待处理小程序的基础特征;
采集所述待处理小程序的操作特征数据,所述操作特征数据表征所述待处理小程序的使用特征;其中,所述原始特征数据、所述操作特征数据中的数据类型包括文本、图片、统计数据中的至少两种;
将所述原始特征数据、所述操作特征数据进行特征拼接,并基于拼接后的特征数据确定出所述待处理小程序的子服务识别结果。
所述存储介质可以包括用于存储信息的物理装置,通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括:利用电能方式存储信息的装置如,各式存储器,如RAM、ROM等;利用磁能方式存储信息的装置如,硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘;利用光学方式存储信息的装置如,CD或DVD。当然,还有其他方式的可读存储介质,例如量子存储器、石墨烯存储器等等。
本说明书实施例提供的上述小程序子服务识别方法或装置可以在计算机中由处理器执行相应的程序指令来实现,如使用windows操作系统的c++语言在PC端实现、linux系统实现,或其他例如使用android、iOS系统程序设计语言在智能终端实现,以及基于量子计算机的处理逻辑实现等。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参考即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参考方法实施例的部分说明即可。
本说明书实施例并不局限于必须是符合行业通信标准、标准计算机资源数据更新和数据存储规则或本说明书一个或多个实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例,仍然可以属于本说明书实施例的可选实施方案范围之内。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
虽然本说明书一个或多个实施例提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或终端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式资源数据更新环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本发明是参照根据本发明实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程资源数据更新设备的处理器以产生一个机器,使得通过计算机或其他可编程资源数据更新设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程资源数据更新设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程资源数据更新设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储、石墨烯存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本本说明书一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参考即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参考方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书一个或多个实施例的实施例而已,并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说,本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在权利要求范围之内。
Claims (12)
1.一种小程序子服务识别方法,所述方法包括:
获取待处理小程序的原始特征数据,所述原始特征数据表征所述待处理小程序的基础特征;
采集所述待处理小程序的操作特征数据,所述操作特征数据表征所述待处理小程序的使用特征;其中,所述原始特征数据、所述操作特征数据中的数据类型包括文本、图片、统计数据中的至少两种;
将所述原始特征数据、所述操作特征数据进行特征拼接,并基于拼接后的特征数据确定出所述待处理小程序的子服务识别结果。
2.如权利要求1所述的方法,所述采集所述待处理小程序的操作特征数据,包括:
模拟所述待处理小程序的使用过程,获取所述待处理小程序使用过程中的页面特征,将获取到的页面特征作为所述操作特征数据,所述页面特征包括:页面层级、文本位置、统一资源定位地址、所述统一资源定位地址的点击次数、页面图像特征中的至少一种。
3.如权利要求1所述的方法,所述将所述原始特征数据、所述操作特征数据进行特征拼接包括:
将所述原始特征数据、所述操作特征数据直接进行特征拼接。
4.如权利要求1所述的方法,所述将所述原始特征数据、所述操作特征数据进行特征拼接包括:
将所述原始特征数据、所述操作特征数据利用注意力机制进行特征拼接。
5.如权利要求1所述的方法,所述将所述原始特征数据、所述操作特征数据进行特征拼接包括:
将所述原始特征数据直接进行特征拼接,将所述操作特征数据利用交叉网络进行特征拼接;
所述基于拼接后的特征数据确定出所述待处理小程序的子服务识别结果,包括:
基于所述原始特征数据拼接后获得特征数据确定出所述待处理小程序的第一子服务识别结果;
基于所述操作特征数据拼接后获得特征数据确定出所述待处理小程序的第二子服务识别结果;
根据所述第一子服务识别结果和第二子服务识别结果确定出所述待处理小程序的子服务识别结果。
6.如权利要求1所述的方法,所述将所述原始特征数据、所述操作特征数据进行特征拼接包括:
将所述原始特征数据利用注意力机制进行特征拼接,将所述操作特征数据利用交叉网络进行特征拼接;
所述基于拼接后的特征数据确定出所述待处理小程序的子服务识别结果,包括:
基于所述原始特征数据拼接后获得特征数据确定出所述待处理小程序的第三子服务识别结果;
基于所述操作特征数据拼接后获得特征数据确定出所述待处理小程序的第四子服务识别结果;
根据所述第三子服务识别结果和第四子服务识别结果确定出所述待处理小程序的子服务识别结果。
7.如权利要求1所述的方法,所述将所述原始特征数据、所述操作特征数据进行拼接,并基于拼接后的特征数据确定出所述待处理小程序的子服务识别结果,包括:
将所述原始特征数据、所述操作特征数据输入到构建的多模态子服务识别模型中,利用所述多模态子服务识别模型将所述原始特征数据、所述操作特征数据进行特征拼接,并利用所述多模态子服务识别模型基于拼接后的特征数据确定出所述待处理小程序的子服务识别结果。
8.如权利要求7所述的方法,所述多模态子服务识别模型的构建方法包括:
获取多个历史小程序的原始特征数据、操作特征数据以及历史小程序的子服务结果;
建立所述多模态子服务识别模型,其中,所述多模态子服务识别模型包括模型特征参数和特征拼接方式;
将所述多个历史小程序的原始特征数据、操作特征数据作为所述多模态子服务识别模型的输入数据,将历史小程序的子服务结果作为所述多模态子服务识别模型的输出数据,利用所述特征拼接方式将所述多个历史小程序的原始特征数据、操作特征数据进行特征拼接,并进行模型训练,直至满足预设要求。
9.如权利要求1所述的方法,所述待处理小程序的子服务识别结果包括:
所述待处理小程序当前页面属于子服务的概率值。
10.一种小程序子服务识别装置,包括:
原始数据获取模块,用于获取待处理小程序的原始特征数据,所述原始特征数据表征所述待处理小程序的基础特征;
