CN113378050B - 用户分类方法、装置和电子设备 - Google Patents
用户分类方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113378050B CN113378050B CN202110654606.7A CN202110654606A CN113378050B CN 113378050 B CN113378050 B CN 113378050B CN 202110654606 A CN202110654606 A CN 202110654606A CN 113378050 B CN113378050 B CN 113378050B
- Authority
- CN
- China
- Prior art keywords
- user
- vector
- sample
- resource change
- obtaining
- 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 85
- 230000008859 change Effects 0.000 claims abstract description 122
- 239000013598 vector Substances 0.000 claims description 214
- 239000011159 matrix material Substances 0.000 claims description 76
- 238000012549 training Methods 0.000 claims description 65
- 230000006399 behavior Effects 0.000 claims description 55
- 238000000354 decomposition reaction Methods 0.000 claims description 43
- 230000003993 interaction Effects 0.000 claims description 38
- 238000013507 mapping Methods 0.000 claims description 28
- 230000002452 interceptive effect Effects 0.000 claims description 24
- 238000013486 operation strategy Methods 0.000 claims description 21
- 238000012216 screening Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 16
- 230000001186 cumulative effect Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000037213 diet Effects 0.000 description 2
- 235000005911 diet Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 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
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical group [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种用户分类方法、装置和电子设备,涉及人工智能技术领域,尤其涉及智能推荐、深度学习技术领域。具体实现方案为:获取用户针对目标类型的推送对象的历史观看数据和历史资源变化数据,并根据历史观看数据和历史资源变化数据获取用户的观看等级;获取用户的第一资源变化数据和推送对象的第二资源变化数据,并根据第一资源变化数据和第二资源变化数据获取用户的付费意愿等级;根据观看等级和付费意愿等级,获取用户的分类结果。由此,根据观看等级和付费意愿等级获取用户的分类结果,能够综合考虑到观看等级和付费意愿等级对用户分类的影响,用户分类粒度较细,得到的用户的分类结果更加准确。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种用户分类方法、词向量模型的训练方法、矩阵分解模型的训练方法、装置、电子设备、存储介质和计算机程序产品。
背景技术
目前,随着网络技术的发展,各式各样的应用程序、网页丰富了人们生活。相关技术中,为了向用户提供更优质的服务,需要将用户进行分类,按照用户的分类来进行智能推荐等服务。然而,相关技术中的用户分类方法,大多仅根据用户的兴趣来进行分类,划分粒度较粗。
发明内容
本公开提供了一种用户分类方法、词向量模型的训练方法、矩阵分解模型的训练方法、装置、电子设备、存储介质和计算机程序产品。
根据第一方面,提供了一种用户分类方法,包括:获取用户针对目标类型的推送对象的历史观看数据和历史资源变化数据,并根据所述历史观看数据和所述历史资源变化数据获取所述用户的观看等级;获取所述用户的第一资源变化数据和所述推送对象的第二资源变化数据,并根据所述第一资源变化数据和所述第二资源变化数据获取所述用户的付费意愿等级;根据所述观看等级和所述付费意愿等级,获取所述用户的分类结果。
根据第二方面,提供了一种词向量模型的训练方法,包括:获取样本用户的样本第一资源变化特征和样本第一向量,以及样本推送对象的样本第二资源变化特征和样本第二向量;根据所述样本第一资源变化特征、所述样本第二资源变化特征、所述样本第一向量和所述样本第二向量,对词向量模型进行训练,以生成目标词向量模型。
根据第三方面,提供了一种矩阵分解模型的训练方法,包括:获取样本用户对样本推送对象的样本互动行为矩阵,所述样本推送对象对应至少一种样本标签信息;获取所述样本用户的样本第三向量和所述样本标签信息的样本第四向量;根据所述样本互动行为矩阵、所述样本第三向量和所述样本第四向量,对矩阵分解模型进行训练,以生成目标矩阵分解模型。
根据第四方面,提供了一种用户分类装置,包括:第一获取模块,用于获取用户针对目标类型的推送对象的历史观看数据和历史资源变化数据,并根据所述历史观看数据和所述历史资源变化数据获取所述用户的观看等级;第二获取模块,用于获取所述用户的第一资源变化数据和所述推送对象的第二资源变化数据,并根据所述第一资源变化数据和所述第二资源变化数据获取所述用户的付费意愿等级;第三获取模块,用于根据所述观看等级和所述付费意愿等级,获取所述用户的分类结果。
