CN112561162A - 一种信息推荐的方法及装置 - Google Patents
一种信息推荐的方法及装置 Download PDFInfo
- Publication number
- CN112561162A CN112561162A CN202011479723.6A CN202011479723A CN112561162A CN 112561162 A CN112561162 A CN 112561162A CN 202011479723 A CN202011479723 A CN 202011479723A CN 112561162 A CN112561162 A CN 112561162A
- Authority
- CN
- China
- Prior art keywords
- service
- user
- sub
- target
- link
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 description 29
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 14
- 230000004913 activation Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- 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
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Development Economics (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种信息推荐的方法及装置,业务平台可以确定需要向用户推荐的业务,作为目标业务,并获取该用户的用户数据。而后,业务平台可以将用户数据输入到预先训练的预测模型中,以针对目标业务包含的每个子业务环节,按照目标业务包含的各子业务环节的业务执行顺序,根据用户数据以及确定出的用户在执行上一子业务环节对应的执行概率,预测用户执行该子业务环节对应的执行概率。最后,业务平台可以根据预测出的用户执行目标业务的最后一个子业务环节对应的执行概率,确定是否将目标业务对应的业务信息推荐给用户,本方法能够提高预测出的用户执行目标业务的概率的准确性,从而更准确地向用户进行推荐。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种信息推荐的方法及装置。
背景技术
随着互联网技术的不断发展,用户可以在线上浏览到推荐给该用户的多种信息,从而直接在线上执行一些业务。
业务平台通常是通过训练后的预测模型,预测在向用户推荐业务信息后,用户是否会执行相应的业务,并在预测出用户可能会执行该业务时,将该业务推荐给用户。但是,在现有技术中,预测模型通常只会根据输入的信息,简单的预测用户执行该业务的可能性,而并没有考虑到该业务中涉及的各业务环节之间的关联性,从而导致预测出的结果往往是不准确的。
因此,如何能够有效地提高预测模型预测出的结果的准确性,保证用户的良好业务体验,则是一个亟待解决的问题。
发明内容
本说明书提供一种信息推荐的方法及装置,以用于确定是否向用户推荐业务相关的信息。
本说明书采用下述技术方案:
本说明书提供了一种信息推荐的方法,包括:
确定需要向用户推荐的业务,作为目标业务,并获取所述用户的用户数据;
将所述用户数据输入到预先训练的预测模型中,以针对所述目标业务包含的每个子业务环节,按照所述目标业务包含的各子业务环节的业务执行顺序,根据所述用户数据以及确定出的所述用户在执行上一子业务环节对应的执行概率,预测所述用户执行该子业务环节对应的执行概率;
根据预测出的所述用户执行所述目标业务的最后一个子业务环节对应的执行概率,确定是否将所述目标业务对应的业务信息推荐给所述用户。
可选地,确定需要向用户推荐的业务,作为目标业务,具体包括:
若监测到所述用户完成设定业务,确定需要向用户推荐的业务,作为目标业务,所述设定业务包括除所述目标业务以外的任意其他业务。
可选地,将所述用户数据输入到预先训练的预测模型中,以针对所述目标业务包含的每个子业务环节,按照所述目标业务包含的各子业务环节的业务执行顺序,根据所述用户数据以及确定出的所述用户在执行上一子业务环节对应的执行概率,预测所述用户执行该子业务环节对应的执行概率,具体包括:
确定所述用户执行所述设定业务后的业务数据;
将所述用户数据以及所述业务数据输入到所述预测模型中,以使所述预测模型针对所述目标业务包含的每个子业务环节,根据所述用户数据、所述业务数据以及所述预测模型预测出的所述用户执行所述上一子业务环节对应的执行概率,预测出所述用户执行该子业务环节对应的执行概率。
可选地,所述预测模型包括各子预测模型,所述目标业务中包含的不同子业务环节所对应的子预测模型不同;
将所述用户数据输入到预先训练的预测模型中,以针对所述目标业务包含的每个子业务环节,按照所述目标业务包含的各子业务环节的业务执行顺序,根据所述用户数据以及确定出的所述用户在执行上一子业务环节对应的执行概率,预测所述用户执行该子业务环节对应的执行概率,具体包括:
确定所述用户执行所述设定业务后的业务数据;
针对所述目标业务包含的每个子业务环节,将所述用户数据以及所述业务数据输入到所述预测模型中针对该子业务环节对应的子预测模型中,以使该子业务环节对应的子预测模型,根据所述用户数据、所述业务数据以及上一子业务环节对应的子预测模型所预测出的所述用户执行所述上一子业务环节对应的执行概率,预测出所述用户执行该子业务环节对应的执行概率。
可选地,训练所述预测模型,具体包括:
获取目标用户的用户数据,以及根据所述目标用户针对所述目标业务的历史业务执行记录,确定所述目标用户针对所述目标业务包含的每个子业务环节对应的实际执行结果,针对所述目标业务包含的每个子业务环节,该子业务环节对应的实际执行结果用于表示所述目标用户是否执行了该子业务环节;
将所述目标用户的用户数据输入到所述预测模型中,以针对所述目标业务包含的每个子业务环节,按照所述目标业务中包含的各子业务环节的业务执行顺序,根据所述目标用户的用户数据以及确定出的所述目标用户在执行上一子业务环节对应的执行概率,确定所述目标用户执行该子业务环节对应的执行概率;
根据确定出的所述用户执行所述目标业务包含的每个子业务环节对应的执行概率,以及所述目标用户针对所述目标业务包含的每个子业务环节对应的实际执行结果,对所述预测模型进行训练。
可选地,所述目标业务包括:信用卡办理业务,所述目标业务对应的业务信息包括:信用卡办理业务的广告。
本说明书提供了一种信息推荐的装置,包括:
确定模块,用于确定需要向用户推荐的业务,作为目标业务,并获取所述用户的用户数据;
预测模块,用于将所述用户数据输入到预先训练的预测模型中,以针对所述目标业务包含的每个子业务环节,按照所述目标业务包含的各子业务环节的业务执行顺序,根据所述用户数据以及确定出的所述用户在执行上一子业务环节对应的执行概率,预测所述用户执行该子业务环节对应的执行概率;
推荐模块,用于根据预测出的所述用户执行所述目标业务的最后一个子业务环节对应的执行概率,确定是否将所述目标业务对应的业务信息推荐给所述用户。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述信息推荐的方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述信息推荐的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的信息推荐的方法中,业务平台可以确定需要向用户推荐的业务,作为目标业务,并获取该用户的用户数据,而后,业务平台可以将用户数据输入到预先训练的预测模型中,以针对目标业务包含的每个子业务环节,按照目标业务包含的各子业务环节的业务执行顺序,根据用户数据以及确定出的用户在执行上一子业务环节对应的执行概率,预测用户执行该子业务环节对应的执行概率,最后,业务平台可以根据预测出的用户执行目标业务的最后一个子业务环节对应的执行概率,确定是否将目标业务对应的业务信息推荐给用户。
从上述方法中可以看出,本方法可以针对目标业务的每个子业务环节,预测出用户在执行每个子业务环节的概率,并根据上一子业务环节的概率,确定执行该子业务环节的概率,从而确定出用户执行目标业务的最后一个子业务环节对应的执行概率,以判断是否可以向用户推荐目标业务,相比于现有技术,本方法能够通过预测模型将用户执行各子业务环节的概率进行关联,确定出该用户执行目标业务的最后一个子业务环节对应的执行概率,从而提高预测出的用户执行目标业务的概率的准确性,进而更准确地向用户进行业务信息的推荐。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中一种信息推荐的方法的流程示意图;
图2为本说明书实施例中提供的一种预测模型的训练示意图;
图3为本说明书中一种信息推荐的装置的示意图;
图4为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
在现有技术中,业务平台可以通过预测模型,预测在展示给用户需要推荐的业务的业务信息后用户是否会执行该业务,该预测模型只是简单的预测用户是否会执行推荐给其的业务,预测出的结果准确性较低。
为了解决以上问题,本说明书提供了一种信息推荐的方法,业务平台可以在确定出需要向用户推荐的业务,作为目标业务后,通过预先训练的预测模型,针对该目标业务包含的每个子业务环节,按照目标业务包含的各子业务环节的业务执行顺序,根据用户数据以及确定出的用户在执行上一子业务环节对应的执行概率,预测用户执行该子业务环节对应的执行概率,根据预测出的用户执行目标业务的最后一个子业务环节对应的执行概率,确定是否将目标业务对应的业务信息推荐给用户。可以看出,相比于现有技术,本方案考虑到了用户执行目标业务中包含的各子业务环节的概率,因此,本方法可以提高最终预测定出的用户执行目标业务的概率的准确性,从而更准确地向用户推荐业务。
图1为本说明书中一种信息推荐的方法的流程示意图,具体包括以下步骤:
S100:确定需要向用户推荐的业务,作为目标业务,并获取所述用户的用户数据。
S102:将所述用户数据输入到预先训练的预测模型中,以针对所述目标业务包含的每个子业务环节,按照所述目标业务包含的各子业务环节的业务执行顺序,根据所述用户数据以及确定出的所述用户在执行上一子业务环节对应的执行概率,预测所述用户执行该子业务环节对应的执行概率。
在实际应用中,业务平台可能根据实际需求或是用户的个人偏好,向用户进行业务推荐。其中,业务平台可以直接向用户进行业务推荐,也可以在监测到用户完成业务执行后,向用户进行其他业务的推荐。例如,若业务平台需要向用户推荐信用卡办理业务,业务平台可以在用户执行完一项业务时,通过弹窗的形式展示该信用卡办理业务的广告。再例如,业务平台可以在用户登录业务平台后,向用户推荐商品链接,用户点击该商品链接后,可以根据自身的实际需求决定是否购买该商品链接对应的商品。
业务平台向用户推荐一个业务之前,为了防止向用户推荐该业务会影响用户的正常业务执行,通常需要判断向用户进行推荐之后用户执行这项业务的可能性。因此,业务平台可以确定出需要向用户推荐的业务,作为目标业务,并获取该用户的用户数据,而后,业务平台可以将用户数据输入到预先训练的预测模型中,以针对目标业务包含的每个子业务环节,按照目标业务包含的各子业务环节的业务执行顺序,根据用户数据以及确定出的用户在执行上一子业务环节对应的执行概率,预测用户执行该子业务环节对应的执行概率。在后续步骤中,业务平台可以通过确定出的用户执行该目标业务的最后一个子业务环节对应的执行概率,确定是否向该用户推荐该目标业务。
其中,上述提到的用户的用户数据可以包括用户的年龄、性别以及用户所处的地理位置等,还可以包括用户的历史业务数据、信用记录等,而确定各子业务环节对应的执行概率的预测模型的实际形式可以有多种。例如,预测模型可以包含有多个多层感知机模型,业务平台需要先通过该预测模型中包含的embedding层以及concatenate层将该用户数据转换成该用户对应的特征向量,再将该用户对应的特征向量输入到每个多层感知机模型中,以预测该用户对目标业务包含的每个子业务环节的执行概率。当然,业务平台也可以先将用户数据转换为特征向量,再将特征向量输入到预测模型中,预测出各子业务环节对应的执行概率。预测模型可以是常规模型,例如,多层感知机(Multi-Layer Perceptron,MLP)、BP神经网络等,在此不对预测模型进行限定。
在本说明书实施例中,对于一个子业务环节来说,该子业务环节对应的执行概率是指在用户从该目标业务的第一子业务环节成功执行到该子业务环节的执行概率。也就是说,该子业务环节对应的执行概率是在假定用户从该目标业务的第一子业务环节开始执行,一直执行到该子业务环节的概率。
例如,对于推荐的信用卡办理业务来说,业务平台展示该信用卡办理业务的广告后,该业务对应的子业务环节包括:用户点击该信用卡办理业务的广告的点击子业务环节、用户填写信息并申请信用卡的申请子业务环节、为用户开通信用卡的开卡子业务环节以及用户激活信用卡的激活子业务环节。
其中,点击子业务环节对应的执行概率是指该信用卡办理业务的广告被曝光后,用户点击该广告的概率,申请子业务环节对应的执行概率是指,该信用卡办理业务的广告被曝光后,用户点击该广告并通过该广告申请信用卡的概率,开卡子业务环节是指,该信用卡办理业务的广告被曝光后,用户点击该广告并执行到开卡子环节的概率,激活子业务环节是指,该信用卡办理业务的广告被曝光后,用户点击该广告并最终执行到信用卡激活的概率。
对于目标业务为其他业务的场景来说,目标业务也包含有若干个子业务环节,各子业务环节对应的执行概率与该信用卡办理业务是类似的,例如,对于商品推荐来说,第一个子业务环节是点击商品链接,第二个子业务环节时购买商品,第三个子业务环节是付款。那么,第一个子业务环节对应的执行概率是指,该商品链接曝光后,用户点击该商品链接的概率,第二个子业务环节对应的执行概率是指,该商品链接曝光后,用户点击该商品链接并将该商品链接对应的商品加入到购物车中的概率,第三个子业务环节对应的执行概率是指,该商品链接曝光后,用户通过点击该商品链接,并最终付款购买该商品的概率。
需要说明的是,业务平台可以在监测到用户完成了设定业务后,确定出需要向用户推荐的业务,作为目标业务,从而在后续确定出是否要将该目标业务的业务信息推荐给用户。其中,设定业务可以是指除了目标业务以外的任意其他业务。也就是说,业务平台在用户完成了一项除了目标业务以外的其他业务时,若通过预测模型确定可以用户推荐该目标业务,则在此时可以为用户推荐该目标业务。
例如,用户在业务平台下单了外卖后,业务平台若通过预测模型确定出可以向该用户推荐信用卡办理业务,则可以在用户完成了外卖付款后的页面中展示信用卡办理业务的广告。
若业务平台在设定业务后向用户推荐目标业务,则输入预测模型的数据除了用户数据外,还可以包括用户执行该设定业务后的业务数据,该业务数据可以包括用户执行该设定业务所消耗的资源量、用户执行该设定业务的时间以及用户上次执行该设定业务与这一次执行设定业务之间的时间间隔。例如,若设定业务为上述外卖业务,则输入预测模型的业务数据可以包括用户的下单金额(即用户执行设定业务所消耗的资源量)、用户的下单时间以及该用户的这一订单距离上一订单的时间间隔等。
其中,不同维度的业务数据对最终确定出的执行概率有一定影响,例如,用户执行该设定业务的时间与用户的忙碌程度有一定的关联,用户比较忙碌的时候可能不会执行该目标业务,而用户在较为清闲的时候可能会执行目标业务。所以,若是确定出用户执行该设定业务的时间位于确定出的用户的闲暇时段时(如午休时段,下班时段等),则最终确定出的执行概率将可能较高。再例如,若用户上次执行该设定业务与这一次执行设定业务之间的时间间隔较短,则可能用户对业务平台比较信任,所以,执行目标业务的概率较高,若该时间间隔较长,则执行目标业务的概率可能较低。
当然,预测模型在预测用户成功执行目标业务的执行概率时,会综合考量输入模型的数据,并不仅仅会按照单一维度的数据来确定该执行概率。
在该预测模型中可以包含有多个子模型来对目标业务中的各子业务环节对应的执行概率进行预测,目标业务中包含的不同子业务环节所对应的子预测模型不同。具体的,业务平台可以确定出用户执行设定业务后的业务数据,并针对目标业务包含的每个子业务环节,将用户数据以及业务数据输入到预测模型中针对该子业务环节对应的子预测模型中,以通过该子业务环节对应的子预测模型,根据用户数据、业务数据以及上一子业务环节对应的子预测模型所预测出的用户执行上一子业务环节对应的执行概率,预测出用户执行该子业务环节对应的执行概率。也就是说,上述的每个子预测模型对应有目标业务的一个子业务环节,输入每个子预测模型的数据可以是相同数据,即用户的用户数据以及用户执行设定业务时所涉及的业务数据。
而从上述内容中可以看出,业务平台在确定向用户推荐了目标业务后用户执行一个子业务环节的概率时,可以通过从该目标业务的第一子业务环节执行到该子业务环节的执行概率以及该子业务环节上一个子业务环节对应的执行概率来确定。这样可以保证业务平台确定出的每个子业务环节对应的执行概率,都是与之前的子业务环节存在关联的。
在本说明书实施例中,业务平台可以针对每个子业务环节,通过该子业务环节对应的子预测模型得到从该目标业务的第一子业务环节执行到该子业务环节的特征向量,再将上一子业务环节对应的子预测模型确定出的从该目标业务的第一子业务环节执行到该上一子业务环节的特征向量,以及确定出的从该目标业务的第一子业务环节执行到该子业务环节的特征向量进行加权求和,得到加权后的特征向量,进而根据该加权后的特征向量,得到执行该子业务环节对应的执行概率。
例如,若目标业务包含有两个业务环节,则业务平台可以根据第一子业务环节对应的特征向量与从该目标业务的第一子业务环节执行到第二子业务环节对应的特征向量之间的加权求和,得到用户执行第二子业务环节的执行概率。以此类推,若目标业务包含有三个子业务环节,则业务平台可以将第二子业务环节对应的特征向量与从该目标业务的第一子业务环节执行到第三子业务环节对应的特征向量进行加权求和,得到业务平台向用户推荐了目标业务后用户执行第三子业务环节的执行概率。
由此可以看出,向用户推荐了目标业务后用户执行一个子业务环节的执行概率,可以通过从该目标业务的第一子业务环节执行到该子业务环节的特征向量以及该子业务环节上一个子业务环节对应的特征向量来确定出。而由于每个子业务环节对应的执行概率都是参考之前的子业务环节对应的执行概率来确定的,所以,可以将确定出的最后一个子业务环节对应的执行概率,作为确定出的该用户能否成功执行该目标业务的概率。
为了便于理解,下面以目标业务为信用卡办理业务以及设定业务为外卖业务为例,对确定执行概率的具体过程进行说明。在外卖业务中,用户完成外卖订单的付款后,业务平台的客户端中将会展示给用户支付成功的页面,在该页面中可以展示信用卡办理业务的广告,信用卡办理业务的第一个子业务环节为点击子业务环节(即,用户点击信用卡办理业务的广告)。点击子业务环节对应的执行概率为向用户展示信用卡业务的广告的条件下用户点击广告的概率,点击子业务环节对应的执行概率的特征向量,可以用x(点击|展示)来表示。
点击子业务环节之后为申请子业务环节,该申请子业务环节对应的执行概率为向用户展示该广告到用户成功通过该广告执行信用卡申请的最终概率,申请子业务环节对应的执行概率的特征向量可以用于x(申请|展示)来表示。这一特征向量需要通过特征向量:x(点击|展示),以及申请子业务环节对应的子预测模型所确定出的特征向量x′(申请|展示)。具体可以通过加权求和的方式来确定,其中,权重用w表示,如下面的公式所示。
x(申请|展示)=w*x(点击|展示)+x′(申请|展示)
开卡子业务环节对应的执行概率为向用户展示该广告到成功通过该广告执行信用卡开通的最终概率,开卡子业务环节对应的执行概率的特征向量可以用于x(开卡|展示)来表示。这一特征向量需要通过特征向量:x(申请|展示),以及开卡子业务环节对应的子预测模型所确定出的特征向量x′(开卡|展示)。具体可以通过加权求和的方式来确定,其中,权重用w表示,如下面的公式所示。
x(开卡|展示)=w*x(申请|展示)+x′(开卡|展示)
激活子业务环节对应的执行概率为向用户展示该广告到成功通过该广告执行信用卡激活的最终概率,激活子业务环节对应的执行概率的特征向量可以用于x(激活|展示)来表示。这一特征向量需要通过特征向量:x(开卡|展示),以及激活子业务环节对应的子预测模型所确定出的特征向量x′(激活|展示)。具体可以通过加权求和的方式来确定,其中,权重用w表示,如下面的公式所示。
x(激活|展示)=w*x(开卡|展示)+x′(激活|展示)
由于激活子业务环节为信用卡办理业务的最后子业务环节,用户执行完成该激活子业务环节则说明用户执行完成了信用卡办理业务,因此,激活子业务环节对应的执行概率可以作为用户执行目标业务的执行概率。
需要说明的是,业务平台输入到上述各子预测模型的数据可以是一致。对于不同业务来说,预测模型中子预测模型的数量可能会有所不同。
业务平台确定出用户执行目标业务的执行概率后,可以根据该执行概率,确定出是否将该目标业务对应的业务信息推荐给用户。其中,业务平台若确定该执行概率不小于设定阈值,则可以将该目标业务对应的业务信息推荐给用户,若确定该执行概率小于设定阈值,则可以不将该目标业务对应的业务信息推荐给用户。目标业务的业务信息可能根据实际业务而有所不同。其中,若目标业务为上述信用卡办理业务,则该目标业务对应的业务信息可以是信用卡办理业务的广告,而,若该目标业务为推荐的一个商品,则该目标业务的业务信息可以是商品链接。
在本说明书实施例中,上述提到的预测模型需要进行预先训练。具体的,业务平台可以获取目标用户的用户数据,以及根据目标用户针对目标业务的历史业务执行记录,确定目标用户针对目标业务包含的每个子业务环节对应的实际执行结果,针对目标业务包含的每个子业务环节,该子业务环节对应的实际执行结果用于表示目标用户是否执行了该子业务环节。也就是说,业务平台需要获取到大量的目标用户的用户数据,以及表示目标用户针对目标业务的执行过程的数据作为训练样本,来对预测模型进行有监督训练。
其中,目标用户可以是指被业务平台推荐过目标业务的用户。例如,若目标业务为信用卡办理业务,则业务平台根据目标用户的历史业务执行记录,需要确定出在历史上向目标用户展示广告后,目标用户是否点击过广告,是否申请了信用卡,是否为目标用户开通了信用卡,目标用户是否取消了信用卡以及目标用户是否激活了信用卡这一系列实际执行结果,作为训练样本的标注。
基于此,业务平台可以将目标用户的用户数据输入到预测模型中,以针对目标业务包含的每个子业务环节,通过预测模型,根据目标用户的用户数据,确定出的该目标用户在执行上一子业务环节对应的执行概率,得到该目标用户执行该子业务环节对应的执行概率。业务平台可以针对目标业务包含的每个子业务环节,根据该子业务环节对应的执行概率以及该子业务环节对应的实际执行结果,对预测模型进行训练。
从上述内容可知,由于预测模型中可以包括用于预测目标用户从该目标业务的第一子业务环节执行到各子业务环节对应的执行概率的子预测模型,所以在对预测模型进行训练时,也是对每个子预测模型进行训练。业务平台可以将目标用户的用户数据输入到每个子预测模型中,而针对每个子预测模型来说,该子预测模型输出的是目标用户从该目标业务的第一子业务环节执行到该子业务环节的执行概率。
在本说明书实施例中,业务平台可以针对每个子业务环节,以目标用户从该目标业务的第一子业务环节执行到该子业务环节的执行概率与上述历史业务执行记录中记录的目标用户针对该子业务环节对应的实际执行结果之间的偏差最小为优化目标,对该预测模型(或是对该预测模型中包含的每个子预测模型)进行训练。
值得一提的是,由于可以通过上述提到的特征向量加权求和的方式,来确定出每个子业务环节对应的执行概率,所以在对该预测模型(或是对该预测模型中包含的每个子预测模型)进行训练的过程中,还需要对各子业务环节的特征向量对应的权重进行训练。
为了进一步说明预测模型的整个训练过程,下面将以一个实际的示例来进行描述,如图2所示。
图2为本说明书实施例中提供的一种预测模型的训练示意图。
从图2中可以看出,需要训练的预测模型主要用于预测用户是否会接受业务平台提供的信用卡办理的广告。信用卡办理的业务主要涉及四个过程,展示(即广告曝光)-点击,点击-申请,申请-开卡,开卡-激活,每个过程都可以视为一个子业务环节。
在对该预测模型进行训练的过程中,业务平台可以获取到在历史上被业务平台推荐过信用卡办理广告的目标用户的历史业务执行记录。历史业务执行记录中详细记录了目标用户针对该业务所包含的各子业务环节的实际执行情况。基于此,业务平台可以将目标用户的用户数据输入到该预测模型中,分别得到p(点击|展示)、p(申请|展示)、p(开卡|展示)以及p(激活|展示)这四个执行概率。
其中,p(点击|展示)是通过用户数据直接确定出的,所以,图2中的p′(点击|展示),实际上也就是p(点击|展示)。进一步地,后续的每个子业务环节对应的执行概率,都是需要基于该目标用户的用户数据以及上一子业务环节对应的执行概率来确定的。以p(申请|展示)为例,该p(申请|展示)是通过目标用户的用户数据所确定出的p′(申请|展示),以及上一子业务环节对应的执行概率p(点击|展示)来确定的。其他的以此类推,在此就不详细赘述了。
需要说明的是,在预测模型的实际使用过程中,实际上并不需要通过该预测模型获取到中间子业务环节对应的执行概率,只需要确定出用户执行目标业务的最后一个子业务环节对应的执行概率即可。但是在预测模型的训练阶段,是需要通过该预测模型,确定出每个子业务环节对应的执行概率,这主要需要通过历史业务执行记录中记录的目标用户执行每个子业务环节的实际执行情况,来保证通过该预测模型预测出的每个子业务环节对应的执行概率都是准确的,以最终保证确定出的最后一个子业务环节所对应的执行概率的准确性。
另外,由于上述提到的预测模型中可以包含有每个子业务环节对应的子预测模型,所以,业务平台也可以通过获取到的目标用户的用户数据以及历史执行记录,对每个子预测模型进行训练。
其中,业务平台可以根据各子业务环节对应子预测模型确定出的执行概率以及训练样本的标注,确定各子预测模型的损失函数,并将各子预测模型的损失函数进行归一化,例如sigmoid函数,并将归一化结果相加,以各子预测模型的损失函数的归一化的计算结果最小为优化目标,对该预测模型中包含的各子预测模型进行训练。
需要说明的是,在对上述每个子预测模型进行训练的过程中,使用的是从第一子业务环节到该子预测模型所对应的子业务环节所涉及的所有样本,而并不只是使用了上一子业务环节到该子预测模型所对应的子业务环节所涉及的部分样本。例如,在对申请子业务阶段对应的子预测模型进行训练时,所用到的样本是从广告展示到信用卡申请所涉及的样本,而并不是只用到从点击到信用卡申请所涉及的样本。所以,可以有效的提高模型训练所需的样本数量,进一步地保证了模型的训练效果。(这是因为,从点击到信用卡申请所涉及的样本,是从广告展示到信用卡申请所涉及的样本中得到的)
而值得强调的是,针对每个子业务环节对应的子预测模型来说,由于训练该子预测模型的样本增多,则可能会导致样本中包含有一些与该子业务环节相关性不强的样本,所以,在确定该子业务环节对应的执行概率时,需要参考之前的子业务环节所对应的执行概率,从而有效地保证了最终预测出的用户执行目标业务的概率的准确性。
以上为本说明书的一个或多个实施例提供的信息推荐的方法,基于同样的思路,本说明书还提供了相应的信息推荐的装置,如图3所示。
图3为本说明书提供的一种信息推荐的装置示意图,具体包括:
确定模块300,用于确定需要向用户推荐的业务,作为目标业务,并获取所述用户的用户数据;
预测模块302,用于将所述用户数据输入到预先训练的预测模型中,以针对所述目标业务包含的每个子业务环节,按照所述目标业务包含的各子业务环节的业务执行顺序,根据所述用户数据以及确定出的所述用户在执行上一子业务环节对应的执行概率,预测所述用户执行该子业务环节对应的执行概率;
推荐模块304,用于根据预测出的所述用户执行所述目标业务的最后一个子业务环节对应的执行概率,确定是否将所述目标业务对应的业务信息推荐给所述用户。
可选地,所述确定模块300具体用于,若监测到所述用户完成设定业务,确定需要向用户推荐的业务,作为目标业务,所述设定业务包括除所述目标业务以外的任意其他业务。
可选地,所述预测模块302具体用于,确定所述用户执行所述设定业务后的业务数据;将所述用户数据以及所述业务数据输入到所述预测模型中,以使所述预测模型针对所述目标业务包含的每个子业务环节,根据所述用户数据、所述业务数据以及所述预测模型预测出的所述用户执行所述上一子业务环节对应的执行概率,预测出所述用户执行该子业务环节对应的执行概率。
可选地,预测模块302具体用于,确定所述用户执行所述设定业务后的业务数据;针对所述目标业务包含的每个子业务环节,将所述用户数据以及所述业务数据输入到所述预测模型中针对该子业务环节对应的子预测模型中,以使该子业务环节对应的子预测模型,根据所述用户数据、所述业务数据以及上一子业务环节对应的子预测模型所预测出的所述用户执行所述上一子业务环节对应的执行概率,预测出所述用户执行该子业务环节对应的执行概率。
可选地,所述装置还包括:
训练模块306,用于获取目标用户的用户数据,以及根据所述目标用户针对所述目标业务的历史业务执行记录,确定所述目标用户针对所述目标业务包含的每个子业务环节对应的实际执行结果,针对所述目标业务包含的每个子业务环节,该子业务环节对应的实际执行结果用于表示所述目标用户是否执行了该子业务环节;将所述目标用户的用户数据输入到所述预测模型中,以针对所述目标业务包含的每个子业务环节,按照所述目标业务中包含的各子业务环节的业务执行顺序,根据所述目标用户的用户数据以及确定出的所述目标用户在执行上一子业务环节对应的执行概率,确定所述目标用户执行该子业务环节对应的执行概率;根据确定出的所述用户执行所述目标业务包含的每个子业务环节对应的执行概率,以及所述目标用户针对所述目标业务包含的每个子业务环节对应的实际执行结果,对所述预测模型进行训练。
可选地,所述目标业务包括:信用卡办理业务,所述目标业务对应的业务信息包括:信用卡办理业务的广告。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1所示的信息推荐的方法。
本说明书还提供了图4所示的电子设备的示意结构图。如图4所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的信息推荐的方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
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、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。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
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。
还需要说明的是,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、商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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的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说明书,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处理设备来执行任务。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见即可,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,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书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,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种信息推荐的方法,其特征在于,包括:
确定需要向用户推荐的业务,作为目标业务,并获取所述用户的用户数据;
将所述用户数据输入到预先训练的预测模型中,以针对所述目标业务包含的每个子业务环节,按照所述目标业务包含的各子业务环节的业务执行顺序,根据所述用户数据以及确定出的所述用户在执行上一子业务环节对应的执行概率,预测所述用户执行该子业务环节对应的执行概率;
根据预测出的所述用户执行所述目标业务的最后一个子业务环节对应的执行概率,确定是否将所述目标业务对应的业务信息推荐给所述用户。
2.如权利要求1所述的方法,其特征在于,确定需要向用户推荐的业务,作为目标业务,具体包括:
若监测到所述用户完成设定业务,确定需要向用户推荐的业务,作为目标业务,所述设定业务包括除所述目标业务以外的任意其他业务。
3.如权利要求2所述的方法,其特征在于,将所述用户数据输入到预先训练的预测模型中,以针对所述目标业务包含的每个子业务环节,按照所述目标业务包含的各子业务环节的业务执行顺序,根据所述用户数据以及确定出的所述用户在执行上一子业务环节对应的执行概率,预测所述用户执行该子业务环节对应的执行概率,具体包括:
确定所述用户执行所述设定业务后的业务数据;
将所述用户数据以及所述业务数据输入到所述预测模型中,以使所述预测模型针对所述目标业务包含的每个子业务环节,根据所述用户数据、所述业务数据以及所述预测模型预测出的所述用户执行所述上一子业务环节对应的执行概率,预测出所述用户执行该子业务环节对应的执行概率。
4.如权利要求2所述的方法,其特征在于,所述预测模型包括各子预测模型,所述目标业务中包含的不同子业务环节所对应的子预测模型不同;
将所述用户数据输入到预先训练的预测模型中,以针对所述目标业务包含的每个子业务环节,按照所述目标业务包含的各子业务环节的业务执行顺序,根据所述用户数据以及确定出的所述用户在执行上一子业务环节对应的执行概率,预测所述用户执行该子业务环节对应的执行概率,具体包括:
确定所述用户执行所述设定业务后的业务数据;
针对所述目标业务包含的每个子业务环节,将所述用户数据以及所述业务数据输入到所述预测模型中针对该子业务环节对应的子预测模型中,以使该子业务环节对应的子预测模型,根据所述用户数据、所述业务数据以及上一子业务环节对应的子预测模型所预测出的所述用户执行所述上一子业务环节对应的执行概率,预测出所述用户执行该子业务环节对应的执行概率。
5.如权利要求1所述的方法,其特征在于,训练所述预测模型,具体包括:
获取目标用户的用户数据,以及根据所述目标用户针对所述目标业务的历史业务执行记录,确定所述目标用户针对所述目标业务包含的每个子业务环节对应的实际执行结果,针对所述目标业务包含的每个子业务环节,该子业务环节对应的实际执行结果用于表示所述目标用户是否执行了该子业务环节;
将所述目标用户的用户数据输入到所述预测模型中,以针对所述目标业务包含的每个子业务环节,按照所述目标业务中包含的各子业务环节的业务执行顺序,根据所述目标用户的用户数据以及确定出的所述目标用户在执行上一子业务环节对应的执行概率,确定所述目标用户执行该子业务环节对应的执行概率;
根据确定出的所述用户执行所述目标业务包含的每个子业务环节对应的执行概率,以及所述目标用户针对所述目标业务包含的每个子业务环节对应的实际执行结果,对所述预测模型进行训练。
6.如权利要求1~5任一项所述的方法,其特征在于,所述目标业务包括:信用卡办理业务,所述目标业务对应的业务信息包括:信用卡办理业务的广告。
7.一种信息推荐的装置,其特征在于,包括:
确定模块,用于确定需要向用户推荐的业务,作为目标业务,并获取所述用户的用户数据;
预测模块,用于将所述用户数据输入到预先训练的预测模型中,以针对所述目标业务包含的每个子业务环节,按照所述目标业务包含的各子业务环节的业务执行顺序,根据所述用户数据以及确定出的所述用户在执行上一子业务环节对应的执行概率,预测所述用户执行该子业务环节对应的执行概率;
推荐模块,用于根据预测出的所述用户执行所述目标业务的最后一个子业务环节对应的执行概率,确定是否将所述目标业务对应的业务信息推荐给所述用户。
8.如权利要求7所述的装置,其特征在于,确定需要向用户推荐的业务,作为目标业务,所述确定模块具体用于,若监测到所述用户完成设定业务,确定需要向用户推荐的业务,作为目标业务,所述设定业务包括除所述目标业务以外的任意其他业务。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~6任一项所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011479723.6A CN112561162A (zh) | 2020-12-15 | 2020-12-15 | 一种信息推荐的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011479723.6A CN112561162A (zh) | 2020-12-15 | 2020-12-15 | 一种信息推荐的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112561162A true CN112561162A (zh) | 2021-03-26 |
Family
ID=75063888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011479723.6A Pending CN112561162A (zh) | 2020-12-15 | 2020-12-15 | 一种信息推荐的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561162A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113129114A (zh) * | 2021-05-13 | 2021-07-16 | 北京大米科技有限公司 | 一种业务推荐的方法、装置、可读存储介质和电子设备 |
CN113256428A (zh) * | 2021-04-07 | 2021-08-13 | 深圳市怡化时代科技有限公司 | 金融终端业务功能的实现方法、装置、设备和存储介质 |
-
2020
- 2020-12-15 CN CN202011479723.6A patent/CN112561162A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256428A (zh) * | 2021-04-07 | 2021-08-13 | 深圳市怡化时代科技有限公司 | 金融终端业务功能的实现方法、装置、设备和存储介质 |
CN113129114A (zh) * | 2021-05-13 | 2021-07-16 | 北京大米科技有限公司 | 一种业务推荐的方法、装置、可读存储介质和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11048530B1 (en) | Predictive action modeling to streamline user interface | |
CN110413877B (zh) | 一种资源推荐方法、装置及电子设备 | |
AU2015317621B2 (en) | Method and apparatus for predicting customer intentions | |
CN110278175B (zh) | 图结构模型训练、垃圾账户识别方法、装置以及设备 | |
CN112487278A (zh) | 推荐模型的训练方法、预测选择概率的方法及装置 | |
CN113688313A (zh) | 一种预测模型的训练方法、信息推送的方法及装置 | |
CN107506367B (zh) | 确定应用展示内容的方法、装置及服务器 | |
CN112966186A (zh) | 一种模型训练和信息推荐的方法及装置 | |
CN113643119A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN115238826B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN114298735A (zh) | 一种模型训练的方法、信息推送的方法及装置 | |
CN112561162A (zh) | 一种信息推荐的方法及装置 | |
CN115048577A (zh) | 一种模型训练方法、装置、设备及存储介质 | |
CN110490595B (zh) | 一种风险控制方法和装置 | |
CN111369293A (zh) | 一种广告出价方法、装置及电子设备 | |
US7464008B2 (en) | Methods and apparatus for selecting event sequences based on a likelihood of a user completing each event sequence | |
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 | |
CN113886033A (zh) | 一种任务处理的方法及装置 | |
CN113343085A (zh) | 一种信息推荐方法、装置、存储介质及电子设备 | |
CN110033383B (zh) | 一种数据处理方法、设备、介质以及装置 | |
CN113554448A (zh) | 一种用户流失预测方法、装置及电子设备 | |
CN111160973A (zh) | 广告推送方法及装置 | |
CN113159834B (zh) | 一种商品信息排序方法、装置以及设备 | |
CN115660105A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN114997907A (zh) | 一种预测模型的训练方法、信息推荐的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210326 |
|
WD01 | Invention patent application deemed withdrawn after publication |