操作数据获取模块,用于采集所述待处理小程序的操作特征数据,所述操作特征数据表征所述待处理小程序的使用特征;其中,所述原始特征数据、所述操作特征数据中的数据类型包括文本、图片、统计数据中的至少两种;
识别模块,用于将所述原始特征数据、所述操作特征数据进行特征拼接,并基于拼接后的特征数据确定出所述待处理小程序的子服务识别结果。
11.一种小程序子服务识别设备,包括:至少一个处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现权利要求1-9任一项所述的方法。
12.一种计算机可读存储介质,其上存储有计算机指令,所述指令被执行时实现权利要求1-9任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011162237.1A CN112307371B (zh) | 2020-10-27 | 2020-10-27 | 小程序子服务识别方法、装置、设备及存储介质 |
CN202410264455.8A CN118152680A (zh) | 2020-10-27 | 2020-10-27 | 小程序子服务识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011162237.1A CN112307371B (zh) | 2020-10-27 | 2020-10-27 | 小程序子服务识别方法、装置、设备及存储介质 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410264455.8A Division CN118152680A (zh) | 2020-10-27 | 2020-10-27 | 小程序子服务识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112307371A true CN112307371A (zh) | 2021-02-02 |
CN112307371B CN112307371B (zh) | 2024-03-22 |
Family
ID=74330858
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011162237.1A Active CN112307371B (zh) | 2020-10-27 | 2020-10-27 | 小程序子服务识别方法、装置、设备及存储介质 |
CN202410264455.8A Pending CN118152680A (zh) | 2020-10-27 | 2020-10-27 | 小程序子服务识别方法、装置、设备及存储介质 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410264455.8A Pending CN118152680A (zh) | 2020-10-27 | 2020-10-27 | 小程序子服务识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN112307371B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113434063A (zh) * | 2021-07-01 | 2021-09-24 | 支付宝(杭州)信息技术有限公司 | 一种信息显示方法、装置及设备 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070165904A1 (en) * | 2005-08-23 | 2007-07-19 | Nudd Geoffrey H | System and Method for Using Individualized Mixed Document |
US20100153867A1 (en) * | 2008-12-17 | 2010-06-17 | Michael Scott | Method and system for social networking, advertisement, distributing consumer behavior tracking devices, and harvesting consumer behavior data |
US20100287256A1 (en) * | 2009-05-05 | 2010-11-11 | Nokia Corporation | Method and apparatus for providing social networking content |
US20140019611A1 (en) * | 2012-07-11 | 2014-01-16 | Ca, Inc. | Determining service dependencies for configuration items |
CN103999475A (zh) * | 2011-10-12 | 2014-08-20 | Nds有限公司 | 远程用户界面 |
US20150199311A1 (en) * | 2014-01-13 | 2015-07-16 | Digital River, Inc. | Extensibility framework system and method |
CN110162776A (zh) * | 2019-03-26 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 交互消息处理方法、装置、计算机设备和存储介质 |
CN110275736A (zh) * | 2019-06-25 | 2019-09-24 | 北京字节跳动网络技术有限公司 | 获取应用程序的运行数据方法、装置、设备及可读介质 |
CN110399721A (zh) * | 2018-12-28 | 2019-11-01 | 腾讯科技(深圳)有限公司 | 一种软件识别方法和服务器以及客户端 |
CN110598046A (zh) * | 2019-09-17 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 一种基于人工智能的标题党识别方法和相关装置 |
CN110879988A (zh) * | 2019-11-22 | 2020-03-13 | 安徽小眯当家信息技术有限公司 | 一种信息合规检测的方法、客户端、装置、服务器及计算机可读介质 |
CN111400705A (zh) * | 2020-03-04 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 一种应用程序的检测方法、装置及设备 |
CN111580879A (zh) * | 2020-04-30 | 2020-08-25 | 北京字节跳动网络技术有限公司 | 小程序的运行方法、装置、电子设备及计算机存储介质 |
CN111782300A (zh) * | 2020-07-08 | 2020-10-16 | 支付宝(杭州)信息技术有限公司 | 一种数据处理方法、装置、设备及系统 |
-
2020
- 2020-10-27 CN CN202011162237.1A patent/CN112307371B/zh active Active
- 2020-10-27 CN CN202410264455.8A patent/CN118152680A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070165904A1 (en) * | 2005-08-23 | 2007-07-19 | Nudd Geoffrey H | System and Method for Using Individualized Mixed Document |
US20100153867A1 (en) * | 2008-12-17 | 2010-06-17 | Michael Scott | Method and system for social networking, advertisement, distributing consumer behavior tracking devices, and harvesting consumer behavior data |
US20100287256A1 (en) * | 2009-05-05 | 2010-11-11 | Nokia Corporation | Method and apparatus for providing social networking content |
CN103999475A (zh) * | 2011-10-12 | 2014-08-20 | Nds有限公司 | 远程用户界面 |
US20140019611A1 (en) * | 2012-07-11 | 2014-01-16 | Ca, Inc. | Determining service dependencies for configuration items |
US20150199311A1 (en) * | 2014-01-13 | 2015-07-16 | Digital River, Inc. | Extensibility framework system and method |
CN110399721A (zh) * | 2018-12-28 | 2019-11-01 | 腾讯科技(深圳)有限公司 | 一种软件识别方法和服务器以及客户端 |
CN110162776A (zh) * | 2019-03-26 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 交互消息处理方法、装置、计算机设备和存储介质 |
CN110275736A (zh) * | 2019-06-25 | 2019-09-24 | 北京字节跳动网络技术有限公司 | 获取应用程序的运行数据方法、装置、设备及可读介质 |
CN110598046A (zh) * | 2019-09-17 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 一种基于人工智能的标题党识别方法和相关装置 |
CN110879988A (zh) * | 2019-11-22 | 2020-03-13 | 安徽小眯当家信息技术有限公司 | 一种信息合规检测的方法、客户端、装置、服务器及计算机可读介质 |
CN111400705A (zh) * | 2020-03-04 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 一种应用程序的检测方法、装置及设备 |
CN111580879A (zh) * | 2020-04-30 | 2020-08-25 | 北京字节跳动网络技术有限公司 | 小程序的运行方法、装置、电子设备及计算机存储介质 |
CN111782300A (zh) * | 2020-07-08 | 2020-10-16 | 支付宝(杭州)信息技术有限公司 | 一种数据处理方法、装置、设备及系统 |
Non-Patent Citations (1)
Title |
---|
刘菁菁;吴晓峰;: "基于长短时记忆网络的多模态情感识别和空间标注", 复旦学报(自然科学版), no. 05 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113434063A (zh) * | 2021-07-01 | 2021-09-24 | 支付宝(杭州)信息技术有限公司 | 一种信息显示方法、装置及设备 |
CN113434063B (zh) * | 2021-07-01 | 2023-06-20 | 支付宝(杭州)信息技术有限公司 | 一种信息显示方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN118152680A (zh) | 2024-06-07 |
CN112307371B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569428B (zh) | 一种推荐模型的构建方法、装置及设备 | |
CN111930809A (zh) | 数据处理方法、装置及设备 | |
CN110717536A (zh) | 一种生成训练样本的方法及装置 | |
US20170116521A1 (en) | Tag processing method and device | |
CN110569429B (zh) | 一种内容选择模型的生成方法、装置和设备 | |
CN110674188A (zh) | 一种特征提取方法、装置及设备 | |
CN111563218B (zh) | 一种页面的修复方法及装置 | |
CN113408254A (zh) | 一种页面表单信息填写方法、装置、设备和可读介质 | |
CN111488510B (zh) | 小程序相关词的确定方法、装置、处理设备及搜索系统 | |
CN111666100A (zh) | 软件框架生成方法、装置、电子设备及存储介质 | |
CN114331602A (zh) | 一种基于迁移学习的模型训练方法、信息推荐方法及装置 | |
CN112307371A (zh) | 小程序子服务识别方法、装置、设备及存储介质 | |
CN111259975B (zh) | 分类器的生成方法及装置、文本的分类方法及装置 | |
CN116186330B (zh) | 一种基于多模态学习的视频去重方法及装置 | |
CN117421214A (zh) | 批量造数方法、装置、电子设备及计算机可读存储介质 | |
CN114840743B (zh) | 一种模型推荐方法、装置、电子设备及可读存储介质 | |
CN115689676A (zh) | 一种行业识别的方法、装置、存储介质及电子设备 | |
CN115017915A (zh) | 一种模型训练、任务执行的方法及装置 | |
CN114492584A (zh) | 一种针对安卓中文应用市场的自动内容分级方法 | |
CN113344590A (zh) | 一种模型训练以及投诉率预估的方法及装置 | |
CN113688916A (zh) | 一种特征数据处理方法及装置 | |
CN110704742A (zh) | 一种特征提取方法及装置 | |
CN109325239A (zh) | 学生课堂表现管理方法及系统 | |
CN111680203B (zh) | 数据采集方法、装置和电子设备 | |
CN111723567A (zh) | 文本选择数据处理方法、装置及设备 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40045455 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |