CN112818142B - 帐户行为信息的处理方法、装置、电子设备及存储介质 - Google Patents
帐户行为信息的处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112818142B CN112818142B CN202110127624.XA CN202110127624A CN112818142B CN 112818142 B CN112818142 B CN 112818142B CN 202110127624 A CN202110127624 A CN 202110127624A CN 112818142 B CN112818142 B CN 112818142B
- Authority
- CN
- China
- Prior art keywords
- account
- information
- service
- processing
- feature
- 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
- 230000010365 information processing Effects 0.000 title claims description 50
- 238000003672 processing method Methods 0.000 title description 7
- 230000006399 behavior Effects 0.000 claims abstract description 226
- 238000012937 correction Methods 0.000 claims abstract description 170
- 238000012545 processing Methods 0.000 claims abstract description 116
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000000605 extraction Methods 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims description 54
- 230000004913 activation Effects 0.000 claims description 49
- 230000004927 fusion Effects 0.000 claims description 33
- 238000013507 mapping Methods 0.000 claims description 28
- 238000012986 modification Methods 0.000 claims description 24
- 230000004048 modification Effects 0.000 claims description 24
- 238000007499 fusion processing Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 15
- 238000012549 training Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 230000009123 feedback regulation Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/435—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Information Transfer Between Computers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开关于帐户行为信息的处理方法、装置、电子设备及存储介质，该方法包括获取媒体内容数据和该媒体内容数据对应业务的业务类型数据；对该业务类型数据进行嵌入特征提取，得到业务嵌入特征；对该媒体内容数据进行嵌入特征提取，得到第一内容嵌入特征；对该业务嵌入特征进行信息提取处理，得到业务修正信息，该业务修正信息表征由该业务嵌入特征产生的用于修正该第一内容嵌入特征的信息；根据该业务修正信息对该第一内容嵌入特征进行修正，得到第二内容嵌入特征；对该第二内容嵌入特征进行帐户行为预测处理，得到帐户行为预测结果，该帐户行为预测结果表征帐户发生目标操作行为的概率。本公开自动适应各种业务，综合提升帐户行为预测精度。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及帐户行为信息的处理方法、装置、电子设备及存储介质。
背景技术
相关技术在进行帐户行为预测的过程中难以对于不同类型的业务进行区分，导致帐户行为预测结果对业务类型不敏感。比如，可以通过数据融合的方法在样本中直接加入业务类型的数据，使用融合后的样本训练帐户行为预测模型，以期使得训练后的帐户行为预测模型可以跟随不同的业务类型输出对应的帐户行为预测结果，但是这种帐户行为预测模型的准确度不高，并且对于样本量小的业务类型依然不敏感。
相关技术中的帐户行为预测模型难以对于不同的业务类型对应输出准确的帐户行为预测结果，甚至可能由于不同业务类型之间的干扰，导致帐户行为预测结果准确度的进一步下降。目前尚缺乏能够统一对于不同业务类型进行分别的帐户行为预测，并且对应得到准确的帐户行为预测结果的方案。
发明内容
本公开提供帐户行为信息的处理方法、装置、电子设备及存储介质，以至少解决相关技术中缺乏能够统一对于不同业务类型进行分别的帐户行为预测，并且对应得到准确的帐户行为预测结果的方案的问题。本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种帐户行为信息的处理方法，包括：
获取媒体内容数据和所述媒体内容数据对应业务的业务类型数据；
对所述业务类型数据进行嵌入特征提取，得到对应的业务嵌入特征；
对所述媒体内容数据进行嵌入特征提取，得到对应的第一内容嵌入特征；
对所述业务嵌入特征进行信息提取处理，得到业务修正信息，所述业务修正信息表征由所述业务嵌入特征产生的用于修正所述第一内容嵌入特征的信息；
根据所述业务修正信息对所述第一内容嵌入特征进行修正，得到第二内容嵌入特征；
对所述第二内容嵌入特征进行帐户行为预测处理，得到帐户行为预测结果，所述帐户行为预测结果表征帐户发生目标操作行为的概率。
在一示例性实施方式中，所述对所述业务嵌入特征进行信息提取处理，得到业务修正信息，包括：
将所述业务嵌入特征输入业务信息修正网络的第一激活函数层，得到第一映射值；
将所述第一映射值输入第二激活函数层，得到第二映射值；所述第二激活函数层与所述第一激活函数层使用不同的激活函数；
将所述第二映射值确定为所述业务修正信息。
在一示例性实施方式中，所述根据所述业务修正信息对所述第一内容嵌入特征进行修正，得到第二内容嵌入特征，包括：
将所述业务修正信息与所述第一内容嵌入特征按位相乘得到的结果作为所述第二内容嵌入特征。
在一示例性实施方式中，所述对所述第二内容嵌入特征进行帐户行为预测处理，得到帐户行为预测结果，包括：
获取待分析帐户的帐户特征；
对所述第二内容嵌入特征和所述帐户特征进行融合处理，得到融合特征；
对所述融合特征进行信息提取处理，得到帐户修正信息，所述帐户修正信息表征由所述融合特征产生的用于修正所述第二内容嵌入特征的信息；
根据所述帐户修正信息和所述第二内容嵌入特征进行帐户行为预测处理，得到帐户行为预测结果。
在一示例性实施方式中，，所述对所述融合特征进行信息提取处理，得到帐户修正信息，包括：
将所述融合特征输入帐户信息修正网络中的首个帐户信息处理层；
依次触发所述帐户信息修正网络中的每个帐户信息处理层对应输出修正信息，所述帐户修正信息包括所述每个帐户信息处理层对应输出的修正信息。
在一示例性实施方式中，所述根据所述帐户修正信息和所述第二内容嵌入特征进行帐户行为预测处理，得到帐户行为预测结果，包括：
将帐户信息修正网络中首个帐户信息处理层输出的修正信息和所述第二内容嵌入特征输入行为预测网络中首个数据拟合层，得到对应的拟合结果；
基于所述首个数据拟合层对应的拟合结果依次触发所述行为预测网络中其它的数据拟合层输出对应的拟合结果；
将所述行为预测网络中最后一个数据拟合层输出的拟合结果作为所述帐户行为预测结果。
在一示例性实施方式中，所述基于所述首个数据拟合层对应的拟合结果依次触发所述行为预测网络中其它的数据拟合层输出对应的拟合结果，包括：
将第(N-1)个数据拟合层输出的拟合结果和第N个数据拟合层对应的帐户信息处理层输出的修正信息，输入所述第N个数据拟合层，得到第N个数据拟合层输出的拟合结果，
其中，所述N为大于1的正整数。
根据本公开实施例的第二方面，提供一种帐户行为信息的处理装置，包括：
待处理信息获取模块，被配置为执行获取媒体内容数据和所述媒体内容数据对应业务的业务类型数据；
业务嵌入特征获取模块，被配置为执行对所述业务类型数据进行嵌入特征提取，得到对应的业务嵌入特征；
第一内容嵌入特征获取模块，被配置为执行对所述媒体内容数据进行嵌入特征提取，得到对应的第一内容嵌入特征；
业务修正信息获取模块，被配置为执行对所述业务嵌入特征进行信息提取处理，得到业务修正信息，所述业务修正信息表征由所述业务嵌入特征产生的用于修正所述第一内容嵌入特征的信息；
修正模块，被配置为执行根据所述业务修正信息对所述第一内容嵌入特征进行修正，得到第二内容嵌入特征；
预测模块，被配置为执行对所述第二内容嵌入特征进行帐户行为预测处理，得到帐户行为预测结果，所述帐户行为预测结果表征帐户发生目标操作行为的概率。
在一示例性实施方式中，所述业务修正信息获取模块，被配置为执行：
将所述业务嵌入特征输入业务信息修正网络的第一激活函数层，得到第一映射值；
将所述第一映射值输入第二激活函数层，得到第二映射值；所述第二激活函数层与所述第一激活函数层使用不同的激活函数；
将所述第二映射值确定为所述业务修正信息。
在一示例性实施方式中，所述修正模块，被配置为执行将所述业务修正信息与所述第一内容嵌入特征按位相乘得到的结果作为所述第二内容嵌入特征。
在一示例性实施方式中，所述预测模块，包括：
帐户特征获取单元，被配置为执行获取待分析帐户的帐户特征；
融合单元，被配置为执行对所述第二内容嵌入特征和所述帐户特征进行融合处理，得到融合特征；
帐户修正信息获取单元，被配置为执行对所述融合特征进行信息提取处理，得到帐户修正信息，所述帐户修正信息表征由所述融合特征产生的用于修正所述第二内容嵌入特征的信息；
行为预测处理单元，被配置为执行根据所述帐户修正信息和所述第二内容嵌入特征进行帐户行为预测处理，得到帐户行为预测结果。
在一示例性实施方式中，所述帐户修正信息获取单元，被配置为执行：
将所述融合特征输入帐户信息修正网络中的首个帐户信息处理层；
依次触发所述帐户信息修正网络中的每个帐户信息处理层对应输出修正信息，所述帐户修正信息包括所述每个帐户信息处理层对应输出的修正信息。
在一示例性实施方式中，所述行为预测处理单元，包括：
第一拟合单元，被配置为执行将帐户信息修正网络中首个帐户信息处理层输出的修正信息和所述第二内容嵌入特征输入行为预测网络中首个数据拟合层，得到对应的拟合结果；
第二拟合单元，被配置为执行基于所述首个数据拟合层对应的拟合结果依次触发所述行为预测网络中其它的数据拟合层输出对应的拟合结果；
帐户行为预测结果输出单元，被配置为执行将所述行为预测网络中最后一个数据拟合层输出的拟合结果作为所述帐户行为预测结果。
在一示例性实施方式中，所述第二拟合单元，被配置为执行：
将第(N-1)个数据拟合层输出的拟合结果和第N个数据拟合层对应的帐户信息处理层输出的修正信息，输入所述第N个数据拟合层，得到第N个数据拟合层输出的拟合结果，
其中，所述N为大于1的正整数。
根据本公开实施例的第三方面，提供一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如上述第一方面中任一项所述的方法。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行本公开实施例的第一方面中任一所述方法。
根据本公开实施例的第五方面，提供一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行本公开实施例的第一方面中任一所述方法。
本公开的实施例提供的技术方案至少带来以下有益效果：
本公开实施例示出的帐户行为信息的处理方法可以使用统一的帐户行为预测框架对不同业务类型进行对应的帐户行为预测处理，并且使得该帐户行为预测对业务类型敏感，即对于来自不同的业务的媒体内容都能够对应输出准确的帐户行为预测结果，自动适应各种业务，综合提升帐户行为预测精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种应用环境的示意图。
图2是根据一示例性实施例示出的一种帐户行为信息的处理方法的流程图；
图3是根据一示例性实施例示出的深度神经网络的示意图；
图4是根据一示例性实施例示出的业务信息修正网络的示意图；
图5是根据一示例性实施例示出的对上述业务嵌入特征进行信息提取处理，得到业务修正信息的方法流程图；
图6是根据一示例性实施例示出的第一处理网络的示意图；
图7是根据一示例性实施例示出的对上述第二内容嵌入特征进行帐户行为预测处理，得到帐户行为预测结果的流程图；
图8是根据一示例性实施例示出的根据上述帐户修正信息和上述第二内容嵌入特征进行帐户行为预测处理，得到帐户行为预测结果的流程图；
图9是根据一示例性实施例示出的业务信息修正网络、稀疏特征层和嵌入层的训练方法的流程图；
图10是根据一示例性实施例示出的第一处理网络的训练方法的流程图；
图11是根据一示例性实施例示出的一种帐户行为信息的处理装置框图；
图12是根据一示例性实施例示出的一种用于帐户行为信息的处理的电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
请参阅图1，图1是根据一示例性实施例示出的一种应用环境的示意图，如图1所示，该应用环境可以包括服务器01和终端02。
在一个可选的实施例中，服务器01可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content DeliveryNetwork，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。
在一个可选的实施例中，可以由终端02向服务器01发送待分析帐户的标识，由服务器01根据上述待分析帐户的标识，结合媒体内容数据以及上述媒体内容数据对应业务的业务类型数据进行帐户行为信息的预测，得到帐户行为预测结果，上述帐户行为预测结果表征上述帐户在上述业务中针对上述媒体内容数据发生某种操作行为的概率。
在一个实施例中，上述服务器01可以将该帐户行为预测结果反馈至终端02。在另一个实施例中，服务器01也可以基于该帐户行为预测结果进一步生成媒体内容推荐信息，上述媒体内容推荐信息表征对应于上述业务的待推荐的媒体内容，通过将该媒体内容推荐信息反馈至终端02实现针对该业务的媒体内容推荐。
具体的，终端02可以包括但不限于智能手机、台式计算机、平板电脑、笔记本电脑、智能音箱、数字助理、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、智能可穿戴设备等类型的电子设备。可选的，电子设备上运行的操作系统可以包括但不限于安卓系统、IOS系统、linux、windows等。本说明书实施例中，上述服务器01以及终端02可以通过有线或无线通信方式进行直接或间接地连接，本公开在此不做限制。
图2是根据一示例性实施例示出的一种帐户行为信息的处理方法的流程图，如图2所示，该帐户行为信息的处理方法用于终端、边缘计算节点、服务器等电子设备中，包括以下步骤：
在步骤S10中，获取媒体内容数据和上述媒体内容数据对应业务的业务类型数据。
本公开实施例中对于媒体内容不进行限定，其可以是视频、音频、动画、图片、短视频、链接、文字等各种信息传播载体。本公开实施例中媒体内容数据可以涉及媒体内容的各个维度的信息，以视频为例，可以是视频的标签、视频的时长、视频内容、视频封面、视频播放量、视频讨论度、视频长播量、视频作者等信息，本公开实施例不对媒体内容数据的具体内容进行限制。
本公开实施例中业务类型数据用于描述媒体内容数据对应的业务。以视频推荐场景为例，可以涉及多种相关业务，比如双瀑布流视频推荐业务，单列上下滑形式的视频推荐业务。这些视频推荐相关的业务应用于不同的模式，可以得到划分更为精细的业务。以单列上下滑形式的视频推荐业务为例，还可以将其细分为设置版对应的业务、极速版对应的业务和精选页对应的业务。
在一个示例性的实施方式中，业务类型数据可以为业务标识，即可以将业务标识(tab_id)作为上述业务类型数据。示例性的，对于双瀑布流视频推荐业务，其业务类型数据为tab_id＝10；对于单列上下滑形式的视频推荐业务，其业务类型数据为tab_id＝20。以单列上下滑形式的视频推荐业务(tab_id＝20)为例，还可以将其细分为设置版对应的业务，其业务类型数据为tab_id＝21；极速版对应的业务，其业务类型数据为tab_id＝22；精选页对应的业务，其业务类型数据为tab_id＝23。
在步骤S20中，对上述业务类型数据进行嵌入特征提取，得到对应的业务嵌入特征。
图3是根据一示例性实施例示出的深度神经网络的示意图，上述深度神经网络可以作为一种模型实施本公开实施例中的帐户行为信息的处理方法。本公开实施例中，可以基于上述深度神经网络中的稀疏特征层对业务类型数据进行稀疏特征提取，得到业务类型数据对应的业务稀疏特征，然后将上述业务稀疏特征输入嵌入层进行嵌入特征提取，得到业务嵌入特征。
在步骤S30中，对上述媒体内容数据进行嵌入特征提取，得到对应的第一内容嵌入特征。
在一个可行的实施方式中，可以将上述媒体内容数据进行嵌入特征提取，得到第一内容嵌入特征。在另一个实施方式中，还可以将上述媒体内容数据和上述业务类型数据一并进行嵌入特征提取，得到第一内容嵌入特征。以图3所示的深度神经网络为例，也可以通过上述稀疏特征层和上述嵌入层得到上述第一内容嵌入特征。
在步骤S40中，对上述业务嵌入特征进行信息提取处理，得到业务修正信息，上述业务修正信息表征由上述业务嵌入特征产生的用于修正上述第一内容嵌入特征的信息。
请参考图3，可以将业务嵌入特征输入上述业务信息修正网络，可以得到上述业务嵌入特征对应的业务修正信息，上述业务修正信息可以以数值的形式表示由上述业务嵌入特征产生的用于修正上述第一内容嵌入特征的信息。
图4是根据一示例性实施例示出的业务信息修正网络的示意图，上述业务信息修正网络包括顺序连接的第一激活函数层和第二激活函数层。上述第一激活函数层和第二激活函数层通过串联的方式对于业务嵌入特征进行两次映射，得到数值形式的业务修正信息。本公开实施例中第一激活函数层与第二激活函数层使用不同的激活函数，通过使用两种激活函数可以提升深度神经网络处理非线性信息的能力，更好地解决较为复杂的问题，得到更为准确的业务修正信息。
在一个示例性的实施方式中，上述第一激活函数层中的激活函数为线性整流函数(Rectified Linear Unit,ReLU)，线性整流函数可以通过自行引入稀疏性，在缺少训练的情况下，达到较好地激活效果。上述第二激活函数层的激活函数为S型函数(Sigmoid函数)，S型函数以线性整流函数的输出为输入，并且达到较好的激活效果。
基于图4的业务信息修正网络，图5是根据一示例性实施例示出的对上述业务嵌入特征进行信息提取处理，得到业务修正信息的方法流程图，包括：
在步骤S41中，将上述业务嵌入特征输入业务信息修正网络的第一激活函数层，得到第一映射值。
在步骤S42中，将上述第一映射值输入第二激活函数层，得到第二映射值；上述第二激活函数层与上述第二激活函数层使用不同的激活函数。
在步骤S43中，将上述第二映射值确定为上述业务修正信息。
在一个示例性的实施方式中，上述业务信息修正网络的输出为在[0,2]之间的数值，将上述目标业务嵌入特征输入第一激活函数层，可以触发上述第一激活函数层输出第一映射值，以及上述第二激活函数层输出第二映射值，上述第二映射值可以为在[0,2]之间的数值，将上述第二映射值确定为上述业务修正信息。
本公开实施例中通过双层激活函数层能够准确量化业务类型数据对于帐户行为信息的处理过程的影响，从而使得最终得到的帐户行为预测结果可以根据业务类型的不同而产生适应性的变动。
在步骤S50中，根据上述业务修正信息对上述第一内容嵌入特征进行修正，得到第二内容嵌入特征。
本公开实施例中，上述业务修正信息可以被表示为一个数值，则可以将上述业务修正信息与上述第一内容嵌入特征按位相乘得到的结果作为上述第二内容嵌入特征。比如，如果业务修正信息为1，则第二内容嵌入特征与第一内容嵌入特征相同；如果业务修正信息为不等于1，则第二内容嵌入特征为第一内容嵌入特征放大或缩小的结果。通过按位相乘缩放第一内容嵌入特征的方式得到第二内容嵌入特征，从而使得第二内容嵌入特征可以对业务类型敏感。
在不同的业务间，有的业务的训练样本数量较大，有的业务的训练样本数量较小，样本数量的不同可能会导致在后续进行帐户行为预测时，样本量较小的样本数据被湮没，降低对于小样本量的业务的帐户行为预测结果的准确度，本公开实施例中通过引入业务修正信息，在帐户行为信息的处理过程中主动将业务类型的不同纳入考量，使得最终得到的帐户行为预测结果对业务类型敏感，即使是小样本的业务也不会被忽视。
示例性的，以单列上下滑场景为例，由于单列上下滑场景不存在点击行为，相关技术中只能够将满足预设要求的其他帐户行为当做点击行为，进行基于点击行为的帐户行为预测，比如，可以将视频播放时间大于预设时长的行为作为点击行为。但是这种人为规定的“点击行为”并不是真实的点击行为，这种“点击行为”的数量增多会对双瀑布流中真正的点击行为产生干扰，使得进行帐户行为信息处理的模型难以分辨，从而影响帐户行为预测结果的精准度。本公开实施例中基于业务类型进行区分，使得上下滑场景的“点击行为”不会对双瀑布流的“点击行为”产生干扰，从而可以根据对应的业务类型得到适应性的帐户行为预测结果。
在一种实施方式中，参与不同业务的帐户行为可以表达相同的信息，比如，单列上下滑场景的“点击行为”和双瀑布流的点击行为都可以表达帐户的倾向，本公开实施例可以基于包括这两种业务场景产生的点击行为的样本数据训练图3中的深度神经网络，使得该深度神经网络可以对这两种业务类型统一进行帐户行为预测处理，通过对多业务来源的数据进行统一处理也可以使得该深度神经网络在训练过程中，将从不同业务学习到的知识进行迁移互补，提升深度神经网络模型的泛化能力，从而提升对于各种业务对应的帐户行为预测的准确度。
在步骤S60中，对上述第二内容嵌入特征进行帐户行为预测处理，得到帐户行为预测结果，上述帐户行为预测结果表征帐户发生目标操作行为的概率。
本公开实施例中不限定目标操作行为的具体内容，示例性的，目标操作行为可以是点击率、点赞率、转发率、评论率、长播率等。
在一示例性的实施方式中，在消费场景、生产场景、社交场景、直播场景等场景中都可以对应进行帐户行为预测处理，本公开实施例不对场景进行限制。比如，在消费场景可以预测帐户的广告观看行为或广告转化行为，在生产场景可以预测帐户的视频产出行为，在社交场景可以预测帐户的点赞、评论等行为，在直播场景可以预测帐户的观看行为或打赏行为。
以业务类型数据表征双瀑布流业务，媒体内容数据表征直播流A，目标操作为观看行为为例，则在步骤S60中的帐户行为预测结果表征帐户在双瀑布流业务中观看直播流A的概率。以业务类型数据表征单列上下滑业务，媒体内容数据表征短视频B，目标操作为点赞行为为例，则在步骤S60中的帐户行为预测结果表征帐户在单列上下滑业务中对短视频B进行点赞的概率。
本公开实施例中可以应用于媒体内容推荐场景中以提升媒体内容推荐准确度。
示例性的，以为帐户A在双瀑布流业务中进行媒体内容推荐为例，可以获取双瀑布流业务对应的业务类型数据，以及双瀑布流业务中的各种媒体内容数据，基于上述业务类型数据和各种媒体内容数据进行处理，得到在双瀑布流业务中，帐户A对每个媒体内容数据对应的媒体内容进行点击的概率，可以选取上述点击的概率大于预设阈值的媒体内容作为媒体内容推荐对象，向帐户A进行推荐。
示例性的，以为帐户A在上下滑业务中进行媒体内容推荐为例，可以获取上下滑业务业务对应的业务类型数据，以及上下滑业务中的各种媒体内容数据，基于上述业务类型数据和各种媒体内容数据进行处理，得到在上下滑业务中，帐户A对每个媒体内容数据对应的媒体内容进行长播的概率，按照长播的概率倒排的顺序对媒体内容进行排列，将排序在前的M(M为大于预设数值的正整数)个媒体内容作为媒体内容推荐对象，向帐户A进行推荐。
可见，本公开实施例同样是对于帐户A进行媒体内容推荐，可以在双瀑布流业务中基于点击率进行推荐，也可以在上下滑业务中基于长播率进行推荐，针对不同的业务基于不同的目标操作适应性为帐户进行推荐，在确保推荐准确度的同时达到了多元化推荐的效果。
在一个示例性的实施方式中，图6是根据一示例性实施例示出的第一处理网络的示意图，上述第一处理网络包括帐户信息修正网络和行为预测网络。行为预测网络可以根据帐户特征进行自适应的行为预测处理，从而使得处理结果不仅对业务类型敏感，还对帐户敏感，从而使得在不同业务下，可以准确得到不同帐户对于不同的媒体内容的行为预测结果。图6中上述帐户信息修正网络包括顺序连接的多个信息处理层；上述行为预测网络包括顺序连接的多个数据拟合层，每个上述数据拟合层的输入端与对应的信息处理层的输出端连接，图6中示出的信息处理层与数据拟合层的数量仅为示例，不限定具体的信息处理层与数据拟合层的数据量，但信息处理层与数据拟合层的数量是相等的。
应用图6所示的第一处理网络进行帐户行为预测处理，请参考图7，其是根据一示例性实施例示出的对上述第二内容嵌入特征进行帐户行为预测处理，得到帐户行为预测结果的流程图，包括：
在步骤S61中，获取待分析帐户的帐户特征。
在一个可行的实施方式中，可以基于图3中的稀疏特征层和嵌入层对待分析帐户的帐户信息进行嵌入特征提取，得到对应的帐户特征。本公开实施例不限定帐户信息的具体内容，示例性的，可以为帐户标识，帐户年龄，帐户标签，帐户历史记录等。
在步骤S62中，对上述第二内容嵌入特征和上述帐户特征进行融合处理，得到融合特征。
本公开实施例并不限定融合的具体方式，在一个可行的实施例中，可以将上述第二内容嵌入特征和上述帐户特征进行向量串联，将上述向量串联结果作为上述融合特征。
在步骤S63中，对上述融合特征进行信息提取处理，得到帐户修正信息，上述帐户修正信息表征由上述融合特征产生的用于修正上述第二内容嵌入特征的信息。
请参考图6，上述每个信息处理层都可以与图4中的业务信息修正网络具备相同结构，通过输出数值形式的帐户修正信息来表征由上述融合特征产生的用于修正上述第二内容嵌入特征的信息。即可以通过双层激活函数层准确量化待分析帐户对于帐户行为预测结果影响，从而使得最终得到的帐户行为预测结果可以根据业务的不同以及帐户的不同而产生适应性的变动。
请参考图6，其中多个信息处理层顺序连接构成了帐户信息修正网络，将上述融合特征输入帐户信息修正网络中的首个帐户信息处理层；依次触发上述帐户信息修正网络中的每个帐户信息处理层对应输出修正信息，上述帐户修正信息包括上述每个帐户信息处理层对应输出的修正信息。本公开实施例中可以为每个数据拟合层对应设置一个信息处理层，将信息处理层的输出结果输入对应的数据拟合层，从而使得每个数据拟合层进行处理时都考虑到相应的信息处理层输出的修正信息，提升数据拟合的准确度。
在步骤S64中，根据上述帐户修正信息和上述第二内容嵌入特征进行帐户行为预测处理，得到帐户行为预测结果。
请参考图6，其执行步骤S64的具体流程如图8所示，图8是根据一示例性实施例示出的根据上述帐户修正信息和上述第二内容嵌入特征进行帐户行为预测处理，得到帐户行为预测结果的流程图，包括：
在步骤S641中，将帐户信息修正网络中首个帐户信息处理层输出的修正信息和上述第二内容嵌入特征输入行为预测网络中首个数据拟合层，得到对应的拟合结果。
本公开实施例中，可以将上述首个帐户信息处理层输出的修正信息和上述第二内容嵌入特征按位相乘的结果输入行为预测网络中首个数据拟合层，得到对应的拟合结果。
在步骤S642中，基于上述首个数据拟合层对应的拟合结果依次触发上述行为预测网络中其它的数据拟合层输出对应的拟合结果。
具体地，上述基于上述首个数据拟合层对应的拟合结果依次触发上述行为预测网络中其它的数据拟合层输出对应的拟合结果，包括：将第(N-1)个数据拟合层输出的拟合结果和第N个数据拟合层对应的帐户信息处理层输出的修正信息，输入上述第N个数据拟合层，得到第N个数据拟合层输出的拟合结果，其中，上述N为大于1的正整数。
以第二个数据拟合层为例，可以将第一个数据拟合层输出的拟合结果和第二个信息处理层输出的修正信息输入上述第二个数据拟合层，得到对应输出的拟合结果；以第三个数据拟合层为例，可以将第二个数据拟合层输出的拟合和第三个信息处理层输出的修正信息输入上述第三个数据拟合层，得到对应输出的拟合结果。
在步骤S643中，将上述行为预测网络中最后一个数据拟合层输出的拟合结果作为上述帐户行为预测结果。
本公开实施例设置了多层结构的行为预测网络和帐户信息修正网络，依赖于帐户信息修正网络输出的修正信息进行逐层修正，提升数据拟合结果的准确度。
本公开实施例示出的帐户行为信息的处理方法可以使用统一的帐户行为预测框架对不同业务类型进行对应的帐户行为预测处理，并且使得帐户行为预测的结果对业务类型敏感，即对于来自不同的业务的媒体内容都能够对应输出准确的帐户行为预测结果，自动适应各种业务，综合提升帐户行为预测准确度。
在一个具体的实施方式中，对于本公开实施例中的技术方案的技术效果进行了验证。以视频推荐场景中的双瀑布流业务为例，使用本公开实施例示出的方法的ABTEST测试结果显示对于该业务的各个维度的指标均有不同程度的提升。
下面以图3所示的深度神经网络为例，详述对本公开中参与执行上述帐户行为信息的处理方法的各网络结构的训练过程。
请参考图9，其示出了根据一示例性实施例示出的业务信息修正网络、稀疏特征层和嵌入层的训练方法的流程图，包括：
在步骤101中，获取多个样本数据；每个上述样本数据包括样本业务类型、样本媒体内容和样本行为标签。
对于不同的行为进行预测可以使用不同的样本行为标签，比如，对帐户的点击行为进行预测，则样本行为标签表征对样本媒体内容的点击行为；对帐户的消费行为进行预测，则样本行为标签表征对样本媒体内容的消费行为。
在步骤102中，将上述样本业务类型输入上述内容嵌入特征提取层，得到样本业务嵌入特征。
在步骤103中，将上述样本媒体内容输入上述内容嵌入特征提取层，得到第一样本嵌入特征。
本公开实施例中内容嵌入特征提取层包括图3中顺序连接的稀疏特征层和嵌入层。基于上述内容嵌入特征提取层可以在步骤S20中对上述业务类型数据进行嵌入特征提取，对应得到上述业务嵌入特征，以及在步骤S30中上述媒体内容数据进行嵌入特征提取，对应得到上述第一内容嵌入特征。
在步骤104中，将上述样本业务嵌入特征输入上述业务信息修正网络，得到样本业务修正信息。
业务信息修正网络的结构前文有述，在此不再赘述。在步骤S40中可以基于上述业务信息修正网络对上述业务嵌入特征进行信息提取处理，得到上述业务修正信息。
在步骤105中，根据上述样本业务修正信息对上述第一样本嵌入特征进行修正，得到第二样本嵌入特征。
在步骤106中，将上述第二样本嵌入特征输入第二处理网络进行帐户行为预测处理，得到第一预测标签。
本公开实施例中第二处理网络可以与第一处理网络中的行为预测网络具备相同结构，通过多个数据拟合层对第二样本嵌入特征进行逐级处理，最终得到第一处理结果。第二处理网络中并不包括行为第一处理网络中的帐户信息修正网络，这使得第二处理网络专注于对第二样本嵌入特征本身的数据拟合过程，从而使得在对由稀疏特征层、嵌入层、业务信息修正网络和上述第二处理网络构成的网络整体进行反馈调节时，可以重点专注于对稀疏特征层、嵌入层、业务信息修正网络的参数进行调节，即第二处理网络的存在是为了辅助稀疏特征层、嵌入层、业务信息修正网络的训练，使其快速收敛。最终在实际应用时，只是使用训练好的稀疏特征层、嵌入层、业务信息修正网络，第二处理网络并不在实际应用时发挥作用，因此，第二处理网络也可以被认为是一种辅助训练网络，
在步骤107中，根据上述第一预测标签和上述样本行为标签的差异，计算第一损失。
在步骤108中，根据上述第一损失训练上述内容嵌入特征提取层、上述业务修正网络和上述辅助训练网络。
本公开实施例中可以在训练过程中通过反馈调节上述稀疏特征层、嵌入层、业务信息修正网络和第二处理网络的参数，使其沿梯度下降的方向逐步趋于收敛，本公开实施例对于步骤S108中训练过程的停止条件不进行特殊限定。在一个示例性的实施方式中，可以将第一损失小于预设的第一损失阈值作为停止条件，也可以将反馈调节的执行次数小于预设的第一次数阈值作为停止条件。本公开实施例对于第一损失阈值、第一次数阈值的数值不进行具体限定，可以根据实际需要进行设定。
本公开实施例中在第二处理网络的辅助下，可以对于稀疏特征层、嵌入层、业务信息修正网络的参数进行调节，使其具备业务个性化的特征提取能力，根据不同的业务类型可以得到不同的特征提取结果。
在一个示例性实施方式中，以图3所示的深度神经网络为例，第一处理网络包括行为预测网络和帐户信息修正网络，本公开是实施例还可以根据样本数据中的样本帐户信息训练上述第一处理网络。请参考图10，其示出了根据一示例性实施例示出的第一处理网络的训练方法的流程图，包括：
在步骤S201中，获取样本信息对应的样本帐户嵌入特征。
在一个可行的实施方式中，步骤S201中可以使用独立的嵌入特征提取模块进行嵌入特征提取，这个嵌入特征提取模块也可以作为第一处理网络中的一个逻辑单元。
在步骤S202中，对上述第二样本嵌入特征和上述样本帐户嵌入特征进行融合处理，得到样本融合特征。
本公开实施例并不限定融合的具体方案，可以参考上文上述的融合方法进行融合。
在步骤S203中，将上述样本融合特征输入上述帐户信息修正网络，得到样本帐户修正信息。
在步骤S204中，将上述样本帐户修正信息和上述第二内容嵌入特征输入上述行为预测网络进行帐户行为预测处理，得到第二预测标签。
在步骤S205中，根据上述第二预测标签和上述样本行为标签的差异，计算第二损失。
在步骤S206中，根据上述第二损失训练上述第一处理网络中的上述帐户信息修正网络和上述行为预测网络。
本公开实施例中可以在训练过程中通过反馈调节上述帐户信息修正网络和上述行为预测网络的参数，使其沿梯度下降的方向逐步趋于收敛，本公开实施例对于步骤S206中训练过程的停止条件不进行特殊限定。在一个示例性的实施方式中，可以将第二损失小于预设的第二损失阈值作为停止条件，也可以将反馈调节的执行次数小于预设的第二次数阈值作为停止条件。本公开实施例对于第二损失阈值、第二次数阈值的数值不进行具体限定，可以根据实际需要进行设定。
本公开实施例中在基于稀疏特征层、嵌入层和业务信息修正网络得到第二样本嵌入特征的基础上，对于第一处理网络的参数进行调节，使其具备业务个性化和帐户个性化的行为预测能力，根据不同的业务不同的帐户可以对应得到不同的行为预测结果。
请参考图3，其中箭头指示数据流的流向，实心线表征存在反馈调节，虚线表示不存在反馈调节。网络1中稀疏特征层、嵌入层、业务信息修正网络和第二处理网络均通过实心线连接，因此，在训练过程中，根据实心线的箭头可以依次进行反馈调节，稀疏特征层、嵌入层、业务信息修正网络、第二处理网络的参数均可以被调整。网络2中被虚线连接的部分无法反馈调节，因此，只有第一处理网络的参数可以被调整。因此，基于网络1可以训练的得到稀疏特征层、嵌入层、业务信息修正网络，基于网络2可以训练得到第一处理网络，将基于网络1训练得到的稀疏特征层、嵌入层、业务信息修正网络和基于网络2训练得到的第一处理网络组合成为可以执行本公开实施例中帐户行为信息的处理方法的模型。该模型对不同业务不同帐户均敏感，可以根据业务不同帐户不同适应性输出准确的行为预测结果。
本公开实施例中上述第一处理网络中帐户信息修正网络和行为预测网络的具体结构上文有述，在此不再赘述。
图11是根据一示例性实施例示出的一种帐户行为信息的处理装置框图。参照图11，该装置包括：
待处理信息获取模块10，被配置为执行获取媒体内容数据和上述媒体内容数据对应业务的业务类型数据；
业务嵌入特征获取模块20，被配置为执行对上述业务类型数据进行嵌入特征提取，得到对应的业务嵌入特征；
第一内容嵌入特征获取模块30，被配置为执行对上述媒体内容数据进行嵌入特征提取，得到对应的第一内容嵌入特征；
业务修正信息获取模块40，被配置为执行对上述业务嵌入特征进行信息提取处理，得到业务修正信息，上述业务修正信息表征由上述业务嵌入特征产生的用于修正上述第一内容嵌入特征的信息；
修正模块50，被配置为执行根据上述业务修正信息对上述第一内容嵌入特征进行修正，得到第二内容嵌入特征；
预测模块60，被配置为执行对上述第二内容嵌入特征进行帐户行为预测处理，得到帐户行为预测结果，上述帐户行为预测结果表征帐户发生目标操作行为的概率。
在一示例性实施方式中，上述业务修正信息获取模块，被配置为执行：
将上述业务嵌入特征输入业务信息修正网络的第一激活函数层，得到第一映射值；
将上述第一映射值输入第二激活函数层，得到第二映射值；上述第二激活函数层与上述第二激活函数层使用不同的激活函数；
将上述第二映射值确定为上述业务修正信息。
在一示例性实施方式中，上述修正模块，被配置为执行将上述业务修正信息与上述第一内容嵌入特征按位相乘得到的结果作为上述第二内容嵌入特征。
在一示例性实施方式中，上述预测模块，包括：
帐户特征获取单元，被配置为执行获取待分析帐户的帐户特征；
融合单元，被配置为执行对上述第二内容嵌入特征和上述帐户特征进行融合处理，得到融合特征；
帐户修正信息获取单元，被配置为执行对上述融合特征进行信息提取处理，得到帐户修正信息，上述帐户修正信息表征由上述融合特征产生的用于修正上述第二内容嵌入特征的信息；
行为预测处理单元，被配置为执行根据上述帐户修正信息和上述第二内容嵌入特征进行帐户行为预测处理，得到帐户行为预测结果。
在一示例性实施方式中，上述帐户修正信息获取单元，被配置为执行：
将上述融合特征输入帐户信息修正网络中的首个帐户信息处理层；
依次触发上述帐户信息修正网络中的每个帐户信息处理层对应输出修正信息，上述帐户修正信息包括上述每个帐户信息处理层对应输出的修正信息。
在一示例性实施方式中，上述行为预测处理单元，包括：
第一拟合单元，被配置为执行将帐户信息修正网络中首个帐户信息处理层输出的修正信息和上述第二内容嵌入特征输入行为预测网络中首个数据拟合层，得到对应的拟合结果；
第二拟合单元，被配置为执行基于上述首个数据拟合层对应的拟合结果依次触发上述行为预测网络中其它的数据拟合层输出对应的拟合结果；
帐户行为预测结果输出单元，被配置为执行将上述行为预测网络中最后一个数据拟合层输出的拟合结果作为上述帐户行为预测结果。
在一示例性实施方式中，上述第二拟合单元，被配置为执行：
将第(N-1)个数据拟合层输出的拟合结果和第N个数据拟合层对应的帐户信息处理层输出的修正信息，输入上述第N个数据拟合层，得到第N个数据拟合层输出的拟合结果，
其中，上述N为大于1的正整数。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图12是根据一示例性实施例示出的一种用于帐户行为信息的处理的电子设备的框图，该电子设备可以是终端，其内部结构图可以如图12所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种帐户行为信息的处理方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图12中示出的结构，仅仅是与本公开方案相关的部分结构的框图，并不构成对本公开方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在示例性实施例中，还提供了一种电子设备，包括：处理器；用于存储该处理器可执行指令的存储器；其中，该处理器被配置为执行该指令，以实现如本公开实施例中的帐户行为信息的处理方法。
在示例性实施例中，还提供了一种计算机可读存储介质，当该计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行本公开实施例中的帐户行为信息的处理方法。可选地，计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行本公开实施例中的帐户行为信息的处理方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (16)
1.一种帐户行为信息的处理方法，其特征在于，包括：
获取媒体内容数据和所述媒体内容数据对应业务的业务类型数据；
对所述业务类型数据进行嵌入特征提取，得到对应的业务嵌入特征；
对所述媒体内容数据进行嵌入特征提取，得到对应的第一内容嵌入特征；
对所述业务嵌入特征进行信息提取处理，得到业务修正信息，所述业务修正信息表征由所述业务嵌入特征产生的用于修正所述第一内容嵌入特征的信息；
根据所述业务修正信息对所述第一内容嵌入特征进行修正，得到第二内容嵌入特征；
对所述第二内容嵌入特征进行帐户行为预测处理，得到帐户行为预测结果，所述帐户行为预测结果表征帐户发生目标操作行为的概率。
2.根据权利要求1所述的帐户行为信息的处理方法，其特征在于，所述对所述业务嵌入特征进行信息提取处理，得到业务修正信息，包括：
将所述业务嵌入特征输入业务信息修正网络的第一激活函数层，得到第一映射值；
将所述第一映射值输入第二激活函数层，得到第二映射值；所述第二激活函数层与所述第一激活函数层使用不同的激活函数；
将所述第二映射值确定为所述业务修正信息。
3.根据权利要求1或2所述的帐户行为信息的处理方法，其特征在于，所述根据所述业务修正信息对所述第一内容嵌入特征进行修正，得到第二内容嵌入特征，包括：
将所述业务修正信息与所述第一内容嵌入特征按位相乘得到的结果作为所述第二内容嵌入特征。
4.根据权利要求1或2所述的帐户行为信息的处理方法，其特征在于，所述对所述第二内容嵌入特征进行帐户行为预测处理，得到帐户行为预测结果，包括：
获取待分析帐户的帐户特征；
对所述第二内容嵌入特征和所述帐户特征进行融合处理，得到融合特征；
对所述融合特征进行信息提取处理，得到帐户修正信息，所述帐户修正信息表征由所述融合特征产生的用于修正所述第二内容嵌入特征的信息；
根据所述帐户修正信息和所述第二内容嵌入特征进行帐户行为预测处理，得到帐户行为预测结果。
5.根据权利要求4所述的帐户行为信息的处理方法，其特征在于，所述对所述融合特征进行信息提取处理，得到帐户修正信息，包括：
将所述融合特征输入帐户信息修正网络中的首个帐户信息处理层；
依次触发所述帐户信息修正网络中的每个帐户信息处理层对应输出修正信息，所述帐户修正信息包括所述每个帐户信息处理层对应输出的修正信息。
6.根据权利要求4所述的帐户行为信息的处理方法，其特征在于，所述根据所述帐户修正信息和所述第二内容嵌入特征进行帐户行为预测处理，得到帐户行为预测结果，包括：
将帐户信息修正网络中首个帐户信息处理层输出的修正信息和所述第二内容嵌入特征输入行为预测网络中首个数据拟合层，得到对应的拟合结果；
基于所述首个数据拟合层对应的拟合结果依次触发所述行为预测网络中其它的数据拟合层输出对应的拟合结果；
将所述行为预测网络中最后一个数据拟合层输出的拟合结果作为所述帐户行为预测结果。
7.根据权利要求6所述的帐户行为信息的处理方法，其特征在于，所述基于所述首个数据拟合层对应的拟合结果依次触发所述行为预测网络中其它的数据拟合层输出对应的拟合结果，包括：
将第（N-1）个数据拟合层输出的拟合结果和第N个数据拟合层对应的帐户信息处理层输出的修正信息，输入所述第N个数据拟合层，得到第N个数据拟合层输出的拟合结果，
其中，所述N为大于1的正整数。
8.一种帐户行为信息的处理装置，其特征在于，包括：
待处理信息获取模块，被配置为执行获取媒体内容数据和所述媒体内容数据对应业务的业务类型数据；
业务嵌入特征获取模块，被配置为执行对所述业务类型数据进行嵌入特征提取，得到对应的业务嵌入特征；
第一内容嵌入特征获取模块，被配置为执行对所述媒体内容数据进行嵌入特征提取，得到对应的第一内容嵌入特征；
业务修正信息获取模块，被配置为执行对所述业务嵌入特征进行信息提取处理，得到业务修正信息，所述业务修正信息表征由所述业务嵌入特征产生的用于修正所述第一内容嵌入特征的信息；
修正模块，被配置为执行根据所述业务修正信息对所述第一内容嵌入特征进行修正，得到第二内容嵌入特征；
预测模块，被配置为执行对所述第二内容嵌入特征进行帐户行为预测处理，得到帐户行为预测结果，所述帐户行为预测结果表征帐户发生目标操作行为的概率。
9.根据权利要求8所述的帐户行为信息的处理装置，其特征在于，所述业务修正信息获取模块，被配置为执行：
将所述业务嵌入特征输入业务信息修正网络的第一激活函数层，得到第一映射值；
将所述第一映射值输入第二激活函数层，得到第二映射值；所述第二激活函数层与所述第一激活函数层使用不同的激活函数；
将所述第二映射值确定为所述业务修正信息。
10.根据权利要求8或9所述的帐户行为信息的处理装置，其特征在于，所述修正模块，被配置为执行将所述业务修正信息与所述第一内容嵌入特征按位相乘得到的结果作为所述第二内容嵌入特征。
11.根据权利要求8或9所述的帐户行为信息的处理装置，其特征在于，所述预测模块，包括：
帐户特征获取单元，被配置为执行获取待分析帐户的帐户特征；
融合单元，被配置为执行对所述第二内容嵌入特征和所述帐户特征进行融合处理，得到融合特征；
帐户修正信息获取单元，被配置为执行对所述融合特征进行信息提取处理，得到帐户修正信息，所述帐户修正信息表征由所述融合特征产生的用于修正所述第二内容嵌入特征的信息；
行为预测处理单元，被配置为执行根据所述帐户修正信息和所述第二内容嵌入特征进行帐户行为预测处理，得到帐户行为预测结果。
12.根据权利要求11所述的帐户行为信息的处理装置，其特征在于，所述帐户修正信息获取单元，被配置为执行：
将所述融合特征输入帐户信息修正网络中的首个帐户信息处理层；
依次触发所述帐户信息修正网络中的每个帐户信息处理层对应输出修正信息，所述帐户修正信息包括所述每个帐户信息处理层对应输出的修正信息。
13.根据权利要求11所述的帐户行为信息的处理装置，其特征在于，所述行为预测处理单元，包括：
第一拟合单元，被配置为执行将帐户信息修正网络中首个帐户信息处理层输出的修正信息和所述第二内容嵌入特征输入行为预测网络中首个数据拟合层，得到对应的拟合结果；
第二拟合单元，被配置为执行基于所述首个数据拟合层对应的拟合结果依次触发所述行为预测网络中其它的数据拟合层输出对应的拟合结果；
帐户行为预测结果输出单元，被配置为执行将所述行为预测网络中最后一个数据拟合层输出的拟合结果作为所述帐户行为预测结果。
14.根据权利要求13所述的帐户行为信息的处理装置，其特征在于，所述第二拟合单元，被配置为执行：
将第（N-1）个数据拟合层输出的拟合结果和第N个数据拟合层对应的帐户信息处理层输出的修正信息，输入所述第N个数据拟合层，得到第N个数据拟合层输出的拟合结果，
其中，所述N为大于1的正整数。
15.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至7中任一项所述的帐户行为信息的处理方法。
16.一种计算机可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至7中任一项所述的帐户行为信息的处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110127624.XA CN112818142B (zh) | 2021-01-29 | 2021-01-29 | 帐户行为信息的处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110127624.XA CN112818142B (zh) | 2021-01-29 | 2021-01-29 | 帐户行为信息的处理方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112818142A CN112818142A (zh) | 2021-05-18 |
| CN112818142B true CN112818142B (zh) | 2023-12-08 |
Family
ID=75860306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110127624.XA Active CN112818142B (zh) | 2021-01-29 | 2021-01-29 | 帐户行为信息的处理方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112818142B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103793484A (zh) * | 2014-01-17 | 2014-05-14 | 五八同城信息技术有限公司 | 分类信息网站中的基于机器学习的欺诈行为识别系统 |
| CN109241711A (zh) * | 2018-08-22 | 2019-01-18 | 平安科技（深圳）有限公司 | 基于预测模型的用户行为识别方法及装置 |
| CN110442790A (zh) * | 2019-08-07 | 2019-11-12 | 腾讯科技（深圳）有限公司 | 推荐多媒体数据的方法、装置、服务器和存储介质 |
| CN110837931A (zh) * | 2019-11-08 | 2020-02-25 | 中国农业银行股份有限公司 | 客户流失预测方法、装置及存储介质 |
| CN111553754A (zh) * | 2020-07-10 | 2020-08-18 | 支付宝(杭州)信息技术有限公司 | 行为预测系统的更新方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10419998B2 (en) * | 2016-11-14 | 2019-09-17 | Qualcomm Incorporated | Techniques for configuring an advanced receiver based on cell information, channel allocation information, or a device display status |
-
2021
- 2021-01-29 CN CN202110127624.XA patent/CN112818142B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103793484A (zh) * | 2014-01-17 | 2014-05-14 | 五八同城信息技术有限公司 | 分类信息网站中的基于机器学习的欺诈行为识别系统 |
| CN109241711A (zh) * | 2018-08-22 | 2019-01-18 | 平安科技（深圳）有限公司 | 基于预测模型的用户行为识别方法及装置 |
| CN110442790A (zh) * | 2019-08-07 | 2019-11-12 | 腾讯科技（深圳）有限公司 | 推荐多媒体数据的方法、装置、服务器和存储介质 |
| CN110837931A (zh) * | 2019-11-08 | 2020-02-25 | 中国农业银行股份有限公司 | 客户流失预测方法、装置及存储介质 |
| CN111553754A (zh) * | 2020-07-10 | 2020-08-18 | 支付宝(杭州)信息技术有限公司 | 行为预测系统的更新方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112818142A (zh) | 2021-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111144937B (zh) | 广告素材确定方法、装置、设备及存储介质 | |
| KR102626274B1 (ko) | 이미지 교체 복원 | |
| CN111708941A (zh) | 内容推荐方法、装置、计算机设备和存储介质 | |
| CN111382361A (zh) | 信息推送方法、装置、存储介质和计算机设备 | |
| CN112883257B (zh) | 行为序列数据处理方法、装置、电子设备及存储介质 | |
| CN110096617B (zh) | 视频分类方法、装置、电子设备及计算机可读存储介质 | |
| US20180330278A1 (en) | Processes and techniques for more effectively training machine learning models for topically-relevant two-way engagement with content consumers | |
| CN113761253A (zh) | 视频标签确定方法、装置、设备及存储介质 | |
| CN113204659A (zh) | 多媒体资源的标签分类方法、装置、电子设备及存储介质 | |
| CN113641835A (zh) | 多媒体资源推荐方法、装置、电子设备及介质 | |
| CN113704509A (zh) | 多媒体推荐方法、装置、电子设备及存储介质 | |
| CN113704511A (zh) | 多媒体资源的推荐方法、装置、电子设备及存储介质 | |
| CN112818142B (zh) | 帐户行为信息的处理方法、装置、电子设备及存储介质 | |
| CN112435070A (zh) | 确定用户年龄的方法、装置、设备及存储介质 | |
| WO2023115974A1 (zh) | 多媒体资源推荐、对象表征网络的生成方法及装置 | |
| US11200284B1 (en) | Optimization of feature embeddings for deep learning models | |
| GB2573188A (en) | Online training and update of factorization machines using alternating least squares optimization | |
| CN112883256B (zh) | 多任务处理方法、装置、电子设备及存储介质 | |
| CN117150053A (zh) | 多媒体信息推荐模型训练方法、推荐方法及装置 | |
| CN111914850B (zh) | 图片特征提取方法、装置、服务器和介质 | |
| CN112446738A (zh) | 广告数据处理方法、装置、介质以及电子设备 | |
| CN113610215A (zh) | 任务处理网络生成、任务处理方法、装置、电子设备及存储介质 | |
| CN113761272A (zh) | 一种数据处理方法、设备以及计算机可读存储介质 | |
| CN113672746B (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
| CN113934871B (zh) | 多媒体推荐模型的训练方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |