CN112613936A - 消息推送方法、装置、存储介质及电子装置 - Google Patents
消息推送方法、装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN112613936A CN112613936A CN202011407626.6A CN202011407626A CN112613936A CN 112613936 A CN112613936 A CN 112613936A CN 202011407626 A CN202011407626 A CN 202011407626A CN 112613936 A CN112613936 A CN 112613936A
- Authority
- CN
- China
- Prior art keywords
- target
- information
- attribute information
- account
- pushing
- 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 37
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 abstract description 18
- 238000005516 engineering process Methods 0.000 abstract description 14
- 230000000694 effects Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 18
- 239000013598 vector Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000011800 void material Substances 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Accounting & Taxation (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Technology Law (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供了一种消息推送方法、装置、存储介质及电子装置,其中,该方法包括:获取用于登录目标应用的目标帐号的目标属性信息;使用目标模型对目标属性信息进行分析,确定与目标属性信息对应的目标推送信息,其中,目标模型为基于目标初始模型所构建的且使用多组第一训练数据通过深度学习训练出的,多组第一训练数据中的每组数据包括:属性信息,与属性信息对应的推送信息;在登录有目标帐号的目标应用中推送目标推送信息。通过本发明,解决了相关技术中存在的消息推送千人一面、不利于产品的迭代以及业务的发展、用户体验差的问题,达到消息推送千人千面效果,从而加快了产品的迭代以及业务的发展,提升了用户体验的。
Description
技术领域
本发明实施例涉及通信领域,具体而言,涉及一种消息推送方法、装置、存储介质及电子装置。
背景技术
随着科技的发展,消息推送已经成为产品推荐的有效途径,下面以金融行业的产品消息推送为例进行说明:
各类金融业务进入了快速发展期,伴随着业务的发展,在B2B2C(Business toBusiness to Customer)等商业模式下积累了来自于不同子公司的丰富的各类数据,包含银行的个人客户数据、对公客户数据、证券的客户数据、信托的客户数据以及中青旅等各类客户数据,而在大数据、人工智能发展、数据驱动业务的大背景下,个性化推荐服务是金融行业发展的一笔很重要的资产。
从金融行业的角度来讲,个性化推荐技术的本质是将当前最有可能成交的产品优先推荐给客户,使流量得到更加充分的利用,最大限度的提高转化效率。而推荐技术也随着用户个人数据的不断丰富,当前也面临着如下的问题:
①金融种类较多,涉及到的行业有银行、证券、信托、保险等,单一的行业虽然能完成特定的推荐,但是多行业之间无法实现联动性和共享性,无法将一个行业或公司的客户推荐给其他公司,无法将整个集团内部的客户关联起来。
②无法根据每个客户或者自然人的情况,实现特定产品或最优产品的推荐,很大情况下都是所有人推荐相同的或者分男女、分地域的进行产品推荐,不利于产品的迭代以及公司业务的发展。
在相关技术中,金融行业中的各类产品目前还无法实现智能推荐,用户看到的都是相同的产品,即消息的推送属于千人一面。
由此可知,相关技术中存在消息推送千人一面、不利于产品的迭代以及业务的发展、用户体验差的问题。
针对相关技术中存在的上述问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种消息推送方法、装置、存储介质及电子装置,以至少解决相关技术中存在的消息推送千人一面、不利于产品的迭代以及业务的发展、用户体验差的问题。
根据本发明的一个实施例,提供了一种消息推送方法,包括:获取用于登录目标应用的目标帐号的目标属性信息;使用目标模型对所述目标属性信息进行分析,确定与所述目标属性信息对应的目标推送信息,其中,所述目标模型为基于目标初始模型所构建的且使用多组第一训练数据通过深度学习训练出的,所述多组第一训练数据中的每组数据包括:属性信息,与所述属性信息对应的推送信息;在登录有所述目标帐号的所述目标应用中推送所述目标推送信息。
根据本发明的另一个实施例,提供了一种消息推送装置,包括:获取模块,用于获取用于登录目标应用的目标帐号的目标属性信息;分析模块,用于使用目标模型对所述目标属性信息进行分析,确定与所述目标属性信息对应的目标推送信息,其中,所述目标模型为基于目标初始模型所构建的且使用多组第一训练数据通过深度学习训练出的,所述多组第一训练数据中的每组数据包括:属性信息,与所述属性信息对应的推送信息;推送模块,用于在登录有所述目标帐号的所述目标应用中推送所述目标推送信息。
根据本发明的又一个实施例,还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,获取用于登录目标应用的目标帐号的目标属性信息,使用目标模型对目标属性信息进行分析,得到目标推送信息,并在目标应用中推送目标推送信息。由于目标模型是使用多组第一训练数据通过深度学习训练出的,可以根据不同的目标属性信息确定出不同的目标推送信息。因此,可以解决相关技术中存在的消息推送千人一面、不利于产品的迭代以及业务的发展、用户体验差的问题,达到消息推送千人千面效果,从而加快了产品的迭代以及业务的发展,提升了用户体验的。
附图说明
图1是本发明实施例的一种消息推送方法的移动终端的硬件结构框图;
图2是根据本发明实施例的消息推送方法的流程图;
图3是根据本发明示例性实施例的三层BPN结构示意图;
图4是根据本发明示例性实施例的sigmoid单元的计算过程示意图;
图5是根据本发明实施例的消息推送装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明的实施例。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
从金融行业的角度来讲,个性化推荐技术的本质是将当前最有可能成交的产品优先推荐给客户,使流量得到更加充分的利用,最大限度的提高转化效率。而推荐技术也随着用户个人数据的不断丰富,在逐渐升级,但从目前来看,消息推送还是处于千人一面的模型。千人一面的逻辑基础和推荐算法可整理为:
核心逻辑:物以类聚,也即推荐和当前商品相似、相关或其他维度的产品,每个人点击登录后看到的银行理财产品或者信托产品推荐其实是完全一致的,俗称千人一面;
使用环境:当前没有特殊需求的用户数据,但是商品数据丰富到足够支持起所需的推荐逻辑。
主要应用:通过加权求和法,也就是选取理财产品或其他产品数据的某些属性,并且针对各种属性的对于用户选择的重要性进行一个主观的评估,然后赋上权值,进行累加计算,得出每种理财产品和其他产品的相似性,相应的加权累加公式为:
x=x1f1+x2f2+...+xkfk
或者根据产品的被动销售级属性进行推荐(相关性推荐),即根据产品最终在订单中出现的概率来判断商品间的相关性,目前还可以依赖于其他几个维度来参考一同做判断(被同时浏览的几率,被同时购买的几率),主要应用置信度等指标算法。
针对相关技术中存在的消息推送千人一面、不利于产品的迭代以及业务的发展、用户体验差的问题,提供了以下实施例:
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的一种消息推送方法的移动终端的硬件结构框图。如图1所示,移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,其中,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的消息推送方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端。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。
传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中,传输设备106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种消息推送方法,图2是根据本发明实施例的消息推送方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,获取用于登录目标应用的目标帐号的目标属性信息;
步骤S204,使用目标模型对所述目标属性信息进行分析,确定与所述目标属性信息对应的目标推送信息,其中,所述目标模型为基于目标初始模型所构建的且使用多组第一训练数据通过深度学习训练出的,所述多组第一训练数据中的每组数据包括:属性信息,与所述属性信息对应的推送信息;
步骤S206,在登录有所述目标帐号的所述目标应用中推送所述目标推送信息。
在上述实施例中,目标应用可以为手机银行app(application,应用)等,目标帐号可以为登录目标应用时注册的帐号。目标属性信息可以包括用户的注册信息、操作信息等。目标模型可以为多层感知神经网络模型MLP(Multi-Layer Perceptron)。
在上述实施例中,目标模型可以从具体的业务情况出发,从决策层的视角将整个系统划分为多个不同的主题域。例如,在收集到集团员工数据和客户数据后,通过对数据种类主题的划分,将数据进行不同程度的归档,根据三要素等相关信息确定为一个自然人,并根据已有的生活习惯、消费习惯和产品购买情况等,进行事件主题域的划分。从而得出一个自然人在什么时间点购买了什么产品,什么时间点消费了多少钱,以及什么时候卖出了该产品。根据这些信息对目标初始模型进行训练,得到目标模型。将获取到目标属性信息输入到目标模型中以得到目标推送信息。
可选地,上述步骤的执行主体可以是后台处理器,或者其他的具备类似处理能力的设备,还可以是至少集成有数据处理设备的机器,其中,数据处理设备可以包括计算机、手机等终端,但不限于此。
通过本发明,获取用于登录目标应用的目标帐号的目标属性信息,使用目标模型对目标属性信息进行分析,得到目标推送信息,并在目标应用中推送目标推送信息。由于目标模型是使用多组第一训练数据通过深度学习训练出的,可以根据不同的目标属性信息确定出不同的目标推送信息。因此,可以解决相关技术中存在的消息推送千人一面、不利于产品的迭代以及业务的发展、用户体验差的问题,达到消息推送千人千面效果,从而加快了产品的迭代以及业务的发展,提升了用户体验的。
在一个示例性实施例中,获取用于登录目标应用的目标帐号的目标属性信息包括:确定所述目标帐号的注册信息;获取所述注册信息中包括的目标对象的目标标签信息,将所述目标标签信息确定为所述目标属性信息。在本实施例中,注册信息可以为目标对象,即用户在注册目标帐号时的注册信息,注册信息中可以包括目标对象的目标标签信息,例如,年龄标签、性别标签、地理位置标签、兴趣爱好、星座、所在公司、生活区域等。在确定目标标签信息后,即可将目标标签信息确定为目标帐号的目标属性信息。
在一个示例性实施例中,获取所述注册信息中包括的目标对象的标签信息,将所述标签信息确定为所述目标属性信息之后,所述方法还包括:获取其他帐号的其他标签信息;获取其他标签信息与所述目标标签信息的相似度;确定与所述目标标签信息相似度大于预定阈值的所述其他标签信息所对应的其他目标帐号;在登录有所述其他目标账号的所述目标应用中推送所述目标推送信息。在本实施例中,在确定目标对象的目标属性信息之后,还可以获取其他帐号的其他标签信息,例如,年龄标签、性别标签、地理位置标签、兴趣爱好、星座、所在公司、生活区域等。将其他标签信息与目标标签信息相匹配,确定二者的相似度,将相似度大于预定阈值的其他目标帐号确定为与目标帐号为一类的帐号。则可以为这一类帐号推送相同或相近的信息,或者,当将目标帐号购买的产品的产品信息推送给其他目标帐号。
在上述实施例中,涉及到的一些核心逻辑和使用环境等之类的划分。核心逻辑即为人以群分,将有相似的属性,相似行为的用户分为一类人,然后这一类中的人某一个人喜欢A类理财产品,那么其他人也有极大的可能喜欢A类理财产品。使用环境可以是当前积累了一定的用户数据之后,即可利用上述方法推送信息。例如,员工入职或用户注册集团的app后,通过后期使用过程中系统可以收集分析出一些固定数据,这类数据是长期稳定的,可以刻画一些人群特征,俗称为打标签。标签信息的大范围深度应用可以为千人千面提供极大的便利。其中,最基础的标签信息可以包括年龄标签、性别标签、地理位置标签、兴趣爱好、星座、所在公司、生活区域等。那么标签相似或完全相同的这一类人就极有可能有相同的喜好。比如,用户甲的标签组成为:20-35之间、男性、高收入人群、爱理财等,最近刚好购买了一个中高风险的基金A,那么,另外一个标签与他相符的用户乙,可能也在某个时间段想要购买相应的理财产品。因此,可以将基金A推送给用户乙。
在一个示例性实施例中,获取用于登录目标应用的目标帐号的目标属性信息包括:获取在登录有所述目标帐号的所述目标应用中的操作记录信息;将所述操作记录信息确定为所述目标属性信息。在本实施例中,目标属性信息还可以包括登录有目标帐号的目标应用中的操作记录信息。因此,可以获取操作记录信息以确定目标帐号的目标属性信息。例如,在证券的场景下,常见的用户操作可以包括搜索、浏览、咨询、加自选、购买、评论、分享、卖出等等,那么通过记录这些用户行为数据,即可以为用户推送其可能感兴趣的产品。
在一个示例性实施例中,获取在登录有所述目标帐号的所述目标应用中的操作记录信息包括以下至少之一:获取在登录有所述目标帐号的所述目标应用中所述目标对象的搜索记录信息;获取在登录有所述目标帐号的所述目标应用中的浏览记录信息;获取在登录有所述目标帐号的所述目标应用中的购买记录信息。在本实施例中,可以通过用户的搜索记录信息为用户推送响应的目标推送信息。例如,对于一个新注册的证券用户来说,这个用户除了具备一些基本的人群属性外,购物行为和购物偏好方面是空的。因此,可以根据他搜索的股票、基金信息来进行跟踪推荐,依据搜索同样关键词的其他用户最后达成的商品成交率来进行合理推荐。当然,也可以通过用户的浏览记录信息为用户推送响应的目标推送信息。例如,对于证券这种大型交易系统来说,在整个网站和app中所有浏览记录的时间脉络,它是全部有记录,完全能够做到判断用户在何时看到什么股票。同时,浏览的行为背后即代表这关注,表明用户对此产品感兴趣,则可以根据这一类产品的相似度进行关联推荐,用户所有浏览行为都是产品推荐的重要依据。此外,还可以通过用户的购买记录信息为用户推送响应的目标推送信息。由于用户已经购买产品,这证明了用户对产品的认可,甚至是对这个公司的认可。那么后续就可以根据用户已经购买过的产品,为其推荐相类似的产品公司或者基金。在绝大多数类目里面,这种最高级别的推荐都是非常明显的。
在一个示例性实施例中,所述目标模型包括多层感知神经网络模型。在本实施例中,目标模型可以采用MLP模型,MLP模型主要用于函数逼近与预测分析:用输入矢量和相应的输出矢量训练一个网络,逼近一个函数或预测未知信息;模式识别:用一个特定的输出矢量将它与输入矢量联系起来;分类:把输入矢量以所定义的合适方式进行分类;数据压缩:减少输出矢量维数以便于传输与存储。比如,一个三层BPN(反向传播网络)结构示意图可参见附图3,如图3所示,BPN结构包括输入层、隐含层和输出层。其中,每一层的单元与之相邻层的所有单元连接,同一层的单元之间没有连接。当一对学习样本提供给网络后,神经元的激活值从输入层经各中间层向输出层传播,在输出层的各神经元获得网络的输入响应。接下来,按照减少目标输出与实际误差的方向,从输出层经过各中间层逐层修正各连接权值,最后回到输入层。
在上述实施例中,神经网络仅需要预测P(y=1|x)。其中,可以使用的是Logistic回归函数预测P(y=1|x),逻辑回归是一个主要用于二分分类的算法。即,给定一个输入X,输出一个该样本属于1对应类别的预测概率例如,输入的特征向量为x是一个nx维的特征数量,用于训练的标签:y∈0,1,参数可以为权重,偏置:b∈R,则输出的预测结果为Sigmoid函数:
为了使这个数是一个有效的概率,它必须处在区间[0,1]中。假设使用线性单元,并通过阈值来限制它成为一个有效的概率:P(y=1|x)=max{0,min{1,wh+b}},其中,h表示给定特征值(对应于上述目标属性信息),wh+b表示线性输出单元层产生的一个向量。当wh+b处于单位区间外时,模型的输出对其参数的梯度都是0,故无法使用梯度下降来高效地训练它。于是这里采用的方法是基于使用sigmoid(双曲函数)输出单元结合最大似然来实现:
sigmoid输出单元定义为y=σ(wh+b),其中,σ是logistic sigmoid函数:σ(x)=1/(1+exp(-x))。
可以认为,sigmoid输出单元具有两个部分,首先使用一个线性层来计算z=wh+b,其次使用sigmoid激活函数将z转化为概率,其中,z表示线性输出单元层产生的向量。
接下来用z的值来定义y的概率分布:
假定非归一化的对数概率对y和z是线性的,可以对它取对数来得到非归一化的概率,然后对它归一化,这服从伯努利分布,该分布受z的sigmoid变换控制:P(y)=σ((2y-1)z)。
因为用于最大似然的代价函数是-logP(y|x),恰好抵消了sigmoid中的exp(指数函数)。然后,使用最大似然来学习一个由sigmoid参数化的伯努利分布,其损失函数为J(θ)=ζ((1-2y)z),ζ即softplus函数的形式:ζ(x)=log(1+exp(x))。
所以在极限情况下极度不正确的z,softplus函数完全不会收缩梯度。
其中,sigmoid单元的计算过程示意图可参见附图4,如图4所示,x1,x2...xn代表各个特征输入值(对应于上述目标属性信息),w0,w1...wn代表各特征输入值对应的权重,net表示输入和权重的乘积和加上偏置,o表示激活函数。MLP模型中激活函数的主要作用是提供网络的非线性建模能力,如不特别说明,激活函数一般而言是非线性函数。假设一个示例MLP模型中仅包含线性卷积和全连接运算,那么该网络仅能够表达线性映射,即便增加网络的深度也依旧还是线性映射,难以有效建模实际环境中非线性分布的数据。加入(非线性)激活函数之后,MLP模型才具备了分层的非线性映射学习能力。
在前述实施例中,面向集团员工的千人千面模型,基于大数据分布式计算和分布式存储的体系,以及MLP的算法模型,一方面从集团将所有子公司的员工、客户数据等收集上来,通过应用主题性、集成性、稳定性、时变性等,将来自于不同子公司的数据进行集成、统一,实现数据的准确和唯一。另一方面从男女、性别、性格、爱好、年龄等各个维度构建模型支持千人千面模型训练所需的特征值,并根据已有产品和行业的类型作为参考值,进行模型的训练,进行相应指标的产出,从而支持集团更快更好的发展。使用已有的员工、客户等数据,进行数据的采集、处理,构建合适的算法模型,从而实现千人千面的目的,为集团中各行业的发展提供一定的技术支持。针对多个场景,覆盖广泛的人群,通过金融科技、大数据、人工智能、区块链等技术,可以更好地实现金融行业各方面的精准化和个性化匹配与推荐,使得产品与客群、风险与收益等更加匹配。科技赋能下的集团公司颠覆了传统的金融业务模式,为集团及下属子公司的金融发展创造了条件。该模型将基于已有的员工和客户数据进行整合、模型训练,将内部产品和员工客户数据进行整合,实现千人千面的目标以及产品的个性化推荐。
在前述实施例中,可以将消息推送发送应用在集团内部,将集团内部所有子公司的数据进行整合和训练,构建适用于整个集团内部的模型,将集团子公司的客户流动起来,从而促进集团内部的良好发展。根据算法模型和已有数据的整合训练,将构建出适用于集团员工和客户的千人千面模型,为集团的发展提供一定的技术支持。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种消息推送装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图5是根据本发明实施例的消息推送装置的结构框图,如图5所示,该装置包括:
获取模块52,用于获取用于登录目标应用的目标帐号的目标属性信息;
分析模块54,用于使用目标模型对所述目标属性信息进行分析,确定与所述目标属性信息对应的目标推送信息,其中,所述目标模型为基于目标初始模型所构建的且使用多组第一训练数据通过深度学习训练出的,所述多组第一训练数据中的每组数据包括:属性信息,与所述属性信息对应的推送信息;
推送模块56,用于在登录有所述目标帐号的所述目标应用中推送所述目标推送信息。
在一个示例性实施例中,所述获取模块52包括:确定单元,用于确定所述目标帐号的注册信息;获取单元,用于获取所述注册信息中包括的目标对象的目标标签信息,将所述目标标签信息确定为所述目标属性信息。
在一个示例性实施例中,所述装置可以用于获取所述注册信息中包括的目标对象的标签信息,将所述标签信息确定为所述目标属性信息之后,获取其他帐号的其他标签信息;获取其他标签信息与所述目标标签信息的相似度;确定与所述目标标签信息相似度大于预定阈值的所述其他标签信息所对应的其他目标帐号;在登录有所述其他目标账号的所述目标应用中推送所述目标推送信息。
在一个示例性实施例中,所述获取模块52可以通过如下方式实现获取用于登录目标应用的目标帐号的目标属性信息:获取在登录有所述目标帐号的所述目标应用中的操作记录信息;将所述操作记录信息确定为所述目标属性信息。
在一个示例性实施例中,所述获取模块52可以通过以下至少之一获取在登录有所述目标帐号的所述目标应用中的操作记录信息:获取在登录有所述目标帐号的所述目标应用中所述目标对象的搜索记录信息;获取在登录有所述目标帐号的所述目标应用中的浏览记录信息;获取在登录有所述目标帐号的所述目标应用中的购买记录信息。
在一个示例性实施例中,所述目标模型包括多层感知神经网络模型。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在一个示例性实施例中,上述计算机可读存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种消息推送方法,其特征在于,包括:
获取用于登录目标应用的目标帐号的目标属性信息;
使用目标模型对所述目标属性信息进行分析,确定与所述目标属性信息对应的目标推送信息,其中,所述目标模型为基于目标初始模型所构建的且使用多组第一训练数据通过深度学习训练出的,所述多组第一训练数据中的每组数据包括:属性信息,与所述属性信息对应的推送信息;
在登录有所述目标帐号的所述目标应用中推送所述目标推送信息。
2.根据权利要求1所述的方法,其特征在于,获取用于登录目标应用的目标帐号的目标属性信息包括:
确定所述目标帐号的注册信息;
获取所述注册信息中包括的目标对象的目标标签信息,将所述目标标签信息确定为所述目标属性信息。
3.根据权利要求2所述的方法,其特征在于,获取所述注册信息中包括的目标对象的标签信息,将所述标签信息确定为所述目标属性信息之后,所述方法还包括:
获取其他帐号的其他标签信息;
获取其他标签信息与所述目标标签信息的相似度;
确定与所述目标标签信息相似度大于预定阈值的所述其他标签信息所对应的其他目标帐号;
在登录有所述其他目标账号的所述目标应用中推送所述目标推送信息。
4.根据权利要求1或2所述的方法,其特征在于,获取用于登录目标应用的目标帐号的目标属性信息包括:
获取在登录有所述目标帐号的所述目标应用中的操作记录信息;
将所述操作记录信息确定为所述目标属性信息。
5.根据权利要求4所述的方法,其特征在于,获取在登录有所述目标帐号的所述目标应用中的操作记录信息包括以下至少之一:
获取在登录有所述目标帐号的所述目标应用中所述目标对象的搜索记录信息;
获取在登录有所述目标帐号的所述目标应用中的浏览记录信息;
获取在登录有所述目标帐号的所述目标应用中的购买记录信息。
6.根据权利要求1所述的方法,其特征在于,
所述目标模型包括多层感知神经网络模型。
7.一种消息推送装置,其特征在于,包括:
获取模块,用于获取用于登录目标应用的目标帐号的目标属性信息;
分析模块,用于使用目标模型对所述目标属性信息进行分析,确定与所述目标属性信息对应的目标推送信息,其中,所述目标模型为基于目标初始模型所构建的且使用多组第一训练数据通过深度学习训练出的,所述多组第一训练数据中的每组数据包括:属性信息,与所述属性信息对应的推送信息;
推送模块,用于在登录有所述目标帐号的所述目标应用中推送所述目标推送信息。
8.根据权利要求7所述的装置,其特征在于,所述获取模块包括:
确定单元,用于确定所述目标帐号的注册信息;
获取单元,用于获取所述注册信息中包括的目标对象的目标标签信息,将所述目标标签信息确定为所述目标属性信息。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至6任一项中所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至6任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011407626.6A CN112613936A (zh) | 2020-12-04 | 2020-12-04 | 消息推送方法、装置、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011407626.6A CN112613936A (zh) | 2020-12-04 | 2020-12-04 | 消息推送方法、装置、存储介质及电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112613936A true CN112613936A (zh) | 2021-04-06 |
Family
ID=75228909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011407626.6A Pending CN112613936A (zh) | 2020-12-04 | 2020-12-04 | 消息推送方法、装置、存储介质及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613936A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914783A (zh) * | 2014-04-13 | 2014-07-09 | 北京工业大学 | 一种基于用户相似度的电子商务网站推荐方法 |
CN109493199A (zh) * | 2019-01-04 | 2019-03-19 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
CN110334274A (zh) * | 2019-05-30 | 2019-10-15 | 平安科技(深圳)有限公司 | 信息推送方法、装置、计算机设备和存储介质 |
CN111506820A (zh) * | 2020-04-30 | 2020-08-07 | 喜大(上海)网络科技有限公司 | 推荐模型、方法、装置、设备及存储介质 |
-
2020
- 2020-12-04 CN CN202011407626.6A patent/CN112613936A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914783A (zh) * | 2014-04-13 | 2014-07-09 | 北京工业大学 | 一种基于用户相似度的电子商务网站推荐方法 |
CN109493199A (zh) * | 2019-01-04 | 2019-03-19 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
CN110334274A (zh) * | 2019-05-30 | 2019-10-15 | 平安科技(深圳)有限公司 | 信息推送方法、装置、计算机设备和存储介质 |
CN111506820A (zh) * | 2020-04-30 | 2020-08-07 | 喜大(上海)网络科技有限公司 | 推荐模型、方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pan et al. | Study on convolutional neural network and its application in data mining and sales forecasting for E-commerce | |
Keramati et al. | Developing a prediction model for customer churn from electronic banking services using data mining | |
Alves Gomes et al. | A review on customer segmentation methods for personalized customer targeting in e-commerce use cases | |
Deng et al. | RETRACTED ARTICLE: A study on e-commerce customer segmentation management based on improved K-means algorithm | |
CN114371946B (zh) | 基于云计算和大数据的信息推送方法及信息推送服务器 | |
Zhao et al. | Learning and transferring ids representation in e-commerce | |
CN113111250A (zh) | 业务推荐方法、装置、相关设备及存储介质 | |
CN112417294A (zh) | 一种基于神经网络挖掘模型的业务智能推荐方法 | |
CN112633690A (zh) | 服务人员信息分配方法、装置、计算机设备和存储介质 | |
CN114266443A (zh) | 数据评估方法和装置、电子设备、存储介质 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN114693409A (zh) | 产品匹配方法、装置、计算机设备、存储介质和程序产品 | |
Hung et al. | Addressing the cold-start problem of recommendation systems for financial products by using few-shot deep learning | |
Rao et al. | BMSP-ML: big mart sales prediction using different machine learning techniques | |
CN112860878A (zh) | 业务数据推荐方法、存储介质及设备 | |
KR20120087346A (ko) | 기업과 소비자간의 정보 제공 시스템 및 정보 제공 방법 | |
Sadiku et al. | Big data analytics: A primer | |
Yin et al. | Deep collaborative filtering: a recommendation method for crowdfunding project based on the integration of deep neural network and collaborative filtering | |
CN116401450A (zh) | 一种基于知识图谱的推荐方法、装置及计算机设备 | |
Dixit et al. | A propound hybrid approach for personalized online product recommendations | |
CN115880077A (zh) | 基于客户标签的推荐方法及其装置、电子设备及存储介质 | |
Wasilewski et al. | Clustering methods for adaptive e-commerce user interfaces | |
CN112613936A (zh) | 消息推送方法、装置、存储介质及电子装置 | |
CN114996579A (zh) | 信息推送方法、装置、电子设备和计算机可读介质 | |
CN114092194A (zh) | 一种产品推荐方法、装置、介质及设备 |
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 |