CN113379436A - 信息处理方法、装置、计算设备及介质 - Google Patents

信息处理方法、装置、计算设备及介质 Download PDF

Info

Publication number
CN113379436A
CN113379436A CN202010155687.1A CN202010155687A CN113379436A CN 113379436 A CN113379436 A CN 113379436A CN 202010155687 A CN202010155687 A CN 202010155687A CN 113379436 A CN113379436 A CN 113379436A
Authority
CN
China
Prior art keywords
variable
target
weight
association
variables
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
Application number
CN202010155687.1A
Other languages
English (en)
Inventor
楚云霏
王晓伟
马坚鑫
周靖人
杨红霞
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.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding 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 Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN202010155687.1A priority Critical patent/CN113379436A/zh
Publication of CN113379436A publication Critical patent/CN113379436A/zh
Pending legal-status Critical Current

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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06N3/08—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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Landscapes

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

Abstract

本发明公开了一种信息处理方法、装置、计算设备及介质。该方法，包括：获取目标对象的多个第一变量中每个第一变量的时间序列；基于每个时间序列，确定每个第一变量与目标对象的第二变量的第一关联权重；基于每个第一关联权重，以及与目标对象对应的预设关联权重信息，得到每个第一变量与第二变量的目标关联权重；其中，与目标对象对应的预设关联权重信息包括每个第一变量与第二变量的第二关联权重，第二关联权重为多个对象中每个对象的第一变量与该对象的第二变量的关联程度。根据本发明实施例，提高对变量间的关联程度计算的准确率。

Description

信息处理方法、装置、计算设备及介质
技术领域
本发明涉及数据处理领域，尤其涉及一种信息处理方法、装置、计算设备及介质。
背景技术
在实际应用中，一个对象往往对应多个不同维度的变量。例如，一个商品具有销量、点击率、浏览量等不同维度的变量。对于一个对象的一个目标变量而言，该对象的其他变量可能会与该目标变量具有关联关系，但关联程度可能会各不相同。为了分析一个对象的目标变量与其他变量之间的关联程度，需要采集其他变量的时间序列，即多变量时间序列。一个变量的时间序列是指将该变量的数值按照其发生的时间先后顺序排列而成的数列。
对于不同的对象，可能具有相同的变量。例如，对于不同的商品，都具有销量、点击率和浏览量等变量。但是在不同的对象中，相同变量之间的关联关系可能不同。例如，对于不同的商品，商品的浏览量与销量之间的关联程度可能会不同。
因此，目前对于变量间的关联程度的分析都是以对象为单位，即对每个对象的变量进行单独分析。但是，有些对象的样本数据比较少，无法准确得出该对象的变量之间的关联程度。
发明内容
本发明实施例提供一种信息处理方法、装置、计算设备及介质，可提高对变量间的关联程度计算的准确率。
第一方面，本发明实施例提供一种信息处理方法，包括：
获取目标对象的多个第一变量中每个第一变量的时间序列；
基于每个所述时间序列，确定每个所述第一变量与所述目标对象的第二变量的第一关联权重；
基于每个所述第一关联权重，以及与所述目标对象对应的预设关联权重信息，得到每个所述第一变量与所述第二变量的目标关联权重；其中，与所述目标对象对应的预设关联权重信息包括每个所述第一变量与所述第二变量的第二关联权重，所述第二关联权重为多个对象中每个对象的第一变量与该对象的第二变量的关联程度。
第二方面，本发明实施例提供一种信息处理方法，包括：
获取目标多媒体数据的多个第一变量中每个第一变量的时间序列；
基于每个所述时间序列，确定每个所述第一变量与所述目标多媒体数据的第二变量的第一关联权重；
基于每个所述第一关联权重，以及与所述目标多媒体数据对应的预设关联权重信息，得到每个所述第一变量与所述第二变量的目标关联权重；其中，与所述目标多媒体数据对应的预设关联权重信息包括每个所述第一变量与所述第二变量的第二关联权重，所述第二关联权重为多个多媒体数据中每个多媒体数据的第一变量与该多媒体数据的第二变量的关联程度。
第三方面，本发明实施例提供一种信息处理方法，包括：
获取目标对象的多个用户行为变量中每个用户行为变量的时间序列；
基于每个时间序列，确定每个用户行为变量与目标对象的交易变量的第一关联权重；
基于每个第一关联权重，以及与目标对象对应的预设关联权重信息，得到每个用户行为变量与交易变量的目标关联权重；其中，与目标对象对应的预设关联权重信息包括每个用户行为变量与交易变量的第二关联权重，第二关联权重为多个对象中每个对象的用户行为变量与该对象的交易变量的关联程度；
基于每个用户行为变量与交易变量的目标关联权重，确定与目标对象关联的提示信息；
显示提示信息。
第四方面，本发明实施例提供一种信息处理装置，包括：
时间序列获取模块，用于获取目标对象的多个第一变量中每个第一变量的时间序列；
第一确定模块，用于基于每个时间序列，确定每个第一变量与目标对象的第二变量的第一关联权重；
第二确定模块，用于基于每个第一关联权重，以及与目标对象对应的预设关联权重信息，得到每个第一变量与第二变量的目标关联权重；
其中，与目标对象对应的预设关联权重信息包括每个第一变量与第二变量的第二关联权重，第二关联权重为多个对象中每个对象的第一变量与该对象的第二变量的关联程度。
第五方面，本发明实施例提供一种信息处理装置，包括：
时间序列获取模块，用于获取目标多媒体数据的多个第一变量中每个第一变量的时间序列；
第一确定模块，用于基于每个时间序列，确定每个第一变量与目标多媒体数据的第二变量的第一关联权重；
第二确定模块，用于基于每个第一关联权重，以及与目标多媒体数据对应的预设关联权重信息，得到每个第一变量与第二变量的目标关联权重；
其中，与目标多媒体数据对应的预设关联权重信息包括每个第一变量与第二变量的第二关联权重，第二关联权重为多个多媒体数据中每个多媒体数据的第一变量与该多媒体数据的第二变量的关联程度。
第六方面，本发明实施例提供一种信息处理装置，包括：
时间序列获取模块，用于获取目标对象的多个用户行为变量中每个用户行为变量的时间序列；
第一确定模块，用于基于每个时间序列，确定每个用户行为变量与目标对象的交易变量的第一关联权重；
第二确定模块，用于基于每个第一关联权重，以及与目标对象对应的预设关联权重信息，得到每个用户行为变量与交易变量的目标关联权重；其中，与目标对象对应的预设关联权重信息包括每个用户行为变量与交易变量的第二关联权重，第二关联权重为多个对象中每个对象的用户行为变量与该对象的交易变量的关联程度；
提示信息确定模块，用于基于每个用户行为变量与交易变量的目标关联权重，确定与目标对象关联的提示信息；
显示模块，用于显示提示信息。
第七方面，本发明实施例提供一种计算设备，包括：处理器以及存储有计算机程序指令的存储器；
处理器执行计算机程序指令时实现如上述第一方面、第二方面或第三方面提供的信息处理方法。
第八方面，本发明实施例提供一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如上述第一方面、第二方面或第三方面提供的信息处理方法。
在本发明的实施例，利用目标对象的每个第一变量的时间序列，即利用该目标对象的个性化数据，确定了每个第一变量和第二变量的第一关联权重，即确定了每个第一变量和第二变量的个性化因果关系权重。对于第一变量和第二变量的第二关联权重，是指目标对象与多个对象所共有的该第一变量和第二变量的关联程度，即该第一变量和第二变量的共性化因果关系权重。通过利用每个第一变量和第二变量的个性化因果关系权重(第一关联权重)以及每个第一变量和第二变量的共性化因果关系权重(第二关联权重)，确定目标对象的每个第一变量和第二变量的目标关联权重，即借助了与目标对象相关的其他对象所共享的因果关系，实现准确地对样本数据较少的目标对象的变量之间的关联权重的确定。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的信息处理方法的流程示意图；
图2为本发明实施例提供的权重确定模型的结构示意图；
图3为本发明实施例提供的权重确定模型的预测模块的结构示意图；
图4为本发明一实施例提供的系统架构的示意图；
图5为本发明另一实施例提供的信息处理方法的流程示意图；
图6为本发明再一实施例提供的信息处理方法的流程示意图；
图7为本发明一实施例的信息处理装置的结构框图；
图8为本发明另一实施例的信息处理装置的结构框图；
图9为本发明再一实施例的信息处理装置的结构框图；
图10为本发明实施例供的计算设备的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在大数据时代，可以通过各种数据采集途径获得大量的数据。通过对这些数据进行数据分析与挖掘，可以得到很多有用的信息。例如，在电商领域中，根据一个商品的多个变量的数据，可以分析这些变量之间的因果性，从而便于对该商品的推广和管理。
因果关系可以指多个变量(因)和一个目标变量(果)之间的关联关系。每个变量与目标变量的关联程度可能不同。在因果关系挖掘领域，格兰杰因果分析方法是常用的方法。格兰杰因果分析方法基于线性回归模型，使用变量的时间序列分析变量之间的因果性。
在实际应用中，对于不同的对象而言，每个对象的多变量序列不同。对于来自不同对象的多变量序列，可以称为异质多变量时间序列。而格兰杰因果性分析方法只能分别对不同的对象分别建立回归模型，当某些对象的样本数据较少时，则无法准确发现该对象的多个变量之间的关联程度，即无法准确确定变量之间的因果关系。
基于此，本发明实施例提供了一种信息处理方法、装置、计算设备和介质，能够准确地确定变量之间的关联程度，即变量之间的因果关系。下面结合具体地实施例和附图进行详细介绍。
图1示出本发明实施例提供的信息处理方法的流程示意图。如图1所示，信息处理方法包括以下步骤：
S110，获取目标对象的多个第一变量中每个第一变量的时间序列。
S120，基于每个时间序列，确定每个第一变量与目标对象的第二变量的第一关联权重。
S130，基于每个第一关联权重，以及与目标对象对应的预设关联权重信息，得到每个第一变量与第二变量的目标关联权重。
其中，与目标对象对应的预设关联权重信息包括每个第一变量与第二变量的第二关联权重。对于每个第一变量，该第一变量与第二变量的第二关联权重为：多个对象中每个对象的该第一变量与该对象的第二变量的关联程度，并且每个对象的该第一变量与该对象的第二变量的关联程度相同。也就是说，对于第一变量和第二变量的第二关联权重，是指目标对象与上述多个对象所共有的该第一变量和第二变量的关联程度，即该第一变量和第二变量的共性化因果关系权重。
在本发明的实施例中，利用目标对象的每个第一变量的时间序列，即利用该目标对象的个性化数据，确定了每个第一变量和第二变量的第一关联权重，即确定了每个第一变量和第二变量的个性化因果关系权重。
通过利用每个第一变量和第二变量的个性化因果关系权重(第一关联权重)以及每个第一变量和第二变量的共性化因果关系权重(第二关联权重)，确定目标对象的每个第一变量和第二变量的目标关联权重，即借助了与目标对象相关的其他对象所共享的因果关系，实现准确地对样本数据较少的目标对象的变量之间的关联权重的确定。
在本发明的一些实施例中，在S110中，目标对象的第一变量的时间序列为该第一变量在历史预设时间段内的多个预设时间点的数值所组成的数列。
作为一个示例，目标对象的第一变量x的个数为S，S为正整数。对于目标对象的第k个第一变量xk，其对应的时间序列为预设的T个历史时刻的数值所组成的数列，即
Figure BDA0002403942530000071
其中，k＝1、2、……、S。
作为一个示例，目标对象可以为一个选定的目标商品，该目标商品的两个第一变量可以为点击率和浏览量。目标商品的点击率对应的时间序列可以为上个月每天零点的点击率的数值。目标商品的浏览量对应的时间序列为上个月每天零点的浏览量的数值。
在本发明的一些实施例中，在S120中，目标对象的第一变量即为因，目标对象的第二变量即为果。对于每个第一变量，该第一变量与第二变量的第一关联权重，即是这两个变量之间的因果关系权重，即第一变量对第二变量的影响程度大小。
作为一个示例，目标商品的第二变量为目标商品的销售量。也就是说，目标商品的点击率和目标商品的浏览量均会影响目标商品的销售量，但是影响程度可能会不相同。
在本发明的一些实施例中，S120包括S121～S124。S121，对于每个时间序列，利用编码器对时间序列进行编码，得到时间序列对应的第一向量表征。S122，将第二向量表征输入到与其对应的第一神经网络，得到第二变量在目标时间点的第一预测值，第二向量表征包括每个第一向量表征。S123，对于每个目标第一向量表征，将除目标第一向量表征之外的其他每个第一向量表征进行拼接，并将拼接后的向量表征输入到与目标第一向量表征对应的第二神经网络，得到第二变量在目标时间点的第二预测值。S124，基于第一预测值和每个第二预测值，第三向量表征包括每个第一变量与第二变量的第一关联权重。
下面分别介绍S121～S124中每个步骤的具体实现方式。
在本发明的一些实施例中，在S121中，目标对象的每个第一变量的时间序列均具有其对应的编码器。在一些实施例中，编码器可以为长短期记忆网络(Long Short-TermMemory，LSTM)、门控循环单元(Gated Recurrent Unit，GRU)、时域卷积网络(Temporalconvolutional network，TCN)或卷积神经网络(Convolutional Neural Network，CNN)。也就是说，编码器是可以对时间序列进行向量化的网络。
在一些实施例中，将目标对象的第一变量xk对应的时间序列
Figure BDA0002403942530000081
Figure BDA0002403942530000082
输入与其对应的编码器之后，可以得到该时间序列对应的第一向量表征
Figure BDA0002403942530000083
在S122中，首先将每个第一向量表征
Figure BDA0002403942530000084
进行拼接，得到第二向量表征hall。也就是说，第二向量表征hall包括目标对象的每个第一变量的时间序列对应的第一向量表征。接着，将第二向量表征hall输入与其对应的第一神经网络，得到目标对象的第二变量在目标时间点的第一预测值
Figure BDA0002403942530000085
需要说明的是，目标时间点是未来的时间点，即未发生的时刻。对于向量的拼接方法，在此不做限定。
在S123中，目标第一向量表征为任意一个第一向量表征。其中，每个第一向量表征均为目标第一向量表征。
作为一个示例，若目标第一向量表征为
Figure BDA0002403942530000086
则除
Figure BDA0002403942530000087
之外的其他每个第一向量表征为
Figure BDA0002403942530000088
然后，将
Figure BDA0002403942530000089
进行拼接得到拼接后的向量表征hall\1。将向量表征hall\1输入与目标第一向量表征对应的第二神经网络，得到第二变量在目标时间点的第二预测值
Figure BDA00024039425300000810
该第二预测值与
Figure BDA00024039425300000811
对应。
相类似地，若目标第一向量表征为
Figure BDA00024039425300000812
则将除
Figure BDA00024039425300000813
之外的其他每个第一向量表征进行拼接，并将拼接后的向量表征输入与
Figure BDA00024039425300000814
对应的神经网络中，得到第二变量在目标时间点的第二预测值
Figure BDA00024039425300000815
该第二预测值与
Figure BDA00024039425300000816
对应。
由于每个第一向量表征均被作为目标第一向量表征，因此将会得到与每个第一向量表征对应的第二预测值，即得到S个第二预测值。
在本发明的一些实施例中，S124包括步骤A～步骤D。步骤A，基于第一预测值和第二变量的标签值，得到第一误差值。步骤B，对于每个第二预测值，基于第二预测值和标签值，得到第二误差值。步骤C，对于每个第二误差值，将第二误差值减去第一误差值，得到目标误差值。步骤D，基于每个目标误差值，得到每个第一变量与第二变量的第一关联权重。
在步骤A中，将第一预测值
Figure BDA0002403942530000091
和第二变量的标签值的均方误差值作为第一误差值εall。相类似地，在步骤B中，对于第二预测值
Figure BDA0002403942530000092
将该第二预测值和第二变量的标签值均方误差值作为第二误差值εall\k。
在步骤D中，首先利用激活函数对每个目标误差值进行映射，得到每个目标误差值对应的映射结果。
作为一个示例，激活函数为修正线性单元(Rectified Linear Unit，Relu)激活函数。Relu激活函数是一种非线性激活函数，它把所有的负值都变为0，而正值不变。也就是说，利用Relu激活函数对每个目标误差值进行映射之后，小于0的目标误差值对应的映射结果为0，大于等于0的目标误差值对应的映射结果为其自身。
接着，将每个映射结果进行归一化处理，得到每个第一变量与第二变量的第一关联权重，即为q1、q2、……、qS。其中，第三向量表征q为S维向量，即为(q1、q2、……、qS)。
也就是说，将S个目标误差值进行归一化之后，得到S个归一化之后的值，即S个第一关联权重。需要说明的是，与目标第一向量表征对应的目标误差值的归一化结果，即为该向量表征对应的第一变量与第二变量的第一关联权重。
在时间序列情形下，两个变量X、Y之间的格兰杰因果关系定义为：若在包含了变量X、Y的过去信息的条件下，对变量Y的预测效果要优于只单独由Y的过去信息对Y进行的预测效果，即变量X有助于解释变量Y的将来变化，则认为变量X是引致变量Y的格兰杰原因。
在S120中，通过利用格兰杰因果分析方法，可以得到第三向量表征，该向量表征即为格兰杰因果注意力向量。
在S130中，对于每个第一变量，将第一变量与第二变量的第一关联权重与第一变量与第二变量的第二关联权重进行加权求和，得到第一变量与第二变量的目标关联权重。
也就是说，对于目标对象的每个第一变量xk，将该第一变量与第二变量的个性化因果关系权重(第一关联权重qk)和该第一变量与第二变量的共性化因果关系权重(第二关联权重rk)进行加权求和，即可得到该第一变量和第二变量的目标关联权重ak。
作为一个示例，rk×(1-α)+qk×α＝ak，α大于0且小于1。
也就是说，通过注意力机制将格兰杰因果注意力向量(即第三向量表征)和与目标对象对应的预设关联权重信息对应的向量进行加权混合，得到目标对象的每个第一变量对应的注意力因子，即每个第一变量与第二变量的目标关联权重。通过利用注意力机制保证既反映个体的个性化因果关系，又能捕捉共性的因果关系。
在本发明的一些实施例中，在S130之前，本发明实施例提供的信息处理方法还包括：分别计算第三向量表征和多个预设关联权重信息中每个预设关联权重信息之间的相似度；将与第三向量表征之间的相似度最大的预设关联权重信息作为与目标对象对应的预设关联权重信息。
需要说明的是，每个预设关联权重信息均是共性化因果权重信息。对于每个预设关联权重信息，该预设关联权重信息包括每个第一变量和第二变量的预设关联权重。在一些实施例中，预设关联权重信息pj为一个S维的向量，该向量包括S个第一变量中每个第一变量和第二变量的预设关联权重。也就是说，其中，j为大于等于1且小于等于n的整数，n为正整数，n为预设关联权重信息的总个数。
对于某一类别的对象，每个第一变量和第二变量的关联程度具有共性。也就是说，对于每个第一变量，某类别的对象中的每个对象的第一变量和第二变量的关联程度相同，则可以将该类对象的每个第一变量和第二变量的关联权重作为一个预设关联权重信息。
也就是说，可以将第一变量和第二变量的关联权重相同的对象归为一个类别的对象。对于不同类别的对象，不同类别下的每个对象的第一变量和第二变量的关联程度可能不同，因此可以得到多个预设关联权重信息。
因此，可以将与第三向量表征之间的相似度最大的预设关联权重信息作为与目标对象对应的预设关联权重信息，即目标对象与其他对象共享的变量间的权重信息。
需要说明的是，在一些示例中，第三向量表征和预设关联权重信息的相似度度量方法包括欧氏距离或余弦相似度等方法。当利用相似度度量方法计算出第三向量表征和每个预设关联权重信息的相似度参数之后，利用Gumbel Softmax函数对相似度参数进行处理，得到第三向量表征和每个预设关联权重信息的相似度。
在本发明的一些实施例中，可以利用目标对象的每个第一变量和第二变量的目标关联权重对第二变量在目标时间点的数值进行精准预测。作为一个实施例，在S110之后，本发明实施例提供的信息处理方法还包括S115和S116。S115，对于每个所述第一向量表征，将所述第一向量表征输入到与其对应的第三神经网络，得到所述第二变量在目标时间点的第三预测值。S116，根据每个第三预测值和每个目标关联权重，得到第二变量在目标时间点的目标预测值。
在本发明的一些实施例中，在S121中，利用编码器对时间序列进行编码，得到时间序列对应的第一向量表征。对于每个第一向量表征，将第一向量表征输入到与其对应的第三神经网络，得到第三预测值。
也就是说，每个第一向量表征具有其对应的第三神经网络，因此可以得到S个第三预测值，即每个第一向量表征具有与其对应的第三预测值。即利用每个第一变量的时间序列对应的第一向量表征，以及与该向量表征对应的第三神经网络，分别预测与每个第一变量对应的第二变量在目标时间点的第三预测值
Figure BDA0002403942530000111
需要说明的是，第一神经网络、第二神经网络和第三神经网络均可以为多层感知器。
在S116中，将每个第一变量对应的第三预测值
Figure BDA0002403942530000112
与该第一变量与第二变量的目标关联权重进行加权求和，得到第二变量在目标时间点的目标预测值yT+1。
在本发明的实施例中，通过利用注意力机制反映目标对象的各个第一变量对第二变量的预测的贡献，从而反映出每个第一变量与第二变量的目标关联权重。由于借助了与目标对象相关的其他对象所共享的因果关系，准确地确定了目标对象的每个第一变量和第二变量的关联权重，因此也提高了对目标对象的第二变量在目标时间点的目标预测值的预测的准确性。
本发明实施例提供的信息处理方法可以利用预先训练的权重确定模型来实现。图2示出权重确定模型的结构示意图。如图2所示，权重确定模型包括第一关联权重确定模块和目标关联权重确定模块。
首先，将获取的目标对象的每个第一变量的时间序列输入第一关联权重确定模块，得到目标对象的每个第一变量和第二变量的第一关联权重。
参见图2，第一变量x1的时间序列为
Figure BDA0002403942530000121
第一变量x1与第二变量的关联权重为q1。第一变量x2的时间序列为
Figure BDA0002403942530000122
Figure BDA0002403942530000123
第一变量x2与第二变量的关联权重为q2。以此类推，第一变量xS的时间序列为
Figure BDA0002403942530000124
第一变量xS与第二变量的关联权重为qS。即，第一变量xk的时间序列为
Figure BDA0002403942530000125
第一变量xk与第二变量的关联权重为qk。
然后，将目标对象的每个第一变量和第二变量的第一关联权重以及每个第一变量和第二变量的第二关联权重，输入目标关联权重确定模块，得到每个第一变量与第二变量的目标关联权重。
继续参见图2，对于第一变量xk，该第一变量与第二变量的第一关联权重qk和该第一变量和第二变量的第二关联权重rk进行加权求和，即可得到该第一变量和第二变量的目标关联权重ak。如图2所示，图2中的中心带有加号的圆圈代表加法运算，即rk×(1-α)+qk×α＝ak，α为大于0且小于1。
继续参见图2，第一关联权重确定模块包括多个编码器，编码器的个数与目标对象的第一变量的个数相同。其中，目标对象的每一个第一变量的时间序列均具有其对应的编码器。
参见图2，将目标对象的第一变量xk的时间序列
Figure BDA0002403942530000126
输入与其对应的编码器，即可得到该时间序列对应的第一向量表征
Figure BDA0002403942530000127
具体可参考上述S121的叙述，在此不再赘述。其中，每个时间序列对应的编码器的网络架构基本相同，但每个编码器的参数不同。
继续参见图2，当第一关联权重确定模块确定目标对象的每个第一变量的时间序列对应的第一向量表征
Figure BDA0002403942530000131
之后，将每个第一向量表征
Figure BDA0002403942530000132
进行拼接，得到第二向量表征hall。然后将第二向量表征hall输入与其对应的第一神经网络，得到目标对象的第二变量在目标时间点的第一预测值
Figure BDA0002403942530000133
具体可参见S122的叙述，在此不再赘述。
然后，对于每个第一向量表征为
Figure BDA0002403942530000134
则将除
Figure BDA0002403942530000135
之外的其他每个第一向量表征进行拼接，并将拼接后的向量表征输入与
Figure BDA0002403942530000136
对应的神经网络中，得到第二变量在目标时间点的第二预测值
Figure BDA0002403942530000137
然后，第一关联权重确定模块将第一预测值
Figure BDA0002403942530000138
和第二变量的标签值的均方误差值作为第一误差值εall。对于第二预测值
Figure BDA0002403942530000139
将该第二预测值和第二变量的标签值均方误差值作为第二误差值εall\k，从而得到每个第一变量对应的第二误差值。
图2中的中心带有负号的圆圈代表减法运算。对于每个第二误差值，将第二误差值减去第一误差值，得到目标误差值。图2中的中心带有波浪号的圆圈代表Relu激活函数。参见上述步骤D的叙述，当利用激活函数对每个目标误差值进行映射之后，对每个映射结果进行归一化，即可得到每个第一变量和第二变量的第一关联权重，即为q1、q2、……、qS。
需要说明的是，预先训练的权重确定模型还包括预设关联权重信息确定模块。参见图2，p1、p2、……、pn为n个预设关联权重信息。其中，预设关联权重信息pj为一个S维的向量，该向量包括S个第一变量中每个第一变量和第二变量的预设关联权重。
然后，预设关联权重信息确定模块将第三向量表征q与每个预设关联权重信息进行相似度度量，然后利用Gumbel Softmax函数对相似度参数进行处理，得到第三向量表征和每个预设关联权重信息的相似度。最后，将与第三向量表征q的相似度最高的预设关联权重信息作为与目标对象对应的预设关联权重信息。也就是说，与目标对象对应的预设关联权重信息包括每个第一变量与第二变量的预设关联权重，则rk为该预设关联权重信息中第一变量xk与第二变量的预设关联权重。具体可参见上文叙述，在此不再赘述。
参见图3，本发明实施例提供的权重确定模型还包括预测模块。预测模块利用与图2中的每个第一向量表征对应的第三神经网络对该第一向量表征进行预测，得到与每个第一变量对应的第二变量在目标时间点的第三预测值。其中，第一变量xk对应的第二变量在目标时间点的第三预测值为
Figure BDA0002403942530000141
参见图3，带有圆点的圆圈代表乘法运算。预测模块用于将
Figure BDA0002403942530000142
与对应的目标关联权重ak进行相乘，得到每个第三预测值对应的乘积。接着，预测模块将每个第三预测值对应的乘积相加，得到目标对象的第二变量在目标时间点的目标预测值，具体可参见S116的叙述，在此不再赘述。
本发明实施例提供的权重确定模型中编码器的参数、多个预设关联权重信息等可以在多个个体间共享，可以实现归纳式学习因果关系。本发明实施例将因果关系发现问题转化为基于注意力机制的时间序列预测问题，通过综合考虑格兰杰因果归因和学习共性的关联权重信息，可捕捉个体的个性化因果结构和个体间共性的因果结构。
下面介绍权重确定模型的训练方法。首先，获取训练样本集。样本集包括多批样本数据。每批样本数据中包括多个样本对象中每个样本对象的每个第一变量的时间序列。
对于一批样本数据中的每个样本对象，将该样本对象的每个第一变量的时间序列输入待训练权重确定模型，得到样本对象的第二变量在目标时间点的目标预测值，以及样本对象对应的第一误差值和样本对象的每个第一变量对应的第二误差值。
然后，利用损失函数调整待训练权重确定模型中每个参数。其中，损失函数L＝Lpred+λ1Laux+λ2Ldiv，通过反向传播算法，最小化损失函数L，以调整待训练权重确定模型的参数。其中，λ1和λ2为预设的系数。
其中：
Figure BDA0002403942530000143
Figure BDA0002403942530000144
Figure BDA0002403942530000145
其中，yi,T+1为样本对象i的第二变量在目标时间点的目标预测值。
Figure BDA0002403942530000151
为样本对象i的第二变量的标签值。
Figure BDA0002403942530000152
为样本对象i对应的第一误差值，
Figure BDA0002403942530000153
为样本对象i的S个第一变量分别对应的第二误差值。N为一批样本对象的总个数。pj为待训练权重确定模型中第j个预设关联权重信息。γ为预设相似度阈值。max()代表取γ和
Figure BDA0002403942530000154
中的最大值。
当利用损失函数对待训练权重确定模型的参数进行调参之后，可以得到调整后的待训练权重确定模型。接着判断是否满足预设的训练停止条件。若满足，则得到训练后的权重确定模型，若不满足，则重新获取一批样本数据，继续对调整后的待训练权重确定模型进行训练，直至得到满足预设的训练停止条件的权重确定模型。
在本发明的一个实施例中，预设训练条件包括迭代次数达到预设次数阈值。
在本发明的另一个实施例中，预设训练条件包括待训练权重确定模型的损失函数与上一次迭代过程中确定的损失函数之间的差值不超过预设差值阈值。也就是说待训练的权重确定模型的损失函数与上一次迭代过程中计算的损失函数较为接近，则可以认为训练出的权重确定模型的性能已达到最佳。
需要说明的是，第一批样本数据输入的待训练权重确定模型为初始权重确定模型。初始权重确定模型参数的初始值可以是一个随机参数或用户根据经验设定的一个参数值。在之后的迭代过程中，待训练权重确定模型则为上一次迭代过程结束之后得到的权重确定模型。
值得一提的是，n个预设关联权重信息是基于初始权重确定模型对第一批样本数据中的每个样本对象对应的第三向量表征得到的。利用聚类算法，对第一批样本数据中的每个样本对象对应的第三向量表征进行聚类，可以得到n个预设关联权重信息的初始值。
本发明实施例提供的权重确定模型的训练方法结合了格兰杰因果分析方法和注意力机制，将样本对象的第三向量表征和与样本对象对应的预设关联权重信息进行加权混合，得到格兰杰因果注意力向量，即由样本对象的每个第一变量和第二变量的目标关联权重构成的向量。通过注意力机制，每个第一变量和第二变量的目标关联权重不仅反映了个体的个性化因果关系，又能捕捉共性的因果关系，因此可以提高确定变量间的关联权重(即因果关系权重)的准确性，也可以实现对目标变量在目标时间点的预测值进行预测的准确性。
图4示出本发明实施例提供的信息处理方法的一个场景示意图。
如图4所示，目标对象为一个鞋子的图像。例如，第二变量为该图像中鞋子的销售量。作为一个示例，图4的鞋子的图像对应的3个第一变量分别为该图像的点击量、转发量和浏览量。
客户端410通过采集不同用户对该图像的操作数据，可以获取该图像对应的每个第一变量的时间序列。例如，每个第一变量对应的时间序列为该变量在上个月中每天的取值按照时间先后顺序排列而成的序列。例如，该鞋子的图像的点击量对应的时间序列为
Figure BDA0002403942530000161
该鞋子的图像的转发量对应的时间序列为
Figure BDA0002403942530000162
该鞋子的图像的浏览量对应的时间序列为
Figure BDA0002403942530000163
若图4中鞋子的商家想统计该鞋子的图像对应的点击量、转发量和浏览量分别对该鞋子的销售量的关联权重，则商家可以通过客户端410发送该图像的每个第一变量对应的时间序列至服务器420。即客户端410发送鞋子的图像的点击量的时间序列、转发量的时间序列和浏览量的时间序列至服务器420。
服务器420接收客户端410发送的鞋子的图像的每个第一变量对应的时间序列。然后，服务器420基于获取的每个第一变量的时间序列，确定每个第一变量与该鞋子的销售量的第一关联权重。作为一个示例，鞋子的图像的点击量、转发量和浏览量分别与该鞋子的销售量的第一关联权重分别为：q1、q2和q3。
然后，服务器420基于每个第一变量与第二变量的第一关联权重以及与该鞋子的图像对应的预设关联权重信息，得到每个第一变量与第二变量的目标关联权重。
其中，与鞋子的图像对应的预设关联权重信息包括每个第一变量与第二变量的第二关联权重。对于每个第一变量，该第一变量与第二变量的第二关联权重为：多个多媒体数据中每个多媒体数据的该第一变量与该多媒体数据的第二变量的关联程度，并且每个多媒体数据的该第一变量与该对象的第二变量的关联程度相同。也就是说，对于第一变量和第二变量的第二关联权重，是指鞋子的图像与上述多个多媒体数据所共有的该第一变量和第二变量的关联程度，即该第一变量和第二变量的共性化因果关系权重。也就是说，对于上述多个多媒体数据，这些数据与图4中鞋子的图像，它们的每个第一变量与第二变量的关联程度具有共性。
在一个实施例中，假设鞋子的图像的点击量、转发量和浏览量分别与该鞋子的销售量的第二关联权重分别为：r1、r2和r3。则对于每个第一变量，将该第一变量与第二变量的第一关联权重和第二关联权重进行加权求和，即可得到该第一变量与第二变量的目标关联权重。
作为一个具体示例，鞋子的图像的点击量、转发量和浏览量分别与该鞋子的销售量的目标关联权重分别为：a1、a2和a3。其中，rk×(1-α)+qk×α＝ak。
本发明实施例提供的信息处理方法可以应用于确定多媒体数据的不同变量之间的关联程度的场景之中，下面进行详细说明。如图5所示，本发明实施例提供的应用于多媒体数据的信息处理方法包括S510～S530。S510，获取目标多媒体数据的多个第一变量中每个第一变量的时间序列。S520，基于每个时间序列，确定每个第一变量与目标多媒体数据的第二变量的第一关联权重。S530，基于每个第一关联权重，以及与目标多媒体数据对应的预设关联权重信息，得到每个第一变量与第二变量的目标关联权重。
其中，与目标多媒体数据对应的预设关联权重信息包括每个第一变量与第二变量的第二关联权重。对于每个第一变量，该第一变量与第二变量的第二关联权重为：多个多媒体数据中每个多媒体数据的该第一变量与该多媒体数据的第二变量的关联程度，并且每个多媒体数据的该第一变量与该对象的第二变量的关联程度相同。也就是说，对于第一变量和第二变量的第二关联权重，是指目标多媒体数据与上述多个多媒体数据所共有的该第一变量和第二变量的关联程度，即该第一变量和第二变量的共性化因果关系权重。
作为一个示例，目标多媒体数据可以为图像或视频。例如，目标多媒体数据可以为电商平台上某个商品对应的图像，或某个商品对应的视频。第二变量可以为目标多媒体数据对应的商品的销售量。第一变量可以为目标多媒体数据的点击量、浏览量或转发量等参数。
在另一些实施例中，目标多媒体数据可以为静态图像，也可以为动态图像。
在本发明的实施例中，利用目标多媒体数据的每个第一变量的时间序列，即利用该目标多媒体数据的个性化数据，确定了每个第一变量和第二变量的第一关联权重，即确定了每个第一变量和第二变量的个性化因果关系权重。
通过利用每个第一变量和第二变量的个性化因果关系权重(第一关联权重)以及每个第一变量和第二变量的共性化因果关系权重(第二关联权重)，确定目标多媒体数据的每个第一变量和第二变量的目标关联权重，即借助了与目标多媒体数据相关的其他多媒体数据所共享的因果关系，实现准确地对样本数据较少的目标多媒体数据的变量之间的关联权重的确定。
在本发明的一些实施例中，S510的具体实现方式与S110的具体实现方式相类似，S520的具体实现方式与S120的具体实现方式相类似，S530的具体实现方式与S130的具体实现方式相类似，在此不再赘述。
在一些实施例中，在S520中，首先对于目标多媒体数据的每个时间序列，利用编码器对时间序列进行编码，得到该时间序列对应的第一向量表征。接着，将第二向量表征输入到与其对应的第一神经网络，得到目标多媒体数据的第二变量在目标时间点的第一预测值，第二向量表征包括每个第一向量表征。再接着，对于每个目标第一向量表征，将除目标第一向量表征之外的其他每个第一向量表征进行拼接，并将拼接后的向量表征输入到与目标第一向量表征对应的第二神经网络，得到目标多媒体数据的第二变量在目标时间点的第二预测值。最后，基于第一预测值和每个第二预测值，得到第三向量表征，该第三向量表征包括每个第一变量与目标多媒体数据的第二变量的第一关联权重。
在本发明的实施例中，通过利用格兰杰因果分析方法，得到目标多媒体数据的每个第一变量与第二变量的第一关联权重，能够更精确地得出第一变量和第二变量之间的关联关系。
在本发明的一些实施例中，在S510之后，信息处理方法还包括S515和S516。S515，对于每个第一向量表征，将第一向量表征输入到与其对应的第三神经网络，得到第二变量在目标时间点的第三预测值。S516，根据每个第三预测值和每个目标关联权重，得到第二变量在目标时间点的目标预测值。
在本发明的实施例中，S115的具体实现方式与S515的具体实现方式相类似，S516的具体实现方式与S116的具体实现方式相类似，在此不再赘述。
作为一个示例，继续参见图4，若图4中鞋子的商家想预测该鞋子在T1时刻的销售量。则，可以利用编码器对鞋子的图像的点击量的时间序列、转发量的时间序列和浏览量的时间序列分别进行编码，分别得到每个时间序列对应的第一向量表征。然后，将每个时间序列对应的第一向量表征输入对应的第三神经网络，得到该鞋子在T1时刻的三个第三预测值。然后，将这三个第三预测值与每个预测值对应的目标关联权重进行加权求和，即可以得到该鞋子在T1时刻的目标预测值yT1。
在本发明的实施例中，通过利用注意力机制反映目标多媒体数据的各个第一变量对第二变量的预测的贡献，从而反映出每个第一变量与第二变量的目标关联权重。由于借助了与目标多媒体数据相关的其他多媒体数据所共享的因果关系，准确地确定了目标多媒体数据的每个第一变量和第二变量的关联权重，因此也提高了对目标多媒体数据的第二变量在目标时间点的目标预测值的预测的准确性。
需要说明的是，目标对象不仅仅可以为一个商品、一个多媒体数据、还可以为一个商家等具有不同变量的对象。
图6示出本发明一实施例提供的信息处理方法的流程示意图。如图6所示，本发明实施例提供的信息处理方法包括S610～S650。
S610，获取目标对象的多个用户行为变量中每个用户行为变量的时间序列。
S620，基于每个时间序列，确定每个用户行为变量与目标对象的交易变量的第一关联权重。
S630，基于每个第一关联权重，以及与目标对象对应的预设关联权重信息，得到每个用户行为变量与交易变量的目标关联权重。其中，与目标对象对应的预设关联权重信息包括每个用户行为变量与交易变量的第二关联权重，第二关联权重为多个对象中每个对象的用户行为变量与该对象的交易变量的关联程度。
S640，基于每个用户行为变量与交易变量的目标关联权重，确定与目标对象关联的提示信息。
S650，显示提示信息。
在本发明的实施例中，通过利用每个用户行为变量和交易变量的个性化因果关系权重(第一关联权重)以及每个用户行为变量和交易变量的共性化因果关系权重(第二关联权重)，确定目标对象的每个用户行为变量和交易变量的目标关联权重，即借助了与目标对象相关的其他对象共享的因果关系，实现准确地对样本数据较少的目标对象的变量之间的关联权重的确定，从而生成更精确地提示信息，以便用户针对目标对象进行更精确地商业规划。
在本发明的一些实施例中，S610的具体实现方式与S110的具体实现方式相类似，S620的具体实现方式与S120的具体实现方式相类似，S530的具体实现方式与S630的具体实现方式相类似，在此不再赘述。
在S620中，可以通过格兰杰因果分析方法对每个时间序列进行分析，得到每个用户行为变量与目标对象的交易变量的第一关联权重。关于S620的详细叙述，可以参照上述S120的相关叙述，在此不再赘述。
在一些实施例中，在S640中，与目标对象关联的提示信息包括目标对象的每个用户行为变量与交易变量的目标关联权重。
在本发明的一些实施例中，多个用户行为变量包括以下变量中的至少两项：点击量、转发量、浏览量、点赞量以及评论量。
在本发明的一些实施例中，交易变量为以下变量中的任意一项：销售数量、价格以及销售金额。
也就是说，提示信息可以为用户行为数据与商业数据之间的关联关系。
作为一个示例，目标对象为一个商品，提示信息包括该商品的销售量和用户对该商品的点击量之间的目标关联权重以及该商品的销售量和用户对该商品的转发量之间的目标关联权重。通过将该提示信息显示给商家，可以使商家比较点击量和转发量分别与销售量的目标关联权重，则可以使商家知晓点击量和转发量哪个因素更加影响商品的销量，从而使商家更有针对性地去关注商品的用户行为数据，以促进商品的销量。
也就是说，商家可以通过用户行为变量与交易变量之间的目标关联权重，来获取每个用户行为变量对交易变量的影响程度大小，从而使商家有选择性地运用用户行为数据，以制定相关的商品推广策略和商品销售策略。
在一些实施例中，提示信息包括目标对象的交易变量在目标时间点的目标预测值。参考上述S115和S116的叙述，将每个用户行为变量的时间序列对应的第一向量表征输入该向量表征对应的第三神经网络，可以得到交易变量在目标时间点的第三预测值，然后将每个用户行为变量对应的第三预测值，与该用户行为变量与交易变量的目标关联权重进行加权求和，即得到交易变量在目标时间点的目标预测值。
在本发明的实施例中，通过综合考虑格兰杰因果归因和学习共性的关联权重信息，可捕捉个体的个性化因果结构和个体间共性的因果结构，因此对交易变量的预测更加准确。
在本发明的实施例中，通过预测目标对象的销售量或销售金额在目标时间点的取值，可以使商家预先制定关于目标对象的销售策略，便于商家的销售。
在一些实施例中，通过预测目标对象的价格在目标时间点的取值，可以使消费者预先知晓目标对象的价格变化趋势，便于消费者制定购买策略。
在一些实施例中，用户行为变量也可以是用户对某商品的体验变量。例如，体验变量可以为用户对某商品的某个功能的使用次数或使用时长等变量。其中，交易变量可以为购买意向。通过利用用户体验变量与购买意向之间的关联关系，可以使商品设计师了解消费者对商品的购买意向，以便于制定商品改进策略，更满足用户的需求。
例如，在现在的用户直连制造(C2M，Customer-to-Manufacturer)的商业模式下，工厂根据消费者的需求生产个性化的产品。则设计师可以根据消费者对设计的新产品的使用体验数据来获取消费者的产品需求，以设计出更满足消费者需求的产品。
在本发明的一些实施例中，图6中的信息处理方法可以应用于用户的终端。
在一些实施例中，为了满足用户的个性化需求，若提示信息包括每个用户行为变量与交易变量的目标关联权重，在S650之后，本发明实施例提供的信息处理方法还包括：接收用户对提示信息的选择指令，确定第一目标关联权重；接收用户对第一目标关联权重的更改指令；响应于更改指令，对第一目标关联权重进行更改，得到更改后的第一目标关联权重；显示更改后的第一目标关联权重。
作为一个示例，选择指令可以是用户对第一目标关联权重的点击操作或滑动操作等选中操作，以选中需要更改的第一目标关联权重。
其中，更改指令包括更改后的第一目标关联权重，则响应于该更改指令，对第一目标关联权重进行更改。然后将更改后的第一目标关联权重显示给用户，以使用户利用更改后的第一目标关联权重进行商业预测或商业规划等用途。
作为一个示例，若在获取用户行为变量的时间序列时，遇到了一些比较特殊的日期，用户认为可能会影响用户行为变量与交易变量的目标关联权重，则可以让用户对目标关联权重进行修改，以符合用户的个性化需求。
图7示出了根据本发明一实施例提供的信息处理装置的结构示意图。如图7所示，信息处理装置700包括：
时间序列获取模块710，用于获取目标对象的多个第一变量中每个第一变量的时间序列。
第一确定模块720，用于基于每个时间序列，确定每个第一变量与目标对象的第二变量的第一关联权重。
第二确定模块730，用于基于每个第一关联权重，以及与目标对象对应的预设关联权重信息，得到每个第一变量与第二变量的目标关联权重。
其中，与目标对象对应的预设关联权重信息包括每个第一变量与第二变量的第二关联权重，第二关联权重为多个对象中每个对象的第一变量与该对象的第二变量的关联程度。
通过利用每个第一变量和第二变量的个性化因果关系权重(第一关联权重)以及每个第一变量和第二变量的共性化因果关系权重(第二关联权重)，确定目标对象的每个第一变量和第二变量的目标关联权重，即借助了与目标对象相关的其他对象所共享的因果关系，实现准确地对样本数据较少的目标对象的变量之间的关联权重的确定。
在本发明的实施例中，第一确定模块720包括：
第一编码单元，用于对于每个时间序列，利用编码器对时间序列进行编码，得到时间序列对应的第一向量表征。
第一预测单元，用于将第二向量表征输入到与其对应的第一神经网络，得到第二变量在目标时间点的第一预测值，第二向量表征包括每个第一向量表征。
第二预测单元，用于对于每个目标第一向量表征，将除目标第一向量表征之外的其他每个第一向量表征进行拼接，并将拼接后的向量表征输入到与目标第一向量表征对应的第二神经网络，得到第二变量在目标时间点的第二预测值。
第一关联权重确定单元，用于基于第一预测值和每个第二预测值，得到第三向量表征，第三向量表征包括每个第一变量与第二变量的第一关联权重。
在本发明的实施例中，第一关联权重确定单元，包括：
第一误差值确定子单元，用于基于第一预测值和第二变量的标签值，得到第一误差值。
第二误差值确定子单元，用于对于每个第二预测值，基于第二预测值和标签值，得到第二误差值。
目标误差值确定子单元，用于对于每个第二误差值，将第二误差值减去第一误差值，得到目标误差值。
关联权重确定子单元，用于基于每个目标误差值，得到每个第一变量与第二变量的第一关联权重。
在本发明的实施例中，关联权重确定子单元用于：
利用激活函数对每个目标误差值进行映射，得到每个目标误差值对应的映射结果；
将每个映射结果进行归一化处理，得到每个第一变量与第二变量的第一关联权重。
在本发明的实施例中，第一确定模块720用于：
对于每个第一变量，将第一变量与第二变量的第一关联权重与第一变量与第二变量的第二关联权重进行加权求和，得到第一变量与第二变量的目标关联权重。
在本发明的实施例中，信息处理装置700还包括：
相似度计算模块，用于分别计算第三向量表征和多个预设关联权重信息中每个预设关联权重信息之间的相似度。
关联权重信息确定模块，用于将与第三向量表征之间的相似度最大的预设关联权重信息作为与目标对象对应的预设关联权重信息。
在本发明的实施例中，信息处理装置700还包括第一预测模块，用于：
对于每个第一向量表征，将第一向量表征输入到与其对应的第三神经网络，得到第二变量在目标时间点的第三预测值；
根据每个第三预测值和每个目标关联权重，得到第二变量在目标时间点的目标预测值。
在本发明的实施例中，编码器为LSTM、GRU、TCN或CNN。
根据本发明实施例的信息处理装置700的其他细节与以上结合图1至图3描述的根据本发明实施例的信息处理方法类似，在此不再赘述。
图8示出了根据本发明一实施例提供的信息处理装置的结构示意图。如图8所示，信息处理装置800包括：
时间序列获取模块810，用于获取目标多媒体数据的多个第一变量中每个第一变量的时间序列。
第一确定模块820，用于基于每个时间序列，确定每个第一变量与目标多媒体数据的第二变量的第一关联权重。
第二确定模块830，用于基于每个第一关联权重，以及与目标多媒体数据对应的预设关联权重信息，得到每个第一变量与第二变量的目标关联权重。
其中，与目标多媒体数据对应的预设关联权重信息包括每个第一变量与第二变量的第二关联权重，第二关联权重为多个多媒体数据中每个多媒体数据的第一变量与该多媒体数据的第二变量的关联程度。
在本发明的实施例中，通过利用每个第一变量和第二变量的个性化因果关系权重(第一关联权重)以及每个第一变量和第二变量的共性化因果关系权重(第二关联权重)，确定目标多媒体数据的每个第一变量和第二变量的目标关联权重，即借助了与目标多媒体数据相关的其他多媒体数据所共享的因果关系，实现准确地对样本数据较少的目标多媒体数据的变量之间的关联权重的确定。
可选地，在本发明的一些实施例中，第一确定模块820包括：
第二编码单元，用于对于每个时间序列，利用编码器对时间序列进行编码，得到时间序列对应的第一向量表征。
第三预测单元，用于将第二向量表征输入到与其对应的第一神经网络，得到第二变量在目标时间点的第一预测值，第二向量表征包括每个第一向量表征。
第四预测单元，用于对于每个目标第一向量表征，将除目标第一向量表征之外的其他每个第一向量表征进行拼接，并将拼接后的向量表征输入到与目标第一向量表征对应的第二神经网络，得到第二变量在目标时间点的第二预测值。
第二关联权重确定单元，用于基于第一预测值和每个第二预测值，得到第三向量表征，第三向量表征包括每个第一变量与第二变量的第一关联权重。
可选地，在本发明的一些实施例中，信息处理装置800还包括第二预测模块，用于：
对于每个第一向量表征，将第一向量表征输入到与其对应的第三神经网络，得到目标多媒体数据的第二变量在目标时间点的第三预测值。
根据每个第三预测值和每个目标关联权重，得到第二变量在目标时间点的目标预测值。
根据本发明实施例的信息处理装置800的其他细节与以上结合图4和图5描述的根据本发明实施例的信息处理方法类似，在此不再赘述。
图9示出了根据本发明一实施例提供的信息处理装置900的结构示意图。如图9所示，信息处理装置900包括：
时间序列获取模块910，用于获取目标对象的多个用户行为变量中每个用户行为变量的时间序列。
第一确定模块920，用于基于每个时间序列，确定每个用户行为变量与目标对象的交易变量的第一关联权重。
第二确定模块930，用于基于每个第一关联权重，以及与目标对象对应的预设关联权重信息，得到每个用户行为变量与交易变量的目标关联权重。其中，与目标对象对应的预设关联权重信息包括每个用户行为变量与交易变量的第二关联权重，第二关联权重为多个对象中每个对象的用户行为变量与该对象的交易变量的关联程度。
提示信息确定模块940，用于基于每个用户行为变量与交易变量的目标关联权重，确定与目标对象关联的提示信息。
显示模块950，用于显示提示信息。
在本发明的实施例中，通过利用每个用户行为变量和交易变量的个性化因果关系权重(第一关联权重)以及每个用户行为变量和交易变量的共性化因果关系权重(第二关联权重)，确定目标对象的每个用户行为变量和交易变量的目标关联权重，即借助了与目标对象相关的其他对象共享的因果关系，实现准确地对样本数据较少的目标对象的变量之间的关联权重的确定，从而生成更精确地提示信息，以便用户针对目标对象进行更精确地商业规划。
在一些实施例中，多个用户行为变量包括以下变量中的至少两项：点击量、转发量、浏览量、点赞量以及评论量。
交易变量为以下变量中的任意一项：销售数量、价格以及销售金额。
在一些实施例中，第一确定模块920用于：
通过格兰杰因果关系分析方法对每个时间序列进行分析，得到每个用户行为变量与目标对象的交易变量的第一关联权重。
在一些实施例中，提示信息包括目标对象的交易变量在目标时间点的目标预测值。
在一些实施例中，提示信息包括每个用户行为变量与交易变量的目标关联权重，信息处理装置900还包括：
第三确定模块，用于接收用户对提示信息的选择指令，确定第一目标关联权重。
更改指令接收模块，用于接收用户对第一目标关联权重的更改指令。
更改模块，用于响应于更改指令，对第一目标关联权重进行更改，得到更改后的第一目标关联权重。
显示模块950，还用于显示更改后的第一目标关联权重。
根据本发明实施例的信息处理装置900的其他细节与以上结合图6描述的根据本发明实施例的信息处理方法类似，在此不再赘述。
结合图1和图9描述的根据本发明实施例的信息处理方法和装置可以由计算设备来实现。图10是示出根据发明实施例的计算设备的硬件结构1000示意图。
如图10所示，计算设备1000包括输入设备1001、输入接口1002、中央处理器1003、存储器1004、输出接口1005、以及输出设备1006。其中，输入接口1002、中央处理器1003、存储器1004、以及输出接口1005通过总线1010相互连接，输入设备1001和输出设备1006分别通过输入接口1002和输出接口1005与总线1010连接，进而与计算设备1000的其他组件连接。
具体地，输入设备1001接收来自外部的输入信息，并通过输入接口1002将输入信息传送到中央处理器1003；中央处理器1003基于存储器1004中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器1004中，然后通过输出接口1005将输出信息传送到输出设备1006；输出设备1006将输出信息输出到计算设备1000的外部供用户使用。
也就是说，图10所示的计算设备也可以被实现为包括：存储有计算机可执行指令的存储器；以及处理器，该处理器在执行计算机可执行指令时可以实现结合图1至图9描述的信息处理方法和装置。
本发明实施例还提供一种计算机存储介质，该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现本发明实施例提供的信息处理方法。
以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
以上，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (21)

1.一种信息处理方法，其中，所述方法包括：
获取目标对象的多个第一变量中每个第一变量的时间序列；
基于每个所述时间序列，确定每个所述第一变量与所述目标对象的第二变量的第一关联权重；
基于每个所述第一关联权重，以及与所述目标对象对应的预设关联权重信息，得到每个所述第一变量与所述第二变量的目标关联权重；其中，与所述目标对象对应的预设关联权重信息包括每个所述第一变量与所述第二变量的第二关联权重，所述第二关联权重为多个对象中每个对象的第一变量与该对象的第二变量的关联程度。
2.根据权利要求1所述的方法，其中，所述基于每个所述时间序列，确定每个所述第一变量与所述目标对象的第二变量的第一关联权重，包括：
对于每个所述时间序列，利用编码器对所述时间序列进行编码，得到所述时间序列对应的第一向量表征；
将第二向量表征输入到与其对应的第一神经网络，得到所述第二变量在目标时间点的第一预测值，所述第二向量表征包括每个所述第一向量表征；
对于每个目标第一向量表征，将除所述目标第一向量表征之外的其他每个第一向量表征进行拼接，并将拼接后的向量表征输入到与所述目标第一向量表征对应的第二神经网络，得到所述第二变量在所述目标时间点的第二预测值；
基于所述第一预测值和每个所述第二预测值，得到第三向量表征，所述第三向量表征包括每个所述第一变量与所述第二变量的第一关联权重。
3.根据权利要求2所述的方法，其中，所述基于所述第一预测值和每个所述第二预测值，得到第三向量表征，包括：
基于所述第一预测值和所述第二变量的标签值，得到第一误差值；
对于每个所述第二预测值，基于所述第二预测值和所述标签值，得到第二误差值；
对于每个所述第二误差值，将所述第二误差值减去所述第一误差值，得到目标误差值；
基于每个所述目标误差值，得到每个所述第一变量与所述第二变量的第一关联权重。
4.根据权利要求3所述的方法，其中，所述基于每个所述目标误差值，得到每个所述第一变量与所述第二变量的第一关联权重，包括：
利用激活函数对每个所述目标误差值进行映射，得到每个所述目标误差值对应的映射结果；
将每个所述映射结果进行归一化处理，得到每个所述第一变量与所述第二变量的第一关联权重。
5.根据权利要求1所述的方法，其中，所述基于每个所述第一关联权重，以及与所述目标对象对应的预设关联权重信息，得到每个所述第一变量与所述第二变量的目标关联权重，包括：
对于每个所述第一变量，将所述第一变量与所述第二变量的第一关联权重与所述第一变量与所述第二变量的第二关联权重进行加权求和，得到所述第一变量与所述第二变量的目标关联权重。
6.根据权利要求2所述的方法，其中，在所述基于每个所述第一关联权重，以及与所述目标对象对应的预设关联权重信息，得到每个所述第一变量与所述第二变量的目标关联权重之前，所述方法还包括：
分别计算所述第三向量表征和多个预设关联权重信息中每个预设关联权重信息之间的相似度；
将与所述第三向量表征之间的相似度最大的预设关联权重信息作为与所述目标对象对应的预设关联权重信息。
7.根据权利要求2所述的方法，其中，所述方法还包括：
对于每个所述第一向量表征，将所述第一向量表征输入到与其对应的第三神经网络，得到所述第二变量在目标时间点的第三预测值；
根据每个所述第三预测值和每个所述目标关联权重，得到所述第二变量在所述目标时间点的目标预测值。
8.根据权利要求7所述的方法，其中，所述编码器为长短期记忆网络LSTM、门控循环单元GRU、时域卷积网络TCN或卷积神经网络CNN。
9.一种信息处理方法，其中，所述方法包括：
获取目标多媒体数据的多个第一变量中每个第一变量的时间序列；
基于每个所述时间序列，确定每个所述第一变量与所述目标多媒体数据的第二变量的第一关联权重；
基于每个所述第一关联权重，以及与所述目标多媒体数据对应的预设关联权重信息，得到每个所述第一变量与所述第二变量的目标关联权重；其中，与所述目标多媒体数据对应的预设关联权重信息包括每个所述第一变量与所述第二变量的第二关联权重，所述第二关联权重为多个多媒体数据中每个多媒体数据的第一变量与该多媒体数据的第二变量的关联程度。
10.根据权利要求9所述的方法，其中，所述基于每个所述时间序列，确定每个所述第一变量与所述目标多媒体数据的第二变量的第一关联权重，包括：
对于每个所述时间序列，利用编码器对所述时间序列进行编码，得到所述时间序列对应的第一向量表征；
将第二向量表征输入到与其对应的第一神经网络，得到所述第二变量在目标时间点的第一预测值，所述第二向量表征包括每个所述第一向量表征；
对于每个目标第一向量表征，将除所述目标第一向量表征之外的其他每个第一向量表征进行拼接，并将拼接后的向量表征输入到与所述目标第一向量表征对应的第二神经网络，得到所述第二变量在所述目标时间点的第二预测值；
基于所述第一预测值和每个所述第二预测值，得到第三向量表征，所述第三向量表征包括每个所述第一变量与所述第二变量的第一关联权重。
11.根据权利要求10所述的方法，其中，所述方法还包括：
对于每个所述第一向量表征，将所述第一向量表征输入到与其对应的第三神经网络，得到所述第二变量在目标时间点的第三预测值；
根据每个所述第三预测值和每个所述目标关联权重，得到所述第二变量在所述目标时间点的目标预测值。
12.一种信息处理方法，其中，所述方法包括：
获取目标对象的多个用户行为变量中每个用户行为变量的时间序列；
基于每个所述时间序列，确定每个所述用户行为变量与所述目标对象的交易变量的第一关联权重；
基于每个所述第一关联权重，以及与所述目标对象对应的预设关联权重信息，得到每个所述用户行为变量与所述交易变量的目标关联权重；其中，与所述目标对象对应的预设关联权重信息包括每个所述用户行为变量与所述交易变量的第二关联权重，所述第二关联权重为多个对象中每个对象的用户行为变量与该对象的交易变量的关联程度；
基于所述每个所述用户行为变量与所述交易变量的目标关联权重，确定与所述目标对象关联的提示信息；
显示所述提示信息。
13.根据权利要求12所述的方法，其中，所述多个用户行为变量包括以下变量中的至少两项：点击量、转发量、浏览量、点赞量以及评论量；
所述交易变量为以下变量中的任意一项：销售数量、价格以及销售金额。
14.根据权利要求12所述的方法，其中，所述基于每个所述时间序列，确定每个所述用户行为变量与所述目标对象的交易变量的第一关联权重，包括：
通过格兰杰因果关系分析方法对每个所述时间序列进行分析，得到每个所述用户行为变量与所述目标对象的交易变量的第一关联权重。
15.根据权利要求12所述的方法，其中，所述提示信息包括所述目标对象的交易变量在目标时间点的目标预测值。
16.根据权利要求12所述的方法，其中，所述提示信息包括所述每个所述用户行为变量与所述交易变量的目标关联权重；
其中，在显示所述提示信息之后，所述方法还包括：
接收用户对提示信息的选择指令，确定第一目标关联权重；
接收用户对所述第一目标关联权重的更改指令；
响应于所述更改指令，对所述第一目标关联权重进行更改，得到更改后的第一目标关联权重；
显示所述更改后的第一目标关联权重。
17.一种信息处理装置，其中，所述装置包括：
时间序列获取模块，用于获取目标对象的多个第一变量中每个第一变量的时间序列；
第一确定模块，用于基于每个所述时间序列，确定每个所述第一变量与所述目标对象的第二变量的第一关联权重；
第二确定模块，用于基于每个所述第一关联权重，以及与所述目标对象对应的预设关联权重信息，得到每个所述第一变量与所述第二变量的目标关联权重；
其中，与所述目标对象对应的预设关联权重信息包括每个所述第一变量与所述第二变量的第二关联权重，所述第二关联权重为多个对象中每个对象的第一变量与该对象的第二变量的关联程度。
18.一种信息处理装置，其中，所述装置包括：
时间序列获取模块，用于获取目标多媒体数据的多个第一变量中每个第一变量的时间序列；
第一确定模块，用于基于每个所述时间序列，确定每个所述第一变量与所述目标多媒体数据的第二变量的第一关联权重；
第二确定模块，用于基于每个所述第一关联权重，以及与所述目标多媒体数据对应的预设关联权重信息，得到每个所述第一变量与所述第二变量的目标关联权重；
其中，与所述目标多媒体数据对应的预设关联权重信息包括每个所述第一变量与所述第二变量的第二关联权重，所述第二关联权重为多个多媒体数据中每个多媒体数据的第一变量与该多媒体数据的第二变量的关联程度。
19.一种信息处理装置，其中，所述装置包括：
时间序列获取模块，用于获取目标对象的多个用户行为变量中每个用户行为变量的时间序列；
第一确定模块，用于基于每个所述时间序列，确定每个所述用户行为变量与所述目标对象的交易变量的第一关联权重；
第二确定模块，用于基于每个所述第一关联权重，以及与所述目标对象对应的预设关联权重信息，得到每个所述用户行为变量与所述交易变量的目标关联权重；其中，与所述目标对象对应的预设关联权重信息包括每个所述用户行为变量与所述交易变量的第二关联权重，所述第二关联权重为多个对象中每个对象的用户行为变量与该对象的交易变量的关联程度；
提示信息确定模块，用于基于所述每个所述用户行为变量与所述交易变量的目标关联权重，确定与所述目标对象关联的提示信息；
显示模块，用于显示所述提示信息。
20.一种计算设备，其中，所述计算设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1-16任意一项所述的信息处理方法。
21.一种计算机存储介质，其中，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-16任意一项所述的信息处理方法。
CN202010155687.1A 2020-03-09 2020-03-09 信息处理方法、装置、计算设备及介质 Pending CN113379436A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010155687.1A CN113379436A (zh) 2020-03-09 2020-03-09 信息处理方法、装置、计算设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010155687.1A CN113379436A (zh) 2020-03-09 2020-03-09 信息处理方法、装置、计算设备及介质

Publications (1)

Publication Number Publication Date
CN113379436A true CN113379436A (zh) 2021-09-10

Family

ID=77569398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010155687.1A Pending CN113379436A (zh) 2020-03-09 2020-03-09 信息处理方法、装置、计算设备及介质

Country Status (1)

Country Link
CN (1) CN113379436A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118014627A (zh) * 2024-04-08 2024-05-10 武汉凯明德科技文化有限公司 一种基于区块链的电商交易平台智能管理系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008257595A (ja) * 2007-04-06 2008-10-23 Univ Of Tokyo 因果関係判定装置およびプログラム
CN107644036A (zh) * 2016-07-21 2018-01-30 阿里巴巴集团控股有限公司 一种数据对象推送的方法、装置及系统
CN108921688A (zh) * 2018-07-02 2018-11-30 阿里巴巴集团控股有限公司 构建预测模型的方法及装置
CN109165742A (zh) * 2018-08-28 2019-01-08 北京百度网讯科技有限公司 推荐方法、装置、存储介质和终端设备
CN109598534A (zh) * 2018-10-25 2019-04-09 北京三快在线科技有限公司 信息确定方法及装置、电子设备及存储介质
CN109727053A (zh) * 2017-10-31 2019-05-07 北京京东尚科信息技术有限公司 对象投放的确定方法、装置以及计算机可读存储介质
CN109948773A (zh) * 2017-12-20 2019-06-28 北京京东尚科信息技术有限公司 生成信息的方法和装置
CN110008386A (zh) * 2019-01-17 2019-07-12 阿里巴巴集团控股有限公司 一种数据生成、处理、评价方法、装置、设备及介质
US10366362B1 (en) * 2012-10-18 2019-07-30 Featuremetrics, LLC Feature based modeling for forecasting and optimization
CN110309869A (zh) * 2019-06-25 2019-10-08 清华大学 面向未知场景的稳定识别方法及装置
US20190385189A1 (en) * 2018-06-15 2019-12-19 The Nielsen Company (Us), Llc Methods, systems, apparatus and articles of manufacture to determine causal effects

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008257595A (ja) * 2007-04-06 2008-10-23 Univ Of Tokyo 因果関係判定装置およびプログラム
US10366362B1 (en) * 2012-10-18 2019-07-30 Featuremetrics, LLC Feature based modeling for forecasting and optimization
CN107644036A (zh) * 2016-07-21 2018-01-30 阿里巴巴集团控股有限公司 一种数据对象推送的方法、装置及系统
CN109727053A (zh) * 2017-10-31 2019-05-07 北京京东尚科信息技术有限公司 对象投放的确定方法、装置以及计算机可读存储介质
CN109948773A (zh) * 2017-12-20 2019-06-28 北京京东尚科信息技术有限公司 生成信息的方法和装置
US20190385189A1 (en) * 2018-06-15 2019-12-19 The Nielsen Company (Us), Llc Methods, systems, apparatus and articles of manufacture to determine causal effects
CN108921688A (zh) * 2018-07-02 2018-11-30 阿里巴巴集团控股有限公司 构建预测模型的方法及装置
CN109165742A (zh) * 2018-08-28 2019-01-08 北京百度网讯科技有限公司 推荐方法、装置、存储介质和终端设备
CN109598534A (zh) * 2018-10-25 2019-04-09 北京三快在线科技有限公司 信息确定方法及装置、电子设备及存储介质
CN110008386A (zh) * 2019-01-17 2019-07-12 阿里巴巴集团控股有限公司 一种数据生成、处理、评价方法、装置、设备及介质
CN110309869A (zh) * 2019-06-25 2019-10-08 清华大学 面向未知场景的稳定识别方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WEIR-SEN LIN等: "Using time series analysis to predict affecting factors of thallium myocardial perfusion scan service usage frequency", 《2018 IEEE INTERNATIONAL CONFERENCE ON APPLIED SYSTEM INVENTION (ICASI)》 *
汪菁;苏炜;: "多目标群体层次决策中确定权重的一种方法", 基建优化, no. 06 *
祝莹;刘骥;: "熵值法在适老性评估因子权重分析法中的应用研究", 建筑技艺, no. 12 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118014627A (zh) * 2024-04-08 2024-05-10 武汉凯明德科技文化有限公司 一种基于区块链的电商交易平台智能管理系统
CN118014627B (zh) * 2024-04-08 2024-07-02 武汉凯明德科技文化有限公司 一种基于区块链的电商交易平台智能管理系统

Similar Documents

Publication Publication Date Title
US11551239B2 (en) Characterizing and modifying user experience of computing environments based on behavior logs
CN112487278A (zh) 推荐模型的训练方法、预测选择概率的方法及装置
CN111242752B (zh) 一种基于多任务预测的确定推荐对象的方法及系统
EP4242955A1 (en) User profile-based object recommendation method and device
CN112258268A (zh) 确定推荐模型和确定物品价格的方法、装置、设备和介质
CN116541610B (zh) 一种推荐模型的训练方法及装置
CN113781149B (zh) 信息推荐方法、装置、计算机可读存储介质及电子设备
CN114240555A (zh) 训练点击率预测模型和预测点击率的方法和装置
CN111667024B (zh) 内容推送方法、装置、计算机设备和存储介质
CN110866625A (zh) 促销指标信息生成方法和装置
CN113592593A (zh) 序列推荐模型的训练及应用方法、装置、设备及存储介质
CN115631012A (zh) 目标推荐方法及装置
CN115564517A (zh) 商品推荐方法、预测模型训练方法和相关设备
CN113947439A (zh) 需求预测模型训练方法和装置、需求预测方法和装置
CN118245745A (zh) 任务处理、对象推荐、模型训练方法以及计算设备
CN113379436A (zh) 信息处理方法、装置、计算设备及介质
CN113792952A (zh) 用于生成模型的方法和装置
CN117573973A (zh) 资源推荐方法、装置、电子设备以及存储介质
CN116467594A (zh) 一种推荐模型的训练方法及相关装置
CN111966822A (zh) 用于确定评价信息的情感类别的方法和装置
CN111178987B (zh) 训练用户行为预测模型的方法和装置
CN114817716A (zh) 预测用户转化行为及训练模型的方法、装置、设备及介质
CN116562928A (zh) 一种目标预估方法、装置、设备及存储介质
CN114610996A (zh) 一种信息推送的方法和装置
CN112328769A (zh) 自动客服的应答方法、装置和计算机可读存储介质

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