CN112598136B - 数据的校准方法和装置 - Google Patents
数据的校准方法和装置 Download PDFInfo
- Publication number
- CN112598136B CN112598136B CN202011561323.XA CN202011561323A CN112598136B CN 112598136 B CN112598136 B CN 112598136B CN 202011561323 A CN202011561323 A CN 202011561323A CN 112598136 B CN112598136 B CN 112598136B
- Authority
- CN
- China
- Prior art keywords
- data
- data range
- determining
- level
- range
- 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 57
- 238000006243 chemical reaction Methods 0.000 claims abstract description 133
- 238000013528 artificial neural network Methods 0.000 claims abstract description 66
- 238000011156 evaluation Methods 0.000 claims abstract description 66
- 230000015654 memory Effects 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 12
- 230000003321 amplification Effects 0.000 claims description 7
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 9
- 230000001737 promoting effect Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000694 effects Effects 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
- 238000004458 analytical method Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请公开了数据的校准方法和装置,涉及数据校准和深度学习技术领域。具体实施方式包括:在包括至少两个级别的数据范围的样本数据的集合中,获取在最后的历史滑动时间窗口内且在初级数据范围内的样本数据;确定所获取的样本数据的用户转化数值和预设转化阈值的大小关系;基于比较结果,将初级数据范围或级别高于初级数据范围的数据范围,确定为目标数据范围;获取深度神经网络对目标数据范围内的样本数据的转化率的预测结果,确定预测结果对应的偏差评价数值;基于偏差评价数值,对深度神经网络的新的预测结果进行校准,得到校准结果。本申请可以通过对用户转化数值的比较结果,确定出合理的数值范围,从而提高对深度神经网络的预测结果的校准准确度。
Description
技术领域
本申请涉及计算机技术领域,具体涉及人工智能技术领域,进一步涉及数据校准和深度学习技术领域,尤其涉及数据的校准方法和装置。
背景技术
深度学习是机器学习领域的一个研究方向,它被引入机器学习使其更接近于最初的人工智能目标。随着深度学习技术的发展,越来越多的场景都开始应用到深度学习技术,比如信息推广场景、搜索场景等等。
深度学习往往通过深度学习模型来实现。深度学习模型存在输入和输出。深度学习模型对输入的内容来进行预测,输出的内容即是预测的结果。
发明内容
提供了一种数据的校准方法、装置、电子设备以及存储介质。
根据第一方面,提供了一种数据的校准方法,包括:在包括至少两个级别的数据范围的样本数据的集合中,获取在最后的历史滑动时间窗口内且在初级数据范围内的样本数据,其中,所述样本数据为推广信息相关数据,一个级别的数据范围内的样本数据包括且多于低于该级别的任一级别的数据范围内的样本数据;确定所获取的样本数据的用户转化数值,比较该用户转化数值和预设转化阈值的大小关系,得到比较结果;基于所述比较结果,将所述初级数据范围或级别高于所述初级数据范围的数据范围,确定为目标数据范围;获取深度神经网络对所述目标数据范围内的样本数据的转化率的预测结果,确定所述预测结果对应的偏差评价数值;基于所述偏差评价数值,对所述深度神经网络的新的预测结果进行校准,得到校准结果,其中,所述新的预测结果对应新的样本数据。
根据第二方面,提供了一种数据的校准装置,包括:获取单元,被配置成在包括至少两个级别的数据范围的样本数据的集合中,获取在最后的历史滑动时间窗口内且在初级数据范围内的样本数据,其中,所述样本数据为推广信息相关数据,一个级别的数据范围内的样本数据包括且多于低于该级别的任一级别的数据范围内的样本数据;确定单元,被配置成确定所获取的样本数据的用户转化数值,比较该用户转化数值和预设转化阈值的大小关系,得到比较结果;目标确定单元,被配置成基于所述比较结果,将所述初级数据范围或级别高于所述初级数据范围的数据范围,确定为目标数据范围;偏差确定单元,被配置成获取深度神经网络对所述目标数据范围内的样本数据的转化率的预测结果,确定所述预测结果对应的偏差评价数值;校准单元,被配置成基于所述偏差评价数值,对所述深度神经网络的新的预测结果进行校准,得到校准结果,其中,所述新的预测结果对应新的样本数据。
根据第三方面,提供了一种电子设备,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数据的校准方法中任一实施例的方法。
根据第四方面,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,计算机指令用于使所述计算机执行根据数据的校准方法中任一实施例的方法。
根据第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据数据的校准方法中任一实施例的方法。
根据本申请的方案,可以通过比较转化结果,确定出合理的数值范围,从而提高对深度神经网络的预测结果的校准准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请一些实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的数据的校准方法的一个实施例的流程图;
图3是根据本申请的数据的校准方法的一个应用场景的示意图;
图4是根据本申请的数据的校准方法的又一个实施例的流程图;
图5是根据本申请的数据的校准装置的一个实施例的结构示意图;
图6是用来实现本申请实施例的数据的校准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示出了可以应用本申请的数据的校准方法或数据的校准装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如视频类应用、直播应用、即时通信工具、邮箱客户端、社交平台软件等。
这里的终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(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。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103提供支持的后台服务器。后台服务器可以对样本数据的集合等数据进行分析等处理,并将处理结果(例如校准结果)反馈给终端设备。
需要说明的是,本申请实施例所提供的数据的校准方法可以由服务器105或者终端设备101、102、103执行,相应地,数据的校准装置可以设置于服务器105或者终端设备101、102、103中。
应该理解,图1中的终端设备、网络和服务器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终端设备、网络和服务器。
继续参考图2,示出了根据本申请的数据的校准方法的一个实施例的流程200。该数据的校准方法,包括以下步骤:
步骤201,在包括至少两个级别的数据范围的样本数据的集合中,获取在最后的历史滑动时间窗口内且在初级数据范围内的样本数据,其中,所述样本数据为推广信息相关数据,一个级别的数据范围内的样本数据包括且多于低于该级别的任一级别的数据范围内的样本数据。
在本实施例中,数据的校准方法运行于其上的执行主体(例如图1所示的服务器或终端设备)可以在包括至少两个级别的数据范围的样本数据的集合中,获取样本数据。该样本数据在最后的历史滑动时间窗口内的数据,且该样本数据在初级数据范围内。历史滑动时间窗口可以指最近的历史时长内,比如刚刚过去的24小时内。
在集合中的样本数据可以存在多个级别的数据范围。对于任意两个级别的数据范围,级别高的数据范围中的包括级别低的数据范围,也即级别高的数据范围中的样本数据包括级别低的数据范围中的样本数据,且,级别高的数据范围中的样本数据的数据量,大于级别低的数据范围中的样本数据的数据量。
举例来说,1号-100号样本数据是初级数据范围内的样本数据,次级数据范围内的样本数据是1号-1000号样本数据。
推广信息相关数据指与推广信息相关的各种数据。推广信息指用于进行推广的信息,可以以各种形式存在,比如文字、图像、视频等等。具体地,推广信息可以是广告等等。推广信息相关数据可以包括用户数据,举例来说,用户数据可以包括用户属性数据、用户历史行为数据中的至少一者。用户属性数据可以指反映用户属性特点的数据,比如年龄、性别等等。用户历史行为数据可以包括用户针对推广信息做出的行为的数据,比如点击行为、转化(激活)行为等等。此外,推广信息相关数据还可以包括推广信息数据,也即反映推广信息特点的数据。
步骤202,确定所获取的样本数据的用户转化数值,比较该用户转化数值和预设转化阈值的大小关系,得到比较结果。
在本实施例中,上述执行主体可以确定出所获取的样本数据的用户转化数值,并比较该用户转化数值和预设转化阈值的大小关系,比较的结果即为比较结果。
具体地,用户转化数值指用户对于推广信息的转化数,或由转化数得到的数值。在实践中,转化数可以指对于推广信息集合中推广信息的激活数,或者,也可以指对于推广信息集合中的推广信息的点击数。
在实践中,比较大小关系可以采用各种方式进行,比如确定用户转化数值是否小于预设转化阈值,或者,确定用户转化数值是否大于或等于预设转化阈值。
步骤203,基于所述比较结果,将所述初级数据范围或级别高于所述初级数据范围的数据范围,确定为目标数据范围。
在本实施例中,上述执行主体可以基于上述比较结果,将初级数据范围或级别高于该初级数据范围的数据范围,确定为用于进行校准的目标数据范围。