根据第五方面,提供了一种词向量模型的训练装置,包括:第六获取模块,用于获取样本用户的样本第一资源变化特征和样本第一向量,以及样本推送对象的样本第二资源变化特征和样本第二向量;第一训练模块,用于根据所述样本第一资源变化特征、所述样本第二资源变化特征、所述样本第一向量和所述样本第二向量,对词向量模型进行训练,以生成目标词向量模型。
根据第六方面,提供了一种矩阵分解模型的训练装置,包括:第七获取模块,用于获取样本用户对样本推送对象的样本互动行为矩阵,所述样本推送对象对应至少一种样本标签信息;第八获取模块,用于获取所述样本用户的样本第三向量和所述样本标签信息的样本第四向量;第二训练模块,用于根据所述样本互动行为矩阵、所述样本第三向量和所述样本第四向量,对矩阵分解模型进行训练,以生成目标矩阵分解模型。
根据第七方面,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本公开第一方面所述的用户分类方法,或者执行本公开第二方面所述的词向量模型的训练方法,或者执行本公开第三方面所述的矩阵分解模型的训练方法。
根据第八方面,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,所述计算机指令用于使所述计算机执行本公开第一方面所述的用户分类方法,或者执行本公开第二方面所述的词向量模型的训练方法,或者执行本公开第三方面所述的矩阵分解模型的训练方法。
根据第九方面,提供了一种计算机程序产品,包括计算机程序,其中,所述计算机程序被处理器执行时实现本公开第一方面所述的用户分类方法,或者执行本公开第二方面所述的词向量模型的训练方法,或者执行本公开第三方面所述的矩阵分解模型的训练方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的用户分类方法的流程示意图;
图2根据本公开第二实施例的用户分类方法中获取用户的付费意愿等级的流程示意图;
图3根据本公开第三实施例的用户分类方法中获取用户的分类结果之后的流程示意图;
图4根据本公开第四实施例的用户分类方法中从候选推送对象中获取用户对应的目标推送对象的流程示意图;
图5根据本公开第五实施例的用户分类方法中获取用户对标签信息的兴趣得分的流程示意图;
图6是根据本公开第一实施例的词向量模型的训练方法的流程示意图;
图7是根据本公开第一实施例的矩阵分解模型的训练方法的流程示意图;
图8是根据本公开第一实施例的用户分类装置的框图;
图9是根据本公开第一实施例的词向量模型的训练装置的框图;
图10是根据本公开第一实施例的矩阵分解模型的训练装置的框图;
图11是用来实现本公开实施例的用户分类方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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。
AI(Artificial Intelligence,人工智能)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。目前,AI技术具有自动化程度高、精确度高、成本低的优点,得到了广泛的应用。
智能推荐是为用户智能推荐商品、内容、新闻资讯等的技术,广泛应用于电商、内容、新闻等领域,可为用户提供个性化推荐。例如,可根据终端用户长期或短期行为表现出的兴趣进行学习和训练,为用户推荐可能感兴趣的商品。
深度学习(Deep Learning)是机器学习(Machine Learning)领域中一个新的研究方向,是学习样本数据的内在规律和表示层次,使得机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据的一门科学,广泛应用于语音和图像识别。
图1是根据本公开第一实施例的用户分类方法的流程示意图。
如图1所示,本公开第一实施例的用户分类方法,包括:
S101,获取用户针对目标类型的推送对象的历史观看数据和历史资源变化数据,并根据历史观看数据和历史资源变化数据获取用户的观看等级。
需要说明的是,本公开实施例的用户分类方法的执行主体可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选地,执行主体可包括工作站、服务器,计算机、用户终端及其他智能设备。其中,用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。
本公开的实施例中,对推送对象的目标类型不做过多限定,例如,目标类型包括但不限于广告、歌曲、文章、视频、产品、主播、直播间。
本公开的实施例中,可获取用户针对目标类型的推送对象的历史观看数据和历史资源变化数据。
在一种实施方式中,历史观看数据包括但不限于累计观看时长、累计观看次数等。
在一种实施方式中,资源可为消费金额,或者可为用于消费的积分。历史资源变化数据包括但不限于累计消费金额、累计消费次数、累计消耗积分、累计积分使用次数。
进一步地,可根据历史观看数据和历史资源变化数据获取用户的观看等级。由此,该方法可综合考虑历史观看数据和历史资源变化数据对观看等级的影响,使得获取的观看等级更加准确。
在一种实施方式中,用户的观看等级可根据实际情况预先设置,比如可包括第1至4观看等级,观看等级越高对应的观看程度越大。则可根据历史观看数据和历史资源变化数据,从预设的观看等级中选取匹配的观看等级,作为用户的观看等级。
在一种实施方式中,根据历史观看数据和历史资源变化数据获取用户的观看等级,可包括预先建立历史观看数据、历史资源变化数据和观看等级之间的映射关系或者映射表,在获取到历史观看数据、历史资源变化数据之后,查询映射关系或者映射表,能够获取到对应的观看等级。应说明的是,上述映射关系或者映射表均可根据实际情况进行设置。
例如,直播应用场景下,可获取用户针对直播的累计观看时长和累计消费金额,并根据累计观看时长和累计消费金额获取用户的观看等级。比如,若用户的累计观看时长为0,则用户的观看等级为新用户,若用户的累计观看时长大于0且小于1分钟,则用户的观看等级为轻度用户,若用户的累计观看时长大于或者等于1分钟且累计消费金额为0,则用户的观看等级为中度用户,若用户的累计消费金额大于0且小于1100元,则用户的观看等级为普通付费用户,若用户的累计消费金额大于或者等于1100元,则用户的观看等级为金主用户。
S102,获取用户的第一资源变化数据和推送对象的第二资源变化数据,并根据第一资源变化数据和第二资源变化数据获取用户的付费意愿等级。
在一种实施方式中,第一资源可为消费金额,或者可为用于消费的积分。第一资源变化数据包括但不限于累计消费金额、累计消费次数、累计消耗积分、累计积分使用次数。应说明的是,对第一资源的用途不做过多限定,例如,第一资源包括但不限于饮食、购物、生活缴费等用途的资源。
在一种实施方式中,第二资源可为收入金额,或者可为用于表征收入金额的积分。第二资源变化数据包括但不限于累计收入金额、累计获得积分。
本公开的实施例中,可根据第一资源变化数据和第二资源变化数据获取用户的付费意愿等级。由此,该方法可综合考虑第一资源变化数据和第二资源变化数据对付费意愿等级的影响,使得获取的付费意愿等级更加准确。
在一种实施方式中,用户的付费意愿等级可根据实际情况预先设置,比如可包括第1至3付费意愿等级,付费意愿等级越高对应的付费意愿越大。则可根据第一资源变化数据和第二资源变化数据,从预设的付费意愿等级中选取匹配的付费意愿等级,作为用户的付费意愿等级。
在一种实施方式中,根据第一资源变化数据和第二资源变化数据获取用户的付费意愿等级,可包括预先建立第一资源变化数据、第二资源变化数据和付费意愿等级之间的映射关系或者映射表,在获取到第一资源变化数据、第二资源变化数据之后,查询映射关系或者映射表,能够获取到对应的付费意愿等级。应说明的是,上述映射关系或者映射表均可根据实际情况进行设置。
例如,直播应用场景下,可获取用户的消费数据和主播的收入数据,并根据用户的消费数据和主播的收入数据获取用户的付费意愿等级。比如,用户的付费意愿等级可包括单纯观看用户、互动用户、潜在付费用户。
S103,根据观看等级和付费意愿等级,获取用户的分类结果。
在一种实施方式中,用户的分类结果可根据实际情况预先设置,比如可包括第1至9层分类结果。则可根据观看等级和付费意愿等级,从预设的分类结果中选取匹配的分类结果,作为用户的分类结果。
在一种实施方式中,根据观看等级和付费意愿等级,获取用户的分类结果,可包括预先建立观看等级、付费意愿等级和分类结果之间的映射关系或者映射表,在获取到观看等级、付费意愿等级之后,查询映射关系或者映射表,能够获取到对应的分类结果。应说明的是,上述映射关系或者映射表均可根据实际情况进行设置。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
综上,根据本公开实施例的用户分类方法,根据历史观看数据和历史资源变化数据获取用户的观看等级,并根据用户的第一资源变化数据和推送对象的第二资源变化数据获取用户的付费意愿等级,进而根据观看等级和付费意愿等级获取用户的分类结果,能够综合考虑到观看等级和付费意愿等级对用户分类的影响,用户分类粒度较细,得到的用户的分类结果更加准确。
在上述任一实施例的基础上,如图2所示,步骤S102中根据第一资源变化数据和第二资源变化数据获取用户的付费意愿等级,包括:
S201,从第一资源变化数据中提取出用户的第一资源变化特征,并从第二资源变化数据中提取出推送对象的第二资源变化特征。
本公开的实施例中,可分别从第一资源变化数据、第二资源变化数据中提取出用户的第一资源变化特征、推送对象的第二资源变化特征。
在一种实施方式中,可通过预设的特征提取算法从资源变化数据中提取出资源变化特征。其中,特征提取算法可根据实际情况进行设置,这里不做过多限定。
S202,将第一资源变化特征和第二资源变化特征输入至目标词向量模型,由目标词向量模型输出用户的第一向量和推送对象的第二向量。
本公开的实施例中,可将第一资源变化特征和第二资源变化特征输入至目标词向量模型,由目标词向量模型根据第一资源变化特征和第二资源变化特征,得到用户的第一向量和推送对象的第二向量,并输出用户的第一向量和推送对象的第二向量。
需要说明的是,第一向量和用户具有一一对应关系,第二向量和推送对象具有一一对应关系。
需要说明的是,目标词向量模型可根据实际情况进行设置,例如可为Word2vec(word to vector)模型,这里不做过多限定。
S203,根据第一向量和第二向量获取用户的付费意愿等级。
在一种实施方式中,第一向量和第二向量的乘积可表征用户的付费意愿,上述乘积越大表征用户的付费意愿越大。
在一种实施方式中,可获取多个推送对象的多个第二向量,并根据用户的第一向量和多个第二向量获取用户的付费意愿等级。
例如,根据第一向量和第二向量获取用户的付费意愿等级,包括获取第一向量和每个第二向量的乘积,根据第一向量对应的乘积的最大值,获取用户的付费意愿等级。比如,可获取10个推送对象的10个第二向量,并获取第一向量和每个第二向量的乘积,则可获取第一向量对应的10个乘积,根据第一向量对应的10个乘积的最大值获取用户的付费意愿等级。由此,该方法可根据第一向量对应的乘积的最大值获取用户的付费意愿等级。
由此,该方法可分别从第一资源变化数据、第二资源变化数据中提取出第一资源变化特征和第二资源变化特征,并根据第一资源变化特征和第二资源变化特征获取用户的第一向量和推送对象的第二向量,并根据第一向量和第二向量获取用户的付费意愿等级。
在上述任一实施例的基础上,如图3所示,步骤S103中获取用户的分类结果之后,可包括:
S301,获取推送对象的状态信息。
在一种实施方式中,推送对象为歌曲,歌曲的状态信息包括是否发行、免费还是付费等。
在一种实施方式中,推送对象为产品,产品的状态信息包括是否缺货、是否包邮、发货地点等。
在一种实施方式中,推送对象为主播,主播的状态信息包括是否在线、是否直播等。
S302,从推送对象中筛选出状态信息为目标状态信息的候选推送对象。
本公开的实施例中,可从推送对象中筛选出状态信息为目标状态信息的候选推送对象,可基于推送对象的状态信息实现推送对象的初步筛选。
需要说明的是,目标状态信息可根据实际情况进行设置,这里不做过多限定。
例如,直播应用场景下,可从主播中筛选出状态信息为在线、直播的候选主播。
或者,推送对象为歌曲,可从歌曲中筛选出状态信息为发行的候选歌曲;推送对象为产品,可从产品中筛选出状态信息为未缺货、包邮的候选产品。
S303,根据用户的分类结果,从候选推送对象中获取用户对应的目标推送对象。
本公开的实施例中,可基于用户的分类结果,从候选推送对象中获取用户对应的目标推送对象,可基于用户的分类结果实现推送对象的进一步筛选。
可以理解的是,不同的分类结果可对应不同的目标推送对象,可考虑到用户分类对推送对象的影响,灵活性较高。
在一种实施方式中,可根据用户的分类结果,从候选推送对象中获取与分类结果匹配的推送对象。
在一种实施方式中,可预先建立用户的分类结果与目标推送对象之间的映射关系或者映射表,在获取到用户的分类结果之后,查询映射关系或者映射表,能够获取到分类结果对应的目标推送对象。应说明的是,上述映射关系或者映射表均可根据实际情况进行设置,这里不做过多限定。
由此,该方法可基于推送对象的状态信息从推送对象中筛选出状态信息为目标状态信息的候选推送对象,并基于用户的分类结果从候选推送对象中获取用户对应的目标推送对象,确定的目标推送对象与用户的分类结果相匹配,有助于提升推送效果。
在上述任一实施例的基础上,推送对象具有标签信息,可获取用户对标签信息的兴趣得分,兴趣得分越高表征用户对标签信息的越感兴趣。
需要说明的是,标签信息可根据实际情况进行设置,这里不做过多限定。例如,推送对象为主播,标签信息包括但不限于跳舞、唱歌、聊天、魔术、颜值高、互动强、亲和、幽默等。
如图4所示,步骤S303中根据用户的分类结果,从候选推送对象中获取用户对应的目标推送对象,包括:
S401,根据用户的分类结果,从候选推送对象中获取与分类结果匹配的推送对象。
步骤S401的相关内容可参见上述实施例,这里不做过多限定。
S402,从匹配的推送对象中筛选出兴趣得分大于预设分数阈值的标签信息对应的推送对象,作为用户对应的目标推送对象。
本公开的实施例中,可从匹配的推送对象中筛选出兴趣得分大于预设分数阈值的标签信息对应的推送对象,即从匹配的推送对象中筛选出兴趣得分较高的标签信息对应的推送对象,作为用户对应的目标推送对象。可以理解的是,目标推送对象的数量可为一个或多个。
其中,预设分数阈值可根据实际情况进行设置,这里不做过多限定。
例如,直播应用场景下,匹配的推送对象包括主播1至10,主播1至10对应的资源标签的兴趣得分分别为x1至x10,预设分数阈值为y,若x1、x5大于y,其余兴趣得分均小于y,则可将主播1、主播5作为用户对应的目标推送对象。
由此,该方法可基于用户的分类结果从候选推送对象中获取与分类结果匹配的推送对象,并基于兴趣得分从匹配的推送对象中筛选出兴趣得分大于预设分数阈值的标签信息对应的推送对象,作为用户对应的目标推送对象。
在上述任一实施例的基础上,如图5所示,获取用户对标签信息的兴趣得分,可包括:
S501,获取用户对推送对象的互动行为数据,其中,推送对象对应至少一种标签信息。
本公开的实施例中,对互动行为数据的类型不做过多限定,例如,直播应用场景下,互动行为数据包括但不限于关注、点赞、评论、付费、观看等数据。
S502,根据互动行为数据,获取用户对标签信息的兴趣得分。
可以理解的是,若用户对某个标签信息的推送对象的互动行为数据较多,表明用户对该标签信息兴趣较大,则用户对该标签信息的兴趣得分较高;反之,若用户对某个标签信息的推送对象的互动行为数据较少,表明用户对该标签信息兴趣较小,则用户对该标签信息的兴趣得分越低。
在一种实施方式中,根据互动行为数据,获取用户对标签信息的兴趣得分,包括从互动行为数据中提取出用户的第三向量和标签信息的第四向量,根据第三向量和第四向量获取用户对标签信息的兴趣得分。
需要说明的是,第三向量和用户具有一一对应关系,第四向量和标签信息具有一一对应关系。
在一种实施方式中,从互动行为数据中提取出用户的第三向量和标签信息的第四向量,可包括通过预设的特征提取算法从互动行为数据中提取出用户的第三向量和标签信息的第四向量。其中,特征提取算法可根据实际情况进行设置,这里不做过多限定。
在一种实施方式中,互动行为数据包括互动行为矩阵,从互动行为数据中提取出用户的第三向量和标签信息的第四向量,可包括将互动行为矩阵输入至目标矩阵分解模型中,由目标矩阵分解模型输出第三向量和第四向量。其中,目标矩阵分解模型可根据实际情况进行设置,例如可为ALS(Alternating Least Squares,交替最小二乘)矩阵分解模型,这里不做过多限定。
在一种实施方式中,根据第三向量和第四向量获取用户对标签信息的兴趣得分,可包括将第三向量和第四向量的乘积作为用户对标签信息的兴趣得分。
由此,该方法可根据用户对推送对象的互动行为数据,获取用户对标签信息的兴趣得分,推送对象对应至少一种标签信息。
在上述任一实施例的基础上,步骤S103中获取用户的分类结果之后,可包括根据用户的分类结果,识别是否需要调整运营策略,响应于需要调整运营策略,根据用户的分类结果生成目标运营策略,将当前运营策略切换为目标运营策略。
本公开的实施例中,对运营策略的类型不做过多限定,例如包括但不限于产品营销策略,主播培训策略等。
在一种实施方式中,可获取多个用户的分类结果,并对多个用户的分类结果进行统计,根据统计结果识别是否需要调整运营策略。例如,直播应用场景下,若统计结果中新用户、轻度用户的占比较大,付费用户的占比较小,则可识别需要调整运营策略。
本公开的实施例中,根据用户的分类结果生成目标运营策略,则可考虑到用户的分类结果对生成目标运营策略的影响,生成的目标运营策略与用户的分类结果相匹配,灵活性高。
由此,该方法可根据用户的分类结果识别是否需要调整运营策略,并响应于需要调整运营策略,根据用户的分类结果生成目标运营策略,将当前运营策略切换为目标运营策略,则可根据用户的分类结果实现运营策略的实时生成和切换,有助于提升运营效果。
图6是根据本公开第一实施例的词向量模型的训练方法的流程示意图。
如图6所示,本公开第一实施例的词向量模型的训练方法,包括:
S601,获取样本用户的样本第一资源变化特征和样本第一向量,以及样本推送对象的样本第二资源变化特征和样本第二向量。
需要说明的是,本公开实施例的词向量模型的训练方法的执行主体可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选地,执行主体可包括工作站、服务器,计算机、用户终端及其他智能设备。其中,用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。
在一种实施方式中,获取样本用户的样本第一资源变化特征,可包括从样本用户的样本第一资源变化数据中提取出样本第一资源变化特征。获取样本推送对象的样本第二资源变化特征,可包括从样本推送对象的样本第二资源变化数据中提取出样本第二资源变化特征。
在一种实施方式中,可通过预设的特征提取算法从资源变化数据中提取出资源变化特征。其中,特征提取算法可根据实际情况进行设置,这里不做过多限定。
在一种实施方式中,第一资源可为消费金额,或者可为用于消费的积分。第一资源变化数据包括但不限于累计消费金额、累计消费次数、累计消耗积分、累计积分使用次数。应说明的是,对第一资源的用途不做过多限定,例如,第一资源包括但不限于饮食、购物、生活缴费等用途的资源。
在一种实施方式中,第二资源可为收入金额,或者可为用于表征收入金额的积分。第二资源变化数据包括但不限于累计收入金额、累计获得积分。
S602,根据样本第一资源变化特征、样本第二资源变化特征、样本第一向量和样本第二向量,对词向量模型进行训练,以生成目标词向量模型。
在一种实施方式中,可将样本第一资源变化特征、样本第二资源变化特征输入至词向量模型,由词向量模型输出样本用户的预测第一向量和样本推送对象的预测第二向量,并可获取预测第一向量和样本第一向量之间的第一误差,以及获取预测第二向量和样本第二向量之间的第二误差,根据上述第一误差和第二误差更新词向量模型的参数,从而对词向量模型进行训练,直至达到模型训练结束条件,将最后一次训练得到的词向量模型作为目标词向量模型。
在一种实施方式中,模型训练结束条件可根据实际情况进行设置。比如,模型精度达到预设精度阈值,模型训练次数达到预设次数阈值。
需要说明的是,对词向量模型的类型不做过多限定,例如可为Word2vec模型。
综上,根据本公开实施例的词向量模型的训练方法,可根据样本第一资源变化特征、样本第二资源变化特征、样本第一向量和样本第二向量,对词向量模型进行训练,以生成目标词向量模型。
图7是根据本公开第一实施例的矩阵分解模型的训练方法的流程示意图。
如图7所示,本公开第一实施例的矩阵分解模型的训练方法,包括:
S701,获取样本用户对样本推送对象的样本互动行为矩阵,样本推送对象对应至少一种样本标签信息。
需要说明的是,本公开实施例的矩阵分解模型的训练方法的执行主体可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选地,执行主体可包括工作站、服务器,计算机、用户终端及其他智能设备。其中,用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。
本公开的实施例中,样本推送对象对应至少一种样本标签信息。
需要说明的是,标签信息可根据实际情况进行设置,这里不做过多限定。例如,推送对象为主播,标签信息包括但不限于跳舞、唱歌、聊天、魔术、颜值高、互动强、亲和、幽默等。
在一种实施方式中,可根据样本用户对样本推送对象的样本互动行为数据生成样本互动行为矩阵。
本公开的实施例中,对互动行为数据的类型不做过多限定,例如,直播应用场景下,互动行为数据包括但不限于关注、点赞、评论、付费、观看等数据。
S702,获取样本用户的样本第三向量和样本标签信息的样本第四向量。
需要说明的是,样本第三向量和样本用户具有一一对应关系,样本第四向量和样本标签信息具有一一对应关系。
S703,根据样本互动行为矩阵、样本第三向量和样本第四向量,对矩阵分解模型进行训练,以生成目标矩阵分解模型。
在一种实施方式中,可将样本互动行为矩阵输入至矩阵分解模型,由矩阵分解模型输出样本用户的预测第三向量和样本标签信息的预测第四向量,并可获取预测第三向量和样本第三向量之间的第三误差,以及获取预测第四向量和样本第四向量之间的第四误差,根据上述第三误差和第四误差更新矩阵分解模型的参数,从而对矩阵分解模型进行训练,直至达到模型训练结束条件,将最后一次训练得到的矩阵分解模型作为目标矩阵分解模型。
在一种实施方式中,模型训练结束条件可根据实际情况进行设置。比如,模型精度达到预设精度阈值,模型训练次数达到预设次数阈值。
需要说明的是,对矩阵分解模型的类型不做过多限定,例如可为ALS矩阵分解模型。
综上,根据本公开实施例的矩阵分解模型的训练方法,可根据样本互动行为矩阵、样本第三向量和样本第四向量,对矩阵分解模型进行训练,以生成目标矩阵分解模型。
本公开还提供了一种用户分类装置,用于实现上述任一用户分类方法。
图8是根据本公开第一实施例的用户分类装置的框图。
如图8所示,本公开实施例的用户分类装置800,包括:第一获取模块801、第二获取模块802和第三获取模块803。
第一获取模块801,用于获取用户针对目标类型的推送对象的历史观看数据和历史资源变化数据,并根据所述历史观看数据和所述历史资源变化数据获取所述用户的观看等级;
第二获取模块802,用于获取所述用户的第一资源变化数据和所述推送对象的第二资源变化数据,并根据所述第一资源变化数据和所述第二资源变化数据获取所述用户的付费意愿等级;
第三获取模块803,用于根据所述观看等级和所述付费意愿等级,获取所述用户的分类结果。
在本公开的一个实施例中,第二获取模块802,包括:提取单元,用于从所述第一资源变化数据中提取出所述用户的第一资源变化特征,并从所述第二资源变化数据中提取出所述推送对象的第二资源变化特征;输入单元,用于将所述第一资源变化特征和所述第二资源变化特征输入至目标词向量模型,由所述目标词向量模型输出所述用户的第一向量和所述推送对象的第二向量;第一获取单元,用于根据所述第一向量和所述第二向量获取所述用户的付费意愿等级。
在本公开的一个实施例中,所述第一获取单元,还用于:获取所述第一向量和每个所述第二向量的乘积;根据所述第一向量对应的乘积的最大值,获取所述用户的付费意愿等级。
在本公开的一个实施例中,所述装置还包括:第四获取模块,所述第四获取模块,包括:第二获取单元,用于获取所述推送对象的状态信息;筛选单元,用于从所述推送对象中筛选出状态信息为目标状态信息的候选推送对象;所述第二获取单元,还用于根据所述用户的分类结果,从所述候选推送对象中获取所述用户对应的目标推送对象。
在本公开的一个实施例中,所述装置还包括:第五获取模块,所述第五获取模块,包括:第三获取单元,用于获取所述用户对所述推送对象的互动行为数据,其中,所述推送对象对应至少一种标签信息;所述第三获取单元,还用于根据所述互动行为数据,获取所述用户对所述标签信息的兴趣得分。
在本公开的一个实施例中,所述第三获取单元,包括:提取子单元,用于从所述互动行为数据中提取出所述用户的第三向量和所述标签信息的第四向量;获取子单元,用于根据所述第三向量和所述第四向量获取所述用户对所述标签信息的兴趣得分。
在本公开的一个实施例中,所述互动行为数据包括互动行为矩阵,所述提取子单元,还用于:将所述互动行为矩阵输入至目标矩阵分解模型中,由所述目标矩阵分解模型输出所述第三向量和所述第四向量。
在本公开的一个实施例中,所述第二获取单元,还用于:根据所述用户的分类结果,从所述候选推送对象中获取与所述分类结果匹配的推送对象;从所述匹配的推送对象中筛选出所述兴趣得分大于预设分数阈值的标签信息对应的推送对象,作为所述用户对应的目标推送对象。
在本公开的一个实施例中,所述装置还包括:切换模块,所述切换模块,包括:识别单元,用于根据所述用户的分类结果,识别是否需要调整运营策略;生成单元,用于响应于需要调整运营策略,根据所述用户的分类结果生成目标运营策略;切换单元,用于将当前运营策略切换为所述目标运营策略。
综上,本公开实施例的用户分类装置,根据历史观看数据和历史资源变化数据获取用户的观看等级,并根据用户的第一资源变化数据和推送对象的第二资源变化数据获取用户的付费意愿等级,进而根据观看等级和付费意愿等级获取用户的分类结果,能够综合考虑到观看等级和付费意愿等级对用户分类的影响,用户分类粒度较细,得到的用户的分类结果更加准确。
本公开还提供了一种词向量模型的训练装置,用于实现上述任一词向量模型的训练方法。
图9是根据本公开第一实施例的词向量模型的训练装置的框图。
如图9所示,本公开实施例的词向量模型的训练装置900,包括:第六获取模块901和第一训练模块902。
第六获取模块901,用于获取样本用户的样本第一资源变化特征和样本第一向量,以及样本推送对象的样本第二资源变化特征和样本第二向量;
第一训练模块902,用于根据所述样本第一资源变化特征、所述样本第二资源变化特征、所述样本第一向量和所述样本第二向量,对词向量模型进行训练,以生成目标词向量模型。
综上,本公开实施例的词向量模型的训练装置,可根据样本第一资源变化特征、样本第二资源变化特征、样本第一向量和样本第二向量,对词向量模型进行训练,以生成目标词向量模型。
本公开还提供了一种矩阵分解模型的训练装置,用于实现上述任一矩阵分解模型的训练方法。
图10是根据本公开第一实施例的矩阵分解模型的训练装置的框图。
如图10所示,本公开实施例的矩阵分解模型的训练装置1000,包括:第七获取模块1001、第八获取模块1002和第二训练模块1003。
第七获取模块1001,用于获取样本用户对样本推送对象的样本互动行为矩阵,所述样本推送对象对应至少一种样本标签信息;
第八获取模块1002,用于获取所述样本用户的样本第三向量和所述样本标签信息的样本第四向量;
第二训练模块1003,用于根据所述样本互动行为矩阵、所述样本第三向量和所述样本第四向量,对矩阵分解模型进行训练,以生成目标矩阵分解模型。
综上,本公开实施例的矩阵分解模型的训练装置,可根据样本互动行为矩阵、样本第三向量和样本第四向量,对矩阵分解模型进行训练,以生成目标矩阵分解模型。
根据本公开的实施例,本公开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。
图11示出了可以用来实施本公开的实施例的示例电子设备1100的示意性框图。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/或者要求的本公开的实现。
如图11所示,电子设备1100包括计算单元1101,其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序,来执行各种适当的动作和处理。在RAM 1103中,还可存储电子设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
电子设备1100中的多个部件连接至I/O接口1105,包括:输入单元1106,例如键盘、鼠标等;输出单元1107,例如各种类型的显示器、扬声器等;存储单元1108,例如磁盘、光盘等;以及通信单元1109,例如网卡、调制解调器、无线通信收发机等。通信单元1109允许电子设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1101可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1101的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1101执行上文所描述的各个方法和处理,例如图1至图5所述的用户分类方法。例如,在一些实施例中,用户分类方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1108。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到电子设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时,可以执行上文描述的用户分类方法的一个或多个步骤。备选地,在其他实施例中,计算单元1101可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行用户分类方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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。
根据本公开的实施例,本公开还提供了一种计算机程序产品,包括计算机程序,其中,所述计算机程序被处理器执行时实现本公开上述实施例所述的用户分类方法,或者执行本公开上述实施例所述的语音合成模型的训练方法。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (20)
1.一种用户分类方法,包括:
获取用户针对目标类型的推送对象的历史观看数据和历史资源变化数据,并根据所述历史观看数据和所述历史资源变化数据获取所述用户的观看等级;
获取所述用户的第一资源变化数据和所述推送对象的第二资源变化数据,并根据所述第一资源变化数据和所述第二资源变化数据获取所述用户的付费意愿等级;
根据所述观看等级和所述付费意愿等级,获取所述用户的分类结果;其中,
所述根据所述第一资源变化数据和所述第二资源变化数据获取所述用户的付费意愿等级,包括:
从所述第一资源变化数据中提取出所述用户的第一资源变化特征,并从所述第二资源变化数据中提取出所述推送对象的第二资源变化特征;
将所述第一资源变化特征和所述第二资源变化特征输入至目标词向量模型,由所述目标词向量模型输出所述用户的第一向量和所述推送对象的第二向量;
根据所述第一向量和所述第二向量获取所述用户的付费意愿等级;
所述根据所述第一向量和所述第二向量获取所述用户的付费意愿等级,包括:
获取所述第一向量和每个所述第二向量的乘积;
根据所述第一向量对应的乘积的最大值,获取所述用户的付费意愿等级;
所述根据所述观看等级和所述付费意愿等级,获取所述用户的分类结果,包括:
根据所述观看等级、所述付费意愿等级和所述分类结果之间的映射关系或者映射表,确定所述分类结果。
2.根据权利要求1所述的方法,其中,所述方法还包括:
获取所述推送对象的状态信息;
从所述推送对象中筛选出状态信息为目标状态信息的候选推送对象;
根据所述用户的分类结果,从所述候选推送对象中获取所述用户对应的目标推送对象。
3.根据权利要求2所述的方法,其中,所述方法还包括:
获取所述用户对所述推送对象的互动行为数据,其中,所述推送对象对应至少一种标签信息;
根据所述互动行为数据,获取所述用户对所述标签信息的兴趣得分。
4.根据权利要求3所述的方法,其中,所述根据所述互动行为数据,获取所述用户对所述标签信息的兴趣得分,包括:
从所述互动行为数据中提取出所述用户的第三向量和所述标签信息的第四向量;
根据所述第三向量和所述第四向量获取所述用户对所述标签信息的兴趣得分。
5.根据权利要求4所述的方法,其中,所述互动行为数据包括互动行为矩阵,所述从所述互动行为数据中提取出所述用户的第三向量和所述标签信息的第四向量,包括:
将所述互动行为矩阵输入至目标矩阵分解模型中,由所述目标矩阵分解模型输出所述第三向量和所述第四向量。
6.根据权利要求5所述的方法,其中,所述方法还包括:
获取样本用户对样本推送对象的样本互动行为矩阵,所述样本推送对象对应至少一种样本标签信息;
获取所述样本用户的样本第三向量和所述样本标签信息的样本第四向量;
根据所述样本互动行为矩阵、所述样本第三向量和所述样本第四向量,对矩阵分解模型进行训练,以生成所述目标矩阵分解模型。
7.根据权利要求3-5任一项所述的方法,其中,所述根据所述用户的分类结果,从所述候选推送对象中获取所述用户对应的目标推送对象,包括:
根据所述用户的分类结果,从所述候选推送对象中获取与所述分类结果匹配的推送对象;
从所述匹配的推送对象中筛选出所述兴趣得分大于预设分数阈值的标签信息对应的推送对象,作为所述用户对应的目标推送对象。
8.根据权利要求1所述的方法,其中,所述方法还包括:
根据所述用户的分类结果,识别是否需要调整运营策略;
响应于需要调整运营策略,根据所述用户的分类结果生成目标运营策略;
将当前运营策略切换为所述目标运营策略。
9.根据权利要求1所述的方法,其中,所述方法还包括:
获取样本用户的样本第一资源变化特征和样本第一向量,以及样本推送对象的样本第二资源变化特征和样本第二向量;
根据所述样本第一资源变化特征、所述样本第二资源变化特征、所述样本第一向量和所述样本第二向量,对词向量模型进行训练,以生成所述目标词向量模型。
10.一种用户分类装置,包括:
第一获取模块,用于获取用户针对目标类型的推送对象的历史观看数据和历史资源变化数据,并根据所述历史观看数据和所述历史资源变化数据获取所述用户的观看等级;
第二获取模块,用于获取所述用户的第一资源变化数据和所述推送对象的第二资源变化数据,并根据所述第一资源变化数据和所述第二资源变化数据获取所述用户的付费意愿等级;
第三获取模块,用于根据所述观看等级和所述付费意愿等级,获取所述用户的分类结果;其中,
所述第二获取模块,包括:
提取单元,用于从所述第一资源变化数据中提取出所述用户的第一资源变化特征,并从所述第二资源变化数据中提取出所述推送对象的第二资源变化特征;
输入单元,用于将所述第一资源变化特征和所述第二资源变化特征输入至目标词向量模型,由所述目标词向量模型输出所述用户的第一向量和所述推送对象的第二向量;
第一获取单元,用于根据所述第一向量和所述第二向量获取所述用户的付费意愿等级;
所述第一获取单元,还用于:
获取所述第一向量和每个所述第二向量的乘积;
根据所述第一向量对应的乘积的最大值,获取所述用户的付费意愿等级;
所述第三获取模块,还用于:
根据所述观看等级、所述付费意愿等级和所述分类结果之间的映射关系或者映射表,确定所述分类结果。
11.根据权利要求10所述的装置,其中,所述装置还包括:第四获取模块,所述第四获取模块,包括:
第二获取单元,用于获取所述推送对象的状态信息;
筛选单元,用于从所述推送对象中筛选出状态信息为目标状态信息的候选推送对象;
所述第二获取单元,还用于根据所述用户的分类结果,从所述候选推送对象中获取所述用户对应的目标推送对象。
12.根据权利要求11所述的装置,其中,所述装置还包括:第五获取模块,所述第五获取模块,包括:
第三获取单元,用于获取所述用户对所述推送对象的互动行为数据,其中,所述推送对象对应至少一种标签信息;
所述第三获取单元,还用于根据所述互动行为数据,获取所述用户对所述标签信息的兴趣得分。
13.根据权利要求12所述的装置,其中,所述第三获取单元,包括:
提取子单元,用于从所述互动行为数据中提取出所述用户的第三向量和所述标签信息的第四向量;
获取子单元,用于根据所述第三向量和所述第四向量获取所述用户对所述标签信息的兴趣得分。
14.根据权利要求13所述的装置,其中,所述互动行为数据包括互动行为矩阵,所述提取子单元,还用于:
将所述互动行为矩阵输入至目标矩阵分解模型中,由所述目标矩阵分解模型输出所述第三向量和所述第四向量。
15.根据权利要求14所述的装置,其中,所述装置还包括:
第七获取模块,用于获取样本用户对样本推送对象的样本互动行为矩阵,所述样本推送对象对应至少一种样本标签信息;
第八获取模块,用于获取所述样本用户的样本第三向量和所述样本标签信息的样本第四向量;
第二训练模块,用于根据所述样本互动行为矩阵、所述样本第三向量和所述样本第四向量,对矩阵分解模型进行训练,以生成所述目标矩阵分解模型。
16.根据权利要求12-14任一项所述的装置,其中,所述第二获取单元,还用于:
根据所述用户的分类结果,从所述候选推送对象中获取与所述分类结果匹配的推送对象;
从所述匹配的推送对象中筛选出所述兴趣得分大于预设分数阈值的标签信息对应的推送对象,作为所述用户对应的目标推送对象。
17.根据权利要求10所述的装置,其中,所述装置还包括:切换模块,所述切换模块,包括:
识别单元,用于根据所述用户的分类结果,识别是否需要调整运营策略;
生成单元,用于响应于需要调整运营策略,根据所述用户的分类结果生成目标运营策略;
切换单元,用于将当前运营策略切换为所述目标运营策略。
18.根据权利要求10所述的装置,其中,所述装置还包括:
第六获取模块,用于获取样本用户的样本第一资源变化特征和样本第一向量,以及样本推送对象的样本第二资源变化特征和样本第二向量;
第一训练模块,用于根据所述样本第一资源变化特征、所述样本第二资源变化特征、所述样本第一向量和所述样本第二向量,对词向量模型进行训练,以生成所述目标词向量模型。
19. 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1-9中任一项所述的用户分类方法。
20.一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1-9中任一项所述的用户分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110654606.7A CN113378050B (zh) | 2021-06-11 | 2021-06-11 | 用户分类方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110654606.7A CN113378050B (zh) | 2021-06-11 | 2021-06-11 | 用户分类方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113378050A CN113378050A (zh) | 2021-09-10 |
CN113378050B true CN113378050B (zh) | 2023-10-31 |
Family
ID=77574000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110654606.7A Active CN113378050B (zh) | 2021-06-11 | 2021-06-11 | 用户分类方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378050B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115131068B (zh) * | 2022-07-08 | 2023-12-26 | 连连(杭州)信息技术有限公司 | 一种店铺分类方法、装置和计算机存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446073A (zh) * | 2016-09-07 | 2017-02-22 | 乐视控股(北京)有限公司 | 一种用户等级划分方法及装置 |
CN106971006A (zh) * | 2017-04-27 | 2017-07-21 | 暴风集团股份有限公司 | 一种体育赛事信息的个性化推送方法及系统 |
CN110309358A (zh) * | 2018-03-27 | 2019-10-08 | 京东方科技集团股份有限公司 | 一种资源推荐方法及系统 |
CN110348727A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 一种基于用户风险等级和用户动支意愿的营销策略制定方法、装置和电子设备 |
CN111444419A (zh) * | 2020-03-02 | 2020-07-24 | 平安国际智慧城市科技股份有限公司 | 资源推荐方法、装置、计算机设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9047382B2 (en) * | 2012-08-13 | 2015-06-02 | Facebook, Inc. | Customized presentation of event guest lists in a social networking system |
-
2021
- 2021-06-11 CN CN202110654606.7A patent/CN113378050B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446073A (zh) * | 2016-09-07 | 2017-02-22 | 乐视控股(北京)有限公司 | 一种用户等级划分方法及装置 |
CN106971006A (zh) * | 2017-04-27 | 2017-07-21 | 暴风集团股份有限公司 | 一种体育赛事信息的个性化推送方法及系统 |
CN110309358A (zh) * | 2018-03-27 | 2019-10-08 | 京东方科技集团股份有限公司 | 一种资源推荐方法及系统 |
CN110348727A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 一种基于用户风险等级和用户动支意愿的营销策略制定方法、装置和电子设备 |
CN111444419A (zh) * | 2020-03-02 | 2020-07-24 | 平安国际智慧城市科技股份有限公司 | 资源推荐方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
Churn Prediction in Payment Terminals Using RFM model and Deep Neural Network;Mahila D.等;2020 11th International Conference on Information and Knowledge Technology (IKT);全文 * |
张晨阳 ; 余荣 ; 张浩川.基于决策树的移动互联网用户付费意愿分析与预测.无线互联科技.2017,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113378050A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107797982B (zh) | 用于识别文本类型的方法、装置和设备 | |
CN112733042A (zh) | 推荐信息的生成方法、相关装置及计算机程序产品 | |
CN112818224B (zh) | 信息推荐方法、装置、电子设备及可读存储介质 | |
CN113434755A (zh) | 页面的生成方法、装置、电子设备及存储介质 | |
CN113378050B (zh) | 用户分类方法、装置和电子设备 | |
CN114037485A (zh) | 基于商家评论的服务质量评价方法、装置、设备及介质 | |
CN110555747A (zh) | 确定目标用户的方法和装置 | |
CN111783013A (zh) | 评论信息发布的方法、装置、设备及计算机可读存储介质 | |
CN116204624A (zh) | 应答方法、装置、电子设备及存储介质 | |
CN113254824B (zh) | 内容确定方法、设备、介质及程序产品 | |
JP2023554210A (ja) | インテリジェント推奨用のソートモデルトレーニング方法及び装置、インテリジェント推奨方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 | |
CN113688938A (zh) | 确定对象情感的方法、训练情感分类模型的方法及装置 | |
CN113239273A (zh) | 用于生成文本的方法、装置、设备以及存储介质 | |
CN114547448B (zh) | 数据处理、模型训练方法、装置、设备、存储介质及程序 | |
CN114329230B (zh) | 信息生成方法和装置 | |
CN114821801B (zh) | 动作识别方法、模型训练方法、装置、电子设备和存储介质 | |
CN111767728A (zh) | 短文本分类方法、装置、设备以及存储介质 | |
CN111651555A (zh) | 业务处理方法、系统和计算机可读存储介质 | |
CN111325575A (zh) | 问题信息推荐方法、装置、计算机设备及存储介质 | |
CN117473035A (zh) | 广告召回方法、模型训练方法、装置及电子设备 | |
CN114186093B (zh) | 多媒体数据的处理方法、装置、设备和介质 | |
CN116911304B (zh) | 一种文本推荐方法及装置 | |
CN117194799A (zh) | 用于生成落地页组的方法、装置及计算机程序产品 | |
CN117474598A (zh) | 广告搜索方法、模型训练方法及装置 |
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 |