CN112508599B - 信息反馈方法和装置 - Google Patents
信息反馈方法和装置 Download PDFInfo
- Publication number
- CN112508599B CN112508599B CN202011269832.5A CN202011269832A CN112508599B CN 112508599 B CN112508599 B CN 112508599B CN 202011269832 A CN202011269832 A CN 202011269832A CN 112508599 B CN112508599 B CN 112508599B
- Authority
- CN
- China
- Prior art keywords
- attribute
- value
- target behavior
- attribute value
- execution rate
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000006399 behavior Effects 0.000 claims abstract description 166
- 238000012986 modification Methods 0.000 claims abstract description 94
- 230000004048 modification Effects 0.000 claims abstract description 94
- 238000007667 floating Methods 0.000 claims abstract description 47
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 55
- 230000015654 memory Effects 0.000 claims description 19
- 230000000630 rising effect Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q30/02—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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了信息反馈方法和装置,涉及深度学习技术领域,具体实现方案为:响应于接收到对象的信息反馈请求,获取与信息反馈请求相对应的对象的各个属性的属性值和属性值修改信息;基于各个属性的属性值修改信息对相应属性的属性值进行更新,生成与属性值修改信息相对应的各个属性值集合;利用训练得到的目标行为模型对各个属性值集合进行预测,生成与所有属性值集合相对应的目标行为执行率、与所有属性值集合相对应的价值属性的浮动范围和与目标行为执行率相对应的第一属性集合;反馈对象的各个信息。该方案利用预先训练的目标行为模型反向对产品对象属性进行调整升级,使得目标行为执行率进一步得到提升,实现了精准的产品对象升级指引。
Description
技术领域
本申请的实施例涉及计算机技术领域,具体涉及深度学习技术领域,尤其涉及信息反馈方法和装置。
背景技术
产品对象升级是指针对某一款产品对象,通过改变其某些维度的属性,已让这款产品对象获得更佳的市场预期。现有的产品对象升级大多是采用消费者调研的方法,调研一方面需要耗费比较大的人力和物力,同时只采样部分消费者进行调研不能反映市场整体的情况。随着电商平台的兴起,用户与产品对象之间的交互数据得到越来越多的积累,利用大数据来进行产品对象的智能升级将会是一个更好的选择。
发明内容
本申请提出了一种信息反馈方法、装置、设备以及存储介质。
根据第一方面,本申请实施例提供了一种信息反馈方法,方法包括:响应于接收到对象的信息反馈请求,获取与信息反馈请求相对应的对象的各个属性的属性值和属性值修改信息;基于各个属性的属性值修改信息对相应属性的属性值进行更新,生成与属性值修改信息相对应的各个属性值集合,其中,属性值集合包括:价值属性的属性值和除价值属性以外的其他属性的属性值;利用训练得到的目标行为模型对各个属性值集合进行预测,生成与所有属性值集合相对应的目标行为执行率、与所有属性值集合相对应的价值属性的浮动范围和与目标行为执行率相对应的第一属性集合,其中,目标行为执行率为同一属性值集合所对应的对象的销量信息和对象的查阅信息的比值,价值属性的浮动范围用于表征价值属性的属性值的最大上升空间,目标行为模型的目标为在满足属性值集合对应的目标行为执行率大于相应属性的属性值对应的目标行为执行率的条件下,使价值属性的属性值的上升空间最大,第一属性集合为除价值属性以外的其他属性的属性值修改信息的集合;反馈对象的各个信息,其中,各个信息至少包括:目标行为执行率、第一属性集合和价值属性的浮动范围。
在一些实施例中,目标行为模型通过如下训练方式得到:获取训练样本集,其中,训练样本集中的训练样本包括对象的属性值集合、与属性值集合相对应的目标行为执行率、与属性值集合相对应的价值属性的浮动范围和与目标行为执行率相对应的第一属性集合,属性值集合基于对象的全量用户的属性信息而确定;利用深度学习算法,将训练样本集中训练样本包括的对象的属性值集合作为输入数据,将与输入的对象的属性值集合对应的目标行为执行率、与输入的对象的属性值集合对应的价值属性的浮动范围和与目标行为执行率相对应的第一属性集合作为期望输出数据,训练得到目标行为模型。
在一些实施例中,目标行为模型包括:执行率预测子模型和价值范围确定子模型;利用训练得到的目标行为模型对各个属性值集合进行预测,生成与所有属性值集合相对应的目标行为执行率、与所有属性值集合相对应的价值属性的浮动范围和与目标行为执行率相对应的第一属性集合,包括:利用训练得到的执行率预测子模型对各个属性值集合进行预测,生成与各个属性值集合相对应的目标行为执行率和与目标行为执行率相对应的第一属性集合,其中,执行率预测子模型用于表征以获得最大的目标行为执行率为目标;将第一属性集合中其他属性的属性值修改信息输入价值范围确定子模型,输出与第一属性集合相对应的价值属性的浮动范围,其中,价值范围确定子模型的目标为在满足第一属性集合中各个属性的属性值修改信息所对应的目标行为执行率大于第一属性集合中各个属性的属性值所对应的目标行为执行率的条件下,使价值属性的属性值的上升空间最大。
在一些实施例中,价值范围确定子模型利用深度学习训练得到。
在一些实施例中,基于各个属性的属性值修改信息对相应属性的属性值进行更新,生成与属性值修改信息相对应的各个属性值集合,包括:基于各个属性的属性值修改信息对相应属性的属性值进行逐一更新,生成与每个属性值修改信息相对应的各个属性值集合;或者,基于预设的更新规则和各个属性的属性值修改信息对相应属性的属性值进行更新,生成与属性值修改信息相对应的各个属性值集合。
在一些实施例中,方法还包括:根据反馈的对象的各个信息与产品的相关性,优化对象的产品结构和/或对象的市场策略。
第二方面,本申请实施例提供了一种信息反馈装置,装置包括:获取单元,被配置成响应于接收到对象的信息反馈请求,获取与信息反馈请求相对应的对象的各个属性的属性值和属性值修改信息;生成单元,被配置成基于各个属性的属性值修改信息对相应属性的属性值进行更新,生成与属性值修改信息相对应的各个属性值集合,其中,属性值集合包括:价值属性的属性值和除价值属性以外的其他属性的属性值;预测单元,被配置成利用训练得到的目标行为模型对各个属性值集合进行预测,生成与所有属性值集合相对应的目标行为执行率、与所有属性值集合相对应的价值属性的浮动范围和与目标行为执行率相对应的第一属性集合,其中,目标行为执行率为同一属性值集合所对应的对象的销量信息和对象的查阅信息的比值,价值属性的浮动范围用于表征价值属性的属性值的最大上升空间,目标行为模型的目标为在满足属性值集合对应的目标行为执行率大于相应属性的属性值对应的目标行为执行率的条件下,使价值属性的属性值的上升空间最大,第一属性集合为除价值属性以外的其他属性的属性值修改信息的集合;反馈单元,被配置成反馈对象的各个信息,其中,各个信息至少包括:目标行为执行率、第一属性集合和价值属性的浮动范围。
在一些实施例中,预测单元中的目标行为模型利用如下模块训练得到:获取模块,被配置成获取训练样本集,其中,训练样本集中的训练样本包括对象的属性值集合、与属性值集合相对应的目标行为执行率、与属性值集合相对应的价值属性的浮动范围和与目标行为执行率相对应的第一属性集合,属性值集合基于对象的全量用户的属性信息而确定;训练模块,被配置成利用深度学习算法,将训练样本集中训练样本包括的对象的属性值集合作为输入数据,将与输入的对象的属性值集合对应的目标行为执行率、与输入的对象的属性值集合对应的价值属性的浮动范围和与目标行为执行率相对应的第一属性集合作为期望输出数据,训练得到目标行为模型。
在一些实施例中,预测单元中的目标行为模型包括:执行率预测子模型和价值范围确定子模型;预测单元,包括:执行率预测模块,被配置成利用训练得到的执行率预测子模型对各个属性值集合进行预测,生成与各个属性值集合相对应的目标行为执行率和与目标行为执行率相对应的第一属性集合,其中,执行率预测子模型用于表征以获得最大的目标行为执行率为目标;价值范围确定模块,被配置成将第一属性集合中其他属性的属性值修改信息输入价值范围确定子模型,输出与第一属性集合相对应的价值属性的浮动范围,其中,价值范围确定子模型的目标为在满足第一属性集合中各个属性的属性值修改信息所对应的目标行为执行率大于第一属性集合中各个属性的属性值所对应的目标行为执行率的条件下,使价值属性的属性值的上升空间最大。
在一些实施例中,价值范围确定模块中的价值范围确定子模型利用深度学习训练得到。
在一些实施例中,生成单元进一步被配置成基于各个属性的属性值修改信息对相应属性的属性值进行逐一更新,生成与每个属性值修改信息相对应的各个属性值集合;或者,生成单元进一步被配置成基于预设的更新规则和各个属性的属性值修改信息对相应属性的属性值进行更新,生成与属性值修改信息相对应的各个属性值集合。
在一些实施例中,装置还包括:优化单元,被配置成根据反馈的对象的各个信息,优化对象的产品结构和/或对象的市场策略。
第三方面,本申请实施例提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
根据本申请的技术通过响应于接收到对象的信息反馈请求,获取与信息反馈请求相对应的对象的各个属性的属性值和属性值修改信息,基于各个属性的属性值修改信息对相应属性的属性值进行更新,生成与属性值修改信息相对应的各个属性值集合,利用训练得到的目标行为模型对各个属性值集合进行预测,生成与所有属性值集合相对应的目标行为执行率、与所有属性值集合相对应的价值属性的浮动范围和与目标行为执行率相对应的第一属性集合,反馈对象的各个信息,解决了现有技术中针对产品对象升级利用消费者调研方法比较耗费资源,难以反映真实的市场情况的问题,利用预先训练的目标行为模型反向对产品对象属性进行调整升级,使得目标行为执行率进一步得到提升,实现了精准的产品对象升级指引。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。
图1是根据本申请的信息反馈方法的第一实施例的示意图;
图2是可以实现本申请实施例的信息反馈方法的场景图;
图3是根据本申请的信息反馈方法的第二实施例的示意图;
图4根据本申请的信息反馈装置的一个实施例的结构示意图;
图5是用来实现本申请实施例的信息反馈方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了根据本申请的信息反馈方法的第一实施例的示意图100。该信息反馈方法,包括以下步骤:
步骤101,响应于接收到对象的信息反馈请求,获取与信息反馈请求相对应的对象的各个属性的属性值和属性值修改信息。
在本实施例中,当执行主体接收到对象的信息反馈请求后,可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取与信息反馈请求相对应的对象的各个属性的属性值和属性值修改信息。例如冰箱的属性可以包括:容积、高度、宽度、深度、能效等级、控温方式、压缩机、显示方式、制冷方式、特色功能和价格等。
步骤102,基于各个属性的属性值修改信息对相应属性的属性值进行更新,生成与属性值修改信息相对应的各个属性值集合。
在本实施例中,上述执行主体可以基于步骤101得到的各个属性的属性值修改信息针对对象相应属性的属性值进行更新,生成与属性值修改信息相对应的各个属性值集合。属性值集可以包括:价值属性的属性值和除价值属性以外的其他属性的属性值。
步骤103,利用训练得到的目标行为模型对各个属性值集合进行预测,生成与所有属性值集合相对应的目标行为执行率、与所有属性值集合相对应的价值属性的浮动范围和与目标行为执行率相对应的第一属性集合。
在本实施例中,上述执行主体可以将步骤102中生成的各个属性值集合输入至训练得到的目标行为模型,生成与所有属性值集合相对应的目标行为执行率、与所有属性值集合相对应的价值属性的浮动范围和与目标行为执行率相对应的第一属性集合,其中,目标行为执行率为一定时间内,同一属性值集合所对应的对象的销量信息和对象的查阅信息的比值,目标行为可以是下单、加购等行为。价值属性的浮动范围用于表征价值属性的属性值的最大上升空间,目标行为模型的目标为在满足属性值集合对应的目标行为执行率大于相应属性的属性值对应的目标行为执行率的条件下,使价值属性的属性值的上升空间最大,第一属性集合为除价值属性以外的其他属性的属性值修改信息的集合。
需要说明的是,上述电子设备本地或与上述电子设备本地远程通信连接的服务器中可以存储有预先训练的目标行为模型,该目标行为模型例如可以是数据表或计算公式等,本实施例不对此方面内容做任何限定。
需要说明的是,技术人员可以根据实际需求,自行设定上述目标行为模型的模型结构,本公开的实施例对此不做限定。
在本实施例的一些可选的实现方式中,目标行为模型通过如下训练方式得到:获取训练样本集,其中,训练样本集中的训练样本包括对象的属性值集合、与属性值集合相对应的目标行为执行率、与属性值集合相对应的价值属性的浮动范围和与目标行为执行率相对应的第一属性集合,属性值集合基于对象的全量用户的属性信息而确定;利用深度学习算法,将训练样本集中训练样本包括的对象的属性值集合作为输入数据,将与输入的对象的属性值集合对应的目标行为执行率、与输入的对象的属性值集合对应的价值属性的浮动范围和与目标行为执行率相对应的第一属性集合作为期望输出数据,训练得到目标行为模型。通过利用已有的全量用户数据和机器学习技术进行目标行为模型的训练,能够方便的获取到整体市场情况,避免了现有技术中因统计的数据来源不全面,无法对分散在不同地区的用户数据进行调研的问题,提高了目标行为模型的应用范围和精度。
步骤104,反馈对象的各个信息。
在本实施例中,上述执行主体反馈对象的各个信息,其中,各个信息至少包括:目标行为执行率、第一属性集合和价值属性的浮动范围。
继续参见图2,本实施例的信息反馈方法200运行于电子设备201中。当电子设备201接收到对象的信息反馈请求,首先获取与信息反馈请求相对应的对象的各个属性的属性值和属性值修改信息202,然后电子设备201基于各个属性的属性值修改信息对相应属性的属性值进行更新,生成与属性值修改信息相对应的各个属性值集合203,接着电子设备201利用训练得到的目标行为模型对各个属性值集合进行预测,生成与所有属性值集合相对应的目标行为执行率、与所有属性值集合相对应的价值属性的浮动范围和与目标行为执行率相对应的第一属性集合204,最后电子设备201反馈对象的各个信息205。
本申请的上述实施例提供的方法通过响应于接收到对象的信息反馈请求,获取与信息反馈请求相对应的对象的各个属性的属性值和属性值修改信息,基于各个属性的属性值修改信息对相应属性的属性值进行更新,生成与属性值修改信息相对应的各个属性值集合,利用训练得到的目标行为模型对各个属性值集合进行预测,生成与所有属性值集合相对应的目标行为执行率、与所有属性值集合相对应的价值属性的浮动范围和与目标行为执行率相对应的第一属性集合,反馈对象的各个信息,解决了现有技术中针对产品对象升级利用消费者调研方法比较耗费资源,难以反映真实的市场情况的问题,利用预先训练的目标行为模型反向对产品对象属性进行调整升级,使得目标行为执行率进一步得到提升,实现了精准的产品对象升级指引。
进一步参考图3,其示出了信息反馈方法的第二实施例的示意图300。该方法的流程包括以下步骤:
步骤301,响应于接收到对象的信息反馈请求,获取与信息反馈请求相对应的对象的各个属性的属性值和属性值修改信息。
步骤302,基于预设的更新规则和各个属性的属性值修改信息对相应属性的属性值进行更新,生成与属性值修改信息相对应的各个属性值集合。
在本实施例中,根据对象的升级需求可以预先设定更新规则,例如设定属性调整的个数等,上述执行主体可以基于预设的更新规则和各个属性的属性值修改信息对相应属性的属性值进行更新,生成与属性值修改信息相对应的各个属性值集合。比如对于冰箱来说,在预设的属性调整个数为2时,目标行为模型预测得到在改变控温方式和压缩机两个属性时会使目标行为执行率提升最大。
在本实施例的一些可选的实现方式中,基于各个属性的属性值修改信息对相应属性的属性值进行更新,生成与属性值修改信息相对应的各个属性值集合,包括:基于各个属性的属性值修改信息对相应属性的属性值进行逐一更新,生成与每个属性值修改信息相对应的各个属性值集合。获得所有属性更新后的属性值集合,以进行全面细致的分析。
步骤303,利用训练得到的执行率预测子模型对各个属性值集合进行预测,生成与各个属性值集合相对应的目标行为执行率和与目标行为执行率相对应的第一属性集合。
在本实施例中,目标行为模型包括:执行率预测子模型和价值范围确定子模型。执行主体利用训练得到的执行率预测子模型对各个属性值集合进行预测,生成与各个属性值集合相对应的目标行为执行率和与目标行为执行率相对应的第一属性集合。执行率预测子模型用于表征以获得最大的目标行为执行率为目标。
进一步举例说明,产品对象的执行率预测子模型可以通过将产品对象基本属性作为输入,利用深度神经网络模型回归拟合此产品对象的转化率。具体来说,产品对象i的基本属性可以表示为(xi,pi),其中pi表示价格,xi表示除价格以外的其他属性,针对产品对象i的转化率yi表示为:yi=所有购买i用户数量/所有浏览i用户数量,将产品对象(xi,pi)作为输入,利用损失函数训练深度学习模型,要求模型输出oi尽量拟合yi,反向求导得到梯度,然后利用梯度更新模型参数其中,损失函数可以表示为:L=1/2(oi-yi)2。
步骤304,将第一属性集合中其他属性的属性值修改信息输入价值范围确定子模型,输出与第一属性集合相对应的价值属性的浮动范围。
在本实施例中,执行主体可以将第一属性集合中其他属性的属性值修改信息输入价值范围确定子模型,输出与第一属性集合相对应的价值属性的浮动范围。价值范围确定子模型的目标为在满足第一属性集合中各个属性的属性值修改信息所对应的目标行为执行率大于第一属性集合中各个属性的属性值所对应的目标行为执行率的条件下,使价值属性的属性值的上升空间最大。比如,冰箱的制冷类型属性值从直冷调整为风冷,如果保持价格不变,目标行为执行率会提升0.2%,但是这个属性的调整会给产品带来成本的增加,经过产品的价值范围确定子模型预测后得到产品的价值属性(即价格)能提升的最大值为300元。
在本实施例的一些可选的实现方式中,价值范围确定子模型利用深度学习方法和全量用户数据训练得到。通过利用已有的全量用户数据和机器学习技术进行价值范围确定子模型的训练,能够方便的获取到整体市场情况,提高了价值范围确定子模型的应用范围和精度。
例如,价值范围确定子模型可以通过将产品对象的基本属性组合(除去价格)作为输入,通过深度学习模型回归拟合产品对象的价格。具体来说,产品对象i的基本属性可以表示为(xi,pi),其中pi表示价格,xi表示除价格以外的其他属性,将xi作为输入,利用损失函数训练深度学习模型,要求模型输出oi尽量拟合pi,反向求导得到梯度,然后利用梯度更新模型参数,其中,损失函数可以表示为:L=1/2(oi-pi)2。
步骤305,反馈对象的各个信息。
在本实施例的一些可选的实现方式中,方法还包括:根据反馈的对象的各个信息与产品的相关性,优化对象的产品结构和/或对象的市场策略。利用产品信息的分析结果,对产品进行优化,改进产品的结构和产品的市场策略,进一步增大产品的销量,使产品的利润最大化。
在本实施例中,步骤301和305的具体操作与图1所示的实施例中的步骤101和104的操作基本相同,在此不再赘述。
需要说明的是,上述深度学习算法是目前广泛研究和应用的公知技术,在此不再赘述。技术人员可以根据实际需求,自行设定上述执行率预测子模型和价值范围确定子模型的模型结构,本公开的实施例对此不做限定。
从图3中可以看出,与图1对应的实施例相比,本实施例中的信息反馈方法的示意图300采用基于预设的更新规则和各个属性的属性值修改信息对相应属性的属性值进行更新,生成与属性值修改信息相对应的各个属性值集合,利用训练得到的执行率预测子模型对各个属性值集合进行预测,生成与各个属性值集合相对应的目标行为执行率和与目标行为执行率相对应的第一属性集合,将第一属性集合中其他属性的属性值修改信息输入价值范围确定子模型,输出与第一属性集合相对应的价值属性的浮动范围,实现了一种更加灵活多样的产品对象升级方法,满足了产品升级的定制化需求;通过模型反向对产品对象的属性进行调整升级并确定价值属性的浮动空间,实现了精准的老品升级指引,确定产品的合理升价空间。
进一步参考图4,作为对上述图1所示方法的实现,本申请提供了一种信息反馈装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的信息反馈装置400包括:获取单元401、生成单元402、预测单元403和反馈单元404。其中,获取单元,被配置成响应于接收到对象的信息反馈请求,获取与信息反馈请求相对应的对象的各个属性的属性值和属性值修改信息;生成单元,被配置成基于各个属性的属性值修改信息对相应属性的属性值进行更新,生成与属性值修改信息相对应的各个属性值集合,其中,属性值集合包括:价值属性的属性值和除价值属性以外的其他属性的属性值;预测单元,被配置成利用训练得到的目标行为模型对各个属性值集合进行预测,生成与所有属性值集合相对应的目标行为执行率、与所有属性值集合相对应的价值属性的浮动范围和与目标行为执行率相对应的第一属性集合,其中,目标行为执行率为同一属性值集合所对应的对象的销量信息和对象的查阅信息的比值,价值属性的浮动范围用于表征价值属性的属性值的最大上升空间,目标行为模型的目标为在满足属性值集合对应的目标行为执行率大于相应属性的属性值对应的目标行为执行率的条件下,使价值属性的属性值的上升空间最大,第一属性集合为除价值属性以外的其他属性的属性值修改信息的集合;反馈单元,被配置成反馈对象的各个信息,其中,各个信息至少包括:目标行为执行率、第一属性集合和价值属性的浮动范围。
在本实施例中,信息反馈装置400的获取单元401、生成单元402、预测单元403和反馈单元404的具体处理及其所带来的技术效果可分别参考图1对应的实施例中的步骤101到步骤104的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,预测单元中的目标行为模型利用如下模块训练得到:获取模块,被配置成获取训练样本集,其中,训练样本集中的训练样本包括对象的属性值集合、与属性值集合相对应的目标行为执行率、与属性值集合相对应的价值属性的浮动范围和与目标行为执行率相对应的第一属性集合,属性值集合基于对象的全量用户的属性信息而确定;训练模块,被配置成利用深度学习算法,将训练样本集中训练样本包括的对象的属性值集合作为输入数据,将与输入的对象的属性值集合对应的目标行为执行率、与输入的对象的属性值集合对应的价值属性的浮动范围和与目标行为执行率相对应的第一属性集合作为期望输出数据,训练得到目标行为模型。
在本实施例的一些可选的实现方式中,预测单元中的目标行为模型包括:执行率预测子模型和价值范围确定子模型;预测单元,包括:执行率预测模块,被配置成利用训练得到的执行率预测子模型对各个属性值集合进行预测,生成与各个属性值集合相对应的目标行为执行率和与目标行为执行率相对应的第一属性集合,其中,执行率预测子模型用于表征以获得最大的目标行为执行率为目标;价值范围确定模块,被配置成将第一属性集合中其他属性的属性值修改信息输入价值范围确定子模型,输出与第一属性集合相对应的价值属性的浮动范围,其中,价值范围确定子模型的目标为在满足第一属性集合中各个属性的属性值修改信息所对应的目标行为执行率大于第一属性集合中各个属性的属性值所对应的目标行为执行率的条件下,使价值属性的属性值的上升空间最大。
在本实施例的一些可选的实现方式中,价值范围确定模块中的价值范围确定子模型利用深度学习训练得到。
在本实施例的一些可选的实现方式中,生成单元进一步被配置成基于各个属性的属性值修改信息对相应属性的属性值进行逐一更新,生成与每个属性值修改信息相对应的各个属性值集合;或者,生成单元进一步被配置成基于预设的更新规则和各个属性的属性值修改信息对相应属性的属性值进行更新,生成与属性值修改信息相对应的各个属性值集合。
在本实施例的一些可选的实现方式中,装置还包括:优化单元,被配置成根据反馈的对象的各个信息,优化对象的产品结构和/或对象的市场策略。
如图5所示,是根据本申请实施例的信息反馈的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示,该电子设备包括:一个或多个处理器501、存储器502,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的信息反馈方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的信息反馈方法。
存储器502作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的信息反馈方法对应的程序指令/模块(例如,附图4所示的获取单元401、生成单元402、预测单元403和反馈单元404)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的信息反馈方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据信息反馈电子设备的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至信息反馈的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
信息反馈方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与信息反馈电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,通过响应于接收到对象的信息反馈请求,获取与信息反馈请求相对应的对象的各个属性的属性值和属性值修改信息,基于各个属性的属性值修改信息对相应属性的属性值进行更新,生成与属性值修改信息相对应的各个属性值集合,利用训练得到的目标行为模型对各个属性值集合进行预测,生成与所有属性值集合相对应的目标行为执行率、与所有属性值集合相对应的价值属性的浮动范围和与目标行为执行率相对应的第一属性集合,反馈对象的各个信息,解决了现有技术中针对产品对象升级利用消费者调研方法比较耗费资源,难以反映真实的市场情况的问题,利用预先训练的目标行为模型反向对产品对象属性进行调整升级,使得目标行为执行率进一步得到提升,实现了精准的产品对象升级指引。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (14)
1.一种信息反馈方法,所述方法包括:
响应于接收到对象的信息反馈请求,获取与所述信息反馈请求相对应的所述对象的各个属性的属性值和属性值修改信息;
基于各个属性的属性值修改信息对相应属性的属性值进行更新,生成与所述属性值修改信息相对应的各个属性值集合,其中,所述属性值集合包括:价值属性的属性值和除价值属性以外的其他属性的属性值;
利用训练得到的目标行为模型对各个属性值集合进行预测,生成与所有属性值集合相对应的目标行为执行率、与所有属性值集合相对应的所述价值属性的浮动范围和与所述目标行为执行率相对应的第一属性集合,其中,所述目标行为执行率为同一属性值集合所对应的所述对象的销量信息和所述对象的查阅信息的比值,所述价值属性的浮动范围用于表征所述价值属性的属性值的最大上升空间,所述目标行为模型的目标为在满足属性值集合对应的目标行为执行率大于相应属性的属性值对应的目标行为执行率的条件下,使所述价值属性的属性值的上升空间最大,所述第一属性集合为除价值属性以外的其他属性的属性值修改信息的集合;
反馈所述对象的各个信息,其中,所述各个信息至少包括:所述目标行为执行率、所述第一属性集合和所述价值属性的浮动范围。
2.根据权利要求1所述方法,其中,所述目标行为模型通过如下训练方式得到:
获取训练样本集,其中,所述训练样本集中的训练样本包括所述对象的属性值集合、与属性值集合相对应的目标行为执行率、与属性值集合相对应的所述价值属性的浮动范围和与所述目标行为执行率相对应的第一属性集合,所述属性值集合基于所述对象的全量用户的属性信息而确定;
利用深度学习算法,将所述训练样本集中训练样本包括的所述对象的属性值集合作为输入数据,将与输入的所述对象的属性值集合对应的所述目标行为执行率、与输入的所述对象的属性值集合对应的所述价值属性的浮动范围和与所述目标行为执行率相对应的第一属性集合作为期望输出数据,训练得到目标行为模型。
3.根据权利要求1所述方法,其中,所述目标行为模型包括:执行率预测子模型和价值范围确定子模型;所述利用训练得到的目标行为模型对各个属性值集合进行预测,生成与所有属性值集合相对应的目标行为执行率、与所有属性值集合相对应的所述价值属性的浮动范围和与所述目标行为执行率相对应的第一属性集合,包括:
利用训练得到的执行率预测子模型对各个属性值集合进行预测,生成与各个属性值集合相对应的目标行为执行率和与所述目标行为执行率相对应的第一属性集合,其中,所述执行率预测子模型用于表征以获得最大的所述目标行为执行率为目标;
将所述第一属性集合中其他属性的属性值修改信息输入价值范围确定子模型,输出与所述第一属性集合相对应的所述价值属性的浮动范围,其中,所述价值范围确定子模型的目标为在满足所述第一属性集合中各个属性的属性值修改信息所对应的目标行为执行率大于所述第一属性集合中各个属性的属性值所对应的目标行为执行率的条件下,使所述价值属性的属性值的上升空间最大。
4.根据权利要求3所述方法,其中,所述价值范围确定子模型利用深度学习训练得到。
5.根据权利要求1所述方法,其中,所述基于各个属性的属性值修改信息对相应属性的属性值进行更新,生成与所述属性值修改信息相对应的各个属性值集合,包括:
基于各个属性的属性值修改信息对相应属性的属性值进行逐一更新,生成与每个所述属性值修改信息相对应的各个属性值集合;或者,基于预设的更新规则和各个属性的属性值修改信息对相应属性的属性值进行更新,生成与所述属性值修改信息相对应的各个属性值集合。
6.根据权利要求1所述方法,还包括:
根据反馈的所述对象的各个信息与产品的相关性,优化所述对象的产品结构和/或所述对象的市场策略。
7.一种信息反馈装置,所述装置包括:
获取单元,被配置成响应于接收到对象的信息反馈请求,获取与所述信息反馈请求相对应的所述对象的各个属性的属性值和属性值修改信息;
生成单元,被配置成基于各个属性的属性值修改信息对相应属性的属性值进行更新,生成与所述属性值修改信息相对应的各个属性值集合,其中,所述属性值集合包括:价值属性的属性值和除价值属性以外的其他属性的属性值;
预测单元,被配置成利用训练得到的目标行为模型对各个属性值集合进行预测,生成与所有属性值集合相对应的目标行为执行率、与所有属性值集合相对应的所述价值属性的浮动范围和与所述目标行为执行率相对应的第一属性集合,其中,所述目标行为执行率为同一属性值集合所对应的所述对象的销量信息和所述对象的查阅信息的比值,所述价值属性的浮动范围用于表征所述价值属性的属性值的最大上升空间,所述目标行为模型的目标为在满足属性值集合对应的目标行为执行率大于相应属性的属性值对应的目标行为执行率的条件下,使所述价值属性的属性值的上升空间最大,所述第一属性集合为除价值属性以外的其他属性的属性值修改信息的集合;
反馈单元,被配置成反馈所述对象的各个信息,其中,所述各个信息至少包括:所述目标行为执行率、所述第一属性集合和所述价值属性的浮动范围。
8.根据权利要求7所述装置,其中,所述预测单元中的所述目标行为模型利用如下模块训练得到:
获取模块,被配置成获取训练样本集,其中,所述训练样本集中的训练样本包括所述对象的属性值集合、与属性值集合相对应的目标行为执行率、与属性值集合相对应的所述价值属性的浮动范围和与所述目标行为执行率相对应的第一属性集合,所述属性值集合基于所述对象的全量用户的属性信息而确定;
训练模块,被配置成利用深度学习算法,将所述训练样本集中训练样本包括的所述对象的属性值集合作为输入数据,将与输入的所述对象的属性值集合对应的所述目标行为执行率、与输入的所述对象的属性值集合对应的所述价值属性的浮动范围和与所述目标行为执行率相对应的第一属性集合作为期望输出数据,训练得到目标行为模型。
9.根据权利要求7所述装置,其中,所述预测单元中的所述目标行为模型包括:执行率预测子模型和价值范围确定子模型;所述预测单元,包括:
执行率预测模块,被配置成利用训练得到的执行率预测子模型对各个属性值集合进行预测,生成与各个属性值集合相对应的目标行为执行率和与所述目标行为执行率相对应的第一属性集合,其中,所述执行率预测子模型用于表征以获得最大的所述目标行为执行率为目标;
价值范围确定模块,被配置成将所述第一属性集合中其他属性的属性值修改信息输入价值范围确定子模型,输出与所述第一属性集合相对应的所述价值属性的浮动范围,其中,所述价值范围确定子模型的目标为在满足所述第一属性集合中各个属性的属性值修改信息所对应的目标行为执行率大于所述第一属性集合中各个属性的属性值所对应的目标行为执行率的条件下,使所述价值属性的属性值的上升空间最大。
10.根据权利要求9所述装置,其中,所述价值范围确定模块中的所述价值范围确定子模型利用深度学习训练得到。
11.根据权利要求7所述装置,其中,所述生成单元进一步被配置成基于各个属性的属性值修改信息对相应属性的属性值进行逐一更新,生成与每个所述属性值修改信息相对应的各个属性值集合;或者,所述生成单元进一步被配置成基于预设的更新规则和各个属性的属性值修改信息对相应属性的属性值进行更新,生成与所述属性值修改信息相对应的各个属性值集合。
12.根据权利要求7所述装置,还包括:
优化单元,被配置成根据反馈的所述对象的各个信息,优化所述对象的产品结构和/或所述对象的市场策略。
13.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011269832.5A CN112508599B (zh) | 2020-11-13 | 2020-11-13 | 信息反馈方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011269832.5A CN112508599B (zh) | 2020-11-13 | 2020-11-13 | 信息反馈方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112508599A CN112508599A (zh) | 2021-03-16 |
CN112508599B true CN112508599B (zh) | 2024-05-24 |
Family
ID=74957485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011269832.5A Active CN112508599B (zh) | 2020-11-13 | 2020-11-13 | 信息反馈方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508599B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197382A (zh) * | 2018-02-24 | 2019-09-03 | 北京京东尚科信息技术有限公司 | 用于生成信息的方法和装置 |
CN110263329A (zh) * | 2019-05-22 | 2019-09-20 | 深圳壹账通智能科技有限公司 | 软件产品测评处理方法、装置、计算机设备及存储介质 |
CN110414862A (zh) * | 2019-08-05 | 2019-11-05 | 中国工商银行股份有限公司 | 基于分类模型的任务调整方法及装置 |
CN110580649A (zh) * | 2018-06-08 | 2019-12-17 | 北京京东尚科信息技术有限公司 | 一种商品潜力值的确定方法和装置 |
CN110766164A (zh) * | 2018-07-10 | 2020-02-07 | 第四范式(北京)技术有限公司 | 用于执行机器学习过程的方法和系统 |
CN111460384A (zh) * | 2020-03-31 | 2020-07-28 | 北京百度网讯科技有限公司 | 策略的评估方法、装置和设备 |
CN111461757A (zh) * | 2019-11-27 | 2020-07-28 | 北京沃东天骏信息技术有限公司 | 信息处理方法及装置、计算机存储介质、电子设备 |
CN111580839A (zh) * | 2019-02-18 | 2020-08-25 | 珠海格力电器股份有限公司 | 电器设备的升级方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3417371A1 (en) * | 2016-02-17 | 2018-12-26 | Telefonaktiebolaget LM Ericsson (publ) | Model based upgrade campaign generation |
-
2020
- 2020-11-13 CN CN202011269832.5A patent/CN112508599B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197382A (zh) * | 2018-02-24 | 2019-09-03 | 北京京东尚科信息技术有限公司 | 用于生成信息的方法和装置 |
CN110580649A (zh) * | 2018-06-08 | 2019-12-17 | 北京京东尚科信息技术有限公司 | 一种商品潜力值的确定方法和装置 |
CN110766164A (zh) * | 2018-07-10 | 2020-02-07 | 第四范式(北京)技术有限公司 | 用于执行机器学习过程的方法和系统 |
CN111580839A (zh) * | 2019-02-18 | 2020-08-25 | 珠海格力电器股份有限公司 | 电器设备的升级方法及装置 |
CN110263329A (zh) * | 2019-05-22 | 2019-09-20 | 深圳壹账通智能科技有限公司 | 软件产品测评处理方法、装置、计算机设备及存储介质 |
CN110414862A (zh) * | 2019-08-05 | 2019-11-05 | 中国工商银行股份有限公司 | 基于分类模型的任务调整方法及装置 |
CN111461757A (zh) * | 2019-11-27 | 2020-07-28 | 北京沃东天骏信息技术有限公司 | 信息处理方法及装置、计算机存储介质、电子设备 |
CN111460384A (zh) * | 2020-03-31 | 2020-07-28 | 北京百度网讯科技有限公司 | 策略的评估方法、装置和设备 |
Non-Patent Citations (1)
Title |
---|
一种基于分类和预测技术的产品成本估算系统研究与应用;李向宁;郝克刚;;郑州大学学报(工学版)(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112508599A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7166322B2 (ja) | モデルを訓練するための方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
CN111311321B (zh) | 用户消费行为预测模型训练方法、装置、设备及存储介质 | |
CN111695695B (zh) | 用户决策行为量化分析方法及装置 | |
US20210406327A1 (en) | Resource recommendation method and apparatus, parameter determination method and apparatus, device, and medium | |
CN111582479B (zh) | 神经网络模型的蒸馏方法和装置 | |
CN111506803B (zh) | 内容推荐方法、装置、电子设备及存储介质 | |
CN111460384B (zh) | 策略的评估方法、装置和设备 | |
CN112258268B (zh) | 确定推荐模型和确定物品价格的方法、装置、设备和介质 | |
CN110704509A (zh) | 数据分类方法、装置、设备及存储介质 | |
CN114141317A (zh) | 化合物性质预测模型训练方法、装置、设备以及存储介质 | |
CN112380104A (zh) | 用户属性识别方法、装置、电子设备及存储介质 | |
CN111563198A (zh) | 一种物料召回方法、装置、设备及存储介质 | |
CN113791882B (zh) | 多任务的部署方法、装置、电子设备及存储介质 | |
CN111311000B (zh) | 用户消费行为预测模型训练方法、装置、设备及存储介质 | |
CN111461306B (zh) | 特征评估的方法及装置 | |
CN112015439B (zh) | 用户app兴趣的嵌入方法、装置、设备以及存储介质 | |
CN112819497B (zh) | 转化率预测方法、装置、设备和存储介质 | |
CN112541145B (zh) | 一种页面展现方法、装置、设备及存储介质 | |
CN113204614A (zh) | 模型训练方法、优化训练数据集的方法及其装置 | |
CN112508599B (zh) | 信息反馈方法和装置 | |
CN113112311B (zh) | 训练因果推断模型的方法、信息提示方法以装置 | |
CN111563202B (zh) | 资源数据处理方法、装置、电子设备和介质 | |
CN115185606A (zh) | 业务配置参数的获得方法、装置、设备及存储介质 | |
CN111738325B (zh) | 图像识别方法、装置、设备以及存储介质 | |
CN112734454B (zh) | 一种用户信息确定方法、装置、电子设备和存储介质 |
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 |