举例来说,上述执行主体可以在比较结果为用户转化数值小于所述预设转化阈值的情况下,直接将级别仅高于该初级数据范围的数据范围,确定为目标数据范围。具体地,这里的校准可以指对深度神经网络(也即深度学习模型)的预测结果进行校准。
步骤204,获取深度神经网络对所述目标数据范围内的样本数据的转化率的预测结果,确定所述预测结果对应的偏差评价数值。
在本实施例中,上述执行主体可以获取深度神经网络对转化率的预测结果,具体地,该转化率是针对目标数据范围内的样本数据的预测结果。之后,上述执行主体可以确定预测结果对应的偏差评价数值。转化率则是指转化数占输入深度神经网络的所有样本数据的数量的比例。
上述执行主体可以采用各种方式获取预测结果。比如,上述执行主体可以将目标数据范围内的样本数据,输入上述深度神经网络,从而得到预测结果。或者上述执行主体可以从其它电子设备获取该其它电子设备利用深度神经网络确定出的预测结果。
偏差评价数值指对于预测结果与真实值的偏差进行量化评价的数值。在实践中,上述执行主体可以采用各种方式确定预测结果对应的偏差评价数值。比如,上述执行主体还可以将所获取的预测结果输入预测结果评价模型,从而得到该预测结果评价模型输出的偏差评价数值。该预测结果评价模型可以是一个公式或者一个深度神经网络。此外,上述执行主体还可以获取预测结果与偏差评价数值的对应关系表,从而可以查找到所获取的预测结果对应的偏差评价数值。
步骤205,基于所述偏差评价数值,对所述深度神经网络的新的预测结果进行校准,得到校准结果,其中,所述新的预测结果对应新的样本数据。
在本实施例中,上述执行主体可以基于上述偏差评价数值,对深度神经网络的新的预测结果进行校准,并得到校准结果。这里的新的预测结果指通过深度神经网络针对新的样本数据进行预测的预测结果。比如,这里的新的样本数据中的推广信息相关数据是新的具有时效性的数据,例如上述集合的获取时间的未来一天内获取的所有数据。
在实践中,上述执行主体可以采用各种方式对新的预测结果进行校准。比如,输入预设校准公式。
本申请的上述实施例提供的方法可以通过对用户转化数值的比较结果,确定出合理的数值范围,从而提高对深度神经网络的预测结果的校准准确度。
在本实施例的一些可选的实现方式中,步骤203可以包括:若本次的比较结果是用户转化数值小于所述预设转化阈值,则确定所述集合中,级别仅高于本次的比较结果所对应级别的数据范围;确定该数据范围内的样本数据的用户转化数值,比较该用户转化数值和预设转化阈值的大小关系,得到新的比较结果;若该新的比较结果是用户转化数值不小于所述预设转化阈值,则确定该数据范围为目标数据范围。
在这些可选的实现方式中,上述执行主体可以在比较结果为用户转化数值较小的情况下,也即没有达到预期的转化数值的情况下,确定出上述集合中的一个级别的数值范围,该数值范围的级别仅高于本次的比较结果所对应的级别,也即这两个级别相邻。并且,对该数值范围内的样本数据的用户转化数值,比较该用户转化数值和预设转化阈值的大小关系,得到新的比较结果。如果该新的比较结果是用户转化数值不小于预设转化阈值,则上述执行主体可以确定该数值范围为目标数据范围。
比较结果所对应级别指,对该级别的数据范围的样本数据的用户转化数值,比较该用户转化数值和预设转化阈值的大小关系,所得到的比较结果。
若该新的比较结果是用户转化数值仍小于所述预设转化阈值,则可以继续确定所述集合中,级别仅高于新的比较结果(最新的比较结果)所对应级别的数据范围,并该数据范围内的样本数据的用户转化数值,比较该用户转化数值和预设转化阈值的大小关系,又得到新的比较结果。直到最后得到的新的比较结果不小于预设转化阈值,则可以确定该最后得到的新的比较结果对应的数值范围为目标数据范围。
这些实现方式可以在转化数值太小的情况下,获取范围更大的样本,满足数据校准的需求。并且,每次确定出级别仅高于当前数据范围的级别的数据范围,有序地增大数据范围粒度,可以有效控制计算量,提高计算速度。并且,尽量以较小粒度的数据参与校准,可以避免大范围数据带来的取样偏差。
可选地,每个级别的数据范围存在相对应的数据限制条件,对于任意两个级别的数据范围,较高级别的数据范围的数据限制条件包括且多于较低级别的数据范围的数据限制条件;所述确定所述集合中,级别仅高于本次的比较结果所对应级别的数据范围,包括:对于所述多个数据限制条件,减少指定的至少一个数据限制条件,其中,所述指定的至少一个数据限制条件指示本次的比较结果所对应级别的数据范围与级别仅高于该数据范围的数据范围之间的数据范围之差;将减少后的数量限制条件指示的数据范围,作为级别仅高于本次的比较结果所对应级别的数据范围。
具体地,上述执行主体可以通过减少数据限制条件,来得到级别仅高于该数据范围的数据范围。数据限制条件越多,则数据范围的级别越低且包括的数据量越少。级别仅高于该数据范围(第一数据范围)的数据范围(第二数据范围)指,上述第二数据范围的级别,仅大于上述第一数据范围的级别。比如,第一数据范围为初级数据范围,第二数据范围为次级数据范围。举例来说,数据限制条件可以包括用户性别女和/或预设用户年龄区间等等,指定的至少一个数据限制条件,可以是其中的数据限制条件。
这些实现方式可以通过减少数据限制条件,来准确地扩大数据范围。
在本实施例的一些可选的实现方式中,上述步骤203包括:若本次的比较结果是用户转化数值不小于所述预设转化阈值,则确定所述初级数据范围为用于校准的目标数据范围。
在这些可选的实现方式中,上述执行主体可以在本次的比较结果是用户转化数值不小于预设转化阈值的情况下,直接确定初级数据范围为用于进行数据校准的目标数据范围。
这些实现方式可以在用户转化数值足够大的情况下,直接采用当前样本数据粒度的数据,采用较小粒度的样本数据避免大范围数据带来的取样偏差。
继续参见图3,图3是根据本实施例的数据的校准方法的应用场景的一个示意图。
进一步参考图4,其示出了数据的校准方法的又一个实施例的流程400。该流程400,包括以下步骤:
步骤401,在包括至少两个级别的数据范围的样本数据的集合中,获取在最后的历史滑动时间窗口内且在初级数据范围内的样本数据,其中,所述样本数据为推广信息相关数据,一个级别的数据范围内的样本数据包括且多于低于该级别的任一级别的数据范围内的样本数据。
在本实施例中,数据的校准方法运行于其上的执行主体(例如图1所示的服务器或终端设备)可以在包括至少两个界别的数据范围的样本数据的集合中,获取样本数据,该样本数据是在最后的历史滑动时间窗口内的数据,且该样本数据在初级数据范围内。
步骤402,确定所获取的样本数据的用户转化数值,比较该用户转化数值和预设转化阈值的大小关系,得到比较结果。
在本实施例中,上述执行主体可以确定出所获取的样本数据的用户转化数值,并比较该用户转化数值和预设转化阈值的大小关系,比较的结果即为比较结果。
步骤403,基于所述比较结果,将所述初级数据范围或级别高于所述初级数据范围的数据范围,确定为目标数据范围。
在本实施例中,上述执行主体可以基于上述比较结果,将初级数据范围或级别高于该初级数据范围的数据范围,确定为进行校准的目标数据范围。
步骤404,获取深度神经网络对所述目标数据范围内的样本数据的转化率的预测结果,获取所述目标数据范围内的样本数据对应的实际激活数。
在本实施例中,上述执行主体可以获取深度神经网络对目标数据范围内的样本数据的转化率的预测结果,并获取目标数据范围内的样本数据所对应的实际激活数。记作一个激活数也即实际激活数一般指用户下载过所推广的应用(APP)并且启动过该应用。样本数据对应的实际激活数指目标数据范围内的样本数据中的用户数据指示的用户,对于该样本数据中的推广信息数据指示的推广信息的实际激活数。推广信息数据可以包括推广信息标题、推广信息类别等等。
步骤405,获取所述目标数据范围内的样本数据中的实际点击样本数据,确定所述深度神经网络对各个实际点击样本数据的预测结果的和。
在本实施例中,上述执行主体可以获取目标数据范围内的样本数据中的各个实际点击样本数据,确定出深度神经网络对各个实际点击样本数据的预测结果,并确定出这些预测结果的和。具体地,实际点击样本数据指,这些样本数据中的推广信息被用户点击选择过。
步骤406,确定所述实际激活数和所述预测结果的和之间的比值,根据所述比值,确定所述偏差评价数值。
在本实施例中,上述执行主体可以确定实际激活数和上述和之间的比值,并根据该比值,确定偏差评价数值。
在实践中,上述执行主体可以采用各种方式,根据比值,确定偏差评价数值。比如,上述执行主体可以直接将该比值,确定为偏差评价数值,或者,上述执行主体可以对该比值进行预设处理,并将预设处理结果作为偏差评价数值。例如预设处理可以是输入预设模型或者乘以预设系数。
步骤407,基于所述偏差评价数值,对所述深度神经网络的新的预测结果进行校准,得到校准结果,其中,所述新的预测结果对应新的样本数据。
在本实施例中,上述执行主体可以基于上述偏差评价数值,对深度神经网络的新的预测结果进行校准,并得到校准结果。这里的新的预测结果指通过深度神经网络针对新的样本数据进行预测的预测结果。
这些实现方式可以通过用户点击和激活数,共同确定出偏差评价数值,从而提高偏差评价数值的准确度。
在本实施例的一些可选的实现方式中,偏差评价数值用于指示预测结果的偏差的大小和方向;所述基于所述偏差评价数值,对所述深度神经网络的新的预测结果进行校准,包括:响应于确定所述偏差评价数值指示所述深度神经网络的预测结果大于实际转化率,则采用收缩系数,对所述深度神经网络的新的预测结果进行校准;响应于确定所述偏差评价数值指示所述深度神经网络的预测结果小于实际转化率,则采用放大系数,对所述深度神经网络的新的预测结果进行校准。
在这些可选的实现方式中,上述执行主体可以在深度神经网络对转化率的预测结果大于实际转化率的情况下,采用收缩系数,对新的预测结果进行校准。具体地,上述执行主体可以直接采用预测结果和收缩系数相乘,收缩系数可以是小于1的预设收缩系数。此外,上述执行主体还可以在深度神经网络对转化率的预测结果小于实际转化率的情况下,采用放大系数,对新的预测结果进行校准。具体地,具体地,上述执行主体可以直接采用预测结果和放大系数相乘,放大系数可以是大于1的预设放大系数。
偏差的大小指偏离实际转化率的数值大小,偏差的方向指大于或者小于实际转化率。
这些实现方式可以通过缩放系数,高效准确地对预测结果进行校准。
可选地,上述响应于确定所述偏差评价数值指示所述深度神经网络的预测结果大于实际转化率,可以包括:响应于确定所述偏差评价数值小于1,则确定所述偏差评价数值指示所述深度神经网络的预测结果大于实际转化数值。
在这些可选的实现方式中,上述执行主体可以在偏差评价数值小于1的情况下,确定偏差评价数值指示所述深度神经网络的预测结果大于实际转化数值,从而可以对预测结果的偏差进行量化。
可选地,上述响应于确定所述偏差评价数值指示所述深度神经网络的预测结果小于实际转化率,可以包括:响应于确定所述偏差评价数值大于1,则确定所述偏差评价数值指示所述深度神经网络的预测结果小于实际转化数值。
在这些可选的实现方式中,上述执行主体可以在偏差评价数值大于1的情况下,确定偏差评价数值指示所述深度神经网络的预测结果小于实际转化数值,从而可以对预测结果的偏差进行量化。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种数据的校准装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,除下面所记载的特征外,该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征或效果。该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的数据的校准装置500包括:获取单元501、确定单元502、目标确定单元503、偏差确定单元504和校准单元505。其中,获取单元501,被配置成在包括至少两个级别的数据范围的样本数据的集合中,获取在最后的历史滑动时间窗口内且在初级数据范围内的样本数据,其中,所述样本数据为推广信息相关数据,一个级别的数据范围内的样本数据包括且多于低于该级别的任一级别的数据范围内的样本数据;确定单元502,被配置成确定所获取的样本数据的用户转化数值,比较该用户转化数值和预设转化阈值的大小关系,得到比较结果;目标确定单元503,被配置成基于所述比较结果,将所述初级数据范围或级别高于所述初级数据范围的数据范围,确定为目标数据范围;偏差确定单元504,被配置成获取深度神经网络对所述目标数据范围内的样本数据的转化率的预测结果,确定所述预测结果对应的偏差评价数值;校准单元505,被配置成基于所述偏差评价数值,对所述深度神经网络的新的预测结果进行校准,得到校准结果,其中,所述新的预测结果对应新的样本数据。
在本实施例中,数据的校准装置500的获取单元501、确定单元502、目标确定单元503、偏差确定单元504和校准单元505的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203、步骤204和步骤205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,所述偏差确定单元,进一步被配置成按照如下方式执行所述基于所述比较结果,将所述初级数据范围或级别高于所述初级数据范围的数据范围,确定为目标数据范围:若本次的比较结果是用户转化数值小于所述预设转化阈值,则确定所述集合中,级别仅高于本次的比较结果所对应级别的数据范围;确定该数据范围内的样本数据的用户转化数值,比较该用户转化数值和预设转化阈值的大小关系,得到新的比较结果;若该新的比较结果是用户转化数值不小于所述预设转化阈值,则确定该数据范围为目标数据范围。
在本实施例的一些可选的实现方式中,每个级别的数据范围存在相对应的数据限制条件,对于任意两个级别的数据范围,较高级别的数据范围的数据限制条件包括且多于较低级别的数据范围的数据限制条件;所述偏差确定单元,进一步被配置成按照如下方式执行所述确定所述集合中,级别仅高于本次的比较结果所对应级别的数据范围:对于所述多个数据限制条件,减少指定的至少一个数据限制条件,其中,所述指定的至少一个数据限制条件指示本次的比较结果所对应级别的数据范围与级别仅高于该数据范围的数据范围之间的数据范围之差;将减少后的数量限制条件指示的数据范围,作为级别仅高于本次的比较结果所对应级别的数据范围。
在本实施例的一些可选的实现方式中,所述目标确定单元,进一步被配置成按照如下方式执行所述基于所述比较结果,将所述初级数据范围或级别高于所述初级数据范围的数据范围,确定为目标数据范围:若本次的比较结果是用户转化数值不小于所述预设转化阈值,则确定所述初级数据范围为用于校准的目标数据范围。
在本实施例的一些可选的实现方式中,所述偏差确定单元,进一步被配置成按照如下方式执行所述确定所述预测结果对应的偏差评价数值:获取所述目标数据范围内的样本数据对应的实际激活数;获取所述目标数据范围内的样本数据中的实际点击样本数据,确定所述深度神经网络对各个实际点击样本数据的预测结果的和;确定所述实际激活数和所述预测结果的和之间的比值,根据所述比值,确定所述偏差评价数值。
在本实施例的一些可选的实现方式中,偏差评价数值用于指示预测结果的偏差的大小和方向;所述校准单元,进一步被配置成按照如下方式执行所述基于所述偏差评价数值,对所述深度神经网络的新的预测结果进行校准:响应于确定所述偏差评价数值指示所述深度神经网络的预测结果大于实际转化率,则采用收缩系数,对所述深度神经网络的新的预测结果进行校准;响应于确定所述偏差评价数值指示所述深度神经网络的预测结果小于实际转化率,则采用放大系数,对所述深度神经网络的新的预测结果进行校准。
在本实施例的一些可选的实现方式中,所述校准单元,进一步被配置成按照如下方式执行所述响应于确定所述偏差评价数值指示所述深度神经网络的预测结果大于实际转化率:响应于确定所述偏差评价数值小于1,则确定所述偏差评价数值指示所述深度神经网络的预测结果大于实际转化数值。
在本实施例的一些可选的实现方式中,所述校准单元,进一步被配置成按照如下方式执行所述响应于确定所述偏差评价数值指示所述深度神经网络的预测结果小于实际转化率:响应于确定所述偏差评价数值大于1,则确定所述偏差评价数值指示所述深度神经网络的预测结果小于实际转化数值。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图6所示,是根据本申请实施例的数据的校准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6所示,该电子设备包括:一个或多个处理器601、存储器602,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6中以一个处理器601为例。
存储器602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数据的校准方法。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数据的校准方法。
存储器602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数据的校准方法对应的程序指令/模块(例如,附图5所示的获取单元501、确定单元502、目标确定单元503、偏差确定单元504和校准单元505)。处理器601通过运行存储在存储器602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数据的校准方法。
存储器602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数据的校准电子设备的使用所创建的数据等。此外,存储器602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602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至数据的校准电子设备。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。
数据的校准方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与数据的校准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。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、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。
描述于本申请实施例中所涉及到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:一种处理器包括获取单元501、确定单元502、目标确定单元503、偏差确定单元504和校准单元505。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,校准单元还可以被描述为“基于所述偏差评价数值,对所述深度神经网络的新的预测结果进行校准,得到校准结果的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。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装置执行时,使得该装置:在包括至少两个级别的数据范围的样本数据的集合中,获取在最后的历史滑动时间窗口内且在初级数据范围内的样本数据,其中,所述样本数据为推广信息相关数据,一个级别的数据范围内的样本数据包括且多于低于该级别的任一级别的数据范围内的样本数据;确定所获取的样本数据的用户转化数值,比较该用户转化数值和预设转化阈值的大小关系,得到比较结果;基于所述比较结果,将所述初级数据范围或级别高于所述初级数据范围的数据范围,确定为目标数据范围;获取深度神经网络对所述目标数据范围内的样本数据的转化率的预测结果,确定所述预测结果对应的偏差评价数值;基于所述偏差评价数值,对所述深度神经网络的新的预测结果进行校准,得到校准结果,其中,所述新的预测结果对应新的样本数据。
以上描述仅为本申请的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,本申请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。例如上述特征与本申请中公开的(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 (10)
1.一种数据的校准方法,所述方法包括:
在包括至少两个级别的数据范围的样本数据的集合中,获取在最后的历史滑动时间窗口内且在初级数据范围内的样本数据,其中,所述样本数据为推广信息相关数据,一个级别的数据范围内的样本数据包括且多于低于该级别的任一级别的数据范围内的样本数据,所述推广信息相关数据包括用户数据;
确定所获取的样本数据的用户转化数值,比较该用户转化数值和预设转化阈值的大小关系,得到比较结果,其中,所述用户转化数值包括用户对于推广信息的转化数,所述转化数指对于推广信息集合中的推广信息的激活数,或者指对于所述推广信息集合中的推广信息的点击数;
基于所述比较结果,将所述初级数据范围或级别高于所述初级数据范围的数据范围,确定为目标数据范围;
获取深度神经网络对所述目标数据范围内的样本数据的转化率的预测结果,确定所述预测结果对应的偏差评价数值;
基于所述偏差评价数值,对所述深度神经网络的新的预测结果进行校准,得到校准结果,其中,所述新的预测结果对应新的样本数据。
2.根据权利要求1所述的方法,其中,所述基于所述比较结果,将所述初级数据范围或级别高于所述初级数据范围的数据范围,确定为目标数据范围,包括:
若本次的比较结果是用户转化数值小于所述预设转化阈值,则确定所述集合中,级别仅高于本次的比较结果所对应级别的数据范围,其中,所述比较结果所对应级别为对该级别的数据范围的样本数据的用户转化数值,比较该用户转化数值和预设转化阈值的大小关系,所得到的比较结果;
确定该数据范围内的样本数据的用户转化数值,比较该用户转化数值和预设转化阈值的大小关系,得到新的比较结果;若该新的比较结果是用户转化数值不小于所述预设转化阈值,则确定该数据范围为目标数据范围。
3.根据权利要求2所述的方法,其中,每个级别的数据范围存在相对应的数据限制条件,对于任意两个级别的数据范围,较高级别的数据范围的数据限制条件包括且多于较低级别的数据范围的数据限制条件;
所述确定所述集合中,级别仅高于本次的比较结果所对应级别的数据范围,包括:
对于多个数据限制条件,减少指定的至少一个数据限制条件,其中,所述指定的至少一个数据限制条件指示本次的比较结果所对应级别的数据范围与级别仅高于该数据范围的数据范围之间的数据范围之差;
将减少后的数量限制条件指示的数据范围,作为级别仅高于本次的比较结果所对应级别的数据范围。
4.根据权利要求1所述的方法,其中,所述基于所述比较结果,将所述初级数据范围或级别高于所述初级数据范围的数据范围,确定为目标数据范围,包括:
若本次的比较结果是用户转化数值不小于所述预设转化阈值,则确定所述初级数据范围为用于校准的目标数据范围。
5.根据权利要求1所述的方法,其中,所述确定所述预测结果对应的偏差评价数值,包括:
获取所述目标数据范围内的样本数据对应的实际激活数;
获取所述目标数据范围内的样本数据中的实际点击样本数据,确定所述深度神经网络对各个实际点击样本数据的预测结果的和;
确定所述实际激活数和所述预测结果的和之间的比值,根据所述比值,确定所述偏差评价数值。
6.根据权利要求5所述的方法,其中,偏差评价数值用于指示预测结果的偏差的大小和方向;
所述基于所述偏差评价数值,对所述深度神经网络的新的预测结果进行校准,包括:
响应于确定所述偏差评价数值指示所述深度神经网络的预测结果大于实际转化率,则采用收缩系数,对所述深度神经网络的新的预测结果进行校准;
响应于确定所述偏差评价数值指示所述深度神经网络的预测结果小于实际转化率,则采用放大系数,对所述深度神经网络的新的预测结果进行校准。
7.根据权利要求6所述的方法,其中,所述响应于确定所述偏差评价数值指示所述深度神经网络的预测结果大于实际转化率,包括:
响应于确定所述偏差评价数值小于1,则确定所述偏差评价数值指示所述深度神经网络的预测结果大于实际转化数值。
8.根据权利要求6所述的方法,其中,所述响应于确定所述偏差评价数值指示所述深度神经网络的预测结果小于实际转化率,包括:
响应于确定所述偏差评价数值大于1,则确定所述偏差评价数值指示所述深度神经网络的预测结果小于实际转化数值。
9.一种电子设备,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1-8中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011561323.XA CN112598136B (zh) | 2020-12-25 | 2020-12-25 | 数据的校准方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011561323.XA CN112598136B (zh) | 2020-12-25 | 2020-12-25 | 数据的校准方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112598136A CN112598136A (zh) | 2021-04-02 |
CN112598136B true CN112598136B (zh) | 2024-05-03 |
Family
ID=75202036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011561323.XA Active CN112598136B (zh) | 2020-12-25 | 2020-12-25 | 数据的校准方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598136B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330428A (zh) * | 2021-05-11 | 2022-11-11 | 腾讯科技(深圳)有限公司 | 一种数据校准方法、装置、计算机设备以及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304582A (zh) * | 2018-03-05 | 2018-07-20 | 清华大学 | 一种网络信息推送方法及系统 |
CN108427708A (zh) * | 2018-01-25 | 2018-08-21 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、存储介质和电子装置 |
CN110189163A (zh) * | 2019-04-30 | 2019-08-30 | 北京三快在线科技有限公司 | 推广内容的评价方法、装置、电子设备和存储介质 |
CN111582477A (zh) * | 2020-05-09 | 2020-08-25 | 北京百度网讯科技有限公司 | 神经网络模型的训练方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200134637A1 (en) * | 2018-10-31 | 2020-04-30 | Salesforce.Com, Inc. | Systems and methods for pre-filling and/or predicting response data by use of artificial intelligence (ai) in on-line targeted surveys to customers to improve the collected survey response data |
-
2020
- 2020-12-25 CN CN202011561323.XA patent/CN112598136B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108427708A (zh) * | 2018-01-25 | 2018-08-21 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、存储介质和电子装置 |
CN108304582A (zh) * | 2018-03-05 | 2018-07-20 | 清华大学 | 一种网络信息推送方法及系统 |
CN110189163A (zh) * | 2019-04-30 | 2019-08-30 | 北京三快在线科技有限公司 | 推广内容的评价方法、装置、电子设备和存储介质 |
CN111582477A (zh) * | 2020-05-09 | 2020-08-25 | 北京百度网讯科技有限公司 | 神经网络模型的训练方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112598136A (zh) | 2021-04-02 |
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 | |
CN112036509A (zh) | 用于训练图像识别模型的方法和装置 | |
JP2021056991A (ja) | 推薦方法、装置、電子デバイス、記憶媒体、及びプログラム | |
CN111460384B (zh) | 策略的评估方法、装置和设备 | |
CN111582477B (zh) | 神经网络模型的训练方法和装置 | |
CN111539479A (zh) | 生成样本数据的方法和装置 | |
CN111522967A (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
CN111582479A (zh) | 神经网络模型的蒸馏方法和装置 | |
CN111563593A (zh) | 神经网络模型的训练方法和装置 | |
CN111563198B (zh) | 一种物料召回方法、装置、设备及存储介质 | |
CN112380847A (zh) | 兴趣点处理方法、装置、电子设备及存储介质 | |
CN112561059B (zh) | 用于模型蒸馏的方法和装置 | |
CN112598136B (zh) | 数据的校准方法和装置 | |
CN112085103B (zh) | 基于历史行为的数据增强方法、装置、设备以及存储介质 | |
CN112579897B (zh) | 信息搜索方法和装置 | |
CN112329453B (zh) | 样本章节的生成方法、装置、设备以及存储介质 | |
CN111582452B (zh) | 生成神经网络模型的方法和装置 | |
CN112580723A (zh) | 多模型融合方法、装置、电子设备和存储介质 | |
CN113590914B (zh) | 信息处理方法、装置、电子设备和存储介质 | |
CN111695036B (zh) | 内容推荐方法及装置 | |
CN111510376B (zh) | 图像处理方法、装置及电子设备 | |
CN112100362B (zh) | 文档格式推荐模型训练方法、装置以及电子设备 | |
CN111581366B (zh) | 用户意图确定方法、装置、电子设备和可读存储介质 | |
CN114627343A (zh) | 深度学习模型的训练方法、图像处理方法、装置及设备 | |
CN114048137A (zh) | 一种应用测试方法、装置及电子设备 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211217 Address after: 200131 Zone E, 9th floor, No.1 Lane 666, zhangheng Road, Pudong New Area pilot Free Trade Zone, Shanghai Applicant after: Shanghai Shangxiang Network Technology Co.,Ltd. Address before: 201306 N2025 room 24, 2 New Town Road, mud town, Pudong New Area, Shanghai Applicant before: SHANGHAI LIANSHANG NETWORK TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |