CN112801744B - 一种活动推荐方法、装置、电子设备和存储介质 - Google Patents

一种活动推荐方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN112801744B
CN112801744B CN202110139392.XA CN202110139392A CN112801744B CN 112801744 B CN112801744 B CN 112801744B CN 202110139392 A CN202110139392 A CN 202110139392A CN 112801744 B CN112801744 B CN 112801744B
Authority
CN
China
Prior art keywords
user
activity
data
type
tested
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
Application number
CN202110139392.XA
Other languages
English (en)
Other versions
CN112801744A (zh
Inventor
王成庆
成建勇
赵巍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhuhai Necessary Industrial Technology Co ltd
Original Assignee
Zhuhai Necessary Industrial Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhuhai Necessary Industrial Technology Co ltd filed Critical Zhuhai Necessary Industrial Technology Co ltd
Publication of CN112801744A publication Critical patent/CN112801744A/zh
Application granted granted Critical
Publication of CN112801744B publication Critical patent/CN112801744B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种活动推荐方法、装置、电子设备和存储介质，该方法包括：根据待测用户的历史参与活动信息确定待测用户的用户类型，其中，用户类型包括第一类型用户或第二类型用户，并且第一类型用户历史参与活动数量大于第二类型用户；根据用户类型，将待测用户的数据输入对应的指定模型进行预测，获得活动推荐列表，其中，指定模型包括LSTM模型和神经网络分类器模型；根据活动推荐列表对待测用户进行活动推荐。通过采用不同模型组合的方式，根据待测用户的不同类型采用所适合的模型进行预测，有效的提升了模型对场景的适应性，从而提升了活动推荐的准确性，并提升了用户的浏览体验，满足了用户的实际需求。

Description

一种活动推荐方法、装置、电子设备和存储介质
技术领域
本发明实施例涉及互联网技术领域，尤其涉及一种活动推荐方法、装置、电子设备和存储介质。
背景技术
目前电商平台为了刺激用户在平台消费，经常会选择推送一系列活动，以进行促销和增大用户的粘性。而在C2M(Customer-to-Manufacturer，用户直连制造)模式下，不仅电商平台会举办活动，制造商即商家本身也会举办活动，但现有技术无法帮助商家寻找潜在的对其活动感兴趣的用户。目前进行平台活动推荐常用的方式通常是：采用主动式的弹窗或短信向用户密集推送单一活动；采用被动式的广告位推荐，给用户尽量多的曝光活动，以让用户自行进行选择；人工对用户进行画像分群，对不同群体的用户进行个性化推荐；通过已有智能算法模型对用户进行分类，对不同分类的用户进行不同的推荐。
但针对上述的前两种方式，所有用户被集中推送活动，而不同用户对不同活动的倾向性有很大的差异，很多时候用户对推送的活动并不感兴趣，而弹出的弹窗还会破坏用户的浏览体验；针对第三种方式由于数据处理量较大，因此需要较高的成本；而针对第四种方式则由于理论模型处理实际数据时由于适应性差，会出现计算缓慢效果差的问题，因此现有的活动推荐方式并不能满足用户的实际需求。
发明内容
本发明实施例提供了一种活动推荐方法、装置、电子设备和存储介质，以实现活动的准确推荐，以提示用户的体验效果。
第一方面，本发明实施例提供了一种活动推荐方法，包括：
根据待测用户的历史参与活动信息确定待测用户的用户类型，其中，用户类型包括第一类型用户或第二类型用户，并且第一类型用户历史参与活动数量大于第二类型用户；
根据用户类型，将待测用户的数据输入对应的指定模型进行预测，获得活动推荐列表，其中，指定模型包括LSTM模型和神经网络分类器模型；
根据活动推荐列表对待测用户进行活动推荐。
第二方面，本发明实施例提供了一种活动推荐装置，包括：
待测用户的类型确定模块，用于根据待测用户的历史参与活动信息确定待测用户的用户类型，其中，用户类型包括第一类型用户或第二类型用户，并且第一类型用户历史参与活动数量大于第二类型用户；
活动推荐列表获得模块，用于根据用户类型，将待测用户的数据输入对应的指定模型进行预测，获得活动推荐列表，其中，指定模型包括LSTM模型和神经网络分类器模型；
活动推荐模块，用于根据活动推荐列表对待测用户进行活动推荐。
第三方面，本发明实施例还提供了一种电子设备，电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现本发明任意实施例的方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例的方法。
第五方面，本发明实施例还提供了一种应用于C2M模式的商家活动推荐装置，其中，该商家活动推荐装置包括如前述根据本发明第二方面的一种活动推荐装置。
第六方面，本发明实施例还提供了一种应用于C2M模式的平台活动推荐装置，其中，该平台活动推荐装置包括如前述根据本发明第二方面的一种活动推荐装置。
在本发明实施例中，通过采用不同模型组合的方式，根据待测用户的不同类型采用所适合的模型进行预测，有效的提升了模型对场景的适应性，从而提升了活动推荐的准确性和推荐效率，并提升了用户的浏览体验，满足了用户的实际需求。
附图说明
图1(a)是本发明实施例一提供的活动推荐方法的流程图；
图1(b)是本发明实施例一提供的另一种活动推荐方法的流程图；
图2是本发明实施例二提供的活动推荐方法的流程图；
图3是本发明实施例三提供的活动推荐装置的结构示意图；
图4是本发明实施例四提供的一种电子设备的结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1(a)为本发明实施例一提供的一种活动推荐方法的流程图，本实施例可适用于在电商平台为用户准确进行平台活动推荐的情况，也可适用于C2M模式下为用户准确进行商家活动推荐的情况。当为用户准确进行平台活动推荐时，本发明中的活动包括平台活动；当为用户准确进行商家活动推荐时，本发明中的活动包括至少一个商家举办的活动，其中，活动可以是一个或多个。例如，若商家为一个，但该商家举办了多个活动，则本发明可以向用户推荐该商家多个活动中适合用户的活动，也即实现特定商家的活动推荐。又例如，若商家为多个，则本发明可以向用户推荐该多个商家举办的活动中适合用户的活动。该方法可以由本发明实施例中的活动推荐装置来执行，该装置可以通过软件和/或硬件的方式实现，本发明实施例的方法具体包括如下步骤：
步骤101，根据待测用户的历史参与活动信息确定待测用户的用户类型。
其中，用户类型包括第一类型用户或第二类型用户，并且第一类型用户的历史参与活动数量大于第二类型用户的历史参与活动数量。
可选的，根据待测用户的历史参与活动信息确定待测用户的用户类型，可以包括：根据历史参与活动信息中所包含的活动类型和每个活动类型所对应的数量，确定待测用户参与不同类型活动的数量；判断待测用户参与不同类型活动的数量是否大于预设阈值，若是，则确定用户类型为第一类型用户，否则，确定用户类型为第二类型用户。
具体的说，本实施方式中的根据待测用户的历史参与活动信息确定待测用户的类型时，主要是判定待测用户是多活动用户还是少活动用户，具体是将待测用户历史参与不同类型活动的数量与设置的预设阈值进行对比确定的，预设阈值可以根据实际需要进行设定，本实施方式中的预设阈值具体设置为2。
例如，在确定待测用户历史参与活动信息中参与活动一的数量为2次，参与活动二的数量为3次，参与活动三的数量为1次，则将参加相同类型活动的多次合并为1次，因此待测用户参与不同类型活动的数量为3，并且大于预设阈值2，因此可以将待测用户的用户类型确定为第一类型用户，即多活动用户；而在确定待测用户历史参与活动信息中参与活动一的数量为1，因此待测用户参与不同类型活动的数量为1，小于预设阈值2，因此可以将待测用户的用户类型确定为第二类型用户，即少活动用户。
步骤102，根据用户类型，将待测用户的数据输入对应的指定模型进行预测，获得活动推荐列表。
其中，指定模型包括长短期记忆(long short-term memory,LSTM)模型和神经网络分类器模型。
可选的，根据用户类型，将待测用户的数据输入对应的指定模型进行预测，获得活动推荐列表，可以包括：若用户类型为第一类型用户，根据待测用户的数据获得待测用户的活动序列向量，并将待测用户的活动序列向量输入LSTM模型进行预测，获得活动推荐列表；若用户的类型为第二类型用户，根据待测用户的数据获得待测用户的特征向量，并将待测用户的特征向量输入神经网络分类器模型进行预测，获得活动推荐列表。
可选的，方法还包括：对待测用户的数据进行第一预处理；其中，根据用户类型，将待测用户的数据输入对应的指定模型进行预测，包括：根据用户类型，将经第一预处理后的待测用户的数据输入对应的指定模型进行预测。
具体的说，本实施方式中的第一预处理指的是对待测用户的数据进行清理的过程，例如，待测用户的数据中有些用户数据(如性别、手机号等)不是数值型，并不适合神经网络的学习，因此使用独热编码的形式对该类数据进行编码，以方便网络学习；对于如年龄、消费金额等数值型用户数据，需要去掉其中的离群值，在此，造成离群值的原因有很多，诸如由于业务逻辑或是存储及时的限制，以及其它原因等。其中，判断离群值的方法包括但不限于如，使用回归方程的95％置信区间作为可信范围，将处于置信区间外的值视为离群值；另外，对于其他的数据异常的情况，也需要去除，如空值的排除，异常分类的去除，内部人员数据的去除等。
如图1(b)所示，为本申请实施方式中另一种活动推荐方法的流程图，图1(b)具体是对图1(a)中步骤102的具体说明，其中，步骤102具体包括步骤1021至步骤1023。
步骤1021，判断用户类型是否为第一类型用户，若是，则执行步骤1022，否则，执行步骤1023；
步骤1022，采用LSTM模型进行预测获得模型运行结果，模型运行结果中包含活动推荐列表；
具体的说，在采用LSTM模型进行预测获得活动推荐列表时，由于已经确定待测用户的用户类型为第一类型用户，即多活动用户，则根据待测用户的数据获得待测用户的活动序列向量，其中，待测用户的活动序列向量具体是通过对待测用户的数据中所包含的待测用户历史参与活动的类型进行编码后按照时间排序获得的。在此，待测用户的活动序列向量中的元素可以表示为xij的形式，其中，xij表示待测用户第j次参与活动i，i∈N，i∈N。在此，待测用户的数据是指，待测用户在指定时间段内历史参与活动的具体信息，如参与活动的类型、参与活动的时间等。在此，指定时间段可以是一周、一个月等，具体不做限定。在具体实施例中，例如，用户数据中包括待测用户历史参与活动的类型包括三种，分别是活动一、活动二和活动三，并且待测用户所参与活动按照时间由先到后的顺序分别为：活动一、活动二、活动三、活动二、活动一、活动三，通过对待测用户历史参与的活动进行编码并按照时间排序，则可以获得一组活动序列向量(x11 x21 x31 x22 x12 x32),其中，x11表示第一次参与活动一的编码结果，x21表示第一次参与活动二的编码结果，x31表示第一次参与活动三的编码结果，x22表示第二次参与活动二的编码结果，x12表示第二次参与活动一的编码结果，x32表示第二次参与活动三的编码结果。将活动序列向量(x11 x21 x31 x22 x12 x32)输入LSTM模型，可以得到活动推荐列表，由于LSTM模型的输出至少为一个，因此所得到的活动推荐列表中至少包含一个推荐活动，如下表1所示为活动推荐列表的示意图：
表1
序号 推荐活动
1 活动一
2 活动二
步骤1023，采用神经网络分类器模型进行预测获得模型运行结果，模型运行结果中包含活动推荐列表。
具体的说，在采用神经网络分类器模型进行预测获得活动推荐列表时，由于已经确定待测用户的用户类型为第二类型用户，即少活动用户，则根据待测用户的数据获得待测用户的特征向量，其中，待测用户的特征向量是通过对待测用户的数据进行第二预处理获得的，第二预处理操作具体是对待测用户的数据进行独热编码、并整合为以用户ID为索引的矩阵形式，从而获得待测用户的特征向量的过程。针对第二类型用户，待测用户的数据至少包括如下至少任一项：1)操作数据，如用户的点击、浏览、收藏，加购物车；2)属性数据，如用户年龄、性别、新老客区别；3)统计数据，如用户的点击率、转换率；4)用户画像数据，如用户的习惯；5)用户画像数据的衍生数据，如用户购买力、用户类目偏好。因此在进行第二预处理操作时，具体是对上述至少一项的待测用户的数据进行独热编码、并整合为以用户ID为索引的矩阵形式。在此，待测用户的特征向量可表示为(ID索引编号，y11 y1j..),其中，y1j表示从待测用户的数据中所提取的第j个特征经过独热编码后的结果。例如，若确定待测用户的数据中仅包括属性数据，则对待测用户的数据进行特征提取后通过独热编码获得待测用户的特征向量为(001y11 y12 y13),其中，001表示待测用户的ID索引编号，y11表示对属性特征性别进行独热编码的结果，y12表示对属性特征年龄进行独热编码的结果，y13表示对新老客特征进行独热编码的结果，当然关于待测用户的特征包括多种类型，本实施方式中仅是以性别、年龄和新老客等特征举例进行说明，而并不对特征的具体类型进行限定。将待测用户的特征向量输入神经网络分类器模型，可以得到活动推荐列表，具体形式具体可以如上表1所示，本实施方式中不再进行赘述。
可选的，根据用户类型，将待测用户的数据输入对应的指定模型进行预测之前，还可以包括：获取第一原始用户数据和第二原始用户数据，其中，第一原始用户数据中每个用户参与活动的数量大于预设阈值，第二原始用户数据中每个用户参与活动的数量小于预设阈值；采用第一原始用户数据对初始LSTM模型进行训练，获得训练后的LSTM模型，以作为LSTM模型；采用第二原始用户数据对初始神经网络分类器模型进行训练，获得训练后的神经网络分类器模型，以作为神经网络分类器模型。
其中，在根据用户的不同类型采用指定模型进行预测之前，还包括：采用不同的原始用户数据即样本数据对初始LSTM模型和初始神经网络分类器模型进行训练，其中，对初始LSTM模型进行训练所采用的样本数据称为第一原始用户数据，对初始神经网络分类器模型进行训练所采用的样本数据称为第二原始用户数据，在第一原始用户数据中每个用户参与不同类型活动的数量大于2，而在第二原始用户数据中每个用户参与不同类型活动的数量小于2。
可选的，采用第一原始用户数据对初始LSTM模型进行训练，获得训练后的LSTM模型，以作为LSTM模型，可以包括：提取第一原始用户数据中每个用户参与的活动类型，将每个用户参与活动的类型进行编码后按照时间排序获得活动序列向量，每个用户的活动序列向量构成活动序列矩阵；采用活动序列矩阵对初始LSTM模型进行训练，获得训练后的LSTM模型，以作为LSTM模型。
其中，在采用第一原始用户数据对初始LSTM模型进行训练之前，需要对第一原始用户数据进行预处理。将明显异常的数据用户数据进行删除，以实现去噪，并提取去噪后第一原始用户数据中每个用户参与的活动类型，将每个用户参与活动的类型进行编码后按照时间排序获得活动序列向量。在此，对第一原始用户数据进行预处理的方式与前述对待测用户的数据进行第一预处理的方式相同或类似，为简明起见，将其以引用的方式包含于此，并不再赘述。在此，关于活动序列向量的具体获取方式已经在前述内容进行描述，此处不再进行赘述。将每个用户的活动序列向量构成活动序列矩阵，例如，假设，第一原始用户数据中包含3个用户，均属于参加不同类型的活动数量多的用户，所参加的活动类型包括三种分别是活动一、活动二和活动三，则可以得到活动序列矩阵为
Figure BDA0002927995970000101
采用活动序列矩阵对LSTM模型进行训练，其中,a代表第一个用户的数据信息，b代表第二个用户的数据信息，c代表第三个用户的数据信息，并且下标中第一个数字代表参与活动的类型，下标中第二个数字代表参与活动的次数。例如，针对第一个用户a11表示第一次参与活动一的编码结果，a21表示第一次参与活动二、a31表示第一次参与活动三的编码结果、a22表示第二次参与活动二的编码结果、a12表示第二次参与活动一的编码结果、a32表示第二次参与活动三的编码结果、a33表示第三次参与活动三的编码结果，0表示当两个用户参与活动的总数量不相同时，例如，第一个用户参与了7次活动，第二个用户参与了6次活动，此时会用0在向量组中补齐，表示不参与任何活动，对于矩阵中其它用户的元素描述原理与此大致相同，本实施方式中不再进行赘述。
可选的，采用第二原始用户数据对初始神经网络分类器模型进行训练，获得训练后的神经网络分类器模型，以作为神经网络分类器模型，可以包括：对第二原始用户数据进行预处理，提取预处理后第二原始用户数据中每个用户的特征向量，并根据每个用户的特征向量获得第二原始用户特征矩阵，其中，特征向量中包含每个原始用户的特征信息；采用特征工程模块对第二原始用户特征矩阵进行修正获得修正特征矩阵；采用修正特征矩阵对初始神经网络分类器模型进行训练，获得训练后的神经网络分类器模型，以作为神经网络分类器模型。在此，对第二原始用户数据进行预处理的方式与前述对待测用户的数据进行第二预处理的方式相同或类似，为简明起见，将其以引用的方式包含于此，并不再赘述。
在一个具体实现中，在采用第二原始用户数据对初始神经网络分类器模型进行训练之前，需要对第二原始用户数据进行预处理，将明显异常的数据进行删除，以实现去噪，并提取预处理后第二原始用户数据中每个用户的特征信息，其中，特征信息用于表示用户的基本属性信息，例如，包含用户点击、浏览、收藏和加购物车的操作数据，以及包括用户年龄、性别、新老客户区别的属性数据，以及每个用户所对应的活动类型标签等都可以作为用户的特征信息，可以根据实际训练需要确定每个用户的特征信息。并根据每个用户的特征信息获得第二原始用户特征矩阵，例如，假设，第二原始用户数据中包含3个用户，均属于参加不同类型的活动数量少的用户，确定每个用户中包括属性数据和操作数据，则对每个用户的数据进行特征提取后通过独热编码获得每个用户的特征向量，通过将多个向量进行组合获得第二原始用户特征矩阵，例如，所提取的每个用户的特征包括四个分别是性别、年龄、新老客和活动类型标签，则可以获得第二原始用户特征矩阵为
Figure BDA0002927995970000111
其中，001是第一个用户的ID索引编号，n11表示对性别进行独热编码的结果、n12表示对年龄进行独热编码的结果、n13表示对新老客进行独热编码的结果、n14表示对活动类型标签进行独热编码的处理结果，002是第二个用户的ID索引编号，n21表示对性别进行独热编码的结果、n22表示对年龄进行独热编码的结果、n23表示对新老客进行独热编码的结果、n24表示对活动类型标签进行独热编码的处理结果；003是第三个用户的ID索引编号，n31表示对性别进行独热编码的结果、n32表示对年龄进行独热编码的结果、n33表示对新老客进行独热编码的结果、n34表示对活动类型标签进行独热编码的处理结果。
可选的，采用特征工程模块对第二原始用户特征矩阵进行修正获得修正特征矩阵，可以包括：采用特征工程模块按照指定的用户行为特征对第二原始用户特征矩阵进行筛选获得特征筛选矩阵，对特征筛选矩阵进行特征方差增大处理获得筛选矩阵。
其中，采用特征工程模块进行修正获得修成特征矩阵，具体是采用特征工程模块进行修正。在特征工程模块中包括XGBoost(Extreme Gradient Boosting，极端梯度提升)模块、LR-ovr(multi-target Logistic Regression,one-vs-rest，一对多分类逻辑回归)模块以及合并模块，其中，XGBoost模块对指定的用户特征进行保留，例如，对用户特征年龄、新老客、活动类型标签进行保留,即认为用户特征矩阵中代表每个用户性别的矩阵元素n11、n21和n31并不是重要的,经过筛选获得特征筛选矩阵
Figure BDA0002927995970000121
对特征筛选矩阵采用进行特征方差增大处理获得筛选矩阵
Figure BDA0002927995970000122
其中，第一列的ID索引编号和第四列的活动类型标签不变，k12表示ID编号为001的用户，特征方差增大后的年龄特征，k13表示ID编号为001的用户，特征方差增大后的新老客特征，其它用户的元素所代表的含义与此大致相同本实施方式中不再进行赘述，并且本实施方式中经过特征方差增大处理后的每列特征的差值要增大。
在进行特征方差增加时具体采用exp(X)函数，目的是增大所筛选出的增大特征之间的方差和识别度。
将第二原始用户特征矩阵中除去特征筛选矩阵之外的特征进行保留获得特征保留矩阵，例如，本实施方式中所获得的关于性别的特征保留矩阵具体可以是
Figure BDA0002927995970000131
之后采用特征工程模块根据第二原始用户特征矩阵确定用户参与不同活动的概率矩阵。例如，LR-ovr模块根据第二原始用户特征矩阵确定用户参与不同活动的概率矩阵，例如，在确定第二原始用户数据中所有样本用户所参与的活动类型数量为3个，分别是活动一、活动二和活动三，则可以确定概率矩阵为
Figure BDA0002927995970000132
其中，第一行代表第一个用户参与不同活动的概率，例如，l11表示第一个用户参与活动一的概率，l12表示第一个用户参与活动二的概率，l13表示第一个用户参与活动三的概率，第二行代表第二个用户参与不同活动的概率，第三行代表第三个用户参与不同活动的概率，元素代表的含义与第一行相似，本实施方式中不再进行赘述。
最后，将筛选矩阵、保留矩阵和概率矩阵进行合并获得修正特征矩阵，本实施方式中具体可以是：合并模块采用如下公式(1)进行特征合并获得修正特征矩阵:
feature＝concatenate([h(X),L,F-X],axis＝0) (1)
其中，X为XGBoost模块选出的特征生成的向量矩阵；h(X)为对特征筛选矩阵采用进行特征方差增大处理的函数，具体可以是exp(X)函数；L为LR-ovr模块根据第二原始用户特征矩阵确定用户参与不同活动的概率矩阵；F表示第二原始用户特征矩阵；F-X表示除了XGBoost模块筛选出的特征筛选矩阵之外的特征进行保留所获得的特征保留矩阵，本实施方式中
Figure BDA0002927995970000141
feature表示将筛选矩阵X、、概率矩阵L和保留矩阵F-X进行合并(即在水平方向叠加)所获得的修正特征矩阵，在本实施方式中具体为
Figure BDA0002927995970000142
步骤103，根据活动推荐列表对待测用户进行活动推荐。
可选的，根据活动推荐列表对待测用户进行活动推荐，可以包括：将活动推荐列表中所包含的活动采用弹窗的形式进行展示，其中，活动推荐列表中至少包含一个类型的活动。
具体的说，在确定活动推荐列表具体如上表1所示时，可以将活动一和活动二采用弹窗的形式同时在待测用户所使用的移动终端设备上进行展示，或者活动一和活动二采用弹窗的形式按照时间先后顺序在待测用户所使用的移动终端设备上进行展示，间隔时间可以设置为1天，本实施方式中并不限定活动推荐的具体展示方式，只要能将活动推荐列表中所包含的不同类型的活动都能够推荐给待测用户，都是在本申请的保护范围内的，本申请实施方式中并不进行赘述。
在本发明实施例中，通过采用不同模型组合的方式，根据待测用户的不同类型采用所适合的模型进行预测，有效的提升了模型对场景的适应性，从而提升了活动推荐的准确性，并提升了用户的浏览体验，满足了用户的实际需求。
实施例二
图2是本发明实施例二提供的一种活动推荐方法的流程图，本实施例以上述实施例为基础，在根据活动推荐列表对待测用户进行活动推荐之后，还包括：判断待测用户是否对推荐的活动进行参与，在确定待测用户参与的情况下，将待测用户的操作数据用于对模型进行训练。
如图2所示，本公开实施例的方法具体包括：
步骤201，根据待测用户的历史参与活动信息确定待测用户的用户类型。
步骤2021，判断用户类型是否为第一类型用户，若是，则执行步骤2022，否则，执行步骤2023。
步骤2022，采用LSTM模型进行预测获得模型运行结果，模型运行结果中包含活动推荐列表。
步骤2023，采用神经网络分类器模型进行预测获得模型运行结果，模型运行结果中包含活动推荐列表。
步骤203，根据活动推荐列表对待测用户进行活动推荐。
步骤204，判断是否参与推荐活动，若是，则将待测用户的当前操作数据作为样本数据对预测模型进行训练。
其中，在确定待测用户对活动推荐列表中所推荐的活动进行参与、并且活动推荐列表由LSTM模型输出时，将待测用户的当前操作数据添加到第一原始数据中，以对第一原始数据进行更新，并采用更新后的第一原始用户数据对LSTM模型进行训练。在确定待测用户对活动推荐列表中所推荐的活动进行参与、并且活动推荐列表由神经网络分类器模型输出时，则将待测用户的当前操作数据添加到第二原始数据中，以对第二原始数据进行更新，并采用更新后的第二原始用户数据对神经网络分类器模型进行训练。当前操作数据具体指的是待测用户选择推荐活动的操作，例如，在活动推荐列表中包含三个活动分别是活动一、活动二和活动三，待测用户张三的年龄为30、性别男，并且仅参与了活动推荐列表中的活动一，则将年龄为30，性别为男的待测用户张三选择参与活动一的数据作为当前操作数据。
在本发明实施例中，通过采用不同模型组合的方式，根据待测用户的不同类型采用所适合的模型进行预测，有效的提升了模型对场景的适应性，从而提升了活动推荐的准确性，并提升了用户的浏览体验，满足了用户的实际需求。并且通过采用循环更新训练机制，模型可以保持持续的自我学习状态，以进一步提升活动推荐的准确性。
实施例三
图3是本发明实施例三所提供的活动推荐装置的结构示意图，具体包括：待测用户的类型确定模块310、活动推荐列表获得模块320和活动推荐模块330。在此，活动推荐装置是指一种能够根据用户的用户类型来为其进行活动推荐的设备。在具体实施例中，活动推荐装置可由终端设备实现，也可由网络设备与终端设备通过网络相集成所构成的设备(即由终端设备和网络设备相配合)实现。在此，所述网络设备包括但不限于如网络主机、单个网络服务器、多个网络服务器集或基于云计算的计算机集合等实现；或者由终端设备实现。在此，云由基于云计算(Cloud Computing)的大量主机或网络服务器构成，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。在此，所述终端设备可以是任何一种可与用户通过键盘、触摸板、触摸屏、遥控器、语音交互或手写设备等方式进行人机交互的电子产品，例如PC、手机、智能手机、PDA、可穿戴设备、掌上电脑PPC、可穿戴设备、平板电脑等。所述网络包括但不限于互联网、广域网、城域网、局域网、VPN网络、无线自组织网络(Ad Hoc网络)等。本领域技术人员应能理解上述活动推荐装置仅为举例，其他现有的或今后可能出现的网络设备或终端设备如可适用于本发明，也应包含在本发明保护范围以内，并在此以引用方式包含于此。在此，网络设备及用户设备均包括一种能够按照事先设定或存储的指令，自动进行数值计算和信息处理的电子设备，其硬件包括但不限于微处理器、专用集成电路(ASIC)、可编程门阵列(FPGA)、数字处理器(DSP)、嵌入式设备等。
其中，待测用户的类型确定模块310，用于根据待测用户的历史参与活动信息确定待测用户的用户类型，其中，待测用户的类型包括第一类型用户或第二类型用户，并且第一类型用户的历史参与活动数量大于第二类型用户的历史参与活动数量；
活动推荐列表获得模块320，用于根据用户类型，将待测用户的数据输入对应的指定模型进行预测，获得活动推荐列表，其中，指定模型包括LSTM模型和神经网络分类器模型；
活动推荐模块330，用于根据活动推荐列表对待测用户进行活动推荐。
可选的，装置还包括第一预处理模块，用于对待测用户的数据进行第一预处理；其中，待测用户的类型确定模块，用于根据用户类型，将经第一预处理后的待测用户的数据输入对应的指定模型进行预测。
可选的，装置还包括：
原始数据获取模块，用于获取第一原始用户数据和第二原始用户数据，其中，第一原始用户数据中每个用户参与活动的数量大于预设阈值，第二原始用户数据中每个用户参与活动的数量小于预设阈值；
LSTM模型训练模块，用于采用第一原始用户数据对初始LSTM模型进行训练，获得训练后的LSTM模型，以作为LSTM模型；
神经网络分类器模型训练模块，用于采用第二原始用户数据对初始神经网络分类器模型进行训练，获得训练后的神经网络分类器模型，以作为神经网络分类器模型。
可选的，LSTM模型训练模块，用于提取第一原始用户数据中每个用户参与的活动类型，将每个用户参与活动的类型进行编码后按照时间排序获得活动序列向量，每个用户的活动序列向量构成活动序列矩阵；
采用活动序列矩阵对初始LSTM模型进行训练，获得训练后的LSTM模型，以作为LSTM模型。
可选的，神经网络分类器模型训练模块，用于对第二原始用户数据进行第二预处理，提取第二预处理后第二原始用户数据中每个用户的特征向量，并根据每个用户的特征向量获得第二原始用户特征矩阵，其中，特征向量中包含每个原始用户的特征信息；
采用特征工程模块对第二原始用户特征矩阵进行修正获得修正特征矩阵；
采用修正特征矩阵对初始神经网络分类器模型进行训练，获得训练后的神经网络分类器模型，以作为神经网络分类器模型。
可选的，神经网络分类器模型训练模块，还用于采用特征工程模块按照指定的用户行为特征对第二原始用户特征矩阵进行筛选获得特征筛选矩阵，对特征筛选矩阵进行特征方差增大处理获得筛选矩阵；
将第二原始用户特征矩阵中除去特征筛选矩阵之外的特征进行保留获得特征保留矩阵；
采用特征工程模块根据第二原始用户特征矩阵确定用户参与不同活动的概率矩阵；
将筛选矩阵、保留矩阵和概率矩阵进行合并获得修正特征矩阵。
可选的，活动推荐列表获得模块，用于：若用户类型为第一类型用户，根据待测用户的数据获得待测用户的活动序列向量，并将待测用户的活动序列向量输入LSTM模型进行预测，获得活动推荐列表；
若用户类型为第二类型用户，根据待测用户的数据获得待测用户的特征向量，并将待测用户的特征向量输入神经网络分类器模型进行预测，获得活动推荐列表。
可选的，装置还包括训练更新模块，用于：在确定待测用户对活动推荐列表中所推荐的活动进行参与、并且活动推荐列表由LSTM模型输出时，将待测用户的当前操作数据添加到第一原始数据中，以对第一原始数据进行更新，并采用更新后的第一原始用户数据对LSTM模型进行训练；
