CN112365319A - 虚拟资源内物品的展示方法和装置 - Google Patents

虚拟资源内物品的展示方法和装置 Download PDF

Info

Publication number
CN112365319A
CN112365319A CN202011313494.0A CN202011313494A CN112365319A CN 112365319 A CN112365319 A CN 112365319A CN 202011313494 A CN202011313494 A CN 202011313494A CN 112365319 A CN112365319 A CN 112365319A
Authority
CN
China
Prior art keywords
virtual resource
user
item
information
preset
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
Application number
CN202011313494.0A
Other languages
English (en)
Inventor
安冬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Century Trading Co Ltd, Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN202011313494.0A priority Critical patent/CN112365319A/zh
Publication of CN112365319A publication Critical patent/CN112365319A/zh
Pending legal-status Critical Current

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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces
    • G06Q30/0643—Graphical representation of items or shoppers
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0222—During e-commerce, i.e. online transactions

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提出一种虚拟资源内物品的展示方法和装置，涉及计算机领域。根据用户能够使用的虚拟资源的特征、用户已经选择的物品与虚拟资源的使用条件之间的差距信息、用户对购物系统中的各个物品的历史行为信息、以及虚拟资源内的每个物品的特征，通过对深度学习网络进行训练得到的评估模型，评估用户对虚拟资源内的每个物品发生例如购买等预设行为的概率，并据此对虚拟资源内的各个物品进行排序和展示，使得更符合用户兴趣的物品在虚拟资源内被优先展示给用户，减少用户选择物品的时间，提高购物效率。

Description

虚拟资源内物品的展示方法和装置
技术领域
本公开涉及计算机领域，特别涉及一种虚拟资源内物品的展示方法和装置。
背景技术
随着电子商务的迅速发展，网上购物已经成为消费者的常用购物方式。电子商务系统提供各种商品的信息，消费者通过电子商务系统可以选择和购买自己心仪的商品。电子商务系统还提供了各种形式的优惠卷，以促进用户消费。如果用户使用优惠卷购买商品，可以得到相应的减免优惠。
发明人发现，很多优惠券都有适用的商品范围，不同的优惠券所适用的商品范围也不尽相同，用户需要在一定的商品范围内选择商品才能使用优惠券，当优惠券适用的商品范围比较大时，用户需要花费很多的时间查找很多的商品才能选出需要购买的商品，效率非常低。
发明内容
本公开实施例，根据用户能够使用的虚拟资源的特征、用户已经选择的物品与虚拟资源的使用条件之间的差距信息、用户对购物系统中的各个物品的历史行为信息、以及虚拟资源内的每个物品的特征，评估用户对虚拟资源内的每个物品发生例如购买等预设行为的概率，并据此对虚拟资源内的各个物品进行排序和展示，使得更符合用户兴趣的物品在虚拟资源内被优先展示给用户，减少用户选择物品的时间，提高购物效率。此外，用来评估用户对虚拟资源内的每个物品发生例如购买等预设行为的概率的评估模型是通过训练深度学习网络得到的，这使得评估模型能够自动学习各种相关信息对用户预设行为发生的影响力，不需要人工设置各种相关信息的权值，提高评估的准确性。
本公开一些实施例提出一种虚拟资源内物品的展示方法，包括：
获取第一用户能够使用的第一虚拟资源的特征；
获取所述第一用户已经选择的物品与所述第一虚拟资源的使用条件之间的第一差距信息；
获取所述第一用户对购物系统中的各个物品的第一历史行为信息；
获取所述第一虚拟资源内的每个物品的特征；
将所述第一虚拟资源的特征、所述第一差距信息、所述用户的第一历史行为信息和所述第一虚拟资源内的每个物品的特征输入到评估模型，并获取所述评估模型输出的所述第一用户对所述第一虚拟资源内的所述每个物品发生第一预设行为的概率的评估值，其中，所述评估模型是通过对深度学习网络进行训练得到的；以及
根据所述第一用户对所述第一虚拟资源内的所述每个物品发生第一预设行为的概率的评估值，对所述第一虚拟资源内的各个物品进行排序，并向所述第一用户展示排序后的所述第一虚拟资源内的各个物品。
在一些实施例中，通过对深度学习网络进行训练得到评估模型包括：
将训练数据集合中的每条训练数据分别输入到深度学习网络，使得深度学习网络基于每条训练数据中的第二用户能够使用的第二虚拟资源的特征、第二用户已经选择的物品与所述第二虚拟资源的使用条件之间的第二差距信息、第二用户对购物系统中的各个物品的第二历史行为信息、所述第二虚拟资源内的任一物品的特征，输出所述第二用户对所述第二虚拟资源内的所述任一物品发生第一预设行为的概率的评估值；
根据所述第二用户对所述第二虚拟资源内的所述任一物品发生第一预设行为的概率的评估值相对于所述每条训练数据中的所述第二用户对所述第二虚拟资源内的所述任一物品是否发生第一预设行为的标签的误差信息，更新所述深度学习网络的参数；以及
直至满足预设的训练终止条件，停止训练，将训练后的深度学习网络作为评估模型。
在一些实施例中，所述评估模型和所述深度学习网络包括：
嵌入层，被配置为对用户对购物系统中的各个物品的历史行为信息和虚拟资源内的每个物品的特征中的与所述历史行为信息对应的第一特征进行向量转换；
兴趣提取层，被配置为根据用户对购物系统中的各个物品的历史行为信息的向量表示和虚拟资源内的每个物品的第一特征的向量表示，自动学习不同行为对虚拟资源内的每个物品的兴趣程度；
多层感知器层，被配置为对不同行为对虚拟资源内的每个物品的兴趣程度、用户能够使用的虚拟资源的特征、用户已经选择的物品与虚拟资源的使用条件之间的差距信息、和虚拟资源内的每个物品的特征中的除第一特征之外的第二特征进行逻辑处理；以及
激活层，被配置为基于逻辑处理结果输出用户对虚拟资源内的每个物品发生第一预设行为的概率的评估值。
在一些实施例中，用户对购物系统中的各个物品的历史行为信息包括：用户的第二预设行为最近作用的购物系统中的预设数量的物品、以及预设数量的物品分别所属的类目、品牌、店铺中的至少一个；
虚拟资源内的每个物品的特征中的第一特征包括：虚拟资源内的每个物品、以及每个物品所属的类目、品牌、店铺中的至少一个。
在一些实施例中，虚拟资源内的每个物品的特征中的第二特征包括：虚拟资源内的每个物品的价格信息、评价信息、销量信息中的至少一个。
在一些实施例中，多层感知器层包括通过全连接层级联的神经元个数不同的多层感知器。
在一些实施例中，训练数据集合包括标签表明发生第一预设行为的正样本训练数据和标签表明未发生第一预设行为的负样本训练数据。
本公开一些实施例提出一种虚拟资源内物品的展示装置，包括：
获取模块，被配置为获取第一用户能够使用的第一虚拟资源的特征；获取所述第一用户已经选择的物品与所述第一虚拟资源的使用条件之间的第一差距信息；获取所述第一用户对购物系统中的各个物品的第一历史行为信息；获取所述第一虚拟资源内的每个物品的特征；
评估模块，被配置为将所述第一虚拟资源的特征、所述第一差距信息、所述用户的第一历史行为信息和所述第一虚拟资源内的每个物品的特征输入到评估模型，并获取所述评估模型输出的所述第一用户对所述第一虚拟资源内的所述每个物品发生第一预设行为的概率的评估值，其中，所述评估模型是通过对深度学习网络进行训练得到的；以及
排序和展示模块，被配置为根据所述第一用户对所述第一虚拟资源内的所述每个物品发生第一预设行为的概率的评估值，对所述第一虚拟资源内的各个物品进行排序，并向所述第一用户展示排序后的所述第一虚拟资源内的各个物品。
在一些实施例中，虚拟资源内物品的展示装置还包括：训练模块，被配置为：
将训练数据集合中的每条训练数据分别输入到深度学习网络，使得深度学习网络基于每条训练数据中的第二用户能够使用的第二虚拟资源的特征、第二用户已经选择的物品与所述第二虚拟资源的使用条件之间的第二差距信息、第二用户对购物系统中的各个物品的第二历史行为信息、所述第二虚拟资源内的任一物品的特征，输出所述第二用户对所述第二虚拟资源内的所述任一物品发生第一预设行为的概率的评估值；
根据所述第二用户对所述第二虚拟资源内的所述任一物品发生第一预设行为的概率的评估值相对于所述每条训练数据中的所述第二用户对所述第二虚拟资源内的所述任一物品是否发生第一预设行为的标签的误差信息，更新所述深度学习网络的参数；以及
直至满足预设的训练终止条件，停止训练，将训练后的深度学习网络作为评估模型。
本公开一些实施例提出一种虚拟资源内物品的展示装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行任一些实施例所述的虚拟资源内物品的展示方法。
本公开一些实施例提出一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一些实施例所述的虚拟资源内物品的展示方法的步骤。
附图说明
下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍。根据下面参照附图的详细描述，可以更加清楚地理解本公开。
显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示出本公开一些实施例的虚拟资源内物品的展示方法的流程示意图。
图2示出本公开一些实施例设计的评估模型和深度学习网络的示意图。
图3示出本公开一些实施例的通过对深度学习网络进行训练得到评估模型的流程示意图。
图4示出本公开一些实施例的虚拟资源内物品的展示装置的示意图。
图5示出本公开另一些实施例的虚拟资源内物品的展示装置的示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。
除非特别说明，否则，本公开中的“第一”“第二”等描述用来区分不同的对象，并不用来表示大小或时序等含义。
购物系统是为用户提供网上购物业务的电子商务系统。
虚拟资源例如包括优惠券或其他用于购物系统的电子资源。
优惠券有很多形式，比如满M减N、满M享N折、每满M减N、满M件赠N件、M元买N件等，但不限于所举示例。
图1示出本公开一些实施例的虚拟资源内物品的展示方法的流程示意图。该方法例如可以由虚拟资源内物品的展示装置执行。
如图1所示，该实施例的方法包括步骤110-160。其中，步骤110-140的执行不分先后顺序，图1示出的仅是其中一种示例。
在步骤110，获取第一用户能够使用的第一虚拟资源的特征。
例如，第一用户点击“去使用”第一虚拟资源后，展示装置获取被第一用户点击的第一虚拟资源的统一数据格式的文案特征。从而，方便评估模型进行处理。
下表以优惠券为例，说明虚拟资源的特征。
优惠券 统一数据格式的文案特征
满100减10 0|100-10|
满100享9折 1|100-0.9|
每满100减10 2|100-10|
满2件赠1件 3|2-1|
100元买2件 4|100-2|
在步骤120，获取第一用户已经选择的物品与第一虚拟资源的使用条件之间的第一差距信息。
根据不同形式的第一虚拟资源，第一差距信息例如可以使价格差距或件数差距等。
以优惠券为例，比如满100减10元的优惠券，第一用户已经选择两件商品，总价是80元，还不够100元，还缺20元才能满足100元，通过预设的服务接口获取20元的价差。
在步骤130，获取第一用户对购物系统中的各个物品的第一历史行为信息。
用户在使用购物系统时会产生这种行为，比如购买、点击、关注、加购物车等，这些行为含有大量的用户兴趣信息。如果按照相关技术，离线统计很多行为特征，比如用户在某个商品上点击了多少次等，统计工作繁杂耗时，并且容易丢失原有的信息。因此，本公开实施例采用获取实时行为流的方式获取历史行为信息，既能保留原有信息，也能减少获取历史行为信息的复杂度。
第一用户对购物系统中的各个物品的第一历史行为信息包括：第一用户的第二预设行为最近作用的购物系统中的预设数量的物品、以及预设数量的物品分别所属的类目、品牌、店铺中的至少一个。其中，第二预设行为分别包括购买、点击、关注、加购物车中的至少一个。
当用户的行为流信息包含购买、点击、关注、加购物车等多种行为时，将不同行为的数据合并到一起，避免出现行为数据稀疏的问题。参见下表的示例，统计了用户最近购买、点击、关注、或加购物车的预设数量的物品，以及，这些物品分别所属的类目、品牌、店铺。预设数量可以根据需要设置，例如，500个物品，下表作为示例仅示出了5个物品。
行为流维度 行为流内容
物品行为流 sku1_sku2_sku3_sku4_sku5
物品所属店铺行为流 shop1_shop2_shop3_shop4_shop5
物品所属品牌行为流 brand1_brand2_brand3_brand4_brand5
物品所属类目行为流 cid1_cid2_cid3_cid4_cid5
此外，不同维度的行为流的长度一致，有利于深度学习网络训练时保持稳定，避免因不同维度的行为流的长度差异过大导致深度学习网络学习能力不够。
在步骤140，获取第一虚拟资源内的每个物品的特征。
第一虚拟资源内的物品也即第一虚拟资源适用的物品。
第一虚拟资源内的每个物品的特征包括虚拟资源内的每个物品的特征中的与历史行为信息对应的第一特征和除第一特征之外的第二特征。第一特征例如包括：虚拟资源内的每个物品、以及每个物品所属的类目、品牌、店铺中的至少一个。第二特征例如包括：虚拟资源内的每个物品的价格信息、评价信息、销量信息中的至少一个。
在步骤150，将第一虚拟资源的特征、第一差距信息、用户的第一历史行为信息和第一虚拟资源内的每个物品的特征输入到评估模型，并获取评估模型输出的第一用户对第一虚拟资源内的每个物品发生第一预设行为的概率的评估值。其中，评估模型是通过对深度学习网络进行训练得到的，后面会具体描述深度学习网络和评估模型的结构和训练过程。
评估模型对输入数据的具体处理参见其层次210-240的描述，这里不再赘述。
第一预设行为分别包括购买、点击、关注、加购物车中的至少一个。例如，如果业务关注是否有利于提升用户的购买率，则将第一预设行为设置为购买行为。如果业务关注是否有利于提升用户的关注度，则将第一预设行为设置为关注行为。
在步骤160，根据第一用户对第一虚拟资源内的每个物品发生第一预设行为的概率的评估值，对第一虚拟资源内的各个物品进行排序，并向第一用户展示排序后的第一虚拟资源内的各个物品。
第一用户对第一虚拟资源内的物品发生第一预设行为的概率的评估值越大，说明第一用户对第一虚拟资源内的该物品发生第一预设行为的概率越大，则第一虚拟资源内的该物品排序和展示时越靠前。反之，第一用户对第一虚拟资源内的物品发生第一预设行为的概率的评估值越小，说明第一用户对第一虚拟资源内的该物品发生第一预设行为的概率越小，则第一虚拟资源内的该物品排序和展示时越靠后。
上述实施例，根据用户能够使用的虚拟资源的特征、用户已经选择的物品与虚拟资源的使用条件之间的差距信息、用户对购物系统中的各个物品的历史行为信息、以及虚拟资源内的每个物品的特征，评估用户对虚拟资源内的每个物品发生例如购买等预设行为的概率，并据此对虚拟资源内的各个物品进行排序和展示，使得更符合用户兴趣的物品在虚拟资源内被优先展示给用户，减少用户选择物品的时间，提高购物效率。此外，用来评估用户对虚拟资源内的每个物品发生例如购买等预设行为的概率的评估模型是通过训练深度学习网络得到的，这使得评估模型能够自动学习各种相关信息对用户预设行为发生的影响力，不需要人工设置各种相关信息的权值，提高评估的准确性。
深度学习技术目前在工业系统各个领域都取得了显著的成就，在搜索排序领域得到了广泛应用。基于神经网络的深度学习排序技术，相较传统机器学习，有明显的技术优势，主要体现在：支持的特征类型更加广泛，比如数值类特征、文本类特征、id类特征等；能自动学习特征交叉，避免了传统机器学习大量依赖人工设计特征的成本；支持各种丰富多样的网络结构的设计，在电子商务领域能够更加精确灵巧的提取用户兴趣表达，对于提升用户购物体验具有明显优势。
图2示出本公开一些实施例设计的评估模型和深度学习网络的示意图。
如图2所示，评估模型和深度学习网络包括：嵌入层210、兴趣提取层220、多层感知器层230、以及激活层240。
评估模型和深度学习网络的网络层次相同，区别在于，二者的网络参数不同，深度学习网络是训练之前的初始网络参数，评估模型是训练之后的更新的网络参数。网络参数需要通过训练进行优化。
嵌入层210，被配置为对输入深度学习网络的id类特征和文本类特征进行向量转换，转换为固定大小的向量表示。例如，嵌入层210，被配置为对用户对购物系统中的各个物品的历史行为信息和虚拟资源内的每个物品的特征中的与历史行为信息对应的第一特征等id类特征进行向量转换。此外，嵌入层210，还可以对物品的标题、评价等文本类特征进行向量转换。
兴趣提取层220，被配置为根据用户对购物系统中的各个物品的历史行为信息的向量表示和虚拟资源内的每个物品的第一特征的向量表示，利用机器学习中的注意力机制，自动学习不同行为对虚拟资源内的每个物品的兴趣程度。
通过对每种历史行为赋予相应的权重，自动学习时，不断调整这些权重，从而自动学习不同行为对虚拟资源内的物品的兴趣程度。
例如，假设用户对购物系统中的某个物品的历史行为信息的向量表示是100维，其中，1-25维表示物品维度的历史行为的向量，26-50维表示物品所属店铺维度的历史行为的向量，51-75维表示物品所属品牌维度的历史行为的向量，76-100维表示物品所属类目维度的历史行为的向量；虚拟资源内的每个物品的第一特征的向量表示也是100维，其中，1-25维表示虚拟资源内的物品在物品维度的向量，26-50维表示虚拟资源内的物品在物品所属店铺维度的向量，51-75维表示虚拟资源内的物品在物品所属品牌维度的向量，76-100维表示虚拟资源内的物品在物品所属类目维度的向量；通过学习，获得100维的向量，其中1-25维表示物品行为对虚拟资源内的物品的兴趣程度的向量表示，26-50维表示店铺行为对虚拟资源内的物品的兴趣程度的向量表示，76-100维表示品牌行为对虚拟资源内的物品的兴趣程度的向量表示，76-100维表示类目为对虚拟资源内的物品的兴趣程度的向量表示。
多层感知器(Multi-Layer Perceptron，MLP)层230，被配置为对输入的不同行为对虚拟资源内的每个物品的兴趣程度、用户能够使用的虚拟资源的特征(上下文特征)、用户已经选择的物品与虚拟资源的使用条件之间的差距信息(上下文特征)、和虚拟资源内的每个物品的特征中的除第一特征之外的第二特征(包括价格、销量等数值类特征和评价等文本类特征，其中文本类特征需要经过嵌入层的向量化处理)进行逻辑处理。
多层感知器层230包括通过全连接层级联的神经元个数不同的多层感知器，增强学习效果。图2种示例性地示出通过全连接层级联的神经元个数依次为1024，512，256的三层感知器，但并不限于三层。每层的神经元对前一层的所有神经元的输出进行线性加权，然后利用线性整流函数(或称修正线性单元，Rectified Linear Unit,ReLU)进行处理并输出。
多层感知器层中的权重等参数是需要训练和优化的参数。
激活层240，被配置为基于前一层的逻辑处理结果输出用户对虚拟资源内的每个物品发生第一预设行为的概率的评估值。激活层240采用的激活函数例如为sigmoid。
图3示出本公开一些实施例的通过对深度学习网络进行训练得到评估模型的流程示意图。
如图3所示，该实施例的方法包括步骤310-330。
在步骤310，将训练数据集合中的每条训练数据分别输入到深度学习网络，使得深度学习网络基于每条训练数据中的第二用户能够使用的第二虚拟资源的特征、第二用户已经选择的物品与第二虚拟资源的使用条件之间的第二差距信息、第二用户对购物系统中的各个物品的第二历史行为信息、第二虚拟资源内的任一物品的特征，输出第二用户对第二虚拟资源内的任一物品发生第一预设行为的概率的评估值。
深度学习网络对输入数据的具体处理参见其层次210-240的描述，这里不再赘述。
训练数据中的信息或特征等词语的含义参考前述实施例，这里不再赘述。
训练数据集合包括标签表明发生第一预设行为的正样本训练数据和标签表明未发生第一预设行为的负样本训练数据。利用正/负样本训练模型，可以提升模型的预测性能。
在步骤320，根据第二用户对第二虚拟资源内的任一物品发生第一预设行为的概率的评估值相对于每条训练数据中的第二用户对第二虚拟资源内的任一物品是否发生第一预设行为的标签的误差信息，更新深度学习网络的参数。
需要训练和更新的深度学习网络的参数例如包括兴趣提取层220的各个输入部分的权重和多层感知器层230的卷积处理相关的权重和偏置等参数。通过更新深度学习网络的参数，使得误差信息逐渐减小。
在步骤330，直至满足预设的训练终止条件，停止训练，将训练后的深度学习网络作为评估模型。
训练终止条件例如是达到预设的训练次数，或者，预测的误差信息小到可接受的程度等。
图4示出本公开一些实施例的虚拟资源内物品的展示装置的示意图。
如图4所示，该实施例的装置400包括：存储器410以及耦接至该存储器410的处理器420，处理器420被配置为基于存储在存储器410中的指令，执行前述任意一些实施例中的虚拟资源内物品的展示方法，以及通过对深度学习网络进行训练得到评估模型的方法。
其中，存储器410例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。
装置400还可以包括输入输出接口430、网络接口440、存储接口450等。这些接口430，440，450以及存储器410和处理器420之间例如可以通过总线460连接。其中，输入输出接口430为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口640为各种联网设备提供连接接口。存储接口650为SD卡、U盘等外置存储设备提供连接接口。
图5示出本公开另一些实施例的虚拟资源内物品的展示装置的示意图。
如图5所示，该实施例的装置500包括：模块510-530，还可以包括模块540。
获取模块510，被配置为获取第一用户能够使用的第一虚拟资源的特征；获取所述第一用户已经选择的物品与所述第一虚拟资源的使用条件之间的第一差距信息；获取所述第一用户对购物系统中的各个物品的第一历史行为信息；获取所述第一虚拟资源内的每个物品的特征。
评估模块520，被配置为将所述第一虚拟资源的特征、所述第一差距信息、所述用户的第一历史行为信息和所述第一虚拟资源内的每个物品的特征输入到评估模型，并获取所述评估模型输出的所述第一用户对所述第一虚拟资源内的所述每个物品发生第一预设行为的概率的评估值，其中，所述评估模型是通过对深度学习网络进行训练得到的。
排序和展示模块530，被配置为根据所述第一用户对所述第一虚拟资源内的所述每个物品发生第一预设行为的概率的评估值，对所述第一虚拟资源内的各个物品进行排序，并向所述第一用户展示排序后的所述第一虚拟资源内的各个物品。
训练模块540，被配置为：
将训练数据集合中的每条训练数据分别输入到深度学习网络，使得深度学习网络基于每条训练数据中的第二用户能够使用的第二虚拟资源的特征、第二用户已经选择的物品与所述第二虚拟资源的使用条件之间的第二差距信息、第二用户对购物系统中的各个物品的第二历史行为信息、所述第二虚拟资源内的任一物品的特征，输出所述第二用户对所述第二虚拟资源内的所述任一物品发生第一预设行为的概率的评估值；
根据所述第二用户对所述第二虚拟资源内的所述任一物品发生第一预设行为的概率的评估值相对于所述每条训练数据中的所述第二用户对所述第二虚拟资源内的所述任一物品是否发生第一预设行为的标签的误差信息，更新所述深度学习网络的参数；以及
直至满足预设的训练终止条件，停止训练，将训练后的深度学习网络作为评估模型。
在一些实施例中，评估模型和深度学习网络包括：嵌入层210、兴趣提取层220、多层感知器层230、以及激活层240。各层210-240的功能参见前述实施例，这里不再赘述。
在一些实施例中，用户对购物系统中的各个物品的历史行为信息包括：用户的第二预设行为最近作用的购物系统中的预设数量的物品、以及预设数量的物品分别所属的类目、品牌、店铺中的至少一个。
当用户的行为流信息包含购买、点击、关注、加购物车等多种行为时，将不同行为的数据合并到一起，避免出现行为数据稀疏的问题。
在一些实施例中，虚拟资源内的每个物品的特征中的第一特征包括：虚拟资源内的每个物品、以及每个物品所属的类目、品牌、店铺中的至少一个。
在一些实施例中，虚拟资源内的每个物品的特征中的第二特征包括：虚拟资源内的每个物品的价格信息、评价信息、销量信息中的至少一个。
在一些实施例中，多层感知器层230包括通过全连接层级联的神经元个数不同的多层感知器，增强学习效果。
在一些实施例中，训练数据集合包括标签表明发生第一预设行为的正样本训练数据和标签表明未发生第一预设行为的负样本训练数据。利用正/负样本训练模型，可以提升模型的预测性能。
本公开提出一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现虚拟资源内物品的展示方法的步骤。
本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开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，本公开可采用在一个或多个其中包含有计算机程序代码的非瞬时性计算机可读存储介质(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。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为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数据处理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数据处理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数据处理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数据处理设备上，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。
以上所述仅为本公开的较佳实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (11)

1.一种虚拟资源内物品的展示方法，其特征在于，包括：
获取第一用户能够使用的第一虚拟资源的特征；
获取所述第一用户已经选择的物品与所述第一虚拟资源的使用条件之间的第一差距信息；
获取所述第一用户对购物系统中的各个物品的第一历史行为信息；
获取所述第一虚拟资源内的每个物品的特征；
将所述第一虚拟资源的特征、所述第一差距信息、所述用户的第一历史行为信息和所述第一虚拟资源内的每个物品的特征输入到评估模型，并获取所述评估模型输出的所述第一用户对所述第一虚拟资源内的所述每个物品发生第一预设行为的概率的评估值，其中，所述评估模型是通过对深度学习网络进行训练得到的；以及
根据所述第一用户对所述第一虚拟资源内的所述每个物品发生第一预设行为的概率的评估值，对所述第一虚拟资源内的各个物品进行排序，并向所述第一用户展示排序后的所述第一虚拟资源内的各个物品。
2.根据权利要求1所述的方法，其特征在于，通过对深度学习网络进行训练得到评估模型包括：
将训练数据集合中的每条训练数据分别输入到深度学习网络，使得深度学习网络基于每条训练数据中的第二用户能够使用的第二虚拟资源的特征、第二用户已经选择的物品与所述第二虚拟资源的使用条件之间的第二差距信息、第二用户对购物系统中的各个物品的第二历史行为信息、所述第二虚拟资源内的任一物品的特征，输出所述第二用户对所述第二虚拟资源内的所述任一物品发生第一预设行为的概率的评估值；
根据所述第二用户对所述第二虚拟资源内的所述任一物品发生第一预设行为的概率的评估值相对于所述每条训练数据中的所述第二用户对所述第二虚拟资源内的所述任一物品是否发生第一预设行为的标签的误差信息，更新所述深度学习网络的参数；以及
直至满足预设的训练终止条件，停止训练，将训练后的深度学习网络作为评估模型。
3.根据权利要求1或2所述的方法，其特征在于，所述评估模型和所述深度学习网络包括：
嵌入层，被配置为对用户对购物系统中的各个物品的历史行为信息和虚拟资源内的每个物品的特征中的与所述历史行为信息对应的第一特征进行向量转换；
兴趣提取层，被配置为根据用户对购物系统中的各个物品的历史行为信息的向量表示和虚拟资源内的每个物品的第一特征的向量表示，自动学习不同行为对虚拟资源内的每个物品的兴趣程度；
多层感知器层，被配置为对不同行为对虚拟资源内的每个物品的兴趣程度、用户能够使用的虚拟资源的特征、用户已经选择的物品与虚拟资源的使用条件之间的差距信息、和虚拟资源内的每个物品的特征中的除第一特征之外的第二特征进行逻辑处理；以及
激活层，被配置为基于逻辑处理结果输出用户对虚拟资源内的每个物品发生第一预设行为的概率的评估值。
4.根据权利要求3所述的方法，其特征在于，
用户对购物系统中的各个物品的历史行为信息包括：用户的第二预设行为最近作用的购物系统中的预设数量的物品、以及预设数量的物品分别所属的类目、品牌、店铺中的至少一个；
虚拟资源内的每个物品的特征中的第一特征包括：虚拟资源内的每个物品、以及每个物品所属的类目、品牌、店铺中的至少一个。
5.根据权利要求3所述的方法，其特征在于，
虚拟资源内的每个物品的特征中的第二特征包括：虚拟资源内的每个物品的价格信息、评价信息、销量信息中的至少一个。
6.根据权利要求3所述的方法，其特征在于，
多层感知器层包括通过全连接层级联的神经元个数不同的多层感知器。
7.根据权利要求2所述的方法，其特征在于，
训练数据集合包括标签表明发生第一预设行为的正样本训练数据和标签表明未发生第一预设行为的负样本训练数据。
8.一种虚拟资源内物品的展示装置，包括：
获取模块，被配置为获取第一用户能够使用的第一虚拟资源的特征；获取所述第一用户已经选择的物品与所述第一虚拟资源的使用条件之间的第一差距信息；获取所述第一用户对购物系统中的各个物品的第一历史行为信息；获取所述第一虚拟资源内的每个物品的特征；
评估模块，被配置为将所述第一虚拟资源的特征、所述第一差距信息、所述用户的第一历史行为信息和所述第一虚拟资源内的每个物品的特征输入到评估模型，并获取所述评估模型输出的所述第一用户对所述第一虚拟资源内的所述每个物品发生第一预设行为的概率的评估值，其中，所述评估模型是通过对深度学习网络进行训练得到的；以及
排序和展示模块，被配置为根据所述第一用户对所述第一虚拟资源内的所述每个物品发生第一预设行为的概率的评估值，对所述第一虚拟资源内的各个物品进行排序，并向所述第一用户展示排序后的所述第一虚拟资源内的各个物品。
9.根据权利要求8所述的装置，其特征在于，还包括：
训练模块，被配置为：
将训练数据集合中的每条训练数据分别输入到深度学习网络，使得深度学习网络基于每条训练数据中的第二用户能够使用的第二虚拟资源的特征、第二用户已经选择的物品与所述第二虚拟资源的使用条件之间的第二差距信息、第二用户对购物系统中的各个物品的第二历史行为信息、所述第二虚拟资源内的任一物品的特征，输出所述第二用户对所述第二虚拟资源内的所述任一物品发生第一预设行为的概率的评估值；
根据所述第二用户对所述第二虚拟资源内的所述任一物品发生第一预设行为的概率的评估值相对于所述每条训练数据中的所述第二用户对所述第二虚拟资源内的所述任一物品是否发生第一预设行为的标签的误差信息，更新所述深度学习网络的参数；以及
直至满足预设的训练终止条件，停止训练，将训练后的深度学习网络作为评估模型。
10.一种虚拟资源内物品的展示装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行权利要求1-7中任一项所述的虚拟资源内物品的展示方法。
11.一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-7中任一项所述的虚拟资源内物品的展示方法的步骤。
CN202011313494.0A 2020-11-20 2020-11-20 虚拟资源内物品的展示方法和装置 Pending CN112365319A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011313494.0A CN112365319A (zh) 2020-11-20 2020-11-20 虚拟资源内物品的展示方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011313494.0A CN112365319A (zh) 2020-11-20 2020-11-20 虚拟资源内物品的展示方法和装置

Publications (1)

Publication Number Publication Date
CN112365319A true CN112365319A (zh) 2021-02-12

Family

ID=74534190

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011313494.0A Pending CN112365319A (zh) 2020-11-20 2020-11-20 虚拟资源内物品的展示方法和装置

Country Status (1)

Country Link
CN (1) CN112365319A (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090234722A1 (en) * 2008-03-11 2009-09-17 Xerox Corporation System and method for computerized sales optimization
US20110246276A1 (en) * 2010-04-02 2011-10-06 Richard Ross Peters Augmented- reality marketing with virtual coupon
US20120239504A1 (en) * 2011-03-15 2012-09-20 Microsoft Corporation Virtual Shopping Assistance
US20180276701A1 (en) * 2016-06-03 2018-09-27 Tencent Technology (Shenzhen) Company Limited Virtual resource processing method, server, and storage medium
CN109241431A (zh) * 2018-09-07 2019-01-18 腾讯科技（深圳）有限公司 一种资源推荐方法和装置
CN109472656A (zh) * 2017-09-08 2019-03-15 腾讯科技（深圳）有限公司 一种虚拟物品的展示方法、装置和存储介质
CN109801120A (zh) * 2017-11-16 2019-05-24 阿里巴巴集团控股有限公司 线上业务的处理方法及装置
CN110413877A (zh) * 2019-07-02 2019-11-05 阿里巴巴集团控股有限公司 一种资源推荐方法、装置及电子设备
CN111464337A (zh) * 2020-03-13 2020-07-28 北京三快在线科技有限公司 资源配置方法、装置、电子设备
CN111476622A (zh) * 2019-11-21 2020-07-31 北京沃东天骏信息技术有限公司 一种物品推送方法及装置、计算机可读存储介质
CN111612585A (zh) * 2020-05-22 2020-09-01 上海明略人工智能(集团)有限公司 一种虚拟资源的发放方法及装置
CN111737578A (zh) * 2020-06-22 2020-10-02 陕西师范大学 一种推荐方法及系统
CN111898018A (zh) * 2019-05-06 2020-11-06 北京达佳互联信息技术有限公司 一种虚拟资源的发送方法、装置、电子设备及存储介质
CN111949887A (zh) * 2020-08-31 2020-11-17 华东理工大学 物品推荐方法、装置及计算机可读存储介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090234722A1 (en) * 2008-03-11 2009-09-17 Xerox Corporation System and method for computerized sales optimization
US20110246276A1 (en) * 2010-04-02 2011-10-06 Richard Ross Peters Augmented- reality marketing with virtual coupon
US20120239504A1 (en) * 2011-03-15 2012-09-20 Microsoft Corporation Virtual Shopping Assistance
US20180276701A1 (en) * 2016-06-03 2018-09-27 Tencent Technology (Shenzhen) Company Limited Virtual resource processing method, server, and storage medium
CN109472656A (zh) * 2017-09-08 2019-03-15 腾讯科技（深圳）有限公司 一种虚拟物品的展示方法、装置和存储介质
CN109801120A (zh) * 2017-11-16 2019-05-24 阿里巴巴集团控股有限公司 线上业务的处理方法及装置
CN109241431A (zh) * 2018-09-07 2019-01-18 腾讯科技（深圳）有限公司 一种资源推荐方法和装置
CN111898018A (zh) * 2019-05-06 2020-11-06 北京达佳互联信息技术有限公司 一种虚拟资源的发送方法、装置、电子设备及存储介质
CN110413877A (zh) * 2019-07-02 2019-11-05 阿里巴巴集团控股有限公司 一种资源推荐方法、装置及电子设备
CN111476622A (zh) * 2019-11-21 2020-07-31 北京沃东天骏信息技术有限公司 一种物品推送方法及装置、计算机可读存储介质
CN111464337A (zh) * 2020-03-13 2020-07-28 北京三快在线科技有限公司 资源配置方法、装置、电子设备
CN111612585A (zh) * 2020-05-22 2020-09-01 上海明略人工智能(集团)有限公司 一种虚拟资源的发放方法及装置
CN111737578A (zh) * 2020-06-22 2020-10-02 陕西师范大学 一种推荐方法及系统
CN111949887A (zh) * 2020-08-31 2020-11-17 华东理工大学 物品推荐方法、装置及计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN111523976B (zh) 商品推荐方法、装置、电子设备及存储介质
CN107622427B (zh) 深度学习的方法、装置及系统
JP6134444B2 (ja) 情報を推薦するための方法およびシステム
CN106295832B (zh) 产品信息推送方法及装置
TWI512653B (zh) Information providing method and apparatus, method and apparatus for determining the degree of comprehensive relevance
US11682093B2 (en) Document term recognition and analytics
US11599927B1 (en) Artificial intelligence system using deep neural networks for pairwise character-level text analysis and recommendations
CN112365283B (zh) 一种优惠券发放方法、装置、终端设备及存储介质
CN106708821A (zh) 基于用户个性化购物行为进行商品推荐的方法
US20160012511A1 (en) Methods and systems for generating recommendation list with diversity
CN105718184A (zh) 一种数据处理方法和装置
US11367117B1 (en) Artificial intelligence system for generating network-accessible recommendations with explanatory metadata
CN113688313A (zh) 一种预测模型的训练方法、信息推送的方法及装置
CN105786838A (zh) 一种信息匹配处理方法和装置
US12106257B2 (en) Data processing system and method for operating an enterprise application
CN109523342A (zh) 服务策略生成方法及装置、电子设备、存储介质
US20240095490A1 (en) Aspect Pre-selection using Machine Learning
US12086820B2 (en) Technology opportunity mapping
CN113781149A (zh) 信息推荐方法、装置、计算机可读存储介质及电子设备
CN104517157A (zh) 使用社交媒体在可承诺量系统中预测分析的方法和系统
CN111666757A (zh) 商品评论情感倾向分析方法、装置、设备和可读存储介质
CN109840788A (zh) 用于分析用户行为数据的方法及装置
WO2013173194A1 (en) A user recommendation method and device
CN109242516A (zh) 处理服务单的方法和装置
CN111523315B (zh) 数据处理方法、文本识别方法、装置及计算机设备

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