CN112330059A - 用于生成预测分数的方法、装置、电子设备和介质 - Google Patents
用于生成预测分数的方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN112330059A CN112330059A CN202011331098.0A CN202011331098A CN112330059A CN 112330059 A CN112330059 A CN 112330059A CN 202011331098 A CN202011331098 A CN 202011331098A CN 112330059 A CN112330059 A CN 112330059A
- Authority
- CN
- China
- Prior art keywords
- characteristic information
- target
- prediction
- target user
- information
- 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
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Finance (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- User Interface Of Digital Computer (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本公开的实施例公开了用于生成预测分数的方法、装置、电子设备和介质。该方法的一具体实施方式包括:根据点击流数据,获取目标用户执行第一价值转移操作的目标物品的第一特征信息;获取目标用户的第二特征信息、目标用户的第三特征信息、目标物品的第四特征信息、目标物品的第五特征信息;对第二特征信息、第三特征信息、第四特征信息、第五特征信息和第一特征信息依照预定方式进行拼接,得到预测样本;将预测样本输入至预先训练的分数在线预测网络,得到预测分数。该实施方式利用目标用户的各个特征信息和目标物品的各个特征信息,结合分数在线预测网络,可以更为准确、高效的预测出目标用户对目标物体执行第二价值转移操作的概率。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于生成预测分数的方法、装置、电子设备和计算机可读介质。
背景技术
在目标用户对目标物品执行价值相关操作的过程中,目标用户常常为了不错失喜欢的目标物品,往往会对该目标物品执行第一价值转移操作。这种用户行为预示着目标用户长期内对该目标物品或与该目标物品对应的店铺的物品有较强的支付意愿。通常采用的方式为:根据海量历史数据利用模型生成预测分数或根据实时计算框架的规则算法生成预测分数。
然而,当采用上述方式来生成预测分数,经常会存在如下技术问题:根据海量历史大数据利用模型生成预测分数。模型复杂,很难适应实时用户画像的响应需求,并不能有效的诠释用户的实时行为,导致模型的预测效果有限。根据实时计算框架的规则算法生成预测分数。模型较为简单,可用特征较少,精度较低,用户画像预测结果不够理想。
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用于生成预测分数的方法、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用于生成预测分数的方法,包括:根据点击流数据,获取目标用户执行第一价值转移操作的目标物品的第一特征信息;获取上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息、上述目标物品的第五特征信息;对上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息、上述目标物品的第五特征信息和上述第一特征信息依照预定方式进行拼接,得到预测样本;将上述预测样本输入至预先训练的分数在线预测网络,得到预测分数,其中,上述预测分数表征上述目标用户在预定时间内对上述目标物品执行第二价值转移操作的概率。
可选的,上述方法还包括:对上述预测样本进行标注,得到标注后的预测样本;根据上述标注后的预测样本,对上述分数在线预测网络进行训练,得到训练后的分数在线预测网络;将上述训练后的分数在线预测网络中的参数进行存储。
可选的,上述方法还包括:对存储在目标存储系统的上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息和上述目标物品的第五特征信息进行更新。
可选的,其中,上述对存储在目标存储系统的上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息和上述目标物品的第五特征信息进行更新,包括:根据上述点击数据流,积累预定数目的预测样本,得到预测样本集;根据上述预测样本集中各个预测样本的特征信息,对存储在上述目标存储系统的上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息和上述目标物品的第五特征信息进行更新。
可选的,上述根据点击流数据,获取目标用户执行第一价值转移操作的目标物品的第一特征信息,包括:从上述点击流数据中解析出上述目标用户执行第一价值转移操作的上述目标物品的时间信息和标识信息;将上述时间信息和上述标识信息作为请求,利用物品特征服务,请求相关存储系统以获取上述第一特征信息,其中,上述物品特征服务为远程过程调用服务。
可选的,上述对上述预测样本进行标注,得到标注后的预测样本,包括:对上述预测样本进行数据处理,得到处理后的预测样本;将上述处理后的预测样本传入至存在时间限制的窗口函数;响应于检测到上述目标用户完成对上述目标物品执行的第二价值转移操作,从上述点击流数据中解析与上述目标物品相关的、上述目标用户的订单信息;响应于上述订单信息传入至上述窗口函数,确定上述窗口函数中所剩余时间;响应于上述所剩余时间小于预先设定的阈值,将上述预测样本标注为正样本。
可选的,上述对上述预测样本进行数据处理,得到处理后的预测样本,包括:对上述预测样本进行缺省处理,得到缺省处理后的预测样本;对上述缺省处理后的预测样本进行样本压缩,得到压缩后的预测样本作为上述处理后的预测样本。