在确定待测用户对活动推荐列表中所推荐的活动进行参与、并且活动推荐列表由神经网络分类器模型输出时，则将待测用户的当前操作数据添加到第二原始数据中，以对第二原始数据进行更新，并采用更新后的第二原始用户数据对神经网络分类器模型进行训练。
可选的，待测用户的类型确定模块，用于：根据历史参与活动信息中所包含的活动类型和每个活动类型所对应的数量，确定待测用户参与不同类型活动的数量；
判断待测用户参与不同类型活动的数量是否大于预设阈值，若是，则确定用户类型为第一类型用户，否则，确定用户类型为第二类型用户。
上述装置可执行本发明任意实施例所提供的活动推荐方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的方法。
实施例四
图4是本发明实施例提供的一种电子设备的结构示意图。图4示出了适用于用来实现本发明实施方式的示例性电子设备412的框图。图4显示的电子设备412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，电子设备412以通用计算设备的形式出现。电子设备412的组件可以包括但不限于：一个或者多个处理器412，存储器428，连接不同系统组件(包括存储器428和处理器416)的总线418.
总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器428用于存储指令。存储器428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)430和/或高速缓存存储器432。电子设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储器428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储器428中，这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
电子设备412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信，还可与一个或者多个使得用户能与该电子设备412交互的设备通信，和/或与使得该电子设备412能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，电子设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器420通过总线418与电子设备412的其它模块通信。应当明白，尽管图4中未示出，可以结合电子设备412使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器416通过运行存储在存储器428中的指令，从而执行各种功能应用以及数据处理，例如执行以下操作：
根据待测用户的历史参与活动信息确定待测用户的用户类型，其中，用户类型包括第一类型用户或第二类型用户，并且第一类型用户历史参与活动数量大于第二类型用户；根据用户类型，将待测用户的数据输入对应的指定模型进行预测，获得活动推荐列表，其中，指定模型包括LSTM模型和神经网络分类器模型；根据活动推荐列表对待测用户进行活动推荐。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行活动推荐方法，该方法包括：
根据待测用户的历史参与活动信息确定待测用户的用户类型，其中，用户类型包括第一类型用户或第二类型用户，并且第一类型用户历史参与活动数量大于第二类型用户；根据用户类型，将待测用户的数据输入对应的指定模型进行预测，获得活动推荐列表，其中，指定模型包括LSTM模型和神经网络分类器模型；根据活动推荐列表对待测用户进行活动推荐。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上的方法操作，还可以执行本发明任意实施例所提供的活动推荐方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，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，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的三维场景中的视频监控方法。
值得注意的是，上述三维场景中的视频监控装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (15)

1.一种活动推荐方法，其特征在于，包括：
根据待测用户的历史参与活动信息确定待测用户的用户类型，其中，所述用户类型包括第一类型用户或第二类型用户，并且所述第一类型用户的历史参与活动数量大于所述第二类型用户的历史参与活动数量；
根据所述用户类型，将所述待测用户的数据输入对应的指定模型进行预测，获得活动推荐列表，其中，所述指定模型包括LSTM模型和神经网络分类器模型；
根据所述活动推荐列表对所述待测用户进行活动推荐；
所述根据所述用户类型，将所述待测用户的数据输入对应的指定模型进行预测，获得活动推荐列表，包括：
若所述用户类型为第一类型用户，根据所述待测用户的数据获得所述待测用户的活动序列向量，并将所述待测用户的活动序列向量输入所述LSTM模型进行预测，获得所述活动推荐列表，其中，所述待测用户的活动序列向量是通过对待测用户的数据中所包含的待测用户历史参与活动的类型进行编码后按照时间排序获得的；
若所述用户类型为第二类型用户，根据所述待测用户的数据获得所述待测用户的特征向量，并将所述待测用户的特征向量输入所述神经网络分类器模型进行预测，获得所述活动推荐列表，其中，所述待测用户的特征向量是通过对所述待测用户的数据进行第二预处理获得的，所述第二预处理操作是指对所述待测用户的数据进行独热编码、并整合为以用户ID为索引的矩阵形式，以获得所述待测用户的特征向量的过程。
2.根据权利要求1所述的方法，其特征在于，该方法还包括：
对所述待测用户的数据进行第一预处理；
其中，根据所述用户类型，将所述待测用户的数据输入对应的指定模型进行预测，包括：
根据所述用户类型，将经所述第一预处理后的所述待测用户的数据输入对应的指定模型进行预测。
3.根据权利要求1所述的方法，其特征在于，所述根据所述用户类型，将所述待测用户的数据输入对应的指定模型进行预测之前，还包括：
获取第一原始用户数据和第二原始用户数据，其中，所述第一原始用户数据中每个用户参与活动的数量大于预设阈值，所述第二原始用户数据中每个用户参与活动的数量小于所述预设阈值；
采用所述第一原始用户数据对初始LSTM模型进行训练，获得训练后的LSTM模型，以作为所述LSTM模型；
采用所述第二原始用户数据对初始神经网络分类器模型进行训练，获得训练后的神经网络分类器模型，以作为所述神经网络分类器模型。
4.根据权利要求3所述的方法，其特征在于，所述采用所述第一原始用户数据对初始LSTM模型进行训练，获得训练后的LSTM模型，以作为所述LSTM模型，包括：
提取所述第一原始用户数据中每个用户参与的活动类型，将每个用户参与活动的类型进行编码后按照时间排序获得活动序列向量，每个用户的活动序列向量构成活动序列矩阵；
采用所述活动序列矩阵对初始LSTM模型进行训练，获得训练后的LSTM模型，以作为所述LSTM模型。
5.根据权利要求3所述的方法，其特征在于，所述采用所述第二原始用户数据对初始神经网络分类器模型进行训练，获得训练后的神经网络分类器模型，以作为所述神经网络分类器模型，包括：
对所述第二原始用户数据进行第二预处理，提取第二预处理后第二原始用户数据中每个用户的特征向量，并根据每个用户的特征向量获得第二原始用户特征矩阵，其中，所述特征向量中包含每个原始用户的特征信息；
采用特征工程模块对所述第二原始用户特征矩阵进行修正获得修正特征矩阵；
采用所述修正特征矩阵对初始神经网络分类器模型进行训练，获得训练后的神经网络分类器模型，以作为所述神经网络分类器模型。
6.根据权利要求5所述的方法，其特征在于， 所述采用特征工程模块对所述第二原始用户特征矩阵进行修正获得修正特征矩阵，包括：
采用所述特征工程模块按照指定的用户行为特征对所述第二原始用户特征矩阵进行筛选获得特征筛选矩阵，对所述特征筛选矩阵进行特征方差增大处理获得筛选矩阵；
将所述第二原始用户特征矩阵中除去所述特征筛选矩阵之外的特征进行保留获得特征保留矩阵；
采用所述特征工程模块根据所述第二原始用户特征矩阵确定用户参与不同活动的概率矩阵；
将所述筛选矩阵、所述保留矩阵和所述概率矩阵进行合并获得所述修正特征矩阵。
7.根据权利要求3所述的方法，其特征在于，根据所述活动推荐列表对所述待测用户进行活动推荐之后，还包括：
在确定所述待测用户对所述活动推荐列表中所推荐的活动进行参与、并且所述活动推荐列表由所述LSTM模型输出时，将所述待测用户的当前操作数据添加到所述第一原始数据中，以对所述第一原始数据进行更新，并采用更新后的所述第一原始用户数据对所述LSTM模型进行训练；
在确定所述待测用户对所述活动推荐列表中所推荐的活动进行参与、并且所述活动推荐列表由所述神经网络分类器模型输出时，则将所述待测用户的当前操作数据添加到所述第二原始数据中，以对所述第二原始数据进行更新，并采用更新后的所述第二原始用户数据对所述神经网络分类器模型进行训练。
8.根据权利要求1中所述的方法，其特征在于，所述根据待测用户的历史参与活动信息确定待测用户的用户类型，包括：
根据所述历史参与活动信息中所包含的活动类型和每个活动类型所对应的数量，确定所述待测用户参与不同类型活动的数量；
判断所述待测用户参与不同类型活动的数量是否大于预设阈值，若是，则确定所述用户类型为第一类型用户，否则，确定所述用户类型为第二类型用户。
9.根据权利要求1至8中任一项所述的方法，其中，所述活动包括至少一个商家举办的活动。
10.一种活动推荐装置，其特征在于，所述装置包括：
待测用户的类型确定模块，用于根据待测用户的历史参与活动信息确定待测用户的用户类型，其中，所述用户类型包括第一类型用户或第二类型用户，并且所述第一类型用户历史参与活动数量大于所述第二类型用户；
活动推荐列表获得模块，用于根据所述用户类型，将所述待测用户的数据输入对应的指定模型进行预测，获得活动推荐列表，其中，所述指定模型包括LSTM模型和神经网络分类器模型；
活动推荐模块，用于根据所述活动推荐列表对所述待测用户进行活动推荐；
所述活动推荐列表获得模块，用于若所述用户类型为第一类型用户，根据所述待测用户的数据获得所述待测用户的活动序列向量，并将所述待测用户的活动序列向量输入所述LSTM模型进行预测，获得所述活动推荐列表，其中，所述待测用户的活动序列向量是通过对待测用户的数据中所包含的待测用户历史参与活动的类型进行编码后按照时间排序获得的；
若所述用户类型为第二类型用户，根据所述待测用户的数据获得所述待测用户的特征向量，并将所述待测用户的特征向量输入所述神经网络分类器模型进行预测，获得所述活动推荐列表，其中，所述待测用户的特征向量是通过对所述待测用户的数据进行第二预处理获得的，所述第二预处理操作是指对所述待测用户的数据进行独热编码、并整合为以用户ID为索引的矩阵形式，以获得所述待测用户的特征向量的过程。
11.根据权利要求10所述的装置，其中，所述活动包括至少一个商家举办的活动。
12.一种应用于C2M模式的商家活动推荐装置，其中，所述商家活动推荐装置包括权利要求10或11所述的装置。
13.一种应用于C2M模式的平台活动推荐装置，其中，所述平台活动推荐装置包括权利要求10所述的装置。
14.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。
15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-9中任一所述的方法。
CN202110139392.XA 2020-12-01 2021-02-01 一种活动推荐方法、装置、电子设备和存储介质 Active CN112801744B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2020113899410 2020-12-01
CN202011389941 2020-12-01

Publications (2)

Publication Number Publication Date
CN112801744A CN112801744A (zh) 2021-05-14
CN112801744B true CN112801744B (zh) 2022-04-29

Family

ID=75813523

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110139392.XA Active CN112801744B (zh) 2020-12-01 2021-02-01 一种活动推荐方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN112801744B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107423442A (zh) * 2017-08-07 2017-12-01 火烈鸟网络(广州)股份有限公司 基于用户画像行为分析的应用推荐方法及系统，储存介质及计算机设备
CN108074116A (zh) * 2016-11-09 2018-05-25 阿里巴巴集团控股有限公司 信息提供方法及装置
CN110163723A (zh) * 2019-05-20 2019-08-23 深圳市和讯华谷信息技术有限公司 基于产品特征的推荐方法、装置、计算机设备及存储介质
CN110209926A (zh) * 2019-04-22 2019-09-06 北京三快在线科技有限公司 商家推荐方法、装置、电子设备及可读存储介质
CN110555112A (zh) * 2019-08-22 2019-12-10 桂林电子科技大学 一种基于用户正负偏好学习的兴趣点推荐方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109711887B (zh) * 2018-12-28 2021-02-09 拉扎斯网络科技（上海）有限公司 商城推荐列表的生成方法、装置、电子设备及计算机介质
CN111831892A (zh) * 2019-04-19 2020-10-27 拉扎斯网络科技（上海）有限公司 信息推荐方法、信息推荐装置、服务器及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108074116A (zh) * 2016-11-09 2018-05-25 阿里巴巴集团控股有限公司 信息提供方法及装置
CN107423442A (zh) * 2017-08-07 2017-12-01 火烈鸟网络(广州)股份有限公司 基于用户画像行为分析的应用推荐方法及系统，储存介质及计算机设备
CN110209926A (zh) * 2019-04-22 2019-09-06 北京三快在线科技有限公司 商家推荐方法、装置、电子设备及可读存储介质
CN110163723A (zh) * 2019-05-20 2019-08-23 深圳市和讯华谷信息技术有限公司 基于产品特征的推荐方法、装置、计算机设备及存储介质
CN110555112A (zh) * 2019-08-22 2019-12-10 桂林电子科技大学 一种基于用户正负偏好学习的兴趣点推荐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"区分用户活跃度的活动参与预测问题研究";仲恒;《中国优秀硕士学位论文全文数据库信息科技辑》;20181115;第1、14-45页 *
仲恒."区分用户活跃度的活动参与预测问题研究".《中国优秀硕士学位论文全文数据库信息科技辑》.2018,第1、14-45页. *

Also Published As

Publication number Publication date
CN112801744A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN108805598B (zh) 相似度信息确定方法、服务器及计算机可读存储介质
CN112508256B (zh) 一种基于众包的用户需求主动预测方法及系统
CN114663198A (zh) 基于用户画像的产品推荐方法、装置、设备及存储介质
CN112488863A (zh) 一种在用户冷启动场景下的险种推荐方法及相关设备
CN111861605A (zh) 业务对象推荐方法
CN111782927A (zh) 物品推荐方法及其装置、计算机可存储介质
CN110852785A (zh) 用户分级方法、装置及计算机可读存储介质
CN113592605A (zh) 基于相似产品的产品推荐方法、装置、设备及存储介质
CN112818230A (zh) 内容推荐方法、装置、电子设备和存储介质
CN111429161A (zh) 特征提取方法、特征提取装置、存储介质及电子设备
CN113850654A (zh) 物品推荐模型的训练方法、物品筛选方法、装置和设备
CN116501979A (zh) 信息推荐方法、装置、计算机设备及计算机可读存储介质
CN112801744B (zh) 一种活动推荐方法、装置、电子设备和存储介质
CN116467525A (zh) 业务产品的推荐方法、装置、设备和存储介质
CN116029760A (zh) 消息推送方法、装置、计算机设备和存储介质
CN114529399A (zh) 用户数据处理方法、装置、计算机设备和存储介质
CN113837843A (zh) 产品推荐方法、装置、介质及电子设备
CN112732891A (zh) 办公课程推荐方法、装置、电子设备及介质
CN108509459B (zh) 数据处理方法和装置
CN111460300A (zh) 网络内容推送方法、装置及存储介质
CN112950392A (zh) 信息展示方法、后验信息确定方法及装置及相关设备
WO2021029835A1 (en) A method and system for clustering performance evaluation and increment
JP7010337B2 (ja) 学習装置、推定装置、学習方法、推定方法、プログラム、及び学習済み推定モデルのプログラム
CN116091135A (zh) 信息筛选方法及其装置
CN113077292A (zh) 一种用户分类方法、装置、存储介质及电子设备

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
GR01 Patent grant
GR01 Patent grant