可选的,上述目标用户的第二特征信息和上述目标物品的第四特征信息是通过以下步骤存储的:根据预先建立的物品表,对上述目标用户的历史点击信息序列进行特征提取,得到上述目标用户的第二特征信息和上述目标物品的第四特征信息;将上述目标用户的第二特征信息和上述目标物品的第四特征信息在上述目标存储系统中存储。
可选的,上述目标用户的第三特征信息和上述目标物品的第五特征信息是通过以下步骤存储的:利用上述物品特征服务,对上述点击流数据进行特征提取,得到上述目标用户的第三特征信息和上述目标物品的第五特征信息;将上述目标用户的第三特征信息和上述目标物品的第五特征信息在上述目标存储系统中存储。
第二方面,本公开的一些实施例提供了一种用于生成预测分数的装置,包括:第一获取单元,被配置成根据点击流数据,获取目标用户执行第一价值转移操作的目标物品的第一特征信息;第二获取单元,被配置成获取上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息、上述目标物品的第五特征信息;拼接单元,被配置成对上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息、上述目标物品的第五特征信息和上述第一特征信息依照预定方式进行拼接,得到预测样本;生成单元,被配置成将上述预测样本输入至预先训练的分数在线预测网络,得到预测分数,其中,上述预测分数表征上述目标用户在预定时间内对上述目标物品执行第二价值转移操作的概率。
可选的,上述装置还包括:对上述预测样本进行标注,得到标注后的预测样本;根据上述标注后的预测样本,对上述分数在线预测网络进行训练,得到训练后的分数在线预测网络;将上述训练后的分数在线预测网络中的参数进行存储。
可选的,上述装置还包括:对存储在目标存储系统的上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息和上述目标物品的第五特征信息进行更新。
可选的,上述装置还包括:根据上述点击数据流,积累预定数目的预测样本,得到预测样本集;根据上述预测样本集中各个预测样本的特征信息,对存储在上述目标存储系统的上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息和上述目标物品的第五特征信息进行更新。
可选的,第一获取单元被配置成:从上述点击流数据中解析出上述目标用户执行第一价值转移操作的上述目标物品的时间信息和标识信息;将上述时间信息和上述标识信息作为请求,利用物品特征服务,请求相关存储系统以获取上述第一特征信息,其中,上述物品特征服务为远程过程调用服务。
可选的,上述装置还包括:对上述预测样本进行数据处理,得到处理后的预测样本;将上述处理后的预测样本传入至存在时间限制的窗口函数;响应于检测到上述目标用户完成对上述目标物品执行的第二价值转移操作,从上述点击流数据中解析与上述目标物品相关的、上述目标用户的订单信息;响应于上述订单信息传入至上述窗口函数,确定上述窗口函数中所剩余时间;响应于上述所剩余时间小于预先设定的阈值,将上述预测样本标注为正样本。
可选的,上述装置还包括:对上述预测样本进行缺省处理,得到缺省处理后的预测样本;对上述缺省处理后的预测样本进行样本压缩,得到压缩后的预测样本作为上述处理后的预测样本。
可选的,上述目标用户的第二特征信息和上述目标物品的第四特征信息是通过以下步骤存储的:根据预先建立的物品表,对上述目标用户的历史点击信息序列进行特征提取,得到上述目标用户的第二特征信息和上述目标物品的第四特征信息;将上述目标用户的第二特征信息和上述目标物品的第四特征信息在上述目标存储系统中存储。
可选的,上述目标用户的第三特征信息和上述目标物品的第五特征信息是通过以下步骤存储的:利用上述物品特征服务,对上述点击流数据进行特征提取,得到上述目标用户的第三特征信息和上述目标物品的第五特征信息;将上述目标用户的第三特征信息和上述目标物品的第五特征信息在上述目标存储系统中存储。
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如第一方面中任一实现方式描述的方法。
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如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的用于生成预测分数的方法可以利用目标用户的各个特征信息和目标物品的各个特征信息,结合分数在线预测网络,可以更为准确、高效的预测出目标用户对目标物体执行第二价值转移操作的概率。具体来说,发明人发现,根据海量历史数据利用模型生成预测分数。模型复杂,计算资源要求高,计算时间较长,很难适应实时画像的响应需求,并不能有效的诠释用户的实时行为,导致模型的预测效果有限。根据实时计算框架的规则算法生成预测分数。模型较为简单,可用特征较少,精度较低,画像预测结果不够理想。基于此,本公开的一些实施例的用于生成预测分数的方法可以通过对获取的目标物品的第一特征信息、目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息、上述目标物品的第五特征信息之间进行拼接,得到的预测样本包括与目标用户相关的各个方面的、更为全面的特征信息。然后,通过预先训练的分数在线预测网络,实时的生成对应的预测分数。这样生成预测分数的方法解决了离线历史数据中预测很难适应实时用户画像的响应需求,并不能有效的诠释用户的实时行为的问题,还解决了实时数据预测中可用特征较少,精度较低,用户画像预测结果不够理想的问题。
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,原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用于生成预测分数的方法的一个应用场景的示意图;
图2是根据本公开的用于生成预测分数的方法的一些实施例的流程图;
图3是根据本公开的用于生成预测分数的方法的另一些实施例的流程图;
图4是根据本公开的用于生成预测分数的方法的又一些实施例的流程图;
图5是根据本公开的用于生成预测分数的装置的一些实施例的结构示意图;
图6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用于生成预测分数的方法的一个应用场景的示意图。
在图1的应用场景中,首先,电子设备101可以根据点击流数据,获取目标用户102执行第一价值转移操作的目标物品103的第一特征信息104。在本应用场景中,上述目标物品103可以是目标书。上述第一特征信息104可以是“目标书标识信息:0231,目标书收藏时间:2023/02/03,目标书对应店铺:七月书店”。然后,获取上述目标用户102的第二特征信息105、上述目标用户102的第三特征信息106、上述目标物品103的第四特征信息107、上述目标物品103的第五特征信息108。在本应用场景中,上述第二特征信息105可以是:“1天内的点击信息:3次,3天内的点击信息:4次,7天内的点击信息:14次,15天内的点击信息:24次,30天内的点击信息:54次”。第三特征信息106可以是:“1h内的点击信息:0次,6h内的点击信息:0次,24h内的点击信息:3次”。第四特征信息107可以是:“1天内的点击信息:34次,3天内的点击信息:123次,7天内的点击信息:543次,15天内的点击信息:2311次,30天内的点击信息:6656次”。第五特征信息108可以是“1h内的点击信息:5次,6h内的点击信息:19次,24h内的点击信息:34次”。进而,对上述目标用户102的第二特征信息105、上述目标用户102的第三特征信息106、上述目标物品102的第四特征信息107、上述目标物品102的第五特征信息108和上述第一特征信息104依照预定方式进行拼接,得到预测样本109。最后,将上述预测样本109输入至预先训练的分数在线预测网络110,得到预测分数111,其中,上述预测分数111表征上述目标用户102在预定时间内对上述目标物品103执行第二价值转移操作的概率。在本应用场景中,上述预测分数111可以是“80”。
需要说明的是,上述电子设备101可以是硬件,也可以是软件。当电子设备为硬件时,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。当电子设备体现为软件时,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中的电子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电子设备。
继续参考图2,示出了根据本公开的用于生成预测分数的方法的一些实施例的流程200。该用于生成预测分数的方法,包括以下步骤:
步骤201,根据点击流数据,获取目标用户执行第一价值转移操作的目标物品的第一特征信息。
在一些实施例中,用于生成预测分数的方法的执行主体(例如图1所示的电子设备)可以根据点击流数据,通过有线连接方式或者无线连接方式获取目标用户执行第一价值转移操作的目标物品的第一特征信息。其中,将目标用户对目标网站或目标应用的每一次点击都记录在相关服务器的日志中,以此可以得到点击流数据。上述第一价值转移操作可以是上述目标用户对上述目标物品进行收藏操作。上述第一特征信息可以是目标用户对目标物品执行第一价值转移操作时,所记录的一些特征信息。作为示例,上述第一特征信息可以包括但不限于以下至少一项:对上述目标物品进行第一价值转移操作时的时间信息,上述目标物品的标识信息,上述目标物品所属店铺信息,上述目标物品的类目信息,上述目标物品的价格信息,上述目标物品的标准化产品单元(SPU,Standard Product Unit)信息。上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
作为示例,可以通过相关人员人工收集的方式来根据点击流数据,获取目标用户执行第一价值转移操作的目标物品的第一特征信息。
在一些实施例的一些可选的实现方式中,上述根据点击流数据,获取目标用户执行第一价值转移操作的目标物品的第一特征信息可以包括以下步骤:
第一步,从上述点击流数据中解析出上述目标用户执行第一价值转移操作的上述目标物品的时间信息和标识信息。其中,上述时间信息可以是上述目标用户对上述目标物体执行第一价值转移操作时的时间。上述标识信息可以是目标物品的编号信息。
第二步,将上述时间信息和上述标识信息作为请求,利用物品特征服务,请求相关存储系统以获取上述第一特征信息。其中,上述物品特征服务为远程过程调用服务。其中,上述相关存储系统可以是kafka分布式消息系统。上述kafka分布式消息系统可以为第一特征信息的提供持久化。需要说明的是,上述步骤是根据流式大数据处理框架flink方法来获取的。
需要进一步说明的是,上述kafka分布式消息系统中的各个物品的上述第一特征信息大多可以是对各个物品的存储渠道入口进行单独独热编码而得到的。
步骤202,获取上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息、上述目标物品的第五特征信息。
在一些实施例中,上述执行主体可以获取上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息、上述目标物品的第五特征信息。其中,在上述目标用户对上述目标物品执行第三价值转移操作的条件下,上述目标用户的第二特征信息可以包括但不限于以下至少一项:上述目标用户在各个预定天数内的点击信息,上述目标用户在各个预定天数内执行第二价值转移操作的次数信息,上述目标用户在各个预定天数内执行第一价值转移操作的次数信息,上述目标用户在各个预定天数内执行第三价值转移操作的次数信息,上述目标用户对目标物品的品牌的偏好信息,上述目标用户对上述目标物品的店铺的偏好信息,上述目标用户在各个预定时间段的自身特征信息。作为示例,上述第三价值转移操作可以是将物品加入至购物车。上述各个预定天数内可以包括:过去1天内、过去3天内、过去7天内、过去15天内、过去30天内。上述目标用户在各个预定预定天数内的点击信息可以是上述目标用户在各个预定天数内在目标页面或目标应用点击上述各个物品对应图像的次数。上述自身特征信息可以包括但不限于以下至少一项:用户的性别,用户的年龄,用户对物品执行第四价值转移操作的分数信息。例如,上述第四价值转移操作可以是购买物品。上述分数信息表征着用户喜欢购买物品的程度信息。在上述目标用户对目标物品执行第三价值转移操作的条件下,上述目标用户的第三特征信息可以包括但不限于以下至少一项:目标用户在各个预定小时内的点击信息,目标用户在各个预定小时内执行第二价值转移操作的次数信息,目标用户在各个预定天数内执行第一价值转移操作的次数信息,目标用户在各个预定小时内执行第三价值转移相关操作的次数信息,目标用户在各个预定小时内点击各个物品对应店铺的次数信息,目标用户在各个预定小时内点击各个物品对应品牌的次数信息,目标用户在各个预定小时内点击各个物品对应品类的次数信息。其中,上述各个预定小时内可以包括:过去1小时内、过去6小时内、过去24小时内。上述目标物品的第四特征信息可以包括但不限于以下至少一项:上述目标物体对应的店铺,品牌和品类在上述各个预定天数内的点击信息,上述目标物体对应的店铺,品牌和品类在各个预定天数内的已进行第二价值转移操作的次数信息,上述目标物体对应的店铺,品牌和品类在各个预定天数内的已进行第一价值转移操作的次数信息,上述目标物体对应的店铺,品牌和品类在各个预定天数内的已进行第三价值转移操作的次数信息,上述目标物品在对应的店铺,品牌和品类上的好评信息。上述目标物品的第五特征信息可以包括但不限于以下至少一项:上述目标物体对应的店铺,品牌和品类在上述各个预定小时内的点击信息,上述目标物体对应的店铺,品牌和品类在各个预定小时内的已进行第二价值转移操作的次数信息,上述目标物体对应的店铺,品牌和品类在各个预定小时内的已进行第一价值转移操作的次数信息,上述目标物体对应的店铺,品牌和品类在各个预定小时内的已进行第三价值转移操作的次数信息。
需要说明的是,上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息、上述目标物品的第五特征信息中的部分数值类特征信息需要进行截断处理和分箱处理。
在一些实施例的一些可选的实现方式中,上述目标用户的第二特征信息和上述目标物品的第四特征信息是通过以下步骤存储的:
第一步,根据预先建立的物品表,对上述目标用户的历史点击信息序列进行特征提取,得到上述目标用户的第二特征信息和上述目标物品的第四特征信息。作为示例,根据预先建立的物品表,通过数据仓库工具Hive对上述目标用户的历史点击信息序列进行特征提取,得到上述目标用户的第二特征信息和上述目标物品的第四特征信息。
第二步,将上述目标用户的第二特征信息和上述目标物品的第四特征信息在上述目标存储系统中存储。其中,上述目标存储系统可以是远程字典服务(Remote DictionaryServer,Redis)。Redis是一个开源的使用ANSI C语言编写、支持网络、可基于内存亦可持久化的日志型、Key-Value数据库。
在一些实施例的一些可选的实现方式中,上述目标用户的第三特征信息和上述目标物品的第五特征信息是通过以下步骤存储的:
第一步,利用上述物品特征服务,对上述点击流数据进行特征提取,得到上述目标用户的第三特征信息和上述目标物品的第五特征信息。作为示例,利用上述物品特征服务,通过flink对上述点击流数据进行特征提取,得到上述目标用户的第三特征信息和上述目标物品的第五特征信息。
第二步,将上述目标用户的第三特征信息和上述目标物品的第五特征信息在上述目标存储系统中存储。
步骤203,对上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息、上述目标物品的第五特征信息和上述第一特征信息依照预定方式进行拼接,得到预测样本。
在一些实施例中,上述执行主体可以对上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息、上述目标物品的第五特征信息和上述第一特征信息依照预定方式进行拼接,得到预测样本。作为示例,可以根据预先定义的特征信息排列顺序,将上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息、上述目标物品的第五特征信息和上述第一特征信息拼接成libsvm格式的字符串。
步骤204,将上述预测样本输入至预先训练的分数在线预测网络,得到预测分数。
在一些实施例中,上述执行主体可以将上述预测样本输入至预先训练的分数在线预测网络,得到预测分数。其中,上述预测分数表征上述目标用户在预定时间内对上述目标物品执行第二价值转移操作的概率。上述分数在线预测网络可以是在线学习算法(FTRL,Follow The Regularized Leader Proximal)网络。作为示例,上述第二价值转移操作可以是目标用户对目标物体进行下单操作。
需要说明的是,由于传统的批量梯度下降无法有效地处理超大规模的数据集和点击流数据,本方法模型训练采用FTRL算法进行实现,能根据线上的反馈数据,实时快速的进行模型调整,使得模型可以及时反映线上的变化,提高线上预测的准确率。本申请在工程实现上采用的方法为分布式更新方法。对于单个线程的更新方法,单线程的训练框架采用一种基于梯度的分布式更新方法,更新方案遵照FTRL权重更新算法,公式如下所示:
需要说明的是,上述公式的相关参数的求取可以通过已公开的FTRL权重更新算法伪代码计算出来。在此,上述FTRL权重更新算法伪代码不再阐述。
在这里,考虑到工程上的效果实现,FTRL权重更新算法伪代码中的基础参数为α、β、λ1、λ2可以分别采用0.1,1,0,0。为了节省计算资源,提高参数训练的可靠性,这里采用小批量(mini-batch)的方式来进行更新。在每次训练前,线程可以首先根据训练样本涉及的特征,从参数服务器下载最新版的特征数据和版本号。然后,将预测样本作为数据集,对FTRL权重更新算法伪代码中每个非0的特征依次计算σ、Z、N,并保留模型参数及中间参数W、N、Z。在此训练框架下,每个训练样本仅使用一次。
其中,可以利用版本控制和平均梯度来解决梯度过时问题。FTRL权重更新算法伪代码中的Z参数的更新逻辑如下面公式所示:
其中:c为分布式线程个数,1为不同线程分布式计算的结果,i为计算特征的标号,Δvi,l为l线程计算i特征时版本号与最新版本之间的差值。
本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的用于生成预测分数的方法可以利用目标用户的各个特征信息和目标物品的各个特征信息,结合分数在线预测网络,可以更为准确、高效的预测出目标用户对目标物体执行第二价值转移操作的概率。具体来说,发明人发现,根据海量历史数据利用模型生成预测分数。模型复杂,计算资源要求高,计算时间较长,很难适应实时画像的响应需求,并不能有效的诠释用户的实时行为,导致模型的预测效果有限。根据实时计算框架的规则算法生成预测分数。模型较为简单,可用特征较少,精度较低,画像预测结果不够理想。基于此,本公开的一些实施例的用于生成预测分数的方法可以通过对获取的目标物品的第一特征信息、目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息、上述目标物品的第五特征信息之间进行拼接,得到的预测样本包括与目标用户相关的各个方面的、更为全面的特征信息。然后,通过预先训练的分数在线预测网络,实时的生成对应的预测分数。这样生成预测分数的方法解决了离线历史数据中预测很难适应实时用户画像的响应需求,并不能有效的诠释用户的实时行为的问题,还解决了实时数据预测中可用特征较少,精度较低,用户画像预测结果不够理想的问题。
进一步参考图3,示出了根据本公开的用于生成预测分数的方法的另一些实施例的流程300。该用于生成预测分数的方法,包括以下步骤:
步骤301,根据点击流数据,获取目标用户执行第一价值转移操作的目标物品的第一特征信息。
步骤302,获取上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息、上述目标物品的第五特征信息。
步骤303,对上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息、上述目标物品的第五特征信息和上述第一特征信息依照预定方式进行拼接,得到预测样本。
步骤304,将上述预测样本输入至预先训练的分数在线预测网络,得到预测分数。
在一些实施例中,步骤301-304的具体实现及其所带来的技术效果,可以参考图2对应的实施例中的步骤201-204,在此不再赘述。
步骤305,对存储在目标存储系统的上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息和上述目标物品的第五特征信息进行更新。
在一些实施例中,执行主体(例如图1所示的电子设备)可以对存储在目标存储系统的上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息和上述目标物品的第五特征信息进行更新。
在一些实施例的一些可选的实现方式中,上述对存储在目标存储系统的上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息和上述目标物品的第五特征信息进行更新可以包括以下步骤:
第一步,根据上述点击数据流,积累预定数目的预测样本,得到预测样本集。
第二步,根据上述预测样本集中各个预测样本的特征信息,对存储在上述目标存储系统的上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息和上述目标物品的第五特征信息进行更新。
本公开的实施例侧面提高了分数在线预测网络不够精准的问题。导致分数在线预测网络不够精准的因素往往如下:历史点击信息序列的更新很大程度上影响分数在线预测网络实时确定用户有多大概率执行第二价值转移操作的准确度。因此,本公开的实施例在得到预测样本对应的预测分数后,需要将预测样本的特征信息加入至历史点击信息序列,以此可以得到更多更为有效的点击信息。除此之外,为后续分数在线预测网络的训练提供了更多的点击信息,让分数在线预测网络学习到更多的点击信息,侧面提高了分数在线预测网络的准确度。
进一步参考图4,示出了根据本公开的用于生成预测分数的方法的又一些实施例的流程400。该用于生成预测分数的方法,包括以下步骤:
步骤401,根据点击流数据,获取目标用户执行第一价值转移操作的目标物品的第一特征信息。
步骤402,获取上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息、上述目标物品的第五特征信息。
步骤403,对上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息、上述目标物品的第五特征信息和上述第一特征信息依照预定方式进行拼接,得到预测样本。
步骤404,将上述预测样本输入至预先训练的分数在线预测网络,得到预测分数。
在一些实施例中,步骤401-404的具体实现及其所带来的技术效果,可以参考图2对应的实施例中的步骤201-204,在此不再赘述。
步骤405,对上述预测样本进行标注,得到标注后的预测样本。
在一些实施例中,用于生成预测分数的方法的执行主体(例如图1所示的电子设备)可以对上述预测样本进行标注,得到标注后的预测样本。
步骤406,根据上述标注后的预测样本,对上述分数在线预测网络进行训练,得到训练后的分数在线预测网络。
在一些实施例中,上述执行主体可以根据上述标注后的预测样本,对上述分数在线预测网络进行训练,得到训练后的分数在线预测网络。
在一些实施例的一些可选的实现方式中,上述对上述预测样本进行标注,得到标注后的预测样本可以包括以下步骤:
第一步,对上述预测样本进行数据处理,得到处理后的预测样本。作为示例,可以对上述预测样本进行数据归一化处理,得到归一化后的预测样本作为处理后的预测样本。
第二步,将上述处理后的预测样本传入至存在时间限制的窗口函数。其中,上述窗口函数可以是Flink的时间窗口。
第三步,响应于检测到上述目标用户完成对上述目标物品执行的第二价值转移操作,从上述点击流数据中解析与上述目标物品相关的、上述目标用户的订单信息。
第四步,响应于上述订单信息传入至上述窗口函数,确定上述窗口函数中所剩余时间。其中,上述订单信息可以根据目标用户的账号信息和标准化产品单元信息来传入至上述窗口函数。
第五步,响应于上述所剩余时间小于预先设定的阈值,将上述预测样本标注为正样本。
步骤407,将上述训练后的分数在线预测网络中的参数进行存储。
在一些实施例中,上述执行主体可以将上述训练后的分数在线预测网络中的参数进行存储。作为示例,可以将上述训练后的分数在线预测网络中的参数存储在对应的参数服务器中。
本公开的实施例解决了分数在线预测网络不够精准的问题。导致分数在线预测网络不够精准的因素往往如下:分数在线预测网络的参数的确定是根据历史点击信息序列来训练得到的,造成分数在线预测网络实时确定用户有多大概率执行第二价值转移操作不够精准。因此,本公开的实施例在对预测样本标注对应的标签,并通过标注后的预测样本对分数在线预测网络进行再次训练,进而,将训练后的分数在线预测网络的参数进行保存。这种训练方式可以随着数据的增多,使得分数在线预测网络的预测准确度越来越高。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于生成预测分数的装置的一些实施例,这些装置实施例与图2所示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5所示,一种用于生成预测分数的装置500包括:第一获取单元501、第二获取单元502、拼接单元503和生成单元504。其中,第一获取单元501被配置成:根据点击流数据,获取目标用户执行第一价值转移操作的目标物品的第一特征信息。第二获取单元502被配置成:获取上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息、上述目标物品的第五特征信息。拼接单元503被配置成:对上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息、上述目标物品的第五特征信息和上述第一特征信息依照预定方式进行拼接,得到预测样本。生成单元504被配置成:将上述预测样本输入至预先训练的分数在线预测网络,得到预测分数,其中,上述预测分数表征上述目标用户在预定时间内对上述目标物品执行第二价值转移操作的概率。
在一些实施例的一些可选的实现方式中,装置500还可以包括:标注单元、训练单元和存储单元(图中未示出)。其中,标注单元被配置成:对上述预测样本进行标注,得到标注后的预测样本;训练单元,被配置成:根据上述标注后的预测样本,对上述分数在线预测网络进行训练,得到训练后的分数在线预测网络。存储单元被配置成将上述训练后的分数在线预测网络中的参数进行存储。
在一些实施例的一些可选的实现方式中,装置500还可以包括:更新单元(图中未示出)。其中,更新单元被配置成:对存储在目标存储系统的上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息和上述目标物品的第五特征信息进行更新。
在一些实施例的一些可选的实现方式中,上述更新单元可以进一步被配置成:根据上述点击数据流,积累预定数目的预测样本,得到预测样本集;根据上述预测样本集中各个预测样本的特征信息,对存储在上述目标存储系统的上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息和上述目标物品的第五特征信息进行更新。
在一些实施例的一些可选的实现方式中,装置500中的第一获取单元501可以进一步被配置成:从上述点击流数据中解析出上述目标用户执行第一价值转移操作的上述目标物品的时间信息和标识信息;将上述时间信息和上述标识信息作为请求,利用物品特征服务,请求相关存储系统以获取上述第一特征信息,其中,上述物品特征服务为远程过程调用服务。
在一些实施例的一些可选的实现方式中,上述标注单元可以进一步被配置成:对上述预测样本进行数据处理,得到处理后的预测样本;将上述处理后的预测样本传入至存在时间限制的窗口函数;响应于检测到上述目标用户完成对上述目标物品执行的第二价值转移操作,从上述点击流数据中解析与上述目标物品相关的、上述目标用户的订单信息;响应于上述订单信息传入至上述窗口函数,确定上述窗口函数中所剩余时间;响应于上述所剩余时间小于预先设定的阈值,将上述预测样本标注为正样本。
在一些实施例的一些可选的实现方式中,上述标注单元可以进一步被配置成:对上述预测样本进行缺省处理,得到缺省处理后的预测样本;对上述缺省处理后的预测样本进行样本压缩,得到压缩后的预测样本作为上述处理后的预测样本。
在一些实施例的一些可选的实现方式中,上述目标用户的第二特征信息和上述目标物品的第四特征信息是通过以下步骤存储的:根据预先建立的物品表,对上述目标用户的历史点击信息序列进行特征提取,得到上述目标用户的第二特征信息和上述目标物品的第四特征信息;将上述目标用户的第二特征信息和上述目标物品的第四特征信息在上述目标存储系统中存储。
在一些实施例的一些可选的实现方式中,上述目标用户的第三特征信息和上述目标物品的第五特征信息是通过以下步骤存储的:利用上述物品特征服务,对上述点击流数据进行特征提取,得到上述目标用户的第三特征信息和上述目标物品的第五特征信息;将上述目标用户的第三特征信息和上述目标物品的第五特征信息在上述目标存储系统中存储。
可以理解的是,该装置500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500及其中包含的单元,在此不再赘述。
下面参考图6,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中的电子设备)600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,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609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的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电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备根据点击流数据,获取目标用户执行第一价值转移操作的目标物品的第一特征信息;获取上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息、上述目标物品的第五特征信息;对上述目标用户的第二特征信息、上述目标用户的第三特征信息、上述目标物品的第四特征信息、上述目标物品的第五特征信息和上述第一特征信息依照预定方式进行拼接,得到预测样本;将上述预测样本输入至预先训练的分数在线预测网络,得到预测分数,其中,上述预测分数表征上述目标用户在预定时间内对上述目标物品执行第二价值转移操作的概率。
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:一种处理器包括第一获取单元、第二获取单元、拼接单元和生成单元。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,第一获取单元还可以被描述为“根据点击流数据,获取目标用户执行第一价值转移操作的目标物品的第一特征信息的单元”。
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 (12)
1.一种用于生成预测分数的方法,包括:
根据点击流数据,获取目标用户执行第一价值转移操作的目标物品的第一特征信息;
获取所述目标用户的第二特征信息、所述目标用户的第三特征信息、所述目标物品的第四特征信息、所述目标物品的第五特征信息;
对所述目标用户的第二特征信息、所述目标用户的第三特征信息、所述目标物品的第四特征信息、所述目标物品的第五特征信息和所述第一特征信息依照预定方式进行拼接,得到预测样本;
将所述预测样本输入至预先训练的分数在线预测网络,得到预测分数,其中,所述预测分数表征所述目标用户在预定时间内对所述目标物品执行第二价值转移操作的概率。
2.根据权利要求1所述的方法,其中,所述方法还包括:
对所述预测样本进行标注,得到标注后的预测样本;
根据所述标注后的预测样本,对所述分数在线预测网络进行训练,得到训练后的分数在线预测网络;
将所述训练后的分数在线预测网络中的参数进行存储。
3.根据权利要求1所述的方法,其中,所述方法还包括:
对存储在目标存储系统的所述目标用户的第二特征信息、所述目标用户的第三特征信息、所述目标物品的第四特征信息和所述目标物品的第五特征信息进行更新。
4.根据权利要求3所述的方法,其中,所述对存储在目标存储系统的所述目标用户的第二特征信息、所述目标用户的第三特征信息、所述目标物品的第四特征信息和所述目标物品的第五特征信息进行更新,包括:
根据所述点击数据流,积累预定数目的预测样本,得到预测样本集;
根据所述预测样本集中各个预测样本的特征信息,对存储在所述目标存储系统的所述目标用户的第二特征信息、所述目标用户的第三特征信息、所述目标物品的第四特征信息和所述目标物品的第五特征信息进行更新。
5.根据权利要求1所述的方法,其中,所述根据点击流数据,获取目标用户执行第一价值转移操作的目标物品的第一特征信息,包括:
从所述点击流数据中解析出所述目标用户执行第一价值转移操作的所述目标物品的时间信息和标识信息;
将所述时间信息和所述标识信息作为请求,利用物品特征服务,请求相关存储系统以获取所述第一特征信息,其中,所述物品特征服务为远程过程调用服务。
6.根据权利要求2所述的方法,其中,所述对所述预测样本进行标注,得到标注后的预测样本,包括:
对所述预测样本进行数据处理,得到处理后的预测样本;
将所述处理后的预测样本传入至存在时间限制的窗口函数;
响应于检测到所述目标用户完成对所述目标物品执行的第二价值转移操作,从所述点击流数据中解析与所述目标物品相关的、所述目标用户的订单信息;
响应于所述订单信息传入至所述窗口函数,确定所述窗口函数中所剩余时间;
响应于所述所剩余时间小于预先设定的阈值,将所述预测样本标注为正样本。
7.根据权利要求6所述的方法,其中,所述对所述预测样本进行数据处理,得到处理后的预测样本,包括:
对所述预测样本进行缺省处理,得到缺省处理后的预测样本;
对所述缺省处理后的预测样本进行样本压缩,得到压缩后的预测样本作为所述处理后的预测样本。
8.根据权利要求5所述的方法,其中,所述目标用户的第二特征信息和所述目标物品的第四特征信息是通过以下步骤存储的:
根据预先建立的物品表,对所述目标用户的历史点击信息序列进行特征提取,得到所述目标用户的第二特征信息和所述目标物品的第四特征信息;
将所述目标用户的第二特征信息和所述目标物品的第四特征信息在所述目标存储系统中存储。
9.根据权利要求8所述的方法,其中,所述目标用户的第三特征信息和所述目标物品的第五特征信息是通过以下步骤存储的:
利用所述物品特征服务,对所述点击流数据进行特征提取,得到所述目标用户的第三特征信息和所述目标物品的第五特征信息;
将所述目标用户的第三特征信息和所述目标物品的第五特征信息在所述目标存储系统中存储。
10.一种用于生成预测分数的装置,包括:
第一获取单元,被配置成根据点击流数据,获取目标用户执行第一价值转移操作的目标物品的第一特征信息;
第二获取单元,被配置成获取所述目标用户的第二特征信息、所述目标用户的第三特征信息、所述目标物品的第四特征信息、所述目标物品的第五特征信息;
拼接单元,被配置成对所述目标用户的第二特征信息、所述目标用户的第三特征信息、所述目标物品的第四特征信息、所述目标物品的第五特征信息和所述第一特征信息依照预定方式进行拼接,得到预测样本;
生成单元,被配置成将所述预测样本输入至预先训练的分数在线预测网络,得到预测分数,其中,所述预测分数表征所述目标用户在预定时间内对所述目标物品执行第二价值转移操作的概率。
11.一种电子设备,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1-9中任一所述的方法。
12.一种计算机可读介质,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1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011331098.0A CN112330059B (zh) | 2020-11-24 | 2020-11-24 | 用于生成预测分数的方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011331098.0A CN112330059B (zh) | 2020-11-24 | 2020-11-24 | 用于生成预测分数的方法、装置、电子设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112330059A true CN112330059A (zh) | 2021-02-05 |
CN112330059B CN112330059B (zh) | 2023-05-30 |
Family
ID=74308465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011331098.0A Active CN112330059B (zh) | 2020-11-24 | 2020-11-24 | 用于生成预测分数的方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112330059B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763112A (zh) * | 2021-02-25 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种信息推送方法及装置 |
CN113763111A (zh) * | 2021-02-10 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 物品搭配方法、装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030171977A1 (en) * | 2002-03-07 | 2003-09-11 | Compete, Inc. | Clickstream analysis methods and systems |
CN101657809A (zh) * | 2007-04-25 | 2010-02-24 | 雅虎公司 | 用于为点击流量评分的系统 |
WO2015143096A1 (en) * | 2014-03-18 | 2015-09-24 | Staples, Inc. | Clickstream purchase prediction using hidden markov models |
CN105528374A (zh) * | 2014-10-21 | 2016-04-27 | 苏宁云商集团股份有限公司 | 一种电子商务中的商品推荐方法及其系统 |
CN106339393A (zh) * | 2015-07-09 | 2017-01-18 | 阿里巴巴集团控股有限公司 | 信息推送方法及装置 |
CN108805594A (zh) * | 2017-04-27 | 2018-11-13 | 北京京东尚科信息技术有限公司 | 信息推送方法和装置 |
-
2020
- 2020-11-24 CN CN202011331098.0A patent/CN112330059B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030171977A1 (en) * | 2002-03-07 | 2003-09-11 | Compete, Inc. | Clickstream analysis methods and systems |
CN101657809A (zh) * | 2007-04-25 | 2010-02-24 | 雅虎公司 | 用于为点击流量评分的系统 |
WO2015143096A1 (en) * | 2014-03-18 | 2015-09-24 | Staples, Inc. | Clickstream purchase prediction using hidden markov models |
CN105528374A (zh) * | 2014-10-21 | 2016-04-27 | 苏宁云商集团股份有限公司 | 一种电子商务中的商品推荐方法及其系统 |
CN106339393A (zh) * | 2015-07-09 | 2017-01-18 | 阿里巴巴集团控股有限公司 | 信息推送方法及装置 |
CN108805594A (zh) * | 2017-04-27 | 2018-11-13 | 北京京东尚科信息技术有限公司 | 信息推送方法和装置 |
Non-Patent Citations (1)
Title |
---|
李双双等: "点击流:一种研究网上消费者的新范式", 《心理科学进展》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763111A (zh) * | 2021-02-10 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 物品搭配方法、装置及存储介质 |
CN113763112A (zh) * | 2021-02-25 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种信息推送方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112330059B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460513B (zh) | 用于生成点击率预测模型的方法和装置 | |
CN107679211B (zh) | 用于推送信息的方法和装置 | |
CN109522483B (zh) | 用于推送信息的方法和装置 | |
CN110390408B (zh) | 交易对象预测方法和装置 | |
US11412070B2 (en) | Method and apparatus for generating information | |
CN111061881A (zh) | 文本分类方法、设备及存储介质 | |
CN110866040B (zh) | 用户画像生成方法、装置和系统 | |
CN109961328B (zh) | 确定订单冷静期的方法和装置 | |
US11809505B2 (en) | Method for pushing information, electronic device | |
CN112330059B (zh) | 用于生成预测分数的方法、装置、电子设备和介质 | |
CN114004425A (zh) | 物品流转信息预测模型生成方法、信息生成方法、装置 | |
WO2024099171A1 (zh) | 视频生成方法和装置 | |
CN107291835B (zh) | 一种搜索词的推荐方法和装置 | |
CN109582854B (zh) | 用于生成信息的方法和装置 | |
US20220198487A1 (en) | Method and device for processing user interaction information | |
CN113111167A (zh) | 基于深度学习模型的接处警文本车辆型号提取方法和装置 | |
CN114141236B (zh) | 语言模型更新方法、装置、电子设备及存储介质 | |
CN111464820B (zh) | 拉取消息记录的采样方法、装置、电子设备及存储介质 | |
CN111126649B (zh) | 用于生成信息的方法和装置 | |
CN111767290B (zh) | 用于更新用户画像的方法和装置 | |
CN109408716B (zh) | 用于推送信息的方法和设备 | |
CN113111169A (zh) | 基于深度学习模型的接处警文本地址信息提取方法和装置 | |
CN113111897A (zh) | 基于支持向量机的接警警情类别确定方法和装置 | |
CN111353087A (zh) | 热词统计方法及装置、存储介质、电子终端 | |
CN110968768B (zh) | 信息生成方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |